# DAO 十年：解锁治理新维度，深度解析关键治理指标 By [LXDAO](https://paragraph.com/@lxdao) · 2024-11-13 --- ![](https://storage.googleapis.com/papyrus_images/dcf252ca9e5f5abe8b4d0c394d873f77aae463cb029426305a94941d5c4202a7.jpg) 内容 | LXDAO 编辑 & 排版 | 环环 **DAO 发展历史目前已经历经十个年头，并历经了 2021 年的 DAO 大爆发时期，已经逐渐成为人类社会熟悉的一种组织行政模式，后有多个大型 DAO 对于治理进行各种实验跟拓展，衍生出各种各样的治理研究。** > 本篇收集了可作为治理指标的参考参数，用来进行各种治理的数据分析，每个参数通常只用来量化一个特定指标，但根据不同的 DAO 类型，每个指标的重要程度并不相同。 **重要指标解析** ---------- 以下指标暂时不包含「复杂性」跟「连贯性」相关指标，并统一采用「投票」作为举例，具体应用范围可扩展到例如资金，媒体等各种数据。 ### Herfindahl-Hirschman 指数，HHI 是一种泛用的「集中程度」计算方式，又称赫芬达尔-赫希曼指数，是两位经济学家的名字。 ![](https://storage.googleapis.com/papyrus_images/7d0059353613858f9dc61910ed9c290273a6b0d96a52962a476c547fef4f230d.jpg) 简单来说就是把每个不同单位的占比乘上平方， 例如 A 有 50%，B 有 30%，C 有 20% 50 \* 50 = 2500 30 \* 30 = 900 20 \* 20 = 400 三个加起来 2500 + 900 + 400 = 3800 3800 就是 ABC 的集中指数 最大 10000（1 人占 100%） ### Concentration of Power Index 权力集中度指数，CPI 从 HHI 衍生出来的一种变形，基本上跟 HHI 一样，但是考虑到一个状况是在特定的 DAO 中，例如 OP，不同的治理机构会有不同的权重，所以每个代表的分数还要根据权重去调整。 例如： * Governance Body Percentage (%) * Token House (Th) 32.33% * Citizens’ House (Ch) 34.59% * Grants Council Builders & Growth Experiments Sub-committee (Gc) 10.15% * Grants Council Milestone & Metrics Sub-committee (Gc(M&M)) 2.82% * Security Council (Sc) 13.17% * Code of Conduct Council (CoC) 4.32% * Developer Advisory Board (DAB) 3.01% 例如某个代表的权重是 300 分，但他同时在 Token House 跟 Citizens’ House， 他的总权重就是： 30032.33% + 30034.59% = 200.76 因考量这是进行治理指标的计算，因此不计算所有代表，仅仅计算有参与治理的代表，因此当社区的治理氛围下降后，也会造成指数提高的现象。 ### Nakamoto 系数 中本聪系数 主要针对一个问题：要控制整个系统，最少需要多少个参与者？ 这个问题很有意思，实际上这个对于资本市场的策略也非常有用。 如果系统中有 5 个人，他们的投票权分别是： * A: 30% * B: 25% * C: 20% * D: 15% * E: 10% 最少需要多少人联合就可以控制整个系统，答案是 30 + 35 = 55，最少只需要 2 个人，这样 Nakamoto 系数就是 2。 如果一个系统的中本聪系数是 20，说明至少需要 20 个人联合才能控制这个系统，这种系统就非常去中心化。 **系数越高**，去中心化程度越高，反之亦然。 ### 提案提出者多样性（Shannon 香农指数） 可以有多种测量方向，一种是用上面的 HHI 看提案占比的集中度，越集中，多样性越差。 另一种方式采用 Shannon 多样性指数：香农多样性指数。 ![](https://storage.googleapis.com/papyrus_images/4d31d18886e975f091ab3abefd58be792a5416ef434fa67a4b8407a22b6c11dc.png) 假设 4 位提案提交者，他们在一段时间内提交了如下数量的提案： * 提案者 A 提交了 5 个提案 * 提案者 B 提交了 3 个提案 * 提案者 C 提交了 2 个提案 * 提案者 D 提交了 1 个提案 接下来计算每个提案者的提案数量占提案总数的比例。 总提案数为：5 + 3 + 2 + 1 = 115 每个提案者的比例是： * A：≈ 0.4545 * B：≈ 0.2727 * C：≈ 0.1818 * D：≈ 0.0909 接下来计算每个比例的自然对数（用计算器中的 "ln" 按钮可以算出）： * A：−0.7885 * B：−1.2993 * C：−1.7047 * D：−2.3979 接下来把每个种类的比例乘以它对应的对数值 * A：0.4545 × −0.7885 ≈ −0.3582 * B：0.2727 × −1.2993 ≈ −0.3540 * C：0.1818 × −1.7047 ≈ −0.3090 * D：0.0909 × −2.3979 ≈ −0.2171 最后把所有类别的值相加：得到 1.2383 数值越高，表示系统的多样性越高。跟 HHI 相比，Shannon 更为直观，尤其是到了高度多样性时，比较能看出之间的差异（HHI 是数值越小越去分散）。 ### Gini 指数 这是一种很适合用图形化显示的指数步骤如下，通常用来评估资源的分布性，例如当一个组织有多个项目，可以用基尼指数了解资源的分配是否平均，也可以用来分析薪资，劳动等条件，如果有多个数字是一致的，在图形上就会连成一条直线。 1. 列出每个成员的投票权比例： 首先，你需要知道每个成员拥有的投票权比例。比如有 5 个成员，他们的投票权分别是： A: 40% B: 30% C: 15% D: 10% E: 5% 1. 按投票权大小升序排列： 把这些投票权从小到大排序，这样我们可以更容易地看到不平等情况： E: 5% D: 10% C: 15% B: 30% A: 40% 1. 计算累计的投票权比例： 现在，我们计算每个成员的累计投票权比例，就是从最小的开始，把它们一个一个加起来： E: 5% E + D: 5% + 10% = 15% E + D + C: 5% + 10% + 15% = 30% E + D + C + B: 5% + 10% + 15% + 30% = 60% E + D + C + B + A: 5% + 10% + 15% + 30% + 40% = 100% 5, 15, 30, 60, 100 就可以形成一个图形（左下到右上） 当一个组织的投票状况很平均时，这条线会趋近成一条直线。 当曲线向下弯曲的程度越严重，意味着票数不平均的状况越激烈。 ### Z-Score 去中心化指标 Z-Score **去中心化指标**是一个用来判断**每个人**在系统中所拥有的权力（比如投票权）跟系统中其他人相比，是否比较接近平均值的指标。它回答的问题是：“某个人的权力，跟大家的平均水平比，差得有多远？” 数字可能是正或负 * 如果 Z-Score 很接近 0，说明这个人的权力份额和其他人的平均水平差不多。 * 如果 Z-Score 偏离 0 很多，说明这个人的权力和平均水平差很多，要么他权力特别大，要么特别小。 这是一个统计学上的指数，也可以用来分辨例如薪资结构等等数据 假设有 5 个成员，他们的投票权分别是： * A：40% * B：25% * C：15% * D：10% * E：10% 平均投票权： * 平均值 = 20% **计算每个个体的权力差距**： 接下来，我们要看每个成员的权力与平均值相比，差了多少。 **例子**： * A：40% − 20% = 20% * B：25% − 20% = 5% * C：15% − 20% = −5% * D：10% − 20% = −10% * E：10% − 20% = −10% **计算标准差**： 标准差用来表示每个成员的投票权相对于平均值的偏离程度。 标准差就是把所有的平方之后的数再平均再开根号。 ![](https://storage.googleapis.com/papyrus_images/30792b1544cce765c78c52c3c4ca41919ae20df532ec9b49b7159929bcd300f8.png) 将每个人的**差距标准差**，就会得到每个人的 Z-Score。 例如 D 的差距是 -10%，除以标准差就是： \-10 / 11.4 = −0.88 但为什么不直接看差值呢？ * Z-Score 是一种标准化，例如跨不同的 DAO 组织要分析时，同样 10% 的投票比例差异，会让人觉得类似，但都转换成 Z-Score 之后，就可以比对出不同组织的差异。 * Z-Score 是一种相对差异，在分析变化时会更容易显现出动态，例如 D 现在是差是 -10%，整个权力变化后他可能还是 -10%，但是标准差改变了，这样他的 Z-Score 也会跟着改变。 或者是用来看一个人的薪资可能一直都没变，但是如果整个公司的标准差变了，实际上整体都加薪了，但他没加，Z-Score 就可以看出他酬劳跟整个公司的制度对比后实际上的变化。 DAO 用来分析投票倒是不至于，但是用来分析项目资源或是个人贡献度变化等等就用的上。 ### 投票权的动态变化 **投票权流动指数（Voting Power Mobility Index）** 看系统中的投票权在不同成员之间是不是“**动来动去**”。如果投票权总是在一小部分人手中，说明权力很固定，大家参与的机会比较少；如果投票权经常在不同人之间转移，说明权力很“**活跃**”，大家都有机会参与决策，系统会更公平、去中心化。 假设这是第一季度和第二季度的投票权分布情况： * **第一季度** * A 的投票权：40% * B 的投票权：30% * C 的投票权：30% * **第二季度** * A 的投票权：35% * B 的投票权：40% * C 的投票权：25% **步骤 2：计算每个成员的投票权变化量** **每个成员的变化量**就是第二季度的投票权减去第一季度的投票权： * A 的变化量：35% - 40% = -5% （减少了 5%） * B 的变化量：40% - 30% = +10% （增加了 10%） * C 的变化量：25% - 30% = -5% （减少了 5%） **步骤 3：把所有成员的变化量加在一起** 这一步，我们把每个人的**变化量绝对值**（不管增减，只取大小）加在一起，得到整个系统的“投票权流动指数”。 * A 的变化量绝对值：5% * B 的变化量绝对值：10% * C 的变化量绝对值：5% 总变化量 = 5% + 10% + 5% = 20% **这个 20% 就是“投票权流动指数”**。它表示系统中有 20% 的投票权在这两个季度之间发生了变化。 这个概念跟 **Z-Score 很类似，也可以加上标准差的方式来看变化倍率。** **累积投票权份额的变化趋势** 我们会关注那些拥有最多投票权的“顶层成员”，看看他们的投票权份额是不是在不断增加。如果这些顶层成员的份额越来越大，说明系统中的权力越来越集中；如果变化不大，说明系统的权力还算分散，大家的投票权比较均匀。 假设我们有第一季度和第二季度的投票权数据： * **第一季度** * A 的投票权：40% * B 的投票权：25% * C 的投票权：20% * D 的投票权：10% * E 的投票权：5% * **第二季度** * A 的投票权：45% * B 的投票权：20% * C 的投票权：15% * D 的投票权：15% * E 的投票权：5% 我们将每个季度的成员投票权从大到小排列： * **第一季度**：A > B > C > D > E * **第二季度**：A > B > D > C > E **步骤 2：计算“前 20%”成员的投票权份额** 为了观察“权力集中度”，我们通常看那些“顶层成员”在不同季度的投票权累积值，看看它们是否在增加。 在 5 个成员中，前 20% 的成员就是投票权最高的 1 个成员（这里指 A）。 * **第一季度**：A 的投票权 = 40%（前 20% 的累积投票权 = 40%） * **第二季度**：A 的投票权 = 45%（前 20% 的累积投票权 = 45%） 可以看到，从第一季度到第二季度，前 20% 的投票权份额增加了。 **步骤 3：计算“前 40%”成员的投票权份额** 我们也可以看前 40% 的累积份额（在 5 个成员中，就是前 2 名）。 * **第一季度**：A + B 的累积投票权 = 40% + 25% = 65% * **第二季度**：A + B 的累积投票权 = 45% + 20% = 65% 这里可以看到，前 40% 的累积投票权份额没有变化。 这种计算方式可以看到类似代表之类的变化是仅仅投票权的转移，还是出现集中的大头。 ### 资金透明度 这种通常没有明确的量化，主要是根据公布财报跟总流动资金比对，或是根据揭露详细度进行量级评量，主观性较强，意义不大，但是对于公示方式，公示细节程度，有没有审计等等，还是可作出简单地评级。 ### 决策时间 决策时间比较常态的做法是针对提案前的准备工作进行分析。 例如将每个提案的「意见收集」阶段的时间加总平均。 这个数据通常要先挑选有意义的指标，通常投票时间大多是固定的，因此计算投票时间的意义不大，除非有一个状况是每次很快就全部都投过票（鲜少有这种组织）…… 常见的时间参数： * 意见收集时间 * 多签处理时间 * 提案审核时间 ### 治理相关激励机制 通常会以 Gini 指数计算激励制度是否公平，但这有「治理贡献度」的量化问题要解决，通常是将固定的贡献度转换成等比的激励。 治理贡献度量化很难有一个长期固定的方案，以下是其中几个方案： * 综合贡献度=(任务完成比例×权重 1)+(参与时间×权重 2)+(决策参与度×权重 3)+… * (任务 1 权重x任务 1 数量)+(任务 2 权重x任务 2 数量)…… 对外来说有以下几个数据： * 每季的激励总额 * 每个个体平均可获得激励 * **Z-Score 或是 Gini 分析激励是否平均，或是过度集中在某些大头** ### 其他不需要解释的指标 * 投票参与率 * 提案通过率 * 人群画像：这类似社会学统计，例如统计年龄性别语言等 * 治理攻击 / 捕捉 / 反捕捉次数 总结 -- 从数据的 Detla 中探寻隐藏在背后的真相密码，其中的答案仍需各种累积跟探索，LXDAO 在借鉴各家的治理经验的同时，也尝试着透过量化的方式，让治理线索变的更加清晰，建立出 DAO 效益分析的基础，进一步探索更多数据及可能性，希望这一篇能够提供给对治理分析有兴趣的伙伴一些帮助。 --- *Originally published on [LXDAO](https://paragraph.com/@lxdao/dao-2)*