最近圈里都在聊某位老前辈"树敌无数"，不少人把锅甩给性格。我倒觉得得从网络结构看，跟修养没多大关系。
无标度网络（scale-free）的度分布服从幂律 P(k)~k^(-γ)，少数 hub 节点攥着不成比例的连边，绝大多数节点度数极小。人若坐在那个枢纽位上，天然就扛着一大把对抗关系，这是拓扑位置决定的，不是脾气差。
preferential attachment（优先连接）还在后面推：新人进场总爱往声望最高的节点上凑，依附或叫板，枢纽的敌意连边便滚雪球。尤其领域里同时冒出两个高影响力新星，跟老枢纽正面对撞，雪球滚得格外快。
其实要命的是结构脆弱性：无标度网络对随机敌意免疫，却怕定向打击 hub。一旦那两位新星及其圈子联手针对，整张网络的连通性可能瞬间塌掉。与其数敌人有几个，不如盯着实际连边。具体数据有人统计过吗？
枢纽位背锅这说法笑死 第一次见有人拿幂律给脾气洗白哈哈哈
不是
不过老前辈那堆连边真没人统计过吧 圈里吵半天都是拍脑门 等个真去数数据的课代表
我倒觉得结构脆归脆 俩新星真联手才有戏 光坐hub上不主动撩也树不了那么多敌
前排留名蹲一个数据
有个点想跟楼主掰扯一下：你把"枢纽位置天然扛着一大把对抗关系"和"跟修养没多大关系"这两件事绑得稍紧了些。其实
无标度网络的结论其实只到"hub 节点连边数极多"这一步，至于这些边是友好还是敌对，拓扑本身并不预测符号。度数高意味着曝光多、打交道的人多，碰撞概率自然上去，但碰撞会不会变成"树敌"，这层转化靠的是互动质量和处置方式，不是 k 值直接给的。枢纽位决定的是"你会跟很多人产生交集"，不是"这些交集会变质成敌意"。把曝光量直接当敌意量，中间其实是跳了一步的。
再说 preferential attachment。经典模型里新节点是"优先连向高 degree 节点"，也就是往 hub 上贴，贴上去之后是依附还是叫板，是帖子自己加的社会学假设，模型本身并不产出"敌意雪球"。雪球能滚多大，取决于圈子里是不是默认把靠近权力中心当成威胁——这又绕回人的认知框架了，不完全是结构的事。
“对随机敌意免疫"这句也稍微过了。scale-free 对随机失效确实比随机图皮实，但 Albert 他们 2000 年那篇说的也是"高度 resilient 而非 immune”，定向打 hub 会塌，随机打也不会毫发无伤，只是塌得慢。
楼主最后那个问题我最感兴趣：实际连边里敌对边的比例，有没有人真统计过学术圈或者开源社区？我印象里 signed network 的研究多在 Epinions、Slashdot 这类平台上，学术合作网通常只建正向连边，负向的很难量化。真要验"树敌无数是不是结构性的"，得先有带符号的数据才行，不然容易把相关性讲成因果。
早年圈里也出过俩新星对撞老hub的事，比帖里说的还热闹，最后谁先收手谁就赢了
顺着一个细节说吧——你说 preferential attachment 让新人"往声望最高的节点上凑，依附或叫板"，雪球越滚越大。这里我想插一句：优先连接的方向其实未必是冲着制造对抗去的。新人靠拢 hub，大多数情况是去获取信息、资源和背书，是依附而非叫板。把优先连接默认理解成"树敌机制"，可能把敌意这一项估重了。
更要紧的是，整篇把"连边多"直接换成了"敌人多"。无标度网络讲的是节点连接数量多，而连接本身不带感情色彩，是合作、追随还是对抗，得看边的符号和权重。真要分析"树敌"，得上 signed network（带符号网络）才数得清敌友，光看无向无权的度分布会把两件事混为一谈。一个被广泛 follow 的老前辈，连边多也可能恰恰说明受认可的多。
你最后问的具体数据，专门统计"敌对连边"的实证研究我确实没怎么见过，合著网络、演员合作网络验证幂律的倒是一大把。要真往下做，先得定义清楚什么叫一条"敌意边"，光这一步就够呛。
把"树敌"归到拓扑位置而非修养，这角度我受启发。不过有个点想商榷：你说 preferential attachment 让新人"依附或叫板"老枢纽，敌意连边越滚越大——可 BA 模型里优先连接只管正向依附，"叫板"这种对抗边压根不在假设内。把敌意连边也默认服从幂律、跟着 hubs 集中，这一步缺实证。枢纽位上到底敌多还是友多，仍是 offene Frage，那俩新星的实际对撞连边数有人真数过吗？
这个角度挺妙的，我平时不大来数理版，今天刷到倒是看进去了。把"树敌"当成拓扑现象来掰扯，比单纯说人脾气不好有意思多了。
不过有一点我忍不住想插嘴。你说跟修养没多大关系，我倒是觉得，位置摆在那儿归位置，人怎么待在那个位置上，还是自己的事。同一颗hub，有人能让连边慢慢松下来，有人越缠越紧，这中间的功夫，幂律分布算不出来。结构能解释"为什么容易有敌人"，可"敌人会不会变成无数"，恐怕还得看坐在那儿的人怎么接。
你说的那两位新星联手定向打击，听着像在看一出戏。数据我倒没见过，这种事本来也难量化，不过真要有人统计，我大概也会好奇地凑过去看两眼。
现成数据怕是没有。不过"双新星对撞"更像事后叙事，无标度拓扑不保证这种对撞必然发生。
枢纽度数高不等于敌人多。度数是全部连边，敌意只是其中一小撮，直接画等号跨度太大。负向连边有统计吗？
你最后问"具体数据有人统计过吗"，还真有一篇跟这个预期反着来的。Broido 和 Clauset 在 2019 年那篇实证结论挺扎心：大量被当成无标度的网络，拿幂律去 fit 根本不通过，真正干净的 scale-free 案例少得可怜。小圈子度数分布更可能是 truncated 或 exponential tail，未必撑得起你说的 hub 效应。
严格来说
再说前面那个点：preferential attachment 把新人推到 hub 上"依附或叫板"，但经典 PA 模型里新节点连上去默认是正向权重（follow、引用、合作），"叫板"是另一套冲突动力学，不是拓扑自带的。结构能解释老前辈为什么被所有人看见，解释不了为什么被恨，visibility 和 hostility 是两回事。
所以"跟修养没关系"这个结论下得有点快，拓扑顶多解释显眼，显眼不等于招黑。
笑死 hub谐音"祸" 坐枢纽位可不就天生背锅 俩新星联手那段细思极恐了~
把连边直接当敌意连边，这点我保留。hub度大不等于对抗多，正负关系得用signed network看，有数据吗？
你这套用拓扑位置给老前辈"免责"的思路挺新鲜，不过有个前提我得补一句。
你把"对抗关系"直接当成无标度网络的连边数了，这里悄悄滑过了带符号这一步。真实人际网是 signed network，边分正负，hub 度数大只说明它连得多，连得多不等于仇人多。同一个人既可能是学术枢纽也人缘极好，光看度分布分不出哪条是朋友哪条是对头。
真要解释"树敌无数"，更对路的是结构平衡（structural balance）和社群结构。敌人往往扎堆在某个对立社群里，而不是均匀散在整张网。你担心的"两个新星圈子联手定向打击"，恰恰说明裂痕在社群层面，不在枢纽位置本身。
数据那块，爬一份合著或引用网统计 γ 值和 hub 占比不难，但得先把边标成正负，否则数出来的"敌意连边"意义不大。我混论坛这些年也见过几回类似戏码，旁观者全怪脾气，位置问题反倒没人提。