转发原文标题：《DAO 十年：解锁治理新维度，深度解析关键治理指标》
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。
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：
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。
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：≈ 0.4545B：≈ 0.2727C：≈ 0.1818D：≈ 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：−0.7885B：−1.2993C：−1.7047D：−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 ≈ −0.3582B：0.2727 × −1.2993 ≈ −0.3540C：0.1818 × −1.7047 ≈ −0.3090D：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。
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%
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%
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。
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。
声明：
本文转载自【LXDAO】，转发原文标题《DAO 十年：解锁治理新维度，深度解析关键治理指标》著作权归属原作者【LXDAO】。如对转载有异议，请联系 Gate Learn 团队，团队会根据相关流程尽速处理。免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。文章其他语言版本由 Gate Learn 团队翻译， 除非另有说明，否则不得复制、传播或抄袭经翻译文章。