گزارش پژوهشی · ۲۲ آبان ۱۴۰۵ (۱۳ نوامبر ۲۰۲۶)

شانس، استعداد و تلاش در موفقیت کسب‌وکار و شغلی

وقتی برخی افراد یا کسب‌وکارها بسیار بهتر از دیگران عمل می‌کنند، چه سهمی از آن به استعداد، مهارت و تلاش برمی‌گردد و چه سهمی به شانس؟

پاسخ کوتاه

بستگی دارد چه چیزی را بسنجیم: نتایج روزمره، مانند دستمزد سالانه یا درآمد مادام‌العمر، بیشتر حاصل تفاوت‌های پایدار میان افرادند؛ اما نتایج بسیار بزرگ، مانند فروش یک استارتاپ به مبلغی کلان یا ثروت هنگفت، بیشتر حاصل شانس‌اند.

خواندن یافته‌های اصلی گزارش کامل (PDF، انگلیسی)

همان افراد، دو معیار موفقیت

سهمی از تفاوت‌های میان افراد که از همان ۲۳ سالگی با ویژگی‌هایشان تعیین شده است، در شبیه‌سازی ۱٬۰۰۰٬۰۰۰ زندگی کاری

درآمد مادام‌العمر۶۲٪

ثروت پایانی۳۱٪

باقی آن از رویدادهایی می‌آید که پس از شروع کار برای افراد پیش می‌آید. ثروت به‌صورت نسبی سنجیده شده است («دو برابر ثروتمندتر»). درآمد نتیجه‌ای تکرارشونده و روزمره است، ولی ثروت از چند رویداد بزرگ و تصادفی ساخته می‌شود؛ برای همین شانس در آن نقش بسیار بیشتری دارد.

یافته‌های اصلی

شش نکته‌ای که شواهد نشان می‌دهند

این یافته‌ها حاصل ترکیب دو کار است: مروری بر پژوهش‌های منتشرشده (داده‌های مالیاتی و تأمین اجتماعی، ثبت کسب‌وکارها، داده‌های سرمایه‌گذاری در استارتاپ‌ها و مطالعات روان‌شناسی) و یک شبیه‌سازی رایانه‌ای از زندگی کاری که بر پایهٔ همان پژوهش‌ها ساخته شده است.

راهنمای سطح اطمینان. سطح اطمینان «پژوهش‌ها» (بالا، متوسط، پایین) داوری خودِ مرور پژوهش‌ها دربارهٔ استحکام شواهد منتشرشده است. شبیه‌سازی سطح اطمینان نمی‌دهد؛ در عوض می‌گوییم آیا با آن یافته هم‌خوان است و آن نتیجه در چند آزمون استحکام پابرجا ماند.

یافتهٔ ۱

هرچه نتیجه بزرگ‌تر و استثنایی‌تر باشد، نقش شانس بیشتر است

نتایج تکرارشونده و روزمره، مانند دستمزد سالانه، بیشتر از روی تفاوت‌های پایدار میان افراد قابل پیش‌بینی‌اند. نتایج یک‌باره و انباشتی، مانند فروش یک استارتاپ یا ثروت هنگفت، بیشتر به شانس بستگی دارند.

۶۲٪ در برابر ۳۱٪در شبیه‌سازی، ویژگی‌هایی که در ۲۳ سالگی ثابت شده‌اند ۶۲ درصد از تفاوت‌های درآمد مادام‌العمر را توضیح می‌دهند، اما فقط ۳۱ درصد از تفاوت‌های ثروت پایانی را.

پژوهش‌ها: بالا در داده‌های مربوط به پراکندگی نتایج، مطالعات پایداری عملکرد، آزمایش‌های میدانی و نظریه هم‌خوان است.
شبیه‌سازی: هم‌خوان است. در همهٔ حالت‌هایی که هر بار یک تنظیم تغییر کرد، ثروت بسیار بیشتر از درآمد به شانس وابسته بود.

بیشتر بخوانیدبستن

مرور پژوهش‌ها این را استوارترین الگوی شواهد می‌داند: سهم شانس در نتایجی که میانگین‌گیری‌شده، تکرارشونده و محدودند (دستمزد سالانه، زنده‌ماندن یک کسب‌وکار کوچک) کمترین است و در نتایجی که یک‌باره، ضربی و بی‌کران‌اند (ارزش فروش یک استارتاپ، ثروت بسیار زیاد) بیشترین.

آنچه پژوهش‌ها نشان می‌دهند

در ۲۲٬۰۰۴ شرکت دارای سرمایهٔ خطرپذیر، میانگین دریافتی بنیان‌گذار هنگام خروج ۵٫۸ میلیون دلار بود، اما «تقریباً سه‌چهارم کارآفرینان هنگام خروج هیچ چیزی دریافت نمی‌کنند و تعداد اندکی بیش از یک میلیارد دلار می‌گیرند» (هال و وودوارد، ۲۰۱۰). اگر با میانگین بسنجیم، راه‌اندازی استارتاپ جذاب به نظر می‌رسد؛ اگر با حالت معمول بسنجیم، شرطی بازنده است.
حدود ۵۵ درصد استارتاپ‌های دارای سرمایهٔ خطرپذیر در سال‌های ۱۹۸۵ تا ۲۰۰۹ با زیان تعطیل شدند و فقط حدود ۶ درصد بیش از پنج برابر سرمایه را بازگرداندند؛ همین تعداد اندک نزدیک به نیمی از کل بازده را ساختند (کر، ناندا و رودز-کراپف، ۲۰۱۴).
وقتی در نظام‌های واقعی تأمین مالی، تأیید و اعتبار، به برخی افراد به‌طور تصادفی موفقیتی زودهنگام داده شد، آنان بعدها موفقیت بیشتری به دست آوردند: شانسِ دلبخواهیِ اولیه می‌تواند انباشته شود (وان د رایت و همکاران، ۲۰۱۴).

آنچه شبیه‌سازی می‌افزاید

شبیه‌سازی زندگی کاری همان افراد را دو بار اجرا کرد: با همان استعداد، تلاش و پیشینهٔ خانوادگی، اما با شانسی کاملاً تازه. از کسانی که در یک زندگی در ۱٪ بالا بودند، فقط ۷٫۷۵٪ در زندگی دیگر هم در ۱٪ بالا قرار گرفتند و ۱۸٫۲٪ زیر میانه ماندند. با این حال این عدد هنوز بسیار بیشتر از شانس محض (۱٪) است، چون استعداد احتمال موفقیت را بالا می‌برد. «بیشتر شانس» و «به‌شدت گزینش‌شده بر اساس استعداد» هر دو دربارهٔ قلهٔ ثروت صادق‌اند.

فاصلهٔ میان درآمد و ثروت از رویدادهای بزرگ ثروتی در مدل می‌آید (فرصت‌های پرریسک، درآمدهای بادآورده و زیان‌ها) که مقادیرشان فرض شده است. اگر همهٔ این رویدادها خاموش شوند، سه ویژگی فرد ۶۰٫۹٪ از تفاوت‌های ثروت را توضیح می‌دهند.

یافتهٔ ۲

مسیر شغلی تا حد زیادی به نقطهٔ شروع بستگی دارد، و بخش بزرگی از همان نقطهٔ شروع خودش شانس است

در درآمد مادام‌العمر، بیشتر تفاوت‌های میان افراد از همان زمان شروع کار وجود دارد. اما ژن‌ها، خانواده و سالی که کار را آغاز می‌کنید انتخاب شما نیستند.

۵۵ تا ۶۵٪از تفاوت‌های درآمد مادام‌العمر از ۲۳ سالگی شکل گرفته است؛ ۳۵ تا ۴۵ درصد باقی‌مانده از رویدادهای بعدی می‌آید.

پژوهش‌ها: متوسط بر پایهٔ مدل‌های اقتصادی با فرض‌های قابل‌مناقشه؛ مدل‌های دیگر تا نسبت ۹۰ به ۱۰ هم می‌رسند. شانس‌دانستن ژن، خانواده و زمان تولد هم «متوسط» است (به تعریف بستگی دارد).
شبیه‌سازی: طوری ساخته شده که همین عدد را بازتولید کند (۶۲٫۰٪)؛ پس آزمون مستقلی نیست.

بیشتر بخوانیدبستن

پیشی‌گرفتن از همان آغاز چقدر بزرگ است؟

هاگت، ونتورا و یارون (۲۰۱۱) برآورد می‌کنند که شرایط ۲۳ سالگی ۶۱٫۵ درصد از تفاوت‌های درآمد مادام‌العمر و ۶۴ درصد از تفاوت‌های رفاه مادام‌العمر را توضیح می‌دهد. با اهداف دادهٔ دیگر، این اعداد ۵۳٫۸ و ۵۷٫۳ درصد است. مهارت‌های اولیه (سرمایهٔ انسانی) از همه مهم‌ترند: یک انحراف معیار بیشتر، ثروت مادام‌العمر مورد انتظار را حدود ۴۷ درصد بالا می‌برد.
کین و وولپین (۱۹۹۷)، به روایت تاد و ژانگ (۲۰۲۰)، نشان می‌دهند حدود ۹۰ درصد از تفاوت‌های رفاه مادام‌العمر مورد انتظار با مهارت‌هایی توضیح داده می‌شود که از ۱۶ سالگی وجود دارند. مرور پژوهش‌ها خودِ همین گستره میان مدل‌ها (تقریباً ۵۰ تا ۹۰ درصد) را نشانهٔ عدم قطعیت می‌داند.

پیشی‌گرفتن در آغاز با شایستگی یکی نیست

بنا بر تعریف مرور پژوهش‌ها، شانس هر چیزی است که در زمان خودش از کنترل فرد بیرون باشد. ژن‌ها، امکانات والدین و مهارت‌هایی که در کودکی شکل می‌گیرند انتخابی نیستند. پژوهشی روی ۸۷۰ جفت دوقلوی همسان و ۸۵۷ جفت دوقلوی ناهمسان در بریتانیا برآورد می‌کند که ۳۷ تا ۴۲ درصد از تفاوت در کارآفرین‌شدن با ژن‌ها پیوند دارد (نیکولائو و همکاران، ۲۰۰۸). با تعریف سخت‌گیرانه از شانس، بیشتر آن سهم ۶۰ تا ۹۰ درصدیِ «شرایط اولیه» نیز شانس است؛ با تعریف آسان‌گیرانه (شانس فقط یعنی رویدادهای پس از شروع کار)، شانس حدود ۳۵ تا ۴۰ درصد از تفاوت‌های درآمد مادام‌العمر است. اینکه کدام تعریف درست است انتخابی فلسفی است، نه تجربی.

شانسِ بعدی هم اثرهای بزرگ و ماندگار دارد

از دست دادن شغل در یک تعدیل گسترده، وقتی نرخ بیکاری زیر ۶ درصد است، به اندازهٔ ۱٫۴ سال درآمد هزینه دارد و وقتی بالای ۸ درصد است، «به‌طرز شگفت‌آوری» ۲٫۸ سال (دیویس و فون واختر، ۲۰۱۱).
فارغ‌التحصیل‌شدن در دوران رکود باعث کاهش درآمدی می‌شود که حدود ده سال ادامه می‌یابد و برای فارغ‌التحصیلانِ کم‌برخوردارتر بزرگ‌تر است (اورئوپولوس، فون واختر و هایز، ۲۰۱۲).
بستری‌شدن در بیمارستان در سنین ۵۰ تا ۵۹ سالگی درآمد سالانه را حدود ۲۰ درصد و به‌طور ماندگار کاهش می‌دهد (دابکین و همکاران، ۲۰۱۸).
در استان‌هایی از اسپانیا که برندهٔ بخت‌آزمایی کریسمس شدند، شرکت‌های تازهٔ بیشتری پدید آمد و این شرکت‌ها بزرگ‌تر بودند و دیرتر دوام آوردند: اینکه چه کسی کارآفرین می‌شود تا حدی به دسترسی تصادفی به پول بستگی دارد (برمخو و همکاران، ۲۰۲۲).

یافتهٔ ۳

در هر استارتاپ به‌تنهایی، شانس و زمان‌بندی حرف اول را می‌زنند

ویژگی‌های پایدار بنیان‌گذار تنها بخش کوچکی از موفقیت یا شکست یک کسب‌وکار مشخص را توضیح می‌دهد. حتی متخصصان هم از پیش به‌سختی می‌توانند برندگان را از بازندگان تشخیص دهند.

حدود ۰٫۱همبستگی میان امتیازهایی که یک شرکت بزرگ سرمایه‌گذاری خطرپذیر هنگام سرمایه‌گذاری داده بود و نتایج نهایی (۰ = بدون رابطه، ۱ = رابطهٔ کامل).

پژوهش‌ها: متوسط از پایداری اندک موفقیت و پیش‌بینی‌پذیری ضعیف از سوی متخصصان استنباط شده؛ سهم دقیق مستقیماً برآورد نشده است.
شبیه‌سازی: هم‌خوان است: حتی دانستن دقیق استعداد فقط همبستگی ۰٫۱۶ با بازده یک کسب‌وکار دارد.

بیشتر بخوانیدبستن

سابقهٔ موفقیت کمی کمک می‌کند. بنیان‌گذارانی که کسب‌وکار قبلی‌شان موفق بود ۳۰ درصد احتمال موفقیت دوباره داشتند، در برابر ۱۸ درصد برای تازه‌کارها و ۲۰ درصد برای کسانی که پیش‌تر شکست خورده بودند (گامپرز و همکاران، نسخهٔ کاری ۲۰۰۶؛ نسخهٔ منتشرشدهٔ ۲۰۱۰ اعداد ۲۱ و ۲۲ درصد را گزارش می‌کند). مرور پژوهش‌ها این را به معنای همبستگی تنها حدود ۰٫۱ تا ۰٫۱۵ میان نتایج پیاپی یک بنیان‌گذار می‌داند. بخشی از این برتری ممکن است مهارتِ به‌چشم‌آمده باشد: تأمین‌کنندگان و مشتریان از بنیان‌گذارانِ دارای سابقه پشتیبانی می‌کنند، پس «موفقیت، موفقیت می‌آورد».
متخصصان نمی‌توانند برندگان را پیش‌بینی کنند. در یک شرکت بزرگ سرمایه‌گذاری خطرپذیر، امتیازِ برندگان بزرگ و شکست‌خوردگان از نظر آماری تفاوتی نداشت؛ حتی ارزیابان متخصص از پیش فقط حدود ۱ درصد از تفاوت نتایج را توضیح می‌دهند (کر، ناندا و رودز-کراپف، ۲۰۱۴).
نرخ‌های پایه سخت‌گیرانه‌اند. حدود نیمی از کسب‌وکارهای تازهٔ آمریکایی ظرف پنج سال از میان می‌روند (از کسب‌وکارهایی که در سال منتهی به مارس ۲۰۱۵ ایجاد شدند، ۷۹٫۶ درصد یک سال، ۵۰٫۲ درصد پنج سال و ۳۴٫۷ درصد ده سال دوام آوردند).

تنشی که شبیه‌سازی آشکار کرد

وقتی اثر استعداد بر موفقیت کسب‌وکار برابر مقدار پیشنهادیِ پژوهش‌ها گذاشته شود (احتمال موفقیت ۱٫۶ برابر برای کسی با استعدادی یک انحراف معیار بالاتر از میانگین)، مدل موفقیت دوباره را فقط ۲۴٫۵٪ نشان می‌دهد، نه ۳۰٪. برای رسیدن به ۳۰٪ به حدود ۲٫۰۷ برابر نیاز است، اما در آن صورت بنیان‌گذارانی که پیش‌تر شکست خورده‌اند فقط در ۱۷٫۵٪ موارد موفق می‌شوند. هیچ مدلی که پایداری موفقیت را فقط به مهارت پنهان نسبت دهد نمی‌تواند توضیح دهد چرا شکست‌خوردگانِ پیشین به اندازهٔ تازه‌کارها موفق‌اند؛ گزینش، یادگیری از شکست یا مهارتِ به‌چشم‌آمده می‌توانند توضیح آن باشند.

یافتهٔ ۴

مهارت واقعی است و احتمال موفقیت را بالا می‌برد، اما نتیجه را تعیین نمی‌کند

مهارت در طول زمان انباشته می‌شود و تا حدی آموختنی است. افراد بااستعدادتر به‌طور میانگین بهتر عمل می‌کنند، اما بیشتر کسانی که در قله‌اند بااستعدادترین‌ها نیستند.

۵٫۵۳٪از بااستعدادترین دهک در شبیه‌سازی به ۱٪ ثروتمندترین می‌رسند (کم‌استعدادترین دهک: ۰٫۰۱۷٪). با این حال ۴۴٫۷٪ از ۱٪ ثروتمندترین از بیرون بااستعدادترین دهک می‌آیند.

پژوهش‌ها: بالا تجربه، سن و سابقهٔ موفقیت همگی موفقیت را پیش‌بینی می‌کنند.
شبیه‌سازی: هم‌خوان است: استعداد در هر ۶۰ حالتِ از ۶۰ حالتِ مدل کامل کمک کرد، اما گروه‌های استعداد همپوشانی زیادی داشتند.

بیشتر بخوانیدبستن

آنچه پژوهش‌ها نشان می‌دهند

میانگین سن بنیان‌گذاران در یک‌هزارمِ پررشدترین کسب‌وکارهای تازهٔ آمریکا ۴۵ سال است و «تجربهٔ پیشین در همان صنعت، نرخ موفقیت کارآفرینانه را بسیار بیشتر پیش‌بینی می‌کند» (آزولای، جونز، کیم و میراندا، ۲۰۲۰).
کسانی که صاحب کسب‌وکار ثبت‌شده شدند، در نوجوانی امتیاز استعداد یادگیری و عزت‌نفس بالاتری داشتند و ریسک بیشتری می‌کردند (لوین و روبینستاین، ۲۰۱۷).
شرکت‌های سرمایه‌گذاری خطرپذیر در صندوق‌های پیاپی خود پایداری عملکرد نشان می‌دهند، حتی وقتی فقط اطلاعاتِ موجود در زمان جذب سرمایه به کار رود (کاپلان و شوار، ۲۰۰۵؛ هریس و همکاران، ۲۰۲۰/۲۰۲۳).

آنچه شبیه‌سازی می‌افزاید

با درآمد کاری، بااستعدادترین دهک در پایان ۳٫۹ برابرِ ثروت معمولِ کم‌استعدادترین دهک را دارد و احتمال رسیدنش به ۱٪ بالا حدود ۳۲۵ برابر است. همبستگی رتبه‌ای استعداد و ثروت ۰٫۴۹ است؛ یعنی استعداد تقریباً یک‌چهارم از تفاوت رتبهٔ ثروت افراد را توضیح می‌دهد. ثروتمندترین فرد به‌طور میانگین در صدک ۹۰ام استعداد قرار دارد و گاهی استعدادش کمتر از میانه است.

پژوهش‌ها همچنین می‌گویند بهترین عملکردها گاهی شاهد ضعیف‌تری از مهارت‌اند تا ردهٔ بعدی، چون نتایج بسیار بزرگ اغلب به شانس نیاز دارند (دنرل و لیو، ۲۰۱۲). شبیه‌سازی هرگز چنین چیزی را در حالت‌هایی که استعداد می‌توانست بر ثروت اثر بگذارد پیدا نکرد: ۱٪ بالا همیشه به‌طور میانگین بااستعدادتر از ۹٪ بعدی بود. این نشان می‌دهد چنین وارونگی‌ای خودبه‌خود رخ نمی‌دهد؛ نشان نمی‌دهد که هرگز رخ نمی‌دهد.

یافتهٔ ۵

درآمد پایدار از کار، قوی‌ترین عامل برابری است

دستمزد منظم نابرابری را کاهش می‌دهد، افراد را از بدتر شدن وضعشان محافظت می‌کند و نتایج را بیشتر به استعداد گره می‌زند.

۰٫۰۵٪ در برابر ۳۱٫۲٪از افراد شبیه‌سازی‌شده با و بدون درآمد پایدار کاری، فقیرتر از آغاز به پایان می‌رسند (همان افراد، همان شانس).

پژوهش‌ها: بدون رتبه یافته‌ای که فقط از شبیه‌سازی آمده است. با این یافتهٔ پژوهش‌ها هم‌خوان است که نتایج تکرارشونده و روزمره کمتر به شانس وابسته‌اند.
شبیه‌سازی: جهت این نتیجه در ۳۳ آزمون از ۳۳ آزمون جفتی پابرجا ماند؛ اندازه‌اش به فرض‌ها بستگی دارد.

بیشتر بخوانیدبستن

شبیه‌سازی همان افراد را با همان رویدادهای تصادفی دو بار اجرا کرد: یک بار با پس‌انداز ۱۰ درصد از یک دستمزد پایدار و یک بار بدون آنکه هیچ دستمزدی وارد ثروتشان شود. چون افراد و شانس یکسان‌اند، تفاوت میان این دو، اثر درآمد را جدا می‌کند.

نتیجه	با درآمد	بدون درآمد
ثروت پایانی معمول (میانه)	۱۰٫۴	۱٫۷۰
ضریب جینی (نابرابری)	۰٫۵۱۵	۰٫۶۳۱
سهم ۱٪ ثروتمندترین از ثروت	۱۶٫۰٪	۲۰٫۵٪
همبستگی رتبه‌ای استعداد و ثروت	۰٫۴۹۰	۰٫۲۶۶

ثروت برحسب سال‌های درآمد معمولِ آغاز کار است؛ همه با ۱ شروع می‌کنند. اعداد میانگین ۱٬۰۰۰ اجرا با ۱٬۰۰۰ نفرند.

دستمزد جریانی از پرداخت‌های کوچک و بیشتر قابل‌اتکاست. مبلغ بزرگ و قابل‌پیش‌بینی‌ای به ثروت همه می‌افزاید و اثر چند رویداد بزرگِ خوش‌شانسی یا بدشانسی را کم‌رنگ می‌کند. و چون درآمد بازتاب استعداد، تلاش و پیشینهٔ خانوادگی است، نتایج بیشتر به این ویژگی‌ها گره می‌خورند.

«بیشتر امتحان کن» شمشیری دولبه است

مرور پژوهش‌ها توصیه می‌کند افراد تعداد «تیرهای» مستقل خود را بیشینه کنند و در عین حال از ضربه‌های بد جان سالم به در ببرند. در شبیه‌سازی، تلاش بیشتر فرصت‌های پرریسک بیشتری به همراه دارد. بدون درآمد، رفتن از کم‌تلاش‌ترین دهک به پرتلاش‌ترین دهک احتمال رسیدن به ۱٪ بالا را از ۰٫۵۶٪ به ۱٫۷۸۳٪ می‌رساند، اما نتیجهٔ معمول را از ۱٫۹۸ به ۱٫۳۲ پایین می‌آورد و سهم کسانی را که فقیرتر به پایان می‌رسند از ۲۳٫۳٪ به ۴۱٫۶٪ می‌رساند. تیرهای بیشتر فقط وقتی ارزش دارند که بتوانید زیان‌ها را تاب بیاورید.

مدل بدهی، هزینه‌های زندگی و ارث را در نظر نمی‌گیرد؛ سازندگانش می‌گویند این کاستی‌ها احتمالاً نسخهٔ دارای درآمد را بیش از حد برابر و در پایین هرم بیش از حد امن نشان می‌دهد.

یافتهٔ ۶

آدم‌ها موفقیت را به خودشان نسبت می‌دهند و شکست را به شرایط

این سوگیری خودخدمتی، همراه با بررسیِ فقط برندگان، می‌تواند موفقیت را شایسته‌تر از آنچه هست جلوه دهد.

۲۶۶مطالعه (۵۰۳ اندازهٔ اثر) در یک فراتحلیل، سوگیری میانگینِ بسیار بزرگی (اندازهٔ اثر d = ۰٫۹۶) به سمت نسبت‌دادن موفقیت به خود پیدا می‌کنند.

پژوهش‌ها: بالا بر پایهٔ یک فراتحلیل بزرگ.
شبیه‌سازی: در شبیه‌سازی آزموده نشده است.

بیشتر بخوانیدبستن

این سوگیری همه‌جایی است اما شدتش فرق می‌کند. در نمونه‌های آسیایی (d = ۰٫۳۰) کوچک‌تر از نمونه‌های آمریکایی (۱٫۰۵) یا دیگر نمونه‌های غربی (۰٫۷۰) است و در نمونه‌های افراد دچار افسردگی از همه کوچک‌تر (۰٫۲۱) (مزولیس، آبرامسون، هاید و هنکین، ۲۰۰۴). اندازهٔ اثر d تفاوت را برحسب انحراف معیار می‌سنجد.
سوگیری بقا. مطالعهٔ فقط شرکت‌های موفق، انبوه کسانی را که همان کارها را کردند و شکست خوردند پنهان می‌کند. وقتی حدود ۵۰ درصد کسب‌وکارهای تازه ظرف پنج سال از میان می‌روند و حدود ۷۵ درصد بنیان‌گذارانِ دارای سرمایهٔ خطرپذیر هنگام خروج چیزی دریافت نمی‌کنند، نمونه‌هایی که فقط از موفق‌ها ساخته شده‌اند به‌شدت گمراه‌کننده‌اند (دنرل و کوواچ، ۲۰۰۸).
مهارتِ به‌چشم‌آمده می‌تواند خودش موفقیت بسازد. وقتی تأمین‌کنندگان و مشتریان از بنیان‌گذارانِ دارای سابقه پشتیبانی می‌کنند، همین تصورِ مهارت پایداری می‌آفریند؛ پس پایداری، مهارتِ «خالص» را بیش از واقع نشان می‌دهد (گامپرز و همکاران، ۲۰۱۰).

معنای عملی

مرور پژوهش‌ها توصیه می‌کند تصمیم‌ها را بر اساس فرایندشان داوری کنیم نه نتیجه‌شان، از نرخ‌های پایه استفاده کنیم (حدود ۵۰ درصد بقای پنج‌سالهٔ کسب‌وکار، حدود ۷۵ درصد دریافتیِ صفر برای بنیان‌گذارانِ دارای سرمایهٔ خطرپذیر) و سوابق استثنایی را با احتیاط بسنجیم.

نتایج شبیه‌سازی

شبیه‌سازی را کاوش کنید

شبیه‌سازی ۱٬۰۰۰ نفر را در یک زندگی کاری ۴۰ ساله از ۲۳ سالگی دنبال می‌کند و این کار را ۱٬۰۰۰ بار تکرار می‌کند. هر فرد استعداد، میزان تلاش و پیشینهٔ خانوادگی دارد، دستمزد می‌گیرد و با رویدادهای تصادفیِ خوب و بد روبه‌رو می‌شود. پول برحسب سال‌های درآمد معمولِ آغاز کار سنجیده می‌شود؛ همه با ۱ شروع می‌کنند.

زندگی‌های کاری چگونه به پایان می‌رسند: با و بدون درآمد پایدار

ثروت پایانی به‌صورت مضربی از ثروت اولیه، برای ۱٬۰۰۰٬۰۰۰ زندگی شبیه‌سازی‌شده

نمایش مدل سادهٔ «استعداد در برابر شانس»

هر منحنی نشان می‌دهد زندگی‌های شبیه‌سازی‌شده به کجا می‌رسند. هرچه به راستِ محور نزدیک‌تر، ثروتمندتر؛ هر گام روی محور ده برابرِ گام قبلی است. با درآمد پایدار (آبی)، فرد معمولی در پایان ۱۰٫۴ برابرِ ثروت اولیه‌اش را دارد و فقط ۰٫۰۵٪ فقیرتر از آغاز به پایان می‌رسند (سمت چپِ خط «شروع»). بدون درآمد کاری (نارنجی)، همان افراد با همان شانس معمولاً با ۱٫۷۰ برابر به پایان می‌رسند و ۳۱٫۲٪ فقیرتر می‌شوند. دنبالهٔ بلند منحنی در سمت راست بیشتر حاصل فرصت‌های پرریسکی است که به نتیجه رسیدند.

نمایش جدول داده‌ها

استعداد و نتیجه

آیا بااستعدادترین فرد ثروتمندترین هم می‌شود؟

نسخه با درآمد کاری بدون درآمد کاری

هر نقطه یکی از ۱٬۰۰۰ نفرِ یک جمعیت شبیه‌سازی‌شده است که بر اساس استعداد (چپ = کم‌استعدادترین، راست = بااستعدادترین) و ثروت پایانی (هر خط افقی ده برابرِ خط پایینی) جای گرفته است. خط سیاه ثروت معمول (میانهٔ) هر دهک استعداد را در میانگین همهٔ ۱٬۰۰۰ اجرا نشان می‌دهد: با درآمد کاری از ۵٫۹ در کم‌استعدادترین دهک به ۲۳٫۱ در بااستعدادترین دهک می‌رسد؛ بدون درآمد، از ۱٫۱۳ به ۳٫۲۴. استعداد آشکارا کمک می‌کند، اما در هر سطحی از استعداد نتایج بسیار پراکنده‌اند و گروه‌ها همپوشانی زیادی دارند.

نمایش جدول داده‌ها (بر اساس دهک استعداد)

ثروت در دست کیست؟

سهم هر گروه از کل ثروت، میانگین ۱٬۰۰۰ اجرا

با درآمد کاری، ثروتمندترین ۱٪ صاحب ۱۶٫۰٪ از کل ثروت‌اند و فقیرترین نیمه ۱۸٫۱٪، هرچند همه از نقطهٔ برابر شروع می‌کنند و سهم یکسانی پس‌انداز می‌کنند. بدون درآمد، سهم ۱٪ بالا ۲۰٫۵٪ است. در قواعد مدل سادهٔ «استعداد در برابر شانس» (سبز)، ثروتمندترین ۲۰٪ در پایان ۸۱٫۲٪ را در اختیار دارند. نابرابری بر پایهٔ ضریب جینی (۰ = برابری کامل، ۱ = همهٔ ثروت در دست یک نفر): ۰٫۵۱۵، ۰٫۶۳۱ و ۰٫۷۷۶.

نمایش جدول داده‌ها

یک زندگی، دو بار

همان استعداد، تلاش و پیشینهٔ خانوادگی؛ شانسی کاملاً تازه

نسخه با درآمد کاری بدون درآمد

هر نقطه یک فرد است که دو بار شبیه‌سازی شده. اگر ویژگی‌های فرد همه‌چیز را تعیین می‌کردند، نقطه‌ها روی خط مورب می‌نشستند. با درآمد کاری، همبستگی رتبه‌ای میان دو زندگی فقط ۰٫۳۰ است و از کسانی که در یک زندگی در ۱٪ بالا بودند، فقط ۷٫۷۵٪ در زندگی دیگر هم آنجا قرار می‌گیرند (شانس محض: ۱٪). بدون درآمد، این اعداد ۰٫۰۹ و ۳٫۱۴٪ است.

نمایش جدول خلاصه

کدام فرض‌ها اهمیت دارند؟ نتایج تحلیل حساسیت

هر نتیجه با تغییر یک تنظیم در گسترهٔ محتملش چقدر جابه‌جا می‌شود

نتیجه

نسخه با درآمد کاری بدون درآمد

هر میله از کمترین تا بیشترین مقداری کشیده شده که یک نتیجه با تغییر یک تنظیم به خود گرفت، در حالی که بقیهٔ تنظیمات در مقدار پایه ماندند (خط عمودی). رنگ نشان می‌دهد هر تنظیم از کجا آمده است: از شواهد پژوهشی، یا فرضی که به‌دلیل نبود شواهد گذاشته شده. تنظیم‌هایی که نابرابری را بیش از همه جابه‌جا می‌کنند، یعنی اینکه مردم چه سهمی از ثروتشان را روی هر فرصت می‌گذارند و فرصت‌ها هر چند وقت یک بار پیش می‌آیند، هر دو فرض‌اند. تنظیم‌هایی که بهترین شواهد را دارند (از دست دادن شغل، مشکلات سلامت، شروع کار در رکود) تقریباً تغییری در آن نمی‌دهند. جهت یافته‌های اصلی در همهٔ حالت‌ها پابرجا ماند؛ اندازهٔ آن‌ها نه.

نمایش جدول داده‌ها

خاموش‌کردن یک منبع شانس در هر بار

تعاملی

خودتان امتحان کنید

این همان شبیه‌سازی است که برای اجرا در مرورگر شما بازنویسی شده. تنظیمات را تغییر دهید و دوباره اجرا کنید. هر اجرا همان افراد را دو بار شبیه‌سازی می‌کند، با و بدون درآمد پایدار کاری، با شانسی یکسان. تنظیم‌هایی که برچسب «فرض» دارند هیچ شواهد مستقیمی پشتشان نیست.

نتایج شما

مقادیر «منتشرشده» میانگین ۱٬۰۰۰ اجرا با تنظیمات پایه‌اند و از فایل دادهٔ پژوهش آمده‌اند. با تنظیمات پایه، نتایج شما کمی متفاوت خواهد بود، چون جمعیت‌های کمتری شبیه‌سازی می‌شوند و اعداد تصادفی فرق می‌کنند.

ثروت پایانی (مضربی از ثروت اولیه)

ثروت معمول در هر دهک استعداد

نمایش جدول داده‌ها

روش پژوهش

این پژوهش چگونه انجام شد

دو کار، در کنار هم

مروری بر پژوهش‌های منتشرشده. اولویت با مقاله‌های داوری‌شده و مقاله‌های کاری بود که از داده‌های اداری بزرگ یا آزمایش‌های طبیعی استفاده می‌کنند: سوابق تأمین اجتماعی آمریکا، ثبت کسب‌وکارها در ادارهٔ سرشماری آمریکا، سوابق مالیاتی سوئد و پایگاه‌های دادهٔ معاملات سرمایه‌گذاری خطرپذیر. آمار رسمی کسب‌وکار، فراتحلیل‌های روان‌شناسی و مدل‌های رایانه‌ای نیز به کار رفتند. کتاب‌های عمومی چارچوب بحث را می‌سازند اما برای اعداد به آن‌ها تکیه نشد.

یک شبیه‌سازی رایانه‌ای از زندگی کاری (یک «مدل مونت‌کارلوی عامل‌بنیاد»). این مدل افراد شبیه‌سازی‌شدهٔ بسیاری را در میان رویدادهای تصادفی زندگی دنبال می‌کند و این کار را بارها تکرار می‌کند. هر جا پژوهش‌ها شواهدی داشتند، تنظیمات مدل از آن‌ها گرفته شد.

تعریف‌ها

شانس: عواملی اثرگذار بر نتیجه که در زمان خود از کنترل فرد بیرون‌اند. مهارت: توانایی پایدار و فردی که نتایج مورد انتظار را بهتر می‌کند. با این تعریف‌ها، بااستعداد به دنیا آمدن یا به دنیا آمدن در خانواده‌ای مرفه شانس است.

شبیه‌سازی به‌طور خلاصه

هر فرد در ۲۳ سالگی کار را آغاز می‌کند و ۴۰ سال دنبال می‌شود. استعداد، تلاش و پیشینهٔ خانوادگی از ابتدا ثابت‌اند و هر کدام از یک منحنی زنگوله‌ای انتخاب می‌شوند.
هر سال درآمدی همراه می‌آورد (با فرازوفرودهای واقع‌گرایانه، از دست دادن شغل، مشکلات سلامت و آسیب ماندگارِ شروع کار در رکود) و ۳ درصد بازده روی ثروت.
ممکن است یک فرصت پرریسک (گذاشتن ۲۵ درصد ثروت روی کسب‌وکاری که معمولاً شکست می‌خورد اما گاهی سود بسیار بزرگی می‌دهد)، یک درآمد بادآورده یا یک زیان بزرگ (نیمی از ثروت) هم پیش بیاید. کسب‌وکارها به‌طور میانگین در ۲۰ درصد موارد موفق می‌شوند و برای کسی با استعدادی یک انحراف معیار بالاتر از میانگین، ۱٫۶ برابر بیشتر.
هر نسخه ۱٬۰۰۰ بار با ۱٬۰۰۰ نفر اجرا شد، به‌علاوهٔ ۹۳ حالت تحلیل حساسیت که هر کدام ۱٬۰۰۰ بار اجرا شدند.
از ۶۰ تنظیم مدل، ۱۹ تنظیم مستقیماً از پژوهش‌ها آمده‌اند، ۷ تنظیم واسنجی شده‌اند (طوری تنظیم شده‌اند که اعداد پژوهش‌ها را بازتولید کنند) و ۳۴ تنظیم فرض‌اند که هر کدام برچسب و توجیه دارند.

چهار راهی که پژوهشگران شانس را از مهارت جدا می‌کنند

آزمون پایداری

اگر مهارت اهمیت داشته باشد، عملکرد گذشته باید عملکرد آینده را پیش‌بینی کند؛ شانس بنا به تعریف تکرار نمی‌شود.

تجزیهٔ واریانس

تقسیم پراکندگی نتایج به بخشی که از عوامل پایدار می‌آید و بخشی که از شوک‌های بعدی، با مدل‌های آماری یا اقتصادی.

آزمایش طبیعی

رویدادهای تصادفی مانند بردن در بخت‌آزمایی، رکود هنگام فارغ‌التحصیلی یا تعدیل نیرو در پی تعطیلی کارخانه، اثر علّیِ شانسِ محض را نشان می‌دهند.

شبیه‌سازی

مدل‌های رایانه‌ای نشان می‌دهند ترکیبی معین از استعداد و شانس چه پراکندگی‌ای از نتایج پدید می‌آورد: آنچه ممکن است، نه آنچه درست است.

سه نسخهٔ مدل

نسخه	آنچه در بر دارد
با درآمد کاری	مدل کامل؛ ۱۰ درصد از درآمد هر سال پس‌انداز می‌شود.
بدون درآمد کاری	همان افراد و همان رویدادهای تصادفی، اما هیچ درآمدی وارد ثروت نمی‌شود.
مدل مرجع «استعداد در برابر شانس»	قواعد یک مدل سادهٔ شناخته‌شده (پلوکینو، بیوندو و راپیساردا، ۲۰۱۸): در هر یک از ۸۰ گام شش‌ماهه، یک رویداد خوش‌شانسی با احتمالی برابر با استعداد سرمایه را دو برابر می‌کند و یک رویداد بدشانسی آن را نصف. فقط برای مقایسه به کار رفته است.

سنجش مدل در برابر پژوهش‌ها

مدل طوری ساخته شد که هر جا اعداد پژوهشی وجود داشت آن‌ها را بازتولید کند. تطابقِ «واسنجی‌شده» عمدی است و آزمون مستقلی به شمار نمی‌آید؛ «خودبه‌خود» یعنی آن عدد هدف‌گذاری نشده بود.

عدد پژوهشی	پژوهش‌ها	مدل	چگونه
سهم تفاوت‌های درآمد مادام‌العمر که در ۲۳ سالگی ثابت است (هاگت و همکاران، ۲۰۱۱)	۶۱٫۵٪	۶۲٫۰٪	واسنجی‌شده
کشیدگی تغییرات سالانهٔ درآمد (گوونن و همکاران، ۲۰۲۱)	حدود ۱۰ تا ۳۰	۱۵٫۷	واسنجی‌شده
کسب‌وکارهایی که بیش از ۵ برابر بازده دارند (کر و همکاران، ۲۰۱۴)	حدود ۶٪	۶٫۰۷٪	واسنجی‌شده
بنیان‌گذارانی که هنگام خروج چیزی دریافت نمی‌کنند (هال و وودوارد، ۲۰۱۰)	حدود ۷۳ تا ۷۵٪	۷۹٫۸٪ از کسب‌وکارها	خودبه‌خود
همبستگی ارزیابی پیشین با بازده کسب‌وکار	حدود ۰٫۱	۰٫۱۶	خودبه‌خود
موفقیت پس از یک موفقیت پیشین (گامپرز و همکاران)	۳۰٪	۲۴٫۵٪	خودبه‌خود
سهم تغییرات سالانهٔ درآمد که کمتر از ۵± درصد است	«بیشترشان بسیار کوچک‌اند»	۳۰٫۸٪	خودبه‌خود

سطح اطمینان و استحکام نتایج

سطح اطمینان (بالا، متوسط، پایین) برای یافته‌های پژوهشی را خودِ مرور پژوهش‌ها تعیین کرده است. شبیه‌سازی سطح اطمینان نمی‌دهد؛ استحکام را با اجرای دوبارهٔ مدل و تغییر هر بار یک تنظیم (۵۹ حالت با درآمد کاری، ۳۲ حالت بدون آن و ۲ حالت برای مدل ساده، هر کدام ۱٬۰۰۰ اجرا) و شمردن دفعاتی که هر نتیجه پابرجا می‌ماند می‌سنجد.

نتیجه	پابرجا در
درآمد پایدار نابرابری، سهم ۱٪ بالا و سهم کسانی را که وضعشان بدتر می‌شود کاهش می‌دهد و میانه و پیوند استعداد و ثروت را بالا می‌برد	۳۳ از ۳۳
استعداد و ثروت پیوند مثبت دارند (با درآمد کاری)	۶۰ از ۶۰
استعداد و ثروت پیوند مثبت دارند (بدون درآمد؛ دو استثنا حالت‌هایی‌اند که استعداد هیچ راهی به ثروت ندارد)	۳۱ از ۳۳
۱٪ بالا کم‌استعدادتر از ۹٪ بعدی است (با درآمد کاری)	۰ از ۶۰

همهٔ ۶۰ تنظیم مدل، همراه با منبع

در حال بارگذاری…

اصطلاحات کلیدی

پراکندگی (واریانس): میزان گسترده‌بودن یک نتیجه میان افراد. «X شصت درصد از پراکندگی را توضیح می‌دهد» یعنی X عامل شصت درصد از آن گستردگی است.
همبستگی: عددی از ۱- تا ۱ که نشان می‌دهد دو چیز چقدر با هم تغییر می‌کنند (۰ = بدون رابطه، ۱ = رابطهٔ کامل). همبستگی رتبه‌ای از جایگاه افراد در یک رتبه‌بندی استفاده می‌کند.
میانه و میانگین: میانه مقدار وسط است (نیمی بالاتر، نیمی پایین‌تر)؛ میانگین همان معدل معمولی است. چند فرد بسیار ثروتمند میانگین را بسیار بالاتر از میانه می‌برند.
ضریب جینی؛ سهم ۱٪ بالا: شاخص‌های نابرابری. جینی: ۰ یعنی همه به یک اندازه دارند و ۱ یعنی یک نفر همه‌چیز دارد. سهم ۱٪ بالا: بخشی از کل ثروت که در دست ثروتمندترین ۱٪ است.
انحراف معیار: فاصلهٔ معمول از میانگین. «یک انحراف معیار استعداد بیشتر» یعنی یک انحراف معیار بالاتر از استعداد میانگین.
واسنجی: انتخاب تنظیمات مدل طوری که اعداد شناخته‌شده را بازتولید کند. تطابق واسنجی‌شده عمدی است و آزمون مستقل نیست.
تحلیل حساسیت: اجرای دوبارهٔ مدل با تغییر هر بار یک تنظیم، برای دیدن اینکه کدام نتایج پابرجا می‌مانند.
آزمایش طبیعی: رویدادی واقعی که عملاً به‌طور تصادفی به افراد می‌خورد (بخت‌آزمایی، رکود هنگام فارغ‌التحصیلی)، تا اثرش را بتوان به‌عنوان علت و معلول سنجید.

محدودیت‌ها و پرسش‌های باز

آنچه این پژوهش نمی‌تواند به شما بگوید

شانس و مهارت را نمی‌توان مستقیماً مشاهده کرد. هر برآوردی از یک مدل می‌آید و پاسخ به فرض‌های آن مدل و به اینکه چه چیزی «شانس» به شمار می‌آید بستگی دارد. هیچ «درصد شانسِ» واحدی قابل‌اتکا نیست.

محدودیت‌های شواهد پژوهشی

شانس مستقیماً سنجیده نمی‌شود. همهٔ برآوردها یا باقی‌ماندهٔ پس از کنار گذاشتن عوامل دیگرند یا از مدل‌ها می‌آیند. آزمون‌های پایداری مهارت را با مزیت‌های پایدارِ غیرمهارتی مانند ثروت، شبکهٔ ارتباطی و اعتبار درهم می‌آمیزند.
تعریف‌ها پاسخ را تعیین می‌کنند. اینکه ژن‌ها و تربیت خانوادگی شانس به شمار آیند یا نه، سهم شانس را از حدود ۳۵ درصد به بیش از نیمی تغییر می‌دهد.
کمبود داده. شواهد مستقیم خوبی دربارهٔ اینکه رویدادهای بزرگ و مثبت شغلی هر چند وقت یک بار رخ می‌دهند، یا از دست دادن شغل و مشکلات سلامت در طول یک زندگی کاری چند بار پیش می‌آیند، وجود ندارد.
بیشتر شواهد از آمریکاست و بخشی از کانادا، سوئد، اسپانیا و بریتانیا؛ مقایسه میان کشورها تقریباً وجود ندارد.
برخی اعداد از منابع دست‌دوم‌اند، مانند جدول‌بندی‌های شخص ثالث از داده‌های بقای کسب‌وکار در آمریکا، و باید با منابع اصلی مقایسه شوند.
مدل‌های ساده برآورد نیستند. مدل «استعداد در برابر شانس» واسنجی نشده و به تنظیماتش بسیار حساس است.

محدودیت‌های شبیه‌سازی

شبیه‌سازی از روی پژوهش‌ها ساخته شده، پس هر جا این دو در اعداد واسنجی‌شده هم‌خوان‌اند، این هم‌خوانی عمدی است.
فرض‌ها اندازهٔ نتایج اصلی را تعیین می‌کنند. ۳۴ تنظیم از ۶۰ تنظیم فرض‌اند، از جمله دو تنظیمی که بیشترین اثر را بر نابرابری دارند: اینکه مردم هر چند وقت یک بار فرصت پرریسک پیدا می‌کنند و چه سهمی از ثروتشان را روی آن می‌گذارند.
آنچه در نظر گرفته نشده: بدهی، هزینه‌های زندگی، سقوط کل بازار، شوک‌های اقتصادی‌ای که یک نسل کامل را درگیر می‌کنند، کسب‌وکارهایی که چند سال طول می‌کشند، هزینه‌های تلاش و ویژگی‌هایی که در طول زندگی تغییر می‌کنند. این کاستی‌ها احتمالاً نسخهٔ دارای درآمد را بیش از حد برابر و در پایین هرم بیش از حد امن نشان می‌دهند.
یک جمعیت برای سنجیدن قلهٔ ثروت کافی نیست. با تنظیمات یکسان، سهم ۱٪ بالا در اجراهای مختلف از ۹٫۲٪ تا ۳۳٫۹٪ متغیر بود.

جاهایی که دو منبع با هم ناسازگارند

آیا بهترین‌ها ماهرترین‌ها هم هستند؟ مرور پژوهش‌ها تأکید می‌کند که وقتی نتایج بسیار بزرگ به شانس نیاز دارند، ردهٔ دوم می‌تواند راهنمای بهتری برای مهارت باشد تا قلهٔ ثروت (دنرل و لیو، ۲۰۱۲). شبیه‌سازی در حالت‌هایی که استعداد می‌توانست بر ثروت اثر بگذارد هرگز چنین چیزی نیافت. این، آن ایده را رد نمی‌کند؛ نشان می‌دهد این وارونگی به شرایط خاصی نیاز دارد (برای نمونه، دوری ماهرترین‌ها از راهبردهای پرریسک) که هیچ‌یک از دو منبع آن را ثابت نمی‌کند.

توصیهٔ پژوهش‌ها دربارهٔ مهارت با داده‌های پایداری جور درنمی‌آید. اثر مهارتِ پیشنهادی، موفقیت دوبارهٔ کمتری از آنچه گامپرز و همکاران دیدند پیش‌بینی می‌کند و هیچ مدلِ صرفاً مبتنی بر مهارت پنهان توضیح نمی‌دهد چرا شکست‌خوردگانِ پیشین به اندازهٔ تازه‌کارها موفق‌اند.

«بیشتر امتحان کن» شمشیری دولبه است. تیرهای بیشتر میانگین و احتمال یک برد بزرگ را بالا می‌برند، اما نتیجهٔ معمول را پایین می‌آورند، مگر اینکه بتوانید زیان‌ها را تاب بیاورید.

ثروت بسیار بیشتر از آنچه «حدود ۶۰ درصد پایدار» نشان می‌دهد به شانس وابسته است. عدد ۶۰ درصدِ پژوهش‌ها دربارهٔ درآمد مادام‌العمر است و نباید آن را به ثروت انباشته تعمیم داد.

گزارش کامل (بخش ۷٫۳) ناسازگاری‌های کوچکی را هم که در هر دو منبع یافت شد فهرست می‌کند؛ هیچ‌کدام این نتیجه‌گیری‌ها را تغییر نمی‌دهد.

پرسش‌های باز

آیا می‌توان سهم مهارت پنهان در موفقیت کسب‌وکارها را مستقیماً برآورد کرد، برای نمونه از داده‌های بنیان‌گذاران پیاپی؟
اقتصاد پلتفرمی، که در آن «ثروتمندتر شدنِ ثروتمندان» شدیدتر است، سهم شانس را چگونه تغییر می‌دهد؟
اثرهای بلندمدت شوک‌های خوب در مقایسه با شوک‌های بد چقدر بزرگ است؟
مردم در واقعیت هر چند وقت یک بار با فرصت‌های بزرگ کسب‌وکار یا سرمایه‌گذاری روبه‌رو می‌شوند و چه سهمی از ثروتشان را روی آن‌ها می‌گذارند؟ این دو تنظیمِ سنجیده‌نشده بیشترِ نابرابری شبیه‌سازی‌شده را می‌سازند.
در چه شرایط واقعی‌ای بهترین عملکردها شاهد ضعیف‌تری از مهارت‌اند تا ردهٔ بعدی؟
چرا بنیان‌گذارانی که پیش‌تر شکست خورده‌اند به اندازهٔ تازه‌کارها موفق‌اند: گزینش در تکرار کارآفرینی، یادگیری از شکست، یا مهارتِ به‌چشم‌آمده؟

منابع

فهرست منابع

منابع به زبان اصلی (انگلیسی) آمده‌اند. پیوندها همان‌هایی‌اند که در فایل‌های منبع آمده بودند و برچسب پیوندها نام کوتاه سایت‌هایی است که مرور پژوهش‌ها به کار برده. برخی پیوندها به خودِ اثرِ ذکرشده اشاره نمی‌کنند (در فهرست مشخص شده‌اند؛ بخش ۷٫۳، بند ۴ گزارش کامل را ببینید).

پژوهش‌هایی که در مرور پژوهش‌ها به آن‌ها استناد شده

Azoulay, Jones, Kim & Miranda (2020). Age and High-Growth Entrepreneurship. AER: Insights 2(1):65–82. DOI 10.1257/aeri.20180582. Links: ssrn, aeaweb.
Bermejo, Ferreira, Wolfenzon & Zambrana (2022). Title not given in the review; a study of the Spanish Christmas Lottery and firm creation. Nova SBE Working Paper 651; CEPR Discussion Paper 14638. Links: unl, researchgate (this page appears to be a different study).
Cesarini, Lindqvist, Notowidigdo & Östling (2017). The Effect of Wealth on Individual and Household Labor Supply. American Economic Review. Links: aeaweb.
Challet, Pluchino, Biondo & Rapisarda (2020). The Origins of Extreme Wealth Inequality in the Talent versus Luck Model. arXiv 1907.04237. Links: arxiv.
Davis & von Wachter (2011). Recessions and the Costs of Job Loss. Brookings Papers on Economic Activity (Fall). Links: repec, brookings.
Denrell & Kovács (2008). Title not given in the review; work on selective sampling. Administrative Science Quarterly. Links: google (an author profile, not the paper).
Denrell & Liu (2012). Top performers are not the most impressive when extreme performance indicates unreliability. PNAS 109(24):9331–9336. DOI 10.1073/pnas.1116048109. Links: sciencedaily, managementcraft.
Dobkin, Finkelstein, Kluender & Notowidigdo (2018). The Economic Consequences of Hospital Admissions. American Economic Review 108(2). DOI 10.1257/aer.20161038. Links: mit.
Elvidge (2020). The Luck in ‘Talent versus Luck’ Modeling. Advances in Complex Systems 23(03):2050007. DOI 10.1142/S0219525920500071. Links: worldscientific, researchgate.
Gompers, Kovner, Lerner & Scharfstein (2010). Performance persistence in entrepreneurship. Journal of Financial Economics 96(1):18–32. DOI 10.1016/j.jfineco.2009.11.001. Working-paper version: NBER WP 12592 (2006). Links: repec, qcconference.
Guvenen, Karahan, Ozkan & Song (2021). What Do Data on Millions of U.S. Workers Reveal About Lifecycle Earnings Dynamics? Econometrica 89(5):2303–2339. Links: ssrn, repec.
Hall & Woodward (2010). The Burden of the Nondiversifiable Risk of Entrepreneurship. American Economic Review. Links: stanford, openicpsr.
Hamada (2023). Luck of Outcome in the Talent versus Luck Model. Advances in Complex Systems. DOI 10.1142/S021952592350008X. Links: worldscientific, researchgate, as linked (this page is Elvidge’s paper).
Hamilton (2000). Does Entrepreneurship Pay? An Empirical Analysis of the Returns to Self-Employment. Journal of Political Economy 108(3):604–631. DOI 10.1086/262131. Links: uchicago, edegan.
Harris, Jenkinson, Kaplan & Stucke (2020/2023). Title not given in the review; a study of persistence in buyout and VC fund performance. NBER WP 28109, DOI 10.3386/w28109; Journal of Corporate Finance 2023. Links: nber, repec, researchgate.
Huggett, Ventura & Yaron (2011). Sources of Lifetime Inequality. American Economic Review 101(7):2923–54. DOI 10.1257/aer.101.7.2923. Links: georgetown.
Kaplan & Schoar (2005). Title not given in the review; Journal of Finance study of persistence across successive funds. Links: uncipc.
Keane & Wolpin (1997). The Career Decisions of Young Men. Journal of Political Economy 105(3):473–522.
Kerr, Nanda & Rhodes-Kropf (2014). Entrepreneurship as Experimentation. Journal of Economic Perspectives 28(3):25–48. DOI 10.1257/jep.28.3.25. Links: harvard, researchgate, nber.
Levine & Rubinstein (2017). Smart and Illicit: Who Becomes an Entrepreneur and Do They Earn More? Quarterly Journal of Economics 132(2):963–1018. Links: repec, nber, nber, nyu.
Mezulis, Abramson, Hyde & Hankin (2004). Is there a universal positivity bias in attributions? Psychological Bulletin 130(5):711–747. DOI 10.1037/0033-2909.130.5.711. Links: semanticscholar.
Nicolaou, Shane, Cherkas, Hunkin & Spector (2008). Is the Tendency to Engage in Entrepreneurship Genetic? Management Science 54(1):167–179. DOI 10.1287/mnsc.1070.0761. Links: informs, planbinstitute.
Oreopoulos, von Wachter & Heisz (2012). The Short- and Long-Term Career Effects of Graduating in a Recession. AEJ: Applied Economics 4(1):1–29. DOI 10.1257/app.4.1.1. Links: aeaweb, nber.
Pluchino, Biondo & Rapisarda (2018). Talent vs Luck: the role of randomness in success and failure. Advances in Complex Systems 21:1850014. DOI 10.1142/S0219525918500145. Links: arxiv, semanticscholar, csh.
Storesletten, Telmer & Yaron (2004). Title not given in the review; Journal of Monetary Economics.
Todd & Zhang (2020). Title not given in the review; Quantitative Economics. DOI 10.3982/QE890.
U.S. Bureau of Labor Statistics, Business Employment Dynamics, Table 7 (data to March 2025), via secondary tabulations. Links: workspace369, thebrokershopinc.
van de Rijt and colleagues (2014). Field experiments of success-breeds-success dynamics. PNAS. DOI 10.1073/pnas.1316836111. Links: pnas.

منابع غیررسمی، دست‌دوم و تأییدنشده (با همین برچسب در مرور پژوهش‌ها)

J.B. Whitmore. Informal reimplementation and critique of the Talent-vs-Luck model (not peer-reviewed). Links: github.
AI-generated “living paper” replication of the Talent-vs-Luck model (unverified). Links: github.
Blog commentary on the heritability of entrepreneurship. Links: Substack.
Blog summary of attribution research (secondary source for Mezulis et al.). Links: Substack.
Press release on Denrell & Liu (2012). Links: sciencedaily.
The review’s note on sources also lists strategy+business summaries and textbook summaries of Mezulis et al. as secondary sources, without identifying specific items.

کتاب‌هایی که نام برده شده‌اند اما برای اعداد به آن‌ها تکیه نشده

Mauboussin. The Success Equation.
Frank. Success and Luck.

مطالعهٔ شبیه‌سازی

کد شبیه‌سازی: model.py (مدل مونت‌کارلوی عامل‌بنیاد؛ هر تنظیم با برچسب شواهد، واسنجی‌شده یا فرض و همراه با منبعش).
همهٔ نتایج شبیه‌سازی: results.json (۱٬۰۰۰ اجرا × ۱٬۰۰۰ نفر برای هر نسخه؛ Python 3.13.18، numpy 2.5.3).

دریافت

دریافت گزارش کامل

گزارش کامل شامل شواهد با جزئیات، همهٔ جدول‌های شبیه‌سازی و فهرست ناسازگاری‌های یافت‌شده در فایل‌های منبع است. همهٔ فایل‌ها به زبان انگلیسی‌اند.

گزارش کامل (PDF)۱۸ صفحه · ۸۲۰ کیلوبایت · انگلیسی

گزارش کامل (Word)docx · ۴۸۲ کیلوبایت · انگلیسی

گزارش کامل (Markdown)md · ۸۳ کیلوبایت · انگلیسی

خلاصهٔ مدیریتییک صفحه · md · ۴ کیلوبایت · انگلیسی

مرور پژوهش‌ها (منبع)PDF · ۶۹۷ کیلوبایت · انگلیسی

داده‌های شبیه‌سازیresults.json · ۱٫۳ مگابایت