Resumo
Em áreas da atividade humana onde o desempenho é difícil de quantificar de forma objetiva, a reputação e as redes de influência desempenham um papel fundamental na determinação do acesso a recursos e recompensas.
Para entender o papel desses fatores, reconstruímos a história expositiva de meio milhão de artistas, mapeando a rede de coexposições que capta o movimento da arte entre as instituições.
A centralidade dentro dessa rede conquistou prestígio institucional, permitindo explorar a trajetória de carreira de artistas individuais em termos de acesso à instituições cobiçadas.
O acesso antecipado às instituições centrais de prestígio oferecia acesso vitalício a locais de alto prestígio e uma taxa de desistência reduzida.
Por outro lado, iniciar na periferia da rede resultou em uma alta taxa de evasão, limitando o acesso às instituições centrais.
Um modelo de Markov prevê a trajetória de carreira de artistas individuais e documenta a forte trajetória e dependência histórica da valorização da arte.
O Homem do Capacete Dourado, uma pintura do século XVIII atribuída a Rembrandt, foi a obra de arte mais famosa de Berlim por décadas. Uma vez que surgiram evidências, na década de 1980, de que a pintura não era de Rembrandt, ela perdeu muito de seu valor artístico e econômico, embora a obra em si não tenha mudado (1).
A qualidade na arte é indescritível; a arte apela aos sentidos, prazeres, sentimentos e emoções individuais. O reconhecimento depende de variáveis externas à obra em si, como sua atribuição, a obra do artista, o local de exibição e a relação da obra com a história da arte como um todo (2, 3).
O reconhecimento e o valor são moldados por uma rede de especialistas, curadores, colecionadores e historiadores da arte cujos julgamentos atuam como guardiões de museus, galerias e casas de leilões (4).
Dada a natureza fragmentada e muitas vezes secreta dos registros de transações, as análises quantitativas do mundo da arte têm sido difíceis (5, 6). Embora a reputação dos artistas seja conhecida por afetar os resultados dos leilões, nossa compreensão atual desses processos é baseada em pequenas amostras abrangendo períodos curtos e limitadas a um país ou região (7–9).
Nosso conjunto de dados foi coletado por Magnus Resch (www.magnus.net) e combina informações sobre exposições de artistas, vendas em leilões e cotações do mercado primário.
Oferece informações sobre 497.796 exposições em 16.002 galerias, 289.677 exposições em 7.568 museus e 127.208 leilões em 1.239 casas de leilões, abrangendo 143 países e 36 anos (1980 a 2016, fig. S1), permitindo reconstruir a carreira artística de 496.354 artistas (veja o texto suplementar S1 para descrição e validação adicionais e a fig. S1a para um exemplo) (10, 11).
Figura S1: Descrição dos dados:
(a) Linha do tempo da carreira de Mark Grotjahn, mostrando todas as vendas de leilões (azul), exposições em museus (verde claro) e exposições em galerias (verde escuro) documentadas em nosso banco de dados. O comprimento de cada retângulo marca a duração de cada exposição. Os preços não incluem transações que ocorrem em vendas privadas.
(b) Número de exposições de artistas (esquerda) e número de instituições existentes (direita) ao longo do tempo, mostrando que o número de exposições registradas aumentou a uma taxa crescente durante a segunda metade da década de 1990, refletindo tanto o crescimento do estabelecimento relacionado, bem como o fato de que um número crescente de instituições de arte passou a manter registros digitalizados de suas exposições. Os fatores precisos que explicam as variações no número agregado de exposições de arte ao longo do tempo são deixados para pesquisas futuras.
(c) Função densidade de probabilidade empírica do número de exposições por artista, separando exposições de museu e galeria.
(d) Função densidade de probabilidade empírica do número de exposições por artista, separando exposições individuais e coletivas.
(e) Preços médios anuais do leilão (em USD 2013) em todas as mídias artísticas (azul), pinturas (marrom), esculturas (preto) e fotografias (amarelo).
(f) Função densidade de probabilidade empírica dos preços de venda em leilão (em USD 2013).
(g) Volume de vendas versus número de exposições, bem como suas distribuições marginais.
O número de exposições de um artista seguiu uma distribuição de cauda gorda; enquanto 52% dos artistas tiveram um show gravado, alguns artistas de destaque foram exibidos em um número excepcional de locais (fig. S1, C e D).
Embora metade das obras leiloadas tenha sido vendida por menos de US$ 4.000, o preço da arte chegou a US$ 110.500.000 (fig. S1 F).
Instituições de prestígio têm acesso a artistas bem conceituados, e artistas influentes, por sua vez, tendem a procurar instituições de prestígio.
No entanto, o prestígio institucional também é altamente subjetivo, determinado por fatores como história, liderança, recursos e localização geográfica. Dado que as principais instituições atuam como portfólios de arte, podemos descobrir o prestígio institucional em lenta mudança de trocas frequentes de obras de arte, uma abordagem chamada “aproximação adiabática” (12).
Para isso, definimos uma rede de coexposições de ordem τ, cujos nós são museus e galerias, conectados por links direcionados ponderados (i, j) que representam o número de artistas que expuseram primeiro em i depois em j dentro de uma janela de τ exposições (fig. S2, A e B) (13).
Figura S2: Construindo a Rede de Coexposições:
(a) Um artista com duas exposições no (MoMA, Gagosian) contribui com uma valor de um para o link MoMA → Gagosian na ordem τ = 1 rede (azul). Um artista com três exposições (MoMA, Guggenheim, Gagosian) contribui com um valor de um para os links MoMA → Guggenheim e Guggenheim → Gagosian na ordem τ = 1 rede (preto), e para o link MoMA → Gagosian na ordem τ = 2 rede (preto pontilhado).
(b) Representação esquemática mostrando como a carreira de um artista que teve quatro exposições contribui com quatro nós e seis links para a rede de ordem τ = ∞.
(c) Função densidade de probabilidade empírica da ordem τ = ∞ rede em grau (roxo), e após o procedimento de randomização descrito em S2.1 (amarelo).
(d) Função densidade de probabilidade empírica da ordem τ = ∞ pesos dos enlaces de rede (roxo), e após o procedimento de randomização descrito em S2.1 (amarelo). Essas distribuições mostram que o movimento artístico envolve grandes instituições.
A rede de coexposições de ordem obtida τ = ∞, conectando 16.002 galerias e 7.568 museus como nós por meio de 19.031.332 links, incorpora todo o movimento artístico em nosso conjunto de dados.
Fig. 1. Rede de coexposições. Layout direcionado à força da ordem τ = ∞ rede de coexposições, cujos nós são instituições (galerias, museus). O tamanho do nó é proporcional à centralidade do autovetor de cada instituição.
Os nós são conectados se ambos exibiram o mesmo artista, com pesos de link iguais ao número de coexposições dos artistas. As cores dos nós codificam a região em que as instituições estão localizadas. Os links são da mesma cor que seus nós finais, ou cinza quando os nós finais têm cores diferentes.
Para fins de visualização, mostramos apenas os 12.238 nós correspondentes às instituições com mais de 10 exposições; podamos os links mantendo os links estatisticamente mais significativos (20). Implementamos a detecção de comunidades na rede podada (21), identificando 122 comunidades. Destacamos cinco deles, o detalhamento completo da comunidade sendo mostrado na fig. S3. Também mostramos os nomes das instituições de maior prestígio para cada comunidade.
Um subconjunto desta rede revelou o agrupamento inerente ao mundo da arte (Fig. 1 e figs. S3 e S4). O núcleo da rede era uma densa comunidade de grandes instituições europeias e norte-americanas, subjacente ao seu acesso a um conjunto comum de talentos artísticos.
O movimento entre os hubs no núcleo foi excepcionalmente alto: o peso do link entre o Museu de Arte Moderna (MoMA) e o Guggenheim foi 33 vezes maior do que o esperado se os artistas se movessem aleatoriamente entre as instituições, refletindo um movimento altamente concentrado de artistas selecionados entre algumas instituições proeminentes.
Figura S3: Rede de Coexposições: Reprodução da Fig. 1 na qual destacamos todas as 122 comunidades identificadas.
A comunidade consiste em instituições que tendem a estar mais interconectadas entre si do que com instituições fora de sua própria comunidade.Várias comunidades regionais densas de instituições na Europa, Ásia, América do Sul e Austrália foram relativamente isoladas do núcleo, indicando que os membros dessas comunidades compartilham artistas principalmente entre si.
Uma classificação baseada em rede usando a centralidade do autovetor de cada instituição (14) foi fortemente correlacionada com medidas de prestígio conhecidas (fig. S5): (i) N = 9392 instituições receberam notas de A a D de forma independente por uma equipe de especialistas da Magnus com base em critérios que incluem longevidade, artistas exibidos, tamanho e qualidade do espaço de exposição e participação em feiras de arte.
Figura S4: Movimentos entre comunidades: os pesos de log dos links entre as comunidades na rede backbone, normalizados entre 0 e 1. As comunidades são identificadas usando a detecção de comunidade na rede backbone (21) e classificadas pelo peso total de seu outlink
As instituições classificadas como A tiveram uma alta classificação baseada na rede, enquanto aquelas classificadas como D estavam na metade inferior (Fig. 2A).
(ii) Para cada instituição, calculamos o preço relativo máximo de todas as obras expostas, observando uma alta correlação entre as classificações baseadas em rede e o valor econômico das obras dos artistas expostos (Fig. 2B).
As 10 instituições mais bem classificadas apresentaram os maiores valores acumulados de vendas (Fig. 2C e Fig. S6), indicando que a rede de coexposições, embora sua construção seja agnóstica ao preço, identificou instituições que têm acesso a artistas de alto valor.
Figura S5: Validando o Ranking de Instituições de Arte:
(a) Correlações de Spearman entre medidas alternativas de prestígio baseadas em rede calculadas na ordem τ = ∞ rede: (1) centralidade de autovetores de nós (nosso ranking de linha de base), (2) força de nós ( 3) nós Pagerank, (4) nós eigenvector centralidade computada na rede reversa, (5) nós outstrength (6) nós Pagerank computada na rede reversa. Esses rankings baseados em rede também são comparados a medidas conhecidas de prestígio: (7) notas de especialistas, (8) nosso ranking baseado em vendas e (9) idade das instituições, mostrando que a centralidade do autovetor tem a maior correlação geral.
(b) Correlação de classificação entre a força dos nós, quando τ = {1, 5, 10, 20, 50, ∞}, mostrando altas correlações entre redes de co-exposição construídas em diferentes janelas.
(c) Em função da janela de rede τ, mostramos a correlação de ranks entre os ranks da rede, os ranks baseados em vendas (azul) e as notas de especialistas (preto), demonstrando que a ordem τ = ∞ rede de co-exposição é a melhor escolha para calcular medidas de prestígio baseadas em rede, pois maximiza as correlações entre as classificações baseadas em rede e medidas de prestígio externas.
(d) Relação entre a centralidade do autovetor dos nós calculada usando todos os links da rede de ordem τ = ∞ até 2016 (“Prestige Estático”) e aqueles calculados usando todos os links até um determinado ano T={2000,2005, 2010} (“Prestige Dinâmico”), convertendo a centralidade do autovetor dos nós em percentil. Incluímos apenas instituições que estavam ativas há pelo menos cinco anos no momento do ranking, mostrando que o prestígio das instituições se mantém estável ao longo do tempo.
Em geral, a distância geográfica de uma instituição a um dos 10 maiores polos não apresentou relação com prestígio (fig. S7, A e B). Por outro lado, a distância baseada em rede de uma instituição para uma das 10 maiores instituições estava intimamente ligada ao seu prestígio (fig. S7, C e D). Assim, os efeitos de rede desempenham um papel determinante em influenciar a evolução da reputação e valorização de um artista.
Para mostrar que as carreiras artísticas podem ser interpretadas no contexto das instituições a que têm acesso, agrupamos os artistas pelo prestígio médio das suas cinco primeiras exposições.
Atribuímos a um artista uma reputação inicial alta se seu trabalho foi exibido, em média, entre os 20% melhores das instituições, conforme definido pelo ranking da rede; um artista tinha uma reputação inicial baixa se seu trabalho fosse exibido, em média, nos 40% inferiores .
Figura S7: Distâncias baseadas em rede e distâncias geográficas:
(a) Gráfico de caixa e bigode mostrando a nota das instituições como função de sua distância geográfica às dez principais instituições, não mostrando nenhuma relação.
(b) Preço relativo máximo das instituições em função de sua distância geográfica às dez maiores instituições, sem relação.
(c) Gráfico box-and-whisker mostrando a nota das instituições em função de sua distância baseada na rede para as dez melhores instituições, mostrando uma forte relação.
(d) Preço relativo máximo das instituições em função de sua distância baseada em rede para as dez maiores instituições, mostrando um forte relacionamento. A distância baseada na rede entre duas instituições é definida como o menor comprimento do caminho entre elas, sendo o custo de deslocamento em um link igual ao inverso do peso do link. As distâncias são calculadas na rede de ordem τ = ∞. Nos gráficos de caixa e bigodes (a) e (c), os bigodes correspondem a 5% das observações abaixo (acima) e dos quartis baixo (alto). Nos gráficos de médias condicionais (b) e (d), as áreas sombreadas correspondem ao erro padrão em torno da média obtida após o agrupamento dos dados em 50 intervalos de igual massa.
Uma década após sua quinta exposição, 39% dos artistas de alta reputação inicial continuaram a expor (Fig. 2D). Para artistas de baixa reputação inicial, apenas 14% permaneceram ativos 10 anos depois.
Em seguida, selecionamos 31.794 artistas, nascidos entre 1950 e 1990 com pelo menos 10 exposições (Fig. 2E). Como grupo, artistas de alta reputação inicial tiveram acesso contínuo a instituições de alto prestígio durante toda a sua carreira (Fig. 3A).
Dos 4.058 artistas de alta reputação inicial, 58,6% permanecem em território de alto prestígio até o final de sua carreira registrada, e apenas 0,2% tiveram o prestígio médio de suas cinco exposições mais recentes entre os 40% inferiores (Fig. 2F).
Fig. 2. Quantificação das carreiras artísticas.
(A) Classificações de prestígio baseadas em rede, capturadas pela centralidade do autovetor, para instituições que receberam notas diferentes independentemente.
(B) A relação entre classificações baseadas em vendas e classificações de rede baseadas em centralidade de vetores próprios, agrupadas em 100 intervalos, mostrando uma alta correlação de Spearman (ρS = 0,88). Relatamos a média (linha preta) e o erro padrão (sombreamento cinza) dentro de cada bin.
(C) Dados sobre as 10 principais instituições, conforme previsto pelo ranking baseado em rede. As cores capturam a localização geográfica, conforme mostrado na Fig. 1.
(D) Curvas de sobrevivência, mostrando a fração de artistas que continuam a expor nos anos seguintes às suas primeiras cinco exposições com base na carreira de 99.265 artistas com mais de cinco exposições.
(E) Função densidade de probabilidade de prestígio médio durante as cinco primeiras exposições para os 31.794 artistas com mais de 10 exposições nascidos entre 1950 e 1990.
(F) Diagrama ilustrando como evolui a carreira de artistas de alta e baixa reputação inicial, mostrando a fração daqueles artistas cuja reputação final (últimas cinco exposições gravadas) é baixa ou alta. Para mostrar como o início da carreira determina várias medidas de sucesso ao longo de uma carreira, consideramos como variável de controle o prestígio médio das cinco primeiras exposições de um artista e relatamos
(G) o número total de exposições (esquerda), a porcentagem dessas exposições fora de seu país de origem (direita),
(H) o desvio padrão de seu prestígio de exposição (esquerda), o preço máximo pelo qual eles são atualmente cotados em uma galeria (em $, à direita),
(I) o número total de seus obras que foram vendidas no mercado de leilões (esquerda) e o preço máximo (relativo ao preço médio de mercado) pelo qual suas obras foram vendidas no mercado de leilão (direita). Cada painel demonstra o importante papel que a reputação inicial desempenha na formação do acesso posterior às instituições e recompensa financeira.
Esse efeito de aprisionamento estava praticamente ausente para artistas de baixa reputação inicial: sua recepção melhorou com o tempo, avançando lentamente para instituições de prestígio crescente (Fig. 3A).
Apenas 10,2% dos artistas de baixa reputação inicial tiveram o prestígio médio de suas cinco exposições mais recentes entre os 20% melhores (Fig. 2F).
No geral, a reputação inicial (cinco primeiras exibições) previu sucesso em uma variedade de medidas: Artistas de alta reputação inicial tiveram duas vezes mais exposições do que artistas de baixa reputação inicial (Fig. 2G); 49% das exposições de artistas de alta reputação inicial ocorreram fora de seu país de origem, em comparação com 37% para artistas de baixa reputação inicial (Fig. 2G), e artistas de alta reputação inicial mostraram mais estabilidade no prestígio institucional (Fig. 2H ).
A obra de um artista de alta reputação inicial foi negociada 4,7 vezes mais em leilões do que a de um artista de baixa reputação inicial (Fig. 2I), a um preço máximo que foi 5,2 vezes maior (Fig. 2I).
Também coletamos 442.314 preços de obras de arte exibidas em galerias, descobrindo que o preço médio máximo de artistas de alta reputação inicial foi de US$ 193.064, comparado a US$ 40.476 para artistas de baixa reputação inicial (Fig. 2H).
Assim, as carreiras artísticas caracterizavam-se por uma forte dependência da trajetória; artistas iniciados em instituições de alto prestígio localizadas no centro da rede apresentaram menor taxa de evasão e tenderam a manter seu status. Por outro lado, aqueles que começaram na periferia da rede apresentaram uma alta taxa de evasão, mas se persistiram, seu acesso às instituições de ponta melhorou gradativamente.
Para modelar como a reputação emerge no mundo da arte, considere que
seja a probabilidade de que um artista, atualmente exposto na instituição iτ, exponha em seguida na instituição iτ+1. Assumimos que as únicas instituições iτ+1 alcançáveis pelo artista são aqueles que já expuseram um artista da instituição iτ antes.
Podemos, portanto, modelar uma carreira artística como um passeio aleatório na ordem τ = 1 rede (15, 16), a probabilidade de se mover para iτ+1 sendo proporcional ao número de artistas anteriores que fez a transição de iτ para iτ+1 (fig. S2). Assumimos que o
A rede captura as conexões entre curadores e instituições, orientando o acesso a instituições específicas. Independentemente de onde os artistas iniciaram suas carreiras, esse modelo os direciona para instituições de prestígio mediano (Fig. 3B), não conseguindo capturar o efeito de aprisionamento observado nas carreiras reais. Isso sugere que o acesso às instituições depende também do histórico expositivo anterior do artista, não apenas do local expositivo atual. Para considerar o histórico de exposições anteriores de um artista i1, i2,…, iτ (17), escrevemos a probabilidade do iτ → iτ+1
transição como:
onde K é um fator de normalização e o segundo termo no lado direito captura a memória do sistema sobre a reputação dos artistas, escrita como
Onde:
é a reputação média, representando o prestígio médio das nτ exposições anteriores do artista. Em outras palavras, a memória atua como um peso multiplicativo que depende da média passada reputação do artista e o prestígio da instituição alvo. Isso nos permite medir o termo de memória τ 1 μπ diretamente dos dados, ajudando-nos a documentar um forte efeito de reputação para todos os artistas. Considere um artista cujas exposições anteriores conferiram uma reputação média no decil inferior, por exemplo, m = 0,1 (Fig. 3D). Suas chances de expor em seguida em uma instituição cujo prestígio π está no decil inferior era 3,4 vezes maior do que o esperado por acaso, e sua probabilidade de se mudar para uma instituição do decil superior era apenas um quinto do esperado por chance. O τ 1 μπ monotonicamente decrescente; com prestígio π indica que um artista com baixa reputação anterior tinha 17 vezes mais chances de se mudar para uma instituição de baixo prestígio do que para uma de alto prestígio. Observamos a tendência oposta para uma artista cuja reputação anterior estava no decil superior, por exemplo, m = 0,9 (Fig. 3F): suas chances relativas de expor novamente em uma instituição de alto prestígio eram 42 vezes maiores do que mudar para uma instituição de baixo - instituição de prestígio.
Fig. 3. Modelagem do surgimento da reputação.
(A) Para uma amostra aleatória incluindo 30% dos 31.794 artistas com mais de 10 exposições nascidas entre 1950 e 1990, mostramos a evolução do prestígio da exposição ao longo do tempo.
(B) Evolução do prestígio de exibição previsto pelo modelo de passeio aleatório (sem memória), documentando seu fracasso em capturar carreiras reais.
(C) O modelo de memória prevê a evolução do prestígio. Usamos as primeiras cinco exibições para inicializar os modelos. A sequência de datas em que ocorrem as exposições de um artista foi correspondida à que observamos nos dados.
(D a F) Variação do componente de memória com o prestígio da próxima exposição π, para diferentes faixas de valores para a reputação passada m. π e m são relatados em decil.
(G) Função densidade de probabilidade de prestígio médio durante as cinco primeiras exposições para os 31.794 artistas e o subconjunto dos artistas que nasceram nos Estados Unidos, Canadá e Índia.
(H) Reputação final versus reputação inicial para artistas de diferentes países de origem.
Para testar o papel da reputação, simulamos a carreira de cada artista em nossa amostra, usando como entrada apenas suas cinco primeiras exposições e o universal (independente do artista). O modelo capturou com precisão o efeito de aprisionamento observado em carreiras reais (Fig. 3C). O erro de previsão saturado além de nτ = 12 (fig. S8a), indicando que as últimas 12 exposições ofereceram uma memória ótima para capturar o papel da reputação nas carreiras artísticas. A estrutura de modelagem não previu as instituições específicas que exibem um artista, mas apenas seu nível de prestígio (figs. S8, B a H e S9). Isso ocorre em parte porque há muitas instituições dentro de cada comunidade, com prestígio comparável.
Figura S8: Medindo o ajuste do modelo:
(a) Root Mean Square Error (RMSE) do prestígio de exposições de artistas em função do comprimento de memória do modelo de memória nτ . Um comprimento de memória igual a zero corresponde ao caso sem memória. O RMSE é calculado para cada artista e, em seguida, calculado a média entre os artistas de cada grupo, mostrando que o ajuste do modelo melhora até um comprimento de memória de nτ = 12 exibições, após o qual não há mais melhorias.
(b) Fração de instituições nas quais os artistas efetivamente expuseram ao longo do tempo, quando o modelo é inicializado usando τ = {5, 10, 15, 20} exposições. Para comparar os diferentes casos, definimos o tempo (eixo x) para iniciar quando a última exibição observada ocorreu em cada caso, demonstrando que a capacidade do modelo de prever as instituições específicas que expõem um artista durante sua carreira não melhora com o número de exposições iniciais observadas. Para três artistas de alta reputação inicial (c-e) e três artistas de baixa reputação inicial (f-h), relatamos o prestígio observado de sua exposição (pontos) e sua média móvel (linha cheia). Também simulamos 100 trajetórias usando o modelo de memória, usando como entrada apenas as cinco primeiras exposições do artista. Relatamos a média e o erro padrão nas 100 trajetórias (roxo). Cada painel (c-h) ilustra que o modelo de memória prevê com precisão as tendências de trajetória de artistas individuais.
Como ilustra a Fig. 2F, 240 artistas que iniciaram sua carreira em instituições de baixo prestígio se destacaram, tendo o prestígio médio de suas últimas cinco exposições registradas em instituições de alto prestígio. Achamos que aqueles que rompem fazem portanto, nos primeiros 10 anos de carreira (fig. S10a). Nós também descobrimos que entre suas cinco primeiras exposições, os artistas de destaque expõem em instituições com uma gama mais ampla de classificações, seu desvio padrão de prestígio inicial sendo de 18,6%, comparado a 10,3% para aqueles que não se destacaram (p = 10−22, fig. S10b ); expõem em instituições mais distintas, sendo sua fração inicial de exposições em instituições distintas de 70,3%, contra 49,3% (p = 10−21, fig. S10c); têm maior prestígio máximo de exibição (0,60 comparado a 0,41, p = 10−25, fig.S10d); e sua distância de rede ao MoMA é igual a 0,48, comparado a 0,60 (p = 10−26, fig. S10e). Em outras palavras, mais tarde o acesso a instituições de alto prestígio é melhorado por uma intensa “compras” precoces.
Embora o talento seja difícil de medir, esperamos que o talento de um artista não seja correlacionado com seu país de origem, o que implica que a distribuição da reputação inicial não deve variar entre artistas de diferentes origens. No entanto, a reputação inicial não foi distribuída igualmente entre artistas de diferentes países de origem (Fig. 3G). Em muitos países, os artistas iniciam e terminam suas carreiras em instituições de baixo prestígio (Fig. 3H); aqueles, no entanto, nascidos em países com melhor acesso à rede de arte têm maior chance de iniciar e encerrar sua carreira no topo.
Figura S9: Mecanismo do modelo:
(a) Linha do tempo das exposições do Riyas Komu, mostrando as instituições que ocorrem mais de 10% do tempo nas simulações. O tamanho dos pontos é proporcional à frequência de log de sua ocorrência nas simulações. Os pontos preenchidos correspondem às instituições em que o artista efetivamente expôs.
(b) Evolução do seu prestígio expositivo em 100 simulações (linha sombreada) e nos dados (linha cheia). Os pontos mostram o subconjunto de instituições do painel a.
(c) Fração de instituições nas quais os artistas realmente expuseram em simulações.
(d) Distância da rede (definida como o menor comprimento do caminho na rede τ = 1) entre as instituições simuladas e as reais. No modelo “matched”, simulamos a trajetória dos artistas para que seu prestígio fique dentro de 5% do prestígio real.
Conclusão
Nossa análise se concentrou na arte pesquisada por galerias, museus ou casas de leilões, de modo que a arte não baseada em objetos, como a arte performática, estava sub-representada. Também focamos em medidas de sucesso vinculadas ao acesso institucional, ignorando as múltiplas dimensões pelas quais a arte e os artistas enriquecem nossa sociedade (18).
No entanto, mesmo com esse foco limitado, nossos resultados codificam a estratificação do mundo da arte, o que limita o acesso dos artistas a instituições que seriam benéficas para sua carreira. Quantificar essas barreiras e o mecanismo de acesso pode ajudar a estabelecer políticas para nivelar o campo de atuação. Por exemplo, o mundo da arte poderia se beneficiar com a implementação da loteria sistemas que oferecem a alguns artistas sub-representados acesso a locais de alto prestígio, ou procedimentos de seleção cega, implementados com sucesso na música clássica (19), potencializando a inclusão de obras e artistas negligenciados.
Figura S10: Breaking Through: Exploramos a carreira de 240 artistas de baixa reputação inicial cujas exposições finais estão em instituições de alto prestígio (azul claro), comparando-os com os 402 artistas de baixa reputação inicial cujas exposições finais estão em instituições de baixo prestígio(azul escuro).
(a) O prestígio das exposições de artistas ao longo do tempo.
(b) Função de densidade de probabilidade empírica dos desvios padrão de prestígio durante as primeiras cinco exposições dos artistas.
(c) Função densidade de probabilidade empírica da porcentagem de instituições distintas nas quais os artistas expõem durante suas cinco primeiras exposições.
(d) Função de densidade de probabilidade empírica do prestígio máximo da exposição durante as primeiras cinco exposições dos artistas.
(e) Função de densidade de probabilidade empírica da distância média da rede de instituições ao MoMA durante as primeiras cinco exposições dos artistas. Cada painel (b-e) mostra fatores que nos permitem distinguir entre artistas de baixa reputação inicial que se destacarão daqueles que não vão.
Referências:
1. H. Bonus D. Ronte, Credibility and economic value in the visual arts. J. Cult. Econ. 21, 103 (1997). doi:10.1023/A:1007338319088
2. P. Bourdieu, The Field of Cultural Production (Columbia Univ. Press, 1993)
3. O. Velthuis, An Interpretive Approach to Meanings of Prices. Rev. Austrian Econ.17, 371–386 (2004). doi: 10.1023/B:RAEC.0000044637.79989.db.
4. V. A. Ginsburgh, J. C. van Ours, Expert Opinion and Compensation: Evidence from a Musical Competition. Am. Econ. Rev. 93, 289–296 (2003). doi:10.1257/000282803321455296
5. M. Schich, C. Song, Y.-Y. Ahn, A. Mirsky, M. Martino, A.-L. Barabási, D. Helbing, A network framework of cultural history. Science 345, 558–562 (2014). doi:10.1126/science.1240064 Medline
6. M. Schich, I. Meirelles, Arts, Humanities and Complex Networks: Introduction. Leonardo 49, 445 (2016). doi:10.1162/LEON_e_01334
7. N. F. Campos, R. L. Barbosa, Paintings and numbers: An econometric investigation of sales rates, prices, and returns in Latin American art auctions. Oxf. Econ. Pap. 61, 28–51 (2009). doi:10.1093/oep/gpn020
8. N. Marinelli, G. Palomba, A model for pricing Italian Contemporary Art paintings at auction. Q. Rev. Econ. Finance 51, 212–224 (2011). doi:10.1016/j.qref.2011.02.001
9. F. Etro, L. Pagani, The market for paintings in the Venetian Republic from Renaissance to Rococó. J. Cult. Econ. 37, 391–415 (2013). doi:10.1007/s10824- 012-9191-5
10. R. Sinatra, D. Wang, P. Deville, C. Song, A.-L. Barabási, Quantifying the evolution of individual scientific impact. Science 354, aaf5239 (2016). doi:10.1126/science.aaf5239 Medline
11. L. Liu, Y. Wang, R. Sinatra, C. L. Giles, C. Song, D. Wang, Hot streaks in artistic, cultural, and scientific careers. Nature 559, 396–399 (2018). doi:10.1038/s41586-018-0315-8 Medline
12. C. Castellano, S. Fortunato, V. Loreto, Statistical physics of social dynamics. Rev. Mod. Phys. 81, 591–646 (2009). doi:10.1103/RevModPhys.81.591
13. V. Sekara, A. Stopczynski, S. Lehmann, Fundamental structures of dynamic social networks. Proc. Natl. Acad. Sci. U.S.A. 113, 9977–9982 (2016). doi:10.1073/pnas.1602803113 Medline
14. P. Bonacich, Power and Centrality: A Family of Measures. Am. J. Sociol. 92, 1170– 1182 (1987). doi:10.1086/228631
15. N. Masuda, M. A. Porter, R. Lambiotte, Random walks and diffusion on networks. Phys. Rep. 716-717, 1–58 (2017). doi:10.1016/j.physrep.2017.07.007
16. R. Sinatra, J. Gómez-Gardeñes, R. Lambiotte, V. Nicosia, V. Latora, Maximalentropy random walks in complex networks with limited information. Phys. Rev. E Stat. Nonlin. Soft Matter Phys. 83, 030103 (2011). doi:10.1103/PhysRevE.83.030103 Medline
17. M. Szell, R. Sinatra, G. Petri, S. Thurner, V. Latora, Understanding mobility in a social petri dish. Sci. Rep. 2, 457 (2012). doi:10.1038/srep00457 Medline.
18. D. W. Galenson, Old Masters and Young Geniuses: The Two Life Cycles of Artistic Creativity (Princeton Univ. Press, 2011).
19. C. Goldin, C. Rouse, Orchestrating Impartiality: The Impact of “Blind” Auditions on Female Musicians. Am. Econ. Rev. 90, 715–741 (2000). doi:10.1257/aer.90.4.715
20. M. A. Serrano, M. Boguñá, A. Vespignani, Extracting the multiscale backbone of complex weighted networks. Proc. Natl. Acad. Sci. U.S.A. 106, 6483–6488 (2009). doi:10.1073/pnas.0808904106 Medline
21. V. D. Blondel, J.-L. Guillaume, R. Lambiotte, R. Lefebvre, Fast unfolding of communities in large networks. J. Stat. Mech. 2008, P10008 (2008). doi:10.1088/1742-5468/2008/10/P10008
22. S. Fraiberger, Replication Data for: Quantifying Reputation and Success in Art. Harvard Dataverse, V5 (2018); doi:10.7910/DVN/PGICDM.
23. A. Tversky, D. Kahneman, Availability: A heuristic for judging frequency and probability. Cognit. Psychol. 5–232, 207 (1973). doi:10.1016/0010- 0285(73)90033-9
