On the Impact of the Lightning Network on Bitcoin Transaction Fees and Network Value
Notice bibliographique
Résumé
This paper examines the influence of second-layer networks, particularly the Lightning Network (LN), on Bitcoin mining fees and network valuation through Metcalfe's law. Analyzing Bitcoin transaction data from January 2014 to November 2023, we observe that transactions with a value below USD 1000 constitute more than 27 % of total mining fees, underscoring their economic importance. The LN's facilitation of faster, cheaper offchain transactions, particularly transactions of small value, could possibly decrease miners' fee revenues, especially from smaller transactions, which are a significant revenue source. To examine the impact of LN on the Bitcoin network, we employ Metcalfe's law to model Bitcoln's value over the next six years, correlating it with the number of daily active users to gauge network growth. Incorporating LN adoption rates into our model suggests that while LN may reduce fee-based income for miners in terms of the number of Bitcoins they receive, it is poised to enhance the overall network value by expanding the user base and transaction volume. This growth, driven by LN's improved utility and scalability, suggests a longterm net benefit despite short-term fee revenue losses. A part of our analysis is focused on LN's capacity to integrate millions of new users through its adoption by Superhubs. Superhubs could significantly boost the value of the Bitcoin network, counterbalancing the potential dip in mining fees. We explore LN's broader adoption implications, envisioning its role in expanding the Bitcoin value proposition from a Store of Value (SoV) to a Medium of Exchange (MoE). By applying Metcalfe's law, we offer insights into the economic effects of LN's widespread use, contributing to discussions on Bitcoin's scalability, mining sustainability, and digital currency valuation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».