BRETT meme币冲击Base网络：用户行为与Gas费用分析

Base 网络的 meme 币 BRETT 事件对市场和用户行为的影响

2024 年初，Base 网络上推出的 meme 币 BRETT 引发了一场引人注目的市场事件。这一事件不仅改变了用户行为和交易模式，还揭示了 Gas 费用上升与交易活动之间的复杂互动。通过分析供需关系，我们能够看到这一外部冲击如何放大了用户对交易成本的敏感性，导致需求的急剧下降。这反映了区块链网络在面对意外事件时的脆弱性及其快速变化的本质。

引言

供应链的意外中断通常对大多数人不利，但对研究人员来说，这些中断提供了宝贵的机会来理解市场动态。例如，通过分析罕见市场事件中的行为变化，研究人员能够从中得出深入的经济洞察。区块链网络的运作类似于生产线，具有固有的容量限制。随着交易需求的增加，对区块空间的竞争加剧，可能导致网络拥堵。今年三月，以太坊实施了 EIP-4844 提案，旨在提高网络容量并降低 Layer-2 的交易成本。然而，在该提案实施后，Base 网络的 Gas 价格却出现了激增，超过了提案推出前的水平。

在此期间，Base 的用户活动显著增加，主要由 DeFi 交易活动推动。Base 网络由 Coinbase 团队孵化，致力于打造一个鼓励创作者、开发者和社区参与的链。然而，Base 用户活动的反转以及交易量的突然激增，可能归因于由意外外部事件引发的供应冲击，影响了系统的供应链。

催化剂狩猎

要构成真正的供应冲击，事件必须是外生的、意外的，并且足够强大以扰乱既有的市场动态。EIP-4844 提案实施后，去中心化交易所（DEX）交易量的突然增加是其中一个显著变化。这种交易范围已经超出了典型的稳定币和 ETH，扩展到新的代币类别。历史上，meme 币热潮往往由一个「信标」代币引发，该代币能吸引显著的市场兴趣并设定新的交易基准。例如，2023 年末在 Solana 上，dogwifhat（WIF）代币的市值从不足 100 万美元在几个月内飙升至数十亿美元。

尽管自 Base 网络上线以来，meme 币就已经存在，但直到今年三月之前，没有任何一个 meme 币能引起市场的广泛关注。BRETT 代币在 2 月底至 3 月初上线，并迅速在 Base 上崭露头角，其市值在大规模 meme 交易活动出现前就已达到 3.5 亿美元。它的迅速崛起不仅使其脱离了典型的市场趋势，还在整个网络上引发了更广泛的交易热潮。

实验设计

本次实验的主要目标是分析 Base 网络上的供需动态，重点关注在 BRETT 事件发生前、发生期间以及之后，Gas 费用和交易活动之间的互动关系。为了获得对市场动态的清晰洞察，我们将排除与 BRETT 代币直接相关的交易活动。我们的分析将集中于在 2 月底该代币上线之前就已经活跃的地址，从而能够评估一个未受新代币投机兴趣影响的持续用户群体。

模型设计

在本研究中，我们使用了一个回归模型，该模型包含一个核心的二元变量，用于分析 BRETT 上线的影响。模型定义如下：

其中，平均 Gas 使用量 (Q) 表示时间时的平均 Gas 使用量，冲击指标 (D) 指示 BRETT 代币事件是否发生，Gas 费用 (P) 表示时间时的 Gas 价格，交互项 (DP) 用于捕捉 BRETT 冲击与 Gas 价格之间的互动影响，交易数量 (T) 表示时间时的交易数量。尽管模型相对简单，但它能帮助我们确定 BRETT 冲击是否导致了 Base 网络上交易行为的显著变化。

回归结果

通过对 2024 年 1 月初至 5 月底非 BRETT 相关用户群体的逐小时分析，我们可以得出以下关于 BRETT 代币上线及其首次飙升的结论：在 BRETT 代币上线后，用户在面对 Gas 价格上涨时表现出了显著的行为转变。回归模型显示出一个显著的负向交互项 (₃=−0.333)，这表明代币上线后 Gas 费用的增加很可能抑制了用户的交易行为。具体而言，交互项表明在 meme 事件后，Gas 价格每增加一个标准差，Gas 使用量将减少 41,200 gwei，相当于典型每小时标准差的 79%。换句话说，根据模型预测，在高拥堵事件期间，Gas 价格每增加一个标准差，需求将减少大约 0.79 个标准差。

放大视角

BRETT 对 Base 的影响展示了加密生态系统中更广泛的脆弱性和用户的适应性行为。该事件强调了新兴代币，尤其是意外事件，如何能够显著影响交易指标、用户行为和网络稳定性，体现了区块链操作框架内动态变化的快速性。此事件突显了供应与用户需求之间的微妙关系，这并非一个简单的线性关系。需求可以像 BRETT 事件那样突然转变，或者随着生态系统的成熟逐渐演变。这些变化强调了网络调整与用户反应之间复杂的相互作用，这种反应并不总是可预测的，而且会因外部冲击或预期的网络升级而广泛变化。展望未来，随着更多外生事件或已知升级的发生，理解这些基本动态变得至关重要。识别用户对生态系统内变化的模式和潜在反应，有助于预测更真实的用户动态和反应。