5D Library › 规模法则、异速生长与组织新陈代谢的统计物理 · English
第一章 克莱伯定律与分形管网:四分之三次幂及其争议
一条斜率接近 3/4 的直线
如果代谢率与体重成正比,一头大象每千克组织的耗能就应当与一只小鼠相同;如果代谢率与体表面积成正比(体积按长度的三次方、面积按二次方增长),代谢率就应当与体重的 2/3 次幂成正比。十九世纪的「体表面积定律」采用的是后一种看法。克莱伯 1932 年比较了从鸽子、大鼠到阉牛的 13 组动物,发现以体重的 3/4 次幂作为比较单位,比体表面积更好 (Kleiber 1932);他在 1947 年的综述中进一步讨论并推广了这一用法 (Kleiber 1947)。此后, 被称为克莱伯定律。
把 两边取对数,得到 :在对数坐标上,幂律是一条直线,指数 是斜率。所谓「3/4 还是 2/3」之争,就是这条直线的斜率之争。两者差得不多,但含义不同: 时,体重增加一万倍,单位体重的代谢率降为十分之一; 时,降为约二十二分之一。
斜率取决于你看哪一段
证据
大样本的结果。 怀特与西摩 2003 年整理了 19 个目、619 种哺乳动物的基础代谢率,体重跨五个数量级,结论是数据不支持 3/4,基础代谢率与体重的 2/3 次幂成正比 (White and Seymour 2003)。多兹、罗斯曼与魏茨 2001 年把 2/3 作为可检验的零假设:在赫斯纳整理的数据中,体重不超过 10 千克的 357 种哺乳动物指数为 0.668(95% 置信区间 0.643—0.693),全部 391 种为 0.710(0.689—0.731),加入大型动物后指数系统性升高;克莱伯本人的 13 组数据中,10 千克以下为 0.667,以上为 0.754;他们认为当时支持 3/4 的理论都依赖难以令人信服的假设 (Dodds et al. 2001)。格莱齐尔 2005 年的综述显示,代谢指数在不同类群、不同活动水平与生理状态下大致从 2/3 变化到 1,「普遍的 3/4」更像是一个平均印象 (Glazier 2005)。科洛科特罗内斯等人 2010 年指出,哺乳动物的数据在对数坐标上本身是弯曲的(向上弯曲,斜率随体重增大),用一条直线去拟合,得到的斜率自然随体重范围变化 (Kolokotrones et al. 2010)。
如果真实的关系是弯曲的,那么「指数是多少」这个问题本身就要加上「在哪个体重范围内」的限定。下面的程序构造一组合成数据:400 个「物种」从 10 克到 4 吨,真实曲线在对数坐标上略微向上弯曲,局部斜率从约 0.60 增加到 0.82。这个形状只是示意,方向与多兹等人和科洛科特罗内斯等人报告的一致,不是对任何真实数据的拟合。
推导
对每个体重范围做普通最小二乘(OLS)回归,给出斜率的 95% 置信区间,检查 2/3 与 3/4 是否落在区间内;同时给出约化主轴(RMA)斜率,它等于 OLS 斜率除以相关系数,是第六章还会用到的另一种拟合方法。最后两行做一笔「四分之一次幂」的账:心率与寿命。
# Kleiber's law on SYNTHETIC data: 400 "species" from 10 g to 4,000 kg. The true curve
# is slightly convex in log-log (local exponent rises from about 0.60 to 0.82), an
# ILLUSTRATIVE shape in the direction reported by Dodds et al. 2001 and Kolokotrones et
# al. 2010; it is not fitted to any real data set. Question: which exponent does a
# straight-line fit give, and does it depend on the mass range and the method?
import math, random
from statistics import NormalDist, mean
rng = random.Random(1932)
C0, C1, C2 = 0.53, 0.68, 0.02 # log10 B = C0 + C1 x + C2 x^2, x = log10(M/kg)
def true_log_b(x):
return C0 + C1 * x + C2 * x * x
def fit(xs, ys):
"""OLS slope, its standard error, correlation r and the RMA (major-axis) slope."""
mx, my = mean(xs), mean(ys)
sxx = sum((x - mx) ** 2 for x in xs); syy = sum((y - my) ** 2 for y in ys)
sxy = sum((x - mx) * (y - my) for x, y in zip(xs, ys))
b = sxy / sxx; r = sxy / math.sqrt(sxx * syy)
res = sum((y - my - b * (x - mx)) ** 2 for x, y in zip(xs, ys))
se = math.sqrt(res / (len(xs) - 2) / sxx)
return b, se, r, b / abs(r)
if __name__ == "__main__":
xs = [rng.uniform(-2.0, 3.6) for _ in range(400)]
ys = [true_log_b(x) + rng.gauss(0, 0.12) for x in xs]
print("local exponent of the true curve: 10 g %.2f | 1 kg %.2f | 1 t %.2f" %
tuple(C1 + 2 * C2 * x for x in (-2, 0, 3)))
z = NormalDist().inv_cdf(0.975)
print("mass range n OLS slope 95 % CI RMA slope 2/3 in CI 3/4 in CI")
for lab, lo, hi in (("< 10 kg", -2, 1), ("all", -2, 3.6), ("> 10 kg", 1, 3.6),
("0.1 - 100 kg", -1, 2)):
sub = [(x, y) for x, y in zip(xs, ys) if lo <= x < hi]
b, se, r, rma = fit([p[0] for p in sub], [p[1] for p in sub])
ins = lambda v: "yes" if abs(v - b) <= z * se else "no"
print(f"{lab:13s} {len(sub):4d} {b:.3f} {b - z * se:.3f}-{b + z * se:.3f}"
f" {rma:.3f} {ins(2 / 3):3s} {ins(0.75)}")
# Quarter powers: heart rate ~ M^-1/4 and lifespan ~ M^+1/4, so their product (beats
# per lifetime) does not depend on mass. Levine 1997: mammals average about 7.3e8
# beats (SD 5.6e8). A human at 70 beats per minute for 80 years:
human = 70 * 60 * 24 * 365.25 * 80
print(f"exponent of beats per lifetime: -1/4 + 1/4 = {-0.25 + 0.25:.2f}")
print(f"human, 70 /min for 80 years: {human:.2e} beats = {human / 7.3e8:.1f} x the"
" mammalian average")
# local exponent of the true curve: 10 g 0.60 | 1 kg 0.68 | 1 t 0.80
# mass range n OLS slope 95 % CI RMA slope 2/3 in CI 3/4 in CI
# < 10 kg 224 0.652 0.635-0.670 0.665 yes no
# all 400 0.707 0.699-0.715 0.711 no no
# > 10 kg 176 0.770 0.746-0.795 0.788 no yes
# 0.1 - 100 kg 212 0.695 0.674-0.715 0.711 no no
# exponent of beats per lifetime: -1/4 + 1/4 = 0.00
# human, 70 /min for 80 years: 2.95e+09 beats = 4.0 x the mammalian average同一组数据,体重 10 千克以下的物种给出 0.652,区间包含 2/3、不包含 3/4;10 千克以上给出 0.770,区间包含 3/4、不包含 2/3;全部物种给出 0.707,两者都不在区间内。RMA 斜率略大,但不改变结论。所以,当两项研究分别报告 2/3 与 3/4 时,它们未必互相矛盾,也可能只是选了不同的物种。这并不等于说争论没有意义:怀特与西摩认为,物种间体温的差异与部分大型食草动物测量时并未处于空腹的基础状态,都会使拟合出的指数偏大 (White and Seymour 2003);什么样的测量才算「基础代谢」,本身就是争论的一部分。
韦斯特—布朗—恩奎斯特的分形管网
证据
WBE 模型的三条假设。 韦斯特、布朗与恩奎斯特 1997 年在《科学》上提出:生物体通过分级分支的管网(血管、气管、植物维管束)向全身输送资源,并假设:(一)管网充满空间,每一级的分支都覆盖它所供养的整个体积;(二)末端单元(例如毛细血管)的大小与生物体大小无关;(三)自然选择使输送所耗的能量最小。在这些假设下,他们推得代谢率与体重的 3/4 次幂成正比,并由同一模型得出其他四分之一次幂关系,例如主动脉半径约与 成正比、心率与 成正比 (West et al. 1997)。
推导
设每根血管分成 根,共 级,末端毛细血管有 根。末端单元不变,所以代谢率 。充满空间要求相邻两级的长度比 。在搏动流为主的大血管中,阻抗匹配要求截面积守恒,半径比 ;在黏性为主的细小血管中(泊肃叶流动),能量最小化给出 。血液体积 ,并假设体重 。
若全部为面积保持型分支,从毛细血管往上数第 级共有 根,每根体积 ,所以每一级的总体积 ,求和得 ( 很大时)。于是 ,。这就是 3/4 的来历:末端数目与体积之比中多出的那个 ,来自「充满空间」的长度缩放。
下面的程序逐级计算有限大小的管网,给出相邻两种大小之间的局部指数 。
# The West-Brown-Enquist (1997) branching network, computed level by level. Each vessel
# splits into n = 2 daughters. Capillaries (the last level) are the same in every animal,
# so metabolic rate B ~ number of capillaries = n^N. Space filling: length ratio
# l(k+1)/l(k) = n^(-1/3). Radius ratio: area-preserving n^(-1/2) in large pulsatile
# vessels, area-increasing n^(-1/3) in small Poiseuille vessels. Body mass M ~ blood
# volume V = sum over levels of n^k * r_k^2 * l_k. Units: capillary r = l = 1.
import math
n = 2
def volume(levels, poiseuille=0):
"""Blood volume of a tree with 'levels' branchings; the last 'poiseuille' ones are
area-increasing (radius ratio n^-1/3), the rest area-preserving (n^-1/2)."""
v, r, l = 0.0, 1.0, 1.0
for k in range(levels, -1, -1): # walk from the capillaries up to the aorta
v += n ** k * r * r * l
up = levels - k # number of steps above the capillaries
r *= n ** (1 / 3) if up < poiseuille else n ** 0.5
l *= n ** (1 / 3)
return v
def local_exponent(levels, poiseuille=0):
"""d ln B / d ln M between trees with levels and levels + 1 branchings."""
b0, b1 = n ** levels, n ** (levels + 1)
return math.log(b1 / b0) / math.log(volume(levels + 1, poiseuille)
/ volume(levels, poiseuille))
if __name__ == "__main__":
print("levels N capillaries local exponent d ln B / d ln M")
print(" (= B) area-preserving last 15 Poiseuille all Poiseuille")
for lv in (6, 12, 18, 24, 30, 40, 60, 200):
print(f" {lv:4d} {float(n ** lv):9.2e} {local_exponent(lv):.3f}"
f" {local_exponent(lv, 15):.3f} "
f"{local_exponent(lv, lv + 1):.3f}")
# Average exponent over an ILLUSTRATIVE span of N = 16 to 30 branchings (B varies by
# 2^14, about four orders of magnitude), for different numbers of Poiseuille levels
lo, hi = 16, 30
for p in (0, 6, 10, 15):
e = (hi - lo) * math.log(n) / math.log(volume(hi, p) / volume(lo, p))
print(f"average exponent, N = {lo} to {hi}, last {p:2d} levels Poiseuille:"
f" {e:.3f}")
# levels N capillaries local exponent d ln B / d ln M
# (= B) area-preserving last 15 Poiseuille all Poiseuille
# 6 6.40e+01 0.712 0.838 0.838
# 12 4.10e+03 0.741 0.903 0.903
# 18 2.62e+05 0.748 0.859 0.931
# 24 1.68e+07 0.749 0.790 0.946
# 30 1.07e+09 0.750 0.761 0.956
# 40 1.10e+12 0.750 0.751 0.966
# 60 1.15e+18 0.750 0.750 0.977
# 200 1.61e+60 0.750 0.750 0.993
# average exponent, N = 16 to 30, last 0 levels Poiseuille: 0.749
# average exponent, N = 16 to 30, last 6 levels Poiseuille: 0.752
# average exponent, N = 16 to 30, last 10 levels Poiseuille: 0.766
# average exponent, N = 16 to 30, last 15 levels Poiseuille: 0.811结果说明了 3/4 的适用条件。只有面积保持型分支时,6 级的小管网指数只有 0.712,12 级为 0.741,30 级以后才稳定在 0.750:有限的管网从下方趋近 3/4。若全部为泊肃叶型,每一级的总体积相同,,指数趋于 1,没有四分之一次幂;所以在 WBE 模型中,3/4 依赖于大血管中的搏动流。真实的循环系统两种区段都有:末端 15 级为泊肃叶型时,12 级与 18 级的局部指数分别为 0.903 与 0.859,24 级为 0.790,到 40 级以上才接近 0.750。在 16 级到 30 级这一示意范围内,平均指数为 0.811(末端 6 级为泊肃叶型时为 0.752)。这里的级数与区段划分都是示意值;萨维奇、迪兹与丰塔纳 2008 年用更细致的参数推导了有限大小修正,结论是在哺乳动物的实际体型范围内,WBE 模型预测的指数约为 0.81,与数据并不吻合 (Savage et al. 2008)。
注
对模型的批评。 科兹洛夫斯基与科纳热夫斯基 2004 年质疑 WBE 模型的数学推导是否自洽、假设是否符合生物学事实,例如末端单元是否真的不变、体重是否与血液体积成正比 (Kozłowski and Konarzewski 2004)。多兹等人认为,包括管网模型在内的各种理论都没有令人信服地说明为什么是 3/4 而不是 2/3 (Dodds et al. 2001)。本书的态度是:WBE 模型是一个清晰、可计算的假说,它说明了「末端单元不变的分形管网」会产生亚线性标度,但它是否是代谢指数的真正原因,仍在争论之中。
一生的心跳
证据
心跳总数的近似不变量。 如果心率与 成正比、寿命与 成正比,两者的乘积,即一生的心跳总数,就与体重无关。莱文 1997 年汇总哺乳动物的静息心率与预期寿命,得到一生心跳数平均约 次,标准差约 次,彼此相差在一个数量级之内;摘要中综合各项数据给出的平均值约为 次;他也指出,放慢人的心率能否延长寿命,没有定论 (Levine 1997)。奥斯塔德与菲舍尔 1991 年发现,蝙蝠与有袋类的寿命与代谢的关系明显偏离一般哺乳动物:蝙蝠比同体重、不会飞的哺乳动物长寿得多,并不是一生「用完」同样多的能量 (Austad and Fischer 1991)。
程序的最后两行做了这笔账:指数 。按每分钟 70 次、80 年计算,人一生约 次心跳,是莱文所报告的哺乳动物平均值的 4.0 倍。所以框架中「约 10—15 亿次」的说法需要限定:莱文汇总的哺乳动物平均约为 7 亿次,综合估计约为 10 亿次,作为数量级尚可,但物种之间相差可达一个数量级,并不是一个窄幅的「常数」;人、蝙蝠与鸟类都是明显的例外。这是比较生物学中的统计规律,不是每个人的「心跳配额」,更不能推出放慢心率可以延寿。
假说 · 尚未验证
一线单元不变假说(尚未确立)。WBE 模型的关键假设是末端单元不随生物体变大。作者推测,在一线团队规模(例如每组 5 到 8 人)保持不变、只靠增加团队数量扩张的企业中,管理与支持岗位的人数随总人数增长的指数小于 1,而在一线团队随规模不断变大的企业中,这一指数接近或大于 1。可以检验的预测是:在事先登记的多企业面板数据中,两类企业的这一指数之差为负。如果差的 95% 置信区间不包含负值,这一假说就被推翻。
本章小结
克莱伯定律是一条在对数坐标上近似成立的直线,但它的斜率取决于物种、体重范围、生理状态与拟合方法;把数据整体画成一条直线,可能掩盖曲率。WBE 分形管网模型说明了末端单元不变、充满空间的分支网络会产生亚线性标度,3/4 只在无限大的面积保持型管网中严格成立,有限大小与泊肃叶区段会使指数偏离。一生心跳总数的「不变量」只是一个粗略的统计趋势:莱文汇总的平均约 7 亿次,数量级约为 10 亿次,物种之间相差可达十倍,不是一个 10—15 亿次的固定配额。下一章问:如果供给按亚线性增长而维护按线性增长,生长会在哪里停下来?
参考文献
Fan, Y. (2026). Scaling Laws, Allometric Growth and the Statistical Physics of Organisational Metabolism: From Kleiber's Three-Quarter Power Law and Fractal Supply Networks to the Mortality of Firms, Read Beside Classical Chinese Organisational Thought [规模法则、异速生长与组织新陈代谢的统计物理] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23788553 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).