5D Library › 规模法则、异速生长与组织新陈代谢的统计物理 · English

第二章 个体发育生长:为什么生长会停下来

一份能量预算

动物从受精卵长到成体,然后停止长大。为什么会停?一种解释是基因规定了终点;另一种解释来自能量的账目:生长需要多余的能量,而随着身体变大,维持已有组织所需的能量增长得比供给更快,最后把供给全部用完。韦斯特、布朗与恩奎斯特 2001 年把第一章的代谢标度写成这样一份预算 (West et al. 2001)。

证据

个体发育生长的通用模型。 韦斯特等人假设:整个生物体的代谢率 B=B0m3/4B = B_0 m^{3/4},一部分用于维持已有的细胞,与细胞数即体重 mm 成正比,其余用于制造新细胞。由此得到 dm/dt=am3/4−bm\mathrm{d}m/\mathrm{d}t = a m^{3/4} – b m,其中 aa 与 bb 由细胞的代谢率、细胞质量与制造一个细胞所需的能量决定。生长在 dm/dt=0\mathrm{d}m/\mathrm{d}t = 0 时停止,渐近体重为 M=(a/b)4M = (a/b)^4。他们把变量改写为 r=(m/M)1/4r = (m/M)^{1/4} 与无量纲时间 τ=at/(4M1/4)−ln⁡[1−(m0/M)1/4]\tau = a t / (4M^{1/4}) – \ln[1 – (m_0/M)^{1/4}],得到 r=1−e−τr = 1 – e^{-\tau},并显示哺乳动物、鸟类、鱼类与甲壳类的生长数据都落在这条曲线附近 (West et al. 2001)。

这个方程的形式并不新。贝塔朗菲在二十世纪中叶提出的生长方程正是「合成项与体重的某次幂成正比、分解项与体重成正比」,他用的指数通常是 2/3 (Bertalanffy 1957)。WBE 的贡献是把指数与第一章的管网理论联系起来,并给出了把不同物种叠在一起的无量纲化方法。

推导

用四阶龙格—库塔法解四个「物种」的生长方程(参数是示意值,不取自论文),检查它们是否都塌缩到 r=1−e−τr = 1 – e^{-\tau}。第二部分用「有蹄类」(第四个物种)的 3/4 模型生成带 3% 或 10% 乘性误差的观测数据,分别用 3/4 模型与 2/3 模型(aa 与 MM 都自由)拟合,比较对数均方根误差。

# Ontogenetic growth (West, Brown & Enquist 2001): dm/dt = a m^(3/4) - b m, so growth
# stops at M = (a/b)^4. Universal form: r = (m/M)^(1/4), tau = a t / (4 M^(1/4))
# - ln(1 - (m0/M)^(1/4)) gives r = 1 - exp(-tau) for every species. The four "species"
# below have ILLUSTRATIVE parameters (not taken from the paper). Part 2 asks whether a
# 2/3-power model (von Bertalanffy) can fit the same curve.
import math, random

def grow(a, b, m0, t_end, dt=0.01, p=0.75):
    """RK4 solution of dm/dt = a m^p - b m; returns a list of (t, m) every 1 time unit."""
    f = lambda m: a * m ** p - b * m
    m, t, out, step = m0, 0.0, [(0.0, m0)], round(1 / dt)
    for i in range(1, round(t_end / dt) + 1):
        k1 = f(m); k2 = f(m + dt * k1 / 2); k3 = f(m + dt * k2 / 2); k4 = f(m + dt * k3)
        m += dt * (k1 + 2 * k2 + 2 * k3 + k4) / 6; t = i * dt
        if i % step == 0: out.append((t, m))
    return out

SPECIES = {"fish": (0.20, 0.10, 0.5, 150), "bird": (1.0, 0.25, 1.0, 60),
           "rodent": (0.6, 0.20, 0.8, 80), "ungulate": (2.0, 0.20, 20.0, 150)}

def universal(a, M, m0, t):
    return 1 - math.exp(-(a * t / (4 * M ** 0.25) - math.log(1 - (m0 / M) ** 0.25)))

if __name__ == "__main__":
    print("species    a     b    M = (a/b)^4   m at end   max |r - (1 - e^-tau)|")
    worst = 0.0
    for name, (a, b, m0, T) in SPECIES.items():
        M = (a / b) ** 4; traj = grow(a, b, m0, T)
        dev = max(abs((m / M) ** 0.25 - universal(a, M, m0, t)) for t, m in traj)
        worst = max(worst, dev)
        print(f"{name:9s} {a:4.1f}  {b:4.2f}  {M:10.1f}  {traj[-1][1]:9.1f}"
              f"      {dev:.1e}")
    print(f"all four collapse onto r = 1 - exp(-tau); worst deviation {worst:.1e}")
    # Part 2: noisy 'measurements' (3 % or 10 % error) from the 3/4 model of the ungulate,
    # fitted by least squares with the 3/4 model and with a 2/3 model (free a and M).
    rng = random.Random(2001)
    a, b, m0, T = SPECIES["ungulate"]
    true = grow(a, b, m0, T)[::5]
    for noise in (0.03, 0.10):
        data = [(t, m * math.exp(rng.gauss(0, noise))) for t, m in true]

        def sse(p, aa, MM):
            pred = grow(aa, aa / MM ** (1 - p), m0, T, dt=0.05, p=p)[::5]
            return sum((math.log(y) - math.log(q[1])) ** 2
                       for (t, y), q in zip(data, pred))

        res = []
        for p in (0.75, 2 / 3):
            best = min((sse(p, aa, MM), aa, MM)
                       for aa in [0.4 + 0.1 * i for i in range(40)]
                       for MM in [8000 + 400 * j for j in range(41)])
            res.append((math.sqrt(best[0] / len(data)), best[1], best[2]))
        print(f"noise {noise:.2f}: 3/4 model rms {res[0][0]:.4f} (M {res[0][2]:.0f});"
              f" 2/3 model rms {res[1][0]:.4f} (M {res[1][2]:.0f})")
# species    a     b    M = (a/b)^4   m at end   max |r - (1 - e^-tau)|
# fish       0.2  0.10        16.0       15.1      8.9e-16
# bird       1.0  0.25       256.0      238.4      4.0e-13
# rodent     0.6  0.20        81.0       77.0      4.4e-14
# ungulate   2.0  0.20     10000.0     9982.6      3.8e-13
# all four collapse onto r = 1 - exp(-tau); worst deviation 4.0e-13
# noise 0.03: 3/4 model rms 0.0268 (M 10000); 2/3 model rms 0.0418 (M 10400)
# noise 0.10: 3/4 model rms 0.1201 (M 10000); 2/3 model rms 0.1245 (M 10400)

四个物种的渐近体重从 16 到 10,000 相差六百多倍,但经过无量纲化之后与 1−e−τ1 – e^{-\tau} 的最大偏差只有 10−1310^{-13} 量级,这只是数值误差:对于这个方程,塌缩是数学上的恒等式,不是经验发现。真正需要经验检验的是数据是否服从这个方程。第二部分显示,在 3% 的测量误差下,3/4 模型的误差(0.0268)明显小于 2/3 模型(0.0418),两者可以区分;但在 10% 的误差下,两者分别为 0.1201 与 0.1245,几乎无法区分,2/3 模型只需把 aa 与 MM 稍作调整就能拟合同一条曲线。巴纳瓦尔等人 2002 年正是据此指出,普适生长曲线可以从更一般的原理得到,现有的生长数据不能区分 3/4 与 2/3 (Banavar et al. 2002)。

左:四个示意物种的生长曲线(体重除以各自的渐近体重)。右:无量纲化后,四条曲线都落在 1 - e^{-\tau} 上(灰线);这种塌缩对该方程是数学恒等式。

维护吞噬供给

推导

在 dm/dt=amp−bm\mathrm{d}m/\mathrm{d}t = a m^{p} – b m 中,供给为 ampa m^{p},维护为 bmb m,二者之比 bm/(amp)=(m/M)1−pb m / (a m^p) = (m/M)^{1-p},上限 M=(a/b)1/(1−p)M = (a/b)^{1/(1-p)}。p=3/4p = 3/4 时,维护所占的比例为 (m/M)1/4(m/M)^{1/4}。程序的第二部分是一个组织类比:把「供给」看作团队可以再投入的毛利,把「维护」看作与人数成正比的成本,比较不同指数 pp 下上限的高低、它对效率提高 10% 的敏感度,以及在上限一半时维护已占用多少供给。这里的 pp 是假设值,不是对任何真实企业的估计。

# Where the energy goes in dm/dt = a m^p - b m. Supply a m^p, maintenance b m, ceiling
# M = (a/b)^(1/(1-p)). Share of supply spent on maintenance = (m/M)^(1-p). Part 1: the
# biological model (p = 3/4). Part 2: an ILLUSTRATIVE organisational analogy in which
# "supply" is the gross margin a team can reinvest and "maintenance" is a cost per person;
# the exponents p are assumptions, not estimates for any real firm.
import math

def ceiling(a, b, p):
    return (a / b) ** (1 / (1 - p))

def time_to(frac, a, b, p, m0_frac=0.01, dt=0.001):
    """Time for m to grow from m0_frac*M to frac*M (Euler steps, m in units of M)."""
    M = ceiling(a, b, p); m, t = m0_frac * M, 0.0
    while m < frac * M:
        m += dt * (a * m ** p - b * m); t += dt
    return t

if __name__ == "__main__":
    print("p = 3/4: share of supply spent on maintenance at m/M =")
    fr = (1 / 16, 0.25, 0.5, 0.9)
    print("   " + "   ".join(f"{f:.3f}: {f ** 0.25:.2f}" for f in fr))
    a, b = 1.0, 0.5
    t50, t90, t99 = (time_to(f, a, b, 0.75) for f in (0.5, 0.9, 0.99))
    print(f"time from 1 % to 50 %, 90 %, 99 % of M (a = 1, b = 0.5):"
          f" {t50:.1f}, {t90:.1f}, {t99:.1f}")
    print("analogy: ceiling N = (a/b)^(1/(1-p)) and its sensitivity to efficiency")
    print("   p    N for a/b = 1.5   N if a up 10 %   ratio   maintenance share at N/2")
    for p in (0.75, 0.85, 0.90, 0.95):
        n0, n1 = ceiling(1.5, 1, p), ceiling(1.65, 1, p)
        print(f"  {p:.2f}  {n0:12.1f}    {n1:12.1f}      {n1 / n0:5.2f}"
              f"          {0.5 ** (1 - p):.2f}")
    print("  1.00  no ceiling: exponential growth if a > b, decline if a < b")
# p = 3/4: share of supply spent on maintenance at m/M =
#    0.062: 0.50   0.250: 0.71   0.500: 0.84   0.900: 0.97
# time from 1 % to 50 %, 90 %, 99 % of M (a = 1, b = 0.5): 11.7, 26.2, 44.9
# analogy: ceiling N = (a/b)^(1/(1-p)) and its sensitivity to efficiency
#    p    N for a/b = 1.5   N if a up 10 %   ratio   maintenance share at N/2
#   0.75           5.1             7.4       1.46          0.84
#   0.85          14.9            28.2       1.89          0.90
#   0.90          57.7           149.6       2.59          0.93
#   0.95        3325.3         22370.7       6.73          0.97
#   1.00  no ceiling: exponential growth if a > b, decline if a < b

生物学部分的数字说明了生长为什么在后期变慢:体重只有上限的 1/16 时,一半的代谢已经用于维持;到一半时为 84%;到 90% 时为 97%。从上限的 1% 长到 50% 用了 11.7 个时间单位,从 50% 到 90% 又用了 14.5 个,从 90% 到 99% 再用 18.7 个。生长不是「突然停止」,而是越来越慢地逼近一个由 a/ba/b 决定的上限。

类比部分说明了两件事。第一,供给的指数越接近 1,上限越高,而且对效率越敏感:aa 提高 10%,p=0.75p = 0.75 时上限只提高 46%,p=0.90p = 0.90 时提高到 2.59 倍,p=0.95p = 0.95 时提高到 6.73 倍;p=1p = 1 时没有上限,a>ba > b 就指数增长,a<ba < b 就萎缩。第二,指数越接近 1,维护在半程时占的比例越高:p=0.90p = 0.90 时,规模只有上限一半的系统,已经有 93% 的供给被维护吸收,只剩 7% 用于增长。所以,一个接近线性的组织即使离上限还远,也可能感到「增长越来越难」。

注

类比的边界。 生物的 aa 与 bb 由细胞层面的量决定,在一生中大致不变;企业的「供给指数」与「维护成本」却可以通过组织设计、技术与市场改变,而且企业可以收缩、拆分、并购,动物不能。第四章会看到,上市公司的退出大多是被收购而不是「老死」。本节的程序只说明「亚线性供给 + 线性维护 = 有上限」这个结构的数学后果,不说明任何企业的 pp 是多少。

假说 · 尚未验证

维护吞噬假说(尚未确立)。作者推测,在软件与数字服务团队中,用于维护已上线功能的工时占比,是营收增速放缓的领先指标:这一占比连续上升的团队,在随后的四个季度中营收增速低于占比稳定的同类团队。如果在事先登记的多团队纵向数据中,这一占比的变化与随后的增速无关(相关的 95% 置信区间包含 0 且上限小于 0.1),这一假说就被推翻。第八章核查表的第四步给出一个虚构的示例。

本章小结

WBE 个体发育模型把生长写成「亚线性供给减去线性维护」,渐近体重为 (a/b)4(a/b)^4;无量纲化后的普适曲线对这个方程是恒等式,现有数据难以区分 3/4 与 2/3。维护所占的比例随体重上升,到上限一半时已占 84%。用于组织时,这一结构说明:供给越接近线性,上限越高、对效率越敏感,但维护在中途就吸收了大部分供给。下一章转向一种不会停止生长的系统:城市。

参考文献

Banavar, Jayanth R., John Damuth, Amos Maritan, and Andrea Rinaldo. 2002. “Ontogenetic Growth: Modelling Universality and Scaling.” Nature 420 (6916): 626. https://doi.org/10.1038/420626a.
Bertalanffy, Ludwig von. 1957. “Quantitative Laws in Metabolism and Growth.” The Quarterly Review of Biology 32 (3): 217–31. https://doi.org/10.1086/401873.
West, Geoffrey B., James H. Brown, and Brian J. Enquist. 2001. “A General Model for Ontogenetic Growth.” Nature 413 (6856): 628–31. https://doi.org/10.1038/35098076.

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).