标度律：大一倍会怎样

双对数纸上是一条直线，斜率就是指数。默认参数下拟合斜率 0.7524，R² = 0.9942——和蓝色虚线（3/4）几乎重合，而明显低于灰色点线（斜率 1）。斜率 1 意味着"大一倍就耗一倍"，而真实的动物是大一倍只多耗 0.68 倍。这就是 Kleiber 1932 年的定律：代谢率 ∝ 体重^(3/4)，它在从细菌到蓝鲸跨 20 多个数量级的范围内都成立。看第三行读数：每千克的代谢率是 70.0 / 39.4 / 22.1 / 12.4。体重涨一千倍，每千克的"烧钱速度"降到原来的 1/5.6。大动物不是小动物的放大版，它们按单位质量算活得更省、更慢。第四行给的是同一件事的另一面：心率 ∝ 体重^(−1/4)，寿命 ∝ 体重^(1/4)，两者相乘抵消——大象和老鼠一生的心跳总数都在十亿次上下。把真实指数拖到 1.00 再看：每千克代谢率变成 70.0 / 70.0 / 70.0 / 70.0，寿命倍数变成 1.00×——那是一个"没有规模效应"的世界，也是一个不存在的世界。现在做一件更重要的事：把体重跨度拖到 2、个体差异拖到 0.30、物种数拖到 40。拟合斜率掉到 0.69，R² 掉到 0.51。真实指数一点没变，但你已经量不出它了。这是所有标度律研究的第一条操作纪律：要想把指数量准到小数点后一位，自变量至少得跨两到三个数量级，只跨一个数量级的"幂律"基本上量的是噪声。（3/4 从哪来？West、Brown 和 Enquist 1997 年的解释是：生物靠一套分形的输运网络（血管、气管、维管束）把养分送到每个细胞，这套网络在三维身体里有效地表现为四维，于是指数是 3/4 而不是 2/3。这个解释至今仍有争论，但"输运网络的几何决定标度指数"这个思路被广泛接受。）

同一张图上两条斜率，方向相反，这就是城市标度律的全部内容。蓝色是基础设施——路网总长、电缆长度、加油站数量，指数 β ≈ 0.85，低于 1；橙色是社会产出——专利、工资总额、GDP、餐馆数量，指数 β ≈ 1.15，高于 1。读数第三、四行把它翻译成人能听懂的话：城市人口翻一倍，人均基础设施省下 9.87%，人均产出多出 10.96%。这是 Bettencourt 和 West 2007 年那篇论文的核心发现，在美国、德国、中国、日本的数据上都能重复出来。低于 1 的那条叫规模经济：管道和电网可以共用，人越多摊得越薄。这也是大城市人均碳排放反而更低的原因。高于 1 的那条叫收益递增，它的机制是"人和人之间的连接数"。基础设施长在二维的地面上，而互动长在社会网络里，人多一倍，可能的互动对数多三倍不止。但橙色这条线有一个不祥的推论。任何 β > 1 的增长，在有限时间内会发散——不是增长得快，是真的会在某个有限的时刻冲到无穷。West 的解释是：城市靠一轮一轮的重大创新（蒸汽、电力、汽车、计算机、互联网）把这条曲线往后推，而且每一轮创新必须来得比上一轮更快，才赶得上发散的速度。这就是他说的"加速的跑步机"。还有一条常被忽略的推论：橙线上的东西是打包涨的。专利、工资、GDP 是超线性的，而犯罪率、传染病传播速度、生活节奏也是同一条指数——它们由同一个机制（互动密度）驱动，没法只要好的那一半。（把城市数拖到 20、离散程度拖到 0.30：拟合值变成 0.898 和 1.127，两个指数都朝 1 塌陷。样本少、噪声大的时候，标度律会系统性地被低估成"就是等比例"。很多"我们这儿没有城市标度律"的结论，其实是样本不够。）

把一堆数从大到小排好，横轴放排名、纵轴放大小，双对数纸上又是一条直线。城市人口、单词词频、公司规模、网站流量、姓氏人数都这样。α = 2 时斜率正好是 −1，这就是"第二名是第一名的一半、第十名是第十分之一"的齐夫定律。它和幂律分布不是两件事：如果 P(X > x) ∝ x^(−(α−1))，那么排序图的斜率必然是 −1/(α−1)，读数第一行就在核对这件事。接下来是这一页最值钱的部分。排序图上做最小二乘回归，是文献里最常见的估 α 的方法，也是最常见的错误。拖动样本量，把三个 α 读数对着看：在 n = 100 到 3000 之间，回归给出的 α 在 1.77 到 2.02 之间晃，而极大似然（Hill 估计）给出的一直在 1.91 到 2.04 之间，真值是 2.00。回归不仅更散，还系统性地偏小。原因不难理解：排序之后相邻的点高度相关，最小二乘假设的"独立同分布残差"从根上就不成立，于是它给出的置信区间也是假的——通常窄得离谱。第四行更反直觉：只用前 30% 的点去拟合，结果更差（1.62～2.01）。很多人以为"幂律是尾部的事，所以只拟合尾部更严谨"，但在数据本身干净的时候，丢掉 70% 的样本换来的只是更大的方差。（截尾什么时候才是对的？下一个实验台就在回答这个问题——答案是：当数据的"身子"根本不服从幂律的时候。而那时候截尾会带来另一种麻烦。）一句话的操作建议：报 α 用极大似然，别用排序图回归；排序图留着画，用来看直不直，不用来量斜率。

"这是幂律"这句话，在过去二十年里被说了太多次。这个实验台让你自己造数据、自己判，然后看自己会不会判错。R 是两个模型的对数似然之差：R > 0 偏向幂律，R < 0 偏向对数正态，|R| 很小说明这份数据根本分不出来。先选"幂律"，一切正常：默认参数下 α̂ = 2.572（真值 2.50），R = +387.66，判定"更像幂律"。把样本量拖大，R 从 +54 一路涨到 +1369——证据随样本量线性累积，这正是似然比该有的行为。现在把"真正来自哪种分布"切成"对数正态"，先别动别的。R = −528.05，判定"更像对数正态"。很好，这个检验是管用的。接下来做那件事：把"只用最大的百分之几"从 100% 拖到 20%。R 变成 +29.21，判定翻成了"更像幂律"，而 α̂ = 2.441——一个漂亮得可以直接写进论文的数字。数据一个字节都没改，它仍然是对数正态。拖到 10% 时 R = +2.55，落进"证据很弱"；拖到 5% 时 R = +7.67，又偏向幂律。这就是幂律文献里最大的系统性问题：任何右偏的重尾分布，只看它最靠右的一小段，都像幂律。因为足够短的一段曲线总能用直线拟合。更糟的在后面：把样本量拖到 3000，仍然只用前 20%。R = +119.49——错误的结论变得更自信了。样本量增大并不能纠正一个由截尾引入的偏差，它只会让你更确定地错下去。这一页想给的是三条可以照着做的纪律：一，报 α 必须同时报 x_min 和 x_min 之上还剩几个点——只剩三十个点的"幂律"没有说服力；二，x_min 要用数据本身定（Clauset 等人的做法是最小化 KS 距离），不能靠肉眼挑一个"看起来直"的地方；三，永远要和至少一个别的重尾分布比过，对数正态、指数截断的幂律、拉伸指数都是标准对手。没做过这三件事的"幂律"，通常只是一条在对数纸上看起来直的曲线。