為什么大自然偏愛數(shù)字“1” ？本福德定律揭示了一個(gè)數(shù)字真相

想象一下，我們隨機(jī)從人口統(tǒng)計(jì)表、房價(jià)走勢(shì)、或股票交易量中，隨機(jī)抓出成千上萬個(gè)數(shù)字。

如果我們提取這些數(shù)據(jù)的首位數(shù)字（即 1 到 9 之間那個(gè)數(shù)字），哪個(gè)數(shù)字出現(xiàn)的概率最高？

大多數(shù)人的直覺是：從 1 到 9，每個(gè)數(shù)字出現(xiàn)的概率應(yīng)該是均等的，大約都是 11.1%。但事實(shí)卻是：數(shù)字 1 出現(xiàn)的概率最高，甚至接近30%，而 9 出現(xiàn)的概率還不到5%。

這種 分布并非 巧合， 而是一個(gè)幾乎統(tǒng)治了所 有自然增長數(shù)據(jù) 集的數(shù)學(xué)定律：本福德定律（Benford's Law）。

為什么世界偏愛數(shù)字“1”？

看似混亂的自然界，其實(shí)暗藏著精準(zhǔn)的對(duì)數(shù)規(guī)律。1881年，天文學(xué)家西蒙·紐康在圖書館翻閱公用對(duì)數(shù)表時(shí)，注意到一個(gè)細(xì)節(jié)：以 1 開頭的頁面遠(yuǎn)比以 8、9 開頭的更臟更破。這反映了人類處理的數(shù)據(jù)中，低首位數(shù)字的處理頻次占據(jù)了壓倒性的比例。

這個(gè)發(fā)現(xiàn)并未被正式記錄，直到1938年通用電氣的物理學(xué)家弗蘭克·本福特收集了河流面積、各國人口、物理常數(shù)等20余組、逾兩萬個(gè)數(shù)字進(jìn)行驗(yàn)證。結(jié)論驚人地一致：首位數(shù)字為 1 的數(shù)據(jù)占比30.1%，為 2 的約占 17.6%，依次遞減，到 9 僅剩不足 4.6%，才正式確立并命名了這個(gè)規(guī)律。

為什么現(xiàn)實(shí)世界的數(shù)據(jù)總是不約而同地服從本福德定律？

1.物理本質(zhì)：自然界的乘性增長規(guī)律

我們習(xí)慣用線性的眼光看世界。然而，現(xiàn)實(shí)世界的大多數(shù)動(dòng)態(tài)過程并非簡單的加法疊加，而是比例性的乘法增長。無論是細(xì)胞分裂、復(fù)利積累、社會(huì)財(cái)富演變，還是物理學(xué)中的放射性衰變，其變化率通常與當(dāng)前的規(guī)模成正比。這種“利滾利”的現(xiàn)象在數(shù)學(xué)上表現(xiàn)為微分方程：

這種增長方式?jīng)Q定了：首位數(shù)越小，跨越該區(qū)間所需的相對(duì)增量就越大。

比如，從 100 萬增長到 200 萬，資產(chǎn)需要翻倍（相對(duì)增量為 100%）；而從 900 萬增長到 1000 萬，資產(chǎn)僅需微增 11.1%（首位重新回到 1）。

在線性直尺上，1 到 2 和 8 到 9 的物理距離是一樣的；但在乘性增長的世界里，同樣的絕對(duì)增量對(duì)應(yīng)著完全不同的相對(duì)變化。這解釋了為什么數(shù)值在以 1 開頭時(shí)最為“吃力”，這也是本福德定律最核心的物理來源。

2. 對(duì)數(shù)尺度下的線性化轉(zhuǎn)換

由于指數(shù)增長是不斷加速的，很難在統(tǒng)一標(biāo)準(zhǔn)下觀察。數(shù)學(xué)家引入了對(duì)數(shù)空間來解決這個(gè)問題。當(dāng)我們對(duì)增長等式兩邊取自然對(duì)數(shù)ln時(shí)，復(fù)雜的指數(shù)增長被“拉直”成了標(biāo)準(zhǔn)的直線方程：

在這個(gè)轉(zhuǎn)換中，原本劇烈的倍數(shù)擴(kuò)張變成了隨時(shí)間 t 勻速增加的距離。對(duì)數(shù)尺子度量的不再是絕對(duì)數(shù)額，而是增長的進(jìn)度。只要增長率 r 恒定，數(shù)值在對(duì)數(shù)軸上的演化就是等速的。這意味著，系統(tǒng)在某個(gè)區(qū)間停留的時(shí)間，就嚴(yán)格等于該區(qū)間在對(duì)數(shù)軸上的物理長度。1881 年西蒙·紐康發(fā)現(xiàn)對(duì)數(shù)表前幾頁更臟，本質(zhì)上就是因?yàn)槿祟愑^測的數(shù)據(jù)大多處在對(duì)數(shù)軸上那個(gè)漫長的低首位區(qū)間。

3. 對(duì)數(shù)空間里的分配規(guī)律

既然系統(tǒng)在對(duì)數(shù)軸上是勻速推進(jìn)的，那么只要觀察時(shí)間足夠長，數(shù)值落在對(duì)數(shù)軸上任何位置的概率就是相等的。此時(shí)，首位數(shù)字 d 出現(xiàn)的概率，完全取決于該數(shù)字在對(duì)數(shù)軸上占據(jù)的空間寬度。

數(shù)字 1 的領(lǐng)地：log??(2) ? log??(1) = 0.30

數(shù)字 2 的領(lǐng)地：log??(3) ? log??(2) = 0.17

數(shù)字 9 的區(qū)域：log??(10) ? log??(9) = 0.046

可以看出，在對(duì)數(shù)這把尺子上，數(shù)字 1 的領(lǐng)地最寬（占總長度30%），數(shù)值穿過它所需的時(shí)間最長。當(dāng)你隨機(jī)觀測一個(gè)跨越多個(gè)數(shù)量級(jí)的自然系統(tǒng)時(shí)，落在 1 到 2 區(qū)間的概率，天然就是落在 8 到 9 區(qū)間的 6.5 倍。

通過計(jì)算從 d 到 d+1 的對(duì)數(shù)距離在整個(gè)單位長度中的占比，我們便得到了本福德定律的通用公式：

這種分配規(guī)律有一種穩(wěn)健的特性：尺度不變性（Scale Invariance）。也就是無論你用什么度量衡，只要數(shù)據(jù)跨度足夠大，位數(shù)字的分布比例都保持恒定，并精準(zhǔn)契合本福德定律。數(shù)學(xué)上，只有對(duì)數(shù)分布具備這種“不隨單位縮放而改變”的深層對(duì)稱性。

數(shù)字世界的“指紋”

人工構(gòu)造的隨機(jī)數(shù)往往會(huì)破壞自然數(shù)據(jù)中固有的對(duì)數(shù)秩序。

2001 年安然公司破產(chǎn)后，審計(jì)人員回溯時(shí)發(fā)現(xiàn)，其披露的財(cái)報(bào)中首位數(shù)字的分布嚴(yán)重背離了定律。造假者通過偽造隨機(jī)數(shù)掩蓋關(guān)聯(lián)交易，卻抹去了自然數(shù)據(jù)中特有的分布節(jié)奏；

在希臘債務(wù)危機(jī)爆發(fā)前，研究人員也利用了本福德定律發(fā)現(xiàn)希臘申報(bào)的 GDP 數(shù)據(jù)偏離度顯著高于其他歐洲國家。后期事實(shí)證明，希臘確實(shí)通過會(huì)計(jì)手段掩蓋了赤字以符合歐元區(qū)準(zhǔn)入門檻。目前，本福德分析已成為稅務(wù)稽查、選舉審查和科研打假中鎖定可疑對(duì)象的標(biāo)準(zhǔn)工具。

這種統(tǒng)計(jì)規(guī)律也存在于圖像診斷中。自然景物的光影過渡通常是連續(xù)且平滑的，在 JPEG 壓縮標(biāo)準(zhǔn)中，圖像被劃分為 8x8 的像素塊，通過離散余弦變換（DCT）將空間位圖映射為頻域系數(shù)，其幅值分布高度契合本福德定律。一旦使用圖像處理工具或生成式人工智能進(jìn)行篡改，即便改動(dòng)在視覺上難以察覺，算法也能夠精準(zhǔn)捕捉到系數(shù)分布相較于本福德分布的異動(dòng)，從而判定圖像是否經(jīng)過了后期處理。

希爾定理：多源分布的收斂

既然單一體制（乘性增長）服從定律，那么如果把一整份報(bào)紙里互不相干的數(shù)據(jù)（氣溫、比分、股價(jià)、人口）混在一起呢？

1995 年，數(shù)學(xué)家泰德·希爾（Ted Hill）證明了一個(gè)關(guān)鍵的收斂機(jī)制：如果從多個(gè)不同的、互不相關(guān)的概率分布中隨機(jī)抽取樣本并進(jìn)行混合，最終生成的復(fù)合集合將趨向于符合本福德分布。

這可以被視作對(duì)數(shù)空間的中心極限定理。在普通的加法世界里，大量隨機(jī)變量疊加會(huì)產(chǎn)生正態(tài)分布（鐘形曲線）；而在跨越多個(gè)量級(jí)的乘法世界里，多源數(shù)據(jù)的混合疊加則導(dǎo)向了對(duì)數(shù)均勻分布。這種收斂性解釋了為什么復(fù)雜的系統(tǒng)（無論是企業(yè)賬目還是社會(huì)統(tǒng)計(jì)）即使包含了很多不具備指數(shù)增長特征的單一環(huán)節(jié)，整體上卻能展現(xiàn)出極高的統(tǒng)計(jì)一致性。

本福德定律告訴我們：秩序往往隱藏在表面的不平衡中。造假者可以模仿孤立的數(shù)字，卻永遠(yuǎn)無法重構(gòu)這種自洽的統(tǒng)計(jì)生態(tài)。

end

參考資料：

[1]The Law of Anomalous Numbers. Benford, F.

[2]Benford's Law: Applications for Forensic Accounting, and Fraud Detection. Nigrini, M. J. (2012).

[3]The Distribution of Leading Digits and Uniform Distribution Modulo 1. Diaconis, P.

[4] A Statistical Derivation of the Significant-Digit Law. Hill, T. P.

來源：DataCafe

編輯：楊樂多

轉(zhuǎn)載內(nèi)容僅代表作者觀點(diǎn)

不代表中科院物理所立場

如需轉(zhuǎn)載請(qǐng)聯(lián)系原公眾號(hào)