453
个编辑
更改
跳到导航
跳到搜索
第341行：
第341行： − + + − ===企业的规模法则与生长===+ − 企业在经济系统中的地位举足轻重，其规模与多种经济指标之间存在着明确的标度关系。与生物体和城市相比，企业在生长模式上展现出独特的特性，并非简单地遵循指数增长，而是呈现出更为复杂的幂律行为。+ − 一项对大量美国和中国上市公司长达数十年数据的分析揭示了企业增长的内在规律。该研究构建了一个统一的标度框架，将企业规模视为决定其各项权衡的关键特征<ref name=":4">Zhang, J., Kempes, C. P., Hamilton, M. J., & West, G. B. (2021). Scaling laws and a general theory for the growth of companies. ''arXiv preprint arXiv:2109.10379''.</ref>。+ − * 资产与销售额的亚线性标度：研究发现，企业的销售额（[math]S[/math]）与总资产（[math]A[/math]）之间存在亚线性的幂律关系。这意味着随着企业资产的增加，其销售额的增长速度会相对放缓。这一关系可以表示为：+ − ** [math]\displaystyle{ S \propto A^{\beta} }[/math] − ** 其中，经验观察到的指数 [math]\beta[/math] 通常小于1。这种亚线性关系是企业资产随时间呈现幂律增长而非传统指数增长的关键原因<ref name=":4" />。 − * 负债与资产的标度关系：负债（[math]L[/math]）与资产（[math]A[/math]）之间的标度关系在不同经济体中可能存在差异。例如，在美国上市公司中，负债与资产呈线性关系，即：+ − ** [math]\displaystyle{ L \propto A^{1.0} }[/math] − ** 而在中国上市公司中，则观察到超线性关系： − ** [math]\displaystyle{ L \propto A^{1.09} }[/math] − ** 尽管指数差异微小，但这种差异对企业的长期增长轨迹和特性具有显著影响，凸显了不同经济制度背景下企业财务结构的独特演化路径<ref name=":4" />。 − * 独特的幂函数增长：与生物有机体或城市等通常表现出指数增长不同，企业，尤其是上市公司，其规模随时间往往遵循幂函数增长。这种独特的增长模式反映了企业作为一种复杂的、受内部决策和外部市场力量共同驱动的适应性实体的本质（Zhang et al., 2022）。+ − ===吉布莱特假说（Gibrat's Law）===+ − 吉布莱特假说，又称“等比例效应法则”，是企业规模分布研究中的一个经典假设，由经济学家罗伯特·吉布莱特于1931年提出。+ − * 核心内容：该假说认为，在给定时期内，企业的增长率（即规模的等比例变化）与企业的初始规模无关。用公式表示，如果 [math]S_t[/math] 是企业在时间 [math]t[/math] 的规模，[math]g_t[/math] 是其增长率，则：+ − ** [math]\displaystyle{ g_t = \frac{S_{t+1} - S_t}{S_t} }[/math] − ** 吉布莱特假说声称 [math]g_t[/math] 的分布独立于 [math]S_t[/math]。 − * 推论：如果吉布莱特假说成立，且增长率是独立的随机变量，那么在足够长的时间后，企业规模的分布将趋向于对数正态分布。 − * 实证挑战：尽管吉布莱特假说在理论上具有简洁性，但大量的经验研究对其有效性提出了质疑。许多研究发现，企业的增长率并非完全独立于其规模。例如，小型企业往往表现出更高的平均增长率和更大的增长率波动性，这与吉布莱特假说的核心预测相悖。实证文献普遍倾向于拒绝吉布莱特假说，尤其是在考虑包括小型企业在内的广泛企业样本时<ref>Santarelli, E., Klomp, L., & Thurik, A. R. (2006). Gibrat’s law: An overview of the empirical literature. ''Entrepreneurship, growth, and innovation: The dynamics of firms and industries'', 41-73.</ref>。 − ===史丹利等人的企业生长研究===+ − H. Eugene Stanley 及其合作者，通过对全球范围内大量上市公司的详细数据进行统计物理学分析，对企业增长动力学提供了深刻的见解，显著地超越了吉布莱特假说的范畴。+ − * 增长率的幂律分布：Stanley 等人（1996）<ref name=":5">Stanley, M. H., Amaral, L. A., Buldyrev, S. V., Havlin, S., Leschhorn, H., Maass, P., ... & Stanley, H. E. (1996). Scaling behaviour in the growth of companies. ''Nature'', ''379''(6568), 804-806.</ref>发现，公司增长率的概率分布并非呈高斯（正态）分布，而是表现出厚尾的幂律分布。这意味着极端增长或收缩事件的发生频率远高于正态分布的预期。这种分布可以用以下形式表示： − ** [math]\displaystyle{ P(g) \propto |g|^{-\alpha} }[/math] − ** 其中 [math]g[/math] 是增长率，[math]\alpha[/math] 是幂律指数。 − * 增长率波动与规模的依赖性：他们的研究进一步揭示，增长率分布的宽度（即波动性）对于非常大的公司而言几乎独立于公司规模。然而，对于小型公司，增长率的波动性则强烈依赖于其规模，通常是规模的负幂律函数。 − ** [math]\displaystyle{ \sigma(S) \propto S^{-\beta'} }[/math] − ** 其中 [math]\sigma(S)[/math] 是规模为 [math]S[/math] 的公司的增长率标准差，[math]\beta'[/math] 是一个正指数。这一发现强调了大型公司和小型公司在增长动力学上的根本差异，大型公司表现出更强的统计稳定性，而小型公司则更具波动性<ref name=":5" />。 − === 企业死亡率 ===+ − 企业死亡率是衡量企业生命周期和存活能力的关键指标，其模式与生物体甚至国家和城市的死亡率模式存在显著差异。 − * 恒定的风险率：对超过25,000家北美上市公司在1950年至2009年间数据的全面分析表明，上市公司的死亡率（或称失效率）在较长观察期内呈现出近似恒定的风险率。这意味着，与生物个体的老化过程不同，公司的“死亡”风险并不随其年龄的增长而系统性增加。用生存分析的术语来说，公司的瞬时死亡率函数（hazard rate function）[math]h(t)[/math] 近似为常数： − ** [math]\displaystyle{ h(t) \approx \lambda }[/math] − ** 其中 [math]t[/math] 是公司年龄，[math]\lambda[/math] 是常数死亡率。 − * 典型半衰期：基于恒定风险率的发现，上市公司的典型半衰期约为十年，并且这一半衰期在不同行业之间具有普遍性。这意味着无论公司属于哪个行业，其在十年内被清算或并购的概率大致相同<ref name=":6">Daepp, M. I., Hamilton, M. J., West, G. B., & Bettencourt, L. M. (2015). The mortality of companies. ''Journal of the Royal Society Interface'', ''12''(106), 20150120.</ref>。 − * “死亡”的定义：在企业死亡率的研究中，“死亡”的定义通常涵盖了公司实体通过各种方式从市场上消失的情况，包括但不限于破产清算，更常见且重要的是被其他公司合并或收购。这种广义的“死亡”反映了企业在不断变化的经济环境中适应和重组的能力<ref name=":6" />。 − 这些研究共同构成了企业规模法则的核心内容，揭示了企业作为复杂经济系统，其增长、波动和寿命所遵循的普遍而深刻的统计规律。+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
→企业增长模型
关键的结论是，为了维持持续增长，创新周期之间的时间间隔必须不断缩短。这是因为根据奇点时间公式 [math]t_{c} \propto 1/N^{\beta-1}(0)[/math] ，当人口 [math]N[/math] 增加时，达到下一次崩溃的时间 [math]t_c[/math] 会变短。因此，新的重大创新或适应措施必须以不断加速的速率出现，才能维持城市的增长。
关键的结论是，为了维持持续增长，创新周期之间的时间间隔必须不断缩短。这是因为根据奇点时间公式 [math]t_{c} \propto 1/N^{\beta-1}(0)[/math] ，当人口 [math]N[/math] 增加时，达到下一次崩溃的时间 [math]t_c[/math] 会变短。因此，新的重大创新或适应措施必须以不断加速的速率出现，才能维持城市的增长。
== 企业增长模型 ==
== 企业生长方程 ==
张江等人在2022年的研究基于规模法则推导出的企业生长模型公式。这份理论框架将公司的财务平衡与规模法则相结合，提供了一个预测公司随时间增长轨迹的通用方程。
核心理论建立在两个基本假设之上：
1. '''财务平衡方程''': 公司的总资产 [math]A(t)[/math] 随时间的变化率，等于其净收入 [math]I(t)[/math] 加上负债 [math]L(t)[/math] 的变化率。在忽略资本注入和股息支付等次要因素后，这一关系可以表达为微分形式：
[math]\frac{dA}{dt}=I(t)+\frac{dL}{dt}[/math]
此方程在任何时刻都精确成立，它描述了公司的资源流入和流出如何驱动其增长。
2. '''公司的财务指标'''（如净收入 [math]I[/math] 和负债 [math]L[/math]）与公司规模（用总资产 [math]A[/math] 衡量）之间存在幂律关系。这与生物体和城市中观察到的异速生长（allometric scaling）现象类似：
[math]X(A)=c_{X}A^{\beta_{X}}[/math]
其中 [math]X[/math] 代表某一财务指标，[math]c_X[/math] 为归一化常数，[math]\beta_X[/math] 为标度指数。
=== 重要公式推导===
通过将规模法则代入微分形式的财务平衡方程，可以得到一个通用的企业增长微分方程，它能预测公司资产随时间的变化轨迹。
首先，根据链式法则，负债的变化率可以表示为：
[math]\frac{dL}{dt}=(\frac{dL}{dA})(\frac{dA}{dt})[/math]
将规模法则 [math]L=c_{L}A^{\beta_{L}}[/math] 代入，得到：
[math]\frac{dL}{dA} = c_{L}\beta_{L}A^{\beta_{L}-1}[/math]。
将此项以及收入的规模法则 [math]I=c_{I}A^{\beta_{I}}[/math] 代入财务平衡方程 [math]\frac{dA}{dt}=I+\frac{dL}{dt}[/math]，得到：
[math]\frac{dA}{dt} = c_{I}A^{\beta_{I}} + c_{L}\beta_{L}A^{\beta_{L}-1}\frac{dA}{dt}[/math]
重新整理此方程，得到'''通用企业增长率方程（Generalized Growth Equation）'''：
[math]\frac{dA}{dt}=\frac{c_{I}A^{\beta_{I}}}{1-c_{L}\beta_{L}A^{\beta_{L}-1}}[/math]
这个方程描述了公司资产 [math]A[/math] 随时间 [math]t[/math] 变化的速率。
=== 通用增长轨迹曲线与近似解 ===
上述微分方程的解给出了公司随时间的增长轨迹。通过对该方程进行积分，可以得到一个描述公司资产 [math]A(t)[/math] 与其年龄 [math]t[/math] 之间关系的隐式表达式：
'''通用增长曲线（Generalized Growth Curve）'''
[math]t = \frac{A^{1-\beta_{I}}}{c_{I}(1-\beta_{I})}[1-(\frac{1-\beta_{I}}{\beta_{L}-\beta_{I}})c_{L}\beta_{L}A^{\beta_{L}-1}][/math]
这个方程通常无法直接反解出 [math]A(t)[/math] 的显式表达式。然而，当负债的标度指数 [math]\beta_L[/math] 约等于 1 时，可以得到一个很好的近似解：
'''幂律增长近似解（Power Law Approximation）'''
[math]A(t) \approx ct^{\gamma}[/math]
其中，指数 [math]\gamma[/math] 和系数 [math]c[/math] 由标度指数 [math]\beta_L[/math] 和 [math]\beta_I[/math] 决定。当 [math]\beta_L[/math] 恰好等于 1 时（例如在美国市场），指数 [math]\gamma[/math] 的表达式简化为 [math]\gamma = \frac{1}{1-\beta_{I}}[/math]。根据美国市场的实证数据，[math]\beta_I \approx 0.85[/math]，这导致 [math]\gamma \approx 6.79[/math]。
该模型表明，公司的增长轨迹是一个复杂的、由其内在财务结构决定的动态过程。与生物体最终停止生长的S形曲线不同，该模型预测的公司可以经历类似城市一样的开放式增长，即亚线性的幂律增长。这种理论框架能够灵活地整合不同市场的异质性（例如，中国、欧洲市场的 [math]\beta_L[/math] 略大于1）并做出准确的预测。
=== 模型的验证 ===
张江等人利用美国、欧洲和中国的数据，验证了上述企业生长方程的有效性。
* 美国和欧洲：数据来自Compustat数据库，包含了美国（1950-2023）和欧洲（1987-2023）公开上市公司的财务信息。
* 中国：数据来自Wind资讯的上海证券交易所和深圳证券交易所数据库，包含了1996年至2022年中国公开上市公司的财务信息。
==网络社区==
==网络社区==