更改

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。

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'''<nowiki>（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。</nowiki>

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===

=== 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。

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]

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>

<nowiki>将规模法则 [math]L=c_{L}A^{\beta_{L}}[/math] 代入，得到：</nowiki>[math]\frac{dL}{dA} = c_{L}\beta_{L}A^{\beta_{L}-1}[/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>。

<nowiki>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：</nowiki><nowiki>[math]\frac{dA}{dt} = c_{I}A^{\beta_{I}} + c_{L}\beta_{L}A^{\beta_{L}-1}\frac{dA}{dt}[/math]</nowiki>

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）'''：

重新整理此方程，得到'''通用企业增长率方程（Generalized Growth Equation）'''：

<nowiki>[math]\frac{dA}{dt}=\frac{c_{I}A^{\beta_{I}}}{1-c_{L}\beta_{L}A^{\beta_{L}-1}}[/math]</nowiki>

<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。

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。

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：

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）'''

'''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>

 

<nowiki>[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]</nowiki>

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：

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）'''

'''幂律增长近似解（Power Law Approximation）'''：<math>A(t) \approx ct^{\gamma}</math>

 

[math]A(t) \approx ct^{\gamma}[/math]

<nowiki>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]。</nowiki>

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。

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。

* 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。

* 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。

* 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。

= 衰老与死亡 =

= 衰老与死亡 =