更改

== 企业生长方程 ==

== 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。

[[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。这一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：

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。

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（通过研究实证数据，这两项对于上市企业是可以忽略的），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。

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规模法则类似：[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===

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）'''：<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>

'''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：

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>

'''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]。

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]。

[[文件:预测的广义增长曲线(US).png|无框|600x600像素]]

[[文件:预测的广义增长曲线(US).png|无框|600x600像素]]

<small>图a展示了美国预测的广义增长曲线以及基于估计的[math]t_0[/math]的每个公司的实际增长轨迹。这突出表明，公司的增长是时间的幂函数。指数 γ=6.79，系数 lnc=3.11。</small>

<small>图a展示了美国预测的广义增长曲线以及基于估计的[math]t_0[/math]的每个公司的实际增长轨迹。这突出表明，公司的增长是时间的幂函数。指数 γ=6.79，系数 ln c=3.11。</small>

[[文件:预测的广义增长曲线(CN&EU).png|无框|800x800像素]]

[[文件:预测的广义增长曲线(CN&EU).png|无框|800x800像素]]