一维动力学

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

历史

起源（19世纪末至20世纪中期） 动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《天体力学新方法》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。 此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

数值探索与理论形成（1950年代至1970年代） 随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。 1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《周期三意味着混沌》，首次形式化了“混沌”这一概念。 几乎同时，生态学家罗伯特·梅（Robert May）在研究种群模型时发现，一维 logistic 映射

[math]\displaystyle{ x_{n+1} = r x_n (1 - x_n) }[/math]

在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。

混沌的发现与普适性（1970年代后期至1980年代） Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。 这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。 此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。

理论成熟与现代发展（1990年代至今） 进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。 现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。 如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。

现代定位 随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。 该理论为分析稳定性、分岔与混沌现象提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。 在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。

简介

• 核心问题: 如何理解一阶自治微分方程[math]\displaystyle{ \dot{x}=f(x) }[/math]定义的系统之所有可能长期行为？

• 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

• 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数 定义了该流体的速度场（向量场）。

主要内容

几何思维与向量场

核心公式

在一维动力系统的分析中，几何思维（geometric thinking）和向量场表示（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：

[math]\displaystyle{ \dot{x} = f(x) }[/math]

其中，[math]\displaystyle{ \dot{x} }[/math] 表示状态变量 [math]\displaystyle{ x }[/math] 关于时间 [math]\displaystyle{ t }[/math] 的导数，[math]\displaystyle{ f(x) }[/math] 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。

向量场表示示例[math]\displaystyle{ \dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}} }[/math]__PROTECTED_9__

几何诠释

在几何视角下，时间 [math]\displaystyle{ t }[/math] 被视为系统演化的参数，[math]\displaystyle{ x }[/math] 表示位置或状态，而 [math]\displaystyle{ \dot{x} }[/math] 则代表相点沿相线运动的速度。通过绘制 [math]\displaystyle{ f(x) }[/math] 相对于 [math]\displaystyle{ x }[/math] 的图像，并在 [math]\displaystyle{ x }[/math]-轴上以箭头指示运动方向及相对大小，可以获得系统的相图（phase portrait）或方向场（direction field）。 这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 [math]\displaystyle{ f(x)=0 }[/math] 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。

方法优势

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。 在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。

不动点及其稳定性

不动点的定义

对于映射 [math]\displaystyle{ f }[/math], 满足 [math]\displaystyle{ f(x^*)=0 }[/math]的点 [math]\displaystyle{ x^* }[/math] 成为 [math]\displaystyle{ f }[/math] 的不动点。可以验证对不动点 [math]\displaystyle{ x^* }[/math]，有 [math]\displaystyle{ f(f(x^*)) = f(x^*) = x^* }[/math]。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

图形化稳定性判据

• 稳定不动点（吸引子/汇）： 向量场箭头从两边指向该点。

• 不稳定不动点（排斥子/源）： 向量场箭头从该点指向两边。

• 半稳定不动点： 从一侧吸引，从另一侧排斥。

如图所示，左侧的不动点是稳定的，当 x 位于左侧不动点的左侧少许时，其速度向右；当 x 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。

稳定不动点和不稳定不动点，引自__PROTECTED_12__

线性稳定性分析（定量方法）

• 公式：在不动点[math]\displaystyle{ x^* }[/math]附近定义扰动[math]\displaystyle{ u(t)=x(t)-x^* }[/math],其线性化方程为[math]\displaystyle{ \dot{u} \approx f'(x^*)u }[/math]。
• 稳定性判据：若 [math]\displaystyle{ f'(x^*) \gt 0 }[/math]，该不动点是稳定不动点；若 [math]\displaystyle{ f'(x^*) \lt 0 }[/math]，该不动点是不稳定不动点。
• 特征时间尺度：[math]\displaystyle{ \displaystyle \frac{1}{|f'(x^*)|} }[/math] 为 [math]\displaystyle{ x(t) }[/math] 在不动点 [math]\displaystyle{ x^* }[/math] 邻域内发生显著变化的时间。

势函数

核心定义： 势函数[math]\displaystyle{ V(x) }[/math]由[math]\displaystyle{ f(x)=-\frac{dV}{dx} }[/math]定义。

物理类比： 系统行为等价于一个过阻尼粒子在势能景观[math]\displaystyle{ V(x) }[/math]中的运动。粒子总是向势能减小 ([math]\displaystyle{ \frac{dV}{dt}\leq 0 }[/math]) 的方向运动

稳定性对应：

• 稳定不动点 [math]\displaystyle{ \leftrightarrow }[/math] [math]\displaystyle{ V(x) }[/math]的局部极小值（势能谷）

• 不稳定不动点 [math]\displaystyle{ \leftrightarrow }[/math] [math]\displaystyle{ V(x) }[/math]的局部极大值（势能峰）

性质

单调性

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）。这是符合直觉的：给定时间 [math]\displaystyle{ t }[/math] 下系统不可能同时处于两个不同的确定状态。

振荡的不可能性

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

存在性与唯一性

存在性与唯一性定理 若[math]\displaystyle{ f(x) }[/math]及其导数[math]\displaystyle{ f'(x) }[/math] 在包含初始点[math]\displaystyle{ x_0 }[/math]的开区间上连续，则初值问题

[math]\displaystyle{ \left\{ \begin{align} \dot{x} &= f(x), \\ x(0) &= x_0 \end{align} \right. }[/math]

的解[math]\displaystyle{ x(t) }[/math]在[math]\displaystyle{ t=0 }[/math]的某个邻域[math]\displaystyle{ (-\tau, \tau) }[/math]内存在且唯一。

数值积分方法

数值积分方法（numerical integration methods）是通过将时间离散化，把常微分方程 [math]\displaystyle{ \frac{dx}{dt} = f(x,t) }[/math] 转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。

数值积分方法通常可分为以下类别：

• 显式单步方法（explicit one-step methods）：使用当前状态 [math]\displaystyle{ x_n }[/math] 推算 [math]\displaystyle{ x_{n+1} }[/math]，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
• 多步方法（multistep methods）：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
• 隐式方法（implicit methods）：下一步的值通过解方程获得，常用于刚性系统。
• 自适应步长方法（adaptive methods）：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 欧拉法、改进欧拉法 与 四阶龙格–库塔法（RK4） 均属于 显式单步数值积分方法，是常微分方程数值求解中最常见、最基础的一类方法。 [math]\displaystyle{ \frac{dx}{dt} = f(x,t) }[/math]。

目的与应用

数值积分方法主要用于：

• 近似求解微分方程的数值轨道；
• 绘制相图、吸引子与时间序列；
• 辅助研究稳定点、周期解与分岔；
• 探索混沌行为及敏感依赖性。

相关方法在动力系统与非线性科学中具有基础作用。

欧拉方法（Euler Method）

欧拉方法是一阶显式方法，也是最基本的时间离散思想。其更新公式为： [math]\displaystyle{ x_{n+1} = x_n + h\, f(x_n, t_n) }[/math]。

特点

欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。

改进欧拉法（Improved Euler / Heun 法）

改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。

预测： [math]\displaystyle{ \tilde{x} = x_n + h f(x_n, t_n) }[/math] 校正： [math]\displaystyle{ x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)] }[/math]

特点

相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

四阶龙格–库塔法（Runge Kutta Method - RK4）

RK4 是最常用的固定步长高阶方法，被广泛用于工程与科学计算其更新公式为：。

[math]\displaystyle{ \left\{ \begin{aligned} k_1 &= f(x_n,t_n),\\ k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\ k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\ k_4 &= f(x_n + hk_3, t_n + h),\\ x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4). \end{aligned}\right. }[/math]

特点

RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。

方法比较

方法	精度	每步计算成本	优点	缺点
欧拉法	一阶	1 次函数评估	简单	精度低、稳定性弱
改进欧拉法	二阶	2 次评估	精度与稳定性提升	普适性有限
RK4	四阶	4 次评估	高精度、广泛使用	计算量较高

在动力系统研究中的应用

数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。

典型应用

种群增长模型（逻辑斯谛方程）

逻辑斯谛方程（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出，被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。 该模型以微分方程形式描述有限环境中种群增长的过程：

[math]\displaystyle{ \frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right) }[/math]

其中，[math]\displaystyle{ N }[/math] 表示种群数量，[math]\displaystyle{ r }[/math] 为内禀增长率，[math]\displaystyle{ K }[/math] 为环境承载量（carrying capacity）。 该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。

数学形式

逻辑斯谛方程写作： [math]\displaystyle{ \frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right), }[/math]

其中：

• [math]\displaystyle{ N(t) }[/math]：时间 [math]\displaystyle{ t }[/math] 的种群数量；
• [math]\displaystyle{ r }[/math]：内禀增长率；
• [math]\displaystyle{ K }[/math]：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 [math]\displaystyle{ rN }[/math] 与抑制增长的非线性项 [math]\displaystyle{ 1 - N/K }[/math]。

解的形式

逻辑斯谛方程
__PROTECTED_2__

逻辑斯谛方程的解析解为： [math]\displaystyle{ N(t)=\frac{K}{1 + A e^{-rt}}, }[/math]

离散形式：逻辑斯谛映射

逻辑斯谛方程的著名离散版本为 逻辑斯谛映射（logistic map）： [math]\displaystyle{ x_{n+1} = r x_n (1 - x_n) }[/math]

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。

应用

逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。

RC电路分析

模型定义

串联RC电路，引自

考虑右图所示的 RC 电路，电阻大小为 [math]\displaystyle{ R }[/math]，电容量为 [math]\displaystyle{ C }[/math]。记左端输入电压为 [math]\displaystyle{ V_{\text{in}} }[/math]，电容器两端的电压 [math]\displaystyle{ V_{C} }[/math] 为输出电压，电路中的电流为 [math]\displaystyle{ I }[/math]。根据基尔霍夫定律，可得下面的方程

[math]\displaystyle{ \left\{ \begin{align} \\[-1em] V_{\text{in}} &= V_{R} + V_{C}\\ V_{\text{out}} &= V_{C} = \frac{1}{C} \int_{0}^{t} I(t) \, \mathrm d{t} \end{align} \right. }[/math]

即

[math]\displaystyle{ V_{\text{in}} = RI + \frac{1}{C}\int_{0}^{t} {I} \, \mathrm d{t}. \quad \text{(RC-1)} }[/math]

当 [math]\displaystyle{ V_{\text{in}} }[/math] 为恒定电压 [math]\displaystyle{ V_{0} }[/math] 时，考虑电容 [math]\displaystyle{ C }[/math] 上的充电量 [math]\displaystyle{ Q }[/math]。有

[math]\displaystyle{ V_{0} = RI + \frac{1}{C} \int_{0}^{t} {I} \, \mathrm d{t} \iff V_{0} = R \dot{Q} + \frac{Q}{C}\quad \text{(RC-2)} }[/math]

模型的解

该方程的通解为 [math]\displaystyle{ Q(t) = V_{0}C + Ke^{-t/RC} }[/math] 如果要求初始时刻电容器上电荷为零，即 [math]\displaystyle{ Q(0) = 0 }[/math]，则有 [math]\displaystyle{ K = -V_{0}C }[/math]，即 [math]\displaystyle{ Q(t) = V_{0}C(1 - e^{-t/RC}) }[/math] 相应地，也能得到电容器的稳态电压 [math]\displaystyle{ V_{C}(\infty) }[/math] 为 [math]\displaystyle{ V_{0}C }[/math]，输出电压随时间变化规律为 [math]\displaystyle{ V_{C}(t) = \frac{Q}{C} = V_{0}(1 - e^{-t/RC}). }[/math] 其中 [math]\displaystyle{ \tau = RC }[/math] 称为时间常数，它决定电容器充电的快慢。

势函数的定性视角

可以将 (RC-1) 写成势函数的形式： [math]\displaystyle{ f(Q) = \dot{Q} = \frac{V_{0}}{R} - \frac{Q}{RC} = -\frac{1}{RC} \cdot Q + \frac{V_{0}}{R} }[/math] 可见其势函数是一个截距为正，斜率为负的直线，有一个稳定不动点 [math]\displaystyle{ Q = V_{0}C }[/math]。另外，从势函数也可明显的看出上面的结论：当电容初始电量为零时，依照势函数，其电量会一直增长，无限趋于稳定不动点。

传递函数的视角

将 (RC-2) 两边做拉普拉斯变换，得到

[math]\displaystyle{ \tilde{V}_{\text{in}}(s) = R \tilde{I}(s) + \frac{1}{Cs} \tilde{I}(s) = R \tilde{I}(s) + \tilde{V}_{C}(s) }[/math]

整理得到 [math]\displaystyle{ \tilde{V}_{C} = (RCs + 1)\tilde{V}_{\text{out}}(s) }[/math]，系统的传递函数为

[math]\displaystyle{ G(s) = \frac{\tilde{V}_{\text{out}}(s)}{\tilde{V}_{C}(s)} = \frac{1}{RCs + 1}, }[/math]

这是一个典型的一阶惯性环节，电容开始无电量，电压恒定的情况相当于系统的阶跃响应，而一阶惯性系统的阶跃响应总是稳定、无震荡的。其响应值达到稳态值的约 [math]\displaystyle{ 63.2\% }[/math] 所需时间为时间常数 [math]\displaystyle{ \tau }[/math]。由控制论的工具出发，还可以分析 RC 电路在不同输入电压（如脉冲、交流电）下的不同响应（输出电压）。

频率特性

现在考虑输入为单相交流电的情形。假设输入电压随时间变化为 [math]\displaystyle{ V_{\text{in}}(t) = \sin(\omega t) }[/math]，其对应的拉普拉斯变换为 [math]\displaystyle{ \displaystyle \tilde{V}_{\text{in}}(s) = \frac{\omega}{s^{2} + \omega^{2}} }[/math]，由系统的传递函数，可得输出电压的拉普拉斯变换为

[math]\displaystyle{ \tilde{V}_{\text{out}}(s) = \tilde{V}_{\text{in}}(s) G(s) = \frac{\omega}{s^{2} + \omega^{2}} \cdot \frac{1}{\tau s+ 1} }[/math]

做拉普拉斯反变换，得到

[math]\displaystyle{ V_{\text{out}}(t) = \frac{\tau \omega}{1 + \tau^{2}\omega^{2}}e^{-t/\tau} + \frac{1}{\sqrt{ (\omega \tau)^{2} + 1 }} \sin(\omega t - \arctan(\omega \tau)) }[/math]

称 [math]\displaystyle{ a(\omega) = \displaystyle \frac{1}{(\omega \tau)^{2}+1} }[/math] 为系统的幅频特性，[math]\displaystyle{ \phi(\omega) = -\arctan(\omega \tau) }[/math] 为其相频特性。可以看到当交流电频率增加时，输出电压的幅度降低：这是一个简单的低通滤波器。

企业生长模型

企业生长模型是张江团队提出的、基于企业规模标度律和企业财务平衡方程构建的企业资产变化的微分方程，刻画企业的平均生长动力学

数学形式

[math]\displaystyle{ \frac{dA}{dt} = \frac{c_IA^{\beta_I}}{1-c_L \beta_L A^{\beta_L-1}} }[/math]

其中：

• [math]\displaystyle{ A }[/math]是企业的资产
• [math]\displaystyle{ c_I }[/math]和[math]\displaystyle{ \beta_I }[/math]代表企业的资产和企业净利润[math]\displaystyle{ I }[/math]之间幂律关系的参数（[math]\displaystyle{ I = c_I A^{\beta_I} }[/math]）
• [math]\displaystyle{ c_L }[/math]和[math]\displaystyle{ \beta_L }[/math]代表资产和企业总债务[math]\displaystyle{ L }[/math]之间的幂律关系参数（[math]\displaystyle{ L = c_L A^{\beta_L} }[/math]）

上式被称为企业普适生长方程（General growth equation)

解的形式

上式方程直接积分，难以给出资产随时间的显式解析表达式，但可以给出企业资产生长轨迹的隐式解

[math]\displaystyle{ \frac{A^{1-\beta_I}}{c_I(1-\beta_I)}\left[1-\left(\frac{1-\beta_I}{\beta_L-\beta_I}\right)c_L\beta_LA^{\beta_L-1}\right]\equiv f(A) = t }[/math]

上式被称为企业通用生产曲线（general growth curve），其中，[math]\displaystyle{ t }[/math]是企业的市场年龄。右图展示了个体企业时间轨迹在平均尺度上和模型预测的吻合情况，结果显示，在美国、中国和欧洲的上市企业数据集中，模型表现和数据吻合。

详细介绍见

企业生长曲线

当[math]\displaystyle{ \beta_L \approx 1 }[/math]的时候，可以得到一个极佳的近似，此时企业生长方程的解是一个随时间变化的幂律形式： [math]\displaystyle{ A(t) \approx c t^{\gamma} }[/math]

其中

• [math]\displaystyle{ \gamma \approx [1-\left(\frac{1-\beta_L}{1-\beta_I}\right)\left(\frac{c_L}{1-c_L}\right)]/(1-\beta_I) }[/math]
• [math]\displaystyle{ c = \exp \left\{ \frac{1}{1-\beta_I} \left[ \ln \frac{(1-\beta_I)c_I}{(1-c_L)}\right] \left[ 1- \left(\frac{1-\beta_L}{1-\beta_I}\right)\left(\frac{c_L}{1-c_L}\right) \right] + \frac{\beta_{I}(1-\beta_L)}{(1-\beta_I)^2}\left(\frac{c_L}{1-c_L}\right) \right\} }[/math]

不动点分析

分析企业生长方程的动力学性质，我们可知，方程只有一个不动点[math]\displaystyle{ A = 0 }[/math]，该点意味着企业的资产为0，考虑到企业资产往往不会出现为0的情况，该点并无实际的经济意义。

奇异点分析

进一步分析可知，方程存在奇异点，即分母为0的情况，此时[math]\displaystyle{ dA/dt \to \infty }[/math]。下面我们对奇异点[math]\displaystyle{ A^* }[/math]展开分析。

令分母[math]\displaystyle{ D(x) = 1-c_L\beta_LA^{\beta_L-1} = 0 }[/math]，得到奇异点[math]\displaystyle{ A^*=\left(c_L\beta_L\right)^{1/(1-\beta_L)} }[/math]

稳定性

对奇异点进行稳定性分析，即判断 [math]\displaystyle{ \left.\frac{d^2t}{dA^2}\right|_{A=A^*}=\frac{(A^*)^{-\beta_I-1}}{c_I}(1-\beta_L) }[/math]的正负。我们得到两种情况：

• 当[math]\displaystyle{ \beta_L \gt 1 }[/math]时，[math]\displaystyle{ \frac{d^2t}{dA^2}\lt 0 }[/math]，意味着此时奇异点是一个吸引子，企业生长靠近该点。
• 当[math]\displaystyle{ \beta_L \lt 1 }[/math]时，[math]\displaystyle{ \frac{d^2t}{dA^2}\lt 0 }[/math]，意味着此时奇异点是一个排斥子，企业规模远离该点。

右图展示了不同[math]\displaystyle{ \beta_L }[/math]取值情况的企业生长轨迹及其变化率的可视化图像

企业生长轨迹及其变化率和不同参数的关系

经济含义

对应到企业生长行为，也可以分成对应两种类型的生长阈值

• 当[math]\displaystyle{ \beta_L \gt 1 }[/math]时，由于此时奇点是一个吸引子，意味着小于规模奇点[math]\displaystyle{ A^* }[/math]的企业可以持续增长，而大于规模奇点[math]\displaystyle{ A^* }[/math]的企业则表现为衰退，此时奇点[math]\displaystyle{ A^* }[/math]是一个生长上限。
• 而当[math]\displaystyle{ \beta_L \lt 1 }[/math]时，由于此时奇点是一个排斥子，意味着大于规模奇点[math]\displaystyle{ A^* }[/math]的企业可以持续增长，而小于规模奇点[math]\displaystyle{ A^* }[/math]的企业则表现为衰退，此时奇点[math]\displaystyle{ A^* }[/math]是一个生长门槛。