453
个编辑
更改
→企业增长模型
* 资产与销售额的亚线性标度：研究发现，企业的销售额（$S$）与总资产（$A$）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：
* 资产与销售额的亚线性标度：研究发现，企业的销售额（$S$）与总资产（$A$）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 $\beta$ 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（Zhang et al., 2022）。
* 负债与资产的标度关系：负债（$L$）与资产（$A$）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：
* 负债与资产的标度关系：负债（$L$）与资产（$A$）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（Zhang et al., 2022）。
* 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）。
* 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，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。
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 $S_t$ 是企业在时间 $t$ 的规模，$g_t$ 是其增长率，则：
* 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 $S_t$ 是企业在时间 $t$ 的规模，$g_t$ 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 $g_t$ 的分布独立于 $S_t$。
* 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。
* 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（Santarelli et al., 2006）。
* 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（Santarelli et al., 2006）。
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。
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）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：
* 增长率的幂律分布：Stanley 等人（1996）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 $g$ 是增长率，$\alpha$ 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。
* 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 $\sigma(S)$ 是规模为 $S$ 的公司的增长率标准差，$\beta'$ 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（Stanley et al., 1996）。
### 企业死亡率
### 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。
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）$h(t)$ 近似为常数：
* 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）$h(t)$ 近似为常数：
** [math]\displaystyle{ h(t) \approx \lambda }[/math]
** 其中 $t$ 是公司年龄，$\lambda$ 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（Daepp et al., 2015）。
* 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（Daepp et al., 2015）。
* “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（Daepp et al., 2015）。
* “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（Daepp et al., 2015）。
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。
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。
==网络社区==
===活跃度与规模的超线性增长===
传统的观点认为，在线活动的总体规模与活跃用户数量呈线性关系。然而，近期研究发现，在许多网络社区中，总活动量（[math]T[/math]）与活跃人口（[math]P[/math]）之间存在着超线性（super-linear）的幂律关系，即：
[math]\displaystyle{ T \propto P^\gamma }[/math]
其中，指数 γ>1。这种现象被称为“加速增长”（accelerating growth），意味着随着网络社区活跃用户数量的增加，其总活动量会以更快的速度增长。这一规律在多种在线活动中被观察到，包括微博（micro-blogging）、新闻投票（news voting）和照片标记（photo tagging）等。
例如，一项研究对新浪微博的数据分析发现，用户的平均关注者数量、总互动（转发、评论等）以及每日发帖量均随活跃用户数量呈现超线性增长。这一发现与城市中的创新和财富创造的超线性规模法则具有异曲同工之处，暗示了在线互动网络中也存在类似“集聚效应”和“回报递增”的机制。
===加速增长与规模依赖分布===
加速增长的规模法则不仅体现在总活动量的超线性增长上，还与集体人类活动中一种特定的“规模依赖分布”（size-dependent distribution）变化模式相关联。这意味着，随着社区规模的扩大，在线活动（例如，某个特定标签的使用频率、某个话题的讨论热度）的分布模式也会发生系统性变化。
这种规模依赖的分布变化表明，大型网络社区在某些方面的行为可能与小型社区截然不同，不仅仅是简单的线性放大。这可能反映了在更大社区中，信息传播、协同工作或注意力的分配机制发生了质的变化，从而导致了更高的效率或更集中的活动。
= 网络模型的解释 =
= 网络模型的解释 =