5D Library › 规模法则、异速生长与组织新陈代谢的统计物理 · English
第四章 企业的死亡率:恒定风险、半衰期与行政管理费
公司会不会「老死」
韦斯特在 2017 年的《规模》一书中提出:城市的社会经济产出超线性增长,所以城市很少消亡;公司的许多指标却近似线性甚至亚线性,更像第二章的生物,维护成本最终吞噬增长,所以公司会停滞并「死亡」(West 2017)。这是一个有启发性的类比,但它包含两个需要分开检验的命题:上市公司退出的风险是否随年龄变化?行政与协调成本是否随规模超线性增长并拖垮大公司?
证据
上市公司的死亡率。 达普、汉密尔顿、韦斯特与贝滕科特 2015 年用 Compustat 数据库中 1950—2009 年间超过 25,000 家北美上市公司的记录界定「出生」(进入数据库)与「死亡」(从数据库中消失),发现上市公司的死亡率在很长的观察期内近似为恒定风险,与公司的年龄无关;典型的半衰期约为十年,各行业相近。他们特别指出,公司「死亡」最常见的原因是被收购与合并,而不是破产清算 (Daepp et al. 2015)。韦斯特在《规模》第九章「走向公司科学」中给出的数字是 1950—2009 年间在美国市场交易过的 28,853 家公司、半衰期约 10.5 年 (West 2017)。
这与组织社会学中「新生劣势」的经典发现不同:弗里曼、卡罗尔与汉南 1983 年在工会、报社与半导体企业的样本中发现,组织的死亡率随年龄下降 (Freeman et al. 1983)。两者的样本差别很大:上市公司已经度过了创业期,并且「死亡」包括被收购;而新生劣势的研究包括从成立第一天起的组织。下面的程序还会显示,即使每家公司的风险都不随年龄变化,人群的风险也可能随年龄下降。
证据
规模与波动。 斯坦利等人 1996 年分析美国制造业上市公司,发现公司年增长率的标准差随公司规模按幂律下降,指数约为 0.15:大公司的增长更平稳 (Stanley et al. 1996)。阿克斯特尔 2001 年用美国全部企业的普查数据显示,企业规模的分布接近齐普夫分布 (Axtell 2001)。第 20 本讨论过幂律分布的来历,这里只作引述。
生存分析的工具
推导
设公司从上市起的存续时间为 。生存函数 ,风险函数 是活到 的公司在下一瞬间退出的速率。若 恒定,则 ,半衰期为 ;年龄不改变风险,这就是「不会老死」的数学含义。威布尔分布 把这种情形推广 (Weibull 1951):形状参数 表示风险随年龄上升(老化), 表示下降, 即恒定风险。观察窗口结束时仍存续的公司只知道「至少活了这么久」,叫做右删失;卡普兰—迈耶估计 正确处理删失,其中 是 前仍在观察中的公司数、 是在 退出的数目 (Kaplan and Meier 1958)。
程序生成 20,000 家合成的上市公司(不是 Compustat 数据),上市时间均匀分布在 1950—2009 年,观察到 2009 年底;所有退出合计的风险恒定为 ,其中 60% 的退出是被收购(示意比例)。然后估计半衰期、分年龄段的风险与威布尔形状参数;再看「把被收购当作删失」时会得到什么;最后把两类各自风险恒定的公司(脆弱的每年 0.15、稳健的每年 0.03)混在一起。
# Survival analysis of SYNTHETIC listed firms (not Compustat data). 20,000 firms list at
# random times in 1950-2009 and are observed until the end of 2009 (right-censoring).
# Every exit (acquisition, merger, failure, other) has the same constant hazard
# ln 2 / 10.5 per year. The share of exits that are acquisitions (60 %) is ILLUSTRATIVE.
import math, random
rng = random.Random(2015)
LAM = math.log(2) / 10.5
def kaplan_meier(data):
"""data: list of (time, event 1/0). Returns list of (time, S(t)) at event times."""
data = sorted(data); n, s, out, i = len(data), 1.0, [], 0
while i < len(data):
t, d, c = data[i][0], 0, 0
while i < len(data) and data[i][0] == t:
d += data[i][1]; c += 1; i += 1
if d: s *= 1 - d / n; out.append((t, s))
n -= c
return out
def median(km):
return next(t for t, s in km if s <= 0.5)
def weibull_shape(data):
"""Censored-data MLE of the Weibull shape k (profile likelihood, bisection)."""
ev = [t for t, d in data if d]; D = len(ev); sl = sum(math.log(t) for t in ev)
def score(k):
tk = [t ** k for t, _ in data]
s = sum(a * math.log(t) for a, (t, _) in zip(tk, data))
return D / k + sl - D * s / sum(tk)
lo, hi = 0.2, 5.0
for _ in range(50):
mid = (lo + hi) / 2
lo, hi = (mid, hi) if score(mid) > 0 else (lo, mid)
return (lo + hi) / 2
def firms(hazards):
out = []
for _ in range(20000):
lam = rng.choice(hazards); entry = rng.uniform(1950, 2010)
life, window = rng.expovariate(lam), 2010 - entry
out.append((min(life, window), int(life <= window), life <= window
and rng.random() < 0.6, entry))
return out
def hazard_by_age(data, bands=((0, 5), (5, 10), (10, 20), (20, 40))):
res = []
for lo, hi in bands:
exposure = sum(min(t, hi) - lo for t, _ in data if t > lo)
events = sum(d for t, d in data if lo < t <= hi)
res.append(events / exposure)
return res
if __name__ == "__main__":
f = firms([LAM]); data = [(t, d) for t, d, _, _ in f]
km = kaplan_meier(data)
print(f"constant hazard: {sum(d for _, d in data)} exits among 20,000 firms;"
f" KM half-life {median(km):.1f} years (true 10.5)")
print(" hazard by age 0-5, 5-10, 10-20, 20-40 years: "
+ ", ".join(f"{h:.3f}" for h in hazard_by_age(data))
+ f" (true {LAM:.3f})")
print(f" Weibull shape k = {weibull_shape(data):.2f} (k = 1: no ageing)")
fail = [(t, 1 if d and not acq else 0) for t, d, acq, _ in f]
print(f"if acquisitions are treated as censored, 'failure half-life' ="
f" {median(kaplan_meier(fail)):.1f} years")
old = [x for x in f if x[3] <= 1990] # firms with a full 20-year window
fl = sum(1 for t, d, acq, _ in old if d and not acq and t <= 20) / len(old)
ex = sum(1 for t, d, _, _ in old if d and t <= 20) / len(old)
print(f" firms listed by 1990: within 20 years {ex:.1%} exited, {fl:.1%} failed")
mix = firms([0.15, 0.03]); dm = [(t, d) for t, d, _, _ in mix]
print("mixture of fragile (0.15/yr) and robust (0.03/yr) firms, each constant:")
print(" pooled hazard by age: " + ", ".join(f"{h:.3f}" for h in hazard_by_age(dm))
+ f"; Weibull k = {weibull_shape(dm):.2f}")
# constant hazard: 15072 exits among 20,000 firms; KM half-life 10.5 years (true 10.5)
# hazard by age 0-5, 5-10, 10-20, 20-40 years: 0.067, 0.065, 0.067, 0.067 (true 0.066)
# Weibull shape k = 0.99 (k = 1: no ageing)
# if acquisitions are treated as censored, 'failure half-life' = 26.0 years
# firms listed by 1990: within 20 years 73.8% exited, 28.9% failed
# mixture of fragile (0.15/yr) and robust (0.03/yr) firms, each constant:
# pooled hazard by age: 0.081, 0.064, 0.048, 0.035; Weibull k = 0.81在删失之下,卡普兰—迈耶估计正确恢复了 10.5 年的半衰期;四个年龄段的风险都在 0.065 到 0.067 之间,威布尔 。这正是达普等人报告的模式。
接下来的两行说明「退出」与「死亡」的区别。若把被收购的公司当作删失,只数破产清算,得到的「破产半衰期」是 26.0 年;但这个数字描述的是一个没有收购的假想世界。在 1990 年前上市、有完整 20 年观察窗口的公司中,20 年内 73.8% 退出了,其中真正破产清算的只有 28.9%。所以「上市公司的半衰期约十年」不能说成「一半的公司十年内倒闭」:被收购的公司,其业务、员工与品牌常常继续存在。
最后一行是一个统计陷阱。两类公司各自的风险都不随年龄变化,但混在一起后,人群的风险从 0.081 降到 0.035,威布尔 ,看起来像「越老越安全」。原因是脆弱的公司先退出,留下来的越来越多是稳健的。所以风险随年龄下降,既可能是组织在学习,也可能只是筛选。
行政管理费与存活:一个示意模型
推导
下面是一个示意模型,不是估计。一家 人的公司在扣除行政与协调成本之前有 20% 的利润率;行政与协调成本占营收的比例为 ,即总成本随 增长。利润率每年还受到一个随机冲击,标准差为 (大公司更平稳,指数借自斯坦利等人关于增长率的结果,用于利润是一个假设)。累计亏损超过半年营收时公司退出。比较 20 年存活率随规模与 的变化。
# A SCHEMATIC model (not an estimate) of firm size, administrative overhead and survival.
# A firm of N people earns a margin of 20 % before overhead; overhead takes a share
# s(N) = 0.05 (N/10)^delta of revenue, i.e. total overhead grows as N^(1 + delta). Each
# year the profit rate also gets a shock with SD 0.5 N^(-0.15) (larger firms are steadier;
# the exponent is borrowed from the growth-rate study of Stanley et al. 1996). The firm
# exits when cumulative losses exceed a buffer of half a year's revenue. 20 years.
import random
rng = random.Random(1996)
def survival(N, delta, years=20, runs=4000, buffer=0.5):
margin = 0.20 - 0.05 * (N / 10) ** delta
sd = 0.5 * N ** -0.15
alive = 0
for _ in range(runs):
e = buffer
for _ in range(years):
e += margin + rng.gauss(0, sd)
if e < 0: break
else:
alive += 1
return margin, alive / runs
if __name__ == "__main__":
sizes = (10, 100, 1000, 10000, 100000)
print("overhead exponent delta | 20-year survival for N = "
+ ", ".join(f"{n:,}" for n in sizes))
for delta in (0.0, 0.10, 0.15, 0.20):
row = [survival(n, delta) for n in sizes]
print(f" {delta:.2f} survival " + " ".join(f"{s:6.1%}" for _, s in row))
print(" margin " + " ".join(f"{m:+6.2f}" for m, _ in row))
# overhead exponent delta | 20-year survival for N = 10, 100, 1,000, 10,000, 100,000
# 0.00 survival 82.3% 95.5% 99.6% 100.0% 100.0%
# margin +0.15 +0.15 +0.15 +0.15 +0.15
# 0.10 survival 83.1% 93.8% 99.1% 100.0% 100.0%
# margin +0.15 +0.14 +0.12 +0.10 +0.07
# 0.15 survival 82.5% 92.7% 97.9% 98.9% 83.9%
# margin +0.15 +0.13 +0.10 +0.06 +0.00
# 0.20 survival 81.0% 92.0% 95.0% 70.7% 0.0%
# margin +0.15 +0.12 +0.07 +0.00 -0.12时,行政成本与人数成正比,规模只带来好处:10 人公司 20 年存活 82.3%,1,000 人以上接近 100%,小公司主要死于波动。 时,10 万人的公司利润率被行政成本吃到接近 0,存活率从 1 万人时的 98.9% 降到 83.9%; 时,1 万人的公司已降到 70.7%,10 万人的公司利润率为 −0.12,全部退出。于是存活率随规模先升后降:小公司死于波动,大公司死于协调成本。转折点的位置完全取决于 ,而真实企业的 是多少,本书没有可靠的估计。
假说 · 尚未验证
协调成本超线性假说(尚未确立)。作者推测,在同一行业内,管理、行政与内部协调支出随员工数增长的指数大于 1(),并且 较大的公司在随后十年中因经营困难(不含被溢价收购)退出的风险较高。如果在事先登记的公司面板数据中,这一指数的 95% 置信区间上限不超过 1,或者 与随后的困难退出无关,这一假说就被推翻。
本章小结
上市公司的退出风险近似恒定、与年龄无关,半衰期约十年;但「退出」大多是被收购与合并,不等于倒闭。生存分析需要正确处理删失与竞争风险,人群中的异质性还会制造出「越老越安全」的假象。示意模型显示,若行政协调成本随规模超线性增长,存活率会随规模先升后降,转折点完全由这一指数决定。下一章从企业缩小到团队:人越多,每个人的产出是否越少?
参考文献
Fan, Y. (2026). Scaling Laws, Allometric Growth and the Statistical Physics of Organisational Metabolism: From Kleiber's Three-Quarter Power Law and Fractal Supply Networks to the Mortality of Firms, Read Beside Classical Chinese Organisational Thought [规模法则、异速生长与组织新陈代谢的统计物理] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23788553 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).