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 TT。生存函数 S(t)=P(T>t)S(t) = P(T > t),风险函数 h(t)h(t) 是活到 tt 的公司在下一瞬间退出的速率。若 h(t)=λh(t) = \lambda 恒定,则 S(t)=e−λtS(t) = e^{-\lambda t},半衰期为 ln⁡2/λ\ln 2/\lambda;年龄不改变风险,这就是「不会老死」的数学含义。威布尔分布 S(t)=e−(t/θ)kS(t) = e^{-(t/\theta)^k} 把这种情形推广 (Weibull 1951):形状参数 k>1k > 1 表示风险随年龄上升(老化),k<1k < 1 表示下降,k=1k = 1 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 Ŝ(t)=∏ti≤t(1−di/ni)\hat S(t) = \prod_{t_i \le t} (1 – d_i/n_i) 正确处理删失,其中 nin_i 是 tit_i 前仍在观察中的公司数、did_i 是在 tit_i 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 ln⁡2/10.5\ln 2 / 10.5,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 k=0.99k = 0.99。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 k=0.81k = 0.81,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 NN 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 s(N)=0.05(N/10)δs(N) = 0.05 (N/10)^{\delta},即总成本随 N1+δN^{1+\delta} 增长。利润率每年还受到一个随机冲击,标准差为 0.5N−0.150.5 N^{-0.15}(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 δ\delta 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

δ=0\delta = 0 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。δ=0.15\delta = 0.15 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%;δ=0.20\delta = 0.20 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 δ\delta,而真实企业的 δ\delta 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(δ>0\delta > 0),并且 δ\delta 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 δ\delta 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

Axtell, Robert L. 2001. “Zipf Distribution of U.S. Firm Sizes.” Science 293 (5536): 1818–20. https://doi.org/10.1126/science.1062081.
Daepp, Madeleine I. G., Marcus J. Hamilton, Geoffrey B. West, and Luı́s M. A. Bettencourt. 2015. “The Mortality of Companies.” Journal of the Royal Society Interface 12 (106): 20150120. https://doi.org/10.1098/rsif.2015.0120.
Freeman, John, Glenn R. Carroll, and Michael T. Hannan. 1983. “The Liability of Newness: Age Dependence in Organizational Death Rates.” American Sociological Review 48 (5): 692–710. https://doi.org/10.2307/2094928.
Kaplan, Edward L., and Paul Meier. 1958. “Nonparametric Estimation from Incomplete Observations.” Journal of the American Statistical Association 53 (282): 457–81. https://doi.org/10.1080/01621459.1958.10501452.
Stanley, Michael H. R., Luı́s A. N. Amaral, Sergey V. Buldyrev, et al. 1996. “Scaling Behaviour in the Growth of Companies.” Nature 379 (6568): 804–6. https://doi.org/10.1038/379804a0.
Weibull, Waloddi. 1951. “A Statistical Distribution Function of Wide Applicability.” Journal of Applied Mechanics 18 (3): 293–97. https://doi.org/10.1115/1.4010337.
West, Geoffrey B. 2017. Scale: The Universal Laws of Growth, Innovation, Sustainability, and the Pace of Life in Organisms, Cities, Economies, and Companies. Penguin Press.

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).