5D Library › 规模法则、异速生长与组织新陈代谢的统计物理 · English
第六章 控制跨度、管理层级与邓巴数
层级的账目
一个团队长大以后,通常的做法是增加层级:每位管理者带若干人,管理者之上再有管理者。每位管理者直接领导的人数叫做控制跨度。若跨度为 、共有 级,最底层就有 人,全组织共 人。层级使沟通通道从全员两两相连的 条降到约 条,代价是信息要经过多级传递,每一级的管理者也要付薪。
证据
西蒙论高管薪酬。 西蒙 1957 年讨论为什么大公司的高管薪酬更高。他的模型是:组织是跨度大致固定的金字塔,每一级的薪酬是下一级的固定倍数;于是公司越大层级越多,最高层的薪酬随公司规模按幂律增长,增长的指数由跨度与级间薪酬倍数共同决定,而不需要假设大公司高管的「边际产出」更高 (Simon 1957)。
证据
威廉姆森的控制损失。 威廉姆森 1967 年在同样的金字塔中加入控制损失:每一级只能把上级意图的一部分 ()落实下去。他证明在这种情况下最优的层级数是有限的,从而企业的最优规模有上限;当控制损失消失()时,这一上限也随之消失 (Williamson 1967)。
推导
按威廉姆森的设定写一个简化版本:跨度 ,第 级有 人,薪酬为 (西蒙的级间倍数 );最底层每人的产出为 ;净收入为 减去薪酬总额与每位生产者的非薪酬成本 。把上面各级的薪酬摊到每位生产者头上,每位生产者的总成本约为 。于是净收入约为 。把 当作连续变量求导并令其为零,得到一阶条件 ,即 去掉第二项,就是最底层收支打平的层级 ,它是规模的上界而不是最优。程序取示意值 、、、、,逐一比较不同层级数的净收入;最后计算西蒙模型中最高层薪酬对规模的弹性 。
# Hierarchy, control loss and firm size, in the set-up of Williamson (1967): span of
# control s, n levels (level 1 = top), s^(i-1) people at level i, wage w0 * b^(n-i) at
# level i (Simon 1957: pay rises by a factor b per level). Each level passes on only a
# fraction alpha of its superior's intentions, so output is theta (alpha s)^(n-1).
# Net revenue = P theta (alpha s)^(n-1) - wages - r s^(n-1). All numbers ILLUSTRATIVE:
# s = 6, b = 1.5, w0 = 1, r = 0.5, P theta = 3. Net revenue is about s^(n-1) times
# (P theta alpha^(n-1) - c); setting its derivative in n to 0 gives the first-order
# condition alpha^(n-1) = (c / P theta) ln s / ln(alpha s).
import math
S, B, W0, R, PT = 6, 1.5, 1.0, 0.5, 3.0
COST = W0 + R + W0 * (B / S) / (1 - B / S) # cost per production worker, incl. bosses
def net(n, alpha):
wages = sum(W0 * B ** (n - i) * S ** (i - 1) for i in range(1, n + 1))
return PT * (alpha * S) ** (n - 1) - wages - R * S ** (n - 1)
def staff(n):
return sum(S ** (i - 1) for i in range(1, n + 1))
if __name__ == "__main__":
print(f"cost per production worker including the hierarchy above: {COST:.3f}")
print("alpha best n first-order n* break-even n staff at optimum fidelity")
for alpha in (0.80, 0.85, 0.90, 0.93, 0.95):
n = max(range(1, 40), key=lambda k: net(k, alpha))
foc = 1 + (math.log(COST / PT) + math.log(math.log(S) / math.log(alpha * S))
) / math.log(alpha)
even = 1 + math.log(COST / PT) / math.log(alpha)
print(f" {alpha:.2f} {n:2d} {foc:5.1f} {even:5.1f}"
f" {staff(n):12,d} {alpha ** (n - 1):.2f}")
print(f" 1.00 no limit: every production worker adds {PT - COST:.2f} net")
e = math.log(B) / math.log(S)
print(f"Simon: top pay ~ (firm size)^(ln b / ln s) = size^{e:.3f};")
print(f" a firm 10 times larger pays its top level {10 ** e:.2f} times more")
# cost per production worker including the hierarchy above: 1.833
# alpha best n first-order n* break-even n staff at optimum fidelity
# 0.80 2 2.6 3.2 7 0.80
# 0.85 3 3.4 4.0 43 0.72
# 0.90 5 5.1 5.7 1,555 0.66
# 0.93 7 7.2 7.8 55,987 0.65
# 0.95 10 10.0 10.6 12,093,235 0.63
# 1.00 no limit: every production worker adds 1.17 net
# Simon: top pay ~ (firm size)^(ln b / ln s) = size^0.226;
# a firm 10 times larger pays its top level 1.68 times more每位生产者连同上面的层级的成本为 1.833。 时最优为 5 级、1,555 人; 时为 10 级、约 1,209 万人; 时只有 2 级、7 人。一阶条件给出的 (5.1 与 10.0)与逐级比较的结果一致;收支打平的层级(5.7 与 10.6)多出约半级到一级,因为最后一级新增的人数最多,必须整体有利可图,而不只是让最后一个人收支打平。最优处从顶层到底层的信息保真度 都在 0.63 到 0.80 之间。若没有控制损失,每位生产者净赚 1.17,规模没有上限。
这个结果的意义不在于具体数字,而在于敏感度: 从 0.90 提高到 0.95,最优规模从一千多人跳到一千多万人。任何能减少逐级失真的东西(书面的标准、信息系统、可以独立运行的模块)都会极大地提高组织可行的规模。西蒙模型中,跨度为 6、级间倍数为 1.5 时,最高层薪酬对规模的弹性为 0.226:公司大 10 倍,最高层薪酬约高 1.68 倍。
证据
模块化与「镜像」。 西蒙 1962 年提出,复杂系统往往是近可分解的层级结构:子系统内部联系紧密、子系统之间联系稀疏,这样的结构更容易演化与维护 (Simon 1962)。帕纳斯 1972 年主张按「信息隐藏」划分软件模块,让每个模块对外只暴露接口 (Parnas 1972)。康威 1968 年指出,设计系统的组织会产出与自身沟通结构同构的设计,后人称之为康威定律 (Conway 1968)。麦科马克、鲍德温与鲁斯纳克 2012 年用成对比较检验了这一「镜像」假说:在他们的软件产品配对样本中,松散耦合的开源社区开发的产品都比紧密耦合的公司开发的同类产品更模块化,变更传播的潜在范围最多相差约八倍 (MacCormack et al. 2012)。
邓巴数及其争议
证据
社会脑假说与 150。 邓巴 1992 年发现,灵长类的新皮层比(新皮层与脑其余部分体积之比)可以预测群体大小 (Dunbar 1992)。他 1993 年用回归方程 代入人的新皮层比 4.1,得到预测的群体大小 147.8,95% 置信区间 100.2 到 231.1;并指出狩猎采集社会中常见三种规模:30—50 人的居住群、100—200 人的氏族或村落、500—2,500 人的部落 (Dunbar 1993)。希尔与邓巴 2003 年用圣诞贺卡名单估计社会网络大小,平均 153.5 人(只计直接联系的人为 124.9)(Hill and Dunbar 2003)。周炜星、索尔内特、希尔与邓巴 2005 年发现社会群体的大小呈分层结构,相邻层的比例约为 3,即常说的 5、15、50、150 (Zhou et al. 2005)。
证据
解构邓巴数。 林登福斯、瓦特尔与林德 2021 年用更新的灵长类数据与系统发育方法重新估计,贝叶斯方法给出的人类平均群体大小估计为 69 到 109,广义最小二乘法为 16 到 42,而 95% 区间分别宽达 4 到 520 与 2 到 336;他们的结论是,用这种方法给出任何一个数字都是徒劳的 (Lindenfors et al. 2021)。邓巴在 2021 年的回应文章中认为,当横轴(脑的测量)本身有误差时,普通最小二乘法会系统性低估斜率,应当用约化主轴回归;在同一数据上前者给出 71,后者给出 158;他还指出群体大小与脑的关系分为几个「等级」,应当用对应等级的方程,并列举了电话网络、军队编制与历史村落等多方面的证据 (Dunbar 2021)。
推导
第一部分代入邓巴的方程,并看新皮层比或斜率的小变化对预测的影响。第二部分构造一组合成的「灵长类」数据:36 个物种,新皮层比在 1.2 到 3.2 之间,按邓巴的直线加散布生成,且新皮层比的测量带有误差;分别用 OLS 与 RMA 拟合,再外推到数据范围之外的 4.1。第三部分计算分层大小的比例。
# Dunbar's number as an extrapolation. Part 1: Dunbar's (1993) equation
# log10 N = 0.093 + 3.389 log10 CR with the human neocortex ratio CR = 4.1. Part 2: a
# SYNTHETIC "primate" data set (36 species, CR 1.2 to 3.2, generated from Dunbar's line
# with scatter and with measurement error in CR) fitted by OLS and by RMA, then
# extrapolated to CR = 4.1, outside the range of the data. Part 3: the layer sizes.
import math, random
from statistics import mean, stdev, NormalDist
rng = random.Random(150)
def dunbar(cr, a=0.093, b=3.389):
return 10 ** (a + b * math.log10(cr))
if __name__ == "__main__":
print(f"CR = 4.1 -> N = {dunbar(4.1):.1f}; CR 3.9 / 4.3 -> {dunbar(3.9):.0f} /"
f" {dunbar(4.3):.0f}; slope 3.389 -/+ 10 % -> {dunbar(4.1, b=3.05):.0f} /"
f" {dunbar(4.1, b=3.728):.0f}")
xs_true = [math.log10(rng.uniform(1.2, 3.2)) for _ in range(36)]
xs = [x + rng.gauss(0, 0.04) for x in xs_true] # CR measured with error
ys = [0.093 + 3.389 * x + rng.gauss(0, 0.25) for x in xs_true]
mx, my = mean(xs), mean(ys)
sxy = sum((x - mx) * (y - my) for x, y in zip(xs, ys))
sxx = sum((x - mx) ** 2 for x in xs); syy = sum((y - my) ** 2 for y in ys)
b_ols = sxy / sxx; r = sxy / math.sqrt(sxx * syy); b_rma = b_ols / r
x0 = math.log10(4.1)
print(f"synthetic data: r = {r:.2f}; slope OLS {b_ols:.2f}, RMA {b_rma:.2f}"
f" (true 3.389)")
for lab, b in (("OLS", b_ols), ("RMA", b_rma)):
print(f" {lab} prediction at CR = 4.1: {10 ** (my + b * (x0 - mx)):.0f}")
res = [y - my - b_ols * (x - mx) for x, y in zip(xs, ys)]
s = stdev(res) * math.sqrt(35 / 34)
se = s * math.sqrt(1 + 1 / 36 + (x0 - mx) ** 2 / sxx)
z = NormalDist().inv_cdf(0.975); c = my + b_ols * (x0 - mx)
print(f" 95 % prediction interval for ONE species at CR = 4.1 (OLS):"
f" {10 ** (c - z * se):.0f} to {10 ** (c + z * se):.0f}")
layers = [5, 15, 50, 150, 500, 1500]
print("layers " + ", ".join(map(str, layers)) + "; ratios "
+ ", ".join(f"{b / a:.1f}" for a, b in zip(layers, layers[1:])))
# CR = 4.1 -> N = 147.8; CR 3.9 / 4.3 -> 125 / 174; slope 3.389 -/+ 10 % -> 92 / 238
# synthetic data: r = 0.77; slope OLS 2.83, RMA 3.68 (true 3.389)
# OLS prediction at CR = 4.1: 100
# RMA prediction at CR = 4.1: 172
# 95 % prediction interval for ONE species at CR = 4.1 (OLS): 24 to 419
# layers 5, 15, 50, 150, 500, 1500; ratios 3.0, 3.3, 3.0, 3.3, 3.0方程本身对输入很敏感:新皮层比取 3.9 或 4.3,预测为 125 或 174;斜率变化 ±10%,预测为 92 或 238。合成数据中,横轴的测量误差使 OLS 斜率从真实的 3.389 降到 2.83,RMA 斜率为 3.68,外推到 4.1 时分别预测 100 与 172,差别与邓巴所说的 71 对 158 方向相同。更重要的是,即使按 OLS 计算,单个物种在 4.1 处的 95% 预测区间也宽达 24 到 419。所以两方的分歧有一部分是方法之争(OLS 低估了有误差的斜率,RMA 又依赖关于两轴误差之比的假设),更根本的问题是:人的新皮层比在灵长类数据的范围之外,任何外推都伴随很宽的不确定性。
注
用于组织时。 「150 人」常被当作公司部门或社群的设计上限。即使邓巴数本身成立,它描述的是一个人能维持的稳定社会关系的数量,不是一个团队能有效协作的人数,也不是一个部门的最优规模。本章的结论是:控制损失与沟通成本确实会给组织规模设上限,但这个上限取决于 、跨度与任务的可分解程度,需要用组织自己的数据来估计,不能从灵长类的脑容量外推。
本章小结
跨度与层级把沟通通道从 量级降到 量级,代价是逐级失真与管理薪酬。西蒙的模型解释了高管薪酬随规模的幂律增长,威廉姆森的控制损失给出有限的最优层级,而最优规模对信息保真度极为敏感。近可分解的模块化结构是降低协调成本的经典办法。邓巴的 147.8 是一个区间很宽的外推,林登福斯等人的重新分析给出 4 到 520 的区间,邓巴则认为对方用错了回归方法;分层比例约为 3 的观察与 150 这个具体数字是两回事。下一章把这些现代研究与中国古代关于「治众」的文献并读。
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).