5D Library

第四章 迭代速度的控制论：反馈延迟、增益与交易成本

5D Library › 跨文化契约、实物期权与东南亚出海博弈论 · English

第四章 迭代速度的控制论：反馈延迟、增益与交易成本

快，是一种能力

许多在东南亚工作的人都注意到，中国团队的一个突出特点是快：决策快、上线快、调整快。一个活动今天效果不好，明天就换素材；一个渠道这周不出量，下周就换渠道。本地同事有时佩服，有时疲惫。

注

一个词语上的说明。 本书最初的设想用印尼语 karna cepat 形容这种速度。核对后发现，karena（口语常写作 karna）意为「因为」，cepat 意为「快」，karena cepat 只是「因为快」的普通说法，并不是一个已有的商业术语。印尼口语中形容行动迅速的常见说法是 gercep（gerak cepat 的缩略）。本书不使用最初设想中的说法，只说「快」。

快为什么是优势？什么时候快反而是代价？控制论提供了一个清晰的框架：把一个团队看作一个反馈控制回路。它观察市场（传感器），比较观察结果与目标的差距（误差），按一定的力度调整自己的做法（增益），然后再观察。回路有两个关键参数 (Åström and Murray 2008)：

  • 延迟 τ\tau：从市场发生变化，到团队的调整真正落地，中间隔了多久。它包括报表周期、层层审批和执行准备。
  • 增益 kk：每次看到差距后，调整多大幅度。增益为 1 意味着看到多少差距就一次补齐；增益为 0.2 意味着每次只补五分之一。

追踪一个移动的目标

在一个变化很快的市场里，最优的做法（价格、产品组合、主推信息）本身在漂移。团队要做的不是找到一个最优解然后停下，而是持续追踪一个移动的最优解。

推导

最优做法每周像随机游走一样漂移（每周步长标准差为 1）；团队看到的市场数据带有噪声（标准差为 2）；每次调整依据的是 τ\tau 周以前的数据。比较不同延迟与增益下的追踪误差。对于这种带延迟的修正规则，离散时间控制理论给出了一个稳定性条件：增益必须小于 2sin⁡(π/(2(2τ+1)))2\sin\!\big(\pi / (2(2\tau+1))\big)，否则误差会越来越大。

# Iteration speed as a control problem. The best offer for a market (price point, product mix,
# message) drifts like a random walk (step SD 1 per week). The team sees the market with noise
# (SD 2) and corrects its position by gain k times the gap it saw, but decisions act on data that
# are tau weeks old (reporting cycle + approval chain). Root-mean-square tracking error over
# 4,000 weeks, averaged over 20 runs; 'unstable' means the error grew without bound.
import math, random

def rms(k, tau, weeks=4000, runs=20):
    tot = 0.0
    for seed in range(runs):
        rng = random.Random(seed)
        target = 0.0; xs = [0.0] * (tau + 1); seen = [0.0] * (tau + 1); err2 = 0.0
        for t in range(weeks):
            target += rng.gauss(0, 1)
            seen.append(target + rng.gauss(0, 2))
            x = xs[-1] + k * (seen[-1 - tau] - xs[-1 - tau])
            xs.append(x)
            if abs(x - target) > 1e6: return float("inf")
            if t > 200: err2 += (x - target) ** 2
        tot += math.sqrt(err2 / (weeks - 201))
    return tot / runs

print("delay (weeks) |  gain 0.1  gain 0.2  gain 0.4  gain 0.6  gain 0.9  gain 1.2")
for tau in (0, 1, 2, 4, 8):
    cells = []
    for k in (0.1, 0.2, 0.4, 0.6, 0.9, 1.2):
        e = rms(k, tau)
        cells.append("unstable" if e == float("inf") or e > 200 else f"{e:8.1f}")
    print(f"{tau:13d} | " + "  ".join(f"{c:>8s}" for c in cells))
# Stability limit for x_{t+1} = x_t - k x_{t-tau}: k < 2 sin(pi / (2 (2 tau + 1)))
print("largest stable gain:", ", ".join(f"tau {tau}: {2 * math.sin(math.pi / (2 * (2 * tau + 1))):.2f}"
                                       for tau in (0, 1, 2, 4, 8)))
# delay (weeks) |  gain 0.1  gain 0.2  gain 0.4  gain 0.6  gain 0.9  gain 1.2
#             0 |      2.1       1.5       1.2       1.4       1.8       2.5
#             1 |      2.2       1.7       1.7       2.3       5.4  unstable
#             2 |      2.4       2.0       2.5       9.2  unstable  unstable
#             4 |      2.7       2.7  unstable  unstable  unstable  unstable
#             8 |      3.6  unstable  unstable  unstable  unstable  unstable
# largest stable gain: tau 0: 2.00, tau 1: 1.00, tau 2: 0.62, tau 4: 0.35, tau 8: 0.18
追踪误差随修正增益的变化（不同的反馈延迟）。虚线为各延迟下的稳定性上限：超过它，团队的调整会越来越剧烈地来回摆动。

这张表说明了三件事。

第一，缩短延迟是有价值的。在同样的增益 0.2 下，延迟从 0 增加到 4 周，追踪误差从 1.5 增加到 2.7；延迟 8 周时，增益 0.2 已经超过稳定上限，团队陷入越来越大的摆动。在这个意义上，中国团队压缩审批链条、缩短报表周期的做法，确实是在提高追踪能力。

第二，快不只是延迟短，还包括增益合适。在没有延迟时，最好的增益约为 0.4（误差 1.2）；增益提高到 1.2，误差反而翻倍（2.5），因为团队在追逐数据中的噪声。

第三，也是最重要的：延迟与增益必须匹配。延迟 1 周时，增益不能超过 1；延迟 2 周时，不能超过 0.62；延迟 4 周时，只有 0.35。一个习惯了国内短链条、高增益打法的团队，进入一个审批链条更长的跨国结构（本地团队周报、区域双周会、总部审批），如果仍然保持同样的修正力度，就会出现典型的振荡：上个月加码，这个月砍掉，下个月又加码。本地合伙人看到的「朝令夕改」，有一部分可能正是这种控制回路的失稳，而不是任何人的性格。

证据

艾森哈特对美国微型计算机行业八家公司的研究发现，在「高速变化」的环境中，决策更快的公司并不是靠少收集信息，而是使用更多的实时信息、同时考虑更多的备选方案、并依靠经验丰富的顾问；这些公司的业绩也更好 (Eisenhardt 1989)。这与控制论的看法一致：「快」的关键是缩短从信号到行动的延迟，而不是加大每一次的反应幅度。

转向的代价：品牌资产

上面的模型假定，改变做法本身没有成本。在许多市场中，这并不成立。顾客对一个品牌的认识需要时间累积：凯勒把这种累积称为基于顾客的品牌资产，它来自顾客记忆中对品牌的认知和联想 (Keller 1993)。每一次明显的转向（换定位、换主推信息、换形象），都可能部分抹去已经积累的认知。

推导

最优定位缓慢漂移；每月的销售数据带有较大噪声。月收入 =（基础 + 品牌资产）× 契合度。品牌资产每月增长 1、保留 97%，但每次重新定位都会按调整幅度抹去一部分，抹去的比例由参数 ww 决定：ww 接近 0，是纯效果广告类的品类；ww 较大，是顾客买的是信誉与信任的品类（高端消费品、母婴、健康、金融、面向企业的服务）。比较五种策略：追逐（直接跳到上个月数据显示的位置）、平滑 20%、平滑 5%、阶梯（在后台持续估计，偏离超过一定幅度时才一次性调整）、冻结（从不调整）。

# When fast turning costs more than it gains: positioning changes erode accumulated brand assets.
# The best positioning drifts slowly (random walk, step SD 0.3 per month); monthly sales data show it
# with noise (SD 2). Revenue each month = (base + brand stock) * fit, where fit = exp(-gap^2 / 8)
# for the gap between the firm's positioning and the true optimum. Brand stock grows by 1 a month
# and keeps 97 % of itself, but each month's repositioning |dx| destroys a share min(1, w * |dx|).
# w measures how much the market rewards consistency: near 0 for pure performance-marketing
# categories, larger where customers buy reputation (premium, trust-heavy or relationship goods).
# Policies: chase (jump to last month's noisy reading); smooth 20 % or 5 % (move that share of the
# way: an exponential filter); step (keep a 10 % filtered estimate in the background and reposition
# to it only when it has moved more than 1.5 away - change rarely, in planned steps); freeze (never
# move). 600 months x 30 runs.
import math, random

def run(policy, w, months=600, runs=30):
    total = 0.0
    for seed in range(runs):
        rng = random.Random(seed)
        opt = x = brand = est = 0.0
        for t in range(months):
            opt += rng.gauss(0, 0.3)
            seen = opt + rng.gauss(0, 2)
            est += 0.1 * (seen - est)
            new = {"chase": seen, "smooth 20%": x + 0.2 * (seen - x), "smooth 5%": x + 0.05 * (seen - x),
                   "step": est if abs(est - x) > 1.5 else x, "freeze": x}[policy]
            brand = (0.97 * brand + 1.0) * (1 - min(1.0, w * abs(new - x)))
            x = new
            total += (5 + brand) * math.exp(-(x - opt) ** 2 / 8)
    return total / (months * runs)

POL = ("chase", "smooth 20%", "smooth 5%", "step", "freeze")
print("value of consistency w |  " + "  ".join(f"{p:>10s}" for p in POL) + "   (mean monthly revenue)")
for w in (0.0, 0.05, 0.2, 0.5):
    print(f"{w:22.2f} |  " + "  ".join(f"{run(p, w):10.1f}" for p in POL))
# value of consistency w |       chase  smooth 20%   smooth 5%        step      freeze   (mean monthly revenue)
#                   0.00 |        25.9        34.1        32.8        32.0        13.9
#                   0.05 |         8.1        23.6        29.3        30.5        13.9
#                   0.20 |         4.6        13.5        22.6        26.6        13.9
#                   0.50 |         3.9         8.6        16.0        21.1        13.9

当品牌资产不重要时（w=0w = 0），平滑 20% 的策略最好；直接追逐数据反而更差，因为数据里的噪声太大。品牌资产越重要，最好的策略越倾向于少调整、按阶梯调整：w=0.2w = 0.2 时阶梯策略的收入（26.6）是追逐策略（4.6）的近六倍。冻结策略在任何情况下都不是最好的：完全不调整，最终会被市场的漂移甩开。

这给「快速迭代」加上了一个重要的条件：在需要长期积累品牌资产的市场里，最好的速度是「后台快、前台稳」。数据的收集和分析可以每天进行，但对顾客可见的定位调整应当少而有计划，最好事先与合作伙伴约定在什么条件下调整，这又回到了第二章与第三章的结论。

交易成本：为什么不是每件事都要谈

威廉姆森的交易成本经济学从另一个角度解释了同样的现象 (Williamson 1985)。一笔交易应该用市场、合同还是企业内部的层级来组织，取决于三个特征：资产专用性（为这笔交易做的投资离开这笔交易后还值多少）、不确定性和交易频率。专用性越高、不确定性越大、交易越频繁，就越值得用更紧密的治理结构（长期合同、合资乃至一体化）来保护各方的投资，并减少每一次重新谈判的成本。

用这个框架看跨国合作中的「快」：如果每一次调整都需要重新谈判（重新开会、重新确认权责、重新解释理由），那么高频调整的交易成本会迅速累积，消耗合作方的耐心。第三章的书面里程碑与剩余控制权安排，在交易成本的语言里，就是把高频的调整从「谈判」变成「执行」：事先谈好一次规则，以后的调整只需照规则执行，不必每次重谈。

假说 · 尚未验证

延迟–增益错配假说（尚未确立）。跨国合作中被合伙人描述为「朝令夕改」的情形，有相当一部分发生在总部沿用国内习惯的调整力度、而跨国结构使信号到行动的延迟明显变长之后。可以检验的推论是：在其他条件相近时，同一家企业的海外项目中，总部审批层级越多的项目，月度预算或主推产品方向的反复程度越高。如果审批延迟与反复程度无关，这一假说就被削弱。

本章小结

控制论把「快」拆成两个量：延迟与增益。缩短延迟几乎总是有利的；增益则必须与延迟匹配，否则团队会在跨国结构中来回振荡。在需要积累品牌资产的市场中，最好的节奏是后台快、前台稳。交易成本经济学补充说：事先谈好调整规则，能把高频调整的成本降到最低。下一章转向一个更宏观的问题：东南亚各国之间、以及它们与中国之间，制度距离究竟有多大？

参考文献

Åström, Karl Johan, and Richard M. Murray. 2008. Feedback Systems: An Introduction for Scientists and Engineers. Princeton University Press.
Eisenhardt, Kathleen M. 1989. “Making Fast Strategic Decisions in High-Velocity Environments.” Academy of Management Journal 32 (3): 543–76.
Keller, Kevin Lane. 1993. “Conceptualizing, Measuring, and Managing Customer-Based Brand Equity.” Journal of Marketing 57 (1): 1–22.
Williamson, Oliver E. 1985. The Economic Institutions of Capitalism. Free Press.

Fan, Y. (2026). Cross-Cultural Contracts, Real Options and Game Theory of Southeast Asian Market Entry: Relational Contracting, Optimal Stopping Thresholds and Institutional Distance, Read Beside the Art of War [跨文化契约、实物期权与东南亚出海博弈论] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23753261 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).