Elke onderneming, industrie en economische structuur draagt een inherente levensduur. Terwijl sommige instellingen door eeuwen heen doorstaan, bezwijkt de overgrote meerderheid voor marktverschuivingen, technologische veroudering, of systemische crises binnen decennia. De systematische studie van deze levensduur behoort tot het domein van overlevingsanalyse .Een statistisch kader ontwikkeld voor klinische proeven die een krachtige toepassing in de economische geschiedenis heeft gevonden. Door aanpassing technieken gebruikt om patiënten overleving model te analyseren om de sterfte van bedrijven en industrieën te analyseren, kunnen onderzoekers verder gaan dan anekdotische verhalen om de krachten van veerkracht en achteruitgang door de tijd strikt te kwantificeren.

De Stichtingen van Survival Analysis in Economische Geschiedenis

Van klinische proeven tot de levensduur van bedrijven

De conceptuele brug tussen geneeskunde en economische geschiedenis is minder lang dan het aanvankelijk lijkt. In een klinische proef, het "event" is typisch dood, ziekte recidief, of herstel. In de geschiedenis van de onderneming, de gebeurtenis is analoog: faillissement, ontbinding, sluiting, of een specifieke corporate actie zoals een overname die het onafhankelijke bestaan van de onderneming beëindigt. De centrale vraag blijft hetzelfde: welke factoren beïnvloeden de tijd tot het evenement plaatsvindt?

De traditionele economische geschiedenis is vaak gebaseerd op kwalitatieve verhalen of eenvoudige beschrijvende statistieken, waarbij het aantal bedrijven dat in een bepaald jaar niet heeft gewerkt, wordt geteld. De overlevingsanalyse biedt een dieper analytisch kader. Het is niet alleen een verantwoording voor []of een onderneming is mislukt, maar wanneer] het mislukt en hoe die timing betrekking heeft op covarianten zoals bedrijfsgrootte, sector, geografische locatie of macro-economische omstandigheden. Deze tijdelijke dimensie transformeert historische bedrijfsgegevens van statische archieven in dynamische datasets die patronen van kwetsbaarheid en uithoudingsvermogen kunnen onthullen.

Waarom historici kwantitatieve duurzaamheidmodellen nodig hebben

Historici hebben te maken met een fundamenteel probleem bij het bestuderen van bedrijfsfalen: de gegevens zijn inherent onvolledig en bevooroordeeld ten opzichte van overlevenden. Bedrijven die vroeg falen laten vaak weinig gegevens achter, terwijl succesvolle bedrijven uitgebreide archieven genereren. Standaard regressietechnieken die de tijdsorde van falen negeren en overlevingsstatus behandelen als een eenvoudige binaire uitkomst waardevolle informatie weggooien. Ze kunnen ook niet omgaan met gecensureerde waarnemingen[]......................................................... .... ..... .... ... .... .... ... ... ..... .... ... ... ... ... ... ..... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...

Kernbegrippen voor historische gegevens

Het bepalen van het evenement en de tijd Oorsprong

Elke overlevingsanalyse begint met een precieze definitie van twee elementen: de tijd-oorsprong en de Failure-gebeurtenis[. In de bedrijfsgeschiedenis kan de tijd-oorzaak de datum van oprichting, het begin van commerciële activiteiten of de toegang tot een specifieke markt zijn. De storingsgebeurtenis kan faillissement, liquidatie of een verandering in de controle door middel van overname zijn. De keuze van deze definities hangt sterk af van de onderzoeksvraag en de aard van de beschikbare historische gegevens. Bijvoorbeeld, een studie van textielfabrieken zou tijd-nul kunnen definiëren als het eerste jaar van productie en mislukking als het staken van productieactiviteiten, ongeacht of de onderneming wettelijk ontbonden is. Samenhang in deze definities is essentieel voor het maken van interpretatieve overlevingscurves.

De overlevingsfunctie en de gevarenfunctie

Twee fundamentele functies karakteriseren overlevingsprocessen.De overlevingsfunctie, die wordt aangeduid S[[t[], geeft de kans dat een onderneming na een bepaalde tijd overleeft t[. Het is een afnemende functie die begint bij 1 (alle bedrijven leven op tijd nul) en nadert 0 naarmate de tijd vordert (eindelijk alle bedrijven falen of vertrekken). De ]hazard functie [], aangeduid ]h[][] beschrijft de momentele mate van falen op tijd [[]t, afhankelijk van overleving tot dat punt. Een hoge gevarenratio in de vroege jaren van een onderneming legt het bekende verschijnsel van een hoge storing vast tussen start-ups, terwijl een hoger risico later dan de technologische

Voor de economische historicus, deze functies bieden intuïtieve en krachtige samenvattingen. Het inplannen van de overlevingsfunctie voor verschillende cohorten van bedrijven . , zoals die opgericht voor en na een grote wijziging van de regelgeving , openbaart duidelijk verschillen in levensduur . De gevarenfunctie identificeert kritieke perioden van kwetsbaarheid . Industrieën geconfronteerd met snelle technologische verstoring vaak een stijgende gevarenratio na een eerste periode van stabiliteit , die de trage maar versnellende daling van de gevestigde gevestigde bedrijven .

De kritieke kwestie van gecensureerde gegevens

Censoreren is de bepalende uitdaging van overlevingsgegevens, en het doordringt historische archieven. [Rechts-censoreren treedt op wanneer een bedrijf nog steeds actief is aan het einde van de observatieperiode. De volledige levensduur is onbekend, maar we weten dat het ten minste tot dat punt overleefde. Left-censoring[] ontstaat wanneer bedrijven werden opgericht voordat de dataverzamelingsperiode begint. Hun vroege worstelingen en potentiële vroege storingen ontbreken uit de record. []Interval-censoring[] treedt op wanneer we alleen weten dat er een storing is opgetreden tussen twee observatiepunten, zoals tussen decensionele tellingsjaren. Standaard statistische methoden die gecensureerde waarnemingen overslaan, produceren vooroordeelde resultaten. Survivalanalyse bevat gecensureerde gegevens direct in de waarschijnlijkheidsfunctie, waardoor onderzoekers maximale informatie kunnen extraheren uit onvolledige historische gegevens.

Methoden en historische gegevensbronnen

Kaplan-Meier-stimator

De Kaplan-Meier-schatmeter is de meest bekende niet-parametrische methode voor het schatten van de overlevingsfunctie van waargenomen gegevens. Het is een stapfunctie die daalt bij elke waargenomen storingstijd. Voor de economische historicus biedt het een eenvoudige manier om de overlevingservaringen van verschillende groepen te vergelijken. Men zou Kaplan-Meier-curves kunnen berekenen en plotten voor alle autofabrikanten die tussen 1900 en 1910 in de Verenigde Staten zijn gevestigd, waarbij die in Detroit worden vergeleken met die elders. Uit de visuele vergelijking blijkt onmiddellijk of er een significant overlevingsvoordeel bestond voor bedrijven in het opkomende industriële cluster. De log-ranktest levert een formele statistische test op voor verschillen tussen deze overlevingscurven.

Cox Evenredige gevaren Model

Het Kox proportionele gevarenmodel is het werkpaard van moderne overlevingsanalyse. Het stelt onderzoekers in staat het effect van meerdere covarianten op de gevarensnelheid te schatten zonder een specifieke parametrische vorm voor het basisrisico aan te nemen. Het model neemt de vorm aan van:

h(]t, X) = h[[0[(t]) exp([β1[X1 + ... + β]]n[[[[[[[]]]][

Voor de economische historicus betekent dit dat men het relatieve risico van falen in verband met een specifieke eigenschap kan schatten terwijl men de controle over andere factoren heeft. De output is een hazard ratio[. Een hazard ratio groter dan 1 duidt op een verhoogd risico van falen, terwijl minder dan 1 een beschermend effect aangeeft. Bijvoorbeeld, een studie van spoorwegondernemingen in de 19e eeuw zou kunnen vaststellen dat het hoofdkwartieren in een staat met hoge niveaus van overheidssubsidie het risico van falen verminderd met 30%, controle voor de omvang en de schuldniveaus van de onderneming. Het Cox model transformeert historische verhalen in testbare hypothesen en maakt een rigoureuze interpretatie mogelijk over de oorzaken van bedrijfssterfte.

Competentionele risico's en parametrische modellen

Historische bedrijfsstoringen zijn zelden homogeen. Een onderneming kan zich terugtrekken door faillissement (een mislukking van het bedrijfsmodel) of door overname (een succesvolle exit voor oprichters, hoewel de onderneming als onafhankelijke entiteit verdwijnt). Dit zijn concurrerende risico's. Standaard overlevingsanalyse kan acquisities censureren of behandelen als een verschillend type falen. [Het meten van risicomodellen[ laat onderzoekers toe om het oorzaakspecifieke gevaar voor elk type exit te schatten, waardoor een rijker beeld van het bedrijfslot wordt verkregen. Daarnaast parametrische modellen[ zoals de Weibull- of log-normale distributie kan worden gebruikt wanneer de vorm van de gevarenfunctie van theoretisch belang is, zodat onderzoekers kunnen testen of het risico van falen toeneemt, afneemt of constant blijft met de vaste leeftijd.

Data Provenance: Archieven, Financiële Records, en Registries

De toepassing van overlevingsanalyse op historische gegevens vereist het lokaliseren en digitaliseren van geschikte bronnen. Rijke datasets bestaan voor verschillende historische contexten:

  • Corporate Registries: De archieven van het Britse Companies House bevatten gegevens over incorporaties en ontbindingen die dateren uit het midden van de 19e eeuw.
  • Stock Exchange Listings: Historische handleidingen voor de New York Stock Exchange, London Stock Exchange, en andere beurzen bieden data van de notering en delusting, het aanbieden van een continue record van het bestaan van de onderneming.
  • Industriespecifieke directories: Handelspublicaties en -gidsen (bv. Lloyd's Register of Shipping, het Thomas Register of American Manufacturers) bieden uitgebreide lijsten van bedrijven in specifieke industrieën in de loop der tijd.
  • Censusgegevens: Economische tellingen, zoals de Amerikaanse Census van Manufacturen uitgevoerd vanaf 1820, vangen productie-instellingen en hun operationele status met tien jaar intervallen, met interval-gecensureerde overlevingsgegevens.

Deze bronnen vereisen zorgvuldige reiniging en standaardisatie, maar vormen de empirische basis voor een rigoureuze historische overlevingsanalyse.

Historische case studies

Banken Falen tijdens de Grote Depressie

De bank panics van 1930-1933 vertegenwoordigen een van de meest grondig geanalyseerde perioden in de financiële geschiedenis, en overlevingsanalyse is centraal geweest in het moderne inzicht in die crisis. Onderzoekers hebben overlevingscurves voor banken in Federal Reserve districten geconstrueerd, meten hoe factoren zoals de grootte van de activa, Federal Reserve lidmaatschap, en blootstelling aan landbouwleningen het onmiddellijke risico van falen beïnvloed. De Grote Depressie gegevens tonen duidelijk aan dat kleinere, niet-lid banken in agrarische regio's een gevarenratio orden van omvang hoger dan groter, stedelijke, ledenbanken. Dit kwantitatieve bewijs bevestigde historische verhalen over de kwetsbaarheid van kleine landelijke banken en gaf een strikte steun voor theorieën over de mechanica van financiële besmetting. De analyse toonde ook aan dat banken die de oorspronkelijke panics van 1930-1931 overleefden niet noodzakelijkerwijs veiliger werden geworden .

Technologische verplaatsing: kanalen, spoorwegen en de Vervoersrevolutie

De 19e eeuwse transportrevolutie biedt een klassiek geval van technologische verstoring die geschikt is voor overlevingsanalyse. Canal bedrijven genoten hoge overlevingsgraden en stabiele inkomsten in de jaren 1820 en 1830. De opkomst van spoorwegen drastisch verhoogde het gevaar voor kanalen bedrijven. Een overlevingsanalyse van de kanaal bedrijven die actief zijn in het noordoosten van de Verenigde Staten toont aan dat de gevaren voor mislukking begon te stijgen in de jaren 1840 en piekte in de jaren 1850, precies als het spoorwegnet uitgebreid. Onderzoekers kunnen een Cox model schatten waar de belangrijkste covariant is de "afstand tot de dichtstbijzijnde spoorlijn" op jaarlijkse tijdstippen. De ] kanalen en transportrevolutie[]] literatuur toont aan dat controle van feeder kanalen en integratie in op opkomende spoorwegnetwerken overlevingsvoordelen biedt, terwijl onafhankelijke grachtenbedrijven met vaste routes geconfronteerd met versnelde gevarenpercentages. De Panic van 1893 was bijzonder verwoestend voor de resterende kanale bedrijven, wat een terminalshock vertegenwoordigt die bijna alle overlevenden elimineert.

Industriebeleid na de oorlog in Japan

De overlevingspercentages van Japanse industriële bedrijven in het tijdperk na de Tweede Wereldoorlog bieden een dwingende case study in de effecten van institutionele structuur op de levensduur. De concerns die bekend staan als keiretsu worden verondersteld aangesloten bedrijven te hebben voorzien van een beschermend netwerk van stabiele aandeelhouders, preferentiële leningen van groepsbanken en langdurige zakelijke relaties. Survivalanalyse is gebruikt om dit voorstel formeel te testen. Studies waarin de gevarenpercentages van keiretsu-bedrijven aan onafhankelijke bedrijven worden vergeleken, stellen vast dat lidmaatschap van een horizontale keiretsu het risico van financiële nood en faillissementen aanzienlijk heeft verminderd, met name tijdens economische neergangen. Dit beschermende effect bleef bestaan zelfs na controle voor de grootte, leeftijd en industrie van ondernemingen. Uit de analyse blijkt dat de institutionele structuur van de keiretsu functioneerde als een vorm van impliciete verzekering, waardoor de gevaren voor de aangesloten ondernemingen werden verlaagd en bijdroeg tot de stabiliteit van het Japanse bedrijfssysteem na de oorlog.

De lange achteruitgang van New England Textile Mills

De verschuiving van de Amerikaanse textielindustrie van New England naar het zuiden over de late 19e en vroege 20e eeuw biedt een ander rijk terrein voor overlevingsanalyse. Millen in New England geconfronteerd met stijgende arbeidskosten, veroudering infrastructuur, en concurrentie van nieuwere, efficiëntere zuidelijke molens. Survival analyse toont aan dat het gevaar tarief voor New England molens begon gestaag te stijgen na 1900, met een scherpe piek in de jaren twintig. Mills die geïnvesteerd in modernisering van apparatuur en verschoven naar een hogere kwaliteit speciale stoffen toonde lagere gevaren en langere overlevingstijden. De Grote Depressie leverde de laatste slag aan vele laggards. Tegen 1940 had een meerderheid van de New England molens die in 1900 actief waren gesloten of verplaatst. De overlevingsanalyse identificeert de timing en covarianten van deze daling precies, waaruit blijkt dat nabijheid van ruwe materialen (coton geproduceerd in het zuiden) aanvankelijk een overlevingsvoordeel, maar nam in belang in vergelijking met de arbeidskosten en technologische modernisering.

De uitdagingen van historische gegevens overwinnen

Overleving Bias en Gefragmenteerde Records

Misschien is de grootste uitdaging voor historische overlevingsanalyse de systematische vooroordeel geïntroduceerd door onvolledige records. Bedrijven die vroeg mislukten lieten vaak weinig sporen achter in het historische record. Hun hele bestaan kan worden teruggebracht tot één enkele regel in een bedrijfsregister of een korte vermelding in een krantenarchief. Dit creëert een vorm van links-truncation[] die expliciet moet worden gemodelleerd. Onderzoekers gebruiken vaak omgekeerde waarschijnlijkheidsweging of beperken hun analyse tot cohorten met uitgebreide dekking. Het erkennen van de beperkingen van de gegevens en het uitvoeren van gevoeligheidsanalyses om de potentiële impact van ontbrekende waarnemingen te beoordelen is een standaard onderdeel van een rigoureuze historische overlevingsanalyse.

Wijziging van de industriële classificaties

De industriële classificatiesystemen zijn de afgelopen eeuw dramatisch geëvolueerd. Een bedrijf dat in 1900 als "katoenfabrikant" is geclassificeerd, kan onder verschillende standaard industriële classificatie (SIC) of Noord-Amerikaanse Industrie Classificatie System (NAICS) codes vallen. Het in kaart brengen van historische classificaties aan moderne systemen vereist gedetailleerde kennis van industriële processen en zorgvuldige beoordeling. Sommige onderzoekers bouwen hun eigen aangepaste classificatieschema's die consistent zijn gedurende de studieperiode, het groeperen van bedrijven in brede categorieën (bijvoorbeeld "textiel," "ijzer en staal," "machines") in plaats van te vertrouwen op fijnkorrelige moderne codes die geen historisch analoog zijn.

Historische entiteiten koppelen aan moderne gegevens

Het opsporen van het voortbestaan van een specifieke onderneming gedurende tientallen jaren of eeuwen vereist vaak het koppelen van gegevens uit verschillende bronnen. Een productiebedrijf dat in de 1880 Census of Manufactures wordt genoemd, kan verschijnen onder een iets andere naam in een kredietrapport van 1900 en een geheel andere naam na een fusie in 1920. Het koppelen van deze gegevens vereist probabilistische matching algoritmen en nauwgezet archiefonderzoek. De uitbetaling is belangrijk: een longitudinale dataset die individuele bedrijven over hun hele levensduur volgt, waardoor echt dynamische overlevingsanalyses mogelijk zijn. Projecten zoals de Historische Corporate Database[] aan verschillende universiteiten hebben zwaar geïnvesteerd in dit koppelingsproces, waarbij datasets worden geproduceerd waarmee onderzoekers de levensloop van duizenden bedrijven in meer dan een eeuw kunnen traceren.

Praktische toepassingen voor moderne analysten en historici

Informatie over de beleidsevaluatie

Overlevingsanalyse biedt een rigoureus kader voor het evalueren van de langetermijnimpact van historisch beleid. Regeringen en centrale banken kunnen deze methoden gebruiken om te beoordelen of eerdere interventies. Zoals bailouts, tariefbescherming of hervormingen van de regelgeving............ ...... .... .... .... .... .... .... .... .... .... .... .... .... .... ... .... .... ... ... .... ... .... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...

Strategie en concurrentiedynamiek

Het begrijpen van de historische overlevingspatronen van bedrijven in een bepaalde industrie biedt een strategische context voor moderne managers. De gevarenpercentages die worden waargenomen in 19e-eeuwse transport, 20e-eeuwse textiel, en de late 20e-eeuwse technologie sectoren onthullen gemeenschappelijke patronen: bedrijven die zich niet aanpassen aan technologische veranderingen ervaren sterk stijgende gevarenpercentages, terwijl degenen die diversifiëren of innoveren kan hun levensduur dramatisch verlengen. Deze historische regulariteiten zijn niet deterministisch, maar ze bieden een waardevol basiskader om de risico's te beoordelen waarmee hedendaagse bedrijven worden geconfronteerd. De concurrerende dynamiek die consolidatie en uittocht in eerdere tijdperken stuwden blijven vandaag de dag werken, en overlevingsanalyse biedt een kwantitatief kader om die dynamiek te begrijpen.

Conclusie: Uithoudingsvermogen als metric of success

De overlevingsanalyse telt niet alleen mislukkingen, maar het structureert ons begrip van hoe en waarom bedrijven doorzetten. Het transformeert historische archieven in laboratoria waar theorieën van economische veerkracht getest kunnen worden. Door het meten van de gevarenpercentages waarmee kanaalbedrijven in de jaren 1850, banken in de jaren 1930 en textielfabrieken in de jaren 1920 worden geconfronteerd, onthult de methode de kwantitatieve contouren van economische verandering die narratieve geschiedenissen alleen kwalitatief beschrijven. Op lange termijn, mislukt elke onderneming en industrie uiteindelijk. Het begrijpen van de timing en determinanten van dat falen is het werk van historische overlevingsanalyse. Het biedt een rigoureuze, op bewijs gebaseerde lens waardoor we de kwetsbaarheid en uithoudingsvermogen van de economische instellingen die onze wereld vorm kunnen interpreteren.