KNOWECON WIKI

ARTICLE

多元标量函数

多元标量函数 (Multivariate Scalar Function) 多元标量函数，亦称多变量实值函数，是指定义在 R^n 的某个子集上、取值于 R 的映射： 其中 D 为函数的定义域， R 为值域。与多元向量函数不同，多元标量函数的输出始终是一个单一的实数，这使得它在经济学、物理学和工程学中具有最基础、最广泛的地位。在经济学中，效用函数、生产函数、成

浏览 0 更新 2026-06-20

多元标量函数 (Multivariate Scalar Function)

多元标量函数，亦称多变量实值函数，是指定义在 Rn\mathbb{R}^n 的某个子集上、取值于 R\mathbb{R} 的映射：

f:D⊆Rn→R,(x1,x2,…,xn)↦f(x1,x2,…,xn)f: D \subseteq \mathbb{R}^n \to \mathbb{R}, \quad (x_1, x_2, \dots, x_n) \mapsto f(x_1, x_2, \dots, x_n)

其中 DD 为函数的定义域，R\mathbb{R} 为值域。与多元向量函数不同，多元标量函数的输出始终是一个单一的实数，这使得它在经济学、物理学和工程学中具有最基础、最广泛的地位。在经济学中，效用函数、生产函数、成本函数和利润函数几乎无一例外地都是多元标量函数——它们接受多个投入变量（如资本、劳动、价格），输出一个标量结果（如效用水平、产出数量、成本额或利润额）。

几何直观

相比于一元函数 y=f(x)y = f(x) 可在二维平面上绘制一条曲线，多元标量函数需要更高维度的表示手段。

二元函数：曲面

当 n=2n = 2 时，函数 z=f(x,y)z = f(x, y) 可在三维空间中表示为一个曲面：xyxy-平面上的每一点 (x,y)(x, y) 对应高度 z=f(x,y)z = f(x, y)。例如 z=x2+y2z = x^2 + y^2 是一个开口向上的旋转抛物面，而 z=x2+y2z = \sqrt{x^2 + y^2} 是一个圆锥面。这类几何直观是理解更一般的 nn 元函数的门户。

等高线与水平集

对于无法直接可视化的高维函数（n≥3n \ge 3 时），水平集（Level Set）是至关重要的分析工具。给定常数 c∈Rc \in \mathbb{R}，函数 ff 的水平集定义为：

Lc(f)={x∈D∣f(x)=c}L_c(f) = \{ \mathbf{x} \in D \mid f(\mathbf{x}) = c \}

当 n=2n = 2 时，水平集即为地图学中的等高线（Contour Line）：同一曲线上所有点对应相同的函数值。例如，柯布-道格拉斯生产函数 Q=AKαL1−αQ = A K^\alpha L^{1-\alpha} 的等产量线（Isoquant）就是其水平集——每条曲线上的资本 KK 与劳动 LL 组合产生完全相同的产量 QQ。当 n=3n = 3 时，水平集成为等值面（Isosurface），在物理学中常见于势能场的等势面。

图形（Graph）

函数 f:D⊆Rn→Rf: D \subseteq \mathbb{R}^n \to \mathbb{R} 的图形定义为 Rn+1\mathbb{R}^{n+1} 中的点集：

Graph(f)={(x,f(x))∣x∈D}⊆Rn+1\text{Graph}(f) = \{ (\mathbf{x}, f(\mathbf{x})) \mid \mathbf{x} \in D \} \subseteq \mathbb{R}^{n+1}

在经济学中，偏好的效用表示本质上就是利用多元标量函数的图形性质：无差异曲线是效用函数的水平集，而效用函数的图形则是一个 n+1n+1 维的超曲面。

极限与连续性

多元标量函数的极限比一元情形复杂得多，因为自变量可以沿无限多条路径趋近于目标点。

极限的定义

设 f:D⊆Rn→Rf: D \subseteq \mathbb{R}^n \to \mathbb{R}，a\mathbf{a} 是 DD 的聚点。称当 x→a\mathbf{x} \to \mathbf{a} 时 f(x)f(\mathbf{x}) 以 LL 为极限：

lim⁡x→af(x)=L\lim_{\mathbf{x} \to \mathbf{a}} f(\mathbf{x}) = L

其严格定义为：对任意 ε>0\varepsilon > 0，存在 δ>0\delta > 0，使得当 0<∥x−a∥<δ0 < \|\mathbf{x} - \mathbf{a}\| < \delta 且 x∈D\mathbf{x} \in D 时，恒有 ∣f(x)−L∣<ε|f(\mathbf{x}) - L| < \varepsilon。这里的 ∥⋅∥\|\cdot\| 通常取欧几里得范数 ∥x−a∥=∑i=1n(xi−ai)2\|\mathbf{x} - \mathbf{a}\| = \sqrt{\sum_{i=1}^n (x_i - a_i)^2}。

路径依赖与不存在极限

一元极限只需检查左右两个方向，多元极限则要求沿任意路径都趋于同一值。这使得证明极限不存在往往比证明极限存在更简单：只需找到两条路径给出不同极限值即可。经典反例如：

f(x,y)=xyx2+y2,(x,y)≠(0,0)f(x, y) = \frac{xy}{x^2 + y^2}, \quad (x, y) \neq (0, 0)

沿 y=0y = 0 路径：极限为 0；沿 y=xy = x 路径：极限为 12\frac{1}{2}。二值不同，故 lim⁡(x,y)→(0,0)f(x,y)\lim_{(x,y) \to (0,0)} f(x, y) 不存在。在经济建模中，此类非连续行为通常被排除——生产函数和效用函数一般假设为连续的，以保证最优解的存在性（魏尔斯特拉斯定理）。

连续性

若 lim⁡x→af(x)=f(a)\lim_{\mathbf{x} \to \mathbf{a}} f(\mathbf{x}) = f(\mathbf{a})，则称 ff 在 a\mathbf{a} 处连续。若 ff 在定义域内每点都连续，则称其为连续函数。连续函数的重要性质包括：紧集上的连续函数必有最大值和最小值（极值定理），且其像集仍为紧集。这为最优化理论提供了基本的数学保证。

偏导数与梯度

偏导数（Partial Derivative）

多元标量函数对第 ii 个自变量的偏导数衡量该变量单独变化时函数的变化率，定义为：

∂f∂xi(a)=lim⁡h→0f(a1,…,ai+h,…,an)−f(a1,…,ai,…,an)h\frac{\partial f}{\partial x_i}(\mathbf{a}) = \lim_{h \to 0} \frac{f(a_1, \dots, a_i + h, \dots, a_n) - f(a_1, \dots, a_i, \dots, a_n)}{h}

计算时将所有其他变量视为常数，直接应用一元求导法则。例如，对于 f(K,L)=KαL1−αf(K, L) = K^\alpha L^{1-\alpha}：

∂f∂K=αKα−1L1−α,∂f∂L=(1−α)KαL−α\frac{\partial f}{\partial K} = \alpha K^{\alpha-1} L^{1-\alpha}, \quad \frac{\partial f}{\partial L} = (1-\alpha) K^\alpha L^{-\alpha}

这两者分别正是资本的边际产出和劳动的边际产出，在经济分析中具有核心地位。

梯度向量（Gradient）

将所有一阶偏导汇聚为一个向量，即得到梯度：

∇f(a)=(∂f∂x1(a),∂f∂x2(a),…,∂f∂xn(a))\nabla f(\mathbf{a}) = \left( \frac{\partial f}{\partial x_1}(\mathbf{a}), \frac{\partial f}{\partial x_2}(\mathbf{a}), \dots, \frac{\partial f}{\partial x_n}(\mathbf{a}) \right)

梯度的几何意义极为重要：∇f(a)\nabla f(\mathbf{a}) 指向函数在 a\mathbf{a} 点上升最快的方向，其模长 ∥∇f(a)∥\|\nabla f(\mathbf{a})\| 即为该方向上的最大变化率。同时，梯度向量恒垂直于该点的水平集（等高线、等产量线等）。这一性质在经济学中直接导出以下重要结论：

  • 在消费者理论中，边际替代率（MRS）等于边际效用之比，本质上是无差异曲线（效用水平集）的切线斜率。
  • 在生产理论中，边际技术替代率（MRTS）等于边际产出之比，由等产量线的梯度正交性决定。
  • 在约束优化中，拉格朗日乘数法的一阶条件要求目标函数的梯度与约束函数梯度共线。

方向导数（Directional Derivative）

给定单位方向向量 u∈Rn\mathbf{u} \in \mathbb{R}^n，函数在 a\mathbf{a} 处沿 u\mathbf{u} 的方向导数定义为：

Duf(a)=lim⁡h→0f(a+hu)−f(a)hD_{\mathbf{u}} f(\mathbf{a}) = \lim_{h \to 0} \frac{f(\mathbf{a} + h\mathbf{u}) - f(\mathbf{a})}{h}

若 ff 在 a\mathbf{a} 处可微，则方向导数可由梯度简便计算：

Duf(a)=∇f(a)⋅u=∥∇f(a)∥cos⁡θD_{\mathbf{u}} f(\mathbf{a}) = \nabla f(\mathbf{a}) \cdot \mathbf{u} = \|\nabla f(\mathbf{a})\| \cos \theta

其中 θ\theta 为梯度与方向向量的夹角。由此立即可知：梯度方向 (θ=0\theta = 0) 给出最大正值方向导数，负梯度方向 (θ=π\theta = \pi) 给出最小（最速下降）方向导数。这直接构成了梯度下降法等数值优化算法的理论基础。

可微性与全微分

偏导数存在并不保证函数可微，这与一元函数有本质区别——一元函数导数存在即意味着可微，多元情形则不然。

多元标量函数 ff 在 a\mathbf{a} 处可微（Differentiable）的严格定义为：存在线性映射 L:Rn→RL: \mathbb{R}^n \to \mathbb{R}（由梯度 ∇f(a)\nabla f(\mathbf{a}) 表示），使得

lim⁡∥h∥→0f(a+h)−f(a)−∇f(a)⋅h∥h∥=0\lim_{\|\mathbf{h}\| \to 0} \frac{f(\mathbf{a} + \mathbf{h}) - f(\mathbf{a}) - \nabla f(\mathbf{a}) \cdot \mathbf{h}}{\|\mathbf{h}\|} = 0

这意味着函数在局部可用一个线性函数（切平面，当 n=2n=2 时）很好地近似。可微的充分条件是：所有偏导数存在且在 a\mathbf{a} 的某邻域内连续（即 f∈C1f \in C^1）。

全微分（Total Differential）给出了函数增量的线性近似：

df=∂f∂x1dx1+∂f∂x2dx2+⋯+∂f∂xndxn=∇f⋅dxdf = \frac{\partial f}{\partial x_1} dx_1 + \frac{\partial f}{\partial x_2} dx_2 + \cdots + \frac{\partial f}{\partial x_n} dx_n = \nabla f \cdot d\mathbf{x}

在经济学中，全微分用于比较静态分析（Comparative Statics）：当多个外生变量同时发生微小变化时，内生变量的总变化由全微分刻画。例如，需求函数 Qd=D(P,I)Q_d = D(P, I) 的全微分分解了价格变动与收入变动的总需求效应。

二阶偏导数与海森矩阵

二阶偏导数与对称性

函数 ff 的二阶偏导数记为 ∂2f∂xi∂xj\frac{\partial^2 f}{\partial x_i \partial x_j}。当先对 xix_i 求导再对 xjx_j（或反之）时，若二阶偏导数连续（即 f∈C2f \in C^2），则求导顺序可交换——此即施瓦茨定理（Clairaut-Schwarz Theorem）：

∂2f∂xi∂xj=∂2f∂xj∂xi\frac{\partial^2 f}{\partial x_i \partial x_j} = \frac{\partial^2 f}{\partial x_j \partial x_i}

在经济应用中，这一对称性保证了斯卢茨基矩阵的对称性（需求函数的交叉价格导数对称），以及成本函数对要素价格的二阶偏导对称（谢泼德引理的推论）。

海森矩阵（Hessian Matrix）

将所有二阶偏导排列成一个 n×nn \times n 方阵，即得到海森矩阵：

H_f(\mathbf{a}) = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1 \partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_1 \partial x_n} \\ \frac{\partial^2 f}{\partial x_2 \partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \cdots & \frac{\partial^2 f}{\partial x_2 \partial x_n} \\

\vdots \& \vdots \& \ddots \& \vdots \\

\frac{\partial^2 f}{\partial x_n \partial x_1} & \frac{\partial^2 f}{\partial x_n \partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_n^2} \end{bmatrix}

由施瓦茨定理，HfH_f 是对称矩阵。海森矩阵在优化理论中扮演核心角色：

  • 若在临界点 ∇f(a)=0\nabla f(\mathbf{a}) = \mathbf{0} 处 Hf(a)H_f(\mathbf{a}) 为正定（所有特征值 > 0），则 a\mathbf{a} 为严格局部极小点。
  • 若 Hf(a)H_f(\mathbf{a}) 为负定（所有特征值 < 0），则 a\mathbf{a} 为严格局部极大点。
  • 若 Hf(a)H_f(\mathbf{a}) 不定（既有正特征值又有负特征值），则 a\mathbf{a} 为鞍点（Saddle Point）。
  • 若 Hf(a)H_f(\mathbf{a}) 半正定或半负定，则需更高阶信息判断。

在经济优化中，海森矩阵的负定性（生产函数在极大值点）或正定性（成本函数在极小值点）是二阶充分条件，确保了所求极值确实是最大值或最小值，而非鞍点。

泰勒展开

多元标量函数在 a\mathbf{a} 处的二阶泰勒展开为：

f(a+h)≈f(a)+∇f(a)⋅h+12hTHf(a)hf(\mathbf{a} + \mathbf{h}) \approx f(\mathbf{a}) + \nabla f(\mathbf{a}) \cdot \mathbf{h} + \frac{1}{2} \mathbf{h}^T H_f(\mathbf{a}) \mathbf{h}

其中第一项为零阶近似（常数），第二项为一阶（线性）修正，第三项为二阶（二次型）修正。这一展开式是数值优化中牛顿法的理论基础，也是计量经济学中非线性模型局部线性化（Delta方法）的数学依据。

经济学中的核心多元标量函数

多元标量函数是经济学建模的数学"母语"。几个核心实例：

  • 效用函数 U(x1,x2,…,xn)U(x_1, x_2, \dots, x_n)：将消费束映射为效用水平，其偏导数给出边际效用，梯度方向决定最优消费束的一阶条件，海森矩阵的负定性保证效用最大化二阶条件。
  • 生产函数 F(K,L,M,… )F(K, L, M, \dots)：描述投入要素与最大产出之间的关系，通常假设单调递增、拟凹、规模报酬可变。CES生产函数和柯布-道格拉斯函数是其最常见的具体形式。
  • 成本函数 C(w1,…,wn,q)C(w_1, \dots, w_n, q)：给定要素价格 wiw_i 和产量 qq 时的最小成本，关于要素价格是凹函数（海森矩阵负半定），这是成本最小化的对偶性质。
  • 利润函数 π(p,w1,…,wn)\pi(p, w_1, \dots, w_n)：给定产出价格 pp 和要素价格 wiw_i 时的最大利润。根据霍特林引理，利润函数对价格的偏导数给出供给函数和要素需求函数。
  • 支出函数 E(p1,…,pn,Uˉ)E(p_1, \dots, p_n, \bar{U})：达到给定效用水平所需的最小支出，是消费者对偶理论的核心工具，谢泼德引理将其价格偏导与希克斯需求联系起来。

这些函数的结构性质（单调性、凹凸性、齐次性、可微性）构成了微观经济理论的数学骨架。理解多元标量函数的分析工具——梯度、海森矩阵、水平集、泰勒展开——是深入掌握经济理论的必要前提。