实证需求分析

实证需求分析

实证需求分析（Empirical Demand Analysis）是产业组织理论与实证微观经济学中，利用市场观测数据（价格、销量、产品特征等）对消费者需求函数进行结构估计的计量方法体系。其核心目标是识别和定量刻画消费者对不同产品特征的偏好参数，进而计算需求的价格弹性、交叉价格弹性以及评估政策干预（如并购、征税、规制）的福利效应。与传统以总量数据为基础的AIDS需求系统或Rotterdam模型不同，现代实证需求分析以离散选择模型为微观理论基础，强调处理价格内生性问题，是反垄断经济学和市场界定研究的基本工具。

从离散选择到市场需求

实证需求分析的理论基础是随机效用模型。假设市场 $t$ 中有 $J_t$ 种差异化产品和一种"外部选择"（不购买，$j = 0$），消费者 $i$ 选择产品 $j$ 的间接效用为：

其中 $\delta_{jt} = \mathbf{x}_{jt}\boldsymbol{\beta} - \alpha p_{jt} + \xi_{jt}$ 为"平均效用"，由产品可观测特征 $\mathbf{x}_{jt}$、价格 $p_{jt}$ 和不可观测（对计量学家而言）的产品质量 $\xi_{jt}$ 共同决定；$\mu_{ijt}$ 捕捉消费者异质性偏好；$\varepsilon_{ijt}$ 为I型极值分布的随机扰动项。

若假设消费者偏好同质（$\mu_{ijt} = 0$）且 $\varepsilon_{ijt}$ 服从 i.i.d. 极值分布，则得到经典的条件Logit模型，产品 $j$ 在 $t$ 期的市场份额为：

取对数比（log-odds ratio），可得线性估计方程：

这是早期实证需求分析（如Berry 1994年的奠基性框架）中最简洁的出发点。然而，条件Logit模型的局限在于它隐含了无关替代品的独立性（IIA）：任意两种产品之间的替代模式完全由各自的市场份额决定，与实际产品的相似程度无关。这意味着，一辆豪华轿车提价，消费者会按同等比例转向经济型轿车和其他所有产品，违背了经济学直觉。

价格内生性与工具变量策略

需求估计面临的核心计量挑战是价格内生性：价格 $p_{jt}$ 与不可观测的产品质量 $\xi_{jt}$ 相关——质量更高（$\xi_{jt}$ 大）的产品往往定价也更高，若直接用普通最小二乘法（OLS）回归，价格系数 $\alpha$ 会被严重低估（向零偏误），导致需求弹性估计偏小。解决这一问题的标准策略是工具变量法。

Berry、Levinsohn和Pakes（1995，简称BLP）提出了一套影响深远的工具变量构造方法，利用产品空间中的竞争结构来生成工具变量。核心思想是：在差异化产品市场中，产品的加价（markup）既取决于其自身特征，也取决于其在产品空间中与竞品的"接近程度"。因此，竞品特征可以作为价格的工具变量——它们影响产品的加价能力（相关性条件），但在控制了自身产品特征后，与 $\xi_{jt}$ 无关（外生性条件）。

常用的BLP工具变量包括：

• 同一企业其他产品的特征之和（衡量产品组合效应）
• 竞争企业同类产品的特征之和（衡量竞争强度）
• 市场中其他产品与自身产品的特征距离（衡量差异化程度）

此外，实证中也广泛使用成本侧工具变量，如原材料价格、汇率波动或物流成本变化，这类变量直接影响边际成本进而影响价格，但与需求端的 $\xi_{jt}$ 无关。

随机系数Logit与BLP估计量

为克服Logit模型IIA性质的限制，BLP引入随机系数来刻画消费者的异质性偏好：

其中 $\boldsymbol{\beta}_i = \bar{\boldsymbol{\beta}} + \boldsymbol{\Sigma} \boldsymbol{\nu}_i$，$\alpha_i = \bar{\alpha} + \sigma_p \nu_{ip}$，$\boldsymbol{\nu}_i$ 为服从标准正态分布的随机向量。消费者 $i$ 对产品特征 $k$ 的偏好不再为常数，而是围绕均值 $\bar{\beta}_k$ 分布的随机变量，不同消费者对同一产品特征的偏好各不相同。

在此设定下，市场份额不再存在解析表达式，需通过模拟积分计算：

其中 $N_s$ 为模拟抽样的消费者数量，$\boldsymbol{\theta}_2 = (\boldsymbol{\Sigma}, \sigma_p)$ 为刻画偏好异质性的非线性参数。

BLP估计采用嵌套不动点（Nested Fixed Point）算法分两步进行：给定 $\boldsymbol{\theta}_2$，通过压缩映射迭代求解 $\boldsymbol{\delta}_t$ 使得模型预测的市场份额与实际观测份额精确匹配；然后在第二步利用矩条件 $\mathbb{E}[\xi_{jt} | \mathbf{z}_{jt}] = 0$，通过GMM最小化目标函数进行参数估计。这种结构化方法使得BLP能够在仅使用市场层面（aggregate-level）数据的条件下，识别出消费者层面的偏好分布参数，从而灵活刻画产品间的复杂替代模式。

弹性的计算与解释

估计出参数后，核心的分析工具是需求弹性矩阵。在随机系数Logit设定下，产品 $j$ 的价格对产品 $k$ 市场份额的需求弹性为：

随机系数模型的关键优势在于，产品间的交叉价格弹性不再是仅由市场份额决定的模式，而是反映了产品在特征空间中的实际临近程度——特征相似的产品间弹性更大，替代关系更强。这一性质对于准确的并购模拟和市场界定至关重要。

应用领域

实证需求分析在现代经济学的多个领域都有广泛应用。在反垄断分析中，监管机构使用需求模型进行并购审查中的单边效应分析——通过估计需求系统，模拟并购后企业提高价格的激励和消费者福利损失。在公共经济学中，需求模型用于评估消费税或碳税对消费者选择和福利分配的影响。在市场营销研究中，需求估计是定价策略优化和新产品引入决策的数据基础。卫生经济学则利用需求分析研究医疗保险选择、处方药需求和医院竞争。从Berry（1994）的开创性研究至今，实证需求分析已从最初的条件Logit框架，发展出一系列更为丰富的扩展，包括考虑消费者搜寻成本、消费者惯性（switching costs）、供给侧的纵向关系以及动态需求效应等方向。