谢谢
@Joe De的邀请。方向为契约理论和产业组织。
中心问题自然是提高效率。具体来说,如何诱导出参与者的私人信息是最核心的部分,这不仅仅是契约理论的核心,也是整个信息经济学核心。
一个没有私有信息的世界,一切信息都是完全且对称的,这个时候的效率损失往往可以通过增加变量的维度来解决:比如说,垄断价格造成的效率损失,可以用两部收费来达到社会最优;外部性造成的效率损失,可以加一个庇古税来达到社会最优;即便是遇到了博弈论里面的囚徒困境,也可以通过操纵支付矩阵的权重(比如对非合作的策略收重税的方式)来引导博弈者选择社会最优解。
只要掌握了参与者的信息,你便可以在满足他们参与约束的前提下,直接或者间接的操纵他们做一切你想做的事情。
举个具体的例子,两家公司的买卖谈判,如果双方互相不知根知底且谈判能力接近,那么最终的结果很可能在卖家的最低价,和买家的最高价的平均值附近,双方都能够获得一定量的剩余;但是如果其中一方提前知道了另外一方的底线,那么往往绝大部分收益就归了有信息优势的一方,这个事实并不因为卖家或者买家采用某种特定的付款和交付的方式而改变。
也就是说,当我们不局限于具体的支付形式和维度的时候,唯一能够给参与者带来消费者/生产者剩余的,是他们的私人信息。换句话说,一个参与者的私人信息无论是对机制设计者还是对其他的参与者来说,都是有价的,参与者希望能够在公布自己私人信息的同时,拿到相应的报酬。
这个报酬,我们称之为信息租金。
为什么是租金呢,因为广义上说,任何和生产无关的行为都是寻租行为。所以消费者和生产者剩余之间的分配本质上可以看作是信息寻租行为:比如你在亚马逊上买了一本30元书。你在购买这本书的同时,其实也揭示了自己的私人信息:自己对这本书愿意出的最高价格,大于等于30元。但是当亚马逊知道这个信息的时候,你已经把书买到了(我们不考虑后续,亚马逊利用这个信息给你推荐什么的)。这就可以看作是你利用了自己的信息优势,用相对较低的价格(钱)换到了相对较高的享受(读这本书带来的效用)。
那么,你的信息到底值多少钱呢?这个不取决于你多么强,而是取决于你如果撒谎的话,能为你赚来多少收益。比如说,有两种企业,高成本(3)的企业和低成本(1)的企业。现在政府想搞一个价格上限,规定这个企业的产品不能超过这个价格。
我们知道,最有效的方法就是让价格等于边际成本,企业刚刚够本,这个时候社会效率最大化。问题在于,政府不知道企业是高成本还是低成本,如果以低成本为规制价格,那么高成本企业会破产,如果以高成本为规制价格,低成本企业似乎又可以赚很多钱。现在政府怎么才能让低成本企业说实话呢?
直接问是不行的,直接问,大家都说自己是高成本。因为低成本的企业通过冒充高成本,每个产品可以赚2块钱,何乐而不为呢?我们假定低成本企业社会最优是生产600万个,高成本企业的社会最优是生产300万个。那么也就意味着,低成本企业通过说谎冒充自己是高成本企业,可以赚 2×300万 = 600万元。
那么政府想让低成本企业说实话,就要给低成本企业支付这个“信息租金”,政府的机制应该是这样的:如果你汇报自己成本为3,那么零售价最高就为3,生产300万个;如果你汇报自己成本为1,那么零售价为1,生产600万个,但是同时,政府会奖励你600万元,作为“诚实的奖励”。这样一来,低成本企业也没什么动机说谎了,因为说谎和说实话赚的都是600万元,说实话何乐而不为呢?
但是这种行为对于政府来说是最优的吗?还真未必。对于政府来说,支付600万元的信息租金可能太高了。政府要怎么才能进一步提高效率呢? 那就是降低低成本企业说谎的价值。比如说:政府可以规定,高成本的企业只能生产200万个,而不是社会最优的300万个,那么当低成本企业说谎的时候,就只能赚2 *200万=400万元。
这个时候,政府要付出的代价就是,当这个企业真的是高成本的时候,就不能达到社会最优配置,要少生产100万个。这个时候对于政府而言,
其权衡是一方面要尽量的减少高成本企业的产出,以减少低成本企业说谎所带来的信息租金;另一方面也不能扭曲的太过分,以至于当企业成本真为高的时候,社会损失太大。
信息租金和总体效率之间的权衡,贯穿信息经济学始终。
不仅仅是经济,历史,文化和生活中的很多事情和方式,从信息租金这个角度去考虑,往往都能得到一个合理的解释:
1. 为什么金融企业会有发超高的红利这种文化?
2. 为什么政府不救助所有陷入金融危机的企业?
3. 金融衍生品是应该捆绑着买,还是分开来买?
4. 人如何建立自己的自尊心?
5. 高风险一定高工资么?
6. 决策过程公开透明是否会提高决策质量?
7. 三省六部和单独的宰相制有什么优劣?
8. …………
我一直把信息经济学看做小无相功一样的学问,应用在什么地方,往往就成为该领域的一个有机的组成部分。这种道生一,一生二,二生三,三生万物的感觉很不错。这方面做的最好的当属让.梯若尔——他是经济学界难得的全才之一,无论是产业组织,还是公司金融,还是竞争规制,还是创新与专利,还是心理经济学都统统有着非常重要且根本性的贡献。但是他在这些领域绝大部分文章和专著的内核,其实都是以激励/契约理论一以贯之的应用。
经济学目前最大的伪善,是无谓地运用数学工具,为运用数学而运用数学,但并没有像物理学那样扎实的科学基础。对经济运动的观察仍不深刻,对复杂性缺乏判断高度,对因子取舍不知所措。一方面囿于相关学科工具不足,更多的是自身领域的研究流于肤浅,用模型糊弄,用运算矫饰,掩盖了对活的经济生活的深度考察与艰苦思索。
前段时间的供应链阻塞,有几个经济学家去长滩了,有走访规划吗,有问题清单吗,有多个角度吗,有个体视角吗,这次疫情是可以产生好多个诺贝尔奖的全球经济体系压力测试,就像一次新星爆发会引来所有天文学家一样。
雅典学院一般人才荟萃的美国经济学界,在制造业流失的年代,有几个大牛出来指出问题的,好吧,象牙塔不涉实际生活,他们教出来的买方经济学家、卖方经济学家、专栏作家们呢?
谢邀。我是数量经济学的博士,所以我就说一下计量经济学里面的核心问题吧。
在计量经济学领域,无论是微观计量还是宏观计量(除去金融计量),最关键、最核心的问题莫过于识别(identification)问题。
什么是识别呢?说白了就是:真相只有一个!
从数学上来讲,这个问题非常简单,就是我们的目标函数有且仅有一个最优点,而且刚好就是我们想要得到的参数。
举一个最简单的例子,学过经济学的人应该都学过供给和需求曲线。现在假设我们看到了一个市场的价格、成交量的组合(p,q),那么我们是否可以估计这个市场的需求曲线呢?如果我们给一个需求函数的形式,比如假设需求的价格弹性为常数,那么需求曲线可以写成:
我们是不是可以直接估计这个方程呢?当然不是的~如果你仔细思考一下,会发现供给曲线也是价-量的关系,假设供给的价格弹性为常数,上面这个方程也可以表示供给函数:
注意我用了s的角标代表供给,所以上面的需求曲线我应该相应改为:
如果我们直接拿成交量的对数对价格的对数做回归得到的即不是需求曲线,也不是供给曲线,那么是什么呢?
记得市场均衡的条件是供给量等于需求量,那么我们可以将以上方程联立,得到均衡的价格为:
从而得到量的关系式:
以上两个式子,我们把所有的内生变量(在模型中决定的变量)写成外生变量(不在模型中决定的变量)的函数,称之为简约式(reduced form),而供给函数和需求函数,是经济变量之间的真实关系,或者我们的理论结构,所以称之为结构式(structural form)
好了,现在我们可以知道上面做简单的线性回归得到的结果是啥了,斜率应该为:
看到了吧?你估计出来的东西即不是供给弹性也不是需求弹性,而是两者的一个线性组合,而且由于一个大于0一个小于0,你甚至不知道这个东西应该是大于0还是小于0的。
现在的问题来了,如果加上截距项的估计,如果我们直接做OLS回归的话可以得到两个reduced-form的参数,而我们真实的structural的参数有四个:,无论如何,我们不可能通过两个参数返回到四个真实参数,这是不可能的。
这也就是所谓的“识别”问题:给定我们现在能看到的数据,真相不止一个,有很多组的组合都可以生成现在的数据,那么哪一组才是真的呢?
怎么办呢?现在假设,如果,我们有外生的变量,比如说供给曲线可能受到天气的影响,而天气不是模型里面决定的:它不受价格、供给量的影响,老天爷说了算。也就是说,这里的天气w跟u和v都不相关。那么我们的供给曲线可以写成:
那么上面的均衡价格和数量要改写为:
现在,我们可以计算另外一个量:
好了,这样我们就可以使用供给曲线的外生变动来得到需求曲线的参数了。这也就是所谓的“工具变量”。
在这里,“识别”的问题解决了,因为我们唯一的计算除了,以及,当然,另外两个参数需要需求曲线的外生变动才能被识别。
这也就是识别的第一个策略:找到外生的变动。
但是同样的问题,有的时候工具变量我们是找不到的,比如如果我们有一个时间序列:
这跟上面一样,也是两个变量之间相互影响了,所以直接做OLS得到的答案仍然是不对的:不止一组参数可以给出观察到的结果。但是这里还有个问题,工具变量不好找。怎么办呢?还好这类SVAR模型宏观面临的比较多,这里的识别一般不是通过工具变量来给出的,而是对参数施加限制,从而得到只有一个解的目的。
怎么做到的呢?在第一个例子里面,我们有无穷多个参数的组合潜在的可能生成我们观察到的数据,我们对这些参数一无所知。而在第二个例子里面,如果我们的宏观经济模型明确的告诉我们,比如,那么我们就可以把未知参数的可能性降低。当可能性降低到只有一种可能性的时候,问题解决了。
这也就是识别的第二个策略:通过理论,给予一定假设,或者限制。
可以说,识别问题应该不只是计量经济学的核心问题,应该也是整个经济学的核心问题,比如:
等等等等,可以说但凡有经济学的理论,如果需要比对数据验证理论,就会有识别的问题。