1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

设：
- N = 产品数量（例如上市公司数 = 4,000）
- J = 特征数量（例如 = 50）

参数数量：
────────────────────────────────
1. 需求参数：O(J)        ← 特征系数
2. 替代矩阵：O(N²)       ← 交叉价格弹性
3. 成本参数：O(J)        ← 成本函数系数

总参数 ≈ N² = 16,000,000

问题：
- 如果是GMM估计，需要N²个矩条件 → 计算爆炸
- 数据不足以识别（自由度为负）
- 即使能估计，也无法做宏观反事实（需要追踪每个企业）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

需求函数：Q_i = (P_i / P̄)^(-σ) × Q̄

其中σ是替代弹性，对所有企业都是常数。

问题：
1. 这意味着所有产品对都有相同的替代程度
   （可乐和百事 ≈ 可乐和钉子？）

2. 行业分类必须预先定义，且刚性
   （假设"饮料"是一个行业，但这忽视了细微差别）

3. 无法捕捉"网络效应"
   （你的竞争对手的强弱，会影响你的定价力）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

不再估计N²个交叉价格弹性，而是估计：

1. 特征向量 a_i ∈ ℝ^m （每家企业m维）
   - m通常很小（m = 5-20）
   - 参数数量 = N × m ≈ 4,000 × 10 = 40,000
   - 这个规模可以处理！

2. 一个全局参数α ∈ [0,1]
   - 控制差异化的程度
   - 参数数量 = 1

3. 从特征计算替代强度：

   σ_{ij} = α(a_i'a_j - 1)

   经济学含义：
   - a_i'a_j大 → 两产品相似 → σ_ij大 → 竞争激烈
   - a_i'a_j小 → 两产品差异大 → σ_ij小 → 竞争温和

降维效果：
从O(N²) = O(16M) 参数 → O(Nm) = O(40k) 参数
计算复杂度：从不可能 → 可能

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

企业i面对的是一个"平均竞争环境"

Price_i = MC_i × (1 + Markup_i)

Markup_i 仅取决于：
- 企业的生产率
- 行业的替代弹性（所有行业都一样）

局限：无法区分
  为什么Tech企业（Apple, Microsoft）能定高价？
  是因为技术优越？还是因为竞争对手少？

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

每家企业的竞争环境是"本地的"和"异质的"

想象一个特征空间：

        高端手机
            ↑
            │  iPhone(Apple)
        Pixel(Google)
            │  ← 都在"高端"区域，互相竞争激烈
            │
            └────────→  低端手机
                    │
                    Moto G, Redmi
                    （低成本竞争者，互相竞争激烈）


网络洞察：
1. iPhone虽然高端，但周围全是强手（三星、Google等）
   → 竞争压力大 → Markup不能太高

2. 某些小众品牌（e.g. 特殊用途手机）可能处于网络边缘
   → 周围没有直接竞争 → 可以定更高的价

3. 当竞争网络变化时，企业的定价力会改变
   （即使企业本身没变）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

Σ = α(A'A - I)

其中A'A是相似度矩阵（Gram矩阵）：

    A'A = [1    r₁₂  r₁₃  ...]
          [r₁₂  1    r₂₃  ...]
          [r₁₃  r₂₃  1    ...]

对角线全是1（产品与自己100%相同）
非对角线是余弦相似度（其他产品的"接近程度"）

Σ的含义：

Σ = α(A'A - I) → 对角线全是0，非对角线是α×(r_{ij}-0)

σ_ij = α × (a_i'a_j - 0) ∈ [0, α]

解读：
- σ_ij是j产量增加对i价格的负面影响
- σ_ij越大，j对i的竞争压力越强
- 这正是网络中的"边权重"（Edge Weight）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

势博弈定义：存在一个函数Φ(q)，使得

∂Φ/∂q_i = ∂π_i/∂q_i

即，每个企业的利润函数的梯度，都等于一个
全局函数Φ的梯度（差一个常数）。

在这个模型中：

Φ(q) = b'q - ½q'(I+Σ)q - c₀'q - ½q'Δq

这恰好是消费者剩余+生产者利润（某种形式）。

为什么这很强大？

1. 纳什均衡 = Φ的最大值点
2. 均衡是**唯一的**（凸优化的充要条件）
3. 任何分散化的企业都无法通过单方面偏离而改进
4. 计算：只需求解线性系统，而非迭代求解非线性博弈

对比标准Cournot：
- 标准Cournot：需要迭代最佳响应函数，可能有多重均衡
- 这个模型：直接闭形解，唯一均衡，计算快速

1
2
3
4
5
6

产品空间 → 特征空间

q = [q_1, q_2, ..., q_N]'          ← N种产品的数量
         ↓
x = A·q                             ← 共同特征向量
y = q                               ← 每个产品本身就是一个独特特征

1
2
3
4
5
6
7
8

p_i·q_i中的q_i求导：
  - p_i = b_i - q_i - (其他项)
  - 所以∂(p_i·q_i)/∂q_i = p_i + q_i·∂p_i/∂q_i
  - ∂p_i/∂q_i = -1（自身产量提高，价格下跌）
  - 合并：∂(p_i·q_i)/∂q_i = p_i - q_i = [b_i - q_i - ...] - q_i
  - 结果：有2q_i项

这就是为什么边际收益曲线的斜率是需求曲线的两倍。

1
2
3
4
5

q_i* = (b_i - c_i) / 2 × [1 + 直接竞争对手的影响]
                         + [间接竞争对手的影响] / 4
                         + ...

矩阵(2I + \Delta + \Sigma)^{-1}编码了整个竞争网络

1
2
3
4
5
6
7
8
9

来源：SEC 10-K财报
内容：每家公司的"业务描述"（Business Description）部分
处理：
  1. 文本预处理（分词、去停用词、词干化）
  2. 每个公司构建词频向量 v_i ∈ ℝ^W
     （W = 词汇表大小，通常 ~10,000）
  3. 计算公司i和j的余弦相似度：

     r_{ij} = (v_i'v_j) / (||v_i|| × ||v_j||)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

v_i（财报词频向量）∝ a_i（模型中的特征向量）

含义：
- 相似财报描述 ⟺ 相似产品特征
- 这在某种意义上是"可信的"

原因：
1. 企业会在财报中突出强调自己的核心特征
2. 竞争对手的财报也会突出类似特征
3. 所以文本相似度大致反映产品相似度

批评：
1. 管理层的话术可能有偏差
2. 企业可能刻意强调与竞争对手的区别
3. 财报中可能有大量无关的行政和法律语言

1
2
3
4
5
6
7
8

相似度矩阵A'A直接来自文本数据的相似度矩阵

即：(A'A)_{ij} = r_{ij}（HP相似度）

这意味着：
- 模型中的特征空间维度m = 余弦相似度的维度
  （通常隐含m较小，因为相似度取值在[0,1]）
- 或者说，A被标准化使得A'A ≈ 相似度矩阵

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

1. 覆盖范围广
   - 几乎所有上市公司都有10-K
   - N = 4,000+企业，时间跨度 = 数十年
   - 对比BLP：通常N = 50-200，行业特定

2. 可重复且客观
   - 文本分析是确定性的（给定文本，结果固定）
   - 对比调查数据：有主观偏差

3. 动态性
   - 每年财报更新，可以追踪产品演化

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

1. 精确性问题
   - "相似财报" ≠ "相似产品"
   - 例如，两个手机品牌的财报相似，但消费者感知可能不同

2. 遗漏维度
   - 文本可能遗漏重要特征（如品牌历史、消费者粘性）
   - 这些特征可能不会在财报中显式提及

3. 噪声与偏差
   - 市场部门可能有意突出与竞争对手的差异
   - 这会高估产品差异化程度

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

两个数据同样会拟合：

情景1：α = 0.10, A'A很相似（高替代）
情景2：α = 0.50, A'A差异大（低替代）

最终的Σ矩阵可能相同，导致
- 相同的反需求函数
- 相同的均衡价格和产量
- 相同的观测数据

解决：需要外部识别

1
2
3
4
5
6
7

产品对：Kellogg's (KFC) 和 Quaker Oats
关键结果：交叉价格弹性 ε_KFC,Quaker ≈ 0.3

含义：Quaker价格上升10%→ KFC销量下降3%

这是一个"外部"的微观证据
（来自BLP随机系数logit估计）

1
2
3
4
5

交叉价格弹性可以写为：

ε_ij = -(b_j'/p̄) × σ_{ij} × [某个函数(α, A'A)]

当我们改变α时，这个预测会改变

1
2
3
4
5
6
7
8

α = 0.12意味着：

"特征相似度乘以0.12，就是竞争强度"

例如：
- 两个产品的文本相似度 = 0.8 → σ_ij = 0.12 × 0.8 = 0.096
- 解释：竞争者j的产量增加1单位
       会使产品i的价格下跌0.096单位

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

当α改变时，主要结果如何变化？

α值扫描：
α ∈ {0.05, 0.08, 0.10, 0.12, 0.15, 0.20}

核心结果：
1. Markup分解 (Centrality vs Productivity)
2. 反事实的福利损失
3. 趋势分析

稳健性：
如果在α范围内，结论仍然成立 ✓
如果结论对α敏感 ✗ → 需要更多识别信息

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

1. 从财务数据获取：
   - 产品价格 p_i
   - 收入 R_i = p_i × q_i
   - 总成本 C_i（来自财报）
   - 固定成本估计 F_i

2. 推算变动成本：
   VC_i = C_i - F_i

3. 推算产量：
   q_i = R_i / p_i

4. 计算边际成本：
   通过假设生产函数形式（线性或二次）
   MC_i = dVC_i / dq_i

5. （或）从生产函数估计：
   使用成本函数 C_i(q) = c_i × q + ...
   估计参数c_i

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

包含信息：
- 营业收入（Sales）
- 产品特定的收入（如果分部报告）
- 成本的各个部分（COGS, R&D, SG&A）
- 资产、资本投资等

Pellegrino的使用：
1. 对于能分离成本的企业（分部报告），直接计算MC
2. 对于无法分离的企业，使用行业平均的MC
   （这会引入噪声）

1
2
3
4
5
6
7
8
9

情景1：χ_i = 1（完全中心，周围全是对手）
     μ_i = 1 + 0×μ̄_i = 1（无加成，完全竞争）

情景2：χ_i = 0（完全边缘，没有对手）
     μ_i = 0 + 1×μ̄_i = μ̄_i（完全垄断加成）

情景3：χ_i = 0.5（混合）
     μ_i = 0.5×1 + 0.5×μ̄_i = 0.5 + 0.5×μ̄_i
     （介于完全竞争和垄断之间）

1
2
3
4
5
6
7

定义：χ作为(2I + Σ)^{-1}的某个函数

例如：
χ_i = 1 / (某个归一化的网络强度指标)

或：
χ_i = 1 - (1 / (π̄_i^max))  其中π̄_i^max是孤立利润

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

分子 b_i：消费者对产品i的"需求位移"
           （每单位产量的消费者支付意愿）

分母 c_i：生产成本

比率 ω_i：生产率
       高ω_i → 低成本制造高需求产品
       低ω_i → 高成本或低需求

示例：
iPhone: b_iPhone很高（消费者愿意支付），c_iPhone中等
        ω_iPhone = 很高 → 生产率很高

低端产品: b_low很低，c_low也低
         ω_low = 中等 → 生产率中等

1
2
3
4
5
6
7

规则：每个企业独立选择产量，互相竞争

均衡：q^Cournot = (2I + Σ)^{-1}(b - c)

特点：
- 不同企业有不同的加成率（取决于竞争网络位置）
- 这是当前美国经济的"现状"

1
2
3
4
5
6

约束：p_i = c_i（价格等于边际成本）

从反需求函数：
  c_i = b_i - q_i - Σ_{ij} q_j

这是一个线性方程组，可以求解q^PC

1
2
3

目标：max_q Π^total(q) = (p(q) - c)' q

约束：消费者最多愿意支付反需求曲线上的价格

1
2
3
4
5
6

约束：总劳动投入H保持与古诺均衡一致
       但可以重新分配：

       max_q W(q) s.t. H(q) = H^Cournot

目标：消除生产率差异导致的资源错配

1
2
3
4
5
6
7
8
9

现象：高生产率企业（如Apple）产量可能偏低
      低生产率企业（如低端品牌）产量偏高

      这是因为竞争网络位置的差异，不是自然的

资源配置效率场景：
      如果能让高生产率企业多生产，低生产率少生产
      同时总投入不增加，总产出会增加
      （这叫"生产率增长"）

1
2
3

场景3约束：Σ_i q_i^H = Σ_i q_i^Cournot

目标：max_{q^H: Σq=Σq^C} W(q^H)

1
2
3
4
5

DWL^PC = W^PC - W^Cournot
        = [(b-c)'q^PC - ½(q^PC)'(I+Σ)q^PC]
          - [(b-c)'q^C - ½(q^C)'(I+Σ)q^C]

        = (b-c)'(q^PC - q^C) - ½[(q^PC)'(I+Σ)q^PC - (q^C)'(I+Σ)q^C]

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

时间序列：1995-2021

1995年：DWL / 总剩余 ≈ 7.8%
        含义：古诺均衡比完全竞争损失8%的总福利

2021年：DWL / 总剩余 ≈ 12.5%
        含义：损失增长到12.5%

趋势：DWL上升了约60%（相对值）

分解：
- 消费者剩余的比例：从X%下降到Y%
- 生产者剩余的比例：从Z%上升到W%
  （蛋糕更多被企业吃掉了）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

观察：DWL上升

原因1：企业的加成率上升
       即：μ_i在上升
       解释：企业获得了更多市场力量

原因2：企业的产品差异化加强
       即：α（替代强度）下降（或A'A变得更"块状"）
       解释：产品更容易进行市场分割

通过反事实模拟，可以量化：
"如果α保持1995年的水平，DWL会如何变化？"
"如果所有μ_i都保持1995年的水平，DWL会如何变化？"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

U(q, H) = α(x'b^x - ½x'x) + (1-α)(y'b^y - ½y'y) - H

问题：
1. 为什么是二次？
   - 因为二次是**可处理的**（Tractable）
   - 但现实消费者偏好可能更复杂

2. 对称性假设
   - 假设对所有特征的替代弹性都相同
   - 现实中，某些特征可能有互补效应

3. 边际效用递减的速度
   - 二次函数意味着严格的递减速度
   - 常数替代弹性(CES)模型可能更有现实感

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

问题：为什么可信？

支持论证：
1. 企业在财报中会准确描述业务
2. 竞争对手描述相似特征
3. 词频应该反映产品差异

批评论证：
1. 管理层有激励强调与竞争对手的区别
   → 文本相似度会**低估**产品相似度

2. 财报包含大量法律/行政语言
   → 噪声可能很大

3. 无形资产（品牌、声誉）不会充分反映在文本中
   → 遗漏重要维度

4. 产品变化很快（如科技行业）
   → 年度财报的滞后性

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

古诺竞争假设：企业选择产量（Quantity)

问题：
1. 许多行业是价格竞争（Bertrand）
   - Bertrand均衡与Cournot均衡很不同
   - DWL可能被低估或高估

2. 古诺假设均衡存在且唯一
   - 现实可能有多重均衡或无均衡
   - 本模型的**势博弈**性质保证了唯一性

3. 完美信息
   - 企业知道所有竞争对手的成本和特征
   - 现实中有信息不对称

解决方向：
可以推广到Bertrand竞争（选择价格）
但计算会更复杂（loss of closed-form solution）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

问题：
只有一个"代表"消费者，享受某个产品篮子

缺陷：
1. 无法捕捉消费者异质性
   - 不同消费者对产品的评价不同
   - 无法分析"市场细分"

2. 无法进行消费者福利的分配分析
   - 总福利上升，但可能某些消费者受损
   - 不能识别赢家和输家

3. 无法解释"购买与不购买"的决定
   - 代表性消费者总是购买正数量
   - 现实中有许多人不购买某些产品

改进方向：
引入离散选择模型（每个消费者选或不选）
或随机系数logit（消费者异质性）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

1. 行业覆盖面
   - HP数据来自所有行业的上市公司
   - 遗漏：未上市公司、小企业、新创企业
   - 偏差：大企业可能在创新方面不同

2. 时间覆盖
   - 从1980s开始
   - 早期数据可能质量较差（文本处理）

3. 国际维度
   - 主要是美国公司
   - 全球化意味着许多竞争是跨国的
   - 遗漏这一点，竞争网络会被扭曲

4. 隐性产品退出
   - 财报中描述可能仍然是旧业务
   - 新产品进入可能不会立即反映

例子：Apple的iPhone发布于2007年
      但Apple的财报在之前可能仍然强调Mac和iPod
      → 相似度的时滞

5. 无形资产
   - 品牌价值、消费者粘性不会显式出现在文本中
   - 技术秘密、供应链优势也不会

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

问题：
1. 单个锚点（Nevo麦片数据）
   - 仅基于一个行业（麦片）
   - 能否推广到整个经济？
   - 麦片市场的替代弹性可能特殊

2. 时间变化
   - α在1995-2021年间固定
   - 但替代强度可能随时间演变
   - 例如：互联网使产品更易替代？

3. 行业异质性
   - 不同行业的α可能不同
   - 某些行业（如医药）产品高度差异
   - 其他行业（如快速消费品）产品同质

改进方向：
- 使用多个微观研究的平均结果
- 允许α随时间和行业变化
- 进行广泛的敏感性分析

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

思路：
不需要估计需求！

只需要：
1. 价格p_i
2. 产量q_i
3. 生产要素的成本数据

从利润最大化的FOC，直接反演MC_i
然后计算 μ_i = (p_i - MC_i) / p_i

优势：
- 简单快速
- 无需需求数据
- 覆盖面广（所有行业）

缺陷：
- "黑盒"：不知道为什么加成率上升
  （是产品变好？还是竞争减弱？）
- 无法进行反事实（例如合并的影响）
- 无法进行福利分析

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

Pellegrino保留了供给侧的简单性，
但加上了需求侧的结构：

1. 从De Loecker获得边际成本MC_i
2. 从文本数据获得竞争网络
3. 通过模型，分解加成率为：
   μ_i = 中心度 × f(竞争) + (1-中心度) × g(生产率)

结果：
✓ 知道为什么加成率上升
✓ 可以进行反事实
✓ 可以进行福利分析

代价：
✗ 引入了文本数据和校准的假设
✗ 计算相对复杂

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

优势：
1. 离散选择，符合现实（消费者买或不买）
2. 完整估计需求参数
3. 可以处理消费者异质性
4. 标准的IO工具

缺点：
1. 维度灾难：需要估计N^2个替代关系
2. 只能应用于中等规模市场（N < 500)
3. 计算非常复杂（嵌套有限元模拟）
4. 宏观应用困难

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

Pellegrino的方法：
不用BLP的离散选择框架，而是：
1. 用连续（代表性消费者）模型
2. 用参数化的替代结构（基于特征）
3. 直接求解闭形解

权衡：
✓ 可以应用于N=4,000企业
✓ 计算快速（矩阵求逆）
✓ 宏观适用

✗ 代表性消费者框架有局限
✗ 特征相似度可能不完全反映替代

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

当前模型：静态

问题：
1. 企业会学习竞争对手的行动
2. 投资决策（R&D、营销）是前瞻性的
3. 进入/退出动态

动态扩展：
- 将模型嵌入Ericson-Pakes框架
- 允许企业基于竞争网络做长期投资
- 分析产业演化

挑战：
- 计算难度指数级增加
- 需要求解动态规划问题

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

当前：仅美国上市公司

缩放到全球：
1. 包括非美国竞争对手
2. 考虑国际竞争
3. 贸易政策的影响（关税、壁垒）

例子：
中国企业的进入如何影响美国企业的加成率？
(可能降低，提高竞争强度)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

当前模型：产品特征a_i是固定的

动态扩展：
企业可以通过R&D改变自己的特征位置

博弈：
企业会选择创新什么特征？
- 靠近高利润的区域？
- 远离竞争对手？
- 还是创新全新的维度？

这涉及到**空间竞争** (Spatial Competition)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

当前反事实：完全竞争、垄断、资源配置

更有现实意义的政策反事实：
1. 兼并反垄断政策
   "如果禁止Microsoft收购Activision会怎样?"

2. 数据政策
   "如果强制科技巨头分享用户数据呢?"

3. 产业补贴
   "绿色能源补贴对竞争结构的影响?"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

1. 劳动市场
   - 企业vs劳动力的匹配
   - 工资差异的网络解释

2. 供应链竞争
   - 零件提供商之间的竞争
   - 整车企业的议价力

3. 金融市场
   - 金融机构之间的竞争
   - 市场集中度与创新

4. 高等教育
   - 大学之间的竞争
   - 学费、招生的决定

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

1. 摘要和引言
   - 理解研究问题和主要贡献

2. 图表和表格
   - 主要的实证发现
   - 是否有新的模式/趋势？

3. 结论
   - 政策含义是什么？
   - 对相关研究的影响

目标：获得"30秒电梯演讲"能力
"这篇论文做了什么，为什么重要？"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

1. 模型部分（Section 2）
   - 理论的逻辑架构
   - 关键的权衡和假设

2. 识别和估计（Section 3）
   - 数据如何来的
   - 参数如何被钉死的
   - 有哪些假设？

3. 实证结果（Section 4-5）
   - 核心数值发现
   - 与直觉是否一致？

4. 福利分析（Section 6）
   - DWL的大小
   - 趋势意义是什么？

目标：能用自己的语言讲解论文的故事

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

1. 假设的可信性
   - 哪些假设强，哪些弱？
   - 如果放松会怎样？

2. 数据质量
   - HP文本数据的局限是什么？
   - α的校准结果有多稳健？

3. 政策含义
   - 论文支持什么政策？
   - 有其他解释吗？

4. 未来研究
   - 如果你是这个论文的作者，下一步是什么？
   - 还有什么重要问题没有解答？

目标：成为批判性的读者
"这个论文做对了什么，做错了什么，还能改进什么？"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

Pellegrino的论文教会我们：

不要试图包罗万象。
选择一个关键的权衡，做深入。

这篇论文的权衡：
微观精确性 vs. 宏观可扩展性

通过：
- 参数化替代结构（降维）
- 闭形解（快速计算）
- 网络视角（新洞察）

你的论文可能的权衡：
- 动态模型vs静态模型
- 离散选择vs连续量
- 微观数据vs宏观数据

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

Pellegrino创新地使用了HP的文本数据。

这启示我们：
不需要自己搜集全新的数据。

很多高质量的"副产品数据"已经存在：
- 文本（财报、新闻、专利摘要）
- 网络（供应链、交易网络）
- 行为数据（消费者搜索、点击）

你的论文：
- 有没有利用已有的数据资源？
- 能否以新的方式组合现有数据？

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

这篇论文的结构：

理论 → 实证 → 政策
  ↑         ↓
  └─────────┘

1. 理论：提供清晰的经济学框架
   - 让读者理解"为什么"

2. 实证：用数据校准和检验理论
   - 让读者相信"是否成立"

3. 政策：展示现实中的含义
   - 让读者明白"有什么后果"

很多论文缺少其中一个角：
- 纯理论：无法应用
- 纯实证：无法解释
- 纯政策：无法推广

你的论文：
是否形成了完整的三角形？

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

单纯的"加成率上升"很难让人印象深刻。

但如果你能量化"这意味着消费者损失了多少钱"，
突然就变得很重要。

Pellegrino的DWL分析：
从12.5%的无谓损失 → 政策的紧迫性

你的论文：
- 如果发现了某个现象（如集中度上升）
- 能否转化为"人民生活成本上升X%"的形式？
- 这样的转化会大幅提高论文的影响力

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

Pellegrino的模型中：

竞争矩阵 Σ = α(A'A - I)

是由企业的产品特征a_i决定的。

但追根溯源的问题：

为什么企业会选择现在的特征a_i？

几个可能的答案：

1. 比较优势理论
   - 企业根据自己的禀赋选择专精的特征
   - 例如：擅长高端的企业选择高端特征

2. 产业历史路径
   - "先发制人"（First-mover）导致特征分散
   - 后来者选择空白的特征维度

3. 创新与学习
   - 企业通过R&D创造新特征
   - 形成"创新网络"

这些是**更深层的**动态问题，
超出了Pellegrino的静态模型范围。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

模型的一个隐含洞察：

不平等不仅来自生产率差异(ω_i)，
还来自网络位置(χ_i)。

含义：

即使两个企业的生产率相同(ω_1 = ω_2)，
它们的加成率可能很不同，
因为它们在竞争网络中的位置不同。

这在收入分配理论中是**新的**：

传统宏观：企业生产率差异 → 收入差异
网络视角：企业位置差异 → 收入差异

现实应用：

为什么某些行业的集中度很高？
(如：科技行业，FAANG占主导地位)

一个答案：
他们不仅生产率高(ω大)，
而且处于网络中心(χ大)
双重叠加 → 加成率非常高 → 利润非常高

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

这篇论文没有使用标准的GMM估计α。

而是用"校准"的方法：

选择α使得模型生成的
交叉价格弹性 ≈ Nevo (2001)的估计

这引发了一个方法论问题：

优点：
1. 利用现有的微观计量证据
2. 跨越不同方法的知识（文本 + 需求估计）
3. 提供了外生的识别

缺点：
1. 校准的α只有一个值（如0.12）
   但现实中可能有分布

2. 对Nevo数据的依赖很高
   如果Nevo的估计有偏，整个结果受影响

3. 无法进行统计推断（没有置信区间）

4. 校准基于一个行业（麦片）
   假设这个弹性适用于所有行业

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

假设你是论文的评论者，如何改进？

建议1：多个校准目标
- 不仅用Nevo的交叉价格弹性
- 还用其他研究的需求参数
- 例如：Own-price elasticity from other papers
- 通过最小二乘法找到最优的α

建议2：信息矩阵方法
- 将校准与标准参数估计结合
- 用企业之间的价格-特征相关性
- 直接估计α（虽然困难）

建议3：稳健性检查
- 报告当α从0.05到0.25的完整范围内
- 主要结果（DWL、加成率分解）如何变化
- 确保发现对α不敏感

建议4：动态校准
- 允许α随时间变化
- 反映竞争强度的历史演变

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

1. 理论贡献
   构建了一个新的需求-供给框架：
   ✓ 微观基础：消费者对特征的偏好
   ✓ 竞争结构：通过产品相似度的网络
   ✓ 宏观可解：闭形解，可应用于几千个企业
   ✓ 加成分解：将定价力分解为"质量"和"网络位置"

2. 方法贡献
   ✓ 创新使用文本数据（HP财报）代理竞争网络
   ✓ 将势博弈方法应用到竞争网络
   ✓ 混合方法论：结合供给侧简单性和需求侧结构

3. 实证贡献
   ✓ 量化了美国企业加成率上升的来源
   ✓ 计算了垄断力的福利成本（DWL从8%升到12.5%）
   ✓ 识别了竞争网络变化的经济影响

4. 政策贡献
   ✓ 指明反垄断政策的目标（特别是"网络中心"的企业）
   ✓ 量化了福利损失

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

通常的答案：
1. 技术变化（技能溢价）
2. 全球化（制造业外包）
3. 教育不平等

这篇论文提供了新的视角：

企业层面的不平等源于：
1. 生产率分化（某些企业很高效）
2. 竞争网络的稀疏化（某些行业竞争减弱）

后果：
- 加成率高的企业（Apple, Microsoft, Google）
  获得了高额利润
- 这些利润流向少数股东和高管
- 贡献于收入不平等上升

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

传统故事：
企业生产率提高 → 工资上升

现实（过去30年）：
企业生产率提高，但实际工资停滞

部分解释（Pellegrino的框架）：

企业的生产率收益，
部分被用来提高加成率（而非降价或提工资），
因为：
1. 网络地位给了他们定价力
2. 竞争对手也在提价
3. 结果：消费者福利停滞，企业利润上升

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

观察：
美国经济中，少数大企业的市场份额在上升
(Apple, Microsoft, Amazon, Google等)

两个可能的原因：

原因1（传统）：
这些企业更创新、更有效率
他们凭借优越的技术赢得市场份额

原因2（Pellegrino的新视角）：
这些企业不仅产品好，
而且处于竞争网络的中心位置
允许他们定更高的价格和利润
这吸引了更多资本和人才
进一步强化他们的垄断力

结果：赢家通吃 (Winner-take-all)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

Pellegrino的论文给了很好的示范：

1. 选择一个"古老"的问题
   (企业加成率、市场集中度、福利)

2. 用"新的视角"来看
   (竞争网络的拓扑，而非传统行业分类)

3. 利用"新的数据"来检验
   (HP文本数据，而非传统的调查或价格数据)

4. 开发"新的工具"来分析
   (势博弈+网络中心度，而非标准的供求曲线)

这样做的好处：
✓ 古老问题 = 高相关性（people care）
✓ 新视角 = 高原创性（haven't seen this before）
✓ 新数据 = 高可行性（feasible to execute）
✓ 新工具 = 高影响力（novel insights）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

1. 真实性 (Authenticity)
   问题是否真的重要？能否改变人们的想法？

2. 原创性 (Originality)
   这个方法/数据/视角是否新颖？
   还是在重复已有的工作？

3. 严谨性 (Rigor)
   论证是否站得住脚？假设是否合理？
   是否存在致命的漏洞？

4. 可信性 (Credibility)
   结果是否与现实一致？
   是否经过充分的稳健性检验？

5. 影响力 (Impact)
   结果对政策或理论有什么启示？
   是否能改进决策或促进创新？

对Pellegrino论文的评分：

真实性：A+ (完全就是关于美国经济集中度上升，大家都关心)
原创性：A  (竞争网络的视角相对新，但有相关工作)
严谨性：B+ (模型清晰，但假设有待加强)
可信性：B  (HP数据有局限，α校准方法可商榷)
影响力：A+ (DWL结果强劲，政策含义清晰)

整体：A-（一篇优秀的论文，但不是完美的）

1
2
3
4
5
6

☐ 在3行内能否总结论文的主要贡献？
☐ 作者的假设清单是什么？哪个最强/最弱？
☐ 最重要的一个图表是什么？它说了什么？
☐ 如果我想挑战这篇论文，最强的批评是什么？
☐ 这篇论文与我自己的研究有什么关系？
☐ 我是否同意论文的主要结论？为什么/为什么不？