彈性進階：從對數導數到最適訂價與識別問題

如果彈性會隨著價格一路改變，那「一個」彈性數字到底有什麼意義？

你在入門篇學過：同一條直線型需求曲線上，彈性其實處處不同——高價段有彈性、低價段無彈性、中點剛好單位彈性。這個事實看似只是個小注腳，卻埋下了一個讓許多人困惑的問題：既然彈性會隨價格滑動，那麼當廠商說「我家產品的彈性大約是 1.8」、當論文寫「汽油的長期需求彈性約 0.7」時，他們指的究竟是哪一點的彈性？又或者，他們其實假設了一條處處彈性相同的需求曲線？

答案牽涉到一個進階篇才會認真面對的分水嶺：點彈性（point elasticity）與弧彈性（arc elasticity）的根本差異，以及為什麼經濟學家在實證與理論建模時，往往刻意選用一種「彈性是常數」的特殊需求函數。從這裡出發，我們會一路走到獨占廠商的最適訂價、最適課稅理論、與計量上如何把彈性「估」出來。這些都是彈性真正展現威力的地方——它不只是課本上的一個比值，而是把消費者理論、廠商行為、政府政策與計量方法串成一線的樞紐。

點彈性：把「百分比比值」變成「對數導數」

入門篇用的中點法，本質上是在一段「弧」上取平均，這在資料只有兩點時很實用。但理論分析需要的是某一點上的瞬間敏感度。我們讓價格的變動趨近於零，彈性就從差分變成微分：

$$\varepsilon_d = \frac{dQ/Q}{dP/P} = \frac{dQ}{dP}\cdot\frac{P}{Q}$$

這就是點彈性。它把「斜率的倒數 $dQ/dP$」乘上「該點的價量比 $P/Q$」。注意斜率 $dQ/dP$ 對一條直線型需求曲線而言是常數，但 $P/Q$ 會隨著你沿曲線移動而改變——這正是「同一條直線上彈性處處不同」的數學來源。

更優雅的寫法，是用對數微分。因為 $d\ln Q = dQ/Q$、$d\ln P = dP/P$，所以：

$$\varepsilon_d = \frac{d\ln Q}{d\ln P}$$

入門篇的研究所視角曾點到這個對數形式，但沒說它為什麼如此重要。關鍵在於：彈性等於「對數需求曲線的斜率」。如果我們把需求函數寫成 $Q = A P^{-b}$ 這種冪次型（power form），取對數後得到 $\ln Q = \ln A - b\ln P$，這是一條斜率為 $-b$ 的直線。於是這條需求曲線的彈性在每一點都恰好等於 $-b$——一個常數。

這種需求函數叫等彈性需求（constant-elasticity demand）。它解釋了一個你或許曾隱約覺得矛盾的現象：明明入門篇說「彈性會變」，為什麼實證論文卻動不動就報一個單一的彈性數字？因為他們在建模時，刻意假設需求是冪次型，使彈性成為一個可以被乾淨估計的常數參數。這不是偷懶，而是一個有意識的取捨：用「彈性恆定」換取「模型可估、結論可詮釋」。

看一個例子：直線需求 vs. 等彈性需求

假設兩家分析師面對同一組資料點：價格 50 元時賣 100 單位，價格 60 元時賣 80 單位。

分析師 A 套用直線需求 $Q = 200 - 2P$（你可以驗證 $P=50$ 給 $Q=100$、$P=60$ 給 $Q=80$）。在 $P=50$ 這一點，斜率 $dQ/dP=-2$，所以：

$$\varepsilon_d = -2 \times \frac{50}{100} = -1$$

剛好單位彈性。但如果換算到 $P=60$：$\varepsilon_d = -2 \times 60/80 = -1.5$，變成有彈性。同一條曲線，兩個價格，兩個彈性。

分析師 B 套用等彈性需求 $Q = A P^{-b}$。用兩點解聯立：$\frac{100}{80} = (60/50)^{b}$，取對數得 $b = \ln(1.25)/\ln(1.2) \approx 1.22$。在這個模型裡，無論價格是 50 還是 60，彈性都固定是 $-1.22$。

兩位分析師看的是同一筆資料，卻會對「再漲一點價會怎樣」給出不同預測。這提醒我們：報告彈性時，背後永遠藏著一個函數形式的假設。沒有「客觀中立」的彈性數字，只有「在某模型、某價格區間下」的彈性。

馬歇爾 vs. 希克斯：一個價格變動，兩種彈性

入門篇提到 Slutsky 方程式把價格效果拆成替代與所得兩部分。進階篇我們把它完全寫成彈性的語言，因為這是福利分析與實證解讀的關鍵。

當價格上漲，消費者買得更少，原因有二：(1) 這個商品相對變貴了，轉而買替代品（替代效果）；(2) 實質購買力下降，整體變窮了（所得效果）。我們平常在市場上觀察到的需求曲線，是兩者加總的馬歇爾需求（Marshallian / 一般需求）；而只保留替代效果、把購買力補償到原效用水準的，是希克斯需求（Hicksian / 補償需求）。

把 Slutsky 方程式 $\frac{\partial x}{\partial P} = \frac{\partial x^h}{\partial P} - x\,\frac{\partial x}{\partial m}$ 各項乘上 $P/x$ 化為彈性，可得一個漂亮的關係：

$$\varepsilon_d = \varepsilon_d^{h} - s\,\varepsilon_m$$

其中 $\varepsilon_d$ 是（馬歇爾）價格彈性、$\varepsilon_d^{h}$ 是希克斯（補償）價格彈性、$\varepsilon_m$ 是所得彈性，而 $s = Px/m$ 是該商品佔總支出的比重。

這條式子一口氣解釋了入門篇列的兩個決定因素。第一，支出佔比 $s$ 越大，馬歇爾彈性與希克斯彈性差距越大——這就是為什麼房租、汽油這類「吃掉大半薪水」的商品，所得效果不可忽略。第二，對佔比極小的商品（一盒火柴的 $s$ 趨近 0），$\varepsilon_d \approx \varepsilon_d^{h}$，所得效果可以放心忽略。這也是為什麼局部均衡分析常假設「準線性效用」——好讓所得效果消失、兩種需求合而為一，使消費者剩餘的計算變得乾淨。

順帶一提，這也澄清了一個迷思：吉芬財（Giffen good）並不違反需求法則的本質。它之所以可能出現 $\varepsilon_d > 0$（漲價反而買更多），是因為它是極端劣等財（$\varepsilon_m$ 為大負值）且佔支出比重高，使得 $-s\,\varepsilon_m$ 這個正項大到壓過了負的替代效果。希克斯需求（替代效果）永遠是負的；違反直覺的只是馬歇爾需求。

替代彈性：彈性家族裡最被低估的成員

到目前為止談的都是「需求量對價格」的反應。但生產與消費理論裡還有一個威力強大、入門篇完全沒提的概念：替代彈性（elasticity of substitution, $\sigma$）。它問的不是「量對價」，而是「兩種投入（或財貨）的相對使用量，對它們相對價格的反應有多大」。

以生產為例，廠商用資本 $K$ 與勞動 $L$ 生產。當工資相對資本租金變貴（$w/r$ 上升），廠商會少用勞動、多用機器。替代彈性衡量這個替換的容易程度：

$$\sigma = \frac{d\ln(K/L)}{d\ln(w/r)}$$

• $\sigma \to 0$：兩投入是完全互補（如左鞋與右鞋），比例固定，再怎麼改變相對價格也換不動。對應 Leontief 生產函數。
• $\sigma \to \infty$：兩投入是完全替代，一點價差就全部換過去。
• $\sigma = 1$：對應大名鼎鼎的 Cobb–Douglas 生產函數，此時無論相對價格如何變，兩投入的支出佔比保持不變——這是 Cobb–Douglas 之所以好用的數學祕密。

更一般的 CES（constant elasticity of substitution）生產函數

$$Y = \left[\alpha K^{\rho} + (1-\alpha) L^{\rho}\right]^{1/\rho},\qquad \sigma = \frac{1}{1-\rho}$$

是現代總體經濟、成長理論、所得分配研究的主力工具。為什麼？因為「所得是否會越來越集中於資本」這個當代大哉問，數學上幾乎完全取決於 $\sigma$ 是否大於 1。若 $\sigma>1$（資本與勞動容易互換），當機器越來越便宜、越用越多時，資本的所得佔比會上升，勞動相對吃虧；若 $\sigma<1$ 則相反。Piketty 在《二十一世紀資本論》裡的核心爭論，本質上就是一場關於 $\sigma$ 數值的辯論。一個小小的彈性參數，竟撐起了關於貧富差距的世紀論戰。

廠商如何用彈性訂價：Lerner 指數與反彈性法則

入門篇談過彈性與總收入的關係，但那只回答了「漲價是賺是賠」。進階篇要回答更精準的問題：一個有市場力量的廠商，最適價格到底該訂在哪裡？ 答案直接寫在彈性裡。

獨占廠商追求利潤極大，條件是邊際收入等於邊際成本（$MR=MC$）。可以證明，邊際收入與彈性的關係是：

$$MR = P\left(1 + \frac{1}{\varepsilon_d}\right) = P\left(1 - \frac{1}{|\varepsilon_d|}\right)$$

把 $MR=MC$ 代入並整理，得到經濟學裡最實用的訂價公式之一——Lerner 指數（Lerner index），也就是反彈性訂價法則（inverse elasticity rule）：

$$\frac{P - MC}{P} = \frac{1}{|\varepsilon_d|}$$

左邊是「加成率（markup）」：價格高出邊際成本的比例。這條式子說的是：廠商面對的需求越無彈性，加成越高、訂價越狠。

這帶出兩個深刻結論。其一，獨占廠商絕不會在需求無彈性的區段（$|\varepsilon_d|<1$）營運。因為若 $|\varepsilon_d|<1$，公式會要求 $P-MC$ 超過 $P$，亦即 $MC<0$，這不可能。直覺上，在無彈性區漲價既能增收又能省成本（賣得少），廠商一定會繼續漲到進入有彈性區為止。所以獨占的均衡必然落在 $|\varepsilon_d|>1$ 的區段——這是一個只有懂彈性才能看穿的結構性事實。

動手試試

某軟體公司估計其產品需求彈性為 $|\varepsilon_d|=4$，邊際成本（多一份授權的成本，幾乎只有伺服器費用）為每份 100 元。最適加成率是多少？最適價格呢？

由反彈性法則：$\frac{P-MC}{P}=\frac{1}{4}=0.25$，即價格的 25% 是加成。解 $P-100 = 0.25P$，得 $0.75P=100$，$P\approx 133$ 元。

現在假設這家公司透過品牌綁定與資料鎖定，把客戶的彈性壓到 $|\varepsilon_d|=2$（替代更難了）。重算：$\frac{P-MC}{P}=0.5$，$0.5P=100$，$P=200$ 元。彈性減半，最適價格從 133 漲到 200。 這就是為什麼企業砸大錢做品牌、做生態系綁定、做轉換成本——它們真正在買的，是「讓你的需求變得更無彈性」的權利。

反彈性法則的孿生兄弟：最適課稅與 Ramsey 法則

最迷人的是，同一個「反彈性」邏輯，從廠商訂價跳到政府課稅後依然成立，只是目標相反。獨占廠商用反彈性法則榨取消費者，而政府的最適課稅理論（Ramsey）用反彈性法則來最小化傷害。

入門篇的研究所視角談過：彈性越小的一方稅負越重、彈性越大則無謂損失越大。我們把無謂損失（deadweight loss, DWL）寫得更精確。對一個小幅單位稅 $t$，在局部近似下：

$$DWL \approx \frac{1}{2}\cdot\frac{|\varepsilon_d|\,\varepsilon_s}{|\varepsilon_d|+\varepsilon_s}\cdot\frac{t^2}{P}\cdot Q$$

兩個重點藏在這條式子裡。第一，DWL 與 $t^2$ 成正比——稅率加倍，效率損失變四倍，這是「寧可對很多商品各課一點，也別對單一商品課重稅」的數學根據。第二，DWL 與彈性正相關：對越有彈性的商品課稅，扭曲越嚴重。

於是 Ramsey 最適商品稅法則呼之欲出：若要籌一筆固定稅收又想把總無謂損失壓到最小，對需求越無彈性的商品，應該課越高的稅率。粗略地說，各商品的稅率應與其彈性成反比：

$$\frac{t_i}{P_i} \propto \frac{1}{|\varepsilon_i|}$$

這在效率上完美，卻立刻撞上公平的高牆。最無彈性的商品往往是米、鹽、藥這類民生必需品，而它們在窮人預算中佔比最大。純粹照 Ramsey 法則課稅，等於對窮人最重——這就是為什麼現實的稅制總是在「效率（Ramsey 偏好的反彈性課稅）」與「公平（對必需品減免、對奢侈品加稅）」之間痛苦拉鋸。彈性告訴你效率的方向，但它不會替你做價值判斷。理解這個張力，比背下公式更重要。

把彈性「估」出來：識別問題與工具變數

入門篇結尾提過識別問題：市場上觀察到的價量點，是供需曲線交點的軌跡，直接迴歸會得到混淆的偏誤估計。進階篇我們把這件事講透，因為這是「彈性從理論走向資料」最容易摔跤的地方。

想像每一期的供給或需求都會因為各種衝擊而左右移動。如果某段時間只有供給在動（需求穩定），那麼一連串的交點就會「描出」需求曲線——此時迴歸估到的是需求彈性。反之若只有需求在動，描出的是供給曲線。但真實世界兩條曲線同時亂晃，交點散成一團雲，對它硬跑迴歸得到的東西，既不是需求彈性也不是供給彈性，而是兩者糾纏的產物。這就是 1920 年代 Working 與 Wright 提出的經典識別問題（identification problem）。

解法是工具變數（instrumental variable, IV）：找一個只移動其中一條曲線、卻不直接影響另一條的外生變數。

• 要估需求彈性，需要一個移動「供給」但不直接影響需求的工具。經典做法是用天氣：乾旱讓農產供給左移，但消費者想吃多少米並不直接看天氣。供給被天氣推著沿需求曲線滑動，於是需求曲線被「點亮」。
• 要估供給彈性，則反過來找移動需求的工具，如外國的所得衝擊（影響出口需求，不直接影響本國產能）。

在實作上，最常見的形式是把等彈性需求取對數後做兩階段最小平方（2SLS）：

$$\ln Q = \alpha + \beta \ln P + \varepsilon,\qquad \beta = \varepsilon_d$$

第一階段用工具 $Z$（如天氣）預測 $\ln P$，第二階段再用預測值估 $\beta$。這樣估出的 $\beta$ 才是乾淨的需求彈性，而非供需混淆的相關係數。這個框架不只是歷史古董——今天數位平台做 A/B 定價實驗，本質上就是用隨機指派當工具變數，人為製造一個「只動價格、不動需求偏好」的外生變動，從而把彈性因果性地估出來。實驗設計，是 IV 思想在資料科學時代的化身。

重點回顧

• 點彈性 $\varepsilon_d = \dfrac{d\ln Q}{d\ln P}$ 是對數需求曲線的斜率；等彈性（冪次型）需求 $Q=AP^{-b}$ 之所以是實證主力，正因它讓彈性成為一個處處恆定、可乾淨估計的參數——但任何單一彈性數字都隱含一個函數形式假設。
• Slutsky 方程式可完全寫成彈性語言 $\varepsilon_d = \varepsilon_d^{h} - s\,\varepsilon_m$：支出佔比 $s$ 越大、所得效果越不可忽略；吉芬財是所得效果壓過替代效果的極端情形，而非違反需求法則的本質。
• 替代彈性 $\sigma$ 衡量投入或財貨相對使用量對相對價格的反應；CES 函數中 $\sigma$ 是否大於 1，決定了資本與勞動的所得分配走向，是貧富差距論戰的數學核心。
• 反彈性法則橫跨訂價與課稅：獨占的最適加成 $\frac{P-MC}{P}=\frac{1}{|\varepsilon_d|}$（故均衡必在有彈性區段），Ramsey 最適稅則要對越無彈性的商品課越高稅——但這與公平正面衝突。
• 估計彈性的核心障礙是識別問題：供需同時移動使直接迴歸偏誤；解法是用只移動單一曲線的工具變數（天氣估需求、所得衝擊估供給），現代 A/B 實驗即其化身。

深入探討（研究所視角）

把彈性推到研究所前沿，它會從「一個參數」升級為「一整套對偶結構與恆等式網絡」。

對偶性與 Roy 恆等式。 馬歇爾需求可由間接效用函數 $v(P,m)$ 透過 Roy 恆等式 $x_i = -\dfrac{\partial v/\partial P_i}{\partial v/\partial m}$ 導出；希克斯需求則由支出函數 $e(P,u)$ 經 Shephard 引理 $x_i^h = \partial e/\partial P_i$ 導出。彈性因而不是孤立的數字，而是這些對偶函數一階導數的對數正規化。Slutsky 矩陣 $\left[\frac{\partial x_i^h}{\partial P_j}\right]$ 的對稱性與半負定性，translate 成彈性後給出一組可檢驗的交叉彈性對稱限制：$s_i\,\varepsilon_{ij}^h = s_j\,\varepsilon_{ji}^h$。這些限制是需求系統實證（如 AIDS、Almost Ideal Demand System）施加在迴歸係數上的理論約束，也是檢驗「資料是否與理性消費者一致」的工具。

加總限制（aggregation restrictions）。 完整需求系統必須滿足三組來自預算限制的恆等式：(1) Engel 加總——所得彈性的支出加權平均等於 1，$\sum_i s_i\,\varepsilon_{mi}=1$（所得多出來的錢必須花光）；(2) Cournot 加總——任一價格的交叉彈性加權和受限；(3) 零次齊性——所有名目價格與所得同比例上漲，需求不變，意味各財貨對全部價格與所得的彈性總和為零，$\sum_j \varepsilon_{ij}+\varepsilon_{mi}=0$。這條最後的恆等式正是「沒有貨幣幻覺」的彈性表述：經濟主體只對相對價格反應。估計需求系統時違反這些限制，往往是模型設定錯誤的警訊。

動態與長短期彈性。 入門篇說「時間越長彈性越大」，研究所層次用部分調整模型（partial adjustment）或誤差修正模型（ECM）把它形式化。在 $\ln Q_t = \alpha + \beta_0 \ln P_t + \gamma \ln Q_{t-1}+\varepsilon_t$ 的設定下，$\beta_0$ 是短期彈性，而長期彈性為 $\beta_0/(1-\gamma)$，因為過去消費習慣 $\ln Q_{t-1}$ 帶來慣性。這解釋了為何油價的短期彈性常估在 0.1 上下、長期卻可達 0.6—0.8：換車、搬家、產業轉型需要時間累積。能源與氣候政策評估若誤用短期彈性去推估長期碳稅效果，會嚴重低估減排潛力——這是一個彈性誤用會直接釀成政策失誤的真實案例。

前沿方向。 當代研究把彈性推向更細的維度。其一，異質彈性（heterogeneous elasticity）：不同所得、不同地區的消費者彈性差異極大，平均彈性會掩蓋分配後果，需用追蹤資料（panel）與分量迴歸捕捉。其二，結構需求估計（如 BLP 隨機係數 logit）從個體選擇導出市場層級的彈性矩陣，是產業組織與反托拉斯分析（評估併購是否抬價）的標準工具。其三，機器學習因果推論（雙重機器學習、因果森林）讓我們在高維控制變數下，估計隨情境變動的「條件彈性」。無論工具多麼進步，核心問題始終如一：我們想知道的是因果性的反應幅度，而資料給的往往只是相關性的交點軌跡。 從 Wright 的天氣工具變數，到今日平台的隨機定價實驗，整部彈性實證史，其實就是一部人類設法把「敏感度」從觀察資料中乾淨識別出來的奮鬥史。