📈 economics

Distance Functions and Generalized Means: Duality and Taxonomy

本文通过引入受阿特金森不平等指数启发的广义均值距离函数，将生产经济学中的多种效率测度解释为基于斯通 - 乔治瑞效用函数的形式，建立了其与利润函数的对偶关系，并证明了在无需凸性假设的情况下，这些结果涵盖了文献中大多数已知的对偶对应关系。

原作者： Walter Briec

发布于 2026-04-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Walter Briec

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在给经济学里的“效率”概念做了一次大统一。作者试图用一种通用的“语言”（基于效用函数的广义平均），把过去几十年里各种各样衡量生产效率的尺子（距离函数）都串起来，并解释了它们背后的数学原理。

为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“如何评价一个厨师的烹饪水平”**。

1. 背景：我们在衡量什么？

在经济学里，我们想知道一个工厂（或厨师）是否“高效”。

传统做法（径向测量）： 就像问：“如果你把做菜的所有原料都减少 20%，还能做出同样多的菜吗？”如果能，说明你还有浪费空间。这就像把原料按比例缩小。
另一种做法（非径向/方向性测量）： 就像问：“如果你只减少盐的用量，或者只减少水的用量，能做出同样的菜吗？”这更灵活，允许你针对特定的短板进行改进。

过去，经济学家发明了很多种不同的“尺子”来衡量这种效率，有的叫“法雷 - 洛夫尔（Färe-Lovell）”尺子，有的叫“方向性距离”尺子。它们看起来长得不一样，用起来也不太一样，让人有点晕。

2. 核心创新：一把“万能尺子”

这篇论文的作者 Walter Briec 提出了一个**“万能尺子”**（广义平均方向距离函数）。

比喻：做菜的“底线”与“提升”
作者借用了经济学里的Stone-Geary 效用函数概念。你可以把它想象成：
- 底线（生存线）： 做菜至少要放 1 克盐（这是底线，不能少）。
- 提升空间： 在底线之上，你还能加多少盐、加多少糖，让菜变得更好吃？
作者说，所有的效率测量，本质上都是在问：“从你现在的状态（底线之上），通过调整各种原料（净投入），最多能往‘完美状态’走多远？”

他引入了一个参数 $p$ ，就像调节“万能尺子”的旋钮：
- 当 $p$ 调到负无穷（ $-\infty$ ）： 这把尺子变得非常“挑剔”。它只看最短板（木桶效应）。只要有一个原料没优化好，效率就不高。这对应了传统的方向性距离函数。
- 当 $p$ 调到 1： 这把尺子开始平均计算。它看的是所有原料改进幅度的平均值。这对应了著名的Färe-Lovell 效率测量。
- 当 $p$ 调到正无穷（ $+\infty$ ）： 这把尺子变得非常“宽容”但关注最大值。它只看改进幅度最大的那一项。这对应了非对称方向距离函数。
- 当 $p$ 调到 0： 这把尺子变成了乘法模式（几何平均）。这对应了乘法 Färe-Lovell 测量。
结论： 以前那些看起来完全不同的尺子，其实只是这把“万能尺子”在不同旋钮设置下的样子！

3. 数学背后的“对偶”：利润与距离

论文还做了一件很酷的事：建立了**“距离”和“利润”**之间的桥梁（对偶理论）。

比喻：厨师的“距离”与老板的“利润”
- 距离视角（Primal）： 厨师想：“我要怎么调整原料，才能离‘完美菜品’最近？”（这是在找距离）。
- 利润视角（Dual）： 老板想：“如果我把这些原料卖出去，或者按市场价格算账，我的利润是多少？”
作者证明了，“厨师想缩短的距离” 和 “老板想计算的利润” 其实是同一枚硬币的两面。
- 如果你知道老板怎么定价（价格向量），你就能算出厨师离完美有多远。
- 如果你知道厨师离完美有多远，你也能反推出老板心里的“影子价格”。
最厉害的一点： 作者发现，即使工厂的生产技术不是完美的、平滑的曲线（即不需要“凸性”假设，这在现实中很常见，因为现实世界充满了不规则），这个“距离”和“利润”的对应关系依然成立！这打破了以前很多理论必须假设世界是“平滑完美”的限制。

4. 为什么这很重要？

统一了语言： 以前大家争论哪种效率测量方法更好，现在我们知道它们只是同一个数学框架下的不同特例。
更灵活： 你可以根据实际情况，旋转那个 $p$ 旋钮。如果你关心最差的环节，就调低 $p$ ；如果你关心整体平均，就调高 $p$ 。
更真实： 不需要假设世界是完美的（凸的），这让理论更能解释现实世界中那些乱七八糟、不光滑的生产情况。

总结

这就好比作者发明了一个**“万能遥控器”**。
以前，经济学家手里有几十个不同的遥控器，每个只能控制一种特定的灯（效率指标）。
现在，作者告诉大家：“其实只有一个遥控器，上面有个旋钮（参数 $p$ ）。你往左转，它控制这种灯；往右转，它控制那种灯。而且，这个遥控器不仅能控制灯，还能直接告诉你电费（利润）是多少，哪怕电路（生产技术）是乱接的也没关系！”

这篇论文就是把这个“万能遥控器”的说明书写出来了，让经济学家们能更清晰、更统一地看待生产效率问题。

这是一份关于 Walter Briec 所著论文《从效用函数和广义均值到距离函数：Stone-Geary 方法及相关对偶结果》的详细技术总结。

1. 研究背景与问题 (Problem)

在生产经济学中，技术效率的衡量通常涉及两类主要概念：

径向效率（如 Debreu-Farrell 测度）：基于等产量线，假设所有投入或产出按相同比例变化。
非径向/方向性效率（如 Russell 测度、Färe-Lovell 测度、方向性距离函数）：允许不同维度的投入/产出以不同比例调整，旨在达到有效前沿面（Efficient Subset）。

现有问题：

理论割裂：消费者理论（基于效用函数）与生产者理论（基于距离函数和对偶性）虽然相互依存，但长期以来独立发展。
效率测度的局限性：传统的方向性距离函数（Directional Distance Function, DDF）在 $p \to -\infty$ 时对应于最小化最大松弛，往往只能识别弱有效点（Weakly Efficient），而无法保证识别强有效点（Strongly Efficient），除非技术集满足特定凸性条件。
缺乏统一框架：现有的各种效率测度（如 Färe-Lovell、Slack-based、Asymmetric 等）缺乏一个统一的数学框架来解释它们之间的内在联系，特别是它们与效用函数理论的联系。

本文目标：
建立一个形式化的联系，将生产者的效率测度解释为基于 Stone-Geary 效用函数 的效用最大化问题，并引入广义均值（Generalized Mean） 距离函数，从而统一现有的多种效率测度，并推导出不依赖凸性假设的对偶定理。

2. 方法论 (Methodology)

本文采用公理化方法和对偶理论，构建了一个基于效用函数的距离函数框架。

2.1 基于效用的距离函数定义

作者受 Stone-Geary 效用函数（通常用于处理生存消费水平）的启发，定义了一类新的距离函数 $D(z)$ 。

核心思想：距离函数被定义为从当前生产向量 $z$ 到可行集 $T$ 中支配 $z$ 的集合 $T_z$ 中某一点 $u$ 的“效用”最大化的改进量。
数学形式：
$D(z) = \sup_{u \in T_z} W(u - z)$
其中 $W$ 是一个满足特定性质（如非递减、上半连续、 $W(0)=0$ ）的效用映射。 $u-z$ 代表净投入/产出的改进向量。

2.2 广义均值效用函数 (Generalized Mean Utility Functions)

为了涵盖现有的各种测度，作者引入了基于 Aczel 均值 和 Atkinson 不平等指数 的广义均值效用函数 $W_p$ ：

对于 $p \in \mathbb{R} \setminus \{0\}$ ： $W_p(\delta) = \left( \frac{1}{d} \sum \delta_k^p \right)^{1/p}$
对于 $p = 0$ ：几何平均（乘积形式）。
对于 $p = -\infty$ ：最小值（Min）。
对于 $p = +\infty$ ：最大值（Max）。

通过调整参数 $p$ 和方向向量 $g$ ，构建广义均值方向性距离函数 (Generalized Mean Directional Distance Function, $DW_{p,g}$ )。

2.3 对偶性分析

文章分两种情况讨论对偶性：

$p \ge 1$ (凸/范数情况)：利用最大范数定理（Maximum Norm Theorem），将距离函数最大化问题转化为利润函数的对偶问题。此过程不需要技术集 $T$ 是凸的。
$p < 1$ (拟凹效用情况)：利用拟凹效用函数的间接效用函数（Indirect Utility Function）和拉格朗日对偶性，建立距离函数与利润函数之间的联系。

3. 主要贡献与结果 (Key Contributions & Results)

3.1 统一了现有的效率测度

该框架证明，许多著名的效率测度仅仅是广义均值距离函数在特定参数 $p$ 下的特例或极限情况（见表 1）：

$p = -\infty$ ：对应传统的方向性距离函数 (Directional Distance Function, DDF)。
$p = 1$ ：对应方向性 Färe-Lovell 测度。
$p = 0$ ：对应乘积型 Färe-Lovell 测度。
$p = +\infty$ ：对应非对称方向性距离函数 (Asymmetric Directional Distance Function)。
$p \to -\infty$ 的极限：恢复了 Debreu-Farrell 径向效率测度。

3.2 效率性质的刻画 (Axiomatic Properties)

强有效性与弱有效性：
- 当 $p > 0$ 时，距离函数为零当且仅当生产向量位于强有效子集 (Strong Efficient Subset, $E(T)$ )。这意味着该测度能准确识别帕累托最优解。
- 当 $p \le 0$ 时，距离函数为零仅对应弱有效子集 (Weak Efficient Subset, $F(T)$ )。这解释了为什么传统的 DDF ( $p=-\infty$ ) 无法区分强有效和弱有效点。
单调性：证明了该距离函数在方向 $g$ 上是单调递减的。

3.3 不依赖凸性的对偶定理 (Duality without Convexity)

这是本文最重要的理论突破之一：

传统观点：通常认为距离函数与利润函数的对偶关系依赖于生产集 $T$ 的凸性假设。
本文发现：
- 对于 $p \ge 1$ ，利用最大范数定理，建立了 $DW_{p,g}$ 与利润函数 $\Pi$ 的对偶关系，完全不需要假设 $T$ 是凸集。
- 对于 $p < 1$ ，利用拟凹效用函数的性质，同样推导出了对偶关系。
对偶形式：
- 当 $p \ge 1$ 时，对偶问题是最大化利润差（Maximization），约束条件涉及 $L_q$ 范数（ $1/p + 1/q = 1$ ）。
- 当 $p < 1$ 时，对偶问题是最小化利润差（Minimization），约束条件涉及间接效用函数。

3.4 数值示例与几何解释

文章通过数值例子和几何图形（如不同 $p$ 值下的等值线形状）展示了：

$p < 0$ 时，等值线呈现“内凹”形状，倾向于最小化最大松弛（Leontief 型）。
$p > 0$ 时，等值线呈现“外凸”形状，倾向于平均化改进。
$p = 1$ 时，对应线性（Färe-Lovell）情况。
极限情况 $p \to \pm \infty$ 分别对应角点解（Kink solutions）和极端方向。

4. 意义与影响 (Significance)

理论整合：成功地将消费者理论中的 Stone-Geary 效用概念引入生产理论，为各种分散的效率测度提供了一个统一的“效用基础”解释。这表明不同的效率指标实际上是在不同的“效用函数”下对同一生产前沿的评估。
突破凸性限制：在无需假设生产集凸性的情况下建立了对偶定理，极大地扩展了该理论在非参数生产分析（如 DEA 中的非凸技术集）中的适用性。
指导实践：
- 为政策制定者或管理者提供了选择合适效率测度的理论依据：如果关注强有效性（避免松弛浪费），应选择 $p > 0$ 的测度；如果关注最小化最大短板，可选择 $p \le 0$ 。
- 揭示了不同测度在计算上的对偶性质差异（最大化 vs 最小化问题），有助于算法设计。
跨学科联系：将生产经济学与多准则决策（MCDM）、博弈论（如 Kalai-Smorodinsky 解、Nash 解）以及社会福利函数（Atkinson 指数）紧密联系起来，丰富了生产经济学的分析工具。

总结

Walter Briec 的这篇文章通过引入基于 Stone-Geary 效用和广义均值的距离函数框架，不仅统一了生产经济学中广泛使用的各类效率测度，还证明了这些测度与利润函数之间的对偶关系可以在非凸技术集下成立。这一工作为理解技术效率的几何结构、选择适当的评估指标以及进行更稳健的生产率分析提供了坚实的理论基础。