Each language version is independently generated for its own context, not a direct translation.
想象你走进一家巨大的超市。过道无穷无尽，摆满了成千上万种不同的商品。在旧有的消费思维模式中，经济学家假设顾客会沿着过道走，查看每一件商品，计算出所有可能购买物品的完美组合，然后选出最佳搭配。这就像假设你大脑里有一台超级计算机，能瞬间解决一个包含三万个变量的数学问题。
本文认为，现实中的消费者并非如此思考。相反，我们使用的是“考虑集”或“购物篮”。
核心理念：“心理购物清单”
把你的大脑想象成拥有有限的存储空间。你并不会考虑商店里的每一件商品，而只考虑特定的组合。
- 类比：想象你想做鳄梨酱（guacamole）。你不会仅仅把“牛油果”、“洋葱”和“青柠”视为彼此独立、互不相关的商品。你脑海中有一个“篮子”，上面写着：如果我买牛油果，我就必须也买洋葱和青柠。
- 本文的转折：大多数人只将这三样东西一起购买。他们很少在没有牛油果的情况下单独购买洋葱和青柠。本文将这些特定组合称为“购物篮”。消费者选择的是填充哪个篮子，而不是从整个商店中单独挑选每一件商品。
问题：“选择过多”的陷阱
作者阿丰索·罗德里格斯（Afonso Rodrigues）想要研究疫情期间（2020–2023 年）葡萄牙的超市之间如何相互竞争。他拥有30,000 种不同产品的数据。
- 数学难题：如果你试图计算一种商品的价格如何影响每一种其他商品的价格，计算数量会呈爆炸式增长。这就像试图绘制一个拥有数百万人口的城市中所有可能的友谊关系；地图会变得大到无法绘制。
- 角解问题：此外，人们经常对某些商品购买零数量。如果价格上涨，你可能会完全停止购买。这在数学中形成了“角点”，导致标准模型失效。
解决方案：一种新的计数方法
罗德里格斯发明了一种新方法来解决这个问题。
- 代理指标：与其询问每位购物者他们的想法，不如观察人们实际一起购买了什么。如果人们经常一起购买牛奶和面包，模型就将它们视为“伙伴”。如果人们很少一起购买它们，它们就是“竞争对手”。
- 代表性购物者：他证明，尽管每个人的心理清单略有不同，但如果你观察整个群体的购物者，他们的集体行为就像一个拥有巨大、综合购物篮的单一“代表性购物者”。这使得经济学家能够利用简单的数学来理解复杂的群体行为。
- 针对“零购买”的修正：他开发了一种特殊的数学技巧，来处理人们经常对某些商品购买零数量的事实。这将价格变动的影响与人们决定完全停止购买某件商品的影响区分开来。
他们发现了什么？（葡萄牙超市的故事）
利用这种新方法分析疫情期间葡萄牙超市的数据，本文发现：
- 价格出奇地稳定：尽管世界处于混乱之中（疫情、供应链问题），但“加价率”（商店在商品成本上增加的额外利润金额）基本保持不变。
- “高端”短暂激增：在 2022 年底左右，最昂贵、加价率最高的商品利润出现了一个微小且短暂的激增。
- 原因是什么？ 并不是商店突然变得贪婪。似乎是购物者的习惯发生了改变。
- “缺货”效应：当受欢迎且便宜的商品缺货时（这在疫情期间很常见），人们被迫购买那些有货的昂贵、高加价率商品。
- 结果：商店并不一定为了获取更多利润而提高价格；他们只是因为人们别无选择，而卖出了更多昂贵的商品。
宏观图景
这篇文章就像给经济学家提供了一副新眼镜。以前，他们试图一次性观察整个商店，结果得到了一幅模糊、令人困惑的画面。现在，他们可以观察人们实际携带的特定“购物篮”。
这表明，在一个选择过多的世界里，人们不会一次性思考所有事情。他们是以“捆绑包”的方式思考的。当这些捆绑包发生变化时（例如当鳄梨酱的原料缺货时），即使商店本身没有试图改变任何东西，整个市场也会随之改变。
Each language version is independently generated for its own context, not a direct translation.
技术摘要：消费者购物篮选择
问题与动机
本文旨在解决在具有大量选择集、多单位购买和跨类别消费特征（如超市零售）的差异化产品市场中，估计结构性需求所面临的挑战。传统的离散选择模型（如混合 Logit 模型）难以扩展到此类环境中存在的数万个商品，而连续需求系统（如线性需求）在实证实施方面面临重大障碍。具体而言，线性需求遭受“维数灾难”的困扰，即价格效应参数的数量随商品数量呈二次方增长，且由于供需同时性导致的价格内生性问题。此外，线性需求的标准加总往往无法通过代表性消费者来合理化观测到的市场数据，特别是当消费者因偏好异质性或约束而面临角点解（即对某些商品的需求为零）时。
一个关键但常被忽视的问题是“考虑集”：消费者并非评估所有可行的消费组合，而是评估“购物篮”（商品组合）的一个子集。这种理性的忽视创造了超越标准替代或互补关系的商品间依赖关系，使得需求参数的识别变得复杂。本文旨在开发一个能够容纳这些约束的结构框架，从而利用聚合交易数据估计 vast 产品 assortment 中的价格弹性和加价率。
方法论与理论框架
作者提出了一种新颖的方法，将准线性二次效用规范与受潜在考虑集约束的消费者选择理论相结合。
理论模型：
- 效用与约束： 消费者在预算约束下最大化准线性二次效用函数。关键在于，消费组合被限制在矩阵 Ai 的锥形包络内，该矩阵代表消费者特定的“购物篮”集合（独特的商品组合）。
- 加总结果： 一个关键的理论贡献是证明了具有不同考虑集的异质消费者的聚合需求，可以由单一代表性消费者合理化。这成立的条件是：(i) 不同消费者的局部需求斜率成比例（意味着在哪些商品是替代品或互补品上达成一致），以及 (ii) 聚合考虑集足够丰富。这一结果使得尽管存在个体异质性和角点解，仍能从市场层面数据中恢复结构性参数。
- 需求的唯一性： 虽然由于考虑集的维度约束，最优购物篮选择向量可能不唯一，但由此产生的对单个商品的需求被证明是唯一的且呈线性。
实证策略：
- 数据： 本研究利用了来自四家葡萄牙超市（隶属于 SONAE MC）的匿名销售点数据，时间跨度为 2020 年 2 月至 2023 年 2 月。数据集包含 571 个子类别中约 24,925 种商品。
- 降维： 为了解决维数灾难，本文采用了一种半参数方法。它使用基于联合购买频率的统计模型（基于 Tian 等人，2021）来构建替代和互补关系的代理矩阵。这些代理通过 Neumann 级数展开（多项式级数）纳入需求系统，有效地近似了逆 Hessian 矩阵，而无需为每一对价格估计完整的参数矩阵。
- 处理角点解： 本文引入了一种控制函数方法，以纠正由聚合角点解（零购买）产生的“楔形”偏差。这涉及一个迭代过程：模型首先估计一个“朴素”的无约束需求，计算由非负约束引起的残差楔形，然后调整因变量重新估计模型。这将真实的价格效应与活跃消费者集合的变化区分开来。
- 识别： 估计采用两阶段最小二乘法（2SLS）。价格内生性问题通过使用 Hausman 风格的工具变量（其他商店的平均竞争对手价格）与代理滞后项交互来解决。主成分分析（PCA）用于使协变量正交化并减轻多重共线性。
主要贡献
- 带有考虑集的加总： 本文为在高维线性需求系统中使用代表性消费者模型提供了理论依据，即使消费者具有异质的考虑集并面临角点解。这放宽了以往文献（如 Gorman，1953）的严格同质性要求。
- 线性需求的可扩展估计： 通过将基于代理的降维与针对角点解的控制函数修正相结合，本文展示了一种在拥有数万个商品的市场中估计结构性线性需求的可行方法，克服了 Gandhi 和 Nevo（2021）所强调的识别和计算障碍。
- 实证应用： 该框架应用于 COVID-19 大流行期间的葡萄牙超市行业，这是一个供需冲击显著的时期，用于分析店内竞争和定价动态。
结果
- 加价率稳定性： 估计的收入加权平均加价率在 2020 年至 2023 年间平均约为 8.5%。在整个样本期间，主要商品类别的加价率保持相对稳定。
- 后疫情动态： 观察到加价率出现短暂且轻微的上升（2022 年第三季度峰值约为 10.5%），但这几乎完全由处于最高加价率百分位的商品驱动。这一增长并非由超市异质性驱动。
- 消费者行为： 对加价率转变和固定篮指数的分析表明，2022 年末的增长与消费者偏好的转变和供应链中断相吻合。消费者似乎将支出重新分配到高加价率商品上，这可能是由于低加价率替代品缺货或消费模式改变（例如，减少外出就餐）所致。
- 弹性估计： 本文报告的收入加权中位自身价格弹性在幅度上显著更大（例如，啤酒为 -44.93），高于现有文献中使用单类别混合 Logit 模型得出的结果。作者将这种差异归因于包含了跨类别效应，而这些效应在单类别研究中常被忽略，从而导致那些背景下的弹性估计存在偏差。
意义与主张
本文声称，为研究差异化产品市场中重要的政策问题打开了大门，这些问题此前由于数据限制和模型复杂性而难以调查。通过验证在高维考虑集设置中使用线性需求系统，该方法促进了对以下内容的分析：
- 折扣对互补商品的影响。
- 消费税对基本商品的影响。
- 自有品牌与全国性品牌之间的跨类别替代。
作者谦逊地指出，虽然该框架允许估计结构性参数，但消费者在替代模式上达成共识（即成比例的需求斜率）的假设仍然是未来研究的可检验主张。此外，本文承认数据集缺乏具体的库存数据，限制了系统性地验证缺货影响的能力，尽管结果与关于此类影响的轶事报道一致。研究结果表明，线性需求的实证工作受功能形式本身的限制较少，而更多受限于在大型产品空间中可信地估计它的难度；一旦降低维度并明确建模角点解，线性需求就成为一种理解竞争的可扩展工具。