一些簡單的凸分析及其应用

时隔两年多,恢复更新了。这是一些簡單的凸分析的续篇。

目前只是草稿,会有很多错误。

Don’t follow my arguments for now, it’s just a draft of a draft.

在这篇中,我们想用一套统一的凸分析工具,把高微(一)中消费者理论和厂商理论里常见的对象——支出函数、间接效用函数、成本函数、利润函数——的性质“打包”推一遍,尽量不靠背诵,而是从共轭与支撑函数定理出发统一推出。

更具体一点,我们的目标是:

  • 从 concave / convex 指标函数(indicator functions)出发,引入 concave conjugate;
  • 把支出函数、成本函数、利润函数都写成某个指标函数的共轭;
  • 说明 Support Function Theorem、Conjugate Duality Theorem(Young–Fenchel)如何一锅端地产生 Shephard lemma、Hotelling lemma、Slutsky 矩阵等结论。

(间接效用函数稍微麻烦一些,这篇先主要讲支出 / 成本 / 利润。)

几个基本定义:指标函数与凹共轭

凹指标函数与凸指标函数

令 A⊂RmA\subset \mathbb{R}^m 是一个凸集合。

凹指标函数(concave indicator)定义为

IA(x)={0,x∈A,−∞,x∉A. I_A(x) = \begin{cases} 0, & x\in A,\\ -\infty, & x\notin A. \end{cases}

也就是说,IAI_A 在集合内部“不给惩罚”(取 0),在集合外部施加无穷大的负惩罚(−∞-\infty),使得任何 maximization / minimization 问题在有效域之外都变得劣得无法被选择。

对应的凸指标函数(convex indicator)定义为

δA(x)=−IA(x)={0,x∈A,+∞,x∉A. \delta_A(x) = - I_A(x) = \begin{cases} 0, & x\in A,\\ +\infty, & x\notin A. \end{cases}

注意这里的 IAI_A 与测度论中的 0/10/1 指示函数是不同的记号;我们在这个笔记中始终用上面的 extended real–valued 版本。

这一对定义基本上跟 Boyd / Border 的凸分析讲义完全一致。对凸集合 AA,IAI_A 是凹函数、δA\delta_A 是凸函数。

凹共轭(concave conjugate)

在本文中,我们主要在“凹函数的世界”里工作。给定一个凹函数 f:E→R⋆f:E\to\mathbb{R}^{\star}(取值允许 ±∞\pm\infty),其凹共轭(concave conjugate)定义为

f⋆(p):=inf⁡x∈E{p⋅x−f(x)}. f^{\star}(p) := \inf_{x\in E} \{p\cdot x - f(x)\}.

这是 Boyd / Border 的凹共轭约定:注意这里是“inf”,而不是更常见的“sup”(那对应的是凸共轭)。两者通过 f↔−ff \leftrightarrow -f 的转换可以互相翻译。全文约定:f⋆f^{\star} 一律指凹共轭(取 inf),凸共轭沿用 Fenchel 共轭的通行写法 f∗(p)=sup⁡x{p⋅x−f(x)}f^{*}(p)=\sup_{x}\{p\cdot x-f(x)\}(Border, Ec 181, Definition 16.1.1)。

若 f=IAf=I_A 是凹指标函数,则

  • 若 x∉Ax\notin A,则 f(x)=−∞f(x)=-\infty,于是

    p⋅x−f(x)=p⋅x−(−∞)=+∞; p\cdot x - f(x) = p\cdot x - (-\infty) = +\infty;

  • 若 x∈Ax\in A,则 f(x)=0f(x)=0,于是

    p⋅x−f(x)=p⋅x. p\cdot x - f(x)=p\cdot x.

因此对任何给定的 pp,

IA⋆(p)=inf⁡x∈E{p⋅x−IA(x)}=inf⁡x∈Ap⋅x. I_A^{\star}(p) = \inf_{x\in E}\{p\cdot x - I_A(x)\} = \inf_{x\in A} p\cdot x.

我们把

f(p):=IA⋆(p)=inf⁡x∈Ap⋅x f(p) := I_A^{\star}(p) = \inf_{x\in A} p\cdot x

称为集合 AA 的(凹)支撑函数(support function)。这是“由集合得到一个凹函数”的一个非常统一的方式。

经济学上你可以这样理解:

  • AA 可以是某个上等偏好集(upper contour set),例如 U(uˉ)={x:u(x)≥uˉ}U(\bar u)=\{x: u(x)\ge \bar u\};
  • 也可以是某个上等产集(input requirement set)Z(q)={z:f(z)≥q}Z(q)=\{z: f(z)\ge q\};
  • 在这两种情况下,inf⁡x∈Ap⋅x\inf_{x\in A} p\cdot x 就分别对应于“支出函数”和“成本函数”。

这一点下一节会更精确地写出来。

支出 / 成本 / 利润作为指标函数的共轭

这一节先把几个经典对象统一写成共轭形式。

支出函数 e(p,u)e(p,u)

令偏好可由一个连续、准凹的效用函数 u:X→Ru:X\to\mathbb{R} 表示。给定目标效用水平 uˉ\bar u,定义上等偏好集

U(uˉ):={x∈X:u(x)≥uˉ}. U(\bar u) := \{x\in X: u(x)\ge \bar u\}.

考虑支出最小化问题

e(p,uˉ):=inf⁡x∈X{p⋅x:x∈U(uˉ)}=inf⁡x∈U(uˉ)p⋅x. e(p,\bar u) := \inf_{x\in X} \{p\cdot x : x\in U(\bar u)\} = \inf_{x\in U(\bar u)} p\cdot x.

这正好就是凹指标函数 IU(uˉ)I_{U(\bar u)} 的凹共轭:

IU(uˉ)⋆(p)=inf⁡x∈U(uˉ)p⋅x=e(p,uˉ). I_{U(\bar u)}^{\star}(p) = \inf_{x\in U(\bar u)} p\cdot x = e(p,\bar u).

也就是说,支出函数是上等偏好集的支撑函数。这一点在 Boyd 的 Example 7.4.2 里明确写出。

成本函数 c(w,q)c(w,q)

令 f:R+m→R+f:\mathbb{R}^m_+\to\mathbb{R}_+ 为一个连续、凹的生产函数。给定目标产量 qq,定义上等产集

Z(q):={z∈R+m:f(z)≥q}. Z(q) := \{z\in\mathbb{R}^m_+ : f(z)\ge q\}.

成本函数定义为

c(w,q):=inf⁡z∈R+m{w⋅z:z∈Z(q)}=inf⁡z∈Z(q)w⋅z. c(w,q) := \inf_{z\in\mathbb{R}^m_+} \{w\cdot z : z\in Z(q)\} = \inf_{z\in Z(q)} w\cdot z.

同样地,这是 Z(q)Z(q) 的凹指标函数的凹共轭:

IZ(q)⋆(w)=inf⁡z∈Z(q)w⋅z=c(w,q). I_{Z(q)}^{\star}(w) = \inf_{z\in Z(q)} w\cdot z = c(w,q).

所以成本函数也是一个支撑函数。Boyd 在 Example 7.4.2 中也把成本函数解释为 IZ(q)⋆(w)I_{Z(q)}^{\star}(w)。

利润函数 π(p)\pi(p)

产业这边更方便的写法是用“净产出向量”。令 Y⊂RmY\subset\mathbb{R}^m 是 production set(正坐标是产出,负坐标是投入)。给定价格向量 p∈Rmp\in\mathbb{R}^m,利润函数为

π(p):=sup⁡y∈Yp⋅y. \pi(p) := \sup_{y\in Y} p\cdot y.

令 δY=−IY\delta_Y=-I_Y 是 YY 的凸指标函数,则它的凸共轭为

δY∗(p)=sup⁡y∈Y{p⋅y−δY(y)}=sup⁡y∈Yp⋅y=π(p). \delta_Y^{*}(p) = \sup_{y\in Y} \{p\cdot y - \delta_Y(y)\} = \sup_{y\in Y} p\cdot y = \pi(p).

换句话说,利润函数是 convex indicator 的 convex conjugate。Boyd 在 Example 7.4.2 中给出了这点,并指出这意味着利润函数是一个凸函数。

到这里为止,我们已经把三大“值函数”写成了统一的形式:

  • 支出函数:e(p,uˉ)=IU(uˉ)⋆(p)e(p,\bar u)=I_{U(\bar u)}^{\star}(p);
  • 成本函数:c(w,q)=IZ(q)⋆(w)c(w,q)=I_{Z(q)}^{\star}(w);
  • 利润函数:π(p)=(−IY)∗(p)\pi(p)=( -I_Y)^{*}(p)。

下面两节我们先不给经济解释,先纯粹在凸分析层面陈述两个主角:

  • Conjugate Duality Theorem;
  • Support Function Theorem。

Conjugate Duality Theorem(Young–Fenchel)

这一节给出凹共轭版本的 Conjugate Duality Theorem,用的是 Boyd 的刻画。

Young–Fenchel 不等式与等式

给定适当、凹、上半连续的函数 f:E→R⋆f:E\to\mathbb{R}^{\star},其凹共轭为

f⋆(p)=inf⁡y{p⋅y−f(y)}. f^{\star}(p)=\inf_{y} \{p\cdot y - f(y)\}.

由定义立刻有:对任意 x,px,p,

f⋆(p)≤p⋅x−f(x)⇒f(x)+f⋆(p)≤p⋅x. f^{\star}(p) \le p\cdot x - f(x) \quad\Rightarrow\quad f(x) + f^{\star}(p) \le p\cdot x.

这就是Young–Fenchel 不等式。等号何时成立?

一方面,若 p∈∂⋆f(x)p\in\partial^{\star} f(x),即 pp 是在 xx 处的 supergradient,则 supergradient 不等式

f(y)≤f(x)+p⋅(y−x)∀y f(y) \le f(x) + p\cdot (y-x)\quad\forall y

等价于

p⋅x−f(x)≤p⋅y−f(y)∀y, p\cdot x - f(x) \le p\cdot y - f(y)\quad\forall y,

于是

f⋆(p)=inf⁡y{p⋅y−f(y)}=p⋅x−f(x), f^{\star}(p) = \inf_y \{p\cdot y - f(y)\} = p\cdot x - f(x),

所以

f(x)+f⋆(p)=p⋅x. f(x)+f^{\star}(p)=p\cdot x.

反之,若 f(x)+f⋆(p)=p⋅xf(x)+f^{\star}(p)=p\cdot x,再代回去可以验证 supergradient 不等式成立,从而 p∈∂⋆f(x)p\in\partial^{\star} f(x)。这就是 Boyd 所谓的 Young–Fenchel Equality。

Conjugate Duality Theorem

定理(Conjugate Duality Theorem,凹版本)
令 f:E→R⋆f:E\to\mathbb{R}^{\star} 为适当、凹、上半连续函数。以下六个条件等价:

  1. xx 使 p⋅y−f(y)p\cdot y - f(y) 在 y∈Ey\in E 上取得最小:

    x∈arg⁡min⁡y{p⋅y−f(y)}. x\in\arg\min_{y} \{p\cdot y - f(y)\}.

  2. p∈∂⋆f(x)p\in\partial^{\star} f(x),即 pp 是 ff 在 xx 的 supergradient。
  3. Young–Fenchel Equality 在 (x,p)(x,p) 处成立:

    f(x)+f⋆(p)=p⋅x. f(x) + f^{\star}(p) = p\cdot x.

  4. 对 f⋆⋆f^{\star\star} 也成立:

    f⋆⋆(x)+f⋆(p)=p⋅x. f^{\star\star}(x) + f^{\star}(p) = p\cdot x.

  5. x∈∂⋆f⋆(p)x\in\partial^{\star} f^{\star}(p),即 xx 是 f⋆f^{\star} 在 pp 的 supergradient。
  6. pp 使 q⋅x−f⋆(q)q\cdot x - f^{\star}(q) 在 qq 上取得最小:

    p∈arg⁡min⁡q{q⋅x−f⋆(q)}. p\in\arg\min_{q} \{q\cdot x - f^{\star}(q)\}.

证明思路完全是 Boyd 讲义里的那套:利用 Young–Fenchel Equality 对 ff 与 f⋆f^{\star} 各用一次,再用 f⋆⋆=ff^{\star\star}=f(凹、上半连续保证)把 (3) 与 (4) 链接起来,即可得到 (1)–(6) 的相互等价。

在后面的 Support Function Theorem 里,第 (3) 条“x(p)=∂⋆f(p)x(p)=\partial^{\star} f(p)”以及第 (6) 条关于 Hessian 的结论,都要用到这个定理。

Support Function Theorem

现在回到最开始的设定。

令 A⊂RmA\subset\mathbb{R}^m 为凸集合,IAI_A 为其凹指标函数,支撑函数

f(p):=IA⋆(p)=inf⁡x∈Ap⋅x. f(p) := I_A^{\star}(p) = \inf_{x\in A} p\cdot x.

定义对应的解 correspondence

x(p):={x∈A:p⋅x=f(p)}, x(p) := \{x\in A : p\cdot x = f(p)\},

即 min⁡x∈Ap⋅x\min_{x\in A} p\cdot x 的解集(如果存在最小值的话)。

Support Function Theorem(凹版本)
在上述设定下:

  1. f(p)f(p) 是凹的、上半连续、对 pp 齐次一阶(homogeneous of degree one)。此外,ff 在 int⁡(dom⁡f)\operatorname{int}(\operatorname{dom} f) 上连续。
    • 在典型的经济学情景中(A⊂R+mA\subset\mathbb{R}^m_+ 且满足单调性),ff 在 R+m\mathbb{R}^m_+ 上对每个价格坐标 pkp_k 单调非减——这反映了“价格上升不会降低最小支出 / 成本”。
  2. 若 AA 闭且凸,则

    f⋆(x)=IA(x), f^{\star}(x) = I_A(x),

    换言之 IA⋆⋆=IAI_A^{\star\star}=I_A;因此

    A={x:f⋆(x)=0}={x:p⋅x≥f(p) ∀p}, A = \{x: f^{\star}(x)=0\} = \{x: p\cdot x \ge f(p)\ \forall p\},

    即 AA 可以被看成是所有“支撑超平面”p⋅x≥f(p)p\cdot x\ge f(p) 的交。
  3. 若 AA 凸,则最小化问题的解满足

    x(p)=∂⋆f(p), x(p) = \partial^{\star} f(p),

    即 x(p)x(p) 是 ff 在 pp 的 supergradient 集。若最小解唯一,则 ff 在 pp 的方向导数存在,且

    Df(p;v)=x(p)⋅v. Df(p;v) = x(p)\cdot v.

  4. 若 xi∈x(pi)x_i\in x(p_i) 对 i=0,1i=0,1,则

    (x1−x0)⋅(p1−p0)≤0. (x_1 - x_0)\cdot (p_1 - p_0) \le 0.

    这是 supergradient 单调性的一个直接 corollary,也可以被解释为 Hicksian demand / 条件要素需求满足“(广义)需求定律”。
  5. x(p)x(p) 对 pp 齐次 0 阶:即对任意 t>0t>0,

    x(tp)=x(p). x(tp) = x(p).

    经济上,这意味着成本最小化需求 / Hicksian demand 只取决于相对价格,不取决于价格的绝对水平。
  6. 若 AA 凸且 f∈C2f\in C^2,则 x(p)x(p) 可微,Jacobian

    Dx(p)=D2f(p) D x(p) = D^2 f(p)

    是对称、半负定矩阵,且

    D2f(p) p=0. D^2 f(p)\,p = 0.

    这最后一个等式是因为 ff 对 pp 是齐次一阶,套用 Euler 定理即可。对支出函数而言,Dp2eD^2_p e 就是 Slutsky substitution matrix(补偿需求的 Hessian),因此自然是对称、半负定,且与齐次性一起给出标准的 Slutsky 条件。

这些性质在 Boyd 的 Support Function Theorem(Ch.7.5.5)中给出,并在后续的 Cost Theorem 中具体应用于成本函数。

Attaching names:把支出 / 成本 / 利润函数贴到支撑函数定理上

现在回到经济学对象,用上一节的 Support Function Theorem 一条一条“贴标签”。

1. 支出函数 e(p,u)e(p,u) 的性质

回忆:

e(p,u)=IU(u)⋆(p),U(u)={x:u(x)≥u}. e(p,u) = I_{U(u)}^{\star}(p), \quad U(u)=\{x: u(x)\ge u\}.

假设偏好由连续、局部非饱和、严格准凹的效用函数 uu 表示,则 U(u)U(u) 是闭、凸且非空的。

令 A=U(u)A=U(u),f(p)=e(p,u)f(p)=e(p,u),套用 Support Function Theorem:

  1. 对价格的凹性与齐次性

    • 对每个固定的 uu,e(p,u)e(p,u) 对 pp 凹、上半连续,并且对 pp 齐次一阶。
    • 在 p≫0p\gg 0 的区域内 e(p,u)e(p,u) 连续。
      这与 Varian 在 Ch.7 中列出的“Properties of the expenditure function”完全一致。
  2. 对价格的单调性
    在标准设定下,消费集合在 R+n\mathbb{R}^n_+ 中且偏好单调,U(u)U(u) 在商品坐标上向上闭合,此时 Support Function Theorem 的 “weakly increasing in pp” 就意味着:

    对每个坐标 kk,e(p,u)e(p,u) 对 pkp_k 单调非减。
    Varian 在 Ch.7 也把这一条作为支出函数性质之一。

  3. 对效用的单调性
    这条虽然不直接来自支撑函数定理,但由上等偏好集的嵌套性立即推出:若 u2>u1u_2>u_1,则 U(u2)⊂U(u1)U(u_2)\subset U(u_1),于是

    e(p,u2)=inf⁡x∈U(u2)p⋅x≥inf⁡x∈U(u1)p⋅x=e(p,u1), e(p,u_2)=\inf_{x\in U(u_2)} p\cdot x \ge \inf_{x\in U(u_1)} p\cdot x = e(p,u_1),

    且在局部非饱和偏好下这不等式是严格的。

  4. Hicksian demand 与 Shephard lemma
    令 Hicksian demand(支出最小化需求)为

    h(p,u)∈arg⁡min⁡x∈U(u)p⋅x. h(p,u)\in\arg\min_{x\in U(u)} p\cdot x.

    Support Function Theorem (3) 给出

    h(p,u)⊂∂p⋆e(p,u), h(p,u) \subset \partial^{\star}_p e(p,u),

    若最优解唯一且 ee 可微,则

    ∂e(p,u)∂pk=hk(p,u). \frac{\partial e(p,u)}{\partial p_k} = h_k(p,u).

    这就是 Shephard lemma 在消费者理论中的版本,与 Varian Ch.7 的陈述相同。

  5. Slutsky 矩阵(补偿需求版本)
    若 e(p,u)e(p,u) 在 pp 上二阶可微,则 Support Function Theorem (6) 给出 Hessian Dp2e(p,u)D^2_p e(p,u) 对称、负半定,并且乘以 pp 为零向量。这个 Hessian 正是 Hicksian demand 的替代效应矩阵(纯替代效应),是 Slutsky 矩阵的“补偿版”,在 Varian 与更高阶教材中是标准结论。

综上,支出函数的所有经典性质(凹性、HD1、单调性、Shephard lemma、Slutsky 矩阵)都可以直接看作是 Support Function Theorem 的 corollaries。

2. 成本函数 c(w,q)c(w,q) 的性质

回忆:

c(w,q)=IZ(q)⋆(w),Z(q)={z≥0:f(z)≥q}. c(w,q) = I_{Z(q)}^{\star}(w), \quad Z(q)=\{z\ge 0: f(z)\ge q\}.

假设生产函数 ff 连续、凹且满足适当的单调性(投入越多不减产),则 Z(q)Z(q) 闭、凸且在 R+m\mathbb{R}^m_+ 中向上闭合。

令 A=Z(q)A=Z(q),f(w)=c(w,q)f(w)=c(w,q),Support Function Theorem 直接给出 Cost Theorem 的大部分内容:

  1. 对要素价格的凹性与齐次性
    对每个 qq,c(w,q)c(w,q) 对 ww 凹、上半连续、HD1,并在其定义域内部连续。

  2. 对要素价格与产量的单调性
    由于 Z(q)Z(q) 向上闭合,ww 增大不会降低最小成本;qq 增大使得 Z(q)Z(q) 收缩,也不会降低成本。Boyd 在 Cost Theorem 中明确给出 c(w,q)c(w,q) 对 w,qw,q 都是弱增加的。

  3. Shephard lemma(厂商版本)
    条件要素需求

    z(w,q)∈arg⁡min⁡z∈Z(q)w⋅z z(w,q)\in\arg\min_{z\in Z(q)} w\cdot z

    满足

    z(w,q)⊂∂w⋆c(w,q), z(w,q)\subset\partial^{\star}_w c(w,q),

    若解唯一且可微,则

    ∂c(w,q)∂wk=zk(w,q). \frac{\partial c(w,q)}{\partial w_k} = z_k(w,q).

    这是 Varian Ch.5 中 Shephard lemma 的标准形式。

  4. “要素需求定律”与 Hessian
    Support Function Theorem (4) 给出:若 zi∈z(wi,q)z_i\in z(w_i,q),则

    (z1−z0)⋅(w1−w0)≤0, (z_1 - z_0)\cdot (w_1 - w_0) \le 0,

    即价格向量与要素需求向量的变化“反向”;这是条件要素需求的“定律”。若 cc 在 ww 上二阶可微,则 Hessian Dw2cD^2_w c 对称、负半定,给出对称、负半定的“要素替代矩阵”。

3. 利润函数 π(p)\pi(p) 的性质

利润函数写法:

π(p)=sup⁡y∈Yp⋅y=(−IY)∗(p), \pi(p) = \sup_{y\in Y} p\cdot y = (-I_Y)^{*}(p),

这里 −IY-I_Y 是 convex indicator,π\pi 是它的凸共轭。

利用一般的 convex conjugate 性质(这一次是“凸世界”而不是“凹世界”):

  1. π(p)\pi(p) 对 pp 是凸函数,下半连续。
  2. 只要技术集合 YY 不随价格 pp 改变,π\pi 对价格 pp 正齐次一阶:对任意 α≥0\alpha\geq 0,π(αp)=απ(p)\pi(\alpha p)=\alpha\pi(p)。这不需要 YY 本身是锥;若 YY 是锥,反而常会使利润函数只在某些价格下有限。
  3. 在“净产出”写法下,如果某些坐标对应投入(net output 为负),则 π\pi 对这些坐标是单调非增,对产出价格坐标单调非减。
  4. 若能解出利润最大化最优净产出 y(p)y(p),且解唯一、π\pi 可微,则

    ∂π(p)∂pk=yk(p), \frac{\partial \pi(p)}{\partial p_k} = y_k(p),

    这就是 Hotelling lemma。

在教科书中(例如 Varian Ch.5 与 Ch.7),这些性质通常是一一证明的;在 Boyd / Border 的框架下,它们都是 convex conjugate 基础性质的 corollaries。

Recoverability:从支撑函数(值函数)恢复集合

Support Function Theorem (2) 给了一个非常重要的“可恢复性”结论:

  • 若 AA 闭且凸,则

    f(p)=IA⋆(p)⇒f⋆(x)=IA(x), f(p) = I_A^{\star}(p) \quad\Rightarrow\quad f^{\star}(x) = I_A(x),

    从而

    A={x:f⋆(x)=0}={x:p⋅x≥f(p) ∀p}. A = \{x: f^{\star}(x)=0\} = \{x: p\cdot x \ge f(p)\ \forall p\}.

对应到经济学:

  • 对消费者:给定支出函数 e(p,u)e(p,u),可以通过 e(⋅,u)e(\cdot,u) 的共轭恢复上等偏好集 U(u)U(u)。这与 Varian 在 Ch.8 用支出函数解决 integrability 问题的思路是一致的(先从 demand 得到支出,再从支出恢复效用)。
  • 对厂商:给定成本函数 c(w,q)c(w,q),可以通过共轭恢复上等产集 Z(q)Z(q),从而恢复生产技术的信息。

因此,支撑函数除了给出最优值,还把集合 AA 整个恢复出来:A={x:f⋆(x)=0}A=\{x: f^{\star}(x)=0\}。

references

  1. John H. Boyd III (2023), Microeconomics of Competitive Markets, Chapter 7 “Convex Analysis”,7.4–7.5 节。
  2. Hal R. Varian (1992), Microeconomic Analysis (3rd ed.), Ch.5 “Cost Function” 与 Ch.7 “Utility Maximization”。
  3. David M. Kreps (2013), Microeconomic Foundations I: Choice and Competitive Markets, Appendix 3 “Convex Analysis”。
  4. (待补)KC Border 的 convex analysis / duality 讲义与 Nam Nguyen 的课程讲义。