看不見的效用，看得見的選擇：顯示性偏好、對偶與福利衡量
當效用無法觀測，我們如何從消費資料反推理性？深入顯示性偏好、UMP/EMP 對偶、史拉茲基矩陣與 CV/EV 福利分析
如果我們從來看不到「效用」，怎麼還能說消費者是理性的？
入門篇裡，我們從效用（utility）出發，假設每個人心裡都有一張滿足感的清單，再用邊際分析找出最適組合。但這裡藏著一個讓十九世紀末經濟學家夜不能寐的難題：效用是看不見、量不到的東西。沒有人能打開你的腦袋，讀出「這杯咖啡值 17.3 單位幸福」。如果整套理論的地基是一個無法觀測的心理量，它還算科學嗎？
進階消費者理論的核心精神，正是要把這個地基倒過來。我們不再從「假設效用存在」開始推導行為，而是反問：只觀察消費者實際買了什麼、在什麼價格下買，我們能不能反推出他的偏好、甚至驗證他是否理性？ 這個視角的轉換——從心理量到可觀測行為——催生了「顯示性偏好（revealed preference）」理論，也打開了通往對偶（duality）、福利衡量（welfare measurement） 與現代計量需求分析的大門。這篇文章假設你已經熟悉預算線、無異曲線與等邊際原則，我們要走得更遠一些。
顯示性偏好：從「他買了什麼」反推「他想要什麼」
Paul Samuelson 在 1938 年提出一個漂亮的想法：忘掉效用函數，只看選擇本身。
假設在價格組合 $p^0$ 下，消費者買了 $x^0$，而當時 $x^1$ 也買得起（也就是 $p^0 \cdot x^1 \leq p^0 \cdot x^0$）。既然兩者都負擔得起，他卻選了 $x^0$，那麼我們說 $x^0$ 被直接顯示偏好於 $x^1$（$x^0$ is directly revealed preferred to $x^1$）。這不是心理推測，而是行為事實：他用錢投票了。
一個理性的消費者必須遵守顯示性偏好弱公理（Weak Axiom of Revealed Preference, WARP）：
若 $x^0$ 被直接顯示偏好於 $x^1$（且兩者不同），那麼在任何 $x^1$ 被選中的情境下，$x^0$ 一定買不起。
換句話說，你不能在這次「捨 $x^1$ 取 $x^0$」、下次又在同樣負擔得起 $x^0$ 的情況下「捨 $x^0$ 取 $x^1$」。那會自相矛盾——彷彿你同時說「A 比 B 好」又說「B 比 A 好」。WARP 把「理性」從一個關於內心的假設，變成一個可以用消費資料直接檢驗的條件。
把這個邏輯遞移地延伸（$x^0 \succsim x^1 \succsim x^2 \succsim \dots$），就得到強公理（Strong Axiom, SARP）。而 Afriat 在 1967 年證明了一個深刻的定理：
Afriat 定理：一組有限的價格—數量觀測資料 $\{(p^t, x^t)\}$，能被某個「良好的」效用函數（非饜足、連續、凹）合理化（rationalize），若且唯若這組資料滿足「廣義顯示性偏好公理（GARP）」。
這個結果的份量很重：它告訴我們，「存在一個效用函數」與「行為資料不互相矛盾」是同一回事。你不需要先相信效用存在，只要消費者的選擇沒有打架，效用函數就保證能被建構出來。理論的地基，從此立在可觀測的行為之上。
看一個例子：用兩筆消費資料抓出不理性
假設我們觀察小哲兩個月的消費（兩種商品：手搖飲 $x$、便當 $y$）：
| 月份 | 價格 $(P_x, P_y)$ | 選擇 $(x, y)$ | 當月支出 |
|---|---|---|---|
| 五月 | $(30, 80)$ | $(4, 3)$ | $120 + 240 = 360$ |
| 六月 | $(40, 60)$ | $(2, 5)$ | $80 + 300 = 380$ |
檢驗 WARP。先看五月：用五月價格評估六月的籃子 $x^1=(2,5)$，成本為 $30\times2 + 80\times5 = 460 > 360$。六月籃子在五月買不起，所以五月沒有「顯示偏好五月籃子勝過六月籃子」——這一步沒有資訊衝突。
再看六月：用六月價格評估五月籃子 $x^0=(4,3)$，成本為 $40\times4 + 60\times3 = 340 < 380$。五月籃子在六月買得起，但小哲選了六月籃子——所以六月籃子被直接顯示偏好於五月籃子。
兩個方向：五月對「五月 vs 六月」沒有表態（因為六月籃子買不起），六月明確表態「六月籃子較佳」。沒有矛盾，通過 WARP。
現在把六月的選擇偷偷改成 $(5, 2)$，成本 $40\times5+60\times2=320$，並假設五月在五月價格下評估這個新籃子為 $30\times5+80\times2=310 \leq 360$（買得起卻沒選 → 五月顯示偏好五月籃子勝過它）；同時六月評估五月籃子 $340 \leq 320$？——不，$340 > 320$，反例需要重新配數字。重點是方法：只要找到「兩個方向互相顯示偏好」，就抓到了違反 WARP 的不理性。 這正是實證上用掃描器資料（scanner data）檢驗消費者理性的標準做法。
對偶：效用最大化的「鏡像世界」
入門篇解的是效用最大化問題（Utility Maximization Problem, UMP）：給定預算，把滿足感推到最高，解出馬歇爾需求 $x^M(p, I)$。把這個最大化後的效用，看成價格與所得的函數，就得到間接效用函數（indirect utility function）：
$$v(p, I) = \max_{x}\; U(x) \quad \text{s.t.}\quad p \cdot x \leq I$$
對偶理論說：每個最大化問題，都有一個鏡像的最小化問題。支出最小化問題（Expenditure Minimization Problem, EMP） 問的是：要達到某個既定的效用水準 $\bar{u}$，最少要花多少錢？
$$e(p, \bar{u}) = \min_{x}\; p \cdot x \quad \text{s.t.}\quad U(x) \geq \bar{u}$$
解出來的最適選擇是希克斯需求 $x^H(p, \bar{u})$（也叫補償需求，compensated demand），而最小化後的支出 $e(p,\bar u)$ 就是支出函數（expenditure function）。
UMP 與 EMP 像同一枚硬幣的兩面，在最適點上完全對應：
$$x^M(p, I) = x^H(p, v(p, I)), \qquad e(p, v(p, I)) = I$$
為什麼要費勁搞出一個鏡像問題？因為有些東西在原問題裡很難算，在鏡像問題裡卻一目了然。兩個著名的「捷徑恆等式」就是明證。
Shephard 引理（Shephard's Lemma）：支出函數對價格的偏導，直接就是希克斯需求。
$$\frac{\partial e(p, \bar{u})}{\partial p_i} = x^H_i(p, \bar{u})$$
直覺：某商品價格漲一點點，你要維持原效用所需多花的錢，恰好等於你買的那個數量（因為在最適點，重新調整組合的二階效果可忽略——這是包絡定理 envelope theorem 的威力）。
Roy 恆等式（Roy's Identity）：從間接效用函數，不必重解最佳化，就能擠出馬歇爾需求。
$$x^M_i(p, I) = -\,\frac{\partial v / \partial p_i}{\partial v / \partial I}$$
這兩條恆等式在現代需求估計裡是工作母機：研究者常先設定一個有彈性的支出函數（如 AIDS 模型，Almost Ideal Demand System），再用 Shephard 引理一步導出需求方程，拿去跑迴歸。
史拉茲基方程式的「矩陣升級版」
入門篇用文字拆解了替代效應與所得效應。進階版本把它寫成精確的微分恆等式——史拉茲基方程式（Slutsky equation）：
$$\underbrace{\frac{\partial x^M_i}{\partial p_j}}_{\text{總效果（可觀測）}} = \underbrace{\frac{\partial x^H_i}{\partial p_j}}_{\text{替代效應}} - \; x^M_j \,\underbrace{\frac{\partial x^M_i}{\partial I}}_{\text{所得效應}}$$
左邊是我們在資料裡看得到的「價格變動如何改變需求」；右邊把它分解成沿著無異曲線移動的替代效應（希克斯需求對價格的反應）減去購買力變動的所得效應。
當商品不只兩種，所有的 $\partial x^H_i / \partial p_j$ 排成一個 $n \times n$ 的史拉茲基矩陣（Slutsky matrix） $S$。它有兩個極為重要、且可被資料否證的性質：
- 對稱性（symmetry）：$\dfrac{\partial x^H_i}{\partial p_j} = \dfrac{\partial x^H_j}{\partial p_i}$。咖啡漲價對蛋糕補償需求的影響，等於蛋糕漲價對咖啡補償需求的影響。這個對稱性是「存在效用函數」的數學指紋（源自二階偏導可交換）。
- 負半定性（negative semidefinite）：$S$ 的對角元素 $\partial x^H_i / \partial p_i \leq 0$，意味著補償後自身價格上漲必使需求不增——這是「需求法則」最乾淨、無例外的版本。注意：未補償的馬歇爾需求才可能出現季芬財那種反常，而希克斯（補償）需求永遠乖乖向下。
這就解開了入門篇留下的伏筆：季芬財之所以「違反需求法則」，純粹是因為強烈的所得效應淹沒了替代效應；一旦我們用補償的方式抽掉所得效應，需求曲線必然向下傾斜，理論毫無破綻。
福利衡量：消費者剩餘到底量了什麼？
當政府要評估「咖啡課稅讓消費者損失多少」，最直覺的工具是消費者剩餘（consumer surplus）——需求曲線下、價格線上那塊面積。但進階理論告訴你：消費者剩餘其實是個近似值，因為它用的是馬歇爾需求，而馬歇爾需求混進了所得效應，沒有固定住效用水準。
更精確的福利衡量，要回到希克斯需求與支出函數，有兩個標準指標。設價格從 $p^0$ 漲到 $p^1$：
補償變量（Compensating Variation, CV）：漲價後，要補多少錢給消費者，才能讓他回到原本（漲價前）的效用水準 $u^0$？
$$CV = e(p^1, u^0) - e(p^0, u^0)$$
等值變量（Equivalent Variation, EV）：在價格還沒漲之前，要從消費者身上拿走多少錢，才能讓他的處境等同於漲價後會達到的效用 $u^1$？
$$EV = e(p^1, u^1) - e(p^0, u^1)$$
兩者都是「以金錢衡量效用變動」的嚴格做法，差別在於用哪個效用水準當基準（CV 用舊效用、EV 用新效用）。當所得效應為零（偏好為準線性，quasilinear）時，$CV = EV = $ 消費者剩餘的變動——這時三者完美重合。一般情況下，三者會有差異，而 Robert Willig 在 1976 年的經典論文證明：對多數實際商品，三者的差距小到可以忽略，這也解釋了為何成本效益分析仍大量使用消費者剩餘——它好算，且通常夠準。
動手試試：一條需求曲線，三種福利數字
設某財貨的馬歇爾需求為 $x = 100 - 10p$（這是準線性偏好的典型形式，所得效應為零）。價格從 $p^0 = 2$ 漲到 $p^1 = 4$。
- $p=2$ 時，$x = 80$；$p=4$ 時，$x = 60$。
- 消費者剩餘的損失 = 需求曲線下、兩條價格線之間的面積（一個梯形）：
$$\Delta CS = \int_{2}^{4} (100 - 10p)\, dp = \left[100p - 5p^2\right]_{2}^{4} = (400-80)-(200-20) = 320 - 180 = 140$$
消費者因漲價損失了 140 元 的福利。因為這個偏好是準線性（無所得效應），所以 $CV = EV = \Delta CS = 140$，三個指標給出完全相同的答案。你可以體會到：福利衡量並不是憑空畫面積，而是支出函數差值的近似；當所得效應存在時，這三個數字才會分道揚鑣，這時就得乖乖回去算 $e(p, u)$。
重點回顧
- 顯示性偏好把理性從不可觀測的心理假設，轉成可用消費資料檢驗的公理（WARP / SARP / GARP）；Afriat 定理證明「資料無矛盾」與「效用函數存在」是等價的。
- 對偶理論讓效用最大化（UMP，馬歇爾需求、間接效用）與支出最小化（EMP，希克斯需求、支出函數）互為鏡像；Shephard 引理與 Roy 恆等式是免重解最佳化的兩條捷徑。
- 史拉茲基矩陣的對稱性是效用函數存在的指紋，負半定性保證補償需求必向下——這才是「需求法則」無例外的版本，也徹底解釋了季芬財。
- 福利衡量的嚴謹工具是 CV 與 EV（支出函數差值），消費者剩餘只是它們在小所得效應下的好用近似；準線性偏好時三者重合。
- 這些工具不只是理論：AIDS 需求系統、稅制福利分析、掃描器資料的理性檢驗，全都直接建立在對偶與顯示性偏好之上。
深入探討（研究所視角）
把上述拼圖收攏，會浮現消費者理論最優雅的結構——整合性問題（the integrability problem）。它問的是反方向：給定一個需求函數 $x(p, I)$，我們能不能反推出產生它的偏好？答案由 Hurwicz–Uzawa 定理給出：當且僅當這個需求函數滿足 (i) 對 $(p,I)$ 零次齊次（無貨幣幻覺，no money illusion）、(ii) 滿足 Walras 法則 $p\cdot x = I$（把錢花完）、(iii) 其史拉茲基矩陣對稱且負半定，這個需求才能由某個良好的偏好「積分」回來。於是整套理論形成閉環：偏好 → 效用 → 需求 → 偏好，每一步都有充要條件相互保證。對稱性與負半定性不再是巧合的數學性質，而是「一致理性」在資料上的全部可觀測內容（the full empirical content of utility maximization）——這是 1970 年代以降需求理論的中心結果。
兩個前沿延伸值得一提。其一是加總問題（aggregation）：個別需求加總成市場需求後，前述漂亮性質通常會崩塌。Sonnenschein–Mantel–Debreu 定理給出一個近乎令人沮喪的結論：總超額需求函數除了連續、零次齊次與 Walras 法則外，幾乎可以是任意形狀——個體的理性並不會自動「上浮」成總體的可預測性，這也是一般均衡穩定性與唯一性難以保證的根源。要救回可加總性，需要 Gorman 形式這類對偏好的強限制（讓恩格爾曲線平行），代表性消費者（representative agent）的存在才有正當性。
其二是從確定到隨機。把效用加上一個隨機擾動 $U_i = V_i(x, \beta) + \varepsilon_i$，並假設消費者選擇期望效用最高的選項，就得到隨機效用最大化（Random Utility Maximization, RUM）。當 $\varepsilon_i$ 服從第一型極值分布時，選擇機率收斂成漂亮的封閉形式——這正是 McFadden（2000 年諾貝爾獎）的條件 logit 模型。RUM 把顯示性偏好的精神帶進計量經濟學與機器學習：今天交通需求預測、行銷的離散選擇、乃至推薦系統裡的排序模型，骨子裡都是消費者理論。從「我們看不見效用」這個十九世紀的焦慮出發，這條理論線最終把整個架構建在可觀測的選擇之上，並一路延伸到你手機裡每一次被演算法排序的清單。