Изучение потребительского спроса и рыночной власти является краеугольным камнем современной прикладной экономики. В лекции Института технологий Массачусетса (MIT OpenCourseWare) профессор Тобиас Зальц подробно разбирает эволюцию подходов к эконометрическому оцениванию спроса — от простых линейных систем до структурных моделей дискретного выбора. Этот материал позволяет понять, как экономисты работают с агрегированными данными и справляются с нелинейностью потребительских предпочтений в условиях реального рынка.
🎯 От теории к практике: зачем экономистам моделировать спрос 2:04
Профессор Тобиас Зальц, получивший докторскую степень в Нью-Йоркском университете (NYU) и работавший в Колумбийском университете перед переходом в MIT, отмечает, что моделирование статического спроса критически важно для решения множества прикладных задач. Понимание структуры спроса необходимо для анализа потребительского благосостояния и ответа на нормативные вопросы экономической политики.
Кроме того, точная модель спроса позволяет исследователям выявлять скрытые параметры предложения, такие как предельные или фиксированные издержки. В открытом доступе данные об издержках компаний, даже публичных, появляются крайне редко. Более того, стандартная бухгалтерская отчётность не способна зафиксировать альтернативные издержки — например, эффект каннибализации, когда запуск нового продукта снижает продажи уже существующих товаров того же бренда.
Моделирование спроса активно применяется в макроэкономических дискуссиях. Профессор Зальц приводит в пример резонансную научную работу экономистов Яна Де Лёкера (Jan De Loecker) и Яна Экхаута (Jan Eeckhout), в которой авторы на основе производственного подхода заявили о глобальном росте наценок (markups) в экономике США, что может свидетельствовать об усилении монопольной власти. Другие исследователи изучают эту проблему точечно, анализируя конкретные рынки (например, автомобильный рынок США за последние 30–40 лет), чтобы оценить, насколько снизилась конкуренция и как это повлияло на благосостояние покупателей.
💥 Проблема эндогенности и крах «продуктового пространства» 9:02
Главным эконометрическим вызовом при оценке спроса остаётся классическая проблема эндогенности или одновременности (simultaneity problem). В условиях рыночного равновесия цена и количество товара определяются совместно. Из-за этого цена неизбежно коррелирует со случайной ошибкой регрессии, отражающей ненаблюдаемые для исследователя шоки спроса. Простым методом наименьших квадратов (OLS) решить эту задачу невозможно — требуются инструментальные переменные, такие как шифтеры предложения. По мнению Зальца, усложнение моделей не позволяет «спрятаться» от эндогенности; напротив, продвинутые методы требуют ещё больше качественных инструментов.
Исторически первой попыткой моделирования систем спроса стал подход в «пространстве продуктов» (product space approach). В рамках этой концепции каждый товар рассматривается как уникальный объект, а объём спроса на него моделируется как функция от цен абсолютно всех доступных на рынке товаров.
Однако этот подход быстро заходит в тупик из-за так называемого «проклятия размерности». Основные ограничения подхода в пространстве продуктов:
- Квадратичный рост параметров: при добавлении каждого нового товара матрица коэффициентов увеличивается на одну строку и один столбец, из-за чего число оцениваемых параметров растёт пропорционально квадрату количества благ.
- Жесткие теоретические ограничения: попытки снизить размерность за счёт симметрии Слуцкого или концепции многоступенчатого бюджетирования (когда потребитель делит доход на категории вроде «еда» и «досуг») существенно искажают реальные паттерны замещения.
- Дефицит инструментов: модель требует, чтобы для каждой цены существовал свой отдельный экзогенный инструмент, что практически недостижимо на практике.
- Неспособность прогнозировать: модель в принципе не позволяет предсказать объём спроса на принципиально новые товары, так как о них нет исторических данных в матрице.
🚗 Переход к пространству характеристик: логит-модель и её скрытый дефект 17:10
Чтобы преодолеть ограничения продуктового пространства, экономисты перешли к подходу в «пространстве характеристик» (characteristic space approach), который тесно связан с моделями дискретного выбора. Здесь товар описывается набором его конкретных свойств. Например, автомобиль — это совокупность лошадиных сил, максимальной скорости, объёма багажника и наличия электронных ассистентов. С математической точки зрения добавление новых товаров в такую модель не увеличивает число параметров, поскольку оценивается отношение потребителей к характеристикам, а не к брендам.
Фундаментальный принцип такого подхода — построение модели на основе индивидуальных функций полезности. Полезность зависит от цен, наблюдаемых характеристик, ненаблюдаемых свойств товара $x_j$ и случайных предпочтений потребителя.
Для упрощения расчётов экономисты часто используют допущение, что случайная ошибка имеет распределение экстремальных значений первого типа (двойное экспоненциальное). Это даёт красивую замкнутую математическую формулу стандартной логит-модели спроса. При этом полезность «внешнего блага» (outside good) — то есть решения вообще отказаться от покупки на данном рынке — нормализуется до нуля. На автомобильном рынке внешним благом может выступать общественный транспорт или решение сохранить старую машину, что сильно зависит от макроэкономики и доступности кредитов.
Главное преимущество простой логит-модели заключается в том, что при наличии агрегированных долей рынка разница логарифмов долей внутрирыночного товара и внешнего блага превращается в строго линейное уравнение. Его можно легко оценить с помощью двухэтапного метода наименьших квадратов.
Однако за математическую простоту приходится платить реалистичностью. Простая логит-модель порождает неадекватные паттерны замещения. Перекрестная эластичность спроса в ней зависит исключительно от рыночных долей товаров, а не от их схожести. Профессор Зальц иллюстрирует этот дефект примером:
Представьте рынок, где ультрабюджетный и некачественный автомобиль Yugo имеет долю рынка 10%, и премиальный седан Lexus или BMW также имеет долю 10%. Если цена на BMW вырастет, здравый смысл подсказывает, что покупатели BMW пересядут на Lexus, но никак не на Yugo. Однако простая логит-модель заставит потребителей переходить в Yugo и Lexus в абсолютно равной пропорции, поскольку базовые случайные шоки в ней предполагаются независимыми и одинаково распределёнными. Покупка премиального авто в этой модели не раскрывает никаких долгосрочных характеристик самого покупателя.
👥 Революция BLP: случайные коэффициенты и учёт демографии 28:31
Для решения проблемы нереалистичного замещения была разработана каноническая модель спроса со случайными коэффициентами, популяризированная в статье Стивена Берри, Джеймса Левинсона и Ариэля Пейкса (Berry, Levinsohn, Pakes — BLP) в 1995 году. Её ключевое отличие — введение индивидуальных индексов для коэффициентов чувствительности. Модель позволяет разным людям по-разному оценивать одни и те же характеристики товаров: например, многодетные семьи сильнее ценят объём багажника, а люди с низким доходом обладают более высокой чувствительностью к цене.
Исследователю не нужно знать доход каждого конкретного покупателя. Достаточно располагать агрегированным распределением демографических характеристик (например, данными переписи населения о доходах в конкретном районе) и математически интегрировать его. Обычно случайная составляющая вкусов предполагается распределённой нормально или логнормально.
Введение случайных коэффициентов значительно усложняет расчёт эластичности, требуя интегрирования по всей нелинейной массе потребителей. Важную роль в модели играет и ненаблюдаемый шок спроса $x_j$ (среднее ненаблюдаемое качество продукта). Без него модель была бы отвергнута данными в любой ситуации, когда два товара с одинаковыми измеряемыми характеристиками имеют принципиально разные доли рынка. Классический пример — бренд Apple, который, по словам Зальца, исторически мог задерживать внедрение утилитарных функций (разрешение камер или объём памяти), но сохранял огромную долю рынка и высокие цены благодаря нематериальной ценности своей экосистемы.
Случайные коэффициенты также помогают скорректировать оценку потребительского благосостояния. В стандартном логите добавление любого нового продукта на рынок всегда резко увеличивает благосостояние за счёт так называемого «сбора урожая эпсилонов» (epsilon harvesting) — чисто математического свойства модели, где потребители получают выигрыш просто от расширения пространства случайных шоков. В модели BLP люди замещают товары более локально (в рамках своих подгрупп по доходам и вкусам), что сглаживает этот технический эффект и дает более приземленные и реалистичные оценки.
🛠️ В поисках идеального инструмента: чем измерить невидимое 49:24
Поскольку компании закладывают скрытые свойства товара в конечную стоимость, цена становится эндогенной. Для нелинейных параметров в BLP недостаточно одного классического инструмента предложения — необходимо идентифицировать, в какую именно часть продуктового пространства будут смещаться потребители при изменении условий. В экономической практике сформировалось несколько подходов к поиску таких инструментов:
- Географическая вариация. Исследователи сравнивают рынки, где представлены разные дилерские сети (например, есть ли в городе автосалон Lexus). Минус метода: долгосрочное открытие дилерских центров эндогенно, так как бренды сознательно выбирают регионы с богатым населением.
- Шифтеры издержек. Прямые показатели стоимости сырья, тарифов или налогов являются идеальными инструментами с точки зрения экзогенности, но зачастую эти данные коммерчески засекречены и недоступны экономистам.
- Инструменты Хаусмана (Hausman instruments). В качестве инструмента для конкретного города берутся цены этой же фирмы на других географических рынках. Логика в том, что общие шоки издержек (например, банкротство поставщика деталей) отразятся на ценах во всех штатах сразу. Главный риск подхода — если шоки спроса скоррелированы на национальном уровне (из-за федеральной рекламы), инструменты Хаусмана становятся невалидными.
- Инструменты BLP. Это характеристики товаров-конкурентов на рынке (их суммы или средние значения). Если свойства других машин фиксированы, они вынуждают фирму менять свою цену под давлением конкуренции. Слабое место — предположение об экзогенности характеристик: в реальности фирмы подстраивают параметры продуктов под запросы рынка.
- Инструменты Вальдфогеля / Вальдфогеля — Фана. Метод основан на механизме зонального ценообразования (zone pricing). Если дилер устанавливает единую цену на пикапы для Массачусетса и Нью-Гэмпшира, то высокий спрос на грузовики в Нью-Гэмпшире искусственно завысит цену для жителей Массачусетса, даже если последние их не любят. Риск заключается в возможной скрытой корреляции демографических факторов между регионами.
💻 Алгоритм изнутри: вложенные циклы и сжимающее отображение 1:00:15
Поскольку модель BLP принципиально нелинейна, её невозможно оценить классическим двухэтапным методом наименьших квадратов. Вместо этого используется обобщённый метод моментов (GMM), построенный на перемножении векторов инструментов и остатков ошибок. Процесс вычислений представляет собой сложную систему с двумя вложенными циклами:
- Внешний цикл (Outer loop): Исследователь осуществляет поиск исключительно по пространству нелинейных параметров, которые определяют, как именно разные группы потребителей замещают товары. Задав первоначальную догадку для этих параметров, алгоритм переходит во внутренний цикл.
- Внутренний цикл (Inner loop): Для каждого рынка вычисляется вектор средних полезностей товаров $\delta$, который должен идеально сопоставить теоретические доли спроса с реальными рыночными долями из данных.
Для нахождения $\delta$ авторы BLP предложили революционное математическое решение — алгоритм сжимающего отображения (contraction mapping). Эконометрист берёт любое произвольное начальное значение $\delta$ и начинает итеративно обновлять его, прибавляя к текущему значению разницу между логарифмами наблюдаемой доли рынка и доли, предсказанной текущей моделью. Математически доказано, что при любых нелинейных параметрах этот процесс гарантированно сходится к единственному вектору полезностей.
Как только внутренний цикл находит точные значения $\delta$, линейные параметры (базовые коэффициенты цен и характеристик) могут быть мгновенно рассчитаны через стандартную линейную регрессию, что колоссально ускоряет работу компьютерных алгоритмов. Процесс повторяется: внешний цикл выдаёт новые нелинейные параметры, внутренний подгоняет под них $\delta$, пока целевая функция GMM не будет полностью минимизирована. Тем не менее, профессор Зальц с иронией вспоминает, что самостоятельное написание кода для BLP в аспирантуре — это одно из самых незабываемых испытаний, так как на практике в этих вложенных вычислениях может сломаться огромное количество элементов.
