在 20 世纪中叶以前，由 Charles Cobb 与 Paul Douglas 于 1928 年提出的柯布-道格拉斯（Cobb-Douglas）函数长期统治着微观消费与生产理论： \[u(x_1, x_2) = x_1^\alpha x_2^{1-\alpha}\]
C-D 函数之所以能长期占据主流，在于其无可比拟的数理优雅性： * 对数线性形式：求导简便，一阶最优条件具有全局唯一的漂亮显式解； * 边际收益递减与规模报酬不变：以最精简的参数结构刻画了现代经济学的基本规律； * 对偶结构高度对称：马歇尔需求 \(x_1(p_1, w) = \alpha \frac{w}{p_1}\) 与支出份额 \(s_1 = \alpha\) 形式直观，计算负荷极低。
然而，C-D 函数的优雅背后隐藏着严苛的刚性假定：其替代弹性恒等于 1（\(\sigma \equiv 1\)）。
这意味着无论相对价格如何剧烈波动，消费者始终把固定比例的预算花费在每种商品上。这种假设在解释两类最普遍的现实经济现象时彻底失灵： 1. 强互补品与生存必需品（\(\sigma < 1\)）：粮食、自来水、原油、急救药品。当原油价格暴涨时，由于短期缺乏替代能源，居民在能源上的支出占比反而急剧攀升； 2. 高替代性竞争品（\(\sigma > 1\)）：快消品、同质服务。某品牌商品只要微幅提价，消费者就会迅速转向替代品，导致其支出份额断崖式下跌。
为了打破 C-D 函数 \(\sigma = 1\) 的硬编码束缚，Arrow, Chenery, Minhas and Solow (1961) 在生产理论中开创性提出了常替代弹性函数（Constant Elasticity of Substitution, 简称 CES）。CES 函数兼具解析可解性与经验灵活性，迅速被引入现代微观消费理论、国际贸易（如 Armington 假定与 Melitz 模型）及宏观经济增长模型中。
常替代弹性效用函数的两商品基准形式为： \[u(x_1, x_2) = \left[ \alpha x_1^\rho + (1 - \alpha) x_2^\rho \right]^{\frac{1}{\rho}}\] 其中： * \(x_1, x_2 > 0\) 为两商品的消费量； * \(\alpha \in (0, 1)\) 为偏好权重参数； * \(\rho \in (-\infty, 1] \setminus \{0\}\) 为替代参数。
若 \(\rho > 1\)，则 \(1 - \rho < 0\)。由后文的边际替代率公式 \(MRS_{12} = \frac{\alpha}{1-\alpha} (x_2/x_1)^{1-\rho}\) 可知，当沿无差异曲线增加 \(x_1\)、减少 \(x_2\) 时，\(x_2/x_1\) 减小，而由于幂次为负，\((x_2/x_1)^{1-\rho}\) 反而增大，导致 \(MRS_{12}\) 递增。
这在几何上意味着无差异曲线凹向原点（消费者偏好极端消费束，违背多样化消费倾向）。因此，微观理论严格要求 \(\rho \le 1\)，以保障无差异曲线凸向原点（严格拟凹性）。
在现代宏观经济学与国际贸易理论中，消费往往跨越数十种乃至无限多种商品，CES 函数天然支持以下两种一般化拓展：
设消费者面临 \(n\) 种离散商品构成的消费束 \(\mathbf{x} = (x_1, x_2, \dots, x_n) \in \mathbb{R}_{++}^n\)： \[ \begin{aligned} u(\mathbf{x}) &= \left( \sum_{i=1}^n \alpha_i x_i^\rho \right)^{\frac{1}{\rho}} \\[4pt] \text{其中 } \alpha_i &> 0, \quad \sum_{i=1}^n \alpha_i = 1 \end{aligned} \] 其任意两商品 \(i\) 与 \(j\) 之间的两两替代弹性依然恒为常数 \(\sigma = \frac{1}{1-\rho}\)。
在产业组织与新贸易理论（如 Krugman 1980 垄断竞争模型）中，商品被视为在连续区间 \(\Omega\) 上的连续统，效用函数通过积分表达： \[ \begin{aligned} u &= \left( \int_{\Omega} x(\omega)^\rho \, d\omega \right)^{\frac{1}{\rho}} \quad \text{（对称连续统）} \\[6pt] u &= \left( \int_0^1 \alpha(\omega) x(\omega)^\rho \, d\omega \right)^{\frac{1}{\rho}} \quad \text{（带权重形式）} \end{aligned} \]
虽然高维求和与连续统积分在现代前沿经济学中应用广泛，但为了透视商品间两两替代弹性的内在曲率与严格证明极限，以下分析均基于最纯粹的两商品基准形式展开。
在现实经济生活与实证数据中，价格和消费量是唯一可被直接观测的变量。
当商品 1 相对商品 2 涨价时，理性的消费者会减少商品 1 的相对购买量，向商品 2 倾斜。替代弹性 \(\sigma\) 衡量的是：相对价格变动 1% 时，相对消费结构调整了百分之几？
\[\begin{aligned} \sigma &\equiv \frac{\% \Delta (x_2 / x_1)}{\% \Delta (p_1 / p_2)} \\[6pt] &= \frac{d \ln(x_2 / x_1)}{d \ln(p_1 / p_2)} \end{aligned}\]
在纯数理微观理论中，经济学家希望仅利用无差异曲线本身的内在几何曲率来刻画替代性，脱离具体的市场价格。此时标准理论指标定义为：边际替代率 \(MRS\) 相对变动 1% 所引起的相对消费数量变动的百分比：
\[\sigma \equiv \frac{d \ln(x_2 / x_1)}{d \ln MRS_{12}}\]
虽然相对边际替代率的变化在直觉上不如价格比直观，但因为效用最大化一阶切点条件恒要求 \(MRS_{12} = \frac{p_1}{p_2}\)，这两个定义在最优消费决策点上完全等价。
对效用函数分别求偏导，得到两商品的边际效用： \[ \begin{aligned} MU_1 &= \alpha x_1^{\rho - 1} u(x)^{1 - \rho} \\[4pt] MU_2 &= (1 - \alpha) x_2^{\rho - 1} u(x)^{1 - \rho} \end{aligned} \]
两式相除求边际替代率（公因子消去）： \[MRS_{12} = \frac{MU_1}{MU_2} = \frac{\alpha}{1 - \alpha} \left( \frac{x_2}{x_1} \right)^{1 - \rho}\]
两边取自然对数并整理出消费比率项： \[ \begin{aligned} \ln MRS_{12} &= \ln\left( \frac{\alpha}{1 - \alpha} \right) + (1 - \rho) \ln\left( \frac{x_2}{x_1} \right) \\[6pt] \Longrightarrow \quad \ln\left( \frac{x_2}{x_1} \right) &= -\frac{1}{1 - \rho} \ln\left( \frac{\alpha}{1 - \alpha} \right) + \frac{1}{1 - \rho} \ln MRS_{12} \end{aligned} \]
对 \(\ln MRS_{12}\) 微分，立即可得替代弹性： \[\sigma = \frac{d \ln(x_2 / x_1)}{d \ln MRS_{12}} = \frac{1}{1 - \rho}\]
因为 \(\rho\) 为常数，所以无论消费组合处于无差异曲线的哪一点，替代弹性恒等于 \(\frac{1}{1-\rho}\)。
随着替代参数 \(\rho\) 在 \((-\infty, 1]\) 内滑动，\(\sigma\) 在 \([0, +\infty)\) 之间连续变化，并涵盖三大经典特例：
| 参数取值 | 替代弹性 \(\sigma\) | 函数类型 | 无差异曲线形态 | 经济含义 |
|---|---|---|---|---|
| \(\rho \to 1\) | \(\sigma \to \infty\) | 线性效用 | 负斜率直线 | 完全替代品（如 50 元纸币与 100 元纸币） |
| \(\rho \to 0\) | \(\sigma = 1\) | 柯布-道格拉斯 | 经典双曲线 | 单位弹性，各商品支出份额固定 |
| \(\rho \to -\infty\) | \(\sigma \to 0\) | 里昂惕夫效用 | 直角 L 型折线 | 完全互补品，零替代可能（如左鞋与右鞋） |
对任意固定的消费束 \((x_1, x_2) \in \mathbb{R}_{++}^2\)： \[ \lim_{\rho \to 0} \left[ \alpha x_1^\rho + (1 - \alpha) x_2^\rho \right]^{\frac{1}{\rho}} = x_1^\alpha x_2^{1 - \alpha} \]
严格证明（对数化 + 洛必达法则）：
令 \(y(\rho) = \left[ \alpha x_1^\rho + (1 - \alpha) x_2^\rho \right]^{\frac{1}{\rho}}\)。对两边取自然对数： \[
L \equiv \lim_{\rho \to 0} \ln y(\rho) = \lim_{\rho \to 0} \frac{\ln\left[ \alpha x_1^\rho + (1 - \alpha) x_2^\rho \right]}{\rho}
\]
当 \(\rho \to 0\) 时： * 分子：\(\ln[\alpha x_1^0 + (1-\alpha) x_2^0] = \ln[\alpha \cdot 1 + (1-\alpha) \cdot 1] = \ln 1 = 0\)； * 分母：\(\rho \to 0\)。
此为标准的 \(\frac{0}{0}\) 型未定式。将 \(\rho\) 视为自变量应用洛必达法则（利用导数公式 \(\frac{d}{d\rho}(a^\rho) = a^\rho \ln a\)）： \[\begin{aligned} L &= \lim_{\rho \to 0} \frac{\frac{d}{d\rho} \ln\left[ \alpha x_1^\rho + (1 - \alpha) x_2^\rho \right]}{\frac{d}{d\rho}[\rho]} \\ &= \lim_{\rho \to 0} \frac{\frac{1}{\alpha x_1^\rho + (1 - \alpha) x_2^\rho} \cdot \left[ \alpha x_1^\rho \ln x_1 + (1 - \alpha) x_2^\rho \ln x_2 \right]}{1} \\ &= \frac{\alpha x_1^0 \ln x_1 + (1 - \alpha) x_2^0 \ln x_2}{\alpha x_1^0 + (1 - \alpha) x_2^0} \\ &= \frac{\alpha \ln x_1 + (1 - \alpha) \ln x_2}{1} = \ln\left( x_1^\alpha x_2^{1 - \alpha} \right) \end{aligned}\]
根据指数函数的连续性： \[\lim_{\rho \to 0} u(x_1, x_2) = \exp(L) = x_1^\alpha x_2^{1 - \alpha} \quad \blacksquare\]
当 \(\rho \to 1\) 时，\(\lim_{\rho \to 1} u(x_1, x_2) = \alpha x_1 + (1 - \alpha) x_2\)。
证明：
直接代入 \(\rho = 1\)： \[
u(x_1, x_2) = \left[ \alpha x_1^1 + (1 - \alpha) x_2^1 \right]^{\frac{1}{1}} = \alpha x_1 + (1 - \alpha) x_2 \quad \blacksquare
\]
经济学直觉：
此时 \(MRS_{12} = \frac{\alpha}{1 - \alpha}\) 是与消费量无关的固定常数，无差异曲线退化为斜率为 \(-\frac{\alpha}{1 - \alpha}\) 的负斜率直线。
对任意给定的消费束 \((x_1, x_2) \in \mathbb{R}_{++}^2\)： \[ \lim_{\rho \to -\infty} \left[ \alpha x_1^\rho + (1 - \alpha) x_2^\rho \right]^{\frac{1}{\rho}} = \min\{x_1, x_2\} \]
严格证明（实分析夹逼准则）：
记 \(m = \min\{x_1, x_2\} > 0\)。根据定义，恒有 \(x_1 \ge m\) 且 \(x_2 \ge m\)。
由于 \(\rho \to -\infty\)，不妨设 \(\rho < 0\)。当幂次为负时，单调性颠倒： \[x_1^\rho \le m^\rho \quad \text{且} \quad x_2^\rho \le m^\rho\]
按权重加权： \[\alpha x_1^\rho + (1 - \alpha) x_2^\rho \le \alpha m^\rho + (1 - \alpha) m^\rho = m^\rho\]
两边同时取 \(\frac{1}{\rho}\) 次幂。由于 \(\frac{1}{\rho} < 0\)，负幂次作用于不等式时不等号再次反向： \[ \left[ \alpha x_1^\rho + (1 - \alpha) x_2^\rho \right]^{\frac{1}{\rho}} \ge (m^\rho)^{\frac{1}{\rho}} = m \tag{下界} \]
另一方面，不妨设 \(x_1 \le x_2\)（则 \(m = x_1\)）。由于第二项 \((1 - \alpha) x_2^\rho > 0\)，显然有： \[\alpha x_1^\rho + (1 - \alpha) x_2^\rho > \alpha x_1^\rho = \alpha m^\rho\]
两边同时取负幂次 \(\frac{1}{\rho} < 0\)（不等号反向）： \[ \left[ \alpha x_1^\rho + (1 - \alpha) x_2^\rho \right]^{\frac{1}{\rho}} < (\alpha m^\rho)^{\frac{1}{\rho}} = \alpha^{\frac{1}{\rho}} \cdot m \tag{上界} \]
综合下界与上界，对任意 \(\rho < 0\) 均严格成立： \[ m \le \left[ \alpha x_1^\rho + (1 - \alpha) x_2^\rho \right]^{\frac{1}{\rho}} \le \alpha^{\frac{1}{\rho}} m \]
当 \(\rho \to -\infty\) 时，\(\frac{1}{\rho} \to 0\)。因为 \(\alpha \in (0, 1)\)，所以 \(\lim_{\rho \to -\infty} \alpha^{1/\rho} = \alpha^0 = 1\)。上界极限为： \[\lim_{\rho \to -\infty} \alpha^{\frac{1}{\rho}} m = 1 \cdot m = m\]
由实分析夹逼准则（Squeeze Theorem）： \[ \lim_{\rho \to -\infty} \left[ \alpha x_1^\rho + (1 - \alpha) x_2^\rho \right]^{\frac{1}{\rho}} = m = \min\{x_1, x_2\} \quad \blacksquare \]
理解 CES 函数曲率特性的最佳方式，是在同一张坐标图中，以固定的基准消费组合 \(E_0(20, 20)\) 为支点，观察改变替代弹性 \(\sigma\) 时无差异曲线如何连续变形。
拖动下方滑块调节 \(\sigma\)： * 当 \(\sigma \to 0\) 时，活动曲线绷紧贴合到红色里昂惕夫 L 型直角； * 当 \(\sigma = 1.0\) 时，活动曲线完美重合于绿色柯布-道格拉斯中枢双曲线； * 当 \(\sigma \to \infty\) 时，曲率逐渐消失，展平逼近紫色完全替代斜直线。
观察拖动滑块时蓝色曲线的运动轨迹： 1. 向左拖动（\(\sigma \to 0\)）：曲线迅速向内收缩收紧，角点死死卡在 \(E_0\)，最终与红色虚线重合。此时两商品必须严格按固定比例消费； 2. 居中状态（\(\sigma = 1.0\)）：曲线完美贴合绿色双曲线，此时两商品具有适度替代性，支出份额完全锁定； 3. 向右拖动（\(\sigma \to 5.0\)）：曲线的曲率被迅速“抹平”，两端向坐标轴延伸产生截距，逐渐向紫色虚线靠拢。此时两商品的边际替代率几乎不再随消费比例剧烈变动。
由消费者效用最大化问题（UMP）的切点条件 \(MRS_{12} = \frac{p_1}{p_2}\) 与预算约束 \(p_1 x_1 + p_2 x_2 = w\)，可推导出商品 1 的支出份额（Expenditure Share） \(s_1\)：
\[ \begin{aligned} s_1(p_1, p_2) &\equiv \frac{p_1 x_1^*}{w} \\[6pt] &= \frac{\alpha^\sigma p_1^{1 - \sigma}}{\alpha^\sigma p_1^{1 - \sigma} + (1 - \alpha)^\sigma p_2^{1 - \sigma}} \\[6pt] &= \frac{1}{1 + \left(\frac{1 - \alpha}{\alpha}\right)^\sigma \left(\frac{p_2}{p_1}\right)^{1 - \sigma}} \end{aligned} \]
对商品 1 的自身价格 \(p_1\) 求偏导数： \[\frac{\partial s_1}{\partial p_1} = (1 - \sigma) \cdot \frac{s_1 (1 - s_1)}{p_1}\]
由于 \(0 < s_1 < 1\)，分式项 \(\frac{s_1(1-s_1)}{p_1} > 0\) 严格为正。因此导数的正负完全取决于 \((1 - \sigma)\) 的符号：
以下提供可在学术论文与讲义中复现同图对比的完整 Python 绘图脚本及其执行结果：
import numpy as np
import matplotlib.pyplot as plt
# 设置字体支持中文与负号
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei', 'PingFang SC', 'Noto Sans CJK SC', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
fig, ax = plt.subplots(figsize=(8, 6.5), dpi=300)
x0, y0 = 20.0, 20.0
alpha = 0.5
x = np.linspace(1.0, 60.0, 600)
specs = [
(0.08, '#b91c1c', r'$\sigma = 0$ (里昂惕夫 L 型折线)', 2.8),
(0.50, '#ea580c', r'$\sigma = 0.5$ (强互补品)', 2.0),
(1.00, '#16a34a', r'$\sigma = 1.0$ (柯布-道格拉斯双曲线)', 2.0),
(2.50, '#2563eb', r'$\sigma = 2.5$ (强替代品)', 2.0),
(15.0, '#7c3aed', r'$\sigma \to \infty$ (完全替代直线)', 2.2)
]
for s, color, label, lw in specs:
if s < 0.1:
# 里昂惕夫折线
ax.plot([x0, x0, 60], [60, y0, y0], color=color, lw=lw, label=label)
elif s == 1.0:
# C-D: y = y0 * (x0 / x)
y = y0 * (x0 / x)
ax.plot(x[y <= 60], y[y <= 60], color=color, lw=lw, label=label)
elif s > 10.0:
# 线性: 0.5*x + 0.5*y = 0.5*x0 + 0.5*y0 => x + y = x0 + y0
y = (x0 + y0) - x
valid = (y >= 0) & (y <= 60) & (x <= 60)
ax.plot(x[valid], y[valid], color=color, lw=lw, label=label)
else:
rho = 1.0 - 1.0 / s
RHS = alpha * (x0 ** rho) + (1.0 - alpha) * (y0 ** rho)
term = (RHS - alpha * (x ** rho)) / (1.0 - alpha)
valid = term > 0
y = np.full_like(x, np.nan)
y[valid] = term[valid] ** (1.0 / rho)
mask = (y <= 60) & (y >= 0)
ax.plot(x[mask], y[mask], color=color, lw=lw, label=label)
# 标注共同支点
ax.scatter([x0], [y0], color='#0f172a', s=90, zorder=5)
ax.annotate(r'共同基准点 $E_0(20, 20)$', xy=(x0, y0), xytext=(x0 + 3, y0 + 4),
arrowprops=dict(facecolor='#0f172a', shrink=0.05, width=1, headwidth=5),
fontsize=11, fontweight='bold')
ax.set_xlim(0, 60)
ax.set_ylim(0, 60)
ax.set_xlabel(r'商品 1 消费量 $x_1$', fontsize=12)
ax.set_ylabel(r'商品 2 消费量 $x_2$', fontsize=12)
ax.set_title(r'不同替代弹性 $\sigma$ 下穿过基准点 $E_0$ 的无差异曲线形态对比', fontsize=13, pad=12, fontweight='bold')
ax.grid(True, linestyle='--', alpha=0.5)
ax.legend(frameon=True, facecolor='white', framealpha=0.95, fontsize=10, loc='upper right')
plt.tight_layout()
plt.show()