1.3 偏好凸性与效用拟凹性

在线课程

偏好与选择

从商品合意性与多样化消费倾向出发，定义偏好凸性与上轮廓集，建立偏好凸性与效用函数拟凹性的等价判定，并严格厘清凹函数、凸函数与拟凹函数的本质区别。

作者

Shawn

Gemini 3.8 Flash

发布于

2026年9月27日

第 1 章 · 偏好与选择 ｜第 1.3 讲｜前置：1.2 效用函数表示与存在性｜预计阅读 50 分钟

第 1.2 讲解决了效用函数“是否存在”的问题。然而，仅有连续的效用函数仍不足以刻画经济学中真实的消费选择：如果消费者只偏好极端方案，或者任意微小扰动都会导致选择跳跃，那么微观均衡分析将失去预测力。

为了让数学模型贴合现实世界的选择规律，我们必须对偏好的几何形状施加结构性约束。这些约束主要分为两类：其一是关于“商品是否合意”的单调性；其二是关于“多样化消费倾向”的凸性。本讲重点剖析偏好凸性在函数分析中的映射，并彻底澄清“凹函数”、“凸函数”与“拟凹函数”之间的理论界限。

商品合意性与单调性

在分析偏好形状之前，必须先明确商品对个体的基本属性：商品是否为“多多益善”的好品（economic goods）？

1. 单调性与强单调性

定义：单调性与强单调性（Monotonicity）

定义在消费集 \(X = \mathbb{R}_{+}^{L}\) 上的偏好关系 \(\succeq\)：

满足单调性，若对任意两束 \(x, y \in X\)：
- 当 \(x_l \ge y_l\) 对所有商品 \(l = 1, \dots, L\) 成立时，有 \(x \succeq y\)；
- 当 \(x_l > y_l\) 对所有商品 \(l = 1, \dots, L\) 成立时，有 \(x \succ y\)。
满足强单调性（Strong Monotonicity），若只要 \(x_l \ge y_l\) 对所有 \(l\) 成立、且至少存在一种商品 \(k\) 满足 \(x_k > y_k\)，就必有： \[x \succ y\]

单调性与强单调性的关键分水岭在于部分增量： - 在单调性下，只增加部分商品（其余不变），境况不恶化（\(x \succeq y\)），但未必能引起偏好的严格改善（\(x \succ y\)）。经典例子是里昂惕夫完全互补偏好 \(u(x_1, x_2) = \min\{x_1, x_2\}\)：若手头有 1 只左鞋和 1 只右鞋，再增加 10 只左鞋并不会带来额外满足感； - 在强单调性下，任何单一商品的单向增加，都必须带来严格的效用提升（\(x \succ y\)）。例如柯布–道格拉斯偏好 \(u(x_1, x_2) = x_1 x_2\)（当处于严格正象限时）。

2. 局部非餍足性（LNS）

比单调性更宽泛的合意性假定是局部非餍足（Local Non-Satiation, LNS）。

定义：局部非餍足（LNS）

偏好关系 \(\succeq\) 满足局部非餍足，若对任意消费束 \(x \in X\) 和任意微小邻域半径 \(\varepsilon > 0\)，在该邻域 \(B(x, \varepsilon) \equiv \{y \in X \mid \|y - x\| < \varepsilon\}\) 内，总能找到至少一个消费束 \(y\) 满足：

\[y \succ x\]

LNS 排除了经济学中最极端的“饱和点”（bliss point，即在这个点上再多消费任何东西都是折磨），也排除了厚无差异带（thick indifference sets，即一个具有二维面积的区域内所有点均无差异）。LNS 的优势在于它并不要求所有商品都是好品，甚至允许更优的束在某种分量上更少。强单调性必然蕴含局部非餍足性。

轮廓集几何与偏好凸性

当确认了商品是合意的好品后，无差异曲线的倾斜方向被固定在右下方。接下来最核心的问题是：无差异曲线究竟是凸向原点、凹向原点，还是直线？

1. 轮廓集的集合语言

对任意基准消费束 \(x \in X\)： - 上轮廓集（Upper Contour Set）：\(\operatorname{UCS}(x) \equiv \{y \in X \mid y \succeq x\}\)，包含所有不比 \(x\) 差的消费束； - 下轮廓集（Lower Contour Set）：\(\operatorname{LCS}(x) \equiv \{y \in X \mid x \succeq y\}\)，包含所有不优于 \(x\) 的消费束； - 无差异集（Indifference Set）：\(\operatorname{IND}(x) \equiv \{y \in X \mid y \sim x\} = \operatorname{UCS}(x) \cap \operatorname{LCS}(x)\)。

2. 偏好凸性的经济内涵

定义：偏好凸性（Convexity of Preferences）

偏好关系 \(\succeq\) 称为凸的，若对任意两束 \(x, y \in X\) 以及任意权重 \(\alpha \in [0, 1]\)：

\[x \succeq y \quad \Longrightarrow \quad \alpha x + (1 - \alpha) y \ \succeq \ y\]

等价地，偏好满足凸性，当且仅当对任意消费束 \(x \in X\)，其上轮廓集 \(\operatorname{UCS}(x)\) 均为凸集。

偏好满足严格凸性（Strict Convexity），若对任意 \(x \neq y\) 且 \(x \sim y\)，在开区间 \(\alpha \in (0, 1)\) 内恒有： \[\alpha x + (1 - \alpha) y \ \succ \ x \quad (\text{等价地 } \succ y)\]

偏好凸性编码了一个基本的行为经济学事实：平均胜于极端（Averages are preferred to extremes）。 - 若消费者认为两篮完全不同的消费组合（例如一篮全是肉、一篮全是菜）同等令人满意，那么两者的均匀混合方案（荤素搭配）必然至少不差于任何单一极端方案； - 在几何上，这意味着两个等效点连线形成的线段，必然整体落入无差异曲线右上方的上轮廓集内部； - 沿着无差异曲线从左上向右下移动，为了放弃一单位商品 2 所需补偿的商品 1 越来越多，即边际替代率递减（Diminishing MRS）。

偏好凸性与效用函数拟凹性的三元等价

当偏好由效用函数 \(u(\cdot)\) 表示时，几何上的“凸上轮廓集”直接转化为现代数学分析中的拟凹函数。

核心定理：三元等价性

设效用函数 \(u: X \to \mathbb{R}\) 表示偏好关系 \(\succeq\)。以下三个命题在逻辑上彼此完全等价：

\[\begin{aligned} \text{偏好 } \succeq \text{ 满足凸性} &\iff \operatorname{UCS}(x) \text{ 均为凸集} \\ &\iff u(\cdot) \text{ 为拟凹函数} \end{aligned}\]

证明过程

拟凹函数的解析定义为：对定义域内的任意 \(x, y\) 及 \(\alpha \in [0, 1]\)，均有： \[u\bigl(\alpha x + (1 - \alpha) y\bigr) \ge \min\{u(x), u(y)\}\]

设 \(u(x) \ge u(y)\)，则 \(\min\{u(x), u(y)\} = u(y)\)。 - 正向（偏好凸性 \(\implies\) 拟凹性）：若偏好满足凸性，由 \(u(x) \ge u(y)\) 推出 \(x \succeq y\)。由偏好凸性定义，对任意 \(\alpha \in [0, 1]\)，有 \(\alpha x + (1 - \alpha) y \succeq y\)。由于 \(u(\cdot)\) 正确表示偏好，这直接给出 \(u(\alpha x + (1 - \alpha) y) \ge u(y) = \min\{u(x), u(y)\}\)，证得 \(u\) 拟凹。 - 反向（拟凹性 \(\implies\) 偏好凸性）：若 \(u\) 拟凹，且 \(x \succeq y\)，则 \(u(x) \ge u(y)\)。由拟凹性定义，对任意 \(\alpha \in [0, 1]\) 有 \(u(\alpha x + (1 - \alpha) y) \ge \min\{u(x), u(y)\} = u(y)\)。由于 \(u(\cdot)\) 表示偏好，立即可得 \(\alpha x + (1 - \alpha) y \succeq y\)，即偏好满足凸性。

上轮廓集 \(\operatorname{UCS}(x) = \{z \in X \mid u(z) \ge u(x)\}\) 恰好是函数 \(u\) 的上水平集。拟凹函数在数学上的标准等价刻画正是“所有上水平集皆为凸集”。三者等价得证。

凹函数、凸函数与拟凹函数的几何与代数辨析

在经济学文献中，初学者常将“凹函数”（Concave）、“凸函数”（Convex）与“拟凹函数”（Quasiconcave）混淆。我们在此给出严格的代数对比、几何直观与图形对照。

1. 三种函数的解析定义

设 \(f: X \to \mathbb{R}\) 定义在凸集 \(X\) 上，对任意 \(x, y \in X\) 与 \(\alpha \in (0, 1)\)：

函数类别	数学条件定义	几何割线特征	水平集拓扑性质	经济学本质映射
凹函数	\(f(\alpha x + (1-\alpha)y) \ge \alpha f(x) + (1-\alpha)f(y)\)	函数曲线始终在割线上方	上水平集必为凸集	边际效用递减（基数性质）
凸函数	\(f(\alpha x + (1-\alpha)y) \le \alpha f(x) + (1-\alpha)f(y)\)	函数曲线始终在割线下方	下水平集必为凸集	边际效用递增（基数性质）
拟凹函数	\(f(\alpha x + (1-\alpha)y) \ge \min\{f(x), f(y)\}\)	曲线高于两端点的最低者	上水平集必为凸集	边际替代率递减 / 偏好凸性（序数性质）

2. 割线几何对比：凹、凸与拟凹图形

下图对比了一维单变量情形下凹函数、凸函数与非凹但拟凹函数的割线几何特征（参照讲义 Slide 72 & 77）：

▷ 展开 / 收起代码

// 凹函数、凸函数与拟凹函数割线对比图
viewof curve_type = Inputs.radio(["凹函数 (Concave)", "凸函数 (Convex)", "非凹拟凹函数 (Quasiconcave)"], {
  value: "凹函数 (Concave)",
  label: html`选择函数类型`
})

▷ 展开 / 收起代码

pts_1d = d3.range(0.5, 4.5, 0.05).map(x => {
  let y = 0;
  if (curve_type.startsWith("凹函数")) {
    y = Math.log(x) + 1.2; // 经典凹函数
  } else if (curve_type.startsWith("凸函数")) {
    y = 0.25 * Math.pow(x - 0.5, 2) + 0.3; // 经典凸函数
  } else {
    // 经典非凹但拟凹：严格单调递增的三次样条形态
    y = 0.4 * Math.atan(3 * (x - 2.5)) + 1.2;
  }
  return { x: x, y: y };
})

p1_x = 1.0
p2_x = 3.8
p1_y = pts_1d.find(d => Math.abs(d.x - p1_x) < 0.03).y
p2_y = pts_1d.find(d => Math.abs(d.x - p2_x) < 0.03).y

secant_line = [
  [p1_x, p1_y],
  [p2_x, p2_y]
]
mid_x = 0.5 * (p1_x + p2_x)
mid_sec_y = 0.5 * (p1_y + p2_y)
mid_cur_y = pts_1d.find(d => Math.abs(d.x - mid_x) < 0.03).y
min_end_y = Math.min(p1_y, p2_y)

▷ 展开 / 收起代码

Plot.plot({
  height: 320,
  x: { domain: [0.3, 4.7], label: "自变量 x →" },
  y: { domain: [0, 3.0], label: "↑ 函数值 f(x)" },
  marks: [
    // 函数曲线
    Plot.line(pts_1d, { x: "x", y: "y", stroke: "#2563eb", strokeWidth: 2.5 }),
    // 割线
    Plot.line(secant_line, { stroke: "#dc2626", strokeWidth: 2, strokeDasharray: "4,4" }),
    // 端点
    Plot.dot([[p1_x, p1_y], [p2_x, p2_y]], { r: 5, fill: "#dc2626" }),
    Plot.text([[p1_x, p1_y]], { text: ["(x, f(x))"], dy: -12, fontSize: 11, fontWeight: "bold" }),
    Plot.text([[p2_x, p2_y]], { text: ["(y, f(y))"], dy: -12, fontSize: 11, fontWeight: "bold" }),
    // 中点对比
    Plot.dot([[mid_x, mid_cur_y]], { r: 5, fill: "#2563eb" }),
    Plot.dot([[mid_x, mid_sec_y]], { r: 4, fill: "#dc2626" }),
    Plot.line([[mid_x, mid_sec_y], [mid_x, mid_cur_y]], { stroke: "#475569", strokeDasharray: "2,2" }),
    // 水平下限参考线 min{f(x), f(y)}
    Plot.line([[0.5, min_end_y], [4.5, min_end_y]], { stroke: "#94a3b8", strokeDasharray: "2,2" }),
    Plot.text([[4.4, min_end_y]], { text: ["min{f(x), f(y)}"], dy: -8, fontSize: 10, fill: "#64748b" })
  ]
})

▷ 展开 / 收起代码

html`<p><b>几何判据直观：</b><br>
1. <b>凹函数</b>：曲线位于红虚线割线<b>上方</b>：f(αx + (1-α)y) ≥ αf(x) + (1-α)f(y) ≥ min{f(x), f(y)}。<br>
2. <b>凸函数</b>：曲线位于红虚线割线<b>下方</b>：f(αx + (1-α)y) ≤ αf(x) + (1-α)f(y)。<br>
3. <b>拟凹函数</b>：曲线在混合点处的函数值<b>不低于两端点的较低者</b>：f(αx + (1-α)y) ≥ min{f(x), f(y)}。上水平集始终为无断口的连续凸区间。</p>`

3. 凹性必然蕴含拟凹性

由于对任意两实数，其凸加权值必然不小于最小值： \[\alpha f(x) + (1 - \alpha) f(y) \ge \min\{f(x), f(y)\}\]

因此，若函数满足凹性条件，两段不等式直接相连： \[f\bigl(\alpha x + (1 - \alpha) y\bigr) \ge \alpha f(x) + (1 - \alpha) f(y) \ge \min\{f(x), f(y)\}\]

结论是明确的：凹性是一个极其严苛的基数条件，它必然蕴含拟凹性（Concavity \(\implies\) Quasiconcavity）；但拟凹性远弱于凹性。

4. 拟凹性是序数性质，而凹性只是基数性质

既然凹函数必然是拟凹函数，为什么微观经济学不直接假定“效用函数是凹函数”，而一定要费力引入“拟凹函数”？

答案在于：凹性是一个脆弱的基数性质，任何非线性的正单调变换都会轻易摧毁函数的凹性；而拟凹性是一个坚韧的序数性质，在任何严格单调递增变换下绝对保持不变。

考察基准柯布–道格拉斯效用函数：

\[u(x_1, x_2) = x_1^{\frac{1}{4}} x_2^{\frac{1}{4}}\]

在严格正象限 \(\mathbb{R}_{++}^2\) 内计算其 Hessian 矩阵：一阶偏导为 \(u_1 = \frac{1}{4} x_1^{-3/4} x_2^{1/4}\)，\(u_2 = \frac{1}{4} x_1^{1/4} x_2^{-3/4}\)；二阶偏导满足 \(u_{11} = -\frac{3}{16} x_1^{-7/4} x_2^{1/4} < 0\)，\(u_{22} = -\frac{3}{16} x_1^{1/4} x_2^{-7/4} < 0\)，且主子式行列式： \[\begin{aligned} \det H_u &= u_{11} u_{22} - u_{12}^2 \\ &= \frac{9}{256} x_1^{-3/2} x_2^{-3/2} - \frac{1}{256} x_1^{-3/2} x_2^{-3/2} \\ &= \frac{1}{32} x_1^{-3/2} x_2^{-3/2} > 0 \end{aligned}\] Hessian 负定，因此 \(u\) 是严格凹函数（表现出经典边际效用递减）；
现在对 \(u\) 施加一个合法的严格正单调变换 \(g(t) = t^6\)（对所有 \(t > 0\) 导数恒正），得到新的效用表示： \[v(x_1, x_2) \equiv [u(x_1, x_2)]^6 = x_1^{\frac{3}{2}} x_2^{\frac{3}{2}}\]
重新计算 \(v\) 的偏导数：单项二阶偏导变为 \(v_{11} = \frac{3}{4} x_1^{-1/2} x_2^{3/2} > 0\) 与 \(v_{22} = \frac{3}{4} x_1^{3/2} x_2^{-1/2} > 0\)（表现为沿单一维度的边际效用递增）。计算其 Hessian 行列式： \[\begin{aligned} \det H_v &= v_{11} v_{22} - v_{12}^2 \\ &= \frac{9}{16} x_1 x_2 - \frac{81}{16} x_1 x_2 \\ &= -\frac{9}{2} x_1 x_2 < 0 \end{aligned}\] 行列式严格为负，表明 Hessian 矩阵不定——\(v\) 既不是凹函数，也不是多维凸函数（课件讲义 Slide 82/84 将其直观称为“凸但拟凹”，严格从多元微积分看，凸向原点的无差异曲线由于下轮廓集非凸，其函数在多维空间中绝不可能全域为凸，此处本质是 Hessian 不定）。

核心理论在于：\(u\) 与 \(v\) 拥有完全一模一样、重叠一致的无差异曲线族！ 两者的无差异曲线在平面上完全凸向原点（即上轮廓集完全相同，均为严格凸集）。这揭示了微观认识论的深刻真理： - 凹性与凸性是基数性质：同一个偏好关系，仅仅通过一次单调变换，就能在凹函数与非凹函数之间随意切换，因而在可观测的行为层面没有任何客观意义； - 拟凹性是纯粹的序数性质：它在任何严格单调递增变换下保持不变，它与偏好本身的凸性一一对应。

因此，微观经济学只要求效用函数满足拟凹性，绝不强求其满足凹性。

下面的交互图形重绘了讲义中偏好凸性与割线对比图（课件 Slide 74）：调节两端点 \(x\) 与 \(y\)，观察凸组合混合束 \(\alpha x + (1-\alpha)y\) 如何严格跃升至更高的无差异曲线之上：

▷ 展开 / 收起代码

viewof pt_x1 = Inputs.range([0.4, 3.6], {value: 0.8, step: 0.05, label: html`端点 x 横坐标 x₁`})
viewof pt_y1 = Inputs.range([0.4, 3.6], {value: 3.2, step: 0.05, label: html`端点 y 横坐标 y₁`})
viewof mix_alpha = Inputs.range([0.05, 0.95], {value: 0.5, step: 0.05, label: html`凸组合权重 α`})

▷ 展开 / 收起代码

base_u = 2.0
pt_x = [pt_x1, base_u / pt_x1]
pt_y = [pt_y1, base_u / pt_y1]
pt_mix = [mix_alpha * pt_x[0] + (1 - mix_alpha) * pt_y[0], mix_alpha * pt_x[1] + (1 - mix_alpha) * pt_y[1]]
mix_u = pt_mix[0] * pt_mix[1]

curve_base = d3.range(0.2, 4.3, 0.02).map(xx => [xx, base_u / xx]).filter(d => d[1] <= 4.3)
curve_mix = d3.range(0.2, 4.3, 0.02).map(xx => [xx, mix_u / xx]).filter(d => d[1] <= 4.3)

▷ 展开 / 收起代码

Plot.plot({
  height: 400,
  x: { domain: [0, 4.4], label: "商品 1 数量 x₁ →" },
  y: { domain: [0, 4.4], label: "↑ 商品 2 数量 x₂" },
  marks: [
    Plot.line(curve_base, { stroke: "#2563eb", strokeWidth: 2 }),
    Plot.text([[0.6, base_u / 0.6 + 0.2]], { text: ["基准无差异曲线 u = " + base_u.toFixed(1)], fill: "#2563eb", fontSize: 11 }),
    Plot.line(curve_mix, { stroke: "#dc2626", strokeWidth: 1.5, strokeDasharray: "4,4" }),
    Plot.text([[0.7, Math.min(4.2, mix_u / 0.7)]], { text: ["混合束无差异曲线 u = " + mix_u.toFixed(2)], fill: "#dc2626", fontSize: 11 }),
    Plot.line([pt_x, pt_y], { stroke: "#475569", strokeWidth: 1.5 }),
    Plot.dot([pt_x, pt_y], { r: 5, fill: "#1d4ed8" }),
    Plot.text([pt_x], { text: ["x"], dy: -12, fontSize: 12, fontWeight: "bold" }),
    Plot.text([pt_y], { text: ["y"], dy: -12, fontSize: 12, fontWeight: "bold" }),
    Plot.dot([pt_mix], { r: 6, fill: "#dc2626" }),
    Plot.text([pt_mix], { text: ["αx + (1-α)y"], dy: -12, fontSize: 12, fontWeight: "bold", fill: "#dc2626" })
  ]
})

▷ 展开 / 收起代码

html`<p>端点 x 与 y 处于同一无差异曲线（效用 <b>u = ${base_u.toFixed(2)}</b>）。混合束的效用为 <b>u_mix = ${mix_u.toFixed(3)} > ${base_u.toFixed(2)}</b>。连线割线整体悬浮于无差异曲线外侧，直观印证了平均组合优于极端端点的拟凹本质。</p>`

关键术语

术语	符号表达	核心概念定义
强单调性	单一商品增加即严格改善	保证无差异曲线具有负斜率且无冗余厚度
局部非餍足	任意微小邻域内总有更优束	排除全域饱和点与厚无差异带
偏好凸性	\(\alpha x + (1-\alpha)y \succeq y\)	上轮廓集为凸集，编码多样化消费倾向
拟凹函数	\(u(\alpha x + (1-\alpha)y) \ge \min\{u(x), u(y)\}\)	上水平集均为凸集，凸偏好的精确代数像
序数性判定	拟凹性属于序数，凹凸性属于基数	单调变换不改变拟凹性与偏好形状

延伸阅读与下一讲预告

深入思考：明确了偏好需要具备单调性与拟凹性之后，我们如何构造具体的函数族来刻画不同商品之间的替代难度？
下一讲（1.4 替代弹性与常替代弹性效用族）：我们将引入度量商品间替代灵敏度的核心指标——替代弹性，并以常替代弹性（CES）效用函数为主轴，透视柯布–道格拉斯、完全替代与完全互补三大特例如何在同一个参数谱系中平滑演化。