包络定理严格推导与消费者对偶理论

给出无约束与等式约束包络定理的完整数学证明，利用包络定理严格证明谢泼德引理与罗伊恒等式，并结合交互图形直观展示支出函数作为固定消费直线族的下包络线。

引言

在微观经济学最优化问题中，外生参数的变化通常会引起内生决策变量的相应调整。然而，当考查最值函数（如支出函数、间接效用函数）关于外生参数的导数时，决策变量的调整项对最值函数的一阶变动率没有贡献，导数完全等于目标函数（或拉格朗日函数）在最优解处对参数的偏导数。这一结论即为包络定理（Envelope Theorem）。

本文首先给出无约束与带约束包络定理的完整数学证明；随后运用包络定理推导消费者理论中的谢泼德引理与罗伊恒等式；最后以交互图形直观展示支出函数作为固定消费直线族的下包络线几何结构。

---

第一部分：包络定理的完整证明

1. 无约束最优化问题

设目标函数为 \(f(x, a)\)，其中 \(x = (x_1, \dots, x_n) \in \mathbb{R}^n\) 为决策变量，\(a \in \mathbb{R}\) 为外生参数。定义最值函数为：

\[V(a) \equiv \max_{x \in \mathbb{R}^n} f(x, a)\]

假设在给定的参数 \(a\) 处存在唯一的内点最优解 \(x^*(a) = (x_1^*(a), \dots, x_n^*(a))\)，且 \(f\) 与 \(x^*(a)\) 连续可微。根据定义，恒等式在 \(a\) 的邻域内成立：

\[V(a) \equiv f(x^*(a), a)\]

对参数 \(a\) 求全导数：

\[ \frac{dV(a)}{da} = \frac{\partial f(x^*(a), a)}{\partial a} + \sum_{i=1}^n \frac{\partial f(x^*(a), a)}{\partial x_i} \frac{dx_i^*(a)}{da} \]

根据无约束极值的一阶必要条件（FOC），在内点最优解处，目标函数对每一个决策变量的偏导数均为零：

\[\frac{\partial f(x^*(a), a)}{\partial x_i} = 0, \quad \forall i = 1, \dots, n\]

将一阶条件代入全导数展开式，右端求和项严格为零：

\[ \sum_{i=1}^n \frac{\partial f(x^*(a), a)}{\partial x_i} \frac{dx_i^*(a)}{da} = \sum_{i=1}^n 0 \cdot \frac{dx_i^*(a)}{da} = 0 \]

因此直接得出结论：

\[\frac{dV(a)}{da} = \left. \frac{\partial f(x, a)}{\partial a} \right|_{x = x^*(a)}\]

---

2. 带等式约束最优化问题

考虑带 \(m\) 个等式约束的最优化问题：

\[ V(a) \equiv \max_{x \in \mathbb{R}^n} f(x, a) \quad \text{s.t.} \quad g_j(x, a) = 0, \quad j = 1, \dots, m \]

构造拉格朗日函数：

\[\mathcal{L}(x, \lambda, a) = f(x, a) - \sum_{j=1}^m \lambda_j g_j(x, a)\]

设最优解为 \(x^*(a)\)，对应的最优拉格朗日乘子为 \(\lambda^*(a) = (\lambda_1^*(a), \dots, \lambda_m^*(a))\)。一阶必要条件为：

\[ \frac{\partial \mathcal{L}}{\partial x_i} = \frac{\partial f(x^*, a)}{\partial x_i} - \sum_{j=1}^m \lambda_j^*(a) \frac{\partial g_j(x^*, a)}{\partial x_i} = 0, \quad \forall i = 1, \dots, n \]

\[g_j(x^*(a), a) \equiv 0, \quad \forall j = 1, \dots, m\]

最值函数的全导数展开为：

\[ \frac{dV(a)}{da} = \frac{\partial f(x^*, a)}{\partial a} + \sum_{i=1}^n \frac{\partial f(x^*, a)}{\partial x_i} \frac{dx_i^*(a)}{da} \tag{1} \]

由于最优解必须处处满足约束条件 \(g_j(x^*(a), a) \equiv 0\)，对该恒等式两端关于 \(a\) 求全导数：

\[ \frac{\partial g_j(x^*, a)}{\partial a} + \sum_{i=1}^n \frac{\partial g_j(x^*, a)}{\partial x_i} \frac{dx_i^*(a)}{da} \equiv 0, \quad \forall j = 1, \dots, m \]

将每个约束式乘以对应的乘子 \(\lambda_j^*(a)\) 并对 \(j\) 求和：

\[ \sum_{j=1}^m \lambda_j^*(a) \frac{\partial g_j(x^*, a)}{\partial a} + \sum_{i=1}^n \left( \sum_{j=1}^m \lambda_j^*(a) \frac{\partial g_j(x^*, a)}{\partial x_i} \right) \frac{dx_i^*(a)}{da} \equiv 0 \tag{2} \]

将恒等于零的式 (2) 从式 (1) 中减去：

\[ \frac{dV(a)}{da} = \left[ \frac{\partial f(x^*, a)}{\partial a} - \sum_{j=1}^m \lambda_j^*(a) \frac{\partial g_j(x^*, a)}{\partial a} \right] + \sum_{i=1}^n \underbrace{\left[ \frac{\partial f(x^*, a)}{\partial x_i} - \sum_{j=1}^m \lambda_j^*(a) \frac{\partial g_j(x^*, a)}{\partial x_i} \right]}_{= \frac{\partial \mathcal{L}}{\partial x_i} = 0} \frac{dx_i^*(a)}{da} \]

由拉格朗日一阶条件，后半部分求和项恒等于零，因此：

\[ \frac{dV(a)}{da} = \left. \frac{\partial \mathcal{L}(x, \lambda, a)}{\partial a} \right|_{x=x^*(a), \lambda=\lambda^*(a)} \]

---

第二部分：利用包络定理证明谢泼德引理与罗伊恒等式

1. 支出最小化与谢泼德引理（Shephard’s Lemma）

考虑支出最小化问题（EMP）：

\[e(p, u) \equiv \min_{x \ge 0} \sum_{i=1}^n p_i x_i \quad \text{s.t.} \quad u(x) \ge u\]

在局部非饱和偏好假设下，约束在最优处取等号。写出最小化拉格朗日函数：

\[\mathcal{L}(x, \lambda; p, u) = \sum_{i=1}^n p_i x_i - \lambda \big[ u(x) - u \big]\]

最优决策向量即为希克斯补偿需求 \(h(p, u) = (h_1(p, u), \dots, h_n(p, u))\)。

对商品 \(i\) 的价格 \(p_i\) 应用有约束包络定理：

\[ \frac{\partial e(p, u)}{\partial p_i} = \left. \frac{\partial \mathcal{L}}{\partial p_i} \right|_{x = h(p, u)} = x_i^* = h_i(p, u) \]

谢泼德引理得证。

同理，对目标效用 \(u\) 应用包络定理：

\[ \frac{\partial e(p, u)}{\partial u} = \left. \frac{\partial \mathcal{L}}{\partial u} \right|_{x = h(p, u)} = \lambda^*(p, u) \]

表明乘子 \(\lambda^*(p, u)\) 等于增加一单位效用所需的边际货币支出。

---

2. 效用最大化与罗伊恒等式（Roy’s Identity）

考虑效用最大化问题（UMP）：

\[v(p, w) \equiv \max_{x \ge 0} u(x) \quad \text{s.t.} \quad w - \sum_{i=1}^n p_i x_i \ge 0\]

拉格朗日函数为：

\[\mathcal{L}(x, \lambda; p, w) = u(x) + \lambda \left[ w - \sum_{i=1}^n p_i x_i \right]\]

最优解即为马歇尔需求 \(x(p, w)\)，最优乘子为 \(\lambda^*(p, w) > 0\)。

分别对商品价格 \(p_i\) 与财富 \(w\) 应用有约束包络定理：

\[ \frac{\partial v(p, w)}{\partial p_i} = \left. \frac{\partial \mathcal{L}}{\partial p_i} \right|_{x = x^*} = -\lambda^*(p, w) x_i^*(p, w) \]

\[ \frac{\partial v(p, w)}{\partial w} = \left. \frac{\partial \mathcal{L}}{\partial w} \right|_{x = x^*} = \lambda^*(p, w) \]

将两式相除以消去拉格朗日乘子 \(\lambda^*\)：

\[ \frac{\frac{\partial v(p, w)}{\partial p_i}}{\frac{\partial v(p, w)}{\partial w}} = \frac{-\lambda^*(p, w) x_i^*(p, w)}{\lambda^*(p, w)} = -x_i^*(p, w) \]

两端乘以 \(-1\)，即得罗伊恒等式：

\[x_i(p, w) = -\frac{\frac{\partial v(p, w)}{\partial p_i}}{\frac{\partial v(p, w)}{\partial w}}\]

---

第三部分：支出函数的几何本质——固定消费直线族的下包络线

1. 几何原理：为什么支出函数是包络线？

第二部分所证明的谢泼德引理 \(\frac{\partial e(p, u)}{\partial p_i} = h_i(p, u)\)，在微分几何上有着极其直观的包络线解释。

回到支出最小化问题：

\[e(p, u) \equiv \min_{x: u(x) \ge u} \left( \sum_{i=1}^n p_i x_i \right)\]

假定消费者面临商品 1 价格 \(p_1\) 的变动，其他商品价格固定为 \(p_{-1}\)，目标效用为 \(u\)。

1. 固定消费策略直线： 设想消费者固定在无差异曲线 \(u(x) = u\) 上的某个特定消费束 \(\bar{x} = (\bar{x}_1, \bar{x}_2, \dots, \bar{x}_n)\) 不做任何调整。当价格 \(p_1\) 变动时，保持该消费组合不变的总支出是关于价格 \(p_1\) 的一条线性直线： \[E_{\bar{x}}(p_1) = \bar{x}_1 \cdot p_1 + \sum_{i=2}^n p_i \bar{x}_i\] 这条直线的斜率恰好是固定的消费量 \(\bar{x}_1\)。

2. 直线族与下包络线： 无差异曲线上存在无数个候选消费组合 \(\bar{x}\)，每一个消费组合都在 \((p_1, E)\) 平面上画出一条斜率不同的直线，由此构成了固定消费直线族 \(\{ E_x(p_1) \}_{x: u(x) \ge u}\)。 真实支出函数 \(e(p_1, p_{-1}, u)\) 允许消费者在每一个价格点 \(p_1\) 处都自由重新优化选择以最小化支出： \[e(p_1, p_{-1}, u) = \min_{x: u(x) \ge u} E_x(p_1) \le E_{\bar{x}}(p_1), \quad \forall \bar{x}\]

3. 切线斜率与谢泼德引理：

   • 真实支出函数曲线 \(e(p_1, \cdot)\) 永远位于所有固定消费直线的下方；
   • 在任意给定的价格 \(p_1^*\) 处，当固定消费束恰好取为该价格下的最优希克斯需求 \(h(p_1^*, p_{-1}, u)\) 时，直线与支出函数在此处相交并相切： \[E_{h(p_1^*, \cdot)}(p_1^*) = e(p_1^*, p_{-1}, u)\]
   • 因此，支出函数曲线 \(e(p_1, \cdot)\) 恰好就是这族固定消费直线的下包络线（Lower Envelope）；
   • 既然相切，包络线在该点的斜率必须严格等于切线斜率： \[ \left. \frac{\partial e(p_1, \cdot)}{\partial p_1} \right|_{p_1 = p_1^*} = \bar{x}_1^* = h_1(p_1^*, p_{-1}, u) \]

在求导时代数上将消费决策视作常数，在几何上完全等价于：支出函数在切点处的斜率，就是那条相切的固定消费直线的斜率。

---

2. 交互演示：支出函数与固定消费直线族

下方交互演示基于经典的双商品柯布–道格拉斯偏好 \(u(x_1, x_2) = \sqrt{x_1 x_2}\)，设定商品 2 价格 \(p_2 = 1\)。 此时： - 支出函数为 \(e(p_1, u) = 2 u \sqrt{p_1}\)； - 最优希克斯需求为 \(h_1(p_1, u) = \frac{u}{\sqrt{p_1}}\)； - 固定在某个消费组合 \((\bar{x}_1, \bar{x}_2)\) 时的支出为直线 \(E(p_1) = \bar{x}_1 p_1 + \bar{x}_2\)。

拖动价格 \(p_1\) 与效用 \(u\)，可以直观观察切点在包络线上的连续移动以及当前切线斜率如何严格吻合希克斯需求量。

viewof p1_val = Inputs.range([0.5, 5.0], {
  value: 2.0,
  step: 0.1,
  label: "商品 1 价格 p₁"
})

viewof u_target = Inputs.range([1.0, 4.0], {
  value: 2.0,
  step: 0.2,
  label: "目标效用 u"
})

viewof num_lines = Inputs.range([6, 24], {
  value: 12,
  step: 1,
  label: "固定消费直线数量"
})

// 支出函数与固定消费直线族的数据计算
emp_data = {
  const p1 = p1_val;
  const u = u_target;
  const p2 = 1.0;

  // 当前价格下的最优希克斯需求
  const opt_h1 = u / Math.sqrt(p1);
  const opt_h2 = u * Math.sqrt(p1);
  const opt_e = 2 * u * Math.sqrt(p1);

  // 价格采样网格
  const p_grid = d3.range(0.4, 5.5, 0.05);

  // 真实支出函数 (下包络线)
  const envelope_pts = p_grid.map(p => ({
    p: p,
    val: 2 * u * Math.sqrt(p)
  }));

  // 生成固定消费束直线族: 在不同参考价格 p_ref 处选取无差异曲线上的点
  const p_refs = d3.range(0.6, 5.0, (5.0 - 0.6) / (num_lines - 1));
  const family_lines = p_refs.flatMap(pref => {
    const x1_fixed = u / Math.sqrt(pref);
    const x2_fixed = u * Math.sqrt(pref);
    return p_grid.map(p => ({
      pref: pref,
      p: p,
      val: p * x1_fixed + x2_fixed * p2
    }));
  });

  // 当前价格对应的切线 (固定在当前最优 (opt_h1, opt_h2))
  const current_tangent = p_grid.map(p => ({
    p: p,
    val: p * opt_h1 + opt_h2 * p2
  }));

  return {
    p1: p1,
    u: u,
    opt_h1: opt_h1,
    opt_h2: opt_h2,
    opt_e: opt_e,
    envelope_pts: envelope_pts,
    family_lines: family_lines,
    current_tangent: current_tangent,
    current_point: { p: p1, val: opt_e }
  };
}

// 实时对偶数值校验卡片
html`<div style="display:grid; grid-template-columns: repeat(auto-fit, minmax(200px, 1fr)); gap: 12px; margin-bottom: 1rem;">
  <div style="background: #f8fafc; border: 1px solid #cbd5e1; border-radius: 6px; padding: 10px 14px;">
    <div style="font-size: 0.8rem; color: #64748b;">当前价格 p₁ 与效用 u</div>
    <div style="font-size: 1.25rem; font-weight: 700; color: #0f172a;">p₁ = ${emp_data.p1.toFixed(2)}，u = ${emp_data.u.toFixed(1)}</div>
    <div style="font-size: 0.75rem; color: #64748b;">自变量与外生效用约束</div>
  </div>
  <div style="background: #eff6ff; border: 1px solid #bfdbfe; border-radius: 6px; padding: 10px 14px;">
    <div style="font-size: 0.8rem; color: #1e40af;">最小支出 e(p₁, u)</div>
    <div style="font-size: 1.25rem; font-weight: 700; color: #1e3a8a;">${emp_data.opt_e.toFixed(2)}</div>
    <div style="font-size: 0.75rem; color: #1e40af;">包络线上切点纵坐标</div>
  </div>
  <div style="background: #fefce8; border: 1px solid #fef08a; border-radius: 6px; padding: 10px 14px;">
    <div style="font-size: 0.8rem; color: #854d0e;">希克斯需求 h₁(p₁, u)</div>
    <div style="font-size: 1.25rem; font-weight: 700; color: #b45309;">${emp_data.opt_h1.toFixed(3)}</div>
    <div style="font-size: 0.75rem; color: #854d0e;">最优消费束商品 1 数量</div>
  </div>
  <div style="background: #f0fdf4; border: 1px solid #bbf7d0; border-radius: 6px; padding: 10px 14px;">
    <div style="font-size: 0.8rem; color: #166534;">包络切线斜率 ∂e/∂p₁</div>
    <div style="font-size: 1.25rem; font-weight: 700; color: #15803d;">${emp_data.opt_h1.toFixed(3)}</div>
    <div style="font-size: 0.75rem; color: #166534;">谢泼德引理：斜率 ≡ 需求量</div>
  </div>
</div>`

// 交互绘图
Plot.plot({
  title: "支出函数是固定消费直线族的下包络线 (Lower Envelope)",
  subtitle: "浅灰直线：无差异曲线上不同固定消费组合的支出线；深蓝粗线：真实支出函数；橙色实线：当前价格处的相切直线",
  width: Math.min(840, width),
  height: 420,
  x: { label: "商品 1 价格 p₁", domain: [0.4, 5.4] },
  y: { label: "总支出 E", domain: [0, Math.max(16, emp_data.opt_e * 1.6)] },
  grid: true,
  marks: [
    // 背景固定消费直线族
    Plot.line(emp_data.family_lines, {
      x: "p",
      y: "val",
      z: "pref",
      stroke: "#94a3b8",
      strokeOpacity: 0.45,
      strokeWidth: 1.2
    }),
    // 真实支出函数 (下包络线)
    Plot.line(emp_data.envelope_pts, {
      x: "p",
      y: "val",
      stroke: "#1e3a8a",
      strokeWidth: 3.2
    }),
    // 当前切线
    Plot.line(emp_data.current_tangent, {
      x: "p",
      y: "val",
      stroke: "#d97706",
      strokeWidth: 2.4
    }),
    // 切点
    Plot.dot([emp_data.current_point], {
      x: "p",
      y: "val",
      r: 6,
      fill: "#ef4444",
      stroke: "#ffffff",
      strokeWidth: 2
    }),
    // 切点文案
    Plot.text([emp_data.current_point], {
      x: "p",
      y: "val",
      text: d => `切点 (p₁=${d.p.toFixed(2)}, e=${d.val.toFixed(2)})\n切线斜率 = h₁* = ${emp_data.opt_h1.toFixed(3)}`,
      dx: 16,
      dy: 18,
      fontSize: 12,
      fontWeight: "600",
      fill: "#1e3a8a"
    })
  ]
})

提示几何特征观察

1. 下包络结构：无论如何调整价格 \(p_1\) 与效用 \(u\)，深蓝色的真实支出函数曲线始终位于所有浅灰直线下方，并在切点处与当前最优消费束对应的橙色切线精准贴合；
2. 斜率与需求对应：当前切线的斜率在数值上与希克斯需求 \(h_1(p_1, u)\) 恒等。价格 \(p_1\) 升高时，切点右移，切线斜率逐渐放缓，直观对应了希克斯需求随自身价格上升而减少。

---

结语

包络定理在代数上表明：在极值点处，决策变量的调整项由最优化一阶条件消去，最值函数对参数的全导数等于目标函数或拉格朗日函数在最优解处对参数的偏导数。在消费者理论中，这一结论直接导出了谢泼德引理与罗伊恒等式；在几何上，支出函数正是固定各个消费组合时支出直线族的下包络线，切线斜率直接还原了最优补偿需求。

---

延伸阅读

• 偏好凸性与效用函数拟凹：从集合几何到经济直觉
• 常替代弹性 (CES) 效用函数：替代弹性、极限定理与曲率谱系
• 向量求导工具箱与斯勒茨基矩阵推导
• 生产理论：利润最大化、利润函数与霍特林引理 (Hotelling’s Lemma)

---

None🤖 AI 助教「乐高」

在推导包络定理、对偶引理（罗伊恒等式 / 谢泼德引理）或下包络几何时有疑问？可以直接向 AI 助教「乐高」提问，例如： * 为什么在最优点处，内生决策变量对参数的调整效应（\(\nabla_x f \cdot \frac{dx^*}{da}\)）会精确为零？ * 为什么说支出函数是各消费束支出线族的“下包络线”，而利润函数是供给线族的“上包络线”？ * 怎样利用包络定理从间接效用函数 \(v(p, w)\) 推导出罗伊恒等式？