生产者理论

知识补充

导数

原函数	导函数
$y=\ln x$	$y^{\prime }=\frac{1}{x}$
$y=x^n$	$y^{\prime }=n{x}^{n-1}$
$y=\frac{1}{x}$	$y^{\prime }=-\frac{1}{x^2}$
$y=f[g(x)]$	$y^{\prime }=f^{\prime }[g(x)]\cdot g^{\prime }(x)$

凹凸性

一元函数

设 $f(x)$ 在区间 $I$ 上连续，如果对 $I$ 上任意两点 $x_1$、$x_2$，恒有
$$f\left(\frac{x_1+x_2}{2}\right)<\frac{f(x_1)+f(x_2)}{2},$$
那么称 $f(x)$ 在 $I$ 上的图形是凹的（或凹弧）；

如果恒有
$$f\left(\frac{x_1+x_2}{2}\right)>\frac{f(x_1)+f(x_2)}{2},$$
那么称 $f(x)$ 在 $I$ 上的图形是凸的（或凸弧）。

二元函数

设 $f(x,y)$ 在区域 $D$ 上具有二阶连续偏导数，记 $A=f_{xx}^{\prime \prime }(x,y)$，$B=f_{xy}^{\prime \prime }(x,y)$，$C=f_{yy}^{\prime \prime }(x,y)$，则：
（1）在 $D$ 上恒有 $A>0$，且 $AC-B^2\ge 0$ 时，$f(x,y)$ 在区域 $D$ 上是凸函数；
（2）在 $D$ 上恒有 $A<0$，且 $AC-B^2\ge 0$ 时，$f(x,y)$ 在区域 $D$ 上是凹函数。

设 $f(x,y)$ 是在开区域 $D$ 内具有连续偏导数的凸（或者凹）函数，$(x_0,y_0)\in D$ 且 $f_x^{\prime }(x_0,y_0)=0$，$f_y^{\prime }(x_0,y_0)=0$，则 $f(x_0,y_0)$ 必为 $f(x,y)$ 在 $D$ 内的最小值（或最大值）。

---

---

三大经典生产函数

1. 柯布道格拉斯生产函数
2. 莱昂提夫生产函数
3. CES生产函数

柯布道格拉斯函数

公式：
$$Y=A{L}^{\beta }{K}^{\alpha },$$
其中：

符号	意义
$Y$	产出数量
$L$	劳动力投入
$K$	资本投入
$A$	总生产率因子
$\alpha$	资本的产出弹性
$\beta$	劳动力产出弹性

$\alpha$ 和 $\beta$ 具有以下的关系：

关系	意义
$\alpha +\beta =1$	规模报酬不变
$\alpha +\beta >1$	规模报酬递增
$\alpha +\beta <1$	规模报酬递减

莱昂提夫生产函数

公式：
$$q=\min \left(\frac{z_1}{a},\frac{z_2}{b}\right),$$
其中：

符号	意义
$z_1$、$z_2$	两种要素的投入数量
$a$、$b$	代表生产技术的系数

CES 生产函数

公式：
$$y={\left[a_1{x}_1^{\rho }+a_2{x}_2^{\rho }\right]}^{\frac{1}{\rho }}.$$
替代弹性：
$$\sigma =\frac{d\ln x_2/x_1}{d\ln \left|TRS\right|}=\frac{1}{1-\rho }.$$

生产技术的模型表达

边际技术替代率

在维持产量水平不变的条件下，增加一个单位的某种要素投入量时所减少的另一种要素的投入量，被称为边际技术替代率（Marginal Rate of Technical Substitution，MRTS）。

边际替代率的计算公式

边际技术替代率 = 等产量曲线的斜率的绝对值 = 保持产量不变的情况下，减少 $x_2$ 投入同时增加 $x_1$ 投入数量的比值。
$$MRTS(x_1,x_2)=-\frac{\Delta x_2}{\Delta x_1}=\frac{M{P}_1}{M{P}_2}.$$
其中，$M{P}_1$ 和 $M{P}_2$ 分别是投入要素 1 和 2 的边际产出。

边际技术替代率的特点

从几何意义上看，在一条等产量曲线上的任意一点，投入 $x_1$ 对投入 $x_2$ 的边际技术替代率，等于等产量曲线上这一点的斜率。
边际技术替代率具有如下特点：

1. 当等产量曲线的斜率为负值时，表明两种生产要素可以互相替代，一种生产要素增加，另外一种生产要素必须减少方能使产量维持在同一水平上。
2. 当等产量曲线的斜率为正值时，表明两种生产要素必须同时增加才能达到与从前相同的产量水平。
3. 等产量曲线的斜率也可以是无穷大或为零，此时表明两种生产要素不能互相替代。

替代弹性

替代弹性 = 等产量曲线的曲度 = 要素投入比例相对于边际技术替代率的敏感度。

$${\sigma }_{21}=\frac{d\ln (x_2/x_1)}{d\ln MRT{S}_{12}}=\frac{d\ln (x_2/x_1)}{d\ln \left(\frac{df}{d{x}_1}/\frac{df}{d{x}_2}\right)}.$$
$注意（我的好友提醒我）$：

例子
考虑道格拉斯生产函数 $f(x_1,x_2)=x_1^a{x}_2^{1-\alpha }$。
边际技术替代率是：
$$MRT{S}_{21}=\frac{1-a}{a}\frac{x_1}{x_2}$$

---

$\text{求解过程}$：
$$\begin{array}{rl}MRTS(x_1,x_2)& =\frac{M{P}_1}{M{P}_2}\\ & =\frac{\partial f}{\partial x_1}/\frac{\partial f}{\partial x_2}\\ & =\left(x_2^{1-a}\cdot a\cdot x_1^{a-1}\right)/\left(x_1^a\cdot (1-a)\cdot x_2^{-a}\right)\\ & =\frac{a}{1-a}\cdot \frac{x_1^{a-1}}{x_1^a}\cdot \frac{x_2^{1-a}}{x_2^{-a}}\\ & =\frac{a}{1-a}\cdot \frac{1}{x_1}\cdot \frac{x_2}{1}\\ & =\frac{a}{1-a}\frac{x_2}{x_1}\end{array}.$$
$MRTS(x_1,x_2)$ 简记为 $MRT{S}_{12}$，
$$MRT{S}_{21}=\frac{M{P}_2}{M{P}_1}=\frac{1}{MRT{S}_{12}}=\frac{1-a}{a}\frac{x_1}{x_2}.$$

---

记符号 $\theta$ 为
$$\theta =\frac{1-a}{a}\frac{x_1}{x_2},$$
则有
$$\frac{x_1}{x_2}=\frac{a}{1-a}\theta .$$

替代弹性为
$$\begin{array}{rl}{\sigma }_{21}& =\frac{d\ln \left(\frac{x_1}{x_2}\right)}{d\ln \left(MRT{S}_{21}\right)}\\ & =\frac{d\ln \left(\frac{x_1}{x_2}\right)}{d\ln \left(\theta \right)}\\ & =\frac{d\frac{x_1}{x_2}}{\frac{x_1}{x_2}}\frac{\theta }{d\theta }\\ & =\frac{d\frac{x_1}{x_2}}{d\theta }\frac{\theta }{\frac{x_1}{x_2}}\\ & =\frac{a}{1-a}\frac{1-a}{a}\frac{x_1}{x_2}\frac{x_2}{x_1}\\ & =1.\end{array}$$

---

$求解方法二$：
$$\begin{array}{rl}{\sigma }_{21}& =\frac{d\ln \left(\frac{x_1}{x_2}\right)}{d\ln \left(MRT{S}_{21}\right)}\\ & =\frac{d\ln (\frac{a}{1-a}\theta )}{d\ln \theta }\\ & =\left(\frac{d\ln (\frac{a}{1-a}\theta )}{d\theta }\right)/\left(\frac{d\ln \theta }{d\theta }\right)\\ & =\left(\frac{1}{\frac{a}{1-a}\theta }\cdot \frac{a}{1-a}\right)/\left(\frac{1}{\theta }\right)\\ & =\left(\frac{1}{\theta }\right)/\left(\frac{1}{\theta }\right)\\ & =1.\end{array}$$

---

CES生产函数的替代弹性？
$求解过程$：
CES生产函数为
$$y={\left[a_1{x}_1^{\rho }+a_2{x}_2^{\rho }\right]}^{\frac{1}{\rho }}$$
边际技术替代率 MRTS 为
$$\begin{array}{rl}MRT{S}_{12}& =\frac{M{P}_1}{M{P}_2}\\ & =\left(\frac{\partial y}{\partial x_1}\right)/\left(\frac{\partial y}{\partial x_2}\right)\\ & =\frac{\left(\frac{1}{\rho }{\left[a_1{x}_1^{\rho }+a_2{x}_2^{\rho }\right]}^{\frac{1}{\rho }-1}\right)\cdot a_1\rho x_1^{\rho -1}}{\left(\frac{1}{\rho }{\left[a_1{x}_1^{\rho }+a_2{x}_2^{\rho }\right]}^{\frac{1}{\rho }-1}\right)\cdot a_2\rho x_2^{\rho -1}}\\ & =\frac{a_1}{a_2}{\left(\frac{x_1}{x_2}\right)}^{\rho -1}.\end{array}$$

记符号 $\theta$ 为
$$\theta =\frac{a_1}{a_2}{\left(\frac{x_1}{x_2}\right)}^{\rho -1}.$$
则有
$$\frac{x_1}{x_2}={\left(\frac{a_2}{a_1}\theta \right)}^{\frac{1}{\rho -1}}.$$

替代弹性
$$\begin{array}{rl}{\sigma }_{12}& =\frac{d\ln \left(\frac{x_2}{x_1}\right)}{d\ln \left(MRT{S}_{12}\right)}\\ & =\frac{d\ln \left(\frac{x_2}{x_1}\right)}{d\ln \theta }\\ & =\frac{d\ln \left(\frac{1}{{\left(\frac{a_2}{a_1}\theta \right)}^{\frac{1}{\rho -1}}}\right)}{d\ln \theta }\\ & =\left(\frac{d\ln \left(\frac{1}{{\left(\frac{a_2}{a_1}\theta \right)}^{\frac{1}{\rho -1}}}\right)}{d\theta }\right)/\left(\frac{d\ln \theta }{d\theta }\right)\\ & ={\left(\frac{a_2}{a_1}\theta \right)}^{\frac{1}{\rho -1}}\cdot (-1)\frac{1}{{\left({\left(\frac{a_2}{a_1}\theta \right)}^{\frac{1}{\rho -1}}\right)}^2}\cdot \frac{1}{\rho -1}{\left(\frac{a_2}{a_1}\theta \right)}^{\frac{1}{\rho -1}-1}\cdot \left(\frac{a_2}{a_1}\right)/\left(\frac{1}{\theta }\right)\\ & =(-1)\frac{1}{\rho -1}\cdot {\left(\frac{a_2}{a_1}\theta \right)}^{-1}\cdot \left(\frac{a_2}{a_1}\right)/\left(\frac{1}{\theta }\right)\\ & =(-1)\frac{1}{\rho -1}{\theta }^{-1}\theta \\ & =(-1)\frac{1}{\rho -1}\\ & =\frac{1}{1-\rho }.\end{array}$$

---

练习：
生产函数 $q(x_1,x_2)=x_1^{\alpha }{x}_2^{\beta }$，$\alpha >0$，$\beta >0$，
证明（1）当$\alpha +\beta \le 1$ 时，$q(x_1,x_2)$ 是凹函数。
（2）当 $\alpha >0$，$\beta >0$ 时，$\ln \left(q(x_1,x_2)\right)$ 是凹函数。
$证明$：
（1）
$q_{x_1}^{\prime }(x_1,x_2)=x_2^{\beta }\cdot \alpha x_1^{\alpha -1}=\alpha x_1^{\alpha -1}{x}_2^{\beta },$
$q_{x_2}^{\prime }(x_1,x_2)=x_1^{\alpha }\cdot \beta x_2^{\beta -1}=\beta x_1^{\alpha }{x}_2^{\beta -1},$
$A=q_{x_1{x}_1}^{\prime \prime }(x_1,x_2)=\alpha x_2^{\beta }\cdot (\alpha -1)x_1^{\alpha -2}=\alpha (\alpha -1)x_1^{\alpha -2}{x}_2^{\beta },$
$B=q_{x_1{x}_2}^{\prime \prime }(x_1,x_2)=\alpha x_1^{\alpha -1}\cdot \beta x_2^{\beta -1}=\alpha \beta x_1^{\alpha -1}{x}_2^{\beta -1},$
$C=q_{x_2{x}_2}^{\prime \prime }(x_1,x_2)=\beta x_1^{\alpha }\cdot (\beta -1)x_2^{\beta -2}=\beta (\beta -1)x_1^{\alpha }{x}_2^{\beta -2},$

$$\begin{array}{rl}AC-B^2& =\alpha (\alpha -1)x_1^{\alpha -2}{x}_2^{\beta }\cdot \beta (\beta -1)x_1^{\alpha }{x}_2^{\beta -2}-{\left(\alpha \beta x_1^{\alpha -1}{x}_2^{\beta -1}\right)}^2\\ & =\alpha \beta (\alpha -1)(\beta -1)x_1^{2\alpha -2}{x}_2^{2\beta -2}-{\alpha }^2{\beta }^2{x}_1^{2(\alpha -1)}{x}_2^{2(\beta -1)}\\ & =({\alpha }^2{\beta }^2-{\alpha }^2\beta -\alpha {\beta }^2+\alpha \beta )x_1^{2\alpha -2}{x}_2^{2\beta -2}-{\alpha }^2{\beta }^2{x}_1^{2\alpha -2}{x}_2^{2\beta -2}\\ & =(-{\alpha }^2\beta -\alpha {\beta }^2+\alpha \beta )x_1^{2\alpha -2}{x}_2^{2\beta -2}\\ & =\alpha \beta (-\alpha -\beta +1)x_1^{2\alpha -2}{x}_2^{2\beta -2},\end{array}$$
因为 $\alpha +\beta \le 1$，所以 $1-\alpha -\beta \ge 0$；$\alpha >0$，$\beta >0$，所以 $\alpha \beta >0$。
故 $AC-B^2\ge 0$。
因为 $0<\alpha <1$，所以 $\alpha -1<0$，所以 $A<0$。
由二元函数的凹凸性判定可知，$q(x_1,x_2)$ 是凹函数。
（2）
记 $t(x_1,x_2)=\ln \left(q(x_1,x_2)\right)=\ln \left(x_1^{\alpha }{x}_2^{\beta }\right)$。
$$t_{x_1}^{\prime }(x_1,x_2)=\frac{1}{x_1^{\alpha }{x}_2^{\beta }}\cdot x_2^{\beta }\alpha x_1^{\alpha -1}=\alpha x_1^{-1},$$
$$t_{x_2}^{\prime }(x_1,x_2)=\frac{1}{x_1^{\alpha }{x}_2^{\beta }}\cdot x_1^{\alpha }\beta x_2^{\beta -1}=\beta x_2^{-1},$$
$$A=t_{x_1{x}_1}^{\prime \prime }(x_1,x_2)=\alpha \cdot (-1)x_1^{-2}=-\alpha x_1^{-2},$$
$$B=t_{x_1{x}_2}^{\prime \prime }(x_1,x_2)=0,$$
$$C=t_{x_2{x}_2}^{\prime \prime }(x_1,x_2)=\beta \cdot (-1)x_2^{-2}=-\beta x_2^{-2},$$

$$AC-B^2=\left(-\alpha x_1^{-2}\right)\left(-\beta x_2^{-2}\right)-0=\alpha \beta (x_1{x}_2{)}^{-2}\ge 0.$$
并且 $A=-\alpha x_1^{-2}<0$，所以由二元函数凹凸性判定定理，得
$t(x_1,x_2)=\ln \left(x_1^{\alpha }{x}_2^{\beta }\right)$ 是凹函数，也即是 $\ln q(x_1,x_2)$ 是凹函数。

利润最大化

• 完全竞争市场下
  • 简化了市场需求，产品售价给定
  • 线性要素成本，没有规模效应
  • 仅考虑生产技术约束
• 利润最大化条件：每种要素的边际产出价值等于边际成本

例子：单一产品，产量 $y$；单一投入，数量 $x$。
生产函数：$$y=x^a,$$
利润最大化条件：$$pa{x}^{a-1}=w$$
投入要素数量：$$x(p,w)={\left(\frac{w}{ap}\right)}^{\frac{1}{a-1}}$$
生产产品数量：$$y(p,w)=x^a(p,w)={\left(\frac{w}{ap}\right)}^{\frac{a}{a-1}}$$
利润函数：$$\begin{array}{rl}\pi (p,w)& =py(p,w)-wx(p,w)\\ & =p{\left(\frac{w}{ap}\right)}^{\frac{a}{a-1}}-w{\left(\frac{w}{ap}\right)}^{\frac{1}{a-1}}\\ & =p{\left(\frac{w}{ap}\right)}^{\frac{1}{a-1}}{\left(\frac{w}{ap}\right)}^1-w{\left(\frac{w}{ap}\right)}^{\frac{1}{a-1}}\\ & =\left(\frac{w}{a}-w\right){\left(\frac{w}{ap}\right)}^{\frac{1}{a-1}}\\ & =w\left(\frac{1-a}{a}\right){\left(\frac{w}{ap}\right)}^{\frac{1}{a-1}}.\end{array}$$

（我的理解：产品单价为 $p$，数量为 $y$；投入单价为 $w$，数量为 $x$）

成本最小化

• 可进一步应用于非竞争性市场
  $$\begin{gathered} \underset{\mathbf{x}}{\min }\mathbf{w}\mathbf{x} \\ \text{s.t. }f(\mathbf{x})=y. \end{gathered}$$

成本最小化条件：
$$\frac{w_i}{w_j}=\frac{\frac{\partial f({\mathbf{x}}^{\ast })}{\partial x_i}}{\frac{\partial f({\mathbf{x}}^{\ast })}{\partial x_j}}$$

成本函数

生产技术的经济特征

• 柯布道格拉斯技术
  $$\begin{gathered} c(\mathbf{w},y)=\underset{x_1,x_2}{\min }{w}_1{x}_1+w_2{x}_2 \\ \text{s.t. }A{x}_1^a{x}_2^b=y. \end{gathered}$$
  $从柯布道格拉斯生产函数推导成本函数过程$：
  第一步：从约束条件中得到 $x_2$ 的表达式
  $$\begin{gathered} A{x}_1^a{x}_2^b=y \\ {x}_2^b=\frac{y}{A{x}_1^a} \\ {x}_2={\left(\frac{y}{A{x}_1^a}\right)}^{\frac{1}{b}}. \end{gathered}$$
  第二步：将 $x_2$ 代入优化目标中
  $$\begin{array}{rl}c(w_1,w_2,y)& =w_1{x}_1+w_2{x}_2\\ & =w_1{x}_1+w_2{\left(\frac{y}{A{x}_1^a}\right)}^{\frac{1}{b}}\end{array}.$$
  第三步：对 $x_1$ 求导数，
  记
  $$t(x_1)=w_1{x}_1+w_2{\left(\frac{y}{A{x}_1^a}\right)}^{\frac{1}{b}},$$
  $$\begin{array}{rl}{t}^{\prime }(x_1)& =w_1+w_2\frac{1}{b}{\left(\frac{y}{A{x}_1^a}\right)}^{\frac{1}{b}-1}\cdot \left(\frac{y}{A}\right)(-1){\left(\frac{1}{x_1^a}\right)}^2\cdot a{x}_1^{a-1}\\ & =w_1+w_2\frac{1}{b}{\left(\frac{y}{A}\right)}^{\frac{1}{b}-1}{\left(\frac{1}{x_1^a}\right)}^{\frac{1}{b}-1}\left(\frac{y}{A}\right)(-1){\left(\frac{1}{x_1^a}\right)}^{2}a{x}_1^{a-1}\\ & =w_1-w_2\frac{a}{b}{\left(\frac{y}{A}\right)}^{\frac{1}{b}-1+1}{\left(x_1^{-a}\right)}^{\frac{1}{b}-1+2}{x}_1^{a-1}\\ & =w_1-\frac{a}{b}{w}_2{\left(\frac{y}{A}\right)}^{\frac{1}{b}}{x}_1^{-\frac{a+b}{b}}.\end{array}$$
  令 $t^{\prime }(x_1)=0$，得
  $$\begin{gathered} w_1-\frac{a}{b}{w}_2{\left(\frac{y}{A}\right)}^{\frac{1}{b}}{x}_1^{-\frac{a+b}{b}}=0 \\ {w}_1=\frac{a}{b}{w}_2{\left(\frac{y}{A}\right)}^{\frac{1}{b}}{x}_1^{-\frac{a+b}{b}} \\ b{w}_1=a{w}_2{\left(\frac{y}{A}\right)}^{\frac{1}{b}}{x}_1^{-\frac{a+b}{b}} \\ \frac{b{w}_1}{a{w}_2}={\left(\frac{y}{A}\right)}^{\frac{1}{b}}{x}_1^{-\frac{a+b}{b}} \\ \frac{b{w}_1}{a{w}_2}{\left(\frac{y}{A}\right)}^{-\frac{1}{b}}=x_1^{-\frac{a+b}{b}} \\ \frac{1}{x_1^{\frac{a+b}{b}}}=\frac{b{w}_1}{a{w}_2}{\left(\frac{y}{A}\right)}^{-\frac{1}{b}} \\ {\left(\frac{1}{x_1}\right)}^{\frac{a+b}{b}}=\frac{b{w}_1}{a{w}_2}{\left(\frac{y}{A}\right)}^{-\frac{1}{b}} \\ \left(\frac{1}{x_1}\right)={\left[\frac{b{w}_1}{a{w}_2}{\left(\frac{y}{A}\right)}^{-\frac{1}{b}}\right]}^{\frac{b}{a+b}} \\ \left(\frac{1}{x_1}\right)={\left(\frac{b{w}_1}{a{w}_2}\right)}^{\frac{b}{a+b}}{\left[{\left(\frac{y}{A}\right)}^{-\frac{1}{b}}\right]}^{\frac{b}{a+b}} \\ \left(\frac{1}{x_1}\right)={\left(\frac{b{w}_1}{a{w}_2}\right)}^{\frac{b}{a+b}}{\left(\frac{y}{A}\right)}^{-\frac{1}{a+b}} \\ {x}_1=\frac{1}{{\left(\frac{b{w}_1}{a{w}_2}\right)}^{\frac{b}{a+b}}{\left(\frac{y}{A}\right)}^{-\frac{1}{a+b}}} \\ {x}_1={\left(\frac{a{w}_2}{b{w}_1}\right)}^{\frac{b}{a+b}}{\left(\frac{A}{y}\right)}^{-\frac{1}{a+b}}=A^{-\frac{1}{a+b}}{\left(\frac{a{w}_2}{b{w}_1}\right)}^{\frac{b}{a+b}}{y}^{\frac{1}{a+b}}. \end{gathered}$$
  因此
  $$x_1(w_1,w_2,y)=A^{-\frac{1}{a+b}}{\left(\frac{a{w}_2}{b{w}_1}\right)}^{\frac{b}{a+b}}{y}^{\frac{1}{a+b}}.$$
  将 $x_1$ 带回 $x_2$ 中，得
  $$\begin{array}{rl}{x}_2& ={\left(\frac{y}{A{x}_1^a}\right)}^{\frac{1}{b}}\\ & =y^{\frac{1}{b}}{A}^{-\frac{1}{b}}{x}_1^{-\frac{a}{b}}\\ & =y^{\frac{1}{b}}{A}^{-\frac{1}{b}}{\left[A^{-\frac{1}{a+b}}{\left(\frac{a{w}_2}{b{w}_1}\right)}^{\frac{b}{a+b}}{y}^{\frac{1}{a+b}}\right]}^{-\frac{a}{b}}\\ & =y^{\frac{1}{b}}{A}^{-\frac{1}{b}}{A}^{\frac{a}{b(a+b)}}{\left(\frac{a{w}_2}{b{w}_1}\right)}^{-\frac{a}{a+b}}{y}^{-\frac{a}{b(a+b)}}\\ & =A^{-\frac{1}{a+b}}{\left(\frac{a{w}_2}{b{w}_1}\right)}^{-\frac{a}{a+b}}{y}^{\frac{1}{a+b}}.\end{array}$$
  因此
  $$x_2(w_1,w_2,y)=A^{-\frac{1}{a+b}}{\left(\frac{a{w}_2}{b{w}_1}\right)}^{-\frac{a}{a+b}}{y}^{\frac{1}{a+b}}.$$
  第四步：将 $x_1$、$x_2$ 代入原成本函数中
  $$\begin{array}{rl}c(w_1,w_2,y)& =w_1{x}_1+w_2{x}_2\\ & =w_1{A}^{-\frac{1}{a+b}}{\left(\frac{a{w}_2}{b{w}_1}\right)}^{\frac{b}{a+b}}{y}^{\frac{1}{a+b}}+w_2{A}^{-\frac{1}{a+b}}{\left(\frac{a{w}_2}{b{w}_1}\right)}^{-\frac{a}{a+b}}{y}^{\frac{1}{a+b}}\\ & =A^{-\frac{1}{a+b}}{\left(\frac{a}{b}\right)}^{\frac{b}{a+b}}{w}_2^{\frac{b}{a+b}}{w}_1^{\frac{a}{a+b}}{y}^{\frac{1}{a+b}}+A^{-\frac{1}{a+b}}{\left(\frac{a}{b}\right)}^{-\frac{a}{a+b}}{w}_2^{\frac{b}{a+b}}{w}_1^{\frac{a}{a+b}}{y}^{\frac{1}{a+b}}\\ & =A^{-\frac{1}{a+b}}{w}_1^{\frac{a}{a+b}}{w}_2^{\frac{b}{a+b}}{y}^{\frac{1}{a+b}}\left[{\left(\frac{a}{b}\right)}^{\frac{b}{a+b}}+{\left(\frac{a}{b}\right)}^{-\frac{a}{a+b}}\right].\end{array}$$
  通常：令 $A=1$，$a+b=1$，则上式简化为：
  $$c(w_1,w_2,y)=K{w}_1^a{w}_2^{1-a}y,$$
  其中 $K=a^{-a}(1-a{)}^{a-1}$。

• 莱昂提夫技术
  f ( x 1 , x 2 ) = min ⁡ { a x 1 , b x 2 } . f(x_1,x_2)=\min\{ax_1,bx_2\}. f(x1​,x2​)=min{ax1​,bx2​}.
  $$c(w_1,w_2,y)=\frac{w_{1}y}{a}+\frac{w_{2}y}{b}=y\left(\frac{w_1}{a}+\frac{w_2}{b}\right).$$

• CES技术
  $$\begin{gathered} \min w_1{x}_1+w_2{x}_2 \\ \text{s.t. }{x}_1^{\rho }+x_2^{\rho }=y^{\rho } \end{gathered}$$
  $从\text{CES}生产函数推导成本函数$：
  第一步：从约束条件中得到 $x_2$ 的表达式
  $$\begin{gathered} x_1^{\rho }+x_2^{\rho }=y^{\rho } \\ {x}_2^{\rho }=y^{\rho }-x_1^{\rho } \\ {x}_2={\left(y^{\rho }-x_1^{\rho }\right)}^{\frac{1}{\rho }} \end{gathered}$$
  第二步：将 $x_2$ 代入到优化函数中
  $$\min w_1{x}_1+w_2{\left(y^{\rho }-x_1^{\rho }\right)}^{\frac{1}{\rho }}$$
  第三步：对优化函数求导数，得极值点
  令
  $$t(x_1)=w_1{x}_1+w_2{\left(y^{\rho }-x_1^{\rho }\right)}^{\frac{1}{\rho }}$$
  $$t^{\prime }(x_1)=w_1+w_2\frac{1}{\rho }{\left(y^{\rho }-x_1^{\rho }\right)}^{\frac{1}{\rho }-1}\left(-\rho x_1^{\rho -1}\right)=w_1-w_2{x}_1^{\rho -1}{\left(y^{\rho }-x_1^{\rho }\right)}^{\frac{1}{\rho }-1}$$
  令 $t^{\prime }(x_1)=0$，得
  $$\begin{gathered} w_1-w_2{x}_1^{\rho -1}{\left(y^{\rho }-x_1^{\rho }\right)}^{\frac{1}{\rho }-1}=0 \\ {w}_1=w_2{x}_1^{\rho -1}\frac{1}{{\left(y^{\rho }-x_1^{\rho }\right)}^{\frac{\rho -1}{\rho }}} \\ {w}_1{\left(y^{\rho }-x_1^{\rho }\right)}^{\frac{\rho -1}{\rho }}=w_2{x}_1^{\rho -1} \\ {w}_1^{\frac{\rho }{\rho -1}}\left(y^{\rho }-x_1^{\rho }\right)=w_2^{\frac{\rho }{\rho -1}}{x}_1^{\rho } \\ {w}_1^{\frac{\rho }{\rho -1}}{x}_1^{\rho }+w_2^{\frac{\rho }{\rho -1}}{x}_1^{\rho }=w_1^{\frac{\rho }{\rho -1}}{y}^{\rho } \\ {x}_1^{\rho }=\frac{w_1^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}{y}^{\rho } \\ {x}_1={\left[\frac{w_1^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right]}^{\frac{1}{\rho }}y. \end{gathered}$$
  即
  $$x_1(w_1,w_2,y)={\left[\frac{w_1^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right]}^{\frac{1}{\rho }}y.$$

第四步：将 $x_1$ 代入到 $x_2$ 的表达式中
$$\begin{array}{rl}{x}_2& ={\left(y^{\rho }-x_1^{\rho }\right)}^{\frac{1}{\rho }}\\ & ={\left(y^{\rho }-{\left[{\left[\frac{w_1^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right]}^{\frac{1}{\rho }}y\right]}^{\rho }\right)}^{\frac{1}{\rho }}\\ & ={\left[y^{\rho }-\frac{w_1^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}{y}^{\rho }\right]}^{\frac{1}{\rho }}\\ & =y\left[\frac{w_2^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right].\end{array}$$
即
$$x_2(w_1,w_2,y)=y\left[\frac{w_2^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right].$$
第五步：将 $x_1$、$x_2$ 代回成本函数中
$$\begin{array}{rl}c(w_1,w_2,y)& =w_1{x}_1(w_1,w_2,y)+w_2{x}_2(w_1,w_2,y)\\ & =w_1{\left[\frac{w_1^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right]}^{\frac{1}{\rho }}y+w_2\left[\frac{w_2^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right]y\\ & ={\left[w_1^{\rho }\frac{w_1^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right]}^{\frac{1}{\rho }}y+\left[w_2\frac{w_2^{\frac{\rho }{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right]y\\ & ={\left[\frac{w_1^{\frac{{\rho }^2}{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right]}^{\frac{1}{\rho }}y+\left[\frac{w_2^{\frac{2\rho -1}{\rho -1}}}{w_1^{\frac{\rho }{\rho -1}}+w_2^{\frac{\rho }{\rho -1}}}\right]y.\end{array}$$
$（有问题）$

参考

1. 课程老师的PPT，就不外传了（很简略）
2. 百度文库：zdwdyx666，边际替代率
3. 百度百科：导数表
4. 知乎：黄知之，函数的凹凸性漫谈
5. CSDN：AIHUBEI，二元函数判断凹凸性
6. CSDN：馋学习的身子，二元函数凹凸性判定及最值定理