python 经济论文_用python学习中级微观经济学【Consumption bundle篇】

昨天去迪士尼玩了14个项目……累坏

理论部分

首先讲一下消费束(Consumption bundle)。这里的基本假设是市场上只有两种物品，两种物品价格已知，消费者的效用函数已知，消费者的收入m固定(不含禀赋)。

所以，从本质上来说，我们要做的就是找到最优消费束(x*,y*)关于

的函数关系，即

其次是凹凸性：凹函数(concave)，凸函数(convex)，拟线性函数(Quasi-Linear)

上过课的同学一定能记得，计算Consumption bundle易错点是：对凹凸性不同的效用函数要分不同情况处理；含有Min()的函数其图像是折线(不可导)；含有Max()的函数属于凸函数也要特殊处理。

1. 对于一般形式的函数对于一般的凹函数(e.g.

)

1)用求微分的diff()函数计算效用边际替代率MRS_U、价格边际替代率MRS_M。

2)由一阶最优化条件MRS_U = MRS_M，求解该方程即可得到最优解(x*,y*)。对于凹的拟线性函数(e.g.

)：

步骤同上，但最后一步中 程序求出的解只包含x=a而不包含

对于一般的凸函数(e.g.

):

直接判别：比较预算约束线横截距点horizon和纵截距点vertical的效用大小，取较大的值。

2. 对于含有Min()的函数(e.g.

)：

1)用正则匹配出

两个表达式ineq1，ineq2。

2)令

即为最优解所在的直线，令之与预算约束线求交点即为 (x*,y*)。

3. 对于含有Max()的函数：

处理方法同一般凸函数，直接判别横纵截距点。

程序实现

先举例补充一下sympy的基本用法：Eq(x+1, y) 表示等式x+1=y

solve(Eq(x+1, y), x) 表示求解等式x+1=y, 解得一个list, 包含一个dict解集{x: y-1}

x = Symbol('x') 表示定义x为一个变量，在输入输出中用'x'表示，在程序中用x表示

U.subs(y,y+1) 表示将表达式U中的所有变量y赋值/替换为y+1

程序可以应用的效用函数(Utility Function)范围是：

暂时不包含

这类的形式。

例题：效用函数

， 物品x的价格18，物品y价格1，总收入m是135，求最优消费束。

Step 1.在实际解题的过程中，由于sympy库所要求的输入格式太严格，我选择对输入的字符串做一个预处理。也就是insert()和initial()函数，其作用是在变量x或y前补上手写中容易省略的*号(乘号)。

def insert(original, new, pos):

'''Inserts new inside original at pos.'''

new = original[:pos] + new + original[pos:]

return new

def initial(s):

waiting = []

count = 0

for i in range(len(s) - 1):

if s[i] in '123456789.' and (s[i + 1] == 'x' or s[i + 1] == 'y'):

waiting.append(i)

for i in waiting:

count += 1

s = insert(s, '*', (i + count))

return s

Step 2. 函数凹凸类型判断：is_concave()函数

def is_concave():

global horizon, vertical, U

random_x1 = random.uniform(0, horizon)

random_y1 = solve(Eq(U. subs(x, random_x1), 4), y)[0] # 这个要把x带进去

random_x2 = random.uniform(0, horizon)

random_y2 = solve(Eq(U.subs(x, random_x2), 4), y)[0]

mp_x = (random_x1 + random_x2) / 2

mp_y = (random_y1 + random_y2) / 2

temp = U.subs(x, mp_x).subs(y, mp_y) - \

U.subs(x, random_x1).subs(y, random_y1)

if temp < 0:

return True

else:

return False

使用了凹函数的标准定义：若某一等效用线上任意两点连线上的点，其效用值大于该等效用线的效用值，则该效用函数是凹函数，否则为凸函数。

使用了random模块中的random()函数，随机在(0, horizon)的范围上产生random_x1、random_x2。并以Utility=4为例，计算得到相应的y1、y2值。最后比较(random_x1, y1)(random_x2, y2)的中点(mp_x, mp_y)的效用值和(random_x1, y1)的效用值，判断是否为凹函数。

Step 3. 分情况求解：

1)凸函数concave():

def concave():

global raw_U, horizon, vertical, Optimal_x, Optimal_y

temp = U.subs(x, horizon).subs(y, 0) - U.subs(y, vertical).subs(x, 0)

if temp > 0:

Optimal_x = horizon

Optimal_y = 0

elif temp == 0:

Optimal_x = horizon

Optimal_y = 0

else:

Optimal_x = 0

Optimal_y = vertical

return

2 ) Max函数concave_max():

同上，唯一区别是U和ineq1、ineq2

def concave_max():

global raw_U, horizon, vertical, Optimal_x, Optimal_y

temp = ineq1.subs(x, horizon).subs(y, 0) - ineq2.subs(y, vertical).subs(x, 0) #而顺序不一定,TODO

if temp > 0:

Optimal_x = horizon

Optimal_y = 0

elif temp == 0:

Optimal_x = horizon

Optimal_y = 0

else:

Optimal_x = 0

Optimal_y = vertical

return

2)凹函数convex():

def convex():

global raw_U, horizon, vertical, Optimal_x, Optimal_y, ans

try:

ans[0]

try:

Optimal_x = solve(Eq(ans[0][y], budegt_constrain_line))[0]

except:

Optimal_x = ans[0][x] # 拟线性函数

except:

print('Oppps！好像无解')

3) Min函数：非常简洁

boundary = solve(Eq(ineq1, ineq2), y)[0]

Optimal_x = solve(Eq(boundary, budegt_constrain_line))[0]

Step 4. 求解y*:

直接在预算约束线上带入x求解y

Optimal_y = budegt_constrain_line.subs(x, Optimal_x)

Step 5. 画图：将(Optimal_x,Optimal_y) 代入Utility Function，求出最大化的效用值

由于将sympy表达式转化为matplotlib表达式比较繁琐，所以还是选择用sympy.plot_implicit()作图

将预算集和最大化等效用线用p1.extend()一起画出来

画图时坐标范围是[0, 1.2倍截距]

Utility = U.subs(x, Optimal_x).subs(y, Optimal_y)

p1 = plot_implicit(Eq(U, Utility), (x, 0, 1.2 * horizon),

(y, 0, 1.2 * vertical), line_color='#df0070', title='Consumption bundle is ' + str(Consumption_bundle), show=False)

p1.extend(plot_implicit(M < m, (x, 0, 1.2 * horizon),

(y, 0, 1.2 * vertical), line_color='#00a8a8', show=False))

p1.show()

效果如本文封面图(颜色可以自己调整)

全部代码的90%已经分段贴在上面了，如果有兴趣要自己运行程序的可以跑下面的完整代码。含有例题信息的源代码​github.com运行结果

下期预告

斯勒茨基方程(Slutsky Equation)

计算 需求

计算 收入效应、替代效应

听名字很可怕 其实……都是套路嘛……