本文提出基于级联CES生产函数的动态校准框架,通过结合上游度拓扑、垂直级联下降与水平交替分块坐标下降,有效识别经济体处理网络中的异质替代弹性,并缓解高维非凸优化的维度灾难。 基于美国投入产出时间序列的实证结果表明,校准后的CCES模型能够较准确复现传统Törnqvist全要素生产率,同时在正态微观生产率冲击下内生生成负偏、厚尾的宏观波动,揭示供应链非线性与结构性刚性是宏观尾部风险的重要来源。
报告题为《Computing Endogenous Transformations in Processing Networks: A Dynamic Calibration Approach》,作者为日本福祉大学经济学部的 Satoshi Nakano 与中京大学经济研究所的 Kazuhiko Nishimura,发布日期为 2026 年 9 月 17 日,研究对象是宏观经济中的处理网络、投入产出关系、供应链内生变换以及替代弹性对宏观尾部风险的影响。 报告不是传统意义上的个股或行业投资报告,因此没有股票评级、目标价、DCF 估值或市盈率估值,其核心产出是一个用于估计生产网络结构参数和模拟宏观风险的计算方法。,
报告的中心论点是:现实中的供应链并非静态、固定的投入产出关系,而是一个能够在价格变化、生产率冲击和约束条件变化下自行重组的“处理网络”。要预测这种重组,必须同时具备两个要素:第一,生产网络的工程层级结构;第二,非单位替代弹性,即不同投入之间的替代弹性不必等于 1。作者使用嵌套式 Cascaded CES,即“级联 CES”生产函数描述这种结构,并提出 Dynamic Calibration,即“动态校准”方法,从时间序列投入产出数据中识别异质替代弹性。,
文章进一步声称,经过校准的非中性处理网络可以在微观生产率冲击服从正态分布的情况下,内生地产生宏观层面的负偏、厚尾波动;因此,宏观尾部风险并不必然来自微观冲击本身的厚尾,也可能来自生产网络中的非线性、刚性和互补关系。,
作者首先区分了“供应链”和“处理网络”。供应链是某一时期已经被观察到的技术选择、投入产出联系和交易结构;处理网络则是包含完整工程层级、潜在交易方式和所有可能生产组合的理论系统。 这一差异十分重要,因为历史投入产出表只能告诉研究者“过去实际采用了什么”,但无法直接告诉研究者在新的环境约束下,企业和行业将如何重新选择投入组合。
作者的理论传统可以追溯到 Chenery 的“工程生产函数”思想,即把生产过程拆分成物理工程环节,避免把技术完全当成统计黑箱。按照这一思路,某一基础投入价格上升后,冲击会沿着上游到下游的价格链条传导,使不同部门重新调整投入比例,最终形成新的供应链结构。
这也是报告批评传统方法的原因。Törnqvist 指数等非参数方法适合进行事后生产率核算,可以记录供应链已经发生了什么变化,但不能回答面对前所未有的政策或技术冲击时,供应链将如何重构。 标准 CGE 模型虽然可以进行事前政策模拟,但往往以单一年份为基准,并从文献中外生设定替代弹性,因而不能让模型从历史时间序列中内生学习供应链变换机制。
报告将 Cobb-Douglas 经济视为一个重要对照。Cobb-Douglas 对应替代弹性等于 1,在这种情况下,成本份额在数学上保持不变,因此价格冲击不会引起真正意义上的内生投入结构调整。 相反,当替代弹性不等于 1 时,成本份额会随着相对价格变化而变化,生产网络会产生内生的技术替代、互补和结构变迁。
作者借鉴既有网络宏观经济学研究指出,网络异质性可以放大部门冲击,但静态网络结构本身只有在微观冲击具有厚尾时才足以产生宏观厚尾;该报告强调,另一条重要路径是网络非线性,即非单位替代弹性和生产互补性能够把原本对称、正态的微观冲击转化为宏观层面的不对称风险。
报告还强调,供应链调整具有层级性。上游部门的冲击会沿较长的生产链向下游传播,若存在调整成本,越上游的冲击可能造成持续时间更长、影响范围更广的宏观损害。 这为作者采用“上游度”对行业和投入进行排序提供了理论依据。
CCES 模型将多个投入按照工程层级递归聚合。最上游是价值增加或初级生产要素,随后逐层加入中间投入,最终形成最下游的行业产出。 每一层都有一个分配参数 λi 和一个替代弹性 σi:λi 决定该层两类投入在成本中的分配权重,σi 则决定两类投入之间的替代难易程度。
这种结构不是普通的单层 CES。普通 CES 直接把所有投入一次性聚合,而 CCES 通过嵌套和递归方式表示“原材料—中间加工—最终加工”的顺序关系。因此,上游投入的价格变化可能经过多层幂函数和成本聚合后影响下游成本份额,形成明显的非线性传导。,
报告使用 Shephard 引理从单位成本函数推导投入成本份额。Shephard 引理的经济含义是:单位成本对某项投入价格的偏导数,等于成本最小化时该投入的需求量;在乘以价格并除以总成本后,就可以得到该投入的成本份额。 由于 CCES 具有递归结构,某一层投入的份额不仅取决于自身参数,还取决于上游或下游多个层级的复合成本,因此单个价格冲击会通过整条级联链条产生影响。
作者证明了 CCES 的所有投入成本份额,包括中间投入和价值增加投入,加总后等于 1。, 这一结果是微观经济学中成本函数有效性的基本要求。如果成本份额不能加总为 1,模型就无法被解释为一个满足成本最小化条件的生产系统。
报告还给出了关键的凹性条件:当且仅当所有替代弹性满足 σi≥0 时,CCES 生产函数及其对应的单位成本函数具有全球凹性。, 这里的“凹性”表示投入数量的边际产出递减以及价格变化下成本函数的良好几何性质,是保证模型具有微观经济解释的必要条件。作者特别指出,允许短期回归自由估计出负替代弹性,虽然可能降低样本内误差,但会使生产函数在某些方向上变成凸函数,违背成本最小化和经济正则性。,
附录 A 的证明分为必要性和充分性两部分。必要性方面,作者在某个层级固定上游变量,构造一个方向向量,并考察 Hessian 矩阵的二阶方向导数;如果某一 σk<0,则存在一个方向使二阶导数为正,从而出现局部凸性,不能满足全球凹性。, 充分性方面,作者利用两因素 CES 的凹性和复合函数的单调性,通过归纳法证明:若上游复合函数凹,且当前层的 σk≥0,则当前层复合函数也凹;从最顶层向下递推即可得到整个 CCES 函数全球凹。
报告将行业投入按照 Leontief 型上游度指标排序,顺序从最下游的直接投入到最上游的间接投入。, 在基准期,作者将所有可观察价格归一化为 1,因此递归形成的中间复合成本也等于 1。
在该基准状态下,观察到的投入产出成本份额矩阵 A 可以用于确定不可直接观察的分配参数 Λ。具体而言,作者首先使用每一项中间投入的观察成本份额,再结合此前层级的累计剩余份额,递归识别每一个 λk;价值增加份额则由总份额减去全部中间投入份额得到。 这一设定意味着 Λ 并不是需要通过复杂优化估计的自由参数,而是由基准投入产出矩阵确定,动态校准的核心未知量主要集中在替代弹性矩阵 Σ。
报告令 gt 表示各行业总产出,dt 表示最终需求,vt 表示总价值增加,并定义 ht=(gt−dt, vt),即由中间需求总额和价值增加构成的观测交易向量。 模型根据历史价格、工资、基准份额矩阵 A 和待估弹性矩阵 Σ,生成预测交易向量 ĥt(Σ)。动态校准的目标是在整个时间窗口内,使 ĥt(Σ) 尽可能接近实际观测 ht。
作者没有直接把每个时期的观察成本份额 At 作为主要拟合对象,而是拟合中间需求和价值增加等宏观交易现实。这种处理有两个目的:一是避免大型行业在绝对误差最小化中压倒小型行业;二是保证 GDP 等宏观核算关系不会因追求局部份额拟合而被破坏。,
因此,目标函数采用双重目标和正则化设计。一部分衡量微观结构误差,另一部分通过权重 α 强化宏观总量一致性;此外,Tikhonov 正则项以 σij=1 的 Cobb-Douglas 基准为中心,在数据证据不足时将替代弹性拉回中性状态。 这种正则化的含义不是声称现实必然是 Cobb-Douglas,而是为了防止在参数数量多、样本期短和数据有噪声时出现极端或经济意义不可信的弹性估计。
当 n 个行业之间的弹性参数构成约 O(n²) 维的参数空间时,采用数值 Jacobian 计算梯度需要约 O(n²) 次函数评估,而每次函数评估本身又涉及大规模递归成本计算,因此作者将整体计算负担概括为 O(n⁴) 级别。,
此外,CCES 的嵌套结构会造成严重病态性。上游弹性的轻微改变可能在经过多层幂函数后被放大或削弱,导致误差面出现平坦区、折叠区和局部最优。 当算法还必须满足 σij≥0 时,L-BFGS-B 等通用约束算法可能被困在非负边界附近,误认为已经收敛,但实际仍有较大的残差。
作者提出的第一层机制是“纵向级联顺序下降”。算法不再一次性优化某个行业的全部弹性,而是按照网络上游度,从最上游层级开始,逐个优化标量 σij,并在每一步递归更新 CCES 中间成本。,
其经济直觉是:先处理上游参数,再逐步向下游传递,能够减少嵌套参数之间的干扰。由于每次只优化一个参数,原本高维、强非线性的子问题被转化为一系列一维有界优化问题,L-BFGS-B 的作用也从处理整个复杂空间变成处理单个非负弹性参数。
第二层机制是“横向交替区块坐标下降”。虽然每个行业内部具有纵向层级,但所有行业又通过 GDP 或宏观总需求约束相互连接。一个行业的弹性变化会改变全经济预测交易总额,进而影响其他行业的宏观误差。
因此,算法固定其他行业的参数,只更新一个行业的弹性向量;完成该行业的纵向优化后,立即更新全经济宏观状态,再进入下一个行业。 每轮完成所有行业后,算法检查目标函数下降幅度,若低于容忍阈值 ε,则输出 Σ*;否则进入下一轮。
算法初始化于 Σ(0)=1,即 Cobb-Douglas 基准,并利用上游度矩阵确定每个行业的级联顺序。 其核心优势不是改变目标函数,而是利用生产网络的物理拓扑,把一个黑箱式高维优化问题拆成低维、结构化、可重复的子问题。
图 1 用阶梯式结构表示 CCES 的处理生产函数。图中最上方是价值增加要素 ℓ 和最上游投入 xn,随后依次向下加入 x2、x1,最终形成产出 y;创新或生产率 z 作用于最终产出端。 该图直观说明了作者所谓的“级联”:投入不是平行地一次性聚合,而是沿着上游到下游的工程流程逐层进入生产系统。
图 1 也解释了为什么上游冲击可能产生放大效应。越靠近上游的投入,其价格或生产率变化会经过更多层级传导;而越下游的投入更接近最终产出,传导路径相对短。 因而模型的参数不仅表达替代关系,也编码了投入在生产层级中的位置。
图 2 包含 10 个行业面板,横轴大致覆盖 1997—2020 年,纵轴为以基期归一化后的 TFP 指标;黑色实线是传统数据驱动的 Törnqvist TFP,红色虚线是 CCES 结构 TFP,灰色区域表示校准期。 图中十个行业按照上游度由高到低排列,包括制造业、服务业、金融保险房地产、批发零售、采矿、运输仓储、农业林业渔业、信息业、建筑公用事业和政府。,
整体上,两条曲线在各行业大部分年份几乎重合,特别是金融保险房地产、批发零售、信息业和政府部门的重合程度很高。 制造业在 1997—2001 年以及部分后续年份存在较明显但有限的偏离,采矿业、农业和运输业在波动较大年份也可见红线和黑线的轻微差异,但趋势方向基本一致。
从经济含义看,制造业 TFP 在 2000 年代前半段上升,2011—2013 年附近下降或接近基准,2015 年后再次走强;采矿业和农业波动明显,反映资源与农业部门较强的周期性;信息业则自 1997 年起整体持续上升;政府与建筑公用事业则总体呈下降趋势。 这些图形支持作者的主要验证结论:虽然 CCES 只使用一组相对稳定的结构弹性,并不逐年更新全部观察成本份额,但仍能重现传统 Törnqvist 指数的主要动态轨迹。,
不过,图 2 的“高度重合”主要是视觉证据,报告在正文中没有提供每个行业的相关系数、均方根误差或置信区间,因此不能仅凭图形判断结构模型在统计意义上完全等价于 Törnqvist 指数。, 此外,Törnqvist 指数本身是 Translog 函数的精确指数,CCES 能够重现它,说明校准模型具有较强的描述能力,但并不自动证明 CCES 的结构参数在经济因果意义上唯一或真实。
图 3 是两个 QQ 图。左图为 Cobb-Douglas 经济,右图为校准后的 CCES 经济;横轴是理论正态分位数,纵轴是宏观总产出增长或波动的对数值。 左图的散点大体沿红色参考直线排列,说明当 σij=1 时,正态的微观生产率冲击大致线性传导为正态的宏观波动。
右图则明显偏离直线,尤其在负向尾部出现更强的弯曲和极端偏离,表现出负偏和厚尾特征。 这意味着经过非中性替代弹性和网络级联后,负面生产率冲击的宏观影响大于对称正面冲击;换言之,生产网络在供应瓶颈、约束增加或生产率下降时,不能通过充分替代来吸收损失。
作者将这一结果解释为美国经济在约 2012 年附近具有结构性低弹性,并进一步提出“Negative Singularity”概念,即当足够严重的负生产率冲击使正的均衡价格固定点不再存在时,经济网络可能发生结构性崩溃。 需要注意的是,作者明确表示当前结果并不意味着美国经济即将发生奇异性崩溃,精确的奇异性阈值仍未被定量识别。
表 1 对比了实际投入产出表和名义投入产出表。实际表左侧记录实物数量或不变价交易,满足行平衡,即各行业中间流出与最终需求之和等于总产出;但除基准年外,由于不同投入价格不同,实际表的列方向成本核算通常不平衡。
名义表右侧将交易乘以相应价格,因此同时满足行平衡和列核算平衡,即中间投入成本、价值增加成本之和等于行业名义产出价值。 作者利用名义表直接提取最终需求 di=pifi、价值增加 vj=wjℓj 和中间投入成本份额 aij=(pixij)/(pjyj),并通过名义值除以实际值计算行业产出和价值增加的隐含价格平减指数。
这张表体现了动态校准的数据基础:模型不是只依赖一张静态投入产出表,而是利用不同年份的产出、价格、最终需求和价值增加信息,考察价格变化下交易结构的动态调整。
表 2 将 BEA 的 71 个原始行业聚合为 10 个宽口径行业,并按照上游度重新编号,从最上游的第 10 类逐步下降到最下游的第 01 类。 这种聚合有助于展示方法并控制计算规模,但也牺牲了行业内部异质性;例如,原始制造业、服务业或能源相关行业内部可能存在完全不同的替代关系,而聚合后只能由一个较粗的行业结构代表。
作者明确表示,10 部门划分是概念验证,而非最终的高分辨率实证结果。 因此,表 2 既是算法排序的基础,也是报告外推能力的一个限制来源。
在 10 部门、4 年校准窗口中,模型有约 100 个弹性参数,却只有 40 个历史核算关系,表面上属于欠定问题。 作者原本预期存在大量零残差解,再通过 Tikhonov 正则化选择最接近 Cobb-Douglas 的解;但实际发现,在严格施加 σ≥0 的全球凹性约束后,噪声数据不存在精确零残差解。
10 部门实验中,整体 L-BFGS-B 与混合启发式最终都到达同一个理论最优边界,平均绝对百分比误差为 1.65%,宏观总量误差为 0.00%。 这表明在小规模模型中,通用算法也可能获得良好结果,混合算法的主要价值体现在规模扩大后。
在 71 部门模型中,作者称需要优化约 4,400 个参数。整体 L-BFGS-B 运行超过 1,800 秒,仅完成最初两次迭代,并在目标误差 6.38 附近停滞;混合算法则在约 1,000 秒内达到 6.16 的误差,并保持宏观一致性。 这一结果支持作者关于“利用网络结构能够突破计算瓶颈”的主张,但两个算法的停止标准、硬件环境、迭代次数和误差函数构成并未在正文中充分展开,因此速度比较仍需要通过复制包进一步核验。,
本报告没有企业价值估值、现金流折现、可比公司倍数、目标价或投资评级。其“价值”主要表现为模型的解释能力、计算可扩展性以及风险模拟能力,而不是金融市场意义上的资产定价。,
第一是数据聚合风险。实证应用把价值增加合并处理,没有进一步区分资本和劳动,因此结构 TFP 无法细分为资本、劳动和技术替代贡献。
第二是行业聚合风险。10 部门设定有利于证明算法可行,但可能掩盖 71 个原始行业之间的技术差异,导致估计出的弹性反映的是平均结构,而不是每个细分行业的真实技术关系。,
第三是投入产出表的测量误差。作者指出,官方投入产出表经常经过 RAS 等机械平衡程序处理,发布的投入系数不一定是技术关系的绝对真实值;因此,逐单元拟合可能会过度拟合统计平衡误差。
第四是局部识别和欠定风险。短期窗口减少了结构参数随时间变化的风险,但同时降低了统计信息量;当参数数量大于约束数量时,正则化会影响最终解,因此弹性估计并非完全由数据唯一决定。,
第五是固定点与负奇异性风险。作者依据单调、凹性和固定点理论主张,在固定点存在时可以获得唯一正的均衡解,但当大规模负生产率冲击使固定点不存在时,网络可能达到“负奇异性”。目前报告只展示了 QQ 图和定性风险特征,没有给出奇异阈值或发生概率。,
报告最有说服力的地方是把微观正则性约束、工程层级和计算算法结合起来。相比允许负替代弹性的短期回归,σ≥0 的约束确实提供了清晰的经济解释;相比把网络当成黑箱,纵向和横向分解也具有明显的结构合理性。, ,
但报告对“精确重现 Törnqvist TFP”的解释需要审慎。Törnqvist 指数是 Translog 函数的精确指数,而 CCES 与其曲线接近,首先说明 CCES 能够逼近观察到的份额变化,并不等于证明 CCES 的异质弹性具有唯一的因果识别或结构真实性。, 同样,图 3 的负偏厚尾结果依赖校准出的弹性矩阵、冲击方差、行业聚合方式和一般均衡固定点求解设定;报告展示了结果,但尚未给出对这些假设的系统敏感性分析。
此外,报告在 10 部门模型中强调精确的宏观一致性和很小的误差,在 71 部门模型中则主要强调计算速度和较低目标值,两种规模下的误差指标和算法停止条件是否完全可比并不十分清楚。 这并不否定方法,但意味着“计算更快”和“经济估计更准确”需要分开评价。
总体而言,报告提出了一个以 CCES 为生产结构、以动态校准为参数识别工具、以拓扑分解算法为计算核心的宏观处理网络框架。它的基本判断是:供应链的内生变换来自价格变化、层级结构和非单位替代弹性的共同作用,而不是简单的固定投入产出系数变化。,
理论上,作者证明了成本份额加总和全球凹性,并将 σ≥0 作为模型经济正则性的关键条件。, , 方法上,作者用纵向级联下降处理嵌套病态性,用横向区块坐标下降处理行业之间的宏观干扰,从而在 71 部门、约数千参数的网络中获得比整体优化更好的计算表现。,
实证上,图 2 表明 CCES 结构 TFP 能够较好追踪传统 Törnqvist TFP,说明模型捕捉到了历史投入结构变化的主要动态;图 3 则表明,同样是正态的微观生产率冲击,在 Cobb-Douglas 经济中产生近似正态的宏观波动,但在校准后的 CCES 网络中会转化为负偏和厚尾的宏观风险。, 作者最终的总体立场不是提出某一项投资建议,而是主张:若要研究环境规制、灾害、技术转型或供应链中断等冲击,就必须把生产网络的工程层级和非中性替代弹性纳入模型,否则可能低估宏观经济的非对称脆弱性。,
2609.15452.pdf