BLP模型發展及其在產業組織應用綜述

一 引 言

“供需”分析長期以來一直是實證經濟學的主要研究內容。在產業組織理論問題的實證研究中，傳統的簡約式分析方法側重于分析變量之間的因果關系，無法清晰地辨別問題背后的變化機理，從而影響其在政策評估、福利分析中的應用。為了克服簡約式分析的缺陷，新實證產業組織的研究范式應運而生。而在新實證產業組織研究范式中，BLP模型是目前應用最為廣泛的研究方法之一， BLP模型可以進行需求側和供給側估計，更加明確地回答研究中存在的假設性問題(王子和周雁翎，2019)[1]，清楚分析問題的內在機理，并通過反事實分析得出合理的政策評估結果。

早期的實證分析是在不完全競爭市場下進行同質化產品市場的需求和成本函數估計。由于產品數量少，此類模型易于處理。隨著市場假設和研究方法的不斷發展，經濟學研究對象越來越傾向于特定行業以及替代性產品。人們逐漸意識到對于差異化產品市場研究的重要性。McFadden(1974)[2]等提出的離散選擇模型解決了差異化產品需求估計的問題。該模型從一類消費者行為推導出市場需求。由于消費者效用依賴于產品特征和消費者的偏好參數，最大化消費者效用并根據消費者決策加總的結果獲取消費者對該產品的選擇概率，將其近似為產品層面的市場份額，從而估計出需求函數系數。該方法有兩個優點：一是解決了維數過多的“參數詛咒問題”；二是可以對新產品進行反事實模擬。但離散選擇模型在研究過程中對于產品全部特征沒有要求，忽視了不可觀測的產品特征，這些不可觀測的產品特征可能與價格變量之間存在內生性問題，而忽視內生性問題會導致估計的需求曲線向上傾斜，帶來估計結果誤差。另一方面，在數據要求上，McFadden(1974)[2]的離散選擇模型需要個體層面的數據，而對于研究人員來說個體層面的數據難以獲取，在實踐中為問題研究帶來了困難。上述問題的存在限制了離散選擇模型的應用。

為了解決離散選擇模型的局限性，在McFadden(1974)[2]研究的基礎上，Berry et al.(1995)[3]利用銷量、價格、產品特征等數據提出了差異化產品市場的需求估計方法——隨機系數Logit模型(BLP模型)，該模型克服了離散選擇模型的缺陷，充分考慮到價格與不可觀測的產品特征之間的內生性問題，利用聚合的產品層面數據完善了早期離散選擇模型對于個體層面數據的限制，并且解決了維數詛咒問題以及產品特征的異質性問題。隨后，BLP模型被廣泛應用于產業組織實證問題研究中，結合嚴謹的理論模型、最大化效用函數以及利潤函數的思想將實證模型結構化并運用到實證研究問題中，使估計結果更加貼近現實，以進一步解釋產業組織理論問題的內在機理。Nevo(2000)[4]詳細解釋了BLP模型。此后，BLP模型被具體應用于差異化產品市場的市場勢力、并購、創新、投資廣告決策、定價、消費者福利估計以及規制政策分析等產業組織理論問題的實證研究中。

BLP模型是產業組織理論問題實證研究的有力工具，具體應用中有如下優勢：(1)數據要求并不嚴格；(2)可以根據消費者偏好構建效用函數合理估計出需求函數，利用供給側函數估計出邊際成本參數，從而根據現實中產業鏈上下游的縱向關系、企業之間的競爭等互動行為建立符合現實的模型；(3)可以清楚分析出研究框架中各個因素的影響效果，而不是僅得出因果之間的正、負向影響；(4)政策效果的評估針對性強，可以通過反事實分析評估不同政策環境下的政策效果；(5)可以進行福利分析，根據反事實模擬分析不同政策環境下的福利效應。

近年來，關于BLP模型應用和方法的研究受到學者關注。隨著對BLP模型研究的不斷深入，越來越多學者發現BLP模型僅適用于非耐用品市場，沒有考慮到耐用品市場中消費者長期效用對于消費者購買決策的影響，而前瞻性消費者可能會根據未來產品供應和價格的預期改變購買決策。因此對于BLP模型的研究從非耐用品市場發展到耐用品市場和半耐用品市場(Goettler和Gordon，2011[5]；Gowrisankaran和Rysman，2012[6])，在效用函數中充分考慮消費者預期，建立貝爾曼方程估計需求函數,使模型設定更加符合現實情況，估計結果更加精準。在前沿的BLP模型方法研究中，主要關注三個方面問題：首先是對于方法中市場份額積分的近似運算進行優化；其次是關于模型構建過程中非線性系統的數值算法優化研究；最后是對于估計方法的研究。

目前關于BLP模型的應用研究逐漸從傳統的產業組織問題研究發展到雙邊市場理論問題的實證研究以及更廣泛的領域中，BLP模型的構建方法也不斷改進，將需求側由靜態的隨機系數Logit模型發展為動態需求模型，與EP模型(Ericson和Pakes，1995)[7]結合，構建供給側動態結構模型，并且應用范圍逐漸向其他經濟學與管理學領域拓展(劉忠等，2012)[8]。而國內關于BLP模型的實證研究及應用較少，因此本文擬簡要介紹BLP模型的原理、發展、模型特點和優勢，以及其在產業組織領域的應用。

二 BLP模型的基本原理及發展

自Berry等提出BLP模型以來，關于BLP模型的研究主要集中在模型的構建、算法優化以及估計方法選擇問題中。本文提出的BLP模型主要參考了Reynaert和Verboven(2014)[9]的模型構建過程，通常由以下步驟組成：(1)建立消費者的效用函數，并設定待估計參數；(2)通過博弈理論構建供給側模型以及待估計參數；(3)運用數據估計需求函數與供給函數中的需求參數以及邊際成本參數；(4)根據不同情景進行反事實模擬分析。本文從需求側函數、供給側函數以及估計方法三個方面介紹BLP模型構建的基本原理。

(一)需求側函數

假設存在t=1,2,…,T個市場，可以觀察到產品J的總體銷量、平均價格以及產品特征。存在Lt個潛在消費者，每個消費者i(i=1, 2, …,Lt)會選擇替代性產品j,其中外部產品為j=0,差異性產品表示為j=1,2,…,J，消費者對于外部產品的間接效用為：μi0t=εi0t，消費者i在市場t購買產品J的間接效用為：

Uijt=xjtβi-αpjt+ξjt+εijt

(1)

(2)

Ajt={(α,β,σ,εijt)|Uijt≥Uist,j≠s,j,s∈J}

(3)

消費者i選擇市場t中產品j的概率pijt為：

pijt=P(Uijt≥Uist,j≠s,j,s∈{0,1,…J})

(4)

因此有：

(5)

在市場t中產品j預測的市場份額是指產品j在所有可用產品(包括外部產品j=0 )中產生最高效用的概率。通過對個體特定評價進行積分可以得出：

(6)

其中Vijt中包括平均效用參數向量α和β以及平均評價值的標準差向量σ，令θd=(α,β,σ) 。

目前市場份額的近似計算通常采用兩種方法，一種是采用蒙特卡羅模擬求解積分：

(7)

另一種方法是采用基于多項式的稀疏網格方法(Heiss和Winschel，2008)[10]近似求解積分:

(8)

Skrainka和Judd(2012)[11]在BLP模型的研究背景下利用MPEC算法檢驗了兩種積分方法的效果，證明了基于多項式的稀疏網格方法在效率和優越性方面優于蒙特卡羅方法，蒙特卡羅方法在計算過程中可能產生數值誤差且存在不穩定性，而稀疏網格方法解決了這種問題，使計算結果更加高效。

(二)供給側函數

假設產品j在市場t中的邊際成本是常數，且表示為：

cjt=xjtγ1+wjtγ2+ωjt

(9)

其中xjt是產品特征向量，既影響效用又會影響成本，wjt是只影響邊際成本的其他因素向量，ωjt是不可觀測的邊際成本影響因素。由于邊際成本難以獲取，但可以通過供給模型估計出來，在完全競爭條件下，價格等于邊際成本，即pjt=cjt，因此有：

pt=xtγ1+wtγ2+ωt

(10)

不完全競爭條件下，BLP模型采取伯川德競爭，每個企業f會設定價格使其達到利潤最大化結果，因此，納什均衡的一階條件是：

(11)

在不完全競爭條件下，由供給側可以得出：

(12)

(三) GMM估計

構建需求側與供給側模型后進行參數估計。而對于BLP模型的估計主要有兩個問題：(1)通過聚合的市場份額系統解決需求函數參數以及邊際成本參數估計問題；(2)通過廣義矩估計(GMM)方法選擇工具變量估計參數。

由于變量之間具有內生性以及非線性的市場份額系統問題，BLP模型估計通常采用GMM方法，條件矩限制為：

E[ρjt|zt]=0

(13)

其中，ρjt=(ξjt,ωjt)′和zt=(Xt,Wt)。

用非條件矩限制條件表示：

E[gjt(zt)ρjt]=0

(14)

其中，gjt(zt)是由外生數據zt的任意函數組成的q×2階矩陣。

Berry et al.(1995)[3]利用NFP算法解決最小化問題：外部循環通過最小化目標函數，內部循環利用壓縮映射解決。然而，NFP算法存在一定的缺陷，GMM方法需要在非線性系統中搜索局部最小值，通過壓縮映射搜索參數值，由于在GMM估計內循環中NFP需要循環上百次甚至上千次，會導致計算成本過高，為了解決這個問題，通常會選擇較大閾值以減少循環次數，這種方式雖然可以減少計算時間，但會使估計結果產生誤差。Knittel和Metaxoglou (2014)[12]指出在使用BLP方法的過程中，優化方法可能不會達到局部最小值，并且獲得的局部最小值可能不是全局最小值，由于具有高度的非線性，局部最小值之間的差異會造成估計結果的差異。因此需要選擇多個初始值以獲取參數空間的全局最小值，但這種方法會增加計算成本(Kim et al.，2017)[13]。

為了解決NFP算法存在的缺陷，Dubé(2012)[14]提出了新的算法——具有平衡約束的數學規劃(MPEC)，以優化GMM方法，使規劃問題轉化為受到市場份額約束的最小化GMM目標函數問題：

minρ(θ)′g(z)′A-1g(z)′ρ(θ)

(15)

s.t.s(α,β,σ)=s

同時比較NFP與MPEC的精確度和收斂速度，結果表明MPEC沒有嵌套內部循環，不存在內部循環誤差，避免了收斂點不是局部最小值的缺陷；消除了具有內部循環的壓縮映射問題，使收斂過程更快。與Berry et al.(1995)[3]的方法相比，MPEC完全消除內部循環問題，從而消除估計不準確的可能性，估計過程消耗時間更少且不需要壓縮映射，更適用于一般的需求模型估計。

GMM估計中的另一個問題是工具變量的選擇，Reynaert和Verboven(2014)[9]認為使用Chamblain(1987)[15]的最佳工具可以解決BLP模型中許多非最優工具問題。最優工具不僅減少了小樣本偏差，提高估計量的效率(均方誤差)和穩定性。同時使用MPEC和最優工具可以提高優化問題的計算速度，而且基于多項式的稀疏網格方法對市場份額積分，在效率和計算速度方面優于蒙特卡羅積分方法。

除了GMM估計外，Park和Gupta(2009)[16]提出了SML估計方法，并比較了SML方法與GMM方法(Park和Gupta，2012)[17]，結果表明SML估計在恢復異質性參數方面優于GMM估計。與GMM方法相比，使用SML估計更加有效。

(四)BLP模型研究的最新進展

近年來，一些研究試圖改進BLP模型，由于BLP模型需要依靠數值方法解決，Lee和Seo(2015)[18]基于BLP模型和一個線性近似市場份額函數提出了計算速度更快的隨機系數Logit模型估計方法，稱為近似BLP模型(ABLP)。與BLP模型相比，該方法可以通過解析的方法反演市場份額方程而不是利用數值求解方法，ABLP解出市場份額方程具有唯一的最優解，相比其他方法計算速度更快。Moon et al.(2018)[19]擴展了BLP模型中的隨機系數離散選擇需求模型，在不可觀測的產品特征上以因子結構的形式添加交互式固定效應。交互式固定效應可以與觀察到的產品特征任意相關，同時提出了兩階段最小二乘最小距離(LS-MD)方法來進行估計，通過蒙特卡羅模擬證明估計方法具有較好的性質。

已有BLP模型研究大多依賴于靜態需求模型，然而在現實市場中需求模型多為動態，例如：消費者當前的決策會影響未來的效用；消費者當前的決策取決于對未來發展的預期。BLP模型由于忽視在耐用品市場中具有前瞻性消費者的長期效用，僅適用于非耐用品市場，在耐用品市場中運用BLP模型進行需求估計可能會使估計結果產生偏差。消費者對產品未來價格和供應的期望也影響當前購買與未來購買之間的權衡。因此，在需求估計過程中，采用靜態需求模型而忽略動態因素會導致偏差和不一致估計(Aguirregabiria和Nevo，2010)[20]。Gowrisankaran和Rysman(2012)[6]、Goettler和Gordon(2014)[21]、Ishihara和Ching(2019)[22]構建了基于消費者預期的動態需求模型。當前，產業組織問題的實證研究中，動態結構模型結合BLP模型構建思想，通常以EP研究框架為基礎，構建供給側模型(Pakes，2000[23]；Gowrisankaran和Town，1997[24])，充分考慮到競爭主體的異質性、競爭行為的策略性以及競爭過程的隨機性，并且可以合理描述動態寡頭市場的市場特征。Su和Judd(2010)[25]、Su(2014)[26]以及Egesdal et al.(2015)[27]等分別給出動態結構模型中需求側與供給側函數的估計方法。

三 BLP模型的特征分析

BLP模型從微觀經濟學中消費者效用最大化出發，通過最大化的消費者效用以及企業行為解釋經濟學現象。與傳統的實證方法不同，BLP模型以估計需求曲線為基礎，在數據選取、模型構建以及應用范圍都具有較大優勢，可以進一步檢驗經濟行為假設，尤其適用于產業組織理論問題的研究。

(一)BLP模型的特點

BLP模型的優勢首先體現在數據選取上。McFadden(1974)[2]的離散選擇模型通常需要消費者的個體選擇數據，然而在現實應用中，研究人員難以獲取消費者的個體選擇數據，而BLP模型不需要消費者個體的購買決策數據，通過對消費者分布進行積分，結合產品選擇概率，利用市場份額數據構建需求函數，從而可以依靠市場層面的數據進行研究。因此BLP模型對于數據的要求并不嚴格，僅需要產品的銷量以及價格數據。

在BLP模型構建過程中，充分考慮到如下問題：首先是價格的內生性問題，由于未觀測到的產品特征可能會與產品價格相關，Berry et al.(1995)[3]在模型中考慮到了研究人員未觀測到的產品特征與產品價格之間可能存在內生性問題，并通過GMM估計解決這種內生性問題；其次，考慮到差異化產品市場，BLP模型不再局限于同質產品市場研究，使研究對象更加豐富；最后，考慮到消費者的異質性問題，消費者個體選擇存在差異，BLP模型通過對消費者特征分布進行積分解決消費者異質性問題。

BLP模型以需求側模型與供給側模型為基礎構建實證模型展開研究。而需求側與供給側模型是從經濟學理論中抽象出來，與簡約式模型不同，BLP模型并不是從數據中分析變量之間的因果關系，其關鍵特征是緊密聯系理論框架和現實數據，估計得到的參數結果更加穩定。BLP模型可以在估計出需求參數的基礎上，以理論模型為基礎構建供給側模型，并以此為研究框架進行不同情境下的反事實模擬分析，從而進行政策評估、福利分析。

(二)BLP模型的優勢分析

在已有的實證過程中發現BLP模型具有如下優點：(1)數據要求并不嚴格。可以根據消費者偏好構建效用函數，合理估計出需求函數，利用博弈論、通過建立供給側函數估計出邊際成本，從而得到產品的邊際成本函數，進一步分析研究框架中各個因素的影響效果，而不是僅得出因果之間的正、負向影響；(2)政策效果的評估針對性強，可以通過反事實模擬，在不同政策環境下評估政策效果，分析均衡結果的變化，這一方法可以分析簡約式方法估計結果無法解釋的背后原因；(3)通過企業不同的定價策略可以進行福利分析，根據反事實模擬分析不同政策環境下的福利效應。

隨著BLP模型逐漸從靜態結構模型發展為動態結構模型，其優勢進一步顯現，主要體現在：(1)構建需求側函數時，通常情況下前瞻性消費者會考慮到耐用品、半耐用品的未來價格以及長期效用，根據未來產品供應和價格的預期改變購買決策，動態結構模型設定更加貼近現實情況，需求函數的估計結果更加精準。(2)而對于供給側模型，企業間的動態競爭、投資、廣告、研發等通常會使企業在當前與未來決策之間取舍。考慮到市場發展趨勢以及對競爭對手行為的預期，企業之間的競爭決策、策略互動以及隨機的市場沖擊都會對市場演化造成影響，因此動態結構模型可以更好地刻畫現實市場情景。

BLP模型的不斷優化發展，使其可以用來構建越來越符合現實的實證模型，雖然現如今BLP模型已經發展到動態結構模型，但由于動態結構模型相比BLP模型算法更加復雜，在實際的應用中，可能會導致更高的計算成本，需要根據產品市場的具體情況、獲取數據的樣本期長短以及具體的研究問題來合理地選擇模型，避免造成計算成本過高。

四 BLP模型在產業組織理論中的應用

近年來，BLP模型在產業組織領域實證研究中應用得越來越多。不同于傳統產業組織領域實證研究較常采用的簡約式分析模式，BLP模型不需要控制多個變量，可以通過效用函數估計需求系數，根據產業組織理論研究模型估計邊際成本系數，并進行供需分析。因此，BLP模型更適用于產業組織領域中評估、識別策略效應，通過反事實模擬分析不同市場環境下企業策略的作用機理。

(一)縱向策略識別

關于縱向關系和縱向約束的相關研究多采用理論模型框架，且相對成熟，但實證研究仍然較少，在簡約式分析中通常采用虛擬變量來衡量縱向合約(Chen和Shieh，2016)[28]。簡約式分析方法僅能通過構建指標研究自變量與因變量的因果關系，無法有效識別企業縱向控制手段。而運用BLP模型來構建實證模型，通過反事實模擬對不同縱向控制手段進行實證分析則可以克服這一缺陷。

Lee(2013)[29]衡量了平臺的縱向一體化和具有排他性的軟件對于美國視頻游戲產業結構和福利的影響，分別估計了消費者對于硬件和軟件產品的需求以及硬件平臺對軟件需求的動態結構模型。由于視頻游戲具有耐用性，需要在需求側建立動態需求模型，并在硬件效用函數模型中添加硬件擁有量，結果表明硬件平臺與軟件開發商之間的一體化和獨家合約有助于平臺進入。在平臺市場允許強制排他性合約的情況下，監管部門沒有必要進行干預和監督。反事實模擬禁止排他性合約情境，結果表明雖然禁止排他性合約后行業更加集中，但消費者仍然可以從每個平臺的軟件中獲益。Yang(2017)[30]構建上下游創新的動態模型研究了智能手機與芯片產業縱向一體化的創新效應，首先根據消費者效用函數構建了隨機系數Logit模型，再以時間、產品質量以及一體化程度作為狀態變量分別構建智能手機與其上游芯片的動態模型，模擬上下游不同一體化程度的市場結構，表明縱向一體化以及一體化企業之間的協調投資可以增強創新效率和社會福利。

Bonnet et al.(2013)[31]考慮了在上游面臨成本沖擊時，企業通過實施非線性定價和縱向約束(如轉售價格維持、批發價格歧視)調整加價策略的影響。利用結構模型方法研究認為，非線性定價合約和縱向約束對于產業鏈的影響可以起到調整上游成本沖擊的作用。通過對比轉售價格維持與線性定價，解釋上游成本沖擊到下游零售價格的傳遞程度。Bonnet和Dubois(2010)[32]提出了一個結構模型的實證研究框架，考察制造商和零售商之間的兩部收費制合約，估計非線性兩部收費制合約的結構模型是否存在轉售價格維持，在寡頭壟斷環境下檢驗上、下游不同的縱向合約模型。估算需求參數后在非線性合約模型中恢復總邊際成本，然后通過改變生產和分配的邊際成本的外生變量進行檢驗。實證分析結果表明，制造商和零售商將使用非線性定價合約，特別是帶有轉售價格維持的兩部收費制合約。Li和Moul(2015)[33]分析了中國手機市場制造商與零售商之間的縱向合約和消費者服務對企業利潤和社會福利的影響。根據制造商與零售商縱向合約由線性定價轉換為收益共享合約分別建立供給側模型，表明企業之間的縱向合約轉換和由制造商承擔零售商服務可以改善客戶服務，從而提高消費者福利。反事實分析表明制造商在提供高質量服務時與零售商相比具有更大的成本優勢。

國內對于BLP模型的研究和應用相對較少，主要集中在縱向關系的實證研究中。肖俊極和譚詩羽(2016)[34]檢驗了中國乘用車行業普遍存在的上下游縱向一體化關系以及由此引發的橫向共謀行為，利用隨機系數Logit模型刻畫消費者選擇，提出共同代理理論下四種乘用車市場競爭結構假設，實證結果表明同一外方母公司參股的合資企業，如果它們的關鍵零部件均由外方母公司縱向一體化供給，則它們之間存在共謀。參與共謀的合資企業利潤不僅明顯高于自主品牌企業，也高于其他合資企業。李凱和趙偉光(2018)[35]以中國乘用車市場縱向價格壟斷案為背景，對整車制造商實施轉售價格維持是否弱化下游競爭進行實證檢驗，通過對不同的縱向策略構建供給側模型分析社會福利。結果表明上游整車企業為了避免下游4S店價格競爭引發的負外部性，通過實施轉售價格維持，消除或弱化下游產品橫向競爭，最終實現壟斷定價。

(二)水平兼并審查

水平兼并通常以市場集中度作為衡量指標，但這種衡量方法不適用于差異化產品研究。而BLP模型可以估計出差異化產品的需求。Nevo(2000)[4]利用結構模型提出了模擬價格均衡的方法：首先估計了差異化產品的需求函數，接下來根據供給側模型估計了邊際成本參數，最后通過計算新的均衡模擬兼并影響。其運用這一方法進一步模擬即食谷物行業兼并所帶來的價格變化，同時檢驗四種不同兼并帶來的社會福利影響。Fan(2013)[36]考慮了內生的產品選擇和價格選擇問題，研究明尼阿波利斯報紙市場兼并的影響，并分析兼并的福利效應如何隨市場特征變化而變化。結果表明，忽視產品特征的調整會導致估計結果產生重大差異。Gowrisankaran et al.(2013)[37]構建醫院與管理式醫療機構(MCO)之間競爭的討價還價模型，并評估醫院兼并的影響，結果顯示MCO討價還價會顯著抑制醫院價格，同時發現北弗吉尼亞州的醫院兼并會顯著影響醫院價格。Miller和Weinberg(2017)[38]對美國釀酒行業MillerCoors合資企業兼并后的經濟影響進行實證調查，對兼并發生后MillerCoors及其主要競爭對手Anheuser-Busch的零售啤酒價格突然上漲原因進行經濟分析。在一個差異化產品定價模型的背景下構建結構模型，反事實模擬表明兼并會帶來價格協調效應，弱化兼并企業與其競爭對手之間價格競爭的激烈程度。

(三)市場結構與企業創新

針對市場結構與企業創新的實證研究，多采用簡約式分析考察企業的創新績效(孫曉華和鄭輝，2011)[39]。在實證研究過程中，簡約式分析通常需要外生控制多個變量，并且沒有考慮到企業的策略性行為。因此，利用簡約式分析不足以合理地解釋影響企業創新績效的內在機理。而通過以BLP模型為基礎的動態結構模型可以充分考慮競爭主體之間的異質性、競爭行為的策略性以及競爭過程的隨機性，構建更加靈活的模型研究企業的創新績效問題，并且減少人為設定，使研究結果更為穩健。

與簡約式分析方法相比，結構分析方法可以考慮到市場結構的內生性以及創新與市場結構之間的關系。Goettler和Gordon(2011)[5]估計了具有內生創新的耐用品的動態寡頭壟斷模型，討論市場結構和產品質量演變之間的關系。企業考慮消費者對于產品質量提升和價格下降的動態反應，做出動態定價和投資決策。考慮耐用品以及內生的長期創新率，對電腦處理器產業進行估計，并通過反事實模擬分析競爭的效應。結果表明，當市場趨于壟斷時消費者剩余會提升。Goettler和Gordon(2014)[21]研究了寡頭壟斷的市場結構下競爭和企業創新之間的關系，考察了競爭的決定性因素對企業均衡策略的影響。結果表明產品替代性和創新之間呈倒U型關系，倒U型曲線中上升部分反映了企業投資策略函數的變化，而下降部分表明當企業數量減少時產品質量差距變化。市場結構內生化與固定或外生給定市場結構會產生不同結果。Hashmi和Biesebroeck(2016)[40]分析全球汽車行業的動態博弈，通過計算馬爾可夫均衡，研究汽車行業市場結構與創新之間的均衡關系。結果表明汽車行業中領導企業的創新會降低其他企業的創新效率，使創新效率更加集中，導致領導企業和其他企業之間的創新差距隨著競爭強度的增加而增加。

(四)市場勢力的測度

市場勢力的衡量指標主要有勒納指數、市場集中度、企業數量。勒納指數的構建需要邊際成本數據，然而這在實證研究中較難獲取，市場集中度與企業數量則無法用來衡量特定企業的市場勢力。周末和王璐(2012)[41]采用新實證產業組織研究范式測度了白酒行業的市場勢力與壟斷損失，但該方法沒有考慮到消費者效用和產品特征，可能會造成市場勢力估計誤差。而BLP模型不僅可以估計企業的邊際成本用于測度市場勢力，同時還充分考慮到消費者偏好以及產品特征。這一分析框架容納了不可直接觀測的外部環境、潛在競爭等諸多因素，從企業行為出發，克服了傳統方法在市場勢力測度上的缺陷。

Nevo(2001)[42]實證檢驗了即食谷物行業的定價行為和非價格競爭行為，并將影響勒納指數的因素分為差異化產品、多產品企業定價、潛在價格合謀三個方面進行討論。結果表明即食谷物行業的價格與非競爭性定價行為一致，領導企業可以維持差異化產品，并且影響對于產品質量的預測，由此導致了較高的勒納指數。Draganska et al.(2010)[43]通過考慮消費者需求以及均衡模型中制造商和零售商之間的互動，分析渠道利潤的決定因素和渠道相對勢力。其模擬了制造商和零售商之間的談判，通過構建一個納什討價還價的博弈模型，以確定批發價格，并將模型應用于德國咖啡行業分析。結果表明不同制造商與零售商之間的議價能力不同，企業規模是決定討價還價能力的關鍵因素。李凱和趙偉光(2018)[44]運用新實證產業組織研究范式構建中國乘用車市場的結構模型，對合資企業整車制造商中資議價勢力進行實證研究，為政府部門制定中國乘用車行業產業政策提供參考。

除此之外，BLP模型還應用于新產品引入(Waldfogel和Berry，1999[45]；Nevo，2003[46]；Carranza，2010[47])、投資廣告決策(Anand和Shachar，2011)[48]、產業政策審查(Beresteanu和Li，2011)[49]等領域。總結國內外關于BLP模型在產業組織領域的實證研究應用可以看出，越來越多的產業組織問題實證研究采用結構式分析方法。BLP模型可以根據企業的行為構建不同供給模型，對不同企業策略進行預測分析，從而更加合理地分析經濟問題。而在傳統產業組織問題的實證研究中，無法深入探討企業策略以及其產生的經濟效果，BLP模型的出現恰好可以解決實證研究在這一方面的缺陷。因此，BLP模型在產業組織領域的實證研究中具有重要的應用價值。

五 主要結論及未來研究展望

本文系統梳理BLP模型的原理、算法研究進展及其擴展，同時回顧了其在產業組織領域的應用。BLP模型將理論模型構建思想與實證模型相結合，利用理論模型的研究范式結合實證方法估計需求與供給函數。通過最大化消費者效用建立需求估計模型，根據博弈理論建立供給模型，從而建立結構模型進行經濟學分析。但由于BLP模型的算法復雜性，需要清楚了解其原理。從模型應用角度來看，BLP模型不局限于傳統產業組織問題的實證研究，同時適用于平臺等新興產業組織理論問題研究。從方法論上看，近年來產業組織領域的實證研究更傾向于結構式分析方法；比較傳統實證方法與結構模型方法可以看出，BLP模型的應用使實證分析不再局限于因果關系，同時可以兼顧消費者選擇與企業行為，對不同企業策略進行預測和識別，從而合理地分析和解釋經濟問題。現階段，國內利用結構模型分析產業組織理論問題的研究較為豐富，但對于該方法的研究和應用比國外要少得多，因此應該根據BLP模型的應用范圍，結合國內產業組織熱點問題，拓展該模型的應用。

BLP模型正逐漸從產業組織理論的實證研究向其他經濟學、管理學領域延伸，未來對于BLP模型的研究無論是算法優化還是應用研究均會有較高的意義和價值。因此，本文認為BLP模型的未來研究可以從如下兩個方面展開：

第一，從方法角度上看，提高模型的計算效率是關鍵所在，也是難點所在。隨著BLP模型逐漸從靜態結構模型發展為動態結構模型，其算法的復雜性亦相應增強。目前關于模型的算法研究較多，但市場份額的數值積分方法、估計算法的精確性以及算法收斂程度問題仍然有待解決；由于BLP模型采用數值解的形式，因此可以考慮以解析解方式改進模型；有關BLP模型的估計方法選擇也是一個有待深入討論的問題。

第二，從應用角度上看，BLP模型的應用范圍不再局限于傳統產業組織理論問題的實證研究，更適用于雙邊市場理論的實證研究。目前關于互聯網背景下產業組織理論問題的實證研究較少，由于BLP模型是在聚合的消費者選擇的基礎上構建，可以考慮結合BLP模型和Python等軟件研究互聯網背景下的新興產業組織理論問題。