中国新购汽车市场的需求估计与并购模拟分析BLP模型的修订版.docx

中国新购汽车市场的需求估计与并购模拟分析BLP模型的修订版.docx

《中国新购汽车市场的需求估计与并购模拟分析BLP模型的修订版.docx》由会员分享，可在线阅读，更多相关《中国新购汽车市场的需求估计与并购模拟分析BLP模型的修订版.docx（41页珍藏版）》请在冰豆网上搜索。

中国新购汽车市场的需求估计与并购模拟分析BLP模型的修订版

中国新购汽车市场的需求估计与并购模拟分析--BLP模型的应用

DemandEstimationandMergersSimulationoftheChineseNewCarMarket–anApplicationoftheBLPModel

吕振通，胡伟民，朱东明

摘要：

本文首先运用BLP〔Berry,Levinsohn,Pakes，1995）的需求估计方法并基于国内新购汽车市场的加总数据（aggregatedata），估计了中国汽车市场的需求；然后在Nevo（1997）的并购分析的框架下，根据这个需求估计结果对2021年3月出台的?

汽车产业调整和振兴规划?

中的并购蓝图进行了并购模拟分析。

研究结果说明：

在需求估计局部，BLP随机系数离散选择模型在估计出的产品间的替代弹性上比简单的Logit模型更加符合现实；而在并购后果评估中，我们发现并购行为能明显提高并购厂商和市场上其他所有汽车厂商的利润水平，但同时也给消费者造成巨大的福利损失，如果并购无法到达营运本钱与生产本钱的大幅下降，那么并购行为或许造成社会总福利的明显损失。

关键词：

随机系数离散选择模型；需求估计；并购模拟；中国汽车市场

中国新购汽车市场的需求估计与并购模拟分析--BLP模型的应用

1、引言

在产业组织实证研究的文献中，汽车的需求向来是被关注的焦点（例如Berry,Levinsohn,Pakes（1995）,Goldberg（1995）,Petrin（2002）与Mariuzzo（2005））。

这是因为汽车产业除了具有高度集中，高差异化和高“价格本钱标高程度〔price-costmargin，以下称为PCM〕〞的产业特质外，汽车产业还在各国的经济开展中，因其规模大与产值高，对国家的就业、投资及消费造成举足轻重的影响。

随着工业化的进程，汽车产业在我国经济中所占的比重也越来越大。

由于汽车的制造需要高度的固定资本投入〔例如建设厂房与购置生产线所需的机器设备等〕,因此汽车产业具有显著的规模经济特性，然而中国的汽车行业却一直存在着产业规模小，企业数量多与投资分散的问题〔平新乔和魏军锋（2001）〕。

因此就理论上来说，国内汽车工业的产业结构有调整的必要。

随着汽车产业在“十五〞〔2001年到2005年〕期间的快速开展，国家政策开始鼓励汽车企业间的兼并与重组：

从2004年的?

汽车产业开展政策?

到2021年的?

汽车产业调整和振兴规划?

均对此做出了明确的要求。

在国家政策鼓励兼并与重组且给出了具体指导建议的大背景下，准确分析并购对中国汽车市场的经济影响那么显得尤其重要。

但据作者所知，在国内的文献中尚未出现以并购分析为主题的实证研究，也因此在国内无论是反垄断法的推行还是产业重组〔industrialrestructure〕政策的推动上，皆缺乏实证上的依据以及政策后果的详细评估。

本文的目的就是尝试填补国内这个领域上的空白。

过去的二十多年里，在反垄断的背景下，随着需求分析方法的日趋成熟，并购分析的研究有了较大的开展。

其中在分析方法上最具影响力的文献包括Baker和Bresnahan（1985）对美国酿造业，Hausman,Leonard和Zona（1994）对美国啤酒业，以及Nevo（1997）对即食谷片〔readytoeatcereal〕所进行的并购分析。

这些文献的相同之处在于都将并购分析的根本框架分为两个主要步骤：

第一步对产品需求进行估计，第二步那么以第一步中所获得的需求估计结果〔特别是产品间的替代弹性〕为根底，先从供给角度分析特定并购事件所造成的市场变化，再估算利润与消费者剩余的增减。

上述文献的差异那么〔因为所分析的产业市场结构不同以及需求估计技术的进步与成熟〕主要表达在所采用的需求估计方法与市场结构假设上的不同。

在考虑了产业结构的相似程度，需求估计方法的合理性以及估计所需要的数据之后，本文决定采用Nevo（1997）的方法，以国务院2021年3月所提出的?

汽车产业调整和振兴规划?

为指导原那么，进行并购模拟（mergersimulation）分析。

根据Nevo（1997）所提供的框架，本文在第一步中采用国内新购汽车市场的加总数据（aggregatedata）并运用BLP（1995）的随机系数离散选择模型〔randomcoefficientdiscretechoicemodel〕对国内汽车市场的需求进行估计。

第二步的并购后果评估那么是根据第一步所得的需求估计结果，并在多产品厂商〔multi-productfirms〕的产品差异化市场结构以及厂商间进行伯川德（Bertrand）博弈的假设下，获得的。

我们的估计结果显示：

利用BLP模型进行需求估计，与其他模型相比〔例如Berry（1994）所介绍的Logit模型〕能够更好地刻画“产品之间相似程度越高替代关系越大〞的事实。

我们的并购后果评估那么发现：

并购使得并购企业的产品价格上升，市场能力（marketpower）提升，且虽然市场份额因产品价格上升而下降，但企业利润仍然上升，同时也使得市场上的其他厂商由于竞争厂商的价格提高导致其市场份额扩大而提高利润水平；对于消费者来说，并购事件造成了福利损失；对于社会总福利来说，如果并购不能到达产业重组政策所预期的降低运营及生产本钱的目标，那么并购事件所造成的社会总福利损失或许会非常可观。

我们相信这些结果可以为国家推行汽车产业的并购政策和评估其经济影响提供有用的信息。

本文的其它内容安排如下：

在第二节里，我们介绍了分析所使用的计量模型和计算方法，包括需求与供给模型两局部；第三节首先详细介绍我们使用的数据特征与其来源，然后给出需求估计和并购模拟分析的结果，并对结果做了适当剖析和评论。

第四节总结全文并指出未来的改进与研究方向。

二并购模拟的模型设定：

需求估计，供给分析与福利效果的衡量

在需求估计的文献中，离散选择模型〔discretechoicemodel〕被广泛研究和应用。

本文之所以采用BLP（1995）的随机系数离散选择模型，是因为该模型解决了传统离散选择模型〔如Logit模型〕固有的两大缺陷：

一是，传统的离散选择模型对产品的自身和交叉价格弹性强加了不合理的限制（在文献中被称为IIA问题）；二是，在传统的模型框架下，我们无法考虑产品的不可观测的特征〔unobservedcharacteristics〕以及它们在估计中所造成的内生性问题。

在使用BLP方法的过程中，本文还依照其它研究的建议（如Nevo（2000），Hess,Train,Polak（2006）和Knittel,Metaxoglou（2021））做了适当的改进。

本文的供给分析与福利后果评估所采用的是Nevo（1997）提出的方法：

首先，透过我们对国内汽车市场的观察，假设市场结构为多产品厂商〔multi-productfirms〕的产品差异化市场；然后通过假设厂商之间进行伯川德（Bertrand）博弈，利用其均衡条件以及在需求估计中取得的自身和交叉弹性，估算出产品的边际本钱；最后在给定的边际本钱根底上，通过对一些并购事件进行模拟，计算出并购后的均衡价格，进而计算厂商的利润变化和消费者的福利变动。

该方法的优点是：

可以合理地估计出需求弹性，且很容易地计算出并购事件发生后的均衡价格和消费者在并购前后的福利变化，从而对并购事件的适当与否进行评估。

下面详细介绍需求估计模型与并购模拟模型的设定，以及我们在运算方法上与前人所使用模型的相同和不同之处。

〔一〕、需求估计

1．模型设定与估计方法

首先介绍随机系数离散选择模型在文献中的标准设定。

假设我们可以观测到

个市场〔市场记为

〕，以及每个市场

中消费者的数量

，

种商品的销售量〔由此可以推算出各产品的市场份额〕、平均价格和一些产品特征的数据。

在市场

中，消费者

购置产品

所得到的〔间接〕效用被设定为以下线性函数形式：

（1）

其中，解释变量

是消费者

的收入，

和

分别是市场

中产品

的价格和可观测的产品特征变量〔也可能是一个向量〕，

表示研究者（econometrician）无法观测到的产品特征（例如商誉、广告等），

是独立同分布〔〕的随机扰动项，且服从第I类极值分布（TypeIextremevaluedistribution）。

我们把消费者

选择市场外产品〔即不购置任何市场中的产品〕所得到的效用标准化为零，因此，

。

模型中系数

因消费者不同而变化，因此当消费者足够多的时候我们可以把它们设定为连续型随机向量，例如：

（2）

其中

是

的均值，

是一个

-维的正定矩阵〔其中的元素需要作为参数被估计〕，

服从

-维的标准正态分布。

如果令

表示模型中所有参数构成的向量，这里

，

，那么根据〔1〕和〔2〕，我们可以把〔间接〕效用函数表示为：

（3）

其中，

（4）

表示的是消费者在市场

中购置产品

所得到的〔净〕平均效用，

和

表示的是不同消费者所得到的效用对平均效用的偏离，这也反映了随机系数在刻画不同消费者对于商品的不同偏好所起的作用。

我们假设消费者在市场中选择能够使她效用最大化的产品，因此消费者

会选择商品

当且仅当

。

注意到在这个模型中，消费者

的特征可以被表示为这样一个向量

，因此，我们可以定义一个选择商品

的消费者特征的集合

也就是说，消费者特征属于

的那些消费者都会选择产品

。

在这样的设定下，模型所预测的产品市场份额可以表示为：

。

运用第I类极值分布性质，我们可以推导出产品市场份额的具体表达式：

，

。

（5）

这里，由于下面的分析适用于每一个市场，为了表述上的简洁，我们去掉数学表达式中的下标

，

是

-维的标准正态分布函数。

这就是模型理论上的需求函数，我们需要估计它的参数。

现在讨论如何估计上述模型所产生的需求函数。

在模型设定正确的情况下，模型预测的市场份额应该与观察到的市场份额根本一致，也就是说，

（6）

这里，

表示的是观测到的产品

的市场份额。

这些等式为我们提供了局部估计参数的信息或条件；事实上，假设给定

，我们可以从方程组〔6〕解出所有产品的平均效用

。

另外为了完成需求估计，我们还需要利用到（4）式，因为当

时我们可以利用它进行回归估计出

。

基于上述逻辑，Berry（1994）和BLP（1995）提出了以下需求估计的方法步骤：

1.给定

，用方程组〔6〕解出所有产品的平均效用

。

2.在（4）式的回归中，考虑到有些变量会有内生性问题〔如价格

与不可观测的特征

可能相关〕，我们可以找到一组工具变量

〔关于工具变量的选取和解释将在后面给出〕使得

，

。

（7）

基于这个条件，我们用

对

和

做工具变量回归，得到

〔因它依赖于

，所以记作

〕。

这个工具变量回归相当于〔在给定

的情况下〕搜索

以至于极小化下面的GMM目标函数：

，（8）

其中，

是一个正定的矩阵。

3.搜索能够使（8）到达最小的

，这时得到的

和对应的

就是我们的参数估计值。

上述步骤2中所提到的价格的内生性问题是由于价格变量和不可观测的产品特征

之间可能存在相关关系。

Berry（1994）和BLP（1995）指出可以通过寻找恰当的工具变量并假设（7）成立，来解决价格内生性问题。

我们按照BLP（1995）的方法寻找和构造工具变量，这些工具变量包括：

外生的产品特征；同一个企业的产品的外生特征之和；所有其他企业〔竞争企业〕产品的外生特征之和。

因此，我们使用的工具变量可以表示为：

，

这里，

表示的是由生产

的企业所生产的产品组成的集合。

在本文后面的实证分析中，

我们使用了5个外生的产品特征：

排量/车重、最高时速、每公里花费、体积、