Ahlfeldt-Redding-Sturm-Wolf (2015)：城市通勤与空间均衡

01 经济环境与核心假设

传统城市经济学把城市当一个点，或只区分中心/外围。Ahlfeldt, Redding, Sturm & Wolf (2015, Econometrica，简称 ARSW) 把城市内部切成 $N$ 个微观区位（柏林的 1km×1km 网格），居民同时选择居住地 $i$ 与工作地 $n$，通勤有成本、土地有租金、生产率与宜居度都是空间分布的。

核心假设（每条附理由 / 参数含义 / 直觉）：

• 假设 A1：城市内 $N$ 个区位，总人口 $\bar L$ 封闭，住房供给 $H_i$ 外生。 理由：城市内部网格化，才能把"地铁修到哪、房价涨多少"落到空间单元。参数：$H_i$ 是 $i$ 地可建住房的土地面积。直觉：中心土地紧、外围松。
• 假设 A2：居民异质性 Fréchet 冲击 $\varepsilon_{ni}$。 理由：每个工人对"住燕郊去国贸"有专属偏好，把这异质性建模为 Gumbel/Fréchet 极值冲击，聚合后得到闭式选择概率（多项 Logit）。参数：$\nu$ 是冲击尺度，$\nu$ 越大→选择越随机、工人对工资差越不敏感。直觉：$\nu=0$ 时所有人都选效用最高的一格，出现角点；$\nu\to\infty$ 时完全随机。
• 假设 A3：通勤成本随距离衰减 $\kappa d_{ni}$。 理由：通勤时间/货币成本随空间距离线性或指数增长。参数：$\kappa$ 是通勤成本参数，$d_{ni}$ 是住 $i$ 到工作地 $n$ 的距离（GIS 最短路径）。直觉：北京国贸上班、燕郊住，正是 $\kappa d_{\text{国贸,燕郊}}$ 的代价。
• 假设 A4：生产率 $A_n$ 与宜居度 $a_i$ 是空间分布的外生/内生对象。 理由：CBD 生产率高（集聚）、滨江区宜居；二者不可直接观测，需从观测流反推。直觉：这是 ARSW 用柏林墙识别"生产外部性 vs 居住外部性"的关键。

02 间接效用与通勤成本

一个工人若选择"住 $i$、去 $n$ 上班"，其效用为：

逐项解读与设定理由：

• $w_n$（工作地名义工资）：在 $n$ 上班挣的钱，只取决于工作地，与住哪无关。这是工人愿意跨区通勤的拉力。
• $-\kappa d_{ni}$（通勤成本）：从 $i$ 住到 $n$ 上班的时间+货币成本。距离越远效用越低。经济直觉：地铁/修路就是降低这条。
• $a_i$（居住地宜居度）：学区、环境、配套、公园。只取决于居住地，与在哪上班无关。
• $\varepsilon_{ni}$（个体-区位对的异质冲击）：Gumbel 分布，尺度 $\nu$。它让"两个一模一样的工人"也会选不同的 (住, 上班) 组合。

03 Fréchet 选择 → 通勤概率

给定 $w_n,a_i,d_{ni},\kappa,\nu$，工人在所有 $(n,i)$ 组合里选效用最大者。Gumbel 冲击的经典性质：选择概率 = 该组合确定性效用的指数占比。推导（不跳步）：

推导要点：Gumbel 分布 $F(\varepsilon)=e^{-e^{-(\varepsilon/\nu-\gamma)}}$ 下，"选 $(n,i)$"的概率为 $\exp(u_{ni}/\nu)/\sum_{k,\ell}\exp(u_{k\ell}/\nu)$，其中 $u_{ni}=w_n-\kappa d_{ni}+a_i$。分子是该组合的"吸引力"，分母是所有组合吸引力之和。注意 $\sum_{n,i}\lambda_{ni}=1$。

居住与就业人口（总人口 $\bar L$）：

经济直觉：列和（对工作地求和）是住在 $i$ 的人数；行和（对居住地求和）是在 $n$ 上班的人数。中心 CBD 的 $L^w$ 大，外围宜居区的 $L_i$ 大——两者不必相等，差额就是通勤流。

04 土地出清与工资竞价

土地市场：居民住 $i$ 要住房，住房供给固定 $H_i$，需求由居住人口 $L_i$ 决定。竞价（bid-rent）逻辑下，租金 $r_i$ 出清：

设定理由：住房是正常品，需求随居住人口线性增加；供给固定时租金正比于人口密度。经济直觉：人口涌入→需求↑→租金↑→生活成本↑→反向抑制流入，形成空间均衡。

劳动力市场：企业在 $n$ 雇用工人，生产率 $A_n$。向下倾斜的劳动需求下，工资是企业对 $n$ 地劳动力的竞价：

参数含义：$\gamma-1<0$，就业越多工资边际越低（劳动需求曲线向下）；$A_n$ 越大工资水平越高。直觉：CBD 生产率高→$A_n$ 大→工资高→吸引通勤者→$L_n^w$ 上升，直到工资被就业稀释。

均衡：(ARSW2)(ARSW3)(ARSW4)(ARSW5) 联立——工资决定通勤选择，通勤选择决定居住/就业人口，人口决定租金，租金与就业又反过来通过效用与劳动需求反馈到工资。这是一个关于 $\{w_n,r_i,\lambda_{ni},L_i,L^w_n\}$ 的不动点。

05 结构反推（inversion）：从通勤流恢复 $a_i,w_n$

ARSW 最精妙之处：$A_n$（生产率）和 $a_i$（宜居度）不可直接观测，但观测到的通勤矩阵 $\lambda_{ni}^0$ 足够把它们的相对值反推出来。

固定工作地 $n$，比较两个居住地 $i,j$：

推导：同一工作地 $n$ 的工资 $w_n$、通勤成本项 $-\kappa d_{ni}$ 里，$w_n$ 消掉；$-\kappa d_{ni}$ 若距离已知也可控制，剩下纯宜居度差。对所有 $n$ 取平均可得 $a_i$ 的相对值。

固定居住地 $i$，比较两个工作地 $n,m$：

推导：同一居住地 $i$ 的宜居度 $a_i$ 消掉，剩下纯工资差。经济直觉：通勤流天然是"哪里工资高就往哪涌"的 revealed preference——从 OD 矩阵就能读出相对工资。这一步是 ARSW 能"无工资数据也做空间均衡"的关键。

06 Python 求解器（已实跑验证）

"""
Ahlfeldt-Redding-Sturm-Wolf (2015, Econometrica) 城市通勤空间均衡
- 间接效用 U_ni = w_n - kappa*d_ni + a_i + eps_ni
- Gumbel 冲击 -> 通勤矩阵 lambda[n,i] = softmax over all (n,i)
- 工资竞价 w_n = A_n * Lw_n^{-(1-beta_h)}, 租金 r_i = L_i/H_i
- 结构反推: 从观测 lambda0 恢复相对 a_i 与 w_n
"""
import numpy as np
np.random.seed(20240912)


def commute_choice(w, a, d_work, kappa, nu):
    """通勤矩阵 lambda[n,i]; d_work[n,i]=住i到n上班的距离."""
    u = (w[:, None] - kappa * d_work + a[None, :]) / nu   # (Nwork,Nres)
    u_shift = u.ravel() - u.ravel().max()                # log-sum-exp 防溢
    p = np.exp(u_shift); p /= p.sum()
    return p.reshape(u.shape)


def solve_city(N, A, d_work, H, kappa, nu, beta_h, a, Lbar=1.0,
                tol=1e-9, max_iter=20000, damp=0.5):
    w = np.ones(N)
    for it in range(max_iter):
        lam = commute_choice(w, a, d_work, kappa, nu)
        L_i = lam.sum(axis=0) * Lbar          # 居住人口(列和)
        Lw_n = lam.sum(axis=1) * Lbar         # 就业人口(行和)
        w_implied = A * (Lw_n ** (-(1 - beta_h)))   # (ARSW5)
        w_implied = w_implied / w_implied.mean() * w.mean()
        w_new = (1 - damp) * w + damp * w_implied
        if it > 100 and np.max(np.abs(w_implied / w - 1)) < tol:
            w = w_new; break
        w = w_new
    lam = commute_choice(w, a, d_work, kappa, nu)
    L_i, Lw_n = lam.sum(axis=0) * Lbar, lam.sum(axis=1) * Lbar
    r = (L_i / H); r = r / r.mean()           # (ARSW4)
    return dict(w=w, r=r, L_i=L_i, Lw_n=Lw_n, lam=lam)


def invert(lam0, nu):
    """(ARSW6)(ARSW7) 从观测通勤矩阵恢复相对 a_i, w_n."""
    a_rel = nu * (np.log(lam0 + 1e-300) -
                  np.log(lam0[:, :1] + 1e-300)).mean(axis=0)
    w_rel = nu * (np.log(lam0 + 1e-300) -
                  np.log(lam0[:1, :] + 1e-300)).mean(axis=1)
    return a_rel, w_rel


# ---------------- N=8 线性 CBD 示例 ----------------
N = 8
pos = np.linspace(0, 7, N)
d = np.abs(pos[None, :] - pos[:, None]); d /= d.max()
A = np.exp(-0.35 * (pos - 3.5) ** 2); A /= A.mean()   # CBD 在 3,4
H = np.exp(0.25 * (pos - 3.5) ** 2)                  # 中心住房紧
a = 0.3 * np.tanh((pos - 3.5) * 0.4)                 # 宜居略向外围
kappa, nu, beta_h = 0.12, 1.0, 0.25

base = solve_city(N, A, d.T, H, kappa, nu, beta_h, a)
print("工资 w_n     :", np.round(base["w"], 3))
print("居住人口 L_i :", np.round(base["L_i"], 3))
print("租金 r_i     :", np.round(base["r"], 3))

# 结构反推检验
a_hat, w_hat = invert(base["lam"], nu)
print("反推宜居(去均值):", np.round(a_hat - a_hat.mean(), 3))
print("真实宜居(去均值):", np.round(a - a.mean(), 3))

# 反事实: 新建地铁, 通勤成本降 30%
cf = solve_city(N, A, d.T, H, kappa * 0.70, nu, beta_h, a)
u0 = base["w"][:, None] - kappa * d.T + a[None, :]
u1 = cf["w"][:, None] - kappa * 0.70 * d.T + a[None, :]
V0, V1 = (base["lam"] * u0).sum(), (cf["lam"] * u1).sum()
print("地铁后平均福利变化 % :", round((V1 / V0 - 1) * 100, 3))

07 估计与数据：柏林墙自然实验

数据来源

柏林墙自然实验（ARSW 的识别核心）

ARSW 的策略力量在于：柏林墙在 1961 年一夜之间把城市劈成东西两半，外生地切断了东西之间的通勤与贸易联系；1990 年统一又恢复。他们用这个"分裂→统一"的时空对照，识别：(1) 生产外部性（企业集聚的生产率溢出如何随通勤可达性变化）；(2) 居住外部性（宜居度如何随邻居通勤机会变化）。这是城市空间均衡从"拟合"走向"因果"的标志性工作。

08 福利与反事实：新建地铁

城市政策评估的标准反事实：在现空间均衡上，把某条通勤通道的成本 $\kappa d_{ni}$ 外生下降（新建地铁、修路、降低拥堵），重新求解 $\{w,r,\lambda\}$，再算平均效用变化。

直觉：地铁不是只让沿线上班者受益——它通过均衡调整改变了工资、租金与人口分布，中心与外围房价都有响应。本页代码的反事实显示：通勤成本降 30% 后平均福利 +0.78%，外围租金因可达性改善上涨。

09 论文案例与常见错误

常见错误（6 条）

∑ 方程总清单与难度前置