Integrable Elasticity via Neural Demand Potentials
可积弹性神经需求网络：从需求表面直接导出稳定的价格弹性
🧭 可积弹性需求建模与弹性稳定估计
IAMM Research, DAMM
ICDN 通过可积的神经需求表面学习 log-需求，用解析样条和稀疏注意力直接导出稳定、经济合理的有向交叉弹性
📌 工作参考价值
- 将价格作为独立分支输入，上下文编码器输出条件系数，使需求表面随季节、促销、门店等动态变化，直接支持价格模拟而非仅做点预测。
- 稀疏注意力图选择 top-k SKU 对，将交叉弹性计算从 O(n²) 降至 O(nk)，冻结后可用于大规模商品场景。
- 自身价格曲率平滑度惩罚和弹性带惩罚可有效抑制导数噪声，得到更稳定的弹性估计，避免过拟合导致怪异正值或异常交叉弹性。
- 显式样条基与解析导数使得弹性计算无需自动微分的完整雅可比，可在 GPU 上高效训练，适合电商中成百上千 SKU 的日常定价决策。
动机
在多商品零售定价中，价格弹性（尤其是交叉弹性）极难稳定估计，原因包括观察数据的价格共线性、促销活动混杂以及柔性模型容易高估微小需求起伏导致弹性大幅波动。传统 log-log 模型假设弹性为常数，无法捕捉非线性、上下文相关的替代模式。本文提出从需求表面直接学习弹性：先建模一个平滑的 log-需求曲面，再通过解析求导获取弹性，从而保证弹性场可积（路径无关）和经济合理性。
方法关键点
- ICDN 架构：将 log-需求表示为 log-价格与上下文（门店、SKU、季节、促销等）的可微函数。
- 自身价格效应：一个负约束的线性项（
β_ii≤0）加上基于产品特定阶梯样条（ReLU³ 基）的非线性修正。 - 交叉价格效应：仅保留 top-k 有向邻居对（通过注意力评分和类别优先排序选择），对每个
(i,j)对学习线性、单变量样条和双样条交互项。 - 所有参数（β, w, U 等）均由一个共享上下文编码器从每个 SKU 的令牌生成，并通过稀疏注意力权重调节交叉效应的强度。
- 自身价格效应：一个负约束的线性项（
- 弹性解析计算：利用样条闭式导数直接得到自身和交叉弹性，无需对整个网络做自动微分，保证在大规模商品面板中的可扩展性。
- 训练目标：Huber 损失拟合 log-需求量，额外加入自身价格曲率正则化（控制二阶导数）和弹性软约束（惩罚正值自身弹性和过大的交叉弹性），使得需求表面平滑且弹性符合经济直觉。
关键实验
- 数据集：Dominick’s Fine Foods 啤酒品类扫描数据（周级、门店级，含促销和价格）。将数量标准化为升，价格转为每升价格，工作在 log-log 空间。
- 对比基准：有向 log-log 模型（回归 log-销量对自身和其他产品价格）。
- 结果：
- 样本外预测：ICDN 优于 log-log 基准，残差更稳定。
- 弹性估计：ICDN 的自身弹性大多为负且集中在 -1 到 -0.2 附近，与啤酒品类的元分析一致；交叉弹性估计更为紧凑、弱交叉效应识别更清晰，没有出现大量异常大值。
- 稳定性：通过曲率和弹性正则化后，弹性对价格微调不敏感，重跑多次结果可复现。
- 稀疏图学到的有向邻居关系与品牌、包装相似度一致，验证了建模的合理性。
最值得记住的一句话：ICDN 通过“需求－然后－求导”的策略，用显式样条基+稀疏图将弹性估计变成一个受控的几何学习问题，让价格响应既可微分、可正则、也可直接用于定价模拟。