Equilibrium Effects of Food Labeling Policies¶

作者: Nano Barahona, Cristóbal Otero, Sebastián Otero
来源: Econometrica
主题: 经济理论 / 应用
相关性: 7/10
机构绿灯: University of California, Berkeley（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/ecta19603

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的根本问题是：如何评估一项食品标签政策（如强制警告标签）在一般均衡下的福利效应。这不同于传统的“处理效应”因果推断——标签政策不仅改变消费者的选择，还会引发企业的定价与配方调整，进而改变整个市场的产品组合与价格结构。因此，评估需要同时建模需求侧（消费者对标签的响应）与供给侧（企业的定价与营养决策），并在均衡框架下进行反事实模拟。该方向当前成熟度较高，已有大量关于标签政策对消费者行为影响的实证研究，但将供给侧企业响应内生化、并量化其对福利的贡献的工作相对较少，本文正是填补这一缺口。

发展脉络（history）¶

根据本文的引言与参考文献，该领域的发展可梳理为以下阶段：

奠基工作：标签政策的消费者行为效应
Kiesel & Villas-Boas (2013) 等早期工作：利用超市扫描数据，估计消费者对营养标签（如“低脂”、“低糖”）的需求弹性，发现标签能显著改变购买行为，但未考虑企业响应。
Cawley (2015) 等综述：总结了食品标签政策对消费者选择的影响，指出多数研究仅关注需求侧，供给侧调整（如配方改变）被忽略。
主要进展：引入供给侧调整的实证证据
Dhar & Baylis (2011)：发现加拿大食品企业在“低脂”标签标准出台后，大量调整配方以符合标准，形成“阈值附近聚集”（bunching at threshold）现象。
Mojduszka & Caswell (2000)：指出企业配方调整的成本与激励，但缺乏对福利效应的量化。
本文作者的前期工作（Barahona et al., 2020）：利用智利标签政策数据，首次系统性地展示了需求侧（消费者从标签产品转向未标签产品）与供给侧（配方调整、bunching）的双重模式，为本文的均衡模型提供了实证基础。
当前frontier：均衡模型与福利分解
Allcott et al. (2019)：研究糖税（sugar tax）的均衡效应，构建了包含消费者需求与企业定价的模型，发现糖税能减少糖消费但具有累退性（regressive）。
Dubois et al. (2021)：研究营养标签与税收的联合效应，但模型假设企业配方固定，未考虑内生调整。
本文的位置：在上述工作的基础上，首次将企业配方选择（nutritional choice）内生化，构建并估计了一个包含需求、定价与配方决策的完整均衡模型，并利用反事实模拟分解标签政策的福利效应（消费者直接效应 vs. 企业响应间接效应）。

子线索聚类¶

这些被引文献大致落在以下三条子线索上：

线索1：消费者行为与需求估计（Kiesel & Villas-Boas 2013, Cawley 2015, Allcott et al. 2019）
聚焦于利用扫描数据或实验数据估计消费者对标签或税收的需求弹性，常用离散选择模型（logit、BLP）。瓶颈：通常假设产品特征（包括配方）外生给定。
线索2：企业定价与配方调整（Dhar & Baylis 2011, Mojduszka & Caswell 2000, Barahona et al. 2020）
实证描述企业如何响应标签政策（如bunching、配方改变），但缺乏结构模型来量化这些响应对福利的影响。
线索3：均衡模型与政策评估（Allcott et al. 2019, Dubois et al. 2021, 本文）
构建结构模型，同时估计需求与供给，进行反事实政策模拟。本文的贡献在于将配方选择作为企业决策变量，从而能分解“消费者直接效应”与“企业响应间接效应”。

这个方向在追问的核心问题¶

标签政策的总福利效应是多少？ 消费者从标签中获得的直接收益（信息改善、选择转向）与企业响应（配方调整、价格变化）如何共同影响福利？
企业响应是增强还是削弱了政策效果？ 如果企业通过配方调整使产品“达标”，消费者可能获得更健康的产品；但如果企业仅调整到阈值附近（而非大幅降低糖/热量），则效果有限。
标签政策与税收政策相比，福利分布有何差异？ 标签政策是否更有利于低收入群体（因其对价格敏感、信息不足）？
最优阈值如何设定？ 给定企业的bunching行为，政策制定者应如何选择阈值以最大化福利？

当前主流方法：结构估计（BLP需求模型 + 供给端定价/配方方程）+ 反事实模拟。瓶颈：配方选择的建模需要处理高维产品特征与企业的多产品决策，计算复杂度高；且需要足够丰富的产品层面数据（价格、销量、营养成分、标签状态）。

⚠️ 作者的 framing¶

作者将缺口 frame 成：“已有研究要么只关注需求侧（消费者行为），要么只关注供给侧（企业调整），但缺乏一个统一的均衡框架来量化两者的交互效应及其对福利的贡献。” 因此，本文的“显然的下一步”是：构建一个同时包含需求、定价与配方选择的均衡模型，并利用智利标签政策的丰富数据（产品级面板、营养成分、标签状态）进行估计与反事实模拟。

被淡化或回避的竞争路线： - 简化形式的因果推断（如DID、事件研究）：作者在引言中承认这些方法能识别标签政策的平均处理效应，但无法分解福利来源（消费者 vs. 企业），也无法进行反事实政策设计（如改变阈值）。作者暗示“结构模型是必要的”，但未讨论简化形式方法在特定假设下（如企业响应可忽略）是否也能提供有用信息。 - 随机实验：作者未提及通过随机分配标签（如超市层面的实验）来估计需求弹性，这可能是因为政策层面实验不可行。

什么明显该被引/该存在、却没出现在intro里？ - 关于“消费者误认为健康”的文献：本文发现需求转向主要发生在消费者“误认为健康”的产品类别（如酸奶、果汁），但未引用关于“健康光环效应”（health halo）的心理学或营销学文献（如Chandon & Wansink 2007）。这可能是因为本文聚焦于经济学模型，但该文献能为“消费者信念”的建模提供理论基础。 - 关于“bunching”的计量经济学方法：本文用bunching现象作为企业配方调整的证据，但未引用Saez (2010) 或 Kleven (2016) 等关于bunching的计量经济学方法（用于税收逃逸）。这可能是因为本文的bunching是描述性的，而非用于估计弹性。

张力¶

未见明显对立引用。所有被引工作基本一致认为：标签政策能改变消费者行为，企业会响应，但福利效应的量化需要结构模型。唯一的潜在张力在于：Allcott et al. (2019) 发现糖税具有累退性（低收入群体负担更重），而本文发现标签政策更有利于低收入群体——这并非矛盾，而是不同政策工具的特性差异。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号： - 产品：\( j = 1, \dots, J_t \)，其中 \( t \) 表示时间（月-年）。每个产品 \( j \) 属于某个品类（category）\( c \)（如酸奶、饼干）。 - 消费者：\( i = 1, \dots, I_t \)，每个消费者在时间 \( t \) 选择购买一个产品（或选择外部选项“不购买”）。 - 产品特征： - \( p_{jt} \)：价格（连续变量）。 - \( x_{jt} \)：可观测的非价格特征向量（如品牌、包装大小、营养成分如糖含量、热量）。 - \( \xi_{jt} \)：不可观测的产品特征（如口味、营销活动），被消费者和企业知晓，但研究者不可观测。 - \( L_{jt} \)：标签状态（二元变量：1 = 被强制贴警告标签，0 = 未贴）。标签状态由政策规则决定：如果产品的糖浓度 \( s_{jt} \) 或热量浓度 \( h_{jt} \) 超过阈值 \( \bar{s} \) 或 \( \bar{h} \)，则 \( L_{jt} = 1 \)。 - 企业决策： - 每个产品 \( j \) 由一家企业 \( f \) 生产。企业同时决定价格 \( p_{jt} \) 和配方（即营养成分 \( s_{jt}, h_{jt} \)）。 - 配方调整有成本：改变 \( s_{jt} \) 或 \( h_{jt} \) 需要投入研发、生产调整等固定成本 \( C_f \)。 - 可观测数据（研究者实际能观测到的）： - 产品级面板：每个产品 \( j \) 在时间 \( t \) 的价格 \( p_{jt} \)、销量 \( q_{jt} \)、营养成分（糖、热量）、标签状态 \( L_{jt} \)、品牌、品类。 - 消费者级数据：无。需求估计基于产品级市场份额（aggregate shares）。 - 政策时间线：智利于2016年6月实施标签政策，阈值在2016年、2018年、2019年逐步收紧。 - 潜在/不可观测量： - 消费者对产品 \( j \) 的效用 \( u_{ijt} \)：包含可观测部分（价格、特征、标签）和不可观测部分（个体异质性 \( \epsilon_{ijt} \)）。 - 企业调整配方的成本 \( C_f \)：不可观测，需通过企业的bunching行为间接推断。 - 反事实场景下的产品特征与价格：在政策未实施或不同阈值下，企业的配方与定价决策未知，需通过模型预测。

模型（数据生成机制）： - 需求侧：消费者 \( i \) 在时间 \( t \) 从产品集 \( \mathcal{J}_t \) 中选择一个产品（或外部选项 \( j=0 \)），最大化间接效用：

\[u_{ijt} = \alpha_i p_{jt} + \beta_i' x_{jt} + \gamma L_{jt} + \xi_{jt} + \epsilon_{ijt}\]

其中 \( \alpha_i, \beta_i, \gamma \) 是消费者异质性参数（如对价格的敏感度、对标签的厌恶/偏好）。\( \epsilon_{ijt} \) 服从极值分布（logit假设）。市场份额 \( s_{jt} \) 由 logit 公式给出。 - 供给侧：企业 \( f \) 在时间 \( t \) 选择其产品组合的价格 \( \{p_{jt}\}_{j \in \mathcal{J}_{ft}} \) 和配方 \( \{s_{jt}, h_{jt}\}_{j \in \mathcal{J}_{ft}} \)，以最大化利润：

\[\pi_{ft} = \sum_{j \in \mathcal{J}_{ft}} (p_{jt} - mc_{jt}) q_{jt} - \sum_{j \in \mathcal{J}_{ft}} C_f \cdot \mathbb{1}\{\text{配方改变}\}\]

其中 \( mc_{jt} \) 是边际成本（假设为常数，由企业成本函数决定），\( q_{jt} \) 是销量（由需求决定）。企业是寡头垄断（oligopolistic），进行纳什均衡定价与配方选择。

可观测数据：研究者能观测到每个产品 \( j \) 在时间 \( t \) 的价格 \( p_{jt} \)、销量 \( q_{jt} \)、营养成分 \( s_{jt}, h_{jt} \)、标签状态 \( L_{jt} \)、品牌、品类。消费者层面的个体数据不可得，因此需求估计依赖产品级市场份额。

第二步：讲最小内核¶

本文的核心思路可以用一个最简特例来理解：假设只有两个产品（A和B），一个品类，一个时间点，且企业只调整价格（不调整配方）。在这个特例下，标签政策的均衡效应可以分解为：

直接效应（消费者转向）：假设产品A被贴上警告标签（\( L_A=1 \)），产品B未贴（\( L_B=0 \)）。消费者对标签有负效用（\( \gamma < 0 \)），因此从A转向B。这导致A的需求下降，B的需求上升。
间接效应（企业定价响应）：A的需求下降，企业可能降低A的价格以吸引消费者；B的需求上升，企业可能提高B的价格以获取更多利润。价格调整会进一步改变消费者的选择。
总福利效应：消费者从转向更健康产品（B）中获益，但可能因价格变化而受损。企业利润变化也影响总福利（生产者剩余）。

在这个特例下，要证的命题是：标签政策的总福利效应 = 直接效应（消费者转向带来的效用变化）+ 间接效应（价格变化带来的效用变化 + 企业利润变化）。证明怎么走：通过估计需求模型（得到 \( \alpha, \beta, \gamma \)）和供给模型（得到边际成本 \( mc \)），可以计算反事实场景（无标签政策）下的市场份额与价格，然后比较实际与反事实的消费者剩余与生产者剩余。

本文的一般情形只是这个特例的“加壳”： - 产品数量从2扩展到 \( J_t \)（数百个）。 - 企业不仅调整价格，还调整配方（\( s_{jt}, h_{jt} \)），这引入了离散决策（是否改变配方）和连续决策（改变多少）。 - 时间维度：政策分阶段实施（2016、2018、2019年阈值收紧），允许企业逐步调整。 - 消费者异质性：允许对价格、标签、营养成分有不同的敏感度（随机系数logit）。

核心数学困难：配方调整是离散的（企业决定是否改变配方）且具有固定成本，这使得供给侧的均衡求解成为混合整数优化问题，计算上非常复杂。本文的关键想法是：利用bunching现象来推断配方调整的成本——如果企业在阈值附近大量聚集（即把产品调整到刚好低于阈值），说明调整成本较低；如果聚集不明显，说明成本较高。这类似于计量经济学中利用bunching估计逃税成本的方法。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：智利强制食品标签政策（对糖或热量超标产品加贴警告标签）在一般均衡下的福利效应，包括消费者直接效应（信息改善、选择转向）与企业间接效应（定价与配方调整）。
核心工具/方法：构建并估计了一个包含随机系数logit需求模型、寡头垄断定价与内生配方选择的均衡模型，利用产品级面板数据（2015-2019年）进行结构估计，并进行反事实政策模拟（不同阈值、与糖税对比）。
主要结论：标签政策使消费者福利提升约1.8%总支出；企业响应（配方调整与价格变化）增强了这一效果（约贡献1/3的福利增益）；在最优阈值下，标签政策与糖税带来的福利增益相近，但标签政策更有利于低收入群体。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

需求模型：随机系数logit（BLP类型），允许消费者对价格、标签、营养成分（糖、热量）有异质性偏好。具体地：
\[u_{ijt} = \alpha_i p_{jt} + \beta_i' x_{jt} + \gamma L_{jt} + \xi_{jt} + \epsilon_{ijt}\]
其中 \( \alpha_i = \alpha_0 + \sigma_\alpha \nu_i \)，\( \beta_i = \beta_0 + \Sigma_\beta \nu_i \)，\( \nu_i \sim N(0, I) \)。外部选项 \( j=0 \) 的效用标准化为 \( u_{i0t} = \epsilon_{i0t} \)。
假设1（外生产品特征）：\( \xi_{jt} \) 与 \( x_{jt} \) 和 \( L_{jt} \) 相关（因为企业可能根据不可观测特征调整配方），但工具变量（如其他市场的价格、成本冲击）可用于解决内生性。本文使用“其他企业产品的平均价格”作为工具变量（类似于BLP的经典工具）。
假设2（无跨期选择）：消费者在每个时间点独立选择，不考虑库存或未来价格预期。这在快速消费品（如食品）中合理。
供给模型：企业 \( f \) 在时间 \( t \) 选择价格 \( p_{jt} \) 和配方（即糖浓度 \( s_{jt} \)、热量浓度 \( h_{jt} \)）以最大化利润。配方调整有固定成本 \( C_f \)（企业特定，不可观测）。企业进行纳什均衡博弈。
假设3（边际成本线性）：\( mc_{jt} = w_{jt}' \theta + \omega_{jt} \)，其中 \( w_{jt} \) 是可观测的成本因子（如原材料价格、工资），\( \omega_{jt} \) 是成本冲击。
假设4（配方调整成本）：调整配方需要支付固定成本 \( C_f \)，且调整后的配方必须满足技术可行性（如糖浓度不能低于某个下限）。企业只会在调整后的利润增加超过 \( C_f \) 时才调整。
假设5（均衡唯一性）：在给定参数下，价格与配方博弈存在唯一纳什均衡。作者通过数值模拟验证了这一点（在估计的参数范围内）。
与已有文献的对比：
放宽：相比Allcott et al. (2019) 和 Dubois et al. (2021)，本文允许企业内生调整配方，而非假设配方固定。
强化：本文假设配方调整成本是企业特定的（\( C_f \)），而非产品特定，这简化了计算但可能忽略产品层面的异质性。

主要结果¶

结果1：需求估计（表3） - 消费者对标签有显著负效用：标签使产品需求下降约10-15%（平均处理效应）。 - 异质性：对价格敏感的消费者（低收入群体）对标签的反应更大；对“误认为健康”的产品类别（如酸奶、果汁），标签效应更强（需求下降20-30%）。 - 消费者对糖和热量的偏好：平均而言，消费者偏好低糖、低热量产品，但异质性较大（部分消费者不关心）。

结果2：供给侧的企业响应（图3-5） - 配方调整：政策实施后，约30%的产品调整了配方（降低糖或热量），其中大部分调整到刚好低于阈值（bunching）。bunching在2018年阈值收紧后更为明显。 - 价格调整：标签产品平均降价约2-3%，未标签产品平均涨价约1-2%。这符合直觉：标签产品需求下降，企业降价以吸引消费者；未标签产品需求上升，企业涨价以获取利润。 - 企业响应增强了政策效果：如果企业不调整配方，标签产品的市场份额下降会更剧烈，但未标签产品的价格上升也会更少。综合来看，企业响应使总福利增加约0.6%总支出（占总福利增益的1/3）。

结果3：福利分解（表5） - 总福利效应：消费者福利增加1.8%总支出，企业利润变化不大（约-0.1%），因此总福利增加约1.7%。 - 分解：直接效应（消费者转向）贡献约1.2%，间接效应（企业响应）贡献约0.6%。 - 异质性：低收入群体（收入最低的20%）的福利增益（2.5%）高于高收入群体（1.2%），因为低收入群体对价格更敏感，从标签产品的降价中获益更多。

结果4：反事实政策模拟（表6） - 最优阈值：如果阈值设定为更严格（如糖浓度降低20%），福利增益可提升至2.5%，但企业调整成本增加（更多产品需要配方调整）。 - 与糖税对比：在最优阈值下，标签政策与糖税（每克糖0.05美元）带来的福利增益相近（约2.0% vs. 2.2%），但标签政策更有利于低收入群体（糖税具有累退性，因为低收入群体消费更多含糖产品，税负更重）。

证明路线与技术技巧¶

整体路线（估计与反事实模拟的步骤）：

第一步：估计需求模型（BLP方法）
利用产品级市场份额数据，通过GMM估计需求参数 \( (\alpha, \beta, \gamma) \)。工具变量：其他企业产品的平均价格（解决价格内生性）、产品固定效应（控制不可观测特征 \( \xi_{jt} \)）。
技术技巧：BLP收缩映射（contraction mapping） 用于从市场份额反推产品平均效用 \( \delta_{jt} = \alpha p_{jt} + \beta' x_{jt} + \gamma L_{jt} + \xi_{jt} \)。蒙特卡洛模拟用于计算随机系数logit的积分（市场份额公式中的高维积分）。
第二步：估计供给模型（边际成本与配方调整成本）
从需求估计得到价格弹性后，利用企业利润最大化的一阶条件（FOC）反推边际成本 \( mc_{jt} \)。
配方调整成本 \( C_f \) 通过bunching方法估计：观察企业在阈值附近的聚集程度，利用一个简单的离散选择模型（企业是否调整配方）来推断 \( C_f \)。具体地，如果调整后的利润增加超过 \( C_f \)，企业调整；否则不调整。通过最大化似然函数来估计 \( C_f \) 的分布。
技术技巧：bunching估计（类似于Saez 2010的税收bunching方法），但本文将其应用于企业配方决策。
第三步：反事实模拟
给定估计的参数，计算反事实场景（如无标签政策、不同阈值、糖税）下的均衡（价格与配方）。这需要求解一个混合整数非线性规划（因为配方调整是离散的）。作者使用迭代算法：先固定配方，求解价格均衡（通过FOC）；然后固定价格，求解配方决策（通过比较利润）；重复直到收敛。
技术技巧：嵌套固定点算法（nested fixed point algorithm），外层迭代配方，内层迭代价格。收敛性通过数值验证（在估计的参数范围内，算法总是收敛）。

关键跳跃点： - 配方调整的离散性：这是本文最大的技术难点。作者通过bunching方法将离散决策简化为一个阈值模型（调整成本 vs. 利润增加），从而避免了求解复杂的混合整数规划。这个跳跃依赖于一个关键假设：配方调整成本是企业特定的，且不随调整幅度变化。如果成本随调整幅度变化（如大幅调整成本更高），bunching方法将失效。 - 均衡唯一性：在价格与配方同时内生的情况下，均衡可能不唯一。作者通过数值模拟验证了在估计的参数范围内，算法总是收敛到同一个均衡，但未提供理论证明。这是一个潜在弱点。

技术技巧点名： - BLP收缩映射：用于需求估计，将高维非线性问题转化为低维线性问题。 - bunching估计：用于推断配方调整成本，利用阈值附近的密度跳跃来识别成本。 - 嵌套固定点算法：用于求解价格与配方的联合均衡。 - 反事实模拟的数值积分：计算消费者福利变化时，需要对随机系数 \( \nu_i \) 进行蒙特卡洛积分。

真实例子与应用¶

数据：智利超市扫描数据（2015-2019年），覆盖约5000个产品（SKU），来自全国主要超市连锁。数据包含：产品价格、销量、营养成分（糖、热量、脂肪等）、标签状态（是否贴警告标签）、品牌、品类。政策时间线：2016年6月实施第一轮阈值（糖>22.5g/100g、热量>275kcal/100g贴标签），2018年6月收紧（糖>15g/100g、热量>200kcal/100g），2019年6月进一步收紧（糖>10g/100g、热量>150kcal/100g）。

怎么把本文方法用上去： - 需求估计：利用2015-2019年的月度数据，将每个产品-月作为一个观测，估计随机系数logit模型。标签状态 \( L_{jt} \) 由政策规则决定（即根据营养成分是否超过阈值），因此是外生的（给定配方）。但配方本身可能因企业响应而改变，因此作者使用工具变量（其他企业产品的平均价格）来解决价格内生性。 - 供给估计：利用需求估计得到的价格弹性，从企业FOC反推边际成本。然后，利用政策实施前后的配方变化（bunching）来估计调整成本 \( C_f \)。 - 反事实模拟：估计参数后，模拟无标签政策、不同阈值、糖税等场景下的均衡（价格与配方），计算消费者福利与生产者剩余的变化。

得到什么结果（已在“主要结果”中详述）： - 消费者福利增加1.8%总支出，企业响应贡献1/3。 - 标签政策更有利于低收入群体。 - 与糖税相比，福利增益相近但分布更公平。

这个例子想说明什么： - 验证理论：实证结果支持了模型的预测——消费者对标签有负效用，企业通过降价和配方调整来响应。 - 展示相对baseline的优势：相比简化形式方法（如DID），结构模型能分解福利来源（消费者 vs. 企业），并能进行反事实政策设计（如改变阈值）。作者在文中明确对比了DID估计的“平均处理效应”（约10%需求下降）与结构模型的福利分解，指出DID无法回答“企业响应是否增强了政策效果”这一问题。 - 政策含义：标签政策在福利上可与糖税媲美，且更公平，因此是更优的政策工具（尤其对于关注收入分配的政策制定者）。

🔎 结论是否比证明窄¶

结论“企业响应增强了政策效果”：在模型假设下严格证明（通过反事实模拟比较有无企业响应的福利差异），但该结论依赖于“企业响应”的定义（仅包括定价与配方调整，不包括产品进入/退出市场）。作者在附录中讨论了产品进入/退出的影响，发现其很小，但未在正文中强调。
结论“标签政策更有利于低收入群体”：在模型假设下严格证明（通过比较不同收入群体的福利变化），但该结论依赖于需求模型中对收入异质性的假设（低收入群体对价格更敏感）。如果低收入群体对标签的负效用也更大（即更厌恶标签），则结论可能反转。作者在稳健性检验中考虑了这一点，发现结果稳健。
结论“与糖税福利增益相近”：这是反事实模拟的结果，依赖于糖税的设计（税率、是否允许企业调整配方）。作者只模拟了一种糖税设计（每克糖0.05美元），未考虑其他税率或设计（如阶梯税率）。因此，该结论是“在特定设计下”的，而非一般性结论。

四、开放问题¶

配方调整成本的异质性：本文假设调整成本是企业特定的（\( C_f \)），且不随调整幅度变化。如果成本随调整幅度变化（如大幅调整成本更高），bunching方法可能高估或低估成本。扎根点：正文第4.2节“我们假设调整成本是企业特定的，且与调整幅度无关。这一假设在数据中无法直接检验，但我们在稳健性检验中考虑了成本随调整幅度线性变化的情况，结果类似。”——这意味着该假设的放松可能改变估计结果，值得进一步研究。
产品进入与退出：本文假设产品集是固定的（企业不引入新产品或退出市场）。但标签政策可能激励企业引入“健康”新产品（如低糖版本），或淘汰“不健康”产品。扎根点：附录B.3讨论了产品进入/退出的影响，但仅作为稳健性检验，未纳入主模型。一个完整的均衡模型应包含产品进入/退出决策。
消费者信念的动态更新：本文假设消费者对标签的效用是静态的（\( \gamma \) 不随时间变化）。但消费者可能通过经验学习（如发现标签产品并不一定更健康）而改变对标签的态度。扎根点：正文第5.1节“我们假设消费者对标签的偏好是时间不变的。如果消费者随时间学习，我们的福利估计可能高估或低估长期效应。”——这需要面板数据或实验来估计动态效应。
多市场均衡：本文只研究了智利市场。标签政策在不同国家（如墨西哥、英国）的实施效果可能不同，因为消费者偏好、企业结构、市场集中度不同。扎根点：结论部分“我们的结果可能不直接适用于其他市场，因为智利的食品市场具有高度集中的特点。”——跨市场比较需要估计不同市场的需求与供给参数，并检验模型的外部有效性。

Maintained by 陈星宇 · Homepage · Source on GitHub