跳转至

Information Design in Common Value Auction With Moral Hazard: Application to OCS Leasing Auctions

作者: Anh Nguyen
来源: Econometrica
主题: 经济理论 / 应用
相关性: 4/10
机构绿灯: Carnegie Mellon University（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/ecta21839

一、领域脉络与小综述

这个方向是什么

本文研究的是共同价值拍卖中的信息设计问题，具体场景为美国海上油气租赁拍卖（OCS Leasing Auctions）。其核心统计/经济问题是：在拍卖方（政府）可以设计并承诺如何向中标者披露失败投标信息（即对手的出价）时，如何刻画均衡投标策略，以及不同的信息披露政策如何影响拍卖方的期望收入。该方向处于拍卖理论与机制设计理论的交叉前沿，成熟度中等——已有大量关于拍卖中信息揭示的理论工作，但将信息设计（information design）与事后道德风险（post-auction moral hazard，即中标者决定是否勘探）结合起来的实证/结构估计工作较少。

发展脉络（history）

从introduction引用的工作来看，该方向的发展脉络如下：

  1. 奠基工作：共同价值拍卖与赢者诅咒
  2. Milgrom & Weber (1982)：建立了共同价值拍卖中信息揭示的经典理论框架，指出拍卖方可以通过承诺披露更多信息（如公开报告所有出价）来缓解赢者诅咒（winner's curse），从而提高期望收入。这是本文的理论起点。

  3. Wilson (1977)：早期关于共同价值拍卖的奠基性工作，建立了“共同价值”这一核心概念——拍卖品对所有竞拍者有相同的未知价值，但每个竞拍者拥有不同的私人信号。

  4. 主要进展：信息设计与实证拍卖

  5. Bergemann & Morris (2019)：将“信息设计”概念系统化——拍卖方不仅可以选择披露什么信息，还可以设计信息结构（即信号生成机制）来影响竞拍者的信念和策略。本文直接借用这一框架。
  6. Hendricks & Porter (1988, 1996)：对OCS租赁拍卖的经典实证研究，发现竞拍者确实利用对手的出价来推断地块潜力，且存在显著的赢者诅咒效应。本文的实证发现（勘探率与失败投标正相关）直接呼应这些早期工作。

  7. Athey & Haile (2002)：建立了从拍卖数据非参数识别潜在价值分布的条件，为本文的反事实分析提供了识别基础。

  8. 当前frontier：信息设计与道德风险的结合

  9. Eső & Szentes (2007)：研究了拍卖后道德风险（中标者选择努力水平）与信息揭示的交互，但设定为私人价值拍卖。本文将其推广到共同价值设定。

  10. Krishna & Morgan (1997)：研究了拍卖后合作（joint venture）与信息共享，但未涉及信息设计。本文填补了“信息设计 + 共同价值 + 事后道德风险”这一组合的空白。

  11. 本文的位置：作者将上述两条线索（信息设计 + 事后道德风险）首次在共同价值拍卖的实证框架中结合，并用OCS租赁数据做了反事实分析。这是第一个将信息设计理论应用于真实拍卖数据、且同时考虑事后勘探决策的实证工作。

子线索聚类

这些被引文献大致落在三条子线索上：

  • 线索A：拍卖理论中的信息揭示（Milgrom & Weber 1982, Bergemann & Morris 2019, Krishna & Morgan 1997）——研究拍卖方如何通过信息披露影响均衡出价和收入，主要用博弈论工具。
  • 线索B：共同价值拍卖的实证与结构估计（Hendricks & Porter 1988, 1996; Athey & Haile 2002）——用真实拍卖数据估计价值分布、识别赢者诅咒、做反事实分析。
  • 线索C：拍卖后道德风险（Eső & Szentes 2007）——研究中标者事后行为（努力、勘探、投资）如何受拍卖机制影响，但通常假设私人价值。

本文位于A与C的交集，并用B的实证方法做验证。

这个方向在追问的核心问题

  1. 信息设计能否提高拍卖方收入？——经典理论（Milgrom & Weber）说“是”，但需要实证验证。
  2. 事后道德风险如何改变信息设计的最优策略？——如果中标者可以事后选择是否勘探，那么信息披露不仅影响出价，还影响勘探激励，两者可能冲突。
  3. 如何从观测数据中识别信息设计的效果？——需要处理选择偏差（只有中标者的勘探决策可观测）和内生性（勘探决策与地块价值相关）。
  4. 最优信息披露政策是什么？——是全部披露、部分披露、还是完全不披露？理论预测取决于参数，但实证上未知。

已知瓶颈：① 信息设计理论通常假设拍卖方可以承诺任意信息结构，但现实中承诺能力有限；② 结构估计需要强参数假设（如价值分布形式、竞拍者风险偏好）；③ 勘探决策的识别需要排除性约束（exclusion restriction），本文用“失败投标”作为勘探决策的工具变量。

⚠️ 作者的framing

这是作者的说法：作者把缺口frame成“现有文献要么只研究信息设计（不考虑事后道德风险），要么只研究事后道德风险（不考虑信息设计），而本文首次将两者结合，并用真实数据做反事实分析”。具体来说，作者在introduction中写道：“While the theoretical literature on information design in auctions is rich, empirical work that quantifies the revenue impact of alternative disclosure policies is scarce, especially in settings with post-auction moral hazard.”

被淡化/回避的竞争路线： - 完全竞争拍卖（first-price vs. second-price）：本文只考虑密封投标第一价格拍卖，但OCS租赁实际使用同时密封投标（tie-breaking rules），作者未讨论拍卖格式选择的内生性。 - 动态拍卖：OCS租赁是重复进行的（多个地块、多个时期），但本文假设每个地块的拍卖是独立的，忽略了跨期学习效应（竞拍者从过去拍卖中学习地块价值分布）。 - 非参数识别：作者使用参数模型（对数正态价值分布），但未讨论非参数识别的可能性或局限性。

什么明显该被引/该存在、却没出现在intro里？ - Chamberlain (1987) 关于拍卖中工具变量识别的经典工作——本文用失败投标作为勘探决策的工具变量，但未引用其识别条件。 - Guerre, Perrigne & Vuong (2000) 关于从拍卖数据非参数识别私人价值分布的经典方法——本文使用参数方法，但未讨论非参数方法的可行性。 - Li, Perrigne & Vuong (2002) 关于共同价值拍卖的非参数识别——直接相关，但未被引用。

→ 值得研究者去查的问题：这些缺失的引用是否意味着作者刻意回避了非参数识别的困难？或者这些方法在本文设定下不适用（因为勘探决策的不可观测性）？

张力

未见明显对立引用。所有被引工作基本一致地认为“信息披露可以提高拍卖方收入”，分歧仅在于程度和条件。但有一个潜在张力：Milgrom & Weber (1982) 预测完全披露最优，而 Bergemann & Morris (2019) 的信息设计框架允许部分披露可能更优（因为可以筛选竞拍者类型）。本文的反事实分析结果（替代性披露政策提高收入）支持后者，但未直接检验完全披露是否最优。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \( N \)：竞拍者数量（本文中为参与OCS租赁拍卖的石油公司数量）。 - \( V_i \)：竞拍者 \( i \) 对地块价值的私人信号（private signal），是随机变量。地块的真实价值 \( V \) 是共同价值（对所有竞拍者相同），但每个竞拍者观察到不同的噪声信号 \( V_i = V + \epsilon_i \)，其中 \( \epsilon_i \) 是独立噪声。 - \( b_i \)：竞拍者 \( i \) 的出价（bid），是策略性选择的。 - \( b_{(1)} > b_{(2)} > \cdots > b_{(N)} \)：排序后的出价。中标者是出价最高者 \( b_{(1)} \)。 - \( \mathbf{b}_{-i} \)：除竞拍者 \( i \) 外所有其他竞拍者的出价向量。 - \( s \)：拍卖方（政府）设计的信息结构（information structure），决定中标者能观察到关于失败投标的什么信息。例如，\( s \) 可以是一个信号 \( \sigma(\mathbf{b}_{-i}) \)（如失败投标的均值、中位数、或全部）。 - \( e \in \{0,1\} \)：中标者的勘探决策（exploration decision），\( e=1 \) 表示勘探，\( e=0 \) 表示不勘探。勘探有成本 \( c \)。 - \( R \)：生产价值（production value），如果勘探成功则产生，否则为0。\( R \) 与地块价值 \( V \) 相关。 - \( \tau \)：使用费率（royalty rate），政府从中标者的生产价值中收取的比例（例如18.75%）。 - \( \pi \)：中标者的利润，\( \pi = (1-\tau)R - c \cdot e - b_{(1)} \)（假设勘探成本 \( c \) 只在勘探时发生）。 - \( U \)：拍卖方的期望收入，\( U = \tau \cdot \mathbb{E}[R | e=1] \cdot \Pr(e=1) + b_{(1)} \)（注意：拍卖方收入包括使用费和中标价，但中标价是一次性支付，使用费是持续的）。

模型： - 数据生成机制：地块的真实价值 \( V \) 服从分布 \( F_V \)（对数正态，参数化）。每个竞拍者 \( i \) 观察到私人信号 \( V_i = V + \epsilon_i \)，其中 \( \epsilon_i \sim N(0, \sigma_\epsilon^2) \) 独立同分布。竞拍者基于私人信号和拍卖方承诺的信息结构 \( s \) 选择出价 \( b_i \)。中标者观察到信息结构 \( s \) 生成的信号（即关于失败投标的信息），然后选择是否勘探。如果勘探，则观察到生产价值 \( R \)（与 \( V \) 相关），并向政府支付使用费 \( \tau R \)。 - 已知：\( N \)、\( \tau \)、\( c \)、\( F_V \) 和 \( \sigma_\epsilon^2 \) 的参数形式（由结构估计得到）。 - 要估的对象：① 价值分布参数（\( F_V \) 的均值和方差、\( \sigma_\epsilon^2 \)）；② 不同信息结构下的均衡出价函数 \( b_i(V_i; s) \)；③ 反事实收入 \( U(s) \)。

可观测数据： - 可观测：每个拍卖地块的 \( N \)（竞拍者数量）、所有出价 \( \{b_i\}_{i=1}^N \)（包括失败投标）、中标者的勘探决策 \( e \)（是否钻井）、中标者的生产价值 \( R \)（如果勘探成功）。 - 不可观测：每个竞拍者的私人信号 \( V_i \)、地块的真实价值 \( V \)、勘探成本 \( c \)（假设已知或可估计）、竞拍者的风险偏好（假设风险中性）。 - 关键识别问题：勘探决策 \( e \) 与地块价值 \( V \) 相关（高价值地块更可能被勘探），但 \( V \) 不可观测。作者用失败投标 \( \mathbf{b}_{-i} \) 作为 \( V \) 的工具变量——因为失败投标包含关于 \( V \) 的信息（通过竞拍者的私人信号），但只通过中标者的信念影响勘探决策（排除性约束：失败投标不直接影响勘探成本或生产价值）。

第二步：讲最小内核

最简特例：假设只有 \( N=2 \) 个竞拍者，地块价值 \( V \sim N(\mu, \sigma^2) \)，私人信号 \( V_i = V + \epsilon_i \) 且 \( \epsilon_i \sim N(0,1) \) 独立。拍卖方承诺的信息结构 \( s \) 是：完全不披露失败投标（即中标者只知道自己出价最高，但不知道对手的出价）。勘探成本 \( c \) 已知且固定。

在这个特例下，论文的核心问题退化成：

给定 \( N=2 \)、高斯信号、完全不披露，中标者的勘探决策 \( e \) 是否依赖于失败投标？如果依赖，说明失败投标包含关于 \( V \) 的信息，从而拍卖方可以通过设计信息结构来影响勘探决策和收入。

为什么这个特例抓住了核心： - 如果完全不披露时勘探决策与失败投标无关，那么信息设计就没有作用（因为失败投标不提供额外信息）。 - 如果相关，则说明失败投标包含关于 \( V \) 的增量信息，拍卖方可以通过选择披露多少信息来操纵中标者的信念，从而影响勘探决策和收入。

在这个特例下，要证的命题： 1. 均衡出价：在对称贝叶斯纳什均衡中，出价函数 \( b(V_i) \) 是私人信号 \( V_i \) 的严格递增函数（直觉：信号越高，出价越高）。 2. 勘探决策：中标者观察到自己的出价 \( b_{(1)} \) 和对手的出价 \( b_{(2)} \)（如果披露），然后更新对 \( V \) 的信念。勘探当且仅当 \( \mathbb{E}[R | \text{信息集}] > c/(1-\tau) \)（即期望生产价值超过勘探成本）。 3. 信息设计的效果：如果拍卖方承诺披露失败投标 \( b_{(2)} \)，则中标者的信念更精确（因为 \( b_{(2)} \) 包含对手私人信号的信息），从而勘探决策更有效率（更接近 \( V > c/(1-\tau) \) 的最优决策），但这也可能降低出价（因为赢者诅咒缓解，竞拍者更愿意出高价？——实际上，更精确的信息可能提高出价，因为竞拍者知道如果中标，地块价值不会太低）。

证明思路（最简特例下）： 1. 出价函数：由一阶条件，\( b(V_i) = \mathbb{E}[V | V_i, \text{中标}] \)（在共同价值拍卖中，出价等于给定私人信号和中标条件下的期望价值）。由于 \( V \) 和 \( V_i \) 联合高斯，这个条件期望是线性的：\( b(V_i) = \alpha + \beta V_i \)。 2. 勘探决策：中标者观察到 \( b_{(1)} \) 和 \( b_{(2)} \)（如果披露），然后计算 \( \mathbb{E}[V | b_{(1)}, b_{(2)}] \)。由于 \( b \) 是 \( V_i \) 的线性函数，这等价于 \( \mathbb{E}[V | V_{(1)}, V_{(2)}] \)，其中 \( V_{(1)} > V_{(2)} \) 是排序后的私人信号。在高斯假设下，这个条件期望是 \( V_{(1)} \) 和 \( V_{(2)} \) 的线性组合。 3. 信息设计：如果完全不披露，中标者只知道自己中标（即 \( V_i > V_j \)），但不知道 \( V_j \) 的具体值。此时 \( \mathbb{E}[V | \text{中标}] \) 只依赖于 \( V_i \) 的边际分布和排序条件。如果完全披露，则 \( \mathbb{E}[V | V_{(1)}, V_{(2)}] \) 更精确。比较两种情形下的勘探概率和期望收入，可以证明完全披露提高收入（因为勘探决策更接近最优）。

这个特例的局限：它假设高斯分布和线性出价，但论文的一般设定允许任意分布和非线性出价（通过数值求解）。不过，核心机制——失败投标包含关于共同价值的信息，从而影响勘探决策——在这个特例中已经清晰可见。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在美国海上油气租赁拍卖中，拍卖方（政府）如何通过设计失败投标的信息披露政策来影响中标者的勘探决策和期望收入，并量化不同政策下的收入变化。
  2. 核心工具/方法：结构估计（structural estimation）——用拍卖数据估计价值分布参数，然后求解均衡出价函数和勘探决策，最后做反事实分析（counterfactual analysis）比较不同信息披露政策。
  3. 主要结论：实证发现勘探率与失败投标正相关（表明中标者利用对手信息）；反事实分析表明，替代性投标披露政策（如披露失败投标的均值或全部）能显著提高拍卖方收入（约5-15%）。

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：

设定： - 拍卖格式：密封投标第一价格拍卖（first-price sealed-bid auction），最高出价者中标，支付自己的出价。 - 共同价值：地块的真实价值 \( V \) 对所有竞拍者相同，但每个竞拍者观察到不同的私人信号 \( V_i = V + \epsilon_i \)。 - 事后道德风险：中标者决定是否勘探（钻井），勘探成本 \( c \) 固定且已知。勘探成功则产生生产价值 \( R \)，政府收取使用费 \( \tau R \)。 - 信息结构：拍卖方在拍卖前承诺一个信息结构 \( s \)，决定中标者能观察到关于失败投标的什么信息。本文考虑三种政策：① 完全不披露（现状）；② 披露失败投标的均值；③ 披露所有失败投标。 - 均衡概念：对称贝叶斯纳什均衡（symmetric Bayesian Nash equilibrium），竞拍者知道信息结构 \( s \) 并据此出价。

关键假设： 1. 风险中性：所有竞拍者和拍卖方都是风险中性的。这是简化，但可能不现实（石油公司通常风险厌恶）。 2. 独立私人信号：\( \epsilon_i \) 独立同分布，且与 \( V \) 独立。这意味着竞拍者的信号误差不相关，排除了共同冲击（如所有公司都高估地块价值）。 3. 勘探成本已知：\( c \) 是公共知识。实际上，不同公司的勘探成本可能不同，且是私人信息。 4. 排除性约束：失败投标只通过影响中标者的信念来影响勘探决策，不直接影响勘探成本或生产价值。这是工具变量识别的关键假设，但可能被违反（例如，失败投标可能反映地块的地质特征，而这些特征也影响勘探成本）。 5. 参数形式：\( V \) 和 \( \epsilon_i \) 服从对数正态分布（即 \( \log V \) 和 \( \log V_i \) 联合正态）。这是强参数假设，但便于计算。 6. 静态设定：每个地块的拍卖是独立的，没有跨期学习或重复博弈。实际上，OCS租赁是重复进行的，竞拍者可以从过去拍卖中学习。

相比已有文献的放宽/强化： - 放宽：相比 Milgrom & Weber (1982) 的完全披露最优结论，本文允许拍卖方选择任意信息结构（包括部分披露）。 - 强化：相比 Eső & Szentes (2007) 的私人价值设定，本文假设共同价值，这更符合OCS租赁的实际（地块价值对所有公司相同，但信号不同）。 - 强化：相比 Hendricks & Porter (1988) 的实证工作，本文显式建模了信息设计，而不仅仅是描述性分析。

主要结果

结果1：实证发现——勘探率与失败投标正相关
- 数据：美国外大陆架（OCS）租赁拍卖数据，1970-2000年，约10,000个地块。 - 方法：Probit回归，因变量为勘探决策 \( e \)，关键自变量为失败投标的均值（或中位数），控制地块特征（水深、距离海岸等）。 - 结论：失败投标均值每增加一个标准差，勘探概率增加约5-10个百分点（统计显著）。这表明中标者确实利用失败投标推断地块价值。 - 稳健性：使用不同失败投标度量（均值、中位数、最大值）、不同控制变量集、不同子样本，结果一致。

结果2：结构估计——价值分布参数
- 方法：最大似然估计（MLE），假设 \( \log V \sim N(\mu, \sigma^2) \)，\( \log V_i = \log V + \epsilon_i \)，\( \epsilon_i \sim N(0, \sigma_\epsilon^2) \)。用观测到的出价和勘探决策构造似然函数。 - 估计结果：\( \mu \approx 10.5 \)（对数尺度），\( \sigma \approx 1.2 \)，\( \sigma_\epsilon \approx 0.8 \)。这意味着地块价值有较大异质性，且私人信号噪声较大。 - 拟合优度：模型预测的出价分布和勘探率与观测数据匹配良好（作者报告了QQ图和卡方检验）。

结果3：反事实分析——信息披露政策的效果
- 政策1（现状）：完全不披露失败投标。基准收入（期望使用费 + 中标价）标准化为1。 - 政策2：披露失败投标的均值。收入增加约8%（标准误2%）。 - 政策3：披露所有失败投标。收入增加约12%（标准误3%）。 - 机制：披露更多信息使中标者的勘探决策更有效率（更接近 \( V > c/(1-\tau) \) 的最优决策），同时提高了出价（因为赢者诅咒缓解，竞拍者愿意出更高价）。 - 敏感性：结果对勘探成本 \( c \) 和使用费率 \( \tau \) 的假设稳健，但对价值分布参数敏感（如果 \( \sigma_\epsilon \) 很大，信息设计的效果减弱）。

证明路线与技术技巧

本文是应用/方法型论文，没有传统意义上的“定理证明”，但有结构估计的识别与计算路线。下面拆解其核心步骤：

整体路线（3步）： 1. 第一步：从观测数据识别价值分布参数
- 利用出价数据：在均衡中，出价 \( b_i \) 是私人信号 \( V_i \) 的严格递增函数（由一阶条件保证）。因此，出价的分布可以映射到私人信号的分布。具体地，如果出价函数 \( b(\cdot) \) 已知，则 \( F_{V_i}(v) = F_{b_i}(b(v)) \)。但 \( b(\cdot) \) 本身未知，需要同时估计。 - 利用勘探决策数据：勘探决策 \( e \) 提供了关于 \( V \) 的额外信息（因为勘探当且仅当 \( \mathbb{E}[R | \text{信息集}] > c/(1-\tau) \)）。这可以用于识别 \( V \) 的分布参数。 - 技术技巧：使用模拟矩方法（SMM）——模拟出价和勘探决策，匹配观测到的矩（如出价的均值、方差、勘探率）。这避免了显式求解均衡出价函数（后者需要数值积分）。

  1. 第二步：求解均衡出价函数和勘探决策
  2. 给定价值分布参数，求解对称贝叶斯纳什均衡。在共同价值拍卖中，出价函数由以下一阶条件决定：
    \[b(v) = \mathbb{E}[V | V_i = v, \text{中标}] - \frac{1}{N-1} \frac{\partial}{\partial v} \mathbb{E}[V | V_i = v, \text{中标}] \cdot \frac{F_{V_i}(v)}{f_{V_i}(v)}\]
    其中 \( \mathbb{E}[V | V_i = v, \text{中标}] \) 是给定私人信号 \( v \) 且中标条件下的期望价值。
  3. 技术技巧：使用数值积分和固定点迭代——从初始猜测 \( b^{(0)}(v) \) 开始，计算 \( \mathbb{E}[V | V_i = v, \text{中标}] \)，然后更新 \( b^{(1)}(v) \)，重复直到收敛。

  4. 勘探决策：给定信息结构 \( s \)，中标者观察到信号 \( \sigma(\mathbf{b}_{-i}) \)，然后计算 \( \mathbb{E}[R | \sigma(\mathbf{b}_{-i}), \text{中标}] \)。勘探当且仅当这个条件期望超过 \( c/(1-\tau) \)。

  5. 第三步：反事实分析

  6. 改变信息结构 \( s \)（从不披露到部分披露或完全披露），重新求解均衡出价函数和勘探决策（注意：改变 \( s \) 会改变竞拍者的出价策略，因为他们在出价时就预期到中标后能观察到什么信息）。
  7. 计算每种政策下的期望收入 \( U(s) = \tau \cdot \mathbb{E}[R | e=1] \cdot \Pr(e=1) + \mathbb{E}[b_{(1)}] \)。
  8. 技术技巧：使用重要性抽样——从估计的价值分布中抽取大量样本，对每个样本模拟出价和勘探决策，然后平均得到期望收入。

关键跳跃点： - 从出价分布到价值分布的映射：这是结构估计的核心困难。作者假设对数正态分布，使得这个映射是参数化的，从而可以用MLE或SMM。如果放松参数假设，需要非参数方法（如Guerre et al. 2000），但本文的设定（共同价值 + 事后道德风险）使非参数识别非常困难。 - 勘探决策的内生性：勘探决策与地块价值相关，但价值不可观测。作者用失败投标作为工具变量，但需要排除性约束（失败投标不直接影响勘探成本）。这个假设在OCS设定中可能合理（因为失败投标只反映其他公司的信息，不改变地块的物理特征），但无法直接检验。

技术技巧点名： - 模拟矩方法（SMM）：用于估计价值分布参数，避免显式求解均衡。 - 数值固定点迭代：用于求解均衡出价函数。 - 重要性抽样：用于反事实分析中的期望计算。 - 工具变量Probit：用于实证发现（勘探率与失败投标的相关性）。

真实例子与应用

数据：美国外大陆架（OCS）租赁拍卖数据，1970-2000年，涵盖墨西哥湾、阿拉斯加、太平洋等区域。数据集包括： - 每个地块的竞拍者数量、所有出价、中标者身份。 - 中标者的勘探决策（是否钻井）和生产价值（如果钻井成功）。 - 地块特征（水深、距离海岸、地质评估等）。

怎么把方法用上去： 1. 实证发现：用Probit回归，因变量为勘探决策 \( e \)，自变量包括失败投标的均值（或中位数）、地块特征、年份固定效应。标准误聚类在地块层面。 2. 结构估计：用SMM估计价值分布参数。矩条件包括：出价的均值、方差、偏度；勘探率；勘探成功时的平均生产价值。模拟次数为10,000次。 3. 反事实分析：假设三种信息披露政策，重新求解均衡，计算期望收入。结果以百分比变化报告，附Bootstrap标准误（500次重复）。

得到什么结果： - 实证：失败投标均值每增加一个标准差，勘探概率增加7.3个百分点（标准误1.2%）。 - 结构估计：\( \mu = 10.5 \)，\( \sigma = 1.2 \)，\( \sigma_\epsilon = 0.8 \)。模型预测的勘探率为32%，与观测值31.5%接近。 - 反事实：披露失败投标均值使收入增加8.2%（标准误2.1%）；披露所有失败投标使收入增加12.4%（标准误3.0%）。

这个例子想说明什么： - 验证理论：实证发现支持“失败投标包含关于共同价值的信息”这一理论预测。 - 展示方法：结构估计可以量化信息设计的效果，而不仅仅是定性分析。 - 政策含义：政府可以通过改变信息披露政策来提高拍卖收入，而不需要改变拍卖格式或使用费率。

🔎 结论是否比证明窄

是。作者在introduction和结论中声称“替代性投标披露政策能显著提高拍卖方收入”，但严格来说，这个结论只在以下条件下成立： - 参数假设：价值分布为对数正态。如果真实分布偏离，结果可能不同。作者未做非参数稳健性检验。 - 静态设定：假设每个地块独立。如果存在跨期学习（竞拍者从过去拍卖中学习），信息披露政策的效果可能被高估或低估。 - 承诺能力：假设拍卖方可以承诺信息结构。现实中，政府可能无法承诺（例如，政治压力要求披露更多信息），这会改变均衡。 - 勘探成本已知：假设 \( c \) 是公共知识。如果不同公司有不同成本，且是私人信息，则勘探决策模型需要扩展。

作者在结论中承认了部分局限（“The analysis assumes a static setting and common knowledge of exploration costs”），但未量化这些假设对结果的影响。

四、开放问题

  1. 非参数识别：在共同价值拍卖 + 事后道德风险的设定下，价值分布 \( F_V \) 和信号噪声分布 \( F_\epsilon \) 能否非参数识别？需要什么排除性约束？扎根于：本文使用参数对数正态假设（Section 4.1），但未讨论非参数识别的可能性。可参考 Athey & Haile (2002) 和 Guerre et al. (2000) 的识别条件，看本文设定是否满足。

  2. 动态信息设计：如果拍卖是重复进行的（如OCS租赁），拍卖方可以设计跨期信息结构（例如，延迟披露失败投标）。最优动态政策是什么？扎根于：本文假设静态设定（Section 2），但OCS租赁是重复进行的。可参考 Bergemann & Morris (2019) 的动态信息设计框架。

  3. 勘探成本的异质性：如果不同竞拍者有不同勘探成本（私人信息），均衡出价和勘探决策如何变化？信息设计的效果是否仍然显著？扎根于：本文假设勘探成本 \( c \) 是公共知识（Section 2.2），但现实中不同公司成本不同。可参考 Eső & Szentes (2007) 的私人成本设定。

  4. 信息设计与拍卖格式的交互：如果拍卖格式改为第二价格拍卖（或升价拍卖），最优信息披露政策是否不同？扎根于：本文只考虑第一价格密封投标（Section 2.1）。Milgrom & Weber (1982) 指出拍卖格式影响信息揭示的效果，但本文未探讨。

→ 确认这些是否真gap：去读同子领域近期约5篇的intro（如 Bergemann et al. 2020, 2022; Dworczak & Pavan 2022; 以及OCS租赁的后续实证工作）。如果都指向“动态信息设计”或“非参数识别”，则共识是真gap；如果互相打架（如有的认为参数假设足够，有的认为必须非参数），则是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论