Non-Stationary Search and Assortative Matching

本文研究非平稳搜索与匹配模型中的正向同类匹配（PAM）问题。在非平稳环境中，搜索池中的代理人数量与特征随时间内生演化，匹配前景可能恶化，使得稳态下保证 PAM 的标准条件（对数超模性或超模性）不再充分。本文的核心贡献是推导出非平稳环境中 PAM 成立的最弱充分条件：除了满足稳态充分条件外，支付函数还需满足"差分的对数超模性"（log supermodularity in differences），即在 Arrow-Pratt 意义上，更具吸引力的个体必须具有更低的风险厌恶程度。这一条件的经济直觉是：在非平稳环境中，代理人面临匹配前景恶化的"下行风险"和匹配到更优伙伴的"上行风险"，而差分的对数超模性确保了高类型代理人相对于低类型代理人从匹配高类型中获益更多、从匹配低类型中损失更少。本文通过"模仿论证"（mimicking argument）——一种显示偏好方法——克服了非平稳值函数的解析不可解性，统一并推广了 Smith（2006）和 Morgan（1995）的稳态排序结果。文章还证明了这些条件的弱充分性（即必要性）：若局部违反任一条件，则存在使 PAM 失效的环境。此外，结果被推广到显性搜索成本、非平稳个体特征（如年龄）和总体不确定性等情境。