گزینه‌های احتمالی نوبل اقتصاد
هر سال، گمانه‌زنی درباره برنده نوبل اقتصاد بهانه‌ای برای بازخوانی مهم‌ترین تحولات این علم است. امسال نگاه‌ها متوجه سه پژوهشگر است؛ استیون بری، جری هاسمن و آریل پیکس. آنها با ابزارهای تحلیلی که توسعه داده‌اند، درک اقتصاددانان را از رقابت و انتخاب مصرف‌کننده در بازارهای پیچیده تغییر داده‌اند و مجموعه پژوهش‌هایشان موجب شکل‌گیری یک چارچوب منسجم برای تحلیل بازارها شده است.
پیش‌بینی برنده جایزه نوبل اقتصاد، بیش از یک گمانه‌زنی، فرصتی برای ارزیابی تحولات این علم است. برای دهه‌ها، درک رقابت و انتخاب مصرف‌کننده در بازارهای پیچیده، یکی از چالش‌های اصلی در حوزه سازمان‌دهی صنعتی بود. پاسخ به این مساله نیازمند ابزارهای تحلیلی جدیدی بود که بتواند تنوع محصولات و ناهمگونی سلایق را مدل‌سازی کند. پژوهش‌های سه اقتصاددان در این زمینه نقشی اساسی داشته و آنها را به عنوان نامزدهای احتمالی نوبل اقتصاد در سال 2025 مطرح کرده است. استیون بری، جری هاسمن و آریل پیکس.
مشارکت علمی این سه نفر، یک مجموعه تحلیلی یکپارچه را تشکیل می‌دهد. هاسمن مبانی اقتصادسنجی را فراهم آورد و بری و پیکس بر آن اساس، چارچوب‌هایی برای تحلیل رفتار شرکت‌ها و تقاضای مصرف‌کننده توسعه دادند. در این یادداشت، کار هر یک از این سه پژوهشگر را بررسی خواهیم کرد. این مطلب گرچه به موضوعات فنی می‌پردازد، اما با تمرکز بر منطق اصلی ایده‌ها نوشته شده تا برای طیف وسیعی از خوانندگان قابل درک باشد.
آریل پیکس
در میان این سه نام، سهم آریل پیکس محوری‌تر به نظر می‌رسد. به ندرت پیش می‌آید که یک پژوهشگر با یک مقاله مسیر یک حوزه تحقیقاتی را تغییر دهد، اما پیکس این کار را سه بار انجام داده است. مقاله مشترک او با بری و لوینسون در سال 1995، امروز به عنوان متن بنیادین در تخمین منحنی‌های تقاضا شناخته می‌شود. مقاله مشترکش با اولی در سال 1996، روش تخمین توابع تولید را دگرگون کرد و مقاله دیگری که با اریکسون در سال 1994 نوشت، سنگ بنای تحلیل بازی‌های پویا در اقتصاد شد. برای درک عمق تاثیر او، کار را با مقاله «اولی - پیکس» آغاز می‌کنیم که با روشی نوآورانه، پیامدهای شکست انحصار شرکت مخابراتی AT&T بر بهره‌وری اقتصاد را تحلیل کرد.
شرکت‌ها برای تولید محصول، نهاده‌های گوناگونی مانند سرمایه، نیروی کار و مواد اولیه را با هم ترکیب می‌کنند. رابطه‌ای که چگونگی این ترکیب را توضیح می‌دهد، تابع تولید نام دارد. در ساده‌ترین شکل، می‌توان محصول نهایی یا ستانده را تابعی از نهاده‌های ثابت مانند کارخانه و ماشین‌آلات (سرمایه) و نهاده‌های متغیر مانند نیروی کار دانست. به زبان ریاضی، ستانده (Y) تابعی از سرمایه (K) و نیروی کار (L) است.
زمانی که تولید یک شرکت افزایش می‌یابد، دلیل آن یا استفاده از نهاده‌های بیشتر است یا استفاده بهینه‌تر از همان نهاده‌های قبلی. برای تفکیک این دو عامل، باید تابع تولید را به درستی تخمین بزنیم. در نگاه اول، به نظر می‌رسد با یک تحلیل آماری ساده و بررسی رابطه میان افزایش سرمایه و نیروی کار با میزان تولید، می‌توان به نتیجه رسید.
اما در دنیای واقعی، یک مشکل این تحلیل ساده را به کلی بی‌اعتبار می‌کند. شرکت‌ها از نظر بهره‌وری با یکدیگر متفاوت هستند. این بهره‌وری برای مدیران شرکت‌ها آشکار است اما برای تحلیلگر اقتصادی که از بیرون به ماجرا نگاه می‌کند، یک عامل نادیده باقی می‌ماند. شرکت‌های بهره‌ورتر، به طور طبیعی تمایل بیشتری به سرمایه‌گذاری دارند.
این واقعیت باعث می‌شود که در تحلیل‌های آماری، نقش سرمایه‌گذاری در افزایش تولید، بیش از حد واقعی برآورد شود. از سوی دیگر شرکت‌هایی که در گذشته سرمایه‌گذاری سنگینی کرده‌اند، حتی با یک شوک منفی بهره‌وری، به دلیل هزینه‌های هنگفت و غیرقابل بازگشت، دیرتر از بازار خارج می‌شوند. این پدیده که در آمار نوعی سوگیری بقا ایجاد می‌کند، باعث می‌شود شرکت‌های کم‌بازده اما با سرمایه بالا، به شکلی مصنوعی در نمونه آماری باقی بمانند. در نتیجه، این سوگیری دوم نقش واقعی سرمایه را کمتر از حد برآورد می‌کند. این دو سوگیری نه تنها یکدیگر را خنثی نمی‌کنند، بلکه تحلیل را به مسیری کاملا اشتباه می‌کشانند. مقاله «اولی - پیکس» ابزار حل این مشکل را فراهم کرد.
راه‌حل «اولی» و «پیکس» اینجا بود که متوجه شدند می‌توان از یک تصمیم مشهود یعنی میزان سرمایه‌گذاری، به عنوان سرنخی برای کشف آن بهره‌وری پنهان استفاده کرد. منطق آنها این بود که میزان سرمایه‌گذاری یک شرکت، تابعی مستقیم از شوک بهره‌وری آن است. شرکتی که بهره‌وری بالاتری را تجربه می‌کند، بیشتر سرمایه‌گذاری می‌کند. بنابراین، با معکوس کردن این رابطه، می‌توان از داده‌های سرمایه‌گذاری که قابل مشاهده هستند، به میزان بهره‌وری پنهان شرکت‌ها پی برد. پس از کشف این عامل پنهان، باقی اجزای تابع تولید با دقت بسیار بیشتری قابل تخمین خواهند بود.
این ابزار جدید به آنها اجازه داد تا داستان شکستن انحصار شرکت AT&T را با دقت خیلی خوبی روایت کنند. آنها دریافتند پس از آنکه این شرکت دیگر نتوانست مانع ورود رقبای جدید به بازار شود، بهره‌وری در کل صنعت مخابرات به شکل چشم‌گیری افزایش یافت. اما نکته کلیدی تحلیل آنها، شکافتن علت این رشد بود. افزایش بهره‌وری کل یک صنعت می‌تواند دو منشأ داشته باشد، یا شرکت‌های موجود کارآمدتر شده‌اند، یا سهم بازار از شرکت‌های ناکارآمد به سمت شرکت‌های کارآمد جابه‌جا شده است.
تحلیل اولی و پیکس نشان داد که شکست انحصار AT&T تغییر بزرگی در میانگین بهره‌وری خود شرکت‌ها ایجاد نکرد، بلکه به شکل معناداری باعث تخصیص مجدد کسب‌وکار از بازیگران ضعیف به بازیگران قوی و مولد شد. این یافته، درک اقتصاددانان از نقش رقابت را متحول کرد.
چارچوب تحلیلی «اولی - پیکس» به سرعت به یکی از ابزارهای استاندارد در اقتصاد تجربی تبدیل شد و راه را برای پژوهش‌های بعدی هموار کرد. اگرچه این روش در سال‌های بعد با مقالاتی مانند «لوینسون - پترین» و «آکربرگ - کیوز - فریزر» بهبود یافت، اما این پژوهش‌ها همگی تکمیل‌کننده همان ایده اصلی بودند. تا به امروز، بیش از ده هزار بار در مقالات علمی به این چارچوب ارجاع داده شده است که نشان از عمق تاثیر آن دارد.
یکی از مهم‌ترین کاربردهای این روش، اندازه‌گیری قدرت قیمت‌گذاری شرکت‌ها یا همان سود مازاد بر هزینه نهایی است. این شاخص به ما می‌گوید که یک شرکت تا چه اندازه می‌تواند قیمت محصولاتش را بالاتر از هزینه‌های تولید خود تعیین کند. به بیان ساده، اگر شرکتی با افزایش ده درصدی هزینه‌های متغیر خود مانند نیروی کار، بتواند ارزش تولیدش را پانزده درصد افزایش دهد، این به معنای آن است که قیمت فروش محصولش 50 درصد بالاتر از هزینه نهایی تولید آن است. این ابزار به اقتصاددانان اجازه می‌دهد تا میزان رقابت و تخصیص منابع در یک صنعت را با دقت خوبی ارزیابی کنند.
کار بزرگ دیگر پیکس که برای آن مدال فریش (معتبرترین جایزه‌ای که هر دو سال توسط مجله اکونومتریکا داده می‌شود) را دریافت کرد، به تحلیل اقتصادی «پتنت‌ها» یا حق ثبت اختراع می‌پردازد. ادارات ثبت اختراع با یک چالش همیشگی روبه‌رو هستند و آن جلوگیری از ثبت پتنت‌های بی‌اساسی است که صاحبانشان قصد جدی برای توسعه آنها ندارند. یکی از راهکارها، دریافت هزینه تمدید سالانه است. این هزینه، دارندگان پتنت را بر سر یک دوراهی قرار می‌دهد، چه زمانی دیگر تمدید کردن آن به صرفه نیست؟
مدل پیکس، پتنت را نه یک دارایی ثابت، بلکه یک اختیار معامله می‌بیند. دارنده پتنت هر سال با انجام آزمایش و تحقیق، ممکن است به اطلاعات جدیدی دست یابد. شاید بفهمد که اختراعش هرگز سودآور نخواهد بود، یا شاید راهی برای افزایش چشم‌گیر بازدهی آن در آینده پیدا کند. همین امید به یک جهش ارزشمند در آینده باعث می‌شود که او حتی اگر بازدهی فعلی پتنت کمتر از هزینه تمدید باشد، باز هم آن را حفظ کند، درست مانند سرمایه‌گذاری که برای حفظ یک اختیار خرید، مبلغی می‌پردازد.
روش آماری که پیکس برای حل این مساله و استخراج ارزش واقعی پتنت‌ها به کار می‌گیرد، از پیچیدگی محاسباتی زیادی برخوردار است. نتایج این تحلیل نشان داد که ارزش پتنت‌ها به شدت نامتقارن است، یعنی تعداد بسیار کمی از آنها ارزشی نجومی دارند، درحالی‌که اکثریت قریب به اتفاق بی‌ارزش هستند. اما زیبایی کار پیکس بیش از آنکه در نتایج باشد، در روش‌شناسی او برای حل مساله با وجود محدودیت داده‌ها نهفته است. این روش‌ها امروزه به طور گسترده در شرکت‌های بزرگ و نهادهای نظارتی مانند کمیسیون تجارت فدرال آمریکا استفاده می‌شوند.
اقتصاددانان برای تحلیل تصمیمات استراتژیک شرکت‌ها از نظریه بازی استفاده می‌کنند. حل این بازی‌ها زمانی که شرایط ثابت است، کار ساده‌ای است. اما در دنیای واقعی، تصمیمات یک شرکت، مانند سرمایه‌گذاری یا خروج از بازار، شرایط را برای دیگران تغییر می‌دهد و تحلیل را بی‌نهایت پیچیده می‌کند.
پیکس به همراه ریچارد اریکسون، مدلی را برای تحلیل همین بازی‌های پویا طراحی کرد. در این مدل، ورود و خروج یک شرکت مستقیما تحت تاثیر تصمیمات دیگر شرکت‌ها قرار دارد. برای آنکه این مدل در عمل قابل حل باشد، فرض می‌شود شرکت‌های با ویژگی‌های یکسان، رفتار یکسانی دارند. این ساده‌سازی به ظاهر کوچک، راه را برای تحلیل واقعی رقابت در صنایع مختلف باز کرد.
اهمیت این مدل زمانی مشهود می‌شود که بخواهیم اثرات سیاستگذاری‌های دولتی را بررسی کنیم. برای مثال، صنعت سیمان یکی از بزرگ‌ترین منابع انتشار کربن در جهان است. به همین دلیل، دولت آمریکا در سال 1990 قوانینی را برای کنترل آلایندگی این کارخانه‌ها وضع کرد که دریافت مجوزهای جدید را بسیار پرهزینه (حدود 5میلیون دلار) می‌کرد.
در نگاه اول، این قانون یک هزینه سنگین برای تولیدکنندگان سیمان به نظر می‌رسد. اما تحلیلی که با استفاده از مدل پویا انجام شد، نشان داد که این مقررات، در عمل به جای کاهش سود تولیدکنندگان، سود آنها را افزایش می‌دهد، زیرا با ایجاد یک مانع بزرگ مالی، از ورود رقبای جدید به بازار جلوگیری می‌کند و امنیت حاشیه سود شرکت‌های موجود را تضمین می‌کند. بدون در نظر گرفتن این پویایی‌های رقابتی، نه تنها هزینه‌ها را برای مصرف‌کننده دست‌کم می‌گیریم، بلکه ماهیت اثر آن بر شرکت‌ها را نیز معکوس می‌فهمیم. این دست از تحلیل‌ها، میراث ماندگار آریل پیکس در علم اقتصاد است.
استیون بری
درحالی‌که بسیاری از تحلیل‌های اقتصادی بر سمت عرضه بازار تمرکز داشتند، استیون بری با تمرکز بر سمت تقاضا، تحولی در این حوزه ایجاد کرد. همه ما با منحنی ساده عرضه و تقاضا در کتاب‌های درسی آشنا هستیم. اما درک درست شکل و شیب این منحنی‌ها در دنیای واقعی، برای پاسخ به پرسش‌های اساسی از اثرات یک مالیات جدید گرفته تا میزان قدرت انحصاری شرکت‌ها، حیاتی است. دنیای واقعی، برخلاف مدل‌های ساده، پر از کالاهای متنوع با ویژگی‌های گوناگون و مصرف‌کنندگانی با سلایق ناهمگون است.
کار بری، ارائه چارچوبی بود که این پیچیدگی را به زبانی قابل فهم برای تحلیل آماری ترجمه می‌کرد. این چارچوب که به مدل «بری - لوینسون - پیکس» (BLP) مشهور است، آنچنان نوآورانه بود که فهم آن از طریق مقاله اصلی تقریبا غیرممکن است و بهترین راه برای درک آن، مراجعه به متون آموزشی است که بعدها برای توضیح آن نوشته شد.
ایده اصلی در مدل BLP این است که محصولات، صرفا کالا نیستند، بلکه مجموعه‌ای از ویژگی‌ها هستند. یک خودرو تنها یک خودرو نیست، بلکه ترکیبی از قدرت موتور، مصرف سوخت، فضای داخلی و ایمنی است. این نگاه به ما اجازه می‌دهد تا بفهمیم مصرف‌کنندگان چگونه کالاها را با یکدیگر مقایسه و جایگزین می‌کنند و به ورود یک محصول جدید به بازار چه واکنشی نشان می‌دهند. این مدل همچنین فرض می‌کند که سلیقه افراد برای هر یک از این ویژگی‌ها متفاوت است و این تفاوت‌ها حول یک میانگین قابل اندازه‌گیری، توزیع شده‌اند.
برای تخمین تقاضا، یک راه‌حل ابتدایی استفاده از «متغیرهای ابزاری» است، یعنی عواملی که بر عرضه اثر می‌گذارند اما بر تقاضا بی‌تاثیرند. برای مثال، میزان بارندگی بر عرضه ذرت موثر است اما بر تمایل مردم به خرید آن اثری ندارد. با استفاده از چنین متغیری می‌توان منحنی تقاضا را ترسیم کرد. اما این رویکرد در بازارهای پیچیده با محصولات متنوع با یک مانع محاسباتی غیرقابل عبور مواجه می‌شود. در بازاری با ده‌ها محصول، که تقاضای هر یک به قیمت و ویژگی‌های تمام محصولات دیگر وابسته است، تعداد متغیرهای ابزاری مورد نیاز به توان دو افزایش می‌یابد و عملا تحلیل را ناممکن می‌سازد.
بری و همکارانش برای حل این مشکل، از یک مدل انتخاب گسسته استفاده کردند. در این مدل، هر مصرف‌کننده در هر لحظه تنها یک گزینه را از میان تمام گزینه‌های ممکن انتخاب می‌کند، که این گزینه‌ها شامل خرید نکردن نیز می‌شود. مطلوبیت هر فرد از انتخاب یک کالا، به ویژگی‌های آن محصول، قیمتش و البته سلیقه خاص خود او بستگی دارد که این سلیقه برای تحلیلگر اقتصادی، یک عامل تصادفی و نادیده است.
این چارچوب همچنان به متغیرهای ابزاری نیاز دارد، اما راه را برای استفاده از ابزارهای بهتر باز می‌کند. برای مثال، می‌توان از ویژگی‌های محصولات رقیب، تغییرات در هزینه‌های مواد اولیه، یا حتی قیمت همان کالا در یک بازار یا شهر دیگر به عنوان ابزار آماری استفاده کرد.
حل کردن این مدل به هیچ وجه کار ساده‌ای نیست و نیازمند الگوریتم‌های محاسباتی بسیار پیچیده‌ای است. در اینجا نوعی تقسیم کار میان غول‌های این حوزه شکل گرفت. بری در سال 1994 طرح کلی روش را ارائه داد و سپس آریل پیکس راه را برای تخمین عملی آن هموار کرد. این مدل آنقدر انعطاف‌پذیر است که از آن برای تحلیل همه چیز، از نقشه انتخاباتی و تاثیر آن بر پیروزی احزاب سیاسی گرفته تا تخمین قدرت بازار کار با بررسی انتخاب‌های شغلی کارگران، استفاده شده است.
رویکرد ساختاری بری، پارادایم قدیمی‌تری به نام «ساختار - رفتار - عملکرد» (SCP) را که دهه‌ها بر سازمان‌دهی صنعتی حاکم بود، به طور کامل منسوخ کرد. پارادایم SCP تلاش می‌کرد با یک تحلیل آماری ساده، میان تمرکز بازار (تعداد شرکت‌ها) و عملکرد (مانند قیمت‌ها یا سود) یک رابطه علی پیدا کند.
اما این رویکرد مشکلاتی داشت. اول آنکه بسیاری از متغیرهای کلیدی مانند سود مازاد شرکت‌ها در داده‌های واقعی قابل مشاهده نیستند. دوم آنکه تعریف صنعت و بازار اغلب امری سلیقه‌ای و بی‌معناست. و مهم‌تر از همه، حتی اگر همبستگی میان تمرکز و قیمت‌ها مشاهده شود، نمی‌توان فهمید علت آن چیست. یک همبستگی می‌تواند ناشی از عوامل پنهان متعددی باشد و سیاستگذاری بر اساس آن، مانند شلیک در تاریکی است. مدل بری به اقتصاددانان اجازه داد تا به جای تمرکز به همبستگی‌های ظاهری عوامل اصلی شکل‌دهنده تقاضا و رقابت در بازار را به طور مستقیم مدل‌سازی کنند.
دامنه کارهای بری به تخمین تقاضا محدود نمی‌شود. او در مقاله‌ای جذاب به همراه جوئل والدفوگل، به این پرسش پرداخت که آیا ادغام شرکت‌ها و افزایش تمرکز بازار، به کاهش تنوع محصول منجر می‌شود؟ پاسخ شهودی ما احتمالا مثبت است، اما واقعیت می‌تواند پیچیده‌تر باشد.
فرض کنید در یک شهر چند ایستگاه رادیویی با مالکان متفاوت وجود دارد. هر ایستگاه برای جذب مخاطب بیشتر، سعی می‌کند برنامه‌هایش را از رقبای خود متمایز کند. حال تصور کنید یک شرکت تمام این ایستگاه‌ها را خریداری کند. این شرکت دیگر نگران ربوده شدن مخاطبانش توسط رقبا نیست، بلکه نگران است که برنامه‌های ایستگاه‌های خودش، مخاطبان یکدیگر را جذب کنند. در چنین شرایطی، ممکن است مالک جدید تصمیم بگیرد برای پوشش دادن سلایق متنوع‌تر، برنامه‌های ایستگاه‌های خود را کاملا از یکدیگر متمایز کند و در نتیجه، تنوع کلی برنامه‌ها در آن شهر افزایش یابد.
بری و والدفوگل با استفاده از داده‌های صنعت رادیوی آمریکا و یک تغییر قانونی در سال 1996 که ادغام شرکت‌ها را تسهیل می‌کرد، این نظریه را آزمودند. نتایجش قابل‌توجه بود. ادغام‌ها تمرکز بازار را افزایش دادند، اما برخلاف تصور عمومی، باعث کاهش تنوع برنامه‌ها نشدند. این نمونه به خوبی نشان می‌دهد که چگونه تحلیل عمیق اقتصادی می‌تواند نتایجی خلاف شهود اولیه به دست دهد و به درک عمیق‌تری از سازوکار بازارها منجر شود.
جری هاسمن
اگر بری و پیکس را سازندگان تحلیل‌های مدرن در سازمان‌دهی صنعتی بدانیم، جری هاسمن آن کسی است که ابزارها و پایه‌های کار آنان را فراهم آورد. دامنه پژوهش‌های هاسمن بسیار گسترده است، از تخمین ارزش اقتصادی ستاره‌های بسکتبال گرفته تا روش‌های صحیح ارزش‌گذاری کالاهای جدید و طراحی آزمون‌های آماری که امروز به نام خود او شناخته می‌شوند. او یک نظریه‌پرداز محض نبود و کارهایش همواره از چالش واقعی و تجربی بیرون می‌آمد.
به نظر می‌رسد به شکلی که در هر گوشه‌ای از اقتصاد کاربردی، مقاله‌ای از هاسمن به چشم می‌خورد. مهم‌ترین بخش کار او که مستقیما به پژوهش‌های بری و پیکس مرتبط است، در زمینه ارزش‌گذاری کالاهای جدید و تاثیر آن بر شاخص‌های قیمت است. در واقع، چارچوب تحلیلی «بری - لوینسون - پیکس» توسعه‌ای بر مدلی است که‌هاسمن و وایز در سال 1978 معرفی کرده بودند.
یک شاخص قیمت مانند «شاخص قیمت مصرف‌کننده» (CPI) صرفا میانگین قیمت کالاها را اندازه نمی‌گیرد، بلکه باید وزن هر کالا را بر اساس میزان خرید مردم در نظر بگیرد. اما این کار با یک پیچیدگی بزرگ روبه‌رو است، سبد خرید مردم ثابت نیست. محصولات جدید وارد بازار می‌شوند و محصولات قدیمی از رده خارج می‌گردند. بنابراین، ما باید هزینه خرید سبدی از کالاها را در طول زمان اندازه بگیریم که سطح مشخص و ثابتی از مطلوبیت یا رضایت را برای مصرف‌کننده فراهم کند.
هاسمن سال‌ها تلاش کرد تا «اداره آمار کار آمریکا» (BLS) را متقاعد کند که روش آنها برای محاسبه ورود کالاهای جدید، تصویر نادرستی از تورم ارائه می‌دهد. مشکل این است که افزایش کیفیت یک محصول، اگر به درستی در محاسبات لحاظ نشود، باعث می‌شود ما تورم را بیشتر از مقدار واقعی آن برآورد کنیم. برای مثال، زمانی که فروشگاه‌های زنجیره‌ای وارد یک بازار جدید می‌شدند، اداره آمار فرض می‌کرد که کالاهای آنها پس از تعدیل کیفی، هم‌قیمت فروشگاه‌های قبلی است. این فرض آشکارا نادرست بود و باعث می‌شد تاثیر مثبت آن در کاهش قیمت‌ها و افزایش رفاه مصرف‌کننده، در آمار تورم نادیده گرفته شود.
هاسمن در پژوهشی که به دلیل موضوعش به «مقاله سیب و دارچین» معروف شد، روشی برای تخمین منافع رفاهی حاصل از ورود یک محصول جدید ارائه داد. منطق نظری این کار این است که برای هر کالای جدید، می‌توان قیمتی را تصور کرد که آنقدر بالا باشد که هیچ‌کس حاضر به خرید آن نباشد. معرفی یک محصول جدید، در واقع معادل کاهش قیمت از آن سطح خیالی به سطح قیمت واقعی در بازار است و سود مصرف‌کننده از این اتفاق، برابر با مساحت زیر منحنی تقاضا خواهد بود. اما همان‌طور که پیش‌تر اشاره شد، در بازاری با رقابت انحصاری، ورود یک برند جدید می‌تواند پیچیده باشد.
این کار ممکن است به شرکت‌های دیگر اجازه دهد قیمت سایر محصولات خود را بالا ببرند و در نهایت رفاه مصرف‌کننده کاهش یابد. هاسمن با یک مدل پیچیده و با استفاده از داده‌های مربوط به کمپین‌های تبلیغاتی، تخمین زد که معرفی غلات صبحانه با طعم سیب و دارچین، سالانه 66میلیون دلار به مازاد مصرف‌کننده در آمریکا اضافه کرده است.
شاید پراستنادترین و مشهورترین کار هاسمن، طراحی یک آزمون آماری به نام «آزمون هاسمن» باشد. این آزمون برای حل یک مشکل رایج در تحلیل‌های آماری طراحی شده است. فرض کنید می‌خواهیم تاثیر تحصیلات بر درآمد را اندازه بگیریم. در داده‌های ما، متغیرهای نادیده‌ای مانند توانایی ذاتی افراد وجود دارد که هم بر میزان تحصیلات و هم بر درآمد آنها موثر است. چگونه می‌توانیم با این متغیرهای پنهان برخورد کنیم؟
دو رویکرد اصلی وجود دارد. رویکرد «اثرات ثابت» هر فرد را تنها با گذشته خودش مقایسه می‌کند. در این روش، ما تغییر درآمد یک شخص را در طول زمان بررسی می‌کنیم و چون توانایی ذاتی او ثابت است، اثر آن حذف می‌شود. این روش دقیق است اما بخش بزرگی از داده‌ها را نادیده می‌گیرد. رویکرد دوم «اثرات تصادفی» است که افراد را با یکدیگر نیز مقایسه می‌کند و قدرت آماری بیشتری دارد، اما این کار به یک فرض کلیدی وابسته است، اینکه تحصیلات با توانایی ذاتی افراد همبستگی نداشته باشد.
این فرض به وضوح نادرست است. آزمون هاسمن به عنوان یک ابزار تشخیصی عمل می‌کند و به پژوهشگر می‌گوید که آیا نتایج این دو روش با هم تفاوت معناداری دارند یا خیر. اگر تفاوت وجود داشته باشد، به این معناست که فرض کلیدی رویکرد دوم برقرار نیست و باید از روش مطمئن‌تر «اثرات ثابت» استفاده کرد.
او همچنین روش‌هایی برای مقابله با یک مشکل دیگر در مطالعات طولانی‌مدت ارائه داد و آن «ریزش نمونه» است. در بسیاری از پژوهش‌ها، برخی از شرکت‌کنندگان در میانه راه مطالعه را ترک می‌کنند. این ریزش معمولا تصادفی نیست و می‌تواند نتایج را به شدت مخدوش کند. هاسمن روش‌هایی را برای مدل‌سازی تصمیم افراد برای خروج از مطالعه و تصحیح آماری نتایج بر اساس آن، ابداع کرد.
دامنه کاربرد روش‌های هاسمن بسیار وسیع است. او در یکی از کارهای کلاسیک خود، به سراغ بازار دستگاه‌های تهویه مطبوع رفت تا نرخ تنزیل یا میزان کوتاه‌بینی مردم در تصمیمات اقتصادی را اندازه بگیرد. مصرف‌کنندگان اغلب با یک انتخاب روبه‌رو هستند، خرید کالای گران‌تری که در طول زمان هزینه‌های مصرفی کمتری دارد، یا کالای ارزان‌تری که هزینه‌های آتی آن بیشتر است.
هاسمن با تحلیل انتخاب مردم میان دستگاه‌های کم‌مصرف اما گران‌تر و دستگاه‌های پرمصرف اما ارزان‌تر، تخمین زد که مصرف‌کنندگان، مصرف آینده را با نرخ بسیار بالای 20 درصد در سال تنزیل می‌کنند. این رقم بزرگ نشان می‌دهد که مردم در تصمیمات خود به شدت به حال و آینده نزدیک توجه دارند و این کوتاه‌بینی می‌تواند دلیلی برای توجیه سیاست‌هایی مانند وضع استانداردهای اجباری برای بهره‌وری انرژی باشد.
در یکی دیگر از کارهایش، او و همکارش ارزش اقتصادی حضور مایکل جردن را برای لیگ بسکتبال NBA تخمین زدند. نتایج نشان داد که حضور او، تنها از طریق افزایش بینندگان تلویزیونی و فروش کالا، سالانه 53میلیون دلار برای تیم‌های دیگر لیگ (غیر از تیم خودش) درآمد ایجاد کرده است. اینها تنها نمونه‌ای کوچک از قدرت ابزارهایی است که جری هاسمن برای علم اقتصاد به میراث گذاشت.