揭示投票交易的解剖

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Revealing the Anatomy of Vote Trading》
---
作者：
Omar A. Guerrero and Ulrich Matter
---
最新提交年份：
2016
---
英文摘要：
  Cooperation in the form of vote trading, also known as logrolling, is central for law-making processes, shaping the development of democratic societies. Empirical evidence of logrolling is scarce and limited to highly specific situations because existing methods are not easily applicable to broader contexts. We have developed a general and scalable methodology for revealing a network of vote traders, allowing us to measure logrolling on a large scale. Analysis on more than 9 million votes spanning 40 years in the U.S. Congress reveals a higher logrolling prevalence in the Senate and an overall decreasing trend over recent congresses, coincidental with high levels of political polarization. Our method is applicable in multiple contexts, shedding light on many aspects of logrolling and opening new doors in the study of hidden cooperation.
---
中文摘要：
以投票交易（也称为滚票）形式进行的合作是立法过程的核心，塑造了民主社会的发展。由于现有方法不容易适用于更广泛的背景，因此日志滚动的经验证据很少，并且仅限于高度特定的情况。我们开发了一种通用且可扩展的方法，用于揭示投票交易者网络，从而允许我们大规模测量日志滚动。对美国国会40年来900多万张选票的分析表明，参议院的投票率较高，而最近几届国会的投票率总体呈下降趋势，同时政治两极分化程度较高。我们的方法适用于多种情况，揭示了隐藏合作研究中的许多方面，并打开了新的大门。
---
分类信息：

一级分类：Physics        物理学
二级分类：Physics and Society        物理学与社会
分类描述：Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体（人类或其他）的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统（如能源网、运输网络）的物理和工程。
--
一级分类：Computer Science        计算机科学
二级分类：Social and Information Networks        社会和信息网络
分类描述：Covers the design, analysis, and modeling of social and information networks, including their applications for on-line information access, communication, and interaction, and their roles as datasets in the exploration of questions in these and other domains, including connections to the social and biological sciences. Analysis and modeling of such networks includes topics in ACM Subject classes F.2, G.2, G.3, H.2, and I.2; applications in computing include topics in H.3, H.4, and H.5; and applications at the interface of computing and other disciplines include topics in J.1--J.7. Papers on computer communication systems and network protocols (e.g. TCP/IP) are generally a closer fit to the Networking and Internet Architecture (cs.NI) category.
涵盖社会和信息网络的设计、分析和建模，包括它们在联机信息访问、通信和交互方面的应用，以及它们作为数据集在这些领域和其他领域的问题探索中的作用，包括与社会和生物科学的联系。这类网络的分析和建模包括ACM学科类F.2、G.2、G.3、H.2和I.2的主题；计算应用包括H.3、H.4和H.5中的主题；计算和其他学科接口的应用程序包括J.1-J.7中的主题。关于计算机通信系统和网络协议（例如TCP/IP）的论文通常更适合网络和因特网体系结构（CS.NI）类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Revealing_the_Anatomy_of_Vote_Trading.pdf (629.51 KB)

2022-5-30 20:34:34 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Applications Quantitative Architecture Polarization Application

揭示投票交易的解剖*Omar A.Guerrero，牛津大学萨伊德商学院卡布丁复杂性中心Ulrich Matter；牛津马丁学院新经济思想研究所；阿尔托大学计算机科学系。哈佛大学伯克曼·克莱因互联网与社会中心；巴塞尔大学商业与经济学院。*电子邮件：omar。guerrero@sbs.ox.ax.ukSupplementary材料可根据要求提供。以投票交易（也称为滚票）形式进行的合作是立法过程的核心，它塑造了民主社会的发展。由于现有方法不容易适用于更广泛的环境，日志滚动的经验证据很少，并且仅限于高度特定的情况。我们开发了一种通用且可扩展的方法，用于揭示投票交易者网络，使我们能够大规模测量日志滚动。对美国国会40年来900多万张选票的分析表明，参议院的投票率较高，而最近几届国会的投票率总体呈下降趋势，同时政治两极分化程度较高。我们的方法适用于多种情况，揭示了日志滚动的许多方面，并为隐藏合作的研究打开了新的大门。*我们感谢牛津马丁学院新经济思想研究所通过INET12-9001拨款、巴塞尔大学研究院提供的种子拨款以及瑞士国家科学基金会的支持（168848拨款）。

我们感谢Patrick Balles、Irene D’avalos、Andrew Elliot、Teppo Felin、Steve Fisher、Bernard Grofman、Robert Hahn、Jeffrey Lienert、EduardoLopez、Dietmar Maringer、Armando Meier、Reto Odermatt、Sanna Ojanper¨a、Dennis Quinn、Felix Reed Tsochas、Matteo Richiardi、Serguei Saavedra、Kurt Schmidheiny、Nicolas Schreiner、Michaela Slotwinski、Alois Stutzer、，2015年计算社会科学国际会议、2016年欧洲公共选择学会会议、2016年SSE大会的与会者，以及阿尔瓦德大学、牛津大学、苏黎世大学、巴塞尔大学和弗里堡大学的研讨会参与者，请发表有益的评论。任何民主社会的立法过程对其社会经济发展都至关重要。例如，2013年，美国国会政治僵局导致政府关门，估计经济成本至少为季度GDP的0.3%[1]。在这种情况下，持相反政治观点的立法者之间的合作对于结束这种封锁是必要的。然而，在其他情况下，这种合作也可能有利于特殊利益集团，从而伤害第三方。在这里，我们来看看投票交易，或称滚票，这是一种合作行为，在这种行为中，两位立法者投票支持对方的首选法案，以确保其获得通过。虽然这在经济学、博弈论和政治学的理论文献中得到了广泛的讨论[2-7]，但投票交易的实证证据很少，仅限于对少数特定投票或立法者的研究。到目前为止，我们还缺乏大规模研究伐木流行情况的工具。

然而，要了解用于解决经济和社会问题的替代制度安排的成功与失败，了解立法议会中这种隐性合作的相对重要性至关重要。撇开对这种合作的利益、成本和道德的价值判断不谈，所有致力于政治研究的社会科学都将投票交易——无论是理论依据还是轶事证据——视为民主进程的一个核心方面（不仅在立法议会中，而且在任何以简单多数规则作出决策的群体中）。然而，如果没有一种广泛适用的通用方法，允许从经验上捕捉选票交易，我们对其决定因素、机制和后果的理解就很有限。经验性评估滚日志流行率的挑战在于其性质。投票交易协议双方的立法者都热衷于对这样的交易保密。战略性地将选票投给持相反政治观点的立法者同僚，与选民和持类似政治观点的同僚的期望形成鲜明对比。因此，经验上的capturingvote交易要求我们衡量一些无法直接观察到的东西。先前的实证研究试图检测或衡量投票交易，重点是少数特定法案【8、9】或少数立法者的涵盖交易【10】。这些方法是为分析投票交易的高度特定方面而设计的，非常有用。因为他们需要对特定法案和立法者的社会政治背景有更广泛的了解，所以他们不适合大规模测量日志滚动。

我们开发了一种新的方法，通过将复杂网络文献的新见解与计算方法以及成熟的对数滚动理论相结合，来衡量投票交易的流行程度。当选票交易被视为一种系统性现象时，它是由一种共同的民主程序所设定的基本激励因素驱动的：即在简单多数规则下投票。由于立法者每个决定只有一票，这一规则不能考虑不同法案的偏好强度（也就是说，立法者不能根据他们是否特别赞成或不喜欢法案来衡量他们对法案的投票）。他们只是每个问题有一票。然而，立法者可以放弃他们在法案上的优先立场，并“提供”他们的投票，以便在通过他们最喜欢的法案时获得支持。因此，投票交易对那些对通过特定法案特别感兴趣的立法者来说是互利的。这也意味着，当议员们进行投票时，他们并不是真诚地投票，也就是说，他们并不按照自己喜欢的政策立场投票。重要的是，在投票结果有限的情况下，提出投票支持自己不喜欢的法案，以获得自己最喜欢的法案的支持，主要是有意义的。在狭隘的结果中，边际支持对该法案的支持者尤其重要。随着交换选票的动机越来越高，狭隘结果中的点名不一定能反映出竞选者在某个问题上的实际政治立场，但可能是相互支持的结果。相反，立法者在大幅度点名表决中观察到的决定更有可能显示出他们偏好的政策立场（只有少数例外，如抗议投票[11]）。

在点名表决中，参与投票交易的立法者可以在投票后观察彼此的行为，从而确定他们的伴侣是否履行了自己的义务。然而，由于他们有强烈的动机保守此类交易的秘密，他们无法直接惩罚叛逃（例如，公开指责或起诉不遵守协议的立法者）。因此，以滚日志形式进行的合作只可能演变为重复互动中的互惠行为[12]。考虑到这个框架，我们开发了一种方法，用于测量大规模点名数据集上的日志滚动。该方法的理论支柱可以归纳为四个原则，这些原则已经在特定的投票环境中进行了测试【8，9】：1。投票结果越窄，交换选票的动机就越强。2、如果立法者交换选票，那么他或她投票的方向与预期相反，即立法者偏离了他或她的首选立场。3、如果偏差是为了使立法者在通过正在表决的法案时获得极大利益，则被视为潜在交易。4、只有当定向偏差是相互的且相互可预测时，才将其视为交易投票。简而言之，我们的方法包括四个部分：估计立法者的首选政策立场；检测这些位置的偏差；确定这些选择的好处；以及衡量偏离者和福利者之间的相互作用。其结果是一个衡量投票交易盛行程度的指数，以及一个投票交易者网络。其模块化设计提供了极大的灵活性，因此研究人员可以通过修改这些组件使其适应其他环境。Methodology我们分析了一个数据集，该数据集涵盖了40年来美国国会的唱名和提案（共同赞助）期间的900多万张选票。

投票数据来自美国参众两院网站上公布的官方点名记录（有关数据的详细描述以及数据来源，请参阅补充材料）。对于每个议院，我们将投票信息编码到矩阵V中。如果立法者我在唱名表决中投了赞成票，则输入Vik=1，如果他或她投了反对票，则输入Vik=0。V的维数为N×k，其中N是立法者人数，k是唱名数。根据[8，10]，我们假设立法者对投票结果狭窄的看法可以近似于已实现的结果。因此，观察到的投票结果越窄，就越有可能存在交换选票的动机。然而，狭隘的投票结果很少见，由于其他立法者的支持不确定，安排投票交易的立法者可能更倾向于安排比最小获胜联盟更大的联盟【13，14】。因此，选择保证金是一种权衡，既要考虑潜在交易票数的大小，又要只考虑那些对交易有强烈激励作用的票数。我们将窄差票数定义为5票或更少票，并考虑宽差结果，即以至少20%的票数通过或拒绝的结果（有关更多详细信息和稳健性，请参阅补充材料）。在如此明确的结果中，我们假设立法者可能会根据自己的偏好立场进行无情的投票。因此，我们推断出他们的首选位置或理想点，如下所示。考虑一个一维策略空间，每个账单都可以位于该空间中。每个立法者在这个空间中都有一个理想点，每个对特定法案投赞成票或反对票的人也有一个理想点（如有必要，也可以使用更高维度的空间，然而，已经表明，第一维度捕获了美国国会投票决定中70%以上的变化[15,16]）。

在这种空间投票模型中，一个重要的假设是，立法者在这个政策空间中的投票决策离他们的理想点越远，他们的效用就越大。由于大幅度的点名更有可能引发真诚的投票，我们使用这些点名来估计他们的交易点，从而推断出他们偏好的政策立场。为此，我们采用了[17]中提出的贝叶斯方法，并估计了每一位立法者i的理想点^xio（有关这一步骤的详细信息，请参阅补充材料）。也可以使用替代方法【15、18】，但已经证明【17】可以更好地区分极值点。理想点是让我们计算立法者我在点名表决k中投赞成票的概率。为此，我们估计每次点名的概率模型Pr（Vik=1 |^xi）=Φ（^xiβk），其中Φ是标准正态CDF，βkis是要估计的参数。我们使用该模型预测立法者投赞成票的概率（关于预测误差的稳健性，请参阅补充材料）。我们将这些预测收集到一个维数为N×K的矩阵Q中。Q是检测偏离首选政策位置的关键。设τ为概率阈值，以考虑赞成票是否为偏差。例如，假设我的立法委员在一次简短的点名表决中投了赞成票。然而，预测他或她现在投票的概率为0.9，即Qik=0.1。那么，只有当Qik≤ τ。当然，没有投票也可以被视为偏差，例如，如果立法者试图阻止他或她预计会赞成的法案的通过。我们关注的是Votes，因为他们的收益可以从不同的数据中扣除（例如。

在（共同）赞助数据、选区特征或竞选融资数据中），绝大多数理论工作都集中在这些数据上。为了确定偏离的好处，我们根据国会图书馆公布的官方账单数据，使用（共同）赞助数据（假设该数据近似于立法者对法案的偏好）。我们将这些信息编码成一个矩阵S，其维数为N×K，其中，如果立法者i（共同）在点名表决中支持法案，则项目Sik=1，否则项目Sik=0。因此，只有当Vik=1，Qik时，我在狭义唱名k中的投票才被视为直接偏差≤ τ，对于某些j 6=i，Sjk=1。在我们的分析中，我们假设（共同）赞助抓住了立法者对通过法案的明确利益。然而，其他因素，如社会关系或代表选民对法案的强烈兴趣，也可以用S编码。现在我们可以构建有向偏差网络（DDN）。在DDN中，边缘i→ Jin表示，立法者i在与立法者J发起的法案（共同）相关的点名中偏离了方向。DDN由邻接矩阵W表示，其中，如果i偏离j一次或多次，则条目Wij>0，否则Wij=0。我们通过将[19]提出的方法与对数滚动的上下文相适应，来测量ReciprocityinW。当将立法者i和j之间的互惠定义为其联系的对称部分时，用W表示<->ij=最小值[Wij，Wji]=w<->ji，函数fi（W）=（1 ifPNj6=iw<->ij>00表示立法者i是否至少参与了一次相互偏离。然后，往复偏差的代表总数为R=PNifi（W），偏差总数为W=PNiPNj6=iWij。

因此，DDN中的投票交易水平通过t=2RW来衡量，其中2R是真实交易票数的合适预测值。互易边的总数通常用于衡量网络互易性【19–24】。然而，在我们的背景下，我们可以证明（基于蒙特卡罗研究）通常应用的预测值是最有效的，因为它明显大于真实的交易数量。2R通常较低，因此它纠正了这种偏差（有关蒙特卡罗模拟的更多详细信息，请参见SI，我们可以控制每个真实交易）。t的大小可能由DDN的拓扑结构以及数据athand驱动。因此，我们检验了另一种假设，即偏差是随机错误的结果，而不是有意为其他立法者谋利的行为。对于这个测试，我们在随机偏差的零模型下生成一个DDN样本。也就是说，我们将每个偏差建模为具有成功概率Qik的独立伯努利随机变量。通过模拟V中所有观察到的偏差，我们生成了一个空DDN。多次重复此过程可生成DDN样本。我们计算每个无效DDN的投票交易水平，并计算样本平均值t，这反映了无效假设下的预期交易水平。在[19，24]之后，我们构造了对数滚动指数`=t-(R)t1-\'t.（1）`的符号直接说明了DDN中的互惠性。如果`>0，这意味着立法者倾向于以互惠的方式偏向于其他立法者，建议投票。如果`<0，那么立法者倾向于避免互惠，这表明定向偏差是由其他机制引起的。最后一步是构建投票交易网络（VTN）。为此，我们提取了DDN的倒数部分，并删除了互不相关的倒数有向偏差对。