代理经济学：基于代理的竞争不可避免的腐败

该算法产生了一系列有趣的个人努力轨迹，高度依赖于竞争（图3A，四个示范模型运行范围从非常低到非常激烈的竞争）。请注意，各个代理属性（实践方向θ和talentt）在竞争级别之间的分布是相同的。然而，在更激烈的竞争中，个体代理人被迫加大努力，以跨越更高的生存门槛（胜利者和失败者之间的竞争淘汰）。这反过来会影响氧值的总体分布，从而形成正反馈回路，并在更高的竞争中提高努力水平。当边际努力成本开始超过预期效用收益时，个体代理人可能会停止增加或开始减少努力。事实上，当观察到的生存阈值（给定其他代理的性能）远远超过自己的代理性能时，由于前景函数的衰减，代理可能会变得“沮丧”，即减少努力（图3A，例如黑色箭头）。在这种情况下，勘探将于2019年10月3日17/51节省工作成本。经验上观察到，在竞争性更强的系统中，泄气变得更加频繁，导致一些代理最终逆转了竞争与努力的关系[52-54]。随着竞争加剧，气馁的流行率越来越高，这也意味着人口水平上的努力差异增加。在个体层面，随着时间的推移，代理人在更高的竞争中表现出更多的可变努力。这种竞争-努力-方差关系非常稳健，尤其是在没有代理异质性（未显示）的情况下，这是一个可测试的预测，将我们的模型与以前的竞争模型进行了对比[30]。请注意，一些代理如何逐渐增加努力以竞争，但最终变得气馁（图3A，黑色箭头）。

生存阈值的降低可能反过来为其他代理提供获胜的希望，从而使他们可以通过增加努力获得效用（图3A，greyarrow）。据我们所知，这是第一个神经经济学上似是而非的努力选择算法，它提供了在竞赛环境中如何达到平衡努力的机械解释（另见[55]）。值得注意的是，它产生了一系列经验观察到但尚未完全理解的现象，涉及静态作用力分布和作用力轨迹，并且可以进行实验验证。除了这些心理驱动效应外，竞争还通过定义失败者的比例来决定选择。代理绩效不足的代理人（失败者）会受到随机职业死亡的影响，概率=sp，其中死亡意味着从竞争系统中被淘汰（用白色矩形表示；图3A，例如白色箭头）。死亡后，一个随机获胜的代理人的副手会立即填补空缺。由于竞争决定了失败者的比例，失败者的死亡概率是一致的，因此选择事件会随着竞争成比例增加。

请注意，此规范保持人口规模不变，为具有固定规模和资源消耗的社会系统建模，其中通过增加新代理的吞吐量来实现更大的竞争。2019年10月3日18/510 50agent#0255075100step0 50agent#0 50agent#0 50agent#681012141618eort5 10 Proxy0510GOAL（oc）5 10 Proxy5 10 Proxy5 10 Proxy5 10 Proxy67891011121314Talent0 50 100步骤8101214价值ProxyGoal0 50 100步骤50 100步骤0 50 100步骤01020平均实践（°）0 50 100步骤0 50 100步骤0 50 100步骤0 50 100步骤0.25 0.50 0.75竞争101214平均价值ProxyGoal0.25 0.50 0.75竞争-15-10-5平均效用0 5 Proxy0510GOAL（oc）51015平均实践（°）0.10.20.30.40.50.60.70.80.9竞争=0.1竞争=0.3竞争=0.6竞争=0.9abc定义3。短期动态2019年10月3日19/51图3。短期动态（100个时间步），n=100，ga=45o, θ初始化=U（0o, ga），gs=1，t=N（10，1），sp=0.1，m=2o.数据收集自每个竞赛级别（c）的10次模型运行。A-D显示四个级别的竞争（主要列），而D显示c=[0.1，0.2，…，0.9]。A和B显示单个代理，而C-E显示重复模型运行的总体平均数作为数据点。A） 代理动力学，每个子面板显示100个代理中每一个随时间变化的努力（给定c的随机运行）。子面板中的列表示单个代理或位置。白色方块表示死亡/出生事件（两个示例用白色箭头高亮显示）。黑色箭头表示代理因竞争而变得气馁的示例。灰色箭头表示代理增加努力以获得获胜前景的示例。B） 第50个时间步中每个代理的代理值、实现代理值和目标值。这些值是给定个体代理练习角度的当前所选努力的结果（比较图3B）。

每个数据点代表一个代理（每个面板10次运行累积的代理）。天赋是按颜色编码的。黑色和灰色分别表示高度代理或面向目标的代理。请注意，灰色箭头指示的代理在目标绩效方面优于黑色箭头指示的代理，但在代理绩效方面则不然。C、 D）模型动力学、代理和目标值的模型级动力学（C）和平均实践角（D）。E） 模型值、最终值（第100步）是指代理值和目标值（左）以及效用和练习角度（中）作为竞争的函数。线周围的平均proxyshaded区域数据表示模型运行的标准偏差。4.2实践空间中实现的价值-同时有利和不利的信号个体代理人的相对竞争能力取决于两个参数，即人才和实践方向，这两个参数都无法直接观察到。人才允许更大的努力，独立于实践导向。因此，如果实践是固定的，那么Proxy将履行其作为目标绩效信号的预期角色，允许竞争对手进行有效筛选。然而，同时，高代理绩效可能是由于实践中更高的代理导向，这意味着浪费甚至有害的信号传递（坎贝尔定律）。在我们的模型中，这两个过程同时起作用，并且可以通过使用彩色编码人才将个体代理的已实现练习-努力对可视化回练习空间来进行评估（图3B）。这里，每个数据点表示时间步骤100处单个代理的努力向量的终点（如图3A-D所示）。产生的目标和代理性能对应于主轴上的投影，如图3B所示）。

在所有级别的竞争中，我们观察到竞争激励对已实现努力水平的主导作用，因为结果往往会组织反向线，即围绕特定代理值聚集。进一步的分析表明，对于给定的竞争水平，垂直线对应的代理值刚好高于2019年10月3日20/51的紧急生存阈值。略低于此阈值的代理增加了尝试进入win域的工作量，或进一步减少了工作量，以节省工作量成本。因此，sigmoidal prospect函数（包括损失厌恶）驱动了Seffort分岔，尤其是在通过代理绩效判断努力时。此外，在所有级别的竞争中，但最突出的是在高竞争中，我们观察到代理的有利信号/筛选效应，因为人才越多，代理的绩效就越高。此外，我们还发现了另一个有趣的新现象，即具有高实践角度的代理的相对努力支出的竞争依赖逆转。在低竞争（图3B，c=0.1，最左边的面板）中，具有高实践角度的代理被迫付出额外的努力，但仍然能够竞争，从而对社会目标做出特别高的相对贡献。相比之下，当竞争激烈时（图3B，c=0.9，最右边的面板），具有更多目标导向行为的代理不再能够在代理规模上竞争，并且优先被劝阻，即使他们有很高的人才。请注意，紧急实践工作的实现覆盖了整个实践空间中几个性质不同的领域，其中可观察的代理绩效只能部分预测不可观察的目标绩效。一些代理人是代理执行者，但对实际的社会目标贡献不大（图3B，黑色箭头）。

同时，一些才华横溢的经纪人在Proxy竞争中“输了”，而实际上在实际社会目标方面，他们的表现超过了许多“赢家”（图3B，灰色箭头）。更一般地说，该模型预测，对于任何观察到的代理性能，在任何时间点，都存在具有高度不同代理定向程度的代理组合。因此，我们的模型直观地捕捉到有利和有害信号的同时效应，我们认为这在任何基于代理的竞争中都是不可变的。4.3短期系统动态目标导向代理的参考劝阻可能会转化为系统级代理和目标性能之间的差异。为了可视化系统层面的可变性，以下数据显示为平均值和标准偏差，代理人群体的目标绩效显示出明显的竞争性2019年10月3日21/51依赖动态（图3C）。注：初始阶段（在前10个步骤中），当工作量首先调整到与初始化无关的水平时，数值明显急剧上升（使用0、1、10或20的工作量水平初始化的模型在此初始阶段都收敛到相同的值）。随后，由于个体努力和生存阈值之间的反馈循环，该值可能会逐渐增加（图3C，c=0.1至0.6）或减少（图3C，c=0.9）。更激烈的竞争也会导致代理价值和目标价值之间的差异越来越大（图3C）。这种效应的一个驱动因素是具有高目标导向的代理人的参考劝阻，这意味着对代理人的过度努力再分配（坎贝尔定律的一种心理机制）。第二个潜在驱动因素是有选择地去除因自卑而导致的目标导向主体。这种情况可以通过观察群体平均实践角度的动态来评估，这与努力无关（图3D）。

球门角度为45o, 代理和目标之间实践的初始均匀分布导致初始总体平均实践θ=ga/2=22.5o. 然而，当选择移除具有高实践角度的代理，用具有较低角度的代理的后代替换它们时，群体平均值向代理进化。正如预期的那样，由于选举事件的数量推动了实践的人口变化，向代理进化的速度与竞争的强度成正比。因此，我们的模型再现了斯马尔迪诺和麦克利思[5]的中心发现，即代理导向文化进化的强大腐败力量。4.4短期内（步骤100）的系统竞争结果最终值作为竞争的函数（图3E，左图；数据点表示模型运行）。请注意，对于代理值和目标值，都存在异常的竞争水平。在目标绩效方面，没有比c更高的竞争≈ 0.4，而代理性能表明c≈ 0.6等时。极低的竞争意味着低努力激励，导致代理和目标领域的低价值创造。随着竞争的加剧，2019年10月3日22/51出现了上述选择性劝阻和进化的双重过程。此外，在竞争非常激烈的情况下，越来越多的不受鼓励的代理人会导致平均努力减少。竞争的另一个负面影响是参与代理的平均效用较低（图3E，中间面板）。虽然每个代理都会各自实现效用最大化，但相对优于其他代理的必要性将系统推到了相对较高的工作水平（和工作成本），因为代理会不断尝试突破损失框架【56】。然而，由于代理商在亏损框架中的比例最终由竞争决定，这导致效用下降。

请注意，我们没有从一个扁平的wagecomponent中建模正效用，因为它不会影响单个代理的效用最大值和thussystem行为。增加一个固定工资效用（10或20 UTIL），独立于竞争增加一个常数的效用，线性地向上移动效用分布（未显示），但不会影响模型结果。但也请注意，我们认为没有必要假设参与约束，因为我们的代理人是经过培训的专业人员的榜样，可能会接受大量的无用性，而不是转换到不同的职位，这可能会涉及额外的昂贵培训。相反，代理可能会因为选择事件（内源性参与约束）而被劝阻并停止参与。因此，低平均效用可能被解释为要么需要更高的固定工资补偿，要么需要陷入困境的代理人群体。最后，我们在实践空间中直接可视化了人口平均实践努力组合（图3E，右面板）。比赛是彩色编码的，这样就可以直接显示平均努力（向量长度）和练习方向（向量角度）的效果（比较图2B和3B）。因此，系统层面的模型同样能够权衡竞争的积极和消极影响以及实践动态【4，10】。4.5长期动态迄今为止，我们已在短期内探索了模型动态（100个时间步）。我们面临着竞争压力。值得注意的是，额外的机制，如2019年10月3日23/51日延迟识别和清除腐败行为，或通常持续变化的系统，可能会使这些短期压力在确定系统行为方面占主导地位。

然而，我们的模型也提供了一个机会来检验仅由努力选择动力学和文化进化导致的长期系统行为（图4，10000个时间步）。在之前的一项类似研究中，人们发现这些做法不可避免地会演变为完全腐败。我们的模型允许测试道德激励成分是否有能力约束这种有害的进化。如上所述，我们模型中现有实践的范围朝着所有级别竞争的代理方向发展（图4A，D）。然而，即使在最激烈的竞争中，也会达到一个平衡，超过这个平衡，平均做法不再变得更加腐败（图4D）。值得注意的是，这种腐败的均衡水平在所有级别的竞争中都是相似的（图4E，中间面板），只是在达到腐败的速度上有所不同（图4D）。考虑到均衡腐败水平，努力动力仍然产生了最佳水平的竞争（c≈ 0.2). 因此，我们的模型表明，朝着社会目标努力的内在动机可以将进化约束为完全代理导向的实践。注意，紧急长期均衡类似于锁定状态，即稳定的系统面向代理，而个体代理i）知道其行为对社会目标的影响，ii）重视社会目标。4.6敏感性/稳健性分析接下来，我们测试了这些结果对参数变化的敏感性。由于无法对参数空间进行全面的组合探索，我们遵循了三阶段策略：首先，在保持其他参数不变的情况下，一次系统地改变一个参数（图5；黑体字的基值），监测对腐败的影响（θ）。

我们发现，参数分为三大类：i）平衡决定参数（图5A；ga，gs），ii）动力学决定参数（图5C，D，c，sp，m），以及iii）主要影响系统可变性的参数（图5B；tsd，N）。Wethen试图通过使用选定范围的备选锚定值（表2，初始基值）重复一次分析来发现与该初始分类的偏差。在100多个有针对性的额外模型运行中，我们未能发现此类偏差，这表明我们对主要参数影响的映射是稳健的。最后，WE2019年10月3日24/51 ABCDE02000 4000 6000 8000 10000step681012141618eort5 10 Proxy0510GOAL（oc）5 10 Proxy5 10 Proxy5 10 Proxy5 10 Proxy6 810 214人才0 5000 10000Step810 1214价值ProxyGoal0 5000 10000step0 5000 10000step0 5000 10000Step01020平均实践（°）0 5000 10000step0 5000 10000step0 5000 10000step0 5000 10000step0.25 0.50 0.75竞争101214平均价值ProxyGoal0.25 0.50 0.75竞争-14-12-10-8平均效用0 10 Proxy051015GOAL（oc）510平均实践（°）0.10.20.30.40.50.60.70.80.9竞争图4。长期动力学（10000个时间步），n=100，ga=45o, θ初始化=U（0o, ga），gs=1，t=N（10，1），sp=0.1，m=2o.有关面板说明，请参考图3。在（A）中，只描述了代理的一个子集和everythtime步骤。2019年10月3日25/51进行了两次重大修改，即我们引入了一个step prospect函数或practice agency，并再次找到了要保持的一般关系（practice agency下的系统动力学除外，请参见下图6）。在所有模型规范中，均衡腐败主要由代理人的信息质量（ga）和内部激励对社会目标的心理力量决定（gs；图5A）。