ZF如何确定政策重点？研究发展

也就是说，政策问题越大，需要估计的“效应染色体”的维度就越高。2.5. 所提出方法的优点通过在政策问题网络上进行行为博弈，我们的方法有助于解决上述一些限制。首先，它可以处理一组非常大的变量（即，它是可伸缩的）。其次，它解释了发展指标之间联系的复杂结构（即，它不假定协变量之间的独立性）。第三，由于它建立在明确的公共/社会机制之上，因此可以推断公共资源是如何分配和转移的（即允许内部验证）。第四，它有助于我们澄清初始条件、目标和国家背景对决策的影响（即，它产生国家特定的估计）。第五，当ZF制定一套新的目标时，它可以用来为任何特定国家制定政策指导方针（即，它有助于政策设计）。显然，该方法的最大优点之一是能够考虑特定环境。在实证文献中，背景的重要性尤为突出，有大量证据表明，具有类似政策干预的国家会产生非常不同的结果【Rodrik，2009年，Lee和Kim，2009年】。

例如，改善健康和体质尽管本文中我们没有计算每个公共问题的边际效应，因为这是传统的内生回归，这可以通过使用“停用”政策进行模拟来实现。ical基础设施在低收入国家可能比中上收入国家更有帮助，而中上收入国家可能从公共治理和研发公共政策中获得更多好处。这导致许多发展经济学家提倡基于对国家增长约束的识别来制定政策。3、行为博弈和计算实施我们模型的输出是通过学习过程模拟不同指标的演变，学习过程是各国在政策优先化和实施时所经历的过程。这些动态由两类代理驱动：中央当局（或政府）和公务员（或公务员）。一方面，政府为不同的公共政策分配资源，目的是改善与各自政策问题相关的指标。另一方面，公务员负责执行这些公共政策，因此，他们有动机将公共资金转用于个人利益。因此，政府和官僚的激励机制错位，代之以委托代理问题。此外，政策问题之间的相互依赖鼓励搭便车。之所以如此，是因为积极溢出掩盖了公务员的真实表现。在本节中，我们将此行为博弈形式化，并通过基于代理的模型（ABM）计算实现。行为博弈可以被描述为中央当局与所有有权执行政策的公职人员之间的政治经济博弈。

然而，这种游戏有一种公益性，因为资金的转移可能会对社会福利产生多重不利影响。这是因为较小的溢出减少了管道的尺寸。溢出、资金转移、腐败检测和资源分配之间错综复杂的相互作用混淆了博弈的激励结构；渲染rational Modeling不合适。因此，更具认知可行性的规范需要学习驱动的行为，其中代理通过实验室实验中常见的启发式来适应新的和有限的信息。为了将这种启发式形式化，我们采用了代理计算。告诉我们，我们不是一个仁慈的政府。例如，中央当局可能试图实现一系列与社会福利相冲突的目标。我们的行为博弈没有公共物品博弈的传统结构，因为它考虑了两种类型的主体，并且初始资源不是外生分配的。在行为游戏的文献中，代理计算对于区分对实验结果的相互竞争的解释非常有用。这是因为艺术游戏能够控制在真实实验中不易分离的特征（例如，学习、战略信号、社会偏好类型和互动网络）[杨森和安，2006年]。3.1. 发展指标的动态有N个政策问题，每个问题都有一个衡量其发展水平的指标。指标的水平取决于政府分配的资源中有多少有效地用于相应的公共政策。也就是说，对于一定数量的资源Pi∈ [0，1]分配给策略问题i，负责的公务员使用Ci∈ [0，Pi]在此类政策中有效。我们称之为办公室的贡献。

然后，Pi- Ci是个人为了个人利益而挪用的公共资金金额。我们将这一差距称为腐败。除了职能部门的贡献外，i的指标水平还取决于其他部门的公共政策通过间接效应。我们将这些相互依赖性建模为一个网络。该网络由邻接矩阵A表示，其中，如果i到j存在溢出，Ai j>0，否则Ai j=0（第一个索引表示行和第二列）。因此，一个指标是政府贡献和其他官员贡献溢出的结果。当政府投资于一个政策问题时，其指标即投资累积。这意味着，如果政府设定了目标Tiforpolicy问题i，那么指标II将在投资期后达到TIA。因此，ABMs应用中的动态三个示范性研究在公益领域尤其相关：[拜耳等人，2009年，卢卡斯等人，2014年，雷迪和佩特里，2015年]。ABMs分析集体行动游戏的例子可以在Deadman【1999】、Sarin和Vahid【2004】、Castillo和Saysel【2005】、Hichri和Kirman【2007】、Ruttan【2008】、Chmura et al【2012】、Arifovic和Ledyard【2011】、Grei ff【2013】、Nax和Perc【2015】、Ezakiet al【2016】中找到。Pi的解释- 事实上，Cigap比腐败的概念更广泛。例如，我们可以从效率的角度来考虑这一差距，因为公务员从逃避和将工作时间用于个人活动中获益。例如，一名官员可能更倾向于直接裁决他或她已经知道的公司的政府合同，而不是进行适当的投标过程，这意味着他或她要做更多的工作。

在本例中，Pi- 如果不雇佣最好的公司，则意味着效率的损失。在此模型中，一个周期表示一些事件的实现。例如，在“周期”内实现一个目标意味着政府必须经历“预算再分配事件”。较大的`意味着达到目标更加困难。因此，“不应以时间单位来解释”。描述Ii向其目标的收敛性由Ii给出，t=Ii，t-1+γ（Ti- Ii，t-1)Ci、t+XjCj、塔吉, （1） 式中，ajis是从j到i的溢出量，Aii=0和Ti- Ii，t-1调节变化速度以达到收敛。参数γ反映了有效资源的影响。更简单的模型假设γ=1。然而，校准γ有助于利用跨国差异来进行聚合推断。在这场政治经济博弈中，中央当局和公务员用有限的信息解决不同的问题。因此，我们分别通过自适应启发式学习和定向学习对它们的行为进行数学建模。然后，我们描述了该游戏的计算实现，并通过一个说明性的仿真演示了其动力学。3.2. 公共服务人员通过假设政府官员负责实施每项公共政策来简化模型。尽管如此，我们也可以将此代理视为通过集体行为进行行为的整个办公室（代理或行政部门）。政府对公共政策实施的贡献取决于为个人利益转移资源的成本。在福利方面，相应指标的水平给出了公务员的政治地位。当然，这不仅取决于他或她的贡献，还取决于其他政策的溢出效应（即其他公务员的贡献）。

然而，官僚限制了信息，因为他或她无法直接观察溢出效应（即他或她不知道网络）。相反，代理人评估其福利Fi的变化。根据这些福利的演变，公务员决定其在每个时期的贡献。首先，让我们定义公务员的福利函数asFi，t=（Ii，t+Pi，t- Ci，t）（1- θi，tfR，t），（2）其中θi，t是从中央当局的监督中衍生出来的指标函数，fR，tisa函数将与法治相对应的指标映射为概率。因此，当这两个功能的乘积接近一个时，功能人员的利益就会消失。政府无法衡量其公务员的实际贡献，因此- Ci，不能直接观察到。然而，社会发出的信号表明，中央当局可能会采取行动，以加强对特定政策问题的监督。我们假设这些信号的强度与转移的公共资金量Pi，t成正比- 这意味着腐败程度越高，隐藏起来就越困难，例如，这可能会导致记者揭发他们并揭露腐败丑闻。因此，即使政府不能直接观察官员的贡献，也可以通过知情猜测来针对监督效果。我们将这种监管建模为一个随机变量θi，t。如果发现政策问题i中的公务员挪用公共资金，则该变量的结果为1，否则为零。

那么，θiin周期t的概率质量函数是θi，t=1，概率fC，t（Pi，t-Ci，t）PNj=1（Pj，t-Cj，t），概率为1的0- fC，t（Pi，t-Ci，t）PNj=1（Pj，t-Cj，t），（3）其中fC，t将与腐败控制相对应的指标映射到概率。公式3表明，收取更高租金的官员更有可能被抓住。另一个启示是，小时间的损坏不太可能被检测到。这使得腐败现象普遍存在，而且极不可能根除，尤其是在该国腐败控制机制薄弱的情况下。请注意，我们引入了两种国家试图缓解腐败的机制：法治（fR，t）和监管质量（fC，t）。一方面，fC，TCA接受了中央当局的努力，以发现腐败的ZF。另一方面，《联邦公报》反映了国家在起诉参与非法活动的官员方面的作用。这两种机制描述了ZF在打击腐败时面临的不同制约因素。例如，在几个国家，中央当局经常改进其监督腐败的方法。然而，这些改进并没有减少腐败，因为有效的司法系统允许有罪不罚现象泛滥。这可以通过交互作用θi，tfR，t来捕捉，其中一个corruptNote指出，该模型并不假设一个“诚实”的ZF。

在现实生活中，即使被发现挪用资金，我也可能会受到微不足道的惩罚。更具体地说，fR，tand fC，t采用fx，t=IX，te1-九、 t，（4）其中X=R表示法治，X=C表示腐败控制。一旦我们确定了职能部门的利益，我们将引入一种受Carrella【2014】启发的学习机制，他将PID控制器应用于面临未知需求的模型企业。然后，公务员根据toCi，t=min（Pi，t，max0，Ci，t）更新其贡献-1+di，t|Fi，t | Ci，t-1+Ci，t-2!). （5） 让我们首先关注圆括号内的非零元素，详细解释方程式5。第一个总结是前一步的贡献。第二个加数取决于政府福利的变化幅度|Fi，t |。因子di是一个符号函数，指示贡献变化的方向，正如拜耳等人[2009]所建议的那样。为此，公务员评估其过去贡献Ci、t之间的差异-1和Ci，t-2，以及他或她的过去收益之间的差异-1和Fi，t-2、提高信息贡献水平的激励。例如，如果Ci，t-1> Ci，t-2和Fi，t-1> Fi，t-2然后，该工作人员将增加其贡献。同样，Ci，t-1<Ci，t-2和FI，t-1<Fi，t-2.激励公务员提高Ci。如果这些不平等中的任何一个不成立，就会出现相反的情况。中央政府及其官员之间更为正式的勾结。例如，在这些情况下，州检察官办公室准备薄弱的案件，预计将在法庭上败诉。这一策略已被证明是缓解腐败丑闻引发的社会压力的一个有效方法。

从短期来看，这标志着一个致力于根除腐败的ZF；然而，从长远来看（一旦媒体对此案失去兴趣），这会加剧有罪不罚现象。PID（比例-积分-微分）控制器是一种现实的行为模型，旨在捕捉agent在面对不确定环境时的学习过程。通常，它们需要三个参数。然而，我们的应用程序并不依赖自由参数。Fi，t=Fi，t-1.- Fi，t-2.Ci，t=Ci，t-1.- Ci，t-2，（6）我们从中定义，t=sgn(Fi，t·Ci，t）。（7） 回到方程5，我们有系数Ci，t-1+Ci，t-2，表示更新贡献时要采取的步骤的大小。为了一致性，最小和最大函数限制了公务员的贡献。除了初始条件外，办公室的行为组件不需要任何外部参数。因此，它对于经验应用非常方便。由于这些跳跃，这种学习机制产生了协同进化动力学。因此，我们着手对ZF进行建模，ZF必须在整个协同进化过程中调整其分配。3.3. 中央当局中央当局有一个目标向量˙T=（T，…，TN），它希望实现其发展指标。随着时间的推移，这些目标是恒定的。因此，ZF的问题是决定如何最好地将有限的资源分配给不同的政策，以缩小当前指标与目标之间的差距。从形式上讲，ZF的问题是NXi=1Ii，t- Ti公司（8） 方程1表明，Ii是资源分配的函数；因此，P1，t，PN，皮重是中央当局的控制变量。我们将这些变量的特定配置称为分析文件。此外，ZF可以投资的资源量受到NXIPI的限制，t=B t。

（9） 注意，足够小的B保证Ii，t∈ [0，1]和方程1中的收敛性。B的一个重要特征是，它反映了中央当局的未承诺资源量。也就是说，一个国家可能已经将其公共支出的很大一部分分配给了先前确立的目的，如公路维护、农业补贴、公共债务支付等。很明显，这些支出并没有专门用于改革性政策，因此它们无法计入政府旨在实现的政策优先顺序的重新排序。此外，Delavalade（2006）指出，大部分被挪用的公共资金来自分配给变革性政策的资源，而不是已经承诺的政策。因此，从经验上讲，B的选择必须能够反映出各国在通过公共政策实现经济转型过程中可以节省多少预算。在每个模拟步骤中，中央当局确定分配文件，并评估目标与观察指标之间的差距。由于预算限制，当政府增加对一个政策问题的拨款时，就会占用另一个政策问题的资源。由于政府无法观察其公务员的真实贡献，因此通过自适应启发式确定分配比例。