ZF如何确定政策重点？研究发展

因此，我们通过表达“D=NBNXi=1”Xt=0（Pi，t- Ci，t）（14）预算约束是从ZF支出占GDP比例的指标中获得的。通过使用该指标（相对于绝对支出），我们考虑到一部分支出已经承诺维持指标的当前水平。其中，N是发展指标的数量，B是预算约束引起的外源性跨国差异的控制。综上所述，我们估计了每个国家的分配比例，并汇总了各指标的结果，以进行国家间的比较。为了提供最好的推断，我们跨国家校准了参数γ（详见附录C）。。图4中的左图显示了每个国家及其经验对应国家的腐败点估计值。显然，该模型能够解释观察到的腐败水平的大多数跨国差异（R=0.94）。右面板通过累积图显示了每个国家对整体腐败的经验和估计边际贡献。在这两种情况下，Spearmanrank阶相关检验得出的系数都大于0.96，这是第一次外部验证。国家（从腐败程度最低到最严重排序）0.00.20.40.60.81.0腐败程度2=。94datamodelcountries（从最少腐败到最腐败）010203040506070腐败累积级别DataModelFigure 4：外部验证I.按国家/地区划分的腐败级别。采样期：2006-2016年。模型估计是通过应用聚类算法进行的，该算法将国家划分为不同的γ水平。该程序旨在最小化MSE，同时控制过度装配（详情见附录C）。

每个点的估计值是1000个蒙特卡罗模拟的平均值。腐败的经验水平是用每个国家11年的平均值来衡量的。通过经典公式1获得的Ris-P（yi-^yi）P（yi-是）。5.2. 腐败与绩效的关系大量证据表明，各国观察到的腐败程度与其经济发展水平（或绩效）呈负相关【Svensson，2005年】。尽管因果关系似乎是双向的，但人们普遍认为，经济因素有助于改善治理机构，从而减少腐败。除此之外，我们验证的定性特征也适用于γ=1的关系，跨国数据显示了四个额外的程式化事实：（i）处于同一发展阶段的国家之间的腐败程度有很大差异；（ii）发达国家的这种差异相对较低；（三）大量腐败程度高的国家；（iv）没有一个发展中国家的腐败程度与平均先进国家的腐败程度相似或更低。为了从经验上衡量一个国家的绩效，我们计算了其不同发展指标的平均值（首先是11年的样本，然后是79个指标）。对于其理论对应项，我们对模型中的内生指标进行平均，首先跨模拟步骤，然后跨指标，如表达式“I=NXi ` I ` iXtIi，t.”（15）所示。注意，“I可能不同于一个国家的经验平均指标。这是因为某些指标的收敛速度比其他指标更快，重新加权了它们的跨期平均值。因此，就性能而言，重新排序是可能的，尤其是因为模型经过校准，以最小化仅与损坏相关的均方误差（MSE），而非性能。

图5中的左面板显示了腐败与绩效之间的经验关系（所有指标的平均值）。右侧面板显示了模型的结果。图5中两个面板之间的相似性非常显著；因此，我们可以说该模型提供了丰富的信息。更具体地说，该模型能够呈现前面提到的五个风格化事实。首先，它在总体绩效与腐败之间产生负相关（斯皮尔曼相关系数为-0.85，而经验相关系数估计为-0.84）。其次，表现类似的国家在腐败程度上表现出差异。第三，集群腐败变量存在异质性；例如，第二组（中高发展水平）比最发达国家（第一组）的差异更大。第四，更准确地说，我们观察到落后国家（第3-4组）和最发达国家（第1组）的腐败程度几乎没有重叠，第2组和第1组之间的腐败程度最小。必须注意的是，尽管该模型包含了经验指标的初始值和最终值，但该结果并不是重复的。

这是因为，一方面，模拟了任何时段0<t<n的指标值。另一方面，该模型的腐败指标是通过内生变量Ci、tand Pi、t生成的，这在经验数据集中是不可用的。0.0 0.2 0.4 0.6 0.8 1.0绩效（平均指标）0.00.20.40.60.81.0公共交通改道基金会（Fundsareautbautbelchanchedeudnkfinfragbrhkgirlisrjpnkormysnldnornzlqatsgsweusabhrbrabwachchnchncoccriczeegyeespestgrcgtmhndhurvhuniddajamjorkwtlkwalvamarmexmusnamompanperphlpolprtsauslvsvksvnthattotturryzafalbargamazegdbgribhboldomdzaecuggeozkzkmkdmngnicnpryrusbtjkukervenbibenfacivcmrethgmbkenkhmmdgmmlimoztmrwingapaksentcdzavzmaugbzweρ=-0.84经验数据集群1集群2集群3集群40.0 0.2 0.4 0.6 0.8 1.0性能（内生）0.00.20.40.60.81.0腐蚀情况报告entcdtzaugavnmzmbzweρ=-0.85modelcluster 1 Cluster 2 Cluster 3 Cluster 4图5：外部验证II。腐败绩效关系的出现。左图中的每个点对应一个国家11年的平均值。Y轴对应于公共资金转移的平均值，直接从数据集中的指标中获得（在公共治理的发展支柱下）。X轴是其余观察指标的算术平均值。使用方程式14和15计算右面板中点的坐标。

这些数值是通过对每个国家进行1000次蒙特卡罗模拟获得的。在这两个面板中，每个圆点都标有其国家的首字母，并根据其类别进行着色。大量国家聚集在图的左上象限，这是对应于低绩效和高腐败的区域（第4组和第3组中的所有国家以及第2组中的一些国家）。第五，第1组国家的腐败程度与第3组和第4组国家的腐败程度几乎没有重叠。展现腐败与绩效关系的所有程式化事实的能力验证了该模型的社会机制作为一个整体的相关性。更准确地说，这些机制主要是公务员的学习过程、与监督和惩治腐败有关的委托代理问题以及通过政策问题网络产生的溢出效应。6、社会机制的内部验证ABM的内部验证（或敏感性分析）旨在检测模型的社会机制是否与生成其输出相关。选择这种机制是为了指定可以解释模型产生的统计规律的因果通道。一些机制建立了代理人的决定与环境之间的联系。其他机制指定代理之间的交互并生成societaloutcomes。在这一部分中，我们集中于模型三个主要组成部分的内部验证：（a）政府的适应行为，（b）官僚的学习过程和（c）溢出网络。

我们通过显示其对（i）腐败点估计、（ii）腐败绩效关系、（iii）公务员的贡献激励以及（iv）分配方案中前10个优先事项的配置的影响来验证它们。内部验证通过敏感性分析实现，敏感性分析包括在不同规格下研究模型的源代码。在每种规格中，我们“转动”其中一个组件。为了改变ZF行为，我们用随机选项替换自适应启发式~ U（0，1）（正常化以确保它们相加为B）。对于公务员，我们用[0，Pi]中的均匀分布随机选择代替了学习ci的启发式。最后，为了消除溢出效应，我们用等式1中的加权单位矩阵替换A，同时保留所有其他内容。让我们参考原始规格作为完整模型。当模拟结果与完整模型中的一个不同时，我们说组件或机制与解释它相关。内部ABM验证的独特之处在于能够在微观和宏观层面上执行测试。这是因为，在这里，每个行为和交互都是明确的，它们的结果不依赖于关于协调或聚合的假设。因此，我们在本节中提供的证据超出了其他实证方法的通常标准。6.1. 跨国腐败水平的敏感性图6显示了没有每个主要模型组件的腐败估计水平。左侧面板显示点估计值。已为完整模型的每个点估计计算了置信区间（太窄，无法直观显示），表明在大多数情况下，停用相应机制会产生与估计值的显著偏差。

右侧面板以累积形式显示相同的数据。显然，这三个组成部分中的每一个都对各国对整体腐败的边际贡献产生了重要影响。敏感性分析的结果也适用于模型的无参数版本（γ=1），加强了所选社会机制的有效性。国家（从最低腐败程度到最腐败程度排序）0.00.20.40.60.81.0腐败程度数据模型无ZF无学习无溢出国家（从最低腐败程度到最腐败程度排序）010203040506070累积腐败程度数据模型无ZF无学习无溢出图6：内部验证I.跨国腐败程度的敏感性。左面板：点估计。右面板：累积腐败程度。6.2. 腐败与绩效关系的敏感性图7显示了当ZF或公务员失活时，腐败与绩效关系的严重扭曲。在这两种情况下，相关性都显著降低。相反，当溢出被消除时，没有明显的变化（参见附录D.1中的图D.17）。

鉴于网络提供了一种处理政治问题之间相互依存关系的方法，最后的结果很有趣，值得进一步分析，我们阐述了第7.1.0.0 0.2 0.4 0.6 0.8 1.0节的性能（内生）0.00.20.40.60.81.0腐蚀情况报告entcdtzaugavnmzmbzweρ=-0.67模型fR，t=fC，t=0.5聚类1聚类2聚类3聚类40.0 0.2 0.4 0.6 0.8 1.0性能（内生）0.00.20.40.60.81.0腐蚀风险等级，t=0.5聚类1聚类2聚类3聚类4图7：内部验证II。腐败绩效关系的敏感性。右面板：随机工作人员的贡献。左面板：随机政府拨款。该模型似乎对公务员的学习机制特别敏感。从我们的行为博弈方程中，我们知道，法治和监控效果质量的变量对代理人的学习过程非常重要。因此，这两个组成部分都会影响这种关系中程式化事实的出现。然而，包含这些变量并不足以产生观察到的腐败绩效模式。

例如，我们对监控和惩罚措施进行模拟，并发现，对于fr，t=fC，t=。5，这种关系仍然是负面的，但该模型高估了低腐败国家的腐败，低估了高腐败国家的腐败（详情见附录D.1）。6.3. 对溢出网络的敏感性迄今为止，我们已经表明，网络影响对腐败的估计，但不影响腐败绩效关系。虽然这些测试只考虑聚合的样式化事实，但存在大量可以在微观层面执行的测试。换言之，我们只在跨国层面探讨了溢出效应的作用，而其最相关的影响发生在国家内部。例如，不同的节点预计会根据其连接性表现出不同的结果。或许最清楚的方式是遵循我们关于“积极的网络效应如何掩盖ZF官员的无能”的论点（见第1节）。就模型的输出而言，我们预计，在其他条件相同的情况下，具有更多传入溢出的节点贡献较少。图8中的左面板显示了每个节点i水平上的传入溢出（γPjAji）与贡献（`iP` itCi，t）之间的关系，这是根据整个数据集上的蒙特卡罗模拟计算得出的。不同的贡献在具有相似传入溢出量的节点之间进行平均（即，它们被装箱）-也称为传入强度。为了演示网络的影响，右侧面板显示了相同的输出，但对于没有溢出的模型。显然，移除网络可以缓解收入溢出和贡献之间的负面关系。事实上，从统计学上讲，没有网络的模型的关系可以忽略不计（斯皮尔曼相关性得出的p值为0.85）。

因此，这些模拟结果与我们模型的理论基础是一致的。6.4. 政府最高优先级的敏感性表明，网络最重要的影响在于对分配比例的估计。也就是说，当顾问忽视溢出效应时，他或她可能会建议错误的政策优先事项。为了说明这一点，让我们考虑一下估计分配中的前10个政策问题0 5 10 15 20 25 30贡献水平0.00.20.40.60.81.0皮尔曼：-0.88完整模型0 5 10 15 20 25 30贡献水平0.00.20.40.60.81.0贡献水平皮尔曼：0.03模型无溢出图8：内部验证III.贡献与贡献之间的关系。左侧面板：completemodel。右面板：无溢出的模型。这些点对应于位于传入强度相同箱中的节点的平均贡献。分析单位为国家节点，观测值为时间间隔平均值。文件。如果网络影响了这一估计，去除它应该会产生一组显著不同的前十大政策问题。我们通过Jaccard会员指数来评估这种差异。这里，值1表示前10个优先级在有或没有网络的情况下是相同的（无论顺序如何），而0表示它们完全不同。图9显示了有溢出和无溢出的前10个优先级之间的系统差异。特别是，我们在所有国家的平均Jaccard接近0.4；因此，当我们放弃分析中的溢出效应时，最高分配会产生显著差异。这些结果不仅说明了网络的相关性，而且说明了考虑特定国家背景的重要性。通过其他方法，这并不明显，因为人们必须处理聚合数据和平均效果。