ZF如何确定政策重点？研究发展

分配给政策问题i的资源量由pi确定，t=qi，tPNjqj，t，（10），其中qi，是指分配资源给政策i的倾向，定义为qi，t=（Ti- Ii，t）（Ki+1）（1- θi，tfR，t），（11），其中Ki是节点i的传出连接数，也称为其出度。方程式11总结了ZF如何调整其政策重点的直觉。注意，等式10和11使用的公式与强化学习模型中的公式相似【Dhami，2016年】；然而，在这种自适应启发式中，学习过程仅由腐败动态通知。首先，ZF试图缩小差距- Ii，t在目标和指标之间，以最小化等式8。其次，KI代表了政策问题的重要性。也就是说，政策问题对发展进程至关重要，因为它们会在其他问题上产生溢出效应；因此，对此类政策的投资更有助于达到指标的目标。第三，ZF试图达到˙T，同时试图通过减少分配给那些被发现挪用资金的官员的政策来遏制腐败。这些预算变化不一定意味着对公务员的直接惩罚。尽管如此，预算调整是ZF向官僚发出的一个信号，要求遵守纪律，并提高其未来的贡献。预算变化取决于ZF通过法治执行其决策的能力（这就是为什么fR，t乘以θi，t）。另一种解释是，糟糕的法治意味着中央当局在发现腐败迹象时并不真正有兴趣发出信号。最后，分配给策略i的资源量isPi，t=pi，tB。

（12） 总之，该模型从政策问题相互依存的政治经济博弈中生成内生指标。中央政府和公务员的激励机制之间的错位导致了搭便车和非法的个人收益。为了达到目标，政府惩罚腐败，并将资源分配给更有可能改善整体经济表现的政策问题。该模型需要三个外部信息来源：目标Ti、指标A之间的相互依赖网络和预算约束B。所有这些信息都可以从数据中获得。在下一小节中，我们将描述该模型的计算实现，前经验证据表明，腐败扭曲了公共支出的分配方式。特别是，Delavalade（2006年）通过对64个国家的多项式模型估计，表明腐败会减少经济发展中心的支出。理由是，腐败的政府官员将预算资源转移到更容易获得“更丰厚”贿赂和隐藏任何不当行为的部门。我们的方法从政府预算分配的角度考虑腐败问题。我们假设腐败和预算决策是一场政治经济博弈的结果，在这场博弈中，公共部门有动机转移分配的资金。这与权力下放形式的腐败对经济破坏更大的观点一致【Bardhan，1997年】，也与腐败作为非民选官员和对选民负责的中央政府之间博弈的理论研究一致【Accinelli等人，2016年】。请提供更结构化的代理时间描述。为了便于说明，我们模拟了三个主要内生变量的动力学，并解释了它们随时间的演化。3.4.

计算实现我们政治经济博弈的计算实现包括实例化中央当局和每个公务员，并让他们通过时间分别决定他们的分配和贡献。算法1总结了基于代理的模型。算法1：计算实现输入：A、˙T、B、γ1 foreach step T do2 foreach public servant i do3 update contribution Ci，T；4更新福利Fi，t；5 foreach node i do6更新指标Ii，t；7 foreach node i do8中央机构更新Pi、t；9如果|˙Ii，t-˙Ii，t-1| <  然后我停下；为了说明模型动力学，我们给出了在Erd"os-R"enyi随机网络上运行的三个非典型模拟结果，该网络具有50个节点和100条边。Weassume目标Ti~ U（0，1）和初始资源Pi，0=1/N，对于每个i。初始条件为ii，0~ U（0，Ti）和Ci，0~ 每个i的U（0，Pi，0）。图1精确地说明了ourABM的三个主要内生变量的演变。左面板显示了发展指标的趋同动态。在这里，我们可以看到，一些指标的收敛速度较慢。这种异质性可能是目标和初始条件之间差异的结果，也可能是网络拓扑造成的影响。中间的面板显示了官员贡献的动态。它说明了每个官员了解腐败程度的过程，中央当局可能会对其进行处罚。右侧面板显示了每个政策问题的分配动态。不同行的“粗细”是由发现腐败后的预算调整造成的。

分配通过不同步骤的交叉反映了ZF适应的过程。0 2000 4000 6000 8000 10000次指示灯0 2000 4000 6000 8000 10000次贡献（日志）贡献0 2000 4000 6000 8000 10000次分配（日志）分配图1：模型运行示例。这一描述突出了政策问题不同变量演变和排序的定性性质。数据和网络估计为了进行实证应用，有必要建立一个各国发展指标综合数据库。在本节中，我们将介绍一组指标数据，这些指标分为13个发展支柱、必要的规范化和转换，以及用于估计政策问题之间溢出网络的方法。与任何创新的实证分析一样，可用数据的质量和估计方法必须随着知识的发展而提高。特别是，由于网络估计领域正在快速增长，预计将对该应用程序进行修订。目前，我们必须做出具体的方法选择，就像在网络链接中估计方向和权重的过程中一样。4.1. 数据我们的数据包括79个国家层面的政策指标，来自三个不同的来源。首先，我们使用世界经济论坛（WorldEconomic Forum）编制的《全球竞争力报告》中的数据，其中包括大量与经济竞争力相关的指标。第二和第三个来源由世界银行提供：世界发展指标（用于衡量各国总体社会经济发展）和世界治理指标，重点关注法治和ZF效能等主题。该数据集包括117个国家2006-2016年期间的年度观测数据。

对于101个国家，我们有11个观察结果；对于12个国家，我们有10个观察结果；四个国家有9项观察结果（见附录A表A.1中数据库中的所有国家）。对于给定的政策问题i，我们将各国的相应指标标准化c=1，117年y=2006年，2016年至0（最坏结果）和1（最佳结果）之间的区间。在形式上，这种规范化使用公式~ci，y=^Ici，y-^Ii，最小值^Ii，最大值-^Ii，min，（13），其中^Ii，min和^Ii，max是各国和各年份指标i的最小和最大经验值，^i表示观测值的经验非标准化值。对于少数高度倾斜的指标，我们分别使用第4和第96百分位，而不是最小或最大值。为了确保所有指标的值越高，产出越好，我们采用了倒数1- 我~ci，y原始指数与人均GDP是否存在负相关关系。最后，使用链式方程多重计算法估算缺失观测值（6.3%）（关于归一化指标的描述性统计，见附录A中的表A.2）。虽然我们在每个国家一级进行分析，但通过将国家按其发展指标结构的相似性进行聚类，总结我们的结果是有益的。本着同样的精神，我们将指标分为13个被广泛接受的发展支柱，代表着对国家发展至关重要的广泛政策问题。为了识别国家集群，我们采用Ward方法，使用L2（欧几里德）范数作为跨越79个指标的距离度量。

该方法背后的原则是通过最小化组内发展指标的变化将类似国家分组，同时最大化如果使用公式13计算的指数平均值低于0.2（高于0.8），我们使用第96（4）百分位代替最大（min）函数，然后将上限（下限）限制为1（零）。各组之间的差异。我们选择这种方法，而不是世界银行定义的常用收入群体，因为它允许我们在所有79个维度上对国家进行比较，而不是仅在一个维度上进行比较。0.00.20.40.60.8企业平均指标治理基础设施宏观经济环境健康教育商品市场效率劳动力市场效率金融市场发展技术成熟度业务成熟度研发创新公共治理营商成本图2：按发展支柱和集群划分的指标平均水平。每个彩色组代表一个开发支柱。在每个支柱内，最左侧的杆对应于组1，而最右侧的杆对应于组4。图2显示了13个支柱中每个集群的平均发展水平。总的来说，第1组（每个支柱中最左侧的栏）包含最发达的国家，而第4组包含最不发达的国家。集群1和集群2之间的差异在教育和研发创新支柱方面更为明显，而集群3和集群4之间的差异在健康支柱方面更为明显，但总体而言，它们的差异不太明显。

一般来说，集群的指标水平越高，组成国家的发展水平就越高。当查看13个支柱或79个指标时，这一点变得很明显。因此，成功的发展战略应确定能够在所有这些指标中达到预期目标的分配比例。附录B中的图2和图B.13显示了“中高开发陷阱”。也就是说，类别1和2之间的差距最大。然而，卫生支柱在第3组和第4组之间的差距最大。此外，基础设施、金融市场发展、技术成熟度、公共治理和商业成熟度等指标在集群2和集群3.4.2之间存在显著差距。网络估计存在几种估计有向网络的方法，每种方法都有不同的假设和限制。例如，Pearl【1988】、Pearl等人【2016】阐述的贝叶斯网络假设非循环图，不描述因果关系，而基于Granger【1969】的Granger因果网络假设变量之间的潜在线性关系，如Castagneto Gissey等人【2014】所示。这两种方法都需要较高的观测值与变量比率，这是发展指标数据中的一个常见限制。出于所有这些原因，我们采用了一种经验策略，该策略是在根据功能磁共振成像数据估计神经网络时开发的【Smith等人，2011年，Hoyer等人，2008年】。我们的估计策略包括两个步骤：1）确定哪些指标对具有显著关系（及其权重），2）推断这些关系的因果方向。

将这一战略应用于每个国家。为了估计哪些指标对具有显著关系，我们采用了三角化最大过滤图（TMFG）方法【Massara等人，2017年】。该方法基于发展指标的相关矩阵。TMFG通过测量成对相关性（以其他指标（部分相关性）为条件），揭示了有意义的底层网络结构。该网络包含有关相关矩阵中不存在的政策问题之间相互关系的复杂结构的信息。TMFG方法是平面最大过滤图方法的一个补充【Tumminello等人，2005年】，该方法最初用于识别美国股市中的流通股【Kenett等人，2010年】。一旦我们获得了发展指标的底层网络结构，我们就可以确定边缘的方向。为此，我们遵循Hyv¨arinenand Smith（2013）开发的似然比方法。由此产生的图表是发展指标的有向加权网络。如前所述，网络评估是一个非常活跃的话题，不断产生不同的方法，跨越不同的领域。我们之所以选择这些方法，是因为它们适用于具有fewobservations和多个维度的数据集，它们强调捕获复杂结构，并且它们的图表通过删除和添加边来推断因果关系，但网络本身并没有关于因果关系结构的信息。计算成本低。随着油田的发展，我们希望有更多更好的替代方案，因此我们可以重新评估和改进我们目前的估计。描述拓扑差异的第一种近似方法是显示聚合数据的邻接矩阵。为此，我们对同一簇中各个国家的邻接矩阵项求和。

图3显示了这些聚合网络。回想一下，溢出的方向是从行到列的。第一个突出的特点是，许多条目位于对角线附近。由于我们按发展支柱对行和列进行了排序，这意味着对于某些支柱，其发展指标往往与其他不同支柱的指标之间的关系更强。然而，对角线之外还有大量非零条目，这表明存在政策问题，其影响远远超出其自身支柱。请注意，在集群1中，公共治理和经营成本高度关联；在集群2中，有一个比其他三个集群更稀疏的网络；在第3组中，公共治理在大多数支柱中都具有相互依赖性；这些教育指标在第2组的支柱之外没有联系，在第3组和第4组中很少有联系。这些事实突显了处于不同发展阶段的国家的结构性差异。模型的外部验证在作业成本管理系统的认识论中，外部验证通常指以令人满意的方式解释现实世界现象的能力。反过来，当所研究的现象被模型“艺术社会”所“成长”时，一种解释是令人满意的（即，没有对系统的总体行为进行假设）。因此，外部验证的第一个标准是，我们的艺术人口（由政府和官员组成）是否能够处理不断涌现的真实世界的典型事实。在本节中，我们使用与采样周期相对应的经验估计来验证模型。

为了说明清楚，我们在第7.1节中提供了有关估算程序的详细信息。在估计每个国家的网络时，我们还发现了它们在政策上的异同（参见附录B中的图B.14）。企业治理基础设施宏观经济环境健康教育商品市场效率劳动力市场效率金融市场发展技术成熟度业务成熟度研发创新公共治理营商成本集群1（高）集群2（中高）集群3（中低）集群4（低）图3：按集群聚合的网络。每个面板描述每个集群的聚合邻接矩阵。节点（政策问题）按照13个发展支柱进行了安排和着色。灰度点记录边的存在和权重。5.1. 跨国腐败水平第一次验证活动包括评估模型在多大程度上能够再现真实数据中观察到的跨国腐败水平。该练习包括为每个国家运行蒙特卡罗模拟样本，向其提供预算约束TB和数据集中指标的初始值和最终值（初始值是初始条件，最终值是目标）。我们对腐败的实证衡量来自一个独立的发展指标（该指标未被纳入评估范围）：挪用公款；这正是我们在模型中定义腐败的方式。我们在职能层面上对腐败的理论衡量是差距Pi- Ci。为了为整个模拟构建一个聚合度量，我们对其周期进行求和。