5D Library › 演化博弈、直接与间接互惠及合作涌现的数学模型 · English
第四章 间接互惠:形象分与二阶声誉规范
帮助一个不会再见的人
直接互惠要求同一对个体反复相遇。人类社会中大量的帮助发生在陌生人之间:施助者不会从受助者那里得到回报,回报来自第三方,即「我帮了别人,别人看在眼里,所以有人帮我」。这就是间接互惠。
证据
形象分。 诺瓦克与西格蒙德 1998 年提出了一个间接互惠的模型:每个个体有一个公开的「形象分」,每帮助别人一次加分,每拒绝一次减分;「鉴别者」只帮助形象分不低于某个门槛的人。计算机模拟与解析模型都显示,只要知道对方形象分的概率 超过代价与收益之比 ,这样的合作就可以维持 (Nowak and Sigmund 1998)。韦德金德与米林斯基 2000 年在大学生中的实验支持了这一点:在无法直接回报的条件下,以前给予较多的人得到的帮助也较多 (Wedekind and Milinski 2000)。米林斯基、泽曼与克兰贝克 2002 年发现,把间接互惠的回合与公共品博弈交替进行,可以使公共品的捐献维持在高水平 (Milinski et al. 2002)。
形象分有一个漏洞。鉴别者拒绝帮助一个形象很差的背叛者,这本来是对背叛者的制裁;但在形象分的记账中,「拒绝」就是减分。于是正当的制裁者自己的形象也变差,其他鉴别者又会拒绝帮助他,他的形象再变差……制裁背叛者的人被当成了背叛者。莱马尔与哈默斯坦 2001 年在一个更现实的种群模型中发现,形象分策略并不稳定 (Leimar and Hammerstein 2001);潘查纳坦与博伊德 2003 年指出,问题出在形象分不区分「无故不帮」与「有理由不帮」,而经济学家萨格登 1986 年提出的「持守」(standing)概念恰好作出了这一区分 (Panchanathan and Boyd 2003; Sugden 1986)。
一阶与二阶评价
把声誉写成「好」与「坏」两种标签,评价规则可以按它看的信息分类。一阶规则只看施助者做了什么:帮助为好,拒绝为坏,这就是二元化的形象分。二阶规则还看受助者的标签。
推导
四种常见规则对施助者的评价(G 为好,B 为坏):
| 规则 | 帮助好人 | 拒绝好人 | 帮助坏人 | 拒绝坏人 |
|---|---|---|---|---|
| 形象分(一阶) | G | B | G | B |
| 排斥(shunning) | G | B | B | B |
| 简单持守(simple standing) | G | B | G | G |
| 严格评判(stern judging) | G | B | B | G |
四种规则的前两列相同;区别在于怎样评价与坏人打交道。简单持守下,拒绝坏人是正当的,帮助坏人也不算错;严格评判下,拒绝坏人是正当的,帮助坏人反而为坏;排斥下,与坏人打交道无论怎样都为坏。
证据
前八规范。 大槻与岩佐 2004 年系统地考察了一类更大的规则:评价时同时看施助者自己的标签、受助者的标签与施助者的行为(三阶评价),并配上相应的行动规则。在所有组合中,只有 8 种能使「鉴别者」的种群在有错误时维持高水平的合作并抵御其他策略的入侵,他们称之为「前八」(leading eight)(Ohtsuki and Iwasa 2004)。2006 年的论文分析了这八种规范的共同特点:好人帮助好人被评为好(维持合作);拒绝帮助好人被评为坏(识别背叛者);好人拒绝帮助坏人被评为好(正当的惩罚);坏人帮助好人可以被评为好(宽恕或道歉)。简单持守与严格评判都在前八之中,形象分与排斥不在 (Ohtsuki and Iwasa 2006)。
所以,框架中「拒绝帮助坏人不掉分」对前八规范都成立,这是它们与形象分的关键区别;「帮助坏人被判为坏」则只在严格评判等部分规范中成立,在简单持守下帮助坏人仍然为好。两者应当分开说。
程序:四种规则下的声誉动力学
下面的程序模拟一个 100 人的种群。每一步随机选一个施助者和一个受助者;帮助使施助者付出 、受助者得到 。鉴别者(DISC)帮助标签为好的人、拒绝标签为坏的人;永远合作者(ALLC)总是帮助;永远背叛者(ALLD)从不帮助。之后一个公共的观察者按规则给施助者贴上新标签,所有人都采用这个标签。有两种错误:想帮助却没有帮成(2%),以及观察者贴错标签(1%)。
推导
# Indirect reciprocity with public reputations (everyone shares one view, as in Ohtsuki
# & Iwasa 2004). N = 100 players; each step a random donor meets a random recipient and
# may give b = 3 at cost c = 1. DISC (discriminators) help Good recipients and refuse
# Bad ones; ALLC always help; ALLD never. An observer then labels the DONOR Good or Bad
# by a norm that looks at the action and the recipient's label (second-order norms;
# image scoring looks at the action only). Errors: an intended help fails with prob. e =
# 0.02; the observer assigns the wrong label with prob. mu = 0.01.
# help Good refuse Good help Bad refuse Bad
# image scoring G B G B
# shunning G B B B
# simple standing G B G G
# stern judging G B B G
import random
rng = random.Random(8)
KEYS = (("C", "G"), ("D", "G"), ("C", "B"), ("D", "B"))
NORMS = {name: dict(zip(KEYS, labels)) for name, labels in
(("image scoring", "GBGB"), ("shunning", "GBBB"), ("simple standing", "GBGG"),
("stern judging", "GBBG"))}
B, C, E, MU = 3.0, 1.0, 0.02, 0.01
def run(norm, mix, steps=200000, N=100):
types = [t for t, k in mix.items() for _ in range(k)]
rep = ["G"] * N; pay = [0.0] * N
good = {t: 0 for t in mix}; seen = {t: 0 for t in mix}
zz_help = zz = 0
for step in range(steps):
d, r = rng.sample(range(N), 2)
t = types[d]
want = t == "ALLC" or (t == "DISC" and rep[r] == "G")
act = "C" if want and rng.random() > E else "D"
if act == "C": pay[d] -= C; pay[r] += B
if t == "DISC" and types[r] == "DISC": zz += 1; zz_help += act == "C"
lab = NORMS[norm][(act, rep[r])]
if rng.random() < MU: lab = "B" if lab == "G" else "G"
rep[d] = lab
if step > steps // 4 and step % 50 == 0:
for i in range(N): good[types[i]] += rep[i] == "G"; seen[types[i]] += 1
av = {t: sum(p for p, ty in zip(pay, types) if ty == t) / mix[t] / steps * N
for t in mix}
return {t: good[t] / seen[t] for t in mix}, zz_help / zz, av
print("columns: share Good by strategy | DISC->DISC help rate | payoff per round")
for mix in ({"DISC": 90, "ALLD": 10}, {"DISC": 70, "ALLD": 30}, {"DISC": 80, "ALLC": 20},
{"DISC": 70, "ALLD": 15, "ALLC": 15}):
ks = list(mix)
print("population " + ", ".join(f"{k} {v}" for k, v in mix.items()))
for norm in NORMS:
g, h, av = run(norm, mix)
print(f" {norm:16s} " + " ".join(f"{g[k]:5.2f}" for k in ks)
+ f" | {h:.2f} | " + " ".join(f"{av[k]:+.2f}" for k in ks))
# columns: share Good by strategy | DISC->DISC help rate | payoff per round
# population DISC 90, ALLD 10
# image scoring 0.08 0.01 | 0.08 | +0.14 +0.03
# shunning 0.09 0.01 | 0.09 | +0.16 +0.03
# simple standing 0.97 0.11 | 0.95 | +1.71 +0.28
# stern judging 0.97 0.12 | 0.95 | +1.70 +0.30
# population DISC 70, ALLD 30
# image scoring 0.03 0.01 | 0.04 | +0.05 +0.02
# shunning 0.04 0.01 | 0.04 | +0.05 +0.02
# simple standing 0.98 0.24 | 0.96 | +1.26 +0.51
# stern judging 0.98 0.24 | 0.96 | +1.26 +0.50
# population DISC 80, ALLC 20
# image scoring 0.86 0.97 | 0.84 | +1.73 +1.91
# shunning 0.24 0.25 | 0.25 | +0.94 +0.18
# simple standing 0.97 0.97 | 0.95 | +1.92 +1.90
# stern judging 0.97 0.93 | 0.95 | +1.93 +1.80
# population DISC 70, ALLD 15, ALLC 15
# image scoring 0.45 0.01 0.97 | 0.44 | +0.92 +0.47 +1.44
# shunning 0.06 0.01 0.06 | 0.06 | +0.52 +0.46 -0.43
# simple standing 0.97 0.15 0.97 | 0.95 | +1.61 +0.76 +1.44
# stern judging 0.98 0.17 0.81 | 0.96 | +1.64 +0.80 +1.11第一组结果显示了形象分的漏洞:种群中有 90% 的鉴别者与 10% 的背叛者时,在形象分规则下鉴别者中只有 8% 被评为好,鉴别者之间的帮助率只有 8%,每轮平均收益 0.14,几乎与背叛者一样低。拒绝背叛者使鉴别者变坏,而拒绝变坏的鉴别者又使更多鉴别者变坏,合作在鉴别者之间瓦解了。排斥规则的结果几乎一样。在简单持守与严格评判下,鉴别者 97% 为好,彼此之间的帮助率为 95%,收益 1.71 与 1.70,远高于背叛者的 0.28 与 0.30。背叛者 30% 时,差别更明显。
程序中的形象分是最简单的二元版本,只记最近一次行为;诺瓦克与西格蒙德原文中的整数形象分更宽容一些。但漏洞的方向相同:只要拒绝本身被计为负分,正当的制裁就会受到惩罚。
第三组(鉴别者 80%,永远合作者 20%,没有背叛者)显示了另一面。形象分下,永远合作者的收益(1.91)高于鉴别者(1.73),因为鉴别者偶尔会因错误拒绝别人而被扣分。简单持守下两者几乎相同(1.92 与 1.90):在没有背叛者的时候,「无条件的好人」与「有条件的好人」无从区分。严格评判下永远合作者被评为好的比例降到 93%、收益降到 1.80,因为他们帮助了因错误而变坏的人。这说明了严格评判的作用:它惩罚对坏人的无条件帮助,因此能阻止永远合作者在种群中慢慢增加,而永远合作者的增加正是背叛者入侵的前奏。
推导
# The model of p08 in an infinite population: the share of Good players of each strategy
# solves a fixed-point equation, payoffs follow, and the replicator equation moves the
# strategy shares (DISC, ALLC, ALLD). Same norms and errors (b = 3, c = 1, e = 0.02, mu
# = 0.01), plus rare mutation: each strategy share drifts towards 1/3 at rate 0.002, so
# a strategy that has died out can come back. A start "ends cooperative" if the final
# state has cooperation above 80 % (share of interactions in which help is given).
NORMS = {"image scoring": {("C", "G"): 1, ("D", "G"): 0, ("C", "B"): 1, ("D", "B"): 0},
"shunning": {("C", "G"): 1, ("D", "G"): 0, ("C", "B"): 0, ("D", "B"): 0},
"simple standing": {("C", "G"): 1, ("D", "G"): 0, ("C", "B"): 1, ("D", "B"): 1},
"stern judging": {("C", "G"): 1, ("D", "G"): 0, ("C", "B"): 0, ("D", "B"): 1}}
B, C, E, MU = 3.0, 1.0, 0.02, 0.01
def reputations(x, nm, g0=None):
gd, gc, ga = g0 or (1.0, 1.0, 1.0)
for _ in range(500):
g = x[0] * gd + x[1] * gc + x[2] * ga # chance a recipient is Good
def good(pc_g, pc_b): # pc_* = P(help) vs Good / Bad
pg = g * (pc_g * nm[("C", "G")] + (1 - pc_g) * nm[("D", "G")]) \
+ (1 - g) * (pc_b * nm[("C", "B")] + (1 - pc_b) * nm[("D", "B")])
return (1 - MU) * pg + MU * (1 - pg)
new = (good(1 - E, 0.0), good(1 - E, 1 - E), good(0.0, 0.0))
if max(abs(a - b) for a, b in zip(new, (gd, gc, ga))) < 1e-12: break
gd, gc, ga = new
return gd, gc, ga
def payoffs(x, nm, g0=None):
gd, gc, ga = reputations(x, nm, g0)
g = x[0] * gd + x[1] * gc + x[2] * ga
recv = lambda gi: B * (1 - E) * (x[1] + x[0] * gi)
return (recv(gd) - C * (1 - E) * g, recv(gc) - C * (1 - E), recv(ga)), (gd, gc, ga)
def evolve(x, nm, t=1500.0, dt=0.2, m=0.002):
reps = None
for _ in range(int(t / dt)):
p, reps = payoffs(x, nm, reps)
av = sum(a * b for a, b in zip(x, p))
y = [max(0.0, xi + dt * (xi * (pi - av) + m * (1 / 3 - xi)))
for xi, pi in zip(x, p)]
s = sum(y); y = [v / s for v in y]
done = max(abs(a - b) for a, b in zip(x, y)) < 1e-9
x = y
if done: break
coop = (1 - E) * (x[0] * (x[0] * reps[0] + x[1] * reps[1] + x[2] * reps[2]) + x[1])
return x, coop
print("check against p08 (DISC 90 %, ALLD 10 %): share Good of DISC, ALLD")
for name, nm in NORMS.items():
gd, gc, ga = reputations([0.9, 0.0, 0.1], nm)
print(f" {name:16s} {gd:.2f} {ga:.2f}")
print("share of 36 starting mixes that end cooperative;\n end state from DISC 0.6,"
" ALLC 0.2, ALLD 0.2:")
starts = [[i / 10, j / 10, 1 - (i + j) / 10]
for i in range(1, 10) for j in range(1, 10 - i)]
for name, nm in NORMS.items():
ok = 0
for s0 in starts:
x, coop = evolve(s0, nm)
ok += coop > 0.8
x, coop = evolve([0.6, 0.2, 0.2], nm)
print(f" {name:16s} {ok / len(starts):.2f} DISC {x[0]:.2f} ALLC {x[1]:.2f}"
f" ALLD {x[2]:.2f}, cooperation {coop:.2f}")
# check against p08 (DISC 90 %, ALLD 10 %): share Good of DISC, ALLD
# image scoring 0.08 0.01
# shunning 0.08 0.01
# simple standing 0.97 0.12
# stern judging 0.97 0.12
# share of 36 starting mixes that end cooperative;
# end state from DISC 0.6, ALLC 0.2, ALLD 0.2:
# image scoring 0.00 DISC 0.11 ALLC 0.00 ALLD 0.89, cooperation 0.00
# shunning 0.00 DISC 1.00 ALLC 0.00 ALLD 0.00, cooperation 0.24
# simple standing 0.53 DISC 0.98 ALLC 0.02 ALLD 0.00, cooperation 0.95
# stern judging 0.61 DISC 0.99 ALLC 0.01 ALLD 0.00, cooperation 0.95第二段程序在无限种群中求出同一个模型的声誉平衡,并让三种策略的比例按复制子方程演化(加上很少的突变)。它与第一段程序吻合:90% 鉴别者、10% 背叛者时,形象分下鉴别者 8% 为好,简单持守与严格评判下 97%。在 36 个初始比例中,形象分与排斥下没有一个最终维持合作;简单持守下 53%、严格评判下 61% 的初始比例走向以鉴别者为主、合作率 95% 的状态。从「鉴别者 0.6、永远合作者 0.2、背叛者 0.2」出发,形象分下种群最终 89% 为背叛者;排斥下鉴别者占满种群,但因为错误不断制造「坏人」而合作率只有 24%;简单持守与严格评判下合作率为 95%。
注
公开评价的假设。 前八规范的结论建立在一个强假设上:所有人对每个人的好坏看法一致,评价是公开的、共享的。希尔贝、施密德、特卡德莱茨、查特吉与诺瓦克 2018 年发现,当每个人私下观察、独立评价,并且观察不完整或有误差时,个体之间的看法很快出现分歧,前八规范中的大多数不再能维持合作 (Hilbe et al. 2018)。所以,「采用二阶评价规则」本身不足以保证合作;评价信息怎样被收集与共享同样重要。第八章的核查表把这一点列为单独的一项。
「以直报怨」:类比而非等同
间接互惠的规范与古典伦理之间有一个容易引起联想的对照。《论语·宪问》中,有人问:「以德报怨,何如?」孔子回答:「何以报德?以直报怨,以德报德。」(第七章录全文。)「以德报德」与「好人帮助好人为好」相似;「以直报怨」与「拒绝坏人为好」也有几分相似:对于伤害自己的人,不以恩德回报,但也不以怨恨回报,而是以「直」相待。
这种对照只是结构上的类比。孔子讨论的是君子个人对待恩怨的态度,「直」在朱熹的解释中是「爱憎取舍,一以至公而无私」,是一种公正的心态,不是一条「拒绝帮助」的行动规则;而声誉规范讨论的是一个群体中由第三方执行的评价制度,它的效果是用种群中策略频率的变化来衡量的。把孔子说成「早已提出了二阶声誉规范」,既误解了孔子,也误解了模型。
假说 · 尚未验证
正当拒绝标注假说(尚未确立)。作者推测,在一个依赖成员互助的线上社群中,如果公开的贡献记录把「拒绝向被标记为违规者提供帮助」与「无故拒绝」区分开来,成员对违规者的制裁意愿会提高,而对守规成员的帮助不会减少。可以检验的预测是:在随机分配到两种记录方式的社群中,区分正当拒绝的社群里,违规者在被标记后得到的帮助下降更多,而守规成员之间的互助率不低于对照社群。如果两种社群对违规者的帮助没有差别,或者区分正当拒绝使守规成员之间的互助减少,这一假说就被推翻。第八章的试验检验与之相关的一个问题。那项试验的标签只用一个口径,即上表中的简单持守,并取最严格的正当化:对坏声誉者不捐献为好,对好声誉者不捐献为坏,向坏人捐献不扣分;在 3 人小组中,只有同组另外两人都为坏时不捐献才算正当。它不是严格评判(帮助坏人不扣分),也不是形象分(形象分不区分正当与不正当的不捐献)。
本章小结
间接互惠让合作可以发生在不会再见的陌生人之间,条件是声誉足够为人所知()。一阶的形象分有一个漏洞:拒绝帮助坏人也被扣分,于是正当的制裁者被当成背叛者,合作在有背叛者时瓦解。二阶评价把「无故拒绝」与「正当拒绝」区分开来;大槻与岩佐的前八规范都具有这一性质,其中严格评判还把帮助坏人评为坏,从而阻止无条件合作者的增加。这些结论依赖于评价公开、共享的假设。下一章讨论另一种不需要声誉的机制:谁与谁相邻。
参考文献
Fan, Y. (2026). Evolutionary Game Theory, Direct and Indirect Reciprocity and the Emergence of Cooperation: From Hamilton's Rule and Axelrod's Tournaments to Reputation and Costly Punishment, Read Beside Classical Confucian and Mohist Ethics [演化博弈、直接与间接互惠及合作涌现的数学模型] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23788551 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).