5D Library

第一章 逆向博弈论：激励相容与显示原理

5D Library › 机制设计、激励相容与谈判博弈的数学模型 · English

第一章 逆向博弈论：激励相容与显示原理

从「给定规则」到「设计规则」

博弈论的通常问法是：规则已经给定，参与者会怎样行动，结果会是什么？机制设计把问题倒过来：我们先说清楚希望得到什么结果——比如物品落到最看重它的人手里，或者一个公共项目只在总收益超过成本时才建——然后问：有没有一套规则，能让这些各怀私心、各有私人信息的人，在追求自身利益的同时恰好实现这个结果？ 所以机制设计常被称为「逆向博弈论」。

证据

2007 年诺贝尔经济学奖。 瑞典皇家科学院把 2007 年的经济学奖授予赫维茨、马斯金与迈尔森，表彰他们「为机制设计理论奠定了基础」。评奖委员会的科学背景说明把这一领域的起点追溯到赫维茨：他在 1960 年把资源配置过程描述为参与者之间交换信息的程序，并比较不同程序的信息效率 (Hurwicz 1960)；1972 年他提出了激励相容的概念，并证明在一类标准的交换经济中，不存在一种同时满足「人人如实报告是占优策略」「结果帕累托有效」「每个人自愿参加」的机制 (Hurwicz 1972; Prize Committee of the Royal Swedish Academy of Sciences 2007)。他在 1972 年美国经济学会年会上所作的理查德·T·伊利讲座（1973 年刊于《美国经济评论》）中系统阐述了这一框架 (Hurwicz 1973)。

赫维茨的不可能性结果是本书反复出现的一类结论的第一个：在私人信息面前，好的性质往往不能全都要。机制设计的工作，很大一部分就是弄清楚哪些可以同时得到、哪些必须取舍，以及取舍的代价有多大。

机制、类型与激励相容

用最少的符号来说：每个参与者 ii 有一个只有自己知道的类型 θi\theta_i（比如自己对一件物品的估值、自己的成本）。设计者希望实现一个社会选择规则 f(θ1,…,θn)f(\theta_1, \dots, \theta_n)，即在每一种类型组合下应当出现的结果。一个机制规定每个人可以发送的信息（出价、申报、选择），以及根据这些信息决定结果和转移支付的规则。

一个机制激励相容，是指在这套规则下，参与者如实行动正是对自己最有利的。有两种强弱不同的版本：

  • 占优策略激励相容：不管别人怎么做，如实报告都不比任何其他报告差。
  • 贝叶斯激励相容：在每个人都如实报告、且大家对彼此类型的分布有共同信念的前提下，如实报告使自己的期望收益最大。

另一个反复出现的条件是个人理性（参与约束）：每个人参加这个机制，至少不比不参加差。按照参与者在什么时候作判断，又分为事前、中期（知道自己的类型、不知道别人的类型时）与事后三种。

推导

显示原理。 假设某个机制（无论多复杂，比如多轮公开喊价）有一个均衡，在其中类型为 θi\theta_i 的人采取策略 si(θi)s_i(\theta_i)，最后得到结果 g(s1(θ1),…,sn(θn))g(s_1(\theta_1), \dots, s_n(\theta_n))。现在构造一个直接机制：请每个人直接报告自己的类型 θ̂i\hat\theta_i，然后由机制「替他们」执行原来的均衡策略，输出 g(s1(θ̂1),…,sn(θ̂n))g(s_1(\hat\theta_1), \dots, s_n(\hat\theta_n))。

如果在新机制中某人谎报能获益，那么在原机制中他模仿那个类型的策略也能获益，这与 sis_i 是均衡策略矛盾。所以在直接机制中如实报告是均衡，而且结果与原机制完全一样。

推论：凡是某个机制的均衡能实现的结果，一定也能由一个如实报告的直接机制实现。 寻找最优机制时，只需在「如实报告是均衡」的直接机制中寻找。

证据

显示原理的来源。 这一原理在 20 世纪 70 年代由多位作者在不同的均衡概念下独立提出：吉伯德 1973 年在占优策略的框架下证明了投票规则的可操纵性定理，其中包含了这一思想 (Gibbard 1973)；达斯古普塔、哈蒙德与马斯金 1979 年系统讨论了社会选择规则的执行与激励相容 (Dasgupta, Hammond, and Maskin 1979)；迈尔森 1979 年在贝叶斯均衡的框架下给出了它的一般形式，并用它研究议价问题 (Myerson 1979)。马斯金则研究了另一个问题：什么样的社会选择规则能在纳什均衡中被完全执行（不只是有一个好的均衡，而是所有均衡都好），并给出了「单调性」这一必要条件 (Maskin 1999)。

注

显示原理不是说「应该让人直接报告类型」。 它是一个分析工具：先在直接机制中找到可能实现的最好结果，再去寻找一个现实中可操作的机制来实现它。现实中的拍卖、招标、合同常常有充分的理由不采用直接机制，比如保护隐私、减少计算、让参与者更容易理解规则。

我切你选：没有嫉妒的分配

最古老的一个机制可能是两个孩子分蛋糕的「我切你选」：一个人切，另一个人先挑。

证据

公平分配问题。 波兰数学家斯坦豪斯 1948 年在《计量经济学》上把「公平分配」作为数学问题提出：怎样把一件可分的物品分给 nn 个估值不同的人，使每个人按自己的估值都至少得到 1/n1/n；他讨论了两人的「我切你选」，并介绍了巴纳赫与克纳斯特把它推广到 nn 人的程序 (Steinhaus 1948)。后来的研究区分了「比例公平」（每人至少得到自己眼中的 1/n1/n）与更强的「无嫉妒」（没有人觉得别人那份比自己的好）。两人时，「我切你选」两者都满足；人数更多时，无嫉妒的程序要复杂得多 (Brams and Taylor 1996)。

「我切你选」的激励逻辑很清楚：切的人不知道（或不能控制）对方会拿哪一块，所以最稳妥的做法是切成在自己眼中相等的两块；挑的人拿自己更喜欢的那块，当然不会嫉妒。

推导

一块长度为 1 的蛋糕，切的人更喜欢左端（密度 1.6−1.2x1.6 – 1.2x），挑的人更喜欢右端（密度 0.4+1.2x0.4 + 1.2x），两人对整块蛋糕的估值都是 1。

# "I cut, you choose" on a cake [0, 1]. Cutter's density f(x) = 1.6 - 1.2x (likes the left
# end); chooser's g(x) = 0.4 + 1.2x (likes the right end); each values the cake at 1.
f = lambda x: 1.6 - 1.2 * x
g = lambda x: 0.4 + 1.2 * x

def value(dens, a, b, steps=4000):                 # midpoint-rule integral
    h = (b - a) / steps
    return sum(dens(a + (k + 0.5) * h) for k in range(steps)) * h

def play(cut):                                     # chooser takes the piece he prefers
    takes_right = value(g, cut, 1) >= value(g, 0, cut)
    cutter = value(f, 0, cut) if takes_right else value(f, cut, 1)
    return cutter, max(value(g, 0, cut), value(g, cut, 1))

lo, hi = 0.0, 1.0                                  # honest cut: halves equal for HER
for _ in range(50):
    mid = (lo + hi) / 2
    lo, hi = (mid, hi) if value(f, 0, mid) < 0.5 else (lo, mid)
cg, hg = play(hi)
print(f"honest cut at {hi:.3f}: cutter gets {cg:.3f} (other piece {1 - cg:.3f} to her);"
      f" chooser {hg:.3f}")
# An informed cutter moves the knife to the chooser's indifference point.
cuts = [k / 1000 for k in range(1, 1000)]
k = max((c for c in cuts if value(g, c, 1) >= value(g, 0, c)), key=lambda c: play(c)[0])
ci, hi2 = play(k)
print(f"informed cutter cuts at {k:.3f}: she gets {ci:.3f}, chooser {hi2:.3f}")
print(f"sum of values: honest {cg + hg:.3f}, informed {ci + hi2:.3f}, "
      f"best split {value(f, 0, 0.5) + value(g, 0.5, 1):.3f}")
# honest cut at 0.362: cutter gets 0.500 (other piece 0.500 to her); chooser 0.777
# informed cutter cuts at 0.638: she gets 0.777, chooser 0.501
# sum of values: honest 1.277, informed 1.277, best split 1.300

结果显示了这一机制的三个性质。第一，切的人如实地按自己的偏好切（切在 0.362 处），得到自己眼中恰好一半；挑的人得到自己眼中的 0.777，两人都不嫉妒对方。第二，它保证的只是一半，并不保证「公平地分享剩余」：如果切的人知道挑的人的偏好，她会把刀移到挑的人恰好无所谓的位置（0.638），自己拿到 0.777，挑的人只剩 0.501——仍然无嫉妒，但好处全归了切的人。这正是机制设计关心的信息问题：规则的结果取决于谁知道什么。第三，它不一定有效：两人估值之和最高可以达到 1.300（从正中间切开、各拿自己喜欢的一端），而「我切你选」只得到 1.277。

公共品：搭便车与克拉克枢纽机制

蛋糕是私人物品，一个人多拿另一个人就少拿。公共品不同：一条路、一套公共软件、一次行业标准制定，一旦提供，大家都能用。

证据

搭便车。 萨缪尔森 1954 年指出，公共品的有效供给要求所有人的边际收益之和等于边际成本，但由于每个人都可以在不付费的情况下享用，自愿出资的人有低报自己收益的动机 (Samuelson 1954)。在公共品自愿捐献的实验中，一次性或重复博弈的开头，人们通常会捐出禀赋的相当一部分（约四到六成），而不是理论预测的零；但在重复进行时捐献通常逐渐下降 (Ledyard 1995)。

推导

两种程序。（1）自愿捐献：4 人，每人禀赋 20，放进公共池的每一单位给每个人带来 0.4 的回报。（2）克拉克枢纽机制：一个是否建设的公共项目，成本 100，每人分摊 25；每个人报告自己的估值，如果报告的净值之和非负就建设；一个人只有在她的报告改变了决定时才交税，税额等于她给其他人造成的损失。

# (1) Voluntary contributions: 4 people, endowment 20; each unit in the pot returns 0.4 to
# EACH member. (2) Clarke pivot: project costs 100, shared 25 each; build if reported net
# values sum to >= 0; a person pays tax only if her report changes the decision.
import random
ENDOW, MPCR, SHARE = 20, 0.4, 25.0
pay = lambda own, others: ENDOW - own + MPCR * (own + others)
best = {max(range(ENDOW + 1), key=lambda c: pay(c, o)) for o in range(3 * ENDOW + 1)}
print(f"voluntary pot: best own contribution for every total from others = {best}")
print(f"all give 0 -> {pay(0, 0):.0f} each; all give 20 -> {pay(20, 60):.0f} each")

def clarke(reports, i):
    net = [r - SHARE for r in reports]
    build, others = sum(net) >= 0, sum(net) - net[i]
    return build, (abs(others) if (others >= 0) != build else 0.0)

def utility(v, reports, i):
    build, tax = clarke(reports, i)
    return (v - SHARE if build else 0.0) - tax

rng = random.Random(7)
gain, taxes, ok = 0.0, [], 0
for _ in range(2000):
    vals = [rng.uniform(0, 60) for _ in range(4)]
    truth = utility(vals[0], vals, 0)
    gain = max([gain] + [utility(vals[0], [r] + vals[1:], 0) - truth
                         for r in range(0, 101, 2)])
    taxes.append(sum(clarke(vals, i)[1] for i in range(4)))
    ok += clarke(vals, 0)[0] == (sum(vals) >= 100)
print(f"Clarke: 2,000 profiles x 51 misreports, largest gain from lying = {gain:.6f}")
print(f"efficient decision in {ok / 20:.1f} % of profiles; taxes (burned) mean "
      f"{sum(taxes) / 2000:.2f}, positive in {sum(t > 0 for t in taxes) / 20:.1f} %")
# voluntary pot: best own contribution for every total from others = {0}
# all give 0 -> 20 each; all give 20 -> 32 each
# Clarke: 2,000 profiles x 51 misreports, largest gain from lying = 0.000000
# efficient decision in 100.0 % of profiles; taxes (burned) mean 5.74, positive in 42.8 %

自愿捐献中，无论别人投多少，自己投 0 都是最好的回应（每投入一单位，自己只拿回 0.4）；于是所有人都投 0，每人得 20，而所有人都投满时每人可得 32。这就是搭便车的困境。

克拉克枢纽机制把激励问题解决了：在 2,000 组随机估值、每组试遍 51 种谎报的检验中，谎报带来的最大收益是 0——如实报告是占优策略，而且建设决策在 100% 的情形中都是有效的。原因与下一章的维克里拍卖相同：你的报告只决定结果，而你付的税完全由别人的报告决定 (Clarke 1971; Groves 1973)。

但它付出了一个代价：在 42.8% 的情形中至少有一个人是「枢纽」，需要交税，平均每组 5.74。这笔钱不能退还给参与者，否则会重新制造谎报的动机，只能烧掉或交给局外人。格林与拉丰证明，在相当一般的条件下，任何占优策略激励相容、决策有效的机制都不能同时做到预算平衡 (Green and Laffont 1977)。这是本书第三章那个更著名的不可能性定理的前奏。

假说 · 尚未验证

「切与选」比协商分工更少留下不公平感（尚未确立）。在合伙人分配两份价值不确定的工作（例如两个客户项目）时，用「一人分组、另一人先挑」的程序，比自由协商分工，事后自评的不公平感更低，且分工的总体满意度不低于协商。可以检验的预测：在随机分配程序的实验中，切—选组在完成后报告的「对方占了便宜」的比例低于协商组。如果两组没有差别，或切—选组因「切的一方被迫接受」而更不满意，这一假说就被削弱。

本章小结

机制设计先确定希望实现的结果，再寻找能让自利的、拥有私人信息的参与者自愿实现它的规则。核心概念是激励相容与个人理性；显示原理表明，寻找最优机制时只需考虑如实报告的直接机制。赫维茨的早期结果已经显示，在私人信息面前，有效、自愿参与与占优策略激励相容不能同时得到。「我切你选」是无嫉妒的，但只保证每人一半，且结果取决于谁拥有关于对方偏好的信息；公共品自愿捐献的均衡是人人搭便车，克拉克枢纽机制让如实报告成为占优策略并作出有效决策，代价是收来的税不能退还、预算无法平衡。下一章把同样的逻辑用到拍卖上。

参考文献

Brams, Steven J., and Alan D. Taylor. 1996. Fair Division: From Cake-Cutting to Dispute Resolution. Cambridge: Cambridge University Press.
Clarke, Edward H. 1971. “Multipart Pricing of Public Goods.” Public Choice 11: 17–33. https://doi.org/10.1007/BF01726210.
Dasgupta, Partha, Peter Hammond, and Eric Maskin. 1979. “The Implementation of Social Choice Rules: Some General Results on Incentive Compatibility.” Review of Economic Studies 46 (2): 185–216.
Gibbard, Allan. 1973. “Manipulation of Voting Schemes: A General Result.” Econometrica 41 (4): 587–601. https://doi.org/10.2307/1914083.
Green, Jerry, and Jean-Jacques Laffont. 1977. “Characterization of Satisfactory Mechanisms for the Revelation of Preferences for Public Goods.” Econometrica 45 (2): 427–38.
Groves, Theodore. 1973. “Incentives in Teams.” Econometrica 41 (4): 617–31. https://doi.org/10.2307/1914085.
Hurwicz, Leonid. 1960. “Optimality and Informational Efficiency in Resource Allocation Processes.” In Mathematical Methods in the Social Sciences, 1959, edited by Kenneth J. Arrow, Samuel Karlin, and Patrick Suppes, 27–46. Stanford, CA: Stanford University Press.
———. 1972. “On Informationally Decentralized Systems.” In Decision and Organization: A Volume in Honor of Jacob Marschak, edited by C. B. McGuire and Roy Radner, 297–336. Amsterdam: North-Holland.
———. 1973. “The Design of Mechanisms for Resource Allocation.” American Economic Review 63 (2): 1–30.
Ledyard, John O. 1995. “Public Goods: A Survey of Experimental Research.” In The Handbook of Experimental Economics, edited by John H. Kagel and Alvin E. Roth, 111–94. Princeton, NJ: Princeton University Press.
Maskin, Eric. 1999. “Nash Equilibrium and Welfare Optimality.” Review of Economic Studies 66 (1): 23–38. https://doi.org/10.1111/1467-937X.00076.
Myerson, Roger B. 1979. “Incentive Compatibility and the Bargaining Problem.” Econometrica 47 (1): 61–73. https://doi.org/10.2307/1912346.
Prize Committee of the Royal Swedish Academy of Sciences. 2007. “Mechanism Design Theory: Scientific Background on the Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel 2007.” Royal Swedish Academy of Sciences, Stockholm.
Samuelson, Paul A. 1954. “The Pure Theory of Public Expenditure.” Review of Economics and Statistics 36 (4): 387–89.
Steinhaus, Hugo. 1948. “The Problem of Fair Division.” Econometrica 16 (1): 101–4.

Fan, Y. (2026). Mechanism Design, Incentive Compatibility and the Game Theory of Negotiation: From Vickrey Auctions and the Myerson-Satterthwaite Theorem to Nash Bargaining, Read Beside Classical Chinese Legalist and Confucian Institutional Thought [机制设计、激励相容与谈判博弈的数学模型] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23765012 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).