[發明專利]公共品投資實驗仿真系統及實現方法

無效

• 申請號: 200910095656.5
• 申請日: 2009-01-15
• 公開（公告）號: CN101464980A
• 公開（公告）日: 2009-06-24
• 發明（設計）人: 吳朝暉;唐智;吳健;鄧水光;李瑩;尹建偉
• 申請（專利權）人: 浙江大學
• 主分類號: G06Q10/00
• 分類號: G06Q10/00;G06Q50/00;G06N3/08
• 代理公司: 杭州裕陽專利事務所（普通合伙）
• 代理人: 張驍敏

技術領域

本發明涉及在公共品實驗中進行仿真實驗的方法。

背景技術

公共品理論是近年來經濟學的重要熱點問題，也是公共財政學研究的重點，公共福利，公共健康，公共醫療都可以劃歸為公共品的范圍。公共品的生成的主要途徑是政府向公眾收取稅款，利用稅收向產品和服務的提供者購買公眾需要的產品和服務，例如教育，醫療，政府再將這些公共品免費提供給公眾。因此研究公共品的生產問題，已經成為政府資金劃分的一個重要方面，而如何分配以及維護已有的公共品也是個大的研究方向。

公共品投資實驗是目前公共品理論研究的主要形式，通過在實驗室環境下進行公共品投資實驗，對得到的實驗數據進行統計分析。公共品實驗中存在著一個公共品兩難(Public?Goods?Dilemma)問題，公共品兩難是經典的社會兩難(Social?Dilemma)范式，社會兩難(social?dilemmas)是指一群人(N≥2)必須決定是最大化個人利益還是最大化集體利益。公共品兩難一個典型的解釋就是，在一個集體中，個人可以選擇合作和背叛，而最后整個集體的所有個人，按照集體收益平均分配資源。于是出現了合作者的收益永遠大于背叛者的收益，如果大家都選擇不合作，那集體中的任何人都無法獲得收益，這就是兩難的存在。

傳統的針對公共品兩難的研究大多一味的重復Fehr于2000年發表于Science的“公共品實驗中的合作和懲罰”(Cooperation?and?Punishment?in?PublicGoods?Experiments)中的實驗，企圖驗證Fehr的結果。傳統的研究使用0-1模式來標記合作與不合作，采用簡單的logistic線性回歸分析數據就結束了。然而根據實驗得到的數據往往具有離散性，線性回歸分析往往不能很好地得到其規律，采用0-1模式標記投資和不投資，使得數據的重復率過高，并且實驗得到的數據是有限的，根據這些有限數據得到的規律，往往不能反映真實的情況。

從經濟學的角度考慮，參與公共品實驗的投資人會從最大化個人利益的角度考慮，也就是純“理性人”的角度，但是在實際實驗中發現，“理性人”的假設被推翻，出現了親社會的“社會人”。為了解釋“社會人”的行為，出現了條件合作(conditional?cooperation)理論，條件合作理論認為人們傾向于在他人合作的情況下選擇合作，別人合作地越多，自己也合作地越多。主要研究不帶懲罰的公共品投資實驗，假設有N個人參加實驗，最初給每個人Z元，所有人在不知道他人投資的情況下，向一個公共品資源庫中投資C_i元，C_i表示第i個人投入的錢。該輪捐獻結束后，公共品資源庫中的資源總量乘以一個收益系數ρ后再平均分配給所有參與投資的人。這樣每個人的個人資源到最后等于原有的錢，減去投入公共品資源庫的錢加上從公共品資源庫中得到的回報。

本發明致力于解決的問題是哪種外部刺激更容易激發條件合作行為，造成高的條件合作概率。

發明內容

本發明的目的在于提供一種快速得知哪種外部刺激更容易激發公共品投資條件合作行為，造成高的條件合作概率的系統及方法。

本發明的目的是通過如下技術方案實現的：首先設計信息顯示條件不同的若干組對照實驗，將過去經驗即過去平均投資人數以及當前投資人數設為兩個自變量，將每組變量下的投資概率設為因變量，對實驗采集的數據進行處理，每組因變量的投資概率的計算公式為p＝m/(m+n)，n為選擇不投資的人數，m為選擇投資的人數；

征集若干名被試進行實驗，得到若干組有效數據，根據信息顯示條件分為4個大類；設立自變量和因變量分別為過去經驗以及當前投資人數，因變量為每組過去經驗和當前投資人數值對應的投資概率，每組變量為神經網絡學習的輸輸入輸出值；采用2-8-1的多層前饋(Back?Propagation)神經網絡結構進行學習，輸入為2個變量，中間層為8個神經元，輸出為1個變量；得到投資概率預測函數；

根據神經網絡建模得到的投資概率預測函數，在Swarm平臺上開發一個基于智能體仿真系統，模擬公共品博弈中智能體的投資行為及智能體與周圍環境的交互作用。

本發明與現有技術相比，具有如下有益效果：本發明設計了公共品投資實驗不同的信息顯示條件，以模擬真實情況，根據神經網絡建模數據并采用計算機仿真技術，從理論和實際上驗證何種信息顯示條件有利于得到最多的公共資源，具有重大的現實意義。

附圖說明

圖1是本發明總體框架圖。

圖2是本發明多層前饋神經網絡結構圖。