博弈系统范文（精选10篇）
博弈系统 第1篇
ERP的概念是Gartner公司90年代初首先提出的,被引入我国已经有好几年的历史了,我国企业也开始对这一概念有了一定的认识。最初都是把它当作一种软件来使用,并没有过多的考虑;随着社会的发展以及信息化的普及,加上企业发现应用ERP带来的效果并不显著,从而对ERP有了更进一步的认识,认识到仅仅将它看作是一个软件是不恰当的,不能给企业带来显著效果的原因并不是软件本身,而是企业要认识到自己的需求、明确自己的目标,从而才能够选择适合企业的ERP系统,同时,软件供应商也要充分展示自己提供的ERP系统的各种功能,企业才能够根据这些以及企业自身的需求作出正确的选择,这样才能够实现双赢。
博弈现象在生活中是很普遍的,小到生活中的小事,大到涉及企业的经济决策,比如囚徒困境、智猪博弈、小偷与警察、斗鸡博弈,等等。博弈论又称为“对策论”,是一种使用严谨数学模型来解决现实世界中的利害冲突的理论博弈论的研究开始于20世纪。博弈论是关于两个相互依存情况中的理性行为的研究,也就是说两个局中人是相互依存的,博弈的结果依赖每一个局中人的决策,没有一个人能够完全控制所要发生的事情。所以在ERP选型过程中,企业跟软件供应商之间是相互依存的,博弈结果依赖二者的决策。
由于我国正处于经济结构和制度转型阶段,新经济形式、新商品和新交易制度不断出现,人们对经济环境的了解很难跟上现实经济发展的速度,使经济活动中的信息不完全性、不对称性非常严重。因此,博弈论在我国有着非常广泛的应用前景。
博弈论的基本概念包括:
(1)参与人P:也叫局中人,是指博弈中选择行动以最大化自己效用的决策主体;
(2)行动A:参与人的决策变量;
(3)战略S:参与人选择行动的规则,即博弈的次序;
(4)信息I:参与人在博弈中的知识,特别是有关其他参与人的特征和行动的知识;
(5)支付函数U:参与人从博弈中获得的效用
(6)结果:博弈分析真正感兴趣的要素的集合;
(7)均衡:所有参与人的最优战略的组合。
参与人、行动、结果称为博弈规则;博弈分析的目的是使用博弈规则决定均衡。
2 ERP选型的模型建立
在ERP系统选型中,由于企业对ERP知识的缺乏,对产品的认识程度不够,还有其他有关选型方面的信息的不对称,企业会选择请咨询公司一起来进行软件的选型,因此在这里局中人1是企业跟咨询公司,局中人2是ERP软件供应商。大家知道,在进行ERP系统的选型过程中,软件供应商的销售方案以及软件提供跟企业的购买是一个过程的两个方面,正因为信息的不对称,所以他们二者之间就存在博弈了。主要是如何博弈才能使得双方都能够得到较多的利益呢,这是二者主要思考的问题。
既然是企业跟咨询公司合作,那么在企业跟咨询公司之间会存在一个委托代理的关系,这也是一个博弈模型,在这里他们达成了一致一起选型,那么这个代理就是成立的,因此不需要讨论。再次还要做如下的假设:企业实施ERP,存在一定的管理需求,是为了实现一定的管理目标,通过选型来确定产品与解决方案;同时,软件供应商根据企业的需要提供某种以ERP产品为核心的解决方案,通过这个获得项目合作的合同。
在ERP系统的选型和销售博弈中,局中人1面临的选择,也就是他的行动方案有两个:(1)应用目标明确,需求展示充分;(2)应用目标不明确,展示需求不充分。在此处提到两个方面的策略,原因是前者仅仅说明了企业需要什么样的产品,这种产品可以给企业带来效益,而后面的要求则是对软件供应商提出来的,主要是告诉软件供应商企业需要什么样的产品,让他们获得明确的需求,这样软件厂商才好根据需求制定适合其发展的产品,才能有针对性地展示他们的解决方案。而局中人2也面临着两种选择:(1)提供正确的产品和解决方案;(2)提供不正确的产品和解决方案。双方的策略组合不同导致的结果也会不一样,具体模型如表1所示。
在上述效用矩阵中,我们假定:对于企业来说:8—系统实施成功,项目实施风险小;5—系统实施可能成功,项目实施风险大;-1—系统实施不可能成功,项目风险大;-3—项目不可能成功,项目风险很大;对于软件供应商来说:8—销售成功;3—销售成功,风险大;1—短期成功,最终销售失败;-1—销售失败。
通过划线法得出均衡结果分析如下:从局中人1看,如果软件供应商提供正确的产品和解决方案,而企业有两个选择,比较分析可知第一种选择所获得的效益比第二种选择要大,因此企业当然会选择应用目标明确跟需求充分展示这一策略了。划线如表2所示。
当软件供应商提供不正确的产品和解决方案时,企业的选择依然是应用目标明确,需求展示充分,如表3所示。
对于局中人2,如果企业选择需求展示充分,那么软件供应商在提供正确的产品和解决方案比提供不正确的产品和解决方案时获得的利益要更多,因此,他会选择提供正确的产品和解决方案,如表4所示。
当企业展示需求不充分时,对于局中人2来说,依然应该选择提供正确的产品和解决方案,如表5所示。
由此可以看出,第一种结果是纳什均衡,也就是当企业应用目标明确,需求展示充分,而软件供应商提供正确的产品和解决方案的时候,才是最好的结果,也就是企业选型成功,软件提供商销售成功;而第四种结果,由于给整个系统的实施带来了巨大的风险和不确定,实现双赢的几率很小;对于第二和第三种结果,虽然软件供应商会有短暂的利益,暂时可以从销售成功中享受到一点欢乐,但是最终实施都会失败,企业软件选型也会失败,结果是给双方在投入人力、物力、财力、时间、热情、精力等等之后,要面对的却是两败俱伤。
3 合理博弈,实现双赢
在ERP选型过程中,企业不能为了不暴露企业的某些缺点而隐瞒一些事实,而这些事实恰恰又有可能影响到产品的选择;软件供应商也不能为了迎合企业,厂商没有适合的产品解决方案还硬要吹嘘一番,结果销售与选型是成功了,也进行合作了,但是实施的时候发现了问题,双方都会推诿。为了合作的愉快,为了双方的利益,双方都应该秉着合作的态度来谈问题,坦诚相见,这样会给大家都带来利益,实现双赢不是更好吗?
既然选型过程存在博弈,而不恰当的博弈又会给双方带来惨重的损失,导致项目失败,那双方应该如何博弈才能够实现双赢的“博弈”呢?博弈双方如何做才能实现这种博弈?主要有以下几点:
(1)在进行选型之前,应该对企业进行一些分析,对软件供应商也应该有个调研的过程,确保ERP选型的顺利进行,对软件供应商的信誉、咨询公司人员的专业水平、自身企业的发展状况、对ERP的需求情况,等等,都要做一个明确的分析,充分展示需求。这样做是为了更好地进行选型,也为了给企业节省额外的开支等。
(2)企业方面要高度重视ERP的选型过程,在人力和时间上给予充分的投入。企业要充分考虑显示需求和未来发展需求之间的关系平衡目标和投入之间的矛盾,从长期的角度出发来进行ERP建设规划。要理性地判断软件厂商的产品与方案对自身需求的满足度,不要过于求全而导致系统的复杂性。
(3)软件厂商方面,建立规范的需求调研体系,通过调研,认真、充分地了解企业的管理需求。在调研的基础上,通过对需求的认真分析,结合自己的产品,制定可以让企业充分理解的解决方案,并且清晰地展现给企业。
总之,双方要站在合作的角度来进行“博弈”,以长期发展的眼光来看待ERP项目,重视这样的选型,只有这样才能够得到可持续的“双赢”,而不是比较短暂的某一方暂时“获利”。
4 总结与展望
通过本文的博弈分析,给我们的企业、软件供应商都有一定的启示。在选型过程中,双方不能弄虚作假,为了双方的长远利益都应该审慎选择,坦诚面对。对于选型方,应该明确目标,充分说明自身需要什么样的产品以及解决方案,为了达到怎样的效果;而对于软件提供商,需要根据企业的需求以及现实情况,尽可能设计出适合企业的产品和解决方案,万不可为了获得项目合作的合同而夸大其词、不切实际,否则虽然获得了短暂的收益,但从长远来看,双方都会有所损失,甚至有可能会影响到合作伙伴的关系,给企业还有软件供应商的声誉等带来负面的效果,得不偿失。
为了我国企业信息化的进程,为了全面进入信息化时代,需要全社会,特别是从事ERP工作的人员以及对ERP产品有需求的企业的不懈努力,选型是ERP建设的重要环节之一,也是关键的环节,把好这个关,ERP建设成功的概率就增加了不少,所以提高企业实施ERP的成功关键是选型,选型的成功靠的是企业与软件供应商的合理博弈实现双赢。
摘要：企业在投资ERP项目的时候存在很多风险,而ERP系统的选型是ERP建设的重要环节之一,ERP的选型成功意味着ERP系统的建设成功了一半,所以这一环节必须予以重视,而在选型过程中,企业跟软件供应商之间存在信息不对称的情况,所以一般在选型的时候,企业都会选择跟咨询公司合作。从企业、咨询公司以及软件供应商三方合作的角度来分析ERP软件选型,目的是给这三方在ERP系统选型中都能带来一定的思考与启示。
关键词：Enterprise Resources Planning (ERP),选型,博弈,双赢
参考文献
[1]苏选良,程国平.道德风险境况下ERP实施系统的激励[J].理论研讨,2007(11):94-95.
[2]张维迎.博弈论与信息经济学[M].上海:上海人民出版社,2002.
[3]艾里克拉斯缪森.博弈与信息:博弈论概论[M].第2版.北京:北京大学出版社,2004.
移动操作系统的进化博弈 第2篇
美国太平洋时间6月11日，苹果在加州召开了2012年度的苹果开发者大会（WWDC）。这次大会引起了比往届更多的外界关注，不仅仅是因为这是乔布斯逝世之后的第一次WWDC，更是因为事前已经沸沸扬扬传播的苹果地图以及Apple TV，它们的诞生意味着iOS生态系统的深度进化。
在硬件、操作系统和开发者资源三要素之中，系统为王并决定其他诸项，已经成为业内的共识。
实际上，在2007年iPhone OS（iOS前身）和Android突入移动终端之前，移动互联网领域的科技与商业进展在多年间都乏善可陈。MotoMAGX、Symbian、Windows Mobile、黑莓等智能手机操作系统，都是面向硬件厂商设计，严格意义上说它们只是逐项添加互联网功能（与之前的外饰、娱乐功能相对）的Feature Phone。
然而，刚刚过去的5年中，iPhone 和 Android 异军突起，Symbian和黑莓不断被边缘化，Windows Phone从Windows Mobile废墟中再生，以及webOS的昙花一现——史诗般的移动操作系统之争正在进入“分久必合”的寡头统治阶段。
这是一个微妙的时刻——以iOS和Android的版本进化为标尺，移动互联网生态中的各种文化、经济和政治原则正在逐渐显化并被确立下来，整个移动互联网的生态竞争正在从无序走向有序。然而，这并非是一个一呼百应利益均沾的过程，其中仍旧在持续上演着平台所有者和各方势力的博弈与厮杀。
标准进化与黑洞效应
此次WWDC之上，除了传闻的Apple TV没有亮相之外，其他具有明星效应的苹果软硬产品悉数登场，此次WWDC也被认为是自2007年以来最为激动人心的一次。
其中，内置苹果自家地图的iOS 6和采用Retina屏幕的MacBook Pro是最夺人眼球的产品。特别是前者，在苹果移动终端的硬件优势逐渐被赶超的形势下，再一次将相对于Android生态系统的整体优势大幅度地扩大，使苹果继续保持了移动互联网生态圈的王者地位。
事实上，于2003年开始Android项目与从2001年开始的Mac OS X（iOS的技术母本）时间接近，Android同iPhone 是同时代的，而Symbian、黑莓OS和 Windows Mobile的系统内核都起源于20世纪90年代中期，目的是作为单纯的 PDA或传呼机的操作系统，众所周知，经过多次调整和推翻，这些系统的进化路线十分凌乱。而iOS和Android一开始便面向开发者，其他系统则相比之下更像是面向硬件厂商。
因此，移动操作系统自iOS和Android起，才开始了标准进化阶段。实际上，自iOS和Android突入移动互联网之后，历次系统进化的内容已经清晰可辨：整合新的基础级应用，优化已有应用的用户体验，以及开放更多API。
此三项内容的前两者，无疑是iOS系统领先。
在基础应用方面，苹果从不支持3G和复制粘贴的第一代iPhone开始，仅用了5年时间已经将iOS终端打造成囊括所有民用尖端科技的设备，其中诸如Facetime、Siri等基础应用至今令对手难以企及。这一华丽阵营的两个新丁，便是iOS 6刚刚融入的苹果地图和Passbook。
实际上，虽然第一代iPhone并没有太多亮点，但它在早期自身应用匮乏之时便很早将谷歌地图内置到系统层之中，这不得不说是乔布斯的先见之明。与之相似的例子还有adMob、Tapjoy和Openfeint，前两者为开发者取得收入提供了渠道，后者则在很长时间内扮演了游戏中心的角色。
然而，这些扮演iOS系统“水电煤”的基础应用的位置，都先后被苹果用自家定位相同的应用所取代。人们已经可以看到，在iOS 6系统中，iPhone首屏已被苹果自家的基础应用充满。
令开发者们担忧的是，这种局面可能还会加剧。因为随着硬件瓶颈期的到来，苹果产品的真正创新点逐渐减少，转而通过整合和吸收来继续扩大优势，是iOS系统扩张的必然逻辑。
这些有理由产生忧虑的第三方应用，既包括提供云服务的Dropbox和Evernote——Remidners，Notes 在iOS6中和iCloud整合；也包括支付工具Paypal，Square——Passbook将逐步渗透支付；还包括拍照应用Camera+——Photo Stream提供了分享功能；甚至包括多媒体工具Roku——做不起眼更新的Airplay有可能取而代之。
鉴于这种局面，有分析认为以上这些开发者可能会转身在Android平台寻求更多的生存空间。然而，令它们沮丧的是，号称“不作恶”的谷歌也放弃了信条开始逐步整合自己的基础应用。4月份，谷歌就推出了备受瞩目的Google Drive应用，DropBox创始人Drew Houston在Twitter上对此无奈调侃道：“这就相当于Dropbox发布了搜索引擎。”
很明显，在当前iOS和Android已经表现出了进化逻辑上看，在云服务、地图、支付、广告系统和网络工具等可称为“水电煤”的基础应用层，第三方开发者所拥有的空间在逐渐缩小。
而在用户体验的微创新上，苹果和谷歌都不掩饰自己放下身段努力“借鉴”的拿来主义。例如，iOS的每次升级几乎都可以从中发现Cydia应用的影子， iOS 5中开始出现的通知中心效仿自Android，而Android 4.0的多任务管理界面，则几乎完全照搬了 web OS 上的卡片展示和手势关闭功能。
于是，无论开发者是否愿意看到，两大移动操作系统正在逐渐走向寡头统治，系统层黑洞般地不断吸收应用层功能和他者创意，已经是不可逆转的趋势。
nlc202309031448
生态平衡与共生空间
私有API过多，审查过分严格，不断增加自家的应用内置，是iOS开发者们对苹果的抱怨。
实际上，平台拥有者既做裁判员又做运动员的现实，确实值得开发者们忧心忡忡。他们不得不在奉献上自己对苹果赞美的同时，忌惮着这个专制者制定的“22条军规”。但令他们欣慰的是，iOS平台持续高效的创新和不断增长的市场份额，似乎可以弥补平台方挤压的空间，维持较好的生态平衡。
截至WWDC 2012，App Store实现300亿次下载，苹果已经为开发者直接带来了50亿美元的应用销售收入，也就是说，平均每个iOS应用的收入为21.45美分。而根据市场调查公司Asymco 创始人 Horace Dediu的推算公式，苹果每卖出一部 iOS 设备，开发者群体可以获利 12.34 美元。
实际上，如果从产品层面分析，开发者们的前途也并非一片黯淡。
首先，可以肯定的是，与微软不同，苹果不会自己上阵做游戏。他们的目标是使移动终端取代Xbox等娱乐终端；其次，苹果也不会涉足社交领域。更准确地说，在Ping失败之后，苹果已经放弃了社交领域的尝试，放下姿态，在iOS 5和iOS 6中先后内置了Twitter和Facebook；还可以做出判断，苹果也不会制造包括电子阅读和生活信息在内的数字内容。
在以上3个领域，苹果只会寻求合作者，进行垂直细化。
社会化和云服务是近年来最前沿的科技服务。苹果在社交领域已经放弃尝试，其在云端服务领域则志在必得。无论是从苹果筹建的数据中心规模，还是iCloud升级的轨迹来看，苹果在这领域都试图控制一切。
特别是随着苹果终端种类的增多，用云服务融合多屏，是苹果多年来不屑于隐瞒的战略。在这条路上，虽然MobileMe的尝试出现了短暂的挫折，但iCloud正以更为激进的姿态在云服务中布局，这种战略是谷歌的分裂平台所望尘莫及的。
云服务再加上上述列举的可称为“水电煤”的基础类应用，这是“开发者禁区”，私有API在这些领域会多如牛毛，第三方开发者必须绕道而行。挑战苹果尊严的后果很严重，之前PalmPre试图兼容App Store，Camera+调用苹果的私有音量键控制API，都遭到了苹果严厉的惩罚。
实际上，在WWDC2012之后，第三方开发者们应该认真考虑一下自己在iOS生态中的身份问题了。
目前来看，在这些“禁区”领域开发者们继续涉足的方式可以有两种。其一，是跨平台服务——不仅跨终端，而是横跨iOS、Android甚至Windows Phone平台，在这方面Evernote已经做了很好的示范；其二，是团结争取改变这个封闭生态的前提——基于app的使用习惯，也就是力推应用Web化。
现在来看，苹果对应用Web化趋势还是比较忌惮的。在iOS 6中的Safari新增特性中，就有一条是引导用户安装所浏览网页的app。显然，苹果不会轻易放弃控制移动互联网的入口，它会尽量推迟迎接HTML5的到来。
相对于iOS系统，Android亟待解决的仍然是其版本和硬件双双分裂的问题。Android 4.0看似在这个方向上迈进了一大步，然而其对之前设备的兼容似乎并不给力。有的开发者期盼谷歌能像微软祭出Window95那样的产品，来解决Dos乱战的局面。显然，若真是如此，新的问题马上就会出现。
谷歌刚刚下调了Google Maps的API收费标准，也许诺优化Google Play的环境，但Android在很长时期内仍然是开发者们的第二选择。
总体来看，平台所有者的势力会持续扩张，这已经是移动操作系统标准进化的常规内容。第三方开发者难以逃避“22条军规”。只有开源，才是寻求更多共生空间的途径。
博弈论在灌溉系统的应用 第3篇
关键词：农业,灌溉,用水矛盾,博弈论,策略,水利政策
水对于人类的生存和繁荣扮演者重要的角色。它密切参与生命的过程, 并在生物社会中有着很强的相互作用, 这都都反映了水的重要意义。早期伟大的文明一直沿着河流、湖泊、三角洲和海洋。如今现代社会的特点是根据人们已掌握的方法, 来整合水资源管理计划的水平。但是, 他们仍然面临了一些关于水资源的问题。
因为水对于农业来说是至关重要的, 灌溉用水的冲突和纠纷也经常出现。冲突发生双方可分为以下几个类别:地方间冲突、国家或国际冲突、行业间冲突、经济和社会利益间冲突等等。
本文使用博弈论方法分析灌溉用水领域所发生的冲突。博弈论提供了观察任何经济、政治、和社会情况的视角, 涉及个体具有不同的目标、偏好和决策并将影响彼此的利益。因此, 通过博弈论我们可以更好的理解这些冲突并理解古今关于用水的困境。本文的目的是讨论如何解决因农业灌溉而产生的冲突。此前关于博弈论应用的研究是分析农业水权。回顾最近的实证研究可以帮助我们更好的理解这些问题的研究方向。这个分析结果可能会提升的政策制定者对创造性解决用水灌溉领域问题的管理。
1 灌溉:农业用水是导致冲突的原因
1.1 灌溉的统计数据
农业大约占用了70%的水量提取, 但却占用了90%的水消费 (粮农组织, 2014年) 。为满足发展中国家农业发展的需求, 该数据将会上升到95%。这些统计数据, 见图1, 反映农业行业是迄今为止最大的用水主体。灌溉用水是为了平衡缺乏降水的农作地区, 是为了提升世界粮食生产。因此, 每个国家的灌溉用水量也各有特点。表1列出了短暂的好处和不利影响。为了利用灌溉的好处, 后者应该小心避免, 来扭转环境破坏和滥用水资源的局面。
1.2 灌溉冲突
灌溉冲突和灌溉农业本身一样古老。实际上, 为了农作而共享一个水体, 从第一个占有土地的农民时就开始了。最早有记录的纠纷发生在中东地区, 即古代城市乌玛和拉格什, 当时的灌溉水来自于底格里斯河和幼发拉底河。争端从公元前2500年到公元前2400年, 持续了近一百年。美索不达米亚经历了多年的冲突, 最终, 在公元前1790年, 巴比伦的国王汉莫拉比在他著名的“哈莫拉比法典”中明确, 严令禁止在灌溉系统偷水。
在2004年至2006年的旱灾期间, 埃塞俄比亚当地的农民和牧民之间发生了著名的夺水之战, 斗争双发被称为“军阀”和“战士”。在更大规模的“水源之战”中, 造成了250人的死亡和多人受伤这一惨痛的结果。
2 博弈论
博弈论是一种可以进行问题分析和战略决策互动的数学方法。换句话说, 博弈论构建数学模型, 并将结论通过研究情境/问题, 来做出决定。局中人不一定共享相同的利益且必须做出决定 (交互式决策) 。从博弈论的角度来看, 情境/问题 (博弈) 的结论, 是由局中人在每场博弈中的招式 (策略) 决定的。每次博弈都包括:
一组参与者N={1, 2, …, i-1, i, i+1, …, n},
每个参与者各自的策略, i个参与者有Si={S1, S2, …, Sk}个策略
每个参与者在每个策略中的收益ui={u1, u2, …, uk}
建立博弈模型的过程包括定义参与者的选择和偏好。每个参与者的目的是达到其预期。博弈论允许模拟参与者按照实际的习惯, 以自我为中心。在这种背景下, 博弈论方法相比其他战略分析的传统方法, 如线性规划, 更好的描述和球员之间的竞争与合作, 更好地估计冲突的结果。然而, 值得注意的是, 博弈论是基于理性。博弈论模型有效的条件是:一是参与者理性地行动, 以求最大化的回报;二是他们认为所有其他参与者也是理性的。尽管如此, 许多决策不仅受到理性判断的影响, 还受到其他因素, 如压力、恐惧、愿望、风险、厌恶情绪等等因素的影响。
尽管博弈论是一个相对年轻的数学分支, 但在过去的七十年里, 它已被广泛应用于多个学科, 如政治科学、计算机科学、生物学、心理学、社会学等领域。博弈论的应用已经被用于解决许多种环境问题, 包括水的数量和质量管理、水资源分配、水共享、外交和其他许多领域。从1968年到今天, 十三位博弈论学者获得诺贝尔经济学奖。著名的赢家是约翰纳什, 他在1994年和约翰·海萨尼, 莱因哈德·泽尔腾等共享诺贝尔奖。
3 博弈论和灌溉
罗杰斯 (1969) 是最早使用博弈论分析灌溉冲突的学者, 他分析了印度和巴基斯坦之间关于恒河和布拉马普特拉河灌溉和其他用水的纷争。罗杰斯使用线性规划技术和博弈论证明了这一国际水资源冲突。伊塞尔和桑切斯 (1980) 描述了农民从一个共同的含水层抽水的外部性问题。他们试图比较无控制 (自由标记) 的跟随性策略和通过定量方程确定的最优控制策略。他们得出的结论是, 如果含水层的存储容量相对较大, 两个模型的指数将几乎相同。相反, 如果含水层容量较少, 那么结果就大相径庭。
在90年代, 文献研究更多地集中在合作博弈, 主要针对灌溉用水的使用和潜在环境问题。迪克森 (1991) 提出了从博弈论角度分析地下水开采和排水管理。他将参与者根据其行为分为不同类型:目光短浅 (即当水位降低时参与者不调整行为) 、开放外环 (即参与者忽略了其他参与者开采成本的影响) 、传统闭环 (即参与者调整行为以应对对手的行动) 、触发策略 (即所有农民约定某个抽水速率, 并对多抽水农民进行惩罚) 。他的结论是触发战略平衡可能很难实现, 但相对而言更加适用于地下水开采管理。
到了21世纪, 越来越多的博弈论模型被用在灌溉问题的研究中。有关灌溉系统中的费用分担问题, 丹顿杰森 (2000) 在发表的两篇文章中, 分析来自墨西哥的实证数据。在第一个试验中, 他讨论了不同分配规则下, 水资源和成本的分摊安排。在第二篇文章中, 他指出农夫在溉系统中的主导地位, 将成为合作的决定因素, 并被加以强调。
自2010年以来, 许多将博弈论应用在灌溉用水方面的文献被发表。马达尼 (2010) 在文章中演示了几种用水冲突的类型, 通过提供简单的水资源非合作博弈模型, 验证了博弈论对解决冲突的适用性。它被列为爱思唯尔创刊至今在水利期刊方面最热门的文章之一。詹森等人 (2011) 研究了灌溉系统中, 根据近水者和远水者策略的不对称性, 讨论了农民对于修建公共灌溉设施出资多少的困境。一年之后, 詹森等人 (2012) 进一步阐述了他以前的工作, 讨论了近水农民和远水农民之间, 在条件不对称难题下的合作。詹森等人 (2012) 还检验了在不同分配规则下, 公平分配水量的问题。实验结果显示, 农民之间的合作程度取决于社区中农民的诚信度, 发展公平的水资源标准是灌溉系统自组织的必要条件。罗塞塔等人 (2014) 详细描述了非法采集地下水的问题。他们做出了一个地下水管理模型, 分析了在制度/社会的监督下, 不同灌溉者的行为变化。
4 结论
用水冲突在过去的几十年里不断增加。博弈论是一种迅速发展的方法, 来分析公共资源的冲突, 比如水资源。博弈论在水资源中的应用文献涵盖水资源不同类型的问题。用博弈论解决灌溉问题的关注点: (1) 水资源分配公平、公正; (2) 灌溉者之间成本分摊平衡; (3) 平衡取水量与环境可持续性发展的关系。无论博弈是静态的还是动态的, 无论用户是合作关系还是竞争关系, 无论是确定的模型还是模糊的模型, 当农场需在灌溉系统的运营中做出决定, 当他们必须找出合适的解决方案的时候, 博弈论将为其提供独到的见解。
通过查阅使用博弈论处理灌溉问题的相关文献, 我们知道, 解决农业用水和其使用、分配、成本和政策行动等冲突, 是一个多角度的研究课题。这一事实充分说明了博弈论的实用性, 也展现出博弈论在解决农业灌溉用水和改善治理等复杂问题方面的巨大潜力。
参考文献
[1]李彦勇.关于非数理博弈理论的研究[J].太原城市职业技术学院学报, 2006 (01) .
[2]岳意定.农业水资源配置的博弈分析[J].系统工程, 2008 (02) .
[3]彭翔, 胡和平.不同水权模式下流域水资源配置博弈的一般性解释[J].水利水电技术, 2006 (02) .
在博弈中创新 第4篇
中共中央党校出版社新近出版的《当代创新力》一书，从战略高度分析概括了当今世界经济社会创新发展的态势，综述分析了当代科技发展趋势，论述了知识社会、低碳经济、经济全球化竞争等全球热点问题。阐述了我国自主创新、转变发展方式、发挥后发优势跨越发展、创新人才培养、实现民族伟大崛起的有关战略和对策。把握当代创新大趋势、了解创新成果是提高干部领导能力和知识水平的时代要求。该书出版短短一个月内就重印5次，颇受读者欢迎。
该书作者尚勇博士曾任科学技术部副部长，是中共中央党校、国家行政学院及多所大学兼职教授，《国家中长期科学和技术发展规划纲要（2006—2020）》总执笔人，长期从事创新战略研究。作者在书中就创新力的内涵和时代意义、知识社会的特征和规律、低碳浪潮的机遇和挑战、经济全球化的格局和博弈、国际竞争的焦点和挑战、新科技革命的态势和亮点、自主创新的瓶颈和对策、人才培养的误区和途径、后发优势的发掘和弘扬以及中国崛起的信念和前景等进行了颇富知识性和启发性的阐释。
作者认为，从广义上说，创新可理解为：把一个新想法在实践中与其他要素互动形成新的组合，从而实现经济和社会价值的过程。可见，创新是一个复杂的系统，也是一个完整连续的过程。
创新包括科技创新、经营创新、管理创新等。创新活动贯穿于探索、创造新知识到知识应用、转化直至产生经济和社会价值的全过程，渗透到经济、社会活动的各个方面。只有通过创新，才有新知识的不断诞生；只有创新才能使知识活化并产生价值。
创新力（Innovation Power），简言之就是创新的能力、活力和实力的总称，是一个整体的概念和动态指标。如果把创新作为个体或群体的活动及其过程，创新力则标志着某个社会单元的总体创新实力，对于国家而言表现为国家综合创新实力，对于企业而言表现为企业的创新实力。提出创新力，是要强调不但要重视现在的资源禀赋、基础设施、经济实力，更重要的是从长远和发展的眼光，关注持续发展的能力和动力，在培育发展和竞争的原动力上狠下工夫。
知识创造作为原始创新，是一切创新和发展的源泉，更多的新技术、新产品将由此产生。然而，创新并非仅仅限于知识的创造和技术发明，它贯穿于从一个新思路或新思想产生到实现市场价值的整个价值链、遍布整个相关系统。作为企业，无论其组织形式和管理模式如何变化，它都将是技术创新的主体。接受新知识需要创新，应用新知识需要创新；改进、开发新产品要创新，改进工艺和生产方法要创新；满足消费者多样化、个性化需求要创新；提高质量、降低成本要创新；采购、销售和服务要创新；组织形式、管理要创新；与外界合作要创新。民用技术快速创新，军事技术和装备也必将加速创新。大学、科研机构、其他社会机构、政府等都将围绕着企业的创新而互动，进行着有效的合作。无论是可导致重大革命性变化的创新，还是带来微小改进的创新，都是庞大社会机器上的部件、零件，共同驱动着先进生产力的产生和发展，为社会前进提供强大的驱动力。
作者认为，创新，首要是观念创新，主体是战略创新，关键是制度创新，要领是系统创新。作者还强调，重视创新力对我国而言极为重要。目前我国还是一个发展中国家，并且自然资源相对短缺。我们发挥后发优势、实现跨越发展、后来居上、迎头赶超的优势和法宝就在于不断培育和提升我国的创新力！我们拥有世界最大的人才资源，具备了较好的创新基础设施和财力支撑，当前最迫切的是如何把优势的创新资源激活，使创新人才的聪明才智充分发挥，创新激情释放迸发，并迅速转化成先进生产力、文化传播力、国家竞争力和综合国力。实现这一目标，关键是我们的制度创新要加大力度，加快步伐。在制度创新方面，社会主义制度本身就是先进的制度，便于集成力量和资源推动系统创新。再者，我们的体制改革30年来稳步推进，具有前进惯性。当然，目前的观念、体制确实存在诸多制约创新、束缚创新的弊端，有些还较严重，大大影响了创新效率，阻碍着创新力的形成和提升。要建设创新型国家、实现现代化强国的目标，就必须加大改革创新力度。增强创新力，必须注重在学习中创新，努力建设学习型组织、学习型社会。可喜的是从中央到各地，重视创新、深化改革正在形成共识。
消费金融背景下征信系统的博弈模型 第5篇
关键词：消费金融,征信,博弈模型
一、消费金融征信系统现状及研究意义
当前, 随着我国消费者互联网产品使用的深入和产品种类丰富化, 伴随收入水平提高, 互联网消费金融将逐步被老百姓所认可, 进而发挥巨大作用。互联网技术在金融领域尤其是消费金融领域的应用将给市场带来的变化主要体现着用户群体, 业务技术和应用场景上。移动互联网技术的进入使得消费金融普惠性的特点更加明显, 降低了用户的使用门槛, 使得这一行业能够为中低层次消费群体, 比如农民工, 大学生等, 这一群体额扩大也让消费金融涉及的生活领域场景随之扩大。云计算, 个人征信和信用管理和移动互联网技术的支撑使得这一全新的模式得以运作, 互联网金融正以全新的形态在消费金融领域发挥自己的作用。
互联网金融在消费金融领域采用的征信模式深度运用了大数据和云计算技术 (主要是线性回归和逻辑回归, 同时采用决策树, 神经网络等模型) , 基于全景式的行为分析对受众进行信用评价并以此作为授信基依据。
目前互联网金融公司采用的征信模型采用的是类似于美国的FICO评分方法, 它综合评估各类信息源之后给出信用评价并据此给予不同的授信额度以及还款期限和利率。
FICO评分方法的实质, 是应用数学模型对个人信用报告包含的信息进行量化分析。该模型主要的评估内容是客户以往发生的信用行为, 其对近期行为的衡量权重要高于远期行为, 其不可替代的优点, 但是它也有自身难以克服的缺点:
1、实时性不足比如你要买新房, 需要很早准备提高信用分数, 从而便于拿到贷款。
2、各考量标准权重固定不变。由于每人消费习惯, 周期长短不同, 很难保证反应最真实的情况。
3、FICO评分模型侧重于统计学预测, 缺少对贷款人经济行为的考虑, 采用FICO模型得出的评分只能反映过去的信用状况而不能对将来提供有用信息。缺乏对未来信用风险的预测, 导致目前的分数只能反应过去跟当下无法显示个人的信用潜力。
4、存储数据的缺失或者错误。我国严重缺失正确的数据, 个人的数据尤其如此。数据正确是指, 数据的及时性、全面性和准确性合乎需求。
5、在实际操作中, 除了要考虑历史信用记录, 公司还会建立一系列失信惩罚机制来降低用户的违约风险, 在用户与公司的贷款博弈过程中, 惩罚机制的存在将提高公司效益。但是在FICO评分机制中没有相关内容的体现。
综合来说, FICO囿于模型针对主体的局限, 不适用于企业借款分析, 不适用于个人借款用于扩大生产的分析, 而由于国内数据的缺失、滞后, FICO在国内也必须经过很大的调整和很长时间的实践修正, 才能逐步适用。
二、“博弈-概率”的征信模型
基于FICO模型现有存在的种种问题, 结合国内信用消费的现状, 我们提出了消费金融个人贷款的基于博弈模型改进的, 结合FICO和博弈两点的综合征信授信方案。
由于在信贷过程中贷款者与借款者之间存在信息不对称, 导致借款者未能对贷款者的违约风险准确度量, 最终导致“囚徒困境”的发生。对于贷款过程中的风险控制是减少违约行为的良方, 而风险控制大致可以分为两个方向:事前征信、事后惩罚。
从本质上看, 这两种方法是等价的。事前征信通过对贷款者以往的信用经历, 道德评价, 衡量贷款者违约的机会成本, 并选择机会成本较高者开展业务;事后惩罚通过博弈一方的威胁, 引入违约反馈机制, 从而提高贷款者违约的机会成本。所以, 征信与惩罚都提高了业务受众的机会成本, 无论征信还是惩罚都应能有效控制贷款风险。而事实上, 在博弈模型中, 由于惩罚可能为无效威胁, 其效果也许适得其反。
下文通过引入博弈机制, 从静态、动态两方面来讨论征信与惩罚的等价性, 并对惩罚机制的原理与效果做了深入讨论。
首先, 考虑单阶段下的静态博弈模型。假设市场中有多个借款者, 其对策集为{违约, 不违约}, 并设有比例为q的人选择守约, 该概率分布可以被选择以防范对方策略。同理, 贷款者对每一位借款者有违约追责威胁, 并随机对比例为p的违约者实施该威胁, 同样, 该比例可以被选择来应对对方策略。
故约定, 交易基础收益为x1, 威胁执行成本为C, 违约惩罚时借款者收益为Y3, 贷款者收益为X3 (X3>X1) , 违约不惩罚时借款收益为Y2。贷款者惩罚执行概率为p, 借款者违约概率为q。具体各策略结果如下表。
由表一, 得到贷款者与借款者期望收益方程如下。
公式 (3-1-1)
公式 (3-1-2)
由上述公式分别对p, q求导, 得到混合策略下的纳什均衡。
由公式 (3-1-3) , 当贷款者提高惩罚额时, 即Y3降低, X3升高时, 均衡概率q*变大, 这说明提高惩罚额可以有效提升借款者的守约比例。然而, 注意到均衡概率p*也同时变小, 这说明提高惩罚额会使企业因违约数的减少而减少惩罚, 这对风险控制有反作用。
具体来说, 在静态模型下, 惩罚并不一定能够达到风险控制的效果。考虑一种极端情况, 假设贷款者只能对违约者进行惩罚而不能从惩罚中获利 (比如通过公布违约记录来使违约者受到损害, 对贷款者并无益处) , 此时, 当贷款者提高惩罚额时, 只有Y3降低, 即均衡概率p*变小, 而对于借款者, 短期来看可能会对惩罚提高做出反应, 但长期来说, 因为均衡概率不变, 最终借款者并不会减少其违约率。因此, 贷款者因惩罚额提高而减少惩罚, 但理性的借款者并未因此减少违约, 最终使违约风险进一步提升。
在静态模型中, 借贷双方同时做出决策, 并在混合策略下, 惩罚不一定可以有效控制风险。但在实际过程中, 博弈一方往往会根据对方对策做出对策调整。因此, 将博弈拓展到多阶段, 建立完全但不完美的动态对策模型。
设各阶段贴现因子为δ。对于每一个阶段, 贷款者的期望收益为公式 (3-2-1) , 借款者的期望收益为公式 (3-2-2) 。
公式 (3-2-1)
公式 (3-2-2)
而考虑无限期, 由公式 (3-2-3) 给出。
联立两式, 由无限期稳定条件, 无限期收益大于单期收益得公式 (3-2-4) 。
有上式可知, 当加大处罚力度时, 只要满足公式条件, X3的增大可以有效缩小q*的范围, 从而使风险得到有效控制。
在具体应用中, 若存在惩罚机制, 使得违约者被惩罚之后的每一期都受到同样惩罚, 无限次重复博弈后, 有下式成立。
其中, P为惩罚额。
由此可见, 通过实行长期 (无限期) 的惩罚机制, 会使惩罚对风险控制更为有效。并由公式 (3-2-5) 可知, 即使在前文提到的极端情况下 (只能对违约者进行惩罚而不能从惩罚中获利) , 惩罚机制仍可以对违约者的违约风险进行约束。
三、“博弈-概率”征信模型的风险分析
对于现有的征信模型的不足及基于此的消费金融模式的缺陷, 本文提出了基于“博弈-概率”模型的消费金融模式, 其主要创新点在于不仅仅从历史信息层面通过统计方法来计量违约概率和风险评分, 而且加入了以贷后管理的惩罚为约束条件的博弈分析。这一约束的加入不只是对征信模型的改进, 而是在征信基础之上对整个消费金融业务从申请审批到还款管理的整合控制, 尤其是信息共享和违约诉讼的加入使得这一市场更加规范, 信用评估更加立体, 授信更加多元。也正因为如此, 新的模式难免带来新的风险, 总体来说分为法律风险和经济风险。
首先是法律风险, 笔者认为这一模式的运用主要会涉及消费者金融隐私和消费者权益保护和违约诉讼, 相关立法缺失和监管层方面的风险。
首先是金融隐私权保护, 主要体现为隐私保护和信息共享之间的矛盾。在征信体系发展的过程中, 关于隐私保护和信息共享是具有一定矛盾的。金融机构为了获取更准确更广泛的信息以及进行违约处罚会选择客户信息共享, 而金融隐私是属于客户主体的基本财产权利收到法律保护, 是否公开, 公开共享哪些信息以及共享程序成为争议焦点。由于消费金融旨在建立多层次的覆盖广大消费者的普惠金融体系, 隐私权保护与信息共享问题在消费金融业务中冲突更加突出, 如何处理私人隐私保护和建立良好信用市场秩序需要的信息共享, 成为监管层和各信息使用者, 提供者都需要考虑的问题。
其次是消费金融领域普遍存在的立法缺失。目前我国现行的关于消费金融领域的立法存在法律位阶低, 立法较为模糊, 消费金融领域的仅仅有银监会发布的《消费金融公司试点管理办法》。除此之外, 一些消费金融行业规范和自律规定位阶较低且不能跨范围使用, 而《商业银行法》, 《票据法》等部门法重在调整企业和金融机构之间关系而在个人金融业务方面关注不足, 对于消费金融领域尤其是互联网金融方面的违约诉讼与救济, 当个人出现违约不偿还贷款时, 金融机构只能间接寻求《合同法》相关规定, 这给良好金融市场秩序建立带来不便。又而因为贷款人, 放款金融机构和销售商在网络信贷之间构成了三方合同关系, 当一方违约之后另一方是否具有寻求合同法违约救济的权利会产生争议。
最后是来着监管层的风险。虽然2015年以来银监会对于互联网金融行业的牌照已经放开, 监管层鼓励支持互联网金融创新, 但是仍存在许多不确定因素, 比如2014年阿里巴巴集团试图上线的“虚拟信用卡”在发布信息后次日被央行紧急叫停, 这也反映了我国监管层对于互联网金融兼顾和创新的审慎态度, 因此互联网消费金融产品在设计产品时应着重考虑监管层态度以及合规属性。另外, 互联网消费金融行业还面临监管准入资格风险, 运营过程风险以及资金要求风险等问题, 这些方面都应当是被慎重考虑的因素。
本文对于新模式的经济风险分析主要从宏观和微观展开, 首先是宏观层面:
博弈模型并不能完全消除市场中存在的道德风险和逆向选择问题。在实际操作中, 尽管我们的模型采用了惩罚机制对其个人进行约束, 但是在实际过程中, 存在的不确定性因素可能会引发贷款人新的道德风险。
个人消费金融存在的不完全信息将会造成一定程度的产业垄断。在中国现阶段, 消费金融刚刚起步, 征信公司也只有寥寥数家, 先行发展的公司, 如阿里巴巴、京东集团, 率先建立起自己的征信系统, 依托平台进行金融业务大规模的开展, 这使得本来发展初期的个人消费金融征信市场趋向垄断, 降低了市场上存在的网络征信结果的可信性。此外, 相关风险由债权转让渠道传导至产业下游, 引发互联网金融系统性风险的可能性也同样存在。
消费金融业务的开展存在着过度扩大消费需求的风险。消费金融的出现, 若不能有效减少贷款逾期不还率, 一方面盲目扩大了消费者的需求, 另一方面, 资金向个人的倾向也会挫伤一部分实体经济的投资, 这对于整个国民经济来说将是很大的风险。
其次是微观微观层面
对于公司来说, 博弈模型公开的征信信息和信息共享机制打破信息垄断, 这将会引起征信市场和信贷市场的激烈竞争, 各消费金融公司基于共享的数据基础设计各具特色的利率产品从而加剧市场竞争, 利率市场化将降低消费金融带来的利润率。
研发成本方面, 公司研究开发新的模型进行测试投入市场应用周期过长, 将造成一大笔资金流失, 而且面临着资金无法收回的风险。管理成本方面, 公司对该方面进行信息搜集以及人力资源管理将增加一大笔费用, 对于公司来说, 将加重本公司负担。对于消费者个人, 惩罚机制将降低个人的效用水平, 可!会引起消费者消费倾向的降低。
博弈系统 第6篇
作为国民经济四大支柱产业之一,建筑业的发展带动和促进了国民经济其他部门的发展,为我国国民经济的发展做出了重大贡献,建筑业的持续稳定、和谐发展倍受瞩目。面对“入市”承诺的兑现所带来的国外著名建筑企业的涌入,大量中国建筑企业应该何去何从?令人费解的是,诸多建筑企业如雨后春笋般破土而出,但很多都是经历几年后便陨落无踪,其衰败亦如其产生一样迅速。
对于建筑业企业的“短命”现象,国内外研究学者众说纷纭[1],究其根本,在于建设项目作为建筑企业的产品的一次性和建筑企业的长期性发展相矛盾,项目参与方企业虽有合作共赢的理念,但由于缺乏主体意识、自尊意识和社会责任感以及相关机制的约束,难以抗拒短期内获得高额利润的强烈诱惑,以牺牲商业承诺为代价去换取眼前的利益。从系统科学的角度来看[2],这种做法忽视了项目利益复杂性和企业利益整体性的关系,割裂了系统部分之间、层次之间的非线性关系,使得项目在管理之初就丢失了代表项目利益的整体性的信息,导致管理的片面性和局部性,使得项目利益受损,从而制约了项目参与企业的长远发展。
基于对建设项目管理决策和建筑企业长远发展战略关系探索的需求,本文引入系统科学的思想分析项目短期利益和企业长期利益组成系统的复杂性,借助演化博弈论建立模型,研究各参与方企业决策的演化发展规律,分析各参数对演化稳定策略的影响,探讨建筑企业如何在项目决策中选择共赢来避免我国建筑企业避免短命,实现企业长期效益的最大化。
2 建设项目系统中各参与方企业演化博弈分析
2.1 演化博弈论相关理论介绍及其应用评析
演化博弈论(Evolutionary Game Theory)以达尔文生物进化论为思想基础,从系统论出发,把群体行为的调整过程看作为一个动态系统,研究在一定规模的博弈群体中,具备有限信息的博弈方通过长期的模仿和改进,不断用较高支付的策略代替较低支付的策略,最终形成演化稳定策略的动态过程[2]。有限理性下的演化博弈论从系统的整体性出发,描述动态系统的局部稳定策略,强调动态调整过程,具有模仿系统参与人决策、对研究系统进行调控的优势,目前已广泛运用于分析社会制度的变迁、行业演化、企业行为演化、股票市场分析演化、社会经济体制形成等各个方面[3]。
目前,对建筑企业成长方面的理论研究还处于很低水平,关于建筑企业成长与决策者之间的关联机制研究还尚未涉及。与其它企业不同,建筑企业通过项目这种一次性特殊的商品来实现企业的长期利益,建筑企业成长是一个复杂的动态过程,受许多的因素制约,项目的一次性和利益的模糊性使得项目决策者往往将企业自身命运与自身利益分离,以牺牲商业承诺为代价去换取眼前的利益,由于商业信用的缺失,企业增加了市场交易的成本,限制了建筑企业的长期稳健发展[1]。正因为如此,本文借鉴系统演化博弈论探讨建筑企业管理者的管理模式,据以为管理者决策提供理论支持。
2.2 演化博弈模型的建立与基本假设
作为建设项目管理的核心,参与方企业在项目管理中发挥了不可替代的作用,它包含项目的业主、项目实施组织和项目团队、客户以及由供应商和贷款银行、政府、市民、社区和公共团体所组成的其他相关利益主体[3],决定成败最为关键的两方就是业主与项目实施组织或项目团队之间的利益关系的博弈。项目团队一次性和项目实施组织长期化发展的矛盾使得建筑企业利益最大化的界限模糊,同时由于影响利益的因素众多,利益相关者信息的不完全性和人的认知有限,决策群体在初始决策时很难确认他们的选择就是未来的利益最大化。根据演化原理,适者生存的进化优势体现在采用某种策略的参与者比例提高,这种提高与参与者选择该策略所得的期望收益正相关,与参与者所有可选择策略平均期望收益负相关[1]。
基于简化考虑,本文将项目业主A和项目实施组织B作为主要研究对象,其余方考虑为影响因素,利用演化博弈理论探讨项目主要参与方企业决策的演化发展规律。记策略空间为S={S1,S2},S1为企业兼顾各方利益而积极寻求合作共赢的策略;S2为企业片面追求自身利益最大化,忽视其行为可能带来的造成对方利益损害的自利行为。∏i(i=1,2)为项目完成的收益;Ri(i=1,2)为双方积极合作收益带来的双赢使支付的增加;Fi(i=1,2)为项目利益和社会效益及企业长期利益的增加值,它包括参与者寻求共赢带来的其他利益相关主体对其的肯定和支持效益;Ci(i=1,2)为积极合作所要付出的信息及沟通成本(Fi-Ci>0);Ki(i=1,2)为参与方自利增加收益;Wi为自利造成对方损害所赔偿的费用。具体的支付矩阵如下:
假定参与方A选择积极合作寻求共赢策略的概率为p,消极合作的概率为1-p;参与方B选择积极合作寻求共赢策略的概率为q,消极合作的概率为1-q。
A采取积极合作时的适应度为:
UA(S1)=q(∏1+R1+F1-C1)+(1-q)(∏1+F1-C1)
A采取消极合作时的适应度为:
UA(S2)=q(∏1+K1-W1)+(1-q)∏1
当UA(S1)≠UA(S2)时,得益较少的一方会发现这种差异,从而调整自己的策略,模仿得益较好的一方。
A的平均适应度为:
UA(S)=pUA(S1)+(1-p)UA(S2)
A的动态复制方程为:
表示在项目执行过程中,A方积极合作策略随时间变化的比率。
同理可得B的动态复制方程:
当(1)、(2)等于0时,可以得到五个平衡节点分别是:
2.3 建设各方系统的演化稳定策略分析
根据Cressman(1992)提出的方法,利用动态系统(1)-(2)对应的雅克比(Jacobian)矩阵,对平衡点的局部稳定性进行分析。假设E5点存在,根据(1)、(2)分别求p、q的偏导可得Jacobian矩阵:
雅可比矩阵对5个局部均衡点的稳定性分析结果如表1所示。
通过上述分析可知,在5个局部平衡点中有两个平衡点E1(0,0)和E4(1,1)是具有局部稳定性的,也就是演化稳定策略(ESS),他们分别对应于项目参与方同时选择积极合作或同时选择消极合作的策略。该演化系统的轨迹示意图如图1所示,描述了合作双方博弈的动态演化过程。
从相图中分析可知:E2OE3E1部分收敛于E1点,是在项目建设过程中各方只顾完成项目寻求自身利益最大化消极合作的部分;E2OE3E4部分收敛于E4点,是双方积极努力寻求共赢的部分。由于系统演化需要相当长的时间,各参与方在长期利益和当前收益中不断博弈,系统在很长的时间内保持积极与消极寻求共赢合作共存的局面。博弈双方选择积极共赢合作的面积取决于O点的位置。E2OE3E4面积越大,系统收敛于E4的概率也越大,系统向合作共赢方向演化越快。
2.4 建设项目参与方系统的演化稳定因素分析
可见,项目参与方决策长期演化的结果与博弈的支付矩阵和博弈发生时的决策者初始状态密切相关。在博弈过程中,构成博弈双方收益函数的某些参数值及其变化将导致演化系统向不同的均衡点收敛。以下讨论几个参数变化对系统演化行为的影响。
(1)双方积极合作带来收益的增加Ri。
如果双方为项目目标积极合作将能带来巨大的双赢收益,这必然促进建设各方之间积极的合作。其他变量不变,Ri值增大,O点向E1点移动,从而E2OE3E4的面积就越大,系统收敛于E4的概率增加,各参与方演化结果为良性的演化稳定策略。
(2)项目所带来的企业自身发展长期效益和社会效益Fi。
Fi增大,O点往E1点移动,积极合作仍然是演化稳定策略。在复杂建设项目系统中,参与方选择积极共赢必然会给包括政府、其它参与方、群众、环境等组成的复杂外围环境产生互惠影响,从而使得企业长期效益不断增加,系统朝着积极合作方向演化。
(3)双方能否同时选择积极合作与合作成本Ci有关。
当Ci越小时,共赢所得的效益使得参与方积极去参与合作,在图中表现为Ci值减小,O点向E1点移动,从而E2OE3E4面积增大,积极合作成为演化稳定策略。
(4)参与方自利增加收益Ki。
当Ki的值越小,E2OE3E4面积越小,系统收敛于E4的概率就越大。这是因为片面追求项目中获得的利益增加了其以后项目的交易成本,从而长远利益受到遏制。
(5)为了自身利益,违反共赢策略,给对方赔偿的经济损失Wi。
在图中,Wi的值越大,E2OE3E4的面积就越大,系统收敛于E4的概率就越大,演化稳定策略为各参与方积极合作寻求共赢。事实上,参与方积极合作,沟通效率增加,必然会增加长期效益,从而使系统朝良性方向演化。
2.5 建设项目各参与方发展的建议
作为长期性的建筑企业,在一次性项目中的自利行为也许增加了其在项目中的收益,但它破坏了开放、公平、整体的系统环境,无形中增加了其在后续项目竞争中的交易成本,长此以往,必然会导致建筑企业的短命现象,因此,在项目建设中拥有共赢长期回报的理念,采取积极合作策略,增加项目参与者之间的信任,实现人力物力财力资源的最优配置,寻求项目、社会效益、企业长远发展的利益最大化,才是建筑企业长远发展应走之路。
基于上述分析,促使建设项目参与企业积极合作,首先应该加强约束机制的构建,在合同的签订和执行过程中,对于违反合同协议造成的损失做出具体的经济赔偿规定,对合作双方的关系进行规范,建立有效的合作约束机制。此外,加强政府、群众和银行信贷部门等其他利益主体对项目参与方行为监督,建立项目信息反馈系统,将项目参与者行为透明化,对自利参与方给予限制,增加其参与项目的博弈成本。当然,政府也应采取相关鼓励措施,培养参与方合作共赢寻求综合效益最大化的思想,优化建筑企业市场环境,为企业健康成长创造一个有利环境。
3 结论
本文从系统科学的视角考虑建筑企业在项目中所处的关系,以人的有限理性为前提,借助演化博弈论动态探讨参与方行为的演化过程,据此分析参与方企业稳定发展的因素,探索建筑企业短命的原因,提出如何在项目实施中寻求建筑企业整体利益,为建筑企业的健康成长提供了相应的理论支持。但由于目前演化博弈理论的局限性,使得对演化稳定策略只给出一个简单的解释,演化的路径也只能用简化的平滑形式示意,但本文的研究充分展示了参与方项目利益短期化、参与方企业利益长远化发展的先进理念,有助于决策者在项目实施中准确把握其实质,具有很强的实际意义。
摘要：系统科学的发展,为建设项目管理和建筑企业的发展研究提供了平台。将建设项目各参与方企业的决策研究置于此平台之上,利用演化博弈论的复制动态方法,建立项目管理决策的动态演化博弈模型,研究项目利益相关者初始决策下企业的演化发展规律,据以分析各参数对演化稳定策略的影响,认为建立一种合作共赢策略能使项目利益最大化,进而使项目参与方企业长远利益最大化,以此为项目参与方企业避免短命、寻求长期化发展提供理论支持。
关键词：系统科学,演化博弈,演化稳定策略,共赢
参考文献
[1]赵守菊.中国品牌“短命”现象研究[D].大连:东北财经大学,2006,12.
[2]白思俊.系统工程[M].北京:电子工业出版社,2009:12-39.
[3]肖条军.博弈论及其应用[M].上海:上海三联出版社,2004:429-479.
[4]敬嵩,雷良海.利益相关者参与公司管理的进化博弈分析[J].管理科学学报,2006,9(6):82-85.
[5]M SMITH.The theory of games and the evolution of animal conflict[J].Journal of Theoretical Biology,1974(47):209-221.
博弈系统 第7篇
资源分配在面向海云协同网络抽象计算平台中是非常重要的一部分。当系统只有一种资源的时候, 系统分配给每个用户1/n这种资源是公平且高效的。然而, 在现实中, 系统不仅仅是由一种资源, 而是由很多资源组成, 比如CPU、Memory等。同时用户可能对系统中的各种资源有不同需求。这种情况在一些计算机系统中出现并越来越普遍, 比如数据中心等。如果系统仍然采用上述均衡各种资源的方法, 毫无疑问系统的效率会不高。因为有的用户可能需要的CPU比Memory多, 而其他的用户可能需要的Memory比CPU多, 这样他们就会浪费掉他们其实并不需要那么多的资源。因此, 本文期望发现新的解决多资源分配的方法。在这个问题中, 本文主要需要考虑的问题是如何公平且高效地分配各种资源给不同的用户。在近几年中, 有一些算法已经提出了一些解决该问题的方案, 比如DRF ( Dominant Resource Fairness) [1], CEEI ( Competitive Equilibrium from Equal Incomes) [2, 3, 4]和Assert Fairness。
提到的三个算法都提出了自己的公平性原则和效用函数。DRF提出了主要资源这个概念, 即用户需求的资源中占所有资源比例最大的资源。在DRF中, 均衡各个用户的主要资源被认为是公平的分配, 同时效用函数就是分配给各个用户的任务数目, 系统的目标是在保证公平的情况下最大化效用函数。在CEEI中, 系统首先分配给各个用户1/n所有的资源, 然后各个用户可以与其他用户在完全竞争市场中交换资源。这个算法的效益函数认为是分给各个用户任务数的乘积。Assert Fairness试图去均衡用户分配得到的所有资源的份额, 效益函数是分配给各个用户的任务数目。这些算法都解决了多资源分配问题, 但是他们都基于一个不实际的假设就是任务是可分的。在现实生活中, 用户分配得到的任务数是不可分的。
文献[1]中的作者采用上述三个算法来解决了一个实际问题。经过比较CEEI遗留了最小的资源碎片, 这意味着它更高效的使用了资源。从经济学的角度, CEEI是一种比其他算法更高效的算法。针对DataOS中的多资源管理问题, 本文提出了一种解决CEEI任务不可分问题的算法, 称为ICEEI ( Indivisible Competitive Equilibrium from Equal Incomes) 。在ICEEI中, 系统一个任务接着一个任务的分配资源, 并且每一个决定都是试图去最大化效益函数。这样问题就转变成了完全信息的动态博弈问题[5]。由于博弈树是解决该问题的好方法, 所以本文采用变形的博弈树来解决这个问题。通过这种方法, ICEEI在满足实际的情况下使得效益最大化。
ICEEI从微观经济学的角度解决了多资源分配任务不可分问题。ICEEI满足Pareto有效和共享激励这两个公平法则。本文还进行一系列仿真实验来验证所提出的算法, 结果显示ICEEI可以高效的应对用户对资源需求的动态变化, 而且当分配给每个用户的主要资源不同时比DRF表现的更好。
本文将在下面的部分介绍如下内容, 第二章介绍了多资源分配的相关工作。第三章提出了ICEEI算法并详细介绍了它。第四章介绍了ICEEI算法满足的多资源分配的公平性法则。在第五章中, 本文用实验来验证了ICEEI的有效性, 最后在第六章对全文进行了总结。
2 相关工作
除了上面提到的三个多资源调度的方法。在这一部分再介绍两个改进DRF不足的多资源调度算法Sequential Minmax[6]和DRFH ( DRF mechanism in Heterogeneous environments) [7]。这些算法不同于现在系统中实际应用的一些调度策略, 比如当前普遍应用的集群计算框架Hadoop[8]等。Hadoop采用的算法与单资源分配的方法类似, 系统首先将所有的资源分成包含固定量各种不同资源的小块, 称作slot。然后将slot作为系统唯一的资源进行分配。这种分配方法利用资源的效率并不是很高。因为不同的用户会对不同的资源有不同的需求, 如果slot都是由固定量的不同资源组成, 他们就会浪费一些他们并不需要那么多的资源。所以本文想提出一种更适合现在的计算系统, 比如数据中心, 且计算更高效的算法。
Sequential Min - max分配算法试图去解决DRF算法的任务不可分问题。在这个算法中, 系统总是会去选择那个主要资源最小的用户来分配任务。所以系统尽量的均衡各个用户的主要资源来解决任务不可分问题。DRFH算法对DRF算法的改进是考虑了机器的异构性。所以该算法提出的一个新概念是某台机器上的主要资源, 然后该算法试图去均衡用户在所有机器上主要资源的总和。虽然这两个算法都在一定程度上对DRF进行了改进, 但是DRF本身利用资源的效率不如CEEI高。
由于上面的算法都存在缺陷, 所以在下面的部分, 本文将提出一个全新的算法, 称作ICEEI, 结决了CEEI算法的任务不可分问题, 使得其更符合实际而且工作效率更高。
3 多资源分配算法 ICEEI
3. 1 ICEEI 模型
在讲述算法之前, 本文先给出了ICEEI算法的变量符号表, 如表1所示。
本文用一个简单的例子来描述上述算法。一个系统由9 CPUs, 18 GB RAM和两个用户构成。用户1需要 ( 1 CPU, 4 GB) 来完成一个任务, 用户2需要 ( 3CPUs, 1 GB) 来完成一个任务。在模型中相应的表示为r1= 9, r2= 18, d11= 1, d12= 4 , d21= 3和d22= 1。假设还没有开始分配资源时为初始状态 ( 0, 0, …, 0, 0, r1, r2, …, rm) 。如果系统分配第一个任务给用户1, 则状态将改变成 ( 1, 0, …, 0, 0, r1- d11, r2- d12, …, rmd1m) 。这个状态属于集合A1。正如可述, 在系统分配完第一个任务的资源后, 会得到A1的所有点。然后对于A1中的所有点, 再重复进行上面的分配, 这样就可以得到A2, 重复上述过程, 就可以得到完整的博弈树[5], 博弈树对于解决完全信息动态博弈问题非常有用。
3. 2 ICEEI 算法
ICEEI算法是解决资源不可分的问题。首先系统分配给每个用户1 /n的资源, 然后允许用户们在一个完全竞争市场中与其他用户交换资源。这个市场满足两个假设: 第一个假设是一个用户不会影响市场的价格, 第二个假设是市场通过供应和需求的情况来调整市场的价格。ICEEI算法的目标是在有限的资源内最大化效益函数。如下公式所示。
首先通过一个简单的例子来介绍该算法的计算过程, 假设系统由9 CPUs, 18 GB RAM和两个用户组成。用户1对需要 ( 1 CPU, 4 GB) 资源来完成一个任务, 用户2需要 ( 3 CPUs, 1 GB) 资源来完成一个任务。初始状态是A0= { ( 0, 0, 0, 9, 18) } 。从初始状态开始, 系统分配第一个任务资源的选择是用户1和用户2, 如果它分配第一个任务的资源给用户1, 则得到状态 ( 1, 0, 0, 8, 14) ; 如果系统分配第一个任务的资源给用户2, 我们会得到状态 ( 0, 1, 0, 6, 17) 。所以集合A1是 { ( 1, 0, 0, 8, 14) , ( 0, 1, 0, 6, 17) } 。系统会对集合A1中的点重复进行上面的分配过程, 比如对于点 ( 1, 0, 0, 8, 14) , 系统仍然可以把下一个任务的资源分配给用户1或用户2, 这样就得到新的两个状态 ( 2, 0, 0, 7, 10) 和 ( 1, 1, 1, 5, 13) 。对于点 ( 0, 1, 0, 6, 17) , 按照上述分配, 可以得到两个状态 ( 1, 1, 1, 5, 13) 和 ( 0, 2, 0, 3, 16) 。经过上述计算过程中, 得到了集合A2, { ( 2, 0, 0, 7, 10) , ( 1, 1, 1, 5, 13) , ( 0, 2, 0, 3, 1) } 。对于集合A2, 经计算可以得到A3, { ( 3, 0, 0, 6, 6) , ( 2, 1, 2, 4, 9) , ( 1, 2, 2, 2, 12) , ( 0, 3, 0, 0, 15) } 。对于集合A3, 经计算可以得到A4{ ( 4, 0, 0, 5, 2) , ( 3, 1, 3, 3, 5) , ( 2, 2, 4, 1, 8) } 。最后计算得到A5, { ( 4, 1, 4, 2, 1) , ( 3, 2, 6, 0, 4) } 。计算得到的End集合是{ ( 4, 1, 4, 2, 1) , ( 3, 2, 6, 0, 4) , ( 0, 3, 0, 0, 15) } 。每个点中间的值是系统的总效用函数, 对于这个例子, 经过比较发现 $ 6 $ 是最大的效用函数。具体的分配为用户1分配3个任务, 用户2分配2个任务。
算法的细节如表2所示, 该算法的输入是系统的总资源和各个用户对系统各种资源的需求, 经过计算, 可以得到一个结果集合, 称为END集合。在对该集合中的各点的M值进行比较之后, 可以获得一个M值最大的点, 系统在该点处获得最大效益。
4 ICEEI 满足的公平性法则
在多资源分配中有几个很重要的公平性法则[4]如下所示:
( 1) 共享激励: 用户共享数据资源比排他性使用分配给自己的资源收益更高。
( 2) 防护策略: 用户不会从谎报其数据资源需求中获得额外收益。
( 3) 嫉妒避免: 一个用户不会倾向于其他用户的数据资源分配。
( 4) Pareto有效: 在不降低其他用户的分配情况下, 无法增加该用户的分配
文献[1]中证明CEEI算法不满足防护策略, ICEEI算法也同样不满足这个策略。ICEEI满足的两个公平法则是共享激励和Pareto有效。在ICEEI算法中, 系统分配给每一个用户1/n的资源作为初始状态, 然后用户可以在一个完全竞争市场与其他用户交换资源。他们交换资源的目的就是希望比初始状态表现的更好, 所以该算法是共享激励的。同时ICEEI也是Pareto有效的, 随着剩余资源不足够分配给任何系统任何任务, 就进入了分配的结束状态。所以如果系统仍然想分配资源给某一个用户, 就必须减少分配给其他用户的资源。所以ICEEI是Pareto有效的。文献[6]中提到共享激励和嫉妒避免公平法则不能同时在资源不可分问题中满足。所以ICEEI不是嫉妒避免的。
5 实验结果
通过一系列的实验验证了ICEEI算法。第一部分讲述了当用户的需求变化时算法是如何调整的。后面的部分将ICEEI和DRF进行了对比。所有的实验都是在集群调度模拟器[9]中实现的。这个模拟器可以像大规模集群一样的工作, 它不仅可以模拟集群调度策略的模型, 也可以比较不同调度策略。这个集群调度模拟器使用离散事件模拟器来处理工作量并且可以分析结果数据。在对模拟器经过一定的修改之后, 在Data OS[10]平台上进行了ICEEI算法的实验。
5. 1 ICEEI 的动态表现
通过实验来观察ICEEI算法如何用应用户对资源需求的变化。在这个实验中, 模拟器设置了48个节点。对于每一个节点, 由4CPUs和10 GB存储组成。用户1对资源的需求是 ( 1CPU, 1GB) 并且用户2对资源的需求是 ( 1CPU, 7GB) 。
图1和图2描述了各个用户分得的CPU和内存随着时间是如何变化的。首先根据上面我们给出的一些参数, ICEEI计算出在给定资源下分别分配给每个用户资源的最大值。计算过程是采用博弈树的方法。通过图1和图2, 可以发现在ICEEI算法下, 两个用户都很快达到了期望的最大值。如图1中, 用户1大约占据了77% CPUs和30%内存。图2中显示, 用户2占据了大约20% CPUs和62%内存。在分配之后, 系统稳定在最大值附近。
大约60s, 用户对资源的需求发生了改变。用户1需要 ( 1CPU, 1GB) 的资源, 用户2需要 ( 1CPU, 1GB) 的资源。在变化之后, ICEEI算法会重新用构建博弈树的方法计算得到最大值。从图1、图2中可以看出在ICEEI算法下, 两个用户占有的资源量重新达到了新的平衡。在变化之后, 从图1中可以看出, 用户1占用了50% CPUs和20%, 从图2中可以看出, 用户2也占用了50% CPUs和20%内存。所以ICEEI算法当用户的需求发生变化的时候, 可以快速的达到新的平衡, 系统的效益仍然是最大化的。
通过实验说明ICEEI算法在资源分配之后可以使得系统效益最大化。同时, 当用户的需求发生变化的时候, 可以快速的应对变化并且最大化系统效益。这意味着, ICEEI算法可以良好了在动态环境中运作, 所以在现实环境中依然是一个优秀的多资源分配算法。
5. 2 ICEEI 与 DRF 的对比
在很多情况下, 需要较少资源的小任务数量很多, 需要较多资源的大任务数量较少。如果在这种情况下仍然采用DRF的方法, 系统会仍然试图去均衡各个用户的主要资源。尽管大任务的数量较少, 但是它们仍然占据了较多的资源。如果采用ICEEI算法, 它会从最大化系统效益的角度出发, 它会尽量最大化资源利用率来提高工作效率。
例如模拟器配置了48个节点的计算环境, 每个节点包括4CPUs和10GB内存。用户1的需求参数是 ( 1CPU, 1GB) , 用户2的需求参数是 ( 1CPU, 7GB) 。用户1的每个工作由200个任务组成, 用户2的每个工作由30个任务组成。实验分别用DRF和ICEEI算法来调度同样多的负载。图3和图4中可以看出ICEEI完成调度的时间要更短一些大约50s, 而DRF大约用了53s的时间, 这是因为DRF仍然试图去均衡大任务和小任务的主要资源。大任务需要较多的内存, 所以存储成为了系统分配资源时的限制资源。当存储已经分配完了的时候, CPU仍然有大量的剩余。而ICEEI算法不同的是, 它总是希望最大化资源的利用率和减少资源碎片, 所以系统平衡了整体分配给小任务更多的资源, 使得它跑的更快。由于大任务本来数量就很少, 所以它不会成为系统运行时的限制。图3中显示了小任务在DRF和ICEEI两种调度中的各资源份额, 图4中显示了大任务的资源份额。从图3和图4可以发现ICEEI算法比DRF算法分配了更多的资源给小任务。ICEEI算法由于对资源的利用率更高所以比DRF算法使用了更少的调度时间。
ICEEI算法是从最大化系统效益的角度来进行的, 所以它总是试图减少资源碎片和提高资源利用率。当用户的主要资源不同时, DRF为了均衡各用户的主要资源, 可能使得某种资源成为系统分配的限制而其他资源仍有较大碎片, 这时ICEEI算法就会比DRF算法表现的更好一些了。
6 结束语
这篇文章从经济学的角度提出了用ICEEI算法来解决多资源分配的任务不可分问题。它的优点是可以减少资源碎片, 提高资源的利用率。该方法是通过采用构建博弈树的方法来解决了这个分配问题, 并进一步修改初始状态来优化了博弈树的构建。本文还证明了ICEEI满足共享激励和Pareto有效这两个多资源分配的公平法则。通过实验证明了该算法的有效性: ①可以快速应对用户对资源需求的变化, ②当用户的主要资源不同时比DRF算法表现的更良好。
参考文献
[1]A.Ghodsi, M.Zaharia, B.Hindman.Dominant resource fairness:fair allocation of multiple resource types.USENIX NSDI.2011.
[2]M.Schwarzkopf, A.Konwinski, M.Abd-El-Malek.Omega:flexible, scalable schedulers for large compute clusters.Proceedings of the 8th ACM European Conference on Computer Systems.ACM, 2013:351-364
[3]H.R.Varian.Equity, envy, and efficiency[J].Journal of economic theory, 1974, 9 (1) :63-91
[4]J.F.Nash Jr.The bargaining problem[J].Econometrica:Journal of the Econometric Society, pages 1950, 155-162
[5]D.Fudenberg and J.Tirole.Game theory[M].MIT Press, 1991.
[6]Parkes D C, Procaccia A D, Shah N.Beyond dominant resource fairness:extensions, limitations, and indivisibilities.Proceedings of the 13th ACM Conference on Electronic Commerce.ACM, 2012:808-825
[7]W.Wang, B.Li, and B.Liang.Dominant resource fairness in cloud computing systems with heterogeneous servers[J].arXiv preprint arX-iv:1308.0083, 2013.
[8]M.Isard, V.Prabhakaran, J.Currey等.Quincy:fair scheduling for distributed computing clusters.Proceedings of the ACM SIGOPS22nd symposium on Operating systems principles.ACM, 2009:261-276
[9]Cluster scheduler simulator, https://code.google.com/p/cluster-scheduler-simulator/.
博弈系统 第8篇
随着客户需求正朝着多样化,个性化方向发展,制造企业的生产能力和技术革新面临着更高层次的挑战。于是企业间的竞争程度日益加剧,竞争模式也由原来的单个企业与企业之间的竞争,逐步发展成为企业联盟与企业联盟之间的竞争,即:供应链与供应链之间的竞争。供应链是指在特定的竞争环境下,以核心企业为基准,通过使用物流、信息流、资金流来实现对原材料采购、在制品生产、产品配送一系列活动进行全程化管理的企业联盟模式;并且是由供应商、制造商,分销商、零售商以及最终客户所构成的一个整体高效的网络价值链模式。如何去选择可靠的供应商,如何去建立高效供应链的体系,是当今供应链管理领域中所研究的重要课题。尤其在信息非对称环境下,制造商并不十分了解供应商的真实信息,对供应商进行评价的条件并不完全具备。此时是否接纳供应商,很大程度上取决于供应商所传递的信号质量以及制造商对信号类型进行甄别的能力。
目前国内外学者应用信号博弈理论,解决了许多企业管理中的实际问题[1][2]。如任玉珑,杨菲菲从信号博弈角度,建立企业间的信号博弈模型,给出分离均衡和混同均衡存在的条件,并对企业间的合谋机理进行深入分析,提出了有效的建议[3]。而在供应链管理领域中,林英辉运用信号博弈在分离均衡情形下,分析了供应商可信度问题[4]。李长贵在信息不确定条件下,通过对供应链企业间的交易活动进行分析,确定了在不同市场均衡下供应链企业间的交易成本[5]。而侯琳琳根据信号博弈理论,以利润共享参数为信号,设计一种能够实现分离均衡的收益共享契约机制[6]。还有一些学者运用信号博弈理论研究了供应链管理中的协调问题。如Taylor运用信号传递博弈研究了供应商和销售商之间赊销过程中的协调问题[7]。LAU在需求信息不确定条件下,利用信号博弈分析了供应链库存协调策略[8]。在此基础上,Cachon在不对称信息条件下,运用固定支付契约,实现了供应链协调[9]。HANDFIE为了限制零售商退货,运用信号博弈理论,在制造商与零售商之间建立了可信任的信息共享模型[10]。索寒生将信号博弈用于解决供应商的最优回购策略问题[11],进而实现了供应链协调。
上述文献运用信号博弈理论,对供应链管理领域中的可信度、交易成本、收益共享、库存协调、产品回购等一系列问题进行了研究[12][13][14],然而忽视了供应链合作过程中的服务质量控制问题,同时也没有给出提升服务质量的有效措施。因此,本文针对不完全信息下供应商与制造商构成的两级供应链系统,构建了以服务水平作为传递信号的动态博弈模型。运用非合作博弈的精练贝叶斯均衡,研究了信号博弈分离均衡的实现过程和存在条件,进而提出了供应链成员企业进行服务质量管理的有效对策。本研究推动了信号博弈理论在供应链管理领域中的应用,并进一步完善了供应链合作理论和风险理论,对于构建一个高效、稳定的供应链合作联盟具有一定的指导作用。
2 信号博弈
信号传递博弈[15]是Gibbons在1974年首先提出来的,是一种比较简单但是却有着广泛应用意义的不完全信息动态博弈。主要用于解决博弈一方(只有一个类型)在不能准确知道另一方类型(有多个类型)的情况下,可以通过对方发出的信号来修正自己对其类型的判断问题。在这个博弈中,有两个参与人,i=1,2;参与人1称为信号发送者(因为他发出信号),参与人2称为信号接收者(因为他接收信号);参与人1的类型是私人信息,参与人2的类型是公共信息。
博弈的顺序如下:
(1)“自然”首先选择参与人1的类型θ∈Θ,此处Θ=(θ1,θ2,θ3,……,θk)是参与人1的类型空间,参与人1知道自己的类型θ,而参与人2不知道,只知道参与人1属于类型θ的先验概率是
(2)参与人1观测到自己的类型θ后,选择发出信号m∈M,M=(m1,m2,m3,……,mj)是信号空间;
(3)参与人2观测到参与人1发出的信号m(但不是类型θ),使用贝叶斯法则从先验概率p=p(θ)计算得到关于参与人1类型的后验概率
(4)两者的收益函数分别是U1(a,m,θ)和U2(a,m,θ)
3 供应链信号博弈模型的构建
本文建立了一个由供应商和制造商所构成的两级供应链系统的信号博弈模型。假设供应商有两种类型:高信用供应商和低信用供应商,分别记为θH和θL。供应商知道自己的类型,而制造商却不了解供应商的类型,仅知道高信用供应商与低信用供应商出现的概率,分别为p(θH)和p(θL).欲加盟供应链的供应商向制造商传递信号,以表明自己是高信用的供应商。显然,供应商传递的信号并不一定反映供应商的真实类型。制造商根据供应商传递的信号判断供应商的类型,并采取两种不同的行动策略:合作或不合作,合作或不合作分别记为a1和a2。
该博弈模型可以表示为:
(1)自然抽取供应商的类型θi(i=H,L),抽取的办法是从类型集合Θ=(θH,θL)中以概率p(θH)和p(θL)随机抽取供应商的类型,并且p(θH)+p(θL)=1。
(2)供应商了解自己的类型θi后,如果想加入供应链,则向制造商传递自己的服务水平信号,从信号空间M=(mH,mL)中选择mj作为自己传递的信号类型,如果供应商不想加入供应链,则不传递信号。
(3)制造商在收到供应商传递的信号mj后,从可选的行动策略集合A=(a1,a2)中选择自己最优的行动策略al,l=1,2
(4)供应商与制造商所得到的收益分别为Us(al,mj)和Um(al,mj)。
如果制造商接纳了供应商,则根据供应商所属类型Θ=(θH,θL),确定一个合理的采购价格P=(PH,PL)向供应商购买材料,而采购量Q是一个随市场需求变化而变化的连续型随机变量,其分布函数为F(X),密度函数为f(x)。下面分别对供应商和制造商信号博弈中的收益和均衡状态进行分析。
供应商:对于供应商来说,单位材料的库存成本为Cs,单位材料的运输成本为Ct,在不同的价格水平上,供应商的收益分别为:
USH(Q)=PH[∫
USL(Q)=PL[∫
若要使供应商的收益Us最大化,则需满足:
由此可得,均衡状态时对应供应商的最优供应量分别为:
制造商:对于制造商来说,单位材料所带来的收益为w,单位材料的保管费用为Cm,根据预测到的供应商的不同类型,确定不同的价格水平P=(PH,PL),从而得到制造商在不同环境下的收益:
UMH(Q)=(wH-Cm)∫
UML(Q)=(wL-Cm)∫
由以上分析可知:
当p=PH,Q=Q*H(PH)时,制造商根据传递来的服务水平信号选择高信用供应商,此时二者的收益均得到了最优精炼贝叶斯均衡解:
US-max=USH(Q*H(PH)) (7)
UM-max=UMH(Q*H(PH)) (8)
当p=PL,Q=Q*L(PL)时,制造商根据传递来的服务水平信号选择低信用供应商,此时二者的收益均也都得到了最优精炼贝叶斯均衡解:
US-max=USL(Q*L(PL)) (9)
UM-max=UML(Q*L(PL)) (10)
上述信号博弈的过程如图1所示:
4 分离均衡分析
供应链信号博弈存在两种纯策略分离均衡,第一种分离均衡是低信用供应商选择低服务水平,高信用供应商选择高服务水平;第二种分离均衡是低信用供应商选择高服务水平,高信用供应商选择低服务水平。然而,第二种分离均衡缺乏企业经济理性,没有实际的经济意义。因此我们着重研究第一种分离均衡存在的条件。
在低信用供应商选择低服务水平,高信用供应商选择高服务水平的条件下,我们可以看出,此时供应商的服务水平就起到了很好的信息甄别作用,均衡解应满足以下条件:
(1)后验概率条件
后验概率应该满足:
P(θH|mH)=1,P(θL|mH)=0
P(θL|mL)=1,P(θH|mL)=0
由贝叶斯法则可得:
所以求得:q=1,r=0
(2)在供应链信号博弈的过程中,高信用供应商选择高服务水平,低信用供应商选择低服务水平,要使供应商的收益最大化,则需要满足:
USH>ULH1;USL>UHL1.
(3)在供应链信号博弈的过程中,当高信用供应商传递高服务水平时,制造商采取合作行动,当低信用供应商传递低服务水平信号时,制造商采取合作行动。此时,要使制造商实现收益最大化,则需要满足:
UMH>ULH2;UML>UHL2
根据精炼贝叶斯均衡,供应链信号博弈模型实
现分离均衡的条件为:
UMH>ULH2;UML>UHL2;
USH>ULH1;USH>UHL1.
通过上述博弈分析可知,在分离均衡情况下,要考虑低信用供应商伪装成高信用供应商的伪装成本。伪装成本包括:伪装过程中发生的费用;由于伪装所造成的信誉缺失成本;由于伪装受到法律惩罚所造成的成本费用。在制度不健全情况下,低信用供应商为了短期利益将会选择伪装自己。而在制度健全的情景下,由于制度惩罚的原因,使得伪装成本增加,从而低信用供应商不敢伪装自己。因此,需要进一步完善供应商评价制度,增加伪装成本额度,加大对失信供应商的惩罚力度,使得分离情形下的精炼贝叶斯均衡得以实现。这样一来,制造商能够有效地识别供应商的类型,并且分别以价格PH与高信用供应商进行合作,以价格PL与低信用供应商进行合作,在实现供应商和制造商双方收益最优化的前提下,达到供应链信号博弈的精炼贝叶斯均衡状态,最终能够有效地提升供应链服务质量的管理水平。
5 分离均衡下供应链质量管理对策
在供应链信号博弈过程中,为了减少供应链企业道德缺失信行为,降低供应链合作中不确定风险,加强企业间的相互信任,则需要进一步完善供应链质量管理机制:
(1)建立供应商定期评价机制
建立供应商定期评价机制,根据QSTP加权标准,即供货质量Quality(35%评分比重)、供货服务Service(25%评分比重)、技术考核Technology(10%评分比重)、价格Price(30%评分比重),对供应商管理体系、资源管理与采购、产品实现、设计开发、生产运作、测量控制和分析改进等七个方面进行现场评审和综合分析评分,对供应商进行全方位,过程化管理。
(2)建立网络化信誉公开机制
对于数量不相符,交货期不确定,质量不稳定,服务不到位的供应商,要及时通过网络信息平台在行业内进行披露,让客户及时了解各个供应商的信誉水平,进而预先防范供应商的不可信行为。
(3)建立利益共享机制
建立供应商与客户之间利益共享机制,在共性层面上,将以供应链收益共享契约为基础,在点的层面上,制造商与供应商之间的利益分配可以采取灵活的协商方式,确保双方能够实现共赢。
(4)建立良好的信息沟通机制
在供应链平台上,企业之间信息沟通主要是通过供应链信息共享网络平台来实现。目前,信息共享网络平台已成为供应链成员企业之间进行信息沟通的主要渠道。除此之外,具有感情效应的供应链合作企业之间的高层管理人员互访,也是制造商与供应商之间建立互信机制的重要渠道。
(5)建立有效的质量管理机制
根据顾客需求变化,供应商与制造商需要共同协作为顾客提供有形的产品和无形的附加服务。要用标准化质量管理体系,对供应商提供的服务质量进行评价,并给出合理的改进措施。同时完善供应商质量赔偿和激励机制,对于服务质量不高,失信的供应商加大质量赔偿力度;对于较高服务水平的诚信供应商,制定有效的激励措施,提供全方位的优惠政策。
6 结语
信息不完全性往往会导致供应链成员企业进行盲目投资或非理性合作,使得供应链企业间合作波动性很大,最终造成供应链系统运营效率偏低。因此,应用信号博弈理论对供应链质量管理问题开展研究显得尤为重要。本文在不完全信息条件下,针对由供应商和制造商构成的两级供应链系统,建立了以服务水平作为传递信号的供应链动态博弈模型。研究结果表明,在分离均衡条件下,制造商能够根据供应商所传递的服务水平信号,对其类型进行准确识别,并选择适宜合作策略,降低合作过程中的潜在风险。同时为了减少供应链企业道德缺失信行为,降低供应链合作中不确定风险,制定了供应链质量管理的有效对策。然而本文是在假设参与人完全理性的前提下,对两级供应链系统的质量管理问题开展了研究,具有一定的局限性。因此,未来将在以下两个方面展开深入研究:
(1)在有限理性条件下,研究博弈双方信号博弈分离均衡实现过程。
(2)在多级供应链价值网络结构中,进一步研究多阶段信号博弈模型的构建过程及优化对策。
先博弈后定义 第9篇
2013年下半年开始，风口转到了“行”，易到用车获携程6000万美元投资、打车应用大战、神州租车申请上市、宝驾及PP租车获得融资、Uber大举入华……针对风起云涌的各种创新，交通监管部门推出一系列政策。
以北京为例：2013年末，北京市交通委员会出台了《北京市小客车合乘出行的意见》，意味着拼车模式从灰色地带走到了阳光下；2014年二季度，对打车应用做出规范；8月12日，北京市交通委员会运输管理局下发《关于严禁汽车租赁企业为非法营运提供便利的通知》（以下简称《通知》），对运营与非运营车辆做出了严格界定。
《通知》中称“一段时间以来，借助互联网和手机软件预约租车的消息频繁见诸媒体。经核查，其中一些经营者主动与汽车租赁企业洽谈租车事宜，或自行登记注册汽车租赁企业但不按规定备案，同时将各类私家车聚于名下。其目的不是依法从事汽车租赁经营，而是在没有取得合法营运资质的情况下，以提供便利租车服务为名，从事非法营运活动。”这段话的矛头直指易到用车，该公司宣称已占据90%的商务租车市场份额。
《通知》要求：“汽车租赁经营车辆应当是经行业管理部门备案在册的车辆，车辆行驶证件注明的车主名称应当是持证的汽车租赁经营者；将私家车辆或其他非租赁企业车辆用于汽车租赁经营属于违规行为。”也就是说运营车辆的产权应当是运营者，而不能是挂靠的私家车主。
今年5月易到用车对媒体透露：平台上的司机已达5.3万人，仅在北京就已超过万人，且仍在快速增长中。相关人员坚称，这些司机都来自正规的汽车租赁公司，是随着公司一起加盟易到用车的。但不管易到用车怎样辩解，这些车辆都是私家车，行驶证上写的不是汽车租赁公司而是私人车主。如果仅通过与出租汽车公司合作（例如首汽），为消费者提供车辆，不仅无利可图，而且存在价值很小。对易到用车来讲，切断私家车的来源，相当于割喉。
《通知》骤然出台，让智能用车看似一片光明的前景阴霾密布，头脑发热的淘金者此时才真正懂得什么叫“政策风险”。其实易到用车这种模式早在多年以前就被神州租车放弃，原因就是涉嫌非法运营。此后，神州租车斥资数十亿元，购置5万多辆汽车，背上沉重的财务负担。2012年在美国上市未成功，2014年5月转攻香港主板，至今没有结果。易到用车明知违法，却想测试有关部门执法的尺度。结果遵纪守法者活得艰辛，希图侥幸者顺风顺水。易到用车去年取得携程6000万美元的投资后，最近又传出将获得百度3亿美元投资的消息。然而在监管面前，易到用车的侥幸终究也没能持续多久。
移动互联网时代产生了大量新事物，相关政府部门既不能扼杀新生事物，也不能不尽到监管职责，尺度很难拿捏。交通部对智能用车、广电总局对电视机顶盒、央行对互联网金融，面临的挑战非常相似。
监管部门至少应该做好两件事：第一是明确法律的底线，不要让心存侥幸者（如乐视、易到用车）去试探。例如智能用车的底线是不得为非法运营提供便利；智能机顶盒的底线是不能把互联网内容直接导入电视机；互联网金融的底线是互联网公司恪守管道、平台角色。第二是广泛充分地听取各方意见，主动与各类利益相关者沟通。以易到用车为例，监管部门既没有早明确法律底线，也没有主动听取相关各方意见。据悉北京几家大型出租车公司已经联合“告了好几次状”，指责租车软件抢了出租车的饭碗，结果都不了了之。投机者烧投资人的钱冒险试探法律底线，监管者应当不给投机者这种机会！
博弈系统 第10篇
关键词：云计算,演化博弈,分布式入侵检测,趋势预测
1 概述
近年来,随着云计算的蓬勃发展,云计算的新技术、新应用正慢慢延伸到人们的日常工作和生活中,发挥着越来越重要的作用。云计算技术的进步在给人们带来方便和好处的同时,也对人们的信息安全工作提出了新的要求。云计算环境下的安全技术主要包括云资源访问控制、密文处理、数据可用性、隐私保护、虚拟安全技术等[1]。其中,对云资源的访问控制的研究仍然是一大研究热点。学者们对云资源访问控制的研究主要包括安全审计、等级保护、访问控制、入侵检测、信任评估等。其中,入侵检测技术以其主动性、全面性、智能性等优势备受青睐。然而,随着云环境的异构性与复杂性不断增强,传统网络下的入侵检测技术方案并不再能很好适应云计算日趋智能化、系统化、综合化的环境。
针对云环境日益扩大化、复杂化以及单一设备的负载过于集中等问题,学者们纷纷提出适用于云环境下的新型入侵检测模型:Dermott等[2]提出一种基于DS证据理论的协作式跨域云入侵检测系统,Akramifard等[3]则从用户行为模式分类的角度出发,提出一种基于多级模糊神经网的云入侵检测系统。其中,云环境下的分布式入侵检测系统以其独立性、灵活性、可扩展性、错误扩散小、协作性等[4]的优势越来越受到学者们的关注。Li、Kumar等[5,6]提出了一种基于云理论的分布式入侵检测系统,Li[7]提出了一种基于人工神经网的云分布式入侵检测系统,Zhang等[8]提出了一种基于粗糙集的云分布式入侵检测系统。
虽然学者们在云环境下的入侵检测技术研究做了较多工作,但很少有学者对云分布式入侵检测系统行为趋势分析、系统行为发展预测进行深入研究。本文将演化博弈理论应用于云环境下的分布式入侵检测系统行为趋势分析预测,从参与人有限理性的立场出发,提出一种基于演化博弈理论的云分布式入侵检测系统行为分析预测模型,分析讨论不同损益条件对检测系统行为的影响,得出合理的安全管理方案。最后,通过实验验证该模型的理论以及预测结果的正确性。
2 基于演化博弈理论的行为分析预测模型
本文将全部云分布式入侵检测系统看作一个种群,云中的所有分布式入侵检测系统个体是该种群的个体。各个检测系统彼此独立、对等,通过相互之间交换信息,并结合自身现状,作出是否协同工作的决定。种群中有不同比例的群体选取特定行动,将采用不同行动的入侵检测系统抽象成不同“类型”的博弈方,“类型”会随着博弈方策略而改变。执行特定行动的种群个体随机配对,组成参与人组合,也即不同策略选取组合的搭配。
1)参与人:由于本文研究对象是分布式系统,每位参与人类型相同,因此模型参与人为入侵检测系统。
2)行动集:由于参与人类型相同,因此参与人的行动集都相同:
3)参与人损益值。本文假定:
R代表每个入侵检测系统保持独立状态工作时能给云系统带来的收益;
G表示当入侵检测系统进行协作工作时能给云系统带来的额外收益,云系统设备性能越优异,该项值越高;
C为入侵检测系统进行协同工作的成本;
H代表回避收益。入侵检测系统为回避某种状况带来的负面损失而选择不协作时获得的收益。
同时,根据现实调查可知,入侵检测系统进行协作工作时能给云系统带来的额外收益(G)>回避收益(H)>入侵检测系统进行协同工作的成本(C),因此本文约定:。
由于参与人类型相同,行动集也相同,因此本模型是一个对称式博弈模型,入侵检测系统协同工作的演化博弈模型矩阵为:
博弈的扩展式表述如图1所示。
在协作博弈分析中,假设检测系统协同工作(cooperation)的概率为x,独立工作(independence)的概率为1-x,检测系统采用“协同工作”和“独立工作”行动的期望得益为:
检测系统策略选取的平均得益为:
由于x是不断变化的,此时x可看作关于时间的函数,对求导即x的变化速率,也即检测系统策略选取的复制动态方程,为:
根据前文所述演化稳定策略的稳健性要求,博弈方的动态复制方程导数必须小于0。当x不再变化,由检测系统策略选取的复制动态方程可知,动态过程达到稳定状态,也即。由此该方程至多有3个稳定状态,分别是。其中,在处,切线斜率为负,因此是演化稳定策略;在处切线斜率为正,不是演化稳定策略。图2中描绘了上述情况x的动态变化趋势及稳定性。
3 基于演化博弈模型的云入侵检测系统行为预测
模型中的入侵检测系统作为思维有限理性的角色,对所处环境、信息并不能做到全完掌握,或可能由于自身原因做出错误决策,使得博弈结果不能总达到最佳。
从检测系统博弈的复制动态方程的鞍点来看,由于,复制动态具备稳健性的演化趋向为都是稳定的演化趋向,也都是检测系统可能的策略选择。若C为定值,当协同工作带来的额外收益(G)与规避风险的保守工作带来的收益(H)之差越大,值越偏向于0,部分面积越大,代表检测系统选取协同工作策略的概率越大;相反,若部分为定值,若协同工作的成本(C)越大,值越偏向于1,代表检测系统拒绝协作、单干的概率越大。例如一般的基础设施即服务(Iaa S)设备协同工作的成本(C)一般都不会改变,为提高检测系统协同工作的概率,可尝试减少回避协作带来的收益,或增大协同工作带来的额外收益,以保证云服务设备能够得到更大的保障。
4 实验分析
4.1 数据设定与模拟
本文对模型中的变量进行赋值:取H=10;G=6;C=3,实验结果如图3所示。
4.2 实验结果分析
图3描绘出了随着云入侵检测系统之间的长期博弈过程的进行,检测系统之间博弈策略选取趋势的总体相位图。由图中可观察到,检测系统存在协作与独立工作的可能,如前文分析,即便选择协作的检测系统数量高达70%,也会渐渐趋向于选择独立工作。此时若依前文结论,将协同工作的成本(C)减小为1.9,检测系统之间策略选取趋势的相位图将如图4所示,检测系统独立工作的可能性减少,而与其他检测系统协同工作的可能性增大,由此说明减小检测系统协同工作成本确实有助于增大检测系统协同工作的可能,从而验证了前文的结论。同理将回避收益(H)减少时也将有同样效果。
5 结束语
本文应用基于过程分析的演化博弈理论提出一种云分布式入侵检测系统行为分析预测博弈模型,这种有限理性的演化博弈更符合现实客观条件,通过归纳检测系统的策略收敛方向,以及不同损益对检测系统行为策略趋势造成的影响,实现了对系统的安全分析,为安全方案规划提供参考依据。通过实验验证了该方法的理论,以及预测结果的正确性。然而,由于演化稳定策略本身存在无法描述系统受到随机效应影响时的长期稳态的局限,博弈模型本身还有待完善,未来进一步的工作将研究可应对随机性问题的安全分析演化博弈模型,使分析的结论更准确完善。
参考文献
[1]冯登国,张敏,张妍,等.云计算安全研究[J].软件学报,2011,22(1):71-83.
[2]Áine Mac Dermott,Qi Shi,Kashif Kifayat.Collaborative Intru-sion Detection in Federated Cloud Environments[J].Journal ofComputer Sciences and Applications,2015,3(3A):10-20.
[3]Akramifard H,Mohammad Khanli L,Balafar M A,et al.In-trusion Detection in the Cloud Environment Using Multi-Lev-el Fuzzy Neural Networks[C]//Proceedings of the InternationalConference on Security and Management(SAM).The SteeringCommittee of The World Congress in Computer Science,Com-puter Engineering and Applied Computing(World Comp),2015:75.
[4]马恒太,蒋建春,陈伟锋.基于Agent的分布式入侵检测系统模型[J].软件学报,2000,11(10):1312-1319.
[5]Han Li,Qiu-xin Wu.A Distributed Intrusion Detection Mod-el based on Cloud Theory[C]//Cloud Computing and IntelligentSystems(CCIS),2012 IEEE 2nd International Conference on.IEEE,2012,1:435-439.
[6]Manish Kumar.Distributed Intrusion Detection System Scal-ability Enhancement using Cloud Computing[J].Computer Sci-ence&Telecommunications,2014,41(1).
[7]Zhe Li.A Neural Network based Distributed Intrusion Detec-tion System on Cloud Platform[D].The University of Toledo.2013.
[8]Zhang Ling,Bai Zhong-ying,Xie Kang,et al.Research ofDistributed Intrusion Detection Model Based on Rough Set inCloud Computing[J].International Journal of Advancements inComputing Technology,2013,5(4).