摘 要： 為解決激勵合約理論的量化和實際應用問題，提出了信號傳遞激勵合約模型的基于SVR的數(shù)值分析方法。利用SVR對效用函數(shù)建模，對委托人通過激勵合約向代理人傳遞其特征信號的優(yōu)化模型Ⅱ進行了量化分析。具體推導出了該模型的梯度表達式，給出了相應的梯度法迭代算法，并進行數(shù)值計算和量化分析，觀察上述信號傳遞模型中某些參數(shù)變化對合約均衡點變化趨勢的影響。計算結(jié)果的合理性表明，用基于SVR的數(shù)值分析方法定量分析激勵合約模型是可行的。
關鍵詞： 支持向量回歸機；效用函數(shù)；信號傳遞；激勵與合約
激勵合約優(yōu)化模型的研究一般采用解析的、定性的方法進行分析[1]。但這種分析方法不僅導致激勵合約優(yōu)化模型在實際應用受到限制，也使得理論本身的發(fā)展受到限制。其原因主要有兩方面，其一是模型所包含的效用函數(shù)難以用解析函數(shù)定量表達，造成整個模型難以作定量分析；其二是解析分析方法在對具有效用函數(shù)求導的梯度法的優(yōu)化模型求解時難以施展。由于支持向量回歸機在各領域得到成功的應用[2]，所以用支持向量回歸機對效用函數(shù)建模，解決信號傳遞優(yōu)化模型的量化表達問題，進而對信號傳遞優(yōu)化模型作量化分析。
本文研究用SVR解決信號傳遞優(yōu)化模型Ⅱ的定量表達和分析問題，并與已有的解析分析方法相結(jié)合，利用SVR對效用函數(shù)進行建模，從而解決效用函數(shù)的表達問題。同時利用梯度法求解優(yōu)化模型，從而解決傳統(tǒng)解析方法無法解決的優(yōu)化模型的量化分析問題。在用支持向量回歸機對效用函數(shù)建模的基礎上，本文推導出了提供生產(chǎn)率高、工作繁重的合約和提供生產(chǎn)率低、工作輕松的合約的委托人通過其設計的合約向代理人傳遞信息的信號傳遞模型的梯度表達式，并給出了相應的梯度法迭代算法。利用這一算法進行數(shù)值計算和量化分析，觀察上述信號傳遞模型中參數(shù)變化對合約均衡點變化趨勢的影響。
1 SVR與效用函數(shù)建模[3]
解決效用函數(shù)的定量描述問題是對激勵合約優(yōu)化模型定量計算的關鍵。而用SVR對效用函數(shù)建模又是解決效用函數(shù)的定量描述問題的關鍵。
1.1 支持向量回歸機SVR
1.2 效用函數(shù)的SVR建模
效用函數(shù)在經(jīng)濟學中指消費者在消費某種商品過程中所得到的滿足感。在激勵合約中指對獲取收益的滿足感。效用函數(shù)帶有很強的主觀色彩，實際中由小樣本點集隱含。本文利用SVR對效用函數(shù)建模作量化描述，即用SVR表達效用函數(shù)。首先利用所收集到的效用函數(shù)的樣本集訓練SVR，使其得到有關知識，這實際上是樣本點隱含的函數(shù)關系在各個神經(jīng)元上的權(quán)值。在SVR得到這組權(quán)值之后，就可以用來表達由樣本點隱含的函數(shù)關系，即對于所給定的自變量，可以通過訓練后的SVR定量確定效用函數(shù)的值。在用SVR表達效用函數(shù)的基礎上，可以進一步定量計算相關的積分和導數(shù)。激勵合約研究的是簽約雙方同為風險規(guī)避類型（至少是風險中性）的效用函數(shù)的情形。當效用函數(shù)是風險中性時，用一線性函數(shù)即可表達；而當取效用函數(shù)為風險規(guī)避類型時，可以用SVR來表達。用SVR表達的效用函數(shù)的基本表達式為：
其中svr(x)的曲線形狀如圖1所示（通過對實際樣本點的訓練回歸而得）。仿真時，可以在效用函數(shù)的基本表達式中引入兩個參數(shù)a和b，使效用函數(shù)具有如下形式：u(x)=af(bx)，通過調(diào)節(jié)a和b即可對效用函數(shù)進行微調(diào)。
2 信號傳遞優(yōu)化模型Ⅱ及其梯度法求解[5]
2.1 信號傳遞優(yōu)化模型Ⅱ[1]
激勵合約的信號傳遞優(yōu)化模型Ⅱ可以形式化地表示為約束最值問題。典型的信號傳遞激勵合約模型Ⅱ是：委托人達到效用最大化時，委托人通過激勵合約向代理人傳遞其特征信號的優(yōu)化模型。其求解的實際含義是指，提供生產(chǎn)率低、工作輕松的合約(wl，el)的l型委托人和提供生產(chǎn)率高、工作繁重的合約(wk，ek)的k型委托人分別設計合約，l型委托人通過合約向代理人傳遞特征信息以使代理人選擇其設計的合約，k型委托人不需要向代理人傳遞信息便能使代理人選擇其設計的合約。模型Ⅱ要解決的問題是，在代理人不知委托人是l型還是k型的情況下，l型委托人應該如何設計合約向代理人傳遞信息，以使得不情愿努力的代理人選擇生產(chǎn)率低、工作輕松的合約(wl，el)，同時使得委托人預期效用最大。
2.2 信號傳遞優(yōu)化模型Ⅱ的梯度法求解[5]
2.2.1 目標函數(shù)最值的梯度法求解
函數(shù)的梯度方向是函數(shù)值變化最快的方向，梯度法就是以函數(shù)的梯度方向作為極值點的搜索方向。當利用梯度法求函數(shù)的最小值時，要將函數(shù)的負梯度方向作為極值點的搜索方向。而當利用梯度法求函數(shù)的最大值時，則要以函數(shù)的正梯度方向作為極值點的搜索方向。算法如下：
對式(3)和式(4)的委托人模型，令式(3)中的生產(chǎn)效率k值從0.1，0.2，…，0.6增大時，反復調(diào)用上述梯度法計算目標函數(shù)值，得到如圖2星號線所示的委托人的生產(chǎn)效率k值的變化對合約均衡點的影響，其中均衡點對變化方向已在圖2中標出；對式(5)的合約模型，令式(3)和式(4)中k值較小時的模型為l型委托人(提供生產(chǎn)率低、工作輕松的合約)模型，k值較大時的模型為k型委托人(提供生產(chǎn)率高、工作繁重的合約)模型，反復調(diào)用上述梯度法計算目標函數(shù)值，得到如圖2加號線所示的委托人的生產(chǎn)效率k值較小的l型委托人的的合約均衡點的變化，其中均衡點對變化方向已在圖2中標出。
3.2 結(jié)果及其分析
圖2是本文中信號傳遞合約模型的量化計算結(jié)果。橫軸表示代理人的工資水平，縱軸表示代理人努力程度，星號點是l型委托人和k型委托人合約均衡點，加號點是經(jīng)調(diào)整后l型委托人設計的合約均衡點。
圖2的結(jié)果表明，在其他參數(shù)不變的情況下，隨著委托人的生產(chǎn)效率k值的增加，即由k值較小時的l型委托人到k值較大時的k型委托人，均衡點（w，e）向右下方向移動；這表明了l委托人所付給代理人的工資低于k型委托人所付給代理人的工資，而l型委托人所需要代理人的努力程度卻高于k型委托人所需代理人的努力程度，這顯然是不合理的，從而必須對l型委托人設計的合約進行調(diào)整，使l型委托人向代理人傳遞其特征信息，調(diào)整到圖2的加號線所示，以便使代理人明白l型委托人設計的合約要求的努力程度低于k型委托人所需代理人的努力程度ek，而支付的工資也低于k型委托人支付給代理人的工資wk。這一結(jié)果提示委托人，當委托人提供生產(chǎn)率低、工作輕松的合約時，要向代理人傳遞其工作輕松、要求努力程度低的信號才能使不情愿努力的代理人接受l型委托人設計的合約。
本文在利用SVR對效用函數(shù)建模的基礎上，用梯度法量化求解信號傳遞優(yōu)化模型,對信號傳遞模型Ⅱ（委托人通過激勵合約向代理人傳遞其能提供生產(chǎn)率低、工作輕松的合約(wl，el)特征信號的優(yōu)化模型）進行了定量計算和分析。由于定量計算數(shù)值結(jié)果的直觀和易于理解，容易發(fā)現(xiàn)解析分析難以得到的信息。經(jīng)完善后也可以用于指導含有信號傳遞合約優(yōu)化模型Ⅱ的實際委托-代理合約的設計。
參考文獻
[1] 因內(nèi)思·馬可—斯達德勒，J.大衛(wèi)·佩雷斯—卡斯特里羅，著.信息經(jīng)濟學引論：激勵與合約[M].管毅平，譯.上海：上海財經(jīng)大學出版社，2004.
[2] CHEKMAREV D，KHOLODOVYCH V，KORTAGERE S，et al.Predicting inhibitors of acetylcholinesterase by regression and classification machine learning approaches with combinations of molecular descriptors[J].Pharmaceutical Research，2009，26（9）：2216-2224.
[3] Wang Shitong，Zhu Jiagang，CHUNG F L，et al.Theoretically optimal parameter choices for support vector regression machines Huber-SVR and Norm_r-SVR with noisy input[J].Soft Computing.2005，9(10)：732-741.
[4] 朱嘉鋼，王士同，楊靜宇.魯棒的r-支持向量回歸機中參數(shù)r的選擇研究[J].控制與決策，2004，19（12）：1383-1386.
[5] 張振鋒，朱嘉鋼.支持向量回歸機在逆向選擇合約模型量化分析中的應用[J].計算機應用，2010，30(3)：779-788.