The invention discloses a construction method of multi-dimensional incentive contract under complex task decomposition. The step is to first decompose a complex task into several simple sub-tasks, confirm the profit function of the principal and the agent under the condition of considering the difference of the ability level of the agent in the case of task decomposition, and then determine the utility function of both parties under the condition of considering the different risk preferences of both parties. Thirdly, according to the utility function of the agent, the agent is encouraged to make the best effort. Finally, based on the participation compatibility constraint and incentive constraint, the optimal fixed and variable incentives given by the principal to the agent under different sub-tasks are determined. The invention can help the principal to incentive the agent to participate in the task for a long time, so as to maximize the utility of the principal.
【技术实现步骤摘要】
一种复杂任务分解下多维激励契约的构建方法
本专利技术涉及用户激励领域,具体地说是一种信息不对称情况下考虑复杂任务分解下的激励契约构建方法。
技术介绍
在任务实施过程中,委托方与代理方的信息是不对称的,代理方会基于利益考虑保留其参与任务的努力程度,另外还存在任务难度与代理方能力不匹配的问题。在此情形下,在保证委托方效用做大化的前提下,如何构建激励契约已成为委托方的难题。同时,代理方风险偏好、委托方的能力水平也会对代理方制定激励契约产生影响。目前常用的激励契约构建方法主要有:一是从拍卖理论出发,认为激励契约构建的过程是委托方将任务拍卖给代理方的过程,并通过建立模型推导出最优激励契约。但该方法并未考虑信息不对称性情况的情况,代理方会考虑自身利益因素保留努力水平。二是从信息经济学的委托-代理理论出发,认为任务实施中的契约关系是企业与员工的委托代理关系。主要采用委托-代理理论中的信号传递模型和信号甄别模型,信号传递模型在考虑信息不对称性的情况下,通过契约的构建,激励代理方做出最大的努力,同时保证委托方收益最大化,但并未考虑代理方能力水平对委托方收益和代理方努力的影响;信号甄别模型弥补了信号传递模型的不足,考虑了代理方的能力水平,但并未考虑到任务难度与代理方能力不匹配的问题。同时,以上激励契约构建方法均未考虑到任务分解情况下委托方和代理方对风险时的态度对委托方效用水平、代理方努力水平的影响,会导致理论方法不符合实际的激励环境,从而不能使激励效果达到最佳。
技术实现思路
本专利技术是为了解决上述现有技术存在的不足之处,提出一种复杂任务分解下多维激励契约的构建方法,以期能帮助 ...
【技术保护点】
1.一种复杂任务分解下多维激励契约的构建方法,其特征是按如下步骤进行:步骤1:按如下方式确定在任务分解情况下委托方E和代理方R的收益函数步骤1.1:令所述委托方E的决策变量为高能力水平代理方RL的固定奖励和可变奖励以及低能力水平代理方RH的固定奖励和可变奖励;令所述代理方R的决策变量为代理方R的努力水平;步骤1.2:利用式(1)得到所述委托方E的收益函数πE(βH,βL,tH,tL):πE(βH,βL,tH,tL)=p[(I‑βHT)(eHH+ε)‑tH]+(1‑p)[(I‑βLT)(eLL+ε)‑tL] (1)式(1)中,P为低能力水平代理方RH的比例,表示所有代理方R中受教育水平低于本科学历的代理方R的比例;代理方R的比例I为1×n的单位矩阵,其中n表示由一项任务所分解成的子任务的数量;βH为所述委托方E针对低能力水平代理方RH完成n个子任务后所给予的可变奖励向量,βL为所述委托方E针对高能力水平代理方RL完成n个子任务后所给予的可变奖励向量,tH为所述委托方E给予低能力水平代理方RH的固定奖励,tL为所述委托方E给予高能力水平代理方RL的固定奖励,eHH为低能力水平代理方RH选择 ...
【技术特征摘要】
1.一种复杂任务分解下多维激励契约的构建方法,其特征是按如下步骤进行:步骤1:按如下方式确定在任务分解情况下委托方E和代理方R的收益函数步骤1.1:令所述委托方E的决策变量为高能力水平代理方RL的固定奖励和可变奖励以及低能力水平代理方RH的固定奖励和可变奖励;令所述代理方R的决策变量为代理方R的努力水平;步骤1.2:利用式(1)得到所述委托方E的收益函数πE(βH,βL,tH,tL):πE(βH,βL,tH,tL)=p[(I-βHT)(eHH+ε)-tH]+(1-p)[(I-βLT)(eLL+ε)-tL](1)式(1)中,P为低能力水平代理方RH的比例,表示所有代理方R中受教育水平低于本科学历的代理方R的比例;代理方R的比例I为1×n的单位矩阵,其中n表示由一项任务所分解成的子任务的数量;βH为所述委托方E针对低能力水平代理方RH完成n个子任务后所给予的可变奖励向量,βL为所述委托方E针对高能力水平代理方RL完成n个子任务后所给予的可变奖励向量,tH为所述委托方E给予低能力水平代理方RH的固定奖励,tL为所述委托方E给予高能力水平代理方RL的固定奖励,eHH为低能力水平代理方RH选择低水平奖励组合(tH,βH)后付出的努力水平向量,eLL为高能力水平代理方RL选择高水平奖励组合(tL,βL)后付出的努力水平向量,eHL为低能力水平代理方RH选择高水平奖励组合(tL,βL)后付出的努力水平向量,eLH为高能力水平代理方RL选择低水平奖励组合(tH,βH)后付出的努力水平向量,ε为影响代理方U努力水平的其他不确定性因素,且ε符合均值为0,方差为Σ的分布;步骤1.3:获得代理方R的收益函数X,Y∈{H,L}:利用式(2)得到低能力水平代理方RH接受低水平奖励组合(tH,βH)的收益函数利用式(3)得到低能力水平代理方RH接受高水平奖励组合(tL,βL)的收益函数式(2)和式(3)中,KH表示低能力水平代理方RH的成本系数矩阵;利用式(...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。