公共品投资实验仿真系统及实现方法技术方案

本发明专利技术公共品投资实验仿真系统及实现方法，其包括输入模块，输出模块，具有仿真程序的建模模块，在输入模块中输入相关实验参数，建模模块在仿真环境进行演示运算，最终结果由输出模块输出，该实验步骤设计了四组不同的信息条件，征集被试进行实验，将采集到的数据根据信息显示条件分为四大组，分别使用传统线性回归分析和神经网络算法分析实验数据，根据神经网络学习得到的投资概率预测函数，在仿真实验中使用这个预测函数，验证何种信息显示条件对条件合作行为的刺激最大，从理论和实际上验证何种信息显示条件有利于得到最多的公共资源，具有重大的现实意义。

【技术实现步骤摘要】

本专利技术涉及在公共品实验中进行仿真实验的方法。
技术介绍
公共品理论是近年来经济学的重要热点问题，也是公共财政学研究的重点，公共福利，公共健康，公共医疗都可以划归为公共品的范围。公共品的生成的主要途径是政府向公众收取税款，利用税收向产品和服务的提供者购买公众需要的产品和服务，例如教育，医疗，政府再将这些公共品免费提供给公众。因此研究公共品的生产问题，已经成为政府资金划分的一个重要方面，而如何分配以及维护已有的公共品也是个大的研究方向。公共品投资实验是目前公共品理论研究的主要形式，通过在实验室环境下进行公共品投资实验，对得到的实验数据进行统计分析。公共品实验中存在着一个公共品两难(Public Goods Dilemma)问题，公共品两难是经典的社会两难(Social Dilemma)范式，社会两难(social dilemmas)是指一群人(N^2)必须决定是最大化个人利益还是最大化集体利益。公共品两难一个典型的解释就是，在一个集体中，个人可以选择合作和背叛，而最后整个集体的所有个人，按照集体收益平均分配资源。于是出现了合作者的收益永远大于背叛者的收益，如果大家都选择不合作，那集体中的任何人都无法获得收益，这就是两难的存在。传统的针对公共品两难的研究大多一味的重复Fehr于2000年发表于Science的"公共品实'睑中的合作和惩罚"(Cooperation and Punishment in PublicGoods Experiments )中的实验，企图验证Fehr的结果。传统的研究使用0-1模式来标记合作与不合作，采用简单的logistic线性回归分析数据就结束了。然而根据实验得到的数据往往具有离散性，线性回归分析往往不能很好地得到其规4律，采用0-1模式标记投资和不投资，使得数据的重复率过高，并且实验得到的数据是有限的，根据这些有限数据得到的规律，往往不能反映真实的情况。从经济学的角度考虑，参与公共品实验的投资人会从最大化个人利益的角度考虑，也就是纯"理性人，，的角度，但是在实际实验中发现，"理性人，，的假设被推翻，出现了亲社会的"社会人"。为了解释"社会人"的行为，出现了条件合作(conditional cooperation)理论，条件合作理论认为人们倾向于在他人合作的情况下选择合作，别人合作地越多，自己也合作地越多。主要研究不带惩罚的公共品投资实验，假设有N个人参加实验，最初给每个人Z元，所有人在不知道他人投资的情况下，向一个公共品资源库中投资C'元，C'表示第!'个人投入的钱。该轮捐献结束后，公共品资源库中的资源总量乘以一个收益系数P后再平均分配给所有参与投资的人。这样每个人的个人资源到最后等于原有的钱，减去投入公共品资源库的钱加上从公共品资源库中得到的回报。本专利技术致力于解决的问题是哪种外部刺激更容易激发条件合作行为，造成高的条件合作概率。
技术实现思路
本专利技术的目的在于提供一种快速得知哪种外部刺激更容易激发公共品投资条件合作行为，造成高的条件合作概率的系统及方法。本专利技术的目的是通过如下技术方案实现的首先设计信息显示条件不同的若干组对照实验，将过去经验即过去平均投资人数以及当前投资人数设为两个自变量，将每组变量下的投资概率设为因变量，对实验采集的数据进行处理，每组因变量的投资概率的计算公式为p=m/(m+n), n为选择不投资的人数，m为选择投资的人数；征集若干名被试进行实验，得到若干组有效数据，根据信息显示条件分为4个大类;设立自变量和因变量分别为过去经验以及当前投资人数，因变量为每组过去经验和当前投资人数值对应的投资概率，每组变量为神经网络学习的输5输入输出值;采用2-8-1的多层前馈(Back Propagation)神经网络结构进行学习，输入为2个变量，中间层为8个神经元，输出为1个变量;得到投资概率预测函数；根据神经网络建模得到的投资概率预测函数，在Swarm平台上开发一个基于智能体仿真系统，模拟公共品博弈中智能体的投资行为及智能体与周围环境的交互作用。本专利技术与现有技术相比，具有如下有益效果本专利技术设计了公共品投资实验不同的信息显示条件，以模拟真实情况，根据神经网络建模数据并采用计算机仿真技术，从理论和实际上验证何种信息显示条件有利于得到最多的公共资源，具有重大的现实意义。附图说明图l是本专利技术总体框架图。图2是本专利技术多层前馈神经网络结构图。图3是本专利技术智能体结构图。图4是本专利技术仿真系统总体架构图。图5是本专利技术仿真实验实现方法流程图。具体实施例方式本专利技术仿真系统包括输入模块，输出模块，具有仿真程序的建模模块，在本实验中在输入模块中输入相关实验参数,建模模块在仿真环境进行演示运算，最终结果由输出模块输出。本专利技术设计了四组不同的信息条件，征集被试进行实验，将采集到的数据根据信息显示条件分为四大组，分别使用传统线性回归分析和神经网络算法分析实验数据，根据神经网络学习得到的投资概率预测函数，在仿真实验中使用这个预测函数，验证何种信息显示条件对条件合作行为的刺激最大。本专利技术实现的具体步骤如下6如图1所示，首先进行实验室实验，实验室实验给予报酬来激励被试进行两难抉择，报酬与个人资源以及公共资源皆成正比，被试必须在个人利益和集体利益之间进行博弃。其次对实验数据进行处理，得到的数据形式为表2所示，将数据传输给多层前馈(Back Propagation)神经网络进行学习，得到 一个投资概率预测函数。设计四组对照实-验，具体如表l所示。实验lTestnone不显示此轮实验中任何他人的投资信息实验2Testnum显示此轮实验当前有多少人选择投资实验3Testnamc显示此轮实验当前有多少人选择投资以及已投资人的姓名实验4Testnonam6显示此轮实验当前有多少人选择不投资以及不投资人的姓名表1四组对照实验的信息显示条件不同，为了具体化信息显示条件的影响，将过去经验以及当前投资人数设为两个自变量，将每组变量下的投资概率设为因变量，以量化环境及投资概率。由于传统的0-1模式使得变量的重复变高，不利于神经网络的学习，本专利技术对实验采集的数据进行处理，使投资概率为之间的小数。每组因变量的投资概率的计算公式为P = ^/w + ", n为选择不投资的人数，m为选择投资的人数。征集300名被试进行实验，得到24x100组有效数据，根据信息显示条件分为4个大类。设立自变量和因变量分别为过去经验以及当前投资人数，因变量为每组过去经验和当前投资人数值对应的投资概率，每组变量为神经网络学习的输入输出值。采用2-8-1的三层多层前馈神经网络结构进行学习，输入为2个变量，中间层为8个神经元，输出为l个变量。神经网络的结构如图2所示，多层前馈神经网络的输入输出值的实例如表2所示。在matlab的神经网络工具箱环境下，采用多层前馈神经网络学习后，得到投资概率关于过去经验和当前投资人数的一个预测函数，预测函数如下式所示for m= 1:6X2(m"l/(l+exp(國(x^W"m，l)+x W"m，2)醫《(m)))); end7y=l/(l+exp(-((x2(l)*W2(l,l)+x2(2)*W2(l，2)+x2(3)*W2(l，3)+x2(4)*W2(l,4)+x2(5)*W2(l,5)+x2(6)*W2(l，6)本文档来自技高网...

【技术保护点】
一种公共品投资实验仿真系统，其特征在于：其包括设置在控制面板中的输入模块、输出模块，及具有仿真程序的建模模块，在输入模块中输入相关实验参数，建模模块在仿真环境进行演示运算，最终结果由输出模块输出。

【技术特征摘要】

【专利技术属性】
技术研发人员：邓水光，李莹，唐智，吴朝晖，吴健，尹建伟，
申请(专利权)人：浙江大学，
类型：发明
国别省市：86[中国|杭州]