基于前景理論的區(qū)塊鏈自治組織知識(shí)共享協(xié)同合作演化博弈研究

李志宏, 喬貴鴻, 許小穎, 田明昊

(華南理工大學(xué) 工商管理學(xué)院,廣東 廣州 510640)

0 引言

在知識(shí)經(jīng)濟(jì)時(shí)代,在線(xiàn)社區(qū)作為群體智慧涌現(xiàn)和知識(shí)共享的典型眾創(chuàng)平臺(tái),有效推動(dòng)了知識(shí)創(chuàng)新的協(xié)同合作[1]。然而,傳統(tǒng)中心化平臺(tái)仍存在一些問(wèn)題。首先,用戶(hù)信息都存儲(chǔ)在中心化服務(wù)器上,這意味著管理者可以在未經(jīng)許可的情況下利用這些數(shù)據(jù)來(lái)獲利[2]。其次,中心化平臺(tái)利用用戶(hù)貢獻(xiàn)內(nèi)容的價(jià)值進(jìn)行商業(yè)變現(xiàn),而用戶(hù)卻無(wú)任何利益分成[3]。此外,激勵(lì)機(jī)制的同質(zhì)化設(shè)計(jì)導(dǎo)致社區(qū)出現(xiàn)了“90-9-1”現(xiàn)象[4],這極大地削弱了用戶(hù)共享知識(shí)的動(dòng)力。

區(qū)塊鏈的興起促進(jìn)了組織變革,催生出一種新型的組織形式——區(qū)塊鏈自治組織[5],為傳統(tǒng)社區(qū)的知識(shí)治理缺陷提供了全新的解決思路。HSIEH等將區(qū)塊鏈自治組織定義為一種可自主運(yùn)行的組織形式,不受任何中心化控制或第三方干預(yù)[6]。Steemit是代表性的組織之一,它通過(guò)設(shè)計(jì)基于通證的激勵(lì)機(jī)制,將通證獎(jiǎng)勵(lì)和社區(qū)特權(quán)公平公開(kāi)地賦予對(duì)社區(qū)發(fā)展做出貢獻(xiàn)的用戶(hù)[2]。與傳統(tǒng)社區(qū)相比,Steemit利用通證的價(jià)值屬性與治理能力,不僅增加了用戶(hù)的預(yù)期收益,還賦予其一定的社區(qū)治理特權(quán)。這種全新的知識(shí)變現(xiàn)方式從物質(zhì)層面和心理層面同時(shí)激勵(lì)用戶(hù)參與知識(shí)共享協(xié)同合作。

隨著區(qū)塊鏈的迅速發(fā)展,學(xué)者們開(kāi)始將研究重點(diǎn)放在通證激勵(lì)對(duì)用戶(hù)知識(shí)共享行為偏好的影響方面。LIU等的實(shí)證研究表明,不同權(quán)益屬性的通證能夠滿(mǎn)足用戶(hù)參與社區(qū)活動(dòng)的不同動(dòng)機(jī),促進(jìn)了用戶(hù)的知識(shí)共享行為[2];KIM和CHUNG認(rèn)為適當(dāng)?shù)耐ㄗC激勵(lì)可以實(shí)現(xiàn)社區(qū)知識(shí)的可持續(xù)增長(zhǎng)[7];唐洪婷等認(rèn)為通證激勵(lì)的引入豐富了Steemit社區(qū)的內(nèi)容生態(tài)[8]。雖然通證激勵(lì)在一定程度上促進(jìn)了知識(shí)共享行為,但同時(shí)也存在著一些激勵(lì)機(jī)制設(shè)計(jì)漏洞。如Steemit中存在為謀取個(gè)人利益而濫用通證激勵(lì)機(jī)制的現(xiàn)象[9]。THELWALL認(rèn)為目前推動(dòng)Steemit發(fā)展的主要因素是用戶(hù)間基于社交關(guān)系的共謀行為,而不是面向高質(zhì)量知識(shí)共享的協(xié)同合作[10]?？傊?目前的研究大多聚焦于通證激勵(lì)對(duì)社區(qū)知識(shí)生態(tài)整體性的靜態(tài)分析。然而,在通證激勵(lì)對(duì)用戶(hù)知識(shí)共享協(xié)同合作的動(dòng)態(tài)作用機(jī)制以及具體的影響因素方面,仍缺乏深入討論。

知識(shí)共享過(guò)程中各參與主體是否選擇協(xié)同合作是一個(gè)復(fù)雜的博弈過(guò)程,用戶(hù)參與意愿的形成還會(huì)受到外部環(huán)境的影響。通證作為一種動(dòng)態(tài)激勵(lì)方式,對(duì)促進(jìn)用戶(hù)協(xié)同合作起到了關(guān)鍵作用。然而,由于預(yù)期收益的不確定性,有限理性的用戶(hù)對(duì)損益的感知程度存在差異。傳統(tǒng)演化博弈模型無(wú)法完全解釋行為主體的非理性心理因素與預(yù)期收益問(wèn)題。因此,本文采用前景理論對(duì)用戶(hù)的行為決策及偏好問(wèn)題進(jìn)行建模,構(gòu)建了博弈雙方的收益感知矩陣,并分析了用戶(hù)協(xié)同合作的演化穩(wěn)定策略。通過(guò)對(duì)各個(gè)參數(shù)的仿真分析,揭示了它們對(duì)用戶(hù)行為策略選擇的影響,并提出了相應(yīng)的管理建議。

1 演化博弈模型構(gòu)建

1.1 Steemit社區(qū)概述

Steemit是一個(gè)基于區(qū)塊鏈的知識(shí)社區(qū)。它采用獨(dú)特的通證激勵(lì)來(lái)識(shí)別用戶(hù)貢獻(xiàn),激勵(lì)用戶(hù)參與社區(qū)活動(dòng)。Steemit設(shè)計(jì)了三種不同的通證,分別是STEEM,SP和SBD。值得注意的是,用戶(hù)持有的SP數(shù)量將決定其在社區(qū)中的投票權(quán)重和獲得的獎(jiǎng)勵(lì)份額。在Steemit社區(qū)中,用戶(hù)可以對(duì)他人創(chuàng)作的帖子進(jìn)行投票,社區(qū)根據(jù)帖子收到的投票權(quán)重,對(duì)帖子進(jìn)行排序和過(guò)濾,以提高帖子的曝光度和知名度[11]。其中,帖子的創(chuàng)作者和投票者都會(huì)獲得通證獎(jiǎng)勵(lì),獎(jiǎng)勵(lì)會(huì)在帖子創(chuàng)建7天后自動(dòng)計(jì)算和發(fā)放[2]。

1.2 模型假設(shè)

根據(jù)張潔和廖貅武[12]的研究及Steemit的特點(diǎn),本文認(rèn)為用戶(hù)的知識(shí)創(chuàng)作行為(發(fā)帖)和知識(shí)傳播行為(投票)都屬于知識(shí)共享。同時(shí),由于知識(shí)水平的差異性及通證持有量的不同,用戶(hù)在參與知識(shí)共享協(xié)同合作過(guò)程中所擔(dān)任的社區(qū)角色不同,且用戶(hù)進(jìn)行策略選擇會(huì)受到社區(qū)內(nèi)外部環(huán)境影響。因此,雙方的知識(shí)共享決策取決于其對(duì)預(yù)期損益的判斷。故本文做出如下假設(shè):

假設(shè)1本文研究的博弈模型僅涉及兩類(lèi)用戶(hù),即知識(shí)創(chuàng)作者和知識(shí)傳播者。個(gè)體在進(jìn)行策略選擇時(shí)主要考慮策略得失的感知價(jià)值,根據(jù)前景理論,這種感知價(jià)值可用前景價(jià)值V來(lái)描述。

V=∑π(pi)v(Δxi)

(1)

其中,pi為事件i發(fā)生的客觀概率,π(pi)為決策者對(duì)事件i的主觀決策權(quán)重,滿(mǎn)足π(0)=0,π(1)=1。Δxi為事件i發(fā)生后用戶(hù)相對(duì)于參照點(diǎn)x0的實(shí)際損益值,即Δxi=xi-x0。為方便分析,本文取0為參照點(diǎn)。v(xi)為個(gè)體對(duì)事件i的主觀感知價(jià)值,如式(3)。

(2)

(3)

上式中,σ∈(0,1)為函數(shù)的調(diào)節(jié)參數(shù);γ∈(0,1)為風(fēng)險(xiǎn)偏好系數(shù),反映博弈主體對(duì)風(fēng)險(xiǎn)的承受程度;參數(shù)λ為損失規(guī)避系數(shù),衡量決策者對(duì)損失的厭惡程度,與收益的重要性相比更高。

假設(shè)2博弈主體A和B在t時(shí)刻均只存在兩種行為策略,其中用戶(hù)A為知識(shí)創(chuàng)作者,其策略集為{創(chuàng)作,不創(chuàng)作};用戶(hù)B為知識(shí)傳播者,其策略集為{投票,不投票}。

假設(shè)3當(dāng)用戶(hù)選擇{創(chuàng)作,投票}策略時(shí),雙方進(jìn)行知識(shí)共享協(xié)同合作,用戶(hù)生成內(nèi)容被有效傳播,雙方不僅能獲得直接收益,還能獲得通證收益。獲得通證導(dǎo)致用戶(hù)物質(zhì)財(cái)富的增加和對(duì)社區(qū)治理權(quán)的提升,作為既得利益者,雙方將獲得由于通證持有量增加而持續(xù)參與協(xié)同合作帶來(lái)的潛在收益,同時(shí)還需承擔(dān)其他用戶(hù)的策略行為導(dǎo)致價(jià)值壟斷造成的風(fēng)險(xiǎn)損失。當(dāng)用戶(hù)選擇{創(chuàng)作,不投票}策略時(shí),雙方都不會(huì)獲得通證收益,用戶(hù)A需要付出前期的創(chuàng)作成本。當(dāng)用戶(hù)選擇{不創(chuàng)作,投票}策略時(shí),雙方仍不會(huì)獲得通證收益,用戶(hù)B需要付出前期的傳播成本。當(dāng)用戶(hù)選擇{不創(chuàng)作,不投票}策略時(shí),雙方不參與知識(shí)共享,只能獲得一般效用。

假設(shè)4由前景理論,用戶(hù)進(jìn)行策略選擇時(shí),會(huì)預(yù)設(shè)一個(gè)損益參考點(diǎn),本文假設(shè)當(dāng)用戶(hù)獲得的通證收益高于該參考點(diǎn)時(shí),視為一次成功的協(xié)同合作,否則視為不成功。

假設(shè)5用戶(hù)A選擇“創(chuàng)作”策略的概率為x,選擇“不創(chuàng)作”策略概率為1-x;用戶(hù)B選擇“投票”策略的概率為y,選擇“不投票”策略的概率為1-y。其中0≤x,y≤1。

1.3 收益感知矩陣構(gòu)建

基于上述假設(shè),構(gòu)建本文的博弈收益感知矩陣如表1,各參數(shù)含義如下:

表1 知識(shí)共享協(xié)同合作博弈收益感知矩陣

PA:用戶(hù)A進(jìn)行知識(shí)創(chuàng)作時(shí)需要付出的生產(chǎn)成本,包括用戶(hù)創(chuàng)作知識(shí)所克服的時(shí)間空間成本和機(jī)會(huì)成本等。

PB:用戶(hù)B進(jìn)行知識(shí)傳播時(shí)需要付出的投票成本,包括發(fā)現(xiàn)高質(zhì)量知識(shí)所需的時(shí)間成本與消耗投票帶寬所要承擔(dān)的邊際成本等。

RA,RB分別為用戶(hù)A,B選擇{不創(chuàng)作,不投票}策略時(shí),可獲得的一般效用。

SA,SB分別為用戶(hù)A,B在非通證激勵(lì)下進(jìn)行知識(shí)創(chuàng)作&傳播所獲得的直接收益。

V1,V2分別為用戶(hù)A,B對(duì)參與知識(shí)共享協(xié)同合作獲得通證收益的感知效用。

V3,V4表示用戶(hù)A,B知識(shí)共享協(xié)同合作成功后持續(xù)獲得潛在收益的感知效用。

V5,V6分別為用戶(hù)A,B對(duì)社區(qū)中策略投票行為造成潛在風(fēng)險(xiǎn)的感知效用。

當(dāng)博弈雙方采取{創(chuàng)作,投票}策略時(shí),知識(shí)共享協(xié)同合作成功的概率為p,雙方獲得的總通證收益為K,潛在收益為K1和K2,通證收益分配系數(shù)為β和(1-β)。此時(shí),博弈雙方以沒(méi)有參與共享時(shí)的通證收益0作為感知價(jià)值的參考點(diǎn),即v(0)=0,則用戶(hù)對(duì)通證收益和潛在收益的感知價(jià)值V1,V2,V3,V4分別為:

V1=π(p)·v(βK-0)+π(1-p)·v(0)

(4)

V2=π(p)·v((1-β)K-0)+π(1-p)·v(0)

(5)

V3=π(p)·v(K1-0)+π(1-p)·v(0)

(6)

V4=π(p)·v(K2-0)+π(1-p)·v(0)

(7)

同時(shí),社區(qū)內(nèi)還存在知識(shí)價(jià)值被壟斷的風(fēng)險(xiǎn),假設(shè)風(fēng)險(xiǎn)發(fā)生的概率為p1,用戶(hù)A和用戶(hù)B的潛在風(fēng)險(xiǎn)損失為K3和K4,則用戶(hù)對(duì)潛在損失的感知價(jià)值V5,V6分別為:

V5=π(p)·v(K3-0)+π(1-p)·v(0)=π(p)·v(K3)

(8)

V6=π(p)·v(K4-0)+π(1-p)·v(0)=π(p)·v(K4)

(9)

1.4 演化博弈模型構(gòu)建

UA1=y(RA+SA+V1-PA+V3-V5)+ (1-y)(RA+SA-PA)=y(V1+V3+V5)+RA+SA-PA

(10)

UA2=yRA+(1-y)RA=RA

(11)

(12)

UB1=x[RB+SB+V2-PB+V4-V6]+ (1-x)(RB+SB-PB)=x(V2+V4-V6)+RB+SB-PB

(13)

UB2=xRB+(1-x)RB=RB

(14)

(15)

因此,用戶(hù)A選擇“創(chuàng)作”策略以及用戶(hù)B選擇“投票”策略的復(fù)制動(dòng)態(tài)方程分別為:

(16)

(17)

1.5 行為策略的穩(wěn)定性分析

通過(guò)對(duì)用戶(hù)A、B的復(fù)制動(dòng)態(tài)方程求偏導(dǎo),得到區(qū)塊鏈自治組織知識(shí)共享協(xié)同合作動(dòng)態(tài)演化系統(tǒng)的雅克比矩陣J如下:

該矩陣行列式為:

DetJ=(1-2x)[y(V1+V3-V5)+SA-PA]·(1-2y)[x(V2+V4-V6)+SB-PB]-x(1-x)(V1+V3-V5)·y(1-y)(V2+V4-V6)

該矩陣的跡為:

TrJ=(1-2x)[y(V1+V3-V5)+SA-PA]+(1-2y)[x(V2+V4-V6)+SB-PB]

根據(jù)Friedman方法,如果平衡點(diǎn)的行列式DetJ>0且跡TrJ<0,則該平衡點(diǎn)是局部穩(wěn)定的?；诖擞幸韵峦普?

推論1當(dāng)SA-PA<0,且SB-PB<0時(shí),即博弈雙方在非通證激勵(lì)下獲得的直接收益難以抵消投入的共享成本時(shí),得出系統(tǒng)的演化穩(wěn)定均衡點(diǎn)為E1(0,0)和E4(1,1)。具體見(jiàn)表2。

表2 各均衡點(diǎn)穩(wěn)定性狀態(tài)

推論2當(dāng)SA-PA≥0,且SB-PB≥0時(shí),即博弈雙方在非通證激勵(lì)下獲得的直接收益能夠彌補(bǔ)投入的共享成本時(shí),會(huì)出現(xiàn)鷹鴿博弈的情況。此時(shí),系統(tǒng)的演化穩(wěn)定均衡點(diǎn)為E2(1,0)和E3(0,1)。具體見(jiàn)表3。

表3 各均衡點(diǎn)穩(wěn)定性狀態(tài)

推論3當(dāng)SA-PA≥0,且SB-PB<0時(shí),即用戶(hù)A在非通證激勵(lì)下進(jìn)行知識(shí)創(chuàng)作獲得的直接收益能夠彌補(bǔ)其所投入的創(chuàng)作成本,但用戶(hù)B進(jìn)行知識(shí)傳播獲得的直接收益無(wú)法彌補(bǔ)其所投入的投票成本時(shí),根據(jù)雅克比矩陣的穩(wěn)定性分析,得知系統(tǒng)此時(shí)不存在演化穩(wěn)定均衡點(diǎn),并將圍繞E5(x*,y*)做螺旋運(yùn)動(dòng)。當(dāng)SA-PA≤0,且SB-PB>0時(shí),結(jié)論不變。具體見(jiàn)表4:

表4 各均衡點(diǎn)穩(wěn)定性狀態(tài)

2 博弈模型結(jié)果分析

該二維動(dòng)力系統(tǒng)旨在使博弈雙方選擇{創(chuàng)作,投票}策略,使系統(tǒng)收斂于演化穩(wěn)定均衡解E4(1,1)。然而在實(shí)際情況中,社區(qū)中還存在各種投機(jī)行為,使得博弈雙方參與協(xié)同合作的成本大于其所獲得的直接收益。在對(duì)均衡點(diǎn)的穩(wěn)定性分析過(guò)后,只有推論1與實(shí)際情況相符,系統(tǒng)收斂于E4(1,1)。因此,后續(xù)將僅關(guān)注推論1,并分析影響用戶(hù)協(xié)同合作的相關(guān)參數(shù)。其中,博弈雙方策略選擇的復(fù)制動(dòng)態(tài)關(guān)系如圖1所示。

圖1 博弈雙方復(fù)制動(dòng)態(tài)和穩(wěn)定性

在博弈演化中,A(0,0)和D(1,1)是該系統(tǒng)的演化穩(wěn)定策略。當(dāng)初始狀態(tài)位于區(qū)域AFEG時(shí)系統(tǒng)將收斂于A點(diǎn),當(dāng)初始狀態(tài)位于區(qū)域DMEN時(shí)系統(tǒng)將收斂于D點(diǎn)。此外,只要當(dāng)區(qū)域DMEN的面積大于區(qū)域AFEG的面積時(shí),系統(tǒng)才更有可能收斂于D點(diǎn)。由于本文旨在使博弈雙方通過(guò)不斷的行為演化,最終都參與知識(shí)共享協(xié)同合作,使系統(tǒng)收斂到D點(diǎn)。因此,SAFEG越小,SDMEN就越大,系統(tǒng)收斂于D點(diǎn)的概率就越大。

SAFEG表達(dá)式如式(18)所示,所以系統(tǒng)演化路徑主要受博弈雙方的感知價(jià)值V1,V2,V3,V4,V5,V6以及PA,PB,SA,SB等參數(shù)影響,下面分別對(duì)其進(jìn)行分析。

(18)

本文將基于前景理論分析參與主體的有限理性對(duì)策略選擇過(guò)程的影響,以探究系統(tǒng)難以達(dá)到最優(yōu)點(diǎn)的原因。

結(jié)論1以知識(shí)價(jià)值壟斷所造成的風(fēng)險(xiǎn)損失為參照依賴(lài),用戶(hù)對(duì)協(xié)同合作通證收益感知的效用越大,即V1+V3-V5和V2+V4-V6越大,用戶(hù)保持知識(shí)共享協(xié)同合作的概率越大。

證明由式(18)可知

隨著用戶(hù)參與知識(shí)共享協(xié)同合作與潛在風(fēng)險(xiǎn)損失的感知價(jià)值差距越大,區(qū)域AFEG的面積SAFEG越小,區(qū)域DMEN的面積SDMEN就越大,說(shuō)明與潛在風(fēng)險(xiǎn)相比,用戶(hù)對(duì)協(xié)同合作通證收益的感知價(jià)值更大時(shí),其保持協(xié)同合作的可能性越大。

結(jié)論2知識(shí)共享協(xié)同合作成功后的通證收益分配系數(shù)β過(guò)大或過(guò)小時(shí),雙方保持協(xié)同合作的穩(wěn)定性會(huì)下降。

證明由前景價(jià)值函數(shù)的定義和式(4)(5)可得:

對(duì)于知識(shí)創(chuàng)作者和傳播者而言,通證收益分配系數(shù)β的大小影響了它們對(duì)通證收益的感知效用V1和V2,以及SDMEN的大小。β越大,知識(shí)創(chuàng)作者對(duì)通證收益的感知效用V1就越大,SDMEN也越大;知識(shí)傳播者則恰好相反。博弈雙方都希望獲得更多的通證收益。但當(dāng)收益分配不均,即β過(guò)大或過(guò)小時(shí),會(huì)導(dǎo)致一方選擇消極參與,從而降低協(xié)同合作的穩(wěn)定性。

結(jié)論3用戶(hù)參與知識(shí)共享協(xié)同合作的直接收益SA,SB越高,用戶(hù)保持協(xié)同合作的可能性越大。

證明由式(18)可知

由上式可知,隨著用戶(hù)獲得的直接收益SA,SB的增加,SAFEG減小,SDMEN增加,因此,用戶(hù)知識(shí)共享直接收益的提高,有利于維護(hù)協(xié)同合作的穩(wěn)定性,營(yíng)造良好的知識(shí)生態(tài)環(huán)境。

結(jié)論4用戶(hù)知識(shí)共享協(xié)同合作的協(xié)同成本PA,PB越小,用戶(hù)保持協(xié)同合作的概率越大。

證明由式(18)可知

隨著用戶(hù)知識(shí)共享協(xié)同合作的協(xié)同成本PA,PB的減小,SAFEG減小,SDMEN增加,用戶(hù)保持協(xié)同合作的可能性越大。

3 仿真分析

為了進(jìn)一步探究前景理論視域下用戶(hù)知識(shí)共享協(xié)同合作的演化規(guī)律,本文運(yùn)用Python軟件進(jìn)行數(shù)值模擬,通過(guò)調(diào)整參數(shù)和觀察仿真過(guò)程,探討知識(shí)共享協(xié)同合作的最優(yōu)穩(wěn)定策略。為了讓策略組合能夠達(dá)到 E4(1,1)理性狀態(tài),本文根據(jù)模型假設(shè)和Steemit社區(qū)的相關(guān)信息設(shè)定參數(shù),并滿(mǎn)足條件SA-PA<0,且SB-PB<0,初始取值設(shè)定如下:RA=RB=2,SA=6,SB=4,PA=10,PB=7,x=0.6,y=0.4,γ=0.88,σ=0.69,λ=1.1。

3.1 通證損益感知價(jià)值差距的敏感性分析

如圖2所示,當(dāng)感知價(jià)值差距超過(guò)某一閾值時(shí),用戶(hù)的行為策略緩慢收斂于1,即雙方都參與知識(shí)共享協(xié)同合作;相反則收斂于0。隨著感知價(jià)值差距的增大,收斂到1的速度明顯加快。因此,相對(duì)于風(fēng)險(xiǎn)損失,用戶(hù)對(duì)知識(shí)共享協(xié)同合作通證收益的感知效用越大,持續(xù)合作的可能性越大。

(a)

此外,前景理論指出,有限理性的個(gè)體在決策時(shí)往往表現(xiàn)出過(guò)度自信的行為特征,高估自身知識(shí)質(zhì)量和知識(shí)選擇的準(zhǔn)確性,對(duì)參與知識(shí)活動(dòng)賦予的權(quán)重大于實(shí)際權(quán)重。在此情境下,用戶(hù)在參與知識(shí)共享活動(dòng)時(shí),往往會(huì)高估協(xié)同合作成功的概率,即π(p)>p,使其感知價(jià)值V1和V2大于實(shí)際價(jià)值,導(dǎo)致V1,V2與實(shí)際價(jià)值的差距增大,而V1,V2的大小又會(huì)影響用戶(hù)保持協(xié)同合作的意愿。因此,在知識(shí)共享平臺(tái)的設(shè)計(jì)和管理中,理解用戶(hù)的有限理性和心理偏差,可以幫助平臺(tái)優(yōu)化用戶(hù)體驗(yàn),提高協(xié)同合作效率和平臺(tái)的吸引力,從而促進(jìn)協(xié)同合作的持續(xù)發(fā)展。

3.2 損益感知影響因素的敏感性分析

根據(jù)式(4)-式(9),進(jìn)一步分析價(jià)值函數(shù)中風(fēng)險(xiǎn)偏好系數(shù)γ,損失規(guī)避系數(shù)λ,和權(quán)重函數(shù)π(p1)的參數(shù)敏感性。如圖3、圖4所示,當(dāng)γ或λ大于某一閾值時(shí),用戶(hù)協(xié)同合作的概率收斂于1,反之則收斂于0,且隨著系數(shù)的增大,收斂的速度也變快。圖5展示權(quán)重系數(shù)π(p1)對(duì)用戶(hù)行為策略選擇的影響,當(dāng)用戶(hù)對(duì)社區(qū)知識(shí)價(jià)值被壟斷的風(fēng)險(xiǎn)感知越大時(shí),用戶(hù)更可能高估風(fēng)險(xiǎn)概率p1,即π(p1)>p1,這會(huì)降低用戶(hù)保持協(xié)同合作穩(wěn)定性的概率。

圖3 風(fēng)險(xiǎn)偏好系數(shù)對(duì)系統(tǒng)的演化影響

圖4 損失規(guī)避系數(shù)對(duì)系統(tǒng)的演化影響

圖5 風(fēng)險(xiǎn)感知權(quán)重對(duì)系統(tǒng)的演化影響

3.3 通證收益分配系數(shù)的敏感性分析

圖6展示了在保持其他參數(shù)不變的情況下,通證收益分配系數(shù)β不同取值下用戶(hù)行為策略的演化情況。結(jié)果顯示,收益分配系數(shù)β存在兩個(gè)關(guān)鍵閾值β′和β″,當(dāng)β<β′或β>β″,通證收益分配不均衡,博弈中的一方通常不會(huì)選擇參與知識(shí)共享協(xié)同合作。這表明,只有當(dāng)用戶(hù)獲得符合其預(yù)期的通證收益時(shí),才會(huì)參與知識(shí)共享。因此,通證收益的合理分配對(duì)于促進(jìn)知識(shí)共享協(xié)同合作至關(guān)重要。

(a)

3.4 其他參數(shù)的敏感性分析

圖7展示了在不同的直接收益水平下,用戶(hù)行為策略的演化情況。結(jié)果顯示,當(dāng)用戶(hù)從知識(shí)共享中獲得的直接收益超過(guò)一定閾值時(shí),才會(huì)積極參與到協(xié)同合作中。反之,當(dāng)直接收益降低時(shí),用戶(hù)更傾向于采取{不創(chuàng)作,不投票}的行為策略。

(a)

由于區(qū)塊鏈自治組織中獨(dú)特的投票機(jī)制,使得博弈雙方在參與知識(shí)共享時(shí)都需要付出一定的協(xié)同成本。圖8展示了不同協(xié)同成本下用戶(hù)行為策略的演化情況。當(dāng)協(xié)同成本PA,PB過(guò)高時(shí),博弈雙方均會(huì)收斂到(0,0) 。反之,系統(tǒng)收斂到(1,1)狀態(tài)。但過(guò)低的協(xié)同成本也會(huì)導(dǎo)致諸如共謀投票、機(jī)器人刷帖等不良行為的出現(xiàn)。因此,在促進(jìn)用戶(hù)協(xié)同合作的同時(shí),需要在協(xié)同成本和系統(tǒng)穩(wěn)定性之間取得平衡。

4 結(jié)論與管理啟示

在區(qū)塊鏈自治組織中,參與知識(shí)共享協(xié)同合作的用戶(hù)可以獲得平臺(tái)提供的通證獎(jiǎng)勵(lì)。然而,這種激勵(lì)效果會(huì)受到用戶(hù)感知的影響,考慮到通證的價(jià)值屬性,本文在有限理性假設(shè)的前提下,采用前景理論解釋了用戶(hù)的非理性心理因素和預(yù)期損益問(wèn)題,并構(gòu)建了博弈雙方的感知收益矩陣。基于此,本文進(jìn)一步分析了通證激勵(lì)條件下用戶(hù)的行為演化規(guī)律,并利用數(shù)值仿真對(duì)相關(guān)參數(shù)進(jìn)行了敏感性分析。

本研究通過(guò)理論推導(dǎo)和數(shù)值分析得出以下結(jié)論:1)用戶(hù)對(duì)預(yù)期通證損益感知價(jià)值的差距越大,用戶(hù)參與知識(shí)共享協(xié)同合作的可能性越高;2)用戶(hù)對(duì)協(xié)同合作成功率的感知越大,就越容易參與知識(shí)共享;3)知識(shí)創(chuàng)作者和傳播者的通證收益分配對(duì)雙方參與知識(shí)共享協(xié)同合作影響顯著,合理的、符合用戶(hù)預(yù)期收益的分配比例可促進(jìn)用戶(hù)積極參與協(xié)同合作。4)知識(shí)共享過(guò)程中的直接收益和協(xié)同成本對(duì)用戶(hù)參與協(xié)同合作有一定影響,過(guò)低的直接收益和過(guò)高的協(xié)同成本都會(huì)導(dǎo)致系統(tǒng)收斂到{不創(chuàng)作,不投票}行為策略。本文對(duì)促進(jìn)用戶(hù)參與知識(shí)共享協(xié)同合作提出了如下管理啟示:

(1)合理設(shè)置通證收益分配系數(shù)。在DAO中,應(yīng)建立知識(shí)貢獻(xiàn)量化機(jī)制,將參與雙方在知識(shí)共享協(xié)同合作中所做出的貢獻(xiàn)從知識(shí)創(chuàng)作的質(zhì)量和數(shù)量、知識(shí)傳播的廣度及深度等維度進(jìn)行精準(zhǔn)量化。合理設(shè)置通證收益分配系數(shù),實(shí)現(xiàn)社區(qū)、知識(shí)創(chuàng)作者、知識(shí)傳播者三方共贏。

(2)加強(qiáng)平臺(tái)治理機(jī)制,降低用戶(hù)風(fēng)險(xiǎn)感知。區(qū)塊鏈自治組織應(yīng)增強(qiáng)平臺(tái)監(jiān)管能力,建立相應(yīng)的懲罰機(jī)制,以打擊共謀、壟斷投票等不良行為,降低用戶(hù)知識(shí)共享的風(fēng)險(xiǎn)感知,提高用戶(hù)參與協(xié)同合作的積極性。

(3)優(yōu)化通證激勵(lì)模式,引導(dǎo)用戶(hù)合理感知自身知識(shí)價(jià)值,避免水文水貼、機(jī)器人投票等濫用平臺(tái)通證獎(jiǎng)勵(lì)機(jī)制的投機(jī)行為,提高知識(shí)共享質(zhì)量和用戶(hù)粘性,促進(jìn)社區(qū)可持續(xù)發(fā)展。

同時(shí),本研究也存在一定的局限性:首先,在知識(shí)共享協(xié)同合作的過(guò)程中,博弈主體行為策略的選擇受社區(qū)內(nèi)部因素及外部環(huán)境多重維度的影響,本文主要聚焦于通證這一經(jīng)濟(jì)因素對(duì)用戶(hù)行為演化的影響,忽略了其他如聲譽(yù)、社交關(guān)系等因素。因此,未來(lái)的研究可以考慮加入非經(jīng)濟(jì)因素,進(jìn)一步探究這些因素之間的相互作用對(duì)知識(shí)共享協(xié)同合作的影響。其次,本研究中選擇了特定社區(qū)的通證機(jī)制和博弈模型,而不同的機(jī)制和模型可能會(huì)對(duì)研究結(jié)果產(chǎn)生影響。因此,未來(lái)的研究可以考慮采用不同的研究對(duì)象和方法,并結(jié)合社區(qū)的實(shí)際情況進(jìn)行比較分析,以更全面地了解知識(shí)共享協(xié)同合作的內(nèi)涵。