异构网络上用于疫情控制的 scalable 贝叶斯说服框架

在疫情期间，社会中个体可获取的信息深刻影响其关于疫情传播的信念，进而影响其采取的预防感染的安全措施。本文开发了一个可扩展框架，用于确定政府在网络化社会中为控制疫情而必须向个体披露的最优信息。这一信息设计问题因社会的异质性、个体面临的正外部性以及公众对这类披露反应的多样性而变得复杂。我们使用网络化公共物品模型来刻画底层社会结构。我们的第一个主要结果是将政府目标结构性分解为两个独立部分——一个依赖于个体效用函数的部分，另一个依赖于底层网络性质的部分。由于该分解中依赖网络的项不受政府所发信号影响，这一刻画简化了寻找最优信息披露策略的问题。我们找到了以风险厌恶和谨慎性表示的显式条件，在这些条件下不披露、完全披露、夸大和淡化均为最优策略。结构性分解结果亦有助于研究其他形式的干预，如激励设计与网络设计。