整合实验识别惩罚对公共物品游戏福利的影响
综合经济学
2025-08-26 v1 计算机科学与博弈论
机器学习
经济学
摘要
惩罚作为促进合作的机制已研究了两十多年，但其有效性仍存争议。本文通过大规模整合实验考察惩罚在不同合作情境下的影响。我们变更 14 个描述公共物品游戏的关键参数，对 360 个实验情境进行采样，收集来自 7,100 名参与者的 147,618 项决策数据。我们的结果显示惩罚有效性呈现显著异质性：尽管惩罚始终会提高贡献，其对收益（即效率）的影响呈现从显著提升福利（最高提升 43%）到严重损害福利（最高降低 44%）的极端差异，这取决于合作情境。为刻画这些模式，我们开发的模型在预测新实验中的惩罚结果方面超越了人类预测者（包括普通民众和领域专家）。沟通成为最具预测力的特征，其次是贡献表述方式（ opting out vs. opt-in）、贡献类型（variable vs. all-or-nothing）、游戏长度（轮数）、同行结果可见性（参与者是否能看到他人收益）以及奖励机制的可用性。值得注意的是，这些特征大多相互作用而非独立发挥作用。例如，较长游戏增加惩罚有效性的程度取决于是否存在沟通。我们的结果将对惩罚争论的焦点从“是否有效”转向“在何种情境下有效/无效”。更广泛地说，本研究表明整合实验可与机器学习结合，以发现涉及多个特征相互作用的可泛化模式，从而为复杂社会现象生成新解释。
引用
@article{arxiv.2508.17151,
title = {Integrative Experiments Identify How Punishment Impacts Welfare in Public Goods Games},
author = {Mohammed Alsobay and David G. Rand and Duncan J. Watts and Abdullah Almaatouq},
journal= {arXiv preprint arXiv:2508.17151},
year = {2025}
}