Файл: Университета имени Г. В. Плехановаповеденческая экономика современная парадигМА.pdf

189
Эксперименты состояли из двух сессий, в которых приняли участие 70 студен- тов экономических специальностей Уральского государственного университета им. А.М. Горького, не имевших подготовки в области теории игр или экономики информации. В каждой сессии случайным образом отбирались девять участников, которые использовали компьютеры с установленным экспериментальным интер- фейсом, созданным в программном пакете zTree. Первая сессия состояла из 12, вторая – из 15 периодов, в каждом из которых девять участников делали свой вы- бор. Перед началом экспериментов участники знакомились с правилами игры и участвовали в пробном раунде. Перед компьютерным экспериментом принципы игры демонстрировались на физических объектах. Впоследствии выбор урны и частного сигнала осуществлялся с помощью генератора случайных чисел. Каж- дый участник мог наблюдать на своем мониторе изображение урн, частный сиг- нал и выбор остальных игроков, после чего принимал решение с помощью мыши.
В сессии с участием экспертов игрок с более высокой точностью сигнала объяв- лялся остальным участникам. Участники, верно угадавшие тип урны, получали вознаграждение в размере 25 руб. за раунд.
Таким образом, в обеих сессиях уровень правильных ответов был примерно одинаков: 62 – 63% (табл. 8.1).
При этом в эксперименте с участием экспертов игроки чаще выбирали в со- ответствии с правилом Байеса (или со счетом большинства) и чаще следовали собственному сигналу (63,7% против 58,3%). Основной результат: если в базовом эксперименте, повторяющем дизайн (с уменьшенной точностью сигнала и уве- личенной до девяти человек длиной очереди), каскады наблюдались лишь в 25% случаев, в эксперименте с участием агентов-экспертов в 73% случаев выбор экс- перта приводил к формированию каскада, соответствующего этому выбору. В 18% случаев этот выбор был неверным. Таким образом, появление агента-эксперта с точностью сигнала, близкой к 1, однозначно стимулировало испытуемых к копиро- ванию выбора эксперта независимо от выбора предыдущих участников.
В более поздних раундах эксперимента этот эффект начинает проявляться все более явно. Общий доход участников в базовом эксперименте составил 84% от максимального общего дохода (если бы все агенты принимали байесовские ре- шения), в эксперименте с экспертами – 92% от максимального. Далее идет расчет реальной эффективности принятых решений и эффективности частного сигнала
– выигрыша потенциальных решений, которые могли бы быть приняты исклю- чительно на основании частного сигнала. Реальная эффективность равна разнице между действительным выигрышем участников и выигрышем, который они по- лучили бы в случае рандомизированного принятия решений (просто подкидывая монету), с нормализацией по разнице между оптимальным выигрышем (на осно- вании байесовских решений) и рандомизированным выигрышем.
В первой сессии эксперимента мы получили крайне низкую реальную эффек- тивность – 36,8%, тогда как в сессии с участием экспертов она достигла уровня в
56,9%; решения около 70% участников соответствовали байесовским (в первой
Глава 8. Потребительская экономика и поведенческая теория потребления

190
сессии – 57,5%). Эффективность частного сигнала показывает, насколько ожидае- мый выигрыш при следовании частному сигналу превосходит случайный (ожидае- мый выигрыш при следовании частному сигналу).
Первая сессия показала более высокую эффективность частного сигнала в
47,3%, во второй сессии этот показатель составил 29,2%.
Таким образом, в случае появления высокоинформированных игроков более эффективной стратегией является следование байесовским решениям (табл. 8.1).
Таблица 8.1
Общие результаты экспериментов
Эксперимент с участием экспертов
Контрольный эксперимент
Всего принятых решений
135 108
Правильные решения (%), из них
63,7%
61,6%
Соответствующие частной информации
63,7%
58,3%
По Байесу
70,3%
57,5%
Информационные каскады (%), из них
73%
25%
Верных
82%
100%
Для определения дальнейших направлений исследования в данной области проводились лабораторные эксперименты зарубежными учеными.
Кратко обозначим ключевые изменения модели информационных каскадов, на- блюдаемые в результате проведенных исследований.
1. Anderson и Holt разработали и провели лабораторный эксперимент, основан- ный на модели информационных каскадов, в компьютерном классе с участием сту- дентов. Результатом эксперимента было доказательство существования информа- ционных каскадов в 74% случаев.
2. Hung и Plott предложили рассматривать три института, которые по-разному влияют на формирование информационных каскадов. Они выявили следующее: в эксперименте с индивидуалистическим институтом наблюдалось 77,5% каскад- ных решений, с институтом правила большинства – 39%, а с институтом поощре- ния согласованности – 96,7%.
3. B модели De Vany и Lee агенты стали выбирать между альтернативами. Таким образом, исследователи попытались более реалистично смоделировать принятие решений агентами, так как в обычной жизни людям больше приходится выбирать между множествами альтернатив и реже – между двумя.
ЧАСТЬ 1. Поведенческая экономика как современная парадигма развития экономической науки

191 4. Feltovich предложил агентам, участвующим в эксперименте, выбирать точ- ность собственной информации, при этом получение более верной информации связано с дополнительными затратами.
5. Вопрос об эффективности использования информации, извлекаемой из вы- бора предшествующих агентов, был поставлен в исследованиях Fiore и Morone
2005 г. Исследователи предложили поделить агентов, принимающих последова- тельные решения, на две группы: теоретически информированных о теории ин- формационных каскадов и неинформированных. B результате эксперимента было выявлено, что информационные каскады чаще формировались среди информиро- ванных участников (86%, в том числе правильные каскады – 49%).
6. Goeree, Palfrey, Rogers и McKelvey выделили виды информационных каска- дов, а также показали, что локальные информационные каскады формируются чаще, чем явные.
В результате экспериментов на основе полученных данных были проверены гипотезы относительно параметров и закономерностей возникновения и распро- странения информационных каскадов, позволяющие сделать следующие выводы.
Во-первых, информация, извлеченная из поведения других агентов, способ- ствует принятию гарантированно более обоснованного решения, так как ни один человек не обладает всей полнотой информации, необходимой для принятия ре- шения.
Во-вторых, экспериментально показано, что копирование агентами выбора предшествующих агентов в последовательности принятия решений в 98% случаев является верным решением и приносит доход.
B-третьих, результатом исследования является доказательство того факта, что формирующиеся каскады способствуют аккумулированию информации в после- довательности принятия решений, т.е. каждый последующий агент обладает боль- шей информацией, чем предыдущий, что позволяет сделать лучший выбор.
B-четвертых, основными причинами формирования информационных каска- дов могут быть следующие предпосылки.
1. Агенты предполагают, что предшествующие агенты в последовательности принятия решений обладают более точной и достоверной информацией.
2. Дополнительная информация, которая может уточнить собственный сигнал агентов, подразумевает высокие затраты.
Таким образом, можно сделать вывод о том, что информационные каскады легко моделируются в искусственных условиях, что позволяет анализировать факторы и выявлять закономерности формирования и распространения данного феномена.
До сих пор остается не решенной проблема последовательности принятия ре- шений в моделях. Существенным недостатком предложенных моделей является ограниченность параметров, влияющих на принятие решений. Следовательно, дальнейшим направлением модификации модели информационных каскадов мо- жет быть включение в модель нового параметра, а именно – агентов-экспертов, формирующих общественное мнение в отношении того или иного выбора.
Глава 8. Потребительская экономика и поведенческая теория потребления

192
Под экспертом подразумевается агент, который обладает большей информаци- ей о наступлении некоторого события по сравнению с остальными агентами.
Рассмотрим формирование информационного каскада с участием экспертов на примере выбора между двумя технологиями (а и б).
Предположим, что технология а с вероятностью p = 1/2 лучше, чем б. Группа компаний n стоит перед выбором технологии. Теперь у каждого участника группы имеется три информационных сигнала: собственный, внешний и решение экспер- та. Все участники группы знают о том, что точность собственного сигнала у экс- перта выше, чем у них. Участники группы, включая эксперта, принимают решения о выборе технологии последовательно. Каждый участник в определенный момент получает информацию о том, какая технология лучше, при этом информация явля- ется неточной. Рассмотрим последовательность формирования информационного каскада (табл. 8.2).
Таблица 8.2
Первоначальные условия информационного каскада с экспертами
Компания
1 2
3 *
4 5
6 7
8 9
10
…
Сигнал a
b a
b b
a b
b a
a
…
Точность собственного сигнала
0,75 0,75 0,9 0,75 0,75 0,75 0,75 0,75 0,75 0,75 …
* эксперт
Предположим, что у первой компании собственный сигнал s = a с точностью p = 0,75, тогда общий сигнал s (α, β) = (1, 0) при условии, что априорная (или безусловная) вероятность Pr(a) = Pr(b) = Pr(0, 0) = P = ½, т.е. вероятность, харак- теризующая степень уверенности в том, что одна из технологий была выбрана, при отсутствии более конкретной информации об этих технологиях. При заданных условиях первая компания выберет технологию a, так как вероятность того, что технология a является лучше b, равна 0,75, т.е. при таких заданных условиях ме- неджер компании будет следовать собственному сигналу. Теперь решение первой компании становится общедоступным знанием для конкурентов, принимающих решения, при этом другие компании знают, что для первого было рационально при- нимать решение, основанное на собственной информации. Допустим, что у второй компании собственный сигнал s = b. Обнаружив только одного конкурента, выбрав- шего технологию a, тогда как технология b пока не востребована ни одной фирмой, вторая компания может предположить, что частным сигналом первого является s = a. Вторая компания находится в более выгодном положении по сравнению с первой, так как к ее сигналу добавляется еще и внешний. Таким образом, общим сигналом второй компании будет (1, 1), при этом второй участник группы имеет
ЧАСТЬ 1. Поведенческая экономика как современная парадигма развития экономической науки

193
два противоположных (a и b) сигнала, которые исключают друг друга, т.е. апо- стериорная вероятность того, что технология a является лучше, чем b, равна 0,5.
Таким образом, каждую технологию выбрала одна компания. Далее свое мнение о технологиях высказывает эксперт. У него высокая точность собственного сигнала, равная 0,9 (из первоначальных условий), он не ориентируется на выбор компаний.
Вероятность того, что a является лучше, чем b для эксперта (при использовании байесовского подхода), равна 0,9. Следовательно, эксперт выскажет свое мнение в пользу технологии a. Теперь решение эксперта становится информацией, извест- ной всем компаниям, которые будут принимать решение о выборе технологии.
Вычислим вероятность того, что технология a является лучше, чем b для всех последующих агентов (табл. 8.3).
Таблица 8.3
Апостериорные вероятности при выборе технологий
Компания
1 2
3 *
4 5
6 7
8 9
10
…
Сигнал a
b a
b b
a b
b a
a
…
Точность собственного сигнала
0,75 0,75 0,9 0,75 0,75 0,75 0,75 0,75 0,75 0,75
…
Pr (а)
0,75 0,5 0,9 0,75 0,9 0,995 0,98 0,93 1
1
…
Pr (b)
0,25 0,5 0,1 0,25 0,1 0,005 0,02 0,07 0
0
…
* эксперт
Следовательно, для всех компаний, принимающих решение после эксперта, становится рациональным игнорировать собственную информацию и копировать его выбор, так как вероятность того, что технология а является лучше, чем b, уве- личивается. Таким образом, начиная с четвертой компании все последующие вы- берут технологию a, которую обозначил эксперт.
Отношение апостериорных вероятностей, т.е. с учетом появления новой инфор- мации о технологиях, в модели информационного каскада с экспертами и без экс- пертов представлено в таблице 8.4.
Таким образом, в модели информационного каскада с участием экспертов апо- стериорная вероятность наступления события a (выбора компаниями технологии a) увеличивается для всех конкурентов, принимающих решение после выбора эксперта, так как решение эксперта становится общедоступной информацией, характеризующейся более высокой достоверностью и точностью по сравнению с информацией, которой обладают неэксперты. Следовательно, для менеджеров, принимающих решение, будет рациональным копировать выбор экспертов, что подтверждается расчетами по Байесу.
Глава 8. Потребительская экономика и поведенческая теория потребления

194
Таблица 8.4
Отношение апостериорных вероятностей с экспертами и без экспертов
в модели информационного каскада
Компания
1 2
3 *
4 5
6 7
8 9
10
…
Сигнал a
b a
b b
a b
b a
a
…
Точность собственного сигнала
0,75 0,75 0,9 0,75 0,75 0,75 0,75 0,75 0,75 0,75
…
Pr (a) : Pr (a, e)
1 1
1,2 1,5 1,2 1,99 3,92 9,3 1,33 2
…
* эксперт
Следует отметить, что при одинаковых первоначальных условиях в случае уча- стия эксперта информационный каскад начинает формироваться сразу после при- нятия решения экспертом (в данном конкретном случае – с четвертого агента), а без участия эксперта информационный каскад появляется после восьмой компа- нии в последовательности принятия решений. B этой связи можно сделать вывод о том, что эксперт является своего рода «катализатором» формирования инфор- мационного каскада, при этом в данных конкретных примерах сформировались два противоположных информационных каскада: в первом случае, где участвует эксперт, все компании предпочли технологию a, во втором случае – технологию b.
Если исходить из этого, можно предположить, что участие эксперта в последова- тельности принятия решений влияет на формирование информационного каскада, т.е. меняет с a на b или с b на a, например: b, a, b, b, b, a *, a, a, a, a, a, a, a, где a *
– это решение эксперта.
Таким образом, информационный каскад обладает свойством «хрупкости», т.е. с добавлением новой, более точной информации может изменить свое направление.
Итак, проведенный анализ позволяет сделать следующие выводы:
– для всех агентов, принимающих решение после агента-эксперта, становится рациональным игнорировать собственную информацию и копировать его выбор, так как вероятность выбора правильного варианта увеличивается, что доказывает- ся расчетами по формуле Байеса;
– агент-эксперт является «катализатором» формирования информационных ка- скадов;
– агент-эксперт может менять направление формирования информационных каскадов, что является следствием «хрупкости» каскадов.
Теория каскадов является важнейшей и доминирующей линией исследований, посвященных рациональному стадному поведению. Характерная для нее неста- бильность требует, чтобы лица, принимающие решение, проводили собственный, независимый анализ ситуации, а не стремились безоговорочно принимать мнение большинства.
ЧАСТЬ 1. Поведенческая экономика как современная парадигма развития экономической науки

195