1 机制设计的核心问题

博弈论的大部分分析是正向的（positive）：给定博弈规则，预测均衡结果。机制设计（mechanism design）则是逆向的（reverse）：给定希望实现的社会目标，设计一个博弈规则（“机制”），使均衡结果等于目标结果。

典型问题：

• 如何拍卖一件物品以最大化收入（最优拍卖设计）？
• 如何在私有信息下有效分配公共物品（公共物品供给）？
• 如何设计合同使代理人努力工作（委托-代理）？
• 如何设计税收制度使不同收入者如实申报（最优税收）？

2 基础概念：社会选择函数与机制

2.1 设定

• 参与人：$N = {1, 2, \ldots, n}$，每人有私有类型 $\theta_i \in \Theta_i$
• 联合类型空间：$\Theta = \prod_i \Theta_i$，先验分布 $p(\theta)$
• 结果集：$X$（分配方案、转移支付等）
• 社会选择函数（SCF）：$f : \Theta \to X$，指定每种类型组合应实现的结果
• 机制（mechanism）：$\Gamma = (M_1, \ldots, M_n, g)$，其中 $M_i$ 是参与人 $i$ 的消息空间，$g : M \to X$ 是结果函数（根据消息决定结果）

贝叶斯实施（Bayesian implementation）：机制 $\Gamma$ 在贝叶斯均衡中实施 SCF $f$，若 $\Gamma$ 存在一个BNE $\sigma^$ 使得 $g(\sigma^(\theta)) = f(\theta)$ 对所有 $\theta$。

2.2 直接机制与显示原理

直接机制（direct mechanism）：消息空间等于类型空间，$M_i = \Theta_i$，参与人直接"汇报类型"，结果函数即 $f$。

激励相容（incentive compatible, IC）：SCF $f$ 是（贝叶斯）激励相容的，若如实汇报类型是BNE：对所有 $i$，$\theta_i, \theta_i’$：

$$\mathbb{E}{\theta{-i}}\left[u_i(f(\theta_i, \theta_{-i}), \theta_i)\right] \geq \mathbb{E}{\theta{-i}}\left[u_i(f(\theta_i’, \theta_{-i}), \theta_i)\right]$$

显示原理（Revelation Principle，Gibbard 1973; Myerson 1979）：

若某SCF $f$ 可被某机制 $\Gamma$（在BNE中）实施，则 $f$ 也可被激励相容的直接机制实施。

意义：搜索"最优机制"时，只需在激励相容直接机制类中搜索，无需考虑复杂消息空间。这是机制设计分析的根本利器。

3 单物品拍卖：最优机制设计（Myerson, 1981）

3.1 拍卖设置

• 单件物品，$n$ 个竞拍者，竞拍者 $i$ 的私有估值 $v_i \in [0, \bar{v}]$，独立分布 $F_i$（密度 $f_i$）
• 分配规则 $q_i(v)$：类型组合 $v$ 下竞拍者 $i$ 获得物品的概率，$\sum_i q_i(v) \leq 1$
• 转移支付 $t_i(v)$：竞拍者 $i$ 的支付，负值表示收到钱
• 竞拍者效用（拟线性）：$u_i = q_i(v) \cdot v_i - t_i(v)$
• 卖方收入：$\sum_i t_i(v)$（期望意义下）

3.2 激励相容约束与支付等价

激励相容约束（IC）（省略期望符号）：

$$v_i \cdot Q_i(v_i) - T_i(v_i) \geq v_i \cdot Q_i(v_i’) - T_i(v_i’), \quad \forall v_i, v_i’$$

其中 $Q_i(v_i) = \mathbb{E}{v{-i}}[q_i(v_i, v_{-i})]$，$T_i(v_i) = \mathbb{E}{v{-i}}[t_i(v_i, v_{-i})]$ 是期望分配和支付。

引理（支付等价定理，payment identity）：任何满足 IC 的机制中，期望支付由分配规则唯一决定：

$$T_i(v_i) = v_i Q_i(v_i) - \int_0^{v_i} Q_i(s) , ds - U_i(0)$$

其中 $U_i(0) = -T_i(0)$ 是最低类型的净效用。

3.3 虚拟估值（virtual valuation）

定义竞拍者 $i$ 的虚拟估值（virtual valuation）：

$$\psi_i(v_i) = v_i - \frac{1 - F_i(v_i)}{f_i(v_i)}$$

当 $F_i$ 满足**正则条件（regular condition）**时（$\psi_i$ 关于 $v_i$ 单调递增），Myerson最优拍卖有优美的解析式。

Myerson最优拍卖：

1. 计算每位竞拍者的虚拟估值 $\psi_i(v_i)$
2. 物品分配给虚拟估值最高且非负的竞拍者
3. 若所有虚拟估值均为负，卖方保留物品（保留价格）

期望收入：

$$\text{Revenue} = \mathbb{E}_v\left[\sum_i q_i^*(v) \cdot \psi_i(v_i)\right]$$

3.4 对称独立同分布情形

若 $n$ 个竞拍者估值 i.i.d. $\sim F$，$\psi(v) = v - \frac{1-F(v)}{f(v)}$。最优机制：

• 最优保留价格 $v^* > 0$ 满足 $\psi(v^) = 0$，即 $v^ = \frac{1-F(v^)}{f(v^)}$
• 估值高于 $v^*$ 的竞拍者中，出价最高者获得物品
• 最优机制等价于带保留价格的二价拍卖（Vickrey拍卖）

4 收入等价定理（Revenue Equivalence Theorem）

4.1 定理陈述

定理（Myerson 1981; Riley & Samuelson 1981）：设竞拍者估值独立，忽略保留价格，则任何满足以下条件的标准拍卖产生相同的期望收入：

1. 物品分配给估值最高者
2. 估值最低的竞拍者期望支付为0

这包括：一价拍卖、二价拍卖（Vickrey）、全付拍卖（all-pay auction）、英式增价拍卖等。

4.2 证明思路

由支付等价公式，期望收入完全由分配规则 $q_i^*(v)$ 和最低类型收益 $U_i(0)$ 决定。只要两种机制的分配规则相同（均分配给最高估值者），且 $U_i(0)$ 相同（均为零），期望收入必然相等。

直觉：从竞拍者获得的信息租金角度看，分配给高估值者意味着高类型享有"超额收益"（信息租金），而这些信息租金的大小只由分配规则决定——不取决于支付函数的具体形式。

4.3 关键例子：一价 vs 二价拍卖（两竞拍者，$U[0,1]$）

二价拍卖（Vickrey）：出价者说真话，均衡策略 $b_i(v_i) = v_i$，获胜者支付第二高价。

期望收入 $= \mathbb{E}[\min(v_1, v_2)] = 1/3$（两个 $U[0,1]$ 的最小值期望值）。

一价密封拍卖：均衡出价 $b(v) = v/2$（已在不完全信息篇推导），期望收入 $= ?$

获胜者支付 $b(\max v_i) = \max(v_1, v_2)/2$。期望为 $\frac{1}{2} \mathbb{E}[\max(v_1, v_2)] = \frac{1}{2} \cdot \frac{2}{3} = 1/3$。

确认：两种机制期望收入均为 $1/3$——收入等价定理得到验证。

5 公共物品供给与VCG机制

5.1 问题设置

$n$ 个参与人，每人对公共物品的私有估值 $\theta_i$。社会选择函数为帕累托效率分配：

$$k^*(θ) = \arg\max_{k \in {0,1}} \left(\sum_i \theta_i k - C\right)$$

（$C$ 为供给成本；若 $\sum_i \theta_i \geq C$ 则供给）

5.2 Groves机制与VCG

Vickrey-Clarke-Groves（VCG）机制：

• 每人汇报 $\hat\theta_i$
• 决策：$k^*(\hat\theta) = \arg\max_k \sum_i \hat\theta_i k$
• 转移支付：$t_i(\hat\theta) = \sum_{j \neq i} \hat\theta_j k^*(\hat\theta) + h_i(\hat\theta_{-i})$

定理：VCG机制使如实汇报（$\hat\theta_i = \theta_i$）为每个参与人的优势策略（dominant strategy）（注意：此比BNE更强——不依赖他人行动的信念）。

Clarke Pivot机制（具体VCG）：

$$t_i(\hat\theta) = -\sum_{j \neq i} \hat\theta_j k^*(\hat\theta) + \max_k \sum_{j \neq i} \hat\theta_j k$$

参与人 $i$ 只在其汇报使决策改变时缴纳"枢轴税"，等于其决策影响对他人造成的外部性。

局限：VCG机制通常不满足预算平衡（$\sum_i t_i \neq 0$），需外部补贴，在某些场景下不可行。

6 委托-代理问题：道德风险的机制设计

6.1 基本设置

• 委托人（Principal） $P$：设计合同
• 代理人（Agent） $A$：在信息不对称下选择行动（努力 $e$）
• 行动不可观察，只有结果（产出 $y$）可观察
• 代理人效用（CARA）：$u_A = E[w(y)] - c(e)$，$c’ > 0$，$c’’ > 0$
• 委托人期望利润：$E[y - w(y)]$

6.2 最优合同的二元矛盾

风险共担（risk sharing）与激励（incentives）的矛盾：

• 若代理人风险中性，委托人可将全部风险转嫁（“卖掉公司”），实现一阶最优
• 若代理人风险厌恶，最优合同在激励和保险之间权衡——激励越强（工资与产出相关性越高），代理人承担风险越多，需更高的风险补偿

最优合同条件：同时满足

1. 参与约束（IR, individual rationality）：$E[u_A(w, e)] \geq \bar{u}$（外部机会成本）
2. 激励相容约束（IC）：$e \in \arg\max_e E[u_A(w, e)] - c(e)$

在加性符合噪声、CARA效用下，最优合同是线性的 $w(y) = \alpha + \beta y$，最优 $\beta$ 满足：

$$\beta^* = \frac{1}{1 + r \sigma^2 c’’}$$

其中 $r$ 是代理人风险厌恶系数，$\sigma^2$ 是噪声方差，$c’’$ 是努力成本的二阶导（努力的边际成本递增率）。激励强度随代理人风险厌恶（$r$）、噪声（$\sigma^2$）和努力成本曲率（$c’’$）的增大而降低。

7 小结：机制设计的理论地图

机制设计将博弈论的均衡分析与社会选择理论结合，为制度设计提供了严格的分析框架——如何在参与人有私有信息的情况下，设计出能激励如实报告、实现社会目标的制度。

参考文献

• Myerson, R. B. (1981). Optimal auction design. Mathematics of Operations Research, 6(1), 58–73.
• Gibbard, A. (1973). Manipulation of voting schemes. Econometrica, 41(4), 587–601.
• Vickrey, W. (1961). Counterspeculation, auctions, and competitive sealed tenders. Journal of Finance, 16(1), 8–37.
• Clarke, E. H. (1971). Multipart pricing of public goods. Public Choice, 11(1), 17–33.
• Groves, T. (1973). Incentives in teams. Econometrica, 41(4), 617–631.
• Holmstrom, B., & Milgrom, P. (1987). Aggregation and linearity in the provision of intertemporal incentives. Econometrica, 55(2), 303–328.