基于多智能体仿真技术的金融政策效用下企业状态演化预测

周雯婷，张高煜，王昕杰，盛梦宇，陈飞宇

（上海金融学院，上海201209）

一、绪 论

国内外金融政策的效用研究可追溯到政策创新与扩散模型的研究，主要研究“政策创新”这种激进的政策变迁形态。

政策创新扩散的研究始于密歇根大学沃克［1］（Walker，1969）。他发现美国许多州在政策方面并不完全遵循渐进决策路径，而是经常出现跳跃性的“创新”，并且一些州的创新往往会被邻近州所效仿。之后通过美国各州88项政策创新案例的实证分析，他发现大而富的州比小而穷的州更易于创新，而且许多州都接受来自它们区域中一个或者更多先进的州的指引走向创新之路。自沃克后，政策创新及扩散的研究成了政策科学中最引人注目的领域之一。

在政策创新与扩散的早期研究中，弗吉尼亚·格雷（Virginia Gray，1973）借鉴其他学科对创新与扩散的研究，提出了政策创新与扩散的经验模型。他认为在政策创新扩散的初期，政策采纳的发生相对不频繁，然后随着各种因素的影响，采纳的比例会急剧上升。［2］布朗（Brown）和考克斯（Cox）将政策创新研究成果总结为三条规律，即时间维度上呈现S型曲线，在空间维度上表现为临近效应（the neighborhood effect），以及区域内出现的领导者—追随者的层级效［3］。

关于政策创新与扩散的具体影响因素方面，Mintrom等人先后分析了政策倡导（政策企业家）（Policy entrepreneurs）［4］和政策网络（Policy networks）［5］在政策创新与扩散中的作用。Feiock和West对城市固体垃圾回收处理项目的研究也证实了政策采纳是基于问题需要、政党竞争、财政能力和利益集团组织。［6］Balla运用医疗卫生条件的案例分析了州际专业协会在政策扩散中的角色，认为这些专业组织为政策制定者提供了交流和评价政策创新的制度平台，并为技术性强的政策创新提供咨询建议。［7］

贝瑞夫妇的一系列研究为政策创新理论的发展作出了重要贡献。首先，他们不仅将已有的政策创新模型分为区域扩散模型和内部决定因素模型两大类，而且还将扩散模型细分为全国性互动模型、区域扩散模型、领导－跟进模型和垂直影响模型。［8］其次，他们最早采用事件历史分析（Event History Analysis，EHA）实现了对内部决定模型和区域扩散模型的整合。他们在吸收前人的基础上创立政策创新与扩散模型，认为州政府在决定是否采纳政策创新时，同时受到政府内部因素和外部扩散因素的双重影响，解释了政策创新方法之所以出现差异性的原因。最后，他们通过对州层面的战略规划管理创新、彩票政策、税收政策在州政府之间的扩散进行了个案分析，为政策创新模型提供了强有力的实证支持。［9］

把复杂网络运用到计算机病毒传播研究中，为探索金融政策的传播与效用提供了新的视角。20世纪50年代，匈牙利数学家Paul Erdos和Alfred Rlfred提出的随机图理论复杂网络，认为随机图能够反映现实网络的平均路径较短的特性，但该观点受到了质疑。1998年，美国康奈尔大学的博士生Watts及其导师Stogatz在 《自然》杂志发表了题为 “小世界网络的集体动力学”（Collective Dynamics of ‘Small－World’）的文章，引入了小世界（Small World）网络模型，它通过调节一个参数可以从规则网络向随机网络过渡。

近年为了解释幂律分布的产生机理，Barabasi和Albert在深入研究了ER模型后，揭示了复杂网络中的无标度特性（Scale Free）及其产生机理，并提出了著名的BA无标度网络模型。该模型具有简单的动力学演化模型，为以后的研究做出了铺垫。［10－15］

本文基于多智能体仿真技术和政策传播模型，研究金融市场中企业受金融政策的影响、企业之间的合作、企业个体的状态演化与预测，同时将仿真结果反馈到决策变量中，寻求最优的金融政策变量，为社会经济管理提供依据。

二、政策传播模型

由于政策的传播类似于病毒的传播，可以引用病毒传播的模型，将金融政策类比于“病毒”政策，传播强度越大，传播范围越广，并且长期存在于企业之中，迟早传遍所有企业。企业所面对的政策选择将以传播形式延续下去，各经济体又呈现出竞争的态势。

目前应用较为广泛的信息传播演化模型是SIR模型、SIS模型和SEIR模型等（Susceptible易感者、Infective感病者、Removal移出者、Exposed潜伏态）。SIR模型将人群划分为三类：易感人群（Susceptible）、感染人群（Infected）、免疫人群（Recovered）。

相比病毒传播模型，政策作为另类的“病毒”在名为企业的“人群”中传播，因此将企业分为三类：最初接受政策并且发展的企业（developed）（Removal），发展受到阻碍的企业（developing）（Susceptible），发展不良并且正在倒闭或者关闭的企业（closed）（Infective）。假设在单位时间内，接受政策并且发展的企业的概率为 α，发展受到阻碍的企业的概率为 β，并用 s（t）、I（t）、R（t）表示在时间t中发展企业、受阻碍企业和关闭企业的数量，用M表示t时刻整个金融市场企业的数量。SIR模型可用如下方程组表示：

（1）式表示企业接受政策并且发生改变的概率，（2）式表示企业发展受到阻碍的概率，（3）式代表企业发展不良正走向倒闭的概率，（4）式表示以上三种概率之和为1即100%。

令 S（0）＝S0，I（0）＝I0，分别表示发展企业和受到阻碍的企业的数量，模型的有效传播率为，那么存在｜t＝0＞0 可以得到政策在企业中快速传播的条件为 αS0I0－βI0＞0，即。这说明，在政策的传播过程中存在一个有限的正的传播临界值。

在实际传播中，政策只有接触发展企业才能被传播。在基于网络的病毒传播模型，网络中的节点表示个体，节点之间的边可视为两个个体间可能的接触。当一个节点是发展企业时，它以一定概率将政策传播给相邻的企业节点。这样，政策模型就可以推广到一般的网络传播中。

三、金融政策效用下企业状态模型

基于政策传播与企业间合作模型，这里提出一个金融政策效用下企业状态多智能体仿真模型。如图1所示。

图1 企业状态多智能体仿真模型框图

1．基础变量

本模型中的基础变量有三个：

控制变量 1：企业数量（number－of－companies）。代表在政策影响下的企业的数量。在初始的时候有两种不同的企业状态：发达的企业，为红色；正常发展中的企业，为绿色。企业数量范围为100—500，初始值为355。

控制变量2：企业的能量（company－energy）。代表企业自身所带有的实力大小，关系到企业的存亡发展。倒闭的企业能力小于0，正常发展中的企业能量范围为（0，company－energy），发达企业的能力大于 company－energy。 范围为1—100，初始值为 66。

控制变量3：正常发展中企业数量（developing－number）。指在最初正常发展企业的数量。最小值为1，最大值为number－of－companies，即选定的政策影响下的企业数量，初始值为60。

2．金融政策量化

本模型中将《关于促进上海市互联网金融产业健康发展的若干意见》中的20条政策总结为四点：风险监控、企业合作、政府支持、企业创新。

（1）风险监控

控制变量1：风险检查的频率（danger－check－frequency）。 相当于政府对企业状态检查的频率，降低企业衰亡的几率。若风险检查的频率为3，代表每采样三次，就会进行一次检查。频率范围为0—20，初始默认值为3，单位为ticks。

控制变量2：风险可能性（danger－chance）。企业遇到危机的可能性大小，即面临倒闭的企业的数量。风险可能性越大，面临倒闭的企业数量就越多。风险可能性范围为0—100，初始默认值为64，单位为%。

控制变量3：风险恢复的概率（danger－recovery－chance）。相当于政府对企业进行定期的状况检查后，对一些将要倒闭的企业进行一定的援助，使其能够重新正常运营的概率。风险恢复的概率的值越大，那么遇到危机的企业能够恢复正常运营的机会就越大。恢复概率范围为0—10，初始默认值为7．7，单位为%。

（2）企业合作

控制变量1：企业资金（company－salary）。这里请求有合作关系的企业，利用企业资金与企业创新资金的比例，对企业能量进行加减。企业资金大，则加；企业创新资金大，则减。企业资金范围为0—1，初始默认值为0．6。

控制变量2：合作概率（cooperative－probability）。指的是企业与企业之间合作的可能性。值越大，企业之间更有可能合作，从而企业之间会出现互补、互相制约的情况，就会出现不同的发展趋势，有的会发展的更好，而有的则会倒闭。合作概率范围为0—1，初始值为0．73。

（3）政府支持

其中，GP为政府支持力度，GSt为在t时刻政府给予企业的支持资金，Kt为t时刻现金流的折现率。在t时刻，政府给予企业的资金的折现反映企业运用资金的机会成本。

控制变量 1：政府支持资金（gov－company－salary）。政府为促进企业发展而给予其资金。企业运用资金的效果不同，有的企业会因此快速发展，同时也会使其他企业因无法与之抗衡最终倒闭。资金范围为0—100，初始值为83。

控制变量2：企业规模（company－size）。企业的规模的改变，需要运用资金的多少也会改变，企业的机会成本也相应地改变。不同规模下的企业，运用政府给予的支持资金的能力与范围也会不同，从而会影响企业的发展状态。规模范围为1—3，初始值为3。

（4）企业创新

企业社会绩效（CSP）的计算公式如下：

Ec：计算出的综合管理成果效益，以企业实现利润表示。

P1：成果实施后在成果效益计算年度内的企业总效益。

P0：成果实施前一年度的企业总效益。

i：实施成果损失费用。

控制变量 1：企业创新资金（company－innovation－salary）。相当于企业开发新产品、技术改进的成本。企业创新资金取决于企业规模、企业自身发展状况。企业创新资金范围为0—1，初始值为0．7。

控制变量2：企业盈损率（company－gain－loss）。企业在创新的情况下获得的销售额，也可以理解为企业在创新的情形下是否获得收益。在相同企业创新资金的情况下，企业亏损额越大，企业创新程度就越小。盈利为负，亏损为正。企业盈损率范围为［－1，＋1］，初始值为 0．2。

五、金融政策效用下企业状态演化预测仿真实验

1．模型假设前提

在现实环境中，金融市场的发展过程十分复杂，在建模时很难将所有的影响因素都考虑在内。要根据研究的目的和影响因素的可衡量性，进行适当的取舍，并提出假设来简化模型。

（1）假设模型中企业的规模是滑动条上人为设定，在设定的范围内随机改变。

（2）假设在整个金融市场中，存在的主体只有互联网金融企业。

（3）将所研究的企业主体分为三种状态：正常发展中状态、发达状态和倒闭状态。

（4）政府对风险的每一次监控在设定的时间内完成。

（5）企业状态转变时的恢复概率及金融市场的各个初始参数为外部条件人工干预设定。

（6）政府对企业的支持力度大，则给予企业的资金就多。

2．仿真实验1——基本模型验证

基于NETLOGO的金融政策效用下企业状态演化仿真初始化界面如图2所示。模型中节点表示企业主体，连接线表示企业之间的关系。企业主体总数为变量。

设置企业节点为355，企业的能量为66，正常发展中的企业的数量为60，企业之间合作的概率为0．73，政府风险检查的频率为3帧做一次检查，企业面临危机的可能性为64%，企业受政府援助恢复正常运营的几率为7．7%，企业自身的资金为0．6，政府支持资金为83，企业规模为3，企业创新资金为0．7，企业盈损率为0．2。初始化模型后，如图2所示。运行程序，观察企业节点的动态转换如图3、图4所示。

图2 基于Netlogo的仿真系统界面

图3 运行后企业出现倒闭的现象

图4 模型中各状态节点的动态变化

根据图3、图4可以看出，随着时间的推进，企业受政策不同程度影响，倒闭的企业（closed）的数量在增加，并有小幅度的波动。发达（developed）的企业数量减少了，也有小幅度的波动，同时由于企业之间相互合作，政府给予企业支持以及企业自主创新的因素使处于正常发展中企业（developing）消失，发达状态（developed）和倒闭状态（closed）企业的数量趋于稳定，有小幅度的变化。整个金融市场平稳发展。根据图4可以更加直观地看出，正常发展中企业随着政策实行时间的推进，都改变为发达或者倒闭的状态，正常发展中企业较少为0，发达和倒闭的企业在不断地变化，但最后都趋于稳定。

3．仿真实验2——政府风险监控力度的改变对企业的影响

设置政府风险检查的频率为10帧做一次检查，其余变量值同仿真实验1。初始化模型后，如图5所示。运行程序，观察企业节点的动态转换如图6所示。

图5 初始化界面

图6 模型中各状态节点的动态变化

表1 实验1与实验2数据

根据图6所示，在仿真实验1的基础上，仅改变了政府风险检查的频率，变为10帧，与仿真实验中的图4相比，在相同的时间下，企业发展趋势达到稳定状态时，倒闭状态的企业（灰色曲线）的上升幅度更大。根据表1的具体数据显示，仿真实验2的倒闭的企业比仿真实验1增加56个。这说明了在仿真实验2模型中减少政府风险检查频率提高了企业倒闭的风险性，使更多的企业无法正常运营（即处于倒闭状态）。因此可以看出政府实行风险监控的政策是非常有必要的。

4．仿真实验3——政府对企业支持力度的改变

设置政府支持资金为43，其余变量值同仿真实验1。初始化模型后，如图7所示。运行程序，观察企业节点的动态转换如图8所示。

图7 初始化界面

图8 模型中各状态节点的动态变化

表2 实验1与实验3数据

在仿真实验3的模型中，减少了政府给予企业的资金，其他变量的数据与仿真实验1相同。根据图8所示，与仿真实验中的图4相比，在相同时间下，企业发展情况达到稳定状态时，倒闭状态的企业（灰色曲线）的上升幅度更大。根据表2的具体数据，仿真实验3的倒闭企业比仿真实验1增加11个。这说明了在仿真实验3模型中减少政府对企业的支持力度会影响企业的运营，政府对企业的支持力度大，更多的企业就能够正常运营（即处于发展中状态）。因此可以看出政府实行对企业的支持的政策是非常有必要的。

5．仿真实验4——企业创新对企业经营的影响——企业盈利时企业投入创新资金

设置企业创新资金为0．3，其余变量值同仿真实验1。初始化模型后，如图9所示。运行程序，观察企业节点的动态转换如图10所示。

图9 初始化界面

图10 模型中各状态节点的动态变化

表3 实验1与实验4数据

在仿真实验4的模型中，企业减少了创新的资金，其他变量的数据与仿真实验1相同。根据图10所示，与仿真实验中的图4相比，在相同时间下，企业发展情况达到稳定状态时，倒闭状态的企业（灰色曲线）的上升幅度小幅度减小。根据表3的具体数据显示，仿真实验4的倒闭企业比仿真实验1减少9个。仿真实验4模型中企业投入创新资金，但我们假设企业是亏损的，所以减少创新资金的投入，倒闭的企业也减少了。

六、结 论

本文通过多智能体仿真的方法及手段研究在金融政策效用下金融市场的演化，以《关于促进上海市互联网金融产业健康发展的若干意见》为例实证分析，提出“动态演化过程分析＋多智能体建模＋仿真＋可行性分析”的研究方法，以更全面更真实的视角，展现了金融政策对金融市场影响的演化过程。接下来的研究方向可以不局限于上海互联网的金融政策而扩宽到对其他政策的仿真预测。

［1］Walker J L．The Diffusion of Innovations Among the American states［J］．American Political Science Review，1969，（63）：880－899．

［2］Gray V．Innovation in the States： A Diffusion Study［J］．American Political Science Review， 1973，（67）：1174－1185．

［3］Brown L A， Cox K R．Empirical Regularities in the Diffusion of Innovation［J］．Annals of the Association of American Geographers， 1971，61（3）：551－559．

［4］Mintrom M．Policy Entrepreneurs and the Diffusion of Innovation［J］．American Journal of Political Science， 1997，（41）：738－770．

［5］ Mintrom M， VergariS．PolicyNetworksand Innovation Diffusion： the case ofState Education Reform［J］．The Journal of Politics， 1998，（60）：126－148．

［6］Feiock R C， West J P．Testing Competing Explanations for Policy Adoption： Municipal Solid Waste Recycling Programs［J］．Policy Research Quarterly， 1993，（46）：399－419．

［7］Balla S J．Interstate Professional Associations and Diffusion of Policy Innovations［J］．Political Research Quarterly， 2001，（54）：103－124．

［8］Berry S．Sizing Up States Policy Innovation Research［J］．Policy Studies Journal， 1994，（22）：442－456．

［9］Berry S， Source W D．Berry．State Lottery Adoptions as Policy Innovation：An Event History Analysis［J］．American political Science Review， 1990，（84）：395－415．