社会演进视角下受助者感恩与讹诈行为的仿真研究

张文明, 许 洁, 杨雯秀

(西北大学 经济管理学院,陕西 西安 710127)

0 引言

习近平总书记近几年多次强调，要培养崇德文明向善风气。中华传统美德中，助人为乐和感恩是不可或缺的一部分。但是，当一些人响应了这个号召，并且采取了行动的时候，也有一些人与之相反，他们不但不领情，还敲诈勒索。人民日报的一份报告显示，在2015年前9个月里，由于扶人而引起的149项纠纷中，84项都是陷害扶人者。这种恶性事件对受害者和社会的危害非常大，会让受害者以后在决定要不要帮助别人的问题上更加慎重。所以，在接受了别人的帮助后，受助者的反馈行为(反馈包含了感恩和讹诈)会对整个社会产生很大的影响，所以，研究受助者的这两种反馈行为是十分必要的。

现在，有关感恩的理论基本上都是以心理学为主，研究什么是感恩以及感恩在个体的幸福、人际关系和亲社会行为上的作用。人们已经发现感恩是一种美德[1]，一种特质[2]，一种人类的行为和回应[3]。而且感恩能够提高个人的幸福感和健康水平[3～5]；促进亲社会行为[6～9]；能有助于建立和维护助人者和受助者的关系[10～12]，比如，恋爱中的男女间的浪漫关系[13]。在合作演化方面，也存在着关于感恩的探讨。Trivers[14]从互利的角度出发，指出了感恩的演化功能，因为感恩是一种演化的适应能力。Nowak和Rock[15]把感恩看作是一种上游互惠，模型的研究发现，上游互惠如果能与直接互惠、空间互惠结合，则能促进整体社会的合作。McCullough等[16]对上述两项研究进行了归纳，并指出感恩对于人类社会的进化有着特殊的意义。Chang等[17]的研究结果也证实了Nowak和Rock[15]的看法。郑丽清和俞煌霞[18]给讹诈的定义是：在收到他人的援助后，受助者以诽谤他人为肇事人，并要求补偿的一种行为。关于讹诈的研究主要从人性和道德角度[19～21]，并从法学的视角来讨论讹诈行为的应对措施[18,22～24]。此外，也有少量的文献从政府职能角度出发，剖析了讹诈的成因和对策[25]。

总之，目前国内外学者对感恩的研究多为从心理层面进行的理论分析，或者采用实验与问卷等方式进行实证分析；而关于讹诈的研究则主要集中在法学与社会学的层面上。鲜有学者从社会演化角度出发，利用仿真方法，考察两种不同的反馈行为在社会演变中的作用。本文将运用多主体建模与仿真技术，通过建立一种“间接互惠”模型来对真实世界中的助人行为进行模拟，并以此来探讨“感恩”和“讹诈”这两种反馈行为对社会发展演化产生的作用，并据此提出相应的对策。

1 间接互惠助人模型

1.1 基础模型

Nowak和Sigmund[26]提出了基础的间接互惠模型，其后有很多学者对间接互惠模型进行了深入研究，并基于间接互惠模型解释人类合作行为的演化[27～30]。下面我们先对基础的间接互惠模型进行介绍。

用Agent来表示真实世界中的人们，每一个Agent都拥有三种特性变量：image-score、pay-off、k。其中，image-score表示声誉，且每一个Agent的声誉对其它Agent都是公开的，声誉的优劣取决于其本身的帮助记录；pay-off表示收益，其大小意味着Agent的演化适应性；k表示助人策略，如果对方的声誉不小于k，那么就会对对方采取帮助措施，k的数值愈高，Agent对对方的要求就愈高，也就是该Agent本身愈冷漠。

模型中用时基(tick)的迭代描述一个社会的演化过程。每一时基，所有Agent总共进行m次的随机交互：若受助方的image-score≥助人方的k，助人者将(付出成本c)给予援助，受助者获得收益b(b>c)，且助人者的image-score增加1；反之，将会拒绝(两个人的收益都没有变化，但是，助人者的image-score将减少1)。此外，每一个Agent所能产生的子代数目都与其pay-off的值呈正比关系。由此，我们可以从最后的模式运作状况中，了解到社会演化的最终结果。

初始时，随机设置Agent的k值(k[-5,6]且取整数)，令image-score=0且pay-off=0。在子代中，image-score=pay-off=0，而k值则从父代那里继承而来。从交互式的原则可以看到，当Agent的k≤0时，Agent就是“友善”的，而k>0的Agent就是“冷漠”的。

从实验的结果来看，该模型最后一定会收敛于某个k，且k≤0。(注：如果所有Agent的k值均不大于0，则为一个“友善”型的社会，反之，将是一个“冷漠”型的社会。)Nowak和Sigmund[26]由此推断，以image-score为基础的间接互惠能够带来合作。

1.2 考虑突变的助人模型

Nowak和Sigmund[26]仿真了演化的基本概念，并由此构建了以上的仿真模型。但是，代际之间除了基因遗传外，还有可能会发生基因突变。因此，Nowak和Sigmund[26]把“突变”引入到模型中，以使模型更加符合现实。

在该模型中，“突变”的具体设定为：后代以某一概率p不从父辈继承k值，而是从k值中任意选取一个。表1显示了模型中的变量定义。经过程序的运行，我们发现，该模型将会是一个“友善”型和“冷漠”型社会交替出现的情形(如图1所示)。

图1 突变情形的社会演进

从模型本身来看，在考虑突变的时候，极端冷漠的Agent会被有差别助人的Agent所取代，而有差别助人的Agent又会被极端友善的Agent所取代，进而会使极端冷漠的Agent复活[26]。所以，为了解决突变带来合作进化过程的不稳定性，Lotem和Fishman[31]介绍了一种名为“表型欺骗者”的角色，并发现该角色可以使协作演化进程变得更加稳定。在这些群体中，“表型欺骗者”是指由于自身的能力不足，无法进行协作，例如儿童、老人、残疾人等。不同于Lotem和Fishman[31]的做法，本文认为模型的运行结果不稳定的原因在于，模型忽视了受助者的反馈行为。基于基本模型，我们将逐步把受助者的感恩和讹诈引入到模型中，探讨这两种反馈行为在社会演化中的作用。

经检验，不管u取什么正整数，只要Agent的k值被随机地设定成[-u,u+1]，image-score的变化范围被限定在[-u,u]，最终的运行结果和结论都没有太大的区别。此外，Agent数量、交互次数m、成本c和收益b的变化，只会影响模型的执行速度，而不会对结果造成实质性的影响。所以，为了确保参数的权威，本文并未更改Agent的属性和其它变量的数值，仍然采用Nowak和Sigmund[26]在表1的设置。

2 感恩行为对社会演进的影响

首先，我们规范描述这个问题：假定一个社会里有n个人，可以用1，2，…，n来表示。每一个人i都有一种可能会出现紧急情况，因此需要另一个人j的帮助；j根据自身的特点来决定是否对i实施帮助，而在j选择了帮助i后，i将根据自身的特点来决定是否向j表达感恩。随着时间的发展，社会也在发生着变化，我们将关注社会的演进结果。

2.1 模型构建

本文为设置属性变量gratitude以表示Agent感恩与否。此外，鉴于个人性格的连贯性，我们认为，越是友善的人就越是会感恩；相反，越是冷漠的人，越是不容易感恩。所以，在这个模型里，我们假定，每一个Agent的感恩变量是“真”的概率和其k值成反比例。也就是说，感恩变量为“真”的概率是：

在确定了Agent的感恩概率之后，还要设定Agent之间的感恩行为。Trivers[14]相信感恩有助于助人者和受助者双方间的互惠；Tsang[7]在实验中证实了感恩可以促进双方之间的互惠影响，在受助者得到别人的帮助之后，他们更倾向于表现出自己的亲社会行为；Shiraki & Igarashi[9]也是认为感恩直接影响到了直接互惠，而对上游互惠德影响需要通过人们对他人联系的需求进行中介来实现；而且，Nowak & Rock[15]的研究也显示，如果要改善社会的协作程度，上游互惠应该和直接互惠或空间互惠相结合。因此，本文认为与感恩关系最为密切的是直接互惠行为在很大程度上是合乎情理的，从而把主体的感恩行为设定为促进双方的直接互惠。具体来说：如果Agent感恩助人者，那么他会从收益b中抽取一部分返还给助人者以表示感谢。这样，受助者的pay-off会相应减少同时增加助人者的pay-off。而且，当Agent表达感恩时，其image-score加1。

2.2 结果与分析

在感恩力度≤0.1的情况下，模型不收敛于特定的k；然而，如果感恩力度超过0.1，模型就会以一定的概率收敛于k=0；当感恩力度增大到0.15或者更高的时候，该模型就会完全收敛到k=0，如图2所示。在此，感恩力度是指受助者返还给助人者的收益占b的比例大小。

当感恩力度是0.15时，模型的运行结果见图3；当为0.6时，演化结果如图4。我们还发现，模型的收敛速度和收敛后的稳定性都会变得更好。图5显示了感恩力度与收敛时间之间的关系。

图3 较低感恩力度的社会演进

图5 收敛时间与感恩力度的关系

如图2至图5所示：在感恩力度不低于0.15时，模型最后会在k=0处收敛。所以，受助者的感恩行为是社会演进为一个“友善型”社会的必要因素。

3 讹诈行为对社会演进的影响

我们首先规范描述这个问题：假定一个社会里有n个人，可以用1，2，…，n来表达。每一个人i都有一种可能会出现紧急情况，因此需要另一个人j的协助；j根据自身的特点来决定是否对i实施帮助，而在j选择了帮助i后，i将根据自身的特点来决定是否向j表达感恩(或进行讹诈)，与之相应地，j也会根据i的行为来调整其k值(即助人策略)。随着时间的发展，社会也在发生着变化，我们将关注社会的演进结果以及如何应对讹诈行为？

3.1 模型构建

感恩是人类的一项品质，它是稳定和持久的，我们有充分的理由认为，感恩的人是不会去讹诈别人的。因此，本文为每一个Agent的属性来设定讹诈概率，且总是设定感恩的Agent的讹诈概率为0。按照讹诈定义[18]，讹诈行为设置为：如果某受助者Agent被指定为讹诈者，那么，在得到了收益b后，还会从助人者剩余的pay-off里拿走一部分(设为0.5)。因为讹诈的性质很恶劣，所以Agent讹诈的时候，会让其在公众中的声望降到最低(即为-5)。而且，讹诈的行为也会让被讹诈的助人者在以后决定实施帮助时更加地小心，我们用被讹诈Agent的k值提高1来表达这种变化。

3.2 结果与分析

图6和图7分别显示了讹诈概率为1‰和40%的运行结果。图8显示了模型运行结果中不同种类Agent的数目随讹诈概率的变化(感恩力度为0.2)，其数据是令讹诈概率分别等于0.001、0.01、0.1、0.2、…、1时，各运行100次，将Agent的种类和数目进行统计，并进行平均而得到的。除讹诈概率外，其它的参数均与图1中相同。

图6 较低讹诈概率的社会演进

图8 Agent类型及其数量随讹诈概率的变化

从图6至图8可以看出，在讹诈概率较小的情况下，存在k值为0及k值为1的Agent；讹诈概率较大时，出现了具有k值为2，甚至更大k值的Agent，同时k值为0的Agent数目也在逐渐减少；直到最后，只有k>0的Agent才能在系统中生存。

我们起初时认为增大感恩力度可以减少k>0的Agent数量，但是却发现，以图6中的模型为基础，将感恩的力度分别提高到50%与100%时，模型的运行结果分别如图9和图10所示，模型中依然存在k>0的Agent。图11显示了k=1的Agent数目随感恩力度的变化情况。除了感恩力度以外，图9至图11中的其它参数均与图6相同。

图10 极大提高感恩力度后的社会演进

从图9至图11可以看出，Agent的感恩力度不能减少k>0的Agent数量，更确切地说，如果系统中有讹诈行为，那么Agent的感恩力度增大反而会使系统中k>0的Agent数量增大，这是由于感恩的力度愈大，助人者所获得的利益愈多，因此在讹诈行为中，讹诈者从助人者那里获得的利益愈多，从而在系统中所生成的k>0的Agent数量也会增加。以上仿真结果显示，当社会中存在一定几率的讹诈事件时，该社会的友善程度将会降低，而且讹诈事件愈多，造成的社会冷漠也愈严重。在这样的情况下，一味的倡导感恩以增大人们的感恩力度，对“友善”型社会的构建不会起到显著作用，甚至反而起反作用。

图11 提高感恩力度对社会演进结果的影响

所以，到底该如何重新演进到一个“友善”型的社会，也就是在最后的系统中，消除那些k>0的主体？经过种种努力，我们终于找到了一个解决方案——确保被讹诈的Agent的k值保持不变(图12中显示了这种情况下模型运行的结果)。

图12 被讹诈者k值不变时的社会演进

在此基础上，令讹诈概率和感恩力度取不同的值，得到模型收敛于“友善”型社会的概率，如表2所示。从图12和表2中可以看出：如果被讹诈的Agent的k值保持不变，模型会在敛k=0处收。当然，随着讹诈的几率越来越大，需要的感恩力度也会越来越大。

表2 模型收敛于“友善”型社会的概率

以上仿真结果显示，只要确保讹诈受害人的助人策略(即k值)不改变，就可以使社会再次演化为“友善”型社会。所以，在讹诈事件发生后，政府应采取各种干预手段，让讹诈受害人不受讹诈事件的影响而能够继续保持其对社会的友好程度不变。

4 结论与建议

本文在考虑突变的间接互惠模型的助人模型的基础上，对社会演化中受助者的感恩和讹诈行为进行了探究。

(1)如果仅考虑受助者的感恩行为，发现感恩能让一个引入突变的社会演变成一个“友善”型的社会。这个结论与Nowak & Rock[15]的研究结果一致，但区别在于本文以直接互惠为研究视角，而他们的研究是建立在上游互惠的基础上的。

(2)在进一步对受助人的讹诈行为进行考察之后，发现讹诈事件会造成社会的冷漠，且一味地强调感恩不能完全消除讹诈的影响。要想让社会恢复到友善的状态，关键在于确保讹诈受害人对社会的友好程度不受讹诈事件的影响。

在此基础上，我们对“友善型”社会的发展提出了两点对策建议：一是政府要积极倡导“感恩”行为；另一方面，在“讹诈”发生的情况下，政府既要对讹诈者进行惩处，但更重要的是采取多种措施，确保讹诈受害者免受讹诈事件的不良影响。