GRsTwP4PjiWvlnkxMrVcYfTenYb

Source: https://fcnlycv6dd0w.feishu.cn/wiki/GRsTwP4PjiWvlnkxMrVcYfTenYb

今日内容

🔎 思考如何用一个统一框架，将规则机制与玩家综合投入的关系系统解释清楚。确认以非合作博弈作为主分析框架——机制是统一收益函数下的不同参数，共同影响玩家和团体在平台规则约束下的策略选择与均衡投入。

一、机制与非合作博弈

非合作博弈关键不在于游戏中“没有合作”，而在于： - 在团体赛季制竞赛中，个体与团体的综合投入并不是天然发生的，也不是由外部强制合同保证的 - 而是在平台规则约束下，由个体和团体基于奖励预期、投入成本、竞争胜率和收益归属等因素自主选择后形成的策略结果。 本文真正要解释的是： 平台如何通过规则机制，引导自利个体和竞争团体在团体赛季制竞赛中形成持续、有效且结构合理的综合投入。 这正是非合作博弈适合处理的问题。

（一）什么是非合作博弈

🔎 非合作博弈主要研究多个理性参与者在给定规则下，各自选择策略，并在策略相互影响中形成均衡的过程。它关注的核心问题包括： 📌 需要注意的是： 非合作博弈中的“非合作”，并不等于现实中的“不合作”。 它的技术含义是：参与者之间不存在一个能够强制所有人按照集体最优方案行动的外部可执行合同。因此，即使现实中存在联盟协作、团队指挥和成员配合，也仍然可以用非合作博弈分析。因为玩家仍会考虑：

我是否值得继续投入；
我的贡献是否能带来个人回报；
我是否可以少投入但分享团体收益；
当前赛局是否还有追赶价值；
队友和对手的投入会如何影响我的收益。

🔎 所以，非合作博弈不是否认合作，而是解释： 合作和投入如何在个体自利选择中被规则激励出来。

（三）游戏规则不是外部强制合同，而是博弈环境

外部强制合同****是指参与者事前签订一个可以由第三方强制执行的协议， 规定每个人必须如何行动、如何投入、如何分配收益。 如果有人违反协议，会被外部制度强制惩罚。 但在游戏竞赛场景中，玩家并不存在这种完全可执行的外部合同。玩家仍然可以：

少上线；
不捐献；
中途降低投入；
等别人贡献后领取团体收益； 游戏规则机制也会约束玩家行为，例如：
匹配规则；
奖励梯度；
捐献规则；
榜单排名规则； 但这些规则不是强制玩家达到集体最优的合同，而是改变玩家的策略空间、成本结构和收益结构。

🗯️ 平台规则决定"怎样做更划算"，但不保证"所有人一定按最优方案做"。

（四）本文适合非合作博弈的五个理由

个体玩家可自主选择：

是否报名参赛
是否参战、捐献、鼓舞、竞猜
是否听从团体组织安排
是否在赛季后半程继续投入 团体也可自主选择：
是否冲击更高排名
是否集中资源打关键轮次
是否在弱势时降低投入、优势时保存资源
是否采取更激进或更保守的竞赛策略 只要存在自主策略选择，且不同策略带来不同收益，就适合用博弈论分析。 个体行为影响团体收益： 团体行为影响其他团体： 我的最优选择取决于别人怎么选择，别人的最优选择也受我的选择影响——这是非合作博弈的典型特征。 个体投入的成本是真实的：
金钱投入 → 真实资源成本
时间投入 → 机会成本
操作投入 → 精力成本
听指挥与协作 → 协调成本 但团体胜利奖励由所有成员共享，因此个体可能产生搭便车动机：
别人多投入，我少投入，也可能分享团体收益私有性机制（贡献—回报绑定）正是为解决这一问题而设计。团体内部的协作不是自动实现的，而是需要通过规则机制来激励和维持。团体赛季制竞赛的奖励、排名和积分具有明显相对性：
一个团体排名上升 → 其他团体相对位置下降
一个团体投入增加 → 其他团体获胜概率下降团体之间争夺的是相对位置和有限奖励，不是共同最大化总收益。适合用 Tullock 竞赛模型刻画团体间的相对竞争结构。 规则参数变化如何影响投入，是本文的核心问题：
赛局竞争更平衡 → 弱势团体是否更愿意继续投入
奖励梯度更清晰 → 团体是否提高追加投入
金钱投入与行为投入更互补 → 团体组织效率是否更高
个人贡献与个人回报绑定更紧密 → 搭便车是否减少
落后方仍有追赶空间 → 是否继续保持投入

🗯️ 规则参数变化如何改变参与者的边际收益，并进一步改变综合投入——这正是非合作博弈的标准分析逻辑。

二、机制与收益函数

（一）七机制在收益函数中的作用

七类机制不是彼此割裂的独立模型，而是统一收益函数中的不同机制参数，共同影响玩家和团体的均衡投入。 七机制作用方式： 七机制不是七个分散的分析维度，而是同一收益函数下不同参数的作用方向。

（二）SHAP 与博弈论的关系

SHAP 全称 SHapley Additive exPlanations，核心来自合作博弈论中的 Shapley Value（夏普利值）。

Shapley Value 原始问题：多个参与者共同合作创造了总收益，这个收益应如何公平分配给每个参与者？ 迁移到机器学习后，逻辑变成：

[嵌入电子表格: H6josb92uhxvYOtqZR6c...]

模型预测某玩家综合投入较高，SHAP 会拆解每个机制变量对该预测值的贡献

（三） XGBoost / SHAP 的方法衔接

理论框架自然衔接后续实证分析，形成完整方法链条： 三层衔接逻辑： - 七机制共同影响玩家收益函数和投入选择 - 七机制变量共同进入 XGBoost 模型，识别哪些机制变量对综合投入差异更有解释价值 - SHAP 分解不同机制变量对综合投入预测结果的边际贡献，解释影响方向和非线性关系

6.6 KiB Raw Blame History Unescape Escape