固定角色信任博弈中的合作双路径：局部收益优势与邻域数量优势在结构化种群中的分化作用

《Knowledge-Based Systems》：Out-earning or outnumbering: Two routes to cooperation in the fixed-role trust game on structured populations

　　

信任是合作的基础，但在理性自利下，维持信任对个体而言代价高昂且困难。在信任博弈（trust game, TG）中，信任者（trustor）投入部分禀赋，受托者（trustee）返还倍增收益中的一部分。在方格晶格（square lattice）上的固定角色（fixed roles）设定中，行动者仅与异角色的正交邻居（orthogonal neighbors）进行博弈，但模仿同角色的对角邻居（diagonal neighbors），从而将互动网络（interaction network）与模仿网络（imitation network）解耦。在完全混合种群（well-mixed population）中崩溃的信任，在强选择（strong selection）下可在较窄的收益参数（return parameter, r）范围内与可信性（trustworthiness）在晶格上共同演化。比较更新规则（update rules）揭示了两条不同的合作路径。第一，成对模仿（pairwise imitation）依赖互惠受托者（reciprocating trustees）通过局部同类相聚（local assortment）获得高于背叛受托者（betrayers）的收益，从而在慷慨信任者（generous trustors）周围形成可信受托者集群。相反，邻域规则（neighborhood rule）使互惠受托者的局部多数能够在不考虑收益的情况下转化孤立的背叛受托者，即通过数量优势（outnumbering）而非收益优势（out-earning）胜出。这种集体招募（collective recruitment）路径在更宽的收益参数范围内维持信任—互惠互动。然而，两条路径所需条件不同：成对扩散仅需跨角色同类相聚（cross-role assortment），并且仍可在无几何的度正则网络（geometry-free degree-regular network）上产生合作，而集体招募在该变化下不能存续。度异质性（degree heterogeneity）本身不增加新路径，其是否使合作存续取决于由哪个角色承载异质性以及收益如何聚合（payoff aggregation）。在本研究所考察的结构中，只有晶格同时支持两条路径。

研究背景与问题：信任与可信性是持续社会交换的基础，关系合作、公平、诚实与利他等行为。信任博弈（trust game, TG）中，信任者（trustor）投入x，收益乘以3，受托者（trustee）返还3rx或背叛。演化博弈（evolutionary game theory, EGT）用于解释信任在种群中的出现、稳定或崩溃。既有两人变体多让个体同时承担两种角色，以单一复合策略和单一适应度聚合两角色收益；这种角色捆绑可能造成跨角色策略污染，抑制信任。Kumar等曾报告信任不能在方格晶格和随机网络中产生，除非无标度网络在收益累积时提供度异质性；Wang等则用固定角色（fixed-role）棋盘格，使角色由身份固定，互动只发生在正交异角色邻居之间，模仿只发生在对角同角色邻居之间，发现在强选择下较窄的收益参数（return parameter, r）区间内信任与可信性可共同演化。固定角色设定仍留下更新规则是否只通过单一机制拯救信任的问题。研究人员因此以Wang等模型为基础比较不同更新规则，并把晶格替换为随机二部网络，以判别两条合作路径及其对结构的要求。意义在于区分“收益胜出（out-earning）”与“数量胜出（outnumbering）”，解释空间结构、角色身份和收益聚合如何共同决定信任合作，并为平台—用户、雇主—雇员、借贷双方和买卖双方等角色持久的交换场景提供演化博弈层面的机制基础。

关键技术方法（不超过250字）：采用固定角色信任博弈与同步蒙特卡洛模拟：N=1600，半数信任者、半数受托者；格子为40×40环面，四正交异角色互动、四对角同角色模仿；完全混合基线随机一对一匹配并从全种群抽取比较对象。随机二部网络由二部配置模型生成，再投影为各角色内部模仿网络，设置度正则或截断幂律异质度，收益采用累积或按互动度平均。比较PC-Fermi（成对比较-Fermi函数）、PC-Prop（比例成对比较）、IM（模仿更新，适应度比例邻域投票）与UI（无条件模仿最高收益邻居）四类更新规则，并以μ突变、30个独立种子和稳态窗口统计f_T、f_R、f_TR及φ（链接级相关）。无样本队列，全部为计算模拟。

研究结果：3.1 模拟设置（Simulation setup）：通过N=1600、40×40格子、初始f_T(0)=f_R(0)=0.5、μ=10^?2、30个独立种子、最后四分之一为稳态窗口的模拟，并设完全混合基线与随机二部网络（T=2500）比较，确定结果对起始频率、运行长度和系统规模具有稳健性。3.2 格子上的信任与互惠（Trust and reciprocation on the lattice）：通过x-r参数扫描和时间演化发现，弱选择下格子和完全混合近同，强选择（β=5）下格子仅在r≈0.35附近出现合作带；r=0.35时f_R≈0.72、f_T≈0.23、f_TR≈0.22，r=0.45时约减半；r=0.25时信任先因3r<1不获利而消失，r=0.55时互惠先被背叛压低。3.3 跨角色同类相聚与合作带（Cross-role assortment and the cooperation band）：通过空间分布、跨角色同类相聚、收益差、链接级相关φ和角色内随机置换对照，发现R受托者比B受托者拥有更多信任邻居且收益更高，且φ在合作带内为正；破坏角色间相关后收益优势消失；信任者平均并未收益胜出，仅接近持平，故信任仍为少数。3.4 替代更新规则下的合作（Cooperation under alternative update rules）：通过比较PC-Prop、IM、UI，发现三者对x不敏感；PC-Prop与PC-Fermi定性相似并形成相当合作带；IM合作带更宽、峰值移至r≈0.40并可延伸至r=0.325，但收益优势很小；UI因确定性复制高收益背叛者，在任何结构均不维持合作。3.5 更新规则中收益胜出与数量胜出的分析（Analysis of the out-earning and outnumbering comparison in the update rules）：通过测量B受托者转向R的概率及无收益优势转换比例，发现IM下局部多数可集体转化孤立背叛者：β=5时58%的转换为无R邻居收益超过B，四个互惠邻居时观测转换比独立作用预期高30%；PC-Fermi只按单个邻居收益比较，不产生此集体效应。数量胜出放大互惠但不放大信任，因受托者只需一个信任邻居即可获利，信任者需近邻几乎全互惠。3.6 策略突变过程的稳健性（Robustness of the strategy mutation process）：通过把μ从10^?3增至10^?1并运行10⁴步，发现能维持合作的三规则可持续到μ≈2×10^?2，UI始终不合作；PC-Prop峰值最高但随μ下降最快，IM峰值位置较稳定；突变主要侵蚀角色间相关（φ和f_TR的超额部分）而非单纯频率。3.7 超越晶格：随机与异质网络拓扑分析（Beyond the lattice: analysis on random and heterogeneous network topologies）：通过随机正则和异质二部图比较，发现成对规则在度正则无几何网络上仍维持合作，PC-Fermi峰值与格子同为0.224，PC-Prop为0.288高于格子0.198；IM降至0.042，集体路径不存续。度异质性按角色起作用：双侧异质或信任者承载枢纽时累积收益下无合作；受托者承载枢纽时PC-Fermi的f_TR=0.562、PC-Prop=0.438，高于格子两倍以上；按互动平均收益后三种异质网络在两成对规则下恢复合作，IM和UI不恢复。

讨论总结与研究结论（译）：讨论指出，将角色固定在身份层面，而非让同一行动者承担双重角色，是信任与互惠能在晶格上共同演化的关键；复合策略表述中的跨角色污染会抑制该结果。空间与统计结果一致指向T-trustor与R-trustee之间的局部同类相聚：互惠受托者通过重复且局部集中的互动，弥补单次互动收益损失。更新规则比较给出重要限定：PC-Fermi与PC-Prop依赖同类相聚驱动的收益胜出，IM则通过邻域适应度加权投票让局部互惠多数转化背叛者，即数量胜出；这一区分在空间信任博弈文献中不常见，并解释了两角色对同一规则的不对称响应。数量胜出扩大合作区域，但不必然提高实现的f_TR。随机二部网络进一步表明：收益胜出可容忍几何缺失，数量胜出依赖晶格小而重叠的模仿邻域；度异质性通过承载角色与收益聚合方式非对称地影响合作，平均收益可恢复成对规则下的合作。与对称囚徒困境中分离互动网络和模仿网络可促进合作不同，在固定角色信任博弈中UI在任何考察结构均不维持合作，原因在于受托者没有囚徒困境合作者那种被集群保护的内部位置，背叛在每次互动中占优。管理启示：该固定角色架构对应平台与用户、雇主与雇员、贷款人与借款人、买方与卖方等持久不对称关系；稳定团队与伙伴匹配可能促进局部角色相关，人员高流动或系统多样化配对可能削弱该相关，但原文强调这些仅是模型基础上的可检验推测，未纳入制度细节、声誉系统和异质激励。局限包括：研究完全为计算性，需无限种群解析与真实信任数据实证；仅二元策略，需连续投资与返还；可扩展到声誉、激励、标签机制及AI—人混合种群。