面向大规模参与式预算的信任激励驱动共识反馈机制

《Mathematics》:A Trust Incentive-Driven Consensus Feedback Mechanism for Large-Scale Participatory Budgeting

【字体: 大 中 小 】 时间:2026年08月29日 来源:Mathematics 2.3

编辑推荐:

  大规模参与式预算(PB)在项目实施选择前缺乏调和居民偏好分歧的机制。常规共识反馈机制难以在此场景下部署,因为匿名选票无法直接支撑个性化反馈,而逐人调整在人口规模下计算不可行。为此,研究人员提出了一种信任激励驱动的共识反馈机制,将选票转化为结构与行为信号。研究人

  
大规模参与式预算(PB)在项目实施选择前缺乏调和居民偏好分歧的机制。常规共识反馈机制难以在此场景下部署,因为匿名选票无法直接支撑个性化反馈,而逐人调整在人口规模下计算不可行。为此,研究人员提出了一种信任激励驱动的共识反馈机制,将选票转化为结构与行为信号。研究人员应用模糊c均值(FCM)识别重叠偏好群体,并据此构建群体中介代理信任(proxy trust),同时利用所支持项目的成本推断居民风险态度。这些信号被纳入扩展交互信任函数(E-ITF)与有界共识模型,生成差异化的信任激励与居民特定调整界限。随后,研究人员提出信任激励驱动有界共识(TIBC)算法,批量识别不一致居民,确定有界调整系数,并迭代更新偏好、代理信任与居民权重。最后,研究人员基于真实市政PB案例评估所提机制。TIBC算法在两轮迭代内达到通用共识目标,同时保持子群体共识平衡。这些发现为决策者在无观测人际信任数据下,将共识反馈透明且可扩展地嵌入匿名PB提供了途径。
研究背景方面,参与式预算(PB)旨在让居民直接影响公共支出,但多数PB流程退化为单轮投票计票,缺乏定稿前的结构化偏好交换。无审议过程时,偏好偏离多数的居民被简单否决而非被吸纳,实证评估确认边缘群体在分配中系统性代表性不足。将审议共识转入大规模匿名PB面临三缺口:其一,匿名选票下潜在关系与行为信息缺失,现有PB研究聚焦选票聚合与预算约束下组合选择,未构建迭代共识所需关系信息;其二,异质调整与子群体共识平衡缺失,现有方法以统一速率压迫异见者趋同,或以惩罚权重抑制分歧,强化学习策略无可验证规则保障少数偏好不被吞没;其三,反馈可扩展性不足,既有信任激励反馈逐人识别调整,千级居民下低效。该研究由此开展。
研究人员开展的研究及结论:构建选票派生信息层(类别偏好轮廓→重叠模糊群体+群体中介代理信任,支持项目成本轮廓→风险态度代理),扩展Ji等交互信任函数(ITF)为E-ITF并引入有界共识模型,提出TIBC算法批量调整不一致居民,以阿姆斯特丹Centrum Begroot 2020实例(N=487居民,85项目,5类,3邻里,总预算�500000)验证。结果表明TIBC两轮达共识阈值0.900,30次随机初始化全收敛,最终组合含43项目(与官方结果Jaccard相似度1.000),保险型子群体终共识最高(0.946),证明匿名PB可在无人际信任数据下透明嵌入共识反馈且少数保护不牺牲速度。论文发表于《Mathematics》。
主要关键技术方法(≤250字):采用模糊c均值(FCM)对居民类别偏好向量聚为c=4软成员群体,Xie–Beni指标定群数;由类别偏好余弦相似与群体共成员度构造两级代理信任(组间矩阵TG与个体-组向量uik);以所支持项目归一化平均成本定义风险态度指数ρi,分Risky/Neutral/Insurance三类并配E-ITF曲率参数α、损失厌恶λ;将有界调整上界Λit嵌入线性规划M-2求批量调整系数βit∈[0,Λit];TIBC算法每轮批量识最小共识个体集MCIt、解M-2、同步更新原始代理信任tjit与行归一化t?jit、由最小距离模型推权重wit;终止后以共识加权得分sp解背包式组合选择M-3。样本为Amsterdam Centrum Begroot 2020公开PB数据集。
研究结果各节浓缩如下。
第2节预备知识形式化PB为大规模群决策(LSGDM),定义类别偏好强度ri,k(式3–4)、集体偏好vt(式5)、个体共识度ICDit(式6)、群体共识度GCDt(式7)及MCIt集(式9),推荐调整式pit+1=pit+βit(vt?pit)(式10)。
第3节信任激励驱动共识反馈机制:3.1节用FCM(式13–17)得成员矩阵U与质心Ck,由相似sim(i,j)(式18)与组共成员构建代理信任τij(式19–20)及两级结构;3.2节由ρi(式22)分三类,E-ITF(式23–25)以组共成员因子φij(式24)调制信任奖励,风险参数使Risky凹响应、Insurance凸响应;3.3节偏好调整后更新τjit+1(式26–27),最小距离模型(式29–30)推权重,命题2证内点解wit∝(∑jt?jit)?1,命题3证单目标信任增则调者权重严格增;有界上界Λit(式32)入M-1(式33–34),命题4证等价于线性规划M-2(式35–36)。
第4节TIBC算法:初始化→算GCDt→未达阈则识MCIt→解M-2得βit→批量更新τ与w→迭代;块化存储将O(n2)内存降至O(bn)。定理1证GCDt非降(联合更新单调条件),定理2证有限轮终止。4.4节终态以wiT算项目共识加权得分sp(式38),解M-3(式39–41)得组合xp*。
第5节案例:Amsterdam数据集预处理得ri,k,Xie–Beni选c=4(指标0.7481),组质心显示组1偏公共空间、组3偏绿色、组4偏其他;ρ均值0.524(�2620)标准差0.118(�590),Insurance占9.52%、Risky11.12%、Neutral79.36%。TIBC设θ=0.900、δ=0.05、αRisky=0.8、αIns=1.2、λRisky=0.7、λIns=1.3,30次种子全3轮内达阈(文述摘要两轮为批次口径),终GCD=0.946,Insurance子群ICD从0.831升至0.946高于Neutral终值0.946,权重份额Insurance9.52%→11.74%;组合43项耗�476750(95.35%)。基准1无反馈GCD=0.8702;基准2(Ji等单MCI)需4015轮;基准3(MARL-PB)332轮;TIBC两批。最小子群共识TIBC=0.9457最高。敏感分析:α增则轮数降,c=3/4/5与θ=0.85/0.90下Λi轨迹解释收敛速度。
第6节结论翻译浓缩:该研究回答“PB在真实规模可否恢复共识而不牺牲被保护居民”之问,结论为——当反馈按居民自身行为信号校准,快速收敛与少数代表不冲突。发现一,选票派生的代理信任非退化替代,同组信任超异组且非随机;发现二,批量设计使Amsterdam实例自4000余轮降至2轮,GCD单调非降有证;发现三,Insurance子群初始最低却终共识不最低,因E-ITF按风险态度予奖励而非压异见者趋同。机制复现真实市政19/22项目,敏感分析示群数c为可调结构杠杆。局限:风险分类固定不演化,成本代理或混成本偏好与心理风险;类别级偏好需扩至排序/累积选票。未来可结合验证量表与动态校准、扩 ballot 格式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号