ارزیابی تعادل نش در برابر استراتژیهای پایدار تکاملی در مدلسازی استراتژیک
در حالی که قضیه سال ۱۹۵۰ جان نش وضعیت پایداری را تعریف میکند که در آن هیچ بازیگر منطقیای نمیتواند به تنهایی نتیجه خود را بهبود بخشد، مدلهای بیولوژیکی پایداری تکاملی اغلب رفتار را در سیستمهایی که شرکتکنندگان از طریق آزمون و خطا یاد میگیرند، بهتر پیشبینی میکنند.
به قلم دلناز نورانی
این خبر را به اشتراک بگذارید
- نظریهپردازان کلاسیک بازی
- بر قطعیت ریاضی بازیگران منطقی که با داشتن اطلاعات کامل، مطلوبیت خود را به حداکثر میرسانند، تمرکز دارند.
- اقتصاددانان تکاملی
- استدلال میکنند که تعادل از طریق آزمون، خطا و بقا به دست میآید، نه از طریق محاسبات آگاهانه و آیندهنگرانه.
- استراتژیستهای اقتصاد کلان
- از مدلهای تعادلی برای توضیح بنبستهای شرکتی، استراتژیهای قیمتگذاری و طراحی نهادی استفاده میکنند.
دیدگاههایی که این گزارش پوشش نداده
- اقتصاددانان رفتاری که انحرافات غیرمنطقی از تعادل را مطالعه میکنند
- توسعهدهندگان معاملات الگوریتمی که این مدلها را در بازارهای زنده به کار میگیرند
چرا مهم است
درک تفاوت میان عقلانیت محاسبهشده و انطباق تکاملی توضیح میدهد که چرا الگوریتمهای معاملاتی خودکار، اکوسیستمهای بیولوژیکی و رقبای شرکتی اغلب بدون هیچگونه ارتباطی با یکدیگر، در بنبستهای قابل پیشبینی گرفتار میشوند.
در نوامبر ۱۹۵۰، یک دانشجوی تحصیلات تکمیلی ۲۲ ساله، رسالهای ۲۷ صفحهای در مجله Annals of Mathematics منتشر کرد که نحوه مدلسازی رفتار انسان توسط اقتصاددانان، زیستشناسان و استراتژیستهای نظامی را برای همیشه تغییر داد. جان فوربز نش جونیور ثابت کرد که در هر بازی با تعداد محدودی از بازیکنان و استراتژیها، حداقل یک وضعیت وجود دارد که در آن هیچ شرکتکنندهای نمیتواند با تغییر یکجانبه رویکرد خود، موقعیتش را بهبود بخشد.[1][4]
پیش از نش، نظریه بازیها — که توسط جان فون نویمان و اسکار مورگنسترن در سال ۱۹۴۴ پایهگذاری شد — عمدتاً به بازیهای مجموعصفر محدود میشد؛ جایی که سود یک بازیکن دقیقاً با زیان بازیکن دیگر برابر بود. نش این مرز ریاضی را به بازیهای غیرمشارکتی گسترش داد، جایی که همه بازیکنان میتوانستند به طور بالقوه برنده یا بازنده باشند، به شرطی که به وضعیتی از بهترین پاسخهای متقابل دست یابند.[1]
این مکانیزم در تئوری به شکلی ظریف ساده است، اما در عمل محاسبه آن به شدت دشوار است. تعادل نش زمانی رخ میدهد که بازیکن الف بهترین تصمیم ممکن را با در نظر گرفتن تصمیم بازیکن ب میگیرد، و بازیکن ب نیز بهترین تصمیم ممکن را با توجه به تصمیم بازیکن الف اتخاذ میکند. هیچکدام از انحراف از مسیر انتخابی خود سودی نمیبرند.[2]
نشریه بررسی کسبوکار مدرسه اقتصاد لندن (LSE) در این باره مینویسد: «تعادل نش وضعیتی است که در آن، با توجه به استراتژیهای انتخابشده توسط سایر بازیکنان، هیچ بازیکنی انگیزهای برای تغییر استراتژی خود ندارد.»[5]
در اقتصاد کلان، این پویایی توضیح میدهد که چرا شرکتهای رقیب اغلب قیمتهای یکسانی برای کالاهای مشابه تعیین میکنند، یا چرا کشورها وارد رقابتهای تسلیحاتی میشوند. موسسه UBS Global با تاکید بر این کاربرد، اشاره میکند که این چارچوب کمک میکند بفهمیم چرا انحصارات چندجانبه رقیب اغلب به بنبستی میرسند که نه به نفع شرکتهاست و نه مصرفکنندگان، اما از نظر ریاضی همچنان پایدار باقی میماند.[3]
با این حال، ادبیات بازاریابی پیرامون نظریه بازیها اغلب در مورد قدرت پیشبینی آن اغراق میکند. مشاوران و فروشندگان نرمافزار مرتباً «حلکنندههای تعادل نش» را به عنوان گوی بلورین برای پیشبینی رفتار بازار تبلیغ میکنند. اما واقعیتِ آنچه در ریاضیات نش ارائه شده بسیار محدودتر است: این مدل نیازمند آن است که بازیکنان کاملاً منطقی باشند و اطلاعات کاملی از دستاوردهای هر بازیکن دیگر داشته باشند.[6]
این الزام سختگیرانه به عقلانیت، منجر به ایجاد یک انشعاب مهم در این رشته شد. در سال ۱۹۷۳، جان مینارد اسمیت، زیستشناس، «استراتژی پایدار تکاملی» (ESS) را معرفی کرد و ریاضیات نش را برای جمعیتهایی از حیوانات که قادر به استراتژیپردازی آگاهانه نیستند، تطبیق داد.[5]
این الزام سختگیرانه به عقلانیت، منجر به ایجاد یک انشعاب مهم در این رشته شد.
یک ESS استراتژیای است که اگر توسط یک جمعیت اتخاذ شود، هیچ استراتژی جهشیافته جایگزینی نمیتواند به آن نفوذ کند. رابطه ریاضی بین این دو مفهوم سلسلهمراتبی است: هر ESS یک تعادل نش است، اما هر تعادل نشی لزوماً یک ESS محسوب نمیشود.[5]
این تمایز، دو روش کاملاً متفاوت برای نگاه به سیستمهای پیچیده را از هم جدا میکند. آیا شرکتکنندگان در حال محاسبه آینده هستند، یا صرفاً از گذشته جان سالم به در بردهاند؟[6]
اینوستوپدیا (Investopedia) اشاره میکند که «معمای زندانی» کلاسیک، محدودیتهای تعادل نش را به خوبی نشان میدهد: دو بازیگر منطقی به یکدیگر خیانت میکنند و پنج سال حبس میکشند، زیرا همکاری برای گرفتن حکم یک ساله، آنها را در معرض خطر حکم بیست ساله در صورت خیانت طرف مقابل قرار میدهد. این تعادل پایدار است، اما به وضوح بهینهترین حالت نیست.[2]
تحت چارچوب ESS، یک جمعیت متشکل از خیانتکاران مطلق ممکن است در نهایت توسط یک سویه جهشیافته از همکاران «این به آن در» که یکدیگر را میشناسند، مورد هجوم قرار گیرد. این امر پویایی جمعیت را در طول هزاران نسل تغییر میدهد، بدون اینکه هیچ بازیگر واحدی نیاز به محاسبه ماتریس دستاوردها داشته باشد.[5][6]
امروزه، این تمایز در هوش مصنوعی و معاملات الگوریتمی اهمیت عمیقی دارد. وقتی رباتهای معاملاتی با فرکانس بالا در استخرهای تاریک (Dark Pools) با هم تعامل میکنند، آیندهنگری کاملی ندارند. آنها از طریق یادگیری تقویتی آموزش میبینند، که باعث میشود مدل ESS توصیفکننده بسیار دقیقتری برای رفتار آنها نسبت به چارچوب کلاسیک نش باشد.[6]
همانطور که شبکه PBS در مستند نگاهی به گذشته زندگی نش ثبت کرده است، ریاضیات او راهی برای پیشبینی آنچه در زمان درگیری افراد یا نهادها رخ میدهد ارائه داد، اما این مدل بر نسخه ایدهآلی از منطق انسانی تکیه داشت که به ندرت در مواجهه با دنیای واقعی دوام میآورد.[4]
تعادل کلاسیک نش همچنان به عنوان خط پایه و بنیادین باقی میماند. این مدل، گرانش ریاضی یک موقعیت استراتژیک را تعریف میکند. اما این انطباقهای تکاملیِ آن نظریه هستند که در واقع توصیف میکنند چگونه سیستمها در طول زمان در این چاههای گرانشی مستقر میشوند.[5][6]
کاربرد واقعی تعادل نش در سال ۲۰۲۶ نه به عنوان یک موتور پیشبینیکننده برای رفتار انسان، بلکه به عنوان یک ابزار تشخیصی است. وقتی یک بازار یا سیستم سیاسی نمیتواند به تعادل پیشبینیشده برسد، مدل شکست نخورده است؛ بلکه با موفقیت تشخیص داده که یکی از مفروضات اصلی آن — اطلاعات کامل، عقلانیت کامل، یا عدم وجود قراردادهای الزامآور — در دنیای واقعی نقض شده است.[6]
بررسی عمیق دیدگاهها
تعادل کلاسیک نش
بازیگران آیندهنگر و کاملاً منطقی با اطلاعات کامل را فرض میگیرد.
چارچوب کلاسیک در محیطهای به شدت ساختاریافته مانند مزایدههای طیف فرکانسی یا انطباق با مقررات، جایی که شرکتکنندگان زمان و منابع لازم برای ترسیم هر ماتریس دستاورد ممکنی را دارند، عالی عمل میکند. استدلال موافق این مدل بر جهانشمولی ریاضی آن استوار است: نش ثابت کرد که هر بازی متناهی حداقل یک تعادل از این دست دارد. با این حال، شواهد علیه کاربرد آن در دنیای واقعی قابل توجه است. این مدل زمانی که شرکتکنندگان دارای عقلانیت محدود هستند، زمانی که اطلاعات نامتقارن است، یا زمانی که بازی دارای تعادلهای چندگانه بدون مکانیزم مشخصی برای هماهنگی بازیکنان روی بهترین گزینه است، دچار مشکل میشود. این چارچوب برای تحلیل طراحی نهادی و استراتژی شرکتی مناسب است؛ اما برای مدلسازی رفتار جمعیت یا فروش عصبی در بازار کاربردی ندارد.
استراتژی پایدار تکاملی (ESS)
جمعیتهای گذشتهنگر و تطبیقپذیر را فرض میگیرد که توسط آزمون، خطا و نرخهای بقا هدایت میشوند.
چارچوب ESS نیاز به عقلانیت آگاهانه را کنار میگذارد. به جای پرسیدن اینکه یک نابغه چه چیزی را محاسبه میکند، میپرسد که یک جمعیت به طور طبیعی در طول هزاران تکرار در چه وضعیتی مستقر خواهد شد. استدلال موافق ESS به شدت توسط دادههای تجربی در زیستشناسی، معاملات الگوریتمی و یادگیری ماشین پشتیبانی میشود، جایی که عاملها تعادل را از طریق یادگیری تقویتی به جای آیندهنگری 'یاد میگیرند'. محدودیت اصلی این است که برای رسیدن به ثبات، به جمعیت بزرگ و تعاملات مکرر نیاز دارد؛ این مدل نمیتواند نتیجه یک رویارویی استراتژیک یکباره و پرخطر را پیشبینی کند. این چارچوب برای تحلیل سیستمهای خودکار، زیستشناسی تکاملی و روندهای بلندمدت بازار مناسب است؛ اما برای تحلیل یک بحران ژئوپلیتیک منفرد یا یک ادغام شرکتی منحصربهفرد کاربردی ندارد.
آنچه نمیدانیم
- چگونه نظریه بازیهای کوانتومی ممکن است تعاریف تعادل را در سیستمهایی که بر احتمالات کلاسیک تکیه ندارند، تغییر دهد.
- اینکه آیا هوش مصنوعی جامع به سمت عقلانیت کلاسیک نش همگرا خواهد شد یا وضعیتهای تعادلی کاملاً جدیدی ایجاد خواهد کرد.
نکات کلیدی
- قضیه سال ۱۹۵۰ جان نش ثابت کرد که هر بازی متناهی شامل حداقل یک وضعیت پایدار است که در آن هیچ بازیکنی نمیتواند به تنهایی نتیجه خود را بهبود بخشد.
- چارچوب کلاسیک نیازمند آن است که شرکتکنندگان دارای عقلانیت کامل و اطلاعات جامع درباره تمام دستاوردهای ممکن باشند.
- در سال ۱۹۷۳، استراتژی پایدار تکاملی (ESS) این مفهوم را برای جمعیتهایی که از طریق آزمون و خطا یاد میگیرند، به جای آیندهنگری، تطبیق داد.
- در حالی که تعادل کلاسیک نش برای طراحی ساختاریافته نهادی مناسب است، ESS رفتار سیستمهای خودکار و عاملهای یادگیری ماشین را بهتر پیشبینی میکند.
منابع
پوشش منابع
6 منبع
3 دیدگاه شناساییشده
- [1]Britannicaنظریهپردازان کلاسیک بازی
Nash equilibrium
مطالعه در Britannica → - [2]Investopediaنظریهپردازان کلاسیک بازی
Nash Equilibrium
مطالعه در Investopedia → - [3]UBS Globalاستراتژیستهای اقتصاد کلان
Nash equilibrium: How it works in macroeconomics
مطالعه در UBS Global → - [4]PBSنظریهپردازان کلاسیک بازی
The Nash Equilibrium
مطالعه در PBS → - [5]LSE Blogsاقتصاددانان تکاملی
What is the difference between a Nash equilibrium and evolutionary stable strategy?
مطالعه در LSE Blogs → - [6]تیم سردبیری کوهستاناقتصاددانان تکاملی
تحلیل تیم سردبیری کوهستان
مطالعه در تیم سردبیری کوهستان →
نظرات
بیشتر در متا
مشاهده همه →مثلث تقلب
چگونه «مثلث تقلب» فرصت، انگیزه و توجیه را در جرایم شغلی از هم تفکیک میکند
10 منبع
سیستمهای تصویر نقشه
چرا غیرممکن بودن حفظ همزمان مساحت و زاویه، انتخاب نقشه را به ما دیکته میکند؟
6 منبع
معماری پایگاه داده
چگونه Write-Ahead Logging و Two-Phase Locking اتمیسیته و ایزولاسیون را در پایگاههای داده رابطهای تضمین میکنند
6 منبع
مسئولیت شرکتی
مسئولیت جدید اقلیمی: چگونه دادگاهها غولهای سوخت فسیلی را مجبور به پاسخگویی در قبال انتشار گازهای گلخانهای دامنه ۳ میکنند
2 منبع
هر زاویه. هر روز.
دریافت متا اخبار همراه با پوشش کامل منابع و تحلیل دیدگاهها، مستقیم در صندوق ورودی شما.