博弈论——劳资博弈

news/2024/11/30 13:39:56/

劳资博弈

0 引言

    前一篇文章介绍了静态博弈中常见的几个案例以及场景,并且在此之前也还介绍过斯塔克尔伯格博弈等动态博弈,以及相关的解决方法——反应函数法。今天我们继续介绍一个常见的动态博弈——劳资博弈,并利用反应函数解决!

1 劳资博弈

    劳资博弈是一个工会和厂商之间的博弈模型。该模型假设工资完全由工会决定,厂商决定雇佣工人的数量,博弈过程是(1)先由工会决定工资率,(2)然后厂商决定雇佣多少工人。
注意,工会代表的是工人群体,其不只追求较高的工资,还会希望较多的工人得到雇佣,高工资加高失业率不符合工会利益,低工资实现的高就业也不符合工会利益。因此,工会的效用(utility)是工资率和雇佣工人数两者的函数 u = u ( W , L ) u=u(W,L) u=u(W,L)。其中,W和L分别表示工资率(可理解为单位成本)和厂商雇佣工人数。为了简便起见,假设工资率和雇佣数都连续可分,即W、L是连续型变量
假设厂商只关心利润,利润是收益和成本之差。假设收益是关于工人数的函数 R ( L ) R(L) R(L),再假设只有劳动成本,总成本C等于工资率乘以工人数
C = W × L C=W×L C=W×L
则厂商的利润函数是关于工资率以及工人人数的函数:
π = π ( W , L ) = R ( L ) − W L π=π(W,L)=R(L)-WL π=π(W,L)=R(L)WL
用逆推归纳法分析这个博弈。
(1)第一步先分析第二阶段厂商的选择,也就是厂商对工会选择的工资率W的反应函数L(W)
厂商实现自己最大得益(利润)的雇佣工人数L是以下最大值问题的解:
m a x L ≥ = 0 ⁡ π ( W , L ) = m a x L ≥ = 0 ( R ( L ) − W L ) \underset{L≥=0}{max}⁡π(W,L)= \underset{L≥=0}{max}(R(L)-WL) L≥=0maxπ(W,L)=L≥=0max(R(L)WL)
将上述函数对L求偏导得:
∂ π ( W , L ) ∂ L = R ′ ( L ) − W \frac{∂π(W,L)}{∂L}=R'(L)-W Lπ(W,L)=R(L)W
∂ π ( W , L ) / ∂ L = 0 ∂π(W,L)/∂L=0 π(W,L)/L=0得:
R ′ ( L ) = W R'(L)=W R(L)=W

能使该等式成立的L便是厂商实现最大利润的雇佣工人数,也就是给定工会选择的工资率W时厂商的最优雇佣工人数。

(2)第二步回到第一阶段工会的选择
工会了解厂商的决策方法,完全清楚对应自己选择的每种工资率W,厂商将会根据上述方式决定雇佣数 L ∗ ( W ) L^* (W) L(W)。因此,工会的决策问题是选择 W ∗ W^* W,使它是下列最大值函数的解:
m a x W ≥ = 0 π [ W , L ∗ ( W ) ] \underset{W≥=0}{max}π[W,L^* (W)] W≥=0maxπ[W,L(W)]
在不给出 π ( W , L ) π(W,L) π(W,L) R ( L ) R(L) R(L)等具体函数时,给模型得这里已经求解完毕,接下来我们结合图像对该模型进一步进行解释!

2 图像

我们继续研究 R ′ ( L ) = W R' (L)=W R(L)=W,它的经济意义是厂商增加雇佣的边际收益,也就是雇佣最后一单位劳动增加的收益,等于雇佣一单位劳动的边际成本(W),本模型中也是平均成本,即工资率

首先以L为横坐标,R为纵坐标建立坐标系:
(1)可以绘制WL是该坐标系上过原点的,以W为斜率的射线(L≥0);
(2)假设R(L)不是直线,而是曲线:
在这里插入图片描述

R ′ ( L ) = W R'(L)=W R(L)=W的几何意义为,当曲线R(L)的斜率等于W,也就是说当曲线R(L)在某点 L ∗ L^* L上的切线与WL平行时,此时的该点的横坐标 L ∗ L^* L便是厂商实现最大利润的雇佣工人数,也就是给定工会选择的工资率W时厂商的最优雇佣工人数 L ∗ ( W ) L^* (W) L(W)
在这里插入图片描述

此时, R ( L ∗ ) R(L^*) R(L)的切线与WL平行,即在 L ∗ = L ∗ ( W ) L^*=L^* (W) L=L(W)处,R(L)与WL之间距离 R ( L ) − W L R(L)-WL R(L)WL(厂商的利润)最大!

3 实例验证

假设厂商收益函数 R ( L ) = 10 L − L 2 R(L)=10L-L^2 R(L)=10LL2,则根据
∂ π ( W , L ) ∂ L = R ′ ( L ) − W = 0 \frac{∂π(W,L)}{∂L}=R' (L)-W=0 Lπ(W,L)=R(L)W=0
可得:
10 − 2 L − W = 0 10-2L-W=0 102LW=0
进一步得:
L ∗ ( W ) = ( 10 − W ) / 2 L^* (W)=(10-W)/2 L(W)=(10W)/2
再假设
π ( W , L ) = W 1 / 2 L 1 / 2 π(W,L)=W^{1/2}L^{1/2} π(W,L)=W1/2L1/2

π [ W , L ∗ ( W ) ] = W 1 / 2 ( 10 − W 2 ) 1 / 2 = ( 10 W − W 2 2 ) 1 / 2 π[W,L^* (W)]=W^{1/2} (\frac{10-W}{2})^{1/2}=(\frac{10W-W^2}{2})^{1/2} π[W,L(W)]=W1/2(210W)1/2=(210WW2)1/2
π [ W , L ∗ ( W ) ] π[W,L^* (W)] π[W,L(W)]最大值即求 ( 10 W − W 2 ) / 2 (10W-W^2)/2 (10WW2)/2的最大值,令其一阶导为0可得:
10 − 2 W = 0 ⇒ W ∗ = 5 10-2W=0⇒W^*=5 102W=0W=5
进一步得到
L ∗ ( W ∗ ) = ( 10 − 5 ) / 2 = 2.5 L^* (W^* )=(10-5)/2=2.5 L(W)=(105)/2=2.5
所以 ( W , L ) = ( 5 , 2.5 ) (W,L)=(5,2.5) (W,L)=(5,2.5)是该博弈的子博弈完美纳什均衡!


http://www.ppmy.cn/news/1132344.html

相关文章

给奶牛做直播之三

​一、前言 上一篇给牛奶做直播之二 主要讲用RTMP搭建点播服务器,整了半天直播还没上场,今天不讲太多理论的玩意,奶牛今天放假了也不出场,就由本人亲自上场来个直播首秀,见下图,如果有兴趣的话&#xff0…

【Java每日一题】——第十六题:将数组元素逆序并遍历输出。(2023.09.30)

🕸️Hollow,各位小伙伴,今天我们要做的是第十五题。 🎯问题: 设有数组如下:int[] arr{11,34,47,19,5,87,63,88}; 测试结果如下: 🎯 答案: int a[]new int [10];Random …

基于Java的在线听歌平台设计与实现(源码+lw+部署文档+讲解等)

文章目录 前言具体实现截图论文参考详细视频演示为什么选择我自己的网站自己的小程序(小蔡coding)有保障的售后福利 代码参考源码获取 前言 💗博主介绍:✌全网粉丝10W,CSDN特邀作者、博客专家、CSDN新星计划导师、全栈领域优质创作…

进程的状态与转换以及组织方式

1.进程的状态 三种基本状态:运行态,就绪态,阻塞态。 1.运行状态 如果一个进程此时在CPU上运行,那么这个进程处于“运行态”。 CPU会执行该进程对应的程序(执行指令序列) 2.就绪状态 当进程创建完成后,…

点击、拖拉拽,BI系统让业务掌握数据分析主动权

在今天的商业环境中,数据分析已经成为企业获取竞争优势的关键因素之一。然而,许多企业在面对复杂的数据分析工具时,却常常感到困扰。这些工具往往需要专业的技术人员操作,而且界面复杂,难以理解和使用。对业务人员来说…

【生物信息学】计算图网络中节点的中心性指标:聚集系数、介数中心性、度中心性

目录 一、实验介绍 二、实验环境 1. 配置虚拟环境 2. 库版本介绍 3. IDE 三、实验内容 0. 导入必要的工具 1. 生成邻接矩阵simulate_G: 2. 计算节点的聚集系数 CC(G): 3.计算节点的介数中心性 BC(G) 4. 计算节点的度中心性 DC(G) 5. 综合centrality(G) 6. 代…

市场调研的步骤与技巧:助你了解市场需求

在当今快速发展的市场中,进行有效的市场研究对于了解消费者的行为、偏好和趋势至关重要。适当的市场研究可以帮助公司获得对目标受众的有价值的见解,创造更好的产品和服务,并提高客户满意度。今天,小编和大家一起讨论一下怎么做市…

[论文笔记]UNILM

引言 今天带来论文Unified Language Model Pre-training for Natural Language Understanding and Generation的笔记,论文标题是 统一预训练语言模型用于自然语言理解和生成。 本篇工作提出了一个新的统一预训练语言模型(Unifield pre-trained Language Model,UniLM),可以同…