机制设计与拍卖理论

显示原理、激励相容、VCG机制、收入等价与最优拍卖

第 8 讲：机制设计与拍卖理论

本章导学

机制设计把微观经济学的问题方向反过来：不是给定规则后预测结果，而是先给定目标，再设计规则让理性参与者愿意走向这个目标。本章是信息经济学和博弈论的交汇点，也是理解拍卖、平台规则、公共项目和市场设计的核心入口。

学完本章后，你应当能够：

写出社会选择函数、直接机制、间接机制和类型空间。
判断一个机制是否满足激励相容和参与约束。
用显示原理把复杂机制转化为直接机制来分析。
推导 Vickrey 拍卖、VCG 支付、收入等价和简单最优拍卖结果。

常见题目会让你设计或检验一个机制：谁获得物品、谁支付多少钱、是否如实报告、是否愿意参与。答题时不要只说“VCG 激励相容”，要能说明每个参与者支付的是其存在给他人造成的外部性。

本章从第 7 章的私人信息问题出发，向后连接第 10 章的公共物品机制和第 11 章的实际市场设计。它标志着课程从“解释市场”进入“设计市场”。

经济动机 (Economic Motivation)

传统的经济学分析通常是给定一个市场制度（如完全竞争），然后分析其结果。机制设计理论 (Mechanism Design Theory) 则反其道而行之：它先设定一个我们想要达成的目标（如效率、收益最大化、公平性），然后反向设计一套"游戏规则"（即机制 mechanism），来引导理性的参与者通过自身利益最大化的行为来达到这个预设的目标。

这被誉为**"经济学的工程学" (Economic Engineering)**。

核心问题

假设社会规划者（政府、拍卖行、平台）需要做出某个决策（如资源分配、公共项目选择），但关键信息（如个人估值、成本）是参与者的私人信息。如何设计一套机制，使得：

激励相容 (Incentive Compatibility, IC)：参与者有动机真实报告私人信息
达成目标：实现效率（资源配给最高估值者）或收益最大化
参与约束 (Participation Constraint, PC)：参与者愿意参与

历史与影响

Leonid Hurwicz（2007年诺贝尔奖）：机制设计理论奠基人
Roger Myerson 和 Eric Maskin（2007年诺贝尔奖）：最优拍卖和机制设计的一般理论
William Vickrey（1996年诺贝尔奖）：二级价格拍卖（Vickrey拍卖）
Paul Milgrom 和 Robert Wilson（2020年诺贝尔奖）：拍卖理论及其在频谱拍卖中的应用

二、显示原理 (Revelation Principle)

2.1 定理陈述

显示原理：对于任何机制及其均衡结果，存在一个激励相容的直接机制能够实现相同的结果分布。

含义：

我们可以将注意力限制在直接机制上
无需考虑复杂的间接机制
"让参与者说真话"是无损一般性的

2.3 应用价值

显示原理极大地简化了机制设计问题：

之前：需要考虑所有可能的机制和均衡
之后：只需考虑IC约束下的直接机制

这使得机制设计问题变成了一个约束优化问题：

\max_{f} \text{目标函数}(f)

\text{s.t. IC和PC约束}

三、Vickrey-Clarke-Groves (VCG) 机制

3.1 单物品拍卖：Vickrey拍卖

问题：一个不可分物品， $N$ 个潜在买家，每个买家对物品的估值 $\theta_i$ 是私人信息。

目标：效率配置（物品给估值最高者）

Vickrey拍卖（二级价格密封拍卖）：

每个买家密封出价 $b_i$
最高出价者获得物品
支付第二高的出价

定理：在Vickrey拍卖中， $b_i = \theta_i$ （真实出价）是优势策略。

证明：

考虑买家 $i$ ，估值 $\theta_i$ ，其他人最高出价为 $b^* = \max_{j \neq i} b_j$ 。

情形1： $b_i > b^*$ （ $i$ 获胜）

效用： $u_i = \theta_i - b^*$

情形2： $b_i < b^*$ （ $i$ 失败）

效用： $u_i = 0$

情形3： $b_i = b^*$ （平局，随机打破）

现在考虑 $i$ 的出价策略：

如果 $\theta_i > b^*$ ：
- 出价 $b_i > b^*$ 获得效用 $\theta_i - b^* > 0$
- 出价 $b_i < b^*$ 获得效用 $0$
- 最优： $b_i > b^*$ ，真实出价 $b_i = \theta_i$ 可行
如果 $\theta_i < b^*$ ：
- 出价 $b_i > b^*$ 获得效用 $\theta_i - b^* < 0$ （亏损）
- 出价 $b_i < b^*$ 获得效用 $0$
- 最优： $b_i < b^*$ ，真实出价 $b_i = \theta_i$ 可行
如果 $\theta_i = b^*$ ：
- 任何出价策略效用都是 $0$ （获胜支付 $b^* = \theta_i$ ，失败得 $0$ ）
- 真实出价无差异

结论：无论 $b^*$ 如何（即无论其他人如何出价）， $b_i = \theta_i$ 都是（弱）最优的。这是优势策略。

效率性：由于所有人真实出价，最高出价者就是估值最高者，实现了效率配置。

3.2 一般VCG机制

推广：多物品、公共项目等更一般的社会选择问题

VCG支付规则：

对于每个参与者 $i$ ：

选择社会最优结果 $x^*(\theta)$ 最大化总效用： $x^*(\theta) = \arg\max_{x \in X} \sum_{j=1}^N u_j(x, \theta_j)$
参与者 $i$ 的支付： $t_i(\theta) = \sum_{j \neq i} u_j(x^*(\theta_{-i}), \theta_j) - \sum_{j \neq i} u_j(x^*(\theta), \theta_j)$
其中 $x^*(\theta_{-i})$ 是去除 $i$ 后的社会最优。

解释：

$t_i$ 是 $i$ 的存在对其他人造成的外部性（负的外部性）
$i$ 需要补偿其他人因为 $i$ 的参与而遭受的损失
这被称为Pivotal支付（当 $i$ 改变结果时才支付）

激励相容性（Clarke 1971）：

参与者 $i$ 的净效用：

U_i(\theta) = u_i(x^*(\theta), \theta_i) - t_i(\theta)

代入 $t_i$ ：

U_i(\theta) = u_i(x^*(\theta), \theta_i) + \sum_{j \neq i} u_j(x^*(\theta), \theta_j) - \sum_{j \neq i} u_j(x^*(\theta_{-i}), \theta_j)

如果 $i$ 谎报为 $\hat{\theta}_i$ ，结果变为 $x^*(\hat{\theta}_i, \theta_{-i})$ ，其净效用为：

U_i(\hat{\theta}_i, \theta_{-i}) = u_i(x^*(\hat{\theta}_i, \theta_{-i}), \theta_i) + \sum_{j \neq i} u_j(x^*(\hat{\theta}_i, \theta_{-i}), \theta_j) - \sum_{j \neq i} u_j(x^*(\theta_{-i}), \theta_j)

由于 $x^*(\theta)$ 最大化总效用：

u_i(x^*(\theta), \theta_i) + \sum_{j \neq i} u_j(x^*(\theta), \theta_j) \geq u_i(x^*(\hat{\theta}_i, \theta_{-i}), \theta_i) + \sum_{j \neq i} u_j(x^*(\hat{\theta}_i, \theta_{-i}), \theta_j)

因此 $U_i(\theta) \geq U_i(\hat{\theta}_i, \theta_{-i})$ ，真实报告是优势策略。

3.3 VCG的局限性

优点：

激励相容（优势策略）
实现效率配置

缺点：

收益不是最优（对卖家来说）
预算不平衡：在某些问题中，总支付可能不足以覆盖成本
易受合谋影响：多个参与者合谋可以操纵结果
需要准线性效用： $u_i(x, \theta_i) = v_i(x, \theta_i) + m_i$ （货币线性）

四、拍卖理论 (Auction Theory)

4.1 标准拍卖格式

独立私人估值模型 (Independent Private Values, IPV)：

$N$ 个竞标者，每个估值 $\theta_i$ 独立同分布于 $[0, \bar{\theta}]$
分布函数 $F(\theta)$ ，密度函数 $f(\theta)$

四种经典拍卖：

拍卖类型	英文名	价格形成	支付
英式拍卖	English (Ascending)	公开递增	略高于第二高估值
荷式拍卖	Dutch (Descending)	公开递减	第一个接受的价格
一级价格密封	First-Price Sealed-Bid (FPSB)	密封出价	自己的出价
二级价格密封	Second-Price Sealed-Bid (Vickrey)	密封出价	第二高出价

4.2 拍卖等价性

策略等价：

英式 ≡ 二级价格：都是真实出价（估值）
荷式 ≡ 一级价格：都需要在出价中考虑"遮阴"策略

收入等价定理（后面详细证明）：在IPV模型下，这四种拍卖的期望收益相同。

4.3 一级价格拍卖的均衡

在一级价格密封拍卖中，真实出价不是最优策略（如果真实出价且获胜，净效用为0）。

对称贝叶斯纳什均衡 (Symmetric BNE)：

假设其他人使用相同的出价函数 $b(\theta)$ （严格递增），参与者 $i$ 估值 $\theta_i$ ，选择出价 $b_i$ 。

获胜概率： $\Pr(\text{win}) = \Pr(b_i > b(\theta_j), \forall j \neq i)$

如果 $b(\cdot)$ 严格递增，等价于 $\Pr(\theta_j < b^{-1}(b_i), \forall j \neq i) = [F(b^{-1}(b_i))]^{N-1}$

期望效用：

U_i(b_i | \theta_i) = [F(b^{-1}(b_i))]^{N-1} \cdot (\theta_i - b_i)

一阶条件（设 $b_i = b(\theta_i)$ ）：

\frac{\partial U_i}{\partial b_i} = (N-1)[F(b^{-1}(b_i))]^{N-2} f(b^{-1}(b_i)) \frac{1}{b'(b^{-1}(b_i))} (\theta_i - b_i) - [F(b^{-1}(b_i))]^{N-1} = 0

在对称均衡中， $b^{-1}(b_i) = \theta_i$ ，简化为：

(N-1) f(\theta_i) (\theta_i - b(\theta_i)) = F(\theta_i)^{N-1} b'(\theta_i)

整理：

b'(\theta_i) F(\theta_i)^{N-1} + b(\theta_i) (N-1) F(\theta_i)^{N-2} f(\theta_i) = (N-1) \theta_i F(\theta_i)^{N-2} f(\theta_i)

左边是 $\frac{d}{d\theta_i}[b(\theta_i) F(\theta_i)^{N-1}]$ ，因此：

\frac{d}{d\theta_i}[b(\theta_i) F(\theta_i)^{N-1}] = (N-1) \theta_i F(\theta_i)^{N-2} f(\theta_i)

两边从 $0$ 到 $\theta_i$ 积分（边界条件 $b(0) = 0$ ）：

b(\theta_i) F(\theta_i)^{N-1} = \int_0^{\theta_i} (N-1) s F(s)^{N-2} f(s) ds

b(\theta_i) = \frac{1}{F(\theta_i)^{N-1}} \int_0^{\theta_i} (N-1) s F(s)^{N-2} f(s) ds = E[\theta_{(N-1)} | \theta_{(N)} = \theta_i]

其中 $\theta_{(k)}$ 是第 $k$ 高的估值。

解释：在一级价格拍卖中，你的出价应该等于"在你获胜的条件下，第二高估值的期望值"。

4.4 均匀分布的例子

假设 $\theta_i \sim U[0, 1]$ ， $N = 2$ 。

二级价格拍卖：

均衡： $b_i = \theta_i$
卖家收益： $R_{VP} = E[\theta_{(1)}]$ （第二高估值）

对于 $U[0,1]$ ，第二高估值的分布：

F_{\theta_{(1)}}(x) = \Pr(\text{both} \leq x) = x^2

E[\theta_{(1)}] = \int_0^1 x \cdot 2x dx = \frac{2}{3}

一级价格拍卖：使用公式， $F(\theta) = \theta$ ：

b(\theta_i) = \frac{1}{\theta_i} \int_0^{\theta_i} s \cdot 1 ds = \frac{1}{\theta_i} \cdot \frac{\theta_i^2}{2} = \frac{\theta_i}{2}

卖家收益：

R_{FP} = E[b(\theta_{(2)})] = E\left[\frac{\theta_{(2)}}{2}\right] = \frac{1}{2} E[\theta_{(2)}]

第一高估值的分布：

E[\theta_{(2)}] = \int_0^1 x \cdot 2(1-x) dx = \int_0^1 (2x - 2x^2) dx = 1 - \frac{2}{3} = \frac{4}{3}

不对！重新计算：

f_{\theta_{(2)}}(x) = 2x \cdot 1 = 2x \quad (x \in [0,1])

E[\theta_{(2)}] = \int_0^1 x \cdot 2x dx = \frac{2}{3}

这不对，应该是最大值...

更正： $N=2$ ，最大值的密度 $f_{\max}(x) = 2F(x)f(x) = 2x$ ，因此：

E[\theta_{(2)}] = E[\max] = \int_0^1 x \cdot 2x dx = \frac{2}{3}

等等，这是错的。对于 $U[0,1]$ ：

最大值的期望： $E[\max(\theta_1, \theta_2)] = \frac{2}{3}$
最小值的期望： $E[\min(\theta_1, \theta_2)] = \frac{1}{3}$

一级价格收益：

R_{FP} = E[b(\max)] = E\left[\frac{\max}{2}\right] = \frac{1}{2} \cdot \frac{2}{3} = \frac{1}{3}

二级价格收益：

R_{VP} = E[\min] = \frac{1}{3}

收入等价： $R_{FP} = R_{VP} = \frac{1}{3}$ ！

五、收入等价定理 (Revenue Equivalence Theorem)

5.1 定理陈述

收入等价定理 (Myerson 1981)：

在独立私人估值模型下，假设两个拍卖机制满足：

具有相同的配置规则（同样的类型向量导致同样的赢家）
对于某个类型（如 $\theta_i = 0$ ），参与者的期望效用相同

则这两个机制给卖家带来的期望收益相同，且所有类型的参与者的期望效用相同。

5.2 证明思路

关键引理：在任何激励相容机制中，参与者 $i$ 的期望效用满足：

U_i(\theta_i) = U_i(0) + \int_0^{\theta_i} P_i(s) ds

其中 $P_i(\theta_i)$ 是类型 $\theta_i$ 获胜的概率。

证明引理：激励相容要求（报告 $\theta_i$ 时真实类型为 $\theta_i$ ）：

U_i(\theta_i) \geq U_i(\hat{\theta}_i | \theta_i)

对所有 $\hat{\theta}_i$ 。

对于无穷小的偏离 $\hat{\theta}_i = \theta_i + \epsilon$ ：

\frac{dU_i}{d\theta_i} = P_i(\theta_i)

这被称为包络定理 (Envelope Theorem)。

积分得：

U_i(\theta_i) = U_i(0) + \int_0^{\theta_i} P_i(s) ds

收益等价的推导：

卖家的期望收益：

R = E\left[\sum_{i=1}^N t_i(\theta)\right] = \sum_{i=1}^N E[t_i(\theta_i)]

参与者 $i$ 的期望效用：

E[U_i(\theta_i)] = E[\theta_i \cdot P_i(\theta_i) - t_i(\theta_i)]

因此：

E[t_i(\theta_i)] = E[\theta_i \cdot P_i(\theta_i)] - E[U_i(\theta_i)]

代入 $U_i(\theta_i) = U_i(0) + \int_0^{\theta_i} P_i(s) ds$ ：

E[U_i(\theta_i)] = U_i(0) + E\left[\int_0^{\theta_i} P_i(s) ds\right]

因此：

E[t_i(\theta_i)] = E[\theta_i \cdot P_i(\theta_i)] - U_i(0) - E\left[\int_0^{\theta_i} P_i(s) ds\right]

使用分部积分：

E\left[\int_0^{\theta_i} P_i(s) ds\right] = E[\theta_i P_i(\theta_i)] - E\left[\int_0^{\theta_i} s dP_i(s)\right]

（这需要更仔细的处理，但结论是）

R = E\left[\sum_{i=1}^N \theta_i P_i(\theta_i)\right] - \sum_{i=1}^N \left(U_i(0) + E\left[\int_0^{\theta_i} P_i(s) ds\right]\right)

关键：收益只依赖于 $P_i(\theta_i)$ （配置规则）和 $U_i(0)$ （最低类型效用）。

如果两个机制有相同的配置规则和 $U_i(0)$ ，则期望收益相同。

5.3 应用

四种标准拍卖都满足：

物品给最高估值者（相同配置规则）
最低估值者效用为 $0$ （ $U_i(0) = 0$ ）

因此，它们的期望收益相同。

六、最优拍卖设计 (Optimal Auction Design)

6.1 Myerson最优拍卖

问题：卖家如何设计拍卖来最大化期望收益？

Myerson (1981) 给出了一般解：

定义虚拟估值 (Virtual Valuation)：

\phi_i(\theta_i) = \theta_i - \frac{1 - F_i(\theta_i)}{f_i(\theta_i)}

解释：

$\theta_i$ ：真实估值（卖家获得的直接价值）
$-\frac{1-F_i(\theta_i)}{f_i(\theta_i)}$ ：信息租金（由于竞标者隐藏信息）

最优机制（在IC和PC约束下）：

将物品分配给虚拟估值最高的竞标者（如果虚拟估值 $> 0$ ）
否则保留物品

支付：通过收入等价定理确定。

6.2 保留价格 (Reserve Price)

即使只有一个竞标者，卖家也应设置保留价 $r$ （最低接受价格）。

原因：虽然降低保留价增加成交概率，但也降低了价格。权衡的结果是存在最优保留价 $r^* > 0$ 。

最优保留价：满足 $\phi_i(r^*) = 0$ ，即：

r^* = \frac{1 - F(r^*)}{f(r^*)}

均匀分布例子： $\theta \sim U[0, 1]$

\phi(\theta) = \theta - \frac{1-\theta}{1} = 2\theta - 1

$\phi(r^*) = 0 \Rightarrow r^* = \frac{1}{2}$

卖家应设置保留价 $r = 0.5$ ，即使这意味着可能没有成交。

6.3 非对称竞标者

如果竞标者来自不同分布 $F_1, F_2$ （如本地竞标者vs.外地竞标者），最优拍卖可能是非效率的：

可能将物品分配给估值较低但虚拟估值较高的竞标者
这是为了提取更多信息租金

例子：强竞标者（低不确定性）vs. 弱竞标者（高不确定性）

卖家可能偏向弱竞标者（给予"优惠"）
这增加了竞争，提高了期望收益

七、多物品拍卖与组合拍卖 (Multi-Unit and Combinatorial Auctions)

7.1 多单位拍卖

问题： $K$ 个相同物品， $N$ 个竞标者（ $N > K$ ）

VCG推广：

每个竞标者报告对不同数量的估值
分配 $K$ 个物品给估值最高的 $K$ 个竞标者
每个赢家支付其存在对他人造成的外部性

挑战：

需求相互依赖（如互补性、替代性）
策略空间巨大

7.2 组合拍卖 (Combinatorial Auction)

情形：多个异质物品，竞标者对组合有估值（超模或次模）

例子：频谱拍卖

不同地区的频谱牌照
竞标者（电信公司）希望获得相邻地区的组合

FCC频谱拍卖（Milgrom-Wilson设计）：

同时多轮拍卖（Simultaneous Multiple Round Auction, SMRA）
竞标者可以在多轮中调整出价
价格发现过程

组合拍卖的困难：

计算复杂性：确定最优配置是NP-hard
策略复杂性：竞标者难以确定最优策略
"曝光问题" (Exposure Problem)：竞标互补物品时可能只赢得部分，导致亏损

八、应用案例 (Applications)

8.1 Google广告拍卖 (AdWords)

问题：多个广告位（搜索结果旁），多个广告主竞价

机制：广义二级价格拍卖 (Generalized Second-Price, GSP)

广告主出价 $b_i$ ，质量得分 $q_i$
排名按 $b_i \times q_i$ （出价×质量）
支付：下一名的出价×质量比率

非激励相容：GSP不是DSIC（存在策略操纵空间）

但存在有效纳什均衡（Edelman-Ostrovsky-Schwarz 2007）

8.2 频谱拍卖

历史：

传统：政府免费分配或抽签（低效）
1994年：美国FCC首次使用拍卖
设计：Milgrom, Wilson, McAfee等经济学家参与

挑战：

互补性（相邻地区）
竞标者数量限制（反垄断）
多轮价格发现

成功：为政府筹集数百亿美元，并实现较优配置

8.3 器官捐赠匹配

非金钱机制：不能使用价格

肾脏交换 (Kidney Exchange)：

配对捐赠：A的朋友捐给B，B的朋友捐给A
需要匹配算法（非拍卖，但属于机制设计）

Roth-Sönmez-Ünver (2004)：设计了肾脏交换机制

最大化匹配数量
激励相容（医院愿意参与）

8.4 碳排放权交易

总量管制与交易 (Cap-and-Trade)：

政府设定总排放量上限
拍卖排放许可证
企业可交易许可证

机制设计问题：

初始分配（拍卖 vs. 免费发放）
防止操纵和囤积
跨期动态

直觉总结 (Intuitive Summary)

核心洞见

显示原理的力量
- 复杂机制可简化为"让参与者说真话"的直接机制
- 机制设计变成约束优化问题
VCG的精妙之处
- 参与者支付的是其对他人的外部性
- 将个人激励与社会目标对齐
- 实现优势策略激励相容
收入等价的启示
- 在IPV模型下，不同拍卖格式收益相同
- 关键是配置规则，而非支付形式
- 但现实中可能因风险规避、合谋等因素打破等价
效率 vs. 收益
- VCG实现效率但不一定最大化收益
- Myerson最优拍卖牺牲部分效率来提取信息租金
- 保留价是收益最大化的关键工具

机制设计的权衡

目标	机制	优点	缺点
效率	VCG	优势策略IC，实现社会最优	收益不是最优，易合谋
收益最大化	Myerson最优拍卖	最大化卖家收益	可能非效率，需知道分布
简单性	英式/二级价格	容易理解，激励真实出价	信息泄露，不一定最优
隐私	一级价格密封	保护竞标者信息	需要复杂策略计算

实践中的考虑

信息假设
- 理论假设独立私人估值
- 现实可能有共同价值成分（如石油钻探权）
- "赢家诅咒"问题
合谋
- 重复拍卖易引发合谋
- 密封拍卖更难合谋（但一旦合谋，更难检测）
有限理性
- 复杂机制（如VCG）可能难以理解
- 二级价格拍卖虽简单，仍有人不理解

文献导读 (Literature Guide)

奠基性论文：

Vickrey, W. (1961). "Counterspeculation, Auctions, and Competitive Sealed Tenders." Journal of Finance.
Clarke, E. (1971). "Multipart Pricing of Public Goods." Public Choice.
Groves, T. (1973). "Incentives in Teams." Econometrica.
Myerson, R. (1981). "Optimal Auction Design." Mathematics of Operations Research.
Milgrom, P., & Weber, R. (1982). "A Theory of Auctions and Competitive Bidding." Econometrica.

教科书：

Krishna, V. (2009). Auction Theory (2nd ed.). Academic Press.
Milgrom, P. (2004). Putting Auction Theory to Work. Cambridge University Press.
Börgers, T. (2015). An Introduction to the Theory of Mechanism Design. Oxford.

应用文献：

Milgrom, P., & Wilson, R. (2020 诺贝尔演讲). "Auction Design and New Markets."
Roth, A. (2015). Who Gets What — and Why. Houghton Mifflin. (市场设计通俗读物)
Edelman, B., Ostrovsky, M., & Schwarz, M. (2007). "Internet Advertising and the Generalized Second-Price Auction." AER.

前沿话题：

算法博弈论与在线机制设计
多维机制设计（多个私人信息维度）
动态机制设计（跨期问题）
区块链与去中心化机制

机制设计理论为我们提供了一套系统的工具，用于在信息不对称的环境下设计最优的制度和规则。显示原理极大地简化了问题，使我们可以专注于激励相容的直接机制。VCG机制实现了优势策略激励相容和效率配置，但牺牲了收益最大化。收入等价定理揭示了在标准假设下，不同拍卖格式的收益相同，关键在于配置规则。Myerson最优拍卖通过引入保留价和基于虚拟估值的配置规则，实现了收益最大化，但可能牺牲效率。

拍卖理论已经从象牙塔走向实践，应用于频谱拍卖、在线广告、政府采购等多个领域，产生了巨大的经济和社会价值。机制设计的思想也延伸到市场设计（如学校选择、器官捐赠匹配），成为现代微观经济学最具影响力的分支之一。

自学检查

核心直觉回看：机制设计不是问“给定规则下人们怎么行动”，而是反过来问“想实现某个结果时，规则应该怎么设计”。由于参与者有私人信息，规则必须让说真话或采取目标行动成为最优选择。

关键模型提醒：直接机制由配置规则 $x(\theta)$ 和转移支付 $t(\theta)$ 组成。核心约束是激励相容：

u_i(x(\theta_i,\theta_{-i}),t_i(\theta_i,\theta_{-i});\theta_i) \ge u_i(x(\hat\theta_i,\theta_{-i}),t_i(\hat\theta_i,\theta_{-i});\theta_i).

VCG 支付让每个人支付其存在对其他人造成的外部性。

常见误区

认为显示原理说明“所有机制都让人说真话”。它说明可实现结果可以用某个直接真实机制复制。
把 VCG 机制等同于收入最大化。VCG追求效率，不保证平台或政府收入最高。
忽略收入等价定理的假设：风险中性、独立私有价值、对称竞标者等条件缺一不可。
在一级价格拍卖中让竞标者如实出价。一级价格拍卖通常需要策略性压价。

自测题

什么是直接机制？它与间接机制有什么区别？
用一句话解释显示原理为什么能简化机制设计问题。
二价拍卖中，为什么如实出价是占优策略？
VCG 支付中的“外部性成本”具体指什么？
Myerson 最优拍卖为什么可能设置保留价并牺牲效率？

下一步学习提示

读行为经济学时，请带着一个问题：如果参与者并不完全理解机制，或者有系统性偏差，那么本章的激励相容结论还需要怎样修正？

下一章我们将学习行为经济学，放松"完全理性"的假设，探讨有限理性、公平偏好、框架效应等行为偏差如何影响经济决策和市场结果。

Edit this pageorReport an issue

信息经济学：逆向选择与道德风险

逆向选择、信号传递、筛选机制、道德风险与委托代理模型

行为与实验微观经济学

有限理性、前景理论、社会偏好、跨期选择与实验方法