WG-0001​

组织行为学/微观政治

向上管理中的“印象整饰”与“资源获取”策略优化

行为策略模型

基于信号博弈与认知负荷理论的向上管理行为选择模型

向上管理印象整饰与资源博弈模型 (Upward Management Impression Management & Resource Game Model)

谋划、情感、权力

1. 上司心智模型：构建上司的类型空间Θ = {结果导向型(R)， 过程控制型(P)， 关系维护型(L)}。上司对下属的行为信号s（如汇报频率、细节程度、自主决策声明）进行解读，形成对下属能力C与忠诚L的信念。信号传递成本c(s, θ) 取决于下属真实类型和上司类型。
2. 信号空间：下属可发送的信号s ∈ {高频细节汇报(s_p)， 只汇报结果与风险(s_r)， 附带情感共鸣的汇报(s_l)， 主动请求指导(s_d)}。
3. 资源分配：上司根据其信念分配稀缺资源（如预算、支持、晋升机会）。资源函数R = f(信念C, 信念L, 上司类型)。
4. 分离均衡求解：求解精炼贝叶斯均衡，使得下属能通过差异化的信号策略，向不同类型的上司有效传递自身价值，从而最大化资源获取。例如，对P型上司发送s_p，对R型上司发送s_r。
5. 动态学习：下属通过观察上司对过往信号的反应，贝叶斯更新其对上司类型的信念，并调整后续信号策略。

资源获取效率（实际获得资源/预期最优资源）；上司类型判断准确率。

印象管理理论， 信号博弈， 委托-代理， 社会认知

新员工适应上司风格， 空降管理者建立信任， 争取关键项目支持

Θ_up: 上司类型 (离散， 私有)。
s_t: 下属在t时刻发送的信号 (离散)。
Belief_C(t), Belief_L(t): 上司对下属能力与忠诚的信念 (标量)。
R_t: 下属在t期获得的资源 (标量)。
c(s, θ): 信号成本函数 (标量)。
Prior_p(θ): 下属对上司类型的先验概率 (向量)。

下属形成对上司类型的先验​ -> 选择并发送信号s​ -> 上司接收信号，更新信念​ -> 上司分配资源R​ -> 下属观察R与上司反馈​ -> 更新对上司类型的后验信念​ -> 调整下一期信号策略​ -> (循环)。

信号博弈、贝叶斯更新、优化（信号选择）、不完全信息

汇报内容文本， 上司反馈的文本/非文本信息。

1. Belief Update: Upon observing signal s,上司 updates belief using Bayes‘ rule: P(θ

s) ∝ P(s

θ) * Prior(θ)， where P(s

θ) is the equilibrium strategy of the subordinate.
2. Subordinate’s Problem: Choose s to maximize E[R(s; θ)] - c(s, θ)， where expectation is over posterior belief about θ.
3. Equilibrium: A strategy profile where， for each θ， the subordinate‘s signal is optimal given the上司’s belief update rule， and beliefs are consistent.
4. Learning: If上司 type is fixed， subordinate can learn θ over time by treating it as a hidden state in a partially observable Markov decision process (POMDP).

顺序序列（多期互动与学习）

WG-0002​

社会网络分析/微观政治

非正式组织网络中的“结构洞”占据与“桥接”影响力构建

网络动力学模型

基于动态中心性与约束系数的个人网络影响力增长模型

结构洞占据与影响力动态模型 (Structural Hole Occupancy & Influence Dynamics Model)

权力、谋划

1. 咨询网络演化：构建组织内“向谁寻求工作建议”的有向网络G_t。边权w_ij表示i对j的依赖频率。
2. 结构洞度量：计算Burt的网络约束系数C_i(t) = Σ_j (p_ij + Σ_q p_iq p_qj)²，其中p_ij = w_ij / Σ_k w_ik。低约束表示占据丰富结构洞。
3. 影响力增益：个体i的影响力I_i(t)增长与1/C_i(t) 正相关，并与现有影响力I_i(t)存在马太效应：ΔI_i ∝ (I_i / C_i) * (1 - I_i/K)。
4. 主动网络构建：个体可采取行动a ∈ {强化现有强联系， 建立新的弱联系， 促成原本不关联的两方直接联系（闭合三角）}。不同行动消耗社交精力E，并对C_i和I_i产生不同影响。
5. 优化策略：个体在总精力预算B下，分配精力到不同行动，以最大化未来T期的影响力折现和。这是一个动态优化问题，解显示：早期应投资建立弱联系以降低C，中期需谨慎闭合三角以维持信息优势，后期可强化核心联盟。

个体网络约束系数C_i的下降幅度；影响力排名提升位数。

结构洞理论， 社会网络分析， 优化控制， 影响力动力学

新任管理者建立跨部门影响力， 项目协调员获取非正式权威， 销售构建内部支持网络

G_t: 咨询建议有向网络 (图)。
C_i(t): 个体i的网络约束系数 (标量)。
I_i(t): 个体i的影响力指数 (标量)。
Action_Set: 可采取的连接行动集合 (集合)。
Energy_Budget B: 精力预算 (标量)。
Influence_Gain_Function: 影响力增长函数 (函数)。

初始网络诊断​ -> 计算当前C_i与I_i​ -> 根据优化策略选择连接行动​ -> 执行行动，更新网络G​ -> 重新计算C_i与I_i​ -> 获得新周期精力预算​ -> (循环) -> 评估影响力增长轨迹。

图论（约束系数）、优化控制、微分方程（影响力动态）、网络干预

工作沟通记录， 会议参与记录。

1. Network Update: After action a (e.g.， adding a link to j)， update adjacency matrix: w_ij += δ. Recompute p_ij and C_i.
2. Influence Dynamics: dI_i/dt = α * (1 / C_i(t)) * I_i(t) * (1 - I_i(t)/K) - β * I_i(t).
3. Optimization: max{a(0)...a(T)} Σ{t=0}^T γ^t I_i(t) s.t. Σ_t Cost(a(t)) ≤ B. Solve via dynamic programming.
4. The optimal policy often involves initially adding links to disconnected groups (reduce C)， and later maintaining those bridges without over-closing.

顺序序列（多阶段决策与网络演化）

时间: 动态规划求解O(T *

A

*

WG-0003​

心理学/微观政治

职场“背锅”与“甩锅”的责任归因博弈模型

博弈论模型

基于责任信号与观众成本的多方归因博弈

责任归因与“甩锅”博弈模型 (Blame Attribution & Buck-Passing Game Model)

谋划、情感、权力

1. 参与方：多个相关方（如不同部门员工），对某项失败事件负有不同程度的事实责任r_i ∈ [0,1]。私有信息。
2. 行动顺序：事件曝光后，各方序贯（或同时）选择公开声明：{承认错误(A)， 保持沉默(S)， 暗示他人责任(B)}。声明有成本，承认成本c_A，甩锅成本c_B（可能引发反击）。
3. 观众判断：外部权威（老板、公众）观察所有声明和部分事实证据e，形成对各方应担责任D_i的最终判断。判断受声明一致性、证据强度、各方历史信誉影响。使用贝叶斯推理模型：P(r_i

声明, e) ∝ P(声明

r_i) * Prior(r_i)。
4. 支付：各方支付 = - (惩罚系数) * D_i - 声明成本。惩罚系数可能因职位高低而异。
5. 均衡分析：求解纯策略或混合策略贝叶斯均衡。可能均衡：
- 替罪羊均衡：地位最低/最无关系的一方被迫承认。
- 沉默螺旋：所有人保持沉默，但若有一人打破，则引发连锁甩锅。
- 合谋隐瞒：所有人达成默契，轻描淡写。

均衡中“替罪羊”出现的概率；平均实际追责与事实责任的偏差。

责任归因理论， 信号博弈， 观众成本， 组织问责

项目失败后的危机公关， 跨部门冲突中的责任厘清， 事故调查中的人为因素分析

r_i: 个体i的事实责任 (标量， 私有)。
Statement_i: 公开声明选择 (离散)。
e: 外部证据强度 (标量)。
D_i: 观众判断的归因责任 (标量)。
Prior_Reputation_i: 个体i的先验信誉 (标量)。
Cost_A, Cost_B: 声明成本 (标量)。

事件发生，确定事实责任r_i​ -> 各方序贯选择声明​ -> 观众观察声明与证据e​ -> 观众进行贝叶斯推断，形成D_i​ -> 根据D_i施加惩罚​ -> 各方实现支付​ -> 分析均衡行为。

博弈论（不完全信息、信号传递）、贝叶斯推断、序贯决策

事件报告， 各方声明文本。

1. Audience Inference: D_i = E[r_i

statements， e] = ∫ r_i * P(r_i

statements， e) dr_i. The posterior P(r_i

WG-0004​

计算语言学/微观政治

会议对话中的“话语权争夺”与“共识构建”动力学分析

自然语言处理与动力学模型

基于话轮转换与情感分析的会议话语权力量化模型

会议话语权争夺与共识动力学模型 (Meeting Discourse Power Struggle & Consensus Dynamics Model)

权力、谋划、情感

1. 话轮特征提取：从会议录音转写文本中，提取每个话轮的特征：发言人、时长、打断次数/被中断次数、提议动议数、支持/反对他人观点次数、情感基调（积极/消极）。
2. 实时权力指数：构建动态权力指数P_i(t)，在会议过程中更新。更新规则：ΔP_i ∝ (发言时长权重) + α(成功打断他人) - β(被他人打断) + γ(动议被采纳) + δ(获得他人支持) - ε*(遭遇反对)。
3. 网络构建：构建“支持-反对”有向网络，边权为支持/反对的强度。计算节点的PageRank或特征向量中心性作为基于联盟的话语影响力。
4. 共识形成检测：监控群体对核心议题的情感倾向方差随时间的变化。使用时间序列聚类检测观点是否从分散趋于收敛。共识形成时刻常伴有权力指数高者发言的情感转向或总结性陈述。
5. 干预模拟：模拟主持人（可视为一个特殊参与者）的不同策略（如均衡发言时间、点名询问沉默者、总结分歧）对权力分布和共识达成速度的影响。

权力指数预测“会后决策采纳”的能力（相关性）；共识形成检测的准确度（与人工标注对比）。

话语分析， 社会语言学， 群体决策， 动力系统， NLP

会议效率评估， 主持人培训， 识别隐性主导者与边缘人

Transcript: 会议转录文本 (带时间戳和说话人)。
Turn_Features: 话轮特征向量 (向量)。
P_i(t): 参与者i在t时刻的动态权力指数 (标量)。
Support_Network: 支持-反对网络 (有向加权图)。
Sentiment_Variance(t): 群体情感方差 (标量)。
Consensus_Flag: 共识达成标志 (布尔)。

语音转文字与说话人分离​ -> 提取每话轮特征​ -> 计算实时权力指数P_i(t)​ -> 构建并更新支持-反对网络​ -> 监控情感方差与共识信号​ -> 会议结束，输出权力格局与共识分析报告​ -> (可选) 模拟不同主持策略。

时间序列分析、网络分析、情感计算、动力系统

会议录音/转录文本。

1. Feature Extraction: Use NLP: speech duration， interruptions (detected by overlapping speech and content)， sentiment of utterance， detection of proposals (“I suggest...”) and agreement/disagreement markers.
2. Power Update: P_i(t+1) = λ * P_i(t) + (1-λ) * ΔP_i， where ΔP_i computed from turn features as described.
3. Consensus Detection: Compute rolling window variance of sentiment across participants on key topics. When variance drops below a threshold and stays low， flag consensus.
4. Network Analysis: PageRank on the directed graph where edge from i to j has weight = (#times i supports j) - (#times i opposes j).
5. Simulation: Model chair as an agent with fixed strategy， modify the turn-taking and intervention rules， re-run the power and consensus dynamics.

顺序序列（实时或后处理分析）

时间: NLP特征提取O(L)；动态更新O(T * N)。空间: 存储会议文本和特征序列。

指令: NLP模型推理（情感、意图分类）， 实时统计计算， 图算法。NLP是计算主体。

话语分析， 组织沟通， 计算社会科学

WG-0005​

组织理论/微观政治

项目组内“搭便车”行为的社会抑制与隐性惩罚模型

基于主体的建模

基于间接互惠与声誉机制的多主体合作演化模型

搭便车行为社会抑制演化模型 (Free-Riding Social Sanctioning Evolution Model)

情感、谋划、利益

1. 主体类型与策略：主体有三种策略：合作者(C)：付出成本c，贡献集体收益b；搭便车者(F)：不付出，享受收益；惩罚者(P)：合作，并付出成本γ对观察到的搭便车者进行“社会惩罚”（如疏远、负面评价），降低其收益δ。
2. 互动结构：主体处于固定社交网络（如团队沟通网络）中。每期进行公共物品博弈，收益在邻居间分配。
3. 社会惩罚：惩罚者P对其邻居中的F进行惩罚。惩罚效果是降低F的收益，但P也付出成本。惩罚可能被其他主体观察到，影响P的声誉。
4. 策略更新：每期结束后，主体以概率模仿邻居中收益最高者的策略（社会化学习），或以小概率随机突变。高收益策略在种群中传播。
5. 演化结果：模拟在何种网络结构、成本收益参数下，惩罚者策略能够演化并维持合作，抑制搭便车。密集网络、低成本的社会惩罚（如一个失望的眼神）可能足够维持合作。

均衡时合作者(C)与惩罚者(P)的频率；平均合作水平。

演化博弈论， 间接互惠， 社会规范， 公共物品博弈， 基于主体建模

研发团队、销售团队、开源社区等小团体合作规范的维持， 团队文化建设

Network_G: 团队成员社交网络 (图)。
Strategy_i: 个体策略 (C， F， P)。
b， c， γ， δ: 博弈参数 (标量)。
Payoff_i: 个体收益 (标量)。
Imitation_Rate， Mutation_Rate: 模仿与突变率 (标量)。

初始化网络与策略分布​ -> 进行公共物品博弈（计算贡献与收益）​ -> 执行社会惩罚（P惩罚邻居中的F）​ -> 计算最终收益​ -> 策略更新（模仿与突变）​ -> (循环) -> 分析策略频率演化。

演化博弈、网络上的博弈、复制者动态、基于主体建模

无。模型驱动。

1. Payoff Calculation: For each agent i， payoff = (b * (Σ_{j in N_i} contribution of j) /

N_i

) - (c if i is C or P) - (γ * number of F neighbors sanctioned if i is P). Sanctioned F’s payoff is reduced by δ.
2. Strategy Update: With probability φ， i picks a random neighbor j， and adopts j‘s strategy with probability proportional to the difference in their payoffs (e.g.， Fermi rule). With probability μ， i随机突变 to another strategy.
3. Simulation: Run for many generations (e.g.， 10000). Record the average frequency of each strategy in the population.
4. Outcome depends on parameters. High γ (costly punishment) may not evolve; but if punishment is cheap and visible (affecting reputation)， it can be sustained.

顺序序列（世代循环）

时间: O(T * (

WG-0006​

社会心理学/微观政治

绩效评估中的“相似性吸引”偏见与校准算法

计量心理学与优化模型

基于项目反应理论(IRT)与协变量调整的评估者偏差校正模型

评估者相似性吸引偏见校正模型 (Rater Similarity-Attraction Bias Correction Model)

情感、人性

1. 数据生成模型：被评估者j的真实能力θ_j。评估者i给出的评分Y_ij = θ_j + β_i + γ * Similarity(i， j) + ε_ij。其中β_i是评估者i的严格度偏差，Similarity(i， j)是i与j在人口统计/背景/价值观上的相似度度量，γ是相似性吸引系数（>0表示偏见）。ε_ij ~ N(0， σ²)。
2. 参数估计：使用多层贝叶斯模型或联合最大似然估计，从评分矩阵Y和相似性矩阵S中估计所有θ_j， β_i， 和γ。这类似于带协变量的IRT模型。
3. 偏差校正：得到γ的估计值后，计算校正后的评分：Y_corrected_ij = Y_ij - γ_hat * Similarity(i， j)。然后基于校正后的评分重新估计θ_j。
4. 校准效果评估：比较校正前后，评估分数与客观绩效指标（如后续业绩）的相关性是否提高，以及不同群体（如不同性别、种族）的平均评分差异是否缩小。
5. 反馈与应用：将γ_hat反馈给评估者i，作为其潜在偏见的警示。在晋升/加薪决策中使用校正后的θ_j。

校正后评分与外部效标的相关系数提升；组间评分差异的缩小程度。

心理测量学， 项目反应理论， 多层模型， 评估者偏差， 相似性吸引理论

企业360度评估校准， 招聘面试评分标准化， 学术论文评审

Y_ij: 评估者i对对象j的评分 (标量)。
θ_j: 对象j的真实能力 (潜变量)。
β_i: 评估者i的严格度偏差 (标量)。
Similarity(i， j): i与j的相似度 (标量)。
γ: 相似性吸引系数 (标量)。
Y_corrected: 校正后评分 (标量)。

收集评分数据与相似性数据​ -> 拟合带相似性协变量的IRT模型​ -> 估计参数(θ， β， γ)​ -> 计算校正后评分​ -> 评估校正效果​ -> 将校正后分数用于决策，将偏见系数反馈给评估者。

心理测量模型、贝叶斯估计、多层回归、偏差校正

评分表， 评估者与被评估者背景信息。

1. Model Specification: Y_ij ~ N(θ_j + β_i + γ * S_ij， σ²). Priors: θ_j ~ N(0，1)， β_i ~ N(0， τ²)， γ ~ N(0， ω²).
2. Estimation: Use Markov Chain Monte Carlo (MCMC) in a Bayesian framework (e.g.， Stan) to obtain posterior distributions for all parameters.
3. Correction: Compute posterior mean of γ， say γ. Then Y_corr_ij = Y_ij - γ* S_ij. Re-estimate θ_j from the corrected ratings (or use the posterior of θ_j directly).
4. Evaluation: Compute correlation between原始平均分 vs 效标， and校正后估计的θ vs 效标. Compare.

顺序序列（统计建模流程）

时间: MCMC采样O(N_iter * N_ratings)。空间: 存储采样链。

指令: 统计计算， 随机采样（MCMC）， 矩阵运算。计算中等，依赖于评分数据量。

人力资源管理， 心理测量， 公平性

WG-0007​

博弈论/微观政治

跨部门协作中的“资源挟持”与“谈判妥协”博弈

议价博弈模型

基于Rubinstein轮流出价与外部选项的部门间资源谈判模型

跨部门资源挟持与议价模型 (Inter-departmental Resource Holding & Bargaining Model)

权力、利益、谋划

1. 资源依赖：两个部门A和B，共同完成项目需要资源R_A和R_B。部门i拥有资源R_i，但也可扣留（挟持）以索取更多利益。项目总价值V。
2. 议价过程：使用Rubinstein无限期轮流出价模型。部门A先出价，提出份额分配方案(s， 1-s)，其中s归A。B可接受（游戏结束）或拒绝（进入下一轮，由B出价，贴现因子δ_A， δ_B）。
3. 外部选项：如果谈判破裂，各部门有其外部选项价值O_A和O_B（如将资源用于其他次要项目）。这构成谈判的底价。
4. 挟持能力：部门i的挟持能力H_i取决于其资源的不可替代性和项目紧急程度。高H_i会提高其外部选项O_i，从而在谈判中要求更高份额。
5. 子博弈精炼均衡：均衡份额s* = (1 - δ_B) / (1 - δ_Aδ_B) + 调整项(O_A， O_B)。调整项确保各方至少获得外部选项价值。分析显示，拥有关键不可替代资源(H高)的部门，即使其贡献度不高，也能获得不成比例的高份额。

均衡份额分配；谈判破裂概率。

议价理论， 轮流出价博弈， 资源依赖理论， 挟持问题

项目核心团队组建时的资源谈判， 矩阵式组织中的预算争夺， 供应链上下游议价

R_A， R_B: 部门掌握的资源 (标量/向量)。
V: 合作项目总价值 (标量)。
δ_A， δ_B: 贴现因子 (耐心程度) (标量)。
O_A， O_B: 外部选项价值 (标量)。
H_A， H_B: 资源挟持能力指数 (标量)。
s*: 均衡时部门A的份额 (标量)。

识别合作价值V与所需资源​ -> 评估各部门资源挟持能力H与外部选项O​ -> 进入轮流出价谈判​ -> 根据均衡策略提出/回应报价​ -> 达成协议或破裂​ -> 执行合作/转向外部选项。

议价博弈、子博弈精炼均衡、贴现、外部选项、资源依赖

项目计划， 资源清单。

1. Rubinstein Solution: In the standard model without outside options， s* = (1 - δ_B) / (1 - δ_Aδ_B).
2. Incorporate Outside Options: The equilibrium must satisfy: s* ≥ O_A / V and (1-s) ≥ O_B / V. If the standard solution satisfies these， it holds. If not， the player with the binding outside option gets exactly that， and the other gets the rest (provided it’s above their outside option).
3. Holding Power: O_i is an increasing function of H_i. So higher H_i leads to higher O_i， which may increase s(if i is A) or decrease it (if i is B).
4. Patience: A higher δ (more patient) gives a player an advantage.

顺序序列（多轮出价）

时间: 求解均衡有解析公式O(1)。空间: O(1)。

指令: 简单算术运算。计算极其简单。

组织理论， 谈判分析， 资源分配

WG-0008​

计算社会学/微观政治

基于数字痕迹的“小团体”与“派系”检测与影响力测绘

社区检测与网络分析

基于多层网络聚类与异常边检测的隐性派系发现算法

隐性组织派系多层网络检测算法 (Covert Organizational Faction Multi-Layer Network Detection Algorithm)

权力、谋划、情感

1. 多层网络构建：从企业数字系统构建多个关系网络层：
- 沟通层：邮件、IM频率。
- 日历层：共同会议频率（排除全员大会）。
- 项目协作层：共同参与的项目。
- 社交层（可选）：从社交媒体/内部论坛提取的互动。
2. 多层社区检测：使用多层网络社区检测算法（如MultiTensor， 多层Louvain）识别在多个层上都紧密连接的节点群体。这些是潜在的“派系”。
3. 异常边分析：检测连接不同派系的“桥梁”边。这些边可能代表派系间的联络人或冲突点。同时检测与正式组织结构严重不符的紧密连接（如跨层级、跨部门的异常紧密 triad），可能指示非正式联盟或 bypass 行为。
4. 派系特征分析：对每个检测出的派系，计算其：平均层级、职能分布、与核心决策者的距离、内部情感基调（从沟通文本分析）。识别“强势派系”（高中心性、高内聚）、“孤立派系”或“反叛派系”（情感基调消极）。
5. 动态监控：随时间推移重复分析，跟踪派系的演变、合并、分裂，以及关键桥梁人物的变动。

检测出的派系与已知非正式团体（如调研得知）的匹配度（ARI）；派系稳定性指标。

社会网络分析， 社区检测， 多层网络， 组织派系， 数字痕迹

并购后组织整合监测， 识别潜在“山头主义”， 组织变革阻力分析

MultiLayer_Networks: 多层关系网络 (图列表)。
Faction_Clusters: 检测出的派系集合 (集合的集合)。
Bridge_Edges: 派系间桥梁边列表 (列表)。
Anomalous_Triads: 异常三角结构列表 (列表)。
Faction_Features: 派系特征向量 (向量)。

采集多源数字痕迹数据​ -> 构建多层网络​ -> 运行多层社区检测算法​ -> 识别派系与桥梁​ -> 进行异常结构分析​ -> 计算派系特征​ -> 可视化与报告​ -> (可选) 时序监控。

图论、多层网络、社区检测、异常检测、网络演化

邮件头， 日历条目， 项目成员表。

1. Network Construction: For each layer， create adjacency matrix A^(l) where A^(l)ij = strength of relation in layer l.
2. Multilayer Community Detection: Optimize a generalized modularity Q_ml = Σ_l Σ_ij (A^(l)ij - γ_l P^(l)ij) δ(g_i， g_j)， where g_i is community assignment of node i， P^(l)ij is expected weight under null model， γ_l is resolution parameter for layer l. Solve using multilayer Louvain.
3. Bridge Detection: For each edge (i，j) where i and j are in different factions， compute edge betweenness. High betweenness edges are bridges.
4. Anomaly Detection: Look for closed triads (i，j，k) where formal reporting lines suggest no reason for a tight connection (e.g.， all from different departments， but have high interaction in all layers).
5. Dynamics: Run detection at multiple time snapshots， track faction persistence and member changes.

顺序序列（网络构建与分析流程）

时间: 多层社区检测O(K * (

V

+

WG-0009​

行为经济学/微观政治

“送礼”与“人情债”的社会账户核算与偿还策略

认知计算模型

基于人情账户理论与互惠偏好的礼物交换动态模型

人情账户动态核算与偿还模型 (Renqing Account Dynamic Accounting & Reciprocation Model)

情感、利益、谋划

1. 人情账户：每个个体i维护一个人情账户余额A_ij，表示欠个体j的“人情债”（A>0）或j欠i的（A<0）。初始为0。
2. 礼物估值：当j赠送礼物给i，礼物有客观价值V，但i的主观感知价值U_i = V * α_i，其中α_i是i对j的重视程度/情感系数。同时，j的送礼成本C_j = V * β_j，β_j是j的成本敏感度。人情账更新：ΔA_ij = U_i - λ * C_j， λ衡量对送礼方成本的体谅系数（0<λ<1）。
3. 偿还压力：账户余额A_ij产生心理压力P_ij = φ *

A_ij

，其中φ是互惠规范强度。当P_ij超过个体耐受阈值θ_i， i会产生强烈的偿还动机。
4. 偿还决策：i选择偿还方式（回礼、提供帮助）和力度，以降低A_ij接近0，同时考虑自身成本。目标是最小化压力与偿还成本之和。
5. 关系演化：长期的礼物交换动态可能收敛到平衡（互赠价值相当），也可能因估值差异（α， β）导致一方感觉“永远欠人情”而关系疏远。模型可模拟不同文化（λ， φ差异）下的礼物交换模式。

人情账户余额的长期方差（稳定性）；关系终止（因压力过大）的概率。

社会交换理论， 礼物经济， 互惠规范， 人情面子， 行为经济学

商务馈赠策略， 同事间互助平衡， 跨文化商务礼仪指导

A_ij(t): i欠j的人情账户余额 (标量)。
V_ gift: 礼物客观价值 (标量)。
α_i， β_j: 估值与成本系数 (标量)。
φ， λ， θ_i: 规范、体谅、阈值参数 (标量)。
P_ij(t): 心理压力 (标量)。
Reciprocation_Action: 偿还行动选择 (离散/连续)。

初始账户清零​ -> 发生送礼事件​ -> 接收方更新人情账户A​ -> 计算心理压力P​ -> 若P>阈值，产生偿还动机​ -> 选择偿还方式与力度，执行偿还​ -> 更新对方账户​ -> (循环) -> 分析长期关系动态。

差分方程、优化（偿还决策）、社会交换动力学、认知失调

礼物描述， 帮助行为描述。

1. Account Update (Gift): A_ij(new) = A_ij(old) + (α_i * V) - (λ * β_j * V). Sign convention: positive means i owes j.
2. Pressure: P_ij = φ * max(0， A_ij) if A_ij > 0 (i owes j)， else P_ji = φ *

A_ij

if A_ij < 0 (j owes i).
3. Reciprocation Decision: When P_ij > θ_i， i chooses a reciprocation action with cost c and perceived value to j of u. Goal: minimize P_ij’ + c， where P_ij’ is pressure after reciprocation (which would reduce A_ij by u).
4. Long-term Dynamics: Simulate random gift-giving opportunities. The system may reach a steady state where gifts are balanced on average， or may drift if α， β are mismatched.

WG-0010​

微观政治/组织学习

“报喜不报忧”信息筛选与决策扭曲的模型

信息经济学模型

基于多层代理与战略沟通的信息失真博弈模型

组织内信息筛选与失真博弈模型 (Intra-organizational Information Screening & Distortion Game Model)

谋划、权力、情感

1. 层级结构：三层：基层员工(A)拥有原始信息状态ω ∈ {好(G)， 坏(B)}。中层经理(M)向高层高管(E)汇报。A向M汇报，M向E汇报。
2. 利益冲突：A和M都偏好项目继续（因为涉及自身业绩、资源），但E希望根据真实状态决策（继续/终止）。如果状态是B而项目被继续，会产生损失L。
3. 沟通策略：A观察ω，向M发送消息m_A ∈ {G， B}，但可以撒谎。M听到m_A，向E发送消息m_M ∈ {G， B}，也可以篡改。撒谎有成本（道德成本、未来被揭穿的风险成本），成本可能随层级降低（离事实越远成本越高）。
4. 均衡分析：求解精炼贝叶斯均衡。可能出现：
- 完全失真：无论ω如何，A和M都报G。E知道信息无用，但可能因缺乏其他信息而被迫继续。
- 部分汇总：A可能如实报B，但M总是改为G（“中层过滤”）。
- 有限诚实：当ω极差（L极大）时，A和M可能不敢隐瞒。
5. 治理机制：引入独立验证（以概率p审计）、匿名举报渠道、鼓励坏消息的文化（降低撒谎成本差异），分析其对均衡信息质量的影响。

均衡时E收到真实消息的概率；项目在坏状态下仍被继续的概率。

信息经济学， 战略沟通， 组织腐败， 委托代理， 谎言成本

企业风险 reporting 机制设计， 项目里程碑评审， 组织“过滤器”现象分析

ω: 真实信息状态 (离散)。
m_A， m_M: A和M发送的消息 (离散)。
c_A(谎言)， c_M(谎言): 说谎成本函数 (标量)。
L: 在坏状态下继续项目的损失 (标量)。
E_Decision: 高管决策 (继续/终止) (离散)。
Audit_Prob p: 审计概率 (标量)。

自然选择状态ω​ -> A观察ω，选择消息m_A​ -> M接收m_A，选择消息m_M​ -> E接收m_M，做出决策​ -> (可能)以概率p审计，如发现撒谎则惩罚​ -> 各方收益实现​ -> 分析均衡沟通策略。

博弈论（多阶段、不完全信息）、精炼贝叶斯均衡、信息传递

状态报告， 沟通记录。

1. Payoffs: If project continues: A and M get bonus b (if ω=G) or 0 (if ω=B) - lying cost. E gets profit Π (if ω=G) or -L (if ω=B). If terminated， all get 0 (or small) minus lying cost if they lied.
2. Beliefs: E forms belief about ω given m_M and equilibrium strategies.
3. Equilibrium: Solve backwards. E’s decision: continue if P(ω=G

m_M) * Π - (1-P)*L > 0. M chooses m_M to maximize his expected payoff given A‘s strategy and E’s rule. A chooses m_A given M‘s strategy.
4. With Audit: If audit occurs and catches a lie， impose a large fine F. This increases lying cost， can improve truth-telling.
5. The model shows how misaligned incentives and cheap talk can lead to information breakdown.

顺序序列（自下而上沟通博弈）

时间: 求解多阶段信号博弈均衡，需解方程组。空间: 依赖于状态和消息空间。

指令: 条件概率计算， 期望收益比较， 均衡求解。计算不密集。

WG-0011​

社会心理学/微观政治

“站队”压力与“表态”时机选择的信号博弈

博弈论模型

基于观众成本与身份信号的表态时机选择模型

表态时机与站队选择信号博弈模型 (Taking a Stand Timing & Alignment Signaling Game)

谋划、情感、权力

1. 场景：组织内出现意见分歧的两派（如改革派vs保守派）。个体需要选择是否表态、何时表态、支持哪一方。
2. 个体类型：个体有私人政治偏好θ ∈ {强烈支持A， 温和支持A， 中立， 温和支持B， 强烈支持B}，以及对风险的态度ρ（风险厌恶程度）。
3. 行动与时机：时间离散。每个时期，个体可以选择：表态支持A、表态支持B、或保持沉默。早表态有“抢先”收益（被核心派系视为坚定盟友），但若押错宝则损失大；晚表态可观察风向，但可能被双方视为投机者而无法获得核心圈信任。
4. 支付：最终支付取决于：个体表态支持的派系是否获胜、其在该派系内的“资历”（由表态时机决定）、其表态行为与真实偏好的匹配度（认知失调成本）。获胜派系将分配职位/资源，资历深者得更多。
5. 均衡：求解序贯均衡。可能形成“信息瀑布”：当观察到足够多的早期表态者支持某一方后，后续中立者会跟随，即使其私人信息可能相反。强烈偏好者会早表态，温和者会等待观察，极端风险厌恶者可能永远沉默。

个体最终收益相对于完全知情最优收益的损失；表态浪潮形成（瀑布）的概率。

社会认同理论， 信号博弈， 序贯决策， 信息瀑布， 组织政治

公司战略转型中的派系选择， 高管公开支持某个领导或倡议的时机， 危机公关中的立场声明

θ_i， ρ_i: 个体偏好与风险态度 (标量， 私有)。
t_i: 个体i的表态时机 (标量)。
Choice_i: 表态选择 (A， B， Silence)。
Faction_Strength(t): 两派公开支持力量对比 (动态)。
Payoff_i: 最终收益 (标量)。

分歧事件发生​ -> 个体观察私人信号与公开表态情况​ -> 在每期决定是否/如何表态​ -> 更新公开力量对比​ -> 事件解决（如领导决策）， 确定赢家​ -> 根据赢家、资历、偏好一致性分配收益​ -> 分析均衡策略。

序贯博弈、信号传递、信息瀑布、贝叶斯学习、最优停止

公开声明， 会议发言记录。

1. Model as a sequential game of incomplete information. Players move in random order or simultaneously each period.
2. Payoff Specification: If faction W wins， a player who supported W at time t gets reward R(t) = R0 * exp(-κ*t)， where κ >0， so earlier support gives higher reward. If supported loser， gets penalty. Silence gets a baseline payoff. Add cognitive dissonance cost if support differs from true θ.
3. Equilibrium: Players with strong θ (and low ρ) will act early according to their signal. Those with weak signals will wait and possibly herd. The game can have multiple equilibria depending on prior beliefs.
4. Information Cascade: Once the public belief (based on early actions) becomes strong enough， it overrides private signals， leading to a cascade where everyone chooses the same action regardless of their private information.

顺序/随机序列（个体按顺序或随机时机决策）

时间: 求解序贯均衡复杂，通常用模拟或特定简化假设。空间: 依赖于玩家数量。

指令: 信念更新， 期望奖励计算， 最优时机判断。计算中等，但策略空间大。

组织政治， 社会影响， 决策理论

WG-0012​

微观政治/资源分配

“会哭的孩子有奶吃” —— 资源争夺中的噪音信号博弈

博弈论与信息经济学

基于成本型信号发送的资源分配竞争模型

资源争夺噪音信号博弈模型 (Resource Competition Noisy Signaling Game Model)

谋划、权力

1. 参与者：多个部门或项目组竞争有限资源（预算、人力）。每个竞争者i有真实的资源需求紧迫度v_i（私有信息），v_i越高，资源产生的边际效益越大。
2. 信号发送：竞争者可以发出“信号”s_i（如夸大项目风险、强调业务停滞的后果、频繁向上沟通），以彰显其高需求。但发信号有成本c(s_i， v_i)，成本函数满足单交叉条件：低v_i的竞争者发高信号的边际成本更高。即，假装高需求对真低需求者更难/更贵。
3. 资源分配者：中央分配者观察所有信号s = (s_1， ...， s_n)，但信号被噪音干扰（无法完全确认真实性）。分配者根据观察到的信号向量，按照某种规则分配资源R_i(s)，目标是最大化总期望效益 Σ E[v_i * f(R_i)]。
4. 均衡：求解对称纯策略均衡，其中存在一个单调策略s*(v)，即v越高的竞争者发送越强的信号。在均衡中，信号虽然昂贵，但传递了信息，使得分配者能将更多资源分配给高v的竞争者。
5. 效率损失：信号的发送成本是一种社会浪费。模型可评估“会哭”文化导致的总体效率损失，并与固定分配或基于客观指标的分配进行对比。

均衡中资源分配与真实需求v的相关性；信号总成本占资源总价值的比例。

信号博弈， 资源分配， 寻租， 信息经济学， 单交叉条件

企业内部预算争夺， 总部对子公司的资源分配， 政府项目资金申请

v_i: 竞争者i的真实需求紧迫度 (标量， 私有)。
s_i: 竞争者i发送的信号强度 (标量)。
c(s， v): 发信号成本函数 (满足Spence-Mirrlees条件)。
R_i(s): 分配者给i的资源量 (函数)。
Total_Waste: 信号总成本 (标量)。

竞争者获悉私有v_i​ -> 同时选择信号强度s_i​ -> 分配者观察信号向量s​ -> 分配者根据规则分配资源R_i(s)​ -> 竞争者获得收益v_if(R_i) - c(s_i， v_i)*​ -> 分析均衡与福利。

信号博弈、单调均衡、单交叉条件、优化（分配者问题）

项目申请报告， 沟通记录强度。

1. Cost Function: Assume c(s， v) satisfies ∂²c/∂s∂v < 0. A common form: c(s， v) = s / v. Higher v means lower marginal cost of signaling.
2. Allocator’s Problem: Given belief about the strategy s(v)， upon observing s， the allocator infers a distribution over v. Optimal allocation maximizes expected Σ v_i * R_i^(α) (with α<1 for diminishing returns) subject to Σ R_i = R_total.
3. Equilibrium: In a separating equilibrium， s is strictly increasing in v. The allocator can perfectly infer v from s and allocate efficiently. But the signaling cost is sunk.
4. Pooling Equilibrium: If signaling cost is too high for all， may have pooling where all send same signal， and allocation is random/equal. This avoids signaling cost but leads to misallocation.
5. Compare total welfare (sum of benefits minus signaling costs) across different regimes.

同时行动博弈

时间: 求解单调均衡涉及解微分方程。空间: 依赖于竞争者数量。

指令: 微分方程求解， 期望效用计算。计算中等。

组织经济学， 寻租理论， 沟通策略

WG-0013​

计算语言学/微观政治

基于邮件措辞分析的“权力语态”与“关系亲疏”动态监测

自然语言处理与时间序列模型

基于语用特征与序列学习的组织关系亲疏度量化模型

组织关系语态动态监测模型 (Organizational Relationship Pragmatics Dynamic Monitoring Model)

情感、权力、谋划

1. 语用特征提取：从成对个体间的邮件往来中，提取每封邮件的语用特征向量：
- 权力语态：使用祈使句频率、情态动词（必须、应该）频率、人称代词（“我”vs“我们”）分布。
- 礼貌与缓和：使用缓和语（“可能”、“或许”）、道歉、感谢表达频率。
- 亲和表达：使用非正式称呼、表情符号、社交寒暄篇幅。
- 话题集中度：邮件是否专注于单一工作话题 vs 涉及私人话题。
2. 关系亲疏度建模：将两个个体间的关系亲疏度R_ij(t)建模为隐状态。观测序列是随时间推移的语用特征。使用隐马尔可夫模型(HMM)或循环神经网络(RNN)来从观测序列中推断R_ij(t)的演变。
3. 权力动态：计算“语态不对称性”指数A_ij = (i对j的权力语态) - (j对i的权力语态)。监控A_ij随时间的变化，识别权力关系的反转或巩固。
4. 关键事件检测：检测R_ij或A_ij的突变点。突变点可能对应现实中的冲突、联盟形成、职位变动等事件。与人事事件数据库关联验证。
5. 网络可视化：构建动态关系亲疏网络与权力语态不对称网络，可视化组织的“社会温度”与权力结构变迁。

推断的关系亲疏度与调研/访谈结果的相关系数；对关键关系事件（如冲突）的检测准确率。

语用学， 计算语言学， 隐变量模型， 社会关系分析， 组织传感

并购后团队融合监控， 高管与下属关系质量评估， 离职倾向的早期预警（通过关系疏远检测）

Email_Threads_ij: 成对个体间的邮件序列 (文本序列)。
Pragmatic_Features(t): 时间片语用特征向量 (向量)。
R_ij(t): 推断的关系亲疏度隐状态 (标量/离散)。
A_ij(t): 语态不对称指数 (标量)。
Change_Points: 关系突变点检测 (时间点列表)。

收集历史邮件数据​ -> 按发送-接收对分组， 按时间排序​ -> 提取每封邮件的语用特征​ -> 使用HMM/RNN建模关系亲疏度演变​ -> 计算语态不对称性​ -> 检测突变点​ -> 可视化动态网络​ -> 输出分析报告。

序列建模（HMM， RNN）， 时间序列突变检测， 自然语言处理， 网络分析

电子邮件正文。

1. Feature Extraction: Use NLP tools: dependency parsing to identify imperative sentences， part-of-speech tagging for modal verbs and pronouns， lexicon for politeness markers， etc. Aggregate per email.
2. Relationship Model: Treat R_ij(t) as a latent continuous variable. Assume observed features are generated from R_ij(t) with some noise. Use a Kalman filter or an RNN with a regression head to estimate R_ij(t) from the sequence of features.
3. Asymmetry Index: For each pair， compute the difference in average “power language” score (e.g.， imperative frequency) from i to j vs. j to i over a rolling window.
4. Change Point Detection: Apply a change point detection algorithm (e.g.， PELT) on the estimated R_ij(t) or A_ij(t) series.
5. Validation: Correlate estimated R_ij before a known event (e.g.， promotion， conflict) with survey measures of relationship quality.

顺序序列（时间序列建模流程）

时间: NLP特征提取O(N * L)；序列建模O(T * d²)。空间: 存储邮件特征序列和模型参数。

指令: NLP特征提取， 序列模型训练与推理。计算密集，特别是NLP和RNN。

组织沟通， 社会传感， 人力资源分析

WG-0014​

微观政治/冲突管理

人际冲突“调解介入”时机与策略的博弈分析

博弈论与最优控制

基于冲突升级动力学与调解成本的最优介入模型

人际冲突调解最优介入模型 (Interpersonal Conflict Mediation Optimal Intervention Model)

谋划、情感

1. 冲突状态：定义冲突强度C(t) ∈ [0， 1]，0为和谐，1为破裂。动态受双方互动、负面情绪正反馈、自然衰减影响：dC/dt = α * (攻击行为) - β * C + γ * (外部冲击)。
2. 当事人行为：双方可以选择合作、攻击、让步。收益矩阵取决于冲突状态C（高C时合作收益低，攻击诱惑大）。
3. 调解人选项：调解人（如经理、HR）可选择时机介入，介入方式m ∈ {非正式谈话， 正式调解会议， 强制分离}。每种方式有成本k(m)和效果e(m)（能瞬时降低C的量）。但过早介入可能小题大做，过晚介入可能冲突已固化。
4. 最优停止问题：调解人观察C(t)的演化（可能带噪声），决定何时以及以何种方式介入，以最小化总期望成本：介入成本 + 冲突持续造成的业绩损失L(C(t))的积分。这是一个带有控制的最优停止问题。
5. 策略：最优策略是一个阈值规则：当C(t)超过阈值c*(m)时，以方式m介入。阈值取决于介入方式的成本效益比和冲突升级速度。模拟显示，对快速升级的冲突应早期果断介入。

采用最优策略相比固定规则（如每周检查）减少的总成本比例；冲突平均持续时间的缩短。

冲突管理， 最优停止， 控制理论， 博弈论， 组织行为

经理处理下属冲突， HR介入员工纠纷， 项目组内耗的干预

C(t): 冲突强度 (标量)。
Actions_i: 当事人i的行动 (离散)。
Mediation_Option m: 调解方式 (离散)。
k(m)， e(m): 介入成本与效果 (标量)。
L(C): 冲突造成的损失率 (函数)。
Optimal_Threshold c*: 最优介入阈值 (标量)。

冲突初现，强度C(0)低​ -> 当事人互动，C(t)动态演化​ -> 调解人监控C(t)​ -> 当C(t)达到阈值c，选择最优方式m介入​ -> 介入瞬时降低C​ -> 冲突可能解决或降级​ -> 评估总成本​ -> 优化阈值c。

最优停止理论、随机控制、微分方程（冲突动态）、阈值策略

冲突描述， 互动记录。

1. Conflict Dynamics: Model as a stochastic differential equation: dC = μ(C) dt + σ dW， where μ(C) captures the natural escalation (positive feedback) and decay. For simplicity， can use a deterministic version.
2. Loss Function: Total cost = ∫_0^τ L(C(t)) dt + k(m) + future cost after mediation， where τ is the intervention time.
3. Optimal Stopping: Define value function V(C) = min{ cost of intervening now， expected cost of waiting a small time dt }. This leads to a Hamilton-Jacobi-Bellman (HJB) equation.
4. Solution: The optimal policy is to intervene when C reaches a threshold C* where the marginal cost of waiting equals the marginal benefit of potentially lower C (if it self-resolves).
5. Simulation: Simulate many conflict trajectories with and without the optimal policy to compute cost savings.

顺序序列（连续监控与决策）

时间: 求解HJB方程（PDE）数值解。空间: 存储值函数网格。

指令: 偏微分方程求解， 随机过程模拟， 优化比较。计算中等。

冲突解决， 最优决策， 组织干预

WG-0015​

微观政治/企业间互动

企业对接人之间的“私人关系”与“公司利益”双重博弈

重复博弈与网络模型

基于嵌入性与双边抵押的企业间个人关系模型

企业间对接人双重角色重复博弈模型 (Inter-firm Liaison Dual-Role Repeated Game Model)

情感、利益、谋划

1. 双重身份：个体A（公司X员工）与个体B（公司Y员工）在进行商业交易时，同时扮演两个角色：公司代理人（追求公司利益）和个人朋友（追求关系收益）。
2. 阶段博弈：每期，双方就交易条件（价格、交付期）谈判。作为代理人，他们各自有公司设定的底线。但作为朋友，他们可以通过互惠让步（如A给B更优价格，B承诺更快付款）来增进私人关系资本R_AB。私人关系资本能带来未来非正式帮助、信息共享、职业发展等收益。
3. 重复互动：关系是长期的，采用触发策略：如果一方在交易中过度利用私人关系损害对方公司利益（如索要回扣超出合理范围），则私人关系破裂，未来仅进行纯粹公事公办的交易。
4. 均衡关系投资：在均衡中，双方会投资于私人关系（即偶尔做出对公司次优但对关系有利的让步），只要未来私人关系的折现收益大于当期公司利益的损失。最优关系投资水平取决于互动频率、折扣因子、以及外部监督强度（公司审计）。
5. 网络效应：A和B各自还有其他商业伙伴，形成一个人际网络。良好的声誉（在私人与公司角色间保持平衡）有助于吸引其他优质合作伙伴。

均衡私人关系资本R*的水平；交易条件相对于纯粹市场交易的偏离程度。

嵌入性理论， 社会资本， 重复博弈， 委托代理， 企业间关系

供应链伙伴关系管理， 销售与采购人员的互动， 合资企业双方派驻人员协作

R_AB(t): A与B间的私人关系资本存量 (标量)。
Company底线A， B: 公司赋予的谈判底线 (标量)。
Deal_Terms: 达成的交易条件 (向量)。
Personal_Benefit(R): 私人关系带来的收益流 (函数)。
Audit_Intensity: 公司审计强度 (标量)。

建立初步联系​ -> 每期就交易进行谈判​ -> 在公司和私人利益间权衡，决定让步​ -> 执行交易，更新关系资本R​ -> 可能面临公司审计​ -> 关系持续或破裂​ -> 长期均衡形成。

重复博弈、关系契约、嵌入性、优化（关系投资）

合同条款， 沟通记录。

1. Stage Game Payoff: U_A = Π_A(deal) + γ * ΔR_AB， where Π_A is company profit from the deal， γ is weight on relationship， ΔR_AB is change in relationship capital (positive if A made a concession beneficial to B personally).
2. Relationship Dynamics: R_AB(t+1) = δ * R_AB(t) + ΔR_AB， where δ is depreciation (forgetting).
3. Repeated Game: Consider grim trigger: if either party defects (e.g.， takes concession but doesn’t reciprocate later)， revert to Nash equilibrium of the stage game (no relationship investment).
4. Equilibrium: There exists an equilibrium with positive relationship investment if the future value of the relationship (discounted stream of personal benefits) exceeds the one-time gain from reneging on the implicit relationship agreement.
5. The model shows how “guanxi” can facilitate business even between firms with potentially conflicting interests.

顺序序列（重复互动轮次）

时间: 求解重复博弈均衡条件。空间: 依赖于状态变量。

指令: 折现收益计算， 均衡条件不等式判断。计算简单。

企业间关系， 社会资本， 商务礼仪

WG-0016​

微观政治/知识管理

“知识囤积”与“知识分享”的社会困境与激励机制

演化博弈与网络模型

基于知识作为公共物品与地位竞争的知识分享演化模型

知识分享与囤积演化博弈模型 (Knowledge Sharing vs. Hoarding Evolutionary Game Model)

利益、谋划、权力

1. 策略与支付：个体有两种策略：分享者(S)：付出整理与传授成本c，使团队知识库增加b；囤积者(H)：不付出，免费使用团队知识库，并因独占知识可能获得个人优势a（如晋升机会）。团队总知识K = Σ (b * 分享者数量)。
2. 地位竞争：个人绩效取决于其个人知识（包含从团队知识库吸收的部分）和其相对知识优势。囤积者通过保持相对优势可能获得更高绩效评估，从而得到晋升机会或奖金m。
3. 网络互动：知识分享在团队网络中进行。分享者向其邻居贡献知识，囤积者从其邻居吸收知识但不回馈。知识在网络中扩散（如SIR模型）。
4. 策略更新：个体根据其收益（绩效回报 - 分享成本）模仿网络中高收益者，或突变。
5. 演化结果：模拟显示，当个人优势a和m很大时，囤积策略会扩散，导致团队知识库K萎缩，最终损害所有人。需要设计激励机制，使得分享者的总收益（团队绩效分成 + 分享认可奖励）超过囤积者，才能维持知识分享的规范。

均衡时分享者比例；团队总知识水平K。

公共物品博弈， 知识管理， 社会困境， 演化博弈， 网络扩散

企业知识库建设激励， 师徒制推广， 研发团队知识共享文化培育

Strategy_i: 个体策略 (S， H)。
Cost_c， Benefit_b， Advantage_a: 博弈参数 (标量)。
Network_G: 团队沟通网络 (图)。
Team_Knowledge K(t): 团队知识存量 (标量)。
Performance_Reward: 绩效回报函数 (函数)。
Share_Reward: 额外分享奖励 (标量)。

初始化策略分布与网络​ -> 知识分享与吸收（网络扩散）​ -> 计算个人绩效与收益​ -> 策略更新（模仿高收益邻居）​ -> 更新团队知识存量K​ -> (循环) -> 分析策略演化与知识积累。

演化博弈、网络上的公共物品、扩散过程、复制者动态

无。模型驱动。

1. Payoff Calculation: For a sharer i: Payoff_S = f(吸收的知识 + b， 他人知识) - c + Share_Reward. For a hoarder j: Payoff_H = f(吸收的知识， 他人知识) + a + m*I(relative advantage).
2. Knowledge Diffusion: Knowledge from sharers propagates to neighbors with some decay. Hoarders absorb but do not propagate.
3. Strategy Update: As in WG-0005， use imitation dynamics.
4. Equilibrium: Without Share_Reward， the unique stable equilibrium may be all hoard if a and m are large. Introduce Share_Reward to make sharing dominant.
5. The model highlights the tension between individual rationality (hoarding for advantage) and collective good (sharing).

顺序序列（世代循环）

时间: O(T * (

V

+

WG-0017​

微观政治/企业间互动

“桌底交易”与“合规风险”的代理成本模型

委托代理与审计博弈

基于合谋与审计威慑的违规私下交易三方模型

桌底交易与合规审计博弈模型 (Under-table Deal & Compliance Audit Game Model)

谋划、利益、权力

1. 参与方：采购代理A（买方公司），销售代理B（卖方公司），审计方C（买方公司内部或外部）。A和B可以合谋达成桌底交易：B给A回扣r，A以高于市场价p的价格p从B处采购，损害各自公司利益。
2. 收益：A的收益：回扣r - 如果被查处的惩罚F_A。B的收益：额外利润(p - p) - 回扣r - 如果被查处的惩罚F_B。C的收益：查处成功获得奖励R，审计成本c。
3. 审计博弈：C选择审计强度α ∈ [0，1]（即审计概率）。A和B选择是否合谋及回扣大小。审计有成功率s(α)。
4. 均衡：求解三方博弈的混合策略均衡或纯策略均衡。可能存在：
- 完全合规：当F_A， F_B， R很大，c很小时，C高强审计，A和B不敢合谋。
- 普遍合谋：当审计成本c高，奖励R低时，C不审计，合谋盛行。
- 混合均衡：C以一定概率审计，A和B以一定概率合谋，回扣大小是内生的。
5. 政策设计：公司可通过调整惩罚力度F、审计成功率s(α)（通过技术）、审计奖励R，以及提高代理人的正直薪酬（提高其合谋的机会成本），来最小化合谋发生率。

均衡合谋发生率；审计强度α*。

腐败经济学， 审计博弈， 合谋理论， 委托代理， 合规管理

企业采购反腐制度设计， 防止渠道销售与经销商串通， 合规审计资源优化配置

p， p， r: 实际价、市场价、回扣 (标量)。
F_A， F_B， R， c: 惩罚、奖励、成本 (标量)。
α: 审计概率 (决策变量)。
s(α): 审计成功率函数 (函数)。
Collusion_Flag*: 合谋是否发生 (0/1)。

A与B接触， 谈判潜在合谋(r， p)​ -> 决定是否合谋​ -> C决定审计强度α​ -> 如果审计且成功， 查处合谋​ -> 实施惩罚与奖励​ -> 各方收益实现​ -> 分析均衡策略。

博弈论（三方， 混合策略）、审计威慑、合规设计

采购合同， 审计报告。

1. Payoffs: If no collusion: A gets 0， B gets normal profit， C pays 0. If collude and not audited: A gets r， B gets (p-p)-r， C pays 0. If collude and audited (with prob αs(α)): A gets r - F_A， B gets (p-p)-r - F_B， C gets R - c. If audited but no collusion: C pays -c.
2. A&B’s Decision: Collude if (1 - αs(α)) * r > αs(α) * F_A (for A)， and similarly for B.
3. C’s Decision: Choose α to maximize expected payoff: αs(α)*R - c， but also considering the deterrence effect (if α is high， collusion may not occur).
4. Equilibrium: Solve for fixed points in best response functions. In a mixed strategy equilibrium， C makes A&B indifferent between colluding and not， and A&B make C indifferent between auditing and not.
5. Comparative statics: Increasing F_A， F_B， R， or s(α) reduces collusion.

同时/序贯博弈

时间: 求解混合策略均衡需解方程组。空间: 依赖于行动空间。

指令: 期望收益计算， 方程求解。计算简单。

公司治理， 反腐败， 审计学

WG-0018​

微观政治/组织变革

“变革抵制”的群体情绪感染与“关键多数”阈值模型

复杂传染与意见动力学

基于情绪网络与双重阈值的组织变革采纳模型

组织变革抵制情绪感染模型 (Organizational Change Resistance Emotional Contagion Model)

情感、

WG-0019​

微观政治/组织变革

“变革抵制”的群体情绪感染与“关键多数”阈值模型

复杂传染与意见动力学

基于情绪网络与双重阈值的组织变革采纳模型

组织变革抵制情绪感染模型 (Organizational Change Resistance Emotional Contagion Model)

情感、谋划、权力

1. 个体状态：员工i在变革议题上有三个维度：
- 认知态度 A_i ∈ [-1,1]（支持到反对）。
- 情绪强度 E_i ∈ [0,1]（平静到激动）。
- 行为意向 B_i ∈ {抵抗， 观望， 支持}。
2. 双重阈值：
- 认知阈值​ θ_A：当周围支持者比例超过θ_A，个体会开始考虑转变态度。
- 情绪阈值​ θ_E：当周围负面情绪（焦虑、愤怒）平均强度超过θ_E，个体会被“感染”，增强自身负面情绪并可能采取抵抗行为。
3. 网络动力学：员工处于咨询/友谊网络G中。每期，个体根据邻居的态度和情绪更新自己的A_i和E_i：ΔA_i ∝ Σ_j w_ij (A_j - A_i) + 外部信息冲击； ΔE_i ∝ 情绪传染系数 * Σ_j w_ij (E_j - E_i) + 个体对变革的预期损失。
4. 行为触发：当E_i > θ_E 且 A_i < 0，个体以概率p采取抵抗行为（如消极执行、抱怨、公开反对）。当采取抵抗行为的个体比例超过一个“关键多数”阈值（如20%），可能引发全组织范围的变革停滞或失败。
5. 干预策略：模拟不同干预策略的效果：
- 信息澄清：针对性影响A_i。
- 情绪疏导：通过关键节点（意见领袖）降低E_i。
- 分段实施：降低初始的预期损失，防止情绪阈值被突破。

最终支持者比例；抵抗行为爆发的概率（超过关键多数）。

复杂传染， 社会影响， 情绪感染， 阈值模型， 组织变革

企业重组、数字化转型、新政策推行过程中的阻力预测与干预

A_i(t), E_i(t): 态度与情绪状态 (标量)。
B_i(t): 行为意向 (离散)。
θ_A, θ_E: 认知与情绪阈值 (标量)。
Network_G: 员工社交网络 (图)。
Critical_Mass: 关键多数阈值 (标量)。
Intervention_Type: 干预措施 (离散)。

初始化网络与个体状态​ -> 宣布变革，产生初始冲击​ -> 个体与邻居互动，更新态度与情绪​ -> 检查阈值，触发行为​ -> 监控抵抗行为比例​ -> 若未超关键多数，管理方可能干预​ -> (循环) -> 评估变革成败。

意见动力学、情绪感染、阈值模型、复杂网络、社会影响

变革沟通文本， 员工反馈（调查/论坛）。

1. Attitude Update: A_i(t+1) = A_i(t) + μ * Σ_j w_ij (A_j(t) - A_i(t)) + ν * (External_Message - A_i(t)).
2. Emotion Update: E_i(t+1) = E_i(t) + η * Σ_j w_ij (E_j(t) - E_i(t)) + λ * max(0, -A_i(t)*Perceived_Loss).
3. Behavior: If E_i(t) > θ_E and A_i(t) < 0, then B_i = Resist with probability p.
4. Critical Mass: If (Σ_i I(B_i=Resist)) / N > Critical_Mass, the change initiative is deemed to be in crisis.
5. Intervention: E.g., targeting high-centrality individuals with calming messages to reduce E.

顺序序列（时间步模拟）

时间: O(T * (

V

+

WG-0020​

微观政治/企业间

合作伙伴“挖角”与“反挖角”的人才争夺博弈

博弈论与匹配模型

基于人才价值与竞业禁止条款的挖角防御博弈

人才挖角与反制信号博弈模型 (Talent Poaching & Counter-Signaling Game Model)

谋划、权力、利益

1. 参与方：企业A（当前雇主）， 企业B（竞对， 潜在挖角方）， 关键员工E。E有市场价值V， 对A的专用性价值S_A， 对B的潜在价值V_B。
2. 挖角过程：B私下接触E， 出价薪资Offer_B。E决定是否接受。接受则产生切换成本C_switch（包括适应新环境、损失关系资本）。
3. A的反制策略：A可观察到E可能被挖角的信号（如频繁请假面试）， 可采取行动：加薪Retain_Offer、 提升职位、 启动竞业禁止诉讼（威胁成本L_B）。但加薪有成本， 诉讼有声誉风险R。
4. 信号博弈：E的类型是其离职倾向θ（高或低）。E可能通过消极工作等信号暗示可能离职， 以触发A的反制（加薪）。A需要判断信号真假， 决定是否反制。
5. 均衡：求解精炼贝叶斯均衡。可能存在：
- 分离均衡：高θ员工发出真信号，获得加薪；低θ员工不发出，A不行动。
- 混同均衡：所有员工都发出信号，A以一定概率反制（取决于先验信念和成本）。
- B的策略：B只会对高V_B且θ高的员工出价，因为知道A可能反制。

关键人才保留率；企业A为反制支付的平均额外成本。

人才竞争， 信号博弈， 竞业禁止， 保留策略， 人力资源管理

核心技术人员保留， 销售团队被挖角风险应对， 并购后关键人才流失防范

V, S_A, V_B: 人才价值参数 (标量)。
θ_E: 员工离职倾向 (离散， 私有)。
Offer_B, Retain_Offer: B的出价与A的保留出价 (标量)。
C_switch, L_B, R: 切换、诉讼、声誉成本 (标量)。
Signal_E: 员工发出的（可能）信号 (离散)。

B评估目标员工价值V_B​ -> B私下接触E， 出价Offer_B​ -> E考虑并可能发出离职信号​ -> A观察信号， 决定是否及如何反制​ -> E根据最终包(原待遇+反制)与Offer_B做决定​ -> 人才流动或保留​ -> 各方收益实现。

博弈论（信号博弈， 不完全信息）、贝叶斯更新、优化（出价决策）

薪资包细节， 竞业协议条款。

1. Employee’s Decision: Accept B’s offer if: Offer_B - C_switch > Current_Package_A + Expected_Counteroffer_A. The expectation depends on A’s equilibrium strategy.
2. Firm A’s Problem: Upon observing signal, update belief about θ. Choose action to minimize expected loss: loss = (cost of counteroffer) if retain, or (loss of value S_A) if lose employee.
3. Firm B’s Problem: Choose which employees to poach and Offer_B to maximize expected gain: (V_B - Offer_B) * P(accept), where P(accept) depends on A’s counter-strategy.
4. Equilibrium: Solve for consistent strategies and beliefs. The threat of litigation (L_B) can deter B from poaching, effectively raising the cost for B.
5. The model shows that retaining key talent is not just about matching salary, but also about understanding the employee’s private type and the competitor’s valuation.

顺序序列（博弈阶段）

时间: 求解PBE需解不等式组。空间: 依赖于类型空间。

指令: 期望效用计算， 贝叶斯更新， 不等式求解。计算简单。

战略人力资源管理， 竞业限制， 人才战争

WG-0021​

微观政治/团队协同

远程/混合办公中的“虚拟存在感”与“影响力衰减”补偿策略

沟通媒介理论与网络模型

基于媒体丰富度与互动频率的远程影响力维持模型

远程工作影响力衰减与补偿模型 (Remote Work Influence Attenuation & Compensation Model)

谋划、情感、权力

1. 影响力基础：个体i的基线影响力I_i_base取决于其职位、专业知识、历史声誉。在面对面环境中，影响力通过非正式互动、肢体语言、偶然相遇得以强化和维持。
2. 媒介衰减：不同沟通媒介（邮件、即时消息、语音、视频）具有不同的“丰富度”得分R_m，影响其传递社会线索、情感和建立信任的能力。影响力在媒介m上的有效传递系数为β_m ∈ (0, 1)， β_m随R_m增加而增加（视频>语音>文本）。
3. 影响力动态：在远程环境下，个体i的实时影响力I_i(t)会随时间衰减，衰减率δ，除非通过互动进行“充电”。每次通过媒介m与j互动，i对j的影响力增益为 ΔI = β_m * I_i_base * f(互动质量)。需定期互动以维持影响力。
4. 策略优化：个体面临时间预算，需分配时间到不同媒介（m）和不同对象（j）上，以最大化其总体网络影响力Σ_j I_ij(T)在期末T的值。这是一个资源分配问题，解显示应优先使用高丰富度媒介与关键人物互动，并保持规律节奏。
5. 组织支持：模拟组织提供的高质量视频会议工具、线上社交活动（虚拟咖啡）对整体团队信任和影响力平等性的提升效果。

期末影响力相对于纯线下环境的保持比例；关键人物影响力网络的集中度变化。

媒体丰富度理论， 社会存在感， 远程工作， 影响力动力学， 资源分配

远程团队领导力维系， 确保边缘成员的声音被听到， 混合办公政策设计

I_i_base: 个体基线影响力 (标量)。
Media_m: 沟通媒介及其丰富度R_m (离散， 标量)。
β_m(R_m): 影响力传递系数 (函数)。
Decay_δ: 影响力衰减率 (标量)。
Time_Budget: 个人时间预算 (标量)。
Interaction_Schedule: 互动安排 (计划)。

评估团队网络与基线影响力​ -> 进入远程工作模式​ -> 影响力开始衰减​ -> 个体计划并执行媒介互动​ -> 更新影响力值​ -> 周期末评估影响力分布​ -> 调整策略或组织政策​ -> (循环)。

微分方程（衰减与充电）、优化（时间分配）、网络动力学

日历安排， 沟通工具使用日志。

1. Influence Dynamics: dI_ij/dt = -δ * I_ij + Σ_{interactions using media m at time t} β_m * I_i_base * Quality(t).
2. Optimization Problem: Individual i chooses a schedule of interactions (with whom, when, which media) to maximize Σ_j I_ij(T), subject to total time ≤ Budget. This is a scheduling problem, can be approximated by greedy algorithm: prioritize interactions that yield highest influence gain per time unit.
3. Gain per interaction: For a given media m and target j, approximate gain as β_m * I_i_base * (1 - I_ij(t)/I_max) (diminishing returns).
4. Simulation: Run for a team, see how influence distribution changes compared to co-located baseline. Without effort, centralization may increase (rich get richer) or decrease (everyone decays).
5. Organizational events (all-hands, virtual social) act as forced interactions that benefit everyone equally.

顺序序列（连续时间模拟与决策）

时间: 优化调度是组合问题；模拟O(T * N²)。空间: O(N²) 存储成对影响力。

指令: 微分方程数值积分， 排序与选择（调度）。计算中等。

远程协作， 领导力， 组织沟通

WG-0022​

微观政治/企业间

供应商评审中的“关系分”与“合规分”权衡决策

多准则决策与模糊逻辑

基于模糊AHP与证据理论的供应商关系评估模型

供应商关系-合规二元评估模糊模型 (Supplier Relationship-Compliance Dual Evaluation Fuzzy Model)

利益、情感、谋划

1. 评估维度：
- 关系维度：历史合作稳定性、问题解决响应速度、灵活性、高层互动亲密程度。多为定性、主观指标。
- 合规维度：质量合格率、交付准时率、价格竞争力、ESG表现。多为定量、客观指标。
2. 模糊化：将定性指标和部分定量指标转换为模糊数（如三角模糊数）。例如，“响应速度”可评为（慢，中，快）对应模糊集。
3. 权重分配：使用层次分析法(AHP)确定关系和合规各子准则的权重。权重可能因采购品类（战略型 vs 杠杆型）和公司文化（关系导向 vs 流程导向）而异。
4. 综合评估：使用模糊综合评估方法，分别计算供应商的关系模糊评分R̃和合规模糊评分C̃。然后使用一个聚合算子（如加权平均， 但权重α反映决策者偏好）得到总模糊评分T̃ = α * R̃ + (1-α) * C̃。
5. 去模糊化与决策：将T̃去模糊化（如重心法）得到清晰总分。用于供应商排名。模型敏感性分析可揭示：在何种α下，一个关系好但合规稍差的供应商会胜过合规完美但关系一般的供应商。

评估结果与最终供应商选择决策的一致性；决策者偏好的隐含α的揭示。

供应商关系管理， 多准则决策， 模糊逻辑， 层次分析法， 采购战略

战略供应商选择与绩效评估， 采购决策支持系统， 供应链风险管理

Criteria_Rel, Criteria_Comp: 关系与合规准则集 (集合)。
Fuzzy_Ratings: 对各准则的模糊评分 (模糊数)。
Weights_AHP: AHP权重向量 (向量)。
α: 关系偏好系数 (标量， 0≤α≤1)。
T̃_i: 供应商i的总模糊评分 (模糊数)。
Defuzzified_Score: 去模糊化总分 (标量)。

确定评估准则与权重​ -> 收集数据，进行模糊评分​ -> 分别计算关系与合规模糊分​ -> 按偏好α聚合为总模糊分​ -> 去模糊化得到清晰总分​ -> 供应商排序与选择​ -> 敏感性分析。

模糊集理论， 层次分析法， 多准则决策， 敏感性分析

供应商评估表， 合作历史记录。

1. Fuzzy Rating: For each qualitative criterion, experts provide linguistic terms which are mapped to predefined fuzzy numbers (e.g., “Good” = (0.7, 0.8, 0.9)).
2. AHP: Pairwise comparison of criteria, compute consistency ratio (CR), obtain weight vector w.
3. Fuzzy Comprehensive Evaluation: For each dimension (Rel, Comp), compute B̃ = W ∘ R, where R is the fuzzy rating matrix, ∘ is fuzzy composition operator (e.g., multiply and add).
4. Aggregation: T̃ = α * B̃Rel + (1-α) * B̃Comp. (Fuzzy number addition and scalar multiplication).
5. Defuzzification: Center of Area: Score = ∫ x * μ_T̃(x) dx / ∫ μ_T̃(x) dx.
6. Sensitivity: Vary α from 0 to 1, see how ranking changes. Identify the crossover point.

顺序序列（评估计算流程）

时间: AHP O(n²)；模糊运算O(n)。空间: 存储模糊评分矩阵。

指令: 矩阵运算（AHP）， 模糊数运算（加、乘、积分）。计算简单。

采购管理， 决策分析， 供应链治理

WG-0023​

微观政治/企业内

“吹哨人”困境的举报决策与社会规范演化模型

行为博弈与演化模型

基于道德成本、报复风险与规范内化的举报行为演化模型

组织内举报行为演化博弈模型 (Whistleblowing Behavior Evolutionary Game Model)

人性、情感、谋划

1. 策略类型：员工有三种策略：
- 同谋(Silent)：观察到不当行为，保持沉默。收益为0，但可能承受道德成本M。
- 举报(Report)：向内部或外部机构举报。付出举报成本C（时间、精力），有概率p成功制止不当行为，获得道德满足感B，但可能遭受报复R（概率q）。
- 合谋(Comply)：参与不当行为，获得短期利益G，但面临被举报后惩罚L。
2. 社会规范：群体中存在对举报的规范性信念N ∈ [-1,1]，负值表示举报被视为“背叛”，正值表示视为“责任”。规范通过大多数人的行为和社会学习而演化。
3. 道德成本：沉默者的道德成本M是N的减函数（当N为正时，沉默更痛苦）；举报者的道德满足感B是N的增函数。
4. 演化动态：使用复制者动态模拟策略比例变化。成功举报会暂时提高N（强化规范），而普遍的沉默或合谋会降低N。存在多个可能的吸引子：全员沉默（“沉默的螺旋”）、举报文化、或合谋文化。
5. 制度设计：模拟不同保护举报者政策（降低q和R）、提高成功概率p、加大惩罚L，对演化均衡的影响。寻找能引导系统走向“举报文化”的政策组合。

均衡时举报者比例；社会规范N的长期平均值。

吹哨人研究， 社会规范演化， 行为伦理学， 演化博弈， 组织公民行为

企业合规文化建设， 举报热线有效性评估， 反舞弊机制设计

Strategy_i: 个体策略 (Silent, Report, Comply)。
Payoff_Params: (G, L, C, B, R, p, q) (标量)。
Norm_N(t): 社会规范值 (标量)。
Moral_Cost_M(N): 道德成本函数 (函数)。
Retaliation_Risk_q: 报复风险 (标量)。

初始化策略分布与规范N​ -> 不当行为发生​ -> 个体选择策略（沉默/举报/合谋）​ -> 计算收益（考虑道德成本与风险）​ -> 策略更新（模仿高收益者）​ -> 根据举报结果更新规范N​ -> (循环) -> 分析长期均衡。

演化博弈、复制者动态、规范演化、道德决策

无。模型驱动。

1. Payoffs:
- Silent: -M(N)。
- Report: pB(N) - C - qR。
- Comply: G - p*L (if reported) otherwise G.
2. Norm Update: N(t+1) = N(t) + η * (frequency of Report - frequency of Comply) (or similar).
3. Moral Cost: M(N) = m0 * (1 - N) (假设N为正时降低沉默的道德痛苦)。
4. Replicator Dynamics: dx_i/dt = x_i * (Π_i - average_Π)， where x_i is frequency of strategy i.
5. Equilibria: Solve for fixed points of the coupled dynamics of strategy frequencies and N. Stability depends on parameters. Strong protection (low q, R) and high p can make “Report” a dominant strategy.

顺序序列（世代演化循环）

时间: 求解微分方程系统O(T * S)。空间: O(S) 存储策略频率。

指令: 收益计算， 规范更新， 微分方程积分。计算简单。

商业伦理， 公司治理， 社会心理学

WG-0024​

计算语言学/微观政治

基于项目文档协作痕迹的“贡献度争夺”与“署名权”博弈分析

文本分析与网络模型

基于文档版本历史与写作风格分析的贡献度量化模型

协作文档贡献度量化与署名博弈模型 (Collaborative Document Contribution Quantification & Credit Game Model)

谋划、情感、权力

1. 数字痕迹分析：从文档版本控制系统（如Git， Google Docs历史）中提取数据：每个作者对文档每个段落/章节的增删改字符数、编辑时间点、解决评论的数量。
2. 贡献度指标：计算多种贡献指标：
- 工作量贡献​ W_i：编辑字符数加权（后期编辑权重可能更高）。
- 结构贡献​ S_i：创建新章节/核心段落的贡献。
- 协调贡献​ C_i：解决评论、整合他人内容的贡献。
3. 写作风格分析：对最终文档进行文本分析，识别各部分的写作风格（用词、句法），与各作者的历史写作样本进行匹配，推断“思想贡献”或“执笔贡献”。
4. 署名博弈：在文档最终化阶段，作者们就署名顺序（或是否署名）进行协商。每位作者有一个基于其感知贡献的保留效用，如果未达到则可能威胁退出或降级合作。协商可建模为纳什议价解，其中威胁点是无该作者合作的文档价值。
5. 公平性评估：对比算法计算的贡献度与最终实际署名顺序，检测系统性偏差（如资深作者占据第一作者，忽略实际贡献）。提供客观数据支持公平讨论。

贡献度指标与作者自评/同行评议的相关性；署名顺序争议发生的预测准确率。

科学计量学， 协作写作， 文本分析， 贡献度分配， 议价博弈

学术论文、专利、重要公司文件（如白皮书）的作者署名协商， 项目绩效评估

Version_History: 文档版本控制日志 (结构化数据)。
Edit_Metrics_i: 作者i的编辑指标向量 (向量)。
Writing_Style_Signature: 作者写作风格特征 (向量)。
Contribution_Score_i: 综合贡献度得分 (标量)。
Authorship_Order: 实际署名顺序 (序列)。
Bargaining_Outcome: 议价结果 (署名顺序)。

收集文档协作历史​ -> 提取编辑指标与写作风格​ -> 计算多维贡献度得分​ -> 作者间协商署名顺序（可能基于贡献度数据）​ -> 确定最终署名​ -> 对比贡献度与署名，评估公平性​ -> 输出报告。

文本分析， 指标聚合， 议价理论， 公平性度量

文档版本历史， 作者写作样本。

1. Contribution Metrics: e.g.， W_i = Σ_{edit} chars_added * weight(time_of_edit)。 S_i = number of sections initially created by i. C_i = number of comments resolved by i.
2. Style Analysis: For each paragraph， compute its embedding. Compare to each author’s reference embedding (from their other writings). Assign paragraph to author with highest similarity if above threshold.
3. Bargaining: Let V(S) be the value of document with author set S. Nash bargaining solution maximizes Π_i (U_i - d_i)， where U_i is utility from the agreed order (e.g.， first author gets high utility)， and d_i is the threat point utility (value of document without i). The contribution scores can serve as weights in the bargaining power.
4. Fairness: Compute discrepancy: e.g.， Gini coefficient of (contribution_score / credit_assigned) across authors. High Gini indicates unfairness.

顺序序列（数据分析与协商流程）

时间: 文本风格分析O(L * A)；贡献计算O(E)。空间: 存储版本历史和文本嵌入。

指令: 文本嵌入计算， 相似度比较， 指标聚合。计算中等，特别是风格分析。

学术诚信， 协作管理， 文本挖掘

WG-0025​

微观政治/企业间

合资企业董事会中的“席位争夺”与“否决权”配置博弈

合作博弈与投票权力指数

基于Shapley-Shubik与Banzhaf指数的董事会权力分析模型

合资企业董事会权力指数计算与配置模型 (JVC Board Power Index Computation & Allocation Model)

权力、谋划

1. 投票规则：合资公司章程规定，不同决策事项（如预算、关键人事、战略方向）可能需要不同的投票通过门槛：简单多数、绝对多数（如2/3）、或特定股东一致同意。
2. 股东构成：各股东方持股比例s_i， 及在董事会中的席位分配。席位可能不完全与持股比例成比例（因为有少数股东保护条款或技术贡献方）。
3. 权力指数计算：对于给定的投票规则（阈值q），计算各股东方的权力指数：
- Shapley-Shubik指数：衡量方在所有可能的投票顺序中作为“关键投票者”（使其加入使联盟从失败变为成功）的频率。
- Banzhaf指数：衡量方在所有可能的联盟组合中作为“关键投票者”的频率。
指数与持股比例可能大不相同，例如，一个拥有34%股份的股东在需要2/3多数（67%）的决议中拥有实际否决权，其权力远大于其持股比例。
4. 配置优化：潜在新投资者进入或增资扩股时，模拟不同股权/席位分配方案下的权力指数变化。各股东方会博弈以求最大化自身权力指数。这可以建模为一个合作博弈，解的概念如核仁（nucleolus）可用于寻找稳定的分配方案。
5. 敏感性分析：分析不同决议事项（不同阈值q）下的权力分布，识别公司的实际控制方以及在哪些事项上小股东可能拥有否决权。

权力指数与持股比例的相关性（偏差）；否决权存在的识别。

公司治理， 投票理论， 合作博弈， 权力指数， 合资企业

合资企业谈判（股权结构、董事会构成）， 股东协议设计， 公司控制权分析

Shareholding_s: 持股比例向量 (向量)。
Board_Seats: 董事会席位分配向量 (向量)。
Quota_q: 通过所需票数阈值 (标量)。
SSI_i, BZI_i: Shapley-Shubik与Banzhaf权力指数 (标量)。
Veto_Power: 否决权存在标志 (布尔)。

输入股权、席位与投票规则​ -> 枚举所有可能的联盟​ -> 计算各股东方在联盟中的关键性​ -> 计算权力指数​ -> 分析权力分布与偏差​ -> (可选) 模拟股权变更，重新计算​ -> 输出分析报告。

组合数学（联盟枚举）， 合作博弈， 投票权力指数

公司章程， 股东协议。

1. Coalition Enumeration: For n players, there are 2^n possible coalitions. For each coalition S, compute total votes v(S) = Σ_{i in S} votes_i (seats or shares).
2. Pivotal Player: For Shapley-Shubik, consider all n! orders. The pivotal player in an order is the one whose addition makes the cumulative votes first meet or exceed q.
3. Index Calculation: SSI_i = (number of orders where i is pivotal) / n!。 BZI_i = (number of coalitions where i is critical) / (total number of coalitions where i is a member).
4. Veto Power: A player i has veto power if no coalition can win without i. This is true if total votes - votes_i < q.
5. The indices reveal the real power structure, which is crucial for understanding control dynamics beyond nominal ownership.

顺序序列（计算流程）

时间: 枚举联盟O(2^n)， n为股东数，通常n较小（<10）。空间: O(2^n)。

指令: 组合枚举， 投票求和， 计数。计算量随n指数增长，但实际n很小。

公司金融， 公司治理， 投票理论

WG-0026​

微观政治/企业内

空降高管“融入-变革”的双路径策略选择模型

动态规划与最优控制

基于组织能量与变革阻力的空降高管策略优化模型

空降高管双路径策略动态规划模型 (New Executive Dual-Path Strategy DP Model)

谋划、权力、情感

1. 状态变量：
- 组织能量​ E(t) ∈ [0,1]：员工士气、变革意愿的总体水平。初始可能因前任问题而低。
- 变革阻力​ R(t) ∈ [0,1]：既得利益者反对的强度。
- 高管信誉​ C(t) ∈ [0,1]：员工对高管能力与意图的信任程度。
2. 策略路径：高管每期可选择行动组合，侧重两个维度：
- 关系构建​ (a_R)：如一对一谈话、倾听、表彰现有团队。此举提升E和C，但消耗时间，可能延缓变革。
- 变革推动​ (a_C)：如发布新战略、调整架构、引入新流程。此举旨在提升长期绩效，但可能短期内降低E、增加R，尤其当C不高时。
3. 状态转移：E(t+1) = E(t) + α_R * a_R - β_C * a_C * (1 - C(t))。R(t+1) = R(t) + γ_C * a_C - δ_R * a_R * C(t)。C(t+1) = C(t) + η_R * a_R - ζ * (a_C if R(t) high)。
4. 绩效目标：长期目标是在任期T内最大化累积绩效P = Σ [λ * E(t) + (1-λ) * ΔPerf(t)]，其中ΔPerf(t)是变革带来的绩效改进，是a_C和E(t)的函数。
5. 最优策略求解：使用动态规划求解最优行动序列。通常解显示：初期应侧重关系构建（提高E, C），中期在C足够时推出关键变革，后期巩固。过早强推变革（a_C过高）可能导致R激增、E崩溃而失败。

任期末绩效目标达成度；变革成功实施且未引起严重抵制的概率。

领导力转型， 变革管理， 动态规划， 最优控制， 组织能量

新任CEO、部门总经理的“百日计划”设计与动态调整

E(t), R(t), C(t): 状态变量 (标量)。
a_R(t), a_C(t): 关系与变革行动强度 (标量)。
State_Transition_Functions: 状态转移方程 (函数)。
Performance_P(t): 每期绩效 (标量)。
Total_Performance: 任期内总绩效 (标量)。
Optimal_Policy: 最优策略 (函数 of state)。

评估初始状态(E0,R0,C0)​ -> 根据DP策略选择当期行动组合​ -> 执行行动，观察结果​ -> 更新状态(E,R,C)​ -> 计算当期绩效​ -> 进入下一期​ -> 任期结束，评估总绩效。

动态规划、最优控制、状态空间模型、领导力行为

高管日历， 员工调查数据。

1. State Dynamics: As described above, with parameters α_R, β_C, γ_C, δ_R, η_R, ζ estimated from case studies or calibrated.
2. Performance: ΔPerf(t) = κ * a_C(t) * sqrt(E(t)) (变革效果受能量影响)。
3. DP Formulation: V_t(E, R, C) = max{a_R, a_C} { λE + (1-λ)ΔPerf(t) + γ * V{t+1}(E’, R’, C’) }， subject to constraints on actions.
4. Solve Backwards: from terminal time T to 0. The value function V_t and optimal action are computed for each discrete state grid point.
5. The optimal policy typically starts with high a_R, low a_C, and gradually shifts as C and E build up.

顺序序列（反向DP求解与任期执行）

时间: DP求解O(T *

E

*

WG-0027​

计算社会学/微观政治

基于内部论坛/聊天群情感的“组织氛围”实时预警系统

自然语言处理与时间序列

基于情感词典与主题模型的员工情绪脉搏监测模型

组织情感脉搏实时监测与预警模型 (Organizational Sentiment Pulse Real-time Monitoring & Early Warning Model)

情感、谋划

1. 数据流：实时采集企业内部匿名论坛、团队聊天群（如Slack, 钉钉）的文本数据流。
2. 情感与主题分析：
- 情感计算：使用领域情感词典或微调的情感分析模型，计算每条文本的情感倾向（积极、消极、中性）及强度。
- 主题提取：使用LDA或BERTopic实时识别讨论的主题（如“薪酬福利”、“工作负载”、“管理决策”、“裁员传闻”）。
3. 指标聚合：按时间窗口（如每小时、每天）聚合：
- 整体情感净值​ = (积极帖子数 - 消极帖子数) / 总帖子数。
- 主题情感分布：各主题下的情感净值。
- 情绪波动率：情感净值的时间序列标准差。
4. 异常检测：设定基线（如过去30天移动平均）。当出现以下情况触发预警：
- 整体情感净值连续跌破基线N个标准差。
- 特定负面主题（如“裁员”）的讨论量突增。
- 情绪波动率异常升高（预示不确定性或焦虑）。
5. 根因分析与报告：系统自动关联预警时间点附近的公司事件（如财报发布、重组公告、高管变动），为管理者提供可能的解释。生成每日/每周情感脉搏报告。

情感净值与同期员工敬业度调查得分的相关性；对公开危机事件（如罢工、离职潮）的预警提前量。

情感计算， 组织氛围， 实时分析， 主题建模， 异常检测

大型企业员工情绪监控， 并购后文化整合跟踪， 危机公关的早期发现

Text_Stream: 实时文本数据流 (序列)。
Sentiment_Score(t): 时间窗口t的情感净值 (标量)。
Topic_Distribution(t): 主题分布向量 (向量)。
Baseline(t): 情感基线 (标量)。
Alert_Trigger: 预警触发标志 (布尔)。
Associated_Events: 关联事件列表 (列表)。

实时爬取/接收文本数据​ -> 情感分析与主题识别​ -> 按时间窗口聚合指标​ -> 与基线比较，检测异常​ -> 若触发预警，生成警报与简报​ -> 关联近期公司事件​ -> 推送报告给相关人员​ -> (持续循环)。

时间序列分析， 流式处理， 情感分析， 主题建模， 异常检测

内部论坛帖子， 聊天记录。

1. Sentiment Analysis: For each post, use a pre-trained model (e.g., BERT fine-tuned on employee reviews) to get sentiment probability. Compute post sentiment = prob(positive) - prob(negative).
2. Aggregation: For window ending at t, Sentiment_Net(t) = average(post sentiment) over posts in [t-W, t].
3. Baseline: Baseline(t) = moving average of Sentiment_Net over past 30 days.
4. Anomaly: If Sentiment_Net(t) < Baseline(t) - k * std(过去30天) for 连续2个窗口， trigger alert.
5. Topic Spike: For a negative topic (e.g., “layoff”), compute its proportion of posts in current window. If proportion > threshold (e.g., 3x historical average)， trigger alert.
6. Reporting: Auto-generate a dashboard with time series charts, top topics, and sample concerning posts.

实时流式序列

时间: 实时NLP处理O(L)；聚合O(1)。空间: 存储近期时间窗口的聚合结果。

指令: NLP模型推理（情感、主题）， 流式聚合， 统计检验。需要低延迟的NLP处理能力。

员工体验， 人力分析， 社会传感

WG-0028​

微观政治/企业间

战略联盟中的“学习竞赛”与“能力掏空”风险博弈

微分博弈与知识动力学

基于知识吸收与保护的双边学习竞赛微分博弈模型

战略联盟双边学习竞赛微分博弈模型 (Strategic Alliance Bilateral Learning Race Differential Game Model)

谋划、利益、权力

1. 状态变量：两公司A和B各自拥有独特的能力存量K_A(t)和K_B(t)。联盟的目标是共同创造协同价值V(K_A, K_B)。
2. 控制变量：每家公司i选择两种努力：
- 合作努力​ e_Ci：投入资源到联合项目，产生协同价值V，双方按约定分享。
- 学习努力​ e_Li：投入资源从伙伴那里吸收知识，提升自身能力K_i，但可能削弱伙伴的独特性（“掏空”）。
3. 动力学：能力演化：dK_A/dt = α_A * e_LA * (K_B - K_A)⁺ - δ * K_A。即，学习效果取决于学习努力、自身吸收能力、以及与伙伴的能力差距（只能学比自己强的部分）。类似有dK_B/dt。
4. 目标函数：每家公司最大化其在整个联盟期[0, T]的折现利润：Π_i = ∫ e^{-ρt} [份额_i * V(K_A, K_B) - Cost(e_Ci, e_Li)] dt。终期能力K_i(T)带来联盟后的竞争优势。
5. 微分博弈求解：使用哈密顿-雅可比-贝尔曼方程求解马尔可夫完美均衡。均衡显示：如果联盟期T短，或吸收能力强，公司会侧重学习努力（竞赛）；如果协同价值V大且可长期获益，会侧重合作。联盟设计（如交叉许可、阶段性评估）可影响均衡。

联盟期末双方能力差距

K_A(T)-K_B(T)

；协同价值实现比例（相对第一最佳）。

战略联盟， 学习竞赛， 微分博弈， 知识管理， 掏空风险

技术研发联盟， 跨国合资企业， 产学研合作

K_A(t), K_B(t): 公司能力存量 (标量)。
e_Ci(t), e_Li(t): 合作与学习努力 (控制变量)。
V(K_A, K_B): 协同价值函数 (标量)。
Absorptive_Capacity α_i: 吸收能力系数 (标量)。
Cost_Function: 努力成本函数 (函数)。
Equilibrium_Effort_Paths: 均衡努力路径 (函数)。

建立联盟，设定规则​ -> 双方同时选择努力分配路径​ -> 能力与协同价值动态演化​ -> 分享协同收益，支付努力成本​ -> 联盟到期，能力定格​ -> 进入后联盟竞争阶段​ -> 分析均衡与福利。

微分博弈， 最优控制， 知识动力学， 马尔可夫完美均衡

联盟协议， 研发投入数据。

1. State Dynamics: As above. (x)⁺ = max(x, 0).
2. Hamiltonian: H_i = 瞬时利润 + λ_ii * dK_i/dt + λ_ij * dK_j/dt, where λ are costate variables (shadow prices of capabilities).
3. Optimality Conditions: ∂H_i/∂e_Ci = 0, ∂H_i/∂e_Li = 0, and costate equations: dλ_ii/dt = ρλ_ii - ∂H_i/∂K_i, etc.
4. Equilibrium: Solve the system of ODEs for state and costate variables with boundary conditions (initial K, terminal condition on λ). This yields the feedback strategies e_Ci(K_A, K_B), e_Li(K_A, K_B).
5. The solution shows a “race”: if one firm starts with lower capability, it may invest more in learning, potentially catching up and changing the power balance.

连续时间博弈

时间: 求解两点边值问题，数值方法O(T * 迭代次数)。空间: 存储状态和协态路径。

WG-0029​

微观政治/企业内

项目资源“争夺战”中的“哭惨”与“炫绩”策略均衡

信号博弈与预算分配

基于多维信号发送的项目资源竞争博弈模型

项目资源竞争多维信号博弈模型 (Project Resource Competition Multi-dimensional Signaling Game Model)

谋划、利益、情感

1. 项目经理类型：项目i的真实类型是二维的：(潜力 Π_i, 风险 R_i)。Π_i高表示成功可能大、回报高；R_i高表示可能失败、超支。类型是私有信息。
2. 信号空间：项目经理可发送两种信号：
- 绩效信号​ s_P (如夸大里程碑完成度、展示早期成果) -> 意在表明高Π。
- 困难信号​ s_D (如强调技术挑战、资源短缺风险) -> 意在表明高R，以争取更多资源或降低期望。
3. 资源分配者：高管观察所有项目发出的信号对(s_P, s_D)，并根据对(Π, R)的信念，决定资源分配预算B_i。目标是在总预算约束下最大化期望总回报 Σ [E(Π_i

信号) * P(成功) - E(R_i

信号) * 成本]。
4. 均衡：求解两维信号博弈的均衡。可能形成“区隔”：高Π低R的项目发高s_P、低s_D；低Π高R的项目发低s_P、高s_D（哭惨）。中等的项目可能混合。存在“混淆”区域，不同类型发送相同信号，导致分配者平均分配。
5. 信息扭曲：由于信号发送成本（如准备演示材料、夸大风险的声誉成本），均衡会导致信息扭曲。引入第三方验证（如项目评审审计）可以改善效率。

资源分配效率（实际总回报与完全信息最优的比值）；信号发送的总成本。

资源分配， 信号博弈， 预算竞争， 项目管理， 绩效报告

企业年度预算分配， 研发项目组合管理， 总部对业务单元的资源支持

Type_i = (Π_i, R_i): 项目真实类型向量 (二维，私有)。
Signal_i = (s_Pi, s_Di): 发送的信号向量 (二维)。
Budget_Bi: 分配到的资源预算 (标量)。
Cost_of_Signaling: 发信号成本函数 (标量)。
Verification_Prob: 第三方验证概率 (标量)。

项目经理知悉项目真实类型​ -> 准备并发送信号(s_P, s_D)​ -> 资源分配者观察所有信号​ -> 更新对项目类型的信念​ -> 在总预算约束下分配资源​ -> 项目执行，结果实现​ -> (可能) 进行事后验证，惩罚虚假信号​ -> 分析均衡。

多维信号博弈， 贝叶斯推断， 优化（资源分配）， 机制设计

项目报告， 绩效数据。

1. Belief Update: Upon observing signal (s_P, s_D)， the allocator forms a posterior distribution over (Π, R) using Bayes’ rule and the equilibrium signaling strategy.
2. Allocator’s Problem: max_{B_i} Σ_i [ E(Π_i

signal_i) * success_prob(B_i) - E(R_i

signal_i) * B_i ] s.t. Σ_i B_i ≤ Budget. This is a convex optimization given beliefs.
3. Project Manager’s Problem: Choose (s_P, s_D) to maximize expected utility: U = E[Budget(signal)

WG-0030​

微观政治/企业间

渠道合作伙伴的“忠诚度偏移”与“多重归属”动态模型

基于主体的建模

基于奖励计划与转换成本的多主体渠道忠诚演化模型

渠道合作伙伴忠诚度演化多主体模型 (Channel Partner Loyalty Evolution Multi-Agent Model)

利益、情感、谋划

1. 主体与策略：渠道合作伙伴（如经销商、代理商）为主体。策略是分配其努力/资源到不同品牌商A、B、C。分配向量e_i = (e_A, e_B, e_C)， 满足 Σ e = 1。
2. 收益函数：销售品牌j的产品获得收益 π_ij = (利润率j + 返点j) * 销售能力_i * e_ij - 与品牌j相关的固定成本（如培训、库存）。品牌商提供阶梯式返点奖励，销售额越高，返点率越高，形成锁定效应。
3. 转换成本：增加对某品牌的努力投入e_j需要付出调整成本（学习新产品、建立新关系）。
4. 社会学习：合作伙伴观察邻居（其他地理或行业相近的伙伴）的收益和策略，模仿高收益者的分配策略（带动效应）。
5. 品牌商策略：品牌商可调整其返点结构、提供营销支持、或惩罚销售竞品的行为（排他性条款）。模拟不同品牌商策略对市场份额和渠道忠诚度（用HHI指数衡量）的长期影响。

渠道忠诚度（HHI指数）；市场份额稳定性。

渠道管理， 忠诚度计划， 多主体仿真， 演化博弈， 转换成本

快消品、电子产品、 SaaS 的渠道管理策略优化， 防止经销商“脚踩两只船”

Agent_i: 渠道伙伴主体。
Effort_Allocation e_i(t): 努力分配向量 (向量)。
Profit_ij: 销售品牌j的收益函数 (标量)。
Rebate_Schedule_j: 品牌j的返点函数 (函数)。
Switching_Cost: 转换成本函数 (标量)。
Brand_Strategy: 品牌商策略参数 (向量)。

初始化渠道网络与努力分配​ -> 合作伙伴计算各品牌收益​ -> 更新总收益​ -> 社会学习：模仿高收益邻居的策略​ -> 品牌商观察市场数据，可能调整策略​ -> (循环) -> 分析努力分配格局与品牌份额。

基于主体建模， 演化动力学， 收益优化， 社会学习， 渠道经济学

销售数据， 返点政策。

1. Profit Calculation: For each agent i and brand j, sales_ij = market_potential * e_ij * ability_i. Profit_ij = (margin_j + rebate_j(sales_ij)) * sales_ij - fixed_cost_j.
2. Strategy Update: With probability φ, agent i selects a neighbor k proportional to neighbor’s total profit, and copies k’s effort allocation with some mutation (perturbation).
3. Brand Adjustment: Brand j may adjust rebate schedule if its market share is below target: increase rebate for high tiers to incentivize more effort from large partners.
4. Simulation: Over time, clusters of agents may emerge favoring different brands, depending on initial conditions and brand policies. High switching costs lead to stickiness.

顺序序列（时间步仿真）

时间: O(T * N * B)， B品牌数。空间: O(N * B) 存储主体状态。

指令: 收益计算， 邻居选择与模仿， 策略扰动。计算简单，适合并行。

渠道策略， 忠诚度营销， 复杂系统

WG-0031​

微观政治/企业内

跨部门“扯皮”与“流程穿越”的协同成本量化

流程挖掘与网络分析

基于事件日志与组织图的跨部门流程效率诊断模型

跨部门流程协同成本与扯皮诊断模型 (Cross-department Process Coordination Cost & Blame Diagnosis Model)

谋划、权力

1. 数据源：从企业信息系统（如ERP, CRM, BPM）导出事件日志，记录每个业务实例（如采购申请、客户投诉）的流转步骤、处理部门/角色、时间戳、处理结果（通过、驳回、转交）。
2. 流程挖掘：使用流程挖掘算法（如Alpha算法， Heuristics Miner）从事件日志中发现实际的跨部门业务流程模型，并与公司规定的标准流程模型进行对比，识别“灰色路径”（非正式、绕道的处理方式）。
3. 协同成本度量：
- 时间成本：计算流程实例在部门间交接的等待时间（“扯皮”时间），识别瓶颈接口。
- 返工成本：识别因信息不全、规则不清被驳回、循环的环节。
- 穿越成本：统计为绕过瓶颈，员工私下联系其他部门关键人（“穿越”正式流程）完成任务的频率，通过分析“从A部门直接跳至C部门，跳过B部门”的异常序列发现。
4. 责任网络分析：构建“问题-部门”关联网络。节点是部门，边权是部门A引发的问题导致部门B处理延迟或返工的次数。计算部门的“问题引入中心性”和“问题解决中心性”。
5. 优化建议：识别高协同成本的接口，建议流程重构、澄清职责（RACI矩阵）、或设置跨部门协调角色。模拟建议实施后的预期效率提升。

流程遵从度（实际路径与标准路径的吻合度）；平均流程周期时间的可缩减比例预测。

流程挖掘， 协同成本， 组织图， 社会网络分析， 绩效诊断

企业运营效率提升， 供应链协同优化， 客户投诉处理流程改进

Event_Log: 业务事件日志 (列表)。
Process_Model_Discovered: 挖掘出的实际流程模型 (图)。
Standard_Process: 标准流程模型 (图)。
Coordination_Cost_Metrics: 协同成本指标 (向量)。
Blame_Network: 责任网络 (图)。
Improvement_Recommendation: 优化建议 (文本)。

提取事件日志与组织数据​ -> 流程挖掘，发现实际模型​ -> 对比标准模型，识别偏差​ -> 计算协同成本指标​ -> 构建责任网络，识别问题部门​ -> 生成优化建议报告​ -> (可选) 模拟改进效果。

流程挖掘， 图论， 时间序列分析， 网络分析， 流程建模

信息系统日志， 组织架构图。

1. Process Discovery: Apply a process mining algorithm to the event log to obtain a Petri net or BPMN model.
2. Conformance Checking: Align each trace in the log with the standard model, compute fitness (how much of the trace can be replayed on the model) and precision (how much the model allows extra behavior). Low fitness indicates “gray paths”.
3. Performance Analysis: Compute statistics for each activity and transition: average waiting time, processing time. Identify long waits between departments.
4. Blame Network: For each handover from activity a (dept A) to b (dept B) that is a bottleneck or has high rework, increment edge weight from A to B.
5. Recommendation: E.g., if many instances bypass department B, perhaps B’s approval is unnecessary or could be automated.

顺序序列（数据分析流程）

时间: 流程挖掘O(N * L)， N实例数， L日志长度。空间: 存储事件日志和过程模型。

指令: 流程挖掘算法（图构建）， 序列对齐， 统计分析。计算密集，特别是大数据量日志。

业务流程管理， 运营管理， 数据挖掘

WG-0032​

微观政治/企业间

商务宴请中的“酒精政治”与“信任速成”行为模型

行为经济学与社会心理学

基于自我表露与互惠性酒精效应的信任构建模型

商务宴请酒精效应与信任构建模型 (Business Banquet Alcohol Effect & Trust Building Model)

情感、谋划、利益

1. 双人互动：宴请双方A（主人）和B（客人）。初始信任水平T_AB(0)较低。双方可选择饮酒量d_A, d_B ∈ [0, 1]（0为不饮，1为过量）。
2. 酒精效应函数：饮酒产生两种效应：
- 抑制解除：降低自我监控，增加自我表露(S)和情绪表达。S_i(d) = S0 + σ * d_i。
- 认知损伤：损害判断力和记忆力，可能说错话或失态，成本C(d)。
3. 信任更新：信任变化ΔT_AB ∝ [相似性感知] + [互惠性] - [失态负面印象]。其中，相似性感知随双方自我表露的重合度增加；互惠性由饮酒同步性（d_A ≈ d_B）促进；失态产生负面冲击。
4. 博弈均衡：双方同时选择饮酒量d，以最大化自身效用：U_i = 信任收益(T) - 健康/失态成本(C(d)) - 心理不适（如果被迫饮酒）。可能存在多重均衡：都不喝（正式，信任增长慢）、适度共饮（最佳信任构建）、一方豪饮一方不喝（可能产生权力压迫感或尴尬）。
5. 文化差异：模型中参数（如σ， 信任对自我表露的敏感度）可因文化（如东亚 vs 西方）而异。模拟不同文化下的最优宴请策略。

宴请后信任水平的提升幅度；达到一定信任阈值所需的最少宴请次数。

社会心理学， 酒精效应， 信任构建， 商务礼仪， 跨文化比较

跨文化商务谈判的社交安排， 销售与客户关系建立， 团队建设活动设计

d_A, d_B: 饮酒量决策 (标量)。
T_AB(t): 信任水平 (标量)。
Self_Disclosure_S(d): 自我表露函数 (函数)。
Cost_C(d): 饮酒成本函数 (标量)。
Trust_Update_Rule: 信任更新规则 (函数)。
Cultural_Params: 文化参数向量 (向量)。

宴请开始，初始信任低​ -> 双方（可能含蓄地）选择饮酒量d​ -> 酒精生效，影响自我表露与行为​ -> 席间互动，观察言行​ -> 宴请结束，根据互动更新信任​ -> 可能进行多次宴请​ -> 评估信任建立效率。

博弈论， 行为函数， 信任动力学， 文化参数

宴请对话内容（可文本分析）。

1. Alcohol Effect: Simplified: Self-disclosure level S_i = min(1, S0 + k * d_i). Cognitive cost C_i = c * d_i² (convex).
2. Trust Update: T_AB(new) = T_AB(old) + α * (similarity(S_A, S_B)) + β * (1 -

d_A - d_B

) - γ * I(embarrassing_behavior)。
3. Utility: U_A = θ * T_AB(new) - C_A(d_A) - λ * (d_A - preferred_d_A)². Similarly for B.
4. Equilibrium: Solve for Nash equilibrium in d_A and d_B. There can be a coordination game aspect: both prefer to drink similar amounts.
5. Cultural Difference: In some cultures, high S0 (baseline self-disclosure) is low, so alcohol effect σ is more important for trust building. In others, forced drinking (high λ for not matching the host) may be a power play.

同时决策博弈

时间: 求解纳什均衡O(1)。空间: O(1)。

WG-0033​

微观政治/企业内

“隐性歧视”在招聘与晋升中的累计效应模型

系统动力学与计量模型

基于玻璃天花板与累积优势理论的职业轨迹模拟

隐性歧视职业轨迹系统动力学模型 (Implicit Bias Career Trajectory System Dynamics Model)

权力、情感、谋划

1. 存量变量：对两类群体（优势群体M， 弱势群体F），建模其平均：
- 人力资本​ H_M(t), H_F(t)。
- 社会资本​ S_M(t), S_F(t)（导师、赞助人网络）。
- 职位层级​ L_M(t), L_F(t)。
2. 流量与反馈：
- 招聘环节：从合格候选人库中选拔，存在细微的隐性偏见b，使得F群体入选概率降低因子(1-b)。
- 绩效评估：同样的绩效，F群体获得的评分可能有折扣d。
- 晋升决策：晋升概率取决于评估分数、社会资本、及对“领导潜质”的主观判断，后者也可能受偏见影响。
- 导师关系：高层（初期多为M）更可能选择与自己相似的（同性别、同背景）为门生，强化S的差距。
3. 模拟：从职业生涯起点开始，模拟多代人。即使初始人力资本H相同，微小的偏见b和d通过上述反馈回路被逐级放大，导致在高层职位比例L_M/L_F远大于人口比例，形成“玻璃天花板”。
4. 干预点：模拟不同干预措施的效果：盲审简历、结构化面试、多元化晋升委员会、强制多元化目标、反向导师制等。评估其对缩小最终层级差距的效果和达到平衡所需时间。

模拟结束时高层职位（如总监以上）的性别/种族比例；人力资本差距H_M - H_F。

劳动力市场歧视， 系统动力学， 累积优势， 玻璃天花板， 多样性政策

企业多元化与包容性(D&I)战略设计与评估， 人力资源政策分析

H_M(t), H_F(t): 群体平均人力资本 (标量)。
S_M(t), S_F(t): 群体平均社会资本 (标量)。
L_M(t), L_F(t): 群体平均职位层级 (标量)。
Bias_Params (b, d): 隐性偏见参数 (标量)。
Policy_Intervention: 干预政策参数 (向量)。

初始化人口与参数​ -> 招聘环节（应用偏见b）​ -> 在职发展（绩效评估偏见d， 社会资本积累）​ -> 晋升决策（综合偏见）​ -> 更新群体平均状态​ -> 代际更替​ -> (循环) -> 分析长期差距​ -> 测试不同干预政策。

系统动力学， 微分/差分方程， 反馈回路， 偏见模型， 政策模拟

人力资源管道数据， 员工人口统计数据。

1. Hiring: Number of new hires from group F = (applicants_F * qualification_rate_F) * (1 - b).
2. Performance: Observed_Perf_F = True_Perf_F * (1 - d).
3. Promotion: Probability_F = f(Observed_Perf_F, S_F, L_F, bias_factor). Bias factor may decrease with structured process.
4. Mentorship: S_F_growth = η * (number of senior F) * (effectiveness of mentoring). Initially few senior F, so S_F grows slower.
5. Dynamics: dL_F/dt = promotion_in - attrition_out. The promotion rate depends on current L_F (pool of candidates) and the biased process.
6. Simulate coupled equations for M and F over 30 years. Small initial biases lead to large final gaps. Interventions like mandatory diverse slates can accelerate closing the gap.

顺序序列（时间步模拟）

时间: 求解微分方程系统O(T * G)， G群体数。空间: O(G)存储状态。

指令: 微分方程数值积分， 带偏见的概率计算。计算简单。

组织多样性， 人力资源管理， 社会公平

WG-0034​

计算语言学/微观政治

基于工作汇报文本的“邀功”与“避责”修辞模式识别

自然语言处理与话语分析

基于修辞结构理论与因果归因的汇报策略分类模型

工作汇报修辞策略自动分类模型 (Work Reporting Rhetorical Strategy Auto-Classification Model)

谋划、情感

1. 文本分割与标注：将工作报告（如周报、项目总结）按句子或小段分割。人工标注或弱监督标注每个段落的修辞策略：
- 邀功：强调个人/团队贡献，使用主动语态，连接成果与自身行动。
- 避责：将问题归因于外部因素（市场、其他部门）、不确定性，使用被动语态或无人称结构。
- 中性陈述：客观描述事实。
2. 特征提取：
- 句法特征：主动/被动语态频率， 第一人称复数(“我们”) vs 无人称(“据安排”)。
- 语义特征：使用因果连接词（“因此”、“由于”）， 情感词， 归因词（“在…支持下” vs “独立完成”）。
- 叙事结构：检测“挑战-行动-结果”(CAR)模式，但侧重“行动”部分是否被省略或模糊化。
3. 模型训练：使用标注数据训练文本分类器（如BERT）。模型可输出每个段落的策略概率分布。
4. 策略量化指数：计算整篇报告的“邀功指数” = 邀功段落比例 / (邀功+避责+中性)；“避责指数”类似。可进行跨人、跨团队、跨时间比较。
5. 组织文化诊断：分析不同部门、不同管理层级报告的指数分布，识别“邀功文化”或“避责文化”浓厚的单元。追踪个人指数随时间变化，可洞察其职业心态或处境变化。

分类模型在测试集上的F1分数；策略指数与员工绩效评估、晋升速度的相关性分析。

话语分析， 修辞学， 自然语言处理， 归因理论， 组织沟通

企业文化审计， 管理者沟通培训， 识别高潜力员工（善于展示成果）或风险员工（惯于避责）

Report_Text: 工作报告文本 (文本)。
Segments: 文本分段 (列表)。
Strategy_Label: 每段修辞策略标签 (离散)。
Features: 语言特征向量 (向量)。
Classification_Model: 策略分类模型 (如BERT)。
Credit_Index, Blame_Index: 邀功与避责指数 (标量)。

收集工作报告集​ -> 文本预处理与分句/分段​ -> 提取语言特征​ -> 分类模型预测每段策略​ -> 聚合计算整篇指数​ -> 跨报告/个人/团队统计分析​ -> 输出文化诊断报告。

自然语言处理， 文本分类， 特征工程， 统计聚合

工作报告文本。

1. Preprocessing: Sentence splitting, maybe segmenting by bullet points or paragraphs.
2. Feature Extraction: Use spaCy for dependency parsing to detect passive voice. Use lexicons for causal words and attribution phrases. Fine-tune a BERT model on the labeled data, using the [CLS] token representation for classification.
3. Training: Train a multi-class classifier (Credit, Blame, Neutral) using cross-entropy loss.
4. Index Calculation: For a report with N segments, Credit_Index = (#segments predicted as Credit) / N. Similarly for Blame_Index.
5. Analysis: Compute average indices per department. Correlate individual’s average Credit_Index with their performance rating (may be positive) and Blame_Index with turnover risk (may be positive).

顺序序列（NLP处理流程）

时间: BERT微调O(N * L * d)；推理O(L * d)。空间: 存储BERT模型参数。

指令: BERT模型前向传播， 特征提取。计算密集，特别是训练。

组织沟通， 文本分析， 企业文化

WG-0035​

微观政治/企业间

竞争对手高管间的“亦敌亦友”关系与信息泄露边界

重复博弈与网络模型

基于囚徒困境与关系特定投资的竞合关系演化模型

竞争对手高管间竞合关系演化模型 (Competitor Executive Co-opetition Relationship Evolution Model)

谋划、情感、利益

1. 阶段博弈：两家竞争公司的高管A和B，每期面临一个“合作-背叛”决策。合作(C)：分享一些行业非核心信息（如技术趋势、监管动态），双方受益。背叛(D)：利用共享信息打击对方，或隐瞒关键信息，获取单方优势。
2. 关系特定投资：A和B可以投资于“关系资本”R_AB，如共同参加行业会议、私下社交。R_AB增加了未来互动的频率和深度，也提高了背叛的心理成本（失去朋友）和声誉成本。
3. 重复博弈：博弈无限重复，贴现因子δ。采用“触发策略”：任何一方背叛，则关系破裂，未来永远背叛（仅保持纯粹竞争）。<

WG-0036​

微观政治/企业内

团队内部“小圈子”的形成与对团队绩效的影响

社会网络与团队效能

基于社会认同理论的小圈子检测与团队绩效预测模型

团队小圈子检测与绩效影响模型 (Team Clique Detection & Performance Impact Model)

情感、谋划、权力

1. 网络构建：从团队内部沟通数据（邮件、即时消息）构建加权有向网络，节点为成员，边表示沟通频率或强度。
2. 小圈子检测：使用社区检测算法（如Louvain, Infomap）识别紧密的子群（小圈子）。定义“小圈子强度”指标：子群内部的边权重之和与子群间边权重之和的比值。
3. 团队绩效建模：团队绩效Y可建模为小圈子特征的函数：Y = β0 + β1 * (小圈子数量) + β2 * (平均小圈子强度) + β3 * (小圈子间的连接密度) + 控制变量 + ε。
4. 中介效应：小圈子可能通过影响知识共享、冲突解决效率等中介变量影响绩效。使用结构方程模型(SEM)或中介分析检验。
5. 动态监测：随时间推移，监测小圈子的演变（形成、分裂、合并）及其与团队绩效波动的关系。预警高度分裂的小圈子结构。

小圈子检测的模块度Q值；团队绩效预测模型的R²。

社会网络分析， 社会认同理论， 团队动力学， 社区检测， 绩效预测

项目团队组建与调整， 团队冲突预警， 组织发展干预

Comm_Network: 团队沟通网络 (加权有向图)。
Cliques: 检测出的小圈子列表 (列表的列表)。
Clique_Metrics: 小圈子特征向量 (如数量、强度、间连密度) (向量)。
Team_Performance: 团队绩效指标 (标量)。
Mediator_Vars: 中介变量 (如知识共享水平) (向量)。

收集团队沟通数据​ -> 构建网络​ -> 社区检测，识别小圈子​ -> 计算小圈子特征指标​ -> 收集团队绩效与中介变量数据​ -> 构建回归或SEM模型​ -> 分析小圈子特征对绩效的影响路径​ -> 输出诊断报告。

图论（社区检测）， 回归分析， 结构方程模型

沟通记录， 绩效数据。

1. Community Detection: Apply Louvain algorithm to the network, optimize modularity Q. The resulting partition gives cliques.
2. Clique Metrics: Number of cliques, average internal edge weight, external connectivity (edges between cliques).
3. Regression: Y = β0 + β1NumCliques + β2AvgStrength + β3InterConnectivity + γControls + ε.
4. Mediation: Test if knowledge sharing (KS) mediates the effect: CliqueMetrics -> KS -> Performance, using e.g., Baron & Kenny steps or bootstrap.
5. Longitudinal: Repeat over multiple time periods, track changes.

顺序序列（数据分析流程）

时间: 社区检测O(

E

)；回归与SEM O(n*p²)。空间: 存储网络和模型参数。

WG-0037​

微观政治/企业间

供应商“捆绑销售”与采购方“分拆采购”的博弈

博弈论与机制设计

基于产品兼容性与转换成本的捆绑销售博弈模型

供应商捆绑销售与采购分拆博弈模型 (Supplier Bundling vs. Procurement Unbundling Game Model)

利益、谋划、权力

1. 产品设置：供应商提供两种产品A和B，可单独销售，也可捆绑销售。产品间可能存在互补性（一起使用价值更高）或替代性。采购方有两个部门，分别需要A和B，但也可从其他供应商处单独采购。
2. 价值与成本：采购方部门i单独购买产品j的价值为v_ij，成本为p_j。捆绑购买时，价值可能有协同增益s，捆绑价格为P_bundle。从其他供应商采购有转换成本c（资质认证、系统集成等）。
3. 博弈顺序：供应商先宣布定价策略（单独价格p_A, p_B， 捆绑价格P_bundle）。然后采购方两个部门决定是否联合采购（接受捆绑）或各自单独采购（可能从不同供应商）。
4. 均衡分析：供应商通过设置诱人的捆绑折扣，促使采购方联合采购，从而排挤竞争对手。但若采购方部门间协调困难或产品替代性强，可能选择分拆采购。求解子博弈精炼均衡，分析捆绑策略有效的条件（如互补性强、转换成本高）。
5. 采购策略：采购方可建立集中采购部门以强制联合采购，获得捆绑折扣；或故意保持分拆以引入竞争，降低供应商锁定风险。

供应商利润最大化下的最优捆绑折扣；采购方总成本节约比例。

产业组织， 捆绑销售， 博弈论， 采购策略， 转换成本

企业软件采购， 设备与耗材采购， 供应链战略制定

v_ij: 部门i对产品j的估值 (标量)。
p_A, p_B, P_bundle: 供应商定价 (决策变量)。
c: 转换成本 (标量)。
s: 捆绑协同增益 (标量)。
Procurement_Decision: 采购方选择 (捆绑， 分拆) (离散)。

供应商设定产品价格​ -> 采购方部门评估各自选项​ -> 采购方决定是否联合（接受捆绑）​ -> 执行采购，实现价值与成本​ -> 计算双方收益​ -> 分析均衡定价与采购策略。

博弈论（序贯博弈）， 优化（供应商定价）， 协同效应

产品目录， 采购合同。

1. Supplier’s Profit: If bundle accepted: Profit = P_bundle - cost_A - cost_B. If separate sales: Profit = (p_A - cost_A)I(A sold) + (p_B - cost_B)I(B sold).
2. Buyer’s Decision: Accept bundle if (v_1A + v_2B + s - P_bundle) > max{ (v_1A - p_A) + (v_2B - p_B), (v_1A - p_A) + (v_2B - p_altB - c), ... } considering all alternatives.
3. SPNE: Supplier chooses prices to maximize profit anticipating buyer’s optimal response.
4. Condition for Bundling: Bundling is profitable if the synergy s is high enough or if it helps capture more surplus from heterogeneous buyers (versioning).
5. Buyer’s counter-strategy: Standardize specifications to reduce switching cost c, enabling unbundling.

顺序博弈（供应商先动）

时间: 求解优化问题，可能需数值方法。空间: 依赖于选择分支。

指令: 利润计算， 比较不同场景。计算简单。

采购管理， 定价策略， 产业经济学

WG-0038​

微观政治/企业内

员工“消极服从”与“隐性抵抗”的行为识别与干预

行为识别与激励模型

基于工作日志分析与情绪检测的消极服从预警模型

消极服从与隐性抵抗行为识别模型 (Passive Compliance & Silent Resistance Behavior Identification Model)

情感、谋划

1. 行为特征提取：从多个数据源提取可能预示消极服从或隐性抵抗的行为特征：
- 工作模式：严格按点上下班，无加班；任务完成度刚好达标，从不超额；极少主动提出建议或问题。
- 沟通特征：邮件响应延迟长但未超时；使用简短、公式化语言；会议中沉默或只附和。
- 数字痕迹：内部系统登录时间规律但短暂；知识库搜索记录贫乏；培训完成但成绩刚及格。
2. 情绪与情感分析：从员工撰写的文档、沟通中提取情感基调（冷漠、消极），或通过匿名脉冲调研收集工作满意度、心理安全感数据。
3. 集成分类：将上述特征输入到分类模型（如梯度提升树）中，预测员工是否处于“消极服从”或“隐性抵抗”状态。状态视为潜在变量，可用隐马尔可夫模型捕捉动态转换。
4. 根因分析：将识别出的员工状态与其所在团队、管理者风格、近期事件（如绩效评估不佳、薪酬调整）关联，识别常见触发因素。
5. 个性化干预：对高风险员工，触发管理干预：一对一沟通、重新分配有意义工作、提供职业发展支持等。监测干预后行为特征的变化。

行为分类模型的准确率/召回率；干预后员工状态改善的比例。

组织行为学， 员工敬业度， 行为识别， 情感计算， 预警系统

员工敬业度提升， 离职风险预警， 团队健康度监测

Behavior_Features: 行为特征向量 (向量)。
Sentiment_Score: 情感得分 (标量)。
Risk_Score: 消极服从/抵抗风险分数 (标量)。
Intervention_Type: 干预措施 (离散)。
Post_Intervention_Change: 干预后变化 (标量)。

多源数据采集​ -> 特征提取与计算​ -> 风险评分模型评估​ -> 触发高风险预警​ -> 根因分析与干预建议​ -> 执行干预​ -> 跟踪后续行为变化​ -> 模型迭代优化。

机器学习分类， 时间序列分析， 特征工程， 因果推断（干预效果评估）

工作日志， 沟通文本， 调研数据。

1. Feature Engineering: e.g., Punctuality = (actual_work_hours / required_hours) but capped at 1; Initiative_Score = number of suggestions submitted; Communication_Responsiveness = average reply time.
2. Model Training: Label a subset of employees (e.g., via manager identification or survey). Train a classifier (e.g., XGBoost) to predict the label.
3. Risk Score: Output probability of being in “passive compliance” state.
4. Intervention Assignment: For employees above threshold, recommend intervention based on likely cause (e.g., if low psychological safety, manager training; if lack of growth, career chat).
5. Evaluation: Compare pre- and post-intervention risk scores using a difference-in-differences approach if possible.

顺序序列（监测-预警-干预循环）

时间: 特征计算O(N * F)；模型推理O(F)。空间: 存储特征数据和模型。

指令: 特征计算， 分类模型推理。计算中等。

人力资源管理， 员工体验， 行为科学

WG-0039​

微观政治/企业间

行业展会中的“人脉巡游”与“情报收集”最优路径规划

组合优化与网络分析

基于多重约束与动态价值的人脉巡游优化算法

行业展会人脉巡游优化算法 (Industry Conference Networking Tour Optimization Algorithm)

谋划、利益

1. 目标设定：参展者（企业代表）希望在展会有限时间T内，通过拜访展位、参加论坛、社交活动，最大化总价值。价值包括：
- 人脉价值​ V_net(i)：与关键人物i会面的预期收益（未来合作机会）。
- 情报价值​ V_info(j)：从展位j或论坛j收集的信息价值。
2. 约束：
- 时间约束：每个会面/参观需耗时t_i，包括移动时间。
- 时序约束：某些活动有固定时间（如论坛）。
- 耦合约束：会见某人可能需要在其展位或特定活动上。
3. 优化模型：建模为带时间窗的定向问题(OP)或团队定向问题(TOP)。决策变量x_{ijt}表示是否在时间t从i移动到j。目标函数 max Σ V_k * y_k， 其中y_k表示是否完成活动k。约束包括流守恒、时间窗、总时间限制。
4. 动态调整：实际展会中，偶遇机会、会面取消等会发生。算法需支持实时重规划，基于剩余时间和新出现的机会调整后续路径。
5. 个性化策略：根据参展者角色（销售、研发、高管）设定不同的价值函数V_net和V_info，生成定制化巡游计划。

计划总价值与理论最大可能价值的比例；实际完成活动数量与计划的对比。

组合优化， 定向问题， 路径规划， 社交网络， 情报收集

企业参展策略， 个人参会效率提升， 销售会议安排

Activities: 活动列表（人脉会面、展位、论坛） (列表)。
Value_V_k: 活动k的价值 (标量)。
Duration_t_k: 活动持续时间 (标量)。
Time_Windows: 活动时间窗 (开始，结束)。
Travel_Time_ij: 活动间移动时间 (矩阵)。
Total_Time_T: 总可用时间 (标量)。
Tour_Plan: 巡游路径序列 (序列)。

会前：定义目标，收集活动信息​ -> 构建优化模型，求解初始巡游计划​ -> 展会中：执行计划，记录实际完成情况​ -> 处理突发事件（偶遇、取消）​ -> 实时重新规划剩余路径​ -> 展会结束，评估效果​ -> 积累数据优化未来模型。

组合优化（定向问题）， 整数规划， 动态规划， 实时重规划

展会日程， 参会者名单， 展位地图。

1. Formulation as OP: max Σ_k V_k * y_k s.t. Σ_i Σ_j Σ_t x{ijt} * (t_j + travel{ij}) ≤ T, flow conservation, each activity visited at most once, etc. This is NP-hard.
2. Solution: Use heuristic (e.g., greedy with regret insertion, or ant colony optimization) or exact solver for small instances.
3. Dynamic Update: When a new opportunity arises or a meeting cancels, remove/add nodes and re-run the heuristic from current time and location.
4. Value Estimation: V_net can be estimated from the contact’s seniority, company relevance, and past interaction history. V_info can be estimated from session topic relevance.
5. Output is a time-ordered sequence of activities with start and end times.

顺序序列（规划-执行-重规划）

时间: 求解OP是NP-hard，启发式算法O(n²)或更高。空间: 存储活动图和路径。

指令: 启发式搜索， 排序， 路径评估。计算中等，取决于活动数量。

社交网络， 活动管理， 优化调度

WG-0040​

微观政治/企业内

绩效校准会议中的“评分博弈”与“共识构建”

群体决策与博弈论

基于多方谈判与公平偏好的绩效校准博弈模型

绩效校准会议评分博弈模型 (Performance Calibration Meeting Rating Game Model)

权力、谋划、情感

1. 参与者：多位经理各自带来其下属的初始评分。经理i希望其下属获得高评分（以利于团队奖金、个人声望）。
2. 校准过程：多轮讨论。每轮，经理可为其下属辩护（提供证据），也可质疑他人评分。最终目标是达成一组一致的校准后评分，满足分布约束（如强制正态分布）。
3. 效用函数：经理i的效用取决于：其下属的平均校准后评分、评分结果与初始评分的偏差（维护面子）、以及与其他经理的“交易”（我支持你的人，你支持我的人）。
4. 博弈均衡：建模为合作博弈或非合作讨价还价。可能存在“互投赞成票”的均衡：经理们形成联盟，互相抬高对方下属的评分。但若存在强势上级（如HR） enforcing 分布规则，则博弈受约束。
5. 机制设计：设计校准流程以减少博弈行为：匿名呈现案例、使用校准参照物（anchor）、由独立调解人主持。模拟不同流程对评分质量（如与后续业绩的相关性）和经理满意度的影响。

校准后评分的区分度与有效性（与后续业绩相关性）；经理对校准过程的公平感知评分。

绩效管理， 群体决策， 博弈论， 公平性， 校准机制

企业绩效校准会议设计， 减少评分者偏见， 提升绩效评估质量

Initial_Ratings_ij: 经理i对下属j的初始评分 (矩阵)。
Calibrated_Rating_j: 下属j的最终校准评分 (标量)。
Utility_i: 经理i的效用 (函数)。
Distribution_Constraint: 评分分布要求 (如均值、方差) (约束)。
Process_Design: 校准流程参数 (向量)。

经理提交初始评分​ -> 进入校准会议​ -> 多轮讨论与辩护​ -> 可能的投票或协商​ -> 达成校准后评分（满足分布）​ -> 计算各方效用​ -> 分析博弈行为与结果。

合作/非合作博弈， 谈判， 群体决策， 约束优化

绩效案例材料， 会议记录。

1. Model as a bargaining problem: The set of feasible calibrated ratings is constrained by distribution rules. Managers have preferences over the outcomes. The outcome is a point in this feasible set.
2. Solution concepts: Nash bargaining solution, or core of a cooperative game where managers can form coalitions to block certain outcomes.
3. “Logrolling”: If managers can trade support, the outcome may be inflated ratings for all in the coalition, violating distribution constraints. Enforcement reduces this.
4. Process Matters: Sequential discussion (one employee at a time) vs. holistic view; anonymous vs. public advocacy.
5. Simulation: Model managers as agents with different bargaining power (based on seniority, team size) and simulate the meeting dynamics under different rules.

顺序/迭代（多轮讨论）

时间: 求解谈判解或模拟动态。空间: 依赖于经理和下属数量。

指令: 效用计算， 约束检查， 谈判协议模拟。计算不密集。

绩效评估， 组织公正， 人力资源管理

WG-0041​

微观政治/企业间

商业间谍与反间谍的“信号干扰”与“诱饵投放”博弈

信号博弈与信息战

基于信号检测论与成本效益的商业反间谍模型

商业反间谍信号干扰与诱饵博弈模型 (Corporate Counter-espionage Signal Jamming & Decoy Game Model)

谋划、权力

1. 参与方：防御方D（公司）， 攻击方A（竞争对手或职业间谍）。A试图获取D的商业秘密（如技术图纸、客户名单）。D可采取主动防御措施：信号干扰（释放大量虚假信息，增加A识别真信息的难度）和投放诱饵（精心制作的假秘密，诱导A做出错误决策）。
2. 信号检测框架：A在噪声中观察信号，判断是否为真秘密。D选择虚假信号的比例和诱饵的逼真度。A的检测能力（辨别真伪的概率）随虚假信号比例增加而下降，但提高诱饵逼真度增加D的成本。
3. 收益：A成功窃取真秘密获益G_A，但若被诱饵误导做出错误决策损失L_A。D的损失包括秘密泄露损失L_D，以及防御措施成本C_D(虚假信号比例， 诱饵逼真度)。
4. 博弈均衡：求解贝叶斯均衡。D最优策略是混合使用干扰和诱饵，使得A的预期收益为零（或低于其攻击成本），从而阻止攻击。均衡时，真秘密被泄露的概率是内生的。
5. 多层防御：模拟结合技术手段（加密、访问控制）与主动欺骗的多层防御策略，评估其成本效益。

均衡时攻击方被诱饵误导的概率；防御方总期望损失（泄露损失+防御成本）。

信息安全， 信号博弈， 欺骗策略， 信号检测论， 商业间谍

企业知识产权保护， 竞争情报防御， 主动网络安全策略

Defense_Actions: 防御措施（干扰强度， 诱饵逼真度） (向量)。
Attack_Success_Prob: 攻击成功概率 (函数 of 防御措施)。
G_A, L_A, L_D: 收益与损失参数 (标量)。
C_D: 防御成本函数 (函数)。
Equilibrium_Strategy: 均衡策略 (混合策略)。

防御方评估秘密价值与潜在攻击者​ -> 选择防御措施组合​ -> 攻击方观察信号，决定是否及如何行动​ -> 攻击结果实现（成功窃取/被诱饵误导/无收获）​ -> 双方收益实现​ -> 分析均衡与最优防御投资。

信号博弈， 混合策略均衡， 信号检测理论， 成本效益分析

安全事件日志， 威胁情报。

1. Signal Detection Model: Attacker’s problem: upon receiving a signal, decide if it’s genuine (H1) or false (H0). The signal distribution depends on defender’s mix. Attacker uses a threshold rule to maximize expected payoff.
2. Defender’s Problem: Choose the mix (probability of sending a genuine signal among all signals, and the quality of decoys) to minimize expected loss: L_D * P(leak) + C_D(mix).
3. Equilibrium: In a signaling game, the defender may randomize to make the attacker indifferent. The attacker’s best response is a detection threshold.
4. Solution: Find the mixed strategy Nash equilibrium. The defender’s optimal strategy makes the attacker’s expected gain from attacking equal to the cost of attacking (or zero).
5. Extensions: Include multiple types of secrets with different values, and dynamic play where attacker learns over time.

同时博弈或序列博弈

时间: 求解混合策略均衡需解方程组。空间: 依赖于行动空间。

指令: 概率计算， 期望损失最小化。计算简单。

信息安全， 竞争情报， 博弈论

WG-0042​

微观政治/企业内

内部竞聘中的“评委同盟”与“候选人游说”

社会选择与网络博弈

基于排序聚合与影响网络的内部竞聘结果预测模型

内部竞聘评委同盟与游说模型 (Internal Job Competition Judge Alliance & Lobbying Model)

权力、谋划、情感

1. 评委网络：评委之间存在着社交或利益关系，形成网络。边权表示联盟强度或影响敏感度。
2. 游说活动：候选人可以对评委进行游说（如展示业绩、寻求支持），游说效果取决于游说投入和评委的初始偏好。游说有成本，且可能被其他评委察觉，产生负面印象。
3. 评分与投票：评委各自对候选人评分，但最终结果可能通过讨论或投票决定。评委可能因同盟关系而调整其评分以支持同盟偏好的候选人。
4. 结果预测：使用社会选择函数（如Borda计数， Copeland规则）聚合评分。但考虑到评委间的相互影响，实际评分可能偏离其真实偏好。使用基于网络的影响模型（如DeGroot学习）模拟评分动态，预测最终胜出者。
5. 机制设计：设计不易被操纵的竞聘规则：使用匿名评分、去除最高最低分、引入外部评委、限制游说活动。模拟不同规则下，最优候选人胜出的概率。

模型预测结果与实际结果的一致性；游说总成本与结果改变的关系。

社会选择理论， 投票理论， 社会影响网络， 游说， 机制设计

企业内部晋升、竞聘流程优化， 减少非绩效因素干扰

Judge_Network: 评委关系网络 (加权有向图)。
Candidate_Quality: 候选人真实资质向量 (向量)。
Lobbying_Effort_ij: 候选人i对评委j的游说投入 (标量)。
Initial_Preference_j: 评委j的初始偏好 (向量)。
Final_Rating_ij: 评委j对候选人i的最终评分 (标量)。
Aggregation_Rule: 评分聚合规则 (函数)。

确定评委与候选人​ -> 候选人进行游说​ -> 评委形成初始评分​ -> 评委互动（可能结盟），调整评分​ -> 聚合最终评分，确定胜者​ -> 分析游说与同盟的影响​ -> 评估规则有效性。

社会选择函数， 网络影响模型， 游说博弈， 机制设计

评委背景， 候选人材料。

1. Influence Model: Judges update their ratings based on neighbors’ ratings: R_j(t+1) = α * R_j(t) + (1-α) * Σ_k w{jk} R_k(t), where R_j(t) is judge j’s rating vector at time t.
2. Lobbying Effect: Initial rating R_j(0) is a function of candidate quality and lobbying effort: R{ij}(0) = f(Quality_i, Lobby_ij).
3. Aggregation: After convergence, apply aggregation rule (e.g., Borda: sum of ranks) to the final ratings to select winner.
4. Equilibrium Lobbying: Candidates choose lobbying efforts to maximize probability of winning minus cost, anticipating the influence dynamics.
5. Rule Robustness: Test different aggregation rules (e.g., majority rule vs. Borda) for their susceptibility to lobbying and alliances.

顺序序列（游说-影响-聚合）

时间: 影响模型迭代O(T *

V

*

WG-0043​

微观政治/企业间

技术标准联盟中的“专利池”与“许可费”分配博弈

合作博弈与机制设计

基于Shapley值与核心的专利池许可费分配模型

专利池许可费合作博弈分配模型 (Patent Pool Royalty Sharing Cooperative Game Model)

利益、权力、谋划

1. 专利与价值：多个公司各拥有互补性专利，组成专利池。专利池的总许可费收入为R。每个专利子集S（联盟）能产生的价值V(S)取决于这些专利是否能支撑起一个可实施的技术方案。V(S)是特征函数。
2. 合作博弈：公司是玩家，V(S)是联盟S可以获得的许可费（如果S单独成立专利池）。大联盟N（所有专利）的价值V(N)=R。问题是：如何将R分配给各公司，使得分配方案x在核心（core）中，即没有子联盟有动机离开大联盟单干。
3. 解概念：使用Shapley值、核仁（nucleolus）等解概念计算分配方案。Shapley值基于边际贡献，被认为公平但可能在核心外（即不稳定）。核仁寻找对最不满意联盟的“抱怨”最小化的分配。
4. 稳定性分析：检查分配方案是否在核心。如果不在，识别有离开动机的联盟，调整分配或修改专利池规则（如最低参与门槛）以稳定联盟。
5. 不对称信息：各公司可能私有信息关于其专利的真实必要性（是否可被绕开）。设计激励相容的机制，使公司如实报告，并计算相应的分配。

分配方案的稳定性（是否在核心）；Shapley值分配的方差（公平性感知）。

合作博弈， 专利池， 许可费， Shapley值， 核心

技术标准组织（如MPEG-LA, Avanci）的专利池管理， 交叉许可协议谈判

Players: 专利持有公司集合 (集合)。
V(S): 联盟S的特征函数 (函数)。
R: 专利池总许可费收入 (标量)。
Allocation_x: 分配方案向量 (向量)。
Core_Check: 核心稳定性检查 (布尔)。

确定专利池成员与专利​ -> 评估各专利子集的价值V(S)​ -> 计算合作博弈的解（Shapley值， 核仁等）​ -> 检查核心稳定性​ -> 若不稳，调整分配或池规则​ -> 达成分配协议​ -> 执行许可与分配。

合作博弈理论， 特征函数， Shapley值计算， 核心稳定性

专利权利要求， 技术标准文档。

1. Characteristic Function: For each subset S, V(S) = market_size * (fraction of market covered by patents in S) * royalty_rate. Determining coverage requires technical analysis.
2. Shapley Value: φ_i(v) = Σ_{S ⊆ N{i}}

S

! (

N

-

WG-0044​

微观政治/企业内

公司政治“站队”错误的职业生涯损害评估

生存分析与事件史

基于Cox比例风险模型的站队错误生存分析

政治站队错误职业生涯生存分析模型 (Political Alignment Error Career Survival Analysis Model)

权力、谋划、情感

1. 事件定义：终点事件是“职业生涯受损”，可操作化为：降职、被调离核心岗位、离职（非自愿）、或长期晋升停滞（如超过预期时间未晋升）。
2. 协变量：收集员工特征：
- 站队变量：是否在关键政治斗争中支持了失败方（是/否）， 以及与失败方关系的紧密程度。
- 控制变量：绩效评级、任期、职位、学历、与最终胜利方的关系等。
3. 生存模型：使用Cox比例风险模型：h(t

X) = h0(t) * exp(β1 * Alignment_Error + β2 * Closeness + Σ γ * Controls)。其中h0(t)是基准风险函数。估计站队错误对职业生涯风险的效应（风险比HR）。
4. 时间交互效应：站队错误的效应可能随时间衰减（人们遗忘）或加剧（新领导清算）。在模型中引入站队错误与时间的交互项检验。
5. 异质性分析：分析效应在不同层级（高管 vs 中层）、不同绩效水平员工中的差异。高性能员工可能更有“豁免权”。

站队错误变量的风险比(HR)及其显著性；模型的一致性指数(C-index)。

生存分析， 事件史分析， 组织政治， 职业生涯

企业政治风险评估， 员工职业生涯规划， 领导力更替期的人员管理

Time_To_Event: 到事件发生或删失的时间 (标量)。
Event_Indicator: 是否发生事件 (1/0)。
Alignment_Error: 站队错误指示 (1/0)。
Closeness: 与失败方关系紧密程度 (标量)。
Controls: 控制变量向量 (向量)。
Hazard_Ratio: 风险比 (标量)。

确定研究时段与政治事件​ -> 识别员工站队情况​ -> 追踪后续职业生涯事件​ -> 构建生存分析数据集​ -> 拟合Cox模型​ -> 解释站队错误效应​ -> 进行异质性分析​ -> 输出风险报告。

生存分析， Cox比例风险模型， 风险比， 时间交互

人事变动记录， 组织架构图。

1. Data Preparation: For each employee, record the time from the political event (e.g., leadership change) to career event or censoring.
2. Cox Model: Partial likelihood estimation: L(β) = Π{event times} [ exp(β'X_i) / Σ{j in R(t)} exp(β'X_j) ], where R(t) is the risk set at time t.
3. Hazard Ratio: HR for Alignment_Error = exp(β1). HR > 1 indicates increased risk of career damage.
4. Time-varying effect: Include interaction term Alignment_Error * log(t) to test if effect changes over time.
5. Stratification: Stratify by performance level to see if high performers have HR closer to 1 (protected).
6. Assumptions: Check proportional hazards assumption using Schoenfeld residuals.

顺序序列（数据准备与建模）

时间: Cox模型拟合O(n * p²)。空间: 存储生存数据集。

指令: 统计计算， 部分似然最大化。计算中等。

WG-0045​

微观政治/企业间

客户“关系渗透”与“决策单元”影响的映射模型

社会网络与影响力映射

基于决策单元网络与影响路径的客户关系渗透模型

客户决策单元影响网络渗透模型 (Customer Decision Unit Influence Network Penetration Model)

谋划、权力、情感

1. 决策单元(DMU)识别：识别客户组织中参与采购决策的所有角色：使用者、影响者、决策者、批准者、采购者、守门员。构建这些角色的关系网络，边表示正式汇报关系或非正式影响关系。
2. 影响力度量：通过调研、访谈或分析沟通数据，估计DMU中每个角色对决策的影响力权重w_i，以及对其他角色的影响强度I_ij。
3. 立场分析：评估每个角色对我方方案的立场P_i ∈ [-1,1]（反对到支持）。初始立场可能基于其职能、过往经验等。
4. 影响传播模拟：使用线性阈值模型或独立级联模型，模拟我方销售活动（如产品演示、技术交流、关系互动）如何改变关键角色的立场，并通过网络影响其他角色。目标是将尽可能多的角色，特别是高权重角色，转变为支持者。
5. 最优干预策略：在有限的销售资源（时间、预算）下，选择对哪些角色、以何种方式、在何时进行干预，以最大化最终决策支持度。这是一个影响最大化问题在带权网络上的变种。

最终决策支持度（加权和）；达到支持阈值所需的最少干预次数。

组织采购行为， 社会网络分析， 影响最大化， 决策单元， 关系营销

B2B大客户销售策略， 复杂解决方案销售， 政府及企业采购攻关

DMU_Network: 决策单元关系网络 (加权有向图)。
Influence_Weight_w_i: 角色i的决策权重 (标量)。
Stance_P_i(t): 角色i在t时刻的立场 (标量)。
Influence_Activity: 销售干预活动 (类型， 目标， 强度)。
Decision_Support_Score: 最终决策支持度 (标量)。

绘制客户DMU网络与影响关系​ -> 评估各角色立场与权重​ -> 设计销售干预活动​ -> 模拟影响传播，更新立场​ -> 评估决策支持度​ -> 调整干预策略，迭代优化​ -> 执行最优干预计划。

社会网络分析， 影响传播模型， 优化（干预选择）， 决策分析

客户组织架构， 访谈记录。

1. Network Construction: Nodes = DMU roles. Edges: influence strength I_ij from i to j, perhaps from survey or estimated from hierarchy.
2. Stance Update: P_i(t+1) = (1-α) * P_i(t) + α * Σ_j I_ji * P_j(t) + β * Intervention_Effect(i, t).
3. Intervention Effect: A sales action targeted at i changes its stance by Δ, and may also affect neighbors.
4. Optimization: Choose a sequence of interventions (whom to target, when, with what action) to maximize final weighted support Σ w_i * P_i(T), subject to budget constraint.
5. This is a sequential decision problem under uncertainty, can be approached via reinforcement learning or heuristic (e.g., greedy selection based on marginal gain).

顺序序列（多轮干预与影响模拟）

时间: 影响模拟O(T *

V

²)；优化求解是组合问题。空间: 存储网络和立场状态。

WG-0046​

微观政治/企业内

管理层“信息控制”与员工“信息饥渴”的博弈

信息经济学与信号博弈

基于信息不对称与信任损耗的信息控制博弈模型

管理层信息控制与员工信任博弈模型 (Management Information Control & Employee Trust Game Model)

权力、谋划、情感

1. 管理层类型：管理层有私有类型θ ∈ {透明型， 控制型}。透明型倾向于分享信息，控制型倾向于隐瞒，尤其是不利信息。
2. 信号发送：管理层每期收到一个信息m（如业绩数据、战略调整）。他们选择向员工披露多少，即发送一个信号s ∈ {完全披露， 部分披露， 不披露}。披露有成本（如引发恐慌、被竞争对手获知），不披露可能损害信任。
3. 员工信任更新：员工根据管理层的历史披露行为（是否诚实）和当前信号，更新对管理层的信任水平T(t)。如果事后发现管理层隐瞒了重要不利信息，信任大幅下降。
4. 员工行为：员工根据信任水平决定工作投入程度e。高信任导致高投入，低信任导致低投入甚至离职准备。员工投入影响公司产出。
5. 重复博弈均衡：在均衡中，透明型管理层会建立披露声誉，维持高信任；控制型管理层可能模仿透明型早期以建立信任，但最终可能因隐瞒不利信息而暴露。员工通过观察学习区分类型。

长期平均信任水平；员工投入水平的波动。

信息不对称， 信号博弈， 信任， 组织沟通， 重复博弈

企业透明度管理， 变革沟通， 员工关系维护

θ_management: 管理层类型 (私有)。
Information_m: 私有信息 (标量/分类)。
Disclosure_s: 披露信号 (离散)。
Trust_T(t): 员工信任水平 (标量)。
Effort_e(t): 员工投入水平 (标量)。
Output_Y(t): 公司产出 (函数 of e)。

管理层接收私有信息m​ -> 选择披露信号s​ -> 员工观察s，更新信任T​ -> 员工根据T选择投入e​ -> 产出Y实现​ -> 可能事后验证信息真实性​ -> 信任进一步调整​ -> (循环) -> 分析长期均衡。

重复信号博弈， 贝叶斯学习， 信任动力学， 信息经济学

管理层公告， 员工反馈。

1. Trust Update: T(t+1) = λ * T(t) + (1-λ) * I(s is truthful and complete)， where I is indicator. If discovered lie, T drops to a low value.
2. Employee Effort: e(t) = e0 + κ * T(t), bounded.
3. Management Payoff: U_M = Output - cost_of_disclosure - cost_of_low_effort. Control type has higher cost_of_disclosure for bad news.
4. Equilibrium: In a repeated game, the control type may pool with the transparent type initially to maintain trust, but may separate when bad news arrives (too costly to disclose). Employees’ strategy is to lower trust upon observing non-disclosure of expected news.
5. The model shows the value of building a reputation for transparency.

重复博弈阶段

时间: 求解重复博弈均衡。空间: 依赖于类型和状态。

指令: 信任更新计算， 贝叶斯更新。计算简单。

组织信任， 领导力沟通， 信息管理

WG-0047​

微观政治/企业间

行业协会“主席职位”轮流坐庄的联盟形成博弈

合作博弈与权力转移

基于加权投票与议程控制的协会主席轮值博弈模型

行业协会主席轮值合作博弈模型 (Industry Association Chair Rotation Cooperative Game Model)

权力、谋划

1. 参与方与权重：行业协会内有多个派系（如按地区、规模划分），每个派系i有投票权重w_i（如会员数、会费贡献）。主席职位有实质权力（如设定议程、影响标准）。
2. 轮值规则：主席职位每年轮换。各派系就一个轮值顺序进行谈判。一个轮值方案是一个序列，指定未来T年每年的主席派系。
3. 价值函数：派系i在第t年担任主席，获得贴现收益δ^t * v_i，其中v_i是主席年收益。派系的总收益是其在轮值序列中担任主席年份的收益之和。
4. 谈判与稳定性：轮值方案需得到足够权重的派系支持才能通过。使用核心（core）概念：一个轮值方案在核心中，如果没有一个派系联盟能通过脱离协会并自行安排轮值而获得更高总收益（考虑他们能吸引的权重）。
5. 均衡轮值：求解合作博弈的稳定轮值方案。通常，权重大的派系会更早、更频繁地担任主席。但为维持协会团结，可能需要给与小派系一些主席年份（比例代表）。模型可预测给定的权重分布下，可能的轮值方案。

轮值方案的稳定性（是否在核心）；小派系获得主席职位的频率。

合作博弈， 加权投票， 议程设置， 协会治理， 轮值制度

行业协会、标准组织、商会等的治理结构设计， 联盟管理

Faction_Weights_w: 派系权重向量 (向量)。
Chair_Benefit_v_i: 派系i的主席年收益 (标量)。
Discount_δ: 折现因子 (标量)。
Rotation_Schedule: 轮值序列 (序列)。
Core_Stable: 核心稳定性 (布尔)。

确定派系与权重​ -> 谈判轮值顺序方案​ -> 计算各派系在方案下的总贴现收益​ -> 检查是否有联盟能通过偏离获得更高收益​ -> 若不稳定，重新谈判​ -> 达成稳定轮值协议​ -> 执行轮值。

合作博弈， 特征函数（基于轮值方案）， 核心， 折现现金流

协会章程， 派系构成。

1. Characteristic Function: For any coalition S, the maximum total discounted value they can achieve if they secede is V(S) = max over rotation schedules among S of Σ{i in S} Σ{t in schedule_i} δ^t v_i, where schedule_i are the years i is chair in the schedule. This depends on the weights they control.
2. Core Condition: A proposed rotation schedule for the grand coalition N is in the core if for every subset S, the total discounted value to S from the grand schedule is at least V(S).
3. Finding a core schedule: Often, schedules that allocate chair positions in proportion to weight (with some rounding) are in the core, but not always if discounting is strong.
4. This is a complex combinatorial optimization problem. Heuristic: start with a proportional schedule, check for blocking coalitions, adjust.

顺序序列（谈判与验证）

时间: 计算V(S)需枚举联盟内轮值序列，复杂度高。空间: 依赖于派系数。

指令: 组合优化， 折现求和。计算复杂。

协会治理， 政治学， 合作博弈

WG-0048​

微观政治/企业内

员工“建议系统”中的“选择性采纳”与“创新抑制”

机制设计与激励

基于创意质量与实施成本的建议采纳博弈模型

员工建议系统采纳博弈模型 (Employee Suggestion System Adoption Game Model)

利益、谋划、情感

1. 参与方：员工（建议者）， 中层经理（筛选者）， 公司（潜在受益者）。员工产生创意，质量为q（私有信息），实施后为公司创造价值V(q)。但实施需经理投入努力e，成本C(e)。
2. 流程：员工决定是否提交建议。提交有成本c（时间）。经理观察到建议（但不知真实q），决定是否采纳实施。如果采纳，经理获得奖金B（固定或比例），但付出努力成本。如果建议成功，员工获得奖励R。
3. 信息不对称：经理不完全知悉q，需根据信号判断。员工可能夸大其词。经理可能有偏见，只采纳符合其自身利益（如易于实施、能彰显其业绩）的建议，而非公司价值最大的建议。
4. 均衡：员工提交建议的条件是预期收益（采纳概率*R）> c。经理采纳的条件是预期收益（B - C(e)）> 0。由于信息不对称，可能出现逆向选择：只有低质量建议被提交（因为高质量建议实施成本高，经理不愿采纳），或经理只采纳低成本、易出成果的“肤浅”建议，抑制真正创新。
5. 机制优化：设计更好的奖励结构：将经理奖金与长期价值V挂钩（但难测量）；引入跨部门评审委员会减少偏见；给予员工部分知识产权收益。

高质量建议的提交比例；建议实施后的平均价值。

创新管理， 机制设计， 信息不对称， 建议系统， 激励

企业创新建议箱， 持续改进计划， 员工创新激励

Idea_Quality_q: 创意质量 (标量， 私有)。
Value_V(q): 实施后价值 (函数)。
Manager_Effort_e: 经理实施努力 (标量)。
Cost_C(e): 努力成本函数 (函数)。
Rewards_R, B: 员工与经理奖励 (标量)。
Submission_Cost_c: 提交成本 (标量)。

员工产生创意，知悉q​ -> 决定是否提交（付出c）​ -> 经理收到建议，评估​ -> 决定是否采纳实施​ -> 如采纳，经理付出努力e，获得奖金B​ -> 如成功，员工获得奖励R​ -> 公司获得价值V​ -> 分析均衡与效率。

信号博弈， 逆向选择， 道德风险， 机制设计

建议提案文本。

1. Employee’s Decision: Submit if P(adopt

signal) * R > c. The signal may be correlated with q.
2. Manager’s Decision: Adopt if E[ B - C(e)

signal ] > 0. The expectation is over the manager’s belief about q given the signal.
3. Equilibrium: A Bayesian equilibrium where employee’s submission strategy and manager’s adoption strategy are mutually consistent.
4. Inefficiency: If B is not aligned with V(q) - C(e), manager may reject high-V ideas that require high e. Also, if R is low, only low-q ideas with high adoption probability are submitted.
5. Optimal Mechanism: Design R and B as functions of measured outcome to align incentives. But measurement may be noisy.

序贯博弈（员工先提交）

时间: 求解信号博弈均衡。空间: 依赖于质量分布。

WG-0049​

微观政治/企业间

竞争对手的“人才定向挖角”与“反挖角”合约设计

契约理论与匹配模型

基于竞业禁止与延期支付的反挖角最优契约模型

反挖角最优延期支付契约模型 (Anti-Poaching Optimal Deferred Compensation Contract Model)

利益、谋划、权力

1. 模型设置：公司A（当前雇主）希望留住关键员工E。竞争对手B可能出价挖角。E的人力资本在公司A价值V_A，在B价值V_B。V_B可能大于V_A（匹配更好）。
2. 契约工具：A可以提供包含延期支付（deferred compensation）的契约：工资w， 但一部分奖金D在未来的T年后支付，如果E仍在职。如果E提前离职（包括被挖角），则 forfeit D。这增加了E的离职成本。
3. 挖角决策：B观察到A的契约(w, D, T)， 决定是否出价挖角及出价多少。B的出价必须补偿E的离职成本（包括 forfeit D）并给予额外溢价。
4. 最优契约设计：A选择(w, D, T)以最小化总劳动成本，同时满足：参与约束（E接受契约）、激励相容约束（E不被挖角，或只在B出价极高时才走）。A在V_B的不确定性下最大化期望利润。
5. 均衡分析：求解A的最优契约。延期支付D相当于一个人质，提高了B的挖角成本。但过高的D可能违反劳动法或使A在员工表现不佳时难以解雇。模型给出在何种条件下应使用延期支付，以及最优的支付结构。

均衡时人才被挖角的概率；公司A的期望劳动成本节约。

劳动经济学， 契约理论， 人才保留， 延期支付， 挖角

关键人才保留合约设计（如高管、核心技术人员）， 竞业禁止协议补充， 股票期权授予策略

V_A, V_B: 员工在A和B处的价值 (标量， V_B可能随机)。
Contract (w, D, T): 工资， 延期支付额， 兑现期 (标量)。
Poaching_Offer: B的出价 (标量)。
Retention_Prob: 保留概率 (标量)。
Total_Cost_A: A的总劳动成本 (标量)。

A设计包含延期支付的契约​ -> E决定是否接受​ -> B观察契约，决定是否出价挖角​ -> E比较留下与跳槽的收益，决定去留​ -> 实现结果，支付兑现​ -> 分析A的最优契约选择。

契约理论， 优化， 不确定性， 激励相容

雇佣合同条款。

1. Employee’s Decision: Stay if w + D (if stays T years) ≥ Outside_Offer. The outside offer from B must compensate for forfeiting D.
2. Firm B’s Decision: Poach if V_B - Offer > 0, and Offer must be at least w + D + ε (to incentivize move).
3. Firm A’s Problem: min_{w, D} E[ labor cost ] = w + D * P(stay) subject to: (IR) w ≥ reservation utility, (IC) P(stay) is determined by the poaching game. D increases retention but is costly if paid.
4. Solution: The optimal contract will set D such that the marginal cost of D equals the marginal benefit from reduced poaching probability. If V_B is very high, poaching may still occur.
5. Legal Limits: D cannot be so large as to be seen as a penalty; it must be a legitimate deferred compensation.

序贯博弈（A先提供契约）

时间: 求解优化问题，可能需数值方法。空间: 依赖于随机变量。

指令: 期望计算， 优化求解。计算中等。

薪酬设计， 人才管理， 劳动契约

WG-0050​

微观政治/企业内

跨代员工“知识传承”与“代际冲突”的演化模型

基于主体的建模与文化演化

基于知识转移与规范冲突的代际互动演化模型

组织内代际知识传承与冲突演化模型 (Intergenerational Knowledge Transfer & Conflict Evolution Model)

情感、谋划、权力

1. 主体属性：员工有年龄/代际群体（老、中、青）、知识水平K、对传统工作方式的坚持度T、对新技术的接纳度A。
2. 互动规则：
- 知识传承：老员工与青年员工配对，以概率p_transfer传递知识，成功概率取决于双方的T/A差距和互动频率。传承成功则青年K增加，老员工获得“导师满足感”。
- 规范冲突：当双方在如何工作上分歧大（T/A差异大），可能产生冲突，降低双方工作满意度，甚至导致合作减少。
3. 组织产出：团队产出取决于平均知识水平K_avg和协作效率（与代际间T/A差异负相关）。
4. 演化动态：老员工逐步退休，新员工加入。新员工的T/A分布受社会趋势影响（如更接纳新技术）。组织可推行措施促进知识传承（如导师制）或减少冲突（如跨代团队建设）。
5. 模拟结果：模拟不同人口结构（老龄化vs年轻化）、不同管理措施下，组织知识存量、产出、员工满意度的长期演化。可能出现知识断层或代际和谐等不同局面。

知识存量K_avg随时间的变化；代际间平均T/A差异的演变。

代际研究， 知识管理， 文化演化， 基于主体建模， 组织老龄化

应对人口老龄化， 知识管理策略， 跨代团队管理， 组织文化建设

Agent_Generation: 代际群体 (离散)。
K_i, T_i, A_i: 知识、传统坚持、技术接纳度 (标量)。
Interaction_Rules: 互动规则 (函数)。
Organizational_Output: 组织产出 (函数)。
Policy_Intervention: 政策措施 (向量)。

初始化多代员工人口​ -> 员工配对互动（传承/冲突）​ -> 更新个体属性与满意度​ -> 计算组织产出​ -> 退休与招聘更新人口​ -> (循环) -> 分析知识传承效率与代际关系​ -> 测试不同政策效果。

基于主体建模， 文化演化， 知识动力学， 人口动态

无。模型驱动。

1. Knowledge Transfer: If old (i) and young (j) interact, probability of successful transfer: p = β * (1 -

T_i - A_j

) * interaction_strength. If success, ΔK_j = γ * K_i.
2. Conflict: If

T_i - T_j

> threshold or

WG-0051​

微观政治/企业间

行业协会内的“议程控制”与“标准主导”权力博弈

网络博弈与影响最大化

基于议程设置网络与游说资源分配的协会影响力模型

行业协会议程控制博弈模型 (Trade Association Agenda Control Game Model)

权力、谋划、利益

1. 议程网络：行业协会的议程由一系列议题组成，议题间有依赖关系（如A通过才能讨论B），形成有向无环图(DAG)。每个议题有投票权重。
2. 企业参与者：各企业有偏好向量（对每个议题的立场：支持/反对），和初始游说资源R_i。企业可投入资源r_ij影响议题j的通过概率或方向。影响效果服从收益递减：P_j(支持) = logistic(Σ_i w_i * r_ij + 基线)，其中w_i是企业i的固有影响力权重。
3. 序贯博弈：议程按依赖顺序进行。在议题j表决前，企业同时决定投入资源。议题结果影响后续议题的基线（通过形成先例或改变权力平衡）。
4. 均衡求解：求解子博弈精炼均衡。企业会战略性分配资源，可能在早期议题上过度投资以设定对自身有利的后续议程，或放弃次要议题以集中资源于关键议题。
5. 议程设计：协会秘书处（或主导企业）可设计议程顺序（DAG结构）以最大化自身偏好结果。这类似Stackelberg博弈，先手者可通过议程设置间接控制结果。

最终议程结果与企业偏好的匹配度；游说资源的总消耗。

议程设置理论， 游说， 网络博弈， 序贯投票， 影响函数

行业协会标准制定， 政策倡导联盟， 国际组织议事规则设计

Agenda_Graph: 议题依赖DAG (图)。
Preference_i: 企业i的偏好向量 (向量)。
Resource_R_i: 企业i的游说资源预算 (标量)。
Influence_Weight_w_i: 企业固有影响力 (标量)。
Outcome_Vector: 各议题最终结果 (向量)。
Agenda_Design: 议程设计变量 (DAG结构)。

设定议程结构与议题属性​ -> 企业知晓各自偏好与资源​ -> 按议程顺序，就每个议题进行游说博弈​ -> 企业同时分配游说资源，影响结果​ -> 议题结果产生，更新后续议题基线​ -> 直至所有议题完成​ -> 计算各方支付​ -> 分析均衡。

网络博弈， 序贯决策， 资源分配优化， 议程设置， 子博弈精炼均衡

协会章程， 议题描述， 企业立场文件。

1. Issue Outcome Probability: For issue j, let x_j = Σ_i w_i * r_ij + b_j. Then P(j passes) = σ(x_j), where σ is logistic function. b_j is baseline affected by prior issues.
2. Firm’s Optimization: For each issue in sequence, firm i chooses r_ij to maximize expected utility from all remaining issues, given resource constraint Σ_j r_ij ≤ R_i. This is a dynamic programming problem across issues.
3. Equilibrium: Solve backwards. In the last issue, it’s a one-shot contest. Then move to previous issue, considering how its outcome affects the baseline of later issues.
4. Agenda Design: The agenda setter chooses the DAG to maximize their own expected utility, anticipating the equilibrium play of firms. This can be solved by searching over possible DAGs (combinatorial).
5. The model shows that controlling the order of voting (agenda) can be as important as having resources.

顺序序列（议题顺序）

时间: 逆向归纳求解O(N_issues * N_firms * 状态)， 但状态空间大。空间: 存储价值函数。

指令: 动态规划， 优化求解（每个企业的资源分配）， 博弈树遍历。计算中等偏复杂。

公共选择理论， 游说政治， 组织决策

WG-0052​

微观政治/企业内

绩效校准会议中的“评分同盟”与“合谋打压”行为检测

统计检测与网络分析

基于评分分布异常与评审人共现网络的合谋检测模型

绩效评分合谋行为检测模型 (Performance Rating Collusion Detection Model)

谋划、权力、情感

1. 数据基础：多位评审人对多位被评审人进行绩效评分（如360度评估）。已知评审人与被评审人的部门、汇报关系等属性。
2. 预期评分模型：建立基线模型预测“公正”评分。例如，使用多层模型：Score_ij = β0 + β1 * Perf_j + β2 * Relationship_ij + α_i + ε_ij，其中Perf_j是被评人j的客观绩效，Relationship_ij是关系亲密程度，α_i是评审人i的严格度随机效应。
3. 残差分析：计算残差e_ij = 实际评分 - 预测评分。异常高残差可能表示“拔高”，异常低残差可能表示“打压”。
4. 合谋网络检测：构建评审人-被评审人二部图，边权为残差e_ij。使用社区检测或频繁项集挖掘，发现以下模式：
- 评分同盟：一组评审人 consistently 给同一组被评审人高分（高残差），且这些评审人与被评审人属于同一派系。
- 合谋打压：一组评审人 consistently 给某个或某组被评审人低分（低残差），超出预期。
5. 假设检验：对检测出的潜在合谋团体，进行统计检验（如置换检验），判断其评分模式是否显著偏离随机预期。

检测出的合谋案例经调查确认的比例（查准率）；对已知合谋的检出率（查全率）。

合谋检测， 社会网络分析， 多层模型， 异常检测， 假设检验

企业绩效评估公正性审计， 识别评估中的“小圈子”文化， 校准会议前数据预处理

Score_ij: 评审人i对被评审人j的评分 (标量)。
Perf_j: 被评审人j的客观绩效指标 (向量)。
Relationship_ij: i与j的关系属性 (向量)。
Residual_e_ij: 评分残差 (标量)。
Collusion_Clique: 检测出的合谋团体 (集合)。
P_value: 统计显著性p值 (标量)。

收集评分数据与相关属性​ -> 拟合基线多层模型​ -> 计算残差矩阵E​ -> 构建二部图，进行异常模式挖掘​ -> 统计检验，过滤虚假信号​ -> 输出可疑合谋团体列表​ -> (可选) 调查确认。

统计建模（多层回归）， 残差分析， 图挖掘（社区检测， 频繁模式）， 假设检验

评分表， 组织关系数据。

1. Baseline Model: Fit a mixed-effects model: lmer(score ~ perf + relationship + (1

rater), data).
2. Residuals: Extract the residuals e_ij.
3. Pattern Mining: For each rater i, identify the set of ratees with e_ij > threshold_high. Use frequent itemset mining (like Apriori) across raters to find groups of raters who frequently give high residuals to the same set of ratees. Similarly for low residuals.
4. Statistical Test: For a suspected clique C (set of raters and ratees), compute the average residual within the clique. Compare to a null distribution generated by randomly permuting ratings within each rater (preserving the distribution of scores per rater). The p-value is the proportion of permutations where the average residual is as extreme as observed.
5. Reporting: Flag cliques with p-value < 0.01 (Bonferroni corrected).

顺序序列（检测流程）

时间: 拟合模型O(n * p²)， 模式挖掘O(2^(m+n) 最坏)。空间: 存储残差矩阵。

指令: 线性模型拟合， 频繁模式挖掘算法， 置换检验。计算中等，模式挖掘可能组合爆炸。

WG-0053​

微观政治/企业间

供应链“双重采购”策略对供应商依赖与议价力的影响

动态博弈与实物期权

基于供应商竞争与转换成本的采购策略动态规划模型

双重采购策略与供应商议价力动态模型 (Dual Sourcing Strategy & Supplier Bargaining Power Dynamic Model)

谋划、利益、权力

1. 采购策略：采购方每期决定从两个潜在供应商A和B的采购比例x_A, x_B， x_A+x_B=1。单一采购（x=1）可能获得批量折扣但增加依赖风险；双重采购降低风险但可能失去折扣并增加管理成本。
2. 供应商投资：供应商观察到采购方的采购比例，决定是否进行关系专用投资I（如定制产能、联合研发），这能降低单位成本c(I)但形成沉没成本。投资决策基于对未来采购份额的预期。
3. 议价博弈：每期采购价格通过纳什议价决定，威胁点是采购方转向另一供应商（或外部选项），供应商得到零利润。议价力取决于双方的依赖程度：采购方对供应商i的依赖度 D_i = 转换成本 + 专用投资价值；供应商i对采购方的依赖度 S_i = 利润贡献占比。
4. 动态均衡：求解马尔可夫完美均衡。采购方会策略性维持一定的第二供应商份额（即使成本稍高），以保留外部选项，增强与主供应商的议价力。但这也可能抑制供应商的投资意愿。
5. 长期成本：模拟不同采购策略（如80/20 vs 50/50）对长期总拥有成本（价格+风险成本）的影响。存在最优的多样化水平，平衡折扣收益与议价力。

长期平均采购价格；供应商专用投资水平；供应链中断风险（因依赖单一供应商）的概率。

供应链管理， 采购策略， 实物期权， 议价理论， 动态博弈

关键零部件采购策略， 防止供应商锁定， 供应链韧性建设

x_A(t), x_B(t): 对供应商A,B的采购份额 (标量)。
I_i(t): 供应商i的关系专用投资 (标量)。
c_i(I): 供应商i的单位成本函数 (递减)。
Bargaining_Power_i: 供应商i的议价力系数 (函数 of D_i, S_i)。
Price_i(t): 议定价格 (标量)。
Total_Cost: 采购方总拥有成本 (标量)。

初始设定采购份额​ -> 供应商根据预期决定投资I​ -> 双方基于依赖度议价确定价格​ -> 采购方支付，供应商获得利润​ -> 采购方观察绩效，可能调整下期份额​ -> (循环) -> 评估长期成本与风险。

动态博弈， 马尔可夫完美均衡， 实物期权（转换期权）， 纳什议价， 投资决策

采购合同， 供应商成本数据。

1. Supplier Investment: Supplier i chooses I_i to maximize expected future profits: Σ δ^t [ (Price_i - c_i(I_i)) * x_i(t) - cost_of_investment(I_i) ], given anticipated x_i(t).
2. Bargaining: Price_i solves max (Price_i - c_i) ^ β_i * (V - Price_i) ^ (1-β_i), where β_i is bargaining power, V is buyer’s value. β_i increases with D_i (buyer’s dependence) and decreases with S_i (supplier’s dependence).
3. Buyer’s Dynamic Problem: Choose x(t) to minimize expected total cost: Σ δ^t [ Σ_i x_i(t) * Price_i(t) + risk_cost(x(t)) ], where risk_cost is higher if one x_i is close to 1 (single source risk).
4. Equilibrium: Solve for Markov perfect equilibrium where strategies depend on state (e.g., current investments and past prices). Buyer may use dual sourcing to maintain competition and lower prices, even if one supplier has a cost advantage.
5. The model shows the value of strategic sourcing beyond just price comparison.

顺序序列（多期动态）

时间: 求解MPE需要数值方法（值函数迭代）。空间: 存储策略函数。

指令: 动态规划迭代， 优化求解（供应商投资， 买方份额选择）。计算中等。

采购战略， 供应链关系， 博弈论

WG-0054​

微观政治/企业内

企业大学/培训中的“派系烙印”与“人才梯队”塑造

基于主体的建模与网络动力学

基于导师-学员网络与技能传递的人才梯队演化模型

企业培训派系烙印与人才梯队模型 (Corporate Training Faction Imprinting & Talent Pipeline Model)

权力、谋划、情感

1. 主体与网络：主体分为导师（资深员工/管理者）和学员（新员工/高潜）。导师有派系标签f ∈ {A, B, ...}， 技能向量s。学员初始无派系，有可塑的技能向量。
2. 匹配与培训：学员被分配给导师进行培训项目。匹配可能基于业务部门（随机）或存在派系偏好（如A派系导师倾向选A派系学员）。培训期间，学员技能向导师技能靠拢：Δs学员 = α * (s导师 - s_学员)， 同时学员以概率p内化导师的派系标签（“烙印”）。
3. 晋升与继任：当管理职位空缺时，从合格候选人（技能达标者）中选拔。选拔委员会由不同派系代表组成。候选人被选中的概率取决于其技能、与选拔委员的派系一致性、及该派系在委员会中的权力权重。
4. 动态演化：模拟多轮培训、晋升、退休（导师退出）。观察：
- 派系结构是否在组织中持续（通过学员烙印）？
- 最终领导层的派系构成是否反映早期培训匹配的倾向？
- 技能传承效率与派系分化的权衡。
5. 干预策略：测试不同培训匹配策略（强制交叉派系、随机）、晋升标准（强调技能 vs 派系平衡）对组织长期健康（技能水平、派系冲突程度）的影响。

领导层派系多样性指数（香农熵）；组织平均技能水平。

组织社会化， 导师制， 社会网络， 派系政治， 人才管理

企业大学项目设计， 继任计划， 防止“近亲繁殖”和山头主义

Mentor_Agents: 导师主体，含派系f，技能s (向量)。
Trainee_Agents: 学员主体，含派系f（可变），技能s (向量)。
Training_Assignment: 导师-学员匹配 (映射)。
Promotion_Committee: 选拔委员会构成 (派系权重)。
Succession_Rule: 晋升规则 (函数)。

初始化导师与学员​ -> 进行培训匹配​ -> 技能传递与派系烙印​ -> 管理职位空缺产生​ -> 执行晋升选拔​ -> 更新导师/学员状态（晋升、退休、新进）​ -> (循环) -> 分析人才梯队与派系格局。

基于主体建模， 网络形成（匹配）， 技能动力学， 社会影响， 组织演化

培训记录， 晋升历史。

1. Matching: Could be random, or preferential: probability of matching mentor i with trainee j proportional to exp(β * similarity(f_i, f_j) + γ * skill_gap).
2. Training: s_j(new) = s_j(old) + α * (s_i - s_j(old)). With probability p, f_j becomes f_i (if previously unaffiliated or with some probability of switching).
3. Promotion: For a vacancy, let candidate set C. For each candidate c, compute score = θ * skill_score(c) + (1-θ) * Σ_{k in committee} w_k * I(f_c == f_k). Select candidate with probability proportional to exp(score).
4. Turnover: Retire oldest mentors, promote some trainees to mentors, hire new trainees.
5. Simulation: Over many cycles, track the distribution of factions among mentors (the leadership). If matching is preferential and promotion favors faction alignment, factions can become entrenched.

顺序序列（周期循环）

时间: O(T * (M + N) * d)， M导师数， N学员数， d技能维度。空间: 存储主体状态。

指令: 匹配算法， 技能更新， 概率选择。计算简单。

人才发展， 组织社会化， 公司政治

WG-0055​

微观政治/企业间

专利诉讼威胁下的“交叉许可”谈判与“专利池”形成博弈

合作博弈与网络形成

基于专利互补性与诉讼成本的交叉许可联盟形成模型

专利交叉许可与专利池形成合作博弈模型 (Patent Cross-Licensing & Pool Formation Cooperative Game Model)

利益、谋划、权力

1. 专利与公司：N家公司，每家公司持有若干专利。专利之间存在互补性（共同使用才能生产产品）和替代性（实现相似功能）。构建专利依赖网络。
2. 诉讼威胁：如果公司i使用公司j的专利而未获许可，j可以起诉，诉讼成本C_ij，i败诉概率p_ij，赔偿额D。因此，无许可时的预期损失是诉讼威胁。
3. 双边交叉许可：两家公司可以谈判交叉许可协议，相互免除诉讼，可能涉及净支付t_ij（从i到j）。协议的条件是双方都感到比无许可时更好（个体理性）。
4. 专利池：多公司可以形成专利池，池内所有专利共享，池对外统一许可。专利池的价值v(S)是联盟S能产生的最大联合利润（通过内部共享和对外许可），减去协调成本。专利池的形成是一个合作博弈，需解决收益分配问题（如Shapley值）。
5. 稳定性：检查拟议的交叉许可网络或专利池配置是否在合作博弈的“核”中，即没有子联盟有动机脱离并自行达成协议。专利池通常更稳定，当专利高度互补且协调成本低时。

形成的交叉许可网络/专利池的稳定性（是否在核中）；总交易成本（诉讼+许可费）的节约。

知识产权， 交叉许可， 专利池， 合作博弈， 诉讼经济学

高科技行业（如半导体、通信）的专利谈判， 标准必要专利(SEP)池组建

Patent_Portfolio_i: 公司i的专利集合 (集合)。
Complementarity_Matrix: 专利间互补性 (矩阵)。
Litigation_Cost_C, Prob_p, Damage_D: 诉讼参数 (标量)。
License_Network: 交叉许可协议图 (图)。
Patent_Pool_S: 专利池联盟 (集合)。
Value_Function_v(S): 联盟特征函数 (函数)。

评估专利格局与诉讼威胁​ -> 公司间进行双边交叉许可谈判​ -> 可能形成多边专利池谈判​ -> 计算不同联盟的价值v(S)​ -> 求解合作博弈解（如Shapley值）作为分配方案​ -> 检查联盟稳定性（核）​ -> 达成最终许可安排。

合作博弈， 网络形成， 特征函数， 稳定性（核）， Shapley值

专利引用数据， 诉讼历史。

1. Value Function: For a set of firms S, v(S) = max_{licensing strategy} [联合利润 from products they can produce without infringement minus litigation risk from outside S minus coordination cost].
2. Bilateral Licensing: Two firms i and j will cross-license if the expected litigation cost saved exceeds any transfer t. The negotiation determines t, e.g., via Nash bargaining.
3. Pool Formation: A pool is stable if the allocation of pool profits (e.g., by Shapley value) gives each member at least as much as they could get in any sub-coalition (core condition).
4. Computation: For large N, computing v(S) for all subsets is impossible. Often restrict to pools of limited size or use heuristic algorithms.
5. The model explains why patent pools emerge in complex technologies: they reduce transaction costs and holdup problems.

合作博弈求解

时间: 计算所有联盟v(S)是O(2^N)。空间: O(2^N)。

指令: 联盟枚举， 特征函数评估， 线性规划（求核）。计算复杂度高。

知识产权管理， 合作博弈， 产业组织

WG-0056​

微观政治/企业内

内部竞聘中的“考官合谋”与“候选人背景”信号博弈

信号博弈与计量模型

基于考官偏好与候选人可观测特征的选择偏差校正模型

内部竞聘选择偏差信号博弈模型 (Internal Job Competition Selection Bias Signaling Game Model)

谋划、权力、情感

1. 候选人类型：候选人有真实能力θ， 不可直接观测。有可观测特征X（学历、过往项目、部门）， 以及“背景”信号S（如是否与某高管同校、来自某强势部门）。背景S可能影响考官对其能力的先验信念。
2. 考官类型：考官有个人偏好，可能偏爱某些背景（如校友、老部下），或存在合谋小团体。考官i的效用：U_i = α * (选中者的真实能力) + β * I(选中者符合个人偏好) + γ * I(与团体偏好一致)。
3. 合谋可能性：考官们可能在评分前沟通，约定共同抬高或压低某候选人的分数。这可以建模为考官间的一个协调博弈，其中背离合谋协议会受到团体惩罚（未来不被支持）。
4. 选拔机制：候选人经过多轮面试/评估，每位考官打分。最终分数可能被合谋操纵。选拔委员会根据（可能被操纵的）分数做出决定。
5. 偏差校正：使用选拔后的绩效数据，建立回归模型：绩效 = f(真实能力代理变量， 背景S， 考官团体特征)。检验在控制能力后，背景S是否仍有显著正向影响，以及合谋考官团体是否系统性推高特定背景候选人的分数。可估计偏袒系数β和γ。

背景S对选拔结果影响的估计系数（控制能力后）；合谋考官团体被检测出的概率。

选拔偏差， 信号博弈， 合谋， 计量经济学， 考官评分

企业内部晋升、岗位竞聘的公平性评估， 面试官培训， 合谋防范机制设计

θ_c: 候选人c的真实能力 (潜变量)。
X_c, S_c: 候选人可观测特征与背景信号 (向量)。
Examiner_Group_G: 考官团体划分 (集合)。
Score_ic: 考官i给候选人c的评分 (标量， 可能被操纵)。
Selection_Outcome: 是否选中 (0/1)。
Bias_Coefficients β, γ: 偏袒系数 (标量)。

公布竞聘岗位​ -> 候选人申请，提供材料(X,S)​ -> 考官（可能合谋）进行评估打分​ -> 汇总分数，决定人选​ -> 选中者上任，后期绩效可观测​ -> 使用绩效数据拟合模型，估计偏袒系数​ -> 检测合谋模式​ -> 提出改进建议。

计量经济学（回归， 选择模型）， 信号博弈， 合谋检测， 潜在变量模型

申请材料， 面试评分表， 后期绩效数据。

1. Scoring Model: Assume true score is a function of ability θ and noise. Examiner may inflate/deflate score based on preference. E.g., observed score_ic = θ_c + δ * I(S_c preferred by i) + ε_ic. If examiners collude, they may agree on a common bias for certain candidates.
2. Selection Model: Candidate is selected if Σ_i score_ic > threshold. This leads to a sample selection problem.
3. Performance Model: For those selected, observe performance Y_c = θ_c + η_c. Since θ is unobserved, we use proxies from X. Estimate: Y_c = β0 + β1 * X_c + β2 * S_c + β3 * I(c was favored by colluding group) + error. Significant β2 or β3 indicates bias.
4. Collusion Detection: Look for clusters of examiners whose scores are highly correlated for certain candidates, beyond what can be explained by candidate quality. Use network analysis on residual correlations.
5. The model can be used to audit the selection process and suggest anonymizing certain background information or using independent assessors.

顺序序列（选拔与评估流程）

时间: 计量模型估计O(n * p²)；合谋检测O(E²)。空间: 存储评分和绩效数据。

指令: 回归分析， 相关性计算， 聚类算法。计算中等。

人才选拔， 组织公平， 计量经济学

WG-0057​

微观政治/企业间

战略投资中的“领投-跟投”网络与“背书效应”

网络形成与信息级联

基于贝叶斯学习与网络外部性的风险投资跟投模型

风险投资领投跟投网络形成模型 (VC Lead-Follow Network Formation Model)

谋划、利益、情感

1. 项目与信号：创业项目有真实质量θ ~ N(0,1)。领投方（如知名VC）付出尽职调查成本，收到关于θ的私有信号s_L ~ N(θ, σ²)。
2. 领投决策：领投方基于信号s_L决定是否领投。如果领投，向市场传递其投资意向，这作为公共信号s_public = E[θ

s_L, 领投]，影响市场信念。
3. 跟投方决策：潜在跟投方观察领投方的声誉（历史成功记录）和公共信号s_public，更新对项目质量的信念。跟投方i的信念：后验均值 = (τ_0 * 0 + τ_L * s_public + τ_i * s_i) / (τ_0+τ_L+τ_i)，其中τ是精度，s_i是i的私有信号（若有）。跟投方基于后验信念决定是否投资。
4. 网络形成：领投方选择可能基于与项目方的历史关系。跟投方选择受领投方声誉、自身与领投方的网络距离（是否在同一圈子）影响。投资网络（谁跟投谁）随时间演化，成功退出增强领投方声誉和网络中心性。
5. 信息级联：模拟显示，高声誉领投方的投资可能引发跟投潮，即使一些跟投方的私有信号并不积极（信息级联）。网络结构决定了信息传播和级联的范围。

投资网络集中度（HHI）；跟投决策中私有信号权重与公共信号权重的平均比率。

风险投资， 网络形成， 贝叶斯学习， 信息级联， 背书效应

风险投资基金的投资策略， 创业公司融资轮次设计， 投资社区分析

θ: 项目真实质量 (标量)。
s_L, s_i: 领投方和跟投方i的私有信号 (标量)。
Reputation_L: 领投方声誉 (标量)。
Network_Position_i: 跟投方在网络中的位置 (向量)。
Investment_Decision: 投资决策 (0/1)。
Cascade_Flag: 是否发生信息级联 (布尔)。

项目出现，质量θ确定​ -> 领投方尽职调查，获信号s_L​ -> 领投方决定是否领投，发布公共信号​ -> 跟投方观察公共信号与领投声誉，更新信念​ -> 跟投方依次决定是否投资​ -> 融资轮结束，项目后续发展​ -> 更新声誉与网络​ -> (循环)。

贝叶斯更新， 网络外部性， 序贯决策， 信息级联， 网络形成

投资公告， 基金关系数据。

1. Lead’s Decision: Lead invests if E[θ

s_L] > threshold (cost of investment). If invest, s_public = E[θ

s_L, invest] which is a truncated expectation.
2. Follower’s Belief Update: Posterior mean = (precision_prior * 0 + precision_lead * s_public + precision_private * s_i) / (sum of precisions). Precision_lead is a function of lead’s reputation.
3. Follower’s Decision: Follow if posterior mean > their threshold.
4. Sequential Decisions: If followers move sequentially, after a few positive decisions, later followers may ignore their private signals and follow the herd (cascade).
5. Network Effect: Probability that follower i even sees the deal depends on network proximity to lead. Successful exits increase lead’s reputation and attract more followers in the future.

顺序序列（融资轮次决策）

WG-0058​

微观政治/企业内

技术官僚与政治官僚的“决策权争夺”与“信息屏蔽”

博弈论与信息经济学

基于专业技能与政治权威的双类型官僚博弈模型

技术-政治官僚决策权争夺博弈模型 (Technocrat-Politician Bureaucrat Power Struggle Game Model)

权力、谋划

1. 参与者类型：技术官僚T（拥有专业知识和信息，但无最终决策权），政治官僚P（拥有正式权威和决策权，但专业信息依赖T）。
2. 信息结构：T观察到项目的真实收益θ（可为正或负）。P只知道θ的分布。T可向P报告信息m，可如实报告或扭曲。扭曲有成本（如职业道德风险、未来信誉损失）。
3. 决策权：形式上P做决策（批准/否决项目）。但P可授权给T（委托决策），或保留决策权但依赖T的报告。授权给T可以避免信息扭曲，但P失去控制权，且T可能做出不符合P政治利益的决策（如批准高收益但政治敏感的项目）。
4. 均衡：求解信号博弈与授权博弈的混合。可能均衡：
- 信息扭曲：T系统性夸大收益以推动其偏好的项目，P知道这一点并打折扣。
- 授权：当P对T的偏好一致性有足够信任时，授权发生。
- 信息屏蔽：T可能隐瞒不利信息，使P在无知下做出错误决策。
5. 组织设计：分析不同组织结构（如T作为顾问vs拥有否决权）对信息传递效率和决策质量的影响。引入多个T（竞争性信息源）或建立独立评估机构可改善。

决策质量（预期收益）；信息扭曲的程度（报告与真实的平均偏差）。

组织经济学， 授权理论， 信号博弈， 官僚政治， 信息传递

企业内研发项目审批， 公共政策制定， 专家与管理者关系

θ: 项目真实收益 (标量， T私有)。
m: T向P报告的消息 (标量)。
Decision_Right: 决策权归属 (P或T)。
Authority_Delegation: 授权决策 (0/1)。
Project_Approval: 最终决定 (0/1)。
Payoffs: 双方收益函数 (函数)。

项目出现，T知悉θ​ -> P决定是否授权决策权给T​ -> 如果未授权，T发送报告m​ -> P根据m（或T直接）做决策​ -> 项目执行，收益实现​ -> 双方获得支付​ -> 分析均衡行为。

博弈论（授权， 信号传递）， 信息经济学， 委托代理

项目评估报告， 决策记录。

1. Payoffs: U_T = I(项目批准) * (a * θ + b) - cost_of_misreporting. U_P = I(项目批准) * θ - c * I(授权) (loss of control). a>0, b may be positive if T is biased towards approval.
2. Delegation Decision: P delegates if expected payoff from T’s decision (given T’s incentives) is higher than from making decision based on T’s report.
3. Reporting: If not delegated, T chooses m to maximize U_T, anticipating P’s decision rule. P uses Bayes rule to infer θ from m.
4. Equilibrium: Can be pooling (always report high) or separating (truthful). Delegation can occur if T’s bias b is not too large relative to the information loss from misreporting.
5. The model highlights the trade-off between loss of control and loss of information.

顺序序列（决策阶段）

时间: 求解博弈均衡需解优化与信念一致性。空间: 依赖于类型空间。

指令: 期望效用计算， 贝叶斯更新， 均衡求解。计算不密集。

组织设计， 决策科学， 公共管理

WG-0059​

微观政治/企业间

渠道冲突中的“串货”与“价格维护”监督博弈

博弈论与机制设计

基于监督技术与惩罚机制的串货防范博弈模型

渠道串货与价格维护监督博弈模型 (Channel Gray Market & Price Maintenance Monitoring Game Model)

谋划、利益

1. 参与方：制造商M， 两个区域经销商A和B（分处不同市场）。制造商规定建议零售价，但经销商可暗中降价（串货）以抢夺对方市场销量。制造商希望维护价格体系和区域划分。
2. 串货决策：经销商i选择串货量q_i（销往对方市场），获得额外利润但扰乱价格。串货有被发现的概率，取决于制造商的监督力度s ∈ [0,1]（如物流追踪、产品序列号监控）。
3. 监督与惩罚：制造商选择监督力度s，成本c(s)。如果发现串货，对经销商处以罚款F。制造商也可以选择不监督，但串货会损害品牌价值和长期利润L(q)。
4. 博弈时序：制造商先承诺监督力度s和罚款F（或规则）。经销商观察到(s, F)后，同时选择串货量q_i。然后监督实施，罚款可能发生。
5. 均衡分析：求解子博弈精炼均衡。制造商需设置足够的监督和罚款以威慑串货，但监督有成本。均衡中可能存在部分串货，或完全遏制。制造商也可使用其他工具，如返点与串货行为挂钩。

均衡串货量q*；制造商的监督成本；渠道总利润。

渠道管理， 串货， 监督博弈， 机制设计， 价格维护

快消品、电子产品等跨区域销售管理， 品牌商对经销商的控制

s: 制造商监督力度 (标量)。
F: 罚款金额 (标量)。
q_i: 经销商i的串货量 (标量)。
Detection_Prob(q_i, s): 发现串货的概率函数 (函数)。
Penalty_Cost: 罚款成本 (标量)。
Channel_Profit: 渠道总利润 (标量)。

制造商设定监督规则(s, F)​ -> 经销商决定串货量q_i​ -> 制造商执行监督，以概率发现串货​ -> 对发现者罚款F​ -> 各方收益实现​ -> 分析均衡​ -> (可选) 制造商优化规则。

博弈论（两阶段， 监督博弈）， 机制设计， 威慑理论

销售数据， 物流记录。

1. Dealer’s Problem: Dealer i chooses q_i to maximize expected profit: Π_i = profit_from_home_market + profit_from_gray_market(q_i) - Detection_Prob(q_i, s) * F.
2. Manufacturer’s Problem: Choose s and F to maximize expected total channel profit (or own profit) net of monitoring cost: Π_M = Σ_i (profit from dealer i) - L(Σ_i q_i) - c(s).
3. Equilibrium: Solve backwards. Given s and F, dealers choose best response q_i*(s, F). Manufacturer anticipates this and chooses s, F to optimize.
4. The optimal (s, F) may involve a high F with moderate s to deter gray market, but F cannot be too high (legally or practically).
5. The model can be extended to include asymmetric markets or repeated interactions.

顺序序列（两阶段博弈）

时间: 求解均衡需解经销商一阶条件和制造商优化。空间: O(1)。

指令: 优化求解（经销商和制造商问题）。计算简单。

渠道管理， 供应链协调， 博弈论

WG-0060​

微观政治/企业内

员工“沉默螺旋”与“建言心理安全”的团队氛围演化

意见动力学与复杂系统

基于社会规范与风险感知的员工沉默螺旋模型

员工沉默螺旋与心理安全演化模型 (Employee Spiral of Silence & Psychological Safety Evolution Model)

情感、谋划、权力

1. 个体状态：员工i在特定议题上有私人意见o_i ∈ [-1,1]（-1强烈反对，1强烈支持），和对发言的风险感知r_i ∈ [0,1]。心理安全感知s_i ∈ [0,1] 是r_i的补数（s_i = 1 - r_i）。
2. 公共意见气候：员工感知的公共意见气候C(t)是已公开表达意见的加权平均（权重为表达者的影响力）。沉默螺旋理论：当个体感知自己的意见与公共气候不一致时，会因害怕孤立而更可能保持沉默。
3. 发言决策：员工i决定是否公开表达意见。发言概率 P_speak = σ( α *

o_i

- β *

o_i - C(t)

- γ * r_i )，其中α是表达意愿，β是对孤立的恐惧，γ是风险厌恶。发言会公开其意见，并更新公共气候C。
4. 心理安全演化：团队的心理安全氛围S(t) = 平均s_i。如果发言者未受负面报复，且看到不同意见被容忍，s_i会上升（风险感知r_i下降）。反之，如果发言者被惩罚，s_i下降，沉默螺旋加剧。
5. 模拟：从某个初始意见分布和中等心理安全开始。模拟显示，即使初始意见分布均匀，早期偶然的多数意见表达可能形成气候，压制少数意见，导致公共意见极端化。管理者包容性行为（如鼓励少数意见）可以打破螺旋。

最终公共意见气候C(T)与初始平均意见的偏差；团队心理安全S(t)的演化轨迹。

沉默螺旋理论， 心理安全， 意见动力学， 复杂传染， 组织氛围

团队会议文化， 员工建言系统， 多元化与包容性干预

o_i: 私人意见 (标量)。
r_i(t): 风险感知 (标量)。
C(t): 感知的公共意见气候 (标量)。
S(t): 团队心理安全水平 (标量)。
P_speak: 发言概率函数 (函数)。
Manager_Action: 管理者干预 (离散)。

初始化私人意见与风险感知​ -> 个体感知公共气候C​ -> 决定是否发言​ -> 更新公共气候（基于新发言）​ -> 管理者可能采取干预（奖励发言、保护少数）​ -> 更新个体风险感知​ -> (循环) -> 分析意见表达分布与心理安全。

意见动力学， 概率决策， 社会影响， 系统演化

会议发言记录， 员工反馈。

1. Climate Update: C(t+1) = ( Σ_{who spoke} influence_weight_i * o_i ) / ( Σ influence_weight_i ). Can use moving average.
2. Speaking Decision: Each individual draws a random number, speak if rand < P_speak.
3. Risk Perception Update: If i spoke and received positive (or no negative) reaction, r_i decreases: r_i = r_i * (1 - η). If i observed someone else being punished for speaking, r_i increases.
4. Manager Intervention: At certain times, manager can make a statement supporting diverse opinions, which temporarily reduces r_i for all, or calls on quiet members, increasing their P_speak.
5. Simulation can show path dependence: early dominance of one opinion can lead to lock-in, even if true average opinion is different. Psychological safety acts as a moderator.

WG-0061​

微观政治/企业间

平台与商家间的“搜索排名”与“广告竞拍”合谋检测

机制设计与统计检测

基于拍卖理论与异常出价模式的平台合谋检测算法

平台搜索排名合谋检测算法 (Platform Search Ranking Collusion Detection Algorithm)

谋划、利益

1. 拍卖机制：平台（如电商、应用商店）的搜索排名广告位通过广义第二价格拍卖(GSP)出售。商家对关键词出价，按排名扣费。
2. 合谋形式：商家可能合谋，通过协商出价来降低平台收入，或轮流占据高位以降低竞争成本。常见策略：
- 竞价抑制：合谋团体商定较低出价，使赢家以低价获得广告位。
- 轮转：商家轮流以最低必要出价赢得首位，避免相互抬价。
3. 检测特征：从历史出价数据中提取特征：
- 出价序列的方差异常低（抑制）。
- 赢家轮换模式过于规律（轮转）。
- 商家间的出价高度同步变化。
- 点击率(CTR)与出价排名不匹配（可能通过合谋获得好位但出价低）。
4. 监督模型：使用有标签的合谋案例（来自司法判决）训练分类器（如随机森林），特征包括上述统计特征及商家间的关联（如共同股东、高管重叠）。
5. 实时监控：对新出价数据流实时计算特征，输入模型得到合谋嫌疑分数。对高分团体进行深入调查（如检查通信记录）。平台可调整拍卖机制（如引入随机保留价、隐藏出价）增加合谋难度。

合谋检测的准确率（AUC）；合谋导致平台收入损失的比例估计。

拍卖理论， 合谋检测， 机制设计， 机器学习， 平台经济学

电商平台、应用商店、搜索引擎的广告反合谋监控

Bid_Data: 历史出价数据 (时间序列)。
Auction_Mechanism: 拍卖规则描述。
Collusion_Features: 合谋特征向量 (向量)。
Classifier_Model: 合谋分类器 (机器学习模型)。
Suspicion_Score: 合谋嫌疑分数 (标量)。
Investigation_List: 调查名单 (列表)。

收集历史出价与商家信息​ -> 提取合谋相关特征​ -> 训练监督分类模型​ -> 实时监控新出价流，计算特征​ -> 模型预测嫌疑分数​ -> 对高分团体触发调查​ -> 平台可能调整机制​ -> 持续迭代模型。

拍卖理论， 时间序列分析， 机器学习分类， 异常检测， 图分析

出价日志， 商家关联数据。

1. Feature Extraction: For a set of bidders over time, compute: variance of bids, autocorrelation of winner sequence, cross-correlation of bid changes, etc.
2. Training: Use labeled collusion cases (e.g., from legal settlements) as positive examples, normal competitive bidding as negative. Train a classifier (e.g., Random Forest) to distinguish.
3. Prediction: For a new time window, compute features for each group of bidders (e.g., in same product category) and get probability of collusion.
4. Investigation: Groups with probability > threshold are flagged. Platform may examine communication patterns or run a controlled experiment (e.g., change reserve price and see if bidding pattern changes).
5. Mechanism Adjustment: To deter collusion, platform can use VCG-like pricing, randomize allocation, or hide exact bidding information.

顺序序列（训练与监控流程）

时间: 特征计算O(T * N²)， 模型训练O(n * f * d)。空间: 存储出价数据和模型。

指令: 时间序列统计计算， 机器学习模型训练与推理。计算中等。

平台治理， 反垄断， 计算广告

WG-0062​

微观政治/企业内

并购后整合中的“文化冲突”与“权力整合”动力系统

系统动力学与群体动力学

基于文化维度与权力距离的并购整合系统动力学模型

并购后文化冲突与整合系统动力学模型 (Post-M&A Cultural Clash & Integration System Dynamics Model)

情感、权力、谋划

1. 状态变量：定义两个子群：收购方A和被收购方B。变量包括：
- 文化差异D(t) ∈ [0,1]（在价值观、工作方式等方面）。
- 权力不对称P(t) ∈ [0,1]（A对B的控制程度）。
- 员工士气M_A(t), M_B(t) ∈ [0,1]。
- 整合进度I(t) ∈ [0,1]（流程、系统统一程度）。
2. 反馈回路：
- 文化冲突回路：高D导致沟通障碍、误解，降低M_B，进而增加抵制，阻碍I提升，甚至扩大D（因负面刻板印象）。
- 权力压迫回路：高P（如A强加规则）可能降低M_B，增加B员工流失，损害知识转移，最终降低并购价值。
- 整合收益回路：I提高可带来协同收益，提升整体M，但整合过程本身消耗资源并可能短期降低M。
3. 管理杠杆：整合经理可控制：整合速度v、文化融合活动强度c、权力分享程度s（如让B管理者留任）。
4. 模拟：设定初始差异D(0)和不对称P(0)。模拟不同整合策略（快速整合vs渐进， 同化vs融合）下，士气、流失率、协同价值实现的时间路径。寻找使总价值最大化的策略组合。
5. 敏感点：识别可能导致整合失败（士气崩溃、关键人才流失）的临界条件，如过快的整合速度与高文化差异结合。

并购后2年内的关键人才保留率；协同价值实现的时间。

并购整合， 组织文化， 系统动力学， 权力动力学， 变革管理

并购后的整合管理办公室(IMO)决策支持， 文化尽职调查， 整合风险评估

D(t), P(t): 文化差异与权力不对称 (标量)。
M_A(t), M_B(t): 双方员工士气 (标量)。
I(t): 整合进度 (标量)。
Integration_Levers (v, c, s): 管理杠杆 (向量)。
Synergy_Value(t): 协同价值实现 (标量)。

评估初始文化差异与权力格局​ -> 制定整合策略（设定杠杆）​ -> 执行整合行动​ -> 更新状态变量（根据反馈回路）​ -> 监控士气、流失等指标​ -> 可能调整策略​ -> (循环) -> 评估整合成败。

系统动力学， 微分方程， 反馈环， 优化控制

文化评估报告， 员工调查数据。

1. Differential Equations: e.g., dD/dt = -α * c * D + β * (1 - I) * D. (cultural activities reduce D, but lack of integration can sustain D). dM_B/dt = -γ * (P - s) - δ * D + ε * I. (power asymmetry and cultural difference hurt morale, integration progress helps). dI/dt = v * (1 - I) - ζ * (1 - M_B). (integration progresses with speed v, but low morale slows it).
2. Synergy: V(t) = κ * I(t) * (M_A + M_B)/2.
3. Optimization: Choose the time path of levers (v(t), c(t), s(t)) to maximize ∫ e^{-ρt} V(t) dt, subject to the dynamics.
4. Simulation shows that a “one-size-fits-all” fast integration can be disastrous if D is high. A more gradual, culturally sensitive approach may yield higher long-term value.

顺序序列（时间步模拟与决策）

时间: 求解常微分方程系统O(T * V)。空间: O(V)存储状态。

指令: 常微分方程数值积分， 优化搜索（策略参数）。计算简单。

并购管理， 组织变革， 跨文化管理

WG-0063​

微观政治/企业间

联合研发中的“知识产权泄露”与“合同完备性”博弈

契约理论与机制设计

基于不完全合同与关系契约的联合研发投资模型

联合研发知识产权泄露防范契约模型 (Joint R&D IP Leakage Prevention Contract Model)

谋划、利益、权力

1. 投资与创新：两家公司合作进行研发，各自进行不可观测的关系专用投资e_i，成本为c(e_i)。联合成功概率p(e1, e2)，产生价值V。但任何一方都可能将合作中获得的知识用于外部竞争性项目，获取私人收益B，但会损害合作价值（降低V或导致合作破裂）。
2. 合同不完备：由于创新性质复杂，无法在合同中完全规定所有知识的使用边界。合同只能基于可验证的成果（如专利）进行分配。知识泄露难以证实和惩罚。
3. 关系契约：在重复合作中，双方可达成非正式协议：不泄露知识，否则未来合作终止。关系契约可持续的条件是未来合作收益的折现值大于一次性泄露的收益B。
4. 均衡：求解合作博弈，其中双方同时选择投资水平e_i，并决定是否遵守不泄露的默契。均衡投资水平低于社会最优（因担心对方泄露导致自己投资贬值）。关系契约的存在可以提高投资水平，但需满足耐心足够（折现因子δ高）。
5. 治理结构：比较不同治理模式：股权合资（共同拥有IP）、研发联盟（合同约束）、或收购。股权合资可内部化泄露外部性，但可能带来协调成本。

均衡投资水平与社会最优的比率；关系契约可持续的参数条件（δ阈值）。

联合研发， 不完全合同， 关系契约， 知识产权， 专用性投资

企业研发联盟设计， 产学研合作合同， 技术标准组织中的知识产权政策

e_i: 公司i的专用投资 (标量)。
c(e_i): 投资成本函数 (凸)。
p(e1,e2): 成功概率函数 (函数)。
V, B: 合作价值与泄露私人收益 (标量)。
Contract_Type: 治理结构 (离散)。
Relational_Contract: 关系契约可行性 (布尔)。

确立合作目标与价值V​ -> 选择治理结构（合同形式）​ -> 双方进行专用投资​ -> 研发进行，可能成功​ -> 成功后，各方决定是否泄露知识​ -> 根据结果分配收益​ -> 若关系契约，未来合作可能继续或终止​ -> 分析均衡投资与泄露决策。

不完全契约理论， 关系契约， 博弈论， 专用性投资， 治理结构

研发合作协议， 知识产权条款。

1. Payoffs: If no leakage, each gets share s_i of V minus cost. If one leaks, he gets B + s_i * V' (where V' < V due to damage) and the other gets s_j * V' - cost. If both leak, both get B + s_i * V'' (even worse).
2. Investment Choice: Each chooses e_i to maximize expected payoff given anticipation of leakage decisions.
3. Relational Contract: In repeated game, consider trigger strategy: leak leads to permanent non-cooperation. The condition for no leakage is: (expected payoff from cooperation forever) ≥ (payoff from leak once + payoff from non-cooperation forever). This gives a condition on δ.
4. Effect on Investment: If leakage is deterred by relational contract, investment incentives are higher because the returns are more secure.
5. The model explains why joint R&D often occurs within long-term alliances or joint ventures rather than one-off contracts.

重复博弈

时间: 求解均衡需解投资一阶条件和激励相容条件。空间: 依赖于行动空间。

指令: 优化求解（投资）， 不等式条件检查。计算不密集。

技术创新管理， 合作博弈， 契约理论

WG-0064​

微观政治/企业内

高管团队“观点多样性”与“群体思维”的决策质量边界

认知多样性模型与群体决策

基于多样性-能力权衡的高管团队决策优化模型

高管团队多样性-群体思维决策质量边界模型 (Top Team Diversity-Groupthink Decision Quality Frontier Model)

谋划、情感、权力

1. 团队构成：高管团队有N个成员。每个成员i有两种属性：
- 能力​ a_i（决策准确性个体基准）。
- 观点​ p_i ∈ R^d（在d个问题维度上的立场）。团队多样性用观点向量的方差或平均成对距离度量。
2. 决策过程：团队就一个复杂问题做决策，真实最优解θ未知。每个成员收到一个有噪声的私人信号s_i = θ + ε_i。然后团队进行讨论并产生集体决策D。讨论过程建模为：
- 群体思维模式：高凝聚力、高压下，成员倾向于趋同，抑制异议。决策D是观点p的加权平均，但权重向主导观点（如CEO）倾斜，且多样性信息未充分利用。
- 理想集体智慧：充分交流，独立判断，使用贝叶斯聚合，D接近真实θ。
3. 决策质量：用损失函数L = E[(D - θ)²]衡量。质量取决于：个体平均能力、多样性（提供不同信号）、以及讨论过程是否有效利用多样性（群体思维程度g ∈ [0,1]）。
4. 权衡边界：模拟显示，存在多样性(diversity)与群体思维(g)的权衡曲线。对于给定的平均能力，存在一个最优的多样性水平，超过则因群体思维导致质量下降（无法利用多样性）。提高心理安全（降低g）可以使团队在更高多样性下仍保持高质量决策。
5. 管理启示：团队建设需在选拔（控制多样性）和过程（抑制群体思维）间平衡。数据可指导团队组建和 facilitation 培训。

决策损失L相对于个体平均损失的改善；群体思维程度g的估计。

群体决策， 认知多样性， 群体思维， 集体智慧， 团队效能

高管团队组建， 董事会决策过程优化， 项目评审委员会设计

a_i, p_i: 成员能力与观点向量 (标量， 向量)。
θ, s_i: 真实状态与私有信号 (标量)。
Groupthink_Level g: 群体思维程度 (标量)。
Decision_D: 集体决策 (标量)。
Loss_L: 决策损失 (标量)。
Diversity_Index: 团队多样性指数 (标量)。

构建团队（定义能力与观点）​ -> 问题出现，产生真实θ​ -> 成员接收私有信号​ -> 团队讨论（模拟群体思维影响）​ -> 形成集体决策D​ -> 计算决策损失L​ -> 变化团队构成与过程，寻找最优边界。

统计决策理论， 贝叶斯聚合， 多样性度量， 优化（团队设计）

高管背景数据， 团队会议记录。

1. Individual Accuracy: Assume each member’s individual decision (based on s_i alone) has error variance σ_i² = 1/a_i.
2. Ideal Aggregation: If signals are independent and combined optimally, the collective error variance would be 1/(Σ_i a_i).
3. Groupthink Model: The actual decision D is a weighted average of individual opinions, but weights are distorted: w_i ∝ exp( -γ * distance(p_i, p_leader) ), where γ increases with g. So diverse opinions are down-weighted.
4. Decision Loss: L = Var(D - θ) = function of a_i, diversity, g.
5. Frontier: For a given average a, plot L as a function of diversity and g. The frontier is the minimum L achievable for each diversity level by optimizing g (through process interventions).

模拟实验

时间: 模拟多次决策场景O(S * N)， S场景数。空间: 存储团队属性和结果。

指令: 随机信号生成， 加权平均计算， 方差计算。计算简单。

团队研究， 决策科学， 领导力

WG-0065​

微观政治/企业间

产业园区内的“企业共生”与“污染偷排”监督博弈

演化博弈与空间动力学

基于声誉与惩罚的生态工业园区企业行为演化模型

生态工业园区企业共生与污染博弈演化模型 (Eco-Industrial Park Symbiosis & Pollution Game Evolution Model)

利益、谋划

1. 企业类型：企业有两种策略：
- 合作：投资于清洁生产，与邻居企业进行废物交换（工业共生），产生正外部性但承担成本c。
- 背叛：偷排污染，节省成本c，但对环境造成损害d（被罚款风险）。
2. 空间结构：企业在产业园区的网格上。污染有局部扩散效应，影响相邻企业（如增加其环境合规成本）。共生效益也局限于邻近企业间。
3. 监督与惩罚：园区管委会以概率p进行检查，检查成本为m。发现偷排则罚款f。管委会的收益是社会福利（企业总利润 - 环境损害 - 检查成本）。
4. 演化动态：企业根据其收益（利润 - 可能罚款 + 共生收益）模仿高收益邻居的策略（空间演化博弈）。管委会可以调整检查概率p和罚款f以引导企业行为。
5. 模拟结果：存在多重均衡：全部合作（绿色园区）、全部背叛（污染天堂）、或合作与背叛共存的斑块化。高罚款f和高检查概率p可以促成合作均衡，但检查成本高。通过促进企业间共生网络（增加合作收益），可以降低维持合作所需的监督力度。

园区长期合作企业比例；平均环境污染水平；管委会最优监督强度p*。

工业生态学， 演化博弈， 空间博弈， 环境监管， 工业共生

生态工业园区规划与管理， 企业环境合规监管策略

Strategy_i: 企业策略 (合作， 背叛)。
Location: 空间位置 (坐标)。
Cost_c, Damage_d, Fine_f: 成本、损害、罚款 (标量)。
Inspection_Prob p: 检查概率 (标量)。
Payoff_i: 企业收益 (标量)。
Social_Welfare: 社会福利 (标量)。

初始化企业策略与位置​ -> 企业进行生产，选择策略​ -> 管委会以概率p检查，罚款偷排者​ -> 计算企业收益（含共生与污染外部性）​ -> 企业模仿高收益邻居策略​ -> 管委会根据结果调整p, f​ -> (循环) -> 分析策略分布与环境指标。

空间演化博弈， 复制者动态， 外部性， 最优监管

企业生产数据， 环境监测数据。

1. Payoff Calculation: For a cooperator, payoff = base_profit - c + β * (number of cooperating neighbors). For a defector, payoff = base_profit - (with probability p) * f + γ * (damage from own and neighbors' pollution).
2. Strategy Update: Each period, each firm selects a neighbor at random and adopts that neighbor’s strategy with probability proportional to the difference in payoffs (e.g., Fermi rule).
3. Regulator’s Problem: Choose p to maximize long-run social welfare = Σ payoffs - environmental damage - inspection cost. This is a dynamic optimization, but can be approximated by setting p such that the expected cost of defecting (p*f) is greater than the cost saving c.
4. Simulation shows that spatial structure can help sustain cooperation clusters even with moderate p.

顺序序列（世代演化）

时间: O(T * L²)， L网格边长。空间: O(L²) 存储网格状态。

指令: 邻居收益求和， 概率模仿， 随机检查。计算简单。

环境经济学， 工业生态， 监管设计

WG-0066​

微观政治/企业内

内部创新竞赛的“激励扭曲”与“成果隐藏”博弈

锦标赛理论与信息不对称

基于多阶段创新竞赛与隐藏行为的研发激励模型

内部创新竞赛激励扭曲与隐藏模型 (Internal Innovation Contest Incentive Distortion & Hiding Model)

谋划、利益、情感

1. 竞赛结构：公司举办内部创新竞赛，多个团队参与。竞赛分两阶段：
- 探索阶段：团队进行初步研究，可能产生初步成果I（可隐藏）。
- 开发阶段：基于初步成果进行深度开发，产生最终成果F。公司根据F评奖，奖金B只给最佳团队（或前几名）。
2. 隐藏行为：团队在探索阶段结束后，需向公司报告进展。团队可以选择隐藏部分成果I，以防公司将其透露给其他团队（“搭便车”）或分配给其他团队开发。隐藏成本是可能被公司发现的惩罚，但好处是保护了知识产权。
3. 公司决策：公司收到报告后，可决定是否重新分配资源（如将某团队的初步成果给另一团队开发），以最大化最终产出。但重新分配会打击原团队的积极性。
4. 均衡：团队在探索阶段的努力投入e，和隐藏决策h，取决于对奖金B的期望和对公司重新分配政策的预期。公司需设计竞赛规则（奖金、是否允许重新分配、如何保护知识产权）以激励高努力和低隐藏。
5. 优化：公司目标是最佳最终产出减去奖金成本。模拟显示，过高的奖金可能导致过度竞争和隐藏；一定的资源共享（但需补偿）可能提高总产出。

团队平均努力水平；隐藏成果的比例；公司期望净收益。

创新竞赛， 锦标赛理论， 隐藏信息， 激励机制， 研发管理

企业内部创新大赛设计， 研发团队激励， 知识产权内部管理

Effort_e_i: 团队i的努力 (标量)。
Interim_I_i(e_i): 初步成果函数 (随机)。
Hide_Decision_h_i: 隐藏比例 (标量， 0≤h≤1)。
Final_F_i(I_i, e_i): 最终成果函数 (函数)。
Prize_B: 奖金 (标量)。
Reallocation_Policy: 公司重新分配规则 (函数)。

公司宣布竞赛规则​ -> 团队投入努力e，产生初步成果I​ -> 团队决定隐藏比例h，报告I(1-h)*​ -> 公司观察报告，决定是否重新分配资源​ -> 团队进入开发阶段，产生最终成果F​ -> 公司评奖，颁发奖金B​ -> 分析均衡行为与公司收益。

锦标赛理论， 信号博弈， 道德风险， 激励机制设计

研发项目报告， 评奖记录。

1. Team’s Problem: Choose e and h to maximize expected utility: EU = P(win) * B - cost(e) - expected penalty if hiding discovered. P(win) depends on F_i relative to others, which depends on e, h, and potential reallocation.
2. Interim Outcome: I_i = f(e_i) + noise. Team reports R_i = (1 - h_i) * I_i.
3. Firm’s Reallocation: If firm reallocates some of i’s interim knowledge to j, then i’s final output may be reduced, and j’s increased. Firm does this if it increases total expected output.
4. Equilibrium: Solve for team’s best response given firm’s policy, and firm’s optimal policy anticipating teams’ responses.
5. The model shows a trade-off: competition encourages effort, but may encourage hiding. A policy that compensates teams for shared interim成果 can alleviate hiding.

顺序序列（两阶段竞赛）

时间: 求解均衡需解团队优化和公司优化。空间: 依赖于团队数。

指令: 期望效用计算， 优化求解。计算中等。

创新管理， 激励机制， 知识产权

WG-0067​

微观政治/企业间

跨境数据流动中的“数据本地化”与“合规套利”博弈

博弈论与机制设计

基于数据价值与监管差异的多国数据政策博弈

跨境数据流动监管博弈模型 (Cross-Border Data Flow Regulation Game Model)

权力、利益、谋划

1. 参与国：国家A（数据来源国， 公民数据丰富）， 国家B（数据接收/处理国， 技术领先）。两国企业希望跨境传输数据以进行分析、提供服务，创造经济价值V。
2. 监管政策：每个国家选择数据监管严格度s_i ∈ [0,1]，0为自由流动，1为严格本地化。监管产生合规成本C(s) for 企业，但给国家带来收益（如隐私保护、国家安全、产业保护）。收益函数R_i(s_A, s_B) 取决于本国的监管和伙伴国的监管（存在外部性）。
3. 企业选择：企业观察到两国的监管严格度，决定是否传输数据。传输需同时满足两国监管，成本为c(s_A, s_B)。如果成本太高，企业可能放弃传输，或通过“合规套利”选择在监管最松的第三方国设立实体。
4. 纳什均衡：两国同时选择s_i，最大化本国净收益（经济价值分享 - 合规成本 + 监管收益）。均衡可能是囚徒困境：两国都采取严格监管，导致企业成本高、价值V损失，但单边放松会使本国面临风险。
5. 国际合作：模拟是否可能通过国际协议（如共同标准、 mutual recognition）达到合作均衡（较低且协调的监管水平），提高总福利。协议需解决执行和背叛问题。

均衡监管严格度(s_A, s_B)；跨境数据流动的价值实现比例。

数据治理， 国际监管， 博弈论， 合规， 隐私经济学

跨国公司数据合规策略， 国家数据主权政策制定， 国际数据流动谈判

s_A, s_B: 两国监管严格度 (标量)。
V: 数据流动潜在价值 (标量)。
C(s): 企业合规成本函数 (函数)。
R_i(s_A, s_B): 国家监管收益函数 (函数)。
Data_Flow_Level: 实际数据流动量 (标量)。
International_Agreement: 国际协议参数 (向量)。

两国评估数据价值与风险​ -> 同时设定监管政策s_i​ -> 企业根据(s_A, s_B)决定数据流动策略​ -> 计算各国收益（经济分享、监管收益）​ -> 分析均衡​ -> (可选) 进行国际谈判，尝试合作​ -> 重新均衡。

博弈论（国家间博弈）， 外部性， 机制设计， 国际合作

数据保护法规， 跨境数据流统计。

1. Firm’s Decision: Transmit data if V - c(s_A, s_B) > 0. Assume c is increasing in both arguments.
2. Country’s Payoff: Π_i = α_i * (V - c(s_A, s_B)) + R_i(s_A, s_B), where α_i is the share of economic value captured by country i (e.g., through taxes, local jobs). R_i might be increasing in s_i (protects citizens) but decreasing in s_j (if partner’s weak regulation puts your citizens’ data at risk).
3. Nash Equilibrium: Solve for s_A* = argmax Π_A(s_A, s_B*), and similarly for B. This may lead to a race to the bottom (both set low s) or race to the top (both set high s), depending on functional forms.
4. Cooperation: The cooperative solution (max Π_A+Π_B) may involve moderate and aligned s. Can be sustained by repeated interaction or treaty with enforcement.

WG-0068​

微观政治/企业内

中层管理者的“信息过滤”与“向上扭曲”激励机制

委托代理与信息设计

基于多层代理与职业关注的中层信息传递模型

中层管理者信息过滤与扭曲委托代理模型 (Middle Manager Information Filtering & Distortion Principal-Agent Model)

谋划、权力、利益

1. 层级结构：高层（委托人），中层经理（代理人），基层员工。中层观察到基层的努力e和产出y的信号s，y = e + ε。中层的任务是向高层报告状态m。
2. 职业关注：高层根据报告m和最终产出y更新对中层能力η的信念。中层关心其职业声誉，因为影响未来薪酬。高层对中层的评价：E[η

m, y]。
3. 扭曲动机：如果基层努力e低，但中层可以通过“包装”（付出个人努力c）在短期内拉高可观测信号s，使其看起来不错。中层向高层报告m时，可以选择如实报告s，或报告扭曲后的m = s + δ， δ ≥ 0。扭曲需要成本c(δ)，并可能在未来被揭露（如果y最终远低于m）。
4. 均衡：中层权衡短期利益（通过高m获得好评）和长期风险（未来被揭露损害声誉）。高层知道中层的扭曲动机，因此会打折看待报告m。求解信号博弈均衡，扭曲程度δ*是模型参数（如职业关注强度、扭曲成本、不确定性）的函数。
5. 组织设计：高层可以通过设计绩效评估体系（更看重长期y而非短期m）、引入平行信息渠道（如360度反馈）、或降低职业关注的权重，来减少信息扭曲。

均衡扭曲量δ*；高层根据报告m做出决策的误差。

委托代理理论， 职业关注， 信号博弈， 信息过滤， 中层管理

企业绩效报告系统设计， 防止“报喜不报忧”， 总部与分支机构管理

s: 中层观察到的信号 (标量)。
m: 中层向高层报告的消息 (标量)。
δ: 扭曲量 (决策变量)。
Cost_c(δ): 扭曲成本函数 (凸)。
Reputation_Belief: 高层对中层能力的信念 (标量)。
Manager_Type η: 中层真实能力 (潜变量)。

基层产生努力与产出y​ -> 中层观察信号s​ -> 中层选择扭曲量δ，报告m​ -> 高层接收m，更新对中层的信念​ -> 最终产出y实现，可能与m不符​ -> 高层进一步更新信念（可能发现扭曲）​ -> 分析均衡报告策略。

信号博弈， 贝叶斯学习， 职业关注模型， 优化（扭曲决策）

绩效报告， 会议纪要。

1. Manager’s Utility: U = w * E[Reputation

m, y] - c(δ), where w is weight on career concerns.
2. Reputation Update: E[η

m, y] is computed via Bayes, assuming a prior distribution of η and a model linking η, s, and y.
3. Distortion Choice: Manager chooses δ to maximize expected utility, given s and anticipation of how m will affect reputation and the eventual realization of y.
4. Equilibrium: A reporting strategy m(s) that is optimal for the manager given the principal’s inference rule, and the inference rule is consistent with the strategy.
5. The model predicts that when career concerns are high and measurement noise is high, distortion will be more severe.

顺序序列（信息传递与更新）

WG-0069​

微观政治/企业间

开源社区中的“代码贡献”与“名誉争夺”社会规范演化

演化博弈与网络分析

基于互惠规范与地位竞争的开源贡献演化模型

开源社区贡献与名誉演化博弈模型 (Open Source Community Contribution & Reputation Evolution Game Model)

情感、利益、谋划

1. 参与者与策略：开发者有两种基本策略：
- 合作者：付出努力贡献高质量代码，获得社区名誉（如GitHub stars， 成为committer）。
- 搭便车者：少贡献或贡献低质量代码，但享受开源成果。
名誉是一种公共信号，影响求职、融资等现实收益。
2. 社会规范：社区存在关于“何为有价值贡献”的规范（如代码行数 vs. 解决关键bug）。规范由核心成员（维护者）定义和强化，通过代码审核、合并决策来体现。
3. 互惠与惩罚：合作者可能更愿意帮助其他合作者，而忽略或批评搭便车者。维护者可以对低质量贡献给出负面反馈（社会惩罚），影响其名誉。
4. 演化动态：开发者可以观察他人的贡献和获得的名誉，调整自己的策略。成功（获得高名誉）的策略被模仿。社区规范也可以缓慢演化，例如，从重数量转向重质量。
5. 社区健康：模拟不同社区治理模式（仁慈独裁、精英治理、民主投票）对合作水平、项目质量、和开发者留存的影响。过于严苛的审核可能吓跑新手，过于宽松则导致质量下降。

长期合作者比例；平均代码贡献质量；项目活跃度（提交频率）。

开源软件， 社会规范演化， 声誉系统， 演化博弈， 网络公共物品

开源项目治理， 社区管理策略， 开发者激励设计

Strategy_i: 开发者策略 (合作， 搭便车)。
Effort_e_i: 贡献努力 (标量)。
Reputation_R_i(t): 名誉分数 (标量)。
Social_Norm: 社区规范参数 (向量)。
Maintainer_Actions: 维护者审核/惩罚行为 (函数)。
Project_Quality: 项目质量指标 (标量)。

初始化开发者与社区规范​ -> 开发者选择贡献努力与内容​ -> 维护者审核，决定合并与反馈​ -> 更新开发者名誉​ -> 开发者根据收益（名誉+内在动机）调整策略​ -> 社区规范可能缓慢演变​ -> (循环) -> 分析社区状态。

演化博弈， 声誉动力学， 社会规范， 基于主体建模， 公共物品

代码提交记录， 代码评审评论。

1. Reputation Update: R_i(t+1) = λ * R_i(t) + (1-λ) * (contribution_quality_i * weight_from_norm + social_feedback).
2. Payoff: U_i = γ * R_i - cost(e_i) + intrinsic_motivation.
3. Strategy Update: Imitate neighbor with higher U with some probability; or mutate.
4. Norm Evolution: The “norm” can be represented by weights in the reputation function. Maintainers (a subset of agents) can adjust these weights based on project goals (e.g., if too many low-quality PRs, increase weight on code review scores).
5. Simulation can show that a strong, fair reputation system can sustain cooperation, but if gamed, it can collapse.

顺序序列（世代循环）

时间: O(T * N * <k>)。空间: O(N)存储个体状态。

指令: 名誉更新计算， 收益比较， 策略模仿。计算简单。

开源治理， 在线社区， 社会生产

WG-0070​

微观政治/企业内

数字化转型中的“IT部门”与“业务部门”权力转移模型

资源依赖与权力动力学

基于技术赋能与数字素养的权力再分配系统动力学模型

数字化转型IT-业务部门权力动力学模型 (Digital Transformation IT-Business Dept Power Dynamics Model)

权力、谋划、利益

1. 权力基础：部门i的权力P_i源于：对关键资源（预算、数据、技术系统）的控制，以及解决组织不确定性的能力。数字化转型前，IT部门控制技术系统（资源），业务部门拥有领域知识（解决业务不确定性）。
2. 转型冲击：云化、SaaS、低代码平台等技术，降低了IT对技术资源的独占性。同时，数据成为核心资源，其控制权成为争夺焦点。
3. 动态：
- IT部门：可能从“技术控制者”转向“赋能者”和“数据治理者”，试图通过建立数据中台、制定标准来保持权力。
- 业务部门：获得更多技术工具（低代码），数字素养提升，渴望直接掌控数据和分析，削弱对IT的依赖。
4. 权力演化：dP_IT/dt = α * (控制数据治理) - β * (业务部门技术自给能力) + γ * (成功解决复杂技术问题)。dP_Bus/dt类似。转型初期，IT权力可能短暂上升（因项目多），但长期可能下降，除非成功转型角色。
5. 冲突与合作：模拟IT与业务部门在转型项目中的博弈（如自建 vs 采购， 集中 vs 分散）。不同权力配置下，转型成功率不同。高层介入（设定明确职责、推动协作文化）可引导良性权力平衡。

IT与业务部门权力的均衡比值；数字化转型关键项目的成功率。

资源依赖理论， 权力动力学， 数字化转型， 组织变革， 系统动力学

企业数字化战略执行， IT治理模式选择， 业务-IT对齐

P_IT(t), P_Bus(t): IT与业务部门权力 (标量)。
Resource_Control: 对预算、数据、系统的控制度向量 (向量)。
Digital_Literacy_Bus: 业务部门数字素养 (标量)。
Transformation_Project: 转型项目属性 (向量)。
Conflict_Level: 部门间冲突程度 (标量)。

评估转型前权力格局​ -> 启动数字化转型​ -> 资源控制与数字素养变化​ -> 更新部门权力​ -> 在具体项目中博弈/合作​ -> 项目结果影响权力与资源​ -> (循环) -> 分析新均衡。

系统动力学， 微分方程， 资源依赖， 权力博弈

项目决策记录， 预算分配数据。

1. Power Dynamics: P_IT(t+1) = P_IT(t) + a1Data_Governance_Score_IT - a2LowCode_Adoption_Bus + a3*IT_Project_Success. Similar for P_Bus.
2. Project Game: In a project, IT prefers centralized, standardized solution; Bus prefers quick, tailored solution. The outcome depends on relative power and senior management intervention.
3. Equilibrium: Solve for steady state where dP/dt = 0. Could be IT-dominated, Bus-dominated, or balanced.
4. Management Levers: Senior management can influence parameters: invest in Bus digital literacy training (increases a2), clearly assign data ownership, set up cross-functional teams.
5. Model highlights that数字化转型 is not just technological but profoundly political.

顺序序列（时间步模拟）

时间: 求解微分方程系统O(T)。空间: O(1)。

指令: 常微分方程数值积分。计算简单。

数字化转型， IT治理， 组织权力

WG-0071​

微观政治/企业间

战略客户“关系户”与“合规流程”的销售博弈

博弈论与机制设计

基于关系租金与审计威慑的战略客户销售模型

战略客户关系销售与合规审计模型 (Strategic Account Relationship Sales & Compliance Audit Model)

利益、谋划、情感

1. 参与方：销售经理S， 战略客户经理A（负责大客户）， 合规官C。销售目标是与关键客户K达成交易，价值V。
2. 关系与合规：达成交易有两条路径：
- 关系路径：A利用与K的私人关系（如校友、前同事）进行推动，可能绕过一些内部流程（如比价），速度快但风险高（可能违规）。关系租金为R。
- 流程路径：严格遵循公司招标、比价等流程，速度慢，但合规安全。流程成本为F。
3. 审计与惩罚：合规官C以概率p审计交易。如果发现违规（如未充分比价），对公司罚款M，对A和S个人也有处罚。A的关系投资是沉没成本。
4. 博弈顺序：S和A共同决定采用哪种路径。C选择审计资源分配（p）。交易完成后，可能被审计。各方收益：S和A分享佣金（受关系加速加成），但承担惩罚风险；C的收益是避免公司损失（罚款M）减去审计成本。
5. 均衡：求解混合策略均衡。当关系租金R高、审计概率p低时，关系路径盛行。公司可以通过调整惩罚M、审计效率（提高p的威慑力）、以及设计合理的流程（降低F）来引导合规行为。

均衡中采用关系路径的交易比例；公司因违规遭受的平均期望损失。

关系营销， 合规， 审计博弈， 销售管理， 机制设计

大客户销售管理， 反商业贿赂合规， 销售激励与风控平衡

Path_Choice: 销售路径选择 (关系， 流程) (离散)。
R, F: 关系租金与流程成本 (标量)。
Audit_Prob p: 审计概率 (标量)。
Penalty_M: 公司罚款 (标量)。
Commission_Rate: 销售佣金比例 (标量)。
Payoff_S, A, C: 各方收益 (标量)。

战略客户机会出现​ -> S与A评估关系与流程选项​ -> 选择销售路径​ -> 执行交易​ -> 合规官C决定是否审计​ -> 若审计且发现违规，施加惩罚​ -> 各方收益实现​ -> 分析均衡路径选择。

博弈论（监督博弈）， 混合策略均衡， 威慑理论， 激励机制

销售合同， 审计报告。

1. Payoffs: If relationship path and not audited: S&A get commission * V + R, C gets 0. If audited and caught: S&A get commission * V + R - personal_penalty, company pays M, C gets credit for finding. If process path: S&A get commission * V - F, C gets 0.
2. A&S Decision: Choose relationship path if (1-p)(commissionV+R) + p(commissionV+R - personal_penalty) > commissionV - F.
3. C’s Decision: Choose p to maximize expected benefit: p * (probability_of_relationship_path * M) - cost_of_audit(p).
4. Mixed Strategy Equilibrium: There exists a psuch that A&S are indifferent between the two paths, and C is indifferent between auditing and not at that level of relationship path usage.
5. The model shows that overly restrictive controls (high F) may push sales to use关系 path; the optimal policy balances deterrence and efficiency.

同时/序贯博弈

时间: 求解混合策略均衡需解方程组。空间: O(1)。

指令: 期望收益计算， 方程求解。计算简单。

销售管理， 合规风险， 激励机制

WG-0072​

微观政治/企业内

董事会“非正式会议”与“正式决议”的议程控制

社会网络与投票理论

基于会前联盟形成与投票权指数的董事会决策模型

董事会非正式协商与投票决策模型 (Board Informal Caucus & Voting Decision Model)

权力、谋划

1. 董事网络：董事间存在社会关系（如共同任职、校友），形成网络G。边权表示亲密程度。网络影响非正式沟通和信息交换。
2. 非正式会议：在正式董事会会议前，董事长或关键董事可能召集小范围非正式会议（“会前会”），就关键议题达成初步共识。被排除在外的董事可能信息滞后。
3. 意见形成：董事i的最终投票意向v_i受其初始偏好、非正式会议中形成的联盟压力、以及来自网络邻居的社会影响综合决定。使用社会影响模型：v_i = sign( Σ_j w_ij v_j + 自身偏好 + 随机扰动 )。
4. 投票权分析：正式投票时，使用Banzhaf或Shapley-Shubik指数计算各董事的实际投票权力。但非正式联盟可能使投票结果在会前已定，形式投票只是走过场。分析“关键人”——那些在非正式网络中处于中心位置，能左右联盟的董事。
5. 治理评估：对比“理想”投票结果（基于董事独立判断）与实际结果，评估非正式政治对决策质量的扭曲。模拟不同董事会结构（如独立董事比例、是否有领导董事）对非正式联盟形成和决策独立性的影响。

正式投票结果与“理想”独立投票结果的差异；关键董事的中心性指数。

公司治理， 社会网络分析， 投票理论， 董事会决策， 非正式政治

董事会效能评估， 独立董事作用分析， 防止“内部人控制”

Board_Network_G: 董事社会网络 (图)。
Director_Preference: 董事初始偏好向量 (向量)。
Informal_Caucus: 非正式会议参与者集合 (集合)。
Vote_v_i: 最终投票意向 (离散)。
Voting_Power_Index: 董事投票权力指数 (标量)。
Decision_Quality: 决策质量评估 (标量)。

董事收到正式会议议程​ -> 关键方召集非正式会议，形成初步共识​ -> 社会影响在网络中扩散​ -> 形成最终投票意向v_i​ -> 正式会议投票​ -> 计算投票权力与实际影响​ -> 评估决策过程。

社会网络分析， 意见动力学， 投票权力指数， 联盟形成

董事会纪要， 董事背景资料。

1. Influence Model: v_i(t+1) = sign( θ * own_pref + (1-θ) * Σ_j w_ij v_j(t) + noise ). The parameter θ captures independence. If i attended informal caucus, their v may be set to the caucus consensus early.
2. Voting Power: Compute Banzhaf index for each director given the voting rule (e.g., simple majority). Compare to their network centrality (e.g., eigenvector centrality). High centrality but low Banzhaf suggests informal power exceeds formal power.
3. Ideal Vote: Simulate a counterfactual where each director votes solely based on own_pref (θ=1). Compare the outcome to the actual outcome with influence.
4. Governance Levers: Increasing the number of independent directors (with weak ties to insiders) may reduce the effect of informal caucuses. Separating CEO and Chair roles may also help.

顺序序列（会前、会中、会后）

时间: 意见动力学模拟O(T *

V

²)；权力指数计算O(2^n)，n董事数通常<20。空间: 存储网络和偏好。

WG-0073​

微观政治/企业间

生态圈主导者“平台封禁”与“互补者反抗”的动态博弈

演化博弈与网络动力学

基于平台权力与多归属互补者的生态圈稳定性模型

平台生态圈封禁与反抗演化博弈模型 (Platform Ecosystem Ban & Revolt Evolution Game Model)

权力、利益、谋划

1. 参与者：主导平台P， 众多互补者C（如APP开发者、商家）。互补者可选择单归属（只服务P）或多归属（也服务竞争平台P'）。平台拥有“封禁”权力，可将特定互补者逐出生态。
2. 收益结构：平台收益取决于生态规模（互补者数量与质量）和从中抽取的佣金。互补者收益来自平台用户，但被平台抽成。多归属增加市场覆盖但可能有成本。
3. 封禁威胁：平台可能封禁那些试图降低抽成、支持竞争对手、或损害平台利益的互补者。封禁对互补者是毁灭性打击。但互补者可以联合反抗（如集体下架、舆论施压、提起反垄断诉讼），给平台带来声誉和监管风险成本R。
4. 动态：互补者根据预期收益选择是否多归属。平台观察互补者行为，决定是否封禁。反抗的成功概率取决于互补者联盟的规模和凝聚力。模拟演化：成功的策略（对互补者：多归属+必要时反抗；对平台：容忍 vs 强硬）被模仿。
5. 均衡：可能出现多种均衡：平台温和、生态繁荣；平台强硬、互补者顺从但创新不足；或冲突不断、生态不稳定。监管干预（限制封禁权）可以改变均衡。

生态圈中多归属互补者的比例；平台封禁事件发生的频率；生态总价值增长率。

平台生态， 反垄断， 演化博弈， 网络效应， 权力不对称

互联网平台治理， 开发者关系管理， 反垄断风险评估

Platform_Power: 平台权力指数 (标量)。
Multi-homing_m_i: 互补者i的多归属程度 (标量)。
Ban_Decision: 平台封禁决策 (0/1)。
Revolt_Strength: 互补者反抗联盟强度 (标量)。
Regulatory_Risk_R: 监管风险成本 (标量)。
Ecosystem_Value: 生态总价值 (标量)。

初始化平台与互补者状态​ -> 互补者选择多归属策略​ -> 平台评估，决定是否封禁​ -> 被禁互补者可能发起反抗​ -> 根据结果更新各方收益与策略​ -> 策略演化（模仿成功者）​ -> (循环) -> 分析生态稳定性。

演化博弈， 网络外部性， 权力动态， 集体行动

平台规则， 开发者公告， 诉讼记录。

1. Complementor’s Payoff: Π_C = users_from_P * (1 - fee_P) + users_from_other * (1 - fee_other) - cost(multi_homing) - large_loss_if_banned.
2. Platform’s Payoff: Π_P = fee_P * Σ users_from_P - R * I(revolt occurs) - damage_if_ecosystem_shrinks.
3. Revolt Success: Probability of successful revolt increasing in the number of major complements参与反抗. If成功， platform incurs cost R and may be forced to reinstate the banned party.
4. Evolution: Complements tend to adopt the strategy (single/multi, revolt/acquiesce) that yields higher payoff in recent periods. Platform may also adapt its封禁 threshold.
5. The model captures the tension between platform control and complements autonomy, central to modern digital economy debates.

顺序序列（周期演化）

时间: O(T * N_complementors)。空间: O(N)存储策略。

指令: 收益计算， 策略比较与模仿。计算简单。

平台战略， 反垄断， 生态治理

WG-0074​

微观政治/企业内

项目管理中的“范围蔓延”与“客户期望”管理博弈

重复博弈与心理账户

基于变更请求与关系价值的项目范围博弈模型

项目范围蔓延与客户期望管理博弈模型 (Project Scope Creep & Client Expectation Management Game Model)

利益、情感、谋划

1. 阶段博弈：项目分多阶段。每个阶段，客户可能提出变更请求（CR），带来额外价值V_C给客户，但给项目团队带来成本C_CR。团队可接受或拒绝。拒绝可能引起客户不满，损害未来关系价值R。
2. 客户类型：客户有私人类型：
- 合理型：CR确实必要。
- 机会主义型：常提低价值CR，试图获取额外服务。
3. 团队策略：团队可建立“变更控制委员会”（CCB）流程，提高CR的正式性和成本，以过滤低价值请求。但过于僵化会激怒合理型客户。团队也可选择“免费”接受一些小CR以维护关系。
4. 重复互动：项目是多阶段的。团队通过观察客户CR的历史来更新对其类型的信念。采用触发策略：如果客户CR过多/不合理，团队未来会严格执行流程或提价。客户也会根据团队过去的回应调整其行为。
5. 最优合同：在项目开始时，可设计包含一定免费变更额度或灵活定价的合同，以管理期望。模拟不同合同条款和团队应对策略对项目利润（收入-成本±关系价值）的影响。

项目实际利润率与预算利润率的偏差；客户满意度/关系价值的变化。

项目管理， 范围蔓延， 心理账户， 重复博弈， 客户关系

IT项目、咨询项目、建筑项目的范围管理， 变更控制流程设计

Client_Type θ: 客户类型 (离散， 私有)。
Change_Request CR_t: 阶段t的变更请求 (向量)。
Team_Response: 接受/拒绝决策 (离散)。
Relationship_Value R(t): 关系价值存量 (标量)。
Contract_Terms: 合同条款 (如免费额度) (标量)。
Project_Profit: 项目利润 (标量)。

签订项目合同​ -> 进入项目阶段​ -> 客户可能提出CR​ -> 团队评估CR (V_C, C_CR)， 决定回应​ -> 更新关系价值R​ -> 进入下一阶段​ -> 项目结束，结算利润​ -> 分析均衡行为。

重复博弈， 不完全信息， 贝叶斯学习， 心理账户（关系价值）， 合同设计

变更请求日志， 合同文档。

1. Team’s Decision: Accept CR if V_C (to client) * weight + ΔR > C_CR. The weight reflects the team’s consideration of client value (may be 0 if not contractually required). ΔR is the change in future relationship value.
2. Belief Update: Team updates probability of client being opportunistic based on frequency and nature of CRs.
3. Client’s Decision: Opportunistic client requests CR if they believe it will be accepted, and the benefit to them > potential cost of damaging relationship.
4. Equilibrium: In a repeated game, the team may tolerate some CR from an opportunistic client to maintain the relationship, but will punish if it becomes excessive. The initial contract (e.g., including a buffer for changes) can shape expectations.
5. The model highlights the importance of setting clear expectations and managing the relationship, not just the contract.

顺序序列（多阶段互动）

时间: 求解重复博弈均衡， 需考虑信念更新。空间: 依赖于类型和状态。

指令: 信念贝叶斯更新， 期望收益计算。计算不密集。

项目管理， 客户管理， 服务运营

WG-0075​

微观政治/企业间

跨国合资企业中的“文化双融”与“本土化妥协”策略

文化维度与演化博弈

基于霍夫斯泰德文化维度的合资企业策略演化模型

跨国合资企业文化双融策略演化模型 (跨国JV Cultural Ambidexterity Strategy Evolution Model)

情感、谋划、权力

1. 文化维度：用霍夫斯泰德指数表示母国A与B的文化差异向量D = (d_PDI, d_IDV, d_MAS, d_UAI, d_LTO)。例如，d_PDI是权力距离差异。这些差异影响管理实践（如决策风格、沟通方式）。
2. 策略空间：合资企业(JV)管理层可选择策略：
- 母公司A模式：沿用A国管理实践。
- 母公司B模式：沿用B国实践。
- 融合模式：尝试结合两者优点。
- 本土化：发展出适合当地（东道国）的独特实践。
3. 适应性收益：每种策略的收益取决于：
- 与东道国环境的匹配度。
- 与双方母公司预期的兼容性（影响资源支持）。
- 内部协调成本（融合模式可能更高）。
4. 演化：JV管理层通过试错调整策略，观察绩效。高绩效策略被保留和强化。同时，双方母公司也会施加压力，要求向自己偏好的模式靠拢。JV管理层需要在适应环境和满足母公司间权衡。
5. 长期均衡：模拟可能收敛到某一主导策略，或维持混合。文化差异大时，融合或本土化可能更优，但需要更强的JV管理层自主权。模型可评估给予JV多大自主权最有利于其长期成功。

JV长期生存率；策略收敛到融合/本土化的比例。

跨文化管理， 合资企业， 文化维度， 演化博弈， 组织双元性

跨国合资企业治理， 外派管理团队培训， 跨文化整合

Cultural_Distance_D: 文化差异向量 (向量)。
JV_Strategy: 管理策略选择 (离散)。
Host_Country_Fit: 与东道国匹配度 (函数 of strategy)。
Parent_Pressure: 母公司压力向量 (向量)。
JV_Autonomy: 合资企业自主权 (标量)。
JV_Performance: 合资企业绩效 (标量)。

成立合资企业， 确定文化差异​ -> JV管理层选择初始策略​ -> 运营产生绩效​ -> 双方母公司评估并施加压力​ -> JV管理层根据绩效和压力调整策略​ -> (循环) -> 分析策略演化与绩效。

文化维度理论， 演化博弈， 适应度景观， 组织学习

文化评估问卷， 管理实践调查。

1. Performance Function: Π(strategy) = α * Fit_to_Host(strategy) + β * (1 - distance(strategy, Parent_A_preference)) + γ * (1 - distance(strategy, Parent_B_preference)) - Coordination_Cost(strategy).
2. Strategy Update: JV management tends to move towards strategies that yielded higher recent performance, with some experimentation (mutation).
3. Parent Pressure: Parents may withhold resources or replace management if strategy deviates too much from their preference. This is modeled as a cost in the performance function.
4. Autonomy: High autonomy means β and γ are lower (less weight on parent preferences), allowing JV to explore更适合本土的策略.
5. Simulation can show that moderate autonomy often leads to the best outcomes, allowing for adaptation without alienating parents.

顺序序列（周期学习与调整）

时间: 演化模拟O(T * S)， S策略数。空间: 存储策略分布。

指令: 适应度计算， 策略选择与扰动。计算简单。

跨文化管理， 国际商务， 组织学习

WG-0076​

微观政治/企业内

内部专家“知识垄断”与“组织学习”障碍的破解模型

知识管理与网络干预

基于知识网络与激励设计的知识共享促进模型

组织知识垄断破解与共享促进模型 (Organizational Knowledge Monopoly Breaking & Sharing Promotion Model)

权力、利益、谋划

1. 知识网络：组织成员构成网络，边表示知识咨询关系。每个成员拥有独特知识片段。知识垄断者M处于网络关键路径，拥有许多其他人依赖的稀缺知识，并可能故意不分享以维持其不可替代性和权力。
2. 知识流动：当员工i遇到问题，会向网络邻居求助。如果直接邻居无法解决，问题会沿网络传递。如果必须经过M，且M不分享，则问题卡住，组织效率受损。
3. 垄断者收益：M通过充当“瓶颈”获得影响力、高薪、谈判筹码。分享知识会削弱其垄断地位，但有直接奖励（如知识贡献奖金）和间接收益（成为更广泛网络的中心）。
4. 干预措施：
- 激励：对知识贡献给予认可和奖励。
- 记录：建立知识库，将M的隐性知识显性化，降低对其个人的依赖。
- 网络重构：鼓励建立绕过M的新的知识连接（如培训他人， 建立实践社区）。
5. 模拟：从存在垄断者的网络开始，引入干预措施。观察知识流动效率（平均问题解决时间）和网络集中度（如M的介数中心性）的变化。最有效策略通常是组合拳。

知识网络效率提升（平均最短路径缩短）；垄断者介数中心性的下降幅度。

知识管理， 社会网络分析， 激励设计， 组织学习， 权力

企业专家知识管理， 防止关键人风险， 学习型组织建设

Knowledge_Network_G: 知识咨询网络 (图)。
Knowledge_Stock_i: 成员知识向量 (向量)。
Monopolist_M: 知识垄断者 (节点)。
Incentive_Scheme: 激励方案参数 (向量)。
Knowledge_Base: 组织知识库 (集合)。
Network_Efficiency: 知识流动效率指标 (标量)。

诊断现有知识网络与垄断点​ -> 设计并实施干预组合​ -> 激励知识贡献与记录​ -> 促进替代连接形成​ -> 更新知识网络​ -> 评估效率与中心性变化​ -> 迭代优化干预。

图论（网络效率， 中心性）， 激励设计， 基于主体的知识扩散

员工求助记录， 知识库访问日志。

1. Problem Solving: When a problem arises for agent i, it tries to solve using its own knowledge. If not, it queries neighbors. The process continues until solved or gives up. The path length is recorded.
2. Monopolist’s Decision: M decides whether to share when queried. Share with probability p = base_rate + incentive_bonus - power_loss_factor * (current_betweenness / max_betweenness).
3. Network Evolution: New edges can form through organized activities (e.g., community of practice meetings). Old edges may weaken if not used.
4. Intervention Effects: Knowledge base reduces queries to M. Incentives increase p. Network restructuring reduces M’s betweenness.
5. Simulate the dynamics: over time, the network becomes less centralized, and problem-solving becomes faster on average.

顺序序列（干预与评估循环）

时间: 网络模拟O(T *

E

)。空间: 存储网络。

WG-0077​

微观政治/企业间

供应商早期参与(ESI)中的“创新掏空”与“信任构建”

重复博弈与关系契约

基于关系专用投资与可置信承诺的供应商创新模型

供应商早期参与创新掏空防范模型 (Supplier Early Involvement Innovation Hollowing-out Prevention Model)

利益、谋划、权力

1. 合作模式：采购方（制造商）邀请关键供应商早期参与新产品设计(ESI)。供应商投入关系专用投资I（如定制研发），可大幅降低成本或提升性能，创造关系租金R。
2. “掏空”风险：制造商可能在供应商投资后，利用其设计知识，转而扶持另一家成本更低的供应商（或内部生产），侵占关系租金。这是供应商面临的主要风险。
3. 承诺机制：制造商可以通过以下方式做出可信承诺：
- 抵押：支付预付款或专用设备投资。
- 关系契约：在长期重复合作中建立声誉，违约将失去所有供应商的信任。
- 股权联结：交叉持股。
4. 均衡：供应商的投入I*取决于其对制造商承诺可信度的信念。制造商需权衡短期掏空收益与长期合作损失。在重复博弈中，如果贴现因子足够高，制造商可以维持不掏空的声誉，从而激励供应商高投入。
5. 合同设计：最优合同可能包括明确的产权分配（联合专利）、阶段性支付、以及违约的高额赔偿。模拟不同治理结构下（市场、关系、联盟、一体化）的创新投入和总租金创造。

供应商关系专用投资水平I*；关系租金R的实现比例；合作关系的稳定性。

供应链合作创新， 关系契约， 专用性投资， 掏空风险， 可信承诺

汽车、电子等行业的供应商协同设计， 开放式创新中的知识产权保护

Supplier_Investment_I: 供应商专用投资 (标量)。
Relationship_Rent_R(I): 关系租金函数 (递增凹)。
Hollowing_Out_Gain_G: 制造商掏空的一次性收益 (标量)。
Commitment_Mechanism: 承诺机制强度 (标量)。
Trust_Belief: 供应商对制造商的信任度 (标量)。
Cooperation_Outcome: 合作结果 (成功/失败)。

制造商邀请供应商ESI​ -> 供应商评估信任与承诺， 决定投资I​ -> 投资产生知识， 可能降低成本​ -> 制造商决定是否兑现承诺（不掏空）​ -> 若兑现， 分享租金R；若掏空， 获得G但关系破裂​ -> 分析均衡投资与承诺策略。

重复博弈， 关系契约， 专用性投资， 可信承诺， 合作创新

合作开发协议， 支付记录。

1. Supplier’s Payoff: If honored: share of R(I) - cost(I). If hollowed out: -cost(I). So supplier invests I to maximize expected payoff = P(honor) * (share*R(I) - cost(I)) + (1-P(honor)) * (-cost(I)).
2. Manufacturer’s Temptation: Hollow out if G > long-term value of continued cooperation (discounted stream of share of future rents).
3. Credible Commitment: Commitment mechanisms increase the cost of hollowing out (e.g., loss of抵押) or reduce G (e.g., through IP protection).
4. Relational Equilibrium: In an infinite horizon game, the manufacturer can sustain a “honor” equilibrium if δ (discount factor) is high enough: (长期合作收益) / (1-δ) ≥ G.
5. The model explains why deep supplier collaboration is often seen in long-term partnerships like Toyota and its suppliers, where reputation is paramount.

重复博弈

时间: 求解重复博弈均衡条件。空间: 依赖于状态变量。

指令: 折现收益计算， 不等式条件判断。计算简单。

供应链创新， 关系治理， 契约理论

WG-0078​

微观政治/企业内

新生代员工“反向 mentoring”与“传统权威”的挑战

社会认同与影响力动力学

基于数字素养与传统权威的双重影响力演化模型

反向 mentoring 与传统权威影响力博弈模型 (Reverse Mentoring & Traditional Authority Influence Game Model)

权力、情感、谋划

1. 影响力维度：组织成员有两种影响力基础：
- 传统权威​ A_i：来自职位、资历、经验。
- 数字素养​ D_i：掌握新兴数字工具、社交媒体、数据分析的能力。
2. 反向 mentoring 关系：资深员工（高A， 低D）与新生代员工（低A， 高D）可结成反向 mentoring 对子。在此关系中，新生代传授数字技能给资深者，资深者提供业务经验和人脉。双方影响力都可能变化。
3. 影响力动态：个体i的总体影响力I_i = f(A_i, D_i)， 函数形式可能随组织对数字化转型的重视程度ω而变化：I_i = (1-ω)A_i + ωD_i。ω随时间增加，体现数字化转型深入。
4. 关系形成与演化：员工基于互补性（A与D的差异）和潜在影响力收益选择是否建立反向 mentoring 关系。关系成功后，双方的A和D会更新：资深者的D增加，新生代可能通过资深者的背书获得一定的A提升。
5. 组织演化：模拟整个组织，从初始A、D分布开始。随着ω提高和反向 mentoring 的开展，观察组织影响力结构的演变：是从传统权威平稳过渡到数字素养，还是出现代际冲突？组织主动推广反向 mentoring 项目可以加速融合。

组织平均数字素养的提升速度；传统权威与数字素养影响力的相关性（是否出现新型领导者）。

反向 mentoring， 社会认同， 影响力， 数字化转型， 代际差异

企业数字化转型中的人才发展， 代际融合与知识传承， 领导力发展项目

A_i(t), D_i(t): 成员传统权威与数字素养 (标量)。
ω(t): 组织对数字素养的重视度 (标量， 递增)。
Mentoring_Pair (i,j): 反向mentoring对子 (元组)。
Influence_I_i(t): 总体影响力 (标量)。
Organizational_Culture: 组织文化（支持创新程度）(标量)。

评估组织初始A、D分布​ -> 组织可能启动反向mentoring项目​ -> 员工基于互补性形成mentoring对子​ -> 进行知识交换，更新A、D​ -> 计算新影响力I​ -> ω随时间提高​ -> (循环) -> 分析影响力格局演变。

社会网络形成（基于互补性）， 影响力动力学， 组织演化

员工技能档案， mentoring项目记录。

1. Influence Function: I_i(t) = (1 - ω(t)) * A_i(t) + ω(t) * D_i(t). ω(t) may follow a logistic growth from 0 to 1.
2. Pair Formation: Probability of forming a reverse mentoring pair between i and j proportional to exp( β * (

A_i - A_j

*

D_i - D_j

) ) (complementarity) and decreased by social distance.
3. Skill Update: After a period of mentoring, ΔD_senior = α * (D_junior - D_senior), ΔA_junior = γ * (A_senior - A_junior) * (effectiveness_of_mentoring).
4. Organizational Change: As ω increases, the correlation between I and D increases. Those who engage in reverse mentoring adapt better and may rise in influence.
5. Without intervention, there may be polarization between high-A/low-D and low-A/high-D groups. Structured programs can bridge the gap.

WG-0079​

微观政治/企业间

产业技术标准联盟中的“专利挟持”与“FRAND许可”博弈

合作博弈与议价理论

基于标准必要专利与公平合理非歧视许可的联盟稳定性模型

标准必要专利FRAND许可博弈模型 (SEP FRAND Licensing Game Model)

权力、利益、谋划

1. 参与者：多个持有标准必要专利(SEP)的公司。标准成立后，所有实施者（包括 SEP 持有者自己）都需要使用这些专利。
2. 挟持问题：一旦标准锁定，单个SEP持有者可以拒绝许可或索要过高许可费，挟制整个产业。为防止此问题，标准制定组织(SSO)要求参与者承诺以FRAND条款许可其SEP。
3. 许可费博弈：SEP持有者之间就交叉许可费率进行谈判。每个公司i希望最大化其净许可收入：许可收入 - 支付给其他公司的许可费。FRAND原则可解释为许可费应与专利的技术贡献成正比，但贡献难以衡量。
4. 联盟稳定性：公司可形成子联盟，在内部免费交叉许可，对外统一收费。这类似于专利池。合作博弈的特征函数v(S)是联盟S能获得的最大联合许可收入。分析核心（Core）是否存在，即是否存在一个分配方案使没有子联盟想脱离。
5. 仲裁与诉讼：如果双边谈判破裂，可能诉诸仲裁或法院。法院会试图确定FRAND费率。模拟不同司法倾向（倾向实施者 vs 倾向专利权人）对均衡许可费率的影响。

均衡许可费率水平；专利池/联盟的稳定性（是否在核中）；诉讼发生率。

标准必要专利， FRAND许可， 合作博弈， 专利挟持， 标准制定

通信（如5G）、音视频编解码等标准组织的知识产权政策， 专利许可谈判

SEP_Portfolio_i: 公司i的SEP数量/质量 (标量)。
Contribution_Weight: 专利技术贡献权重 (向量)。
License_Fee_Fij: i向j收取的许可费 (标量)。
FRAND_Interpretation: FRAND原则的司法解释 (函数)。
Coalition_Value_v(S): 联盟特征函数 (函数)。
Lawsuit_Probability: 诉讼概率 (标量)。

标准制定，确定SEP​ -> 公司间进行双边/多边许可谈判​ -> 可能形成专利池​ -> 谈判破裂可能引发诉讼/仲裁​ -> 法院裁定FRAND费率​ -> 根据结果计算各方收益​ -> 分析均衡与稳定性。

合作博弈， 议价理论， 特征函数， 稳定性（核）， 法律经济学

SEP声明， 许可协议， 法院判例。

1. Value Function: For a coalition S, v(S) = maximum licensing revenue they can extract from outside S by acting collectively, minus any licensing payments they need to make to each other (which are zero within the pool).
2. Bilateral Negotiation: Nash bargaining solution determines F_ij, with threat points being the outcome of litigation (which yields a court-determined FRAND rate).
3. Core Stability: An allocation of total industry profits is in the core if no subset of firms can do better by forming their own pool. The core is often non-empty for patent pools, especially when patents are complementary.
4. Litigation: Firms go to court if they cannot agree. The court’s determination of FRAND rate affects the threat point in all negotiations, thus influencing the equilibrium.
5. The model highlights the challenge of defining and enforcing FRAND, and why patent pools are a common solution.

合作博弈与谈判

时间: 计算所有联盟v(S)是O(2^N)。空间: O(2^N)。

指令: 联盟枚举， 特征函数评估， 线性规划（求核）。计算复杂度高。

知识产权法， 标准制定， 产业组织

WG-0080​

微观政治/企业内

高管“奢华在职消费”的代理成本与股东监督博弈

委托代理与公司治理

基于隐藏行动与股东觉醒的奢靡消费监督模型

高管奢靡在职消费代理成本模型 (Executive Lavish Perk Consumption Agency Cost Model)

利益、谋划、权力

1. 高管行为：CEO可以选择努力水平e（增加公司价值V）和在职务消费（perks）水平p（如私人飞机、豪华办公室）。消费p给CEO带来私人效用u(p)，但损害公司价值（代理成本），因为花费公司资源。股东无法直接观察e和p，只能观察到总成本C和最终公司价值V（带噪声）。
2. 薪酬合同：股东设计CEO薪酬合同，包括固定工资、与业绩挂钩的奖金、以及股权激励。合同无法直接基于p（因不可观测），但可以基于可观测的V和C。过度消费会提高C，降低V。
3. 股东觉醒：存在一个积极股东（如机构投资者）可以付出成本调查，以概率q发现p的真实水平。如果发现p过高，可以发起股东提案、投反对票或公开谴责，对CEO造成声誉损失或罢免风险L。
4. 均衡：CEO选择e和p以最大化自身效用：U_CEO = 薪酬 + u(p) - 努力成本c(e) - 预期惩罚q*L。股东选择薪酬合同和调查强度q（如果积极）以最大化公司价值减去薪酬和调查成本。
5. 治理机制：模拟不同治理结构（董事会独立性、股东权利、信息披露要求）对均衡消费p和公司价值的影响。强的股权激励（使CEO利益与股东一致）和有效的股东监督可抑制奢靡消费。

均衡在职消费水平p*；代理成本（价值损失）占公司价值的比例。

公司治理， 代理成本， 在职消费， 股东积极主义， 激励机制

高管薪酬委员会决策， 股东积极主义策略， 公司治理评级

Effort_e, Perks_p: CEO努力与消费决策 (标量)。
Firm_Value_V(e,p): 公司价值函数 (递减 in p)。
CEO_Utility_u(p): 消费带来的私人效用 (函数)。
Compensation_Contract: 薪酬合同 (函数 of V, C)。
Monitoring_Intensity_q: 股东监督强度 (标量)。
Agency_Cost: 代理成本 (标量)。

股东设计薪酬合同​ -> CEO选择努力e和消费p​ -> 公司价值V和成本C实现​ -> 积极股东可能以概率q进行调查​ -> 若发现过度消费，施加惩罚L​ -> CEO获得薪酬和效用​ -> 股东获得回报​ -> 分析均衡行为。

委托代理模型， 隐藏行动， 监督博弈， 激励机制设计

公司财务报表， 高管福利披露。

1. CEO’s Problem: max_{e,p} E[compensation(V, C)] + u(p) - c(e) - q * L * I(p > p_threshold).
2. Firm Value: V = V0 + f(e) - g(p) + noise.
3. Optimal Contract: Under moral hazard, the optimal contract ties pay to V to incentivize e, but it may not perfectly discipline p if p is not contractible. High equity ownership helps because p reduces V and thus CEO’s own wealth.
4. Monitoring: The activist chooses q to maximize expected increase in firm value from reducing p, minus monitoring cost. Higher potential gain (high g(p)) justifies higher q.
5. The model shows that perks are a form of agency cost that can be controlled by alignment of incentives and external monitoring.

委托代理博弈

时间: 求解委托代理模型，可能需要数值方法。空间: 依赖于行动空间。

指令: 期望效用计算， 优化求解（CEO）， 合同优化。计算中等。

公司治理， 高管薪酬， 代理理论

WG-0081​

微观政治/企业间

竞争对手间的“人才互不挖角”默契与背叛检测

重复博弈与网络监督

基于触发策略与社交网络信息流动的互不挖角协议模型

竞争对手互不挖角默契稳定性模型 (Competitor No-Poaching Understanding Stability Model)

谋划、利益、权力

1. 博弈设定：两家竞争公司A和B，拥有相似人才库。每期，他们可以选择是否试图挖角对方的关键员工。挖角成功可获得人才价值V，但付出挖角成本C，并导致对方损失V（并可能引发报复）。
2. 默契协议：双方可以达成 tacit understanding 不主动挖角对方员工，形成合作均衡。这类似于囚徒困境中的合作。但单方面背叛（偷挖）可获一次性收益V - C。
3. 信息与检测：挖角行为可能被对方察觉，但存在时滞和不确定性。察觉概率取决于行业网络的信息流动速度、猎头行为是否保密等。一旦察觉，受害方可以触发惩罚（如也开始挖角，或升级到全面人才战）。
4. 重复博弈均衡：如果双方对未来互动的折现因子δ足够高，且检测概率足够大，则“互不挖角”可以作为子博弈精炼均衡（触发策略：一旦发现对方挖角，则永远转入相互挖角的状态）。
5. 外部冲击：引入外部因素，如市场突然扩张（V增大）或某方出现财务危机（更需短期人才），可能打破默契。模型可评估在什么条件下默契是稳定的，以及如何通过行业规范（公开谴责）或第三方（如行业协会）监督来增强稳定性。

默契协议维持的平均时长；挖角行为发生的均衡概率。

人才竞争， 重复博弈， 默契合谋， 触发策略， 信息经济学

高科技行业人才竞争分析， 反垄断中“互不挖角协议”的评估， 企业人才保留策略

Poaching_Decision_i: 公司i的挖角选择 (0/1)。
Value_V, Cost_C: 人才价值与挖角成本 (标量)。
Detection_Prob_ρ: 挖角被察觉的概率 (标量)。
Discount_Factor_δ: 折现因子 (标量)。
Punishment_Strategy: 惩罚策略 (触发策略)。
Equilibrium_Outcome: 均衡结果 (合作/背叛)。

初始状态为互不挖角默契​ -> 每期，公司决定是否偷偷挖角​ -> 若挖角，以概率ρ被对方察觉​ -> 若察觉，触发惩罚（进入互相挖角阶段）​ -> 各方收益实现​ -> (循环) -> 分析默契稳定性条件。

重复博弈， 囚徒困境， 触发策略， 信息不对称， 折现因子

招聘公告， 员工流动数据。

1. Stage Game Payoffs: If both refrain: (0, 0). If A poaches, B refrains: (V-C, -V). If both poach: (-C, -C) (canceling out, only cost).
2. Trigger Strategy: Start with “refrain”. If ever detect that opponent poached, switch to “poach” forever.
3. Incentive to Cooperate: The expected gain from poaching once is (V-C) (if not detected immediately). The long-term loss from triggering punishment is the loss of future cooperation (value 0 forever) versus getting -C forever. Cooperation is sustainable if δ is high enough such that (V-C) ≤ δ/(1-δ) * C (simplified).
4. Detection Probability ρ: Higher ρ makes deviation more likely to be caught, thus supports cooperation.
5. The model explains why such tacit agreements can exist in concentrated industries, but are fragile to shocks.

重复博弈

时间: 求解重复博弈均衡条件。空间: O(1)。

指令: 折现收益计算， 不等式比较。计算简单。

劳动经济学， 产业组织， 博弈论

WG-0082​

微观政治/企业内

项目复盘中的“归因偏差”与“学习失真”纠正算法

认知心理学与计量模型

基于因果图与反事实推理的项目复盘归因校正模型

项目复盘归因偏差校正模型 (Project Retrospection Attribution Bias Correction Model)

人性、谋划、情感

1. 复盘数据：收集项目多个维度数据：输入（资源、团队构成）、过程（决策点、风险管理行动）、结果（绩效指标、客户满意度）。参与者（团队成员、经理）在复盘会议上对成功/失败进行归因（内部/外部， 可控/不可控）。
2. 归因偏差：存在系统性偏差，如自利偏差（成功归内因，失败归外因）、基本归因错误（低估情境因素）。这导致复盘结论失真，无法正确指导未来行动。
3. 因果图学习：使用项目历史数据，通过因果发现算法（如PC算法）学习变量间的因果结构。这提供一个相对客观的“因果地图”，标识出关键驱动因素和路径。
4. 偏差校正：将参与者的主观归因陈述映射到因果图的节点上。比较主观归因权重与从数据中估计的因果效应强度。对存在显著偏差的归因（如过分强调个人能力，忽视市场变化），系统给出警示并提供数据支持的反事实分析（“如果当时采取了X行动，结果可能如何？”）。
5. 学习强化：基于校正后的归因，提炼真正的经验教训，并更新组织知识库。跟踪后续项目中应用这些教训的效果，形成闭环学习。

归因校正前后，复盘结论与客观数据的匹配度提升；后续项目绩效的改进。

组织学习， 归因理论， 因果推断， 认知偏差， 项目复盘

企业项目后评审（Post-mortem）流程优化， 组织学习系统， 决策质量提升

Project_Data: 多维项目数据 (向量)。
Attribution_Statements: 参与者归因陈述 (文本)。
Causal_Graph_G: 学到的因果图 (图)。
Causal_Effect_Size: 因果效应估计 (标量)。
Bias_Alert: 归因偏差警示 (文本)。
Corrected_Lessons: 校正后的经验教训 (文本)。

收集项目数据与复盘陈述​ -> 因果发现，构建项目因果图​ -> 解析归因陈述，映射到因果节点​ -> 比较主观权重与客观效应，识别偏差​ -> 生成偏差警示与反事实分析​ -> 提炼校正后经验教训​ -> 更新知识库。

因果发现， 文本分析（归因提取）， 计量经济学（因果效应估计）， 反事实推理

项目文档， 复盘会议记录。

1. Causal Discovery: From historical project data matrix X, use PC algorithm to learn a DAG representing plausible causal relationships. This requires conditional independence tests.
2. Attribution Parsing: Use NLP to extract entities and relationships from attribution statements, map to nodes in the causal graph. E.g., “We succeeded because of our team’s dedication” maps to node “team_effort” with positive attribution.
3. Effect Estimation: For each cause node, estimate its average causal effect on outcome using methods like regression adjustment on the causal graph.
4. Bias Detection: Compare the frequency or strength of attribution to a cause in statements vs. its estimated causal effect. Flag if difference exceeds threshold (e.g.,

subjective_weight - causal_effect

> 0.2).
5. Counterfactual: For a flagged bias, generate a counterfactual scenario: “Data suggests that market growth accounted for 40% of the success, while team effort accounted for 30%. Consider if the outcome would have been the same in a flat market.”

顺序序列（数据分析流程）

时间: 因果发现O(p^4)， p变量数；NLP解析O(L)。空间: 存储因果图和文本数据。

WG-0083​

微观政治/企业间

战略投资后“投后管理”与“创始人控制权”博弈

动态博弈与期权理论

基于里程碑对赌与董事会席位的投后治理博弈模型

风险投资投后管理与控制权博弈模型 (VC Post-Investment Governance & Control Game Model)

权力、谋划、利益

1. 投资条款：风险投资基金(VC)投资创业公司，获得优先股和董事会席位。条款可能包括对赌协议：如果公司未达到特定财务/运营里程碑，VC可能获得更多股份或增强控制权（如委派CEO）。
2. 创始人努力：创始人选择不可观测的努力水平e，影响达到里程碑的概率p(e)和公司长期价值V(e)。努力有个人成本c(e)。
3. 控制权转移：如果里程碑未达到，根据对赌条款，控制权可能向VC转移（如董事会席位增加）。创始人失去控制权会带来私人收益损失B（如愿景无法实现、被解雇风险）。
4. 重新谈判：在里程碑评估点，即使未达到，双方可能重新谈判条款以避免两败俱伤（公司失败）。VC可能以放弃部分控制权为条件，换取更多股权。这是一个纳什议价过程。
5. 动态均衡：创始人预期到未来的控制权风险和对重新谈判的期望，决定初始努力e。VC设计对赌条款（里程碑难度、惩罚强度）以激励创始人，同时保留在情况恶化时保护投资的权力。模拟显示，过于严苛的对赌可能削弱创始人早期努力（因预期会失去控制权），而过于宽松则缺乏激励。

创始人均衡努力水平e*；控制权发生转移的概率；公司最终成功的概率。

风险投资， 对赌协议， 控制权， 动态博弈， 契约理论

风险投资条款设计， 创业公司治理， 投后管理策略

Milestone_M: 对赌里程碑 (标量)。
Founder_Effort_e: 创始人努力 (标量)。
Achievement_Prob_p(e): 达到里程碑的概率函数 (函数)。
Control_Shift_Clause: 控制权转移条款 (函数)。
Renegotiation_Bargaining: 重新谈判博弈 (纳什议价)。
Company_Success: 公司最终成功标志 (布尔)。

VC投资，签订对赌协议​ -> 创始人付出努力e​ -> 里程碑期到，评估是否达成​ -> 若未达成，可能触发控制权转移或重新谈判​ -> 根据新控制结构继续运营​ -> 公司最终成功或失败​ -> 分析均衡努力与条款设计。

动态博弈， 道德风险， 重新谈判， 控制权配置， 激励机制

投资协议， 董事会决议。

1. Founder’s Payoff: If milestone met, retains control and gets share of V(e). If not met, with probability trigger control shift, then payoff depends on renegotiation outcome. Founder chooses e to maximize expected payoff minus cost c(e).
2. Renegotiation: If milestone missed, VC and founder Nash bargain over a new allocation of equity and control. Threat points are the outcomes under the original contract (which may be bad for both if it leads to conflict).
3. VC’s Problem: Design milestone M and control shift clause to maximize expected return, anticipating founder’s effort choice and renegotiation.
4. Equilibrium: The optimal contract balances incentives (high e) and insurance (VC protection). It often involves convertible securities that adjust based on performance.
5. The model explains why对赌协议 are common but also controversial: they can align incentives but also create risks of distortion and conflict.

顺序序列（多阶段博弈）

时间: 求解动态博弈均衡，可能需要数值方法。空间: 依赖于状态变量。

指令: 期望效用计算， 优化求解（创始人努力）， 议价解计算。计算中等。

创业金融， 公司治理， 契约设计

WG-0084​

微观政治/企业内

矩阵式组织中的“双重汇报”与“目标冲突”求解算法

多目标优化与博弈论

基于资源约束与协商平衡的双重汇报冲突解决模型

矩阵式组织双重汇报目标冲突协商模型 (Matrix Organization Dual-Reporting Goal Conflict Negotiation Model)

谋划、权力、利益

1. 汇报结构：员工E同时向两个上司汇报：职能经理F（负责专业发展、资源）和项目经理P（负责项目交付、客户）。F和P对E的工作有时间分配要求t_F, t_P，且t_F + t_P > 1（冲突根源）。
2. 目标函数：F的绩效取决于E在职能工作上的输出O_F(t_F)，P的绩效取决于E在项目上的输出O_P(t_P)。E的总时间T=1。E的自身收益（如奖金、晋升）可能同时取决于O_F和O_P。
3. 协商博弈：F、P、E三方就时间分配t进行协商。协商力量取决于：
- 正式权力（如F是E的直线经理）。
- 资源控制（F控制预算， P控制客户关系）。
- 外部选项（E可以求助更上级）。
协商结果可建模为纳什议价解，最大化三方效用的乘积。
4. 组织设计：公司可设置协调机制，如设立“资源经理”角色、明确优先级规则（如项目优先）、或引入积分系统量化不同工作的价值。模拟不同机制对冲突解决效率（总产出O_F+O_P）和员工满意度的影响。
5. 动态调整：在项目不同阶段，P和F的需求强度变化。模型可扩展为多期，允许根据项目阶段动态调整时间分配协议。

总产出O_F+O_P相对于命令式分配（如各50%）的提升；员工E的压力水平。

矩阵组织， 双重汇报， 多目标优化， 协商理论， 组织设计

矩阵式组织的运营优化， 项目资源分配， 员工绩效管理

Time_Demands_tF, tP: 双方时间要求 (标量)。
Output_OF(t), OP(t): 产出函数 (凹函数)。
Bargaining_Power_wF, wP, wE: 协商权力权重 (标量)。
Negotiated_Allocation_t: 协商后的时间分配 (标量)。
Total_Output: 总产出 (标量)。
Coordination_Mechanism*: 协调机制参数 (向量)。

员工E面临双重时间需求​ -> F、P、E三方就时间分配进行协商​ -> 根据协商权力与规则达成协议t* -> E按协议分配时间工作​ -> 产出OF, OP实现，影响各方绩效​ -> 评估冲突解决效果​ -> (可选) 调整协调机制。

多目标优化， 纳什议价， 资源分配， 组织设计

工作分配协议， 绩效评估。

1. Utility Functions: U_F = O_F(t_F), U_P = O_P(1 - t_F), U_E = α * O_F + β * O_P - disutility(

t_F - 0.5

) (assuming conflict causes stress).
2. Nash Bargaining Solution: The negotiated t* maximizes (U_F - d_F)^{wF} * (U_P - d_P)^{wP} * (U_E - d_E)^{wE}, where d are disagreement payoffs (e.g., if no agreement, each gets a low default).
3. Bargaining Power: w reflects formal authority and resources. Often, the line manager F has higher w.
4. Coordination Mechanism: A rule like “project time takes priority during critical phases” effectively changes the disagreement point for P, increasing their bargaining power temporarily.
5. The model shows that matrix structures inherently create conflict; effective resolution requires clear governance and conflict resolution protocols.

协商博弈

时间: 求解纳什议价解需解优化问题。空间: O(1)。

WG-0085​

微观政治/企业间

联盟伙伴“选择性合作”与“知识泄露”的边界管理

网络博弈与信任演化

基于模块化合作与信息防火墙的联盟知识管理模型

联盟选择性合作与知识保护模型 (Alliance Selective Cooperation & Knowledge Protection Model)

谋划、利益、权力

1. 合作项目组合：两家公司A和B在多个项目/技术领域有合作。每个项目k有合作价值V_k， 但也伴随知识泄露风险L_k（即对方可能将学到的知识用于竞争性领域）。
2. 选择性合作：A和B为每个项目k决定合作深度d_k ∈ [0,1]（0为不合作，1为全面合作）。合作深度影响价值创造V_k(d)和泄露风险L_k(d)。通常，V_k是凹函数，L_k是凸函数。
3. 知识防火墙：公司可以投资于“防火墙”技术或流程f，以降低泄露风险，

WG-0091​

微观政治/企业内

董事会非正式“会前联盟”与投票结果预测模型

社会网络与投票理论

基于阈值模型与社会关系的董事会投票行为预测

董事会会前联盟与投票预测模型 (Board Pre-meeting Coalition & Voting Prediction Model)

权力、谋划

1. 董事网络：构建董事间的多重关系网络：共同任职、校友、同乡、职业背景相似性。边权表示关系强度w_ij。
2. 议题立场：针对特定议案，每位董事i有初始私有立场p_i ∈ [-1,1]（反对到支持），由个人价值观、所代表股东利益等决定。
3. 会前沟通：在正式投票前，董事们进行非正式沟通。沟通遵循网络进行。沟通中，董事i的立场会受他人影响：Δp_i = α * Σ_j w_ij * (p_j - p_i) + 外部游说。高关系强度下的沟通更容易改变立场。
4. 联盟形成：设定一个联盟阈值θ。如果一组董事经过沟通后，其平均立场p_avg > θ，且他们之间关系紧密（子图密度高），则可能形成支持联盟。类似可形成反对联盟。联盟一旦形成，成员在正式投票中会保持高度一致。
5. 投票预测：根据沟通后的最终立场p_i'，预测其投票（赞成 if p_i' > 0）。结合联盟的集体行动逻辑，可提前预测投票结果。模型准确度取决于网络信息和初始立场的获取质量。

投票结果预测准确率；联盟规模与密度的预测准确性。

社会网络分析， 意见动力学， 阈值模型， 集体行动， 公司治理

股东大会投票结果预测， 并购交易股东批准概率评估， 董事会议案通过风险分析

Board_Network: 董事社会关系网络 (加权图)。
Initial_Stance_p_i: 董事初始立场 (标量)。
Communication_Effect_α: 沟通影响系数 (标量)。
Coalition_Threshold_θ: 联盟形成阈值 (标量)。
Final_Vote_v_i: 预测的投票 (离散)。
Coalition_Set: 预测的联盟集合 (集合)。

构建董事关系网络​ -> 评估董事在议题上的初始立场​ -> 模拟会前多轮沟通，更新立场​ -> 检测立场接近的紧密团体（联盟）​ -> 预测最终投票结果​ -> 与实际投票结果对比验证。

图论， 意见动力学， 聚类分析， 阈值模型

董事背景资料， 议案说明。

1. Stance Update: p_i(t+1) = p_i(t) + α * Σ_j w_ij (p_j(t) - p_i(t)) + ε_i(t).
2. Coalition Detection: After communication, apply community detection (e.g., Louvain) on the subgraph induced by nodes with p_i > θ (or < -θ). Alternatively, define a coalition as a set S where for all i,j in S,

p_i - p_j

< δ and density of S in the network is high.
3. Vote Prediction: v_i = sign(p_i(final)). For coalition members, assume they vote as a block (all according to the majority sign within the coalition).
4. The model highlights the importance of informal networks in corporate governance, often overriding formal voting power indices.

顺序序列（沟通模拟与预测）

时间: 意见动力学模拟O(T *

WG-0092​

微观政治/企业间

供应链金融中的“核心企业”信用穿透与风险传染

复杂网络与传染模型

基于多层供应链与金融网络的信用风险传染模型

供应链金融信用风险多层网络传染模型 (Supply Chain Finance Credit Risk Multi-layer Network Contagion Model)

利益、权力

1. 网络结构：构建两层网络：
- 实物层：企业间的供应关系（买卖方）。
- 金融层：基于应收/应付账款的信用关系，以及银行信贷关系。核心企业通常是网络的枢纽。
2. 风险状态：每个企业有信用状态：健康(H)、压力(S)、违约(D)。初始时，少数边缘企业因自身问题违约。
3. 风险传染机制：
- 贸易信用传染：如果买方i违约，其供应商j的应收账款无法收回，导致j的现金流恶化，可能使j进入压力或违约状态。
- 信贷收缩传染：银行观察到某行业或区域风险上升，可能整体收缩信贷额度，导致健康企业也难以融资，陷入压力。
4. 核心企业作用：核心企业通常信用好，是供应链的“稳定器”。但如果核心企业自身出事，风险会沿网络迅速扩散，引发系统性风险。核心企业也可以通过提供担保、提前付款等方式主动阻断风险传染。
5. 模拟与政策：模拟不同冲击（如大客户破产、行业衰退）下的风险传染过程。评估核心企业的稳健性对整个网络韧性的重要性。政策上，可鼓励核心企业建立供应链金融平台，监控上下游风险。

风险传染的规模（最终违约企业数）；核心企业稳健性对传染范围的影响弹性。

供应链金融， 复杂网络， 风险传染， 系统性风险， 多层网络

供应链风险管理， 金融机构对供应链贷款的风险评估， 产业政策制定

Physical_Network: 供应关系网络 (有向图)。
Financial_Network: 信用关系网络 (有向加权图)。
Firm_State_i(t): 企业信用状态 (离散)。
Core_Firm_Set: 核心企业集合 (集合)。
Contagion_Process: 风险传染规则 (函数)。
Default_Cascade: 违约级联规模 (标量)。

构建双层供应链网络​ -> 设定初始风险冲击​ -> 模拟风险沿贸易信用和信贷渠道传染​ -> 更新企业信用状态​ -> 风险可能波及核心企业​ -> 传染直至稳定​ -> 评估损失与网络韧性。

多层网络， 传染模型， 网络韧性， 级联失效

供应链交易数据， 企业信用评级。

1. Contagion Rule: For a firm i, if a significant fraction of its accounts receivable are from firms in default, its liquidity buffer is depleted. It moves from H to S if buffer < threshold1, and to D if buffer < threshold2.
2. Bank Behavior: Banks may reduce credit lines to all firms in a sector if the sector’s average default rate exceeds a threshold, pushing some H firms to S.
3. Core Firm Intervention: A core firm can choose to support a key supplier by early payment, which injects liquidity and can halt contagion.
4. Simulation: Start with a few random defaults, iteratively apply contagion rules until no new defaults. Measure the final fraction of firms in D.
5. The model shows that the concentration of trade and finance around a few core firms creates both efficiency and systemic risk.

顺序序列（风险传染轮次）

时间: 模拟传染过程O(T * (

E_p

+

WG-0093​

微观政治/企业内

远程办公下“线上可见性”与“晋升机会”公平性模型

行为经济学与数据分析

基于数字痕迹与产出度量的远程工作晋升偏差评估

远程工作可见性偏见与晋升公平模型 (Remote Work Visibility Bias & Promotion Fairness Model)

权力、谋划、情感

1. 可见性信号：在远程环境下，管理者和同事对员工的绩效评估更多依赖“数字可见性”信号，如：
- 沟通活跃度：会议发言次数、聊天响应速度。
- 在线状态：共享日历的忙碌程度、即时通讯工具“绿灯”时长。
- 成果展示：在共享平台（如Confluence, GitHub）上提交文档/代码的频率和受关注度。
2. 真实绩效：员工有真实工作产出和质量，但可能不完全与上述可见性信号相关（如深度思考工作可见性低）。
3. 评估偏差：管理者在评估晋升候选人时，其感知绩效P_perceived_i 是真实绩效P_true_i 和可见性信号V_i 的加权和：P_perceived = β * P_true + (1-β) * V。当管理者对远程员工不熟悉时，β较低，更依赖V。
4. 公平性影响：某些员工（如需照顾家庭者、不喜欢频繁线上互动者）可能V较低，尽管P_true高。这导致晋升机会系统性偏向“会表演”的员工，而非真正高产出者。
5. 纠偏措施：模型可量化偏见程度（比较基于P_perceived和P_true的晋升名单差异）。组织可通过强调基于结果的评估、使用更客观的产出度量、以及定期“静默工作”时段来降低β，减少可见性偏见。

晋升名单基于感知绩效与真实绩效的排名差异（如肯德尔τ距离）；可见性权重β的估计值。

远程工作， 评估偏差， 信号理论， 公平性， 人力资源管理

远程/混合办公企业的晋升制度设计， 管理者评估培训， 员工绩效管理体系优化

P_true_i: 员工真实绩效 (标量， 潜变量)。
V_i: 员工数字可见性指数 (标量)。
β: 管理者对真实绩效的依赖权重 (标量， 0≤β≤1)。
P_perceived_i: 管理者感知绩效 (标量)。
Promotion_List_perceived: 基于感知绩效的晋升名单 (列表)。
Bias_Measure: 偏差度量 (标量)。

收集员工数字痕迹与客观产出数据​ -> 估计真实绩效P_true（通过项目成果、客户反馈等）​ -> 计算数字可见性指数V​ -> 估计管理者评估模型（得到β）​ -> 生成基于感知绩效的晋升名单​ -> 与基于真实绩效的名单对比，计算偏差​ -> 提出纠偏建议。

潜变量模型， 回归分析， 公平性度量， 信号整合

数字工作日志， 绩效评估数据。

1. Estimate P_true: Use objective metrics if available, or use factor analysis on multiple performance indicators to estimate a latent performance factor.
2. Compute V: Aggregate normalized digital trace metrics (e.g., meeting hours, message count) into a single index, possibly using PCA.
3. Estimate β: Regress manager ratings (or promotion decisions) on P_true and V: rating = β * P_true + (1-β) * V + error. β close to 0 indicates heavy reliance on visibility.
4. Bias Measurement: Rank employees by P_perceived and by P_true. Compute Kendall’s tau distance between the two rankings. High distance indicates high bias.
5. Intervention: If β is low, train managers to focus on outcomes. Implement structured performance reviews with clear output metrics.

顺序序列（数据分析与评估流程）

时间: 回归分析O(n * p²)；排名比较O(n log n)。空间: 存储员工数据。

指令: 主成分分析， 线性回归， 排序与比较。计算中等。

绩效管理， 远程工作， 组织公平

WG-0094​

微观政治/企业间

技术标准组织中“贡献”与“影响力”的非对称回报

网络分析与博弈论

基于贡献网络与声望积累的标准组织权力演化模型

技术标准组织贡献-影响力演化模型 (Tech Standards Body Contribution-Influence Evolution Model)

权力、利益、谋划

1. 贡献网络：在标准制定组织（如IETF, 3GPP）中，公司/个人提交技术提案。构建“贡献者-提案”二部网络。贡献有质量权重q。
2. 影响力动态：个体的影响力I_i(t)由其历史贡献的质量和被采纳情况驱动。采纳的提案会提升其作者的影响力（马太效应）。影响力也受社交网络（在委员会中的联盟）影响。
3. 回报非对称：贡献（成本）和影响力（收益）并非线性相关。小公司可能做出高质量贡献但缺乏盟友，其提案容易被忽视或吸收进大公司的方案中。大公司利用其现有影响力，即使贡献一般，也能主导讨论方向并获得知识产权回报。
4. 博弈：公司选择投入多少资源到标准制定。投入产生贡献，有望提升影响力，进而影响最终标准以利于自身专利。这是一个动态资源分配博弈，其中当前影响力影响未来贡献的采纳概率。
5. 均衡：模拟可能形成“赢家通吃”或“寡头垄断”格局。新进入者很难打破，除非带来颠覆性技术。模型可评估不同组织规则（如轮流主席、贡献匿名评审）对公平性和创新激励的影响。

影响力基尼系数；小公司高质量贡献被采纳的比例。

标准制定， 网络分析， 演化博弈， 马太效应， 创新扩散

参与国际技术标准组织的策略， 标准必要专利(SEP)布局， 标准组织治理改革

Contribution_Network: 贡献者-提案二部图 (加权)。
Influence_I_i(t): 参与者影响力 (标量)。
Proposal_Quality_q: 提案质量 (标量)。
Adoption_Decision: 提案采纳结果 (0/1)。
Return_on_Contribution: 贡献回报函数 (函数)。
Market_Share_Std: 标准市场份额 (标量)。

初始化参与者影响力​ -> 参与者提交提案，形成贡献网络​ -> 委员会审议，根据质量与影响力决定采纳​ -> 更新参与者影响力​ -> 根据采纳标准生产产品，获得市场回报​ -> 参与者调整下期资源投入​ -> (循环) -> 分析影响力格局演变。

网络演化， 马太效应， 博弈论， 资源分配， 创新回报

标准提案文档， 会议纪要。

1. Influence Update: I_i(t+1) = λ * I_i(t) + (1-λ) * Σ_{proposals by i adopted} quality * weight. λ is persistence.
2. Adoption Probability: P(adopt proposal by i) = σ( α * quality + β * I_i(t) + γ * network_support_for_i ).
3. Payoff: Company’s payoff = market_share * value_of_standard - cost_of_contributions. market_share is influenced by the alignment of the standard with the company’s IP portfolio, which in turn is affected by its influence in the process.
4. Resource Allocation: Companies decide R&D investment in standard development vs. product development. The optimal split depends on expected influence and payoff.
5. Simulation can show path dependence: early leaders can lock in their advantage. Rules that discount past influence (e.g., term limits for chairs) can increase competition.

顺序序列（标准制定周期循环）

时间: 模拟多轮O(T * N * M)， N参与者， M提案。空间: 存储网络和影响力。

指令: 加权求和， 概率计算， 资源分配优化。计算简单。

标准制定， 创新政策， 网络科学

WG-0095​

微观政治/企业内

组织谣言传播的“杀伤力”与“源头追溯”网络算法

网络传播与源检测

基于谣言扩散网络与观测数据的谣言源点推断算法

组织谣言源头追溯网络算法 (Organizational Rumor Source Tracing Network Algorithm)

情感、谋划

1. 谣言扩散模型：谣言在员工社交网络G中传播，遵循易感-感染(SI)或易感-感染-恢复(SIR)模型。感染概率与边权（沟通频率）相关。初始有一个或多个源头节点开始传播。
2. 观测数据：在某个时间t，管理者观察到一部分节点“感染”（即听到了谣言）。观测可能是部分的、有噪声的（有些人听到不说）。观测集合为O。
3. 源检测问题：给定网络G、传播模型参数、观测集合O和观测时间t，推断最有可能的源头节点集合S。这是一个概率推理问题：S* = argmax_S P(O

S, G, 传播模型)。
4. 算法：使用基于动态规划或蒙特卡洛的方法计算每个节点作为源的后验概率。简化方法包括计算节点到所有观测节点的距离中心性，假设传播沿最短路径，则源头可能位于使距离方差最小的节点附近。
5. 干预：一旦识别出可疑源头，可进行针对性调查。同时，模型可识别网络中的“超级传播者”节点（高中心性），对其进行重点沟通以遏制谣言扩散。

源头检测的准确率（前k个候选包含真实源头的概率）；谣言最终传播范围预测的误差。

谣言传播， 源检测， 网络推理， 流行病模型， 社交网络

企业内部危机沟通， 谣言管控， 员工关系管理

Network_G: 员工社交网络 (图)。
Rumor_Model: 传播模型参数 (SI/SIR)。
Observation_Set_O: 观测到的“感染者”集合 (集合)。
Observation_Time_t: 观测时间 (标量)。
Source_Posterior: 节点作为源的后验概率向量 (向量)。
Estimated_Source_S*: 估计的源头节点 (节点)。

谣言开始传播​ -> 在时间t管理者观察到部分员工知晓谣言​ -> 获取公司沟通网络G​ -> 运行源检测算法，计算各节点后验概率​ -> 输出最可能的源头节点列表​ -> 针对性调查与干预​ -> 评估算法准确性。

网络传播模型， 概率推理， 源检测算法， 图论

员工沟通记录， 谣言调查记录。

1. Spread Simulation: For a given candidate source s, simulate the rumor spread (e.g., using SI model) many times. Record the set of infected nodes at time t in each simulation.
2. Likelihood: Compute the likelihood P(O

s) as the fraction of simulations where the infected set matches (or is a superset of) the observed set O.
3. Posterior: Assuming a uniform prior over nodes, the posterior probability P(s

O) is proportional to P(O

s). The node with highest posterior is the estimated source.
4. Efficient Approximation: For large networks, use heuristic like “distance centrality”: compute the average distance from node s to all nodes in O. The source likely minimizes this average distance (or its variance).
5. The algorithm’s performance depends on the accuracy of the network and the传播 model.

WG-0096​

微观政治/企业间

战略联盟解体时的“资产剥离”与“人员争夺”博弈

博弈论与匹配模型

基于Shapley值与合作博弈的联盟解体资产分配模型

战略联盟解体资产分配博弈模型 (Strategic Alliance Dissolution Asset Division Game Model)

利益、谋划、权力

1. 共同资产：联盟在存续期创造了共同资产A（如联合品牌、客户列表、专利、关键技术、团队）。这些资产难以完全分割，价值可能因人（公司）而异。
2. 估价差异：每个合作方对共同资产的不同组成部分有私有估值v_i(a)。这源于其自身业务和资产组合的互补性差异。
3. 分配机制：解体时，需决定资产分配方案。可能的机制：
- 拍卖：各方出价，价高者得，然后进行货币转移。
- Shapley值分配：计算每个合作方对联盟总价值的边际贡献，作为其应得份额。这需要定义联盟所有子集的价值函数v(S)。
- 谈判：纳什议价解，考虑各方的威胁点（即无协议时的结果，可能是资产冻结或价值大损）。
4. 人员争夺：关键人才团队T也是“资产”。各方竞相争取，人才会选择能提供更好发展前景和待遇的一方。这可以建模为招聘匹配博弈。
5. 均衡与效率：目标是找到帕累托有效且个体理性的分配方案。模拟不同解体机制（如 Texas shoot-out， 轮流挑选）下的总福利和公平性。通常，允许货币转移的机制能提高效率。

解体后总价值相对于维持联盟的损失；分配方案的公平性（Shapley值偏差）。

合作博弈， 联盟解体， 资产剥离， Shapley值， 匹配理论

合资企业解散， 并购后资产剥离， 项目合作终止

Joint_Assets_A: 共同资产集合 (集合)。
Valuation_v_i(a): 合作方i对资产a的估值 (标量)。
Value_Function_v(S): 联盟子集S的价值 (函数)。
Allocation_X_i: 分配给i的资产集合/价值 (集合/标量)。
Talent_Matching: 人才匹配结果 (映射)。
Dissolution_Mechanism: 解体机制 (离散)。

联盟决定解体​ -> 评估共同资产，各方提供私有估值​ -> 根据选定机制（如拍卖、Shapley、谈判）进行资产分配​ -> 各方争夺关键人才​ -> 完成分配，联盟正式解散​ -> 分析分配结果与福利。

合作博弈， 匹配理论， 拍卖理论， 机制设计

资产清单， 人才名单。

1. Shapley Value: For each partner i, φ_i(v) = Σ_{S ⊆ N \ {i}}

S

! (

N

-

WG-0097​

微观政治/企业内

员工“隐形加班”与“工作时长炫耀”的信号博弈

行为经济学与均衡分析

基于职业关注与同侪压力的工作时长信号发送模型

隐形加班与工作时长炫耀信号博弈模型 (Invisible Overtime & Work Hours Signaling Game Model)

情感、谋划、权力

1. 员工类型：员工有效率类型η（高或低），私有信息。高类型员工能在常规工时内完成工作，低类型可能需要加班。
2. 行动选择：员工选择是否“炫耀”长工时（如深夜发工作邮件、周末在办公室拍照发社交媒体）。炫耀行为s ∈ {0,1}。炫耀有成本（实际加班或假装加班的努力），但能向管理者发送“努力”信号。
3. 管理者推断：管理者观察到炫耀行为（或观察到员工在线时长），更新对员工类型的信念。但管理者可能无法区分是真努力还是低效。管理者根据信念分配重要任务、晋升机会。
4. 均衡：可能存在混同均衡（所有类型都炫耀，形成“加班文化”）或分离均衡（只有低类型炫耀，高类型不炫耀）。在混同均衡中，炫耀成为一种必需的社会规范，即使高效率员工也不得不假装加班以示忠诚，导致集体福利下降。
5. 文化塑造：管理者的评价标准是关键。如果管理者明确以产出而非工时论英雄，并惩罚低效加班，可以引导至分离均衡，鼓励真效率。模型可模拟不同管理政策对加班文化和平均效率的影响。

均衡中员工平均炫耀时长；管理者对员工类型判断的准确率。

信号博弈， 职业关注， 社会规范， 加班文化， 行为经济学

企业加班文化治理， 管理者评估培训， 员工福祉与效率平衡

Employee_Type_η: 员工效率类型 (离散， 私有)。
Signal_s: 炫耀行为 (0/1)。
Cost_of_Signal_c(η): 炫耀成本， 假设对低类型成本低 (函数)。
Manager_Belief: 管理者对类型的后验信念 (概率)。
Reward_R(η_perceived): 基于感知类型的奖励 (函数)。
Social_Norm: 加班规范强度 (标量)。

员工知悉自身类型η​ -> 选择是否炫耀长工时(s)​ -> 管理者观察信号，更新信念​ -> 管理者根据信念分配奖励​ -> 员工获得奖励减去炫耀成本​ -> 分析均衡信号策略​ -> 模拟不同管理评价标准的影响。

信号博弈， 贝叶斯均衡， 社会规范演化

工作时间日志， 沟通记录。

1. Employee’s Payoff: U = R(η_perceived) - c(η) * s. R is increasing in perceived type.
2. Manager’s Inference: Upon observing s, updates belief: P(η=high

s) using Bayes rule given equilibrium strategy.
3. Equilibrium Conditions: In a separating equilibrium, high types choose s=0, low types choose s=1. This requires that for high type, R(high) > R(low) - c(high), and for low type, R(low) - c(low) < R(high) (or vice versa). If c(high) is too high, separation may not be possible, leading to pooling.
4. Social Norm: If most people are signaling, the cost of not signaling (social pressure) increases, reinforcing the pooling equilibrium.
5. Manager can break the pooling equilibrium by committing to evaluate based on output only, making signaling无效.

信号发送博弈

时间: 求解信号博弈均衡需解不等式组。空间: 依赖于类型空间。

指令: 收益比较， 贝叶斯更新。计算简单。

WG-0098​

微观政治/企业间

产业集群内“技术间谍”与“知识防护”的演化博弈

演化博弈与空间动力学

基于地理临近与知识溢出的产业集群防谍模型

产业集群技术间谍与防护演化博弈模型 (Industrial Cluster Technology Espionage & Protection Evolution Game Model)

谋划、利益

1. 企业策略：集群内企业有两种策略：
- 开放：参与行业交流、合作研发，这有助于自身吸收知识溢出，但也更容易被竞争对手模仿或窃取技术。
- 防护：加强知识产权保护、限制技术外泄，这降低被窃风险但也减少从外部吸收知识的机会。
2. 知识溢出：开放企业间存在知识溢出，相互受益。但开放企业也面临被防护企业“窃取”的风险（防护企业可单向吸收开放企业的知识而不回馈）。
3. 空间结构：企业在集群地理空间上分布。知识溢出和窃取的概率随距离增加而衰减。地理临近加剧互动。
4. 收益与演化：企业的收益取决于其策略、邻居的策略、以及集群整体的开放度。高开放度集群整体创新活跃，但个体被窃风险也高。企业模仿高收益邻居的策略。
5. 集群政策：模拟不同知识产权执法力度、公共研发平台建设对集群策略分布和整体创新绩效的影响。适度的防护（如专利保护）可以维持开放合作，而过度防护会导致集群封闭和衰落。

集群长期均衡开放度；集群平均创新产出。

产业集群， 知识溢出， 演化博弈， 空间互动， 知识产权

高新技术产业园区政策设计， 企业技术合作策略， 区域创新系统治理

Strategy_i: 企业策略 (开放， 防护)。
Location_i: 企业地理位置 (坐标)。
Knowledge_Spillover: 知识溢出函数 (随距离衰减)。
Theft_Risk: 技术被窃风险 (函数)。
Innovation_Output: 企业创新产出 (标量)。
Cluster_Policy: 集群政策参数 (向量)。

初始化企业策略与位置​ -> 企业间互动，产生知识溢出与潜在窃取​ -> 计算各企业收益（创新产出 - 窃取损失）​ -> 企业模仿高收益邻居的策略​ -> 更新策略分布​ -> (循环) -> 分析集群策略格局与绩效。

空间演化博弈， 知识生产函数， 策略模仿， 地理经济学

企业专利数据， 地理信息。

1. Payoff for Open Firm i: Π_i^O = A * Σ{j neighbor, j open} spillover(d_ij) + B * own_R&D - C * Σ{k neighbor, k protective} theft_risk(d_ik).
2. Payoff for Protective Firm i: Π_i^P = A’ * Σ_{j neighbor, j open} spillover(d_ij) + B’ * own_R&D - cost_of_protection. (A’ may be lower than A due to less reciprocity).
3. Strategy Update: As in spatial evolutionary games, firms compare payoff with neighbors and switch to neighbor’s strategy with probability proportional to payoff difference.
4. Equilibrium: Can have clusters of open firms (cooperating), surrounded by protective firms (free-riders), or a mix. Strong IP enforcement reduces theft_risk, encouraging openness.
5. The model captures the tension between cooperation and competition in clusters.

顺序序列（空间演化模拟）

时间: O(T * L²)， L空间网格大小。空间: O(L²) 存储策略。

指令: 邻居收益求和， 距离衰减计算， 策略比较。计算简单。

区域经济学， 创新集群， 知识产权

WG-0099​

微观政治/企业内

高管“语言腐败”与“组织话语”空心化诊断模型

计算语言学与话语分析

基于词向量与概念网络的组织话语空泛度度量

组织话语空泛度与语言腐败诊断模型 (Organizational Discourse Hollowness & Language Corruption Diagnostic Model)

谋划、情感

1. 文本语料：收集公司内部沟通文本：高管演讲、战略文件、内部通讯、价值观陈述等。
2. 空泛度特征：定义和度量“空泛”语言的特征：
- 抽象词密度：如“协同”、“赋能”、“生态”等词汇的频率。
- 概念漂移：关键战略词汇（如“创新”）在不同时期、不同文档中的语义变化（通过词向量余弦相似度度量）。如果含义多变、模糊，表明话语空心。
- 陈述-行动差距：对比承诺性语言（“我们将…”)与后续具体行动报告的匹配度。
3. 概念网络分析：构建“概念-概念”共现网络。健康的战略话语应有清晰的核心概念和逻辑连接。空泛话语的特征是网络中心节点过度拥挤（所有事都链接到几个热词），且网络结构松散、缺乏层级。
4. 诊断指标：计算“话语空泛指数”：抽象词比例、概念一致性得分、陈述-行动差距比率的综合。追踪该指数随时间的变化。
5. 影响：分析话语空泛指数与员工敬业度调查得分、内部信任度指标的相关性。空泛话语可能侵蚀信任，导致战略失焦。模型可为领导力沟通提供改进建议。

话语空泛指数与员工对战略清晰度评价的负相关性；指数的时间趋势。

话语分析， 计算语言学， 组织沟通， 战略实施， 语言腐败

企业文化审计， 领导力沟通培训， 战略传播有效性评估

Corpus_Texts: 组织内部文本集合 (文本)。
Buzzword_List: 空泛词汇表 (列表)。
Key_Concepts: 核心战略概念列表 (列表)。
Word_Embeddings: 词向量模型 (如Word2Vec)。
Discourse_Hollowness_Index: 话语空泛指数 (标量)。
Concept_Network: 概念共现网络 (图)。

收集历史与当前内部文本​ -> 提取抽象词频率，计算密度​ -> 分析核心概念的语义漂移​ -> 构建概念网络，分析结构​ -> 对比承诺与行动报告​ -> 综合计算空泛指数​ -> 关联员工感知数据，输出诊断报告。

计算语言学， 文本分析， 网络分析， 时间序列分析

内部文档， 员工调查。

1. Buzzword Density: Count occurrences of predefined buzzwords, normalize by total words.
2. Semantic Drift: For a key concept (e.g., “innovation”), compute its embedding for each year (average embedding of its contexts). Track cosine similarity between embeddings of consecutive years. Low similarity indicates drift.
3. Concept Network: From documents, extract noun phrases (concepts). Build co-occurrence network within a sliding window. Compute network metrics: degree centralization (high -> too focused on few buzzwords), average path length (high -> disconnected concepts).
4. Promise-Action Gap: Use NLP to identify commitment sentences (“we will do X”). Later, search for reports of action related to X. Gap = 1 - (action_reported / commitments_made).
5. Index: Weighted average of normalized buzzword density, (1 - semantic consistency), concept network centralization, and promise-action gap.

顺序序列（文本分析流程）

时间: NLP特征提取O(L)；网络构建O(N²)。空间: 存储文本和词向量。

指令: NLP处理， 网络构建与指标计算。计算中等。

组织沟通， 领导力， 计算社会科学

WG-0100​

微观政治/企业间

代工厂与品牌商的“产能绑架”与“多元客户”策略

实物期权与供应链博弈

基于需求波动与专用产能投资的代工厂议价力模型

代工厂产能绑架与品牌商多元采购博弈模型 (Foundry Capacity Holding & Brand Multi-sourcing Game Model)

权力、利益、谋划

1. 产能投资：代工厂F为服务品牌商B，需要投资专用产能K，成本C(K)。产能一旦投入，具有沉没性。B的需求D不确定，波动大。
2. 产能分配：当需求高峰时，产能稀缺。F可以优先分配产能给出价更高的客户，或用于生产自有品牌产品。B可能面临“产能绑架”——在关键时刻得不到足够产能，影响其产品上市和销售。
3. 品牌商策略：B可以通过多元采购（将订单分给多个代工厂）来降低对单一F的依赖，但可能丧失规模经济和技术协同效益。B也可以与F签订产能预留合同，支付溢价以确保产能。
4. 动态博弈：F在需求低迷时希望B承诺更多订单以摊销成本，在需求高峰时有动机抬价或分配产能给他人。B则试图在价格、可靠性和控制权间权衡。这是一个多阶段博弈，具有实物期权特性（产能投资、多元采购都是期权）。
5. 均衡：求解子博弈精炼均衡。F的议价力在产能紧张时上升。B的多元采购程度取决于需求波动性和F的可靠度。长期合作关系（重复博弈）可以部分缓解机会主义行为。

代工厂产能利用率波动；品牌商因产能不足导致的销售损失概率。

供应链管理， 实物期权， 议价理论， 产能投资， 采购策略

半导体代工、电子产品制造等资本密集型行业的供应链关系管理

Capacity_K: 代工厂专用产能 (标量)。
Demand_D(t): 品牌商需求 (随机变量)。
Allocation_Rule: 产能分配规则 (函数)。
Multi-sourcing_Level_m: 品牌商多元采购程度 (标量)。
Bargaining_Power_F(t): 代工厂议价力 (函数 of K, D)。
Brand_Profit: 品牌商利润 (标量)。

代工厂投资产能K​ -> 需求波动实现​ -> 品牌商下订单，可能向多个来源​ -> 代工厂根据规则分配产能​ -> 品牌商销售实现，利润受产能满足度影响​ -> 双方根据结果调整下期策略（投资、多元采购）​ -> (循环) -> 分析长期均衡。

动态博弈， 实物期权， 随机需求， 供应链协调， 议价力

产能数据， 采购合同。

1. F’s Allocation Decision: In peak demand, F allocates capacity to maximize short-term profit: max Σ price_i * allocate_i, subject to Σ allocate_i ≤ K. B may not get full allocation if others bid higher.
2. B’s Profit: Π_B = revenue(sales) - procurement cost - shortage cost. sales = min(D, allocated_capacity + from_other_sources).
3. Multi-sourcing Cost: Higher m leads to higher unit cost (loss of scale) and maybe lower quality consistency.
4. Dynamic Game: B may sign long-term capacity reservation agreements with F to secure supply, but pays a premium. F’s incentive to honor the agreement depends on the penalty for breach and the value of the long-term relationship.
5. The model highlights the tension between efficiency (single sourcing) and resilience (multi-sourcing) in supply chains, especially with volatile demand and specialized assets.

顺序序列（多阶段动态）

时间: 求解动态博弈需数值方法。空间: 依赖于状态变量。

指令: 随机需求模拟， 优化求解（产能分配）， 利润计算。计算中等。

供应链战略， 采购管理， 博弈论

WG-0101​

微观政治/企业内

跨部门“数据墙”与“信息共享”激励机制

机制设计与博弈论

基于数据价值与隐私顾虑的部门间信息共享激励模型

跨部门数据共享激励相容机制模型 (Cross-department Data Sharing Incentive Compatibility Mechanism Model)

利益、谋划

1. 部门与数据：部门i拥有数据集D_i，对其自身有价值v_i，对其他部门j有潜在价值v_ij。但共享数据有成本c_i（如整理、脱敏、合规风险），并可能削弱i的独特优势（“数据权力”）。
2. 共享决策：部门i决定共享比例s_i ∈ [0,1]（0不共享，1完全共享）。共享后，全公司数据价值提升，产生协同收益S(s1, s2, ...)。协同收益按一定规则分配（如按贡献、按部门规模）。
3. 激励问题：各部门在非合作博弈中，倾向于少共享（搭便车）或扭曲共享的数据质量，以最大化自身净收益。这是一个典型的公共物品供给问题。
4. 机制设计：公司中心（如CDO）设计转移支付规则t_i(s)，对共享者给予补偿，对使用者收费。目标是使个人理性（参与）和激励相容（真实共享）条件下，最大化公司总价值。可运用VCG机制或格罗夫斯机制，使得说真话（如实报告数据价值）是占优策略。
5. 实施挑战：VCG机制可能需公司中心有大量预算。实践中可采用简化规则，如内部数据市场、数据贡献积分与预算分配挂钩等。模拟不同机制下的共享水平和社会福利。

均衡共享水平；公司总价值相对于无共享的提升。

数据治理， 机制设计， 公共物品， 激励相容， 信息共享

企业数据中台建设， 跨部门数据分析协作， 数据治理政策设计

Dataset_D_i: 部门i的数据集 (抽象)。
Value_v_i, v_ij: 数据对自身/他者的价值 (标量)。
Cost_c_i: 共享成本 (标量)。
Sharing_Level_s_i: 共享比例 (标量)。
Transfer_t_i(s): 转移支付函数 (函数)。
Total_Company_Value: 公司总价值 (标量)。

评估各部门数据价值与共享成本​ -> 设计转移支付/激励规则​ -> 各部门同时决定共享水平s_i​ -> 数据共享，产生协同收益S​ -> 根据规则进行转移支付​ -> 计算各部门净收益与公司总价值​ -> 分析均衡与机制效率。

机制设计， 博弈论， 公共物品， 优化

数据资产目录， 数据使用日志。

1. Social Welfare: W(s) = Σ_i (v_i + Σ{j≠i} v_ji * s_i) + S(s) - Σ_i c_i * s_i. The first term is direct value from all data (including shared), S is synergy.
2. VCG Mechanism: Each department i reports its type (v_i, c_i, etc.). The center computes the sharing levels s* that maximize W. Then department i receives a transfer: t_i = W{-i}(s) - W_{-i}(s{-i}), where W{-i} is social welfare excluding i. This makes truth-telling dominant strategy.
3. Budget Balance: VCG may run a deficit. Alternatives: use a Clarke pivot rule that ensures budget balance but may lose efficiency.
4. Practical Approximation: Internal pricing: set a price p per unit of shared data quality. Departments that share receive p * quality, those that consume pay. The center adjusts p to balance supply and demand.
5. The model highlights the need for economic incentives, not just mandates, to break down data silos.

机制设计博弈

时间: 求解VCG需计算最优s*，是优化问题。空间: 依赖于部门数。

指令: 优化求解（社会规划者问题）， 福利计算。计算中等。

数据经济学， 机制设计， 组织经济学

WG-0102​

微观政治/企业间

生态圈“守门人”平台与“互补者”定价权争夺

双边市场与议价理论

基于平台规则与多归属互补者的定价权博弈模型

平台生态圈定价权争夺双边市场模型 (Platform Ecosystem Pricing Power Struggle Two-sided Market Model)

权力、利益

1. 市场结构：平台P连接消费者（C侧）和互补者（B侧， 如开发者、商家）。平台向B侧收取佣金率α， 并可能控制B侧对C侧的定价（如规定最低/最高价）。B侧也可以直接向C侧销售（多归属可能）。
2. 定价权博弈：B希望自由定价以最大化利润。P希望控制价格以确保C侧体验一致性、防止价格战、或从B侧抽取更多租金。P的工具：设定规则、调整搜索排名（影响流量）、威胁下架。
3. B的议价力：取决于其对平台的重要性：带来独特价值、拥有忠实客户、多归属能力强（容易转到竞争平台）。如果许多B联合反抗，平台可能让步。
4. 均衡：求解序贯博弈：P设定规则 -> B选择是否接受、定价、多归属努力 -> C选择购买。P在最大化自身利润（佣金收入+可能的数据价值）时，需考虑B的参与约束和C的需求弹性。过高的控制可能导致优质B离开，损害生态。
5. 监管干预：反垄断机构可能限制平台的定价控制行为。模拟不同监管场景（如禁止“最惠国条款”、要求数据可移植性）对定价权分配和消费者福利的影响。

平台佣金率α*；互补者对最终定价的控制权指数。

双边市场， 平台治理， 议价理论， 反垄断， 生态圈

应用商店、电商平台、出行平台的平台-商家关系， 反垄断调查分析

Commission_Rate_α: 平台佣金率 (标量)。
Price_Control_Rule: 平台定价规则 (函数)。
Multi-homing_Cost: 互补者多归属成本 (标量)。
Bargaining_Power_B: 互补者议价力 (函数)。
Consumer_Demand: 消费者需求函数 (函数)。
Platform_Profit: 平台利润 (标量)。