吴晓波频道 09-11
经济学家告诉你:为什么滴滴不给你派最近的车?
index_new4.html
../../../zaker_core/zaker_tpl_static/wap/tpl_caijing1.html

 

时常有人会问:为什么滴滴不给我派最近的车?这要从一个久远的经济学问题说起 ……

文 / 巴九灵(微信公众号:吴晓波频道)

全局最优与局部最优有什么不同?

一些古典经济学家认为,追求个人利益的最大化,就能累加成群体利益的最大化。但保罗 · 萨缪尔森指出,这是 " 合成谬误 " ——误以为在局部成立的事,就能在全局成立。

萨缪尔森的侄子、哈佛前校长劳伦斯 · 萨默斯举过一个例子:会场里一个观众站起来,他看得更清楚了,能推广到整体吗?当所有观众都站起来,那谁也看不清了,还更难受。

在运筹学领域," 贪心算法 " 寄希望于,通过每一步选择当前的最优,从而实现结局的最优。但这样做难免有急功近利、贪小失大的问题。

一个雪球,面对一条很陡很短的赛道和一条很缓很长的赛道,该怎么选?贪心算法会选择初期增长快的,然后早早陷入停滞。而巴菲特会说:人生就像滚雪球,重要的是发现很湿的雪和很长的坡。

人们渐渐发现,全局最优没那么容易,甚至总结出了一些经典错误模型:

公地悲剧

一块公有草地,人人有权利使用,却无人有义务维护,结局是什么呢?每个牧羊人都会带大群的羊来吃草(局部最优)——他们知道草地承受不住,就更不愿落后于人——最后公地不复存在(全局最劣),这就是 " 公地悲剧 "。

公地悲剧有很多衍生情况,例如滥用抗生素:

" 抗生素的有效性 " 是一块公共资源,自 1928 年发现青霉素以来,全人类都受益于此,但没人需要对这种有效性负责。

于是,为了一次治病效果好,很多人大剂量使用抗生素。可是这样做的人多了,就会产生耐药性强的超级细菌,令抗生素逐渐失效。

每年,中国生产并消耗着全球近一半的抗生素,虽然其中多半用于饲养禽畜,但这并不改变滥用催生超级细菌的事实。

又如滥用形容词:

" 形容词的有效性 " 也是一块公共资源,人人都用,无人管理。于是,为了一次表达效果好,很多人随意使用最高级形容。可是这样说的人多了,就会导致词义弱化,原有的形容词逐渐贬值。

多年以前," 美女 " 一词表达了对女性容貌的赞美。但是逢人就喊 " 美女 " 的人越多,这个词的效力就越弱。如今," 美女 " 一词几乎是对任何女性的日常称谓,而赞美颜值需要 " 大美女 "" 超级大美女 "" 女神 " 等等。

有人会说,这些词也没用了。日本人又发明了一种办法——加时间或空间限定词。先是 " 十年一遇的逸才 " 松井珠理奈,后是 " 千年一遇的美少女 " 桥本环奈,中国的鞠婧祎被他们冠以 "4000 年一遇的偶像 ",小栗有以是 "20000 年一遇的美少女 ",百川晴香是 "300 万光年一遇的美少女 "…… 时空还在持续贬值中。

拉长时间尺度,更容易看出词义的弱化。两千多年前的《左传》里," 饿 " 表示比饥更严重,已经无法自主进食的状态," 饿死 " 表示真的饿死。两千多年后的今天,下午四点就能听到 " 我饿啦,饿死啦!"

除此之外,大到全球气候、海洋资源、生物多样性,小到人行道上的空间,都面临着公地悲剧的问题。

搭便车问题

公地悲剧稍作变化,就成了搭便车问题:当一个公共品不付钱也能用的时候,每个人都倾向于不付钱(局部最优),但所有人都不付钱的话,就没公共品可用了(全局最劣)。

搭便车问题也有很多衍生情况,例如公共防疫:

假如全国只有一个人没打疫苗,那他和打了疫苗一样,几乎不可能染病,但是这样的人多到一定比例,疫情就会爆发。

不同的传染病,有不同的搭便车行为 " 崩塌边界 "。全球疫苗免疫联盟负责人赛斯 · 伯克利曾说:" 一旦麻疹疫苗覆盖率低于 95%,将不可避免地爆发大规模传染。"

2000 年,美国宣布消灭麻疹。2010 年到 2017 年,美国有超过 250 万儿童未接种麻疹疫苗,为高收入国家之最。结果 2019 年上半年,麻疹疫情在美国卷土重来,染病人数创下近 25 年新高。

美国卫生部官员表示:如果疫苗接种率不下降,这场疫情本来能够完全避免。

又如网贷征信:

一群网贷公司,为了提升风控水平、降低风控成本,决定共享用户的信用和借贷记录。然而,每一家都想着,我不用认真做征信,直接用平台上别人家的数据就好 …… 结果就是互相坑队友,集中爆雷。

除此之外,大到联合国事务,小到团队作业,都少不了关于搭便车的争论。

囚徒困境

甲乙合伙作案,被警方抓获,但警方没有足够的证据指控,于是分开审讯两人。这时,甲乙的命运面临四种可能:

如果两人都不招供,各判 1 年;

甲招供并检举对方,而乙沉默,则释放甲,判乙 10 年;

甲沉默乙招供,则判甲 10 年,释放乙;

如果甲乙都招供,各判 5 年。

不难看出," 无论对方招不招供,自己都招 " 对每个囚徒来说都是最有利的选择(局部最优),而双方都这样选,就会共同落入背叛结局(全局最劣)——这就是 " 囚徒困境 "。

囚徒困境同样有很多衍生情况,例如企业价格战:

甲乙公司都不打价格战,则维持现状;

甲打乙不打,甲会抢到更多的市场;

甲不打乙打,乙会抢到更多的市场;

甲乙都打,非但市场份额不变,双方的营收压力还大幅增加。

又如国家关税战:

甲乙两国都不打关税战,好好开门做生意;

甲打乙不打,甲国企业的竞争力增强;

甲不打乙打,乙国企业的竞争力增强;

甲乙都打,就是我们正在经历的事,中美两国的贸易关系受损,各国经济也受影响。(当然,我们是不得不打)

人际关系、城际发展、国际政治、生物进化 …… 随处可见囚徒困境的案例。

全局最优?

那么,全局最优是什么样呢?并不是所有场景都能实现全局最优,因为全局最优往往需要 " 上帝视角 " 和 " 顶层规划 "。

往大里说,气候变化协定、关税贸易协定、央行征信系统、全民防疫计划、高铁航运规划就是追求全局最优;往小里说,滴滴的车辆调配方案就是追求全局最优。

很多人有过疑问,为什么明明附近有车,滴滴却要派一个远处的单?——为的就是全局最优。

滴滴本质上是一个协调者、撮合者,运用大数据算法和经济学规律,在高峰期尽量让更多乘客能打到车,让低谷期司机能够有单可接。

大数据算法意味着,让更多的人更快打到车,未必是个别用户打到最近的车,但所有人的整体等待时间缩短了。

经济学规律则意味着,通过分时计价等方式,平衡、撮合供需双方,实现市场均衡。在高峰期、恶劣天气或热点区域激励更多司机出车,提升应答率,也激励用户选择拼车、优享、专车等出行方式,缓解运力不足。

互联网、大数据、人工智能,让全局最优成为可能。滴滴就是这样一个践行者,为更多用户更美好的出行而努力。

相关文章
评论
没有更多评论了
取消
12 我来说两句…
打开 ZAKER 参与讨论