تأثیر توپولوژی شبکه و مرکزیت گره بر تجارت

شبکه های عرضه جهانی در کشاورزی، تولید و خدمات یکی از ویژگی های تعیین کننده دنیای مدرن است. کارایی و توزیع مازاد در بخش های مختلف این شبکه ها به انتخاب واسطه ها بستگی دارد. این مقاله آزمایش های شکل گیری قیمت را با افراد انسانی واقع در شبکه های پیچیده بزرگ انجام می دهد تا درک بهتری از اصول حاکم بر رفتار ایجاد کند. اولین یافته تجربی ما این است که قیمت ها بزرگ تر هستند و تجارت در شبکه های جهان کوچک در مقایسه با شبکه های تصادفی به طور قابل توجهی کارآمدتر است. دومین یافته تجربی ما این است که مکان در یک شبکه یک عامل تعیین کننده مهم برای قیمت گذاری نیست. بررسی پویایی قیمت نشان می دهد که معامله گران در ارزان ترین و در نتیجه فعال ترین مسیرها، قیمت ها را افزایش می دهند در حالی که کسانی که خارج از این مسیرها هستند، قیمت ها را کاهش می دهند. ما یک مدل مبتنی بر عامل (ABM) می سازیم که این قانون کلی را در بر می گیرد. شبیه سازی های این ABM الگوهای ماکروسکوپی را با یافته های تجربی نشان می دهد. در نهایت، ما ABM را به شبکه های تصادفی و جهانی کوچک تر تعمیم می دهیم و متوجه می شویم که توپولوژی شبکه یک تعیین کننده کلیدی برای قیمت گذاری و کارایی باقی می ماند.

مقدمه

جهانی شدن یکی از ویژگی های برجسته اقتصاد مدرن است. امروزه زنجیره های عرضه، خدمات و تجارت 2،3،3،4،5،6 در زمینه های مختلف مانند کشاورزی 7،8،9،10، شبکه های حمل و نقل و ارتباط 11،12، تجارت بین الملل 13 و امور مالی نقش محوری دارند. 14, 15 . یک سوال کلیدی در مورد این سیستم ها این است که چگونه پویایی قیمت گذاری توسط واسطه های اقتصاد بر کارایی و مازاد تاثیر می گذارد. هدف این مقاله ایجاد درک بهتری از نیروهایی است که رفتار قیمت گذاری واسطه ای را در چنین شبکه های پیچیده شکل می دهند.

تئوری بازی چارچوب مفیدی برای مطالعه رقابت در میان عوامل تجاری تشکیل می دهد. در این زمینه، بازی چانه زنی نش 17 مطالعه می کند که چگونه دو عامل مازادی را که می توانند به طور مشترک ایجاد کنند به اشتراک می گذارند. در بازی چانه زنی نش، دو بازیکن بخشی از کالا را طلب می کنند. اگر مبلغ کل درخواست شده توسط هر دو بازیکن کمتر از ارزش کل کالا باشد، هر دو بازیکن درخواست خود را دریافت می کنند. در غیر این صورت، هیچ بازیکنی درخواست خود را دریافت نمی کند. تعادل های نش زیادی در این بازی وجود دارد: هر ترکیبی از خواسته ها که مجموع آنها برابر با ارزش کل کالا باشد، تعادل نش را تشکیل می دهد. همچنین یک تعادل نش وجود دارد که در آن هر بازیکن تمام ارزش کالا را طلب می کند 18 .

به عنوان تعمیم بازی تقاضای Nash به بازیکنان N ، چوی و همکاران. 19 در آزمایشگاه الگویی از قیمت گذاری واسطه ای ارائه و آزمایش شده است. در این مدل ، یک کالای خوب از یک منبع به مقصد D. می رود. واسطه ها ، که در گره های یک شبکه قرار دارند ، ممکن است قیمتی را برای عبور از کالاها ارسال کند. معاملات در صورتی اتفاق می افتد که مسیری بین S و D وجود داشته باشد که مبلغ قیمت آن کوچکتر از یا برابر با ارزش کالا باشد. یافته اصلی این بود که قیمت گذاری و مازاد واسطه ها به حضور گره های "بحرانی" بستگی دارد: گفته می شود که یک گره مهم است اگر در تمام مسیرهای ممکن بین S و D. Condorelli و Galeotti 20 وجود داشته باشد ، نمای کلی را ارائه می دهدادبیات در مورد واسطه گری و استدلال می کند که انتقاد از یک گره تعیین کننده مهم رفتار قیمت گذاری ، اجاره واسطه ای و کارآیی تجارت در کلاس گسترده ای از مدل های حراج و چانه زنی است. هدف مقاله حاضر بررسی این ادعا در شبکه های در مقیاس بزرگ است ، به طوری که درک بهتری از نقش توپولوژی شبکه در تجارت ایجاد شود.

ما آزمایشاتی را با افراد انسانی تعبیه شده در شبکه های پیچیده انجام می دهیم: به طور خاص ، ما یک شبکه تصادفی و یک شبکه در دنیای کوچک را با 26 موضوع (و همان سطح اتصال متوسط) در نظر می گیریم. در این شبکه ها هیچ گره بحرانی وجود ندارد: نتایج چوی و همکاران. نشان می دهد که قیمت واسطه باید نزدیک به صفر باشد و مازاد آنها نیز باید نزدیک به صفر باشد. همانطور که در زیر نشان خواهیم داد ، اولین یافته ما این است که ، در تمام شبکه های مورد مطالعه ، هنگامی که کلیت کامل اما جزئی وجود ندارد ، واسطه ها قیمت های مثبتی را تعیین می کنند و سودهای زیادی کسب می کنند. علاوه بر این ، توپولوژی شبکه اثرات قدرتمندی دارد: به ویژه ، در شبکه تصادفی ، واسطه ها قیمت های پایین تری را در مقایسه با یک شبکه در دنیای کوچک تعیین می کنند. در نتیجه ، راندمان تجارت کامل در شبکه تصادفی وجود دارد ، اما تجارت تقریباً در یک سوم موارد در شبکه دنیای کوچک تجزیه می شود.

این تفاوت چشمگیر ما را به بررسی چگونگی تأثیر موقعیت در یک شبکه بر قیمت گذاری سوق می دهد: یافته دوم ما این است که در یک شبکه معین ، به نظر می رسد اقدامات استاندارد از مرکزیت شبکه تأثیر معنی داری بر رفتار قیمت گذاری ندارد. از آنجا که مکان شبکه برای قیمت ها اهمیتی ندارد ، حضور در ارزان ترین و فعال مسیر باید برای سود بسیار مهم باشد. و در واقع ، این همان چیزی است که ما مشاهده می کنیم: درآمد واسطه ها با بین بودن آنها در طول مسیر ارتباط مثبت دارد.

با روی دادن پویایی تعیین قیمت ، مشاهده می کنیم که معامله گران اگر در مسیر تجاری موفق (یعنی مسیر کم هزینه) قرار بگیرند ، قیمت ها را افزایش می دهند و این که آنها در هنگام کمترین هزینه قیمت ، قیمت ها را کاهش می دهند. بر اساس این مشاهدات ، ما یک مدل مبتنی بر عامل (ABM) ایجاد می کنیم که نتایج تجربی را از نظر کیفی بازتولید می کند. سپس ما از شبیه سازی ها برای استخراج یافته های خود به شبکه های بزرگتر استفاده می کنیم: یافته سوم ما این است که توپولوژی شبکه همچنان اهمیت دارد و شبکه های تصادفی حتی در صورت وجود 100 معامله گر ، قیمت های پایین تر و سطح بالاتری را نشان می دهند. سرانجام ، پیدا کردن چهارم ما نقش مسیرهای گره را کشف می کند-دو مسیرهای دیگر از هم جدا می شوند و فقط در صورتی که هیچ گره و طول مسیر متوسط را در شکل گیری سطح قیمت گذاری در شبیه سازی ها به اشتراک نگذارند: شبکه هایی که تعداد بیشتری دارنداز مسیرهای گره-دیسود قیمت های کمتری و راندمان بالاتر دارند. در بین شبکه هایی که دارای همان تعداد مسیرهای گره خورده هستند ، میانگین طول مسیر درایور مهم هزینه ها است.

راه اندازی آزمایشی

ما یک بازی ساده از قیمت در شبکه ها را برای مطالعه عرضه ، خدمات و زنجیرهای تجاری گرفته شده از چوی و همکاران در نظر می گیریم. 19. اجازه دهید (<mathscr >) مجموعه ای از گره ها باشد (<mathscr >= lbrace s ، d ، 1 ، 2 ، ldots ، n rbrace ) ، جایی که s یک منبع و d یک مقصد است. و (<mathscr >) مجموعه ای از جفت عناصر (<mathscr >) . (<mathscr >) و (<mathscr >) یک شبکه تجاری را تعریف کنید که عناصر (<mathscr >) پیوندها هستند. مسیری بین S و D دنباله ای از گره های مجزا است ( lbrace i_1 ، i_2 ،. i_l rbrace ) به گونه ای که ( lbrace (s ، i_1) ، (i_1 ، i_2) ، (i_2 ، i_3) ، ldots ، (i_ ، i_l) ، (i_l ، d) rbrace subset<mathscr >) .

هر آزمایش شامل 4 سری از 15 دور است ، و این شامل N افراد انسانی است که نقش واسطه ها را بازی می کند. قبل از شروع دور اول یک سری ، هر موضوع به طور تصادفی به یک گره در ( lbrace 1 ، 2 ، ldots ، n rbrace ) اختصاص می یابد. موقعیت های S و D نیز به طور تصادفی اختصاص داده می شود. این موقعیت ها (بازیکنان ، S و D) در طول 15 دور ثابت باقی می مانند. موضوعات همیشه در مورد شبکه و موقعیت آنها در آن مطلع می شوند ، یعنی می توانند کل شبکه از جمله S و D را ببینند. در هر دور ، هر موضوع باید تصمیم بگیرد. یعنی ، او برای عبور از یک کالای کالای خود باید از 0 تا 100 توکن ارسال کند. قیمت ها هزینه کل برای هر مسیر بین S و D را تعیین می کنند. اگر هزینه آن بیشتر از آستانه معین (100 توکن) نباشد که نشان دهنده ارزش کالای اقتصادی تولید شده توسط مسیر باشد ، یک مسیر امکان پذیر است. بعد از اینکه همه بازیکنان انتخاب خود را انجام داده اند ، ارزانترین مسیر انتخاب می شود: اگر امکان پذیر باشد ، هر بازیکن واقع در این مسیر قیمت پیشنهادی خود را به عنوان بازپرداخت دریافت می کند. در غیر این صورت ، هیچ تجارت صورت نمی گیرد و بازپرداخت صفر است. بازیکنانی که از مسیر انتخاب شده خارج هستند ، در آن دور هیچ بازپرداخت نمی کنند. در مورد بیش از یک مسیر ارزان ترین مسیر ، کراوات از طریق انتخاب تصادفی در بین ارزان ترین مسیرها برطرف می شود. از دور دوم به بعد ، بازیکنان از وجود تجارت در دور قبلی ، در مورد مسیر قبلاً انتخاب شده و در مورد قیمت ها و بازپرداخت همه بازیکنان در دور قبلی به همراه موقعیت های خود در شبکه مطلع می شوند.

ما دو جلسه آزمایشی را در یک شبکه تصادفی از 26 گره با ( langle k rangle = 3 ) انجام داده ایم و دو جلسه دیگر در یک شبکه مانند دنیای کوچک از 26 گره با ( langle k rangle = 3)علاوه بر این ، ما یک جلسه آزمایشی دیگر را در یک شبکه تصادفی از 50 گره با ( langle k rangle = 4 ) انجام داده ایم که به ما امکان می دهد استحکام نتایج را در برابر اندازه و اتصال شبکه بررسی کنیم. این نتایج را می توان در بخش های SI 1-2 و جدول SI S2 یافت. جزئیات بیشتر را می توان در بخش مواد و روش ها یافت.

نتایج و بحث

توپولوژی شبکه بر هزینه های معاملات و قیمت ها تأثیر می گذارد.(الف) هزینه ارزانترین مسیر برای شبکه تصادفی 26 گره (R26) و برای شبکه دنیای کوچک 26 گره (SW26).(ب) میانگین قیمت شرکت کنندگان در ارزانترین مسیر برای همان شبکه ها. خطوط موجود در جعبه ها ، میانه را نشان می دهد ، در حالی که جعبه ها تا مقادیر کم و بالا و بالایی گسترش می یابند. ویسک ها به شدیدترین مقادیر در محدوده 1. 5 interquartile (IQR) گسترش می یابند. شکل ایجاد شده با استفاده از GGPLOT2 (v. 3. 2. 1) 21.

سود فقط زمانی حاصل می شود که افراد در ارزانترین مسیر قرار بگیرند ، یعنی وقتی در مسیری هستند که از طریق آن تحقق می یابد. بنابراین ، جالب است که بررسی کنیم که نقش محل واسطه ها در شبکه در شکل دادن به رفتار آنها چیست ، که ما در مرحله بعد انجام می دهیم. اول ، ما مشاهده می کنیم که شبکه های آزمایش ما هیچ گره مهم ندارند و در عین حال آنها اجاره بزرگی ایجاد می کنند. بنابراین نتایج حاصل از آزمایش های مقیاس کوچک توسط چوی و همکاران. 19 در مورد شبکه های پیچیده بزرگتر اعمال نمی شود ، که مطالعه حاضر گسترش کار توسط چوی و همکاران است. 19 به شبکه های پیچیده تر. به نظر می رسد در این صورت گره هایی که در مسیرهای بیشتری وجود دارند ، قدرت بازار بیشتری دارند. این باعث ایجاد تعمیم مفهوم انتقاد به شرح زیر می شود:

جایی که SD (V) انتقاد جزئی گره V است ، (| P_ (V) | ) برای تعداد مسیرهای بین منبع و مقصد حاوی یک گره معین V و (| P_ | ) مخفف است. تعداد کل مسیرها بین منبع و مقصد. به دنبال این خط فکری ، یک انتقاد جزئی بالاتر ممکن است پتانسیل قدرت چانه زنی بیشتر را نشان دهد و بنابراین گره هایی با انتقاد جزئی بالاتر باید قیمت و سود بالاتری را نشان دهند. شکل 2A قیمت های انباشته شده واسطه ها را به عنوان تابعی از انتقاد جزئی آنها نشان می دهد. بین انتقاد جزئی و قیمت های ارسال شده توسط شرکت کنندگان رابطه معنی داری وجود ندارد. حتی جالب تر ، همانطور که در شکل 2B نشان داده شده است ، هیچ ارتباطی بین بازپرداخت انباشته به دست آمده و انتقاد جزئی گره وجود ندارد. شکل 2C فرکانس را نشان می دهد که هر بازیکن در ارزانترین مسیر در مقابل انتقاد جزئی خود قرار دارد. باز هم ، هیچ ارتباطی بین این متغیرها وجود ندارد.

SD-Betweeess بازپرداخت ها را تعیین می کند اما قیمت های ارسال نشده است.( A-F) قیمت انباشته (A ، D) ، بازپرداخت انباشته (B ، E) و فرکانس در ارزان ترین مسیر (C ، F) شرکت کنندگان در طی یک سری 15 دور به عنوان تابعی از انتقاد گره (SD_0 ) (A-C) و از SD-Betweeess (SD_ Infty ) (D-F).(g) (r^2 ) از رگرسیون شرکت کنندگان بازپرداخت در (sd_ alpha ) در مقابل ( alpha ) ، که در آن ( alpha ) وزن طول مسیرها را تعدیل می کنداندازه گیری مرکزیت S-D. خط متراکم (امتیاز) مقدار (r^2 ) را برای همبستگی بازپرداختهای مربوط به betweess (SD-Betweeess) نشان می دهد. داده ها در هر سری 15 دور در هر جلسه آزمایشی جمع می شوند. برای تجزیه و تحلیل های مشابه در هر شبکه آزمایشی ، به SI شکل S2 مراجعه کنید. شکل ایجاد شده با استفاده از GGPLOT2 (v. 3. 2. 1) 21.

این عدم همبستگی ممکن است به دلیل وزن برابر مسیرها با طول متفاوت باشد. به منظور رسیدگی به این نکته ، ما مفهوم کلی خود را از انتقاد جزئی جزئی می کنیم تا طول مسیر را در نظر بگیریم:

جایی که جمع ها در تمام مسیرهای بین S و D حاوی V (شمارنده) و در تمام مسیرهای بین S و D (مخرج) قرار دارند. L (P) طول مسیر P را نشان می دهد و ( alpha ) برای یک وزن دلخواه است: همانطور که ( alpha ) افزایش می یابد ، اهمیت بیشتری به مسیرهای کوتاه تر داده می شود. به طور خاص ، هنگامی که ( alpha راست infty ) فقط کوتاهترین مسیرها را در نظر می گیرد ، (sd_ infty (v) ) اندازه گیری از بیننه منبع تغذیه گره V (SD-TETWENDENSE (V)). در طرف مقابل ، برای ( alpha = 0 ) انتقاد جزئی معادله 1 بازیابی می شود ، یعنی ، (SD_0 (v) = SD (v) ).

شکل 2D قیمت های انباشته شده واسطه ها را به عنوان تابعی از SD-بین آنها نشان می دهد. باز هم، هیچ رابطه ای بین رفتار قیمت گذاری و بین بودن مشاهده نمی شود. با این حال، همانطور که در شکل 2E نشان داده شده است، یک همبستگی مثبت بین بازده انباشته شده توسط واسطه های v و (sd_infty (v)) آنها وجود دارد. یعنی، اگرچه قیمت گذاری با مرکزیت بین SD ارتباطی ندارد، سود با آن همبستگی مثبت دارد. بنابراین دلیل این تفاوت باید در این باشد که چگونه حضور v در مسیر کم هزینه با (sd_infty (v)) در ارتباط است. این در شکل 2F نشان داده شده است، که نشان دهنده کسری از زمان هایی است که یک واسطه در ارزان ترین مسیر در مقابل SD-بین او قرار دارد. همانطور که نشان داده شد، یک همبستگی مثبت بین این معیارها وجود دارد، که توضیح می دهد که چرا - در شرایطی که قیمت ها تا حد زیادی به مکان شبکه حساس نیستند - سود با (sd_infty (v)) همبستگی خواهد داشت. استحکام این نتایج در برابر اندازه و اتصال شبکه در بخش 2. A SI مورد بحث قرار گرفته است.

تا اینجا، دیدیم که مرکزیت گره بر درآمد تأثیر نمی گذارد، زمانی که همه مسیرهای S تا D را به طور مساوی برای محاسبه آن در نظر بگیریم، اما زمانی که فقط کوتاه ترین مسیرها را در نظر بگیریم، تأثیری دارد. این واقعیت نشان می دهد که وزن داده شده به طول مسیر برای مطالعه ظرفیت گره ها برای استخراج مازاد مهم است. به منظور تأیید این فرضیه، شکل 2G ضریب تعیین (R^2) رگرسیون بازده واسطه ها در (sd_alpha) را به عنوان تابعی از (alpha) نشان می دهد. بهترین تناسب برای (alpha sim 12) بدست می آید، که نشان می دهد مسیرهای طولانی تر باید وزن کمتری نسبت به مسیرهای کوتاه تر داشته باشند. از آنجایی که تعداد مسیرها به طور تصاعدی با اندازه شبکه افزایش می یابد، به نظر می رسد که بین SD توصیفی عملی و خوب برای درآمد شرکت کنندگان باشد.

قوانین رفتاری

ما متذکر شده ایم که رفتار شرکت کنندگان توسط موقعیت شبکه تعیین نمی شود: انتقاد و اقدامات کلاسیک مرکزیت پیش بینی کننده خوبی از قیمت های ارسال شده توسط واسطه ها نیست. با این وجود ، نتایج نشان می دهد تفاوت در قیمت های ارسال شده توسط معامله گران در شبکه های مختلف. حتی اگر این شبکه ها ممکن است نسبتاً کوچک و مشابه به نظر برسند ، اینگونه نیستند. محیط (تعریف شده به عنوان مجموعه ای از تمام اطلاعاتی که افراد باید در تصمیمات خود فاکتور بگیرند) بسیار پیچیده است: مسیرهای مختلفی وجود دارد که از بیشتر معامله گران عبور می کند ، آنها باید قیمت خود را در نظر بگیرند و همچنین مواردی از آنبنابراین سایر بازیکنان و غیره منطقی است که فرض کنیم معامله گران با چنین محیط پیچیده و پویا از قوانین انگشت شست استفاده می کنند ، که از طرف دیگر نباید به شبکه بستگی داشته باشد. در آنچه در زیر می آید ، ما مدلی را تهیه می کنیم که رفتار فردی و تفاوت های مشاهده شده را به صورت تجربی نشان می دهد.

همراه با اطلاعات شبکه ، سایر اطلاعات نشان داده شده به افراد این است که آیا آنها در مسیر معاملات انتخاب شده قرار داشتند یا خیر. شکل 3A نشان می دهد ، برای هر یک از شبکه های در نظر گرفته شده ، میانگین تغییر قیمت برای مواردی که شرکت کننده در دور قبلی در ارزان ترین مسیر نبوده یا نبوده است. به همین ترتیب ، شکل 3B احتمال افزایش و کاهش قیمت ارسال شده را به شرط آنکه (y) یا نه (n) در ارزان ترین مسیر نشان می دهد. به نظر می رسد بازیکنان از یک قانون ساده پیروی می کنند ، یعنی افزایش قیمت آنها در صورت ارزانترین مسیر در دور قبلی و کاهش آن در غیر این صورت. علاوه بر این ، مقادیر مورد انتظار نشان داده شده در شکل 3a خاطرنشان می کند که واسطه های موفق افزایش قیمت خود را افزایش می دهند و بنابراین ، بدون رقابت کافی ، هزینه ها و قیمت ها همیشه رشد می کنند.

قرار گرفتن یا نبودن در ارزانترین مسیر ، افزایش قیمت واسطه ها را تعیین می کند.(الف) میانگین تغییرات در قیمت ارسال شده شرط شده است (سمت راست) یا نه (سمت چپ) در ارزانترین مسیر انتخاب شده در دور قبلی برای شبکه های تصادفی 26 گره (R26) و برای شبکه دنیای کوچک 26گره ها (SW26).(ب) احتمال افزایش (آبی) و کاهش (صورتی) قیمت ارسال شده شرط شده است که در ارزانترین مسیر انتخاب شده ، برای هر یک از شبکه های مورد مطالعه (y) یا خیر (n) بوده است. میله های خطا نشانگر 95 ٪ C. I. گسترش این نتایج از جمله شبکه تصادفی 50 گره در SI شکل S3 نمایش داده می شود. شکل ایجاد شده با استفاده از GGPLOT2 (v. 3. 2. 1) 21.

ما اکنون یک مدل ساده مبتنی بر عامل (ABM) 22 را می سازیم ، همانطور که در زیر شرح داده شده است:

اگر گره U متعلق به ارزانترین مسیر در زمان t باشد ، قیمت ارسال شده خود را به موقع t + 1 توسط ( sigma ) تغییر می دهد.

اگر گره U متعلق به ارزانترین مسیر در زمان t نباشد ، قیمت ارسال شده خود را به موقع t + 1 توسط (- rho ) تغییر می دهد.

حداقل قیمت یک گره می تواند 0 باشد.

برای اعتبارسنجی این مدل ، ما آن را با بوت کردن قیمت های اولیه اجرا کردیم ، مقدار تغییرات اگر در ارزان ترین مسیر ( ( sigma )) و مقدار تغییرات در صورت عدم استفاده ( ( rho )) باشد. نتایج ، که در شکل 4 نشان داده شده است ، نشان می دهد که هزینه های مربوط به شبیه سازی (راندمان به ترتیب) در شبکه های دنیای کوچک بالاتر از شبکه های تصادفی (T (9659. 3) = 68. 33 ، (P

نتایج عددی مدل اجرا شده از طریق شبکه ها ، منبع و مقصد از آزمایشات. نتایج نشان داده شده برای 100 اعدام با 15 دور برای هر شبکه و جفت منبع-خواب ، به استثنای دور اول است. قیمت های اولیه از مقادیر آزمایشی بوت می شوند. مقادیر ( sigma ) و ( rho ) ثابت هستند و به ترتیب با میانگین مقادیر آزمایش ، به ترتیب ، 2. 60 و 1. 2 مطابقت دارند. شکل ایجاد شده با استفاده از GGPLOT2 (v. 3. 2. 1) 21.

هنگامی که ما نشان دادیم که این مدل مشاهدات تجربی را به خوبی ضبط می کند ، ما تأیید می کنیم که آیا همان پدیده ها در شبکه های بزرگتر مشاهده شده است یا خیر. نتایج شبکه های اندازه 50 و 100 ، که در شکل 5 و جدول 3 نشان داده شده است ، با داده های تجربی نیز سازگار است ، تأیید می کند که توپولوژی شبکه تأثیر قابل توجهی در نتایج معاملات دارد: دنیای کوچک منجر به هزینه های بالاتر و راندمان پایین تر می شود. تجزیه و تحلیل مشابه با قیمت های اولیه تصادفی ، بنابراین نتایج عددی را از نتایج حاصل از آزمایشات می توان در بخش SI C3 و SI شکل S7 یافت. نتایج در شکل S7 با نتایج نشان داده شده در شکل 5 سازگار است و شواهد بیشتری در مورد اثرات ساختار شبکه بر قیمت ها و هزینه ها ارائه می دهد.

نتایج عددی مدل برای شبکه هایی با 50 و 100 گره. نتایج نشان داده شده برای 100 اعدام با 15 دور برای هر شبکه و جفت منبع-خواب ، به استثنای دور اول است. قیمت های اولیه از مقادیر آزمایشی بوت می شوند. مقادیر ( sigma ) و ( rho ) ثابت هستند و به ترتیب با میانگین مقادیر آزمایش ، به ترتیب ، 2. 60 و 1. 2 مطابقت دارند. برای تجزیه و تحلیل های مشابه با قیمت های اولیه تصادفی ، به SI شکل S7 مراجعه کنید. شکل ایجاد شده با استفاده از GGPLOT2 (v. 3. 2. 1) 21.

خصوصیات توپولوژیکی در مورد تفاوت در هزینه

در نهایت، ما یک قدم جلوتر می رویم تا توضیح دهیم که چه چیزی در پشت تفاوت های موجود در هزینه ها نهفته است. یک فرضیه نظری ممکن می تواند این باشد که هزینه ها به رقابت بین مسیرها بستگی دارد. در راه اندازی ما، این معادل با فرض این است که هزینه ها باید با تعداد راه های ممکن برای رسیدن به مقصد کاهش یابد، یعنی تعداد مسیرهای مستقل (مجموعه ای از) از S به D. به طور خاص، ما انتظار داریم رقابت متناسب باتعداد M مسیرهای ناهمگون گره 23، زیرا تعداد احتمالی معاملات مستقل همزمان را در بر می گیرد (برای بحث عمیق تر در مورد این موضوع به بخش SI II. C. 1 مراجعه کنید). بر اساس این فرضیه، هر چه مقدار M بزرگتر باشد، هزینه کمتر است. توضیح احتمالی دیگر برای وابستگی هزینه ها به شبکه ها می تواند تفاوت های ساختاری بین شبکه دوم باشد. به خوبی شناخته شده است که ضرایب خوشه بندی و طول مسیر متوسط برای SW و شبکه های تصادفی در نظر گرفته شده در آزمایش های ما متفاوت است ((pin \) 24)، و بنابراین تفاوت های مشاهده شده در هزینه می تواند به تغییرات در آن ویژگی ها مرتبط باشد..

In order to verify the previous hypotheses, we executed a version of the model without the maximum cost threshold. With this setup, we can study long-term effects after a sufficiently large number of rounds and uncover the cost tendency. In this regime, we caot analyze network efficiency, however, networks yielding higher cost should be more inefficient. Note that the proposed model allows extrapolating the observed behavior to larger networks with a large range of values of M . Then, we can generalize the observed experimental results to larger networks, which allow us to find the (theoretically conjectured) influence of M on prices. We ran the algorithm for (10^4) rounds and then we considered the final cost of the trade for each configuration. Results for networks of size 26, 50 and 1,000 nodes are shown in Fig. 6A C, respectively. Simulations of trading dynamics on the aforementioned networks indicate that the number of node-disjoint paths ( M ) between S and D is the best indicator of final cost. Figure 6D shows that as M grows, the costs are reduced so drastically that they go to 0 for (M>3 ). علاوه بر این ، نتایج عددی همچنین نشان می دهد که برای شبکه هایی با همان مقدار M ، هزینه با طول مسیر متوسط رشد می کند. در واقع ، این وابستگی توضیح می دهد که چرا هزینه های شبکه های دنیای کوچک بیشتر است: این شبکه ها دارای طول مسیر متوسط بزرگتر هستند. برای نشان دادن این یافته نتیجه ای از تفاوت در طول ارزان ترین مسیرها نیست ، شکل S5 از نمایشگرهای SI ، برای همان شبیه سازی ها ، هزینه های ارزانترین مسیر عادی شده توسط تعداد گره های موجود در آن در مقابل مسیر متوسططول شبکه. مشاهده می شود که میانگین قیمت گره ها در ارزانترین مسیر نیز با طول مسیر متوسط ارتباط دارد. جالب اینجاست که حتی در این رژیم تفاوت در خوشه بندی بزرگتر از تفاوت در طول مسیر متوسط است ، اولی شاخص خوبی از هزینه ها نیست ( (R^2 = 0. 57 ) در مقابل (R^2 = 0. 79) ، به بخش 2. C. 2 ، جدول S3 و شکل S6 در SI مراجعه کنید). به طور خلاصه ، این نتایج دو واقعیت تلطیف شده را ارائه می دهد که ممکن است سوالات آینده را در این خط راهنمایی کند ، یعنی هزینه های معاملاتی در تنظیمات با تعداد نسبتاً زیادی از مسیرهای گره خورده و هزینه ها باید در شبکه هایی با طول مسیر متوسط بزرگتر باشد. توجه داشته باشید که ، اگرچه تأثیر نوع شبکه بر کارآیی ، هزینه ها و قیمت ها یک نتیجه آزمایشی است ، اما تأثیر هم تعداد مسیرهای جداگانه و هم میانگین طول مسیر بر هزینه ها نتیجه ای است که از مدل پیشنهادی بدست آمده است.

Numerical results of the model. ( A C ) Average final cost (in (10^4) ) of the cheapest path after a period of (10^4) rounds as a function of the average path length of the network. Different panels correspond to different network sizes: 26 ( A ), 50 ( B ), and 1,000 ( C ) nodes; colors correspond to different network models: random (blue) and small-world (magenta); and different shapes correspond to different values of the number M of disjoint paths. For each configuration, there were generated 10,000 networks of size 26, 50, and 1,000, according to the Watts-Strogatz algorithm 24 with p = 0.1, 1 and average degree from 2 to 10. The initial cost was set to 0 and the increment/decrement ratio was fixed to the experimental value ( (sigma / ho =2.4) ). Results for (M>5 ) به عنوان هزینه های سریع به 0. D: میانگین ارزش هزینه ارزانترین مسیر در مقابل M برای همان شبکه ها نشان داده نمی شود. برای جزئیات بیشتر به متن اصلی مراجعه کنید. شکل ایجاد شده با استفاده از GGPLOT2 (v. 3. 2. 1) 21.

نتیجه گیری

نتایج تجربی ما نشان می دهد که شبکه تجارت تأثیر قدرتمندی در رفتار قیمت گذاری واسطه ها و راندمان کلی سیستم دارد ، شبکه های تصادفی کارآمدتر هستند و قیمت های قابل توجهی پایین تر از شبکه های دنیای کوچک نشان می دهند. با این حال ، در یک شبکه ، قیمت ها نسبت به محل گره نسبتاً بی حساس هستند ، اما واسطه هایی با بین بودن بیشتر سود بیشتری کسب می کنند. با توجه به نتایج تجربی ، ما یک رفتار قیمت گذاری ABM را برای درک قیمت گذاری معامله گران معرفی کردیم. ورودی اصلی مدل ، مشاهده تجربی است که واسطه ها وقتی در ارزانترین مسیر قرار می گیرند ، قیمت ها را افزایش می دهند و قیمت های آنها را در غیر این صورت کاهش می دهند. این مدل با موفقیت نتایج آزمایشی را با موفقیت بازتولید کرد و به ما اجازه داد تا نتایج قیمت گذاری و کارآیی را به سناریوهای مربوط به شبکه های بزرگتر و بازه های زمانی طولانی تر برون یابی کنیم. به اندازه کافی مهم ، این مدل همچنین کشف آنچه تعیین کننده های کلیدی هزینه هستند ، یعنی تعداد مسیرهای گره-دیسودوین از منبع به مقصد و طول مسیر متوسط شبکه را فعال می کند. در نهایت ، این تفاوت در نتایج تجربی ما را توضیح داد: در یک شبکه در دنیای کوچک ، میانگین طول مسیر بیشتر است و این منجر به هزینه های بالاتر و راندمان پایین تر تجارت در این شبکه ها در مقایسه با شبکه های تصادفی می شود.

به طور کلی ، کار ما نشان می دهد که توپولوژی شبکه های معاملاتی برای تعیین کارآیی و هزینه آنها مهم است. جالب خواهد بود که نتیجه گیری های ما را با استفاده از داده های واقعی در مورد تجارت ، به ویژه ، این یافته که در دسترس بودن مسیرهای Node-DiSjoint هزینه های معاملاتی را کاهش می دهد ، آزمایش کنیم. از طرف دیگر ، بینش ما ممکن است برای طراحی شبکه های بهبود یافته برای کالاهایی که در حال حاضر به دلیل واسطه گران قیمت هستند ، مفید باشد. تحقیقات بیشتر در مورد نقش اطلاعات ارائه شده به واسطه ها و سایر توپولوژی های شبکه نیز برای رسیدگی به این موضوعات مرتبط خواهد بود.

مواد و روش ها

ما 5 جلسه آزمایشی را انجام دادیم که هر یک از آنها از 4 سری متوالی 15 دور تشکیل شده است. تمام شبکه ها از طریق الگوریتم Watts-Strogatz 24 با احتمالات مختلف P از بازگرداندن (P = 0. 1 برای شبکه های مانند دنیای کوچک و P = 1 برای شبکه های تصادفی) تولید شده اند. میانگین درجه ( langle k rangle = 3 ) برای شبکه های 26 گره و ( langle k rangle = 4 ) برای شبکه 50 گره بود. نمایندگی از هر شبکه که توسط شرکت کنندگان مشاهده می شود در شکل S1 S1 نشان داده شده است. این آزمایش با 144 داوطلب استخدام شده از استخر داوطلب پروژه Ibsen (http://www. ibsen. eu) انجام شد. اولین جلسه آزمایشی در 29 ژوئن 2017 ، به طور مشترک در آزمایشگاه های آزمایشی اقتصاد دانشگاه ساراگوزا (UZ) و دانشگاه کارلوس سوم از مادرید (UC3M) ، با یک شبکه تصادفی 50 گره انجام شد. دومین جلسه آزمایشی در 31 اکتبر 2017 ، در UC3M ، با شبکه شبکه SW از 26 گره انجام شد. سه جلسه بعدی در 14 نوامبر 2018 (RN ، 26 گره) ، 24 آوریل 2018 (RN ، 26 گره) و 25 آوریل 2018 (SW ، 26 گره) در UZ انجام شد. جدول S1 SI داده های جمعیتی جلسات را نشان می دهد.

همه شرکت کنندگان پس از خواندن یک آموزش (هر دو در مواد SI و روش ها) روی صفحه نمایش از طریق رابط وب بازی کردند. هنگامی که همه از این آموزش عبور کرده بودند ، آزمایش شروع شد و تقریباً 90 دقیقه به طول انجامید. در پایان آزمایشات ، همه شرکت کنندگان درآمد و هزینه نمایش خود را دریافت کردند. کل درآمد این آزمایش از 5 تا 82 یورو ، متوسط درآمد 18. 4 یورو بود.

همه شرکت کنندگان رضایت آگاهانه برای شرکت در آن امضا کردند. علاوه بر این ، ناشناس بودن آنها همیشه با اختصاص دادن یک نام کاربری که آنها را در سیستم مشخص می کرد ، همیشه (مطابق با قانون اسپانیا برای حمایت از داده های شخصی) حفظ می شد. تاکنون هیچ ارتباطی بین نام واقعی آنها و نتایج برقرار نشده است. این روش توسط کمیته اخلاقی تحقیقات بالینی IACS ، دولت آراگون بررسی و تصویب شد: Accord 12/2017. تمام روشها با دستورالعمل ها و مقررات مربوطه به صورت آکادمکسن انجام شد.

در دسترس بودن داده ها

مجموعه داده های مورد تجزیه و تحلیل در طول مطالعه حاضر از نویسنده مربوطه در صورت درخواست معقول در دسترس است.