摘要：信貸市場中銀行與企業(yè)就借貸與不借貸、 還貸與不還貸決策問題進行著長期的博弈。鑒于古典博弈理論關(guān)于博弈參與人“完全理性”假設(shè)的不完全真實性， 基于博弈參與人“有限理性”假設(shè)的演化博弈理論更適用于研究此類問題。并且， 考慮到“自頂向下”的數(shù)學建模方法難以描述并研究該問題中銀行群體內(nèi)部、 企業(yè)群體內(nèi)部之間復(fù)雜的關(guān)系和交互， 基于“自底向上”的多智能體建模方法被引入到此類復(fù)雜問題的研究分析。通過建立信貸市場中銀行和企業(yè)演化博弈問題的多智能體模型， 仿真研究銀行間信息共享、 企業(yè)間信息共享等多種典型信息共享情景下銀行與企業(yè)演化博弈的過程和結(jié)果。仿真結(jié)果表明企業(yè)之間的信息共享增加了信貸市場中的信息不對稱現(xiàn)象， 從而導(dǎo)致銀行承擔更多的風險損失； 而銀行之間的信息共享則能夠改善這種信息不對稱現(xiàn)象， 從而降低了風險損失。

關(guān)鍵詞： 信貸市場； 信息共享； 演化博弈； 建模與仿真； 多智能體技術(shù)

中圖分類號： F224.32文獻標識碼： A文章編號： 1009-055X（2013）05-0010-05

隨著2007年美國次貸危機引發(fā)的全球性金融海嘯持續(xù)升級， 我國中小企業(yè)融資難問題日益突出， 已成為影響我國經(jīng)濟發(fā)展全局、 制約我國經(jīng)濟增長后勁的突出問題。其具體表現(xiàn)為： 企業(yè)由于資金鏈斷裂， 出現(xiàn)批量倒閉； 企業(yè)經(jīng)濟效益整體下滑； 失業(yè)人數(shù)上升， 并造成潛在的社會穩(wěn)定隱患。然而， 作為中小企業(yè)融資的重要來源之一， 當前銀行業(yè)金融機構(gòu)在信貸市場中卻不愿對絕大多數(shù)中小企業(yè)提供信貸支持， “惜貸”現(xiàn)象嚴重。

目前， 領(lǐng)域?qū)＜液蛯W者普遍認為這種矛盾現(xiàn)象出現(xiàn)的根源之一是銀行和企業(yè)雙方信息的不對稱造成的。對于企業(yè)來說， 銀行的貸款成本、 貸款收益都是公開信息； 對于銀行來說， 企業(yè)的經(jīng)營、 還貸能力等信息并不公開。在信貸市場中， 部分企業(yè)利用這種信息不對稱機會， 濫用信用來獲取銀行貸款并不還貸， 損害了銀行的利益。而正是為了規(guī)避此類風險， 銀行往往不向中小企業(yè)提供貸款。

本文因此以信貸市場為研究對象， 應(yīng)用演化博弈理論研究信息共享對信貸市場的影響， 探索促進信貸市場健康發(fā)展的激勵機制， 從而實現(xiàn)企業(yè)和銀行的雙贏。

一、 國內(nèi)外研究現(xiàn)狀

運用博弈理論分析信貸市場中銀行和企業(yè)之間的行為和決策問題， 可以細分為基于古典博弈理論的分析和基于演化博弈理論的分析。

古典博弈理論的分析建立在參與人是完全理性的基礎(chǔ)之上。Stiglitz等人指出： 當銀行不擁有企業(yè)的風險類型的完全信息時， 企業(yè)存在逆向選擇和道德風險行為[1]； Boot等人建立了信貸市場的重復(fù)博弈模型， 并分析了企業(yè)與銀行之間的持久關(guān)系的重要性[2]； Rai研究了政府參與的信息市場中政府貸款對企業(yè)和銀行的期望收益的影響[3]； Stein建立了銀行資產(chǎn)和負債管理的逆向選擇模型， 并研究其中的貨幣政策[4]。王昌林、 曹潔等人對我國信貸市場中的信息不對稱問題也作出了類似的分析， 并提出了包括建立企業(yè)信用評估體系、 信貸擔保體系等建議和措施[5， 6]。李文豪分析了銀行經(jīng)營績效評價標準對信貸市場中信貸配給的影響[7]； 龐素琳研究了拖欠還款概率存在的背景下， 銀行的期望收益變化情況[8]。由于古典博弈理論中的完全理性假設(shè)在現(xiàn)實世界中常常得不到滿足， 演化博弈理論得到了迅速的發(fā)展和應(yīng)用。

演化博弈理論對信貸市場中銀行和企業(yè)的博弈分析則是建立在參與人是有限理性的基礎(chǔ)上。演化博弈理論的思想源于生物進化論， 其強調(diào)有限理性的參與人并不能立即找到最優(yōu)的策略， 而是通過不斷的學習來尋找更好的策略[9， 10]。其由于能夠較好的解釋現(xiàn)實世界中的一些經(jīng)濟規(guī)律和現(xiàn)象， 目前已經(jīng)逐漸被應(yīng)用于經(jīng)濟學領(lǐng)域的問題分析和研究[11， 12]。演化博弈理論在信息市場問題中的應(yīng)用研究主要包括： 演化博弈模型的穩(wěn)定策略的求解、 模型參數(shù)的靈敏度分析、 演化博弈過程的仿真等。其中， 代表性的工作有： 肖條軍分析了銀行的貸款利息率、 法律的管制和監(jiān)督、 企業(yè)和銀行達不成協(xié)議而將遭受的損失等各種因素對演化博弈模型均衡點的影響[13]； 劉娟娟等人采用多智能體建模方法仿真了演化博弈過程， 并分析得出法律約束， 即對企業(yè)不還貸進行適當?shù)膽土P， 能夠明顯減少信貸市場的不良貸款現(xiàn)象[14]。

華 南 理 工 大 學 學 報（社 會 科 學 版）

第5期李鋒 等： 信息共享對信貸市場影響的演化博弈分析

在現(xiàn)有的信貸市場的演化博弈研究中， 專家學者主要研究銀行和企業(yè)之間的博弈行為， 然而很少涉及銀行群體之間、 企業(yè)群體之間的相關(guān)關(guān)系研究， 以及這種關(guān)系對于演化博弈的影響。究其根本， 其是由于傳統(tǒng)“自頂向下”的數(shù)學建模與分析方法難以描述和再現(xiàn)復(fù)雜系統(tǒng)中低層元素之間的非線性交互。因此， 基于“自底向上”的多智能體建模與仿真方法成為了研究此類復(fù)雜系統(tǒng)的重要工具和手段[15]。 本文從參與人是有限理性的基礎(chǔ)出發(fā)， 通過建立信貸市場的多智能體仿真模型， 應(yīng)用演化博弈理論對企業(yè)和銀行的決策行為進行分析。

二、 信貸市場模型

不考慮信貸市場中銀行的借貸能力， 以及企業(yè)貸款額度的差異， 本文研究一個簡單“自然”的信貸市場： 市場中共有10家銀行， 并且仿真運行的每個階段均有100家新生企業(yè)參與博弈。其中， 銀行共有兩種選擇： 借貸和不借貸； 企業(yè)也有兩種選擇： 還貸和不還貸。銀行和企業(yè)之間非零和博弈的支付矩陣如表1所示。

表1企業(yè)的支付矩陣銀行1企業(yè)還貸1不還貸借貸1（3， 5）1（-5， 8）不借貸1（-2， -2）1（-2， -1）設(shè)銀行群體選擇借貸策略的銀行所占比例為p， 而企業(yè)群體選擇還貸策略的企業(yè)所占比例為q， 則信貸市場中復(fù)制者動態(tài)方程分別為：

p·=p（1-p）（8q-3）（1）

q·=q（1-q）（-2p-1）（2）

由公式（2）中q·<0可知所有： 企業(yè)最終都將選擇不還貸策略， 而銀行則選擇不借貸策略， 即穩(wěn)定點為（0， 0）。

在此已知的博弈結(jié)果之上， 本文通過仿真的方法研究信息共享對演化博弈過程的影響。

演化博弈仿真中， 博弈參與人所采用的策略學習方法多為強化學習中的Q-Learning算法[16]。但是， 從表1中數(shù)據(jù)可以看出多組博弈的結(jié)果都是負收益： Q-Learning算法通過（正）立即收益來增加策略的選擇偏好在此情景下不適用。因此， 本文應(yīng)用以下算法作為各策略的學習值：

Q（s， a）←Q（s， a）+n/N（3）

公式（3）中， n/N表示參與人采用策略a博弈N次， 取勝（收益最大）的次數(shù)n的比例。對于銀行， 當企業(yè)采取還貸策略時， 如果其采取借貸策略則為取勝； 當企業(yè)采取不還貸策略時， 不借貸策略為取勝策略。同理， 對于企業(yè)， 當銀行選擇借貸策略時， 企業(yè)選擇不還貸為取勝； 當銀行選擇不借貸策略時， 企業(yè)選擇不還貸為取勝。該策略學習值在仿真運行的初始值為0， 即Q（s， a）=0。

參與人選擇博弈策略的隨機概率計算公式為：

P（a）=eQ（s， a）/a'∈AeQ（s， a'）（4）

三、 多智能體建模與仿真結(jié)果分析

作者在開放性多智能體系統(tǒng)仿真開發(fā)平臺-REPAST（http： //repast.sourceforge.net）下， 建立整個信貸市場的多智能體仿真模型， 并為市場中每個企業(yè)和銀行建立其智能體模型。通過仿真， 統(tǒng)計演化博弈每一階段信貸市場中銀行借貸的比例， 以及企業(yè)還貸的比例。

（一）情景1（無信息共享下的博弈）

在該情境下， 每個“銀行”智能體在仿真的每一個階段都將跟N（N>1）個“企業(yè)”智能體進行博弈， 博奕時應(yīng)用公式（4）選擇借貸或者不借貸， 并根據(jù)博弈結(jié)果立即應(yīng)用公式（3）更新Q值。

模型中， 假定在仿真的每個階段出現(xiàn)的100個“企業(yè)”智能體各自獨立， 以1/10的概率選擇一個“銀行”智能體進行博弈， 且其在整個仿真運行中僅參加一次博弈。（根據(jù)[2]的結(jié)論， 如果當一個企業(yè)首次借貸成功并成功還貸， 那么在之后的該企業(yè)借貸申請中， 銀行將具有非常高的借貸可能性。本文不考慮這種復(fù)雜的信用的積累。）因此， 100個“企業(yè)”智能體作為一個群體進行學習和策略調(diào)整。

仿真運行31周期， 統(tǒng)計每期企業(yè)群體中選擇“還貸”策略的企業(yè)比例， 以及銀行群體對企業(yè)群體選擇“借貸”策略的比例。仿真結(jié)果如圖1所示。圖1情景1的仿真結(jié)果圖2 情景2的仿真結(jié)果從圖1可以看出， 銀行群體將在第8個仿真周期開始全部選擇“不借貸”策略， 而企業(yè)群體則在第6個仿真周期開始全部選擇“不還貸”策略。這表明在公式（3）所示的策略學習算法下， 信貸市場的演化博弈能夠迅速達到其穩(wěn)定狀態(tài)。

（二）情景2（企業(yè)間信息共享下的博弈）

在情景1的信貸模型基礎(chǔ)上， 假定“企業(yè)”智能體能夠得到前一期10個“銀行”智能體各自借貸比例。在此共享信息的基礎(chǔ)上， 本期的各“企業(yè)”智能體將有傾向性的選擇其中的一個“銀行”智能體進行博弈。具體的各“銀行”智能體選擇概率計算公式為：

P（Bi）=pi/（101i=1pi）， i=1， …， 10（5）

公式（5）中， 表示前一期銀行的借貸比例。

仿真運行31周期， 結(jié)果如圖2所示。

從圖2可以看出， 企業(yè)群體在第5個仿真周期就基本全部選擇“不還貸”策略， 而銀行則在第13周期后才基本全部采取“不借貸”策略。

對比情景1的仿真結(jié)果， 可以得出以下結(jié)論：

●企業(yè)通過分享銀行借貸比例信息， 能夠更早的確定采取“不還貸”策略。

●銀行則由于該信息的共享而更遲明確“不借貸”策略。

●由于企業(yè)越早確定“不還貸”策略， 而銀行越晚確定“不借貸”策略， 那么企業(yè)將獲得更多的利益， 而銀行則將承擔更多的損失。

從以上結(jié)論能夠得到以下管理啟示： 企業(yè)能夠通過共享銀行的策略信息， 獲得更多利益， 即加重了信貸市場中的信息不對稱關(guān)系。因此， 銀行、 政府等部門需要采取有效的手段去阻止該類信息在企業(yè)之間的傳播， 特別是在一些具有不良意愿（“不還貸”）的企業(yè)間傳播。

（三）情景3（銀行間信息共享下的博弈）

在情景1的信貸模型基礎(chǔ)上， 假定“銀行”智能體能夠得到前一期市場中100個“企業(yè)”智能體的整體還貸比例。在此共享信息的基礎(chǔ)上， 各個“銀行”智能體將進行第二次的策略選擇概率的修正， 即根據(jù)同期各“銀行”智能體的借貸策略的平均值進行修正， 修正后的概率計算公式為：

P'（a）=（1-β）P（a）+β101i=1P（a）/10（6）

公式（6）中， β為修正系數(shù)。

圖3給出了修正系數(shù)β=09下的仿真結(jié)果。

圖3情景3的仿真結(jié)果從圖3可以看出， 企業(yè)群體在第5個仿真周期就基本全部選擇“不還貸”策略， 而銀行則在第6周期后才基本全部采取“不借貸”策略。

對比情景1的仿真結(jié)果， 可以得出以下結(jié)論：

●銀行通過共享企業(yè)群體中“不還貸”策略的趨勢信息， 能夠更早的確定采取“不借貸”策略。

●企業(yè)群體并沒有受到該信息的明顯影響，基本保持與無信息共享情況下的演化博弈同期確定“不借貸”策略。

●在企業(yè)確定“不還貸”策略下， 銀行越早 確定“不借貸”策略， 那么銀行承擔的損失就更少。

雖然本仿真情景中銀行群體并沒有共享具體企業(yè)的各類信息， 而僅僅是分享了宏觀數(shù)據(jù)， 但是也能夠從中獲益。因此， 能夠得到以下管理啟示： 銀行能夠通過信息共享， 改善信貸市場中的信息不對稱現(xiàn)象， 從而能夠更及時、 更有效地規(guī)避風險。

（四）情景4（企業(yè)間和銀行間分別采取信息共享下的博弈）

在情景1的信貸模型基礎(chǔ)上， 假定“企業(yè)”智能體能夠得到前一期10個“銀行”智能體各自借貸比例。在此共享信息的基礎(chǔ)上， 本期的各“企業(yè)”智能體將有傾向性的選擇其中的一個“銀行”智能體進行博弈， 即情景2的仿真情景。同時， “銀行”智能體能夠得到前一期市場中100個“企業(yè)”智能體的整體還貸比例。在此共享信息的基礎(chǔ)上， 各個“銀行”智能體將進行第二次的策略選擇概率的修正， 即根據(jù)同期各“銀行”智能體的借貸策略的平均值進行修正， 即情景3的仿真情景。

圖4給出了修正系數(shù)下的本情景仿真結(jié)果（仿真時長為350周期）。

圖4情景4的仿真結(jié)果（β=09）圖5 情景4的仿真結(jié)果（β=01）從圖4可以看出， 企業(yè)群體在第5個仿真周期就基本全部選擇“不還貸”策略， 而銀行則在第6周期后才基本全部采取“不借貸”策略。但是與前面仿真有明顯區(qū)別的是， 銀行發(fā)放貸款的企業(yè)比例在第9期之后長期保持一種窄幅震蕩的態(tài)勢。

圖5給出了修正系數(shù)下的本情景仿真結(jié)果（仿真時長為350周期）。

從圖5可以看出， 當銀行群體平均借貸策略比例對各個銀行選擇貸款策略的影響降低時， 系統(tǒng)中的波動有明顯減少， 但是不能夠完全消除。

對比情景1-4的仿真結(jié)果， 可以得出：

●企業(yè)群體之間通過信息共享能夠更快的穩(wěn)定在“不還貸”策略下， 并且受到銀行之間信息共享的影響較小。

●銀行之間通過信息共享能夠更快地穩(wěn)定在“不借貸”策略下。但是， 銀行卻以小概率的事件錯誤的選擇“借貸”策略。這種現(xiàn)象的出現(xiàn)， 一方面是由計算機仿真中存在的隨機性因素造成的； 另一方面則是由于企業(yè)策略性的集中選擇某幾個特定銀行申請貸款造成的。而該銀行的錯誤判斷通過銀行之間的信息共享進一步又影響了所有銀行的決策， 從而導(dǎo)致了圖4所示的振蕩。

從以上結(jié)論能夠得到以下管理啟示： 銀行之間的信息共享能夠有效的抑制企業(yè)之間信息共享所產(chǎn)生的那部分風險損失。但是， 企業(yè)的策略性行為會通過影響一個銀行進而影響整個銀行群體。因此， 銀行在共享信息的環(huán)境下， 也需要有自己獨立的判斷。

（五）仿真結(jié)果分析

通過以上個典型情景下的信貸市場演化博弈仿真， 可以得到以下結(jié)論：

●企業(yè)間信息共享增加了信貸市場中信息不對稱現(xiàn)象， 從而導(dǎo)致銀行承擔更多的風險損失。

●銀行之間的信息共享能夠有效的降低銀行的風險損失， 但是僅共享企業(yè)群體的整體還貸情況， 對企業(yè)的影響有限。

銀行對銀行間的共享信息過于依賴（修正系數(shù)接近于1）， 則會導(dǎo)致銀行增添額外的風險損失。

四、 結(jié)論

鑒于古典博弈理論的完全理性假設(shè)在實際信貸市場博弈中的適用性， 本文應(yīng)用建立在參與人有限理性假設(shè)基礎(chǔ)上的演化博弈理論， 研究信息共享對于銀行與企業(yè)群體之間的博弈過程以及博弈結(jié)果的影響。通過多智能體計算機仿真， 結(jié)果表明企業(yè)之間的信息共享增加了信貸市場中的信息不對稱關(guān)系而導(dǎo)致銀行承擔更多的風險損失； 而銀行之間的信息共享則能夠有效地降低銀行的信貸風險和損失。

參考文獻：

[1]Stiglitz JE， and Weiss A. Credit Rationing in Markets with Imperfect Information[J]. The American Economic Review. 1981， 71（3）： 393-410.

[2]Boot AWT， and Thakor AV. Moral Hazard and Secured Lending in an Infinitely Repeated Credit Market Game[J]. International Economic Review. 1994， 35（4）： 899-920.

[3]Rai D. Credit Rationing， Government Credit Programs and Co-financing[J]. Journal of Applied Economics. 2007， 10（2）： 361-389.

[4]Stein JC. An Adverse-Selection Model of Bank and Liability Management with Implications for the Transmission of Monetary Policy[J]. The RAND Journal of Economics. 1998， 29（3）： 466-486.

[5]王昌林， 蒲勇健. 信貸市場中的信息不對稱分析[J]. 中國軟科學. 2004， 4： 75-78.

[6]曹潔. 銀行信貸決策博弈分析[J]. 廣州大學學報. 2006， 5（6）： 86-90.

[7]李文豪. 我國銀行經(jīng)營績效評價標準對信貸配給程度的影響[J]. 金融研究. 2006， 10： 82-89.

[8]龐素琳. 存在拖欠還款概率影響的信貸風險決策機制[J]. 系統(tǒng)工程理論與實踐. 2007， 10： 31-38.

[9]Samuelson L. Evolution and Game Theory[J]. The Journal of Economic Perspectives. 2002， 16（2）： 47-66.

[10]PoethkeHJ， and Kaiser H. A Simulation Approach to Evolutionary Game Theory： The Evolution of Time-sharing Behavior in a Dragonfly Mating System[J]. Behavioral Ecology and Sociobiology. 1985， 18（2）： 155-163.

[11]Friedman D. Evolutionary Games in Economics[J]. Econometrica. 1991， 59（3）： 637-666.

[12]Lee CK. Analysis on the Evolutionary Game of Innovative Financial System[J]. Journal of American Academy of Business， Cambridge. 2007， 11（1）： 338-343.

[13]易余胤， 肖條軍. 我國信貸市場的進化與調(diào)控[J]. 東南大學學報. 2003， 33（4）： 483-486.

[14]劉娟娟， 王鏡宇. 基于多智能體的演化博弈模型仿真研究[J]. 計算機與數(shù)字工程. 2007， 35（4）： 1-3.

[15]陶倩， 徐福緣， 黃平. 基于Agent的計算金融學建模方法研究[J]. 系統(tǒng)仿真學報. 2008， 20（11）： 3004-3007.

[16]張春陽， 陳小平， 劉貴全， 蔡慶生. Q-Learning算法及其在囚徒困境問題中的實現(xiàn)[J]. 計算機工程與應(yīng)用. 2001， 13： 121-122.