李志宏, 喬貴鴻, 許小穎, 田明昊

(華南理工大學(xué) 工商管理學(xué)院,廣東 廣州 510640)

0 引言

在知識經(jīng)濟時代,在線社區(qū)作為群體智慧涌現(xiàn)和知識共享的典型眾創(chuàng)平臺,有效推動了知識創(chuàng)新的協(xié)同合作[1]。然而,傳統(tǒng)中心化平臺仍存在一些問題。首先,用戶信息都存儲在中心化服務(wù)器上,這意味著管理者可以在未經(jīng)許可的情況下利用這些數(shù)據(jù)來獲利[2]。其次,中心化平臺利用用戶貢獻(xiàn)內(nèi)容的價值進(jìn)行商業(yè)變現(xiàn),而用戶卻無任何利益分成[3]。此外,激勵機制的同質(zhì)化設(shè)計導(dǎo)致社區(qū)出現(xiàn)了“90-9-1”現(xiàn)象[4],這極大地削弱了用戶共享知識的動力。

區(qū)塊鏈的興起促進(jìn)了組織變革,催生出一種新型的組織形式——區(qū)塊鏈自治組織[5],為傳統(tǒng)社區(qū)的知識治理缺陷提供了全新的解決思路。HSIEH等將區(qū)塊鏈自治組織定義為一種可自主運行的組織形式,不受任何中心化控制或第三方干預(yù)[6]。Steemit是代表性的組織之一,它通過設(shè)計基于通證的激勵機制,將通證獎勵和社區(qū)特權(quán)公平公開地賦予對社區(qū)發(fā)展做出貢獻(xiàn)的用戶[2]。與傳統(tǒng)社區(qū)相比,Steemit利用通證的價值屬性與治理能力,不僅增加了用戶的預(yù)期收益,還賦予其一定的社區(qū)治理特權(quán)。這種全新的知識變現(xiàn)方式從物質(zhì)層面和心理層面同時激勵用戶參與知識共享協(xié)同合作。

隨著區(qū)塊鏈的迅速發(fā)展,學(xué)者們開始將研究重點放在通證激勵對用戶知識共享行為偏好的影響方面。LIU等的實證研究表明,不同權(quán)益屬性的通證能夠滿足用戶參與社區(qū)活動的不同動機,促進(jìn)了用戶的知識共享行為[2];KIM和CHUNG認(rèn)為適當(dāng)?shù)耐ㄗC激勵可以實現(xiàn)社區(qū)知識的可持續(xù)增長[7];唐洪婷等認(rèn)為通證激勵的引入豐富了Steemit社區(qū)的內(nèi)容生態(tài)[8]。雖然通證激勵在一定程度上促進(jìn)了知識共享行為,但同時也存在著一些激勵機制設(shè)計漏洞。如Steemit中存在為謀取個人利益而濫用通證激勵機制的現(xiàn)象[9]。THELWALL認(rèn)為目前推動Steemit發(fā)展的主要因素是用戶間基于社交關(guān)系的共謀行為,而不是面向高質(zhì)量知識共享的協(xié)同合作[10]?？傊?目前的研究大多聚焦于通證激勵對社區(qū)知識生態(tài)整體性的靜態(tài)分析。然而,在通證激勵對用戶知識共享協(xié)同合作的動態(tài)作用機制以及具體的影響因素方面,仍缺乏深入討論。

知識共享過程中各參與主體是否選擇協(xié)同合作是一個復(fù)雜的博弈過程,用戶參與意愿的形成還會受到外部環(huán)境的影響。通證作為一種動態(tài)激勵方式,對促進(jìn)用戶協(xié)同合作起到了關(guān)鍵作用。然而,由于預(yù)期收益的不確定性,有限理性的用戶對損益的感知程度存在差異。傳統(tǒng)演化博弈模型無法完全解釋行為主體的非理性心理因素與預(yù)期收益問題。因此,本文采用前景理論對用戶的行為決策及偏好問題進(jìn)行建模,構(gòu)建了博弈雙方的收益感知矩陣,并分析了用戶協(xié)同合作的演化穩(wěn)定策略。通過對各個參數(shù)的仿真分析,揭示了它們對用戶行為策略選擇的影響,并提出了相應(yīng)的管理建議。

1 演化博弈模型構(gòu)建

1.1 Steemit社區(qū)概述

Steemit是一個基于區(qū)塊鏈的知識社區(qū)。它采用獨特的通證激勵來識別用戶貢獻(xiàn),激勵用戶參與社區(qū)活動。Steemit設(shè)計了三種不同的通證,分別是STEEM,SP和SBD。值得注意的是,用戶持有的SP數(shù)量將決定其在社區(qū)中的投票權(quán)重和獲得的獎勵份額。在Steemit社區(qū)中,用戶可以對他人創(chuàng)作的帖子進(jìn)行投票,社區(qū)根據(jù)帖子收到的投票權(quán)重,對帖子進(jìn)行排序和過濾,以提高帖子的曝光度和知名度[11]。其中,帖子的創(chuàng)作者和投票者都會獲得通證獎勵,獎勵會在帖子創(chuàng)建7天后自動計算和發(fā)放[2]。

1.2 模型假設(shè)

根據(jù)張潔和廖貅武[12]的研究及Steemit的特點,本文認(rèn)為用戶的知識創(chuàng)作行為(發(fā)帖)和知識傳播行為(投票)都屬于知識共享。同時,由于知識水平的差異性及通證持有量的不同,用戶在參與知識共享協(xié)同合作過程中所擔(dān)任的社區(qū)角色不同,且用戶進(jìn)行策略選擇會受到社區(qū)內(nèi)外部環(huán)境影響。因此,雙方的知識共享決策取決于其對預(yù)期損益的判斷。故本文做出如下假設(shè):

假設(shè)1本文研究的博弈模型僅涉及兩類用戶,即知識創(chuàng)作者和知識傳播者。個體在進(jìn)行策略選擇時主要考慮策略得失的感知價值,根據(jù)前景理論,這種感知價值可用前景價值V來描述。

V=∑π(pi)v(Δxi)

(1)

其中,pi為事件i發(fā)生的客觀概率,π(pi)為決策者對事件i的主觀決策權(quán)重,滿足π(0)=0,π(1)=1。Δxi為事件i發(fā)生后用戶相對于參照點x0的實際損益值,即Δxi=xi-x0。為方便分析,本文取0為參照點。v(xi)為個體對事件i的主觀感知價值,如式(3)。

(2)

(3)

上式中,σ∈(0,1)為函數(shù)的調(diào)節(jié)參數(shù);γ∈(0,1)為風(fēng)險偏好系數(shù),反映博弈主體對風(fēng)險的承受程度;參數(shù)λ為損失規(guī)避系數(shù),衡量決策者對損失的厭惡程度,與收益的重要性相比更高。

假設(shè)2博弈主體A和B在t時刻均只存在兩種行為策略,其中用戶A為知識創(chuàng)作者,其策略集為{創(chuàng)作,不創(chuàng)作};用戶B為知識傳播者,其策略集為{投票,不投票}。

假設(shè)3當(dāng)用戶選擇{創(chuàng)作,投票}策略時,雙方進(jìn)行知識共享協(xié)同合作,用戶生成內(nèi)容被有效傳播,雙方不僅能獲得直接收益,還能獲得通證收益。獲得通證導(dǎo)致用戶物質(zhì)財富的增加和對社區(qū)治理權(quán)的提升,作為既得利益者,雙方將獲得由于通證持有量增加而持續(xù)參與協(xié)同合作帶來的潛在收益,同時還需承擔(dān)其他用戶的策略行為導(dǎo)致價值壟斷造成的風(fēng)險損失。當(dāng)用戶選擇{創(chuàng)作,不投票}策略時,雙方都不會獲得通證收益,用戶A需要付出前期的創(chuàng)作成本。當(dāng)用戶選擇{不創(chuàng)作,投票}策略時,雙方仍不會獲得通證收益,用戶B需要付出前期的傳播成本。當(dāng)用戶選擇{不創(chuàng)作,不投票}策略時,雙方不參與知識共享,只能獲得一般效用。

假設(shè)4由前景理論,用戶進(jìn)行策略選擇時,會預(yù)設(shè)一個損益參考點,本文假設(shè)當(dāng)用戶獲得的通證收益高于該參考點時,視為一次成功的協(xié)同合作,否則視為不成功。

假設(shè)5用戶A選擇“創(chuàng)作”策略的概率為x,選擇“不創(chuàng)作”策略概率為1-x;用戶B選擇“投票”策略的概率為y,選擇“不投票”策略的概率為1-y。其中0≤x,y≤1。

1.3 收益感知矩陣構(gòu)建

基于上述假設(shè),構(gòu)建本文的博弈收益感知矩陣如表1,各參數(shù)含義如下:

表1 知識共享協(xié)同合作博弈收益感知矩陣

PA:用戶A進(jìn)行知識創(chuàng)作時需要付出的生產(chǎn)成本,包括用戶創(chuàng)作知識所克服的時間空間成本和機會成本等。

PB:用戶B進(jìn)行知識傳播時需要付出的投票成本,包括發(fā)現(xiàn)高質(zhì)量知識所需的時間成本與消耗投票帶寬所要承擔(dān)的邊際成本等。

RA,RB分別為用戶A,B選擇{不創(chuàng)作,不投票}策略時,可獲得的一般效用。

SA,SB分別為用戶A,B在非通證激勵下進(jìn)行知識創(chuàng)作&傳播所獲得的直接收益。

V1,V2分別為用戶A,B對參與知識共享協(xié)同合作獲得通證收益的感知效用。

V3,V4表示用戶A,B知識共享協(xié)同合作成功后持續(xù)獲得潛在收益的感知效用。

V5,V6分別為用戶A,B對社區(qū)中策略投票行為造成潛在風(fēng)險的感知效用。

當(dāng)博弈雙方采取{創(chuàng)作,投票}策略時,知識共享協(xié)同合作成功的概率為p,雙方獲得的總通證收益為K,潛在收益為K1和K2,通證收益分配系數(shù)為β和(1-β)。此時,博弈雙方以沒有參與共享時的通證收益0作為感知價值的參考點,即v(0)=0,則用戶對通證收益和潛在收益的感知價值V1,V2,V3,V4分別為:

V1=π(p)·v(βK-0)+π(1-p)·v(0)

(4)

V2=π(p)·v((1-β)K-0)+π(1-p)·v(0)

(5)

V3=π(p)·v(K1-0)+π(1-p)·v(0)

(6)

V4=π(p)·v(K2-0)+π(1-p)·v(0)

(7)

同時,社區(qū)內(nèi)還存在知識價值被壟斷的風(fēng)險,假設(shè)風(fēng)險發(fā)生的概率為p1,用戶A和用戶B的潛在風(fēng)險損失為K3和K4,則用戶對潛在損失的感知價值V5,V6分別為:

V5=π(p)·v(K3-0)+π(1-p)·v(0)=π(p)·v(K3)

(8)

V6=π(p)·v(K4-0)+π(1-p)·v(0)=π(p)·v(K4)

(9)

1.4 演化博弈模型構(gòu)建

UA1=y(RA+SA+V1-PA+V3-V5)+ (1-y)(RA+SA-PA)=y(V1+V3+V5)+RA+SA-PA

(10)

UA2=yRA+(1-y)RA=RA

(11)

(12)

UB1=x[RB+SB+V2-PB+V4-V6]+ (1-x)(RB+SB-PB)=x(V2+V4-V6)+RB+SB-PB

(13)

UB2=xRB+(1-x)RB=RB

(14)

(15)

因此,用戶A選擇“創(chuàng)作”策略以及用戶B選擇“投票”策略的復(fù)制動態(tài)方程分別為:

(16)

(17)

1.5 行為策略的穩(wěn)定性分析

通過對用戶A、B的復(fù)制動態(tài)方程求偏導(dǎo),得到區(qū)塊鏈自治組織知識共享協(xié)同合作動態(tài)演化系統(tǒng)的雅克比矩陣J如下:

該矩陣行列式為:

DetJ=(1-2x)[y(V1+V3-V5)+SA-PA]·(1-2y)[x(V2+V4-V6)+SB-PB]-x(1-x)(V1+V3-V5)·y(1-y)(V2+V4-V6)

該矩陣的跡為:

TrJ=(1-2x)[y(V1+V3-V5)+SA-PA]+(1-2y)[x(V2+V4-V6)+SB-PB]

根據(jù)Friedman方法,如果平衡點的行列式DetJ>0且跡TrJ<0,則該平衡點是局部穩(wěn)定的。基于此有以下推論:

推論1當(dāng)SA-PA<0,且SB-PB<0時,即博弈雙方在非通證激勵下獲得的直接收益難以抵消投入的共享成本時,得出系統(tǒng)的演化穩(wěn)定均衡點為E1(0,0)和E4(1,1)。具體見表2。

表2 各均衡點穩(wěn)定性狀態(tài)

推論2當(dāng)SA-PA≥0,且SB-PB≥0時,即博弈雙方在非通證激勵下獲得的直接收益能夠彌補投入的共享成本時,會出現(xiàn)鷹鴿博弈的情況。此時,系統(tǒng)的演化穩(wěn)定均衡點為E2(1,0)和E3(0,1)。具體見表3。

表3 各均衡點穩(wěn)定性狀態(tài)

推論3當(dāng)SA-PA≥0,且SB-PB<0時,即用戶A在非通證激勵下進(jìn)行知識創(chuàng)作獲得的直接收益能夠彌補其所投入的創(chuàng)作成本,但用戶B進(jìn)行知識傳播獲得的直接收益無法彌補其所投入的投票成本時,根據(jù)雅克比矩陣的穩(wěn)定性分析,得知系統(tǒng)此時不存在演化穩(wěn)定均衡點,并將圍繞E5(x*,y*)做螺旋運動。當(dāng)SA-PA≤0,且SB-PB>0時,結(jié)論不變。具體見表4:

表4 各均衡點穩(wěn)定性狀態(tài)

2 博弈模型結(jié)果分析

該二維動力系統(tǒng)旨在使博弈雙方選擇{創(chuàng)作,投票}策略,使系統(tǒng)收斂于演化穩(wěn)定均衡解E4(1,1)。然而在實際情況中,社區(qū)中還存在各種投機行為,使得博弈雙方參與協(xié)同合作的成本大于其所獲得的直接收益。在對均衡點的穩(wěn)定性分析過后,只有推論1與實際情況相符,系統(tǒng)收斂于E4(1,1)。因此,后續(xù)將僅關(guān)注推論1,并分析影響用戶協(xié)同合作的相關(guān)參數(shù)。其中,博弈雙方策略選擇的復(fù)制動態(tài)關(guān)系如圖1所示。

圖1 博弈雙方復(fù)制動態(tài)和穩(wěn)定性

在博弈演化中,A(0,0)和D(1,1)是該系統(tǒng)的演化穩(wěn)定策略。當(dāng)初始狀態(tài)位于區(qū)域AFEG時系統(tǒng)將收斂于A點,當(dāng)初始狀態(tài)位于區(qū)域DMEN時系統(tǒng)將收斂于D點。此外,只要當(dāng)區(qū)域DMEN的面積大于區(qū)域AFEG的面積時,系統(tǒng)才更有可能收斂于D點。由于本文旨在使博弈雙方通過不斷的行為演化,最終都參與知識共享協(xié)同合作,使系統(tǒng)收斂到D點。因此,SAFEG越小,SDMEN就越大,系統(tǒng)收斂于D點的概率就越大。

SAFEG表達(dá)式如式(18)所示,所以系統(tǒng)演化路徑主要受博弈雙方的感知價值V1,V2,V3,V4,V5,V6以及PA,PB,SA,SB等參數(shù)影響,下面分別對其進(jìn)行分析。

(18)

本文將基于前景理論分析參與主體的有限理性對策略選擇過程的影響,以探究系統(tǒng)難以達(dá)到最優(yōu)點的原因。

結(jié)論1以知識價值壟斷所造成的風(fēng)險損失為參照依賴,用戶對協(xié)同合作通證收益感知的效用越大,即V1+V3-V5和V2+V4-V6越大,用戶保持知識共享協(xié)同合作的概率越大。

證明由式(18)可知

隨著用戶參與知識共享協(xié)同合作與潛在風(fēng)險損失的感知價值差距越大,區(qū)域AFEG的面積SAFEG越小,區(qū)域DMEN的面積SDMEN就越大,說明與潛在風(fēng)險相比,用戶對協(xié)同合作通證收益的感知價值更大時,其保持協(xié)同合作的可能性越大。

結(jié)論2知識共享協(xié)同合作成功后的通證收益分配系數(shù)β過大或過小時,雙方保持協(xié)同合作的穩(wěn)定性會下降。

證明由前景價值函數(shù)的定義和式(4)(5)可得:

對于知識創(chuàng)作者和傳播者而言,通證收益分配系數(shù)β的大小影響了它們對通證收益的感知效用V1和V2,以及SDMEN的大小。β越大,知識創(chuàng)作者對通證收益的感知效用V1就越大,SDMEN也越大;知識傳播者則恰好相反。博弈雙方都希望獲得更多的通證收益。但當(dāng)收益分配不均,即β過大或過小時,會導(dǎo)致一方選擇消極參與,從而降低協(xié)同合作的穩(wěn)定性。

結(jié)論3用戶參與知識共享協(xié)同合作的直接收益SA,SB越高,用戶保持協(xié)同合作的可能性越大。

證明由式(18)可知

由上式可知,隨著用戶獲得的直接收益SA,SB的增加,SAFEG減小,SDMEN增加,因此,用戶知識共享直接收益的提高,有利于維護(hù)協(xié)同合作的穩(wěn)定性,營造良好的知識生態(tài)環(huán)境。

結(jié)論4用戶知識共享協(xié)同合作的協(xié)同成本PA,PB越小,用戶保持協(xié)同合作的概率越大。

證明由式(18)可知

隨著用戶知識共享協(xié)同合作的協(xié)同成本PA,PB的減小,SAFEG減小,SDMEN增加,用戶保持協(xié)同合作的可能性越大。

3 仿真分析

為了進(jìn)一步探究前景理論視域下用戶知識共享協(xié)同合作的演化規(guī)律,本文運用Python軟件進(jìn)行數(shù)值模擬,通過調(diào)整參數(shù)和觀察仿真過程,探討知識共享協(xié)同合作的最優(yōu)穩(wěn)定策略。為了讓策略組合能夠達(dá)到 E4(1,1)理性狀態(tài),本文根據(jù)模型假設(shè)和Steemit社區(qū)的相關(guān)信息設(shè)定參數(shù),并滿足條件SA-PA<0,且SB-PB<0,初始取值設(shè)定如下:RA=RB=2,SA=6,SB=4,PA=10,PB=7,x=0.6,y=0.4,γ=0.88,σ=0.69,λ=1.1。

3.1 通證損益感知價值差距的敏感性分析

如圖2所示,當(dāng)感知價值差距超過某一閾值時,用戶的行為策略緩慢收斂于1,即雙方都參與知識共享協(xié)同合作;相反則收斂于0。隨著感知價值差距的增大,收斂到1的速度明顯加快。因此,相對于風(fēng)險損失,用戶對知識共享協(xié)同合作通證收益的感知效用越大,持續(xù)合作的可能性越大。

(a)

此外,前景理論指出,有限理性的個體在決策時往往表現(xiàn)出過度自信的行為特征,高估自身知識質(zhì)量和知識選擇的準(zhǔn)確性,對參與知識活動賦予的權(quán)重大于實際權(quán)重。在此情境下,用戶在參與知識共享活動時,往往會高估協(xié)同合作成功的概率,即π(p)>p,使其感知價值V1和V2大于實際價值,導(dǎo)致V1,V2與實際價值的差距增大,而V1,V2的大小又會影響用戶保持協(xié)同合作的意愿。因此,在知識共享平臺的設(shè)計和管理中,理解用戶的有限理性和心理偏差,可以幫助平臺優(yōu)化用戶體驗,提高協(xié)同合作效率和平臺的吸引力,從而促進(jìn)協(xié)同合作的持續(xù)發(fā)展。

3.2 損益感知影響因素的敏感性分析

根據(jù)式(4)-式(9),進(jìn)一步分析價值函數(shù)中風(fēng)險偏好系數(shù)γ,損失規(guī)避系數(shù)λ,和權(quán)重函數(shù)π(p1)的參數(shù)敏感性。如圖3、圖4所示,當(dāng)γ或λ大于某一閾值時,用戶協(xié)同合作的概率收斂于1,反之則收斂于0,且隨著系數(shù)的增大,收斂的速度也變快。圖5展示權(quán)重系數(shù)π(p1)對用戶行為策略選擇的影響,當(dāng)用戶對社區(qū)知識價值被壟斷的風(fēng)險感知越大時,用戶更可能高估風(fēng)險概率p1,即π(p1)>p1,這會降低用戶保持協(xié)同合作穩(wěn)定性的概率。

圖3 風(fēng)險偏好系數(shù)對系統(tǒng)的演化影響

圖4 損失規(guī)避系數(shù)對系統(tǒng)的演化影響

圖5 風(fēng)險感知權(quán)重對系統(tǒng)的演化影響

3.3 通證收益分配系數(shù)的敏感性分析

圖6展示了在保持其他參數(shù)不變的情況下,通證收益分配系數(shù)β不同取值下用戶行為策略的演化情況。結(jié)果顯示,收益分配系數(shù)β存在兩個關(guān)鍵閾值β′和β″,當(dāng)β<β′或β>β″,通證收益分配不均衡,博弈中的一方通常不會選擇參與知識共享協(xié)同合作。這表明,只有當(dāng)用戶獲得符合其預(yù)期的通證收益時,才會參與知識共享。因此,通證收益的合理分配對于促進(jìn)知識共享協(xié)同合作至關(guān)重要。

(a)

3.4 其他參數(shù)的敏感性分析

圖7展示了在不同的直接收益水平下,用戶行為策略的演化情況。結(jié)果顯示,當(dāng)用戶從知識共享中獲得的直接收益超過一定閾值時,才會積極參與到協(xié)同合作中。反之,當(dāng)直接收益降低時,用戶更傾向于采取{不創(chuàng)作,不投票}的行為策略。

(a)

由于區(qū)塊鏈自治組織中獨特的投票機制,使得博弈雙方在參與知識共享時都需要付出一定的協(xié)同成本。圖8展示了不同協(xié)同成本下用戶行為策略的演化情況。當(dāng)協(xié)同成本PA,PB過高時,博弈雙方均會收斂到(0,0) 。反之,系統(tǒng)收斂到(1,1)狀態(tài)。但過低的協(xié)同成本也會導(dǎo)致諸如共謀投票、機器人刷帖等不良行為的出現(xiàn)。因此,在促進(jìn)用戶協(xié)同合作的同時,需要在協(xié)同成本和系統(tǒng)穩(wěn)定性之間取得平衡。

4 結(jié)論與管理啟示

在區(qū)塊鏈自治組織中,參與知識共享協(xié)同合作的用戶可以獲得平臺提供的通證獎勵。然而,這種激勵效果會受到用戶感知的影響,考慮到通證的價值屬性,本文在有限理性假設(shè)的前提下,采用前景理論解釋了用戶的非理性心理因素和預(yù)期損益問題,并構(gòu)建了博弈雙方的感知收益矩陣。基于此,本文進(jìn)一步分析了通證激勵條件下用戶的行為演化規(guī)律,并利用數(shù)值仿真對相關(guān)參數(shù)進(jìn)行了敏感性分析。

本研究通過理論推導(dǎo)和數(shù)值分析得出以下結(jié)論:1)用戶對預(yù)期通證損益感知價值的差距越大,用戶參與知識共享協(xié)同合作的可能性越高;2)用戶對協(xié)同合作成功率的感知越大,就越容易參與知識共享;3)知識創(chuàng)作者和傳播者的通證收益分配對雙方參與知識共享協(xié)同合作影響顯著,合理的、符合用戶預(yù)期收益的分配比例可促進(jìn)用戶積極參與協(xié)同合作。4)知識共享過程中的直接收益和協(xié)同成本對用戶參與協(xié)同合作有一定影響,過低的直接收益和過高的協(xié)同成本都會導(dǎo)致系統(tǒng)收斂到{不創(chuàng)作,不投票}行為策略。本文對促進(jìn)用戶參與知識共享協(xié)同合作提出了如下管理啟示:

(1)合理設(shè)置通證收益分配系數(shù)。在DAO中,應(yīng)建立知識貢獻(xiàn)量化機制,將參與雙方在知識共享協(xié)同合作中所做出的貢獻(xiàn)從知識創(chuàng)作的質(zhì)量和數(shù)量、知識傳播的廣度及深度等維度進(jìn)行精準(zhǔn)量化。合理設(shè)置通證收益分配系數(shù),實現(xiàn)社區(qū)、知識創(chuàng)作者、知識傳播者三方共贏。

(2)加強平臺治理機制,降低用戶風(fēng)險感知。區(qū)塊鏈自治組織應(yīng)增強平臺監(jiān)管能力,建立相應(yīng)的懲罰機制,以打擊共謀、壟斷投票等不良行為,降低用戶知識共享的風(fēng)險感知,提高用戶參與協(xié)同合作的積極性。

(3)優(yōu)化通證激勵模式,引導(dǎo)用戶合理感知自身知識價值,避免水文水貼、機器人投票等濫用平臺通證獎勵機制的投機行為,提高知識共享質(zhì)量和用戶粘性,促進(jìn)社區(qū)可持續(xù)發(fā)展。

同時,本研究也存在一定的局限性:首先,在知識共享協(xié)同合作的過程中,博弈主體行為策略的選擇受社區(qū)內(nèi)部因素及外部環(huán)境多重維度的影響,本文主要聚焦于通證這一經(jīng)濟因素對用戶行為演化的影響,忽略了其他如聲譽、社交關(guān)系等因素。因此,未來的研究可以考慮加入非經(jīng)濟因素,進(jìn)一步探究這些因素之間的相互作用對知識共享協(xié)同合作的影響。其次,本研究中選擇了特定社區(qū)的通證機制和博弈模型,而不同的機制和模型可能會對研究結(jié)果產(chǎn)生影響。因此,未來的研究可以考慮采用不同的研究對象和方法,并結(jié)合社區(qū)的實際情況進(jìn)行比較分析,以更全面地了解知識共享協(xié)同合作的內(nèi)涵。