社會演進視角下受助者感恩與訛詐行為的仿真研究

張文明, 許 潔, 楊雯秀

(西北大學 經濟管理學院,陜西 西安 710127)

0 引言

習近平總書記近幾年多次強調，要培養(yǎng)崇德文明向善風氣。中華傳統(tǒng)美德中，助人為樂和感恩是不可或缺的一部分。但是，當一些人響應了這個號召，并且采取了行動的時候，也有一些人與之相反，他們不但不領情，還敲詐勒索。人民日報的一份報告顯示，在2015年前9個月里，由于扶人而引起的149項糾紛中，84項都是陷害扶人者。這種惡性事件對受害者和社會的危害非常大，會讓受害者以后在決定要不要幫助別人的問題上更加慎重。所以，在接受了別人的幫助后，受助者的反饋行為(反饋包含了感恩和訛詐)會對整個社會產生很大的影響，所以，研究受助者的這兩種反饋行為是十分必要的。

現在，有關感恩的理論基本上都是以心理學為主，研究什么是感恩以及感恩在個體的幸福、人際關系和親社會行為上的作用。人們已經發(fā)現感恩是一種美德[1]，一種特質[2]，一種人類的行為和回應[3]。而且感恩能夠提高個人的幸福感和健康水平[3～5]；促進親社會行為[6～9]；能有助于建立和維護助人者和受助者的關系[10～12]，比如，戀愛中的男女間的浪漫關系[13]。在合作演化方面，也存在著關于感恩的探討。Trivers[14]從互利的角度出發(fā)，指出了感恩的演化功能，因為感恩是一種演化的適應能力。Nowak和Rock[15]把感恩看作是一種上游互惠，模型的研究發(fā)現，上游互惠如果能與直接互惠、空間互惠結合，則能促進整體社會的合作。McCullough等[16]對上述兩項研究進行了歸納，并指出感恩對于人類社會的進化有著特殊的意義。Chang等[17]的研究結果也證實了Nowak和Rock[15]的看法。鄭麗清和俞煌霞[18]給訛詐的定義是：在收到他人的援助后，受助者以誹謗他人為肇事人，并要求補償的一種行為。關于訛詐的研究主要從人性和道德角度[19～21]，并從法學的視角來討論訛詐行為的應對措施[18,22～24]。此外，也有少量的文獻從政府職能角度出發(fā)，剖析了訛詐的成因和對策[25]。

總之，目前國內外學者對感恩的研究多為從心理層面進行的理論分析，或者采用實驗與問卷等方式進行實證分析；而關于訛詐的研究則主要集中在法學與社會學的層面上。鮮有學者從社會演化角度出發(fā)，利用仿真方法，考察兩種不同的反饋行為在社會演變中的作用。本文將運用多主體建模與仿真技術，通過建立一種“間接互惠”模型來對真實世界中的助人行為進行模擬，并以此來探討“感恩”和“訛詐”這兩種反饋行為對社會發(fā)展演化產生的作用，并據此提出相應的對策。

1 間接互惠助人模型

1.1 基礎模型

Nowak和Sigmund[26]提出了基礎的間接互惠模型，其后有很多學者對間接互惠模型進行了深入研究，并基于間接互惠模型解釋人類合作行為的演化[27～30]。下面我們先對基礎的間接互惠模型進行介紹。

用Agent來表示真實世界中的人們，每一個Agent都擁有三種特性變量：image-score、pay-off、k。其中，image-score表示聲譽，且每一個Agent的聲譽對其它Agent都是公開的，聲譽的優(yōu)劣取決于其本身的幫助記錄；pay-off表示收益，其大小意味著Agent的演化適應性；k表示助人策略，如果對方的聲譽不小于k，那么就會對對方采取幫助措施，k的數值愈高，Agent對對方的要求就愈高，也就是該Agent本身愈冷漠。

模型中用時基(tick)的迭代描述一個社會的演化過程。每一時基，所有Agent總共進行m次的隨機交互：若受助方的image-score≥助人方的k，助人者將(付出成本c)給予援助，受助者獲得收益b(b>c)，且助人者的image-score增加1；反之，將會拒絕(兩個人的收益都沒有變化，但是，助人者的image-score將減少1)。此外，每一個Agent所能產生的子代數目都與其pay-off的值呈正比關系。由此，我們可以從最后的模式運作狀況中，了解到社會演化的最終結果。

初始時，隨機設置Agent的k值(k[-5,6]且取整數)，令image-score=0且pay-off=0。在子代中，image-score=pay-off=0，而k值則從父代那里繼承而來。從交互式的原則可以看到，當Agent的k≤0時，Agent就是“友善”的，而k>0的Agent就是“冷漠”的。

從實驗的結果來看，該模型最后一定會收斂于某個k，且k≤0。(注：如果所有Agent的k值均不大于0，則為一個“友善”型的社會，反之，將是一個“冷漠”型的社會。)Nowak和Sigmund[26]由此推斷，以image-score為基礎的間接互惠能夠帶來合作。

1.2 考慮突變的助人模型

Nowak和Sigmund[26]仿真了演化的基本概念，并由此構建了以上的仿真模型。但是，代際之間除了基因遺傳外，還有可能會發(fā)生基因突變。因此，Nowak和Sigmund[26]把“突變”引入到模型中，以使模型更加符合現實。

在該模型中，“突變”的具體設定為：后代以某一概率p不從父輩繼承k值，而是從k值中任意選取一個。表1顯示了模型中的變量定義。經過程序的運行，我們發(fā)現，該模型將會是一個“友善”型和“冷漠”型社會交替出現的情形(如圖1所示)。

圖1 突變情形的社會演進

從模型本身來看，在考慮突變的時候，極端冷漠的Agent會被有差別助人的Agent所取代，而有差別助人的Agent又會被極端友善的Agent所取代，進而會使極端冷漠的Agent復活[26]。所以，為了解決突變帶來合作進化過程的不穩(wěn)定性，Lotem和Fishman[31]介紹了一種名為“表型欺騙者”的角色，并發(fā)現該角色可以使協(xié)作演化進程變得更加穩(wěn)定。在這些群體中，“表型欺騙者”是指由于自身的能力不足，無法進行協(xié)作，例如兒童、老人、殘疾人等。不同于Lotem和Fishman[31]的做法，本文認為模型的運行結果不穩(wěn)定的原因在于，模型忽視了受助者的反饋行為?；诨灸Ｐ?，我們將逐步把受助者的感恩和訛詐引入到模型中，探討這兩種反饋行為在社會演化中的作用。

經檢驗，不管u取什么正整數，只要Agent的k值被隨機地設定成[-u,u+1]，image-score的變化范圍被限定在[-u,u]，最終的運行結果和結論都沒有太大的區(qū)別。此外，Agent數量、交互次數m、成本c和收益b的變化，只會影響模型的執(zhí)行速度，而不會對結果造成實質性的影響。所以，為了確保參數的權威，本文并未更改Agent的屬性和其它變量的數值，仍然采用Nowak和Sigmund[26]在表1的設置。

2 感恩行為對社會演進的影響

首先，我們規(guī)范描述這個問題：假定一個社會里有n個人，可以用1，2，…，n來表示。每一個人i都有一種可能會出現緊急情況，因此需要另一個人j的幫助；j根據自身的特點來決定是否對i實施幫助，而在j選擇了幫助i后，i將根據自身的特點來決定是否向j表達感恩。隨著時間的發(fā)展，社會也在發(fā)生著變化，我們將關注社會的演進結果。

2.1 模型構建

本文為設置屬性變量gratitude以表示Agent感恩與否。此外，鑒于個人性格的連貫性，我們認為，越是友善的人就越是會感恩；相反，越是冷漠的人，越是不容易感恩。所以，在這個模型里，我們假定，每一個Agent的感恩變量是“真”的概率和其k值成反比例。也就是說，感恩變量為“真”的概率是：

在確定了Agent的感恩概率之后，還要設定Agent之間的感恩行為。Trivers[14]相信感恩有助于助人者和受助者雙方間的互惠；Tsang[7]在實驗中證實了感恩可以促進雙方之間的互惠影響，在受助者得到別人的幫助之后，他們更傾向于表現出自己的親社會行為；Shiraki & Igarashi[9]也是認為感恩直接影響到了直接互惠，而對上游互惠德影響需要通過人們對他人聯(lián)系的需求進行中介來實現；而且，Nowak & Rock[15]的研究也顯示，如果要改善社會的協(xié)作程度，上游互惠應該和直接互惠或空間互惠相結合。因此，本文認為與感恩關系最為密切的是直接互惠行為在很大程度上是合乎情理的，從而把主體的感恩行為設定為促進雙方的直接互惠。具體來說：如果Agent感恩助人者，那么他會從收益b中抽取一部分返還給助人者以表示感謝。這樣，受助者的pay-off會相應減少同時增加助人者的pay-off。而且，當Agent表達感恩時，其image-score加1。

2.2 結果與分析

在感恩力度≤0.1的情況下，模型不收斂于特定的k；然而，如果感恩力度超過0.1，模型就會以一定的概率收斂于k=0；當感恩力度增大到0.15或者更高的時候，該模型就會完全收斂到k=0，如圖2所示。在此，感恩力度是指受助者返還給助人者的收益占b的比例大小。

當感恩力度是0.15時，模型的運行結果見圖3；當為0.6時，演化結果如圖4。我們還發(fā)現，模型的收斂速度和收斂后的穩(wěn)定性都會變得更好。圖5顯示了感恩力度與收斂時間之間的關系。

圖3 較低感恩力度的社會演進

圖5 收斂時間與感恩力度的關系

如圖2至圖5所示：在感恩力度不低于0.15時，模型最后會在k=0處收斂。所以，受助者的感恩行為是社會演進為一個“友善型”社會的必要因素。

3 訛詐行為對社會演進的影響

我們首先規(guī)范描述這個問題：假定一個社會里有n個人，可以用1，2，…，n來表達。每一個人i都有一種可能會出現緊急情況，因此需要另一個人j的協(xié)助；j根據自身的特點來決定是否對i實施幫助，而在j選擇了幫助i后，i將根據自身的特點來決定是否向j表達感恩(或進行訛詐)，與之相應地，j也會根據i的行為來調整其k值(即助人策略)。隨著時間的發(fā)展，社會也在發(fā)生著變化，我們將關注社會的演進結果以及如何應對訛詐行為？

3.1 模型構建

感恩是人類的一項品質，它是穩(wěn)定和持久的，我們有充分的理由認為，感恩的人是不會去訛詐別人的。因此，本文為每一個Agent的屬性來設定訛詐概率，且總是設定感恩的Agent的訛詐概率為0。按照訛詐定義[18]，訛詐行為設置為：如果某受助者Agent被指定為訛詐者，那么，在得到了收益b后，還會從助人者剩余的pay-off里拿走一部分(設為0.5)。因為訛詐的性質很惡劣，所以Agent訛詐的時候，會讓其在公眾中的聲望降到最低(即為-5)。而且，訛詐的行為也會讓被訛詐的助人者在以后決定實施幫助時更加地小心，我們用被訛詐Agent的k值提高1來表達這種變化。

3.2 結果與分析

圖6和圖7分別顯示了訛詐概率為1‰和40%的運行結果。圖8顯示了模型運行結果中不同種類Agent的數目隨訛詐概率的變化(感恩力度為0.2)，其數據是令訛詐概率分別等于0.001、0.01、0.1、0.2、…、1時，各運行100次，將Agent的種類和數目進行統(tǒng)計，并進行平均而得到的。除訛詐概率外，其它的參數均與圖1中相同。

圖6 較低訛詐概率的社會演進

圖8 Agent類型及其數量隨訛詐概率的變化

從圖6至圖8可以看出，在訛詐概率較小的情況下，存在k值為0及k值為1的Agent；訛詐概率較大時，出現了具有k值為2，甚至更大k值的Agent，同時k值為0的Agent數目也在逐漸減少；直到最后，只有k>0的Agent才能在系統(tǒng)中生存。

我們起初時認為增大感恩力度可以減少k>0的Agent數量，但是卻發(fā)現，以圖6中的模型為基礎，將感恩的力度分別提高到50%與100%時，模型的運行結果分別如圖9和圖10所示，模型中依然存在k>0的Agent。圖11顯示了k=1的Agent數目隨感恩力度的變化情況。除了感恩力度以外，圖9至圖11中的其它參數均與圖6相同。

圖10 極大提高感恩力度后的社會演進

從圖9至圖11可以看出，Agent的感恩力度不能減少k>0的Agent數量，更確切地說，如果系統(tǒng)中有訛詐行為，那么Agent的感恩力度增大反而會使系統(tǒng)中k>0的Agent數量增大，這是由于感恩的力度愈大，助人者所獲得的利益愈多，因此在訛詐行為中，訛詐者從助人者那里獲得的利益愈多，從而在系統(tǒng)中所生成的k>0的Agent數量也會增加。以上仿真結果顯示，當社會中存在一定幾率的訛詐事件時，該社會的友善程度將會降低，而且訛詐事件愈多，造成的社會冷漠也愈嚴重。在這樣的情況下，一味的倡導感恩以增大人們的感恩力度，對“友善”型社會的構建不會起到顯著作用，甚至反而起反作用。

圖11 提高感恩力度對社會演進結果的影響

所以，到底該如何重新演進到一個“友善”型的社會，也就是在最后的系統(tǒng)中，消除那些k>0的主體？經過種種努力，我們終于找到了一個解決方案——確保被訛詐的Agent的k值保持不變(圖12中顯示了這種情況下模型運行的結果)。

圖12 被訛詐者k值不變時的社會演進

在此基礎上，令訛詐概率和感恩力度取不同的值，得到模型收斂于“友善”型社會的概率，如表2所示。從圖12和表2中可以看出：如果被訛詐的Agent的k值保持不變，模型會在斂k=0處收。當然，隨著訛詐的幾率越來越大，需要的感恩力度也會越來越大。

表2 模型收斂于“友善”型社會的概率

以上仿真結果顯示，只要確保訛詐受害人的助人策略(即k值)不改變，就可以使社會再次演化為“友善”型社會。所以，在訛詐事件發(fā)生后，政府應采取各種干預手段，讓訛詐受害人不受訛詐事件的影響而能夠繼續(xù)保持其對社會的友好程度不變。

4 結論與建議

本文在考慮突變的間接互惠模型的助人模型的基礎上，對社會演化中受助者的感恩和訛詐行為進行了探究。

(1)如果僅考慮受助者的感恩行為，發(fā)現感恩能讓一個引入突變的社會演變成一個“友善”型的社會。這個結論與Nowak & Rock[15]的研究結果一致，但區(qū)別在于本文以直接互惠為研究視角，而他們的研究是建立在上游互惠的基礎上的。

(2)在進一步對受助人的訛詐行為進行考察之后，發(fā)現訛詐事件會造成社會的冷漠，且一味地強調感恩不能完全消除訛詐的影響。要想讓社會恢復到友善的狀態(tài)，關鍵在于確保訛詐受害人對社會的友好程度不受訛詐事件的影響。

在此基礎上，我們對“友善型”社會的發(fā)展提出了兩點對策建議：一是政府要積極倡導“感恩”行為；另一方面，在“訛詐”發(fā)生的情況下，政府既要對訛詐者進行懲處，但更重要的是采取多種措施，確保訛詐受害者免受訛詐事件的不良影響。