2.Agent类型假设。本模型包括两类Agent，即民众和官员，这两类Agent在特定条件下都会产生腐败的冲动，民众的腐败主要表现为行贿，而官员的腐败主要表现为以权谋私(本文所探讨的腐败是官员的腐败)。每个类型的Agent被进一步细分为更小的集体，模型运行期间集体的划分是固定的，即使这些腐败者被监禁，也将被释放到他们以前在的同一集体中。

3.有限理性假设。社会网络由Agent所堆积出来的补丁代表。每一组相似类型的Agent在一块补丁上，一起组成一个社会网络，Agent只能看到位于同一社会网络Agent的信息。Agent运用社会网络来收集关于监狱中朋友的数量和腐败的Agent数量的动态信息，并利用这些信息去预测可能得到的最高利益。在现实中我们也发现，只有当官员们身边的朋友受到惩罚时才会对腐败者产生较强的震撼。此外，有限理性还表现在Agent只能有限的记得他们在固定数量的上一轮中遇到多少腐败的Agent。

4.监狱教育有效性假设。Agent从社会网络里面学会去调整他们的策略。因此在监禁和随后的释放之后改变了他们从腐败到不腐败的策略。本文无意于探讨监狱教育是否有限，只是从客观上说，出狱的官员伴随着权力的失去而失去了腐败的可能，从而不得不被动的选择了不腐败的策略。⑴

三、模型与技术

(一) 模型介绍

Agent推测了因腐败行为被抓的可能性和遇到一个腐败Agent的可能性。Agent会权衡他们可能得到的报酬，并且对于他们是否贪污腐败做出相对合理的选择。Agent具有固有的“诚实”的道德属性，因此具有高度内在的“诚实”的Agent将会对贪污腐败付出高道德代价，反之，内在“诚实”水平低的Agent将会为之付出低道德代价。如果民众或官员其中一方贪污腐败而另一方没有，则不腐败的一方会向中央机构举报另一方，一个Agent累积一定的固定数量的腐败举报后进入监狱，在服役于刑期时，Agent被释放的策略是不腐败。被释放的Agent(主要指官员)在出狱后由于权力的失去而转为传播不腐败的策略。随着腐败和不腐败的Agent之间的不协调越来越多，导致越来越多的腐败Agent进监狱，有助于诚信的传播，并最终导致在系统内发生从腐败到不腐败的一个内源性转变。

(二)模型初始化

创建大小为33*33的空环，邻居类型为冯·诺依曼邻居。瓦片数为30，由于传统中国社会是一个熟人社会⑵，因此设定每个人的足以对自己产生影响的朋友数设定为19，这20人(包括自己)组成了最初的朋友圈子，形成一个社会网络，也就是说，社会网络由Agent所堆积出来的补丁代表的。每一组相似类型的Agent在一块补丁上，一起组成一个社会网络并处于同一个瓦片上。其他的初始化变量如表1所示：

表1 本文的变量设定、赋值和赋值规则变量名变量解释变量赋值赋值原则R-corrup-tion基于腐败的收益30高腐败状态总是伴随着制度的不健全,制度的不健全又主要表现为权力失去监督。因此在初始的高腐败状态中,基于腐败的收益是不腐败收益的30倍。R-honest基于诚实的收益1R-honest仅仅与R-corruption相关,因此可以将R-honest设定为1。Honest固有的诚实倾向服从均值为0.5,标准差为0.193的正态分布。为了保证99.73%的数据落在(0,1)的区间内。Size-of-memory记忆的规模5Agent只能有限的记得他们在前五轮相互影响中遇到多少腐败的Agent。Length-of-jail监狱的刑期20根据十八大以来落马官员刑期估计的一个平均数。此处的20并不是落马官员判刑的刑期,而是指20次相互作用所经历的时间,显然这是一个粗略的估计。Number-of-Corrupt-Agents开始的腐败人数200由于初始状态是一种高腐败状态,目前的文献对于什么是高腐败状态并没有确切的定义,本文将高腐败状态设定为腐败人数占总人数的1/3,由此,开始状态腐败的Agent为200。M-F-jail在监狱中朋友的数量2在高腐败状态中,一个社会网络有6人是腐败的,腐败的Agent需要累计一定数量的举报才能投入监狱,因此,此处设定为2。N-Report入监前受到举报的次数3N-Report与政府打击腐败的力度相关,打击腐败的力度越大,N-Report数值越小。

(三)模拟过程

1.一个民众与任意一个官员的相互影响。民众和官员从腐败中自主地选择他们的预期收益。Agent通过计算遇到一个腐败Agent的概率、因腐败行为被抓的概率以及腐败和不腐败策略下的收益来决定是否参与腐败活动。

典型的，一个Agent将考虑以下收益来考虑是否腐败。

(1- B)[Axi + (1 - A)y] + B[y - ky]