文献综述/多维最优机制设计：激励约束、合同结构与计算方法
梳理多维筛选中的循环单调性、混同、最优传输与自由边界，比较精确求解、近似机制和数值算法的保证，并评述截至 2026 年 9 月的税收与保险应用。
摘要
多维最优机制设计研究具有多方面私人信息的主体如何在制度下选择，以及设计者如何据此安排税收、交易和合同。 多维问题的主要困难在于，类型之间的相关排序和起约束作用的模仿关系随分配内生变化，局部激励条件通常不能替代全局条件。 本文采用叙述性文献综述，比较循环单调性、凸分析、最优传输、自由边界和算法机制设计的研究成果，并讨论税收与保险应用。 截至 2026 年 9 月 9 日，多维筛选已有广泛的可实施性刻画、存在性定理和特殊模型解，部分算法也具有严格的最优性或近似保证。 仍待推进的研究包括一般合同结构的刻画、高维模型的有效计算，以及同时控制激励偏离、数值误差与分布误差的方法。 数学进展可以扩大政策模型的分析范围，但最优政策仍然取决于福利目标、信息结构、行为参数和可用政策工具。
关键词机制设计；多维筛选；激励相容；混同；最优传输；自由边界；最优税收；保险合同
1多维机制设计是一组具有共同结构的研究问题
多维最优机制设计并非一个具有统一陈述和统一解答标准的猜想。 多维最优机制设计包含垄断定价、多物品拍卖、非线性税收、保险与监管等问题；这些问题的共同结构是，设计者通过可供选择的制度安排，影响具有私人信息的主体的行为。 主体的私人信息可以是对不同物品的估值、劳动能力与劳动偏好，也可以是损失风险与风险厌恶程度。 每个模型都需要分别规定可行配置、支付方式、信息分布、参与条件和设计者目标。 （Rochet，2024）
一维机制设计在单交叉等条件下，可以利用外生的类型顺序组织激励约束。 Mirrlees 的最优所得税研究与 Myerson 的最优拍卖研究建立了这一分析传统。 一维模型也可能需要处理混同和非规则分布；一维的优势主要在于，单调性、包络条件和信息租金之间存在较直接的联系。 多维模型中，一名消费者可能更偏好性能、另一名消费者更偏好续航，因此不存在适用于所有产品组合的统一高低排序。 （Mirrlees，1971； Myerson，1981）
多维文献需要区分四个层次：分配能否由主体自愿选择实现，最优机制是否存在，最优机制具有什么结构，以及最优机制能否有效计算。 存在性定理不直接给出合同菜单，必要条件不自动构成充分条件，数值算法找到一个可行机制也不等于证明全局最优。 本文以原始论文、期刊出版记录及作者保存版本为材料，沿基础综述追踪后续研究，检索截止日期为 2026 年 9 月 9 日。 工作论文与预印本均标明核对版本；本文的政策讨论属于模型解释，不构成特定税率或保费的实证估计。
2循环单调性刻画全局激励相容
2.1直接机制与凸效用表示
单主体准线性模型提供了多维筛选的基本表达。 令私人类型为向量 $\theta\in\Theta\subset\mathbb R^d$ ， 直接机制为每个报告类型安排配置 $q(\theta)$ 与支付 $t(\theta)$ 。 在双线性估值下，真实报告获得的净效用为：
$$ u(\theta)=\theta\cdot q(\theta)-t(\theta). $$激励相容（incentive compatibility，IC）要求真实报告至少与任意虚假报告同样有利。 把外部选择的效用归一化为零，个体理性（individual rationality，IR）要求参与机制不劣于外部选择：
$$ \begin{aligned} \mathrm{IC}:&\quad u(\theta)\geq u(\hat\theta) +(\theta-\hat\theta)\cdot q(\hat\theta),\quad \forall\theta,\hat\theta;\\ \mathrm{IR}:&\quad u(\theta)\geq0,\quad \forall\theta. \end{aligned} $$Rochet（1987）的可实施性定理把支付是否存在转化为配置规则的循环单调性。 在上述线性类型模型中，激励相容等价于存在凸函数，使配置属于该函数的次梯度；在可微点，配置就是效用梯度。 因而，局部包络公式只描述梯度关系，凸性仍然承担全局激励限制。 对一般准线性估值，可实施性仍有循环形式，但不能直接套用双线性模型中的普通凸函数表示。 （Rochet，1987）
$$ q(\theta)\in\partial u(\theta),\qquad q(\theta)=\nabla u(\theta)\ \text{在可微点成立}. $$单主体模型中的激励相容也需要与多主体拍卖中的解概念区分。 占优策略激励相容要求在其他主体的任意报告下，真实报告都是最优选择；贝叶斯激励相容则在给定自身信息、对其他主体类型与机制随机性取期望之后作出比较。 贝叶斯激励相容算法的结论因此不能自动解释为占优策略机制的结论。 （Cai、Daskalakis 与 Weinberg，2012）
2.2两两单调性不能替代所有循环的约束
循环单调性要求任意有限类型循环都满足下式，其中最后一个类型的后继是第一个类型：
$$ \sum_{k=1}^{K}q(\theta^k)\cdot(\theta^k-\theta^{k+1})\geq0, \qquad\theta^{K+1}=\theta^1. $$两两单调性只是长度为 2 的循环条件。 一个三类型、两物品的示意配置可以说明两两检查的不足，配置向量的两个分量分别表示获得两件物品的概率：
$$ \begin{array}{c|c} \theta^1=(1,1)&q^1=(1/2,1/2)\\ \theta^2=(2,1)&q^2=(1/2,3/4)\\ \theta^3=(1,2)&q^3=(1/4,1/2) \end{array} $$上述配置对任意两种类型都满足 $(\theta^i-\theta^j)\cdot(q^i-q^j)=0$ ， 但沿第 1、第 2、第 3 种类型组成的循环，循环和为 $-1/4$ 。 因而，不存在能使上述配置激励相容的支付向量。 本文构造的示意例子已通过精确有理数运算及支付不等式的可行性检查复核；一般结论依据 Rochet 的循环单调性定理。
2.3起约束作用的模仿关系随配置改变
有限类型模型可以把激励约束表示为有向图。 给定配置之后，每条边表示一种类型模仿另一种类型时的信息租金下界；结合参与约束，最小信息租金可以由路径上的累积下界求出。 在一般位置条件下，决定租金的路径可以组织成树；当存在多个最优路径时，租金作为配置的函数可能不可微。 设计者改变配置，路径及其对应的紧约束也随之改变。 Rochet（2024）所强调的内生排序，正是这种配置与模仿关系之间的相互依赖。 （Rochet，2024，第 4 节）
3存在性与合同混同的基本成果
多维筛选的存在性研究已经覆盖比双线性模型更广的环境。 Carlier（2001）通过广义凸性刻画可实施性，并在相应假设下证明最优合同存在，允许类型维数与合同维数不同。 Carlier 与 Zhang（2020）进一步用成本和偏好共同决定的强制性条件，替代对整个合同空间紧致性的要求，并讨论部分参与及类型相关预算约束。 强制性条件的作用是限制有利可图且可能被接受的合同向无界区域逃逸；这些定理仍然有连续性、可测性等适用条件。 （Carlier，2001； Carlier 与 Zhang，2020）
双线性估值与凸生产成本把垄断者的利润最大化转化为凸函数空间上的变分问题。 在类型具有密度、最优效用几乎处处可微的设定中，生产成本记为 $C$ ，类型密度记为 $f$ ，则利润写为：
$$ \max_{u\in\mathcal U}\int_\Theta \big[\theta\cdot\nabla u(\theta)-u(\theta)-C(\nabla u(\theta))\big] f(\theta)\,\mathrm d\theta, \quad \mathcal U=\{u\geq0:\ u\text{凸},\ \nabla u\in Q\}. $$可行配置集合 $Q$ 表示产品或交易的物理限制。 当配置集合是凸集、成本是凸函数时，上述问题具有有利的凸优化结构，但可行效用仍须满足全局凸性，不能只逐点最大化被积函数。 Figalli、Kim 与 McCann（2011）在更一般的准线性偏好中，给出使广义凸效用集合保持凸性的非负交叉曲率条件，并在额外成本条件下得到唯一性和稳定性结果。 交叉曲率在这里限制偏好函数的几何结构，并不意味着任意偏好都能转化成凸规划。 （Figalli、Kim 与 McCann，2011）
混同（bunching）指不同私人类型自愿选择同一合同或获得同一配置。 Armstrong（1996）在所研究的多产品定价环境中证明，排除一部分低价值消费者可以是最优行为，并求解具有特殊结构的分布。 Rochet 与 Choné（1998）把一维熨平方法推广到多维，说明正交易水平上的混同也可以构成最优产品线的一部分。 因此，即使类型分布平滑，最优机制也可能有意减少某些群体获得的产品差异。 （Armstrong，1996； Rochet 与 Choné，1998）
混同与捆绑销售是不同概念。 混同描述类型空间中哪些人选择相同配置；捆绑销售描述哪些物品合在一起报价。 在可微的凸效用表示下，同一混同组具有相同效用梯度；效用沿组内方向可以是仿射的，因此组内效用本身未必相同。 最优产品菜单也可能由连续变化的混同组构成，混同并不保证最终只有有限几档合同。
4自由边界研究修正并深化经典二维模型
Rochet—Choné 的经典二维例子假定类型在正方形上均匀分布，估值为双线性，生产成本为二次型。 最优菜单通常通过不参与、混同和充分区分等区域描述，而这些区域的分界需要与效用函数一起求解。 分界位置事先未知，所以这一数学问题属于自由边界问题；给定分界后求偏微分方程，只完成了求解的一部分。
经典二维例子的原始候选解存在需要修正的区域结构。 McCann 与 Zhang（2024）利用强对偶方法，识别出原有描述遗漏的一类混同区域，其中同选合同的类型线段会改变方向。 该文把修正后的结构写成自由边界问题，并证明满足相关可行性条件的解具有最优性。 修正针对经典例子的候选解，并不否定 Rochet—Choné 关于多维筛选与混同的基础分析。 （McCann 与 Zhang，2024）
McCann、Rankin 与 Zhang 的 2025 年修订稿进一步给出平移正方形族 $(a,a+1)^2,\ a\geq0$ 上的完整解描述，并分析参数变化引起的混同区域分岔。 这项成果是在特定二维模型中刻画自由边界和配置结构，不是任意维数、任意分布或任意成本下的闭式公式。 本文依据 2025 年 4 月 24 日的 arXiv 第 2 版，将其按预印本引用。 （McCann、Rankin 与 Zhang，2025）
2026 年的自由边界研究继续缩小正则性问题的未解范围。 McCann、O’Brien 与 Rankin 在凸多边形等二维类型域上，把相关边界的一大部分归结为具有内生障碍的障碍问题。 在排除论文指定的仿射线段区域与不参与区域后，研究证明相关自由边界为 Hausdorff 维数等于 1 的连续曲线，并刻画可能出现的离散奇点；更强的光滑性结论还需要额外条件。 这类进展有助于判断混同与充分区分的边界是否规则，并为数值网格和边界近似提供理论依据。 （McCann、O’Brien 与 Rankin，2026，预印本）
5最优传输与对偶理论提供最优性证据
多物品垄断定价的对偶方法，为候选菜单提供可以核验的收益上界。 Daskalakis、Deckelbaum 与 Tzamos（2017）研究一个准线性、加性买者面对多个物品的收益最大化问题，将凸效用表示与最优传输相结合，建立强对偶定理。 论文从类型分布构造测度，并通过随机占优条件刻画有限菜单以及整体捆绑的最优性。 对偶中的传输是测度之间的数学配置，不表示商品在真实买者之间发生运输。 （Daskalakis、Deckelbaum 与 Tzamos，2017）
强对偶的实用价值在于，满足激励约束的候选机制给出收益下界，对偶可行对象给出最优收益上界。 如果两个界相同，候选机制就是最优机制；如果两个界相近，差值可以衡量候选机制尚可能损失的收益。 这种证明方式能够在不知道最优合同结构时评价候选方案，但寻找或核验对偶对象本身仍可能困难。 强对偶定理因此提供一般性的最优性刻画，并不自动保证一般模型都有高效的求解算法。
多主体拍卖中的算法对偶具有另一种作用。 Cai、Daskalakis 与 Weinberg（2012）利用约化形式和虚拟福利，把有限支持、独立投标者等条件下的贝叶斯收益最大化，归约到相应的福利最大化问题。 算法的效率取决于类型支持的表示大小及福利优化子程序；在有界估值和精度参数下，论文给出随机化的近似求解保证。 这项成果扩展了 Myerson 的分析方式，同时保留了信息结构、表示方式与激励概念的明确限制。 （Cai、Daskalakis 与 Weinberg，2012）
6有效计算需要分别控制规模、收敛与激励误差
6.1有限表示与计算复杂性具有不同尺度
有限类型、有限结果且允许随机配置的准线性模型，常可通过线性规划处理全体激励约束。 对单主体、已显式列出的类型集合，直接列举的两两报告约束数量随类型数平方增长。 然而，如果每个私人信息维度都有若干可能取值，联合类型总数会随维度指数增长。 对显式联合支持规模为多项式的算法，未必对各维边际分布的简短表示仍然有效。
Daskalakis、Deckelbaum 与 Tzamos（2014）证明，即使只有一个加性买者，各物品估值相互独立且各自只有两个有理数取值，精确最优机制的计算与有效实施仍存在计数复杂性障碍。 困难性结论允许随机机制，并非仅由禁止随机化造成。 在论文采用的标准复杂性假设下，不能期待对所有这类简洁输入都找到并实施精确最优机制的多项式时间通用算法。 （Daskalakis、Deckelbaum 与 Tzamos，2014）
6.2原始—对偶方法的保证取决于凸性条件
Carlier、Dupuis、Rochet 与 Thanassoulis（2024）把离散准线性筛选写成最大—最小问题，利用原始—对偶迭代处理配置与激励约束乘子。 算法不需要预先指定哪些类型混同、哪些模仿约束起作用，并用多产品定价及劳动收入与储蓄联合税收展示方法。 论文题名中的“一般解”指一种适用范围较广的数值框架，算法保证需要按线性与非线性情形分别理解。 （Carlier 等，2024）
线性类型效用、凹剩余目标等条件下，Carlier 等使用的 Chambolle—Pock 迭代在相应步长条件下收敛到全局问题的解。 当模仿函数为非线性时，论文第 5.3 节讨论的是附加技术假设下对一阶条件解的局部收敛。 因此，非凸模型中“迭代收敛”与“证明全局最优”需要分别报告；离散模型求解成功也不自动给出连续类型模型的误差界。
Mirebeau（2016）的自适应离散凸性方法从另一侧降低计算负担。 算法在二维网格上选择并细化刻画凸性的方向约束，使大量冗余约束不必同时进入优化问题。 论文的复杂度分析与数值实验说明，精确处理全局凸性不一定要求机械地列出全部网格约束。 这一优势依赖二维网格的几何与算术结构，不能直接推导出任意高维类型域上的同等效率。 （Mirebeau，2016）
6.3学习机制需要单独验证策略偏离
Dütting 等（2019）的 RegretNet 用神经网络表示拍卖，并把收益最大化与策略偏离收益的惩罚结合起来。 论文给出泛化界并开展实验，为未知最优拍卖的环境提供高收益候选机制。 然而，样本中的低平均偏离收益不等价于所有类型和所有虚假报告下都严格激励相容；内层搜索未发现有利偏离，也不证明有利偏离不存在。 学习机制的收益表现、激励误差与全局最优性证据因此需要分开评价。 （Dütting 等，2019）
| 成果类型 | 可以支持的判断 | 仍需核对的条件 |
|---|---|---|
| 存在性定理 | 所给模型至少有一个最优机制 | 紧致性或强制性、连续性与参与条件 |
| 原始—对偶上下界 | 候选机制最优，或收益差距有界 | 原始与对偶可行性是否针对同一问题 |
| 凸模型迭代收敛 | 所给离散优化问题可以收敛求解 | 凸性、步长及离散化误差 |
| 非凸模型局部收敛 | 迭代到达满足局部条件的解 | 初值、局部条件与全局最优差距 |
| 学习与数值实验 | 候选机制在指定样本或校准中表现良好 | 样本外偏离、分布变化与误差证据 |
7简单菜单的近似保证依赖估值分布
简单机制的研究把精确最优目标改为可量化的收益近似。 对一个非负加性买者，当各物品估值独立时，Babaioff、Immorlica、Lucier 与 Weinberg 的结果表明，在分别定价与整体捆绑中事先选择预期收益较高的一种，可以保证至少取得最优收益的六分之一。 分别定价使用各物品的最优单品价格，整体捆绑则选择总估值的最优报价；选择依据是已知分布，而非买者报告之后临时改变规则。 （Babaioff 等，2020；会议版本为 2014 年）
$$ \max\{\operatorname{SREV},\operatorname{BREV}\} \geq\frac{1}{6}\operatorname{OPT}. $$六分之一是所引定理的最坏情形保证，不是通常收益损失的估计，也不是对所有应用声称的最佳常数。 Babaioff、Gonczarowski 与 Nisan（2022）进一步证明，对固定物品数及任意给定近似精度，独立加性估值下存在仅依赖物品数与精度的有限菜单规模，使收益任意接近最优。 有限菜单的存在并不表示三五档方案总是足够，也不表示菜单规模或构造时间对维度总是多项式。 （Babaioff、Gonczarowski 与 Nisan，2022；2021 年在线发表）
估值之间允许任意相关时，有限菜单的统一保证可以失效。 Hart 与 Nisan（2019）证明，在不附加统一有界性等限制的相关估值类中，即使只有两个物品，任何预先固定的菜单规模都不能保证获得最优收益的某个正比例。 单个给定分布仍可能适合简单菜单；失效的是对整个广泛分布类同时成立的保证。 因此，合同档数的合理上限必须结合估值相关性、取值范围及允许的收益损失讨论。 （Hart 与 Nisan，2019）
菜单规模还需要与实际描述复杂度区分。 分别出售多件物品只需公布各件物品的价格，但若把每一种可购买子集都写成菜单项，菜单项数量会随物品数指数增长。 因而，“菜单项少”“报价规则短”与“计算时间短”是不同要求，评估制度复杂性时需要明确采用哪一种指标。 （Hart 与 Nisan，2019）
8信息结构可以改变简单机制的最优性
分布稳健机制设计改变了设计者所掌握的信息和评价机制的标准。 Carroll（2017）研究准线性、跨维度可加分离的环境，假定设计者知道各维私人信息的边际分布，却不知道联合分布，并按所有相容联合分布中的最坏预期利润评价机制。 在该模型的可分结构下，逐维分别筛选是最优的。 这一结果属于最大化最坏情形利润，不表示分别筛选对每一个已知联合分布都具有贝叶斯最优性。 （Carroll，2017）
精确信息的渐近分析提供另一类简单机制结果。 Frick、Iijima 与 Ishii（2026）考虑垄断者获得越来越丰富的消费者信号，在统计正则性条件下比较不同机制的收益向完全信息收益收敛的速度。 纯捆绑与最优机制具有相同的一阶收益缺口渐近项，而分别销售的相应系数较差。 这一结果解释了数据足够丰富时简单捆绑为何可能接近最优，但不声称任意有限信号数量下捆绑都精确最优。 （Frick、Iijima 与 Ishii，2026）
稳健筛选与精确信息下的捆绑结果共同说明，制度结构不能脱离信息环境判断。 当设计者只了解边际分布、必须防范未知相关性时，分别筛选可以最优；当设计者的后验信息逐渐集中时，捆绑可以达到最优的一阶渐近表现。 两项结论采用不同的信息假设与最优性标准，因此并不冲突。
9最优税收需要同时处理私人类型与可观察税基
多维最优税收包含两种维度：纳税人的私人特征维度，以及政府能够观察并据此征税的收入维度。 劳动能力和劳动偏好可以都不可观察，但政府只观察总收入；夫妻双方的收入或劳动与资本收入，则可能构成多个可观察税基。 两种维度未必相同，所以私人类型多维并不意味着政府可以直接对每个私人特征分别征税。 税收模型还需要明确资源约束、社会福利权重，以及哪些身份特征可以合法地进入税制。 （Spiritus 等，2025）
Spiritus、Lehmann、Renes 与 Zoutman（2025）在平滑性及多维单交叉等条件下，比较机制设计与税制扰动两条求解路线。 当可观察收入数与不可观察特征数相等时，两种方法导出的最优税收条件一致；论文同时提出数值方法，并给出使必要条件成为充分条件的原始条件。 这些结论依赖其光滑配置框架，不能直接覆盖所有存在混同、跳跃或离散职业选择的税收模型。 （Spiritus 等，2025）
职业选择和一般均衡会使税收问题增加新的非凸性。 Ceneri、Lopomo、Villa 与 Werquin 的 2026 年 5 月工作论文，把劳动技能与创业能力作为私人信息，在带风险的创业选择和市场出清条件下采用随机合同的线性优化表示，并通过约束生成补入被违反的全局激励约束。 论文在所校准的经济中发现，部分关键的非局部模仿关系集中在职业选择边界附近。 该方法展示了对非凸经济环境开展数值分析的可能性，但允许随机合同的结果不能未经检验就解释为确定性税表的解。 （Ceneri 等，2026，工作论文）
税收分析中的数学突破可以扩大被纳入比较的机制集合，并减少预先限定税表形状造成的偏差。 税收分析中的福利目标仍然决定如何评价不同人的消费、劳动和信息租金；类型联合分布、劳动供给反应与生产技术则决定政策的定量结果。 因此，一般求解方法的进步能够支持条件明确的政策比较，而不会独立于上述选择产生一个普遍适用的最佳税率。
10保险研究连接合同结构、近似方法与数据识别
保险需求通常同时取决于损失风险、风险厌恶和财富等因素。 Olivella 与 Schroyen（2014）在风险水平与风险厌恶各有两个取值的垄断保险模型中，刻画可能的最优菜单，并说明完全分离并非最优。 在相应参数条件下，较低风险但更厌恶风险的人，可能购买比某些高风险人更多的保障。 因而，保障程度不能在多维模型中直接解释为风险类型的单调指标。 （Olivella 与 Schroyen，2014）
Chade、Marone、Starc 与 Swinkels 的 2026 年修订稿研究多维私人信息下的质量—价格菜单，并应用于健康保险。 论文把保单保障慷慨程度表示为一个质量指标，用需求剖面方法把菜单选择改写成逐档质量增量的定价问题。 增量价值之间的相关性满足相应条件时，分解可以给出原问题的精确解；较弱条件下，论文提供近似分析。 类型可以多维，但合同质量在这一框架中沿单一方向排列，这一结构是可处理性的来源之一。 （Chade 等，2026，6 月 30 日工作论文）
Chade 等的健康保险校准分析使用与美国 65 岁以下人口特征相匹配的模拟消费者，并比较不同设计者目标。 在该分析中，需求剖面方法得到的设计者目标值与完整问题的差距在 1% 以内；5 档质量方案取得超过 65 档方案目标值的 98%。 这两项比较分别衡量分解方法的近似误差和质量档数减少的损失，不能相互替代。 65 档方案也不等于已经获得无限菜单的精确最优值；上述百分比属于所校准模型的结果，并非所有保险市场的统一界。 （Chade 等，2026，引言及数值分析）
保险应用中的准线性假设需要结合效用建模方式判断。 一般期望效用保险模型中，保费改变财富，风险厌恶又影响不同损失状态的边际效用，所以保费未必能作为净效用中的线性减项。 Chade 等采用以支付意愿表示的准线性质量模型，因此不能把该模型的算法直接视为处理任意财富效应的通用保险求解器。 更一般的非准线性环境已有存在性研究，但结构刻画与计算保证仍需单独建立。 （Carlier 与 Zhang，2020； Chade 等，2026）
私人类型联合分布的识别是连接理论机制与真实数据的另一项要求。 Aryal、Perrigne、Vuong 与 Xu（2025）证明，在其保险模型的排除限制和充分支持条件下，可以利用理赔次数等信息，非参数识别风险与风险厌恶的联合分布，即使有限保单导致不同类型混同。 这项成果说明，合同选择之外的数据可以帮助识别私人异质性；结论仍然依赖具体识别条件，不能从几档合同的选择频率直接读出全部私人类型。 （Aryal 等，2025）
11研究前沿是结构刻画与可验证计算的结合
| 研究方向 | 已有进展 | 尚需推进的问题 |
|---|---|---|
| 可实施性与存在性 | 循环单调性、广义凸性和一般存在性定理 | 更一般偏好下便于检验和计算的刻画 |
| 混同与自由边界 | 经典二维正方形族的解描述及边界正则性进展 | 非均匀分布、非二次成本和更高维的结构 |
| 最优传输与对偶 | 收益上界与最优性证据 | 可有效构造和核验的高维对偶对象 |
| 简单机制 | 独立估值近似界、有限菜单与信息渐近结果 | 相关分布与实际合同限制下的可用误差界 |
| 政策计算 | 多税基模型、保险菜单及约束生成方法 | 联合控制激励、离散化、估计和实施误差 |
多维合同结构的进一步刻画，需要说明哪些原始条件决定混同组的形状、维数与边界，以及这些结构如何随分布和成本改变。 经典二维例子的进展表明，凸分析与自由边界方法已经能够处理曾长期依赖数值描述的部分问题。 从特定模型扩展到可供政策研究使用的模型族，仍然需要把几何正则性转化为稳定的求解与误差控制方法。
可验证计算需要报告候选机制的可行性、全局收益差距和近似来源。 对有限类型模型，需要检验全部允许报告之间的策略偏离；对连续类型模型，还需要处理网格之间的类型与报告。 对估计得到的类型分布，需要进一步考察分布变化是否改变紧约束、混同区域和政策排序。 原始—对偶界、约束生成、自适应凸性离散和统计识别分别解决其中的一部分，尚不能仅凭一次数值收敛就认为全部问题都已解决。
多维最优机制设计的政策意义，在于使制度比较能够容纳更多异质性、策略反应与合同选择。 数学理论负责说明约束如何共同作用、哪些结构可以证明，以及求解误差能否受到控制。 经济分析则需要规定福利目标、选择可实施工具并识别现实参数；只有把这些部分结合起来，理论最优与少数几档现实方案之间的差距才具有可解释的政策含义。
12参考文献
参考文献按基础理论、数学方法、算法与应用分组顺序列出。 正式期刊年份与在线发表年份分别注明；预印本和工作论文的日期用于固定本文核对的结果。
- Mirrlees, J. A.（1971）. An Exploration in the Theory of Optimum Income Taxation. The Review of Economic Studies，38（2），175–208。
- Myerson, R. B.（1981）. Optimal Auction Design. Mathematics of Operations Research，6（1），58–73。
- Rochet, J.-C.（1987）. A Necessary and Sufficient Condition for Rationalizability in a Quasi-Linear Context. Journal of Mathematical Economics，16（2），191–200。
- Rochet, J.-C.（2024）. Multidimensional Screening After 37 Years. Journal of Mathematical Economics，113，103010。
- Armstrong, M.（1996）. Multiproduct Nonlinear Pricing. Econometrica，64（1），51–75。
- Rochet, J.-C., & Choné, P.（1998）. Ironing, Sweeping, and Multidimensional Screening. Econometrica，66（4），783–826。
- Carlier, G.（2001）. A General Existence Result for the Principal-Agent Problem with Adverse Selection. Journal of Mathematical Economics，35（1），129–150。
- Carlier, G., & Zhang, K. S.（2020）. Existence of Solutions to Principal–Agent Problems with Adverse Selection under Minimal Assumptions. Journal of Mathematical Economics，88，64–71。
- Figalli, A., Kim, Y.-H., & McCann, R. J.（2011）. When Is Multidimensional Screening a Convex Program? Journal of Economic Theory，146（2），454–478。
- McCann, R. J., & Zhang, K. S.（2024）. A Duality and Free Boundary Approach to Adverse Selection. Mathematical Models and Methods in Applied Sciences，34（12），2351–2394。
- McCann, R. J., Rankin, C., & Zhang, K. S.（2025）. The Monopolist’s Free Boundary Problem in the Plane. arXiv:2412.15505v2，2025-04-24，预印本；首版发表于 2024-12-20。
- McCann, R. J., O’Brien, L. D., & Rankin, C.（2026）. On the Hausdorff Dimension and Singularities of the Monopolist’s Free Boundary Curve. arXiv:2603.14100v1，2026-03-14，预印本。
- Daskalakis, C., Deckelbaum, A., & Tzamos, C.（2017）. Strong Duality for a Multiple-Good Monopolist. Econometrica，85（3），735–767。
- Cai, Y., Daskalakis, C., & Weinberg, S. M.（2012）. Optimal Multi-Dimensional Mechanism Design: Reducing Revenue to Welfare Maximization. FOCS 2012，130–139。
- Daskalakis, C., Deckelbaum, A., & Tzamos, C.（2014）. The Complexity of Optimal Mechanism Design. SODA 2014，1302–1318。
- Babaioff, M., Immorlica, N., Lucier, B., & Weinberg, S. M.（2020）. A Simple and Approximately Optimal Mechanism for an Additive Buyer. Journal of the ACM，67（4）。会议版本发表于 FOCS 2014。
- Babaioff, M., Gonczarowski, Y. A., & Nisan, N.（2022）. The Menu-Size Complexity of Revenue Approximation. Games and Economic Behavior，134，281–307。2021 年在线发表。
- Hart, S., & Nisan, N.（2019）. Selling Multiple Correlated Goods: Revenue Maximization and Menu-Size Complexity. Journal of Economic Theory，183，991–1029。
- Carlier, G., Dupuis, X., Rochet, J.-C., & Thanassoulis, J.（2024）. A General Solution to the Quasi Linear Screening Problem. Journal of Mathematical Economics，114，103025。
- Mirebeau, J.-M.（2016）. Adaptive, Anisotropic and Hierarchical Cones of Discrete Convex Functions. Numerische Mathematik，132，807–853。2015 年在线发表。
- Dütting, P., Feng, Z., Narasimhan, H., Parkes, D., & Ravindranath, S. S.（2019）. Optimal Auctions through Deep Learning. Proceedings of Machine Learning Research，97，1706–1715。
- Carroll, G.（2017）. Robustness and Separation in Multidimensional Screening. Econometrica，85（2），453–488。
- Frick, M., Iijima, R., & Ishii, Y.（2026）. Multidimensional Screening With Precise Seller Information. Econometrica，94（1），35–70。
- Spiritus, K., Lehmann, É., Renes, S., & Zoutman, F. T.（2025）. Optimal Taxation with Multiple Incomes and Types. Theoretical Economics，20（2），543–581。
- Ceneri, N., Lopomo, G., Villa, A. T., & Werquin, N.（2026）. Taxing Entrepreneurs and Workers: A Linear Optimization Approach for Multidimensional Screening. Federal Reserve Bank of Chicago，Working Paper 2026-06，2026 年 5 月修订。
- Olivella, P., & Schroyen, F.（2014）. Multidimensional Screening in a Monopolistic Insurance Market. The Geneva Risk and Insurance Review，39（1），90–130。
- Chade, H., Marone, V. R., Starc, A., & Swinkels, J.（2026）. Multidimensional Screening for Quality with an Application to Health Insurance. Cowles Foundation Discussion Paper 2541，2026-06-30。相关 NBER Working Paper 30542 始于 2022 年，2026 年 6 月修订。
- Aryal, G., Perrigne, I., Vuong, Q., & Xu, H.（2025）. Econometrics of Insurance with Multidimensional Types. Quantitative Economics，16（1），267–294。