说服

说服 (Persuasion)

说服（Persuasion）在经济学中特指信息设计（Information Design）或贝叶斯说服（Bayesian Persuasion）框架，由 Kamenica 和 Gentzkow (2011) 系统建立。该框架研究一个拥有信息优势的发送者（Sender）如何通过策略性地设计信号结构来影响接收者（Receiver）的信念与行动，从而最大化自身期望收益。与传统信号传递（Signaling）模型不同，贝叶斯说服中的发送者在观察到真实状态之前就承诺一个信息公开规则，这使其成为研究广告、政治宣传、产品信息披露、法庭辩论和评级机构行为的统一理论工具。

基本模型

贝叶斯说服模型包含三个核心要素：

状态空间与先验

世界的真实状态 $\omega \in \Omega$ 服从共同先验分布 $\mu_0 \in \Delta(\Omega)$，其中 $\Omega$ 为有限状态空间。发送者和接收者共享此先验，但只有发送者能获取关于 $\omega$ 的更精确信息。

信息结构

发送者在观察到 $\omega$ 之前，承诺一个信息结构（Information Structure）或实验（Experiment），定义为一组条件分布 $\pi: \Omega \to \Delta(S)$，其中 $S$ 为信号实现集。当真实状态为 $\omega$ 时，接收者以概率 $\pi(s \mid \omega)$ 观察到信号 $s$。接收者根据信号 $s$ 按贝叶斯规则更新后验信念 $\mu_s \in \Delta(\Omega)$。

收益与均衡

接收者观察到信号 $s$ 后，选择行动 $a \in A$ 最大化期望效用 $\mathbb{E}_{\mu_s}[u_R(a, \omega)]$。发送者的收益 $v(a, \omega)$ 依赖于接收者的行动和真实状态。发送者的目标是选择信息结构以最大化事前期望收益 $\mathbb{E}_{\pi}[v(a^*(s), \omega)]$。

贝叶斯可信性与凹化

贝叶斯说服的核心洞察是：发送者的信息设计受到贝叶斯可信性（Bayes-Plausibility）约束——所有后验信念的期望必须等于先验信念，即 $\mathbb{E}_{\pi}[\mu_s] = \mu_0$。这一约束等价于说发送者不能凭空创造信息，只能通过"加噪"来部分揭示已有信息。

给定贝叶斯可信性，发送者的优化问题可通过凹化（Concavification）技术求解。定义发送者的价值函数 $\hat{v}(\mu) = \mathbb{E}_{\mu}[v(a^*(\mu), \omega)]$，其中 $a^*(\mu)$ 是接收者在后验 $\mu$ 下的最优行动。发送者可实现的最高期望收益等于 $\hat{v}$ 在 $\mu_0$ 处的凹化值 $\operatorname{cav}(\hat{v})(\mu_0)$，即 $\hat{v}$ 的凹包在 $\mu_0$ 处的取值。若 $\hat{v}$ 在 $\mu_0$ 处已是凹的，发送者无法通过信息披露获益，此时最优策略是提供无信息信号（完全保密）。若 $\hat{v}(\mu_0) < \operatorname{cav}(\hat{v})(\mu_0)$，则发送者可通过设计信号严格获益。

经典示例：检察官与法官}\label{sec:prosecutor

Kamenica 与 Gentzkow (2011) 的经典例子：检察官（发送者）试图说服理性法官（接收者）给被告定罪。被告要么有罪（$\omega = G$）要么无罪（$\omega = I$），先验 $\mu_0(G) = 0.3$。法官偏好"有罪时定罪、无罪时开释"，但检察官不论真相如何都希望定罪。法官只有在后验 $\mu(G) \geq 0.5$ 时才会定罪。检察官可以设计调查程序（信息结构）。

价值函数 $\hat{v}(\mu)$ 在 $\mu < 0.5$ 时为 $0$，在 $\mu \geq 0.5$ 时为 $1$，呈阶梯状。凹化后，检察官可在 $\mu_0 = 0.3$ 处实现期望收益 $0.3 / 0.5 = 0.6$——方法是以概率 $0.6$ 发送"有罪信号"（后验恰好为 $0.5$），以概率 $0.4$ 发送"无罪信号"（后验为 $0$）。这使得法官在 $60\%$ 的案件中刚好愿意定罪，远超无信息时的零定罪率。

应用领域

广告与市场营销

企业通过选择性地披露产品属性信息来说服消费者购买。模型中企业为发送者，消费者为接收者。若产品为体验品，企业最优策略可能是提供含噪的正面信号，使消费者的后验期望刚好超过购买阈值。

金融监管与压力测试

银行压力测试可被建模为说服问题：监管者（发送者）设计披露规则以影响市场参与者（接收者）对银行健康状况的信念，从而平衡金融稳定与市场恐慌。Orlov et al. (2021) 将此推广至竞争性发送者场景。

评级机构与信息披露

信用评级机构选择评级颗粒度（信息结构）以最大化被评级方的支付意愿或自身声誉。评级尺度的粗化或细化即为信息结构的选择。

媒体与政治传播

媒体通过事实选择与框架设定影响受众的后验信念。政治候选人设计竞选信息以说服中间选民。Gentzkow 与 Kamenica (2017) 将模型扩展至多个发送者相互竞争的场景，揭示了竞争未必增加信息总量的反直觉结论。

扩展与前沿

贝叶斯说服框架已从单一发送者、单一接收者的基准模型扩展至多维度方向：

• 多发送者竞争：多个发送者同时或序贯设计信息结构，可能产生策略互补或替代效应。
• 动态说服：信息随时间逐步揭示，发送者可利用接收者的学习过程进行动态优化。
• 接收者私有信息：接收者在接收信号前已持有私有信息（如偏好或先验），发送者需设计稳健的信号机制。
• 信息获取成本：发送者可以付出成本获取更精确的状态信息，而后设计披露规则，形成双层优化。

局限与批评

贝叶斯说服框架依赖发送者的事前承诺能力（Commitment Power）：发送者必须在观察状态之前锁定信息结构。若缺乏承诺，模型退化为廉价交谈（Cheap Talk，Crawford \& Sobel 1982），信息传递效率显著降低。经验应用中，承诺能力的强弱因场景而异——如法庭举证规则具有强承诺特征，而政客的竞选承诺则更接近廉价交谈。

此外，该框架假设接收者为完全理性的贝叶斯更新者。当接收者具有有限理性、有限记忆或非贝叶斯更新行为时，说服的最优策略可能偏离基准结论。行为经济学中的有限注意力模型（如 Gabaix 2019）和信息规避（Information Avoidance）为此提供了替代建模路径。

尽管如此，贝叶斯说服已成为信息经济学中继信号传递和甄别之后的第三大理论支柱，为理解不对称信息环境下的策略互动提供了不可或缺的分析框架。