Extreme Points and Large Contests

1. Il Problema e il Contesto

Il paper si inserisce nella teoria dei concorsi (contests), un quadro unificante per modellare ambienti economici in cui agenti competono per premi. Mentre la letteratura classica si concentra su un numero finito di agenti, questo lavoro analizza i concorrenzi su larga scala (large contests), caratterizzati da una massa continua di agenti (misura uno).

L'obiettivo principale è caratterizzare la regola di allocazione ottimale ($q$) per un designer del concorso che possiede preferenze distributive specifiche. La regola di allocazione mappa le prestazioni (o lo sforzo) degli agenti, potenzialmente rumorose, nella probabilità di vincere un premio, soggetta a un vincolo di budget (una massa totale di vincitori pari a $k \in (0,1)$).

Il paper mira a rispondere a due domande fondamentali:

1. Qual è la forma strutturale della regola di allocazione ottimale per una vasta classe di preferenze del designer?
2. Come si semplificano le analisi di equilibrio in questi giochi con informazione completa o incompleta?

2. Metodologia e Strumenti Matematici

L'approccio metodologico si basa su due pilastri principali: la geometria degli insiemi convessi e la teoria dell'ottimizzazione funzionale.

• Caratterizzazione dei Punti Estremi: Il cuore teorico del lavoro è la caratterizzazione dei punti estremi di un insieme specifico di funzioni monotone multidimensionali.

  • Si definisce l'insieme $\mathcal{F}$ di funzioni monotone $f: X \times \Delta(X) \to [0,1]$, dove $X$ è lo spazio degli sforzi e $\Delta(X)$ lo spazio delle misure di probabilità (distribuzione degli sforzi degli altri agenti).
  • Si considera il sottoinsieme $\mathcal{F}^*$ vincolato da una condizione di budget: $\int_X f(x, \mu) d\mu(x) \leq k$.
  • Utilizzando risultati di [Win88] e [YY25], l'autore dimostra che i punti estremi di $\mathcal{F}^*$ sono combinazioni convesse di al massimo due indicatori di "insiemi superiori" (up-sets), ordinati per inclusione.

• Principio di Massima di Bauer e Ordine di Majorizzazione:

  • Per massimizzare un funzionale obiettivo del designer $\Pi$, l'autore applica il Principio di Massima di Bauer, che garantisce che i massimizzatori di una funzione convessa su un insieme compatto e convesso si trovino tra i suoi punti estremi.
  • Si utilizza la relazione di majorizzazione ($\succ$) definita da [FL54]. Il teorema di [FL54] stabilisce che un funzionale è monotono rispetto alla majorizzazione se e solo se il kernel è convesso e supermodulare. Questo permette di restringere la ricerca della soluzione ottima alle funzioni "a gradini" (step functions).

3. Risultati Principali

A. Teorema dei Punti Estremi (Teorema 1)

L'insieme dei punti estremi di $\mathcal{F}^*$ è costituito da funzioni della forma:
$$f^*(x, \mu) = \lambda \mathbb{I}_{A_1} + (1-\lambda) \mathbb{I}_{A_2}$$
dove $A_1 \subseteq A_2$.
Interpretazione: Le regole di allocazione ottimali sono funzioni a gradini con al massimo due salti. Questo significa che la probabilità di vincita può assumere al massimo tre valori distinti (0, $\alpha$, 1) basati su soglie di prestazione.

B. Progettazione Ottimale del Concorso (Teorema 3)

Applicando i risultati matematici al contesto dei concorsi, l'autore caratterizza la regola di allocazione ottima $q^*$ in base alla funzione di preferenza $\pi(x)$ del designer (che pesa il benessere o il successo degli agenti):

1. $\pi(x)$ crescente (preferenza per i migliori): La regola ottima è una soglia singola. Gli agenti con sforzo $x > \tilde{x}$ vincono con probabilità 1, gli altri con probabilità 0.
   • Risultato di Equilibrio: In informazione completa, questo induce un equilibrio "tutto o niente": una frazione $k$ di agenti esercita lo sforzo massimo, mentre il resto non partecipa.
2. $\pi(x)$ decrescente (preferenza per l'uguaglianza o riduzione dello spreco di risorse): La regola ottima è una lotteria uniforme. Ogni agente vince con probabilità costante $k$, indipendentemente dallo sforzo.
3. $\pi(x)$ non monotona (es. preferenze distributive complesse): La regola ottima è uno schema a due soglie (o tre livelli).
   • $q^*(x) = 1$ se $x > x''$
   • $q^*(x) = \alpha$ se $x' \leq x \leq x''$
   • $q^*(x) = 0$ se $x < x'$
   • Questo schema permette al designer di indurre un livello di sforzo intermedio, evitando l'effetto di "corsa al vertice" (all-out race) tipico delle soglie singole.

C. Informazione Incompleta (Corollario 1)

Il risultato si estende al caso in cui la prestazione è rumorosa (funzione di distribuzione $F(x, \mu)$). La struttura ottima della regola di allocazione rimane invariata. Questo fornisce una fondazione teorica alle Random Performance Functions (RPF) introdotte da [AC24], mostrando che sono ottimali quando il designer ha preferenze crescenti sulla performance.

D. Estensioni

• Funzioni Obiettivo Generali: I risultati valgono anche se il designer massimizza una misura aggregata dello sforzo totale (Lemma 1).
• Vincoli di Diversità: Il modello può essere adattato per includere vincoli di quota su sottogruppi di agenti (es. studenti stranieri vs nazionali), riducendo il problema a due sottoproblemi indipendenti.
• Livelli Multipli di Premio: Si dimostra che, data la concavità della funzione di valore del premio rispetto alla massa di vincitori, non vi è perdita di generalità nel considerare un singolo livello di premio aggregato.

4. Significato e Contributi

1. Fondazione Economica per Schemi a Due Livelli: Il paper fornisce una giustificazione teorica rigorosa per l'uso di schemi di allocazione ibridi (deterministico + lotteria) osservati nel mondo reale, come le ammissioni universitarie in Europa (es. Olanda, Germania) o i bandi di finanziamento (es. SNSF in Svizzera). Spiega perché queste strutture emergono come ottimali per certi obiettivi distributivi.
2. Semplificazione dell'Analisi di Equilibrio: Dimostrando che le regole ottimali sono funzioni a gradini con al massimo due salti, l'analisi degli equilibri nei giochi a informazione completa diventa drasticamente più semplice rispetto ai modelli classici con agenti finiti, dove le strategie possono essere complesse e continue.
3. Nuovo Risultato Matematico: La caratterizzazione dei punti estremi per funzioni monotone che dipendono dalla distribuzione globale degli agenti (e non solo dal tipo individuale) è un contributo originale alla letteratura matematica applicata all'economia, distinguendosi dai lavori precedenti basati sul principio di rivelazione in contesti con tipi indipendenti.
4. Ponte tra Teoria dei Giochi e Meccanismi di Selezione: Il lavoro collega la teoria dei concorsi alla progettazione di meccanismi di selezione (admissioni, funding), mostrando come la struttura del premio possa essere utilizzata strategicamente per modulare l'intensità della competizione.

In sintesi, il paper dimostra che in un ambiente di concorrenza su larga scala, la complessità apparente della progettazione di meccanismi si riduce a una scelta strutturale semplice: soglie deterministiche, lotterie uniformi o schemi ibridi a due soglie, a seconda delle preferenze distributive del decisore.