📈 economics

Labels

本文分析了具有成本自选择情形下的最优分类问题，论证了精确认证是低效的，并且通过将最低质量的代理人进行合并或使用有限数量的类别，通过平衡信号成本与决策价值，可以实现效率最大化。

原作者： Mark Whitmeyer

发布于 2026-06-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Mark Whitmeyer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个每个人都在试图证明自己有多优秀的场景：学生想要展示自己学到了最多的知识，劳动者想要证明自己是最难以被取代的，而餐厅则想要展示自己提供的是最棒的食物。为了实现这一目标，他们会赚取“标签”：成绩、职位头衔、信用评分或星级评价。

通常，我们认为这些标签仅仅是信息。一个“五星级”评价告诉我们一家餐厅很棒。但这篇文章认为，标签也是奖品。一旦标签存在，人们就会投入金钱、时间和精力仅仅为了获得它。他们会去“攀爬标签的阶梯”，即便这种攀爬既昂贵又浪费。

作者马克·惠特迈尔（Mark Weber）提出了一个简单的问题：谁来建造这把阶梯上的横档？ 如果一个机构（如学校或评级机构）有权决定精确创造多少个标签以及由谁获得，那么最好的方式是什么？

以下是利用简单类比对该论文研究结果的解读：

1. 问题所在：“完美”的阶梯成本太高

想象一所学校，它根据每个学生的精确测试分数，给予每一个学生一个独特的、精确的成绩。学生 #1 得了 99.1 分，学生 #2 得了 99.0 分，以此类推。

收益： 老师确切地知道谁是谁。
成本： 为了获得那微小的 0.1 分差距，学生可能会花费数小时学习、聘请昂贵的家教，或者让自己压力倍增。区分两个非常相似的学生之间的“成本”是巨大的，因为他们必须努力工作，仅仅是为了比身边的邻居稍微领先一点点。

论文指出，这种“完美”的系统是低效的。 它在微小的差异上浪费了过多的能量。

2. 解决方案：模糊底层横档

论文的核心发现是，最好的系统并不是给每个人一个独特的标签。相反，机构应该将底层群体合并在一起。

类比：
想象一个阶梯，底部的 10% 的横档被粘在一起，变成了一个巨大的、平坦的平台。

底层群体： 底层 10% 的所有人都会得到相同的标签（例如，“需改进”）。他们不必为了比旁边的同伴稍微好一点点而互相竞争。他们只需留在平台上即可。
顶层群体： 在该底层 10% 之上的每个人都会获得自己独特的、精确的标签。

为什么这样更好？

节省成本： 最底层的人通常彼此非常相似。强迫他们在微小的差别中进行竞争，其代价（信号成本）巨大，但带给接收者（老师或雇主）的新信息却很少。通过将他们合并，你可以节省大量的无效努力。
损失极小： 因为底层的人如此相似，即使老师不知道其中谁是第 1 名、谁是第 2 名，损失的信息价值也非常微小。这种信息的“损失”与节省下来的巨大精力相比，几乎可以忽略不计。

论文称之为**“下限审查”（Lower Censorship）**。这并不是关于隐藏真相；而是意识到在最底层，真相的代价并不值得。

3. 为什么不模糊顶端？

你可能会问：“为什么不把顶层 10% 模糊掉呢？”

原因： 顶层的人通常是最具竞争力的。如果你模糊了顶端，你就停止了对最高位置的争夺。但论文表明，区分表现最差的人其实是整个系统中成本最高的部分。
逻辑： 模仿上方的人所产生的压力在底层是最强的。如果你仅仅是勉强不及格，你会付出极大的努力只为达到及格线。如果你已经处于顶端，试图与紧随其后的那个人拉开差距的压力就会减弱。因此，通过停止底层的竞争，你可以节省最多的资金。

4. 应该有多少个标签？

论文还问道：“我们应该拥有数百万个微小的标签，还是只有几个大的标签？”

研究结果： 如果创造一个新区别的成本很高（这通常是事实），那么最优的系统将仅拥有极少数的类别。
隐喻： 把它想象成一份菜单。如果你有 1,000 种不同容量的咖啡（12.0 盎司、12.1 盎司、12.2 盎司……），顾客会花上一整天时间去琢磨自己需要哪一种，而咖啡师也会精疲力竭。更好的做法是只提供“小杯”、“中杯”和“大杯”。论文从数学上证明，在适当的条件下，一个拥有有限数量标签的系统总是优于一个拥有无限微小差异的系统。

5. 锦标赛案例

论文还研究了“赢家通吃”的情况，比如一场只有第一名能获得奖品的比赛。

结果： 即使是在一场只有冠军能拿到奖杯的竞赛中，同样的规则也适用。最好为底层群体设立一个“参与标签”（这样他们就不会为了一个无法赢得的机会而浪费精力），然后为顶尖位置设立一场清晰的竞赛。分辨出第 45 名和第 46 名所带来的“收益”（信息价值）并不值得为此付出的“挤压”（证明自己的能量）。

总结

论文告诉我们，完美的信息往往过于昂贵。
当我们设计评分、招聘或评价系统时，我们不应该试图完美地区分每一个人。相反，我们应该接受底层群体是一个模糊的概念。通过给底层群体一个单一的、共享的标签，我们可以节省每个人巨大的努力和压力，同时仍能给予顶尖表现者他们所需的认可，让他们得以攀登阶梯。

黄金法则： 不要建造一个底部有着百万个微小横档的阶梯。把底部的横档粘在一起，让顶部的横档高高耸立。

技术摘要：“标签”（Labels）—— 马克·惠特迈尔（Mark Whitmeyer）

问题陈述
本文探讨了公共标签（如成绩、凭证、分数和评级）的设计问题，因为这些标签具有双重功能：它们既向接收者传达代理人的质量信息，又作为代理人竞相获取的奖赏。与旨在纯粹揭示信息的标准信息设计问题不同，本框架认识到，创造差异（即建立一个“阶梯上的横档”）会诱发代理人高昂的自我选择成本。代理人为跨越类别边界以获得更高的后验均值（从而获得更高的私人收益），会投入大量资源。核心问题在于：哪些差异是值得构建的？ 具体而言，本文研究了当标签必须通过有成本的行为来获取时，最优的分类规则是什么，并探讨了完全透明（精确认证每一种类型）是否有效，或者更粗略的、“有噪声”的通信是否能提高社会福利。

方法论与框架
作者建立了一个涉及三方参与的信号环境：发送者（拥有代表质量分位数的私有类型 $q \in [0,1]$ ）、接收者以及信息设计者。

发送者： 选择一种有成本的行为 $a$ 。成本为 $aS(x(q)) $，其中$ x(q) $是质量，$ S(\cdot) $是严格递减的成本函数。发送者的收益为$ b(m) - \text{cost} $，其中$ m$ 是接收者的质量后验均值。
接收者： 根据后验均值获得价值 $r(m)$ 。
设计者： 承诺一种确定性的认证技术 $\gamma$ ，将行为映射到公共证书。

分析过程通过将设计问题简化为对可容性信号 $M(q)$ 的选择来进行，该信号代表了类型 $q$ 所诱发的后验均值。该信号必须是单调不减且符合贝叶斯合理性的（即 $M = E[x|M]$ ）。

关键简化： 作者推导出了一个“差异成本”（cost-of-distinctions）公式（命题 3.1）。给定信号 $M$ 的最小预期实现成本 $K(M)$ 可以表示为一个涉及模仿压力 $L(q)$ 和类别边界处发送者收益跳跃的积分：
$K(M) = \int_{(0,1]} L(q) \, d[b(M(q))]$
其中 $L(q) = \frac{\int_q^1 S(x(t))dt}{S(x(q))}$ 。该公式将差异的成本等同于“价格”，即模仿压力乘以私人奖赏的跳跃值。

核心贡献与结果

完全认证的低效性：
本文证明，完全认证（即每种类型都被完美区分， $M(q)=x(q)$ ）通常是次优的。
- 定理 4.1： 在满足平滑性假设且存在正向准入门槛的情况下，将底部的微小区间 $[0, \epsilon]$ 进行池化（pooling），并对 $\epsilon$ 以上的所有类型进行完全认证，其产生的福利高于完全认证。
- 机制： 池化底层类型可以节省一阶信号成本，因为它消除了认证阶梯上的第一个横档，从而放宽了更高类型对行动的要求。由于被池化的类型在质量上非常接近，其造成的平均误差是高阶的，因此损失的接收者价值相对于节省的信号成本而言可以忽略不计。
下限审查（Lower Censorship）的最优性：
本文确定了在何种条件下，这种底部池化策略不仅是一种改进，而且是全局最优的设计。
- 命题 4.2 与推论 4.3： 如果模仿压力 $L(q)$ 关于分位数是凸的，接收者价值 $r(m)$ 关于后验均值是凸的，且发送者利害关系 $b(m)$ 是弱凹的（收益递减），那么下限审查是最优的。这种设计由一个针对区间 $[0, c^*]$ 的免费默认标签，以及随后对所有类型高于 $c^*$ 的类型进行完全认证组成。
- 直觉： 在这些条件下，任何非初始的池化区间都劣于完全认证。唯一存续的池化是初始池化，它充当了“免费默认值”，以避免区分最低类型所带来的高昂边际成本。
有限最优性：
- 定理 6.4： 本文提供了充分条件（假设 6.1），使得每一个最优分类都使用有限数量的类别。如果对足够小区间进行的二分拆分在局部上是浪费的（即接收者从更精细的精度中获得的收益，被发送者维持新差异的成本所抵消），那么任何最优信号都必须具有有限的本质值域。类别的数量受限于 $1 + 2/\delta$ 。
稳健性与扩展：
- 一般偏好（第 5 节）： 即使接收者的收益不是后验均值的函数，而是后验分布的连续函数，完全认证是次优的这一结论依然成立（命题 5.1）。
- 信号锦标赛（第 7 节）： 这些见解也适用于胜者全得制的锦标赛（命题 7.1）。即使奖项是在 $n$ 名候选人之间通过锦标赛产生的，完全认证仍然是次优的；池化底层类型可以提高福利，因为区分最差类型的社会价值低于维持该差异的成本。

意义与主张
本文声称为最优信息设计提供了一种“成本驱动的认证解释”（costly-certification interpretation）。它指出，当信息设计诱发成本行为时，标准的直觉——即更多信息总是更好的——便失效了。其主要贡献在于识别出一种稳健的、结构性的改进方案：抹除或模糊掉阶梯的最底层。

作者认为，这项工作并非要重新发现“粗略通信是有价值的”（这在关于中间人、操纵和排名披露的文献中已有论述），而是要具体刻画出哪些差异应该被消除。本文断言，当标签作为奖赏时，机构不应仅仅是“揭示”信息，而应战略性地选择构建哪些“横档”。研究发现，一个“免费默认值”后接完全认证的设计通常是最优的，这为实践中将低质量代理人归入通用的“失败”或“未验证”类别，而对高质量代理人进行完全区分的做法提供了理论依据。

本文得出结论，对于最差的类型来说，“投入产出比并不划算”：通过自我选择来区分他们的成本，超过了接收者所获得的精度增益。