Strategy in contests：an introduction（博弈论+机制设计） 综述论文摘录（持续更新）

一、基本信息

• 题目：竞赛中的策略：简介
• 作者：Kai A.Konrad

二、文章摘要

• 以下内容取自原文摘要部分：
• 竞赛是一个很常见的现象，在竞赛中参赛者为了获得奖励付出努力，奖励以某种函数关系分配给参赛者。竞赛的例子包含但不局限于：选美竞赛、升职竞赛、研发竞赛以及市场垄断地位竞争等等。我主要关注于竞赛设计方面，比如说奖励结构、序列、嵌入、重复、竞赛消融等等。很多关于竞赛性质本质的关键理解来源于本文。
• 个人总结：本文主要内容包括：竞赛理论常见应用领域、三种类型的竞赛（无噪声的一价全支付竞赛、有噪声的一价全支付竞赛、Tullock竞赛）、决策时序、均衡参与情况、代价函数设计、奖项结构设计、委派决策行为、外部性等内容。
• 何为竞赛？竞赛中有两类参与者，一是参赛者，二是竞赛设计者。对于参赛者来说，有利可图（期望收益为正）才会参赛，参赛者有两大特征：代价函数、胜利估值。此二项特征可公共已知、可私有、可同质、可异质，进而衍生出多种竞赛。竞赛设计者设计竞赛的目的是为了最大化目标函数，即设计最优竞赛，目标函数种类繁多，最常见的便是参赛者产生的努力总和。竞赛设计者需要为竞赛指定两大特征，一是奖项结构，二是竞赛成功函数（获奖概率），同时也是通过设计这两大特征来达成最优机制设计。参赛者有多种特殊的参赛方式，比如序贯博弈、委派决策、威逼利诱、合作坑害等等 。

三、内容摘录

3.1 Contest Definition

• 考虑最简单最通用的情况，参赛者 N = { 1 , . . . , n } N=\{1,...,n\} N={1,...,n}参与竞争奖项$B$，参赛者$i$付出努力$x_i$，所有参赛者的努力组合是 x = { x 1 , . . . , x n } x=\{x_1,...,x_n\} x={x1​,...,xn​}。竞赛成功函数（contest success function）描绘努力组合到获奖概率的映射关系，获奖概率符合如下约束：$0\le p_i\le 1\forall i,{\sum }_{i=1}^n{p}_i\le 1$。
  $$p_i=p_i(x_1,...,x_n)$$
• 如果所有参赛者的估值函数与代价函数都是异质的。$v_i(B)$表示参赛者$i$针对奖项$B$的估值，$C_i(x_i)$表示参赛者$i$付出努力$x_i$所产生的代价。那么，效用函数可以表示如下：
  $${\pi }_i(x_1,...,x_n)=p_i(x_1,...,x_n)v_i(B)-C_i(x_i)$$
• 总结来说，完整的竞赛由两部分组成：竞赛（contest）与参赛者（agents）。竞赛有两大特性：奖项组合与竞赛成功函数（CSF）。参赛者也有两大特性：估值函数与代价函数（估值函数与代价函数都有同质与异质两种设定）。

3.2 Contest Examples

• 广义上来说，竞赛可以理解为：代理者付出努力，从而影响自己获胜、失败或者处于不同种状态的概率。以下例子都符合这一特征。
• Promotional competition
  中文翻译为促销竞赛。公司为了提高市场占有率而进行的广告或者其他市场活动。用在市场或者广告上的花费是大量的，并且有时受到规则的约束。公司消耗资源做广告的确可以提升市场份额，但同时也会改变整体市场规模，有时广告还存在负外部性。
• Litigation
  中文翻译为诉讼。原告需要决定提出怎样的和解要求，被告需要决定如何应对、如何在开庭前协商、是否需要找律师、是否需要进入法庭等等。诉讼是一个拥有多种选项的多阶段博弈。研究侧重于费用转移规则、进入决策、委派等等。
• Internal labor market tournaments
• Beauty contests,influence activities,and rent seeking
  选美竞赛不单单是字面意思，还可以指代活动比如：奥运会选择主办地、通信带宽的许可分配等等。
• Education filters
  中文翻译是教育过滤作用。教育可以起到针对人才的过滤作用，真实显示人们的品质和能力，为工作、任务的分配提供指导。
• R&D contests
  中文翻译为研发竞赛。获得新发明或者新专利的公司可以拥有该行业的垄断地位，从而产生巨大的经济效益。因此公司都在加大投入加紧研发工作的进行。
• Political competition
  政治竞赛比如说多党之间的竞选或者党内职位的提拔等等。
• Military conflict
  中文翻译为军事冲突。城市或者党派作为军事冲突的代理者，拥有两类资源，军事资源与其他资源，军事资源存在的目的是为了获得其他资源。组建并且供养军队会带来较大的代价，无论参战与否获胜与否。在竞争理论的指导下，武器的生产这一过程就对应于竞赛中所作的努力。
• Sports

3.3 Contest Classification

• 谈到竞赛的分类，包含许多种分类标准。比如根据“随机因素是否在CSF中发挥作用”、“竞赛者是否被告知他们协作者的代价与估值函数”等等标准实现分类。分类标准复杂繁多，比较难处理。本节将专注于参赛者彼此知道估值与代价函数的竞赛，该类竞赛涉及不完全、非对称的信息设定。
• 共分为三种竞赛：无噪声的一价全支付竞赛、待噪声的一价全支付竞赛、Tullock竞赛

3.3.1 The first-price all-pay auction

• 一价全支付拍卖，又称为无噪音拍卖，是最基本最简单的拍卖形式。本章节将介绍一价全支付拍卖的基本情况、多参赛者、限制条件、异质性、不完全信息、不对称性等特殊情况下 的含义及均衡分析。
• 情景设定：两个城市竞争下一届奥运会的举办权，各个城市都通过投入资金的方式来提升竞争力和获胜可能性。理想情况下，投入努力最多的城市获胜。但是现实情况可能存在噪音，即不一定是投入最多的获胜。
  形式化表示：两位参赛者$i=1,2$竞争某个奖项，获胜估值$v_1,v_2$彼此已知，并且假设$v_1\ge v_2\ge 0$（参赛者$1$获胜意愿更强烈，愿意付出更多投入）。代价函数相同且设定为$C(x_i)=x_i$。获胜概率表示如下：
  $$\begin{gathered} p_1(x_1,x_2)=\{\begin{array}{ll}1& \text{if x1>x2}\\ 1/2& \text{if x1=x2}\\ 0& \text{if x1<x2}\end{array} \\ {p}_2=1-p_1 \end{gathered}$$
  均衡分析：参赛者$1$认为参赛者$2$投入努力$x_2$，那么他的最优响应要么是投入比$x_2$略大的努力，要么是投入$0$。后者是因为$x_2$已经超出了参赛者$1$的承受范围，投入更多努力不会带来收益。
  该博弈中根本不存在纯策略均衡。纯策略均衡是指，双方采取某个策略，都是针对对方策略的最优响应。在这里，1认为2采取$x_2$，那么1该采取0或者$x_2+ϵ$，如果1采取0，那么2只需要采取$0+ϵ$即可，此时1采取0不是最优响应；如果1采取$x_2+ϵ$，那么2该采取$x_2+2ϵ$或0并且无论2如何选择，1此时都不是最优响应。
  既然不存在纯策略均衡，那么只可能存在混合策略均衡。混合策略我们用分数的累计分布函数（CDF）来表示。下面的CDF组合彼此都是最优响应，也就是说代表了一个混合策略均衡。（当$x_2$符合$F_2(x_2)$分布，$x_1$符合$F_1(x_1)$分布的期望收益为$v_1-v_2$，不符合的话期望收益更小；当$x_1$符合$F_1(x_1)$分布，$x_2$符合$F_2(x_2)$分布的期望收益为0，不符合的话期望收益为负。因此当前状态下，彼此都是最优响应）根据CDF求得期望如下。
  $$\begin{gathered} F_1(x_1)=\{\begin{array}{ll}\frac{x_1}{v_2}& \text{if x1∈[0,v2]}\\ 1& \text{if x1>v2}\end{array} \\ {F}_2(x_2)=\{\begin{array}{ll}[1-\frac{v_2}{v_1}]+\frac{x_2}{v_1}& \text{if x1∈[0,v2]}\\ 1& \text{if x2>v2}\end{array} \\ {E}_{x_1}=\frac{v_2}{2},E_{x_2}=\frac{(v_2{)}^2}{2v_1} \end{gathered}$$
  该混合均衡是唯一的。有期望分数总和看出，该竞赛效率很低。该竞赛的期望分数总和低于标准二价拍卖，并且鲁棒性不足，可能出现将奖品分配给非估值最高的参赛者的情况。以上便是一价全支付拍卖的基本性质。
• Convex cost
  本章节我们考虑代价函数是凸函数，也就是说$C(0)=0,C^{\prime }(x_i)>0,C^{\prime \prime }(x_i)\ge 0$。考虑情景如下：两位参赛者的估值相同均为$v$，代价函数相同$C(x)$。类似于上一章节，该设定下仍然不存在纯策略均衡，只存在混合策略均衡。
• More than two contestants
  本章节考虑超过两位参赛者的情况。根据多为参赛者的估值不同，也大体分为两类。
  第一类：$n$位参赛者估值$v_1\ge v_2\ge v_3\ge ...\ge v_n$。存在唯一的混合策略均衡，对于$i>2$来说$x_i=0$，$x_1,x_2$符合上面提到的$F_1(x_1),F_2(x_2)$。也就是说，均衡状态下只有前两位参赛者有出价意愿，后续参赛者选择不参与，这样多参赛者的竞赛就退化成了二参赛者的竞赛。
  第二类：$n$位参赛者估值$v_1=v_2=...=v_j>v_{j+1}\ge ...\ge v_n$。对于$i>j$来说$x_i=0$。其余参赛者都可能出价参赛，因此可能存在多种混合策略均衡。此处略过。
• Other cost variants
  完全信息、不带噪音的全支付竞赛已经研究透彻。本章节考察代价函数的变种形式。考虑两位参赛者的竞赛，参赛者的收益函数设定如下：
  $$\begin{gathered} v-b{x}_1-d{x}_2,1wins \\ -a{x}_1-t{x}_2,1loses \\ v-b{x}_2-d{x}_1,2wins \\ -a{x}_2-t{x}_1,2loses \end{gathered}$$
  上述一般化表述形式包含多种竞赛设定。当$b=a=1,d=t=0$时，代表估值相同为$v$的标准形式竞赛；当$b=d=0,a=t=1$，代表当失败时竞赛者需要支付自己与对手的代价…
• Constraints on effort
  本节考虑分数限制，也就是说参赛者无法按照自己的意愿随意选择分数，而是必须服从某个限制。举例来说，研发竞赛（R&D Races）中，公司知道肯定研发投入越高收益越高，但实际并不可能实现无限研发投入，我们设定公司的流动资产作为其分数选择上限。假设有$n$家公司，胜利估值都是$v$，流动资产排名为：$w_1>w_2>w_3\ge ...\ge w_n(w_1<v)$，那么存在如下混合策略均衡（由CDF表示）。
  $$\begin{gathered} F_1(x_1)=\{\begin{array}{ll}\frac{x_1}{v}& \text{if x1∈(0,w2)}\\ 1& \text{if x1≥w2}\end{array} \\ {F}_2(x_2)=\{\begin{array}{ll}[1-\frac{w_2}{v}]+\frac{x_2}{v}& \text{if x1∈[0,w2)}\\ 1& \text{if x2≥w2}\end{array} \end{gathered}$$
• Incumbency advantages
  本节关注于竞赛者之间的异质性，或者说是非对称性。总结来说，非对称性可能存在于三个方向，参赛者的胜利估值、代价函数以及竞赛成功函数。特殊的是，胜利估值不同可以等价映射到估值相同、代价函数不同的情况。（因为估值实际上表征的是，愿意承担分数选择所带来代价的程度）。
  本节题目为现任者优势，所讲述的是关于竞赛者竞赛成功函数的非对称性。现任者优势用来表征headstart，结合情景来说，现任者已经在市场中积累了经验，对于新进入者来说，现任者花费选择分数获胜的概率更大，这个优势就是headstart。举例来说，考虑情景代价函数相同均为$C_i(x)=x$，胜利估值相同均为$v$，竞赛成功函数为：
  $$p_1(x_1,x_2)=\{\begin{array}{ll}1& \text{if x1>x2−δ}\\ 1/2& \text{if x1=x2−δ}\\ 0& \text{if x1<x2−δ}\end{array}$$
  上述竞赛成功函数表示，$\delta$即为参赛者$1$的headstart或者说Incumbency advantage。
• Incomplete information
  本章节关注的是全支付竞赛中的不完全信息，也就是说：参赛者们都清楚自己对于奖品的估值，但并不知道其他人对于奖品的估值，只能通过经验或者猜测获得不完全信息。
  为了研究不完全信息设定下均衡的特点，有关不完全信息的建模如下：2位对称参赛者，这里对称的意思是估值分布、分数选择函数、代价函数全相同。参赛者的估值$v_i\in [0,1]$独立同分布于$F(v)$。参赛者$i$选择分数$x_i=\xi (v_i)$，${\xi }^{-1}(x_i)=v_i$（假设逆函数存在）。代价函数位$C(x_i)=x_i$。参赛者1的效用函数为：
  $${\pi }_1(x_1)=F({\xi }^{-1}(x_1))v_1-x_1$$
  为了最大化效益函数，求导并令其为$0$得：
  $${\pi }_1^{\prime }(x_1)=F^{\prime }({\xi }^{-1}(x_1))\frac{d{\xi }^{-1}}{d{x}_1}{v}_1-1=0$$
  根据对称性假设，参赛者服从同一分数选择函数$\xi$。
  $$\frac{dx}{dv}=F^{\prime }(v)v$$
  这是一个差分方程，解决的难易程度取决于分布$F(v)$。假设最简单的情况，估值服从均匀分布，即$F^{\prime }(v)=1$得：
  $$\begin{gathered} dx=vdv \\ \xi (v)=\frac{v^2}{2} \end{gathered}$$
  均衡的含义就是每位参赛者的当前选择都是针对当前局势的最优响应。自己的估值、代价函数确定，唯一需要抉择的就是分数选择函数$\xi$，也就是结合自己估值选择分数。
  不完全信息设定下的竞赛均衡，有着更加优良的性质。Efficiency Allocation，是指奖品分配给估值更高的参赛者，或者称为Robust。完全信息设定与不完全信息设定有一定的相似性，完全信息设定由于彼此已知估值，需要随机化分数选择函数来获利，而不完全信息设定，彼此估值未知已经体现了随机化的思想，分数选择函数就不需要随机化了。
• One-sided asymmetric information
  中文翻译是单边不对称信息。所描述的场景是，两位参赛者的估值都独立取自同一分布，参赛者$1$的估值是公开信息，而参赛者$2$的信息是私有信息。参赛者$2$因为信息的不对等性，会在均衡中获得额外收益，称之为信息租金（Information Rent）。总体来说对于二参赛者竞赛有三种情况，两位参赛者都信息不完全、其中一位参赛者信息不完全、两位参赛者信息都完全。
• First-price all-pay auction Conclusion
  一价全付费拍卖，也就是人们常说的“无噪音竞赛”，是一个有趣的基准案例。尽管会有一些真实世界情况，其中参赛者的实际分数选择转化为这样一个关乎谁赢得比赛的精确结果，这种交互表达得很清楚,结果在很大程度上取决于自己的努力相对于其他选手的努力,这可能会导致相当大的支出，特别是对奖项有高估值的参赛者，或者是那些在产生产出方面最有成效的人，这些产出是竞赛成功的比较单位。研究还表明，积极参与竞赛的参赛者之间的不对称性降低了总支出。不完整的信息可以，但不一定总会减少总竞赛花费。特别是，最后的二参赛者示例最清楚地揭示了这一点。一价全支付竞争及其在各种约束下的均衡将是分析更复杂情况的重要组成部分。在讨论这些之前，我将分析带有两种不同类型噪音的竞赛变体。

3.3.2 Additive noise

• 本章节考虑在一价全支付拍卖的基础上，添加附加噪声。噪声其实就是随机性与不确定性。举例说明：两位建筑师竞标一个博物馆的建筑工作，建筑师在提案上花费的时间越长，认为该提案的质量越高，有一个评审团来做决策。评审团可能有特殊偏好，或者评审时的心情、表现、状态都有可能左右结果，而这些不确定性因素都不是参赛者的分数选择所能把控的。本章节就研究如何建模这一类竞赛。
• The two-player case
  考虑附加噪声的二参赛者一价全支付竞赛。两位参赛者选择的分数分别为$x_1,x_2$，噪声体现在所选择的分数无法确定性转换成胜利权重，也就是说转换关系存在随机化参数。一种简单的建模方式是，参赛者的胜利权重设定为$x_i+{ϵ}_i$，比较$x_1+{ϵ}_1,x_2+{ϵ}_2$之间的关系决定胜负，令$ϵ={ϵ}_2-{ϵ}_1$，那么胜利关系就变成比较$x_1-x_2,ϵ$。参数$ϵ\in [-e,e]$，服从分布$G$。
  $$p_1(x_1,x_2)=\{\begin{array}{ll}1& \text{if x1−x2>ϵ}\\ 1/2& \text{if x1−x2=ϵ}\\ 0& \text{if x1−x2<ϵ}\end{array}$$
  设定胜利和失败收益分别为$v_i(b_W),v_i(b_L)$。那么参赛者的效用函数表示如下。
  $$p_i(x_1,x_2)v_i(b_w)+(1-p_i(x_1,x_2))v_i(b_L)-C(x_i)$$
• 我们发现，当噪声参数$ϵ$退化时，锦标赛（tournament）就会转变成全支付竞赛（all-pay auction）。因此，先前章节提到的没有噪声的全支付竞赛可以看作是锦标赛的特殊情况。但这种收敛过程并不是平滑的。当参数$ϵ$分散程度越来越小时，纯策略均衡就可能在某点出现，反之情况下大多都是混合策略均衡。

3.3.3 The Tullock contest

• 或许在经济活动中最为常见的竞赛成功函数设计就是Tullock竞赛，Tullock竞赛归根结底可以总结为比例分配制度，也就是说获奖概率等于该参赛者的贡献占总贡献的比例。其实Tullock并不是第一个提出并分析该竞赛机制的人，而是第一个将该机制用于分析竞争寻租行为（rival rent-seekers）的人。
• The standard Tullock contest
  $$p_i(x_1,...,x_n)=\{\begin{array}{ll}\frac{x_i^r}{{\sum }_{j=1}^n{x}_j^r}& \text{if max{x1,...,xn}>0}\\ 1/n& \text{otherwise}\end{array}$$
  观察Tullock竞赛通用的竞赛成功函数（获奖概率函数），参数$r$决定了该竞赛的很多性质，当$r$很大时，代表参赛者增加努力带来的边际贡献更大，简单来说就是，努力（efforts）增加一点点，经过一个乘方的关系都会获得更大的比例收获。当$r=1$时，该竞赛被称为lottery contest，这也是Tullock竞赛中最常见的一种，因其分析计算的简便性。
• Existence,Uniqueness and Comparative Statics
  本章节介绍Tullock竞赛的均衡存在性、唯一性以及比较静态分析。在Tullock竞赛的均衡中，并不总是将奖项分配给估值最大的参赛者，但是会将获胜概率向估值更大的参赛者有所偏移。
• Many participants
  中文释义是多参赛者。分对称竞赛与非对称竞赛两种情况分别研究。参赛者的努力总和与参数$r$、奖项总和存在着一定的关系。
• Why is this contest so popular?
  从公理推理的角度分析：当Tullock竞赛的参数$r=1$时，获胜概率关于efforts是线性的，也就是说$p(x_k,X)=kp(x_k/k,X)$。这条性质只有针对该竞赛成功函数成立，这条独特的优良性质也使得该竞赛成功函数广泛应用。
• Information aspects
  一般性质的Tullock竞赛，设定每位参赛者都了解彼此之间所有的信息，也就是说默认信息是完全且完美的。但是实际情况中，不完全或者不完美信息的情况也会出现，我们也都需要去建模研究。除此之外，信息的不对称性也需要考虑，比如说某位参赛者有一些特定优势。

3.3.4 Experimental evidence and evolutionary game theory

• 实验主义博弈论学者通过实验的方法去验证一些均衡分析的结论。大体上说，实验结果通常可以与均衡理论预测结果相匹配。如果不匹配，参赛者也是向着过度付出的方向偏移。过度付出现象的存在性也有多篇论文去解释。
• 接下来是演化博弈论的角度思考竞赛。某个多阶段竞赛共有$n$位参赛者，每阶段共同竞争正则化后数值为1的奖励，获奖的比例等于其分数选择的比例，那么参赛者在某个阶段的效用函数为${\pi }_i=x_i/{\sum }_{j=1}^n{x}_j-x_i$。参赛者无法自由选择分数，而是根据参赛者的类型决定分数，并且类型随着阶段的进行而演化，收益更大的类型有更大概率在下一阶段保留。

3.3.5 Some robust results

• 针对于以上三种竞赛，有一些通用的、稳定的结论成立。首先，竞赛是一类活动，其中一位参赛者的努力增长对于其他参赛者来说带来负外部性，也就是说存在“此消彼长”的关系。其次，竞赛中拥有更高估值的参赛者一般情况下会更想赢得奖项，同时也会花费更多的努力。与此相关，拥有生产优势的参赛者通常会付出更大努力并且在均衡中以更大概率获胜。

3.4 Timing and participation

• 本章节我们研究竞赛中的序贯博弈，也就是参赛者不同时做出决策，有一定的先后关系。序贯博弈对于参赛者带来哪些优势、劣势？序贯博弈为何出产生？

3.4.1 Endogenous timing

• 本节我们考虑内在因素产生的决策时机。假设有两位参赛者，估值为$v_1>v_2$，两位参赛者首先选择先决策（e）还是后决策（l），然后相应时机在做出分数选择。后决策的参赛者需要根据先决策参赛者的决策做出响应，响应函数如下。$x_{1,max}=x_1(v_1/4)=v_1/4,x_{2,max}=x_2(v_2/4)=v_2/4$。
  $$\begin{gathered} x_1(x_2)=\sqrt{x_2{v}_1}-x_2 \\ {x}_2(x_1)=\sqrt{x_1{v}_2}-x_1 \end{gathered}$$
• 下图就是两位参赛者的响应函数图，两条响应曲线相交于$N$点。图中$S_1$点处的弧线代表了参赛者2的效用等值线，图中并未画出所有效用等值线。如果两位参赛者都选择先决策或后决策，也就是$(e,e)$或$(l,l)$，转变成同时博弈，均衡点就是$N$点。当时机组合为$(e,l)$时，参赛者1先决策，均衡会落于$S_1$点；当时机组合为$(l,e)$时，参赛者2先决策，均衡会落于$S_2$点。
  
• 总结来说，两位参赛者之间的非对称性，也就是对于奖项估值的不同，导致了决策时机上的内在非对称性。拥有较低估值的参赛者会先决策，较高估值的参赛者等待并且选择最优响应。低估值参赛者变成Stackelberg Leader。

3.4.2 Voluntary Participation

• 本节我们分析竞赛中参赛者的自愿参与情况。
• 当参赛者明确知道自己处于竞争劣势地位时，该参赛者就很大可能选择不参与竞赛。或者说对于奖项估值更低的参赛者，代表对于赢下该竞赛的欲望更低，更有可能选择不参与竞赛。
• 参与竞赛可能需要支付入场费（entry fee）。入场费的存在可能使得某些参赛者选择弃权。考虑一个二阶段博弈，第一阶段决策是否支付入场费获得参赛资格，第二阶段就是无噪音的一价全支付竞赛。其实也可以考虑为一价全支付竞赛，入场费转变成代价函数中的常数部分。
• 当参赛者不能完全观察到自己的实际优势劣势时（即优势劣势由分布随机决定），即便较小期望能力的参赛者都可能参与竞赛，只要他的期望收益为正。当参赛者做进入与否的决策时，他们更倾向于支付小于等于期望收益的入场费。

3.4.3 Exclusion

• 本章节我们考虑竞赛设计者对于参赛者的挑选与准入，或者说研究参赛者群体特征对于竞赛结果的影响。本章节我们将以竞赛设计者角度，考虑最优竞赛设计（基于特定目标函数）。
• 对于竞赛设计者来说，目标函数的选择决定了最优竞赛的设计。最常见的目标函数，就是最大化参赛者努力总和。那么如何选择参赛者，可以使得参赛者努力总和最大呢？
• 研究表明，在高估值的参赛者参与程度与竞赛同质性之间需要平衡，也就是说将所有估值最高的参赛者全部加入竞赛，不一定会获得最大努力总和。例子表明，某个竞赛中消除掉估值最高的参赛者，竞赛的努力总和不降反增（最高估值者的存在，可能让其他人出价欲望降低）。消除最高估值者使得努力总和提高，并不总成立。更加精确的说，第二高估值参赛者决定了可能出价的范围。
• 全支付竞赛对于最高估值参赛者之间的异质性尤为敏感，Tullock竞赛、带噪音的全支付竞赛对于异质性就没有那么敏感。
• 参赛者之间的同质性对于产生高期望努力起到重要的作用。参赛者之间的异质性对于竞赛设计者选择竞赛成功函数也起到重要作用。

3.5 Cost and prize structure

3.5.1 Choice of cost

• 改变代价函数是影响竞赛结果的一种自然方式。具体形式可能有设定规则、设置税收或者津贴补助。
• 关注于最大化努力总和的竞赛设计者可能会考虑调控其中之一或者全部参赛者。竞赛设计者更可能会帮助估值较小的参赛者，目的是为了促进竞赛的对称性，这种调控作用可能带来奖项分配效率（奖项分配给估值高的人还是低的人）的递增或者递减。补助估值较低的参赛者，或者说是获胜欲望更低的参赛者，可以使得估值较低的参赛者有更小的几率付出0努力，从而增强了竞赛的竞争性，设计者可以获得更大的努力总和，但可能导致奖项分配效率的下降，也就是说可能将奖项分配给低估值的参赛者。

3.5.2 Multiple prizes

• 在很多实际竞赛中，比如体育竞赛、教育竞赛、政治竞赛中，并不只是分配一个奖项，这就涉及到一个多奖项的问题。奖项还可能不只一种表现形式，不单单有实体奖项，还有带来的名誉、参赛资格等等，都可以货币化。
• 这些实际情况引发了问题，奖项结构如何影响竞赛结果。多个奖项的分配如何变成关于参赛者努力分数的函数。在某个竞赛中，把奖项预算设置为一个大奖项还是多个小奖项，对竞赛的结果有不同影响，设置成多个小奖项可能会促进竞赛的同质性，增大努力总和（竞赛设计者角度是更优的竞赛）。分数预算也会影响竞赛结果。
• 将大奖项分成大小不同的多个小奖项可能会将参赛者整体分成多个子集，子集内部关注于不同尺寸的奖项。直觉上来说，将一个大奖项分成多个小奖项是有利的，将一个拥有异质性参赛者的大竞赛转换成许多带有同质性参赛者的小竞赛，这样可能会激活大竞赛中表现消极的参赛者。
• 有时参赛者可能会参与多个奖项的争夺，并且这些奖项之间有联系。一个奖项在特定的组合下才会有更大的价值。

3.5.3 Endogenous prizes

• 竞赛的内在决定因素就是奖项，包括奖项的尺寸、结构以及获奖概率。该部分将考虑一些参赛者自身影响奖项尺寸的案例。
• 考虑一种情况，奖项价值随着参赛者努力的提升而增加，比如说在市场份额的竞争中，某家企业付出更大投入宣传营销，既扩大了自己的市场份额（带来负外部性），也扩大了整体市场的规模（带来正外部性）。效用函数如下。
  $${\pi }_i(x_1,...,x_n)=\frac{x_i^r}{{\sum }_{j=1}^n{x}_j^r}{v}_i(\sum _{j=1}^n{x}_j)-x_i$$
• 考虑一种情况：两个国家合作且竞争，每个国家都可以选择生产日用品，也可以选择生产武器提高军事实力，所生产的日用品放在一起根据军事实力来分配。每个国家都需要在合作与竞争之间做出权衡。第一个国家的效用函数为。
  $${\pi }_1(y_1,y_2)=(\frac{1}{2}+\frac{x_1-x_2}{2})(y_1+y_2)$$

3.6 Delegation

• 本章节介绍策略委派的相关内容，参赛者寻找代理者，签订委派合同，让代理者代替自己进行决策。两位参赛者估值为$v_1,v_2$，参赛者将实际出价权委托给代理者$A_1,A_2$，参赛者代理者之间签订合同$({\varphi }_1,b_i)$。代理者的代价函数是$C_i(x_i)=x_i$。如果代理者$A_i$赢得奖项，会将奖项递交给对应参赛者，并收获预先规定的报酬$b_i$，这个数值就是代理者对于奖项的估值，也被称作委派估值。在竞拍之前，代理者需要向参赛者提交${\varphi }_i$，被称作预付定金。
• 本文详细介绍了在全支付竞赛与Tullock竞赛中的委派行为。还介绍了委派行为与监管问题，也就是参赛者监管代理者是否能够良好代表参赛者的权益做决策。

3.7 Externalities

3.7.1 Joint ownership

• 中文翻译是联合拥有关系。举例说明，共有三个公司分别被三个人独立掌握，胜利估值分别是$v_1=210,v_2=200,v_3=150$。如果三家公司独立参与全支付竞赛，公司3会弃权，公司1获得正效用$210-200=10$。如果公司1购买了公司2$40\%$的股份，那么公司1会弃权，公司2获胜，公司1获得分红。这便是联合拥有关系对竞赛结果的影响。

3.7.2 Sabotage

• 竞赛中参赛者付出努力，一方面可以提高自身的竞争力，一方面可以损害对手的竞争力，二者都可以提高自己的获胜概率，这种行为称为妨害（Sabotage**）。本章节介绍了带有妨害的竞赛案例、妨害带来的影响以及避免妨害的方法。

3.7.3 Information externalities

• 在选举竞赛中，可能会出现逆运动（inverse campaigning），大体意思是候选者可能会通知选民某位候选者胜选后带来的结果，从而改变选民的决策。逆云顶出现的最直接原因，就是信息外部性。

3.7.4 Public goods and free riding

3.8 Grand contests

3.8.1 Nested Contests

3.8.2 Alliances

• 中文翻译为联盟，即多为参赛者有共同的目标选择合作，共同决策。

3.8.3 Repeated battles

3.9 Conclusions

• 竞赛理论这个领域发展迅速。我尝试着综述一些该领域的经典贡献以及一些最近的研究成果。这些综述揭示出竞赛对于解决分配问题来说是一个重要且传播广泛的工具。竞赛有时自然产生，但通常都是被精心选择并设计的。竞赛博弈有非常广泛的范围维度，当研究竞赛以及竞赛设计时这些维度都需要仔细考虑。竞赛与经济理论中更为普遍和仔细研究的其他类型的竞争具有共同的性质，但它也有一些重要的区别。例如，不对称的基本原则在竞争理论中占有突出地位。与其他类型的竞争一样，非对称有利于那些相互竞争的玩家，并为他们提供更高的租金。第二个重要的原则是理解竞赛及其在更大的经济互动背景下的作用，包括重复的竞赛，这是在未来参加竞赛时产生的气馁效应。尽管有这些消极的影响，我希望这个调查也有一个鼓舞人心的方面，并激励在这个主题上的进一步工作。