２０１５年第４期 总第１３０期 上海金融学院学报 Ｊｏｕｒｎａｌ ｏｆ Ｓｈａｎｇｈａｉ Ｆｉｎａｎｃｅ Ｕｎｉｖｅｒｓｉｔｙ Ｎｏ．４．２０１５ Ａｐｒ Ｎｏ．１３０ 基于多智能体仿真技术的金融政策效用下企业状态演化预测 周雯婷，张高煜，王昕杰，盛梦宇，陈飞宇 （上海金融学院，上海２０１２０９） ＋－．－＋…－・－…＋－．－＋…¨一．－．－◆一◆－．－＋一＋…◆－＋…＋一◆－◆一・＿ －◆・◆－◆－．． 摘要：针对实际政策传播过程中的复杂性．建立宏观系统的金融政策传播模型并在多 智能体仿真开发平台Ｎｅｆｌｏｇｏ下编程实现。动态地模拟企业引入金融政策后金融市场的演 化过程，展现具有不同特征的企业在金融市场上是如何随着时间进行相互交互作用。最后 给出了金融政策效用下的企业状态演化与预测实验结果，量化了政策对市场的激励，将人 文社会科学研究与复杂网络理论进行结合与集成创新。 关键词：多智能体仿真金融政策企业状态预测 中图分类号：Ｆ８３２．０ ・◆－．－＋－◆…．－． ＋－＋文献标识码：Ａ －◆－．－＋－◆－．－●文章编号：１６７３—６８０Ｘ（２０１５）０４—００９４—１２ －－．ｏ－－－＋－●－◆－．．●－◆一◆－●・◆－．－◆－◆－◆。◆－◆・ 一、绪 论 国内外金融政策的效用研究可追溯到政策创新与扩散模型的研究，主要 研究“政策创新”这种激进的政策变迁形态。 政策创新扩散的研究始于密歇根大学沃克［１ （Ｗａｌｋｅｒ，１９６９）。他发现美国 许多州在政策方面并不完全遵循渐进决策路径，而是经常出现跳跃性的“创 新”，并且一些州的创新往往会被邻近州所效仿。之后通过美国各州８８项政策 创新案例的实证分析，他发现大而富的州比小而穷的州更易于创新，而且许多 州都接受来自它们区域中一个或者更多先进的州的指引走向创新之路。自沃 收稿日期：２０１５—０７—０６ 基金项目：本文受到２０１４年上海大学生创新创业项目《基于Ｎｅｔｌｏｇｏ仿真的金融政策效用下金融 市场演化研究与实现——以《关于促进上海市互联网金融产业健康发展的若干意见》 为例做实证分析》（编号２０１４１１６３９０３６）、２０１４年上海金融学院理科重点项目《基于社 会计算的社会公共管理政策效用演化仿真研究》（编号ＳＨＦＵＫＴ１４—０１）支持。 作者简介：周雯婷（１９９５一），女，上海市人，上海金融学院学生。 张高煜（１９７２一），男，湖北房县人，上海金融学院信息管理学院副教授，工学博士、博士后。 王昕杰（１９９５一），男，浙江丽水人，上海金融学院学生。 盛梦宇（１９９４一），男 上海市人，上海金融学院学生。 陈飞宇（１９９４一），男，吉林长春人，上海金融学院学生。 ——９４ — 基于多智能体仿真技术的金融政策效用下企业状态演化预测 克后，政策创新及扩散的研究成了政策科学中最引人注目的领域之一。 在政策创新与扩散的早期研究中，弗吉尼亚・格雷（Ｖｉｒｇｉｎｉａ Ｇｒａｙ，１９７３）借 鉴其他学科对创新与扩散的研究，提出了政策创新与扩散的经验模型。他认为 在政策创新扩散的初期，政策采纳的发生相对不频繁．然后随着各种因素的影 响，采纳的比例会急剧上升。＿２ 布朗（Ｂｒｏｗｎ）和考克斯（Ｃｏｘ）将政策创新研究成 果总结为三条规律，即时间维度上呈现Ｓ型曲线．在空间维度上表现为临近效 应（ｔｈｅ ｎｅｉｇｈｂｏｒｈｏｏｄ ｅｆｆｅｃｔ），以及区域内出现的领导者一追随者的层级效Ｉ３］。 关于政策创新与扩散的具体影响因素方面，Ｍｉｎｔｒｏｍ等人先后分析了政 策倡导（政策企业家）（Ｐｏｌｉｃｙ ｅｎｔｒｅｐｒｅｎｅｕｒｓ） 和政策网络（Ｐｏｌｉｃｙ ｎｅｔｗｏｒｋｓ） ］ 在政策创新与扩散中的作用。Ｆｅｉｏｃｋ和Ｗｅｓｔ对城市固体垃圾回收处理项目的 研究也证实了政策采纳是基于问题需要、政党竞争、财政能力和利益集团组 织。＿６ Ｂａｌｌａ运用医疗卫生条件的案例分析了州际专业协会在政策扩散中的角 色，认为这些专业组织为政策制定者提供了交流和评价政策创新的制度平台， 并为技术性强的政策创新提供咨询建议。Ｉ７］ 贝瑞夫妇的一系列研究为政策创新理论的发展作出了重要贡献。首先，他 们不仅将已有的政策创新模型分为区域扩散模型和内部决定因素模型两大 类，而且还将扩散模型细分为全国性互动模型、区域扩散模型、领导一跟进模 型和垂直影响模型。＿８ 其次，他们最早采用事件历史分析（Ｅｖｅｎｔ Ｈｉｓｔｏｒｙ Ａｎａｌｙｓｉｓ， ＥＨＡ）实现了对内部决定模型和区域扩散模型的整合。他们在吸收前人的基础 上创立政策创新与扩散模型，认为州政府在决定是否采纳政策创新时，同时受 到政府内部因素和外部扩散因素的双重影响，解释了政策创新方法之所以出 现差异性的原因。最后，他们通过对州层面的战略规划管理创新、彩票政策、税 收政策在州政府之间的扩散进行了个案分析，为政策创新模型提供了强有力 的实证支持。 把复杂网络运用到计算机病毒传播研究中，为探索金融政策的传播与效 用提供了新的视角。２０世纪５０年代，匈牙利数学家Ｐａｕｌ Ｅｒｄｏｓ和Ａｌｆｒｅｄ Ｒｌｆｒｅｄ提出的随机图理论复杂网络，认为随机图能够反映现实网络的平均路 径较短的特性，但该观点受到了质疑。１９９８年．美国康奈尔大学的博士生Ｗａｔｔｓ 及其导师Ｓｔｏｇａｔｚ在《自然》杂志发表了题为“小世界网络的集体动力学” （Ｃｏｌｌｅｃｔｉｖｅ Ｄｙｎａｍｉｃｓ ｏｆ‘Ｓｍａｌｌ—Ｗｏｒｌｄ’）的文章。引入了小世界（Ｓｍａｌｌ Ｗｏｒｌｄ） 网络模型．它通过调节一个参数可以从规则网络向随机网络过渡。 近年为了解释幂律分布的产生机理，Ｂａｒａｂａｓｉ和Ａｌｂｅｒｔ在深入研究了ＥＲ 模型后，揭示了复杂网络中的无标度特性（Ｓｃａｌｅ Ｆｒｅｅ）及其产生机理，并提出 了著名的ＢＡ无标度网络模型。该模型具有简单的动力学演化模型，为以后的 研究做出了铺垫。ｌ１ １５］ 本文基于多智能体仿真技术和政策传播模型，研究金融市场中企业受金 一９５— 基于多智能体仿真技术的金融政策效用下企业状态演化预测 融政策的影响、企业之间的合作、企业个体的状态演化与预测，同时将仿真结 果反馈到决策变量中，寻求最优的金融政策变量，为社会经济管理提供依据。 二、政策传播模型 由于政策的传播类似于病毒的传播，可以引用病毒传播的模型，将金融政 策类比于“病毒”政策，传播强度越大，传播范围越广，并且长期存在于企业之 中，迟早传遍所有企业。企业所面对的政策选择将以传播形式延续下去，各经 济体又呈现出竞争的态势。 目前应用较为广泛的信息传播演化模型是ＳＩＲ模型、ＳＩＳ模型和ＳＥＩＲ模 型等（Ｓｕｓｃｅｐｔｉｂｌｅ易感者、Ｉｎｆｅｃｔｉｖｅ感病者、Ｒｅｍｏｖａｌ移出者、Ｅｘｐｏｓｅｄ潜伏态）。 ＳＩＲ模型将人群划分为三类：易感人群（Ｓｕｓｃｅｐｔｉｂｌｅ）、感染人群（Ｉｎｆｅｃｔｅｄ）、免疫 人群（Ｒｅｃｏｖｅｒｅｄ）。 相比病毒传播模型，政策作为另类的“病毒”在名为企业的“人群”中传播， 因此将企业分为三类：最初接受政策并且发展的企业（ｄｅｖｅｌｏｐｅｄ）（Ｒｅｍｏｖａ１）， 发展受到阻碍的企业（ｄｅｖｅｌｏｐｉｎｇ）（Ｓｕｓｃｅｐｔｉｂｌｅ），发展不良并且正在倒闭或者 关闭的企业（ｃｌｏｓｅｄ）（Ｉｎｆｅｃｔｉｖｅ）。假设在单位时问内，接受政策并且发展的企业 的概率为Ｃ／．，发展受到阻碍的企业的概率为Ｂ，并用Ｓ（ｔ）、Ｉ（ｔ）、Ｒ（ｔ）表示在时 间ｔ中发展企业、受阻碍企业和关闭企业的数量，用Ｍ表示ｔ时刻整个金融市 场企业的数量。ＳＩＲ模型可用如下方程组表示： ＝仅ｓ（ｔ）Ｉ（ｔ） （１） （２） ＝仅ｓ（Ｉ）Ｉ（１） （１） ㈤ Ｍ＝Ｓ（ｔ）＋Ｉ（ｔ）Ｒ（ｔ） （３） （４） （１）式表示企业接受政策并且发生改变的概率，（２）式表示企业发展受到 阻碍的概率，（３）式代表企业发展不良正走向倒闭的概率，（４）式表示以上三种 概率之和为１即１００％。 令Ｓ（０）＝Ｓ。，Ｉ（０）＝Ｉ。，分别表示发展企业和受到阻碍的企业的数量，模型的 有效传播率为ｐ： ，那么存在 Ｏｆ， ｄ 【 ｌ ：。＞０可以得到政策在企业中快速传播的 条件为ｕｓａ。一［８ｉ。＞０，即Ｓ。＞ｐ＝ 。这说明，在政策的传播过程中存在一个有限 的正的传播临界值。 在实际传播中，政策只有接触发展企业才能被传播。在基于网络的病毒传 播模型，网络中的节点表示个体，节点之间的边可视为两个个体间可能的接 ９６— 一基于多智能体仿真技术的金融政策效用下企业状态演化预测 触。当一个节点是发展企业时，它以一定概率将政策传播给相邻的企业节点。 这样，政策模型就可以推广到一般的网络传播中。 三、金融政策效用下企业状态模型 基于政策传播与企业间合作模型，这里提出一个金融政策效用下企业状 态多智能体仿真模型。如图１所示。 图１ 企业状态多智能体仿真模型框图 １．基础变量 本模型中的基础变量有三个： 控制变量ｌ：企业数量（ｎｕｍｂｅｒ—ｏｆ－ｃｏｍｐａｎｉｅｓ）。代表在政策影响下的企业 的数量。在初始的时候有两种不同的企业状态：发达的企业，为红色；正常发展 中的企业，为绿色。企业数量范围为１００—５００，初始值为３５５。 控制变量２：企业的能量（ｃｏｍｐａｎｙ—ｅｎｅｒｇｙ）。代表企业自身所带有的实力 大小，关系到企业的存亡发展。倒闭的企业能力小于０，正常发展中的企业能 量范围为（０，ｃｏｍｐａｎｙ—ｅｎｅｒｙｇ），发达企业的能力大于ｃｏｍｐａｎｙ－ｅｎｅｒｇｙ。范围为 １—１００。初始值为６６。 控制变量３：正常发展中企业数量（ｄｅｖｅｌｏｐｉｎｇ—ｎｕｍｂｅｒ）。指在最初正常发 展企业的数量。最小值为１，最大值为ｎｕｍｂｅｒ—ｏｆ－ｃｏｍｐａｎｉｅｓ，即选定的政策影 响下的企业数量．初始值为６Ｏ。 ２．金融政策量化 本模型中将《关于促进上海市互联网金融产业健康发展的若干意见》中的 ２Ｏ条政策总结为四点：风险监控、企业合作、政府支持、企业创新。 —．９７—． 基于多智能体仿真技术的金融政策效用下企业状态演化预测 （１）风险监控 控制变量１：风险检查的频率（ｄａｎｇｅｒ—ｃｈｅｃｋ－￣ｅｑｕｅｎｃｙ）。相当于政府对企 业状态检查的频率，降低企业衰亡的几率。若风险检查的频率为３，代表每采样 三次，就会进行一次检查。频率范围为０—２０，初始默认值为３，单位为ｔｉｃｋｓ。 控制变量２：风险可能性（ｄａｎｇｅｒ—ｃｈａｎｃｅ）。企业遇到危机的可能性大小， 即面临倒闭的企业的数量。风险可能性越大，面临倒闭的企业数量就越多。风 险可能性范围为０—１０Ｏ，初始默认值为６４，单位为％。 控制变量３：风险恢复的概率（ｄａｎｇｅｒ－ｒｅｃｏｖｅｒｙ—ｃｈａｎｃｅ）。相当于政府对企业 进行定期的状况检查后，对一些将要倒闭的企业进行一定的援助，使其能够重 新正常运营的概率。风险恢复的概率的值越大，那么遇到危机的企业能够恢复 正常运营的机会就越大。恢复概率范围为０一＿１０，初始默认值为７．７，单位为％。 （２）企业合作 控制变量１：企业资金（ｃｏｍｐａｎｙ—ｓａｌａｒｙ）。这里请求有合作关系的企业，利 用企业资金与企业创新资金的比例，对企业能量进行加减。企业资金大，则加； 企业创新资金大，则减。企业资金范围为０一ｌ，初始默认值为０．６。 控制变量２：合作概率（ｃｏｏｐｅｒａｔｉｖｅ—ｐｒｏｂａｂｉｌｉｔｙ）。指的是企业与企业之问 合作的可能性。值越大，企业之间更有可能合作，从而企业之间会出现互补、 互相制约的情况，就会出现不同的发展趋势，有的会发展的更好，而有的则会 倒闭。合作概率范围为０—１，初始值为０．７３。 （３）政府支持 对政府支持力度用到的公式是ＧＰ＝ Ｌｌ＋ｌｋｔ ｔ ＝ＧＳ （Ｉ＋Ｋ ） 其中，ＧＰ为政府支持力度，ＧＳ 为在ｔ时刻政府给予企业的支持资金，Ｋ 为ｔ时刻现金流的折现率。在ｔ时刻，政府给予企业的资金的折现反映企业运 用资金的机会成本。 控制变量１：政府支持资金（ｇｏｖ—ｃｏｍｐａｎｙ—ｓａｌａｒｙ）。政府为促进企业发展而 给予其资金。企业运用资金的效果不同，有的企业会因此快速发展，同时也会 使其他企业因无法与之抗衡最终倒闭。资金范围为０—１００，初始值为８３。 控制变量２：企业规模（ｃｏｍｐａｎｙ—ｓｉｚｅ）。企业的规模的改变，需要运用资金 的多少也会改变。企业的机会成本也相应地改变。不同规模下的企业，运用政 府给予的支持资金的能力与范围也会不同，从而会影响企业的发展状态。规模 范围为１—３，初始值为３。 （４）企业创新 企业社会绩效（ＣＳＰ）的计算公式如下： Ｅ ：（Ｐ 一Ｐ０）一（Ｎ±∑Ｔａ）一（∑Ｃ，ｔ＋ｉ） ａ＝ｌ ｄ＝ｌ 一９８— 基于多智能体仿真技术的金融政策效用下企业状态演化预测 Ｅ。：计算出的综合管理成果效益，以企业实现利润表示。 Ｐ ：成果实施后在成果效益计算年度内的企业总效益。 Ｐｎ：成果实施前一年度的企业总效益。 Ｎ：未实施本成果时在正常年景下自然增长的经济效益。 ｎ Ｔａ：各项投入效益之和。投入效益是指通过新投入资金而扩大生产能 ａ＝１ 力或提高产品水平而取得的效益。 ｃａ：成果实施所使用的各项费用之和。 ｄ＝１ ｉ：实施成果损失费用。 控制变量１：企业创新资金（ｃｏｍｐａｎｙ—ｉｎｎｏｖａｔｉｏｎ—ｓａｌａｒｙ）。相当于企业开发 新产品、技术改进的成本。企业创新资金取决于企业规模、企业自身发展状况。 企业创新资金范围为Ｏ一１，初始值为０．７。 控制变量２：企业盈损率（ｃｏｍｐａｎｙ—ｇａｉｎ—ｌｏｓｓ）。企业在创新的情况下获得 的销售额，也可以理解为企业在创新的情形下是否获得收益。在相同企业创新 资金的情况下，企业亏损额越大，企业创新程度就越小。盈利为负，亏损为正。 企业盈损率范围为［一１，＋１］，初始值为０．２。 五、金融政策效用下企业状态演化预测仿真实验 １．模型假设前提 在现实环境中，金融市场的发展过程十分复杂，在建模时很难将所有的影 响因素都考虑在内。要根据研究的目的和影响因素的可衡量性，进行适当的取 舍，并提出假设来简化模型。 （１）假设模型中企业的规模是滑动条上人为设定，在设定的范围内随机改变。 （２）假设在整个金融市场中，存在的主体只有互联网金融企业。 （３）将所研究的企业主体分为三种状态：正常发展中状态、发达状态和倒 闭状态。 （４）政府对风险的每一次监控在设定的时间内完成。 （５）企业状态转变时的恢复概率及金融市场的各个初始参数为外部条件 人工干预设定。 （６）政府对企业的支持力度大，则给予企业的资金就多。 ２．仿真实验１——基本模型验证 基于ＮＥＴＬＯＧＯ的金融政策效用下企业状态演化仿真初始化界面如图２ 所示。模型中节点表示企业主体，连接线表示企业之间的关系。企业主体总数 为变量。 设置企业节点为３５５，企业的能量为６６，正常发展中的企业的数量为６０， 一９９— 基于多智能体仿真技术的金融政策效用下企业状态演化预测 Ｐｏｌｉｔｉｃａｌ Ｓｃｉｅｎｃｅ，１９９７，（４１）：７３８—７７０． ［５］Ｍｉｎｔｒｏｍ Ｍ，Ｖｅｒｇａｒｉ Ｓ．Ｐｏｌｉｃｙ Ｎｅｔｗｏｒｋｓ ａｎｄ Ｉｎｎｏｖａｔｉｏｎ Ｄｉｆｆｕｓｉｏｎ：ｔｈｅ ｃａｓｅ ｏｆ Ｓｔａｔｅ Ｅｄｕｃａｔｉｏｎ Ｒｅｆｏｒｍ［Ｊ］．Ｔｈｅ Ｊｏｕｒｎａｌ ｏｆ Ｐｏｌｉｔｉｃｓ，１９９８，（６０）：１２６—１４８． ［６］Ｆｅｉｏｃｋ Ｒ Ｃ，Ｗｅｓｔ Ｊ Ｐ．Ｔｅｓｔｉｎｇ Ｃｏｍｐｅｔｉｎｇ Ｅｘｐｌａｎａｔｉｏｎｓ ｆｏｒ Ｐｏｌｉｃｙ Ａｄｏｐｔｉｏｎ：Ｍｕｎｉｃｉｐａｌ Ｓｏｌｉｄ Ｗａｓｔｅ Ｒｅｃｙｃｌｉｎｇ Ｐｒｏｇｒａｍｓ［Ｊ］．Ｐｏｌｉｃｙ Ｒｅｓｅａｒｃｈ Ｑｕａｒｔｅｒｌｙ，１９９３，（４６）：３９９—４１９． ［７］Ｂａｌｌａ Ｓ Ｊ．Ｉｎｔｅｒｓｔａｔｅ Ｐｒｏｆｅｓｓｉｏｎａｌ Ａｓｓｏｃｉａｔｉｏｎｓ ａｎｄ Ｄｉｆｆｕｓｉｏｎ ｏｆ Ｐｏｌｉｃｙ Ｉｎｎｏｖａｔｉｏｎｓ［Ｊ］．Ｐｏｌｉｔｉｃａｌ Ｒｅｓｅａｒｃｈ Ｑｕａｒｔｅｒｌｙ，２００１，（５４）：１０３—１２４． ［８］Ｂｅｒｒｙ Ｓ．Ｓｉｚｉｎｇ Ｕｐ Ｓｔａｔｅｓ Ｐｏｌｉｃｙ Ｉｎｎｏｖａｔｉｏｎ Ｒｅｓｅａｒｃｈ［Ｊ］．Ｐｏｌｉｃｙ Ｓｔｕｄｉｅｓ Ｊｏｕｒｎａｌ，１９９４，（２２）： ４４２—４５６． ［９］Ｂｅｒｒｙ Ｓ，Ｓｏｕｒｃｅ Ｗ Ｄ．Ｂｅｒｒｙ．Ｓｔａｔｅ Ｌｏｔｔｅｒｙ Ａｄｏｐｔｉｏｎｓ ａｓ Ｐｏｌｉｃｙ Ｉｎｎｏｖａｔｉｏｎ：Ａｎ Ｅｖｅｎｔ Ｈｉｓｔｏｒｙ Ａｎａｌｙｓｉｓ［Ｊ］．Ａｍｅｒｉｃａｎ ｐｏｌｉｔｉｃａｌ Ｓｃｉｅｎｃｅ Ｒｅｖｉｅｗ，１９９０，（８４）：３９５—４１５． Ｅｖｏｌｕｔｉｏｎ ａｎｄ Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｈｅ Ｅｎｔｅｒｐｒｉｓｅ Ｓｔａｔｅ ｕｎｄｅｒ ｔｈｅ Ｆｉｎａｎｃｉａｌ Ｐｏｌｉｃｙ ｂａｓｅｄ ｏｎ Ｍｕｌｔｉ－ａｇｅｎｔ Ｓｉｍｕｌａｔｉｏｎ ＺＨＯＵ Ｗｅｎ－ｔｉｎｇ，ＺＨＡＮＧ Ｇａｏ—ｙｕ，ＷＡＮＧ Ｘｉｎ－ｊｉｅ， ＳＨＥＮＧ Ｍｅｎｇ—ｙｕ，ＣＨＥＮ Ｆｅｉ－ｙｕ Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｂａｓｅｄ ｏｎ ｔｈｅ ａｃｔｕａｌ ｃｏｍｐｌｅｘｉｔｙ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｐｏｌｉｃｙ ｔｒａｎｓｍｉｓｓｉｏｎ，ｆｉｎａｎｃｉａｌ ｐｏｌｉｃｙ ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅｌ ｉｓ ｂｕｉｌｔ ａｎｄ ｒｅａｌｉｚｅｄ ｏｎ Ｍｕｌｔｉ—ａｇｅｎｔ ｓｉｍｕｌａｔｉｏｎ ｄｅｖｅｌｏｐｍｅｎｔ ｓｏｆｔｗａｒｅ ｎａｍｅｄ Ｎｅｔｌｏｇｏ．Ｔｈｅ ｅｖｏｌｕｔｉｏｎ ｏｆ ｆｉｎａｎｃｉａｌ ｍａｒｋｅｔｓ ｉｓ ｄｙｎａｍｉｃａｌｌｙ ｓｉｍｕｌａｔｅｄ ａｆｔｅｒ ｔｈｅ ｅｎｔｅｒｐｒｉｓｅｓ ｉｎｔｒｏｄｕｃｅ ｆｉｎａｎｃｉａｌ ｐｏｌｉｃｙ，ｔｏ ｓｈｏｗ ｔｈｅ ｍｕｔｕａｌ ｉｎｔｅｒａｃｔｉｏｎ ｏｆ ｅｎｔｅｒｐｒｉｓｅｓ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｉｎ ｔｈｅ ｆｉｎａｎｃｉａｌ ｍａｒｋｅｔ ｏｖｅｒ ｔｉｍｅ． Ｅｖｅｎｔｕａｌｌｙ，ｔｈｅ ｅｖｏｌｕｔｉｏｎ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｓｔａｔｅ ｏｆ ｔｈｅ ｅｎｔｅｒｐｒｉｓｅ ｕｎｄｅｒ ｔｈｅ ｆｉｎａｎｃｉａｌ ｐｏｌｉｃｙ ｗｉｌｌ ｂｅ ｆｅｅｄｂａｃｋ ａｎｄ ｑｕａｎｔｉｆｙ ｔｈｅ ｍａｒｋｅｔ ｉｎｃｅｎｔｉｖｅｓ ｏｆ ｐｏｌｉｃｙ，ｗｈｉｃｈ ｉｓ ａ ｐｅｒｆｅｃｔ ｃｏｍｂｉｎａｔｉｏｎ ａｎｄ ｉｎｔｅｇｒａｔｅｄ ｉｎｎｏｖａｔｉｏｎ ｏｆ ｓｏｃｉａｌ ｓｃｉｅｎｃｅ ａｎｄ ｎｅｔｗｏｒｋ ｔｈｅｏｒｙ． Ｋｅｙ ｗｏｒｄｓ：ｍｕｌｔｉ—ａｇｅｎｔ ｓｉｍｕｌａｔｉｏｎ；ｆｉｎａｎｃｉａｌ ｐｏｌｉｃｙ；ｅｎｔｅｒｐｒｉｓｅ；ｓｔａｔｅ ｐｒｅｄｉｃｔｉｏｎ （责任编辑：晟宸） —．１０５－
