Kapitel 11 fragte: Produzieren Wettbewerbsmärkte bei gegebenen Präferenzen und Ausstattungen effiziente Ergebnisse? Die Antwort — ja, unter den Bedingungen der Wohlfahrtssätze — nimmt den Marktmechanismus als gegeben an. Dieses Kapitel kehrt die Frage um: Kann man bei einem gewünschten Ergebnis einen Mechanismus entwerfen, um es zu erreichen?
Mechanismusdesign wird oft als „umgekehrte Spieltheorie“ bezeichnet. Statt das Ergebnis eines Spiels vorherzusagen, entwerfen wir das Spiel, um ein gewünschtes Ergebnis zu erzielen. Marktdesign wendet diese Ideen auf reale Institutionen an: Auktionen, Matching-Märkte, Frequenzvergabe, Nierentausch.
Voraussetzungen: Kapitel 7 (Grundlagen der Spieltheorie, Nash-Gleichgewicht) und 10 (Wohlfahrtssätze, allgemeines Gleichgewicht).
Die Herausforderung: Die Typen der Agenten sind privat. Wie bringen wir sie dazu, ihre Typen wahrheitsgemäß zu offenbaren?
Abbildung 12.1. Zeitstrahl des Mechanismusdesigns.
Der Mechanismusdesigner wählt die Regeln (Nachrichtenraum und Ergebnisfunktion), um eine gewünschte soziale Wahlfunktion zu erreichen.
Ein direkter Mechanismus bittet jeden Agenten, einfach seinen Typ (seine private Information) zu berichten. Er ist anreizkompatibel (IC), wenn wahrheitsgemäße Berichterstattung eine Gleichgewichtsstrategie ist: kein Agent profitiert vom Lügen.
Dies ist die mächtigste Vereinfachung im Mechanismusdesign. Prinzipiell ist der Raum möglicher Mechanismen unendlich groß. Eine Auktion könnte beliebig viele Runden haben, beliebige Gebotsregeln, beliebige Zahlungsformeln. Ein Matching-Algorithmus könnte auf jede erdenkliche Weise funktionieren. Die Suche nach dem besten Mechanismus unter allen möglichen scheint aussichtslos.
Das Offenbarungsprinzip besagt: Sie müssen nicht suchen. Welches Ergebnis auch immer irgendein Mechanismus erzielen kann, ein direkter Mechanismus (fragen Sie einfach jeden, wahrheitsgemäß zu berichten) kann dasselbe Ergebnis erzielen. Das Mechanismusdesign-Problem reduziert sich also auf: Finde die beste Zuteilungsregel und Zahlungsregel als Funktionen der gemeldeten Typen, unter der Nebenbedingung, dass wahrheitsgemäße Berichterstattung optimal ist. Dies verwandelt eine unmöglich breite Suche in ein wohldefiniertes Optimierungsproblem.
Was das besagt: If some elaborate game can reach an outcome, then a plain "just tell the truth" game can reach the same outcome — so there is never any need to study elaborate mechanisms. We only ever study truthful direct mechanisms, where each agent simply reports their private type. "Incentive compatible" then means exactly one thing: honesty is the agent's best move.
Warum das wichtig ist: The two strengths differ in how robust that honesty is. Dominant-strategy (DSIC) honesty holds no matter what anyone else does — you never need to guess others' types. Bayesian (BIC) honesty holds only on average, assuming everyone else is also telling the truth; it is weaker but lets the designer implement more outcomes. The revelation principle is what turns an impossibly large search over all conceivable auctions, algorithms, and rules into one well-posed problem: find the allocation-and-payment rule that makes truth-telling optimal.
In Full Mode, Eq. 12.1 (DSIC) and Eq. 12.2 (BIC) state the two incentive-compatibility conditions formally.DSIC ist stärker, aber schwerer zu erreichen. BIC ist schwächer, erlaubt aber mehr Mechanismen.
Auction theory and mechanism design were partly a Cold-War product — RAND, von Neumann, and the strategic-rationality program shaped the field.
Dies ist das Mechanismusdesign-Analogon zu Arrows Unmöglichkeitstheorem. Es besagt, dass in allgemeinen Sozialwahlsituationen kein nicht-diktatorischer Mechanismus wahrheitsgemäße Präferenzoffenbarung in dominanten Strategien erzielen kann.
Der Ausweg: Beschränke den Bereich. Mit quasi-linearen Präferenzen ($U_i = v_i(a) + t_i$, wobei $t_i$ ein monetärer Transfer ist) fällt die Gibbard-Satterthwaite-Barriere. Der VCG-Mechanismus erreicht Effizienz und DSIC mit Transfers.
Der Vickrey-Clarke-Groves (VCG)-Mechanismus erreicht eine effiziente Allokation mit wahrheitsgemäßer Berichterstattung als dominante Strategie unter Verwendung monetärer Transfers.
Is competition an end-state to be engineered, or a discovery process that resists design? Hurwicz's incentive-compatibility program sits right on that fault line.
Die effiziente Allokation maximiert den Gesamtwert: $a^*( heta) = argmax_a sum_i v_i(a, heta_i)$.
Agent $i$ zahlt die Externalität, die sie auf andere ausübt: die Differenz zwischen der Wohlfahrt der anderen mit und ohne $i$.
Warum ist wahrheitsgemäße Berichterstattung dominant? Bei wahrheitsgemäßer Berichterstattung ist die Auszahlung von Agent $i$:
$$v_i(a^*(\theta)) + t_i = v_i(a^*(\theta)) + \sum_{j \neq i} v_j(a^*(\theta_{-i})) - \sum_{j \neq i} v_j(a^*(\theta))$$
Dies vereinfacht sich zu $sum_j v_j(a^*( heta)) - sum_{j eq i} v_j(a^*( heta_{-i}))$. Der zweite Term hängt nicht von $i$s Bericht ab. Also maximiert $i$ ihre Auszahlung, indem sie ihren Bericht so wählt, dass $sum_j v_j(a^*( heta))$ maximiert wird, was bei wahrheitsgemäßer Berichterstattung geschieht, da $a^*$ bereits den Gesamtwert maximiert.
Was das besagt: You pay the harm your presence imposes on everyone else — the difference between what the others could have achieved without you and what they achieve with you in the room. That bill depends only on the others' values, never on your own report, so you cannot shrink it by shading what you say.
Warum das wichtig ist: Because your payment is locked by the others, your only remaining lever is to help the mechanism pick the outcome that maximizes total value — and that outcome is best for you precisely when you report your true value. Lying can only steer the allocation away from the efficient one, which can never make you better off. That is why truth-telling is a dominant strategy: it works regardless of what anyone else does. In the single-object case this rule is exactly the second-price (Vickrey) auction — the winner pays the runner-up's bid.
In Full Mode, the algebra shows the second term of the payoff is independent of agent $i$'s report.Geben Sie Agentenwerte für einen einzelnen unteilbaren Gegenstand ein. Der Rechner berechnet VCG-Zahlungen (äquivalent zu einer Zweitpreisauktion für einen einzelnen Gegenstand).
Abbildung 12.2. Agentenwerte und VCG-Zahlungen. Jeder Agent zahlt die Externalität, die er auf andere ausübt. Der Gewinner zahlt den zweithöchsten Wert (bei einem einzelnen Gegenstand reduziert sich VCG auf die Vickrey-Auktion).
Drei Bürger bewerten eine Brücke mit $v_1 = 30$, $v_2 = 25$, $v_3 = 15$. Die Kosten betragen $C = 60$.
Bauen, wenn \$\sum v_i > C\$: \\$10 > 60\$ → ja.
Clarke-Steuerzahlungen:
Gesamteinnahmen: \\$10 + 15 + 5 = 40 < 60\$. Es gibt ein Budgetdefizit von 20; VCG erreicht im Allgemeinen kein Budgetgleichgewicht. Jeder Agent zahlt seinen „pitvotalen“ Beitrag.
| Format | Regeln | Gewinner zahlt |
|---|---|---|
| Englisch (aufsteigend) | Bieter erhöhen Gebote; letzter Bieter gewinnt | Zweithöchster Wert (ca.) |
| Holländisch (absteigend) | Preis sinkt, bis jemand zugreift | Sein Gebot |
| Erstpreisauktion mit verdeckten Geboten | Höchstes Gebot gewinnt | Sein Gebot |
| Zweitpreisauktion mit verdeckten Geboten (Vickrey) | Höchstes Gebot gewinnt | Zweithöchstes Gebot |
Die Vickrey-Auktion (Zweitpreisauktion mit verdeckten Geboten) ist DSIC: Die dominante Strategie jedes Bieters ist, seinen wahren Wert $v_i$ zu bieten. Über $v_i$ zu bieten, riskiert einen Gewinn zu einem Preis über dem Wert; unter $v_i$ zu bieten, riskiert einen Verlust, wenn das zweithöchste Gebot unter $v_i$ liegt.
Die Implikation: Unter diesen Bedingungen sind die Unterschiede zwischen Auktionsformaten (offen vs. verdeckt, aufsteigend vs. absteigend, Erstpreis vs. Zweitpreis) für den erwarteten Erlös irrelevant.
Die Erlösäquivalenz bricht in mehreren häufigen Fällen zusammen:
Legen Sie die Anzahl der Bieter und ihre Wertverteilung fest. Führen Sie einzelne Auktionen durch, um individuelle Ergebnisse zu sehen, oder führen Sie 100 Runden durch, um die Erlösäquivalenz zu beobachten (Durchschnittserlöse konvergieren über Formate). Passen Sie den Risikoaversions-Schieberegler an, um die Äquivalenz zu brechen.
Abbildung 12.3. Auktionsergebnisse. In einzelnen Durchläufen unterscheiden sich die Erlöse zwischen den Formaten aufgrund von Zufälligkeit. Über 100 Durchläufe konvergieren die durchschnittlichen Erlöse und demonstrieren die Erlösäquivalenz. Erhöhen Sie die Risikoaversion ($\rho > 0$), um die Äquivalenz zu brechen: Der Erstpreiserlös steigt über den Zweitpreiserlös.
Wenn der Verkäufer den Erlös maximieren will (nicht die Effizienz), zeigte Myerson, dass der optimale Mechanismus den virtuellen Wert verwendet:
wobei $F$ die Verteilungsfunktion und $f$ die Dichtefunktion der Wertverteilung des Bieters ist.
Die optimale Auktion teilt dem Bieter mit dem höchsten virtuellen Wert zu, vorausgesetzt dieser ist positiv. Wenn alle virtuellen Werte negativ sind, behält der Verkäufer den Gegenstand. Dies impliziert einen Reservepreis: der Verkäufer setzt ein Mindestgebot gleich $psi^{-1}(0)$.
Was das besagt: A revenue-maximizing seller does not treat a bid at face value. Each bid is mentally discounted by the "information rent" the seller must concede to keep bidders honest — the discounted figure is the bidder's virtual value. The seller awards the item to the highest virtual value, and only sells at all when even that discounted value clears zero.
Warum das wichtig ist: That zero-crossing cutoff IS the optimal reserve price. Below it, holding the item beats selling, because the extra revenue squeezed from high-value bidders by keeping the reserve high outweighs the lost sales to low-value bidders. This is why even a seller who values the object at nothing should sometimes refuse to sell — the reserve is a strategic commitment, not a cost floor. The same logic reappears in optimal income taxation: the planner discounts each taxpayer by the incentive cost of taxing them, and only redistributes where the discounted gain stays positive.
In Full Mode, Eqs. 12.4–12.6 define the virtual value $\psi(\theta)$ and the reserve condition $\psi(r^*) = 0$.Werte gleichverteilt auf $[0, 1]$: $F(\theta) = \theta$, $f(\theta) = 1$.
$\psi(\theta) = \theta - (1-\theta)/1 = 2\theta - 1$
$\psi(\theta) = 0 \implies \theta = 1/2$. Optimaler Reservepreis = $1/2$.
Eine Zweitpreisauktion mit Reserve $1/2$ ist optimal: Der Gegenstand wird nur verkauft, wenn mindestens ein Bieter ihn über $1/2$ bewertet.
Für Werte aus der Gleichverteilung$[0, V_{\max}]$ ist der virtuelle Wert $\psi(\theta) = 2\theta - V_{\max}$. Ziehen Sie den Reservepreis-Schieberegler. Die Erlöskurve zeigt den erwarteten Erlös als Funktion des Reservepreises. Der optimale Reservepreis (der den erwarteten Erlös maximiert) ist hervorgehoben.
Abbildung 12.4a. Virtuelle Wertfunktion $\psi(\theta) = 2\theta - 1$ (für $U[0,1]$). Der Reservepreis wird dort gesetzt, wo $\psi(r) = 0$. Bieter mit $\theta < r$ werden ausgeschlossen (rot schattiert).
Abbildung 12.4b. Erwarteter Erlös als Funktion des Reservepreises. Der grüne Punkt markiert den optimalen Reservepreis, der den erwarteten Erlös maximiert. Ihr gewählter Reservepreis wird als blauer Punkt angezeigt.
Eine Regierung vergibt eine Lizenz an eines von zwei Unternehmen. Unternehmen $i$ hat einen privaten Wert $\theta_i \in \{L, H\} = \{10, 50\}$, jeweils gleich wahrscheinlich.
Zuteilung an das Unternehmen, das den höheren Wert meldet; bei Gleichstand Zuteilung an Unternehmen 1. Der Gewinner zahlt 30.
IC-Prüfung für ein Unternehmen mit hohem Wert ($\theta = 50$):
Wahrheitsgemäße Berichterstattung ist besser. IC gilt für Typ $H$.
IC-Prüfung für ein Unternehmen mit niedrigem Wert ($\theta = 10$):
Wahrheitsgemäße Berichterstattung ist besser. IC gilt für Typ $L$. Der Mechanismus ist anreizkompatibel.
Zwei Bieter mit Werten, die unabhängig aus $U[0, 100]$ gezogen werden.
Zweitpreisauktion: Erwarteter Erlös = $E[\text{zweithöchster Wert}] = 100/3 \approx 33.33$.
Erstpreisauktion: Optimales Gebot bei 2 Bietern: $b(\theta) = \theta/2$. Erwarteter Erlös = $E[\max(b_1, b_2)] = E[\max(\theta_1/2, \theta_2/2)] = E[\max(\theta_1, \theta_2)]/2 = (200/3)/2 = 100/3 \approx 33.33$.
Beide Formate liefern einen erwarteten Erlös von \\$100/3\$, was die Erlösäquivalenz bestätigt. Die Erstpreisauktion erzeugt weniger variable Erlöse (jeder Gewinner zahlt genau die Hälfte seines Wertes), während die Zweitpreisauktion eine höhere Varianz aufweist (die Zahlung hängt vom zweithöchsten Wert ab, der stark variieren kann).
Der Verkäufer möchte seine Kosten übertreiben (um einen höheren Preis zu erzielen). Der Käufer möchte seinen Wert untertreiben (um weniger zu zahlen). Anreizkompatibilität erfordert, beiden Parteien „Informationsrenten“ zu überlassen. Diese Renten sind kostspielig, und bei Budgetausgleich reicht der Überschuss nicht aus, um beide Renten zu zahlen und sicherzustellen, dass alle effizienten Tausche stattfinden.
Reale Verhandlungen unter privater Information beinhalten stets Ineffizienz: Gehaltsverhandlungen, Gebrauchtwagenkauf, Unternehmensübernahmen. Institutionen wie Festpreise, Reputationssysteme und standardisierte Verträge mildern das Problem, können es aber nicht vollständig beseitigen.
Manche Güter können nicht durch Preise zugeteilt werden: wir verkaufen nicht (oder sollten nicht verkaufen) Schulzulassungen, Organtransplantationen oder Facharztpositionen. Matching-Märkte verwenden stattdessen Algorithmen.
Was das besagt: Watch the deferred-acceptance algorithm run: proposers always walk down their preference lists (each rejection sends them to a less-preferred choice), while responders always trade up (they only ever swap a tentative partner for a better one). Nobody is ever revisited after a rejection, so the process cannot loop forever — it must stop, and it does so quickly (in at most $n^2$ rounds).
Warum das wichtig ist: When it stops, the matching is stable: there is no pair who both prefer each other to their assigned partners, so no one has an incentive to "elope." Stability is exactly what makes a match self-enforcing — it stays put without any prices or payments. That is why the same algorithm runs the medical-residency match, school choice, and kidney exchange: it manufactures a stable outcome in markets where money cannot do the allocating.
In Full Mode, Eq. 12.8 states the termination bound and the stable-matching guarantee.Theorem (Gale & Shapley, 1962). Der Algorithmus terminiert in höchstens $n^2$ Runden und erzeugt eine stabile Zuordnung: kein nicht zugeordnetes Paar zieht sich gegenseitig dem aktuellen Partner vor.
Der Algorithmus der aufgeschobenen Akzeptanz hat vier bemerkenswerte Eigenschaften:
Geben Sie Präferenzlisten für Studierende und Schulen ein. Der Algorithmus animiert jede Runde: Vorschläge, vorläufige Zusagen und Ablehnungen. Geben Sie Präferenzen als kommagetrennte Namen ein (z.B. „W,X,Y,Z“).
Vier Studierende (A, B, C, D) und vier Schulen (W, X, Y, Z). Studierende machen Vorschläge.
| Studierende/r | Präferenzen | Schule | Präferenzen |
|---|---|---|---|
| A | W > X > Y > Z | W | B > A > D > C |
| B | X > W > Y > Z | X | A > B > C > D |
| C | W > Y > X > Z | Y | C > D > A > B |
| D | Y > W > X > Z | Z | D > C > B > A |
Die endgültige Zuordnung ist A-W, B-X, C-Y, D-Z, die stabil ist: Kein Paar möchte abweichen. Nutzen Sie die obige Interaktion zur schrittweisen Überprüfung.
Führen Sie Gale-Shapley mit Studierenden als Vorschlagende vs. Schulen als Vorschlagende aus. Vergleichen Sie die beiden stabilen Zuordnungen. Die vorschlagende Seite erhält stets ihre beste stabile Zuordnung; die antwortende Seite ihre schlechteste.
Alvin Roth (Nobelpreis 2012, geteilt mit Lloyd Shapley) beschreibt dies als den Ansatz des „Ökonomen als Ingenieur“: die Nutzung ökonomischer Theorie nicht nur zur Erklärung der Welt, sondern zur Gestaltung realer Institutionen, die das Leben der Menschen verbessern.
Märkte sind keine natürlichen Objekte, die spontan entstehen. Sie sind gestaltete Institutionen: Regeln, Algorithmen und Durchsetzungsmechanismen, die bestimmen, wer was bekommt, zu welchem Preis und durch welchen Prozess. Die Designentscheidungen bestimmen die Ergebnisse.
Die Stadt beschließt, das exklusive Recht zum Betrieb eines Limonadenstands an der besten Innenstadtecke zu versteigern. Drei potenzielle Anbieter: Maya ($v_M = 50$/Tag), Nate ($v_N = 35$/Tag), Olivia ($v_O = 20$/Tag). Werte gezogen aus $U[0, 60]$.
Zweitpreisauktion (Vickrey): Die dominante Strategie ist wahrheitsgemäßes Bieten. Maya bietet 50, Nate bietet 35, Olivia bietet 20. Maya gewinnt und zahlt 35.
Optimale Auktion (Myerson): Virtuelle Werte mit $F(\theta) = \theta/60$, $f(\theta) = 1/60$:
$\psi(\theta) = \theta - (60 - \theta) = 2\theta - 60$
Reservepreis: $\psi(\theta) = 0 \implies \theta = 30$.
Mayas virtueller Wert: \\$1(50) - 60 = 40\$. Nates: \\$10\$. Olivias: \$-20\$ (von der optimalen Auktion ausgeschlossen).
In einer Zweitpreisauktion mit Reserve 30: Maya gewinnt und zahlt $\max(35, 30) = 35$.
Roth als „Ökonom als Ingenieur“. Alvin Roth (Nobelpreis 2012) verwandelte das Mechanismusdesign von reiner Theorie in eine praktische Disziplin, die reale Märkte umgestaltet. Seine Arbeit zeigt, dass Märkte gestaltete Institutionen sind, keine Naturphänomene.
Das National Residency Matching Program (NRMP): Roth diagnostizierte, warum das ursprüngliche Facharzt-Matching versagte (Instabilität, strategische Manipulation) und gestaltete es mit aufgeschobener Akzeptanz neu. Das neue System ordnet jährlich ca. 40.000 Facharztpositionen zu.
Nierentausch: Roth, Sönmez und Ünver entwickelten Tauschprotokolle, die es inkompatiblen Spender-Patienten-Paaren ermöglichen, Spender über Transplantationsketten zu tauschen und so Tausende von Leben zu retten. Dies war reines Marktdesign: die Schaffung eines Marktes, wo keiner existierte, ohne Preise zu verwenden.
Schulwahl: Roth und Kollegen ersetzten Bostons manipulierbaren Schulzuweisungsmechanismus durch ein strategiesicheres System. Im alten System wurden Eltern bestraft, die ihre wahren Präferenzen angaben; im neuen System ist Ehrlichkeit stets optimal.
Frequenzauktionen: Milgrom und Wilson (Nobelpreis 2020) entwarfen kombinatorische Auktionen für die FCC, die Milliarden von Dollar einbrachten und gleichzeitig Frequenzlizenzen effizient zuteilten. Die Anreizauktion von 2017 allein brachte \\$19,8 Milliarden ein.
Der gemeinsame Faden: Die ökonomische Theorie liefert den Bauplan, aber die Umsetzung erfordert das Verständnis des spezifischen institutionellen Kontexts, der „Details“, von denen die reine Theorie abstrahiert.
See mechanism design positioned in the wider genealogy of economic ideas — and the lineage from von Neumann's game theory to the design of real markets — in the intellectual-genealogy graph (History of Economic Thought timeline).
The intellectual lineage behind this apparatus — Hurwicz's incentive-compatibility program, Maskin and Myerson on implementation and optimal auctions, Roth on matching, Milgrom and Wilson on auction design (the 2007 and 2020 Nobel Prizes) — is the subject of the History of Economic Thought, Ch. 11 (Information economics and the game-theory revolution) (chapter forthcoming). This chapter teaches the modern apparatus; that chapter tells where it came from.
Hurwicz framed mechanism design as a response to a problem the Austrians posed first: how can decentralized agents, each holding private information, be induced to act on knowledge no central planner possesses? For that older debate — Hayek's "knowledge problem" and the idea that competition is a discovery process rather than a designable end-state — see the Austrian tradition (History of Economic Thought, Ch. 6).
| Bezeichnung | Gleichung | Beschreibung |
|---|---|---|
| Gl. 12.1 | $U_i(\theta_i, \theta_i) \geq U_i(\hat{\theta}_i, \theta_i)$ für alle $\hat{\theta}_i, \theta_{-i}$ | DSIC |
| Gl. 12.2 | $E[U_i(\theta_i, \theta_i)] \geq E[U_i(\hat{\theta}_i, \theta_i)]$ | BIC |
| Gl. 12.3 | $t_i = \sum_{j \neq i} v_j(a^*(\theta_{-i})) - \sum_{j \neq i} v_j(a^*(\theta))$ | VCG-Zahlung |
| Gl. 12.4 | $\psi(\theta) = \theta - (1-F(\theta))/f(\theta)$ | Myersons virtueller Wert |
Grundlegende Literatur: Myerson (1981); Vickrey (1961); Clarke (1971); Groves (1973); Gale & Shapley (1962); Roth (2002); Milgrom (2004).
In Teil V: graduierte Makroökonomie. Die Modelle werden ernst, und die politischen Debatten ebenso.