埃尔法罗酒吧出席人数协调模型

埃尔法罗酒吧出席人数协调模型描述了不确定条件下的协调——当热门酒吧在到场人数过多时会变得令人不快，每个人都必须预判其他所有人的选择，决定是否前往。这个问题的重要性在于其反直觉的结果——即使没有任何个人策略能够可靠地预测人群，群体仍能共同接近期望的结果，而无须中央权威指挥任何人的选择。

协调问题

模型从一个熟悉的两难处境开始——当地酒吧在不拥挤时令人愉快，拥挤时则令人难受。如果人人都预料当晚会很热闹而留在家中，酒吧就会空无一人，前往的人会玩得开心。如果人人都预料酒吧会很清静而前去，那里就会挤得满满当当。因此，这一决定相互依存——对一个人来说何种选择合理，取决于预期其他所有人会怎么做，而其他人也面临同样的计算。

原则上，中央规划者可以分配每周获准入场的人选，将出席人数维持在理想水平。但这样做会妨碍人们自由选择自己的行动方式。因此，任何可行的解决办法都必须从个人决策的组合中产生。挑战不只是预测出席人数，而是在预测本身会改变人们选择的情况下实现协调。

阿瑟的埃尔法罗模型

在二十世纪九十年代初，经济学家布赖恩·阿瑟以圣菲的一家酒吧埃尔法罗为这个问题命名；有爱尔兰音乐演出的夜晚，这家酒吧可能会变得过于拥挤。在他的模型中，酒吧的容量阈值设为百分之六十——出席人数低于这一水平时，所有到场者都会玩得开心；超过这一水平时，则无人会玩得开心。只有预期出席人数会低于阈值时，人们才会前往。

由于无法用数学推导出唯一答案，阿瑟为模拟中的酒吧顾客设置了不同的预测策略。有些人认为出席人数会与上周持平；另一些人参考自己上一次到访当晚的人数，对最近几周的出席人数取平均，或者预测本周的情况会与上周相反。即便某人没有去酒吧，也能了解到酒吧当时有多拥挤。

随后，阿瑟运行计算机实验，模拟一百周的出席情况。参与者采用的策略造成了剧烈而不规则的波动，而非稳定的模式。有时酒吧连续三四周超过百分之六十的阈值；另一些时候，五周中有四周未达到满员。没有哪一种策略能永远奏效——一时成功的方法最终都不得不放弃。

在模型中，这些波动会造成实际代价。有些星期五酒吧拥挤得让任何人都无法尽兴；另一些时候，人们待在家里，而如果他们前去，本来会玩得开心。然而，在这百周之内，平均出席率恰好是百分之六十——在这一水平上，尽可能多的人能够享受酒吧，同时无人会玩得不开心。个别人的失误并未妨碍人群随着时间推移达到其偏好的平均水平。

通过经历采取的另一种路径

几年后，工程师安·M·贝尔和威廉·A·塞瑟斯以一种不那么复杂的策略研究这个问题。他们没有让酒吧顾客采用各种出席人数预测，而是给所有人同一条简单规则——近期到访体验愉快，就再次前往；体验不愉快，就暂时不去。

这些参与者掌握的信息少于阿瑟模型中的参与者。他们不试图推测其他人在想什么，也不知道自己没去的那些晚上埃尔法罗酒吧有多拥挤。他们依据的是自己在酒吧的亲身经历。经过足够长的时间，让每个人都能判断一次到访是愉快还是糟糕之后，出席人数稳定在略低于酒吧容量百分之六十的水平。这个结果略逊于信息充分的中央规划者所能实现的理想水平，但它来自人们遵循自身经历，而非通过共同预测来协调。

两项实验之间的对比颇具启示。阿瑟模型中的参与者会随着情况变化，在不同策略之间反复调整；贝尔和塞瑟斯模型中的参与者则依靠共同的、立足本地经验的反馈规则。两种方法都未能消除不确定性，也无法让每个星期五都顺利。不过，二者通过不同路径，都得到了接近理想水平的群体结果。

本地知识与集体智慧

这些实验展现了集体决策中的一项更广泛的张力。分权有助于保持独立性与专业化，使接近问题的人能够运用植根于其具体经历的知识。但分权无法保证某个系统局部发现的有用信息会传达到其他部分。因此，无论是人群、公司还是情报机构，都面临两项要求——保留个人知识的本地特性，同时设法使这些知识能够为群体所用。

埃尔法罗的例子表明，独立并不意味着混乱。即使人们的决定彼此相关，即使没有无所不能的规划者，也没有任何个人能确信自己每次都正确，他们仍能共同产生具有集体智慧的结果。在简单的反馈版本中，参与者无须掌握人群的完整情况；仅凭自己的近期经历，就足以帮助出席人数朝共同目标靠拢。结果并不完美，却接近群体共同期望的平衡。

这个模型更广泛的启示并非所有分权群体都会成功协调，而是集体智慧能够从多样化或依本地信息作出的决策互动中涌现，同时中央控制也有其自身代价。实际问题在于，如何让个人继续运用自己掌握的信息，同时创造出能让各自判断与信号影响群体结果的方式。