提高罚款，减少的不是违规
这是这本书里最反直觉的一章。它要说的事情大约是这样：你手里握着一个旋钮，上面写着「加重处罚」。你拧它，指望违规率下降。它确实会带来变化，但变的是另一个数——查处率。违规率会精确地停在原地，一个百分点都不动。而这不是模型的缺陷，这是均衡的定义直接推出来的。
一家公司想治一治摸鱼。现状是：员工可以认真干活，也可以偷懒；主管可以去查岗，也可以不查。查岗要花主管的时间，查不查全凭他自己安排。抓到偷懒的人要扣钱。
老板决定把「抓到偷懒的扣款」从 10 提到 30，其他什么都不改：主管查一次的成本没变，抓到的好处没变，没抓到的损失也没变。
问：一段时间以后，稳定下来的偷懒率会怎么变？
这一题选 C 的人通常有两种：真的懂，或者觉得「这么问肯定是 C」。请顺便预测一下第二个数：主管的查岗频率会怎么变？
把这件事写成一张表
先立五个数：
员工这边 G 偷懒省下的力气（不被抓时的好处） F 被抓到要赔多少（罚款） 主管这边 C 查一次要花多少（时间、人情、精力） B 抓到一个偷懒的人，主管得到多少（业绩、威信） L 没查、而对方正好在偷懒，主管损失多少
写成收益格。行是员工，列是主管：
主管：查 主管：不查 员工：干活 0 \ −C 0 \ 0 员工：偷懒 −F \ (−C+B) G \ −L
先划一遍线。员工：主管查的时候，干活得 0、偷懒得 −F，干活更好（横杠在左上）；主管不查的时候，干活得 0、偷懒得 G，偷懒更好（横杠在右下）。主管：员工干活时，查得 −C、不查得 0，不查更好（竖杠在右上）；员工偷懒时，查得 −C+B、不查得 −L，只要 B + L > C 就是查更好（竖杠在左下）。
四道杠又转起圈来了——和第 2 章那个猜硬币一模一样。没有纯策略均衡。这很符合直觉：主管要是固定每周三查，大家周三就老实；员工要是天天偷懒，主管就天天查。
所以答案在概率里。
解出那两个概率
记员工偷懒的概率是 s，主管查岗的概率是 c。
第 2 章那句话在这里要派上大用场：每个人的概率，是用来让对手无所谓的。所以——
求 s：让主管在「查」和「不查」之间无所谓。
主管查的期望收益 = (1−s)·(−C) + s·(−C+B) = −C + s·B
主管不查的期望收益 = (1−s)·0 + s·(−L) = −s·L
相等 ⇒ −C + s·B = −s·L
⇒ s·(B + L) = C
⇒ s = C / (B + L)
# ★ 看清楚这个式子里有什么：C、B、L 全是主管的数。
# ★ 更要看清楚它里面没有什么：一个 F 都没有，一个 G 都没有。
求 c：让员工在「干活」和「偷懒」之间无所谓。
员工干活的期望收益 = 0
员工偷懒的期望收益 = c·(−F) + (1−c)·G = G − c·(F + G)
相等 ⇒ G − c·(F + G) = 0
⇒ c = G / (F + G)
# ★ 这个式子里全是员工的数：F 和 G。
# ★ 一个 C、B、L 都没有。
两个式子完全交叉。员工的行为由主管的账本决定，主管的行为由员工的账本决定。
于是那件荒谬的事就发生了
老板拧的那个旋钮是 F。而 F 只出现在 c 的式子里。
代进具体的数（C = 2，B = 3，L = 5，G = 5）：
| 罚款 F | 偷懒率 s = C/(B+L) | 查处率 c = G/(F+G) |
|---|---|---|
| 10 | 2/8 = 1/4 = 25.00% | 5/15 = 1/3 = 33.33% |
| 20 | 2/8 = 1/4 = 25.00% | 5/25 = 1/5 = 20.00% |
| 30 | 2/8 = 1/4 = 25.00% | 5/35 = 1/7 = 14.29% |
罚款翻了三倍，偷懒率纹丝不动地停在 25%。掉下去的是查处率：从 33.33% 掉到 14.29%，少了一半还多。
这个结果的机制其实一点都不神秘：罚款一重，员工确实更怕被抓——所以主管不用查那么勤，也能把偷懒率压在同一个水平上。而主管查得少，是因为查岗对他有成本，能省则省。两边一调整，偷懒率就回到了原来的位置。
换句话说：加重处罚带来的好处，被稽查方悄悄兑换成了自己的省事。
威慑这个词在日常里指「让人不敢做」。在混合均衡里，它是一个更精确的东西：让对方在做与不做之间恰好无所谓的那个力度。
一旦超过这个力度，多出来的部分不会转化成「更不敢做」——它会转化成对方那边的松懈。这不是人性懒惰，这是均衡的算术。
那到底怎么才能减少偷懒？
式子已经把答案写在脸上了：s = C / (B + L)。想让 s 降下来，只有三条路：
- 降低 C——让查岗变便宜。装个自动化的看板，让主管一眼就能看到进度，查一次的成本从半小时降到十秒。
- 提高 B——让「抓到」这件事对主管更有价值。比如把「发现问题」也算进主管的绩效。
- 提高 L——让「漏掉」对主管更痛。比如出了事故主管连带担责。
这三条全都在主管那一侧。想改变员工的行为，你得去动主管的收益表。这个结论对大多数管理者来说都是逆着走的。
顺带一提，这也解释了为什么「自动化监控」的威力常常大得离谱：它把 C 压到接近 0，于是 s = C/(B+L) 也跟着趋近 0。它不是靠吓人，是靠让稽查变得几乎不要钱。
这个模型有个正式名字叫稽查博弈（inspection game），政治学家 George Tsebelis 在 1989 年用它写过一篇很有名的文章，标题大意就是「加重刑罚为什么不管用」。他的论点正是上面这条算术：加重刑罚在均衡里改变的是执法频率，不是违法率。
需要说清楚的是，这条结论有它的适用范围。它假设的是：执法方会根据违法率调整自己的力度。如果执法频率是外生固定的（法律规定必须百分之百检查、或者由不受违法率影响的自动系统执行），那么加重处罚确实能降低违法率——因为这时候右边那个式子被钉死了，均衡的逻辑不再适用。
所以这一章真正的教训不是「重罚没用」，而是：在评估任何一条政策之前，先问它会引起谁的反应。你以为你在调一个数，其实你在调整一整个均衡。
「要减少某种行为，就提高它的代价。代价越高，这种行为越少。」
这句话在单人决策里永远成立：提高价格，一个人的购买量下降。
但在有对手会调整的场合，它经常失效。因为对手也在优化，你加的那份压力会被他的松懈吃掉。要判断哪种情况，问一句话就够了：另一边的人，会不会因为我这么做而改变他的做法？会，就得解均衡；不会，直觉就对。
这也是这本书最实用的一条动作：看到一个数字要动，先找出「谁会因此改变行为」，再看那个数字最后落在谁头上。
正确答案是 C：偷懒率完全不变，稳稳停在 25%。变的是查处率，从 33.33% 掉到 14.29%。
A 「罚得越狠，敢偷懒的人越少」——这是把单人决策的直觉直接搬了过来。它默认主管的查岗频率是固定的。可是查岗要花主管自己的时间，他当然会随行就市。这个默认假设是整个错误的源头。 B 「下降一点」——这个答案在直觉上最舒服，因为它给两种力量各留了一点面子。但均衡不是折衷，它是精确解：s 的表达式里根本没有 F 这个符号，所以变化量精确地是零。 D 「反而上升」——方向想反了，但这个答案背后的感觉是对的：它察觉到了「主管会松懈」这件事。只是松懈的量恰好补偿到偷懒率不变为止，不会过头——因为一旦偷懒率上升，主管又会重新查得勤起来。老板真心想把偷懒率从 25% 降到 10%，预算有限。改哪里？
拧罚款 F：从 10 到 30 到 100，偷懒率永远是 C/(B+L) = 2/8 = 25%。一分钱效果都没有。 拧查岗成本 C：装一块所有人都能看见的进度看板，把查一次的成本从 2 降到 0.8 ⇒ s = 0.8/8 = 10%。达标。请注意这两个动作在观感上的差别：一个是「加大惩罚」，听起来强硬；一个是「让进展更透明」，听起来温和。而算术说，只有后者有效。
这一章的一句话
在有对手会调整的地方，你按下的旋钮和你想调的那个数，中间隔着一整个均衡；你的概率从来不为你自己服务，它服务于让对方无所谓。
下一章换一种「读心」：不再是读一个人的收益，而是读一群人想到第几层。有一个经典的游戏，所有人写一个 0 到 100 的数，谁最接近全场平均数的三分之二谁赢。均衡的答案是 0——可是写 0 几乎从来不会赢。一层层往下算：50 → 33.33 → 22.22 → 14.81 → 9.88，你该停在第几层？