又如网贷征信：一群网贷公司，为了提升风控水平、降低风控成本，决定共享用户的信用和借贷记录。然而，每一家都想着，我不用认真做征信，直接用平台上别人家的数据就好……结果就是互相坑队友，集中爆雷。

除此之外，大到联合国事务，小到团队作业，都少不了关于搭便车的争论。

03 囚徒困境

甲乙合伙作案，被警方抓获，但警方没有足够的证据指控，于是分开审讯两人。这时，甲乙的命运面临四种可能：

如果两人都不招供，各判1年；

甲招供并检举对方，而乙沉默，则释放甲，判乙10年；

甲沉默乙招供，则判甲10年，释放乙；

如果甲乙都招供，各判5年。

不难看出，“无论对方招不招供，自己都招”对每个囚徒来说都是最有利的选择（局部最优），而双方都这样选，就会共同落入背叛结局（全局最劣）——这就是“囚徒困境”。

囚徒困境同样有很多衍生情况，例如企业价格战：

甲乙公司都不打价格战，则维持现状；

甲打乙不打，甲会抢到更多的市场；

甲不打乙打，乙会抢到更多的市场；

甲乙都打，非但市场份额不变，双方的营收压力还大幅增加。

又如国家关税战：

甲乙两国都不打关税战，好好开门做生意；

甲打乙不打，甲国企业的竞争力增强；

甲不打乙打，乙国企业的竞争力增强；

甲乙都打，就是我们正在经历的事，中美两国的贸易关系受损，各国经济也受影响。（当然，我们是不得不打）

人际关系、城际发展、国际政治、生物进化……随处可见囚徒困境的案例。

04 全局最优？

那么，全局最优是什么样呢？并不是所有场景都能实现全局最优，因为全局最优往往需要“上帝视角”和“顶层规划”。

往大里说，气候变化协定、关税贸易协定、央行征信系统、全民防疫计划、高铁航运规划就是追求全局最优；往小里说，滴滴的车辆调配方案就是追求全局最优。

很多人有过疑问，为什么明明附近有车，滴滴却要派一个远处的单？——为的就是全局最优。

滴滴本质上是一个协调者、撮合者，运用大数据算法和经济学规律，在高峰期尽量让更多乘客能打到车，让低谷期司机能够有单可接。

大数据算法意味着，让更多的人更快打到车，未必是个别用户打到最近的车，但所有人的整体等待时间缩短了。

经济学规律则意味着，通过分时计价等方式，平衡、撮合供需双方，实现市场均衡。在高峰期、恶劣天气或热点区域激励更多司机出车，提升应答率，也激励用户选择拼车、优享、专车等出行方式，缓解运力不足。