11.2 税率、手续费与消耗弹性
站内有一篇《游戏经济系统运营 2026》 ，那篇是一份产业 checklist：列清楚要盯哪些指标、设哪些告警。本节不重复清单，只做它清单里的一条——摩擦成本——并把它变成可跑、可扫、可找拐点的模型。11.1 盘完消耗槽后，交易税被单列出来，因为它是六类槽里唯一的百分比型、可回收槽：它不创造成长，只在玩家与市场之间抽一道水。
摩擦成本的两难很直接。收得太高，玩家会绕开市场：私下赠送、走第三方、干脆不交易，系统一分钱抽不到，还把交易从官方市场逼走，让经济更不可观测。收得太低，市场热闹但系统回收不足，流通中的资源越积越多，通胀压不住。所以问题不是「收不收」，而是「收多少」——这需要一个能找出最优点的模型。
从交易量到回收量：拉弗曲线
把税率设为变量 t（0% 到 20%），建一个最小模型：
- 交易量
volume(t)：税率每升 1%，一部分交易绕开市场。设每 1% 税率让交易量衰减 6%，则volume(t) = base × (100 - 6t) / 100，低于 0 时截断为 0。 - 回收量
recovery(t) = volume(t) × 均价 × t / 100：这是系统真正抽走的量。 - 玩家净收益
netBenefit(t) = volume(t) × 均价 × (100 - t) / 100：玩家成交后留在手里的价值。
关键在于 recovery(t) 是交易量（随税率下降）与税率（随税率上升）的乘积，因此它不是单调的——这就是拉弗曲线的形状：税率从 0 往上加，回收量先升后降，中间有一个拐点。拐点左侧加税回收增加，拐点右侧加税回收反而减少。
下面这段是 S 层仿真脚本，读 config/ch11_tax.json，把税率从 0% 扫到 20%，输出三条曲线的 CSV、拐点汇总 JSON 和一张三子图 SVG（回收量 / 交易量 / 玩家净收益各占一格，各自独立纵轴）：
# file: sim/ch11_tax_elasticity.py
# tier: S
# verify: python3 sim/ch11_tax_elasticity.py --config config/ --out out/
"""交易税/手续费的消耗弹性：税率从 0% 扫到 20%，模拟交易量、回收量、玩家净收益三条曲线。
税率越高，一部分交易绕开市场（走赠送/私聊），交易量线性衰减；回收量 = 交易量 × 均价 × 税率，
呈拉弗曲线，存在拐点。拐点右侧再加税，回收反而下降。
产出 out/ch11_tax_elasticity.json / ch11_tax_curve.csv / ch11_tax_elasticity.svg"""
import argparse, csv, json, os, xml.etree.ElementTree as ET
PANELS = [("回收量（税收）", "recovery", "#1f6feb"), ("交易量", "volume", "#d97706"), ("玩家净收益", "netBenefit", "#059669")]
def load(d, n):
with open(os.path.join(d, f"{n}.json"), encoding="utf-8") as f:
return json.load(f)
def sweep(c):
rows, t = [], c["taxPctLo"]
while t <= c["taxPctHi"]:
vol = max(0, c["baseTradesPerDay"] * (100 - c["avoidPctPerTaxPct"] * t) // 100)
gross = vol * c["avgTradeValue"]
rows.append({"taxPct": t, "volume": vol, "grossValue": gross,
"recovery": gross * t // 100, "netBenefit": gross * (100 - t) // 100,
"bypassPct": min(100, c["avoidPctPerTaxPct"] * t)})
t += c["taxPctStep"]
return rows
def draw(path, rows):
W, H, pl, pr, pt, gap, ph = 720, 480, 72, 24, 24, 24, 120
iw = W - pl - pr; n = max(len(rows) - 1, 1)
svg = ET.Element("svg", {"xmlns": "http://www.w3.org/2000/svg", "viewBox": f"0 0 {W} {H}"})
ET.SubElement(svg, "rect", {"width": str(W), "height": str(H), "fill": "#fff"})
for pi, (title, key, color) in enumerate(PANELS):
top = pt + pi * (ph + gap); ys = [r[key] for r in rows]; lo, hi = min(ys), max(ys)
ET.SubElement(svg, "text", {"x": str(pl), "y": str(top + 12), "font-size": "13"}).text = title
ET.SubElement(svg, "line", {"x1": str(pl), "y1": str(top), "x2": str(pl), "y2": str(top + ph), "stroke": "#cbd5e1"})
ET.SubElement(svg, "line", {"x1": str(pl), "y1": str(top + ph), "x2": str(W - pr), "y2": str(top + ph), "stroke": "#cbd5e1"})
ET.SubElement(svg, "text", {"x": str(pl - 8), "y": str(top + 12), "font-size": "10", "text-anchor": "end", "fill": "#475569"}).text = str(hi)
pts = " ".join(f"{pl + iw * j / n:.1f},{top + ph * (1 - (v - lo) / ((hi - lo) or 1)):.1f}" for j, v in enumerate(ys))
ET.SubElement(svg, "polyline", {"points": pts, "fill": "none", "stroke": color, "stroke-width": "2"})
k = max(range(len(ys)), key=lambda i: ys[i]); px = pl + iw * k / n
ET.SubElement(svg, "text", {"x": f"{px:.0f}", "y": str(top - 2), "font-size": "10", "text-anchor": "middle", "fill": color}).text = f"{rows[k]['taxPct']}%"
ET.SubElement(svg, "text", {"x": str(W - pr), "y": str(H - 6), "font-size": "11", "text-anchor": "end", "fill": "#475569"}).text = "横轴：税率 0% → 20%"
os.makedirs(os.path.dirname(path), exist_ok=True)
ET.ElementTree(svg).write(path, encoding="utf-8", xml_declaration=True)
def main():
ap = argparse.ArgumentParser(); ap.add_argument("--config", default="config/"); ap.add_argument("--out", default="out/")
a = ap.parse_args(); cfg = load(a.config, "ch11_tax"); rows = sweep(cfg)
os.makedirs(a.out, exist_ok=True)
with open(os.path.join(a.out, "ch11_tax_curve.csv"), "w", encoding="utf-8", newline="") as f:
w = csv.writer(f); w.writerow(["taxPct", "volume", "grossValue", "recovery", "netBenefit", "bypassPct"])
[w.writerow([r[k] for k in ("taxPct", "volume", "grossValue", "recovery", "netBenefit", "bypassPct")]) for r in rows]
peak = max(rows, key=lambda r: r["recovery"]); ch = next(r for r in rows if r["taxPct"] == cfg["chosenTaxPct"])
summary = {"version": 1, "taxRange": [cfg["taxPctLo"], cfg["taxPctHi"]], "kneeTaxPct": peak["taxPct"],
"kneeRecovery": peak["recovery"], "chosenTaxPct": ch["taxPct"], "chosenRecovery": ch["recovery"],
"chosenNetBenefit": ch["netBenefit"], "baselineGross": rows[0]["grossValue"], "chosenVolume": ch["volume"],
"chosenBypassPct": ch["bypassPct"], "recoveryAtMaxTax": rows[-1]["recovery"],
"recoveryDropFromKneePct": (peak["recovery"] - rows[-1]["recovery"]) * 100 // peak["recovery"]}
with open(os.path.join(a.out, "ch11_tax_elasticity.json"), "w", encoding="utf-8") as f:
json.dump(summary, f, ensure_ascii=False, indent=2)
draw(os.path.join(a.out, "ch11_tax_elasticity.svg"), rows)
print(json.dumps(summary, ensure_ascii=False))
if __name__ == "__main__":
main()
本机实跑（python3 sim/ch11_tax_elasticity.py --config config/ --out out/）得到的关键数字：拐点在 8%，此时回收量峰值 4992，交易量从基准 1000 降到 520，玩家净收益 57408，已有 48% 的交易额绕开了市场。取几个税率点看形状：
| taxPct | volume | grossValue | recovery | netBenefit | bypassPct |
|---|---|---|---|---|---|
| 0% | 1000 | 120000 | 0 | 120000 | 0% |
| 4% | 760 | 91200 | 3648 | 87552 | 24% |
| 8% | 520 | 62400 | 4992 | 57408 | 48% |
| 12% | 280 | 33600 | 4032 | 29568 | 72% |
| 17% | 0 | 0 | 0 | 0 | 100% |
拐点右侧，税率从 8% 加到 12%，回收量从 4992 掉到 4032——加税反而少收，这是拉弗曲线的直接后果。到 17%，交易量归零，回收量也是 0，系统把一个本可以收税的活跃市场彻底逼没了。这就是 11.1 说的「摩擦成本设计的两难」的量化版本。
同一份配置的两处消费与断言
税率模型同样做成 P 层原型，与 Python 侧读同一份 config/ch11_tax.json。下面这段是 P 层脚本：
// file: proto/src/ch11_tax.ts
// tier: P
// verify: node --test 'proto/**/*.test.ts'
// 与 sim/ch11_tax_elasticity.py 同构：读同一份 ch11_tax.json，扫税率得到
// 交易量 / 回收量 / 玩家净收益三条曲线，整数口径，结果与 Python 侧逐位一致。
import { loadConfig } from "./core.ts";
export interface TaxConfig {
taxPctLo: number; taxPctHi: number; taxPctStep: number;
baseTradesPerDay: number; avgTradeValue: number;
avoidPctPerTaxPct: number; chosenTaxPct: number;
}
export interface TaxPoint {
taxPct: number; volume: number; grossValue: number;
recovery: number; netBenefit: number; bypassPct: number;
}
export function loadTaxConfig(): TaxConfig {
return loadConfig<TaxConfig>("ch11_tax");
}
export function sweep(cfg: TaxConfig = loadTaxConfig()): TaxPoint[] {
const rows: TaxPoint[] = [];
for (let t = cfg.taxPctLo; t <= cfg.taxPctHi; t += cfg.taxPctStep) {
const volume = Math.max(0, Math.floor((cfg.baseTradesPerDay * (100 - cfg.avoidPctPerTaxPct * t)) / 100));
const grossValue = volume * cfg.avgTradeValue;
rows.push({
taxPct: t, volume, grossValue,
recovery: Math.floor((grossValue * t) / 100),
netBenefit: Math.floor((grossValue * (100 - t)) / 100),
bypassPct: Math.min(100, cfg.avoidPctPerTaxPct * t),
});
}
return rows;
}
export function knee(rows: TaxPoint[] = sweep()): TaxPoint {
return rows.reduce((best, r) => (r.recovery > best.recovery ? r : best), rows[0]);
}
配套断言在 proto/test/ch11.test.ts，把 11.1 的回本时间与 11.2 的拐点一起钉死：
// file: proto/test/ch11.test.ts
// tier: P
// verify: node --test 'proto/**/*.test.ts'
// 第 11 章断言：养成回本时间与消耗槽清单（P 侧）、税率弹性曲线的拐点。
// 数值与 sim/ch11_sink_slots.py、sim/ch11_tax_elasticity.py 逐位一致。
import { test } from "node:test";
import assert from "node:assert/strict";
import { paybackRows, sinkInventory } from "../src/ch11_sinks.ts";
import { sweep, knee } from "../src/ch11_tax.ts";
test("11.1 伐木场回本时间随等级上升：15h → 22h", () => {
const rows = paybackRows().filter((r) => r.building === "lumberyard");
const first = rows[0], last = rows[rows.length - 1];
assert.equal(first.costValue, 200);
assert.equal(first.outputPerHour, 73);
assert.equal(first.marginalPaybackHours, 15);
assert.equal(first.cumulativePaybackHours, 2);
assert.equal(last.costValue, 1440);
assert.equal(last.marginalPaybackHours, 22);
assert.equal(last.cumulativeCostValue, 5865);
assert.equal(last.cumulativePaybackHours, 16);
});
test("11.1 冶铁厂因产出资源价值更高，回本时间更长", () => {
const last = paybackRows().filter((r) => r.building === "ironworks").pop()!;
assert.equal(last.costValue, 2764);
assert.equal(last.marginalPaybackHours, 38);
assert.equal(last.cumulativePaybackHours, 28);
});
test("11.1 回本时间整体随等级上升（整数地板除允许 ±2 抖动）", () => {
for (const b of ["lumberyard", "quarry", "ironworks", "farm"]) {
const vals = paybackRows().filter((r) => r.building === b).map((r) => r.marginalPaybackHours);
assert.ok(vals[vals.length - 1] > vals[0], `${b} 末级回本时间未高于首级`);
for (let i = 1; i < vals.length; i++) assert.ok(vals[i] >= vals[i - 1] - 2, `${b} 第 ${i} 级回落超过 2`);
}
});
test("11.1 消耗槽清单：训练是大头，合计单日价值 91828", () => {
const inv = sinkInventory();
assert.equal(inv["building-upgrade"], 2100);
assert.equal(inv["tech-research"], 4648);
assert.equal(inv["troop-training"], 69000);
assert.equal(inv["march-supply"], 480);
assert.equal(inv["healing"], 6000);
assert.equal(inv["trade-tax"], 9600);
assert.equal(Object.values(inv).reduce((s, x) => s + x, 0), 91828);
});
test("11.2 税率扫 0%–20% 共 21 个点，0% 时零回收", () => {
const rows = sweep();
assert.equal(rows.length, 21);
assert.equal(rows[0].taxPct, 0);
assert.equal(rows[0].recovery, 0);
assert.equal(rows[0].volume, 1000);
});
test("11.2 拉弗拐点在 8%：回收量峰值 4992", () => {
const k = knee();
assert.equal(k.taxPct, 8);
assert.equal(k.recovery, 4992);
assert.equal(k.volume, 520);
assert.equal(k.netBenefit, 57408);
assert.equal(k.bypassPct, 48);
});
test("11.2 拐点右侧再加税回收反降；17% 起全部绕过市场", () => {
const rows = sweep();
assert.ok(rows.find((r) => r.taxPct === 12)!.recovery < rows.find((r) => r.taxPct === 8)!.recovery);
const at17 = rows.find((r) => r.taxPct === 17)!;
assert.equal(at17.volume, 0);
assert.equal(at17.recovery, 0);
assert.equal(at17.bypassPct, 100);
});
本机实跑 node --test proto/test/ch11.test.ts：7 条断言全通过。这条门禁的价值在于：如果哪天有人把税率模型的整数口径改成浮点，P 侧与 S 侧的数字会立刻对不上，断言就会红——「一份配置两处消费」不是口号，是一条会失败的测试。
设计建议：把税率设在拐点左侧
拐点给出了一个清晰的操作建议：税率不应超过拐点，且要留一段安全边际。原因是模型的参数（avoidPctPerTaxPct，每 1% 税率逼走多少交易）是估计值，真实玩家对税率的敏感度会随服务器阶段变化。把税率设在拐点右侧，一旦实际敏感度比估计更高，回收量会加速下滑；设在拐点左侧，即便估计偏乐观，也还有缓冲。
《王朝纪元》里，交易税的默认值取 8%，恰好是模型的拐点。这是一个刻意的保守选择：宁可少收一点，也不把交易逼出市场。如果运营发现交易活跃度远高于预期，可以小幅试探到 9%–10% 并观察回收量是否仍上升；一旦出现「税率涨、回收跌」，就说明越过了拐点，应立即回退。这套「扫一遍、找拐点、留边际」的做法，和 14.3 讲的套利、工作室与风控边界 是同一个思路：任何百分比型的规则都要先跑出曲线再定值，而不是拍脑袋。
本节小结
这一节把摩擦成本讲清了：
- 两难：税率太高玩家绕过市场、回收不足；太低则回收不够、通胀压不住。
- 拉弗曲线：回收量是交易量与税率的乘积，因此存在拐点；本机模型拐点在 8%。
- 保守取值：默认税率设在拐点，并留安全边际；出现「税率涨、回收跌」就回退。
下一节把 11.1 的养成消耗与 11.2 的市场回收汇总成一条 N 天消耗曲线，并给一个不确定性基准，量化「活动抖动」对总消耗的影响。
阅读导航：上一节：11.1 消耗槽与养成消耗 · 下一节：11.3 消耗曲线仿真 。
继续阅读
探索更多技术文章
浏览归档，发现更多关于系统设计、工具链和工程实践的内容。