চিরায়ত গেম থিওরিতে খেলোয়াড়রা যেন এক শূন্যতার মধ্যে ক্রিয়াশীল: হয় সবাই একসাথে সবার বিরুদ্ধে খেলছে, নয়তো দুজন বিচ্ছিন্ন ব্যক্তি মুখোমুখি দ্বৈরথে নামছে। কিন্তু বাস্তব মানব সভ্যতা, আর্থিক বাজার এবং ডিজিটাল তথ্যকাঠামোতে কৌশলগত এজেন্টরা আবদ্ধ থাকে জটিল নেটওয়ার্কের (Complex Networks) মাঝে। একটি আন্তর্জাতিক ব্যাংক পুরো বিশ্বের সাথে সরাসরি লেনদেন করে না; সে ঋণ আদান-প্রদান করে নির্দিষ্ট কিছু প্রতিপক্ষ ব্যাংকের সাথে। একজন সাধারণ মানুষ অপারেটিং সিস্টেম নির্বাচনের আগে গোটা দুনিয়ার ভোট নেয় না; সে প্রভাবিত হয় তার নিকটস্থ বন্ধুদের সামাজিক নেটওয়ার্ক দ্বারা। ২০০৬ সালে কোরালিও ব্যালেস্টার, আন্তোনি কালভো-আরমেনগোল এবং ইভ জেনু ইকোনোমেট্রিকা জার্নালে এক অবিস্মরণীয় গবেষণাপত্র প্রকাশ করেন: “Who’s Who in Networks. Wanted: The Key Player”। তারা প্রমাণ করেন যে কোনো নেটওয়ার্কে আত্মস্বার্থপর এজেন্টদের অনন্য ন্যাশ সাম্যাবস্থা সরাসরি স্পেকট্রাল গ্রাফ থিওরি এবং বোনাচিচ সেন্ট্রালিটি (Bonacich Centrality)-র সমতুল্য।
নেটওয়ার্ক গেমের গাণিতিক কাঠামো
ধরা যাক একটি গ্রাফ $G = (V, E)$, যার সংযোগগুলো অ্যাডজাসেন্সি ম্যাট্রিক্স $A = [g_{ij}]$ দ্বারা সংজ্ঞায়িত। প্রতিটি এজেন্ট $i$ একটি নির্দিষ্ট কৌশলগত প্রচেষ্টার মাত্রা $x_i ge ০$ নির্ধারণ করে (যেমন গবেষণায় বিনিয়োগ, নতুন প্রযুক্তি গ্রহণ বা লেখাপড়ায় শ্রম)। এজেন্টের উপযোগিতায় সহকর্মীদের ইতিবাচক প্রভাব (Strategic Complementarities) এবং ব্যক্তিগত শ্রমের দ্বিঘাত খরচ অন্তর্ভুক্ত থাকে:
$$u_i = alpha_i x_i – frac{1}{2} x_i^2 + beta sum_{j=1}^n g_{ij} x_i x_j$$
এখানে $beta > ০$ হলো কৌশলগত পরিপূরকতার মাত্রা: যদি আমার কোনো প্রতিবেশী তার প্রচেষ্টা বাড়ায় ($x_j uparrow$), তবে স্বয়ংক্রিয়ভাবে আমারও প্রচেষ্টা বাড়ানোর প্রান্তিক মুনাফা বৃদ্ধি পায়।
ম্যাট্রিক্স ইনভার্সন ও ন্যাশ সাম্যাবস্থা
প্রথম অন্তরক বা ফার্স্ট-অর্ডার কন্ডিশন ($frac{partial u_i}{partial x_i} = ০$) প্রয়োগ করলে দেখা যায়:
$$x_i = alpha_i + beta sum_{j=1}^n g_{ij} x_j implies (I – beta G) mathbf{x} = boldsymbol{alpha}$$
যদি নেটওয়ার্কের সর্বোচ্চ আইগেনভ্যালু $lambda_{max}(G) < ১/beta$ শর্ত পূরণ করে, তবে নিউম্যান পাওয়ার সিরিজ ব্যবহার করে ম্যাট্রিক্সটি ইনভার্ট করা যায়:
$$mathbf{x}^* = (I – beta G)^{-1} boldsymbol{alpha} = sum_{k=0}^infty beta^k G^k boldsymbol{alpha}$$
বোনাচিচ সেন্ট্রালিটি: পথের জ্যামিতি
এই ধারার দিকে তাকান: $G^k$ হলো গ্রাফে নোড $i$ থেকে নোড $j$-এর মধ্যে ঠিক $k$-দৈর্ঘ্যের মোট পথের সংখ্যা! $beta^k$ দীর্ঘ পথগুলোর প্রভাব সূচকীয় হারে কমিয়ে দেয়। যখন প্রাথমিক প্রণোদনা সমান ($boldsymbol{alpha} = mathbf{১}$), তখন প্রতিটি খেলোয়াড়ের সর্বোত্তম প্রচেষ্টা সরাসরি কাটজ-বোনাচিচ সেন্ট্রালিটি-র সমান হয়।
একজন খেলোয়াড়ের সর্বোত্তম কৌশল কেবল তার সরাসরি বন্ধুর সংখ্যার ওপর নির্ভর করে না। এটি নির্ভর করে তার বন্ধুদের বন্ধুরা কতটা সংযুক্ত, তাদের বন্ধুদের বন্ধুরা কতটা সক্রিয়—এভাবে পুরো নেটওয়ার্কের অন্তহীন পথের ওপর।
কি-প্লেয়ার (Key Player) সমস্যা ও সিস্টেমিক ঝুঁকি
ব্যালেস্টার এবং তার সহকর্মীরা একটি অত্যন্ত বাস্তব সমস্যার সমাধান করলেন: কোনো নেটওয়ার্কের সামগ্রিক অপরাধ কমাতে চাইলে বা আর্থিক ধস ঠেকাতে চাইলে কোন নির্দিষ্ট নোডটিকে বিচ্ছিন্ন করা সবচেয়ে কার্যকর?
তারা প্রমাণ করলেন যে সবচেয়ে গুরুত্বপূর্ণ নোড কেবল সবচেয়ে বেশি বন্ধু থাকা নোডটি নয়। বরং এটি হলো কি-প্লেয়ার ইনডেক্স সর্বোচ্চকারী নোড, যা নিজের কানেক্টিভিটি এবং নেটওয়ার্কের অভ্যন্তরীণ ফিডব্যাক লুপের অনুপাতের ওপর নির্ভর করে। এই সমীকরণটি আজ আন্তর্জাতিক ব্যাংকিংয়ে সিস্টেমিক ঝুঁকি নিয়ন্ত্রণ (Basel III নিয়মাবলী) এবং মহামারীতে টিকাদান ও কোয়ারেন্টাইন নীতি প্রণয়নে বিশ্বজুড়ে ব্যবহৃত হয়।
