Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

網路購物的評價機制,反而造成不理性的購物決策?

果殼網_96
・2017/11/25 ・2379字 ・閱讀時間約 4 分鐘 ・SR值 532 ・七年級

-----廣告,請繼續往下閱讀-----

使用網購的人越來越多,大家都習慣了這個更透明、自在的購物環境:不管想不想買某樣東西,都先看看網友評價怎麼樣再說。評價數多不多?好評有多少?視窗瀏覽一遍,一件商品的好壞在我們心中也有了拿捏。

source:Porapak Apichodilok

然而在一項發表於《心理科學》(Psychological Science)的研究[1]卻顯示,消費者看待商品評價的方式,可能會導致大家做出不理性的購買決定。本項研究的第一作者是史丹佛大學心理系博士後德里克・包威爾(Derek Powell)。

評價多、評價少,跟好評多不多哪個比較有影響?

這個研究發現:

人們在網購中過於看重一件商品有沒有足夠多的評價數,而相對看輕這件商品的評分有多高。

换句話说,在相同的條件下,消費者更加青睞銷售量可觀的「熱銷款」(儘管評價數多,但評分卻可能較低),而不願為那些「叫好不叫座」的商品打開荷包。

-----廣告,請繼續往下閱讀-----

然而,商品評價數與其質量好壞其實並無直接關係。相反的,一個擁有大量評價的低分商品,跟一個僅有少量評價的低分商品相比,品質反而「低」得更為穩定一些。因此,過於看重評價數,可能會讓我們買到一件糟糕的商品。

「爆款」和「好評」,消費者喜歡哪一個?

source:Ged Carroll

在開始實驗之前,研究者先從亞馬遜網站上收集了 356619 件商品的共計 15655439 條評價,這些商品主要來自手機、電器、餐廚、健康與美容四個類别。

通過分析這些現實中的數據,研究者完成了兩項工作。首先,他們證明了一件商品的流行度(即評價數)與其本身的品質和消費者滿意度(即評分)之間沒有什麼關係。其次,通過傅立葉建模的方式,研究者推算出了一個理性的消費者在不同的評價數和評分基礎上「應該」做出什麼樣的決策。這樣,他們就為可能出現的不同實驗结果提供了一個可供比照的標準。

隨後,研究者招募了 138 名成年受試者,讓他們在一系列配對商品之間評估自己更願意買哪一件。其中一件商品只有較少的評價數(大約 25 個),評分在 2.7~4.6 分之間波動;另一件商品則有大量的評價(大约 150 個),並且它的評分在一半的情况下要高於評價少的商品,而在另一半的情况下則評分更低。

受試者需要在一系列配對商品之間評估自己更願意買哪一個,每個商品都有“評價數”與“評分”兩個维度。例如,左邊的商品 H 的評價數有 145 條,評分是 2.7;右邊的商品 F 的評價數有 20 條,評分是 2.4,圖/文獻[1]。

研究者關心的是,受試者在評價數與評分各異的商品之間會如何選擇。结果發現,受試者對評價數多的商品存在很明顯的偏好。

-----廣告,請繼續往下閱讀-----

當兩個配對商品的評分都較高時(4.6 分),受試者選擇評價數多的商品的概率接近 95%。這一结果比較符合我們的直覺,那些評價好銷量又多的商品,我們確實更願意購買它們。

但有趣的是,如果兩個商品的評分都很低(2.7 分*),受試者仍然有接近 90%的概率會選擇評價數多的那一個。

  • 注:研究者分析了亞馬遜上的真實數據,發現不同類别商品的平均評分在 3.73~4.10 之間波動,其中手機類 3.73 分,電器類 3.92 分,餐廚類 4.09 分,健康與美容類 4.10 分。因此,2.7 分是一個比較低的評分。

然而,「由 150 個評價得到的低分」與「僅由 25 個評價得到的低分」,雖然評價都不高,卻有著本質區别。依據统計學原理,前者由於樣本量大,因此所得到的是一個非常穩定的「差評」;而後者由於樣本小,「差」的结果有可能只是誤差導致。換句話说,基於大量消費者評價的差評商品,一定會很差;而基於少量消費者評價的差評商品,則可能很差也可能還行。

然而更糟糕的情況是,相比於 2.7 分的低分商品,一件商品只要評價數足夠多,哪怕評分更低(2.4 分),受試者還是會有超過 40%的概率選擇它。可見,消費者在網購中對爆款的偏好是較為明顯的。

-----廣告,請繼續往下閱讀-----

人們為什麼熱愛「爆款」?

在整個實驗中,傅立葉模型對受試者行為的擬合度只有 0.17,也就是說,他們在實驗中的實際表現,與模型所得到的「利益最大化」的答案相去甚遠。

此圖描述了評價數多(150條)的商品的情况,左側為基於貝葉斯模型推出的理性決策模式,右圖為受試者在任務中的實際決策模式。横坐標為商品評分,縱座標為消費者選擇此商品的概率。圖中展示了此商品和另一個評價較少商品的評分之差為 0.3、0.1、0、-0.1、-0.3五種情況下,理想和實際的決策模式,圖/文獻[1]。

包威爾認為,消費者是受到社會線索的影響,才會變得像羊群一樣跟從同伴的選擇,而這些線索就是一件商品有多少人評價。社會學習理論表明,人們會有意無意地通過觀察、模仿其他人的行為,來幫助自己解決問題。

社會學習不僅能讓我們在短時間內快速獲得較為可靠的解決方案,還能在一定程度上規避環境中可能存在的風險[2]。

這是一種「不學而能」的能力,也有深刻的進化意義[3]。因此,人們做決策時的第一直覺是跟著其他人走,這麼做是一個相對安全的選項。而選擇少有人走的路所產生的焦慮感,也會驅使人們調轉方向跟著其他人走。

消費者在網購中所表現出的偏好評價數的傾向,便是社會學習的结果。他們會將流行(評價數多)的商品視為「好」商品,而忽視評價數對於消費決策的真正用處——衡量一件商品評分的穩定性:評分所基於的評價數越多,那麼這個商品的評分則越穩定。

-----廣告,請繼續往下閱讀-----

因此,下次剁手時,先把自己從對評價數的執著中解救出來,而要同時考慮評價數與評分這兩個指標。一個評價數多且評分高的商品,自然是極好的;但一個評價數多卻評分低的商品,也有可能是實實在在的糟糕。

參考文獻

  1. Powell, D., Yu, J., Dewolf, M., &Holyoak, K. J. (2017). The love of large numbers: a popularity bias in consumer choice. Psychological Science, 28(10), 1432-1442.
  2. Bandura, A. (2000). Social learning theory. Journal of Human Behavior in the Social Environment, 1(1), 33-52.
  3. Castro, L., & Toro, M. A. (2004). The evolution of culture: from primate social learning to human culture. Proceedings of the National Academy of Sciences of the United States of America, 101(27), 10235-10240.

本文版權屬於果殼網(微信公眾號:Guokr42),原文為〈網購達人們,别被評價數衝昏了頭〉,禁止轉載。如有需要,請聯繫sns@guokr.com

-----廣告,請繼續往下閱讀-----
文章難易度
果殼網_96
108 篇文章 ・ 9 位粉絲
果殼傳媒是一家致力於面向公眾倡導科技理念、傳播科技內容的企業。2010年11月,公司推出果殼網(Guokr.com) 。在創始人兼CEO姬十三帶領的專業團隊努力下,果殼傳媒已成為中國領先的科技傳媒機構,還致力於為企業量身打造面向公眾的科技品牌傳播方案。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

2
0

文字

分享

0
2
0
標示餐點熱量就能幫助人減肥嗎?消費者知道越多資訊越好嗎?——《經濟學家眼中的世界》
今周刊出版
・2023/06/18 ・1538字 ・閱讀時間約 3 分鐘

-----廣告,請繼續往下閱讀-----

市場的公開資訊,真的能幫助消費者做出好決定嗎?

經濟學通常假設消費者主權可以使個人福利最大化:消費者會權衡各種機會,並選擇能夠最大化自己效用的選項

但市場提供的資訊,是否足夠讓消費者最大化自己的福祉?消費者是否會臨時改變心意,喜歡上別的商品?消費者是否渴望擁有一些與當前選項不同的商品?餐點標示熱量有助減肥?

許多經濟學家覺得,企業藉由巧妙的廣告誘使消費者做出不明智的選擇;還有些經濟學家認為,消費者的確做出不明智的選擇,但過失應該算在他們自己頭上。本章稍後將討論這些行為經濟學家的論述。

多數經濟學家猛然意識到,現行市場其實並不缺乏資訊,公開且良好的資訊量非常大。許多製造商努力宣傳自家商品,甚至提供與其他廠牌的優劣比較及相對的價格訊息;聲譽良好的廠牌和在乎名聲的百貨業者,也間接提供優良品質商品的相關線索。這些都是市場行之有年的公開資訊。

在資訊爆炸的時代,只要上網就可以查到各種資訊。 圖/envato

數位革命使資訊量瞬間膨脹數倍。有了網路搜尋功能之後,人們不用走進商店就可以獲得充足的商品訊息。譬如我最近在尋找合適的行李箱,幾個購物網站提供了關於尺寸與重量的資訊、羅列產品的優缺點,還有先前買家對特定型號箱子的評論。

-----廣告,請繼續往下閱讀-----

如果在Google搜尋中輸入「行李箱評價」,一下子就會跳出《消費者報告》(Consumer Reports)、《漫旅》(Travel + Leisure)、《好管家》(Good Housekeeping)、《今日美國》(USA Today)、《商業內幕》(Business Insider)、家電網(Wirecutter)、集點網(Upgraded Points)等提供的資訊。

資訊越多越詳細,真的越好嗎?

儘管可靠的資訊來源比比皆是,消費者仍舊無法窮盡所有資訊。經濟學家認為消費者的確「不應該追求完全的知情」,因為搜尋資訊與消費資訊都需要投入時間和金錢。

因此,對擁有部分資訊的消費者而言,只有未知資訊的預期價值超過獲取資訊的成本時,才值得追求更多資訊。另一方面,即使市場的競爭壓力迫使廠商提供大量的商品資訊,還是依然沒有揭露許多重要、與安全相關的訊息。

舉例來說,曾有廣告商建議布朗威廉森菸草公司(Brown and Williamson Tobacco Corporation)在宣傳旗下新商品時,強調新配方能降低引發心臟疾病的有害氣體,然而這項建議並未被接納。

-----廣告,請繼續往下閱讀-----

一份內部文件顯示,該公司高層認為:「在特定有害氣體對心臟疾病的影響獲得政府證實且廣為人知之前,貿然在廣告中提及這種氣體並不具有策略性價值。」

現在商品上,通常會標示各種產品資訊。 圖/envato

由於廣告商極其堅持,該建議最終遭到菸草公司斷然拒絕。該公司認為,提及這些氣體只會適得其反,因為這麼做,反倒公開揭露吸菸對心血管的不良影響。

當市場競爭機制無法為消費者提供重要的資訊時,政府的干預才具有價值。政府公開揭露與吸菸相關的資訊,確實能降低一部分的吸菸率,也會促使廠商降低香菸中的焦油和尼古丁含量。企業有時也沒有測試自家產品的動機,因為他們發現:消費者不認為廠商的內部測試具有公信力。

——本文摘自《經濟學家眼中的世界 (40周年好評增修版):一本讀懂經濟學的優劣與局限,剖析政府、市場和公共政策,探索人類的幸福》,2023 年 5 月,今周刊出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
今周刊出版
9 篇文章 ・ 1 位粉絲

1

4
0

文字

分享

1
4
0
現金和消費券差在哪?普發到底好不好?
PanSci_96
・2023/04/10 ・3051字 ・閱讀時間約 6 分鐘

-----廣告,請繼續往下閱讀-----

過去也有多次政府發錢刺激消費的作法,但他們發的不是錢,而是有使用限制的「消費券」。

既然可以發錢,為什麼之前要發消費券呢?這次又為什麼要發現金?

從經濟學的角度來看,過往的消費券到底是什麼,與這次發現金的使用情境有什麼不一樣?

什麼是消費劵

對消費者來說,消費券就是被限定用途的紙鈔或者是折價券;但從政府的角度,或從經濟學的角度來看,消費券並非這麼簡單。在了解消費券前,要先有兩個概念:「經濟活動循環」及「景氣循環」。

在最簡單的經濟行為流程裡,我們看的是「家計部門」與「廠商」,也就是消費者與生產者之間的互動。「家計部門」需要買各式各樣的產品維持生存或生活品質,「廠商」則提供這些產品,這兩者組成了「產品市場」;「廠商」為生產商品所需的勞動力,就由「家計部門」提供,形成了「勞動市場」或是「生產要素市場」。

-----廣告,請繼續往下閱讀-----

將上述概念再加入相反的資金流向,如:購買產品的消費支出、提供勞動力的薪水所得等,就可繪製成「經濟活動循環圖」。

經濟活動循環圖。圖/PanSci YouTube

而在一次的「景氣循環」中,會分別經歷擴張期與收縮期;根據國家發展研究院的定義,每個時期所持續時間的至少為 5 個月,走完一次循環則需至少 15 個月。

在擴張期中會先經歷探底復甦,接者是穩定成長,最後來到高峰繁榮期;在這之後就會進入收縮期,開始經濟衰退,直到觸底復甦進入新循環。

舉一個不遠的經濟衰退案例,那就是 2008 年全球金融危機。當時由於美國房地產市場崩潰,房價急劇下跌,許多人失去了房屋資產,造成負債問題;導致消費者信心下降、消費減少,進而使生產減少。此外,由於銀行與金融機構資產負債問題激增,使得貸款停止,造成資金不流動;這麼一來企業也必須減少生產,進而裁員、倒閉,失業率隨之攀升。 

-----廣告,請繼續往下閱讀-----
景氣循環週期。圖/PanSci YouTube

有了「經濟活動循環」和「景氣循環」概念,我們可以幫消費券下個定義了:就是透過增加家庭的消費支出,來復甦產品市場;通常在經濟衰退時使用。也就是說,消費券是政府發給我們的消費工具,希望再補點錢把廠商的庫存清光,增加消費來維持市場穩定,避免持續經濟衰退。

發消費券與現金的成效

那麼,直接發錢跟消費券的功能一樣嗎?發現金也會刺激消費,但消費券刺激的力道理論上會再強一些。

由於消費券在設計上會「排除基本必須開支」,這麼一來便會減少用於「消費替代」的機會,像是水電費、勞健保費、或是繳稅跟罰金,而消費券的各種優惠跟加碼活動,都激勵我們花超過原本支出的錢。另外,「限時用完」、「不找零」、「排除儲值跟預付類消費」都是消費券的關鍵設計,目的就是要在短時間內激發經濟流動性。

反過來說,發現金不像消費券,有明確的優惠活動可以刺激我們亂花錢,在沒有使用期限跟排除開支項目的情況下,這些錢還可以自由分配到每個月的日常支出裡;假如沒有多花一些錢,發的現金將不會幫助消費增長。

-----廣告,請繼續往下閱讀-----

新冠疫情影響下,美國在 2020 年普發現金:成人發 1200 美元、兒童 500 美元,年底再加碼 600 美元,2021 年又發 1400 美元。根據美國聯準會紐約分行研究,截至 2020 年 6 月底,民眾取得的現金補助中,有 36% 為儲蓄、35% 償還債務,僅 29% 用於消費,民眾甚至表示,在收到 2021 年的補助金後,會花更多錢去還債。

新冠疫情下,美國在 2020 年普發紓困現金。圖/Envato Elements

而日本則於 2021 年底,向全民普發 10 萬日圓的特別定額給付金,日本 Money Forward Lab、早稻田大學與澳洲昆士蘭大學的共同研究研究指出,給民眾的給付金中,只有 6% 到 27% 用於消費,其中非日常用品的支出沒有明顯改變。

那消費券的成效呢?根據經濟部對 2020 發放的振興三倍券評估成效,考量印製、宣傳與行政,包含發給我們的 2000 元,總成本為 510.5 億元,以領取率接近 100% 來計算,大約就是 2300 萬人去攤這 510.5 億,政府在每一個人身上花約 2220 元,而每人平均消費了 5785 元;等於政府花 1 元能換來 2.6 元的消費,是有效果的。

不過由於使用情境不同,不好將日美發放的現金與我們的振興券相比較。

-----廣告,請繼續往下閱讀-----

日美發放的是「紓困金」,目的是幫助人民度過難關;針對這些「紓困金」得用社會投資報酬率(SROI)來考慮,也就是衡量投入資源,所得到「非財務面」的回饋與報酬,例如社會安全、社會價值等。

搞笑諾貝爾經濟學獎

那這次台灣發現金的目的到底是什麼呢?假設是要振興經濟,應該不是個好方法。若用社會投資報酬率來看,不少人提出更該把要拿來發的 1800 億用於投資科學技術研究、大學經費或減免高等教育學費,而非普發 6000。

讓我們回顧 2022 年搞笑諾貝爾經濟學獎,研究團隊以每隔五年會獲得「政府資金」補助,並在模型裡設計了好幾種情境,除了把經費徹底平均分配的普發式外,還有只補助過去表現好的人的菁英式,一部分重點補助菁英,剩下再普發的折衷式,以及最後一個亂槍打鳥樂透式。每一式再加入補助金額高低變化,總共有 18 種方案。

延伸閱讀:
【2022 年搞笑諾貝爾經濟獎】不想努力的我,把運氣點滿就對了

透過這個人生遊戲模組,若以研究定義的成功率來看,折衷式的其中一種方案讓「高能力族群」的成功率從沒有補助的 32.05% ,一口氣提高到 94.82%,其結果最好,但也是所有方案中最貴的;相較之下,如果採取普發式的其中一種方案,成功率也可以達到 94.40%,政府花費還低了將近一半。

-----廣告,請繼續往下閱讀-----

若不只看成功率,而是看政府每花一塊錢能增加多少高能力族群成功率的效率來判斷,竟然還是普發式的方案結果最好,能用最少的花費,就讓成功率提升到 69.48%!表現最差的方案,都是菁英式,其中只把錢給過往表現前 10% 的極端菁英方案,效率只有最佳普發方案的 1/25。

研究者也提到,在真實世界中,折衷式方案一方面人人有獎,一方面也給表現較好的人鼓勵,可能產生激勵效果,讓所有人都更加努力,發揮更大的整體效果。

再回到一開始討論的,現在政府有一筆多出來的錢,而預期目標是讓人民的生活過得更好,這筆錢該直接給民眾,還是執行特定的菁英投資政策呢?若是按照搞諾經濟學獎,就是直接普發!(難道政府裡也有和我們一樣熱愛搞笑諾貝爾獎的好捧油?XD)

然而,不管是從經濟學基本原理、過往發現金跟消費券的效益評估,還是搞笑諾貝爾經濟學獎的人生遊戲模型,其實都無法替普發 6000 還稅於民的政策效果背書,一時半刻也很難看出效益。

-----廣告,請繼續往下閱讀-----

說到這裡,6000 元你打算怎麼花呢?

歡迎抖內!圖/GIPHY

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

-----廣告,請繼續往下閱讀-----
所有討論 1

0

0
0

文字

分享

0
0
0
網路購物的評價機制,反而造成不理性的購物決策?
果殼網_96
・2017/11/25 ・2379字 ・閱讀時間約 4 分鐘 ・SR值 532 ・七年級

使用網購的人越來越多,大家都習慣了這個更透明、自在的購物環境:不管想不想買某樣東西,都先看看網友評價怎麼樣再說。評價數多不多?好評有多少?視窗瀏覽一遍,一件商品的好壞在我們心中也有了拿捏。

source:Porapak Apichodilok

然而在一項發表於《心理科學》(Psychological Science)的研究[1]卻顯示,消費者看待商品評價的方式,可能會導致大家做出不理性的購買決定。本項研究的第一作者是史丹佛大學心理系博士後德里克・包威爾(Derek Powell)。

評價多、評價少,跟好評多不多哪個比較有影響?

這個研究發現:

-----廣告,請繼續往下閱讀-----

人們在網購中過於看重一件商品有沒有足夠多的評價數,而相對看輕這件商品的評分有多高。

换句話说,在相同的條件下,消費者更加青睞銷售量可觀的「熱銷款」(儘管評價數多,但評分卻可能較低),而不願為那些「叫好不叫座」的商品打開荷包。

然而,商品評價數與其質量好壞其實並無直接關係。相反的,一個擁有大量評價的低分商品,跟一個僅有少量評價的低分商品相比,品質反而「低」得更為穩定一些。因此,過於看重評價數,可能會讓我們買到一件糟糕的商品。

「爆款」和「好評」,消費者喜歡哪一個?

source:Ged Carroll

在開始實驗之前,研究者先從亞馬遜網站上收集了 356619 件商品的共計 15655439 條評價,這些商品主要來自手機、電器、餐廚、健康與美容四個類别。

通過分析這些現實中的數據,研究者完成了兩項工作。首先,他們證明了一件商品的流行度(即評價數)與其本身的品質和消費者滿意度(即評分)之間沒有什麼關係。其次,通過傅立葉建模的方式,研究者推算出了一個理性的消費者在不同的評價數和評分基礎上「應該」做出什麼樣的決策。這樣,他們就為可能出現的不同實驗结果提供了一個可供比照的標準。

-----廣告,請繼續往下閱讀-----

隨後,研究者招募了 138 名成年受試者,讓他們在一系列配對商品之間評估自己更願意買哪一件。其中一件商品只有較少的評價數(大約 25 個),評分在 2.7~4.6 分之間波動;另一件商品則有大量的評價(大约 150 個),並且它的評分在一半的情况下要高於評價少的商品,而在另一半的情况下則評分更低。

受試者需要在一系列配對商品之間評估自己更願意買哪一個,每個商品都有“評價數”與“評分”兩個维度。例如,左邊的商品 H 的評價數有 145 條,評分是 2.7;右邊的商品 F 的評價數有 20 條,評分是 2.4,圖/文獻[1]。

研究者關心的是,受試者在評價數與評分各異的商品之間會如何選擇。结果發現,受試者對評價數多的商品存在很明顯的偏好。

當兩個配對商品的評分都較高時(4.6 分),受試者選擇評價數多的商品的概率接近 95%。這一结果比較符合我們的直覺,那些評價好銷量又多的商品,我們確實更願意購買它們。

-----廣告,請繼續往下閱讀-----

但有趣的是,如果兩個商品的評分都很低(2.7 分*),受試者仍然有接近 90%的概率會選擇評價數多的那一個。

  • 注:研究者分析了亞馬遜上的真實數據,發現不同類别商品的平均評分在 3.73~4.10 之間波動,其中手機類 3.73 分,電器類 3.92 分,餐廚類 4.09 分,健康與美容類 4.10 分。因此,2.7 分是一個比較低的評分。

然而,「由 150 個評價得到的低分」與「僅由 25 個評價得到的低分」,雖然評價都不高,卻有著本質區别。依據统計學原理,前者由於樣本量大,因此所得到的是一個非常穩定的「差評」;而後者由於樣本小,「差」的结果有可能只是誤差導致。換句話说,基於大量消費者評價的差評商品,一定會很差;而基於少量消費者評價的差評商品,則可能很差也可能還行。

然而更糟糕的情況是,相比於 2.7 分的低分商品,一件商品只要評價數足夠多,哪怕評分更低(2.4 分),受試者還是會有超過 40%的概率選擇它。可見,消費者在網購中對爆款的偏好是較為明顯的。

人們為什麼熱愛「爆款」?

在整個實驗中,傅立葉模型對受試者行為的擬合度只有 0.17,也就是說,他們在實驗中的實際表現,與模型所得到的「利益最大化」的答案相去甚遠。

-----廣告,請繼續往下閱讀-----

此圖描述了評價數多(150條)的商品的情况,左側為基於貝葉斯模型推出的理性決策模式,右圖為受試者在任務中的實際決策模式。横坐標為商品評分,縱座標為消費者選擇此商品的概率。圖中展示了此商品和另一個評價較少商品的評分之差為 0.3、0.1、0、-0.1、-0.3五種情況下,理想和實際的決策模式,圖/文獻[1]。

包威爾認為,消費者是受到社會線索的影響,才會變得像羊群一樣跟從同伴的選擇,而這些線索就是一件商品有多少人評價。社會學習理論表明,人們會有意無意地通過觀察、模仿其他人的行為,來幫助自己解決問題。

社會學習不僅能讓我們在短時間內快速獲得較為可靠的解決方案,還能在一定程度上規避環境中可能存在的風險[2]。

這是一種「不學而能」的能力,也有深刻的進化意義[3]。因此,人們做決策時的第一直覺是跟著其他人走,這麼做是一個相對安全的選項。而選擇少有人走的路所產生的焦慮感,也會驅使人們調轉方向跟著其他人走。

消費者在網購中所表現出的偏好評價數的傾向,便是社會學習的结果。他們會將流行(評價數多)的商品視為「好」商品,而忽視評價數對於消費決策的真正用處——衡量一件商品評分的穩定性:評分所基於的評價數越多,那麼這個商品的評分則越穩定。

-----廣告,請繼續往下閱讀-----

因此,下次剁手時,先把自己從對評價數的執著中解救出來,而要同時考慮評價數與評分這兩個指標。一個評價數多且評分高的商品,自然是極好的;但一個評價數多卻評分低的商品,也有可能是實實在在的糟糕。

參考文獻

  1. Powell, D., Yu, J., Dewolf, M., &Holyoak, K. J. (2017). The love of large numbers: a popularity bias in consumer choice. Psychological Science, 28(10), 1432-1442.
  2. Bandura, A. (2000). Social learning theory. Journal of Human Behavior in the Social Environment, 1(1), 33-52.
  3. Castro, L., & Toro, M. A. (2004). The evolution of culture: from primate social learning to human culture. Proceedings of the National Academy of Sciences of the United States of America, 101(27), 10235-10240.

本文版權屬於果殼網(微信公眾號:Guokr42),原文為〈網購達人們,别被評價數衝昏了頭〉,禁止轉載。如有需要,請聯繫sns@guokr.com

-----廣告,請繼續往下閱讀-----
文章難易度
果殼網_96
108 篇文章 ・ 9 位粉絲
果殼傳媒是一家致力於面向公眾倡導科技理念、傳播科技內容的企業。2010年11月,公司推出果殼網(Guokr.com) 。在創始人兼CEO姬十三帶領的專業團隊努力下,果殼傳媒已成為中國領先的科技傳媒機構,還致力於為企業量身打造面向公眾的科技品牌傳播方案。