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

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

3
3

文字

分享

0
3
3
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

-----廣告,請繼續往下閱讀-----

  • 作者/賴昭正|前清大化學系教授、系主任、所長;合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒,那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬.霍金(Stephen Hawking) 英國理論物理學家

大約在八十年前,當第一台數位計算機出現時,一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧;但七十年後,還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」(Artificial Intelligent,簡稱 AI)的能力最近十年突然起飛,在許多(所有?)領域的測試中擊敗了人類,正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元(graphic process unit,簡稱 GPU)是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia(英偉達)股票從每股不到 $5,上升到今天(5 月 24 日)每股超過 $1000(註一)的全世界第三大公司,其創辦人(之一)兼首席執行官、出生於台南的黃仁勳(Jenson Huang)也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人!可是多少人了解圖形處理單元是什麼嗎?到底是時勢造英雄,還是英雄造時勢?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

在回答這問題之前,筆者得先聲明筆者不是學電腦的,因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事,不是我們外行人需要了解的;但作為一位現在的知識分子或公民,了解基本原理則是必備的條件:例如了解「能量不滅定律」就可以不用仔細分析,即可判斷永動機是騙人的;又如現在可攜帶型冷氣機充斥市面上,它們不用往室外排廢熱氣,就可以提供屋內冷氣,讀者買嗎?

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」(central process unit,簡稱 CPU)。CPU 是電腦的「腦」,其電子電路負責處理所有軟體正確運作所需的所有任務,如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作;但為了簡單化,我們在這裡所談的工作將只是執行算術和邏輯運算的工作(arithmetic and logic unit,簡稱 ALU),如將兩個數加在一起。在這一簡化的定義下,CPU 在任何一個時刻均只能執行一件工作而已。

-----廣告,請繼續往下閱讀-----

在個人電腦剛出現只能用於一般事物的處理時,CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後,CPU 開始顯示心有餘而力不足:例如電玩動畫需要應用程式處理數以萬計的像素(pixel),每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年,英偉達將其一「具有集成變換、照明、三角形設定/裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」(註二)定位為「世界上第一款 GPU」,「GPU」這一名詞於焉誕生。不像 CPU,GPU 可以在同一個時刻執行許多算術和邏輯運算的工作,快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢?因每一時刻只能做一件事,所以其步驟為:

  • 計算 7×5;
  • 計算 6/3;
  • 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢?很多工作便可以同時(平行)進行:

-----廣告,請繼續往下閱讀-----
  • 同時計算 7×5 及 6/3;
  • 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間,但如果我們有 16 對 a×b 要相加呢?單獨的 CPU 需要 31 個運算的時間(16 個 × 的運算時間及 15 個 + 的運算時間),而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間(1 個 × 的運算時間及 4 個 + 的運算時間)!

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了,如何將它擺正成右圖呢? 一句話:「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點(座標 x, y)組成的,所以這句簡單的話可讓 CPU 忙得不亦樂乎了:每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

-----廣告,請繼續往下閱讀-----

即每一點均需要做四個 × 及兩個 + 的運算!如果每一運算需要 10-6 秒,那麼讓《我愛科學》一書做個簡單的角度旋轉,便需要 6 秒,這豈是電動玩具畫面變化所能接受的?

圖形處理的例子

人類的許多發明都是基於需要的關係,因此電腦硬件設計家便開始思考:這些點轉換都是獨立的,為什麼我們不讓它們同時進行(平行運算,parallel processing)呢?於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 106 運算,那上圖的轉換只需 10-6 秒鐘!

GPU 的興起

GPU 可分成兩種:

  • 整合式圖形「卡」(integrated graphics)是內建於 CPU 中的 GPU,所以不是插卡,它與 CPU 共享系統記憶體,沒有單獨的記憶體組來儲存圖形/視訊,主要用於大部分的個人電腦及筆記型電腦上;早期英特爾(Intel)因為不讓插卡 GPU 侵蝕主機的地盤,在這方面的研發佔領先的地位,約佔 68% 的市場。
  • 獨立顯示卡(discrete graphics)有不與 CPU 共享的自己專用內存;由於與處理器晶片分離,它會消耗更多電量並產生大量熱量;然而,也正是因為有自己的記憶體來源和電源,它可以比整合式顯示卡提供更高的效能。

2007 年,英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後,科學家發現獨立 GPU 不但能夠快速處理圖形變化,在需要大量計算才能實現特定結果的任務上也非常有效,因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理,不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化,也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬(註三)等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分,正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲,遠遠落在英偉達(80%)及超微半導體公司(Advance Micro Devices Inc.,19%,註四)之後,大約只有 1% 的市場。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

事實上現在的中央處理單元也不再是真正的「單元」,而是如圖二可含有多個可以同時處理運算的核心(core)單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心,因此其核心功能不如 CPU 核心強大,但它們能同時高速執行大量相同的指令,在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心;GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書,不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等,也知道它擺斜了。這種「平行運作」的能力不僅限於視覺,它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是:嘴巴在講,腦筋思考已經不知往前跑了多少公里,常常為了追趕而越講越快,將不少學生拋到腦後!這不表示筆者聰明,因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技,因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣(matrix)的讀者應該知道,如果用矩陣和向量(vector)表達,上面所談到之座標轉換將是非常簡潔的(註五)。而矩陣和向量計算正是機器學習(machine learning)演算法的基礎!也正是獨立圖形處理單元最強大的功能所在!因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石:它們的架構就是充分利用並行處理,來快速執行多個操作,進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」(deep learning)。

黃仁勳在 5 月 22 日的發布業績新聞上謂:「下一次工業革命已經開始了:企業界和各國正與英偉達合作,將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升,幫助企業降低成本和提高能源效率,同時擴大收入機會。」

附錄

人工智慧的實用例子:下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後,讀者是不是認為筆者該退休了?

-----廣告,請繼續往下閱讀-----

GPU(圖形處理單元)和 AI(人工智慧)之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力,特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步,使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率,使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐,而且使其更具成本效益,因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展,GPU 的角色可能會變得更加不可或缺,推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標,這些神經元網路可以獨立但有凝聚力地工作,使我們能夠執行複雜的任務,例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外,研究表明,與非人類動物相比,人類大腦具有更多平行通路,這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上,一邊聽音樂一邊做飯,或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技,因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵:透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

(註一)當讀者看到此篇文章時,其股票已一股換十股,現在每一股約在 $100 左右。

(註二)組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」(GeForce 256)插卡吧?

(註三)筆者於 1984 年離開清華大學到 IBM 時,就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士(fellow)」Enrico Clementi 的團隊:因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層,我們只能自己寫軟體將 8 台中型電腦(非 IBM 品牌!)與一大型電腦連接來做平行運算,進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

-----廣告,請繼續往下閱讀-----

(註四)補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商:英偉達及 ATI(Array Technology Inc.)。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立,2006 年被超微半導體公司收購,品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐(Lisa Tzwu-Fang Su)博士為執行長後,股票從每股 $4 左右,上升到今天每股超過 $160,其市值已經是英特爾的兩倍,完全擺脫了在後者陰影下求生存的小眾玩家角色,正在挑戰英偉達的 GPU 市場。順便一題:超微半導體公司現任總裁(兼 AI 策略負責人)為出生於台北的彭明博(Victor Peng);與黃仁勳及蘇姿豐一樣,也是小時候就隨父母親移居到美國。

(註五)

延伸閱讀

  • 熱力學與能源利用」,《科學月刊》,1982 年 3 月號;收集於《我愛科學》(華騰文化有限公司,2017 年 12 月出版),轉載於「嘉義市政府全球資訊網」。
  • 網路安全技術與比特幣」,《科學月刊》,2020 年 11 月號;轉載於「善科教育基金會」的《科技大補帖》專欄。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 56 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

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

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。

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

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!

所有討論 1