在很多国家，政府通常都会询问公民是否愿意死后把器官捐献出来。如今，器官捐献这件事是人们关注的热点之一。一方面，它可以将一个生命的损失转化为另一个生命的延续；另一方面，对将不再属于自己的器官做出安排，会让人觉得有些不安。不难想象，不同的人会做出不同的决定，不同国家的器官捐献率也不相同，但是国家之间的差异可能会大到惊人。

是什么因素导致器官捐献率如此不同

几年前，心理学家埃里克·约翰逊（Eric Johnson）和丹·戈尔茨坦（Dan Goldstein）在一项研究中发现，欧洲不同国家间的公民同意捐献器官的概率最低可至4.25%，最高则达99.98%。更令人感到奇怪的是，这些概率并不是分散在整个范围内的，而是集中在了两个极端上，要么就是百分之几或者百分之十几，要么就是90%以上，几乎没有中间值。

如何解释这一巨大的差异呢？这是我在该研究发表后不久，在哥伦比亚大学本科生的课堂上提出的问题。实际上，当时我给学生举了两个国家的例子，它们被匿名为A和B。A国大约有12%的公民同意捐献器官，而在B国则有99.9%的人愿意。然后请学生们思考是什么样的差异导致两个国家的公民做出如此不同的选择呢？学生们非常聪明，他们想出了很多可能性：有的学生认为，可能一个国家信教而另一个国家不信；有的认为一个国家的医疗水平更先进，器官移植的成功率比另一个国家高；有的则认为一个国家的意外死亡率更高，因此可用器官更多；还有学生认为，一个国家强调集体意识，而另一个国家则重视个人权利。

这些解释都有道理，但让学生意想不到的是，A国是德国，而B国则是奥地利。

我的学生被难住了，德国和奥地利究竟有什么不同呢？他们没有放弃寻找答案，也许在法律或教育体系上存在他们不知道的差异？或者奥地利发生过一些重大事件或媒体宣传激发了人们对捐献器官的支持？这和第二次世界大战有关系吗？又或许奥地利人和德国人其实差异很大？虽然学生不知道真正的原因是什么，但他们相信肯定存在什么重要因素，这种巨大差异绝不是偶然产生的。其实并非如此，只是导致这种差异产生的真正原因你一定想不到。尽管我的学生很有创意，但他们也没有得出那个无比简单的答案：在奥地利，默认选项是成为器官捐献者，而在德国，默认选项是不成为器官捐献者。两国在政策上的差距微乎其微，只是发一封简单格式的邮件和不发邮件的区别，但这个简单的操作足以将捐献率从12%提高到99.9%。奥地利和德国的情况也适用于整个欧洲，所有原本器官捐献率高的国家都用了“默认参加”政策，而原本器官捐献率低的国家则用了“默认退出”政策。

被忽略的“默认选项”

理解默认设置对选择起到的作用非常重要，因为我们对人们的选择及其原因的看法几乎影响了所有对社会、经济和政治结果的解释。随便读读某份报纸上的专栏文章，看看电视上某个专家的节目，或是听听深夜电台的访谈节目，你都能看到或听到很多有关“为什么我们选择这个而不选那个”的理论，这些信息不断轰炸着我们。尽管我们经常谴责这些专家的理论相互矛盾，但事实是，无论是政客、官僚、报纸专栏作家，还是企业高管或普通百姓，所有人都有自己信奉的人生选择理论。其实，无论是对政治、经济政策、税收政策、教育制度、医疗制度、自由市场政策、全球变暖事件、能源政策、外交政策、移民政策，还是对性行为、死刑、堕胎权或者消费者需求等所有关于社会影响的讨论，都明确或隐含地说明了人们为什么做出选择，以及如何被鼓励、教育、法律约束，或者被迫做出不同选择。

从日常决策到重大的历史事件，世界上的选择无处不在，它与生活的每个方面都息息相关，所以毫无意外，关于人们如何做出选择的理论也是大多数社会科学关注的核心。经济学家詹姆斯·杜森贝里（James Duesenberry）在评论诺贝尔经济学奖得主加里·贝克尔（Gary Becker）早期的一篇论文时曾打趣说：“经济学都是关于选择的，而社会学是关于人们为什么没有选择的。” 实际上，社会学家和经济学家一样也非常关心人们如何做出选择，更不用提政治学家、人类学家、心理学家，以及法律、商业和管理学者了。尽管如此，杜森贝里还是认为，20世纪，不同的社会和行为科学家更倾向于用完全不同的方法研究人们如何做出选择。最重要的是，他们在人类理性的本质和重要性上有不少分歧，有时甚至水火不容。

理性选择其实是偏好选择

对许多社会学家来说，“理性选择”这个词总是让人想到一个冷酷无情、精于算计的人，他只关心自己，并不断寻求自身经济利益的最大化。这种想法不无道理。多年来，在经济学家探索市场行为的过程中常常会运用“理性”这个概念，有时也称为“经济人” ，是因为它能自动应用到简单可解决的数学模型里。就像引言中提到的最后通牒博弈一样，人们在现实生活中不仅关心自己的经济利益或其他利益，还会关心他人的利益，这些人往往是我们愿意为之牺牲的人，这样的例子还有很多。我们也会关心并维护社会准则和惯例，惩罚破坏规则的人，即使这样做的代价很大。 此外，我们还经常关心无形的利益，比如声誉、集体归属感或者“做正确的事”，有时甚至比对待舒适的生活和物质财产更加上心。

理性选择理论
Rational Choice Theory

---

指政治科学及社会科学领域的一系列理论，主张行动本质上都是理性的，人们在行动前会考量利害得失来做出决定。理性选择中的“理性”是指，能够分析、比较各种选择的利益与效用，之后对于较高的效用与利益显示出偏好，并作为行为的根据，这种“理性”属于一种工具理性。

近几年，研究“经济人”概念的评论家针对理性选择理论提出了很多反对意见。作为回应，理性选择理论的支持者极大地扩展了理性行为的范围，不仅囊括了自私自利的经济行为，还包括更现实的社会和政治行为。 ¹ 事实上，如今的理性选择理论不再是一个单一的理论，而是发展成了一系列理论，它可以根据应用情况的不同而做出不同假设。这些理论包含两种基本观点：

• 第一，人们对某些结果存在偏好。
• 第二，考虑到这些偏好，人们会尽可能从中选择最好的方法来实现自己想要的结果。

举个简单的例子，比起口袋里的钱，我更喜欢冰激凌，而且如果有一种方法能让我用钱买到冰激凌，那么我会选择这样做。如果天气很冷，或者冰激凌很贵，我可能会等到一个更暖和的日子再去买。同样，如果买冰激凌需要绕很远的路，那我可能会先去我本来要去的地方，冰激凌则等其他时间再去买。无论我最后的选择是钱、冰激凌、本来要去的地方，还是其他选项，考虑到当时的偏好，我都做了对我来说“最好”的选择。

这种思维方式的诱人之处在于，它暗示了所有人类行为都可以被理解为试图满足自己偏好的行为。比如，我看电视是因为我很喜欢，而且愿意把大把时间花在看电视上；我投票是因为我十分关心政治，想要选出最能代表自己利益的候选人；我会申请可以考上的大学，并在录取我的学校中选出排名、助学金、生活条件等综合情况最好的一个；入学后，我会学习最感兴趣的课程；毕业时，我会选择我能找到的最好的工作；我会和喜欢的人交朋友，并与那些我喜欢的朋友保持来往；当我不再追求约会的刺激，而是偏向于稳定与安全感时，我会选择结婚；当家庭的好处（比如，有了孩子的快乐，我们无条件地爱他们，等我们老了时他们也会照顾我们）超过了责任增加、自由减少和养育带来的负担时，我会选择要孩子。

在《魔鬼经济学》（ Freakonomics ）中，史蒂芬·列维特（Steven Levitt）和史蒂芬·都伯纳（Stephen Dubner）通过一系列故事阐述了理性选择理论的解释能力。这些故事里的行为开始时会让人感到十分困惑，但仔细研究你就会发现，它们是完全合理的。例如，你可能会想，你的房地产代理是按业绩获得佣金，所以他会尽量把你的房子卖到最高的价格。但事实是，房产代理会把自己的房子留在市场上更久，而且卖出的价格比客户的房子都贵。为什么呢？因为给你卖房子，代理只能赚取差价的一小部分，而卖自己的房子时，他们可以得到全部的差价。后者可以留到价格足够高时才卖，而前者不能。一旦你了解了房地产代理面对的这些激励，或者他们真正的偏好，其行为就不难理解了。

同样，当你得知在一所走读学校中，父母因为接孩子过晚而被罚款后反而接得更晚时，可能会大吃一惊。其实，是因为罚款减轻了他们对给学校老师带来不便的愧疚感，他们觉得自己实质上已经为迟到的权利买单了。一旦你明白了这点，一切就会迎刃而解。同理，你也可以解释一些发生在高中教师身上的令人困惑的行为，这些老师为了应对当时美国政府出台的《不让一个孩子掉队法案》，竟然篡改了他们学生的试卷。尽管这可能让他们丢掉工作，但被发现的风险很小，而因学生成绩不佳被罚的代价要大得多。

除了人的因素和具体情况，也就是性别、政治、宗教、家庭、犯罪、欺骗、交易，甚至维基百科的条目可能产生的影响，列维特和都伯纳还不断强调的一点是，如果我们想要理解人们做事的原因，就必须理解他们面对的激励，以及因此产生的对不同结果的偏好。当有人做了让我们感到奇怪或困惑的事情时，我们应该试着去分析他们的处境，找到一个合理的动机，而不是认为他们荒谬之极或是疯了。事实上，这种练习在引言中提到的“最后通牒博弈”案例中也做过。一旦我们搞清楚，阿乌部落交换礼物的习俗让他们把我们眼中的天降之财看成未来不得不承担的责任，之前令人费解的行为就变得和我们的行为一样合理起来。一旦我们了解了之前不熟悉的背景，这些行为才变得合理起来。魔鬼经济学的核心观点是，无论我们讨论的行为有多古怪或绝妙，都可以用这种方法分析。

虽然列维特和都伯纳的解释非常耐人寻味，偶尔还会引起争议，但他们的解释在原理上与大多数社会科学的解释大同小异。很多社会学家和经济学家可能会对细节产生异议，他们总觉得除非自己能用动机、激励、认知和机会等因素成功地解释一个行为，否则就是没有真正理解该行为。简而言之，只有将行为合理化才算真正地理解它。 不仅社会学家这么想，我们也是。当我们试着去理解，为什么一个普通人会选择成为战争的牺牲品，就会在不知不觉中合理化他的行为；当我们试图解释金融危机的根源时，就会寻找促使银行家创造和推销高风险资产的合理动机；当我们把飞涨的医疗费用归咎于医疗事故立法或程序导向的付款过程时，我们本能地使用了理性行为模型来解释医生这样做的原因。也就是说， 当我们进行自己的理解过程时，会不自觉地采用一种理性行为框架。

到处都是“看不见的大猩猩”

人是充满理性的，若无相反的证据，我们都可以这样认为。这是个充满希望和启迪的隐含假设，它值得被提倡。“理解”人类行为的方式与“理解”电子、蛋白质或行星行为的方式非常不同，而合理化行为的做法更是掩盖了这一差异。比如，当物理学家理解电子的运动时，他并不会把自己代入电子的环境中考虑。或许有关电子理论的直觉可以帮助他理解电子的行为，但是，他永远不可能知道作为一个电子的真实感受，当然，这种直觉非常滑稽。合理化人类行为就需要我们在脑海中模拟被理解人的行为。只有当我们能模拟出与研究对象一样的行为时，才算真正理解了这个行为。

这种“模拟理解”毫不费力，因此我们很少会去想它到底靠不靠谱。 正如前面提到的器官捐献率的例子，我们的心理模拟总是会忽略某些类型的因素，而这些因素恰恰非常重要。这是因为当我们去想人们如何思考时，会本能地先想到容易想到的投入和收益因素，比如与动机、偏好、观点相关的因素。这些因素在社会科学家的理性模型中占据着主导地位。相比之下，默认选项是决策者工作环境的一部分，它会在潜意识里影响行为，所以几乎不出现在我们对行为的常识解释中。 默认选项只是冰山一角。几十年来，心理学家和行为经济学家一直在可控的实验室环境中研究人类的决策行为。他们的研究发现不仅与最基本的理性假设相悖，还要求用一种全新的方式来思考人类行为。

心理学家通过无数实验证明，一个人的选择和行为受“刺激”他们的特定词语、声音或其他因素的影响。 比如，那些在实验中读过“老”“虚弱”这类词语的实验对象在离开实验室时会走得更慢；当酒水商店的背景音乐是德国音乐时，消费者则更有可能购买德国酒，如果放法国音乐，消费者则更可能买法国酒；在调研人们最喜欢的饮料产品时，如果给调查对象一只绿色的笔填写问卷，他更可能回答“佳得乐” ；当人们在网上购买沙发时，如果购物网站的背景是蓬松的白云，他们更可能选择昂贵舒适的沙发，而当背景满是硬币时，他们可能会选择相对较硬的便宜沙发。

锚定效应
Anchoring Effect

---

指当人们需要对某个事件做定量估测时，会将某些特定数值作为起始值，起始值像锚一样制约着估测值。在做决策的时候，会不自觉地给予最初获得的信息过多的重视。

我们的行为也可能受一些不相关的数字信息的误导。 比如，在一次葡萄酒拍卖实验中，在出价前，参与者被要求写下他们的社保号码的后两位。尽管这些数字是随机的，而且与他们将要竞拍的葡萄酒价格毫无关系，但研究者发现，社保号码后两位数字越大的人，愿意出的价格就越高，这种效应被心理学家称为“锚定效应”。我们做出的各种估计，无论是估算非洲联盟国家的数量，还是估计合适的捐赠额或者小费，都会受到该效应的影响。事实上，每当你收到慈善机构的捐赠邀请函上附带了“建议捐款额”或者收到的账单上有预先计算过的小费比例时，他们可能就是利用了你的锚定偏见。通过给出一个高数额的建议，请求者就锚定了你对公平的初始估计。即使你之后调低了数额，比如觉得25%的小费太多了，你最后给的钱也可能比没有建议时给得多。

呈现方式的简单改变，也会极大地影响个人的偏好。 比如，强调赌博中输钱的可能性会让人规避风险，而强调获胜的潜力则会产生相反效果，即使赌博本身并没有发生什么变化。更令人困惑的是，引入第三种选择，可以有效逆转一个人对两个选项的偏好。

当你买相机时，如果选项A是高质量、价格昂贵的相机，选项B是质量较低、价格也便宜很多的相机，单独看这两个选项时，你可能很难做出选择。但如果如图1-1所示，引入第三个选项C1，它与A质量相同，但价格更贵，那么A和C1之间的选择就很明确了。在这种情况下，人们会倾向于选择A，这看起来合情合理。但是考虑一下，如果引入的第三个选项不是C1而是C2，它与B价格相同，但质量差很多，那这时，B和C2之间的选择也就很明确了，人们更可能选择B。也就是说，当其他因素保持不变时，引入不同的选项就可以使决策者的偏好在A和B之间发生逆转。更奇怪的是，引起偏好逆转的第三选项却永远不会被选择。

通过继续研究这一连串不合理的现象，心理学家发现，不同种类的信息获得或回忆起来的难易程度也会影响人们的判断。人们总是认为，在飞机上，相比于其他事故，死于恐怖袭击的可能性最大。因为人们可以生动地想象出恐怖袭击的场景，尽管实际上它发生的概率比其他飞机事故小得多。颇为矛盾的是，当被要求回忆一下自己做过的果断之事时，人们总认为自己很少表现得行为果断。这不是因为该问题与他们的观点相悖，而是因为他们不愿意费劲去回忆。人们会笼统地记得自己过去的行为和信念与现在一样，但实际并非如此。比如，人们会更容易相信一份之前读过的书面报告，尽管上次读的时候，他们认为是错误的。

此外，人们倾向于通过强化已有思考内容的方式来接受新信息，该方式的实现，一方面是通过重视那些更容易证实自己已有观念的信息，另一方面是通过对不确定信息施以更加严格的检查和怀疑。 这两个密切相关的倾向分别被称为证实性偏见（confirmation bias）和动机性推理（motivated reasoning），它们极大地阻碍了我们解决分歧的能力，小到家务活的分歧，大到像北爱尔兰或巴以长期的政治冲突。在这些冲突中，当不同政党面对同样的“事实”时，却对现实产生完全不同的理解。即使在自然科学领域，证实性偏见和动机性推理也有害无益。也就是说，科学家应该遵循某些证据，即使这可能与他们之前的观念相矛盾。事实是，他们经常质疑这些证据，正如物理学家马克斯·普朗克（Max Planck）指出的那样：“一个新的科学真理的胜利，并不是靠着说服其反对者，让他们接受，而是因为反对它的人都死绝了。”

注重相关性，而非因果性

综上所述，心理学实验表明，很多潜在的相关因素以真实可见的方式影响着我们的行为，而我们丝毫没有察觉到它们起到的作用。心理学家发现了很多这样的效应，比如启动效应、框架效应、锚定效应、可用性法则、动机性推理，以及损失规避等，但很难看出它们是如何结合在一起的。在实验中，人们往往一次只强调一种潜在的相关因素，以重点突出它的影响力。但在现实生活中，同一种情况可能存在很多这样的相关因素，它们的影响各不相同。因此，理解这些因素之间的相互作用至关重要。也就是说，拿一支绿色的笔会让你想到“佳得乐”，听德国音乐会让你倾向于买德国酒，或是心里想着社保号码会影响到你接下来的竞拍出价，这些事情可能的确会发生。当你同时受到许多可能互相冲突的潜意识影响时，究竟会买什么，又会花多少钱呢？

这并不确定。无意识的心理偏见的泛滥也不是我们面临的唯一问题。再回到之前冰激凌的例子，尽管我喜欢吃冰激凌是一个基本规则，但在某一特定时间点，我的喜欢程度可能大有不同，这取决于当天的时间、天气、我有多饿，以及我想买的冰激凌有多好吃等。另外，我的决定不仅取决于我有多喜欢冰激凌，或者我的喜爱程度与冰激凌的价格之间的关系，还取决于我是否知道最近店铺的位置、之前是否去过、我有多忙、我和谁一起、他们想买什么、我是否得去银行取钱、最近的银行在哪里，以及我是否看到别人吃冰激凌或者听到某首歌时想起了吃冰激凌的快乐时光等。即使是在最简单的情况下，相关因素可能也有很多。有这么多因素需要考虑，即使是非常相似的情况也会有重要的微妙差别。当我们想要理解或者预测一个人的决定时，如何才能知道这些因素中哪些需要关注，哪些可以“放心”忽略呢？

这种知道哪些因素与特定情况相关的能力，就是我们在引言中讨论的常识性知识的特点。在实践中，我们很少想到相关因素，因为做决定的轻松掩盖了复杂的影响因素。哲学家丹尼尔·丹尼特 曾说，当他半夜起来想做点东西吃时，只需要知道冰箱里是否有面包、火腿、蛋黄酱和啤酒，剩下的事情就水到渠成了。当然，他也知道，“蛋黄酱在和餐刀接触时不会溶解餐刀，一片面包比珠穆朗玛峰要小，打开冰箱不会导致厨房发生核灾难”，以及其他无数不相关的事情或逻辑关系。但不知怎的，他可以忽略这些，只专注于那些重要的事上，甚至他自己都不知道到底忽略了什么 。

丹尼特指出，在实践中知道什么是相关因素与能够去解释为什么我们知道它们是相关因素，这两者之间有巨大的差别。很明显，和某种情况相关的因素就是该情况与其他相似情况共有的一些特征而已。例如，价格和购买决策相关，因为在买东西时，价格往往起着至关重要的作用。但我们如何知道，哪些情况和当下的情况类似呢？这也很简单：类似情况往往具有相同的特征。当一个人要买东西时，他会考虑到很多因素，包括价格、质量、可用性等。从这个意义上来讲，所有的购买决定都是相似的，但问题来了，要确定哪些特征与某种情况相关，就需要我们将该情况与一些相似的情况联系起来，而要知道与哪些情况相似，又需要知道与它们相关的特征。

这种内在的循环就是哲学家和认知科学家所说的框架问题，他们已为此争论了几十年。框架问题首先发现自人工智能领域。当时，研究者正尝试开发计算机程序和机器人来处理相对简单的日常工作，比如打扫房间等。一开始，研究者认为，要在程序中实现与一项任务相关的所有内容并不难。毕竟，人们每天都要打扫自己的房间，做的时候甚至都不用动脑子，教给机器人又有多难呢？然而他们发现，事实上却非常困难。在引言中我们提到，即使是像坐地铁这样相对简单的事情，也需要掌握大量的知识，这些知识不仅包括地铁的站台和出口的信息，还包括保持人与人之间的距离，避免眼神接触，以及别挡到匆忙的纽约人的路等规则。很快，研究者意识到，对于人工智能来说，学会任何一项日常工作都非常困难，原因都相同——涉及的相关事实和规则多到超出我们的想象。虽然在大多数情况下，很多内容都可以忽略，但这根本解决不了问题，因为我们无法事先知道哪些事情可以忽略，而哪些不能。研究者发现，即使是实现最微不足道的任务，他们也得重复编写冗长的程序。

对于人工智能最初的设想是，在类似我们自己的实践过程中，或多或少地复制人类的智慧，然而棘手的框架问题使其陷入了困境。但是，这场失败还有一线希望。由于一次次的失败，人工智能研究者不得不从头开始把每个事实、规则和学习过程编入程序中，但他们的程序往往无法如预想的那样成功运行，造成的后果也非常严重，比如机器人摔下悬崖或试图穿墙而过等，这说明框架问题不可忽视。人工智能研究者没有直接破解这些难题，而是采取了一种完全不同的方法，即一种强调数据而非思考过程的统计模型。该方法也就是现在的“机器学习”，它远没有最初的认知方法那么直观，却卓有成效，而且带来了无数重大突破，包括当你输入指令时瞬间完成查询的神奇搜索引擎，无人驾驶汽车，甚至是能玩《危险边缘》（ Jeopardy! ） 游戏的计算机等。

填充想象，人类思考的本质

框架问题不仅仅是人工智能领域的问题，它也是人类智能面临的问题。正如心理学家丹尼尔·吉尔伯特（Daniel Gilbert） 在《撞上幸福》（ Stumbling on Happiness ）一书中所写，当我们想象自己或者他人面对一种特定情况时，不可能把所有可能相关的细节问题全部都考虑清楚。就像一个勤劳的助理可能会用资料卡片来充实单调的PPT一样，我们就某事或某人的“心理模拟”也会搜索大脑中包括记忆、图像、经历、文化规范和预期结果的庞大数据库，然后恰如其分地插入各种必要的细节使画面变得完整。比如，调查发现，当受访者离开餐馆时，他们能轻松地描述出男服务员的着装，即使该餐馆的服务员全是女性；当被问起教室里黑板的颜色时，学生们往往回忆说是绿色，即正常黑板的颜色，即使他们教室的黑板实际上是蓝色的。一般来说，人们会系统性地放大预期损失带来的痛苦和预期收益带来的快乐。比如，在网上进行在线配对时，参与者获得的信息越少，他们对配对的对象就会越感兴趣。在所有这些例子中，一个谨慎的人不会在得到足够多的信息前给出明确的答案。由于“填充想象”的过程会在瞬间轻松发生，所以我们通常不会察觉到它的存在，也不会意识到自己错过了什么。

框架问题警示我们，这样做一定会犯错，而我们却一直在这么做。与人工智能研究者编写的程序不同，人类活动并不会迫使我们重写思考的整个心理模型。正如保罗·拉扎斯菲尔德在《美国士兵》一书中提到的那样，每个结果和它的对立面都同样明显，一旦知道了结果，我们总能想到之前遗漏的信息，发现它们其实是与该情况相关的。也许我们会坚信，自己中了彩票后肯定会很开心，但事实并非如此，这显然是一个失败的预测。当我们意识到自己并未那么开心时，往往是因为遇到了新的情况，比如亲戚们突然请求经济援助等。之后我们就会想，如果能早点儿知道这些情况，就一定能准确地预测出自己中彩票后的幸福程度，这样也许就不会买那张彩票了。我们并不会质疑自己预测未来幸福程度的能力，反而会简单地认为，我们只是漏掉了一些重要的东西，这种错误以后肯定不会再犯了。实际上我们还会再犯。事实上，无论我们在预测某人的行为上失败了多少次，都会把当时不了解的事情作为理由来辩解。这样，我们就成功地掩盖了框架问题——总让自己相信下次肯定能做对，却从不考虑自己到底做错了什么。

在经济奖励和激励的关系中，框架问题尤为明显，而且很难消除。比如常见的，实行经济激励措施可以提高员工的绩效。最近几十年里，基于绩效的薪酬制度使用得越来越多，最具代表性的就是与股票价格挂钩的高管薪酬。 虽然员工们关心的不仅仅是钱，诸如内在感受、认可度、职业晋升等因素都会影响到他们的工作表现，但在其他条件相同的情况下，适当地运用经济奖励显然可以提高员工的业绩。多年来的大量研究表明，薪酬与绩效之间的关系实际上复杂得超乎我们的想象。

反常识案例

通过工资激励员工的方式真的有效吗

最近，我和雅虎公司的同事温特·梅森（Winter Mason）进行了一系列基于网络的实验。在这些实验中，我们给予被试不同的报酬，让他们执行各种简单的重复性任务，比如，将正在行驶的车辆的照片按时间顺序排列，或者在矩形字母网格中找出隐藏的单词等。所有的实验参与者都是从“亚马逊土耳其机器人”（Amazon’s Mechanical Turk）网站上招募而来的，这个网站是2005年亚马逊为识别存货中的重复物品而建立的。如今，数百家公司用它来“众包”各种任务，包括在图片中做标记、描述报刊文章的观点，或者决定两个解释中哪个更好等。当然，它也为心理学实验招募被试提供了有效途径，有些心理学家也会通过在大学校园里张贴传单来招募。我们需要支付给被试（或“土耳其机器人”）每个任务几美分的报酬，这笔花费只占正常成本的一小部分。

总的来说，有数百人参与了我们的实验，他们完成了成千上万个任务。有时每个任务的报酬只有1美分，比如对一组图片进行排序或找出单词；而有时候，同样的任务会支付给他们5美分，甚至10美分。10倍之差在工资上是一个巨大的差异，要知道，美国计算机工程师当时平均每小时的工资只是全美最低工资的6倍。所以你可能认为这个差异会对人们的行为产生显著的影响。事实确实是这样，我们付给被试的钱越多，他们在实验中完成的任务就会越多。我们还发现，那些分配了简单的任务（如图像排序，每组2张）的被试完成的工作量比分配了中等困难或非常困难的任务（每组3张或4张）但每个任务的报酬不变的被试更多。换句话说，所有这些都符合常识。但关键是，尽管存在这些差异，我们发现他们的工作质量，也就是图像排序的准确率并没有随着工资的增长而提高，即使他们的工资只按照正确完成的任务支付。

这个结果该如何解释呢？当时我们并不清楚。在被试完成工作后，我们问了他们一些问题，其中就包括他们认为自己做的工作应该得到多少报酬。有趣的是，他们的理想工资和任务的难易程度之间并没有什么关系，理想工资更多地取决于已经被支付的报酬。平均而言，每项任务工资为1美分的被试认为，他们应该得到5美分；工资为5美分的被试认为，他们应该得到8美分；而工资为10美分的被试则认为，他们应该得到13美分。也就是说，无论他们的实际工资是多少，要知道其中有些人的工资已经是其他人的10倍了，每个人还是认为自己的工资过低。这一发现告诉我们，虽然我们期望通过增加工资激励员工努力工作，但实际上，即使是非常简单的任务，工资增加的动力也会极大地被员工增加的权利意识削弱。

这种效应在实验室之外很难测试，因为在大多数真实环境中，我们很难控制员工对工资的期望。想想看，美国女性的平均工资仅是做同样工作的男性的90%，或者欧洲公司CEO的工资比美国同行的低很多。 在这两个例子中，你能说低薪群体就一定比高薪群体工作不努力或表现差吗？或者想象一下，如果明年你的老板突然给你涨了一倍工资，你会比以前努力多少呢？如果在一个平行世界里，银行家的工资是我们这里的一半，那毫无疑问，肯定会有一些银行家选择跳槽。对于那些继续留在银行业的人，他们工作时会没有之前那么努力或者变得更差吗？我们的实验结果表明，并不会。如果结果是“会”，你一定会想，仅仅通过工资激励会对员工表现产生多大影响呢？

事实上，很多研究发现，工资激励的方式实际上会削弱员工的业绩。首先，当工作涉及多方面或者很难衡量时，员工往往只会关注工作中易于衡量的方面，因而忽略了其他重要部分。比如，老师会重视那些可能在考试中考到的内容，而忽略了整体学习。其次，当受奖励的心理压力抵消了努力工作的意愿时，工资激励也会产生“抑制”作用。最后，在个人贡献很难与团队的整体贡献区分开来的情况下，工资激励会导致员工依仗别人的努力，或者避免承担风险，从而阻碍创新。通过这些相互矛盾、令人费解的发现，我们得知，尽管大家都认为人们会以某种方式对经济激励做出反应，但对于如何在实践中应用激励措施来获得预期效果，目前还不清楚。一些管理学者经过几十年的研究后甚至发现，经济激励和员工表现在很大程度上是无关的。

尽管这一点被多次指出，管理者、经济学家和政治家仍然试图使用激励措施来引导人们的行为。列维特和都伯纳曾写道：“典型的经济学家认为，如果可以放手去制定合适的激励机制，世界上就没有解决不了的问题。激励是子弹，是杠杆，是钥匙，它虽然很小，却具有改变环境的惊人力量。” 好吧，也许是这样，但这并不意味着我们制定的激励措施就会带来预期的效果。事实上，列维特和都伯纳发表的一篇短文，也就是关于高中老师在考试中作弊的那篇，讨论的正是政策制定者通过激励措施改善教学质量的一个尝试。结果事与愿违，这种激励反而引发了彻底的作弊行为和各种各样的小把戏，比如“应试教育”或者只关注边缘学生（他们的成绩只要提高一点就能多一个及格人数）。这应该让我们停下来思考，通过激励机制来实现预期的行为到底可行吗？

常识并没有停止起作用。一旦我们发现一些激励措施不起作用，就会简单地认为它们是错误的。也就是说，一旦政策制定者知道了这一结果，他们总能说服自己相信，他们需要做的就是制定“正确”的激励机制。当然他们忽视了，目前的激励措施恰恰也是他们之前认为自己正在做的正确的事。政策制定者并不会受到这种忽视的影响，我们也不会。比如，有新闻报道了政客无法负担长期的财政问题，有人还调侃地总结说：“像银行家一样，政客们也需要激励。”至于解决方案，就是“让国家利益与领导国家的政治家的利益保持一致”。这听起来倒是很简单，但文章也承认，之前试图“修复”政治的努力总是让人失望。

就像理性选择理论一样，常识总是会告诉我们，人们做某件事情都有自己的理由，这确实有可能，但我们并不能因此提前预测到，人们会做什么以及为什么这么做。 一旦他们做了，原因就会凸显出来，我们也会得出结论：如果早点知道一些特定的重要因素，肯定能预测到结果。虽然事后看起来，正确的激励机制本应该能得到预期的结果，但这种“事后诸葛亮”的预测表现纯粹是假象。原因有二：

• 第一，框架问题说明，我们永远无法知道可能与该情况相关的所有因素。
• 第二，一篇著名的心理学文献指出，许多相关因素超出了我们的认知范畴。

这并不是说人类行为完全不可预测。我将在第7章中说明，人类行为表现出了各种各样可预测的规律，而且通过预测，我们可以得到有用的结论。这不是说，我们不该试着找出促使人们做出决定的动机。如果没有其他情况，合理化他人的行为也许有利于人们之间的相处，这本身就是一个有价值的目标，也可能会帮助我们从错误中吸取教训。即使我们有能力理解观察到的行为，也并不意味着我们能进行预测，即使我们可以做出可靠的预测，但最好是在直觉和经验的基础上做的。正是理解和预测行为的差异导致了常识推理的众多失败。如果这种差异给处理个人行为带来了困难，那么在处理群体行为时，这种困难会变得更加严重。