5D Library › 选择架构、累积前景理论与销售界面价格锚定的计算行为学 · English
第六章 时间:准双曲贴现、拖延与表单的摩擦
为什么几分钟的事会被一再推迟
一个人想订阅一项服务、申请一笔退款、领取一项补贴,或者取消一个不再需要的会员资格。完成这件事只需要几分钟,好处也清楚,可她一拖再拖,直到优惠过期、退款期限截止,或者又被扣了一个月的费用。作者的框架要求比较莱布森的准双曲(–)贴现与指数贴现,计算分步表单的摩擦成本与「拖延—违约」的临界值。本章先核对 – 模型的来源与性质,再按奥多诺霍与拉宾的框架区分天真与老练的拖延,最后给出一个分步表单的作者的模型。
三种贴现函数
指数贴现 意味着每多等一天,价值打同样的折扣,所以人今天对「下周一还是下周二」的偏好与下周一当天的偏好一致(时间一致)。经验上,人们常常在远处愿意等,到了眼前却不愿等。双曲贴现 是描述这一现象的一种函数;准双曲贴现是它的一个便于计算的近似。
证据
准双曲贴现函数 ,(,)最早由费尔普斯与波拉克 1968 年提出,用于描述每一代人对自己的消费与后代消费的不同权衡,即代际之间的「博弈均衡增长」(Phelps and Pollak 1968)。莱布森 1997 年把同一函数用于一个人在不同时点的「自我」,分析消费储蓄与流动性不足的资产(「金蛋」)怎样充当承诺工具 (Laibson 1997)。弗雷德里克、洛温斯坦与奥多诺霍 2002 年的综述讨论了贴现率估计的巨大差异与各种贴现模型的证据 (Frederick et al. 2002)。奥古斯丁、尼德勒与施普伦格 2015 年发现,在真实努力任务中存在明显的现时偏差,而在金钱的跨期选择中几乎没有 (Augenblick et al. 2015)。
所以作者框架中的「Laibson 准双曲贴现(β–δ)」应补注其函数形式源于费尔普斯与波拉克。奥古斯丁等人的结果对本章尤其重要:填写表单是一项努力,而不是一笔钱的跨期选择,现时偏差正是在这类任务中更明显。
推导
# Exponential versus quasi-hyperbolic (beta-delta) discounting. Phelps & Pollak (1968)
# introduced the beta-delta form for successive generations; Laibson (1997) applied it to
# one person's successive selves: D(0) = 1, D(t) = beta * delta^t for t >= 1.
# Exponential: D(t) = delta^t. Hyperbola (Mazur form) for comparison: D(t) = 1/(1 + k t).
# Time unit: one day. Illustrative parameters: beta 0.7, delta 0.9995, k 0.05.
BETA, DELTA, K = 0.7, 0.9995, 0.05
def d_exp(t): return DELTA ** t
def d_bd(t): return 1.0 if t == 0 else BETA * DELTA ** t
def d_hyp(t): return 1 / (1 + K * t)
F = (("exponential", d_exp), ("beta-delta", d_bd), ("hyperbolic", d_hyp))
print("discount factor t = 0 1 7 30 365")
for lab, f in F:
print(f" {lab:14s} " + "".join(f"{f(t):6.3f}" for t in (0, 1, 7, 30, 365)))
print("per-day rate 1 - D(t+1)/D(t) t = 0 1 30 365")
for lab, f in F:
rates = [1 - f(t + 1) / f(t) for t in (0, 1, 30, 365)]
print(f" {lab:26s} " + "".join(f"{r:8.4f}" for r in rates))
print("100 on day s or 120 on day s + 7, as judged today (day 0):")
for s in (0, 1, 7, 30, 90):
pick = ["120 later" if 120 * f(s + 7) > 100 * f(s) else "100 sooner" for _, f in F]
print(f" s = {s:2d}: exponential {pick[0]:10s} beta-delta {pick[1]:10s}"
f" hyperbolic {pick[2]}")
print("beta-delta: 100 now iff 1.2 beta delta^7 < 1"
f" (beta < {1 / (1.2 * DELTA ** 7):.4f});"
" for s >= 1 beta cancels")
s_star = next(s for s in range(1000) if 120 * d_hyp(s + 7) > 100 * d_hyp(s))
print(f"hyperbolic: sooner for s < {s_star}, later from s = {s_star}"
f" (later iff s > 35 - 1/k = {35 - 1 / K:.0f})")
# discount factor t = 0 1 7 30 365
# exponential 1.000 1.000 0.997 0.985 0.833
# beta-delta 1.000 0.700 0.698 0.690 0.583
# hyperbolic 1.000 0.952 0.741 0.400 0.052
# per-day rate 1 - D(t+1)/D(t) t = 0 1 30 365
# exponential 0.0005 0.0005 0.0005 0.0005
# beta-delta 0.3004 0.0005 0.0005 0.0005
# hyperbolic 0.0476 0.0455 0.0196 0.0026
# 100 on day s or 120 on day s + 7, as judged today (day 0):
# s = 0: exponential 120 later beta-delta 100 sooner hyperbolic 100 sooner
# s = 1: exponential 120 later beta-delta 120 later hyperbolic 100 sooner
# s = 7: exponential 120 later beta-delta 120 later hyperbolic 100 sooner
# s = 30: exponential 120 later beta-delta 120 later hyperbolic 120 later
# s = 90: exponential 120 later beta-delta 120 later hyperbolic 120 later
# beta-delta: 100 now iff 1.2 beta delta^7 < 1 (beta < 0.8363); for s >= 1 beta cancels
# hyperbolic: sooner for s < 16, later from s = 16 (later iff s > 35 - 1/k = 15)示意参数为 、(每天)与 。准双曲函数在第 0 天到第 1 天之间一次性打了 30% 的折扣,之后每天只打 0.05%,与指数函数相同;双曲函数的日贴现率从 4.76% 逐渐降到 0.26%。在「第 天得 100 还是第 天得 120」的选择中,指数贴现者总是选 120;准双曲贴现者只在 (今天就能拿到 100)时选 100,条件是 ,即 ;双曲贴现者在 时都选 100,偏好的反转点由 决定。准双曲函数把「现在」与「以后」截然分开,双曲函数则让偏好随距离连续地变化;两者都会产生偏好反转,指数函数不会。图 5 左图画出了三条曲线。
天真与老练
证据
奥多诺霍与拉宾 1999 年分析了现时偏差者在「什么时候做一件事」上的选择。天真的人以为未来的自己没有现时偏差,会按今天的计划行事;老练的人知道未来的自己同样有现时偏差,并据此反推。对于成本在当下、收益在以后的任务(例如写报告、填表),天真的人可能无限期拖延;老练的人预见到自己会拖,有时会提前去做,但也可能因为预见到将来的自己会做而放心地推迟。对于收益在当下、成本在以后的事(例如享乐),方向相反 (O’Donoghue and Rabin 1999)。阿里利与韦滕布洛赫 2002 年发现,学生会自愿给自己设定有代价的截止日期,但自己设定的截止日期不如外部均匀设定的截止日期有效 (Ariely and Wertenbroch 2002)。
作者的模型:分步表单与期限
下面是一个作者的模型,用来说明「分步表单的摩擦」怎样与现时偏差相互作用。它借用奥多诺霍与拉宾的天真/老练区分,但具体的设定是本书的,不是已发表的结果。
一项在线表单有 步,每步的努力成本为 ,完成的当天付出 ;收益 在以后实现,所以在完成当天的评价中乘以 (两周之内 )。表单在第 天后关闭;每多拖一天,这个人以概率 「掉队」(忘记、关掉了页面、注意力被别的事占据)。第 天的自我比较「今天做」的 与「等到下一个会做的自我」的 ,其中 是她预期还要等的天数。指数贴现者()预测正确;天真者以为明天的自己一定会做();老练者从第 天倒推,知道下一个真正会做的自我在哪一天。只比较「今天」与「明天」,今天做更好的条件是
推导
# THE AUTHOR'S MODEL of a multi-step form, in the setting of O'Donoghue & Rabin (1999).
# Completing it costs C = m * e on the day it is done (m steps, effort e each); the
# benefit V comes later, so on that day it carries the factor beta (delta = 1 within the
# window). The offer closes after day T; each day a person who has not acted drops out
# (forgets, loses the tab) with probability q. Self t acts iff acting beats her forecast:
# act now: -C + beta V; if the next self to act does so k days later:
# wait: beta (1 - q)^k (V - C).
# Exponential (beta = 1) forecasts correctly; a naive person forecasts that tomorrow's
# self will act (k = 1) whenever C <= V; a sophisticated person solves backwards.
V, E, BETA, Q, T = 10.0, 0.5, 0.7, 0.05, 14
def plan(C, beta, kind):
"""Return the first day on which the form is done (None = never)."""
act = [False] * (T + 1)
act[T] = -C + beta * V >= 0
for t in range(T - 1, -1, -1):
if kind == "naive": # believes she will do it tomorrow
k = 1 if C <= V else None
else: # knows the next self who acts
k = next((j - t for j in range(t + 1, T + 1) if act[j]), None)
wait = beta * (1 - Q) ** k * (V - C) if k else 0.0
act[t] = -C + beta * V >= max(wait, 0.0) and -C + beta * V >= 0
return next((t for t in range(T + 1) if act[t]), None)
def done(m, kind):
day = plan(m * E, 1.0 if kind == "exponential" else BETA, kind)
return day, (0.0 if day is None else (1 - Q) ** day)
c_s = BETA * Q * V / (1 - BETA * (1 - Q))
print(f"V = {V}, e = {E} per step, beta = {BETA}, q = {Q} per day, window T = {T} days")
print("acting today beats acting tomorrow iff C <= beta q V / (1 - beta (1 - q))"
f" = {c_s:.3f}")
print(" steps cost exponential naive sophisticated")
print(" (first day on which the form is done, P(done))")
for m in (1, 2, 3, 4, 6, 10, 13, 14, 21):
cells = []
for kind in ("exponential", "naive", "sophisticated"):
day, p = done(m, kind)
cells.append(f"{'never' if day is None else 'day ' + str(day):>6s} {p:5.3f}")
print(f" {m:5d} {m * E:5.1f} " + " ".join(cells))
print("sophisticated, first day by steps 1..15: "
+ " ".join("-" if d is None else str(d) for d in
(done(m, "sophisticated")[0] for m in range(1, 16))))
print("enrolment after the window, m = 6 steps, 30 % of people would rather not join:")
for kind in ("exponential", "naive", "sophisticated"):
p = done(6, kind)[1]
print(f" {kind:13s}: opt-in form {0.7 * p:.3f};"
f" opt-out form {0.7 + 0.3 * (1 - p):.3f}"
f" (target 0.700)")
# V = 10.0, e = 0.5 per step, beta = 0.7, q = 0.05 per day, window T = 14 days
# acting today beats acting tomorrow iff C <= beta q V / (1 - beta (1 - q)) = 1.045
# steps cost exponential naive sophisticated
# (first day on which the form is done, P(done))
# 1 0.5 day 0 1.000 day 0 1.000 day 0 1.000
# 2 1.0 day 0 1.000 day 0 1.000 day 0 1.000
# 3 1.5 day 0 1.000 day 14 0.488 day 0 1.000
# 4 2.0 day 0 1.000 day 14 0.488 day 2 0.902
# 6 3.0 day 0 1.000 day 14 0.488 day 2 0.902
# 10 5.0 day 0 1.000 day 14 0.488 day 3 0.857
# 13 6.5 day 0 1.000 day 14 0.488 day 14 0.488
# 14 7.0 day 0 1.000 day 14 0.488 day 14 0.488
# 21 10.5 never 0.000 never 0.000 never 0.000
# sophisticated, first day by steps 1..15: 0 0 0 2 2 2 2 0 5 3 14 14 14 14 -
# enrolment after the window, m = 6 steps, 30 % of people would rather not join:
# exponential : opt-in form 0.700; opt-out form 0.700 (target 0.700)
# naive : opt-in form 0.341; opt-out form 0.854 (target 0.700)
# sophisticated: opt-in form 0.632; opt-out form 0.729 (target 0.700)参数为 、、、、(示意值)。今天做胜过明天做的门槛是 ,即最多 2 步。结果是:
- 指数贴现者只要 (最多 20 步)就在第 0 天完成。
- 天真者在 1 至 2 步时当天完成;3 步及以上时,她每天都以为明天会做,一直拖到最后一天,到那时只有 的概率还「在场」。步数超过 14()时,最后一天她也不做。
- 老练者在 3 步时仍然当天完成(她知道若不做,下一个会做的自我在很久以后);4 至 7 步时在第 2 天完成,完成概率 0.902;11 至 14 步时与天真者一样拖到最后一天。8 至 10 步之间她的行动日并不单调(第 0、5、3 天):倒推得到的「下一个会做的自我」随成本跳动,这是奥多诺霍与拉宾的老练者模型的一个已知性质,不是程序错误。
这里没有一个单一的「拖延—违约临界值」,而是两个:步数越过今天/明天的门槛(这里是 2 步)时,天真者的完成率从 1 掉到 0.488;成本越过 时,所有现时偏差者都放弃。老练者的完成率总体上随步数下降、但不单调,大体介于两者之间(图 5 右)。
最后几行把这一模型用于默认选项。假设 70% 的人确实想加入、30% 不想。若加入需要填一份 6 步的表单(选择加入),最终加入的比例是指数贴现者 0.700、天真者 0.341、老练者 0.632;若默认加入、退出需要填同一份表单(选择退出),加入比例是 0.700、0.854 与 0.729。对指数贴现者,默认选项不改变结果;对天真者,默认选项改变约一半人的结局(0.341 对 0.854,差 51.3 个百分点);对老练者只改变约一成(0.632 对 0.729,差 9.7 个百分点)。这是默认效应的一种机制解释,与马德里安与谢伊 2001 年观察到的自动加入使 401(k) 参与率显著上升、许多员工停留在默认缴费率与默认投资选项上相一致 (Madrian and Shea 2001);他们把原因归于惰性与把默认选项当作建议,本模型只说明其中「拖延」这一条渠道。
证据
巴尔加瓦与马诺利 2015 年在美国国税局的一项现场实验中,向符合条件但未申领劳动所得税抵免的人寄送不同版本的提醒通知;简化通知、突出收益等改动提高了申领率,而他们把未申领的部分原因归于信息不足、混淆与「心理摩擦」(Bhargava and Manoli 2015)。第一章提到的贾希莫维奇等人的梅塔分析显示默认效应平均为 (Jachimowicz et al. 2019)。
注
这一节的伦理含义。 同样的模型既可以用来降低用户完成一件对自己有利的事的门槛,也可以用来提高取消订阅、申请退款的门槛。后者正是一些监管机构针对的「暗黑模式」。第八章的核查表把「加入步数与退出步数不对称」与「预先勾选的附加项目」列为需要标记的项目;本书不提供利用拖延来阻止用户退出的方法。
假说 · 尚未验证 · 步数门槛对天真者的影响大于对老练者
作者的假说(尚未确立): 对一项有期限的线上申请,把表单从 6 步减到 2 步所提高的完成率,在事后自评为「经常以为明天会做却没做」的人群中,大于在自评为「知道自己会拖、因此提前安排」的人群中。什么样的结果能证明它是错的: 在一项预先登记、随机分配 2 步与 6 步表单、事先测量自评拖延类型的实验中,表单步数与拖延类型之间的交互作用的置信区间包含零,或方向相反。
提醒、截止日期与模型的一个反直觉性质
作者的模型还有一个值得写明的性质。今天/明天门槛 是天真者的决策规则(她总以为下一个会做的自我就在明天,);它对 的导数为 :掉队的风险 越小,门槛越低,天真者越容易推迟。老练者的 由倒推得到,只有当下一个会做的自我恰在明天时才使用这一门槛;一般情形下, 越小,等待的代价 也越小,推迟的诱因方向相同,但大小随 而变。所以一项降低「忘记」风险的措施(例如可靠的提醒服务),在模型中可能减少当天完成的人数,同时提高最终完成的比例——对天真者,最后一天的完成率 随 下降而上升。只看「当天转化率」评价提醒的效果,可能得出与「最终完成率」相反的结论。这一推论只来自作者的模型,需要检验。
阿里利与韦滕布洛赫的研究提供了截止日期一侧的证据:在他们的课堂与校对任务研究中,学生愿意为自己设定有约束力的截止日期,这类自设的截止日期改善了表现,但效果不如由外部均匀设定的截止日期 (Ariely and Wertenbroch 2002)。在本章的模型中,一个中间截止日期相当于把一个长窗口切成几个短窗口,每个短窗口的最后一天都迫使天真者行动一次;这说明了为什么截止日期的数量与间隔可能比截止日期本身更重要。这一对应是类比,模型中没有学习与疲劳。
本章小结
准双曲贴现函数源于费尔普斯与波拉克的代际模型,莱布森把它用于个人的不同时点;它与双曲函数都会产生偏好反转,指数函数不会。现时偏差在努力任务中比在金钱选择中明显。作者的分步表单模型中,今天做胜过明天做的门槛为 2 步;步数为 3 至 14 时,天真者拖到最后一天、完成率 0.488,老练者在 4 至 7 步时于第 2 天完成、完成率 0.902,步数再多时行动日不单调;成本超过 时两者都放弃。默认选项对指数贴现者无影响,对天真者改变约一半人的结局,对老练者约一成。框架中的「拖延—违约临界值」在这个模型中是两个门槛,而且是作者的模型,不是已发表的结果。
参考文献
Fan, Y. (2026). Choice Architecture, Cumulative Prospect Theory and Computational Behavioural Economics of Pricing Interfaces: From Loss-Aversion Value Functions and Asymmetric Dominance to Hyperbolic Discounting, Read Beside the Qingzhong Chapters of the Guanzi [选择架构、累积前景理论与销售界面价格锚定的计算行为学] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23836260 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).