Richard Thaler 是現代行為經濟學的奠基人之一。與 Amos Tversky 和 Daniel Kahneman 的理論工作不同，Thaler 更關注如何將行為經濟學的洞察應用於現實世界。
2008 年，他與 Cass Sunstein 出版了《Nudge》一書，系統地介紹了如何通過改變選擇架構（不改變選擇本身）來改進人們的決策。這本書吸引了全球政府的注意。
2010 年，英國總理 David Cameron 受《Nudge》啟發，成立了世界上第一個政府「行為洞察團隊」(Behavioural Insights Team, BIT)，俗稱「推力單位」。
Thaler 作為該團隊的顧問，幫助設計和評估基於行為經濟學的政策實驗。
每年，英國政府無法收回數十億英鎊的稅款，原因是：
- 納稅人忘記納稅截止日期
- 納稅人不優先支付稅款
- 納稅人不知道如何繳稅
傳統解決方案是提高懲罰或改進稅務機制。但 BIT 採取了不同的方法。
BIT 發現了幾個關鍵問題：
- 資訊問題：納稅人可能不知道他們欠稅或截止日期
- 便利性問題：繳稅流程太複雜
- 社會規範問題：納稅人不知道大多數人都按時納稅
基於這些發現，BIT 設計了一系列推力：
推力 1：及時提醒
- 在納稅截止日期前 2-4 週，向納稅人發送明確的提醒信
- 信中明確說明：他們欠多少稅、截止日期是什麼、如何繳稅
推力 2：社會規範
- 信中加入語句：「超過 95% 的納稅人按時繳稅」
- 這激發了他人的社會規範意識，「我也應該按時納稅」
推力 3：簡化支付
- 提供多個簡單的支付選項（郵件、線上、銀行轉帳）
- 在信中強調最方便的選項
BIT 進行了大規模田間實驗：
- 實驗組：約 140 萬納稅人收到改進的提醒信（包含社會規範資訊）
- 對照組：約 140 萬納稅人收到標準提醒信（沒有社會規範資訊）
結果：
- 改進信件的按時繳稅率：提升 5-7%
- 相對於對照組，額外收取稅款：約 1 億英鎊
- 成本：僅為改善郵件設計，邊際成本幾乎為零
這個專案證明了行為洞察的威力：無需改變激勵、無需增加懲罰，僅通過改進資訊框架和社會規範提示，就能顯著改進合規性。
英國器官捐贈率遠低於其他歐洲國家（約 27%），導致大量患者無法獲得救命的器官移植。
傳統解決方案是增加宣傳或激勵。但 BIT 認識到了真實的行為障礙：
障礙分析（使用 EAST 框架）：
- 簡單 (Easy)：註冊成為器官捐贈者的流程太複雜
- 引人注目 (Attractive)：器官捐贈資訊不夠突出
- 社會 (Social)：人們不知道許多人支持器官捐贈
- 及時 (Timely)：人們在獲得駕駛執照或更新護照時沒有被提示
基於 EAST 框架，BIT 設計了多個推力：
推力 1：簡化註冊
- 簡化線上和離線註冊流程
- 減少所需步驟（從多頁表格到單頁確認）
- 行動註冊功能使人們能在手機上快速註冊
推力 2：戰略時機
- 在人們獲得或更新駕駛執照時提示他們考慮器官捐贈
- 在醫院和診所中張貼提示
- 在 NHS 線上預約系統中加入器官捐贈選項
推力 3：社會規範
- 明確溝通「大多數人支持器官捐贈」
- 廣告中展示各類人士都是器官捐贈者
推力 4：視覺設計
- 改進海報和宣傳材料的視覺設計，使其更引人注目
- 器官捐贈率逐年上升（從 27% 升至 37%+）
- 每年額外挽救數百條生命
- 無需強制或新法律
英國 BIT 的成功啟發了全球 200 多個政府機構建立類似的行為洞察團隊。
採納推力的政策領域：
- 能源節約（丹麥、瑞典）
- 環保（美國、加拿大）
- 教育（澳大利亞、新加坡）
- 就業（英國、加拿大）
- 公共衛生（法國、日本）
在與 BIT 合作中，Thaler 強調了幾個關鍵原則：
-
選擇架構很重要
- 同樣的選擇，不同的呈現方式，導致不同的決策
- 政策制定者有責任設計更好的架構
-
理解心理障礙
- 人不是因為不關心（如納稅），而是因為：
- 不知道（資訊缺乏）
- 忘記（時間壓力）
- 太複雜（決策成本高）
- 社會規範不清（不知道別人怎麼做）
- 人不是因為不關心（如納稅），而是因為：
-
測試和迭代
- 推力設計應通過實驗檢驗，而不是靠猜測
- 什麼在一個情境有效，在另一個情境可能無效
雖然 BIT 的工作大多數被認為倫理，但也有批評：
-
透明性
- 一些人認為，政府使用行為洞察去「推」公民行為，應該更透明地告知公民
- 即使推力是善意的，它仍然是一種影響，應該被公開
-
目標選擇
- 批評者問：誰決定什麼是「好」的決策？
- 例如，政府推力鼓勵更多器官捐贈是好的，但如果用來鼓勵人們購買政府不支持的東西呢？
-
權力不對稱
- 政府擁有更多資源和資訊，用推力影響公民的決策，可能導致權力不對稱
-
規模很重要：小的改進（如改進信件設計），應用於百萬人，帶來巨大社會效益和經濟利益
-
以證據為基礎：在大規模實施前，通過試點實驗驗證推力的有效性
-
整合多個推力：單個推力通常效果有限。結合多個推力（資訊 + 社會規範 + 簡化流程），效果更佳
-
重視使用者研究：了解真實障礙（通過訪談、觀察、試驗），而不是假設
-
倫理實踐：推力應透明、易被規避、為了公眾利益
Netflix 是全球最大的流媒體服務，擁有 2 億多訂戶。它也是行為經濟學原理在商業中應用的最清晰案例之一。
Netflix 的核心商業模式依賴於：
- 使用者參與度：使用者觀看時間越長，滿意度越高，續訂可能性越高
- 內容發現：使用者發現他們想看的內容，而不是離開平台
- 成癮性設計：讓觀看變得無摩擦且習慣性
問題：使用者完成一集後會停止觀看（決策點）。他們可能會：
- 關閉 Netflix，做別的事
- 瀏覽其他內容，最終什麼都不看
- 繼續看下一集
傳統邏輯：讓使用者決定。但 Netflix 的行為設計師意識到：
- 當前完成一集時，使用者往往累
- 他們面臨一個決策：「要看下一集嗎？」
- 決策成本很高（要搜索、確認等）
- 大多數人會選擇「繼續」，如果這是預設的話
Netflix 在劇集結束後，自動開始播放下一集。但給使用者 15 秒的時間來停止它：
架構：
- 預設：自動播放下一集
- 使用者可以選擇：「不播放下一集」（需要主動點擊）
- 預設效應：人們傾向於接受預設選項
- 缺乏決策力：看完一集後，使用者更傾向於被動接受而不是做決定
- 無摩擦繼續：無需離開播放器或搜索內容，直接播放
Netflix 的數據（公開披露）：
- 自動播放導致觀看時間增加 20-25%
- 使用者習慣觀看一整晚（「一口氣看完」現象）
但：
- 使用者抱怨：「我不想這樣看，我需要睡覺」
- 研究顯示：自動播放可能導致過度消費（類似於超市中的「吃到飽」)
- 2019 年，Netflix 在回應批評後，允許使用者禁用自動播放
重要轉折： 2021 年，Netflix 實施了重大改變，推出了「自動播放預覽」而不是自動播放完整集數。這是對使用者回饋的妥協。
Netflix 的主頁不是隨機的。每個使用者看到的都是個性化的：
架構：
- 排名位置：你最可能點擊的內容出現在最頂部
- 內容分類：根據你的觀看歷史自動生成（「因為你看過...」)
- 視覺突出：某些標題用更大的圖片或特殊位置突出
- 行為承諾：一旦你看過某類內容，Netflix 會假設你對類似內容感興趣
- 選擇架構：首先看到的內容最容易被選擇（初始位置效應）
- 社會證明：「熱門」和「受歡迎」標籤影響選擇
- 代表性：如果你看過類似的東西，新內容如果看起來相似，被認為會有同樣吸引力
- 可得性：首頁上的內容比需要搜索的內容更「可得」
- 減少決策時間：使用者不需要搜索，推薦出現在眼前
- 提高發現率：使用者找到他們喜歡但未曾搜索的內容
- 增加內容多樣性：演算法引導使用者嘗試新類型（同時也強化他們已有的偏好）
Netflix 在內容卡片上顯示：
- 預視：鼠標懸停時播放 3-5 秒片段（不需要點擊）
- 評分：「96% 與你相似的人喜歡」
- 排名：「#2 熱門美劇」
- 觀看進度：「您已觀看 30%」（鼓勵完成）
- 社會證明：「他人喜歡」影響決定
- 損失厭惡：完成百分比（「已看 30%」）提醒使用者未完成的投入，鼓勵繼續
- 資訊簡化：無需點擊和閱讀複雜描述，預視快速傳達內容
- 決策時間從平均 2 分鐘減少至 30 秒
- 點擊率（內容被選擇的概率）提高 20-30%
- 完成率（開始的內容被看完的比率）提高
Netflix 的訂閱是容易的，但取消則相反：
過程：
- 登錄帳戶
- 進入帳戶設置
- 進入訂閱管理
- 尋找取消選項
- 確認取消（而不是直接取消）
- Netflix 試圖說服你繼續（折扣優惠）
與其他服務（如 Spotify）相比，這很複雜。
- 摩擦：增加行動的困難度，減少行動
- 損失厭惡：流程中的折扣優惠激起「如果我取消，會損失」的感受
- 預設：繼續訂閱是預設，取消需要額外努力
這個推力因為被認為過於操縱性而被廣泛批評。2022 年，Netflix 簡化了取消流程，承認這是為了改進使用者信任。
Netflix 的案例突出了行為設計中的倫理考量：
-
透明 vs 操縱
- 自動播放是透明的（使用者知道發生了什麼），但推薦演算法的確切邏輯是黑盒
- 複雜的取消流程被廣泛認為是操縱性的
-
福祉 vs 參與度
- Netflix 設計最大化觀看時間（商業利益）
- 但這與使用者的自我控制目標相衝突（許多使用者說「我看太多了」）
-
個人自主權
- 高度個性化可以改進體驗（找到你喜歡的內容）
- 但也可能限制自主權（演算法決定你看什麼）
-
預設選項非常強大：自動播放改變了整個文化中「狂刷」內容的方式
-
複雜性是營銷工具：簡化取消流程（削減營收）比複雜化它（保留客戶）更倫理
-
透明度重要：使用行為洞察時，使用者應該理解發生了什麼
-
權衡設計：好的設計應該平衡商業利益和使用者福祉，而不是只優化一個
Uber 革新了交通運輸市場，不僅通過應用程式的便利性，還通過演算法定價。與傳統出租車的固定價格不同，Uber 使用「動態定價」或「浪涌定價」(Surge Pricing)。
動態定價的經濟邏輯是合理的：
- 需求高時（下雨、下班高峰），價格上升
- 供應增加時，價格下降
- 通過價格機制平衡供求
但心理上，這引發了有趣的行為經濟學現象。
正常時段：
- 從 A 到 B 的車程：10 元（基於距離和時間）
高需求時段：
- 同樣的車程：可能 25-50 元（2.5-5 倍乘數）
Uber 如何呈現：
- 應用上顯示：「需求高漲 2.5 倍」
- 使用者需要確認才能叫車
當使用者打開 Uber 應用時，他們帶著一個內部「參考價格」：
- 「我知道 A 到 B 通常是 10 元」（參考價格）
當他們看到「需求高漲 2.5 倍」時，他們計算：
- 10 元 × 2.5 = 25 元
但如果 Uber 簡單地說「25 元」而不提到乘數，使用者可能會驚訝並離開。
乘數的錨定作用：「哦，是基於 2.5 倍的乘數」變成錯誤地認為高價格是合理的，基於供需，而不是被操縱。
- 沒有浪涌時：支付 10 元，沒有損失（就是預期價格）
- 浪涌時支付 25 元：心理上，使用者感到損失 15 元（相對於參考價格）
損失厭惡的後果：
- 使用者會延遲乘坐或尋找替代交通
- 或者，使用者會支付但感到被搾取
Uber 在浪涌定價時用不同的視覺設計（例如，紅色警告、驚嘆號），強調「需求高」而不只是「價格高」。
這改變了心理框架：
- 框架 1：「我要多付 50% 了」（損失框架）→ 負面感受
- 框架 2：「需求太高了，供應短缺」（資源稀缺框架）→ 可以接受的解釋
- 供應激勵：高價格激勵更多司機上線，縮短等待時間
- 需求管理：高價格阻止不必要的出行，留出容量給真正需要的乘客
- 市場效率：從經濟學角度，動態定價比固定定價更有效率
-
公平性感知
- 緊急情況下（災難、極端天氣），乘客認為 Uber 利用困境提高價格不公平
- 2012 年飈風「Sandy」後，紐約 Uber 浪涌定價 8 倍，引發公眾譴責
-
不可預測性和資訊問題
- 使用者打開應用，看到一個價格
- 等待車時，價格可能改變
- 使用者可能同意 25 元，但實際支付 30 元
- 這種不可預測性導致信任損失
-
心理公平感
- 即使經濟上有理，乘客在高需求時付更多錢，同時感到被搾取
Uber 在面對批評後進行了幾項設計改進：
原本使用者接受報價後，實際費用可能不同。
改進後：
- 使用者看到固定價格報價（在確認前）
- 如果浪涌定價變化，使用者可以拒絕並重新請求
行為效應：
- 減少了驚訝感和不公平感
- 使用者感到被告知和有控制力
Uber 開始更清楚地解釋為什麼價格高：
- 「前面有 5 輛車的需求」
- 「司機不足，預計等待 15 分鐘」
行為效應：
- 從「Uber 在宰我」改變為「這是市場現實」
- 透明度增強了信任
Uber 在高浪涌時期討論了一個有爭議的功能：是否應該有自動願意支付高價的「預設」？
經過公眾反彈，Uber 決定不實施這個功能，認識到：
- 自動同意高價格被視為不倫理
- 使用者應該有明確的控制權
COVID-19 大流行期間，Uber 面臨一個倫理困境：
場景：疫情初期，許多人無法乘坐公共交通，只能乘坐 Uber。需求激增，浪涌定價達到前所未有的水準。
問題：
- 弱勢群體（低收入）無法承擔高價格
- Uber 因在危機中利用定價被批評為不道德
Uber 的回應：
- 限制浪涌定價乘數的上限（例如，最多 2 倍，而不是無限）
- 推出「必要工作者」折扣計劃
- 強調供應和需求的真實不平衡，而不是試圖通過高價格解決
教訓： 即使經濟上合理的機制（動態定價），在社會危機時期也需要考慮公平性和社會責任。
-
航空公司：
- 廣泛使用動態定價（票價隨日期和需求變化）
- 但用複雜的演算法隱藏定價邏輯，避免行為反彈
- 消費者普遍接受（儘管不滿），因為認為這是行業常態
-
酒店：
- 類似航空公司，使用動態定價
- 比 Uber 更容易被接受（預訂時間提前，給使用者時間接受）
-
演唱會門票：
- Ticketmaster 嘗試了動態定價（某些座位價格隨銷售調整）
- 面臨公眾強烈反對（尤其是對粉絲公平性的關注）
- 許多場景中被放棄或限制
-
透明度和控制很關鍵：
- 同樣的定價機制，如果使用者感到被操縱或不被告知，會導致負面反應
- 如果使用者被告知並有選擇，更容易接受
-
社會背景很重要：
- 經常性購買（Uber）中的浪涌定價接受度更低
- 預先計劃的購買（航班、酒店）中更容易接受
-
公平性超越經濟效率：
- 即使動態定價在經濟上有效率，公眾可能基於公平性拒絕它
- 道德設計需要同時考慮這兩個因素
-
危機時期需要特殊考慮：
- 正常時期可以接受的做法，在社會危機期間可能激發強烈反對
- 企業需要準備好根據情況調整行為設計
台灣全民健康保險是世界上效率最高的醫療系統之一，但它也有一個關鍵問題：
資訊碎片化：
- 患者在不同醫院和診所看病，每個地方保留自己的病歷
- 醫生無法看到患者在其他地方的診療歷史
- 導致重複檢查、藥物相互作用、過度用藥
台灣試圖解決這個問題已有多年，但遇到障礙：
- 隱私關切：患者擔心醫療資訊被濫用
- 複雜的技術：不同系統之間的整合困難
- 低採用率：即使系統存在，醫生和患者也不使用
台灣健保局推出「健保卡雲端查詢」系統（簡稱「雲端藥歷」），但採用了關鍵的行為設計改進。
傳統方法（未被採用）：
- 患者需要主動同意將藥歷上傳到雲端
- 預設：不上傳（隱私優先）
- 採用率：預計 30-40%
推力設計（實際採用）：
- 患者的藥歷自動上傳到雲端（預設：同意）
- 患者可以選擇退出（但需要主動操作）
- 預期採用率：遠高於 50%
-
預設效應：大多數人不改變預設，因此自動同意導致高採用率
-
資訊框架：
-
框架 1：「為了保護你的隱私，我們預設不上傳。你可以選擇上傳」
- 理由：隱私是預設值
- 心理：保護隱私感覺更安全
-
框架 2：「為了改進醫療，我們預設上傳。你可以選擇拒絕」
- 理由：醫療改進是預設值
- 心理：改進醫療是公共益處
台灣選擇框架 2，因為：
- 預期公共益處（減少不必要的檢查）
- 使用者可以隨時改變選擇（不是永久承諾）
-
健保局發起大規模宣傳解釋：
關鍵資訊：
- 「醫生可以看到你的藥歷，避免重複用藥」
- 「這改善醫療安全」
- 「你仍然可以拒絕分享」
使用的心理原則：
- 社會證明：「超過 70% 的健保使用者已同意」
- 具體好處：「避免藥物相互作用，減少 30% 的不必要檢查」
- 控制感：「你可以隨時改變選擇」
僅僅提供資訊還不夠。台灣還改變了醫生的激勵：
設計：
- 醫生查閱患者雲端藥歷時，可獲得小額的服務費
- 鼓勵醫生實際使用系統（而不只是可用但未被使用）
心理機制：
- 經濟激勵：小額激勵改變行為（即使激勵小於醫生通常的費用）
- 習慣形成：一旦醫生開始使用，它變成日常流程的一部分
- 推出 1 年內：80%+ 的健保卡使用者同意共享藥歷
- 醫生查詢率：逐年上升，現在約 60-70% 的處方涉及雲端藥歷查詢
多項研究證明了雲端藥歷的益處：
-
藥物安全：
- 不適當的藥物組合減少 15-20%
- 重複用藥事件減少 25-30%
-
醫療效率：
- 不必要的檢查減少 20%
- 患者花在重複問卷上的時間減少
-
醫療成本：
- 整體醫療成本降低約 2%（儘管節約不是主要目標，改進藥物安全是）
批評者擔心預設同意會導致隱私侵犯。實際上：
- 隱私侵犯事件非常罕見（年均少於 10 起）
- 使用者對系統的信任實際上更高（因為看到實際益處）
- 選擇退出的使用者仍然存在（約 20%），但大多數保持預設同意
台灣的雲端藥歷是行為經濟學應用於公共健康政策的優秀案例，因為：
-
解決真實問題：不是試圖改變偏好或操縱決策，而是解決實際的醫療碎片化
-
倫理設計：
- 預設同意基於公共益處（藥物安全），而非商業利益
- 使用者可以輕易選擇退出
- 系統完全透明（醫生查詢被記錄，使用者可以查看）
-
證據驅動：設計基於研究和試點測試，而不是猜測
-
成功指標明確：並非最大化採用率本身，而是改進藥物安全和醫療效率
-
全球適用性：許多國家現在採用或考慮類似的系統
| 特徵 | Richard Thaler & BIT | Netflix | Uber | 台灣健保卡 |
|---|---|---|---|---|
| 目標 | 改進稅收合規、器官捐贈 | 最大化觀看時間 | 平衡供求定價 | 改進藥物安全 |
| 預設選項 | 利用 | 利用（自動播放） | 無 | 利用（同意共享） |
| 透明度 | 高 | 低（演算法黑盒） | 中等 | 高 |
| 使用者福祉 | 一致 | 衝突（過度消費） | 衝突（高價格） | 一致（安全改進） |
| 倫理評價 | 良好 | 有爭議 | 有爭議 | 良好 |
-
善用預設，但需倫理基礎：
- 預設是強大的工具，但應基於公共益處而非商業利益
-
透明度建立信任：
- 使用者願意接受有益的系統，即使涉及個人資訊，只要系統透明
-
多層推力組合更有效：
- 預設 + 教育 + 激勵 + 透明度，比任何單一推力更強大
-
監測和調整很重要：
- 系統應定期評估其實際影響（而非假設）
- 根據證據調整設計
-
文化背景很重要：
- 台灣成功部分基於文化對集體利益和信任的重視
- 同樣的設計在其他文化背景中可能需要調整
這四個案例展示了行為經濟學在現實中的應用：
- 英國 BIT：展示如何用低成本推力改進公共政策
- Netflix：展示商業應用，但也引出倫理問題
- Uber：展示經濟效率與公平感的衝突
- 台灣健保卡：展示如何倫理地應用推力改進公共福祉
核心教訓： 行為設計工具本身是中立的。同樣的工具可以用於改進福祉（健保卡）或操縱消費（Netflix），關鍵在於設計者的意圖和對使用者福祉的考慮。
最佳實踐：
- 透明度：告知使用者發生了什麼
- 控制：使用者應該能改變預設
- 證據：基於實驗和數據，而非猜測
- 福祉：設計應最大化使用者和社會福祉，而非僅商業利益