范围不敏感
范围不敏感： 无法感知大数字之间差异的认知失败。我们的情感反应迅速"达到平台期"，意味着我们对1000人死亡和100万人死亡的感觉大致相同，导致慈善、政策和风险管理中资源的巨大错配。
什么是范围不敏感？
范围不敏感（也称为"范围忽视"）是一种数值偏差，我们对某种情境的直觉评估——无论是灾难、慈善事业还是商业风险——即使情境规模增加几个数量级，也几乎保持不变。
起源：鸟类研究（1992）
该模型由 William Desvousges 及其同事在1992年的一项研究中著名地证明。他们问三组参与者愿意支付多少钱来拯救迁徙鸟类免于溺死在石油覆盖的池塘中。
- A组被告知每年有2000只鸟死亡。
- B组被告知每年有2万只鸟死亡。
- C组被告知每年有20万只鸟死亡。
理性的反应应该是支付意愿与拯救的生命数量成比例增长。然而，参与者的中位数回答分别是80美元、78美元和88美元。参与者对"范围"不敏感。他们不是在思考数字——而是在思考一只油污鸟的图像。
为什么重要："统计数据"问题
斯大林经常被引用这句话："一个人的死亡是悲剧，一百万人的死亡是统计数据。" 它准确地描述了人类同理心的生物学局限。
- 利他主义差距： 我们为一个困在井里的孩子花费数百万，却忽视造成数千人死亡的饥荒，因为数千人是"抽象的"。
- 政策误判： 政府可能在防范罕见威胁（如鲨鱼袭击）上的支出超过常见威胁（如心脏病），因为心脏病问题的"范围"没有引发相应的反应。
- 存在性风险忽视： 我们对待人类灭绝风险的紧迫感大致等同于对待地方性灾难，因为我们的大脑无法将"坏"乘以80亿。
工作原理：原型判断
Daniel Kahneman通过原型判断机制解释范围不敏感。我们的"系统1"（直觉）大脑不做乘法；它做模式匹配。
### 范围不敏感机制
1. **信息输入：** 你面对一个问题和一个数字（例如，"10万人需要清洁水"）。
2. **原型形成：** 大脑忽略"10万"，创建一个"原型"——一个口渴人的心理图像。
3. **情感反应：** 你的情感系统对原型做出反应。这产生一种"温暖的光辉"。
4. **饱和：** 情感反应几乎立即达到最大容量。无论数字是100还是100万，原型是相同的。
5. **固定评估：** 因为感觉相同，你的行动意愿保持固定。问题的"规模"被忽视了。
真实案例
案例1：企业社会责任中的可识别受害者vs大规模苦难
公司在设计社会责任项目时常常陷入范围不敏感，偏爱"生动性"而非"影响力"。
情境： 一家大型科技公司正在决定如何分配其年度100万美元的慈善预算。 模型应用： 团队面临两个选项。选项A：为一所当地学校建造一个高科技"STEM实验室"（500名学生）。选项B：资助发展中国家的驱虫计划（50万名儿童）。 结果： 因为"STEM实验室"很生动，可以拍摄"可识别受害者"的照片，公司通常选择选项A。他们对选项B的1000倍更大影响不敏感，因为快乐儿童在实验室的"原型"比50万儿童的"统计数据"更突出。
案例2：全球危机的"大规模麻木"
心理学家 Paul Slovic 创造了术语**"心理麻木"**来描述我们帮助他人的兴趣实际上随着受害者数量增加而减少。
情境： 在**卢旺达种族灭绝（1994）**期间，死亡人数上升到数十万。 模型应用： 早期关于几十人死亡的报道引发了国际愤怒。然而，当数字增长到50万时，"范围不敏感"开始发挥作用。 结果： 世界对数字变得"麻木"。Slovic的研究表明，人们对帮助两个饥饿儿童的捐赠意愿实际上低于帮助一个儿童。一旦你添加第二个孩子，"个人故事"就被"群体统计数据"稀释了。
案例3：政策辩论中的百万vs十亿
范围不敏感最常见的日常形式是我们无法理解大规模的财务差异。
情境： 公民讨论美国国债（约34万亿美元）或亿万富翁的净资产。 模型应用： 大多数人将"百万"和"十亿"视为"很多"的同义词。他们没有意识到100万秒是11天，而10亿秒是31年。 结果： 这种不敏感导致糟糕的投票决策。一个人可能抱怨1000万美元的政府拨款（联邦预算中的九牛一毛），却忽视1000亿美元的政策转变，因为两个数字都感觉"很大"。
使用时机
✅ 最佳使用场景
- 期望值计算： 每当你在路径之间选择时，强迫自己做乘法（概率×规模）。不要相信你的"感觉"。
- 慈善捐赠： 使用像GiveWell这样的网站，明确计算"每美元拯救的生命"。
- 公共政策： 分配卫生预算时，查看"DALYs"（残疾调整生命年）的节省。这是对情感突出性的数学对抗。
- 风险评估： 对风险使用对数尺度。强迫自己承认"9级"灾难比"8级"糟糕10倍。
❌ 何时避免使用
- 人际关系： 不要对家人应用"范围逻辑"。一个朋友的问题对你就是悲剧。
- 故事讲述与营销： 如果你想让人们行动，你必须忽略范围，使用"原型"。人们不会为统计数据捐款。
模型组合表：
| 与...组合 | 效果 |
|---|---|
| 可识别受害者效应 | "可识别受害者"是导致我们忽视范围的原型。 |
| 可得性启发法 | 我们只关心生动且"在脑海中"的问题的范围。 |
| 锚定偏差 | 我们对问题的首次情感反应"锚定"了我们的评估。 |
常见误用和局限性
- "冷血"谬误： 假设因为某人使用统计数据，他们就不关心人。实际上，"有效利他主义者"使用数学正是因为他们关心拯救最多的人。
- 忽视收益递减： 在某些系统中，范围不敏感是理性的。例如，1%死亡几率和2%之间的差异是巨大的；98%和99%之间的差异则不那么显著。
- 原型有时是对的： 有时，单个"原型"完美地代表了更大的群体。
相关模型
常见问题
范围不敏感与可识别受害者效应有何不同？
它们是同一枚硬币的两面。可识别受害者效应是积极地被单个人吸引。范围不敏感是未能随着数字增加而扩展这种吸引力。
范围不敏感最适合解决什么类型的问题？
它最适合大规模优先级排序——全球健康、气候变化和宏观经济。对于任何说"每个生命都无限宝贵"的人来说，它是必不可少的"BS检测器"。
了解更多关于范围不敏感的最佳资源是什么？
阅读Peter Singer的《你能做的最大善事》（2015）。对于心理学研究，请参见Daniel Kahneman的**《思考，快与慢》**。
用AI应用此模型
MindMax帮助你通过将统计数据转化为有形比较来"扩展你的同理心"。
- 倍数可视化器： 输入一个数字（例如，"5万难民"），MindMax将提供一个"生动的比较"（例如，"这相当于100架满载的波音747"）。
- 期望值审计器： 粘贴项目提案，MindMax将计算"每单位影响的成本"，突出显示"范围忽视"发生的地方。
延伸阅读
- Desvousges等，《使用条件估值衡量非使用损害》（1992）— 原始"鸟类研究"论文。
- Peter Singer，《你能做的最大善事》（2015）— 如何用逻辑克服范围不敏感。
- Paul Slovic，《心理麻木与种族灭绝》（2007）— 关于大规模麻木的权威论文。
本页面是MindMax思维模型知识库的一部分。