保险风险判断可能采用的启发式原则

保险风险是保险承保风险的简称，下面分别讨论三种启发式原则的含义和案例，并讨论其是否适用于保险风险判断。

不确定条件下的判断范围远比保险风险判断范围要大，至少包括两种情形：第一种情形是，某个事件其实是确定的，只是判断者不知情，于是对判断者而言属于未知，有不确定性。例如，请被试根据一些描述判断某位大学生的所学专业，或请被试估计一条麻袋中白色球和黑色球的比例等；第二种情形是，某个事件在未来可能发生也可能不发生，请判断者判断其未来发生的概率或频率，例如，请某人判断其汽车在未来一年内的被盗概率，或者更复杂些，请判断者估计未来结果的概率分布。显然这是两种完全不同的不确定性，第一种情形下，某个事件只是对判断者是未知的，但有人完全清楚这一确定的数值，而且属于对当下某事件的判断；第二种情形下，某个事件对判断者是未知的，但有人可以根据历史数据推断其发生概率或频率或概率分布，属于对未来的判断。我们所关心的保险风险属于第二种情形。

1.代表性启发式

所谓代表性启发式，是指人们会基于相似性进行判断。适用的典型判断问题是：A属于类别B的概率是多少？但其实A是否属于B是确定的，只是判断者不知情，从而有了不确定性。

例如，一项研究中提出如下问题请被试回答：“佩内洛珀是一个大学生，朋友们形容她稍微有些不切实际、情绪化和敏感化。她游遍了整个欧洲，能说一口流利的法语和意大利语。她目前还不确定毕业后的职业方向，但是已经证明过自己高水平的才能，并且多次获得书法比赛的奖项。她在男朋友过生日时写了一首十四行诗作为礼物。根据以上描述，你认为佩内洛珀的主修专业是心理学还是艺术史？”

结果，大部分被试认为佩内洛珀主修艺术史，因为她似乎符合被试概念中艺术史学生的特点。这就是代表性启发式，即，人们使用“自己概念中艺术史学生的特征”来进行判断，如果佩内洛珀与自己心目中艺术史学生的特征相似，就判断其主修艺术史。

但是，这一判断方式的重大缺陷是：被试很可能忽略了先验概率，进而很可能出现判断偏差。数据显示，在这项研究进行时，美国一所有接近18 000名学生的公立大学中，大约2 300名学生主修心理学，15名学生主修艺术史。这意味着随机挑出1名学生，主修心理学的概率是13%，主修艺术史的概率是0.08%，两者的比例约为150∶1。被试显然应该先想到这一点，再考虑佩内洛珀的特征，进而做出佩内洛珀大概率主修心理学的结论。

此外，代表性启发式也常被用于对未来不确定性做判断，例如，考虑硬币抛掷出现正面和反面的情况，人们往往会认为序列“正—反—正—反—反—正”比“正—正—正—反—反—反”更可能发生，因为后者看起来并不随机。这反映了人们的心理思维模式：人们期望由随机过程而产生的事件序列，甚至是很短的序列，也能代表这个过程的本质特征“随机性”。例如，对于抛掷硬币来说，随机特征不仅应该体现在整体序列中，也应该表现在局部的部分序列中，或者说，要求局部序列也具有代表性，或者说，用随机性这一代表来要求所有的序列，包括局部短序列。一个更容易理解的案例是赌徒谬误，如在轮盘赌中，看到一长串红色后，大多数人错误地相信现在应该是黑色了，因为黑色的出现才会导致一个更具代表性的“随机”序列。

显然，基于相似性做判断的代表性启发式不太适用于对未来保险风险进行判断。

2.可得性启发式

可得性启发式的判断逻辑是，人们通过能想到的例证和想到例证的容易性来评估这类事件的发生频率或概率。例如，人们通过回忆其熟人中心脏病的发生情况来估计自己患心脏病的风险；人们通过想象某企业可能遭遇的种种困难，来评估该企业的破产概率。

可得性启发式通常会导致判断偏差，这里列举两类判断偏差：(www.xing528.com)

第一种是由例证的可提取性引发的偏差。例如，一项研究让被试听到一串男女名人的名单，然后要求他们判断这一串名字中男人多还是女人多（实际上一样多）。但是，研究者操纵了名人名单中更有名的男人数量或女人数量，在对第一组被试呈现的名人名单中，男人比女人更有名；对第二组被试呈现的名人名单中，女人比男人更有名。判断结果是，第一组被试认为男人更多，第二组被试认为女人更多。显然，每组被试都受到了例证可提取性的影响，当男人更有名时，被试更多提取了男人做例证；当女人更有名时，则更多地提取了女人做例证，进而导致每组被试都做出了错误或有偏差的判断。

第二种是由有偏记忆样本集引发的判断偏差。一项研究要求被试回答：“从英文文章中随机抽出一个单词（3个字母及以上），请问，它是‘第一个字母是r的词’还是‘第3个字母是r的词’的可能性更大？”此时，人们通过回忆road之类和car之类的词的容易性来评估它们的频率，因为前者更容易从记忆中搜索到，大多数人判断前者更多，但事实上后者更多。再比如，对于风险事故来说，媒体有偏差的报道（风险事故越新奇或反常，被报道得越多）会导致人们形成有偏记忆，进而导致判断偏差。

显然，可得性启发式特别适用于人们估计未来风险，包括用来估计保险风险的大小。例如，当需要估计自己的癌症风险以确定是否需要购买癌症保险或大病保险时，个体可以通过回想到的癌症实例和想到癌症实例的容易性来评估自己患癌症的概率，还可以通过回想到的癌症实例的医疗费用来估计自己患癌症后需要的医疗费用。

3.锚定与调整启发式

依靠锚定与调整启发式做判断的逻辑是，很多情境下，人们的推测，是以初始值为参照点或出发点进行调整后得到答案的。但是，调整基本都是不充分的，导致判断值有偏差。

例如，一项研究要求被试用百分制来估计非洲国家在联合国中所占席位的百分比，如估计值60代表60%。当着被试的面，研究人员通过转动幸运轮盘来确定一个0到100之间初始数字，让被试说出这个初始数字大于还是小于其心目中的非洲国家席位百分比估计值，然后请被试从这个初始数字开始顺时针或逆时针转动轮盘到其心目中的非洲国家席位百分比估计值。对不同的被试群体，研究者给了不同的初始数字。结果，这些武断的初始数字对非洲国家席位百分比估计值有显著影响，如，对初始数字为10和65的两个群体而言，非洲国家在联合国中所占席位的中位估值，分别为25和45，被试显然受到了武断的初始数字的锚定，后续虽然进行了调整，但调整是不充分的。

另一项研究，要求两组高中生在5秒内分别估计“1×2×3×4×5×6×7×8”和“8×7×6×5×4×3×2×1”的数值，结果，前者中位估值为512，后者中位估值为2 250，正确值是40 320。在极短的时间内计算上述问题，人们得先计算几步，然后通过外推或调整来推测最终结果，而先计算那几步的结果就会成为外推的初始值或锚定值，初始值越低，未来调整后的最终结果也就越低，所以，第一组的估值低于第二组的估值。而且由于调整通常是不充分的，所以两组高中生都低估了最终结果。

从锚定与调整启发式的思维逻辑来看，通常不大会用于人们对保险风险发生概率的评估，但可能会被用于保险风险损失规模的评估。例如，对于癌症风险，人们不太可能有一个出险概率的初始值或锚定值，即便从专家那里得到癌症发生概率，依赖直觉而无法依赖理性的人类也无法相信这一数值的真实性，即便相信这一数值的真实性，也无法确认这就是自己的癌症发生概率，自然也不会从这一统计概率出发进行调整以便得到自己的癌症发生概率。但是，人们很可能会根据自己听说过的癌症医疗费用数值来判断自己一旦发生癌症后的医疗费用，这里先用了可得性启发式，然后可能会用锚定与调整启发式根据通货膨胀、地区因素、医疗条件等因素进行调整。

4.保险风险判断可能采用的启发式

从以上分析可以看出，人们在进行保险风险判断时，对于出险概率，很可能主要依赖可得性启发式进行判断，例如，人们通过回忆其熟人中癌症的发生情况来估计自己患癌症的风险。对于损失规模，则可能首先使用可得性启发式来做出初始判断，然后再根据实际情况（如地理位置、通货膨胀、医疗条件等）进行调整。