di Massimo Cesareo.

Uno dei bias più noti descritti nella letteratura della Behavioral Economics prende il nome di ancoraggio. In che cosa consiste? Amos Tversky e Daniel Kahneman (1974), i due studiosi che per primi hanno analizzato sistematicamente questo effetto, hanno messo in luce come, per fare stime su una quantità non nota, tendiamo ad ancorarci ad un punto di riferimento e ad adattare le nostre stime e valutazioni sulla base di ulteriori informazioni richiamate dalla memoria o ricevute da fonti esterne.

Proviamo a spiegare meglio questo concetto con un semplice esempio:

Scenario 1: immaginiamo di andare in un negozio che propone un nuovo modello di jeans a € 100.

Scenario 2: immaginiamo di andare in un negozio che propone un nuovo modello di jeans. Al suo fianco è esposto un cartello che indica uno sconto del 50% sul prodotto. Il suo costo iniziale era di € 200 ma ora costa solo € 100!

Possiamo considerare questi due scenari equivalenti?

Da un punto di vista meramente economico sì: si tratta dello stesso prodotto e dello stesso prezzo finale. Se teniamo in considerazione anche il fattore umano la questione cambia: per molti il prezzo del prodotto esposto nel primo scenario potrebbe essere percepito come elevato, nel secondo caso potrebbe invece sembrare un affare.

Date queste premesse, in quali condizioni è più probabile che ancore come quelle descritte attecchiscano?

Possiamo sicuramente affermare che abbiano maggior presa in situazioni di incertezza. In altre parole, quando mancano dati o riferimenti ben definiti utili per effettuare dei confronti tra informazioni è più probabile cadere in errore.

In che modo il fenomeno dell’ancoraggio ha a che fare con il COVID-19?

Dobbiamo considerare che durante l’emergenza COVID-19, soprattutto nelle sue prime fasi, mancavano dati dai quali partire per poter fare stime future precise sull’andamento dell’epidemia. Questo sicuramente ha rappresentato un terreno fertile per bias come quello descritto. Vediamo in che modo, anche in questo caso attraverso un breve esempio:

Scenario 1: negli Stati Uniti sarebbero morte 2,2 milioni di persone se non si fosse fatto nulla. Partendo da questo dato, un numero di morti compreso tra le 100.000 e le 200.000 persone rappresenta un buon risultato?

Proviamo ora a utilizzare un parametro di riferimento diverso:

Scenario 2: Ogni anno negli Stati Uniti muoiono circa 56.000 persone per le conseguenze dell’influenza stagionale. Partendo da questo dato, un numero di morti compreso tra le 100.000 e le 200.000 persone rappresenta un buon risultato?

Come nell’esempio fatto a inizio articolo, le informazioni fornite rispetto al numero di decessi sono le stesse, solo che nel primo caso si è utilizzata un ancora alta (2,2 milioni), nel secondo un ancora bassa (56.000).

Cass Sunstein, pioniere del Nudging, ha riportato proprio questi esempi su Bloomberg, descrivendo come Donald Trump abbia adottato la prima come strategia comunicativa per fornire un indicatore utile a valutare i risultati contenimento del virus. Il Presidente degli Stati Uniti ha infatti sostenuto che una perdita di vite umane comprese tra le 100 e le 200 mila persone sarebbe stato un buon risultato. Ciò tuttavia significa prendere come dato di partenza lo scenario peggiore possibile senza considerare invece la possibilità che azioni alternative possano produrre risultati migliori.

Chiaramente risulta difficile dire cosa sarebbe accaduto in uno specifico contesto senza cadere nel bias del senno di poi.

Tuttavia torna utile tenere a mente che effetti psicologici come questo sono presenti e che possono orientare le nostre valutazioni e opinioni senza che, nella maggior parte dei casi, ne siamo consapevoli.
La buona notizia è che le scienze del comportamento ci insegnano che dei modi per disinnescare queste trappole esistono e uno degli obiettivi del Nudging e della Behavioral Economics è proprio questo.

Fonti

Bibliografia

Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131.

Sitografia

https://www.bloomberg.com/opinion/articles/2020-04-19/coronavirus-deaths-andtrump-s-very-good-job