数字成瘾——来自社交媒体的证据

原文信息：

Allcott, H., Gentzkow, M. and Song, L., 2022. Digital addiction. American Economic Review, 112(7), pp.2424-63.

01

引言

数字科技占据了人们大量的时间，智能手机、电子游戏以及社交媒体软件可能同香烟、毒品以及赌博一样有害且令人上瘾，很多人认为他们花费了“过多”的时间（FIGURE 1）。对此现象的一种解释是数字科技提供了巨大的消费者剩余，然而，习惯养成（Habit Formation）以及自控问题（Self-control Problems）——即“数字成瘾（Digital Addiction）”——有着不可或缺的作用。本文构造“数字成瘾”经济学模型，并基于Facebook，Instagram，Twitter，Snapchat，网络浏览器，和YouTube（以下均简称“FITSBY”）进行随机实验，探究习惯以及自控对智能手机使用的影响。

模型设定

02

习惯养成使消费者的效用ut(xt;st;pt)依赖过去的消费存量st，对于价格为pt的商品xt，存在式1关系，ρ∈[0,1)为习惯养成强度。在自控层面，诱惑（Temptation）会引起额外的

其中，η＜0衡量需求斜率，ζ调节习惯养成程度，φ为习惯存量对效用的直接影响，ζt为需求转移因子。

03

实验设计

本文在Facebook以及Instagram发布广告招募实验参与者，实验阶段以及具体参与者数量见TABLE 1。

本实验剔除了调查（Survey）日，因此实验的每个周期（Period）均为20天,从第一周的周一至第三周的周六。调查1（Survey 1）以及周期1（Period 1）的结果作为基线参照（Baseline）。本实验分别在Survey 2让参与者估计其在Period 2—4的FITSBY使用时间，在Survey 3估计Period 3—5的使用时间, 以及在Survey 4估计Period 4—5的使用时间，用于判断naïveté和sophistication中与（实际诱惑与估计诱惑）的差异。实验参与者需要在手机中下载“Phone Dashboard”软件，用于记录手机软件使用时间。为了识别投射偏差以及习惯养成,本实验随机给予25%的参与者“奖金处理（Bonus Treatment）”。为了探究自控问题并识别诱惑，实验随机对60%的参与者进行“限制处理（Limit Treatment）”。实验随机选取0.2%的参与者作为MPLs（multiple price lists）调查组，探究用户对Bonus以及Limit处理的估值。此外，为了探究参与者对其成瘾（Addiction）以及主观幸福感（Subjective Well-Being，SWB）的看法，本实验在Survey 1—4的九周内，对参与者每周发送三条短信，询问相关问题，基于此构建变量：Ideal Use Change，Addiction Scale，SMS Addiction Scale，Phone Makes Life Better，Subjective Well-Being，Indices。

在Period 3中，相比于前3周的FITSBY使用时间，Bonus处理组的参与者每减少1小时的使用，则会获得$2.5，最多获得$150。Limit处理组的参与者自Survey 2结束后，即在Period 2—5中可以对手机软件设置使用时间限额。进入MPLs组的参与者，需要在“选项A”和“选项B”之间做出一系列选择。选项B每行相同，而选项A包括从上到下单调递减的金额，本实验从参与者切换选项的那一行推断他们对处理（Treatment）的估值。对于Bonus的MPLs调查，参与者在Survey 2选择“A”收获从$150至$0不等的付款，或者选择“B”收到每小时$2.5的Bonus奖励（上限$150）。对于Limit的MPLs调查，参与者在Survey 3选择“A”，失去Limit功能，并得到$20到-$1的付款，或者选择“B”，继续使用Limit功能。

实验流程细节如下图所示：

本文参与者特征如TABLE 2列1所示。为了使模型估计准确，本文根据US成年人特征（列2）对样本赋予权重，缩短其与US成年人间的特征差距。

FIGURE 3为Survey 1（baseline）的调查结果。上面两图为“限制指数（restriction index）”，下面两图为“成瘾指数（addiction index）”。左上方

显示，23%的人表示对手机软件时间限制（Limit）“有一定兴趣”或“非常感兴趣”。右上方

表明，在认为自己过度使用手机的人群中，理想的手机使用减少率为34%。左下方

中，前七个为中度成瘾现象，84%的参与者“经常或总是”经历至少一种。后九个为严重成瘾现象，41%的参与者“经常或总是”经历至少一种。右下方

显示，19%的人认为使用智能手机让他们的生活更糟。

基础结果

04

本文使用式4初步估计实验处理对参与者的影响：

其中Yit为在t∈{3,4}期间FITSBY的使用情况。Li和Bi分别为Limit和Bonus处理组的虚拟变量。Xi1为基线期（baseline）控制变量构成的向量集。vit为八个随机分层指标（randomization stratum indicators）向量（根据基线FITSBY使用的中位数、限制指数restriction index以及成瘾指数addiction index构建）。

结果如FIGURE 4所示，在Period 3，Bonus处理组每天使用FITSBY的时间平均减少56分钟，相比于对照组减少了39%。在Period 4—5，Bonus处理组仍然分别每天平均减少19分钟、12分钟的FITSBY使用，这种持续性体现了习惯形成。在Period 2，Bonus处理组每天减少5.1分钟的FITSBY使用时间，表明参与者知道需要减少Period 2消费以降低Period 3的边际效用，以期得到更多奖励。Limit处理使Period 2—5的使用时间平均每天减少22分钟，与对照组相比减少16%。虽然Limit处理效应随着时间的推移而减少，但这种减少是非常轻微的，因此参与者对Limit的使用并非“一时兴起”。

FIGURE 5按手机软件分别显示了Bonus（仅在Period 3）和Limit（Period 2-5）的处理效应。在FITSBY中，Facebook的降幅最大，其次是网络浏览器、YouTube等。值得注意的是，参与者对FITSBY以外的软件使用时间增加，即他们将使用FITSBY的时间替换到其他软件中。

FIGURE 6为控制组参与者（没有受到Bonus与Limit处理）的预测与实际FITSBY使用情况。结果表明，人们始终低估了他们在未来时期的FITSBY使用，体现了naïveté。

FIGURE 7显示了预测与实际的习惯养成。每个时期最左侧点为Bonus对实际使用的处理效果。在Survey 2进行MPLs前，参与者被要求预测$2.5/小时的Bonus会减少多久的FITSBY使用时间，图中显示此预测值与实际值非常相近。在Survey 3中，参与者被要求预测他们在未来时期（Period 3—5）的使用情况，由图可知，参与者预测到Bonus会减少他们在Period 3的消费，且这种处理影响在Bonus失效后仍然存在（Period 4—5）。

FIGURE 8显示了Bonus和Limit处理对构造变量的影响。由图可知这两种处理都显著减少了参与者自我披露的成瘾情况。Bonus处理（本部分仅考虑Survey 4）将Ideal Use Change降低了0.41个标准差，Limit处理（本部分考虑Survey 3—4）使其降低了0.23个标准差。两种处理都将Addiction Scale和SMS Addiction Scale降低了0.08至0.16个标准差。从统计上看，Limit显著增加了Phone Makes Life Better，而Bonus没有。两种处理分别使Subjective Well-Being增加了0.09个标准差和0.04个标准差，并且都将Survey Index提高了约0.2个标准差。

05

模型估计

在此基础上，本文分阶段估计参数（式7—式14），并通过自举法（Bootstrap）估计置信区间。

反事实估计

06

基于参数估计结果，本文预测诱惑与习惯养成的改变对稳态FITSBY使用的影响（式15）：

07

结论

数字科技为人们提供了诸多便利，但它可能引起数字成瘾。人们对智能手机社交媒体的使用正在形成习惯，即使预测到了这样的影响，但大部分人并不在意这种习惯的养成。此外，人们可能会高估自身的控制能力，基于本文的经济模型可知，31%的社交媒体使用可能是由习惯养成放大的自我控制问题造成的。因此，更好地使数字科技与福祉保持一致是人类重要的目标。

 Abstract

Many have argued that digital technologies such as smartphones and social media are addictive. We develop an economic model of digital addiction and estimate it using a randomized experiment. Temporary incentives to reduce social media use have persistent effects, suggesting social media are habit forming. Allowing people to set limits on their future screen time substantially reduces use, suggesting self-control problems. Additional evidence suggests people are inattentive to habit formation and partially unaware of self-control problems. Looking at these facts through the lens of our model suggests that self-control problems cause 31 percent of social media use.

转自：“香樟经济学术圈”微信公众号

如有侵权，请联系本站删除！