在决策心理学中，经典的“出租车肇事案”是展现认知偏差如何干扰理性判断的典型范例。我们先还原案例背景：某城市有两家出租车公司，绿色出租车占全市出租车总量的85%，蓝色出租车占15%。一天深夜发生一起肇事逃逸事故，目击者指认肇事车辆为蓝色出租车，但事后对该目击者的夜间视觉测试显示，其正确识别车辆颜色的概率为80%，错误识别的概率为20%。当被问及“肇事车辆实际为蓝色的概率”时，多数人直觉给出的答案是80%，但通过贝叶斯定理计算，实际概率仅约41%。这一巨大反差，正是多种认知偏差共同作用的结果。

### 一、基础比率谬误：忽视先验概率的判断偏差
基础比率谬误（Base Rate Fallacy）是导致大多数人判断失误的核心原因。基础比率指的是事物在总体中的先验概率，在本案例中，绿色出租车85%、蓝色出租车15%的市场占比就是基础比率。

人们在判断时，往往会过度关注“目击者80%的识别准确率”这一具体信息，而下意识忽略了“蓝色出租车本身仅占15%”这一关键背景数据。这种认知偏差源于大脑对“具体事件信息”的敏感度远高于“抽象统计数据”——目击者的证词是鲜活的“个案证据”，而基础比率是冰冷的“群体统计”，大脑会本能地优先处理前者，从而做出偏离理性的判断。

### 二、代表性启发式：用直觉相似性替代概率计算
代表性启发式（Representativeness Heuristic）是另一种主导错误判断的认知机制。当人们需要判断事件概率时，会依赖“事件A与事件B的相似程度”来决策，而非严谨的概率运算。

在案例中，目击者指认“蓝色出租车”，这一信息与“肇事车辆是蓝色出租车”的结果高度“相似”，大脑便直接将这种相似性等同于概率，认为“目击者说是蓝色，那大概率就是蓝色”。这种直觉性判断绕过了贝叶斯公式的计算逻辑，忽略了“即使目击者认错概率只有20%，但绿色出租车基数大，认错的绿车总数反而可能超过正确识别的蓝车总数”这一现实。

### 三、锚定效应：被局部信息限制的调整不足
锚定效应（Anchoring Effect）进一步放大了判断误差。大脑会先锚定一个容易获取的数值作为判断起点，再根据其他信息进行调整，但调整幅度往往不足。

在本案例中，“目击者80%的准确率”是最容易被捕捉到的数字，它成为了人们判断的锚点。多数人从80%出发，仅进行小幅调整（比如考虑到可能认错，下调到70%或60%），却从未意识到需要大幅修正——因为基础比率的影响足以将概率拉低至40%左右。这种锚定后的调整不足，让直觉判断始终偏离理性结果。

### 四、理性视角：贝叶斯定理下的正确计算
用贝叶斯定理可以清晰推导正确概率：
设P(蓝)为肇事车是蓝色的先验概率（15%），P(绿)为肇事车是绿色的先验概率（85%）；P(目击蓝|蓝)为肇事车是蓝色时，目击者正确识别的概率（80%）；P(目击蓝|绿)为肇事车是绿色时，目击者错误识别为蓝色的概率（20%）。

根据贝叶斯公式：
\[
P(蓝|目击蓝) = \frac{P(目击蓝|蓝) \times P(蓝)}{P(目击蓝|蓝) \times P(蓝) + P(目击蓝|绿) \times P(绿)}
\]
代入数值：
\[
P(蓝|目击蓝) = \frac{0.8 \times 0.15}{0.8 \times 0.15 + 0.2 \times 0.85} = \frac{0.12}{0.12 + 0.17} \approx 41\%
\]

这一结果直观展现了认知偏差对决策的扭曲：当我们仅凭直觉判断时，会被表面信息误导；而只有兼顾基础比率与具体证据，才能做出更理性的决策。这一案例也提醒我们，在司法判断、商业决策等场景中，需警惕认知偏差的干扰，主动用逻辑工具修正直觉判断。

本文由AI大模型（Doubao-Seed-1.8）结合行业知识与创新视角深度思考后创作。