Zdecydowana większość czytelników uzna tytułowe pytanie za pozbawione sensu. Śmiertelność porównywanych wirusów jest przecież taka sama i wynosi 20%.

Rzecz w tym, że to co teraz wydaje się nam oczywiste wcale nie jest takie proste dla naszego umysłu. Kimihiko Yamagishi przeprowadził eksperyment z udziałem 41 studentów University of Washington. Uczestników poproszono o przyporządkowanie poziomu ryzyka w skali od 1 (bez ryzyka) do 25 (maksymalne ryzyko) dla 11 różnych przyczyn śmierci. Studenci uczestniczyli w dwóch sesjach, oddzielonych siedmiodniowym okresem. W jednej sesji 11 różnych przyczyn śmierci (na przykład: astma, nowotwór, zabójstwo) opisano podając liczbę zgonów na 100 mieszkańców a w drugiej sesji liczbę zgonów na 10 000 mieszkańców. Haczyk polegał na tym, że prawdopodobieństwo na pierwszej sesji było dwukrotnie wyższe – to jest podano na przykład, że 24,14 na 100 osób ginie z powodu chorób nowotworowych oraz 1286 na 10 000 ginie z powodu chorób nowotworowych.

Co się okazało? Uczestnicy badania podawali wyższy poziom ryzyka dla każdego typu zagrożenia gdy opisano go na ‘dużych liczbach’. Studenci uznali na przykład, że nowotwór, który zabija 1286 ludzi na 10 000 jest groźniejszy od tego, który zabija 24,14 ludzi na 100 (12,83 do 7,93 w skali od 1 do 25). Warto zauważyć, że odrębnymi pytaniami Yamagishi sprawdził czy w okresie pomiędzy sesjami nie zmieniła się generalna percepcja ryzyka (nie zmieniła się).

Wzór uznawania za bardziej ryzykowne zagrożenia opisane ‘dużymi liczbami’ zaobserwowano u ¾ uczestników badania. Tak więc, odpowiednia manipulacja sposobem przedstawienia danych przekonała ¾ osób biorących udział w badania, że prawdopodobieństwo 24,14% jest mniejsze niż prawdopodobieństwo 12,86%.

Podobne wyniki eksperymentu osiągnęli Carissa Bonner i Ben Newell. Uczestnicy eksperymentu uznawali za większe ryzyko śmierci jeśli zostało podane w formie ‘każdego roku umiera X’ niż gdy zostało podane w formie ‘każdego dnia umiera X/365’.

Bonner i Newell badali, który efekt jest silniejszy ‘ratio bias’ czyli tendencja do postrzegania prawdopodobieństwa jako większe gdy jest wyrażone w dużych liczbach czy efekt czasowy, czyli postulowany przez Construal Level Theory mechanizm polegający na utożsamianiu wydarzeń z najbliższej przyszłości jako bardziej konkretnych, a więc bardziej realnych. W ‘ratio bias’ licznik staje się kotwicą, przy której nie zachodzi pełne dostosowanie percepcji prawdopodobieństwa o mianownik. Stąd prawdopodobieństwo 20/100 wydaje się większe niż 2/10.

W innym eksperymencie, który przeprowadzili Denes-Raj i Epstein, od 54% do 61% uczestników wybierało loterię w postaci urny z piłkami, z szansą 9 na 100 mają do wyboru urnę z szansą 1 na 10.

Trudno jednak powiedzieć jak silny jest ‘ratio bias’ i czy ma jakiekolwiek znaczenie ekonomiczne. W świetnej krytyce dotychczasowych eksperymentów w tej dziedzinie, Mathieu Lefebvre, Ferdinand Vieider i Marie Claire Villeval pokazali, że wyniku wielu badań są efektem błędów w konstrukcji eksperymentu:

  • braku wyraźnych motywacji uczestników badań do dokonywania racjonalnych wyborów
  • braku uwzględniania błędów i szumu (to można łatwo sprawdzić implementując opcje typu ‘szansa 1 na 10 i szansa 11 na 100)
  • efektu oczekiwań prowadzącego eksperyment