Beyond Demographic Profiling: Cross-Economy Variation in Payment Responses to Unsolicited Money Requests
本研究利用涵盖 75 个经济体的 Global Findex 2025 数据表明，针对人口统计特征进行标准化处理仅能解释对未经请求的资金请求之支付反应在不同经济体之间的极小部分差异，这表明消费者保护策略应优先考虑情境和特定索取因素，而非人口统计特征分析。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每天都有数百万人收到陌生人发来的索要钱财的意外信息。这些请求以电话或短信的形式出现，往往伪装成来自银行、政府官员或陷入困境的远亲。对于消费者保护机构和研究人员而言，一个长期以来的核心问题是：如何识别谁最容易落入这些陷阱。传统的做法依赖于人口统计特征分析（demographic profiling）：即认为某些人群（由其年龄、性别、受教育程度或居住地来定义）在本质上更容易受到财务诈骗的影响。这是一种实用的策略，因为这些细节易于观察和记录。然而，越来越多的研究表明，脆弱性并非一个人的固定特质，而是在人与环境互动过程中产生的一种情境。本研究提出了一个具体且尖锐的问题：如果我们观察那些已经收到此类请求的人，他们的背景是否能解释为什么有些人会汇款，而另一些人则不会？
为了回答这个问题，研究人员转向了一个名为“全球金融普惠数据库”（Global Findex Database）的海量全球调查，该数据库收集了全球超过14万人的信息。他们聚焦于一个特定群体：来自75个不同经济体的13,766名成年人，这些人曾报告过在手机上收到过未经请求的汇款要求。研究人员非常谨慎地将“被联系”的经历与“支付”的行为区分开来。他们没有将从未收到过信息的受访者视为“成功抵御”的受害者；他们只关注那些确实收到了请求并随后决定是否汇款的人。这种区分至关重要，因为使某人容易被盯上的因素，可能与使某人容易付钱的因素不同。
团队首先计算了每个经济体在收到请求后汇款的比例。他们发现，汇款率最低的国家与汇款率最高的国家之间存在巨大的差距。在进行任何复杂的调整之前，排名前10%的经济体与排名后10%的经济体之间的差异为16.75个百分点。换句话说，如果你从高风险经济体中随机抽取一个人，再从低风险经济体中随机抽取一个人，他们汇款的可能性存在显著差异。人们的自然假设是，这种差距之所以存在，是因为高风险国家的人群背景不同——例如，与低风险国家相比，他们可能年龄更大、受教育程度较低，或者生活在农村地区。
为了测试这一点，研究人员进行了一项被称为“共同构成标准化”（common-composition standardization）的统计练习。想象一下，将每个国家的总人口进行重新洗牌，使得每个国家都拥有完全相同的人口构成：相同的男女比例、相同的年龄分布、相同的受教育程度、相同的劳动参与率，以及相同的城乡分布。然后，研究人员使用这个完全一致的、标准化的虚拟人口，重新计算每个国家的汇款率。如果这些汇款率的差异是由人口统计因素造成的，那么各国之间的差距应该会大幅缩小。
结果令人惊讶。在强制要求每个国家都具备相同的人口构成后，最高与最低汇款率之间的差距几乎没有变化。该差距仍维持在15.86个百分点，降幅不足一个百分点。研究人员通过多种方式运行了这项测试，包括改变数学模型、增加有关收入和数字习惯的细节信息，以及剔除特定国家以观察是否由某个离群值驱动结果。在每种情景下，这一差距依然存在。数据表明，了解一个人的年龄、性别、受教育程度、职业状态或其居住在城市还是乡村，对于解释为什么不同经济体之间的汇款率存在如此巨大的差异，几乎没有任何帮助。
这一发现并不意味着人口统计特征对消费者安全无关紧要，也不意味着所有人面临的风险都一样。相反，它为人口统计特征分析所能达到的界限划定了清晰的边界。研究表明，人们在世界不同地区对金钱请求做出不同反应的原因，并不在于他们的个人统计数据。这种差异很可能在于请求本身的细节、做出决策时的环境，或是验证发送者身份的可行性。也许在某些国家，信息更具说服力，或者紧迫感更高，又或者核实发送者身份的系统更为薄弱。研究结论指出，为了有效地保护消费者，我们必须超越“老年人”或“受教育程度低”这类简单的标签，转而去审视索取行为的具体情况以及决策环境。为什么人们会付钱，这个谜题依然存在，但答案并不在受害者的个人统计特征之中。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。