TEDIndia 2009
Sendhil Mullainathan: Solving social problems with a nudge
Sendhil Mullainathan: Hogyan oldjunk meg szociális problémákat egy kis lökéssel
Filmed:
Readability: 3.7
581,215 views
A MacArthur nyertes Sendhil Mullainathan a szociális problémák egy talányos csoportját -- azokat, amelyeket tudjuk, hogyan kéne megoldani, de nem tesszük -- vizsgálja a viselkedési közgazdaságtan lencséjén keresztül. Tudjuk, hogyan csökkentsük a hasmenésben elhalálozott gyermekek számát, hogyan előzzük meg a cukorbetegséggel összefüggő vakságot és hogyan vezessük be a napelem technológiát...és mégis, valamiért nem tesszük, vagy nem tudjuk megtenni. Vajon miért?
Sendhil Mullainathan - Behavioral economist
Sendhil Mullainathan asks a compelling question: what are the irrational choices we make that perpetuate poverty, corruption, discrimination? Full bio
Sendhil Mullainathan asks a compelling question: what are the irrational choices we make that perpetuate poverty, corruption, discrimination? Full bio
Double-click the English transcript below to play the video.
00:15
As a researcher, every once in a while
0
0
3000
Kutatóként az ember
00:18
you encounter something
1
3000
2000
időnként találkozik
00:20
a little disconcerting.
2
5000
2000
valami meghökkentővel.
00:22
And this is something that changes your understanding of the world around you,
3
7000
3000
Valami olyannal, ami megváltoztatja a világképét, és ráébreszti,
00:25
and teaches you that you're very wrong
4
10000
2000
hogy tévedett valamivel kapcsolatban,
00:27
about something that you really believed firmly in.
5
12000
4000
amiben nagyon mélyen hitt.
00:31
And these are unfortunate moments,
6
16000
3000
És ezek kellemetlen pillanatok,
00:34
because you go to sleep that night
7
19000
2000
mert aznap butábban fekszel le,
00:36
dumber than when you woke up.
8
21000
3000
mint ahogyan felébredtél.
00:39
So, that's really the goal of my talk,
9
24000
2000
Ez igazából az előadásom célja,
00:41
is to A, communicate that moment to you
10
26000
2000
hogy A, átadjam ezt a pillanatot,
00:43
and B, have you leave this session
11
28000
2000
és B, hogy kicsit butábban távozzanak,
00:45
a little dumber than when you entered.
12
30000
2000
mint amikor beléptek a terembe.
00:47
So, I hope I can really accomplish that.
13
32000
3000
Remélem, hogy sikerülni fog.
00:50
So, this incident that I'm going to describe
14
35000
3000
Ez az eset, amit le fogok írni,
00:53
really began with some diarrhea.
15
38000
3000
igazából a hasmenéssel kezdődött.
00:56
Now, we've known for a long time the cause of diarrhea.
16
41000
3000
Nos, már régóta tudjuk, mi okozza a hasmenést.
00:59
That's why there's a glass of water up there.
17
44000
3000
Ezért van ott fent egy pohár víz.
01:02
For us, it's a problem, the people in this room.
18
47000
2000
Nekünk, ebben a teremben, ez egy probléma,
01:04
For babies, it's deadly.
19
49000
3000
csecsemőknek viszont halálos.
01:07
They lack nutrients, and diarrhea dehydrates them.
20
52000
4000
Tápanyagokra van szükségük, és a hasmenés dehidratálja őket.
01:11
And so, as a result, there is a lot of death,
21
56000
2000
Emiatt nagyon sok a haláleset,
01:13
a lot of death.
22
58000
3000
nagyon sok.
01:16
In India in 1960,
23
61000
2000
Indiában 1960-ban
01:18
there was a 24 percent child mortality rate,
24
63000
2000
24% volt a gyermekhalálozási arány,
01:20
lots of people didn't make it. This is incredibly unfortunate.
25
65000
4000
nagyon sokan nem élték túl. Hihetelen szerencsétlenség.
01:24
One of the big reasons this happened was
26
69000
2000
Az egyik komoly oka ennek
01:26
because of diarrhea.
27
71000
2000
a hasmenés.
01:28
Now, there was a big effort to solve this problem,
28
73000
3000
Nagy erőfeszítések történtek, hogy megoldják a problémát.
01:31
and there was actually a big solution.
29
76000
4000
És találtak is rá egy nagy megoldást.
01:35
This solution has been called, by some,
30
80000
2000
És ezt a megoldást egyesek
01:37
"potentially the most important medical
31
82000
2000
"Talán az évszázad legfontosabb orvosi
01:39
advance this century."
32
84000
3000
előrelépésének" nevezték.
01:42
Now, the solution turned out to be simple.
33
87000
3000
Mint kiderült, a megoldás egyszerű.
01:45
And what it was was oral rehydration salts.
34
90000
4000
Szájon át bevihető rehidratáló só.
01:49
Many of you have probably used this.
35
94000
2000
Sokan maguk közül valószínűleg használták.
01:51
It's brilliant. It's a way to get sodium
36
96000
2000
Zseniális. Egy módja annak, hogy
01:53
and glucose together so that when you add it to water
37
98000
3000
a glükózt és nátriumot vízhez adva a gyermek
01:56
the child is able to absorb it even during situations of diarrhea.
38
101000
3000
szervezete fel tudja szívni hasmenéses helyzetben is.
01:59
Remarkable impact on mortality.
39
104000
4000
Figyelemreméltó hatás a halálozásra.
02:03
Massive solution to the problem.
40
108000
2000
Óriási megoldás a problémára.
02:05
Flash forward: 1960, 24 percent child mortality
41
110000
3000
Előreugorva, 1960, a 24% gyermekhalálozási arány
02:08
has dropped to 6.5 percent today.
42
113000
2000
mára 6,5%-ra csökkent.
02:10
Still a big number, but a big drop.
43
115000
3000
Még mindig nagy szám, de nagyot esett.
02:13
It looks like the technological problem is solved.
44
118000
3000
Úgy látszik a technológiai probléma megoldódott.
02:16
But if you look, even today
45
121000
2000
De ha megnézzük, még ma is
02:18
there are about 400,000 diarrhea-related deaths
46
123000
2000
kb. 400.000 hasmenésből származó haláleset van
02:20
in India alone.
47
125000
2000
csak Indiában.
02:22
What's going on here?
48
127000
2000
Mi folyik itt?
02:24
Well the easy answer is, we just haven't gotten those salts
49
129000
3000
Az egyszerű válasz az, hogy nem juttattuk el ezt a sót
02:27
to those people.
50
132000
2000
azokhoz az emberekhez.
02:29
That's actually not true.
51
134000
2000
Ez valójában nem igaz.
02:31
If you look in areas where these salts are completely available,
52
136000
3000
Ha megnézzük azokat a területek, ahol a só teljesen hozzáférhető,
02:34
the price is low or zero, these deaths still continue abated.
53
139000
3000
nagyon olcsón vagy ingyen, a halálesetek ugyanúgy folytatódnak.
02:37
Maybe there's a biological answer.
54
142000
2000
Talán van egy biológiai válasz.
02:39
Maybe these are the deaths that simple rehydration
55
144000
2000
Ezek talán olyan halálesetek, amiket a
02:41
alone doesn't solve. That's not true either.
56
146000
3000
rehidratálás egyedül nem old meg. Ez sem igaz.
02:44
Many of these deaths were completely preventable,
57
149000
5000
A halálesetek nagy része teljesen megelőzhető volt.
02:49
and this what I want to think of as the disconcerting thing,
58
154000
3000
És ezt tartom a meghökkentő dolognak, amit
02:52
what I want to call "the last mile" problem.
59
157000
2000
az "utolsó mérföld" problémának akarok hívni.
02:54
See, we spent a lot of energy, in many domains --
60
159000
4000
Látják, nagyon sok energiát fektettünk ebbe, sok területen.
02:58
technological, scientific, hard work,
61
163000
2000
Technológia, tudomány, kemény munka,
03:00
creativity, human ingenuity --
62
165000
2000
kreativitás, emberi találékonyság,
03:02
to crack important social problems with technology solutions.
63
167000
4000
hogy technológiával oldjunk meg fontos szociális problémákat.
03:06
That's been the discoveries of the last 2,000 years,
64
171000
2000
Ezek voltak az elmúlt 2000 év felfedezései.
03:08
that's mankind moving forward.
65
173000
2000
Ez az emberiség előrehaladása.
03:10
But in this case we cracked it,
66
175000
3000
De ebben az esetben megoldottuk,
03:13
but a big part of the problem still remains.
67
178000
2000
a probléma nagy része mégis megmaradt.
03:15
Nine hundred and ninety-nine miles went well,
68
180000
2000
999 mérföld jól ment.
03:17
the last mile's proving incredibly stubborn.
69
182000
3000
Az utolsó mérföld hihetetlnül makacsnak bizonyul.
03:20
Now, that's for oral rehydration therapy.
70
185000
4000
Nos, ez a szájon át bevihető rehidratáló terápia.
03:24
Maybe this is something unique about diarrhea.
71
189000
2000
Talán a hasmenés egyedüláló ebben a tekintetben.
03:26
Well, it turns out -- and this is where things get really disconcerting --
72
191000
2000
Mint kiderült, és itt kezd igazán meghökkentő lenni,
03:28
it's not unique to diarrhea.
73
193000
2000
a hasmenés nem kivétel.
03:30
It's not even unique to poor people in India.
74
195000
2000
És nem is csak szegény indiaikra jellemző.
03:32
Here's an example from a variety of contexts.
75
197000
3000
Itt van néhány példa különböző körülményekből.
03:35
I've put a bunch of examples up here.
76
200000
2000
Feltettem egy csomó példát.
03:37
I'll start with insulin, diabetes
77
202000
3000
Az inzulinnal kezdem, cukorbetegség gyógyszer
03:40
medication in the U.S.
78
205000
2000
az Egyesült Államokban.
03:42
OK, the American population.
79
207000
2000
Rendben, az amerikai népesség.
03:44
On Medicaid -- if you're fairly poor you get Medicaid,
80
209000
2000
Aki elég szegény, Medicaid-ben részesül,
03:46
or if you have health insurance -- insulin is pretty straightforward.
81
211000
2000
vagy ha van egészségbiztosítása az inzulin egyszerű.
03:48
You get it, either in pill form or you get it as an injection;
82
213000
4000
Magkapja vagy tabletta vagy injekció formájában.
03:52
you have to take it every day to maintain your blood sugar levels.
83
217000
2000
Minden nap be kell venni ahhoz, hogy tartsa a vércukor szintet.
03:54
Massive technological advance:
84
219000
2000
Óriási technológiai előrelépés,
03:56
took an incredibly deadly disease, made it solvable.
85
221000
2000
megoldhatóvá tett egy hihetetlenül halálos betegséget.
03:58
Adherence rates. How many people are taking their insulin every day?
86
223000
3000
Kitartási arány. Hányan veszik be az inzulinjukat minden nap?
04:01
About on average, a typical person is taking it 75 percent of the time.
87
226000
4000
Egy tipikus ember átlagban az idő 75%-ban veszi be.
04:05
As a result, 25,000 people a year go blind,
88
230000
5000
Ebből fakadóan évente 25.000 ember vakul meg,
04:10
hundreds of thousands lose limbs, every year,
89
235000
2000
több százezer veszít el végtagot, minden évben,
04:12
for something that's solvable.
90
237000
2000
olyasmi miatt, ami megoldható.
04:14
Here I have a bunch of other examples,
91
239000
2000
Van egy csomó másik példám, mindegyik
04:16
all suffer from the last mile problem.
92
241000
2000
az utolsó mérföld problémában szenved.
04:18
It's not just medicine.
93
243000
2000
Nem csak az orvostudományban.
04:20
Here's another example from technology:
94
245000
2000
Itt egy másik példa a technológiából.
04:22
agriculture. We think
95
247000
2000
Mezőgazdaság. Azt gondoljuk,
04:24
there's a food problem, so we create new seeds.
96
249000
2000
élelmiszer probléma van, ezért új magokat alkotunk.
04:26
We think there's an income problem, so we create
97
251000
2000
Azt gondoljuk anyagi probléma van, ezért új,
04:28
new ways of farming that increase income.
98
253000
3000
bevétel növelő földművelési technikákat alkotunk.
04:31
Well, look at some old ways, some ways that we'd already cracked.
99
256000
3000
Nos, nézzünk meg néhány régi módszert, amik már beváltak.
04:34
Intercropping. Intercropping really increases income.
100
259000
2000
Köztes termesztés. Jelentősen megnöveli a bevételt.
04:36
Sometimes in rice we found incredible increases in yield
101
261000
3000
Néha a rizsnél hihetetlen hozamnövekedést tapasztalunk,
04:39
when you mix different varieties of rice side by side.
102
264000
2000
amikor különböző rizs fajtákat ültetünk egymás mellé.
04:41
Some people are doing that,
103
266000
2000
Van, aki alkalmazza,
04:43
many are not. What's going on?
104
268000
2000
sokan nem. Mi folyik itt?
04:45
This is the last mile.
105
270000
2000
Ez az utolsó mérföld.
04:47
The last mile is, everywhere, problematic.
106
272000
2000
Az utolsó mérföld mindenhol nehézkes.
04:49
Alright, what's the problem?
107
274000
2000
Rendben, mi a baj?
04:51
The problem is this little three-pound machine
108
276000
3000
A baj az a másfél kilós gép ami a szemünk mögött
04:54
that's behind your eyes and between your ears.
109
279000
4000
és a két fülünk között helyezkedik el.
04:58
This machine is really strange,
110
283000
2000
Ez a gép igazán bizarr,
05:00
and one of the consequences is that people are weird.
111
285000
4000
aminek az egyik következménye, hogy az emberek furcsák.
05:04
They do lots of inconsistent things.
112
289000
4000
Rengeteg következetlen dolgot tesznek.
05:08
(Applause)
113
293000
2000
(Taps)
05:10
They do lots of inconsistent things.
114
295000
3000
Rengeteg következetlen dolgot tesznek.
05:13
And the inconsistencies
115
298000
2000
És alapvetően a következetlenségek
05:15
create, fundamentally, this last mile problem.
116
300000
3000
okozzák ezt az utolsó mérföld problémát.
05:18
See, when we were dealing with our biology, bacteria,
117
303000
3000
Mert amikor a biológiánkkal, baktériumokkal, génekkel,
05:21
the genes, the things inside here, the blood?
118
306000
3000
a belső szervekkel, vérrel van dolgunk,
05:24
That's complex, but it's manageable.
119
309000
3000
ez összetett, de kezelhető.
05:27
When we're dealing with people like this?
120
312000
3000
Amikor ilyen emberekről van szó,
05:30
The mind is more complex.
121
315000
2000
az agy összetettebb.
05:32
That's not as manageable, and that's what we're struggling with.
122
317000
2000
Ez kevésbé kezelhető. És ez az, amivel küszködünk.
05:34
Let me go back to diarrhea for a second.
123
319000
3000
Hadd térjek vissza egy pillanatra a hasmenésre.
05:37
Here's a question that was asked in the National Sample Survey,
124
322000
3000
Itt egy kérdés a Nemzeti Minta Felmérésből,
05:40
which is a survey asked of many Indian women:
125
325000
2000
egy felmérés, amiben sok indiai nőt megkérdeznek.
05:42
"Your child has diarrhea.
126
327000
2000
"Gyermekének hasmenése van.
05:44
Should you increase, maintain or decrease the number of fluids?"
127
329000
3000
Növeli, nem változtatja vagy csökkenti a folyadék bevitelét?"
05:47
Just so you don't embarrass yourselves, I'll give you the right answer:
128
332000
3000
Hogy senki ne hozza kínos helyzetbe magát, elárulom a jó választ.
05:50
It's increase.
129
335000
2000
Növeli.
05:54
Now, diarrhea's interesting
130
339000
1000
A hasmenés érdekes,
05:55
because it's been around for thousands of years,
131
340000
2000
mert évezredek óta létezik,
05:57
ever since humankind really
132
342000
3000
amióta csak emberek elég közel éltek
06:00
lived side by side enough to have really polluted water.
133
345000
3000
egymáshoz, hogy igazán szennyezett legyen a víz.
06:03
One Roman strategy that was very interesting
134
348000
2000
Az egyik római stratégia nagyon érdekes,
06:05
was that -- and it really gave them a comparative advantage --
135
350000
2000
és tényleg egy viszonylagos előnyt adott nekik,
06:07
they made sure their soldiers didn't drink
136
352000
3000
ellenőrizték, hogy a katonáik ne igyanak
06:10
even remotely muddied waters.
137
355000
2000
még csak kicsit sáros vizet sem.
06:12
Because if some of your troops get diarrhea they're not that effective
138
357000
3000
Mert ha a katonáid egy részének megy a hasa, nem annyira
06:15
on the battlefield.
139
360000
2000
hasznosak a csatatéren.
06:17
So, if you think of Roman comparative advantage part of it was the breast shields,
140
362000
2000
Tehát ha a rómaiak előnye részben a pajzsnak, részben a mellvértnek,
06:19
the breastplates, but part of it was drinking the right water.
141
364000
4000
de részben a tiszta ivóvíznek is köszönhető.
06:23
So, here are these women. They've seen their parents
142
368000
2000
Tehát vannak ezek a nők, akik látták a szüleiket
06:25
have struggled with diarrhea, they've struggled with diarrhea,
143
370000
2000
küszködni a hasmenéssel, maguk is küszködtek hasmenéssel.
06:27
they've seen lots of deaths. How do they answer this question?
144
372000
3000
Sok halálesetet láttak. Hogyan válaszolnak erre a kérdésre?
06:30
In India, 35 to 50 percent say "Reduce."
145
375000
4000
Indiában 35-50% azt válaszolja, "csökkenti".
06:34
Think about what that means for a second.
146
379000
2000
Gondoljanak bele, hogy ez mit jelent.
06:36
Thirty-five to 50 percent of women
147
381000
2000
A nők 35-50%-a
06:38
forget oral rehydration therapy,
148
383000
2000
-- felejtsük el a szájon át bevihető rehidratáló terápiát --
06:40
they are increasing --
149
385000
2000
megnöveli,
06:42
they are actually making their child
150
387000
3000
konkrétan megnöveli az esélyét annak,
06:45
more likely to die through their actions.
151
390000
3000
hogy a gyermekük meghal a tetteik által.
06:48
How is that possible?
152
393000
2000
Ez hogyan lehetséges?
06:50
Well, one possibility -- I think that's how most people respond to this --
153
395000
3000
Nos, egy lehetőség -- azt hiszem a legtöbben ezt választják --
06:53
is to say, "That's just stupid."
154
398000
4000
azt mondani, hogy "Ez hülyeség."
06:57
I don't think that's stupid.
155
402000
2000
Szerintem nem hülyeség.
06:59
I think there is something very profoundly right in what these women are doing.
156
404000
3000
Szerintem van valami nagyon mélyen helyes abban, amit ezek a nők tesznek.
07:02
And that is, you don't put water
157
407000
2000
És ez az, hogy nem öntesz vizet
07:04
into a leaky bucket.
158
409000
2000
egy lyukas vödörbe.
07:06
So, think of the mental model that goes behind reducing the intake.
159
411000
4000
Gondoljanak bele az elméleti modellbe, ami a csökkentés mögött áll.
07:10
Just doesn't make sense.
160
415000
2000
Egyszerűen nincs értelme.
07:12
Now, the model is intuitively right.
161
417000
3000
Nos, a modell ösztönösen jó.
07:15
It just doesn't happen to be right about the world.
162
420000
4000
Csak éppen nem igaz a világra.
07:19
But it makes a whole lot of sense at some deep level.
163
424000
3000
De, valahol nagyon mélyen, teljesen logikus.
07:22
And that, to me, is the fundamental challenge
164
427000
3000
És számomra ez az utolsó mérföld probléma
07:25
of the last mile.
165
430000
5000
alapvető kihívása.
07:30
This first challenge is what I refer to as the persuasion challenge.
166
435000
3000
Az első kihívás az, amit a meggyőzés kihívásának hívok.
07:33
Convincing people to do something --
167
438000
2000
Meggyőzni embereket valamiről,
07:35
take oral rehydration therapy, intercrop, whatever it might be --
168
440000
2000
rehidratálás terápia, köztes termesztés, legyen akármi,
07:37
is not an act of information:
169
442000
3000
nem az információról szól.
07:40
"Let's give them the data,
170
445000
2000
"Adjunk nekik adatokat,
07:42
and when they have data they'll do the right thing."
171
447000
2000
és az adatok birtokában jó döntést fognak hozni."
07:44
It's more complex than that.
172
449000
2000
Ez ennél összetettebb.
07:46
And if you want to understand how it's more complex
173
451000
2000
És ha meg akarják érteni, mennyire összetett,
07:48
let me start with something kind of interesting.
174
453000
4000
hadd kezdjem valami érdekessel.
07:52
I'm going to give you a little math problem,
175
457000
2000
Feladok maguknak egy kis matematikai feladatot.
07:54
and I want you to just yell out the answer as fast as possible.
176
459000
3000
Azt akarom, hogy kiabálják be a választ amilyen gyorsan csak lehet.
07:57
A bat and a ball together cost $1.10.
177
462000
2000
Egy ütő és egy labda együtt $1,10-ba kerül.
07:59
The bat costs a dollar more than the ball.
178
464000
3000
Az ütő egy dollárral többe kerül, mint a labda.
08:02
How much does the ball cost? Quick.
179
467000
3000
Mennyibe kerül a labda? Gyorsan.
08:05
So, somebody out there says, "Five."
180
470000
2000
Valaki azt mondta, 5.
08:07
A lot of you said, "Ten."
181
472000
2000
Sokan azt mondták, 10.
08:09
Let's think about 10 for a second.
182
474000
3000
Gondolkodjunk el a 10-en egy pillanatra.
08:12
If the ball costs 10, the bat costs...
183
477000
4000
Ha a labda 10-be kerül, az ütő...
08:16
this is easy, $1.10.
184
481000
2000
egyszerű, $1.10.
08:18
Yeah. So, together they would cost $1.20.
185
483000
3000
Igen. Tehát együtt $1.20-ba kerülnének.
08:21
So, here you all are, ostensibly educated people.
186
486000
3000
Szóval itt vannak, mind magasan képzett emberek.
08:24
Most of you look smart.
187
489000
3000
A legtöbben értelmesnek tűnnek.
08:27
The combination of that produces
188
492000
3000
A kettő kombinációja azt eredményezi,
08:30
something that is actually, you got this thing wrong.
189
495000
2000
valami olyat, hogy rosszul válaszoltak.
08:32
How is that possible? Let's go to something else.
190
497000
3000
Hogyan lehetséges? Próbáljunk valami mást.
08:35
I know algebra can be complicated.
191
500000
3000
Tudom, az algebra nehéz tud lenni.
08:38
So, let's dial this back. That's what? Fifth grade? Fourth grade?
192
503000
3000
Nos, menjünk vissza. Mi ez? Ötödik osztály? Negyedik osztály?
08:41
Let's go back to kindergarten. OK?
193
506000
3000
Menjünk vissza az oviba. Rendben?
08:44
There's a great show on American television that you have to watch.
194
509000
2000
Van egy remek program az amerikai TV-ben, amit látniuk kell.
08:46
It's called "Are You Smarter Than a Fifth Grader?"
195
511000
2000
A címe 'Okosabb vagy, mint egy 5.-es?'
08:48
I think we've learned the answer to that here.
196
513000
3000
Azt hiszem, megtudtuk a választ erre.
08:51
Let's move to kindergarten. Let's see if we can beat five-year-olds.
197
516000
3000
Térjünk át az ovira. Nézzük, meg tudjuk-e verni az ötéveseket.
08:54
Here's what I'm going to do: I'm going to put objects on the screen.
198
519000
3000
Ezt fogom csinálni. Meg fognak jelenni tárgyak a képernyőn.
08:57
I just want you to name the color of the object.
199
522000
4000
Csak meg kell nevezniük a tárgy színét.
09:01
That's all it is. OK?
200
526000
2000
Csak ennyi. Rendben?
09:03
I want you to do it fast, and say it out loud with me,
201
528000
3000
Azt akarom, hogy gyorsan csinálják. Mondják hangosan velem együtt.
09:06
and do it quickly. I'll make the first one easy for you.
202
531000
2000
És gyorsan. Az elsőt megkönnyítem.
09:08
Ready? Black.
203
533000
2000
Kész? Fekete.
09:10
Now the next ones I want you to do quickly and say it out loud.
204
535000
2000
A következőket csinálják gyorsan és mondják hangosan.
09:12
Ready? Go.
205
537000
2000
Kész? Rajt!
09:14
Audience: Red. Green.
206
539000
2000
Közönség: Piros. Zöld.
09:16
Yellow. Blue. Red.
207
541000
2000
Sárga. Kék. Piros.
09:18
(Laughter)
208
543000
3000
(Nevetés)
09:21
Sendhil Mullainathan: That's pretty good.
209
546000
4000
Sendhil Mullainathan: Egész jó.
09:25
Almost out of kindergarten.
210
550000
2000
Majdnem befejeztük az ovit.
09:27
What is all this telling us?
211
552000
2000
Mit mond ez el nekünk?
09:29
You see, what's going on here, and in the bat and ball problem
212
554000
3000
Nos, az történik, itt és a az ütő és labda problémával,
09:32
is that you have some intuitive ways of interacting with the world,
213
557000
3000
hogy vannak ösztönös módszereink arra, hogyan lépünk kapcsolatba a világgal,
09:35
some models that you use to understand the world.
214
560000
2000
modellek arra, hogy megértsük a világot.
09:37
These models, like the leaky bucket,
215
562000
2000
Ezek a modellek, mint a lyukas vödör,
09:39
work well in most situations.
216
564000
2000
a legtöbb helyzetben jól működnek.
09:41
I suspect most of you --
217
566000
2000
Gyanítom, hogy legtöbbjük,
09:43
I hope that's true for the rest of you --
218
568000
2000
remélem ez igaz a többiekre,
09:45
actually do pretty well with addition and subtraction in the real world.
219
570000
4000
egész jól boldogul az összeadással és kivonással a való világban.
09:49
I found a problem, a specific problem
220
574000
2000
Találtam egy problémát, egy bizonyos prolémát,
09:51
that actually found an error with that.
221
576000
3000
ami hibát talált ebben.
09:54
Diarrhea, and many last mile problems, are like that.
222
579000
2000
A hasmenés, és sok utolsó mérföld probléma ilyen.
09:56
They are situations where the mental model
223
581000
2000
Olyan helyzetek, ahol az elméleti modell
09:58
doesn't match the reality.
224
583000
2000
nem felel meg a valóságnak.
10:00
Same thing here:
225
585000
2000
Ugyanaz itt, volt egy nagyon gyors
10:02
You had an intuitive response to this that was very quick.
226
587000
2000
ösztönös válaszuk erre.
10:04
You read "blue" and you wanted to say "blue," even though you knew your task was red.
227
589000
3000
Kéket olvastak, és kéket akartak mondani, még ha tudták is, hogy a feladat piros.
10:07
Now, I do this stuff because it's fun.
228
592000
2000
Nos, ezt azért csinálom, mert vicces.
10:09
But it's more profound than fun.
229
594000
4000
De több ennél.
10:13
I'll give you a good example of how it actually effects persuasion.
230
598000
3000
Mondok egy jó példát, hogy ez hogyan befolyásolja a meggyőzést.
10:16
BMW is a pretty safe car.
231
601000
3000
A BMW egy elég biztonságos autó.
10:19
And they are trying to figure out, "Safety is good.
232
604000
2000
És próbálják kitalálni, "A biztonság jó,
10:21
I want to advertise safety. How am I going to advertise safety?"
233
606000
2000
a biztonságot akarom reklámozni. Hogyan reklámozzam a biztonságot?"
10:23
"I could give people numbers. We do well on crash tests."
234
608000
3000
"Felsorolhatok számokat. Jól teljesítünk az ütközési teszteken.
10:26
But the truth of the matter is, you look at that car,
235
611000
2000
De az igazság az, hogy ránéznek az autóra,
10:28
it doesn't look like a Volvo,
236
613000
2000
nem úgy néz ki, mint egy Volvo.
10:30
and it doesn't look like a Hummer.
237
615000
2000
És nem úgy néz ki, mint egy Hummer.
10:32
So, what I want you to think about for a few minutes
238
617000
2000
Szóval gondolkodjanak el pár percre,
10:34
is: How would you convey safety of the BMW? Okay?
239
619000
3000
hogyan közvetítenék a BMW biztonságosságát? Rendben?
10:37
So now, while you're thinking about that let's move to a second task.
240
622000
3000
Amíg ezen gondolkodnak, lépjünk tovább a következő feladatra.
10:40
The second task is fuel efficiency. Okay?
241
625000
3000
A második feladat az üzemanyag hatékonyság. Rendben?
10:43
Here's another puzzle for all of you.
242
628000
2000
Itt van egy rejtvény mindannyiuknak.
10:45
One person walks into a car lot,
243
630000
2000
Egy ember bemegy az autókereskedésbe,
10:47
and they're thinking about buying this Toyota Yaris.
244
632000
3000
és azt gondolja, vesz egy Toyota Yarist,
10:50
They are saying, "This is 35 miles per gallon. I'm going to do
245
635000
2000
azt mondja: "Ez 15 km/liter. A környezettudatos
10:52
the environmentally right thing, I'm going to buy the Prius,
246
637000
2000
dolgot fogom tenni, egy Priust fogok venni,
10:54
50 miles per gallon."
247
639000
2000
22 km/liter."
10:56
Another person walks into the lot,
248
641000
2000
Egy másik ember besétál az autókereskedésbe.
10:58
and they're about to buy a Hummer, nine miles per gallon,
249
643000
2000
És egy Hummert készül venni, 4 km/liter,
11:00
fully loaded, luxury.
250
645000
2000
full extra, luxus.
11:02
And they say, "You know what? Do I need turbo? Do I need this heavyweight car?"
251
647000
4000
És azt mondja: "Tudod mit? Kell nekem a turbó? Szükségem van a nehéz autóra?"
11:06
I'm going to do something good for the environment.
252
651000
2000
Teszek valamit a környezetért.
11:08
I'm going to take off some of that weight,
253
653000
2000
Leveszek valamennyit a súlyból,
11:10
and I'm going to buy a Hummer that's 11 miles per gallon."
254
655000
3000
és egy olyan Hummert veszek, ami 5 km/liter."
11:13
Which one of these people has done more for the environment?
255
658000
3000
Melyikük tett többet a környezetért?
11:16
See, you have a mental model.
256
661000
2000
Látják, van egy elméleti modelljük.
11:18
Fifty versus 35, that's a big move. Eleven versus nine? Come on.
257
663000
3000
A 22 a 15 ellen, az egy nagy lépés, 4 az 5 ellen? Ugyanmár.
11:21
Turns out, go home and do the math,
258
666000
3000
Mint kiderül, otthon kiszámolhatják,
11:24
the nine to 11 is a bigger change. That person has saved more gallons.
259
669000
3000
a négyről ötre nagyobb változás. Ő több litert takarított meg.
11:27
Why? Because we don't care about miles per gallon, we care about
260
672000
2000
Miért? Mert minket nem a km/liter érdekel, hanem
11:29
gallons per mile.
261
674000
2000
a liter/km.
11:31
Think about how powerful that is if you're trying to encourage fuel efficiency.
262
676000
3000
Képzeljék el, mennyire hatásos, ha bátorítani akarják az üzemanyag-takarékosságot.
11:34
Miles per gallon is the way we present things.
263
679000
2000
A km/liter az, ahogy bemutatjuk a dolgokat.
11:36
If we want to encourage change of behavior,
264
681000
3000
Ha a magatartás-változtatást akarjuk bátorítani,
11:39
gallons per mile would have far more effectiveness.
265
684000
2000
a liter/km hatásosabb lenne.
11:41
Researchers have found these type of anomalies.
266
686000
3000
Kutatók találtak ilyen anomáliákat.
11:44
Okay, back to BMW. What should they do?
267
689000
3000
OK, vissza a BMW-hez. Mit kéne tenniük?
11:47
The problem BMW faces is this car looks safe.
268
692000
3000
A BMW problémája, hogy ez az autó biztonságosnak tűnik.
11:50
This car, which is my Mini, doesn't look that safe.
269
695000
4000
Ez az autó, az én Minim, nem tűnik olyan biztonságosnak.
11:54
Here was BMW's brilliant insight, which they embodied into an ad campaign.
270
699000
3000
Itt jön a BMW éleslátása, amit a reklámkampány megjelenít.
11:57
They showed a BMW driving down the street.
271
702000
2000
Mutattak egy BMW-t amint az utcán megy.
11:59
There's a truck on the right. Boxes fall out of the truck.
272
704000
3000
Jobbra egy teherautó. Dobozok esnek le a teherautóról.
12:02
The car swerves to avoid it, and therefore doesn't get into an accident.
273
707000
5000
Az autó hirtelen kanyarodik, hogy elkerülje őket, így nem szenved balesetet.
12:07
BWM realizes safety, in people's minds, has two components.
274
712000
4000
A BMW rájött, hogy a biztonság az emberek fejében két részből áll.
12:11
You can be safe because when you're hit, you survive,
275
716000
4000
Lehetsz biztonságban azért, mert amikor belédütköznek, túléled,
12:15
or you can be safe because you avoid accidents.
276
720000
2000
vagy azért, mert elkerülöd a balesetet.
12:17
Remarkably successful campaign, but notice the power of it.
277
722000
2000
Kimagaslóan sikeres kampány. De vegyék észre az erejét.
12:19
It harnesses something you already believe.
278
724000
3000
Azt használja ki, amiben már úgyis hiszel.
12:22
Now, even if I persuaded you to do something,
279
727000
4000
Nos, még ha meg is győzném magukat, hogy
12:26
it's hard sometimes to actually get action as a result.
280
731000
4000
csináljanak valamit, néha nehéz ezt tettekre váltani.
12:30
You all probably intended to wake up,
281
735000
2000
Biztos mindannyian szerettek volna
12:32
I don't know, 6:30, 7 a.m.
282
737000
3000
6:30-7 körül felébredni.
12:35
This is a battle we all fight every day,
283
740000
2000
Ez egy csata, amit mind naponta megvívunk,
12:37
along with trying to get to the gym.
284
742000
3000
a kondi terembe eljutással együtt.
12:40
Now, this is an example of that battle,
285
745000
3000
Ez egy példa erre a csatára,
12:43
and makes us realize intentions don't always translate into action,
286
748000
3000
és segít megérteni, hogy a szándékból nem mindig lesz tett.
12:46
and so one of the fundamental challenges
287
751000
2000
Tehát az egyik alapvető kihívás az,
12:48
is how we would actually do that. OK?
288
753000
4000
hogy hogyan tudjuk ezt elérni. Rendben?
12:52
So, let me now talk about the last mile problem.
289
757000
3000
Szóval hadd beszéljek az utolsó mérföld problémáról.
12:55
So far, I've been pretty negative.
290
760000
3000
Eddig elég negatív voltam.
12:58
I've been trying to show you the oddities of human behavior.
291
763000
3000
Próbáltam megmutatni az emberi viselkedés furcsaságait.
13:01
And I think maybe I'm being too negative.
292
766000
2000
És azt hiszem talán túl negatív vagyok.
13:03
Maybe it's the diarrhea.
293
768000
2000
Talán a hasmenés teszi.
13:05
Maybe the last mile problem really should be thought of
294
770000
2000
Lehet, hogy az utolsó mérföld problémára mint utolsó
13:07
as the last mile opportunity.
295
772000
2000
mérföld lehetőség kéne gondolni.
13:09
Let's go back to diabetes.
296
774000
2000
Térjünk vissza a cukorbetegségre.
13:11
This is a typical insulin injection.
297
776000
3000
Ez egy tipikus inzulin injekció.
13:14
Now, carrying this thing around is complicated.
298
779000
3000
Ezt nehéz magunkkal hordozni.
13:17
You gotta carry the bottle, you gotta carry the syringe.
299
782000
4000
El kell vinni az üveget, a fecskendőt.
13:21
It's also painful.
300
786000
2000
És fáj is.
13:23
Now, you may think to yourself, "Well, if my eyes depended on it,
301
788000
4000
Nos, talán azt gondolják: "Hogyha a szemem világa múlik rajta,
13:27
you know, I would obviously use it every day."
302
792000
2000
tudod, nyilván használom minden nap."
13:29
But the pain, the discomfort,
303
794000
2000
De a fájdalom, a kényelmetlenség,
13:31
you know, paying attention, remembering to put it in your purse
304
796000
2000
tudod, oda kell figyelni, nem elfelejteni
13:33
when you go on a long trip:
305
798000
2000
betenni a táskádba, amikor elutazol,
13:35
These are the day-to-day of life, and they do pose problems.
306
800000
4000
ez a mindennapi élet, és ezek problémákat okoznak.
13:39
Here is an innovation, a design innovation.
307
804000
3000
Itt egy innováció, egy design innovácó.
13:42
This is a pen, it's called an insulin pen, preloaded.
308
807000
4000
Ez egy toll, inzulin tollnak hívják, előre töltve.
13:46
The needle is particularly sharp.
309
811000
1000
A tű kölünüsen éles.
13:47
You just gotta carry this thing around.
310
812000
2000
Csak ezt kell magaddal vinni.
13:49
It's much easier to use, much less painful.
311
814000
2000
Sokkal egyszerűbb használni, sokkal kevésbé fáj.
13:51
Anywhere between five and 10 percent increase in adherence,
312
816000
4000
5-10%-kal nőtt a kitartás, csak ennek
13:55
just as a result of this.
313
820000
2000
a következményeként.
13:57
That's what I'm talking about as a last mile opportunity.
314
822000
3000
Ezt értem azalatt, hogy utolsó mérföld lehetőség.
14:00
You see, we tend to think the problem is solved
315
825000
3000
Azt szoktuk gondolni, hogy egy probléma meg van oldva,
14:03
when we solve the technology problem.
316
828000
2000
amikor megoldjuk a technológiai problémát.
14:05
But the human innovation, the human problem
317
830000
2000
De az emberi innovácó, az emberi probléma
14:07
still remains, and that's a great frontier that we have left.
318
832000
4000
megmarad, és ez egy nagy határ, ami még hátravan.
14:11
This isn't about the biology of people;
319
836000
2000
Ez nem az emberi biológiáról szól,
14:13
this is now about the brains, the psychology of people,
320
838000
4000
ez már az agyról szól, az emberi pszichológiáról.
14:17
and innovation needs to continue all the way through
321
842000
2000
Az innovációnak folytatódnia kell végig,
14:19
the last mile.
322
844000
2000
az utolsó mérföldig.
14:21
Here's another example of this.
323
846000
2000
Itt van egy másik példa.
14:23
This is from a company called Positive Energy.
324
848000
3000
Ez egy Positive Energy nevű cégtől származik.
14:26
This is about energy efficiency.
325
851000
2000
Az energia hatékonyságról szól.
14:28
We're spending a lot of time on fuel cells right now.
326
853000
3000
Pillanatnyilag nagyon sokat foglalkozunk energia cellákkal.
14:31
What this company does is they send a letter
327
856000
2000
Ez a cég azt csinálja, hogy levelet küld
14:33
to households that say, "Here's your energy use,
328
858000
2000
háztartásoknak, amiben az áll: "Itt az energiafogyasztása,
14:35
here's your neighbor's energy use: You're doing well." Smiley face.
329
860000
3000
itt a szomszédja energiafogyasztása, jól csinálja." Mosolygó arcocska.
14:38
"You're doing worse." Frown.
330
863000
2000
"Rosszabbul csinálja." Grimasz.
14:40
And what they find is just this letter, nothing else,
331
865000
3000
És azt találták, hogy ez a levél, semmi más,
14:43
has a two to three percent reduction in electricity use.
332
868000
2000
2-3%-kal csökkenti az áramfogyasztást.
14:45
And you want to think about the social value of that
333
870000
2000
És gondoljanak ennek a társadalmi értékére
14:47
in terms of carbon offsets, reduced electricity,
334
872000
2000
szén-dioxid kiegyenlítés, áram csökkentés,
14:49
900 million dollars per year.
335
874000
2000
900 millió dollár évente.
14:51
Why? Because for free,
336
876000
2000
Miért? Mert ingyen,
14:53
this isn't a new technology, this is a letter --
337
878000
2000
ez nem egy új technológia, ez egy levél,
14:55
we're getting a Big Bang in behavior.
338
880000
2000
egy nagy robbanást kapunk a magatartásban.
14:57
So, how do we tackle the last mile?
339
882000
4000
Szóval hogyan kezeljük az utolsó mérföldet?
15:01
I think this tells us there is an opportunity.
340
886000
3000
Szerintem ebből látszik, hogy ebben van lehetőség.
15:04
And I think to tackle it, we need to combine
341
889000
2000
És hogy megküzdjünk vele, ötvöznünk kell
15:06
psychology,
342
891000
2000
a pszichológiát,
15:08
marketing,
343
893000
2000
marketinget,
15:10
art, we've seen that.
344
895000
2000
művészetet, ezt láttuk.
15:12
But you know what we need to combine it with?
345
897000
2000
De tudják, mivel kell kombinálni?
15:14
We need to combine this with the scientific method.
346
899000
2000
Kombinálni kell a tudományos módszerrel.
15:16
See what's really puzzling and frustrating about the last mile, to me,
347
901000
4000
Mert amiért igazán rejtélyes és bosszantó az utolsó mérföld probléma,
15:20
is that the first 999 miles are all about science.
348
905000
3000
az az, hogy az első 999 mérföld tiszta tudomány.
15:23
No one would say, "Hey, I think this medicine works, go ahead and use it."
349
908000
4000
Senki nem mondaná, hogy "Hé, szerintem ez a gyógyszer működik, használd nyugodtan."
15:27
We have testing, we go to the lab, we try it again, we have refinement.
350
912000
2000
Tesztelünk, laborba megyünk, újra próbáljuk, finomítjuk.
15:29
But you know what we do on the last mile?
351
914000
3000
De tudják mit teszünk az utolsó mérföldön?
15:32
"Oh, this is a good idea. People will like this. Let's put it out there."
352
917000
3000
"Ez egy jó ötlet. Tetszeni fog az embereknek. Bocsássuk ki."
15:35
The amount of resources we put in are disparate.
353
920000
2000
A befektetett erőforrások egyenetlenek.
15:37
We put billions of dollars into fuel-efficient technologies.
354
922000
3000
Több milliárd dollárt fektetünk energiatakarékos technológiákba.
15:40
How much are we putting into
355
925000
2000
De mennyit fektetünk
15:42
energy behavior change
356
927000
2000
az energia magatartás-változtatásba
15:44
in a credible, systematic, testing way?
357
929000
3000
hihető, szisztematikus, tesztelő módon?
15:47
Now, I think that we're on the verge of something big.
358
932000
3000
Nos, azt hiszem valami nagy dolognak a küszöbén állunk.
15:50
We're on the verge of a whole new social science.
359
935000
3000
Egy teljesen új társadalomtudomány küszöbén.
15:53
It's a social science that recognizes --
360
938000
2000
Egy társadalomtudomány, ami felismeri,
15:55
much like science recognizes the complexity of the body,
361
940000
3000
mint ahogy a tudomány felismeri a test összetettségét,
15:58
biology recognizes the complexity of the body -- we'll recognize
362
943000
2000
a biológia felismeri a test összetettségét, fel fogjuk ismerni
16:00
the complexity of the human mind.
363
945000
2000
az emberi elme összetettségét.
16:02
The careful testing, retesting, design,
364
947000
2000
Az óvatos tesztelés, újra tesztelés, design.
16:04
are going to open up vistas of understanding,
365
949000
3000
Új távlatait nyitjuk meg a megértésnek,
16:07
complexities, difficult things.
366
952000
2000
összetettségnek, nehéz dolgoknak.
16:09
And those vistas will both create new science,
367
954000
3000
És ezek a távlatok új tudományokat fognak szülni,
16:12
and fundamental change in the world as we see it, in the next hundred years.
368
957000
4000
és alapvetően fogják megváltoztatni, hogyan látjuk a világot a következő száz évben.
16:16
All right. Thank you very much.
369
961000
2000
Rendben. Köszönöm szépen.
16:18
(Applause)
370
963000
2000
(Taps)
16:20
Chris Anderson: Sendhil, thank you so much.
371
965000
2000
Chris Anderson: Sendhil, nagyon köszönjük.
16:22
So, this whole area is so fascinating.
372
967000
3000
Ez az egész terület lebilincselő.
16:25
I mean, it sometimes feels, listening to behavioral economists
373
970000
3000
Néha a viselkedési közgazdászokat hallgatva az az ember érzése,
16:28
that they are kind of putting into place
374
973000
3000
hogy valahogy azt teszik akadémiai
16:31
academically, what great marketers
375
976000
2000
közegbe, amit nagyszerű marketingesek
16:33
have sort of intuitively known for a long time.
376
978000
3000
valahogy ösztönösen már évek óta tudnak.
16:36
How much is your field talking to great marketers
377
981000
4000
Mennyire beszél a területe remek marketingesekkel
16:40
about their insights into human psychology?
378
985000
2000
a megfigyeléseikről az emberi pszichológiáról?
16:42
Because they've seen it on the ground.
379
987000
2000
Mert ők ezt a terepen látták.
16:44
Sendhil Mullainathan: Yeah, we spend a lot of time talking to marketers,
380
989000
2000
Sendhil Mullainathan: Igen, sokat beszéltünk marketingesekkel.
16:46
and I think 60 percent of it is exactly what you say,
381
991000
3000
És azt hiszem 60%-ban pontosan az, ahogy mondja,
16:49
there are insights to be gleaned there.
382
994000
2000
sokat lehet ebből tanulni,
16:51
Forty percent of it is about what marketing is.
383
996000
2000
40%-a az, ami a marketing.
16:53
Marketing is selling an ad to a firm.
384
998000
5000
A marketing egy reklám eladása egy cégnek.
16:58
So, in some sense, a lot of marketing is about
385
1003000
2000
Szóval, egy bizonyos értelemben, a marketing nagy része
17:00
convincing a CEO, "This is a good ad campaign."
386
1005000
3000
meggyőzni egy igazgatót, hogy ez egy jó kampány.
17:03
So, there is a little bit of slippage there.
387
1008000
2000
Tehát van itt egy kis elcsúszás.
17:05
That's just a caveat. That's different from actually having an effective ad campaign.
388
1010000
4000
Ez csak egy kifogás. Szóval ez más, mint egy igazán hatásos reklám kampány.
17:09
And one of the new movements in marketing is: How do we actually
389
1014000
2000
És az egyik új irányzat a marketingben, hogy hogyan
17:11
measure effectiveness? Are we effective?
390
1016000
2000
mérjük a hatékonyságot? Hatékonyak vagyunk?
17:13
CA: How you take your insights here
391
1018000
4000
CA: Hogy veszi ezeket a gondolatokat
17:17
and actually get them integrated
392
1022000
3000
és integrálja őket valójában
17:20
into working business models on the ground,
393
1025000
3000
egy működő üzleti modellbe, a terepen,
17:23
in Indian villages, for example?
394
1028000
2000
pl. egy indiai faluban.
17:25
SM: So, the scientific method I alluded to is pretty important.
395
1030000
3000
SM: A tudományos módszer, amire utaltam, nagyon fontos.
17:28
We work closely with companies that have operational capacity,
396
1033000
2000
Szorosan dolgozunk működési kapacitással bíró cégekkel,
17:30
or nonprofits that have operational capacity.
397
1035000
2000
vagy működési kapacitással bíró nonprofit szervezetekkel.
17:32
And then we say, "Well, you want to get this behavior change.
398
1037000
2000
És azt mondjuk nekik, hogy meg kell változtatni a magatartást.
17:34
Let's come up with a few ideas, test them,
399
1039000
3000
Találjunk ki néhány ötletet, teszteljük,
17:37
see which is working, go back, synthesize,
400
1042000
2000
nézzük meg melyik működik, összegezzük,
17:39
and try to come up with a thing that works,"
401
1044000
2000
próbáljunk előállítani valamit, ami működik,
17:41
and then we're able to scale with partners.
402
1046000
2000
és ezután tudunk árakat kidolgozni a partnereinkkel.
17:43
It's kind of the model that has worked in other contexts.
403
1048000
2000
Ez a modell jól működött más helyzetekben.
17:45
If you have biological problems
404
1050000
2000
Ha biológiai problémáról van szó,
17:47
we try and fix it, see if it works, and then work the scale.
405
1052000
2000
megpróbáljuk megoldani, meglátjuk, működik-e és kialakítjuk a minimális költséget.
17:49
CA: Alright Sendhil, thanks so much for coming to TED. Thank you.
406
1054000
3000
CA: Rendben Sendhil, nagyon köszönjük, hogy eljött a TED-re. Köszönjük.
17:52
(Applause)
407
1057000
3000
(Taps)
ABOUT THE SPEAKER
Sendhil Mullainathan - Behavioral economistSendhil Mullainathan asks a compelling question: what are the irrational choices we make that perpetuate poverty, corruption, discrimination?
Why you should listen
To study big questions such as "What are the measurable effects of corruption?"" Sendhil Mullainathan and his collaborators look at the day-to-day decisions made by real people, running deep-data studies on groups around the world to tease out patterns. Awarded a MacArthur ""genius"" grant in 2002, he has produced and collaborated on a string of research papers that make for a must-read CV -- including a fascinating, if dispiriting, study of the corruption involved in getting a driver's license in India.
Lately he and his team have been studying women who sell fruit and vegetables on the streets in developing countries. They're usually in debt to a moneylender in the market, who takes about half their profits each day as interest. Some of the women have figured a simple way to get out of debt and keep all their profits. But most of the women make a choice every day that keeps them in debt. How would these businesswomen behave, he wondered, if the slate was wiped clean? So he got a grant, paid off their debt, and waits to see what happens next."
Sendhil Mullainathan | Speaker | TED.com