【锚点】这一讲钉一个【行为经济学】判断：【计划谬误】不是【乐观主义】的副产品，而是【焦点案例推理】在【一次性大项目】中压过【参考类统计】的系统性偏差。

【显式】Kahneman 与 Tversky 的计划谬误框架指出：人先用【具体案例】生成估计，再用【一般统计】事后修饰，但修饰往往不足。【流程节点链路】起点=【焦点案例的生动叙事】 → 中间节点=【参考类基率被弱化】 → 终点=【系统性低估成本/时间】。

【隐式】这不是道德缺陷，而是认知架构的代价：【焦点案例】携带高信息密度、低抽象成本；【参考类】需要把个案归入类别、抽取分布、处理方差，计算成本更高。在【日常重复任务】里，参考类其实已经内化成直觉；在【一次性大项目】里，样本量小、类别边界模糊，直觉失去校准。

【细微】Tversky 与 Kahneman (1974) 的基率忽视实验显示，当【个案描述】足够生动，人们会系统性压低【基率】权重。工程项目把这个偏差放大：Benjamin (2013) 对 1,447 个大型基础设施项目的元分析发现平均成本超支约 45%、工期超支约 7%。Flyvbjerg (2006) 进一步区分【乐观偏差】与【战略性误报】：预算先被压低，再被追加，因此“平均超支”不能只归因于施工事故。

【极难发现】演化上，【参考类思维】不是默认开启的高保真模拟器，而是【重复反馈】训练出来的补丁。动物在可重复觅食环境中能形成对【成功率分布】的估计，因为每次错误都有代价反馈；人类在【一次性制度工程】中却把【叙事一致性】当作证据，因为叙事能协调群体行动。于是【计划谬误】暴露的不是“人太天真”，而是【可重复性缺失】时，认知系统会退回更便宜、更社会化的启发式。

【可检验点】Lovallo 与 Kahneman (1991) 的参考类预测要求先估计【同类项目分布】，再调整到个案；它把【焦点案例】从生成器降格为校准器。可检验预测：若让决策者先填【参考类分布】再写估计，偏差应缩小；若先写估计再补参考类，偏差应更大。

可辩论问题：如果【参考类统计】能显著降低超支，为什么组织在投标、预算、科研立项中仍然更相信【焦点案例】？是【信息成本】、【激励结构】，还是【叙事作为协调机制】的适应价值压过了统计校准？