《Online traffic games: Should firms compete on website speed or website capacity?》
全文深度解析与学术总结
——基于排队博弈论的网站响应速度竞争、云容量决策与云服务商战略诱导研究
一、论文基本信息与全文核心脉络总结
1.1 论文题名、作者与发表期刊信息
论文英文题名:Online traffic games: Should firms compete on website speed or website capacity?(《在线流量博弈:企业应当基于网站速度还是网站容量展开竞争?》)。
作者信息(保留原文不翻译):Leila Hosseini(第一作者,任职于美国休斯敦大学鲍尔商学院,C.T. Bauer College of Business, University of Houston, Houston, TX, USA)与 Vijay Mookerjee(通讯作者,任职于美国得克萨斯大学达拉斯分校,The University of Texas at Dallas, Richardson, TX, USA,电子邮箱:vijaym@utdallas.edu)。
发表期刊与出版信息:发表于运营管理与管理科学领域国际顶级期刊 Production and Operations Management(简称 POMS,UTD-24 顶级期刊之一),2026年第35卷第11期(Vol. 35, Issue 11),页码范围为第 4016–4038 页,DOI 编号为 10.1177/10591478261447637(2024年8月23日收稿,经历四轮修改后于2026年4月10日正式录用,责任编辑为 Nitindra Joglekar)。
1.2 研究背景与全文核心内容总结
在当今快节奏的数字经济中,消费者对在线内容的即时访问极为敏感,微小的页面加载延迟都会导致严重的流量流失与转化率下降。行业数据显示,如果网站加载时间超过 3 秒,高达 40% 的访问者会直接放弃访问;Amazon 发现网站速度每改善 100 毫秒可带来 1% 的营业收入增长,而 Walmart 发现页面加载时间每缩短 1 秒可提升高达 2% 的转化率。与此同时,Google 自 2018 年推出移动端 Google Speed Update 算法并于 2020 年引入 Core Web Vitals(核心网页指标)以来,已将网站响应速度作为自然搜索排名(Organic Search Ranking)的核心惩罚与激励因子。这促使互联网企业围绕“毫秒级响应”展开激烈的在线流量争夺战。
为了实现快速稳定的网站响应,绝大多数现代数字企业(如 Expedia、Netflix、Spotify、Pinterest、Shopify、Etsy 等)都将网站托管在 Amazon Web Services(AWS)、Google Cloud Platform(GCP)或 Microsoft Azure 等云计算平台上。在云环境下,企业管理网站性能与流量竞争存在两种截然不同的运营决策机制:
(1)基于容量的竞争机制(Capacity-Based Competition,简称 C 模式):企业首先根据需求预测直接决定向云服务商租用多少云计算容量(处理速率 ),随后由该容量水平与实际到达的访问流量内生决定网站的均衡平均响应时间 。例如 Shopify、Etsy 和 Lowe's 在应对流量波动时采用容量规划模式,且 Microsoft Azure 的预留实例折扣(Reserved-Capacity Discounts)与 GCP 的持续使用折扣(Sustained-Use Discounts)均在激励企业承诺基线容量。
(2)基于响应时间的竞争机制(Response-Based Competition,简称 R 模式):企业首先设定一个目标网站响应时间 作为服务级别目标(Service-Level Objective, SLO),并依赖云服务商的自动扩缩容机制(Autoscaling)根据实时到达流量动态调配所需的云计算容量 以维持该目标响应速度。例如 Facebook(Meta)、Pinterest 与 CleverTap 均从传统容量规划转向由云端动态保障目标响应时间的模式,而 AWS 通过免费提供自动扩缩容服务大力推广该模式。
本文构建了一个包含两家对称在线企业与一家垄断云服务商的排队博弈模型(Queueing Game-Theoretic Model)。研究将网站服务器刻画为处理器共享排队系统(Processor-Sharing Queueing System),并将速度敏感型消费者细分为“单次访问消费者”(Single-Visit Consumers,占比 )与“双次访问/比价消费者”(Double-Visit Consumers,占比 )。全文围绕三个递进层次展开深入分析:第一,在固定竞争机制下(Section 4),对比 C 模式与 R 模式的均衡容量、响应时间、总流量与企业利润(Lemma 1–4、Proposition 1、Theorem 1);第二,当企业可自由选择决策机制时(Section 5),求解两阶段纳什均衡竞争机制及其对企业福利、消费者福利和云服务商利润的影响(Theorem 2);第三,当云服务商在自然均衡下受损时(Section 6),探讨云服务商如何通过针对特定机制下调单位容量租用价格 ,战略性诱导企业转换至目标竞争机制,并识别出实现“企业、消费者与云服务商三方共赢(Win-Win-Win)”的充要条件(Proposition 2–5)。
二、论文的核心学术贡献
本文在运筹学、信息系统管理与产业组织经济学的交叉领域做出了四项具有高度原创性的理论与管理贡献:
第一,拓展了基于时间的竞争(Time-Based Competition)文献至数字处理器共享系统:传统时间竞争文献(如 Png and Reitman, 1994;Ho and Zheng, 2004;Shang and Liu, 2011)主要研究实体服务业或制造业中消费者在队列中等待交付的场景,且通常将容量视为固定或仅考察单一时间承诺变量。本文首次研究了数字网站采用处理器共享机制(Processor-Sharing System,即每位访客到达后立即共享服务器算力而无需排队等待)下的在线流量博弈,并创新性地剥离了“以容量为决策变量(C 模式)”和“以响应时间为决策变量(R 模式)”在战略互动上的本质差异。本文证明:尽管在垄断情形下容量与响应时间存在一一对应的函数关系(选容量等价于选响应时间),但在双寡头竞争中,选择不同的主决策变量会彻底改变竞争对手的最佳反应函数(Best-Response Function),从而产生截然不同的市场均衡结果。
第二,修正并丰富了经济学中“投入竞争 vs. 产出竞争”(Input vs. Output Competition)的经典范式:在经典产业组织理论(如 Singh and Vives, 1984;Cheng, 1985;Miller and Pazgal, 2006)中,价格竞争等“投入型竞争”通常比数量竞争等“产出型竞争”更为激烈(即著名的伯川德悖论 Bertrand Paradox),且竞争加剧必然削弱企业利润。在数字网站博弈中,云容量 属于“投入(Input)”,而网站响应时间 属于“产出(Output)”。本文打破了传统认知,首次发现:(1)作为产出博弈的 R 模式在单次访问消费者占比极小或极大时,反而比作为投入博弈的 C 模式竞争更加激烈;(2)更为反直觉的是,当单次访问消费者占比较小时,R 模式下的激烈竞争不仅没有损害企业,反而通过显著做大双次访问消费者的总市场流量蛋糕,使企业获得了比温和竞争(C 模式)更高的均衡利润!
第三,开辟了搜索引擎优化(SEO)领域中“基于运营速度的自然流量竞争”新方向:既有 SEO 与搜索引擎营销文献(如 Ghose and Yang, 2009;Taylor, 2013;Zia and Rao, 2019)主要聚焦于付费赞助搜索拍卖(Sponsored Search Auctions)与关键词竞价策略。本文紧扣 Google Speed Update 与 Core Web Vitals 算法变革,揭示了企业如何通过底层数字基础设施投资与响应时间优化这一“运营杠杆”(而非单纯依赖广告预算)来争夺搜索自然流量,填补了运营驱动型 SEO 流量博弈的理论空白。
第四,构建了云计算经济学中“云服务商定价塑造下游竞争模式”的三方博弈理论框架:现有云计算经济研究(如 Fazli et al., 2018;Chen et al., 2019;Hosseini et al., 2020)多关注云资源采购成本或单一企业定价,尚未探讨云服务商如何干预下游企业的流量竞争体制。本文将云服务商(如 AWS、Azure、GCP)作为上游战略塑造者引入模型,证明当下游企业自发选择的均衡竞争机制未使云服务商利润最大化时,云服务商可通过机制专属的差异化单位容量定价 诱导企业切换竞争模式,并在满足成本效率条件且降价幅度足够大时,打破囚徒困境,实现下游企业利润增加、消费者访问速度加快、云服务商利润提升的“三赢(Win-Win-Win)”格局。
三、数学模型构建与核心函数详尽解释
本节对论文第 3 节至第 6 节中的所有模型符号、参数定义、排队过程与目标函数进行逐一拆解与物理意义阐述。为确保推导清晰并聚焦于竞争机制与容量租用成本的纯粹影响,模型设定两家对称的在线企业 在同一数字市场中争夺消费者访问流量。
3.1 模型核心符号与外生/内生变量汇总表
在深入解释各个方程之前,表 1 系统梳理了模型中涉及的所有数学符号、定义及取值约束:
| 数学符号 | 变量/参数类型 | 经济学与运营管理含义解释 |
|---|---|---|
| 企业索引 | 双寡头市场中的两家对称在线企业(如电商网站或内容平台),满足 | |
| 外生市场规模参数 | 单位时间内到达市场的潜在速度敏感型消费者总规模上限 | |
| , | 决策/内生变量 | 企业 与企业 的网站响应时间(特指可控的服务器端连接处理时长,越小代表网站越快) |
| , | 决策/内生变量 | 企业 与企业 向云服务商租用的云计算容量(即服务器处理速率,需满足稳定性条件 ) |
| 外生结构参数 | 活跃速度敏感型市场中“单次访问消费者”(Single-Visit Consumers)所占的比例; 为“双次访问消费者”比例 | |
| 外生竞争参数 | 两家企业产品或内容之间的替代程度(竞争强度); 时无替代(退化为垄断), 越大替代越强 | |
| 外生流量参数 | 单位时间内到达企业 网站的忠诚消费者(Loyal Segment)泊松到达率,不受响应时间影响 | |
| 内生流量函数 | 单位时间内企业 从单次访问消费者细分市场吸引到的泊松到达流量均值 | |
| 内生流量函数 | 单位时间内企业 从双次访问(比价)消费者细分市场吸引到的泊松到达流量均值 | |
| 内生流量函数 | 企业 吸引到的速度敏感型总流量均值,等于单次访问流量与双次访问流量之和 | |
| 内生总流量函数 | 单位时间内到达企业 网站的总流量均值,满足 | |
| 随机偏好变量 | 双次访问消费者的内在相对偏好位置,分别以概率 和 为企业 1 和企业 2 贡献收益 | |
| 外生收益参数 | 企业将有效访问流量转化为商业收入(广告点击或商品销售)的边际收益系数 | |
| 外生/基准价格 | 企业向云服务商租用单位云计算容量的基准单位租用成本(线性计费 ) | |
| 云服务商决策变量 | 云服务商为诱导企业采纳目标竞争模式而针对该模式设定的优惠单位容量租用价格 | |
| 云服务商成本参数 | 云服务商提供云计算容量的边际成本系数,总供给成本为二次递增函数 | |
| 企业利润函数 | 分别为容量竞争模式 与响应时间竞争模式 下企业 的净利润 | |
| 市场福利与云利润 | 为两家企业总利润(企业福利), 为两家企业服务的总流量(消费者福利), 为云服务商总利润 |
3.2 消费者市场细分与网站流量到达函数(公式 1)
论文将市场中的所有消费者划分为两大群体:(1)忠诚消费者群体(Loyal Segment),无论网站快慢均固定访问特定企业 ,其到达服从均值为 的泊松过程;(2)速度敏感型消费者群体(Speed-Sensitive Segment),单位时间内潜在到达总规模为 ,他们在决定访问哪家网站前已知悉两家企业的响应时间 与 。
(1)活跃与非活跃速度敏感型消费者函数:受两家网站响应时间的影响,实际进入市场访问网站的“活跃速度敏感型消费者(Active Speed-Sensitive Segment)”总人数为 ;而剩余的 名消费者因极其厌恶延迟而放弃访问任何一家网站,构成“非活跃速度敏感型消费者(Inactive Speed-Sensitive Segment)”。这一函数设计精准刻画了数字市场的市场扩张效应(Market Expansion Effect):当任一企业缩短响应时间 (提升网站速度 )时,不仅能与对手争夺存量访客,还能将原本因嫌慢而流失的潜在消费者吸引进活跃市场。
(2)单次访问消费者(Single-Visit Consumers)流量函数:在活跃速度敏感型消费者中,有外生比例 的消费者只选择访问其中一家网站(例如流媒体平台 Netflix 与 Hulu、数字新闻订阅《纽约时报》与《华盛顿邮报》的用户通常在单次会话中只选定一家)。基于兰彻斯特竞争模型(Lanchester Model)与离散选择框架,企业 吸引到的单次访问流量服从泊松过程,其均值函数定义为:
对该函数的深层解释:括号内第一项 体现了企业 自身绝对速度对单次访客的直接吸引力;第二项 刻画了两家企业之间的相对速度竞争与业务窃取效应(Business-Stealing Effect)。当 时,两家网站内容完全不具替代性,流量仅取决于自身速度;当 时,若企业 比对手 更快(即 ),企业 就能从对手处夺取单次访问流量,且替代系数 越大,流量对双方速度差距越敏感。
(3)双次访问消费者(Double-Visit Consumers)流量函数:活跃市场中剩余比例 的消费者属于“比价/多栖消费者”(Multi-Homing / Comparison Consumers,例如在线旅游预订市场中,旅客在购买机票或酒店前习惯同时打开 Expedia 和 Booking.com 进行库存与促销比价)。这类消费者意欲同时访问两家网站,其参与决策取决于访问两家网站的总浏览时间负担而非两者的相对速度差。因此,每位双次访问消费者都会同时给企业 1 和企业 2 各带来一次访问,企业 获得的双次访问流量均值函数为:
对该函数的深层解释:这里展现了一个极为关键的正外部性与流量互补机制——在双次访问细分市场中,如果竞争对手 提速(即 下降、 上升),会降低比价消费者的总浏览时间成本,吸引更多双次访问消费者进入市场同时浏览两家网站,从而连带增加本企业 的双次访问流量(即 )。这一机制正是全文诸多反直觉结论的核心微观基础。
(4)企业总到达流量函数(论文公式 1):将忠诚流量 、单次访问流量 与双次访问流量 相加,得到单位时间内到达企业 网站的总泊松流量均值函数:
3.3 网站响应时间与处理器共享排队函数(公式 2)
端到端的网页响应时间包含三个部分:重定向时长(Redirect Duration,发送请求至服务器的时间)、连接处理时长(Connection Duration,服务器处理请求并生成响应的时间)以及后端传输时长(Backend Duration,将响应传回浏览器所需时间)。其中,重定向与后端传输时长取决于外部网络条件(视为外生常数),唯有服务器端连接处理时长由企业的云计算容量决策 和到达总流量 直接决定。
与实体店铺“先排队、后服务”的排队系统不同,现代 Web 服务器作为处理器共享排队系统(Processor-Sharing Queueing System)运行:每当一名新访客到达网站,服务器立即为其开启一个活跃会话,并将总计算容量 平均分配给当前所有在线会话同时处理,不存在排队等待时间。根据排队论经典结论(Kleinrock, 1964;Morrison, 1985),企业 网站的期望响应时间函数为:
对该函数的深层解释:为保证处理器共享排队系统处于稳态(队列不发生无限拥塞崩溃),必须满足稳定性约束条件 (更严格地,当 有限时需 )。式 (2) 揭示了流量与速度之间的双向耦合关系:一方面,扩大云容量 会直接缩短响应时间 ;另一方面,网站提速吸引来的新增流量 又会消耗服务器算力,产生拥塞负反馈效应,推高响应时间 。将式 (2) 变形可得 ,即企业所需的云计算容量等于到达总流量加上目标速度 (冗余算力缓冲)。
3.4 企业收益函数、云容量成本与两类机制下的利润函数(公式 3 与公式 7)
(1)企业凹收益函数(Concave Revenue Function):无论是依靠商品销售与广告的电商网站,还是依靠广告点击的内容网站,流量增长都会带来收入增加,但边际收益递减(Choi and Mela, 2019;Liu et al., 2018)。在流量转化上,每位访问企业 的忠诚消费者和单次访问消费者均 100% 专属地为企业 贡献有效流量;但对于同时访问两家网站的双次访问消费者,其最终在哪家网站产生购买或转化取决于其内在偏好 (分别以概率 和 为企业 1 和企业 2 创造收益)。对均匀分布求期望后,双次访问消费者对单家企业的有效转化流量权重恰好为 (即 )。因此,采用平方根凹函数形式,企业 的营业收入函数为:
(2)云容量租用成本函数(Capacity Rental Cost Function):遵循主流云服务商(如 Amazon EC2)的线性计费规则,企业 租用云计算容量 所支付的云服务成本为线性函数 ,其中 为单位云计算容量的租用价格。
(3)基于容量竞争模式 下的流量与利润函数(公式 3):在对称假设(,)下,若两家企业均采用基于容量的决策机制(以 为决策变量,给定对手容量 不变),联立式 (1) 与式 (2) 消去 和 ,可解出以双方容量 表示的企业 总流量函数(论文公式 3)与利润最大化目标函数 :
观察公式 (3) 中对手容量 的分子系数 可以发现一个极其重要的分界点:当 时,,意味着对手增加容量 反而会使本企业的总流量 增加(因为双次访问流量的市场扩张效应占主导);而当 时,,意味着对手增加容量会净夺走本企业的总流量(单次访问流量的业务窃取效应占主导)。
(4)基于响应时间竞争模式 下的利润函数(公式 7):若两家企业均采用基于响应时间的决策机制(以目标响应时间 为决策变量,给定对手响应时间 不变),由 将所需的云容量表示为 和 的函数,代入可得企业 在 模式下的利润最大化目标函数(论文公式 7):
(5)社会福利与云服务商利润函数:在均衡状态下,定义企业福利(Firm Welfare)为两家企业的均衡利润之和: 与 ;定义消费者福利(Consumer Welfare)为两家企业共同服务的均衡总流量: 与 ;定义云服务商利润函数(Cloud Provider's Profit)为向两家企业收取的容量租金总收入减去二次递增的容量供给成本:
其中 为云服务商供给算力的边际成本系数。二次成本项 反映了数据中心在高负载扩张时面临的电力、散热与硬件边际成本递增规律。
四、引理、命题与定理深度解释及商业算例说明
本节严格按照论文脉络,对全文所有的 4 个引理(Lemma 1–4)、5 个命题(Proposition 1–5)和 2 个定理(Theorem 1–2) 进行逐一解析。遵照要求,本节省略繁琐的代数求导与数学证明过程,重点阐述每个结论的数学表达、经济学直觉,并通过具体的数值算例与真实商业场景解释其背后的管理内涵。
4.1 固定竞争机制下的均衡结果与比较静态性质(Lemma 1 – Lemma 4)
(1)Lemma 1(引理 1):基于容量竞争模式 下的纳什均衡解
【核心结论】:在基于容量的竞争 模式下,企业 的均衡云容量 、均衡到达总流量 与均衡利润 取决于忠诚消费者流量 的大小(论文公式 4–6):
① 当忠诚流量非常大,即满足 时,争夺速度敏感型消费者已无利可图,企业完全放弃速度竞争,仅购买恰好服务忠诚客户的基础容量:,,。
② 当忠诚流量相对较小(即处于有效竞争区间)时,两家企业积极投资云容量以争夺速度敏感型消费者,此时的内点均衡解(公式 4–6)及对应的均衡响应时间 为:
【举例解释】:设想两家在线家居零售商(如 Lowe's 与 Home Depot)采用容量规划模式 。若两家商城的死忠会员流量 已经极其庞大(例如每秒高达 500 人次),而收益函数由于边际递减效应(平方根函数)增长缓慢,此时额外租用昂贵的云服务器去提速抢夺游离客户,新增的微薄广告或销售收入根本无法覆盖云成本,因此两家企业只会按每秒 500 人次的底线配置服务器(退化情形)。反之,当死忠会员基数适中(如 人/秒),且市场存在大量看重网页加载速度的潜在买家时,设参数 、、、,代入公式 (4)–(6) 可得:每家企业会主动租用高达 单位的云容量,吸引 单位的总流量,将网站响应时间控制在 秒(约 15.9 毫秒),并获取 的均衡净利润。
(2)Lemma 2(引理 2):容量竞争模式 下单位云成本 的比较静态分析
【核心结论】:在基于容量的竞争 模式下,当单位云容量租用成本 上升时:(i)若单位容量租用成本 已经处于较高水平,即满足 ,则继续提高单位云成本 反而会使企业的均衡利润 增加!(ii)当 上升时,两家企业间的替代程度(竞争强度) 对均衡云容量、速度敏感型流量、响应时间以及企业利润的边际影响全部减弱。
【举例解释】:直觉上,原材料或云算力涨价会损害企业利润。但为什么在高成本区段,云服务商涨价反而成了企业的“朋友(Cost Acts as a Friend)”?观察式 (6) 可以看到,均衡利润 由两部分组成:第一项 是争夺速度敏感型流量带来的竞争性收益(随 上升而下降),第二项 是由于竞争缓和、速度敏感型流量减少而节省下来的容量成本缓冲效应(随 上升而线性增加)。举例来说,假设两家在线票务网站拥有稳定忠诚客流 ,当云服务单价已经高达 美元/单位(超过了阈值 美元)时,如果云服务商进一步将单价上调至 美元,由于扩容提速变得极其昂贵,两家网站都会默契地大幅削减用于军备竞赛的云容量(主动让网站变慢)。这种“被迫休战”所节省下来的巨额云服务开支,超过了因网站变慢而损失的少量边际营收,从而使两家票务网站的净利润双双回升!同时,因为高昂的算力成本扼杀了双方的进攻欲望,即便两家网站的产品高度同质化( 很大),双方也无力再打速度战,因此竞争强度 的杀伤力被高成本显著钝化。
(3)Lemma 3(引理 3):基于响应时间竞争模式 下的纳什均衡解
【核心结论】:当两家对称企业均采用基于响应时间的决策机制 (即直接设定目标响应时间 ,并由云平台自动扩缩容匹配所需容量)时,均衡响应时间 、均衡总流量 、均衡利润 以及内生租用的均衡云容量 分别为(论文公式 8–11):
【举例解释】:以两家采用 AWS 自动扩缩容(Autoscaling)并设定目标响应时间 SLO 的社交图片平台(如 Pinterest 与竞争对手)为例。沿用 Lemma 1 算例中的相同市场参数:、、、、。代入公式 (8)–(11) 计算可得:在 模式下,企业设定的均衡响应时间为 秒(17.8 毫秒,略慢于 C 模式下的 15.9 毫秒),自动扩缩容租用的均衡云容量为 单位(低于 C 模式的 166.25 单位),均衡总流量为 单位,但企业的均衡净利润却高达 (高于 C 模式的 207.25)!这清晰地展示出:即便底层排队物理方程完全相同,仅仅将决策抓手从“固定云容量”切换为“锁定目标响应时间”,就会改变双方的战略均衡位置。
(4)Lemma 4(引理 4):响应时间竞争模式 下单位云成本 的比较静态分析
【核心结论】:在基于响应时间的竞争 模式下,与容量竞争类似,当单位云容量租用成本 上升时:(i)若 已处于高水平区间,即 ,则单位云成本 的进一步上涨同样会提升企业的均衡利润 ;(ii) 的上涨同样会削弱替代系数 对容量、速度敏感型流量、响应时间及利润的影响。
【举例解释】:与 Lemma 2 的机理一致,在 模式下,当云平台对自动扩缩容实例收取的基准单价 已经非常昂贵时,如果云平台继续提价,两家原本在 SLO 目标上争分夺秒的企业都会主动放宽各自设定的 SLO 响应时间目标(例如将目标响应时间从 50 毫秒放宽至 120 毫秒)。由于双方同步放缓网页速度,速度战烈度大幅降温,节省下来的云算力成本超过了速度敏感型访客流失带来的收入损失,使两家企业在高云成本下反而因“被动协同降速”而获益。
4.2 两种竞争机制的全面对比分析(Proposition 1 与 Theorem 1)
(5)Proposition 1(命题 1):C 模式与 R 模式的竞争激烈程度与企业利润对比
【核心结论】:对比 与 两种竞争机制下的均衡结果(如论文 Table 1 所示):
(i)竞争激烈程度对比:当单次访问消费者占比相对较小或非常大时,即 或 时,企业在 基于响应时间的竞争 下竞争更加激烈(租用更多云容量 、设定更快的响应时间 、吸引更多速度敏感型流量 );反之,当单次访问消费者占比处于中等区间 时,企业在 基于容量的竞争 下竞争更加激烈。
(ii)企业均衡利润对比:当单次访问消费者占比较小()时,尽管 模式下的竞争比 模式更加激烈,但 模式的激烈竞争反而为企业创造了比 模式更高的均衡利润()!而在中等区间 内, 模式因竞争更温和也获得更高利润;唯有当 时, 模式因竞争更温和而获得更高利润。
| 对比维度(论文 Table 1) | 小比例区间 |
中等比例区间 |
极高比例区间 |
|---|---|---|---|
| 竞争更激烈的模式(容量更大、速度更快、流量更多) | Response-based(R 模式) | Capacity-based(C 模式) | Response-based(R 模式) |
| 企业均衡利润更高的模式 | Response-based(R 模式,激烈竞争反而增利) | Response-based(R 模式,温和竞争增利) | Capacity-based(C 模式,温和竞争增利) |
【举例与微观机理深度解释】:Proposition 1 是全文最精彩的核心发现之一。为什么同样是两家企业博弈,在不同 区间下, 和 的竞争激烈程度会发生反转?设替代系数 ,则两个临界阈值分别为 和 。我们分三种行业场景举例解析:
场景 A(双次访问比价占绝对主导,如在线旅游 OTA 市场 Expedia vs. Booking.com,设 ):在这个市场上,90% 的旅客都会同时打开 Expedia 和 Booking.com 比价。如果在 C 模式(固定容量)下,Expedia 单方面增加云容量 使自己变快,这不仅抢走了少量单次访客,更重要的是吸引了大批比价旅客同时涌入两家网站(双次访问流量大增)。由于 Booking.com 的容量 是固定的,涌入 Booking.com 的大批比价旅客会直接挤爆 Booking.com 的服务器,导致 Booking.com 的响应时间 恶化(变慢)。而一旦 Booking.com 变慢,比价旅客的总浏览时间负担加重,又会反过来导致双次访问旅客大量流失,从而反噬并拉低 Expedia 自己的总流量和利润!换言之,在 C 模式下,对手被动的“拥塞变慢反应”会严厉惩罚扩产提速的一方,因此 Expedia 不敢积极扩产。相反,在 R 模式(锁定响应时间 SLO)下,Booking.com 锁定了目标响应时间 不变(当比价客流涌入时,AWS 自动为 Booking.com 扩容以维持 不恶化)。没有了对手拥塞变慢的后顾之忧,Expedia 和 Booking.com 在 R 模式下都会大胆提速!更奇妙的是,虽然双方在 R 模式下拼得更凶,但由于 90% 的客户是比价客户,双方共同提速把整个在线旅游市场的比价总客流蛋糕做大了数倍,双次访问流量带来的丰厚收益完全盖过了单次访客争夺的损耗,使两家 OTA 平台在更激烈的 R 模式下反而赚到了更高的利润!
场景 B(单次与双次访问混合的适中市场,如综合百货零售网站,设 ):此时双次访问消费者仍占多数(65%),因此在 C 模式下企业 1 增加容量 依然会让企业 2 的总流量增加并使企业 2 变慢( 上升)。但与场景 A 不同的是,此时单次访问消费者已有相当规模(35%):当企业 2 因拥塞变慢时,企业 1 从企业 2 那里顺势夺取的单次访问流量收益,超过了因企业 2 变慢而流失的双次访问流量损失!也就是说,在 C 模式下“扩产既能自己提速,又能把对手挤慢从而抢走对手的单次访客”,对手的被动反应给了企业 1 额外的正向激励。因此企业在 C 模式下比 R 模式竞争更猛烈,但也因为过度扩产导致 C 模式下的利润低于温和的 R 模式。
场景 C(单次访问占主导的市场,如流媒体平台 Netflix vs. Hulu,设 ):此时 80% 的用户只看一家平台。在 C 模式下,如果 Netflix 增加容量 提速,会从 Hulu 抢走大批单次访问用户,导致到达 Hulu 的总流量净减少()。由于 Hulu 的容量 固定而客流减少,Hulu 的服务器负担减轻,其响应时间 反而自动变快了!Hulu 被动变快又会反过来夺回一部分单次访客,削弱了 Netflix 扩产的收益。而在 R 模式下,Hulu 的响应时间 被锁定不变,Netflix 提速不会触发 Hulu 被动变快的反击,因此双方在 R 模式下抢客更激进;但由于市场上绝大部分是零和博弈的单次访客,R 模式的激进内卷直接拉低了双方利润,使温和的 C 模式利润更高。
(6)Theorem 1(定理 1):单位云容量成本 对两种竞争机制差异的调节作用
【核心结论】:随着单位云容量租用成本 的增加, 与 两种竞争机制在均衡云容量、到达总流量以及企业利润上的差距均随之缩小;然而,两种竞争机制在网站响应时间上的差距()却随着 的增加而扩大。
【举例解释】:为什么云算力涨价会让两种模式的“容量、流量、利润差距缩小”,却让“响应时间差距拉大”?举例来说,当云服务单价 很低(如 0.5 美元)时,企业在更激进的模式(例如小 下的 R 模式)中会比温和模式多租用 50 单位算力(例如 R 模式租 250 单位,C 模式租 200 单位);当云单价暴涨至 4 美元时,激进模式的高昂代价迫使企业克制冲动,此时 R 模式仅租 25 单位算力,C 模式租 23 单位算力——两者的容量差从 50 单位缩小到了 2 单位,流量差与利润差也随之收敛。但是,根据排队响应时间公式 ,响应时间与剩余容量成反比(具有强烈的边际递减/凸性特征):在高容量区间,剩余容量从 50 变到 40,响应时间仅从 0.020 秒变为 0.025 秒(相差仅 5 毫秒);而在高成本导致的低容量区间,剩余容量哪怕只差微小的 1 个单位(例如从 2 变到 1),响应时间就会从 0.5 秒飙升至 1.0 秒(差距暴增至 500 毫秒)!这就完美解释了为什么高云成本下容量差距虽小,网站响应时间的差距却反而显著放大。
4.3 企业自由选择决策机制时的纳什均衡与福利分析(Theorem 2)
(7)Theorem 2(定理 2):内生竞争机制选择博弈的纳什均衡
【核心结论】:当两家对称企业同时自主选择决策机制(C 或 R)及相应的决策变量水平(构成 、、、 四种策略组合子博弈)时:
① 当单次访问消费者占比相对较小,或相对较大至极大时,即 或 (其中临界点 满足 )时,博弈达到唯一纳什均衡 ,即两家企业均选择 基于容量的竞争机制(Capacity-Based Competition)。
② 当单次访问消费者占比处于中等偏小区间,即 时,博弈达到唯一纳什均衡 ,即两家企业均选择 基于响应时间的竞争机制(Response-Based Competition)。
| 评估维度(论文 Table 2) | 小比例区间 |
中等比例区间 |
较大比例区间 |
极大比例区间 |
|---|---|---|---|---|
| 自然均衡竞争模式 | Capacity-based | Response-based | Capacity-based | Capacity-based |
| 竞争更激烈的模式 | Response-based | Capacity-based | Capacity-based | Response-based |
| 企业福利 更高的模式 | Response-based(均衡陷入囚徒困境) | Response-based(均衡最优) | Response-based(均衡陷入囚徒困境) | Capacity-based(均衡最优) |
| 消费者福利 更高的模式 | Response-based | Capacity-based | Capacity-based | Response-based |
| 云服务商利润 更高的模式 |
若 为 R 模式;否则为 C 模式 | 若 为 C 模式;否则为 R 模式 | 若 为 C 模式;否则为 R 模式 | 若 为 R 模式;否则为 C 模式 |
【举例与囚徒困境机理深度解释】:结合表 2,我们可以看到 Theorem 2 揭示了两个极具警示意义的“企业囚徒困境(Prisoner's Dilemma)”以及“云服务商利益错配”现象:
① 为什么在 (如 OTA 旅游比价市场)和 区间内,企业会陷入囚徒困境?以 为例:前已证明,如果 Expedia 和 Booking.com 共同采取 模式,双方都能赚取更高的利润(例如各赚 220 万美元),而共同采取 模式各赚 190 万美元。但假设当前处于 状态,如果其中一家企业单方面偏离(Deviate)去采用 C 模式(变成 混合博弈),由于对手锁死了响应时间,偏离到 C 模式的一方可以通过减少容量租用来搭便车节省算力成本,获得 230 万美元短期暴利,而把坚守 R 模式的对手利润压低到 175 万美元。为了防范被对手剥削或为了占便宜,两家企业最终都选择了 C 模式,导致市场锁定在 均衡(各赚 190 万美元),双双低于 下的 220 万美元!同理,在 区间内,原本温和且高利润的是 模式,但单方偏离到更具侵略性的 C 模式能抢夺更多流量,最终把双方都拖入激烈内卷的 囚徒困境。
② 云服务商在什么时候希望干预市场竞争机制?观察表 2 最后一行:当云服务商提供算力的边际成本较低(即具备成本效率 )时,云服务商总是偏爱竞争更激烈、企业租用云容量更多的那个模式(因为在低边际成本下,多卖算力带来的租金收入远大于供电与硬件边际成本)。然而,在 或 时,企业自发选择了温和的 模式,而云服务商在 时更希望它们采用激进的 模式;在中等区间 时,企业自发选择了温和的 模式,而云服务商在 时更希望它们采用激进的 模式;此外在较大区间 且云服务商边际成本较高()时,企业自发处于高消耗的 模式,而云服务商因边际供电/扩容成本太高反而希望企业转向温和省算力的 模式!这就引出了论文第 6 节的核心议题:云服务商如何通过差异化价格杠杆诱导企业转换竞争模式?
4.4 云服务商的战略性定价诱导机制与三方共赢分析(Proposition 2 – Proposition 5)
当自然均衡模式不符合云服务商利益时,云服务商可以保留原模式的单位容量价格为 ,同时针对其偏好的目标竞争模式推出优惠的单位容量租用价格 (例如 AWS 通过免费自动扩缩容和目标追踪折扣降低 R 模式成本 ,而 Microsoft Azure 通过预留实例折扣降低 C 模式成本 )。论文将针对 R 模式的优惠价 划分为高、中、低三个区间:高价格区间 、中等价格区间 、低价格区间 ;对称地,将针对 C 模式的优惠价 划分为高价格区间 、中等价格区间 、低价格区间 。Proposition 2 至 Proposition 5 完整刻画了这一战略干预的效果:
(8)Proposition 2(命题 2):云服务商降价诱导竞争机制切换的临界条件
【核心结论】:(i)在企业原本选择 均衡的区间(即 或 ),当云服务商将 R 模式下的单位容量租用价格 设定在低至中等区间(即 )时,市场纳什均衡成功切换为 基于响应时间的竞争 ;否则仍维持 均衡。
(ii)在企业原本选择 均衡的中等区间(即 ),当云服务商将 C 模式下的单位容量租用价格 设定在低至中等区间(即 )时,市场纳什均衡成功切换为 基于容量的竞争 ;否则仍维持 均衡。
【举例解释】:以流媒体行业()为例,假设基准云单价 美元/单位,原本两家流媒体企业均固守 模式。如果 AWS 仅将自动扩缩容(R 模式)单价小幅降至 美元(高于阈值 美元),折扣力度不足以弥补切换至 R 模式引发的激烈竞争代价,两家企业依然按兵不动。但一旦 AWS 将 R 模式单价降至 美元(低于 ),此时若企业 1 仍停留在 C 模式,企业 2 率先切换至 R 模式就能凭借低算力成本大幅提速并抢走企业 1 的大批单次访客(满足单方偏离条件 ),迫使陷入被动的企业 1 也必须跟进切换至 R 模式(满足跟进条件 )。于是,AWS 通过跨过价格门槛,成功将整个行业推向了 均衡。
(9)Proposition 3(命题 3):云服务商价格诱导对下游企业福利(Firm Welfare)的影响
【核心结论】:(i)当云服务商将 R 模式的单位容量价格 设定在中等区间()时,被诱导出的 均衡是一个囚徒困境均衡(企业福利 低于原基准均衡);相反,当云服务商将 设定在低价格区间()时, 均衡将使企业获得比原基准更高的企业福利!
(ii)对称地,在中等 市场下,当云服务商将 C 模式的单位容量价格 设定在中等区间()时,被诱导出的 均衡同样是囚徒困境均衡(企业福利下降);而当 降至低价格区间()时, 均衡则会提升企业福利!
【举例解释】:接上例,假设 美元, 美元。如果 AWS 给出的 R 模式折扣价处于“半吊子”的中等水平(如 美元),这个折扣刚好够诱惑单家企业背叛 C 模式去抢流量,从而把两家企业都拖下水进入激烈的 速度战;但由于 7.5 美元的算力单价依然不便宜,双方在激烈扩产后的算力总账单暴增,导致两家企业的净利润反而比之前温和的 模式更低(形成“企业输”的囚徒困境)。反之,如果 AWS 大刀阔斧地将 R 模式单价降至 美元(低于 ),虽然两家企业在 R 模式下竞争依然极其激烈、租用了海量云容量,但因为单位算力极其便宜,且大幅提速吸引来了可观的新增活跃流量,流量变现收入的增长完全盖过了低廉的算力成本支出,两家企业彻底跳出囚徒困境,双双收获了高于基准水平的丰厚利润!
(10)Proposition 4(命题 4):云服务商价格诱导对消费者福利(Consumer Welfare)的影响
【核心结论】:(i)当云服务商将 R 模式的单位容量价格 设定在低至中等区间()时,均衡状态下的消费者福利 严格提升;(ii)当云服务商将 C 模式的单位容量价格 设定在低至中等区间()时,均衡状态下的消费者福利 同样严格提升。
【举例解释】:对于广大网民(消费者)而言,只要云服务商下调目标机制的容量租用单价 并成功促成机制切换(无论是中等降价还是大幅降价),都会产生双重利好:一是企业转换到了竞争原本就更激烈的决策模式,二是更低的单位算力成本 直接激励企业租用更大规模的云服务器。结果是两家网站的加载响应时间 显著缩短(例如从 80 毫秒缩短至 25 毫秒),原本因厌恶卡顿而放弃访问的“非活跃速度敏感型网民”纷纷涌入网站浏览购物,市场服务总流量 大幅扩张,消费者始终是云服务商降价诱导策略的受益者。
(11)Proposition 5(命题 5):云服务商价格诱导对自身利润的影响与“三方共赢(Win-Win-Win)”
【核心结论】:(i)当云服务商将 R 模式的单位容量价格 设定在低至中等区间(),且云服务商自身的容量供给边际成本系数相对较低(满足成本效率条件 )时,云服务商在均衡中获得更高的利润 (且在 的低价格区间达到利润峰值)。
(ii)对称地,在中等 市场下,当云服务商将 C 模式的单位容量价格 设定在低至中等区间(),且满足成本效率条件()时,云服务商在均衡中获得更高的利润 (且在 的低价格区间达到利润峰值)。
【举例与 Figure 1“三赢格局”综合解释】:综合 Proposition 2–5(对应论文 Figure 1a 与 Figure 1b),在满足云基础设施成本效率条件( 或 )的前提下,云服务商通过定价策略改变市场均衡会呈现三种清晰的演进格局(记三元组 分别代表“在线企业—消费者—云服务商”的损益状态):
• 高价格区间(Benchmark 基准均衡):当优惠幅度过小()时,企业不改变竞争模式,维持原基准状态。
• 中等价格区间(Lose-Win-Win 格局):当 (或 )时,企业被诱导进入更激烈的竞争模式但陷入囚徒困境(企业受损 Lose),而网页提速使网民受益(消费者获益 Win),且算力租用总量的大幅跃升使高效率的云服务商薄利多销、净赚更多利润(云服务商获益 Win)。
• 低价格区间(Win-Win-Win 三方共赢格局):当云服务商将 进一步下调至 (或 )时,由于单位算力成本足够低廉,企业在最激烈的竞争中实现了流量营收增长超越算力成本支出的跨越(企业获益 Win),网民享受到全市场最快的极速网页体验与最大访问规模(消费者获益 Win),而云服务商则凭借企业爆发式的云算力采购需求(需求弹性释放效应),在低边际成本下赚取了全区间最高的净利润(云服务商获益 Win)!例如,AWS 大幅降低 EC2 Auto Scaling 相关实例的费率,既帮助 Pinterest、Expedia 等客户提升了流量转化与利润,又让全球网民获得毫秒级加载体验,同时使 AWS 自身的数据中心算力销量与总利润双双创下新高。
五、全文结论的经济与管理启示总结
本文通过严谨的排队博弈建模,深刻揭示了数字经济中“技术性能(响应速度 vs. 容量)”、“消费者多栖浏览结构()”与“上游云厂商定价()”之间的互动规律。结合论文第 6.2 节与第 7 节,其核心经济学意义与管理实践启示可归纳为以下四个维度:
5.1 对云服务商(AWS、Microsoft Azure、Google Cloud Platform)的战略启示
(1)从“被动算力供应商”转型为“下游市场竞争塑造者(Market Shaper)”:云服务商不应将网站响应时间管理仅仅视为下游客户自己的运营决策,而应意识到自身的计费结构(如按需自动扩缩容免附加费、SLO 挂钩阶梯定价 vs. 预留实例折扣、持续使用折扣)直接决定了下游客户究竟是在“网站速度(R 模式)”还是“基础设施规模(C 模式)”上展开博弈。
(2)基于下游行业消费者访问结构()实施精准的差异化定价引导:
• 在双次/多次访问比价占主导的行业(小 市场,如在线旅游 OTA 平台 Expedia vs. Booking.com、航空机票预订 United.com vs. Delta.com):消费者习惯默认打开多家网站比价(如 McCarthy, 2014 与 Chatterjee and Wang, 2012 的实证研究所示)。在此类市场中,云服务商应大力推行基于响应时间的竞争(R 模式),通过提供自动扩缩容积分(Autoscaling Credits)或下调动态扩缩容单价,促使企业锁定极速 SLO 以减少比价旅客的中途流失。
• 在单次访问占绝对主导的行业(极大 市场,如流媒体视频 Netflix vs. Hulu、数字付费新闻《纽约时报》vs.《华盛顿邮报》):消费者通常在访问前就根据平台流畅度与口碑选定唯一一个平台进行单次消费(Kassab, 2025;Fletcher, 2020)。只要云服务商自身具备较高的成本效率(),同样应当通过优惠的动态扩缩容定价诱导企业进入 基于响应时间的竞争(R 模式),激发流媒体与新闻平台为争夺唯一访问权而大举采购算力。
• 在单次与多次访问混合的行业(中等 市场,如部分综合电商与传统企业服务):企业面临混合流量冲击,此时 C 模式下的容量竞争反而比 R 模式更能激发企业的算力投资。因此,像 Microsoft Azure 提供预留虚拟机实例折扣(Reserved Virtual Machine Instances)、GCP 提供持续使用折扣(Sustained-Use Discounts)那样,通过下调基线容量锁定的单位成本来诱导企业采取 基于容量的竞争(C 模式),能够为云服务商带来更高的算力租用收入与利润。
(3)兼顾算力促销与底层基础设施可靠性边界:云服务商在通过大幅降价(低 策略)激发下游流量与自动扩缩容需求时,必须同步评估自身数据中心的边际供电与扩容成本 以及峰值冗余能力,确保在流量洪峰到来时不会违背服务级别协议(SLA)。
5.2 对下游在线企业(电商、内容平台、数字服务商)的战略与运营启示
(1)打破“激烈竞争必然有害”的思维定势,善用速度竞争做大市场蛋糕:企业管理者往往本能地排斥激烈的同业竞争,将IT基础设施支出单纯视为成本负担。然而本文证明,在比价消费者占比较高(小 )的市场,或者当云服务商提供极具吸引力的低单价( 或 )时,更激烈的网站速度竞争能够显著降低全行业的页面延迟、激活庞大的潜在速度敏感型消费群并提升转化率。正如 Pinterest 借助 AWS 自动扩缩容抵御流量洪峰并巩固市场份额(He, 2016)、Etsy 在假日购物季重金投入容量规划以低延迟创下销售纪录(Adler, 2021)以及 Walmart 与 Amazon 的毫秒级增收实证所示,积极响应云服务商的价格激励、投身速度竞争完全可以成为企业的利润增长引擎。
(2)抢占决策机制转换的“先发优势(First-Mover Advantage)”,将其作为打击竞争对手的战略武器:论文第 7 节特别指出,当云服务商下调某一竞争模式的单位容量价格时,率先采纳该模式的企业(Early Adopter)可以将其作为强大的竞争武器(Competitive Weapon):在小 或大 市场下,率先切换至 R 模式(自动扩缩容)的企业会激进提速抢夺流量,严重侵蚀仍固守传统 C 模式(反应迟缓)的竞争对手利润;而在中等 市场下,当云厂商提供预留容量折扣时,率先切换至 C 模式的企业同样能重创固守 R 模式的对手。因此,敏锐捕捉云厂商定价信号并果断完成技术架构切换具有显著的先发战略价值。
(3)权衡自动扩缩容的运营便利性与需求分析能力建设:虽然 R 模式(自动扩缩容)将需求与容量的动态匹配工作外包给了云服务商,带来了极大的运营灵活性,但长期依赖自动扩缩容可能削弱企业自身投资于客户需求预测与流量规律分析(Demand Analytics)的内生动力;而 C 模式(容量规划)则倒逼工程与运营团队深入理解自身业务负载特征,这在容量规划之外还具有长远的客户洞察战略价值。
(4)将网站速度提升与内容质量、安全性、定价及品牌战略协同整合:毫秒级的响应速度只有在与优质的内容生态、可靠的平台稳定性、强大的网络安全保障以及合理的商品定价相配合时,才能最大化消费者留存与终身价值。
5.3 指导管理实践的三维实证测度指标体系与未来研究展望
为了帮助企业与云服务商在实际业务数据中准确判定自身所处的市场区间(小 、中等 或大 ),作者提出了一套可直接落地的三维实证指标体系:
① 消费者跨站浏览广度指标(测度单次访问比例 ):利用 Comscore、SimilarWeb、搜索引擎点击流数据(Clickstream Data)或消费者旅程问卷,统计在单一决策时间窗口内仅访问一家网站与跨多个竞争域名比价的访客比例、转化前的跨站跳转频次以及浏览路径集中度。
② 业务结果对网站延迟的敏感度指标(测度速度弹性与收益系数 ):基于 Google PageSpeed Insights、Lighthouse、Chrome 用户体验报告(CrUX)、Pingdom、GTmetrix 以及企业内部 A/B 受控实验或准自然实验,量化页面加载延迟对转化率(Conversion Rate)、跳出率(Bounce Rate)和用户互动时长的边际影响,识别引发用户大规模弃站的临界响应时间阈值。
③ 企业间替代程度指标(测度竞争强度 ):通过监测本网站发生偶发性延迟退化或宕机事故时竞争对手网站流量的即时溢出增长率,评估两家网站在消费者心智中的可替代程度。
研究局限与未来拓展方向:作者在文末坦诚指出了本文的两点局限及后续研究空间:第一,本文将单次访问消费者比例 视为短期运营周期内的外生参数,但在长期动态视角下, 可能受双方网站速度(当两家网站都极快时,比价的信息处理与时间成本降低,可能诱发更多消费者从单次访问转为双次比价)以及企业品牌建设、会员忠诚度计划投资的内生影响;构建“第一阶段长期投资塑造访客结构 、第二阶段短期开展网站性能博弈”的动态博弈模型将极具价值。第二,本文聚焦于对称双寡头以分离竞争机制的纯粹效应,未来可进一步引入企业在规模、技术效率、忠诚客户基数()及成本结构上的异质性(Heterogeneous Firms),探讨行业巨头与中小新创企业在云模式选择上的非对称均衡。
六、参考文献(References,保留原文作者与文献名不翻译)
以下完整列出本论文(Hosseini and Mookerjee, 2026)引用的全部学术文献与行业研究报告(严格按照原文字母顺序排列,作者姓名及期刊名称均保留英文原貌不翻译):
[1] Adler M (2021) How Etsy prepared for historic volumes of holiday traffic in 2020. https://tinyurl.com/3vk4thvt.
[2] Amazon EC2 (2019) Amazon EC2 pricing. https://tinyurl.com/6vpcsy9b.
[3] Amazon Web Services (2023a) Amazon EC2 auto scaling: Benefits. https://tinyurl.com/32jnfwcs.
[4] Amazon Web Services (2023b) Amazon EC2 pricing: On-demand vs reserved instances. https://tinyurl.com/37yy38db.
[5] Amazon Web Services (2023c) AWS well-architected framework: Performance efficiency pillar. https://tinyurl.com/yb3ss4ws.
[6] Amazon Web Services (2025a) Amazon EC2 auto scaling pricing. https://tinyurl.com/2jckckb6.
[7] Amazon Web Services (2025b) Target tracking scaling policies for Amazon EC2 auto scaling. https://tinyurl.com/46jmwuvz.
[8] Anthony (2018) Google confirms chrome usage data used to measure site speed. https://tinyurl.com/2njtt8xt.
[9] Arbabian ME, Chen S and Moinzadeh K (2021) Capacity expansions with bundled supplies of attributes: An application to server procurement in cloud computing. Manufacturing & Service Operations Management 23(1): 191–209.
[10] Balivada V and Palani S (2023) How lowe's prepares for its busiest shopping period of the year. https://tinyurl.com/46awvetz.
[11] Bass FM, Krishnamoorthy A, Prasad A, et al. (2005) Generic and brand advertising strategies in a dynamic duopoly. Marketing Science 24(4): 556–568.
[12] Beyer B, Jones C, Petoff J, et al. (2016) Site Reliability Engineering: How Google Runs Production Systems. Sebastopol, CA: O'Reilly Media, Inc.
[13] Beyer B, Murphy NR, Rensin DK, et al. (2018) The Site Reliability Workbook: Practical Ways to Implement SRE. Sebastopol, CA: O'Reilly Media, Inc.
[14] Bianchi T (2023) Online search market—Statistics & facts. https://tinyurl.com/rr3tf57z.
[15] Boeve D, Ha K and Agape A (2020) Throughput autoscaling: Dynamic sizing for Facebook.com. https://tinyurl.com/ycyuc5jb.
[16] Bort J (2015) Google has nabbed some huge customers for its most important new business cloud computing. https://tinyurl.com/4ayw98a6.
[17] Business Research Company (2023) Web content, search portals and social media global market report 2023. https://tinyurl.com/2z4bs826.
[18] Chatterjee P and Wang Y (2012) Online comparison shopping behavior of travel consumers. Journal of Quality Assurance in Hospitality & Tourism 13(1): 1–23.
[19] Chen S, Lee H and Moinzadeh K (2019) Pricing schemes in cloud computing: Utilization-based vs. reservation-based. Production and Operations Management 28(1): 82–102.
[20] Chen S, Moinzadeh K and Tan Y (2021) Discount schemes for the preemptible service of a cloud platform with unutilized capacity. Information Systems Research 32(3): 967–986.
[21] Cheng L (1985) Comparing bertrand and cournot equilibria: A geometric approach. The RAND Journal of Economics 16(1): 146–152.
[22] Choi H and Mela CF (2019) Monetizing online marketplaces. Marketing Science 38(6): 948–972.
[23] Cloudflare (2025) Why does site speed matter? — improve webpage speed. https://tinyurl.com/d8hjm5cz.
[24] Contrive Datum Insights (2023) Retail cloud market is expected to grow at a cagr of 4.56%, reaching a valuation of us$ 109.98 billion from 2023-2030, data by contrive datum insights. https://tinyurl.com/3aa8te4t.
[25] Das A (2024) How to optimize performance for real-time data in web apps. https://tinyurl.com/386mr5zw.
[26] Deloitte (2020) Milliseconds make millions. https://tinyurl.com/2fbr4e8y.
[27] Doganoglu T and Wright J (2006) Multihoming and compatibility. International Journal of Industrial Organization 24(1): 45–67.
[28] DynamicWeb (2025) Autoscaling eCommerce: Seamlessly managing website traffic. https://tinyurl.com/3686rxcm.
[29] Faulconbridge G (2019) The media has a big problem, Reuters Institute says: Who will pay for the news? https://tinyurl.com/2zwra996.
[30] Fazli A, Sayedi A and Shulman JD (2018) The effects of autoscaling in cloud computing. Management Science 64(11): 5149–5163.
[31] Fletcher R (2020) How and why people are paying for online news. https://tinyurl.com/4rj876mz.
[32] Freeman R (2024) Wordpress auto scaling. https://tinyurl.com/ys6u45yc.
[33] Gallino S, Karacaoglu N and Moreno A (2023) Need for speed: The impact of in-process delays on customer behavior in online retail. Operations Research 71(3): 876–894.
[34] Gaudin S (2015) AWS assures customers it's atop the cloud. https://tinyurl.com/2vka5vyn.
[35] Ghose A and Yang S (2009) An empirical analysis of search engine advertising: Sponsored search in electronic markets. Management Science 55(10): 1605–1622.
[36] Gibbons M (2024) 20+ site speed statistics to boost your loading times. https://tinyurl.com/334m4mr3.
[37] GigaSpaces (2023) Amazon found every 100ms of latency cost them 1% in sales. https://tinyurl.com/2s38dd5s.
[38] Google Cloud (2025a) Autoscaling groups of instances. https://tinyurl.com/mmy76hx9.
[39] Google Cloud (2025b) Sustained use discounts. https://tinyurl.com/y5w799p5.
[40] Harlap A, Chung A, Tumanov A, et al. (2018) Tributary: Spot-dancing for elastic services with latency {SLOs}. In: 2018 USENIX annual technical conference (USENIX ATC 18), pp. 1–14.
[41] He J (2016) Auto scaling pinterest. https://tinyurl.com/y7jva3vw.
[42] Ho TH and Zheng YS (2004) Setting customer expectation in service delivery: An integrated marketing-operations perspective. Management Science 50(4): 479–488.
[43] Holland CP, Jacobs JA and Klein S (2016) The role and impact of comparison websites on the consumer search process in the US and German airline markets. Information Technology & Tourism 16(1): 127–148.
[44] Hosseini L and Mookerjee V (2026) Online traffic games: Should firms compete on website speed or website capacity? Production and Operations Management 35(11): 4016–4038.
[45] Hosseini L, Tang S, Mookerjee V, et al. (2020) A switch in time saves the dime: A model to reduce rental cost in cloud computing. Information Systems Research 31(3): 753–775.
[46] Jiang N, Adnan MMBM, Kaur MKM, et al. (2015) The effect of website performance and online retailer status on consumer purchase intention: A mediator role of buyer perception. International Journal of Business and Management 10(10): 158.
[47] Kaiser U and Wright J (2006) Price structure in two-sided markets: Evidence from the magazine industry. International Journal of Industrial Organization 24(1): 1–28.
[48] Kassab A (2025) Determinants of customer choice in the digital streaming era: Insights from Netflix and competing platforms. ISA Journal of Business, Economics and Management (ISAJBEM) 2(3): 279–287.
[49] Kleinrock L (1964) Analysis of a time-shared processor. Naval Research Logistics Quarterly 11(1): 59–73.
[50] Kwark Y, Chen J and Raghunathan S (2014) Online product reviews: Implications for retailers and competing manufacturers. Information Systems Research 25(1): 93–110.
[51] Lanchester FW (1916) Aircraft in Warfare: The Dawn of the Fourth Arm. London: Constable Limited.
[52] Linden G (2006) Amazon study: Every 100 ms of latency costs Amazon about 1% in sales. https://tinyurl.com/y6h8ype8.
[53] Liu D and Mookerjee V (2018) Advertising competition on the internet: Operational and strategic considerations. Production and Operations Management 27(5): 884–901.
[54] Liu D, Tan Y and Mookerjee V (2018) When ignorance can be bliss: Organizational structure and coordination in electronic retailing. Information Systems Research 29(1): 70–83.
[55] los Santos BD (2018) Consumer search on the internet. International Journal of Industrial Organization 58: 66–105.
[56] Lu S and Yang S (2017) Investigating the spillover effect of keyword market entry in sponsored search advertising. Marketing Science 36(6): 976–998.
[57] McCarthy D (2014) Consumers visit 277 websites before booking travel. https://tinyurl.com/2cxkdczm.
[58] Mendelson H (1985) Pricing computer services: Queueing effects. Communications of the ACM 28(3): 312–321.
[59] Messina I (2022) Gtmetrix: The definitive guide. https://tinyurl.com/mvnpc9re.
[60] Microsoft Azure (2024) Autoscale a web app by using custom metrics. https://tinyurl.com/5xhzbxd9.
[61] Microsoft Azure (2025) Azure reserved virtual machine instances pricing. https://tinyurl.com/bdd4skad.
[62] Miller NH and Pazgal AI (2006) Budget or target: The choice between input and output strategies. The RAND Journal of Economics 37(2): 391–415.
[63] Moe WW and Fader PS (2004) Capturing evolving visit behavior in clickstream data. Journal of Interactive Marketing 18(1): 5–19.
[64] Morrison J (1985) Response-time distribution for a processor-sharing system. SIAM Journal on Applied Mathematics 45(1): 152–167.
[65] Naik PA, Prasad A and Sethi SP (2008) Building brand awareness in dynamic oligopoly markets. Management Science 54(1): 129–138.
[66] NitroPack (2024) How web performance affects business results (22 case studies). https://tinyurl.com/vj7sn8fx.
[67] Nostra (2024) Google's core web vitals and why you should improve them: A basic introduction. https://tinyurl.com/yc27yx4m.
[68] Onvert (2024) How website speed drives revenue and SEO. https://tinyurl.com/5n87etv3.
[69] Park CH (2017) Online purchase paths and conversion dynamics across multiple websites. Journal of Retailing 93(3): 253–265.
[70] Park KF, Seamans R and Zhu F (2021) Homing and platform responses to entry: Historical evidence from the US newspaper industry. Strategic Management Journal 42(4): 684–709.
[71] Pereira F (2017) Lessons learned: Managing web server capacity with auto scaling. https://tinyurl.com/4wbn8pn2.
[72] Pfeiffer J, Pfeiffer T, Meißner M, et al. (2020) Eye-tracking-based classification of information search behavior using machine learning: Evidence from experiments in physical shops and virtual reality shopping environments. Information Systems Research 31(3): 675–691.
[73] Png IP and Reitman D (1994) Service time competition. The RAND Journal of Economics 25(4): 619–634.
[74] Prasad A and Sethi SP (2004) Competitive advertising under uncertainty: A stochastic differential game approach. Journal of Optimization Theory and Applications 123(1): 163–185.
[75] Puspitasari N and Budiman E (2018) Evaluation of borneo's biodiversity information system. In: 2018 Electrical power, electronics, communications, controls and informatics seminar (EECCIS), pp. 434–439. IEEE.
[76] Qiu H, Banerjee SS, Jha S, et al. (2020) FIRM: An intelligent fine-grained resource management framework for {SLO-Oriented} microservices. In: 14th USENIX symposium on operating systems design and implementation (OSDI 20), pp. 805–825.
[77] Roy D (2024) Akamai early hints: A new way for improving user experience and core web vitals. https://tinyurl.com/28arabyj.
[78] Schauenberg D (2018) Capacity planning for etsy's web and api clusters. https://tinyurl.com/5x8y8mkf.
[79] Sevcik KC and Mitrani I (1981) The distribution of queuing network states at input and output instants. Journal of the ACM (JACM) 28(2): 358–371.
[80] Shang W and Liu L (2011) Promised delivery time and capacity games in time-based competition. Management Science 57(3): 599–610.
[81] Siddiqui UH (2023) The impact of website speed on digital marketing success. https://is.gd/rw0y6W.
[82] Singh N and Vives X (1984) Price and quantity competition in a differentiated duopoly. The RAND Journal of Economics 15(4): 546–554.
[83] Southern M (2019) Nearly 70% of consumers say page speed impacts their purchasing decisions. https://tinyurl.com/32f9ctt4.
[84] Statista (2023) Retail e-commerce sales worldwide from 2014 to 2026 (in billion U.S. dollars). https://tinyurl.com/5n8vdezy.
[85] Stefanni Group (2021) Top 5 industries rapidly embracing cloud services. https://tinyurl.com/3nd63ab7.
[86] Sun M and Zhu F (2013) Ad revenue and content commercialization: Evidence from blogs. Management Science 59(10): 2314–2331.
[87] Tan Y and Mookerjee VS (2005) Allocating spending between advertising and information technology in electronic retailing. Management Science 51(8): 1236–1249.
[88] Tang K and Shatrov K (2020) Capacity planning at scale. https://tinyurl.com/47vazkk6.
[89] Taylor G (2013) Search quality and revenue cannibalization by competing search engines. Journal of Economics & Management Strategy 22(3): 445–467.
[90] Walton P (2020) Web vitals. https://tinyurl.com/5b2xdjs3.
[91] Wang Q and Wu Z (2001) A duopolistic model of dynamic competitive advertising. European Journal of Operational Research 128(1): 213–226.
[92] Wang Z, Li P, Liang CJM, et al. (2024) Autothrottle: A practical Bi-Level approach to resource management for SLO-targeted microservices. In: 21st USENIX symposium on networked systems design and implementation (NSDI 24), pp. 149–165.
[93] Wood L (2022) Global web-hosting services market report 2022: Rising demand for cloud hosting solutions driving sector forward. https://tinyurl.com/24duzrfu.
[94] Xie S, Wang J, Li B, et al. (2024) PBScaler: A bottleneck-aware autoscaling framework for microservice-based applications. arXiv preprint arXiv:2401.18734.
[95] Yang H and Tate M (2012) A descriptive literature review and classification of cloud computing research. Communications of the Association for Information Systems 31(1): 2.
[96] Yang L, De Vericourt F and Sun P (2014) Time-based competition with benchmark effects. Manufacturing & Service Operations Management 16(1): 119–132.
[97] Zhang C, Chen J and Raghunathan S (2022) Two-sided platform competition in a sharing economy. Management Science 68(12): 8909–8932.
[98] Zia M and Rao RC (2019) Search advertising: Budget allocation across search engines. Marketing Science 38(6): 1023–1037.