Optimal
Queue Design

最优排队设计（Optimal Queue Design）
全文深度理论总结与经济管理启示报告

论文标题	Optimal Queue Design（最优排队设计）
论文作者	Yeon-Koo Che (Columbia University), Olivier Tercieux (Paris School of Economics and CNRS)
发表期刊	Journal of Political Economy, Vol. 134, No. 8, August 2026, pp. 2395–2440
数字对象唯一标识符 (DOI)	https://doi.org/10.1086/741622
JEL 经济学分类号	D82 (Asymmetric and Private Information; Mechanism Design) D47 (Market Design) C73 (Stochastic and Dynamic Games; Evolutionary Games; Repeated Games) L80 (Industry Studies: Services: General) M11 (Production Management)
核心机制总结	在同质偏好与动态激励约束下，最优排队机制由三位一体构成： (1) 截断入队政策（容量上限为 K*，不主动剔除已入队者，均衡中无中途放弃）； (2) 先到先服务（FCFS）优先级规则； (3) 仅提供入队/不入队推荐信号而无额外状态信息的粗粒度信息披露政策。

一、 全文核心主旨与研究摘要

在现代经济体系与公共服务中，排队（Queueing / Waiting in Line）作为一种非价格资源配给机制，广泛应用于医疗门诊、保障房轮候、电话客服中心、肾脏移植匹配、交通路网以及数字化平台服务中。然而，与价格出清机制不同，排队伴随着时间消耗与无谓损失（Deadweight Loss）。如何设计最优的排队机制以有效激励顾客进入并留存在队列中，一直是经济学、运作管理学和市场设计领域的核心挑战。

发表于《Journal of Political Economy》2026年8月刊的长篇重磅论文《Optimal Queue Design》（作者：Yeon-Koo Che 与 Olivier Tercieux）首次构建了一个将入队/出队控制（Entry and Exit Control）、服务优先级规则（Queue Disciplines）与动态信息披露政策（Information Design）三者进行全维联合优化的机制设计框架。

论文在一般马尔可夫到达与服务过程以及极度温和的正则性条件下证明：无论设计者的目标是最大化服务提供商利润、最大化顾客总福利，还是两者的任意加权，最优排队机制都具有极度简洁的“三位一体”结构：

核心理论发现：最优排队设计的三大支柱 (The Triad of Optimal Queue Design) 1. 截断入队政策（Cutoff Policy）：系统设定最大队列容量上限 K*。仅当队列中现有顾客数小于 K* 时推荐新到顾客进入；一旦顾客进入队列，系统绝不主动剔除，且顾客在均衡中也绝不会发生中途放弃（No Reneging / No Abandonment）。 2. 先到先服务排队纪律（First-Come, First-Served, FCFS）：对队列中已接纳的所有顾客，严格按照到达的时间先后顺序分配服务优先级。 3. 推荐外无额外信息披露（No Information Beyond Recommendation）：设计者仅向到达顾客发送二元进入推荐信号（推荐入队或建议离开），在入队时及等待过程中不透露任何关于具体排队人数、精确排队位置或实时剩余等待时间的信息。

二、 论文的核心理论贡献与学术价值

长期以来，排队论和理性排队经济学文献（如 Naor 1969; Hassin 1985; Su and Zenios 2004; Leshno 2022）在单独考察某一维度时，普遍得出了“先到先服务（FCFS）是次优的”这一反直觉结论。例如，Naor (1969) 指出 FCFS 会引发过度排队的负外部性，Hassin (1985) 提出后到先服务（LCFS）优于 FCFS，而 Leshno (2022) 则指出随机服务（SIRO）或独立于负载的期望等待规则（LIEW）能够比 FCFS 汇集更多入队激励。

本文通过全维机制设计的统一视角，澄清了学术界数十年来对 FCFS 的误解，核心理论贡献体现在：

1. 开创性构建了排队系统的全维联合机制设计理论框架：传统文献通常外生固定入队规则或信息结构，仅优化优先级；或者固定优先级仅优化信息。本文首次将入队/出队控制、服务优先级以及贝叶斯信息劝说纳入同一个包含动态服从约束（Dynamic Obedience Constraints）的生灭过程马尔可夫决策模型中，实现了排队经济学理论建模范式的重大跃升。

2. 彻底平反并确立了 FCFS 规则在多维设计空间下的普遍最优性：论文证明，以往文献中 FCFS 次优的结论均源于将某些维度（如信息透明度或准入控制）外生固定在次优状态。一旦设计者能够同时内生优化准入控制和信息披露，负外部性即可被截断政策完全消除，而 FCFS 则在所有可能的工作守恒排队规则中达成最优。

3. 首次系统揭示了排队纪律在调控顾客“动态激励（Dynamic Incentives）”中的独特核心作用：在事前同质偏好与无信息披露下，所有工作守恒排队纪律赋予顾客的事前期望等待时间完全相同（入队激励相同）。然而，一旦进入队列，排队纪律直接决定了等待时间分布的离散程度与顾客在等待过程中的动态贝叶斯信念更新轨迹。FCFS 赋予了资历（Seniority）最强的保护，使顾客随着等待时间的流逝，其剩余等待时间期望单调递减，从而唯一完美化解了中途放弃（Reneging）的动态激励危机。

4. 发现了排队等待时间分布的“方差最小性/公平性”与动态信念更新之间的内在数学桥梁：论文证明 FCFS 诱导的等待时间分布在所有规则中方差最小、最公平（Shanthikumar and Sumita 1987），排除了极端极短或极长的等待。这种离散度最小化特性，有效遏制了因“未被提前服务”而产生的悲观推断，确保了“位置前进的好消息效应”始终压倒“初始队长偏长的坏消息效应”。

5. 严格建立了 FCFS 与“无额外信息”在全域上的必要性定理（Necessity Theorems）：论文不仅证明了充分性，还建立了严格的必要性命题：在个人理性约束紧（Binding IR）的正则环境中，任何非 FCFS 的排队规则必定导致顾客动态激励破裂；任何透露多于推荐信息的非平凡披露政策必定破坏事前入队激励。这表明 FCFS 与无信息政策是达成最优配置不可或缺的唯一方案。

三、 核心概念、严格定义与模型符号体系

1. 基础模型符号与参数体系

符号	数学定义域 / 形式	经济学含义与物理诠释
V	V > 0, 实数	顾客获得服务所实现的净剩余（Net Surplus / Valuation）。
C	C > 0, 实数	顾客排队等待的单位时间成本（Linear Waiting Cost per unit time）。
U(t)	U(t) = V - C · t	顾客在等待时长 t 后成功获得服务所获得的净收益。若放弃离队则收益为 -C · t。
R	R > 0, 实数	服务提供商每成功服务一名顾客所获得的单位利润或履行服务的影子价值。
α	α ∈ [0, 1], 实数	设计者目标函数中赋予顾客社会总福利的权重；1 - α 为提供商利润的权重。
k	k ∈ {0, 1, 2, ...} = ℤ₊	系统状态：队列中的顾客总人数（Queue Length / 队列长度）。
l	l ∈ {1, 2, ..., k} = ℕ	顾客状态：某顾客在当前队列中的排队位置（Queue Position / 到达资历顺序，1为队首）。
λₖ	λₖ ≥ 0, 且 λ₀ > 0	状态相关的泊松到达率（Poisson Arrival Rate），当队列长度为 k 时的新顾客到达强度。
μₖ	μₖ > 0 (k≥1), μ₀ = 0	状态相关的最大集体服务率（Maximal Service Rate），当队列长度为 k 时的系统总服务能力。
x	x = (xₖ)ₖ, xₖ ∈ [0, 1]	入队规则（Entry Rule）：当队列长度为 k 时，系统向新到顾客推荐进入队列的概率。
y	y = (yₖ,ₗ)ₖ,ₗ, yₖ,ₗ ≥ 0	主动剔除出队率（Involuntary Exit Rate）：队列长度为 k 时从位置 l 强制剔除顾客的泊松速率。
z	z = (zₖ,ₗ)ₖ,ₗ, zₖ,ₗ ∈ [0, 1]	抢占式剔除概率（Preemptive Exit Probability）：新顾客进入时将位置 l 顾客挤出队列的概率。
q	q = (qₖ,ₗ)ₖ,ₗ, qₖ,ₗ ≥ 0	服务优先级/排队纪律（Queueing Rule）：队列长度为 k 时赋予位置 l 顾客的服务分配速率。
I	I = (Iᵗ)ₜ≥₀ ∈ ℐ	动态信息披露政策（Information Rule）：顾客在队列中等待时长 t 时关于状态 (k, l) 的后验信念分布。
p	p = (p₀, p₁, ...) ∈ Δ(ℤ₊)	生灭过程的稳态不变分布（Steady-state Invariant Distribution），pₖ 为系统处于状态 k 的概率。
γᵗ	γᵗ = (γₖ,ₗᵗ)ₖ,ₗ ∈ Δ(ℤ₊ × ℕ)	等待时长为 t 的顾客关于自身所处系统总队长及自身位置 (k, l) 的主观贝叶斯后验信念。
rₗᵗ	rₗᵗ ≜ γ̃ₗᵗ / γ̃ₗ₋₁ᵗ	在 FCFS 规则下，等待时长为 t 的顾客关于处于位置 l 与处于位置 l-1 的后验似然比。
K*	K* ∈ ℤ₊ ∪ {+∞}	最优截断政策下的最大队列容量上限（Cutoff Queue Length）。

2. 核心数学定义

定义 1：服务过程与基础随机过程的“正则性”（Regularity Conditions）

在排队系统分析中，基础到达率与服务率序列 (λ, μ) 的正则性是保证系统动态单调性与机制可解性的关键基石：

定义 1：正则性条件 (Definition 1: Regularity Conditions) (i) 服务过程正则性（Regularity of Service Process）：服务率序列 μ = {μₖ} 满足边际增量非递增，即对所有 k ≥ 2，有 μₖ - μₖ₋₁ ≤ μₖ₋₁ - μₖ₋₂。这意味着服务能力关于队列长度具有弱凹性（Weak Concavity），即随着队列人数增加，系统总服务能力的边际提升逐渐递减。 (ii) 基础过程正则性（Regularity of Primitive Process）：服务过程 μ 是正则的，且对所有 k ≥ 2，到达率的边际增量不超过服务率的边际增量，即 λₖ - λₖ₋₁ ≤ μₖ - μₖ₋₁。该条件保证了随着队伍变长，顾客到达强度的增长速度绝不会超过服务能力的扩张速度。

定义 2：截断政策（Cutoff Policy）

入队与出队三元组政策 (x, y, z) ∈ 𝒳 × 𝒴 × 𝒵 被称为截断政策，若存在一个最大队列长度截断阈值 K* ∈ ℤ₊ ∪ {+∞}，满足：

$$x_{k}\ = \ 1,\ \ \ \forall\ k\ = \ 0,\ 1,\ ...,\ K^{*}\ - \ 2;\ \ \ \ x_{K^{*} - 1}\ \in \ (0,\ 1\rbrack;\ \ \ \ x_{k}\ = \ 0,\ \ \ \forall\ k\ \geq \ K^{*}$$

$$y_{k,l}\ = \ 0,\ \ \ \ z_{k,l}\ = \ 0,\ \ \ \forall\ k,\ l$$

3. 机制设计的核心方程与数学规划

• 稳态平衡方程（Balance Equation (B)）：

$$\lambda_{k}x_{k}(1\ - \ \sum_{l}^{}z_{k,l})p_{k}\ = \ (\mu_{k + 1}\ + \ \sum_{l}^{}y_{k + 1,l})p_{k + 1}\ \ \ \ \ \ (B)$$

• 动态服从约束（Dynamic Obedience / Incentive Compatibility (ICₜ)）：

$$\sum_{k,\ l}^{}{{\gamma^{t}}_{k,l}\sigma_{k,l}V}\ - \ C\ \sum_{k,\ l}^{}{{\gamma^{t}}_{k,l}\tau_{k,l}}\ \geq \ 0,\ \ \ \forall\ \gamma ᵗ\ \in \ supp(Iᵗ),\ \ \ \forall\ t\ \geq \ 0\ \ \ \ \ \ (IC)$$

• 设计者总福利目标函数 W(p)：

$$W(p)\ \triangleq \ (1\ - \ \alpha)R\ \sum_{k = 1}^{\infty}{p_{k}\mu_{k}}\ + \ \alpha\ \sum_{k = 1}^{\infty}{p_{k}(\mu_{k}V\ - \ kC)}$$

四、 全部命题、引理与定理的内涵与实例解析

本节对文章中出现的全部命题（Proposition 1, 2, 3）、引理（Lemma 1, 2）以及定理（Theorem 1, 2, 3）进行逐一展开，直观阐释其理论内涵，并通过贴近现实管理实践的具体生动案例深入剖析其经济意义。

1. 命题 1（Proposition 1）：截断政策的最优性与容量设定

命题 1 (Proposition 1: Optimality of Cutoff Policy) 【理论陈述】：若服务过程 μ 满足正则性（边际服务能力递减），则在所有可行的准入/退出策略中，最优稳态分布必然可由一个截断政策（Cutoff Policy）实现。系统存在一个最优的最大队列容量上限 K*，满足： K* ≥ arg max_k { μₖ V - k C }。

【核心直觉解读】：排队本质上是设计者用顾客的等待成本来换取“服务能力不被闲置的保险（Insurance against Idleness）”。随着队列人数增加，多保留一名顾客在队中能够降低服务台空转的概率，但由于服务能力具有边际报酬递减规律，这种保险的边际价值递减；与此同时，队伍中所有人的总等待成本却在线性累加。因此，必定存在一个最优的临界容量 K*，低于该容量时准入利大于弊，达到该容量时继续加人弊大于利，应当果断关停准入。

【生动具体实例解析】：社区全科诊所的挂号容量封顶策略

设想某社区全科诊所有 1 名医生（每小时看诊 1 人，即 μ = 1），患者就诊获得的健康改善价值 V = 100 元，在诊室等候 1 小时的痛苦成本 C = 30 元。

• 极端情况 A（完全不许排队，K=1）：只要医生正在看诊，新来患者一概被拒之门外。一旦某小时恰好无新患者到达，医生就彻底闲置，宝贵的医疗服务能力被白白浪费。

• 极端情况 B（完全不设限，任由排队）：当候诊室积压到 4 人时，第 4 位患者预期需苦等 4 小时，等待成本高达 4 × 30 = 120 元 > 100 元，造成严重的社会净福利净亏损。

• 命题 1 的最优折中：诊所应当精确设定截断容量 K* = 3。允许最多 3 人在诊所候诊，既为医生的看诊能力提供了充足的“抗闲置缓冲”，又严格切断了第 4 人入队可能导致的拥堵灾难。

2. 引理 1（Lemma 1）：FCFS 规则下期望剩余等待时间的单调性

引理 1 (Lemma 1: Expected Waiting Times under FCFS) 【理论陈述】：在先到先服务（FCFS）排队纪律下，处于排队位置 l ∈ {1, ..., K*} 的顾客，其期望剩余等待时间 τₗ* 仅取决于自身的排队位次 l，且精确满足： τₗ* = l / μₗ。 τₗ* 关于位置 l 是单调非递减的；在常见单服务台系统中，τₗ* 关于位置 l 严格单调递增。

【核心直觉解读】：在 FCFS 规则下，后到的顾客绝不会抢占先到者的服务机会。因此，排在位置 l 的顾客只需等待自己前方全部 l-1 名顾客以及自身被服务完毕，其剩余等待时间完全由其前方的人数和系统的综合服务能力决定。排队位次越靠前（l 越小，资历越深），需要等待的人数越少，期望剩余等待时间就严格越短。

【生动具体实例解析】：银行 VIP 柜台排队的阶梯式等待

在一家拥有 2 个 VIP 柜台的银行中，每个柜台每小时办理 1 位客户（单柜服务率 μ = 1）。

• 排在第 1 位（l=1）：1 个柜台运作，系统服务率 μ₁ = 1，客户期望等待时间为 τ₁* = 1/1 = 1 小时。

• 排在第 2 位（l=2）：2 个柜台同时开启，总服务率 μ₂ = 2，第 2 位客户期望等待时间为 τ₂* = 2/2 = 1 小时（因为两柜台并行，前方 1 人加自己平均 1 小时内必定办结）。

• 排在第 3 位（l=3）：2 个柜台已满载，总服务率仍为 μ₃ = 2，排在第 3 位的客户期望等待时间跃升为 τ₃* = 3/2 = 1.5 小时。排队位次越靠后，等待时间呈现清晰的阶梯式递增。

3. 引理 2（Lemma 2）：等待过程中“好消息”对“坏消息”的绝对主导

引理 2 (Lemma 2: Monotonicity of Likelihood Ratios) 【理论陈述】：在基础过程正则的条件下，当系统实施 FCFS 且不透露额外信息时，随着顾客在队列中等待时长 t 的增加，顾客主观认为自己处于靠后位置（l）相对于靠前位置（l-1）的后验似然比 rₗᵗ ≜ γ̃ₗᵗ / γ̃ₗ₋₁ᵗ 随时间 t 单调非递增，即： drₗᵗ / dt ≤ 0,   ∀ t ≥ 0。

【核心直觉解读】：当顾客在不知道具体队长的情况下盲等时，等待时间的流逝会引发两种相反的心理信念推断：

• 好消息（位置前移效应）：随着时间过去自己还在队中，前面排队的人可能已经被服务完离开了，自己正在朝队首移动（资历在上升）。

• 坏消息（初始状态逆向推断）：等了这么久都没轮到自己，说明自己最初拨入电话或取号时，系统初始积压的人数可能比预想的更多。

引理 2 证明：在正则性条件下，“前序顾客离队使自己位次前移的好消息”在数学上严格碾压并战胜了“初始排队偏长的坏消息”。因此，顾客越等越觉得自己快排到了，剩余等待时间期望持续缩短。

【生动具体实例解析】：航空客服电话等待中的心理变化

客户拨打某航空公司退改签热线，系统仅播报“正在为您排队，请稍候”，未告知具体排在第几位。刚打进电话时，客户估算自己排在第 1 位的概率为 50%，排在第 2 位的概率为 50%。持线等待 3 分钟后，虽然仍未接通人工客服，但根据 FCFS 原则，原先排在第 1 位的客户在这 3 分钟内被接待完毕挂断电话的概率极高。因此，该客户判断自己当前已经晋升为第 1 位的后验概率上升到了 85% 以上。客户感到“胜利在望”，会坚定继续握住话筒，而不会中途挂机放弃。

4. 定理 1（Theorem 1）：最优排队设计主定理（The Master Theorem）

定理 1：全文主定理 (Theorem 1: Optimal Queue Design) 【理论陈述】：假定基础随机过程 (λ, μ) 是正则的。则设计者机制设计问题 [P] 存在一个全局最优解 (x*, y*, z*, q*, I*)，且满足： (i) 准入与退出政策 (x*, y*, z*) 构成截断政策（Cutoff Policy，设定容量上限 K*）； (ii) 排队优先级规则 q* 为先到先服务（FCFS）； (iii) 信息披露政策 I* 为推荐外不提供任何额外信息的无信息披露政策（No-Information Policy）。

【核心直觉解读】：这一机制将三者完美咬合：截断政策控制总量，消除了过度拥堵的负外部性；无信息政策将不同队长的状态池化，最大化了新客户的入队积极性；FCFS 规则保障了先到者的资历，确保客户在等待过程中信念不断改善、剩余等待时间单调下降，从而在全生命周期内彻底消除了中途弃队（Reneging）风险，达成了全局最优。

【生动具体实例解析】：M/M/1 典型服务系统下的全套机制推演

考虑一个标准 M/M/1 维修中心，顾客到达率 λ = 1，技师维修率 μ = 1，顾客服务估值 V = 1.5，单位等待成本 C = 1。设计者设定截断容量 K* = 2。

• 入队时刻（t=0）：若系统为空（k=0，概率 1/2）顾客排在第 1 位，等 1 小时；若系统有 1 人（k=1，概率 1/2）顾客排在第 2 位，等 2 小时。在无信息政策下，顾客进入时的综合期望等待时间为 (1 + 2)/2 = 1.5 小时。预期净收益为 V - C × 1.5 = 1.5 - 1.5 = 0，顾客刚好愿意入队。

• 等待途中（t=1）：若顾客等待了 1 小时仍未修好。在 FCFS 下，前序顾客已被修好离店的概率很大，该顾客判定自己当前升至第 1 位的概率高达 80% 以上，其剩余期望等待时间从 1.5 小时骤降至 1.1 小时，预期剩余净收益变为 1.5 - 1.1 = +0.4 > 0！顾客信心倍增，绝不会中途取回设备放弃修理。

5. 命题 3（Proposition 3）：社会福利最大化（α = 1）下的排队纪律等价性

命题 3 (Proposition 3: Equivalence of Queue Disciplines under Welfare Maximization) 【理论陈述】：假设设计者纯粹最大化顾客社会总福利（α = 1），且服务过程 μ 是正则的。则先到先服务（FCFS）与随机服务（SIRO）在任意信息披露政策下均能实现最优截断产出。

【核心直觉解读】：当设计者纯粹为公众福利着想时，设定的截断容量相对较小，被准入顾客的个人理性约束非常充裕（拥有较高的正剩余）。此时，设计者直接用截断政策卡死了负外部性，因此无论是严格先到先得（FCFS）还是随机叫号（SIRO），也无论是否公开队伍长度，准入顾客都享有充足的净福利，自愿留存排队，因而多种规则表现等价。

【生动具体实例解析】：公租房保障轮候中的福利最大化管理

在地方政府保障性公租房项目中，政府不以盈利为目的（α=1），房源释放速度固定。住建部门通过科学测算设定最优轮候池规模 K* 并关闭后续申请窗口。在池内，无论是严格按申请时间先后分配（FCFS），还是定期在池内符合条件的家庭中随机摇号（SIRO），入池家庭的期望福利均为正，均会自愿留存轮候，两类规则在社会福利最大化视角下达成等价。

6. 定理 2（Theorem 2）：信息设计的必要性——个人理性紧时过度透明导致机制崩溃

定理 2：信息设计的必要性定理 (Theorem 2: Necessity of No Information) 【理论陈述】：假定某机制实现了最优稳态分布 p*，且事前个人理性约束 (IR) 处于紧约束状态（平均净收益为零）。 若信息披露规则 I 透露了多于推荐信息的非平凡内容（即在入队时让顾客知晓了具体状态差异），则必定存在某些后验状态使顾客拒绝入队，机制必定失效。

【核心直觉解读】：当系统处于满负荷利用的临界状态时，所有顾客的平均收益刚好能覆盖平均等待成本。如果此时“好心”提供精准透明的信息，必定会把信息拆解为“当前排队人少（赚了）”和“当前排队人多（亏了）”。收到人多信号的顾客会立刻理性拒绝入队，从而破坏了池化效应（Pooling），导致系统在繁忙时无法蓄客，在后续阶段出现服务台空转闲置的恶性循环。

【生动具体实例解析】：商业付费咨询热线的“过度透明之殇”

某知名律师事务所开设在线咨询热线，设容量上限 K*=2，客户咨询价值 V=150 元，等待成本 C=100 元/小时，服务率 μ=1。系统若采取“无信息”推荐，客户到达时只知道自己被接纳，平均等待 1.5 小时，成本 150 元，刚好愿意接入（IR 刚好打平）。但如果律所推行“透明化服务”，向客户明确告知：“当前队列已有 1 人在等，你是第 2 位”。此时该客户得知自己需精确等待 2 小时，等待成本 200 元 > 收益 150 元，立刻选择挂机放弃！结果导致律所呼叫中心在 k=1 时无法吸收新客户，服务台在下一个周期面临闲置风险，律所收益与系统容量发生雪崩式下滑。

7. 定理 3（Theorem 3）：FCFS 规则的必要性——非 FCFS 规则的动态崩溃与弃单危机

定理 3：FCFS 规则的必要性定理 (Theorem 3: Necessity of FCFS) 【理论陈述】：固定任意不同于 FCFS 的排队规则 q（即赋予后到者正的服务优先级，如 LCFS、SIRO、LIEW）。 则必定存在一个正则的排队环境参数组合，使得排队规则 q 在任意信息披露政策下，必定在顾客等待过程中的某个时刻 t > 0 破坏动态激励约束，导致顾客中途放弃。 因此，FCFS 是唯一能在全域正则环境中实现最优截断产出的排队纪律。

【核心直觉解读】：在非 FCFS 规则（如 LCFS 或 SIRO）下，先到者的资历得不到绝对保护。新顾客的到来会插到自己前面（LCFS）或稀释自己被服务的概率（SIRO）。当顾客在队中等待一段时间仍未被服务时，这意味着两点噩耗：第一，自己错过了“提前被抽中”的早鸟运气；第二，后续新顾客正在不断涌入夺走自己的优先级。这导致顾客的剩余等待时间期望不仅不下降，反而随时间流逝不断上升！顾客会感到“越等越绝望”，最终选择中途退队。

【生动具体实例解析】：网红餐厅“后到先吃”引发的撕单离场风波

某热门餐厅尝试使用“后到先服务（LCFS）”或“纯随机叫号（SIRO）”规则。顾客张先生在门口拿号等位，当时系统承诺平均等候 30 分钟。张先生坐下等了 15 分钟后，赫然发现新来的顾客李四竟然直接被叫号进店用餐（LCFS 抢占了张先生的优先级）！在 SIRO 规则下，张先生每多等 1 分钟，不仅资历没有累积，反而因为新顾客不断涌入，自己被抽中的概率被严重稀释。张先生意识到：自己等得越久，剩下的预期等候时间反而越长！在强烈的被剥夺感与理性计算下，张先生怒而撕单离场。非 FCFS 规则彻底摧毁了顾客留存的动态激励底线。

五、 理论拓展与稳健性边界探讨

论文在第七节深入探讨了五个维度的理论拓展，展现了核心结论的广泛适用性：

1. 大规模排队系统与重载极限（Large Queueing Systems & Heavy Traffic）：在到达率 λ 和服务率 μ 同步趋于无穷的稠密大市场中（如 Halfin-Whitt 重载极限），随机波动被大数定律熨平，等待时间确定性增强。此时动态激励问题逐渐弱化，任意规则在极限下均能逼近最优容量。这反向印证了本文理论的核心价值正在于解决等待时间具有显著随机性与波动性的真实商业场景。

2. 垄断厂商的内生定价权（Monopoly with Endogenous Fee Setting）：若提供商可内生收取入场费 R，顾客净估值变为 V - R。垄断者在制定价格时面临经典权衡：提高收费虽增厚单客利润，但会压缩顾客剩余并收紧入队激励，增加服务台闲置概率。截断政策与 FCFS 依然是最优选择。

3. 非线性时间偏好与风险态度（Nonlinear Waiting Costs & Risk Preferences）：由于 FCFS 在二阶随机占优意义下使得等待时间分布方差最小（极值出现概率最低），风险厌恶型顾客（Risk-Averse）将更加偏好 FCFS 的确定性，从而进一步强化 FCFS 的绝对最优性；反之，若顾客具有极强的风险偏好（如彩票型偏好），可能会削弱该结论。

4. 异质性偏好与多类型匹配（Heterogeneous Preferences & Two-Sided Matching）：当顾客具有不同时间敏感度或服务估值时，设计者需进行类型甄别，优先服务高成本/高估值客户。虽然此时跨类型的服务调度可能打破纯粹的全局 FCFS，但在同类型顾客子集内部，严格遵循 FCFS 依然是维系组内动态激励的黄金准则。

5. 动态环境波动与体制转换（Changing Regimes & Time-Varying Congestion）：面对早晚高峰等潮汐式需求波动，设计者应在繁忙期收紧截断容量 K*，在清闲期放宽容量，实现跨周期的动态最优治理。

六、 全文结论的经济学与管理学综合启示

启示一：现代服务业排队运营的“黄金三角法则”：
服务企业（如医院门诊、呼叫中心、主题乐园、售后维修）应严格践行三大运营支柱：
(1) 科学容量截断：建立动态熔断机制，当排队人数达到临界阈值 K* 时，果断建议新顾客“稍后再来”，严禁盲目放任队伍无限延长；
(2) 严格坚持先到先服务：坚决杜绝任何插队或随机叫号机制，赋予到达资历绝对的优先级保护；
(3) 粗粒度信息提示：采用“可接入”与“请改道”等二元信号，避免展示过于精确且随波动跳跃的等待人数，防止诱发群体性恐慌和弃单。

启示二：破除“信息透明度迷信”——战略性模糊（Strategic Opacity）的商业智慧：
传统管理学常常盲目推崇“信息越透明越好”。本文深刻证明：在资源高度紧张且排队具有外部性的系统中，过度透明的信息披露会瓦解贝叶斯劝说的池化效益（Pooling Benefit），导致临界顾客因微小波动发生集体逃离，最终引发服务产能闲置的公地悲剧。适度的战略性信息模糊能够有效平滑需求波动，最大化产能利用率。

启示三：效率与公平的完美统一——单蛇形队列（Serpentine Line）的科学依据：
在银行、超市和机场安检场景中，长期存在“多窗口平行排队”与“单条蛇形排队（Single Serpentine Line）”之争。多窗口平行排队极易因某窗口个别复杂业务导致后到者反而先办完（异化为实质上的非 FCFS，产生大方差）。单蛇形大队严格遵循全局 FCFS，将等待时间方差压缩至最低，不仅消除顾客因“选错队伍”产生的心理挫败感，更在数理上提供了最强的留存激励。

启示四：公共部门稀缺资源无价格配给的制度设计指南：
在保障性住房轮候、器官移植分配、幼升小学位摇号等不宜采用价格机制出清的公共领域，政府主管部门必须建立清晰的“准入池容量封顶”与“严格轮候资历锁定”制度。一旦家庭进入轮候池，政府应给予确定的权益预期，严禁中途随意剔除，同时无需对外部公布过于琐碎的实时顺位变动，从而维护公共政策的权威性与社会群体的稳定性。

启示五：数字化平台（网约车/外卖/云计算）的动态分流与队列治理：
在滴滴、美团、AWS等算法驱动的平台中，算力调度与派单排队是核心中枢。平台算法在调度同质任务时，应严格遵循全局 FIFO 调度策略以最小化任务超时弃单率；在面对异质性服务时，应通过多层级分类排队，在每个细分层级内实施截断与 FCFS，实现平台运力利用率与用户留存率的全局最优协同。

七、 完整参考文献（References）

Akbarpour, Mohammad, Julien Combe, Victor Hiller, Robert Shimer, and Olivier Tercieux. 2020a. "Unpaired Kidney Exchange: Overcoming Double Coincidence of Wants without Money." Working Paper no. 27765, NBER, Cambridge, MA.

Akbarpour, Mohammad, Shengwu Li, and Shayan Oveis Gharan. 2020b. "Thickness and Information in Dynamic Matching Markets." Journal of Political Economy 128 (3): 783–815.

Anunrojwong, Jerry, Krishnamurthy Iyer, and Vahideh Manshadi. 2023. "Information Design for Congested Social Services: Optimal Need-Based Persuasion." Management Science 69 (7): 3778–96.

Ashlagi, Itai, Jacob Leshno, Pengyu Qian, and Amin Saberi. 2022. "Price Discovery in Waiting Lists." SSRN Electronic Journal, https://dx.doi.org/10.2139/ssrn.4192003.

Ashlagi, Itai, Faidra Monachou, and Afshin Nikzad. 2020. "Optimal Dynamic Allocation: Simplicity through Information Design." Technical report, Stanford University.

Ashlagi, Itai, Afshin Nikzad, and Philipp Strack. 2019. "Matching in Dynamic Imbalanced Markets." SSRN Electronic Journal, https://dx.doi.org/10.2139/ssrn.3251632.

Baccara, Mariagiovanna, SangMok Lee, and Leeat Yariv. 2020. "Optimal Dynamic Matching." Theoretical Economics 15: 1221–78.

Bloch, Francis, and David Cantala. 2017. "Dynamic Assignment of Objects to Queuing Agents." American Economic Journal: Microeconomics 9: 88–122.

Che, Yeon-Koo, and Olivier Tercieux. 2026. "Optimal Queue Design." Journal of Political Economy 134 (8): 2395–2440.

Cripps, Martin W., and Caroline D. Thomas. 2019. "Strategic Experimentation in Queues." Theoretical Economics 14: 647–708.

Das, Sanmay, Emir Kamenica, and Renee Mirka. 2017. "Reducing Congestion through Information Design." In 2017 55th Annual Allerton Conference on Communication, Control, and Computing (Allerton), 1279–84.

Doval, Laura, and Balázs Szentes. 2018. "On the Efficiency of Queuing in Dynamic Matching." Technical report, Caltech and London School of Economics.

Gnedenko, B. V., and I. N. Kovalenko. 1989. Introduction to Queueing Theory. Basel: Birkhäuser.

Halfin, Shlomo, and Ward Whitt. 1981. "Heavy-Traffic Limits for Queues with Many Exponential Servers." Operations Research 29 (3): 567–88.

Hassin, Refael. 1985. "On the Optimality of First Come Last Served Queues." Econometrica 53: 201–2.

Hassin, Refael. 2016. Rational Queueing. Boca Raton, FL: CRC Press.

Hassin, Refael, and Moshe Haviv. 1995. "Equilibrium Strategies for Queues with Impatient Customers." Operations Research Letters 17: 41–45.

Hassin, Refael, and Moshe Haviv. 2003. To Queue or Not to Queue: Equilibrium Behavior in Queueing Systems. Dordrecht: Kluwer Academic.

Hassin, Refael, and Alexandra Koshman. 2017. "Profit Maximization in the M/M/1 Queue." Operations Research Letters 45: 436–41.

Haviv, Moshe, and Binyamin Oz. 2016. "Regulating an Observable M/M/1 Queue." Operations Research Letters 44: 196–98.

Haviv, Moshe, and Binyamin Oz. 2018. "Self-Regulation of an Unobservable Queue." Management Science 64 (5): 2380–89.

Haviv, Moshe, and Yaacov Ritov. 2001. "Homogeneous Customers Renege from Invisible Queues at Random Times under Deteriorating Waiting Conditions." Queueing Systems 38: 495–508.

Kamenica, Emir, and Matthew Gentzkow. 2011. "Bayesian Persuasion." American Economic Review 101: 2590–615.

Kingman, John F. C. 1961. "The Single Server Queue in Heavy Traffic." Mathematical Proceedings of the Cambridge Philosophical Society 57: 902–4.

Kittsteiner, Thomas, and Benny Moldovanu. 2005. "Priority Auctions and Queue Disciplines That Depend on Processing Time." Management Science 51: 236–48.

Larson, Richard C. 1987. "Perspectives on Queues: Social Justice and the Psychology of Queueing." Operations Research 35: 895–905.

Leshno, Jacob. 2022. "Dynamic Matching in Overloaded Waiting Lists." American Economic Review 112 (12): 3876–910.

Lingenbrink, David, and Krishnamurthy Iyer. 2019. "Optimal Signaling Mechanisms in Unobservable Queues." Operations Research 67: 1397–416.

Mandelbaum, Avishai, and Nahum Shimkin. 2000. "A Model for Rational Abandonments from Invisible Queues." Queueing Systems 36: 141–73.

Margaria, Chiara. 2020. "Queueing to Learn." Technical report, Boston University.

Martin, Kipp, Christopher Thomas Ryan, and Matt Stern. 2016. "The Slater Conundrum: Duality and Pricing in Infinite-Dimensional Optimization." SIAM Journal on Optimization 26 (1): 111–38.

Naor, Pinhas. 1969. "The Regulation of Queue Size by Levying Tolls." Econometrica 37: 15–24.

Platz, Trine Tornoe, and Lars Peter Østerdal. 2017. "The Curse of the First-In-First-Out Queue Discipline." Games and Economic Behavior 104: 165–76.

Schummer, James. 2021. "Influencing Waiting Lists." Journal of Economic Theory 195: 105263.

Shanthikumar, J. George, and Ushio Sumita. 1987. "Convex Ordering of Sojourn Times in Single-Server Queues: Extremal Properties of FIFO and LIFO Service Disciplines." Journal of Applied Probability 24: 737–48.

Sherzer, Eliran, and Yoav Kerner. 2018. "Customers' Abandonment Strategy in an M/G/1 Queue." Queueing Systems 90: 65–87.

Simhon, Eran, Yezekael Hayel, David Starobinski, and Quanyan Zhu. 2016. "Optimal Information Disclosure Policies in Strategic Queueing Games." Operations Research Letters 44: 109–13.

Stone, Alex. 2012. "Why Waiting Is Torture." New York Times, Aug 19, SR12.

Su, Xuanming, and Stefanos Zenios. 2004. "Patient Choice in Kidney Allocation: The Role of the Queueing Discipline." Manufacturing and Service Operations Management 6: 280–301.

Wolff, Ronald W. 1982. "Poisson Arrivals See Time Averages." Operations Research 30: 223–31.