保留灵活性，
为何诱发隐瞒能力？

《Matching Queues, Flexibility, and Incentives》
全文深度学术总结与经济管理启示报告

一、 论文基本信息与元数据

论文题目 (Title)	Matching Queues, Flexibility, and Incentives (匹配排队、灵活性与激励机制)
作者信息 (Authors)	Chiwei Yan, Francisco Castro, Peter Frazier, Hongyao Ma, Hamid Nazerzadeh (作者单位涵盖：UC Berkeley IEOR, UCLA Anderson School of Management, Cornell University ORIE, Columbia Business School, Uber Technologies, Inc. & USC)
发表期刊 (Journal)	Manufacturing & Service Operations Management (M&SOM), Vol. 28, No. 5, September–October 2026, pp. 1665–1683. DOI: https://doi.org/10.1287/msom.2024.0774
关键词 (Keywords)	Online Platforms (在线平台); Flexibility (灵活性); Matching Queues (匹配排队); Ride-Sharing (共享出行); Game Theory (博弈论); Mechanism Design (机制设计)
JEL 分类号 (JEL Classification)	C78 (Bargaining Theory; Matching Theory - 讨价还价理论；匹配理论) D82 (Asymmetric and Private Information; Mechanism Design - 非对称与私有信息；机制设计) L86 (Information and Internet Services; Computer Software; Systems; Platforms - 信息与互联网服务；计算机系统与平台经济) R41 (Transportation: Demand, Supply, Congestion, Travel Time - 交通运输：需求、供给与拥堵) C61 (Optimization Techniques; Programming Models; Dynamic Analysis - 优化技术；规划模型；动态分析)

二、 全文宏观概述与研究背景

在现代数字平台经济与公共资源配置体系中，双边匹配排队系统（Bipartite Matching Queueing Systems）发挥着基础性的协调作用。平台的首要核心任务是在面对动态随机到达的供给端服务者（智能体，如网约车司机、送餐骑手、保障房申请者）与需求端任务（如出行订单、外卖配送请求、待分配房源）时，设计出能够最大化运营效率与社会福利的高性能匹配调度策略（Matching Policy）。

2.1 现实商业与社会管理背景中的核心痛点

1. 共享出行平台的司机目的地功能（Driver Destination Mode）： 类似 Uber 和 Lyft 等网约车巨头均开发了“目的地筛选器（Destination Filter）”功能，允许司机指定期望行驶的目的地区域，从而过滤掉相反方向的派单。例如，准备回家或有其他要事的司机可以通过此功能边顺路接单边回家，避免了直接下线带来的收入损失，平台也由此扩大了整体可用运力池。传统运筹调度理念认为，平台应当尽可能“保留灵活性（Flexibility Reservation）”，即当一个去往特定目的地的订单到达时，优先派给只能去该方向的专业司机，而把全城都能跑的灵活司机留作未来的缓冲储备。然而，Uber 在 2017 年的一场司机体验优化活动中，将该功能的每日使用上限由 2 次提升至 6 次，结果引发了灾难性的反噬：大量全城灵活司机发现专用目的地队列的派单优先级极高、等待时间大幅缩短，纷纷战略性滥用该功能锁定特定热门航线（如前往机场的单）。这导致全城可用灵活运力断崖式下降，乘客叫车等待时间与空驶接驾时间显著攀升，平台整体履约可靠性遭到重创。最终，Uber 不得不在几个月后紧急将上限从 6 次回退至 2 次，并在司机端明确公告滥用目的地设置将严重损害全体司机与乘客的利益。

2. 零工经济多工种跨界抢单（Uber Rides vs. Uber Eats）： 平台司机既可以只接载客快车（UberX），也可以只接外卖配送（UberEats），或者选择双栖接单（Dual-Opt-in）。许多司机在车辆与技能上完全具备双重服务能力（属于灵活智能体），但某些私人信息（如车上临时有朋友同行不便载客、或者更偏好轻体力配送）可能使其在特定时段更偏向单一业务。为了系统整体的服务可靠性，平台期望具备双重能力的司机主动申报“两者兼接”。但司机会在论坛（如 Reddit、UberPeople）上交流策略：如果申报为仅接某一类任务能够获得更高的派单优先级和更短的空闲等待，灵活司机就会故意隐瞒灵活性、仅声明为专接单一业务，从而使系统丧失宝贵的弹性调度空间。

3. 纽约市公共保障房分配机制（NYC Housing Connect）： 在公共保障房分配中，房源分为新建成单位（New Units）与住户腾退转租存量房（Resale/Re-rentals）。申请人在注册账户时必须声明是否接受转租存量房，并可进一步选报心仪的新房项目，最终由摇号系统随机匹配。由于申请人可以自由拒绝收到的房源要约，在当前机制下，哪怕部分申请人内心极其渴望新房、绝不接受老旧存量房，也倾向于在申请表中勾选“接受转租”，以便最大化进入摇号池的几率。这种战略性虚报使得大量转租房被摇号分配给实际拒绝意愿强烈的家庭，导致严重的反复拒绝与房源长期空置现象，造成了巨大的社会资源浪费。

2.2 核心研究问题与制度困境

上述跨领域的现实矛盾，集中暴露出平台在设计匹配排队机制时面临的深层次制度困境：

（1）信息不对称与战略性低报：智能体的真实技能与偏好属于不可直接观测的私有信息（Private Information）。在非货币机制下，平台无法随意对低灵活性司机实施罚款（如 Uber 曾尝试对开启目的地模式的司机抽成 30% 补贴普通司机，因司机强烈抵触及加州 AB-5、Prop 22 等独立用工强监管法案而被迫中止）。

（2）全信息最优与私有信息反噬的脱节：传统全信息下的最优策略——灵活性保留（Flexibility Reservation, FR），在遭遇智能体自利博弈时，会诱发严重的战略性“低报能力（Underreporting）”，导致系统灵活性严重流失，吞吐量甚至断崖式暴跌至远不如“无脑大乱斗”的随机匹配策略（Random Matching, RND）。

（3）动态环境对“零参数”鲁棒策略的迫切需求：实际平台的需求到达率与供给结构瞬息万变，如果匹配策略依赖对司机到达率、耐心分布或效用参数的精细估计，一旦参数失真，机制将极度脆弱。平台迫切需要一种不依赖外部参数估计、在任何策略博弈下都能稳健跑赢基准的简单匹配机制。

三、 论文的核心学术与实践贡献

本文在排队论、非货币机制设计、算法博弈论以及数字平台运营的交叉领域取得了里程碑式的学术突破与工业实践落地，其核心贡献系统性地体现在以下四大维度：

1. 理论创新贡献 (Theoretical Contributions) • 揭示“保留灵活性”在私有信息下的系统脆弱性与内生反噬效应：传统运筹学理论基于“全信息假说”，普遍推崇在调度中优先保护灵活运力（即“专车单派专车司机，全能司机备用”）。本文严格证明，一旦智能体具备自利博弈行为且类型私有，该策略将产生致命的反向激励（Perverse Incentive）：由于专用队列享有更高的派单优先级和更短的空闲等待，灵活智能体会战略性地“隐瞒自身能力”、假装为专用类型（即发生普遍的战略性低报 Underreporting）。这种行为彻底摧毁了系统的灵活运力缓冲池，在极端情况下会导致均衡吞吐量下降至基准随机匹配策略（RND）的 50% 以下（Proposition 3）。 • 发现并严格刻画了双边匹配排队系统中的“布雷斯悖论（Braess Paradox）”：在交通网络中，新修道路可能导致全局拥堵恶化。本文在匹配排队博弈中揭示了类似的悖论现象：为系统增加一条看似绝对有利的“兜底派单通道”（允许未匹配任务向看似不相容队列派单），在纳什均衡下反而会使专用队列变得更具吸引力，诱使更大概率的灵活智能体选择撒谎进入专用队列（Proposition 4）。

2. 机制设计贡献 (Mechanism Design Contributions) • 提出独创的“带兜底的灵活性保留机制”（FRfb Policy）：为了打破“保留灵活性导致低报，不保留灵活性导致错配”的两难僵局，论文创新性地构建了 FRfb 策略。该策略既保留了传统 FR 的分层优先筛选架构，又在前序相容队列耗尽时，激活向“看似不相容队列”的末位兜底派单通道。其核心直觉在于“反向利用战略伪装”：既然灵活智能体会潜伏在专用队列中，那么将那些本将流失的任务作为最后手段推给这些队列，便能高效唤醒“潜伏灵活性（Latent Flexibility）”，从而把濒临流失的任务抢救回来。 • 零参数与强鲁棒的机制设计美学（Parameter-Free & Robustness）：传统贝叶斯机制设计高度依赖对先验分布（如到达率、等待成本、弃单率）的精确校准，一旦环境波动便宣告失效。FRfb 策略完全不需要平台预先了解智能体的效用函数、价值评估或到达过程参数，也不依赖特定的均衡实现，具有天然的参数无关性（Parameter-Free）。定理 1 严格证明，无论灵活智能体采取何种策略 profile，FRfb 的吞吐量均全局弱占优于随机策略；在多任务类型下更是实现严格超越。同时，命题 5 证明其具备至少 1/2 的第一最优半近似保证（Half-Approximation）。

3. 方法学与算法贡献 (Methodological & Algorithmic Contributions) • 随机排队动态与演化博弈论的深度融合：突破了传统基于 FCFS-ALIS 乘积解排队系统的局限，针对网约车与保障房普遍采用的随机派单/摇号规则（Random Queueing Discipline），建立了包含智能体指数耐受流失、订单有限次拒绝存活的动态博弈模型，利用 Brouwer 不动点定理与变分不等式证明了纳什均衡的存在性（Proposition 1）。 • 流体松弛上界（Fluid LP Relaxation）与高维均衡求解算法：针对一般兼容图维度灾难难以求解析解的痛点，构建了流体线性规划松弛模型（Proposition A.2），证明其最优解构成了全信息第一最优吞吐量的理论紧上界；并基于对偶影子价格设计了启发式第二最优策略；运用演化动力学中的复制动态学（Replicator Dynamics）结合蒙特卡洛仿真，高效稳定地求出了高维混合策略均衡解。

4. 实践落地与行业管理贡献 (Managerial & Practical Contributions) • 工业级真实部署与社会公共政策赋能：论文提出的 FRfb 机制并非纸上谈兵，其理论原型与兜底派单逻辑已在 Uber 的司机目的地产品（Driver Destination）中获得实际工程落地（图 7），完美化解了司机自主设限与平台全城履约之间的冲突。同时，该研究直接对标纽约市 Housing Connect 等公共住房平台的制度缺陷，为解决社会保障房空置率高、匹配轮转周期长的顽疾提供了直接且免重构的系统性解决方案。

四、 核心概念、定义与模型符号详解

本节对论文构建的游戏论动态排队匹配模型（Game-Theoretic Queueing Model）的基本假定、核心定义、数学符号与策略体系进行严谨阐释。

4.1 模型基本设定与二分图结构

平台在连续时间中动态协调两端资源。定义智能体（Agent）类型集合为 $I\ = \ \{ 0,\ 1,\ ...,\ I\}$，任务（Job）类型集合为 $J\ = \ \{ 0,\ 1,\ ...,\ J\}$，满足 $I\ = \ J$。系统存在潜在的二分相容图（Bipartite Compatibility Graph）：

• 基础相容图（Baseline Graph G1）：包含 1 个完全灵活智能体类型（Type 0）与 $I$ 个专用智能体类型（Type $i\ \in \ \{ 1,\ ...,\ I\}$）。灵活智能体具备服务全部任务类型的能力，即 $J(0)\ = \ J$；专用智能体只能服务与其编号相同的特定任务类型，即 $J(i)\ = \ \{ i\}$。特别地，Type 0 任务属于高技能或特殊需求任务（如大型车辆订单 UberXL、兼具两项技能的复合订单），只能由完全灵活的 Type 0 智能体完成。

• 广义相容图族（General Compatibility Graphs G2 & G3）：图 G2 具有严格层级嵌套结构（Hierarchical/Nested Compatibility），满足 $J(0)\ \supset \ J(1)\ \supset \ ...\ \supset \ J(J)$；图 G3 则是完全幂集兼容图，包含全部 $|I|\ = \ 2J^{}\ - \ 1$ 种非空子集组合，涵盖任意非结构化的复杂多对多匹配关系。

4.2 模型数学符号详表

为确保概念的严密性与逻辑连贯，下表系统整理了全文的核心数学符号、定义及其在平台运营中的经济学含义：

数学符号	数学定义与取值空间	平台运营与经济学含义
$I,\ J$	$I\ = \ \{ 0,\ ...,\ I\},\ J\ = \ \{ 0,\ ...,\ J\}$	智能体类型集合与任务类型集合，满足 |I| = |J|。
$J(i),\ I(j)$	$J(i)\ \subset \ J,\ I(j)\ \subset \ I$	智能体 i 可胜任的任务子集；能胜任任务 j 的智能体子集。
$\lambda_{i}$	$\lambda_{i}\ > \ 0,\ i\ \in \ I$	Type i 智能体的广义计数到达过程长期时间平均到达率。
$\mu_{j}$	$\mu_{j}\ > \ 0,\ j\ \in \ J$	Type j 任务的广义计数到达过程长期时间平均到达率。
$\theta$	$\theta\ > \ 0,\ R_{\theta}\ \sim\ Exp(\theta)$	智能体在系统中的耐心指数衰减率（Reneging Rate），超时即离去。
$p$	$p\ \in \ \lbrack 0,\ 1\rbrack$	任务在被智能体拒绝后继续存活的概率（反映需求端耐心）。
$v,\ c$	$v\ > \ 0,\ c\ > \ 0$	智能体成功匹配的固定期望效用价值；单位等待时间的等待成本。
$Q,\ \rho$	$Q\ = \ \{ q\},\ \rho\ = \ (\rho_{0},\ ...,\ \rho_{J})$	平台组织的排队队列集合；各任务类型对应的优先级队列子集有序列表。
$\sigma_{i,q}$	$\sigma_{i,q}\ \in \ \lbrack 0,\ 1\rbrack,\ \sum_{q}\sigma_{i,q}\ = \ 1$	Type i 智能体自利选择加入队列 q 的策略概率（可策略性低报）。
${W^{\pi}}_{i,q}(\sigma)$	$W{^{\pi}}_{i,q}(\sigma)\ \geq \ 0$	在策略 profile σ 与策略 π 下，Type i 智能体进入队列 q 的虚拟等待时间。
${u^{\pi}}_{i,q}(\sigma)$	$u{^{\pi}}_{i,q}(\sigma)\ \in \ R$	Type i 智能体加入队列 q 时获得的净期望期望效用收益。
$M^{\pi}(T;\ \sigma)$	$M^{\pi}(T;\ \sigma)\ \in \ Z_{\geq 0}^{}$	策略 π 和策略 profile σ 下，系统在时间 T 内完成的累计匹配订单数。
$TP(\pi;\ \sigma)$	$\limsup_{T \rightarrow \infty}\frac{1}{T}E\lbrack M^{\pi}\rbrack$	系统长期时间平均吞吐量（Throughput），即单位时间匹配成交量。
$\Phi$	$\varphi:\ Z{^{I + 1}}_{\geq 0}\ \times \ J\ \rightarrow \ \lbrack 0,\ 1\rbrack^{I + 1}$	状态依赖型匹配策略的可行策略空间（包含可闲置策略）。

4.3 智能体行为、期望效用与纳什均衡

智能体在进入系统时无法实时观测当前的各队列排队长度，只能基于长期的随机稳态期望作出决策。智能体面临两个维度的决策：（1）战略性选择加入哪一个队列 $q\ \in \ Q$；（2）收到派单时选择接受或拒绝。由于成功匹配获得固定收益 $v$，拒绝不相容订单是弱占优策略。智能体的期望效用由匹配收益与等待痛苦成本构成：

$${u^{\pi}}_{i,q}(\sigma)\ = \ v\ \cdot \ P\left\lbrack {W^{\pi}}_{i,q}(\sigma)\ \leq \ R_{\theta} \right\rbrack\ - \ c\ \cdot \ E\left\lbrack \min\left\{ R_{\theta},\ {W^{\pi}}_{i,q}(\sigma) \right\} \right\rbrack$$

由于智能体的耐受时间 $R_{\theta}$ 服从参数为 $\theta$ 的指数分布，有 $P\left\lbrack {W^{\pi}}_{i,q}\ \leq \ R_{\theta} \right\rbrack\ = \ E\lbrack e^{- \theta W{^{\pi}}_{i,q}(\sigma)}\rbrack$，并且其受限等待时间期望严格等于 $\frac{1\ - \ E\lbrack e^{- \theta W{^{\pi}}_{i,q}(\sigma)}\rbrack}{\theta}$。将两项代入整理，得到至关重要的解析形式：

$${u^{\pi}}_{i,q}(\sigma)\ = \ \left( v\ + \ \frac{c}{\theta} \right)E\lbrack e^{- \theta W{^{\pi}}_{i,q}(\sigma)}\rbrack\ - \ \frac{c}{\theta}$$

【核心结论与内涵】：这一数学推导揭示出一个优美且深刻的性质：无论单个订单的经济收益 $v$ 和单位时间等待成本 $c$ 为何值，智能体最大化期望效用的行为，严格等价于最大化其在耐心耗尽前被成功匹配的概率！

纳什均衡（Nash Equilibrium, NE）要求：若智能体以非零概率选择加入队列 $q$（即 $\sigma_{i,q}\ > \ 0$），则该队列给予它的期望效用必须不低于任何其他可选队列：

$$\sigma_{i,q}\ > \ 0\ \ \Rightarrow \ \ {u^{\pi}}_{i,q}(\sigma)\ \geq \ {u^{\pi}}_{i,q'}(\sigma),\ \ \forall q'\ \in \ Q$$

4.4 平台吞吐量目标与四类核心匹配策略

平台追求长周期内的系统总匹配量最大化，定义长期平均吞吐量为：

$$TP(\pi;\ \sigma)\ = \ \limsup_{T \rightarrow \infty}\frac{1}{T}E\left\lbrack M^{\pi}(T;\ \sigma)\ |\ A(0)\ = \ A \right\rbrack$$

针对该系统，文献与业界存在四种典型的匹配策略构型：

1. 传统灵活性保留策略 (Flexibility Reservation, FR)： 为每种智能体类型设立单独队列，$Q^{FR}\ = \ I$。派单优先级为：对 Type j 订单，优先派给同类型的专用队列 j，无人时再溢出给灵活队列 0；Type 0 订单只派给灵活队列 0。形式化表示为：${\rho^{FR}}_{0}\ = \ (\{ 0\}),\ \ {\rho^{FR}}_{j}\ = \ (\{ j\},\ \{ 0\}),\ \forall j\ \in \ J\ \backslash\ \{ 0\}$。

2. 兼容性无关的随机匹配策略 (Random Matching, RND)： 完全不区分技能与类型，全员合并为一个大排队池，$Q^{RND}\ = \ \{ 0\}$。所有任务到达后均在全员池中等概率随机推送（无放回轮询），直到有人接单或被拒绝多次后流失。此策略天然具备策略免疫性（Strategy-proof）。

3. 带兜底的灵活性保留策略 (FR with Fallback, FRfb - 本文创新核心)： 同样设立 $|I|$ 个队列，前序派单维持与 FR 完全相同的灵活性保留次序（先专后灵）。但独创性地增加了“最后兜底子集”：当相容队列全部耗尽时，任务不会直接放弃，而是随机广播给看似不相容的其余队列。对 Type j 订单，其优先级列表为：${\rho^{FRfb}}_{j}\ = \ (\{ j\},\ \{ 0\},\ I\ \backslash\ \{ j,\ 0\})$；对 Type 0 订单为：${\rho^{FRfb}}_{0}\ = \ (\{ 0\},\ I\ \backslash\ \{ 0\})$。

4. 斯塔克伯格第二最优启发式策略 (Second-Best Heuristic, SB)： 将平台视为博弈领导者、智能体视为跟随者。平台根据智能体当前申报的到达率重新求解流体模型并更新派单优先级，智能体再更新均衡，反复迭代直至收敛，以此作为博弈下的第二最优基准。

五、 全文命题与定理的深度剖析与生动实例解释

本文包含 8 个核心命题、定理与引论结论。为了彻底把握论文的数理机理与现实映射，本节逐一呈现各个命题的核心论断，并完全剥离晦涩的纯数学证明，通过高度生动、贴近实际运营的数值与商业实例对其内在机制进行通俗化透彻解析。

5.1 命题 1：纳什均衡的存在性 (Existence of Nash Equilibrium)

【命题 1 核心陈述】：对于任意满足智能体期望效用 ${u^{\pi}}_{i,q}(\sigma)$ 关于策略组合 $\sigma$ 连续的匹配调度策略 $\pi$，以及任意给定的系统到达过程与模型原始参数，系统必然存在至少一个构成纳什均衡（Nash Equilibrium）的排队策略组合 $\sigma*$。

命题 1 实例剖析：高峰期分流排队的自我稳定机制 【通俗生活与运营实例】：想象一个典型的早高峰网约车场景：平台设立了两个排队队列——“快车专车通用队（队列 0）”和“高铁站直达专车队（队列 1）”。全城有 100 位双证合规、既能跑市内快车又能接高铁大单的“灵活司机”。如果所有灵活司机都盲目扎堆涌入“高铁站专线队”，那么高铁队就会发生严重内卷（排队长达几十人），每位司机平均要干等 1 小时才能分到一单，其匹配概率急剧下降；而此时通用队空无一人，只要进去就能秒接市内快车单。理性的司机会发现“跳槽去通用队”能赚取更高收益。反之，若所有司机都跑到通用队，高铁队又会出现“单多人少”的暴利红利，诱使司机回流。命题 1 表明：在这两种极端拉扯之间，由于拥挤度对效用的负反馈调节是连续渐变的，系统绝不会陷入无休止的混乱振荡，必然存在一个“稳定平衡点”（例如 35 位司机排高铁队、65 位司机排通用队），此时两边的期望接单概率和等待折算效用完全拉平，任何单独一位司机单方面改变排队选择都无法获得更多好处，从而达成自发的纳什均衡。

5.2 命题 2：全信息基准下的第一最优——灵活性保留 (First Best: Flexibility Reservation)

【命题 2 核心陈述】：当平台掌握完全信息（Full Information）、能够无成本且毫无误差地实时识别每一位智能体的真实类型时，系统在所有可能的状态依赖调度策略中，最大化长期平均吞吐量（Throughput）的“第一最优策略（First-Best）”是“灵活性保留策略（FR Policy）”。即：当特定专用任务到达时，必须优先派发给可用的专用智能体，将灵活智能体尽可能保留留存。

命题 2 实例剖析：专车派专单，全能当后盾的期权价值 【通俗生活与运营实例】：假设调度中心拥有“上帝视角”，能够看穿司机的真实底牌。此时候车池里有两位司机：张师傅（专线司机，由于回家接孩子，他声明且实际上只能接往东部新区的订单）和李师傅（全职全能司机，全城任意角落、任何业务都能跑）。此时，系统突然进了一笔去往东部新区的订单。如果平台把这个订单派给了李师傅，张师傅因为只能跑东部，就只能继续干瞪眼空等；紧接着，系统又进了一笔去往西部工业园的高价急单（只有李师傅能接，张师傅接不了），由于李师傅已经被东部单占用调走，这笔西部单就会因为无人可接而白白流失，最终系统只完成了 1 笔撮合！反之，如果平台践行“灵活性保留”，把东部单精准派给张师傅，把全能的李师傅留在池子里待命；当西部单随后到来时，李师傅正好接单，系统成功完成 2 笔撮合。全能运力具备极其宝贵的“未来期权价值（Option Value）”，将其留给只有它能应对的未知危机，是全知视角下的数学最优选择。

5.3 命题 3：私有信息下灵活性保留可能大幅劣于随机匹配 (FR Can Be Worse Than RND)

【命题 3 核心陈述】：在智能体具备策略行为且技能类型属于私有信息的情境下，对于任意给定的 $\delta\ > \ 0$，均存在具体的市场环境参数与均衡策略组合 $\sigma^{FR}$，使得灵活性保留策略的长期吞吐量严重缩水，甚至达不到兼容性无关的随机匹配策略（RND）的二分之一：

$$TP\left( \pi^{FR};\ \sigma^{FR} \right)\ < \ \left( \frac{1}{2}\ + \ \delta \right)\ \cdot \ TP\left( \pi^{RND} \right)$$

命题 3 实例剖析：耍小聪明的司机与被彻底放鸽子的灵活大单 【数值构造与极端反噬实例】：假设某高铁站枢纽，每隔时间 T 会有一批 D 名灵活司机集中到达。业务有两种：类型 0 业务（大件行李接驳车，只有灵活司机能跑）和类型 1 业务（普通出租快车，专车和灵活司机都能跑）。极为关键的动态特征是：大件接驳订单到达有严重延迟，必须在司机到达后整整等待时间 T 才会成批到达；而普通快车订单在司机到达瞬间就已就位，数量有少量几笔。如果平台实行 FR 策略，规定“申报为专用快车司机的享有快车单第一优先级”。灵活司机掐指一算：留在灵活队列 0 接大件单需要硬熬时间 T，中途很可能失去耐心放弃；而只要在手机 App 上撒谎勾选“我只接普通快车”跳槽到队列 1，立刻就能被优先派单接走。利益驱动下，所有灵活司机达成集体共谋式均衡：100% 撒谎加入队列 1！结果带来灾难性后果：当时间 T 过去、后续大批高难度大件接驳单如期涌入系统时，队列 0 居然空无一人，大件单全部因超时被系统取消注销！FR 仅仅做成了极少量的普通快车单，吞吐量仅为 e^{-θT}D/T。反观“大锅饭”式的随机匹配策略（RND）：平台不设独立分类队列，不管什么单子都对着大池子随机摇号派单。灵活司机无法通过撒谎获得任何优先特权，只能老实呆着。当大件单到来时，池子里尚未离去的存活司机依然能够稳稳接单，RND 的吞吐量不仅拿下了全部快车单，还额外捕获了大半的大件单。当等待周期 T 较长时，FR 的吞吐量直接缩水至 RND 的 50%！这生动证明：不切实际的“灵活优先”，在私有信息博弈下反成自缚手脚的绳索。

5.4 命题 4：兜底机制下的布雷斯悖论 (Braess Paradox in FRfb)

【命题 4 核心陈述】：考虑包含两类任务的系统 $J\ = \ \{ 0,\ 1\}$。在 FRfb 策略下为系统增加一条看似绝对利好的“非相容兜底派单通道”（允许 Type 0 任务在队列 0 为空时溢出给队列 1）后，在均衡状态下，灵活智能体中选择策略性伪装、加入专用队列 1 的比例，弱高于传统 FR 策略下的比例，即：

$${\sigma^{FRfb}}_{0,1}\ \geq \ {\sigma^{FR}}_{0,1}$$

命题 4 实例剖析：好心增设的兜底通道，反促使更多人“装傻” 【通俗生活与运营实例】：经典布雷斯悖论指出：在拥堵交通网中增加一条捷径支路，司机争相抢道反而会导致全城整体通行时间上升。命题 4 展示了排队匹配领域的布雷斯悖论变体。在原版 FR 下，灵活司机假装成“专跑外卖”跳入外卖队，虽然能独享外卖单，但彻底断绝了接网约车单的可能性。现在平台升级为 FRfb 策略，心想：“为了防止网约车单流失，如果快车队空了，允许把网约车单作为兜底也推给外卖队吧！”然而灵活司机敏锐地捕捉到了这一机制红利：如果我留在快车队，只能被动等快车单；但如果我谎报成外卖司机跳进外卖队，我不但继续享有外卖单的第一派单权，而且当快车单过剩、快车队没人时，系统还会好心兜底把快车单送到我嘴边！这使得专用外卖队列的期望吸引力进一步爆棚，直接诱使更多犹豫不决的灵活司机下定决心“假装专用类型”。增加一条有益通道，在均衡下反而放大了司机隐瞒能力的动机！

5.5 定理 1：兜底灵活性保留策略的鲁棒优越性 (Robust Performance of the FRfb Policy)

【定理 1 核心陈述（全文基石成果）】：对于专用智能体坚守本职队列（$\sigma_{i,i}\ = \ 1,\ \forall i\ \in \ \{ 1,\ ...,\ J\}$，这是其严格弱占优策略）的前提下，无论灵活智能体采取何种策略选择（无论是纯策略、混合策略、偏离均衡策略还是极端完全伪装策略），FRfb 策略所取得的长期平均吞吐量永远不低于随机匹配策略（RND）：

$$TP\left( \pi^{FRfb};\ \sigma \right)\ \geq \ TP\left( \pi^{RND} \right)$$

特别地，当任务类型数 $J\ \geq \ 2$（即存在至少两类专用业务）时，两项策略存在绝对的严格分离，FRfb 策略的吞吐量严格超越 RND 策略（Strictly Better）！

定理 1 实例剖析：任尔千般伪装，我有天罗地网兜底救援 【通俗生活与运营实例】：设想一个平台同时运营“外卖单（业务 1）”、“跑腿单（业务 2）”和“尊享网约车（业务 0）”。部分司机是只能跑外卖或只能跑腿的专职骑手，还有一批开着高档轿车的“全能灵活司机”。在最恶劣的情形下，就算全能司机利欲熏心，100% 伪装成专职骑手分别潜伏在外卖队和跑腿队里。此时会发生什么？外卖单和跑腿单依然按照专业属性得到高效派发；而当突发尊享网约车高价单到来、专用尊享池为空时，FRfb 机制果断启动末位兜底，将网约车单依次向外卖队和跑腿队广播。潜伏在里面的轿车司机看到高额网约车单推送，立刻秒抢接单！反观如果平台使用毫无章法的纯随机派单（RND），每来一笔尊享网约车单，都可能盲目推送给骑着电瓶车的外卖骑手，遭遇连续拒绝，导致订单因超时而流失。在最坏的情形下（全部伪装且仅有两类业务），FRfb 顶多退化为等价于 RND；而在多业务下，FRfb 凭借“前端分层过滤保证专款专用 + 后端兜底网罗潜伏高手”的双重保险，实现了在任何不可控战略扰动下的绝对压制和稳赢！

5.6 命题 5：半近似保证 (Half Approximation)

【命题 5 核心陈述】：当需求端任务具备充分耐受力（即拒绝存活概率 $p\ = \ 1$）时，无论二分兼容图处于何种复杂形态（包括任意广义网络），且无论智能体群体演化出何种策略博弈组合 $\sigma\ \in \ \Sigma(Q)$，FRfb 策略所达成的吞吐量至少能够锁住全信息第一最优（First-Best）吞吐量的二分之一：

$$TP\left( \pi^{FRfb};\ \sigma \right)\ \geq \ \frac{1}{2}\ \cdot \ TP^{FB}$$

命题 5 实例剖析：遭遇极端市场风暴时的防熔断安全垫 【通俗生活与运营实例】：在算法工程中，最怕的是某种机制在 90% 的场景下表现优异，但在另外 10% 的突发“黑天鹅事件”中发生雪崩式崩溃（灾难性低效）。命题 5 为平台管理者吃下了一颗定心丸：假设全知全能的上帝亲自操盘调度，每天系统理论极限能撮合成交 100,000 单。由于现实中存在严重的私有信息阻隔，平台不知道司机的真实意图，司机还在疯狂算计系统。即使在最极端恶劣的策略踩踏环境下，FRfb 机制凭借其不闲置（Non-idling）与贪婪匹配属性，也能向管理者立下军令状：全天成交量绝对不会跌破 50,000 单！它构筑了不可击穿的工业级性能安全底线。

5.7 命题 A.1：广义兼容图下的第一最优灵活性保留 (First Best on General Compatibility Graphs)

【命题 A.1 核心陈述】：在全信息假设下，对于任意复杂的二分相容图，在全体可行的状态依赖策略族 $\Phi$ 中，必然存在一个最大化吞吐量的非闲置最优调度策略，且该策略严格满足“广义灵活性保留性质”：对于任意到来的任务 $j$，只要两个相容智能体满足严格子集包含关系 $J(i)\ \subset \ J(i')$，系统就绝不可把任务派给更灵活的 $i'$，而必须先指派给专业度更高的 $i$（即 $A_{i}\ > \ 0\ \ \Rightarrow \ \ \varphi_{i'}(A,\ j)\ = \ 0$）。

命题 A.1 实例剖析：大中小三级车型的层级梯次递进原则 【通俗生活与运营实例】：考虑网约车的车型嵌套场景：普通经济型轿车（能力集：只能拉 1-4 人小单）；舒适型 SUV（能力集：既能拉 1-4 人，又能拉 5-6 人中单）；豪华七座商务车（能力集：1-4 人、5-6 人以及 7 人超大团均可胜任）。显而易见，这三者的服务能力构成了严格的嵌套包含关系。此时系统进了一个普通的 3 人出行小订单，三类车型全部在场且完全相容。命题 A.1 给出了毋庸置疑的最优铁律：必须遵循“经济型轿车 → 舒适型 SUV → 豪华商务车”的严格梯次派发顺序！先让轿车去跑，严禁过早动用豪华商务车。因为一旦把大商务车拿去跑 3 人小单，一分钟后突然来了一个 7 人的机场外宾团，整个系统将陷入“大车跑了小单、大客无人能接”的毁灭性瘫痪。

5.8 命题 A.2：流体松弛线性规划上界 (Fluid LP Upper Bound)

【命题 A.2 核心陈述】：对于任意给定的二分相容图结构与到达离去参数，如下流体线性规划（Fluid LP）的最优目标值，严格大于或等于系统在任意可行调度策略 $\varphi\ \in \ \Phi$ 下所能达到的实际物理吞吐量：

$$max\ \sum_{i \in I,\ j \in J(i)}^{}x_{i,j}\ \ \ \ s.t.\ \ \sum_{i \in I(j)}^{}x_{i,j}\ \leq \ \mu_{j},\ \ \forall j\ \in \ J;\sum_{j \in J(i)}^{}x_{i,j}\ + \ y_{i}\ = \ \lambda_{i},\ \ \forall i\ \in \ I;\theta x_{i,j}\ \leq \ \mu_{j}y_{i},\ \ \forall i\ \in \ I,\ j\ \in \ J(i);\ \ x_{i,j},\ y_{i}\ \geq \ 0$$

命题 A.2 实例剖析：用宏观水利管网算力，锁定系统的不可逾越之巅 【通俗生活与运营实例】：在现实大规模网络中，由于状态空间呈指数级爆炸，人类几乎不可能算出每时每刻每辆车的精确最优动态调度。命题 A.2 巧妙地采取了水利工程学中的“水流连续化思想”：把一个一个蹦出来的离散司机和离散订单，想象成长流不息的自来水管道流。通过建立流体质量守恒约束（订单消化量不超过需求进水量、司机匹配加流失等于总供给量、排队等待与流失平衡关系），解一个极快的初等线性规划，便能算出该城市交通网络在物理极限上“最多能流过多少水”（即吞吐量绝对天花板）。同时，该线性规划对偶变量的影子价格（Shadow Prices），直接揭示了不同技能司机的边际稀缺度价值，为后续复杂网络下的启发式派单顺序提供了最科学的定量罗盘。

六、 仿真实验、算法求解与数值结果深入解读

为了在广义网络和高维状态空间下系统验证不同匹配机制的真实表现，作者设计了严密的演化博弈仿真体系。

6.1 纳什均衡求解算法：复制动态学 (Replicator Dynamics)

在面对多智能体类型的高维策略空间时，传统代数方法难以求解精确均衡。论文采用了演化博弈论中的经典利器——复制动态学结合蒙特卡洛仿真进行迭代逼近。设第 t 轮迭代中智能体群体的策略组合为 $\sigma^{t}$，第 i 类智能体选择加入队列 q 的策略更新法则为：

$$\sigma_{i,q}^{t + 1}\ - \ \sigma_{i,q}^{t}\ = \ \sigma_{i,q}^{t}\ \cdot \ \frac{{u^{\pi}}_{i,q}\left( \sigma^{t} \right)\ - \ {u^{\pi}}_{i}\left( \sigma^{t} \right)}{{u^{\pi}}_{i}\left( \sigma^{t} \right)},\ \ \forall i\ \in \ I,\ q\ \in \ Q$$

其中 ${u^{\pi}}_{i}\left( \sigma^{t} \right)\ = \ \sum_{q \in Q}^{}{\sigma_{i,q}^{t}{u^{\pi}}_{i,q}\left( \sigma^{t} \right)}$ 为平均期望收益。该更新机制具有鲜明的经济学直觉：某个队列的表现若高于当前平均水平，选择该队列的概率份额将按比例自然扩张，反之则萎缩，直到方差极小收敛至稳定的纳什均衡。

6.2 仿真环境、图结构与参数设计

实验设定任务类型数 J = 4。总到达率设为任务 ∑μ_j = 16，智能体 ∑λ_i = 20（略高于需求以平衡耐受流失）。耐受率 θ = 1。考虑三种兼容图族（G1 基础星型、G2 嵌套层级、G3 完全幂集）。智能体类型比例从两种狄利克雷分布（Dirichlet Distribution）中采样：对称分布（各类型占比均等）与加权分布（越灵活的智能体平均占比越高）。考察订单有限耐受（p = 0.8，平均经受 5 次拒绝后流失）与无限耐受（p = 1.0）。针对每种组合运行 100 次独立采样仿真，每次时长 T = 1,000。

6.3 仿真数据全景与核心发现 (解读 Table 1)

下表整理了论文 Table 1 的核心仿真实验结果（数值以流体上界比例呈现）：

性能指标 / 策略	对称分布 (α_i = 1)			灵活性加权分布 (α_i = |J(i)|)
兼容图 / 存活率	G1 (p=0.8)	G2 (p=0.8)	G3 (p=0.8)	G1 (p=0.8)	G2 (p=0.8)	G3 (p=0.8)
吞吐量: FR 策略	0.896	0.872	0.819	0.863	0.860	0.816
吞吐量: RND 随机策略	0.760	0.809	0.750	0.795	0.830	0.789
吞吐量: FRfb 兜底策略	0.900	0.887	0.855	0.882	0.884	0.867
吞吐量: SB 斯塔克伯格	0.896	0.872	0.825	0.863	0.860	0.822
拒绝流失率: FR 策略	0.000	0.000	0.000	0.000	0.000	0.000
拒绝流失率: RND 策略	0.501	0.438	0.637	0.585	0.461	0.608
拒绝流失率: FRfb 策略	0.036	0.065	0.123	0.081	0.095	0.143
拒绝流失率: SB 策略	0.000	0.000	0.000	0.000	0.000	0.000
伪装低报比例: FR 策略	0.079	0.232	0.677	0.271	0.371	0.803
伪装低报比例: RND 策略	0.000	0.000	0.000	0.000	0.000	0.000
伪装低报比例: FRfb 策略	0.111	0.267	0.723	0.332	0.418	0.858

【重要仿真发现 1：FRfb 的绝对全胜与超强韧性】在所有的图结构（G1、G2、G3）以及所有的到达率分布下，FRfb 策略的吞吐量始终保持最高（达到流体理论极限的 85%~90% 以上）。令人振奋的是，即使在面对极其严苛的拒绝惩罚（p = 0.8）时，FRfb 的吞吐量依然显著超越了完全没有拒绝惩罚（p = 1.0）时的 RND 随机策略，彻底印证了定理 1 的鲁棒优越性。

【重要仿真发现 2：FR 策略的严重失真】随着灵活智能体占比的增加（加权分布）以及网络复杂度的提升（G3），传统 FR 策略的性能急剧崩塌。在 G3 图下，由于无法分清相对灵活性，智能体为了自保，竟有高达 80.3% 的比例选择战略性低报能力！大量的专车单因为专用队拥堵而无法有效完成，FR 彻底退化，性能落后于 FRfb 达 5~7 个百分点。

【重要仿真发现 3：极低的拒绝损耗代价】虽然 FRfb 引入了看似不相容的兜底推荐，但数据表明，因被连续拒绝而导致的订单损失率仅在 3.6%~14.3% 之间，远低于纯随机策略 RND 的 43.8%~63.7%！这表明兜底机制绝非病急乱投医，而是精准定位于相容队列耗尽时的“最后防线”，在维持极高派单准确率的同时榨干了系统的每一丝潜伏运力。

6.4 现实商业落地：Uber 司机端 App 的实际部署

论文深入阐述了 FRfb 策略在 Uber 司机端“目的地设置”功能中的实操工程构架（论文图 7）。

• 正常相容派单（图 7a）：当司机开启目的地模式并输入回家地址后，系统第一优先级为其指派完全顺路的同向行程（Toward Destination）。司机手机端界面弹出绿色图示，欣然接受。

• 触发兜底机制（图 7b）：在全城全职灵活司机全部被占用、而某处存在一笔背离该司机目的地的紧急行程（Away from Destination）时，系统启动 FRfb 兜底程序，将该订单推给这位设了目的地的司机。App 会诚实透明地标注“背离目的地（Away from destination）”警示。

• 智能体自由筛选：真正着急回家的司机可以自由无责点击“No Thanks（拒绝）”，订单继续流转寻找其他运力；而那些原本只是为了抢单才虚开目的地功能的“潜伏灵活司机”，面对这笔高价值订单，便会立刻点击“Tap to Accept（接受）”！通过这种透明免责的末位派发，Uber 在保障司机自主权的同时，优雅地唤醒了被伪装掩盖的系统柔性。

七、 全文结论的经济学与管理学启示总结

本文不仅在运筹学理论与博弈论领域做出了基础性贡献，更对数字平台经济治理、双边市场设计、零工用工伦理以及公共资源分配机制具有深远的管理与公共政策启示。以下从五个核心维度总结其启示：

管理启示一：从严防死守到因势利导的机制哲学 【启示 1：机制设计哲学跃迁——从“防范策略”到“吸纳与利用潜伏”】 传统信息经济学与机制设计理论（Mechanism Design）长期执着于通过繁复的信息甄别（Screening）或严厉惩戒实现“完全真实报告（Truthful Revealing）”。然而在快节奏、高波动的在线撮合市场中，这种执念往往代价高昂且适得其反。本文证明，强制追求真实报告不仅需要掌握过高的私有信息参数，更会因激励错配导致系统吞吐量的大幅流失。管理者的思维应当完成根本性转变：无需恐惧参与者的策略性伪装，而应承认其追求自利的必然性。通过设置富有弹性的“末位兜底（Fallback）”安全阀，平台反过来将参与者的策略性假装转化为系统的“潜伏后备运力（Latent Capacity）”，实现了在不完全信息下的顺势而为与无为而治。

管理启示二：高维动态环境下的简单工程美学 【启示 2：复杂工程系统的至简法则——追求“参数无关性（Parameter-Free）”】 在算法驱动的大型平台中，调度算法常常陷入“过度工程化（Over-engineering）”的陷阱：试图通过大模型与深度强化学习精准预测每位司机的等待厌恶系数、取消概率和转移矩阵。但现实中天气骤变、交通拥堵或突发事件随时会导致估计参数全面失真，引致系统雪崩。FRfb 策略向工业界展现了极其震撼的“极简之美”：它完全不依赖任何到达率、等待成本、价值评估等物理参数，也不需要动态调整分流概率。这种先天的“参数无关性（Parameter-Free）”赋予了算法极强的容错力与可移植性，使其能够在各种突发供需失衡的恶劣环境下展现出超凡的鲁棒性。

管理启示三：强监管约束与工人赋权下的非货币制度红利 【启示 3：后监管时代的平台破局——善用非货币匹配杠杆（Non-Monetary Levers）】 随着全球对零工经济劳动者权益保护的立法升级（如加州 AB-5 劳动法案、欧洲平台用工指令），平台通过货币罚款、强制派单或差别化抽成等传统管理手段正面临严酷的法律红线与劳动者抗议（如 Uber 扣罚 30% 收入的试验引发公关海啸）。平台必须转向非货币机制设计（Non-monetary Mechanism Design）。FRfb 机制充分尊重了劳动者的选择自主权（自主设定偏好、自由免责拒单、行程信息全透明披露），却在底层排队优先级逻辑中完成了对平台整体撮合效率的优化，成功探索出一条在恪守法规、赋权工人的同时保持商业高效运营的合规通道。

管理启示四：公共部门从一刀切随机摇号向弹性分层机制的转型 【启示 4：社会公共政策的算法重塑——破解保障房与公共资源的分配困境】 纽约市 Housing Connect 等公共住房平台的“房源空置危机”，本质上是分配算法忽略了申请人策略性博弈的结果：为了进入大名单，人人都虚假勾选接受老旧转租房，导致系统把存量房盲目摇给只想要新房的人。这一教训深刻表明，公共部门盲目采用“一刀切大摇号（类似 RND）”表面公平，实则效率极低。公共部门应引入类似 FRfb 的“分层优先 + 兜底匹配”架构：优先把老房分配给真正急需且申明只求老房的特困家庭，在新房配额紧张时再将老房作为兜底向声明宽泛的家庭征询意向。这能够极大缩短审核空转周期，真正将珍贵的社会公共资源匹配给需求最契合的社会公众。

管理启示五：打破效率与公平零和博弈的生态共荣之道 【启示 5：平台生态的良性演进——兼顾效率与不同群体的分配公平性】 如图 6 所示，纯随机派单（RND）完全偏向高度灵活的群体（因为他们什么活都能干，匹配几率最高），彻底剥夺了弱势专用群体的生存空间；而教条的保留灵活性（FR）则过度向专用群体倾斜，导致灵活群体受损并产生报复性伪装。FRfb 在两极之间达成了精妙的纳什均衡折衷：它不仅实现了系统总吞吐量的最大化，而且近乎帕累托改进（Pareto Improvement）式地提升了几乎所有优先级组别的接单概率。这向平台战略管理者表明：好的机制设计绝不是零和博弈下的利益切割，而是通过盘活休眠资产做大整体蛋糕，维系多方共赢的健康数字生态。

八、 完整参考文献 (References)

以下按字母序整理论文所引用的全部经典与前沿文献，涵盖排队论、博弈论、机制设计以及共享平台经济的关键理论成果：

Adan I, Foley RD, McDonald DR (2009) Exact asymptotics for the stationary distribution of a markov chain: A production model. Queueing Systems 62(4):311–344.

Adan I, Weiss G (2014) A skill based parallel service system under FCFS-ALIS—Steady state, overloads, and abandonments. Stochastic Systems 4(1):250–299.

Afèche P, Mendelson H (2004) Pricing and priority auctions in queueing systems with a generalized delay cost structure. Management Sci. 50(7):869–882.

Aouad A, Sarıtac O (2022) Dynamic stochastic matching under limited time. Oper. Res. 70(4):2349–2383.

Armony M, Maglaras C (2004) On customer contact centers with a call-back option: Customer decisions, routing rules, and system design. Oper. Res. 52(2):271–292.

Ashlagi I, Fischer F, Kash IA, Procaccia AD (2015) Mix and match: A strategyproof mechanism for multi-hospital kidney exchange. Games Econom. Behav. 91:284–296.

Ashlagi I, Lucier B, Tennenholtz M (2013) Equilibria of online scheduling algorithms. Proc. 27th AAAI Conf. Artificial Intelligence, 67–73.

Ashlagi I, Tennenholtz M, Zohar A (2010) Competing schedulers. Proc. 24th AAAI Conf. Artificial Intelligence, 691–696.

Besbes O, Castro F, Lobel I (2022) Spatial capacity planning. Oper. Res. 70(2):1271–1291.

Braess D (1968) Über ein paradoxon aus der verkehrsplanung. Unternehmensforschung 12(1):258–268.

Caldentey R, Hillas LA, Gupta V (2025) Designing service menus for bipartite queueing systems. Oper. Res. 73(3):1496–1534.

California State Legislature (2019) AB-5: Worker status: Employees and independent contractors.

Campbell H (2017) Grading Uber on their 180 days of change. The Rideshare Guy.

Campbell H (2020) Uber launching two new features: Arrival times and long trip notifications! The Rideshare Guy.

Castillo JC, Knoepfle D, Weyl EG (2025) Matching and pricing in ride hailing: Wild goose chases and how to solve them. Management Sci. 71(5):4377–4395.

Castro F, Ma H, Nazerzadeh H, Yan C (2022) Randomized FIFO mechanisms. Proc. 23rd ACM Conf. Econom. Comput. EC '22, 60.

Castro F, Nazerzadeh H, Yan C (2020) Matching queues with reneging: A product form solution. Queueing Systems 96(3–4):359–385.

Christodoulou G, Koutsoupias E, Nanavati A (2004) Coordination mechanisms. ICALP 2004, LNCS 3142, 345–357.

Cobham A (1954) Priority assignment in waiting line problems. J. Oper. Res. Soc. America 2(1):70–76.

Cradeur J (2020) Lyft is piloting changes to destination mode with some drivers from 6 to 2 destination filters.

Cressman R (2003) Evolutionary Dynamics and Extensive Form Games, vol. 5 (MIT Press, Cambridge, MA).

De Kok AG, Tijms HC (1985) A queueing system with impatient customers. J. Appl. Probab. 22(3):688–696.

Dolan RJ (1978) Incentive mechanisms for priority queuing problems. Bell J. Econom. 9(2):421–436.

Dughmi S, Ghosh A (2010) Truthful assignment without money. Proc. 11th ACM Conf. Electronic Commerce EC '10, 325–334.

Etherington D (2017) Uber rolls Driver Destinations back from six to two daily in four major cities. TechCrunch.

Gardner K, Righter R (2020) Product forms for FCFS queueing models with arbitrary server-job compatibilities: An overview. Queueing Systems 96(1–2):3–51.

Hassin R (1995) Decentralized regulation of a queue. Management Sci. 41(1):163–173.

Hassin R (2009) Equilibrium customers’ choice between FCFS and random servers. Queueing Systems 62(3):243–254.

Kleinrock L (1967) Optimum bribing for queue position. Oper. Res. 15(2):304–318.

Koutsoupias E (2014) Scheduling without payments. Theory Comput. Systems 54(3):375–387.

Koutsoupias E, Papadimitriou C (1999) Worst-case equilibria. STACS 1999, LNCS 1563, 404–413.

Leshno JD (2022) Dynamic matching in overloaded waiting lists. Amer. Econom. Rev. 112(12):3876–3910.

Ma H, Fang F, Parkes DC (2022) Spatio-temporal pricing for ride-sharing platforms. Oper. Res. 70(2):1025–1041.

Marcotte P, Marquis G (1992) Efficient implementation of heuristics for the continuous network design problem. Ann. Oper. Res. 34(1):163–176.

Naor P (1969) The regulation of queue size by levying tolls. Econometrica 37(1):15–24.

Parlaktürk AK, Kumar S (2004) Self-interested routing in queueing networks. Management Sci. 50(7):949–966.

Reddit (2019) Uberx + Eats? Or UberX only? r/uberdrivers.

RideGuru (2019a) Uber destination mode paying 30% less.

RideGuru (2019b) Uber now charges drivers more for using destination mode.

State of California (2020) Protect app-based drivers and services act (Proposition 22).

Su X, Zenios SA (2004) Patient choice in kidney allocation: The role of the queueing discipline. MSOM 6(4):280–301.

Su X, Zenios SA (2006) Recipient choice can address the efficiency-equity trade-off in kidney transplantation: A mechanism design model. Management Sci. 52(11):1647–1660.

Taylor PD, Jonker LB (1978) Evolutionary stable strategies and game dynamics. Math. Biosciences 40(1–2):145–156.

Uber (2017) 180 days of change: Even more flexibility and choice.

Uber (2022) Setting your preferences and destinations.

Uber (2025) Why can't I set a destination?

UberPeople (2019) Destination filter priority? Online forum discussion.

UberPeople (2020) Separate accounts for UberX and Uber Eats? Online forum discussion.

Visschers J, Adan I, Weiss G (2012) A product form solution to a system with multi-type jobs and multi-type servers. Queueing Systems 70(3):269–298.

Wolff RW (1982) Poisson arrivals see time averages (PASTA). Oper. Res. 30(2):223–231.

Yan C, Zhu H, Korolko N, Woodard D (2020) Dynamic pricing and matching in ride-hailing platforms. Naval Res. Logist. 67(8):705–724.

Yang L, Debo L, Gupta V (2017) Trading time in a congested environment. Management Sci. 63(7):2377–2395.