Notice bibliographique
Résumé
In this research, we investigate the economics of queueing systems with strategic non-risk-neutral customers, emphasizing the value-at-risk (VaR) framework. It is distinct from the moment-based utility structure of Naor’s model by introducing the maximum loss customers can bear with a certain level of confidence. We consider both homogeneous and heterogeneous cases of risk preferences under different information levels. Our findings demonstrate that optimal strategies in observable queueing systems with non-risk-neutral customers exhibit threshold-type behaviors that differ significantly from those observed in risk-neutral customer settings. For unobservable queueing systems, we derive an equilibrium joining probability for homogeneous risk preferences and a multidimensional equilibrium joining probability for heterogeneous risk preferences. Interestingly, under the VaR criterion, there is an indifferent action region in the observable queueing model. Customers with risk preferences falling within this region will adopt the same joining strategy. And, in the unobservable scenario, there is an indifference curve for risk preference. Customers on the same indifference curve have the same level of risk preference. Furthermore, we provide a conversion formula that facilitates comparison between two risk preferences with different confidence levels. When exploring social welfare, we use conditional value-at-risk (CVaR) to characterize the customer’s excessive losses that lead to potential negative social utility. To distinguish from the classic social welfare function, we term our proposed social welfare function the “CVaR-Based Extended Social Welfare Function (CVaR-ESW)”. In observable systems with homogeneous risk preferences, the socially optimal CVaR-ESW-based risk preference falls within a “ribbon” region, while in unobservable systems, it forms a curve. We also uncover intriguing insights about the information disclosure. In unobservable situations, the throughput in the model with naively assessed (NA) customers is always greater than that in the model with precisely assessed (PA) customers. Based on the differences in risk tolerance values among customers with different risk preferences, we found that, under certain circumstances, NA customers can generate more social welfare, while in other cases, the opposite is true. Overall, this research sheds light on the interplay between VaR-based queueing economics, risk preferences, and strategic customer behavior.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».