摘要
兩條服務隊伍同時運作時，人們常依照公告的等候時間選擇看似較快的一隊。這個理性而簡單的決定，若由大量顧客同步作出，可能使原本較短的隊伍很快成為較長的一隊；服務場所頻繁更新資訊，也不一定足以避免擁擠擺盪。本文提出「換隊回音悖論」作為一項可檢驗的行為機制，並把資訊新鮮度、選擇敏感度與集體反應速度納入雙隊離散時間模型。以穩態 M/M/1 等候時間作為準靜態成本近似，結合混合新舊資訊的 logit 反應與部分適應更新，推導對稱平衡的特徵方程及兩項嚴格局部穩定條件。模型指出，在反應強烈時，完全採用舊資訊與完全採用最新資訊，均可能使均衡失穩；適量結合兩者則可恢復穩定。其次，等候成本對兩隊分流比例呈嚴格凸性，因此時序波動即使不改變平均分流，也可能提高模型內的平均等候成本。假設參數下的確定性模擬呈現兩端波動、中段穩定的資訊權重區間，但這些數值不是實地觀察。本文把已知的延遲資訊振盪研究轉化為一個具體、可反駁的雙端資訊設計假說，提出實驗辨識方法，並明確討論服務排程、社會規範與資訊誤差的替代解釋。
關鍵詞：換隊回音悖論；等候資訊；選擇同步；離散動態；排隊理論；凸性成本
1 引言
1.1 一條「比較短」的隊伍
在餐廳點餐、活動入場、便利店結帳與公共設施排隊時，最常見的微小決策是先觀察兩列人龍，再走向較短的一列。若有人問「為何選這一邊」，回答通常十分合理：「它看上去比較快。」可是當數十人都看見同一面電子等候告示牌，人人根據相同訊號調整方向時，原本有利的資訊會被集體行動改寫。眼前較短的隊伍恰好吸引所有想節省時間的人，因而在下一個時段承受較高的需求。人們並非同時做錯算術，而是其選擇本身改變了後來者所面對的成本。
此現象帶有兩種易混淆的行為。第一種是「入列選擇」（routing）：新到達的顧客在兩個服務台之間分配；第二種才是排隊途中離開原隊再加入另一隊的「換隊」（jockeying）。Koenigsberg（1966）很早已正式研究後者。本文用較具記憶點的「換隊回音」作為理論名稱，但核心變數首先描述逐期新到達者的入列比例，並不把模型輸出的分流變動冒充為已經站在隊伍中的顧客實際換位次數。這項概念邊界對後續實證尤為重要。
1.2 問題與研究貢獻
排隊資訊有兩個表面相反的管理直覺。第一，公告越即時，顧客越容易選擇正確，應當更有效率；第二，資訊更新越慢，顧客反應越溫和，系統應當更平穩。本文要研究兩個直覺何時都會失效。具體問題為：在兩個同質服務台、固定總到達率的簡化環境中，對舊資訊或新資訊的過度依賴，能否同時造成分流不穩？是否存在中間的資訊混合權重，使顧客仍可按相對等待成本選擇，又避免連鎖轉向？
本文的新增部分具有刻意收窄的定位：不是首次發現等候公告會引起振盪，而是建立一個容易核算的離散「新舊訊號混合」模型，在同一個方程中導出一個雙端失穩、中段局部穩定的參數窗口，並把分流波動連到凸性的平均等候成本。這是一個條件式理論命題，並非已獲實驗證實的普遍社會定律。模型參數、記錄方法與反例均將明示，讓後來研究能直接推翻它。
2 文獻回顧與理論定位
2.1 排隊決策不等於純粹時間計算
Naor（1969）討論排隊長度與個人決策的社會最適之差距，提示個別顧客的局部理性未必等於群體效率。Koenigsberg（1966）對顧客跨隊移動作出早期數學討論，突顯當前隊列長度並非固定的外生資料。Veeraraghavan 與 Debo（2009）研究長隊所傳達的服務品質資訊：當排隊本身是社會線索，人們未必總會加入短隊。這意味著「短隊較佳」是本文刻意採用的行為假設；若顧客把長隊理解為品質保證，結論可以逆轉。
Banerjee（1992）以及 Bikhchandani、Hirshleifer 與 Welch（1992）分別從從眾與資訊級聯視角研究個體如何以他人的行動作為訊號。它們與本文相關之處，是同一條可見資訊會使不同個體的決策變得相關。但本文不主張參與者在互相模仿：顧客即使獨立按照同一張等候時間表計算，也可能形成同步選擇。因而需要把「共同資訊造成的同步」與「模仿他人造成的同步」分開設計實驗。
2.2 公告延遲所造成的已知波動
Allon 與 Bassamboo（2011）顯示公告時點及資訊可信度會改變策略性顧客的行為，延後公告的影響並非單向。Pender、Rand 與 Wesson（2017）建立含延遲資訊及多項 logit 選擇的隊列動態，分析延遲如何導致振盪。Dong、Yom-Tov 與 Yom-Tov（2019）以醫院網絡中的資料與數值分析指出，等候資訊可協助病人協調選擇，但以歷史平均估算的資訊亦可能帶來波動及更長等候。這些研究直接否定「延遲總是無害」的單純假說。
Novitzky 等人（2019）進一步研究振盪幅度；Pender、Rand 與 Wesson（2020）對隨機隊列模型建立極限定理與延遲動態關係。Atar 與 Lipshutz（2021）研究使用延遲估計資訊挑選較短隊伍的重交通極限，說明資訊推估方式會影響負載平衡。Lakrad、Pender 與 Rand（2022）分析多隊列延遲選擇的動態，Collera（2022）展示不同延遲下可出現更複雜的雙穩態週期與準週期。本文不能把「延遲導致週期」描述為原創發現，也不宜把下文的離散模型和上述連續時間微分延遲方程混為一談。
2.3 剩餘的可研究空隙
既有成果已對延遲資訊引起動態失穩作出廣泛貢獻，但在日常場所最簡單的公告設計中，仍值得問一個可操作問題：如果牌面將「最新一期的觀察」與「上一期的歷史紀錄」按固定比例混合，是否必然越新越好？本文借用離散行為調整與簡單的穩態等候函數，尋找其穩定權重的解析不等式。這不取代既有更真實的隊列模型；貢獻在於給出清晰、可公開檢算、可做因子實驗的參數門檻，並提出「中度新鮮度」可勝過兩個極端的待驗證預測。
3 理論框架：「換隊回音」與共同訊號
3.1 現象定義與研究單位
所謂「換隊回音悖論」，定義為下列假設式現象：當選擇者依賴相同的排隊資訊並且反應足夠同步時，近期較快的隊伍所吸引的新增顧客會在後續造成相反的成本訊號；新的反向選擇再改寫下一期的隊列情況，產生負回饋中的過衝。本文研究的單位是「每一個時段到達者選 A 隊的比例」，記作 x(t)，不是個人是否會無理由轉換，也不是一個場所實測的總人龍長度。
參與者的時間選擇具有非線性：當兩隊差異不大時，有人仍按習慣或位置選擇；差異大時，更多人會被看似快速的一邊吸引。管理者公布的數字又存在兩個來源：本期資料以及上一期資料。參與者是否見到其他人「都往左走」，可作為模型以外的社會認知機制，在未來實驗中另外測量。
3.2 五項顯式假設
假設 H1：兩個服務台具有相同服務率 μ，總顧客到達率 Λ 不變，且 0＜Λ＜μ，使任何分流比例下的分隊穩態參考等候時間有限。假設 H2：每一期長於單次服務尺度，等候成本可用分隊 M/M/1 穩態公式作準靜態近似；當分流劇烈改變時此假設很可能不準。假設 H3：新到顧客看到共同的混合公告，對等候差的敏感度由 κ 表示。假設 H4：集體分流有慣性，僅比例 δ 的分流權重按新訊號更新。假設 H5：管理者以 θ 表示最新觀察的權重，上一期的權重為 1−θ，兩者均被忠實公告，沒有策略性捏造。
這些不是對任何餐廳的經驗判斷，而是用來隔離機制的假設。若服務速度有很大差異、顧客依品質而非時間選擇，或每個人得到完全不同的個人化資訊，就需要另外的數學框架。理論命題僅在指定參數與行為規則內成立。
3.3 核心量測與可觀察含義
| 符號 | 定義 | 假設範圍／量測 |
|---|---|---|
| x(t) | 本期新到顧客選擇 A 的比例 | [0,1]；按時段計數 |
| μ、Λ | 每隊服務率、總到達率 | μ＞Λ＞0；單位為人／時間 |
| W_A、W_B | 準靜態分隊平均系統逗留時間 | 時間單位；不等於實測瞬時等待 |
| κ、δ | 等候差敏感度、分流調整率 | κ＞0；0＜δ≤1 |
| θ、z(t) | 新資料權重、被公告的分流代理值 | 0≤θ≤1；z=θx(t)+(1−θ)x(t−1) |
| C、g | 加權逗留成本、均衡反應斜率絕對值 | C 以時間計；g 無單位 |
表 1 將變數分成可直接從入列記錄測量的比例、需透過服務紀錄估計的服務率，以及需由選擇實驗辨識的心理反應參數。這有助避免直接把 κ 當成「人類從眾程度」的既成事實；κ 可以來自對成本差的理性敏感，也可以包含共享線索帶來的反應一致性，兩者必須靠額外設計辨認。
4 數學模型與可核實推導
4.1 準靜態排隊成本
兩個服務台有相同服務率 μ，總到達率為 Λ，分隊份額分別為 x 與 1−x。以穩態 M/M/1 系統平均逗留時間作代理（包含服務時間）：
此式的數學意義是到達率逐步接近服務率時，隊列對流量的敏感度增大。若想研究純等待時間，兩個式子同時減去 1/μ 即可；相對成本差不變，故本文的選擇方程不受此常數轉換影響。式（1）只是穩態理論近似，無法保證逐期變動流量下的真實等候時間必然依它變動。
4.2 共同公告、logit 與適應更新
公告把本期與前一期的分流紀錄合併，得到顧客所相信的壓力比例：
顧客選 A 的理論機率採 logit 形式。兩隊相同則機率是 1/2，A 的等候成本高時機率下降：
再引入調整率 δ，描述以新選擇代替上一輪分流的程度：
式（4）將人群表示為一個總體調整過程，故 x(t+1) 可為連續比例。它不是說同一顧客每分鐘按 δ 機率走到別的隊伍；現實中的 δ 或與觀察期長、慣性、未更新訊號的顧客比例有關。將來需以到達者個體記錄辨識這種近似是否合理。
4.3 平衡點唯一，但未必穩定
在對稱服務台，F(1/2)=1/2。因此 x*=1/2 是平衡。由於 W_A 隨 x 增、W_B 隨 x 減，F 是嚴格遞減函數；直線 x 嚴格遞增，故 x=F(x) 至多有一根，並且該根就是 1/2。這表示本模型中的多期擺盪不是多個不動點之間的任意選擇；即使平衡唯一，系統仍可能不收斂。
對式（1）的成本差求導，並在 x=1/2 處利用 logistic 函數的斜率 1/4，得到：
g 是一個無因次的總反應斜率：服務接近擁塞時，分母變小，同樣敏感度 κ 就會造成更大的集體回應。把 ε(t)=x(t)−1/2 代入式（4），取一階近似：
假設 ε(t)=λ^t，便可導出特徵多項式：
式（7）的兩根決定小擾動如何演變：兩根的模皆小於 1，對稱平衡在局部漸近穩定；若至少一根的模大於 1，就存在被放大的小擾動。此處使用局部線性判準，不把其結論自動擴張為所有初值的全域動力學定理。
4.4 兩端失穩與中間穩定的條件
對式（7）套用二階離散系統的 Jury／Schur 條件。由 δ＞0、g＞0 可知其中一個不等式自然成立，餘下兩條嚴格條件是：
第一條控制過時資訊的滯後回音；第二條限制高權重即時資訊引起的輪流反向過衝。當 θ=0，必須 δg＜1；當 θ=1，必須 δg＜2−δ。若反應過強，兩個極端都有可能違反不同的條件。尤其當 δg＞1 時，第一條要求：
而當上界小於 1 時，第二條要求：
因此在符合 θ_low＜θ_high 且與 [0,1] 相交的參數區域中，θ 可存在嚴格穩定窗口。特別要留意：窗口存在與兩端均失穩不是同一個命題，必須另外檢查 θ=1 的不等式，即 δg≥2−δ。不能只因畫出了中段穩定區就聲稱所有極端必然不穩。
進一步設 h=δg。由 0＜δ≤1 可知 2−δ≥1；要同時令 θ=0 與 θ=1 屬於嚴格失穩區，充分的非臨界條件是 h＞2−δ。另一方面，中間可用的嚴格窗口要求 1−1/h＜(2−δ+h)/(2h)，整理得 h＜4−δ。因此 2−δ＜δg＜4−δ 是「兩端失穩而中間存在穩定區間」的清楚參數區域；在等號邊界，線性特徵值的模可以等於 1，須另作非線性臨界分析。這個區域同時指出，反應強度若再高於 4−δ，單靠混合兩期資料便無法局部穩定對稱點。
4.5 為何波動會增加群體等候成本
個別顧客按自己的選擇估計等待，但全體的平均逗留成本按分流加權。定義：
第二次微分後可直接得到：
函數對稱且嚴格凸，因此 C(x) 在 x=1/2 達到唯一最低點。由 Jensen 不等式，即使一段時間內的平均份額剛好是 1/2，波動仍有正的等待成本。令 E 表示對時序觀察窗取平均：
這是本文最重要的群體層面推論：好壞訊息交替出現，平均起來似乎公平，仍不代表總成本回到最小。對 x=1/2 附近的波動作二階泰勒展開，當平均接近 1/2 且分散較小時，可用 C″(1/2)Var(x)/2 近似超額成本；如果出現大幅振盪，必須使用式（11）直接計算，不能把近似當成精確等式。
4.6 個人換隊摩擦的補充說明
如果場所容許已站在隊中的人實際換隊，可另在社會成本加入單次移動造成的時間與壓力。可是本模型紀錄的 |x(t)−x(t−1)| 僅是不同時段「入列份額調整幅度」，不是實際換隊率。研究者不能以此直接計算換隊者數量，因為兩期的人員並不相同。在有個人追蹤資料以前，本文只把該絕對差用作波動強度的輔助指標，不代入虛構的社會損失或效率金額。
5 參數模擬與結果
5.1 可重現設定與資料性質
選取完全假設的 μ=1.4、Λ=0.8、δ=0.55，採用兩組 κ：反應較弱的 κ=2，以及反應強烈的 κ=8。為了使兩條資訊規則可比較，除 θ 以外的服務與反應參數保持不變。數值計算將 x(−1)=0.62、x(0)=0.38 代入式（4），演算 1,200 個時段，先捨棄前 400 個，再統計後 800 期。所有數字均由確定性數學模型產生；seed=20261015 只留給需要隨機擴展的程式作版本註記，並不暗示下面四列是 Monte Carlo 實驗。
本例對稱點的 (μ−Λ/2)=1，因此 g=0.4κ。當 κ=8，g=3.2，δg=1.76；式（9）給 θ_low=0.4318，式（10）給 θ_high=0.9119。故 θ=0 完全使用上一期資訊時失穩；θ=0.65 落入嚴格穩定區；θ=1 完全採用本期資訊時也失穩。這是兩條不同失穩邊界恰好同時出現在同一組參數中的示例，並不聲稱每間真實餐廳都會有同樣情況。
圖 1 假設參數下選擇敏感度 κ 與即時資訊權重 θ 的局部穩定區域。綠色為線性穩定，粉色為線性失穩；資料來源：本文式（8）的解析判準。
5.2 相同服務能力下的四個反應情境
| 情境 | κ／θ | 線性局部穩定 | 平均入 A 比例 | 份額標準差 | 平均逗留成本 |
|---|---|---|---|---|---|
| 弱反應、滯後 | 2／0.00 | 是 | 0.5000 | 0.0000 | 1.0000 |
| 強反應、純舊訊息 | 8／0.00 | 否 | 0.5002 | 0.2119 | 1.1055 |
| 強反應、適度混合 | 8／0.65 | 是 | 0.5000 | 0.0000 | 1.0000 |
| 強反應、純新訊息 | 8／1.00 | 否 | 0.5000 | 0.1305 | 1.0386 |
表 2 呈現按程式相同觀察窗計算的確定性數值。平均成本是式（11）的「準靜態代理成本」，不是人類顧客實測的實際等待秒數。當 θ=0 時，模型雖然平均把近半數到達者分往 A，兩期之間卻大幅擺動，平均成本比均衡值 1.0000 高約 10.55%；θ=1 時也高約 3.86%。相反地 θ=0.65 時，兩隊份額回到 0.5，成本回到 1.0000。有限時間數值結果不等於外部經驗效度；它支持的是推導與程式內部的一致性。
圖 2 四種假設規則在捨棄初期過渡後的入列份額軌跡。虛線為 0.5；數據來自可重現的確定性迭代，不含實際觀察。
5.3 資訊混合比例的雙端成本
圖 3 固定 κ=8 與其餘全部參數，只在 0 至 1 之間變動 θ。由於高敏感度可能在兩端引起不同形式的局部失穩，在中間卻有穩定窗口，等候代理成本呈兩端偏高、中段貼近最小值的形狀。然而「成本最低」與「嚴格局部穩定」並非完全同義：短有限窗、初值與非線性振盪的吸引域可改變所見數值。要宣稱某個 θ 是唯一的全域最適權重，還需完整研究長期不變分布、異質顧客與管理成本。
圖 3 即時公告權重 θ 與超額平均逗留代理成本的關係。所有曲線均為同一組假設參數的確定性模擬，縱軸以時長單位呈現。
5.4 靈敏度、界限與退化情況
圖 1 亦顯示 κ 下降時穩定區域擴大：人們不會因極小的差異一同快速轉向，回饋幅度便下降。當 κ→0，F→1/2，x(t) 逐步向平均份額收斂；當 Λ→0，服務幾乎不受負載影響，g→0，排隊成本差也趨近零。當 δ→0，調整反應極慢，有限時間的分流幾乎不動；即使線性特徵值逼近 1，實際觀察也可能把緩慢的收斂誤判成穩定配置。當 Λ 逼近 μ，分隊的穩態近似雖在形式上仍可寫下，真實隊伍卻更可能違反準靜態假設；此時應轉向實際隊長與服務流程模擬。
表 2 的「標準差」是在有序時間點計算的波動描述值；它們不是獨立人類樣本的標準誤，更不是估計社會平均效果的信賴區間。程式保留完整參數、圖像與 CSV。研究者可更改初值和模型規則驗證這些數字只在指定假設之下有效。
6 討論：資訊為何可能越「準」越亂
6.1 局部理性與全體回音
如果一人得知 A 隊較快而選 A，通常可以理解；當大量人依同一張公告同步決定，A 所承受的負載也一起上升。這是社會科學常見的組成謬誤：對單人的正確選擇規則，未必在所有人同時使用時維持效果。本文沒有假設顧客是非理性，也未將動態歸因於道德缺陷。問題發生在共同訊號、反應時間與需求負載之間的回饋。
值得分辨的是「消息越準確」可能有兩種意思：一是統計上的預測誤差較低；二是公告反映最新一期數值的權重較高。本文的 θ 只控制第二種意義，不代表具有高 θ 的公告必然在最終等候預測上更準。當集體選擇會迅速改變流量，最即時的截面描述可能不是下一批顧客最有用的預測；管理者反而應評估模型所需的未來成本預測能力。
6.2 混合公告與審慎的政策含義
理論對極端資訊政策提出有限質疑：只顯示舊資料可能追不上需求轉向，只顯示新資料在高反應環境又可能誘發過度修正。混合公告在某些條件下可抑制波動，但不表示管理者應隱瞞真實等候、故意延誤資訊或操縱顧客。若管理者改以預測下一期服務負載的資訊替代當前占比，新的訊號也許比固定混合更有效，必須與混合公告在同一個實驗框架比較。
個人公平也不應被平均值掩蓋。若一條隊伍專為輪椅人士、長者或複雜服務保留，表面上的等服務率對稱就不成立；對兩隊平均成本的減少也不能作為削減合理優先服務的理由。若顧客擔憂離開熟悉隊伍會失去權利，即使公開公告相同，實際 δ 也可能因社會規範而低於模型假設。
6.3 與既有研究的實質關係
延遲公告引起排隊振盪，已有連續時間延遲微分方程、重交通與數值模擬等先行研究。本文可辨識的有限增量是：將兩期訊息混合權重與離散總體調整率放進一個低維模型，在明確的二階 Jury 條件下展示「舊資訊過強」與「新資訊過強」兩條不同失穩邊界，並利用等候成本的嚴格凸性把純粹的份額波動解釋為代理成本的增加。由於混合與平滑政策早見於相關營運文獻，不能把這一公式形式寫成未曾有人構想的普遍新定律。
7 限制、反例與可反駁性
本研究的最大限制是使用式（1）的 M/M/1 穩態時間作逐期變動系統的成本代理。真實排隊中的服務率與等候時間隨歷史長度、服務優先級、服務時間變異與工作人員流動改變；固定服務率的對稱模型無法把所有情況一次涵蓋。此外，逐期份額 x(t) 不是累積排隊人數，沒有排隊長度的守恆方程。這個模型因此應稱作「以排隊成本為輸入的行為分流動態」，不能聲稱完成了雙隊實際等候時間的精確物理演算。
第二，logit 假設對等候差作單調反應，卻未把地理距離、目標服務品質、已排隊的沉沒成本、同行者選擇與不同顧客的需要納入。當短隊對應較差服務，Veeraraghavan 與 Debo（2009）的資訊外部性觀點便提示：實際選擇甚至可能偏向長隊。當兩個服務台負載低、顧客有固定偏好，κ 或 g 會很小，兩端失穩情形不會出現。
第三，參數 κ 並不直接估計社會模仿程度；同樣的集體同步可來自共享準確訊息與獨立選擇，不能單靠相關性分辨原因。第四，模型假設公告權重固定，但一旦人們知道公告演算法，可能改為推斷對方下一步，令反應本身產生策略性循環。第五，單一初值確定性軌跡不等於跨日場所穩健結論；任何個別平台的數據都需要檢查需求非平穩性與突發事件。
模型的可反駁性具體表現在：若相同服務負載、反應敏感度與更新頻率下，改變 θ 並沒有出現模型所預測的穩定窗口，則本文行為方程不足以描述該場景；若公告越即時且需求越敏感反而一律改善成本，雙端失穩命題便不適用。研究者應事先訂明 κ 與 δ 的量測法，而不能事後調參令每一組結果都看似與模型一致。
8 未來研究與預註冊實驗設計
一項可操作的因子實驗，是在數碼模擬的雙隊入列場景中，隨機分配參與者看到純上一期、純當期、以及兩者加權混合的公告。保持兩隊服務規則、總到達率及報酬一致，記錄每人見到訊息的時間、實際選擇、個人估計等待、對另一隊速度的推斷、可能的同儕線索及結果滿意度。因變數應分開測量分流份額的時間波動、實際產生的等候時間、換隊意圖與真實換隊行為，以避免把同一件事用四種名稱重複計量。
第二項測試可使用離散事件模擬（Discrete Event Simulation）產生真正的服務與排隊過程，令到達為 Poisson、服務時間為指數分布，依隨機入列決策更新真正的隊伍；再將動態結果與本研究的準靜態代理成本比較。當負載高或公告更新快時，兩者可能出現明顯偏差。可以先在合成環境做模型失配分析，再考慮經倫理與隱私評估的實地觀察，不宜直接從公式得出場地管理指令。
第三項是辨認社會同步的來源：同一個公告數據由全體同時看到，與每人接收個人化但統計等價的資訊，對選擇的相關結構可能不同。若兩組在單人選擇率相同時產生不同波動，便能檢驗「共同視覺線索」的額外影響。實驗分析必須以時段和場次作叢集考慮序列依賴，不能把 800 個時間點當作 800 個獨立受試者。
更複雜的模型應引入異質顧客、非對稱服務率、公告誤差、社會公平、時間隨機到達、不同公告延遲與長隊代表品質的替代訊號。同時可探討管理成本與公告透明度是否形成制度性的權衡。上述方向未經本文模擬驗證，只列為後續可以檢查的研究提議。
9 結論
本文從一個平常的問題出發：人人都想排最短的隊，為何公共服務的兩條隊仍可能一起起伏？以共享的等候資訊、logit 選擇與離散適應更新建立最小數學架構後，可以明確區分資訊滯後造成的振盪與即時訊號下的集體過衝。式（8）給出兩個獨立的局部穩定要求，在合適參數區間裡，新舊資訊按中間權重混合，可同時避免兩種失穩；式（13）則證明平均份額即使均衡，因分流成本凸性，波動仍可增加理論平均等候代理成本。
這些是特定假設下的演繹結果，並非社會通則。真正重要的後續問題，是能否在有真實隊伍守恆、個人決策紀錄及可信公告的實驗中觀察同類機制。即使結果否定該簡化模型，「把資訊是否最新」分拆為「資訊如何被集體使用」，仍有助於提出更準確的服務協調理論。
參考文獻
Allon, G., & Bassamboo, A. (2011). The impact of delaying the delay announcements. Operations Research, 59(5), 1198–1210. https://doi.org/10.1287/opre.1110.0972
Atar, R., & Lipshutz, D. (2021). Heavy traffic limits for join-the-shortest-estimated-queue policy using delayed information. Mathematics of Operations Research, 46(1), 268–300. https://doi.org/10.1287/moor.2020.1056
Banerjee, A. V. (1992). A simple model of herd behavior. The Quarterly Journal of Economics, 107(3), 797–817. https://doi.org/10.2307/2118364
Bikhchandani, S., Hirshleifer, D., & Welch, I. (1992). A theory of fads, fashion, custom, and cultural change as informational cascades. Journal of Political Economy, 100(5), 992–1026. https://doi.org/10.1086/261849
Collera, J. A. (2022). Bubbling, bistable limit cycles and quasi-periodic oscillations in queues with delayed information. Symmetry, 14(2), 376. https://doi.org/10.3390/sym14020376
Dong, J., Yom-Tov, E., & Yom-Tov, G. B. (2019). The impact of delay announcements on hospital network coordination and waiting times. Management Science, 65(5), 1969–1994. https://doi.org/10.1287/mnsc.2018.3048
Koenigsberg, E. (1966). On jockeying in queues. Management Science, 12(5), 412–436. https://doi.org/10.1287/mnsc.12.5.412
Lakrad, F., Pender, J., & Rand, R. (2022). Queues with delayed information: A dynamical systems perspective. SIAM Journal on Applied Dynamical Systems, 21(1), 676–713. https://doi.org/10.1137/20M1334358
Naor, P. (1969). The regulation of queue size by levying tolls. Econometrica, 37(1), 15–24. https://doi.org/10.2307/1909200
Novitzky, S., Pender, J., Rand, R. H., & Wesson, E. (2019). Nonlinear dynamics in queueing theory: Determining the size of oscillations in queues with delay. SIAM Journal on Applied Dynamical Systems, 18(1), 279–311. https://doi.org/10.1137/18M1170637
Pender, J., Rand, R. H., & Wesson, E. (2017). Queues with choice via delay differential equations. International Journal of Bifurcation and Chaos, 27(4), 1730016. https://doi.org/10.1142/S0218127417300166
Pender, J., Rand, R., & Wesson, E. (2020). A stochastic analysis of queues with customer choice and delayed information. Mathematics of Operations Research, 45(3), 1104–1126. https://doi.org/10.1287/moor.2019.1024
Veeraraghavan, S., & Debo, L. (2009). Joining longer queues: Information externalities in queue choice. Manufacturing & Service Operations Management, 11(4), 543–562. https://doi.org/10.1287/msom.1080.0239