Kikwazo cha uwezekano wa kiwakati ni kikwazo cha kiuchumi kinachotegemea muda ambacho huamua kama muda uliobaki tangu hali yenye umuhimu wa kiuchumi ionekane hadi uamuzi utekelezwe unatosha kwa mtu, timu au teknolojia fulani ya kufanya maamuzi kuingilia kati kwa maana. Utafiti huu unaunda mfano wa ucheleweshaji katika masoko ya kidijitali si tu kama “gharama ya kuchelewa kuchukua hatua”, bali kama utaratibu unaoweza kubadili nani au teknolojia gani inaweza kufanya uamuzi wa kiuchumi wa pembezoni. Mfumo wa kinadharia unatofautisha ucheleweshaji wa pamoja, ucheleweshaji wa uingiliaji wa binadamu na ucheleweshaji wa kulinganisha; unalinganisha teknolojia za maamuzi za binadamu, mseto na kialgorithimu kwa kasi, usahihi, gharama na hatari ya hitilafu za kimfumo; na unachukulia uwekezaji binafsi katika kasi kama mashindano ya kimkakati ya kipaumbele yanayotegemea uwekezaji wa washindani.

Kiini cha modeli ni \(q(L,z,s)\). Kazi hii huonyesha uwezekano kwamba, kwa dirisha la maamuzi linalopatikana \(L\), sifa za kazi na shirika \(z\), pamoja na msaada wa kiolesura/shirika \(s\), uingiliaji wa binadamu utakamilika kwa wakati na kwa maana. Kadiri dirisha la maamuzi linavyopungua, faida inayotarajiwa ya teknolojia zinazotegemea uingiliaji wa binadamu au mfumo mseto inaweza kupungua; hivyo, huku taarifa, lengo na kanuni ya uamuzi zikiwa zilezile, uamuzi wa pembezoni unaweza kuhamishwa kutoka uingiliaji wa binadamu kwenda kwenye kanuni ya kialgorithimu iliyowekwa mapema.

Utafiti unatoa hoja saba kuu: madirisha mafupi ya maamuzi yanaweza kuchochea mpito wa binadamu → mseto → teknolojia ya kialgorithimu; msaada wa kiolesura na shirika unaweza kuongeza uwezekano wa uingiliaji wa binadamu kwa wakati; ucheleweshaji mdogo wa pamoja unaweza kuboresha uratibu chini ya hali fulani; zawadi za kasi ya kulinganisha zinaweza kusababisha uwekezaji wa kasi uliozidi kiwango cha kijamii; batching, ubahatishaji au viwango vya chini vya ucheleweshaji vinaweza kuongeza ustawi chini ya hali fulani; kupunguza ucheleweshaji hakuondoi matatizo ya kimuundo kama nguvu ya soko, athari za nje au mkusanyiko wa data; na faida zinazotokana na miundombinu ya ucheleweshaji mdogo zinaweza kugawanywa kwa namna tofauti kati ya watumiaji, wapatanishi, majukwaa na wamiliki wa miundombinu.

Sehemu ya nambari ya utafiti si urekebishaji wa kalibrasheni wa soko halisi la kidijitali. Simulizi tendaji imejengwa kwa vigezo vilivyosawazishwa ili kuonyesha utaratibu wa kinadharia. Kwa hiyo, thamani za ustawi au uwekezaji katika simulizi haziwezi kutumiwa moja kwa moja kama vigawo vya sera kwa fedha, matangazo, rejareja, huduma za wingu au mawakala wa akili bandia.

Tatizo la utafiti

Nadharia ya uchumi kwa muda mrefu imechunguza jinsi masoko yanavyoratibiwa kupitia taarifa, motisha, bei, gharama za utafutaji, gharama za miamala, taasisi na usanifu wa soko. Katika masoko ya kidijitali, muda wa jumla kati ya uchunguzi, ukokotoaji, usafirishaji, kuingia foleni na utekelezaji unazidi kufupika. Katika baadhi ya miamala, mzunguko wa uamuzi–utekelezaji unaweza kuwa mfupi kuliko muda ambao binadamu anaweza kukagua muamala mmoja mmoja na kuchukua hatua.

Katika hali hii, swali la kiuchumi si tu “gharama ya ucheleweshaji ni nini?” Swali la msingi zaidi ni jinsi mamlaka ya uamuzi wa pembezoni inavyohama kati ya binadamu, mfumo mseto wa binadamu-mashine au algorithimu wakati dirisha la maamuzi linapofupika.

Kwa nini ucheleweshaji si gharama ya kusubiri pekee?

Kwa sababu katika modeli hii ucheleweshaji hauondoi tu gharama isiyobadilika kutoka kwenye faida ya kitendo; unaingia moja kwa moja katika uwezekano wa uingiliaji wa binadamu kukamilika kwa wakati. Dirisha la maamuzi linapokuwa fupi vya kutosha, hata kama taarifa, malengo, gharama za marekebisho na kanuni ya msingi ya uamuzi havijabadilika, faida inayotarajiwa ya teknolojia ya maamuzi ya binadamu au mseto inaweza kushuka chini ya ile ya kanuni ya kialgorithimu. Hivyo, ucheleweshaji unaweza kubadili si tu matokeo ya uamuzi wa kiuchumi, bali pia teknolojia inayofanya uamuzi huo.

Vipengele vitano vya mnyororo wa uamuzi–utekelezaji

Utafiti unagawanya ucheleweshaji wa pamoja katika vipengele vitano vinavyoweza kuonekana:

\[ L_c = L_{\mathrm{sense}} + L_{\mathrm{compute}} + L_{\mathrm{transmit}} + L_{\mathrm{queue}} + L_{\mathrm{execute}} \tag{1} \]

• \(L_{\mathrm{sense}}\): muda kati ya mabadiliko katika hali ya kiuchumi na mfumo kuyatambua.
• \(L_{\mathrm{compute}}\): muda wa uchimbaji wa sifa, utabiri, uboreshaji au tathmini ya kanuni.
• \(L_{\mathrm{transmit}}\): muda wa kusafirisha taarifa kupitia mtandao.
• \(L_{\mathrm{queue}}\): muda wa kusubiri katika foleni ya huduma au kipaumbele.
• \(L_{\mathrm{execute}}\): muda kutoka kukubaliwa kwa agizo hadi muamala kukamilika.

Tofauti hii ni muhimu kwa sababu ucheleweshaji uleule wa jumla unaweza kutokana na vizuizi tofauti. Uboreshaji wa mtandao unaweza kubadili ucheleweshaji wa usafirishaji, sera ya foleni inaweza kubadili ucheleweshaji wa foleni, na usanifu wa kiolesura unaweza kubadili muda wa uingiliaji wa binadamu.

Tofauti ni ipi kati ya ucheleweshaji wa pamoja, ucheleweshaji wa kulinganisha na ucheleweshaji wa uingiliaji wa binadamu?

Ucheleweshaji wa pamoja ni muda wa jumla wa uamuzi–utekelezaji unaopita tangu taarifa ifike hadi soko likamilishe hatua ya kiuchumi. Ucheleweshaji wa kulinganisha ni hali ambapo washiriki wa soko hutenda kwa kasi au polepole zaidi wakilinganishwa na wengine, na mara nyingi huunda renta ya kipaumbele. Ucheleweshaji wa uingiliaji wa binadamu ni muda unaohitajika na mtu au timu fulani kuona tukio husika, kulitafsiri, kufanya uamuzi na kukamilisha uingiliaji wenye maana.

Kwa nini uingiliaji wa binadamu unawekwa katika mfumo wa uwezekano?

Hakuna kikomo kimoja cha ulimwengu wote cha “milisekunde sahihi ambayo kazi inawezekana kwa binadamu”. Ugumu wa kazi, uzoefu, ubora wa tahadhari, kiolesura, utaratibu wa shirika, mgawanyo wa kazi, mifumo ya idhini ya awali na matokeo ya uamuzi hubadili muda wa kuingilia kati. Kwa hiyo, utafiti unachukulia muda wa chini wa binadamu kukamilisha kazi kama kigeu nasibu kinachoitwa \(H_i\).

Uwezekano wa uingiliaji wa binadamu wa wakati unaofaa na wenye maana ni:

\[ q_i(L,z,s) = \Pr(H_i \leq L \mid z,s) = F_H(L\mid z,s), \qquad q_L>0,\ q_s>0 \tag{2} \]

\(L\) ni dirisha la maamuzi linalopatikana, \(z\) ni sifa za kazi na shirika, na \(s\) ni uwekezaji wa msaada kama tahadhari, dashibodi, ngazi za idhini ya awali, mafunzo na haki za kufanya maamuzi. Dirisha refu zaidi la maamuzi au msaada bora wa shirika, hali nyingine zikiwa sawa, huongeza uwezekano wa uingiliaji kwa wakati.

Mikunjo katika grafu ya dhana ya uingiliaji wa binadamu ya chanzo si vizingiti vilivyokadiriwa kutoka kwa watu halisi. Mikunjo hiyo inaonyesha tu jinsi msaada bora wa shirika unavyoweza kuongeza \(q\) katika dirisha lilelile la maamuzi.

Rejimu nne za uratibu

Kuchakaa kwa hali kunasababishaje hasara ya ustawi?

Inadhaniwa kuwa bei au kitendo chenye ufanisi kiuchumi hutegemea hali ya sasa \(\theta_t\):

\[ p_t^* = a+b\theta_t,\qquad b>0 \tag{3} \]

Ikiwa soko linatekeleza kitendo kulingana na hali ya \(\theta_{t-L_c}\), kiwango ambacho hali inaweza kubadilika wakati wa ucheleweshaji hupimwa kwa:

\[ V_\theta(L)= E[(\theta_t-\theta_{t-L})^2] \tag{4} \]

Ustawi wa jumla wa uratibu ni:

\[ W_c(L_c) = \overline{W} - \frac{\eta b^2}{2}V_\theta(L_c) - F(L_c) \tag{5} \]

na athari yake ya pembezoni ni:

\[ W_c'(L_c) = -\frac{\eta b^2}{2}V_\theta'(L_c) - F'(L_c) \tag{6} \]

Ikiwa katika eneo husika la ucheleweshaji tofauti ya hali inaongezeka pamoja na ucheleweshaji na misuguano mingine ya kiwakati pia inaongezeka, ustawi wa uratibu hupungua kadiri ucheleweshaji wa pamoja unavyoongezeka. Ukubwa wake si wa ulimwengu wote; mabadiliko ya soko, mienendo ya hali na unyeti wa uamuzi kwa hali ya sasa vinapaswa kukadiriwa tofauti.

Teknolojia za maamuzi za binadamu, algorithimu na mseto

Faida inayotarajiwa ya teknolojia ya maamuzi ya binadamu ni:

\[ U_H(L,z,s) = q(L,z,s) [\alpha_HV-(1-\alpha_H)D] + [1-q(L,z,s)]V_0 - C_H - K_H(s) \tag{7} \]

Hapa \(V\) ni thamani ya uamuzi sahihi, \(D\) ni hasara ya uamuzi usio sahihi, \(\alpha_H\) ni usahihi wa uingiliaji wa binadamu wa wakati unaofaa, \(V_0\) ni thamani ya hatua chaguo-msingi ikiwa uingiliaji wa wakati unaofaa hautokei, \(C_H\) ni gharama ya uendeshaji ya uamuzi wa binadamu, na \(K_H(s)\) ni gharama ya uwekezaji wa msaada.

Faida ya teknolojia ya kialgorithimu ni:

\[ U_A = \alpha_AV - (1-\alpha_A)D - C_A - M_A \tag{8} \]

\(M_A\) inawakilisha hasara ya hitilafu za kimfumo ambayo haionekani kikamilifu katika kiwango cha usahihi cha muamala mmoja, kama mabadiliko ya usambazaji, makosa yenye uhusiano, upendeleo au ubainishaji usio sahihi wa modeli.

Kwa mfumo mseto:

\[ U_Y(L,z,s) = U_A + q(L,z,s)\Delta(z) - C_Y - K_Y(s) \tag{9} \]

na teknolojia ya uamuzi inayochaguliwa ni:

\[ d^*(L,z) \in \arg\max \{U_H,U_Y,U_A\} \tag{10} \]

Muundo huu haufanyi dhana kwamba “ikiwa algorithimu ni ya haraka basi ni bora zaidi”. Algorithimu inaweza kuwa na faida ya kasi lakini ikawa na hasara katika usahihi, hitilafu za kimfumo au gharama; uamuzi wa binadamu unaweza kuwa na thamani zaidi unapowasili kwa wakati.

Kiwango bora cha msaada wa shirika

Katika mfumo mseto, suluhisho la ndani kwa uwekezaji wa msaada hutimiza sharti:

\[ q_s(L,z,s^*)\Delta(z) = K_Y'(s^*) \tag{11} \]

Upande wa kushoto unaonyesha thamani inayotarajiwa ya pembezoni ya uingiliaji wa binadamu unaofanyika kwa wakati kutokana na msaada wa ziada; upande wa kulia unaonyesha gharama ya pembezoni ya msaada huo wa ziada. Katika statiki za kulinganisha za Appendix B, chanzo kinaeleza kuwa thamani ya uwekezaji wa msaada inaweza kuwa kubwa zaidi katika eneo la kati/mpito la dirisha la maamuzi: ikiwa dirisha ni fupi sana, msaada unaweza usiweze kuokoa uingiliaji wa binadamu; ikiwa ni refu sana, faida ya muda kutokana na msaada wa ziada hupungua.

Mbinu na Matokeo ya Utafiti

Uzalishaji wa ucheleweshaji wa pamoja

Uwekezaji wa miundombinu ya pamoja wa jukwaa uwe \(y\), na uwekezaji binafsi wa kasi wa mpatanishi \(i\) uwe \(x_i\). Chanzo kinaunda mfano wa ucheleweshaji wa pamoja kwa:

\[ L_c(x,y) = L_{\min} + (L_0-L_{\min}) \exp \left[ -\kappa_0y-\sum_i\kappa_i^cx_i \right] \tag{12} \]

\(L_0\) ni ucheleweshaji wa awali, na \(L_{\min}\) ni kikomo cha chini cha kiteknolojia. Muundo wa kielelezo unaonyesha kwamba uwekezaji unapunguza ucheleweshaji wa pamoja lakini marejesho ya kiteknolojia yanapungua.

Faida ya uratibu wa pamoja ikilinganishwa na mwanzo ni:

\[ G(x,y) = W_c[L_c(x,y)]-W_c(L_0) \tag{13} \]

na manufaa ya pamoja ya pembezoni ya uwekezaji wa mpatanishi \(i\) ni:

\[ g_i(x,y) = \frac{\partial G}{\partial x_i} = -W_c'[L_c(x,y)] \kappa_i^c [L_c(x,y)-L_{\min}] >0 \tag{14} \]

kama inavyofafanuliwa.

Kasi ya kulinganisha na mashindano ya kipaumbele

Uwezo bora wa huduma au mwitikio wa mpatanishi ni:

\[ \mu_i = \overline{\mu}_i(a_i) + \kappa_i^r x_i \tag{15} \]

\(a_i\) inawakilisha masharti ya ufikiaji kama co-location, kiwango cha API, mkondo maalumu wa data au upendeleo katika foleni.

Uwezekano wa kupata kipaumbele huundwa kama:

\[ P_i(x;m) = \frac{\mu_i^{\gamma(m)}} {\sum_j \mu_j^{\gamma(m)}} \tag{16} \]

\(\gamma(m)\) huonyesha unyeti wa kipaumbele kwa tofauti za kasi. Katika kipaumbele endelevu cha kubainishwa kikamilifu, unyeti huu unaweza kuwa mkubwa; batching, uvunjaji wa sare kwa nasibu au madaraja mapana ya kipaumbele yanaweza kuupunguza.

Jumla ya zawadi ya nafasi ni:

\[ B(m,\omega) = \lambda_o(m,\omega) v_o(m,\omega) \tag{17} \]

na faida binafsi ya mpatanishi ni:

\[ \pi_i = \phi_iG(x,y) + B(m,\omega)P_i(x;m) - C_i(x_i) \tag{18} \]

Katika optimum ya ndani:

\[ C_i'(x_i) = \phi_i g_i(x,y) + B(m,\omega)P_{i,x_i}(x;m) \tag{19} \]

usawa huu hutimia. Sehemu ya kwanza upande wa kulia huonyesha manufaa anayopata mpatanishi mwenyewe kutoka kwa faida ya uratibu wa pamoja, na sehemu ya pili huonyesha thamani binafsi ya kutenda kabla ya washindani.

Uwekezaji wa kasi unakuwa wa kupita kiasi kijamii lini?

Wakati renta kubwa ya kipaumbele inaongezwa kwenye faida ya pembezoni ya uwekezaji binafsi, na renta hiyo kijamii ni zawadi isiyobadilika inayogawanywa tu upya kati ya washiriki, uwekezaji binafsi wa kasi unaweza kuzidi kiwango bora cha kijamii. Katika modeli, kiashirio cha ndani ni sharti \(B P_{i,x_i}-(1-\phi_i)g_i>0\); katika hali maalumu ya wawakilishi wawili sawia, sharti kamili la uwekezaji kupita kiasi linatolewa kama \(B>4(1-\phi)g^2/c\).

Tatizo la mpangaji wa kijamii ni:

\[ W(x,y) = G(x,y) - \sum_iC_i(x_i) - K_y(y) \tag{20} \]

na kwa optimum ya kijamii:

\[ C_i'(x_i^S)=g_i(x^S,y) \tag{21} \]

sharti hili hutumika.

Tofauti kati ya motisha binafsi na ya kijamii ya pembezoni ni:

\[ \Omega_i = B P_{i,x_i} - (1-\phi_i)g_i \tag{22} \]

\(\Omega_i>0\) huonyesha kwamba katika hatua ya mgao wa kijamii bado kuna motisha ya kuongeza zaidi uwekezaji binafsi.

Katika hali maalumu ya wawakilishi wawili sawia:

\[ x^N= \frac{\phi g+\sqrt{\phi^2g^2+cB}}{2c}, \qquad x^S=\frac{g}{c} \tag{23} \]

na sharti la lazima na la kutosha ili uwekezaji binafsi uzidi optimum ya kijamii ni:

\[ B>\frac{4(1-\phi)g^2}{c} \tag{24} \]

Kwa hiyo, utafiti hausemi kwamba “kila uwekezaji wa kasi ni upotevu”. Ikiwa faida ya uratibu wa pamoja bado ni kubwa, uwekezaji unaweza hata kuwa mdogo kuliko unaohitajika; ikiwa manufaa ya pamoja ya kasi yamekaribia kutumika kikamilifu lakini thamani ya kuwa mbele ya mshindani bado ni kubwa, mashindano ya kasi yanaweza kutokea.

Kwa nini jukwaa haliko nje ya modeli?

Jukwaa huchagua miundombinu ya pamoja \(y\), masharti ya ufikiaji \(a\) na kanuni ya kipaumbele \(m\):

\[ (y^*,a^*,m^*) \in \arg\max \{ \Pi_P(y,a,m;x^*(y,a,m)) - K_y(y) - K_m(m) - R_{\mathrm{reg}}(y,a,m) \} \tag{25} \]

Hivyo, ucheleweshaji si sifa ya kimwili au kiufundi pekee. Tabaka za API, ufikiaji wa co-location, kanuni za foleni, uwekezaji wa miundombinu na usanifu wa kipaumbele wa jukwaa vinaweza kuunda kwa pamoja ucheleweshaji wa pamoja na renta za kasi ya kulinganisha.

Tatizo la kiwakati linatenganishwa na tatizo la kimuundo la soko

Upotoshaji wa jumla unatenganishwa kama:

\[ D(L_c,Z,A) = D_T(L_c)+D_S(Z,A) \tag{26} \]

\(D_T\) inawakilisha upotoshaji wa kiwakati unaotokana na taarifa zilizochakaa, ucheleweshaji wa utekelezaji na kutolingana kwa muda; \(D_S\) inawakilisha matatizo ya kimuundo kama nguvu ya soko, athari za nje, uteuzi hasi, mkusanyiko wa data na udhibiti wa miundombinu.

Kwa hiyo, soko lenye kasi zaidi si moja kwa moja soko lenye ushindani zaidi au lenye haki zaidi. Monopolisti akitumia upangaji bei wa ucheleweshaji mdogo bado hubaki monopolisti; athari ya nje isiyopewa bei haipotei yenyewe ucheleweshaji unapopungua.

Faida zinakwenda kwa nani?

Mabadiliko ya ziada ya mlaji kwa kundi la watumiaji \(g\) ni:

\[ \Delta CS_g = \rho_g [W_c(L_1)-W_c(L_0)] - T_g \tag{27} \]

\(\rho_g\) ni sehemu ya faida ya uratibu wa pamoja inayohamishiwa kwa kundi hilo; \(T_g\) ni ada mpya au gharama ya ufikiaji.

Mkusanyiko wa umiliki wa miundombinu hufuatiliwa kwa:

\[ H_e=\sum_k\omega_k^2, \qquad \Delta R_k=\omega_k\Delta R^I \tag{28} \]

\(H_e\) ni fahirisi ya mkusanyiko ya Herfindahl; utafiti hauiwasilishi kama kipimo cha ukosefu wa usawa wa mapato au utajiri wa kaya.

Kwa mshiriki mpya anayetarajiwa, sharti la kuingia ni:

\[ \Pi_{e0} + \phi_eG + BP_e - C_e(x_e) - K_e(a_e) \geq0 \tag{29} \]

Muundo huu unaonyesha kwamba miundombinu ya ucheleweshaji mdogo inaweza wakati huo huo kuboresha ubora kwa watumiaji lakini pia kuunda vizuizi vya kuingia kupitia gharama za ufikiaji na mkusanyiko wa umiliki.

Kigezo jumuishi cha ustawi

Chanzo hutenganisha kwanza ustawi wa ucheleweshaji wa pamoja na sifa za usahihi na hitilafu za teknolojia ya maamuzi, kisha huziunganisha:

\[ \mathcal{W}(d,s,x,y,m) = W_c[L_c(x,y)+\delta(m)] + W_d(d,L,z,s) - \sum_iC_i(x_i) - K_y(y) - K_m(m) - D_S(Z,A) \tag{30} \]

Hivyo, “taarifa mpya zaidi ya hali” na “teknolojia bora zaidi ya maamuzi” ni njia mbili tofauti za ustawi. Kupunguza ucheleweshaji kunafanya taarifa ya hali kuwa mpya zaidi, huku mpito wa binadamu → algorithimu unaweza kuongeza au kupunguza ubora wa maamuzi; tathmini kamili inapaswa kuzingatia njia zote mbili kwa pamoja.

Batching au kiwango cha chini cha ucheleweshaji kinaweza kuongeza ustawi lini?

Ikiwa batching, ubahatishaji au kiwango cha chini cha ucheleweshaji kinapunguza vya kutosha rasilimali halisi zinazotumiwa katika mashindano binafsi ya kasi na unyeti kwa renta ya kipaumbele, huku gharama ya uratibu kutokana na ucheleweshaji wa ziada, gharama ya utekelezaji na upotevu unaowezekana wa ubora wa uamuzi vikibaki vidogo zaidi, ustawi wa jumla unaweza kuongezeka. Kwa hiyo, utafiti hautoi hitimisho kwamba “ucheleweshaji ni mzuri” au “kila soko linapaswa kupunguzwa kasi”; uwiano wa manufaa na gharama hutegemea mienendo ya hali ya soko na motisha za mashindano.

Hoja saba

Ustahimilivu kwa michakato mbadala ya hali

Modeli haifungi matokeo ya ucheleweshaji wa pamoja kwa mwendo wa Brown pekee. Katika ueneaji wa homoskedastiki, \(V_\theta(L)=\sigma^2L\) hupatikana. Katika mchakato wa Ornstein–Uhlenbeck unaorudi kwenye wastani:

\[ V_\theta(L) = \frac{\sigma^2}{\kappa} [1-\exp(-\kappa L)] \tag{33} \]

na tofauti ya hali huongezeka pamoja na ucheleweshaji lakini hufikia ukomo katika vipindi virefu. Chanzo pia kinazingatia michakato ya kuruka, mabadiliko ya nasibu ya tete na mabadiliko ya rejimu. Hivyo inaonyeshwa kwamba gharama ya ucheleweshaji si lazima iwe ya mstari katika kila soko.

Uwekezaji tendaji wa kasi

Mashindano yanayojirudia ya kasi yanaonyeshwa kwa:

\[ x_{i,t+1} = (1-\lambda_x)x_{i,t} + \lambda_xBR_i(x_{-i,t};m_t), \qquad 0<\lambda_x\leq1 \tag{34} \]

Unyeti mkubwa wa kipaumbele unaweza kuifanya uwekezaji ubaki katika kiwango cha juu; batching au ubahatishaji unaweza kulainisha mkingo wa jibu bora na kuhamisha mfumo kwenye uwiano wa uwekezaji wa chini zaidi.

Mrejesho wa kiotomatiki kwenye ujuzi wa binadamu

Ufahamu wa hali au ujuzi wa uendeshaji huundwa kama:

\[ S_{t+1} = (1-\delta_S)S_t + \chi T_t - \psi A_t \tag{35} \]

\(T_t\) ni mafunzo na mazoezi yanayosimamiwa, na \(A_t\) ni kiwango cha utegemezi wa kiotomatiki. Binadamu anapobaki nje ya mzunguko kila mara, muda wa uingiliaji wa baadaye unaweza kuongezeka na uwezekano wa uingiliaji chini ya \(L\) ileile unaweza kupungua:

\[ q_t(L,z,s) = F_H[L\mid z,s,S_t], \qquad \frac{\partial q_t}{\partial S_t}>0 \tag{36} \]

Utaratibu huu unaonyesha kwamba ongezeko la muda la kiotomatiki linaweza kuunda utegemezi wa njia unaoweza kufanya kiotomatiki zaidi kuwa bora binafsi katika siku zijazo.

Simulizi tendaji ya kufafanua

Simulizi hutumia wawakilishi wawili sawia:

• \(L_c(X)=0.1+0.9\exp(-0.8X)\)
• \(G(X)=0.5[1-L_c(X)]\)
• \(C_i=x_i^2/2\)
• \(\phi=0.3\)
• \(B=1\)
• mwanzo: \(x_1=x_2=0.1\)
• katika kila hatua, mwendo wa %35 kuelekea jibu bora la sasa
• kipaumbele endelevu: \(r=1.0\)
• batch/kipaumbele kilichobahatishwa: \(r=0.2\)

Katika usanidi huu wa vigezo, kipaumbele endelevu huzalisha ucheleweshaji mdogo zaidi wa pamoja na faida kubwa zaidi ya jumla ya uratibu; lakini gharama ya uwekezaji katika mashindano ya kasi ni kubwa kiasi kwamba ustawi halisi unakuwa hasi. Kanuni ya batch/nasibu ni polepole zaidi lakini inapunguza upotevu wa uwekezaji na hivyo kutoa ustawi halisi wa juu zaidi. Chanzo kinaeleza wazi kwamba vigezo tofauti vinaweza kugeuza mpangilio huu.

Inawezaje kupimwa kwa data halisi?

Ucheleweshaji wa pamoja haupaswi kupimwa kwa kipimo kimoja cha kiufundi, bali ujengwe upya kutokana na matukio yenye mihuri ya muda: kutokea kwa hali, rekodi ya kihisi, mwanzo/mwisho wa ukokotoaji, kutuma/kupokea kwenye mtandao, kuingia/kutoka foleni, kukubaliwa kwa agizo na utekelezaji uliokamilika.

Ucheleweshaji wa kulinganisha unaweza kupimwa kama tofauti ya ucheleweshaji wa mhusika katika njia ya pamoja au:

\[ \Delta L_{ij}=L_i-L_j \]

Mbali na wastani, asilimia za ucheleweshaji, mikia ya foleni na viwango vya kukosa deadline pia vinapaswa kuripotiwa.

Ukadiriaji wa \(q(L,z,s)\) kwa data halisi

Modeli ya logit inayopendekezwa kwa matumizi ya baadaye ya kimajaribio ni:

\[ \Pr(Y_n=1) = \operatorname{logit}^{-1} ( \alpha + \beta_LL_n + \delta'z_n + \zeta's_n + u_{\mathrm{organization}} ) \tag{37} \]

\(Y_n=1\) ni hali ambapo mtu ameona tukio, akafanya uamuzi unaokubalika na akakamilisha uingiliaji kabla ya muda wa mwisho wa utekelezaji. \(\beta_L\) kuwa chanya kunalingana na wazo kwamba dirisha refu zaidi la maamuzi huongeza uwezekano wa uingiliaji wa binadamu kwa wakati.

Chanzo pia kinapendekeza modeli za survival/competing-risk, madirisha ya maamuzi yaliyobahatishwa, maboresho ya miundombinu ya hatua kwa hatua, mishtuko ya nje ya mtandao, mageuzi ya batch-auction au speed-bump, mabadiliko ya kanuni za foleni/API, na miundo ya regression-discontinuity kwenye vizingiti vya deadline kama mbinu zinazowezekana za utambuzi wa kisababishi.

Kiwango halisi cha muda katika matangazo ya kidijitali

Katika nyaraka za Google Authorized Buyers zilizorejelewa na chanzo, muda wa majibu ya zabuni huelezwa kuwa kwa kawaida kati ya 80–1000 milisekunde na majibu yaliyochelewa hayajumuishwi katika mnada. Utafiti hautumii hili kama “kizingiti cha ulimwengu wote cha mwitikio wa binadamu”. Unakitathmini tu kama kipimo cha uga kinachoonyesha kwamba maamuzi ya zabuni katika kiwango cha impression yanafanyika katika rejimu ya uchakataji wa kialgorithimu katika mazingira haya.

Ramani ya matumizi kati ya masoko

Hitimisho kwa mtazamo wa mawakala huru wa akili bandia

Mawakala zalishi na huru wanapofanya utafutaji, mazungumzo, zabuni, ununuzi, uhifadhi au ugawaji wa rasilimali, mgawanyo wa kazi kati ya binadamu na programu unaweza kutenganishwa katika viwango viwili. Binadamu huweka mapema malengo, bajeti, ruhusa na haki za kupinga; wakala huchagua kitendo cha pembezoni katika kiwango cha muamala. Ikiwa dirisha la maamuzi halitoshi kwa idhini ya binadamu, mamlaka ya uendeshaji ya wakati halisi huhamishiwa kwa algorithimu.

Katika hali hiyo, chanzo hakiweki lengo la sera kama “lazima kuwe na binadamu ndani ya kila muamala”. Lengo la uhalisia zaidi ni udhibiti wa kiwango cha juu, ufuatiliaji, uwezekano wa kupinga, kanuni za ufikiaji na usimamizi sahihi wa hatari za hitilafu za kimfumo.

Matokeo yanayoungwa mkono na utafiti

• Ucheleweshaji unaweza kuwa ukingo tofauti unaobadili uchaguzi wa teknolojia ya uamuzi wa kiuchumi katika baadhi ya masoko ya kidijitali.
• Ucheleweshaji mfupi zaidi wa pamoja unaweza kuboresha uratibu katika hali ambako upya wa hali ni muhimu.
• Zawadi binafsi ya kasi ya kulinganisha ni njia ya motisha tofauti na manufaa ya pamoja ya kijamii.
• Uwekezaji uleule unaweza kuboresha uratibu wa pamoja na wakati huohuo kuunda faida ya nafasi dhidi ya mshindani.
• Uwekezaji wa kimkakati wa kasi unaweza kuzidi optimum ya kijamii katika hali fulani.
• Batching, ubahatishaji au viwango vya chini vya ucheleweshaji vinaweza kuongeza ustawi wa jumla katika baadhi ya maeneo ya vigezo.
• Lebo ya “Human in the loop” pekee haitoshi; uwezekano kwamba binadamu anaweza kweli kuingilia kabla ya deadline unapaswa kupimwa.
• Faida za miundombinu ya ucheleweshaji mdogo si lazima zigawanywe sawa kati ya watumiaji, majukwaa na wamiliki wa miundombinu.

Matokeo yasiyoungwa mkono na utafiti

• Haiwezi kuhitimishwa kwamba masoko yote ya kidijitali yanapaswa kupunguzwa kasi kadiri iwezekanavyo.
• Haiwezi kusemwa kwamba uwekezaji wote wa kasi ni upotevu wa kijamii.
• Makala haikadirii muda mmoja wa ulimwengu wote wa mwitikio wa binadamu au kizingiti cha milisekunde.
• Mikunjo katika Kielelezo 2 si makadirio yaliyotolewa kutokana na data halisi ya majaribio ya binadamu; ni ya kimawazo.
• Thamani kama 0,524, 0,489, −0,019 au 0,085 katika simulizi si matokeo yaliyopimwa ya jukwaa halisi.
• Modeli haionyeshi kwamba ucheleweshaji mdogo hutatua moja kwa moja nguvu ya soko, uteuzi hasi, mkusanyiko wa data au athari za nje.
• Modeli haitoi moja kwa moja hitimisho kuhusu ukosefu wa usawa wa mapato au utajiri wa kaya kutokana na mkusanyiko wa umiliki wa miundombinu.
• Haidaiwi kwamba fedha, matangazo, rejareja, logistiki, wingu, umeme na mawakala wa AI wana unyumbufu sawa wa ucheleweshaji.

Mapungufu

Modeli ni muundo uliorahisishwa kimtindo. Kazi ya kipaumbele cha kimkakati huweka kando maelezo ya taasisi za mnada na foleni; jukwaa halitatuliwi kwa kazi moja ya ulimwengu wote ya lengo; utambuzi wa binadamu huwakilishwa kwa usambazaji wa muda wa kukamilisha na usahihi.

Katika kigezo safi cha mashindano ya kipaumbele, jumla ya zawadi ya nafasi inachukuliwa kuwa isiyobadilika kwa uwekezaji binafsi. Ikiwa uwekezaji wa kasi hauhamishi tu zawadi iliyopo bali pia huunda fursa mpya za kiuchumi, kipengele hiki chenye uzalishaji kinapaswa kuongezwa tofauti kwenye tatizo la mpangaji wa kijamii.

Utafiti hauna kalibrasheni ya modeli kwa data binafsi ya jukwaa. \(q\), \(B\), \(\phi_i\), \(\rho_g\) na unyumbufu wa uzalishaji wa ucheleweshaji si vigezo vya kimajaribio vilivyokadiriwa, bali ni malengo ya majaribio ya baadaye.

Miundo ya taasisi na michakato ya hali ya masoko tofauti si sawa. Katika soko moja ucheleweshaji wa pamoja unaweza kuwa muhimu huku mashindano ya kasi ya kulinganisha yakiwa dhaifu; katika soko jingine renta ya kipaumbele inaweza kuwa kubwa; na katika mazingira mengine uingiliaji wa maana wa binadamu unaweza kubaki unawezekana licha ya kiotomatiki.

Umuhimu wa kisayansi

Hitimisho muhimu zaidi la kinadharia la utafiti ni kwamba masoko ya kidijitali huenda yasiwe tu “toleo la haraka zaidi la soko lilelile”. Usanifu wa muda unaweza kubadili mahali na kupitia teknolojia gani ya maamuzi uchaguzi wa kiuchumi unatekelezwa. Binadamu anaweza kubaki rasmi mwenye kuwajibika kwa malengo na utawala, huku uchaguzi wa pembezoni wa muamala ukihamishwa kwenye kanuni za kialgorithimu.

Mtazamo huu ni muhimu pia kwa utawala wa akili bandia. Badala ya kutafuta uwajibikaji kwa kuuliza tu “ni binadamu gani aliyebonyeza kitufe?” katika kila operesheni ya kiotomatiki, huenda ikahitajika kuangalia nani aliyesanifu malengo, modeli, sera ya API, kanuni ya kipaumbele, mipaka ya usalama na utaratibu wa kupinga.

Maelezo ya Chanzo na Mbinu

Utafiti wa asili: Latency as an Economic Constraint in Digital Markets: Temporal Feasibility, Algorithmic Coordination, and Speed Races.

Mwandishi: Edu William.

Taasisi: University Institute of Tourism and Sustainable Economic Development (TIDES), University of Las Palmas de Gran Canaria, Las Palmas de Gran Canaria, Spain.

Jarida: Economies.

Mchapishaji: MDPI.

Rekodi ya bibliografia: Economies, 2026, 14(8), 343.

DOI: 10.3390/economies14080343.

Mchakato wa uchapishaji: Ilipokelewa: 6 Julai 2026; ilirekebishwa: 31 Julai 2026; ilikubaliwa: 10 Agosti 2026; ilichapishwa: 13 Agosti 2026.

Aina ya chanzo: Makala ya utafiti wa kinadharia/kiuchanganuzi iliyopitiwa na wahakiki.

Leseni: Creative Commons Attribution (CC BY).

Uainishaji wa JEL: D40; D47; D83; D91; L14; L86; O33.

Ufadhili: Hakuna ufadhili wa nje uliopokelewa.

Tamko la maadili: Utafiti ni wa kinadharia; kwa kuwa haujumuishi washiriki binadamu au wanyama, bodi ya maadili ya taasisi na ridhaa elekezi havitumiki.

Upatikanaji wa data: Hakuna data mpya ya kimajaribio iliyoundwa au kuchanganuliwa. Matokeo ya nambari katika Section 6.4 na Appendix C ni simulizi za kufafanua zinazotegemea thamani za vigezo vilivyoripotiwa katika makala. Chanzo kinaripoti kwamba msimbo wa simulizi na faili ya vigezo zinaweza kupatikana kutoka kwa mwandishi kwa ukaguzi wa uhariri na urudufu.

Tamko la matumizi ya akili bandia: Mwandishi anaripoti kwamba wakati wa kuandaa makala alitumia zana ya ChatGPT (OpenAI, GPT-5.6) kwa uwazi wa lugha, uhariri na msaada wa upangaji; alikagua na kuhariri maudhui yote na anakubali kuwajibika kwa maudhui ya uchapishaji.

Mgongano wa maslahi: Mwandishi hakuripoti mgongano wa maslahi.

Michango ya mwandishi: Chanzo hakina sehemu tofauti ya CRediT “Author Contributions”; utafiti una mwandishi mmoja.

Kikomo cha tafsiri ya kimethodolojia: Matokeo makuu ni hoja za kinadharia. Mfano tendaji wa nambari si kalibrasheni ya kimajaribio. Jedwali la matumizi kati ya masoko halionyeshi kwamba vigezo au matokeo ya ustawi ni sawa katika sekta zote. Kwa uchanganuzi wa sera wa kiasi, mchakato wa hali ya soko husika, teknolojia ya uzalishaji wa ucheleweshaji, kazi ya uingiliaji, zawadi ya kipaumbele, ufikiaji na vigezo vya pass-through vinapaswa kukadiriwa tofauti.

Dokezo la uhariri ndani ya chanzo: Katika tamko la upatikanaji wa data, imeelezwa kwa wakati ujao kwamba msimbo wa simulizi na faili ya vigezo zitawekwa katika hazina ya kudumu ya umma ndani ya “final accepted version”; kwa kuwa hati inayochunguzwa tayari ni toleo lililochapishwa, Verianla haipanui kauli hii kuwa uthibitisho kwamba faili hizo tayari zimepakiwa kwenye hazina.

Dokezo la ujenzi upya wa vielelezo: Mchoro wa uwezekano wa kiwakati na uratibu katika Kielelezo 1, kazi za dhana za uingiliaji wa binadamu katika Kielelezo 2, na mikunjo ya simulizi tendaji iliyosawazishwa katika Vielelezo 3–4 zinaweza kuchorwa upya kwa Verianla bila kubadili thamani za kisayansi. Kielelezo 2 hakipaswi kuwasilishwa kama grafu ya data halisi; Vielelezo 3–4 pia havipaswi kuwasilishwa kama matokeo ya kimajaribio ya jukwaa.