💰 quantitative finance

Fair Distribution of Digital Payments: Balancing Transaction Flows for Regulatory Compliance

Dit artikel behandelt de computationele uitdaging van het herverdelen van digitale betalingstransacties om te voldoen aan de Indiase limiet van 30% voor het marktaandeel van UPI-apps door het probleem te formaliseren als het NP-volledige Minimum Edge Activation Flow-probleem en een schaalbare heuristiek, DTAS, voor te stellen die efficiënt het ongemak voor gebruikers minimaliseert terwijl aan de regelgevende beperkingen wordt voldaan.

Oorspronkelijke auteurs: Ashlesha Hota, Shashwat Kumar, Daman Deep Singh, Abolfazl Asudeh, Palash Dey, Abhijnan Chakraborty

Gepubliceerd 2026-06-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ashlesha Hota, Shashwat Kumar, Daman Deep Singh, Abolfazl Asudeh, Palash Dey, Abhijnan Chakraborty

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het Indiase digitale betalingssysteem, UPI, voor als een enorm, razendsnel snelwegnetwerk waar dagelijks miljarden mensen met hun geld rijden. Op dit moment rijdt bijna iedereen op slechts twee specifieke wegen: PhonePe en Google Pay. Deze twee "apps" zijn zo populair dat ze meer dan 80% van al het verkeer afhandelen.

Dit creëert een probleem. Als één van deze twee wegen een enorme kuil krijgt (een servercrash) of als het te druk wordt, kan het hele systeem vastlopen. Ook voelt het onrechtvaardig dat de gratis infrastructuur van de overheid grotendeels door slechts twee bedrijven wordt gebruikt.

Om dit op te lossen, heeft de toezichthouder (NPCI) een nieuwe regel: Geen enkele app mag meer dan 30% van het totale verkeer dragen.

De Grote Uitdaging

Het lastige deel is: je kunt niet simpelweg miljoenen mensen vertellen: "Stop met het gebruiken van je favoriete app en stap vandaag over naar een nieuwe." Mensen zijn gewoontedieren; ze houden van de apps die ze al hebben.

Als een app de grens van 30% bereikt, kan het systeem de betaling van een gebruiker niet zomaar blokkeren (dat zou onbeleefd zijn en fouten veroorzaken). In plaats daarvan moet het systeem gebruikers subtiel naar andere, minder drukke apps leiden. Maar de meeste mensen hebben echter slechts één of twee apps geïnstalleerd. Om een andere app te gebruiken, moeten ze deze eerst downloaden en installeren.

De onderzoekers stelden een eenvoudige vraag: Wat is het absolute minimum aantal mensen dat een nieuwe app moet installeren, zodat ieders betalingen nog steeds kunnen verlopen zonder de 30%-regel te schenden?

De "Puzzel" Die Ze Oplosten

De auteurs realiseerden zich dat dit een gigantische, complexe wiskundige puzzel is.

De Spelers: Miljoenen gebruikers (die verschillende hoeveelheden geld moeten versturen) en veel apps (die elk een limiet hebben voor de hoeveelheid verkeer die ze kunnen verwerken).
Het Doel: Gebruikers verbinden met apps zodat geen enkele app overbelast raakt, terwijl er tegelijkertijd een minimaal aantal mensen wordt gedwongen om een nieuwe app te installeren.

Ze bewezen dat het perfect oplossen hiervan ongelooflijk moeilijk is—zo moeilijk dat zelfs de snelste supercomputers er eeuwen over zouden doen om het perfecte antwoord te vinden voor een scenario uit de echte wereld. Het is alsof je probeert een Sudoku-puzzel op te lossen waarbij het raster zo groot is als een stad en de regels elke seconde veranderen.

Hun Oplossing: De "Slimme Verkeersregelaar"

Omdat ze de perfecte puzzel niet direct konden oplossen, bouwden ze een "Slimme Verkeersregelaar" genaamd DTAS (Decoupled Two-Stage Allocation Strategy). Denk aan een zeer slimme verkeersagent die een paar slimme trucjes gebruikt:

De "Eerst Lichtgewicht" Regel:
Stel je een feestje voor waar je gasten moet plaatsen. Als je de reusachtige, zware gasten eerst plaatst, nemen zij alle grote tafels in beslag, waardoor de kleine gasten nergens meer kunnen zitten.
De onderzoekers ontdekten dat als je probeert de "zware gebruikers" (mensen die duizenden transacties doen) eerst te routeren, zij direct alle capaciteit op de populaire apps opsnoepen. Dit dwingt iedereen de rest van de mensen om nieuwe apps te installeren.
Hun truc: Routeer de "lichtgewicht gebruikers" (mensen die betalen voor koffie of kleine items) eerst. Zij passen gemakkelijk in de lege plekken. Tegen de tijd dat de "zware gebruikers" arriveren, is er nog genoeg ruimte voor hen om de last te delen zonder dat ze een nieuwe app hoeven te installeren.
De "Wacht Even" Truc (voor Online Systemen):
In de echte wereld vinden betalingen één voor één plaats, en het systeem weet niet wie een "zware gebruiker" is totdat ze beginnen te betalen.
Het systeem gebruikt een "sketch" (een snelle geheugentruc) om te raden wie een zware gebruiker is. Als het systeem denkt dat iemand een zware gebruiker is, plaatst het de betaling voor een fractie van een seconde in een wachtrij. Deze vertraging stelt het systeem in staat om het grotere plaatje te zien en de betaling naar een minder drukke app te routeren, in plaats van deze op de populairste app te dumpen.
De "Rechtvaardigheid" Optie:
Ze bouwden ook een versie genaamd Fair_DTAS. Deze versie geeft er nog meer om om ervoor te zorgen dat elke app een eerlijk deel van het verkeer krijgt, en niet alleen het vermijden van de 30%-limiet. Het is als een leraar die niet alleen ervoor zorgt dat geen enkele leerling onvoldoende is, maar ook ervoor zorgt dat iedereen een vergelijkbare hoeveelheid aandacht krijgt. Dit kost een paar meer mensen het installeren van nieuwe apps, maar het creëert een veel evenwichtiger ecosysteem.

Wat Ze Vonden

Ze testten hun systeem met behulp van gegevens van 100 miljoen transacties (gesimuleerd op basis van echte bankgegevens).

Efficiëntie: Hun "Slimme Verkeersregelaar" was bijna net zo goed als de perfecte wiskundige oplossing, maar draaide miljoenen keren sneller.
Kosten: Het vereiste gemiddeld slechts 1 of 2 extra app-installaties per gebruiker vergeleken met de theoretisch beste situatie.
De Afweging: Ze lieten een duidelijke curve zien: Als je een perfect eerlijke verkeersverdeling wilt, moet je meer mensen nieuwe apps laten installeren. Als je alleen de 30%-regel wilt naleven met de minste inspanning, installeer je minder apps, maar is het verkeer minder gelijkmatig verdeeld.

De Kernboodschap

Dit artikel is het eerste dat dit regelgevende probleem behandelt als een computerwetenschappelijke puzzel. Het bewijst dat we mensen niet de noodzaak hebben om hun gewoonten van de ene op de andere dag te veranderen. In plaats daarvan, door slimme algoritmen te gebruiken om te beslissen wie welke app moet installeren, kunnen toezichthouders de 30%-regel soepel handhaven, waardoor de digitale betalingssnelweg vrij blijft voor iedereen zonder een verkeersopstopping te veroorzaken.

Technische Samenvatting: Eerlijke Verdeling van Digitale Betalingen

1. Probleemdefinitie

Het artikel behandelt het Cap-Constrained UPI-probleem, een regulatoire uitdaging die voortvloeit uit de concentratie van transacties binnen het Unified Payments Interface (UPI)-ecosysteem in India. Momenteel verwerken twee applicaties (PhonePe en Google Pay) meer dan 80% van de transacties, wat systeemrisico's en een ongelijke benutting van publieke subsidies creëert. Om dit te mitigeren, heeft de National Payments Corporation of India (NPCI) voorgeschreven dat geen enkele UPI-app meer dan 30% van het totale transactievolume mag verwerken.

De kern van de computationele uitdaging is het herverdelen van gebruikerstransacties over applicaties om aan deze 30%-cap te voldoen, waarbij de gebruikersinconvenientie wordt geminimaliseerd, hier gedefinieerd als het aantal extra app-installaties dat vereist is. Het probleem wordt gemodelleerd als een Minimum Edge Activation Flow (MEAF)-probleem op een bipartiet netwerk:

Knopen: Gebruikers ( $U$ ) en Applicaties ( $A$ ).
Randen: Solide randen vertegenwoordigen bestaande installaties; gestippelde randen vertegenwoordigen potentiële nieuwe installaties.
Restricties: Gebruikers hebben transactievolumes ( $t_u$ ); apps hebben capaciteitslimieten ( $c_a$ ).
Doelstelling: Het activeren van de minimale subset van gestippelde randen (nieuwe installaties) om alle transacties van een bron naar een put te routeren zonder de app-capaciteiten te schenden.

Het probleem wordt geformaliseerd in drie varianten:

Cap-Constrained UPI: Offline setting met bekende transactielogs.
Online Cap-Constrained UPI: Real-time setting waarbij transacties sequentieel arriveren zonder kennis van de toekomst.
Fair Cap-Constrained UPI: Een uitbreiding die streeft naar een evenredige lastverdeling (minimaliseren van de Max-Min kloof of de Gini-coëfficiënt) naast het minimaliseren van installaties.

2. Complexiteitsanalyse

De auteurs bewijzen dat het Minimum Edge Activation Flow-probleem NP-compleet is via een reductie van het 3-Partition-probleem.

Hardheid: Het beslissingsprobleem van het vinden van de kleinste set activaties om aan de flow-eisen te voldoen is NP-compleet, zelfs wanneer het beperkt is tot drie apps.
Inapproximabiliteit: Het probleem generaliseert het Set Cover-probleem, wat impliceert dat, tenzij P=NP, er geen polynomiaal-tijd benaderingsalgoritme bestaat met een factor beter dan $(1-o(1))\log n$ .
Implicatie: Exacte oplossingen (zoals Integer Linear Programming) zijn computationeel onhandelbaar op de schaal van 100 miljoen transacties, wat de noodzaak voor schaalbare heuristische benaderingen onderstreept.

3. Methodologie

Het artikel stelt een reeks algoritmen voor, variërend van exacte formuleringen tot schaalbare heuristieken voor zowel offline als online settings.

3.1 Exacte Formuleringen (ILP)

Twee Integer Linear Programming (ILP) modellen zijn ontwikkeld als baselines:

Install-Minimization ILP: Minimaliseert het aantal geactiveerde gestippelde randen onder de voorwaarden van flow-conservering en capaciteitsrestricties.
Max-Min Fairness ILP: Gebruikt het optimale installatieaantal uit het eerste model als een budgetrestrictie en maximaliseert het minimale belastingsniveau over applicaties om eerlijkheid te waarborgen.

3.2 Offline Strategie: Decoupled Two-Stage Allocation Strategy (DTAS)

Om grote hoeveelheden offline data te verwerken, stellen de auteurs DTAS voor, een gulzig (greedy) heuristiek die gebruikmaakt van de werkbelasting-scheefheid (waarbij een klein deel van de gebruikers de meerderheid van de transacties genereert).

Kerninzicht: Het verwerken van gebruikers in afdalende volgorde van transactievolume (prioriteit geven aan "zware" gebruikers) verzadigt de hoog-capacitaire apps snel, waardoor "lichte" gebruikers onnodig nieuwe apps moeten installeren.
Mechanisme: DTAS verwerkt gebruikers in oplende volgorde van transactievolume.
- Fase 1: Alloceert transacties met behulp van reeds geïnstalleerde apps.
- Fase 2: Voldoet aan de resterende vraag door te lenen uit een gedeelde pool van bestaande apps voordat nieuwe installaties worden geactiveerd.
Resultaat: Deze ordening behoudt de capaciteitsflexibiliteit voor zware gebruikers later in het proces, wat het totaal aantal vereiste installaties aanzienlijk vermindert.

3.3 Online Strategieën

Voor real-time transactierouting introduceert het artikel adaptieve algoritmen:

Online_DTAS: Een uitbreiding van DTAS voor streaming data.
- Heavy-User Detectie: Gebruikt een Space-Saving sketch algoritme om gebruikersfrequenties dynamisch te schatten en "zware" gebruikers te identificeren zonder tellers voor alle gebruikers bij te houden.
- Delayed Scheduling: Zware gebruikers worden tijdelijk gepauzeerd in een begrensde priority queue. Lichte gebruikers worden direct gerouteerd via de drietrapsstrategie (geïnstalleerd $\to$ gedeelde pool $\to$ nieuwe installatie).
- Drain Mechanisme: Vertraagde transacties van zware gebruikers worden periodiek verwerkt om wachtrij-overflow te voorkomen, wat de lange-termijn efficiëntie waarborgt.
Fair_DTAS: Een op eerlijkheid gerichte uitbreiding van Online_DTAS.
- Composiet Scoring: In plaats van apps uitsluitend op basis van beschikbaarheid te selecteren, gebruikt het een scoringfunctie: $Score(a) = \alpha \cdot InstallPenalty(a) + \beta \cdot \Delta Fair(a)$ .
- Fairness Term: $\Delta Fair(a)$ schat de toename in de globale last-imbalans (variantie) in als een transactie aan app $a$ wordt toegewezen.
- Trade-off: De parameters $\alpha$ en $\beta$ stellen toezichthouders in staat om de balans tussen het minimaliseren van installatiekosten en het maximaliseren van de lastverdeling af te stemmen.

4. Experimentele Resultaten

De auteurs evalueerden hun methoden op een dataset van 100 miljoen transacties, afgeleid van de Rabobank Transactie-dataset, geschaald om UPI-gebruikspatronen te simuleren.

Efficiëntie vs. Optimaliteit: DTAS bereikt resultaten binnen 1–2 extra installaties van het ILP-optimum over alle geteste schalen, terwijl het vele ordes van grootte sneller draait.
Installatie-overhead:
- Online_DTAS presteert aanzienlijk beter dan baselines (Random, Least_Used) en ablatie-varianten (DTAS_No_Delay) in het minimaliseren van installaties.
- Fair_DTAS brengt een bescheiden toename in installatiekosten met zich mee (ongeveer 21% meer dan Online_DTAS), maar bereikt een Jain's fairness index van 0,89, vergeleken met ~0,42 voor andere methoden.
Capaciteitssensitiviteit:
- Bij een strikte app-capaciteitslimiet van 10%, vereisen ~2,25% van de gebruikers nieuwe installaties, en blijven ~65 miljoen transacties ongealloceerd.
- Bij een limiet van 30% (de voorgestelde cap van de NPCI), daalt het aantal ongealloceerde transacties aanzienlijk, en wordt de noodzaak voor nieuwe installaties voor de overgrote meerderheid van de gebruikers verwaarloosbaar.
- De auteurs merken op dat het verhogen van de capaciteitslimieten de haalbaarheid verbetert, maar onbedoeld het duopolie kan versterken door dominante apps toe te staan meer last op te vangen.

5. Betekenis en Claims

Het artikel claimt het eerste werk te zijn dat het probleem van het balanceren van financiële transactiestromen voor regulatoire naleving formeel modelleert en aanpakt. De betekenis ligt in:

Regulatoire Haalbaarheid: Het biedt een concreet, algoritmisch kader voor het afdwingen van de 30%-cap van de NPCI zonder gebruikersgewoonten te verstoren of transactiefouten te veroorzaken.
Kosten-Batenanalyse: Het kwantificeert de trade-off tussen eerlijkheid en installatiekosten, en biedt beleidsmakers een "concreet trade-off curve" om handhavingstermijnen en incentive-budgetten (bijv. cashback-programma's) te informeren.
Schaalbaarheid: Het demonstreert dat bijna-optimale oplossingen kunnen worden bereikt op de schaal van 100 miljoen transacties met behulp van schaalbare heuristieken, wat de oplossing levensvatbaar maakt voor echte implementatie.
Gedragsinzicht: Het benadrukt dat het vertragen van zware gebruikers en het prioriteren van lichte gebruikers contra-intuïtief maar cruciaal is voor de systeemefficiëntie, een bevinding die standaard load-balancing heuristieken uitdaagt.

De auteurs concluderen dat hoewel hun huidige formulering zich richt op transactieaantallen, toekomstig werk de transactiewaarden zou kunnen opnemen om financiële risico's en rijkere eerlijkheid-trade-offs aan te pakken. Ze benadrukken dat hun framework dient als een beslissingsondersteunend instrument voor toezichthouders om een competitief, veerkrachtig en rechtvaardig digitaal betalingsecosysteem te behouden.