Bilevel Programming for Evaluating Revenue Strategy of Railway Passenger Transport under Multimodal Market Competition
Notice bibliographique
Résumé
A bilevel programming approach is used to study the strategies of increasing revenue of the railway agency running between Beijing and Tianjin, China. Bilevel programming approaches have been used in many studies to tackle a variety of transportation problems, but rarely for railway revenue strategy analysis. In this paper, the upper-level problem of the bilevel programming is to determine optimal pricing, speed, and level-of-service (LOS) strategy that maximizes the revenue of the railway agency. The lower-level problem describes passengers’ mode choice behavior under a transportation market with three competing modes: bus, rail, and car. The lower-level problem is to minimize the traveler's cost in terms of money, time, and other related factors such as comfort and safety. A generalized cost function, considering these factors together with a logit model, is used to simulate travelers’ mode choice behavior. Study results clearly show that the bilevel programming is appropriate for the problem studied here. The results indicate that, to increase its revenue, the railway agency should focus on not only the pricing but also travel time and LOS. A pricing breakpoint of about ¥31 (¥7 = U¥1) is found, as it results in the highest revenue for all traveling speeds and LOS. Further increase of the price leads to reduced revenue. A consistent revenue increase trend is observed for all higher traveling speeds and LOS, which emphasizes that the railway agency should pay attention to a combined revenue strategy.
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 | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».