Pricing for Railway Group Tickets in Revenue Management Increasing Revenue and Attracting New Users
Notice bibliographique
Résumé
The purpose of launching railway group tickets for railway enterprises is twofold: (1) increase revenue; (2) attract new users to travel by railway. In order to study how to achieve the above goals through price strategies for group tickets, this paper proposes an optimization approach for railway group ticket pricing in a scenario of multitrains. First, based on the consistent preference of passengers for group tickets, we model the decision‐making process of existing passengers purchasing group tickets and calculate the required quantitative boundary of existing passengers for selling out group tickets in order of priority. Then, under the constraints of stochastic demand and shared seat quota between group tickets and individual tickets, a multiobjective nonlinear optimization model with the objectives of maximizing both total expected revenue and expected sales of new users is constructed and solved. The analysis results reveal that there is no unique optimal solution simultaneously maximizing the two objectives. Increasing expected revenue will sacrifice the goal of attracting more incremental passengers to take trains. Limited by the fixed seat allocation, a scientific moderate discount scheme on group tickets can increase the total expected revenue. At this time, selling both group tickets and individual tickets yields higher revenue than only selling individual tickets, thus verifying the rationality of the mixed sales strategy of group tickets and individual tickets. Furthermore, we find an indicator named “elasticity of existing passengers” that has a critical impact on the expected revenue. Railway enterprises should take measures to incentivize the marketing enthusiasm of third‐party sales agencies to minimize the elasticity of existing passengers to achieve greater revenue.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».