CN114997787A - 一种基于运价预测的铁路货运竞争定价方法 - Google Patents
一种基于运价预测的铁路货运竞争定价方法 Download PDFInfo
- Publication number
- CN114997787A CN114997787A CN202210640974.0A CN202210640974A CN114997787A CN 114997787 A CN114997787 A CN 114997787A CN 202210640974 A CN202210640974 A CN 202210640974A CN 114997787 A CN114997787 A CN 114997787A
- Authority
- CN
- China
- Prior art keywords
- freight
- road
- freight rate
- rate
- cost
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于运价预测的铁路货运竞争定价方法,包括获取公路运价市场因素数据和公路运价运输成本因素数据;从公路运价市场因素数据和公路运价运输成本因素数据中提取公路运价特征指标;构建公路货运市场运价驱动预测模型,根据历史公路运价数据和提取的公路运价特征指标预测公路运价;以总运输费用作为货运模式的选择依据,以感知效用最大化作为货运模式的选择目标,构建考虑货物类型的货运模式选择模型;利用考虑货物类型的货运模式选择模型根据预测的公路运价计算铁路运价。本发明考虑多种因素能够更全面的进行公路运价预测,进而提高铁路货运竞争定价的准确性。
Description
技术领域
本发明涉及铁路货运技术领域,具体涉及一种基于运价预测的铁路货运竞争定价方法。
背景技术
铁路运输具有运输能力大、安全性高、运价低、适合长距离运输等特点,是我国货物运输的重要方式。近年来,运输市场竞争加剧,给铁路货运经营带来巨大挑战。在市场竞争中,货运运价制定的合理性直接决定了铁路运输企业的市场占比和经济效益。目前我国虽放松了对铁路货运运价的管制,允许铁路运输企业在一定浮动范围内自主定价,但铁路货运的竞争力与其他运输方式相比仍然落后。
因此,为了制定科学合理的铁路货运运价,提升铁路货运的市场竞争力,迫切需要建立一套铁路货运运价竞争定价方法,以辅助货运价格管理人员判断市场价格趋势,做出正确的价格调整决策。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于运价预测的铁路货运竞争定价方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于运价预测的铁路货运竞争定价方法,包括以下步骤:
S1、获取公路运价市场因素数据和公路运价运输成本因素数据;
S2、从公路运价市场因素数据和公路运价运输成本因素数据中提取公路运价特征指标;
S3、构建公路货运市场运价驱动预测模型,根据历史公路运价数据和提取的公路运价特征指标预测公路运价;
S4、以总运输费用作为货运模式的选择依据,以感知效用最大化作为货运模式的选择目标,构建考虑货物类型的货运模式选择模型;
S5、利用考虑货物类型的货运模式选择模型根据预测的公路运价计算铁路运价。
可选地,步骤S1中获取的公路运价市场因素数据包括公路运价历史数据、大宗商品市场数据、集贸市场价格数据;
公路运价运输成本因素数据包括高速公路通行费用、汽油、柴油价格在不同里程区段的费用数据。
可选地,步骤S2具体包括:
采用相关性分析方法对公路运价市场因素数据和公路运价运输成本因素数据进行分析,从中选取相关显著性P值满足设定条件的公路运价特征指标;
所述公路运价特征指包括铁矿石原矿产量、磷矿石产量、生铁产量、粗钢产量、钢材产量、物流运价指数、零担轻货指数、零担重货指数、高速收费和燃油价格。
可选地,步骤S3中构建的公路货运市场运价驱动预测模型具体为:
其中,Yt为公路货运运价的预测值,m、n分别为第一加权系数和第二加权系数,α为时间常数项,γ为时间系数,t表示第t周,p=1,2,…t,为公路货运运价系数项,Yt-i为第t-i周的公路货运运价,ω为公路运价特征系数,为第t周铁矿石原矿产量、磷矿石产量、生铁产量、物流运价指数、高速收费值所组成的向量,b为公路运价特征常数项。
可选地,步骤S4中总运输费用包括运输成本、时间成本和货主满意度成本。
可选地,所述总运输费用的计算方式为:
Ck=ω1kok+ω2ktk+ω3ksk
其中,Ck为运输k类货物的总运输费用,ok为运输k类货物的运输成本,ω1k为运输成本的权重系数,tk为运输k类货物的时间成本,ω2k为时间成本的权重系数,sk为运输k类货物的货主满意度成本,ω3k为货主满意度成本的权重系数。
可选地,步骤S4中构建考虑货物类型的货运模式选择模型具体为:
其中,为k类货物选择货运模式i的概率,为采用货运模式i运输k类货物的运输成本,ω1k为运输成本的权重系数,为采用货运模式i运输k类货物的时间成本,ω2k为时间成本的权重系数,为采用货运模式i运输k类货物的货主满意度成本,ω3k为货主满意度成本的权重系数,m为备选货运模式集合。
本发明具有以下有益效果:
本发明通过综合考虑公路运价市场因素和公路运价运输成本因素,提取公路运价特征指标结合时间序列进行公路运价预测;然后通过构建考虑货物类型的货运模式选择模型根据预测的公路运价进行竞争定价,计算得到铁路运价。本发明考虑多种因素能够更全面的进行公路运价预测,进而提高铁路货运竞争定价的准确性。
附图说明
图1为本发明的一种基于运价预测的铁路货运竞争定价方法的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,本发明实施例提供了一种基于运价预测的铁路货运竞争定价方法,包括以下步骤S1至S5:
S1、获取公路运价市场因素数据和公路运价运输成本因素数据;
在本实施例中,本发明的步骤S1选取公路运价市场因素和公路运价运输成本因素作为公路运价的两个主要影响因素;通过获取公路运价市场因素数据和公路运价运输成本因素数据来实现公路运价预测。
其中公路运价市场因素数据包括公路运价历史数据、大宗商品市场数据、集贸市场价格数据;
公路运价运输成本因素数据包括高速公路通行费用、汽油、柴油价格在不同里程区段的费用数据。如短驳、邻省(1000公里以内)、远距离(1500公里以上)的不同里程区段。
S2、从公路运价市场因素数据和公路运价运输成本因素数据中提取公路运价特征指标;
在本实施例中,本发明根据步骤S1获取的公路运价市场因素数据和公路运价运输成本因素数据,从中提取影响公路运价的特征指标。
具体而言,本发明的步骤S2采用相关性分析方法对公路运价市场因素数据和公路运价运输成本因素数据进行分析,从中选取相关显著性P值满足设定条件的公路运价特征指标;这里的设定条件为相关显著性P值在0.05以下即可。
其中公路运价特征指包括铁矿石原矿产量、磷矿石产量、生铁产量、粗钢产量、钢材产量、物流运价指数、零担轻货指数、零担重货指数、高速收费和燃油价格。
以2020年8月-2021年8月的历史周运价数据与各特征指标数据为例,对数据进行预处理后,得到公路货运市场运价驱动预测模型输入数据集,如表1所示。
表1、公路货运市场运价驱动预测模型输入数据集
S3、构建公路货运市场运价驱动预测模型,根据历史公路运价数据和提取的公路运价特征指标预测公路运价;
在本实施例中,本发明的步骤S3构建的公路货运市场运价驱动预测模型具体为:
其中,Yt为公路货运运价的预测值,m、n分别为第一加权系数和第二加权系数,α为时间常数项,γ为时间系数,t表示第t周,p=1,2,…t,为公路货运运价系数项,Yt-i为第t-i周的公路货运运价,ω为公路运价特征系数,为第t周铁矿石原矿产量、磷矿石产量、生铁产量、物流运价指数、高速收费值所组成的向量,b为公路运价特征常数项。
本发明一方面针对时间序列进行预测,从而可以捕捉公路运价随时间变化的趋势特点;另一方面针对公路运价特征指标构成的特征矩阵进行预测,从而可以捕捉铁矿石原矿产量、磷矿石产量、生铁产量、粗钢产量、钢材产量、物流运价指数、零担轻货指数、零担重货指数、高速收费和燃油价格等特征数据对公路运价的影响;并且将两个预测结果进行加权融合,从而能够得到精度较高、误差水平低的公路运价预测结果。
S4、以总运输费用作为货运模式的选择依据,以感知效用最大化作为货运模式的选择目标,构建考虑货物类型的货运模式选择模型;
在本实施例中,影响货主运输方式选择的因素主要有:成本因素、时间因素、安全因素和便利因素,因此基于上述影响因素构建总运输费用函数。总运输费用函数是将运输成本、时间成本、安全成本、便利成本,通过一定的权重系数计算后的运输费用总和。其中,运输成本指从发出地到目的地之间的货运费;时间成本指运输货物耗费的总时长,包括运输时间、装卸搬运时间及货物中转时间等;安全成本指在运输中货物损坏或货物丢失对货主造成的经济损失;便利成本指货物装卸点与货主的距离。根据安全成本及便利成本的定义,本发明将两种成本统一称为货主满意度成本,从而构建得到总运输费用函数表示为为:
Ck=ω1kok+ω2ktk+ω3ksk
其中,Ck为运输k类货物的总运输费用,ok为运输k类货物的运输成本,ω1k为运输成本的权重系数,tk为运输k类货物的时间成本,ω2k为时间成本的权重系数,sk为运输k类货物的货主满意度成本,ω3k为货主满意度成本的权重系数。
因此,选择某种运输方式的效用函数可表示为:
Vi=-Ck
本发明基于随机效用理论,将货主在选择不同运输方式时,对每种运输方式有不同的效用感知表示为
Ui=Vi+εi
其中,Ui为货主选择第i中运输方式的感知效用,Vi为货主选择第i中运输方式的确定效用,εi为第i种运输方式未知影响因素的效用偏置项。
货主在选择货运方式时,其选择枝集合由0(公路货运)和1(铁路货运)组成。根据效用最大化理论,货主会选择使其感知效用最大化的运输方式,则可具体表示为:
Pi=Pr(Ui≥Uji,j=0或1)
其中,Pi为第i种运输方式被选择的概率,应满足:
假定随机项εi相互独立同分布,可以得到选择概率Pi的表达式为
因此,本发明构建的考虑货物类型的货运模式选择模型具体表示为:
其中,为k类货物选择货运模式i的概率,为采用货运模式i运输k类货物的运输成本,ω1k为运输成本的权重系数,为采用货运模式i运输k类货物的时间成本,ω2k为时间成本的权重系数,为采用货运模式i运输k类货物的货主满意度成本,ω3k为货主满意度成本的权重系数,m为备选货运模式集合,取值0、1,0代表公路运输,1代表铁路运输。
S5、利用考虑货物类型的货运模式选择模型根据预测的公路运价计算铁路运价。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于运价预测的铁路货运竞争定价方法,其特征在于,包括以下步骤:
S1、获取公路运价市场因素数据和公路运价运输成本因素数据;
S2、从公路运价市场因素数据和公路运价运输成本因素数据中提取公路运价特征指标;
S3、构建公路货运市场运价驱动预测模型,根据历史公路运价数据和提取的公路运价特征指标预测公路运价;
S4、以总运输费用作为货运模式的选择依据,以感知效用最大化作为货运模式的选择目标,构建考虑货物类型的货运模式选择模型;
S5、利用考虑货物类型的货运模式选择模型根据预测的公路运价计算铁路运价。
2.根据权利要求1所述的基于运价预测的铁路货运竞争定价方法,其特征在于,步骤S1中获取的公路运价市场因素数据包括公路运价历史数据、大宗商品市场数据、集贸市场价格数据;
公路运价运输成本因素数据包括高速公路通行费用、汽油、柴油价格在不同里程区段的费用数据。
3.根据权利要求1所述的基于运价预测的铁路货运竞争定价方法,其特征在于,步骤S2具体包括:
采用相关性分析方法对公路运价市场因素数据和公路运价运输成本因素数据进行分析,从中选取相关显著性P值满足设定条件的公路运价特征指标;
所述公路运价特征指包括铁矿石原矿产量、磷矿石产量、生铁产量、粗钢产量、钢材产量、物流运价指数、零担轻货指数、零担重货指数、高速收费和燃油价格。
5.根据权利要求1所述的基于运价预测的铁路货运竞争定价方法,其特征在于,步骤S4中总运输费用包括运输成本、时间成本和货主满意度成本。
6.根据权利要求1或5所述的基于运价预测的铁路货运竞争定价方法,其特征在于,所述总运输费用的计算方式为:
Ck=ω1kok+ω2ktk+ω3ksk
其中,Ck为运输k类货物的总运输费用,ok为运输k类货物的运输成本,ω1k为运输成本的权重系数,tk为运输k类货物的时间成本,ω2k为时间成本的权重系数,sk为运输k类货物的货主满意度成本,ω3k为货主满意度成本的权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640974.0A CN114997787A (zh) | 2022-06-08 | 2022-06-08 | 一种基于运价预测的铁路货运竞争定价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640974.0A CN114997787A (zh) | 2022-06-08 | 2022-06-08 | 一种基于运价预测的铁路货运竞争定价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114997787A true CN114997787A (zh) | 2022-09-02 |
Family
ID=83034042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210640974.0A Pending CN114997787A (zh) | 2022-06-08 | 2022-06-08 | 一种基于运价预测的铁路货运竞争定价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997787A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115271260A (zh) * | 2022-09-26 | 2022-11-01 | 西南交通大学 | 一种公铁联运运量预测方法、装置、设备及可读存储介质 |
-
2022
- 2022-06-08 CN CN202210640974.0A patent/CN114997787A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115271260A (zh) * | 2022-09-26 | 2022-11-01 | 西南交通大学 | 一种公铁联运运量预测方法、装置、设备及可读存储介质 |
CN115271260B (zh) * | 2022-09-26 | 2022-12-13 | 西南交通大学 | 一种公铁联运运量预测方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barros et al. | Model and heuristic for berth allocation in tidal bulk ports with stock level constraints | |
Kaveshgar et al. | Integrated quay crane and yard truck scheduling for unloading inbound containers | |
Mingyong et al. | An improved differential evolution algorithm for vehicle routing problem with simultaneous pickups and deliveries and time windows | |
Díaz-Madroñero et al. | A mathematical programming model for integrating production and procurement transport decisions | |
Pavlenko et al. | Mathematical modeling as a tool for selecting a rational logistical route in multimodal transport systems | |
US20130138330A1 (en) | System and method to optimize mass transport vehicle routing based on ton-mile cost information | |
CN114997787A (zh) | 一种基于运价预测的铁路货运竞争定价方法 | |
CN116502866B (zh) | 一种智能散货船舶计划和自动分类方法 | |
Redmer | Strategic vehicle fleet management–a joint solution of make-or-buy, composition and replacement problems | |
Jusufbašić | MCDM methods for selection of handling equipment in logistics: a brief review | |
Wang et al. | Optimizing the maintenance schedule for a vehicle fleet: a simulation-based case study | |
CN117196457A (zh) | 一种基于互联网的物流运输路径规划方法 | |
Vincent et al. | A simulated annealing with variable neighborhood descent approach for the heterogeneous fleet vehicle routing problem with multiple forward/reverse cross-docks | |
JP6593194B2 (ja) | 自動車生産ラインのpbs出庫順列決定装置 | |
JP4285232B2 (ja) | 物流費予測装置と予測方法とそのためのプログラム | |
CN115204482A (zh) | 一种基于多变量lstm的铁路货运运价浮动预测方法 | |
Khalipova et al. | Development of a model for the integrated management of the international delivery chains formation | |
Zakrzewski et al. | Changes in logistics processes caused by the implementation of automation in transport | |
Lukasik et al. | Improvement of the logistic processes using the reverse logistics concept | |
Kornilov et al. | Optimization method of the multimodal transportation on the base of Dijkstra’s algorithm | |
Parsa et al. | Multi stop truckload planning | |
Despodov et al. | METHODOLOGY FOR SELECTION OF THE MOST CONVENIENT ORE TRANSPORTATION SYSTEM IN REGARD TO THE ENVIRONMENTAL PROTECTION. | |
CN118070995B (zh) | 一种冷链物流运输路径智能优化方法、系统及存储介质 | |
Abdolazimi et al. | Designing a multi-objective supply chain model for the oil indus-try in conditions of uncertainty and solving it by meta-heuristic algorithms | |
US20230342801A1 (en) | Supply chain management system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |