ارايه يك سياست ريسك گريز براي مساله كنترل ظرفيت در مديريت درآمد شبكه

Risk-Averse Capacity Control in Network Revenue Management

وجود چندين منبع مشترك در مسايل مديريت درآمد كه به عنوان مسايل مديريت درآمد شبكه شناخته مي شوند، داراي كارايي بسياري در صنايع مختلف هستند. در سال هاي اخير، بسياري از محققان بر لزوم در نظرگرفتن مدل هاي ريسك گريز در مسايل مديريت درآمد تاييد كرده اند. اين امر به دليل دسترسي محدود برخي از شركت ها به بازارهاي سرمايه اي، نياز مديران براي رسيدن به سطح مشخصي از درآمد در زمان مشخص و در اولويت قرار داشتن تامين هزينه هاي ثابت سازمان ها نسبت به ماكزيمم كردن درآمد است. در اين مقاله، با استفاده از مفهوم تابع مطلوبيت، يك مدل برنامه ريزي پويا براي مساله كنترل ظرفيت در مديريت درآمد شبكه با درنظرگرفتن ريسك ارايه مي شود. اين مقاله نشان مي دهد كه بسياري از خاصيت هاي ساختاري مدل ريسك خنثي براي مدل ريسك پذير همچنان برقرار است. بنابراين، براي حل مدل برنامه ريزي پويا پيشنهادي كه داري فضاي حالت بسيار بزرگي مي باشد، از روش كنترلي قيمت پيشنهادي و تكنيك تقريب مبتني بر برنامه ريزي خطي كه در مدل هاي ريسك خنثي بسيار كاربرد دارد، استفاده ميشود. نتايج عددي نشان ميدهند كه سياست ها در اين حالت نسبت به آنچه كه قبلا در ادبيات بدست آمده است، محافظه كارانه تر هستند.

There are be significant revenue benefits in taking a network approach to revenue management (RM) in various industries. In recent years, practitioners and researchers emphasize requirement for risk-averse policies in RM. Because of limited access to the capital markets for some companies, preferences of managers to the certainty of some immediate medium revenue, existing only a few large events per day in some industries (such as rental of a stadium or concert halls), and assigning the first priority to recover the fixed costs rather than maximization the revenue in some organizations. In this paper, we propose a dynamic programming model to obtain a risk-averse policy for capacity control problem in network RM using an additive time-separable utility function. We show that the some structural properties of risk-neutral models of capacity control problem are preserved in proposed risk-averse model. Therefore, we use the bid-price control and an approximation dynamic programming approach based on the risk-neutral network RM literature to tackle the large state space of problem.