Prinsip revenue management (RM) dalam maskapai penerbangandstry adalah
untuk memaksimalkan pendapatan farebox mereka melalui penetapan harga dan mengalokasikan kursi yang tersedia di bawah permintaan yang tidak pasti dan mudah rusak pasokan. Dalam praktiknya, implementasi RM biasanya dikaitkan dengan menetapkan batas pemesanan melalui produk tarif yang berbeda. Pemesanan batas menahan jumlah maksimum kursi yang tersedia untuk dijual ke diberikan kelas pemesanan, sedangkan produk tarif adalah kombinasi dari pembatasan harga dan tarif. Melalui pengaturan batas pemesanan untuk setiap produk tarif yang dirancang, maskapai dapat memperoleh yang optimal strategi penjualan berdasarkan sisa kapasitas, kondisi pasar dan permintaan yang diantisipasi. Secara umum, model permintaan RM telah diusulkan berdasarkan hipotesis fungsi permintaan terbalik menggunakan statistik tradisional teknik, seperti deret waktu, metode rata-rata, atau sederhana distribusi probabilitas (McGill dan van Ryzin, 1999). Mereka dengan model mand sebagian besar menganggap permintaan penumpang untuk menjadi independen di antara produk tarif yang dibuat berdasarkan batasan yang berbeda untuk segmentasi penumpang. Namun, dengan meningkatnya pasar persaingan dari operator berbiaya rendah (LCC) dan pertumbuhan online penjualan tiket, penumpang saat ini mungkin menganggap kelas tarif sebagai tidak lebih dari harga yang berbeda untuk kursi dan pembelian berdasarkan harga daripada produk tarif. Itu menghasilkan permintaan RM perkiraan model asumsi, seperti independensi lintas tarif produk, mungkin tidak lagi valid (Barnhart dan Smith, 2012). Selain itu, maskapai penerbangan menggunakan strategi penetapan harga yang sangat berbeda di bawah persaingan pasar yang ketat, pola permintaan yang berbeda, dan mencapai segmentasi pelanggan yang efektif (Bilotkach et al., 2010). Misalnya, dengan menetapkan diskon pembelian di muka, maskapai penerbangan mampu mendorong penumpang yang peka terhadap harga untuk membeli lebih awal sedangkan penumpang yang kurang peka terhadap harga tetapi peka terhadap waktu pembelian nanti dan lebih lanjut menggeser permintaan (Gallego et al., 2008; Dana, 1999, 1998; Gale dan Holmes, 1993). Selain itu, maskapai juga menyesuaikan harga secara dinamis berdasarkan permintaan pembelajaran (Escobari, 2012; Deneckere dan Peck, 2012). Penumpang dapat memutuskan untuk membuat pembelian di muka dengan harga yang berlaku atau untuk menunda pembelian mereka keputusan. Strategi harga tersebut dapat menurunkan nilai produk bahwa penumpang dipaksa untuk melakukan trade-off antara harga, atribut produk dan tenggat waktu pembelian di muka, dan oleh karena itu, mengubah perilaku pembelian mereka (Hotle et al., 2015; Escobari, 2014). Tanpa mengetahui perilaku pembelian yang sebenarnya dari udara passengers, fungsi permintaan yang dihipotesiskan dapat menyebabkan kesalahan hasil estimasi yang baru. Untuk melacak keputusan pembelian awal individu, baru-baru ini penelitian telah memperkenalkan model pilihan diskrit ke RM untuk kemampuan untuk mengakomodasi preferensi penumpang dalam strategi RM yang dapat lebih menjelaskan bagaimana individu membuat trade-off (Garrow, 2009; Talluri dan van Ryzin, 2004a, 2004b). Keputusan passengers dapat dimodelkan berdasarkan survei preferensi yang dinyatakan data (Proussaloglou dan Koppelman, 1999; Wen dan Lai, 2010) atau mengungkapkan data preferensi. Meskipun model permintaan berdasarkan model pilihan diskrit mungkin lebih tepat dalam aplikasi RM tions, untuk pengaturan preferensi terungkap, ada terbatas penelitian empiris karena masalah akuisisi data. Keduanya dipilih dan alternatif yang tidak dipilih diperlukan untuk preferensi yang terungkap implementasi model. Meskipun dukungan sistem komputer tems menurunkan biaya pengumpulan data, sebagian besar perusahaan masih hanya bisa mencatat hasil pembelian dan informasi penumpang yang berhasil informasi tentang alternatif yang tidak dipilih sulit diperoleh, yang membuat menyimpulkan permintaan sebenarnya dengan data yang tersedia tetap masalah yang cukup mahal dan menantang. Penelitian sebelumnya memperkirakan mengawinkan model permintaan logit untuk menganalisis pembelian di muka karena perilaku berdasarkan data preferensi yang terungkap dalam industri penerbangan (Escobari dan Mellado, 2014; Vulcano et al., 2010; Carrier, 2008), hotel (Newman et al., 2014) dan industri perkeretaapian (Hetrakul and Cirillo, 2013, 2014, 2015). Sepengetahuan kami, Escobari dan Melado (2014) merupakan penelitian pertama yang menggunakan inventaris kursi perubahan dan harga yang diposting untuk memperkirakan pilihan jadwal penerbangan dari pendekatan preferensi yang terungkap, di mana keduanya dipilih dan tidak informasi yang dipilih untuk semua penerbangan alternatif dari maskapai yang berbeda tersedia. Seperti disebutkan di atas, makalah ini menggunakan data transaksi nyata dari billing and settlement plan (BSP) yang dapat diperoleh dengan mudah oleh setiap maskapai untuk mendukung pengembangan strategi RM maskapai. Sisa dari makalah ini disusun sebagai berikut. Bagian 2 di memperkenalkan data studi dan metode yang digunakan untuk pengembangan model. Bagian 3 dan 4 menjelaskan spesifikasi dan estimasi model hasil, masing-masing. Akhirnya, bagian terakhir memberikan kesimpulan kembali menandai dan menyarankan arah penelitian masa depan.
2. Data
Dataset yang digunakan untuk menyelidiki faktor potensial yang berkontribusi
untuk perilaku pembelian di muka adalah transaksi penjualan maskapai data untuk ketersediaannya. Dataset didasarkan pada International Air Rencana penagihan dan penyelesaian (BSP) Transport Association (IATA) dan banyak digunakan oleh setiap departemen keuangan anggota IATA. NS dataset berisi setiap catatan transaksi penjualan antar maskapai dan saluran distribusi yang beragam, seperti agen perjalananharga. Seperti terlihat pada Tabel 1, setiap record dari transaksi penjualan maskapai penerbangan data memiliki nomor tiket unik dan kupon penerbangan yang berbeda untuk rencana perjalanan. Bidang menarik lainnya adalah kelas layanan dan basis tarif kode seperti yang dilaporkan pada Tabel 2 yang mewakili produk tarif yang berbeda dan aturan untuk berbagai saluran distribusi dan nilai penumpang segmen data memiliki nomor tiket unik dan kupon penerbangan yang berbeda untuk rencana perjalanan. Bidang menarik lainnya adalah kelas layanan dan basis tarif kode seperti yang dilaporkan pada Tabel 2 yang mewakili produk tarif yang berbeda dan aturan untuk berbagai saluran distribusi dan nilai penumpang segmen. Studi ini memilih rute Taipei-Macau (TPEMFM) untuk populasinya. Larity dan frekuensi penerbangan yang tinggi. Durasi penerbangan dari Taipei ke makau berjarak sekitar 840 km dan waktu penerbangan sekitar 2 jam. Khususnya, rute Taipei-Makau memiliki penumpang terbesar tahunan di taiwan (Taiwan Civil Aeronautics Administration, 2011). Gambar 1 menunjukkan jumlah penumpang yang disusun berdasarkan bulan, yang menggambarkan bahwa bulan terpopuler untuk terbang ke Makau adalah Juli dan agustus, sedangkan Maret dan Oktober memiliki penumpang paling sedikit. Dengan tujuan untuk melengkapi informasi pembelian, Data jadwal penerbangan diintegrasikan ke dalam dataset analisis. NS studi maskapai menawarkan 3 penerbangan setiap hari yang keberangkatan di pagi hari, siang dan malam (Keberangkatan pukul 08:10, 13:30 dan 18:20; kedatangan pada 09:45, 15:10, dan 20:10, masing- masing). Dengan menggabungkan dua dataset, preferensi waktu keberangkatan penumpang seperti waktu, Hari dalam seminggu dan bulan dalam setahun kemudian dipelajari. Selain itu, untuk mempelajari waktu perilaku pembelian di muka penumpang udara, Hari pembelian di muka didefinisikan sebagai hari antara tiket yang diterbitkan tanggal dan tanggal keberangkatan. Gambar 2 menggambarkan jumlah tiket dengan pembelian di muka beberapa hari sebelum keberangkatan. Karena hampir semua udara penumpang (97%) membeli tiket mereka dalam waktu 60 hari sebelum keberangkatan, cakrawala total 60 hari dipelajari. Tabel 3 menyajikan persentase kumulatif penumpang dalam 7 perjalanan di muka mengejar hari, di mana sekitar 2% penumpang membeli tiket di hari keberangkatan dan hampir 50% penumpang membeli tiket sekitar satu minggu sebelum keberangkatan Gambar. 3 lebih lanjut menyajikan distribusi harga rata-rata untuk didefinisikan segmentasi kelas dengan jumlah hari pembelian di muka dari rute Taipei- Makau. Perhatikan bahwa kelas bisnis memiliki yang tertinggi harga rata-rata dan dispersi harga lebih besar sedangkan paket dan kelas kelompok memiliki harga rata-rata terendah. Dibandingkan dengan yang lain kelas, kelas ekonomi dan paket relatif stabil dalam 60 hari sebelum keberangkatan. Harga rata-rata kelas ekonomi adalah secara bertahap menurun di awal dan terus meningkat sekitar 25 hari menjelang hari keberangkatan. Harga yang sama pola dapat juga diamati di kelas layanan lainnya. Berdasarkan variasi harga di atas cakrawala penjualan, penumpang diasumsikan membuat keputusan pembelian di muka berdasarkan harga tiket dan preferensi waktu penerbangan. Sementara kelas layanan dan basis tarif biasanya digunakan untuk merancang produk tarif, sulit untuk diterapkan dalam studi karena rumitnya berbagai aturan tarif. Selain itu, Dataset BSP tidak hanya berisi catatan transaksi dari pembelian langsung mengejar penumpang tetapi juga dari beberapa saluran distribusi, Yang membuat sulit untuk membedakan perilaku penumpang dari agen Perjalanan. Oleh karena itu, untuk kesederhanaan, penelitian ini hanya mempertimbangkan bagian dari kelas ekonomi (kelas layanan W, L, B, T, Q, X) dari tarif dasar tiket YEE3M yang dibeli melalui direct saluran pembelian (situs web dan loket maskapai penerbangan). Anomali data termasuk outlier atau catatan yang tidak lengkap juga dihapus, yang menghasilkan akhir dari 2899 catatan transaksi. Tabel 4 daftar layanan kelas yang dipilih untuk penelitian ini, sedangkan Gambar. 4 menyajikan rata-rata pola harga catatan yang dipilih.
3. Model
Untuk menyelidiki perilaku pembelian tiket pesawat di muka, Model pilihan
diskrit digunakan. Selain itu, untuk mengurangi jumlahnya alternatif dan memfasilitasi pengembangan model, kemajuan cakrawala pembelian dibagi menjadi lima periode waktu menurut: tiga metode segmentasi: metode pertama adalah membagi cakrawala menjadi lima periode waktu yang sama (setiap periode adalah 12 hari). NS metode kedua adalah membagi cakrawala menjadi lima periode waktu dengan jumlah pembelian yang sama. Metode ketiga adalah membagi cakrawala menurut penilaian profesional dari maskapai studi. Untuk metode penilaian profesional yang disarankan oleh mantan perts dari maskapai studi, sebagai pendekatan hari keberangkatan, the maskapai umumnya akan mulai memeriksa reservasi kursi dan memutuskan untuk mendapatkan diskon dan promosi untuk meningkatkan volume penjualan atau bukan. Maskapai akan mengumumkan informasi promosi untuk perjalanan agen sekitar 1e2 bulan dari hari keberangkatan. Dua minggu sebelum keberangkatan, mereka akan mulai meminta agen perjalanan untuk membayar penumpang kelompok, atau kembalikan kursi yang tersisa, jadi yang tersisa kursi penerbangan akan berubah secara dramatis. Pada minggu terakhir sebelum keberangkatan, promosi seperti “penjualan menit terakhir” dan iklan internet vertisements akan dilakukan untuk menarik penumpang individu. Akhirnya, kami berharap penumpang membeli tiket di keberangkatan hari memiliki perilaku pilihan yang berbeda. Makalah ini memodelkan perilaku pembelian di muka secara statis Pengaturan dan dari perspektif maskapai penerbangan; maka kita berasumsi bahwa kelimanya alternatif periode pembelian tersedia untuk penumpang di waktu yang sama di bawah informasi yang sempurna. Selain itu, karena data kami berisi data transaksi hanya dari satu operator, tidak dapat menghitung pilihan penerbangan atau operator lain. Pengaturan di sini hanya mempertimbangkan pilihan periode pembelian di muka dalam penerbangan yang sama. Tabel 5 menguraikan waktu pembelian di muka yang ditentukan periode dan jumlah penumpang, sedangkan Gambar. 5 menunjukkan hubungan antara periode yang ditentukan dan hari pembelian di muka untuk kumpulan data yang dipilih. Namun, untuk data transaksi, hanya periode waktu yang berhasil transaksi dicatat dan tidak ada informasi mengenai untransaksi yang berhasil dalam periode waktu lain tersedia. Sebuah data metode intensif digunakan untuk menghitung nilai variabel generik dari periode waktu lainnya. Harga beli pada periode lainnya sebesar penerbangan saya diperhitungkan oleh hari pembelian di muka, kelas layanan, dan bulan pembelian. Penumpang diasumsikan rabun bahwa mereka membeli dengan harga setiap kali penilaian mereka melebihi itu. Akhirnya, Faktor termasuk harga, dan preferensi waktu perjalanan (waktu hari, Hari dalam seminggu, dan bulan dalam setahun) kemudian diperiksa lebih lanjut oleh menggunakan model multinomial logit (MNL). Seperti yang disajikan dalam Persamaan. (1), utilitas penumpang n yang membeli pada alternatif pembelian di muka periode i untuk penerbangan j diberikan oleh, (1) Bagian komponen sistematik dari utilitas dimodelkan secara linier fungsi dari karakteristik yang diamati, sedangkan komponen acak yang tidak teramati dinyatakan sebagai 3 dan D adalah koefisien yang akan diestimasi. Jika pengangkut mengetahui lebih banyak tentang permintaan sebagai persetujuan hari keberangkatan proaches dan secara dinamis menyesuaikan strategi harga, korelasi anntara log(PRICE)nij dan xnj yang tidak teramati nij dapat menyebabkan nasalah endogenitas harga potensial. Escobari (2012, 2014) dikendalikan untuk potensi endogenitas dengan instrumen internal dan penerbangan efek tetap. Karena dinamika harga bukanlah masalah saat ini studi, kami menganggap nij tidak berkorelasi dengan log(PRICE)nij. Akhirnya, Probabilitas Pnij penumpang n memilih periode pembelian di muka dapat diturunkan sebagai Persamaan. (2). Pnij eVnij P K2CnVnik( Variabel penjelas yang dipilih adalah harga beli (dalam loga Bentuk ritmik) dan preferensi jadwal penerbangan xj. Khusus penerbangan di upeti seperti penerbangan pagi (PAGI), penerbangan pada hari Jumat (JUMAT), penerbangan pada bulan-bulan sibuk termasuk Juli dan Agustus (PANAS- MUSIM) menurut database jadwal penerbangan diperlakukan sebagai variabel spesifik alternatif untuk menangkap waktu dalam sehari, hari dalam seminggu dan preferensi bulan dari tahun penumpang udara. Pengaturan memungkinkan kami untuk mengamati efek marjinal dari perubahan preferensi penerbangan di seluruh periode pembelian di muka. Selanjutnya, untuk mengidentifikasi penumpang yang sering bepergian pada hari libur berturut-turut (lebih dari tiga hari) dan liburan khusus seperti Tahun Baru Imlek dan musim semi liburan, juga ditandai sebagai wisatawan liburan (LIBURAN). Passenger diasumsikan melakukan perjalanan pada periode tertentu mewakili preferensi perjalanan. Semua variabel spesifik alternatif adalah diperkirakan akan menurun seiring dengan mendekatnya hari keberangkatan. Deskriptif statistik variabel penjelas dilaporkan sebagai Tabel 6.
4. Hasil
Tabel 7 menyajikan hasil estimasi dari ketiga model MNL dengan
menggunakan software LIMDEP NLogit. Hasil menunjukkan bahwa semua variabel tersebut di atas secara signifikan diuji dengan tanda yang ditentukan. Untuk perbandingan model, beberapa indeks kinerja, Termasuk statistik kemungkinan log pada rho-kuadrat yang optimal dan disesuaikan (Koppelman dan Bhat, 2006) dan Kriteria Informasi Akaikes (AIC) dipilih. Nilai kemungkinan log optimal dari tiga model masing-masing adalah 2524,61, 4485,71 dan 3738,01; sdangkan rho-kuadrat yang disesuaikan adalah 0,455, 0,034 dan 0,195. Di dalam istilah dua indeks, model berdasarkan periode waktu yang sama melakukan yang terbaik. Selain itu, model periode waktu yang sama juga memiliki nilai AIC/N terkecil 2,010, menunjukkan suhu yang diusulkan segmentasi poral berdasarkan persamaan 12 hari dapat menjelaskan dengan lebih baik perilaku pembelian di muka. Untuk variabel generik, koefisien log(PRICE) dalam persamaabes model periode waktu memiliki efek marginal negatif yang signifikan dari 1,042 pada pembelian di muka seperti yang diharapkan, menunjukkan lebih tinggi harga beli, utilitas penumpang yang lebih rendah dan dengan demikian kemampuan maskapai yang dipilih menurun. Istilah interaksi antara log(PRICE) dan penerbangan pagi memiliki koefisien negatif dari 2,358 yang membuat total log(PRICE) efek marjinal menjadi 3.4. Hasil tersebut menunjukkan bahwa harga beli memiliki nilai yang lebih besar efek negatif untuk penerbangan pagi. Sebaliknya, interaksi hal penerbangan HOTSEASON dan VACATION memiliki efek positif dari 2,713 dan 4,853, menyiratkan bahwa disutilitas penumpang terhadap efisiensi harga Efeknya lebih rendah ketika penumpang melakukan perjalanan selama musim panas atau liburan, yang mengakibatkan efek harga berubah menjadi positif. Satu mungkin penjelasan untuk ini mungkin karena kami menggunakan catatan transaksi yang hanya menyediakan alternatif yang dibeli untuk pemodelan. Hanya penumpang yang menerima harga beli yang lebih tinggi sedang tercatat dalam dataset kami, penumpang yang memilih untuk membeli nanti juga tidak membeli tidak dapat menangkapTabe Untuk variabel dummy spesifik alternatif yang termasuk dalam model ditujukan untuk menangkap preferensi jadwal penerbangan di seluruh priode pembelian di muka. Semua variabel spesifik alternatif memiliki efek positif yang signifikan pada utilitas bila dibandingkan dengan basis alternatif (periode pembelian di muka 1: dalam waktu 12 hari sebelum keberangkatan). Kedua variabel PAGI dan JUMAT menunjukkan pola penurunan yang diharapkan. Utilitas berkurang seiring kemajuan periode pembelian mendekati hari keberangkatan, menyiratkan bahwa penumpang yang lebih memilih penerbangan pagi dan Jumat cenderung membeli tiket lebih awal. Namun, koefisien variabel liburan hadir fek positif tetapi tidak teratur. Salah satu alasan yang mungkin untuk ini mungkin bahwa maskapai penerbangan diyakini memiliki kursi kelas tarif yang lebih rendah dan lepaskan mereka selambat mungkin sebelum waktu liburan. Tabel 8 lebih lanjut merangkum elastisitas harga langsung agregat. Elastisitas penerbangan ordinal ditentukan menuagrega estimasi parameter log(PRICE) tidak termasuk efek interaksi. Sebagai diharapkan, semakin lama hari pembelian di muka, semakin tinggi elastisitas langsung. Nilai sebagian besar elastisitas lebih besar dari satu, Menunjukkan bahwa penumpang sensitif terhadap perubahan harga. NS elastisitas menurun mendekati tanggal keberangkatan, menyiratkan bahwa penumpang menjadi kurang sensitif terhadap harga karena mendekati tanggal keberangkatan. Fenomena ini juga mencerminkan bahwa sekali penumpang telah memutuskan penerbangan pembelian. Mereka mungkin harus membuat beli saat hari keberangkatan mendekat, berapa pun harganya perubahan. Untuk penerbangan ordinal, Periode 5 memiliki elastisitas tertinggi sebesar 1,297, Menyarankan 1% dari kenaikan harga kayu akan menghasilkan penurunan 1,297% dari probabilitas pilihan pada Periode 5 (>49 hari sebelum keberangkatan), Sedangkan Periode 1 (0e12 hari sebelum keberangkatan) memiliki yang terendah elastisitas langsung 0,371 yang kurang dari satu, menunjukkan inelastisitas harga penumpang Periode 1. Elastisitas pagi hari penerbangan 3 kali lebih tinggi dari penerbangan biasa, menunjukkan bahwa penumpang yang memilih penerbangan pagi lebih sensitif terhadap harga. Menariknya, penerbangan populer di musim panas dan liburan, memiliki elastisitas positif, menunjukkan kenaikan harga juga akan menghasilkan peningkatan kemungkinan pilihan. Hal ini terutama karena positif perkiraan total efek harga log sebesar 1,671 dan 3,811. Hasil menunjukkan bahwa penumpang mungkin perlu mengeluarkan lebih banyak untuk membeli musim panas dan penerbangan liburan. Namun, dalam penelitian ini, data kami hanya mencerminkan perilaku penumpang yang diterima lebih tinggi harga pembelian. Penumpang dapat memilih penerbangan alternatif dari operator lain atau memilih untuk tidak membeli. Singkatnya, elastisitas Nilai penerbangan pagi dan liburan lebih besar dari penerbangan lainnya, Menyarankan kedua jenis penerbangan itu lebih sensitif terhadap harga perubahan, meninggalkan ruang besar untuk strategi RM.
5. Kesimpulan
Studi ini mencoba untuk menyelidiki secara empiris kemajuan perilaku
pembelian tiket pesawat dengan menggunakan model multinomial logit berdasarkan data transaksi langsung maskapai Taipei-Macau (TPEMFM) pada tahun 2011. Untuk memfasilitasi pengembangan model, Cakrawala pembelian di muka dibagi menjadi lima periode waktu berdasarkan tiga metode segmentasi, termasuk waktu yang sama periods, periode waktu dengan jumlah pembelian dan waktu yang sama leriode sesuai dengan pertimbangan profesional. Variabel penjelas termasuk harga, jadwal penerbangan (waktu, hari dalam seminggu, dan bulan dalam setahun) dan preferensi kelas tarif diperiksa. Dalam istilah dari rho square yang disesuaikan, nilai AIC, dan statistik kemungkinan log, segmentasi waktu yang sama berkinerja terbaik. Berdasarkan estimasi koefisien, harga log memiliki negatif efek 1,042 pada pembelian di muka, menunjukkan harga yang lebih tinggi, utilitas penumpang yang lebih rendah. Istilah interaksi untuk HOT MUSIM dan LIBURAN memiliki efek positif, menyiratkan bahwa disutilitas penumpang terhadap harga lebih rendah ketika penumpang melakukan perjalanan selama waktu liburan. Adapun variabel dummy, PAGI dan JUMAT menunjukkan pola penurunan yang diharapkan sebagai hari keberangkatan pendekatan, menunjukkan bahwa penumpang lebih suka pagi dan Jumat lenerbangan biasanya membeli tiket lebih awal. Yang tidak teratur pola variabel LIBURAN mencerminkan perilaku maskapai RM strategi dengan menahan dan melepaskan kursi untuk penerbangan liburan. Selain itu, berdasarkan analisis langsung dan elastisitas silang, sejauh mana perilaku pembelian di muka sehubungan dengan strategi harga juga terungkap Data transaksi tiket online yang diselidiki dalam penelitian ini hanya memperhitungkan persentase rendah dari seluruh pembelian ulang di muka kabel. Namun, dengan popularitas yang cepat dari pembelian online saluran yang dipromosikan oleh maskapai penerbangan, model yang diusulkan dapat lebih lanjut diperiksa oleh dataset yang mampu merepresentasikan lebih besar persentase perilaku pembelian di muka. Harga rata-rata sebelum dikirim ke sini dapat dimasukkan lebih lanjut dengan harga dinamis model untuk lebih mencerminkan persaingan maskapai (Bilotkach et al., 2010) dan perubahan harga dalam variasi waktu pembelian di muka (Escobari, 2012; Deneckere dan Peck, 2012). Sayangnya, kami kumpulan data tidak memungkinkan kami menganalisis pilihan di antara alternatif penerbangan dan operator atau alternatif “tidak terbang”. Sampai saat ini, Escobari dan melado (2014) telah mempelajari secara empiris pembelian di muka perilaku tiket pesawat dalam suasana dinamis dengan preferensi yang terungkap ence data di mana informasi dari semua pilihan yang tersedia. Selain itu, rute studi adalah rute udara jarak pendek (Taipei Makau). Diyakini bahwa perilaku pembelian di muka dari rute angkutan udara harus sangat berbeda. Perbandingannya layak untuk studi lebih lanjut. Karena dataset tidak mengandung variabel sosial ekonomi dan karakteristik perjalanan penumpang udara, model serupa dengan mempertimbangkan variasi penjelas yang lebih berharga kemampuan harus diperkirakan berdasarkan survei kuesioner di udara penumpang sehingga dapat menarik lebih banyak implikasi kebijakan untuk strategi RM ya. Dibandingkan dengan segmentasi temporal yang dibagi secara terpisah cakrawala pembelian di muka, studi masa depan dapat mempertimbangkan untuk mempertimbangkan korelasi temporal antara periode atau untuk mengadopsi model Logit terus menerus untuk lebih meningkatkan kinerja model.