Central Asian
Scientific
Journal

ТЕХНИКАЛЫҚ ҒЫЛЫМДАР - ТЕХНИЧЕСКИЕ НАУКИ - TECHNICAL SCIENCE · UDC 338.5:640.4 · Русский

Выбор метода динамического ценообразования для гостиницы: сравнительный анализ и имитационный эксперимент

  • Әлдебай Бақытжан Әбдраимұлы Казахский национальный исследовательский технический университет имени К.И. Сатпаева (КазНИТУ), Алматы, Казахстан
Issue
No. 4(32), Vol. 2, 2026
Pages
522–532
Published
Nov 19, 2026
Download PDF

Аннотация

Номер гостиницы, не проданный на ночь, потерян навсегда, поэтому цену меняют по ходу продаж, но методы такого ценообразования редко сравнивают при одинаковых допущениях. В статье пять методов (фиксированный и сезонный тарифы, пороговое правило по загрузке, выборка Томпсона и динамическое программирование, ДП) оценены по шести критериям и сопоставлены в имитационной модели отеля на 50 номеров; её параметры, кроме эластичности спроса, оценены по 78 999 бронированиям City Hotel из набора Hotel Booking Demand. В пяти сценариях спроса по 30 прогонов ДП, знающее спрос, повысило доход на доступный номер (RevPAR) на 4,3–10,6% по сравнению с фиксированным тарифом, пороговое правило — на 1,9–5,2%, выборка Томпсона в принятой настройке — от −2,7 до +2,2%. Если ДП занижает эластичность на 30% при истинном значении 1,0, оно уступает фиксированному тарифу (−5,5%). Для информационной системы малого отеля разумно начать с порогового правила; результаты получены на имитации и требуют проверки на реальных ценах.

Ключевые слова: динамическое ценообразование, управление доходом гостиницы, имитационное моделирование, выборка Томпсона, динамическое программирование, RevPAR, эластичность спроса

References

  1. Talluri K.T., van Ryzin G.J. The Theory and Practice of Revenue Management. – New York: Springer, 2004. – 713 p. – DOI: 10.1007/b139000.
  2. Abrate G., Viglia G. Strategic and tactical price decisions in hotel revenue management // Tourism Management. – 2016. – Vol. 55. – P. 123–132. – DOI: 10.1016/j.tourman.2016.02.006.
  3. Abdirazakov N.M., Kushebayev Z.T., Numanova F.A., Orynbet P.Z., Myltykbayeva G.E. Understanding the relationships between hotel variables in Almaty, Kazakhstan: an investigation using booking.com data // Buketov Business Review. – 2023. – Vol. 112, No. 4. – P. 7–18. – DOI: 10.31489/2023ec4/7-18.
  4. António N., de Almeida A., Nunes L. Hotel booking demand datasets // Data in Brief. – 2019. – Vol. 22. – P. 41–49. – DOI: 10.1016/j.dib.2018.11.126.
  5. Gallego G., van Ryzin G. Optimal Dynamic Pricing of Inventories with Stochastic Demand over Finite Horizons // Management Science. – 1994. – Vol. 40, No. 8. – P. 999–1020. – DOI: 10.1287/mnsc.40.8.999.
  6. Thompson W.R. On the likelihood that one unknown probability exceeds another in view of the evidence of two samples // Biometrika. – 1933. – Vol. 25, No. 3/4. – P. 285–294. – DOI: 10.2307/2332286.
  7. Russo D.J., Van Roy B., Kazerouni A., Osband I., Wen Z. A Tutorial on Thompson Sampling // Foundations and Trends in Machine Learning. – 2018. – Vol. 11, No. 1. – P. 1–96. – DOI: 10.1561/2200000070.
  8. Bitran G.R., Mondschein S.V. An Application of Yield Management to the Hotel Industry Considering Multiple Day Stays // Operations Research. – 1995. – Vol. 43, No. 3. – P. 427–443. – DOI: 10.1287/opre.43.3.427.
  9. Glasserman P., Yao D.D. Some Guidelines and Guarantees for Common Random Numbers // Management Science. – 1992. – Vol. 38, No. 6. – P. 884–908. – DOI: 10.1287/mnsc.38.6.884.
  10. Шукаев Д.Н. Компьютерное моделирование: учебник. – Алматы: КазНИТУ, 2017. – 200 с.
  11. Shapiro S.S., Wilk M.B. An analysis of variance test for normality (complete samples) // Biometrika. – 1965. – Vol. 52, No. 3–4. – P. 591–611. – DOI: 10.1093/biomet/52.3-4.591.
  12. Wilcoxon F. Individual Comparisons by Ranking Methods // Biometrics Bulletin. – 1945. – Vol. 1, No. 6. – P. 80–83. – DOI: 10.2307/3001968.
  13. Holm S. A Simple Sequentially Rejective Multiple Test Procedure // Scandinavian Journal of Statistics. – 1979. – Vol. 6, No. 2. – P. 65–70.
  14. Besbes O., Zeevi A. Dynamic Pricing Without Knowing the Demand Function: Risk Bounds and Near-Optimal Algorithms // Operations Research. – 2009. – Vol. 57, No. 6. – P. 1407–1420. – DOI: 10.1287/opre.1080.0640.
  15. den Boer A.V. Dynamic pricing and learning: Historical origins, current research, and new directions // Surveys in Operations Research and Management Science. – 2015. – Vol. 20, No. 1. – P. 1–18. – DOI: 10.1016/j.sorms.2015.03.001.
  16. Ferreira K.J., Lee B.H.A., Simchi-Levi D. Analytics for an Online Retailer: Demand Forecasting and Price Optimization // Manufacturing & Service Operations Management. – 2016. – Vol. 18, No. 1. – P. 69–88. – DOI: 10.1287/msom.2015.0561.
  17. Weatherford L.R., Kimes S.E. A comparison of forecasting methods for hotel revenue management // International Journal of Forecasting. – 2003. – Vol. 19, No. 3. – P. 401–415. – DOI: 10.1016/S0169-2070(02)00011-0.

How to cite

Әлдебай Б.Ә. Выбор метода динамического ценообразования для гостиницы: сравнительный анализ и имитационный эксперимент // Central Asian Scientific Journal. – 2026. – №4(32), Т. 2. – С. 522–532.

CC BY 4.0 Open access under the CC BY 4.0 license: you may freely read, copy and share this article, giving credit to the authors and a link to it. About the license

Reviews of this article

Leave a review

Rate the article and share your opinion. Your review appears after moderation.

Rating