航空货运:运价类别Rate Class

简介: 1.普通货物运价(1)基础运价(代号N -注:Normal的首字母)民航总局统一规定各航段货物基础运价为45公斤以下普通货物运价。(2)重量分界点运价(代号Q  -注:Quantity的首字母)国内航空货物运输建立45公斤以上、100公斤以上、300公斤以上3级重量分界点及运价。

1.普通货物运价
(1)基础运价(代号N -注:Normal的首字母)
民航总局统一规定各航段货物基础运价为45公斤以下普通货物运价。
(2)重量分界点运价(代号Q  -注:Quantity的首字母)
国内航空货物运输建立45公斤以上、100公斤以上、300公斤以上3级重量分界点及运价。

2.等级货物运价
(1)等级运价加价(代号S - 注:Surcharge 的首字母)
急件、生物制品、珍贵植物和植物制品、活体动物、骨灰、灵柩、鲜活易腐物品、贵重物品、枪械、弹药、押运货物等特种货物实行等级货物运价,按照基础运价的150%计收。
(2)等级运价减价(代码R -注:Reduced的首字母)
适用商品包括:报纸、杂志、书籍及出版物、作为货物托运的行李。

3.指定商品运价(代号C - 注:Contract的首字母)
对于一些批量大、季节性强、单位价值低的货物,航空公司可申请建立指定商品运价。

4.最低运费(代号M - 注:minimum的首字母)
每票国内航空货物最低运费为人民币30元。

5.集装货物运价
以集装箱、集装板作为一个运输单元运输货物可申请建立集装货物运价。

目录
相关文章
Logistics人口模型
Logistics人口模型
80 0
|
编解码 ice
Google Earth Engine——NOAA气候数据记录(CDR)的AVHRR叶面积指数(LAI)和吸收光合有效辐射的部分(FAPAR)数据集包含描述植物冠层和光合活动的衍生值
Google Earth Engine——NOAA气候数据记录(CDR)的AVHRR叶面积指数(LAI)和吸收光合有效辐射的部分(FAPAR)数据集包含描述植物冠层和光合活动的衍生值
579 0
Google Earth Engine——NOAA气候数据记录(CDR)的AVHRR叶面积指数(LAI)和吸收光合有效辐射的部分(FAPAR)数据集包含描述植物冠层和光合活动的衍生值
|
6月前
|
算法 数据可视化 大数据
圆堆图circle packing算法可视化分析电商平台网红零食销量采集数据
圆堆图circle packing算法可视化分析电商平台网红零食销量采集数据
|
6月前
|
机器学习/深度学习 监控 搜索推荐
汽车经销商客户流失预警:逻辑回归(LR)、LASSO、逐步回归
汽车经销商客户流失预警:逻辑回归(LR)、LASSO、逐步回归
汽车经销商客户流失预警:逻辑回归(LR)、LASSO、逐步回归
|
6月前
|
Web App开发 算法 数据挖掘
JCR一区7.3分|内质网应激+分型+药物筛选分子对接
这篇研究分析了溃疡性结肠炎(UC)内质网应激相关基因特征,发表在《Frontiers in Immunology》杂志上。通过基因表达谱和加权基因共表达网络分析,研究人员识别出915个差异表达基因和11个关键的内质网应激相关基因(ERSRGs),这些基因在UC中具有诊断价值。他们还发现诺斯卡品作为小分子药物,可能通过影响ERS对UC产生治疗潜力。此外,研究揭示了ERS在UC发病机制中的重要角色,并与免疫细胞浸润和结肠粘膜侵袭相关。通过一致性聚类,确定了ERS相关的亚型,这些发现为理解UC的病理机制和潜在治疗提供了新见解。
65 0
|
6月前
Google Earth Engine(GEE) ——世界人口网格化第4版行政单位中心点与人口数据集
Google Earth Engine(GEE) ——世界人口网格化第4版行政单位中心点与人口数据集
99 1
|
算法 Python
2022-10-26-线性回归分析GDP与公交车数量的关系
2022-10-26-线性回归分析GDP与公交车数量的关系
157 0
|
6月前
|
编解码 人工智能 安全
全球3小时气象数据集GLDAS Noah Land Surface Model L4 3 hourly 0.25 x 0.25 degree V2.1
全球3小时气象数据集GLDAS Noah Land Surface Model L4 3 hourly 0.25 x 0.25 degree V2.1
89 0
|
6月前
|
双11 Python
数据过于完美就是造假?too sample,GDP数据更加完美!
数据过于完美就是造假?too sample,GDP数据更加完美!
ML之RF:利用Pipeline(客户年龄/职业/婚姻/教育/违约/余额/住房等)预测客户是否购买该银行的产品二分类(预测、推理)
ML之RF:利用Pipeline(客户年龄/职业/婚姻/教育/违约/余额/住房等)预测客户是否购买该银行的产品二分类(预测、推理)
ML之RF:利用Pipeline(客户年龄/职业/婚姻/教育/违约/余额/住房等)预测客户是否购买该银行的产品二分类(预测、推理)