Gerenciamento da Demanda

Gillen et al. (2016) discutem que o design das medidas de gerenciamento da demanda aeroportuária deve abordar e resolver vários trade-os4 _{operacionais, gerenciais e econô-}

micos. Como dito na Seção 2.2, os autores discutem que o gerenciamento de demanda refere-se às medidas administrativas ou econômicas que visam reduzir a demanda global do aeroporto ou modicar as características temporais dessa demanda.

Informam também que a gestão da demanda pode reduzir signicativamente os dese- quilíbrios entre demanda e capacidade, e, consequentemente, atrasos no aeroporto. In- dicam que a relação entre o número de voos, a capacidade do aeroporto e os atrasos esperados é não linear quando o aeroporto atua próximo da capacidade. Portanto, pe- quenas alterações no agendamento de voos e mudanças de capacidade podem levar a (i) grandes reduções de atraso, (ii) melhorias nos lucros operacionais e (iii) pouca redução no embarque de passageiros.

Ademais, dentre as informações discutidas na Seção 2.2, a respeito dos autores Madas & Zografos (2008) e Zou & Hansen (2012), nota-se no relatório emitido pela concessionária GRU Airport (GRU, 2015), que Guarulhos está recentemente habilitado a operar com aeronaves de categoria F, que são as maiores aeronaves de passageiros da aviação civil em operação. Isso demonstra uma clara tentativa de minimizar a saturação da capacidade e criticidade atual do mesmo, aumentando assim sua taxa de Load Factor 5_{, a m de}

ajustar o desequilíbrio mencionado.

Como estratégia de nivelamento da demanda, Guarulhos propõe tarifas de embarque e conexão mais onerosas que seus concorrentes diretos, tais como, Viracopos. Essa estratégia de competição intramodal é apresentada no último relatório do BNDES (2010), com o intuito de espalhar a demanda de uma determinada região, aproveitando melhor sua infraestrutura na tentativa de descongestionar os aeroportos mais saturados, e demonstra um esforço em equilibrar a relação custo-receita, mitigando perdas e melhorando suas margens de contribuição.

Essa ação resulta em um poder de investimento maior por parte da operadora. E, como pode ser vericado em seus relatórios semestrais, Guarulhos tem aumentado seus slots de estacionamento para aeronaves (outubro/2013), construindo e modernizando terminais (maio/2014), aprimorando seu Centro de Controle Operacional (maio/2014), adicionando mais pistas para taxiamento (fevereiro/2015); também otimizou a capacidade de proces- samento, passando de 47 para 52 movimentos/hora de aeronaves (outubro/2015), dentre mais ações, como aumento da área operacional para balcões e check-ins e esteiras para processamento de bagagens. Assim, Guarulhos investiu 291,1 milhões de reais em 2015 (GRU, 2015, 2016b, 2017), com o intuito de manter seu nível de serviço frente sua criti- cidade de capacidade.

Ademais, periodicamente, Guarulhos monitora Indicadores de Qualidade de Serviço (IQS) que são utilizados para avaliar a qualidade dos serviços prestados pela concessioná- ria (GRU, 2016a). Dentre estes indicadores pode-se elencar como principais: passageiros aguardando na la de check-in por mais de 15 minutos; tempo de atendimento a pas- sageiros com necessidades especiais; sistemas de processamento de bagagens; limpeza e disponibilidade de sanitários; conforto e disponibilidade de assentos; cordialidade dos fun- cionários; disponibilidade de vagas de estacionamento; disponibilidade de carrinhos para

bagagem; dentre outros.

Diante dessa realidade, não só o Brasil, mas internacionalmente, nota-se que o setor aéreo, vem se esforçando para manter o nível de serviço frente à evolução da demanda. Por isso, o estudo das projeções de demanda é uma importante ferramenta para analisar os cenários futuros, a m de realizar o planejamento estratégico e operacional. Sendo assim, a melhoria nos níveis de serviço está intimamente ligada às boas estratégias de gerenciamento de demanda e ao conhecimento de seu comportamento ao longo do tempo.

Capítulo 5

Conclusões

Conclui-se que modelos de extrapolação univariados, quando bem construídos, ofere- cem previsões satisfatórias às séries temporais, e os desvios, em relação aos dados reais, se mostraram toleráveis, de acordo com a perspectiva analisada. Os procedimentos sistemá- ticos propostos e a metodologia utilizada apresentaram robustez e eciência para atingir os objetivos almejados. Além disso, a simulação de Monte Carlo foi de extrema importân- cia para se realizar previsões de longo-prazo consistentes, amparando-se na distribuição de probabilidade aderente aos dados reais observados e, posteriormente, utilizada para estimar a probabilidade de saturação da capacidade aeroportuária da unidade em análise. Ademais, a perspectiva de saturação em determinado período de tempo fornece uma in- formação valiosa ao gestor, permitindo ao mesmo tomar decisões mais seguras, conáveis e transparentes, minimizando os riscos de altos investimentos de forma equivocada.

Capítulo 6

Considerações Finais

O objetivo geral da presente pesquisa é enunciado conforme segue: ˆ Propor uma sistemática para previsão de demanda para aeroportos;

Nesta dissertação, foi apresentada na Seção 3.2, em especial pela Figura 3.7, uma pro- posta de modelagem para séries temporais; foram descritos os processos e decisões que devem ser avaliados para que se estime de forma consistente os parâmetros dos mode- los de previsão, oferecendo assim, subsídios ao processo de quanticação e inferência. O primeiro cuidado esteve em colher os dados em uma fonte conável, e analisar atenta- mente suas estatísticas descritivas, a m de selecionar um possível modelo candidato, e estimar seus parâmetros. Cada modelo possui suas particularidades, logo, foram obser- vados metodicamente os pressupostos descritos com detalhes no Capítulo 2. Conforme foi apresentado na teoria, a análise dos resíduos gerados pelo treinamento dos modelos (diferença entre valores previstos e reais) é de fundamental importância para deduzir se os mesmos estão aderentes aos dados reais e conáveis. Sendo assim, foram propostos testes estatísticos para avaliação dessa hipótese. Caso a hipótese de aderência aos dados reais fosse rejeitada, indicou-se a alteração ou a denição de outro modelo para a previsão; caso a hipótese não fosse rejeitada, atestou-se que o modelo estava apto a realizar a previsão para fora da amostra de treinamento. Ademais, também foram apontados procedimentos adicionais para os modelos amparados nos processo ARMA e seus derivados, conferindo assim, mais ferramentas úteis para a estimação consistente dos parâmetros amparados em uma análise estatística robusta. Dessa forma, o modelo nal utilizado para realizar a previsão de longo-prazo do aeroporto em análise se mostrou consistente, coeso e estável.

Na sequência, são disponibilizados os comentários referentes a cada um dos objetivos especícos estabelecidos:

ˆ Desenvolver uma abordagem para parametrização de modelos de séries temporais univariados para previsão de demanda

Por não investigar relações causais com variáveis exógenas, o presente trabalho focou-se em modelos de previsão univariados. Esses modelos visam explicar o processo estocástico formador da série histórica por meio de suas próprias características no passado. Portanto, foi tido como pressuposto que a variância compartilhada entre a variável em análise com as suas variáveis correlacionadas segue o princípio da comunalidade. Então, o mesmo procedimento adotado na Figura 3.7 pode ser aplicado à estimação de modelos multi- variados, bem como, para modelos univariados. Assim, utilizou-se modelos clássicos de previsão amplamente divulgados na literatura de Engenharia e Administração e modelos amparados na Econometria de Séries Temporais. Desse modo, o Capítulo 2 apresentou com detalhes e formalidade matemática os diversos modelos propostos e como estimar seus parâmetros corretamente, assim como, as hipóteses e testes estatísticos utilizados para corroborá-los. Neste trabalho, observou-se que por suas características estatísticas, os modelos econométricos obtiveram melhor desempenho.

ˆ Comparar a eciência dos modelos aplicados, incluindo julgamento competitivo en- tre os mesmos;

Uma estratégia que tem se mostrado ecaz em relação à modelagem de processos quantita- tivos é a separação dos dados em: (i) amostra de treinamento e (ii) amostra de validação. A primeira separação dos dados é utilizada para estimar os parâmetros do modelo e, pos- teriormente, utilizando esses parâmetros, realiza-se inferência para fora dessa amostra - também conhecida como previsão de validação - comparando os erros de previsão com os dados da amostra de validação. Essa estratégia foi utilizada neste trabalho e, as medidas de comparação e o julgamento da aderência dos dados foram descritos na Seção 2.1.1 e ado- tados em todo processo de estimação e validação dos modelos estudados. Também, com o intuito de vericar a redução efetiva da medida MAE, utilizou-se a comparação relativa linear entre os diversos modelos testados. Nisto, conclui-se que para a série de passagei- ros domésticos, o modelo SARIMA (2,1,2)(0,1,1)12obteve os menores erros de previsão

em diversas medidas, e, para a série de passageiros internacionais, o modelo SARIMA (1,0,1)(0,1,1)12 obteve melhor aderência aos dados. Desse modo, a série de passagei-

ros totais foi investigada somando os modelos PAX_Domésticos + PAX_Internacionais, obtendo um MAPE de 5,88%. Utilizando o princípio da parcimônia, também foi inves- tigado se modelos com a mesma estrutura estocástica atingiriam melhores resultados e, como visto na Figura 4.8 e na Tabela 4.37, esses modelos apresentaram erros maiores que o modelo primário. Portanto, recomenda-se que mais séries sejam testadas utilizando os modelos parcimoniosos estimados, com o intuito de vericar se séries de passageiros aeroportuários podem ser modeladas por um processo estocástico estabelecido.

ˆ Inferir a projeção da demanda futura a m de diagnosticar a condição da capacidade instalada do aeroporto, avaliando se o mesmo suportará essa demanda ao longo do tempo;

ˆ Investigar como os modelos se comportam em diferentes cenários com ajuda de simulações e cálculos probabilísticos;

Após a escolha do melhor modelo de previsão frente à previsão de curto-prazo, foi feita a projeção da demanda futura para os próximos 10 anos. Entretanto, como os mode- los de séries temporais acumulam a variância e o erro aleatório quando o horizonte de previsão se estende, realizou-se a simulação de Monte Carlo (amparada na distribuição Logística) em cada um dos 120 meses avaliados, com o intuito de levantar sua distribuição de probabilidade. Essa ação reduziu signicativamente a variância dos dados, permitindo a realização de cálculos probabilísticos. Como a avaliação da capacidade aeroportuária é medida em operações anuais, foram somados os doze meses de cada ano chegando a uma distribuição anual dos dados e, de acordo com o Teorema Central do Limite, quando soma-se variáveis aleatórias oriundas de qualquer distribuição de dados, a distribuição soma tende a uma gaussiana; o que ocorreu de fato neste trabalho. Assim, com os valores da média e o desvio-padrão para cada ano, calculou-se que a probabilidade de saturação do aeroporto de Guarulhos é de 0,105% para o ano de 2020; 4,686% para 2022 e de 23,59% para 2025. Foi detectado também que em 2025, a probabilidade do aeroporto operar com a capacidade entre 90 e 100% é de 33,86%. Logo, no ano mencionado, a chance do ae- roporto operar acima de 90% da capacidade é de 57,45%. Ademais, foi averiguado que, atualmente, o aeroporto se encontra em estado crítico, operando acima de 80% de sua capacidade nominal e que dentro de uma perspectiva de 8 anos, estará em média com 88,52% de sua capacidade comprometida. Portanto, medidas de nivelamento da demanda ou de expansão da capacidade devem ser tomadas com intuito de manter ou melhorar o nível de serviço prestado pela concessionária responsável.

ˆ Discutir diretrizes para a denição de estratégias de gestão da demanda para o aeroporto;

Frente à iminente saturação da capacidade, Guarulhos tem realizado estratégias que vão ao encontro das diretrizes para gestão da demanda apontadas na literatura, tais como:

1. Operar com aeronaves maiores otimizando a taxa de Load Factor;

2. Elevar as taxas embarque e conexão para deslocar a demanda para os aeroportos vizinhos, realizando assim a competição intramodal;

3. Aumentar o número de slots para estacionamento das aeronaves;

4. Otimizar processos operacionais, tais como, transporte e vericação de bagagens; 5. Ampliar e modernizar terminais e pontos de check-in;

7. Vericar periodicamente Indicadores de Qualidade de Serviço.

Em relação às perguntas de pesquisa: (i) É viável realizar a previsão de demanda no setor aeroportuário? (ii) É possível calcular a probabilidade de saturação da capacidade aeroportuária com base na inferência de longo-prazo do comportamento da demanda? (iii) As inferências realizadas nos itens (i) e (ii) colaboram para a gestão da demanda frente à saturação da capacidade? Respondeu-se, ao longo do trabalho que sim, é viável realizar a previsão de demanda no setor aéreo de forma satisfatória, mesmo com modelos univariados, com alguns conhecimentos especícos em estatística; constatou-se também que é possível calcular a probabilidade de saturação de aeroportos e que os resultados obtidos nos itens anteriores colaboram de forma signicativa para as decisões de gestão da demanda aérea.

Sendo assim, em uma visão holística, o presente trabalho contribui no intuito de propor uma sistemática consistente na estimação e análise dos parâmetros de cada modelo estatís- tico apresentado para as previsões futuras. Também houve a preocupação de apresentar uma revisão profunda no mecanismo matemático inseridos nos pacotes computacionais utilizados para realizar estas estimações, bem como de suas particularidades.

Nesse sentido, a consulta aos uxogramas contidos nas Figuras 3.2, 3.5 e 3.7 fornece o subsídio necessário para a construção de modelos quantitativos sólidos para previsão de demanda, e os testes estatísticos utilizados auxiliam a modelagem, no sentido de aprimorar a assertividade do processo de estimação de seus componentes.

A simulação de Monte Carlo foi determinante para construir as distribuições de proba- bilidade para cada tempo previsto e com isso amenizar o efeito de acúmulo de variância e erros aleatórios gerados pelos modelos. Isso, conferiu ao trabalho uma maior pujança e vi- abilizou o cálculo de probabilidade de saturação da capacidade aeroportuária, fornecendo assim, uma ferramenta de gestão para a tomada de decisão no setor.

Com isso, infere-se que os procedimentos sistemáticos apresentados podem ser aplica- dos a qualquer tipo de histórico de demanda que se queira prever, e que modelos univa- riados possuem robustez e aderência estatística aos dados reais de forma satisfatória.

Ademais, quanto às diretrizes para a realização de pesquisas futuras, tem-se que a for- mulação de modelos multivariados e macroeconômicos aliados a modelos microeconômicos, em formato painel e hierárquico, possivelmente reduzam os erros de previsão, conferindo, assim, maior liquidez às perspectivas futuras. Com isso, as pesquisas de estados futuros para a construção ou ampliação de aeroportos, podem ser realizadas mesmo com a ausên- cia de séries históricas da unidade em análise, podendo ser amparadas em aeroportos com características semelhantes às desejadas. Nisto, a previsão de longo-prazo e suas proba- bilidades de realização se tornam ferramentas gerenciais de grande importância para os governos e corporações privadas.

Referências Bibliográcas

Abbe, Cleveland. 1871. A historical note on method of least-squares. American Journal of Science, 411415.

Adhikari, Ratnadip, & Agrawal, Rajendra K. 2013. An Introductory Study on Time Series Modeling and Forecasting. Lap Lambert Academic Publishing, 1302.6613, 76.

Akaike, Hirotugu. 1973. Maximum likelihood identication of Gaussian autoregressive moving average models. Biometrika, 60(2), 255265.

Akaike, Hirotugu. 1974. A new look at the statistical model identication. IEEE tran- sactions on automatic control, 19(6), 716723.

Alexander, Carol. 2001. Market models a guide to nance. London: John Wiley & Sons. Alves, Patrick F., Alvarenga, Gustavo V., & Rocha, Carlos H. 2011. Demanda por ticket aéreo na economia brasileira: uma análise de co-integração. Revista de Literatura dos Transportes, 5(3), 6488.

ANAC. 2016. Anuário do Transporte Aéreo 2015. Agência Nacional de Aviação Civil, 228.

ANAC. 2017a. Estatísticas Ociais. Agência Nacional de Aviação Civil. Disponível em: <http://www.anac.gov.br/assuntos/dados-e-estatisticas/dados-estatisticos/dados- estatisticos>. Acessado em: 13/01/2017.

ANAC. 2017b. Total de aeronaves registradas no Registro Aeronáutico Brasileiro. Agência Nacional de Aviação Civil. Disponível em: <http://www.anac.gov.br/assuntos/dados- e-estatisticas/aeronaves>. Acessado em: 13/01/2017.

ANAC (HOTRAN). 2016. Horário do Transporte Aéreo Nacional. Agência Nacional de Aviação Civil. Disponível em: <http://www.anac.gov.br/hotran>. Acessado em: 13/01/2017.

Anderson, Theodore W, & Darling, Donald A. 1952. Asymptotic theory of certain goodess of t criteria based on stochastic processes. The Annals of Mathematical, 193212.

Anderson, Theodore W, & Darling, Donald A. 1954. A test of goodness of t. Journal of the American statistical association, 59(268), 765769.

Andrews, Donald W K. 1991. Heteroskedasticity and autocorrelation consistent covariance matrix estimation. Econometrica: Journal of the Econometric Society, 817858. Andrews, Donald W K, & Monahan, J Christopher. 1992. An improved heteroskedasticity

and autocorrelation consistent covariance matrix estimator. Econometrica: Journal of the Econometric Society, 953966.

Armstrong, J Scott. 2001. Evaluating Forecasting Methods. International Journal of Forecasting, 443472.

Armstrong, J Scott, & Collopy, Fred. 1992. Error Measures For Generalizing About Forecasting Methods: Empirical Comparisons. International Journal of Forecasting, 8(1), 6980.

Arshad, M, Rasool, M.T, & Ahmad, M I. 2003. Anderson Darling and modied Anderson Darling tests for Generalized Pareto Distribution. Pakistan Journal of Applied Sciences, 3(2), 8588.

Ballou, Ronald H. 2009. Gerenciamento da Cadeia de Suprimentos: Logística Empresa- rial. 5 ed. Porto Alegre: Bookman Editora.

Bartlett, Maurice S. 1946. On the theoretical specication and sampling properties of autocorrelated time-series. Supplement to the Journal of the Royal Statistical Society, 8(1), 2741.

Bendinelli, William E, & Oliveira, Alessandro V M. 2015. Modelagem econométrica da demanda em aeroportos privatizados estudo de caso do Aeroporto Internacional de Conns Belo Horizonte. Journal of Transport Literature, 9(2), 2024.

Bertrand, Will M. J., & Fransoo, Jan C. 2002. Operations management research metho- dologies using quantitative modeling. International Journal of Operations & Production Management, 22(2), 241264.

Beuren, Marcelo M, & Gerchman, M. 2016. Forecasting methods for airport passengers demand: A case study in Salgado Filho International Airport. Produção em Foco, 6(1), 119138.

BNDES. 2010. Estudos de Mercado: Relatório 2. Banco Nacional de Desenvolvimento Econômico e Social, 2.

Boeing. 2017. Current market outlook 2017-2036. Disponível em: <http://www.boeing.com/commercial/market/current-market-outlook-2017/> Aces- sado em: 04/07/2017.

Bortoletto, Wagner W, Petrelli, Marcelo Z, Ignacio, Paulo S A, Junior, Antônio C P, & Silva, Alessandro L. 2016. Modelos de séries temporais para previsão de demanda: estudo de caso em uma indústria eletroeletrônica. XXXVI Encontro Nacional de En- genharia de Produção (ENEGEP), 20.

Box, George E P, & Pierce, David A. 1970. Distribution of Residual Autocorrelations in Autoregressive Integrated Moving Average. Journal of the American Statistical Asso- ciation, 65(332), 15091526.

Box, George E P, Jenkins, Gwilym M, Reinsel, Gregory C, & Ljung, Greta M. 2016. Time Series Analysis: Forecasting & Control. 5ed. New Jersey: Wiley.

Box, George Edward P, & Jenkins, Gwilym M. 1970. Time series analysis: forecasting and control. ISBN: 0-8162-1104-3.

Brockwell, Peter J, & Davis, Richard A. 1991. Time series: theory and methods. 2 ed. New York: Springer Series in Statistics.

Brockwell, Peter J, & Davis, Richard A. 2002. Introduction to Time Series and Forecas- ting. 2 ed. New York: Springer-Verlag.

Brown, Robert G. 1956. Exponential Smoothing for Predicting Demand. Cambridge, Mass., Arthur D. Little.

Brown, Robert G. 1962. Smoothing, forecasting and prediction of discrete time series. Englewood Clis, New Jersey: Prentice-Hall.

Button, Kenneth, & Taylor, Samantha. 2000. International air transportation and eco- nomic development. Journal of air transport management, 6(4), 209222.

Carvalho, Betânia G, & Alves, Cláudio J P. 2006. Um preocupante prognóstico para a rede aeroportuária brasileira. V Simpósio de Transporte Aéreo (SITRAER).

Chateld, Chris. 2000. Time-Series Forecasting. Chapman & Hall.

Chopra, Sunil, & Meindl, Peter. 2007. Supply chain management strategy, planning, and operation. Pearson edn. 3 ed. São Paulo: Pearson.

Cleveland, William S, & Terpenning, Irma J. 1982. Graphical methods for seasonal adjustment. Journal of the American Statistical Association, 77(377), 5262.

Condé, Mayara. 2014. Estudo e previsão de demanda aeroportuária para a cidade do Rio de Janeiro. Journal of Transport Literature, 5(1), 161183.

Cowpertwait, Paul S P, & Metcalfe, Andrew V. 2009. Introdcutory Time Series with R. New York: Springer Texts in Statistics.

Croxton, Keely L, Lambert, Douglas M, Garcia-Dastugue, Sebastia½n J, & Rogers, Dale S. 2002. The demand management process. International Journal of Logistics Management, 13(2), 5166.

Cryer, Jonathan D, & Chan, Kung-Sik. 2008. Time series analysis. With applications in R. 2 ed. New York: Springer Texts in Statistics.

da Costa, Jocilene O., Santos, Lilian, & Yamashita, Yaeko. 2008. Vocação turística das cidades brasileiras análise de modelos de previsão de demanda do transporte aéreo. VII Simpósio de Transporte Aéreo (SITRAER), 7(374), 209219.

D'Agostino, Ralph B. 1986. Tests for the normal distribution. Goodness-of-t techniques, 68, 576.

Dalkey, Norman C. 1967. Delphi. RAND Corporation Santa Monica. CA.

De Losso, Rodrigo. 2011. Econometria de Séries Temporais. 2 ed. São Paulo/SP: Cengage. Derryberry, DeWayne R. 2014. Basic Data Analysis for Time Series with R. Hoboken,

New Jersey: John Wiley e Sons, Inc.

Dickey, David A, & Fuller, Wayne A. 1979. Distribution of the estimators for autore-