ESTUDO E PREVISÃO DA EMISSÃO DE POLUENTES NO AEROPORTO DE SALVADOR
Daniel Alberto Pamplona
Departamento de Transporte Aéreo Instituto Tecnológico de Aeronáutica
Ysabely de Aguiar Pontes Pamplona
Grupo de Avaliação de Exposição e Risco Ambiental Universidade Católica de Santos
João Luiz de Castro Fortes
Departamento de Transporte Aéreo Instituto Tecnológico de Aeronáutica
Lourdes Conceição Martins
Grupo de Avaliação de Exposição e Risco Ambiental Universidade Católica de Santos
Alessandro Vinícius Marques de Oliveira
Departamento de Transporte Aéreo Instituto Tecnológico de Aeronáutica
RESUMO
Nas últimas décadas, tem-se aumentado a preocupação com as emissões de poluentes pelo transporte aéreo e os impactos causados na saúde humana. O contínuo crescimento no tráfego aéreo e da conscientização pública transformaram o assunto em um dos tópicos mais importantes da aviação comercial. Estima-se que nos próximos 20 anos, a demanda mundial por transporte aéreo apresentará um crescimento médio de 5%. Uma das consequências diretas, será o aumento das emissões, que segundo estimativas apresentará um fator de 1,6 a 10 vezes de acréscimo, sendo as comunidades no entorno do aeroporto as mais afetadas. O objetivo do artigo é apresentar um modelo econométrico de previsão de emissões de poluentes gerados por voos domésticos no Aeroporto de Salvador. O modelo utilizou um estudo de demanda derivado com horizonte até o ano de 2020. Levou-se em consideração o número de voos e as emissões geradas por eles nos ciclos de pouso e decolagem. Com os resultados, foi possível apresentar um modelo preditivo da quantidade de poluentes emitidos na atmosfera. ABSTRACT
In recent decades, there has been increased focus on emissions of pollutants from the air transport and the impacts on human health. The continued growth in air traffic and public awareness have transformed it into one of the most important topics of commercial aviation. It is estimated that over the next 20 years, the global demand for air transport will present an average growth of 5%. One of the direct consequences will be increasing emissions, which according to estimates will present a factor 1.6 to 10 times increase, and the communities around the most affected airport. The aim of the paper is to present an econometric model pollutant emission forecast generated by domestic flights in Salvador Airport. The model used a demand study derivative until the year 2020. It took into account the number of flights and emissions generated by them in the takeoff and landing cycles. With the results, it was possible to present a predictive model of the amount of pollutants emitted into the atmosphere.
1. INTRODUÇÃO
Nos últimos anos, muito se tem discutido qual é o efeito ambiental da aviação e os impactos que os motores das aeronaves podem ter na emissão de poluentes no ambiente do entorno aeroportuário e quais são as consequências para a saúde e qualidade de vida dos moradores. Os aeroportos são ambientes que atraem pessoas devido a oferta de empregos. Como consequência, moradias surgem nas redondezas, pois as pessoas desejam, se possível, morar o mais perto de seus trabalhos, ou desejam que suas reuniões de negócio sejam o mais perto dos aeroportos, evitando perder tempo nos deslocamentos. Os Aeroportos de Congonhas, Santos
Dumont, Guarulhos, Salvador e Galeão são exemplos que ilustram esta realidade no Brasil. O objetivo do artigo é apresentar um estudo e previsão da emissão de poluentes no Aeroporto de Salvador, o aeroporto com maior movimento de passageiros e decolagens na Região Nordeste do Brasil. Através da modelagem econométrica foi possível prever o aumento de demanda, utilizando uma abordagem conservadora de aumento. Com isso, é realizado um estudo derivado da emissão de poluentes, utilizando como metodologia os dados do IPCC (Intergovernmental Panel on Climate Change), fazendo uma previsão até o ano 2020.
O ganho acadêmico se dá, através da utilização do estudo econométrico e da previsão de demanda de passageiros, pela estimação dos impactos ambientais futuros no que tange a emissão de poluentes pelo movimento dos voos regulares de um aeroporto. Diferente de outros estudos, a previsão de emissão é feita para vários tipos de aeronaves não ficando restrita a um único modelo.
Este trabalho se divide em sete seções além desta introdutória. A segunda seção apresenta as principais características do Aeroporto de Salvador. A terceira seção trata da revisão de literatura. A quarta seção fala do estudo econométrico da demanda, a quinta seção traz a simulação da demanda e da emissão de poluentes, a sexta seção discute os resultados e a seção sete é a conclusão do trabalho.
2. AEROPORTO INTERNACIONAL DE SALVADOR
O Aeroporto Internacional de Salvador é o principal aeroporto, em número de passageiros e movimentos de pousos e decolagens, da região nordeste do Brasil. Está localizado na cidade de Salvador e está distante 35 km do centro da cidade. O aeródromo possui duas pistas, sendo a pista principal (cabeceira 10/28), com extensão de 3.005 metros e 45 metros de largura. A segunda pista (cabeceira 17/35) possui extensão de 1.500 metros e 45 metros de larguras. Operam, atualmente, as empresas Azul, Avianca, Tam e Gol em rotas nacionais. A Figura 1 mostra o layput do aeroporto.
Figura 1: Layout do Aeroporto de Salvador
A demanda aeroportuária é estimulada pelo turismo. Segundo a Fundação Instituto de Pesquisas Econômicas - FIPE (2012), a cidade de Salvador é o terceiro destino turístico mais visitado no Brasil e é considerado um dos 20 principais destinos de desejo de viagem do brasileiro, o que projeta, se não um aumento de demanda, pelo menos uma constância no movimento de passageiros para esse destino.
Segundo a Agência Nacional de Aviação Civil - ANAC (2014), no mercado doméstico em 2013, o aeroporto ficou em primeiro lugar dos aeroportos do Nordeste, com 4,4% do total de decolagens no Brasil e 25% do total de decolagens realizadas na Região Nordeste.
3. REVISÃO DE LITERATURA
Os estudos acadêmicos sobre o assunto têm focado em grande parte na emissão do gás carbônico (CO2). Grote, Williams e Preston (2014) analisam o impacto ambiental da aviação
civil dado o alto consumo de petróleo utilizado. Com o aumento do uso do meio aéreo, aumenta-se naturalmente aumenta-seu impacto como fonte de emissões do CO2. Masiol e Harrison (2014) alertam
para a importância de se estudar o impacto sobre as vizinhanças aeroportuárias, nos mais diversos âmbitos, incluindo o caso de poluição atmosférica. Schurmann et al. (2007), analisam melhor o impacto local do aeroporto, utilizando como estudo de caso o Aeroporto de Zurique, estudando a variação da emissão de poluentes ao longo do tempo.
Segundo as diretivas IPCC (2006), as fontes móveis, como motores por exemplo, produzem diretamente a emissão dos seguintes gases da combustão dos vários tipos de combustíveis: dióxido de carbono (CO2); metano (CH4); oxido de nitrogênio (N2O); monóxido de carbono
(CO); compostos orgânicos voláteis e não metano (NMVOCs); dióxido de sulfato (SO2);
matéria partícula (PM) e óxido de nitrato (NOx) que são causadores ou contribuem para a poluição do ar.
Segundo IPCC (2006), as emissões das aeronaves da aviação civil são provenientes da queima do combustível, podendo ser querosene ou gasolina de aviação). As emissões dos motores são aproximadamente compostas de 70% de CO2, um pouco menos de 30% de H20 e um pouco
menos de 1% cada para NOx, CO, SOx, NMVOC. Os motores modernos emitem baixos níveis de N2O. Podem ocorrer emissões de CH4 com a aeronave em regime neutro (iddle), porém os
motores modernos pouco emitem esse tipo de gás.
Para fins de cálculos de poluentes, o IPCC (2006) divide as operações aeroportuárias em ciclo de pouso e decolagem (LTO – Landing / Take-off cycle) e voo de cruzeiro. A Figura 2 mostra o ciclo LTO.
Figura 2: Ciclo LTO Fonte: ICAO, 2015
Segundo o Anexo 16 da Organização de Aviação Civil - ICAO (2008), durante os ciclos de LTO, os seguintes regimes de potência do motor por período de tempo são utilizados.
Modo LTO Potência % Tempo Operação (minutos)
Decolagem 100 0,7
Subida 85 2,2
Aproximação 30 4
Táxi / Regime solo (ground iddle) 7 26
Figura 3: Modo LTO Fonte: ICAO, 2008
Considerando os gases poluentes CO2, CH4, N2O, NOx, CO, NMVOCs e SO2, são utilizados
dados do IPCC para se determinar as emissões por voo. Aproximadamente, 10% das emissões das aeronaves, exceto hidrocarbonetos e CO, são produzidos quando a aeronave está no solo e durante o ciclo LTO. O ciclo LTO compreende as emissões realizadas durante a decolagem e aproximação para pouso abaixo de 3000 pés (aproximadamente 1000 metros) de altura.
4. ESTUDO ECONOMÉTRICO DA DEMANDA
Através da análise de regressão buscou-se inferir sobre as variáveis do estudo, no caso sobre a demanda do Aeroporto de Salvador, e como elas se relacionam entre si de maneira não determinística.
Os dados utilizados no estudo de demanda são de domínio público e retirados da internet. As fontes foram a INFRAERO (Empresa Brasileira de Infraestrutura Aeroportuária), ANAC (Agência Nacional de Aviação Civil), ELETROBRÁS (Centrais Elétricas Brasileiras S.A) e IPEA (Fundação Instituto de Pesquisa Econômica Aplicada). O período do estudo compreendeu de janeiro de 2002 até junho de 2013 e com periodicidade mensal.
As variáveis utilizadas no estudo foram:
Total de passageiros domésticos transportados (paxdl): número total de passageiros
transportados;
Receita média por passageiro (yield): utilizou-se a receita média gerada ao se transportar um passageiro por um quilômetro;
Novos consumidores (ncon): fenômeno da inserção de novos consumidores na
economia. Variável do tipo binária, sendo considerada a partir de julho de 2009; Receita média por novo passageiro (yield_ncon): receita média gerada ao se
transportar um passageiro por um quilômetro a partir do fenômeno de inserção de novos consumidores na economia, desde julho de 2009.
Consumo de energia elétrica (enel): variável proxy de consumo. Optou-se por
utilizar o consumo de energia elétrica ao invés do Produto Interno Bruto (PIB), devido os dados do PIB não estarem desagregados por região;
Consumo de energia elétrica por novo consumidor (enel_ncon): variável proxy de consumo a partir da inserção de novos consumidores, sendo considerado desde julho de 2009.
Crédito (rcredit): variável de disponibilidade de crédito para consumo. O poder de
compra da população está ligado ao nível de crédito.
Crédito com a inserção de novos consumidores (rcredit_ncon): variável de
disponibilidade de crédito para o consumo a partir da introdução de novos consumidores na economia, desde julho de 2009.
Tabela 1: Estatística descritiva dos dados
Variável Média Desvio Padrão Mínimo Máximo
paxdl 415.766,3 155.698,8 194.346 845.113
yield 0,47 0,15 0,25 0,88
enel 7.048,35 1.179,56 4.711,28 8.968,09
rcredit 0,39 0,10 0,24 0,59
A Tabela 2 apresenta a correlação das variáveis.
Tabela 2: Correlação entre variáveis
Variável paxdl yield enel rcredit
paxdl 1
yield 0,89 1
enel -0,78 -0,83 1
rcredit 0,93 0,92 -0,81 1
A Tabela 2 mostra que o total de passageiros transportados é positivamente correlacionado com o nível de atividade econômica e com a disponibilidade de crédito, salientando o papel do capital no nível de consumo. A medida que se aumenta a atividade econômica e a disponibilidade de crédito, o número de passageiros (negócio ou turismo) tende a aumentar. Da mesma forma, caso ocorra o aumento da passagem (yield) ocorrerá uma diminuição no número de passageiros.
4.1 Modelo de estimação
O modelo de estimação da demanda de passageiros domésticos em Salvador é: lnpaxdl= β0+ β1 yield+ β2yield_ncon + 𝛽𝛽3𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 + 𝛽𝛽4𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒_𝑒𝑒𝑛𝑛𝑛𝑛𝑒𝑒 + 𝛽𝛽5𝑟𝑟𝑛𝑛𝑟𝑟𝑒𝑒𝑟𝑟𝑟𝑟𝑟𝑟 +
𝛽𝛽6𝑟𝑟𝑛𝑛𝑟𝑟𝑒𝑒𝑟𝑟𝑟𝑟𝑟𝑟_𝑒𝑒𝑛𝑛𝑛𝑛𝑒𝑒 + ∑ 𝑦𝑦𝑦𝑦𝑚𝑚 𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑒𝑒𝑠𝑠𝑒𝑒𝑟𝑟𝑟𝑟𝑠𝑠𝑟𝑟𝑒𝑒 𝑦𝑦ê𝑠𝑠 𝑦𝑦 + 𝑢𝑢 (1)
A variável dependente é paxdl em sua forma logarítmica e as variáveis explanatórias foram
yield, yield_ncon, enel, enel_ncon, rcredit e rcredit_ncon. A variável sazonalidade mês m
representa uma variável fictícia para o controle de fatores sazonais. O termo de erro (u) representa outros fatores que não foram previstos na equação.
Devido a endogenia, quando existe correlação entre o erro e as variáveis independentes, presente na modelação econométrica da demanda, correlação entre oferta e demanda, o Método dos Mínimos Quadrados (OLS) não foi utilizado. No presente estudo, a variável da tarifa média cobrada por passageiro (yield) é endógena. Para tanto, utilizou-se o modelo GMM2S (Método Generalizado dos Momentos em Dois Estágios) que é utilizado nos casos em que uma das variáveis explanatórias serem correlacionadas com o erro (u) da regressão.
No estudo, a análise da significância estatística deu-se por meio dos valores da estatística t e dos p-valor. Serão mais estatisticamente significantes os parâmetros da estatística t elevados e os p-valor baixos. Para verificar a multicolinearidade do modelo, quando os regressores estiverem correlacionados, foi realizado o teste FIV (Fator de Inflação da Variância). O modelo apresentou baixo nível de multicolinearidade (FIV dos regressores menor que 10 e média menor que 1). Para a autocorrelação, foi realizado o teste de Cumby-Huizinga, sendo os erros não autocorrelacionados na 15º ordem. Para verificar a heteroscedasticidade, foram realizados os testes de Pagan e Hall, Pagan e Hall assumindo normalidade, White e Koenker, Breusch e
Pagan, Godfrey e Cook e Weiberg indicando heteroscedasticidade na amostra. A regressão foi rodada com controle do fenômeno.
O controle da sazonalidade foi realizado com a inclusão de um conjunto de variáveis fictícias sazonais para explicar a sazonalidade na variável dependente, nas variáveis independentes ou em ambas. Para controlar a endogeneidade das variáveis yield e yield_ncon, utilizou-se variáveis instrumentais. Após a realização de testes para verificar a relevância e ortogonalidade dos instrumentos, foram escolhidos: número de aeroportos conectados ao aeroporto de Salvador, em ligações de voos regulares na sua forma quadrática; taxa média de câmbio do dólar comercial para venda associada ao período de inclusão de novos consumidores na forma logarítmica e taxa de câmbio flutuante para venda associada ao período de inclusão de novos consumidores.
Com os resultados obtidos na regressão, buscou-se estimar a elasticidade da demanda aérea. A elasticidade é um conceito utilizado para medir a sensibilidade da demanda as mudanças nas variáveis independentes. É definida como o percentual de mudança na demanda quando ocorre a mudança de 1% na variável independente.
𝐸𝐸 = %∆𝑄𝑄%∆𝑋𝑋= 𝑑𝑑𝑄𝑄𝑑𝑑𝑋𝑋 𝑋𝑋0
𝑄𝑄0 (2)
em que E: elasticidade de Q com relação a X;
Q: quantidade de passageiros domésticos; e
X: quantidade de variáveis independentes do estudo.
A Tabela 3 demonstra o resultado da regressão de passageiros domésticos utilizando o estimador GMM2S.
Tabela 3: Resultado da regressão de passageiros domésticos
Variável dependente: lnpaxdl GMM2S
yield -0,4678*** [0,096] yield_ncon -0,1360** [0,068] enel 0,7440*** [0,143] enel_ncon -0,2699** [0,105] rcredit 0,0860 [0,109] rcredit_ncon 0,4607*** [0,076] R2 0,9487 RMSE 0,0893 F 550,2929 F_PVALOR 0,0000 RESET 0,3322 RESET_PVALOR 0,5644
aErros padrões de heteroscedasticidade e autocorrelação robusta estimados em colchetes. *, ** e *** representam respectivamente, nível de significância de 10%, 5% e 1%. Elasticidades estimadas na média amostral. Variáveis fictícias de sazonalidade mensal omitidas.
Com os resultados da regressão, serão simulados os níveis de demanda e emissões de poluentes.
5. SIMULAÇÃO DA DEMANDA E DA EMISSÃO DE POLUENTES
Com os resultados mostrados na Tabela 3, foi simulado o crescimento da demanda de passageiros no Aeroporto de Salvador. Com o aumento de passageiros, as empresas aéreas reagiriam com o aumento da oferta de voos e consequente acréscimo de aeronaves e consequente acréscimo no nível de emissão de poluentes.
De forma conservadora, optou-se por utilizar no estudo, um crescimento econômico anual, representado pela variável proxy de consumo de energia elétrica, de 1%. Como consequência, ocorreria um crescimento de 0,7440% no número de passageiros domésticos, conforme Figura 4.
Figura 4: Série temporal do número de passageiros
Para o cálculo do total de aeronaves da aviação comercial que operam anualmente no Aeroporto de Salvador, utilizou-se como base o HOTRAN de julho de 2015. A Tabela 4 mostra o total de modelos de aeronaves que operam em uma semana. Para fins de cálculos, considerou-se uma ocupação média de passageiros de 80%.
Tabela 4: Total de modelos de aeronaves por semana
Modelo Participação(%) disponíveis Assentos Ocupação Média (80%)
A318 4 120 96 A319 3 144 115 A320 31 162 130 A321 4 220 176 AT72 6 68 54 E190 12 118 94 B737 4 144 115 B738 36 177 142
As Tabelas 5 e 6 mostram a previsão dos passageiros a serem transportados por tipo de aeronave e o total de aeronaves a serem utilizadas no período de 2014 a 2020.
0 1000000 2000000 3000000 4000000 5000000 6000000 7000000 8000000 9000000 10000000 11000000 12000000 13000000 14000000 15000000 16000000 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 Pa ssa ge iro s
Tabela 5: Previsão de passageiros por tipo de aeronave de 2014 a 2010 Modelo 2014 2015 2016 2017 2018 2019 2020 A318 181722 195255 209795 225419 242206 260243 279623 A319 149271 160388 172332 185165 198955 213771 229690 A320 1518675 1631770 1753288 1883856 2024146 2174885 2336848 A321 214172 230121 247259 265672 285457 306714 329556 AT72 318013 341695 367142 394483 423860 455425 489340 E190 577616 620631 666849 716509 769868 827200 888801 B737 181722 195255 209795 225419 242206 260243 279623 B738 1765297 1896759 2038010 2189781 2352854 2528071 2716336
Tabela 6: Previsão do total de aeronaves a serem utilizadas de 2014 a 2010
Modelo 2014 2015 2016 2017 2018 2019 2020 A318 1893 2034 2185 2348 2523 2711 2913 A319 1296 1392 1496 1607 1727 1856 1994 A320 11718 12591 13528 14536 15618 16782 18031 A321 1217 1308 1405 1509 1622 1743 1872 AT72 5846 6281 6749 7252 7792 8372 8995 E190 6119 6574 7064 7590 8155 8763 9415 B737 1577 1695 1821 1957 2102 2259 2427 B738 12467 13395 14393 15465 16616 17854 19183
Para a emissão e combustível utilizado em um ciclo LTO, as fases são estimadas da estatística do número de LTO (agregadas ou por tipo de aeronave) e os fatores de emissão e combustível padrão por LTO (média ou por tipo de aeronave). A Figura 5 mostra as emissões padronizadas para as aeronaves que operam no Aeroporto de Salvador.
Aeronave CO2 CH4 N2O NOX CO NMVOC SO2 Combustível
A319 2310 0,06 0,1 8,73 6,35 0,54 0,73 730 A320 2440 0,06 0,1 9,01 6,19 0,51 0,77 770 A321 3020 0,14 0,1 16,72 7,55 1,27 0,96 960 ATR72 620 0,03 0,02 1,82 2,33 0,26 0,2 200 B737-700 2460 0,09 0,1 9,12 8 0,78 0,78 780 B737-800 2780 0,07 0,1 12,3 7,07 0,65 0,88 880
Figura 4: Emissões de poluentes em kg por ciclo de pouso e decolagem das aeronaves que
operam no Aeroporto de Salvador
Fonte: IPCC, 2006
As aeronaves Embraer 190, operadas pela empresa Azul e A318, operadas pela empresa Avianca, por não terem sido contemplados no estudo de emissão do IPCC, não foram utilizados no estudo. Essas aeronaves equivalem a 15% do total de aeronaves que operam no aeroporto.
6. RESULTADOS
Os resultados do estudo foram agrupados em séries históricas por tipo de aeronave e poluentes, conforme Tabelas 7, 8, 9, 10, 11, 12, 13 e 14.
Tabela 7: Previsão de emissões de CO2 em kg
2013 2014 2015 2016 2017 2018 2019 2020 Total anv A319 2785749 2993203 3216107 3455611 3712950 3989453 4286548 4605767 29045388 A320 26610637 28592331 30721602 33009439 35467652 38108928 40946900 43996216 277453705 A321 3420289 3674998 3948675 4242733 4558689 4898175 5262942 5654873 35661373 ATR72 3373211 3624414 3894324 4184334 4495941 4830754 5190500 5577037 35170514 B737-700 3611563 3880517 4169499 4480001 4813627 5172098 5557264 5971113 37655681 B737-800 32255593 34657667 37238623 40011784 42991461 46193035 49633031 53329202 336310396 Total ano 72057041 77423129 83188829 89383901 96040320 103192443 110877184 119134208 751297056
Tabela 8: Previsão de emissões de CH4 em kg
Aeronave 2013 2014 2015 2016 2017 2018 2019 2020 Total anv
A319 72,36 77,75 83,54 89,76 96,44 103,62 111,34 119,63 754,43 A320 654,36 703,09 755,45 811,71 872,16 937,10 1006,89 1081,87 6822,63 A321 158,56 170,36 183,05 196,68 211,33 227,07 243,98 262,15 1653,18 ATR72 163,22 175,37 188,44 202,47 217,55 233,75 251,15 269,86 1701,80 B737-700 132,13 141,97 152,54 163,90 176,11 189,22 203,31 218,46 1377,65 B737-800 812,19 872,68 937,66 1007,49 1082,52 1163,13 1249,75 1342,82 8468,25 Total ano 1992,81 2141,22 2300,68 2472,01 2656,10 2853,90 3066,43 3294,78 20777,93
Tabela 9: Previsão de emissões de N2Oem kg
Aeronave 2013 2014 2015 2016 2017 2018 2019 2020 Total anv
A319 120,60 129,58 139,23 149,59 160,73 172,70 185,56 199,38 1257,38 A320 1090,60 1171,82 1259,08 1352,85 1453,59 1561,84 1678,15 1803,12 11371,05 A321 113,25 121,69 130,75 140,49 150,95 162,19 174,27 187,25 1180,84 ATR72 108,81 116,92 125,62 134,98 145,03 155,83 167,44 179,90 1134,53 B737-700 146,81 157,74 169,49 182,11 195,68 210,25 225,91 242,73 1530,72 B737-800 1160,27 1246,68 1339,52 1439,27 1546,46 1661,62 1785,36 1918,32 12097,50 Total ano 2740,35 2944,42 3163,69 3399,29 3652,44 3924,43 4216,69 4530,70 28572,02
Tabela 10: Previsão de emissões de NOxem kg
Aeronave 2013 2014 2015 2016 2017 2018 2019 2020 Total anv
A319 10527,96 11311,98 12154,38 13059,52 14032,06 15077,02 16199,81 17406,21 109768,93 A320 98263,05 105580,70 113443,29 121891,41 130968,67 140721,90 151201,46 162461,44 1024531,92 A321 18936,17 20346,35 21861,54 23489,57 25238,83 27118,37 29137,88 31307,77 197436,48 ATR72 9902,01 10639,41 11431,72 12283,04 13197,76 14180,60 15236,63 16371,30 103242,48 B737-700 13389,21 14386,31 15457,65 16608,78 17845,64 19174,61 20602,54 22136,81 139601,55 B737-800 142713,59 153341,48 164760,82 177030,55 190214,02 204379,26 219599,38 235952,95 1487992,04 Total ano 293731,99 315606,21 339109,40 364362,88 391496,98 420651,76 451977,70 485636,48 3062573,39
Tabela 11: Previsão de emissões de COem kg
Aeronave 2013 2014 2015 2016 2017 2018 2019 2020 Total anv
A319 7657,79 8228,07 8840,81 9499,19 10206,59 10966,68 11783,37 12660,88 79843,38 A320 67508,13 72535,46 77937,18 83741,16 89977,36 96677,98 103877,59 111613,35 703868,21 A321 8550,72 9187,49 9871,69 10606,83 11396,72 12245,44 13157,35 14137,18 89153,43 ATR72 12676,74 13620,78 14635,12 15725,00 16896,04 18154,29 19506,23 20958,86 132173,06 B737-700 11744,92 12619,57 13559,34 14569,11 15654,07 16819,83 18072,40 19418,25 122457,50 B737-800 82031,31 88140,18 94703,98 101756,59 109334,40 117476,53 126225,01 135624,99 855292,99 Total ano 190169,62 204331,55 219548,12 235897,87 253465,19 272340,74 292621,96 314413,51 1982788,57
Tabela 12: Previsão de emissões de NMVOCem kg
Aeronave 2013 2014 2015 2016 2017 2018 2019 2020 Total anv
A319 651,21 699,71 751,82 807,81 867,96 932,60 1002,05 1076,67 6789,83 A320 5562,06 5976,27 6421,32 6899,51 7413,32 7965,39 8558,57 9195,93 57992,37 A321 1438,33 1545,45 1660,54 1784,20 1917,06 2059,83 2213,22 2378,04 14996,67 ATR72 1414,57 1519,92 1633,10 1754,72 1885,39 2025,80 2176,66 2338,76 14748,93 B737-700 1145,13 1230,41 1322,04 1420,49 1526,27 1639,93 1762,06 1893,28 11939,61 B737-800 7541,78 8103,41 8706,87 9355,27 10051,96 10800,53 11604,85 12469,06 78633,73 Total ano 17753,08 19075,16 20495,68 22022,00 23661,97 25424,08 27317,41 29351,74 185101,13
Tabela 13: Previsão de emissões de SO2 em kg
Aeronave 2013 2014 2015 2016 2017 2018 2019 2020 Total anv
A319 880,34 945,90 1016,35 1092,03 1173,36 1260,74 1354,62 1455,50 9178,85 A320 8397,62 9022,99 9694,93 10416,91 11192,66 12026,18 12921,77 13884,05 87557,11 A321 1087,24 1168,21 1255,21 1348,68 1449,12 1557,04 1672,99 1797,58 11336,07 ATR72 1088,13 1169,17 1256,23 1349,79 1450,30 1558,31 1674,35 1799,04 11345,33 B737-700 1145,13 1230,41 1322,04 1420,49 1526,27 1639,93 1762,06 1893,28 11939,61 B737-800 10210,40 10970,77 11787,77 12665,60 13608,81 14622,26 15711,18 16881,19 106457,97 Total ano 22808,87 24507,45 26332,52 28293,50 30400,52 32664,45 35096,97 37710,64 237814,92
Tabela 14: Previsão de emissões de combustívelem kg
Aeronave 2013 2014 2015 2016 2017 2018 2019 2020 Total anv A319 880344,79 945904,07 1016345,54 1092032,80 1173356,48 1260736,34 1354623,37 1455502,17 9178845,56 A320 8397618,93 9022989,61 9694931,65 10416913,21 11192660,73 12026178,18 12921767,67 13884051,71 87557111,69 A321 1087244,17 1168211,24 1255207,93 1348683,27 1449119,71 1557035,66 1672988,10 1797575,53 11336065,61 ATR72 1088132,44 1169165,66 1256233,43 1349785,13 1450303,63 1558307,74 1674354,92 1799044,13 11345327,10 B737-700 1145129,85 1230407,67 1322036,13 1420488,16 1526271,92 1639933,39 1762059,23 1893279,78 11939606,14 B737-800 10210403,50 10970772,25 11787765,65 12665600,56 13608807,84 14622255,76 15711175,14 16881186,36 106457967,05 Total ano 22808873,68 24507450,51 26332520,34 28293503,14 30400520,31 32664447,06 35096968,43 37710639,67 237814923,15
A Figura 5 mostra a emissão total estimada de poluentes por ano. Na figura, as linhas têm o seu valor representado no eixo da esquerda e as colunas no eixo da direita.
Figura 5: Emissão total estimada de poluentes em kg por ano
Os resultados mostram que o crescimento da demanda aérea trará o aumento da emissão de poluentes. No trabalho foi calculado um crescimento constante da demanda de 0,744% ao ano, o que acarretaria em 2020 em um crescimento de 65% na emissão de poluentes.
O aumento na emissão dos gases poderá trazer como consequência um aumento de doenças no entorno aeroportuário, como por exemplo aumento de doenças cardíacas, doenças respiratórias, entre outros tipos de doenças. A Figura 6 mostra os principais efeitos dos poluentes emitidos pela aviação.
Poluente Efeitos na saúde humana
Ozônio
Problemas pulmonares, diminuição no desempenho de exercícios; problemas nas vias respiratórias, aumento da suscetibilidade a
infecções respiratórias, aumento de internações hospitalares, inflamações pulmonares e danos à estrutura pulmonar. Monóxido de
Carbono Efeitos cardiovascular
Óxidos de nitrogênio Irritação pulmonar e aumento de infecções pulmonares Material Particulado cardiovasculares, mudanças nas funções pulmonares, mudança nos Mortalidade prematura, agravamento de doenças respiratórias e
tecidos pulmonares, alteração no sistema imunológico NMVOC Irritação respiratória e do olho, dor de cabeça, tontura, problemas da visão e problemas de memória
Figura 6: Principais efeitos dos poluentes emitidos pela aviação Fonte: EPA, 1999
Salienta-se desta maneira a preocupação que deve se ter com a aviação e os efeitos com a saúde.
7.CONSIDERAÇÕES FINAIS
Nos últimos anos, têm aumentado o interesse dos pesquisadores nos efeitos ambientais da aviação. O objetivo do artigo foi fazer um estudo e previsão da emissão de poluentes no Aeroporto de Salvador.
O estudo mostrou que o aumento da demanda trará um aumento na emissão de poluentes que 0 100000 200000 300000 400000 500000 600000 0 10000000 20000000 30000000 40000000 50000000 60000000 70000000 80000000 90000000 100000000 110000000 120000000 130000000 2013 2014 2015 2016 2017 2018 2019 2020
poderão afetar a comunidade no entorno do aeroporto. Estudos futuros devem focar neste aspecto, buscando entender o aumento da frequência de voo e aumento de internações hospitalares.
No estudo, utilizou-se um crescimento de 1% no consumo com uma ocupação média de 80% das aeronaves. Combinações destes dois fatores devem ser explorados no futuro. Outra limitação foi a falta de dados de poluentes para as aeronaves E-190 e A318, que representam 15% da operação em Salvador. Caso os dados estivessem disponíveis, teria-se um aumento dos níveis de poluentes.
Segundo Rypdal (2001), o principal problema enfrentado pelo método utilizado é que os dados LTO só estão disponíveis para os voos programados, ou seja, os voos da aviação comercial. Voos da aviação geral, helicópteros, voos de instrução ou para o lazer não estão incluídos nesta metodologia. Segundo o autor, na maioria dos países, os níveis de emissão desses voos serão insignificantes, mas pode ocorrer de serem significativos, dependendo do país e da região. No estudo em questão, considerou-se insignificantes estes tipos de voos.
Por fim, verifica-se que as companhias que possuem domínio de mercado são aquelas que mais emitem poluentes, trazendo consequências para as pessoas que vivem no entorno aeroportuário. Maneiras de compensação a comunidade devem ser pensadas.
REFERENCIAS BIBLIOGRÁFICAS
ANAC – Agência nacional de Aviação Civil (2104). Anuário do Transporte Aéreo 2013. Volume único, 1.ed. Brasília.
FIPE – Fundação Instituto de Pesquisas Econômicas. (2012). Caracterização e dimensionamento do turismo
doméstico no Brasil. – 2010/2011. São Paulo
GROTE, Matt; WILLIAMS, Ian; PRESTON, John. (2014) Direct carbon dioxide emissions from civil aircraft. Atmospheric Environment, v. 95, p. 214-224.
ICAO. International Civil Aviation Organization. (2015). Local Air Quality. Canadá. Disponível em: < http://www.icao.int/environmental-protection/Pages/local-air-quality.aspx >. Acesso em 20 de mar de 2015 ICAO. International Civil Aviation Organization. (2008). Anexo 16 – Proteção Ambiental. Volume 2 – Emissão
dos motores aeronáuticos. Canadá.
IPCC – Intergovernmental Panel on Climate Change. (2006). 2006 IPCC guidelines for national greenhouse gas
inventories.
MASIOL, Mauro; HARRISON, Roy M. (2014). Aircraft engine exhaust emissions and other airport-related contributions to ambient air pollution: a review.Atmospheric Environment, v. 95, p. 409-455.
RYPDAL, K., e WINIWARTER, W. (2001). Uncertainties in greenhouse gas emission inventories—evaluation, comparability and implications. Environmental Science & Policy, 4(2), 107-116.
SACHS, Jeffrey D. (2015). The age of sustainable development. Columbia University Press.
SCHÜRMANN, Gregor et al. (2007). The impact of NOx, CO and VOC emissions on the air quality of Zurich airport. Atmospheric Environment, v. 41, n. 1, p. 103-118.