EFICIÊNCIA NO TRANSPORTE AÉREO: UMA ABORDAGEM NETWORK DEA Deivison da Silveira Pereira
Ricardo Luiz Fernandes Bella
João Carlos Correia Baptista Soares de Mello Lidia Angulo Meza
Universidade Federal Fluminense Escola de Engenharia de Niterói
RESUMO
Este artigo analisa a eficiência de algumas rotas a partir dos aeroportos brasileiros privatizados segundo uma abordagem de pesquisa operacional com base na análise envoltória de dados em rede (Network DEA) que permitiu estudar a partir da relação entre as operações aeroportuárias e a demanda dentro da amostra escolhida. Vale ressaltar que a técnica DEA se destaca para a avaliação de eficiência uma vez que é não paramétrica e não necessita do julgamento de especialistas. Assim com base neste estudo, chega-se a uma boa percepção da potencialidade da aplicação prática da técnica Network DEA para o caso de transporte aéreo.
ABSTRACT
This paper analyzes the efficiency of certain routes from privatized Brazilian airports according to an operational research approach based on of network of data envelopment analysis (Network DEA) which allowed to study from the relationship between airport operations and the demand within the sample chosen. It is worth mentioning that the DEA stands for the evaluation of efficiency since it is nonparametric and does not require the judgment of experts. So based on this study, we come to a good understanding of the practical application potential of DEA Network technique for air transport case.
1. INTRODUÇÃO
O setor de aviação comercial apresenta grande representatividade na indústria mundial visto que gera US$ 2,4 trilhões do PIB global, proporcionando mais de 58 milhões de empregos e transportando 3 bilhões de passageiros anuais, e em paralelo, um terço de todo o comércio global em valor é transportado por via aérea segundo o Air Transport Action Group – ATAG (2014). O Brasil, segundo a ABER (2014), é o terceiro maior mercado de aviação no mundo. Atualmente, a disponibilidade de aeroportos e a cobertura da malha aérea doméstica se mostram adequadas, de maneira geral, com distribuição que espelha a da população. No Brasil existem cerca de 2.498 aeroportos (incluindo áreas de desembarque), o segundo maior número de aeroportos em todo o mundo, atrás apenas dos Estados Unidos. Deste número, 34 são internacionais. Na Figura 1, verifica-se o crescimento do setor em quantidade de voos nos últimos anos e a proporção do mercado doméstico no número total, com base em dados da Agência Nacional de Aviação Civil (ANAC).
A crescente demanda pelos serviços aéreos exige investimentos cada vez maiores em infraestrutura aeroportuária e isto é um desafio que o setor enfrenta constantemente. Trata-se de um setor muito complexo, com alta demanda de investimentos e que passou por inúmeras transformações ao longo do tempo. Neste sentido, verifica-se a importância na avaliação da eficiência do setor para auxiliar nas decisões das companhias, considerando os diversos subprocessos envolvidos nas operações.
Este trabalho na seção 2 apresenta o referencial teórico sobre análise envoltória de dados (DEA), inclusive a avaliação em rede (Network DEA). Na seção 3 é apresentado o estudo de caso considerado, onde são avaliadas as principais rotas a partir dos aeroportos privatizados em 2012 e 2013. E por fim na seção 4 são feitas as considerações finais do estudo.
2. REFERENCIAL TEÓRICO
2.1. DEA – Análise envoltória de dados
O valor da análise envoltória de dados (DEA – Data Envelopment Analysis) está na sua capacidade de avaliar a eficiência individual ou o desempenho de uma unidade de tomada de decisão (DMU – Decision Making Unit) dentro de um grupo de DMU de interesse que realizam alguma performance (Liu et al., 2013). Segundo Golany and roll (1985) as principais aplicações de DEA até o momento da publicação estavam relacionadas à avaliação de gestão ou avaliação de eficiência de programas ou políticas, identificação de fontes de ineficiência e classificação de DMU.
Entretanto, cerca de 30 anos após a publicação do autor seminal, isto é, Charnes et al. (1978), o domínio de DEA tem crescido a tal ponto que fica difícil traçar um escopo para as suas aplicações que não se limitam ao campo acadêmico, isto é, estão presentes em diversas indústrias. Segundo Liu et al. (2013), dentre as 4 principais indústrias que se beneficiam da aplicação de métodos DEA estão o setor bancário, o da saúde, o agrícola e o de transportes, respectivamente, entretanto com uma ordem de grandeza muito próxima.
Além disso, cabe ressaltar que existe uma variedade de modelos DEA, entretanto o presente estudo irá se concentrar no chamado Network DEA, apresentado primeiramente por Fare e Grosskopf (2000) como um exercício de abrir a caixa preta dos processos que ocorriam dentro das DMU. Isso porque até então não se observava uma preocupação em olhar em detalhe o que acontecia no âmbito interno das DMU, isto é, que processos compõe a transformação de entradas (Inputs) em saídas (Output) de uma unidade de decisão.
2.2. Network DEA
O Network DEA é uma forma de avaliar um sistema observando não somente as suas entradas e saídas, mas considerando a variedade de possibilidades que existem dentro do sistema que pode ser composto por sub-processos ou etapas Fare e Grosskopf (2000). Assim, os sistemas podem ser interpretados segundo fluxogramas de rede (daí o conceito de network) compostos de processos estruturados, basicamente, em fluxos do tipo em série, paralelos ou mistos (Kao, 2014).
Nesse sentido, usando a análise envoltória de dados, o Network DEA se propõe a abrir a caixa preta das unidades de decisão onde através de uma rede que descreve o processo de produção considera os efeitos sequenciais dos resultados intermédios.
Para avaliar esses sistemas existem diversas alternativas de abordagem matemáticas como também de organização e modelagem da estrutura dos processos que compõe o sistema avaliado. Nesse sentido o trabalho de Kao (2014) consegue elaborar um bom panorama dos diversos modelos de network DEA utilizados na literatura. Segundo o autor, os respectivos modelos são os mais relevantes:
Independent model - a eficiência do sistema é medida tratando cada processo do sistema como uma DMU independente e assim aplicando os métodos tradicionais de DEA (CCR - Charnes, Cooper e Rhodes; 1978 e BCC -Banker, Charnes e Cooper; 1984);
System distance measure model - um modelo de sistema de medida de distância é usado para encontrar tanto a medida de distância de entrada mínima quanto a medida de distância máxima de saída para verificar a eficiência do sistema. Esse tipo de modelo tem ainda as variações process distance measure model e factor distance measure model;
Slacks-based measure model - neste tipo de modelo as variáveis de folga são ajustadas pela divisão das observações das DMU que são utilizados como fatores comparáveis. As variáveis também podem ser ajustadas por vetores direcionais;
Ratio-form system efficiency model - a eficiência do sistema é medida a partir de um índice de agregação das saídas e entradas. Esse tipo de modelo tem ainda a variação ratio-form process efficiency model;
Game theoretic model - a eficiência é calculada com multiplicadores que expressão a pontuação de eficiência segundo a melhor estratégia de jogo;
Value-based model - neste modelo preocupa-se com a maximização da produção acumulada, isto é saída agregada.
2.3. Transporte aéreo e Network DEA
A literatura que discute aplicações de network DEA em transporte aéreo se concentra basicamente na avaliação de desempenho. A medição do desempenho ou eficiência em aeroportos evoluiu sob a influência de um ambiente dinâmico que é característico de um mercado que opera aos moldes da globalização do século XXI, sendo de interesse de um gama de atores como gestores, investidores, consumidores e governo, dentre outros (Humphreys e Francis, 2002). Nesse sentido, as principais razões para medir a eficiência de aeroportos estão relacionadas a questões financeiras e estratégicas (Doganis, 1992), como avaliar investimentos alternativos ou monitorar as atividades do aeroporto.
Não obstante a popularidade de trabalhos de avaliação de desempenho de aeroportos, tanto relacionado a métodos DEA quanto a outras metodologias, este tema continua sendo bastante problemática devido à heterogeneidade inerente a qualquer conjunto de dados de tamanho razoável (Adler et al., 2013). Assim, é natural que a maioria dos estudos, opte por tratar a tecnologia de produção do aeroporto como uma caixa preta ou separar as atividades do aeroporto avaliando-as individualmente.
Entretanto, na contramão desta tendência, diversos trabalhos vêm sendo desenvolvidos utilizando o Network DEA no âmbito da avaliação de desempenho nos serviços de transporte aéreo, dentre os quais, os mais citados são:
Lozano et al. (2013) - avaliam o desempenho das operações de aeroportos espanhóis, para isso foram considerados dois processos (Movimento aeronaves e carregar) com duas saídas finais (movimento de passageiros e movimento de cargas), um produto intermediário
(movimento de tráfego de aeronaves) e duas saídas indesejáveis (número de voos atrasados e atrasos de voo acumulados);
Yu (2010) - realizou a medição de desempenho sobre as operações de aeroportos em Taiwan considerando serviço no ar e terra, com produtos intermediários relacionado a capacidade de pista e a capacidade do terminal, sendo as saídas finais o volume de carga, movimentação de passageiros e de aeronaves;
Wanke (2013) - realizou a medição da eficiência em aeroportos brasileiros usando um processo em duas fases. Na primeira fase, a eficiência da infraestrutura física, os ativos, como a área terminal, espaços de estacionamento de aeronaves e pistas estão relacionados com o número de pousos e decolagens por ano. A segunda se concentra na eficiência consolidação de voo em termos de número de passageiros transportados e cargas movimentadas por ano;
Maghbouli et al. (2014) - estudam dois casos diferentes de produtos indesejáveis: ou como produtos finais ou como medidas intermédias. Em ambos os casos, as teorias de jogos cooperativos e não-cooperativos são propostas para avaliar o desempenho relativo das unidades operacionais de aeroportos espanhóis;
Duygun et al. (2016) - estudam a indústria aeronáutica europeia com o objetivo de analisar os problemas de desempenho para as companhias europeias usando uma abordagem de rede Análise Envoltória de Dados (network DEA), que compreende duas tecnologias que podem compartilhar parte das entradas;
Liu (2016) - avalia a eficiência global e as eficiências operacionais para dez empresas aeroportuárias asiáticas com base na análise de subprocessos de serviço aeronáutico e do serviço comercial destas empresas;
Shao e Sun (2016) – dividem primeiro o processo de produção de rotas aéreas em duas etapas, alocação e transporte, com base em características operacionais, modelados para analisar a eficiência do sistema, a alocação, o transporte de passageiros e transporte de mercadorias de 477 rotas aéreas.
Com base nestes trabalhos, pode-se perceber que a avaliação da eficiência em transportes aéreos com a utilização de modelos em rede de análise envoltória de dados, de modo geral, são modelados a partir de dois estágios. Entretanto, percebe-se uma grande diversidade nas variáveis de entrada, saída e intermediária, sendo comum variáveis relacionadas capacidade, logística e qualidade, corroborando o enfoque dos estudos no âmbito de uma análise de eficiência operacional.
Neste trabalho será aplicado o modelo de Network DEA desenvolvido por Kao e Hwang (2008) que verifica análise da eficiência geral (𝐸𝑓𝑘) de uma DMUk com base de dois subprocessos em
série, representado por 𝑚 inputs 𝑋𝑖𝑘, 𝑖 = 1, . . , 𝑚 que produz 𝑠 outputs𝑌𝑟𝑘, 𝑟 = 1, . . , 𝑠, sendo que neste processo apresenta 𝑞 produtos intermediários 𝑍𝑝𝑘, 𝑝 = 1, . . , 𝑞 . Os 𝑍𝑝𝑘 produtos intermediários correspondem aos outputs do primeiro processo e os inputs o segundo processo, conforme a Figura 2:
Figura 2: Representação do modelo genérico Network DEA
A formulação do PPL deste modelo é dada por (1):
𝐸𝑓𝑘= max ∑ 𝑢𝑟𝑌𝑟𝑘 𝑠 𝑟=1 / ∑ 𝑣𝑖𝑋𝑖𝑘 𝑚 𝑖=1 S.a. (1) ∑ 𝑢𝑟𝑌𝑟𝑗 𝑠 𝑟=1 / ∑ 𝑣𝑖𝑋𝑖𝑗 𝑚 𝑖=1 ≤ 1, 𝑗 = 1, … , 𝑛 ∑ 𝑤𝑝𝑍𝑝𝑗 𝑞 𝑝=1 / ∑ 𝑣𝑖𝑋𝑖𝑗 𝑚 𝑖=1 ≤ 1, 𝑗 = 1, … , 𝑛 ∑ 𝑢𝑟𝑌𝑟𝑘 / ∑ 𝑤𝑝𝑍𝑝𝑗 𝑞 𝑝=1 𝑠 𝑟=1 ≤ 1, 𝑗 = 1, … , 𝑛 𝑢𝑟, 𝑣𝑖, 𝑤𝑝≥ 𝜀, 𝑟 = 1, … , 𝑠, 𝑖 = 1, … , 𝑚, 𝑝 = 1, … , 𝑞
Onde 𝜀 = 𝑎 constante (diferente de zero) denominado um número pequeno não arquimediano (Charner e Cooper, 1984), 𝑢𝑟, 𝑣𝑖 e 𝑤𝑝 os pesos de cada variável. O modelo linearizado deste
PPL é dado por (2): 𝐸𝑓𝑘= max ∑ 𝑢𝑟𝑌𝑟𝑘 𝑠 𝑟=1 S.a. (2) ∑ 𝑣𝑖𝑋𝑖𝑘 𝑚 𝑖=1 = 1 ∑ 𝑢𝑟𝑌𝑟𝑗 𝑠 𝑟=1 − ∑ 𝑣𝑖𝑋𝑖𝑗 𝑚 𝑖=1 ≤ 0, 𝑗 = 1, … , 𝑛 ∑ 𝑤𝑝𝑍𝑝𝑗 𝑞 𝑝=1 − ∑ 𝑣𝑖𝑋𝑖𝑗 𝑚 𝑖=1 ≤ 0, 𝑗 = 1, … , 𝑛 ∑ 𝑢𝑟𝑌𝑟𝑘− ∑ 𝑤𝑝𝑍𝑝𝑗 𝑞 𝑝=1 𝑠 𝑟=1 ≤ 0, 𝑗 = 1, … , 𝑛 𝑢𝑟, 𝑣𝑖, 𝑤𝑝≥ 𝜀, 𝑟 = 1, … , 𝑠, 𝑖 = 1, … , 𝑚, 𝑝 = 1, … , 𝑞 𝑋1𝑘 𝑋𝑚𝑘 𝑋2𝑘 DMU Subprocesso 2 Subprocesso 1 𝑌1𝑘 𝑌2𝑘 𝑌𝑟𝑘 𝑍1𝑘 𝑍2𝑘 𝑍𝑝𝑘
3. ANÁLISE DO ESTUDO DE CASO
Neste estudo de avaliação de rotas, os dados utilizados correspondem às informações disponibilizadas pela ANAC sobre os aeroportos e as operações do setor de aviação comercial brasileira, sendo a nomenclatura de códigos de cada aeroporto utilizada será conforme os dados da ANAC que segue o IATA (Internacional Air Transport Association).
As rotas escolhidas foram baseadas nas localidades mais ofertadas dos aeroportos privatizados em 2012 e 2013, sendo eles: Aeroporto de Guarulhos/SP (GRU), Aeroporto de Brasília/DF (BSB), Aeroporto do Galeão (GIG), Aeroporto de Confins/MG (CNF) e Aeroporto de Viracopos (VCP). A determinação das localidades de cada utilizou o modelo de centralidade tipo H, apresentado por Pereira et al. (2015), onde os destinos são colocados em ordem decrescente pela quantidade de voos e então determina-se o valor h quanto a quantidade de voos for mais que a ordem do destino.
Para cada aeroporto descrito anteriormente analisou-se qual era lista núcleo que determinava o índice tipo h do mesmo. Com isso, serão consideradas 43 rotas que representam 18% de todas as decolagens no mês de março de 2015. Na Tabela 1 é apresentada a lista de rota com os dados considerados:
Tabela 1: Dados utilizados de cada rota
Rota (DMU) Sitio Aeroportuário (km²) - AR Soma Decolagens - DE ATK (x10^6) - AT Quant. Empresas EM RTK (x10^6) - RT GRU_SSA 11,905 658 19.97 4 14.06 GRU_POA 11,905 689 10.24 4 6.54 GRU_REC 11,905 529 25.32 4 17.97 GRU_BSB 11,905 520 8.47 4 5.21 GRU_CNF 11,905 507 4.23 3 2.60 GRU_CWB 11,905 470 2.80 3 1.72 GRU_SDU 11,905 453 2.47 2 1.06 GRU_GIG 11,905 522 3.15 3 1.77 GRU_FOR 11,905 416 21.26 3 14.35 GRU_FLN 11,905 387 3.60 3 2.37 GRU_CGB 11,905 271 5.29 4 3.49 GRU_GYN 11,905 299 3.98 4 2.51 BSB_CGH 13,774 873 13.30 3 6.62 BSB_SDU 13,774 582 8.79 3 4.68 BSB_GRU 13,774 506 8.05 4 4.52 BSB_CNF 13,774 390 3.63 3 2.12 BSB_VCP 13,774 326 3.83 3 2.48 BSB_GIG 13,774 296 4.69 3 2.57 BSB_GYN 13,774 276 0.68 4 0.33 BSB_SSA 13,774 282 5.64 3 3.64 GIG_GRU 17,881 543 3.41 3 1.92 GIG_SSA 17,881 469 10.99 3 6.98
Rota (DMU) Sitio Aeroportuário (km²) - AR Soma Decolagens - DE ATK (x10^6) - AT Quant. Empresas EM RTK (x10^6) - RT GIG_CGH 17,881 335 2.13 3 1.12 GIG_REC 17,881 257 8.48 3 6.27 GIG_POA 17,881 346 7.08 3 4.13 GIG_VCP 17,881 302 1.99 3 1.07 GIG_CWB 17,881 224 2.68 2 1.64 GIG_BSB 17,881 272 4.21 3 2.38 CNF_CGH 15,120 762 6.55 3 3.23 CNF_GRU 15,120 508 4.06 3 2.36 CNF_SDU 15,120 459 2.72 3 1.33 CNF_BSB 15,120 397 3.88 3 2.19 CNF_VCP 15,120 287 1.63 1 1.17 CNF_VIX 15,120 245 1.25 2 0.75 CNF_SSA 15,120 218 3.72 3 2.49 CNF_MOC 15,120 157 0.71 2 0.42 VCP_SDU 17,659 544 3.06 2 1.25 VCP_BSB 17,659 331 3.95 3 2.62 VCP_CNF 17,659 288 1.81 1 1.18 VCP_GIG 17,659 286 1.58 3 1.00 VCP_POA 17,659 233 2.39 1 1.66 VCP_CWB 17,659 306 3.51 2 0.77 VCP_PLU 17,659 111 0.36 1 0.20
Neste modelo de análise de rotas aéreas, diferentemente de Pereira et al. (2010) que verificou acessibilidade considerando aeroportos como input unitário, será considerado rotas de origens distintas. A verificação das rotas, que serão as DMU´s do modelo, será uma composição da acessibilidade (Pereira et al, 2010) com a eficiência comercial de cada uma como dois subprocessos para análise.
O primeiro subprocesso analisa a acessibilidade como a operação aeroportuária, considerando como input inicial X a área total do sítio aeroportuário (AR) e os produtos intermediários Z, que para este subprocesso serão output, são consideradas a quantidade de empresas que realizam a rota (EM), a quantidade de decolagens (DE), e o volume de tonelada quilometro oferecida (ATK, do inglês available tonne-kilometer) que considerada a capacidade total de carga oferecida (AT) para passageiros, carga e correios, também conhecido como payload onde o peso da aeronave e do combustível não é considerado.
O segundo processo analisa a eficiência comercial da rota como a operação aérea do voo, considerando como input os produtos intermediários descritos anteriormente e output Y o volume de tonelada quilometro transportada (RTK, do inglês revenue tonne-kilometer), que consolida o volume transportado de carga aérea e passageiros (RT), neste caso é considerado o peso de 75kg por passageiro. A Figura 3 apresenta o diagrama dos processos de cada rota:
Figura 3: Representação do caso estudado
O PPL linearizado considerado para este modelo, seguindo Kao e Hwang (2008), é formulado por (3): 𝐸𝑓𝑘= max 𝑅𝑇 𝑌𝑘 S.a. (3) 𝐴𝑅 𝑋𝑘 = 1 𝑅𝑇 𝑌𝑗− 𝐴𝑅 𝑋𝑗 ≤ 0, 𝑗 = 1, … , 𝑛 𝐴𝑇 𝑍𝐴𝑇𝐾 𝑗+ 𝐷𝐸 𝑍𝐷𝐸 𝑗+ 𝐸𝑀𝑍𝐸𝑀𝑃 𝑗 − 𝐴𝑅 𝑋𝑗≤ 0, 𝑗 = 1, … , 𝑛 𝑅𝑇 𝑌𝑗− 𝐴𝑇 𝑍𝐴𝑇𝐾 𝑗− 𝐷𝐸 𝑍𝐷𝐸 𝑗− 𝐸𝑀𝑍𝐸𝑀𝑃 𝑗 ≤ 0, 𝑗 = 1, … , 𝑛 𝑅𝑇, 𝐴𝑅, 𝐷𝐸, 𝐴𝑇, 𝐸𝑀 ≥ 𝜀
Onde RT, AR, DE, AT e EM são os pesos para cada variável considerada e j representada cada rota do modelo inclusive a rota k analisada. A eficiência de cada subprocesso segundo Kao (2009) é formulada por Efk = Efk1 X Ef
k2, onde Efk1 é a eficiência da primeira etapa e Efk2 da
segunda. Assim o PPL linearizado associado à eficiência da primeira etapa (Efk1) é dado por (4), e consequentemente a eficiência da segunda etapa é calculada por 𝐸𝑓𝑘2 = 𝐸𝑓
𝑘 / 𝐸𝑓𝑘1: 𝐸𝑓𝑘1= max ∑ 𝑤 𝑝𝑍𝑝𝑗 𝑞 𝑝=1 S.a. (4) ∑ 𝑣𝑖𝑋𝑖𝑘 𝑚 𝑖=1 = 1 ∑ 𝑢𝑟𝑌𝑟𝑗 𝑠 𝑟=1 − 𝐸𝑓𝑘∑ 𝑣𝑖𝑋𝑖𝑗 𝑚 𝑖=1 = 0, 𝑗 = 1, … , 𝑛 ∑ 𝑤𝑝𝑍𝑝𝑗 𝑞 𝑝=1 − ∑ 𝑣𝑖𝑋𝑖𝑗 𝑚 𝑖=1 ≤ 0, 𝑗 = 1, … , 𝑛 ∑ 𝑢𝑟𝑌𝑟𝑘− ∑ 𝑤𝑝𝑍𝑝𝑗 𝑞 𝑝=1 𝑠 𝑟=1 ≤ 0, 𝑗 = 1, … , 𝑛 𝑢𝑟, 𝑣𝑖, 𝑤𝑝≥ 𝜀, 𝑟 = 1, … , 𝑠, 𝑖 = 1, … , 𝑚, 𝑝 = 1, … , 𝑞 Á𝑟𝑒𝑎 Disponível Operação Aérea Operação Aeroportuária RTK Empresas ROTA ATK Decolagens
Desta forma, obtém-se a eficiência de cada rota e dos subprocessos conforme a Tabela 2, em ordem decrescente de 𝐸𝑓𝑘 :
Tabela 2: Eficiência de cada rota analisada
ROTA Efk Ef1k Ef2k
GRU_REC 1.00000 1.00000 1.00000 GRU_FOR 0.79857 0.83920 0.95158 GRU_SSA 0.78235 1.00000 0.78235 GRU_POA 0.36376 1.00000 0.36376 BSB_CGH 0.31852 1.00000 0.31852 GRU_BSB 0.29009 1.00000 0.29009 GIG_SSA 0.25850 0.49929 0.51772 GIG_REC 0.23227 0.49677 0.46756 BSB_SDU 0.22499 0.71289 0.31561 BSB_GRU 0.21743 0.86431 0.25156 GRU_CGB 0.19399 0.99577 0.19482 BSB_SSA 0.17504 0.64586 0.27101 GIG_POA 0.15298 0.49763 0.30742 GRU_CNF 0.14494 0.74993 0.19326 CNF_CGH 0.14160 0.81108 0.17458 GRU_GYN 0.13986 0.99604 0.14041 GRU_FLN 0.13198 0.74975 0.17603 BSB_GIG 0.12343 0.64599 0.19106 BSB_VCP 0.11925 0.64629 0.18452 CNF_SSA 0.10898 0.58750 0.18551 CNF_GRU 0.10350 0.59046 0.17529 BSB_CNF 0.10211 0.64801 0.15758 GRU_GIG 0.09855 0.75595 0.13037 VCP_BSB 0.09833 0.50481 0.19478 CNF_BSB 0.09617 0.59037 0.16289 GRU_CWB 0.09549 0.74987 0.12734 GIG_BSB 0.08831 0.49686 0.17774 GIG_GRU 0.07124 0.51926 0.13720 VCP_POA 0.06218 0.21532 0.28880 GIG_CWB 0.06082 0.33167 0.18337 GRU_SDU 0.05919 0.62391 0.09487 CNF_SDU 0.05821 0.59039 0.09860 CNF_VCP 0.05145 0.30003 0.17148 VCP_SDU 0.04684 0.49068 0.09546 VCP_CNF 0.04424 0.25766 0.17171 GIG_CGH 0.04157 0.49856 0.08337 GIG_VCP 0.03970 0.49714 0.07986 VCP_GIG 0.03769 0.50434 0.07473
ROTA Efk Ef1k Ef2k CNF_VIX 0.03266 0.39337 0.08302 VCP_CWB 0.02894 0.33701 0.08587 CNF_MOC 0.01840 0.39176 0.04698 BSB_GYN 0.01578 0.86008 0.01835 VCP_PLU 0.00752 0.16827 0.04467
Pela Tabela 2, verifica-se que as rotas que parte do Aeroporto de Guarulhos/SP (GRU) para algumas capitais do Nordeste (Recife – REC, Salvador –SSA e Fortaleza – FOR) são as três que apresentam maiores eficiências, no entanto apenas a rota GRU_REC é eficiente, ressaltando que isto é possível dado que é eficiente em ambos os processos, e apenas dentre estes a rota GRU_FOR não é eficiente no primeiro processo. Além disto, a terceira rota (GRU_FOR) apresenta o dobro de eficiência em comparação à quarta rota mais eficiente (GRU – POA, Porto Alegre/RS).
Segundo Pereira (2015) o aeroporto de Recife e o aeroporto de Salvador apresentam índice tipo H de 5, enquanto o aeroporto de Fortaleza apresenta índice tipo H de 6. Estes são as principais ligações para demais cidades do Norte e Nordeste do Brasil e a ligação com Guarulhos torna-se um importante vínculo dessas regiões com o restante do país e o exterior.
Como o Aeroporto de Guarulhos/SP é um hub para muitas companhias e principal, senão o único aeroporto de empresas estrangeiras, além de o maior índice tipo h (Pereira et al, 2015) torna-se um importante ponto de conexão para diversos lugares do Brasil.
Verificam-se também pela Tabela 2 que as rotas GRU_POA, BSB_CGH (Congonhas/SP) e GRU_BSB são eficientes apenas na primeira etapa, com isso estas rotas apresentam um baixo aproveitamento da oferta de assentos e quantidade voos.
4. CONSIDERAÇÕES FINAIS
O congestionamento na malha aérea acaba impactando negativamente nos custos das empresas, conforme a ABEAR (2013), visto que a frota brasileira com 6,4 anos em média é uma das mais novas com isso tende a ser mais eficiente. O presente estudo detalhou a “caixa preta” da eficiência das rotas, sendo mais do que avaliação da quantidade ofertada com a demanda realizada, acrescenta-se com o método Network DEA o impacto do tamanho dos aeroportos nesta avaliação aprimorando a análise com diferentes origens.
As Rotas mais eficiência demonstram que a ligação do Sudeste com o Nordeste do Brasil é feita principalmente a partir do aeroporto de Guarulhos e assim a grande oferta nestas rotas se respaldam com uma grande demanda. Outras rotas são eficientes no primeiro processo, mas no segundo não, concluindo que estes trechos precisam ser mais bem aproveitados na relação de oferta e demanda.
Vale ressaltar o valor baixo da avaliação das ineficientes a partir da quarta colocação, verificando assim que as rotas apresentam um baixo aproveitamento e consequente demandam esforços adicionais das companhias para estimular a utilização das rotas.
Além disso, a utilização do índice tipo H (Pereira et al, 2015) para determinação das rotas analisadas contribuiu para a escolha das principais considerando em cada origem analisada os destinos mais impactantes. Estudos futuros podem ser feitos levando em consideração algumas variáveis indesejáveis, como por exemplo emissão de C0² (Lozano et al, 2013).
Agradecimentos
À CAPES por todo o apoio.
REFERÊNCIAS BIBLIOGRÁFICAS
ABEAR. (2013). Associação Brasileira das Empresas Aéreas - Panorama 2013. Disponível em: <http://www.abear.com.br/dados-e-fatos>. Acesso em: 29 jun. 2016.
ABEAR (2014). Aviação Brasileira Agenda 2020. Associação brasileira das empresas aéreas. Disponível em: <http://www.abear.com.br/uploads/arquivos/dados_e_fatos_arquivos_ptbr/Agenda2020_PORT_010714.p df>. Acesso em: 4 de jul. 2015.
ADLER, N.; LIEBERT, V.; YAZHEMSKY, E. Benchmarking airports from a managerial perspective. Omega, v. 41, n. 2, p. 442-458, 2013.
ANAC. (2014). Dados e Estatísticas. Disponível em: <http://www.anac.gov.br/Area.aspx?ttCD_CHAVE=26>. Acesso em: 25 jun. 2016.
ATAG (2014). Facts and figures, Air transport action group. Disponível em: <http://www.atag.org/facts-and-figures.html>. Acesso em: 15 de outubro de 2015.
Banker RD, A Charnes and WW Cooper. Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis. Management Science 30(9): 1078-1092. 1984
Charnes A, Cooper WW, Rhodes E. Measuring the efficiency of decision making units. European Journal of Operational Research 1978;2(6): 429–444.
Charnes, A., Cooper, W.W., 1984. The non-Archimedean CCR ratio for efficiency analysis: a rejoinder to Boyd and Fäare. Eur. J. Oper. Res. 15 (3), 333e334.
Doganis, R., 1992. The Airport Business. Routledge, London.
Duygun, M. et al. Disentangling the European airlines efficiency puzzle: A network data envelopment analysis approach. Omega, v. 60, p. 2-14, 2016.
Fare, R.; Grosskopf, S. Network DEA. Socio-Economic Planning Sciences 34. 35-49. 2000
Golany B, Roll Y. An application procedure for DEA. Omega—The Interna- tional Journal of Management 17:237–250. 1989
Humphreys I, Francis G.Performance measurement: a review of airports. International Journal of Transport Management, v. 1, 2002.
Kao, C., Hwang, S.N. Efficiency decomposition in two-stage data envelopment analysis: an application to non-life insurance companies in Taiwan. European Journal of Operational Research 185 (1), 418-429. 2008 Kao, C. Efficiency decomposition in network data envelopment analysis: A relational model. European Journal of
Operational Research 192, 949-962, 2009
Kao, C. Network data envelopment analysis: A review. European Journal of Operational Research 239. 1–16. 2014 Liu, D. Measuring aeronautical service efficiency and commercial service efficiency of East Asia airport companies: An application of Network Data Envelopment Analysis. Journal of Air Transport Management, v. 52, p. 11-22. 2016.
Liu, J. S. et al. A survey of DEA applications. Omega, v. 41, n. 5, p. 893-902. 2013.
Lozano, S., Gutiérrez, E., Moreno, P. (2013). Network DEA approach to airports performance assessment considering undesirable outputs. Applied Mathematical Modelling 37, 1665–1676
Lozano, S.; Gutiérrez, E.; Moreno, P. Network DEA approach to airports performance assessment considering undesirable outputs. Applied Mathematical Modelling, v. 37, n. 4, p. 1665-1676. 2013.
Maghbouli, M.; Amirteimoori, A.; Kordrostami, S. Two-stage network structures with undesirable outputs: A DEA based approach. Measurement, v. 48, p. 109-118. 2014.
Pereira, D. S. (2015) Análise da rede aérea brasileira com base na centralidade tipo H. Dissertação Mestrado em Engenharia de Produção, Universidade Federal Fluminense – Niterói, RJ, 84 f.
Pereira, D. S., Brandão, L.C., Del Vecchio, R.R., Soares de Mello, J.C.C.B. (2015). Centralidade aérea baseado no índice tipo h. In: XXIX Congresso de Pesquisa e Ensino em Transportes - Anpet, 2015, Ouro Preto, MG. Anais do Congresso de Pesquisa e Ensino em Transportes, 2015.
Pereira, D. S., Presta, P. N. A. K., Soares de Mello, J.C.C.B. (2010). Índice de acessibilidade aérea: Aplicação de modelo no Aeroporto Santos Dumont. Relatórios de Pesquisa Em Engenharia de Produção (UFF). , v.10
Shao, Y.; Sun, C. Performance evaluation of China's air routes based on network data envelopment analysis approach. Journal of Air Transport Management, v. 55, p. 67-75. 2016.
Wanke, P. F. Physical infrastructure and flight consolidation efficiency drivers in Brazilian airports: A two-stage network-DEA approach. Journal of Air Transport Management, v. 31, p. 1-5. 2013.
