Faculdade de Ciências Aplicadas
WAGNER WILSON BORTOLETTO
Proposta de uma sistemática para previsão de
demanda aeroportuária: um estudo ex-post-facto
Proposal of a systematic forecasting for an airport
demand: an ex-post-facto study
LIMEIRA-SP
2017
Proposta de uma sistemática para previsão de demanda
aeroportuária: um estudo ex-post-facto
Proposal of a systematic forecasting for an airport demand: an
ex-post-facto study
Dissertação apresentada à Faculdade de Ciências Aplicadas da Universidade Estadual de Campinas como parte dos requisitos exigidos para a obtenção do título de Mestre em Engenharia de Produ-ção e Manufatura, na área de Pesquisa Ope-racional e Gestão de Processos.
Dissertation presented to the School of Applied Sciences of the University of Campinas in par-tial ful llment of the requirements for the degree of Master of Science in Management in the area of Production and Manufacturing Enginee-ring, in the area of Operational Research and Process Management.
Orientador: Prof. Dr. Alessandro Lucas da Silva Coorientador: Prof. Dr. Paulo Sérgio de Arruda Ignácio Este exemplar corresponde à versão parcial da disser-tação defendida pela aluno Wagner Wilson Borto-letto, e orientada pelo Prof. Dr. Alessandro Lucas da Silva.
Assinatura do orientador
LIMEIRA-SP
2017
Ficha catalográfica
Universidade Estadual de Campinas Biblioteca da Faculdade de Ciências Aplicadas
Renata Eleuterio da Silva - CRB 8/9281
Bortoletto, Wagner Wilson,
B648p BorProposta de uma sistemática para previsão de demanda : um estudo
ex-post-facto / Wagner Wilson Bortoletto. – Limeira, SP : [s.n.], 2017.
BorOrientador: Alessandro Lucas da Silva. BorCoorientador: Paulo Sérgio de Arruda Ignácio.
BorDissertação (mestrado) – Universidade Estadual de Campinas, Faculdade de Ciências Aplicadas.
Bor1. Transporte aéreo Brasil. 2. Séries temporais. 3. Previsão econômica -Modelos econométricos. 4. Aeroportos - Administração. 5. Método de Monte Carlo. I. Silva, Alessandro Lucas da, 1976-. II. Ignácio, Paulo Sérgio Arruda, 1963-. III. Universidade Estadual de Campinas. Faculdade de Ciências Aplicadas. IV. Título.
Informações para Biblioteca Digital
Título em outro idioma: Proposal of a systematic forecasting for an airport demand : an
ex-post-facto study
Palavras-chave em inglês:
Air transportation - Brazil Time series
Economic forecasting - Econometric models Airports - Administration
Monte Carlo method
Área de concentração: Pesquisa Operacional e Gestão de Processos Titulação: Mestre em Engenharia de Produção e de Manufatura Banca examinadora:
Alessandro Lucas da Silva [Orientador] Johan Hendrik Poker Júnior
Fernando Ferrari Putti
Data de defesa: 15-12-2017
Programa de Pós-Graduação: Engenharia de Produção e de Manufatura
Faculdade de Ciências Aplicadas
Mestrado em Engenharia de Produção e Manufatura
Proposta de uma sistemática para previsão de demanda
aeroportuária: um estudo ex-post-facto
WAGNER WILSON BORTOLETTO
Dissertação de Mestrado aprovada pela Comissão Examinadora composta por:
Prof. Dr. Alessandro Lucas da Silva (Orientador) Faculdade de Ciências Aplicadas - FCA/UNICAMP
Prof. Dr. Johan Hendrik Poker Júnior
Faculdade de Ciências Aplicadas - FCA/UNICAMP Prof. Dr. Fernando Ferrari Putti
Faculdade de Ciências e Engenharia - FCE/UNESP
A Ata da Defesa com as respectivas assinaturas dos membros da comissão examinadora consta no processo de vida acadêmica do aluno.
pela garra imensurável e apoio incondicional. Aos meus irmãos, Davi Willian Bortoletto, e Vânia Cristina Bortoletto, pela compreensão e dedicação.
Em primeiro lugar agradeço a Deus por ter me dado saúde, capacitação e sabedoria para conquistar mais essa etapa. Agradeço à minha família pelo apoio, compreensão e dedicação durante esse tempo de muito trabalho.
Um agradecimento mais que merecido ao meu orientador Professor Dr. Alessandro Lucas da Silva e ao coorientador Professor Dr. Paulo Sérgio de Arruda Ignácio pelos ensinamentos, dedicação e amizade. Estendo esse agradecimento aos demais professores do programa de pós graduação da FCA por todas as dicas, críticas e atenção a mim dadas, para o aperfeiçoamento da pesquisa e para a minha formação como pesquisador e educador.
Aos meus orientadores no Programa de Estágio Docente (PED), Professor Dr. Antônio Carlos Pacagnella Júnior e novamente ao Dr. Paulo Sérgio de Arruda Ignácio, pelas grati cantes experiências, con ança e ensinamentos sobre as práticas de ensino.
Agradeço ao Centro de Pesquisa em Engenharia de Produção (CENPRO), em especial, ao Laboratório de Estudos em Gestão de Operações Sustentáveis (LEGOS) da FCA pelo compromisso com a pesquisa, o ensino e a extensão.
À FCA, pela estrutura e comprometimento para com os docentes e discentes, e aos coordenadores pela atenção e respeito para com todos do programa. Agradeço também a todos os funcionários da instituição por sua atenção e empenho.
Aos meus colegas, por todo companheirismo e apoio em momentos de lavor, produção, realização e alegrias. Sem dúvida, amizades que levarei para o resto da vida.
Aos membros da banca, Professores Dr. Johan Hendrik Poker Júnior (FCA/UNICAMP) e Dr. Fernando Ferrari Putti (FCE/UNESP), pelos valiosos apon-tamentos construtivos que contribuíram para o enriquecimento do trabalho.
Agradeço também ao Departamento de Economia, Administração e Sociologia da ESALQ/USP em especial aos professores Dr. Lucílio Rogério Aparecido Alves, Drª. Míriam Bacchi e Dr. Rodolfo Homann pela parceria e disponibilidade em compartilhar seus conhecimentos e experiências.
Por m, agradeço à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pelo apoio nanceiro.
O transporte aéreo é um importante componente no desenvolvimento econômico das ci-dades. É observado que, tanto pela perspectiva estratégica como pela visão operacional, o desenvolvimento dos vários componentes do sistema aeroportuário dependem dos níveis de atividade previstos para o futuro. Sendo assim, para avaliar o desempenho nos siste-mas aeroportuários existentes e planejar instalações para atender às necessidades futuras, é essencial prever o nível e a distribuição da demanda de seus diversos elementos. Porém, diante do crescimento da demanda nas últimas décadas, o desequilíbrio entre demanda e a capacidade aeroportuária tem se mostrado preocupante, resultando em congestiona-mentos e atrasos. Portanto, atrelar o estudo de demanda com avaliação da capacidade aeroportuária é de grande valia ao setor. Diante disso, por meio de um estudo descritivo com uma abordagem quantitativa longitudinal, e utilizando os procedimentos da pes-quisa ex-post-facto, o propósito deste trabalho é propor uma sistemática para previsão de demanda de passageiros aeroportuários, por meio da modelagem estatística, e inferir a probabilidade de saturação de sua capacidade, utilizando a simulação de Monte Carlo em paralelo ao conceito do Value-at-Risk. A modelagem estatística se dá por meio de modelos clássicos, comuns à Engenharia de Produção, e por modelos baseados na Econometria de Séries Temporais. A m de potencializar a e cácia na inferência dos parâmetros esta-tísticos, uma estratégia de modelagem é proposta, amparada em testes de normalidade e autocorrelação serial. Diante de sua relevância nacional, o Aeroporto Internacional de São Paulo/Guarulhos é empregado na modelagem, utilizando sua série temporal de da-dos, que tem como horizonte os anos de 2000 à 2016, em uma frequência mensal. Após a estimativa dos modelos de previsão, seus erros e resíduos são mensurados frente aos dados reais, e a validação dos mesmos é realizada. Por m, frente à projeção de longo-prazo para os próximos dez anos, os resultados obtidos demonstram que o aeroporto se encontra em estado crítico e com saturação de sua capacidade iminente. Diante disso, o estudo apresenta os procedimentos de gerenciamento da demanda que devem ser adotados diante desse cenário.
Palavras-chave: Transporte Aéreo; Séries Temporais; Modelos Econométricos; Aeropor-tos; Método de Monte Carlo
Air transport is an important component in the economic development of cities. It is known that, even by the strategic perspective and the operational view, the development of several components of the airport system relies on the levels of activity foreseen for the future. Therefore, to evaluate the performance on many existing airport systems and plan facilities to meet the upcoming needs, it is essential to predict the level and distribution of the demand for its several elements. However, given the growth on the demand in the last decades, the imbalance between the demand and the airport capacity has been alarming, resulting in congestion and delays. Therefore, linking the demand study with airport capacity assessment is of great value to the sector. Consequently, through a des-criptive study with a longitudinal quantitative approach and using the procedures of the ex-post-facto study, the purpose of this research is to propose a systematic to forecast the demand of airport passengers by means of statistical modeling and infer the proba-bility of saturation of its capacity using the Monte Carlo simulation in parallel with the Value-at-Risk concept. The Statistical modeling occurs through classical models, usual to Production Engineering, and models underpinned on Time Series Econometrics. In order to maximize the e ciency in the inference of the statistical parameters, a modeling strategy is proposed based on tests of normality and serial autocorrelation. Due to its national relevance, the International Airport of São Paulo/Guarulhos is chosen as model using its time series of data that has as horizon the years 2000 to 2016 on a monthly frequency. After estimating the forecast models, their errors and residuals are measured against the actual data and their validation is performed. At last, in a long-term projec-tion view for the next ten years, the results have shown that the airport is in a critical state and saturated with its eminent capacity. Considering this, the study presents the procedures for the demand management that must be adopted in this scenario.
Keywords: Air Transportation; Time Series; Econometric Models; Airports; Monte Carlo Method
Lista de Figuras
1.1 Número de Publicações/Ano e Publicações/Países na base Web of Science . . . 27
2.1 Métodos de previsão de demanda . . . 33
2.2 Evolução do número de passageiros no setor aéreo . . . 39
2.3 Equilibro de oferta-demanda no sistema de transporte aéreo . . . 43
2.4 Processo estocástico interpretado como uma família de variáveis aleatórias . . . 45
2.5 Raízes no Círculo Unitário . . . 60
2.6 Correlogramas das simulações dos modelos AR, MA e ARMA . . . 66
2.7 Simulação de autocorrelações do modelo ARIMA(1,1,1) . . . 78
2.8 Procedimento para teste de raiz unitária . . . 83
3.1 Classi cação da pesquisa . . . 97
3.2 Fases do processo quantitativo . . . 97
3.3 Desenho de pesquisa para abordagem quantitativa . . . 98
3.4 Fluxo do processo de modelagem quantitativa . . . 99
3.5 Processo iterativo de construção de modelos matemáticos e/ou estatísticos . . . 100
3.6 Estratégia adotada para a condução da pesquisa . . . 103
3.7 Roteiro e sistemática de modelagem . . . 104
4.1 Séries temporais dos PAX: (a) Domésticos, (b) Internacionais e (c) Totais . . . 108
4.2 Histogramas dos PAX: (a) Domésticos, (b) Internacionais e (c) Totais . . . 109
4.3 Box-plot dos PAX: (a) Domésticos, (b) Internacionais e (c) Totais . . . 109
4.4 Histograma e dispersão dos resíduos modelo multiplicativo - PAX Domésticos . . . 112
4.5 ACF e PACF da série I(1) dos PAX Domésticos . . . 116
4.6 Histograma e dispersão dos resíduos modelo SARIMA PAX Totais . . . 129
4.7 Previsão de treinamento e validação da amostra - Modelo SARIMA PAX Totais . . . . 130
4.8 Previsão de treinamento e validação da amostra - Modelos parcimoniosos SARIMA PAX Totais . . . 131
4.9 Distribuições para os anos de 2016-2025 - PAX Totais . . . 133
4.10 Probabilidade de risco de saturação da capacidade para o ano de 2020 . . . 134
b) Maior que 100% . . . 135
4.13 Probabilidade de risco de saturação da capacidade no modelo SARIMA (1,1,1)(0,1,1) para os anos de a) 2020, b) 2022 e c) 2025 . . . 136
4.14 Probabilidade de risco de saturação da capacidade no modelo SARIMA (2,1,1)(0,1,1) para os anos de a) 2020, b) 2022 e c)2025 . . . 137
Lista de Tabelas
1.1 Alguns estudos sobre o sistema aéreo brasileiro e suas problemáticas . . . 25
2.1 Autocorrelações dos processos AR, MA e ARMA . . . 63
2.2 Comportamento das ACF e PACF dos processos AR, MA e ARMA . . . 64
3.1 Aeroportos internacionais brasileiros com voos regulares . . . 101
3.2 Classi cação ABC - Passageiros domésticos com voos regulares em aeroportos interna-cionais . . . 102
3.3 Classi cação ABC - Passageiros Internacionais com voos regulares em aeroportos inter-nacionais . . . 103
4.1 Estatísticas descritivas das séries passageiros domésticos, internacionais e totais . . . . 107
4.2 Índices sazonais Decomposição Clássica - PAX Domésticos . . . 110
4.3 Testes de normalidade - Resíduos Decomposição Clássica, PAX Domésticos . . . 111
4.4 Teste de Ljung-Box - Resíduos Decomposição Clássica, PAX Domésticos . . . 111
4.5 Erros de previsão métodos de Decomposição Clássica - PAX Domésticos (Validação) . . 112
4.6 Coe cientes estimados Holt-Winters - PAX Domésticos . . . 113
4.7 Testes de normalidade - Resíduos Holt-Winters, PAX Domésticos . . . 114
4.8 Teste de Ljung-Box - Resíduos Holt-Winters, PAX Domésticos . . . 114
4.9 Erros de previsão métodos de Holt-Winters - PAX Domésticos (Validação) . . . 115
4.10 Testes de raiz unitária para a PAX Domésticos . . . 116
4.11 Coe cientes estimados dos modelos SARIMA Mod22; 24 e 26 - PAX Domésticos . . . . 117
4.12 Teste de Ljung-Box - Resíduos modelos SARIMA, PAX Domésticos . . . 118
4.13 Testes de normalidade - Resíduos modelos SARIMA, PAX Domésticos . . . 118
4.14 Erros de previsão métodos SARIMA - PAX Domésticos (Validação) . . . 119
4.15 Erros totais da previsão em nível dos modelos averiguados PAX Domésticos . . . 119
4.16 Erros percentuais entre as medidas MAE dos modelos averiguados - PAX Domésticos . 119 4.17 Índices sazonais Decomposição Clássica - PAX Internacionais . . . 120
4.18 Testes de normalidade - Resíduos Decomposição Clássica, PAX Internacionais . . . 121
4.19 Teste de Ljung-Box - Resíduos Decomposição Clássica, PAX Internacionais . . . 121
4.20 Erros de previsão métodos de Decomposição Clássica - PAX Internacionais (Validação) 121 4.21 Coe cientes estimados Holt-Winters - PAX Internacionais . . . 122
4.23 Teste de Ljung-Box - Resíduos Holt-Winters, PAX Internacionais . . . 123
4.24 Erros de previsão métodos de Holt-Winters - PAX Internacionais (Validação) . . . 123
4.25 Testes de raiz unitária para a PAX Internacionais . . . 124
4.26 Coe cientes estimados dos modelos SARIMA Mod4 e 10 - PAX Internacionais . . . 125
4.27 Coe cientes estimados dos modelos SARIMA Mod26 e 28 - PAX Internacionais . . . . 125
4.28 Coe cientes estimados dos modelos SARIMA Mod50 e 58 - PAX Internacionais . . . . 125
4.29 Teste de Ljung-Box - Resíduos modelos SARIMA, PAX Internacionais . . . 126
4.30 Testes de normalidade - Resíduos modelos SARIMA, PAX Internacionais . . . 126
4.31 Erros de previsão métodos SARIMA - PAX Internacionais (Validação) . . . 127
4.32 Erros totais da previsão em nível dos modelos averiguados - PAX Internacionais . . . . 127
4.33 Erros percentuais entre as medidas MAE dos modelos averiguados - PAX Internacionais 128 4.34 Teste de Ljung-Box - Resíduos modelo SARIMA PAX Totais . . . 128
4.35 Testes de normalidade - Resíduos modelo SARIMA PAX Totais. . . 129
4.36 Erros de previsãoSARIMA PAX Totais . . . 129
4.37 Erros de previsão dosmodelos SARIMA parcimoniosos - PAX Totais. . . 130
4.38 Teste de aderência Qui-quadrado para a série PAX Totais 2012-2015 . . . 132
4.39 Estatísticas descritivas primeira simulação de Monte Carlo . . . 133
4.40 Estatísticas descritivas para a segunda simulação de Monte Carlo utilizando os modelos SARIMA (1,1,1)(0,1,1) . . . 135
4.41 Estatísticas descritivas para a terceira simulação de Monte Carlo utilizando os modelos SARIMA (2,1,1)(0,1,1) . . . 136
A.1 Base de dados - Guarulhos Passageiros Domésticos . . . 158
A.2 Previsões "fora" da amostra Decomposição Clássica - PAX Domésticos . . . 159
A.3 Previsões "fora" da amostra Holt-Winters - PAX Domésticos . . . 159
A.4 Modelos SARIMA testados para a PAX Domésticos . . . 160
A.5 AIC e BIC dos modelos estimados para a PAX Domésticos . . . 160
A.6 Previsões "fora" da amostra SARIMA - PAX Domésticos. . . 161
A.7 Base de dados - Guarulhos Passageiros Internacionais . . . 161
A.8 Previsões "fora" da amostra Decomposição Clássica - PAX Internacionais . . . 162
A.9 Previsões "fora" da amostra Holt-Winters - PAX Internacionais . . . 162
A.10Modelos SARIMA testados para a PAX Internacionais . . . 163
A.11AIC e BIC dos modelos estimados para a PAX Internacionais. . . 164
A.12Previsões "fora" da amostra SARIMA - PAX Internacionais . . . 164
A.13Base de dados - Guarulhos Passageiros Agregados . . . 165
ACF Autocorrelation Function ACVF Autocovariance Function AD Anderson-Darling
ADF Augmented Dickey-Fuller AIC Akaike Information Criterion ANAC Agência Nacional de Aviação Civil AR Autoregressive
ARIMA Autoregressive Integrated Moving Average ARMA Autoregressive Moving Average
ASK Available Seat Kilometer BAA British Airports Authority BIC Bayesian Information Criterion
BNDES Banco Nacional de Desenvolvimento Econômico e Social CGNA Centro de Gerenciamento de Navegação Aérea
DAC Departamento de Aviação Civil DC Decomposição Clássica
DEWMA Double Exponentially Weighted Moving Averages DF Dickey-Fuller
DF-GLS Dickey-Fuller Generalized Least Squares EDF Empirical Distribution Function
ERS Elliot, Rothemberg e Stock
EWMA Exponentially Weighted Moving Averages FAC Função de Autocorrelação
HOTRAN Horário de Transporte
HQ Hannan Quinn Information Criterion HW Holt-Winters
ICAO International Civil Aviation Organization IGP-M Índice Geral de Preços do Mercado
Infraero Empresa Brasileira de Infraestrutura Aeroportuária IPCA Índice de Preços ao Consumidor Amplo
IPEA Instituto de Pesquisa Econômica Aplicada IQS Indicadores de Qualidade de Serviço
JB Jarque-Bera
KPSS Kwiatkowski, Phillips, Schmidt e Shin KS Kolmogorov-Smirnov
MA Moving Average MAE Mean Absolute Error
MAPE Mean Absolute Percentual Error
ME Mean Error
MPE Mean Percentual Error
MQO Mínimos Quadrados Ordinários MSE Mean Squared Error
OACI Organização de Aviação Civil Internacional PACF Partial Autocorrelation Function
PIB Produto Interno Bruto PP Phillips-Perron
RB Ruído Branco
RPK Revenue Seat Kilometer SAC Secretaria de Aviação Civil SAR Seasonal Autoregressive
SARIMA Seasonal Autoregressive Integrated Moving Average SARMA Seasonal Autoregressive Moving Average
SEF Suavização Exponencial de Holt SES Suavização Exponencial Simples SMA Seasonal Moving Average
t período da série temporal
T número de observações de uma série temporal; tamanho da amostra yt variável aleatória y no tempo t
ˆ
yt valor previsto da variável aleatória y no tempo t
yt média amostral da variável aleatória yt
yt−j;yt+j variável aleatória yt na defasagem ou sequência j
y0, c intercepto da série temporal
cj componente de ajustamento
ct série suavizada na sazonalidade para yt
gt processo estocástico estacionário sazonal
et erro de previsão no tempo t
zα signi cância estatística da distribuição normal
zt série suavizada em tendência para yt; variável aleatória z no tempo t
xt série suavizada em nível para yt; variável aleatória x no tempo t
wt variável aleatória em suas diferenças
yT +h extrapolação da série yt para h períodos à frente
Ct componente de ciclo de longo-prazo
St componente sazonal
Tt componente de tendência
p ordem do processo AR
d ordem de integração; quantidade de diferenças tomadas na série temporal q frequência temporal; ordem do processo MA
Q ordem do processo sazonal MA P ordem do processo sazonal AR
Nt processo estacionário que pode ser modelado por um ARMA
α coe ciente de suavização para o nível; coe ciente autorregressivo para o teste DF
β coe ciente de suavização para a tendência γ coe ciente de suavização sazonal
β0 coe ciente linear da regressão
β1 coe ciente angular da regressão
γj covariância ou autocovariância no tempo j
ρj correlação ou autocorrelação no tempo j
µ média populacional σ2
y variância da variável aleatória y
εt, ξt resíduos de uma regressão; erros aleatórios no tempo t
θi coe ciente de média móvel no período i
φi coe ciente autorregressivo no período i
Byt operador de defasagem para yt
ψ(B) progressão geométrica de processos AR, MA, ARMA; ˆ
φj;j valor estimado da autocorrelação parcial entre os tempos j
∆yt operador de diferença para yt; variação de yt
δ componente de tendência estacionária ou drift ηt, ϑt erros aleatórios do tipo ruído branco
τ estatística DF para o processo AR (modelo I) τµ estatística DF para o processo AR (modelo II)
ταµ estatística DF para contante (modelo II)
τβτ estatística DF para tendência (modelo III)
ττ estatística DF para o processo AR (modelo III)
Φ2 estatística DF para α = δ = µ = 0 (modelo III)
Φ3 estatística DF para α = δ = 0 (modelo III)
λi coe ciente de ponderação nas diferenças dos processos AR para o teste ADF
e ERS ˆ
ν2 estimativa da variância de longo-prazo
νj, νj índice e média sazonal
ϕ coe ciente para a série sem tendência e sem constante ∆ytd variável aleatória yt com a tendência d removida
Sumário
1 Introdução 21 1.1 Objetivos . . . 26 1.2 Justi cativa . . . 27 1.3 Delimitação do Estudo . . . 29 1.4 Organização do Trabalho . . . 30 2 Referencial Teórico 32 2.1 Previsão de Demanda . . . 32 2.1.1 Erros de Previsão . . . 352.2 Demanda e Capacidade Aeroportuária . . . 37
2.3 Modelos de Previsão . . . 44
2.3.1 Processos Estocásticos . . . 44
2.3.2 Autocovariância (ACVF) e Autocorrelação (ACF) . . . 46
2.3.3 Ruído Branco (RB) . . . 47
2.3.4 Modelos de Previsão: Visão Tradicional . . . 48
2.3.4.1 Decomposição Clássica . . . 48
2.3.4.2 Suavização: SES, SEH e HW . . . 51
2.3.5 Modelos de Previsão: Visão Econométrica . . . 56
2.3.5.1 Processos Estacionários . . . 56
2.3.5.2 Processos de Médias Móveis (MA) . . . 56
2.3.5.3 Processos Autorregressivos (AR) . . . 57
2.3.5.4 Processos Autorregressivos de Médias Móveis (ARMA) . 61 2.3.5.5 Autocorrelação Parcial (PACF) . . . 63
2.3.5.6 Identi cação dos Processos ARMA . . . 66
2.3.5.7 Previsão dos Processos ARMA . . . 68
2.3.5.8 Processos SARMA . . . 70
2.3.5.9 Processos Não Estacionários . . . 72
2.3.5.10 Tendência Estacionária e Estocástica . . . 73
2.3.5.11 Processos ARIMA . . . 74
2.3.5.12 Passeios Aleatórios . . . 75
2.4.2 Teste Dickey-Fuller Aumentado (ADF) . . . 81 2.4.3 Teste DF-GLS ou ERS . . . 84 2.4.4 Teste Phillips-Perron (PP) . . . 85 2.4.5 Teste KPSS . . . 88 2.5 Testes de Normalidade . . . 91 2.5.1 Teste Jarque-Bera (JB) . . . 92 2.5.2 Teste Shapiro-Wilk (SW) . . . 93
2.5.3 Teste Anderson-Darling (AD) . . . 93
3 Metodologia 95 3.1 Classi cação da Pesquisa . . . 95
3.1.1 Modelagem Quantitativa e Métodos Analíticos . . . 99
3.2 Estratégia Adotada . . . 101 3.3 Pacote Computacional . . . 105 4 Resultados e Discussões 106 4.1 Estatísticas Descritivas . . . 106 4.2 Modelos de Previsão . . . 110 4.2.1 Passageiros Domésticos . . . 110 4.2.2 Passageiros Internacionais . . . 120
4.2.3 Passageiros Agregados ou Totais . . . 128
4.3 Averiguação da capacidade aeroportuária . . . 131
4.3.1 Gerenciamento da Demanda . . . 137
5 Conclusões 140
6 Considerações Finais 141
A Anexos - Dados da Pesquisa 158
A.1 Base de dados e resultados para a série Guarulhos Passageiros Domésticos. 158 A.2 Base de dados e resultados para a série Guarulhos Passageiros Internacionais161 A.3 Base de dados e resultados para a série Guarulhos Passageiros Agregados . 165
Capítulo 1
Introdução
O transporte aéreo é um componente vital no desenvolvimento econômico das cidades. Muitas atividades econômicas como, por exemplo, manufatura, serviços, agricultura e turismo, dependem de um sistema de transporte aéreo con ável. Se o sistema atender a essas demandas de forma e ciente, a atividade econômica em geral irá se aperfeiçoar e prosperar. (Ghobrial, 1997; Button & Taylor, 2000).
Consequentemente, a gestão e a infraestrutura aeroportuária é tema recorrente entre os stakeholders1 da aviação. Em vista disso, no Brasil, em meados de 1967, diante da
era do jato, já era de conhecimento dos militares brasileiros, em especial da Aeronáutica, que a modernização da infraestrutura aeroportuária era uma tarefa urgente. Sendo assim, baseados nas experiências de Estados Unidos, Canadá, Reino Unido, Alemanha e França, depois de muitas discussões sobre qual o melhor caminho a seguir, chegou-se à conclusão de que seria criada uma empresa pública de âmbito nacional, dotada de personalidade jurídica de direito privado, para operar, administrar e explorar comercialmente os aeroportos. Portanto, em 12 de dezembro de 1972, estava criada a Empresa Brasileira de Infraestrutura Aeroportuária (INFRAERO, 2013).
Desde então, aeroportos foram reformados e expandidos; pistas mais longas permitiram que os aviões decolassem com carga total, o que garantia a receita das companhias aéreas, como a Varig, a Vasp e a Transbrasil. Ademais, em 1975, a Infraero já administrava 26 aeroportos. Com o passar do tempo, a empresa foi acumulando mais aeroportos sob sua gestão, ampliando e modernizando seus sistemas e processos operacionais (INFRAERO, 2013).
Como é visto não só no Brasil, mas internacionalmente, tradicionalmente, os aeropor-tos tem sido propriedade dos governos e operados por suas agências. No entanto, desde 1987, quando Margaret Thatcher, no Reino Unido, vendeu seus principais aeroportos go-vernamentais a uma empresa totalmente privada, a British Airports Authority (BAA), a privatização de aeroportos tornou-se, gradativamente, uma tendência mundial Oum et al.
(2008).
Seguindo essa tendência, o Brasil, em 2005, cria a Agência Nacional de Aviação Civil (ANAC), que assume as responsabilidades do Departamento de Aviação Civil (DAC); em 2011, essas duas agências passam a incorporar a Secretaria de Aviação Civil (SAC) subordinada ao Ministério da Defesa. Mas, apesar de a sustentabilidade nanceira ter sido consolidada graças às medidas supracitadas, a necessidade de uma infraestrutura aeroportuária mais robusta, com capacidade para atender a uma demanda que cresce junto com o País, exigiu uma transformação na estratégia nacional. Por isso, em 2011, o Governo Federal anunciou a concessão dos aeroportos de Guarulhos (SP), Campinas (SP) e Brasília (DF), permitindo a entrada de capital privado para nanciar a ampliação e o aperfeiçoamento da infraestrutura, garantindo melhorias no atendimento e nos níveis de qualidade dos serviços prestados (INFRAERO, 2013).
Atualmente, a Infraero é responsável pela gestão de 59 aeroportos espalhados pelo Brasil, com mais de 130 milhões de passageiros transportados por ano, representando cerca de 60% do movimento aéreo no País, e sócia com 49% de participação dos aeroportos de Brasília (DF), Guarulhos (SP), Viracopos (SP), Con ns (MG) e Galeão (RJ) INFRAERO (2017).
Isso posto, o estudo da demanda de transportes é uma preocupação antiga entre os administradores de empresas operadoras de serviços de transporte e autoridades responsá-veis pela administração e concessão desses serviços em particular, além de pesquisadores e estudiosos da matéria. Sendo assim, em consequência do desenvolvimento veri cado nas atividades do transporte aéreo, facilitada pela disponibilidade de equipamentos a bai-xos custos, veri cou-se que a análise de comportamento do mercado do transporte aéreo apresentou uma expressiva evolução (BNDES, 2010).
Nesse necessário, Rolim et al. (2016) apresentam um estudo demonstrando que os três aeroportos privatizados na rodada de concessões de 2012 registraram aumento absoluto da demanda de passageiros após as privatizações. O desempenho relativo, no entanto, foi distinto. A demanda do aeroporto de Guarulhos, por exemplo, manteve-se relativamente estável após a privatização, quando comparado aos demais aeroportos brasileiros ainda sob o controle da empresa estatal Infraero. Entretanto, a privatização induziu um aumento de demanda ao aeroporto de Viracopos, mas provocou, ao mesmo tempo, um declínio signi cativo na proporção de demanda do aeroporto de Brasília. Portanto, os resultados sugerem que a concorrência entre os três aeroportos para atrair novas companhias aéreas e voos pode tê-los levado a disputar participação de mercado apenas entre si, exigindo assim, uma frequente atenção ao vínculo entre demanda e capacidade aeroportuária.
Desta forma, a relação entre privatização e rentabilidade e os impactos e incentivos à expansão da capacidade aeroportuária frente a este vínculo tem sido explorada na última década. Como exemplo, estudos como de Oum et al. (2008) concluem que, à medida que os aeroportos privatizados são mais e cientes, eles também são mais lucrativos.
Posteri-ormente, Noruzoliaee et al. (2015) sugerem que o aumento da capacidade aeroportuária depende da e ciência, ou seja, uma organização mais e ciente tem mais capital para investir em infraestrutura e expansão de capacidade do que um menos e ciente.
Diante disso, Horonje et al. (2010) apresentam que os planos para o desenvolvimento dos vários componentes do sistema aeroportuário - tais como: número de passageiros; quantidade de slots2; per l de aviões e empresas aéreas; dimensionamento de instalações;
traçado de rotas; prestação de serviços em terra; dentre outros - dependem, em grande medida, dos níveis de atividade previstos para o futuro, uma vez que o propósito de um aeroporto é processar veículos aéreos, de passageiros, de frete e de transporte terrestre de forma e ciente e segura.
Os autores supracitados informam ainda que o desempenho de um aeroporto é avali-ado com base em quão bem é tratada a demanda colocada sobre as instalações dentro do sistema e, para avaliar adequadamente as causas das quebras e/ou quedas de desempenho nos sistemas aeroportuários existentes e planejar instalações para atender às necessidades futuras, é essencial prever o nível e a distribuição da demanda de seus diversos compo-nentes. Sem um conhecimento con ável da natureza e da variação esperada, é impossível avaliar realisticamente os requisitos físicos e operacionais do local.
Dessa forma, Song & Li (2008) discutem que a previsão da demanda é relevante para a gestão estratégica, e diante do crescimento da demanda aeroportuária e plataformas logísticas nas últimas duas décadas, é um interesse crescente a pesquisa em métodos de previsão que amparem este setor.
Logo, Song & Li (2008), Horonje et al. (2010) e Xiao et al. (2013) sintetizam que obtendo uma compreensão dos padrões de demanda futuros, permite-se que o planejador avalie o desempenho futuro do aeroporto para:
Avaliar o uso das instalações existentes;
Averiguar o impacto de várias opções de qualidade de serviço nas companhias aéreas, viajantes, expedidores e comunidade;
Recomendar programas de desenvolvimento consistentes com os objetivos gerais e políticas de operação do aeroporto;
Estimar os custos associados aos planos de instalações;
Projetar as fontes e o nível de receitas para apoiar o programa de melhoria de capital;
Analisar os efeitos da variação da demanda e seus impactos na capacidade aeropor-tuária.
Isso posto, é visto que na economia, a previsão é realizada em dois níveis: (i) previsão agregada e (ii) previsão desagregada; e o mesmo acontece com a aviação. As previsões agregadas visam a atividade total da aviação em uma região maior, como um país, estado ou região metropolitana. Nessa abordagem, todo o sistema de aeroportos é examinado em relação às características geográ cas, econômicas, industriais e de crescimento de uma região, para determinar a localização e a natureza das necessidades aeroportuárias nesta localidade. As previsões desagregadas lidam com a atividade em aeroportos individuais, ou rotas individuais, e examinam a demanda esperada nos aeroportos locais e identi ca o desenvolvimento necessário das instalações de pistas, do solo e do terminal para fornecer níveis adequados de serviço (Horonje et al., 2010).
Desse modo, compreender o papel da gestão da demanda é importante para a com-petitividade da organização (seja ela pública ou privada) dentro de sua cadeia logística. Então, Croxton et al. (2002) de nem a gestão de demanda como um processo da gestão da cadeia de suprimentos composto por subprocessos operacionais e estratégicos com o objetivo de determinar a previsão de vendas e/ou serviços, sincronizá-la com a capacidade produtiva e da cadeia, incorporar a estratégia da organização e atender às necessidades dos consumidores.
À vista disso, Pro llidis (2000), Marazzo et al. (2010) e Tsui et al. (2014) abordam sobre a importância das previsões de demanda de curto e longo-prazo, onde destacam que a etapa mais importante é a coleta e análise dos dados históricos e a determinação das características da série temporal analisada.
Salienta-se que, o setor da aviação civil destaca-se mundialmente por sua tradição nos processos de coleta, processamento e divulgação de dados e informações. Diversas instituições públicas e privadas ao redor do mundo coletam e divulgam dados sobre o setor aéreo desde o início do século XX. Algumas dessas informações referem-se ao histórico de demanda e são utilizadas para elaboração de projeções deste setor (ANAC, 2016).
Nesse sentido, a Organização de Aviação Civil Internacional (OACI) da qual o Brasil é um dos 191 países-membros mantém, desde 1947, um programa para a coleta, o processamento, a análise e a disseminação de dados estatísticos da aviação civil. Sendo assim, na condição de membro da OACI, a ANAC disponibiliza os números relacionados ao setor em seu anuário estatístico (ANAC, 2016). Frequentemente, os dados coletados no setor aéreo são utilizados para subsidiar o processo legislativo, a formulação de políticas públicas e o processo regulatório que abrange o mesmo, assim como para o planejamento de investimentos e a tomada de diversas decisões estratégicas no campo mercadológico, tais como, a prospecção de mercado, as ações concorrenciais, o planejamento de frota e de infraestrutura aeroportuária e de navegação aérea.
Diante disso, é percebido que o Brasil tem se preocupado com o cenário apresentado, portanto, pesquisadores nacionais têm se debruçado sobre essas questões. Alguns destes estudos, que estão elencados na Tabela 1, evidenciam as diversas problemáticas percebidas
pelo setor. Além disso, é notado nos mesmos que todos utilizam modelos de previsão de demanda baseados em modelagem estatística como ferramenta para tomada de decisão.
Tabela 1.1: Alguns estudos sobre o sistema aéreo brasileiro e suas problemáticas
Autores Base do estudo
Carvalho & Alves (2006) Capacidade aeroportuária do sistemas de pistas
da Costa et al. (2008) Oscilação e vocação da demanda turística
Diniz (2013) Dimensionamento de ampliação de aeroportos
Condé (2014) Crescimento orgânico do movimento de passageiros
Falcão (2014) In uência da demanda para o setor de turismo
Scarpel (2014) Mudança de tendência da demanda aérea para o sistema multi-aeroporto
Bendinelli & Oliveira (2015) Comportamento da demanda em aeroportos privados
Beuren & Gerchman (2016) Acurácia nos modelos de previsão de demanda
Adicionalmente, Zou & Hansen (2012) a rmam que na análise da capacidade no sis-tema de transporte aéreo - em que as economias de escala são uma característica inerente - e a eventual mudança da mesma desencadeia um conjunto complexo de ajustes e inte-rações entre a demanda de passageiros, a tarifa aérea, a frequência do voo e o tamanho da aeronave.
Paralelamente a isso, no Brasil, segundo o relatório do Instituto de Pesquisa Econô-mica Aplicada (IPEA, 2011), com relação ao transporte aeroviário, o forte crescimento da demanda nos últimos anos, sem o respectivo aumento da capacidade operacional dos ae-roportos, se re ete no fato de que 14 dos 20 maiores terminais de passageiros funcionaram acima do limite em 2010. Em 2003, o número de passageiros nos aeroportos brasileiros foi de 71 milhões. Em 2010, esse movimento saltou para 154 milhões de passageiros, um crescimento de 117% em oito anos.
Dessa forma, Madas & Zografos (2008) indicam que os desequilíbrios crescentes entre capacidade e tráfego resultaram em congestionamentos e atrasos. Assim, a atenção dos responsáveis pela política da aviação que investigam meios alternativos para enfrentar o desajuste entre a capacidade e demanda da aviação tem sido atraída. Portanto, atrelar o estudo de demanda à avaliação da capacidade aeroportuária é de grande valia para estabelecer processos decisórios com base nos dados inferidos.
Isso posto, nota-se que com o aumento da concorrência e da competitividade entre as operadoras aéreas, a expansão da demanda e a pressão por capacidade de processamento dos aeroportos, têm exigido uma elevada e ciência operacional deste mercado. E, de acordo com Scarpel (2013) e Tsui et al. (2014), a previsão de demanda nesse setor fornece um insumo chave no planejamento da infraestrutura de aeroportos, serviços de navegação e para o planejamento das redes de voos. Assim, tais previsões são úteis para desenvolver e implementar uma estratégia de investimento para aumentar a capacidade dos aeroportos e de suas conexões.
Assim sendo, indicadores como disponibilidade e taxas de aproveitamento de aero-naves (Load Factor); quantidade de assentos disponibilizados a cada quilômetro voado (ASK); quantidade de passageiros pagantes transportados por quilômetro voado (RPK); atrasos nos voos superiores a 30 e 60 minutos; quantidade de carga paga transportada em voos domésticos; combustíveis e lubri cantes; seguros; recursos humanos; dentre ou-tros; auxiliam no planejamento de uma companhia aérea ou de um operador logístico. Portanto, as informações coletadas revelam-se importantes para o bom desempenho das atividades de análise, planejamento e desenvolvimento de estudos que têm contribuído substancialmente para a evolução e modernização do setor (ANAC, 2016).
Baseado nesse contexto, este trabalho buscará responder as seguintes questões de pesquisa:
1. É viável realizar a previsão de demanda no setor aeroportuário?
2. É possível calcular a probabilidade de saturação da capacidade aeroportuária com base na inferência de longo-prazo do comportamento da demanda?
3. As inferências realizadas nos itens (1) e (2) colaboram para a gestão da demanda frente à saturação da capacidade?
1.1 Objetivos
Motivado pelas perspectivas apresentadas anteriormente, o objetivo geral deste traba-lho é propor uma sistemática para previsão de demanda para aeroportos.
Isso posto, como objetivos especí cos, pode-se elencar:
1. Desenvolver uma abordagem para parametrização de modelos de séries temporais univariados para previsão de demanda;
2. Comparar a e ciência dos modelos aplicados, incluindo julgamento competitivo en-tre os mesmos;
3. 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;
4. Investigar como os modelos se comportam em diferentes cenários, com ajuda de simulações e cálculos probabilísticos;
5. Discutir diretrizes para a de nição de estratégias de gestão da demanda para o aeroporto.
1.2 Justi cativa
A m de diagnosticar a evolução dos trabalhos referente ao tema, realizou-se uma pesquisa em toda extensão da base Web of Science (2016) com as palavras-chave Airport Demand AND Forecasting, obtendo 125 resultados. Restringindo a pesquisa para o pe-ríodo de 2007-2016 registrou-se 103 resultados, demonstrando que as pesquisas realizadas nesse tema estão concentradas na última década.
Analisando as áreas de concentração, foi notado que a área de Transportes representa 33% desses estudos, em um total de 34 trabalhos publicados, seguida por Tecnologia e Ciência dos Transportes, com 25% com 26 trabalhos. Também, percebeu-se que a Enge-nharia Industrial, correlata da EngeEnge-nharia de Produção, representou apenas 0,971% dos artigos publicados neste período (apenas 1 artigo) e a classi cação Engenharia Multidis-ciplinar 3,88%, publicando 4 estudos.
Adicionalmente, fez-se também um levantamento da evolução dos trabalhos em termos de Publicações/Ano e Publicações/Países, como pode-se observar nas Figura 1.1.
a) Publicações/Ano b) Publicações/Países
Figura 1.1: Número de Publicações/Ano e Publicações/Países na base Web of Science Fonte: Baseado no relatório de busca emitido pela Web of Science (2016)
Com base nas publicações, identi ca-se que o interesse pelo tema em estudo tem crescido ao longo da última década e que países com bons índices de desempenho em logística (WorldBank, 2017)- como EUA e China - estão liderando as pesquisas. Nota-se também que, apesar do Brasil estar na oitava colocação no ranking, sua participação cientí ca é inferior a 5%.
Isso posto, veri ca-se que o Brasil é atualmente o primeiro mercado da América Latina e o 4º maior mercado doméstico mundial de aviação, sendo a ponte aérea Rio-São Paulo uma das mais movimentadas do mundo (Alves et al., 2011).
Devido ao controle da hiperin ação, o crescimento e estabilidade econômica no País a partir de 1994 com a implantação do Plano Real, percebe-se que a demanda de passageiros no mercado internacional para voos com origem ou destino no Brasil mais que dobrou na última década, com crescimento médio de 8,2% ao ano. O número de voos tem superado
o patamar de 1 milhão ao ano desde 2011, com incremento de 59,8% nos últimos dez anos. Assim, em 2015, foi transportado o número recorde de 117,8 milhões de passageiros pagos no país, 96,2 milhões em voos domésticos e 21,6 milhões em voos internacionais (ANAC, 2016).
De acordo com o relatório supracitado, a demanda doméstica do transporte aéreo de passageiros mais do que duplicou nesse período em termos de passageiros-quilômetro pagos transportados (RPK), com alta de 133% com crescimento médio de 9,8% ao ano. Esse crescimento representou praticamente 4 vezes o crescimento do Produto Interno Bruto (PIB) brasileiro, e mais de 11 vezes o da população.
Esse cenário, forçou o setor a rever suas políticas, a reduzir os desperdícios e, conse-quentemente, a melhorar o aproveitamento de suas habilidades e recursos, tais como, os assentos-quilômetro oferecidos (ASK). O valor médio do quilômetro voado por passageiro (Yield) registrou redução real de 11,7% em 2015 na comparação com o ano anterior. Nos últimos dez anos, esse indicador caiu a menos da metade, passando de R$0,763/km (em 2006) para R$0,303/km (em 2016)3, com redução real de 60% (ANAC, 2016).
Em relação aos investimentos no setor, outra análise é a comparação entre o investi-mento da Infraero e os recursos provenientes do programa desenvolviinvesti-mento da infraestru-tura aeroportuária, entre os anos 2003/2010. Nesse período, a empresa investiu R$ 3,4 bilhões, e o programa foi responsável por R$ 2,2 bilhões4. Isso demonstra a importância
dos investimentos scais em aeroportos (IPEA, 2011).
O relatório (ANAC, 2016) informa ainda que o faturamento com receitas de voo das empresas brasileiras concessionárias do serviço de transporte aéreo público foi da ordem de 35,2 bilhões de reais em 2015. O principal item das receitas de voo foi a receita de passagens, com participação de 82,4%, seguida da receita de carga, que representou 6,1%. O total de custos e de despesas de voo cresceu 3,5% em 2015, quando comparado a 2014, tendo alcançado a cifra de 35,1 bilhões de reais.
O crescimento do transporte aéreo também pode ser visto ao se analisar o número de aeronaves registradas na ANAC. Em 2003, existiam 6.026 aviões cadastrados na categoria serviço aéreo privado. Em 2009, esse número passou para 7.228, indicando um crescimento de aproximadamente 20% (IPEA, 2011). Atualmente, a mesma categoria registra o total de 10.019 aeronaves (ANAC, 2017b).
Durante o mesmo período, o número de passageiros aumentou quase 80%, e o número de viagens se elevou 30%, aproximadamente. Isso signi ca que o setor aéreo passou por um processo signi cativo de ganho de e ciência, pois a taxa de crescimento do movimento de passageiros e de aviões foi signi cativamente maior que a taxa de crescimento do estoque de aeronaves, adicionalmente ao aumento do tamanho médio dos aviões (IPEA, 2011).
Esses números demonstram que as empresas privadas de transporte aéreo de
pas-3Considerando valores constantes de dezembro de 2015, de acionados pelo IPCA
sageiros têm administrado de modo e ciente seus negócios, aproveitando as inovações tecnológicas e os anos de forte crescimento pelos quais passa o setor, uma vez que as aeronaves têm feito número maior de voos (viagens), com taxas de ocupação também crescentes. Essa elevação da capacidade e da taxa de ocupação das aeronaves ajuda a explicar a redução real no preço das passagens ocorrida nesse período. Além disso, a concorrência acirrada entre as empresas aéreas também contribuiu para essa mudança de cenário (IPEA, 2011).
Diante desse crescimento, o relatório apresentado pelo Ministério da Defesa do Brasil (2015), informa que a saturação da capacidade de operação das pistas de pouso e de deco-lagem tem sido um dos maiores problemas dos aeródromos nacionais. Nesse contexto, o objetivo dos estudos de demanda e capacidade é fornecer subsídios que permitam emitir recomendações prévias aos aeródromos de interesse e aos tomadores de decisão para man-ter o uxo de tráfego aéreo próximo das condições ótimas, evitando possíveis sobrecargas do sistema de infraestrutura aeronáutica e aeroportuária. Dessa forma, a análise acom-panha a evolução da demanda frente à capacidade de cada aeródromo com a nalidade de manter a operacionalidade do sistema em harmonia.
Nesse cenário, Siewerdt (2001) informa que, caso o sistema aeroportuário esteja des-balanceado, ou seja, demanda excessiva em relação à oferta, a carga de trabalho dos controladores de tráfego aéreo se tornará extremamente elevada e coloca a segurança do sistema em níveis inaceitáveis. Nessas condições, outras consequências são percebidas, tais como crescentes atrasos na aterrissagem e decolagem dos voos, o que provoca abor-recimento de passageiros, perda nanceira às companhias aéreas, deteriorando o nível de serviço prestado.
Por outro lado, Moon et al. (2003) indicam que com o auxílio de previsões bem acu-radas, as empresas do setor obtém economias signi cativas, resultando em maior retorno monetário, maior competitividade, melhor relacionamento com clientes e aumento de sua satisfação.
1.3 Delimitação do Estudo
Este trabalho desenvolve uma abordagem para parametrização de modelos de séries temporais e apresenta algumas limitações.
A primeira restrição é que não são utilizadas técnicas qualitativas de previsão. Já, as técnicas de modelagem quantitativa estão restritas ao campo das séries temporais, não investigando relações causais por outras variáveis, nem modelos de inteligência arti cial. Por não investigar relações causais e nem a in uência de variáveis exógenas, o presente trabalho está focado em modelos de previsão univariados. Portanto, esses modelos visam explicar o processo estocástico formador da série histórica, por meio de suas próprias características no passado. Portanto, pressupõe-se que a variância compartilhada entre
a variável em análise com as suas variáveis correlacionadas seguem o princípio da comu-nalidade, ou seja, estima-se que a variância comum entre as variáveis seja relativamente alta, logo, grande parte da variância total do fenômeno analisado pode ser explicada por apenas uma dessas variáveis.
É importante destacar que, conforme du Preez & Witt (2003), a acurácia dos modelos de previsão univariados tem se revelado satisfatória frente a modelos multivariados, exi-gindo menores custos de utilização para esta tarefa. Entretanto, este trabalho não incluiu uma análise nanceira de custo-benefício para cada método de previsão avaliado.
As técnicas quantitativas utilizadas neste estudo foram a metodologia de Decomposi-ção Clássica, abordada na SeDecomposi-ção 2.3.4.1, a de Suavizações, apresentada na SeDecomposi-ção 2.3.4.2 e nos modelos amparados na metodologia Box-Jenkins, discutidos na Seção 2.3.5. A téc-nica de Média Móvel não foi utilizada por não possuir a característica de investigar os processos estocásticos formadores de uma série temporal.
A aplicação da proposta metodológica aqui discutida foi investigada na série de de-manda de passageiros do Aeroporto Internacional de São Paulo/Guarulhos. A justi cativa da escolha do aeroporto, bem como das séries temporais analisadas, está descrita na Seção 3.2.
1.4 Organização do Trabalho
Este trabalho é desenvolvido em cinco capítulos. O Capítulo 1 dispõe o conteúdo introdutório, os objetivos da pesquisa e apresenta a justi cativa prática e acadêmica para a realização do mesmo, juntamente com suas delimitações; inclui também esta seção, que informa a estrutura deste trabalho.
O Capítulo 2 apresenta o referencial teórico sobre o tema, inicialmente descrevendo em termos gerais os modelos de previsão, denotando também as medidas de acuracidade mais utilizadas na literatura. A Seção 2.2 aponta as características da demanda e capacidade área pelas perspectivas internacionais e nacionais. Por m, a Seção 2.3 discute os modelos estatísticos de previsão pelas perspectivas tradicional e econométrica aliados aos testes estatísticos utilizados para validação dos mesmos.
Na sequência, o Capítulo 3 exibe os aspectos metodológicos da pesquisa quanto à sua classi cação e ao paradigma epistemológico referente aos trabalhos desenvolvidos na forma de modelagem quantitativa e métodos analíticos. As seções adicionais apontam a estratégia adotada para a execução da pesquisa, a disposição da coleta e análise dos dados e o roteiro para modelagem estatística.
Por sua vez, o Capítulo 4 informa a estimação e os resultados dos modelos de previ-são adotados, tal como, os testes estatísticos realizados e suas signi câncias. Ademais, o texto apresenta as inferências de curto e longo-prazo das previsões e seus respectivos erros de aderência aos dados reais. A Seção 4.3 discorre sobre a averiguação da
capaci-dade aeroportuária analisando os resultados do objeto em estudo à vista da simulação de Monte Carlo e destaca as estratégias que podem ser adotadas para minimizar os efeitos da saturação de demanda no setor aéreo.
O Capítulo 5 apresenta as conclusões obtidas no trabalho, por conseguinte, o Capítulo 6 dispõe as considerações nais e as aspirações para estudos futuros, consolidando e encerrando esta perspectiva de análise da demanda no setor em questão.
Capítulo 2
Referencial Teórico
2.1 Previsão de Demanda
Previsões de demanda possuem grande relevância em diversas áreas na gestão de or-ganizações ou governos. As previsões propiciam não só o controle e ciente de recursos, mas principalmente, o gerenciamento da produção e a projeção de novos investimentos, oferecendo elevados níveis de serviço e satisfação dos clientes (Kotler et al., 2009).
A área nanceira, por exemplo, analisa previsões de demanda de longo-prazo a m de realizar operações de investimento; no âmbito dos recursos humanos e marketing, as previsões auxiliam no planejamento de modi cações no nível da força de trabalho e no agendamento de promoções de vendas (Krajewski et al., 2013).
Investigando a literatura, veri ca-se que no nal de 1930, as bases cientí cas do que se tornaria o campo dos modelos de previsão foram postas. O procedimento de estimação por mínimos quadrados proposto por Gauss e Legendre (ver Abbe (1871)); o trabalho de Schuster (1906) sobre os processos sazonais escondidos; o estudo de modelos Autorregressi-vos por Yule (1927) e Média Móvel por Slutzky (1937); a decomposição de séries realizada por Macaulay (1931), dentre outros trabalhos, formam as bases desse conhecimento.
Após a segunda guerra mundial e o fortalecimento da teoria, dentre as décadas de 1960 e 1970, o campo de previsão começou a se popularizar. Isso se deu especialmente pela busca de serviços econométricos comerciais, em parte pelo trabalho de Kalman (1960) e, em parte, pela in uência da metodologia Box & Jenkins (1970).
Com a popularização dos modelos de previsão, a exploração dos mesmos vem sendo aplicada em abundância, nos ramos governamentais, militares, na economia, em diversos ramos de negócio, e no campo acadêmico. Entretanto, surgiram também atitudes irrealis-tas do que se esperar desses modelos, ou seja, métodos estatísticos e computacionais não foram pensados para serem capazes de sempre prever com precisão e de eliminar todas as incertezas futuras (Makridakis, 1986).
exemplo: sabe-se a que horas o Sol irá aparecer no Leste e a que horas irá se pôr no Oeste em uma determinada região. No mundo corporativo e dos negócios, realizar uma previsão de vendas, ou de demanda, se torna algo mais complexo; dessa forma, a previsão de demanda não é trivial. Sendo assim, previsões mais assertivas auxiliam signi cativamente a economia das empresas, resultando em maior retorno nanceiro e maior competitividade (Moon et al., 2003).
Observa-se que os métodos de previsão podem ser divididos em modelos com abor-dagem qualitativa, quantitativa ou combinação de ambos. Conforme Montgomery et al. (2008), os métodos qualitativos possuem um certo grau de subjetividade e necessitam da opinião de especialistas. Esses métodos são usados quando o histórico de dados é ine-xistente ou insu ciente para se realizar as previsões, sendo o método Delphi, difundido em 1967, o mais formal (Dalkey, 1967). As técnicas quantitativas são aquelas que se apoiam em dados históricos da variável analisada e de suas relações causais. Estas téc-nicas buscam capturar o comportamento da série de dados ao longo do tempo a m de extrapolar esse comportamento para o futuro. A Figura 2.1 informa um panorama geral desses métodos e, as linhas contínuas evidenciam os modelos utilizados neste trabalho.
Figura 2.1: Métodos de previsão de demanda
Fonte: Baseado em Chopra & Meindl (2007), Song & Li (2008), Ballou (2009) e Slack et al. (2010)
Na abordagem qualitativa é mais difícil medir a utilidade das previsões. Elas são utilizadas principalmente para fornecer sugestões, para auxiliar o planejador e para com-plementar as previsões quantitativas, em vez de fornecer uma previsão numérica especí ca. Por sua natureza e custo, eles são utilizados quase que exclusivamente para situações de
médio e longo-prazo, como a formulação de estratégia, o desenvolvimento de novos pro-dutos e tecnologias e o desenvolvimento de planos de longo alcance (Makridakis et al., 1998).
Dentre os métodos quantitativos nas análise de dados históricos ao longo do tempo (Séries Temporais), Morettin & Toloi (2006) informam que os objetivos principais são:
Investigar o mecanismo probabilístico gerador da série temporal;
Fazer previsões de valores futuros da série, podendo ser a curto ou a longo-prazo; Descrever apenas o comportamento da série, ou seja, veri car padrões;
Investigar periodicidades relevantes nos dados.
Sendo assim, modelos probabilísticos ou estocásticos, são construídos no domínio tempo-ral ou de frequências, buscando o princípio da parcimônia para que sua utilização não apresente di culdades à manipulação (Morettin & Toloi, 2006).
Dessa forma, Makridakis et al. (1998) e Montgomery et al. (2008) indicam que o processo para implementar um modelo de previsão se utiliza de seis passos principais, são eles:
1. De nição do problema: Envolve o desenvolvimento de uma compreensão pro-funda de como as previsões serão usadas, e como a função de previsão se enquadra dentro da organização ou dos clientes.
2. Coleta de dados: Obter o histórico apropriado para a variável a ser prevista, incluindo aqui informações históricas relevantes. Muitas vezes, é necessário lidar com valores faltantes de algumas variáveis, potenciais outliers1 ou outros problemas
relacionados a dados que ocorreram no passado. Durante esta fase, também é útil começar a planejar a forma como os problemas de coleta e armazenamento de dados no futuro serão tratados para que a con abilidade e integridade dos dados sejam preservadas.
3. Analisar os dados: As séries temporais devem ser construídas e inspecionadas visualmente para padrões reconhecíveis, como tendências, componentes estacionais ou outros componentes cíclicos. Uma tendência é o movimento evolutivo, para cima ou para baixo, no valor da variável. As tendências podem ser de longo-prazo ou mais dinâmicas e de duração relativamente curta. A sazonalidade é o componente do comportamento das séries temporais que se repete regularmente. Os resumos numéricos dos dados, como a média da amostra, desvio padrão, percentis e auto-correlações, também devem ser computados e avaliados. Se as possíveis variáveis preditoras estiverem disponíveis, as parcelas de dispersão de cada par de variáveis
devem ser examinadas. Pontos de dados incomuns ou outliers potenciais devem ser identi cados e marcados para possíveis estudos adicionais. O objetivo dessa análise preliminar de dados é obter alguma "sensação" para os dados e uma sensação de quão forte são os padrões subjacentes. Essa informação geralmente sugere os tipos iniciais de métodos e modelos de previsão quantitativos a serem explorados.
4. Seleção do modelo: A seleção do modelo consiste em escolher um ou mais mode-los de previsão e ajustar o modelo aos dados. Cada modelo é em si uma construção arti cial. Baseia-se em um conjunto de suposições (explícitas e implícitas) e geral-mente envolve um ou mais parâmetros que devem ser "ajustados", usando os dados históricos conhecidos. Sendo assim, a veri cação do modelo consiste em analisar o quanto o mesmo está sendo aderente frente à comparação com os dados reais. Um método amplamente utilizado para validar um modelo é empregar alguma forma de divisão de dados, em que os dados são divididos em dois segmentos, um seg-mento destinado à construção do modelo e estimativa dos parâmetros (ajuste ou treinamento) e o outro segmento destinado à veri cação dos valores previstos. 5. Implementar as previsões: Após a parametrização do modelo, realiza-se a
pre-visão, que, geralmente, acontece em duas fases. (i) Previsão dentro da amostra ou previsão de ajuste; (ii) Previsão fora da amostra ou validação. A previsão dentro da amostra diz respeito a utilizar os parâmetros estimados, prevendo os possíveis valores da série e compará-los aos dados utilizados no treinamento do mesmo. A previsão fora da amostra consiste em realizar a previsão h passos à frente e veri car se os mesmos estão aderentes à segunda parte da amostra utilizada para validação. 6. Monitorar as previsões: Após realizar as estimativas do futuro é importante acompanhar a performance do modelos frente à entrada de novos dados na série temporal. Caso o modelo não esteja sendo satisfatório retorna-se ao passo 3, esti-mando novos parâmetros ou alterando o método de previsão.
Como visto, veri car a acurácia do modelo de previsão é uma das etapas essenciais no desenvolvimento do processo. Sendo assim, a próxima seção irá discutir algumas medidas de acurácia utilizadas neste trabalho.
2.1.1 Erros de Previsão
Conforme se aumenta o período de previsão, mais imprecisa ela poderá se tornar, já que a sua variância aumenta ao longo do horizonte de tempo. Sendo assim, se é necessário lançar mão de alguma medida de acurácia e/ou e ciência das previsões a m de mensurar os desvios.
De acordo com Makridakis et al. (1998), Lemos (2006), Diebold (2006), Hyndman & Koehler (2006), Montgomery et al. (2008), e Bortoletto et al. (2016), se yté a observação
real no período de tempo t, ˆyt é a previsão para o período, então, o erro de previsão et é
de nido como:
et= yt− ˆyt (2.1)
Os autores supracitados, também informam que para calcular os erros e validar o modelo, deve-se deixar uma porção de observações fora da amostra, ou seja, em uma amostra com T + H observações, deixam-se as últimas H observações fora da amostra e estima-se o modelo com as T observações restantes.
Sendo assim, existem muitas medidas diferentes para mensurar a acurácia das pre-visões. Lemos (2006) apresenta uma gama com quatorze diferentes métodos de medida de acurácia, entretanto, de acordo com Hyndman & Koehler (2006), Montgomery et al. (2008) e Adhikari & Agrawal (2013) os métodos mais utilizados e convencionalmente adotados são:
Mean Error (Erro Médio); de nido como:
M E = 1 T T X t=1 et (2.2)
Mean Absolute Error (Erro Absoluto Médio); de nido como:
M AE = 1 T T X t=1 |et| (2.3)
Mean Percentual Error (Erro Percentual Médio); de nido como:
M P E = 1 T T X t=1 et yt (2.4)
Mean Absolute Percentual Error (Erro Percentual Médio Absoluto); de nido como:
M AP E = 1 T T X t=1 et yt (2.5)
Mean Squared Error (Erro Quadrático Médio); de nido como:
M SE = 1 T T X t=1 (et) 2 (2.6)
RM SE = v u u t 1 T T X t=1 (et)2 (2.7)
Armstrong & Collopy (1992), Elsayed & Boucher (1994) e Makridakis et al. (1998) comentam que o ME tende a ser pequeno pois os valores positivos e negativos compensam uns aos outros. Por consequência, o ME irá dizer se há sub ou sob previsão, indicando o possível viés da mesma. Logo, se faz necessário o uso do MAE tornando todos os valores absolutos, e facilitando a interpretação dos resultados, ou seja, indicando em quantas unidades de medida a previsão se desviou.
Kahn (1998) e Hyndman & Koehler (2006) propõem que cada uma dessas estatísticas trata de medidas de precisão cujo tamanho depende da escala dos dados. Portanto, eles não facilitam a comparação entre séries temporais diferentes e para diferentes intervalos de tempo. A m de contornar esse problema, é indicado o uso de medidas relativas ou percentuais. Uma medida relativa importante é o MPE. Entretanto, o mesmo problema de compensação entre os valores positivos e negativos aparece, sendo assim, a medida MAPE corrige este problema. O MAPE é a medida mais utilizada em estudos empíricos, pois é menos afetada por valores extremos ou medidas ao quadrado.
Outra medida importante - a RMSE - é mencionada em Diebold (2006), Hyndman & Koehler (2006), Armstrong (2001) e Adhikari & Agrawal (2013) que é uma medida derivada do MSE. A medida MSE dispõe os dados de forma quadrática, o que di culta a interpretação dos dados, sendo assim, a medida RMSE traduz a medida MSE para a unidade de medida utilizada. O RMSE tem sido utilizado devido suas propriedades estatísticas, entretanto, é uma medida mais sensível a outliers.
2.2 Demanda e Capacidade Aeroportuária
O transporte aéreo internacional é um quesito essencial para o sucesso do turismo e muitas outras indústrias em vários países e regiões. Essa dependência se intensi ca principalmente quando as comunicações interpessoais são importantes. Não é apenas o transporte aéreo de passageiros que é vital para muitas dessas indústrias; elas também contam com uma variedade de serviços de frete aéreo para fornecer um serviço de qualidade aos clientes e para operar no gerenciamento da produção just-in-time2 (Button & Taylor,
2000).
Dessa forma, Sun & Schonfeld (2016) informam que o setor de aviação promove a prosperidade de uma nação, gerando uma extraordinária atividade econômica e criando milhões de empregos.
Tendo conhecimento do seu valor, o setor aeroportuário tem se preocupado
principal-2Sistema de administração da produção que determina que nada deve ser produzido, transportado ou comprado antes da
mente com o envelhecimento da infraestrutura e com o congestionamento nos principais aeroportos mundiais. Essa problemática tem sido objeto de estudo por economistas, for-muladores de políticas e engenheiros de transporte, para a tomada de decisões, tais como, a quantidade e qualidade do investimento que devem ser empregado no setor. Sendo assim, Sun & Schonfeld (2016) indicam que as decisões para o desenvolvimento de um aeroporto são críticas e difíceis porque:
1. Investimentos de capital substanciais são necessários e geralmente são irreversíveis; 2. As instalações do aeroporto possuem funções de desempenho complexas, por exem-plo, o nível de atraso, como função não linear da taxa de utilização da capacidade; 3. Vários fatores práticos, como as economias de escala e a morosidade nas construções,
são essenciais para dimensionar a expansão e determinar a frequência de voos; 4. O desenvolvimento de um aeroporto pode ter impactos sociais, econômicos e
ambi-entais signi cativos.
Isso posto, nota-se que ao longo dos últimos 50 anos, a aviação civil cresceu drama-ticamente em todo mundo, e devido ao crescimento da demanda neste setor, os conges-tionamentos foram inevitáveis. Gillen et al. (2016) informam que os atrasos nos voos, os cancelamentos e as perdas de conexões impõem custos signi cativos, estimados em mais de US$ 36 bilhões só nos Estados Unidos, no ano de 2007. Desses custos, aproximada-mente 25% (US$ 8,3 bilhões) foram diretos para as companhias aéreas, e 50% (US$ 16,7 bilhões) foram absorvidos pelos passageiros.
No entanto, há estimativas de que haja importantes investimentos nos aeroportos na maioria das regiões do mundo. Por exemplo, entre 2017 e até o nal de 2021, cerca de US$ 1 trilhão serão investidos em aeroportos novos e existentes em todo o mundo, sendo a região da Ásia-Pací co responsável por cerca de 40% desse investimento. Ademais, as estimativas mostram que pelo menos US$ 2 trilhões serão investidos na infraestrutura aeroportuária até 2030 (Boeing, 2017).
À medida que a indústria evoluiu desde sua infância, na década de 1940, até o início da idade do jato, o número de passageiros que viajam anualmente cresceu de cerca de 100 milhões em 1960 para pouco mais de 1 bilhão em 1987. Levou 18 anos para dobrar a 2 bilhões de passageiros, e apenas mais 7 anos para crescer a 3 bilhões. Espera-se que a trajetória ascendente continue, especialmente em regiões como China, Índia e Sudeste Asiático, à medida que essas economias se expandem e mais pessoas escolhem a via aérea. Essa evolução é ilustrada na Figura 2.2.
Figura 2.2: Evolução do número de passageiros no setor aéreo Fonte: Adaptado de Boeing (2017)
Será contínua a evolução de uma demanda robusta a longo-prazo com uma taxa média de crescimento de passageiros de 4,7% ao ano, durante os próximos 20 anos. Nas próximas duas décadas, o rápido crescimento no mercado interno da China o tornará o maior mercado doméstico do mundo e o tráfego na Ásia deverá se tornar o maior mercado de viagens. A localização central das companhias aéreas no Oriente Médio permite que eles liguem muitas partes do mundo com voos one-stop3, o que ajudará a impulsionar um
crescimento maior do que a média dessas rotas. Nos mercados de aviação mais maduros, como a América do Norte e a Europa, as taxas de crescimento interno estão abaixo da média global; desta forma, aumentar as conexões com os mercados emergentes oferece mais oportunidades de crescimento. Esses diferentes per s de crescimento resultam em um mercado de viagens aéreas cada vez mais diversi cado. Há vinte anos, a maioria dos passageiros utilizava companhias aéreas com base na Europa ou América do Norte, mas hoje esse número diminuiu para 48%, e em 2036, será de 36% (Boeing, 2017).
Ademais, em estudo realizado pela Boeing (2017), é visto que o gasto dos consumidores em viagens e turismo continua a crescer, e que, de acordo com a Organização Mundial de Turismo, as chegadas de turistas internacionais cresceram 3,9% em 2016, mais rápido do que o crescimento geral do PIB. Como o tráfego de passageiros aéreos, o turismo global cresceu de forma sustentável desde a crise nanceira (mais de 300 milhões de turistas internacionais em 2016) em relação ao conjunto de registros anteriores à crise de 2008. Essa tendência deverá continuar com a contribuição direta do PIB global, que poderá
