MODELO PARA O FLUXO AREO DE CARGA TRANSPORTADA ENTRE AS

CIDADES BRASILEIRAS: ABORDAGEM COM DADOS EM PAINEL

Manoela Cabo da Silva

Elton Fernandes
Ronaldo Balassiano
Mrcio Peixoto de Sequeira Santos
Universidade Federal do Rio de Janeiro
Programa de Engenharia de Produo e de Transportes

RESUMO
A importncia do setor de carga area e sua relao com o processo de desenvolvimento da economia ratificam a
importncia da realizao de um estudo dos fluxos de carga movimentada por meio do transporte aerovirio no
Brasil. O objetivo desse trabalho descrever um modelo estatstico que representa o fluxo areo de carga entre
cidades, possibilitando seus dimensionamento e previso. Foi proposta uma anlise emprica para o caso da carga
de poro entre cidades brasileiras, com anlise exploratria para desenvolvimento de uma base de dados com
variveis significativas, tanto macroeconmicas quanto do setor areo. Posteriormente se prope um modelo
baseado na anlise multivariada e nos estudos dessas sries temporais resultantes da pesquisa. Nesse contexto,
verifica-se que a carga transportada pode ser explicada estatisticamente tanto pelo seu passado histrico quanto
por outros fatores, utilizando a metodologia de dados em painel autorregressivo de efeito fixo, para
acompanhamento e tratamento dessas informaes e suas correlaes ao longo do tempo.

ABSTRACT
The importance of the air cargo industry for commodities transportation and economic development indicates the
need for studies on cargo flow via air transit. The aim of this work is to develop a statistical model for air cargo
flow between cities, making it possible to scale and forecast it. This article proposes an empirical analysis of air
cargo holds between Brazilian cities as an exploratory analysis for database development with significant variables
in both macroeconomics and the aviation industry, and proposes a model based on multivariate analysis and time
series studies resulting from the research. In this context, the cargo can be explained statistically by its historical
past and other factors using autoregressive data panel methodology, for the monitoring and handling of such
information and its correlations over time.

Palavras-chave: Transporte areo de carga, Dados em painel, Sries Temporais, Belly Cargo

1. INTRODUO
O transporte areo de cargas tem sido objeto de grande interesse para diversas empresas do
setor pblico e privado, em todas as partes do mundo, nas linhas de ligaes domsticas e
internacionais. Com o aumento da globalizao e um mercado em acirrada competio, cada
vez mais empresas necessitam oferecer o melhor preo com o menor tempo de entrega da
mercadoria. Dessa forma, a maior utilizao da logstica just-in-time (JIT) vem contribuindo
para alavancar o setor de carga area (Azadian, Murat, & Chinnam, 2012). Esse estudo ser
desenvolvido em um cenrio em que o transporte areo de carga est em pleno desenvolvimento
e dobra seu volume a cada 10 anos, desde 1970 (Chang, Yeh, & Wang, 2007). Alm disso,
segundo o World Air Cargo Forecast (WACF), publicado pela Boeing, a previso para o trfego
areo mundial de carga de crescimento mdio de 4.7% ao ano, nos prximos 20 anos, e a
receita de toneladas por quilmetros ser o dobro do observado em 2013 (Boeing, 2015).

O Brasil, com extenso territorial de 8,5 milhes Km e 204 milhes de habitantes em 2015, de
acordo com o IBGE (Instituto Brasileiro de Geografia e Estatstica), est classificado como a
quinta maior superfcie e a quinta maior populao mundial. Um pas com essa magnitude
necessita de um sistema de transportes eficiente para o carregamento de bens, que permita a
integrao efetiva do territrio nacional e internacional de acordo com a atividade econmica
exercida por essa nao. Alm disso, segundo a ANAC, existem cerca de 4.000 aeroportos e
aerdromos no Brasil, sendo 721 com pistas pavimentadas, incluindo as reas de desembarque.
O pas tem o segundo maior nmero de aeroportos em todo o mundo, atrs apenas dos Estados
Unidos.

Segundo o Anurio do transporte areo de 2014, da ANAC, a quantidade de carga paga

transportada no mercado domstico, em toneladas, registrou crescimento mdio de 3,6% ao ano
nos ltimos dez anos, com incremento de 37% desde 2005. Pode-se observar na Figura 1, que
em 2014, 410,6 mil toneladas foram transportadas no mercado domstico. No mercado
internacional, a quantidade de carga paga transportada vem registrando crescimento mdio de
3,8% ao ano, nos ltimos dez anos e atingiu 792,3 toneladas nesse mesmo ano, o que
representou alta de 40,2% desde 2005, totalizando um crescimento de 39,2% nos dois
mercados.

Figura 1: Evoluo da quantidade de carga area paga transportada mercados domstico e

internacional, 2005 a 2014. (ANAC Anurio do transporte areo 2014)

No ano de 2014 o Brasil sediou a Copa do Mundo e em 2016 sediar as Olimpadas, com dois
eventos de to grande impacto para o fluxo de pessoas, em to curto prazo, indito para esse
pas, houve uma grande demanda de pesquisa sobre fluxo areo de passageiros, sobretudo para
o dimensionamento de aeroportos para essa recepo e forte interesse do governo no
desenvolvimento dessa estrutura. No obstante, os estudos sobre transporte aerovirio de cargas
foram poucos.

Com base nessas informaes, diante de um setor promissor, com perspectiva de crescimento,
que est em pleno desenvolvimento e acumula com forte tendncia de alta desde 2005 (Figura
1) e com escassez de pesquisas e aplicao de tcnicas de modelagem avanadas, mundialmente
e em especial no Brasil, que esse artigo foi desenvolvido. Os resultados podero servir de
subsidio para tomada de deciso dos diversos setores da economia e tambm como insumo para
novas pesquisas.

Nesse sentido, desenvolver modelos de identificao, dimensionamento e previso do fluxo de

carga area transportada entre as cidades brasileiras de suma importncia para a avaliao da
capacidade dos principais aeroportos brasileiros. Tambm para aferir as condies do setor e
oferta de servios areos, para o desenvolvimento da economia global e local, para escolha do
modal a ser utilizado, redimensionamento de volume e tempo para transporte das mercadorias
entre as diversas cidades brasileiras e da anlise de diversos outros fatores.
Outro aspecto avaliado nesse trabalho foram as ligaes areas operadas, permitindo identificar
a posio especfica de cada cidade brasileira em funo da quantidade de carga movimentada,
relacionando os aeroportos com os municpios. As ligaes areas domsticas representam no
s um importante meio clssico de interconexo entre cidades, sobretudo com a extenso
territorial do Brasil, com a caracterstica da carga transportada, bem como o tempo para chegada
ao destino da carga e o canal da conectividade do territrio com os fluxos internacionais.

Com essa finalidade foi proposto um modelo estatstico para o fluxo areo de carga transportada
entre as linhas de ligao, podendo ser o aeroporto ou a cidade, de forma que possibilite o
dimensionamento e previso desse fluxo. A metodologia foi desenvolvida com base na anlise
emprica do caso do transporte areo de carga de poro, ou belly cargo, entre as cidades
brasileiras. Foi considerada toda a especificidade do setor, diante de um pas com dimenses
continentais.

Como primeiro passo, foi desenvolvida uma a pesquisa e identificao de variveis

significativas, tanto macroeconmicas, geogrficas e do setor areo, para criao de uma base
de dados adequada finalidade do estudo. Em seguida, aps vrias simulaes, foi proposto
um modelo, baseado na anlise multivariada e nos estudos dessas sries temporais resultantes
da pesquisa, para estimar o fluxo areo de carga. Nesse contexto, movimentao de carga pode
ser explicada estatisticamente por outros dados socioeconmicos e demogrficos, alm de seu
passado histrico.

Para atingir esse objetivo, foi utilizada a metodologia de dados em painel autorregressivo com
efeito fixo, autoregressive panel data, ou dados longitudinais, para o acompanhamento e
tratamento dessas informaes e suas correlaes ao longo do tempo.

2. REVISO DA LITERATURA
Os estudos do fluxo de carga area so escassos, a maior parte dos estudos est concentrada na
identificao e previso do fluxo de passageiros, no entanto, internacionalmente, o transporte
de carga cresceu 50% mais rpido que o transporte de passageiros entre 1995 e 2004 (Wong,
Zhang, Hui, & Leung, 2009). Antes de meados da dcada de 1980, as pesquisas sobre transporte
areo de carga, concentravam-se basicamente na descrio dos sistemas, o processo
operacional, e no desenvolvimento dessa indstria. Esta afirmao bibliogrfica est bem
demonstrada no trabalho Operaes de carga area: reviso da literatura e comparaes
prticas (Feng, Li, & Shen, 2015). Desde ento, houve uma demanda crescente de estudos que
examinaram mtodos de deciso quantitativos, utilizando modelos matemticos, para as
operaes de carga area em resposta ao crescimento desse mercado e o surgimento de novas
tcnicas estatsticas para esse propsito.

No caso de passageiros, (Brueckner, 1985) realizou uma anlise emprica do mercado utilizando
variveis socioeconmicas e demogrficas, como tamanho, emprego e renda das regies
metropolitanas que influenciam o transporte de passageiros nos Estados Unidos. Ele descobriu
que existe uma relao proporcional entre populao e passageiros de uma cidade, e tambm
deu a primeira viso emprica entre o trfego areo e essas variveis. Guiados por esse trabalho,
outros estudos foram realizados para reexaminar os efeitos das caractersticas do emprego e a
dimenso urbana no trfego do aeroporto nos EUA e no Canad, mas descobriram que as
relaes entre o trfego areo e as caractersticas econmicas estudadas por Brueckner
permaneciam inalteradas.

Como relatado anteriormente, o transporte de carga area, tem recebido menos ateno na
literatura, embora as expectativas de influncia das determinantes socioeconmicas e
demogrficas tambm afetem o transporte de carga, pois o fluxo de carga se conecta demanda
das cidades (Lakew, 2015). Seguindo a mesma linha de pensamento, Kasarda & Green (2005)
analisam o papel que a carga area desempenha no desenvolvimento econmico e que fatores
condicionam o seu impacto, por exemplo o produto interno bruto per capita. Em seguida,
utilizaram MLG (modelos lineares generalizados) para avaliar os efeitos de investimento
estrangeiro e produto interno no transporte de carga para alguns pases do mundo. Enquanto
isso Chang et al. (2007) aplicou testes de causalidade de Granger para examinar a relao
causal entre a expanso da carga area o crescimento econmico, em Taiwan, para o perodo
1974-2006 e mostraram que existe esse equilbrio com base testes aplicados.

Grande parte dos estudos examinam a relao do PIB com o transporte areo de passageiros,
Fernandes & Pacheco (2010) examinam a relao causal entre o crescimento econmico e o
transporte areo de passageiros domsticos no Brasil, utilizando tambm o teste de causalidade
de Granger. O total de passageiros-quilmetro utilizado como um proxy para a procura de
transporte areo e o PIB como um proxy para o crescimento econmico. No caso de Lakew
(2015), o artigo avalia os impactos da dimenso urbana, emprego e renda sobre o trfego areo
de passageiros e carga entre as cidades. Alm de diferenas especficas de cada cidade, que
podem influenciar os controladores de trfego areo, baseado em um painel trimestral
aplicado s reas metropolitanas dos Estados Unidos. No caso da China, Hu et al. (2015)
utilizam dados em painel para o fluxo areo de passageiros enquanto Button & Yuan (2013)
utilizaram a mesma metodologia analogamente para a carga.

Em relao a essa breve reviso bibliogrfica, observou-se que existem poucos estudos sobre
previso de fluxo de carga area entre cidades, sobretudo utilizando dados em painel auto
regressivos, em especial quando aplicado ao mercado brasileiro. Desta forma considera-se que
a contribuio desse artigo para o mercado de carga area e para o desenvolvimento de novas
pesquisas, pode ser significante, alm de preencher uma lacuna na literatura identificada na
literatura acerca do assunto.

3. DESCRIO DOS DADOS

A deciso de desenvolver um modelo para o fluxo de carga das ligaes areas surgiu aps
observar que o maior volume de carga paga transportada est entre as cidades de Manaus e So
Paulo e vice-versa, Figura 2, os dois maiores polos produtores do Brasil, de acordo com a
pesquisa industrial mensal produo fsica, PIM-PF, divulgada pelo IBGE, ou seja, a maior
produo industrial regional brasileira se localiza exatamente nessas duas regies.
Figura 2 Maiores volumes carga area paga transportada entre cidades do Brasil. (ANAC)

3.1. Criao do banco de dados

Com base na literatura elencada na Seo 2, iniciou-se a seleo de variveis para criao do
banco de dados e montagem de painel em corte transversal, levando em considerao a srie
temporal de cada uma delas. Primeiramente, procedeu-se anlise exploratria dos dados.
Posteriormente, ama anlise das variveis explicativas que poderiam fazer parte do modelo, no
obstante a varivel a ser explicada ou dependente ser a a carga area paga.

Optou-se por utilizar uma modelagem estatstica multivariada para captar os efeitos quando se
observa simultaneamente ou as relaes existentes entre as mesmas. Foram selecionadas e
estudadas diversas variveis do setor areo de transporte e macroeconmicas, para analisar suas
distribuies e a influncia que esses dados agregam modelagem e eventuais problemas de
multicolinearidade.

Aps essa anlise, criou-se um banco de dados com as sries histricas dessas variveis.
Finalizada a estruturao desse banco, verificou-se que as informaes apresentavam repetidas
observaes cross section, ou seja, a carga paga e as variveis explicativas, so medidas ao
longo do tempo e essas observaes, por causa dessas caractersticas, so correlacionadas,
necessitando de tcnicas estatsticas para tratar essa dependncia. Diante desse fato optou-se
por aplicar o conceito de dados em painel, panel data ou dados longitudinais. Procedendo a
estimao de um modelo, atendendo todos os pressupostos e suas particularidades.

3.2. Descrio das informaes

Antes da presuno do modelo final, foram includas e simulados inmeros modelos contendo
distintas variveis macroeconmicas, como PIB, taxa de cmbio e juros entre outras; variveis
demogrficas, como populao e distncia entre as cidades; e do setor areo, por exemplo,
payload, decolagens, distncia. Mas esta seo, ateve-se descrio apenas dos dados que
foram utilizados no modelo proposto. Todas as informaes elencadas abaixo esto esturradas
em horizonte temporal anual e cada dado observado entre a cidade de origem da carga paga e a
cidade de destino.

A carga area paga transportada, varivel explicativa objeto desse trabalho, refere-se
quantidade total, expressa em quilogramas, de todos os bens que tenham sido transportados na
aeronave, exceto correio e bagagem, e tenham gerado receitas direta ou indireta para a empresa
area. Essa carga transportada no poro das aeronaves, denominada belly cargo.

A varivel PIB real dos municpios foi construda a partir de dados nominais provenientes do
Instituto Brasileiro de Geografia e Estatstica (IBGE), trazidos a valor presente pela aplicao
do ndice Nacional de Preos ao Consumidor Amplo (IPCA), a ltima informao divulgada
pelo IBGE o PIB municipal de 2013.

Quanto aos dados referentes ao setor areo, eles provm da Base de Dados Estatsticos do
Transporte Areo, disponibilizada pela Agncia de Aviao Civil (ANAC) divulgados
periodicamente, foram obtidos mediante a manipulao desta base de dados, acumulados de
forma anual contemplado na amostra at as informaes do fechamento de 2015. Trata-se de
um banco de dados amplo, cujas extenso e diversidade permitem diversos experimentos em
estudos empricos de transporte areo. As variveis utilizadas foram, nmero de decolagens, a
distncia voada entre as cidades de origem e destino e o payload.

As estatsticas descritivas para as variveis contnuas foram realizadas, inclusive para testar as
suposies do modelo, sendo que nenhuma dessas variveis apresenta mdia negativa. No
entanto, a modelagem economtrica permitir evidenciar que algumas dessas variveis podero
apresentar impacto negativo sobre a determinao do valor da carga paga transportada,
notadamente a parte auto regressiva incorporada ao modelo.

4. METODOLOGIA
O modelo de dados em painel autorregressivo com efeito fixo, utilizado nesse trabalho, foi
sugerido aps identificar similaridade com o modelo gravitacional tradicional e suas extenses.
O modelo gravitacional padro (MG), prev que a interao entre duas aglomeraes ser
diretamente proporcional ao produto de suas massas, definidas de acordo com a natureza do
fluxo, e inversamente proporcional a suas distncias. Esse modelo foi aprimorado e aplicado ao
transporte areo de carga (Hwang & Shiao, 2011), que indicou o seguinte modelo economtrico,
de forma reduzida ao modelo gravitacional estendido:
Tijt= + 1 ln Yit Yjt + 2 ln Nit Njt + 3 ln Dij +4 ln Fijt + 5 ln Rijt +6 DMj + 7 OSAj
+ 8 COLj + ij (1)
em que i e j so o aeroporto de origem e de destino;
Tijt o volume total de carga transportadas entre os aeroportos i e j; no ano t;
Y PIB per capita e N a populao do pas onde o aeroporto est localizado
Dij a distncia entre dois aeroportos;
Rijt corresponde ao custo mdio do frete de mercadorias na rota;
Fijt a frequncia de voo do servio de carga area entre os aeroportos;
DMJ , OSAj, e COLj so variveis dummies especficas dos aeroportos.
Em seguida da Silva & de Almeida DAgosto (2013) sugere um modelo de gravidade restrita
para estimar a origem-destino da matriz para o fluxo de exportao brasileira de soja,
combinado com tcnicas de otimizao multi- objetivos para garantir o equilbrio da
Matriz. O modelo de fcil aplicao e auxilia no planejamento estratgico de transporte para
a exportao de produtos de soja do Brasil, desde que a configurao de cadeia de fornecimento
conhecida e os erros percentuais absolutos so monitorizados ao longo do tempo.

Com base nesses referenciais, decidiu-se desenvolver uma modelagem, no s entre os

aeroportos de origem e destino, mas entre as cidades brasileiras, ou seja, sumarizando-se esses
aeroportos por cidade. Utilizou-se o passado histrico da srie e os dados demogrficos e
socioeconmicos dessas cidades, como variveis, sendo observada a correlao temporal.

Estas tcnicas somente podem ser aplicadas separadamente cada varivel, para solucionar
esse problema, foram utilizadas tcnicas de estatstica multivariada, o objetivo foi incorporar
todas as variveis na interpretao terica do conjunto de dados, para compreender as relaes
entre diversas variveis.

4.1 Dados em painel

Como existe dependncia temporal da variveis explicativas e fator autorregressivo, utilizou-
se a tcnica de dados em painel ou panel data e so definidos por apresentarem repetidas
observaes de um determinado conjunto de unidades em cross section. Isto , as variveis de
interesse, preditora e explicativas, so medidas em diferentes ocasies, geralmente ao longo do
tempo, para um mesmo indivduo ou elemento. Em estudos longitudinais as observaes de um
indivduo ao longo do tempo so correlacionadas, tornando-se assim necessrias tcnicas
estatsticas que considerem esta dependncia (Twisk, 2013). O modelo linear padro utilizado
para dados longitudinais pode ser definido por:
= + (2)
Em que,

= , = , = , = . (3)

Sendo,

= 1, , ,
= , = , = , (4)
= 1, , .

Os pressupostos assumidos por este modelo correspondem aos definidos pelo modelo clssico
de regresso linear mltipla, sendo que este no utiliza estrutura de dados em painel. De tal
modo, os erros devero ser independentes e identicamente distribudos, alm de
homocedsticos, ou seja, para um determinado indivduo, as observaes so no-
correlacionadas e, entre indivduos e tempo, a varincia do erro constante. Entretanto, a
vantagem de utilizar os dados na estrutura de painel obter a anlise do comportamento dos
indivduos ao longo do tempo, implicando na existncia de diferenas entre os mesmos (Frees,
2004).

Assim, um novo modelo proposto, no qual h uma estrutura diferenciada para o termo de erro,
assumindo que as diferenas entre as unidades podem ser captadas atravs de diferenas no
termo constante:
 = + , (5)
= + ,
~ (0, ).
Ento, a equao se resume em:
= + + . (6)

Nesta formulao, representa o efeito individual, possuindo variao entre indivduos e

constncia ao longo do tempo, enquanto varia independentemente do indivduo ou tempo.
Com um modelo caracterizado desta forma, torna-se simples capturar a heterogeneidade entre
indivduos (JOHNSTON, 1988). Este modelo, porm, pode se segmentar em outros de acordo
com as suposies feitas sobre o efeito individual.

Uma classe consiste no modelo de efeitos aleatrios, no qual o efeito individual no

correlacionado com as variveis explicativas. Isto implica na aleatoriedade deste efeito, no
sendo influenciado pelas covariveis do modelo. Outra trata do modelo de efeitos fixos, que
considera a existncia de correlao entre o efeito individual e as variveis independentes do
modelo. Neste caso, o efeito no ocorre ao acaso, mas sim de acordo com as covariveis,
tornando-o fixo. Para o nosso artigo ser utilizado o efeito fixo

Os modelos citados possuem grande flexibilidade por considerarem as diferenas entre

indivduos em sua abordagem. Entretanto, esta heterogeneidade incorporada apenas no
intercepto do modelo, em ambos os casos. Isto significa que a possibilidade de existirem
diferenas entre indivduos para cada varivel explicativa utilizada do modelo no est sendo
levada em considerao. Uma abordagem mais completa seria, portanto, adicionar a hiptese
de variao do vetor paramtrico B entre indivduos aos modelos existentes. A formulao se
tornaria:
= + , = 1, = 1, , (7)
Em que, denota o termo de erro aleatrio;
um vetor com K variveis independentes;
um vetor paramtrico de dimenso Kx1.

5. RESULTADOS EMPRICOS
A quantidade de informaes utilizadas, ano de incio e fim do painel do modelo so restritas,
iniciando em 2003 e finalizando em 2013, principalmente pela disponibilidade dos dados das
cidades de origem e destino. O Brasil tem hoje 2.498 aeroportos e aerdromos (locais sem
terminais de passageiros), sendo 739 pblicos e 1.759 particulares, conforme dados da ANAC,
comparando com os registros da Organizao Internacional da Aviao Civil (ICAO), isso
significa o segundo maior nmero de aeroportos do mundo, atrs apenas dos Estados Unidos,
que tm 16.507 locais para pouso e decolagem de aeronaves. Sendo assim, pode-se observar a
dificuldade para coletar essas informaes.

5.1. Variveis selecionas

O painel foi construdo com as informaes entre as cidades de origem e destino em seces
transversais de dados anuais. Aps aplicao de tcnica de estatstica multivariada, as sries
significativas e includas no modelo so: a carga paga de poro ou belly cargo; a distncia entre
as cidades; a quantidade de decolagens; o payload e o PIB das cidades. Nota-se, aps a anlise
exploratria das variveis, algumas cidades com nveis relativamente baixos de fluxo de carga,
ainda assim esto includas na amostra. Aps a aplicao das restries para tratamento dos
dados, foi formado um unbalaced panel, ou painel no balanceado, em que o nmero de
perodos de tempo no o mesmo para todos os indivduos.

Tabela 1: Definio de Variveis

Varivel Definio
Carga Paga Quantidade total, em quilogramas, d os bens que tenham sido transportados na aeronave,
exceto correio e bagagem, e tenham gerado receitas direta ou indireta para a empresa area;
Distncia Refere-se distncia, expressa em quilmetros, entre os aerdromos de origem e destino da
etapa, considerando a curvatura do planeta Terra;
Decolagens Nmero de decolagens que ocorreram entre os aerdromos de origem e destino da etapa;
Payload a capacidade total de peso na aeronave, expressa em quilogramas, disponvel para efetuar o
transporte de passageiros, carga e correio;
PIB Produto Interno Bruto (PIB) municipal do Brasil segundo o IBGE

5.2. Modelo Ajustado

Estimou-se um modelo longitudinal dos dados estticos com efeito fixo (Static Painel Data,
fixed efects). Foram includas algumas dummies de tempo conforme proposto por (Hwang &
Shiao, 2011), no entanto, no foram significativas para o modelo. Identificaram-se picos na
FACfuno de autocorrelao para defasagens 1 a 3, que sugere um Modelo Autorregressivo
de ordem 2, sendo assim foi includo o termo AR(1) e AR (2).

O painel esttico de efeito fixo considera que heterogeneidade caracterstica entra as variveis
selecionadas para o estudo do fluxo de carga constante e impacta somente do intercepto, seja
em um determinado instante ou ao longo do tempo. Escolha por efeito fixo ao invs de varivel
deu-se, pois, as variveis explicativas no estavam correlacionadas com o termo erro, para esse
propsito foi utilizado um teste qui-quadrado para independncia.

De acordo com o exposto na seo 3, foram selecionadas diversas variveis do setor areo,
socioeconmicas e demogrficas para concepo de um banco de dados com cortes
transversais. Foram simulados diversos modelos, incluiu-se e retirou-se variveis ao modelo,
para verificar qual o melhor modelo ajustado. Outro ponto foi a incluso do termo
autorregressivo de ordem 2 ao modelo, identificou-se pico nos lags 1 e 2 da funo de
autocorreo (FAC).

Sendo assim, segue abaixo, o modelo que melhor se ajustou para identificao do fluxo areo
de carga semanal entre as cidades brasileiras. As variveis de carga e decolagens foram
divididas por 52 para obter o resultado de simples anlise, dado volume, em quilogramas, de
carga transportada, essa diviso por uma varivel no afeta o modelo:
, = + , + , + , + , + ( ) , + (1) , +
(2) , + , (8)
Em que i: cidade de origem
j: cidade de destino
C: logaritmo da carga paga semanal;
: constante, efeito fixo;
: coeficientes da regresso;
: logaritmo PIB da cidade de origem multiplicado pelo da cidade de destino;
: logaritmo da frequncia de decolagens semanal entre as cidades;
: logaritmo do Payload das aeronaves dividido pela quantidade de decolagens;
D: logaritmo da distncia de i e j dividido pela quantidade de decolagens;
 AR(1): termo autorregressivo de ordem 1(Ct-1);
AR(2): termo autorregressivo de ordem 1(Ct-2); e
representa o termo de erro aleatrio

Depois da estimao do modelo, as variveis, os seus coeficientes correspondentes estimados

para o modelo baseado na Equao 8 foram descritos na Tabela 1. Tambm nessa tabela, est
o resultado do teste t, demostrados atravs dos p-valores correspondentes. Todos os coeficientes
apresentados so significativos com nvel de confiana de 95% de probabilidade.

Tabela 2: Regresso varivel dependente Carga paga

Variveis Coeficiente p-valor
Constante -6,0328 0,000
PIB 1 0,0174 0,012
F 2 0,0192 0,000
P 3 0,0524 0,000
D 4 0,2341 0,000
C (-1) 5 0,8080 0,000
AR(1) -0,1724 0,000
AR(2) -0,1216 0,000

Conforme descrito, aps simular diversos modelos, foram selecionados os modelos que
possuam o maior R2 e R2 ajustado, outro critrio de escolha para o modelo, foi aquele que
possua o menor critrio de informao AIC (Akaic Information Criteria) e BIC (Baysiano
Information Criteria), que leva em considerao a quantidade de parmetros, ou seja, modelo
parcimonioso, vis a vis a minimizao da soma dos erros da regresso. O resultado dessas
anlises, para o modelo selecionado est na Tabela 3. Aps selecionar-se o modelo, foram
verificados resduos para atender os pressupostos da anlise, como normalidade
homogeneidade, para detectar a presena de autocorrelao (dependncia) nos resduos foi
utilizado teste de Durbin-Watson, com um nvel de significncia de 5%, no rejeitamos H0,
assim, dizemos que os resduos so independentes.

Tabela 3 Anlise das estatsticas e critrios de seleo

Resultados dos testes
R2 0,852332
R2 Ajustado(ln) 0,852119
F-Statistic 4004.075
Prob(F-Statistic) 0,00000
AIC 3,294740
BIC 3,305414
Durbin Watson Statistic -0,1216

5.3. Previses
Depois a formulao do modelo para o fluxo de carga area transportada semanalmente, poder-
se- dimensionar e fazer previses desse fluxo. Para isso realizou-se uma previso dentro da
amostra, que considera todas as informaes disponveis para estimar o modelo e verificar o
poder preditivo em relao s observaes dentre da prpria amostra. Processaram-se as
previses e foram comparadas com os dados observados, foram vrios pares de ligao entre
as cidades, dobrando em nmero, pois considera o fluxo de ida e de volta, por exemplo, na
ligao ente Manaus e Campinas, considerado Manaus-Campinas e Campinas-Manaus
Florianpolis X So Paulo Vitria x So Paulo
11.000 12.000
10.500
10.000 11.000
Log(carga paga semanal)

Log(carga paga semanal)

9.500
10.000
9.000
8.500 9.000
8.000
7.500 8.000
7.000 Previso Previso
7.000
6.500 Observao Observao
6.000 6.000
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013

Manaus x Campinas So Paulo x Macei

12.000 10,50

10.000 10,00
Log(carga paga semanal)

Log(carga paga semanal)

8.000 9,50

6.000 9,00
Previso
4.000 8,50
Observao Previso
2.000 8,00
Observado
0 7,50
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013

Figura 4 Grficos das observaes versus previses para os pares de cidades

Como exemplo, selecionou-se uma pequena amostra de quatro pares de cidades, Figura 4, em
que pode-se notar um boa aderncia das previses aos dados observados. Na totalidade das
comparaes, pode-se observar que o modelo suaviza os dados, sendo um bom indcio, pois
minimiza o erro de previso. Esse tipo de grfico tambm pode servir como um backtesting, ou
seja, uma validao do modelo retro medio, validao cruzada aplicada s sries temporais.

6. CONCLUSES
Este artigo apresentou um modelo explicativo para o fluxo semanal de carga area. Ele pode
ser utilizado para estimar o volume transportado semanalmente entre pares de cidades
brasileiras. Para atingir esse objetivo, aplicou-se a tcnica de dados em painel autorregressivo
com efeito fixo. Sendo assim, a movimentao de carga pode ser explicada utilizando variveis
geoeconmicas, tais como PIB, payload, distncia e nmero de decolagens entre as cidades,
como fatores independentes, alm do seu passado histrico.

Foram realizadas diversas previses dentro da amostra considerada, para analisar a srie do
fluxo de carga. Na grande maioria dos pares de cidades verificou-se que h tendncia de
crescimento nesse movimento entre os municpios brasileiros. Alm de retratar o fluxo de
cargas semanal nas rotas areas entre as diversas cidades do Brasil, o trabalho mostrou ser
possvel recorrer a um modelo nico, de fcil aplicao, podendo ser utilizado por diversos
segmentos, para medir a capacidade de transporte do volume carga, alm de mapear e analisar
as mudanas operadas nesses fluxos de mercadorias. Alm disso o modelo permite verificar
como esto flutuando esses fluxos ao longo do tempo, alm de prospectar o futuro desses
mesmos fluxos, ou seja, fazer previses, com base em tcnica estatstica apropriada para esse
propsito. Destaca-se finalmente que o trabalho poder contribuir para subsidiar a elaborao
de polticas pblicas e privadas para o setor de carga area, para a melhoria da movimentao
dessas cargas entre cidades e ainda para o desenvolvimento econmico dessas regies.
REFERNCIAS BIBLIOGRFICAS
AGNCIA NACIONAL DE AVIAO CIVIL ANAC , Anurio do transporte areo 2014.
www.anac.gov.br/estatistica/anuarios
IBGE INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATSTICA, Pesquisas: Pesquisa industrial mensal
produo fsica, PIM-PF; Contas Nacionais Municipais; Redes e Fluxos do Territrio, Ligaes Areas
2010. Rio de Janeiro, Brasil.
Azadian, F., Murat, A. E., & Chinnam, R. B. (2012). Dynamic routing of time-sensitive air cargo using real-time
information. Transportation Research Part E-Logistics and Transportation Review, 48(1), 355-372.
doi:10.1016/j.tre.2011.07.004
Boeing, C. (2015). Biannual World Air Cargo Forecast (WACT) 20142015 Retrieved from
www.boeing.com/commercial/cargo
Brueckner, J. K. (1985). A NOTE ON THE DETERMINANTS OF METROPOLITAN AIRLINE TRAFFIC.
International Journal of Transport Economics / Rivista internazionale di economia dei trasporti, 12(2),
175-184.
Button, K., & Yuan, J. Y. (2013). Airfreight Transport and Economic Development: An Examination of Causality.
Urban Studies, 50(2), 329-340. doi:10.1177/0042098012446999
Chang, Y.-H., Yeh, C.-H., & Wang, S.-Y. (2007). A survey and optimization-based evaluation of development
strategies for the air cargo industry. International Journal of Production Economics, 106(2), 550-562.
da Silva, M. A. V., & de Almeida DAgosto, M. (2013). A model to estimate the origindestination matrix for
soybean exportation in Brazil. Journal of Transport Geography, 26, 97-107.
Feng, B., Li, Y., & Shen, Z.-J. M. (2015). Air cargo operations: Literature review and comparison with practices.
Transportation Research Part C: Emerging Technologies, 56, 263-280.
Fernandes, E., & Pacheco, R. R. (2010). The causal relationship between GDP and domestic air passenger traffic
in Brazil. Transportation Planning and Technology, 33(7), 569-581. doi:10.1080/03081060.2010.512217
Frees, E. W. (2004). Longitudinal and panel data: analysis and applications in the social sciences: Cambridge
University Press.
Hu, Y., Xiao, J., Deng, Y., Xiao, Y., & Wang, S. (2015). Domestic air passenger traffic and economic growth in
China: Evidence from heterogeneous panel models. Journal of Air Transport Management, 42, 95-100.
Hwang, C. C., & Shiao, G. C. (2011). Analyzing air cargo flows of international routes: an empirical study of
Taiwan Taoyuan International Airport. Journal of Transport Geography, 19(4), 738-744.
doi:10.1016/j.jtrangeo.2010.09.001
Johnson, R. A., & Wichern, D. W. (2002). Applied multivariate statistical analysis (Vol. 5): Prentice hall Upper
Saddle River, NJ.
Johston, J. (1988). ECONOMETRIC METHODS, 3RD EDITION. Journal of Applied Econometrics, 3(3), 252-
254.
Kasarda, J. D., & Green, J. D. (2005). Air cargo as an economic development engine: A note on opportunities and
constraints. Journal of Air Transport Management, 11(6), 459-462.
Lakew, P. A. (2015). Airport Traffic and Metropolitan Economies Determinants of Passenger and Cargo Traffic.
Transportation Research Record(2471), 58-72. doi:10.3141/2471-08
Twisk, J. W. R. (2013). Applied Longitudinal Data Analysis for Epidemiology: Cambridge University Press.
Vicini, L., & SOUZA, A. M. (2005). Anlise multivariada da teoria prtica. Santa Maria: UFSM, CCNE.
Wong, W. H., Zhang, A. M., Hui, Y. V., & Leung, L. C. (2009). Optimal Baggage-Limit Policy: Airline Passenger
and Cargo Allocation. Transportation Science, 43(3), 355-369. doi:10.1287/trsc.1090.0266