Estudos de Mercado do Aeroporto Campo de Marte

ESTUDOS DE MERCADO
RELATÓRIO 01
AEROPORTO CAMPO DE MARTE/SP

SBMT/RTE
Dezembro/2021
AEROPORTO CAMPO DE MARTE | Estudos de Mercado 2
Sumário
Figuras ..................................................................................................................................................... 5
Tabelas..................................................................................................................................................... 8
Principais abreviações e definições ......................................................................................................... 9
1 Objetivos ....................................................................................................................................... 17
SEÇÃO I – REGIÃO DE INFLUÊNCIA ........................................................................................................ 19
2 Visão geral do aeroporto ............................................................................................................... 20
2.1 Demanda atual .......................................................................................................................... 20
2.2 Descrição dos acessos e entorno do aeroporto ........................................................................ 27
2.2.1 Principais locais geradores de demanda ....................................................................... 27
2.2.2 Acessos ao entorno do Aeroporto ................................................................................ 36
2.2.3 Acessos a outros locais de destaque no entorno do Aeroporto ................................... 39
3 Definição da Região de Influência ................................................................................................. 50
3.1 Passageiros ................................................................................................................................ 50
3.2 Carga .......................................................................................................................................... 51
3.2.1 Importação e exportação .............................................................................................. 51
3.2.2 Doméstica e correios ..................................................................................................... 51
3.3 Aviação Geral ............................................................................................................................. 51
4 Análise da competição .................................................................................................................. 55
4.1 Competição intermodal ............................................................................................................. 55
4.1.1 Passageiros .................................................................................................................... 55
4.1.2 Carga aérea .................................................................................................................... 55
4.2 Competição intramodal ............................................................................................................. 55
4.2.1 Passageiros .................................................................................................................... 55
4.2.2 Carga aérea .................................................................................................................... 57
5 Aspectos demográficos e socioeconômicos .................................................................................. 58
5.1 Análise socioeconômica estadual.............................................................................................. 58
5.2 Análise socioeconômica da Região de Influência ...................................................................... 62
SEÇÃO II – PROJEÇÕES DE DEMANDA ................................................................................................... 67
6 Metodologia geral de projeção de demanda ................................................................................ 68
6.1 Preparação dos dados ............................................................................................................... 68
6.2 Seleção e parametrização do modelo de projeção ................................................................... 70
6.2.1 Definição do modelo de projeção ................................................................................. 71
6.2.2 Determinação das variáveis independentes ................................................................. 80
6.3 Projeção das variáveis ............................................................................................................... 81
6.4 Ajuste da projeção das variáveis por fatores específicos a cada fluxo ..................................... 81
6.5 Adaptação dos resultados para cálculo de outras variáveis de interesse ................................. 82
7 Projeções de tráfego de passageiros sem restrições .................................................................... 83
8 Projeção de movimentos de aeronaves comerciais de passageiros sem restrições..................... 85
9 Projeção de cargas aéreas ............................................................................................................. 88
10 Projeção de movimentos de aviação geral ................................................................................... 90
10.1 Preparação dos dados ............................................................................................................... 91
10.2 Seleção e parametrização do modelo ....................................................................................... 94
10.3 Projeção das variáveis ............................................................................................................... 97
10.4 Ajustes da projeção de demanda: divisão do mercado .......................................................... 100
10.5 Projeção do mix de aeronaves de aviação geral ..................................................................... 101
10.5.1 Mix de aeronaves por velocidade de aproximação ..................................................... 101
10.5.2 Mix de aeronaves por classe de envergadura ............................................................. 102
10.5.3 Parâmetros para o cálculo de receitas associadas à movimentação de AVG ............. 104
10.6 Projeção de passageiros de aviação geral ............................................................................... 107
11 Projeção de demandas de pico sem restrições ........................................................................... 109
11.1 Bases de dados ........................................................................................................................ 110
11.2 Demanda de pico de movimentos de pista ............................................................................. 111
11.2.1 Metodologia de projeção ............................................................................................ 111
11.2.2 Hora-pico de pista no ano base ................................................................................... 114
11.2.3 Projeção de hora-pico de pista .................................................................................... 114
11.3 Pico de ocupação do estacionamento de veículos.................................................................. 115
11.3.1 Referência de nível de serviço ..................................................................................... 116
11.3.2 Cálculo do pico de ocupação atual .............................................................................. 116
11.3.3 Projeção do pico de ocupação do estacionamento .................................................... 117
12 Projeções de demanda com restrição ......................................................................................... 118
12.1 Projeção da demanda no cenário de restrições de capacidade da RI ..................................... 118
12.2 Comparação entre demanda e restrições ambientais e sociais .............................................. 120
12.3 Comparação entre a demanda e a capacidade projetada ...................................................... 123
12.3.1 Sistema de pistas ......................................................................................................... 123
12.3.2 Sistema de Terminal de Aviação Geral (TAG) .............................................................. 126
12.4 Resultados das projeções de demanda com restrição ............................................................ 127
12.4.1 Passageiros .................................................................................................................. 127
12.4.2 Aeronaves .................................................................................................................... 129
12.4.3 Benchmarking de aviação geral ................................................................................... 133
13 Inserção do Aeroporto na malha aérea ...................................................................................... 135
I. Anexo: Referências Gerais da Tecnologia da Kido Dynamics ...................................................... 137
1 Apresentação .............................................................................................................................. 138

1.1 Visão geral ............................................................................................................................... 138
2 Metodologia ................................................................................................................................ 143
2.1 Filtros e testes de coerência dos dados brutos ....................................................................... 143
2.2 Georreferenciamento .............................................................................................................. 143
2.2.1 Malha de resolução espacial da tecnologia da Kido Dynamics ................................... 143
2.2.2 Zoneamento ................................................................................................................ 144
2.3 Reconstrução da sequência temporal de eventos .................................................................. 144
2.3.1 Projeção à infraestrutura ............................................................................................ 145
2.3.2 Classificação de eventos pela mobilidade ................................................................... 146
2.4 Extrapolação da amostra ......................................................................................................... 146
2.5 Garantia de privacidade do processo ...................................................................................... 146
3 Filtros e variáveis da plataforma ................................................................................................. 148
3.1 Data, faixa horária e tipo de métrica....................................................................................... 148
3.2 Origem e destino ..................................................................................................................... 148
3.3 Commuting .............................................................................................................................. 148
3.4 Variáveis sociodemográficas ................................................................................................... 148
3.5 Modo de transporte ................................................................................................................ 149
3.6 Duração, velocidade e distância percorrida ............................................................................ 149
3.7 Pontos de controle virtuais ..................................................................................................... 149
3.8 API (Interface de Programação de Aplicações) ....................................................................... 149
4 Descrição da base de dados ........................................................................................................ 150
4.1 Dados de antenas .................................................................................................................... 150
4.2 CDRs......................................................................................................................................... 150
4.3 Características dos usuários anônimos ................................................................................... 150
5 Referências e considerações finais .............................................................................................. 151
II. Anexo: Bases de dados utilizadas para análises de benchmark .................................................. 153
Figuras
Figura 1-1: Sequência de etapas para o Relatório de Demanda ........................................................... 17
Figura 2-1: Movimentação de passageiros no Brasil por empresas nacionais entre 1971-2020.......... 21
Figura 2-2: Movimentação total de passageiros no Brasil por empresas nacionais entre 2000-2020 . 22
Figura 2-3: Histórico de passageiros no aeroporto por segmento, entre 2000 e 2020 ........................ 22
Figura 2-4: Frota de aeronaves brasileiras de AVG a partir de 2000 .................................................... 23
Figura 2-5: Frota brasileira de AVG por tipo de aeronave .................................................................... 24
Figura 2-6: Histórico de movimentos anuais (pousos e decolagens) de aviação geral no Brasil .......... 25
Figura 2-7: Histórico de movimentos anuais (pousos e decolagens) do aeroporto entre 2000 e 2020 25
Figura 2-8: Região Metropolitana de São Paulo e entorno do Aeroporto ............................................ 28
Figura 2-9: Principais centros de negócios no entorno do aeroporto .................................................. 29
Figura 2-10: Museu de Arte de São Paulo - MASP ................................................................................ 33
Figura 2-11: Sazonalidade do turismo internacional em SP em 2019 ................................................... 34
Figura 2-12: Dimensões e Variáveis que compõem o Índice de Competitividade ................................ 35
Figura 2-13: Índices gerais de competitividade – Destino x Brasil x Capitais: 2010-2015 .................... 35
Figura 2-14: Índices do destino por dimensão, em ordem decrescente de desempenho.................... 36
Figura 2-15: Mapa da localização e acesso direto ao Aeroporto .......................................................... 37
Figura 2-16: Foto da avenida onde se localiza o Aeroporto (Av. Santos Dumont) ............................... 37
Figura 2-17: Mapa dos acessos à região de São Paulo .......................................................................... 42
Figura 2-18: Vias mais utilizadas para acesso ao Aeroporto ................................................................. 43
Figura 2-19: Vias mais utilizadas para acesso ao Aeroporto (destaque)............................................... 44
Figura 2-20: Mapa de Transporte Metropolitano de São Paulo ........................................................... 46
Figura 2-21: Trecho de projeto do Monotrilho para cidade de São Paulo ............................................ 47
Figura 2-22: Esquema da malha ferroviária RMP e estações ferroviárias ............................................ 48
Figura 2-23: Esquema da malha ferroviária MRS e estações ferroviárias ............................................. 49
Figura 3-1: Diagrama de Voronoi do Aeroporto estudado ................................................................... 52
Figura 3-2: Diagrama de Voronoi dos competidores diretos ................................................................ 53
Figura 3-3: Mapa da Região de Influência para AVG ............................................................................. 54
Figura 4-1: Competidores diretos do aeroporto ................................................................................... 56
Figura 5-1: Evolução do PIB da UF e da participação em relação ao PIB Brasil .................................... 59
Figura 5-2: Evolução do PIB da RI e da participação em relação ao PIB Brasil ...................................... 63
Figura 6-1: Metodologia geral de projeção de demanda ...................................................................... 68
Figura 6-2: Comparativo entre PIB trimestral mensal brasileiro com e sem sazonalidade .................. 70
Figura 6-3: Curva de PIB per capita (Y) x Pax per capita (X) .................................................................. 73
Figura 6-4: Curva da distribuição normal .............................................................................................. 77
Figura 6-5: Séries estacionárias e não estacionárias ............................................................................. 78
Figura 6-6: Rotina de seleção de variáveis independentes (ilustrativo) – válido para projeções com base
em regressão linear ............................................................................................................................... 81
Figura 7-1: Metodologia de projeção de tráfego de passageiros ......................................................... 83
Figura 8-1: Projeção de movimentos de aeronaves como decorrência da projeção de passageiros no
Aeroporto .............................................................................................................................................. 85
Figura 8-2: Metodologia para a projeção de movimentos de aeronaves sem restrição ...................... 86
Figura 8-3: Fluxograma do processo de conversão da demanda em criação/expansão de rotas (etapas

1, 2 e 3 da metodologia de projeção de movimentos de aeronaves comerciais de passageiros) ........ 87
Figura 9-1: Metodologia geral de projeção de cargas domésticas, internacionais e movimentos de
aeronaves cargueiras no Aeroporto ...................................................................................................... 89
Figura 10-1: Frota de AVG por tipo de uso no Brasil ............................................................................. 90
Figura 10-2:Metodologia de projeção de movimentos de AVG ............................................................ 91
Figura 10-3: Movimentos de AVG para os aeroportos selecionados da RI (SBMT e SBSP) .................. 92
Figura 10-4: Evolução histórica do número de poços de petróleo offshore perfurados ...................... 95
Figura 10-5: Projeção anual do PIB real brasileiro ................................................................................ 98
Figura 10-6: Projeção de movimentos de AVG para os aeroportos selecionados da RI (SBMT e SBSP)
............................................................................................................................................................. 100
Figura 10-7: Projeção do crescimento de movimentos de AVG no Aeroporto ................................... 101
Figura 10-8: Mix de aeronaves de AVG no Aeroporto por velocidade de aproximação ..................... 102
Figura 10-9: Projeção de movimentos de AVG no Aeroporto por velocidade de aproximação ......... 102
Figura 10-10: Mix de aeronaves do Aeroporto por classe de envergadura ........................................ 103
Figura 10-11: Projeção de movimentos de AVG no Aeroporto por classe de envergadura ............... 103
Figura 10-12: Histórico de mix de aeronaves de AVG domésticas por classe de PMD no Aeroporto em
2019 ..................................................................................................................................................... 104
Figura 10-13: Projeção de aeronaves de AVG domésticas por classe de PMD no Aeroporto ............ 105
Figura 10-14: Metodologia para cálculo das receitas de permanência de AVG doméstico e internacional
............................................................................................................................................................. 105
Figura 10-15: Percentual das aeronaves de AVG que pagaram permanência no Aeroporto ............. 106
Figura 10-16: Projeção do índice de movimentos-hora doméstico de AVG para o Aeroporto .......... 107
Figura 10-17: Histórico de pax/movimento na AVG no Aeroporto ..................................................... 108
Figura 10-18: Projeção de Passageiros de AVG no Aeroporto ............................................................ 108
Figura 11-1: Projeção de demandas de pico como decorrência da projeção de passageiros no Aeroporto
............................................................................................................................................................. 109
Figura 11-2: Média Diária de Movimentos (Sem Cruzamentos e TGL) Hora-Hora de Segunda a Sexta de
SBGR, SBCF, SBCG e SBJV – 2019......................................................................................................... 112
Figura 11-3: Metodologia de projeção de hora-pico de pista ............................................................. 113
Figura 11-4: Relação entre fator de hora-pico de pista e movimentação total para aeroportos
brasileiros ............................................................................................................................................ 113
Figura 11-5: Movimentação Pista Hora-Hora ...................................................................................... 114
Figura 11-6: Projeção de hora-pico de pista total no aeroporto por classe de envergadura ............. 115
Figura 11-7: Projeção de hora-pico de pista total no aeroporto por classe de velocidade de cruzamento
de cabeceira ........................................................................................................................................ 115
Figura 11-8: Projeção da demanda de vagas de estacionamento no Aeroporto, por segmento de
usuário ................................................................................................................................................. 117
Figura 12-1: Demanda potencial de movimentos de AVG para o Aeroporto de SBMT ...................... 119
Figura 12-2: Comparativo entre hora-pico de pista e capacidade horária da pista ............................ 124
Figura 12-3: Comparativo entre demanda anual (sem restrição) e capacidade anual pista .............. 125
Figura 12-4: Alcance máximo do sistema de pistas do Aeroporto ...................................................... 126
Figura 12-5: Comparativo entre demanda anual e Capacidade do TAG – Demanda anual ................ 127
Figura 12-6: Projeção total de passageiros do Aeroporto .................................................................. 127
Figura 12-7: Projeção total mensal de passageiros do Aeroporto ...................................................... 128

Figura 12-8: Projeção de passageiros regulares e não regulares do Aeroporto ................................. 128
Figura 12-9: Projeção da movimentação anual total do Aeroporto ................................................... 129
Figura 12-10: Projeção da movimentação total mensal do Aeroporto ............................................... 129
Figura 12-11: Projeção da movimentação anual regular e não regular do Aeroporto ....................... 130
Figura 12-12: Projeção da movimentação de aeronaves na hora-pico de pista total ........................ 130
Figura 12-13: Projeção do mix total de aeronaves por classe de envergadura .................................. 131
Figura 12-14: Projeção do mix total de aeronaves por classe de velocidade de cruzamento de cabeceira
............................................................................................................................................................. 131
Figura 12-15: Projeção de aeronaves de AVG domésticas por classe de PMD ................................... 132
Figura 12-16: Projeção de aeronaves de AVG internacionais por classe de PMD .............................. 132
Figura 12-17: Projeção de movimentos-hora de permanência para aeronaves de aviação geral
domésticas .......................................................................................................................................... 133
Fonte: Consórcio GCAFigura 12-18: Projeção de movimentos-hora de permanência para aeronaves de
aviação geral internacionais ................................................................................................................ 133
Figura 12-19: Benchmark da movimentação de aeronaves de AVG no Aeroporto ............................ 134
Figura 13-1: Ranking das rotas de AVG 2019 ...................................................................................... 135
Figura 13-2: Alcance de 3.200 nmi (Citation Sovereign) ..................................................................... 136
Tabelas
Tabela 2-1: Movimentação doméstica de aviação geral por região ..................................................... 26
Tabela 2-2: Dias da restrição considerando os finais de placa correspondentes ................................. 39
Tabela 2-3: Frequências rodoviárias interestaduais de São Paulo em 2019 ......................................... 45
Tabela 2-4: Frequências rodoviárias internacionais de São Paulo em 2019 ......................................... 45
Tabela 3-1: Simulações de fretamento de aeronaves para diferentes rotas domésticas ..................... 54
Tabela 5-1: Área e indicadores populacionais da UF e do Brasil para os anos de 2002 e 2020 ........... 58
Tabela 5-2: PIB e PIB per capita do estado e do Brasil para os anos de 2002 e 2018 ........................... 59
Tabela 5-3: Valor adicionado bruto por setor para a UF e para o Brasil ............................................... 60
Tabela 5-4: Pessoal ocupado por setor na UF e no Brasil entre 2010 e 2018 ....................................... 61
Tabela 5-5: Estabelecimentos por setor na UF e no Brasil entre 2010 e 2017 ..................................... 61
Tabela 5-6: Exportação, importação e balança comercial da UF e do Brasil para os anos de 2002 e 2019
............................................................................................................................................................... 62
Tabela 5-7: Área e indicadores populacionais da RI e do Brasil para os anos de 2002 e 2020 ............. 62
Tabela 5-8: PIB e PIB per capita da RI e do Brasil para os anos de 2002 e 2018 ................................... 63
Tabela 5-9: Valor adicionado bruto por setor para a RI e para o Brasil ................................................ 64
Tabela 5-10: Pessoal ocupado por setor na RI e no Brasil entre 2010 e 2018 ...................................... 65
Tabela 5-11: Estabelecimentos por setor na RI e no Brasil entre 2010 e 2017 .................................... 65
Tabela 5-12: Exportação, importação e balança comercial da RI e do Brasil para os anos de 2002 e 2019
............................................................................................................................................................... 66
Tabela 10-1: Teste para autocorrelação................................................................................................ 96
Tabela 10-2: Coeficientes do modelo de regressão utilizado ............................................................... 96
Tabela 10-3: Principais resultados estatísticos da regressão ................................................................ 96
Tabela 10-4: Teste para normalidade dos resíduos .............................................................................. 96
Tabela 10-5: Teste para heterocedasticidade ....................................................................................... 97
Tabela 10-6: Teste para multicolinearidade.......................................................................................... 97
Tabela 10-7: Teste para estacionariedade dos resíduos ....................................................................... 97
Tabela 10-8: Projeção de PIB Brasil ....................................................................................................... 98
Tabela 10-9: Projeção de PIB para a RI.................................................................................................. 99
Tabela 10-10: Classe de envergadura em função da classe de velocidade de aproximação .............. 103
Tabela 10-11: Tempos de permanência em áreas de manobra ou estadia no Aeroporto ................. 106
Tabela 11-1: Demanda agregada de vagas de estacionamento em 2019 .......................................... 117
Tabela 12-1: Potencial de aspectos socioambientais do aeroporto gerarem restrições à demanda . 122
Tabela 12-2: Capacidade horária do sistema de pistas atual e no final da concessão ....................... 124
Tabela 12-3: Alcance máximo do sistema de pistas para as aeronaves típicas de AVG ..................... 125
Principais abreviações e definições

AP São áreas urbanas de ocupação contínua caracterizadas principalmente pela densidade
populacional e a coesão interna, definidas pelo REGIC
ADRM Airport Development Reference Manual. Manual de dimensionamento e planejamento de

instalações aeroportuárias publicado pela IATA.
AFIS Serviço de informação de voo de aeródromo. Serviço que tem a finalidade de proporcionar
informações que assegurem a condução eficiente do tráfego aéreo nos aeródromos
homologados ou registrados
ANAC Agência Nacional de Aviação Civil
ASV Anual Service Volume. Capacidade do aeroporto em número de operações por ano
ATS Air Traffic Services. Serviço de tráfego aéreo prestado no aeroporto por entidade pública ou
privada
AVG Aviação Geral
BQV Relatório Executivo Brasil Que Voa, resultante do Acordo de Cooperação Técnica 08/2013,
celebrado entre a SAC/PR e a Empresa de Planejamento e Logística (EPL). No texto faz-se
referência à pesquisa que subsidiou a elaboração do Relatório
CAGR Compound Annual Growth Rate. É uma média geométrica de taxas de crescimento anuais
CGNA Centro de Gerenciamento da Navegação Aérea
DECEA Departamento de Controle do Espaço Aéreo do Comando da Aeronáutica.
EADI Estação Aduaneira Interior. É um depósito alfandegado localizado na zona secundária
EBITDA Earnings before interest, taxes, depreciation and amortization ou lucros antes de juros,
impostos, depreciação e amortização (LAJIDA)
EPAM Erro percentual absoluto médio. Média dos erros percentuais verificados entre o resultado
de um modelo e o valor real do parâmetro, em módulo
EPL Empresa de Planejamento e Logística S.A. Empresa estatal que tem por finalidade estruturar
e qualificar, por meio de estudos e pesquisas, o processo de planejamento integrado de
logística no país, interligando rodovias, ferrovias, portos, aeroportos e hidrovias
ERAA Estação de Radiodifusão Automática de Aeródromo
FAA Federal Aviation Administration
IATA International Air Transport Association
IBGE Instituto Brasileiro de Geografia e Estatística
ICAO International Civil Aviation Organization
IDH Índice de Desenvolvimento Humano. Medida que pondera diversas variáveis que medem
desenvolvimento e qualidade de vida numa determinada região
IFR Instrument Flight Rules ou regras de voo por instrumentos
INFRAERO Empresa pública federal responsável pela administração de aeroportos públicos federais
LOAD FACTOR Taxa de ocupação média das aeronaves
ME Ministério da Economia
MI Ministério de Infraestrutura
OAG Empresa Official Aviation Guide, que comercializa dados de tráfego aéreo de diversas
naturezas e funcionalidades
PAX Passageiros
PCC Pure cargo carrier. Aeronave cargueira.
PHP Passageiros em hora-pico
PIB Produto Interno Bruto
P-Value Nível descritivo. É a probabilidade de se obter uma estatística de teste igual ou mais extrema
que aquela observada em uma amostra, sob a hipótese nula (a considerada verdadeira a
priori)
QAV Querosene de aviação
R² Coeficiente de determinação. É uma medida da habilidade do modelo em explicar o

fenômeno real
RBAC Regulamentos Brasileiros da Aviação Civil, disponíveis em

http://www.anac.gov.br/assuntos/legislacao/legislacao-1/rbha-e-rbac/rbac
REDEX Recinto Especial para Despacho Aduaneiro de Exportação
REGIC Estudo Regiões de Influência das Cidades 2007, IBGE, Rio de Janeiro, 2008
RI Região de influência
RPK Revenue Passenger Kilometer, ou passageiros-quilômetro voado. Para determinado voo, é

obtido pela multiplicação do número de passageiros pagantes pela distância voada
SAC/MI Secretaria de Aviação Civil vinculada ao MI
SBAA Aeroporto de Conceição do Araguaia
SBAE Aeroporto de Bauru Arealva
SBAQ Aeroporto de Araraquara
SBAU Aeroporto de Araçatuba
SBAR Aeroporto Internacional de Aracaju
SBAT Aeroporto de Alta Floresta
SBAX Aeroporto de Araxá
SBBE Aeroporto Internacional de Belém
SBBH Aeroporto de Belo Horizonte (Pampulha)
SBBG Aeroporto de Bagé

SBBI Aeroporto de Bacacheri
SBBR Aeroporto Internacional de Brasília
SBBT Aeroporto de Barretos
SBBV Aeroporto Internacional de Boa Vista
SBBW Aeroporto de Barra do Garças
SBCA Aeroporto de Cascavel
SBCB Aeroporto de Cabo Frio
SBCF Aeroporto de Confins
SBCG Aeroporto Internacional de Campo Grande
SBCH Aeroporto de Chapecó
SBCJ Aeroporto de Carajás
SBCT Aeroporto Internacional de Curitiba
SBCN Aeroporto de Caldas Novas
SBCP Aeroporto de Campos dos Goytacazes
SBCR Aeroporto de Corumbá
SBCX Aeroporto de Caxias do Sul
SBCY Aeroporto Internacional de Cuiabá
SBCZ Aeroporto de Cruzeiro do Sul
SBDB Aeroporto de Bonito
SBDO Aeroporto de Dourados
SBDN Aeroporto Estadual de Presidente Prudente
SBEG Aeroporto Internacional de Manaus
SBFE Feira de Santana
SBFI Aeroporto Internacional de Foz do Iguaçu
SBFL Aeroporto de Florianópolis
SBFZ Aeroporto Internacional de Fortaleza
SBGL Aeroporto Internacional Tom Jobim
SBGO Aeroporto de Goiânia
SBGR Aeroporto Internacional de Guarulhos
SBGV Aeroporto de Governador Valadares

SBHT Aeroporto de Altamira
SBIH Aeroporto de Itaituba
SBIP Aeroporto de Ipatinga
SBIZ Aeroporto de Imperatriz
SBJF Aeroporto de Juiz de Fora
SBJI Aeroporto de Ji-Paraná
SBJP Aeroporto Internacional de João Pessoa
SBJR Aeroporto de Jacarepaguá
SBJU Aeroporto de Juazeiro do Norte
SBJV Aeroporto de Joinville
SBJX Aeroporto Severino Lopes
SBLJ Aeroporto de Lajes
SBKG Aeroporto de Campina Grande
SBKP Aeroporto de Viracopos (Campinas)
SBLE Aeroporto de Lençóis
SBLO Aeroporto de Londrina
SBMA Aeroporto de Marabá
SBMD Aeroporto de Almeirim
SBME Aeroporto de Macaé
SBMG Aeroporto de Maringá
SBMK Aeroporto de Montes Claros
SBML Aeroporto de Marília
SBMO Aeroporto Internacional de Maceió
SBMQ Aeroporto de Macapá
SBMS Aeroporto de Mossoró
SBMT Aeroporto do Campo de Marte
SBMY Aeroporto de Manicoré
SBNF Aeroporto Internacional de Navegantes
SBNM Aeroporto de Santo Ângelo
SBNT Aeroporto Internacional Augusto Severo

SBPA Aeroporto Internacional de Porto Alegre
SBPC Aeroporto de Poços de Caldas
SBPB Aeroporto de Parnaíba
SBPF Aeroporto de Passo fundo
SBPJ Aeroporto de Palmas
SBPK Aeroporto de Pelotas
SBPL Aeroporto de Petrolina
SBPP Aeroporto de Ponta Porã
SBPV Aeroporto Internacional de Porto Velho
SBQV Aeroporto de Vitória da Conquista
SBRB Aeroporto de Rio Branco
SBRD Aeroporto de Rondonópolis
SBRF Aeroporto Internacional de Recife/ Guararapes
SBRJ Aeroporto Santos Dumont
SBRP Aeroporto de Ribeirão Preto
SBSG Aeroporto Internacional de Natal/Governador Aluízio Alves
SBSJ Aeroporto de São José dos Campos
SBSL Aeroporto Internacional de São Luís
SBSM Aeroporto de Santa Maria
SBSN Aeroporto de Santarém
SBSO Aeroporto de Sorriso
SBSR Aeroporto de São José do Rio Preto
SBSP Aeroporto de Congonhas
SBSV Aeroporto Internacional de Salvador
SBTB Aeroporto de Oriximiná
SBTE Aeroporto de Teresina
SBTF Aeroporto de Tefé
SBTG Aeroporto de Três Lagoas
SBTT Aeroporto de Tabatinga
SBTU Aeroporto de Tucuruí

SBUA Aeroporto de São Gabriel da Cachoeira
SBUF Aeroporto de Paulo Afonso
SBUG Aeroporto de Uruguaiana
SBUL Aeroporto de Uberlândia
SBUR Aeroporto de Uberaba
SBVG Aeroporto de Varginha
SBVH Aeroporto de Vilhena
SBVT Aeroporto de Vitória
SBZM Aeroporto da Zona da Mata
SDCG Aeroporto de São Paulo de Olivença
SDCO Aeroporto de Sorocaba
SDOW Aeroporto de Ourilândia do Norte
SDRS Aeroporto de Resende
SNAR Aeroporto de Almenara
SNBR Aeroporto de Barreiras
SNCT Aeroporto de Caratinga
SNDC Aeroporto de Redenção
SNDT Aeroporto de Diamantina
SNDV Aeroporto de Divinópolis
SNFX Aeroporto de São Félix do Xingú
SNGX Aeroporto de Guaxupé
SNJM Aeroporto de Manhuaçu
SNJR Aeroporto de São João del Rei
SNKE Aeroporto de Santana do Araguaia
SNNU Aeroporto de Nanuque
SNOS Aeroporto de Passos
SNOX Aeroporto de Oriximiná
SNPD Aeroporto de Patos de Minas
SNPJ Aeroporto de Patrocínio
SNTO Aeroporto de Teófilo Otoni

SNTS Aeroporto de Patos
SNUH Aeroporto de Piumhi
SNUI Aeroporto de Araçuaí
SNVB Aeroporto de Valença
SBVC Aeroporto de Viçosa
SNZA Aeroporto de Pouso Alegre
SNZR Aeroporto de Paracatu
SSKW Aeroporto de Cacoal
SSZW Aeroporto de Ponta Grossa
SWBC Aeroporto de Barcelos
SWCA Aeroporto de Carauari
SWEI Aeroporto de Eirunepé
SWGI Aeroporto de Gurupi
SWGN Aeroporto de Araguaína
SWHT Aeroporto de Humaitá
SWKO Aeroporto de Coari
SWLB Aeroporto de Lábrea
SWLC Aeroporto de Rio Verde
SWSI Aeroporto de Sinop
SWOB Aeroporto de Fonte Boa
SWPI Aeroporto de Parintins
SWTP Aeroporto de Santa Isabel do Rio Negro
SIROS Sistema de Registro de Operações da ANAC
TECA Terminal de carga aérea
TJH Agrupamento de aeronaves dos tipos Turboélice, Jatos e Helicópteros
TPS Terminal de passageiros
TWR Torre de controle
VFR Visual Flight Rules ou regras de voo visual
VRA Voo Regular Ativo. Registro de voos da ANAC com horas precisas de chegada e saída.
WLU Work load unit. Medida que mede o tráfego aéreo em passageiros equivalentes (1 WLU = 1
pax = 100kg de carga)
YIELD Preço médio da tarifa por quilômetro voado [R$/km ou US$/km]

1 OBJETIVOS
O objetivo deste Relatório de Mercado é descrever e fundamentar as projeções de demanda realizadas
pelo Consórcio Grupo de Consultores em Aeroportos (GCA) para o Aeroporto Campo de Marte/SP
(RTE na nomenclatura IATA ou SBMT na nomenclatura ICAO) no horizonte de 30 anos, compatível com
o prazo máximo previsto para a concessão do Aeroporto.
Serão apresentadas as metodologias e resultados das projeções de demanda mensais e de pico de
passageiros, aeronaves e cargas aéreas, bem como as receitas projetadas para o Aeroporto, a análise
do modelo de negócios considerado e, ao final, a due diligence dos contratos comerciais. Ao final das
projeções de demandas e receitas comparações com benchmarks permitem uma melhor compreensão
do desempenho do Aeroporto.
Tendo em vista tais propósitos, adotou-se para este Estudo a sequência exibida na Figura 1-1.
Inicialmente, são consideradas as demandas irrestritas de passageiros e cargas e, posteriormente,
avalia-se eventuais restrições em função da capacidade do Aeroporto.
Figura 1-1: Sequência de etapas para o Relatório de Demanda
Fonte: Consórcio GCA
Os estudos consideram o período de concessão entre janeiro/2023 e dezembro/2052. As projeções

foram realizadas com periodicidade mensal até dez/2065, conforme pode ser observado nas planilhas
que acompanham este Relatório, de forma a acomodar eventuais alterações nas datas acima.
Para uma melhor compreensão da evolução dos indicadores ao longo da concessão, os resultados são
apresentados em bases anuais entre 2023 e 2052.
A estrutura do presente relatório contém duas seções:

I. REGIÃO DE INFLUÊNCIA: o capítulo 2 apresenta a visão geral do Aeroporto, com o panorama
da demanda atual e a descrição dos acessos e entornos. O capítulo 3 define as Regiões de
Influência de passageiros, cargas e aviação geral para o Aeroporto, enquanto o capítulo 4
aborda a competição intra e intermodal. A seção termina com o capítulo 5, no qual são
apresentados os aspectos demográficos e socioeconômicos da região a fim de se capturar de
forma qualitativa os possíveis geradores de demanda para o Aeroporto;
II. PROJEÇÕES DE DEMANDA: o capítulo 6 detalha as metodologias gerais usadas nas projeções
de demanda que são apresentadas na sequência. O capítulo 7 aborda os resultados das
projeções de passageiros (domésticos, internacionais e conexões). No capítulo 8, tem-se os
resultados da projeção de movimentos de aeronaves, enquanto o capítulo 9 abrange as
projeções de carga (domésticas e internacionais) e de movimentos de aeronaves cargueiras.
O capítulo 10 endereça passageiros e movimentos de aviação geral. Elucidados os resultados,
o capítulo 11 apresenta as demandas de pico sem restrições para, no capítulo 12, serem
incorporados os elementos de capacidade nas análises de demanda e avaliadas as projeções
com restrições. Por fim, o capítulo 13 apresenta a inserção do aeroporto na malha aérea:
tendo em vista os resultados das projeções, a seção apresenta uma análise da inserção na
malha aérea brasileira e internacional.
SEÇÃO I – REGIÃO DE INFLUÊNCIA

Esta Seção visa conferir aos potenciais interessados na concessão do Aeroporto uma visão
aprofundada da demanda atual de passageiros, movimentos de aeronaves e cargas aéreas de SBMT,
bem como definir os limites e características da sua Região de Influência (RI).
A definição da RI e a identificação dos aeroportos competidores afetam as projeções de demanda
tratadas na Seção II.
2 VISÃO GERAL DO AEROPORTO

Este capítulo apresenta dados detalhados atuais e históricos da demanda de passageiros, cargas aéreas
e movimentos de aeronaves, bem como indica os limites e as principais características da Região de
Influência (RI) em que se insere o Aeroporto Campo de Marte (SBMT), no estado de São Paulo,
município de São Paulo. A RI é definida e detalhada no capítulo 3.
Fundado em 1929, o Aeroporto Campo de Marte constitui a primeira infraestrutura aeroportuária da
cidade de São Paulo, sendo incorporado pela Infraero em 1979. Nos últimos 15 anos o Aeroporto
passou por importantes reformas, como a do pátio de manobras, que organizou as posições de
estacionamento de aeronaves e a implantação de sinalização vertical nas áreas de movimento.
Possui localização privilegiada em São Paulo, na Zona Norte da cidade, próxima ao Terminal Rodoviário
do Tietê, à estação Carandiru do metrô, à Marginal do Tietê – que é via de acesso às rodovias estaduais
e interestaduais – e o complexo de feiras e negócios do Anhembi e Expo Center Norte.
O Aeroporto apresenta somente operações de aviação executiva, taxi aéreo e de escolas de pilotagem,
além de possuir 23 hangares voltados para a aviação executiva. Nele também estão localizados o
Aeroclube de São Paulo e o Serviço Aerotático das Polícias Civil e Militar. 12
2.1 Demanda atual

Em 2019, o Brasil atingiu a marca de 119,4 milhões de passageiros domésticos e internacionais
processados nos aeroportos (embarques e desembarques), segundo apurado pela Agência Nacional
de Aviação Civil (ANAC)3, com um crescimento de 1,4% sobre o ano de 2018. Em 2020, devido à
pandemia do COVID-19 e medidas de restrição de movimentação, diversas rotas foram
descontinuadas e o fluxo de passageiros foi severamente impactado. Por essa razão, optou-se ao
longo desse capítulo por apontar sobretudo o ano de 2019 como referência de demanda do
aeroporto.
Conforme apresentado na Figura 2-1, houve, entre 2003 e 2014, um período de crescimento
expressivo na movimentação de passageiros no país, em que a demanda mais que triplicou, associado
à liberalização do setor, ao aumento paulatino da competição nas principais rotas e à modernização
da frota.
1 Disponível em https://www4.infraero.gov.br/aeroportos/aeroporto-de-sao-paulo-campo-de-marte/sobre-o-
aeroporto/historico/, acessado em 24/05/2021.
2 Disponível em https://www4.infraero.gov.br/aeroportos/aeroporto-de-sao-paulo-campo-de-marte/sobre-o-
aeroporto/caracteristicas/, acessado em 24/05/2021.
3 Disponível em: https://www.anac.gov.br/noticias/2020/mercado-aereo-registra-maior-numero-de-passageiros-
transportados-da-serie-historica, publicado em 26/08/2020.

Figura 2-1: Movimentação de passageiros no Brasil por empresas nacionais entre 1971-2020
Fonte: ICAO4 e ANAC 20205
A Figura 2-2 destaca a demanda a partir de 2000. São notáveis os impactos da crise econômica iniciada
em 2014, incluindo uma queda de cerca de 8% no tráfego de passageiros em 2016. Nos últimos anos,
houve uma recuperação do tráfego, com crescimentos de 6,3% e 2,2% em 2018 e 2019,
respectivamente. Entretanto, em 2020 observa-se que a movimentação de passageiros foi 53% menor
em relação ao ano anterior devido às restrições da pandemia do COVID-19.
4 Histórico 1970 a 2019 de passageiros em fluxos domésticos e internacionais por empresas aéreas brasileiras. Disponível
em: https://data.worldbank.org/indicator/IS.AIR.PSGR, acessado em 28/09/2020.
5 Disponível em: https://www.gov.br/anac/pt-br/assuntos/dados-e-estatisticas/mercado-do-transporte-aereo,
movimentação de passageiros totais de empresas brasileiras, acessado em 02/04/2021.

Figura 2-2: Movimentação total de passageiros no Brasil por empresas nacionais entre 2000-2020
Fonte: ICAO e ANAC 2020
O Aeroporto de Campo de Marte (SBMT), em particular, possui movimentação de passageiros

relativamente pequena, tendo processado cerca de 97 mil passageiros em 2019. O Aeroporto atendeu
exclusivamente operações de aviação geral e táxi aéreo em todo seu histórico, portanto, analisando
os segmentos de passageiros (Figura 2-3) nota-se que no Aeroporto os passageiros de aviação geral
representam 100% do total.
Figura 2-3: Histórico de passageiros no aeroporto por segmento, entre 2000 e 2020
Fonte: Infraero
Conforme será explicado no Capítulo 10, os dados de passageiros para as operações de aviação geral
são menos precisos que os de movimentação de aeronaves, uma vez que a informação depende das
empresas de AVG, que nem sempre a remetem à Infraero.
Isso posto, destaca-se a seguir a análise de demanda atual referente ao número de operações
registradas.
A frota brasileira de aeronaves de AVG6 cresceu aproximadamente 2,2%a.a. a partir de 2000,
representando mais de 15 mil aeronaves em 2019, conforme apresentado na Figura 2-4. Cumpre notar
que em 2019, o Brasil registrou a quarta maior frota mundial de aeronaves de aviação geral7.
Figura 2-4: Frota de aeronaves brasileiras de AVG a partir de 2000
Fonte: ABAG/IBA
No que diz respeito ao tipo de aeronave8 que compõe a frota brasileira, em 2019, do total de aeronaves
com registro válido9, 72% consistiam em aeronaves convencionais, 13% em helicópteros, 9% em
turboélices e 5% em jatos. Ainda, destaca-se que o estado de São Paulo registrou em 2019 3.946
aeronaves de AVG, a maior frota estadual do país.
A Figura 2-5 apresenta-se um recorte da frota brasileira de AVG por tipo de aeronave de 2000 a 2019.
Destaca-se que a frota de aeronaves convencionais movidas a pistão predomina no país.
6 Exclui-se o montante de aeronaves experimentais. Essas aeronaves não são certificadas para o transporte de bens e pessoas
com fins lucrativos e, por tal motivo, foram excluídas da presente análise.
7 Dados da frota mundial de aviação geral disponibilizados no Anuário da GAMA Aviation. Disponível em:
https://gama.aero/wp-content/uploads/GAMA_2019Databook_Final-2020-03-20.pdf
8 A classificação adota nesta análise foi baseada nos demonstrativos do relatório anual da ABAG/IBA que classifica a frota de
aviação civil de acordo com o motor das aeronaves – jato, turboélice ou pistão. Ademais, as aeronaves movidas a pistão ou
turboélice ainda podem ser subdivididas em aeronaves convencionais ou helicópteros.
9 A validade do registro das aeronaves brasileiras está associada ao cumprimento dos requisitos presentes no regulamento
RBAC 21 da ANAC. Agência reguladora pode proibir temporariamente ou definitivamente a operação de determinada
aeronave em virtude do não cumprimento de tais requisitos.
Figura 2-5: Frota brasileira de AVG por tipo de aeronave
Fonte: ABAG/IBA
Segundo dados da ABAG/IBA, a frota nacional é composta principalmente por aeronaves dos
fabricantes Cessna Aircraft, Beechcraft Corporation10, Indústria Aeronáutica Neiva11, Piper Aircraft e
Embraer que juntos correspondem a uma frota superior a 10 mil aeronaves.
Com relação às operações de aeronaves, a Figura 2-6 ilustra o histórico de movimentos de aviação em
todo território nacional entre 2011 e 2019. Nota-se que nesse período os movimentos desse segmento
têm oscilado e apresentando um decrescimento que pode ser justificado por um conjunto de motivos:
desgastes na economia, aumento da capilaridade da aviação comercial12, diminuição nas operações
relacionadas ao mercado offshore, entre outros.
10 As marcas Cessna e Beechcraft que atuam, respectivamente, nos segmentos de jatos e turboélice pertencem a empresa
Textron Aviation. Os dados foram tratados de forma separada em função da distinção feita na base de dados original.
11 Em 2006 tornou-se uma das unidades da Embraer voltada a produção de aeronaves agrícolas.
12 De acordo com estudo produzido para o BNDES, o mercado brasileiro de AVG foi impulsionado pela dimensão territorial
do país e pela carência de infraestrutura nos demais meios de transporte capaz de integrar as diferentes regiões, bem como
da baixa capilaridade da aviação comercial. Disponível em:
https://web.bndes.gov.br/bib/jspui/bitstream/1408/9582/2/BS%2043%20Panorama%20do%20mercado%20e%20da%20pr
odu%C3%A7%C3%A3o%20nacional%20de%20aeronaves%20leves_P_BD.pdf.
Figura 2-6: Histórico de movimentos anuais (pousos e decolagens) de aviação geral no Brasil
Fonte: IBA/ABAG
Em posse do panorama brasileiro de aviação geral, parte-se para a análise das operações no Aeroporto
de Campo de Marte. Em 2019, SBMT figurou como o 2º aeroporto mais movimentado do país em
aviação geral, tendo registrado 63,3 mil operações. Como ilustrado na Figura 2-7, do total de
movimentações 85% foram movimentos de aviação geral executiva e 15% de táxi aéreo doméstico.
Figura 2-7: Histórico de movimentos anuais (pousos e decolagens) do aeroporto entre 2000 e 2020
Fonte: Infraero
Com relação à evolução do tráfego em SBMT, nota-se um padrão histórico similar ao visto em âmbito
nacional, com uma forte evolução a partir da segunda metade dos anos 2000 e uma desaceleração a
partir de 2012. Todavia, destaca-se em SBMT historicamente uma alta participação das operações de
aviação geral atreladas ao treinamento de pilotos para o atendimento das bases offshore, que teve
um expressivo crescimento entre 2010 e 2013 e uma redução nos anos subsequentes, como será
explorado no capítulo 10. O máximo histórico de movimentação no aeroporto foi atingido em 2012,
a partir desse ano a movimentação anual de aeronaves presentou queda, atingindo 63 mil movimentos
em 2019.
Dos movimentos nacionais, 93,1% tiveram origem ou destino na própria região Sudeste, seguido da
região Sul com 4,5% dos fluxos (Tabela 2-1). Segundo o CGNA, em 2019 42,5% das rotas nacionais
aconteceram para o próprio aeroporto13, seguido das rotas para o heliponto de Osasco SSUB (4,3%),
Aeroporto de Jundiaí (2,8%), Aeroporto de Angra dos Reis (2,3%) e Aeroporto de Paraty (2,1%).
Tabela 2-1: Movimentação doméstica de aviação geral por região

Participação
em 2019 (%)
Nacionais 100,0%
Reg. Sudeste 93,1%
Reg. Sul 4,5%
Reg. Centro-Oeste 1,9%
Reg. Nordeste 0,4%
Reg. Norte 0,1%
Fonte: Anuário estatístico CGNA
Com relação ao perfil das aeronaves operadas em 2019 em SBMT, nota-se que 54% das operações
foram realizadas por aeronaves de asa rotativa e 46% asa fixa14. No capítulo 10.5 são ainda
apresentados os dados detalhados de mix de aeronaves, por velocidade de aproximação e
envergadura.
Ao longo do ano, verifica-se que os meses de janeiro, março e agosto foram os de maior movimentação
de aeronave. Com relação à movimentação semanal tem-se que em 2019 as sextas-feiras foram os
dias de maior movimentação no aeroporto, 16% acima da média diária, enquanto os domingos
apresentam a menor movimentação, 12% inferior à movimentação média.15
Destaca-se por fim que, de acordo com os dados históricos, a movimentação de aeronaves
internacionais ou cargueiras em SBMT é irrelevante, assim como a movimentação de cargas em voos
comerciais.
13 Operações com origem e destino no próprio aeroporto podem indicar movimentação de aviação geral para transporte
offshore, voos de escolas de aviação, entre outras atividades da aviação geral (aerofotografia, aeropublicidade,
aerorreportagem etc).
14 Anuário Estatístico CGNA 2019.
15 Análises do Anuário Estatístico CGNA 2019.
2.2 Descrição dos acessos e entorno do aeroporto

Aeroportos são importantes instrumentos de desenvolvimento econômico das regiões em que estão
incluídos. Além da geração direta de empregos e renda aos atores diretamente envolvidos nas
operações, ao conectar passageiros e cargas a outras regiões com eficiência, geram externalidades
positivas sobre economia regional como a redução dos custos de transporte e o ganho de eficiência
econômica propiciado pelas reuniões de negócios ou aumento da qualidade de vida associado aos
momentos de lazer.
Este potencial é amplificado quando há boa conectividade – principalmente rodoviária – entre o
aeroporto e os principais destinos específicos dentro da RI, como delineada, para o caso de SBMT, no
item 3.
Neste item serão primeiramente elencados os principais locais geradores de demanda na RI do
Aeroporto, tais como centros urbanos, polos industriais e atrativos turísticos, entre outros. Em
seguida, serão descritos e qualificados os principais acessos do Aeroporto a estas localidades, tanto no
entorno quanto em pontos mais distantes.
2.2.1 Principais locais geradores de demanda

SBMT está localizado no município de São Paulo, capital do estado de São Paulo (SP). Como cidade
mais populosa do país16, São Paulo apresenta forte participação na economia estadual, respondendo
por 32% do PIB do Estado (R$714,6 bilhões) e apresentando um PIB per capita de R$58,69 mil em 2018.
Cabe apontar que em 2019 o município de São Paulo ocupou o 1º lugar no ranking das melhores
cidades brasileiras para se investir17 das categorias Educação e Imóveis, por possuir o maior número
de estudantes universitários do país e o mercado mobiliário mais dinâmico brasileiro18. Em anos
anteriores, São Paulo esteve em 1º na colocação geral nacional, destacando a melhoria dos indicadores
fiscais, a abundância de universidades e escolas técnicas e à maior oferta de transporte público no
Brasil como principais fatores que levaram a cidade a tomar essa posição no ranking.
A capital paulista, como um grandioso centro gerador de riqueza, possui diversas localidades de
importância econômica ao longo de sua extensão. A alta concentração de empresas multinacionais,
instituições financeiras, conglomerados corporativos e comerciais, em áreas como o quadrilátero
formado pelas avenidas Paulista, Faria Lima, Rebouças e Berrini (Zona Sul de SP), impulsionam o poder
financeiro, corporativo e mercantil do município.
A região central da capital é outra área de extrema relevância para São Paulo, uma vez que abrange
de um forte comércio popular que tem em sua composição centros de compra varejistas e atacadistas
da cidade, como a rua 25 de Março e o Brás, que possuem fama internacional dada sua alta
movimentação e procura.
Ainda em seus arredores, a 82km de distância de SBMT está o Porto de Santos. De responsabilidade
pública, o Porto é administrado pela Santos Port Authority (SPA), antiga CODESP, e hoje é considerado
o maior complexo portuário da América Latina. Com alta de 0,64% em comparação com 2018, o porto
16 Fonte: https://cidades.ibge.gov.br/brasil/sp/sao-paulo/panorama. População estimada para 2020.

17 Ranking realizado anualmente pela Urban Systems para a Exame.
18 Fonte: https://exame.com/revista-exame/a-espera-da-normalidade/.
movimentou 134 milhões de toneladas de carga em 201919, o que gerou grande impacto positivo na
balança comercial brasileira.
Além de abranger o Aeroporto de Campo de Marte em seu território, o município de São Paulo
também contempla o Aeroporto de Congonhas (na Zona Sul da capital) e, a poucos quilômetros de
distância de seu centro, outros dois aeroportos de grande importância para o estado, sendo eles o
Aeroporto de Guarulhos (a 25km) e o Aeroporto de Viracopos (a 95km). Estes representam outro
importante gerador de demanda, uma vez que são responsáveis por elevado volume de passageiros e
cargas movimentadas na grande São Paulo.
A Região Metropolitana de São Paulo (RMSP), composta por 39 municípios (Figura 2-8), responde por
parcela significativa do PIB do Estado de São Paulo (chegando a R$2 trilhões em 2018)20 principalmente
por se tratar do maior centro econômico-financeiro nacional e possuir diversos polos industriais com
atividades de alta e média intensidade tecnológica na região, atuando em diversos tipos de produção.
Estão entre os principais polos industriais da Grande São Paulo: RMSP - Indústrias de desenvolvimento
tecnológico e automobilístico; Vale do Paraíba – Produção de alta tecnologia, aviação, automobilística,
eletroeletrônicos, têxteis e química; e Campinas – Produção de automóveis, petroquímicas,
tecnologias e têxteis.
Figura 2-8: Região Metropolitana de São Paulo e entorno do Aeroporto
19 Fonte: https://www.portodesantos.com.br/informacoes-operacionais/estatisticas/.
20 Fonte: SEADE.
Devido à alta relevância do setor de negócios e turismo para a demanda de SBSP, os itens a seguir
trazem um maior detalhamento desses setores.
2.2.1.1 Caracterização dos principais centros de negócio no entorno do Aeroporto

Dentre os principais centros de negócios situados na capital paulista, destacam-se:
• Avenida Paulista;
• Avenida Berrini;
• Avenida Rebouças;
• Vila Olímpia e Avenida Faria Lima;
• Vila Madalena e Pinheiros;
Figura 2-9: Principais centros de negócios no entorno do aeroporto
Fonte: Google Maps e Consórcio GCA
Avenida Paulista
A Avenida Paulista é hoje um dos locais mais importantes e conhecidos de São Paulo. Criada ao final
do século XIX, a avenida contemplava antigas propriedades de famílias elitistas, principalmente do
ramo do Café.
Grande centro financeiro, atualmente o local atua com grande presença no setor econômico nacional
e internacional, concentrando empresas de diversos setores e atuação. A Paulista é a localização de
diversos bancos, multinacionais, hotéis, shoppings (Center 3, Cidade São Paulo e Pátio Paulista),
hospitais, órgãos governamentais, museus (Japan House, MASP, IMS, entre outros), escolas e muitas
outras atrações incluindo as gastronômicas.
Ao longo de seus 3Km, a avenida é bem servida de transporte público, tendo ao longo de seu
comprimento diversas linhas de ônibus e metrô. Além disso, também atua como conector de diversos
bairros importantes da cidade, como Paraíso, Higienópolis, Jardins e Consolação.
Avenida Berrini
Localizada no bairro Brooklin, entre os bairros Vila Olimpia e Itaim, a Avenida Berrini já concorreu
diretamente com a Avenida Paulista ao oferecer centros comercial com uma locação mais acessível e
edifícios mais modernos.
Nela, situam-se grandes empresas atualmente, a exemplo a BOVESPA e diversas lojas e
estabelecimentos que surgiram ao entorno para atender a gama de trabalhadores das regiões. Além
disso, a região é famosa por ser um grande centro de Coworking, prática onde espaços de trabalho são
compartilhados entre diversas empresas e pessoas de diferentes profissões.
Pela proximidade com a Marginal Pinheiros, outra importante avenida de São Paulo, a Berrini dispõe
de um vasto corredor de ônibus em toda sua extensão e é atendida também pela CPTM.
Avenida Rebouças
A Avenida Rebouças também é uma das vias mais movimentadas de São Paulo e responsável pela
conexão da Avenida Paulista com a Marginal Pinheiros e o centro da cidade.
Classificada como uma via arterial, a avenida é um dos principais eixos rodoviários, sendo considerada
um importante centro comercial e financeiro.
Tendo início na Rua da Consolação, estende-se pela Marginal e termina na Avenida Brigadeiro Faria
Lima. Recentemente a via recebeu diversos investimentos em construção, tanto residenciais quanto
comerciais visando sua valorização.
Vila Olímpia e Avenida Faria Lima

Uma das regiões nobres de São Paulo, o bairro da Vila Olímpia é ligado a Avenida Faria Lima, grande
centro financeiro e portadora de diversos empreendimentos de alto padrão.
A região é formada pela Avenida Santo Amaro, Avenida dos Bandeirantes, Marginal Pinheiros e
Avenida Juscelino Kubitschek, sendo cortada ao meio pela Avenida Brigadeiro Faria Lima e Avenida
Hélio Pellegrino.
O local é endereço de diversas empresas, como Santander, Unilever, Alpargatas, Gol e comporta um
grande comercio, contando com os shoppings Iguatemi, JK Iguatemi e Vila Olímpia. O bairro e a avenida
estão em constante desenvolvimento, o que os coloca com um enorme potencial para abrigar ainda
mais pontos geradores de riquezas.
Vila Madalena e Pinheiros

O Desenvolvimento de Pinheiros ocorreu devido a chegada dos bondes ao bairro, após a
independência do Brasil. A criação do famoso Mercado Municipal fez com que se criasse uma grande
rede de comércio na região.
Com uma localização privilegiada, o bairro Pinheiros situado na Zona Oeste de São Paulo, hoje é
considerado um dos melhores bairros da cidade. Pinheiros faz divisa com os bairros Jardim Paulistano,
Vila Madalena, Alto de Pinheiros, Cidade Jardim e City Butantã.
A região está situada próxima de importantes vias de acesso como as Avenidas Brigadeiro Faria Lima,
Rebouças, Eusébio Matoso e Nações Unidas, além da Marginal Pinheiros. Disponibiliza acesso ao
transporte público, pelas estações de metrô Faria Lima e Pinheiros, além das estações de trem Cidade
Universitária, Pinheiros e Hebraica- Rebouças. A avenida também dispõe da circulação de mais de 17
linhas de ônibus por toda sua extensão e região ao entorno.
O bairro é bem desenvolvido, abriga diversos serviços, como hospitais (Hospital das Clínicas se São
Paulo), universidades (UNIP, FMU, FESP), colégios (Notre Dame e Palmares), opções de lazer (museus
e centros culturais, shoppings (Eldorado e Iguatemi), mais de 50 parques, praças e clubes, como o
famoso Clube Pinheiros).
Já a Vila Madalena é famosa por seu entretenimento, conhecido como bairro mais boêmio de São
Paulo. O bairro possui diversos locais para passeio, como o Beco do Batman que atrai diversos turistas
pelo cenário fotográfico e pela sua diversidade de gastronomia. Ainda com diversos restaurantes,
bares e pubs uma visita a Vila Madalena garante diversão.
2.2.1.2 Caracterização do turismo da região

Contrapondo diversos destinos brasileiros, a cidade de São Paulo é caracterizada por atrair em maior
magnitude um turismo por negócios, contudo, mesmo que em menor proporção, o turismo recreativo
ainda exerce papel fundamental para a cidade. De forma geral, segundo a Secretaria do Turismo, as
viagens e atividades turísticas chegaram a ser responsáveis por mais de 10% do PIB municipal em 2019.
São Paulo, como capital dos eventos, faz com que o turismo cultural também possua relevância para
a cidade. São muitos os exemplos existentes, como: Bienal do Livro, Carnaval, Virada Cultural, Parada
do Orgulho LGBT, Bienal de Arte, Mostra Internacional de Cinema, GP Brasil de Fórmula 1, Salão do
Automóvel, APAS Show e São Paulo Fashion Week, que juntas atraem milhões de participantes a cada
edição. Dentre tais eventos de elevada magnitude para a cidade, em 2019 destacou-se o carnaval
paulistano, que ultrapassou o evento da cidade do Rio de Janeiro, tornando-se o segundo destino
brasileiro de maior procura nesta época. Dados da prefeitura indicam que o evento foi responsável
por movimentar mais de R$2,1 bilhões e cerca de 15 milhões de pessoas em 2019.
O aspecto cultural está presente em muitos pontos da cidade das formas mais variadas possíveis,
porém com intensidade na Região Central, onde há diversos pontos de enorme significado para São
Paulo. Dentre os mais visitados e conhecidos estão:
• Museu de Arte de São Paulo - MASP: um dos mais importantes centros culturais da cidade,
ainda mais atrativo pela arquitetura diferenciada com pilares que erguem um bloco de
concreto, estando diversas vezes entre os cartões postais da capital. Localiza-se na Av. Paulista,
outro dos pontos mais importantes da cidade, que representa além de um polo econômico
(dado as inúmeras sedes de empresas, bancos, shoppings, hospitais e hotéis que abrange), um
centro de diversidade e entretenimento;
• Pinacoteca: museu de Arte mais antigo de São Paulo e integrante do circuito internacional de
exposições. É um centro de renome, que promove diversos eventos culturais e abriga um dos
maiores acervos de arte brasileira. A Pinacoteca está localizada na Praça da Luz, no centro da
cidade.
• Theatro Municipal: outro famoso cartão postal da cidade, o Theatro Municipal é um dos mais
importantes centros de apresentações do país. Com sua arquitetura inspirada na Ópera de
Paris, o edifício compõe o patrimônio histórico do estado. O teatro se localiza na Praça Ramos
de Azevedo, também na região central;
• Sala São Paulo: inaugurado em 1999, a Sala está localizada na região central da cidade de São
Paulo, nas instalações restauradas da antiga estação ferroviária “Júlio Prestes”. Situada
próxima à Pinacoteca, é a sede da Orquestra Sinfônica do Estado de São Paulo – OSESP e
considerada uma das mais importantes casas de concertos e eventos do país;
• Galeria do Rock: São Paulo é uma cidade eclética e totalmente inclusiva e a Galeria do Rock
traduz toda esta diversidade em suas lojas e serviços. Em edifício localizado no centro da
cidade, foi construído na década de 1960 e trazia uma arquitetura inovadora para a época.
Sem saber, tornou-se o palco perfeito para a o convívio pacífico e harmonioso das culturas
afro, rock, skate, grafite e underground;
• Instituto Tomie Ohtake: inaugurado em 2001, tem seu projeto e construção totalmente
voltado para a apresentação de mostras culturais, focadas no design, artes plásticas e
arquitetura. Localizada na zona oeste da cidade, se destaca além das exposições, pelas
pesquisas, produções de conteúdo, formação e desenvolvimento de professores e alunos das
redes de ensino públicas e privadas;
• Pateo do Collégio: construído em 1553 no coração da cidade, com o objetivo de ser um local
para o início da evangelização dos indígenas, o hoje Complexo Histórico-cultural e Religioso
“Pateo do Collégio” tornou-se referência na preservação da memória histórica acerca das
origens da cidade de São Paulo;
• Museu Anchieta: inaugurado em 1970, este museu faz parte do Complexo Histórico-cultural e
Religioso “Pateo do Collégio” e tem como objetivo, resgatar a memória do local onde a cidade
de São Paulo foi fundada. Composta de artes sacras, peças do cotidiano, dentre outras, o
espaço possuiu painéis, mapas, maquetes e textos explicativos, onde o visitante poderá
contextualizar a evolução da cidade desde 1554 até os dias de hoje.
• Museu de Arte Moderna - MAM: localizado sob a marquise do Parque do Ibirapuera, o MAM
foi inaugurado em 1948, com projeto do arquiteto Oscar Niemeyer. Seu acervo de mais de 5
mil obras, representa a arte moderna e contemporânea, principalmente de artistas brasileiros.
Além das exposições, o museu mantém uma extensa programação de seminários, palestras,
espetáculos musicais e práticas artísticas.
• Museu da Imagem e do Som-MIS: localizado na região do Jardim Europa, o museu foi

inaugurado em 1970, com a finalidade de preservar o patrimônio áudio visual nacional. Um
dos mais movimentados centros culturais da cidade, oferece várias exposições sobre cinema,
dança, música, vídeo, fotografia e muito mais.
Além de sua ampla rede cultural, São Paulo também possui um gama de oportunidades no comércio,
as quais atendem a todos os estilos, culturas, desejos e até mesmo classe sociais. Alguns locais como
a Alameda Gabriel Monteiro da Silva, Rua Oscar Freire e os Shoppings Cidade Jardim e JK, possuem sua
fama por concentrar comércios de altíssimo padrão e extremamente luxuosos. Em contrapartida, a
capital também possui diversos centros de comércios populares, entre os quais possuem maior fama:
Rua 25 de Março, Brás, Santa Efigênia, Rua José Paulino e Bom Retiro. Embora amplamente
segmentado, em 2018 o setor de serviços e comércio paulistano, como um todo, foi responsável por
83% do PIB da cidade.
Figura 2-10: Museu de Arte de São Paulo - MASP
Fonte: MASP21
A região atrai turistas do mundo inteiro para visitação. Segundo o Anuário Estatístico de Turismo, o
Estado de São Paulo atraiu aproximadamente 2,3 milhões turistas internacionais em 2019, dos quais
98,5% chegaram ao estado pela via área e 1,5% por via marítima. Dentre as principais origens estão
21 Disponível em: https://masp.org.br/.

Estados Unidos, Argentina, Chile e Alemanha. A América do Sul representa 38,4% dos turistas
internacionais da região, seguida da Europa com 28,1% e América do Norte com 20,2%. Outros
continentes são menos relevantes para a movimentação turística do estado.
O turismo internacional na região também apresenta sazonalidade, conforme ilustrado na Figura 2-11.
Os meses de fevereiro e março chegam a representar aproximadamente 11% do total anual, seguido
pelo mês dezembro, que foi responsável por 10% da movimentação.
Figura 2-11: Sazonalidade do turismo internacional em SP em 2019
Fonte: MTUR - Anuário Estatístico de Turismo
A seguir apresenta-se o estágio de desenvolvimento do turismo na região descrito no relatório Índice

De Competitividade Do Turismo Nacional - 2015. O referido estudo avalia a competitividade do turismo
local de acordo com 13 dimensões e mais de 60 variáveis apresentadas na Figura 2-12.
Figura 2-12: Dimensões e Variáveis que compõem o Índice de Competitividade
Fonte: FGV / MTUR / SEBRAE 2015
O estudo foi realizado considerando uma ampla pesquisa de campo, que se traduz em um indicador
de competitividade, cuja escala se divide de 0 a 100. Então, este resultado é comparado com a média
do índice para as capitais nacionais e para todos os destinos turísticos brasileiros contemplados no
estudo, conforme apresentado na Figura 2-13.
Figura 2-13: Índices gerais de competitividade – Destino x Brasil x Capitais: 2010-2015

Observa-se que o índice, para São Paulo, em 2015 (último ano da pesquisa) apresenta um resultado
superior tanto à média brasileira quanto à média das capitais.
A Figura 2-14 apresenta os resultados para as 13 dimensões que compõe o indicador. Destaca-se que
São Paulo possui bons resultados relacionados às dimensões de Economia local, Capacidade
empresarial, Acesso e Serviço e equipamento. Por outro lado, as dimensões Cooperação regional,
Aspectos sociais e Aspectos ambientais apresentam os piores resultados.
Figura 2-14: Índices do destino por dimensão, em ordem decrescente de desempenho
2.2.2 Acessos ao entorno do Aeroporto

O Aeroporto Campo de Marte tem como logradouro a Av. Santos Dumont, nº 1979 (Santana – São
Paulo/SP), com acesso às áreas de embarque e desembarque restrito a vias internas ao sítio
aeroportuário, conforme exposto na Figura 2-15.
A Av. Santos Dumont, uma das mais importantes vias paulistanas, é a principal ligação de SBMT à Zona
Central da capital paulista, que por meio de conexões à outras relevantes avenidas compõe uma via
expressa interligando as regiões norte e sul da cidade de São Paulo, denominada popularmente como
Corredor Norte-Sul. Com início na Zona Sul, o corredor ganha maior movimento a partir da Av.
Interlagos, que tem sua continuidade através das avenidas Washington Luiz, Rubem Berta, 23 de Maio
e Tiradentes, até finalmente chegar à Santos Dumont, com acesso à SBMT.
Tendo como origem a região Leste, o acesso à SBMT pode ocorrer por trajetos pela Marginal do Rio
Tietê e Radial Leste, que se conectam a Santos Dumont já nas proximidades do Aeroporto. Em sentido
oposto, a Marginal do Rio Tietê se conecta a do Rio Pinheiros, fazendo a ligação entre o Aeroporto e
parte da Zona Oeste e Sul da cidade.
Todas as vias de acesso à SBMT são avenidas de grande porte, facilitando o acesso e tornando o Campo
de Marte um aeroporto de ótima localização.
Figura 2-15: Mapa da localização e acesso direto ao Aeroporto
Fonte: Google Maps
Figura 2-16: Foto da avenida onde se localiza o Aeroporto (Av. Santos Dumont)
Fonte: Google Street View

O Aeroporto está a 5,5km do centro de São Paulo, a 24km de Guarulhos22 e a 90km de Campinas23,
com diversas formas de acesso de passageiros, trabalhadores e outros frequentadores, comentadas a
seguir. Não há acesso ferroviário ou hidroviário diretamente a SBMT.
• Carro particular: leva-se entre 15 e 30 minutos24 para o centro da cidade25, de 30 a 50 minutos26
ao Aeroporto de Congonhas e de 25 min a 50 minutos27 ao Aeroporto de Guarulhos, a depender
do tráfego. Não havendo pedágios no trajeto.
Já o trajeto SBMT – Viracopos conta com dois pedágios, somando R$19,5028, com uma duração
média de 1h 15 minutos29 (também a depender do tráfego);
• Serviços de transporte por aplicativo30: preço volátil, oscilando ao redor de R$25 para o centro da
cidade de São Paulo, de R$ 35 ao Aeroporto de Congonhas e R$65 e R$180 aos aeroportos
localizados em Guarulhos (GRU) e Campinas (VCP), respectivamente;
• Taxis31: cerca de R$40 para o centro de São Paulo, R$35 para o Aeroporto de Congonhas, R$90
para o Aeroporto de Guarulhos e R$200 até o Aeroporto de Viracopos;
• Transporte Público (ônibus): transporte intermunicipal, administrado pela SPTRANS, com

interligação do Aeroporto (Linhas 175T-10 Metrô Santana – Jabaquara; 106A-10 Metrô Santana –
Itaim Bibi; e 107T-10 Metrô Tucuruvi - Pinheiros) à diversos pontos da cidade, devido a ampla rede
de linhas estruturais e locais que atendem a todas as regiões de São Paulo, tendo como tarifa de
embarque o valor de R$4,40/pax32.
• Metrô: as estações de metrô mais próximas ao Aeroporto são as Estação Carandiru, Portuguesa-
Tietê e Santana, as quais se conectam a diversos pontos da capital pela malha metroviária. O
trajeto SBMT – Estação Carandiru, pode ser realizado a pé, com tempo estimado de 10 minutos de
caminhada. Já os trajetos para as outras estações, Portuguesa-Tietê e Santana, podem ser
realizados pela linha 175T-10 e 106A-10 de ônibus respectivamente, com desembarque em rua
próxima ao Aeroporto (Rua. Voluntário da Pátria). O custo de transporte é de R$4,40 por bilhete.
No que se refere a circulação de trânsito em São Paulo, a capital paulista possui um sistema de rodízio
municipal baseado no final de placas de veículos, o qual ocorre ao logo de ruas e avenidas que compõe
o centro expandido, a fim de evitar as longas filas de engarrafamento na cidade. A restrição se dá de
segunda a sexta-feira, estando suspenso em finais de semana e feriados, durante seis horas do dia,
divididas entre manhã e tarde.
Pela manhã, o rodízio passa a valer às 7h00 e termina às 10h00. Já durante a tarde e noite, a fiscalização
começa às 17h00 e finaliza às 20h00. Nesses períodos fica restrito o trânsito dos veículos com finais de
22 Ponto de Referência: Aeroporto de Guarulhos (GRU).

23 Ponto de Referência: Aeroporto de Viracopos (VCP).
24 Simulação através do Google Maps e aplicativo Waze, consulta na data 16/04/2021.
25 Ponto de Referência: Centro de São Paulo.
28 Disponível em: http://www.emsampa.com.br/wwrota0100.htm, consultado na data 16/04/2021.
30 Simulações feitas através do aplicativo Uber.
31 Taxi especial credenciado (Vermelho e Branco), consultada na data 16/04/2021.
32 Disponível em: https://www.sptrans.com.br/, consultada na data 16/04/2021.
placa que correspondem ao respectivo dia da semana em que se encontram (vide Tabela 2-2),
deixando sujeitos a multa de R$130,16 e quatro pontos na carteira daqueles que desrespeitarem a
restrição.
Tabela 2-2: Dias da restrição considerando os finais de placa correspondentes

Finais de placas Dia da semana
1e2 Segunda-feira
3e4 Terça-feira
5e6 Quarta-feira
7e8 Quinta-feira
9e0 Sexta-feira
Fonte: CET
Ainda, sobre o transporte de cargas na cidade de São Paulo33, a cidade conta com normas específicas
para caminhões, com horários especiais e vias restritas (com exceções para atividades essenciais).
Segundo as normas vigentes desde 2016, o trânsito de caminhões fica proibido de 2ª a 6ª feira das 5h
às 21h e aos sábados das 10h às 14h, exceto feriados, ao longo de todo o centro expandido34. Além
disso, algumas avenidas importantes têm regras específicas desde 2016, sendo elas: Marginal
Pinheiros e Av. dos Bandeirantes (todos os dias das 5h às 21h); Marginal Tietê (de segunda a sexta-
feira, das 5h às 9h, das 17h às 21h e aos sábados, das 10h às 14h); e Região do Morumbi (de segunda
a sexta-feira, das 5h às 21h e aos sábados, das 10h às 14h).
2.2.3 Acessos a outros locais de destaque no entorno do Aeroporto

Como mencionado no item 2.2.1, dentre os locais de destaque no entorno de SBMT destacam-se,
como principais destinos, o próprio centro de São Paulo, regiões interioranas (como Campinas e
Guarulhos), zona litorânea do estado e locais de relevância econômica para a cidade. Uma ampla rede
de vias conecta o Aeroporto a essas localidades, com destaque às seguintes:
• Corredor Norte - Sul: este importantíssimo eixo de conexão entre as regiões norte e sul da
cidade é composto pelas avenidas Interlagos, Washington Luiz, Ruben Berta, 23 de Maio,
Tiradentes e Santos Dumont, tendo 22,9Km de extensão. O Corredor Norte - Sul é considerado
33 Disponível em: http://www.cetsp.com.br/, consultada na data 19/04/2021.

34Vias e acessos com restrição: Av. Paulista, entre R. da Consolação e Pça. Oswaldo Cruz; Av. Rebouças, entre Av. Paulista e
Av. Brig. Faria Lima; Av. Eusébio Matoso, toda extensão; Av. Prof. Francisco Morato, entre Av. Prof. Manfredo Leite e Pça.
Jorge Lima; Av. Nove de Julho, toda extensão; Av. Cidade Jardim, entre Av. Brig. Haroldo Veloso e Av. Nove de Julho; Av. São
Gabriel, toda extensão; Av. Santo Amaro, entre Av. São Gabriel e R. São Sebastião; Av. Santos Dumont, entre R. dos
Bandeirantes e Pte. das Bandeiras; Av. Tiradentes, entre R. dos Bandeirantes e Av. Prestes Maia; Av. Prestes Maia, toda
extensão; Passagem Tom Jobim; Av. Rio Branco, toda extensão; Av. Sen. Queirós, entre a R. da Cantareira e Pça. Alfredo Issa;
Av. Ipiranga, entre a Pça. Alfredo Issa e Av. São Luiz; Av. São Luiz, toda extensão; Vd. 9 de Julho; Vd. Jacareí; R. Maria Paula,
toda extensão; Vd. Dona Paulina; Av. Vinte e Três de Maio, toda extensão; Av. Rubem Berta, toda extensão; Av. Moreira
Guimarães, entre Vd. República Árabe Síria e Av. Moaci; Av. Alcântara Machado, toda extensão; R. Melo Freire, toda extensão;
Av. Conde de Frontin, entre R. Melo Freire e Vd. Eng. Alberto Badra.
uma via expressa e liga os bairros de Interlagos (ao sul) e o Tucuruvi (ao norte), passando pelo
Centro da cidade de São Paulo. Através deste corredor no sentido sul, pode-se acessar o
Autódromo Internacional José Carlos Pace (Interlagos), sede das corridas de Fórmula 1 entre
outras categorias do esporte a motor. Ao Norte, pode-se acessar o Aeroporto Campo de Marte
SBMT, o Pavilhão de Exposições do Anhembi e a Marginal do Rio Tietê. Próximo à região
central, o Corredor Norte - Sul cruza com o Corredor Leste - Oeste, formando um cruzamento
importante da cidade.
• Corredor Leste - Oeste: composto pelas vias Radial Leste, Elevado Presidente João Goulart,
popularmente chamado de “Minhocão”, e Av. Francisco Matarazzo, une os bairros da Penha
(região Leste) a Lapa (região Oeste), passando pelo centro de São Paulo. Esta composição viária
é de extrema importância para a cidade de São Paulo, pois liga a sua região mais populosa
(Zona Leste) com o centro da cidade. Dentre as vias que compõe o Corredor Leste - Oeste,
destaca-se a Radial Leste. Inaugurada em 1957, é ainda hoje o principal eixo de ligação entre
a Zona Leste e o Centro de São Paulo. Com aproximadamente 10Km de extensão, esta avenida
une o bairro de Itaquera ao centro da cidade.
• Marginal do Rio Tietê: esta fundamental avenida, apresenta-se como a principal união entre
as regiões Leste e Oeste de São Paulo, margeando o leito do Rio Tietê. Construída em 1956,
possui hoje 24,5Km de extensão.
Acessando a Marginal Tietê sentido leste através do Corredor Norte - Sul, pode-se fazer
conexão com a rodovia federal BR-116, Rod. Pres. Dutra (em Ótimo Estado Geral, de acordo
com avaliação da CNT em 2019), com destino a cidade de Guarulhos, onde está localizado o
Aeroporto Internacional de São Paulo/Guarulhos (SBGR), às cidades do Vale do Paraíba e o
estado do Rio de Janeiro. A Rod. Dutra ainda dá acesso à BR-381, Rodovia Fernão Dias (em
Bom Estado Geral, de acordo com avaliação da CNT em 2019), que por sua vez dá acesso à
cidade de Belo Horizonte – MG.
Além da Rod. Dutra, ainda em sentido Leste da Marginal do Rio Tietê, pode-se acessar a SP-
070, Rodovia Ayrton Senna (em Ótimo Estado Geral, de acordo com avaliação da CNT em
2019), com destinos às cidades do Vale do Paraíba, com destaque para a cidade de São José
dos Campos e para o Litoral Norte do estado de São Paulo, através da SP-099, Rodovia dos
Tamoios (Estado Geral Bom, de acordo com avaliação CNT 2019).
Acessando a Marginal Tietê sentido Oeste através do Corredor Norte - Sul, pode-se fazer
conexão com a rodovia SP-330, Rod. Anhanguera (Estado Geral Ótimo, de acordo com
avaliação CNT 2019) e a SP-348, Rod. dos Bandeirantes, (Estado Geral Ótimo, de acordo com
avaliação CNT 2019), ambas com destino à região Central e Norte do estado de São Paulo, com
destaques às cidades de Campinas e Ribeirão Preto.
• Marginal do Rio Pinheiros: importante via de tráfego da cidade de São Paulo, foi construída
no ano de 1970, tendo a extensão de 22,5Km. Une os bairros do extremo sul da cidade à região
Oeste, margeando o leito do Rio Pinheiros e fazendo conexão com duas importantes rodovias:
SP-270, Rodovia Raposo Tavares (em Estado Geral Regular, de acordo com avaliação CNT
2019), com destino à região Sudoeste do estado de SP; e a SP-280, Rod. Castello Branco, (em
Ótimo Estado Geral, de acordo com avaliação CNT 2019), com destino a região Oeste do estado
de São Paulo, assim como ao Catarina Fashion Outlet.
• Rodoanel: o estado de São Paulo possui a melhor malha rodoviária do país e suas principais
representantes fazem a ligação de todo o interior e litoral do estado à capital paulista. Até o
ano de 2002, não havia nenhuma ligação entre estas rodovias, o que obrigava todo o fluxo de
automóveis, caminhões e ônibus oriundos das estradas adentrarem à cidade, aumentando o
já caótico trânsito urbano de São Paulo. A partir de 2002, foi inaugurado parcialmente a SP-
071 Rodoanel Governador Mario Covas, popularmente conhecido como Rodoanel (com
previsão de conclusão em 2014). Com um total de 176 km, este interliga as rodovias estaduais
e federais que chegam à região metropolitana de São Paulo, dentre as quais estão:
➢ SP-348 – Rodovia dos Bandeirantes: (em ótimo Estado Geral, de acordo com avaliação da
CNT em 2019) Iniciando seu trajeto na região oeste da cidade, esta rodovia de 162km
interliga a capital à região de Cordeirópolis. Tem sua intersecção ao Rodoanel em seu km
23 – sentido interior.
➢ SP-330 – Rodovia Anhanguera: com 448Km de extensão, (em ótimo Estado Geral, de
acordo com avaliação da CNT em 2019), liga a capital à região de Ituverava divisa com o
estado de MG. Tem sua intersecção ao Rodoanel no km 22 da rodovia – sentido interior.
➢ SP-280 – Rodovia Presidente Castelo Branco: popularmente conhecida como Castelo,

interliga a capital à região de Presidente Prudente e a divisa com o estado do MS. Com
seus 306km (em ótimo Estado Geral, de acordo com avaliação da CNT em 2019) tem sua
intersecção ao Rodoanel em seu km 20 – sentido interior.
➢ SP-270 – Rodovia Raposo Tavares: com 280km (em regular Estado Geral, de acordo com
avaliação da CNT em 2019) a Rod. Raposo Tavares faz sua intersecção com o Rodoanel
quando alcança o km 20. De projeto obsoleto, esta estrada une a capital paulista à cidade
de Ourinhos na região oeste do estado.
➢ SP-150 – Rodovia Anchieta: inaugurada em 1947, esta rodovia de 74 km foi a primeira

ligação rodoviária entre a capital e a baixada santista, dando vazão à produção do estado
de SP através do Porto de Santos. Mais conhecida como Via Anchieta, embora de projeto
antigo, mantém suas vias atualizadas (classificadas como ótimo Estado Geral, de acordo
com avaliação da CNT em 2019) e faz a intersecção com o Rodoanel no Km 26 – sentido
litoral.
➢ SP-160 – Rodovia dos Imigrantes: juntamente com a SP-150, esta rodovia forma o
Sistema Anchieta-Imigrantes, tornando-se o maior canal de escoamento de carga da
América Latina. A SP-160 possui um trajeto de 75 km e se encontra em ótimo estado geral,
de acordo com avaliação da CNT de 2019. Sua intersecção com o Rodoanel é realizada no
Km 23 – sentido litoral.
➢ SP-070 – Rodovia Ayrton Senna: iniciando na capital paulista, seu trajeto nos leva a região
oeste do estado. Com 144km de extensão (em ótimo Estado Geral, de acordo com
avaliação da CNT de 2019), tem sua intersecção com o Rodoanel no km 36 da via, no

sentido interior.
➢ BR-116 – Rodovia Presidente Dutra: em seu trecho paulista (em ótimo Estado Geral, de
acordo com avaliação da CNT em 2019), a Rodovia Pres. Dutra faz a ligação entre as
capitais dos estados de São Paulo e Rio de Janeiro, tendo o seu ponto de intersecção ao
Rodoanel no km 30.
Figura 2-17: Mapa dos acessos à região de São Paulo
Fonte: Pesquisa de Rodovias CNT (2019)35
A partir dos dados obtidos de telefonia móvel é possível verificar vias mais utilizadas pelos passageiros
do Aeroporto (Figura 2-18 e Figura 2-19). Tal base foi obtida através de metodologia desenvolvida pela
Kido Dynamics e será detalhada no capítulo 6 desse Estudo, bem como no Anexo “Anexo: Referências
Gerais da Tecnologia da Kido Dynamics”.
35 https://pesquisarodovias.cnt.org.br/downloads/Galeria%20de%20Fotos/2019/Mapas/UF/SP.pdf
Figura 2-18: Vias mais utilizadas para acesso ao Aeroporto

Figura 2-19: Vias mais utilizadas para acesso ao Aeroporto (destaque)
O mapa demonstra o fluxo de usuários do Aeroporto através das principais vias, quanto mais escuro o
tom da cor, maior o fluxo de passageiros naquela via. Vê-se que, de fora de São Paulo, as principais
vias de acesso ao aeroporto são a Rodovia Dutra e a Rodovia dos Bandeirantes. Dentro da capital,
destacam-se a Marginal Tiete e a as avenidas 23 de maio e Tiradentes, que conectam a Zona Sul com
a Zona Norte da Capital.
Com relação aos serviços de transporte de longa distância, São Paulo possui um terminal rodoviário
voltado ao transporte interestadual, intermunicipal e internacional, o Terminal Tietê. A distância do
Aeroporto até a rodoviária é de 1,6km, trajeto que pode ser feito a pé (15 minutos de caminhada), de
carro (levando entre 5 e 15 minutos36) ou transporte público (utilizando a linha 175T-10 de ônibus).
36 Simulações feitas em aplicativos de mobilidade urbana.

Tabela 2-3: Frequências rodoviárias interestaduais de São Paulo em 2019

UF Frequência [partidas/dia]
RJ 74,93
MG 71,46
PR 21,00
BA 16,60
SC 3,27
GO 1,16
PE 1,12
TO 0,31
PA 0,16
MT 0,14
RS 0,10
37
Fonte: ANTT 2019
Tabela 2-4: Frequências rodoviárias internacionais de São Paulo em 2019

UF Frequência [partidas/dia]
Uruguai 0,23
Bolívia 0,15
Paraguai 0,08
Fonte: ANTT 2019
Acerca dos sistemas de transporte urbano que servem a população paulistana, a cidade conta com um
sistema de transportes integrados, operando uma rede que contempla conjuntamente linhas de trens
(operadas pela CPTM38), metrô (de Responsabilidade da companhia METRÔ39) e ônibus
intermunicipais (operada pela EMTU/SP40), amplamente supervisionadas pela Secretaria de Estado dos
Transportes Metropolitanos - STM.
Atualmente, a Rede Metroferroviária compreende 13 linhas e 183 estações, as quais formam 371km
de extensão, o que a configura como a maior nacionalmente. A METRÔ é responsável por 101km de
extensão, com seis linhas e 89 estações. Já a CPTM opera sete linhas ao longo dos seus 270km, com 94
estações (das quais nove se integram ao metrô). Essas companhias são responsáveis conjuntamente
pela movimentação de cerca de oito milhões de passageiros por dia útil.
Conectada à rede pela Linha 5 (Lilás) do metrô, a EMTU opera transportes de média e baixa capacidade
nas regiões metropolitanas de São Paulo, Campinas, Vale do Paraíba, Litoral Norte, Baixada Santista e
37 Disponível em: https://portal.antt.gov.br/web/guest/estatisticas-e-estudos-de-servicos-de-transporte-de-passageiros

38 Companhia Paulista de Trens Metropolitanos.
39 Companhia do Metropolitanos de São Paulo.
40 Empresa Metropolitana de Transportes Urbanos de São Paulo.
Sorocaba. Ela também é responsável por serviços especiais e fretamentos metropolitanos, a exemplo
da ligação entre o SBSP e o Aeroporto de Guarulhos. Ao todo, a EMTU atende 134 municípios, tendo
atualmente o controle total de suas redes de transporte municipais.
Figura 2-20: Mapa de Transporte Metropolitano de São Paulo
Fonte: STM
Anunciado ainda para a Copa do Mundo de 2014 e concretização total até 2016, São Paulo contaria
com linhas de monotrilho ao longo da cidade que fariam ligações com as redes de metrô já existentes
em algumas estações. O projeto bilionário sob responsabilidade do Consórcio Expresso Monotrilho
Leste, composto pela parceria das empresas OAS, Queiroz Galvão e Bombardier tinha o objetivo de
atender áreas mais carentes de transporte público de qualidade em São Paulo (a exemplo da Zona
Leste) e movimentar diariamente certa de meio milhão de passageiros, ligando vários pontos da
cidade.
Onze anos após a licitação (ocorrida em 2010), as obras, que haviam sido anunciadas como de menor
complexidade por não haver necessidade de desapropriações, prosseguem inacabadas e sem nenhum
dos trechos prometidos em funcionamento. Em dezembro de 2020, o atual governador do estado de
São Paulo João Dória, anunciou que não haverá mais investimentos no projeto além da finalização das
linhas 15 – Prata (Zona Leste) e 17 – Ouro (Zona Sul), que já estão em estágio mais avançado de obras.
Segundo ele, com as obras retomadas, a nova expectativa de prazo para começo de operação seria
para 30 meses a partir da ordem de serviço, sendo assim para 2022.
Como mais uma alternativa de acesso ao aeroporto, a Linha 17 – Ouro tem como um dos objetivos
conectar o Aeroporto de Congonhas a Estação Morumbi da Linha 9 – Esmeralda da CPTM. Ela contará
com oito estações em 7,7km de extensão e se estima que movimentará 165 mil passageiros por dia
útil em 2023.
Figura 2-21: Trecho de projeto do Monotrilho para cidade de São Paulo
Fonte: Companhia do Metropolitano de São Paulo (Metrô)
Ademais, o estado de São Paulo também é servido pela ferrovia Rumo Malha Paulista S.A., a qual beira
a capital atravessando sua região metropolitana. A ferrovia, de 1.989km de extensão, possui forte
importância nacional pelo transporte de cargas da Rumo Malha Norte e Rumo Malha Oeste ao Porto
de Santos, sendo vista como principal corredor de exportação do agronegócio. Segundo dados da
ANTT41, em 2019 foram escoadas 31,4 milhões de toneladas úteis pela ferrovia, que apresentou uma
elevação de 9% em 2020 (chegando a 34,2 milhões de toneladas úteis transportadas). É válido ressaltar
que dentre as cargas transportadas, o milho, a soja, o farelo de soja e o açúcar se mantiveram entre
41 Disponível em: https://dados.antt.gov.br/dataset/sistema-de-acompanhamento-do-desempenho-operacional-das-

concessionarias-siade.
as principais, representando conjuntamente 78% e 76% do total nos anos de 2019 e 2020,
respectivamente.
Figura 2-22: Esquema da malha ferroviária RMP e estações ferroviárias
Fonte: ANTT
Por fim, ainda no que se refere ao transporte ferroviário, São Paulo também é servida pela ferrovia da
MRS Logística S/A, parte da antiga Estrada de Ferro Central do Brasil – EFCB, a qual contribui
estrategicamente com a economia brasileira devido sua localização privilegiada, conectando regiões
produtoras à centros de consumo e portos nacionais42. A ferrovia de 1.643 km de extensão interliga os
estados do Rio de Janeiro, São Paulo e Minas Gerais. Ao todo, por ela são transportadas cerca de um
terço da produção do país.
Desde 1996 a ferrovia se encontra privatizada e é administrada pela MRS Logística S/A. Em parte de
sua estrutura, conectando as cidades de Barra do Piraí (RJ) e a capital paulista, está o denominado
Ramal de São Paulo43. Esse trecho atravessa parte da região sudeste, passando por cidades como Barra
Mansa, Resende, Guaratinguetá, Pindamonhangaba, Taubaté, São José dos Campos, Jacareí e Mogi
das Cruzes, sendo responsável pela movimentação de um grande volume de minério de ferro, material
siderúrgico e cargas conteinerizadas.
42Localizados nas cidades do Rio de Janeiro, Itaguaí, Sepetiba e Santos.

43Cabe citar que está em projeto a execução do Ferroanel Norte, que tem traçado em área contígua ao Rodoanel e tem por
objetivo retirar a operação dos trens de carga que hoje compartilham os trilhos da CPTM (fonte:
http://www.dersa.sp.gov.br/empreendimentos/ferroanel-norte/)
Figura 2-23: Esquema da malha ferroviária MRS e estações ferroviárias
Fonte: MRS44
44 https://www.mrs.com.br/
3 DEFINIÇÃO DA REGIÃO DE INFLUÊNCIA

3.1 Passageiros
A Região de Influência (RI) de um aeroporto é aquela cujos passageiros nela originados/destinados têm
maior probabilidade de uso deste aeroporto, em comparação a outras alternativas45. Desta forma, o
volume de tráfego aéreo e o perfil da demanda de um determinado aeroporto são influenciados pelas
características de sua RI, uma vez que passageiros fora desta área geográfica utilizam primordialmente
outros aeroportos.
A delimitação da RI envolve não apenas fatores econômicos, distâncias relativas ao aeroporto e
tempos de deslocamento, mas também fatores culturais, como hábitos e preferências da população.
Assim, o presente estudo utiliza como referência para a definição das RIs o estudo “Regiões de
Influência das Cidades” (REGIC)46, do Instituto Brasileiro de Geografia e Estatística (IBGE), que
contempla justamente essa diversidade de elementos.
O REGIC visa identificar a hierarquia da rede urbana do país através da análise de aspectos da gestão
federal, empresarial e da distribuição de bens e serviços. Sua metodologia é pautada na análise da
ordem de ligação entre as cidades nacionais, representando a interdependência entre as demais em
uma escala de 1 a 4. O fluxo entre as cidades é observado com base nas atividades e serviços
proporcionados por elas, a exemplo de cursos estudantis, comércio, aeroporto, lazer e saúde.
A metodologia em questão é aplicada sobre os centros urbanos da rede brasileira, classificados a partir
de informações de subordinação administrativa no setor público federal e de localização das sedes e
filiais de empresas. Também são consideradas a oferta de equipamentos e serviços que caracterizam
a centralidade de uma cidade (informações de ligações aéreas, deslocamento para hospitais, áreas de
cobertura de emissoras e televisão e internet, oferta de ensino superior, diversidade das atividades
comerciais e de serviço etc.), tratando a questão de definição de RI de forma holística.
Os municípios ou centros urbanos (tratados conjuntamente como Arranjos Populacionais47) são assim
classificados em cinco níveis principais, com subdivisões. O mais alto grau hierárquico é o de
Metrópole, grupo composto por 15 cidades ou APs com alta influência em nível nacional. As
Metrópoles são subdividas em: Grande Metrópole Nacional, Metrópole Nacional e Metrópole. O
segundo nível de influência é composto pelas Capitais Regionais, subdivididas nos níveis A, B e C, que
ao todo contabilizam 97 cidades ou APs. O Centro Sub-Regional é o terceiro nível de influência, conta
com 352 cidades ou APs e, assim como as Capitais Regionais, é subdividido em A, B e C. Os dois níveis
de influência mais local são o Centro de Zona (segregado em A e B), com 398 cidades, e o Centro Local,
com 4.037 cidades. A RI de um dado município ou AP é composta pelos municípios de nível hierárquico
inferior que são por ele influenciados.
No caso em tela, conforme apresentado no item 2.1 o Aeroporto não apresentou historicamente
demandas de passageiros regulares e carga. Ainda, conforme será detalhado no item 7, não é
45 Esta definição não acolhe os passageiros de conexão, que têm origem ou destino finais em outras localidades.
46 Fonte: IBGE. Regiões de Influência das Cidades 2018, IBGE, Rio de Janeiro, 2019. Outros estudos mais atuais de Divisão
Urbano-Regional foram publicados pelo IBGE, porém remetem à mesma análise hierárquica de municípios realizada no
estudo de 2007, ou apresentam uma estrutura hierárquica mais simplificada, porém consistente com a adotada no estudo
de 2018.
47 Segundo o REGIC (2018), “os Arranjos Populacionais são recortes territoriais estabelecidos por estudo próprio do BNDES,
segundo estudo do Banco de 2016 [Arranjos populacionais e concentrações urbanas no Brasil. 2. ed. Rio de Janeiro: IBGE,
2016. 167 p.], e que consistem em agrupamentos de dois ou mais municípios”.
prevista a criação de rotas de passageiros comerciais ou cargas para o Aeroporto no horizonte da

concessão. Dessa forma, a definição da Região de Influência para esses segmentos não se faz
necessária.
3.2 Carga
A definição da RI do Aeroporto para cargas aéreas segue lógica similar à RI de passageiros. Entretanto,
tem-se aqui sua definição fundamentada no conjunto de destinos (na importação) e origens (na
exportação) de mercadorias cuja entrada ou saída do país ocorre de maneira relevante para o
aeroporto.
3.2.1 Importação e exportação

O Aeroporto em tela, não possui registros de volumes de importação ou exportação nos últimos onze
anos48. Uma vez que não se espera alteração da dinâmica de movimentação de cargas internacionais
no aeroporto, não se faz necessária a definição de Região de Influência para o Aeroporto.
3.2.2 Doméstica e correios

A carga doméstica (incluindo correios) possui certa sensibilidade a tempo de viagem, sendo menos
susceptível que passageiros a fatores não-econômicos (culturais, etc.) na seleção do aeroporto que
será utilizado (ver 4.1.2). Uma vez que o tempo de percurso é fator relevante para a escolha do
Aeroporto de origem ou destino da carga doméstica, a RI dos aeroportos tende a ser restrita e com
competição menos expressiva, se limitando ao entorno do Aeroporto.
Ainda, o Aeroporto em tela não possui registros de volumes de cargas domésticas nos últimos onze
anos e, uma vez que não se espera alteração da dinâmica de movimentação de cargas domésticas no
aeroporto, não se faz necessária a definição de Região de Influência para o Aeroporto.
3.3 Aviação Geral

Para a definição da RI de aviação geral, primeiramente verificou-se os aeródromos públicos49 e
privados50, de acordo com a lista oficial publicada pela ANAC, que possuem pista de pouso e decolagem
asfaltada e comprimento mínimo de 500 metros ao redor de SBMT.
Filtrados os potenciais aeródromos para atendimento da demanda regional de AVG, definiu-se o
conjunto desses que competem diretamente com o aeroporto de SBMT a partir da utilização do
diagrama de Voronoi. O Diagrama de Voronoi51 consiste em um conjunto de polígonos (denominados
células) que determinam as regiões mais próximas de um ponto (aeroporto de interesse) por meio da
48Disponível em: http://comexstat.mdic.gov.br/, acessado em 19/04/2021.

49Disponível em:https://www.anac.gov.br/assuntos/setor-regulado/aerodromos/cadastro-de-aerodromos/aerodromos-
cadastrados/aerodromospublicos-12.xls/view, acessado em 10/01/2021.
50Disponível em:https://www.anac.gov.br/assuntos/setor-regulado/aerodromos/cadastro-de-aerodromos/aerodromos-
cadastrados/aerodromosprivados-9.xls/view, acessado em 10/01/2020.

51O Diagrama de Voronoi é uma metodologia bastante utilizada para segmentação de áreas de alcance de determinados
pontos. Em análises estratégicas, pode-se utilizar como exemplo a aplicação deste diagrama na definição de áreas de
abrangência de hospitais públicos no Município do Rio de Janeiro.
distância média entre este e os demais pontos analisados (aeroportos considerados competidores).
Desta forma, todas as regiões que, com base na segmentação de áreas, permanecerem mais próximas
ao ponto de interesse, compõe sua região de alcance. A Figura 3-1 apresenta o diagrama de Voronoi
para o entorno do aeroporto de SBMT.
Figura 3-1: Diagrama de Voronoi do Aeroporto estudado
Pela figura se observa que os polígonos de Voronoi dos aeroportos de Bragança Paulista (SBBP),
Guarulhos (SBGR), Congonhas (SBSP), Catarina (SBJH) e Jundiaí (SBJD) fazem fronteira com o polígono
do aeroporto de SBMT e, portanto, esses foram definidos como seus competidores diretos.
Para avaliar potenciais efeitos de alterações na competição com outros aeroportos, se faz necessário
definir a RI conjunta de SBMT e de seus competidores diretos. Dessa forma, aplicou-se a mesma
metodologia supracitada na definição de aeródromos que concorrem diretamente com os
competidores diretos de SBMT, sendo eles denominados “competidores de segundo grau”. A Figura
3-2 apresenta o Diagrama de Voronoi completo para o entorno do aeroporto de SBMT.
Figura 3-2: Diagrama de Voronoi dos competidores diretos

Como os polígonos de SDIM, SDBN, SDCO, SBKP, SDAM, SDJV, SNZA e SBSJ fazem fronteira com ao
menos um dos polígonos dos competidores diretos de SBMT, considera-se que esses aeródromos são
seus competidores de segundo grau.
Cabe apontar que para a definição da Região de Interesse de AVG, diferente dos passageiros da aviação
regular, os custos terrestres são irrelevantes, uma vez que os custos atrelados à etapa aérea são de
ordens de grandeza bastante superiores52, como pode ser observado na Tabela 3-1.
52Os custos terrestres para distâncias de 200km são da ordem de R$ 110,00, representando menos de 1% dos custos totais
do custo total da viagem. Fonte: Qualp considerando um custo de 5 R$/litro de combustível e um rendimento de 10 km/litro
e eventuais pedágios.
Tabela 3-1: Simulações de fretamento de aeronaves para diferentes rotas domésticas

Menor preço
Rota Aeronave de menor preço
(R$)
SBBE – SBSN Embraer 721D 21.924
SBSV – SBAR Cessna Caravan 208 8.688
SBCG – SBCY Embraer Seneca III 15.390
SBMT – SBJR Robinson R44 II 11.920
SBPA – SBNF Cessna Caravan Grand 17.550
Fonte: Flapper, Consórcio GCA
Após essa análise, verificou-se, para cada município no entorno de SBMT e seus competidores, qual
aeródromo é o mais próximo daquele município em termos de tempo de deslocamento 53, limitado a
um tempo máximo de 60 minutos (com tolerância de mais 15 minutos). Sendo assim, a região de
influência para aviação geral do aeroporto de SBMT e seus competidores diretos é compreendida pelos
municípios que estão mais próximos a esses aeródromos comparado aos seus competidores de
segundo grau (ao mesmo tempo respeitando o limite de tempo de deslocamento). A Figura 3-3
apresenta a RI de SBMT e dos seus competidores diretos.
Figura 3-3: Mapa da Região de Influência para AVG
53 Para estimar o tempo de viagem entre o município e o aeroporto foi utilizado o site Qualp (https://qualp.com.br/).
4 ANÁLISE DA COMPETIÇÃO
4.1 Competição intermodal
A RI do Aeroporto pode ser acessada diretamente por uma malha de transportes multimodal, que
permite que haja competição intermodal pelo tráfego de passageiros e cargas aéreas. A presente
análise propõe um estudo da competição entre diferentes modais, o que envolve a avaliação dos
modais disponíveis para o transporte de passageiros e cargas de/para os centros geradores de
demanda, considerando as características típicas de cada meio de transporte.
4.1.1 Passageiros
Não houve movimentação de passageiros comerciais no Aeroporto de Campo de Marte nos últimos
anos e, no horizonte de concessão, não está prevista a criação de novas rotas comerciais para o
Aeroporto. Portanto, não há competição intermodal de passageiros comerciais no caso de SBMT.
4.1.2 Carga aérea

Não houve movimentação de carga no Aeroporto Campo de Marte nos últimos anos e, conforme será
descrito no item 8, não há previsão de criação de rotas comerciais para o Aeroporto no horizonte de
concessão. Portanto, não foi considerada a competição intermodal dessa modalidade no caso de
SBMT.
4.2 Competição intramodal
4.2.1 Passageiros
Não houve movimentação de passageiros comerciais no Aeroporto de Campo de Marte nos últimos
anos e, no horizonte de concessão, não está prevista a criação de novas rotas comerciais para o
Aeroporto. Portanto, não há competição intramodal de passageiros comerciais no caso de SBMT.
4.2.1.1 Aviação geral

A avaliação da competição intramodal por passageiros de aviação geral é feita sob duas óticas:
Competição com a aviação comercial no mesmo aeroporto
Embora os passageiros de aviação geral sejam tipicamente mais sensíveis ao tempo de viagem do que
ao preço da passagem, há parcelas desses passageiros que migram para a aviação comercial conforme
as diferenças de preços aumentam.
Este movimento de migração varia de acordo com o perfil de passageiros do aeroporto e foi
incorporado ao modelo de projeção através de variáveis que medem o preço da viagem por aviação
comercial (tarifa aérea média) e por aviação geral (preço do QAV, câmbio etc.), de acordo com o
apresentado no capítulo 10.
Competição com outros aeroportos
Embora o tempo de deslocamento seja o principal fator na decisão do passageiro de aviação geral em
relação a qual aeródromo utilizar, outros fatores como preço e disponibilidade de serviços podem fazer
com que o passageiro não opte pelo aeródromo mais próximo.
Desta forma, é importante analisar eventuais concorrentes no entorno do aeroporto em estudo. Para
tanto, verificou-se todos os aeródromos públicos54 e particulares55 cadastrados na ANAC e classificou-
se como potenciais concorrentes aqueles que atendessem aos seguintes requisitos:
• Pista de pouso e decolagem: aeródromos que possuam pista de pouso e decolagem asfaltada
e com comprimento superior a 500 metros;
• Serviço Público: aeródromos públicos ou privados que prestem serviço à terceiros56;
• Localização: aeródromos cuja área, traçada por meio da aplicação do Diagrama de Voronoi
(vide item 3.3), faz fronteira com o polígono de SBMT.
Conforme apontado no item 3.3 e reapresentado na figura a seguir, os aeroportos de Jundiaí (SBJD),
Bragança Paulista (SBBP), São Roque (SBJH), Congonhas (SBSP) e Guarulhos (SBGR) foram classificados
como competidores diretos de SBMT e devem ser considerados nas projeções (conforme será visto no
item 10).
Figura 4-1: Competidores diretos do aeroporto
54 Disponível em https://www.anac.gov.br/assuntos/setor-regulado/aerodromos/cadastro-de-aerodromos/aerodromos-
cadastrados/aerodromospublicos-12.xls/view, acessado em 05/08/2019.
55 Disponível em https://www.anac.gov.br/assuntos/setor-regulado/aerodromos/cadastro-de-aerodromos/aerodromos-
cadastrados/aerodromosprivados-9.xls/view, acessado em 05/08/2019.

56 Assim, aeródromos no interior de fazendas ou de uso exclusivo para hóspedes de hotéis.
4.2.2 Carga aérea

Como visto no item 2.1, não houve movimentação de carga no Aeroporto Campo de Marte nos últimos
anos e, no horizonte de concessão, não está prevista a criação de rotas comerciais para o Aeroporto.
Portanto, não foi considerada a competição intramodal dessa modalidade no caso de SBMT.
5 ASPECTOS DEMOGRÁFICOS E SOCIOECONÔMICOS

Este capítulo discorre sobre os aspectos sociais e econômicos da Região de Influência57 (RI), bem como
da UF na qual se insere. O levantamento de indicadores socioeconômicos permite a identificação de
alguns dos principais fatores geradores de demanda por transporte aéreo e, portanto, embasa as
análises apresentadas ao longo deste relatório.
5.1 Análise socioeconômica estadual

Como visto no item 2.2, o Aeroporto Campo de Marte está situado no município de São Paulo
localizado no estado de São Paulo que dispõe de:
• Área geográfica de 248.219 km² (2,92% do território nacional);
• Cerca de 46.289 mil habitantes (22% da população brasileira);
• Densidade populacional de 186,5 habitantes/km², superior à densidade populacional brasileira
média, de 24,9 habitantes/km²;
• De acordo com as informações do último censo do IBGE (2010), SP apresenta o 2º melhor
Índice de Desenvolvimento Humano (IDH) do país, de 0,783.
A tabela abaixo apresenta a evolução dos índices do SP entre 2002 e 2020 58, último ano com dados
disponibilizados pelo IBGE, bem como compara com a evolução dos indicadores observados para o
Brasil.
Tabela 5-1: Área e indicadores populacionais da UF e do Brasil para os anos de 2002 e 202059
Fonte: IBGE
Ainda de acordo com as informações levantadas no último censo do IBGE (2010):
• Apesar de 85% dos domicílios de SP possuírem saneamento adequado, sendo 78,2% com rede
geral de esgoto e 6,9% com fossas sépticas, 12,4% dos domicílios ainda fazem uso de fossas
rudimentares, 0,7% utilizam valas, 1,4% recorrem a rios, lagos e mares, 0,2% contam com
outras formas de descarte e 0,2% não contam com qualquer forma de saneamento básico;
• 97% do total de domicílios é servido por iluminação pública, 86% por arborização, 92% por
pavimentação, 83% por calçadas, 31% por bueiros, 64% por identificação no logradouro e
apenas 3% por rampas de acessos a cadeirantes;
57 Já considerando os ajustes indicados no item 4.2.1.

58 Ano mais recente de atualização pelo IBGE de panoramas utilizados nesta análise.
59 Os valores de IDH referem-se aos anos 2000 e 2010, nos quais foram realizados censos do IBGE.
• Em relação ao nível médio de escolaridade da população, 48% frequentaram o ensino

fundamental, 19% o ensino médio e apenas 6% o ensino superior.
O Produto Interno Bruto (PIB) de SP apresentou crescimento médio anual inferior ao nacional desde o
ano de 2002 (1,9%a.a. vs. 2,5%a.a.), alcançando o valor de R$2.302 bilhões em 2018 e
representatividade de 31,56% do PIB brasileiro. Adicionalmente, observa-se que o PIB per capita do
estado é 44% superior à média nacional, conforme apresentado na Tabela 5-2.
Tabela 5-2: PIB e PIB per capita do estado e do Brasil para os anos de 2002 e 201860
Fonte: Instituto Brasileiro de Geografia e Estatística (IBGE) e Consórcio GCA.

A Figura 5-1 apresenta as evoluções do PIB de SP e da sua representatividade em relação ao PIB Brasil
entre 2002 e 2018.
Figura 5-1: Evolução do PIB da UF e da participação em relação ao PIB Brasil
Fonte: IBGE e Consórcio GCA
Assim como no Brasil de forma geral, em SP o setor de serviços é o que representou maior parcela do
valor adicionado bruto (VAB) total em 2018, 75%, seguido dos setores industrial e agropecuário,
respectivamente, 23% e 2%. A Tabela 5-3 evidencia o histórico do VAB de valores adicionados brutos
para SP e para o Brasil.
60Valores ajustados a preços de 2019 de acordo com o deflator do PIB disponível em http://www.ipeadata.gov.br, acessado
em 19/03/2021.
Tabela 5-3: Valor adicionado bruto61 por setor para a UF e para o Brasil
A Tabela 5-4 apresenta as informações relativas ao número de pessoas ocupadas em SP e no Brasil

(por setor), enquanto a Tabela 5-5 apresenta o número de estabelecimentos de SP e do Brasil (por
setor). Cabe destacar:
• Em relação ao número de pessoas ocupadas em SP entre 2010 e 2018, os setores industrial e
agropecuário apresentaram decrescimento de 11% e 3%, respectivamente. Já o setor serviços
e comércio cresceu 5% no período;
• A média salarial da população do SP foi de 2,4 salários-mínimos em 2016;
• Cerca de 86% dos estabelecimentos do estado são do setor de serviços e comércio, sendo que
97% destes de pequeno porte (até 49 funcionários).
em 19/03/2021.
Tabela 5-4: Pessoal ocupado por setor na UF e no Brasil entre 2010 e 2018
Tabela 5-5: Estabelecimentos por setor na UF e no Brasil entre 2010 e 2017

Em relação à participação do estado no comércio internacional, SP exportou 52,5 milhões de toneladas
em 2019, representando 7,74% do volume total exportado pelo Brasil. Em termos financeiros, a
exportação do estado totalizou US$ 51.631 milhões, 22,91% do total da exportação brasileira.
Com relação à importação, o estado foi responsável por 24,8 milhões de toneladas em 2019, 16,19%
do total brasileiro importado, e US$ 59.383 milhões em termos financeiros, 33,48% do total do país. A
partir dos números, observa-se que a balança comercial de São Paulo foi negativa para 2019, com
déficit de US$ 7.751 milhões.
Dentre os produtos exportados por SP em 2019, figuram como principais (em termos de valor US$):
Óleos brutos de petróleo (7,1%), veículos aéreos – como helicópteros e aviões (6,3%) e açucares de
cana ou de beterraba (7,3%). Já para a importação tem-se: Partes e acessórios de veículos (4,7%),
aparelhos elétricos para telefonia (4,6%) e inseticidas e fungicidas (4,4%).
A Tabela 5-6 apresenta os resultados comparativos do comércio exterior do estado e do país para os
anos de 2002 e 2019.
Tabela 5-6: Exportação, importação e balança comercial da UF e do Brasil para os anos de 2002 e 2019
Fonte: Comex stat.
5.2 Análise socioeconômica da Região de Influência62

A RI de SBMT, composta por 81 municípios localizados no estado do SP (94%) e MG, dispõe de:
• Área geográfica de 16.263 km² (0,19% do território nacional);
• Cerca de 22,3 milhões de habitantes (10,52% da população brasileira);
• Densidade populacional de 1.370 habitantes/km², significativamente superior à densidade
brasileira, de 24,9 habitantes/km²;
• De acordo com as informações do último censo do IBGE (2010), a média do IDH para os
municípios que compõem a RI de SBMT é de 0,749, superior ao índice brasileiro de 0,727.
A tabela abaixo apresenta a evolução dos índices da RI entre os anos de 2002 e 2020, último ano com
dados disponibilizados pelo IBGE, bem como compara com a evolução dos indicadores observados
para o Brasil.
Tabela 5-7: Área e indicadores populacionais da RI e do Brasil para os anos de 2002 e 202063
Ainda de acordo com as informações levantadas no último censo do IBGE (2010):

• Apesar de 77,7% dos domicílios da RI possuírem saneamento adequado, sendo 63,9% com
rede geral de esgoto e 13,8% com fossas sépticas, 16,0% dos domicílios ainda fazem uso de
fossas rudimentares, 1,4% utilizam valas, 4,3% recorrem a rios, lagos e mares, 0,3% contam
com outras formas de descarte e 0,2% não contam com qualquer forma de saneamento
básico;
62 Já considerando os ajustes indicados no item 4.2.1.

63 Os valores de IDH referem-se aos anos 2000 e 2010, nos quais foram realizados censos do IBGE.
• 92% do total de domicílios é servido por iluminação pública, 68% por arborização, 85% por
pavimentação, 75% por calçadas, 46% por bueiros, 73% por identificação no logradouro e
apenas 2% por rampas de acessos a cadeirantes;
• Em relação ao nível médio de escolaridade da população, 52% frequentaram o ensino
fundamental, 21% o ensino médio e apenas 6% o ensino superior.
O PIB da RI de SBMT apresentou crescimento médio anual inferior ao nacional desde o ano de 2002
(1,7%a.a. vs. 2,5%a.a.), atingindo valor de R$ 1.223 bilhões em 201864 e representatividade de 16,76%
do PIB brasileiro. Adicionalmente, observa-se que o PIB per capita da região é cerca de 59% superior
ao indicador nacional, conforme apresentado na Tabela 5-8.
Tabela 5-8: PIB e PIB per capita da RI e do Brasil para os anos de 2002 e 201865
A Figura 5-2 apresenta as evoluções do PIB da RI e de sua representatividade em relação ao PIB

nacional entre 2002 e 2018.
Figura 5-2: Evolução do PIB da RI e da participação em relação ao PIB Brasil
64 Valores ajustados a preços de 2019 de acordo com o deflator do PIB disponível em http://www.ipeadata.gov.br, acessado
em 19/03/2021.
65 Valores ajustados a preços de 2019 de acordo com o deflator do PIB disponível em http://www.ipeadata.gov.br, acessado
em 19/03/2021.
Ainda com base nos dados históricos do IBGE, verifica-se que, assim como para o Brasil, o setor de
serviços é o mais relevante para a RI, representando 81,7% do VAB em 2018, seguido dos setores
industrial e agropecuário que representaram, respectivamente, 18,0% e 0,3% do VAB em 2018. A
Tabela 5-9 evidencia o histórico de VAB para a RI de SBMT e para o Brasil.
Tabela 5-9: Valor adicionado bruto66 por setor para a RI e para o Brasil
A Tabela 5-10 apresenta as informações relativas ao número de pessoas ocupadas na RI de SBMT e no

Brasil por setor, enquanto a Tabela 5-11 apresenta o número de estabelecimentos da região e do Brasil
por setor. Cabe destacar:
• Em relação ao número de pessoas ocupadas na RI entre 2010 e 2018, tanto o setor de
industrial quanto o agropecuário apresentaram decrescimento, de 10% e 26%
respectivamente, ante baixo crescimento do setor de serviços e comércio, com variação
positiva de 6%;
• A média salarial da população da RI foi de 2,6 salários-mínimos em 2016;
• Cerca de 91% dos empreendimentos da região são do setor de serviços e comércio, sendo que
97% destes de pequeno porte (até 49 funcionários).
em 19/03/2021.
Tabela 5-10: Pessoal ocupado por setor na RI e no Brasil entre 2010 e 2018
Tabela 5-11: Estabelecimentos por setor na RI e no Brasil entre 2010 e 201767
Em relação à participação no comércio internacional, a região exportou 8,25 milhões de toneladas em

2019, 1,22% do total exportado pelo Brasil. Em termos financeiros, a exportação da região totalizou
US$ 14.063 milhões, 6,24% do total da exportação brasileira.
Com relação à importação, a região foi responsável por 9,84 milhões de toneladas em 2019, 6,42% do
volume brasileiro importado, e US$ 27.500 milhões em termos financeiros, 15,51% do total importado
pelo país. A partir dos números, observa-se que a balança comercial da RI foi negativa para 2019, com
déficit de US$ 13.436 milhões.
Dentre os produtos exportados pela RI em 2019, figuram como principais (em termos de valor US$):
Soja (6,6%), óleos de petróleo ou de minerais betuminosos (5,1%) e ouro (4,3%). Já para a importação
tem-se: Óleos de petróleo ou de minerais betuminosos (6,1%), medicamentos (4,9%) e aparelhos
elétricos para telefonia (4,3%).
A Tabela 5-12 apresenta os resultados comparativos do comércio exterior da RI e do país para os anos
de 2002 e 2019.
67Indústria: pequeno (1 a 99 funcionários), médio (100 a 499 funcionários) e grande (acima de 500 funcionários). Serviços e
comércio: pequeno (1 a 49 funcionários), médio (50 a 99 funcionários) e grande (acima de 100 funcionários).
Tabela 5-12: Exportação, importação e balança comercial da RI e do Brasil para os anos de 2002 e 2019
Fonte: Comex Stat

SEÇÃO II – PROJEÇÕES DE DEMANDA

Nesta seção serão apresentadas as metodologias e resultados das projeções de demanda de
passageiros, cargas e movimentos de aeronaves na aviação comercial e geral.
No capítulo 6 apresenta-se uma metodologia geral de projeção de demanda a ser posteriormente
aplicada a cada fluxo em particular, conforme apresentado nos capítulos 7 a 10. Na análise específica
de cada fluxo de demanda, são endereçadas primeiramente as projeções sem restrições (ou
irrestritas), isto é, desconsiderando eventuais efeitos de restrição de capacidade em qualquer dos
subsistemas do Aeroporto.
O capítulo 7 trata da projeção de tráfego de passageiros, enquanto o capítulo 8 endereça a projeção
de movimentos de aeronaves na aviação comercial. O capítulo 9, por sua vez, trata da projeção de
cargas e o capítulo 10 aborda as projeções de aviação geral. Finalizando as projeções irrestritas, o
capítulo 11 enfoca as demandas de pico (passageiros, pista, pátio e estacionamento de veículos),
empregadas nos Estudos de Engenharia e Afins para o dimensionamento adequado do Aeroporto.
Ademais, o capítulo 12, em que são apresentadas as projeções com restrições, isto é, com eventuais
impactos de restrições de capacidade apontadas nos Estudos de Engenharia e Afins. Por fim, o capítulo
13 apresenta a inserção do aeroporto na malha aérea: tendo em vista os resultados das projeções, a
seção apresenta uma análise da inserção na malha aérea brasileira e internacional.
6 METODOLOGIA GERAL DE PROJEÇÃO DE DEMANDA

Diferentes metodologias podem ser empregadas, isoladamente ou conjuntamente, para as projeções
de demandas de passageiros, cargas aéreas e aviação geral, no horizonte da concessão. As abordagens
podem ser mais subjetivas, baseadas na visão crítica de especialistas, ou mais objetivas, calcadas em
métodos quantitativos com grau variável de complexidade.
O objetivo deste capítulo é apresentar a estrutura geral da metodologia de projeção de demanda, bem
como aprofundar tecnicamente algumas partes desta metodologia que são comuns aos diferentes
fluxos de demanda projetados (passageiros domésticos, internacionais, cargas domésticas, cargas de
importação, aviação geral etc.).
A metodologia geral de demanda pode ser decomposta em cinco etapas, conforme a Figura 6-1.
Figura 6-1: Metodologia geral de projeção de demanda
As Etapas 1 a 3 possuem um roteiro de atividades comum independentemente do fluxo de demanda

analisado, e serão, portanto, aprofundados nos subitens 6.1 a 6.3 deste capítulo. O subitem 6.4 traz
parte da metodologia aplicada na Etapa 4 da projeção de passageiros comerciais. Os capítulos 7 a 10
tratarão da aplicação destas cinco etapas a cada fluxo de demanda em específico.
6.1 Preparação dos dados

A primeira etapa das projeções de demanda realizadas neste Estudo consiste na definição de variáveis
dependentes, bem como das variáveis independentes (ou explicativas) a serem testadas na busca de
modelos e parâmetros de projeção que sejam capazes de explicar com a maior precisão possível a
demanda futura.
As variáveis dependentes representam a demanda a ser projetada, nos diferentes fluxos. A demanda
em um aeroporto em específico, por sua vez, pode ser afetada por diversos fatores socioeconômicos
e demográficos, mas também por um ganho ou perda de participação de mercado caso haja um
aeroporto competidor.
Assim, considerando que se busca estabelecer uma relação de causa e efeito entre demanda e fatores
socioeconômicos e demográficos, as variáveis dependentes adotadas se referem à RI do Aeroporto,
incluindo a demanda de outros sítios que porventura compartilhem tal Região, disputando o mercado.
De outra forma, uma oscilação na demanda decorrente de ganho/ perda de participação de mercado
seria equivocadamente atribuída a maior ou menor PIB, por exemplo, distorcendo os resultados dos
modelos econométricos utilizados.
Assim, para se obter o tráfego futuro de passageiros internacionais em determinado aeroporto
projeta-se primeiramente o fluxo de passageiros internacionais no Brasil, que é a RI para este tipo de
fluxo, e depois faz-se uma série de análises e ajustes, principalmente de participação de mercado
futura do aeroporto, para se obter o indicador final de interesse (Etapa 4 da metodologia geral).
As variáveis independentes a serem testadas, por sua vez, são mapeadas a partir do exame de todas
as possíveis relações causais com as variáveis dependentes. Esse exame parte tanto da experiência de
mercado dos consultores como da verificação de outros estudos similares realizados.
Listadas todas as variáveis a serem testadas, parte-se para a coleta e organização dos dados históricos
correspondentes. A seguir, comenta-se sobre os principais tratamentos de dados históricos realizados
neste Estudo, para os diferentes fluxos.
Inicialmente as séries históricas mensais das variáveis dependentes e independentes são
dessazonalizadas, evitando que a sazonalidade mensal contamine a aferição do poder explicativo das
relações avaliadas68. Os resultados mensais são posteriormente (Etapa 3) “ressazonalizados”, por meio
da reaplicação dos índices calculados.
A Figura 6-2 exemplifica a retirada dos efeitos da sazonalidade no PIB real brasileiro – variável
considerada em grande parte das regressões realizadas neste Estudo de Mercado.
68Para tanto, utiliza-se o método X11, utilizado pelo US Bureau of Labor Statistics (BLS). Essa metodologia aplica as médias
móveis empregadas nas estimativas da tendência e sazonalidade são construídas de tal modo que possuam propriedades de
conservação da tendência, da eliminação da sazonalidade e da redução do ruído. Para mais detalhes acessar:
https://cran.r-project.org/web/packages/seasonal/vignettes/seas.pdf
https://www.maxwell.vrac.puc-rio.br/12167/12167_3.PDF
.
Figura 6-2: Comparativo entre PIB trimestral mensal brasileiro com e sem sazonalidade
Fonte: IBGE
Além da dessazonalização, as séries também foram testadas em logaritmo natural. Este recurso é usual
em estimação de demanda e há diversas vantagens que podem justificar seu uso. Segundo Wooldridge
(2016)69, modelos no formato “log-log”, ou seja, em que todas as variáveis estão em logaritmo,
geralmente satisfazem melhor as hipóteses do modelo linear, que serão discutidas mais adiante. Além
disso, esses modelos facilitam a interpretação da relação entre as variáveis, uma vez que o coeficiente
da regressão representa a elasticidade entre as variáveis, isto é, o quanto a oscilação de uma variável
impacta diretamente a oscilação de outra.
Por fim, as séries são preparadas para testes com diferentes periodicidades: mensais, trimestrais ou
anuais, cuja escolha dependerá da frequência das séries disponíveis e da qualidade estatística dos
resultados.
6.2 Seleção e parametrização do modelo de projeção

A segunda etapa da metodologia geral inicia-se com a definição do modelo de projeção, isto é, do
método ou ferramenta utilizada para, a partir dos dados pretéritos e da relação entre o fenômeno que
se quer explicar e suas potenciais causas, projetar o comportamento futuro da variável de interesse.
Dentre os diversos métodos quantitativos de projeção disponíveis, este Estudo empregará
principalmente dois, a depender do fluxo de demanda analisado: regressões lineares e séries
temporais baseadas em modelos ARIMA, conforme detalhado no item 6.2.1.
69 Wooldridge, Jeffrey M. Introductory econometrics: A modern approach. Nelson Education, 2016.

Vale destacar que ambos os métodos foram discutidos e validados pela Airport Council International
(ACI), International Civil Aviation Organization (ICAO) e International Air Transport Association (IATA)
como metodologias consistentes para estimação de modelos e projeção de demanda aérea70.
Uma vez definido o modelo de projeção este deve ser parametrizado, isto é, deve-se determinar as
variáveis independentes a serem projetadas, a partir de um algoritmo de teste de diferentes
alternativas e da avaliação sucessiva da validade e qualidade estatística e dos resultados – como se
abordará no item 6.2.2.
6.2.1 Definição do modelo de projeção

A definição do modelo de projeção depende dos objetivos pretendidos, da compreensão dos
fenômenos que explicam o comportamento da demanda e da disponibilidade de dados confiáveis
(tamanhos e frequência das séries históricas), entre outros fatores.
Nos casos avaliados neste Estudo de Mercado, para a maior parte dos fluxos se dispõe de dados
adequados ao uso de métodos quantitativos de maior complexidade e acurácia: regressões lineares e
séries temporais, que são a seguir explanados.
6.2.1.1 Regressão linear

Para projeções quantitativas de longo prazo de fenômenos para os quais se consegue definir variáveis
explicativas, com disponibilidade a séries históricas adequadas e projeções confiáveis dessas variáveis
explicativas, usualmente são adotados modelos de regressão linear para projeções. Conforme já
comentado, o método da regressão tem sido utilizado e validado pelas principais instituições do
transporte aéreo, como a IATA71 e a ICAO72.
Segundo a ICAO, as regressões visam testar relações de causa e efeito entre a variável que se quer
projetar e outras variáveis disponíveis para análise. Outra definição que merece destaque, mais
acadêmica, é de Gujarati (2008)73: “A análise de regressão diz respeito ao estudo da dependência de
uma variável, a variável dependente, em relação a uma ou mais variáveis [regressões simples ou
múltiplas], as variáveis explanatórias [explicativas], visando estimar e/ou prever o valor médio (da
população) da primeira em termos dos valores conhecidos ou fixados (em amostragens repetidas) das
segundas”.
Destaca-se, neste último trecho, que a regressão pode ser feita com uma ou mais variáveis explicativas.
Enquanto a regressão simples utiliza apenas uma variável explicativa, a regressão múltipla faz uso de
diversas séries econômicas para explicar a variação da série que se deseja projetar. Entretanto, de
70 International Civil Aviation Organization. Manual on air traffic forecasting. Vol. 8991. International Civil Aviation
Organization, 2006. Airport Council International. ACI Guide to World Airport Traffic Forecasts. 2016. Air Traffic Forecasting
Methodology by IATA
(disponível em: http://www.epd.gov.hk/eia/register/report/eiareport/eia_2232014/html/Appendix%202.1.pdf)
71 Air Traffic Forecasting Methodology by IATA (disponível em:
http://www.epd.gov.hk/eia/register/report/eiareport/eia_2232014/html/Appendix%202.1.pdf)
72International Civil Aviation Organization. Manual on air traffic forecasting. Vol. 8991. International Civil Aviation
Organization, 2006.
73 Gujarati, Damodar N. Basic econometrics. Tata McGraw-Hill Education, 2009.
modo geral, as duas possibilidades têm os mesmos princípios e hipóteses para se encontrar a relação
de causa e efeito desejada.
A equação que relaciona as variáveis pode ser escrita da seguinte forma:
Equação 6-1: Relação entre variáveis dependentes e independentes

𝑦 = 𝛽𝑜 + 𝛽𝑖 𝑥𝑖 + 𝜇
Onde: 𝑦 é a variável dependente; 𝛽0 é a constante de intercepto da equação; 𝛽𝑖 são os coeficientes de
relação entre y, variável independente, e as variáveis independentes (𝑥𝑖 ); e 𝜇 é o termo de erro. O
termo de erro representa outros fatores que afetam 𝑦 além de 𝑥𝑖 , ou seja, tudo aquilo que influencia
a variável dependente e não é observado pela regressão.
Os parâmetros da regressão são estimados a partir do método mínimos quadrados ordinários (MQO),
que busca calcular os coeficientes minimizando os erros (𝜇) da equação. Por este método, é possível
obter estimativas consistentes dos verdadeiros valores de 𝛽𝑜 e 𝛽𝑖 , que são desconhecidos, a partir de
bases de dados disponíveis. Como são estimativas, a Equação 6-2 pode ser transformada para:
Equação 6-2: Relação entre variáveis dependentes e independentes com coeficientes estimados por
regressão (1/2)
̂𝑜 + 𝛽̂𝑖 𝑥𝑖 + 𝜇̂
𝑦= 𝛽
A Equação 6-2 não é calculável pois os valores dos coeficientes são desconhecidos. Já na Equação 6-3
os coeficientes são estimados por regressão a partir de uma amostra de dados disponível, obtendo-se
̂𝑜 e 𝛽̂𝑖 , isso é, os valores de coeficientes mais próximos da realidade (𝛽𝑜 e 𝛽𝑖 ). Com algumas
os valores 𝛽
alterações na equação é possível obter:
Equação 6-3: Relação entre variáveis dependentes e independentes com coeficientes estimados por
regressão (2/2)
̂𝑜 + 𝛽̂𝑖 𝑥𝑖 + 𝜇̂
𝑦= 𝛽
𝑦 = 𝑦̂ + 𝜇̂
𝜇̂ = 𝑦 − 𝑦̂
Observa-se que os 𝜇̂ (resíduos estimados) são a diferença entre os valores observados e estimados de
Y. Portanto, dadas n observações de X e Y, o objetivo do MQO é escolher uma função (chamada FRA -
Função de Regressão Amostral) que minimize a soma dos resíduos. Assim, por esse método, a FRA
deve ser fixada de tal modo a minimizar o seguinte termo:
Equação 6-4: Equação que define o objetivo do MQO
∑ 𝜇̂ 𝑖2 = ∑(𝑦𝑖 − 𝑦̂𝑖 )2
A figura abaixo ilustra o método:

Figura 6-3: Curva de PIB per capita (Y) x Pax per capita (X)
O primeiro indicador da qualidade de uma regressão é a significância dos coeficientes. Para isso, os
softwares estatísticos já apresentam essa estatística do através do p-value, que indica a probabilidade
que o coeficiente encontrado seja igual a zero. Assim, resultados baixos de p-values, normalmente
abaixo dos valores críticos escolhidos (1%, 5% ou 10%), sugerem que o coeficiente encontrado na
regressão é estatisticamente significante, ou seja, diferente de zero.
O segundo indicador normalmente verificado na regressão é o coeficiente de determinação, R². Essa
estatística é uma medida de proximidade dos dados com a FRA, ou seja, é o percentual da oscilação
da variável dependente que é explicado pelo modelo. Vale ressaltar que um valor alto de R-quadrado
não significa necessariamente que o modelo encontrado seja um bom modelo. O valor do R² aumenta
sempre que um novo regressor é adicionado ao modelo, independente se as variáveis são significativas
ou se tem relação com a variável dependente. Ou seja, é possível obter valores altos de R² mesmo com
modelos que não tem relação com a realidade da variável dependente. Além disso, um modelo com
R-quadrado muito elevado pode sofrer de sobre ajuste, ou seja, quando um modelo se ajusta muito
bem com as variáveis independentes utilizadas, mas que é ineficaz para fazer previsões. Esse problema
é comum quando são utilizadas muitas variáveis independentes no modelo e o R-quadrado é muito
elevado.
Para garantir que os coeficientes estimados estejam próximos dos verdadeiros valores dos coeficientes
e que os testes feitos sejam verdadeiros, é preciso garantir que determinadas hipóteses a respeito de
como 𝑦̂ é gerado sejam cumpridas. Essas premissas são fundamentais para a interpretação das
estimativas da regressão. As hipóteses são:
(i) As variáveis da regressão têm relação linear;
(ii) Valor esperado do erro é sempre zero;
(iii) Não há colinearidade perfeita entre as variáveis independentes;
(iv) Resíduos tem variância constante;
(v) Resíduos não são auto correlacionados; e
(vi) Normalidade dos erros.
Essas são as premissas básicas do modelo de regressão linear. Sob as hipóteses (i) a (iv), garante-se
que os coeficientes estimados não são viesados, ou seja, que o valor esperado do coeficiente da
amostra é igual ao valor do coeficiente da população. Já sob todas as hipóteses é possível garantir que
os estimadores MQO são os melhores entre todos os estimadores da classe dos lineares não-viesados.
Ser o melhor estimador significa que esse indicador tem variância mínima na classe de todos os
estimadores disponíveis e, portanto, é o estimador mais eficiente.
Para garantir que o modelo escolhido esteja de acordo com essas premissas faz-se o uso de testes
estatísticos. Nos próximos parágrafos, serão explicadas as principais hipóteses, os testes utilizados
para detectar os problemas e as soluções quando os resultados não estão de acordo com o esperado.
• Hipótese 1 – Variáveis da regressão têm relação linear: Essa premissa assume que o modelo
de regressão é linear nos parâmetros, embora possa não ser linear nas variáveis. Essa hipótese
assume que a relação entre as variáveis tem um formato característico, como já apresentado:
Equação 6-5: Hipótese 1

𝑦 = 𝛽𝑜 + 𝛽𝑖 𝑥𝑖 + 𝜇
• Hipótese 2 - Valor esperado do erro é sempre zero: Essa premissa afirma que o valor esperado
do erro é sempre zero, independentemente do valor de X. Ou seja:

𝐸 (𝜇𝑖 | 𝑥𝑖 ) = 0
De acordo com Gujarati (2008): “É importante ressaltar que a hipótese implica que não existe
viés de especificação ou erro de especificação no modelo usado na análise empírica. Em outras
palavras, o modelo de regressão está especificado corretamente. Deixar de fora variáveis
explanatórias importantes, incluir variáveis desnecessárias ou escolher incorretamente a forma
funcional da relação entre as variáveis Y e X são alguns exemplos de erro de especificação”.
Quando essa premissa não é cumprida, o modelo sofre de endogeneidade, que significa que o
erro é correlacionado com a variável explicativa. Pode ser destacado como um exemplo de
endogeneidade: a regressão entre salário e o nível de educação. Possivelmente, o nível de
educação é correlacionado ao nível de habilidade do indivíduo, que, por sua vez, está no termo
de erro por não ser mensurável. Assim, o nível de educação é correlacionado ao erro e,
portanto, a regressão sofre de endogeneidade.
Se o modelo que se deseja trabalhar sofrer de endogeneidade, há alguns métodos que podem
ser utilizados para transpor o problema, como: variáveis instrumentais; estimadores de MQO
em dois estágios; e painel.
• Hipótese 3 - Não há colinearidade perfeita entre as variáveis independentes: Essa hipótese
afirma que não há relação perfeita ou exata entre as variáveis explicativas. Quando isso ocorre,
o modelo tem um problema de multicolinearidade. De acordo com Montgomery e Peck
(1982)74, diversos fatores podem gerar esse problema:
(i) Base de dados muito limitada;
(ii) Especificações equivocadas do modelo;
(iii) Sobredeterminação do modelo;
(iv) Utilização de regressões com tendência comum.
74 Montgomery, D. "C., and EA Peck. 1982. Introduction to Linear Regression Analysis." New York
Em caso de multicolinearidade, o modelo pode sofrer com diversos problemas. Primeiro, os

estimadores de MQO passariam a ter maiores variância e covariância, tornando difícil uma
estimação correta. Desse modo, os intervalos de confiança tendem a ser muito mais amplos,
o que torna difícil a rejeição de coeficientes que na realidade não seriam significantes. Além
disso, a medida geral da qualidade do ajustamento, o R², pode apresentar valores muito mais
elevados do que seriam na realidade, mesmo com os coeficientes das explicativas não sendo
significante. Por fim, os coeficientes e os erros padrões se tornam muito sensíveis a pequenas
alterações dos dados, o que não deveria ser um problema na ausência de multicolinearidade.
Como a multicolinearidade é um fenômeno na amostra utilizada não há um teste direto que
possa detectar esse problema em uma regressão múltipla. Há, no entanto, algumas regras
práticas que podem ser utilizadas e que podem indicar algum nível de multicolinearidade no
modelo escolhido. A primeira regra é calcular a correlação entre os regressores utilizados.
Valores maiores que 0,8 podem indicar que a multicolinearidade pode ser um problema nos
modelos a serem estimados.
Outra maneira é calcular o Fator de Inflação da Variância (VIF 75). Esse fator mostra como a
variância de um estimador é inflada pela presença de multicolinearidade. Quanto a
colinearidade aumenta, a variância de um estimador aumenta e, no limite, pode tornar-se
infinita e o VIF apresenta valores mais elevados. Na ausência de colinearidade, o VIF é 1.
Valores acima de 10 podem indicar problemas de multicolinearidade na regressão.
A literatura aponta alguns procedimentos que devem ser seguidos para lidar com o problema.
Primeiro, destaca Gujarati (2008), frente a restrição de dados disponíveis, muitas vezes a
melhor solução é não fazer nada, ou seja, seguir com a análise mesmo em casos que existe
multicolinearidade. Segundo o autor: “[Em caso de multicolinearidade] não podemos dizer que
todos os coeficientes em um modelo de regressão sejam estatisticamente insignificantes. Além
disso, mesmo que não possamos estimar um ou mais coeficientes de regressão com maior
precisão, uma combinação linear deles (função estimável) pode ser estimada com relativa
eficiência.”
De todo modo, o autor destaca também alguns métodos que podem ajudar para contornar o
problema:
(i) Combinação e transformação de séries;
(ii) Cortes transversais e de séries temporais;
(iii) Exclusão de variáveis;
(iv) Regressões polinomiais.
Por fim, Gujarati discute ainda que o maior problema da multicolinearidade se dá quando é
necessário fazer inferências, uma vez que o problema leva a erros padrões maiores dos
estimadores. Já o caso de previsões, quando mais variáveis explicativas o modelo suportar,
maior o seu poder de previsão, e não há tanta necessidade de se fazer inferências sobre os
coeficientes.
• Hipótese 4 – Resíduos têm variância constante: Quando os resíduos de uma regressão
apresentam variância constante, eles são chamados de homocedásticos. No caso contrário, é
dito que a regressão tem heterocedasticidade. Quando há esse problema, os estimadores
75 Sigla em inglês.
continuam sendo consistentes e não viesados, porém não é possível afirmar que são os mais
eficientes e melhores.
Além da análise gráfica, há diversos testes que investigam a presença de heterocedasticidade.
Entre os principais, é possível destacar os testes de Park, de Glejser, de Spearman, de Goldfeld-
Quandt, de Breusch-Pagan-Godfrey, de White e de Arch. Este último testa se a hipótese nula
que os resíduos do modelo são homocedásticos. Se o valor do p-value for inferior ao valor
crítico escolhido, não se rejeita a hipótese nula e, portanto, não há heterocedasticidade no
modelo testado.
De todo modo, se confirmada a presença de heterocedasticidade, para garantir que os
estimadores são os melhores e mais eficientes pode-se utilizar outro método de estimação, o
método dos mínimos quadrados generalizados (MQG). Esse método leva em conta a
variabilidade na variável explicada, atribuindo peso diferente para cada observação,
dependendo do nível de variância, e, assim, reestima os coeficientes de MQO, em que são
atribuídos pesos iguais para cada observação.
• Hipótese 5 – Resíduos não são autocorrelacionados: Autocorrelação pode ser definida como
q “correlação entre integrantes de séries de observações ordenadas no tempo [como as séries
temporais] ou no espaço [como nos dados de corte transversal]”76. No contexto da regressão,
o modelo clássico de regressão linear pressupõe que essa autocorrelação não existe nos
termos de erro, ou seja, que o erro de uma observação não seja relacionado com o erro de
outra observação qualquer. A autocorrelação pode ocorrer por diversos motivos, como: (i)
inércia; (ii) viés de especificação; (iii) defasagens; (iv) transformação de dados; e (v) ausência
de estacionariedade.
Como na ausência de homocedasticidade, o não cumprimento da hipótese de autocorrelação
leva ao modelo a estimar coeficientes MQO consistentes e não viesados, bem como
consistentes e com distribuição normal assintótica, mas os coeficientes deixam de ser
eficientes, ou seja, têm variância mínima.
A análise gráfica é a principal ferramenta para detectar autocorrelação dos resíduos. Além
disso, diversos testes podem corroborar a análise: (i) Durbin-Watson; (ii) Breusch–Godfrey; (iii)
Geary. Mais comumente utilizado, o teste Durbin-Watson calcula a estatística “d”, que varia
de 0 a 4. Valores entre 1,5 e 2,5 representam ausência de autocorrelação.
Se detectada autocorrelação, existem algumas opções para lidar com o problema:
(i) Utilizar o MQG, assim como no caso de heterocedasticidade;
(ii) Utilizar o método Newey-West para obter erros padrão dos estimadores de MQO
corrigidos para a autocorrelação;
(iii) Incluir um fator autorregressivo na regressão; e
(iv) Utilizar as séries em primeira diferença.
A autocorrelação é um problema muito comum em séries econômicas e os métodos citados

acima são amplamente disseminados na literatura sobre previsões econométricas. Para
solucionar este problema, o presente Estudo faz uso, principalmente, do MQG, o método dos
76Kend all, Maurice G.; Buckland, William R. A dictionary of statistical terms. Nova York: Hafner Publishing
Company, 1971. p.8.
mínimos quadrados ordinários. De maneira oposta ao MQO, que atribui pesos iguais para
todas as observações das variáveis, o MQG atribui pesos ou importâncias diferentes para cada
observação, de acordo com a sua característica estatística. Assim, esse método obtêm os
melhores estimadores possíveis não viesados, mesmo com a presença de autocorrelação e
heterocedasticidade.
• Hipótese 6 – Normalidade dos erros: O modelo clássico de regressão linear supõe que cada
termo de erro seja distribuído normalmente com:

𝑢𝑖 ~ N (0, σ²)
Onde o símbolo ~ significa distribuído como e N representa distribuição normal, os termos
dentro dos parênteses são os dois parâmetros da distribuição normal: a média e a variância.
Essa hipótese é importante, pois uma das propriedades da distribuição normal é que qualquer
função linear de variáveis com distribuição normal também é normalmente distribuída. Isso
significa que se os resíduos forem normalmente distribuídos, os coeficientes também serão
normalmente distribuídos, o que facilita a tarefa de testar as hipóteses de significância.
A não-normalidade dos resíduos pode surgir devido a assimetria na base de dados, muito
comum quanto se tem amostras pequenas. Para identificar a normalidade existem vários
testes, como o Shapiro-Wilk e o Kolmogorov-Smirnov, que visam confirmar a hipótese nula de
que os erros têm distribuição normal. Para isso, os valores dos testes devem ser maiores que
os valores críticos.
De modo geral, os testes estatísticos para essa hipótese são muito rigorosos, atestando não
normalidade, em casos que a série é distribuição normal na realidade. Isso ocorre pois os testes
dão muito peso para valores outliers, ou seja, valores que estejam muito distantes da média.
Desse modo, além do teste, é necessário fazer a análise gráfica dos resíduos. A distribuição
normal tem formato de “sino”, como no exemplo Figura 6-4.
Figura 6-4: Curva da distribuição normal

Além das hipóteses do modelo clássico de regressão linear, outros fatores também precisam ser
verificados para garantir que as estimativas estejam consistentes.
O principal ponto de atenção para previsões é verificar se a regressão encontrada não é uma regressão
espúria, em que as séries apresentam altos valores de correlação, mas não há nenhuma relação de
causa e efeito. Se esse for o caso, a regressão está apontando para uma relação que não existe de fato,
e a previsão fica comprometida.
Para evitar esse problema, as regressões lineares devem ser estimadas apenas com séries
estacionárias. Uma série é estacionária quando suas características estatísticas (média, variância,
mediana etc.) não se alteram ao longo do tempo. Assim, qualquer série que tenha tendência, quebra
estrutural ou autocorrelação é uma série não estacionária. Na Figura 6-5, é possível verificar exemplos
de séries não-estacionária e estacionária.
Figura 6-5: Séries estacionárias e não estacionárias
Essa exigência pode ser contornada se a regressão fizer uso de séries com a mesma tendência ou
mesma relação de longo prazo. Se isso ocorre, as séries são chamadas de cointegradas. Nesse caso, as
tendências das duas séries se anulam, de forma que os resíduos da regressão são estacionários. Em
resumo, para garantir que a regressão não esteja apontando para uma relação espúria, é preciso testar
se os resíduos são estacionários.
Para testar se uma série, ou resíduo de uma regressão, é estacionária, é possível utilizar o teste Dickey-
Fuller Aumentado (ADF). O teste parte da hipótese nula que a série testada é não estacionária e é
possível rejeitar essa hipótese se os valores encontrados para os testes forem maiores que os valores
críticos.
Além da estacionariedade dos resíduos, é importante também verificar a existência de exogeneidade
em alguns casos. Esse problema pode ocorrer quando a variável dependente tem relação de
causalidade com a variável independente. Por exemplo, um modelo de demanda para passageiros
domésticos que utiliza como variável dependente a tarifa pode sofrer de exogeneidade, uma vez que
a tarifa pode aumentar à medida que o número de passageiros aumenta. Isso é um problema porque
no modelo proposto, a hipótese é que o aumento da tarifa, por ser variável explicativa, impacta
negativamente os passageiros domésticos.
Assim, quando surgir a possibilidade de exogeneidade em algum modelo, é preciso testar a direção de
causalidade por meio do teste de Granger. O teste verifica se a variável independente é causa-granger
da variável selecionada. Valores baixos p-value rejeitam essa hipótese e é possível prosseguir com o
modelo selecionado.
As projeções baseadas em regressão linear realizadas neste Estudo percorreram todas as etapas acima
mencionadas, assegurando sua qualidade e validade estatística.
6.2.1.2 Séries temporais

Como já discutido, além da regressão linear, outros métodos podem ser utilizados para previsões. Para
fenômenos que possam, com segurança, ser projetados apenas a partir de dados pretéritos, ou cujas
variáveis explicativas possam ser ignoradas ou são estáveis ao longo do tempo, podem ser empregados
modelos de séries temporais, usualmente dotados de uma parte sistemática (estável) e outra
aleatória.
De acordo com ICAO77, a metodologia de séries temporais leva em conta padrões existentes nas séries
– como tendências, sazonalidade e fatores cíclicos – para estimar o comportamento da série no futuro.
Esse método é importante quando for necessário lidar com séries que têm padrões evidentes no
passado ou que tenham baixa correlação com as séries que estariam disponíveis para a análise de
regressão.
Um importante modelo dessa classe de modelos é o ARIMA. Segundo Gujarati (2008), “a ênfase desses
métodos não está na construção dos modelos uniequacionais ou de equações simultâneas, mas na
análise probabilística, ou estocástica, das propriedades da própria série temporal econômica, sob a
filosofia ‘deixe os dados falarem por si mesmos’”. Ou seja, o modelo é ajustado da melhor maneira aos
dados da série a ser projetada de forma a conseguir a melhor previsão possível dessa série.
O modelo ARIMA é composto por três partes e denominado ARIMA (p, d, q). O termo p se refere a
parte autorregressiva (AR) do modelo e indica que a projeção é feita a partir dos valores defasados da
própria série a ser projetada. O termo q representa a parte de média móvel do modelo (MA), isto é,
indica que a previsão provém de um processo de combinação linear dos termos do passado. Já o termo
d indica quantas vezes a série foi diferenciada para realizar a previsão, ou seja, se o modelo considera
a série no nível ou em suas diferenças (primeira e segunda diferença).
77International Civil Aviation Organization. Manual on air traffic forecasting. Vol. 8991. International Civil Aviation
Organization, 2006.
Em alguns casos, é possível utilizar uma série independente como regressor, além da própria série
dependente que se deseja projetar. Neste caso, o próprio modelo ajusta o coeficiente desse regressor
para inclui-lo junto aos autorregressores.
As principais ferramentas para identificar o modelo ARIMA mais adequado ao caso concreto são as
funções de correlação amostral (ACF) e de correlação amostral parcial (PACF). A ACF representa a
correlação entre as observações de uma série e seus próprios valores defasados. Já a PACF também
representa a autocorrelação da série, porém controla os valores das defasagens menores, ou seja, isola
efeitos intermediários de correlação.
Por fim, após modelagem do modelo ARIMA a principal ferramenta para verificar se o modelo se ajusta
adequadamente aos dados e se, portanto, a projeção será consistente, é verificar se os resíduos do
modelo não são auto correlacionados. Segundo Gurajati (2008)78: “[Se] os correlogramas tanto da
autocorrelação quanto da autocorrelação parcial dão a impressão de que os resíduos estimados são
puramente aleatórios[...], não deve haver qualquer necessidade de procurar por outro modelo ARIMA”.
As projeções baseadas em ARIMA realizadas neste Estudo seguiram as melhores práticas indicadas na
literatura para assegurar a qualidade e validade estatística.
6.2.2 Determinação das variáveis independentes

Definidas as variáveis a serem testadas (vide item 6.1) e o modelo matemático que servirá de base
para a projeção (item 6.2.1) a próxima atividade consiste em parametrizar o modelo definindo as
variáveis que serão efetivamente empregadas.
Para tanto, executa-se uma rotina computacional que testa combinações possíveis de variáveis
independentes, realiza os testes estatísticos usuais filtrando os que não responderam adequadamente
às hipóteses e filtra resultados que possam não ter lógica adequada (por exemplo, regressões de
projeção de passageiros cuja elasticidade da demanda às tarifas tenha sinal positivo, ou elasticidade-
PIB da demanda com sinal negativo).
78 Gujarati, Damodar. "N. 2003." Basic econometrics 4 (2008).

Figura 6-6: Rotina de seleção de variáveis independentes (ilustrativo) – válido para projeções com base em
regressão linear
Finalmente, escolhem-se as variáveis de projeção a partir do ranking com as combinações de melhor

qualidade estatística, admitindo-se, para casos com resultados equivalentes, a preferência por
equações mais simples e com maior aderência dos coeficientes aos valores esperados em casos
similares.
6.3 Projeção das variáveis

Uma vez definido e parametrizado o modelo de projeção (Etapa 2 da metodologia geral representada
na Figura 6-1) projetam-se as variáveis independentes a partir de fontes públicas, diretrizes específicas
da SAC/MI ou análises complementares79 por um prazo compatível com o da concessão de SBMT e
eventuais sensibilidades de extensão de prazo que se deseje conduzir.
Aplicando as projeções das variáveis independentes no modelo de projeção definido, obtém-se as
projeções das variáveis dependentes de interesse. Uma vez concluída tal projeção, os dados finais são
“ressazonalizados”, conforme se mencionou no item 6.1, uma vez que as análises estatísticas foram
feitas com os dados dessazonalizados.
6.4 Ajuste da projeção das variáveis por fatores específicos a cada fluxo
A quarta Etapa da metodologia geral (Figura 6-1) consiste em promover alterações nos resultados das
projeções das variáveis dependentes para incorporar efeitos que não foram devidamente capturados
no modelo de projeção ou nas projeções das variáveis, e aproximar os resultados da realidade que se
deseja espelhar.
79 Em casos em que se adotou um modelo puramente autorregressivo esta atividade não se aplica.
Esses ajustes serão distintos em cada tipo de demanda e os ajustes serão detalhados no próprio
capítulo do fluxo de demanda. São exemplos dessa etapa as seguintes atividades:
• Divisão da demanda entre aeroportos competidores;
• Divisão entre diferentes modais;
• Ajustes das projeções em função da criação de novas rotas internacionais; e
• Ajustes devido à pandemia.
Neste capítulo serão apresentadas as metodologias da competição intramodal e intermodal de
passageiros comerciais.
6.5 Adaptação dos resultados para cálculo de outras variáveis de interesse

A quinta e última Etapa da metodologia geral consiste em adaptar os resultados finais da projeção de
demanda para obter projeções correlatas de interesse. Para tanto, combina-se os resultados das
projeções com outros parâmetros, avaliados caso a caso.
São exemplos de atividades associadas a esta Etapa:
• Cálculo de movimentos de aeronaves comerciais a partir da projeção de passageiros e
premissas de mix de frota, load fator, etc.;
• Cálculo de movimentos de aeronaves cargueiras a partir das projeções de movimentação de
cargas aéreas e lotes médios.
Nos próximos capítulos serão apresentadas as principais aberturas de demanda de SBMT, abordando-
se, para cada caso, as cinco etapas comentadas neste capítulo.
7 PROJEÇÕES DE TRÁFEGO DE PASSAGEIROS SEM RESTRIÇÕES

Este capítulo visa apresentar a metodologia, os cálculos e os resultados das projeções de tráfego de
passageiros domésticos e internacionais, bem como os de conexão80, além das projeções de
movimentos de aeronaves na aviação comercial de passageiros.
A Figura 7-1 resume as etapas da projeção, baseadas na metodologia geral delineada no capítulo 6:
Figura 7-1: Metodologia de projeção de tráfego de passageiros
O Aeroporto de Campo de Marte não realiza operações de aviação comercial, apenas de AVG. Por uma
série de razões abaixo expostas considerou-se a manutenção desta vocação ao longo da concessão.
• Mercado se encontra bem atendido
o A Região de Influência do Aeroporto (apresentada no item 3) compreende diversos

aeroportos que operam atualmente aviação regular, incluindo SBKP (Viracopos), SBSP
(Congonhas), SBGR (Guarulhos), SBRP (Ribeirão Preto), SBAE (Bauru), SBVG (Varginha),
SBSJ (São José dos Campos) e SBAQ (Araraquara). Tais aeroportos, em especial os de
maior proximidade de Campo de Marte (Guarulhos, Congonhas e Viracopos) reúnem
todas as condições para bem atender a RI de SBMT. Esses aeroportos possuem elevada
conectividade, com voos diretos para todas as regiões do Brasil e serviços diversos aos
passageiros e cias. aéreas.
• Adequação da infraestrutura existente
o SBMT teria que sofrer diversas adaptações para eventualmente retomar operações
comerciais regulares. Além de RESA, outras adaptações teriam quer ser feitas em
termos de taxiways e pátios.O sítio aeroportuário está inserido em uma área área
80São considerados os passageiros domésticos e internacionais de aviação regular e charter. Os passageiros de aviação geral,
incluindo táxi aéreo, possuem drivers de crescimento diferentes e foram segregados na base de dados, sendo projetados no
capítulo de Aviação Geral.
densamente ocupada e eventual expansão exigiria áreas significativas de

desapropriação.
o Note-se por fim que o fato de o Aeroporto de Campo de Marte possui uma extensa
aérea militar e dispõem de uma série de instalações militares que poderia dificultar a
adaptação do sítio aeroportuário.
• Conflitos com entorno
o Eventual início de operações comerciais em SBMT poderia levar as curvas de ruído a

extrapolar os limites patrimoniais e impactar mais a região do entorno (este impacto
é atualmente bastante reduzido, como esclarece os Relatórios Ambiental e de
Engenharia e Afins).
Pelos motivos acima expostos as projeções de demanda realizadas neste Relatório se atêm à aviação
geral, não endereçando passageiros e cargas na aviação comercial. Da mesma forma, não serão feitas
análises de competição intermodal e intramodal e demandas de pico atrelados à aviação comercial
(passageiros e cargas).
8 PROJEÇÃO DE MOVIMENTOS DE AERONAVES COMERCIAIS DE

PASSAGEIROS SEM RESTRIÇÕES
A projeção de movimentos de aeronaves é parâmetro chave para o dimensionamento dos sistemas de
pistas e pátios, bem como do sistema de navegação aeronáutica. De forma geral, interessam tanto o
movimento total anual previsto como a segregação por tipos e classes de aeronaves. O Relatório de
Engenharia e Afins apresentará o projeto dos elementos do Aeroporto à luz da demanda projetada.
Além disso, a projeção de movimentos é essencial na projeção do tempo de permanência de aeronaves
em área de manobra e de estadia, parâmetro utilizado para estimar parte das receitas tarifárias do
Aeroporto, conforme detalhado na Avaliação Econômico-Financeira.
A projeção dos movimentos de aeronaves comerciais é calculada pela combinação da projeção de
passageiros (para os diferentes fluxos – doméstico e internacional) com outros parâmetros como a
quantidade de destinos conectados, o mix de modelos de aeronaves na frota e as respectivas médias
de assentos por aeronave, e o load factor médio (taxa média de ocupação das aeronaves).
Trata-se, portanto, de uma projeção derivada daquela desenvolvida no item 7, e que também
influencia o fluxo de passageiros pelo impacto da criação de rotas internacionais, conforme se
discorreu na metodologia geral de projeção de demanda, em figura abaixo reproduzida. Apesar de ser
uma extensão das análises do item 7, a projeção de movimentos de aeronaves comerciais de
passageiros, pela importância e complexidade, será tratada de forma dedicada no presente capítulo.
Figura 8-1: Projeção de movimentos de aeronaves como decorrência da projeção de passageiros no Aeroporto
A projeção de movimentos de aeronaves está intrinsecamente ligada à inserção do Aeroporto na

malha aérea – se dois aeroportos possuem o mesmo total de passageiros, mas um deles está
conectado a diversos aeroportos próximos, e outro a poucos aeroportos distantes, seus perfis de
aeronaves e seus totais de movimentos de pista serão distintos. A projeção realizada neste Estudo de
Mercado busca capturar esses efeitos e ser um reflexo fiel da quantidade de movimentos esperada ao
longo do período de concessão do Aeroporto.
A Figura 8-2 resume a metodologia adotada para a projeção de operações comerciais sem restrições 81.
Figura 8-2: Metodologia para a projeção de movimentos de aeronaves sem restrição
A primeira etapa visa caracterizar os fluxos existentes em 2019 por par origem-destino e estabelecer
os critérios para: (i) a retomada de rotas que tenham sido descontinuadas na pandemia, e (ii) a criação
de novas rotas.
Na segunda etapa, realiza-se o cálculo dos gatilhos de demanda para a criação de novas rotas, com
base em distâncias mínimas e quantidades mínimas de passageiros/mês para cada classe de aeronave.
A terceira etapa consiste na alocação de passageiros às rotas existentes mapeadas e às novas rotas
potenciais ao longo do horizonte de projeção. Para as rotas existentes antes da pandemia, considera-
se que as operações são retomadas com as mesmas características pré-pandemia com o fim da
restrição e circulação. Novas rotas são efetivamente criadas quando a demanda real do Aeroporto
para a rota potencial supera o gatilho definido.
81Inicialmente projeta-se os movimentos de aeronaves sem restrições, isto é, sem levar em consideração eventuais restrições
de capacidade do Aeroporto. Posteriormente neste Relatório avalia-se eventuais restrições no longo prazo e seu reflexo sobre
o total de movimentos de aeronaves.
A Figura 8-3 ilustra como as diferentes informações são coordenadas no esforço de definir a criação
de novas rotas e a retomada/expansão das rotas existentes antes da pandemia (maior detalhamento
será apresentado ao longo desta seção).
Figura 8-3: Fluxograma do processo de conversão da demanda em criação/expansão de rotas (etapas 1, 2 e 3

da metodologia de projeção de movimentos de aeronaves comerciais de passageiros)
Na quarta etapa, calcula-se o número de movimentos por rota doméstica a partir da projeção de
assentos oferecidos e load factor para cada faixa de aeronaves, com base em uma avaliação da frota
atual brasileira. Os movimentos são calculados dividindo-se, período a período, a demanda de
passageiros de cada rota pela média de passageiros por movimento da classe de aeronave alocada
àquela rota.
Calculado o número de movimentos, parte-se para a quinta etapa: determinação do mix de aeronaves.
Para tal, são aplicados critérios de segregação dos modelos em classes, gerando informações utilizadas
nos Estudos de Engenharia e Afins e na Avaliação Econômico-Financeira. São consideradas as seguintes
classificações:
• Por faixa de envergadura (distância entre as pontas das asas);
• Por velocidade de cruzamento de cabeceira.
Cabe apontar que, conforme observado no 2.1, o Aeroporto não apresentou historicamente fluxos de
aeronaves de passageiros regulares relevantes. Uma vez que não é prevista a de passageiros
comerciais regulares no Aeroporto no horizonte da concessão, como apresentado no item 7, as
projeções não consideram fluxos de aeronaves de passageiros regulares para o Aeroporto.
9 PROJEÇÃO DE CARGAS AÉREAS

As projeções de movimentação de carga aérea nos diversos fluxos (doméstica, correios, exportação e
importação), bem como a projeção de movimentos de aeronaves cargueiras, são empregadas nas
análises de engenharia no dimensionamento de áreas e instalações do aeroporto e na avaliação
econômico-financeira, uma vez que tais projeções estão associadas a receitas e custos da concessão.
A carga aérea pode ser movimentada exclusivamente por aeronaves cargueiras dedicadas ao serviço
(pure cargo carrier - PCC) ou no porão das aeronaves comerciais. O processamento de cargas de
importação ocorre nos Terminais de Cargas (TECAs) dos aeroportos – que atuam como recintos
aduaneiros. Essas cargas podem ser recebidas de diversas formas: em voos internacionais diretos; em
voos domésticos, com a carga transportada em trânsito aduaneiro; em modais terrestres, com o TECA
operando como se fosse um recinto alfandegado em Zona Secundária (porto seco ou CLIA). Nos fluxos
de exportação o processo ocorre no sentido inverso.
As cargas domésticas e de correios, por outro lado, são movimentadas pela companhia aérea
responsável e armazenada em galpões das próprias ou de empresas de logística, dentro ou fora do
sítio aeroportuário82. Os fluxos domésticos, porém, são menos relevantes para o operador
aeroportuário – uma vez que não geram receitas operacionais (exceto quando usam o TECA).
Para cada fluxo de carga foram avaliadas tendências históricas e relações causais com indicadores
econômicos e outros drivers, nacionais e regionais, para determinar a melhor forma de projetar a
demanda futura. Ao final dessa avaliação, alguns dos fluxos de cargas foram projetados a partir de
modelos de regressão ou séries temporais, enquanto outros foram projetados como complemento à
projeção de outras variáveis, como mostra o quadro abaixo, baseado no capítulo 6, que consolida as
metodologias empregadas neste capítulo.
82Estes fluxos são menos relevantes para o operador aeroportuário, uma vez que não operam, controlam nem auferem
receitas com a maior parte das cargas domésticas e correios.
Figura 9-1: Metodologia geral de projeção de cargas domésticas, internacionais e movimentos de aeronaves
cargueiras no Aeroporto
Cabe apontar que, conforme observado no 2.1, o Aeroporto não apresentou historicamente fluxos de
cargas domésticas e internacionais. Uma vez que não é prevista a criação de rotas de aviação regular
de passageiros no Aeroporto no horizonte da concessão, como apresentado no item 8, as projeções
não consideram fluxos de carga para o Aeroporto.
10 PROJEÇÃO DE MOVIMENTOS DE AVIAÇÃO GERAL

Este capítulo apresenta a metodologia, os cálculos e os resultados das projeções de movimentos de
aviação geral (AVG), definidos como “todas as operações de aviação civil que não configurem
transporte aéreo público de passageiros ou de carga”83. Assim, incluem serviços aéreos privados, voos
de instrução, taxi aéreo, operações de aeronaves agrícolas, entre outros.
A Figura 10-1 mostra a frota de aeronaves de AVG por tipo de uso em junho de 2019, no Brasil.
Figura 10-1: Frota de AVG por tipo de uso no Brasil
Fonte: ABAG
Há duas razões principais para que, na aviação geral, projete-se o total de movimentos de aeronaves
e, posteriormente e de forma derivada, o total de passageiros. Primeiramente, AVG afeta a viabilidade
da concessão do Aeroporto ao gerar tarifas aeroportuárias de pouso e permanência e receitas
comerciais atreladas à hangaragem – e ambas têm como driver o total de movimentos de aeronaves.
Adicionalmente, em AVG os dados de passageiros são menos precisos que os de movimentos 84 e, em
muitos casos, não são sequer reportados ou simplesmente não há passageiros (ex. operações
relacionadas a serviços de aerofotografia ou de pulverização).
A Figura 10-2 resume as etapas da projeção, baseadas na metodologia geral delineada no capítulo 6:
83 Fonte: Decreto nº 7.168, de 5 de maio de 2010. Dispõe sobre o Programa Nacional de Segurança da Aviação Civil Contra
Atos de Interferência Ilícita (PNAVSEC). Diário Oficial [da] República Federativa do Brasil, Seção 1, p. 04-16, 06 maio 2010.
84 O registro de passageiros movimentados depende da qualidade das informações fornecidas pelas empresas, porém nem
todas as remetem.
Figura 10-2:Metodologia de projeção de movimentos de AVG
Como indica a figura, após as etapas de preparação dos dados (Etapa 1) e seleção e parametrização do
modelo de projeção (Etapa 2), os movimentos de AVG no Aeroporto são obtidos a partir da perspectiva
de evolução dos seguintes indicadores:
• Etapa 3: Projeção da movimentação de AVG em função da elasticidade da variável dependente
utilizada na regressão linear. As metodologias utilizadas partem das técnicas descritas no item
6.
• Etapa 4: Avaliação da participação de mercado do Aeroporto na RI frente a seus competidores
diretos apresentados no item 4.2.1.1. Não foram realizados outros ajustes sobre projeção dos
movimentos de AVG85
Finalmente, na Etapa 5, projeta-se o mix de aeronaves de AVG (variável de interesse para cálculos de
capacidade no Estudo de Engenharia e Afins e de receitas tarifárias, na Avaliação Econômico-
Financeira) e, a partir da média de passageiros por aeronave, o número de passageiros no aeroporto.
Nos próximos itens serão desenvolvidas as etapas acima.
10.1 Preparação dos dados

A preparação para as projeções requer, de início, a definição das variáveis dependentes e das possíveis
variáveis independentes. Percorrida estas atividades, montou-se um banco de dados completo com as
séries históricas destas variáveis para a realização posterior dos testes estatísticos adequados.
Como variável dependente foi adotada a movimentação de AVG dos aeroportos competidores
selecionados (Figura 10-3). Por sua vez, a série histórica é composta pelos aeroportos competidores
com disponibilidade de dados de movimentação com periodicidade mensal e com histórico longo o
suficiente, visando capturar efeitos sazonais e evitando distorções decorrentes de efeitos de pequena
85 Cabe enfatizar que a AVG recebeu impactos particulares da pandemia do COVID-19 a depender do setor específico de
operação. Enquanto certos setores têm registrado importante redução na movimentação (viagens de negócios, congressos
e artistas etc.), outros têm registrado aumento na demanda (UTI aérea, transporte de medicamentos e EPIs para locais mais
isolados etc.). Ainda há outros segmentos, como o de aeronaves agrícolas, que não foram afetados diretamente. Assim,
diante da multiplicidade de efeitos nos diferentes segmentos, não foram considerados impactos da restrição de circulação
sobre a movimentação de AVG. Por outro lado, é importante pontuar que as projeções de movimentos são impactadas pela
pandemia através dos efeitos econômicos traduzidos nas variáveis explicativas (PIB, Câmbio, QAV, etc.).
duração na análise. Dessa forma, dentre os aeroportos competidores a variável dependente

considerou os movimentos dos aeroportos de SBMT e SBSP para as análises estatísticas. Ainda, a
metodologia utilizada para a projeção considera implicitamente os efeitos da dinâmica competitiva
frente aos demais aeroportos da RI e, portanto, a projeção do market share ao longo da concessão
para SBMT é realizada diretamente em relação ao outro aeroporto selecionado (SBSP) e
implicitamente aos demais competidores dentro da RI por meio da regressão utilizada.
Figura 10-3: Movimentos de AVG para os aeroportos selecionados da RI (SBMT e SBSP)
Com relação às variáveis independentes a serem testadas, considerou-se que a movimentação de

AVG poderia ser explicada – em maior ou menor grau – por diferentes fatores que refletem níveis de
atividade econômica, a exemplo do PIB e suas diferentes quebras, e custos da operação (custo do QAV,
câmbio etc.) tanto em nível nacional como local. Variáveis em defasagem também foram testadas em
diversas versões entre 1 e 12 meses e em periodicidades mensal, trimestral e anual.
As variáveis dependentes e independentes a serem testadas foram dessazonalizadas para a realização
dos testes, assim como no caso da projeção de passageiros na aviação comercial.
As principais bases de dados setoriais utilizadas nas projeções de movimentos de AVG foram:
• Estatísticas de movimentação da Infraero mensais: passageiros embarcados e
desembarcados; passageiros em conexão (também divididos em embarque e desembarque);
movimentos de aeronaves (detalhamento dos fluxos domésticos e internacionais; regulares e
não-regulares; aviação comercial, charter, táxi aéreo e geral86). Além de consolidar a
movimentação dos aeroportos administrados atualmente pela Infraero, a base de dados
permite segregar passageiros e movimentos “não regulares” em charter e táxi aéreo;
• Estatísticas de movimentação de aeronaves hora a hora: Informações para o período entre
2016 e 2020 disponibilizadas no dataroom com a segregação dos movimentos realizados no
aeroporto hora a hora por tipo de equipamento, natureza do voo (doméstico, internacional) e
tipo de voo (regular, taxi aéreo, aviação geral, entre outros);
86 Dados disponibilizados pela Infraero via Lei de Acesso à Informação, Protocolo 00113.000284/2020-19, de 11/11/2020.
• Anuários estatísticos de Tráfego Aéreo do CGNA/ DECEA – CGNA87. Apresenta dados de

aviação comercial e de aviação geral para os 32 aeroportos com maior movimentação de
aeronaves do país;
• Dados dos poços de petróleo – ANP. Apresenta dados desde 1941 sobre os poços de petróleo
nacionais com informações do nome do poço, status, bacia, localização, data de início e
conclusão da perfuração, entre outros;
• Histórico de movimentos dos aeroportos regionais de SP administrados pelo DAESP. Iniciado
em 2008 e divulgado mensalmente no site do Departamento Aeroviário do Estado de SP
(DAESP);
• Anuário do Instituto Brasileiro de Aviação - IBA88. Iniciado no ano de 2016 e divulgado
anualmente, apresenta dados da frota brasileira de aeronaves de AVG, com subdivisões por
região e por tipo de propulsão;
• Anuário da Associação Brasileira de Aviação Geral - ABAG89. Iniciado em 2011 e divulgado
anualmente até 2015, disponibiliza dados da frota brasileira de aeronaves de AVG, com
subdivisões por região e por tipo de propulsão. Foi substituído em 2016 pelo anuário do IBA;
• Dados da Federal Aviation Administration (FAA)90, contendo o histórico da frota de aeronaves
de AVG norte-americanas por tipo de propulsão desde 196591;
• Base de dados de Aeronaves, construída com base no SKYbrary92 e sites das fabricantes das
aeronaves. Nesta, cada aeronave é associada a um número médio de assentos, e classificada
de acordo com sua envergadura, velocidade de aproximação, motor93, e categoria de PMD94;
• Base de dados de permanência: Informações diárias disponibilizadas no dataroom para o
período entre 2010 e 2020 das aeronaves que pagaram tarifas de permanência no aeroporto
(tempo de permanência em área de manobra ou estadia, tipo de tarifa paga, número de
movimentos etc.)95;
No que diz respeito às variáveis independentes empregadas nas regressões, foram utilizadas séries
históricas de fontes públicas:
• PIB Brasil nominal e real mensal, segregado em indústria, agropecuária, serviços e total, entre
janeiro/2000 e dezembro/2019, divulgados pela FGV96;
87 Disponível em http://portal.cgna.gov.br/files/uploads/anuario_estatistico/anuario_estatistico_2019.pdf. Acesso

19/10/2020.
88 O Instituto Brasileiro de Aviação (IBA) é uma entidade de criação, desenvolvimento e promoção de conteúdo especializado
e estratégico de qualidade que adiciona valor aos profissionais de aviação civil (Disponível em:
http://www.institutoaviacao.org/o_instituto , acessado em 16/10/2020)
89 A Associação Brasileira de Aviação Geral (ABAG) foi criada com o intuito de defender e promover os interesses da AVG
(Disponível em: http://abag.org.br/sobre/, acessado em 08/08/2019)

90 Entidade do governo dos Estados Unidos responsável pela regulamentação da aviação civil no país.
91 Esta base é um consolidado de diversas fontes e foi utilizada para determinação da curva de referência para aeronaves do
tipo TJH (turboélices, jatos e helicópteros) em função do PIB per capita.

92 SKYbrary é um site criado por European Organisation for the Safety of Air Navigation, International Civil Aviation
Organization e Flight Safety Foundation, com objetivo de criar uma fonte de dados consolidada sobre aviação gratuita, a
partir de dados obtidos da indústria de aviação
93 Pistão, Turboélice, Jato ou Helicóptero
94 Peso Máximo de Decolagem
95 Fonte: Planilha “Permanencia_2010_2020_setimarodada.xlsx”
96 “O Monitor do PIB/FGV estima mensalmente o PIB brasileiro em volume, em valor corrente e em valor constante a preços
de 1995. O objetivo de sua criação foi prover a sociedade de um indicador mensal do PIB, tendo como base a mesma
metodologia das Contas Nacionais do IBGE. Sua série inicia-se em 2000 e incorpora todas as informações disponíveis das
• PIB e população estadual e municipal, com periodicidade anual, entre 2000 e 2016 (PIB) e
entre 2000 e 2018 (população), divulgados pelo IBGE. A partir das informações municipais
reconstruiu-se as informações da RI;
• Yield [R$/km] e tarifas [R$] reais, com periodicidade mensal, obtidos a partir dos “Microdados
de tarifas aéreas comercializadas”97 e etapas médias [km/movimento] calculadas a partir das
fontes já citadas acima;
• Preço do querosene de aviação (QAV) internacional, com periodicidade mensal, entre
janeiro/2000 e dezembro/2019, divulgados pela U.S. Energy Information Administration98;
• Dados dos poços de petróleo – ANP. Apresenta dados desde 1941 sobre os poços de petróleo
nacionais com informações do nome do poço, status, bacia, localização, data de início e
conclusão da perfuração, entre outros.
10.2 Seleção e parametrização do modelo

A disponibilidade de séries históricas suficientemente longas, confiáveis e em bases mensais das
diversas variáveis dependente e independentes permite a aplicação de um modelo de regressão
linear, com alto poder preditivo, para projetar a movimentação de AVG do aeroporto de interesse.
Assim, uma vez definida a variável dependente e o modelo base de projeção, resta determinar as
variáveis explicativas e a periodicidade (mensal, trimestral ou anual) para a completa parametrização
do modelo.
Por meio de rotina computacional (conforme explanado no item 6.2.2) foram realizados testes de
regressão linear múltipla com diversas combinações possíveis de variáveis independentes para a
previsão de movimentos de aeronaves de AVG dos aeroportos selecionados da RI em diferentes
periodicidades. As regressões geradas foram filtradas para se selecionar a mais adequada.99
O melhor modelo encontrado considera as variáveis PIB da RI e do número de poços de petróleo
offshore perfurados. O uso da série “poços de petróleo” visa refletir o uso do aeroporto de SBMT para
o treinamento de pilotos para o atendimento das bases offshore, que teve um expressivo crescimento
entre 2010 e 2013 e uma redução nos anos subsequentes (Figura 10-4), com o fim do uso do aeroporto
Contas Nacionais do IBGE (Tabelas de Recursos e Usos, até o último ano de divulgação) bem como as informações das Contas
Nacionais Trimestrais do IBGE (CNT), até o último trimestre divulgado.” Fonte: https://portalibre.fgv.br/estudos-e-
pesquisas/contas-nacionais/monitor-do-pib/.
97 Disponíveis em: http://www.anac.gov.br/assuntos/dados-e-estatisticas/microdados-de-tarifas-aereas-comercializadas.
98 Disponível em https://www.eia.gov/dnav/pet/hist/LeafHandler.ashx?n=pet&s=eer_epjk_pf4_rgc_dpg&f=m, acessado em
02/09/2020.
99Os resultados compilados das diferentes combinações de variáveis explicativas testadas para análise de movimentos são
apresentados na planilha anexa nomeada "SBMT_Data_R_Regressões_outputs_2.00.xlsx".

para essa função no histórico recente100, decorrente da migração das operações da Petrobrás para os
aeroportos do Rio de Janeiro101.
Figura 10-4: Evolução histórica do número de poços de petróleo offshore perfurados
Fonte: Consórcio GCA, ANP
Dessa forma, a série dos poços foi usada para calibração do modelo de forma a obter uma elasticidade
de PIB mais condizente com a realidade. Se por acaso essa variável não fosse utilizada, a elasticidade
do PIB poderia ser superestimada, o que geraria viés na projeção para esses aeroportos no longo prazo.
Com a inclusão da variável, o coeficiente obtido é mais condizente com a realidade, ou seja, encontra-
se uma elasticidade média do PIB da RI que realmente reflita o impacto da variável na movimentação
desses aeroportos102.
A Equação 10-1 apresenta o modelo utilizado na regressão:
Equação 10-1: Equação utilizada no modelo de projeção de aviação geral

log(𝑀𝑜𝑣 𝐴𝑉𝐺 ) = 𝛽𝑜 + 𝛽1 log(𝑃𝐼𝐵 𝑑𝑎 𝑅𝐼 ) + 𝛽2 log(𝑝𝑜ç𝑜𝑠 𝑑𝑒 𝑝𝑒𝑡𝑟ó𝑙𝑒𝑜) + 𝜇
Os coeficientes da regressão refletem as elasticidades parciais de cada uma das variáveis

independentes ou explicativas em relação à demanda (em outras palavras, medem a variação
100 Verificou-se forte relação entre o aquecimento da indústria do petróleo e a demanda de voos de instrução. A partir de
análises, constatou-se que a redução drástica no número de movimentos do aeroporto de Campo de Marte nos últimos anos
esteve associada ao desaquecimento da indústria do petróleo. Segundo atuantes no mercado de escola de aviação, a indústria
do petróleo contratava muitos pilotos para realizar o transporte de tripulantes de e para as plataformas de petróleo e para
as sondas de perfuração. Com o desaquecimento da indústria do petróleo, houve redução dos movimentos de helicópteros
em voos de instrução no aeroporto de Campo de Marte e, com a concentração das operações da Petrobrás nos aeroportos
do Rio de Janeiro, não é esperado que a retomada da indústria de petróleo volte a impactar significativamente os movimentos
no Aeroporto de Campo de Marte.
101 Fonte: https://g1.globo.com/sp/santos-regiao/noticia/petrobras-desativa-todas-as-operacoes-aereas-para-plataformas-
no-litoral-de-sp.ghtml
102 De forma a capturar esse efeito que trouxe impactos a partir de 2010, a regressão considera os dados para o período entre
janeiro de 2010 e dezembro de 2018 (último ano com dados de PIB municipais disponíveis).
percentual esperada na demanda a partir de uma variação porcentual em cada variável explicativa,
mantendo as demais constantes).
Como discutido no item 6, diversos testes estatísticos são necessários para garantir que a previsão seja
feita com os melhores estimadores possíveis.
Os resultados preliminares apontaram para autocorrelação dos resíduos, infringindo uma premissa do
modelo clássico de regressão e prejudicando a previsibilidade do modelo. O resultado do teste de
Durbin-Watson pode ser observado na Tabela 10-1 (valores abaixo de 1,5 podem indicar
autocorrelação).
Tabela 10-1: Teste para autocorrelação
Assim, optou-se por aplicar o método dos mínimos quadrados generalizados (MQG) com as mesmas
variáveis explicativas, corrigindo o problema de autocorrelação (vide item (i)6.2.1.1). Os resultados da
regressão através desse método podem ser observados na Tabela 10-2:
Tabela 10-2: Coeficientes do modelo de regressão utilizado
A regressão apresentou os seguintes resultados estatísticos:
Tabela 10-3: Principais resultados estatísticos da regressão
A regressão apresentada resultou em testes consistentes com as premissas econométricas. A Tabela

10-4 mostra que os valores dos testes Shapiro-Wilk e/ou Kolmogorov-Smirnov apresentaram
resultados maiores que os valores críticos escolhidos, atestando a normalidade dos resíduos. Os testes
para heterocedasticidade, multicolinearidade e estacionariedade dos resíduos também apresentaram
resultados promissores, confirmando premissas básicas do modelo linear.
Tabela 10-4: Teste para normalidade dos resíduos

Tabela 10-5: Teste para heterocedasticidade
Tabela 10-6: Teste para multicolinearidade
Tabela 10-7: Teste para estacionariedade dos resíduos
Pelo exposto, vê-se que as variáveis independentes selecionadas permitiram a construção de um

modelo de projeção com alto poder preditivo, bons resultados estatísticos, e que satisfaz todas as
hipóteses do modelo clássico de regressão.
10.3 Projeção das variáveis

A projeção do PIB da RI abrange a projeção do PIB Brasil, as projeções de população do Brasil e da RI,
PIB/capita Brasil e PIB/capita da RI, detalhadas separadamente a seguir.
PIB Brasil
A projeção do PIB brasileiro no horizonte da concessão baseia-se nas taxas de crescimento anuais do
PIB real informadas pela SAC/MI103 para os anos de 2021 a 2050 (Tabela 10-8). Para o período
remanescente considera-se a projeção de PIB para o último ano.
103 Atualizada conforme diretrizes SAC/MI disponibilizadas em 12/01/2021 no âmbito do chamamento público.
Tabela 10-8: Projeção de PIB Brasil
Fonte: SAC/MI
A Figura 10-5 apresenta a projeção do PIB Brasil no horizonte da concessão, consolidada por ano, a
valores constantes de 2019.
Figura 10-5: Projeção anual do PIB real brasileiro

PIB RI
Uma vez de posse dos dados históricos de PIB e população dos municípios que compõe a RI, estima-se
o PIB/capita da RI para o ano base104. A seguir a projeção considera (i) que a Região de Influência do
Aeroporto terá a mesma variação percentual do PIB/capita anual do país ao longo da concessão e (ii)
que a população da RI varia com a mesma taxa de crescimento da população do estado (estimada pelo
IBGE 105).
Ao se multiplicar a projeção do PIB/capita da RI pela projeção de população obtém-se a projeção do
PIB total da RI e calcula-se a variação anual dessa variável, conforme apresentado na tabela a seguir.
Tabela 10-9: Projeção de PIB para a RI
Cabe ressaltar que todas as regressões são realizadas com as variáveis dessazonalizadas, sendo a
sazonalidade reincorporada nas projeções dos fluxos futuros de movimentos.
Importante destacar que, conforme apresentado no item 10.2, não há previsão de retorno das
operações de treinamentos dos pilotos no aeroporto, dada a mudança operacional da Petrobras.
Assim, projeta-se a variável “poços de petróleo” como constante (sem variação), uma vez que a
variação no número de poços perfurados não impactará a movimentação do aeroporto no horizonte
de concessão106.
Aplicando-se a projeção das variáveis independentes na regressão é estimado o total de movimentos
de AVG para os aeroportos selecionados da RI, apresentada na figura a seguir consolidada ano a ano
104 Na data de realização dos estudos não haviam sido publicados dados de PIB estaduais mais recentes do que 2018.
105 Disponível em https://www.ibge.gov.br/apps/populacao/projecao//index.html. Acesso em 24/08/2020.
106 Como já explicado, a utilização da série “poços perfurados” foi utilizada para melhor calibração da elasticidade-PIB para a
movimentação.
para mais fácil visualização. Prevê um crescimento de 2,7% ao ano entre 2023 e 2052 (de 112 mil para
240 mil movimentos de AVG).
Figura 10-6: Projeção de movimentos de AVG para os aeroportos selecionados da RI (SBMT e SBSP)
10.4 Ajustes da projeção de demanda: divisão do mercado

Conforme citado anteriormente a metodologia utilizada para a projeção dos aeroportos selecionados
(SBMT e SBSP) considera implicitamente a variação da competição com os demais aeroportos da RI,
uma vez que as variáveis utilizadas na regressão já refletem a dinâmica de mercado histórica na região.
Para avaliar a competição entre os dois aeroportos selecionados optou-se por estimar o market share
do Aeroporto através da metodologia de modelos ARIMA. Primeiramente calculou-se o histórico de
market-share de SBMT em relação à SBSP e em seguida, após a avaliação de diferentes
parametrizações do modelo, adotou-se o ARIMA (1,1,0), resultando em uma participação de mercado
estável ao longo da concessão em torno de 56% para SBMT.
Os testes de autocorrelação mostraram que não havia autocorrelação dos resíduos do modelo e que,
portanto, o modelo estimado é consistente.
Aplicando-se a participação de SBMT na projeção de movimentos dos aeroportos selecionados
apresentada no item 10.3 obteve-se os resultados observados na Figura 10-7. Prevê-se um
crescimento de 2,7% ao ano entre 2023 e 2052 (de 62,4 a 133,2 mil movimentos de AVG).
Figura 10-7: Projeção do crescimento de movimentos de AVG no Aeroporto
Os benchmarks de resultados serão apresentados no capítulo de demanda restrita (Item 12.4.3).
10.5 Projeção do mix de aeronaves de aviação geral

A projeção do mix de movimentos de aeronaves de AVG foi feita sob diferentes classificações:
• Por classe de velocidade de aproximação107;
• Por classe de envergadura108; e
• Por classe de peso máximo de decolagem109.
A projeção de mix de aeronaves por envergadura e por velocidade de aproximação importam ao
dimensionamento do lado ar do Aeroporto (pista, pátio) e outros capítulos do Estudo de Engenharia e
Afins. Já o mix de aeronaves por classe de PMD (peso máximo de decolagem) e os parâmetros de
permanência importam aos aspectos financeiros do Aeroporto, pois com base nesses indicadores são
cobradas as tarifas aeroportuárias de AVG (mais detalhes na Avaliação Econômico-Financeira).
10.5.1 Mix de aeronaves por velocidade de aproximação

Inicialmente, foi levantado o histórico de mix de aeronaves por classes de velocidade de aproximação
para o Aeroporto, como mostrado na Figura 10-8. Não houve movimentação de aeronaves de AVG
com classificações D no passado, e se considera que esta condição se perpetuará até o final do prazo
da concessão.
107 De acordo com classificação ICAO, Aircraft Operation, Vol 2, Capítulo 1, Seção 4.
108 De acordo com classificação ICAO, Aerodrome Design and Operation, Vol 1, Annex 14.
109 Com base no tarifário da Infraero, disponibilizado na Portaria nº 103/2019 da SRA
Figura 10-8: Mix de aeronaves de AVG no Aeroporto por velocidade de aproximação
Fonte: Consórcio GCA e Infraero
Dada a relativa estabilidade histórica no mix de aeronaves de AVG a projeção considerou a

manutenção dos patamares observados em 2019. Calcula-se, então, o total de movimentos de cada
classe de aeronave multiplicando o share pela movimentação total calculada no item 10.4. Como
resultado, obtém-se os valores das classes observadas na Figura 10-9.
Figura 10-9: Projeção de movimentos de AVG no Aeroporto por velocidade de aproximação
10.5.2 Mix de aeronaves por classe de envergadura

A projeção para essa abertura é baseada nos resultados do item 10.5.1 e na envergadura média das
aeronaves em função da classe de velocidade de aproximação, considerando a frota de aeronaves que
utilizou os aeroportos brasileiros no histórico recente, apresentado na Tabela 10-10110.
110Para a análise avaliou-se qual o percentual médio de envergadura atrelada a cada classe de velocidade de aproximação.
Por exemplo, para a classe de velocidade de aproximação C, 9% das aeronaves possuem classe de envergadura A, 24% classe
B e 67% classe C.
Tabela 10-10: Classe de envergadura em função da classe de velocidade de aproximação
Fonte: Consórcio GCA e Base de Aeronaves
A Figura 10-10 apresenta o histórico de aeronaves por classe de envergadura para o Aeroporto em tela
e na Figura 10-11 observa-se o resultado dessa metodologia.
Figura 10-10: Mix de aeronaves do Aeroporto por classe de envergadura
Como feito no mix por velocidade de aproximação, calcula-se o total de movimentos de cada classe de
envergadura multiplicando o share pela movimentação total calculada no item 10.4. O resultado da
projeção pode ser observado na Figura 10-11.
Figura 10-11: Projeção de movimentos de AVG no Aeroporto por classe de envergadura

10.5.3 Parâmetros para o cálculo de receitas associadas à movimentação de AVG

Assim como nos fluxos de aeronaves comerciais, é necessário avaliar as receitas financeiras atreladas
aos movimentos de AVG. Porém, conforme será descrito na Avaliação Econômico-Financeira, diferente
das aeronaves comerciais, as receitas de embarque e pouso e as receitas de permanência para a
aviação geral são calculadas por faixa de PMD. As projeções de demanda por classe de PMD e dos
demais parâmetros de demanda necessários para estimar a receita de permanência serão
apresentados nos itens a seguir.
10.5.3.1 Mix de aeronaves por classe de PMD
A metodologia e as premissas adotadas foram as mesmas apresentadas no 10.5.2. O histórico do mix
de aeronaves por categoria de PMD para os movimentos domésticos é mostrado na figura a seguir. Os
dados históricos do aeroporto apontam que não houve movimentação de voos internacionais de AVG
em SBMT111:
Figura 10-12: Histórico de mix de aeronaves de AVG domésticas por classe de PMD no Aeroporto em 2019
Fonte: Consórcio GCA e Infraero
Por fim, os resultados da projeção do mix por classe de PMD doméstico é apresentado na Figura 10-13.
111Fonte: Estatísticas de movimentação da Infraero mensais disponibilizadas pela Infraero via Lei de Acesso à Informação,
Protocolo 00113.000284/2020-19, de 11/11/2020.
Figura 10-13: Projeção de aeronaves de AVG domésticas por classe de PMD no Aeroporto
10.5.3.2 Parâmetros para o cálculo da receita de permanência

Para as aeronaves de AVG domésticas e internacionais as tarifas são cobradas pelo tempo de
permanência que excede 3 horas no pátio de manobras ou na área de estadia, por faixa de PMD.
Desta forma, para cada ano, as receitas com permanência de AVG podem ser calculadas conforme se
observa na Figura 10-14.
Figura 10-14: Metodologia para cálculo das receitas de permanência de AVG doméstico e internacional
Primeiramente avaliou-se o histórico de aeronaves de AVG em permanência no aeroporto, segregados

por classe (domésticas ou internacionais), conforme dados disponibilizados no dataroom112. A Figura
10-15 apresenta o percentual histórico de aeronaves que pagaram permanência no aeroporto em
relação à movimentação total de AVG no aeroporto. Conforme citado anteriormente, o Aeroporto não
apresentou movimentos internacionais de AVG no histórico recente.
112 Fonte: Planilha “Permanencia_2010_2020_setimarodada.xlsx”

Figura 10-15: Percentual das aeronaves de AVG que pagaram permanência no Aeroporto
A projeção do percentual de aeronaves pagantes doméstica foi estimada conforme o modelo ARIMA
e, após avaliar diferentes possibilidades, foi utilizado o modelo ARIMA (1, 0, 0). Todos os testes
apontaram que não havia autocorrelação dos resíduos, validando o modelo escolhido. O resultado da
projeção aponta para uma estabilidade em um patamar médio de 2% ao longo da concessão. O
número de aeronaves pagantes é estimado ao se multiplicar o percentual projetado pela projeção de
movimentos totais de AVG no aeroporto.
A seguir estima-se o percentual das aeronaves pagantes por área de permanência (manobra ou
estadia). A análise histórica permite identificar que não houve variação significativa desse parâmetro
ao longo do tempo e, para o Aeroporto, adotou-se para a projeção o valor médio observado em 2019.
Para as aeronaves domésticas de AVG, 97,3% tiveram sua permanência em áreas de manobra e 2,7%
em áreas de estadia.
Utilizando-se dos dados disponíveis na mesma base supracitada, projeta-se o tempo médio de
permanência das aeronaves domésticas, separadas em áreas de manobra e de estadia. A tabela a
seguir apresenta os tempos de estadia por classe e área de permanência de AVG em 2019.
Tabela 10-11: Tempos de permanência em áreas de manobra ou estadia no Aeroporto
A projeção dos tempos médios de permanência de AVG consideraram a manutenção dos patamares
observados em 2019, uma vez que não se espera mudanças significativas na dinâmica operacional dos
operadores.
Os resultados completos da análise estão disponíveis na planilha “SBMT_Aux_projeção_permanencia”

e o modelo estatístico está disponível no código “SBMT_ARIMA_Permanencia”, entregues junto com
esse estudo.
Conforme apresentado na Figura 10-14, o índice de movimentos-hora das aeronaves de AVG é

calculado ao se multiplicar os três indicadores obtidos anteriormente. A Figura 10-16 apresenta a
projeção dos índices de movimentos-hora para as aeronaves.
Figura 10-16: Projeção do índice de movimentos-hora doméstico de AVG para o Aeroporto
Por fim, para se obter a classe tarifária de permanência à qual o Aeroporto estará sujeito, deve-se
determinar a faixa de PMD de permanência representativa do aeroporto, feita a partir de análises dos
históricos de movimentação, apresentados no item 10.5.3.1. Para o caso das aeronaves domésticas
calculou-se como faixa representativa de PMD o intervalo de 2 a 4 toneladas. Para o Aeroporto as
projeções do mix de aeronaves de AVG mantém os patamares históricos observados e, portanto, não
haverá alteração das faixas representativas ao longo da concessão. Calculada a faixa representativa de
PMD de cada classe é possível avaliar a tarifa horária correspondente para o Aeroporto, a ser detalhada
na Avaliação Econômico-Financeira.
10.6 Projeção de passageiros de aviação geral

A partir da projeção de movimentos de aeronaves de AVG e da composição do mix de aeronaves no
Aeroporto, projeta-se a movimentação de passageiros de AVG baseado na razão de pax/aeronave, ou
load factor. Para tal, utilizou-se dos dados disponibilizados nas Estatísticas mensais de movimentação
da Infraero. A Figura 10-17 apresenta o histórico de pax/movimento do Aeroporto.
Figura 10-17: Histórico de pax/movimento na AVG no Aeroporto
Fontes: Consórcio GCA, SAC/MI
Frente à relativa estabilidade do quociente entre passageiros e aeronaves de AVG, a projeção de

passageiros de AVG parte da premissa que essa relação irá se manter constante ao longo do tempo113.
A projeção de passageiros de AVG é obtida pela multiplicação do indicador pax/movimento pela
projeção de movimentos do Aeroporto. O resultado da projeção pode ser verificado na Figura 10-18.
Projeta-se que o Aeroporto movimentará 203,7 mil passageiros de AVG em 2052.
Figura 10-18: Projeção de Passageiros de AVG no Aeroporto
Fontes: Consórcio GCA
113 Utilizou-se para a projeção a média de 2019.

11 PROJEÇÃO DE DEMANDAS DE PICO SEM RESTRIÇÕES

Os fluxos de passageiros e aeronaves nos aeroportos oscilam em períodos mensais, semanais e
horários, os quais se sobrepõem resultando em curvas de solicitação da infraestrutura de
comportamento muito variável ao longo do tempo. Os instantes de maior solicitação da infraestrutura,
denominados de picos, são utilizados para comparação com a capacidade e devem ser projetados para
realizar o dimensionamento do aeroporto.
As projeções de pico são derivadas da projeção de passageiros e de movimento de aeronaves, além de
contar com o auxílio de benchmarks de outros aeroportos. Trata-se, portanto, de uma projeção
derivada daquela desenvolvida no item 6. Porém, devido sua relevância para o dimensionamento do
aeroporto, são destacadas neste capítulo.
Figura 11-1: Projeção de demandas de pico como decorrência da projeção de passageiros no Aeroporto
No caso dos passageiros, esse fluxo irregular deve ser atendido com um determinado padrão de
conforto. A prática recomendada pela International Air Transport Association (IATA), e também
adotada no Brasil (ANAC), é que se dimensione as instalações para um nível de conforto adequado aos
passageiros em instantes de fluxo intenso (momentos de pico), admitindo-se que nos instantes
extremos de solicitação haja certa redução desse nível, evitando investimentos excessivos que levem
à exploração de uma infraestrutura ociosa.
Para os sistemas de pista e pátio de aeronaves, por outro lado, os parâmetros de dimensionamento
são mais rígidos: deve-se atender aos instantes de maior solicitação, evitando impactos operacionais
e econômicos mais severos, tais como atrasos e deslocamento de aeronaves para outros aeroportos
por exemplo.
Este Relatório de Mercado descreve o processo de cálculo e a projeção das demandas de pico para os
principais subsistemas do aeroporto:
1. Terminal de passageiros (TPS): passageiros em hora-pico;
2. Sistema de pistas: movimentos de aeronaves em hora-pico;
3. Sistema de pátios de aeronaves comerciais: posições de pátio ocupadas no instante de maior
solicitação;
4. Estacionamento de veículos: número de vagas ocupadas na hora-pico do estacionamento.
Os critérios de definição de hora-pico e metodologias para cada um dos quatro subsistemas acima são
descritos nos respectivos itens deste capítulo.
Conforme observado nos capítulos anteriores SBMT possui uma vocação dedicada para operação de
aviação geral. Dessa forma, as demandas de pico projetadas para o aeroporto que refletem essa
operação são: a movimentação de aeronaves na hora pico e pico de ocupação do estacionamento de
veículos.
Por fim, cabe mencionar que, de acordo com o manual da Infraero de dimensionamento, os pátios de
aviação geral e o terminal de passageiros de aviação geral são dimensionados com base na demanda
anual destes movimentos, conforme critérios empregados no Relatório de Engenharia e Afins.
11.1 Bases de dados

Para projetar as demandas de pico deve-se inicialmente calcular os parâmetros no ano base (2019,
salvo menção específica em contrário), o que é feito com base nos registros históricos de
movimentação de passageiros e de aeronaves.
As bases de dados consultadas para realizar as projeções, em adição àquelas apresentadas no item 6
são apresentados a seguir:
• Demanda de pico de movimentos de aeronaves:
o ANAC (Dados da Etapa Básica para empresas domésticas e estrangeiras): dados voo
a voo, contendo informações das aeronaves (modelo, matrícula, assentos), e número
de passageiros pagos e grátis embarcados em voos domésticos e internacionais,
regulares e não-regulares, na aviação comercial. Previamente ao seu uso, esta base
sofreu ajustes pontuais nos campos de data/hora de chegada e partida, sanando
inconsistências, lacunas e sobreposições de informações, e resultando em uma base
com alto grau de confiabilidade114;
o Infraero (Movimentação de Aeronaves Hora a Hora115): Dados agrupados de hora em
hora do período que compreende os anos de 2016 até 2020, com informações do tipo
do voo (pouso ou decolagem), grupo (comercial ou não-comercial),
114 Exemplos de ajustes pontuais realizados nos dados da Etapa Básica para empresas Brasileiras: 1. Data/hora de chegada
posterior à data/hora de partida de uma mesma aeronave num mesmo aeroporto; 2. Hora de partida/chegada com os
minutos na base 100 e não base 60, por exemplo: 10:97, portanto com o ajuste resulta em 10:58. 3.Aeronaves que se
apresentaram simultaneamente em aeroportos distintos; 4. Aeronaves que chegaram em um aeroporto e reapareciam em
outro, sem haver um voo entre os dois aeroportos; 5. Aeronaves com DI (Dígito Identificador) “D” foram retirados da base,
para evitar movimentos duplicados de aeronaves. Dada a magnitude da base, os problemas foram rastreados e identificados
com algoritmo computacional (flags), e depois ajustados tendo como gabaritos os dados da própria Etapa Básica, em semanas
distintas daquela em que o erro foi detectado, do SIROS, do VRA, publicados pela ANAC e até mesmo média de tempo de voo
ou de permanência no aeroporto, conforme o caso. No caso da Etapa Básica de empresas estrangeiras, foram aplicados
ajustes extras que precedem os citados acima, pois a base não continha dados da matrícula da aeronave e tampouco
identificação de etapa Básica ou Combinada. Desse modo, antes de tudo identificou-se os voos diretos, ou seja, aqueles que
tem “1” como resultado da subtração da coluna “Sequência de Destino” da coluna “Número da Etapa de Origem”. Após esse
filtro, criou-se uma identificação para cada aeronave para torná-la rastreável e a partir de então foi possível ajustar as
datas/horas de chegada e partida. O ajuste de rastreabilidade foi feito considerando em conjunto as informações de empresa
aérea, modelo da aeronave e a rota desenvolvida.
115 Fornecido no Dataroom
11.2 Demanda de pico de movimentos de pista

Esta seção apresenta a definição e a projeção do parâmetro considerado para dimensionamento do
sistema de pistas do aeroporto ao longo do período de concessão, em linha com as diretrizes
emanadas pela SAC/MI e critérios empregados no Relatório de Engenharia e Afins.
O sistema de pistas será dimensionado para atender a máxima movimentação horária de aeronaves
num período do um ano
11.2.1 Metodologia de projeção

A projeção inicia-se pela determinação da hora-pico atual116 para a referência adotada (hora de maior
movimentação de aeronaves/aviões no ano), discriminada em classes de faixa de envergadura, de
velocidade de cruzamento de cabeceira e tipo de movimento (pouso, decolagem e simultâneo).
Em seguida, deve-se estabelecer uma evolução do fator de pico (proporção da hora-pico de pista
sobre o total de operações comerciais anuais) ao longo do tempo. Tipicamente, a hora-pico não cresce
à mesma taxa que a movimentação total. À medida em que crescem os fluxos anuais os fatores de pico
diminuem, pois os instantes de menor solicitação vão sendo proporcionalmente mais ocupados. Esse
efeito pode ser facilmente observado através da comparação dos gráficos da Figura 11-2. Neste
exemplo observamos que nos aeroportos com maior número de movimentos (SBGR e SBCF) os
instantes de maiores solicitações (máximo) são próximos à média observada durante o ano todo,
resultando em fatores de pico diminutos. Por outro lado, observando os aeroportos de menor
movimentação (SBJV e SBFZ), os instantes de maiores solicitações são extremamente superiores à
média do ano, resultando em fatores hora pico elevados.
116 Utiliza-se a base de movimentação horária disponibilizada no data room. Fonte: SAC/MI.
Figura 11-2: Média Diária de Movimentos (Sem Cruzamentos e TGL) Hora-Hora de Segunda a Sexta de SBGR,
SBCF, SBCG e SBJV – 2019
Fonte: Anuário CGNA 2019
Assim, adotou-se como abordagem uma variação progressiva do fator de pico partindo dos dados reais
de 2019 para o Aeroporto. A variação do fator de pico segue curvas produzidas a partir de estatísticas
de aeroportos nacionais conforme detalhado na seção 11.2.1.1.
As projeções de hora-pico de pista são finalmente obtidas a partir da aplicação sucessiva, ano a ano,
do fator de decaimento de cada curva de referência (expoente da função potência que representa a
curva) sobre os respectivos fatores de pico calculados.
A figura abaixo sintetiza a metodologia de projeção da hora-pico de pista.
Figura 11-3: Metodologia de projeção de hora-pico de pista
11.2.1.1 Detalhamento do cálculo da curva de decaimento do fator de pico

A curva do fator de pico foi construída a partir da Etapa Básica da ANAC 117, da qual são extraídas as
horas-pico de pista o total de operações para diferentes aeroportos. A partir destes números, calcula-
se o fator de pico de cada aeroporto, os quais são em seguida agrupados, assumindo-se para cada
grupo a mediana dos seus componentes. Os pontos são então aproximados por curvas de função
potência representando o decaimento do fator de hora pico de pista. Os expoentes das curvas são
utilizados para as projeções de hora-pico de pista.
Figura 11-4: Relação entre fator de hora-pico de pista e movimentação total para aeroportos brasileiros
Fonte: ANAC e Consórcio GCA
117 Esta base contempla todos os aeroportos nacionais com operação comercial regular.
11.2.2 Hora-pico de pista no ano base

Os dados disponibilizados pela SAC/MI permitem determinar a hora de maior movimentação no
sistema de pistas em 2019. No caso SBMT realizou um máximo de 49 movimentos de AVG no pico
todos de aviação geral de decolagem, a figura abaixo demonstra o instante do ano em que o pico
ocorreu.
Figura 11-5: Movimentação Pista Hora-Hora
Fonte: SAC/MI e Consórcio GCA
11.2.3 Projeção de hora-pico de pista

Considerando a projeção de movimentos de aeronaves sem restrições (capítulo 10), a evolução dos
fatores de hora-pico de pista e os dados de 2019 como ponto de partida, projeta-se a hora-pico de
pista para o aeroporto.
Sendo assim em relação à hora-pico de pista total observa-se, nas figuras a seguir, os resultados por
classe de envergadura e de velocidade de cruzamento de cabeceira118.
118 Eventuais diferenças de ± 1 movimento de pista nos gráficos e tabelas apresentados neste item decorrem de
arredondamentos.
Figura 11-6: Projeção de hora-pico de pista total no aeroporto por classe de envergadura
Figura 11-7: Projeção de hora-pico de pista total no aeroporto por classe de velocidade de cruzamento de
cabeceira
11.3 Pico de ocupação do estacionamento de veículos

O perfil de uso do estacionamento de veículos muda sensivelmente entre diferentes aeroportos.
Aspectos como distância até o centro da cidade, acessibilidade por outros modais, custos de transporte
e de estacionamento, perfil de passageiros (turismo vs. negócios vs. visitas), local de residência dos
passageiros (local vs. não-local), os atrativos que existem no terminal de passageiros e se há outros
estacionamentos competidores fora do sítio aeroportuário são apenas alguns dos principais fatores
que influenciam o porcentual dos passageiros que usam o estacionamento administrado pelo
aeroporto, e a distribuição do tempo de permanência.
Assim, a avaliação desta demanda de pico deve ser feita caso a caso, respeitando ao máximo possível
as especificidades locais. Idealmente, deve-se considerar as estatísticas recentes do estacionamento
do aeroporto, que refletem tais características.
Esta seção destina-se ao cálculo de demanda de pico do estacionamento de veículos do Aeroporto,
considerando as diferentes classes de usuários e os respectivos drivers de projeção.
11.3.1 Referência de nível de serviço

O estacionamento de veículos de um aeroporto atende a diferentes tipos de clientes, que podem ser
segmentados basicamente em:
a) Horistas de curta estadia ou rotativos: associados a usuários que vão levar/ trazer passageiros
de embarque/ desembarque, ou que acessam o aeroporto para usufruir das suas instalações
(lojas, restaurantes etc.);
b) Horistas de longa estadia: associados a passageiros que acessam o aeroporto em veículos
próprios e os deixam estacionados durante a viagem (em geral esses passageiros residem na
região de influência do aeroporto);
c) Mensalistas e isentos: membros da população do aeroporto119 que usam regularmente o
estacionamento durante o período de trabalho.
Como parâmetro de nível de serviço, adota-se que as vagas disponibilizadas pelo aeroporto devem
atender os usuários (a), (b) e (c) acima indicados na hora-pico considerada para dimensionamento do
Terminal de Passageiros120.
11.3.2 Cálculo do pico de ocupação atual

A projeção de demanda de vagas de estacionamento foi desenhada de forma a contemplar os
diferentes segmentos de usuários e seus respectivos drivers de crescimento
Considerando os diferentes segmentos de demanda e informações obtidas durante a visita aos
aeroportos, o estacionamento disponível se encontra sempre saturado. Portanto, foi adotado que
todas as vagas disponíveis são ocupadas por veículos em longa estadia. Sendo assim tem-se a
estimativa de demanda por vagas de estacionamento no ano base.
119 Termo que designa o conjunto de funcionários que trabalham no aeroporto, seja para o administrador do aeroporto, seja
para empresas que nele operem, seja para órgãos públicos. A subcategoria de isentos de tarifas de estacionamento é
composta por funcionários agraciados com tal benefício pela autoridade aeroportuária, dentro de um limite estabelecido no
contato de concessão do estacionamento.
120 As demandas de áreas para veículos de locadoras são tratadas na análise de locação de áreas comerciais (due diligence de
contratos no Relatório de Engenharia e Afins), já que: (i) em geral não utilizam áreas locadas dedicadas, frequentemente,
inclusive, fora do sítio aeroportuário, e (ii) esta demanda em particular não deveria suscitar expansões de infraestrutura
(novas vagas), uma vez que não visa atender diretamente os passageiros, isto é, não visa ampliar nível de serviço do
aeroporto.
Tabela 11-1: Demanda agregada de vagas de estacionamento em 2019
Considerando a existência de 35 vagas de estacionamento no aeroporto121, este fator indica uma

ocupação de 100% das vagas no pico em 2019.
Nos momentos de maior solicitação, portanto, o estacionamento se encontra saturado, o que

corrobora com as impressões colhidas em visita ao sítio e consultas feitas localmente.
11.3.3 Projeção do pico de ocupação do estacionamento

Projeta-se as demandas de vagas no pico considerando, que as vagas de longa estadia e mensalistas/
isentos crescem à mesma taxa da movimentação total de movimentação de AVG (vide item 10).
Como resultado, a demanda de vagas no aeroporto cresce de 35 vagas em 2023 para 74 ao final do
prazo da concessão.
Figura 11-8: Projeção da demanda de vagas de estacionamento no Aeroporto, por segmento de usuário
Como se verá no Relatório de Engenharia e Afins, um novo ciclo de expansão de vagas é engatilhado
quando a ocupação no pico atinge determinado percentual da capacidade, assegurando o
atendimento a todos os usuários do Aeroporto.
121 Fonte: Infraero

12 PROJEÇÕES DE DEMANDA COM RESTRIÇÃO

Os capítulos anteriores apresentaram os resultados obtidos das projeções de demanda de passageiros
e movimentos de aeronaves e de demandas de pico para o Aeroporto desconsiderando eventuais
restrições ambientais ou de engenharia.
O presente capítulo avalia o comportamento da demanda na Região de Influência do aeroporto frente
às possíveis restrições de capacidade. Nos casos em que a demanda projetada para determinado
aeroporto supera sua capacidade, essa passa a ser realocada entre seus competidores, caso exista
capacidade disponível na RI. Os itens a seguir apresentam a avaliação da demanda restrita dos
aeroportos competidores e os resultados da demanda para o Aeroporto nos cenários de restrição.
Ainda, no capítulo avalia-se a existência de eventuais restrições impostas pelas características do sítio
e do entorno do aeroporto tanto sob a ótica socioambiental quanto sob os aspectos de engenharia e
dimensionamento dos sistemas do aeroporto (TAG e pistas). As metodologias e memoriais de cálculo
da capacidade atual e futura dos sistemas aeroportuários são detalhados no Relatório de Engenharia
e Afins 122.
12.1 Projeção da demanda no cenário de restrições de capacidade da RI

A metodologia geral da projeção de demanda com restrições de capacidade consiste em comparar a
solicitação da infraestrutura com a capacidade disponibilizada ao longo do tempo e, caso a demanda
de um aeroporto exceda sua capacidade, redistribuir a demanda excedente entre os demais
aeroportos competidores. A análise consiste na avaliação dos movimentos de aeronaves nos
aeroportos competidores de SBMT, comparando-se a demanda alocada originalmente nos aeroportos
(“demanda irrestrita”) com sua capacidade, atrelada ao Plano de Desenvolvimento do Aeroporto.
Nos casos de restrição de capacidade, primeiramente avalia-se como será redistribuída a demanda dos
movimentos de aeronaves e, posteriormente é feita a realocação dos demais segmentos (Passageiros,
Carga e AVG) a partir dos tipos de movimentos realizados no aeroporto. Conforme apresentado
anteriormente, não são previstos voos regulares de passageiros ou carga para o Aeroporto Campo de
Marte e, portanto, a análise se restringe aos movimentos de aviação geral.
Ao se observar as restrições de capacidade do Aeroporto de Congonhas (competidor direto), nota-se
que o Plano de Desenvolvimento do Aeroporto prevê, já na primeira fase de obras, a retirada das áreas
atualmente dedicadas para Aviação Geral, para atendimento da demanda da aviação comercial 123.
Uma vez que não haverá infraestrutura no Aeroporto para atendimento da AVG, tal demanda deve ser
redistribuída entre seus competidores diretos.
122 Mais especificamente nos capítulos 1.6 Avaliação da Capacidade Instalada, 2.3.2 Necessidades Futuras, 2.3.3. de Diretrizes
de desenvolvimento e 2.5 Plano de Necessidades. Ainda. O detalhamento é feito em 4 planilhas:

- SBMT_Engenharia_Capacidade Instalada - Infra Geral
- SBMT_Engenharia_Capacidade Instalada - PPD
- SBMT_Engenharia_Dimensionamento - Infra Geral
- SBMT_Engenharia_Dimensionamento - PPD
123 A abordagem está em linha com a diretriz #22 da SAC/MI que considera todos os slots de SBSP voltados para atendimento
de serviços aéreos regulares de passageiros

Por sua vez, a demanda preterida por SBSP tende a ser absorvida predominantemente pelo Aeroporto
Campo de Marte por conta da (i) vocação do Aeroporto (exclusivo para AVG), (ii) perfil dos movimentos
(majoritariamente domésticos) e (iii) proximidade124 com a zona geradora de demanda de SBSP.
A seguir estima-se a demanda potencial total de AVG em SBSP ao se somar a demanda prevista
originalmente para o Aeroporto, apresentada no item 10, à demanda preterida pelo Aeroporto de
Congonhas125. Essa demanda adicional de movimentos reflete em todas as demais projeções de
demanda dependentes, isto é, todas as projeções de demanda que seguem a partir do capítulo 10.4
(mix de aeronaves, passageiros de aviação geral e demandas de pico) são recalculadas seguindo a
metodologia previamente apresentada a partir dessa nova demanda anual restrita126. O resultado da
demanda potencial para SBMT pode ser visto na Figura 12-1.
Figura 12-1: Demanda potencial de movimentos de AVG para o Aeroporto de SBMT
A seguir se faz necessário calcular o novo mix de aeronaves (classe de envergadura, velocidade de
aproximação e PMD) do Aeroporto. A análise considera que as aeronaves perdidas por um aeroporto
em um cenário de restrição mantêm o seu mix original, ou seja, se determinado aeroporto possui 20%
de aeronaves de AVG de envergadura de classe C, a demanda excedente desse aeroporto também terá
20% de aeronaves classe C. Dessa forma, a demanda excedente capturada por SBMT irá incorporar o
mix perdido por SBSP, alterando o mix de aeronaves calculado anteriormente no item 10.5.
Uma vez calculada a nova demanda potencial para o Aeroporto, avalia-se a existência de eventuais
restrições impostas pelas características do sítio e do entorno do aeroporto tanto sob a ótica
124 Como citado no item 3.3, o tempo de deslocamento é um dos principais fatores de escolha do aeroporto para a demanda
de AVG.
125 A demanda de SBSP é dada pela diferença entre a demanda apresentada no item 10.3, que considera SBSP e SBMT, e o
valor apresentado no item 10.4, que apresenta apenas a demanda de SBMT.

126 Nota-se que também na planilha SBMT_Modelo Demanda Restrita_1.00.xlsx é possível rastrear o impacto em cada uma
das projeções a partir dessa nova demanda restrita.

socioambiental quanto sob os aspectos de engenharia e dimensionamento dos sistemas do aeroporto

(TAG e pistas), a serem apresentadas nos itens a seguir.
12.2 Comparação entre demanda e restrições ambientais e sociais

Aeroportos são equipamentos que se localizam, em geral, em sítios que ocupam extensas áreas e que
podem promover grandes alterações e impactos em decorrência da sua implantação e operação, tanto
positivos como negativos, em seu entorno. De forma análoga, as condições socioambientais desse
entorno também podem gerar impactos e promover restrições às operações aeroportuárias.
No Relatório 3- Estudos Ambientais, que compõe este conjunto de estudos, estão detalhados os
principais impactos socioambientais gerados pelas operações do Aeroporto Campo de Marte e as
respectivas medidas mitigadoras associadas. Na presente seção, estão descritas condições
socioambientais identificadas no aeroporto que podem gerar restrições à demanda projetada para os
anos de concessão.
A escolha e a permanência do sítio aeroportuário em determinada localidade passam pela avaliação
de aspectos legais, sociais, ambientais, entre outros, para que esses não inviabilizem ou prejudiquem
a segurança da aviação. A localidade ideal de um aeroporto deve possuir:
• Proximidade do centro gerador de demanda;
• Vizinhança despovoada, mas com chances de se tornar atrativa para novos negócios;
• Acessos viários para mobilidade e infraestrutura de serviços públicos adequados;
• Facilidade para a obtenção de insumos e matérias primas para obras;
• Área adequada (sem obstáculos, solo com suporte e boas condições de drenagem);
• Meteorologia compatível com a operação aeroportuária;
• Espaço aéreo desobstruído; e
• Ausência ou diminuta presença de aspectos socioambientais restritivos, como: Áreas
de Preservação Permanente (APP), Unidades de Conservação, Áreas sensíveis de fauna
e flora, presença de cavernas, Sítios Arqueológicos, Bens tombados e Comunidades
protegidas.
A avaliação do Aeroporto Campo de Marte, perante os itens ambientais listados anteriormente, indica
que o sítio aeroportuário apresenta condições ambientais naturais que devem ser adequadamente
geridas para que não inviabilizem ou restrinjam a prática da aviação civil no aeroporto.
Além das condições ambientais naturais do local do sítio, aspectos das atividades aeroportuárias
operacionais que impactam a população e o entorno também podem resultar em restrições à
demanda projetada para o empreendimento. No setor da aviação, esses aspectos referem-se,
principalmente, aos seguintes temas:
• Ruído aeroportuário;
• Licenciamento Ambiental;
• Risco da Fauna;
• Ocupações irregulares no sítio; e
• Desapropriações.
O ruído de aeronaves operando em aeroportos urbanos é motivo frequente de incômodo e

insatisfação para as pessoas que habitam em suas áreas circunvizinhas. Os efeitos prejudiciais à saúde
humana, principalmente os relacionados a alterações no sono noturno, advindos da exposição a níveis
de ruído aeronáutico excessivos, fazem com que importantes aeroportos do mundo tenham restrições
de horários de operações, como o de Frankfurt na Alemanha e o de Gatwick no Reino Unido, entre
outros.
Outro aspecto relevante é o licenciamento ambiental do aeroporto, que pode contemplar
condicionantes ambientais que exijam a redução do horário de operações do aeroporto ou a redução
do número de movimentos aéreos para minimizar os efeitos adversos na população do entorno.
O risco da fauna de um aeroporto também pode se configurar como fator que restringe a demanda
em determinadas épocas do ano, especialmente em aeroportos localizados em rotas migratórias de
aves ou em regiões com desequilíbrio no ambiente natural, em que ocorra concentração de espécies
da fauna capaz de colocar em risco as operações aéreas.
Por fim, ocupações irregulares no interior do sítio aeroportuário e a necessidade de extensas
desapropriações em áreas urbanas também figuram como fatores que dificultam a adequação e
ampliação da infraestrutura aeroportuária e, consequentemente, podem restringir a demanda
projetada para o aeroporto.
Recentemente, a pauta das mudanças climáticas e seus efeitos na aviação civil tem feito parte das
discussões do setor aéreo. Há projeções que mostram que o nível dos oceanos pode subir até dois
metros neste século – e que menos que isso já seria o suficiente para alagar terminais e pistas de pouso
e decolagem. Além do problema em aeroportos litorâneos, o aquecimento global pode reduzir o
tempo de vida útil das pistas de pouso e decolagem, promover frequentes panes elétricas e dificultar
a propulsão de aeronaves em dias de calor, condições que podem impor restrições à demanda de
movimentação em aeródromos. Apesar da relevância da pauta climática, ainda não existem
indicadores que possam quantificar o efetivo impacto do aquecimento global na capacidade instalada
dos aeroportos.
Por fim, na Tabela 12-1 é apresentada a avaliação do potencial dos aspectos socioambientais do
Aeroporto Campo de Marte resultarem em restrições às operações e à demanda projetada para os
anos de concessão.
Tabela 12-1: Potencial de aspectos socioambientais do aeroporto gerarem restrições à demanda

Aspecto Potencial de
Descrição Medidas mitigadoras
Socioambiental causar restrições
Presença de APPs no interior
do sítio aeroportuário (faixas
Realizar compensação florestal
Áreas protegidas de vegetação nas margens dos Baixo
e proteção de nascentes
corpos d´água perenes ou
intermitentes)
Ausência de Terras Indígenas e
Comunidades
Comunidades Remanescentes - Ausente
protegidas
de Quilombos
Ausência de Unidade de
Unidades de
Conservação no entorno de até - Ausente
Conservação
3km do aeroporto
Ausência de bens tombados ou
Bens protegidos e sítio arqueológicos dentro do
- Ausente
tombados aeroporto (somente no
entorno imediato)
Ausência de cavernas dentro
do aeroporto e está localizado
Cavernas - Ausente
em área improvável de
ocorrência.
Predomínio de Bioma Mata
Atlântica, com presença de
fragmento, ainda que Realizar compensação florestal
Vegetação Baixo
parcialmente degradado, de para supressões
Floresta Ombrófila Densa no
interior do sítio
Níveis incômodos de ruído
Realizar compensações que
Ruído afetam extensas áreas
poderão ser solicitadas pela Médio
Aeroportuário residenciais no cenário futuro
SVMA ou CETESB
do aeroporto
Aeroporto regularizado, com Manter o cumprimento de

Licenciamento
LAO 09/SVMA-G/2020 válida todas as condicionantes da Baixo
ambiental
até 2024 LAO
Sistema de gerenciamento da
fauna implantado e controlado.
Implantar e manter
Entorno de até 5km possui integralmente o Programa de
Risco da fauna áreas importantes para a aves Gerenciamento da Baixo
migratórias e áreas Biodiversidade e Risco da
classificadas como muito Fauna
sensível para espécies
ameaçadas.
Não existem ocupações
Ocupações
irregulares no sítio - Ausente
irregulares
aeroportuário
Não serão necessárias
Desapropriações - Ausente
desapropriações
A avaliação neste item indica que há fatores socioambientais conhecidos que podem causar restrições
à demanda de movimentos projetada para o Aeroporto Campo de Marte ao longo dos anos de
concessão. Para os fatores identificados foram propostas medidas mitigadoras que estão detalhadas
no Relatório 3 - Estudos Ambientais, as quais se devidamente implantadas minimizarão os riscos de
restrições à demanda projetada.
12.3 Comparação entre a demanda e a capacidade projetada

A metodologia geral da projeção de demanda com restrições de capacidade consiste em comparar a
solicitação da infraestrutura com a capacidade disponibilizada ao longo do tempo. Caso alguma
restrição nos sistemas de pista e TAG seja encontrada, afetando o fluxo de passageiros totais ou
movimentos de pista totais ou na hora-pico, as demandas previstas originalmente127 podem ser
recalculadas, a depender da restrição, considerando as interações entre os fluxos.
Inicialmente compara-se a hora-pico de pista com a capacidade horária do sistema de pistas. Caso a
hora-pico supere a capacidade horária e a mesma seja fisicamente não ampliável avalia-se a
capacidade anual do sistema de pistas, levando-se em conta benchmarks de distribuição das
operações ao longo dos dias do ano e horas do dia. Caso a capacidade anual seja superior à
movimentação prevista, o excedente da hora-pico pode ser acomodado nos instantes de menor
solicitação e, no caso de não ser possível o atendimento da demanda anual, o aeroporto passa a perder
parte de sua demanda. A seguir avalia-se o alcance máximo proporcionado pelo sistema de pistas do
Aeroporto.
Ainda, compara-se a projeção de passageiros à capacidade de processamento do TAG. Dado que as
expansões de TAG são feitas a cada vez que se atinge um limite de nível de serviço através de um
sistema de gatilhos, o sistema será restritivo apenas se não houver possibilidade de expansão do TAG
dentro do sítio128.
As análises de comparação entre demanda e capacidade são detidamente conduzidas no Relatório de
Engenharia e Afins. O presente capítulo apresenta de forma expedita os principais resultados.
12.3.1 Sistema de pistas

12.3.1.1 Capacidade horária
A evolução da capacidade do sistema de pistas após todos os investimentos previstos, conforme
abordado no Relatório de Engenharia e Afins, é apresentada na Tabela 12-2.
127 Calculada nos capítulos anteriores desse Estudo.

128 No caso de estacionamento de veículos, recorre-se a edifícios-garagem caso não haja espaço para eventual expansão. Em
último caso, assume-se que a demanda será atendida por prestadores fora do sítio. Dessa forma, o sistema de
estacionamento não restringe a demanda de passageiros.
Tabela 12-2: Capacidade horária do sistema de pistas atual e no final da concessão

Capacidade teórica Capacidade teórica
atual futura 2052
Movimentos/hora 50 50
Fonte: Relatório de Engenharia e Afins
A projeção da hora-pico total parte de 50 mov/h em 2023 e se mantém constante ao longo da

concessão uma vez que apresenta restrições referente à capacidade teórica projetada no Relatório de
Engenharia e Afins. Dadas as restrições de hora-pico deve-se avaliar a capacidade anual do sistema de
pistas, definida como Volume Anual de Serviço (ASV)129, para verificar o potencial impacto sobre a
demanda anual do Aeroporto.
Figura 12-2: Comparativo entre hora-pico de pista e capacidade horária da pista130
Ao se comparar a demanda potencial, apresentada no item 12.1, com a capacidade anual do sistema
de pistas (Figura 12-3), observa-se que o Aeroporto estará restrito a partir de 2033 e, portanto, a partir
desse ano passa a perder parte da demanda para seus competidores. Dessa forma, o cenário com
restrições para SBMT considera que os movimentos aumentem de 112 mil em 2023 para 143 mil em
2033, quando o aeroporto atinge sua capacidade, passando a se manter nesse patamar até o fim da
concessão131.
129 Estimado no relatório de Engenharia e Afins, no capítulo do plano de necessidades do aeroporto.

130 Eventuais diferenças na soma devem-se a arredondamentos.
131 A demanda excedente de SBMT deve ser redistribuída entre os demais competidores diretos do Aeroporto, com exceção
de SBSP que não tem capacidade disponível.

Figura 12-3: Comparativo entre demanda anual (sem restrição) e capacidade anual pista132
12.3.1.2 Alcance máximo de rotas

Conforme ilustrado pela Figura 12-4 e detalhado no Relatório de Engenharia e Afins o alcance máximo
do sistema de pistas para aeronaves típicas de AVG é apresentado na tabela a seguir:
Tabela 12-3: Alcance máximo do sistema de pistas para as aeronaves típicas de AVG
Alcance máximo
Aeronave típica
(nmi)
Citation Soreveign 3.200
132 Eventuais diferenças na soma devem-se a arredondamentos.

Figura 12-4: Alcance máximo do sistema de pistas do Aeroporto
Ao se analisar o alcance do sistema de pistas (Figura 12-4), observa-se que o Aeroporto tem potencial
para atendimento de viagens diretas para todos os destinos nacionais e para alguns destinos
internacionais concentrados principalmente na América do Sul.
12.3.2 Sistema de Terminal de Aviação Geral (TAG)

O projeto do TAG desenvolvido acomoda toda a necessidade de áreas e processadores para atender o
a demanda anual de AVG (Figura 12-5), respeitando as premissas de nível de serviço requeridas,
conforme detalhado no Relatório de Engenharia e Afins, nos capítulos 1.6 Avaliação da Capacidade
Instalada, 2.3.2 Necessidades Futuras, 2.3.3. de Diretrizes de desenvolvimento e 2.5 Plano de
Necessidades. Dessa forma, o aeroporto só apresentará restrições antes da conclusão da 1ª fase de
obras, o que pode afetar o nível de serviço, mas não gera impacto sobre a demanda anual. Após
concluídas as obras não haverá restrições133 ou prejuízos ao nível e serviço no atendimento ao fluxo
de passageiros.
133 A estabilização da demanda anual de passageiros decorre das restrições de movimentos de aeronaves atreladas às
limitações no sistema de pistas.
Figura 12-5: Comparativo entre demanda anual e Capacidade do TAG – Demanda anual
12.4 Resultados das projeções de demanda com restrição

A partir das comparações entre demanda e capacidade futura nos diferentes sistemas do Aeroporto,
se identifica que o Aeroporto terá restrições ao crescimento da demanda a partir de 2033. Dispõe-se
abaixo os principais resultados das projeções realizadas no presente Estudo e que devem ser
consideradas no Relatório de Avaliação Econômico-Financeira para fins de valoração da concessão.
12.4.1 Passageiros
Figura 12-6: Projeção total de passageiros do Aeroporto

Figura 12-7: Projeção total mensal de passageiros do Aeroporto
Figura 12-8: Projeção de passageiros regulares e não regulares do Aeroporto

12.4.2 Aeronaves
Figura 12-9: Projeção da movimentação anual total do Aeroporto
Figura 12-10: Projeção da movimentação total mensal do Aeroporto

Figura 12-11: Projeção da movimentação anual regular e não regular do Aeroporto
Figura 12-12: Projeção da movimentação de aeronaves na hora-pico de pista total

Figura 12-13: Projeção do mix total de aeronaves por classe de envergadura
Figura 12-14: Projeção do mix total de aeronaves por classe de velocidade de cruzamento de cabeceira

Figura 12-15: Projeção de aeronaves de AVG domésticas por classe de PMD
Figura 12-16: Projeção de aeronaves de AVG internacionais por classe de PMD

Figura 12-17: Projeção de movimentos-hora de permanência para aeronaves de aviação geral domésticas
Fonte: Consórcio GCAFigura 12-18: Projeção de movimentos-hora de permanência para aeronaves de

aviação geral internacionais
12.4.3 Benchmarking de aviação geral

Para fins de comparação dos indicadores de SBMT para AVG com outros aeroportos, definiu-se uma
amostra de aeroportos brasileiros operados pela Infraero, bem como outros aeroportos reportados
no Anuário Brasileiro de Aviação Civil da ABAG, pois são as únicas bases de dados levantadas que
apresentam as movimentações de AVG134.
134 Incluindo táxi aéreo.

A figura a seguir mostra os dados de movimentação de aeronaves de AVG para o Aeroporto e seus
comparáveis.
Figura 12-19: Benchmark da movimentação de aeronaves de AVG no Aeroporto
Fonte: Infraero, ABAG, FAA e Consórcio GCA
SBMT teve, em 2019, uma movimentação de AVG acima da média da amostra e próxima à do
aeroporto Boire Field, nos EUA. Ao fim da concessão, é esperado que o aeroporto atinja um patamar
superior a 11 dos 12 comparáveis nacionais e estrangeiros.
13 INSERÇÃO DO AEROPORTO NA MALHA AÉREA

Com relação ao fluxo de passageiros em operações de aviação comercial no Campo de Marte, os dados
disponíveis não permitem avaliar os movimentos de passageiros e a conectividade do Aeroporto.
Segundo informações do Anuário Brasileiro da Aviação Civil de 2020, não houve movimentação
comercial no biênio 2018-19135. No horizonte de concessão, também não são esperadas novas rotas
comerciais em SBMT, conforme observado nos itens 8 e 9.
Em relação a aviação geral, foram realizadas 63.198 mil movimentações em 2019, o que representa
uma retração de 12,6% em relação ao ano anterior. Vê-se que a aviação geral SBMT possui boa
conectividade doméstica na região da RI136.
Figura 13-1: Ranking das rotas de AVG 2019
Fonte: Anuário Estatístico 2019 CGNA
Ademais, observa-se que a infraestrutura de pista do aeroporto permite que os usuários realizem voos
para diversos locais no Brasil, América Latina e África, com uma aeronave típica de AVG conforme pode
se visualizar na figura a seguir.
135 Disponível em https://sindag.org.br/wp-content/uploads/2020/11/Anua%CC%81rio-Brasileiro-da-

Aviac%CC%A7a%CC%83o-Civil-2020.pdf. Acesso em 16/04/2021.
136 Fonte: Infraero. O valor difere dos dados apresentados no relatório do CGNA, uma vez que o anuário contempla dados de
sobrevoo e TGL.
Figura 13-2: Alcance de 3.200 nmi (Citation Sovereign)

I. Anexo: Referências Gerais da Tecnologia da Kido Dynamics

1 APRESENTAÇÃO
A Kido Dynamics é uma empresa fundada na Suíça e que há cerca de 3 anos trouxe ao Brasil o poder
do conhecimento sobre o comportamento de mobilidade de milhões de pessoas utilizando
ferramentas de big data e machine learning aliados aos princípios da ciência da física social. Desde
uma área específica até um país inteiro podemos dizer com muita precisão como as pessoas se
moveram em qualquer período de tempo dentro dos últimos cinco anos.
A plataforma OD Matrix foi desenvolvida pela Kido Dynamics e funciona como um gerador automático
de matrizes de origem-destino. De forma bastante resumida, através desta plataforma é possível
conhecer os padrões e os volumes de fluxo de pessoas que se deslocam em uma determinada região
em um determinado intervalo de tempo.
A origem da informação disponibilizada nesta plataforma são os dados coletados pelas operadoras de
telefonia móvel, os CDRs (call detail records), que representam a fonte de informação mais confiável
para a inferência da mobilidade humana, uma vez que as amostras obtidas são altamente
representativas, tanto em relação à quantidade total de população, quanto ao número de eventos
obtidos para cada usuário por dia.
Sobre os dados oriundos das redes de telefonia móvel são aplicadas as mais avançadas técnicas de big
data e algoritmos de machine learning são utilizados para reconstruir as trajetórias dos grupos
populacionais com comportamentos de mobilidade semelhantes.
O sistema da plataforma OD Matrix foi desenhado para que o próprio usuário possa carregar a sua
configuração de zonas de origem e destino para análise e também foram incorporados menus de
escolha de variáveis permitindo a segmentação das matrizes de acordo com parâmetros de entrada,
possibilitando assim a geração de resultados específicos e alinhados com os objetivos do projeto.
1.1 Visão geral

A plataforma da Kido Dynamics foi utilizada para a obtenção de matrizes de origem-destino, a partir
das quais foi possível conhecer o fluxo de pessoas que se deslocam de/para os aeroportos objetos de
análise.
Os resultados gerados pela Kido Dynamics foram disponibilizados na plataforma de geração
automática de matrizes de origem-destino (OD Matrix). Os dados correspondem aos seguintes
períodos de observação:
• 21-27 de outubro de 2019
• 11-17 de novembro de 2019
• 2-15 de dezembro de 2019
• 13-19 de janeiro de 2020
O zoneamento utilizado para a definição das matrizes de origem-destino levou em conta as áreas dos
aeroportos objetos de estudo e todo o entorno foi dividido com granularidade suficiente para analisar
a competição entre os aeroportos.
As imagens do zoneamento estipulado podem ser observadas abaixo.
Zoneamento completo – Estado de São Paulo
Zoneamento – Campinas/SP
Zoneamento – Aeroporto de Viracopos (Campinas/SP)
Zoneamento – Aeroporto de Congonhas (São Paulo/SP)

Zoneamento – Aeroporto Campo de Marte (São Paulo/SP)
Zoneamento completo – Estado do Rio de Janeiro

Zoneamento – Aeroportos Santos Dumont e Galeão (Rio de Janeiro/RJ)
Zoneamento – Aeroporto de Jacarepaguá (Rio de Janeiro/RJ)
Para este projeto, os volumes de deslocamentos de e para os aeroportos do estudo foram utilizados
como referência para os estudos de demanda dos terminais de passageiros.
2 METODOLOGIA
A tecnologia desenvolvida pela Kido Dynamics para a análise de metadados de mobilidade está
baseada na patente da União Europeia, número de série 18 202 716.9. O processo de caracterização
da mobilidade em um âmbito geográfico se dá, de forma resumida, através das fases descritas a seguir.
2.1 Filtros e testes de coerência dos dados brutos

Os dados brutos obtidos através das operadoras de telefonia móvel podem conter erros tanto de
formato como de conteúdo. O sistema da Kido Dynamics é autônomo e através dele foram
automatizados muitos processos de validação e filtragem.
Na prática, existe muita informação redundante por um lado enquanto existem grandes lacunas por
outro. Nossos filtros, abaixo descritos, garantem que ficamos somente com aqueles eventos realmente
relevantes para a caracterização da mobilidade.
• Filtro de erros: Se eliminam entradas errôneas ou incompletas dos dados originais. Na prática
são antenas que não se pode localizar, ou eventos com algum erro de transcrição ou campos
vazios. Não são comuns, mas é necessário filtrá-los.
• Filtro de massa crítica por usuário: 25% dos dispositivos com menor número de eventos são
eliminados. São na prática dispositivos com 1 a 10 eventos por dia, insuficientes para se fazer
uma análise de mobilidade adequada. Apesar do filtro, o tamanho da amostra segue sendo
robusto e representativo.
• Filtro de relevância da amostra: Para cada usuário são filtrados os eventos redundantes ou
irrelevantes para a mobilidade. Isso inclui sequência de eventos na mesma antena, ou
mudanças de conexão a duas, três ou até quatro antenas que tenham sobreposição de
cobertura, considerando que o dispositivo não tenha se deslocado.
• Filtro de ação: Se analisa a compatibilidade dinâmica da sequência de eventos de cada usuário,
filtrando aqueles que demonstram um movimento incompatível com a física no tempo e
espaço. Ocorre com dispositivos que compartilham da mesma identificação ou com antenas
mal localizadas. Dependendo da origem da incompatibilidade, se elimina o dispositivo ou a
antena.
Depois da aplicação destes filtros o tamanho da base de dados se reduz, em número de eventos, a
aproximadamente 20% da original, entretanto contém 100% de informação relevante para a
caracterização da mobilidade.
2.2 Georreferenciamento
2.2.1 Malha de resolução espacial da tecnologia da Kido Dynamics

A Kido Dynamics desenvolveu um modelo de distribuição espacial para todo o território nacional em
coerência com a demografia e a estrutura da rede móvel. A atividade humana não é homogênea no
espaço e tende a acumular-se em pontos de interesse enquanto, por outro lado, exibe grandes áreas
de pouca densidade.
Com o objetivo de resolver este problema, a Kido Dynamics desenvolveu a Adaptive Mercator Quad-
Tree (AMQT). Esta malha é gerada de maneira processual, ou seja, é universal e não depende das
operadoras que fornecem os dados, permitindo obter medidas comparáveis entre si em localizações
diferentes ou agregar dados de mobilidade de distintas fontes para uma mesma localização.
Malha de resolução espacial da tecnologia da Kido Dynamics no Brasil (acima) e em uma região de São Paulo
(abaixo). O mapa completo pode ser solicitado à Kido Dynamics.
2.2.2 Zoneamento
As matrizes de origem-destino fornecidas pela plataforma OD Matrix podem ser obtidas para
quaisquer configurações de polígonos de origem e destino desde que a região geográfica de análise
esteja contemplada no escopo do projeto contratado. O tamanho de cada zona precisa ser compatível
com a malha de resolução espacial desenvolvida pela Kido Dynamics, embora a morfologia da zona
seja de livre definição.
Cada zona deverá conter um identificador único e deverá ser categorizada como núcleo ou periferia.
Serão geradas nas matrizes de origem-destino apenas aqueles deslocamentos entre duas zonas do tipo
núcleo ou entre uma zona do tipo núcleo e uma zona do tipo periferia (e vice-versa). Viagens entre
zonas periferia não são exibidas, de forma que o usuário possa destacar quais são os pares de origem-
destino mais relevantes ao projeto.
2.3 Reconstrução da sequência temporal de eventos

As comunicações registradas pela rede móvel não estão associadas à posição GPS (e sim às posições
das antenas da rede), nem permitem obter um rastreamento dos deslocamentos de forma contínua
no tempo. As séries temporais de eventos por dispositivo mostram saltos entre antenas em ocasiões
de até várias horas e até vários quilômetros.
Nesse sentido, para dispor de uma visão completa da mobilidade foi desenvolvido um procedimento
de reconstrução de trajetórias baseado nos resultados de profundas pesquisas realizadas no campo
da socio física: se assume que a atividade demográfica humana responde ao princípio da máxima
entropia.
A aplicação disto em estudos de mobilidade indica que a distribuição mais provável para a trajetória
de um usuário é aquela que maximiza a entropia usando como condicionante as observações definidas
pelos dados da operadora móvel.
Esquerda: o agregado das sequências após os filtros. Direita: o agregado após a reconstrução.
2.3.1 Projeção à infraestrutura

Posteriormente, se implementa uma nova capa tecnológica ao processo, que permite o salto da
localização espacial baseada em antenas para uma baseada na malha viária da região estudada,
permitindo um detalhe sem precedentes em termos de análise de padrões de mobilidade.
Para isso, são lançados milhões de agentes virtuais que simulam a atividade observada nos eventos
registrados pela operadora móvel a fim de filtrar aqueles que maximizam a verossimilhança de suas
ações no espaço e no tempo.
Após a reconstrução da série temporal por usuário, projetamos o movimento da infraestrutura de
antenas à infraestrutura das vias de tráfego locais segundo o caminho mais provável e compatível
cinematicamente, em tempo e distância.
Exemplo de trajetória individual simulada com agentes virtuais (linhas da esquerda), projetada à rede de
antenas (polígonos da esquerda) e depois à malha viária (direita).
A agregação da atividade dos agentes virtuais fornece um mapa de probabilidade sobre as vias que
determinam o padrão do tráfego na região ou conjunto de dispositivos selecionado.
Esquerda: trajetórias reconstruídas na malha. Direita: trajetórias reconstruídas na rede viária local.
2.3.2 Classificação de eventos pela mobilidade

Uma vez completa a sequência temporal de eventos por usuário, se agrupam as subsequências em
paradas, micro trajetos e trajetos em função de suas características cinemáticas. A seguir estão
detalhadas as definições de cada um dos conceitos abordados:
• Trajeto: Uma sequência de eventos corresponde a um trajeto se o dispositivo percorreu ao
menos 5 km no intervalo da última hora. Este parâmetro indica que tal deslocamento tenha
sido realizado em um veículo motorizado.
• Micro trajeto: Uma sequência de eventos corresponde a um micro trajeto caso tenha sido
produzido um deslocamento, mas inferior à condição de trajeto do item anterior.
• Parada: Uma parada é uma sequência de eventos onde não se produziu deslocamento algum
segundo as definições anteriores.
2.4 Extrapolação da amostra

A Kido Dynamics fornece resultados já extrapolados ao total da população e, para fazer isso, toma-se
como referência o município de residência, a penetração da operadora de telefonia móvel fornecedora
de dados e ainda os dados estatísticos fornecidos pelo IBGE.
Inconsistências e distorções, como a duplicidade do terminal móvel de um mesmo usuário, são
eliminadas da amostra no processo inicial de limpeza e filtragem dos dados brutos.
Para proteger a privacidade dos usuários na eliminação destas distorções em nenhum momento se
recorre a um seguimento dos comportamentos de mobilidade de um indivíduo.
2.5 Garantia de privacidade do processo

Tanto durante o processo de análise dos dados quanto no momento da entrega dos resultados ao
destinatário, se asseguram dois princípios básicos: a incapacidade para identificar uma pessoa física,
tanto a partir de seus dados de identificação como a partir dos dados de localização. As medidas para
garantir a privacidade são as seguintes:
• Anonimização: Os dados disponibilizados pela operadora são previamente anonimizados
mediante hash, sem acesso possível a nenhum dado pessoal como número de telefone,
endereço ou nome.
• Privacidade diferencial I: anonimização individual completa. Ao projetar a sequência de

eventos à infraestrutura de vias, os agentes virtuais representando o movimento dos
dispositivos se deslocam seguindo uma componente aleatória em seu movimento, o que torna
impossível localizar pontos exatos como o lar ou o lugar de trabalho de um indivíduo de forma
unívoca. Isso impossibilita o cruzamento de dados a nível individual.
• Agregação: A contribuição de cada dispositivo anonimizado é agregada por segmentos em
blocos de um tamanho mínimo de 10 dispositivos. No caso de um agregado inferior a 10
dispositivos, este agregado é eliminado.
• Privacidade diferencial II: anonimização da agregação. Como medida adicional de segurança,
adicionamos uma capa de aleatoriedade aos resultados da agregação. Neste processo
adicionamos a cada elemento um número aleatório da ordem de 20 dispositivos (uniforme
entre -10 e +10).
3 FILTROS E VARIÁVEIS DA PLATAFORMA

Diversas variáveis estão disponíveis na plataforma OD Matrix permitindo a geração de matrizes de
origem-destino segmentadas de acordo com as mais variadas necessidades de análise.
Captura de tela da plataforma OD Matrix
3.1 Data, faixa horária e tipo de métrica

Dentro do período de datas disponíveis para consulta, é possível extrair matrizes para um dia específico
ou para mais de um dia, podendo, nesse caso, optar-se pela soma das matrizes diárias ou pela média
das matrizes diárias, através do menu de seleção do tipo de métrica. É possível também segmentar as
matrizes por faixas horárias, através dos menus de horário de partida e horário de chegada dos
deslocamentos, considerando, respectivamente, o horário de saída da zona de origem e o horário de
chegada na zona de destino.
3.2 Origem e destino

Considerando o zoneamento que foi estipulado, é possível extrair matrizes com origem em uma ou
mais zonas específicas para um ou mais destinos específicos, ou simplesmente gerar uma matriz
completa de todas as origens para todos os destinos.
3.3 Commuting
Esta variável permite a segmentação de deslocamentos do tipo pendulares, isto é, deslocamentos
realizados dentro do mesmo dia, pelo mesmo usuário, e que possuam um par inverso onde as origens
e os destinos estão intercambiados.
3.4 Variáveis sociodemográficas

Desde que tenham sido obtidos os dados sociodemográficos para o projeto em questão, é possível
segmentar as matrizes de origem-destino por variáveis como faixa etária, gênero e classe social.
3.5 Modo de transporte

Para projetos convencionais é possível escolher entre duas grandes categorias: trajetos e micro
trajetos. A primeira representa os deslocamentos motorizados, enquanto a segunda representa uma
indicação de que o deslocamento provavelmente tenha sido realizado através de um modal ativo,
como deslocamento a pé, em bicicleta ou em patinete, entre outros.
Para projetos onde tenha sido desenvolvido algum outro tipo de inferência de modo de transporte
como trem, metrô, ônibus etc. esta opção estará disponível para consulta na plataforma.
3.6 Duração, velocidade e distância percorrida

Através da reconstrução das trajetórias é possível inferir para cada trajeto informações valiosas como
a duração do deslocamento, a velocidade aferida e também a distância percorrida entre a origem e o
destino da viagem. As matrizes de origem-destino podem ser segmentadas conforme estas variáveis,
de forma isolada ou combinada.
3.7 Pontos de controle virtuais

Também em virtude da reconstrução de trajetórias, é possível inferir o fluxo total de deslocamentos
do tipo trajetos (e não para os micros trajetos) que passam por uma seção específica de uma via. Basta
definir o local de um ponto de controle virtual e poderá ser extraída uma matriz de origem-destino
filtrada por aqueles deslocamentos que passam necessariamente por esse ponto.
3.8 API (Interface de Programação de Aplicações)

Paralelamente à plataforma web da OD Matrix existe um serviço de API integrado a ela para que
consultas mais robustas e mais personalizadas possam ser realizadas mediante linguagem de
programação. Sobre isso não existe uma metodologia que esteja relacionada à tecnologia da Kido
Dynamics, mas a documentação de como realizar consultas através deste serviço estão disponíveis na
página web da plataforma OD Matrix.
4 DESCRIÇÃO DA BASE DE DADOS

A base de dados utilizada pela Kido Dynamics é obtida a partir da operadora de telefonia móvel
parceira, que apresenta uma penetração de mercado superior a um quarto da população nacional. A
base de dados é composta por três grandes grupos:
• Dados de antenas
• CDRs (call detail records)
• Características dos usuários anônimos
4.1 Dados de antenas

Correspondem às informações geográficas da infraestrutura da operadora de telefonia móvel.
Obtemos da operadora uma lista exaustiva de identificadores de antenas com a localização da torre
correspondente em formato de lista de pares de latitude e longitude. Uma torre normalmente contém
várias antenas.
Com isso, estimamos a área de cobertura por torre como sua área de Voronoi. Assim, qualquer evento
CDR está associado a uma antena (ou célula) localizando o usuário (cartão SIM conectado à rede da
operadora) em um ponto incerto dentro desta área.
4.2 CDRs
Correspondem aos registros mínimos gravados pelas operadoras sobre a utilização da rede móvel de
telefonia. Cada evento possui uma antena atribuída, um horário, a atividade (SMS, chamada, dados
etc.) e uma identificação criptografada (anônima) do usuário que utilizou a rede móvel. Estes registros
são filtrados a fim de que se mantenham apenas aquelas informações que são relevantes para a
caracterização de mobilidade.
Os eventos de telefonia são classificados em eventos de mobilidade (parada, viagem etc.), sendo
possível também conhecer as trajetórias dos deslocamentos realizados, a partir da reconstrução
temporal dos eventos de telefonia e da análise da compatibilidade cinemática dos movimentos quando
são projetos na malha viária da infraestrutura local.
4.3 Características dos usuários anônimos

Nesta base de dados, que é totalmente anonimizada pela própria operadora de telefonia antes do
envio à Kido Dynamics, temos acesso às propriedades estáticas dos usuários.
Para os usuários que são clientes da operadora, normalmente temos acesso a informações tais como
idade, gênero e classe social. Para os usuários internacionais (roamers) não temos acesso a
informações sociodemográficas, mas normalmente é possível saber o país de nacionalidade.
Os dados acima descritos foram combinados e processados com os algoritmos proprietários da Kido
Dynamics a fim de fornecer as informações de mobilidade requeridas para o estudo.
5 REFERÊNCIAS E CONSIDERAÇÕES FINAIS

Toda a base de conhecimento por trás da tecnologia da Kido Dynamics está presente em nossa patente
(União Europeia 18 202 716.9) e nos artigos acadêmicos que a suportam. Nestes artigos estão
explicadas todas as técnicas estatísticas que se aplicam a sistemas sociais e que servem de base para
entender e processar os dados de mobilidade.
- E. Zambrano, et al. Thermodynamics of firms’ growth. J. R. Soc. Interface, 12, 20150789 (2015).
- A. Hernando, et al. Memory endowed US cities and their demographic interactions. J. R. Soc.
Interface, 12, 20141185 (2015).
- A. Hernando, et al. Space-time correlations in urban sprawl. J. R. Soc. Interface, 11, 20130930 (2014).
- A. Hernando, et al. The workings of the Maximum Entropy Principle in collective human behavior. J.
R. Soc. Interface, 10, 20120758 (2013).
- A. Hernando, et al. Thermodynamics of urban population flows. Phys. Rev. E, 86, 066105 (2012).
- A. Hernando, et al. Scale-invariance underlying the logistic equation and its social applications. Phys.
Let. A, 377, 176 (2012).
- A. Hernando, et al. Variational principle underlying scale invariant social systems. Eur. Phys. J. B., 85,
293 (2012).
- A. Hernando, et al. MaxEnt and dynamical information. Eur. Phys. J. B, 85, 147 (2012).
- A. Hernando, et al. Unravelling the size distribution of social groups with information theory in
complex networks. Eur. Phys. J. B, 76, 87 (2010).
- A. Hernando, et al. Fisher information and the thermodynamics of scale-invariant systems. Physica A,
389, 490 (2010).
- A. Hernando, et al. Zipf’s law from a Fisher variational-principle. Phys. Lett. A, 374, 18 (2009).
II. Anexo: Bases de dados utilizadas para análises de benchmark

Este anexo apresenta as bases e metodologias adotadas para levantamento e organização dos dados
e produção dos indicadores de benchmark discutidos nos capítulos nas Seções I e II. Os itens a seguir
detalham o levantamento exaustivo dos dados e informações considerados nas análises apresentadas.
• Aeroportos brasileiros - levantamento de dados operacionais:
o Estatísticas de movimentação da Infraero mensais: passageiros embarcados e

desembarcados; passageiros em conexão (também divididos em embarque e
desembarque); movimentos de aeronaves (detalhamento dos fluxos domésticos e
internacionais; regulares e não-regulares; aviação comercial, charter, táxi aéreo e geral137).
Além de consolidar a movimentação dos aeroportos administrados atualmente pela
Infraero, a base de dados permite segregar passageiros e movimentos “não regulares” em
charter e táxi aéreo;
o Dados de movimentação da ANAC para todos os aeroportos nacionais (“Dados
Estatísticos”)138: passageiros transportados por mês e rota; movimentos de aeronaves em
voos domésticos e internacionais, regulares e não-regulares, na aviação comercial. Essa
base permitiu o levantamento das informações de movimentação comercial de
passageiros, carga e aeronaves para os aeroportos concedidos e outros aeroportos
públicos brasileiros;
o Anuário Brasileiro de Aviação Civil de 2019 do Instituto Brasileiro de Aviação 139, contendo
dados de operações de aviação civil, segregada em comercial e aviação geral, para os 45
aeroportos mais movimentados no Brasil. Essa base permitiu obter os dados de
movimentos de aviação geral para 16 aeroportos brasileiros de administração estadual ou
municipal e concedidos;
o Estatísticas de movimento operacional de 2019 do Departamento Aeroviário do Estado de
São Paulo (DAESP) para 20 Aeroportos administrados pelo Governo de São Paulo140. Essa
base contém os dados de movimentação de passageiros (embarcados, desembarcados e
em conexão), carga e aeronaves transportados por mês, em fluxos regulares e não
regulares;
o Anuário Estatístico de Tráfego Aéreo 2019 do Centro de Gerenciamento da Navegação
Aérea (CGNA)141 contém os movimentos totais e mensais e por tipo de voo (comercial,
geral e militar) para 32 aeródromos brasileiros. Esses dados permitiram avaliar os dados
mensais de aviação geral para os 10 Aeroportos atualmente concedidos, além do
Aeroporto de Ribeirão Preto;
o Base de dados adquirida da empresa britânica Official Airline Guide (OAG) referente ao
ano de 2019. Contém os dados de origem e destino real dos passageiros, incluindo o
137 Dados até 2019 disponibilizados pela Infraero via Lei de Acesso à Informação, Protocolo # 99927000070201900 com data
de abertura 22/02/2019 e #99927000035201982 com data de abertura 07/02/2019).
138 Disponível em: https://www.anac.gov.br/assuntos/dados-e-estatisticas/dados-estatisticos/dados-estatisticos, acessado
em 06/11/2020.
139 Disponível em https://institutoaviacao.org/anuario, acessado em 06/11/2020.
140 Disponível em http://www.daesp.sp.gov.br/estatisticas/, acessado em 06/11/2020.
141 Disponível em http://portal.cgna.gov.br/resources, acessado em 06/11/2020.
aeroporto de origem e destino e aeroportos de conexão, para fluxos domésticos e

internacionais. Utilizada para avaliar a taxa de passageiros com origem e destino no
aeroporto que fazem conexões em outros aeroportos para seu destino/origem final;
o Dados de Etapa Básica142 da ANAC para empresas domésticas e estrangeiras. Os dados voo
a voo, contendo informações de movimentação de aeronaves comerciais e em particular
o Tipo de Linha, identificam o tipo de operação realizada no voo. Essa base foi utilizada
para obter os dados de movimentação de cargueiros domésticos e internacionais;
o Dados da ANAC de Etapa Básica, Etapa Combinada e Voo Regular Ativo (VRA), utilizados
para cálculos de demandas de pico de pátio e pista, conforme detalhamento do Capítulo
11;
o Dados das pesquisas que subsidiaram o relatório Brasil Que Voa (BQV) de 2014, da SAC/MI.
Permitiu traçar características dos usuários e perfil de passageiros de diversos aeroportos
brasileiros, considerando a calibração na base explanada no item 3;
o Pesquisa de Satisfação do Passageiro divulgada pela Secretaria Nacional de Aviação Civil143
que mede a satisfação dos passageiros em 38 itens de infraestrutura, atendimento,
serviços e itens de gestão dos 20 principais aeroportos do Brasil. Os resultados dessa
pesquisa permitem comparar o desempenho operacional e a percepção do usuário entre
os Aeroportos pesquisado;
• Aeroportos internacionais:
• FAA (Federal Aviation Administration dos Estados Unidos)
o O sistema OPSNET144 (Operations Network) fornece o número de operações
(pousos e decolagens, sem considerar sobrevoos) nos aeroportos americanos.
• BTS (Bureau of Transportation Statistics dos Estados Unidos)
o A base de dados “T-100 Segment”145 contém dados sobre voos domésticos e
internacionais nos aeroportos americanos, por segmento do trajeto, incluindo
origem e destino, assentos disponíveis, tipo de voo e aeronave e número de
passageiros.
142 Disponível em: https://sistemas.anac.gov.br/sas/downloads/view/frmDownload.aspx, acessado em 06/11/2020

143 Disponível em: http://infraestrutura.gov.br/pesquisa-satisfacao.html, acessado em 06/11/2020.
144 Disponível em: https://aspm.faa.gov/opsnet/sys/main.asp
145 Disponível em: https://www.bts.gov/airline-data-downloads

Estudos de Mercado do Aeroporto Campo de Marte

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estudos de Mercado do Aeroporto Campo de Marte

Enviado por

Direitos autorais:

Formatos disponíveis

ESTUDOS DE MERCADO

AEROPORTO CAMPO DE MARTE/SP

1 Apresentação .............................................................................................................................. 138

Figura 8-3: Fluxograma do processo de conversão da demanda em criação/expansão de rotas (etapas

Figura 12-7: Projeção total mensal de passageiros do Aeroporto ...................................................... 128

Principais abreviações e definições

ADRM Airport Development Reference Manual. Manual de dimensionamento e planejamento de

ANAC Agência Nacional de Aviação Civil

AVG Aviação Geral

CGNA Centro de Gerenciamento da Navegação Aérea

DECEA Departamento de Controle do Espaço Aéreo do Comando da Aeronáutica.

EADI Estação Aduaneira Interior. É um depósito alfandegado localizado na zona secundária

ERAA Estação de Radiodifusão Automática de Aeródromo

FAA Federal Aviation Administration

IATA International Air Transport Association

IBGE Instituto Brasileiro de Geografia e Estatística

ICAO International Civil Aviation Organization

IFR Instrument Flight Rules ou regras de voo por instrumentos

LOAD FACTOR Taxa de ocupação média das aeronaves

PCC Pure cargo carrier. Aeronave cargueira.

PHP Passageiros em hora-pico

PIB Produto Interno Bruto

QAV Querosene de aviação

R² Coeficiente de determinação. É uma medida da habilidade do modelo em explicar o

RBAC Regulamentos Brasileiros da Aviação Civil, disponíveis em

REDEX Recinto Especial para Despacho Aduaneiro de Exportação

RPK Revenue Passenger Kilometer, ou passageiros-quilômetro voado. Para determinado voo, é

SAC/MI Secretaria de Aviação Civil vinculada ao MI

SBAA Aeroporto de Conceição do Araguaia

SBAE Aeroporto de Bauru Arealva

SBAQ Aeroporto de Araraquara

SBAU Aeroporto de Araçatuba

SBAR Aeroporto Internacional de Aracaju

SBAT Aeroporto de Alta Floresta

SBAX Aeroporto de Araxá

SBBE Aeroporto Internacional de Belém

SBBH Aeroporto de Belo Horizonte (Pampulha)

SBBG Aeroporto de Bagé

SBBI Aeroporto de Bacacheri

SBBR Aeroporto Internacional de Brasília

SBBT Aeroporto de Barretos

SBBV Aeroporto Internacional de Boa Vista

SBBW Aeroporto de Barra do Garças

SBCA Aeroporto de Cascavel

SBCB Aeroporto de Cabo Frio

SBCF Aeroporto de Confins

SBCG Aeroporto Internacional de Campo Grande

SBCH Aeroporto de Chapecó

SBCJ Aeroporto de Carajás

SBCT Aeroporto Internacional de Curitiba

SBCN Aeroporto de Caldas Novas

SBCP Aeroporto de Campos dos Goytacazes

SBCR Aeroporto de Corumbá

SBCX Aeroporto de Caxias do Sul

SBCY Aeroporto Internacional de Cuiabá

SBCZ Aeroporto de Cruzeiro do Sul

SBDB Aeroporto de Bonito

SBDO Aeroporto de Dourados

SBDN Aeroporto Estadual de Presidente Prudente

SBEG Aeroporto Internacional de Manaus

SBFE Feira de Santana

SBFI Aeroporto Internacional de Foz do Iguaçu