diagnóstico y análisis del aeropuerto arturo merino benítez

Transcripción

REPÚBLICA DE CHILE
MINISTERIO DE PLANIFICACIÓN Y COOPERACIÓN
MIDEPLAN
DIAGNÓSTICO Y ANÁLISIS DEL AEROPUERTO
ARTURO MERINO BENÍTEZ
INFORME FINAL
Comisión de Planificación de Inversiones
en Infraestructura de Transporte
Secretaría Ejecutiva S E C T R A
Santiago, Diciembre 1998
INECON Ingenieros y Economistas
Consultores Ltda.
REPÚBLICA DE CHILE
MINISTERIO DE PLANIFICACIÓN Y COOPERACIÓN
MIDEPLAN
DIAGNÓSTICO Y ANÁLISIS DEL AEROPUERTO
ARTURO MERINO BENÍTEZ
INFORME FINAL
Santiago, Diciembre 1998
INECON Ingenieros y Economistas
Consultores Ltda.
INDICE
1.
PRESENTACIÓN Y RESUMEN ................................................... 1.1
2.
ANÁLISIS DE LAS PROYECCIONES EXISTENTES........................ 2.1
2.1 Informes y Planes a Nivel Nacional ............................................... 2.1
2.2 Fuentes Internacionales ............................................................. 2.12
2.3 Proyecciones a nivel regional ..................................................... 2.16
3.
ANÁLISIS DE CAPACIDAD Y ESTUDIO OPERACIONAL .............. 3.1
3.1
3.2
3.3
3.4
3.5
3.6
3.7
Análisis Demanda-Capacidad.(ADC)........................................... 3.1
Estudio Operacional ............................................................... 3.10
Componentes de Servicio del Aeropuerto AMB ......................... 3.20
Mediciones y Técnicas de Análisis empleadas en Est. operacional 3.21
Mediciones en el Edificio Terminal Internacional ........................ 3.28
Verificación de Estándares de Capacidad de Instalaciones. ......... 3.42
Modelamiento de los componentes del aeropuerto ..................... 3.49
4.
MODELOS DE PROYECCIÓN DE TRÁFICO DE PASAJEROS
INTERNACIONALES DE MEDIANO Y LARGO PLAZO EN AMB. .... 4.1
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
Introducción. .......................................................................... 4.1
Marco Metodológico General .................................................... 4.2
Proyección de Pasajeros Internacionales. Modelo Agregado .......... 4.9
Proyección de Pasajeros Internacionales por Zona de Tráfico ...... 4.20
Análisis del Efecto de las Tarifas en el Modelo Agregado............ 4.34
Análisis de Correlación entre PIB y variables del turismo............. 4.41
Proyecciones de Mediano y Largo Plazo ................................... 4.44
Conclusiones Generales ......................................................... 4.46
5.
SERIE DE TIEMPO DE PASAJEROS INTERNACIONALES .............. 5.1
5.1
5.2
Introducción .......................................................................... 5.1
Serie de Datos ........................................................................ 5.1
5.3
5.4
Modelación de la Serie de Tiempo ............................................. 5.3
Conclusiones .......................................................................... 5.8
6.
PROYECCIÓN DE MATRICES DE VIAJE
EN VUELOS
NACIONALES. ........................................................................ 6.1
6.1
6.2
6.3
Introducción .......................................................................... 6.1
Modelación............................................................................. 6.4
Proyección de Mediano y Largo Plazo....................................... 6.20
7.
ANÁLISIS DE LA DEMANDA DE CARGA AÉREA EN AMB ............ 7.1
7.1
7.2
7.3
7.4
7.5
7.6
Introducción ........................................................................... 7.1
Movimiento Total de Carga Aérea.............................................. 7.3
Carga Internacional de Importación ............................................ 7.4
Exportaciones por AMB.......................................................... 7.13
Análisis de la Carga Nacional .................................................. 7.33
Proyecciones de Carga de Mediano y Largo Plazo. Conclusiones . 7.37
8.
ENCUESTA A PASAJEROS EN AMB.......................................... 8.1
8.1
8.2
8.3
8.5
Introducción ........................................................................... 8.1
Vuelos Nacionales ................................................................... 8.4
Vuelos Internacionales ........................................................... 8.14
Resumen y Conclusiones........................................................ 8.27
9.
ENFOQUE METODOLÓGICO PARA LA PROYECCIÓN DEL PERÍODO
“PUNTA” DE PASAJEROS........................................................ 9.1
9.1
9.2
9.3
9.4
9.5
Perfil de Tráfico y su Función en el Diseño y Operación ............... 9.1
Criterios y Formas de Medición de “puntas de tráfico” ................ 9.2
Aspectos de aplicación de los criterios ....................................... 9.6
Proyección de Perfiles de puntas de Demanda............................. 9.8
Cuantificación de los perfiles de puntas para Año un Base.......... 9.10
10.
REFERENCIAS BIBLIOGRÁFICAS............................................. 10.1
11.
ANEXOS
1.1
1.
PRESENTACION Y RESUMEN
Este documento corresponde al Informe Final del Estudio de
Diagnóstico y Análisis del Aeropuerto Arturo Merino Benítez, encargado por la
Secretaría Ejecutiva de la Comisión de Planificación de Inversiones en
Infraestructura de Transporte (SECTRA) a la firma INECON.
El presente informe está organizado en nueve secciones, incluyendo
esta introducción. En este documento se incorporan las observaciones
efectuadas por la contraparte a los informes de avance, así como las
señaladas en la presentación del proyecto ante la SECTRA, ocasión en la que
se hicieron alcances que enriquecieron los conceptos estudiados.
En el capítulo 2 se presenta el análisis en perspectiva de las diferentes
proyecciones de tráfico realizadas para el aeropuerto Arturo Merino Benítez
(AMB) en los últimos años. En dicho capítulo se incluyen las proyecciones
realizadas específicamente para AMB, así como las que se basan en estudios
globales desarrollados por instituciones internacionales.
A la luz de los estudios desarrollados anteriormente parecería ser que la
elasticidad - producto de los viajes internacionales fue subvaluada, no por
problemas de estimación en los modelos empleados, sino porque los datos
reflejaban condiciones del sector, así como las de la economía en general,
previas a 1984, que eran estructuralmente diferentes a las posteriores. Por
ello, los modelos empleados no pudieron captar la incidencia de las variables.
En cuánto a las cifras absolutas de incremento de tráfico la
discrepancia entre lo predicho y la realidad se debe generalmente a que el
crecimiento de la economía, medido por el PIB, fue superior a las
estimaciones más optimistas. No obstante también la discrepancia se dio por
problemas metodológicos, ya que si se utilizan los modelos empleados en
determinados estudios realizados para AMB en la primera mitad de la década
de los 80, y se introducen los índices de la evolución real de la economía
nacional durante el decenio 85-96 como variable explicativa, los errores de la
predicción habrían sido igualmente importantes. Ello indica que los modelos
no tenían capacidad predictiva.
De acuerdo a los análisis econométricos aplicados en los diferentes
estudios analizados y desarrollados en la década del 90, consistentemente la
elasticidad del tráfico de pasajeros en relación al producto tiene valores de
alrededor de 2,0, variando entre 1,7 y 2,3. Por otra parte la elasticidad en
relación a la tarifa muestra en general valores negativos que varían entre -0,4
y -0,7.
1.2
La tendencia observada en los estudios de demanda aeroportuaria en
países de mayor nivel de desarrollo que el nuestro, apunta a la utilización de
modelos econométricos que describen el comportamiento de cada uno de los
mercados o rutas y dentro de ellas según tipo de usuario. Este enfoque es
promisorio y concuerda con la línea seguida en el presente estudio, sin
embargo su aplicación está limitada por la inexistencia de las series de
información pasadas.
Luego se recomienda el desarrollo de una base de información
adecuada para realizar proyecciones desagregadas por mercado, esta base de
información debe ser diseñada y alimentada periódicamente con el objeto de
que a futuro posibilite el uso de proyecciones desagregadas de buena calidad.
En el capítulo 3, Análisis de Capacidad y Estudio Operacional, se
presenta básicamente el estudio de las variables operacionales del terminal
aeroportuario. Ello se realiza mediante un análisis de demanda/capacidad del
aeropuerto y un estudio operacional basado en mediciones en terreno. Se ha
profundizado en el análisis de la capacidad aeroportuaria y la comparación de
estándares de servicio, donde se aplica la metodología para comparar las
instalaciones actuales de AMB con los estándares IATA.
El análisis demanda-capacidad (ADC) del aeropuerto se realizó con el
objeto de establecer parámetros y elementos cuantitativos que orienten en
que medida las instalaciones e infraestructura del terminal aeroportuario
satisfacen la demanda y a que nivel de servicio. Para ello se han utilizado los
conceptos y las formulaciones empleadas por el sistema CAPASS1 de IATA.
Los antecedentes utilizados en el análisis provienen de los datos de
vuelo provistos por DGAC, básicamente los flujos horarios, diarios, mensuales
y totales de pasajeros durante 1996. Estos se estratifican según los cuatro
tipos de movimiento, es decir pasajeros nacionales, de entrada y salida, y
pasajeros internacionales para ambos movimientos. Los meses de mayor flujo
de pasajeros (punta), en el terminal internacional, fueron Enero para las
Salidas (135.026) y Febrero para las Llegadas (113.659). Los meses punta
en el terminal nacional fueron Diciembre para las salidas (98.686) y
Noviembre para las llegadas (86.967). Con esta información se construyen
las medidas de puntas relevantes al ADC, el Día Punta del Mes Punta, (PDPM)
y el Día Promedio del Mes Punta (ADPM), con los correspondientes peak
horarios.
1 IATA Airport Capacity Programme, IATA; Setiembre,1991
1.3
Finalmente basados en los antecedentes de tráfico y los ajustes
derivados de los estudios operacionales se realiza el ADC utilizando las
fórmulas de Capacidad de IATA. La evaluación de la capacidad para ambos
terminales se realizó utilizando la hora punta representativa (ADPM), es decir
el día promedio del mes Punta.
El análisis de los componentes del terminal internacional señala que las
insuficiencias mayores del aeropuerto se dan en las instalaciones de control
de pasaporte, las instalaciones y equipos de seguridad aeronáutica y en el
sistema de llegadas. El resto de los componentes, de acuerdo a los
estándares internacionales deberían ser suficientes para el movimiento
estimado para las horas punta analizadas, es decir el tráfico correspondiente a
ADPM y PDPM.
Es importante señalar que la comparación de la infraestructura física
actual del aeropuerto con los estándares internacionales medidas en número
de estaciones requeridas o en términos de superficie disponible es un
elemento referencial pues localmente existen condiciones de atención que son
diferentes a las de la normalidad de los aeropuertos. Lo anterior hace pensar
que sería necesario realizar ajustes a los estándares IATA, en función de los
coeficientes de estadía de las personas en el aeropuerto y la menor
proporción de transbordos existente en AMB.
Por otra parte el estudio operacional tiene por objeto proveer la
información para un mayor conocimiento del funcionamiento y efectividad de
los diferentes componentes de servicio del terminal aeroportuario a través de
la medición y estimación de diversos parámetros de funcionamiento. Un
segundo objetivo es el de probar las técnicas de recabamiento de información
para establecer y recomendar procedimientos para estudios futuros. Este
estudio consiste en la medición en terreno de un conjunto de parámetros de
servicio en los diversos componentes y procesos en el terminal internacional
de AMB tales como la longitud promedio de las colas o el número de
pasajeros en cola, los tiempos de procesamiento de pasajeros, el número de
pasajeros almacenados en las áreas de espera, los tiempos de servicio en los
diferentes procesos (trámites de policía internacional, tiempo de retiro de
maletas, etc.).
En base a la experiencia de estos consultores, se puede afirmar que el
proceso de recabamiento de información en el aeropuerto debe ser
cuidadosamente diseñado debido a su naturaleza particular. Los requisitos
que debe cumplir el diseño son básicamente el minimizar la interferencia a la
libre circulación de pasajeros, no obstruir las funciones de seguridad del
aeropuerto y no alterar el trabajo de las compañías aéreas, ello racionalizando
1.4
el número de encuestadores. Esto último se puede lograr haciendo uso de la
teoría de sistemas de colas de espera, ello permite estimar los parámetros del
sistema a partir de la medición de un subconjunto de los mismos.
La comparación de los resultados de las mediciones de nivel de servicio
con los estándares internacionales refleja que en AMB el nivel de servicio es
levemente inferior, en lo que respecta a la mayoría de los componentes.
En cuanto a mediciones de interés en el Edificio Terminal Internacional
se puede destacar en primer término la homogeneidad del parámetro de
atención por counter, alrededor de 0,36 a 0,5 pasajeros por minuto. De la
experiencia queda claro que el número de counters habilitados para atender
cada vuelo es fundamental para la determinación de la tasa de atención
relevante para estimar el nivel de servicio, más aún la política de la aerolínea
para ir adaptando el número de estaciones a la demanda.
Sin embargo, la constatación principal es la de que los componentes
dentro del terminal reciben requerimientos en forma de pulsos de demanda,
con intervalos de tiempo aleatorios entre los mismos y asimismo magnitudes
disimiles, que dependen del número de pasajeros por vuelo y sus patrones de
comportamiento. En consecuencia el análisis de capacidad tradicional, basado
en un enfoque estático y agregado puede llevar a soluciones muy costosas en
términos de nivel de servicio. Así, se propone un enfoque alternativo para el
modelamiento de los componentes del aeropuerto y así poder evaluar las
instalaciones de éste. Se desarrolló un programa preliminar de simulación para
AMB. Este hace uso de que desde el punto de vista topológico el sistema
puede considerarse como una red de colas de espera, servicios y áreas de
almacenamiento cuya lógica de funcionamiento es susceptible de ser
modelada, tanto matemáticamente como mediante simulación.
Los capítulos 4 y 5 del presente informe contienen el análisis y
modelamiento del tráfico de pasajeros internacionales por AMB, en el capítulo
4 se establecen los modelos de proyección para el mediano y largo plazo, en
el capítulo 5 se propone un modelo de serie de tiempo para realizar
proyecciones de corto plazo.
En los últimos años se ha experimentado un notable crecimiento en el
flujo de pasajeros internacionales en AMB, muy por encima sobre las
previsiones realizadas con anterioridad. A la luz de una nueva etapa de
desarrollo del aeropuerto es de gran importancia estudiar los factores que
explican dichas tasas de crecimiento y estudiar los modelos que permitan
predecir con cierta confianza cómo este hecho se seguirá desarrollando.
1.5
En el estudio se presenta en primer término el enfoque a desarrollar y
las consideraciones tomadas en cuenta para ello. Luego se analizan diferentes
modelos de proyección para pasajeros internacionales en AMB. En primer
término se hace un análisis de las series agregadas para el total de pasajeros
internacionales por AMB, posteriormente se efectúa el análisis de los modelos
con series desagregadas por ruta.
El enfoque de proyección de tráfico aéreo de pasajeros se ha
seleccionado a partir de un análisis del problema y exploración de las
diferentes estrategias comúnmente utilizadas en el sector para desarrollar
proyecciones. Basado en la experiencia de estos consultores en el presente
estudio, después de analizar la información y realizar entrevistas a los
agentes, se propone un enfoque híbrido, que combina el enfoque de “abajo
hacia arriba”, por ruta, con la simplicidad del método econométrico (método
OACI). Este enfoque está diseñado para producir proyecciones desagregadas
de tráfico para AMB, independientemente para el mercado internacional como
nacional.
Al definir zonas se intentó discriminar entre las principales regiones de
tráfico vinculadas a AMB. Las zonas de tráfico, en número de cuatro, se
definieron como: Argentina, EEUU y Canadá, América Latina y el Caribe,
excepto Argentina, y Resto del mundo.
Para establecer los modelos se consideraron diferentes variables y
especificaciones. En primer término, para la proyección agregada de pasajeros
Internacionales se calibran modelos agregados que consideran el producto
interno bruto PIB y las tarifas aéreas como variables explicativas. En este
caso se intenta además utilizar modelos con rezagos. Finalmente se estudian
cuatro modelos distintos en que la variable explicativa fundamental es el PIB.
El análisis desarrollado con el modelo agregado permitió identificar variables
para los análisis desagregados por ruta o zona de tráfico.
Para analizar los modelos de proyección por zona, se estudiaron
diversas formas funcionales ocupando como variable explicativa el PIB
nacional. También se exploró la posibilidad de utilizar el PIB internacional (de
la zona de destino) como variable independiente, pero se encontró que
existen problemas de multicolinealidad, con lo que la solución que se adoptó
se refiere a la omisión de esta última variable por ser altamente colineal con el
PIB nacional.
Se consideró importante el análisis de correlación entre PIB y variables
del turismo, que son generalmente candidatas para la especificación de estos
modelos. Al analizar esta matriz de correlaciones, se obtiene como conclusión
1.6
principal, que el PIB influye directamente en el total del flujo de pasajeros en
vuelos internacionales y que presenta fuertes correlaciones con las variables
del sector turismo tradicionalmente utilizadas en los modelos. Por ello, puede
decirse que al considerar el PIB, se está recogiendo también el efecto de
estas variables.
Un aspecto importante de dilucidar es el efecto de las tarifas aéreas en
la proyección. Desde el punto de vista teórico las tarifas aéreas tienen
incidencia en la magnitud de la demanda, por lo tanto se probaron diferentes
formas funcionales y básicamente formas alternativas para construir los
índices tarifarios. Sin embargo debido a la dificultad de obtener los índices
tarifarios reales y dado lo disímil de los resultados al tomar los datos de
diversas fuentes razonables, no se considera adecuado incorporarla en la
proyección.
En síntesis, la opinión de estos consultores es de que la metodología
más confiable para estimar un modelo agregado que incorpore el efecto
tarifas, se debería basar en una serie temporal por ruta, que refleje la
evolución del Retorno Unitario por pasajero kilómetro, es decir la tarifa media
pagada por pasajero, en que se desglose la composición tarifaria a lo menos
por clase.
Utilizando los modelos calibrados para proyectar los pasajeros
internacionales se obtienen los resultados observados en el Cuadro 1.1,
basados en la variación que experimenta el PIB en los diferentes escenarios
mostrados en el cuadro 4.27 página 4.44.
Cuadro 1.1
Proyección Viajes Internacionales
Hipótesis Base, Escenarios Optimista y Pesimista
Años 2000 y 2010
Zona
Argentina
USA
Resto de América
Resto del Mundo
TOTAL AMB
PIB Base
PIB Optimista
PIB Pesimista A
2000
2010
2000
2010
2000
2010
1.496.323 7.053.984 1.548.258 7.298.816 1.410.432 5.421.260
825.879 2.861.894 848.776 2.941.238 787.661 2.317.473
1.176.799 3.778.019 1.207.393 3.876.240 1.125.615 3.099.259
593.110 2.077.824 609.700 2.135.943 565.428 1.679.445
4.092.111 15.771.722 4.214.127 16.252.238 3.889.136 12.517.437
PIB Pesimista B
2000
2010
1.309.970
4.753.842
742.367
2.085.858
1.064.756
2.807.623
532.636
1.510.200
3.649.729 11.157.522
Como complemento a los modelos de proyección de mediano y largo
plazo se realizó el análisis de la Serie de Tiempo de Pasajeros Internacionales
con el objeto de desarrollar un modelo predictivo de corto plazo y estudiar el
fenómeno estacional, se analizó la serie de tiempo mensual para los pasajeros
internacionales. Para efectuar el análisis se consideraron los datos a partir de
1990.
1.7
La serie presenta heterocedasticidad, por tanto se realizaron las
transformaciones respectivas sobre la misma. Finalmente se llegó a un
modelo que predice adecuadamente la estacionalidad en el corto plazo.
Luego para realizar las predicciones puede utilizarse el método de BoxJenkins de series temporales, con las transformaciones mencionadas. El
método requiere de alrededor de 60 datos para poder estimar buenas
predicciones a corto plazo. El análisis de la serie de tiempo no es útil para
predecir en el largo plazo, tampoco es útil para predecir la tendencia cuando
existen cambios abruptos no sistematizados.
En el Capítulo 6, “Proyección de matrices de viaje en vuelos
nacionales”, se estiman los vuelos nacionales en AMB, para esto se utiliza un
enfoque de red de aeropuertos y se proyectan matrices de viajes aéreos a
nivel nacional.
La metodología utilizada contiene las dos etapas tradicionales para
determinar la matriz de viajes a nivel nacional: una de generación y atracción
de viajes en la cual se establece un modelo lineal que explique con cierta
confiabilidad la fase de producción de viajes, y una segunda etapa en que se
aplica un enfoque iterativo para obtener la distribución de los viajes.
Debido a la escasa evidencia histórica con que se cuenta en relación a
la composición del propósito de viaje en función de la fecha y estación del
año se ha desarrollado un enfoque agregado.
Se consideran 16 zonas asociadas a los correspondientes aeropuertos,
luego se trabajó con una matriz de 16x16, aunque las estadísticas no acusan
viajes entre una proporción importante de pares O-D. Se considera la
información de los años 1990 hasta 1994 y con ello se efectúan las
inferencias para años siguientes.
Para modelar la generación y atracción de viajes se utilizaron modelos
de regresión lineal múltiple donde la variable dependiente son los viajes y la
independiente fue el resultado de un análisis al PIB regionalizado y a la
población de la zona que representa el potencial de viajes, éstas representan
confiablemente las variables a explicar.
Para la distribución se utilizó el algoritmo multiplicativo de Kruithof,
para resolver el modelo gravitacional visto como biproporcional, que es el que
más se ajusta a los datos manejados. Se optó por la matriz base de 1994
como aquella con la estructura más probable a seguir, dado que corresponde
1.8
al último período de datos confiables disponibles. Con dicha base se
proyectaron las matrices al 2010.
En el capítulo número 7 se presentan los análisis desarrollados para la
estimación de la carga aérea. Para el caso de la carga de importación se
adopta un modelo econométrico; para la de exportación, en cambio, el
enfoque se basó en un exhaustivo análisis sectorial, especialmente para el
sector hortofrutícola y el sector pesquero.
En AMB el movimiento de carga aérea se ha visto incrementado
durante los últimos años, especialmente en lo referente a cargas de
exportación, que desde 1985 a la fecha se ha multiplicado casi 6,6 veces, en
el intertanto la carga de importación lo ha hecho 4,9 veces. Durante 1996 la
carga de Comercio Exterior, tomando como fuente la D.G.A.C., alcanzó las
186.770 toneladas, por otra parte la carga nacional movilizada por AMB es
menos de un 10% de esta cifra.
En este estudio básicamente se analizan los volúmenes agregados de
carga aérea y especialmente las derivadas del comercio internacional, tanto
las de importación como de exportación. Las cargas nacionales son de una
menor importancia tanto en volumen como en los requerimientos que estas
provocan sobre el sistema.
Por otra parte se reconoce que existen dos situaciones en lo que
respecta al comercio exterior que hace uso del transporte aéreo, la de las
exportaciones y la de las importaciones. Las primeras son función del
mercado de un conjunto de productos muy reducido y específicos del sector
hortofrutícola y pesca. Las importaciones por otra parte, están formadas por
un amplio espectro de bienes finales e intermedios de un alto valor agregado
cuyo volumen depende en gran medida de los niveles de ingreso nacionales.
De acuerdo a lo anterior el enfoque de proyección de importaciones y
exportaciones es algo diferente, mientras que en la primera se utilizan
variables agregadas en la segunda se debe realizar necesariamente un análisis
de los sectores exportadores y sus perspectivas.
Con respecto a las importaciones, el transporte de carga de
importación ha llegado a alrededor de 68.500 toneladas en 1996. Los
productos que ingresan al país por esta vía son productos de alto valor en
embarques de pequeño tamaño. La carga de internación por vía aérea en
AMB durante 1996 alcanzó un valor CIF de US$2.700 millones, lo cual
significa aproximadamente un valor promedio de US$ 40.000 por tonelada.
1.9
Para la carga de importación se estimaron modelos que incluyen un
índice de valor de importaciones y el PIB, los que entregaron buenos ajustes,
finalmente se utiliza para la proyección el índice de importaciones, que por lo
demás presenta una alta correlación con el PIB.
Se ha desarrollado además un análisis de los aspectos operacionales de
la carga de importación, que por su naturaleza (múltiples embarques y bultos
de pequeño tamaño sobre los cuales se realizan bodegajes y procedimientos
aduaneros) produce una gran demanda de recursos en el aeropuerto. Este
análisis comprende estacionalidad mensual, la distribución horaria, la carga
llegada por día y la distribución del tamaño de embarque por aeronave. La
demanda instantánea más importante sobre el sistema se da con el arribo de
cargueros de gran tamaño.
En cuanto a las exportaciones, los principales productos exportados por
el puerto de embarque AMB son productos frescos, principalmente pescados,
mariscos, hortalizas y frutas.
La participación del puerto de embarque AMB en las exportaciones
hortofruticolas, ha experimentado un aumento sostenido durante las
temporadas en estudio, abarcando, durante la temporada 96-97 el 3,8% de
las exportaciones globales del sector hortofrutícola, con un promedio de
3,4% en las últimas cinco temporadas.
Para estimar tasas de crecimiento futuras de las exportaciones se
consideró que por la irregularidad de los embarques anuales y la “inmadurez”
de algunos mercados el análisis econométrico no da un buen sustento. Por
ello las tasas de crecimiento de los sectores exportadores se derivaron
mediante procedimientos indirectos. En el caso hortofrutícola se realizaron
análisis de la información sobre el incremento de la tasa de plantación para
los productos más importantes, se consideraron para ello las áreas agrícolas
de plantaciones en producción y en formación.
Según los análisis desarrollados para las principales especies frutícolas,
se puede concluir que las tasas de crecimiento por especie son muy variables,
pero en conjunto, y en base a los antecedentes, se opta por un rango de
proyección que va desde una tasa moderada de un 5%, hasta una optimista,
tendencial, de un 10%.
En cuanto a hortalizas, para los efectos de las proyecciones, en
atención a la varianza de las exportaciones del rubro mostradas en los últimos
años y considerando la expansión de las áreas cultivadas, estos consultores
estiman, como piso del rango, una tasa de crecimiento conservadora en las
1.10
exportaciones hortícolas que debería ser similar al crecimiento de las áreas
cultivadas, es decir un 3% anual, como máximo y límite superior del rango un
8% de mucho menor probabilidad de ocurrencia.
Los productos frescos del mar exportados por AMB se han incrementado
considerablemente durante los últimos años y de acuerdo a los informes
sectoriales dichos volúmenes tenderán a crecer a tasas más moderadas en el
futuro. Basados en el análisis de los datos y opiniones sectoriales se concluye
que es razonable esperar una tasa de crecimiento del 10% durante el próximo
quinquenio, para luego moderarse a un nivel de 5% anual.
En cuanto a las cargas nacionales por AMB el análisis se desarrolla
mediante un enfoque econométrico agregado en que se discrimina según si la
carga es de llegada o salida. Se establecieron dos modelos, uno en función
del PIB y un segundo considerando la misma variable rezagada.
Una vez obtenido las estimaciones de los modelos de proyección para
la carga que entra y sale de AMB, se procedió a realizar la proyección para el
mediano y largo plazo (años 2000 y 2010 respectivamente).
El capítulo 8, está referido específicamente a la encuesta a pasajeros.
Esta se desarrolló con dos objetivos, el principal era el de estudiar el perfil de
comportamiento de los diferentes tipos de viajeros que hacen uso de las
instalaciones del Aeropuerto, y el segundo objetivo el de investigar y
establecer los métodos más adecuados para esta operación. En este sentido
la comparación de los procedimientos seguidos con la experiencia externa en
otros aeropuertos es un complemento de importancia.
Se diseñaron procedimientos para encuestar cada una de las 4
situaciones en que un pasajero transita por el aeropuerto (salidas y llegadas
internacionales, salidas y llegadas nacionales). El número total de pasajeros
encuestados fue de 2.766. La encuesta fue decodificada y depurada
residiendo actualmente en una base de datos. En el presente documento se
presentan los análisis de información más relevantes tanto para salidas y
llegadas nacionales como internacionales.
En primer término se analiza el motivo de viaje, en este aspecto en los
vuelos nacionales el motivo de mayor importancia lo constituye Negocios,
casi un 50%, en que gran parte de los viajes lo realizan residentes en la
capital. En general los no residentes en la capital tienen como motivo
preponderante el de Turismo, además la composición del motivo del viaje es
diferente según la ciudad de destino.
1.11
Se analiza la variable tamaño del grupo de viaje , variable de interés
para el análisis operacional y se estudia la característica de cada tipo de
viajero en cuanto al equipaje que transportan. Cabe destacar que una alta
proporción de los viajeros nacionales viajan sin maletas, es decir sólo con
equipaje de cabina. Este parámetro tiene importancia debido a que puede ser
utilizado en el dimensionamiento de la infraestructura de servicio.
En cuanto a los medios utilizados para llegar al aeropuerto se constata
que el transporte público (buses y taxis) corresponde a una alta proporción
según casi todos los motivos de viaje, la única excepción corresponde a los
viajes por motivos personales en los cuales el auto privado es de mayor
importancia relativa. Sin embargo al adicionar quienes respondieron que iban
en vehículo de amigos, el porcentaje de viajeros que hacen uso del automóvil
es mayor al 50%, salvo en el motivo negocios.
Para los pasajeros que salen en vuelos internacionales se presentan
resultados relativos al motivo del viaje efectuado por pasajeros chilenos y
extranjeros. El motivo preponderante para los pasajeros nacionales es turismo
(41%), similar a los extranjeros. Se estudia además la estructura del grupo de
viaje y las características en cuanto al equipaje transportado según el motivo
Negocios y Turismo ello a fin de explorar algún comportamiento
discriminatorio. También se analiza la habitualidad del viaje y un segundo con
la distribución de frecuencia de la estadía en el lugar fuera de su residencia
habitual.
Para los viajeros internacionales de llegada se destaca el uso que hacen
de vehículos particulares para acceder al aeropuerto. Para las salidas la
respuesta fue ligeramente mayoritaria para el transporte público (taxis,
minibus, auto alquilado, etc.)
En cuanto al procedimiento de encuesta se pueden realizar algunas
recomendaciones, la primera que este tipo de encuestas debería realizarse en
forma regular con una acuciosa programación de las fechas elegidas a fin de
obtener máxima representatividad, ello permitiría introducir los resultados en
el análisis del largo plazo. En segundo término, desde el punto de vista
operacional, basándonos en la experiencia y en las referencias internacionales
basta con encuestar solamente en un sentido, preferentemente al embarque.
Otras recomendaciones para el desarrollo de estas encuestas van
orientadas al cuidado de la logística, la exigencia de cierto nivel cultural a los
encuestadores y la preparación cuidadosa del muestreo, esto último debido a
que hay una tendencia a sobre representar respuestas cuando los viajeros van
en grupo.
1.12
En el Capítulo 9 se incorporan los aspectos relativos a la estimación del
período punta de demanda y su proyección, básicamente el Enfoque
Metodológico para la Proyección del Período “Punta” de Pasajeros.
Se presenta el marco metodológico para estimar la demanda en
períodos punta, en la cual se basa el diseño de instalaciones. La importancia
de la predicción de períodos punta radica en el hecho que ésta constituye el
fundamento del análisis de demanda-capacidad, primer requisito para
dimensionar los requerimientos físicos de terminales aéreos. En estos
procesos es importante escoger la metodología adecuada y la forma de medir
el perfil de estas fluctuaciones.
Se aplican los diferentes criterios y formas de medición de “puntas de
tráfico” (peaks). Entre ellos los denominados :
Hora punta Típica de pasajeros
Tasa Estándar de Alta Actividad (tasa de ocupación estándar)
Tasa Horaria de Alta Actividad (Tasa de ocupación horaria)
Día Promedio en Mes peak (ADPM)
Tasa Diaria de Alta Actividad de la IATA (“Busy Day”)
Se presenta un análisis y aplicación de los conceptos detrás de estas
definiciones a las estadísticas de 1995, comprobándose que los parámetros
relativos a la relación porcentual de la hora punta al total del año, para las
diferentes variables de tráfico, están dentro de los márgenes
internacionalmente aceptados. Por otra parte se destaca la variabilidad entre
las diferentes medidas de las puntas, ratificando la aleatoriedad del fenómeno
de la demanda instantánea sobre el terminal.
Una de las conclusiones del estudio de los perfiles horarios de atención
de pasajeros, es la de que al contar con dicha información, se facilita adoptar
criterios de diseño que, al igual que en otros sectores de transporte, se realice
una periodización , de tal manera de utilizar criterios de diseño basados en la
optimización del nivel de servicio asociado a cada nivel de demanda, junto al
costo de infraestructura y equipamiento necesario para proveerlo. Por ello se
piensa que un enfoque de este tipo debería ser explorado para AMB.
En cuanto a la predicción de las puntas a futuro, dicha tarea requiere el
desarrollo de un conjunto de hipótesis sobre bases muy inciertas, por tanto la
metodología estándar consiste en adoptar como hipótesis un volumen de
diseño factorizado por la relación del tráfico futuro al tráfico base.
1.13
Finalmente, en cada uno de los capítulos subsiguientes, se tratan
separadamente los diversos temas señalados en los acápites previos, con una
línea central, que es el análisis y diagnóstico de la situación en AMB,
enfatizando, en la investigación de los aspectos que caracterizan la oferta y la
demanda aeroportuaria, la evaluación de las metodologías y técnicas de
análisis tradicionales y alternativas. Luego, el conjunto de los estudios
desarrollados, además de proveer la información y parámetros necesarios
para caracterizar el equilibrio entre la oferta y la demanda aeroportuaria,
permite identificar las falencias de las metodologías tradicionales en el caso
de AMB y consecuentemente proponer enfoques metodológicos alternativos y
procedimientos de recuperación y tratamiento de información que mejoren
substantivamente los procesos de planificación, diseño, evaluación y
seguimiento operacional del terminal.
2.1
2.
ANALISIS DE LAS PROYECCIONES EXISTENTES.
Este capítulo tiene por objeto presentar y analizar los antecedentes y
proyecciones de tráfico aéreo que se han realizado anteriormente en el marco
de diferentes estudios. El objetivo de este análisis es solamente el de tratar
de establecer por una parte el rango de dispersión de las estimaciones e
identificar las hipótesis, metodologías y problemas de información que
explican dicha dispersión. Se pretende con este análisis enriquecer las
estimaciones e incorporar la experiencia desarrollada al conocimiento del
problema y las metodologías de proyección.
Para realizar el análisis se consideran dos tipos de fuentes, en primer
término los estudios nacionales y luego los antecedentes internacionales,
estos últimos de naturaleza más general. Específicamente los nacionales,
tratan concretamente las proyecciones por AMB.
2.1
Informes y Planes a Nivel Nacional.
2.1.1 Aeropuerto Internacional de Santiago -- Plan Maestro: Fase de
Desarrollo 1996-2005, Dirección de Aeropuertos (1997).
Este informe provee un breve resumen del programa de desarrollo de
las instalaciones de infraestructura para el período 1996-2005 y los planes
asociados con esta fase, que incluye el Area del Terminal de Pasajeros, Area
para Carga; Areas de Espera; Area de Aviación General; Area de
Mantenimiento, y Caminos de Circulación Interna.
En el informe se realizan proyecciones hasta el año 2005 tanto para
pasajeros como de aeronaves.
La proyección de pasajeros contenida en dicho informe se realiza para
tres escenarios, Bajo, Medio y Alto según la adopción de diferentes tasas de
crecimiento de la economía, tal como se establece en el Cuadro 2.1,
presentado a continuación. Como puede observarse el número total de
pasajeros, (Nacionales e Internacionales), aumenta desde 4.298.000 en el
año base (1996) hasta una cifra que va en un rango entre un 89% y un
153% de crecimiento para el año 2005. Los datos de crecimiento reciente del
tráfico afirman la trayectoria correspondiente a la estimación alta.
2.2
Cuadro 2.1
Aeropuerto Internacional de Santiago -- Plan Maestro
Estimaciones de Pasajeros Totales por Año
Año
Escenario
Bajo
%
Incremento
Escenario
Medio
%
Incremento
1,613,000
Escenario
Alto
%
Incremento
1989
1,613,000
1990
1,750,200
8.5
1,750,200
8.5
1,613,000
1,750,200
8.5
1991
1,947,700
11.3
1,947,700
11.3
1,947,700
11.3
1992
2,272,000
16.7
2,272,000
16.7
2,272,000
16.7
1993
2,692,060
18.5
2,692,060
18.5
2,692,060
18.5
1994
3,315,091
23.1
3,315,091
23.1
3,315,091
23.1
1995
3,783,796
14.1
3,783,796
14.1
3,783,796
14.1
1996
4,298,392
13.6
4,298,392
13.6
4,298,392
13.6
1997
4,728,231
10.0
4,814,199
12.0
4,900,167
14.0
1998
5,153,772
9.0
5,391,903
12.0
5,586,191
14.0
1999
5,617,612
7.0
5,931,094
10.0
6,256,533
12.0
2000
6,010,845
7.0
6,424,203
10.0
7,007,317
12.0
2001
6,431,604
6.0
7,111,381
9.0
7,708,049
10.0
2002
6,817,500
6.0
7,751,405
9.0
8,478,854
10.0
2003
7,226,550
6.0
8,371,518
8.0
9,241,951
9.0
2004
7,660,143
6.0
9,041,239
8.0
10,073,727
9.0
2005
8,119,752
6.0
9,674,126
7.0
10,879,625
8.0
Requerimientos para el estacionamiento de aviones. En el estudio de la
referencia se realiza una proyección del número de aeronaves que constituirán
la demanda estudio por posiciones de estacionamiento.
Cuadro 2.2
Proyección de Posiciones requeridas.
Grupo de Aeronave Tipo de Aeronave
Asientos
A (0)
B (1)
C (2)
D (3)
E (4)
F (5)
G (6)
TOTAL
<80
81-100
101-160
161-210
211-280
281-420
421-500
EMB
BAe-146
B-737
B-757
B-767-300
B-747/MD-11
B-747-500
Estacionamientos de
Aeronaves
1995
2005
0
1
2
2
8
10
1
6
5
3
1
2
0
2
17
26
Como puede observarse el número de posiciones requeridas se
incrementó en sólo un 52%, este aumento, menor a la demanda de pasajeros
2.3
lleva implícito un aumento de la ocupación de los vuelos y de las aeronaves
de mayor tamaño.
2.1.2 Estudio de Prefactibilidad Técnico-Económica del Mejoramiento del
Área Terminal de Pasajeros del Aeropuerto Arturo Merino Benítez - Santiago
Preparado en 1986 por CADE consultores, este Estudio se ha basado
en datos producidos en el periodo 1972-1984, en ese entonces las fuentes
de información sobre datos de tráfico no eran tan completas ni precisas
como la información que en la actualidad genera rutinariamente la DGAC y la
administración del aeropuerto. El Estudio ofrece un enfoque econométrico
para proyectar las cifras de tráfico anuales y utiliza una metodología directa
para estimar los parámetros críticos tales como el “tráfico en hora punta”
para los años futuros y los pasajeros promedio por aeronave.
Los modelos utilizados para estimar el tráfico como variable
dependiente son de la forma Y= EXP(A+BLn(PGB)), la variable
independiente, es decir los valores de crecimiento del PGB, estimados a
efectos del estudio fueron los siguientes:
Cuadro 2.3
Hipótesis de Crecimiento PGB
Estudio de Mejoramiento del Área Terminal de Pasajeros
Año
1985
1986-1989
1990-2000
Estimación Alta
%
2,2
5,0
4,5
Estimación Media
%
2.2
3,5
3,0
Estimación Baja
%
2,2
2,2
2,0
Como puede observarse en el Cuadro 2.3 las estimaciones de
crecimiento de la economía son muy bajas en relación a la real evolución que
mostró posteriormente la economía, lo cual, de por si era de difícil predicción.
La estimación del tráfico a partir de estas proyecciones de PGB arrojó
los resultados que se muestran en el Cuadro 2.4.
Al observar las cifras de tráfico proyectadas se desprende que la
elasticidad implícita de los viajes respecto al PGB es de 2,07 para los viajes
nacionales y de aproximadamente 1.33 para los viajeros internacionales.
En cuanto a las cifras absolutas de incremento de tráfico la
discrepancia se debe a que el crecimiento de la variable PGB fue superior a
2.4
las estimaciones más optimistas. Sin embargo, los análisis efectuados sobre
los datos de lo ocurrido durante el último decenio en AMB versus la
proyección desarrollada en el estudio de la referencia permiten calcular que de
haberse predicho en ese entonces exactamente la evolución de la economía
nacional en el período 85-96 los errores de la predicción habrían sido los
siguientes:
• Error en la estimación de Pasajeros nacionales en AMB:
0.3%
• Error en la estimación de Pasajeros Internacionales en AMB: 71.0 %
A la luz de los estudios desarrollados parecería ser que la elasticidad de
los viajeros internacionales fue subvaluada, no por problemas de estimación
en los modelos empleados, sino porque los datos reflejaban condiciones del
sector así como las de la economía en general, previas a 1984, que eran
estructuralmente diferentes a las posteriores, por ello, los modelos empleados
no pudieron captar la incidencia de las variables.
Como se observa en el cuadro Nº2.4 los pasajeros totales estimados
para el 2005 son del orden de los que se produjeron ya en el año 1997.
2.5
Cuadro 2.4
Estimación de Crecimiento de Tráfico
Estudio de Mejoramiento del Área Terminal de Pasajeros
PASAJEROS NACIONALES
Año
Estimación Alta
Pasajeros
1985
Tasa (%)
410768
Estimación Media
Pasajeros
Tasa (%)
410768
Estimación Baja
Pasajeros
Tasa (%)
410768
1990
665048
10.12
575239
6.97
509423
4.40
1995
1036110
9.27
774735
6.14
621879
4.07
2000
1614198
9.27
1043417
6.14
759160
4.07
2005
2514835
9.27
1405281
6.14
926743
4.07
1985-2005
9.48
6.34
4.15
PASAJEROS INTERNACIONALES
Año
Estimación Alta
Pasajeros
Tasa (%)
Estimación Media
Pasajeros
Tasa (%)
Pasajeros
Tasa (%)
1985
666018
1990
916928
6.60
832778
4.57
768271
2.90
1995
1230557
6.06
1014677
4.03
876991
2.68
2000
1651456
6.06
1236309
4.03
1001096
2.68
2005
2216323
6.06
1506351
4.03
1142761
2.68
1985-2005
666018
Estimación Baja
6.20
666018
4.17
2.74
PASAJEROS TOTALES
Año
Estimación Alta
Pasajeros
Tasa (%)
Estimación Media
Pasajeros
Tasa (%)
Pasajeros
Tasa (%)
1985
1076786
1990
1581976
8.00
1408017
5.51
1277694
3.48
1995
2266667
7.46
1789412
4.91
1498870
3.24
2000
3265654
7.58
2279726
4.96
1760256
3.27
2005
4731158
7.70
2911632
5.01
2069504
3.29
1985-2005
1076786
Estimación Baja
7.68
1076786
5.10
Fuente: Estudio de Mejoramiento del Area Terminal de Pasajeros, Año 1986
3.32
2.6
Otro antecedente interesante que aparece en el estudio de
Mejoramiento del Area de Terminal de Pasajeros es el análisis comparativo
entre las proyecciones desarrolladas por diferentes estudios contemporáneos.
Básicamente los estudios desarrollados para el Plan Maestro de AMB por
TAMS (1981), el Estudio Construcción de refuerzos Calle de Rodaje Alfa,
Cabezales, desahogo y Plataforma en AMB (1985) y las proyecciones de la
Dirección de Aeropuertos (DAP) en 1983. Tomando dicha base y la
información actualmente disponible se ha establecido la comparación que
aparece en el cuadro siguiente. En este cuadro se observa la importante
discrepancia entre las estimaciones y el flujo efectivo.
Cuadro 2.5
Comparación de las proyecciones desarrolladas entre 1980-1985
(Miles de pasajeros)
1. pasajeros nacionales
Año
TAMS
E.C.R. P1
1985
1990
1995
2000
2005
450
700
----1.300
------
435
555
709
904
1.154
2. pasajeros internacionales
Año
TAMS
E.C.R. P1
1985
1990
1995
2000
2005
1
2
1.284
2.097
(3.126)2
4.660
------
711
924
1.202
1.565
2.034
D.A.P.
Estudio mejoramiento Terminal
400
535
751
1.053
1.477
E. Alta
410
665
1.036
1.614
2.514
D.A.P.
Estudio mejoramiento Terminal
982
1.352
1.861
2.610
3.661
E. Alta
666
916
1.230
1.651
2.216
E. Media
410
575
774
1.043
1.405
E. Media
666
832
1.014
1.236
1.516
E. Baja
410
509
621
759
926
E. Baja
666
768
876
1.001
1.142
Flujo
efectivo
435
712
1.551
---------
Flujo
efectivo
525
1.039
2.199
---------
Estudio Construcción de refuerzos Calle de Rodaje Alfa
Estimado a partir de la tasa de crecimiento implícita
Las estimaciones realizadas muestran una gran dispersión, solamente la
proyección desarrollada por TAMS predice un crecimiento mayor que el que
efectivamente se dio en 1995, por otra parte la estimación media del estudio
de mejoramiento del terminal, desarrollada previamente, predice sólo la mitad
del flujo.
2.7
2.1.3 Análisis y Revisión estudios de prefactibilidad de la Red Aeroportuaria
Nacional. MIDEPLAN
Este estudio [2.1] analiza las necesidades de infraestructura
aeroportuaria a nivel nacional y provee las bases para desarrollar un Programa
de proyectos a nivel nacional destinado a satisfacer las necesidades
sectoriales hasta el año 2010. Analiza entre otros aspectos la demanda de
transporte aéreo identificando las instalaciones aeroportuarias requeridas en
cuanto a terminales y Servicios Aeronáuticos, incluyendo capacidad de
pistas, pistas de carreteo y rampas; edificios de terminal; configuración de
aeropuertos; limitaciones operacionales; y las alternativas para los planes de
operación del aeropuerto. Se analizan los 15 principales aeropuertos
nacionales, excluyendo AMB y Mataveri.
El informe considera información sobre Origen-Destino de pasajeros, y
se toma como dato el tráfico O-D para los viajes de pasajeros entre los
aeropuertos regionales para los años 1988 y 1991. Se analiza el tráfico entre
AMB y 8 aeropuertos en el Norte, y AMB y 7 aeropuertos en el Sur. El
informe también contiene estadísticas sobre viajes de pasajeros generados
por las localizaciones consideradas (1991), distribuido entre modos de aire y
tierra.
En cuanto a la demanda de transporte aéreo, el tráfico aéreo doméstico
muestra una tendencia estrechamente vinculada con el comportamiento de la
economía global. Desde 1986 a 1991 experimentó un rápido crecimiento de
un 10% anual. Sin embargo, entre 1981 y 1983, sufrió una importante
contracción coincidente con la situación recesiva de la economía chilena de
esos años. Como resultado, el promedio de crecimiento de la tasa durante el
período que va desde 1981 y 1991 fue sólo de 3.9%.
La evolución del transporte aéreo, sin embargo no necesariamente
muestra la tendencia real que experimenta la demanda de transporte, de
hecho, parte de la variación de esta se debió a cambios en la demanda global
de transporte entre ciudades. Las más acentuadas bajas de tráfico aéreo
entre 1981 y 1983 se dieron en las rutas mas cortas donde la competencia
Intermodal fue más fuerte y la elasticidad ingreso del transporte aéreo es
mayor.
La metodología usada en el estudio, para la estimación
transporte aéreo, se aplica tráfico por tráfico y consiste en
primer término se predice la evolución del transporte a
posteriormente se estima que parte de este corresponde a
transporte aéreo.
de demanda de
dos etapas. En
nivel global y
la demanda de
2.8
Se ha analizado el enfoque planteado en el estudio nombrado, en él se
realiza una proyección de demanda para el tráfico nacional de pasajeros entre
los diferentes aeropuertos del país. Tiene la particularidad que se proyecta en
primer término el total de pasajeros entre pares origen-destino, tanto por
medio terrestre como aéreo y posteriormente se estima la participación del
modo aéreo. Para efectuar el último paso se requiere construir un modelo de
comportamiento de los usuarios para explicar la participación modal en
relación a variables predecibles, concretamente los costos y tiempos de viaje
entre pares de ciudades por diferentes modos.
El modelo de partición modal considera como variables las diferencias
de costo y tiempo de viaje entre modos para cada origen-destino nacional y
se calibra en él supuesto que la valoración del tiempo por parte de los
usuarios sigue una distribución normal. Por otra parte el volumen total de
pasajeros entre pares se proyecta asumiendo que los viajes crecen en función
del PGB Regional y la Población.
La relación entre el tráfico aéreo y el comportamiento económico
general referido anteriormente, es también aplicable al tráfico global.
Analizando el comportamiento de esta última variable en relación al PIB
nacional, se observa un 80% de correlación entre ambas variables, pero las
fluctuaciones de tráfico globales son 2,2 veces más altas que el PIB.
Las hipótesis de proyección realizadas en el estudio de la referencia,
basadas en la relación observada entre el tráfico global y el PIB, son:
•
El PIB nacional crecería a una tasa promedio de 3% entre 1991 y el
2011, similar a la tasa de crecimiento de largo plazo de la economía
chilena.
•
Las regiones con la más alta tasa de crecimiento tendrían una tasa
promedio de 4%, mientras que aquellas con el menor crecimiento lo harían
a la tasa de 2%.
Como se observa el crecimiento real de la economía fue bastante más
alto que las estimaciones desarrolladas en los estudios de la referencia.
Las perspectivas de crecimiento regional se han extraído del Mapa de
Oportunidades de Negocios en Chile, Invertec IGT. Se asumió que la tasa de
transporte global es 1,5 veces más alta que la tasa de crecimiento del PIB.
2.9
Se desarrolló un modelo para establecer relaciones entre los pasajeros
viajando entre pares de ciudades y distancia (por aire y medios terrestres);
costos de acceso, viajes aéreos y viajes terrestres; tiempo de acceso, viajes
aéreos y viajes terrestres. El modelo fue desarrollado basado en datos
históricos para el mercado doméstico entre los pares de ciudades más
importantes, para los años 1981-1991. El modelo fue calibrado utilizando
datos de 1991 y fue utilizado para proyectar tráfico entre pares de ciudades
para los años 1996, 2001, 2006, y 2011.
Las proyecciones de tráfico tomaron en consideración las restricciones
de capacidad en el sistema aeroportuario. La capacidad de los aeropuertos
fue evaluada utilizando las recomendaciones IATA, y las capacidades de pista
fueron calculadas y comparadas con la demanda proyectada.
Este estudio contiene aspectos metodológicos de interés en cuanto
incorpora el concepto de modelamiento de la demanda para un sistema de
aeropuertos y reconoce la competencia modal. Se calibró el modelo con la
información del total de viajes entre pares origen-destino utilizando las series
disponibles hasta 1988. Desafortunadamente no es posible en la actualidad
replicar el enfoque pues las series de información sobre viajes totales se han
discontinuado.
La metodología utilizada se integró en un modelo computacional
denominado MIRAN, que es un modelo interactivo de proyección de demanda
de transporte aéreo y de evaluación de proyectos aeroportuarios cuyo
objetivo es el de apoyar el proceso de programación de las inversiones en la
red aeroportuaria del país.
Aunque el output principal del modelo MIRAN es la priorización y
evaluación de proyectos a nivel de prefactibilidad y la correspondiente
secuencia óptima de inversiones en el Plan, desde el punto de vista de este
estudio el interés se centra en su módulo de estimación de demanda. En
efecto MIRAN provee proyecciones de tráfico para las rutas entre AMB y los
15 aeropuertos regionales de Chile para un horizonte de 15 años.
El modelo se calibró con datos de 1991 y se predice para 1995, 2000,
2005 y 2010.
A continuación se adjunta una tabla en la cual se presenta las
predicciones de MIRAN, para una tasa de incremento del PGB del 5% anual
durante el horizonte de predicción. El resto de los parámetros del modelo son
los considerados en su versión original, es decir los calculados para el año
1991.
2.10
Cuadro 2.6
Proyección del tráfico aéreo, por rutas caso normal
(Cifras en miles de pasajeros anuales)
ORIGEN-
BASE
REAL
PROYECCION
TASA
DESTINO
Santiago
La Serena
Santiago
Copiapó
Santiago
Antofagasta
Santiago
Calama
Santiago
Iquique
Santiago
Arica
Santiago
Chillán
Santiago
Concepción
Santiago
Los Angeles
Santiago
Temuco
Santiago
Valdivia
Santiago
Osorno
Santiago
Puerto Montt
Santiago
Coyhaique
Santiago
Punta Arenas
TOTAL AMB
ANUAL
1992
1995
1995
2000
2005
2010
37
61
144
220
346
531
15.95%
20
31
49
71
107
158
12.16%
115
204
179
246
342
471
8.15%
40
64
51
70
97
133
6.90%
114
161
86
122
177
254
4.56%
81
95
76
108
157
225
5.83%
0
11
172
236
338
467
203
304
443
574
762
995
0
14
90
118
160
212
63
126
126
161
210
270
8.42%
14
36
116
162
231
325
19.08%
8
47
77
107
151
212
19.96%
100
146
171
237
334
465
8.92%
28
26
35
52
76
112
8.00%
84
118
97
124
158
202
5.00%
907
1442
1911
2609
3645
5032
9.46%
9.23%
Como puede observarse en el cuadro el modelo arroja una diferencia
agregada en la estimación de un 32%, lo cual seguramente se debe a que las
variables explicativas utilizadas no se comportaron en la realidad como se
previó en su momento.
2.11
2.1.4 Estudio de Concesiones MOP
Este estudio [2.2] contiene un enfoque econométrico que utiliza PIB y
los retornos reales [tarifa] como variables independientes. Los datos de
retornos son estimaciones a partir de tarifas publicadas. Para la estimación,
en el estudio se utiliza una ponderación de las tarifas Clase Y (económica) de
las principales rutas internacionales desde Santiago. Las fórmulas
seleccionadas tienen forma logarítmica; para el tráfico internacional es la
siguiente:
PAX(t) = A* PIBα(t) * TARβ(t)
(2.1)
donde t es un año dado , α la elasticidad respecto al (PIB), y β la elasticidad
respecto a la tarifa aérea [TAR]. Para el tráfico doméstico el modelo es doble
logarítmico con el volumen de pasajeros del año anterior utilizada como
variable rezagada en un año. El modelo es:
PAX(t) = A * PIBα(t) * TARβ(t) * PAXγ(t-1)
(2.2)
donde α es la elasticidad con respecto al PIB, β la elasticidad respecto a las
tarifas aéreas y γ el coeficiente de ajuste para las variables autoregresivas. Al
utilizar estos modelos para proyecciones mas allá del año 2006, se realizó un
ajuste manual para truncar los factores de crecimiento para la estimación
superior “optimista” y evitar una estimación demasiado alta. La proyección
del tráfico total de pasajeros para los tres años de referencia se muestra en el
Cuadro 2.7.
2.12
Cuadro 2.7
Tráfico total proyectado
Millones de pasajeros
Año
Escenario Bajo
2001
6.9
2006
10.3
2011
14.7
fuente : Estudio de Concesiones, pagina III.68.
Escenario Medio
7.4
12.0
17.7
Escenario Alto
7.4
12.9
20.7
El estudio de la referencia ha desarrollado con detalle el tema de las
proyecciones de carga por producto a través de la calibración de modelos que
incluyen variables de tendencia; el enfoque planteado provee una valiosa
orientación para la línea de exploración. El análisis de dichas proyecciones
permitió concluir en la importancia de una profundización de la comprensión
del funcionamiento de los mercados de los productos de exportación y la
inclusión de otras variables en formulación del modelo.
2.2
Fuentes Internacionales
2.2.1 Proyecciones IATA del aeropuerto de Santiago De Chile -- 1989-2004
En Marzo de 1991, la IATA preparó las proyecciones para proveer a las
autoridades de la Aviación Civil en Chile y a las aerolíneas una detallada
perspectiva sobre el tráfico aéreo y los movimientos de pasajeros predichos
para el período 1989-2004. Estas proyecciones proveen una base común
para la planificación del diseño del aeropuerto y las instalaciones requeridas
en el futuro. La metodología de proyección fue la aplicación del concepto de
día ocupado, “busy day", típicamente adoptado por la IATA, la cual refleja el
perfil de tráfico para el segundo día más ocupado de la semana promedio del
mes más ocupado. Basado en los datos históricos , considerando como flujo
representativo ( “busy day” ) el 12 de Diciembre, 1989. Las actividades del
aeropuerto se predijeron para 5, 10 y 15 años, i.e., 1994, 1999 y 2004; en
términos de flujos anuales de pasajeros y de la hora “peak”, movimiento de
aeronaves tanto anuales como en la hora “peak” y utilización de puertas de
embarque (“gates”) y posiciones de estacionamiento, así como proyecciones
de carga para el tráfico nacional e internacional.
Las proyecciones de IATA se muestran en los cuadros siguientes:
2.13
Cuadro 2.8
Proyecciones IATA de pasajeros por año en AMB
a. Pasajeros Totales
Año
Pasajeros
1989
1994
1999
2004
1.613.000
2.198.000
2.880.000
3.755.000
Crecimiento
Anual
Crecimiento
Acumulado
6,40%
5,60%
5,40%
36,3%
78,5%
132,8%
Crecimiento
Anual
Crecimiento
Acumulado
5,70%
5,50%
5,10%
31,9%
72,2%
120,9%
Crecimiento
Anual
Crecimiento
Acumulado
6,80%
5,60%
5,70%
39,3%
82,9%
141,1%
b. Pasajeros Domésticos
Año
Pasajeros
1989
1994
1999
2004
663.000
875.000
1.142.000
1.465.000
c. Pasajeros Internacionales
Año
Pasajeros
1989
1994
1999
2004
950.000
1.323.000
1.738.000
2.290.000
d. Pasajeros Internacionales en Tránsito
Año
Pasajeros
1989
1994
1999
2004
156.000
180.000
195.000
205.000
Crecimiento
Anual
Crecimiento
Acumulado
2,90%
1,60%
1,00%
15,4%
25,0%
31,4%
2.14
Cuadro 2.9
Nivel de Actividad en el Período Punta
Año
1989
1994
1999
2004
Llegadas
Hora Peak 20:00
Aeronave
Pasajeros
9
544
12
772
13
1.041
16
1.461
Salidas
Hora Peak 08:00
Aeronave
Pasajeros
7
434
10
708
13
1.083
16
1.472
Total
Hora Peak 15:00
Aeronave
Pasajeros
9
731
12
1.124
15
1.582
19
2.141
Cuadro 2.10
Movimiento de Aeronaves
a. Doméstico
Tipo de Aeronave
6 (>500 Asientos)
5 (350-499)
4 (250-349)
3 (180-249)
2 (125-179)
1 (50-124)
0 (0-49)
Movimiento Total
de Aeronaves
Asientos Promedio
por Aeronave
Pasajeros Promedio
por Aeronave
1989
0
0
0
0
0
26
6
1994
0
0
0
0
2
35
8
1999
0
0
0
0
5
45
10
2004
0
0
0
0
8
60
12
32
45
60
80
101
102
106
106
62
63
65
66
1989
3.420
1994
4.590
1999
6.330
2004
8.480
61,10%
63%
65%
66%
Basado en:
Asientos Disponibles
Factores de Carga
Promedio
2.15
Tabla 2.10 (Cont.)
b. Internacional
Tipo de Aeronave
6 (>500 Asientos)
5 (350-499)
4 (250-349)
3 (180-249)
2 (125-179)
1 (50-124)
0 (0-49)
Movimiento Total
de Aeronaves
Asientos Promedio
por Aeronave
Pasajeros Promedio
por Aeronave
Basado en:
Factores de Carga
c. Total
Tipo de Aeronave
6 (>500 Asientos)
5 (350-499)
4 (250-349)
3 (180-249)
2 (125-179)
1 (50-124)
0 (0-49)
Movimiento Total
de Aeronaves
Asientos Promedio
por Aeronave
Pasajeros Promedio
por Aeronave
1989
0
6
2
5
13
5
0
1994
0
8
2
11
16
7
0
1999
0
10
4
15
21
10
0
2004
0
12
8
21
26
12
2
31
44
60
81
209
214
219
223
124
129
133
136
1989
6.490
59,20%
1994
4.590
60,30%
1999
6.330
60,70%
2004
8.480
60,80%
1989
0
6
2
5
13
31
6
1994
0
8
2
11
18
42
8
1999
0
10
4
15
26
55
10
2004
0
12
8
21
34
72
14
63
89
120
161
154
157
162
165
92
96
99
101
1989
9.730
1994
14.010
1999
19.460
2004
26.550
59,80%
60,70%
61,10%
61,30%
Basado en:
Factores de Carga
Promedio
2.16
Cuadro 2.11
Proyección de Carga
a. Tonelaje de Carga Doméstica
Año
Origen (Exportaciones)
Toneladas Crecimiento %
1989
1994
1999
2004
2.3
5.971
7.700
10.100
13.900
5,20%
5,60%
6,60%
Fin (Importaciones)
Total Carga Aérea
Toneladas Crecimiento Toneladas Crecimient
%
o%
2.746
8.717
3.500
5,00%
11.200
5,10%
4.500
5,20%
14.600
5,40%
6.100
6,30%
20.000
6,50%
b. Tonelaje de Carga Internacional
Año
Fin (Importaciones)
Toneladas Crecimiento Toneladas Crecimiento
%
%
1989 54.262
31.503
1994 78.500
7,70%
43.500
6,70%
1999 110.000
7,00%
60.000
6,60%
2004 145.000
5,70%
78.000
5,40%
Total Carga Aérea
Toneladas Crecimiento
%
85.765
122.000
7,30%
170.000
6,90%
223.000
5,60%
c. Tonelaje Total de Carga
Año
%
1989 60.233
1994 86.200
7,40%
1999 120.100
6,90%
2004 158.900
5,80%
Total Carga Aérea
%
94.482
133.200
7,10%
184.000
6,70%
243.000
5,70%
Fin (Importaciones)
%
34.249
47.000
6,50%
64.500
6,50%
84.000
5,50%
Proyecciones a nivel regional
2.3.1 Proyecciones Airbus Industries
La empresa Airbus Industries, la mayor empresa europea de fabricación
de equipo aeronáutico desarrolló proyecciones actualizadas de tráfico aéreo
que fueron publicadas en Marzo de 1997. Para aplicar la metodología de
proyección se subdividió el mercado global de transporte aéreo en 81 submercados y su análisis cubrió 246 líneas aéreas en el mundo.
Metodología empleada. Las proyecciones de tráfico se basan en las
tendencias de largo plazo de la economía, es decir no se intenta predecir las
fluctuaciones asociadas a los ciclos económicos. Tradicionalmente esta
empresa ha desarrollado las proyecciones basándose en modelos
2.17
econométricos que utilizan el PIB y las tarifas reales como variables. Sin
embargo los investigadores han determinado que estos modelos no son
siempre adecuados, concretamente en el caso de los mercados “maduros”.
Por ello en un cierto número de mercados que obedecen a dicha condición se
utilizó un nuevo método desarrollado por Airbus Industries en el que se
relaciona la demanda por transporte aéreo a la distribución del ingreso de la
población. Finalmente se proyectan los pasajeros totales en el horizonte con
una metodología del tipo “de abajo hacia arriba”. Cabe destacar que la
proyección de tráfico por grupo de rutas en un área geográfica se realiza en
términos de los pasajeros-kilometro pagantes, (RPK o Revenue Passenger
Kilometer)
El resultado de las proyecciones a nivel de las rutas que unen el mundo
con el área sudamericana (S.A.) se observa en el cuadro siguiente:
Cuadro 2.12
Proyecciones de Airbus Industries
Rutas
USA- S.A.
EUR-S.A.
Am.Cent.-S.A
S.A.-S.A.
Africa -S.A.
Asia -S.A.
Canada-S.A.
CIS-S.A.
Oceanía S.A.
Participación
en total (%)
35.8
40.8
5.2
7.5
1.0
7.2
1.2
0.5
0.8
Tasa de crecimiento por período
1996-2006
2006-2016
1996-2016
7.0
5.8
6.4
8.2
6.4
7.3
5.8
4.6
5.2
4.5
4.6
4.5
5.8
4.6
5.2
5.8
4.6
5.2
7.0
5.8
6.4
6.1
4.7
5.4
5.8
4.6
5.2
Como se observa se ha estimado un importante crecimiento para el
primer decenio, especialmente en el intercambio con los países desarrollados
del Norte, que son en términos de Pas-klm los más significativos. Estas cifras
pueden ser utilizadas a nivel de mercados de tráfico para estimar tasas de
crecimiento de pasajeros, obviamente su importancia relativa en términos de
pasajeros transferidos está distorsionada al tratarse de pas-klm.
2.18
2.3.2 Proyecciones Boeing.
Las proyecciones de la empresa Boeing son desarrolladas con el mismo
objetivo que la referida en el punto anterior, es decir predecir la demanda de
tráfico para evaluar finalmente el tamaño del mercado de aeronaves al cual se
verán enfrentados en el futuro. La metodología es muy similar y las
diferencias se deben, entre otros aspectos del modelamiento, a las diferentes
estimaciones de las variables independientes.
Las hipótesis que esta empresa considera para desarrollar las
proyecciones son en primer término las relativas al crecimiento del PIB.
Supone que las regiones desarrolladas crecerán a una tasa entre 2 y 3 %, en
circunstancias que las regiones menos desarrolladas lo harán a tasas sobre el
7%. Por otra parte se producirá un mejoramiento de los servicios aéreos que
junto a la caída paulatina de las tarifas incentivarán la demanda. Esto último
sucederá debido a que la relajación de las trabas regulatorias incrementarán la
competencia de servicios y tarifas. Además las fuerzas del mercado serán
más importantes que en la actualidad en lo que respecta a la determinación
de las rutas, la selección de aviones y la composición de la flota mundial de
aeronaves, cada vez más eficientes y adecuados para cada tráfico.
Finalmente se supone que la capacidad de aeropuertos y Sistemas de Control
responderá a la demanda, no siendo obstáculo para la expansión del sector.
Las proyecciones por ruta según área geográfica se presentan en el
cuadro 2.13, se han considerado las rutas con destino a Sudamérica, (S.A)
Cuadro 2.13
Proyecciones Industrias Boeing
Rutas
N.A.- S.A.
EUR-S.A.
Am.Cent.-S.A
S.A.-S.A.
Africa -S.A.
Oceanía -S.A.
Tasa de crecimiento por período (%)
1997-2006
2006-2016
1997-2016
6.3
4.5
5.4
7.4
5.6
6.5
7.3
5.1
6.2
7.3
5.2
6.2
7.6
5.5
6.5
5.7
5.5
5.6
2.19
2.3.3 Reestructuración del Sistema Nacional de Aeropuertos de Argentina Informe Final [2.3]
Este estudio fue preparado en 1995 para el Gobierno de Argentina con
el objeto de analizar algunas eventuales medidas de privatización que afectan
a ciertos aeropuertos de ese país, incluyendo a todos los que se ubican en las
ciudades más importantes. Las proyecciones de este estudio utilizan hipótesis
sobre elasticidades de demanda derivadas de las tendencias de crecimiento
de tráfico observadas en Argentina y otros países remotos o “extremos de
ruta” tales como Chile, Canadá y Sur África. La siguiente regresión basado en
una expresión logarítmica, permitió estimar elasticidades de demanda. En
cada caso, el tráfico aéreo fue la variable dependiente y el GDP (PIB) la
variable independiente. Estas expresiones se utilizaron para derivar
elasticidades GDP con base a volúmenes nacionales de tráfico aéreo en
diferentes países, y no para el tráfico en un aeropuerto específico o una ruta
en especial.
Para Argentina:
Ln(PaxInternacionales) = −10.20 + 1.98 ∗ Ln(PIB Argentina )
(2.3)
R2 ajustado
= 0.93
elasticidad GDP = 1.98
para Chile:
Ln(PaxDomesticos) = −7.72 + 1.74 ∗ Ln(PIBChile )
(2.4)
R2 ajustado
= 0.98
Elasticidad GDP = 1.74
Ln(PaxInternacionales) = −9.02 + 1.94 ∗ Ln(PIB Chile )
R2 ajustado
= 0.99
Elasticidad GDP = 1.94
(2.5)
2.20
Ln(C arg aInternaci onal) = −15.06 + 2.36 ∗ Ln(PIB Chile )
R2 ajustado
=0.76
Elasticidad GDP
=2.36
(2.6)
La capacidad explicativa de estas expresiones es alta en los tres casos
referentes a pasajeros, siendo todos mayores a 0.93. Las elasticidades que se
desprenden de las ecuaciones son también importantes, 1.74 o más altas.
Estos resultados permiten apreciar él estimulo en el tráfico aéreo que produjo
el crecimiento económico del período 1985-1993 (1989-1993 para
Argentina). El estudio adoptó dos elasticidades para el tráfico internacional de
pasajeros de Argentina, 1.7 para el caso de crecimiento alto [optimista], y
menor de 1.2 para el caso de bajo crecimiento (pesimista). Se realizó un
ajuste de un 8% hacia arriba para reflejar los pasajeros de transferencia. El
caso con alto crecimiento refleja un escenario de importante desregulación y
liberalización en Argentina, como ha ocurrido en Chile, para los años
próximos. El caso de bajo crecimiento asume una continuidad de las políticas
actuales, sin liberalización de la industria aérea. El volumen de tráfico futuro
se proyecta sobre la base de estas elasticidades.
Una de las conclusiones del estudio citado es que en el caso de
Argentina, como en muchos otros países en desarrollo, pocas autoridades
aeroportuarias mantienen proyecciones de largo plazo revisadas
periódicamente, más bien utilizan medios alternativos. Recomiendan el
procedimiento de revisión de las proyecciones aeroportuarias en base al
seguimiento de variables de mercado cuya información se produce
regularmente y en forma sistemática1 .
1 La FAA en Estados Unidos es en cierta medida la excepción en cuanto a tener
procedimientos de revisión regular de sus proyecciones para toda la nación. Es interesante
acotar que los consultores han desarrollado recientemente estudios para los Gobiernos de
Colombia y Venezuela observando que no existe un sistema de proyecciones de largo plazo
para sus aeropuertos claves.
3.1
3.
ANÁLISIS DE CAPACIDAD Y ESTUDIO OPERACIONAL
3.1
Análisis Demanda-Capacidad. (ADC)
3.1.1 Aspectos generales
El análisis demanda-capacidad del aeropuerto se realiza con el objeto de
establecer parámetros y elementos cuantitativos que orienten en que medida
las instalaciones e infraestructura del aeropuerto satisfacen la demanda y a
que nivel de servicio. El concepto de capacidad en las instalaciones y
servicios del terminal de pasajeros no es un término absoluto sino que está
relacionado con la adopción de un determinado nivel de servicio por parte del
planificador. Para ello la percepción del nivel de servicio por los pasajeros es
un antecedente fundamental, asímismo los estándares de otros aeropuertos
establecen una referencia para la evaluación de la relación entre capacidad y
nivel de servicio.
El ADC se realiza sobre cada uno de los procesos y componentes que
utiliza el pasajero en su paso por el terminal aeroportuario, cada uno de ellos
lleva asociado un nivel de servicio específico, además en ciertos casos puede
considerarse un nivel de servicio global asociado al tiempo de tránsito de los
pasajeros por el terminal.
La utilidad del ADC se proyecta en los tres niveles de decisión del
aeropuerto, en primer término en el corto plazo como elemento de soporte de
decisiones operacionales, en el mediano plazo para la evaluación de
decisiones de tipo táctico y finalmente en decisiones de largo plazo que
implican el diseño y dimensionamiento de las instalaciones.
Los antecedentes para establecer los parámetros a incorporar en el
análisis Demanda/Capacidad se derivan en primer término de las
características estacionales de demanda del aeropuerto de los parámetros
derivados del estudio operacional, y de las características de las instalaciones
e infraestructura del aeropuerto.
3.1.2 Antecedentes para el análisis Demanda-Capacidad
Para evaluar las condiciones de capacidad de los terminales de AMB es
necesario contar con la información completa sobre flujo de pasajeros. Ello
incluye el flujo de pasajeros, llegados y salidos en ambos terminales por hora
para todos los meses del año. En el caso de AMB se requieren los flujos por
separado debido a que los canales y las instalaciones que sirven cada flujo
3.2
están totalmente separadas. Las puntas de flujo se derivan principalmente de
los itinerarios de aeronaves y los patrones de tráfico aéreo resultantes.
La medida de punta de tráfico que se utiliza más ampliamente para
planificar y dimensionar las instalaciones, además de evaluar la relación
demanda/capacidad, es la denominada Día Promedio del Mes Punta (ADPM),
que provee una medida representativa del peak que considera el 95 % de la
punta de demanda. Para identificar el día que corresponde al ADPM, se
selecciona el mes de mayor demanda. Para definir el día promedio el tráfico
mensual total se divide por el número de días en el mes. La cifra que
representa el día promedio se compara luego con los tráficos diarios y se elige
el día del mes en que se haya movilizado la cantidad de pasajeros que más se
aproxima a la cifra citada, dicho día se denomina como el Día Promedio del
Mes Punta (ADPM). La hora punta de dicho día se selecciona como la hora
representativa para la evaluación de la Capacidad.
Una segunda medida de demanda utilizada para evaluar el peak es el
flujo horario del “día punta” del “mes punta”, (PDPM). Como su nombre lo
indica corresponde al día con más demanda del mes más alto. No
necesariamente es el día punta del año; por ejemplo en AMB el día más
cargado del año es el 22 de Setiembre, que no se considera al aplicar las
metodologías de demanda-capacidad, puesto que Setiembre no es el mes de
mayor flujo.
Basados en los datos provistos por DGAC, el número mensual y total
de pasajeros durante 1996 se muestra en el Cuadro 3.1 y se grafica en las
figuras 3.1 y 3.2
3.3
Cuadro 3.1
AMB - Flujos Mensuales de Pasajeros - 1996
MES
1
2
3
4
5
6
7
8
9
10
11
12
TOTAL
NACIONAL
INTERNACIONAL
LLEGADAS
SALIDAS
TOTAL
LLEGADAS
111.284
113.659
98.426
81.666
76.215
84.702
103.569
100.289
105.574
97.193
105.430
104.353
135.026
117.489
95.373
91.712
86.288
83.476
102.024
97.147
103.626
95.309
93.784
102.767
246.310
231.148
193.799
173.378
162.503
168.178
205.593
197.436
209.200
192.502
199.214
207.120
82.359
75.552
71.762
66.833
69.436
65.024
80.677
72.982
75.815
78.149
86.967
82.445
1.182.360
1.204.021
2.386.381
908.001
SALIDAS
81.756
72.762
66.119
66.164
67.470
62.826
82.580
72.707
76.034
79.958
88.015
98.686
TOTAL
164.115
148.314
137.881
132.997
136.906
127.850
163.257
145.689
151.849
158.107
174.982
181.131
915.077 1.823.078
Los meses de mayor flujo de pasajeros (punta), en el terminal
internacional, fueron Enero para las Salidas (135.026) y Febrero para las
Llegadas (113.659). Los meses punta en el Terminal Nacional fueron
Diciembre para las Salidas (98.686) y Noviembre para las Llegadas (86.967).
Los perfiles horarios de tráfico para los meses punta se muestran en
los cuadros 3.3 al 3.6 para el tráfico internacional y nacional. Los datos
tienen como fuente la información de vuelos de D.G.A.C.
3.4
Figura 3.1
Flujo Mensual de Pasajeros en AMB
Vuelos Internacionales, Año 1996
Cifras en miles
Pasajeros (cifras en miles)
250
200
150
LLEGADAS
SALIDAS
TOTAL
100
50
0
1
2
3
4
5
6
7
8
9
10
11
12
Mes
Figura 3.2
Flujo Mensual de Pasajeros en AMB
Vuelos Nacionales, Año 1996
Cifras en miles
200
180
160
140
120
LLEGADAS
100
SALIDAS
TOTAL
80
60
40
20
0
1
2
3
4
5
6
7
Mes
8
9
10
11
12
3.5
En el cuadro 3.2 se estaca el Día Punta del Mes Punta, (PDPM) y el Día
Promedio del mes punta (ADPM), con los correspondientes perfiles horarios.
Las características de la punta incluyendo el Mes Punta, día y hora, y los
flujos de pasajeros durante el Día Promedio y el Día Punta se resumen en el
cuadro que se presenta a continuación.
Cuadro 3.2
Características de las Puntas en los terminales de AMB- 1996
SALIDAS
MES PUNTA
ADPM
PDPM
ADPM-HP
PDPM-HP
LLEGADAS
MES PUNTA
ADPM
PDPM
ADPM-HP
PDPM-HP
TERMINAL
NACIONAL
Mes/día/hora
Pasajeros
Diciembre
98.686
Sábado 21
3.198
Sábado 28
4.239
8:00
512
18:00
570
Noviembre
Martes 26
Viernes 29
20:00
21:00
86.967
2.911
4.126
613
661
TERMINAL
INTERNACIONAL
Mes/día/hora
Pasajeros
Enero
135.026
Jueves 18
4.323
Domingo 28
5.751
22:00
752
14:00
899
Febrero
Sábado 24
Domingo 18
9:00
12:00
113.659
3.982
5.839
567
852
Estos antecedentes sobre la característica de las puntas se utilizan
como base para los Análisis de Demanda/Capacidad del aeropuerto. La
evaluación de la capacidad para ambos terminales se realizó utilizando la hora
punta representativa (ADPM), es decir el día promedio del mes Punta. Dicho
análisis se presenta en el punto 3.6.
Cuadro Nº 3.3
A M B Salidas en Terminal Internacional
Mes Punta: Enero
Día
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
0
0
100
152
129
0
267
0
0
0
0
326
0
196
128
0
146
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
80
0
0
0
112
0
0
0
0
0
0
0
72
0
0
0
0
0
0
0
0
0
0
0
0
0
0
22
0
54
0
0
0
0
0
0
0
47
0
0
0
31
0
0
0
0
0
20
0
0
0
26
0
0
0
0
0
0
0
0
0
79
91
305
204
265
183
198
51
236
355
329
75
0
102
203
281
0
160
864
611
562
667
194
637
453
492
527
240
225
806
728
682
250
1.053
102
436
392
573
226
603
427
370
128
562
493
680
481
857
455
738
481
13
263
381
375
40
133
295
85
281
206
289
101
279
399
65
400
297
95
225
170
140
121
258
386
113
0
171
271
202
279
208
150
248
151
75
327
231
359
134
421
0
216
62
160
0
452
580
120
320
0
363
0
0
0
77
0
170
370
0
288
160
276
0
176
327
0
477
0
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
18
19
20
21
22
23
24
25
26
27
204
0
0
0
0
0
55
174
312
370
343
521
367
22
204
327
108
213
0
69
130
191
187
0
0
0
0
32
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
187
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
30
0
0
0
0
0
0
0
0
0
0
0
49
0
123
289
54
221
231
291
237
294
89
109
528
621
678
514
149
629
463
635
726
640
479
284
289
425
387
286
0
949
90
65
459
122
322
232
153
75
114
325
174
195
170
274
263
376
399
285
0
431
610
285
0
0
235
154
466
0
479
355
0
268
223
0
0
78
Dom
Lun
Mar
Mie
28
29
30
31
144
0
0
0
0
0
0
222
624
653
216
304
668
0
899
230
0
186
0
0
119
0
0
0
0
0
0
0
0
0
0
0
0
22
0
0
114
228
83
626
441
1.097
429
401
605
0
328
119
318
502
283
125
212
89
286
0
622
30
131
610
3.637
151
0
379
72
184
295
5.593
17.194
14.201
6.540
7.577
7.462
4.654
8.948
Total
0
14
861
16
491
283
561
56
311
688
0
333
74
226
143
27
621
16
166
93
162
344
0
273
276
152
364
188
459
387
171
356
178
295
148
124
453
173
359
373
215
306
198
674
154
299
438
449
330
387
896
105
0
25
731
476
85
451
0
194
771
137
178
281
164
261
252
134
489
169
547
369
373
352
412
357
247
603
305
354
399
475
285
317
0
478
160
607
1.001
283
7.718
12.376
17
18
0
80
370
0
0
0
0
0
0
202
0
112
222
95
0
0
274
19
20
21
0
98
72
97
0
0
51
0
0
0
0
0
0
0
0
0
0
102
25
86
102
93
166
0
138
131
178
93
0
203
126
200
160
217
74
0
37
0
33
0
35
91
0
0
0
122
172
113
57
0
0
0
0
120
113
194
0
0
0
0
0
117
105
92
0
0
156
0
189
0
0
0
128
230
305
183
173
181
188
145
119
297
0
0
0
194
0
0
0
2.375
755
22
23
Total
0
51
0
26
193
152
69
0
0
37
85
116
0
101
112
33
0
795
489
490
229
680
478
554
753
485
490
44
498
415
538
590
299
477
290
177
330
251
172
477
138
130
475
411
762
317
563
651
733
317
344
48
88
752
191
66
0
0
155
0
19
0
220
150
148
0
119
0
54
0
41
89
0
553
595
495
694
433
592
487
862
577
327
192
388
101
177
418
164
310
199
141
0
228
566
187
244
226
145
0
0
50
55
204
0
705
683
544
178
351
361
3.969
5.186
5.550
4.548
1.442
2.001
16.842
10.082
135.026
2.097
3.686
4.897
3.886
3.617
4.006
4.570
2.912
3.927
4.489
3.687
4.496
4.870
5.473
4.434
4.421
4.677
4.323 <<< ADPM
4.495
4.599
5.277
3.524
4.071
4.684
3.904
4.232
5.316
5.751 <<< PDPM
Cuadro Nº 3.4
A M B Llegadas en Terminal Internacional
Mes Punta: Febrero
Día
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
TOTAL
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Total
0
0
143
0
0
237
171
370
184
160
36
331
69
152
289
55
14
72
186
0
160
605
81
0
97
0
0
0
0
0
0
393
164
188
0
379
149
277
316
27
208
0
203
127
263
553
0
122
3.315
3.466
130
0
0
0
0
0
0
822
198
126
593
113
48
436
421
147
0
86
21
144
215
517
130
66
4.213
0
0
0
0
0
0
173
646
397
112
388
482
265
606
197
164
270
212
77
0
169
698
131
134
5.121
0
0
0
0
30
0
0
558
262
240
350
104
50
131
139
65
4
44
54
85
343
321
0
21
2.801
0
0
0
0
0
0
270
465
184
276
34
303
280
201
596
75
73
0
35
68
363
163
81
0
3.467
0
0
0
0
0
71
113
203
142
252
222
510
568
211
141
94
89
0
43
152
527
424
0
0
3.762
0
0
0
0
56
45
57
428
146
78
136
194
70
0
154
131
77
128
209
0
190
374
26
0
2.499
0
0
0
0
0
0
129
402
334
125
206
345
105
190
209
124
0
0
106
236
405
539
0
0
3.455
0
0
0
0
0
138
167
209
137
135
264
518
333
0
780
0
0
128
96
72
145
579
0
0
3.701
0
0
0
0
0
357
161
487
267
152
302
373
399
681
313
144
178
204
101
0
345
178
113
19
4.774
0
0
0
0
0
199
107
153
250
362
486
140
159
0
331
157
12
65
56
156
360
572
0
0
3.565
0
0
0
0
0
0
103
390
210
271
108
297
176
195
417
108
114
0
44
0
337
123
0
0
2.893
0
0
0
0
0
0
115
242
359
268
267
255
614
370
156
0
9
110
59
227
485
569
0
0
4.105
0
0
0
0
0
147
255
560
153
367
276
421
0
307
247
92
71
102
199
0
524
259
61
0
4.041
27
0
0
0
0
159
27
246
392
236
669
257
297
293
296
93
0
0
146
333
350
165
42
0
4.028
0
0
0
97
0
0
189
1.248
0
449
639
359
162
111
299
375
111
0
134
0
532
323
0
0
0
0
0
0
0
0
437
799
407
312
300
239
852
0
645
536
230
248
0
0
277
376
181
0
0
0
0
0
0
0
189
362
30
218
842
285
0
114
244
111
14
80
106
62
458
258
0
0
3.373
0
109
0
0
0
105
372
397
239
411
128
398
100
221
397
95
125
0
61
38
540
281
0
0
4.017
0
0
0
0
0
150
167
501
391
347
0
598
160
368
157
124
8
62
118
151
422
585
79
0
4.388
0
0
0
0
76
189
321
403
163
224
284
314
155
157
210
0
55
0
53
0
356
435
86
73
3.554
0
0
0
0
0
189
0
567
317
283
0
195
194
121
0
317
57
119
158
115
615
656
0
0
0
0
0
0
0
189
0
353
199
567
401
214
61
341
226
65
251
0
122
76
409
331
177
0
5.028
5.839 <<- PDPM
3.903
3.982 <<- ADPM
0
0
0
0
0
189
557
423
487
203
110
741
134
312
177
215
320
111
358
107
385
265
134
0
5.228
27
0
0
0
72
186
0
456
204
445
177
135
133
46
250
0
22
287
0
130
452
247
0
0
3.269
0
0
0
0
0
0
311
369
267
409
73
511
121
0
436
0
130
0
94
107
126
344
0
0
3.298
0
0
0
0
0
0
208
956
488
254
481
135
513
0
131
390
0
0
71
156
634
387
0
0
189
368
457
393
37
460
319
201
169
0
119
87
145
119
84
491
65
0
3.770
4.788 13.776
7.428
7.863
7.809
9.606
6.486
6.042
8.343
3.704
2.561
2.145
3.055
2.661 10.471 11.618
1.387
435
113.659
0
0
0
0
0
67
281
109
143
97
234
2.617
4.804
Cuadro Nº 3.5
A M B-- Salidas en Terminal Nacional
Mes Punta: Diciembre
0
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
Total
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Total
0
0
0
0
0
0
0
198
116
125
228
0
222
235
368
199
134
152
328
76
574
333
0
0
0
0
0
0
0
0
0
605
334
223
113
116
93
112
148
632
93
114
256
210
239
61
0
0
3.288
3.349
0
0
0
0
0
0
0
450
633
334
31
237
139
184
195
226
144
59
258
150
593
0
0
0
3.633
0
0
0
0
0
0
0
548
556
116
74
210
110
313
209
355
20
180
168
200
324
66
0
0
3.449
0
0
0
0
0
0
0
601
388
120
191
80
0
237
55
313
83
133
229
235
236
156
0
0
3.057
0
0
0
0
0
0
0
388
397
212
132
128
21
270
165
429
0
96
443
216
213
105
0
0
3.215
87
0
0
0
0
0
0
372
328
81
138
177
31
172
195
148
3
73
222
89
62
0
0
0
2.178
0
0
0
0
0
2
0
128
154
113
136
0
199
250
206
190
113
252
290
58
591
351
0
0
3.033
0
0
0
0
0
0
0
498
300
297
142
233
71
186
227
331
8
122
266
172
378
0
0
0
3.231
0
0
0
0
74
0
0
519
503
163
180
34
35
206
96
315
11
94
276
172
333
0
0
0
3.011
0
0
0
0
0
0
0
517
362
170
47
148
112
302
198
166
100
137
253
187
194
0
0
0
2.893
0
0
0
0
0
0
0
669
427
118
65
211
47
150
74
288
161
0
155
82
521
0
0
0
2.968
0
0
0
0
0
0
0
523
198
378
101
0
52
329
41
383
69
172
368
193
237
316
0
0
3.360
0
0
0
0
0
0
0
214
475
259
0
443
45
90
133
191
93
84
262
85
116
55
0
0
2.545
0
0
0
0
0
0
0
102
169
159
93
0
317
212
179
272
247
117
181
176
496
110
0
0
2.830
0
0
0
0
0
0
61
491
377
221
203
151
42
255
257
221
38
107
321
0
188
125
0
0
3.058
0
0
0
0
0
0
0
586
362
179
0
230
94
104
260
257
87
133
214
0
301
212
0
0
0
0
0
0
0
0
0
541
358
106
101
0
68
202
93
336
63
247
221
54
218
135
57
0
2.800
0
0
0
0
0
0
0
598
310
121
0
137
105
86
125
484
153
389
282
35
283
257
71
0
3.436
3.019
0
0
0
0
0
0
0
433
340
190
76
233
147
278
63
372
147
91
460
215
159
521
69
0
0
0
0
0
0 0
0
259
512
363
90
266
114
319
98
456
90
87
269
0
275
0
0
0
3.794
0
0
0
0
0
0
0
146
186
162
248
0
69
259
333
315
169
110
284
10
227
368
0
0
2.886
0
0
0
0
0
0
0
384
295
99
93
0
206
264
63
360
265
120
494
0
178
437
0
0
3.258
0
0
0
0
0
0
0
281
261
48
62
60
350
227
58
449
229
160
367
60
200
115
0
0
2.927
0
0
0
0
0
0
0
95
99
73
96
45
62
165
92
220
153
109
180
0
191
116
56
0
1.752
3.198 <<-ADPM
0
0
0
0
0
0
0
499
662
0
226
167
112
280
170
506
67
162
356
41
438
236
0
0
0
0
0
0
0 0
0
470
301
145
205
190
88
208
269
353
103
211
570
46
556
443
0
81
3.922
0
0
0
0
0
0
0
181
356
283
274
256
141
187
293
381
37
203
206
240
275
210
0
0
0
0
0
0
0
0
0
111
206
334
25
0
204
129
495
301
148
129
254
45
509
362
49
83
3.384
0
0
0
0
0
0
0
364
301
191
170
173
68
229
199
468
230
112
257
171
484
429
53
0
3.899
4.239 <<-PDPM
3.523
0
0
0
0
0
0
0
175
273
126
357
267
214
105
315
556
111
101
327
225
186
213
0
0
3.551
87
0
0
0 74
2
61
11.946
10.539
5.509
3.897
4.192
3.578
6.545
5.672
10.473
3.369
4.256
9.017
3.443
9.775
5.732
355
164
98.686
Cuadro Nº 3.6
A M B-- Llegadas al Terminal Nacional
Mes punta : Noviembre
0
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Dom
Lun
Mar
Mie
Jue
Vie
Sab
Total
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Total
0
0
0
0
0
0
0
0
32
105
131
354
26
164
355
137
10
180
57
221
173
129
11
42
2.127
0
0
0
0
0
0
0
0
0
0
161
68
140
48
214
194
0
120
111
213
310
259
0
0
1.838
119
0
108
0
0
0
0
0
0
0
110
112
124
94
183
113
240
45
486
196
586
666
320
110
3.612
0
0
85
115
0
0
0
0
0
340
340
326
114
90
454
209
0
107
81
247
375
547
0
0
3.430
0
0
0
0
0
0
0
0
74
90
75
238
30
113
287
80
103
139
85
260
543
345
34
0
2.496
0
0
0
0
0
0
0
0
83
221
62
169
51
199
252
150
0
0
96
231
567
584
155
0
2.820
0
0
0
0
0
0
0
0
76
312
0
164
95
178
287
92
156
0
63
319
499
438
116
0
2.795
0
0
0
0
0
0
0
0
77
117
154
72
134
226
305
90
190
167
281
85
567
599
187
68
3.319
0
0
0
0
0
0
0
0
0
76
254
243
236
0
0
20
0
0
0
449
604
273
51
0
2.206
0
0
0
0
0
0
0
0
0
0
74
112
127
84
234
111
291
0
258
364
314
593
137
0
2.699
0
19
0
0
0
0
0
0
77
130
95
196
70
116
247
76
47
74
49
130
353
209
305
0
2.193
0
0
0
0
0
0
0
0
63
55
160
120
0
166
185
43
109
105
115
276
396
322
0
49
2.164
0
0
0
0
0
0
0
0
75
51
293
45
84
156
229
124
0
113
233
197
801
414
28
0
2.843
0
0
0
0
0
0
0
0
69
67
291
188
0
186
155
89
235
54
167
433
439
459
0
86
2.918
56
35
0
0
0
0
0
0
0
124
140
216
101
300
226
81
198
142
201
203
451
612
394
84
3.564
0
0
0
0
0
0
0
0
0
117
169
222
84
110
440
26
313
0
142
407
233
280
0
0
2.543
0
0
0
0
0
0
0
0
0
0
81
119
210
107
248
232
107
172
506
229
609
432
181
0
3.233
0
0
0
0
0
0
0
0
115
58
249
147
53
240
175
87
152
33
59
208
548
324
23
28
2.499
0
0
0
0
0
0
0
0
66
55
204
111
45
164
147
108
93
39
87
304
486
349
0
0
2.258
0
0
0
0
0
0
0
0
88
0
165
354
64
268
288
148
91
61
134
276
591
601
113
0
3.242
0
0
0
0
0
0
0
0
102
78
238
246
92
234
322
219
0
191
88
346
405
644
0
0
3.205
0
0
0
0
0
0
0
0
28
68
194
364
153
397
179
89
172
70
370
354
530
669
340
71
4.048
0
0
0
0
0
0
0
0
0
93
143
170
229
190
230
93
284
42
0
450
313
263
0
0
2.500
0
0
0
0
0
0
0
0
0
117
119
113
111
110
265
0
339
50
287
302
633
631
106
0
3.183
0
0
0
0
0
0
0
119
0
121
189
215
44
359
214
278
0
110
81
222
392
476
67
0
0
0
0
0
0
0
0
0
106
45
124
175
75
154
252
248
116
0
134
281
613
498
90
0
0
0
0
0
0
0
0
0
94
71
149
227
34
354
193
152
159
0
144
214
1.063
384
95
0
3.333
0
0
0
106
0
0
0
0
0
72
266
227
94
219
187
195
169
0
179
332
454
582
175
0
3.257
13
0
0
0
0
0
0
0
105
97
212
285
206
503
224
111
110
295
207
310
318
661
327
142
0
0
0
0
0
0
0
0
0
74
146
213
278
89
380
174
279
0
106
139
427
319
94
0
2.718
188 54
193
221
0 0
0
119
3.769 3.963 2.309 4.807 8.198 14.593 13.562 3.349
680
86.967
1.330 2.754 4.988 5.811 3.104 5.618 7.357
2.887
2.911 <<- ADPM
4.126 <<- PDPM
3.10
3.2
Estudio Operacional
3.2.1 Objetivo del estudio operacional
El objetivo del estudio operacional es el de proveer la información para
un mayor conocimiento del funcionamiento y efectividad de los diferentes
componentes de servicio del terminal aeroportuario a través de la medición y
estimación de diversos parámetros de funcionamiento. Esta información se
utiliza en el análisis demanda-capacidad del aeropuerto y en la calibración de
modelos operacionales para las diversas instalaciones. Posteriormente estos
modelos operacionales podrán ser integrados en un modelo general de
funcionamiento del terminal.
Un segundo objetivo del estudio operacional es el de probar las
técnicas de recabamiento de información para establecer y recomendar
procedimientos para estudios futuros.
3.2.2 Conceptos asociados al Estudio Operacional de Pasajeros
3.2.2.1 Topología del problema
El estudio operacional analiza diversas características del servicio que
se da a los pasajeros durante el proceso de transferencia desde el avión al
transporte terrestre y viceversa, por tanto tiene por objeto principal efectuar
mediciones sobre los parámetros de funcionamiento que tienen los más
importantes componentes de servicio del aeropuerto. El diseño de la
experiencia y el tipo de muestreo a utilizar requiere de una conceptualización
previa del sistema.
El conjunto de instalaciones y procesos utilizados en el servicio lo
denominamos Sistema de Flujo de Pasajeros (SFP).
El SFP tiene los siguientes tipos de componentes:
•
•
•
•
•
Nodos de entrada
Áreas de permanencia o almacenamiento
Centros de procesamiento
Arcos de circulación interna que interrelacionan
componentes citados.
Nodos de salida
los
3.11
Los componentes citados se articulan en secuencia y constituyen las
líneas de procesamiento, en este caso se han considerado 4 líneas de
procesamiento:
i) Embarque de pasajeros internacionales (E.I.)
ii) Desembarque de pasajeros internacionales (D.I.)
iii) Embarque de pasajeros nacionales (E.N.)
iv) Desembarque de pasajeros Nacionales (D.N.)
La estructura del SFP en cada caso corresponde a una cadena
secuencial de grupos de estaciones de servicio en paralelo. Luego desde el
punto de vista topológico puede considerarse como una red de colas de
espera, servicios y áreas de almacenamiento cuya lógica de funcionamiento
es susceptible de ser modelada, tanto matemáticamente como mediante
simulación.
En las figuras 3.3 y 3.4 se observan esquemas de los flujogramas de
los procesos a que se someten los pasajeros en el caso internacional y
nacional. Es importante distinguir la diferencia entre la secuencia de procesos
y la secuencia de componentes aeroportuarios. La secuencia de componentes
se refiere a la relación entre las instalaciones físicas en las que se realizan los
procesos.
Figura 3.3
Flujograma de Procesos para el Terminal Nacional
Desplazamiento desde
sala de embarque hasta
el avión y abordaje
Llegada de
pasajeros
al
terminal
Hall de salidas
Chequeo
de
boletos y
entrega de
equipaje
(counters)
Ingreso a
embarque de
pasajeros
(chequeo
AVSEC)
Embarque
remoto
Sala de
Embarque
(Estac. Bravo)
Despegue
del
avión
(Estac. Alfa)
Acceso a pie
PROCESO DE SALIDA
PROCESO DE LLEGADA
Desplazamiento desde el avión
hasta el hall de espera de equipaje
Abandono
del
terminal
Desembarque
remoto
Retiro
de
equipaje
(bandas
rotatorias)
(Estac. Bravo)
(Estac. Alfa)
Acceso a pie
Llegada
del
avión
Figura 3.4
Flujograma de Procesos para el Terminal Internacional
Desplazamiento desde sala de
embarque hasta el avión y
abordaje
Embarque
remoto
Llegada de
pasajeros
al
terminal
Hall de salidas
Chequeo de
boletos y
entrega de
equipaje
(counters)
Ingreso
a
Policía
Internacional
Ingreso a
embarque de
pasajeros
(chequeo
AVSEC)
Sala de
embarque
Acceso a pie
Despegue
del
avión
Embarque
por manga
PROCESO DE SALIDA
PROCESO DE LLEGADA
Desplazamiento desde el avión
hasta la sala de Policía
Internacional
Desembarque
remoto
Abandono
del
terminal
Hall de recepción Chequeo
de
equipaje
en aduana
(R-X)
Retiro
de
equipaje
(bandas
rotatorias)
Ingreso
a
Policía
Internacional
Sala de espera de
Policía
Internacional
Acceso a pie
Desembarque
por manga
Llegada
del
avión
3.14
3.2.2.2
Aspectos Teóricos
El marco conceptual bajo el cual se analiza los procesos operacionales
del aeropuerto es el de análisis de una red de colas de espera, estaciones de
servicio y áreas de almacenamiento en secuencia. Definido el problema con la
estructura de colas secuenciales se desprende del enfoque el tipo de
parámetros a medir.
Gran parte de los enfoques teóricos y de modelamiento del
funcionamiento de las diferentes instalaciones aeroportuarias descansan en la
teoría de esperas, tal como se observa en la descripción de las instalaciones
su funcionamiento sugiere que este es el tratamiento adecuado. La literatura
internacional ha tratado algunos de estos problemas y los correspondientes
modelos. Generalmente los de mayor complejidad se refieren a los fenómenos
de funcionamiento del sector aéreo (air-side), en que los modelos de
capacidad en la aproximación al aeropuerto y estacionamiento de aeronaves
muestran una cierta capacidad predictiva y consistencia funcional, que
permite realizar estimaciones de capacidad y tiempos de proceso.
Al asimilarse los fenómenos a procesos de colas de espera,
determinísticos y/o estocásticos, es posible utilizar las relaciones
matemáticas que permiten deducir los niveles de servicio en función de las
variables independientes susceptibles de ser medidas, tales como las tasas de
llegada, las tasas de atención o de servicio y el número de estaciones en
paralelo, (variables del lado derecho).
Entre las medidas de nivel de servicio o variables dependientes
tenemos los largos promedios de pasajeros en cola o almacenados, las
longitudes de cola, el número máximo de pasajeros en cola, los tiempos en el
sistema etc. Ello está modelado en la literatura por expresiones matemáticas
del tipo:
MNSi = ϕi (λ,µ,Ν)
(3.1)
Donde MNSi es la i-ava medida de nivel de servicio, λ la tasa de llegada
y µ la tasa de servicio, N es el número de estaciones y ϕi es la función
asociada a la medida de nivel de servicio correspondiente, sea este tiempo
medio en cola, largo promedio de cola u otra medida. La relación funcional
específica estará determinada por la forma de las distribuciones de llegada y
atención. Si los modelos efectivamente representan el fenómeno, entonces
bastaría con medir las variables del lado derecho para derivar el nivel de
servicio.
3.15
Modelos estocásticos vs. determinísticos. Los antecedentes que
aparecen en la literatura aeroportuaria señalan que los modelos estocásticos
no representan adecuadamente los fenómenos que se producen en el
terminal. Diversas experiencias y trabajos se inclinan más por utilizar colas
determinísticas y simulación para modelar estos fenómenos.
La razón para no utilizar los modelos estocásticos es de que una de sus
hipótesis de funcionamiento es la de que el fenómeno representado esta en
régimen permanente y no transiente. En el caso aeroportuario se ha
observado que los diferentes fenómenos no se pueden asimilar a un régimen
permanente.
Luego en el sector de terminal de pasajeros los modelos más utilizados
son del tipo colas determinísticas. No obstante en la década del 60 se
utilizaban procesos estocásticos, o colas probabilisticas en las cuales se
utilizaban colas tipo M/M/n ó M/D/n1. En atención a la experiencia externa y
los fundamentos de la misma es que se ha optado por observar el problema
bajo una óptica de modelos determinísticos.
Los procesos se caracterizan por tener una tasa de llegada variable,
que generalmente no corresponde a una tasa constante estacionaria, la
llegada medida en personas/unidad de tiempo ( λt ). Esta característica es
precisamente la que desaconseja utilizar modelos de tipo estocástico.
En el enfoque determinista se realiza la hipótesis de que hay una
función A(t) que representa el número de pasajeros acumulados que arriba a
una estación de servicio, por otra parte existe una función D(t) que indica el
número de pasajeros atendidos hasta el momento, que debe ser menor o igual
a la capacidad, la cual se expresa en general como:
C= ( µ1+ µ2 +µ3+... µn )* T ≥ D(t)
(3.2)
en que los µj son la tasa de servicio de las estaciones de servicio en paralelo y
T el período considerado. La expresión es una igualdad cuando la cola está
saturada, que es el caso bajo análisis. Esta formulación es válida para todos
los servicios que tengan una estructura de colas, específicamente en nuestro
1
Los sistemas de espera usan la notación A/B/C en que A caracteriza el proceso de llegada,
B el proceso de servicio y C representa el número de cajas en paralelo. En el caso de M/M/1
se supone el proceso de llegada Poisson, tiempo de servicio exponencial y una caja
atendiendo, y en el caso M/D/n se supone llegada según proceso Poisson, tiempo de atención
determinístico y n cajas en paralelo en servicio.
3.16
caso para los procesos de check-in, policía internacional, aduanas, retiro de
equipajes, etc.
La cola de espera en el instante t está dada por:
Lt = A(t)-D(t)
(3.3)
El perfil temporal de la cola de espera está determinado por las tasas
instantáneas de llegada y atención, se dan varios casos:
λt >
λt =
λt <
µ
µ
µ
La tasa de formación de cola es creciente
∂L/∂t > 0
∂ L/∂t =0
La cola es estacionaria
∂L/∂t <0
La cola es decreciente
Esta situación se puede visualizar gráficamente mediante el diagrama
de progresión de cola que muestra la relación entre la tasa de llegada de
pasajeros, la tasa de atención y los pasajeros acumulados en la cola. Del
diagrama se puede desprender fácilmente los parámetros del número máximo
de pasajeros en la cola (Lmax) y el tiempo máximo de estadía en la misma
(Tmax ), así mismo en el caso determinístico se puede fácilmente deducir los
tiempos promedio en cola y la longitud promedio de la misma.
De acuerdo al enfoque entonces las mediciones se orientan a
establecer parámetros medios y no distribuciones de probabilidad de las
variables del proceso.
Las variables consideradas son :
•
•
•
•
•
•
Tasas de llegadas de pasajeros
Tasas de servicio (atención)
Longitud instantánea de colas
Tiempo medio en cola
Tiempo máximo en colas
Longitud máxima de colas
(λt )
(µ)
(Lt)
(Tq)
Tmax
Lmax
Las mediciones de un conjunto cualquiera de estos parámetros permite
deducir el valor del resto, es por ello que el proceso de recabamiento de
información operacional tiene diferentes variantes y la selección de cual
variable se mide se toma sobre la base de los recursos humanos de que se
disponga.
3.17
En la aplicación desarrollada se midieron en los counter las colas de
espera, es decir el perfil de la diferencia Lt =A(t)-D(t), y las tasas de atención
y el número de estaciones activas en cada instante de tiempo (St). A partir de
estos parámetros es posible determinar el valor del resto de las variables.
Figura 3.5
Diagrama de progresión de cola
Número de pasajeros
n2
Tmax
λ(t)
Lmax
µ
n1
t1
t2
Tiempo
3.19
D(t) = St * µ+ D(t-1)
(3.4)
En que (St * µ) es la tasa Global de atención instantánea del conjunto
de counter. La variable µ es la tasa de atención estimada para el promedio de
las estaciones.
Visualmente a partir del diagrama de la cola se determina Lmax y Tmax
se calcula como la expresión:
Tmax= Lmax/ (Sm * µ)
(3.5)
en que Sm es el promedio de estaciones en atención.
Si las funciones son continuas y derivables entonces es posible estimar
el largo promedio de cola y la estadía promedio como la integral de la función
Lq sobre el intervalo de tiempo (t2-t1) y sobre la diferencia n1-n2
respectivamente.
t 2
Lq
=
∫
Lq ( t ) dt
(3.6)
t1
Si la función no es convexa entonces es posible estimar el área como
la expresión :
ti = n
∑
( Lq ) * ti
ti = 1
Σ
Lq(t) en el intervalo de tiempo considerado.
(3.7)
3.20
3.3
Componentes de Servicio del Aeropuerto AMB.
3.3.1 Terminal Internacional- Embarque.
En el embarque de pasajeros internacionales la secuencia en que están
organizados los componentes es la siguiente:
a) Sistema de acceso al terminal. Parte de los pasajeros acceden
directamente de los andenes de vehículos ingresando por los pasillos del
tercer nivel y pasajeros que descienden en el estacionamiento de vehículos
ingresando por el primer nivel y ascendiendo vía elevador.
b) Área o Hall de salidas. Corresponden a las áreas donde se ubican los
counter, arriban los pasajeros a embarcar, se realiza la espera y circulación
de pasajeros previo a su entrada a los recintos de embarque ( post checkin).
En general corresponde a la totalidad del recinto de embarque.
c) Sistema de check-in. Este sistema está compuesto por las instalaciones de
check-in (counters), y sus correspondientes colas de espera.
d) Recinto de Policía Internacional. Comprende tanto el área de
almacenamiento de la cola como el grupo de las estaciones para el proceso
de los trámites de emigración.
e) Estaciones de seguridad. Consiste en las instalaciones de Seguridad de
Aviación ( Equipos de rayos etc.) y el espacio de acumulación de cola.
f) Sala de embarque. Se considera la totalidad del área común de
almacenamiento para pasajeros a embarcar. Es un área de uso común para
todos los vuelos.
g) Puerta de embarque. (Gates)
h) Sistema de traslado a la aeronave.
3.3.2 Terminal internacional Desembarque de pasajeros
En el caso del desembarque existen tres procesos básicos: el control de
inmigración, el retiro de equipaje y el Control de Aduana. Los elementos
físicos de la secuencia son:
a) Acceso a policía internacional. Se produce vía puente de embarque o
directamente desde los medios terrestres de transferencia avión-terminal.
3.21
b) Sala Espera Policía Internacional. En esta sala se produce
almacenamiento de pasajeros esperando la revisión de inmigración.
el
c) Controles de Policía Internacional. Físicamente corresponde a las
estaciones de revisión documental.
d) Retiro de equipaje. Es el proceso de espera de los equipajes y retiro del
mismo, físicamente significa la ocupación de la sala de equipaje y demanda
por el frente del dispositivo de transporte de equipaje (“ carrusel”).
e) Revisión Aduanera. Son las instalaciones de Aduana que efectúan un
muestreo aleatorio de proporción variable para el control de pasajeros, así
mismo las maquinas de R-X.
f) Puertas de salida
g) Hall de Llegadas. Corresponde al recinto donde se reciben los pasajeros y
se ubican los servicios turismo y transporte local.
3.3.3 Terminal Nacional.
Las operaciones en el terminal nacional son bastante más simples que
en el internacional. Básicamente en el circuito de embarque tenemos el
chequeo, que no es obligatorio para todos los pasajeros pues algunos realizan
un prechequeo en las instalaciones satélites de las líneas aéreas ubicadas en
otras partes de la ciudad. La segunda instancia es la revisión de seguridad
aérea para los vuelos nacionales que se realiza en el acceso a la sala de
embarque.
En el circuito de desembarque la operación crítica es la recuperación
del equipaje, que es el único trámite.
3.4
Mediciones y Técnicas de Análisis empleadas en Estudio Operacional.
3.4.1 Selección de la técnica
La selección de las técnicas de recabamiento de información es un
tema importante en el análisis operacional aeroportuario. En base a la
experiencia de estos consultores se puede afirmar que el proceso de
recabamiento de información en el aeropuerto debe ser cuidadosamente
diseñado debido a su naturaleza particular. Los requisitos que debe cumplir
3.22
son básicamente el minimizar la interferencia a la libre circulación de
pasajeros, no obstruir las funciones de seguridad del aeropuerto y no alterar
el trabajo de las compañías aéreas. Estos objetivos se cumplen estrictamente
en países donde el nivel de servicio al turismo se cuida desde la bajada del
avión, situación que no tendría porque ser diferente en Chile. Por lo tanto se
debe considerar:
•
•
•
•
•
•
Minimizar el número de encuestadores.
Que la operación sea transparente, en el sentido que los usuarios no
perciban la sensación de que están siendo monitoreados.
Evitar al máximo introducir personal en las zonas de seguridad.
Seleccionar cuidadosamente el personal, especialmente el que se ubicará
en las zonas restringidas. (En encuestas realizadas en otros países el
equipo encuestador maneja hasta 8 idiomas).
La coordinación con las autoridades aeronáuticas y las demás agencias
que operan en el aeropuerto debe ser estrecha durante la preparación de la
operación.
La logística para el inicio de la operación debe ser cuidada en detalle, la no
consideración de los plazos involucrados en los procedimientos propios de
seguridad aeroportuaria puede producir atrasos en la instalación de la
operación que alteran el muestreo planificado.
En el Estudio Operacional se utilizaron técnicas de observación y
registro manual, complementada con técnicas fotográficas. Estas técnicas
fueron elegidas entre diferentes opciones existentes , entre ellas:
-
Técnicas
Técnicas
Técnicas
Técnicas
de observación Manual.
fotográficas.
de seguimiento individual.
de “marcado”.
De las técnicas señaladas se eligieron las dos primeras, básicamente
por dos razones, en primer término la observación manual permite a través de
una selección adecuada de los puntos de control reducir el personal empleado
y en segundo término que considerando la estructura del problema se puede
hacer uso de la teoría detrás de los sistemas de “colas de espera” para
obtener los resultados generales buscados midiendo sólo algunas variables.
Las técnicas de seguimiento individual y de “marcado” requieren una mayor
cantidad de personal y la identificación de ruteos más estructurados. Por otra
parte son más adecuadas para medir tiempos totales y no asociados a
procesos específicos.
3.23
3.4.2 Implementación de la operación
Los encuestadores realizaron las encuestas registrando las variables
desde
ubicaciones
predeterminadas
en
las
instalaciones
de
embarques/desembarques
en
el
terminal,
entre
ellas
pero
no
exhaustivamente:
-
Counters de registro de línea aérea.
Policía Internacional.
Chequeo de seguridad.
Puertas de embarque; para llegadas y embarques.
Policía Internacional (llegadas).
Retiro de equipajes.
Revisión de Aduanas.
Puerta de salida sector llegadas.
Para cada tipo de encuesta se desarrolló el correspondiente formulario,
algunos de los conteos fueron continuos en las instalaciones comunes como
los chequeos de pasaporte, seguridad y aduana, otros esporádicos para
detectar tasas instantáneas y otros de control de operación como los que se
realizan sobre un vuelo específico.
Diseño de la muestra y Marco Muestral. La muestra se diseñó
considerando que se persigue identificar de preferencia las situaciones punta,
sin embargo por motivos de desarrollo del estudio no se pudo realizar el
procedimiento en el mes de mayor carga del aeropuerto, luego se trato de
captar los días de mayor carga del terminal Internacional, el Domingo. Dentro
del día se seleccionaron los períodos de mayor demanda (que son muy
marcados y determinados por los itinerarios) básicamente seleccionando
vuelos con una gran cantidad de pasajeros.
Con el objeto de conocer el marco muestral existen dos procedimientos
alternativos. El primero consiste en contabilizar los flujos por el terminal, el
segundo es utilizar la bitácora de vuelos que lleva D.G.A.C., se ha optado por
este segundo procedimiento pues da mayor seguridad. Luego las mediciones
de los fenómenos tienen como referencia y condiciones de borde los horarios
de las operaciones aéreas y el número de pasajeros transferidos.
Cabe destacar que en los procesos de embarque de pasajeros existen
diferencias a nivel de líneas aéreas, especialmente los tiempos de atención en
el counter, los cuales dependen de los procedimientos de operación en cada
línea. Por lo tanto cada sub-muestra tiene su sesgo por esa razón, no así en
3.24
los servicios que se prestan por parte del aeropuerto donde el total de
pasajeros hace el universo.
Las mediciones se realizaron en una operación en un período de 12
horas el día 2 de Marzo y se midieron continuamente los fenómenos
seleccionados, cabe destacar que en algunos de ellos se realizaron
mediciones sobre el universo, en otros, como el procedimiento de chequeo y
embarque, se realizó un muestreo del proceso. Cabe destacar que los
fenómenos en el aeropuerto ocurren en forma de pulsos (coincidente con los
vuelos) y no en forma continua, por lo tanto no existe una medición continua
de variables. Los vuelos totales del día dos de Marzo aparecen en los cuadros
3.7 y 3.8.
3.25
Cuadro 3.7
Llegadas Internacionales (2 de Marzo de 1997)
Número de pasajeros en cada clase, según empresa, número de
vuelo y hora local
Empresa
MXA
PLI
LAN
LAN
LAN
LAN
LAN
UAL
UAL
BAW
DLH
ARG
LAP
LAN
LLB
UAL
IBE
NCN
PUA
VRG
LAN
LAN
LAN
LAN
EEA
NCN
CUB
LAN
LAN
LAN
LAN
LAN
LAN
LAN
NCN
ARG
EEA
FFuente: DGAC
Tipo de nave
EA32
B727
B767
B767
B767
B737
B767
B767
B767
B747
B747
B737
FK10
B767
B727
B757
B747
B737
B737
B767
B737
B737
B737
B737
B727
B737
IL62
B767
B767
B767
B767
ODC8
B737
B737
B737
B727
B727
Número vuelo
391
691
143
169
155
124
153
997
997
245
526
1230
501
120
965
973
6811
319
403
920
128
101
126
79
904
327
458
173
167
191
168
309
77
154
374
1290
905
Hora local
3:50
6:00
6:45
6:57
8:10
8:17
9:36
10:00
10:00
10:57
11:01
11:08
12:05
12:52
13:20
13:44
13:09
14:00
14:05
14:25
14:14
14:35
17:36
18.00
18:43
20:14
20:35
20:08
20:32
20:56
21:02
21:40
21:41
22:01
23:58
0:20
24.00
PASAJEROS
1º Clase
Business
Económica
0
0
10
10
10
0
5
9
9
4
5
0
0
3
0
0
4
0
0
0
0
0
0
0
0
0
0
0
5
2
0
0
0
0
0
0
0
0
11
23
28
18
0
19
36
36
21
37
6
0
15
4
19
19
0
2
17
8
0
7
0
7
0
0
14
21
7
24
0
0
3
0
1
0
72
111
180
184
107
61
190
142
142
189
157
90
20
67
81
153
302
102
98
166
69
108
64
119
18
120
129
167
186
196
152
0
119
51
73
27
12
3.26
MXA= Mexicana de Aviación
LLB= Lloyd Aéreo Boliviano
LAN= Línea Aérea Nacional
UAL= United Airlines
BAW= British Airways
DLH= Lufthansa
ARG= Aerolíneas Argentinas
AA= American Airlines
LAP= Líneas Aéreas Paraguayas
CUB= Cubana de Aviación
IBE= Iberia
NCN= National
PUA= PLUNA
VRG= Varig
EEA= Ecuatoriana
PLI= Aeroperu
3.27
Cuadro 3.8
Despegues Internacionales (2 de Marzo de 1997)
Número de pasajeros en cada clase, según empresa, tipo de nave y hora local
Empresa
MXA
NCN
ARG
PLI
LAN
LAN
LAN
NCN
LAN
LAN
LAN
ARG
LAP
LAN
LAN
BAW
DLH
IBE
PUA
VRG
LAN
LAN
LLB
UAL
EEA
NCN
UAL
LAN
LAN
LAN
AAL
LAN
LAN
LAN
LAN
EEA
CUB
Fuente: DGAC
Tipo de
nave
EA32
B737
B727
B727
B767
B737
B767
B737
B737
B737
B767
B737
FK10
B737
B737
B747
B747
B747
B737
B767
B767
B737
B727
B757
B727
B737
B767
B737
B767
B767
B767
ODC8
B767
B767
B767
B727
IL62
Número
vuelo
390
318
1211
692
172
78
169
326
76
155
190
1231
500
100
127
244
527
6810
404
920
129
121
966
972
904
373
996
123
142
152
912
308
558
168
154
905
459
Hora_local
4:30
7:50
7:00
8:00
8:40
8:04
8:15
9:15
9:12
9:41
9.52
11:48
12:35
12:45
12.58
12.38
14:46
14.43
15:21
15:25
15:50
17:05
18:15
18:43
18.43
21:37
22:02
22:26
22:37
22:40
22:53
23:00
23:00
23:05
23:13
0:58
0:00
PASAJEROS
1º Clase
Business
Económica
0
0
0
0
0
0
8
0
0
0
0
0
0
0
0
1
7
0
0
0
0
0
0
0
0
0
3
0
4
0
12
0
0
4
0
0
0
0
0
2
4
8
0
10
0
0
1
7
8
0
0
9
22
74
7
7
18
10
1
5
6
7
0
21
9
14
4
27
0
0
12
3
0
0
34
35
66
111
88
38
174
123
113
28
106
103
60
87
99
242
245
229
98
142
189
88
50
79
18
69
82
100
143
61
70
0
0
138
21
13
74
3.28
Posteriormente a la fecha del estudio del terminal internacional se
realizó un muestreo en el terminal nacional con el objeto de evaluar
específicamente algunos parámetros de servicio.
3.5
Mediciones en el Edificio Terminal Internacional
El objetivo de las mediciones en el terminal internacional es el de
evaluar para los embarques y desembarques tanto los tiempos totales de
proceso del pasajero desde que ingresa al terminal hasta que sale del mismo,
así como el funcionamiento de cada uno de los elementos de la cadena
aisladamente.
En el circuito de salida o embarque se realizaron mediciones en las
siguientes fases del proceso:
a) Servicio en las estaciones de presentación y despacho de la aerolínea
(counter);
b) Operación de emigración en Policía Internacional, y paso por las
instalaciones de seguridad aérea.
c) Tasa de servicio en las operaciones de las “Puertas de embarque”.
En el circuito de arribos o llegadas de pasajeros internacionales fueron
medidos los elementos de servicio más importantes o críticos en el proceso
de los pasajeros:
a)
Proceso de ingreso a policía internacional y revisión de pasaportes.
(Proceso de inmigración)
b)
Proceso de retiro de equipaje.
3.5.1. Análisis del servicio de pasajeros en counter.
Existen un total de 48 counters de registro para las aerolíneas,
agrupados en estaciones de ocho en paralelo. Las estaciones de chequeo de
pasajeros en el terminal internacional son utilizadas indistintamente por las
líneas aéreas, los sistemas de comunicación con que están ocupados lo
permiten (sistema CUTE2), luego las líneas aéreas pueden utilizar cualquier
posición de registro (check- in).
2
Common Use Terminal Equipment
3.29
Esta movilidad se da en la mayoría de las líneas, las cuales atienden en
general un vuelo a la vez, no obstante en el caso de LAN, debido al gran
número de vuelos que despacha al día, tiene una ocupación más permanente
de su posición.
En cuanto a particularidades del sistema de despacho que se deben
considerar en el diseño del experimento se destaca el hecho de que los
counter que despachan un vuelo no ofrecen una idéntica atención pues
existen algunos exclusivamente dedicados a pasajeros de Primera Clase y de
Business, el resto atiende la mayoría de los pasajeros en clase turista. Por
otra parte el número de estaciones en operación va variando y adecuándose
en la medida que las condiciones de la demanda lo requieran.
El nivel de servicio en los counter puede medirse como los tiempos
totales de proceso de los pasajeros en su paso por los counter, tal tiempo es
la suma de su tiempo en cola más el tiempo de servicio, Te+ Ts, donde Ts
es 1/µ; en que µ es el número de pasajeros por unidad de tiempo que atiende
cada estación individualmente.
En el caso de las llegadas de pasajeros al counter, la tasa de llegada es
esencialmente variable es decir función del tiempo ( λ(t)) y no es constante
como se maneja en los modelos estocásticos de uso generalizado.
Las mediciones en las estaciones de presentación, se centraron en
algunas de las variables que caracterizan el fenómeno. En primer término se
midieron ciertas variables, que corresponden a “variables de estado” del
sistema, ello se realizo a intervalos de tiempo constantes, en segundo
término se midieron variables de tipo continúo.
Las variables de estado medidas son:
Longitud de cola (Lq). Se refiere al número de personas en la cola en
cada intervalo de medición. (A(t)-(D(t))
Número de estaciones atendiendo en cada instante. (St ). Esta variable
se mide según intervalos y su variación se debe a que las políticas
operacionales de las líneas aéreas contemplan en la mayoría de las
situaciones estudiadas un número de “counter” variable durante el proceso de
recepción de los pasajeros.
Las variables de tipo continuo medidas en cada situación son :
3.30
Tasas de servicio µ(k). Se refieren a tiempos de atención de la estación
k para un determinado pasajero.
Número de personas atendidas simultáneamente por una estación (Bi).
Esta variable se presenta pues las personas que viajan juntas son atendidas
simultáneamente, ello se puede asimilar a un proceso de atención del tipo
“batch-arrival”. ( Proceso de colas en que los “eventos de llegada” significan
la llegada de grupos de personas y no individualmente como en el modelo
clásico)
Procedimiento de medición Para analizar el proceso se seleccionaron
diversos vuelos efectuados durante el día de medición. Entre estos vuelos, se
eligieron algunos de aerolíneas regionales latinoamericanas y otros de
aerolíneas del hemisferio norte. En la mayoría de los casos el proceso estaba
asociado a un vuelo específico, menos en el caso de LAN donde el check-in
es simultáneo para diversos vuelos.
3.5.1.1 Mediciones de longitud de cola y resultados: . Para medir la cola se
realizaron conteos espaciados en el tiempo por un intervalo constante, el
observador registraba el número de personas en la misma. La dificultad del
método es que por diversas razones existe una pequeña desviación en la
longitud del intervalo entre mediciones, en tal caso el observador debe
registrar la hora efectiva de la observación (se producen desviaciones
marginales) para posteriormente alisar las lecturas en el proceso de la
información.
Los resultados de las mediciones de las colas se resumen en los
gráficos a continuación para los diferentes casos, se ha denominado cada
experimento con el número de vuelo que correspondía. Se presenta la
información llevada a un intervalo de tiempo normalizado. Como puede
observarse existen diferentes perfiles, algunos bimodales, otros con una
extendida meseta. En uno de los casos la medición se inicio en la mitad del
fenómeno, sin embargo dicho inicio correspondía a la situación de máxima
cola.
Cabe destacar que las mediciones llevadas adelante en el aeropuerto no
solamente son un registro numérico sino que incorporan una observación
técnica permanente de la evolución del proceso, ello permitió identificar
particularidades y anomalías que posteriormente permiten interpretar la
información.
Hora relativa
1:42
1:36
1:30
1:24
1:17
1:10
1:02
0:55
0:49
0:41
0:35
0:29
0:23
0:17
0:11
0:04
Pasajeros en espera
Hora relativa
Figura 3.7
Evolución de la Longitud de Cola
Caso 921
60
50
40
30
20
10
0
2:28
2:22
2:16
2:10
2:02
1:55
1:45
1:36
1:29
1:23
1:16
1:09
1:03
0:57
0:51
0:44
0:38
0:31
0:24
0:18
0:12
0:06
0:00
Pasajeros en espera
3.31
Figura 3.6
Caso 527
50
45
40
35
30
25
20
15
10
5
0
Hora relativa
30
25
20
15
10
5
0
0:43
0:40
0:39
0:37
0:35
0:32
0:30
0:27
0:24
0:21
0:18
0:15
0:13
0:10
0:06
0:04
0:02
0:00
1:37
1:33
0:50
0:49
0:47
35
1:29
Figura 3.9
Caso 129
0:45
Hora relativa
1:09
1:05
1:01
0:57
0:53
0:49
0:45
0:41
0:37
0:33
0:29
0:25
0:21
0:17
0:08
0:04
0:00
Pasajeros en espera
Pasajeros en espera
3.32
Figura 3.8
Medición a partir de primera hora
Caso 244
120
100
80
60
40
20
0
Hora relativa
1:33
1:09
1:05
1:01
0:57
0:44
0:40
0:36
0:32
0:28
0:24
0:20
0:16
0:12
0:08
0:04
0:00
Pasajeros en espera
3.33
Figura 3.10
Caso 100
30
25
20
15
10
5
0
3.34
3.5.1.2 Número de estaciones en atención.
El número de estaciones en atención en cada counter se mide
simultáneamente con el largo de cola, su característica es que es un
parámetro manejado por la línea aérea, dependiendo básicamente de la
afluencia de público y de las presiones del itinerario, es así como
generalmente al final de la operación de chequeo es cuándo tienen más
estaciones activas. El parámetro que se determina con ésta medición es el
número promedio de estaciones en operación (S*). El número promedio de
estaciones atendiendo simultáneamente varío entre 4 y 7 dependiendo del
caso.
3.5.1.3 Tasas de atención y tamaño del grupo atendido. Paralelamente al
proceso de medición de colas, otros observadores miden simultáneamente la
duración de cada atención y el número de pasajeros en el grupo atendido
(Bk). Ello se desarrolla de acuerdo a un procedimiento rotatorio en que los
observadores van alternando la estación medida de acuerdo a una secuencia
preestablecida. Ello permite realizar las estimaciones estadísticas sobre la tasa
de atención. Dichas estimaciones se observan en el cuadro 3.9
3.5.1.4 Variables calculadas. En base a las mediciones y observación del
fenómeno se ha construido el cuadro resumen con los parámetros, tanto
estimados como calculados. ( Cuadro 3.9)
Las variables medidas directamente en terreno son la longitud máxima
de la cola (Lmax), la tasa de servicio por atendedor (µ) y el número promedio
de estaciones o counter activos (S*).
Las variables calculadas a partir de las estimaciones anteriores son en
primer término la tasa global, que es el número de pasajeros atendidos por
minuto por el conjunto de la instalación.
Tasa Global = (µ)* (S*)
(3.9)
A partir de esta tasa global calculada para t> t*, en que t* es el
instante en que se produce la máxima cola es posible calcular el tiempo
máximo de permanencia. (Tmax)
(Tmax)= Lmax/Tasa Global
Los resultados se observan en el cuadro 3.9.
(3.10)
3.35
Cuadro 3.9
Principales parámetros medidos en los counter
Variable
Unidad
Caso 244
Caso 527
Caso 921
Longitud máxima de
cola
Tasa de servicio
Lmax
Pas.
Caso 100 Caso 129
28
31
100
50
44
µ
0.36
0.37
0.47
0.58
0.35
Tiempo Máximo
cola
Promedio
counter activos
Tasa
Global
Servicio
Num.
Pas.
Económica
Num.
Total
Pasajeros
en
Tmax
Pas./mi
n
min
14
15
30
13
30
de
S*
Nº
5.5
5.5
7
6.5
4
de
Tasa Gl.
P/min
2
2
3.29
3.77
1.4
En
NPE
Pas.
87
189
242
245
142
de
NPT
Pas.
89
199
274
339
162
En el cuadro destaca
en primer término la homogeneidad del
parámetro de atención por counter para tres de los vuelos, 0.36 pasajeros por
minuto, de ellos, dos de los vuelos son de la misma aerolínea y el tercero es
de una aerolínea de la región. Las otras dos muestras corresponden a
aerolíneas europeas, que utilizan B-747, con tasas de atención globales
bastante más altas y tasas por counter también superiores. Más adelante se
compararán estos indicadores con estándares internacionales.
De la experiencia queda claro que el número de counters habilitados
para atender cada vuelo es fundamental para la determinación de la tasa de
atención relevante para estimar el nivel de servicio, más aún la política de la
aerolínea para ir adaptando el número de estaciones a la demanda.
3.36
3.5.2 Mediciones en el acceso a sala de embarque.
Estas mediciones tienen por objeto caracterizar el funcionamiento del
proceso de ingreso a la sala de embarque incluyendo la atención de policía
internacional, y AVSEC, (Aviation Security o AVSEC). Principalmente se
midió la ocupación de la sala de almacenamiento de cola previo al chequeo de
policía internacional (ésta provee un máximo de 12 estaciones en paralelo).
La cola o almacenamiento se produce en un pequeño hall de entrada,
posteriormente. Saliendo de policía se produce una pequeña cola para pasar
Seguridad de embarque de pasajero, dispositivo que posee dos estaciones .
Las variables medidas en este proceso fueron:
s1: Número de personas en espera en la sala
s2: Flujo de personas
s3: Número de estaciones en operación.
La tasa de atención en policía internacional previo al ingreso a la sala
de embarque tiene un promedio de 47 segundos por persona, es decir
aproximadamente 1,28 pasajeros por minuto. El máximo de estaciones
observadas simultáneamente es de 11 por lo tanto la capacidad del sistema
es de 14 pasajeros por minuto, o unos 845 por hora. Esto implicaría que es
posible embarcar tres B747 a la hora.
La distribución de los tiempos de atención observados se aprecia en el
cuadro siguiente:
Cuadro 3.10
Distribución de tiempos de atención
Chequeo de documentos - Embarque
Intervalo (seg.)
Porcentaje
20-30
27
31-40
22
41-50
13
51-60
18
61-70
10
71-100
10
Durante el período de medición seleccionado no se produjeron
aglomeraciones extremas, siendo la tasa de llegada de pasajeros entre 5 y 10
3.37
pasajeros por minuto. La demanda variable fue satisfecha adecuando el
número de estaciones de atención, este parámetro también fue medido.
La situación en la cola de espera en el acceso a la revisión de
documentos ha sido graficada y se presenta a continuación. Allí se observa el
número de pasajeros en la cola y el número de estaciones activas en cada
instante.
35
30
Estaciones
25
Pasajeros
20
15
10
5
14:21
14:15
14:09
14:03
13:57
13:51
13:45
13:39
13:33
13:27
13:21
13:15
13:09
13:03
12:57
12:51
12:45
12:30
12:24
12:18
12:13
12:07
12:01
11:55
11:49
11:43
0
11:30
Pasajeros y Estaciones
Figura 3.11
Personas en Espera
Salidas - Control de Documentos
Hora
3.5.3 Velocidad de embarque.
Se realizaron muestreos esporádicos sobre esta variable, que mide la
velocidad de acceso a los medios de traslado a la aeronave, esta es una
operación muy rápida pues los pasajeros ya estan en poder de su tarjeta de
embarque. El tiempo promedio de atención resultó ser de alrededor de 6 a 8
segundos por persona.
3.38
3.5.4 Análisis del servicio en Policía Internacional.
Cuenta con 12 estaciones. En el caso de las colas que se forman a la
llegada de aviones, en policía internacional la llegada es “aglomerada” con un
tiempo de servicio que sigue una distribución exponencial.
Ello sugiere que en la instalación “aguas abajo”, en el retiro de
equipaje, las llegadas son de acuerdo a una distribución conocida y con una
tasa permanente en el tiempo, mientras la atención en policía internacional
corresponda a un “proceso saturado”.
En policía internacional se midió el número de pasajeros que arriban al
salón de policía y el número de instalaciones en atención, por otra parte se
midió el número de personas atendidas por el sistema en lapsos de 5
minutos. Ello permite calcular las tasas de servicio.
La situación más crítica en el sistema se dio con la llegada simultánea
de tres vuelos a partir de las 11:00, llegándose a formar colas de hasta 250
personas, como puede observarse en la figura 3.12.
3.39
Figura 3.12
Evolución del Largo de Cola
Revisión de Documentos-Llegada Internacional
300
Personas
250
200
150
100
50
11:42
11:39
11:36
11:33
11:30
11:27
11:24
11:21
11:18
11:15
11:12
11:09
11:06
11:03
11:00
10:56
10:53
10:50
0
Hora
3.5.5 Sistemas de llegada de equipajes:
Se cuenta con 3 cintas transportadoras de equipaje, dos de “dos
dedos”, con un “frente de servicio” total de 60 metros cada una, y una de un
desarrollo menor con solamente un “dedo” (Ver Plano Nº 1, página 3.47).
En retiro de equipaje se midió el tiempo entre la primera y última maleta
del vuelo, que es el indicador mundialmente aceptado.
La experiencia no es suficientemente conclusiva debido a la gran
dispersión de los resultados, ello hace pensar que se deben controlar otros
parámetros simultáneamente. La medición se realizó en base a medir los
tiempos entre la primera maleta y la última retirada. Los resultados se
aprecian en el cuadro 3.11.
Cabe destacar que los tiempos de retiro de equipaje están además
influidos por la tasa de atención de policía internacional, ya que es común que
el pasajero llegue a retirar su equipaje después que este ha salido por las
cintas, debido al tiempo perdido en la cola de inmigración.
3.40
Cuadro 3.11
Tiempos de Despacho Equipaje
Caso
Pasajeros
997
245
1230
526
501
120
681
319
973
965
403
319
128
920
101
178
210
96
194
20
82
321
102
172
85
100
102
69
183
108
Tiempo
(Min.)
40
44
35
38
s/d
15
36
10
15
45
30
10
26
15
15
3.5.6 Aduanas y controles sanitarios.
Esta inspección es selectiva y generalmente no se forma cola, pues se
revisa en varias estaciones en paralelo y el criterio de servicio es no producir
esperas. La tasa global de despacho que fue medida a la salida del recinto es
de 20 personas por minuto, luego la espera es mínima.
3.5.7 Comparación de mediciones con estándares externos.
Se considera adecuado realizar una comparación de los niveles de
servicio aceptados internacionalmente con aquellos que se han detectado en
en AMB. Para ello se han considerado los estándares utilizados y publicados
por IATA y la BAA (British Airport Administration) De acuerdo a las
referencias los estándares de tiempos de servicio para las componentes más
importantes de atención a los pasajeros se observan en el cuadro 3.12.
3.41
Cuadro 3.13
Estándares de servicio
Check-in Counter
IATA
95% de pasajeros, menos de 3
min.
min
min
min
95% pasajeros nacionales menos
de 4 min.
min.
BAA
Control Pasaporte
IATA
Inmigración
IATA
BAA
Retiro de equipaje
IATA
Se pueden comparar los estándares de tiempo de atención (no de
espera) en el Check-in, utilizados internacionalmente, con la distribución de
los tiempos medidos registrados para el total de los pasajeros observados en
las diferentes compañías. Dicha distribución se observa en la Figura 3.11.
Como puede observarse, en nuestro caso el 75% de los pasajeros demoran
menos de 3 minutos en promedio (180 seg.) y un 90% menos de 4 min.
Figura 3.13
DISTRIBUCION DE TIEMPOS DE SERVICIO
ATENCION EN COUNTER
100
% ACUMULADO
80
60
40
20
0
0
60
120
180
240
300
SEGUNDOS POR PASAJERO
360
420
3.42
En cuanto al tiempo efectivo de control de pasaporte los estándares en
AMB son satisfactorios; en cuanto al retiro de maletas los estándares son
sobrepasados en los aviones de fuselaje ancho.
3.6
Verificación de Estándares de Capacidad de Instalaciones.
En este punto se presentan los estándares de capacidad de IATA y se
comparan con las dimensiones de las instalaciones del Terminal Internacional.
La capacidad estimada de acuerdo al procedimiento señalado y en base a los
perfiles del ADPM y PDPM para el tráfico nacional e internacional presentados
en los cuadros del 3.3 al 3.6.
Los parámetros de área del terminal internacional se calcularon a partir
de los planos provistos por el aeropuerto, los cuales se presentan en las
páginas 3.46-3.48. Las áreas estudiadas y su correspondiente dimensión útil
se muestran en el cuadro adjunto. Se estimaron áreas en el primer y tercer
nivel.
Cuadro 3.13
Superficie de las instalaciones
Código
Denominación
1-A
Control Pasaporte – Llegadas
Area (m2)
412
1-B
Retiro Equipaje
1-C
Hall de llegadas
1640
640
3-A
Área de Salidas
1850
3-B
Área de Cola
3-C·
Sala Ingreso a Policía
3-D
Sala de Embarque
600
165
2160
Finalmente con estos antecedentes se comparó el área con los
estándares citados, dicha comparación se presenta en el cuadro 3.14 donde
además se presentan los cálculos de requerimiento en el Terminal Nacional a
efectos de análisis futuros.
La evaluación de los requerimientos de espacio y número de estaciones
se ha evaluado utilizando el modelo desarrollado por IATA denominado
CAPASS 3.
3 IATA Airport Capacity Programme, IATA; Setiembre,1991
3.43
El modelo está basado en la formulación detallada del cálculo
denominada “IATA CAPACITY CALCULATION FORMULAE”, este documento
especifica detalladamente los datos de entrada, las expresiones matemáticas
y parámetros de cálculo necesarios para derivar el dimensionamiento de cada
uno de los componentes aeroportuarios [3.1].
Este modelo es un conjunto de ecuaciones para estimar las
dimensiones requeridas en cada componente de servicio y área de
almacenamiento. Tiene como antecedentes de entrada los volúmenes horarios
de pasajeros que utilizan el aeropuerto, tanto de salida como de entrada, así
como los factores de punta dentro de la hora. Los parámetros de las
ecuaciones se refieren a las tasas de servicio de los componentes y a los
tiempos de permanencia de los pasajeros en las áreas de almacenamiento,
considera características del pasajero como número de acompañantes,
número de bultos de mano y en que medio llega al aeropuerto, asímismo hace
distinción entre la proporción de pasajeros en aviones de fuselaje ancho y
angosto. Los parámetros utilizados en las ecuaciones con el objeto de
construir la tabla se derivaron de las encuestas y estudios operacionales así
como de parámetros internacionales.
3.44
Cuadro 3.14
Evaluación de la Capacidad para los Terminales Nacional e Internacional
Evaluación del Día Punta del Mes Punta (PDPM) y del Día Promedio del mes Punta
(ADPM)
Terminal Internacional
Instalación
Existente
Terminal Nacional
Cap. IATA Requeridos Ok
ADPM
Existente
PDPM
Cap. IATA
Requeridos
ADPM
PDPM
Ok
Estacionamiento(m-l) :
1
Llegadas
40
27
40
45
26
28
Salidas
40
29
34
45
20
22
48+8
25
30 Si
40
17
19
600
200
200
130
145
12
12
2
2
2
1200
960
1100
175
200
400
400
Chequeo de Aerolineas:
Numero de Counters
Area de colas (m2)
230
Control de Pasaporte:
Llegadas- Estaciones
Llegadas area de cola (m2)
Salidas- Estaciones
412
17 No
250
12
11
13 No
2
3
3 No
AVSEC- Embarque
Común
Sala de embarque
Hall de Salidas (m2)
Area de Servicios (m2)
Area Sala Embarque (m2)
1
1850
1700
2050 No
s/d
1300
1650
2100
1200
1500 Si
450
Retiro de Equipaje:
Numero de instalaciones
Area de despacho (m2)
3
2
3 Si
2
2
1640
500
800 Si
250
550
550
2 Si
1380
1500
Control de Aduanas
Numero de Posiciones
Area de Cola (m2)
Hall de llegadas (m2)
Flujos de Hora Punta
3
3
común
15
634
750
4 No
20
1200 No
ADPM
PDPM
ADPM
PDPM
Llegadas
567
852
613
661
Salidas
752
899
512
570
1: Metros lineales de andén
3.45
De acuerdo a los resultados del análisis presentado en el cuadro 3.14 y
a las observaciones de terreno es posible desarrollar algunos comentarios
sobre las estimaciones de adecuación de la infraestructura actual.
De acuerdo al cuadro citado el análisis de los componentes del terminal
internacional señala que las insuficiencias mayores del aeropuerto se dan en
las instalaciones de control de pasaporte, las instalaciones y equipos de
seguridad aeronáutica y en el sistema de llegadas. El resto de los
componentes, de acuerdo a los estándares internacionales deberían ser
suficientes para el movimiento estimado para las horas punta analizadas, es
decir el tráfico correspondiente a ADPM y PDPM.
Es importante señalar que la comparación de la infraestructura física
actual del aeropuerto con los estándares internacionales medidas en número
de estaciones requeridas o en términos de superficie disponible es un
elemento referencial pues localmente existen condiciones de atención que son
diferentes a las de la normalidad de los aeropuertos. Por ejemplo al comparar
el área destinada a colas de espera las recomendaciones IATA suponen
determinados estándares de servicio, tanto en términos de número de
estaciones como en términos de eficiencia del proceso. Menores tasas de
servicio llevan a requerimientos mayores de espacio, de hecho es el caso
chileno.
Por otra parte existen particularidades del tráfico, el hecho de que AMB
sea un punto final de ruta provoca que la proporción de pasajeros
embarcados que utilizan la infraestructura del aeropuerto sea un porcentaje
mayor del pasaje que en aquellos aeropuertos donde existen importantes
proporciones de pasajeros en tránsito que no utilizan los circuitos de
embarque.
Por otra parte, en los vuelos internacionales la hora de presentación
exigida por las aerolíneas tiene como resultado que el pasajero permanezca en
el aeropuerto en promedio unos 80 minutos. Esto último produce, a nivel
global
una carga notablemente más alta sobre los espacios de
almacenamiento y circulación que aquellos aeropuertos donde el pasajero
permanece del orden de 45 minutos en promedio, en términos cuantitativos
esto significa que a los mismos flujos horarios el espacio de almacenamiento
necesario puede llegar a ser un 90% más alto. Este fenómeno se ve
acentuado por efecto de la gran proporción de pasajeros que son
acompañados por público general. Como resultado los estándares de servicio
del aeropuerto resultan ser notablemente más bajos que en los aeropuertos
de países desarrollados.
3.46
Lo anterior hace pensar que sería necesario realizar ajustes a los
estándares IATA, en función de los coeficientes de estadía y de proporción de
transbordos.
3.50
3.7
Modelamiento de los componentes del aeropuerto.
Con el objeto de mostrar una alternativa para la evaluación detallada de
las capacidad del terminal aéreo, considerando que los distintos procesos que
suceden en éste pueden ser de carácter aleatorio, se ha desarrollado un
programa de simulación para AMB. Este programa de simulación basado en la
observación de los fenómenos que suceden en el aeropuerto y estructurado
según la lógica operacional que aparece en el flujograma de procesos para
A.M.B. se ha programado en SLAM (Simulation languaje for Alternative
Modeling).
El programa SLAM permite crear modelos de simulación en base a una
entrada gráfica en forma de red de procesos. Estas redes representan el
desplazamiento de las entidades al interior del sistema, componiéndose de un
conjunto de nodos y arcos. Los arcos representan las actividades, mientras
que los nodos cumplen diversas funciones en la red. La entrada gráfica va
auxiliada por un código de control que administra el manejo de las variables
internas del modelo y las características de cada prueba. El sistema de
simulación permite introducir las variables en forma de distribuciones
probabilísticas.
Las actividades que representan los arcos tienen asociado un tiempo de
demora, el que puede ser introducido en forma determinística o en forma de
una distribución, o como la suma de una combinación de éstas. Una actividad
puede representar también un simple paso al nodo siguiente, en cuyo caso se
le puede asociar un tiempo determinístico nulo (lo que representa un salto
instantáneo). Si a la salida de un nodo existe más de un arco, se pueden
asociar probabilidades a cada uno de éstos, o alguna condición que le permita
a la entidad tomar rumbo. Si no se da ninguno de los casos anteriores, la
entidad podrá tomar más de un arco, multiplicándose en dos o más entidades
de iguales características. Los arcos colocados a continuación de una cola
requieren una especificación del número de servidores asociados a la
actividad.
Los nodos representan diversas operaciones a realizar por las
entidades; por ejemplo, reúnen distintas actividades de distinto origen,
ingresan nuevas entidades al sistema, las eliminan, contienen una cola de
espera por un servidor, agrupan entidades, les asignan propiedades y regulan
su paso mediante una puerta.
Entre las variables probabilísticas consideradas se encuentran los
patrones de itinerario de las aeronaves, la llegada de vehículos terrestres y de
3.51
pasajeros. Así mismo los tiempos de atención y el número de pasajeros por
aeronave se introducen como variables aleatorias.
3.7.1 Arribo de Pasajeros
Para simular el ingreso de los aviones, y por lo tanto de pasajeros, se
representó la llegada de éstos al espacio aéreo según un proceso de Poisson,
en el cual cada entidad que llega lo hace en forma independiente de las
demás. El aterrizaje requiere la utilización de un recurso compartido, la pista,
el que debe ser disputado con los demás aparatos que despegan o aterrizan.
El tiempo que los aviones utilizan la pista se consideró con distribución Erlang
de tipo 3, con un tiempo promedio de 3 minutos por avión. La ventaja de
utilizar una distribución de este tipo radica en asignar probabilidades
prácticamente nulas a eventos demasiado breves, lo que es un supuesto
realista para este proceso.
Una vez que el recurso pista es devuelto (i.e. el aparato se encuentra
sobre la losa) la entidad que representa al avión es transformada en una
multitud de entidades que representan a los pasajeros. La transformación de
aviones en pasajeros se realiza según una distribución uniforme en que el
valor máximo corresponde a la capacidad máxima de un aparato estándar
(120 pasajeros en vuelos nacionales y 200 pasajeros para vuelos
internacionales).
Después de haber multiplicado las entidades, estas se dirigen al recinto
de Policía Internacional, donde las estaciones se ubican en forma paralela y
cada una de ellas posee una cola separada, los pasajeros escogen la cola más
corta, es decir, con menos individuos en espera. La distribución de los
tiempos de servicio de cada una de las colas es Exponencial.
A partir de cada vuelo que arriba, se genera una entidad que representa
al conjunto de maletas de los pasajeros del mismo vuelo, las que son
asignadas a las cintas transportadoras, que forman un segundo recurso
compartido. Una vez que los pasajeros finalizan su trámite en Policía
Internacional, deben esperar que una cinta sea asignada a su respectivo
equipaje. El tiempo que demora hasta tomar sus pertenencias es
independiente para cada pasajero. Con esto es posible simular el hecho de
que existan personas que salen primero de la cola de Policía Internacional, y
tienen que esperar por sus maletas y otras que están más tiempo en la cola
salgan y tomen en forma inmediata su equipaje. Una vez que los pasajeros se
3.52
encuentran con sus valijas, pasan por Aduana, este proceso tiene un tiempo
constante, ya sea si son detenidos o no, la probabilidad de ser detenido para
revisión fue considerada en ¼ basada en antecedentes del aeropuerto.
3.7.2 Despegue de Aviones
La simulación de la salida de los aviones se basa en considerar el
tiempo entre las llegadas de los vehículos que transportan pasajeros hasta el
terminal, y la salida de la Seguridad de Embarque (Aviation Security).
Para simular la transferencia de pasajeros desde los vehículos en los
que llegan al recinto aeroportuario hasta los aviones se supuso una llegada
diferenciada para autos y buses con distribución Exponencial entre las
llegadas de cada uno. Los buses se estacionan en la entrada del edificio para
dejar pasajeros con un tiempo determinado, los autos en cambio si están los
espacios ocupados tienen la posibilidad de hacer una cola de a lo más 3
vehículos; si la cola ya está completa, por medio de un desvío las entidades,
los autos, se dirigen al estacionamiento. Este último proceso tiene una
duración de 10 minutos entre la llegada al recinto y el ingreso al terminal.
A continuación se produce la transformación de buses a pasajeros y
autos a pasajeros. Esta transformación posee una distribución uniforme
donde el valor máximo representa la capacidad de los autos y o pasajeros con
un determinado vuelo en el caso de los buses. A continuación estos pasajeros
son reunidos, y proceden a elegir counter según el vuelo en el que se
embarcarán. Se dispuso un máximo de 10 vuelos en una hora, y por cada
vuelo existen dos ventanas de atención, una de éstas es para pasajeros de
primera clase, con probabilidad de 1/5 (30 pasajeros de 150), y la otra para el
resto de los pasajeros. La distribución entre llegadas es Exponencial, y la tasa
de atención es de un pasajero cada 2,7 minutos por cada counter.
Una vez que los pasajeros han sido chequeados se dirigen a Policía
Internacional, donde existen 7 estaciones ubicadas en forma paralela, y con
colas separadas. Al igual que en el arribos de pasajeros, la elección de cola se
hace según el largo de éstas; la distribución de los tiempos de servicio de
cada cola es Exponencial con una tasa de 50 segundos por pasajero, de
acuerdo a las observaciones anteriores.
Finalmente, los pasajeros ingresan al AVSEC donde existen dos
estaciones en forma paralela y con colas separadas, la elección se hace por el
largo de cada una de las colas. Los tiempos de servicio son determinísticos e
iguales a 15 segundos por individuo, que fue el parámetro medido en terreno.
3.53
Las tasas de llegada y de atención se obtienen del promedio de datos
que se observaron en terreno, ya que este es un buen estimador de λ y µ, es
decir se trabajó con λ y µ , los tiempos de atención quedan definidos por las
tasas de servicio (i.e. el inverso multiplicativo de estas).
4.1
4.
MODELOS DE PROYECCION DE TRAFICO DE PASAJEROS
INTERNACIONALES DE MEDIANO Y LARGO PLAZO EN AMB.
4.1
Introducción.
En los últimos años se ha experimentado un notable crecimiento en el
flujo de pasajeros internacionales en AMB, notablemente por sobre las
previsiones realizadas con anterioridad1. A la luz de una nueva etapa de
desarrollo del aeropuerto es de gran importancia estudiar los factores que
explican dichas tasas de crecimiento y estudiar los modelos que permitan
predecir con cierta confianza cómo este hecho se seguirá desarrollando.
En este capítulo del informe se presenta en primer término el enfoque a
desarrollar y las consideraciones tomadas en cuenta para ello. Luego se
analizan diferentes modelos de proyección para pasajeros internacionales en
el aeropuerto AMB. Si bien es cierto que la metodología propuesta será
finalmente del tipo de “abajo hacia arriba” (por rutas), se ha invertido el orden
del análisis a efectos de esta presentación calibrándose primero la serie
global. Esto obedece a que la serie de datos globales es más larga y por otra
parte el modelo agregado debe proveer un marco de referencia que debería
ser consistente con los modelos desagregados por zona de tráfico. Luego en
primer término se hace un análisis agregado, considerando el total de
pasajeros en los últimos años, posteriormente se efectúa el análisis de los
modelos con series desagregadas por ruta.
Se han aplicado en general modelos linealizados que relacionan las
variables a explicar (dependientes) con cierto número de variables explicativas
(independientes) de manera lineal con parámetros a determinar. Para la
estimación de los parámetros se utiliza mínimos cuadrados.
Posteriormente se desarrolló un modelo alternativo de corto plazo que
se presenta en el capítulo siguiente, en el cual se hace un análisis de la serie
temporal mensual de pasajeros para establecer el modelo de predicción. La
serie de tiempo supone que la variable se explica únicamente con los datos
históricos de ella. Para realizar el análisis de serie de tiempo se estudiaron
factores como tendencias y estacionalidades presentes en los datos. Para ello
se ha utilizado un método común para el análisis de series de tiempo
(Enfoque Box-Jenkins).
1
Ver Capítulo Nº2
4.2
4.2
Marco Metodológico General
Se ha seleccionado un enfoque de proyección de tráfico aéreo de
pasajeros a partir de un análisis del problema y exploración de las diferentes
estrategias comúnmente utilizadas en el sector para desarrollar proyecciones
Para ello se ha tomando en consideración, tanto las características inherentes
a cada enfoque como las diversas condicionantes impuestas por la
disponibilidad de información y las características de desarrollo de la industria
de Aviación Comercial en nuestro país.
En primer termino se establece que se usarán métodos que se emplean
preferentemente para pronosticar el tráfico de aeropuertos individuales, a
diferencia de la predicción del tráfico en redes de aeropuertos, o para ciertos
agregados de tráfico [Pas-klm., Ton-klm.]2 contabilizados dentro de un país o
región.
En segundo término, se revisan métodos y modelos de proyección
directa de los flujos aéreos, es decir no se consideran modelos de separación
modal ni de asignación entre aeropuertos. En el caso del tráfico aéreo en
AMB, se supone que no es de gran relevancia la elección de alternativa modal
originada en la competencia entre modos de transporte, ni tampoco se
necesita un modelo de asignación de tráfico como es el caso cuando dos o
más aeropuertos compiten entre sí por un mismo tráfico.
4.2.1 Métodos generales de proyección
Entre los métodos de proyección del tráfico existen dos grandes
enfoques, unos basados en el análisis, sistemático o no, de las percepciones
de los expertos y operadores y otros que se fundamentan en modelos de base
estadística o modelos econométricos.
A juicio de estos consultores ambos tipos de enfoques producen como
resultado proyecciones de tráfico, que al ser contrastados ex-post con las
cifras reales de tráfico, presentan diferencias sustantivas.
a)
Métodos basados en encuestas. Entre los métodos analizados en un
inicio para enfocar las proyecciones de tráfico aéreo en AMB, se encuentran
los métodos no cuantitativos o Métodos de Encuesta, entre ellos los basados
2
Pas-km o
RPK =Revenue Passenger-Km.
Ton-km o
RTK= Revenue Ton-Km.
4.3
en los Juicios y Encuesta de Expectativas. Este modo de enfocar el análisis
requiere obtener las apreciaciones de operadores, consultores y personeros
de gobierno, quienes en conjunto conforman un panel de expertos sobre la
industria analizada, en este caso la aviación comercial. Este procedimiento se
puede sistematizar por ejemplo utilizando el Método Delphi, en el que se
puede emplear un modelo matemático para procesar las expectativas de los
panelistas y así elaborar un pronóstico combinado. La dificultad de este
enfoque es que no refleja adecuadamente factores de largo y corto plazo,
como tampoco diferencia fácilmente entre éstos.
Un enfoque de naturaleza similar al anterior es el basado en
expectativas que se identifican a través de Encuestas de Tráfico Directa a las
Empresas de Transporte Aéreo. Este se materializa mediante una encuesta
directa a las aerolíneas que estén operando en el aeropuerto, así como
también a aerolíneas potenciales que aún no lo estén haciendo, sobre sus
planes de operación de corto y largo plazo. Las cifras de tráfico individual son
sumadas para llegar a un volumen total de tráfico. Es necesario hacer ajustes
residuales.
La experiencia de estos consultores en el presente estudio, en el cual
se entrevistaron diferentes aerolíneas es que las variables estratégicas que
determinan esta proyección raramente son confesadas por estos agentes. Tal
como en el exterior, siendo el medio competitivo, las respuestas, si existen,
proveen cifras altas o bajas por propósitos estratégicos. Este problema puede
llevar a errores importantes, especialmente cuando el número de aerolíneas es
pequeño en términos relativos, como es el caso en estudio.
b)
Métodos de base estadística. Entre estos tenemos el de Proyección de
Tendencia y Extrapolación. Este enfoque proyecta el tráfico aéreo sólo como
función del tiempo, lo cual tiene limitaciones obvias. Los datos históricos son
utilizados para calibrar un modelo simple, usualmente de forma lineal,
parabólico o exponencial para producir la proyección. Se utiliza en forma
limitada como una forma de comparar los resultados derivados de otros
métodos.
Una segunda forma dentro de esta familia es el enfoque econométrico
o enfoque de la OACI. Se trata de un enfoque econométrico que emplea
variables explicativas socioeconómicas y de la industria de la aviación para
generar proyecciones de tráfico mediante modelos desarrollados por técnicas
de regresión que se aplican a aeropuertos aislados. Para ello se elaboran
4.4
proyecciones de tráfico por separado para el caso nacional y para el
internacional, pero no sobre la base de rutas o zonas específicas3.
Otro enfoque es el de Análisis de Mercado se refiere a métodos que
son macroanalíticos o de Enfoque “De arriba hacia Abajo”, (o Top-down).
Este enfoque toma como base una proyección global de tráfico agregada a
nivel nacional, regional o global del sector, de la cual un aeropuerto en
especial captura una parte proporcional del mismo. La confiabilidad de las
proyecciones del aeropuerto dependen en parte de la exactitud de la
proyección de tráfico agregado y además en el mecanismo utilizado para
proyectar la porción de mercado a capturar. Este método se recomienda en
nuestro caso sólo como verificación útil de un método de abajo hacia arriba
(bottom - up).
Enfoque micro analítico o “desde abajo hacia arriba”. (bottom - up).
Este enfoque conlleva el desarrollo de proyecciones de tráfico a nivel
desagregado por rutas o regiones específicas e incluso a nivel de usuarios, las
que son luego sumadas o integradas para obtener la proyección de tráfico
total para el aeropuerto. Es un enfoque micro y no macro en cuanto que el
procedimiento empleado requiere estimar y sumar diferentes flujos de tráfico,
idealmente en un esquema ruta por ruta, para derivar el tráfico total para el
aeropuerto. Este método incluye modelos que definan la relación entre los
viajes generados (pasajeros embarcados) por una parte y factores causales
representados por variables demográficas y socioeconómicas, por la otra.
Finalmente en esta familia de enfoques estadísticos se utiliza para las
proyecciones aeroportuarias el Método estacional ARIMA Box-Jenkins. Este
modelo trata series de tiempo de procesos estocásticos para pronosticar la
actividad en base a las fluctuaciones estacionales o cíclicas de los tráficos. El
tráfico puede ser analizado sobre una base mensual para elaborar
proyecciones que reflejen fluctuaciones estacionales a lo largo del año. Una
desventaja del método es que elabora proyecciones que repiten patrones peak
pasados. El enfoque no es adecuado para realizar proyecciones de largo y
mediano plazo.
3
La OACI publica el “Manual On Air Traffic Forecasting” en su oficína de Montreal,
CANADA.
4.5
4.2.2 Selección del enfoque general
Los dos métodos de encuestas explicados anteriormente conducen mas
bien a proyecciones de corto plazo, en vez de proyecciones de largo plazo, tal
como ocurre con la extensión de la tendencia, por tanto se han descartado
como metodología central del estudio. Se deben considerar eventualmente
sólo como herramienta de ajuste en el proceso de actualización de las
proyecciones.
En el campo de proyección estadística para el tráfico aéreo, no existe
un método específico que se destaque por tener resultados particularmente
buenos. Las experiencias son diversas y se derivan de realidades disímiles.
Por una parte en el mundo industrializado el contexto en el que se realizan las
proyecciones es muy diferente: la escala de la industria aérea es grande y el
efecto intermodal está a menudo presente. Por otra parte en los países en
desarrollo donde el volumen de flujo es relativamente más limitado, la
industria aérea continúa operando en escenarios relativamente regulados, con
mercados reducidos y un limitado número de aeropuertos que captan toda la
demanda.
Es ampliamente reconocido que la proyección de largo plazo en el
sector de aeronavegación es una difícil tarea debido a que las variables que la
influencian no pueden ser reflejadas fácilmente en modelos econométricos,
tales como las variables regulatorias y tecnológicas.
La consideración de la desregulación es una suposición clave de los
estudios publicados de Karlaftis, et al [4.1], en el cual se considera el efecto de
la desregulación de las aerolíneas comerciales en el tráfico en Miami. Mientras
la desregulación ha sido alcanzada en forma substancial entre Chile y EE.UU.,
aún se prevén a corto plazo que se den mayores liberalizaciones de este
crítico mercado. En el marco del MERCOSUR, continuará la liberalización
bilateral con Argentina, así como con otros países del área latinoamericana.
Frente a este contexto de desregulación continua y parcial se hace más útil el
enfoque ruta por ruta (ciudad-par), es decir de abajo hacia arriba (bottom-up).
En él cada ruta tendría su función de demanda especifica para el tráfico
hacia/desde AMB. La consideración de todas las rutas en AMB, nacionales e
internacionales, compondrían el tráfico total en AMB.
Este enfoque simple debería ser factible para AMB en donde el número
de rutas principales no es grande, y donde los mercados principales son
fácilmente identificados. Luego a solución adoptada en base al enfoque de
“abajo hacia arriba”, se puede complementar con el enfoque top-down, cuyos
resultados se contrastan. En este caso se tienen la mayoría de los datos
4.6
socioeconómicos y de la industria, los cuales son generados regularmente,
por lo tanto el enfoque de “Abajo Hacia Arriba” basado en modelos
econométricos de regresión es algo factible y conveniente.
Luego se propone una solución híbrida que cae entre la complejidad
del método bottom-up ruta por ruta, y la simplicidad del método
econométrico (método OACI), comúnmente utilizado en países en desarrollo
para producir proyecciones aeroportuarias agregadas para el tráfico total. Este
enfoque esta diseñado para producir proyecciones desagregadas de tráfico
para AMB, independientemente para el mercado internacional como nacional,
los que a su vez se subdividen tal como se explica a continuación.
4.2.3 Objetivos del procedimiento
El consultor persigue construir un marco de análisis, basado en el
enfoque señalado en los párrafos precedentes, que deberá tener las
siguientes características:
a. Integridad Metodológica: La estructura a adoptar debe ser capaz de
producir proyecciones actualizadas periódicamente requiriendo eventualmente
solo pequeños ajustes basados en el juicio por parte de los expertos en
proyecciones o con el objeto de reflejar ya sea los criterios vigentes o para
reflejar los resultados de encuestas y estudios oficiales realizados por los
expertos.
b. Facilidad de Recálculo : Esta estructura metodológica está pensada como
una herramienta cuantitativa permanente que permita controlar la evolución
del tráfico comercial sobre una base periódica. Será posible recalibrar y poner
al día las proyecciones en una base periódica, posiblemente anual o
bianualmente, por medio del uso de un proceso relativamente simple.
c. Flexibilidad Metodológica y Desarrollo permanente de la base de
Información : En la medida que DGAC y JAC perfeccionen los estándares de
recopilación de datos de tráfico, las series cronológicas de datos más
precisos y completos estarán disponibles para el análisis. La estructura de
proyección podrá ser modificada para así incorporar nuevas estadísticas, por
ejemplo correspondientes al flujo de tráfico de salidas y llegadas, y la carga
por clase. Además, al expandirse el tráfico en ciertas rutas, la proyección de
tráfico en nuevas rutas o zonas puede ser introducida sin mayores
complicaciones o importante uso de recursos extras.
d. Relevancia para el análisis de los patrones de “peak”. En el área de diseño
y administración de un aeropuerto, el parámetro más crítico es la hora peak
4.7
típica de flujo de pasajeros, y no la cantidad de pasajeros anual. Por lo tanto
se persigue una proyección que produzca pronósticos acerca de los
segmentos de tráfico principales que tengan diferentes patrones de “peak”.
En la situación ideal una proyección debe ser realizada ruta por ruta
permitiendo así una proyección más focalizada de los “patrones de peak” y
flujos horarios de punta.
4.2.4 Aspectos de Implementación del Enfoque Para la Obtención de
Proyecciones Anuales de Tráfico.
4.2.4.1 Aspectos generales
Debido a la disponibilidad de datos detallados de tráfico (de DGAC y
JAC), los Consultores proponen su desagregación según dos criterios: por
zonas (criterio geográfico) y por grupos de usuario (criterio socioeconómico).
Desde el punto de vista estadístico, el beneficio perseguido es la preparación
de proyecciones que estén sujetas a ajustes periódicos en el tiempo, para
reducir la disparidad entre las proyecciones de largo plazo y los niveles
efectivos de flujo, un problema común en todas las proyecciones de tráfico.
Este es un aspecto central en el enfoque de proyección propuesto;
desagregaciones por zonas y grupos de usuarios (mercado internacional
versus doméstico) hará posible el seguimiento focalizado de las tendencias de
tráfico y la recalibración periódica de las proyecciones solo cuando se
requiera.
4.2.4.2 Definición de Zonas
Al definir zonas se ha intentado discriminar entre las principales
regiones de tráfico vinculadas a AMB. Ello se ha hecho revisando la historia
de los respectivos tráficos. En el caso de América del Sur, tráficos de
distancia media operados por compañías regionales se discriminó el tráfico
hacia Argentina por su magnitud relativa. Así mismo entre los tráficos de
larga distancia y transoceánicos, los que se dirigen a EEUU son la mayor
proporción, el resto se distribuye entre diferentes países. No obstante la
metodología permite introducir nuevas zonas en la medida que dichos tráficos
signifiquen participaciones relativas de importancia. Las zonas se han definido
de acuerdo a la nomenclatura siguiente:
zona
zona
zona
zona
zona
N
A
B
C
D
Chile (tráfico doméstico)
Argentina
EEUU y Canadá
América Latina y el Caribe, excepto Argentina
Resto del mundo
4.8
En el futuro se pueden introducir zonas adicionales subdividiendo las
precedentes en la medida que rutas específicas alcancen un nivel umbral en
términos de pasajeros anuales. Posibles zonas futuras incluyen Brasil por sí
solo, el grupo Perú/Bolivia/Paraguay y Europa por sí sola, por ejemplo.
En el caso de Chile se aplica una metodología para proyectar la matriz
de viajes entre aeropuertos nacionales en relación a AMB, por lo tanto se
obtendrán proyecciones mercado por mercado.
Para el tráfico internacional se han desarrollado modelos econométricos
simples, utilizando variables socioeconómicas que producirán proyecciones
separadas por cada un a de dichas “rutas” (destinos más importantes de las
zonas señaladas).
AMB-zona A:
AMB-zona B:
AMB-zona C:
AMB zona D:
AMB- a todos los puntos en Argentina, (Buenos Aires)
AMB- a todos los puntos en USA & Canada, (Miami, New
York, Los Angeles)
AMB- a todos los puntos en América Latina y Caribe,
excepto Argentina, (Sao Paulo, R. de Janeiro, Lima)
AMB- a todos los puntos en el resto del mundo, (Madrid,
Fráncfort)
Cada ruta deberá contar con su propio modelo de demanda, la suma
directa de los cuatro tráficos internacionales más el nacional proveerá el
volumen de tráfico total anual. Los resultados de este proceso pueden ser
evaluados anualmente para verificar si es necesario realizar ajustes que
reflejen cambios considerables o importantes en los flujos de cualquiera de las
zonas.
4.9
4.3
Proyección de pasajeros Internacionales. Modelo Agregado
4.3.1 Definición de las Variables y Datos
En esta punto se estudia como variable dependiente el número total de
pasajeros internacionales sin distinciones de Origen/Destino (caso totalmente
agregado).
En cuanto a las variables independientes, podría pensarse que uno de
los factores determinantes del aumento en el flujo de pasajeros es el
sostenido crecimiento que ha experimentado la economía de nuestro país en
los últimos años. De esta manera, dentro de las variables independientes a
considerar en el estudio se encuentra el PIB (Producto Interno Bruto), o total
de bienes y servicios producidos por el país en un año (indicador del nivel de
la economía en términos macro).
En general en los modelos utilizados se considera el producto interno
bruto PIB y las tarifas aéreas como variable explicativa, además se intentan
modelos con rezagos. La pregunta que surge es si existen otras variables
además de las consideradas que contribuyan a explicar la demanda. Entre
estas variables podrían existir aquellas de tipo macroeconómico, tales como
el volumen del intercambio económico entre los países y la situación
económica de los países con los cuales se produce el intercambio de viajes.
Además pueden considerarse variables más relacionadas con las actividades
que originan los viajes, tales como las de turismo.
No obstante existen diferentes alternativas de selección de las variables
explicativas esta se ha enmarcado en las siguientes consideraciones:
a) Debe cuidarse que las variables independientes sean manejables en
términos de la posibilidad que sean en sí predecibles. La estimación futura
de la evolución de otras eventuales variables resulta de una mucho mayor
dificultad e incertidumbre que la proyección del PIB.
b) Aunque un conjunto de variables evidencien relaciones causales el
análisis estadístico se hace muy impreciso debido a que se posee series de
datos muy cortas.
c) Al existir correlación entre las posibles variables, especialmente con el
PIB, este capta el efecto de aquellas que están correlacionadas, por lo
tanto se ha evaluado la correlación del PIB con otras variables a fin de
demostrar la pertinencia de utilizar preferentemente el PIB.
4.10
Tal como se muestra más adelante en las tablas de correlación del PIB
con variables del sector turismo, la correlación es muy alta. Por otra parte el
PIB está altamente correlacionado con otras variables macroeconómicas
como son el Producto Nacional Bruto, el Ingreso Nacional Disponible y las
variables de Comercio Exterior.
Luego se tiene como Hipótesis Principal que el crecimiento económico
expresado en términos del PIB posee especial relevancia para determinar el
número total de pasajeros en un nivel agregado. El resto de las variables
macroeconómicas ha mostrado tener una alta correlación con el PIB, por lo
tanto no aportarían demasiado a la explicación de las variables dependientes.
Una segunda variable a analizar posteriormente será el efecto de los niveles
tarifarios. Esta conclusión coincide con aplicaciones desarrolladas
recientemente en otros países, por ejemplo el Reino Unido y Australia
(Aeropuerto de Sydney).
La serie de datos utilizada aparece en el Cuadro 4.1:
Cuadro 4.1
Tabla de datos utilizada
PASAJEROS INTERNACIONALES
AÑO
Entran
Salen
TOTAL
1986
294.666
316.654
611.320
1987
326.134
364.488
690.622
1988
425.987
437.877
863.864
1989
473.280
476.629
949.909
1990
520.365
518.340 1.038.705
1991
599.952
612.600 1.212.552
1992
659.130
663.322 1.322.452
1993
764.550
776.224 1.540.774
1994
931.238
955.502 1.886.740
1995
1.094.413 1.104.753 2.199.166
Fte. DGAC y Banco Central
PIB
Mill $ 1986
3.025.304
3.203.197
3.426.979
3.734.438
3.846.846
4.073.292
4.452.973
4.950.488
5.160.795
5.601.788
4.3.2 Modelos estudiados
Para estudiar la dependencia postulada se utilizó regresión lineal,
método por el cual mediante una muestra de n pares de puntos observados
se encuentra una relación del tipo: yi =axi + b + ei., donde a cada par de
puntos (xi ,yi) se le asocia un error ei (residuo) que equivale a la diferencia
entre el valor real observado y el predicho por la regresión. Para estimar la
precisión del modelo, es decir, si realmente los datos se ajustan a una recta,
4.11
se utilizan los estadígrafos típicos: coeficiente de correlación (r2); el valor t y
el valor F.
Del análisis de los datos se sugiere que la relación entre las variables
explicativas o independientes y el número de pasajeros es multiplicativa (no
lineal).
Figura 4.1
Crecimiento de pasajeros v/s Período
Total pasajeros (miles)
2.500
2.000
1.500
1.000
500
0
1986 1987 1988
1989 1990 1991 1992
1993 1994 1995
Año
En el gráfico de la figura 4.2 se expresa la relación del crecimiento de
pasajeros con el PIB, sugiriendo un modelo multiplicativo.
Figura 4.2
Total de pasajeros v/s PIB
2.500
Pasajeros (miles)
2.000
1.500
1.000
500
0
3.025
3.203
3.427
3.734
3.847
4.073
4.453
4.950
PIB Nacional (miles de millones 1986)
5.161
5.602
4.12
Se utiliza como variable esxplicativa fundamental el PIB, ello por
razones señaladas en 4.3.1; esta variable se utiliza tanto en forma directa
como rezagada, además se evalúan las expresiones que incluyen autorezagos.
Este análisis dio origen a cuatro modelos distintos denominados Tráfico
Internacional Total (TIT) y el número del modelo. A continuación se plantea
cada uno de ellos y se presenta una tabla resumen de sus resultados.
• Modelo 1 (TIT-M1)
Hipótesis: El número total de pasajeros (TRANS) en el año t depende
del PIB de ese año según una ecuación del tipo:
TRANS = αPIBβ
(4.1)
La ecuación planteada supone una relación multiplicativa, no lineal,
para linealizarla se modifican las variables aplicando logaritmo:
ln TRANS = β • ln PIB t + ln α
(4.2)
Ahora, las variables resultan ser ln TRANS y ln PIB y se obtiene una
relación lineal cuyo resultado se presenta en el cuadro 4.2.
Cuadro 4.2
Resultados Modelo TIT-M1
Parámetro
ln α
β
r2 (aj)
Valor F
Grad. libertad
4
SE
Estimación Error Estándar
-16,2846
1,98645
1,22323
0,08037
Valor t
-13.3128
24.7159
Nivel de
Significancia
0,00000
0,00000
0,9855
610,8741
8
0,050215
El valor de r2 es bastante cercano a 1, el valor de F es bastante alto y
los niveles de significancia obtenidos son bastante pequeños (se rechaza la
hipótesis de que los parámetros no influyan).
datos.
4
Ventaja: es un modelo bastante simple y se ajusta muy bien a los
SE: Error estándar de la estimación
4.13
Hipótesis: El número total de pasajeros en el año t (TRANSt) depende del
PIB de ese año (PIBt) y del PIB del período anterior (PIBt-1) según una ecuación
del tipo:
TRANS t = αPIB βt • PIB γt − 1
(4.3)
Siguiendo el mismo razonamiento anterior se modifican las variables
por los logaritmos de las variables, y el modelo queda
ln TRANS t = β • ln PIB t + γ • ln PIB t−1 + ln α
(4.4)
Los resultados del modelo se presentan en el cuadro 4.3.
Cuadro 4.3
Parámetro
Estimación Error Estándar
ln α -16,917674
β 0,827899
1,20545
γ
r2 (aj)
Valor F
Grad. Libertad
SE
Valor t
1,135155 -14,9034
0,644886
1,2838
0,66692
1,8075
Nivel de
Significancia
0.0000
0,2401
0,1136
0,9887
393,624
7
0,044326
El valor de r2 es un poco mayor que en el modelo anterior. El valor de F
sigue bastante alto; y los niveles de significancia aumentan un poco (lo que
es natural, pues al agregar más variables, el peso de cada una de ellas es
menor para explicar el fenómeno). Puede observarse que β + γ da un valor
cercano a la estimación de β del modelo anterior. El estadístico de la variable
PIB del año no es significativo al 95% de confianza, lo cual hace rechazar la
hipótesis nula.
Este modelo tiene la particularidad de que supone que el flujo de
pasajeros tiene una componente que depende de efectos del PIB del año
anterior (Y de hecho, el modelo le otorga bastante importancia a ese rezago).
4.14
En este modelo se incluye la variable rezagada del número de viajes del
año anterior. La lógica de incluir esta variable es la de suponer que existe una
cierta inercia en las actividades y hábitos de consumo de la población, esta
variable debería amortiguar los efectos del cambio interanual en el PIB.
Hipótesis: El número total de pasajeros en el año t (TRANSt) depende
del PIB de ese año (PIBt) y del número total de pasajeros del período anterior
(TRANSt-1) según una ecuación del tipo:
TRANS t = αPIB βt • TRANS γt − 1
(4.5)
La ecuación linealizada es:
ln TRANS t = β • ln PIB t + γ • ln TRANS t−1 + ln α
(4.6)
Cuadro 4.4
Parámetro
Estimación Error Estándar Valor t Nivel de Significancia
4,980124 -1,5769
0,1588
ln α -7,853372
0,598179 1,5981
0,1541
β 0,955928
0,302755 1,7353
0,1263
γ 0,525378
r2 (aj)
Valor F
Grad. Libertad
SE
0,9884
383,735
7
0,044889
Este modelo presenta un r2 muy similar al modelo 2, con valores t y F
bastante aceptables. Las variables se ajustan muy bien a una recta.
Hipótesis: El número total de pasajeros en el año t (TRANSt) depende
del PIB de ese año (PIBt), del PIB del año anterior (PIBt-1) y del número total de
pasajeros del período anterior (TRANSt-1) según:
TRANS t = αPIB βt • PIB γt − 1 • TRANS δt − 1
(4.7)
4.15
La ecuación linealizada es:
ln TRANS t = ln α + β • lnPIB t + γ • ln PIB t − 1 + δ • ln TRANS t − 1
(4.8)
Cuadro 4.5
Parámetro
Estimación Error Estándar Valor t Nivel de Significancia
5.326603 -2.0244
0.0893
ln α -10,783365
0,407836
0.722126
0.5648
0.5927
β
0.704386 1.2548
0.2562
γ 0,883868
0.315757 1.1773
0.2837
δ 0,371725
r2 (aj)
0.989261
Valor F
Grad. libertad
SE
277.345
6
0.043153
Este modelo tiene un r2 alto y los valores se ajustan muy bien a una
línea recta, sin embargo es notorio el hecho de que los niveles de
significancia son bastantes altos (se acepta la hipótesis de que la variable en
realidad no explica el fenómeno con una alta probabilidad). Llama la atención
de que el nivel de significancia para la variable ln PIBt es muy alto, a pesar de
que es una variable muy importante en los modelos anteriores.
4.3.4 Análisis de los Residuos
Como se sugiere trabajar con los modelos 1 y 2, se presentará a
continuación una breve discusión sobre los residuos encontrados para ambos.
Se señaló que el modelo de regresión lineal es de la forma:
yi =axi,1 + bxi,2+.... +c + εi
(4.9)
donde εi es el error o residuo asociado a la observación i y equivale a la
diferencia entre el valor observado y el estimado. El modelo lineal supone que
los residuos son independientes y normales (siguen una distribución normal)
con media cero y varianza σ2 (homocedasticidad). Para verificar la normalidad
se recurre al hecho de que Σεi2/ σ2 sigue una distribución Chi cuadrado con
grado de libertad igual al número de observaciones menos uno. En el cuadro
4.16
4.7 se muestra el análisis de los residuos tanto para el modelo 1 como para el
modelo 2.
Cuadro 4.7
Valor de los Residuos
Valor Obs.
13,3234
13,4453
13,6692
13,7641
13,8235
14,0082
14,0950
14,2478
14,4504
14,6036
Residuos Modelo 1
Valor Est.
Residuos
Res. Estand.
13,3582
-0,03483
-0,827
13,4717
-0,02636
-0,57889
13,6059
0,06332
1,49063
13,7765
-0,01240
-0,24717
13,8354
0,01805
0,35928
13,9491
0,05918
1,29355
14,1261
-0,03109
-0,6353
14,3365
-0,08869
-2,57647
14,4191
0,03123
0,69229
14,582
0,02158
0,51295
Valor Obs.
13,3234
13,4453
13,6692
13,7641
13,8235
14,0082
14,0950
14,2478
14,4504
14,6036
Residuos Modelo 2
Valor Est.
Residuos
Res. Estand.
13,3608
-0,03744
-1,03332
13,4723
-0,02697
-0,67275
13,5671
0,07207
2,28159
13,7496
0,01449 0,348656
13,8778
-0,02427
-0,67141
13,9609
0,04738
1,17017
14,1036
-0,00860
-0,20138
14,2987
-0,05091
-1,70219
14,4608
-0,01047
-0,31694
14,5789
0,02472
0,67149
De la observación de los residuos se deduce que en general los valores
obtenidos para cada caso se comportan de una forma aleatoria aceptable (los
datos van creciendo, y no se observa que los residuos sigan este
comportamiento), lo que apoya el supuesto de homocedasticidad. Sin
embargo, son muy pocos datos para concluir de forma absoluta.
Para el modelo 1 se acepta que los residuos siguen una distribución
normal con un nivel de confianza de 0,80 y para el modelo 2, con un nivel de
confianza de aproximadamente 0,785. Estas condiciones de normalidad de los
residuos permiten establecer que ambos modelos son eficientes al momento
de producir estimaciones bien ajustadas a los parámetros observados.
5
Para llegar a esos niveles de confianza es necesario consultar una tabla Chi-cuadrado.
4.17
Una forma de analizar la correlación entre los residuos es ocupar el
estadístico de Durbin Watson el cual toma valores entre 0 y 4. Si es cercano
a 0, la correlación entre los residuos es positiva y si es cercano a 4 la
correlación entre ellos es negativa. Si el modelo es bueno, se espera que el
estadístico de Durbin Watson dé cercano a 2 (la media entre 0 y 4). En el
caso de los modelos 1 y 2, el estadístico de Durbin Watson da:
Durbin Watson
2,102
2,0117
Modelo 1
Modelo 2
A continuación se presentan las gráficas de los residuos y la
comparación entre el valor observado (real) y el estimado para ambos
modelos:
Figura 4.3
Comparación de Valores Observados y Estimados
Para los Logaritmos de las Variables
14,8
14,6
14,4
14,2
Valor
14
13,8
13,6
Valor Obs.
13,4
Valor Est.
13,2
13
12,8
12,6
1
2
3
4
5
6
Período
7
8
9
10
4.18
Figura 4.4
Residuos Modelo 1
1,5
1
0,5
Valor
0
1987
1986
-0,5
1988
1989
1990
1991
1992
1993
1994
1995
-1
-1,5
-2
-2,5
-3
Año
Figura 4.5
Comparación Valor Observado vs Valor Estimado
de los Logaritmos de las Variables (Modelo2)
14,8
14,6
14,4
14,2
Valor
14,0
13,8
Valor
Obs.
Valor
Est.
13,6
13,4
13,2
13,0
12,8
12,6
1
2
3
4
5
6
Período
7
8
9
10
4.19
Figura 4.6
Residuos Modelo 2
2,50
2,00
1,50
Valor
1,00
0,50
0,00
1986
-0,50
1987
1988
1989
1990
-1,00
-1,50
-2,00
Año
1991
1992
1993
1994
1995
4.20
4.4
Proyección de Pasajeros Internacionales por Zona de Tráfico.
4.4.1 Modelamiento.
Se establecen modelos para cada una de las zonas de tráfico definidas,
el enfoque para estimar los modelos en el caso desagregado es muy similar al
desarrollado anteriormente y son validas las observaciones respecto a las
variables explicativas señaladas en 4.3.1.
Las zonas consideradas, seleccionadas de acuerdo a los criterios
enunciados en el punto 4.2 son las siguientes:
•
•
•
•
ZONA
ZONA
ZONA
ZONA
A:
B:
C:
D:
Total
Total
Total
Total
Chile
Chile
Chile
Chile
-
Argentina
Estados Unidos
Resto de América
Resto del Mundo
Para cada una de las zonas se estudiarán dos modelos cuyas formas
funcionales son las que se presentan a continuación. En este caso se debe
destacar que la experiencia con los modelos agregados orienta hacia la
selección de variables. Por otra parte la serie considerada para el análisis de
rutas es más corta, por lo tanto se desaconseja el uso de expresiones con un
número mayor de variables.
Modelo 1:
TRANS t = αPIB βt
(4.10)
Supone dependencia del PIB chileno del mismo período, denotado por t.
Este modelo linealizado presenta la forma:
ln TRANS t = ln α + β • ln PIB t
(4.11)
Modelo 2:
TRANS t = αPIB βt −1
(4.12)
Supone dependencia del PIB chileno del año anterior. Se linealiza
aplicando logaritmo natural:
4.21
ln TRANS t = ln α + β • ln PIB t −1
(4.13)
A objeto de presentación cada modelo se identifica por cuatro
caracteres, los dos primeros se refieren a la Zona y los siguientes a la
denominación del modelo. (ej. ZA-M1 se refiere al modelo tipo1 para la zona
A).
Los datos considerados que se derivan de agregaciones de la
información de la Junta de Aeronáutica Civil para el período 1985-1995, se
observan en el cuadro 4.8.
Cuadro 4.8
Pasajeros Internacionales según Zona
AÑO
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Fuente: JAC
ZONA A
ZONA B
Chile-Arg. Chile-EEUU
118.262
120.875
143.987
130.021
215.148
148.034
253.736
190.146
276.287
228.153
286.542
234.327
377.669
267.442
421.742
282.635
498.778
322.773
600.112
391.232
641.535
459.952
ZONA C
ZONA D
PIB
mill
$
de 1986
Chile-RdA
Chile-RdM
190.853
85.159 2.868.406
218.796
81.242 3.025.304
246.226
106.608 3.203.304
271.187
114.859 3.426.976
305.102
120.397 3.734.438
343.835
143.279 3.846.846
369.938
162.594 4.073.292
389.451
183.334 4.452.973
458.619
204.128 4.950.488
555.705
249.492 5.160.795
718.161
281.997 5.601.788
4.22
Figura 4.7
Total de pasajeros por zonas
800
Pasajeros (en miles)
700
600
Chile-Arg.
500
Chile-USA
400
Chile-RdA
300
Chile-RdM
200
100
0
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Años
En este caso se utilizan los datos de pasajeros por ruta que tienen
como fuente la Junta de Aeronáutica Civil. Cabe destacar que estos datos
presentan diferencias con los de DGAC, no obstante ésta diferencia
porcentualmente es relativamente constante. Esta diferencia se basa en que
DGAC integra en su estadística a todos los pasajeros que utilizan AMB, en
circunstancias que JAC considera sólo los pasajes pagos. Se estima que
siendo esta diferencia relativamente pequeña y aproximadamente constante,
(variando alrededor de un 4%), no tiene ninguna importancia en los análisis
de tendencia.
En todo caso se debe advertir la necesidad permanente de poner un
cuidado especial en el manejo de los datos aeronáuticos debido a la
discrepancia existente entre los datos de JAC y DGAC, ello se manifiesta
tanto en la información a nivel mensual como en la agregada.
4.4.2 Resultados
Los resultados de los dos modelos procesados para cada zona se
presentan en los cuadros siguientes, en ellos se observan los coeficientes
obtenidos para el modelo y los valores de los test estadísticos. Se muestra el
valor del r2 ajustado, que como es sabido es menor al r2 ordinario.
4.23
4.4.2.1Tráfico AMB- Argentina (ZONA A)
Los resultados de la modelación de los viajes entre AMB y la zona A se
muestran en el cuadro 4.9.
Cuadro 4.9
Modelos Zona A
Modelo ZA-M1
Parámetro
Estimación
ln α -23.942899
2.408436
β
2
0.95376
r (aj)
Valor F
207.2547
Durb. Wat
1.6770
Grad. Libert.
10
Error Est.
2.540911
0,167294
Valor t
N. de Signif.
-9.422961
0
14.396345
0
Modelo ZA-M2
Parámetro
Estimación Error Est.
Valor t
N. de Signif.
-22,22865
2,694439
-8,24982
0,00003
ln α
2,30718
0,177818
12.97487
0,00000
β
r2 (aj)
Valor F
Durb. Wat
Grad. Libert.
0,94896
168,34727
1,72627
9
De las tablas es posible notar que el modelo 1 presenta mejor r2 (es
decir, explica en mayor porcentaje cada uno de los puntos) y un valor F más
alto. Además presenta mejores niveles de significancia, lo que implica que las
variables independientes explican muy bien la dependiente. Con respecto al
estadístico Durbin-Watson el valor señalado, en cada uno de los modelos,
demuestra que no existe autocorrelación positiva ni negativa, ya que se
acepta la hipótesis nula para estos modelos si el estadístico se encuentra
entre los valores 1,01 y 2,99.
Luego el modelo elegido para la zona A:, viajes aéreos a Argentina, es el
denominado como Modelo Nº 1, (ZA-M1). En el cuadro 4.10 se observan los
datos predichos.
4.24
Cuadro 4.10
Valores Observados versus Valores Predichos
Modelo1
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Pasajeros observados
118.262
143.987
215.148
253.736
276.287
286.542
377.669
421.742
498.778
600.112
641.535
Pasajeros Predichos
142.741
162.275
186.215
219.103
269.474
289.426
332.173
411.701
531.330
587.329
715.560
Figura 4.8
Zona A
800
700
600
500
Valor Obs
400
Valor Pred.
300
200
100
0
1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995
Años
4.25
4.4.2.2 Tráfico AMB- Estados Unidos y Canadá (ZONA B)
Los resultados de la modelación de los viajes entre AMB y la zona B se
Cuadro 4.11
Modelos Zona B
Modelo ZB-M1
Parámetro
Estimación
ln α -16,962168
1,930361
β
r2 (aj)
Valor F
Durb. Wat
Grad. Libert.
Valor F
Durb. Wat
Grad. Libert.
Valor t
N. de Signif.
-11,28025
0
19.49765
0
Error Est.
1,82031
0,12013
Valor t
N. de Signif.
-9,49868
0,00001
16,32230
0,00000
0,9743
380.158
1,13894
10
Modelo ZB-M2
Parámetro
Estimación
-17,29059
ln α
1,96082
β
r2 (aj)
Error Est.
1,50370
0,09900
0,9672
154,719
1,74694
9
Al igual que en la zona A, en ésta zona el modelo con la variable
independiente PIB del mismo año, presenta un ajuste mayor y niveles de
significancia más altos. Con respecto a los valores del estadístico DurbinWatson, los dos modelos aceptan la hipótesis nula (no existe correlación
serial positiva ni negativa), con lo que el modelo que se escoge para la zona B
es el modelo 1.
4.26
Cuadro 4.12
Valores predichos versus observados Zona B
(Modelo 1) Pasajeros Observados Pasajeros Predichos
1985
120.875
125.603
1986
130.021
139.202
1987
148.034
155.435
1988
190.146
177.076
1989
228.153
209.021
1990
234.327
221.336
1991
267.442
247.175
1992
282.635
293.574
1993
322.773
360.172
1994
391.232
390.291
1995
459.952
457.224
Figura 4.9
Zona B
500
400
350
300
Pas. Obs.
250
Pas. Est.
200
150
100
50
Año
1995
1994
1993
1992
1991
1990
1989
1988
1987
1986
0
1985
450
4.27
4.4.2.3 Tráfico AMB- Resto de América (ZONA C)
Los resultados de la modelación de los viajes entre AMB y la zona C se
muestran en el cuadro 4.13:
Cuadro 4.13
Modelos Zona C
Modelo ZC-M1
Parámetro
Estimación
ln α -14,134739
1,769970
β
r2 (aj)
Valor F
Durb. Wat
Grad. Libert.
Error Est.
1.421331
0.093558
Valor t
N. de Signif.
-9,94472
0
18,91373
0
Error Est.
1,4503131
0,0957131
Valor t
N. de Signif.
-10,5508
0
18,9849
0
0,97273
357.7293
1,2167
10
Modelo ZC-M2
Parámetro
Estimación
-14,72805
ln α
1,81710
β
r2 (aj)
0,975572
Valor F
Durb. Wat
Grad. Libert.
360,4282
1,4112
9
En esta zona debe optarse por el modelo 2, ya que tiene un r2 mejor
que el modelo 1, buen valor F y niveles de significancia apropiados. Además,
presenta un valor Durbin-Watson apropiado.
El modelo seleccionado para la zona C, es el modelo 2. En el cuadro
4.14 se observa el comportamiento del modelo.
4.28
Cuadro 4.14
Valores Predichos versus observados Zona C
Modelo 2
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Pasajeros
observados
218.796
246.226
271.187
305.102
343.835
369.938
389.451
458.619
555.705
718.161
Pasajeros
estimados
217.728
239.851
266.092
300.832
351.663
371.134
411.783
484.171
586.925
633.016
Figura 4.10
Comparación valor Observado vs valor Estimado
Zona C
800
600
500
Pas. Obs
400
Pas. Est
300
200
100
Año
1995
1994
1993
1992
1991
1990
1989
1988
1987
0
1986
700
4.29
4.4.2.4 Tráfico AMB- Resto del Mundo (ZONA D)
Los resultados de la modelación de los viajes entre AMB y la zona D se
Cuadro 4.15
Modelos Zona D
Modelo ZD-M1
Parámetro
Estimación
-15,97393
ln α
1,83468
β
r2 (aj)
Valor F
Durb. Wat
Grad. Libert.
Valor F
Durb. Wat
Grad. Libert.
Valor t
N. de Signif.
-11,58028
0
20,20115
0
Error Est.
1,35766
0,08959
Valor t
N. de Signif.
-12,9354
0
21,7336
0
0,97602
408.08659
2.95935
10
Modelo ZD-M2
Parámetro
Estimación
ln α -17,561649
1,947301
β
r2 (aj)
Error Est.
1,379407
0,090821
0,9812
472,3534
3,02972
9
Es posible apreciar que con ambos modelos se obtienen estadígrafos
correctos. El modelo 2 presenta valores más altos para la correlación entre las
variables dependiente e independiente, para el valor del test F de Fisher y del
test t (tanto para el intercepto como para el coeficiente de la variable PIB),
por lo que se opta por usar el modelo 2. El análisis del comportamiento del
modelo se establece en el cuadro 4.16.
4.30
Cuadro 4.16
Valores Predichos versus Observados Zona D
Modelo 2
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Pasajeros observados
81.242
106.608
114.859
120.397
143.279
162.594
183.334
204.128
249.492
281.997
Pasajeros estimados
88.697
98.389
109.969
125.424
148.266
157.080
175.588
208.864
256.706
278.369
Al analizar el gráfico con los valores observados y proyectados, es
posible verificar lo bien que se ajustan los datos con este modelo para esta
zona.
Figura 4.11
Zona D
300.000
250.000
200.000
Pas. Obs.
150.000
Pas Est.
100.000
50.000
0
1986
1987
1988
1989
1990
1991
Años
1992
1993
1994
1995
4.31
4.4.3 Especificación Alternativa
Como en general los modelos utilizados consideran la variable
explicativa PIB nacional, en este punto se analiza si existe alguna relación
entre la demanda internacional y la situación económica de los países con los
cuales se produce el intercambio de viajes, para este efecto se tomo como
variable dependiente el Producto Interno Bruto de las zonas de destino.
Se establecen modelos para cada una de las zonas estipuladas
anteriormente con formas funcionales similares a las ya definidas. Estos se
señalan a continuación:
Modelo 1:
T R A N S t,i = α ∗ P IB _ I N T E R
β
t
(4.14)
Este modelo supone que existe dependencia del PIB Internacional del
mismo período (t denota el periodo e i la zona). Al linealizar el modelo
presenta la siguiente forma:
ln T R A N S t,i = ln α + β * ln P IB _ I N T E R
t
(4.15)
Modelo 2:
T R A N S t, i = α ∗ P IB _ I N T E R
β
t−1
(4.16)
Ahora se supone dependencia del PIB Internacional del año anterior.
Linealizando el modelo se puede ver de la siguiente forma:
ln T R A N S
t, i
= ln α + β * ln P IB _ IN T E R
t−1
(4.17)
A continuación se muestra el PIB de cada zona utilizado en la
modelación. Para América Latina, se computó el producto de: Brasil,
Colombia, Perú y Venezuela; y para Resto del Mundo se utilizó el producto de
la Unión Europea; pues dicha área aporta la mayoría de los pasajeros del resto
del mundo. En el cuadro 4.17 se muestra el producto por zona.
4.32
Cuadro 4.17
Producto Interno Bruto por zona
Zona
Argentina1
USA2
Resto de América1
Resto del Mundo2
Producto Interno Bruto (cifras en miles de millones de US$)
1990
1991
1992
1993
1994
141
155
170
179
193
5.489
5.900
5.790
6.027
526
533
533
556
586
6.732
6.866
6.831
7.029
1995
183
6.149
612
7.201
Fuente: 1 Anuario Estadístico en América Latina.
2 Estadísticas de la organización para la Cooperación y el Desarrollo Económico (OCDE).
Los resultados que se obtuvieron en la modelación de los viajes entre
Santiago y las diferentes zonas comprendidas en el estudio, demuestran que
para Argentina, USA, y Resto de América los datos logran ajustarse en gran
forma a la recta estimada en cada uno de los modelos; además, se obtuvieron
valores para los estadístico t y F de Fisher lo suficientemente alto para
rechazar la hipótesis nula, y aceptar que son estadísticamente significativos.
En cambio, para la zona Resto del Mundo los modelos que se
regresaron no entregaron buenos resultados para la bondad de ajuste r2
ajustado (no existe una buena correlación entre la variable dependiente e
independiente); en cuanto a los estadísticos, los valores no son los
suficientemente altos como se desearía, por lo que estos modelos no podrían
ser de utilidad para la predicción a mediano y largo plazo de los viajes.
En general, se lograron buenos resultados ocupando como variable
independiente la situación económica de la zona de destino, por lo que se
consideró el hecho de ocupar como variables explicativas el PIB nacional y el
internacional. Además, se sabe que al agregar una variable explicativa se
mejora la correlación con la variable explicada (propiedad incremental de una
variable independiente), por lo que se procedió a regresar los modelos que
consideran el PIB nacional y el de la zona de destino como variables
explicativas de los viajes entre estos pares origen-destino. La forma funcional
del modelo que se estudia es:
α
β
Vij = γ * PIBnacional
* PIBint
ernacional
(4.18)
De los resultados que se obtuvieron, se puede destacar que la bondad
de ajuste de la regresión para los datos es alta, lo que era de esperar al
ingresar una nueva variable al modelo, aunque hay que señalar que algunos
signos no son los correctos. La prueba de F es significativa en los distintos
casos pero el estadístico t de alguno de los parámetros en los diferentes
4.33
modelos es no significativo, lo que puede evidenciar la existencia de
multicolinealidad. Para ver si esto es así, se realizó un análisis de la existencia
de dependencia entre las variables explicativas (PIB nacional e internacional).
A continuación se muestra un cuadro en el que se detalla la correlación entre
las variables explicativas.
Cuadro 4.18
Correlación simple entre
variables independientes
Zona
Argentina
USA
Resto de América
Resto del Mundo
Correlación
0,8516
0,9822
0.7857
0,7105
La alta correlación (r- cuadrado entre 0,7 y 1,0) que se encontró en las
diferentes zonas demuestran la existencia de multicolinealidad, lo que hace
imposible aislar el efecto individual del PIB nacional y del PIB internacional, se
une a esto que la multicolinealidad no permite una estimación confiable de los
parámetros ya que induce grandes varianzas de los estimadores e
indeterminación de estos.
En conclusión, se establece la incompatibilidad de ingresar al modelo la
variable PIB internacional, para representar la situación económica de los
países con los que se produce el intercambio.
4.34
4.5 Análisis del Efecto de las Tarifas en el Modelo Agregado
4.5.1 Consideraciones previas
Desde el punto de vista teórico las tarifas aéreas tienen incidencia en la
magnitud de la demanda y así lo demuestran una diversidad de estudios
desarrollados que han estimado dicho efecto, por lo tanto su inclusión en un
modelo contribuirá a mejorar el nivel explicativo de los mismos. La literatura
reporta estimaciones de elasticidad precio de la demanda por transporte aéreo
que están generalmente entre –0,4 y –0,7. No obstante en este trabajo se ha
intentado ajustar modelos que incluyen medidas de los índices tarifarios y se
ha identificado como una gran debilidad de los mismos las hipótesis utilizadas
para establecer la serie de evolución de las tarifas. La confiabilidad de los
modelos utilizados depende de cuán realista sean las hipótesis consideradas
para construir la información de entrada (nótese que no hablamos de datos).
La mayor dificultad de la información se genera al decidir los criterios
para elegir el índice de variación tarifaría adecuado para construir la serie.
Existen diversas fuentes para construir dichos índices:
a)
Las tarifas publicadas por las empresas durante el período de tiempo
que cubre la serie en estudio.
b)
Construir un índice basado en los Retornos Unitarios por Pas-klm
(RUP), denominado “yield” en la nomenclatura aérea, que obtienen las
empresas para tráficos específicos o a nivel de Sistemas de rutas.
La dificultad de la primera opción es la gran variedad de tarifas
existentes en los tarifados publicados para cada ruta y la variación que estas
sufren durante el año. Por ejemplo el tarifado de LAN a Miami para el mes de
Diciembre de 1996 mostraba más de 12 tarifas, de las cuales 8 son
especiales. Una solución para establecer índices comparables interanuales es
seleccionar una tarifa específica y normalizarla para adoptarla como
representativa del período. Sin embargo esta solución lleva implícita la
hipótesis de que existe una cierta proporcionalidad entre una determinada
tarifa y el resto de las opciones tarifarías, situación que no es efectiva pues
las tarifas se mueven independientemente lo mismo que la proporción de
asientos que se venden en cada categoría tarifaría es variable. La proporción
no es constante durante el año ni para diferentes años, pues los tipos de
tarifas ofrecidas por las empresas tiene que ver con las características
coyunturales del mercado en cada período e incluso con las características del
itinerario específico y aun el vuelo específico, debido a que la empresa debe
4.35
buscar en cada situación maximizar el retorno provisto por cada vuelo6.
Luego la tarifa a la cual se ve enfrentado cada pasajero puede llegar a ser
diferente y la composición tarifaría variar de año en año.
De acuerdo a lo anterior al tomar una tarifa específica normalizada se
está realizando un supuesto que podría originar errores importantes en la
estimación, aunque el modelo se ajuste adecuadamente desde el punto de
vista econométrico. La selección de los índices tarifarios adecuados requiere
tener un gran detalle de información que es difícil obtener externamente a las
empresas aéreas.
La segunda opción para construir los índices tarifarios, consiste en
observar los retornos promedio por pasajero por ruta, ello implica tener
idealmente los antecedentes contables de las empresas, información de muy
difícil acceso pues muchas veces es parte del secreto comercial.
En relación a la información sobre el retorno (RUP) se cuenta con
antecedentes publicados por la OACI7 para diferentes compañías y áreas de
mercado, en el cuadro 4.19 se muestran los valores del Retorno o ingreso por
pas-klm para diferentes compañías aéreas y áreas de mercado. No obstante
ésta información presenta también dificultades pues los Ingresos promedio
por pasajero son derivados de antecedentes sobre diversos tráficos que
tienen distintas y variables condiciones de mercado para la aerolínea, en tal
caso el índice no sería necesariamente representativo de un tráfico específico.
Segundo, que si bien es cierto el índice fuese representativo en cuanto a la
mezcla de tarifas subsiste el problema de las clases superiores (Primera,
Business y otras segmentaciones) que consiste en que cada vez hay una
mayor proporción del pasaje total en dichas clases (objetivo de muchas
compañías), ello obviamente tiene un efecto de crecimiento del Ingreso por
pasajero que distorsiona la serie de datos anuales.
En síntesis la opinión de estos consultores es de que la metodología
más confiable para estimar un modelo agregado se debería basar en una serie
temporal por tráfico que refleje la evolución del RUP en que se desglose la
composición tarifaria a lo menos por clase. Para estimar elasticidades precio
más confiables, probablemente se deberían utilizar modelos desagregados.
6
Esta metodología se denomina “Revenue Management” , que consiste en la gestión para
maximizar los ingresos producto de la mezcla tarifaría y el factor de utilización óptimo . Las
principales líneas aéreas cuentan con una gerencia de Revenue Management. Esta
problemática se apoya en programas computacionales como el PROS. ( Passenger Revenue
Optimization System)
7
OACI . International Civil Aviation Organization
Cuadro 4.19
Ingreso por pasajeros en servicios programados
Pasajeros por kilómetros
(Centavos de Dólar)
Aerolíneas
Servicio
Aerolíneas Argentinas Sistema
United
Sistema
América Latina
American
Sistema
América Latina
Lan Chile
Sistema
Ladeco
Sistema
Total
América Latina
Mundo
Fuente: ICAO - Montreal
1985
7,18
7,23
N/A
7,75
7,03
N/A
8,58
7,7
8,07
1986
6,26
6,82
N/A
6,96
6,82
8,54
8,7
7,43
8,26
1987
6,09
7,01
N/A
7,43
6,91
8,28
8,82
7,38
6,76
1988
9,02
7,61
N/A
8
7,43
8,67
5,82
8,23
9,35
1989
7,51
8,34
N/A
8,25
8,32
9,12
10,7
7,88
9,83
1990
N/A
8,61
N/A
8,68
8,59
9,69
10,27
8,95
10,15
1991
10,18
8,52
N/A
9
9,46
10,75
10,78
9,17
10,58
1992
9,27
8,31
8,24
8,41
10
10,64
11,82
9,7
10,19
1993
9,31
8,51
8,36
9,13
10,01
10
10,53
9,85
10,1
1994
9,36
7,71
8,47
8,92
10,26
N/A
10,44
10,21
10,05
1995
8,83
8,01
8,04
8,91
9,82
N/A
N/A
10,85
10,27
4.37
4.5.2 Evaluación de algunos modelos
Teniendo presente las limitaciones señaladas en el punto anterior se ha
desarrollado un ejercicio para probar la adecuación de algunos enfoques.
a)
Con el objeto de evaluar el eventual mejoramiento del nivel explicativo
del modelo al incluir las tarifas se procedió a incorporar esta variable en la
especificación del modelo agregado que incorpora el PIB.
TRANS t = α • PIBβt • INDARTtγ
(4.19)
donde:
TRANSt : Total de viajes internacionales en el periodo t
PIBt : PIB de Chile en el periodo t
INDTARt: índice tarifario correspondiente al periodo t.
Los datos utilizados son: Viajes Totales Internacionales e Indice
Tarifario Internacional cuya fuente es la serie utilizada en el estudio
desarrollado por la Unidad de Concesiones del MOP [4.2]. Dicho índice se
basa en la evolución interanual de las tarifas. Como es conocido existe una
gran variedad de tarifas en cada tráfico, por lo tanto es necesario establecer
un criterio de comparación, en el estudio citado se optó por considerar las
tarifas oficiales de clase económica para períodos comparables del año,
ponderando un conjunto de tráficos. El índice de tarifas se construyó
considerando moneda constante.
Los resultados obtenidos de la regresión son los que aparecen en el
cuadro 4.20.
Cuadro 4.20
Modelos Agregado con Indice de Tarifas
ln α
β
γ
r2 (aj.)
Valor F
Durb-Wat
coeficiente
-8,427009
1,673973
-0,693939
0,9908
487,665
1,777
error est.
3,431884
0,145618
0,290702
Valor t
-2,4555
11,4956
-2,3871
nivel de significancia
0,0438
0,0000
0,0484
4.38
De acuerdo al resultado se puede concluir que la inclusión del índice
tarifario es una buena alternativa, pues se obtiene en este caso un buen
modelo. Sin embargo, las dificultades en la determinación de un índice
tarifario representativo y realista es muy difícil dadas las complejas
estructuras tarifarias de las compañías, las que por lo demás son cambiantes
en función de la demanda. Dado el hecho de que es mas difícil conseguir u
obtener proyecciones mas o menos confiables del índice tarifario general , se
sigue recomendando utilizar el modelo que solo depende del PIB, del cual es
posible obtener buenas proyecciones.
b)
Incorporación de tarifas por ruta. Para la evaluación de este enfoque se
consideró la serie de tarifas de excursión en los tráficos a EEUU, Europa y
Buenos Aires vía LAN Chile. Es decir tráficos representativos de las zonas A,
B y D. Para la zona C (resto de América latina) no se realizó el análisis pues
los índices obtenidos no se consideraron representativos de toda la zona,
básicamente debido a la heterogeneidad de las rutas en cuanto a distancia y
condiciones de mercado.
Las tarifas adoptadas para el análisis corresponden a las tarifas de
excursión declaradas a la JAC para Diciembre de cada año. En el cuadro 4.21
se muestran dichas tarifas entre los años 1986 y 1996, para Buenos Aires,
Miami y Madrid. Con el objeto de realizar el análisis sus valores se deflactan
a pesos ($) de 1996 y se establece el índice de acuerdo a 4.20.
Indt,i =
Tarifa t,i
* 100
Tarifa1996,i
(4.20)
Donde:
Indt,i
Tarifat,i
Tarifa1996,i
: índice de tarifas para la zona i en el período t
: tarifa de excursión entre Santiago y la zona i en el período t
: tarifa de excursión entre Santiago y la zona i en el año 1996
A continuación se muestra gráficamente (Figura 4.12) la evolución del
índice de tarifas según las zonas señaladas.
4.39
Figura 4.12
Evolución Indice de Tarifas
Base 1996
220
200
180
INDICE
160
140
STGO-BAIRES
120
STGO-MIAMI
STGO-MADRID
100
80
1996
1995
1994
1993
1992
1991
1990
1989
1988
1987
1986
60
AÑO
Cuadro 4.21
Tarifas de Excursión
US$ de cada Año
Año
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
Buenos Aires
198
240
240
200
355
373
373
373
373
290
290
Miami
1.331
1.331
1.424
1.424
1.615
1.615
1.689
1.689
1.689
1.374
1.374
Madrid
1.497
1.663
1.697
1.697
2.001
2.101
2.118
2.118
2.047
1.837
1.892
Los resultados de la regresión efectuada para cada una de las zonas se
muestran a continuación.
4.40
Cuadro 4.22
Resultado de modelación
Zona A
ln α
β
γ
r2 (aj.)
Coeficiente
-29,6630
2,2654
0,2011
Error est.
2,5840
0,1534
0,1664
Valor t
Nivel de significancia
-11,4793
0,000001
14,7681
0,000001
1,2081
0,266230
0,9601
Valor F
Grad. Liber.
109,3789
9
Cuadro 4.23
Zona B
ln α
β
γ
r2
Coeficiente
23,6707
1,9107
0,0201
Error est.
4,8024
0,2344
0,2723
Valor t
-4,9288
0,001696
8,1495
0,000081
0,0741
0,074065
0,9625
Valor F
Grad. Liber.
116,6623
9
Cuadro 4.24
Zona D
ln α
β
γ
r2 (aj.)
Valor F
Grad. Liber.
Coeficiente
-24,8535
1,9320
0,0975
Error est.
3,8841
0,1839
0,2537
Valor t
-6,3987
0,000367
10,5057
0,000015
0,3843
0,384322
0,9693
143,3515
9
Como se puede apreciar en las tres zonas los datos se ajustan bastante
bien a la recta estimada (valores altos para el r2 ajustado), en cuanto a los
valores de los estadísticos t y F de Fisher se aprecia que en las estimaciones
para las tres zonas se obtienen valores altos para el F, pero en cambio el
estadístico t de la variable relacionada con el índice tarifario es no
significativo en cada uno de los casos. Con respecto a los niveles de
significancia de los diferentes parámetros, estos no son lo suficientemente
4.41
pequeños para rechazar la hipótesis nula de que el parámetro correspondiente
a la tarifa no influya. De esta forma se puede concluir que la variable Indice
Tarifario (en la forma que ha sido construido) no necesita ser considerada
para la estimación de los viajes internacionales entre Santiago y las zonas ya
mencionadas.
c) Utilización de los retornos por pas-km. Se presenta como alternativa utilizar
este indicador para evaluar un modelo de proyección, sin embargo al
examinar las series de datos que aparecen en el Cuadro 4.19, ver por ejemplo
los valores para el total de América Latina, se observa que en realidad el
indicador ha ido subiendo de año en año, lo cual es contraintuitivo en relación
a la percepción de que la demanda se ha incrementado debido a la baja en los
pasajes. Por ello, y tomando en consideración los test realizados, no se ha
considerado utilizar esta información para desarrollar un nuevo modelo.
4.6
Análisis de Correlación entre PIB y variables del turismo
En este tipo de estudio, una permanente pregunta es sobre que
variables pueden acompañar a los índices económicos de tipo general en las
relaciones que explican los viajes. Entre estas variables se encuentran algunos
indicadores del sector turismo. No puede desconocerse que variables
asociadas a la oferta del sector turismo identificadas a través de la serie de
Nº de Habitaciones y Camas hoteleras disponibles, la Inversión Privada en
turismo se pueden asociar a la demanda de viajes aéreos. Por ello, a
continuación se estudian las siguientes variables de la oferta y de los
resultados de la actividad turística (entre paréntesis aparece el nombre con
que se identificará cada una), y se estudia su correlación con el PIB para
investigar si estas variables aportan al nivel explicativo de los modelos.
•
•
•
•
•
•
•
•
Nº de camas (cam)
Nº de Habitaciones (hab)
Llegada de Turistas Extranjeros (Turext)
Salidas de Chilenos al Extranjeros (Salidas chi)
Inversión Turística Privada (Inversión)
Ingreso de Divisas por turismo receptivo (Divisas)
Pernoctaciones de extranjeros (Per ext)
Pernoctaciones de chilenos (Per chi)
4.42
Cuadro 4.25
Evolución de Indicadores de la Actividad Turística
TURISMO RECEPTIVO
1986
1987
1988
1989
1990
1991
1992
LLEGADAS DE TURISTAS EXTRANJEROS (Miles)
581,1
575,2
623,9
797,4
942,9 1349,1
INGRESO DE DIVISAS (Millones US$)
183,5
181,8
205,4
407,2
539,7
699,5
706,1
GASTO PROMEDIO DIARIO POR TURISTA (US$)
28,7
31,6
32,9
38,8
46,0
44,1
49,0
PERMANENCIA PROMEDIO (Días)
11,0
10,0
10,0
13,2
11,7
11,7
11,2
591,7
654,1
701,3
772,5
767,5
738,7
808,3
HABITACIONES (Miles)
20,7
22,1
22,4
23,9
23,5
25,8
31,0
CAMAS (Miles)
45,2
45,2
48,9
59,3
56,7
62,3
73,4
1283,3
TURISMO EMISIVO
SALIDAS DE CHILENOS AL EXTRANJERO (Miles)
ESTABLECIMIENTOS DE ALOJAMIENTO Y DEMANDA
PERNOCTACIONES DE EXTRANJEROS (Miles)
893,5 1008,4 1111,5 1371,9 1561,1 1968,1 1714,3 (e)
PERNOCTACIONES DE CHILENOS (Miles)
2083,8 2092,0 2303,6 2662,1 2611,0 2668,2 2865,2 (e)
INVERSION TURISTICA PRIVADA
TOTAL (Millones US$)
24,0
43,4
43,0
61,8
93,2
138,4
110,9
A continuación se presenta la matriz de correlación entre indicadores
de turismo y el PIB.
Cuadro 4.26
Matriz de Correlación entre indicadores de Turismo y PIB
PIB
PIB
1
Turext
Divisas
0,9249 0,9512 0,9096
Per chi Inversión
0,9726
0,9512 0,9807
Salidas Chi
0,9096 0,7163 0,8001
0,931
Per ext
0,8914
Divisas
1
0,8433 0,8382
0,931
cam
0,9771 0,9126 0,9627
0,9249
1
Hab
0,9807 0,7163 0,8433 0,8943 0,9676 0,8563
Turext
Hab
S. chi
0,8001 0,8382 0,9215 0,9716 0,9162
1
0,78
0,8747 0,7841 0,9491
0,78
1
0,9527 0,7516 0,8409
Cam
0,9771 0,8943 0,9215 0,8747 0,9527
Per ext
0,9126 0,9676 0,9716 0,7841 0,7516 0,8507
Per chi
0,9627 0,8563 0,9162 0,9491 0,8409
Inversión
0,8914 0,9726 0,9634 0,7268 0,7523 0,8191 0,9895 0,8256
1
0,958
0,9634
0,7268
0,7523
0,8507
0,958
0,8191
1
0,8819
0,9895
0,8819
1
0,8256
1
Al analizar esta matriz de correlaciones, se obtiene como conclusión
principal, que la hipótesis de que el PIB influye directamente en el total del
flujo de pasajeros en vuelos internacionales (y que es comprobada al realizar
regresión), tiene otro sustento: el PIB se correlaciona de muy buena forma
con variables como llegada de turistas extranjeros (0,9249), ingreso de
4.43
divisas (0,9512), gasto promedio diario por turista (0,9596), inversión total
turística privada (0,9627). Por ello, puede decirse que al considerar el PIB, se
está recogiendo también el efecto de estas variables.
Para construir esta matriz de correlación se utilizó una data de 7
observaciones para cada variable correspondientes al período 1986 y 1992;
el método utilizado es el de Pearson y es importante recordar que una
correlación perfecta entre dos variables está dada por valores +1 ó -1, y que
si no hay correlación, el coeficiente es 0.
4.7
Proyecciones de Mediano y largo Plazo
De los modelos establecidos en la sección 4.4 Proyección de Pasajeros
Internacionales por Zonas de Tráfico se obtuvo la proyección de los viajes
entre Santiago y las cuatro zonas internacionales establecidas en el Estudio (a
saber, Argentina, Estados Unidos, Resto de América y Resto del Mundo). Se
realizaron proyecciones según el modelo 1 y el modelo 2, que ocupan como
variable explicativa el PIB chileno del mismo año y el PIB rezagado
respectivamente.
Se utilizó como hipótesis base para el largo plazo la proyección del PIB
efectuada por GEMINES, la cual utiliza como supuesto base el crecimiento del
producto medio por trabajador junto con el crecimiento del empleo, lo que
determina la expansión del Producto Interno Bruto año a año. Esta proyección
es quinquenal para el período comprendido entre los años 2000 y 2010.
Con esta proyección como base, se trató de reproducir la existencia de
un período económico con lapsos de aceleración y desaceleración en el
crecimiento, que refleje el manejo de la política económica global y las
características en que se encuentra el país. De esta forma, se plantean tres
escenarios básicos con variaciones porcentuales del PIB: Base, Optimista y
Pesimista A. En atención a la evolución reciente de la denominada “crisis
asiática”, se ha introducido un nuevo escenario de proyección que castiga el
crecimiento de los próximos tres años, para posteriormente recuperarse. Ello
da origen a una proyección que denominamos “Pesimista B”. En el cuadro
4.27 se muestra la variación anual del PIB en los escenarios antes descritos.
4.44
Cuadro 4.27
Tasas de variación anual del PIB
Año
1996
1997
1998
1999
2000
2001
2002-2005
2006-2010
Base
7,20%
6,20%
6,00%
7,00%
5,20%
6,50%
6,50%
6,80%
PIB
Optimista Pesimista A Pesimista B
7,20%
7,20%
7,20%
6,20%
6,20%
6,20%
6,20%
5,40%
5,40%
7,00%
5,20%
3,50%
6,50%
5,00%
3,50%
6,50%
6,00%
3,50%
6,50%
6,00%
6,00%
6,80%
5,50%
5,50%
En el cuadro 4.25 se muestra la proyección de pasajeros para los años
2000 y 2010, utilizando el modelo 1 para Argentina y USA, y el modelo 2
para el Resto de América y Resto del Mundo, además se muestra en la figura
4.13 el crecimiento de los viajes, entre Santiago y cada una de las zonas, en
el período 1986-2010.
Cuadro 4.28
Proyección Pasajeros Internacionales
Hipótesis Base, Escenarios Optimista y Pesimista
Años 2000 y 2010
Zona
Argentina
USA
Resto de América
Resto del Mundo
TOTAL AMB
PIB Base
PIB Optimista
PIB Pesimista A
2000
2010
2000
2010
2000
2010
1.496.323 7.053.984 1.548.258 7.298.816 1.410.432 5.421.260
825.879 2.861.894 848.776 2.941.238 787.661 2.317.473
1.176.799 3.778.019 1.207.393 3.876.240 1.125.615 3.099.259
593.110 2.077.824 609.700 2.135.943 565.428 1.679.445
4.092.111 15.771.722 4.214.127 16.252.238 3.889.136 12.517.437
PIB Pesimista B
2000
2010
1.309.970
4.753.842
742.367
2.085.858
1.064.756
2.807.623
532.636
1.510.200
3.649.729 11.157.522
1997
1996
1995
1994
1993
1992
1991
1990
1989
1988
1987
1986
Año
0
Año
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
2000
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
2000
1999
1998
1997
1996
1995
1994
1993
1992
Año
1999
1998
1.500
1997
USA
1996
PIB Pesimista
1991
Argentina
1995
PIB Optimista
1994
PIB Base
1993
3.500
1992
0
1990
1.000
1991
2.000
1989
PIB Pesimista
1990
PIB Optimista
1988
4.000
1989
7.000
1987
4.500
1988
2.000
1986
8.000
1987
4.000
Pasajeros/año
PIB Base
Pasajeros/año
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
2000
1999
1998
Pasajeros/año
6.000
1986
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
2000
1997
1996
1995
1994
1993
1992
1991
1990
1989
1988
1987
1986
Año
1999
1998
Pasajeros/año
Figura 4.13
Crecimiento de Viajes Internacionales
Años 1986-2010
Resto de América
3.500
5.000
3.000
2.500
PIB Base
2.000
PIB Optimista
3.000
PIB Pesimista
1.500
1.000
500
0
2.500
Resto del Mundo
3.000
2.500
2.000
1.500
PIB Base
PIB Optimista
1.000
PIB Pesimista
1.000
500
500
0
4.46
4.8
Conclusiones Generales
Si bien es cierto en este capítulo se han analizado específicamente los
diferentes puntos de la metodología de proyección de viajes internacionales,
se considera relevante destacar algunos aspectos generales a nivel de
conclusión:
1)
Para los modelos agregados de los viajes internacionales, se probaron
como variables explicativas el PIB del año, el rezagado y los viajes del
año anterior, dando origen a diferentes modelos denominados 1, 2, 3 y
4, que se presentan entre las páginas 4.12 y 4.15.
El modelo en función del PIB es sencillo y el más confiable (sólo utiliza
como dato las proyecciones del PIB), el segundo modelo introduce el
supuesto de la existencia de un efecto rezagado del PIB del año
inmediatamente anterior sobre los volúmenes de tráfico de pasajeros
internacionales por AMB. Este modelo tiene buenos resultados y muy
similares a los que se obtienen utilizando el primer modelo. Esto es
lógico, pues durante los recientes años las tasas de crecimiento del PIB
han sido sostenidas y no fluctuantes por ende existe una estabilidad en
los parámetros que provoca una alta correlación entre las diferentes
variables.
Los modelos 3 y 4, son del tipo con rezago, es decir tienen como
variable explicativa a los pasajeros del año anterior. A pesar de que los
modelos son satisfactorios no es aconsejable su uso para proyectar, ya
que se puede producir una propagación de errores al tomar como
variable explicativa la variable que fue estimada para el año anterior.
2)
Como segundo enfoque se modeló el número de viajes en AMB
desagregando los destinos en cuatro zonas, a saber: E.E.U.U.,
Argentina, Resto de América y Resto del mundo. Se utilizó para cada
una de las zonas, dos modelos, uno de ellos que utiliza como variable
explicativa el PIB del año y otro en que se emplea el PIB rezagado. Se
escogió para las dos primeras zonas el modelo 1 (PIB del año del
mismo período), y para las otras dos restantes el modelo 2 (PIB
rezagado).
Se realizaron evaluaciones del modelo utilizando simultáneamente
ambas variables, (PIB contemporáneo y rezagado), pero se demostró
que en las diferentes zonas hay evidencia de multicolinealidad entre
ellas.
4.47
3)
En cuanto al empleo de las tarifas en los modelos de proyección, se
concluye que las dificultades para obtener variables adecuadas que
midan la verdadera evolución de las tarifas es el principal obstáculo
para su inclusión. Se concluye que las tarifas oficiales informadas no
son una base fidedigna de los niveles tarifarios reales y que la opción
mas confiable para construir los índices tarifarios, en opinión de estos
consultores, consiste en considerar los retornos promedio históricos
por pasajero por ruta (“yield”), sin embargo ello es posible sólo si se
cuenta con antecedentes contables de las empresas a nivel de rutas,
información no disponible al observador externo.
Se estudiaron diferentes enfoques incorporando las tarifas por ruta,
basados en los datos oficiales, ninguno de estos arrojó resultados
significativo, por lo cual no se aconseja su utilización en la etapa de
proyección de los viajes internacionales de AMB.
4)
En cuánto al tema de inclusión de otras variables en los modelos, se
comprobó que existe una gran correlación del resto de las variables con
el PIB. Este tiene una alta correlación con el resto de las variables
económicas en el largo plazo, y también presenta fuertes correlaciones
con otras variables tradicionalmente utilizadas para explicar la afluencia
de pasajeros aéreos, como son con la llegada de turistas al país,
ingreso de divisas, gasto promedio diario por turista, inversión privada
en turismo, número de habitaciones de hotel etc. Finalmente, se puede
concluir que la variable escogida para modelar el número de viajeros en
el terminal internacional es decir el PIB, recoge el efecto del resto de
las variables y que presenta la ventaja de su relativa simplicidad de
predicción.
5)
Los resultados de las proyecciones estudiadas afirman la convicción de
que las actualizaciones de las proyecciones de demanda deben
realizarse periódicamente, preferentemente
con una metodología
única.
6)
Con el objeto de realizar proyecciones más precisas se recomienda
establecer los procedimientos para recuperar la información sobre
características de los pasajeros discriminadas por tipos de usuarios,
nacionalidad de los mismos y motivos de viaje. Ello permitiría mejorar el
proceso de predicción. Por lo tanto y como recomendación se sugiere
que se desarrollen los sistemas y se asignen los recursos para tener en
el futuro una sistematización de esta valiosa fuente de información que
en la actualidad se genera en Policía Internacional, ello facilitaría la
4.48
aplicación de predicciones más certeras siguiendo el enfoque “bottomup” mediante proyecciones desagregadas.
5.1
5.
MODELO DE PROYECCION DE TRAFICO
INTERNACIONALES DE CORTO PLAZO EN AMB
5.1
Introducción
DE
PASAJEROS
Con el objeto de desarrollar un modelo predictivo de corto plazo y
estudiar el fenómeno estacional, se ha analizado la serie de tiempo mensual
para los pasajeros internacionales.
De acuerdo a la definición una serie de tiempo es una secuencia de
datos en función del tiempo. Si xt es el valor que toma la variable x en el
período t, entonces xt es una serie de tiempo. En nuestro caso, el número de
pasajeros internacionales mensual determina un valor xt en la serie de tiempo,
y la serie configura un proceso estocástico.
Luego la serie de datos mensual posee una tendencia (en este caso
creciente), una media para cada período (cada período tiene un valor
esperado) y una estacionalidad (hay ciertos peaks a intervalos regulares), y
será de la forma:
xt = f(Tt , Mt , St )+ εt
(5.1)
donde:
xt
Tt
Mt
St
εt
:
:
:
:
:
pasajeros internacionales en el período t
tendencia
media del período
estacionalidad.
error asociado a cada período
Para modelar la serie de tiempo se necesita que ésta sea estacionaria.
Es decir, hay que lograr eliminar de la serie la Tendencia, la Media y la
Estacionalidad.
5.2
Serie de Datos
La serie de datos a analizar corresponde al número de pasajeros
internacionales con relación a Chile. El cuadro 5.1 muestra los datos
mensuales desde el año 1986 hasta 1995. Para efectuar el análisis se
considerarán los datos a partir de 19901.
1
El método a usar es el de Box Jenkins, basta con utilizar alrededor de 60 datos para
trabajar bien.
5.2
Cuadro 5.1
Pasajeros mensuales 1986-1995
MESES
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
1986
63.883
53.701
55.128
44.837
43.875
43.905
57.807
56.572
55.676
48.876
53.470
66.999
1987
74.824
64.148
61.957
54.124
53.883
49.123
70.303
66.855
68.170
64.383
62.456
70.563
1988
79.845
73.355
76.831
63.014
63.778
71.756
79.674
69.213
72.017
66.170
70.420
82.756
1989
1990
98.544 96.614
83.894 84.242
81.000 88.011
70.260 77.452
67.173 73.542
66.835 68.236
90.503 89.380
81.505 88.820
82.956 96.621
76.683 87.062
72.357 94.705
84.900 109.069
1991
125.329
99.990
98.616
83.047
85.025
84.798
111.491
103.633
109.017
103.322
107.296
110.058
1992
128.533
118.102
109.277
97.365
100.058
89.935
118.639
109.952
117.942
112.022
108.432
120.215
1993
148.473
137.330
123.125
112.719
111.749
106.021
145.200
122.876
130.314
135.802
135.295
139.380
1994
187.558
167.241
152.625
126.710
123.015
124.315
176.593
153.803
163.264
170.098
169.043
174.445
1995
234.395
207.037
170.231
160.425
142.232
151.067
200.215
179.157
201.554
191.111
185.401
201.585
Al analizar los datos se observa una tendencia de crecimiento
sostenida. Además, existen ciertos meses en que el número de pasajeros
presenta peaks. Estos meses peaks se repiten año a año marcando la
existencia de estacionalidad. En la figura 5.1 se muestran los peaks de
estacionalidad. El más importante se produce en Enero, luego en Julio se
presenta un peaks menos pronunciado, lo que se explica fundamentalmente
por los períodos vacacionales.
Figura 5.1
Número de Pasajeros Internacionales por Mes (1990-1995)
200
1990
1991
150
1992
1993
100
1994
1995
50
Mes
e
O
ct
ub
re
N
ov
ie
m
br
e
D
ic
ie
m
br
e
br
to
pt
ie
m
os
Se
Ag
lio
Ju
Ju
ni
o
M
ay
o
ril
Ab
M
ar
zo
Fe
br
er
o
0
En
er
o
250
5.3
En la figura 5.2 se observa la tendencia y la estacionalidad. Además,
como puede verse la serie presenta heterocedasticidad (las variaciones entre
meses van creciendo a medida que pasa el tiempo).
Figura 5.2
Serie de Tiempo para Pasajeros Internacionales (1990-1995)
250.000
Pasajeros
200.000
150.000
100.000
50.000
Oct-95
Jul-95
Abr-95
Ene-95
Oct-94
Jul-94
Abr-94
Oct-93
Ene-94
Jul-93
Abr-93
Oct-92
Ene-93
Jul-92
Abr-92
Oct-91
Ene-92
Jul-91
Abr-91
Ene-91
Jul-90
Oct-90
Abr-90
Ene-90
0
Mes
5.3
Modelación de la Serie de Tiempo
De lo expuesto anteriormente, para obtener un modelo que permita
hacer proyecciones de corto plazo, se debió desarrollar un análisis de la serie
de tiempo [5.1], para así lograr que esta sea estacionaria, eliminando la
tendencia, la media y la estacionalidad.
El primer paso para lograr la serie estacionaria es hacer que ésta pierda
la heterocedasticidad. Luego de estudiar qué funciones podrían presentar
varianzas iguales, se llegó a la transformación yt = ln xt, obteniéndose una
serie claramente homocedástica, pues no presenta aumentos de variabilidad
en el tiempo.
5.4
Figura 5.3
Estacionalidad del proceso ln pasajeros
12,4
12,2
ln Pasajeros
12
11,8
11,6
11,4
11,2
11
10,8
10,6
Jul-95
Abr-95
Ene-95
Oct-94
Jul-94
Abr-94
Oct-93
Ene-94
Jul-93
Abr-93
Ene-93
Oct-92
Jul-92
Abr-92
Ene-92
Oct-91
Jul-91
Abr-91
Oct-90
Ene-91
Jul-90
Abr-90
Ene-90
10,4
Mes
Esta nueva serie presenta una tendencia lineal. Para eliminarla se optó
por hacer la diferencia wt = ∇1 (yt) = yt - yt-1 , que permite obtener una serie
que efectivamente no presenta tendencia y con media total cero, tal como
puede apreciarse en la figura 5.3:
Figura 5.4
Proceso sin Tendencia ni Media
0,4
0,3
0,2
0,1
-0,1
-0,2
-0,3
70
67
64
61
58
55
52
49
46
43
40
37
34
31
28
25
22
19
16
13
10
7
4
1
0
5.5
Para obtener una serie estacionaria se elimina la estacionalidad que aún
presenta la serie wt . Se optó por la serie zt=wt -wt-12 (dado que la
estacionalidad esta presente cada doce meses). El resultado es que zt
efectivamente es estacionario:
Figura 5.5
Proceso sin Tendencia ni Estacionalidad
0,15
0,1
0,05
58
55
52
49
46
43
40
37
34
31
28
25
22
19
16
13
10
7
4
1
0
-0,05
-0,1
-0,15
Finalmente, el modelo a estudiar es la serie zt = ∇1 ∇12(ln xt), que en este
caso se puede expresar como:
zt = ∇1∇ 2 ( y1 ) = yt − yt −1 − yt −12 + yt −13
(5.2)
200
1990
1991
150
1992
1993
100
1994
1995
50
Mes
Ag
os
to
Se
pt
ie
m
br
e
O
ct
ub
re
N
ov
ie
m
br
e
D
ic
ie
m
br
e
Ju
lio
Ju
ni
o
M
ay
o
Ab
ril
M
ar
zo
Fe
br
er
o
0
En
er
o
Pasajeros (cifrasn miles)
250
5.6
La modelación se realizó [5.2] como un ARIMA (0,1,1)x(0,1,1)12 (se
diferenció una vez para sacar la tendencia y se diferenció con orden 12 para
eliminar la estacionalidad). Se hace el supuesto que no tiene parte
autorregresiva2. Debe recordarse que el proceso yt corresponde a una
transformación del original, luego para obtener xt debe hacerse la
transformación inversa, en este caso, xt = exp (yt).
Al obtener los valores de las constantes por métodos de estimación
estadística que son los ocupados por Box y Jenkins, se llega a la siguiente
ecuación, mediante la cual es posible construir estimaciones:
xt = exp( yt −1 + yt −12 − yt −13 + at − 0,68822 * at −1 − 0,47575 * at −12 + 0,3274 * at −13 ) (5.3)
Ocupando la transformación yt=ln xt se puede expresar según:
xt =
xt −1 * xt −12
exp(at − 0,68822 * at −1 − 0,47575 * at −12 + 0,3274 * at −13 )
xt −13
(5.4)
Donde xt representan el valor que toma la variable en el periodo t, y los
at representan los errores obtenidos para cada período, esto es, el valor
observado para el periodo t menos el valor estimado.
Para efectos de cálculo se asume que los valores de la variable para
períodos anteriores a enero de 1990 es cero, lo mismo que los errores (se
necesita un punto de partida). De esta forma se hace un pronóstico de cero
para el mes de enero de 1990 y se obtiene un error igual a xt. Luego se
comienza a calcular el valor de las predicciones para cada mes, las que se
van aproximando rápidamente a valores muy cercanos a los observados
dando valores de at muy pequeños. La serie de tiempo trabaja con la historia
pasada de la variable, pero le da más importancia a lo más reciente y va
“olvidando” lo que pasó en un período muy lejano3. Los resultados obtenidos
en cuanto a la estacionalidad al proyectar el modelo para 1996 se muestran
en cuadro 5.2.
2
Para concluir la forma ARIMA (0,1,1)x(0,1,1)12 se realizó el estudio de la funciones de
autocorrelación simple y de autocorrelación parcial. El detalle de estos conceptos puede
buscarse en algún libro de estadística o econometría.
3
Por ello no trae complicaciones trabajar con condiciones iniciales nulas.
5.7
Cuadro 5.2
Estacionalidad Año 1996
Pasajeros Predichos
127,1
112,4
96,8
86,8
80,4
81,4
109,0
96,1
104,3
101,7
99,1
104,8
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Pasajeros Efectivos
Diferencia (%)
128,6
-1,1%
119,9
-6,2%
97,5
-0,8%
83,4
4,2%
80,2
0,2%
81,7
-0,3%
102,6
6,3%
95,4
0,7%
104,1
0,2%
98,7
3,0%
101,0
-1,8%
107,0
-2,0%
En la figura 5.6 se muestra el gráfico de la serie, entre los años 1990 y
1995, y la predicción para 1996:
Figura 5.6
Serie de Tiempo de los ln pasajeros
Años 1990-1995, predicción 1996
13
12,5
Valor
12
11,5
11
10,5
Sep-96
Ene-96
May-96
Sep-95
May-95
Ene-95
Sep-94
Ene-94
May-94
Sep-93
Ene-93
May-93
Sep-92
May-92
Ene-92
Sep-91
Ene-91
May-91
Sep-90
Ene-90
May-90
10
Mes
La homocedasticidad se sigue cumpliendo y los valores predichos se
ajustan muy bien a la tendencia y estacionalidad. Presenta el mismo peak en
enero.
5.8
Al hacer la transformación para volver a la serie original debemos
observar que es heterocedástica y que la tendencia de crecimiento es no
lineal como en este caso. Es justamente lo que se obtiene (ver figura 5.7):
Figura 5.7
Serie de Tiempo de los Pasajeros
Años 1990-1995, Proyección 1996
350.000
300.000
Pasajeros
250.000
200.000
150.000
100.000
50.000
Sep-96
May-96
Ene-96
Sep-95
Ene-95
May-95
Sep-94
May-94
Ene-94
Sep-93
May-93
Ene-93
Sep-92
Ene-92
May-92
Sep-91
May-91
Ene-91
Sep-90
Ene-90
May-90
0
Mes
5.4 Conclusiones
a)
El número de pasajeros internacionales con respecto a Chile puede
considerarse como una serie con tendencia exponencial y con un
comportamiento repetitivo cada 12 períodos (estacionalidad). Al
modelar la variable como una serie de tiempo se hace el supuesto de
que lo que pasa en el presente está influido por lo que pasó en el
pasado.
b)
Para hacer predicciones puede utilizarse el método de Box - Jenkins de
series temporales, con las transformaciones mencionadas. Este
requiere de alrededor de 60 datos para poder estimar buenas
predicciones a corto plazo.
c)
El análisis de serie de tiempo no es útil para predecir a largo plazo,
tampoco es útil para predecir la tendencia cuándo existen cambios
5.9
abruptos no sistematizados. Tal es el caso de 1996 en que el tráfico venía
creciendo a una tasa promedio de más de 18% y cayó al 8.5%.
d)
El modelo propuesto en la ecuación (5.4) es adecuado para realizar
predicciones de corto plazo con el objeto de utilizar las decisiones de
tipo táctico – operativo.
6.1
6.
PROYECCIÓN DE MATRICES DE VIAJE EN VUELOS NACIONALES.
6.1
Introducción
En el presente capítulo se analiza un enfoque para la determinación de
la demanda por transporte aéreo interzonal a nivel nacional.
La metodología a usar contiene las dos etapas tradicionales para
determinar la matriz de viajes a nivel nacional: una de generación y atracción
de viajes en la cuál se intenta identificar un modelo lineal que explique con
cierta confiabilidad la fase de producción de viajes, y una segunda etapa en
que se aplica un enfoque iterativo para obtener la distribución de los viajes.
Al tratar de establecer una metodología para las proyecciones de
demanda por transporte, es necesario seleccionar un conjunto de variables
que expliquen, ya sea a nivel agregado o desagregado dicha demanda. Luego
parte del problema está en determinar cuáles son dichas variables y de qué
forma influyen en la toma de decisiones a nivel individual y según propósito.
En el caso del transporte aéreo no existen adecuadas estadísticas como para
estratificar los propósitos históricos de viaje, además las encuestas puntuales
no permiten extrapolar ni al resto del año ni a años anteriores. La escasa
evidencia con que se cuenta señala una gran variabilidad en la composición
del tipo de viajes por propósito dependiendo de la fecha y estación del año.
Debido a que la información no es suficiente para realizar una estratificación
por propósito se procederá a evaluar una estimación agregada por zona.
Las zonas O-D se han asimilado a las regiones en las cuales se localiza
el aeropuerto. Las zonas se modelan como puntos en una matriz origendestino: vij, donde v es el flujo (viajes o pasajeros por unidad de tiempo), i es
el origen y j es el destino.
En cuanto a la dimensión temporal se ha adoptado la convención de
considerar los viajes anuales.
Generación. En el estudio de la generación de viajes se analizan las
características zonales para predecir los vi de la matriz origen-destino; es
decir, se busca el total de viajes originados en la zona i, identificados como
O i.
6.2
Atracción El proceso de atracción de viajes pretende determinar los Vj,
es decir, aquellos viajes que tienen como destino la zona j, o bien, Dj . La
capacidad de una actividad de atraer viajes depende del propósito al cual
estén asociados, no obstante en la metodología se trataran agregadamente.
Distribución Los procesos de generación y atracción determinan los Oi
y Dj. En términos de la matriz, un modelo de generación de viajes produce las
sumas totales de filas y columnas:
Lo que hace el modelo de distribución es “llenar” la matriz de origen
destino, dado los totales de viajes originados y atraídos por cada zona.
En otras palabras, se busca la forma en que se distribuyen los totales
de viajes originados o con destino en cada zona sobre cada vij .
Figura 6.1
Resultado del Modelo de Distribución
j
1
1
O1
v11 v12 . . . . . . . . . . . . . . . .v1n
vij
i
n
n
Oi
vn1 . . . . . . . . . . . . . . . . . . . .vnn
D1
Dj
Dn
On
V
Tenemos que V es el total de viajes realizados y se cumple que :
∑j Dj = ∑i Oi = V
con las siguientes restricciones:
∑i vi j = Dj
∑j vij = Oi
(6.1)
(6.2)
(6.3)
De los diferentes modelos de distribución se utilizará el de tipo
gravitacional visto como un problema multiproporcional [6.1], ello en base a
la simplicidad que presentan frente a los de entropía1. Los modelos
1
Este modelo busca la matriz origen-destino con mayor probabilidad o máxima entropía, y es
muy usado en flujos vehículares. (Wilson, 1971)
6.3
gravitacionales en general presentan un esquema bastante sencillo. En un
principio se consideraban ecuaciones de la forma:
Vij =
K •P i•Pj
dnij
(6.4)
donde P representa la población de la zona y d la distancia. Posteriormente se
hicieron mejoras, formulándose a partir de atracciones y producciones:
Vij =
K •Oi •D j
dnij
(6.5)
Sin embargo, estos modelos no cumplen con las restricciones
fundamentales mencionadas anteriormente [6.2]. Por ello hoy día se trabaja
con modelos gravitacionales modificados que se ajustan mejor a los datos y
que cumplen las restricciones. Uno de ellos es conocido como la formulación
del BPR:
Oi •D j • K ij • Fij
Vij =
∑ D j • K ij • Fij
j
donde Kij es un factor de ajuste y Fij es una función de costo: separación
espacial.
En nuestro caso se intentó incluir el factor de regresión espacial
utilizando las tarifas de vuelos nacionales en un modelo como el gravitacional
simple o un entrópico2, no obstante los resultados no fueron conclusivos,
debido a que no se logro la convergencia.
2
Recordar que al derivar la forma analítica del modelo que maximiza la entropía de un
sistema, se obtiene un modelo de la forma: Vij=AiOiBjDjexp(-βCij), que es equivalente a un
modelo gravitacional doblemente acotado.
6.4
6.2
Modelación
Para el análisis del tráfico o flujo de pasajeros de vuelos nacionales
entre distintas ciudades se consideran las siguientes zonas (distribución
espacial):
Figura 6.2
Definición de Zonas y ejemplificación de la notación a usar
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Arica
Iquique
Calama
Antofagasta
Copiapó
El Salvador
La Serena
Santiago
Concepción
Temuco
Puerto Montt
Osorno
Valdivia
Balmaceda
Coyhaique
Punta Arenas
vStgo-Arica
DValdivia
OPta.Arenas
Al considerar estas 16 zonas, se obtiene una matriz de 16x16, es
decir, hay 256 pares origen-destino, aunque las estadísticas no acusan viajes
entre una proporción importante de pares O-D. Los viajes entre cada uno de
estos pares los anotaremos vij.
El total de demanda generada por una zona i lo denominamos Oi . El
total de demanda atraída por una zona j lo llamamos Dj,.
Para operacionalizar esta red zonal se considerarán períodos anuales.
Se considera la información de los años 1990 hasta 1994 y con ello se
efectúan las inferencias para años siguientes.
6.5
La razón de considerar esta serie corta se fundamenta en que para los
años previos se produce un quiebre de la tendencia introduciendo a priori un
elemento de potencial error en las proyecciones. El modelo a efectuar consta
de dos etapas: generación-atracción y distribución.
6.2.1 Etapa 1: Modelos de Generación - Atracción
Existen distintos modelos para la generación-atracción de viajes, entre
ellos se ha seleccionado el de regresión. El modelo a ocupar en este trabajo
es del tipo lineal (regresión) utilizando mínimos cuadrados ordinarios. Resulta
necesario, entonces, determinar qué variables explican satisfactoriamente el
comportamiento de la variable dependiente. En el caso del transporte aéreo se
ha comprobado que la existencia de variables que determinan en forma
correcta el número de viajeros [6.3], entre estas se encuentran variables
económicas de la región de interés, factores demográficos, competencia entre
transporte aéreo y otros medios de transporte.
La modelación de generación de viajes se basa en encontrar los
factores que influyen en ésta y en que forma lo hacen. Como determinante
del transporte aéreo (generación) se presenta el ingreso individual de cada
pasajero, por lo que se analizó tomar como variable independiente el PIB de la
región donde se origina el viaje. Además, se probó la factibilidad que la
población fuera una variable explicativa. El resultado del ejercicio mostró a
ambas variables significativas, pero no fue factible unirlas en un solo modelo
ya que presentan correlación entre ellas.
Para modelar la atracción, resultó como factor de mayor influencia el
PIB de la zona de destino. En general, puede verse que el PIB es una buena
variable explicativa de la demanda por transporte aéreo, básicamente por ser
un índice que esta correlacionado con la mayoría de las variables
socioeconómicas usualmente utilizadas como variables independientes, tal
como se demuestra en el capítulo 4.
Sin duda, las variables seleccionadas no son las únicas que explican
bien el comportamiento de la producción y atracción de viajes personales, sin
embargo dado que se trabajará con los datos de sólo 4 períodos (19911994), conviene no utilizar muchas variables para lograr un modelo eficaz.
Por otra parte al introducir las variables comunes en este tipo de modelos y
generalmente correlacionadas, es decir las asociadas a la distancia y tarifas
los modelos no explican adecuadamente los flujos.
6.6
De acuerdo a lo anterior se han evaluado para todas las ciudades un
modelo dependiente de los PIB regionales y otro de la población regional y
uno de acuerdo a las dos variables independientes.
Las limitaciones de información impiden discriminar entre viajes
originados en el lugar de residencia y viajes de retorno, ello habría permitido
investigar la relación entre generación de viajes y variables locales más
precisas. En tal caso la generación de viajes podría asociarse a característica
de los hogares y la población, y la atracción a características zonales,
pudiendo de esta manera modelar separadamente, en ambos sentidos, los
flujos entre aeropuertos.
Por lo tanto lo que se modela son viajes redondos entre aeropuertos,
en tal caso la matriz de viajes anuales es prácticamente simétrica (en la
práctica el número de pasajeros embarcados es similar al de los
desembarcados).
Finalmente, se puede señalar de los modelos analizados:
a) tráfico aéreo en función de Población y PIB regional en forma
simultánea. Este modelo de regresión múltiple entrego un muy bajo
nivel de significancia y correlación entre ambas variables.
b) Modelo “cross section” utilizando información económica zonal,
resulto con un bajo nivel explicativo. Este resultado puede deberse a
que la composición del PIB regional es muy diferente entre regiones.
c) Modelos de generación por zona, utilizando regresión simple, en el
que se realizan separadamente asociaciones entre los viajes y el PIB
regional, y los viajes y la población regional.
6.2.2.1 Modelo de Generación
Para estimar la generación de viajes se estimaron diferentes modelos
de acuerdo a las variables explicativas y sus formas funcionales asociadas.
Las variables independientes que se consideraron son el PIB regional y la
población regional, tanto en forma independiente como en conjunta. La forma
funcional es del tipo:
Oi ,t = αi POBi,t
β
Oi ,t: Viajes producidos (generados) en la zona i en el período (año) t
POBi,t: POB regional correspondiente a la ciudad i en el año t.
αi,βi: variables a determinar (dependen de la zona)
(6.6)
6.7
Este modelo puede linealizarse aplicando logaritmo:
ln Oi ,t = ln αi + βi ln POBi,t
(6.7)
Los datos utilizados para estimar el modelo son los viajes generados
por los aeropuertos y la población de la Región (Cuadro 6.2) donde se
encuentra el aeropuerto. En el Cuadro 6.1 se presentan los pasajeros
embarcados en cada aeropuerto.
Cuadro 6.1
Viajes Generados en Aeropuertos
(Pasajeros embarcados)
Ciudad
1991
1992
1993
1994
Arica
52.908
75.105
100.215
99.403
Iquique
67.742
100.139
140.813
149.599
Antofagasta
61.074
80.003
103.650
129.854
Calama
18.564
26.147
30.995
29.547
Copiapó
10.165
10.439
17.520
26.912
4.943
5.502
5.444
6.344
11.001
18.751
33.664
54.444
350.162
452.483
571.406
682.521
Concepción
84.954
105.958
131.779
149.706
Temuco
27.902
35.046
42.120
63.076
Puerto Montt
78.094
99.484
118.556
133.381
313
4.084
8.908
13.955
Valdivia
5.372
7.341
11.784
18.108
Balmaceda
9.641
16.162
19.026
21.021
Coyhaique
20.344
25.905
26.576
28.388
Punta Arenas
55.737
68.202
88.938
97.657
8.990
9.389
8.935
19.913
El Salvador
La Serena
Santiago
Osorno
Otras
Fuente: JAC
6.8
Cuadro 6.2
Población Regional
Región
Primera
Segunda
Tercera
Cuarta
Quinta
R.M.
Sexta
Séptima
Octava
Novena
Décima
Undécima
Duodécima
Total
1991
1992
1993
1994
338.034
345.172
352.340
359.412
409.287
416.235
423.203
430.087
229.280
234.564
239.865
245.097
501.425
510.226
519.061
527.778
1.385.289 1.406.496 1.427.793 1.448.806
5.233.153 5.336.478 5.440.280 5.542.660
693.213
704.299
715.430
726.414
833.942
843.566
853.238
862.775
1.735.264 1.759.382 1.783.613 1.807.513
783.567
794.377
805.229
815.941
952.431
965.711
979.042
992.195
80.554
82.384
84.221
86.037
144.287
146.074
147.872
149.640
13.319.726 13.544.964 13.771.187 13.994.355
Fuente: INE, Estimaciones de Población
En el gráfico adjunto se observa el comportamiento de los viajes
originados en ciertas ciudades que caracterizan el mercado.
Figura 6.3
Generación de Viajes por Ciudad y Año
700.000
600.000
Pasajeros
500.000
ARICA
LA SERENA
400.000
SANTIAGO
300.000
CONCEPCION
200.000
COYHAIQUE
100.000
0
1991
1992
1993
Año
1994
6.9
Aplicando regresión lineal al modelo especificado en la expresión (6.7)
con mínimos cuadrados ordinarios se obtienen los siguientes resultados:
Cuadro 6.3
Resultados de regresión de mínimos cuadrados
Modelo de generación
Variable explicativa Población
Ciudad
Arica
Iquique
Antofagasta
Calama
Copiapó
El Salvador
La Serena
Santiago
Concepción
Temuco
Puerto Montt
Osorno
Valdivia
Balmaceda
Coyhaique
Punta Arenas
Parámetro
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
Estimación
-125,3438
10,705771
-158,50343
13,329261
-186,15725
15,259394
-113,01229
9,513399
-181,09365
15,408939
-32,337176
3,30923
-404,32934
31,514529
-167,79318
11,672177
-191,32794
14,108694
-253,817
19,4539
-168,69447
13,074223
-1225,4551
89,497271
-406,90719
30,177987
-119,92004
11,437693
-42,96802
4,686636
-179,70299
16,048143
Valor t
-3,5046
3,82
-4,8339
5,1877
-43,1196
45,7621
-2,376
2,5896
-4,1737
4,3952
-2,7076
3,4293
-46,2049
47,3612
-18,9461
20,4275
-12,1333
12,8725
-7,2273
7,5292
-8,9673
9,582
-3,5234
3,5469
-15,9657
16,3254
-3,4616
3,7407
-2,5605
3,1643
-8,0055
8,5061
Nivel de Sign. r-cuadrado (aj)
0,0727
0,82192
0,0622
0,0402
0,8962
0,0352
0,0005
0,9986
0,0005
0,1407
0,6554
0,1223
0,0529
0,8593
0,0481
0,1136
0,782
0,0755
0,0005
0,9987
0,0004
0,0028
0,9928
0,0024
0,0067
0,9821
0,006
0,0186
0,9489
0,0172
0,0122
0,968
0,0107
0,072
0,7942
0,0711
0,0039
0,9888
0,0037
0,0743
0,82124
0,0646
0,1246
0,7503
0,087
0,0152
0,9597
0,0135
F
14,5926
D-W
2,115
26,9124
2,131
2094,17
2,085
6,70606
2,004
19.3181
2,378
11,7599
3,214
2243,09
3,176
417,282
2,050
165,702
2,224
56,6887
2,416
91,8148
2,003
12,5804
2,128
266,517
2,429
13,9925
2,132
10,0126
2,438
72,35
2,715
6.10
Como se menciono anteriormente el PIB es intuitivamente mejor a la
población al utilizarlos como variables descriptivas de los viajes aéreos. Los
resultados arrojados de la modelación de la generación de viajes utilizando el
PIB como variable independiente se muestran a continuación:
Cuadro 6.4
Modelo de generación
Variable explicativa PIB
Ciudad
Arica
Iquique
Antofagasta
Calama
Copiapó
El Salvador
La Serena
Santiago
Concepción
Temuco
Puerto Montt
Osorno
Valdivia
Balmaceda
Coyhaique
Punta Arenas
Parámetro
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
ln α
β
Estimación
-12,5922
1,9988
-17,8122
2,4628
-27,4043
3,0596
-14,2066
1,9207
-37,0266
4,1272
-2,0382
0,9431
-64,3665
6,3571
-3,6603
2,0426
-12,4812
1,8407
-19,4675
2,5849
-11,4692
1,8987
-144,4013
12,5776
-44,8793
4,4553
-14,7977
2,4283
0,5013
0,9557
-4,6717
1,3467
Valor t
-2,3880
4,5279
-3,5281
5,8264
-4,7163
6,6798
-1,4218
2,4385
-1,8896
2,3803
-0,5232
2,7359
-8,3489
9,6618
-5,1977
24,1902
-3,6591
7,0768
-2,2351
3,4522
-2,2361
4,4910
-2,3248
2,4565
-5,3167
6,4030
-1,4693
2,4294
0,1017
1,9554
-1,0976
3,7375
Nivel de Sign.
0,13954
0,04547
0,07179
0,02822
0,04213
0,02168
0,29101
0,13495
0,19930
0,14030
0,65299
0,11165
0,01404
0,01054
0,00008
0,00000
0,06723
0,19380
0,15495
0,07463
0,15483
0,04617
0,14565
0,13333
0,03360
0,02353
0,27940
0,13570
0,92821
0,18971
0,38689
0,06471
r-cuadrado (aj)
0,8666
F
20,5027
0,9165
33,9474
0,9356
44,6204
0,6225
6,9446
0,6086
6,6670
0,6837
7,4854
0,9685
93,3499
0,9733
585,1664
0,9423
50,0822
0,7844
11,9182
0,8647
20,1691
0,6266
6,0346
0,9302
40,9989
0,6204
6,9024
0,4848
3,8235
0,8121
13,9694
6.11
Se puede destacar que en general se obtienen buenos estadísticos, hay
ciudades con r-cuadrado muy buenos, y con valores F altos, lo que implica
que el modelo es correcto. Notar por ejemplo el caso de Santiago (r-cuadrado:
0,9733, el modelo explica el 97,33% de las variaciones). Además, se puede
apreciar que los niveles de significancia son lo suficientemente bajos, en la
mayoría de los casos, para rechazar la hipótesis nula.
Como es posible apreciar, existen zonas que presentan una mejor
bondad de ajuste ocupando el modelo con la Población como variable
explicativa, por lo que se estimó un modelo que tomara como variables
explicativas el producto de la zona y la población, basado en el aumento que
tiene la bondad de ajuste al incluir una variable independiente (propiedad
incremental de incluir una variable explicativa a un modelo). Así, el modelo es
de la siguiente forma:
Oi ,t = αi POBβi,t ∗PIBγi,t
(6.8)
Al regresar los datos al modelo linealizado, no se obtuvieron resultados
adecuados para ser utilizados en la proyección, debido a que las variables
presentaban correlación, lo que se traduce en la imposibilidad de aislar los
efectos individuales de las variables independientes.
Luego no resulta conveniente aplicar el modelo que incluye ambas
variables, por lo que en la proyección se utilizó las elasticidades entregadas
por los modelos que consideran el PIB como variable explicativa, basado en
que es la más representativa de los viajes producidos en el transporte aéreo.
6.2.1.2 Modelo de Atracción
Debido que el PIB es un buen explicativo de los viajes aéreos se tomo
como variable independiente en la modelación de las atracciones de las
diferentes zona. La forma funcional es la que se expresa a continuación:
Dj ,t = γj PIBj,t
δ
j
(6.9)
Dj,t
: viajes atraídos por la zona j en el período (año) t
PIBj,t : producto interno bruto regional correspondiente a la ciudad j en el año
t
γj,δj : variables a determinar (dependen de la zona).
Este modelo puede linealizarse aplicando logaritmo:
6.12
ln Dj ,t = ln γj + δj ln PIBj,t
(6.10)
Para poder estimar los parámetros del modelo anterior se utiliza el
número de viajes atraído en cada una de las zonas (ver siguiente cuadro) y el
PIB regional.
Cuadro 6.5
Número de viajes atraídos
1991
51.652
67.420
61.416
17.372
10.256
5.143
10.987
355.886
84.776
25.802
78.578
283
5.261
8.833
19.394
55.712
8.675
Arica
Iquique
Antofagasta
Calama
Copiapó
El Salvador
La Serena
Santiago
Concepción
Temuco
Puerto Montt
Osorno
Valdivia
Balmaceda
Coyhaique
Punta Arenas
Otras
1992
73.365
100.982
79.186
24.632
10.134
5.573
18.239
459.991
105.277
33.771
100.553
3.835
6.798
15.292
24.553
68.380
9.268
1993
94.482
145.344
102.553
28.827
16.630
5.900
32.986
581.860
131.690
40.081
120.119
8.752
11.634
17.362
25.444
87.836
8.827
1994
95.007
155.103
126.772
29.328
25.254
6.101
54.034
696.577
146.919
61.498
134.143
13.403
17.257
20.462
26.684
98.848
19.003
1995
117.572
198.934
156.584
36.508
27.945
6.478
82.706
863.380
168.989
67.160
155.957
44.897
22.830
25.023
28.963
107.022
Cuadro 6.6
PIB Regional (millones de pesos de 1986)
PIB Regional
Primera
Segunda
Tercera
Cuarta
Quinta
Metropolitana
Sexta
Séptima
Octava
Novena
Décima
Undécima
Duodécima
1991
131.198
289.155
70.939
108.367
397.111
1.853.863
207.054
185.353
429.243
99.083
164.561
20.974
116.391
1992
141.620
303.012
79.994
115.996
423.096
2.080.761
228.128
211.066
457.223
103.825
171.461
21.792
114.999
1993
169.987
345.334
85.005
131.304
490.098
2.192.651
275.362
215.377
542.687
122.471
200.589
25.830
153.792
1994
177.208
360.005
88.617
136.882
510.919
2.285.799
287.060
224.527
565.741
127.674
209.110
26.928
160.326
6.13
Total
4.073.292
4.452.973
4.950.488
5.160.795
Fuente: Banco Central/Inecon
Los viajes atraídos presentan el comportamiento siguiente para
ciudades seleccionadas.
Figura 6.4
Atracción de Viajes por Ciudad y Año
900.000
800.000
700.000
ARICA
Pasajeros
600.000
LA SERENA
500.000
SANTIAGO
400.000
CONCEPCION
COYHAIQUE
300.000
200.000
100.000
0
1991
1992
1993
1994
1995
Año
Al regresar el modelo especificado en (4) se obtuvieron los siguientes
resultados:
6.14
Cuadro 6.7
Modelo de Atracción
Variable explicativa PIB
Ciudad
Arica
Iquique
Antofagasta
Calama
Copiapó
El Salvador
La Serena
Santiago
Concepción
Temuco
Puerto Montt
Osorno
Valdivia
Balmaceda
Coyhaique
Punta Arenas
Parámetro Estimación
-14,432513
ln γ
2,121078
δ
-19,398475
ln γ
2,597017
δ
-26,139736
ln γ
2,959108
δ
-16,417109
ln γ
2,090919
δ
-33,333673
ln γ
3,797406
δ
-0,053234
ln γ
0,769503
δ
-64,201817
ln γ
6,341903
δ
-3,6603
ln γ
2,0426
δ
-12,058004
ln γ
1,807908
δ
-20,961498
ln γ
2,709328
δ
-11,49867
ln γ
1,901949
δ
-147,644348
ln γ
12,840466
δ
-45,440097
ln γ
4,49831
δ
-15,860618
ln γ
2,527315
δ
0,650902
ln γ
0,935812
δ
-4,685118
ln γ
1,34797
δ
Valor t Nivel de Sign.
-6,9589
0,0200
12,4748
0,0064
-3,7867
0,0632
6,0553
0,0262
-4,9443
0,0386
7,1004
0,0193
-1,7742
0,2180
2,8666
0,1032
-1,7019
0,2309
2,1911
0,1598
-0,1122
0,9209
18,3312
0,0030
-8,2629
0,0143
9,5636
0,0108
-5,1977
0,0001
24,1902
0,0000
-3,8173
0,0623
7,5055
0,0173
-2,1878
0,1602
3,2894
0,0813
-2,2083
0,1579
4,431
0,0473
-2,3453
0,1436
2,4744
0,1318
-6,8034
0,0209
8,1703
0,0147
-1,46
0,2817
2,3441
0,1438
0,1366
0,9038
1,9795
0,1863
-1,0605
0,4001
3,6041
0,0691
r-cuadrado (aj)
0,9840
F
155,621
D-W
2,368
0,9224
36,667
2,457
0,9428
50,415
3,335
0,7064
8,217
2,352
0,5589
4,801
2,110
0,9911
336,034
2,571
0,9679
91,4631
3,104
0,9733 585,1664
0,9486
56,332
3,102
0,7660
10,8202
3,156
0,8613
19,6339
2,906
0,6307
6,12241
2,603
0,9564
66,7539
3,073
0,5997
5,4947
2,821
0,4931
3,91825
2,711
0,7999
12,98
2,759
Este modelo da ajustes similares al modelo de generación (como era
razonable al ser la matriz aproximadamente simétrica), en cuanto a los niveles
de significancia, estos aumentan levemente, y algo más en las constantes (no
es problema tener un nivel de significancia relativamente alto para la
6.15
constante), pero para la variable independiente escogida (PIB regional), son
bajos aún; es decir, es una buena variable para explicar la atracción de viajes.
Los r-cuadrados obtenidos y los valores F son buenos, salvo para dos
ciudades Coyhaique y Balmaceda, para las cuales se tienen valores muy
bajos. Cabe señalar que no es factible mejorar la bondad de ajuste de los
modelos antes calibrados incluyendo la variable independiente Población,
debido a que esta se encuentra correlacionada con el PIB (como
anteriormente se mostró).
Finalmente, la variable independiente escogida es el PIB tanto para la
Generación como para la Atracción. Esta representa confiablemente la
variable a explicar. Sin embargo, es necesario señalar que la serie de tiempo
manejada es muy corta (1991-1994).
6.2.2 Etapa 2: Modelo de Distribución
Como se mencionó en los conceptos preliminares, el proceso de
distribución dados los totales de viajes personales atraídos y producidos no es
para nada un proceso trivial. Los modelos más utilizados son los
gravitacionales, estos se derivan según las restricciones que se le impongan,
así se pueden obtener modelos simplemente acotados (a origen o a destino) o
doblemente acotados.
Para estimar la distribución de los viajes aéreos nacionales, se estimo
un modelo gravitacional visto como un problema multiproporcional. Al tener la
matriz base (a priori) y los totales deseados, es posible plantear el problema
como biproporcional, para resolverlo se utiliza el algoritmo multiplicativo de
Kruithof. Como es posible apreciar el modelo gravitacional visto como un
problema biproporcional, se basa en que no existe variación en la estructura
de tarifas, por lo que se trato de estimar un modelo de máxima entropía, pero
no se logro la convergencia.
•
El algoritmo multiplicativo de Kruithof
Este algoritmo resuelve un modelo gravitacional enfocado como un
problema biproporcional. Dada una matriz de números no negativos y sumas
deseadas de filas y columnas (totales de viajes), trata de ajustar sus
elementos de modo que cumplan dichas sumas.
6.16
Método multiplicativo de Kruithof
Partida: Se tiene una matriz actual Vij y las sumas de filas y columnas deseadas; se toma un vector
b(0) arbitrario y un valor para ε (tolerancia aceptada para el modelo), y luego se pasa a la primera
iteración.
Iteración n-ésima:
Paso 1: Se balancea cada fila i de la matriz por el factor:
ai (n) = Oi ,
Σj bj(n-1) Vij
Paso 2: Se balancea cada columna j por el factor:
bj (n) = Dj ,
Σi ai(n) Vij
Paso 3: Se calcula los términos de la matriz como:
Vij = ai (n) bj (n) vij
Luego se ve si las suma totales de filas y columnas convergen a los Orígenes y Destinos
respectivos, es decir
Σi vi j - Dj ≤ ε
Σj vij - Oi ≤ ε
Si no se cumple, se vuelve a iterar. (n = n+1)
En caso contrario, se terminan las iteraciones.
Término: Se calcula la nueva matriz como Vij = ai bj vij
El método de Kruithof permite llenar una nueva matriz multiplicando los
valores de la matriz antigua por factores que posibilitan ajustar las nuevas
sumas de filas y columnas (los viajes generados y atraídos proyectados por la
primera etapa). Es importante notar que este método iterativo no sólo cumple
con las restricciones, sino además entrega una matriz consistente con la
anterior (mantiene los ceros y la positividad).3
La matriz a priori que se utilizó como base es la matriz Origen Destino
1994 que se presenta más adelante y que tiene la estructura de viajes
Producidos y Atraídos que se presentan en las Figuras 6.5 y 6.6 que se
presentan a continuación.
3
Es factible demostrar que el algoritmo multiplicativo de Kruithof es un método muy
adecuado para resolver el problema planteado (ajustar los elementos de una matriz de modo
de obtener las sumas de filas y columnas deseadas). De hecho, su convergencia es bastante
buena y rápida (Murchland, 1971).
Ciudad
PUNTA ARENAS
COYHAIQUE
BALMACEDA
VALDIVIA
OSORNO
PUERTO MONTT
TEMUCO
CONCEPCION
SANTIAGO
LA SERENA
EL SALVADOR
COPIAPO
CALAMA
ANTOFAGASTA
IQUIQUE
ARICA
Pasajeros
6.17
Figura 6.5
Viajes Generados por Ciudad
Año Base 1994
700.000
600.000
500.000
400.000
300.000
200.000
100.000
0
6.18
Figura 6.6
Viajes Atraídos por Ciudad
Año Base 1994
700.000
600.000
Pasajeros
500.000
400.000
300.000
200.000
100.000
PUNTA ARENAS
COYHAIQUE
BALMACEDA
VALDIVIA
OSORNO
PUERTO MONTT
TEMUCO
CONCEPCION
SANTIAGO
LA SERENA
EL SALVADOR
COPIAPO
CALAMA
ANTOFAGASTA
IQUIQUE
ARICA
0
Ciudad
Recordemos que el algoritmo finalmente cumple con
Vij = ai * bj * vij
(6.11)
Es decir, cada celda de la matriz proyectada se calcula como dos
factores de crecimiento multiplicados por la matriz antigua (en nuestro caso la
de 1994).
En resumen, el modelo planteado es el siguiente:
6.19
Demanda Total Generada (O) por zonas (1991-1994)
Demanda Total Atraída (D) por zonas (1991-1994)
Población y PIB regionales (1991-1994)
ETAPA 1
Modelo Lineal
(Mínimos Cuadrados Ordinarios)
Oi ,t = αi PIBi,t βi
ο
Dj ,t = γj PIBj,t δj
Proyecciones de viajes personales generados y atraídos
zonas para los períodos 2000y 2010
ETAPA 2
Matriz Origen Destino 1994.
Tolerancia
Número de zonas
Método iterativo de Kruithof
(Programado en Turing)
6.20
6.3
Proyecciones a Mediano y Largo Plazo
Se realizaron proyecciones de los viajes generados y atraídos entre
cada una de las diferentes zonas consideradas en el Estudio.
Para realizar la proyección de los viajes que son originados y destinados
en las distintas zonas del país, se debió ocupar como entrada la proyección
del Producto Interno Bruto de las zonas de destino.
A continuación se muestra la variación anual del crecimiento de las
tasas del PIB, éstas vienen dadas a nivel nacional y desagregadas según clase
de actividad económica
Cuadro 6.8
Tasas de variación anual PIB (%)
por Sector Económico
Período 1996 - 2010
Sector
Año
1996
Agropecuario
Pesca
Minería
Ind.
Manufacturera
Construcción
Electricidad,
Gas y Agua
Tpte y
Comunicación
Comercio
Otros
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2,3
2,2
7,3
7,0
3,5
5,7
0,2
4,7
2,5
1,8
5,0
5,3
4,1
10,3
8,0
7,3
1,5
0,3
0,8
6,2
2,5
5,4
4,8
7,2
2,5
5,4
4,8
7,2
2,5
5,4
4,8
7,2
2,5
5,4
4,8
7,2
2,5
5,4
4,8
7,2
2,6
4,8
4,5
7,5
2,6
4,8
4,5
7,5
2,6
4,8
4,5
7,5
2,6
4,8
4,5
7,5
2,6
4,8
4,5
7,5
7,5
4,9
9,2
19,7
3,2
6,3
4,8
6,1
7,2
4,5
7,1
4,3
7,1
4,3
7,1
4,3
7,1
4,3
7,1
4,3
7,4
6,5
7,4
6,5
7,4
6,5
7,4
6,5
7,4
6,5
9,9
6,9
7,5
9,8
7,2
7,6
7,6
7,6
7,6
7,6
7,9
7,9
7,9
7,9
7,9
8,1
6,2
4,7
4,6
6,0
5,2
7,8
6,5
5,5
5,6
7,5
6,4
7,5
6,4
7,5
6,4
7,5
6,4
7,5
6,4
7,7
6,6
7,7
6,6
7,7
6,6
7,7
6,6
7,7
6,6
fuente: GEMINES
Estas tasas de variación fueron ocupadas para estimar el crecimiento
del PIB por actividad económica en las diferentes regiones del país, ocupando
como base el Producto Interno Bruto del año 1995 (ver cuadro 6.9).
Cuadro 6.9
Producto Interno Bruto
Año 1995 (cifras en millones de pesos de 1996)
Sector
Agropecuario
Pesca
Mineria
Ind. manufacturera
Construcción
Electricidad, Gas y Agua
Tpte y Comunicaciones
Comercio
Otros
Total
Fuente:Banco Central
I
2.255
6.748
26.470
42.647
11.152
3.528
16.209
62.408
34.222
205.639
II
451
4.067
227.408
24.086
17.430
24.639
26.830
18.395
40.218
383.524
III
15.280
5.515
60.591
3.861
12.886
2.988
5.609
14.231
18.581
139.542
IV
31.856
5.554
34.836
14.253
12.154
2.172
8.679
19.025
20.215
148.744
V
48.577
20.219
51.147
109.010
37.834
13.902
84.728
67.609
100.111
533.137
VI
80.197
125
67.713
26.641
21.009
8.561
9.765
29.849
29.565
273.425
Región
VII
84.757
166
984
56.545
14.582
30.179
11.612
26.776
35.590
261.191
VIII
49.896
14.916
1.988
187.838
34.319
24.925
56.706
50.436
97.431
518.455
IX
30.076
350
531
20.161
16.719
2.060
9.457
26.995
36.366
142.715
X
40.276
31.338
815
31.442
17.322
8.590
14.675
31.914
47.426
223.798
XI
3.397
2.560
1.294
1.158
2.806
505
2.598
3.016
8.316
25.650
XII
5.334
8.246
27.552
29.123
3.676
956
8.635
16.234
23.404
123.160
RM
71.943
236
26.471
557.985
154.285
43.940
262.807
720.066
77.817
1.915.550
6.22
A continuación se muestra en el cuadro 6.10 la proyección del PIB
regional para el mediano y largo plazo:
Cuadro 6.10
Proyección de Crecimiento del
Producto Interno Bruto
Años 2000 y 2010
(Cifras en millones de pesos de 1996)
Región
Primera
Segunda
Tercera
Cuarta
Quinta
Sexta
Séptima
Octava
Novena
Décima
Undécima
Duodécima
R. M.
Año
2000
275.499
495.480
178.203
190.625
712.201
346.512
339.700
695.558
2010
537.618
864.573
309.688
335.368
1.354.900
590.413
596.883
1.339.630
187.170
292.584
33.714
161.592
2.615.840
347.977
535.438
62.269
302.046
5.275.029
Fuente: INECON
Las estimaciones del PIB para el mediano y largo plazo son utilizadas en
los modelos presentados en las secciones 6.2.1.1 y 6.2.1.2 Modelos de
Generación y de Atracción, para explicar el comportamiento de los viajes
aéreos en los respectivos cortes temporales. La proyección de los viajes
generados y atraídos en cada una de las zonas del país para el mediano y
largo plazo se muestra en los siguientes cuadros:
6.23
Cuadro 6.11
Proyección de viajes generados y atraídos
Mediano y largo plazo
Ciudad
Arica
Iquique
Antofagasta
Calama
Copiapó
El Salvador
La Serena
Santiago
Concepción
Temuco
Puerto Montt
Osorno
Valdivia
Balmaceda
Coyhaique
Punta Arenas
Generación
2000
2010
254.308
967.699
459.381
2.383.733
333.262
1.830.263
58.713
171.049
64.623
170.963
43.082
19.643
121.598
320.062
1.357.300
5.081.420
215.551
720.299
149.269
741.561
250.163
788.094
31.623
88.022
72.984
225.781
37.010
164.198
35.104
63.102
96.780
224.723
Atracción
2000
2010
186.620
770.585
505.165
2.867.387
316.122
1.641.702
59.976
192.093
45.349
170.963
30.233
15.928
121.598
320.062
1357.300
5.081.420
211.678
692.310
151.618
813.611
252.767
797.819
31.623
88.022
71.533
225.781
35.894
169.219
33.076
58.731
96.844
225.037
Una vez obtenidos la proyección de los viajes generados y atraídos
para las diferentes zonas del Estudio, se procedió a rellenar la matriz de viajes
para los años 2000 y 2010, ocupando para esto el método de Kruithof. Este
algoritmo recibe de entrada las sumas de orígenes y destinos y una matriz de
viajes (números no negativos), ocupándose para este caso los viajes
realizados en 1994.
A continuación se muestran los factores ai y bj que se encontraron
para cada una de las zonas en el mediano y corto plazo:
6.24
Cuadro 6.12
Factores de balance ai y bj
Años 2000 y 2010
Zona
Año 2000
ai
Arica
Iquique
Antofagasta
Calama
Copiapó
El Salvador
La Serena
Santiago
Concepción
Temuco
Puerto Montt
Osorno
Valdivia
Balmaceda
Coyhaique
Punta Arenas
Año 2010
bj
2,18
3,66
2,71
2,12
2,87
8,32
2,77
1,92
1,77
2,87
2,74
2,72
4,89
1,77
1,19
1,05
ai
0,72
1,53
1,08
0,92
0,89
2,55
1,13
0,78
0,75
1,26
1,19
1,20
2,12
0,75
0,52
0,44
bj
5,63
17,77
12,39
5,15
7,87
3,76
7,20
5,87
5,90
14,38
9,22
7,24
14,67
7,42
2,07
2,35
0,71
2,72
1,59
0,82
1,13
0,43
0,96
0,80
0,79
2,20
1,28
1,04
2,11
1,05
0,28
0,32
Con los factores ai y bj obtenidos del algoritmo multiplicativo de
Kruithof se encuentra el crecimiento a mediano y largo plazo de los viajes
entre las diferentes ciudades que considera el Estudio. A continuación se
muestra una estimación del crecimiento anual de los viajes para un horizonte
de 6 y 16 años, tomando como matriz base la del año 1994, y los factores
de balance ai y bj encontrados para cada horizonte, luego una celda de la
matriz de factores anuales esta dada por:
fijk = (a ik ∗ b kj )1 /(k −1994 )
(6.12)
Donde:
(i,j)
K
fkij
: representa un par donde i es el origen y j el destino.
: horizonte de la proyección, puede adoptar los valores 2000 y
2010
: factor de crecimiento anual para los viajes entre las zonas i y j,
según horizonte k.
6.25
Cuadro 6.13
Factor de crecimiento anual de viajes
Año 2000
O-D
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
1
1,18
1,12
1,07
1,13
1,35
1,12
1,06
2
3
1,22 1,15
1,26
1,27
1,22 1,15
1,28 1,21
1,53 1,44
1,27 1,20
1,20 1,13
4
5
6
7
1,12 1,12 1,33 1,16
1,22 1,22 1,45 1,27
1,16 1,16 1,38 1,21
1,11 1,32 1,16
1,18
1,39 1,22
1,40 1,40
1,45
1,17 1,16 1,39
1,10 1,09 1,30 1,14
8
9
10
11
12
13
14
15
16
1,00
0,99
1,07
1,06
1,06
1,17
0,99
0,97
0,96
1,04
1,03
1,03
1,14
0,96
0,90
1,09
1,19
1,13
1,09
1,14
1,37
1,14
1,06
1,14
1,13
1,13
1,25
1,06
0,99
0,97
1,06 1,16
1,14
1,14
1,13 1,23
1,13 1,23
1,24 1,35
1,05 1,14
0,98 1,07
0,96 1,05
1,15 1,15 1,26 1,06
1,13 1,13 1,25 1,05
1,23 1,23 1,35 1,14
1,22 1,34 1,13
1,22
1,34 1,13
1,34 1,34
1,24
1,13 1,13 1,25
1,06 1,06 1,17 0,98
1,04 1,04 1,14 0,96
0,90
Cuadro 6.14
Factor de crecimiento anual de viajes
Año 2010
O-D
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
1
1,17
1,15
1,08
1,11
1,06
1,11
1,09
2
3
1,19 1,15
1,23
1,25
1,18 1,14
1,21 1,17
1,16 1,12
1,20 1,16
1,19 1,15
4
5
6
7
1,10 1,12 1,06 1,11
1,18 1,21 1,14 1,19
1,16 1,18 1,11 1,17
1,12 1,05 1,11
1,12
1,08 1,13
1,07 1,09
1,08
1,12 1,14 1,07
1,10 1,13 1,06 1,11
8
9
10
11
12
13
14
15
16
1,03
1,03
1,09
1,06
1,05
1,09
1,05
1,04
1,04
1,10
1,07
1,05
1,10
1,06
0,97
1,10
1,18
1,15
1,09
1,12
1,07
1,12
1,10
1,17
1,13
1,12
1,17
1,12
1,03
1,04
1,10 1,17
1,17
1,16
1,13 1,21
1,11 1,19
1,17 1,24
1,12 1,19
1,03 1,10
1,04 1,11
1,13 1,12 1,17 1,12
1,13 1,12 1,17 1,12
1,20 1,18 1,24 1,19
1,15 1,20 1,15
1,15
1,19 1,14
1,20 1,19
1,19
1,15 1,14 1,19
1,06 1,05 1,10 1,05
1,07 1,06 1,11 1,06
0,97
Como se puede apreciar, existe un crecimiento elevado de los viajes
para el año 2000, esto concuerda con el escenario de crecimiento del PIB. A
6.26
su vez, la proyección de viajes para largo plazo muestra una tendencia al
crecimiento desde el año 1994.
Conclusiones:
1. Los modelos clásicos gravitacionales, que intentan producir
inmediatamente la Matriz Origen-Destino son muy inexactos; conviene
utilizar modelos gravitacionales que consideren Producción y Atracción de
viajes.
2. Como modelo de generación - atracción se optó por uno del tipo
multiplicativo (linealizado con logaritmo). La variable dependiente son los
viajes originados y atraídos, respectivamente. Como variables
independientes resultaron ser adecuadas la Población de la región asociada
(Producción) y PIB regional (Atracción). No obstante se utilizó como
variable explicativa en ambos modelos el PIB regional debido a que
representa de mejor manera el ingreso, que es determinante para los viajes
aéreos.
3. Para la distribución de viajes, una vez desarrollada la etapa de generaciónatracción, se utiliza el algoritmo multiplicativo de Kruithof, que dada una
matriz base, ajusta la nueva matriz a las sumas de filas y columnas
proyectadas en la etapa anterior. Este algoritmo no considera estructuras
de costos, pues supone que la matriz base las lleva implícita. Con el
propósito de considerar la estructura de tarifa, se trato de calibrar un
modelo de máxima entropía que incorporara la tarifa, pero éste no logro la
convergencia.
4. Finalmente se puede concluir que el modelo desarrollado es confiable y,
puesto de que no se trata de un problema trivial, los datos proyectados
pueden verse como aproximaciones para tener en cuenta cosas como
órdenes de magnitud de los viajes de pares origen-destino y crecimiento
en el mercado.
7.1
7.
ANALISIS DE LA DEMANDA DE CARGA AEREA EN AMB
7.1
Introducción
Este Capítulo establece las bases para el desarrollo de las proyecciones
de carga aérea. En primer término se consideran los movimientos de carga
aérea que se efectúan a través de AMB, comenzando con un análisis de la
situación actual y la historia reciente, tratando de establecer la relación
existente entre los volúmenes transferidos y las variables exógenas de tipo
económico y comercial asociadas a los niveles de movimiento de carga.
Básicamente se analizan los volúmenes agregados de carga aérea y
especialmente las derivadas del comercio internacional, tanto las de
importación como de exportación. Las cargas nacionales son de una menor
importancia tanto en volumen como en los requerimientos que estas
provocan sobre el sistema. Las cargas de importación y exportación se
analizan separadamente puesto que aparentemente obedecen a diferentes
dinámicas económico - comerciales.
Con el objeto de focalizar el sector que se estudia se considera
conveniente destacar en primer término algunos elementos sobre las
funciones de los sistemas actuales de transporte aéreo, de tal manera de
proveer un marco en el cuál se deben interpretar las proyecciones
desarrolladas.
El transporte moderno se concibe como estrictamente funcional a las
necesidades del intercambio comercial entre los países y los mercados, como
tal ha debido evolucionar y adaptarse a los cambios del Comercio y de la
organización de la economía en el ámbito mundial y nacional. Concretamente
se ha visto influido por el cambio en las condiciones del Comercio Mundial y
de las políticas nacionales; aspectos relevantes son la apertura al exterior de
la economía nacional coincidente con la globalización de la economía y la
mayor apertura comercial de la mayoría de los países. El segundo elemento
importante son los cambios ocurridos en los conceptos y filosofía de
producción, comercialización, transporte y distribución de los productos,
integrando todos los aspectos nombrados dentro del proceso productivo.
Los nuevos conceptos productivos y de comercio han establecido
requerimientos muy exigentes sobre los sistemas de transporte, que ya no se
refieren simplemente al traslado de mercaderías entre dos puntos en
consideración sólo de sus tarifas de transporte, sino que dicho servicio debe
realizarse con parámetros muy precisos, que de no cumplirse tienen
7.2
consecuencias negativas muy importantes en los procesos productivos y de
comercialización y los consecuentes mayores costos económicos. Conceptos
de organización productiva como el Outsourcing, basado en una logística
eficiente para producir un bien, en la cuál se integran los componentes
fabricados en diversas plantas especializadas localizadas en cualquier parte
del mundo y que se transportan e integran en otras localizaciones o países,
requieren especialmente del transporte de alto estándar.
Asociado a lo anterior, el concepto de aprovisionamiento de las líneas
de producción y de los nodos de comercialización sobre una base just-ontime, tratando de mantener tanto los stock estáticos como en tránsito en un
mínimo, descansa fuertemente en la calidad del sistema de transporte.
En atención de las necesidades del comercio y de la producción, y
aprovechando las posibilidades de la tecnología de la información y las
particulares aptitudes y desarrollo tecnológico en los diferentes medios de
transporte y especialmente en el transporte aéreo, se ha producido una
reconceptualización de los servicios. Así se han asentado conceptos
operativos modernos con diferencias cualitativas en el servicio al usuario,
concretamente los servicios de “correo aéreo” y transporte de bultos
pequeños han extendido sus conceptos al transporte aéreo en general.
Los conceptos señalados en el párrafo anterior permiten concluir
algunos elementos que inciden en el trabajo de predicción de carga aérea: En
primer término, a la luz del desarrollo de nuevos servicios, la carga deberá
continuar su crecimiento a tasas mayores que los incrementos de comercio
entre los países y, en segundo término, que los elementos de cambio
tecnológico, tanto en los aspectos de equipamiento como de gestión así
como los cambios regulatorios hacen muy difícil descansar la proyección
solamente en el análisis de tendencias. Esto ha sido suficientemente
demostrado en los últimos años.
El rol que ha tomado el transporte aéreo ha sido causa de su reciente
crecimiento a nivel agregado, ello ha determinado una tendencia positiva
constante. Al analizar el comportamiento según mercado, dichas tasas de
crecimiento presentan altibajos que tienden a compensarse en el agregado.
Considerando los últimos acontecimientos mundiales y a la luz de la política
de diversificación de los mercados se hace difícil sostener que las tendencias
se mantendrán a nivel de las rutas específicas, por lo tanto se enfatiza en
este documento las proyecciones globales de carga.
Por otra parte se reconoce que existen dos situaciones en lo que
respecta al comercio exterior que hace uso del transporte aéreo, la de las
7.3
exportaciones y la de las importaciones. Las primeras son función del
mercado de un conjunto de productos muy reducido y específicos del sector
hortofrutícola y pesca, cuyo crecimiento se debe a la sofisticación del
consumo de los países desarrollados y a la oferta nacional que ha captado
dichos nichos de mercado. Las importaciones por otra parte, están formadas
por un amplio espectro de bienes finales e intermedios de un alto valor
agregado tales como componentes y bienes electrónicos de consumo,
repuestos, insumos industriales etc., cuyo volumen depende en gran medida
de los niveles de ingreso nacionales.
De acuerdo a lo anterior el enfoque de proyección de importaciones y
exportaciones es algo diferente, mientras que en la primera se utilizan
variables agregadas en la segunda se debe realizar necesariamente un análisis
de los sectores exportadores y sus perspectivas.
7.2
Movimiento Total de Carga Aérea
El movimiento de carga aérea ha crecido en forma espectacular durante
los últimos años, especialmente intenso ha sido el proceso en lo referente a
cargas de exportación, que desde 1985 a la fecha se ha multiplicado casi 6.6
veces, en el intertanto la carga de importación lo ha hecho 4.9 veces.
Durante 1996 la carga de Comercio Exterior, tomando como fuente la
D.G.A.C., alcanzó las 186.770 toneladas, por otra parte la carga nacional
movilizada por AMB es menos de un 10% de esta cifra. En el cuadro 7.1 se
observan las cifras totales.
Cuadro 7.1
Transporte de Carga AMB - 1985 - 1996 (toneladas)
AÑO
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
CARGA NACIONAL
LLEGAN
SALEN
TOTAL
2.021
4.556
6.577
2.415
5.174
7.589
2.113
5.031
7.144
2.780
5.558
8.338
2.746
5.971
8.718
2.724
5.821
8.545
2.944
5.923
8.866
2.859
6.118
8.977
4.168
5.830
9.999
6.073
7.504
13.577
6.377
7.244
13.622
CARGA INTERNACIONAL
LLEGAN
SALEN
TOTAL
14.016
17.750
31.766
15.459
31.091
46.550
14.106
28.572
42.677
23.021
37.640
60.662
31.503
54.262
85.765
30.017
62.046
92.062
35.776
68.579
104.355
40.167
70.250
110.416
46.300
71.997
118.297
55.686
95.509
151.194
59.854
95.772
155.626
68.444
118.326
186.770
Fuente: DGAC Dirección de Planificación , Dpto. Informática ,Sub Dpto Estadística
7.4
7.3
Carga Internacional de Importación
7.3.1 Volúmenes totales
Tal como se observa en el cuadro 7.1 la carga de importación ha
llegado a alrededor de 68.500 toneladas en 1996. Los productos que
ingresan al país por esta vía son productos de alto valor en embarques de
pequeño tamaño. La carga de internación por vía aérea en AMB durante 1996
alcanzó un valor CIF de US$2.700 millones, lo cuál significa
aproximadamente un valor promedio de US$ 40.000 por tonelada. En cuánto
a sus características físicas es interesante señalar que el número anual de
bultos durante 1996 fue de alrededor de 2.000.000, con un peso promedio
de unos 33 Kg.
Las perspectivas de crecimiento de la carga aérea en general señalan
importantes incrementos a futuro. Existen diferentes proyecciones para la
carga de importación en los próximos años. Una primera fuente son las
proyecciones de IATA para AMB, que señalan un crecimiento de 6.6 % para
el período 1994-1999, y de 5.4 % anual hasta el 2004. Una segunda fuente
es el Estudio desarrollado para la Coordinación General de Concesiones del
MOP que predice un crecimiento en función del PGB, con una tasa de
crecimiento anual de la carga aproximadamente igual al doble de la del PGB.
7.3.2 Modelo de proyección de carga de importación
Para estimar estos modelos, se consideró la inclusión de variables
asociadas al Comercio Exterior, utilizándose un índice de importaciones y
otro de exportaciones. Para su construcción se utilizó la estadística del Banco
Central sobre valor total de exportaciones e importaciones en dólares de
cada año. La serie se presenta en el cuadro 7.2. Como referencia alternativa
se presenta además los antecedentes de Comercio publicados por Naciones
Unidas.
A objeto de desarrollar el análisis se construyeron índices del valor de
exportaciones y de importaciones desde 1980 a la fecha. Estos índices se
basan en el monto del comercio exterior valorados en pesos ($) de 1996,
utilizando como deflactor el IPC. Se considera la tasa de cambio promedio de
cada año y se define 1996 con el índice 100 (ver cuadro 7.3). Se consideran
las importaciones C.I.F. y las exportaciones F.O.B.
7.5
Cuadro 7.2
Comercio Exterior Chileno
Millones de US$ de cada año
Año
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
Fte: Naciones Unidas
Importación Exportación
5123
4670
6363
3906
3830
3709
2968
3835
3480
3657
3006
3822
3436
4191
4396
5223
5291
7051
7144
8080
7677
8309
8093
8929
10128
9986
11125
9202
s/d
s/d
s/d
s/d
s/d
s/d
Fte: Banco Central
imp/fob
imp/cif
exp/fob
s/d
s/d
s/d
s/d
s/d
s/d
3643
4093
3705
2844
3170
3830
3287
3653
3650
2954
3268
3804
3099
3436
4198
3994
4396
5223
4833
5291
7051
6501
7144
8080
7036
7677
8309
7353
8093
8941
9236
10128
10007
10180
11125
9415
10879
11501
11643
14665
15348
16444
s/d
17353
15396
Fuente: Diversos informes mensuales y según se utilizan en la balanza de pagos.
s/d: sin datos
7.6
Cuadro 7.3
Indice de importaciones y Exportaciones
Año
TASA
[dólar]
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
39
39
51
79
98
161
193
219
245
267
305
349
363
404
420
397
412
IPC
20,57
24,88
25,94
34,33
40,92
55,29
64,99
77,34
89,32
103,76
129,48
160,36
183,55
207,37
233,76
251,61
272,38
deflac IPC imp/cif/defla
[Miles de
millones de
CH$_1996]
13,24
10,95
10,50
2.188
7,93
1.982
6,66
2.395
4,93
2.589
4,19
2.778
3,52
3.397
3,05
3.953
2,63
5.006
2,10
4.924
1,70
4.800
1,48
5.449
1,31
5.906
1,17
5.630
1,08
6.592
1,00
7.149
exp/fob/defla
[Miles de
millones de
CH$_1996]
Indice
Indice
Importación Exportación
1.980
2.394
2.393
3.014
3.395
4.036
5.268
5.662
5.330
5.303
5.384
4.998
5.700
7.063
6.343
30,6
27,7
33,5
36,2
38,9
47,5
55,3
70,0
68,9
67,2
76,2
82,6
78,8
92,2
100,0
31,2
37,7
37,7
47,5
53,5
63,6
83,1
89,3
84,0
83,6
84,9
78,8
89,9
111,4
100,0
Modelos estimados para la Carga Aérea de Importación
Modelo 1
Para la carga que llega se considerará un modelo del tipo
TONtllegan,internacional = α*(ind-imp)βt
(7.1)
donde:
TONtllegan
(ind-imp)t
α, β
,internacional
: toneladas agregadas anuales que llegan al aeropuerto
desde el extranjero en el período t.
: índice de importaciones del año t.
: constantes a determinar.
7.7
Coeficiente
ln α
β
Estimación
Valor-t
2.944806
1.773027
r2 (aj)
Nivel de
Significancia
3.5321
0.0077
8.9183
0.0000
0.8972
Durb. Wats.
Valor F
2.161
79.54
El coeficiente de correlación, r2 es bueno (casi un 90%), y el valor F es
alto, lo que indica que el modelo es estadísticamente robusto. Además los
valores-t son altos (en consecuencia niveles de significancia muy bajos).
Como conclusión puede señalarse que al utilizar como variable explicativa el
índice de importaciones calculado se obtiene un buen modelo.
Modelo 2
El modelo a considerar ahora es
TONtllegan,internacional = α*(ind-imp)βt*(PIB)γt
(7.2)
donde:
TONllegan ,internacionalt
(ind-imp)t
PIBt
α, β, γ
: toneladas agregadas anuales que llegan al aeropuerto
desde el extranjero en el período t.
: Producto Interno Bruto al año t
Coeficiente
ln α
β
γ
r2 (aj)
Durb. Wats.
Estimación
-14.168217
0.7524402
1.405217
Valor-t
Nivel de
Significancia
-2.2618
0.0582
1.8814
0.1020
2.7454
0.0287
0.9434
2.779
Para este modelo se obtiene un mejor coeficiente de determinación
(casi un 95%) y los valores de los estadísticos-t siguen siendo buenos,
aunque el del índice de importaciones está casi en el límite para ver si se
7.8
acepta o rechaza la hipótesis nula. La otra ventaja que posee es que permite
reconocer el efecto del PIB sobre la carga.
7.3.3 Aspectos operacionales de la carga de importación
a) Estacionalidad mensual. La estacionalidad de la carga de importación a
nivel mensual se observa en el gráfico de la Figura 7.1. El volumen
movilizado es relativamente estable ascendiendo durante los últimos meses
del año y con una ligera disminución en Enero y Febrero. En cuánto a la
distribución por día de la semana esta se observa en la Figura 7.2 de donde
se desprende que la carga llegada durante los siete días de la semana es
relativamente uniforme.
b) Distribución horaria. Una característica del sistema de aeronavegación es
precisamente la ocurrencia de puntas durante el día derivado de los
patrones de llegada de los aviones de pasajeros. En general las aeronaves
que realizan determinados tráficos se concentran en algunos horarios,
produciendo la consiguiente demanda puntual sobre los equipos e
instalaciones de recepción. A partir de un análisis de las estadísticas
aeronáuticas se estudiaron los promedios horarios de llegada de carga de
los últimos 5 meses de 1996, que se presentan en la Figura 7.3. Del
gráfico se desprende que la punta horaria más importante se da en las
mañanas, coincidente con el horario de llegadas de los vuelos de
Norteamérica, en las tardes
la punta obedece mayoritariamente a
frecuencias arribadas de Europa y del área latinoamericana.
c) Carga llegada por día. El tamaño del embarque que traen las aeronaves de
pasajeros es relativamente pequeño , poco más de 3 toneladas en
promedio. La carga total por día llegada a AMB bordea las 180 Toneladas
en promedio y su distribución acumulada se presenta en la Figura 7.4.
Dicho gráfico indica el porcentaje de días del año en que se da una carga
menor a la indicada. Por ejemplo se observa que en un 80% de los días se
reciben menos de 240 Toneladas, sin embargo a efectos de diseño es
importante destacar que el 10% de los días se sobrepasan las 280
toneladas.
d) Distribución del tamaño de embarque por aeronave. La capacidad de carga
de las aeronaves internacionales que arriban es muy diversa. Las aeronaves
de pasajeros típicas que arriban a Santiago son el B767, en los tráficos de
Norteamérica y América Latina; el B747 en los tráficos europeos y el B727
y B737 en los tráficos regionales ( Argentina, Uruguay, Bolivia, Sur de
7.9
Brasil). En cuánto a cargueros puros mayoritariamente se utilizan el DC8/F
y el B747F.
La carga transportada por los aviones de pasajeros es variable, pues
ello depende del pasaje que transporten.
La distribución del tamaño de embarque por aeronave, construida en
base a las estadísticas de D.G.A.C. para el segundo semestre de 1996, se
observa en la Figura 7.4. En dicha gráfica se desprende que el porcentaje de
aeronaves que trae menos de 8.000 Kg. es un 62 %, con un 15% de
aeronaves sin carga; sin embargo aproximadamente un 20% trae más de
16.000 Kgs de carga, y un 7% más de 40.000 kilos. Cuando coincide el
arribo de más de una de estas grandes aeronaves el sistema de tierra es muy
exigido, más aún cuando ello ocurre durante las puntas de exportación de
carga.
La demanda instantánea más importante sobre el sistema se da con el
arribo de cargueros que transportan un gran volumen. Esto significa destinar
equipos y áreas de manejo para la carga en tierra, que dependen tanto de la
carga como del número de palet o contenedores que trae una aeronave.
7.10
Figura 7.1
Estacionalidad Mensual, Año 1996
10
Porcentaje anual
8
6
4
2
0
1
2
3
4
5
6
7
8
9
10
11
12
Mes
Fuente: Estadísticas de DGAC
Figura 7.2
Distribución de Carga en la Semana, Año 1996
20
Porcentaje de carga por día
18
16
14
12
10
8
6
4
2
0
DOM
LU
MA
MI
Día
JU
VI
SA
7.11
Figuras 7.3
Variación Horaria de Carga
18.000
16.000
14.000
Kilos
12.000
10.000
8.000
6.000
4.000
2.000
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
Hora
Figura 7.4
Distribución Acumulada de Llegada de Carga por Día
100
90
Porcentaje de Ocurrencia
80
70
60
50
40
30
20
Ton/Día
Fuente: DGAC segundo semestre 1996
440
420
400
380
360
340
320
300
280
260
240
220
200
180
160
140
120
100
80
60
0
40
10
7.12
7.4
Exportaciones por AMB
7.4.1 Aspectos generales
Los principales productos exportados por el puerto de embarque AMB
son aquellos productos frescos, principalmente pescados, mariscos, hortalizas
y frutas. También se agregan a ellos productos de larga vida que por su alta
demanda en un período determinado son exportados por vía aérea y, cuando
su demanda o precios de venta disminuyen, son exportados por vía marítima
o terrestre.
La proyección de carga de exportación contempla un análisis por
sector, ya que las dilatadas series de información de exportaciones de los
diferentes rubros muestran que estos mercados no son estabilizados, ello de
acuerdo a las cifras de movimiento y a las consideraciones de los
participantes del sector. Algunos de los productos exportados presentan
acentuadas fluctuaciones de temporada en temporada y otros definitivamente
están en las etapas iniciales de su ciclo de producto, situación que hace muy
difícil la predicción. Estos elementos llevaron a la opción metodológica de
obviar los modelos econométricos o de extrapolación de tendencia y basar la
proyección en la investigación de anticipaciones o expectativas, y pronósticos
estimados, métodos que estiman el crecimiento de un sector basado en el
estudio de los factores que influyen en la proyección.
7.4.2 Exportaciones Hortofrutícolas
La participación de las exportaciones hortofrutícolas vía AMB desde la
temporada 1993 a 1997 han aumentado paulatinamente, en conjunto con las
exportaciones globales por todos los puertos de embarque. En el cuadro 7.4,
se presenta la situación de participación de las últimas cinco temporadas.
El puerto principal de embarque de frutas y hortalizas es el puerto de
Valparaíso el cual concentra el 62% del total exportado en las cinco últimas
temporadas en el sector hortofrutícola, le siguen los puertos de San Antonio,
Los Andes (terrestre), Coquimbo, AMB, Caldera y por último Arica.
La participación del puerto de embarque AMB en las exportaciones, ha
experimentado un aumento sostenido durante las temporadas en estudio,
abarcando, durante la temporada 96-97 el 3,8% de las exportaciones
globales del sector hortofrutícola, con un promedio de 3,4% en las últimas
cinco temporadas.
7.13
Cuadro 7.4
Evolución de las Exportaciones por Puerto de Embarque
Cifras en miles de cajas
Puerto
de Temporada Temporada Temporada Temporada Temporada Participación
Embarque
1992-1993 1993-1994 1994-1995 1995-1996 1996-1997 Total
Valparaíso
92.247
90.140
105.958
104.524
99.936
62%
San Antonio
21.158
26.932
19.635
26.342
23.275
15%
Los Andes
6.049
9.327
15.368
21.441
18.899
9%
Coquimbo
13.748
13.590
12.571
13.305
12.327
8%
A.Merino B.
3.884
4.681
6.019
6.259
6.407
3%
Caldera
323
782
1.805
2.090
5.052
1%
Arica
1.110
1.851
1.760
1.736
1.517
1%
TOTAL
138.519
147.301
163.115
175.697
167.413
100%
%
2,80%
3,20%
3,70%
3,60%
3,80%
Participación
AMB
Fuente: Asociación de Exportadores de Chile,AG
Obs:Cifras en cajas
Las cifras reflejan un aumento sostenido en la participación de las
exportaciones por el puerto aéreo, con un crecimiento de los volúmenes de
embarque, producto de las aperturas de nuevos mercados. Si la situación
anteriormente descrita se mantiene, aumentará significativamente la demanda
en las infraestructuras y servicios portuarias para hacer frente a los
volúmenes crecientes de exportación de Frutas y Hortalizas, así como
también el tráfico aéreo tanto en número como en capacidad.
Según los datos analizados, los productos hortofrutícolas van en
aumento, tanto en volumen como en la integración de nuevas variedades,
incrementando la participación de exportaciones en fresco por esta vía, en
tanto que la participación de productos con mayor capacidad de guarda están
decreciendo.
La demanda por infraestructura y servicios para las exportaciones
hortofrutícolas, se encuentra presente durante toda la temporada agrícola,
entendiéndose por tal, aquella que parte en Septiembre y termina en Agosto
del año siguiente.
Agrupando los principales productos hortofrutícolas, y analizando su
distribución en la temporada de exportación, se aprecia una mayor
concentración por la demanda de infraestructuras y servicios en los meses
que van de Noviembre a Mayo, y una demanda máxima el mes de Diciembre
de cada temporada, sin dejar de considerar que se exportan productos
durante todo el año por esta vía. A continuación se presenta una gráfica en la
7.14
cual se aprecia la distribución promedio de las exportaciones de frutas y
hortalizas de las últimas cinco temporadas (desde la temporada 92-93, hasta
la 96-97).
Figura 7.5
Distribución de las Exportaciones Hortofrutícolas en la Temporada Agrícola
1.
25%
20%
15%
Promedio Hortalizas
Promedio Frutas
10%
5%
0%
Sep
Oct
Nov
Dic
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Fuente: INECON, Ltda
El mayor destino de las exportaciones por el puerto AMB. es la Costa
Este de Estados Unidos, con un 52% de participación en las últimas cinco
temporadas, le siguen Europa, Latinoamérica, Costa Oeste U.S.A, Canadá,
Lejano Oriente y Medio Oriente. Es Importante resaltar la participación de los
mercados Latinoamericanos, donde Brasil es el mayor consumidor de
nuestros productos Hortofrutícolas, seguido de Argentina, Colombia, México
y Venezuela. El Cuadro 7.5 muestra las Exportaciones por AMB según
destino.
7.15
Cuadro 7.5
Evolución de las Exportaciones de AMB por Destino
Cifras en cajas
Destino
Costa Este
U.S.A
Canadá
Europa
Latinoamérica
Costa Oeste
USA
Lejano Oriente
Medio Oriente
Africa
Total
Temporada Temporada Temporada Temporada Temporada
92-93
93-94
94-95
95-96
96-97
2.139
2.944
3.808
4.187
3.637
948
504
277
780
602
337
42
1.044
721
383
56
1.141
448
408
503
1349
355
517
11
5
0
3.884
12
5
0
4.680
20
1
0
6.019
16
2
0
6.259
45
2
0
6.408
Fuente: Asociación de Exportadores de Chile.
7.4.3 Exportaciones frutícolas por vía aérea
Las exportaciones de los productos hortofrutícolas, realizada por todos
los puertos, han experimentado un aumento en las cinco últimas temporadas,
con una tasa de crecimiento promedio anual de 5%. Por otra parte, el
crecimiento de las exportaciones por AMB, en las cinco últimas temporadas,
ha sido positivo. La tasa promedio de crecimiento por el puerto aéreo en el
período 92/97 fue de un 15,8%, condicionada por el gran crecimiento de las
dos primeras temporadas (92-93 y 93-94). Una tasa de crecimiento
moderada es la que refleja las últimas temporadas, cuya tasa es de un 4,7%
anual.
Las especies frutícolas que tienen mayor participación en las
exportaciones embarcadas por todos los puertos, se presentan en el Cuadro
7.6. De estas especies sólo algunas son exportadas en su totalidad por el
puerto de embarque Aeropuerto Arturo Merino Benítez.
7.16
Cuadro 7.6
Principales Especies Frutícolas Exportadas
Especies
Uva de Mesa
Kiwis
Manzanas
Peras
Ciruelas
Nectarinas
Duraznos
Paltas
Frambuesas
Cerezas
Arandanos
Caquis
Chirimoya
Zarzaparrilla
Nísperos
Otras
Total
Temporadas
92/93
62.362
21.421
18.888
9.789
6.779
4.636
4.442
1.704
1.020
983
101
44
13
21
9
892
133.103
93/94
63.603
25.976
18.974
9.260
7.664
5.351
4.458
777
1.144
974
188
57
35
23
8
1.943
140.436
Temporadas
94/95
62.867
33.586
22.571
8.665
7.820
7.243
4.877
1.559
1.296
940
335
95
63
28
7
2.277
154.228
95/96
69.518
36.045
23.944
9.670
8.585
7.415
4.493
1.167
1.353
1.076
546
98
54
31
12
2.796
166.802
96/97
63.306
37.502
20.935
9.692
8.188
6.608
3.924
1.512
1.457
1.281
842
164
71
34
12
2.638
158.166
Total
Período
321.655
154.529
105.312
47.076
39.036
31.253
22.195
6.719
6.269
5.254
2.013
459
236
137
49
10.545
752.734
Fuente: Asociación de Exportadores de Chile, AG
Obs: Cifras en cajas
Para realizar el análisis, se determinaron las especies de frutas frescas
con mayor participación en las exportaciones por AMB, para lo cual se
compararon las especies que tienen mayor participación por todos los puertos
y las que se exportan en parte o en su totalidad por vía aérea. En el Cuadro
7.7, se presentan los volúmenes de frutas frescas exportados por vía aérea
(cifras en cajas).
7.17
Cuadro 7.7
Principales Frutas Frescas Exportadas
por Vía Aérea
Especies
Frambuesas
Cerezas
Duraznos
Nectarinas
Arándanos
Ciruelas
Uva de Mesa
Kiwis
Caquis
Chirimoya
Paltas
Zarzaparrilla
Nísperos
Peras
Manzanas
Las Otras
del Grupo
Total Puerto
92/93
1.007
525
317
228
101
210
179
131
44
13
24
21
9
0
1
213
93/94
1.144
608
459
345
188
288
166
250
57
28
19
23
8
2
3
226
Temporadas
94/95
1.295
600
717
620
335
504
219
19
95
63
72
28
7
4
9
292
95/96
1.353
590
720
637
546
488
188
105
98
54
18
31
12
5
5
317
96/97
1.457
644
718
567
684
379
344
68
104
65
21
34
12
5
6
240
3.023
3.814
4.879
5.167
5.348
La mayoría de esos frutos son exportados por vía marítima o terrestre,
pero en algunos meses su demanda y precio en el exterior permiten costear la
exportación vía aérea, llegando con fruta de primera calidad a los mercados
de destinos. En otros casos no existe otra posibilidad de exportar, si no es
por vía aérea, dado que la perecibidad de los frutos es muy rápida y no
permiten almacenajes largos. A continuación se presenta la participación del
puerto de embarque AMB en las exportaciones de las principales Frutos, ver
Cuadro 7.8.
7.18
Cuadro 7.8
Participación del Puerto de Embarque AMB
Exportaciones de Fruta Fresca
Especies
Nísperos
Zarzaparrilla
Frambuesas
Chirimoya
Arandanos
Caquis
Cerezas
Duraznos
Nectarinas
Ciruelas
Paltas
Kiwis
Uva de Mesa
Peras
Manzanas
Las Otras del
Grupo
Total Puerto
92/93
100,0%
100,0%
98,7%
80,0%
100,0%
100,0%
53,3%
1,9%
1,3%
0,8%
1,4%
0,6%
0,3%
0,1%
0,0%
57,1%
93/94
100,0%
100,0%
100,0%
80,0%
100,0%
100,0%
62,3%
10,3%
6,4%
3,8%
2,4%
1,0%
0,3%
0,0%
0,0%
35,0%
Temporadas
94/95
100,0%
100,0%
99,9%
100,0%
100,0%
100,0%
63,9%
14,7%
8,6%
6,4%
4,6%
0,1%
0,3%
0,0%
0,0%
41,7%
2,08%
3,04%
3,59%
95/96
100,0%
100,0%
100,0%
100,0%
100,0%
100,0%
54,8%
16,0%
8,6%
5,7%
1,5%
0,3%
0,3%
0,1%
0,0%
34,8%
96/97
100,0%
100,0%
100,0%
91,7%
81,3%
63,2%
50,3%
18,3%
8,6%
4,6%
1,4%
0,2%
0,5%
0,1%
0,0%
35,7%
Total
Período
100,0%
100,0%
99,8%
93,4%
92,2%
86,8%
56,5%
12,2%
7,1%
4,4%
2,3%
0,4%
0,3%
0,1%
0,0%
38,4%
3,49%
3,83%
3,25%
Fuente: INECON, Ltda.
Existen seis especies frutales que se exportan totalmente por el puerto
de embarque aéreo, siendo estos los Nísperos, Zarzaparrilla, Frambuesas,
Chirimoyas, Arandanos y los Caquis, todos ellos altamente perecibles en
fresco, y con altos precios en los mercados externos. El resto de los frutos
frescos tales como Cerezas, Duraznos, Nectarinas, Ciruelas, Paltas, Kiwis,
Uva de Mesa, Peras y Manzanas entre otros, son frutos que se exportan
básicamente por vía marítima, ya que soportan mayores tiempos de
conservación bajo atmósfera controlada, aun cuando en determinados
períodos se exportan por vía aérea para satisfacer la demanda de los
mercados externos donde alcanzan altos precios.
7.4.4 Superficie de Frutales en Producción y en Formación
Se determinó el crecimiento de las superficies de aquellos frutales que
utilizan el puerto de embarque AMB, considerando las superficies plantadas y
en formación de los frutales, desde el año 1985 a la fecha.
7.19
Se incorpora además la información de plantaciones en formación,
dado que es un buen índice de las tendencias futuras de exportación, ya que
son las empresas exportadoras las que en definitiva intervienen en las
exportaciones mediante contratos de volúmenes en el extranjero, y las que se
encuentran en constantes negociaciones para ofrecer y detectar las
tendencias y demandas de los mercados, punto importante dado que los
agricultores dependen de estas empresas para comercializar la producción,
ver cuadro 7.9.
Cuadro 7.9
Superficie de Frutas en Plantación y en Formación
Exportados por aeropuerto Arturo Merino Benítez
Datos al año 1997
Superficie Há
Especie
Arándano
Castaño
Chirimoyo
Caqui
Palto
Cerezo
Manzano Rojo
Ciruelo Europeo
Ciruelo Japonés
Tuna
Nogal
Duraznero
Damasco
Zarzaparrilla
Nectarina
Níspero
Moras Cultivadas
Peral Asiático
Uva de Mesa
Frambuesa
Peral Europeo
Kiwi
Superficie
Formación
257
83
237
38
5.812
1.625
8.175
1.845
1.363
368
1.806
2.072
381
4
940
20
24
129
4.641
715
899
286
Superficie
Producción
91
33
98
23
11.107
3.204
21.303
4.920
4.188
1.138
5.673
9.726
1.930
19
5.159
118
140
1.040
39.144
6.512
9.773
7.408
Total
348
116
335
61
16.919
4.829
29.478
6.765
5.551
1.505
7.479
11.798
2.311
22
6.099
138
164
1.169
43786
7.227
10.671
7.694
Formación
(%)
74%
71%
71%
62%
34%
34%
28%
27%
25%
24%
24%
18%
16%
16%
15%
15%
15%
11%
11%
10%
8%
4%
Fuente: Instituto de Estadísticas (INE)
Del cuadro anterior se puede inferir cuales frutales están en expansión
según la cantidad de superficie en formación. Se considera que un huerto
debe reponer parte de su superficie por árboles nuevos, para mantener una
producción constante a lo largo de los años. Una tasa normal de reposición
de arboles viejos y enfermos es del orden de un 5%, una tasa de plantación
7.20
superior se puede considerar como un frutal en expansión, y al contrario con
una tasa inferior.
No es coincidencia pensar en la correlación que presentan las especies
de frutales de exportación, su participación creciente en el mercado y la tasa
de crecimiento de las superficies en producción y formación.
Las producciones de frutas que tendrán un aumento sostenido según la
superficie en formación plantada, son los Arándanos, Chirimoyos, Caquis,
Paltos, Cerezos y así en orden decreciente tal como se ilustra en el Cuadro
7.9. Los demás frutales no aumentarán sus producciones a iguales tasas
como el primer grupo, dado que la mayoría de los huertos frutales industriales
están establecidos y su superficie no incrementará a tasas altas, dado que la
reposición de arboles viejos o injertos por nuevas variedades tiene una tasa
normal de un 5% a 10% anual de la superficie ya asignada para cada frutal.
En el Cuadro 7.10, se presentan los datos de la evolución de las
superficies por especies desde el año 1985 a 1997, se analizó el crecimiento
de las superficies en dos grandes períodos, es decir, el período que transcurre
de 1985 al 1990 y el período de 1991 al 1996. En estos dos períodos se
agruparon los frutales que han mantenido un crecimiento positivo en ambos
lapsos. Al grupo de frutales que han mantenido un crecimiento positivo en
todo el período analizado pertenecen los Damascos, Duraznos, Ciruelos,
Manzanos, Cerezos y Paltos, y su tasa promedio de crecimiento en superficie
es de 3% y 4% para el primer y segundo período, y un incremento promedio
en la superficie del 15% en la temporada 1996-1997. La superficie en
formación para este primer grupo es de 34% en promedio, al año 1997,
índice que concuerda con el crecimiento sostenido en la participación de las
exportaciones.
Por otro lado los frutales que pertenecen a otro grupo y que no han
mostrado un crecimiento sostenido en todo el período, o incluso su
crecimiento ha sido negativo son los Kiwis, Perales, Nectarinas y en menor
grado la Uva de Mesa. Por ello los consultores creen que las plantaciones de
Uvas de Mesa y Nectarinas se deberían mantener o crecer a una tasa baja del
orden del 1.5% anual.
Para optar a una tasa de crecimiento global que refleje el aumento de la
superficie del grupo de frutales analizado, estos consultores estiman que una
tasa promedio de incremento en la superficie plantada para ambos grupos de
frutales será del 5% anual, por consiguiente se utilizaría esta tasa para los
cálculos de proyección de superficies, tasa pesimista pero que se ajusta a las
variaciones globales de los diferentes frutales.
Cuadro 7.10
Evolución de la Superficie de la Hortalizas Exportadas por A.M.B
Especie
Choclo
Cebolla de Guarda
Arveja Verde
Poroto Verde
Melón
Esparrago
Lechuga
Cebolla Temprana
Ajo
Pimienro
Alcachofa
Apio
Pepino Dulce
Brócoli
Radiccio
Endibia
Achicoria
Albahaca
Total
Fuente: INE
Obs: Superficie en há.
Temporada
1975/76
11.526
7.613
3.654
3.271
178
1.637
3.005
2.168
400
1.889
452
358
108
7
36.266
Temporada
1985/86
11.653
7.382
3.620
3.292
5.100
1.363
2.405
3.065
1.540
1.724
1.862
1.060
394
44.460
Temporada
1986/97
10.937
5.155
4.177
8.123
5.459
1.914
2.700
2.459
2.194
2.009
2.232
1.110
629
100
120
57
35
49.410
Temporada
1987/88
10.828
5.585
5.870
4.875
5.240
3.358
3.321
3.496
3.568
1.924
1.771
543
610
108
121
111
31
51.360
Temporada
1988/89
11.402
6.718
6.183
5.279
3.705
4.786
4.184
3.602
2.301
2.734
1.936
786
612
210
159
122
67
54.786
Temporada
1989/90
11.134
5.635
7.265
3.763
3.739
6.960
4.921
2.816
2.674
2.509
2.767
876
644
218
35
122
110
56
56.244
Temporada
1990/91
13.625
6.165
6.489
4.486
4.129
5.940
3.972
2.877
2.373
2.260
2.368
1.498
583
317
70
116
102
46
57.416
Temporada
1991/92
11.719
5.537
7.202
516
4.510
4.638
3.057
1.944
4.044
4.270
2.069
1.337
822
782
140
117
93
31
52.828
Temporada
1992/93
13.540
5.529
7.268
5.516
3.335
4.238
3.003
2.778
3.872
4.580
2.580
872
844
800
165
123
94
35
59.172
Temporada
1993/94
13.581
5.603
6.610
5.265
5.340
3.871
4.772
3.630
2.984
3.332
2.317
1.668
784
810
150
114
93
30
60.954
Temporada
1994/95
13.277
6.224
6.709
5.502
5.480
4.106
4.755
4.133
3.145
3.821
2.479
1.998
1.149
839
311
116
78
28
64.150
Temporada
1995/96
12.301
6.560
5.898
4.776
5.141
4.105
4.209
4.196
3.526
2.910
2.423
1.621
590
852
230
107
70
26
59.541
Temporada Promedio
Participación
1996/97 Superficie
Promedio
12.318
12.142
22,6%
4.004
5.978
11,1%
4.537
5.806
10,8%
4.687
4.673
8,7%
3.726
4.475
8,3%
4.150
3.816
7,1%
4.662
3.661
6,8%
1.387
3.030
5,6%
2.580
2.844
5,3%
3.475
2.765
5,2%
2.776
2.267
4,2%
1.251
1.159
2,2%
399
648
1,2%
486
502
0,9%
137
155
0,3%
10
111
0,2%
82
93
0,2%
20
34
0,1%
50.683
53.636
100,0%
7.22
7.4.5 Estacionalidad de las Exportaciones de Fruta Fresca por AMB
La temporada agrícola esta definida como aquella que transcurre desde
Septiembre a Agosto del año siguiente, por ello se habla a modo de ejemplo
de la temporada 1995/1996. Dentro de una temporada cada frutal tiene una
estacionalidad de producción y corresponde a la estacionalidad de
exportación de sus frutos.
Es importante determinar la estacionalidad de todos los frutales que se
exportan por vía aérea, y determinar las necesidades en infraestructura y
servicios portuarios en los meses de mayor demanda , mejor aun es proyectar
los futuros requerimiento en función de las proyecciones de crecimiento de
las exportaciones a embarcar por el puerto.
Para determinar la estacionalidad, se analizaron las exportaciones de
frutas frescas con mayor participación, embarcadas por el puerto aéreo. Se
determinó que existe una estacionalidad de exportación muy marcada para
cada especie. Existen frutas que pueden ser mantenidas en atmósfera
controlada por un tiempo prolongado, ejemplo de ello son las manzanas, lo
que produce que se encuentran participando de las exportaciones durante
toda la temporada.
Diciembre es la época de mayor demanda por la infraestructura del
puerto, aún cuando las exportaciones frutícolas se desarrollan durante todo el
año.
La estacionalidad se determinó por medio del análisis de los volúmenes
exportados de las principales frutas en las últimas cuatro temporadas,
obteniendo un promedio porcentual para cada especie (se anexan los gráficos
por especies). Una vez obtenida la distribución porcentual por especie se
realizó un promedio simple de todo el grupo, resultando el gráfico de
estacionalidad (Ver Figura 7.6).
7.23
Figura 7.6
Distribución Mensual de las Exportaciones Frutícolas por AMB
25%
22,12%
20%
14,07%
15%
11,54%
11,49%
10,51%
10%
5,55%
6,58%
5,28%
5,97%
5%
1,31%
2,21%
3,38%
0%
Sep
Oct
Nov
Dic
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Temporada
Según la información presentada de las principales especies frutícolas,
se puede concluir que las tasa de crecimiento por especie son muy variables,
pero en conjunto se opta por una tasa moderada de un 5%, la cual será
utilizada por estos consultores para las exportaciones Frutícolas.
7.4.6 Exportaciones de Hortalizas Vía aérea
Las especies hortícolas que tienen mayor participación en las
exportaciones embarcadas por todos los puertos, se presentan en el Cuadro
7.11. De estas especies sólo algunas son exportadas en su totalidad por el
puerto de embarque aeropuerto Arturo Merino Benítez.
7.24
Cuadro 7.11
Principales hortalizas frescas exportadas por todos los puertos
Especies
Temporadas
94/95
3.781
586
483
402
361
125
68
57
2
16
51
5.932
92/93
93/94
Cebollas
1.012
2.312
Espárragos
431
532
Ajos
541
394
Tomates
174
322
Radiccio
338
192
Alcachofas
108
108
Pimientos
57
30
Melones
20
34
Apio
1
1
Lechugas
0
0
Otras
111
66
Total
2.792
3.991
Temporadas
Obs: Cifras en miles de cajas
95/96
2.009
595
623
521
382
154
117
36
30
22
51
4.539
96/97
1.034
740
430
248
232
54
68
9
28
3
62
2.908
Total
Período
10.148
2.884
2.470
1.667
1.505
549
340
156
62
41
341
20.163
Del grupo de hortalizas presentadas como las más importante, que
participan en las exportaciones por todos los puertos, se comparan con las
hortalizas exportadas por el puerto de embarque A.M.B, para determinar la
participación por este puerto de embarque en las exportaciones de este grupo
de hortalizas, ver Cuadro 7.12
Cuadro 7.12
Principales hortalizas exportadas por vía aérea
Especies
Espárragos
Radiccio
Alcachofas
Tomates
Melones
Pimientos
Cebollas
Ajos
Apio
Las Otras del
Grupo
Total
Temporadas
92/93
429.070
336.660
21.889
6.284
0
13.976
6.822
3.834
0
42.232
93/94
532.218
192.184
76.435
4.756
6.113
1.731
2.929
3.096
0
47.145
TEMPORADA
94/95
584.317
360.548
73.343
47.227
24.417
1.803
4.173
3.330
0
41.056
860.767
866.607
1.140.214
95/96
594.659
361.720
63.723
7.500
10.056
294
1.427
6.808
4.952
41.056
96/97
739.605
230.169
25.450
10.763
8.785
3.877
6.056
2.932
0
30.213
1.092.195
1.057.850
7.25
La mayoría de estas especies hortícolas, no son exportadas en forma
exclusiva por el puerto de embarque A.M.B, sólo existen cuatro especies las
cuales tienen las mayores participaciones de exportación por el puerto aéreo,
ver Cuadro 7.13.
Cuadro 7.13
Participación del Puerto de Embarque AMB
Exportaciones de Hortalizas
Especies
Espárragos
Radiccio
Melones
Alcachofas
Apio
Pimientos
Tomates
Ajos
Cebollas
Las Otras del
Grupo
Total
92/93
99,5%
99,8%
0,0%
20,4%
0,0%
24,6%
3,6%
0,7%
0,7%
38,1%
93/94
100,0%
100,0%
18,0%
70,5%
0,0%
5,8%
1,5%
0,8%
0,1%
71,4%
TEMPORADA
94/95
99,7%
100,0%
42,5%
58,7%
0,0%
2,6%
11,7%
0,7%
0,1%
80,8%
95/96
100,0%
94,6%
28,1%
41,4%
16,4%
0,3%
1,4%
1,1%
0,1%
79,9%
96/97
100,0%
10,0%
99,3%
46,8%
0,0%
5,7%
4,3%
0,7%
0,6%
48,6%
Total
Período
99,9%
84,7%
84,7%
47,5%
7,9%
6,4%
4,6%
0,8%
0,2%
59,1%
30,8%
30,8%
30,8%
30,8%
30,8%
30,8%
Fuente: INECON Ltda.
7.26
7.4.7 Superficie de las Hortalizas que participan en las exportaciones por
AMB
Para analizar el comportamiento de la superficie de las principales
hortalizas exportadas por A.M.B, se evaluó la evolución de la superficie en las
últimas trece temporadas, es decir desde la temporada 75/76 a la temporada
96/97. Se observa en general que existe un período de crecimiento sostenido
de la superficie entre la temporada 75/76 a la temporada 94/95, cuya tasa
promedio fue de un 6% anual, y con una caída en las últimas tres temporadas
de un -11%. La superficie promedio es de 53.636 has., y la variación anual
es errática, aun cuando se mantiene en un promedio de 3.000 has.
Si individualizamos el análisis por cada especie, observamos que la
variación es irregular de una temporada a otra, explicándose por las
condiciones de mercado imperante en el momento. Los horticultores pueden
responder rápidamente a las demandas del mercado, además el horticultor
puede cambiar de especies y utilizar la misma superficie, esto puede explicar
que la superficie destinada para estos cultivos de exportación no ha variado
mucho en la últimas trece temporadas. Por ello estos consultores estiman que
la superficie destinada a la horticultura de exportación tiene una tasa de
crecimiento baja y muy variable, para los efectos de proyecciones se tomará
un valor de la tasa de crecimiento de superficie de 3% anual.
7.4.8 Estacionalidad de las Exportaciones de Hortalizas por AMB
La distribución de las exportaciones de las principales especies
hortícolas por el puerto de embarque A.M.B, se presentan en la Figura 7.7. La
distribución de las exportaciones de hortalizas se distribuye en toda la
temporada, con variaciones de un 5 a 14% del total del volumen exportado
en la temporada., ver gráfico.
7.27
Figura 7.7
Distribución de las Exportaciones de hortalizas por AMB
16,00%
14,00%
Porcentaje
12,00%
10,00%
8,00%
6,00%
4,00%
2,00%
0,00%
1
2
3
4
5
6
7
8
9
10
11
12
Meses
Las exportaciones de las hortalizas por el puerto aéreo, se mantienen
durante todo el año, y a diferencia de las exportaciones de las frutas, las
hortalizas no tienen una demanda por las infraestructuras aeroportuarias en
un mes determinado, sino que se presentan más bien constantes en la
temporada.
7.4.9 Proyecciones de las exportaciones Hortícolas.
Para los efectos de las proyecciones, en atención a la varianza de las
exportaciones del rubro mostradas en los últimos años y considerando la
expansión de las áreas cultivadas estos consultores estiman una tasa de
crecimiento conservadora en las exportaciones hortícolas que debería ser
similar al crecimiento de las áreas cultivadas, es decir un 3% anual.
7.28
7.4.10 Productos del mar exportados por AMB
Los productos frescos del mar exportados por AMB se han
incrementado considerablemente durante los últimos años y de acuerdo a los
informes sectoriales dichos volúmenes tenderán a crecer a tasas más
moderadas en el futuro.
Los productos de mayor participación en las exportaciones son la
merluza, salmón y trucha. Las tasa de crecimiento anual compuesto de cada
uno de estos productos, en el período 1993-1996, fue de un 6,92% para la
merluza, un 29,3% para el salmón y 62,55% para la Trucha. El crecimiento
de este último producto se debe a que está en su etapa de desarrollo y los
volúmenes del mismo exportados por AMB son mucho menores que el
salmón.
Las tasas de crecimiento de estos productos no son estables por lo que
no se aconseja afirmar la proyección en tendencias. El salmón es el que ha
mostrado una tasa de crecimiento consistente, en cambio la merluza ha
sufrido altibajos de mercado importantes (su tasa de crecimiento interanual
reciente ha oscilado entre menos 22% y más 54%).
La cantidad exportada durante los últimos 4 años alcanza a 166.000
toneladas tal como se aprecia en el cuadro 7.14:
Cuadro 7.14
Productos del Mar Exportados por AMB
Año
Total 1993
Total 1994
Total 1995
Total 1996
TOTAL
AMB
TOTAL PUERTOS
Cantidad Mkg. FOB MU$ Cantidad Mkg. FOB MU$
28.910
147.457
159.057
580.695
34.148
169.960
178.205
684.627
43.280
215.974
199.581
859.098
59.809
258.587
226.529
895.609
166.147
791.978
763.372 3020.029
fuente: Estadísticas de Aduana
En cuánto al desglose por producto se observa que el de mayor
importancia es el salmón, tal como se desprende de la observación del
Cuadro 7.15.
7.29
Cuadro 7.15
Principales Productos del Mar Exportados por AMB
Año
1992
1993
1994
1995
1996
Merluza
Kg.
6.315.382
4.927.106
4.849.304
5.342.465
8.253.431
Salmón
Cajas
315.769
246.355
242.465
267.123
412.672
Kg.
15.518.050
18.803.316
21.771.598
31.251.140
43.357.654
Cajas
556.063
673.786
780.149
1.119.833
1.553.649
Trucha
Kg.
156.146
170.340
565.850
412.390
1.090.242
Cajas
7.807
8.517
28.293
20.619
54.512
En cuánto a la estacionalidad se puede decir que el salmón
prácticamente no la tiene; en el caso de la merluza esta es más marcada de
Octubre a Marzo, y en el caso de la trucha se ha observado un mayor
volumen entre Febrero y Mayo, tal como se refleja en las cifras del Cuadro
7.16.
Cuadro 7.16
Estacionalidad de las Exportaciones de Productos del Mar
Meses
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
TOTAL
Porcentaje de producto Exportado
Merluza
Salmón
Trucha
13,70%
7,02%
5,78%
11,36%
6,65%
14,20%
10,69%
8,26%
16,06%
9,01%
7,93%
12,79%
6,78%
8,88%
15,66%
4,58%
8,93%
8,43%
6,57%
8,98%
4,22%
4,78%
8,85%
3,74%
4,50%
7,97%
5,47%
8,98%
9,22%
4,34%
9,72%
8,33%
2,78%
9,33%
8,98%
6,53%
100,00%
100,00%
100,00%
En cuánto a los destinos de este tipo de carga, el más importante es
E.E.U.U., a modo de referencia se agrega el cuadro de los destinos para el
producto mayoritario: el salmón.
7.30
Cuadro 7.17
Exportaciones de salmón según destino (Kgs.)
País
USA
Japón
Brasil
Argentina
México
Venezuela
España
Vietnam
Alemania
Suiza
Otros
Total
1992
1993
14.144.369 17.725.701
1.054.251
833.029
9.361
24.637
8.312
61603
417
0
9066
9.978
6.598
20.116
4.248
3.319
2.480
6.657
50.444
2.130
228.504
116.146
15.518.050 18.803.316
1994
1995
19.877.102 25.832.024
1.298.202 3.400.660
287.715
1478247
118.136
223.686
1.725
50.337
23.069
69.727
3.619
2.934
0
0
60
3.000
0
19.053
161.969
171.473
21.771.597 31.251.141
1996
35.873.188
3.379.165
3.222.221
403.739
132.703
95.335
41.833
29.811
25.316
19.920
134.423
43.357.654
De acuerdo a los eventos recientes en el mercado de los productos del
mar, transportados por vía aérea, especialmente el salmón, puede afirmarse
que las tasas de expansión del pasado no se repetirán, ello básicamente
porque el precio internacional del salmón ya no presenta los niveles de años
anteriores. El precio llegó a niveles de US$ 12 por kilo y en la actualidad esta
entre US$3.5 y US$5 por kilo. Esto ha provocado que la rentabilidad de la
industria ha bajado substantivamente por lo cual su tasa de expansión debería
ser menor en el futuro.
Las proyecciones previas señalaban que la producción de salmones
podría crecer al 15% anual “si las condiciones del mercado permiten absorber
la producción a precios remunerativos”, no obstante como se señalaba en el
párrafo anterior, los precios han bajado y la proyección del 15% no parece
alcanzable. No obstante, existe la expectativa que podrían desarrollarse los
mercados para otras especies tales como el ostión, turbot, choritos y peces
planos.
Es posible debido a las condiciones de mercado que se produzcan
mayores proporciones de productos elaborados, tales como pescado
ahumado, filetes congelados y porciones elaboradas de salmón y trucha.
Estas exportaciones no necesariamente se transportarán por vía aérea.
De acuerdo a lo anterior parece razonable estimar para el próximo
quinquenio, como cota superior un crecimiento del 10% en las exportaciones
por vía aérea del sector, castigando las proyecciones de la Asociación Gremial
de Productores de Salmón que en 1997 estimaban un crecimiento del 12%.
7.31
Esta tasa deberá moderarse en el mediano plazo, se considera una
estimación razonable un 5%.
7.32
7.5
Análisis de la Carga Nacional
El análisis de las cargas nacionales por AMB se desarrolla mediante un
enfoque agregado en que se discrimina según si la carga es de llegada o
salida. Se supone que el tonelaje transportado por vía aérea está asociada a
alguna medida de la actividad económica nacional, cuya variable
representativa es el PIB. De acuerdo a esto se han calibrado dos modelos,
uno en función del PIB y un segundo considerando la misma variable
rezagada.
7.5.1 Modelo de carga nacional de llegada por AMB
Modelo 1.
Se considera como variable explicativa el PIB de Chile, y se plantea un
modelo del tipo:
TONtllegan,nacional = α*PIBβt
(7.3)
Donde:
t
TONtllegan ,nacional
PIBt
α, β
: representa el período (año)
:toneladas agregadas anuales del año t que llegan al
aeropuerto desde un origen nacional
: Producto Interno Bruto del año t
Este modelo es análogo al planteado para el caso de pasajeros. Para
efectos de estimación, esta ecuación debe linealizarse para lo cual se aplica
logaritmo.
Una
vez
hecha
esta
transformación,
se
obtiene:
7.33
Coeficiente
ln α
β
r2 (aj)
Durb. Wats.
Valor F
Estimación
-16.98948
1.648341
Valor-t
-4.1204
6,0843
Nivel de
Significancia
0.0033
0,0003
0,8001
1.220
37.02
El valor del estadístico-t para la variable explicativa PIB es significativo
estadísticamente, lo que quiere decir que se rechaza la hipótesis de que el
coeficiente que lo acompaña (β) es igual a uno, lo que se refleja además en el
hecho que el nivel de significancia es muy pequeño.
El coeficiente de determinación r2 ajustado según los grados de libertad
indica que el modelo explica un 80 % de las variaciones, lo que es un buen
indicador. Sin embargo, pareciera señalar que falta otra variable explicativa.
El valor F testea la significancia del modelo en general, obteniéndose
un valor de 37.02, con lo cual es posible aceptar el modelo (El valor crítico
para F es de 5,32).
En cuanto a autocorrelación de los residuos, existe cierta tendencia a
haber autocorrelación positiva; pero este hecho no es muy decidor dado el
número de observaciones.
Modelo 2 . De manera análoga a lo que se hizo en el caso de pasajeros, se
plantea dependencia de un rezago del PIB, es decir, el modelo es:
TONtllegan,nacional = α*PIBβt-1
(7.4)
donde PIBt-1 : Corresponde al Producto Interno Bruto del período anterior.
Coeficiente
ln
β
α
r2 (aj)
Durb. Wats.
Valor F
Estimación
-18.04709
-4.5145
Nivel de
Significancia
0.0020
1.725424
6,5402
0,0002
0,8227
1.119
42.77
Valor-t
7.34
Ambos modelos son muy parecidos en cuanto a los estadísticos
obtenidos y aún más, los valores de las estimaciones también son similares.
Podría señalarse que puede ocuparse indiferentemente cualquiera de los dos.
7.5.2 Carga Nacional que sale del aeropuerto
Modelo 1. Nuevamente se considerará como variable independiente el PIB de
Chile, y se plantea un modelo del tipo:
TONtsalen,nacional = α*PIBβt
TONtsalen ,nacional
(7.5)
: toneladas agregadas anuales del año t que salen del
aeropuerto y que tienen como origen una zona del país.
: Producto Interno Bruto del año t.
PIBt
α, β
Coeficiente
ln
β
α
r2 (aj)
Durb. Wats.
Valor F
Estimación
Valor-t
0.476326
Nivel de
Significancia
0.3061
0.7673
0.540041
5.2825
0.0007
0.7493
2.468
27.90
Como resultado de las estimaciones efectuadas por regresión lineal,
puede concluirse que la variable PIB se acepta como regresor, pues el nivel de
significancia se acepta como cercano a 0 (Recordemos que el nivel de
significancia es la probabilidad de aceptar que la variable no participa en el
modelo), y el valor del estadístico - t es alto. Sin embargo, para el valor de la
constante, se acepta que su logaritmo es 0 (Por el nivel de significancia que
es bastante elevado), luego debe aceptarse que α es igual a 1.
Si bien el coeficiente de determinación para este modelo no es muy
alto, explicando un 75% de las variaciones, el valor del estadístico F permite
afirmar que la estimación es significativa. Como aceptamos una hipótesis
nula, el modelo queda de la forma:
TONtsalen,nacional = PIBt0.540041
(7.6)
7.35
Modelo 2. Como segundo modelo, se plantea como variable independiente el
PIB del período anterior:
TONtsalen,nacional = α*PIBβt-1
(7.7)
PIBt-1 : Representa Producto Interno Bruto del año anterior al período t
considerado.
Coeficiente
ln α
β
r2 (aj)
Durb.Wats.
Valor F
Estimación
-0.000012
0.573865
Valor-t
Nivel de
Significancia
0.0000
1.0000
6.0481
0.0003
0.7981
2.459
36.58
Del valor del estadístico t para el coeficiente β se deduce que el rezago
del PIB es una buena variable. La constante α se acepta como 1 con un
100% de confianza. Comparativamente, los modelos 1 y 2 son similares y se
puede optar por el que se estime conveniente.
7.36
7.6
Proyecciones de Carga de Mediano y largo Plazo. Conclusiones
Las proyecciones de carga para AMB se realizaron separadamente
según se trate de carga internacional de importación o exportación, o carga
nacional, de llegada y salida.
En el caso de la carga internacional se realizó separadamente el análisis
para la carga de importación y la de exportación. Para la importación se
desarrollaron modelos agregados, cuyas variables explicativas son el PIB y el
índice del valor de las importaciones. Por otra parte, para las exportaciones se
realiza un análisis producto por producto, básicamente productos en fresco,
que constituyen el grueso de los embarques nacionales. Por otro lado, para la
carga nacional se establecieron los modelos de tipo log-lineal que relacionan
la carga movilizada por AMB con el PIB del país.
7.6.1 Proyección de carga importación
Como herramienta para determinar la carga de importación se
establecieron los dos modelos que se presentan en el punto 7.3.2 de este
capítulo, ellos son función tanto del PIB como del índice del valor real de las
importaciones.
El primer modelo es función sólo del índice del valor de las
importaciones, en el segundo se incluye además el PIB. No obstante el
segundo modelo, que incluye ambas variables, tiene mejores resultados
estadísticos, existe en él un problema de correlación entre las variables (95%)
por lo que no es conveniente su utilización.
De acuerdo a lo anterior se recomienda utilizar para la proyección el
modelo que incluye sólo el índice de valor de las importaciones, es decir el
Modelo 1:
o bien
TON (imp) = (exp(2.944806))*(ind-imp)1.773t
Ln(TON (imp)) = 2.944806+1.773*Ln(ind-imp)t
donde:
TON (imp)
(ind-imp)t
: toneladas agregadas anuales que llegan al aeropuerto desde el
extranjero
7.37
Con el objeto de aplicar el modelo se establecieron hipótesis sobre la
evolución del índice del valor de las importaciones, ello se realizó para un
escenario base y otro pesimista, cuya evolución se señala en el cuadro 7.18.
Las hipótesis de crecimiento del índice de importaciones, se apoyan, para el
escenario base, en la relación existente entre este índice con el crecimiento
de la economía. En el caso de la estimación pesimista se reduce la tasa de
crecimiento para el 1999 y 2000 incorporando la situación de ajuste
económico y previendo una leve alza en el tipo de cambio.
Cuadro 7.18
Evolución del Índice de valor de importación
Base
7,90%
6,80%
6,60%
7,70%
5,70%
7,10%
7,10%
7,50%
1996
1997
1998
1999
2000
2001
2002-05
2006- 10
Pesimista
7,90%
6,80%
5,90%
3,80%
3,80%
3,80%
6,60%
6,10%
En la Figura 7.8 se gráfica la proyección de las importaciones por AMB:
Figura 7.8
Proyección de Importaciones en AMB
Cifras en miles de toneladas
350
Base
300
Pesimista
250
200
150
100
50
Año
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
2000
1999
1998
1997
1996
1995
1994
0
1993
Importaciones
400
7.38
7.6.2 Proyección de carga de exportación
La metodología adoptada para proyectar la carga de exportación, según
lo expuesto anteriormente en 7.4.10, fue considerar la historia reciente de los
volúmenes exportados para los diferentes productos y realizar una evaluación
del desarrollo sectorial en función de los antecedentes y de las estimaciones
provenientes del mismo sector.
i)
Sector Pesca
Considerando la evolución reciente del mercado y los ritmos de
penetración de los productos se ha optado por adoptar determinadas tasa de
crecimiento basados en la investigación sectorial. Las principales
exportaciones por vía aérea corresponden al salmón (75% del total) cuyos
incrementos anuales recientes han variado entre un 16% y 43%, tasas que
no se sostendrán a la luz de la actual realidad sectorial. Considerando la
opinión de los productores, que en 1997 estimaban un crecimiento de sólo un
12% y siendo conservadores se ha supuesto un crecimiento para las
exportaciones aéreas del sector pesca de un 10% durante el próximo
quinquenio para luego, en atención a la curva de ciclo de producto, de allí en
más suponer un 5%.
En este sector de gran dinamismo se sugiere, al menos en los próximos
años realizar un seguimiento periódico de la situación de los sectores y
mercados respectivos. Nuevamente se reitera que el tratamiento de series de
datos temporales puede llevar a sobre estimaciones considerables, en una
situación dinámica.
En la figura 7.9 se muestra el gráfico de la proyección de las
exportaciones por AMB basados en los supuestos antes señalados:
7.39
Figura 7.9
Proyección de Exportaciones
Productos del Mar
Cifras en toneladas
160
140
Toneladas
120
100
Pesca
80
60
40
20
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
2000
1999
1998
1997
1996
1995
1994
1993
0
Años
ii)
Sector Hortofrutícola
El sector hortofrutícola fue analizado a nivel de productos tanto para
las exportaciones frutícola como hortícolas. De acuerdo al análisis realizado
se puede observar un gran crecimiento al considerar las 5 últimas
temporadas, no obstante al considerar sólo las tres últimas se observa una
suerte de estancamiento en los rubros mayoritarios. Este decrecimiento se
debe por una parte a problemas de mercado, básicamente precios
internacionales y saturación de mercados, y a la situación de deterioro del
tipo de cambio que dificulta las exportaciones.
7.40
a)
Proyecciones del sector frutícola
Las proyecciones de exportaciones aéreas para el sector frutícola, de
mantenerse las condiciones actuales son relativamente moderadas, las dos
últimas temporadas el crecimiento ha sido de menos del 2%. Ello refleja las
condiciones de mercado señaladas anteriormente, pero también refleja un
comportamiento normal en el proceso de penetración de los productos de alto
valor, que se caracteriza por muy rápidos crecimientos iniciales y
estabilización posterior. Se observa una estabilización en cerezas, duraznos,
nectarines, uva de mesa y ciruelas, que aportan un porcentaje importante de
la carga; por otra parte existen otros productos en su etapa expansiva como
frambuesas y arándanos.
Basados en las tasa de crecimiento del tráfico y la tasa de plantación
de las 4 últimas temporadas se ha establecido una banda de expansión, es
decir, una estimación baja de un 5%, basada en el crecimiento de las
plantaciones y una estimación alta de un 10%, optimista pues considera la
tasa histórica.
b)
Cargas hortícolas
Las cargas hortícolas, en su mayoría constituidas por espárragos,
radiccio y alcachofas, sólo han mostrado un crecimiento consistente para el
espárrago (corresponde al 70% en la temporada 96/97). Las cifras globales
han mostrado un estancamiento las tres últimas temporadas. De acuerdo a
este comportamiento y por razones similares a las consideradas para la fruta
se establece una banda que va de una tasa moderada de 3%, basada en el
crecimiento de la superficie plantada y una de 8%, basada en el crecimiento
histórico, que se considera de baja probabilidad de ocurrencia.
En las figuras 7.10 y 7.11 se muestran graficadas las exportaciones
por AMB de los sectores hortícolas y frutícolas:
Temporada
3.000
Pesimista
Base
2.000
1.500
1.000
500
0
2009/2009
2007/2008
2006/2007
2005/2006
2004/2005
2002/2003
2001/2002
2000/2001
1999/2000
1998/1998
2000/2004
2000/2004
3.500
2009/2010
Figura 7.11
Sector Hortofrutícola
2009/2010
Temporada
2009/2009
2007/2008
2006/2007
2005/2006
2004/2005
2002/2003
2001/2002
2000/2001
1999/2000
2.500
1997/1998
16.000
1998/1998
1996/1997
1995/1996
1994/1995
1993/1994
1992/1993
Cajas de Frutas (miles)
18.000
1997/1998
1996/1997
1995/1996
1994/1995
1993/1994
1992/1993
Hortalizas
7.41
Figura 7.10
Sector frutícola
20.000
Tasa=5%
14.000
Tasa=10%
12.000
10.000
8.000
6.000
4.000
2.000
0
7.42
7.6.3 Proyección de carga nacional
Para proyectar se emplearon los modelos calibrados en el punto 7.5. Se
utilizó como hipótesis base para el largo plazo la proyección del PIB, tal como
se explica en el capítulo 4. Tomando dicha proyección como base se
realizaron diversas hipótesis de la evolución de la economía para el período
comprendido entre los años 2000 y 2010.
Inicialmente se plantean tres escenarios con variaciones porcentuales
del PIB, sin embargo en atención a la evolución reciente de la denominada
“crisis asiática”, se ha introducido un nuevo escenario de proyección que
castiga el crecimiento de los próximos tres años, para posteriormente
recuperarse. Ello da origen a una proyección que denominamos Pesimista. En
el siguiente cuadro se muestra la variación anual del PIB en los escenarios
base y pesimista.
Una vez obtenido las estimaciones de los modelos de proyección para
la carga que entra y sale de AMB, se procedió a realizar la proyección para el
mediano y largo plazo (años 2000 y 2010 respectivamente). Debido a los
similares resultados estadísticos de los dos modelos utilizados, se presentan
ambos resultados, uno en que la carga depende del PIB del año y otro del PIB
rezagado. Los resultados se muestran en el cuadro 7.19:
Cuadro 7.19
Proyección de Transporte de Carga Nacional
Entrada y Salida AMB (toneladas)
Año
Llegada a AMB
Salida de AMB
2000
2010
2000
2010
PIB Base
Modelo 1
Modelo 2
9.212
10.852
26.623
32.956
5.202
8.891
7.366
12.865
PIB Pesimista
Modelo 1
Modelo 2
8.411
9.865
20.322
24.840
5.050
8.614
6.742
11.711
8.1
8.
ENCUESTA A PASAJEROS EN AMB
8.1
Introducción.
La encuesta de pasajeros en AMB se llevo a efecto los días Viernes 4
y Domingo 6 de Julio de 1997. Su principal objetivo fue estudiar el perfil de
comportamiento de los diferentes tipos de viajeros que hacen uso de las
instalaciones del Aeropuerto Internacional de Santiago, Arturo Merino
Benítez.
Cabe destacar que un segundo objetivo de la encuesta es el de ensayar
los métodos e identificar los problemas específicos que conlleva este tipo de
operación y al mismo tiempo analizar los procedimientos de encuesta y el
comportamiento de los viajeros en relación a esta a fin de desarrollar
metodologías que permitan maximizar la información recabada con un mínimo
de molestia al público. En este sentido la comparación de los procedimientos
seguidos con la experiencia externa en otros aeropuertos es un complemento
de importancia.
La encuesta fue desarrollada por el Departamento de Economía de la
Universidad de Chile durante 14 horas de los días señalados. Se consideró
que durante dicho período el tipo de vuelos que hace uso del aeropuerto es
representativo de las condiciones del aeropuerto durante las 24 horas. En el
caso de los vuelos internacionales se verificó según los orígenes de los
mismos y en el caso nacional prácticamente la totalidad de los vuelos se
realizan en los horarios analizados.
En cuanto al tratamiento de la muestra se adoptaron criterios acordes a
las posibilidades que brinda la operación aeroportuaria y la naturaleza del
fenómeno de salidas y llegadas que funciona en forma de pulsos en el
tiempo. Por ello se optó por maximizar el número de muestras siguiendo
algunos criterios para que no se produzca sesgo. En general el fenómeno
presenta dificultades prácticas para realizar un buen muestreo sistemático.
Instrumento de la encuesta. La encuesta fue levantada utilizando para
ello formularios para cada una de las 4 situaciones en que un pasajero
transita por el aeropuerto. (Salidas y Llegadas Internacionales, Salidas y
Llegadas Nacionales). Estos se presentan en Anexos. Los formularios fueron
sometidos al análisis de consistencia de las preguntas y a pruebas
preliminares simulando la situación de los viajeros y el grado de conocimiento
8.2
que estos tendrían frente a determinadas preguntas, en base a ello se
introdujeron mejoramientos.
La información recopilada en la encuesta y que reside en la base de
datos, se puede resumir en los siguientes ítem.
a) Información de Identificación:
Número de Cuestionario:
Línea Aérea:
Vuelo #:
Encuestador:
Fecha:
Hora:
Lugar de la encuesta:
b) Preguntas a pasajeros:
1
¿Cuál es su país o ciudad de residencia?
2
¿Cuál es el motivo de su viaje?
1) Negocios/oficial ; 2) Convención; 3) Turismo; 4) Personal; 5) Otros
3
¿Cuántas personas pertenecen a su grupo de viaje?
4
¿En qué país/ciudad/aeropuerto embarcó?
5
¿Cuántas veces ha realizado este viaje durante el último año?
6
¿Cuántos días se quedará en Chile/ en la ciudad?
7
¿Cuál es su destino final en Chile?: Ciudad, Región
8
Si Santiago es punto de conexión con otra ciudad, ¿Hace Ud. conexión
por avión?, Línea aérea y número de vuelo.
9
¿Cuántas maletas ha despachado en total su grupo de viaje?
10 ¿Qué modo de transporte utilizará desde el aeropuerto a la ciudad u
hospedaje/ viceversa?: 1) Taxi, 2) Bus/van colectivo, 3) Auto propio
(estacionado), 4) Auto alquilado, 5) Vehículo de hotel, 6) Pariente/amigo
11 ¿Cuantas personas vinieron a despedirlo al aeropuerto?
8.3
12 ¿Cuál de las siguientes categorías se aproxima a su actual ocupación o
actividad?
1) Estudiante; 2) Profesional; 3) Ama de Casa; 4) Empresa Privada; 5)
Empresa Estatal; 6) Dependencia Gubernamental ; 7) Comerciante; 8) Sin
empleo
Metodología de recuperación de la información. El equipo de
encuestadores y sus correspondientes monitores se localizaron en diferentes
posiciones del aeropuerto, básicamente en las salas de embarque para las
salidas y en los recintos de retiro de equipaje para los vuelos que llegan.
El número total de encuestas fue de 2766 de acuerdo al detalle del
cuadro siguiente:
Cuadro 8.1
Encuestas tomadas en AMB
Día
Salidas Nacionales
Llegadas Nacionales
Salidas Internacionales
Llegadas Internacionales
Total Pasajeros
Viernes 4
304
348
339
270
1.261
Domingo 6
334
347
410
414
1.505
Total
638
695
749
684
2.766
La encuesta fue decodificada y depurada residiendo actualmente en
una base de datos.
El objetivo de este capítulo es el de presentar los resultados de ciertas
variables de interés que sirven para comprender el comportamiento de los
pasajeros y derivar algunos parámetros que sirven para verificar aquellos
utilizados en el Análisis Operacional. La información aquí presentada se ha
organizado según Salidas y Llegadas Nacionales y Salidas y Llegadas
internacionales. Para cada caso se presentan cruces de información y
resultados.
8.4
8.2
Vuelos Nacionales
El estudio de los vuelos nacionales se realizó separadamente para las
llegadas y salidas de pasajeros desde el terminal nacional de AMB. Se debe
destacar que existen algunas características del viajero que son propias
independientemente de si su viaje es de ida o regreso, no obstante otras
preguntas son relevantes sólo en uno de los dos sentidos. Entre las comunes
es información de gran importancia el motivo del viaje; al considerar
simultáneamente los dos sentidos la muestra es mayor.
Cuadro 8.2
Distribución según Motivo de Viaje
Vuelos Nacionales (llegadas y salidas)
Arica
Iquique
Calama
Antofagasta
Salvador
Copiapo
La Serena
Concepción
Temuco
Valdivia
Osorno
Puerto Montt
Balmaceda
Punta Arenas
Total
Trabajo
Convención Turismo Personal
20.5%
4.8%
26.5%
33.7%
45.9%
4.5%
18.0%
20.7%
62.1%
0.0%
6.9%
24.1%
49.6%
4.3%
10.6%
19.9%
28.6%
0.0%
0.0%
14.3%
48.5%
0.0%
15.2%
27.3%
53.8%
3.8%
14.4%
13.1%
47.7%
3.2%
7.9%
32.9%
50.0%
1.7%
6.7%
25.8%
50.0%
3.1%
9.4%
12.5%
31.6%
0.0%
26.3%
23.7%
36.5%
2.9%
26.0%
16.3%
16.7%
5.6%
11.1%
55.6%
39.7%
4.4%
14.7%
30.1%
44.7%
3.4%
14.1%
25.1%
Otros
14.5%
10.8%
6.9%
15.6%
57.1%
9.1%
15.0%
8.3%
15.8%
25.0%
18.4%
18.3%
11.1%
11.0%
Total
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
13.8%
100%
8.5
Cuadro 8.3
Viajes por Motivo Trabajo/negocio
Arica
Iquique
Calama
Antofagasta
Salvador
Copiapo
La serena
Concepción
Temuco
Valdivia
Osorno
Puerto Montt
Balmaceda
Punta Arenas
Total
Semana
13.3%
48.9%
62.5%
38.5%
28.6%
56.7%
60.6%
54.3%
54.7%
40.0%
40.0%
48.0%
Festivo
24.5%
43.8%
61.5%
56.2%
43.3%
41.7%
42.6%
39.7%
44.6%
58.8%
26.1%
25.9%
17.6%
36.8%
49.3%
40.3%
En el cuadro 8.3 se presenta el porcentaje de los viajes que se realizan
según el motivo negocios/trabajo de acuerdo a los diferentes destinos, así por
ejemplo, los viajes entre Santiago y Arica con motivo negocios representan el
13,3% en la semana y 24,5% en festivos.
8.2.1 Salidas Nacionales
En primer término se analiza el motivo de viaje, en este aspecto en los
vuelos nacionales el motivo de mayor importancia lo constituye Negocios, en
que gran parte de los viajes lo realizan residentes en la capital. En general, los
no residentes en la capital tienen como motivo preponderante el de Turismo.
En el cuadro 8.7 se observa la distribución de motivos según destino
del viaje, así mismo en el cuadro 8.6 se observa la variable tamaño del grupo
de viaje , variable que se utilizó posteriormente en el análisis operacional. En
los cuadros 8.8 a) y b) se muestra la característica de los viajeros en cuanto
al equipaje que transportan. Cabe destacar la característica ratificada por la
encuesta de que gran parte de los viajeros nacionales viajan sin maletas, es
decir sólo con equipaje de cabina.
En cuánto a los medios utilizados para llegar al aeropuerto se constata
que el transporte público (buses y taxis) corresponde a una alta proporción
8.6
según casi todos los motivos de viaje, la única excepción corresponde a los
viajes por motivos personales en los cuales el auto privado es de mayor
importancia relativa.
En el cuadro 8.4 se muestra el motivo del viaje para las personas que
salieron de Santiago y en 8.5 se muestra la desagregación de estos viajes
personales según si son capitalinos o no
Cuadro 8.4
Porcentaje de viajeros que salieron de Santiago según motivo
Motivo
Negocios
Convención
Turismo
Personal
Otros
Porcentaje
42,2%
3,4%
11,9%
22,7%
19,8%
Cuadro 8.5
Porcentaje de viajeros capitalinos y no capitalinos que salieron
de Santiago según motivo
Motivo
Negocios
Convención
Turismo
Personal
Otros
Capitalinos No-Capitalinos
89,3%
10,7%
90,9%
9,1%
64,5%
35,5%
82,8%
17,2%
84,3%
15,7%
8.7
Cuadro 8.6
Número de Viajeros en el grupo según motivo
Número de
Viajeros en el grupo
1
2
3
4
5
6
7
8
9
10 o más
Total
Negocios
66,3%
21,9%
5,6%
0,4%
1,9%
0,4%
0,4%
3,3%
100,0%
Motivo del viaje
Convención
Turismo
Personal
59,1%
27,6%
57,2%
18,2%
39,5%
28,3%
4,5%
17,1%
6,9%
7,9%
4,8%
3,9%
1,4%
0,7%
9,1%
9,1%
100%
3,9%
100%
Otros
63,8%
18,1%
3,9%
3,9%
0,8%
0,7%
100%
9,4%
100%
Cuadro 8.7
Destino según motivo de viaje
Destino
Aeropuertos
Arica
Iquique
Calama
Antofagasta
Diego de Almagro
Copiapo
La Serena
Concepción
Temuco
Valdivia
Osorno
Puerto Montt
Puerto Varas
Aysén
Punta Arenas
Porvenir
Negocios
19,6
39,5
75,0
50,8
28,6
50,0
52,6
38,7
56,9
47,4
31,8
37,3
0,0
0,0
38,3
0,0
Motivo del viaje (%)
Convención
Turismo
Personal
4,3
23,9
30,4
2,6
13,2
28,9
0,0
0,0
0,0
3,4
5,1
13,6
0,0
0,0
14,3
0,0
14,3
14,3
5,3
10,5
9,5
1,7
8,4
36,1
3,1
1,5
18,5
0,0
10,5
21,1
0,0
31,8
18,2
5,1
28,8
15,3
0,0
100,0
0,0
0,0
0,0
66,7
6,2
8,6
29,6
0,0
0,0
100,0
Otros
21,7
15,8
25,0
27,1
57,1
21,4
22,1
15,1
20,0
21,1
18,2
13,6
0,0
33,3
17,3
0,0
Total
(%)
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
8.8
Cuadro 8.8 (a)
Número de maletas por grupo, motivo negocios
Número de
Personas en el
Grupo
1
2
3
4
5
6
10
11
12
16
Maletas que lleva el grupo (%)
0
57,6%
30,5%
46,7%
1
12,1%
30,5%
20,0%
100,0%
2
24,2%
23,7%
6,7%
3
3,0%
6,8%
26,7%
60,0%
4
3,0%
5,1%
5
6
10 o más
3,4%
40,0%
100,0%
50,0%
50,0%
100,0%
100,0%
100,0%
Total
100,0%
100,0%
100,0%
100,0%
100,0%
100,0%
100,0%
100,0%
100,0%
100,0%
Cuadro 8.8 (b)
Número de maletas por grupo, motivo otros
Número de
Personas en el
grupo
0
1
1
22,2% 50,5%
2
10,5% 23,2%
3
21,2% 21,2%
4
10,0%
5,0%
5
6
100,0%
12
100,0%
13
16
18
19
20
2
25,8%
40,0%
15,2%
30,0%
25,0%
3
1,0%
13,7%
15,2%
20,0%
25,0%
4
5
6
8
0,5%
8,4% 2,1% 1,1% 1,1%
27,3%
35,0%
25,0%
40,0%
10
100,0%
100,0%
100,0%
100,0%
60,0%
Total
100,0%
100,0%
100,0%
100,0%
75,0%
100,0%
100,0%
100,0%
100,0%
100,0%
100,0%
100,0%
8.9
Cuadro 8.9
Porcentaje de uso de los diferentes modos para acceder al aeropuerto
Motivo
Taxi
Negocios
Convención
Turismo
Personal
Otros
(%)
30,7
27,3
18,4
18,6
24,4
Bus/van Auto
colectivo propio
(%)
(%)
18,9 22,2
36,4
9,1
21,1 14,5
31,0 11,0
32,3 13,4
Transporte
Auto
Vehículo Pariente Otros Vacías
Alquilado del Hotel /amigo
(%)
(%)
(%)
(%)
(%)
5,6
0,7
15,6
5,2
1,1
0,0
0,0
18,2
9,1
0,0
3,9
5,3
18,4 18,4
0,0
2,1
0,0
30,3
6,2
0,7
3,9
1,6
13,4
7,9
3,1
Porcentaje de participación
por modo
Figura 8.1
Modo de transporte para acceder al aeropuerto, según motivo del viaje
30%
Otros
25%
Personal
20%
Turismo
15%
Convención
10%
Negocios
5%
0%
Taxi
Bus
Auto Pr.
Auto
Alquilado
Veh.
Hotel
Modo de transporte para llegar al aeropuerto
Pariente
Total
(%)
100,0
100,0
100,0
100,0
100,0
8.10
8.2.2 Llegadas Nacionales
De los diferentes análisis efectuados sobre la información referida a los
viajeros de vuelos nacionales que arriban se destaca el cuadro 8.10 en que se
muestra el motivo del viaje según la procedencia , Norte o Sur del país , las
proporciones son similares.
En el cuadro 8.11 referido al tamaño de los grupos de viaje se muestra
que aquellos que viajan por motivo negocio lo hacen individualmente, como
era de suponer se ratifica que quienes lo hacen por motivo turístico tienden a
viajar en grupo.
En cuánto a los medios de transporte utilizados, nuevamente es el
transporte público en alrededor del 50% de las ocasiones, como puede
observarse en el cuadro 8.13 y figura 8.3.
Cuadro 8.10
Porcentaje de viajeros que ingresaron a Santiago según motivo
Motivo
Negocios
Convención
Turismo
Personal
Otros
Norte
48,3%
52,4%
51,9%
41,4%
40,4%
Zona
V Región
Stgo-Concep.
0,0%
25,2%
0,0%
28,6%
0,9%
11,1%
0,0%
25,3%
1,9%
9,6%
Sur
26,5%
19,0%
36,1%
33,3%
48,1%
Total
(%)
100,0%
100,0%
100,0%
100,0%
100,0%
8.11
Figura 8.2
Porcentaje de viajes según motivo
0,50
0,45
0,40
Porcentaje
0,35
0,30
0,25
0,20
0,15
0,10
0,05
Otros
Personal
Turismo
Convenció
n
Negocios
0,00
Motivo del viaje
Cuadro 8.11
Número de Viajeros en el grupo según motivo
Número de
viajeros en el grupo
1
2
3
4
5
6
8
9
10 o más
Total
Motivo del viaje
Negocios
Convención
Turismo
Personal
63,1%
61,9%
37,0%
45,7%
25,5%
19,0%
37,0%
32,3%
4,0%
4,8%
8,3%
10,2%
2,2%
9,5%
8,3%
4,8%
0,3%
4,8%
3,7%
0,5%
0,3%
2,8%
0,5%
0,3%
0,3%
1,6%
4,0%
0,0%
2,8%
4,3%
100%
100%
100%
100%
Otros
38,5%
25,0%
3,8%
1,9%
30,8%
100%
8.12
Cuadro 8.12 (a)
Número de maleta que transporta el grupo de viaje
Motivo Negocios
Número de
Personas en el
Grupo
1
2
3
4
5
6
8
9
10
13
14
más de 20
0
1
2
3
4
5
6
14,3%
16,5%
7,1%
6,9%
25,0%
20,0%
60,9%
32,5%
19,0%
17,2%
12,5%
19,6%
35,0%
26,2%
31,0%
12,5%
40,0%
3,9%
11,0%
23,8%
20,7%
1,4%
2,5%
14,3%
10,3%
25,0%
1,5%
2,4%
3,4%
12,5%
1,0%
4,8%
3,4%
12,5%
7
20,0%
8
9 10 o
más
0,0%
0,0%
2,4%
6,9%
0,0%
20,0%
0,0%
25,0% 75,0%
10,0%
Total
100,0%
100,0%
100,0%
100,0%
100,0%
100,0%
0,0%
100,0%
0,0%
0,0%
0,0%
90,0% 100,0%
Cuadro 8.12 (b)
Número de maleta que transporta el grupo de viaje
Otros Motivos
Número de
Personas en el
grupo
1
2
3
4
5
6
14
Maletas que lleva el grupo
0
13,1%
14,7%
4,5%
10,0%
20,0%
0,0%
1
62,5%
27,5%
22,7%
15,0%
20,0%
2
20,0%
41,2%
31,8%
35,0%
20,0%
25,0%
3
4
5
7
10
11
3,1% 1,3%
12,7% 1,0% 2,0% 1,0%
36,4% 4,5% 0,0% 0,0% 0,0% 0,0%
30,0%
0,0%
5,0% 5,0%
40,0%
25,0% 25,0% 25,0%
14
Total
100,0%
100,0%
0,0% 100,0%
100,0%
100,0%
100,0%
100,0% 100,0%
Cuadro 8.13
Modo de transporte para llegar a la ciudad
Motivo
Negocios
Convención
Turismo
Personal
Otros
Transporte
Total
Taxi
Bus/van colectivo Auto propio Auto Alquilado Vehículo del Hotel Pariente/amigo Otros Vacias
29,5%
23,1%
18,2%
3,1%
0,3%
19,4% 0,3% 6,2%
1
38,1%
23,8%
14,3%
4,8%
0,0%
9,5% 0,0% 9,5%
1
13,0%
26,9%
21,3%
2,8%
0,9%
24,1% 0,0% 11,1%
1
14,5%
28,5%
15,1%
3,8%
0,0%
32,3% 0,5% 5,4%
1
7,7%
38,5%
13,5%
3,8%
0,0%
30,8% 0,0% 5,8%
1
Figura 8.3
Modo de transporte para llegar a la ciudad según Motivo de viaje
Porcentaje de participación por modo
30%
25%
20%
Otros
Presonal
15%
Turismo
Convención
Negocios
10%
5%
0%
Taxi
Bus
Auto Pr.
Auto Alquilado
Modo de transporte para salir del aeropuerto
Veh. Hotel
Pariente
8.14
8.3
Vuelos Internacionales
El análisis de los vuelos internacionales, al igual que los nacionales, se
desarrollo en forma separada de acuerdo si los vuelos llegaban o salían del
terminal internacional. Además, de la misma forma que en los vuelos
nacionales, se estudiaron asuntos que pueden analizarse en forma separada y
otros en forma conjunta aumentando el número de pseudos individuos.
Dentro de los aspectos que no merecen diferenciación (debido a las
características semejantes que presenta), se encuentra el motivo del viaje,
éste presenta la composición que se muestra a continuación:
Cuadro 8.14
Distribución según Motivo de Viaje
Vuelos Internacionales (llegadas y salidas)
Motivo
Trabajo
Convención
Turismo
Personal
Otros
Total
Número de pasajeros
34,3%
2,8%
43,4%
11,1%
8,3%
100,0%
8.3.1 Salidas Internacionales
Para los pasajeros que salen en vuelos internacionales se presentan
resultados relativos al motivo del viaje efectuado por pasajeros chilenos y
extranjeros. También se presenta la estructura del grupo de viaje y las
características en cuánto al equipaje transportado según el motivo Negocios y
Turismo ello a fin de explorar algún comportamiento discriminatorio. El
análisis preliminar de las cifras no señala comportamientos diferentes en el
número de equipaje que transportan los viajeros clasificados según dichos
motivos.
En cuánto a los medios para acceder al aeropuerto aproximadamente
un 45% de todos los viajeros lo hacen en transporte público.
Finalmente se presenta un cuadro para ilustrar la habitualidad del viaje
y un segundo con la distribución de frecuencia de la estadía en el lugar fuera
de su residencia habitual.
8.15
Cuadro 8.15 (a)
Porcentaje de viajeros Chilenos que salieron del país según motivo
Motivo
Negocios
Convención
Turismo
Personal
Otros
Total
Porcentaje
34,71%
1,91%
41,72%
14,01%
7,64%
100,00%
Cuadro 8.15 (b)
Porcentaje de viajeros extranjeros que salieron del país según motivo
Motivo
Negocios
Convención
Turismo
Personal
Otros
Total
Porcentaje
37,23%
2,15%
44,15%
11,93%
4,53%
100,00%
8.16
Cuadro 8.16
Número de viajeros en el grupo según motivo
Número de
1
2
3
4
5
6
8
9
10 o más
Total
Motivo del viaje
Negocios
Convención
Turismo
Personal
74,3%
86,7%
30,1%
51,1%
17,7%
38,3%
27,7%
3,0%
6,7%
12,0%
4,3%
0,4%
7,9%
4,3%
0,8%
4,4%
7,4%
0,4%
1,3%
3,2%
1,1%
0,9%
0,8%
0,3%
1,5%
6,7%
4,7%
2,1%
100,0%
100,0%
100,0%
100,0%
Otros
27,9%
20,9%
9,3%
7,0%
2,3%
32,6%
100,0%
Cuadro 8.17 (a)
Número de maletas que transportan los grupos nacionales
con diferentes números de personas
Motivo Negocios
Número de
personas en el
grupo
1
2
3
4
5
6
7
8
9
10
0
1
2
7%
6%
20%
73%
35%
20%
100%
50%
50%
3
16%
47%
20%
4
1%
0%
20%
6%
20%
100%
100%
5
6 o más
2%
6%
8.17
Cuadro 8.17 (b)
Número de maletas que transportan los grupos extranjeros
Motivo Negocios
Número de
personas en el
grupo
1
2
3
4
5
6
7
8
0
14%
10%
1
62%
30%
33%
2
17%
47%
3
5%
7%
33%
4
5
1%
7%
6
1%
33%
100%
100%
100%
Cuadro 8.18 (a)
Número de maletas que transportan los grupos nacionales
Motivo Turismo
Número de
personas en el
grupo
1
2
3
4
5
6
7
8
9
0
1
2
3
4
5
4,2% 75,0% 18,8% 2,1%
4,3% 27,7% 53,2% 12,8% 2,1%
6,3% 6,3% 25,0% 56,3% 6,3%
50,0%
12,5% 12,5% 25,0%
14,3% 14,3% 14,3% 28,6% 14,3% 14,3%
50,0%
50,0%
6
7
8
10 o más
100,0%
8.18
Cuadro 8.18 (b)
Número de maletas que transportan los grupos extranjeros
Motivo Turismo
Número de
personas en el
grupo
1
2
3
4
5
6
7
8
9
0
12,8%
9,1%
5,9%
1
61,7%
32,4%
27,3%
0,0%
2
25,5%
41,9%
13,6%
17,6%
3
4
5
17,6% 8,1%
27,3% 13,6% 4,5%
5,9% 35,3% 17,6%
57,1% 14,3% 28,6%
6
4,5%
5,9%
7
8
10
11,8%
100,0%
100,0%
100,0%
100,0%
Cuadro 8.19
Modo utilizado para acceder al aeropuerto
Motivo
Negocios
Convención
Turismo
Personal
Otros
Taxi
32,1%
12,5%
17,7%
10,6%
11,6%
Bus/van colectivo
27,2%
18,8%
20,6%
19,1%
27,9%
Auto propio
7,9%
12,5%
8,9%
14,9%
18,6%
Transporte
Auto Alquilado
Vehículo del Hotel
3,8%
3,8%
6,3%
0,0%
2,5%
6,0%
2,1%
3,2%
4,7%
0,0%
Total
Pariente/amigo
12,8%
12,5%
17,4%
20,2%
11,6%
Otros
1,1%
0,0%
0,0%
3,2%
0,0%
Vacias
11,3%
37,5%
26,9%
26,6%
25,6%
Figura 8.4
Modo utilizado para acceder al aeropuerto según motivo de viaje
Porecentaje de participación por modo
25%
20%
Otros
Personal
15%
Turismo
Convención
Negocios
10%
5%
0%
Taxi
Bus
Auto Pr.
Auto Alquilado
Modo de transporte para llegar al aeropuerto
Veh. Hotel
Pariente
1
1
1
1
1
8.20
Figura 8.5
Modo de Transporte para acceder al aeropuerto
pasajeros chilenos y extranjeros
0,25
porcentaje de participación
Extranjeros
Nacionales
0,20
0,15
0,10
0,05
0,00
Taxi
Bus
Auto Pr.
Auto Alquilado
Veh. Hotel
Modo de transporte para acceder al aeropuerto
Cuadro 8.20
Número de veces que ha realizado el mismo viaje
durante el año
Nº de veces
0
1
2
3
4
5
6
7
8
9
10
11-20
21-30
31-40
Total
% de
Personas
6,6%
54,9%
16,7%
8,7%
3,4%
1,7%
1,2%
0,7%
0,8%
0,1%
0,8%
3,4%
0,4%
0,5%
100%
Pariente
8.21
Cuadro 8.21
Días que permanecerá en otra ciudad
Nº de días
1
2
3
4
5
6
7
8
9
10 a 20
20 a 30
más de 30
Motivo
Negocios
Otros
7,6
1
9,5
0
9,5
8,7
9,5
4,8
9,5
3,4
6,7
1,4
8,6
8,7
1
0,5
4,8
1,4
21
34,8
3,8
21,7
8,6
13,5
8.3.2 Llegadas Internacionales
Para las llegadas internacionales se presentan algunos de
de información que se obtuvieron de la encuesta. En primer
estadísticas sobre motivo del viaje, tanto para chilenos
extranjeros, destaca que la proporción de viajeros extranjeros
turismo es mayor que en el caso nacional.
los cuerpos
término las
como para
por motivo
Posteriormente se presenta la estructura de grupo que realiza el viaje y
el número de piezas de equipaje que transportan. En cuánto al medio de
transporte utilizado para trasladarse a la ciudad destaca el hecho de que una
alta proporción lo hace en autos particulares.
Los detalles de los cruces de información realizados pueden observarse
en los cuadros y figuras presentados a continuación.
Cuadro 8.22 (a)
Llegada de viajeros chilenos según motivo
Motivo
Negocios
Convención
Turismo
Personal
Otros
Porcentaje
34,87%
4,87%
39,49%
8,72%
12,05%
8.22
8.22 (b)
Llegada de viajeros extranjeros según motivo
Motivo
Negocios
Convención
Turismo
Personal
Otros
Porcentaje
28,91%
2,04%
49,32%
10,20%
9,52%
Cuadro 8.23
Llegadas internacionales según motivo
Conglomerado
Resto de América
(A. Latina)
U.S.A. y Norte América
Argentina
Resto del mundo
Chile
Motivo
Negocios Convención Turismo Personal
34,9%
2,8%
48,6%
8,3%
38,0%
32,6%
27,7%
34,7%
2,7%
1,4%
6,6%
2,0%
41,3%
41,3%
47,4%
32,7%
5,3%
11,6%
8,0%
12,2%
Total
Otros
5,5%
100%
12,7%
13,0%
10,3%
18,4%
100%
100%
100%
100%
Cuadro 8.24
Número de viajeros por motivo según el número de acompañante
Número de
1
2
3
4
5
6
7
8
9
10 o más
Total
Negocios
64,3%
23,1%
4,5%
2,3%
5,0%
100%
Motivo del viaje
Convención
Turismo
Personal
60,0%
33,8%
57,8%
20,0%
42,1%
31,3%
8,0%
9,7%
4,7%
8,0%
4,0%
1,6%
4,0%
4,3%
3,1%
2,3%
100%
0,7%
0,3%
2,3%
100%
1,6%
100%
Otros
45,3%
21,3%
9,3%
8,0%
5,3%
1,3%
1,3%
8,0%
100%
8.23
Cuadro 8.25
Número de personas que transportan una cantidad determinada de maletas
Número de
Personas en el
grupo
1
2
3
4
5
6
7
8
9
10
0
1,8%
0,5%
6,3%
3,6%
1
48,0%
18,8%
18,8%
21,4%
5,3%
11,1%
2
3
4
5
6
37,9% 8,3% 2,1% 0,6% 0,6%
38,0% 20,7% 12,7% 5,6% 1,9%
18,8% 33,3% 6,3% 12,5%
21,4% 7,1% 10,7% 10,7% 7,1%
15,8% 5,3% 21,1% 26,3% 10,5%
11,1% 33,3% 33,3%
50,0%
50,0%
7
1,9%
2,1%
3,6%
8
0,3%
9
0,3%
2,1%
2,0%
14,4%
15,8%
11,1%
50,0%
100,0%
4,2% 25,0% 16,7% 12,5%
10
50,0%
41,7%
Cuadro 8.26
Modo utilizado para salir del aeropuerto
Motivo
Transporte
Total
Taxi
Bus/van colectivo Auto propio Auto Alquilado Vehículo del Hotel Pariente/amigo Vacias
24,0%
8,6%
5,0%
8,1%
5,4%
44,8% 4,1% #####
8,0%
16,0%
0,0%
0,0%
4,0%
60,0% ##### #####
10,7%
18,1%
5,4%
2,7%
5,7%
54,2% 3,3% #####
9,4%
18,8%
3,1%
1,6%
1,6%
59,4% 6,3% #####
10,7%
12,0%
5,3%
1,3%
2,7%
65,3% 2,7% #####
Negocios
Convención
Turismo
Personal
Otros
Porcentaje de participación por modo
Figura 8.6
Modo de transporte para salir del aeropuerto
60%
50%
40%
Otros
30%
Presonal
Turismo
20%
Convención
Negocios
10%
0%
Taxi
Bus
Auto Pr.
Auto Alquilado
Modo de transporte
Veh. Hotel
Pariente
8.25
Porcentaje de participación por
modo
Figura 8.7
Modo de Transporte para acceder al aeropuerto,
pasajeros chilenos y extranjeros
0,60
0,50
Extranjeros
Nacionales
0,40
0,30
0,20
0,10
0,00
Taxi
Bus
Auto Pr.
Auto
Alquilado
Veh.
Hotel
Modo de transporte para acceder al aeropuerto
Cuadro 8.27
Número de veces que ha realizado el mismo viaje
durante el año
Nº de veces
1
2
3
4
5
6
7
8
9
10
11-20
21-30
31-40
41-50
51-99
Nº de
Personas
59,2%
16,1%
7,3%
3,5%
3,2%
1,8%
1,0%
0,6%
0,1%
1,8%
2,5%
1,2%
0,3%
0,1%
1,3%
Pariente
8.26
Cuadro 8.28
Duración de los viajes de pasajeros
motivo negocios y otros
Nº de días
1
2
3
4
5
6
7
8
10 a 20
20 a 30
más de 30
Total
Motivo
Negocios
Otros
6,3%
7,2%
6,3%
3,0%
14,7%
11,5%
14,7%
7,9%
4,2%
5,9%
0,3%
0,0%
12,6%
11,5%
1,1%
4,3%
23,2%
16,1%
6,3%
18,6%
10,6%
13,7%
100,0%
100,0%
8.27
8.4
Resumen y Conclusiones
De la información recopilada en la encuesta a pasajeros es posible
formar un perfil de los usuarios de los diferentes terminales que utiliza AMB,
a saber: terminal nacional e internacional, a continuación se mencionan
algunas características de los usuarios de estos:
1.- En vuelos nacionales, con origen o destino en Santiago, destaca el motivo
Negocios para desarrollar el viaje, el motivo personal asoma como
segundo factor determinante de estos.
2.- En vuelos internacionales destacan los motivos turismo y negocios como
principales factores para realizar el viaje. En salidas y llegadas, el motivo
turismo destaca como principal, tanto para viajeros chilenos como para
viajeros extranjeros.
3.- De acuerdo a la forma de transportarse al aeropuerto o de el, de los
viajeros en vuelos nacionales, se puede señalar, el transporte público (bus
y taxi) asoma como modo principal. Los pasajeros que viajan con motivo
negocios, llegan al aeropuerto, o se van de el, preferentemente en taxi, y
los que lo hacen con algún motivo personal utilizan como modo de
transporte el bus (van colectivo) en caso contrario algún vehículo familiar.
4.- Con respecto al modo de transporte en vuelos internacionales, es posible
señalar que las personas que salen de AMB, prefieren acceder al terminal
en transporte público o con algún pariente o amigo, la mayor preferencia
la presenta el motivo negocios utilizando el bus o taxi como modo de
transporte. Por otro lado, los viajeros que llegan al terminal internacional,
se trasladan desde las dependencias del aeropuerto hacía sus respectivos
destinos mayoritariamente con parientes o amigos.
5.- Los viajeros que salen de viajes con motivo negocios, en general lo hacen
sin equipaje, para el resto de los motivos lo hacen en promedio con una
maleta, para los viajes nacionales y con dos para los internacionales.
6.- Con motivo negocios, las personas prácticamente viajan solas, en cambio
para otros motivos como por ejemplo turismo lo prefieren hacer con
compañía. Caso especial es el motivo convención, ya que presenta
características particulares para cada vuelo, de esta forma no es posible
inferir el número de viajeros que abordaran con ese motivo.
8.28
7.- La frecuencia con que se realizan los viajes internacionales es en la
mayoría de los casos baja. En general, se observan viajes con frecuencias
de una vez por año.
9.1
9.
ENFOQUE METODOLÓGICO PARA LA PROYECCIÓN DEL PERÍODO
“PUNTA” DE PASAJEROS
Las proyecciones de demanda en horas punta para los terminales del
aeropuerto AMB se basan en las proyecciones anuales de demanda para el
aeropuerto, pasajeros, movimiento de aeronave y carga. En esta sección se
presenta el marco metodológico para estimar la demanda de períodos punta,
en la cual se basa el diseño de instalaciones. La importancia de la predicción
de períodos punta radica en el hecho que ésta constituye el fundamento del
análisis de demanda-capacidad, primer requisito para dimensionar los
requerimientos físicos de terminales aéreos.
Las proyecciones anuales se elaboran para las actividades nacionales e
internacionales por separado. Para el caso de la carga, las proyecciones
incluyen tonelajes de flete y correo, organizadas por tipo de operación (e.d.,
de pasajeros o puramente de carga) y direccionalidad (e.d., llegada o salida).
Para el movimiento de aeronaves, las proyecciones incluyen número de
llegadas y salidas para operaciones de pasajeros y de carga.
9.1
Perfil de Tráfico y su Función en el Diseño y Operación
Previo a la descripción de las formas de medición utilizadas
actualmente para definir períodos de punta en relación a la demanda anual, es
importante poner la relación entre éstos y la evaluación de capacidad en la
perspectiva adecuada. La conformación de las puntas dependientes del
tiempo (v.g. cada hora) a que estén sometidas las instalaciones
aeroportuarias, constituye probablemente el factor más importante para
definir el grado de adecuación de la capacidad de las diferentes instalaciones
para satisfacer la demanda. Si bien las proyecciones anuales dan sustento a
la definición globales de demanda y a la principal proyección de los ingresos
del aeropuerto, son los flujos punta (para períodos más cortos, por ejemplo a
escala horaria o de fracciones de hora) los que determinan los requerimientos
de planta física y los aspectos operacionales de la planificación y gestión de
terminales aeroportuarios.
En general las instalaciones aeroportuarias no se diseñan para
satisfacer el máximo absoluto de la demanda anual, sino más bien para un
nivel de solicitación ligeramente más bajo. Ello debido, a que como sucede en
otras infraestructuras, no es dable justificar económicamente el dimensionar
las instalaciones para satisfacer los puntas de demanda horaria. Un diseño
dirigido a atender el volumen más alto durante el período más activo del año
se traduciría en sobrecapacidad. Este tema tiene además relación con el nivel
9.2
de servicio deseado para el terminal y los estándares de servicio usados en el
proceso de diseño.
Para realizar el análisis de las características típicas de los procesos de
intensificación temporal de la demanda (“peaking”) y para la definición del
nivel de éstos al cual se justifica satisfacer la demanda futura por
instalaciones, es importante escoger la metodología adecuada y la forma de
medir el perfil de estas fluctuaciones, para ello existen diferentes criterios.
9.2
Criterios y Formas de Medición de “puntas de tráfico” (punta)
Hay varias alternativas de definición para las medidas de punta, las que
reflejan distintos estándares de diseño y utilizan conceptos diferentes en la
evaluación de las fluctuaciones de la demanda. Estos criterios de medición
proporcionan los estándares empleados para el dimensionamiento de
terminales o parte de los mismos y el método para la planificación/diseño de
instalaciones aeroportuarias para pasajeros.
9.2.1 Hora punta Típica de pasajeros
El término es empleado por la Federal Aviation Administration (FAA) de
los EEUU., se considera el porcentaje de flujos anuales que utilizarían un
terminal durante una hora considerada como la hora de diseño, la cual tiene
un flujo ligeramente inferior al de la hora punta absoluta. Esta medida se
deriva de una función escalonada empírica que relaciona los volúmenes
anuales con los flujos horarios de pasajeros. Esta relación no tiene ninguna
interpretación científica que se refiera a los aspectos operacionales del
aeropuerto, ni tampoco distingue entre características de aeropuerto y de
demanda.
En la Fig. 9.3 puede observarse las cifras y el gráfico que representan
las recomendaciones de la FAA que relacionan el tamaño del aeropuerto,
indicado por su tráfico, y el porcentaje del mismo que debería utilizarse para
dimensionar la hora punta.
De acuerdo a dichas recomendaciones la Hora punta Típica de AMB,
cuyo movimiento total en 1995 bordeaba los 4.000.000, debería alcanzar
alrededor de un 0,04% del flujo anual. Esta cifra se mantendría aún
considerando los dos terminales separadamente, pues ambos tienen sobre un
millón de pasajeros. Del mismo gráfico surge por ejemplo, que en Concepción
se debería considerar para la hora punta un 0,065% del tráfico total.
9.3
9.2.2. Tasa Estándar de Alta Actividad (tasa de ocupación estándar)
Es la medida que representa el 30 avo más alto flujo horario de
pasajeros en un año. Es comparable a la medida Hora punta Típica de
pasajeros. Hay otras variantes de la Tasa Estándar de Alta Actividad para
representar a la medida de punta para diseño, incluyendo al vigésimo,
cuadragésimo y quincuagésimo más alto volumen del año. Cada una de estas
medidas se refleja en forma diferente en los estándares de diseño del terminal
y en ellas están implícitamente considerados los estándares de servicio. La
presentación gráfica del criterio se observa en la Fig. 9.1.
9.2.3. Tasa Horaria de Alta Actividad (Tasa de ocupación horaria)
Esta medida se refiere al volumen horario de pasajeros sobre el cual se
maneja el 5% del tráfico anual total, es decir el 95 % del tráfico anual se
maneja a tasas horarias de pasajeros iguales o menores a esta tasa. De
acuerdo a este criterio la capacidad del terminal se dimensiona normalmente
para manejar el 95% del tráfico de acuerdo a sus estándares de diseño.
(aproximadamente 0.33% de los flujos horarios anuales de mayor actividad).
La expresión gráfica de este criterio se puede observar en la figura 9.2.
9.2.4. Día Promedio en Mes punta (ADPM1):
Esta medida es la que se emplea preferentemente en estudios de
planeamiento aeroportuario para definir el perfil de punta que se considera
representativo del patrón de flujos seleccionado para el dimensionamiento de
las instalaciones y análisis de demanda-capacidad. Considera los flujos
horarios en el día promedio del mes punta durante el año. Se establece la
relación entre flujos anuales y horarios ordenando de mayor a menor los flujos
mensuales de pasajeros de un año dado (el año base, o una serie de varios
años, si se dispone de datos), se selecciona el mes punta, y se calcula el flujo
correspondiente al día promedio del mes punta. La Hora de Perfil punta (PPH)
es la hora punta observada en el día que más se acerca, en los datos de
tráfico diarios del mes, al día promedio del mes punta. Esta hora es utilizada
como hora de diseño.
Si se requiere utilizar una medida del flujo diario de pasajeros, por
ejemplo para simular un día completo, se utilizan los flujos horarios del día
promedio.
1 Sigla de “Average-Day-Peak-Month”, en la terminología en Inglés
9.4
Volumen horario de pasajeros
Figura 9.1
Tasa Estándar de Alta Actividad
TEAA
0 29
100
200
300
400
500
Número de horas en que se excede el volumen
Volumen horario de pasajeros
Figura 9.2
Tasa Horaria de Alta Actividad
THAA
al 5%
El área sombreada representa el
5% del área total bajo la curva
0
200
400
600
800
Número de horas en que se excede el volumen
1000
9.5
FIGURA 9.3 -- HORA PEAK TIPICA RECOMENDADA
Hora Peak Típica
Total de Pasajeros Anual
como porcentaje del Flujo Anual
Menos de 100.000
0,120 %
100.000 - 499.999
0,065 %
500.000 - 999.999
0,050 %
1.000.000 - 9.999.999
0,040 %
10.000.000 - 19.999.999
0,035 %
Más de 20.000.000
0,030 %
1.
HORA PEAK TIPICA RECOMENDADA
TOTAL ANUAL DE PASAJEROS
Más de 20.000.000
10.000.000 - 19.999.999
1.000.000 - 9.999.999
500.000 - 999.999
100.000 - 499.999
Menos de 100.000
0,000
0,020
0,040
0,060
0,080
% DEL FLUJO ANUAL
0,100
0,120
0,140
9.6
9.2.5. Tasa Diaria de Alta Actividad” de la IATA (“Busy Day”):
La medida de intensificación de la demanda para efectos de
dimensionamiento utilizada por la International Air Transport Association
(IATA) es la denominada “Busy Day” en Inglés, en que “busy” alude a intensa
actividad. Representa al segundo día más activo de la semana promedio para
el mes punta. Nuevamente se selecciona el mes punta , luego se identifica
una semana promedio y se selecciona el día de mayor flujo de la semana tipo.
Esta medida es una componente central de la metodología de la IATA
para sus predicciones de tráfico aeroportuario, las que abarcan pasajeros,
movimiento de aeronaves y carga. Para pasajeros se incluyen tres categorías
en la proyección —pasajeros de embarque (llegadas), de desembarque
(salidas) y en tránsito— cada una de las cuales usan instalaciones diferentes
del terminal aeroportuario. El porcentaje de pasajeros en tránsito en el
aeropuerto AMB no es significativo, como lo evidencia la base de datos de
tráfico para éste.
Las cinco medidas de perfil punta reseñadas anteriormente reflejan los
estándares de servicio comúnmente empleados en la industria de la aviación.
Para el aeropuerto AMB, no es ni realista ni justificado utilizar estándares de
servicio que satisfagan los flujos máximos absolutos de demanda, tales como
el Flujo Horario Máximo o el Flujo de Día punta en Mes punta (PDPM). En
consecuencia, podrían adoptarse tanto la medida “Busy Day” de la IATA
como la ADPM para el aeropuerto AMB.
9.3
Aspectos de aplicación de los criterios
Los factores que pueden afectar las características de intensificación
de la demanda de los terminales aeroportuarios incluyen:
La programación de vuelos en las diferentes estaciones y épocas del
año, así como su perfil, en respuesta a la demanda y fuerzas de
mercado.
La naturaleza de los mercados demandantes atendidos por el
aeropuerto, y características del área de captación de éste.
La composición de las operaciones entre las operaciones
internacionales y las nacionales atendidas por el aeropuerto
El tipo de operaciones de aerolínea comercial (v.g. de utilización de
un aeropuerto como pivote), tipo de servicio (de itinerario regular o
9.7
de charter) y los sectores de mercado atendidos por el aeropuerto
(extensión de viaje, larga o corta distancia).
Las características geográficas del aeropuerto en lo concerniente a
diferencia de zona horaria, así como de orientación de los mercados
de demanda principales. En el caso de AMB la particularidad es la de
que es extremo de ruta para la gran mayoría de los tráficos.
Basándose en lo anterior, la metodología seleccionada para el marco
predictivo de las proyecciones para el aeropuerto AMB estaría influida por el
enfoque adoptado para las proyecciones anuales, los estándares de servicio
deseados y la técnica empleada para el análisis de demanda-capacidad:
La metodología de proyección de demanda adoptada para AMB, según
lo descrito en los capítulos respectivos, se basa en modelos predictivos
independientes derivados separadamente para proyecciones internacionales
(por zona) y nacionales (totales) en dos terminales individuales del aeropuerto
AMB. Por lo tanto, los flujos de perfil punta deben ser tratados
separadamente para el caso internacional y el nacional. Siempre es posible
unir y usar conjuntamente (cuando sea aplicable) los flujos horarios de
pasajeros dentro del mismo edificio para los escenarios de desarrollo futuro
de los terminales.
La técnica que se recomienda emplear para el análisis de demandacapacidad será el programa “Passenger Capacity” de la IATA, el cual requiere
determinar los flujos horarios de pasajeros para dimensionamiento. De
acuerdo a esta metodología se utilizan los flujos de hora punta durante el día
promedio del mes punta (ADPM).
Si alternativamente se utilizase un enfoque de simulación de “lado
tierra”, para definir los requerimientos será necesario definir los flujos diarios
de pasajeros (generados mediante la programación de vuelos correspondiente
al día de diseño). En tal simulación, se puede analizar diferentes perfiles de
punta en diferentes períodos punta, tras lo cual se planificarían las
instalaciones de acuerdo a los resultados. Por ejemplo, se pueden establecer
programaciones estacionales para el aeropuerto (puntas de invierno, verano,
etc. y puntas matinales, de mediodía y de fin de día durante un día
representativo de cada uno), recurriendo a la base de datos histórica.
Se ha realizado una aplicación de la metodología, considerando la
información del año 1995. La particularidad de esta aplicación es que
considera los movimientos totales de AMB. El perfil de períodos punta para el
tráfico del aeropuerto AMB en el año base se utiliza como referencia básica
9.8
para los flujos de período punta en años siguientes, así como para convertir
las proyecciones de demanda anual a flujos diarios/horarios para los
escenarios futuros de desarrollo del aeropuerto. El método para cumplir este
objetivo consiste en examinar flujos de tráfico por mes extraídos de la base
de datos de trafico anual (por hora, día y mes; para pasajeros, carga y
aeronaves), determinar el mes punta, el día promedio para ese mes y el flujo
porcentual durante cada hora de ese día.
El perfil de punta de las operaciones de aeronaves en el futuro está
influido por la composición de la flota de las aerolíneas y la participación de
cada tipo de aeronave (por tamaño) en el total. Por lo tanto, para obtener la
distribución futura de aeronaves, se requiere una estimación del “tamaño de
aeronave” en el futuro para aplicarla al perfil de peaking de pasajeros. La
Figura 9.7 muestra la composición del total de la flota de aeronaves para el
aeropuerto AMB, incluyendo las operaciones nacionales e internacionales. Si
bien este tema es crítico para determinar los requerimientos físicos o la
capacidad en el lado aéreo (e.d. pistas), la necesidad de contar con la
distribución de punta de las operaciones de aeronaves para el edificio del
terminal radica solamente en el objetivo de determinar los requerimientos
relativos a puertas, por tipo/tamaño de aeronaves.
El proceso para establecer el perfil de punta en el año base para los
movimientos de aeronaves es similar al proceso para el caso de pasajeros y
carga.
9.4
Proyección de Perfiles de puntas (punta) de Demanda
Sin una programación de vuelos realista y suficientemente detallada
para los años futuros, es difícil proyectar un perfil de punta para tal período.
Los perfiles de punta para el año base descritos anteriormente se utilizan
como las distribuciones de punta que se repetirán en la operación futura en el
aeropuerto y que el “patrón relativo de peaking” (por hora, día y mes)
continuará siendo relativamente similar al del año base. La proyección de
perfil de peaking se basa primordialmente en un enfoque “de arriba a abajo”
que considera las distribuciones horarias/diarias de punta en el año base, con
una corrección incremental para incorporar el crecimiento pronosticado del
tráfico. Por lo tanto, los perfiles de punta de demanda futura se determinan
sustentándose en las relaciones establecidas para el año base que describen
la distribución horaria/diaria de tráfico del perfil de punta. El proceso para
proyectar la demanda punta es como sigue.
9.9
9.4.1. Pasajeros
Basándose en la distribución horaria de tráfico de pasajeros del perfil
“Busy Day”, se puede utilizar también el ADPM, se aplica la relación
porcentual de día a año para obtener la proyección del día de Alta Intensidad
de tráfico, “Busy Day” de la demanda. Esta demanda diaria se convierte
entonces a una distribución horaria basándose en los datos del año base
(Cuadro 9.1), para obtener la proyección de la distribución de demanda
horaria. Si sólo se necesita la hora punta, entonces se aplica la relación
porcentual de hora a año para determinar la hora punta “Busy Day”. La
distribución horaria/diaria de flujo de pasajeros para las llegadas y salidas se
establecen por separado para usarlas como información de entrada en el
análisis de demanda-capacidad de los terminales.
9.4.2. Carga
Basándose en la distribución horaria de tráfico de carga del perfil
ADPM, se aplica la relación porcentual de día a año para obtener la
proyección de demanda. Esta demanda diaria pronosticada se convierte
entonces a una distribución horaria considerando los datos del año base, para
obtener la distribución horaria/diaria de demanda de carga. Es importante
tener en cuenta que la operación de carga es típicamente asimétrica y que no
hay correlación entre la demanda de llegadas (importaciones) y salidas
(exportaciones) y que por consiguiente cada canal debe ser tratado por
separado. Si se requiere sólo la demanda de hora punta, se aplica la relación
porcentual de hora a año para determinar la ADPM para importaciones y
exportaciones. En el caso de la carga nacional, las operaciones en AMB son
muy pequeñas en relación a los volúmenes de carga internacional, por lo
tanto no se realiza un estudio especial de las mismas.
9.4.3 Aeronaves
Se utiliza la distribución horaria de operación de aeronaves del perfil
ADPM del año base para obtener las operaciones de aeronaves por hora
aplicando la relación porcentual de día a año para la conversión. Sin embargo,
esta distribución incorpora implícitamente la composición de la flota en el año
base. Por lo tanto, se requiere realizar algunos ajustes para una nueva
distribución horaria de aeronaves incorporando el crecimiento del tamaño de
aeronaves y el aumento de la capacidad de éstas en número de asientos. Se
utiliza un proceso iterativo para equilibrar el crecimiento de pasajeros
(basándose en el crecimiento del promedio de asientos en las aeronaves y
factores de carga futuros predichos por la industria) y el número de aeronaves
9.10
durante los períodos punta. Se aplica la relación porcentual de hora a año
para determinar la hora punta - ADPM.
Para predecir los perfiles de punta de demanda para el aeropuerto AMB
se emplean los datos desagregados por dirección de tráfico (llegadas y
salidas), tipo de operación (nacional e internacional) y según cualquiera otra
distinción que requiera la proyección de demanda para el análisis de demandacapacidad.
9.5
Cuantificación de los perfiles de Períodos punta para un Año Base
El perfil de períodos punta para el tráfico del aeropuerto AMB en un
año base (1995) se utiliza como referencia para estimar los flujos de período
punta, así como para convertir las proyecciones de demanda anual a flujos
diarios/horarios para los escenarios futuros de desarrollo del aeropuerto. El
método para cumplir este objetivo consiste en examinar flujos de tráfico por
mes extraídos de la base de datos de tráfico anual (por hora, día y mes; para
pasajeros, carga y aeronaves), determinar el mes punta, el día promedio para
ese mes y el flujo porcentual durante cada hora de ese día, para diferentes
criterios.
9.5.1 Pasajeros
La Figura 9.4 muestra el flujo horario de tráfico para el total de
pasajeros en el aeropuerto AMB durante el mes punta (Enero) de 1995,
ilustrando cuatro medidas diferentes de perfil punta: Día Promedio de Mes
punta (ADPM), “Busy Day” de la IATA, (DASP), Día punta de Mes punta
(PDPM) y Flujo Medio Diario. A continuación se resumen los resultados
relevantes asociados a cada una de ellas, las cifras se refieren a pasajeros
totales por el aeropuerto:
Las últimas dos medidas se presentan sólo para demostrar los
extremos de perfil de punta: el peak absoluto y el tráfico diario medio durante
el mes punta. El perfil de la distribución horaria durante el día seleccionado
para el año base se determina dividiendo los flujos horarios en las horas
respectivas del perfil diario por el tráfico diario total. La distribución de tráfico
de pasajeros en cada hora, como porcentaje del tráfico diario total, representa
el perfil de punta para el año base y se usa para obtener la proyección de
tráfico horario para los años futuros.
9.11
Cuadro 9.1
Valores de las puntas de movimiento de pasajeros
Período
Total Anual
Mes punta
Día Promedio (ADPM)
Hora punta
DASP
- Hora punta
PDPM
Hora punta
FDM
Hora punta
Año 1995
Enero
Mie 18/01/95
14:00
Dom /1/95
13:00
Dom 15/1/95
16:00
08:00
Pasajeros
3.750.300
372.657
11.973
934*
12.282
1.128*
14.829
1.375*
12.002
997*
9.12
Fig 94 y 9.5
9.13
El Cuadro 9.1 muestra las cuatro distribuciones para pasajeros
descritas anteriormente, representadas como porcentaje horario del tráfico
diario de pasajeros. El Cuadro 9.2 resume los datos del Cuadro 9.1,
mostrando el tráfico de acuerdo al criterio “DASP” por hora y día, para el mes
punta de 1995, es decir, enero
Para el aeropuerto AMB, se desprende un perfil que es relativamente
habitual en la industria:
•
•
•
Relación de flujo de hora punta a flujo diario 8,79%
Relación de hora punta a flujo anual: 0,03%
Relación de flujo de mes punta a flujo anual: 9,94%
9.14
Cuadro 9.2 (a)
Mediciones de Tráfico en Períodos Punta según Criterios Alternativos
Pasajeros y Carga
Horas
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
TOTAL
DIA
ADPM
Mie,
18.01.95
0,0%
0,5%
0,0%
0,0%
0,6%
0,0%
6,8%
7,0%
7,6%
5,3%
4,4%
6,6%
7,5%
7,8%
4,5%
4,4%
5,7%
7,5%
4,3%
5,3%
4,3%
5,9%
4,0%
0,0%
11.973
Pasajeros
DPeMP
DASP
Dom,
Dom,
15.01.95
8.01.95
1,1%
0,2%
0,0%
0,0%
0,0%
0,0%
0,5%
0,0%
0,0%
1,4%
2,0%
2,1%
5,7%
3,0%
7,7%
8,1%
3,7%
4,7%
6,4%
6,9%
3,4%
4,5%
5,0%
4,1%
5,6%
8,8%
6,1%
5,5%
3,8%
2,6%
9,3%
8,0%
6,0%
6,8%
2,2%
2,6%
4,5%
4,5%
7,4%
5,5%
6,2%
7,1%
6,8%
7,6%
4,2%
6,1%
2,5%
0,0%
14.829
12.828
ADPM : Día Promedio del Mes Punta
DPeMP : Día Punta del Mes Punta
FMD
: Flujo Medio Diario
FMD
0,4%
0,5%
0,1%
0,3%
0,3%
1,6%
5,1%
8,3%
6,1%
5,2%
4,9%
6,2%
6,2%
6,5%
4,6%
6,2%
5,8%
4,4%
4,2%
6,9%
5,8%
5,4%
4,5%
0,5%
12.002
ADPM
Vie,
22.12.95
0,0%
0,0%
6,4%
0,0%
0,0%
7,2%
6,7%
6,5%
0,0%
3,1%
9,0%
2,2%
0,2%
3,3%
3,4%
4,7%
0,3%
7,0%
1,2%
3,0%
4,4%
8,1%
14,8%
8,6%
642
Carga
DPeMP
Dom,
17.12.95
0,0%
8,4%
4,8%
0,0%
10,4%
1,6%
1,3%
3,5%
2,2%
2,9%
14,4%
1,2%
7,8%
2,9%
2,8%
0,1%
3,2%
2,2%
0,6%
0,4%
11,1%
4,7%
13,0%
0,6%
856
FMD
1,1%
2,7%
2,7%
1,4%
1,2%
2,6%
4,2%
5,2%
3,8%
3,3%
4,2%
4,8%
4,0%
4,7%
6,5%
4,2%
1,7%
3,4%
2,5%
3,4%
5,4%
7,6%
17,4%
2,2%
641
9.15
Cuadro 9.2 (b)
Mediciones de Tráfico en Períodos Punta según Criterios Alternativos
Horas
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
TOTAL
DIA
ADPM
DpeMP
Mar, 26.12.95 Vie, 29.12.95
2,8
4,3
2,2
2,4
2,8
2,4
0,6
0,0
1,1
2,4
1,1
1,0
0,0
0,0
0,6
0,5
0,6
1,0
2,8
4,8
11,1
7,6
3,9
4,8
8,3
3,3
3,3
4,3
8,9
8,1
7,8
4,8
5,6
7,6
4,4
3,8
8,3
5,7
3,3
5,7
4,4
9,0
5,0
4,8
6,7
5,7
4,4
6,2
642
856
ADPM : Día Promedio del Mes Punta
DPeMP : Día Punta del Mes Punta
FMD
: Flujo Medio Diario
FMD
4,7
2,9
2,0
1,2
1,2
0,9
0,6
0,9
1,7
3,8
8,6
6,5
4,7
4,8
6,8
5,5
5,6
5,0
5,5
4,0
4,8
4,9
6,4
6,8
641
9.16
9.5.2 Carga
La Figura 9.5 muestra el tonelaje de carga movilizado por hora en el
aeropuerto AMB durante el mes punta de 1995, ilustrando tres de las cuatro
medidas de perfil punta utilizadas para el caso de pasajeros. Puesto que para
la carga el “itinerario de vuelos” es menos definido que el programa semanal
de vuelos en el caso de pasajeros y el hecho de que la puntualidad no sea tan
crítica como en las operaciones comerciales de pasajeros, no se utiliza la
medida “Busy Day” (DASP), de la IATA. La medida que se recomienda para
carga es la ADPM, en tanto que la medida “Día punta en Mes punta” y “Flujo
Medio Diario” se presenta solamente para demostrar las diferencias entre una
y otra.
Cuadro 9.4
Estimación de los períodos puntas de movimiento de carga
Período
Total Anual
Mes punta
ADPM
Hora punta
- Día punta
Hora punta (PDPH)
Flujo Medio Diario
- Hora punta
Año 1995
Diciembre
22/12/95
23:00
17/12/95
11:00
23:00
Toneladas
234.443
19.869
642
95 *
856
123 *
641
112*
* En ambas direcciones
ADPM= Día Promedio del mes punta
El cuadro 9.4 muestra las tres distribuciones para carga aérea descritas
anteriormente, representadas en porcentaje horario del tráfico diario de carga.
El cuadro 9.2 resume los datos del cuadro 9.4, mostrando el ADPM (Día
Promedio en Mes punta) por hora y día de tráfico de carga, para el mes punta
de 1995, es decir Enero. Aparece también indicado en el cuadro citado la
relación porcentual de hora punta a día, mes y año, que se empleará para
derivar la proyección de hora punta en los años futuros a partir de las
proyecciones anuales. Los indicadores de punta en tráfico de carga para el
aeropuerto AMB, como se muestra en el cuadro 9.2, presentan un perfil que
es típico de operaciones de carga con punta pronunciados, tanto a nivel
estacional, como diario y horario.
La relación porcentual de hora punta a día promedio es 14,8%, de hora
punta a año es 0.041%.y de mes punta a año es de 8,47%.
9.17
9.5.3 Movimiento de Aeronaves
En la Figura 9.6 se ha graficado el perfil de peaking para los
movimientos nacionales e internacionales de aeronaves en el aeropuerto AMB
durante el mes punta de 1995. Se muestran cuatro perfiles de peaking diario,
correspondientes a las medidas ADPM, PDPM, “Busy Day” y Flujo Medio
Diario. El perfil de peaking de las operaciones de aeronaves en el futuro está
influido por la composición de la flota de las aerolíneas y la participación de
cada tipo de aeronave (por tamaño) en el total. Por lo tanto, para obtener la
distribución futura de aeronaves, se requiere una estimación del “tamaño de
aeronave” en el futuro para aplicarla al perfil de peaking de pasajeros. La
Figura 9.7 muestra la composición del total de la flota de aeronaves para el
aeropuerto AMB, incluyendo las operaciones nacionales e internacionales. Si
bien este tema es crítico para determinar los requerimientos físicos o la
capacidad en el lado aéreo (e.d. pistas), la necesidad de contar con la
distribución de punta de las operaciones de aeronaves para el edificio del
terminal radica solamente en el objetivo de determinar los requerimientos
relativos a puertas, por tipo/tamaño de aeronaves.
El proceso para establecer el perfil de punta en el año base para los
movimientos de aeronaves es similar al proceso para el caso de pasajeros y
carga. Los resultados se indican a continuación:
Cuadro 9.5
Estimación de los períodos puntas de movimiento de aeronaves
Período
Total Anual
Mes punta
Día Promedio (ADPM)
Hora punta
- Hora punta
- Día punta (PDPM)
- Hora punta
Flujo medio diario (FMD)
(1995):
Diciembre
26/12/95
11:00
21:00
29/12/95
11:00
Número de
movimientos
52.191
5.117
180
20*
19*
210
16*
180
Para operaciones de aeronaves, el Cuadro 9.5 muestra tres
distribuciones utilizadas para definir el patrón de ocurrencia de punta de
acuerdo a lo descrito anteriormente, representado en porcentaje horario de
movimiento diario de aeronaves. El Cuadro 9.2 resume los datos de
aeronaves del año base, mostrando el tráfico ADPM (Día Promedio en Mes
punta) por hora y día para el mes punta de 1995, es decir, Diciembre.
9.18
Aparece también indicada la relación porcentual de hora punta a día, mes y
año, que se empleará para derivar la proyección de hora punta en los años
futuros a partir de las proyecciones anuales, en conjunto con el tamaño de
aeronave estimado de las flotas de aerolíneas que operan en el aeropuerto
AMB.
En el cuadro se observa que los movimientos de aeronaves muestran
una hora punta más alta durante el día promedio que los pasajeros (11,1%);
la relación porcentual de hora punta a total anual es de 0,038% y la de mes
punta a total anual es 9,8%.
9.19
Figuras 5.6y 5.7
10.1
10.
REFERENCIAS BIBLIOGRAFICAS
Capítulo 2
[2.1] Consorcio Omega-Citra para MIDEPLAN, 1993. Análisis y Revisión
estudios de prefactibilidad de la Red Aeroportuaria Nacional.
[2.2] Geotecnica Consultores. “Estudios de Demanda y Diseño de la
Operación de las Concesiones Aeroportuarias-Informe 1 (2
volúmenes).” Enero 1997.
[2.3] Airways Engineering Inc. Reestructuración del Sistema Nacional de
Aeropuertos de Argentina - Informe Final. Noviembre 1995.
Capítulo 3
[3.1] IATA. Airport Reference Manual , 8th Edition, April 1995.
[3.2] Transportation Research Board, National Resarh Council, Washington,
D.C. Special Report 215. Measuring Airport Landside Capacity (1987).
[3.3] Ministerio de Obras Públicas, Transporte y Medio Ambiente. España
Análisis de Capacidad de las Instalaciones Aeroportuarias.
Capítulo 4
[4.1] Karlaftis, M., Zografos, K, Papastravou, J.; and Charnes, J.
“Methodological Framworkfor Air-Travel Demand Forecasting”. Journal
of Transportation Engineering Vol. 122, Nº, 1996. (1996).
[4.2] Coordinación General de Concesiones. MOP. Estudio de Demanda y
Diseño de la Operación de las Concesiones Aeroportuarias (1997).
[4.3] Department of the Enviroment, Transport and the Regions. “Air Traffic
Forecasts for the United Kingdom 1997.
[4.4] Sydney Basin Air Traffic Projections.
[4.5] Sal MUMAYIZ, Phd, AAEROTEC, Inc. Introduction to AIRPORT
PLANNING and Aviation Demand Forecastisg Seminar at SECTRA.
10.2
[4.6] Airbus Industrie. Global Market Forecast 1997-2016
Capítulo 5
[5.1] Box y Jenkins (1971), “Series Analysis, Forecasting and Control.
George Box, Gwilym Jenkins, Holden Day.
[5.2] Damodar Gujarati, “Econometría” Capítulo 2: Econometría de Series de
Tiempo, y Capítulo 22: Econometría de Serie de Tiempo II.
Capítulo 6
[6.1] Martinez F, Tudela A. (1992) “Apuntes de Análisis de Sistemas de
Transporte” Publicación ST-DOC/04/92 DE LA Sección Ingeniería de
Transporte, Universidad de Chile.
[6.2] Ortúzar Salas, Juan de Dios. (1994) “Modelos de Demanda de
Transporte” Capitulo 3: “El Modelo de Transporte Moderno”. Ediciones
Universidad Católica.
[6.3] Corsi, Thomas; Dresner , Martin y Windle, Robert. (1996)
“Washington/Baltimore Regional Origin-Destination Passenger Forecast
to the Year 2020”, College of Bussness and Managment. Unniversity
of Maryland.
[6.4] Juan de Dios Ortúzar and Luis Willumsen. Modelling Transport.
Capítulo 7
[7.1] Asociación de Exportadores de Chile A.G. Documento Estadístico
temporadas 92/93, 93/94, 94/95, 96/97
Capítulo 8
[8.1] Encuesta a Usuarios de Aeródromos por la D.G.A.C.(1997)

diagnóstico y análisis del aeropuerto arturo merino benítez

Transcripción

Documentos relacionados

London City Airport mejorará sus instalaciones

Weather Underground

Ous estrellats amb pernil Huevos estrellados con jamón Eggs on a

/Travel News

DUBROVNIK SEM_SANTA 2015 VLC VACACIONAL