DIAGNÓSTICO Y ANÁLISIS DEL AEROPUERTO ARTURO MERINO BENÍTEZ

DIAGNÓSTICO Y ANÁLISIS DEL AEROPUERTOARTURO MERINO BENÍTEZ

REPÚBLICA DE CHILE

MINISTERIO DE PLANIFICACIÓN Y COOPERACIÓN

MIDEPLAN

INFORME FINAL

INECON Ingenieros y Economistas Consultores Ltda.

Comisión de Planificación de Inversiones

en Infraestructura de Transporte

Secretaría Ejecutiva S E C T R A

Santiago, Diciembre 1998

DIAGNÓSTICO Y ANÁLISIS DEL AEROPUERTOARTURO MERINO BENÍTEZ

REPÚBLICA DE CHILE

MINISTERIO DE PLANIFICACIÓN Y COOPERACIÓN

MIDEPLAN

INFORME FINAL

INECON Ingenieros y Economistas Consultores Ltda.




Santiago, Diciembre 1998

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 Análisis Demanda-Capacidad.(ADC)........................................... 3.1 3.2 Estudio Operacional ............................................................... 3.10 3.3 Componentes de Servicio del Aeropuerto AMB ......................... 3.20 3.4 Mediciones y Técnicas de Análisis empleadas en Est. operacional 3.21 3.5 Mediciones en el Edificio Terminal Internacional ........................ 3.28 3.6 Verificación de Estándares de Capacidad de Instalaciones. ......... 3.42 3.7 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 Introducción. .......................................................................... 4.1 4.2 Marco Metodológico General .................................................... 4.2 4.3 Proyección de Pasajeros Internacionales. Modelo Agregado .......... 4.9 4.4 Proyección de Pasajeros Internacionales por Zona de Tráfico ...... 4.20 4.5 Análisis del Efecto de las Tarifas en el Modelo Agregado............ 4.34 4.6 Análisis de Correlación entre PIB y variables del turismo............. 4.41 4.7 Proyecciones de Mediano y Largo Plazo ................................... 4.44 4.8 Conclusiones Generales ......................................................... 4.46 5. SERIE DE TIEMPO DE PASAJEROS INTERNACIONALES .............. 5.1 5.1 Introducción .......................................................................... 5.1 5.2 Serie de Datos ........................................................................ 5.1

5.3 Modelación de la Serie de Tiempo ............................................. 5.3 5.4 Conclusiones .......................................................................... 5.8 6. PROYECCIÓN DE MATRICES DE VIAJE EN VUELOS

NACIONALES. ........................................................................ 6.1 6.1 Introducción .......................................................................... 6.1 6.2 Modelación............................................................................. 6.4 6.3 Proyección de Mediano y Largo Plazo....................................... 6.20 7. ANÁLISIS DE LA DEMANDA DE CARGA AÉREA EN AMB ............ 7.1 7.1 Introducción ........................................................................... 7.1 7.2 Movimiento Total de Carga Aérea.............................................. 7.3 7.3 Carga Internacional de Importación............................................ 7.4 7.4 Exportaciones por AMB.......................................................... 7.13 7.5 Análisis de la Carga Nacional .................................................. 7.33 7.6 Proyecciones de Carga de Mediano y Largo Plazo. Conclusiones . 7.37 8. ENCUESTA A PASAJEROS EN AMB.......................................... 8.1 8.1 Introducción ........................................................................... 8.1 8.2 Vuelos Nacionales ................................................................... 8.4 8.3 Vuelos Internacionales ........................................................... 8.14 8.5 Resumen y Conclusiones........................................................ 8.27 9. ENFOQUE METODOLÓGICO PARA LA PROYECCIÓN DEL PERÍODO

“PUNTA” DE PASAJEROS........................................................ 9.1 9.1 Perfil de Tráfico y su Función en el Diseño y Operación ............... 9.1 9.2 Criterios y Formas de Medición de “puntas de tráfico” ................ 9.2 9.3 Aspectos de aplicación de los criterios ....................................... 9.6 9.4 Proyección de Perfiles de puntas de Demanda............................. 9.8 9.5 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 PIB Base PIB Optimista PIB Pesimista A PIB Pesimista B

2000 2010 2000 2010 2000 2010 2000 2010 Argentina 1.496.323 7.053.984 1.548.258 7.298.816 1.410.432 5.421.260 1.309.970 4.753.842 USA 825.879 2.861.894 848.776 2.941.238 787.661 2.317.473 742.367 2.085.858 Resto de América 1.176.799 3.778.019 1.207.393 3.876.240 1.125.615 3.099.259 1.064.756 2.807.623 Resto del Mundo 593.110 2.077.824 609.700 2.135.943 565.428 1.679.445 532.636 1.510.200 TOTAL AMB 4.092.111 15.771.722 4.214.127 16.252.238 3.889.136 12.517.437 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 Box-Jenkins 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 % Escenario % Escenario % Bajo Incremento Medio Incremento Alto Incremento

1989 1,613,000 1,613,000 1,613,000

1990 1,750,200 8.5 1,750,200 8.5 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 Estacionamientos de

Aeronaves 1995 2005

A (0) EMB <80 0 1 B (1) BAe-146 81-100 2 2 C (2) B-737 101-160 8 10 D (3) B-757 161-210 1 6 E (4) B-767-300 211-280 5 3 F (5) B-747/MD-11 281-420 1 2 G (6) B-747-500 421-500 0 2 TOTAL 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 Estimación Alta Estimación Media Estimación Baja

% % % 1985 2,2 2.2 2,2

1986-1989 5,0 3,5 2,2 1990-2000 4,5 3,0 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


Pasajeros Tasa (%) Pasajeros Tasa (%) Pasajeros Tasa (%)

1985 410768 410768 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



1985 666018 666018 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 6.20 4.17 2.74

PASAJEROS TOTALES



1985 1076786 1076786 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 7.68 5.10 3.32

Fuente: Estudio de Mejoramiento del Area Terminal de Pasajeros, Año 1986

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 D.A.P. Estudio mejoramiento Terminal Flujo

efectivo E. Alta E. Media E. Baja

1985 450 435 400 410 410 410 435 1990 700 555 535 665 575 509 712 1995 ----- 709 751 1.036 774 621 1.551 2000 1.300 904 1.053 1.614 1.043 759 ----- 2005 ------ 1.154 1.477 2.514 1.405 926 -----

2. pasajeros internacionales

Año TAMS E.C.R. P1 D.A.P. Estudio mejoramiento Terminal Flujo efectivo

E. Alta E. Media E. Baja 1985 1.284 711 982 666 666 666 525 1990 2.097 924 1.352 916 832 768 1.039 1995 (3.126)2 1.202 1.861 1.230 1.014 876 2.199 2000 4.660 1.565 2.610 1.651 1.236 1.001 ----- 2005 ------ 2.034 3.661 2.216 1.516 1.142 -----

1 Estudio Construcción de refuerzos Calle de Rodaje Alfa 2 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 de demanda de

transporte aéreo, se aplica tráfico por tráfico y consiste en dos etapas. En primer término se predice la evolución del transporte a nivel global y posteriormente se estima que parte de este corresponde a la demanda de transporte aéreo.

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-

DESTINO

BASE REAL PROYECCION TASA

ANUAL

1992 1995 1995 2000 2005 2010

Santiago La Serena

37 61 144 220 346 531 15.95%

Santiago Copiapó

20 31 49 71 107 158 12.16%

Santiago Antofagasta

115 204 179 246 342 471 8.15%

Santiago Calama

40 64 51 70 97 133 6.90%

Santiago Iquique

114 161 86 122 177 254 4.56%

Santiago Arica

81 95 76 108 157 225 5.83%

Santiago Chillán

0 11 172 236 338 467

Santiago Concepción

203 304 443 574 762 995 9.23%

Santiago Los Angeles

0 14 90 118 160 212

Santiago Temuco

63 126 126 161 210 270 8.42%

Santiago Valdivia

14 36 116 162 231 325 19.08%

Santiago Osorno

8 47 77 107 151 212 19.96%

Santiago Puerto Montt

100 146 171 237 334 465 8.92%

Santiago Coyhaique

28 26 35 52 76 112 8.00%

Santiago Punta Arenas

84 118 97 124 158 202 5.00%

TOTAL AMB 907 1442 1911 2609 3645 5032 9.46%

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 Escenario Medio Escenario Alto 2001 6.9 7.4 7.4 2006 10.3 12.0 12.9 2011 14.7 17.7 20.7

fuente : Estudio de Concesiones, pagina III.68.

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 Crecimiento Crecimiento Anual Acumulado

1989 1.613.000 1994 2.198.000 6,40% 36,3% 1999 2.880.000 5,60% 78,5% 2004 3.755.000 5,40% 132,8%

b. Pasajeros Domésticos


1989 663.000 1994 875.000 5,70% 31,9% 1999 1.142.000 5,50% 72,2% 2004 1.465.000 5,10% 120,9%

c. Pasajeros Internacionales


1989 950.000 1994 1.323.000 6,80% 39,3% 1999 1.738.000 5,60% 82,9% 2004 2.290.000 5,70% 141,1%

d. Pasajeros Internacionales en Tránsito


1989 156.000 1994 180.000 2,90% 15,4% 1999 195.000 1,60% 25,0% 2004 205.000 1,00% 31,4%

2.14

Cuadro 2.9 Nivel de Actividad en el Período Punta

Año Llegadas

Hora Peak 20:00 Salidas

Hora Peak 08:00 Total

Hora Peak 15:00

Aeronave Pasajeros Aeronave Pasajeros Aeronave Pasajeros 1989 9 544 7 434 9 731 1994 12 772 10 708 12 1.124 1999 13 1.041 13 1.083 15 1.582 2004 16 1.461 16 1.472 19 2.141

Cuadro 2.10

Movimiento de Aeronaves

a. Doméstico Tipo de Aeronave 1989 1994 1999 2004

6 (>500 Asientos) 0 0 0 0 5 (350-499) 0 0 0 0 4 (250-349) 0 0 0 0 3 (180-249) 0 0 0 0 2 (125-179) 0 2 5 8 1 (50-124) 26 35 45 60 0 (0-49) 6 8 10 12

Movimiento Total de Aeronaves 32 45 60 80

Asientos Promedio por Aeronave 101 102 106 106

Pasajeros Promedio por Aeronave 62 63 65 66

Basado en:

1989 1994 1999 2004 Asientos Disponibles 3.420 4.590 6.330 8.480 Factores de Carga

Promedio 61,10% 63% 65% 66%

2.15

Tabla 2.10 (Cont.) b. Internacional

Tipo de Aeronave 1989 1994 1999 2004 6 (>500 Asientos) 0 0 0 0

5 (350-499) 6 8 10 12 4 (250-349) 2 2 4 8 3 (180-249) 5 11 15 21 2 (125-179) 13 16 21 26 1 (50-124) 5 7 10 12 0 (0-49) 0 0 0 2



Pasajeros Promedio por Aeronave 124 129 133 136 Basado en:

1989 1994 1999 2004 Asientos Disponibles 6.490 4.590 6.330 8.480 Factores de Carga 59,20% 60,30% 60,70% 60,80%

c. Total

Tipo de Aeronave 1989 1994 1999 2004 6 (>500 Asientos) 0 0 0 0

5 (350-499) 6 8 10 12 4 (250-349) 2 2 4 8 3 (180-249) 5 11 15 21 2 (125-179) 13 18 26 34 1 (50-124) 31 42 55 72 0 (0-49) 6 8 10 14



Pasajeros Promedio por Aeronave 92 96 99 101

Basado en:

1989 1994 1999 2004 Asientos Disponibles 9.730 14.010 19.460 26.550 Factores de Carga

Promedio 59,80% 60,70% 61,10% 61,30%

2.16

Cuadro 2.11 Proyección de Carga

a. Tonelaje de Carga Doméstica

Año Origen (Exportaciones) Fin (Importaciones) Total Carga Aérea Toneladas Crecimiento % Toneladas Crecimiento

% Toneladas Crecimient

o % 1989 5.971 2.746 8.717 1994 7.700 5,20% 3.500 5,00% 11.200 5,10% 1999 10.100 5,60% 4.500 5,20% 14.600 5,40% 2004 13.900 6,60% 6.100 6,30% 20.000 6,50%

b. Tonelaje de Carga Internacional

Año Origen (Exportaciones) Fin (Importaciones) Total Carga Aérea Toneladas Crecimiento

% Toneladas Crecimiento


% 1989 54.262 31.503 85.765 1994 78.500 7,70% 43.500 6,70% 122.000 7,30% 1999 110.000 7,00% 60.000 6,60% 170.000 6,90% 2004 145.000 5,70% 78.000 5,40% 223.000 5,60%

c. Tonelaje Total de Carga

Año Origen (Exportaciones) Fin (Importaciones) Total Carga Aérea Toneladas Crecimiento



% 1989 60.233 34.249 94.482 1994 86.200 7,40% 47.000 6,50% 133.200 7,10% 1999 120.100 6,90% 64.500 6,50% 184.000 6,70% 2004 158.900 5,80% 84.000 5,50% 243.000 5,70%

2.3 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 sub-mercados 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 Participación Tasa de crecimiento por período

en total (%) 1996-2006 2006-2016 1996-2016 USA- S.A. 35.8 7.0 5.8 6.4 EUR-S.A. 40.8 8.2 6.4 7.3 Am.Cent.-S.A 5.2 5.8 4.6 5.2 S.A.-S.A. 7.5 4.5 4.6 4.5 Africa -S.A. 1.0 5.8 4.6 5.2 Asia -S.A. 7.2 5.8 4.6 5.2 Canada-S.A. 1.2 7.0 5.8 6.4 CIS-S.A. 0.5 6.1 4.7 5.4 Oceanía S.A. 0.8 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 Tasa de crecimiento por período (%)

1997-2006 2006-2016 1997-2016 N.A.- S.A. 6.3 4.5 5.4 EUR-S.A. 7.4 5.6 6.5

Am.Cent.-S.A 7.3 5.1 6.2 S.A.-S.A. 7.3 5.2 6.2

Africa -S.A. 7.6 5.5 6.5 Oceanía -S.A. 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:

)PIB(Ln98.120.10)cionalesPaxInterna(Ln Argentina∗+−= (2.3)

R2 ajustado = 0.93 elasticidad GDP = 1.98

para Chile:

)PIB(Ln74.172.7cos)PaxDomesti(Ln Chile∗+−= (2.4) R2 ajustado = 0.98 Elasticidad GDP = 1.74

)PIB(Ln94.102.9)cionalesPaxInterna(Ln Chile∗+−= (2.5) R2 ajustado = 0.99 Elasticidad GDP = 1.94

2.20

)PIB(Ln36.206.15)onalaInternaciargC(Ln Chile∗+−= (2.6)

R2 ajustado =0.76 Elasticidad GDP =2.36

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 INTERNACIONAL NACIONAL

LLEGADAS SALIDAS TOTAL LLEGADAS SALIDAS TOTAL

1 111.284 135.026 246.310 82.359 81.756 164.115 2 113.659 117.489 231.148 75.552 72.762 148.314 3 98.426 95.373 193.799 71.762 66.119 137.881 4 81.666 91.712 173.378 66.833 66.164 132.997 5 76.215 86.288 162.503 69.436 67.470 136.906 6 84.702 83.476 168.178 65.024 62.826 127.850 7 103.569 102.024 205.593 80.677 82.580 163.257 8 100.289 97.147 197.436 72.982 72.707 145.689 9 105.574 103.626 209.200 75.815 76.034 151.849 10 97.193 95.309 192.502 78.149 79.958 158.107 11 105.430 93.784 199.214 86.967 88.015 174.982 12 104.353 102.767 207.120 82.445 98.686 181.131

TOTAL 1.182.360 1.204.021 2.386.381 908.001 915.077 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

0

50

100

150

200

250

1 2 3 4 5 6 7 8 9 10 11 12

Mes

Pas

ajer

os

(cif

ras

en m

iles)

LLEGADAS

SALIDAS

TOTAL

Figura 3.2 Flujo Mensual de Pasajeros en AMB

Vuelos Nacionales, Año 1996 Cifras en miles

0

20

40

60

80

100

120

140

160

180

200

1 2 3 4 5 6 7 8 9 10 11 12

Mes

Pas

ajer

os

(cif

ras

en m

iles)

LLEGADAS

SALIDAS

TOTAL

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

TERMINAL NACIONAL

TERMINAL INTERNACIONAL

SALIDAS Mes/día/hora Pasajeros Mes/día/hora Pasajeros MES PUNTA Diciembre 98.686 Enero 135.026 ADPM Sábado 21 3.198 Jueves 18 4.323 PDPM Sábado 28 4.239 Domingo 28 5.751 ADPM-HP 8:00 512 22:00 752 PDPM-HP 18:00 570 14:00 899 LLEGADAS MES PUNTA Noviembre 86.967 Febrero 113.659 ADPM Martes 26 2.911 Sábado 24 3.982 PDPM Viernes 29 4.126 Domingo 18 5.839 ADPM-HP 20:00 613 9:00 567 PDPM-HP 21:00 661 12:00 852

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 3.3A 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 16 17 18 19 20 21 22 23 TotalLun 1 0 0 0 0 0 22 0 79 160 102 13 95 75 0 0 166 124 0 0 102 74 0 795 290 2.097Mar 2 0 0 0 0 0 0 0 91 864 436 263 225 327 0 14 93 453 80 98 25 0 51 489 177 3.686Mie 3 100 0 0 0 72 54 0 305 611 392 381 170 231 0 861 162 173 370 72 86 37 0 490 330 4.897Jue 4 152 0 0 0 0 0 20 204 562 573 375 140 359 77 16 344 359 0 97 102 0 26 229 251 3.886Vie 5 129 0 0 0 0 0 0 265 667 226 40 121 134 0 491 0 373 0 0 93 33 193 680 172 3.617Sab 6 0 0 0 0 0 0 0 183 194 603 133 258 421 170 283 273 215 0 0 166 0 152 478 477 4.006Dom 7 267 0 0 0 0 0 0 198 637 427 295 386 0 370 561 276 306 0 51 0 35 69 554 138 4.570Lun 8 0 0 0 80 0 0 26 51 453 370 85 113 216 0 56 152 198 0 0 138 91 0 753 130 2.912Mar 9 0 0 0 0 0 0 0 236 492 128 281 0 62 288 311 364 674 0 0 131 0 0 485 475 3.927Mie 10 0 0 0 0 0 0 0 355 527 562 206 171 160 160 688 188 154 202 0 178 0 37 490 411 4.489Jue 11 0 0 0 0 0 47 0 329 240 493 289 271 0 276 0 459 299 0 0 93 0 85 44 762 3.687Vie 12 326 0 0 112 0 0 0 75 225 680 101 202 452 0 333 387 438 112 0 0 122 116 498 317 4.496Sab 13 0 0 0 0 0 0 0 0 806 481 279 279 580 176 74 171 449 222 0 203 172 0 415 563 4.870Dom 14 196 0 0 0 0 0 0 102 728 857 399 208 120 327 226 356 330 95 0 126 113 101 538 651 5.473Lun 15 128 0 0 0 0 31 0 203 682 455 65 150 320 0 143 178 387 0 0 200 57 112 590 733 4.434Mar 16 0 0 0 0 0 0 0 281 250 738 400 248 0 477 27 295 896 0 0 160 0 33 299 317 4.421Mie 17 146 0 0 0 0 0 0 0 1.053 481 297 151 363 0 621 148 105 274 0 217 0 0 477 344 4.677

Jue 18 204 0 0 0 0 0 55 174 312 370 343 521 367 22 0 25 731 0 0 120 48 88 752 191 4.323 <<< ADPMVie 19 204 0 0 0 0 0 0 289 528 640 90 325 0 0 476 164 352 113 92 128 66 148 553 327 4.495Sab 20 327 0 0 0 0 0 0 54 621 479 65 174 431 479 85 261 412 194 0 230 0 0 595 192 4.599Dom 21 108 0 0 0 0 0 0 221 678 284 459 195 610 355 451 252 357 0 0 305 0 119 495 388 5.277Lun 22 213 0 0 0 0 30 0 231 514 289 122 170 285 0 0 134 247 0 156 183 155 0 694 101 3.524Mar 23 0 32 0 187 0 0 0 291 149 425 322 274 0 268 194 489 603 0 0 173 0 54 433 177 4.071Mie 24 69 0 0 0 0 0 0 237 629 387 232 263 0 223 771 169 305 0 189 181 19 0 592 418 4.684Jue 25 130 0 0 0 0 0 49 294 463 286 153 376 235 0 137 547 354 0 0 188 0 41 487 164 3.904Vie 26 191 0 0 0 0 0 0 89 635 0 75 399 154 0 178 369 399 117 0 145 220 89 862 310 4.232Sab 27 187 0 0 0 0 0 123 109 726 949 114 285 466 78 281 373 475 105 0 119 150 0 577 199 5.316

Dom 28 144 0 0 0 0 0 0 222 624 653 216 304 668 0 899 285 317 297 0 141 0 228 566 187 5.751 <<< PDPMLun 29 230 0 0 0 0 0 22 114 626 429 0 318 125 286 30 0 607 0 0 244 0 55 705 178 3.969Mar 30 0 0 0 0 0 0 0 228 441 401 328 502 212 0 131 478 1.001 0 0 226 0 204 683 351 5.186Mie 31 186 119 0 0 0 0 0 83 1.097 605 119 283 89 622 610 160 283 194 0 145 50 0 544 361 5.550

Total 3.637 151 0 379 72 184 295 5.593 17.194 14.201 6.540 7.577 7.462 4.654 8.948 7.718 12.376 2.375 755 4.548 1.442 2.001 16.842 10.082 135.026

Cuadro Nº 3.4A M B Llegadas en Terminal Internacional

Mes Punta: Febrero

Día 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 TotalJue 1 0 0 143 0 0 237 171 370 184 160 36 331 69 152 289 55 14 72 186 0 160 605 81 0 3.315

Vie 2 97 0 0 0 0 0 0 393 164 188 0 379 149 277 316 27 208 0 203 127 263 553 0 122 3.466

Sab 3 130 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

Dom 4 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

Lun 5 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

Mar 6 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

Mie 7 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

Jue 8 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

Vie 9 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

Sab 10 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

Dom 11 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

Lun 12 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

Mar 13 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

Mie 14 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

Jue 15 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

Vie 16 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

Sab 17 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 5.028

Dom 18 0 0 0 0 0 0 437 799 407 312 300 239 852 0 645 536 230 248 0 0 277 376 181 0 5.839 <<- PDPMLun 19 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

Mar 20 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

Mie 21 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

Jue 22 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

Vie 23 0 0 0 0 0 189 0 567 317 283 0 195 194 121 0 317 57 119 158 115 615 656 0 0 3.903

Sab 24 0 0 0 0 0 189 0 353 199 567 401 214 61 341 226 65 251 0 122 76 409 331 177 0 3.982 <<- ADPMDom 25 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

Lun 26 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

Mar 27 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

Mie 28 0 0 0 0 0 0 208 956 488 254 481 135 513 0 131 390 0 0 71 156 634 387 0 0 4.804

Jue 29 0 0 0 0 0 67 189 368 457 393 37 460 319 201 169 0 119 87 145 119 84 491 65 0 3.770

TOTAL 281 109 143 97 234 2.617 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

Cuadro Nº 3.5A M B-- Salidas en Terminal Nacional

Mes Punta: Diciembre

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 TotalDom 1 0 0 0 0 0 0 0 198 116 125 228 0 222 235 368 199 134 152 328 76 574 333 0 0 3.288

Lun 2 0 0 0 0 0 0 0 605 334 223 113 116 93 112 148 632 93 114 256 210 239 61 0 0 3.349

Mar 3 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

Mie 4 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

Jue 5 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

Vie 6 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

Sab 7 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

Dom 8 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

Lun 9 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

Mar 10 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

Mie 11 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

Jue 12 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

Vie 13 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

Sab 14 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

Dom 15 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

Lun 16 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

Mar 17 0 0 0 0 0 0 0 586 362 179 0 230 94 104 260 257 87 133 214 0 301 212 0 0 3.019

Mie 18 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

Jue 19 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

Vie 20 0 0 0 0 0 0 0 433 340 190 76 233 147 278 63 372 147 91 460 215 159 521 69 0 3.794

Sab 21 0 0 0 0 0 0 0 259 512 363 90 266 114 319 98 456 90 87 269 0 275 0 0 0 3.198 <<-ADPMDom 22 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

Lun 23 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

Mar 24 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

Mie 25 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

Jue 26 0 0 0 0 0 0 0 499 662 0 226 167 112 280 170 506 67 162 356 41 438 236 0 0 3.922

Vie 27 0 0 0 0 0 0 0 470 301 145 205 190 88 208 269 353 103 211 570 46 556 443 0 81 4.239 <<-PDPMSab 28 0 0 0 0 0 0 0 181 356 283 274 256 141 187 293 381 37 203 206 240 275 210 0 0 3.523

Dom 29 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

Lun 30 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

Mar 31 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

Total 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 3.6A M B-- Llegadas al Terminal Nacional

Mes punta : Noviembre

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 TotalVie 1 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

Sab 2 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

Dom 3 119 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

Lun 4 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

Mar 5 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

Mie 6 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

Jue 7 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

Vie 8 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

Sab 9 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

Dom 10 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

Lun 11 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

Mar 12 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

Mie 13 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

Jue 14 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

Vie 15 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

Sab 16 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

Dom 17 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

Lun 18 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

Mar 19 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

Mie 20 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

Jue 21 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

Vie 22 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

Sab 23 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

Dom 24 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

Lun 25 0 0 0 0 0 0 0 119 0 121 189 215 44 359 214 278 0 110 81 222 392 476 67 0 2.887

Mar 26 0 0 0 0 0 0 0 0 106 45 124 175 75 154 252 248 116 0 134 281 613 498 90 0 2.911 <<- ADPMMie 27 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

Jue 28 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

Vie 29 13 0 0 0 0 0 0 0 105 97 212 285 206 503 224 111 110 295 207 310 318 661 327 142 4.126 <<- PDPMSab 30 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

Total 188 54 193 221 0 0 0 119 1.330 2.754 4.988 5.811 3.104 5.618 7.357 3.769 3.963 2.309 4.807 8.198 14.593 13.562 3.349 680 86.967

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 los

componentes citados. • Nodos de salida

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

Llegada de pasajeros

al terminal

Chequeo de

boletos y entrega de equipaje

(counters)

Ingreso a embarque de

pasajeros (chequeo AVSEC)

Hall de salidas Sala de

Embarque

Embarque remoto

Acceso a pie

Desplazamiento desde sala de embarque hasta

el avión y abordaje

(Estac. Bravo)

(Estac. Alfa)

Despegue del

avión

Abandono del

terminal Retiro

de equipaje (bandas

rotatorias)

Desembarque remoto

Acceso a pie

Desplazamiento desde el avión hasta el hall de espera de equipaje

(Estac. Bravo)

(Estac. Alfa)

Llegada del

avión

PROCESO DE SALIDA

PROCESO DE LLEGADA

Figura 3.4 Flujograma de Procesos para el Terminal Internacional

Llegada de pasajeros

al terminal

Chequeo de boletos y entrega de equipaje

(counters)

Ingreso a embarque de

pasajeros (chequeo AVSEC)

Hall de salidas Sala de

embarque

Embarque remoto

Acceso a pie

Desplazamiento desde sala de embarque hasta el avión y

abordaje

Despegue del

avión

PROCESO DE SALIDA

PROCESO DE LLEGADA

Ingreso a

Policía Internacional

Embarque por manga

Abandono del

terminal

Chequeo de

equipaje en aduana

(R-X)

Retiro de

equipaje (bandas

rotatorias)

Hall de recepción

Sala de espera de Policía

Internacional

Desembarque remoto

Acceso a pie

Desplazamiento desde el avión hasta la sala de Policía

Internacional

Llegada del

avión

Ingreso a

Policía Internacional

Desembarque por manga

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 > µ La tasa de formación de cola es creciente ∂L/∂t > 0

λt = µ La cola es estacionaria ∂ L/∂t =0

λt < µ La cola es decreciente ∂L/∂t <0 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 (λt ) • Tasas de servicio (atención) (µ) • Longitud instantánea de colas (Lt) • Tiempo medio en cola (Tq) • Tiempo máximo en colas Tmax • Longitud máxima de colas 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.

µ

Núm

ero

de p

asaj

eros

Tiempo

Tmax

Lmax

t2t1

n1

n2

λ(t)

Figura 3.5

Diagrama de progresión de cola

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.

∫=2t

1t

dt)t(LqLq (3.6)

Si la función no es convexa entonces es posible estimar el área como

la expresión :

∑=

=

nti

1ti

ti*)Lq( (3.7)

Σ Lq(t) en el intervalo de tiempo considerado.

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 el almacenamiento de pasajeros esperando la revisión de inmigración.

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 de observación Manual. - Técnicas fotográficas. - Técnicas de seguimiento individual. - Técnicas 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 Tipo de nave Número vuelo Hora local PASAJEROS

1º Clase Business Económica

MXA EA32 391 3:50 0 0 72 PLI B727 691 6:00 0 11 111 LAN B767 143 6:45 10 23 180 LAN B767 169 6:57 10 28 184 LAN B767 155 8:10 10 18 107 LAN B737 124 8:17 0 0 61 LAN B767 153 9:36 5 19 190 UAL B767 997 10:00 9 36 142 UAL B767 997 10:00 9 36 142 BAW B747 245 10:57 4 21 189 DLH B747 526 11:01 5 37 157 ARG B737 1230 11:08 0 6 90 LAP FK10 501 12:05 0 0 20 LAN B767 120 12:52 3 15 67 LLB B727 965 13:20 0 4 81 UAL B757 973 13:44 0 19 153 IBE B747 6811 13:09 4 19 302 NCN B737 319 14:00 0 0 102 PUA B737 403 14:05 0 2 98 VRG B767 920 14:25 0 17 166 LAN B737 128 14:14 0 8 69 LAN B737 101 14:35 0 0 108 LAN B737 126 17:36 0 7 64 LAN B737 79 18.00 0 0 119 EEA B727 904 18:43 0 7 18 NCN B737 327 20:14 0 0 120 CUB IL62 458 20:35 0 0 129 LAN B767 173 20:08 0 14 167 LAN B767 167 20:32 5 21 186 LAN B767 191 20:56 2 7 196 LAN B767 168 21:02 0 24 152 LAN ODC8 309 21:40 0 0 0 LAN B737 77 21:41 0 0 119 LAN B737 154 22:01 0 3 51 NCN B737 374 23:58 0 0 73 ARG B727 1290 0:20 0 1 27 EEA B727 905 24.00 0 0 12

FFuente: DGAC

3.26

MXA= Mexicana de Aviación LAP= Líneas Aéreas Paraguayas LLB= Lloyd Aéreo Boliviano CUB= Cubana de Aviación LAN= Línea Aérea Nacional IBE= Iberia UAL= United Airlines NCN= National BAW= British Airways PUA= PLUNA DLH= Lufthansa VRG= Varig ARG= Aerolíneas Argentinas EEA= Ecuatoriana AA= American Airlines 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 Tipo de nave

Número vuelo

Hora_local PASAJEROS

1º Clase Business Económica

MXA EA32 390 4:30 0 0 34 NCN B737 318 7:50 0 0 35 ARG B727 1211 7:00 0 2 66 PLI B727 692 8:00 0 4 111 LAN B767 172 8:40 0 8 88 LAN B737 78 8:04 0 0 38 LAN B767 169 8:15 8 10 174 NCN B737 326 9:15 0 0 123 LAN B737 76 9:12 0 0 113 LAN B737 155 9:41 0 1 28 LAN B767 190 9.52 0 7 106 ARG B737 1231 11:48 0 8 103 LAP FK10 500 12:35 0 0 60 LAN B737 100 12:45 0 0 87 LAN B737 127 12.58 0 9 99 BAW B747 244 12.38 1 22 242 DLH B747 527 14:46 7 74 245 IBE B747 6810 14.43 0 7 229 PUA B737 404 15:21 0 7 98 VRG B767 920 15:25 0 18 142 LAN B767 129 15:50 0 10 189 LAN B737 121 17:05 0 1 88 LLB B727 966 18:15 0 5 50 UAL B757 972 18:43 0 6 79 EEA B727 904 18.43 0 7 18 NCN B737 373 21:37 0 0 69 UAL B767 996 22:02 3 21 82 LAN B737 123 22:26 0 9 100 LAN B767 142 22:37 4 14 143 LAN B767 152 22:40 0 4 61 AAL B767 912 22:53 12 27 70 LAN ODC8 308 23:00 0 0 0 LAN B767 558 23:00 0 0 0 LAN B767 168 23:05 4 12 138 LAN B767 154 23:13 0 3 21 EEA B727 905 0:58 0 0 13 CUB IL62 459 0:00 0 0 74

Fuente: DGAC

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 (L q). 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.

3.31

Figura 3.6 Evolución de la Longitud de Cola

Caso 527

0

5

10

15

20

25

30

35

40

45

50

0:00

0:06

0:12

0:18

0:24

0:31

0:38

0:44

0:51

0:57

1:03

1:09

1:16

1:23

1:29

1:36

1:45

1:55

2:02

2:10

2:16

2:22

2:28

Hora relativa

Pasa

jero

s en

esp

era


Caso 921

0

10

20

30

40

50

60

0:04

0:11

0:17

0:23

0:29

0:35

0:41

0:49

0:55

1:02

1:10

1:17

1:24

1:30

1:36

1:42

Hora relativa

Pasa

jero

s en

esp

era

3.32

Figura 3.8 Evolución de la Longitud de Cola Medición a partir de primera hora

Caso 244

0

20

40

60

80

100

120

0:00

0:02

0:04

0:06

0:10

0:13

0:15

0:18

0:21

0:24

0:27

0:30

0:32

0:35

0:37

0:39

0:40

0:43

0:45

0:47

0:49

0:50

Hora relativa

Pasa

jero

s en

esp

era


Caso 129

0

5

10

15

20

25

30

35

0:00

0:04

0:08

0:17

0:21

0:25

0:29

0:33

0:37

0:41

0:45

0:49

0:53

0:57

1:01

1:05

1:09

1:29

1:33

1:37

Hora relativa

Pasa

jero

s en

esp

era

3.33


Caso 100

0

5

10

15

20

25

30

0:00

0:04

0:08

0:12

0:16

0:20

0:24

0:28

0:32

0:36

0:40

0:44

0:57

1:01

1:05

1:09

1:33

Hora relativa

Pasa

jero

s en

esp

era

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 (3.10)

Los resultados se observan en el cuadro 3.9.

3.35

Cuadro 3.9 Principales parámetros medidos en los counter

Variable Unidad Caso 100 Caso 129 Caso 244 Caso 527 Caso 921

Longitud máxima de cola

Lmax Pas. 28 31 100 50 44

Tasa de servicio µ Pas./min

0.36 0.37 0.47 0.58 0.35

Tiempo Máximo en cola

Tmax min 14 15 30 13 30

Promedio de counter activos

S* Nº 5.5 5.5 7 6.5 4

Tasa Global de Servicio

Tasa Gl. P/min 2 2 3.29 3.77 1.4

Num. Pas. En Económica

NPE Pas. 87 189 242 245 142

Num. Total de Pasajeros

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.

Figura 3.11

Personas en Espera Salidas - Control de Documentos

0

5

10

15

20

25

30

35

11:3

0

11:4

3

11:4

9

11:5

5

12:0

1

12:0

7

12:1

3

12:1

8

12:2

4

12:3

0

12:4

5

12:5

1

12:5

7

13:0

3

13:0

9

13:1

5

13:2

1

13:2

7

13:3

3

13:3

9

13:4

5

13:5

1

13:5

7

14:0

3

14:0

9

14:1

5

14:2

1

Hora

Pasa

jero

s y

Esta

cion

es

Estaciones

Pasajeros

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

0

50

100

150

200

250

300

10:5

0

10:5

3

10:5

6

11:0

0

11:0

3

11:0

6

11:0

9

11:1

2

11:1

5

11:1

8

11:2

1

11:2

4

11:2

7

11:3

0

11:3

3

11:3

6

11:3

9

11:4

2

Hora

Pers

onas

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 Tiempo

(Min.) 997 178 40 245 210 44 1230 96 35 526 194 38 501 20 s/d 120 82 15 681 321 36 319 102 10 973 172 15 965 85 45 403 100 30 319 102 10 128 69 26 920 183 15 101 108 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. BAA 95% de pasajeros, menos de 3

min Control Pasaporte IATA 95% de pasajeros, menos de 1

min Inmigración IATA 95% de pasajeros, menos de 12

min BAA 95% pasajeros nacionales menos

de 4 min. Retiro de equipaje IATA 95% de pasajeros, menos de 20

min. 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 SERVICIOATENCION EN COUNTER

0

20

40

60

80

100

0 60 120 180 240 300 360 420

SEGUNDOS POR PASAJERO

% A

CU

MU

LAD

O

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 Area (m2)

1-A Control Pasaporte – Llegadas 412

1-B Retiro Equipaje 1640

1-C Hall de llegadas 640

3-A Área de Salidas 1850

3-B Área de Cola 600

3-C· Sala Ingreso a Policía 165

3-D Sala de Embarque 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 Terminal Nacional

Instalación Existente Cap. IATA Requeridos Ok Existente Cap. IATA Requeridos Ok

A D P M P D P M A D P M P D P M

Estacionamiento(m-l)1:

Llegadas 40 27 40 45 26 28

Salidas 40 29 34 45 20 22

Chequeo de Aerolineas:

Numero de Counters 48+8 25 30 Si 40 17 19

Area de colas (m2) 600 200 230 200 130 145

Control de Pasaporte:

Llegadas- Estaciones 12 12 17 No

Llegadas area de cola (m2) 412 250

Salidas- Estaciones 12 11 13 No

AVSEC- Embarque

Común 2 3 3 No 2 2 2

Sala de embarque 1

Hall de Salidas (m2) 1850 1700 2050 No 1200 960 1100

Area de Servicios (m2) s/d 1300 1650 175 200

Area Sala Embarque (m2) 2100 1200 1500 Si 450 400 400

Retiro de Equipaje:

Numero de instalaciones 3 2 3 Si 2 2 2 Si

Area de despacho (m2) 1640 500 800 Si 250 550 550

Control de Aduanas

Numero de Posiciones 3 3 4 No

Area de Cola (m2) común 15 20

Hall de llegadas (m2) 634 750 1200 No 1380 1500

Flujos de Hora Punta A D P M P D P M A D P M P D P M

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 N Chile (tráfico doméstico) zona A Argentina zona B EEUU y Canadá zona C América Latina y el Caribe, excepto Argentina zona D 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- a todos los puntos en Argentina, (Buenos Aires) AMB-zona B: AMB- a todos los puntos en USA & Canada, (Miami, New

York, Los Angeles) AMB-zona C: AMB- a todos los puntos en América Latina y Caribe,

excepto Argentina, (Sao Paulo, R. de Janeiro, Lima) AMB zona D: 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 PIB

AÑO Entran Salen TOTAL Mill $ 1986 1986 294.666 316.654 611.320 3.025.304 1987 326.134 364.488 690.622 3.203.197 1988 425.987 437.877 863.864 3.426.979 1989 473.280 476.629 949.909 3.734.438 1990 520.365 518.340 1.038.705 3.846.846 1991 599.952 612.600 1.212.552 4.073.292 1992 659.130 663.322 1.322.452 4.452.973 1993 764.550 776.224 1.540.774 4.950.488 1994 931.238 955.502 1.886.740 5.160.795 1995 1.094.413 1.104.753 2.199.166 5.601.788

Fte. DGAC y Banco Central 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

0

500

1.000

1.500

2.000

2.500

1986 1987 1988 1989 1990 1991 1992 1993 1994 1995

Año

Tot

al p

asaj

eros

(m

iles)

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

0

500

1.000

1.500

2.000

2.500

3.025 3.203 3.427 3.734 3.847 4.073 4.453 4.950 5.161 5.602

PIB Nacional (miles de millones 1986)

Pasa

jero

s (m

iles)

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:

βα= PIBTRANS (4.1)

La ecuación planteada supone una relación multiplicativa, no lineal, para linealizarla se modifican las variables aplicando logaritmo:

ln ln lnTRANS PIB t= • +β 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 Estimación Error Estándar Valor t Nivel de

Significancia ln α -16,2846 1,22323 -13.3128 0,00000

β 1,98645 0,08037 24.7159 0,00000

r2 (aj) 0,9855

Valor F 610,8741 Grad. libertad 8 SE4 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).

Ventaja: es un modelo bastante simple y se ajusta muy bien a los datos. 4 SE: Error estándar de la estimación

4.13

• Modelo 2 (TIT-M2)

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 PIB PIBt t t= • −α β γ

1 (4.3)

Siguiendo el mismo razonamiento anterior se modifican las variables

por los logaritmos de las variables, y el modelo queda

ln ln ln lnTRANS PIB PIBt t t= • + • +−β γ α1 (4.4) Los resultados del modelo se presentan en el cuadro 4.3.

Cuadro 4.3 Resultados Modelo TIT-M2

Parámetro Estimación Error Estándar Valor t Nivel de

Significancia ln α -16,917674 1,135155 -14,9034 0.0000

β 0,827899 0,644886 1,2838 0,2401

γ 1,20545 0,66692 1,8075 0,1136

r2 (aj) 0,9887

Valor F 393,624 Grad. Libertad 7 SE 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

• Modelo 3 (TIT-M3)

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 PIB TRANSt t t= • −α β γ

1 (4.5)

La ecuación linealizada es:

ln ln ln lnTRANS PIB TRANSt t t= • + • +−β γ α1 (4.6) Los resultados del modelo se presentan en el cuadro 4.4.

Cuadro 4.4

Resultados Modelo TIT-M3

Parámetro Estimación Error Estándar Valor t Nivel de Significancia

ln α -7,853372 4,980124 -1,5769 0,1588

β 0,955928 0,598179 1,5981 0,1541

γ 0,525378 0,302755 1,7353 0,1263

r2 (aj) 0,9884

Valor F 383,735 Grad. Libertad 7 SE 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. • Modelo 4 (TIT-M4)

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 PIB PIB TRANSt t t t= • •− −α β γ δ

1 1 (4.7)

4.15

La ecuación linealizada es:

ln ln ln ln lnTRANS PIB PIB TRANSt t t t= + • + • + •− −α β γ δ1 1 (4.8)

Los resultados del modelo se presentan en el cuadro 4.5.

Cuadro 4.5

Resultados Modelo TIT-M4

Parámetro Estimación Error Estándar Valor t Nivel de Significancia

ln α -10,783365 5.326603 -2.0244 0.0893

β 0,407836 0.722126 0.5648 0.5927

γ 0,883868 0.704386 1.2548 0.2562

δ 0,371725 0.315757 1.1773 0.2837

r2 (aj) 0.989261

Valor F 277.345 Grad. libertad 6 SE 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

Residuos Modelo 1

Valor Obs. Valor Est. Residuos Res. Estand. 13,3234 13,3582 -0,03483 -0,827 13,4453 13,4717 -0,02636 -0,57889 13,6692 13,6059 0,06332 1,49063 13,7641 13,7765 -0,01240 -0,24717 13,8235 13,8354 0,01805 0,35928 14,0082 13,9491 0,05918 1,29355 14,0950 14,1261 -0,03109 -0,6353 14,2478 14,3365 -0,08869 -2,57647 14,4504 14,4191 0,03123 0,69229 14,6036 14,582 0,02158 0,51295

Residuos Modelo 2

Valor Obs. Valor Est. Residuos Res. Estand. 13,3234 13,3608 -0,03744 -1,03332 13,4453 13,4723 -0,02697 -0,67275 13,6692 13,5671 0,07207 2,28159 13,7641 13,7496 0,01449 0,348656 13,8235 13,8778 -0,02427 -0,67141 14,0082 13,9609 0,04738 1,17017 14,0950 14,1036 -0,00860 -0,20138 14,2478 14,2987 -0,05091 -1,70219 14,4504 14,4608 -0,01047 -0,31694 14,6036 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 Modelo 1 2,102 Modelo 2 2,0117

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

12,6

12,8

13

13,2

13,4

13,6

13,8

14

14,2

14,4

14,6

14,8

1 2 3 4 5 6 7 8 9 10

Período

Val

or

Valor Obs.

Valor Est.

4.18

Figura 4.4 Residuos Modelo 1

-3

-2,5

-2

-1,5

-1

-0,5

0

0,5

1

1,5

1986 1987 1988 1989 1990 1991 1992 1993 1994 1995

Año

Val

or

Figura 4.5 Comparación Valor Observado vs Valor Estimado

de los Logaritmos de las Variables (Modelo2)

12,6

12,8

13,0

13,2

13,4

13,6

13,8

14,0

14,2

14,4

14,6

14,8

1 2 3 4 5 6 7 8 9 10

Período

Val

or

ValorObs. ValorEst.

4.19

Figura 4.6 Residuos Modelo 2

-2,00

-1,50

-1,00

-0,50

0,00

0,50

1,00

1,50

2,00

2,50

1986 1987 1988 1989 1990 1991 1992 1993 1994 1995

Año

Val

or

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 A: Total Chile - Argentina • ZONA B: Total Chile - Estados Unidos • ZONA C: Total Chile - Resto de América • ZONA D: Total Chile - 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:

βα= tt PIBTRANS (4.10)

Supone dependencia del PIB chileno del mismo período, denotado por t.

Este modelo linealizado presenta la forma:

tt PIBlnlnTRANSln •β+α= (4.11)

Modelo 2:

β

−α= 1tt PIBTRANS (4.12)

Supone dependencia del PIB chileno del año anterior. Se linealiza

aplicando logaritmo natural:

4.21

1tt PIBlnlnTRANSln −•β+α= (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

ZONA A ZONA B ZONA C ZONA D PIB AÑO Chile-Arg. Chile-EEUU Chile-RdA Chile-RdM mill $ de 1986

1985 118.262 120.875 190.853 85.159 2.868.406 1986 143.987 130.021 218.796 81.242 3.025.304 1987 215.148 148.034 246.226 106.608 3.203.304 1988 253.736 190.146 271.187 114.859 3.426.976 1989 276.287 228.153 305.102 120.397 3.734.438 1990 286.542 234.327 343.835 143.279 3.846.846 1991 377.669 267.442 369.938 162.594 4.073.292 1992 421.742 282.635 389.451 183.334 4.452.973 1993 498.778 322.773 458.619 204.128 4.950.488 1994 600.112 391.232 555.705 249.492 5.160.795 1995 641.535 459.952 718.161 281.997 5.601.788

Fuente: JAC

4.22

Figura 4.7 Total de pasajeros por zonas

0

100

200

300

400

500

600

700

800

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995

Años

Pasa

jero

s (e

n m

iles)

Chile-Arg.

Chile-USA

Chile-RdA

Chile-RdM

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 Error Est. Valor t N. de Signif. ln α -23.942899 2.540911 -9.422961 0

β 2.408436 0,167294 14.396345 0

r2 (aj) 0.95376

Valor F 207.2547 Durb. Wat 1.6770 Grad. Libert. 10

Modelo ZA-M2 Parámetro Estimación Error Est. Valor t N. de Signif.

ln α -22,22865 2,694439 -8,24982 0,00003 β 2,30718 0,177818 12.97487 0,00000

r2 (aj) 0,94896

Valor F 168,34727 Durb. Wat 1,72627 Grad. Libert. 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

Pasajeros observados Pasajeros Predichos 1985 118.262 142.741 1986 143.987 162.275 1987 215.148 186.215 1988 253.736 219.103 1989 276.287 269.474 1990 286.542 289.426 1991 377.669 332.173 1992 421.742 411.701 1993 498.778 531.330 1994 600.112 587.329 1995 641.535 715.560

Figura 4.8

Comparación Valor Observado vs Valor Estimado Zona A

0

100

200

300

400

500

600

700

800

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995

Años

Pasa

jero

s (e

n m

iles)

Valor Obs

Valor Pred.

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 muestran en el cuadro 4.11.

Cuadro 4.11

Modelos Zona B

Modelo ZB-M1 Parámetro Estimación Error Est. Valor t N. de Signif.

ln α -16,962168 1,50370 -11,28025 0 β 1,930361 0,09900 19.49765 0

r2 (aj) 0,9743

Valor F 380.158 Durb. Wat 1,13894 Grad. Libert. 10

Modelo ZB-M2 Parámetro Estimación Error Est. Valor t N. de Signif.

ln α -17,29059 1,82031 -9,49868 0,00001 β 1,96082 0,12013 16,32230 0,00000

r2 (aj) 0,9672


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 Durbin-Watson, 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

Comparación Valor Observado vs Valor Estimado Zona B

0

50

100

150

200

250

300

350

400

450

500

1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

Año

Pas

ajer

os

(cif

ras

en m

iles)

Pas. Obs.

Pas. Est.

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 Error Est. Valor t N. de Signif.

ln α -14,134739 1.421331 -9,94472 0 β 1,769970 0.093558 18,91373 0

r2 (aj) 0,97273

Valor F 357.7293 Durb. Wat 1,2167 Grad. Libert. 10

Modelo ZC-M2

Parámetro Estimación Error Est. Valor t N. de Signif. ln α -14,72805 1,4503131 -10,5508 0

β 1,81710 0,0957131 18,9849 0

r2 (aj) 0,975572


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 Pasajeros

observados Pasajeros estimados

1986 218.796 217.728 1987 246.226 239.851 1988 271.187 266.092 1989 305.102 300.832 1990 343.835 351.663 1991 369.938 371.134 1992 389.451 411.783 1993 458.619 484.171 1994 555.705 586.925 1995 718.161 633.016

Figura 4.10 Comparación valor Observado vs valor Estimado

Zona C

0

100

200

300

400

500

600

700

800

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

Año

Pas

ajer

os

(cif

ras

en m

iles)

Pas. Obs

Pas. Est

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 muestran en el cuadro 4.15.

Cuadro 4.15 Modelos Zona D

Modelo ZD-M1


β 1,83468 0,090821 20,20115 0

r2 (aj) 0,97602

Valor F 408.08659 Durb. Wat 2.95935 Grad. Libert. 10

Modelo ZD-M2


β 1,947301 0,08959 21,7336 0

r2 (aj) 0,9812


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 Pasajeros observados Pasajeros estimados

1986 81.242 88.697 1987 106.608 98.389 1988 114.859 109.969 1989 120.397 125.424 1990 143.279 148.266 1991 162.594 157.080 1992 183.334 175.588 1993 204.128 208.864 1994 249.492 256.706 1995 281.997 278.369

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

Comparación Valor Observado vs Valor Estimado Zona D

0

50.000

100.000

150.000

200.000

250.000

300.000

1986 1987 1988 1989 1990 1991 1992 1993 1994 1995

Años

Pas

ajer

os

(en

mile

s)

Pas. Obs.

Pas Est.

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 P IB I N T E Rt i t, _= ∗α β (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 ln * ln _,T R A N S P IB INTERt i t= +α β (4.15)

Modelo 2:

T R A N S P IB I N T E Rt i t, _= ∗ −α β1 (4.16)

Ahora se supone dependencia del PIB Internacional del año anterior.

Linealizando el modelo se puede ver de la siguiente forma:

ln ln * ln _,T R A N S P IB IN T E Rt i t= + −α β 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 Producto Interno Bruto (cifras en miles de millones de US$)

1990 1991 1992 1993 1994 1995 Argentina1 141 155 170 179 193 183 USA2 5.489 5.900 5.790 6.027 6.149 Resto de América1 526 533 533 556 586 612 Resto del Mundo2 6.732 6.866 6.831 7.029 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:

βαγ= ernacionalintnacionalij PIB*PIB*V (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 Correlación

Argentina 0,8516 USA 0,9822 Resto de América 0.7857 Resto del Mundo 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 4.19Ingreso por pasajeros en servicios programados

Pasajeros por kilómetros(Centavos de Dólar)

Aerolíneas Servicio 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995Aerolíneas Argentinas Sistema 7,18 6,26 6,09 9,02 7,51 N/A 10,18 9,27 9,31 9,36 8,83United Sistema 7,23 6,82 7,01 7,61 8,34 8,61 8,52 8,31 8,51 7,71 8,01

América Latina N/A N/A N/A N/A N/A N/A N/A 8,24 8,36 8,47 8,04American Sistema 7,75 6,96 7,43 8 8,25 8,68 9 8,41 9,13 8,92 8,91

América Latina 7,03 6,82 6,91 7,43 8,32 8,59 9,46 10 10,01 10,26 9,82Lan Chile Sistema N/A 8,54 8,28 8,67 9,12 9,69 10,75 10,64 10 N/A N/ALadeco Sistema 8,58 8,7 8,82 5,82 10,7 10,27 10,78 11,82 10,53 10,44 N/ATotal América Latina 7,7 7,43 7,38 8,23 7,88 8,95 9,17 9,7 9,85 10,21 10,85

Mundo 8,07 8,26 6,76 9,35 9,83 10,15 10,58 10,19 10,1 10,05 10,27Fuente: ICAO - Montreal

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.

γβ ••α= ttt INDARTPIBTRANS (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

coeficiente error est. Valor t nivel de significancia

ln α -8,427009 3,431884 -2,4555 0,0438 β 1,673973 0,145618 11,4956 0,0000 γ -0,693939 0,290702 -2,3871 0,0484

r2 (aj.) 0,9908

Valor F 487,665 Durb-Wat 1,777

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.

100*Tarifa

TarifaInd

i,1996

i,ti,t = (4.20)

Donde: Indt,i : índice de tarifas para la zona i en el período t Tarifat,i : tarifa de excursión entre Santiago y la zona i en el período t Tarifa1996,i : 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

60

80

100

120

140

160

180

200

220

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

AÑO

IND

ICE

STGO-BAIRES

STGO-MIAMI

STGO-MADRID

Cuadro 4.21

Tarifas de Excursión US$ de cada Año

Año Buenos Aires Miami Madrid 1986 198 1.331 1.497 1987 240 1.331 1.663 1988 240 1.424 1.697 1989 200 1.424 1.697 1990 355 1.615 2.001 1991 373 1.615 2.101 1992 373 1.689 2.118 1993 373 1.689 2.118 1994 373 1.689 2.047 1995 290 1.374 1.837 1996 290 1.374 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

Coeficiente Error est. Valor t Nivel de significancia ln α -29,6630 2,5840 -11,4793 0,000001

β 2,2654 0,1534 14,7681 0,000001 γ 0,2011 0,1664 1,2081 0,266230

r2 (aj.) 0,9601

Valor F 109,3789 Grad. Liber. 9

Cuadro 4.23

Resultado de modelación Zona B

Coeficiente Error est. Valor t Nivel de significancia

ln α 23,6707 4,8024 -4,9288 0,001696 β 1,9107 0,2344 8,1495 0,000081 γ 0,0201 0,2723 0,0741 0,074065

r2 0,9625


Cuadro 4.24

Resultado de modelación Zona D

Coeficiente Error est. Valor t Nivel de significancia

ln α -24,8535 3,8841 -6,3987 0,000367 β 1,9320 0,1839 10,5057 0,000015 γ 0,0975 0,2537 0,3843 0,384322

r2 (aj.) 0,9693


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 1283,3 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

TURISMO EMISIVO

SALIDAS DE CHILENOS AL EXTRANJERO (Miles) 591,7 654,1 701,3 772,5 767,5 738,7 808,3

ESTABLECIMIENTOS DE ALOJAMIENTO Y DEMANDA

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 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 Turext Divisas S. chi Hab cam Per ext Per chi Inversión

PIB 1 0,9249 0,9512 0,9096 0,931 0,9771 0,9126 0,9627 0,8914

Turext 0,9249 1 0,9807 0,7163 0,8433 0,8943 0,9676 0,8563 0,9726

Divisas 0,9512 0,9807 1 0,8001 0,8382 0,9215 0,9716 0,9162 0,9634

Salidas Chi 0,9096 0,7163 0,8001 1 0,78 0,8747 0,7841 0,9491 0,7268

Hab 0,931 0,8433 0,8382 0,78 1 0,9527 0,7516 0,8409 0,7523

Cam 0,9771 0,8943 0,9215 0,8747 0,9527 1 0,8507 0,958 0,8191

Per ext 0,9126 0,9676 0,9716 0,7841 0,7516 0,8507 1 0,8819 0,9895

Per chi 0,9627 0,8563 0,9162 0,9491 0,8409 0,958 0,8819 1 0,8256

Inversión 0,8914 0,9726 0,9634 0,7268 0,7523 0,8191 0,9895 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 PIB

Base Optimista Pesimista A Pesimista B 1996 7,20% 7,20% 7,20% 7,20% 1997 6,20% 6,20% 6,20% 6,20% 1998 6,00% 6,20% 5,40% 5,40% 1999 7,00% 7,00% 5,20% 3,50% 2000 5,20% 6,50% 5,00% 3,50% 2001 6,50% 6,50% 6,00% 3,50%

2002-2005 6,50% 6,50% 6,00% 6,00% 2006-2010 6,80% 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 PIB Base PIB Optimista PIB Pesimista A PIB Pesimista B 2000 2010 2000 2010 2000 2010 2000 2010

Argentina 1.496.323 7.053.984 1.548.258 7.298.816 1.410.432 5.421.260 1.309.970 4.753.842 USA 825.879 2.861.894 848.776 2.941.238 787.661 2.317.473 742.367 2.085.858 Resto de América 1.176.799 3.778.019 1.207.393 3.876.240 1.125.615 3.099.259 1.064.756 2.807.623 Resto del Mundo 593.110 2.077.824 609.700 2.135.943 565.428 1.679.445 532.636 1.510.200 TOTAL AMB 4.092.111 15.771.722 4.214.127 16.252.238 3.889.136 12.517.437 3.649.729 11.157.522

Figura 4.13Crecimiento de Viajes Internacionales

Años 1986-2010Argentina Resto de América

USA Resto del Mundo

0

1.000

2.000

3.000

4.000

5.000

6.000

7.000

8.000

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

Año

Pas

ajer

os/

año

PIB Base

PIB Optimista

PIB Pesimista

0

500

1.000

1.500

2.000

2.500

3.000

3.500

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

Año

Pas

ajer

os/

año

PIB Base

PIB Optimista

PIB Pesimista

0

500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

4.500

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

Año

Pas

ajer

os/

año

PIB Base

PIB Optimista

PIB Pesimista

0

500

1.000

1.500

2.000

2.500

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

Año

Pas

ajer

os/

año

PIB Base

PIB Optimista

PIB Pesimista

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 “bottom-up” mediante proyecciones desagregadas.

5.1

5. MODELO DE PROYECCION DE TRAFICO DE PASAJEROS INTERNACIONALES DE CORTO PLAZO EN AMB

5.1 Introducción

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 : pasajeros internacionales en el período t Tt : tendencia Mt : media del período St : estacionalidad. εt : 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 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995

Enero 63.883 74.824 79.845 98.544 96.614 125.329 128.533 148.473 187.558 234.395 Febrero 53.701 64.148 73.355 83.894 84.242 99.990 118.102 137.330 167.241 207.037 Marzo 55.128 61.957 76.831 81.000 88.011 98.616 109.277 123.125 152.625 170.231 Abril 44.837 54.124 63.014 70.260 77.452 83.047 97.365 112.719 126.710 160.425 Mayo 43.875 53.883 63.778 67.173 73.542 85.025 100.058 111.749 123.015 142.232 Junio 43.905 49.123 71.756 66.835 68.236 84.798 89.935 106.021 124.315 151.067 Julio 57.807 70.303 79.674 90.503 89.380 111.491 118.639 145.200 176.593 200.215 Agosto 56.572 66.855 69.213 81.505 88.820 103.633 109.952 122.876 153.803 179.157 Septiembre 55.676 68.170 72.017 82.956 96.621 109.017 117.942 130.314 163.264 201.554 Octubre 48.876 64.383 66.170 76.683 87.062 103.322 112.022 135.802 170.098 191.111 Noviembre 53.470 62.456 70.420 72.357 94.705 107.296 108.432 135.295 169.043 185.401 Diciembre 66.999 70.563 82.756 84.900 109.069 110.058 120.215 139.380 174.445 201.585

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)

0

50

100

150

200

250

Enero

Febre

ro

Mar

zo

Abril

May

oJu

nio Julio

Agosto

Septie

mbr

e

Octubr

e

Noviem

bre

Diciem

bre

Mes

Pas

ajer

os

(en

mile

s) 1990

1991

1992

1993

1994

1995

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)

0

50.000

100.000

150.000

200.000

250.000

Ene

-90

Abr

-90

Jul-9

0

Oct

-90

Ene

-91

Abr

-91

Jul-9

1

Oct

-91

Ene

-92

Abr

-92

Jul-9

2

Oct

-92

Ene

-93

Abr

-93

Jul-9

3

Oct

-93

Ene

-94

Abr

-94

Jul-9

4

Oct

-94

Ene

-95

Abr

-95

Jul-9

5

Oct

-95

Mes

Pas

ajer

os

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

10,4

10,6

10,8

11

11,2

11,4

11,6

11,8

12

12,2

12,4

Ene

-90

Abr

-90

Jul-9

0

Oct

-90

Ene

-91

Abr

-91

Jul-9

1

Oct

-91

Ene

-92

Abr

-92

Jul-9

2

Oct

-92

Ene

-93

Abr

-93

Jul-9

3

Oct

-93

Ene

-94

Abr

-94

Jul-9

4

Oct

-94

Ene

-95

Abr

-95

Jul-9

5

Mes

ln P

asaj

ero

s

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

-0,3

-0,2

-0,1

0

0,1

0,2

0,3

0,4

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70

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

0

0,05

0,1

0,15

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Finalmente, el modelo a estudiar es la serie zt = ∇1 ∇12(ln xt), que en este caso se puede expresar como:

13121121 )( −−− +−−=∇∇= ttttt yyyyyz (5.2)

0

50

100

150

200

250

Enero

Febre

ro

Mar

zo

Abril

May

oJu

nio Julio

Agosto

Septie

mbr

e

Octubr

e

Noviem

bre

Diciem

bre

Mes

Pas

ajer

os

(cif

rasn

mile

s)

1990

1991

1992

1993

1994

1995

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:

)*3274,0*47575,0*68822,0exp( 1312113121 −−−−−− +−−+−+= tttttttt aaaayyyx (5.3)

Ocupando la transformación yt=ln xt se puede expresar según:

)*3274,0*47575,0*68822,0exp(*

1312113

121−−−

−

−− +−−= ttttt

ttt aaaa

xxx

x (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 Pasajeros Efectivos Diferencia (%)

Enero 127,1 128,6 -1,1% Febrero 112,4 119,9 -6,2% Marzo 96,8 97,5 -0,8% Abril 86,8 83,4 4,2% Mayo 80,4 80,2 0,2% Junio 81,4 81,7 -0,3% Julio 109,0 102,6 6,3% Agosto 96,1 95,4 0,7% Septiembre 104,3 104,1 0,2% Octubre 101,7 98,7 3,0% Noviembre 99,1 101,0 -1,8% Diciembre 104,8 107,0 -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

10

10,5

11

11,5

12

12,5

13

Ene

-90

May

-90

Sep

-90

Ene

-91

May

-91

Sep

-91

Ene

-92

May

-92

Sep

-92

Ene

-93

May

-93

Sep

-93

Ene

-94

May

-94

Sep

-94

Ene

-95

May

-95

Sep

-95

Ene

-96

May

-96

Sep

-96

Mes

Val

or

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

0

50.000

100.000

150.000

200.000

250.000

300.000

350.000

Ene

-90

May

-90

Sep

-90

Ene

-91

May

-91

Sep

-91

Ene

-92

May

-92

Sep

-92

Ene

-93

May

-93

Sep

-93

Ene

-94

May

-94

Sep

-94

Ene

-95

May

-95

Sep

-95

Ene

-96

May

-96

Sep

-96

Mes

Pas

ajer

os

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 origen-destino: 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 Oi.

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

1 j n 1 v11 v12 . . . . . . . . . . . . . . . .v1n O1 i vij Oi n vn1 . . . . . . . . . . . . . . . . . . . .vnn On

D1 Dj Dn V

Tenemos que V es el total de viajes realizados y se cumple que :

∑j Dj = ∑i Oi = V (6.1)

con las siguientes restricciones: ∑i vi j = Dj (6.2) ∑j vij = Oi (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:

VK P P

diji j

ijn=

• • (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:

VK O D

diji j

ijn=

• • (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:

VO D K F

D K Fiji j ij ij

j ij ijj

=• • •

• •∑

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 DValdivia • Osorno • Valdivia • Balmaceda • Coyhaique • Punta 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.

vStgo-Arica

OPta.Arenas

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 (1991-1994), 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 (6.6)

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)

6.7

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

El Salvador 4.943 5.502 5.444 6.344

La Serena 11.001 18.751 33.664 54.444

Santiago 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

Osorno 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

Otras 8.990 9.389 8.935 19.913

Fuente: JAC

6.8

Cuadro 6.2 Población Regional

Región 1991 1992 1993 1994

Primera 338.034 345.172 352.340 359.412 Segunda 409.287 416.235 423.203 430.087 Tercera 229.280 234.564 239.865 245.097 Cuarta 501.425 510.226 519.061 527.778 Quinta 1.385.289 1.406.496 1.427.793 1.448.806 R.M. 5.233.153 5.336.478 5.440.280 5.542.660 Sexta 693.213 704.299 715.430 726.414 Séptima 833.942 843.566 853.238 862.775 Octava 1.735.264 1.759.382 1.783.613 1.807.513 Novena 783.567 794.377 805.229 815.941 Décima 952.431 965.711 979.042 992.195 Undécima 80.554 82.384 84.221 86.037 Duodécima 144.287 146.074 147.872 149.640

Total 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

0

100.000

200.000

300.000

400.000

500.000

600.000

700.000

1991 1992 1993 1994

Año

Pas

ajer

os

ARICA

LA SERENA

SANTIAGO

CONCEPCION

COYHAIQUE

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 Parámetro Estimación Valor t Nivel de Sign. r-cuadrado (aj) F D-W Arica ln α -125,3438 -3,5046 0,0727 0,82192 14,5926 2,115 β 10,705771 3,82 0,0622 Iquique ln α -158,50343 -4,8339 0,0402 0,8962 26,9124 2,131 β 13,329261 5,1877 0,0352 Antofagasta ln α -186,15725 -43,1196 0,0005 0,9986 2094,17 2,085 β 15,259394 45,7621 0,0005 Calama ln α -113,01229 -2,376 0,1407 0,6554 6,70606 2,004 β 9,513399 2,5896 0,1223 Copiapó ln α -181,09365 -4,1737 0,0529 0,8593 19.3181 2,378 β 15,408939 4,3952 0,0481 El Salvador ln α -32,337176 -2,7076 0,1136 0,782 11,7599 3,214 β 3,30923 3,4293 0,0755 La Serena ln α -404,32934 -46,2049 0,0005 0,9987 2243,09 3,176 β 31,514529 47,3612 0,0004 Santiago ln α -167,79318 -18,9461 0,0028 0,9928 417,282 2,050 β 11,672177 20,4275 0,0024 Concepción ln α -191,32794 -12,1333 0,0067 0,9821 165,702 2,224 β 14,108694 12,8725 0,006 Temuco ln α -253,817 -7,2273 0,0186 0,9489 56,6887 2,416 β 19,4539 7,5292 0,0172 Puerto Montt ln α -168,69447 -8,9673 0,0122 0,968 91,8148 2,003 β 13,074223 9,582 0,0107 Osorno ln α -1225,4551 -3,5234 0,072 0,7942 12,5804 2,128 β 89,497271 3,5469 0,0711 Valdivia ln α -406,90719 -15,9657 0,0039 0,9888 266,517 2,429 β 30,177987 16,3254 0,0037 Balmaceda ln α -119,92004 -3,4616 0,0743 0,82124 13,9925 2,132 β 11,437693 3,7407 0,0646 Coyhaique ln α -42,96802 -2,5605 0,1246 0,7503 10,0126 2,438 β 4,686636 3,1643 0,087 Punta Arenas ln α -179,70299 -8,0055 0,0152 0,9597 72,35 2,715 β 16,048143 8,5061 0,0135

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

Resultados de regresión de mínimos cuadrados Modelo de generación Variable explicativa PIB

Ciudad Parámetro Estimación Valor t Nivel de Sign. r-cuadrado (aj) F

Arica ln α -12,5922 -2,3880 0,13954 0,8666 20,5027 β 1,9988 4,5279 0,04547

Iquique ln α -17,8122 -3,5281 0,07179 0,9165 33,9474 β 2,4628 5,8264 0,02822

Antofagasta ln α -27,4043 -4,7163 0,04213 0,9356 44,6204 β 3,0596 6,6798 0,02168

Calama ln α -14,2066 -1,4218 0,29101 0,6225 6,9446 β 1,9207 2,4385 0,13495

Copiapó ln α -37,0266 -1,8896 0,19930 0,6086 6,6670 β 4,1272 2,3803 0,14030

El Salvador ln α -2,0382 -0,5232 0,65299 0,6837 7,4854 β 0,9431 2,7359 0,11165

La Serena ln α -64,3665 -8,3489 0,01404 0,9685 93,3499 β 6,3571 9,6618 0,01054

Santiago ln α -3,6603 -5,1977 0,00008 0,9733 585,1664 β 2,0426 24,1902 0,00000

Concepción ln α -12,4812 -3,6591 0,06723 0,9423 50,0822 β 1,8407 7,0768 0,19380

Temuco ln α -19,4675 -2,2351 0,15495 0,7844 11,9182 β 2,5849 3,4522 0,07463

Puerto Montt ln α -11,4692 -2,2361 0,15483 0,8647 20,1691 β 1,8987 4,4910 0,04617

Osorno ln α -144,4013 -2,3248 0,14565 0,6266 6,0346 β 12,5776 2,4565 0,13333

Valdivia ln α -44,8793 -5,3167 0,03360 0,9302 40,9989 β 4,4553 6,4030 0,02353

Balmaceda ln α -14,7977 -1,4693 0,27940 0,6204 6,9024 β 2,4283 2,4294 0,13570

Coyhaique ln α 0,5013 0,1017 0,92821 0,4848 3,8235 β 0,9557 1,9554 0,18971

Punta Arenas ln α -4,6717 -1,0976 0,38689 0,8121 13,9694 β 1,3467 3,7375 0,06471

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 POBβ

i,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 1992 1993 1994 1995

Arica 51.652 73.365 94.482 95.007 117.572 Iquique 67.420 100.982 145.344 155.103 198.934 Antofagasta 61.416 79.186 102.553 126.772 156.584 Calama 17.372 24.632 28.827 29.328 36.508 Copiapó 10.256 10.134 16.630 25.254 27.945 El Salvador 5.143 5.573 5.900 6.101 6.478 La Serena 10.987 18.239 32.986 54.034 82.706 Santiago 355.886 459.991 581.860 696.577 863.380 Concepción 84.776 105.277 131.690 146.919 168.989 Temuco 25.802 33.771 40.081 61.498 67.160 Puerto Montt 78.578 100.553 120.119 134.143 155.957 Osorno 283 3.835 8.752 13.403 44.897 Valdivia 5.261 6.798 11.634 17.257 22.830 Balmaceda 8.833 15.292 17.362 20.462 25.023 Coyhaique 19.394 24.553 25.444 26.684 28.963 Punta Arenas 55.712 68.380 87.836 98.848 107.022 Otras 8.675 9.268 8.827 19.003

Cuadro 6.6

PIB Regional (millones de pesos de 1986)

PIB Regional 1991 1992 1993 1994 Primera 131.198 141.620 169.987 177.208 Segunda 289.155 303.012 345.334 360.005 Tercera 70.939 79.994 85.005 88.617 Cuarta 108.367 115.996 131.304 136.882 Quinta 397.111 423.096 490.098 510.919 Metropolitana 1.853.863 2.080.761 2.192.651 2.285.799 Sexta 207.054 228.128 275.362 287.060 Séptima 185.353 211.066 215.377 224.527 Octava 429.243 457.223 542.687 565.741 Novena 99.083 103.825 122.471 127.674 Décima 164.561 171.461 200.589 209.110 Undécima 20.974 21.792 25.830 26.928 Duodécima 116.391 114.999 153.792 160.326

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

0

100.000

200.000

300.000

400.000

500.000

600.000

700.000

800.000

900.000

1991 1992 1993 1994 1995

Año

Pas

ajer

os

ARICA

LA SERENA

SANTIAGO

CONCEPCION

COYHAIQUE

Al regresar el modelo especificado en (4) se obtuvieron los siguientes resultados:

6.14

Cuadro 6.7 Resultados de regresión de mínimos cuadrados

Modelo de Atracción Variable explicativa PIB

Ciudad Parámetro Estimación Valor t Nivel de Sign. r-cuadrado (aj) F D-W

Arica ln γ -14,432513 -6,9589 0,0200 0,9840 155,621 2,368 δ 2,121078 12,4748 0,0064

Iquique ln γ -19,398475 -3,7867 0,0632 0,9224 36,667 2,457 δ 2,597017 6,0553 0,0262

Antofagasta ln γ -26,139736 -4,9443 0,0386 0,9428 50,415 3,335 δ 2,959108 7,1004 0,0193

Calama ln γ -16,417109 -1,7742 0,2180 0,7064 8,217 2,352 δ 2,090919 2,8666 0,1032

Copiapó ln γ -33,333673 -1,7019 0,2309 0,5589 4,801 2,110 δ 3,797406 2,1911 0,1598

El Salvador ln γ -0,053234 -0,1122 0,9209 0,9911 336,034 2,571 δ 0,769503 18,3312 0,0030

La Serena ln γ -64,201817 -8,2629 0,0143 0,9679 91,4631 3,104 δ 6,341903 9,5636 0,0108

Santiago ln γ -3,6603 -5,1977 0,0001 0,9733 585,1664 δ 2,0426 24,1902 0,0000

Concepción ln γ -12,058004 -3,8173 0,0623 0,9486 56,332 3,102 δ 1,807908 7,5055 0,0173

Temuco ln γ -20,961498 -2,1878 0,1602 0,7660 10,8202 3,156 δ 2,709328 3,2894 0,0813

Puerto Montt ln γ -11,49867 -2,2083 0,1579 0,8613 19,6339 2,906 δ 1,901949 4,431 0,0473

Osorno ln γ -147,644348 -2,3453 0,1436 0,6307 6,12241 2,603 δ 12,840466 2,4744 0,1318

Valdivia ln γ -45,440097 -6,8034 0,0209 0,9564 66,7539 3,073 δ 4,49831 8,1703 0,0147

Balmaceda ln γ -15,860618 -1,46 0,2817 0,5997 5,4947 2,821 δ 2,527315 2,3441 0,1438

Coyhaique ln γ 0,650902 0,1366 0,9038 0,4931 3,91825 2,711 δ 0,935812 1,9795 0,1863

Punta Arenas ln γ -4,685118 -1,0605 0,4001 0,7999 12,98 2,759 δ 1,34797 3,6041 0,0691

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).

6.17

Figura 6.5

Viajes Generados por Ciudad Año Base 1994

0

100.000

200.000

300.000

400.000

500.000

600.000

700.000

AR

ICA

IQU

IQU

E

AN

TO

FA

GA

ST

A

CA

LAM

A

CO

PIA

PO

EL

SA

LVA

DO

R

LA S

ER

EN

A

SA

NT

IAG

O

CO

NC

EP

CIO

N

TE

MU

CO

PU

ER

TO

MO

NT

T

OS

OR

NO

VA

LDIV

IA

BA

LMA

CE

DA

CO

YH

AIQ

UE

PU

NT

A A

RE

NA

S

Ciudad

Pas

ajer

os

6.18

Figura 6.6

Viajes Atraídos por Ciudad

Año Base 1994

0

100.000

200.000

300.000

400.000

500.000

600.000

700.000

AR

ICA

IQU

IQU

E

AN

TO

FA

GA

ST

A

CA

LAM

A

CO

PIA

PO

EL

SA

LVA

DO

R

LA S

ER

EN

A

SA

NT

IAG

O

CO

NC

EP

CIO

N

TE

MU

CO

PU

ER

TO

MO

NT

T

OS

OR

NO

VA

LDIV

IA

BA

LMA

CE

DA

CO

YH

AIQ

UE

PU

NT

A A

RE

NA

S

Ciudad

Pas

ajer

os

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)

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

Matriz Origen Destino 1994. Tolerancia

Número de zonas

Método iterativo de Kruithof (Programado en Turing)

ETAPA 1 ETAPA 2

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 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

Agropecuario 2,3 3,5 2,5 4,1 1,5 2,5 2,5 2,5 2,5 2,5 2,6 2,6 2,6 2,6 2,6 Pesca 2,2 5,7 1,8 10,3 0,3 5,4 5,4 5,4 5,4 5,4 4,8 4,8 4,8 4,8 4,8 Minería 7,3 0,2 5,0 8,0 0,8 4,8 4,8 4,8 4,8 4,8 4,5 4,5 4,5 4,5 4,5 Ind. Manufacturera

7,0 4,7 5,3 7,3 6,2 7,2 7,2 7,2 7,2 7,2 7,5 7,5 7,5 7,5 7,5

Construcción 7,5 9,2 3,2 4,8 7,2 7,1 7,1 7,1 7,1 7,1 7,4 7,4 7,4 7,4 7,4 Electricidad, Gas y Agua

4,9 19,7 6,3 6,1 4,5 4,3 4,3 4,3 4,3 4,3 6,5 6,5 6,5 6,5 6,5

Tpte y Comunicación

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

Comercio 8,1 4,7 6,0 7,8 5,5 7,5 7,5 7,5 7,5 7,5 7,7 7,7 7,7 7,7 7,7 Otros 6,2 4,6 5,2 6,5 5,6 6,4 6,4 6,4 6,4 6,4 6,6 6,6 6,6 6,6 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 6.9Producto Interno Bruto

Año 1995 (cifras en millones de pesos de 1996)

Sector RegiónI II III IV V VI VII VIII IX X XI XII RM

Agropecuario 2.255 451 15.280 31.856 48.577 80.197 84.757 49.896 30.076 40.276 3.397 5.334 71.943Pesca 6.748 4.067 5.515 5.554 20.219 125 166 14.916 350 31.338 2.560 8.246 236Mineria 26.470 227.408 60.591 34.836 51.147 67.713 984 1.988 531 815 1.294 27.552 26.471Ind. manufacturera 42.647 24.086 3.861 14.253 109.010 26.641 56.545 187.838 20.161 31.442 1.158 29.123 557.985Construcción 11.152 17.430 12.886 12.154 37.834 21.009 14.582 34.319 16.719 17.322 2.806 3.676 154.285Electricidad, Gas y Agua 3.528 24.639 2.988 2.172 13.902 8.561 30.179 24.925 2.060 8.590 505 956 43.940Tpte y Comunicaciones 16.209 26.830 5.609 8.679 84.728 9.765 11.612 56.706 9.457 14.675 2.598 8.635 262.807Comercio 62.408 18.395 14.231 19.025 67.609 29.849 26.776 50.436 26.995 31.914 3.016 16.234 720.066Otros 34.222 40.218 18.581 20.215 100.111 29.565 35.590 97.431 36.366 47.426 8.316 23.404 77.817Total 205.639 383.524 139.542 148.744 533.137 273.425 261.191 518.455 142.715 223.798 25.650 123.160 1.915.550Fuente:Banco Central

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 Año

2000 2010 Primera 275.499 537.618 Segunda 495.480 864.573 Tercera 178.203 309.688 Cuarta 190.625 335.368 Quinta 712.201 1.354.900 Sexta 346.512 590.413 Séptima 339.700 596.883 Octava 695.558 1.339.630

Novena 187.170 347.977 Décima 292.584 535.438 Undécima 33.714 62.269 Duodécima 161.592 302.046 R. M. 2.615.840 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 Generación Atracción 2000 2010 2000 2010

Arica 254.308 967.699 186.620 770.585 Iquique 459.381 2.383.733 505.165 2.867.387 Antofagasta 333.262 1.830.263 316.122 1.641.702 Calama 58.713 171.049 59.976 192.093 Copiapó 64.623 170.963 45.349 170.963 El Salvador 43.082 19.643 30.233 15.928 La Serena 121.598 320.062 121.598 320.062 Santiago 1.357.300 5.081.420 1357.300 5.081.420 Concepción 215.551 720.299 211.678 692.310 Temuco 149.269 741.561 151.618 813.611 Puerto Montt 250.163 788.094 252.767 797.819 Osorno 31.623 88.022 31.623 88.022 Valdivia 72.984 225.781 71.533 225.781 Balmaceda 37.010 164.198 35.894 169.219 Coyhaique 35.104 63.102 33.076 58.731 Punta Arenas 96.780 224.723 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 Año 2010

ai bj ai bj Arica 2,18 0,72 5,63 0,71 Iquique 3,66 1,53 17,77 2,72 Antofagasta 2,71 1,08 12,39 1,59 Calama 2,12 0,92 5,15 0,82 Copiapó 2,87 0,89 7,87 1,13 El Salvador 8,32 2,55 3,76 0,43 La Serena 2,77 1,13 7,20 0,96 Santiago 1,92 0,78 5,87 0,80 Concepción 1,77 0,75 5,90 0,79 Temuco 2,87 1,26 14,38 2,20 Puerto Montt 2,74 1,19 9,22 1,28 Osorno 2,72 1,20 7,24 1,04 Valdivia 4,89 2,12 14,67 2,11 Balmaceda 1,77 0,75 7,42 1,05 Coyhaique 1,19 0,52 2,07 0,28 Punta Arenas 1,05 0,44 2,35 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:

)k/(k

jki

kij )ba(f 19941 −∗= (6.12)

Donde: (i,j) : representa un par donde i es el origen y j el destino. K : horizonte de la proyección, puede adoptar los valores 2000 y

2010 fk

ij : 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 1,22 1,15 1,12 1,12 1,33 1,16 1,09 2 1,18 1,26 1,22 1,22 1,45 1,27 1,19 3 1,12 1,27 1,16 1,16 1,38 1,21 1,13 4 1,07 1,22 1,15 1,11 1,32 1,16 1,09 5 1,13 1,28 1,21 1,18 1,39 1,22 1,14 6 1,35 1,53 1,44 1,40 1,40 1,45 1,37 7 1,12 1,27 1,20 1,17 1,16 1,39 1,14 8 1,06 1,20 1,13 1,10 1,09 1,30 1,14 1,06 1,16 1,15 1,15 1,26 1,06 1,00 0,97 9 1,06 1,14 1,13 1,13 1,25 1,05 0,99 0,96 10 1,14 1,14 1,23 1,23 1,35 1,14 1,07 1,04 11 1,13 1,13 1,23 1,22 1,34 1,13 1,06 1,03 12 1,13 1,13 1,23 1,22 1,34 1,13 1,06 1,03 13 1,25 1,24 1,35 1,34 1,34 1,24 1,17 1,14 14 1,06 1,05 1,14 1,13 1,13 1,25 0,99 0,96 15 0,99 0,98 1,07 1,06 1,06 1,17 0,98 0,90 16 0,97 0,96 1,05 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 1,19 1,15 1,10 1,12 1,06 1,11 1,10 2 1,17 1,23 1,18 1,21 1,14 1,19 1,18 3 1,15 1,25 1,16 1,18 1,11 1,17 1,15 4 1,08 1,18 1,14 1,12 1,05 1,11 1,09 5 1,11 1,21 1,17 1,12 1,08 1,13 1,12 6 1,06 1,16 1,12 1,07 1,09 1,08 1,07 7 1,11 1,20 1,16 1,12 1,14 1,07 1,12 8 1,09 1,19 1,15 1,10 1,13 1,06 1,11 1,10 1,17 1,13 1,12 1,17 1,12 1,03 1,04 9 1,10 1,17 1,13 1,12 1,17 1,12 1,03 1,04 10 1,17 1,16 1,20 1,18 1,24 1,19 1,09 1,10 11 1,13 1,13 1,21 1,15 1,20 1,15 1,06 1,07 12 1,12 1,11 1,19 1,15 1,19 1,14 1,05 1,05 13 1,17 1,17 1,24 1,20 1,19 1,19 1,09 1,10 14 1,12 1,12 1,19 1,15 1,14 1,19 1,05 1,06 15 1,03 1,03 1,10 1,06 1,05 1,10 1,05 0,97 16 1,04 1,04 1,11 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 generación-

atracción, 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-on-time, 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 CARGA NACIONAL CARGA INTERNACIONAL

LLEGAN SALEN TOTAL LLEGAN SALEN TOTAL 1985 2.021 4.556 6.577 14.016 17.750 31.766 1986 2.415 5.174 7.589 15.459 31.091 46.550 1987 2.113 5.031 7.144 14.106 28.572 42.677 1988 2.780 5.558 8.338 23.021 37.640 60.662 1989 2.746 5.971 8.718 31.503 54.262 85.765 1990 2.724 5.821 8.545 30.017 62.046 92.062 1991 2.944 5.923 8.866 35.776 68.579 104.355 1992 2.859 6.118 8.977 40.167 70.250 110.416 1993 4.168 5.830 9.999 46.300 71.997 118.297 1994 6.073 7.504 13.577 55.686 95.509 151.194 1995 6.377 7.244 13.622 59.854 95.772 155.626 1996 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 Fte: Naciones Unidas Fte: Banco Central Importación Exportación imp/fob imp/cif exp/fob

1980 5123 4670 s/d s/d s/d 1981 6363 3906 s/d s/d s/d 1982 3830 3709 3643 4093 3705 1983 2968 3835 2844 3170 3830 1984 3480 3657 3287 3653 3650 1985 3006 3822 2954 3268 3804 1986 3436 4191 3099 3436 4198 1987 4396 5223 3994 4396 5223 1988 5291 7051 4833 5291 7051 1989 7144 8080 6501 7144 8080 1990 7677 8309 7036 7677 8309 1991 8093 8929 7353 8093 8941 1992 10128 9986 9236 10128 10007 1993 11125 9202 10180 11125 9415 1994 s/d s/d 10879 11501 11643 1995 s/d s/d 14665 15348 16444 1996 s/d s/d 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] IPC deflac IPC imp/cif/defla

[Miles de millones de CH$_1996]

exp/fob/defla [Miles de

millones de CH$_1996]

Indice Importación

Indice Exportación

1980 39 20,57 13,24 1981 39 24,88 10,95 1982 51 25,94 10,50 2.188 1.980 30,6 31,2 1983 79 34,33 7,93 1.982 2.394 27,7 37,7 1984 98 40,92 6,66 2.395 2.393 33,5 37,7 1985 161 55,29 4,93 2.589 3.014 36,2 47,5 1986 193 64,99 4,19 2.778 3.395 38,9 53,5 1987 219 77,34 3,52 3.397 4.036 47,5 63,6 1988 245 89,32 3,05 3.953 5.268 55,3 83,1 1989 267 103,76 2,63 5.006 5.662 70,0 89,3 1990 305 129,48 2,10 4.924 5.330 68,9 84,0 1991 349 160,36 1,70 4.800 5.303 67,2 83,6 1992 363 183,55 1,48 5.449 5.384 76,2 84,9 1993 404 207,37 1,31 5.906 4.998 82,6 78,8 1994 420 233,76 1,17 5.630 5.700 78,8 89,9 1995 397 251,61 1,08 6.592 7.063 92,2 111,4 1996 412 272,38 1,00 7.149 6.343 100,0 100,0

Modelos estimados para la Carga Aérea de Importación Modelo 1

Para la carga que llega se considerará un modelo del tipo TONt

llegan,internacional = α*(ind-imp)βt (7.1)

donde: TONt

llegan ,internacional : toneladas agregadas anuales que llegan al aeropuerto desde el extranjero en el período t.

(ind-imp)t : índice de importaciones del año t. α, β : constantes a determinar.

7.7

Coeficiente Estimación Valor-t Nivel de

Significancia ln α 2.944806 3.5321 0.0077 β 1.773027 8.9183 0.0000

r2 (aj) 0.8972

Durb. Wats. 2.161 Valor F 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 TONt

llegan,internacional = α*(ind-imp)βt*(PIB)γ

t (7.2)

donde:

TONllegan ,internacionalt : toneladas agregadas anuales que llegan al aeropuerto

desde el extranjero en el período t. (ind-imp)t : índice de importaciones del año t. PIBt : Producto Interno Bruto al año t α, β, γ : constantes a determinar.

Coeficiente Estimación Valor-t Nivel de Significancia

ln α -14.168217 -2.2618 0.0582 β 0.7524402 1.8814 0.1020 γ 1.405217 2.7454 0.0287

r2 (aj) 0.9434

Durb. Wats. 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

0

2

4

6

8

10

1 2 3 4 5 6 7 8 9 10 11 12

Mes

Porc

enta

je a

nual

Fuente: Estadísticas de DGAC

Figura 7.2 Distribución de Carga en la Semana, Año 1996

0

2

4

6

8

10

12

14

16

18

20

DOM LU MA MI JU VI SA

Día

Porc

enta

je d

e ca

rga

por

día


7.11

Figuras 7.3 Variación Horaria de Carga

0

2.000

4.000

6.000

8.000

10.000

12.000

14.000

16.000

18.0001 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Hora

Kilo

s


Figura 7.4

Distribución Acumulada de Llegada de Carga por Día

0

10

20

30

40

50

60

70

80

90

100

40

60

80

100

120

140

160

180

200

220

240

260

280

300

320

340

360

380

400

420

440

Ton/Día

Po

rcen

taje

de

Ocu

rren

cia

Fuente: DGAC segundo semestre 1996

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 Embarque

Temporada 1992-1993

Temporada 1993-1994

Temporada 1994-1995

Temporada 1995-1996

Temporada 1996-1997

Participación 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% % Participación AMB

2,80% 3,20% 3,70% 3,60% 3,80%

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.

0%

5%

10%

15%

20%

25%

Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago

Promedio Hortalizas

Promedio Frutas

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 Temporada 92-93

Temporada 93-94

Temporada 94-95

Temporada 95-96

Temporada 96-97

Costa Este U.S.A

2.139 2.944 3.808 4.187 3.637

Canadá 42 56 503 Europa 948 780 1.044 1.141 1349 Latinoamérica 504 602 721 448 355 Costa Oeste USA

277 337 383 408 517

Lejano Oriente 11 12 20 16 45 Medio Oriente 5 5 1 2 2 Africa 0 0 0 0 0 Total 3.884 4.680 6.019 6.259 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

Cifras en miles de cajas

Especies Temporadas Total 92/93 93/94 94/95 95/96 96/97 Período

Uva de Mesa 62.362 63.603 62.867 69.518 63.306 321.655 Kiwis 21.421 25.976 33.586 36.045 37.502 154.529 Manzanas 18.888 18.974 22.571 23.944 20.935 105.312 Peras 9.789 9.260 8.665 9.670 9.692 47.076 Ciruelas 6.779 7.664 7.820 8.585 8.188 39.036 Nectarinas 4.636 5.351 7.243 7.415 6.608 31.253 Duraznos 4.442 4.458 4.877 4.493 3.924 22.195 Paltas 1.704 777 1.559 1.167 1.512 6.719 Frambuesas 1.020 1.144 1.296 1.353 1.457 6.269 Cerezas 983 974 940 1.076 1.281 5.254 Arandanos 101 188 335 546 842 2.013 Caquis 44 57 95 98 164 459 Chirimoya 13 35 63 54 71 236 Zarzaparrilla 21 23 28 31 34 137 Nísperos 9 8 7 12 12 49 Otras 892 1.943 2.277 2.796 2.638 10.545 Total Temporadas

133.103 140.436 154.228 166.802 158.166 752.734

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 Cifras en miles de cajas

Especies Temporadas

92/93 93/94 94/95 95/96 96/97 Frambuesas 1.007 1.144 1.295 1.353 1.457 Cerezas 525 608 600 590 644 Duraznos 317 459 717 720 718 Nectarinas 228 345 620 637 567 Arándanos 101 188 335 546 684 Ciruelas 210 288 504 488 379 Uva de Mesa 179 166 219 188 344 Kiwis 131 250 19 105 68 Caquis 44 57 95 98 104 Chirimoya 13 28 63 54 65 Paltas 24 19 72 18 21 Zarzaparrilla 21 23 28 31 34 Nísperos 9 8 7 12 12 Peras 0 2 4 5 5 Manzanas 1 3 9 5 6 Las Otras del Grupo

213 226 292 317 240

Total Puerto 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 Temporadas Total 92/93 93/94 94/95 95/96 96/97 Período

Nísperos 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% Zarzaparrilla 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% Frambuesas 98,7% 100,0% 99,9% 100,0% 100,0% 99,8% Chirimoya 80,0% 80,0% 100,0% 100,0% 91,7% 93,4% Arandanos 100,0% 100,0% 100,0% 100,0% 81,3% 92,2% Caquis 100,0% 100,0% 100,0% 100,0% 63,2% 86,8% Cerezas 53,3% 62,3% 63,9% 54,8% 50,3% 56,5% Duraznos 1,9% 10,3% 14,7% 16,0% 18,3% 12,2% Nectarinas 1,3% 6,4% 8,6% 8,6% 8,6% 7,1% Ciruelas 0,8% 3,8% 6,4% 5,7% 4,6% 4,4% Paltas 1,4% 2,4% 4,6% 1,5% 1,4% 2,3% Kiwis 0,6% 1,0% 0,1% 0,3% 0,2% 0,4% Uva de Mesa 0,3% 0,3% 0,3% 0,3% 0,5% 0,3% Peras 0,1% 0,0% 0,0% 0,1% 0,1% 0,1% Manzanas 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% Las Otras del Grupo

57,1% 35,0% 41,7% 34,8% 35,7% 38,4%

Total Puerto 2,08% 3,04% 3,59% 3,49% 3,83% 3,25% Fuente: INECON, Ltda. Obs: Cifras en cajas

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 Superficie

Formación Superficie Producción

Total Formación (%)

Arándano 257 91 348 74% Castaño 83 33 116 71% Chirimoyo 237 98 335 71% Caqui 38 23 61 62% Palto 5.812 11.107 16.919 34% Cerezo 1.625 3.204 4.829 34% Manzano Rojo 8.175 21.303 29.478 28% Ciruelo Europeo 1.845 4.920 6.765 27% Ciruelo Japonés 1.363 4.188 5.551 25% Tuna 368 1.138 1.505 24% Nogal 1.806 5.673 7.479 24% Duraznero 2.072 9.726 11.798 18% Damasco 381 1.930 2.311 16% Zarzaparrilla 4 19 22 16% Nectarina 940 5.159 6.099 15% Níspero 20 118 138 15% Moras Cultivadas 24 140 164 15% Peral Asiático 129 1.040 1.169 11% Uva de Mesa 4.641 39.144 43786 11% Frambuesa 715 6.512 7.227 10% Peral Europeo 899 9.773 10.671 8% Kiwi 286 7.408 7.694 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 7.10Evolución de la Superficie de la Hortalizas Exportadas por A.M.B

Especie Temporada Temporada Temporada Temporada Temporada Temporada Temporada Temporada Temporada Temporada Temporada Temporada Temporada Promedio Participación1975/76 1985/86 1986/97 1987/88 1988/89 1989/90 1990/91 1991/92 1992/93 1993/94 1994/95 1995/96 1996/97 Superficie Promedio

Choclo 11.526 11.653 10.937 10.828 11.402 11.134 13.625 11.719 13.540 13.581 13.277 12.301 12.318 12.142 22,6%Cebolla de Guarda 7.613 7.382 5.155 5.585 6.718 5.635 6.165 5.537 5.529 5.603 6.224 6.560 4.004 5.978 11,1%Arveja Verde 3.654 3.620 4.177 5.870 6.183 7.265 6.489 7.202 7.268 6.610 6.709 5.898 4.537 5.806 10,8%Poroto Verde - 3.292 8.123 4.875 5.279 3.763 4.486 516 5.516 5.265 5.502 4.776 4.687 4.673 8,7%Melón 3.271 5.100 5.459 5.240 3.705 3.739 4.129 4.510 3.335 5.340 5.480 5.141 3.726 4.475 8,3%Esparrago 178 1.363 1.914 3.358 4.786 6.960 5.940 4.638 4.238 3.871 4.106 4.105 4.150 3.816 7,1%Lechuga 1.637 2.405 2.700 3.321 4.184 4.921 3.972 3.057 3.003 4.772 4.755 4.209 4.662 3.661 6,8%Cebolla Temprana 3.005 3.065 2.459 3.496 3.602 2.816 2.877 1.944 2.778 3.630 4.133 4.196 1.387 3.030 5,6%Ajo 2.168 1.540 2.194 3.568 2.301 2.674 2.373 4.044 3.872 2.984 3.145 3.526 2.580 2.844 5,3%Pimienro 400 1.724 2.009 1.924 2.734 2.509 2.260 4.270 4.580 3.332 3.821 2.910 3.475 2.765 5,2%Alcachofa 1.889 1.862 2.232 1.771 1.936 2.767 2.368 2.069 2.580 2.317 2.479 2.423 2.776 2.267 4,2%Apio 452 1.060 1.110 543 786 876 1.498 1.337 872 1.668 1.998 1.621 1.251 1.159 2,2%Pepino Dulce 358 394 629 610 612 644 583 822 844 784 1.149 590 399 648 1,2%Brócoli - - 100 108 210 218 317 782 800 810 839 852 486 502 0,9%Radiccio - - - - - 35 70 140 165 150 311 230 137 155 0,3%Endibia - - 120 121 159 122 116 117 123 114 116 107 10 111 0,2%Achicoria 108 - 57 111 122 110 102 93 94 93 78 70 82 93 0,2%Albahaca 7 - 35 31 67 56 46 31 35 30 28 26 20 34 0,1%Total 36.266 44.460 49.410 51.360 54.786 56.244 57.416 52.828 59.172 60.954 64.150 59.541 50.683 53.636 100,0%Fuente: INE Obs: Superficie en há.

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

5,55% 5,28%

11,54%

22,12%

11,49%

14,07%

10,51%

6,58% 5,97%

1,31%2,21%

3,38%

0%

5%

10%

15%

20%

25%

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 Total

92/93 93/94 94/95 95/96 96/97 Período Cebollas 1.012 2.312 3.781 2.009 1.034 10.148 Espárragos 431 532 586 595 740 2.884 Ajos 541 394 483 623 430 2.470 Tomates 174 322 402 521 248 1.667 Radiccio 338 192 361 382 232 1.505 Alcachofas 108 108 125 154 54 549 Pimientos 57 30 68 117 68 340 Melones 20 34 57 36 9 156 Apio 1 1 2 30 28 62 Lechugas 0 0 16 22 3 41 Otras 111 66 51 51 62 341 Total Temporadas

2.792 3.991 5.932 4.539 2.908 20.163

Fuente: Asociación de Exportadores de Chile, AG Obs: Cifras en miles de cajas

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 TEMPORADA 92/93 93/94 94/95 95/96 96/97

Espárragos 429.070 532.218 584.317 594.659 739.605 Radiccio 336.660 192.184 360.548 361.720 230.169 Alcachofas 21.889 76.435 73.343 63.723 25.450 Tomates 6.284 4.756 47.227 7.500 10.763 Melones 0 6.113 24.417 10.056 8.785 Pimientos 13.976 1.731 1.803 294 3.877 Cebollas 6.822 2.929 4.173 1.427 6.056 Ajos 3.834 3.096 3.330 6.808 2.932 Apio 0 0 0 4.952 0 Las Otras del Grupo

42.232 47.145 41.056 41.056 30.213

Total Temporadas

860.767 866.607 1.140.214 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 TEMPORADA Total

92/93 93/94 94/95 95/96 96/97 Período Espárragos 99,5% 100,0% 99,7% 100,0% 100,0% 99,9% Radiccio 99,8% 100,0% 100,0% 94,6% 10,0% 84,7% Melones 0,0% 18,0% 42,5% 28,1% 99,3% 84,7% Alcachofas 20,4% 70,5% 58,7% 41,4% 46,8% 47,5% Apio 0,0% 0,0% 0,0% 16,4% 0,0% 7,9% Pimientos 24,6% 5,8% 2,6% 0,3% 5,7% 6,4% Tomates 3,6% 1,5% 11,7% 1,4% 4,3% 4,6% Ajos 0,7% 0,8% 0,7% 1,1% 0,7% 0,8% Cebollas 0,7% 0,1% 0,1% 0,1% 0,6% 0,2% Las Otras del Grupo

38,1% 71,4% 80,8% 79,9% 48,6% 59,1%

Total 30,8% 30,8% 30,8% 30,8% 30,8% 30,8% Fuente: INECON Ltda. Obs: Cifras en cajas

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

0,00%

2,00%

4,00%

6,00%

8,00%

10,00%

12,00%

14,00%

16,00%

1 2 3 4 5 6 7 8 9 10 11 12

Meses

Porc

enta

je

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 AMB TOTAL PUERTOS

Cantidad Mkg. FOB MU$ Cantidad Mkg. FOB MU$ Total 1993 28.910 147.457 159.057 580.695 Total 1994 34.148 169.960 178.205 684.627 Total 1995 43.280 215.974 199.581 859.098 Total 1996 59.809 258.587 226.529 895.609

TOTAL 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 Merluza Salmón Trucha

Kg. Cajas Kg. Cajas Kg. Cajas 1992 6.315.382 315.769 15.518.050 556.063 156.146 7.807 1993 4.927.106 246.355 18.803.316 673.786 170.340 8.517 1994 4.849.304 242.465 21.771.598 780.149 565.850 28.293 1995 5.342.465 267.123 31.251.140 1.119.833 412.390 20.619 1996 8.253.431 412.672 43.357.654 1.553.649 1.090.242 54.512

fuente: Estadísticas de Aduana

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 Porcentaje de producto Exportado Merluza Salmón Trucha

Enero 13,70% 7,02% 5,78% Febrero 11,36% 6,65% 14,20% Marzo 10,69% 8,26% 16,06% Abril 9,01% 7,93% 12,79% Mayo 6,78% 8,88% 15,66% Junio 4,58% 8,93% 8,43% Julio 6,57% 8,98% 4,22% Agosto 4,78% 8,85% 3,74% Septiembre 4,50% 7,97% 5,47% Octubre 8,98% 9,22% 4,34% Noviembre 9,72% 8,33% 2,78% Diciembre 9,33% 8,98% 6,53% TOTAL 100,00% 100,00% 100,00% fuente: Estadísticas de Aduana

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 1992 1993 1994 1995 1996

USA 14.144.369 17.725.701 19.877.102 25.832.024 35.873.188 Japón 1.054.251 833.029 1.298.202 3.400.660 3.379.165 Brasil 9.361 24.637 287.715 1478247 3.222.221 Argentina 8.312 61603 118.136 223.686 403.739 México 417 0 1.725 50.337 132.703 Venezuela 9066 9.978 23.069 69.727 95.335 España 6.598 20.116 3.619 2.934 41.833 Vietnam 4.248 3.319 0 0 29.811 Alemania 2.480 6.657 60 3.000 25.316 Suiza 50.444 2.130 0 19.053 19.920 Otros 228.504 116.146 161.969 171.473 134.423 Total 15.518.050 18.803.316 21.771.597 31.251.141 43.357.654 fuente: Estadísticas de Aduana

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: TONt

llegan,nacional = α*PIBβt (7.3)

Donde: t : representa el período (año) TONt

llegan ,nacional :toneladas agregadas anuales del año t que llegan al aeropuerto desde un origen nacional

PIBt : Producto Interno Bruto del año t α, β : constantes a determinar.

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 Estimación Valor-t Nivel de

Significancia ln α -16.98948 -4.1204 0.0033 β 1.648341 6,0843 0,0003

r2 (aj) 0,8001


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: TONt

llegan,nacional = α*PIBβt-1 (7.4)

donde PIBt-1 : Corresponde al Producto Interno Bruto del período anterior.


ln α -18.04709 -4.5145 0.0020

β 1.725424 6,5402 0,0002

r2 (aj) 0,8227


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: TONt

salen,nacional = α*PIBβt (7.5)

TONt

salen ,nacional : toneladas agregadas anuales del año t que salen del aeropuerto y que tienen como origen una zona del país.

PIBt : Producto Interno Bruto del año t. α, β : constantes a determinar.


ln α 0.476326 0.3061 0.7673

β 0.540041 5.2825 0.0007

r2 (aj) 0.7493


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: TONt

salen,nacional = PIBt0.540041

(7.6)

7.35

Modelo 2. Como segundo modelo, se plantea como variable independiente el PIB del período anterior: TONt

salen,nacional = α*PIBβt-1 (7.7)

PIBt-1 : Representa Producto Interno Bruto del año anterior al período t considerado.


ln α -0.000012 0.0000 1.0000 β 0.573865 6.0481 0.0003

r2 (aj) 0.7981

Durb.Wats. 2.459 Valor F 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:

TON (imp) = (exp(2.944806))*(ind-imp)1.773t

o bien

Ln(TON (imp)) = 2.944806+1.773*Ln(ind-imp)t

donde: TON (imp) : toneladas agregadas anuales que llegan al aeropuerto desde el

extranjero (ind-imp)t : índice de importaciones del año t.

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 Pesimista 1996 7,90% 7,90% 1997 6,80% 6,80% 1998 6,60% 5,90% 1999 7,70% 3,80% 2000 5,70% 3,80% 2001 7,10% 3,80%

2002-05 7,10% 6,60% 2006- 10 7,50% 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

0

50

100

150

200

250

300

350

400

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

Año

Impo

rtac

ione

s

Base

Pesimista

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

0

20

40

60

80

100

120

140

160

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

Años

To

nel

adas

Pesca

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:

7.41


Sector frutícola Cifras en miles de cajas

0

2.000

4.000

6.000

8.000

10.000

12.000

14.000

16.000

18.000

20.0001992/1

993

1993/1

994

1994/1

995

1995/1

996

1996/1

997

1997/1

998

1998/1

998

1999/2

000

2000/2

001

2001/2

002

2002/2

003

2004/2

005

2005/2

006

2006/2

007

2007/2

008

2009/2

009

2009/2

010

2000/2

004

Temporada

Caj

as d

e Fr

utas

(m

iles)

Tasa=5%

Tasa=10%


Sector Hortofrutícola Cifras en miles de cajas

0

500

1.000

1.500

2.000

2.500

3.000

3.500

1992/1

993

1993/1

994

1994/1

995

1995/1

996

1996/1

997

1997/1

998

1998/1

998

1999/2

000

2000/2

001

2001/2

002

2002/2

003

2004/2

005

2005/2

006

2006/2

007

2007/2

008

2009/2

009

2009/2

010

2000/2

004

Temporada

Hor

taliz

as

Pesimista

Base

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 PIB Base PIB Pesimista Modelo 1 Modelo 2 Modelo 1 Modelo 2

Llegada a AMB 2000 9.212 10.852 8.411 9.865 2010 26.623 32.956 20.322 24.840

Salida de AMB 2000 5.202 8.891 5.050 8.614 2010 7.366 12.865 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 Viernes 4 Domingo 6 Total Salidas Nacionales 304 334 638 Llegadas Nacionales 348 347 695 Salidas Internacionales 339 410 749 Llegadas Internacionales 270 414 684 Total Pasajeros 1.261 1.505 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)

Trabajo Convención Turismo Personal Otros Total Arica 20.5% 4.8% 26.5% 33.7% 14.5% 100% Iquique 45.9% 4.5% 18.0% 20.7% 10.8% 100% Calama 62.1% 0.0% 6.9% 24.1% 6.9% 100% Antofagasta 49.6% 4.3% 10.6% 19.9% 15.6% 100% Salvador 28.6% 0.0% 0.0% 14.3% 57.1% 100% Copiapo 48.5% 0.0% 15.2% 27.3% 9.1% 100% La Serena 53.8% 3.8% 14.4% 13.1% 15.0% 100% Concepción 47.7% 3.2% 7.9% 32.9% 8.3% 100% Temuco 50.0% 1.7% 6.7% 25.8% 15.8% 100% Valdivia 50.0% 3.1% 9.4% 12.5% 25.0% 100% Osorno 31.6% 0.0% 26.3% 23.7% 18.4% 100% Puerto Montt 36.5% 2.9% 26.0% 16.3% 18.3% 100% Balmaceda 16.7% 5.6% 11.1% 55.6% 11.1% 100% Punta Arenas 39.7% 4.4% 14.7% 30.1% 11.0% 100% Total 44.7% 3.4% 14.1% 25.1% 13.8% 100%

8.5

Cuadro 8.3 Viajes por Motivo Trabajo/negocio

Semana Festivo Arica 13.3% 24.5% Iquique 48.9% 43.8% Calama 62.5% 61.5% Antofagasta 38.5% 56.2% Salvador 28.6% Copiapo 56.7% 41.7% La serena 60.6% 42.6% Concepción 54.3% 39.7% Temuco 54.7% 44.6% Valdivia 40.0% 58.8% Osorno 40.0% 26.1% Puerto Montt 48.0% 25.9% Balmaceda 17.6% Punta Arenas 43.3% 36.8% Total 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 Porcentaje

Negocios 42,2% Convención 3,4% Turismo 11,9% Personal 22,7% Otros 19,8%

Cuadro 8.5

Porcentaje de viajeros capitalinos y no capitalinos que salieron de Santiago según motivo

Motivo Capitalinos No-Capitalinos

Negocios 89,3% 10,7% Convención 90,9% 9,1% Turismo 64,5% 35,5% Personal 82,8% 17,2% Otros 84,3% 15,7%

8.7

Cuadro 8.6 Número de Viajeros en el grupo según motivo

Número de Motivo del viaje

Viajeros en el grupo Negocios Convención Turismo Personal Otros 1 66,3% 59,1% 27,6% 57,2% 63,8% 2 21,9% 18,2% 39,5% 28,3% 18,1% 3 5,6% 4,5% 17,1% 6,9% 3,9% 4 0,4% 7,9% 4,8% 3,9% 5 1,9% 3,9% 1,4% 0,8% 6 0,4% 0,7% 7 8 9 0,4% 9,1%

10 o más 3,3% 9,1% 3,9% 0,7% 9,4% Total 100,0% 100% 100% 100% 100%

Cuadro 8.7 Destino según motivo de viaje

Destino Motivo del viaje (%) Total

Aeropuertos Negocios Convención Turismo Personal Otros (%) Arica 19,6 4,3 23,9 30,4 21,7 100% Iquique 39,5 2,6 13,2 28,9 15,8 100% Calama 75,0 0,0 0,0 0,0 25,0 100% Antofagasta 50,8 3,4 5,1 13,6 27,1 100% Diego de Almagro 28,6 0,0 0,0 14,3 57,1 100% Copiapo 50,0 0,0 14,3 14,3 21,4 100% La Serena 52,6 5,3 10,5 9,5 22,1 100% Concepción 38,7 1,7 8,4 36,1 15,1 100% Temuco 56,9 3,1 1,5 18,5 20,0 100% Valdivia 47,4 0,0 10,5 21,1 21,1 100% Osorno 31,8 0,0 31,8 18,2 18,2 100% Puerto Montt 37,3 5,1 28,8 15,3 13,6 100% Puerto Varas 0,0 0,0 100,0 0,0 0,0 100% Aysén 0,0 0,0 0,0 66,7 33,3 100% Punta Arenas 38,3 6,2 8,6 29,6 17,3 100% Porvenir 0,0 0,0 0,0 100,0 0,0 100%

8.8

Cuadro 8.8 (a) Número de maletas por grupo, motivo negocios

Número de Maletas que lleva el grupo (%)

Personas en el Grupo 0 1 2 3 4 5 6 10 o más Total

1 57,6% 12,1% 24,2% 3,0% 3,0% 100,0% 2 30,5% 30,5% 23,7% 6,8% 5,1% 3,4% 100,0% 3 46,7% 20,0% 6,7% 26,7% 100,0% 4 100,0% 100,0% 5 60,0% 40,0% 100,0% 6 100,0% 100,0% 10 50,0% 50,0% 100,0% 11 100,0% 100,0% 12 100,0% 100,0% 16 100,0% 100,0%

Cuadro 8.8 (b) Número de maletas por grupo, motivo otros


Personas en el grupo 0 1 2 3 4 5 6 8 10 Total

1 22,2% 50,5% 25,8% 1,0% 0,5% 100,0% 2 10,5% 23,2% 40,0% 13,7% 8,4% 2,1% 1,1% 1,1% 100,0% 3 21,2% 21,2% 15,2% 15,2% 27,3% 100,0% 4 10,0% 5,0% 30,0% 20,0% 35,0% 100,0% 5 25,0% 25,0% 25,0% 75,0% 6 100,0% 100,0% 12 100,0% 100,0% 13 100,0% 100,0% 16 100,0% 100,0% 18 100,0% 100,0% 19 100,0% 100,0% 20 40,0% 60,0% 100,0%

8.9

Cuadro 8.9 Porcentaje de uso de los diferentes modos para acceder al aeropuerto

Motivo Transporte Total

Taxi

(%)

Bus/van colectivo

(%)

Auto propio (%)

Auto Alquilado

(%)

Vehículo del Hotel

(%)

Pariente /amigo

(%)

Otros

(%)

Vacías

(%)

(%) Negocios 30,7 18,9 22,2 5,6 0,7 15,6 5,2 1,1 100,0 Convención 27,3 36,4 9,1 0,0 0,0 18,2 9,1 0,0 100,0 Turismo 18,4 21,1 14,5 3,9 5,3 18,4 18,4 0,0 100,0 Personal 18,6 31,0 11,0 2,1 0,0 30,3 6,2 0,7 100,0 Otros 24,4 32,3 13,4 3,9 1,6 13,4 7,9 3,1 100,0

Figura 8.1 Modo de transporte para acceder al aeropuerto, según motivo del viaje

0%

5%

10%

15%

20%

25%

30%

Taxi Bus Auto Pr. AutoAlquilado

Veh.Hotel

Pariente

Modo de transporte para llegar al aeropuerto

Porc

enta

je d

e pa

rtic

ipac

ión

por

mod

o

Otros

Personal

Turismo

Convención

Negocios

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 Zona Total Norte V Región Stgo-Concep. Sur (%)

Negocios 48,3% 0,0% 25,2% 26,5% 100,0% Convención 52,4% 0,0% 28,6% 19,0% 100,0% Turismo 51,9% 0,9% 11,1% 36,1% 100,0% Personal 41,4% 0,0% 25,3% 33,3% 100,0% Otros 40,4% 1,9% 9,6% 48,1% 100,0%

8.11

Figura 8.2 Porcentaje de viajes según motivo

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

0,45

0,50

Neg

ocio

s

Con

venc

ión

Tu

rism

o

Per

sona

l

Otr

os

Motivo del viaje

Porc

enta

je

Cuadro 8.11 Número de Viajeros en el grupo según motivo


viajeros en el grupo Negocios Convención Turismo Personal Otros 1 63,1% 61,9% 37,0% 45,7% 38,5% 2 25,5% 19,0% 37,0% 32,3% 25,0% 3 4,0% 4,8% 8,3% 10,2% 4 2,2% 9,5% 8,3% 4,8% 3,8% 5 0,3% 4,8% 3,7% 0,5% 1,9% 6 0,3% 2,8% 0,5% 8 0,3% 9 0,3% 1,6%

10 o más 4,0% 0,0% 2,8% 4,3% 30,8% Total 100% 100% 100% 100% 100%

8.12

Cuadro 8.12 (a) Número de maleta que transporta el grupo de viaje

Motivo Negocios

Número de Maletas que lleva el grupo (%) Personas en el

Grupo 0 1 2 3 4 5 6 7 8 9 10 o más

Total

1 14,3% 60,9% 19,6% 3,9% 1,4% 0,0% 100,0% 2 16,5% 32,5% 35,0% 11,0% 2,5% 1,5% 1,0% 0,0% 100,0% 3 7,1% 19,0% 26,2% 23,8% 14,3% 2,4% 4,8% 2,4% 100,0% 4 6,9% 17,2% 31,0% 20,7% 10,3% 3,4% 3,4% 6,9% 100,0% 5 25,0% 12,5% 12,5% 25,0% 12,5% 12,5% 0,0% 100,0% 6 20,0% 40,0% 20,0% 20,0% 100,0% 8 0,0% 0,0% 9 25,0% 75,0% 100,0% 10 0,0% 13 0,0% 14 0,0%

más de 20 10,0% 90,0% 100,0%

Cuadro 8.12 (b) Número de maleta que transporta el grupo de viaje

Otros Motivos

Número de Maletas que lleva el grupo Personas en el

grupo 0 1 2 3 4 5 7 10 11 14 Total 1 13,1% 62,5% 20,0% 3,1% 1,3% 100,0% 2 14,7% 27,5% 41,2% 12,7% 1,0% 2,0% 1,0% 100,0% 3 4,5% 22,7% 31,8% 36,4% 4,5% 0,0% 0,0% 0,0% 0,0% 0,0% 100,0% 4 10,0% 15,0% 35,0% 30,0% 0,0% 5,0% 5,0% 100,0% 5 20,0% 20,0% 20,0% 40,0% 100,0% 6 0,0% 25,0% 25,0% 25,0% 25,0% 100,0% 14 100,0% 100,0%

Cuadro 8.13Modo de transporte para llegar a la ciudad

Motivo Transporte TotalTaxi Bus/van colectivo Auto propio Auto Alquilado Vehículo del Hotel Pariente/amigo Otros Vacias

Negocios 29,5% 23,1% 18,2% 3,1% 0,3% 19,4% 0,3% 6,2% 1Convención 38,1% 23,8% 14,3% 4,8% 0,0% 9,5% 0,0% 9,5% 1Turismo 13,0% 26,9% 21,3% 2,8% 0,9% 24,1% 0,0% 11,1% 1Personal 14,5% 28,5% 15,1% 3,8% 0,0% 32,3% 0,5% 5,4% 1Otros 7,7% 38,5% 13,5% 3,8% 0,0% 30,8% 0,0% 5,8% 1

Figura 8.3Modo de transporte para llegar a la ciudad según Motivo de viaje

0%

5%

10%

15%

20%

25%

30%

Taxi Bus Auto Pr. Auto Alquilado Veh. Hotel Pariente

Modo de transporte para salir del aeropuerto

Porc

enta

je d

e pa

rtic

ipac

ión

por

mod

o

Otros

Presonal

Turismo

Convención

Negocios

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 Número de pasajeros

Trabajo 34,3% Convención 2,8% Turismo 43,4% Personal 11,1% Otros 8,3% Total 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 Porcentaje

Negocios 34,71% Convención 1,91% Turismo 41,72% Personal 14,01% Otros 7,64% Total 100,00%

Cuadro 8.15 (b)

Porcentaje de viajeros extranjeros que salieron del país según motivo

Motivo Porcentaje Negocios 37,23% Convención 2,15% Turismo 44,15% Personal 11,93% Otros 4,53% Total 100,00%

8.16

Cuadro 8.16 Número de viajeros en el grupo según motivo


viajeros en el grupo Negocios Convención Turismo Personal Otros 1 74,3% 86,7% 30,1% 51,1% 27,9% 2 17,7% 38,3% 27,7% 20,9% 3 3,0% 6,7% 12,0% 4,3% 9,3% 4 0,4% 7,9% 4,3% 7,0% 5 0,8% 4,4% 7,4% 6 0,4% 1,3% 3,2% 8 1,1% 0,9% 2,3% 9 0,8% 0,3%

10 o más 1,5% 6,7% 4,7% 2,1% 32,6% Total 100,0% 100,0% 100,0% 100,0% 100,0%

Cuadro 8.17 (a) Número de maletas que transportan los grupos nacionales

con diferentes números de personas Motivo Negocios

Número de Maletas que lleva el grupo

personas en el grupo 0 1 2 3 4 5 6 o más

1 7% 73% 16% 1% 2% 2 6% 35% 47% 0% 6% 6% 3 20% 20% 20% 20% 20% 4 100% 5 100% 6 7 8 9 100% 10 50% 50%

8.17

Cuadro 8.17 (b) Número de maletas que transportan los grupos extranjeros

con diferentes números de personas Motivo Negocios


personas en el grupo 0 1 2 3 4 5 6

1 14% 62% 17% 5% 1% 1% 2 10% 30% 47% 7% 7% 3 33% 33% 33% 4 5 100% 6 100% 7 8 100%

Cuadro 8.18 (a) Número de maletas que transportan los grupos nacionales

con diferentes números de personas Motivo Turismo


personas en el grupo 0 1 2 3 4 5 6 7 8 10 o más

1 4,2% 75,0% 18,8% 2,1% 2 4,3% 27,7% 53,2% 12,8% 2,1% 3 6,3% 6,3% 25,0% 56,3% 6,3% 4 50,0% 12,5% 12,5% 25,0% 5 14,3% 14,3% 14,3% 28,6% 14,3% 14,3% 6 50,0% 50,0% 7 8 9 100,0%

8.18

Cuadro 8.18 (b) Número de maletas que transportan los grupos extranjeros

con diferentes números de personas Motivo Turismo


personas en el grupo 0 1 2 3 4 5 6 7 8 10

1 12,8% 61,7% 25,5% 2 32,4% 41,9% 17,6% 8,1% 3 9,1% 27,3% 13,6% 27,3% 13,6% 4,5% 4,5% 4 5,9% 0,0% 17,6% 5,9% 35,3% 17,6% 5,9% 11,8% 5 57,1% 14,3% 28,6% 6 100,0% 7 100,0% 8 100,0% 9 100,0%

Cuadro 8.19Modo utilizado para acceder al aeropuerto

Motivo Transporte TotalTaxi Bus/van colectivo Auto propio Auto Alquilado Vehículo del Hotel Pariente/amigo Otros Vacias

Negocios 32,1% 27,2% 7,9% 3,8% 3,8% 12,8% 1,1% 11,3% 1Convención 12,5% 18,8% 12,5% 6,3% 0,0% 12,5% 0,0% 37,5% 1Turismo 17,7% 20,6% 8,9% 2,5% 6,0% 17,4% 0,0% 26,9% 1Personal 10,6% 19,1% 14,9% 2,1% 3,2% 20,2% 3,2% 26,6% 1Otros 11,6% 27,9% 18,6% 4,7% 0,0% 11,6% 0,0% 25,6% 1

Figura 8.4Modo utilizado para acceder al aeropuerto según motivo de viaje

0%

5%

10%

15%

20%

25%


Modo de transporte para llegar al aeropuerto

Pore

cent

aje

de p

artic

ipac

ión

por

mod

o

Otros

Personal

Turismo

Convención

Negocios

8.20

Figura 8.5 Modo de Transporte para acceder al aeropuerto

pasajeros chilenos y extranjeros

0,00

0,05

0,10

0,15

0,20

0,25

Taxi Bus Auto Pr. Auto Alquilado Veh. Hotel ParienteModo de transporte para acceder al aeropuerto

po

rcen

taje

de

par

tici

pac

ión

Extranjeros

Nacionales

Cuadro 8.20 Número de veces que ha realizado el mismo viaje

durante el año

Nº de veces % de Personas

0 6,6% 1 54,9% 2 16,7% 3 8,7% 4 3,4% 5 1,7% 6 1,2% 7 0,7% 8 0,8% 9 0,1% 10 0,8%

11-20 3,4% 21-30 0,4% 31-40 0,5% Total 100%

8.21

Cuadro 8.21 Días que permanecerá en otra ciudad

Nº de días Motivo

Negocios Otros 1 7,6 1 2 9,5 0 3 9,5 8,7 4 9,5 4,8 5 9,5 3,4 6 6,7 1,4 7 8,6 8,7 8 1 0,5 9 4,8 1,4

10 a 20 21 34,8 20 a 30 3,8 21,7

más de 30 8,6 13,5

8.3.2 Llegadas Internacionales Para las llegadas internacionales se presentan algunos de los cuerpos de información que se obtuvieron de la encuesta. En primer término las estadísticas sobre motivo del viaje, tanto para chilenos como para extranjeros, destaca que la proporción de viajeros extranjeros por motivo turismo es mayor que en el caso nacional. 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 Porcentaje Negocios 34,87% Convención 4,87% Turismo 39,49% Personal 8,72% Otros 12,05%

8.22

8.22 (b) Llegada de viajeros extranjeros según motivo

Motivo Porcentaje

Negocios 28,91% Convención 2,04%

Turismo 49,32% Personal 10,20% Otros 9,52%

Cuadro 8.23

Llegadas internacionales según motivo

Conglomerado Motivo Total Negocios Convención Turismo Personal Otros

Resto de América (A. Latina)

34,9% 2,8% 48,6% 8,3% 5,5% 100%

U.S.A. y Norte América 38,0% 2,7% 41,3% 5,3% 12,7% 100% Argentina 32,6% 1,4% 41,3% 11,6% 13,0% 100% Resto del mundo 27,7% 6,6% 47,4% 8,0% 10,3% 100% Chile 34,7% 2,0% 32,7% 12,2% 18,4% 100%

Cuadro 8.24

Número de viajeros por motivo según el número de acompañante

Número de Motivo del viaje viajeros en el grupo Negocios Convención Turismo Personal Otros

1 64,3% 60,0% 33,8% 57,8% 45,3% 2 23,1% 20,0% 42,1% 31,3% 21,3% 3 4,5% 8,0% 9,7% 4,7% 9,3% 4 2,3% 8,0% 4,0% 1,6% 8,0% 5 4,0% 4,3% 3,1% 5,3% 6 2,3% 1,3% 7 1,3% 8 0,7% 9 0,3%

10 o más 5,0% 2,3% 1,6% 8,0% Total 100% 100% 100% 100% 100%

8.23

Cuadro 8.25 Número de personas que transportan una cantidad determinada de maletas


Personas en el grupo 0 1 2 3 4 5 6 7 8 9 10

1 1,8% 48,0% 37,9% 8,3% 2,1% 0,6% 0,6% 0,3% 0,3% 2 0,5% 18,8% 38,0% 20,7% 12,7% 5,6% 1,9% 1,9% 3 6,3% 18,8% 18,8% 33,3% 6,3% 12,5% 2,1% 2,1% 2,0% 4 3,6% 21,4% 21,4% 7,1% 10,7% 10,7% 7,1% 3,6% 14,4% 5 5,3% 15,8% 5,3% 21,1% 26,3% 10,5% 15,8% 6 11,1% 11,1% 33,3% 33,3% 11,1% 7 50,0% 50,0% 8 50,0% 50,0% 9 100,0% 10 4,2% 25,0% 16,7% 12,5% 41,7%

Cuadro 8.26Modo utilizado para salir del aeropuerto

Motivo Transporte TotalTaxi Bus/van colectivo Auto propio Auto Alquilado Vehículo del Hotel Pariente/amigo Vacias

Negocios 24,0% 8,6% 5,0% 8,1% 5,4% 44,8% 4,1% #####Convención 8,0% 16,0% 0,0% 0,0% 4,0% 60,0% ##### #####Turismo 10,7% 18,1% 5,4% 2,7% 5,7% 54,2% 3,3% #####Personal 9,4% 18,8% 3,1% 1,6% 1,6% 59,4% 6,3% #####Otros 10,7% 12,0% 5,3% 1,3% 2,7% 65,3% 2,7% #####

Figura 8.6Modo de transporte para salir del aeropuerto

0%

10%

20%

30%

40%

50%

60%


Modo de transporte

Porc

enta

je d

e pa

rtic

ipac

ión

por

mod

o

Otros

Presonal

Turismo

Convención

Negocios

8.25

Figura 8.7 Modo de Transporte para acceder al aeropuerto,

pasajeros chilenos y extranjeros

0,00

0,10

0,20

0,30

0,40

0,50

0,60

Taxi Bus Auto Pr. AutoAlquilado

Veh.Hotel

Pariente

Modo de transporte para acceder al aeropuerto

Po

rcen

taje

de

par

tici

pac

ión

po

r m

od

o

Extranjeros

Nacionales

Cuadro 8.27 Número de veces que ha realizado el mismo viaje

durante el año

Nº de veces Nº de Personas

1 59,2% 2 16,1% 3 7,3% 4 3,5% 5 3,2% 6 1,8% 7 1,0% 8 0,6% 9 0,1% 10 1,8%

11-20 2,5% 21-30 1,2% 31-40 0,3% 41-50 0,1% 51-99 1,3%

8.26

Cuadro 8.28 Duración de los viajes de pasajeros

motivo negocios y otros

Nº de días Motivo Negocios Otros

1 6,3% 7,2% 2 6,3% 3,0% 3 14,7% 11,5% 4 14,7% 7,9% 5 4,2% 5,9% 6 0,0% 0,3% 7 12,6% 11,5% 8 1,1% 4,3%

10 a 20 23,2% 16,1% 20 a 30 6,3% 18,6%

más de 30 10,6% 13,7% Total 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

Figura 9.1 Tasa Estándar de Alta Actividad

Vol

umen

hor

ario

de

pasa

jero

s

Figura 9.2 Tasa Horaria de Alta Actividad

Vol

umen

hor

ario

de

pasa

jero

s

0 29 100 200 300 400 500

Número de horas en que se excede el volumen

TEAA

0 200 400 600 800 1000

Número de horas en que se excede el volumen

El área sombreada representa el 5% del área total bajo la curva

THAA al 5%

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

0,000 0,020 0,040 0,060 0,080 0,100 0,120 0,140

Menos de 100.000

100.000 - 499.999

500.000 - 999.999

1.000.000 - 9.999.999

10.000.000 - 19.999.999

Más de 20.000.000

TOTAL ANUAL DE PASAJEROS

% DEL FLUJO ANUAL

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 demanda-capacidad 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 demanda-capacidad.

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 Pasajeros

Total Anual Mes punta Día Promedio (ADPM) Hora punta

Año 1995 Enero

Mie 18/01/95 14:00

3.750.300 372.657 11.973

934* DASP - Hora punta

Dom /1/95 13:00

12.282 1.128*

PDPM Hora punta

Dom 15/1/95 16:00

14.829 1.375*

FDM Hora punta

08:00

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 Pasajeros Carga ADPM DPeMP DASP FMD ADPM DPeMP FMD Mie,

18.01.95 Dom,

15.01.95 Dom,

8.01.95 Vie,

22.12.95 Dom,

17.12.95

1 0,0% 1,1% 0,2% 0,4% 0,0% 0,0% 1,1% 2 0,5% 0,0% 0,0% 0,5% 0,0% 8,4% 2,7% 3 0,0% 0,0% 0,0% 0,1% 6,4% 4,8% 2,7% 4 0,0% 0,5% 0,0% 0,3% 0,0% 0,0% 1,4% 5 0,6% 0,0% 1,4% 0,3% 0,0% 10,4% 1,2% 6 0,0% 2,0% 2,1% 1,6% 7,2% 1,6% 2,6% 7 6,8% 5,7% 3,0% 5,1% 6,7% 1,3% 4,2% 8 7,0% 7,7% 8,1% 8,3% 6,5% 3,5% 5,2% 9 7,6% 3,7% 4,7% 6,1% 0,0% 2,2% 3,8% 10 5,3% 6,4% 6,9% 5,2% 3,1% 2,9% 3,3% 11 4,4% 3,4% 4,5% 4,9% 9,0% 14,4% 4,2% 12 6,6% 5,0% 4,1% 6,2% 2,2% 1,2% 4,8% 13 7,5% 5,6% 8,8% 6,2% 0,2% 7,8% 4,0% 14 7,8% 6,1% 5,5% 6,5% 3,3% 2,9% 4,7% 15 4,5% 3,8% 2,6% 4,6% 3,4% 2,8% 6,5% 16 4,4% 9,3% 8,0% 6,2% 4,7% 0,1% 4,2% 17 5,7% 6,0% 6,8% 5,8% 0,3% 3,2% 1,7% 18 7,5% 2,2% 2,6% 4,4% 7,0% 2,2% 3,4% 19 4,3% 4,5% 4,5% 4,2% 1,2% 0,6% 2,5% 20 5,3% 7,4% 5,5% 6,9% 3,0% 0,4% 3,4% 21 4,3% 6,2% 7,1% 5,8% 4,4% 11,1% 5,4% 22 5,9% 6,8% 7,6% 5,4% 8,1% 4,7% 7,6% 23 4,0% 4,2% 6,1% 4,5% 14,8% 13,0% 17,4% 24 0,0% 2,5% 0,0% 0,5% 8,6% 0,6% 2,2%

TOTAL DIA

11.973 14.829 12.828 12.002 642 856 641

ADPM : Día Promedio del Mes Punta DPeMP : Día Punta del Mes Punta FMD : Flujo Medio Diario

9.15

Cuadro 9.2 (b) Mediciones de Tráfico en Períodos Punta según Criterios Alternativos

Movimiento de Aeronaves

Horas Movimiento de Aeronaves

ADPM DpeMP FMD Mar, 26.12.95 Vie, 29.12.95 1 2,8 4,3 4,7 2 2,2 2,4 2,9 3 2,8 2,4 2,0 4 0,6 0,0 1,2 5 1,1 2,4 1,2 6 1,1 1,0 0,9 7 0,0 0,0 0,6 8 0,6 0,5 0,9 9 0,6 1,0 1,7 10 2,8 4,8 3,8 11 11,1 7,6 8,6 12 3,9 4,8 6,5 13 8,3 3,3 4,7 14 3,3 4,3 4,8 15 8,9 8,1 6,8 16 7,8 4,8 5,5 17 5,6 7,6 5,6 18 4,4 3,8 5,0 19 8,3 5,7 5,5 20 3,3 5,7 4,0 21 4,4 9,0 4,8 22 5,0 4,8 4,9 23 6,7 5,7 6,4 24 4,4 6,2 6,8

TOTAL DIA

642 856 641

ADPM : Día Promedio del Mes Punta DPeMP : Día Punta del Mes Punta FMD : Flujo Medio Diario

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 Toneladas Total Anual Mes punta ADPM Hora punta

Año 1995 Diciembre 22/12/95

23:00

234.443 19.869

642 95 *

- Día punta Hora punta (PDPH)

17/12/95 11:00

856 123 *

Flujo Medio Diario - Hora punta

23:00

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 Número de

movimientos Total Anual Mes punta Día Promedio (ADPM) Hora punta

(1995): Diciembre 26/12/95

11:00

52.191 5.117

180 20*

- Hora punta - Día punta (PDPM)

21:00 29/12/95

19* 210

- Hora punta Flujo medio diario (FMD)

11:00 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)




Documents

DIAGNÓSTICO Y ANÁLISIS DEL AEROPUERTO ARTURO MERINO BENÍTEZ