Tecnología
11 de septiembre de 2025
La pandemia de covid-19 y la demanda de transporte aéreo de pasajeros en vuelos domésticos
Autores: Laís Kimie Oshiro Caldeira y José Erasmo Silva
DOI: 10.22167/2675-6528-2023111
E&S 2025, 6: e2023111
La capacidad de predecir la demanda de un servicio determinado es una actividad crítica, pero representa un desafío para los gerentes en diferentes industrias. En el sector aéreo, la previsión de la demanda impacta la planificación a corto y largo plazo, abarca decisiones sobre la expansión de aeropuertos o la construcción de nuevos, la planificación de las aerolíneas, de los operadores de aeropuertos y de los fabricantes de aeronaves, además de las actividades de otros agentes integrantes de esta compleja cadena de suministros[1].
La pandemia de covid-19, declarada en 2020, afectó de forma inesperada a todo el sector y frustró cualquier previsión de demanda proyectada para los meses siguientes. Según la Agencia Nacional de Aviación Civil (Anac)[2], en agosto de 2021 – más de un año después de la declaración de la pandemia – la cantidad de pasajeros transportados en vuelos domésticos todavía era un 30% inferior a la registrada en agosto de 2019.
Ante este escenario, se vuelve necesario entender cómo la demanda reaccionó a la reducción de las medidas sanitarias, al avance de la vacunación y a la recuperación de otros sectores de la economía. Así, este estudio tiene como objetivo identificar un modelo capaz de explicar la demanda por transporte aéreo en el mercado doméstico como consecuencia de estos factores, lo que proporciona una referencia para futuras situaciones similares que impacten el sector.
La primera etapa de este estudio consistió en la recopilación y el tratamiento de los datos. Se utilizaron bases públicas en el período de enero de 2020 a enero de 2022. Los datos referentes a períodos anteriores a 2020 se incluyeron solo para fines de discusión de los resultados.
La variable dependiente, que representa el fenómeno en estudio, es la demanda de transporte aéreo de pasajeros en el mercado doméstico. La base de datos utilizada fue extraída de los datos estadísticos del transporte aéreo de Brasil, publicada por la ANAC[3], la cual proporciona información detallada sobre el sector. Para reflejar la demanda, se seleccionó la variable “pasajeros pagos”, filtrando solo la información referente a vuelos domésticos, regulares o no regulares.
Se utilizaron datos de diferente naturaleza como variables independientes (o explicativas). Estas variables se denominan así porque se utilizan para explicar las variaciones observadas en la variable dependiente. La información relacionada con la pandemia, como la cantidad de nuevos casos diarios de covid-19, se extrajo del panel coronavirus del Ministerio de Salud[4]. Los registros de vacunación contra la covid-19 en Brasil se obtuvieron de la base Coronavirus Pandemic[5] con información referente al porcentaje de personas vacunadas, totalmente vacunadas y que recibieron la dosis de refuerzo.
También se consideró la tarifa de los pasajes aéreos, extraída de los microdatos de tarifas aéreas comercializadas, publicada por la ANAC[6]. Se utilizó la tarifa media mensual, calculada a partir de la media ponderada entre los valores cobrados y la cantidad de pasajes vendidos. Además, se incorporaron datos sobre el precio del combustible de aviación, empleado como variable instrumental para el valor de los pasajes, extraídos de la tabla de precios de combustibles de aviación proporcionada por Petrobras[7], de la cual se obtuvo la media nacional.
Finalmente, se extrajeron datos referentes al nivel de empleo y al Producto Interno Bruto (PIB) del portal Ipeadata, entre ellos la “Tasa de participación en la fuerza laboral”[8] – que corresponde al porcentaje de personas insertadas en la fuerza laboral en relación con la población en edad de trabajar – y los registros mensuales del PIB[9]. La Tabla 1 presenta el resumen de la base de datos final utilizada. Todos los registros se organizaron con periodicidad mensual.
Tabla 1. Resumen de la base de datos
| Variable | Media | Máximo | Menor | Desviación estándar |
| pasajeros_domésticos | 4.612.943 | 9.304.796 | 399.557 | 2.401.210 |
| personas_vacunadas | 23,03% | 79,59% | 0,0% | 31,62 |
| totalmente_vacunadas* | 15,15% | 70,06% | 0,0% | 24,07 |
| dosis_refuerzo* | 1,87% | 22,09% | 0,0% | 5,13 |
| nuevos_casos_covid | 1.017.070 | 3.139.223 | 0,0% | 801.052,8 |
| tarifa_promedio* | 402,70 | 561,20 | 263,10 | 86,22 |
| precio_qav | 2.343 | 3.644 | 1.209 | 666,55 |
| perc_fuerza_laboral | 60,38% | 63,40% | 56,70% | 1,98 |
| pib_millones_reales | 674.940 | 759.981 | 555.387 | 62.786,79 |
Nota. *Variables no utilizadas en los modelos de regresión que se presentarán; como los datos se organizaron con periodicidad mensual, para cada variable hay 25 registros (de enero de 2020 a enero de 2022).
Para la simulación y elección del modelo más adecuado para la explicación de la demanda, se aplicó la técnica de regresión lineal múltiple, basándose en el método de los mínimos cuadrados ordinarios (o ordinary least squares – OLS). El modelo estimado asume la forma presentada en la Ecuación 1:
donde:
Y: variable dependiente;
α: intercepto;
βj (j = 1, 2, …, k): coeficiente de cada variable independiente o explicativa;
Xj (j = 1, 2, …, k): variable explicativa.
Tras evaluar la significancia del modelo mediante la estadística F, se aplicó el procedimiento stepwise, método automatizado que permite la selección de las variables estadísticamente significativas en la regresión lineal[10]. A continuación, se realizó la prueba de Shapiro-Wilk para verificar la normalidad de los términos de error, indicada para muestras con menos de 30 observaciones. El proceso se repitió para diferentes modelos, con inclusiones y cambios de variables para encontrar el modelo más ajustado, utilizando como principal referencia el R². Esta medida, conocida como coeficiente de determinación, indica cuánto de la variable dependiente puede ser explicada por las variables independientes, variando entre cero y uno (cuanto más cerca de uno, mayor es el poder explicativo del modelo).
Después de probar modelos iniciales y verificar la adecuación de la base de datos, se optó por utilizar la variable “personas_vacinadas” para representar información relacionada con la vacunación y “preco_qav” para reflejar el impacto de la “tarifa_media” en la demanda.
El primer modelo se simuló con todas las variables seleccionadas. Por el método OLS, el modelo presentó un p-valor de la estadística F de 0,004, lo que indica que al menos una de las variables explicativas posee un coeficiente (β) estadísticamente diferente de cero. Inicialmente, solo la variable del nivel de empleo se mostró estadísticamente significativa al 1% de significancia. Después del procedimiento stepwise, el PIB se incluyó con un 10% de significancia.
La prueba de Shapiro-Wilk confirmó la adherencia de los residuos del modelo a la distribución normal, con un valor p de 0,9972 (el valor p debe ser superior a 0,05, con un 5% de significancia). A efectos de comparación entre los modelos, el primero se denominará “absoluto sin dummies”, ya que se utilizaron los datos según los valores originales (valores absolutos), sin variables “dummies” para la estacionalidad (también llamadas binarias, estas variables se crean para representar variables no numéricas, o categóricas, asumiendo el valor de 1 para indicar la presencia de determinada característica y 0 para indicar la ausencia). La Ecuación 2 describe el primer modelo y permite visualizar la relación entre las variables:
donde:
pass: cantidad de pasajeros domésticos;
empr: nivel de empleo;
pib: Producto Interno Bruto de Brasil en millones de reales.
Un breve análisis indica que la correlación entre el nivel de empleo y el PIB es positiva en relación con la demanda de vuelos domésticos, es decir, cuando el PIB o el nivel de empleo aumentan, se espera un mayor número de pasajeros. Sin embargo, ninguna variable relacionada con la pandemia presentó significancia estadística.
En el segundo modelo, se aplicó la diferencia de las variables entre períodos consecutivos en lugar de los valores absolutos. Por ejemplo, para la variable “cantidad de pasajeros”, se utilizó la diferencia entre meses consecutivos, en términos matemáticos:
donde:
∆pasajeros_t: variación de pasajeros en el mes t;
pasajeros_t: cantidad de pasajeros domésticos en el mes t;
pasajeros_t-1: cantidad de pasajeros domésticos en el mes t-1.
Este enfoque corresponde al método de las diferencias de primer orden o first-differences, adecuado para series temporales para eliminar el sesgo causado por posibles variables omitidas en el modelo. Sin embargo, el modelo no resultó estadísticamente significativo.
En el tercer modelo, se utilizaron solo datos porcentuales. Así, todas las variables se transformaron en variaciones porcentuales en relación con el período anterior:
donde:
variación porcentual de pasajeros en el mes t;
cantidad de pasajeros domésticos en el mes t;
cantidad de pasajeros domésticos en el mes t-1.
Por el método OLS, el modelo “porcentaje sin dummies” presentó un p-valor de la estadística F de 0,003. Por lo tanto, a un nivel de significancia del 5%, se concluye que al menos una de las variables explicativas posee un coeficiente (β) estadísticamente diferente de cero. Las variables “personas vacunadas”, “nivel de empleo” y “PIB” se mostraron estadísticamente significativas antes y después de la aplicación del procedimiento stepwise. En la prueba de Shapiro-Wilk, los residuos presentaron adherencia a la normalidad.
Este modelo presentó un R² ligeramente superior al modelo “absoluto sin dummies” (0,67 frente a 0,65 del primer modelo). Sin embargo, la interpretación del modelo “porcentual sin dummies” es más compleja y presenta algunas correlaciones contrarias a lo esperado. La Ecuación 5 ilustra este modelo:
donde:
∆pas: variación porcentual de la cantidad de pasajeros transportados en relación con el período anterior;
empr: nivel de empleo;
vac: porcentaje de personas vacunadas;
∆pib: variación porcentual del PIB en relación con el período anterior.
La interpretación de este modelo se puede realizar de la siguiente manera: con las demás variables constantes, un aumento de un punto porcentual (p.p.) en el nivel de empleo implicaría una reducción del 19,17% en la cantidad de pasajeros transportados en relación con el período anterior; un aumento de un p.p. en la proporción de personas vacunadas representaría un incremento del 0,78% en la cantidad de pasajeros transportados; por último, un crecimiento del 1% del PIB correspondería a un aumento del 2,92% en la cantidad de pasajeros transportados. Entre los coeficientes estimados, destaca la correlación negativa entre empleo y cantidad de pasajeros, contraria a lo esperado intuitivamente.
A pesar de que ambos modelos presentan un ajuste relativamente adecuado para explicar el comportamiento de la demanda, se sabe que el mercado de transporte aéreo presenta estacionalidad, con picos en los meses de vacaciones escolares, lo cual no fue incorporado en estos primeros modelos. La Figura 1 presenta la evolución de la demanda de transporte aéreo doméstico en los últimos cinco años y permite constatar que los meses de diciembre, enero y julio tienen un pico en relación con los demás, incluso durante la pandemia, excepto en julio de 2020.
Fuente: ANAC (2022a).
Para obtener modelos más ajustados y que consideraran la estacionalidad, se probaron nuevos modelos con la inserción de variables binarias (o “dummies”) para cada mes y año en la base de datos. Esto significa que para cada mes y año se creó una variable indicadora que asume valor 1 cuando la observación pertenece a ese período y 0 en caso contrario. Todos los modelos resultaron significativos por la estadística F y con residuos que se ajustan a la normalidad, conforme la prueba de Shapiro-Wilk. Sin embargo, los modelos con todas las “dummies” para años y meses o solo para los meses son de difícil interpretación debido al exceso de variables. Estos modelos presentaron inadecuación para una comprensión más amplia del impacto de la pandemia en la demanda de vuelos domésticos, debido al overfitting, es decir, los datos estimados se ajustaron excesivamente a la base, lo que hace que el modelo sea poco robusto para estimar cualquier valor futuro distinto.
El modelo solo con “dummies” para los años presentó coeficientes más interesantes, con variables de nivel de empleo y PIB con comportamiento similar al modelo “absoluto sin dummies” y R² de 0,71. Sin embargo, la utilización de una “dummy” específica para el año 2021, por ejemplo, perjudica la generalización del modelo. Tras las pruebas con variables en valores absolutos y porcentuales, la inclusión de “dummies” para meses y/o años no resultó en modelos capaces de capturar de forma satisfactoria la variación de la demanda causada por la pandemia para análisis futuros.
En otro esfuerzo por capturar la variación estacional de la demanda, se probaron otros dos modelos (con valores absolutos y porcentuales) con una variable “dummy” indicativa de temporada alta en los meses de diciembre, enero y julio.
Ambos los modelos resultaron significativos por la estadística F y con residuos que se ajustan a la normalidad tras la aplicación de la prueba de Shapiro-Wilk, además de solucionar el problema del sobreajuste. Además, todas las correlaciones se presentaron según lo esperado: el aumento del PIB o del nivel de empleo resultó en un incremento de la demanda. El modelo con valores absolutos, denominado “absoluto alta temporada”, no incorporó variables relacionadas con la pandemia. El modelo con variaciones porcentuales presentó los mismos resultados y coeficientes que el modelo “porcentual sin dummies”, y la variable referente a la alta temporada no resultó estadísticamente significativa. Tras el análisis de los modelos discutidos, la Tabla 2 compara los modelos que mejor representan el comportamiento de la demanda basándose en el R2.
Tabla 2. Comparación de los modelos candidatos
Nota. ***p < 0,001; **p < 0,01; *p < 0,05; el formato de los números está conforme al resultado del sistema, por lo tanto, las casas decimales son separadas por punto en vez de coma.
El modelo “temporada alta absoluta” fue elegido por presentar el mayor R² (0,75), lo que demuestra una mejor capacidad para explicar el comportamiento de la demanda de transporte aéreo doméstico. Además, el modelo no incluye variables específicas de la pandemia, lo que aumenta su generalización y permite su aplicación futura. La Ecuación 6 representa el modelo seleccionado:
Donde:
pas: cantidad de pasajeros domésticos;
empr: nivel de empleo;
pib: PIB de Brasil en millones de reales;
alta: variable binaria indicativa de temporada alta.
La interpretación de este modelo se puede realizar de la siguiente manera: con las demás variables constantes, un aumento de un punto porcentual (p.p.) en el nivel de empleo implica un incremento de 784.442 pasajeros transportados; por cada millón de reales más en el PIB, se espera un aumento de nueve pasajeros transportados; durante el período de alta temporada (enero, julio y diciembre), se observa un aumento de 1.678.927 pasajeros transportados.
A pesar de que las variables relacionadas con la pandemia no están contempladas por el modelo, presentan correlación con la demanda (Figura 2). Cuando ocurre una reducción de los casos de covid-19, se observa un aumento en la demanda. De la misma manera, a medida que la vacunación en el país avanza, se verifica un crecimiento en la demanda.
Fuentes: ANAC (2022a), Ministerio de Salud (2022) y Our World in Data (2022).
La Figura 3 muestra que la evolución de la vacunación está altamente correlacionada con el PIB y con el nivel de empleo. Además, la cantidad de nuevos casos de covid-19 también se relaciona significativamente con el PIB. Estos vínculos ayudan a explicar la ausencia de variables específicas sobre la pandemia en el modelo, ya que su impacto se refleja indirectamente por las dos variables macroeconómicas. De hecho, este resultado favorece la generalización del modelo y su aplicación en posibles eventos futuros que impacten de forma similar la dinámica de la sociedad y de la economía.
Fuente: Resultados originales de la investigación.
Gudmundsson et al.[11] resaltan la relación histórica entre el PIB y la demanda de transporte aéreo. El modelo desarrollado en este trabajo confirma esta relación incluso durante el período de la pandemia.
La Figura 4 presenta una comparación entre los valores reales de la cantidad de pasajeros domésticos y los valores previstos por el modelo extrapolado para el período de los últimos cinco años. Los valores estimados reflejaron la estacionalidad de la demanda, incluso para datos anteriores a la pandemia. Sin embargo, la diferencia entre los valores reales y los valores estimados fue mayor en el período anterior.
Fuente: ANAC (2022a) y resultados originales de la investigación.
A continuación, se realizó una nueva regresión con datos referentes a los últimos cinco años (desde enero de 2018), en la que la variable “pasajeros” se definió como dependiente y “PIB”, “nivel de empleo” y “temporada alta” como explicativas. Este nuevo modelo, denominado “prueba i”, presentó como variables estadísticamente significativas solo el nivel de empleo y la temporada alta. Además, sus residuos no mostraron adherencia a la normalidad. Sin embargo, los resultados permitieron realizar algunas observaciones relevantes. La Figura 5 presenta una comparación entre la cantidad real de pasajeros y las demandas estimadas.
Fuente: ANAC (2022a) y resultados originales de la investigación.
La demanda prevista para el período prepandemia por el modelo “prueba i” se acerca más a la demanda real en comparación con la estimación del modelo original y, para el período pospandemia, la diferencia tampoco fue tan significativa.
Al simular otro modelo denominado “prueba pre-covid”, con las mismas variables (pasajeros, PIB, nivel de empleo y temporada alta) para el período entre 2018 y 2019, las únicas variables estadísticamente significativas fueron “PIB” y “temporada alta”. La Figura 6 presenta la demanda real en comparación con las demandas estimadas.
Fuentes: ANAC (2022a) y resultados originales de la investigación.
Sin la inclusión del nivel de empleo, el modelo “pre-COVID test” no captura la significativa caída en la demanda después de la pandemia. La Figura 7 muestra el motivo por el cual el nivel de empleo es relevante al considerar los datos posteriores a marzo de 2020. El nivel de empleo presenta una caída más acentuada y una recuperación más gradual, un patrón similar al observado en la demanda de transporte aéreo doméstico. El PIB, por su parte, presenta señales de recuperación dos meses después de la declaración de la pandemia, y su caída no es tan acentuada. Por lo tanto, el modelo estimado considera el PIB como una variable significativa para la predicción de la demanda, pero evidencia la importancia del “nivel de empleo” para capturar el efecto de crisis, como la pandemia de COVID-19.
Fuente: Ipeadata (2022a; 2022b).
Es importante destacar algunas limitaciones de los resultados. En el mercado doméstico, la ausencia de restricciones de vuelos entre ciudades permitió un análisis más simple de la demanda. En contextos internacionales, factores regulatorios, como la exigencia de vacunas o cuarentenas, harían el análisis más complejo. Así, al extrapolar los resultados, se debe considerar el contexto específico en el que se desarrolló el modelo. También es necesario seguir de cerca posibles cambios estructurales en el mercado laboral, como el avance del trabajo remoto, que pueden afectar las premisas del modelo. Además, el modelo abarca solo el período de recuperación pospandemia y se limita a relaciones lineales entre variables; enfoques no lineales podrán ser explorados en estudios futuros.
En conclusión, el modelo presenta valor para aerolíneas, operadores aeroportuarios y formuladores de políticas públicas, al orientar decisiones estratégicas relacionadas con la capacidad, rutas, flota, fijación de precios e inversiones en infraestructura. Además de su utilidad en escenarios operativos regulares, también se destaca como una herramienta eficaz para lidiar con eventos disruptivos, como pandemias o crisis económicas. Cuando se integra con proyecciones económicas actualizadas periódicamente o se aplica en simulaciones y pruebas de estrés, el modelo permite estimar rápidamente caídas de la demanda, proyectar la readecuación de redes, dimensionar equipos, renegociar contratos y calibrar políticas de subsidio, lo que contribuye a la reducción de los impactos negativos en el sector.
Los resultados de este estudio fueron exitosos al estimar la demanda de manera compatible con los efectos observados durante la pandemia, y la herramienta demuestra potencial para apoyar el monitoreo continuo del mercado y proyecciones en escenarios futuros similares.
REFERENCIAS
[1] International Civil Aviation Organization (ICAO). 2006. Manual on air traffic forecasting. 3ed. International Civil Aviation Organization.
[2] Agência Nacional de Aviação Civil (ANAC). 2021. Em agosto, indicadores do transporte aéreo permanecem abaixo dos níveis de 2019. Disponível em: <https://www.gov.br/anac/pt-br/noticias/2021/em-agosto-indicadores-do-transporte-aereo-permanecem-abaixo-dos-niveis-de-2019>. Acesso em: 31 out. 2021.
[3] Agência Nacional de Aviação Civil (ANAC). 2022a. Dados Estatísticos do Transporte Aéreo do Brasil. Disponível em: <https://www.gov.br/anac/pt-br/assuntos/dados-e-estatisticas/dados-estatisticos/dados-estatisticos>. Acesso em: 07 abr. 2022.
[4] Ministério da Saúde. 2022. Painel Coronavírus. Disponível em: https://covid.saude.gov.br/. Acesso em: 07 abr. 2022.
[5] Our World in Data. 2022. Coronavirus Pandemic (covid-19) Vaccinations. Disponível em: https://ourworldindata.org/covid-vaccinations. Acesso em 07 abr. 2022.
[6] Agência Nacional de Aviação Civil (ANAC). 2022b. Tarifas Transporte Aéreo Passageiros Domésticos. Disponível em: https://www.gov.br/anac/pt-br/assuntos/dados-e-estatisticas/microdados-de-tarifas-aereas-comercializadas. Acesso em: 07 abr. 2022.
[7] Petrobras. 2022. Preços de Vendas de Combustíveis. Disponível em: https://petrobras.com.br/pt/nossas-atividades/precos-de-venda-de-combustiveis/. Acesso em: 17 abr. 2022.
[8] Instituto de Pesquisa Econômica Aplicada (IPEA). 2022a. Ipeadata – Taxa de participação na força de trabalho das pessoas de 14 anos ou mais de idade, na semana de referência. Disponível em: http://www.ipeadata.gov.br/Default.aspx. Acesso em: 07 abr. 2022.
[9] Instituto de Pesquisa Econômica Aplicada (IPEA). 2022b. Ipeadata – Produto Interno Bruto PIB. Disponível em: http://www.ipeadata.gov.br/Default.aspx. Acesso em: 07 abr. 2022.
[10] Oxford University Press. 2008. A Dictionary of Statistics (2 ed.). Oxford: Oxford University Press. ISBN 9780199541454. Disponível em: https://www.oxfordreference.com/display/10.1093/acref/9780199541454.001.0001. Acesso em: 04 set. 2025.
[11] Gudmundsson, S.V.; Cattaneo, M.; Redondi, R. 2020. Forecasting temporal world recovery in air transport markets in the presence of large economic shocks: The case of COVID-19. Journal of Air Transport Management 91. Disponível em: https://doi.org/10.1016/j.jairtraman.2020.102007. Acesso em: 07 abr. 2022.
COMO CITAR
Caldeira, L.K.O.; Silva, J.E. 2025. A pandemia de covid-19 e a demanda pelo transporte aéreo de passageiros em voos domésticos. Revista E&S. 6: e2023111.
SOBRE LAS AUTORAS
Laís Kimie Oshiro Caldeira – Maestra en Transportes y Políticas Públicas y Especialista en Ciencia de Datos y Analítica. Chicago, Illinois, EE. UU.
José Erasmo Silva – Profesor orientador. Universidade Federal da Bahia. Programa de Pós-graduação em Contabilidad (PPGCONT), Avenida Reitor Miguel Calmon, s/n Canela,40231-300, Salvador, Bahia, Brasil.