Artigo

Aretha Silicia Lopez Soares; Luísa Fancelli Coelho

DOI: 10.22167/2675-6528-202601609

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

O comportamento dos preços de passagens aéreas domésticas é crucial para a compreensão da dinâmica de precificação no setor e para a tomada de decisão dos consumidores. Este estudo analisou a evolução dos preços de passagens aéreas domésticas em função da antecedência da compra e avaliou sua variabilidade entre diferentes rotas com origem em Brasília. Dados de 26 rotas foram coletados diariamente por 30 dias na plataforma Google Flights, utilizando web scraping com Python e Selenium. A análise empregou estatísticas descritivas, regressão linear com efeitos fixos, coeficiente de variação, correlação de Pearson, análise regional, identificação de liderança tarifária e agrupamento por k-means. Os resultados revelaram uma tendência sistemática de elevação dos preços com a aproximação da viagem, com um incremento médio de aproximadamente 110% entre a fase de maior antecedência e a última hora, embora o comportamento não fosse estritamente monotônico. A variabilidade relativa dos preços permaneceu aproximadamente constante, indicando que o mercado não se tornou mais imprevisível, mas operou em patamares de preços mais elevados. As diferenças estruturais entre destinos foram o principal determinante do nível de preços. A análise regional evidenciou que a região Norte concentrou os maiores preços e menor volatilidade, enquanto o Sudeste combinou preços mais baixos com maior volatilidade relativa. A competitividade tarifária das companhias aéreas variou geograficamente e temporalmente, com a LATAM praticando os menores preços em janelas mais distantes e a Azul assumindo protagonismo em períodos próximos ao voo. A análise de cluster identificou cinco perfis distintos de comportamento entre as rotas, integrando nível de preços, volatilidade e sensibilidade à antecedência. Concluiu-se que o comportamento dos preços no mercado aéreo doméstico brasileiro não pode ser adequadamente descrito por uma única dimensão, sendo essencial considerar conjuntamente nível, evolução temporal, estabilidade e características estruturais de cada destino para uma compreensão precisa da dinâmica de precificação e para orientar decisões de compra.

Palavras-chave: Análise de dados; Mercado aéreo; Precificação dinâmica; Séries temporais curtas; Volatilidade de preços.

1. Introdução

O transporte aéreo desempenha um papel fundamental na integração territorial e no desenvolvimento econômico, especialmente em países de dimensões continentais como o Brasil. Nas últimas décadas, a expansão desse setor foi acompanhada pela adoção de estratégias sofisticadas de precificação. Nestas estratégias, as tarifas são ajustadas dinamicamente em função de diversos fatores, como a demanda, a antecedência da compra, o perfil do consumidor e a disponibilidade de assentos (Bellobaba, Odoni, Barnhart, 2016).

Este modelo de precificação é amplamente conhecido na literatura como gestão de receitas, ou yield management. Seu principal objetivo é maximizar a receita por voo por meio de ajustes contínuos nos preços (Talluri, Van Ryzin, 2004). Essa abordagem resulta em uma estrutura tarifária dinâmica e heterogênea, que confere ao momento da compra uma relevância significativa para o consumidor.

A antecedência da compra é um dos fatores mais estudados neste contexto. Evidências empíricas indicam que os preços das passagens aéreas geralmente tendem a aumentar à medida que a data da viagem se aproxima. Contudo, esse comportamento não é necessariamente monotônico e pode variar consideravelmente entre diferentes rotas e condições de mercado (Malighetti, Palma, Redondi, 2009). Escobari (2012) documenta aumentos sistemáticos em marcos específicos de antecedência, notadamente aos sete e quatorze dias antes da partida, o que é consistente com as restrições tarifárias comuns no setor.

Williams (2022), utilizando dados coletados diretamente da plataforma Google Flights, confirma esse padrão em mercados norte-americanos e destaca que o comportamento dos preços varia significativamente entre rotas. A variabilidade entre as rotas constitui, portanto, uma dimensão relevante e complementar à análise temporal. Fatores como a distância, a frequência de voos, o grau de concorrência e o perfil de demanda influenciam não apenas o nível médio de preços, mas também a dinâmica de ajuste tarifário ao longo do tempo (Bilotkach, 2017).

No contexto brasileiro, os estudos empíricos baseados em dados de alta frequência que investigam, de forma sistemática, a evolução temporal dos preços em múltiplas rotas simultaneamente ainda são limitados. Bettini e Oliveira (2006) investigaram a precificação em rotas domésticas de longo percurso por meio de coleta de dados via internet, identificando heterogeneidade significativa entre destinos. Costa e Oliveira (2021) estimaram modelos econométricos com efeitos fixos para rotas domésticas brasileiras, evidenciando que fatores estruturais de rota explicam parcela relevante da variação tarifária.

Apesar desses avanços, há uma menor ênfase na dinâmica temporal dos preços e na variabilidade entre rotas sob a perspectiva do consumidor final. Essa é uma lacuna particularmente relevante, uma vez que as decisões de compra de passagens aéreas estão diretamente associadas ao momento da aquisição e às características estruturais de cada mercado. A ausência de dados de alta frequência, que não estariam disponíveis por meio de fontes administrativas convencionais, dificulta a construção de bases de dados robustas para essa análise.

A relevância do tema reside na necessidade de compreender a dinâmica de precificação no setor aéreo e auxiliar os consumidores na tomada de decisão. A utilização de técnicas de coleta automatizada de dados representa uma resposta metodológica a essa lacuna, permitindo a construção de bases de alta frequência. Diante desse cenário, o presente trabalho tem como objetivo analisar o comportamento dos preços de passagens aéreas domésticas no Brasil ao longo dos dias que antecedem a viagem, considerando voos com origem em Brasília e destino às capitais brasileiras.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa quantitativa, de natureza aplicada, descritiva e analítica. A metodologia envolveu a coleta automatizada de dados reais de preços de passagens aéreas, seguida de tratamento, organização e análise estatística. Essa abordagem permitiu investigar a dinâmica de precificação no mercado aéreo doméstico brasileiro, combinando dimensões temporais e estruturais. A unidade de análise foi a combinação entre rota (origem-destino) e dias de antecedência da compra. Foram analisados voos de ida com origem em Brasília, Distrito Federal, e destino às 26 capitais brasileiras. A escolha de Brasília justificou-se por ser o único aeroporto do país com voos diretos para todas essas capitais, permitindo isolar diferenças de mercado e garantir comparação consistente entre as rotas.

A base de dados foi composta por 780 observações, resultantes da coleta diária em 26 rotas ao longo de 30 dias consecutivos, registrando o menor preço disponível pelas três principais operadoras (GOL, LATAM e Azul), sem ausência de dados. Os dados foram obtidos na plataforma Google Flights por web scraping automatizado, utilizando Python e Selenium (GOOGLE, 2024). Essa escolha foi motivada pela inviabilidade de coleta direta nos sites das companhias aéreas, onde testes preliminares revelaram bloqueios à automação e instabilidade. O processo de coleta seguiu etapas padronizadas: seleção do tipo de passagem, definição de origem, destino e data do voo, execução da busca, carregamento dos resultados, identificação dos preços por companhia e registro do menor preço na aba “Melhor opção”.

A data do voo foi fixada em 10 de abril de 2026, simulando um perfil de passageiro de lazer (TALLURI; VAN RYZIN, 2004). A coleta ocorreu entre 11 de março e 9 de abril de 2026, abrangendo os 30 dias anteriores à viagem. A Figura 1 ilustra a interface da plataforma Google Flights, destacando os elementos extraídos pelo script de web scraping, o que auxilia na compreensão do processo de coleta de dados e dos pontos específicos da interface que foram alvo da automação, garantindo a padronização e a consistência dos registros.

Figura 1. Interface do Google Flights com destaque para os elementos extraídos via web scraping: tipo de passagem (1), origem (2), destino (3), data (4) e menor preço por companhia aérea (5)

Fonte: Google Flights (google.com/flights). Elaboração própria.

A figura sintetiza visualmente o procedimento metodológico, demonstrando como a ferramenta de coleta interagiu com a plataforma para extrair as informações essenciais para a construção da base de dados. Isso garantiu a padronização e a consistência dos registros, sem antecipar quaisquer achados empíricos ou interpretações de resultados da pesquisa.

Após a coleta, os dados foram tratados e organizados em ambiente Python. A base bruta foi consolidada em formato tabular e submetida a procedimentos de limpeza e padronização, incluindo verificação de consistência, conversão de preços para formato numérico, padronização de nomes de destinos, tratamento de variáveis de data e cálculo da variável “dias antes da viagem”. Tabelas agregadas por destino e antecedência foram geradas para as análises subsequentes. A análise estatística foi conduzida por técnicas descritivas e inferenciais (FÁVERO, 2015), calculando-se estatísticas descritivas (média, mediana, mínimo, máximo, desvio padrão) e analisando-se a evolução temporal dos preços por média diária e boxplots. A variabilidade entre rotas foi comparada por coeficiente de variação e variação absoluta. A associação entre variáveis foi avaliada por correlação de Pearson, e a distribuição de frequência de menor preço entre companhias aéreas foi verificada por testes qui-quadrado.

Para investigar a relação entre preço e antecedência, estimaram-se modelos de regressão linear por mínimos quadrados ordinários (ESCOBARI, 2012; COSTA; OLIVEIRA, 2021). Foram aplicados três modelos: um simples, um com efeitos fixos por rota para controlar diferenças estruturais, e modelos individuais por rota para avaliar a heterogeneidade do efeito da antecedência. As variáveis foram o preço das passagens como dependente e o número de dias antes da viagem como explicativa principal. Adicionalmente, aplicou-se uma análise de agrupamento pelo método k-means para identificar perfis de comportamento entre as rotas, utilizando preço médio, coeficiente de variação e coeficiente de regressão individual, padronizados por z-score. O número de clusters foi determinado pelo método do cotovelo e pelo índice de silhouette, com implementação em Python e 20 inicializações aleatórias. Os dados foram também agregados por região geográfica e por companhia aérea para identificar padrões estruturais de precificação.

O estudo utilizou exclusivamente dados públicos disponíveis em ambiente digital, não envolvendo participação direta ou indireta de seres humanos, experimentação animal ou intervenção ambiental, dispensando a submissão a um comitê de ética. As limitações metodológicas incluem a abrangência dos dados a apenas 30 dias antes do voo e uma única data de viagem por rota, o que restringe a avaliação de padrões sazonais e de variações por dia da semana. Além disso, considerou-se apenas o menor preço disponível, sem controle por características como horário, número de conexões e classe tarifária. A escolha de Brasília como única origem também limita a generalização dos resultados.

3. Resultados e Discussão

Os resultados da pesquisa revelaram uma dinâmica complexa e multifacetada na precificação das passagens aéreas domésticas com origem em Brasília, que não pode ser explicada por uma única dimensão. Inicialmente, as estatísticas descritivas gerais indicaram um preço médio de R$ 1.408,00 e uma mediana de R$ 1.288,00, sugerindo uma distribuição assimétrica à direita, com a presença de valores mais elevados influenciando a média. A amplitude dos dados, variando de R$ 221,00 a R$ 3.832,00, e um desvio-padrão de R$ 695,02, evidenciaram uma heterogeneidade significativa nos preços, tanto entre as rotas quanto ao longo do período de antecedência analisado. Essa variação reforça a necessidade de uma análise desagregada para compreender a dinâmica do mercado.

A análise por rota destacou uma heterogeneidade expressiva nos níveis de preço. Destinos como Porto Velho (R$ 2.318,37), Fortaleza (R$ 2.157,33) e Rio Branco (R$ 2.106,50) apresentaram os preços médios mais elevados. Em contrapartida, São Paulo (R$ 656,77), Salvador (R$ 739,57) e Belo Horizonte (R$ 797,27) registraram os menores preços médios. Essa diferença de mais de R$ 1.600 entre o destino mais caro e o mais barato sublinha que as características estruturais de cada rota são um fator determinante na variação dos preços no mercado doméstico. Em termos de dispersão absoluta, Florianópolis (desvio-padrão de R$ 914,78) e Goiânia (R$ 842,30) mostraram maior variabilidade, enquanto Aracaju (R$ 236,27) e Salvador (R$ 238,34) exibiram maior estabilidade.

A evolução temporal dos preços médios das passagens aéreas, considerando todas as rotas com origem em Brasília, demonstrou uma tendência geral de aumento à medida que a data da viagem se aproximava. Compras realizadas com maior antecedência tenderam a apresentar valores médios mais baixos, um padrão consistente com as estratégias de yield management. Contudo, esse comportamento não se mostrou estritamente monotônico, revelando oscilações que indicam ajustes dinâmicos das companhias aéreas em resposta a expectativas de demanda e ocupação dos voos, conforme ilustrado na Figura 2.

Figura 2. Evolução do preço médio das passagens aéreas em função dos dias de antecedência da compra – média entre todas as rotas com origem em Brasília.

Fonte: Resultados originais da pesquisa

Observou-se um patamar de preços relativamente estável entre 30 e 25 dias antes da viagem, com valores em torno de R$ 860 a R$ 900. A partir desse ponto, houve uma elevação progressiva até aproximadamente 17 dias de antecedência. Em seguida, entre 16 e 11 dias antes, verificou-se uma redução temporária dos preços, que foi retomada com intensidade crescente a partir de 10 dias antes do voo, culminando em um pico máximo na faixa de 3 a 4 dias antes da viagem, com preços médios superiores a R$ 2.400. Essas variações refletem ajustes estratégicos e a natureza dinâmica da precificação no setor aéreo.

Além do aumento da mediana dos preços com a aproximação da data da viagem, a distribuição dos preços por antecedência também revelou um aumento significativo na dispersão dos valores. Nos períodos mais distantes da data da viagem (entre 30 e 25 dias), os preços apresentaram menor variabilidade, com intervalos interquartis estreitos e medianas próximas a R$ 800. Em contraste, nos dias mais próximos, a dispersão ampliou-se expressivamente, com bigodes superiores ultrapassando R$ 3.000 nos últimos dias antes do voo, indicando maior volatilidade e menor previsibilidade, como evidenciado na Figura 3.

Figura 3. Distribuição dos preços por antecedência.

Fonte: Resultados originais da pesquisa

A análise por fases de antecedência confirmou que o preço médio aumentou de R$ 903,35 na fase de alta antecedência (30 a 25 dias) para R$ 1.894,10 na fase de última hora (9 a 1 dias), representando um incremento de aproximadamente 110%. Em termos de variabilidade absoluta, o desvio-padrão também aumentou de R$ 386,04 para R$ 787,15 entre esses períodos. No entanto, o coeficiente de variação permaneceu estável, com valores entre 0,39 e 0,43, indicando que a variação relativa dos preços não se alterou significativamente com a proximidade da viagem. Isso sugere que o mercado aéreo doméstico não se tornou mais imprevisível, mas operou em patamares de preços mais elevados, mantendo o grau relativo de oscilação.

A relação entre o preço médio e a variabilidade dos preços entre as rotas foi investigada por meio do coeficiente de variação (CV). Destinos como Rio Branco (CV = 0,20), Boa Vista (0,21) e Aracaju (0,21) apresentaram os menores níveis de variabilidade, indicando maior previsibilidade dos preços. Por outro lado, São Paulo (0,70), Cuiabá (0,58) e Goiânia (0,56) exibiram os maiores coeficientes de variação, caracterizando maior volatilidade. Essa classificação demonstrou que o grau de previsibilidade varia significativamente entre os mercados, com o momento da compra exercendo influência limitada em algumas rotas e sendo crucial em outras.

A correlação entre o preço médio e o coeficiente de variação resultou em r = -0,448 (p = 0,022), indicando uma associação negativa moderada. Rotas com preços médios mais baixos tenderam a apresentar maior variabilidade relativa ao longo do tempo. São Paulo, por exemplo, destacou-se com o menor preço médio e o maior CV (0,70), enquanto destinos mais caros como Rio Branco, Boa Vista e Porto Velho apresentaram CVs inferiores a 0,25. Essa relação, contudo, deve ser interpretada com cautela, pois o CV incorpora o preço médio em seu denominador, o que pode induzir mecanicamente uma associação negativa, independentemente do comportamento real dos preços, conforme ilustrado na Figura 4.

Figura 4. Relação entre preço médio e variabilidade dos preços

Fonte: Resultados originais da pesquisa

Para contornar a limitação do coeficiente de variação, foi calculada a correlação entre o preço médio e a variação absoluta dos preços, que não apresenta dependência matemática com o nível de preços. O resultado indicou r = 0,458 (p = 0,019), revelando uma associação positiva moderada: rotas com preços médios mais elevados tenderam a apresentar maiores incrementos absolutos de preço à medida que a data da viagem se aproximava. Florianópolis e Goiânia registraram as maiores variações absolutas (superiores a R$ 2.400 e R$ 2.700, respectivamente), enquanto Aracaju e Recife apresentaram variações próximas a R$ 100 e R$ 450, como pode ser observado na Figura 5.

Figura 5. Relação entre preço médio e variação absoluta dos preços por rota.

Fonte: Resultados originais da pesquisa

A análise conjunta dessas duas medidas de variabilidade revelou que a relação entre nível de preços e dinâmica de variação possui duas dimensões distintas. Em termos relativos, rotas mais baratas exibiram maior volatilidade proporcional, o que pode refletir uma maior sensibilidade percentual da demanda a variações de preço. Em termos absolutos, no entanto, as rotas de preço intermediário a elevado registraram os maiores incrementos em reais. Esse comportamento é consistente com os coeficientes individuais da regressão por rota, reforçando que o nível de preços e a dinâmica temporal são dimensões complementares para uma caracterização adequada do comportamento dos preços no mercado aéreo doméstico.

A agregação das rotas por região geográfica permitiu identificar padrões estruturais de precificação. A região Norte concentrou os maiores preços médios (R$ 1.736,58) e o menor coeficiente de variação (0,36), caracterizando um mercado caro e relativamente estável, com sensibilidade moderada à antecedência (-42,38 R$/dia). Esse perfil é consistente com a menor oferta de voos, menor concorrência e maior distância, fatores que sustentam preços elevados e reduzem a volatilidade relativa. O Nordeste, com preço médio intermediário (R$ 1.394,90), apresentou a menor sensibilidade média à antecedência (-30,59 R$/dia), influenciado por rotas com maior frequência de voos e pressão competitiva, como Recife e Aracaju, onde não se observou relação sistemática entre antecedência e preço.

O Centro-Oeste exibiu o maior coeficiente médio em módulo (-64,73 R$/dia), indicando que a antecedência da compra exerce a maior influência sobre o preço nessa região. O impacto estimado de comprar com 30 dias de antecedência versus no dia anterior à viagem foi de aproximadamente R$ 1.877 por passagem. Em contraste, o Sudeste combinou os menores preços médios (R$ 953,56) com a maior volatilidade relativa (CV = 0,61) e sensibilidade intermediária à antecedência (-37,35 R$/dia). Esse perfil reflete a estrutura competitiva das rotas para grandes centros como São Paulo e Rio de Janeiro, com alta frequência de voos e forte concorrência. A região Sul apresentou comportamento intermediário em preço médio (R$ 1.346,80) e coeficiente de variação (0,57), mas com elevada sensibilidade à antecedência (-59,81 R$/dia), aproximando-se do Centro-Oeste.

A análise da competitividade tarifária por companhia aérea revelou que, no agregado, a LATAM foi a companhia que mais frequentemente praticou o menor preço (39,5% das observações), seguida pela Azul (32,1%) e GOL (28,5%). Essa distribuição não foi aleatória, com um teste qui-quadrado de aderência confirmando diferenças estatisticamente significativas. A análise por rota demonstrou uma especialização geográfica: a Azul foi dominante nas rotas para o Norte (Palmas, Porto Velho, Boa Vista), a GOL nas rotas para Campo Grande e Natal, e a LATAM nas rotas para o Sul e Sudeste (Florianópolis, Curitiba, Goiânia, Recife, Salvador).

A competitividade tarifária também variou temporalmente. Na fase de alta antecedência (30 a 25 dias antes da viagem), a LATAM concentrou 56,4% das ocorrências de menor preço. Na antecedência intermediária (24 a 18 dias), a LATAM manteve a liderança (44,5%), mas com crescimento da GOL (39,6%). Na fase de baixa antecedência (17 a 10 dias), a distribuição tornou-se mais equilibrada entre as três companhias. Na última hora (9 a 1 dias), a Azul passou a praticar o menor preço com maior frequência (51,7%), enquanto LATAM e GOL recuaram para 26,1% e 22,2%, respectivamente. Esse padrão sugere uma redistribuição relevante na competitividade tarifária à medida que a data da viagem se aproxima, com a LATAM mais competitiva em janelas distantes e a Azul em períodos próximos ao voo.

Os modelos de regressão linear quantificaram o efeito da antecedência sobre os preços. O modelo simples indicou um coeficiente de -42,11 R$/dia (p < 0,001), com R² de 0,275, significando que cada dia adicional de antecedência está associado a uma redução média de R$ 42 no preço das passagens. A inclusão de efeitos fixos por rota elevou o R² para 0,636, mantendo o coeficiente da antecedência inalterado. Isso revelou que as diferenças estruturais de preços entre os destinos explicam aproximadamente 36 pontos percentuais adicionais da variação total dos preços, tornando o destino da viagem um determinante mais relevante do nível de preço do que o momento da compra, embora a antecedência exerça um efeito sistemático e robusto.

A estimação de modelos individuais por rota revelou diferenças expressivas no efeito da antecedência. Os coeficientes variaram de -98,82 (Florianópolis) a +3,59 (Recife). Destinos como Florianópolis, Cuiabá, Goiânia e Belém apresentaram os maiores coeficientes em módulo, indicando maior sensibilidade à antecedência. Em contraste, Aracaju (+0,89; p = 0,86) e Recife (+3,59; p = 0,68) apresentaram coeficientes próximos de zero e estatisticamente não significativos, sugerindo ausência de relação sistemática entre antecedência e preço nesses mercados. Esse padrão corresponde a características estruturais dos mercados, com rotas mais distantes e com menor frequência de voos apresentando maior sensibilidade, enquanto rotas com maior frequência e concorrência (geralmente no Nordeste) mostram menor sensibilidade e oscilações menos sistemáticas.

A heterogeneidade identificada motivou a aplicação de uma análise de agrupamento pelo método k-means, que identificou cinco perfis distintos de comportamento entre as rotas, integrando nível de preços, volatilidade e sensibilidade à antecedência. A escolha de k=5 foi baseada no índice de silhouette, que apresentou valor máximo para essa configuração. A composição dos clusters demonstrou correspondência com características estruturais dos mercados de destino, como conectividade aérea e perfil de demanda, conforme dados de movimentação do Anuário do Transporte Aéreo (ANAC, 2024), como visualizado na Figura 6.

Figura 6. Classificação das rotas por perfil de comportamento — preço médio, coeficiente de variação e agrupamento por cluster.

Fonte: Resultados originais da pesquisa

O Cluster 0, composto por quatro rotas (Boa Vista, Rio Branco, Fortaleza e Porto Velho), foi caracterizado por preços médios elevados (R$ 2.106,13), baixa volatilidade (CV de 0,233) e sensibilidade moderada à antecedência (coeficiente médio de -36,91). Esse perfil, predominante em destinos do Norte com baixa frequência de voos, sugere que a escassez de oferta sustenta preços elevados e reduz a margem para ajustes tarifários competitivos. O Cluster 1, com cinco rotas (São Paulo, Belo Horizonte, Rio de Janeiro, Curitiba e Porto Alegre), apresentou preços médios mais baixos (R$ 941,09), alta volatilidade (CV de 0,540) e sensibilidade moderada à antecedência (coeficiente médio de -35,09), refletindo a intensa concorrência e ampla disponibilidade de assentos em grandes centros urbanos do Sudeste e Sul.

O Cluster 2, o maior grupo com nove rotas (Palmas, Campo Grande, João Pessoa, São Luís, Macapá, Belém, Maceió, Manaus e Teresina), exibiu preços intermediários (R$ 1.465,35), volatilidade moderada (CV de 0,388) e sensibilidade relevante à antecedência (coeficiente médio de -49,24). O impacto acumulado da antecedência nessas rotas foi de aproximadamente R$ 1.428 ao longo de 29 dias. O Cluster 3, com quatro rotas (Cuiabá, Vitória, Goiânia e Florianópolis), apresentou preços intermediários (R$ 1.487,07), alta volatilidade (CV de 0,543) e foi o mais sensível à antecedência (coeficiente médio de -74,40), com um impacto acumulado estimado de cerca de R$ 2.158 ao longo de 29 dias, sugerindo que o monitoramento ativo dos preços é altamente recompensador nesse perfil.

Por fim, o Cluster 4, composto por quatro rotas (Salvador, Recife, Aracaju e Natal), caracterizou-se por preços intermediário-baixos (R$ 1.087,22), relativa estabilidade (CV de 0,295) e baixíssima sensibilidade à antecedência (coeficiente médio de -7,76). Exclusivamente composto por capitais nordestinas com forte vocação turística e, em alguns casos, relevância como polos de negócios regionais, esse cluster apresentou alta frequência de voos e intensa concorrência, resultando em menor incentivo para elevação sistemática de preços com a aproximação da viagem. Em conjunto, a análise de cluster evidencia que o comportamento dos preços no mercado aéreo doméstico brasileiro não se organiza em um continuum simples, mas em grupos com lógicas distintas de precificação, influenciadas por fatores estruturais como frequência de voos, grau de concorrência e perfil de demanda.

Em síntese, os achados da pesquisa confirmam uma tendência sistemática de elevação dos preços com a aproximação da viagem, com um incremento médio de aproximadamente 110% entre a fase de maior antecedência e a última hora, embora o comportamento não seja estritamente monotônico. A variabilidade relativa dos preços permaneceu aproximadamente constante, indicando que o mercado opera em patamares de preços mais elevados sem se tornar mais imprevisível. As diferenças estruturais entre destinos foram o principal determinante do nível de preços, e a competitividade tarifária das companhias aéreas variou geograficamente e temporalmente. A análise de cluster identificou cinco perfis distintos de comportamento entre as rotas, integrando nível de preços, volatilidade e sensibilidade à antecedência, o que demonstra que a compreensão precisa da dinâmica de precificação e a orientação para decisões de compra exigem a consideração conjunta de nível, evolução temporal, estabilidade e características estruturais de cada destino.

4. Conclusão

O presente estudo analisou o comportamento dos preços de passagens aéreas domésticas no Brasil em função da antecedência da compra e avaliou sua variabilidade entre diferentes rotas com origem em Brasília. Verificou-se uma tendência sistemática de elevação dos preços com a aproximação da data da viagem, com um aumento médio de aproximadamente 110% entre a fase de maior antecedência e a última hora. Contudo, esse comportamento não se mostrou estritamente monotônico, refletindo ajustes dinâmicos das companhias aéreas. A variabilidade relativa dos preços permaneceu aproximadamente constante, indicando que o mercado operou em patamares de preços mais elevados, sem se tornar mais imprevisível. As diferenças estruturais entre os destinos foram o principal determinante do nível de preços. A análise regional evidenciou que a região Norte concentrou os maiores preços e menor volatilidade, enquanto o Sudeste combinou preços mais baixos com maior volatilidade relativa. A competitividade tarifária das companhias aéreas variou geograficamente e temporalmente, com a LATAM mais competitiva em janelas distantes e a Azul em períodos próximos ao voo. A aplicação de modelos de regressão linear quantificou o efeito da antecedência, mas revelou que as características estruturais das rotas explicam uma parcela maior da variação total dos preços. A análise de cluster identificou cinco perfis distintos de comportamento entre as rotas, integrando nível de preços, volatilidade e sensibilidade à antecedência. A principal contribuição do estudo reside na construção de uma base de dados original de alta frequência, obtida por web scraping, e na implementação de um algoritmo de agrupamento k-means em Python, oferecendo maior transparência e reprodutibilidade para a classificação das rotas.

O presente estudo apresenta algumas limitações, como o fato de os dados abrangerem apenas os 30 dias anteriores ao voo e uma única data de viagem por rota, o que restringe a avaliação de padrões sazonais, de feriados e de variações por dia da semana. Além disso, considerou-se exclusivamente o menor preço disponível, sem controlar por características dos voos como horário, número de conexões e classe tarifária. A escolha de Brasília como única origem também restringe a generalização dos resultados para outros aeroportos com estruturas de oferta e demanda distintas. Como perspectivas para estudos futuros, recomenda-se a ampliação da janela de coleta, a inclusão de múltiplas datas de voo por rota e a incorporação de variáveis estruturais como frequência de voos, número de competidores e distância entre origem e destino. Conclui-se que o comportamento dos preços no mercado aéreo doméstico não pode ser adequadamente descrito por uma única dimensão, sendo essencial considerar conjuntamente nível, evolução temporal, estabilidade e características estruturais de cada destino para uma compreensão precisa da dinâmica de precificação e para orientar decisões de compra.

Referências Bibliográficas

ANAC — AGÊNCIA NACIONAL DE AVIAÇÃO CIVIL. Anuário do Transporte Aéreo 2024. Brasília: ANAC, 2024. Disponível em: https://www.gov.br/anac/pt-br/assuntos/dados-e-estatisticas/mercado-do-transporte-aereo/panorama-do-mercado/anuario-transporte-aereo. Acesso em: abr. 2026.

BELLOBABA, Peter; ODONI, Amedeo; BARNHART, Cynthia. The Global Airline Industry. 2. ed. Chichester: Wiley, 2016.

BETTINI, H. F. A. J.; OLIVEIRA, A. V. M. Estudo da precificação de companhias aéreas em rotas domésticas de longo percurso. Engevista, v. 8, n. 1, 2006.

BILOTKACH, Volodymyr. The Economics of Airlines. Cambridge: Cambridge University Press, 2017.

COSTA, A. C. F.; OLIVEIRA, A. V. M. As companhias aéreas embutiam o custo da franquia de bagagem nos preços das passagens? Modelo econométrico de precificação no transporte aéreo. Transportes, v. 29, n. 1, p. 17–28, 2021.

ESCOBARI, Diego. Dynamic Pricing, Advance Sales and Aggregate Demand Learning in Airlines. Journal of Industrial Economics, v. 60, n. 4, p. 697–724, 2012.

FÁVERO, Luiz Paulo. Manual de Análise de Dados. Rio de Janeiro: Elsevier, 2015.

GOOGLE. Google Flights. Disponível em: https://www.google.com/flights. Acesso em: mar./abr. 2026.

MALIGHETTI, Paolo; PALMA, Stefania; REDONDI, Renato. Pricing strategies of low-cost airlines: The Ryanair case study. Journal of Air Transport Management, v. 15, n. 4, p. 195-203, 2009.

TALLURI, Kalyan T.; VAN RYZIN, Garrett J. The Theory and Practice of Revenue Management. New York: Springer, 2004.

WILLIAMS, Kevin R. Dynamic Airline Pricing and Seat Availability. Cowles Foundation Discussion Paper, Yale University, 2022.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy