Resumo Executivo

Manoel Bruno da Silva Freitas; Dora Yovana Barrios Leal

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Este estudo analisou as ocorrências aeronáuticas no Brasil entre janeiro de 2007 e março de 2025 para identificar as características que diferenciam as classificações de acidente, incidente e incidente grave. A investigação buscou delinear perfis de risco associados a tipos de operações, níveis de dano e fatores contribuintes, utilizando uma abordagem quantitativa para mapear as associações entre os eventos. A justificativa reside na complexidade do espaço aéreo brasileiro, que em 2024 registrou mais de 2,8 milhões de partidas e chegadas nos 100 principais aeroportos (DECEA, 2025). Tal volume de tráfego gera eventos adversos, tornando o monitoramento e a análise ferramentas essenciais para a gestão da segurança operacional.

A relevância do tema é amplificada por eventos como o acidente com o voo 2283 da VoePass em 2024, com 62 fatalidades. Este foi o maior acidente aéreo no país desde o evento ocorrido 17 anos antes, que vitimou 199 pessoas, sendo estes os únicos acidentes com mais de 25 fatalidades no Brasil no período analisado (CENIPA, 2025). Esses eventos destacam a importância de compreender tanto os acidentes catastróficos quanto os incidentes menores, que podem ser precursores de falhas sistêmicas. A análise contínua dos dados é fundamental para o aprendizado organizacional e o aprimoramento das barreiras de segurança.

Nesse contexto, a Agência Nacional de Aviação Civil (ANAC) e o Centro de Investigação e Prevenção de Acidentes Aeronáuticos (CENIPA) são órgãos centrais. A ANAC, com seu Relatório Anual de Segurança Operacional publicado desde 2008, monitora indicadores de segurança. O CENIPA, criado em 1971, é o órgão central do Sistema de Investigação e Prevenção de Acidentes Aeronáuticos (SIPAER), responsável por investigar ocorrências e emitir recomendações (CENIPA, n. d.). A abordagem do CENIPA visa transformar dados em conhecimento, promovendo uma cultura de segurança não punitiva para incentivar o reporte voluntário.

A questão central da pesquisa é: quais características determinam se uma ocorrência é classificada como acidente, incidente ou incidente grave? A hipótese é que existem padrões que associam variáveis como tipo de operação da aeronave, nível de dano e tipo de falha a cada classificação de gravidade. A identificação desses padrões pode subsidiar políticas de segurança mais direcionadas, otimizando a alocação de recursos preventivos.

Para isso, o estudo utilizou uma análise exploratória de dados seguida por uma análise de correspondência simples, técnica estatística para visualizar as relações entre variáveis categóricas (Favero e Belfiore, 2025). A metodologia permitiu quantificar as frequências e mapear graficamente a força das associações entre a classificação da ocorrência (acidente, incidente, incidente grave) e os tipos de eventos, como “perda de controle em voo”. O trabalho contribui com uma perspectiva analítica sobre os fatores de risco predominantes na aviação brasileira.

A metodologia utilizou dados quantitativos e observacionais da base de ocorrências aeronáuticas do Centro de Investigação e Prevenção de Acidentes Aeronáuticos (CENIPA, 2025), obtida no Portal de Dados Abertos do Governo Federal. O conjunto de dados consolida informações preliminares do Portal Único de Notificação do CENIPA, que unificou os sistemas de reporte a partir de agosto de 2023. A base de dados utilizada compreendeu o período de janeiro de 2007 a março de 2025 e era estruturada em cinco tabelas: Ocorrência, Aeronaves, Fatores Contribuintes, Tipo de Ocorrência e Recomendações.

O pré-processamento dos dados foi realizado com a linguagem de programação Python (Python Software Foundation, 2025; VanderPlas, 2016). As bibliotecas “pandas” (The pandas development team, 2020) e “NumPy” (Harris et al., 2020) foram usadas para manipulação de dataframes e tratamento de valores ausentes, padronizando marcações como asteriscos para um formato nulo. A biblioteca “re” (Friedl, 2006) foi aplicada para limpeza de campos textuais com expressões regulares. Variáveis irrelevantes ou com excesso de dados faltantes, como as da tabela Recomendações, foram descartadas. Foi criada uma nova variável, a idade da aeronave no momento da ocorrência, para enriquecer a análise.

Após o pré-processamento, as tabelas relevantes (Ocorrência, OcorrênciaTipo, Aeronave e FatorContribuinte) foram unificadas, resultando em uma base de dados final com 21.074 observações (representando 12.876 ocorrências únicas) e 31 variáveis. A variável ocorrencia_classificacao (acidente, incidente grave, incidente) foi definida como a variável dependente. As variáveis explicativas incluíram dados da ocorrência (UF, tipo), da aeronave (operação, dano, idade, fabricante) e dos fatores contribuintes. A análise exploratória investigou o comportamento dessas variáveis com visualizações gráficas geradas pela biblioteca “Matplotlib” (Hunter, 2007), como gráficos de linhas para a evolução temporal e gráficos de barras empilhadas para distribuições de frequência, utilizando uma paleta de cores acessível (Cao et al., 2021).

Para aprofundar a análise, foi empregada a análise de correspondência simples para construir um mapa perceptual e visualizar a associação entre a classificação da ocorrência e o tipo de ocorrência. Conforme Favero e Belfiore (2025), a técnica envolve a construção de uma tabela de contingência, análise de resíduos, cálculo da estatística qui-quadrado (χ²) e a decomposição da inércia total. O método identifica as associações mais fortes e as representa em um espaço bidimensional; a proximidade entre pontos indica maior associação. A combinação das análises proporcionou uma visão robusta dos dados, alinhada às práticas em análise de dados e machine learning (Pinheiro & Patetta, 2021).

A análise exploratória revelou que a evolução temporal dos acidentes e incidentes graves mostrou estabilidade entre 2007 e 2025, com contagens mensais raramente ultrapassando 25 casos. Em contraste, a série de incidentes apresentou um crescimento exponencial a partir de meados de 2023. A mediana de incidentes mensais saltou de 52, no primeiro semestre de 2023, para 151 no segundo semestre, e 163 em 2024. Este aumento coincide com a implementação do Portal Único de Notificação pelo CENIPA, sugerindo uma melhoria na cultura de reporte em vez de um aumento real nas ocorrências.

A relação entre a classificação da ocorrência e o nível de dano confirmou as definições regulatórias (COMAER, 2017). Os incidentes (69,2% dos registros) estavam associados a danos leves ou ausência de danos. Os acidentes (21,7%) concentraram a maioria dos casos de dano substancial ou destruição. Os incidentes graves (9,0%) ocuparam uma posição intermediária, majoritariamente associados a danos leves, mas representando situações de alto risco. Essa segmentação valida o sistema de classificação e confirma o nível de dano como um diferenciador chave.

A análise por tipo de operação revelou perfis de risco distintos. Em termos absolutos, a linha aérea regular foi responsável pela maior quantidade de incidentes (50,0%). Contudo, a análise proporcional mostrou que as operações de aviação agrícola e aerodesportiva apresentaram alta concentração de acidentes, correspondendo a 77,4% e 100% de suas respectivas ocorrências. A aviação experimental (61,6%) e de instrução (28,1%) também mostraram alta proporcionalidade de acidentes. Em contraste, na aviação regular, os acidentes representaram apenas 0,6% de suas ocorrências, com os incidentes compondo 97,4%.

Essa disparidade sugere que, enquanto a aviação comercial gera um grande volume de eventos de baixa gravidade, os segmentos especializados e privados concentram o risco de eventos catastróficos, conforme as definições de serviço aéreo da ANAC (2017). As causas podem ser multifatoriais, como a natureza de operações a baixa altitude na agricultura ou uma cultura de reporte de incidentes menos desenvolvida nesses setores, o que poderia levar a uma subnotificação de eventos menores, inflando a proporção de acidentes.

Os tipos de ocorrência mais frequentes foram “falha ou mau funcionamento de sistema/componente” (18,5%), “colisão com ave” (15,8%) e “falha do motor em voo” (8,4%). A distribuição variou entre as classificações. Acidentes estavam mais associados a “perda de controle em voo” (17,1%) e “falha do motor em voo” (16,6%). Incidentes graves foram caracterizados por “excursão de pista” (18,2%) e “perda de controle no solo” (13,9%). Incidentes foram dominados por “falha ou mau funcionamento de sistema/componente” (26,5%) e “colisão com ave” (23,6%). Essa diferenciação é crucial para estratégias de mitigação de risco.

A alta frequência de colisões com aves, a segunda ocorrência mais comum, revelou uma grande discrepância entre os dados do CENIPA (2.143 ocorrências) e os do Painel Safety da ANAC (2025), que reporta 29.757 colisões desde 2011. Essa diferença sugere subnotificação ou diferenças metodológicas, comprometendo a análise da real dimensão do problema. Dado que 93,4% dessas colisões ocorrem em áreas de aeródromo; o controle de fauna é mandatório pela regulação da ANAC (2021), a alta incidência sinaliza possível ineficácia das estratégias atuais. Similarmente, a frequência de estouros de pneu, componentes projetados para suportar condições extremas (Chen et al., 2021), pode indicar problemas de manutenção ou operacionais.

A análise de correspondência simples validou os achados da análise exploratória, mapeando as associações entre classificação e tipo de ocorrência. Os dois primeiros eixos explicaram 100% da inércia total (83,58% na Dimensão 1 e 16,42% na Dimensão 2), indicando um bom ajuste do modelo. A Dimensão 1 separou as ocorrências por gravidade, com acidentes e incidentes graves no polo positivo e incidentes no polo negativo, confirmando a gravidade como o principal fator estruturante. O mapa revelou associações fortes: “acidente” associou-se a “perda de controle em voo” e “operação a baixa altitude”; “incidente grave” ligou-se a “pouso sem trem” e “excursão de pista”; e “incidente” apresentou forte associação com “falha ou mau funcionamento de sistema/componente”, “estouro de pneu” e “colisão com ave”. Essas associações direcionam o foco para prevenção e mitigação de riscos.

Este estudo demonstrou que o perfil de risco na aviação brasileira é segmentado. A aviação agrícola, experimental e de instrução emergiu como segmento de alta preocupação pela concentração de acidentes, demandando diretrizes de segurança e fiscalização específicas. Em contraste, a aviação regular, apesar do volume de incidentes, mostrou um nível de segurança robusto na prevenção de acidentes. A análise de correspondência validou estatisticamente essas diferenciações, confirmando as associações entre a gravidade do evento e tipos específicos de falhas.

A investigação também expôs fragilidades no sistema de monitoramento, como a discrepância nos registros de colisão com aves. Essa inconsistência dificulta análises de risco confiáveis e sublinha a necessidade de padronização e integração das bases de dados de segurança. Os achados oferecem insumos para a gestão da segurança, recomendando que ações preventivas considerem a segmentação de riscos por operação. Conclui-se que o objetivo foi atingido: identificou-se as principais variáveis e características que diferenciam acidentes, incidentes e incidentes graves na aviação civil brasileira, revelando padrões distintos associados ao tipo de operação e ao nível de dano da aeronave.

Referências:
Agência Nacional de Aviação Civil [ANAC]. 2017. Resolução nº 440, de 9 de agosto de 2017. Estabelece as regras para o processo de registro dos serviços de transporte aéreo. Diário Oficial da União, Brasília, 11 ago. 2017. Seção 1, p. 56.
Agência Nacional de Aviação Civil [ANAC]. 2021. Resolução nº 611, de 9 de março de 2021. Aprova a Emenda nº 06 ao RBAC nº 153 e revoga o RBAC nº 164. Diário Oficial da União, Brasília, 15 mar. 2021. Seção 1, p. 67-76.
Agência Nacional de Aviação Civil [ANAC]. 2025. Horas Voadas de Aeronave. Disponível em: <https://www. gov. br/anac/pt-br/acesso-a-informacao/dados-abertos/areas-de-atuacao/voos-e-operacoes-aereas/horas-voadas-de-aeronave>. Acesso em: 29 mar. 2025.
Agência Nacional de Aviação Civil [ANAC]. 2025. Painel Safety: Fauna. Disponível em: <https://app. powerbi. com/view? r=eyJrIjoiYTcwYWVlMGUtN2I1Ny00ZjhhLWExNDEtMjY2ZmY1MGFjNGNkIiwidCI6ImI1NzQ4ZjZlLWI0YTQtNGIyYi1hYjJhLWVmOTUyMjM2ODM2NiJ9>. Acesso em: 10 out. 2025.
Cao, S.; Cao, S.; Yang, S.; Zeng, Y. 2021. Research on Python Data Visualization Technology. Journal of Physics: Conference Series 1757(1): id.012122.
Centro de Investigação e Prevenção de Acidentes Aeronáuticos [CENIPA]. 2025. CENIPA – Ocorrências Aeronáuticas na Aviação Civil Brasileira. Disponível em: <https://dados. gov. br/dados/conjuntos-dados/ocorrencias-aeronauticas-da-aviacao-civil-brasileira>. Acesso em: 23 mar. 2025.
Centro de Investigação e Prevenção de Acidentes Aeronáuticos [CENIPA]. n. d. O que fazemos. Disponível em: <https://www2. fab. mil. br/cenipa/index. php/o-cenipa>. Acesso em: 23 mar. 2025.
Centro de Investigação e Prevenção de Acidentes Aeronáuticos [CENIPA]. n. d. Portal Único de Notificação – CENIPA. Disponível em: <https://www2. fab. mil. br/cenipa/index. php/categoria-cenipa/1708-portal-unico>. Acesso em: 21 set. 2025.
Chen, D.; Wu, J.; Wang, Y.; Su, B.; Liu, Y. 2021. High-speed tribology behaviors of aircraft tire tread rubber in contact with pavement. Wear 486-487: 204071.
Comando da Aeronáutica [COMAER]. 2017. Portaria nº 1.846/GC3. Aprova a reedição da NSCA 3-13, que dispõe sobre os Protocolos de Investigação de Ocorrências Aeronáuticas da Aviação Civil, conduzidas pelo Estado Brasileiro. Diário Oficial da União, Brasília, 8 dez. 2017. Seção 1, p. 40.
Departamento de Controle do Espaço Aéreo [DECEA]. 2025. Anuário Estatístico de Tráfego Aéreo | 2024. Disponível em: <https://portal. cgna. decea. mil. br/files/uploads/anuarioestatistico/anuarioestatistico_2024. pdf>. Acesso em: 14 set. 2025.
Favero, L. P.; Belfiore, P. 2025. Manual de Análise de Dados: estatística e machine learning com EXCEL®, SPSS®, STATA®, R® e Python®. 2ed[2a Reimp.]. LTC, Rio de Janeiro, RJ, Brasil.
Friedl, J. E. F. 2006. Mastering Regular Expressions. 3ed. O’Reilly, Sebastopol, Califórnia, Estados Unidos da América.
Harris, C. R.; Millman, K. J.; Walt, S. J.; Gommers, R.; Virtanen, P.; Cournapeau, D.; Wieser, E.; Taylor, J.; Berg, S.; Smith, N. J. ; Kern, R.; Picus, M.; Hoyer, S.; Kerkwijk, M. H.; Brett, M.; Haldane, A.; Río, J. F.; Wiebe, M.; Peterson, P.; Gérard-Marchant, P.; Sheppard, K.; Reddy, T.; Weckesser, W.; Abbasi, H.; Gohlke, C.; Oliphant, T. E. 2020. Array programming with NumPy. Nature 585(7825): 357–362.
Hunter, J. D. 2007. Matplotlib: A 2D graphics environment. Computing in Science & Engineering 9(3): 90-95.
Pinheiro, C. A. R.; Patetta, M. 2021. Introduction to Statistical and Machine Learning Methods for Data Science. SAS Institute Inc., Cary, NC, EUA.
Python Software Foundation. 2025. Download Python. Disponível em: <https://www. python. org/downloads>. Acesso em: 14 set. 2025.
The pandas development team. 2020. pandas-dev/pandas: Pandas. Disponível em: <https://zenodo. org/records/16918803>. Acesso em: 14 set. 2025.
VanderPlas, J. 2016. Python Data Science Handbook: Essential tools for working with data. O’Reilly, Sebastopol, Califórnia, Estados Unidos da América. Disponível em: <https://jakevdp. github. io/PythonDataScienceHandbook>. Acesso em: 14 set. 2025.

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

_{Saiba mais sobre o curso; clique aqui:}