Modelos SARIMA para pronóstico de pasajeros en vuelos nacionales e internacionales en Colombia

Palabras clave: pasajeros, SARIMA, pronóstico, vuelos

Resumen

El sector del transporte aéreo en Colombia ha logrado posicionarse como el tercer país con mayor incremento de operaciones en terminales aéreas en América Latina y el Caribe. Este crecimiento se ha dado gracias a la dinamización del sector y a la firma de acuerdos internacionales para la liberación del espacio aéreo comercial, lo que ha permitido una mayor oferta de vuelos con nuevos operadores aéreos. Para lograr un crecimiento sostenible del sector aeroportuario, es fundamental contar con una planificación que permita identificar los requerimientos de modernización y creación de nuevas terminales aéreas, basándose en la estimación de las cantidades de pasajeros para evitar la subutilización de los aeropuertos. En este contexto, este trabajo se enfoca en desarrollar un modelo de pronóstico predictivo de corto plazo que permita determinar la cantidad de pasajeros en vuelos nacionales en Colombia. Para ello, se utiliza el enfoque del modelo SARIMA en la serie de tiempo de pasajeros disponible en períodos mensuales, según los registros mensuales de la cantidad de pasajeros de vuelos nacionales con frecuencias regulares registrados por Aerocivil entre 2005 y 2020. Se encontró que el modelo SARIMA (0,1,0) × (0,1,0)12 para la serie de tiempo de pasajeros en vuelos internacionales fue el más apropiado, con una estimación del RMSEA del 3.1%. Este modelo de pronóstico predictivo de corto plazo presenta un alto rendimiento sobre los resultados calculados y puede ser utilizado como una herramienta válida y de soporte para la toma de decisiones en la planificación operativa. En el futuro, se recomienda considerar parámetros del mercado del transporte aéreo que podrían integrarse al modelo para caracterizar de mejor manera ciertas variaciones atípicas encontradas.

Descargas

La descarga de datos todavía no está disponible.

Citas

Aerocivil. (2006). Boletín estadístico de Oferta y Demanda Pasajeros Operación regular. http://www.aerocivil.gov.co/atencion/estadisticas-de-las-actividades-aeronauticas/Estadsticas operacionales/Boletin Estadistico Abril - 2006.pdf?Web=1

Aerocivil. (2020). La Aviación en Cifras Edición 2020. http://www.aerocivil.gov.co/Potada/revi.pdf

Banco Mundial. (2012). Airport Economics in Latin America and the Caribbean. https://doi.org/10.1596/978-0-8213-8977-5

Box, G., Jenkins, G., Gregry, R., & Ljung, G. (2015). Times Series Analysis: Forecasting and Control (Wiley (ed.); Fifth). https://doi.org/10.1016/j.ijforecast.2004.02.001

Box, G., Jenkins, G., Reinsel, G., & Ljung, G. (2016). Time Series Analysis. In International Journal of Forecasting (Wiley, Vol. 20, Issue 4). https://doi.org/10.1016/j.ijforecast.2004.02.001

Chatfield, C. (2003). The Analysis of Time Series: An Introduction (C. & HALL/RC (ed.); Sixth). https://doi.org/doi.org/10.1002/(SICI)1097-0258(19971030)16:20<2386::AID-SIM665>3.0.CO;2-P

Departamento Nacional de Planeación. (2014). Plan Nacional de Desarrollo.

Durban, J., & Koopman, S. J. (2012). Time series Analysis by state space methods (Second). Oxford University Press.

Enders, W. (2014). Applied Econometric Time Series (Wiley (ed.); Four).

Grubb, H., & Mason, A. (2001). Long lead-time forecasting of UK air passengers by Holt-Winters methods with damped trend. INTERNATIONAL JOURNAL OF FORECASTING, 17(1), 71–82. https://doi.org/10.1016/S0169-2070(00)00053-4

Harris, R. I. D. (1992). Testing for unit roots using the augmented Dickey-Fuller test. Some issues relating to the size, power and the lag structure of the test. Economics Letters, 38(4), 381–386. https://doi.org/10.1016/0165-1765(92)90022-Q

Holt, C. C. (1957). Forecasting seasonals and trends by exponentially weighted moving averages. 20, 5–10. https://doi.org/10.1016/j.ijforecast.2003.09.015

Keeling, D. J. (2013). Transport research challenges in Latin America. Journal of Transport Geography, 29, 103–104. https://doi.org/10.1016/j.jtrangeo.2012.12.012

Ministerio de Transporte. (2014). Transporte en Cifras 2014. https://www.mintransporte.gov.co/documentos/15/estadisticas/

Olariaga, O. D. (2016). Análisis del desarrollo reciente del transporte aéreo en Colombia. Revista Transporte y Territorio, 14, 122–143.

Olariaga, O. D., & Carvajal, A. F. (2016). Efectos de la liberalización en la geografía del transporte aéreo en Colombia. Revista Transporte y Territorio, 55(2), 344–364. https://www.researchgate.net/publication/316878416

Phillips, P. C. B. (1990). Time series regression with a unit root and infinite-variance errors. Econometric Theory, 6(1), 44–62. https://doi.org/10.1017/S0266466600004904

Slutzky, E. (1937). The Summation of Random Causes as the Source of Cyclic Processes. Econometrica, 5(2), 105. https://doi.org/10.2307/1907241

Wang, W.-C., Chau, K.-W., Cheng, C.-T., & Qiu, L. (2009). A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. JOURNAL OF HYDROLOGY, 374(3–4), 294–306. https://doi.org/10.1016/j.jhydrol.2009.06.019

Winters, P. R. (1960). Forecasting Sales by Exponentially Weighted Moving Averages. Management Science, 6(3), 324–342.

Wold, H. (1939). A Study in Analysis of Stationary Time Series. Royal Statistical Society, 102(2), 295–298.

Yule, G. U. (1926). Why do we Sometimes get Nonsense-Correlations between Time-Series ? --A Study in Sampling and the Nature of Time-Series Author ( s ): G . Udny Yule Source : Journal of the Royal Statistical Society , Vol . 89 , No . 1 ( Jan ., 1926 ), pp . 1-63 Published. Journal of the Royal Statistical Society, 89(1), 1–63.

Publicado
2023-03-31
Cómo citar
Garzón Pérez, L. A., Melo Obando, J. L., & Hernández Rueda, E. P. (2023). Modelos SARIMA para pronóstico de pasajeros en vuelos nacionales e internacionales en Colombia. Ciencia Latina Revista Científica Multidisciplinar, 7(2), 540-558. https://doi.org/10.37811/cl_rcm.v7i2.5339
Sección
Artículos