Integrated Yield and Demand Forecasting for Air Cargo in MEASA Emerging Markets: A Multi-Method Statistical Framework

Resumen Técnico: Pronóstico Integrado de Rendimiento y Demanda para el Transporte de Carga Aérea en los Mercados Emergentes de MEASA

Planteamiento del Problema
La industria de la carga aérea, particularmente dentro de la región de Medio Oriente, África y el Sur de Asia (MEASA), depende fuertmente de métricas operativas retrospectivas —específicamente comparaciones Mes sobre Mes (MoM) y Año sobre Año (YoY)— para gestionar la capacidad y los precios. Sin embargo, estas métricas son estructuralmente inadecuadas para mercados de alto crecimiento y propensos a disrupciones como los corredores de Asia Meridional–Europa a través del centro de conexión (hub) de Estambul. Los modelos de pronóstico existentes sufren tres deficiencias primarias:

1. Inadecuación Estructural: Los modelos de una sola variable estándar, desarrollados para los mercados estables del Atlántico Norte o el Pacífico Transpacífico, no logran capturar el rápido crecimiento, la diversidad de productos básicos y la marcada estacionalidad de las rutas de MEASA.
2. Falta de Variables de Disrupción: La literatura existente carece de un mecanismo cuantificable para integrar las disrupciones geopolíticas (por ejemplo, cierres de espacio aéreo, conflictos) en el pronóstico, dependiendo a menudo de variables ficticias (dummy variables) binarias o de la recalibración manual post-hoc.
3. Separación de Rendimiento y Demanda: El rendimiento (yield) y la demanda se modelan típicamente como problemas separados, mientras que las decisiones comerciales requieren una visión unificada. Además, existe una barrera de traducción entre el modelado de series temporales académico y el lenguaje práctico de los informes comerciales.

Metodología
El artículo propone un marco estadístico de dos componentes operacionalizado dentro de Microsoft Power BI, diseñado específicamente para los corredores de Asia Meridional–Europa (India, Pakistán, Bangladesh y Sri Lanka) con ruta a través de Estambul.

• Marco de Pronóstico de Rendimiento (Yield):

  • Modelos Principales: Utiliza Mínimos Cuadrados Ordinarios (OLS), Regresión de Mínimos Cuadrados Insuficientes (SUR) y ARIMAX.
  • Variables: El modelo incorpora el crecimiento del PIB, el índice de precios del combustible de aviación, el factor de carga de la ruta, la capacidad competitiva (toneladas-kilómetro disponibles) y un novedoso Índice de Disrupción Geopolítica.
  • Aplicación de SUR: Se emplea el SUR para abordar los términos de error correlacionados entre múltiples rutas (India, Pakistán, etc.) cuando comparten choques macroeconómicos y de disrupción comunes.
  • Manejo de la No Linealidad: Si bien los modelos de regresión capturan relaciones lineales, el marco reconoce que el poder de fijación de precios del rendimiento exhibe un comportamiento de umbral (por ejemplo, surge abruptamente por encima de un factor de carga del 85%).

• Marco de Pronóstico de Demanda:

  • Modelo Principal: Un modelo SARIMAX (Media Móvil Integrada Autorregresiva Estacional con variables exógenas).
  • Puente Teórico: El artículo demuestra formalmente que las métricas estándar de MoM y YoY son casos límite de los componentes de Diferenciación Autorregresiva (AR) y Estacional de los modelos SARIMAX, respectivamente.
  • Variables Exógenas: Incluye el PIB, precios de combustible, factor de carga, capacidad competitiva, el Índice de Disrupción Geopolítica, un Índice de Penetración del Comercio Electrónico y un Índice de Temporada de Compra Europea (crítico para las rutas textiles).
  • Aumentación de Conjunto (Ensemble): Se entrena una capa de Bosque Aleatorio (Random Forest) sobre los residuos del modelo SARIMAX. Este componente de aprendizaje automático captura interacciones no lineales (específicamente las no linealidades de factor de carga–rendimiento por encima de la utilización del 85% y los efectos de umbral de precio de combustible–demanda) que los modelos paramétricos subestiman sistemáticamente.
  • Resultado Final: Pronóstico Final = Pronóstico SARIMAX + Corrección de Residuo RF.

Contribuciones Clave
El artículo identifica tres contribuciones originales a la literatura de la gestión del transporte aéreo:

1. Índice de Disrupción Geopolítica Cuantificable: La introducción de una variable continua y escalada para cuantificar el impacto de los eventos geopolíticos (específicamente aplicada al cierre del espacio aéreo India–Pakistán para 2025–2026) tanto en el rendimiento como en la demanda, yendo más allá de las variables binarias.
2. Marco Integrado de Rendimiento–Demanda: Una estructura analítica unificada que modela simultáneamente el rendimiento y la demanda, abordando la brecha donde tradicionalmente se tratan como problemas separados.
3. Derivación de Equivalencia Matemática: Una derivación formal que prueba que las métricas comerciales estándar de MoM y YoY son matemáticamente equivalentes a componentes específicos del marco SARIMAX. Esto cierra la brecha entre la analítica de los profesionales y el modelado académico, facilitando su despliegue en entornos de reporte operativo.

Resultados y Hallazgos

• Precisión de la Disrupción: La aplicación del Índice de Disrupción Geopolítica al escenario de cierre del espacio aéreo India–Pakistán 2025–2026 demostró mejorar la precisión del pronóstico durante el periodo de disrupción en comparación con los modelos que carecen de esta variable.
• Captura de No Linealidad: La capa de aumentación de Bosque Aleatorio capturó con éxito las no linealidades de factor de carga–rendimiento por encima del 85% de utilización, un comportamiento de umbral que el SARIMAX por sí solo no detectó.
• Mezcla de Productos como Protección del Rendimiento: El análisis a través de cuatro submercados de Asia Meridional identificó la mezcla de productos —específicamente la participación de la carga farmacéutica y perecedera— como el mecanismo más fuerte para la protección del rendimiento. Estos segmentos comandan primas que amortiguan la compresión del rendimiento observada en la carga general.
• Despliegue Operativo: El marco fue operacionalizado con éxito en Power BI, proporcionando a los equipos comerciales pronósticos puntuales, intervalos de confianza, descomposiciones estacionales y herramientas de análisis de escenarios (por ejemplo, modelar choques de combustible o cierres de espacio aéreo).

Significancia y Reivindicaciones
El documento afirma que la región MEASA presenta un entorno de mercado distintivo caracterizado por un crecimiento estructural, mezclas de productos diversas y riesgos geopolíticos recurrentes, lo que hace que los enfoques de pronóstico estándar sean insuficientes. La significancia de este trabajo radica en su capacidad para:

• Proporcionar una herramienta estadísticamente rigurosa pero operativamente desplegable para la gestión de la analítica de la cadena de suministro en una de las geografías de carga aérea más dinámicas del mundo.
• Permitir la toma de decisiones comerciales proactivas (asignaciones y precios) al pasar de métricas retrospectivas a pronósticos integrados y prospectivos.
• Ofrecer una metodología para la recalibración rápida de los pronósticos en respuesta a eventos geopolíticos, sanciones o cambios en las rutas.
• Facilitar la adopción de métodos cuantitativos por parte de los equipos comerciales de carga mediante la alineación de los modelos académicos con el lenguaje existente del reporte comercial (MoM/YoY).

Los autores señalan que el marco depende de datos de entrada precisos y de suficientes datos históricos para que la capa de Bosque Aleatorio funcione eficazmente. Está diseñado para aumentar, no para reemplazar, la experiencia de dominio, especialmente cuando se trata de eventos fuera de la distribución de entrenamiento del modelo.