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

Resumo Técnico: Previsão Integrada de Rendimento e Procura para Carga Aérea em Mercados Emergentes da Região MEASA

Definição do Problema
A indústria de carga aérea, particularmente na região do Médio Oriente, África e Sul da Ásia (MEASA), depende fortemente de métricas operacionais retrospectivas — especificamente comparações Mês-sobre-Mês (MoM) e Ano-sobre-Ano (YoY) — para gerir a capacidade e a precificação. No entanto, estas métricas são estruturalmente inadequadas para mercados de alto crescimento e propensos a disrupções, como os corredores Sul da Ásia–Europa via o hub de Istambul. Os modelos de previsão existentes sofrem de três deficiências primárias:

1. Inadequação Estrutural: Modelos padrão de variável única, desenvolvidos para mercados estáveis do Atlântico Norte ou Transpacífico, falham em capturar o crescimento rápido, a diversidade de mercadorias e a sazonalidade pronunciada das rotas MEASA.
2. Falta de Variáveis de Disrupção: A literatura existente carece de um mecanismo quantificável para integrar disrupções geopolíticas (ex: fechamentos de espaço aéreo, conflitos) na previsão, recorrendo frequentemente a variáveis dummy binárias ou recalibração manual post-hoc.
3. Separação entre Rendimento e Procura: O rendimento e a procura são tipicamente modelados como problemas separados, enquanto as decisões comerciais exigem uma visão unificada. Além disso, existe uma barreira de tradução entre a modelagem de séries temporais académica e a linguagem prática do reporte comercial.

Metodologia
O artigo propõe um quadro estatístico de dois componentes operacionalizado no Microsoft Power BI, desenhado especificamente para os corredores Sul da Ásia–Europa (Índia, Paquistão, Bangladesh e Sri Lanka) roteados através de Istambul.

• Estrutura de Previsão de Rendimento (Yield):

  • Modelos Principais: Utiliza Mínimos Quadrados Ordinários (OLS), Regressão de Mínimos Quadrados Não Relacionados (SUR) e ARIMAX.
  • Variáveis: O modelo incorpora o crescimento do PIB, o índice de preço do combustível de aviação, o fator de ocupação da rota (load factor), a capacidade competitiva (toneladas-quilómetro disponíveis) e um novo Índice de Disrupção Geopolítica.
  • Aplicação de SUR: O SUR é empregado para abordar termos de erro correlacionados entre múltiplas rotas (Índia, Paquistão, etc.) quando partilham choques macroeconómicos e de disrupção comuns.
  • Tratamento de Não-Linearidade: Embora os modelos de regressão capturem relações lineares, o quadro reconhece que o poder de precificação do rendimento exibe um comportamento de limiar (ex: emergindo abruptamente acima de 85% de fator de ocupação).

• Estrutura de Previsão de Procura (Demand):

  • Modelo Principal: Um modelo SARIMAX (Seasonal AutoRegressive Integrated Moving Average with Exogenous variables).
  • Ponte Teórica: O artigo demonstra formalmente que as métricas padrão MoM e YoY são casos limites dos componentes de Diferenciação Autorregressiva (AR) e Sazonal do SARIMAX.
  • Variáveis Exógenas: Inclui PIB, preços de combustível, fator de ocupação, capacidade competitiva, o Índice de Disrupção Geopolítica, um Índice de Penetração de E-Commerce e um Índice de Época de Compras Europeia (crítico para rotas têxteis).
  • Aumento por Ensemble: Uma camada de Random Forest é treinada sobre os resíduos do modelo SARIMAX. Este componente de aprendizagem automática captura interações não lineares (especificamente as não-linearidades fator de ocupação–rendimento acima de 85% de utilização e os efeitos de limiar de preço de combustível–procura) que os modelos paramétricos subestimam sistematicamente.
  • Resultado Final: Previsão Final = Previsão SARIMAX + Correção de Resíduo RF.

Principais Contribuições
O artigo identifica três contribuições originais para a literatura de gestão de transporte aéreo:

1. Índice de Disrupção Geopolítica Quantificável: A introdução de uma variável contínua e escalonada para quantificar o impacto de eventos geopolíticos (aplicada especificamente ao fechamento do espaço aéreo Índia–Paquistão em 2025–2026) no rendimento e na procura, indo além das variáveis dummy binárias.
2. Estrutura Integrada Rendimento–Procura: Uma estrutura analítica unificada que modela simultaneamente o rendimento e a procura, abordando a lacuna onde estes são tradicionalmente tratados como problemas distintos.
3. Derivação de Equivalência Matemática: Uma derivação formal provando que as métricas comerciais padrão MoM e YoY são matematicamente equivalentes a componentes específicos do quadro SARIMAX. Isto faz a ponte entre a análise de praticantes e a modelagem académica, facilitando a implementação em ambientes de reporte operacional.

Resultados e Descobertas

• Precisão da Disrupção: A aplicação do Índice de Disrupção Geopolítica ao cenário de fechamento do espaço aéreo Índia–Paquistão em 2025–2026 demonstrou melhorar a precisão da previsão durante o período de disrupção em comparação com modelos sem esta variável.
• Captura de Não-Linearidade: A camada de aumento por Random Forest capturou com sucesso as não-linearidades fator de ocupação–rendimento acima de 85% de utilização, um comportamento de limiar que o SARIMAX sozinho não detetou.
• Mix de Mercadorias como Proteção de Rendimento: A análise através de quatro submercados do Sul da Ásia identificou o mix de mercadorias — especificamente a quota de carga farmacêutica e perecível — como o mecanismo mais forte para a proteção do rendimento. Estes segmentos comandam prémios que servem de amortecedor contra a compressão do rendimento observada na carga geral.
• Implementação Operacional: O quadro foi operacionalizado com sucesso no Power BI, fornecendo às equipas comerciais previsões pontuais, intervalos de confiança, decomposições sazonais e ferramentas de análise de cenários (ex: modelar choques de combustível ou fechamentos de espaço aéreo).

Significância e Alegações
O artigo afirma que a região MEASA apresenta um ambiente de mercado distintivo caracterizado por crescimento estrutural, mixes de mercadorias diversos e riscos geopolíticos recorrentes, tornando as abordagens padrão de previsão insuficientes. A significância deste trabalho reside na sua capacidade de:

• Fornecer uma ferramenta estatisticamente rigorosa, mas operacionalmente implementável, para gerir a análise da cadeia de suprimentos num dos geografias de carga aérea mais dinâmicas do mundo.
• Permitir a tomada de decisões comerciais proativas (alocações e preços) ao mudar de métricas retrospectivas para previsões integradas e prospectivas.
• Oferecer uma metodologia para a recalibração rápida das previsões em resposta a eventos geopolíticos, sanções ou mudanças de rotas.
• Facilitar a adoção de métodos quantitativos pelas equipas comerciais de carga, alinhando modelos académicos com a linguagem existente do reporte comercial (MoM/YoY).

Os autores observam que o quadro depende de dados de entrada precisos e de dados históricos suficientes para que a camada de Random Forest funcione eficazmente. Está desenhado para aumentar, e não substituir, o conhecimento especializado (domain expertise), particularmente ao lidar com eventos fora da distribuição de treino do modelo.