Diseño de un sistema de apoyo a la toma de decisiones sobre la apertura de nuevas rutas aéreas. Caso práctico: Aeropuerto de Jerez

Proyecto Fin de Carrera Ingeniería de Telecomunicación Formato de Publicación de la Escuela Técnica Superior de Ingeniería Autor: F. Javier Payán Somet Tutor: Juan José Murillo Fuentes Dep. Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2013 Trabajo Fin de Grado Ingeniería Aeroespacial Diseño de un sistema de apoyo a la toma de decisiones sobre la apertura de nuevas rutas aéreas. Caso práctico: Aeropuerto de Jerez. Autor: Javier Niño Martínez Tutor: Jorge Juan Fernández de la Cruz Dpto. Ingeniería de la Construcción y Proyectos de Ingeniería Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2022 Trabajo Fin de Grado Ingeniería Aeroespacial Diseño de un sistema de apoyo a la toma de decisiones sobre la apertura de nuevas rutas aéreas. Caso práctico: Aeropuerto de Jerez. Autor: Javier Niño Martínez Tutor: Jorge Juan Fernández de la Cruz Profesor Titular Dpto. Ingeniería de la Construcción y Proyectos de Ingeniería Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2022 Trabajo Fin de Grado: Diseño de un sistema de apoyo a la toma de decisiones sobre la apertura de nuevas rutas aéreas. Caso práctico: Aeropuerto de Jerez. Autor: Javier Niño Martínez Tutor: Jorge Juan Fernández de la Cruz El tribunal nombrado para juzgar el trabajo arriba indicado, compuesto por los siguientes profesores: Presidente: Vocal/es: Secretario: acuerdan otorgarle la calificación de: El Secretario del Tribunal Fecha: Agradecimientos At odos los que estaban antes de empezar este duro y largo camino. Mis amigos de siempre y mi familia. Por el esfuerzo que han hecho para que yo haya llegado hasta el final. A todos los que han comenzado a estar en esta etapa. A Álvaro y Antonio por ser compañeros de éxitos y fracasos. A mis amigos de Estambul por hacerme ver el mundo desde otra perspectiva y a todo el equipo de Zinkee por hacer tan sencillo el poder poner fin a esta trayectoria. Y a Jorge, mi tutor, por guiarme y ayudarme en el último peldaño de una larga escalera. Han sido años de lágrimas y alegrías y solo puedo decir Gracias. Javier Niño Martínez Sevilla, 2022 I Resumen Tras la liberalización del mercado del transporte aéreo, tanto aerolíneas como agentes aeroportuarios actúan en un entorno de alta competencia en el que la toma de decisiones en cuanto al posicionamiento en el mercado es clave. Entre estas decisiones se encuentra la de abrir nuevas rutas aéreas que, por su rentabilidad, aportan grandes beneficios a la economía de una compañía. Los métodos que en la actualidad se llevan a cabo para tomar dicha decisión de apertura de una nueva ruta no están claramente definidos y mucho menos unificados. Surge entonces la necesidad de establecer un sistema que, basado en datos, apoye a los agentes aeronáuticos a tomar decisiones de manera objetiva en cuanto a la apertura de nuevas rutas y sus posibles beneficios. En este Trabajo de Fin de Grado se diseña un sistema que, dado un conjunto de variables input, ofrezca otro conjunto de variables output que ayuden a estimar la posible rentabilidad o no de abrir una nueva ruta aérea de transporte de pasajeros entre dos aeropuertos. Para ello se establecen una serie de ecuaciones estadísticas y un conjunto de bases de datos que, al ser combinadas, ofrecen una solución al problema de la falta de apoyo para la toma de decisiones objetivas sobre la apertura de nuevas rutas. En una primera parte se hace un análisis del contexto del mercado aeronáutico, una investigación de las teorías ya propuestas y un repaso de los conceptos estadísticos que se utilizarán. A continuación, se definen las variables y ecuaciones del modelo y por último se plantea un caso práctico sobre la apertura de nuevas rutas desde el aeropuerto de Jerez. III XÍndice 3.4.1 Variables de competencia de otros medios de transporte 22 3.4.2 Variables de competencia de otras aerolíneas 22 3.4.3 Variables de competencia de otros aeropuertos 23 3.5 Variables de costes de operación 24 3.5.1 Costes relativos a las tasas aeroportuarias e impuestos 24 3.5.2 Costes relativos a Handling 25 3.5.3 Costes relativos al combustible 25 3.5.4 Costes relativos al personal 25 4 La estructura de datos 27 4.1 Fuentes de adquisición de datos 27 4.1.1 Eurostat 28 4.1.2 OTLE 30 4.1.3 AENA Estadísticas 32 4.1.4 Google Trends 34 4.1.5 Flight Route Calculator 35 4.1.6 OMIO 37 4.2 Arquitectura de datos 38 4.2.1 Herramientas utilizadas 39 4.2.2 Relaciones entre bases de datos 39 5 Formulación del modelo 43 5.1 Ecuación de la demanda de pasajeros 43 5.2 Ecuaciones de la elección entre competencia 45 5.2.1 Probabilidad frente a otros medios de transporte 45 5.2.2 Probabilidad frente a otras aerolíneas 47 5.2.3 Probabilidad frente a a otros aeropuertos 47 5.3 Ecuación de costes 48 6 Análisis estadístico de las variables 49 7 La estructura de outputs: Índices y accionables 53 7.1 Análisis cualitativo de los índices 53 7.2 Dashboard: Unificación de resultados 54 7.2.1 Herramientas de visualización de datos 55 7.2.2 Metodología de creación de paneles y storytelling 55 8 Validez del modelo 63 8.1 Actualización de datos: Validez temporal del modelo 63 8.2 El sistema a nivel europeo: Validez espacial del modelo 64 8.3 Otras hipótesis 64 8.4 Errores estadísticos 65 9 Estudio para un caso concreto: Aeropuerto de Jerez 67 9.1 Contexto: Situación, características y volumen de tráfico 67 9.2 Crecimiento: Evolución del tráfico, crecimiento de la demanda y rutas abiertas en los últimos años 69 9.3 Posibles rutas de apertura 71 9.4 Procedimiento de análisis 71 9.4.1 Aplicación de los datos a las variables 71 9.4.2 Análisis de las variables demográficas para el caso XRY-BUD 73 9.4.3 Análisis de las variables aeroportuarias para el caso XRY-BUD 74 9.4.4 Análisis de las variables de ruta para el caso XRY-AMS 74 9.4.5 Análisis de las variables de competencia de modo de transporte para el caso XRY-SCQ 75 9.5 Toma de decisiones: La ruta más rentable 76 Índice XI 10 Conclusiones 81 Índice de Figuras 83 Índice de Tablas 85 Índice de Códigos 87 Bibliografía 89 Índice alfabético 93 Glosario 95 Notación DiDemanda de la alternativa i PiPrecio de la alternativa TiTiempo de la alternativa fiFrecuencia de la alternativa CiCoste XiVariable ejemplo ∆Incremento εElasticidad enúmero e ∂D ∂PDerivada parcial de Drespecto a P logxLogaritmo de x KConstante gravitacional MMasa del objeto mayor mMasa del objeto menor αiCoeficientes de elasticidad de la demanda VUtilidad de una alternativa Prob Probabilidad de una alternativa dxDiferencial de x CXY covarianza de dos variables aleatorias reales XeY RXY correlación de dos variables aleatorias reales XeY ρXY Coeficiente de correlación de las variables aleatorias reales X eY Pr(A)Probabilidad del suceso A σ2 XVarianza de la variable aleatoria X MSE Minimum square error ⩽Menor o igual ⩾Mayor o igual ∑Sumatorio PIB PIB de una región Des Desempleo en una región Hot Plazas Hoteleras Och Ocupación Hostelera Cap Capacidad Re f Clave de referencia Act Rutas activas Chu Churn de rutas XIII 1 Introducción y contexto: El problema de la toma de decisiones Desde que el mercado del transporte aéreo de pasajeros comenzó a liberalizarse, los agentes que intervienen en este viven en una constante pugna por hacerse un hueco en este complejo mundo. Dicha libertad, que tanto las aerolíneas como los agentes aeroportuarios fueron adquiriendo alrededor de los años 80, es la que hizo que las compañías pusieran todos sus esfuerzos en hacer sus rutas lo más eficientes y rentables posibles. [1] Doganis (2001) argumenta que hay una serie de factores claves como la aparición de las compañías de bajo coste, el desarrollo de los sistemas aeroportuarios hub and spoke, las alianzas de compañías aéreas o el sistema de ventas online entre otros, que convierten un mercado que era relativamente estable en un sistema económico completamente volátil y esto hace que la toma de decisiones por parte de las compañías sea un punto crítico. Entre estas decisiones se encuentra la opción de apertura de nuevas rutas aéreas desde un aeropuerto o el propio cierre de las mismas. [2] La estructura actual del sistema aéreo hace que el beneficio o las pérdidas que una aerolínea pueda obtener al entrar o salir de una ruta aérea no sólo estén directamente relacionada con los costes y beneficios de dicho itinerario, sino que afectará, en mayor o menor medida, al resto de operaciones de la compañía en otros destinos. Para hacernos una idea de la repercusión que estas decisiones pueden tener, pongamos el ejemplo de las rutas que las tres principales compañías americanas abrieron, tanto nacional como internacionalmente, en el año 2015, y veamos que ocurrió con ellas a finales de 2019. Delta Airlines decidió operar 37 nuevas conexiones, de las cuales 26 siguieron vigentes en 2019. United Airlines entró en 27 rutas nuevas, sobreviviendo al cabo de esos 4 años 23 de ellas. Por último, American Airlines abrió también 50 de las cuales sobrevivieron 38. [3] En la Figura 1.1, en el que se observan los ratios de éxito en la permanencia de rutas de las tres aerolíneas, podemos observar las diferencias de rentabilidad o viabilidad de dichas acciones entre tres compañías similares. Pequeñas variaciones en una decisión de entrada o salida a una ruta marcan la diferencia entre una aerolínea rentable y un desastre económico de pérdidas millonarias. Como un ejemplo más concreto podemos comparar dos decisiones de aerolíneas sobre entrada en rutas. En 2019, la combinación Londres Heathrow (LHR)- Nueva York John Fitzgerald Kennedy (JFK) operada por British Airways, fue la ruta con más beneficios del panorama internacional, con más de 1,16 billones de euros vendidos en tickets.[4] Por otra parte, a finales de 2018, American Airlines decidió la salida de su ruta Chicago O’Hare (ORD)- Pekín (PEK) porque, en palabras de Vasu Raja (vicepresidente de planning de la compañía), “La ruta estaba 80 millones por debajo del beneficio objetivo".[5] 1 2Capítulo 1. Introducción y contexto: El problema de la toma de decisiones Figura 1.1 Ratios de éxitos de las tres grandes aerolíneas americanas (Elaboración propia). Como podemos ver, la diferencia en la toma de decisiones de ambas compañías fue determinante y es por todo esto que se ha identificado la necesidad de diseñar un sistema sólido que, basado en los datos de las numerosas variables que intervienen, sea una base para la toma de decisiones de entrada o salida de una compañía en una ruta. 1.1 Objeto y alcance El objetivo principal de este trabajo de fin de grado es la definición de un sistema que dé apoyo a la toma de decisiones de entrada en una nueva ruta aérea para aerolíneas, enfocándolo primero de forma global y particularizando posteriormente en el caso concreto del uso del sistema para la decisión de entrada de una aerolínea desde el aeropuerto de Jerez. Además de diseñar dicho sistema en sí, se trata de un proyecto de investigación acerca de todos los aspectos que rodean la entrada de aerolíneas, tanto de los puramente económicos de estructura de mercado, como de los aspectos estadísticos que nos permitirán desarrollar nuestro modelo. Se tendrán en cuenta la tipología del mercado global del transporte aéreo, la situación actual y su evolución con el paso del tiempo, la previsión de mercado esperada y las teorías o métodos que ya usan las aerolíneas para tomar decisiones. Posteriormente, se definirán las variables que intervendrán como input en el sistema, las teorías estadísticas que se utilizarán y la particularización de estas para la obtención de los outputs del sistema. Definiremos simultáneamente las fuentes de datos y la infraestructura que definirá la combinación de dichas bases de datos. Por último, expondremos los outputs, que serán una serie de indicadores resumidos en un cuadro de mando o dashboard. Para particularizar, haremos un análisis concreto de la implementación de dicho sistema para la decisión de entrada de una aerolínea en el aeropuerto de Jerez (España). Por la complejidad del asunto que se trata, tanto en el sentido de la gran cantidad de factores que intervienen como por la carencia de bases completamente definidas, el proceso previo de investigación es tanto o más definitivo que la propia definición del sistema, por lo que en el caso práctico se ofrece un análisis reducido en cuanto al data set que se utiliza. En conclusión, este proyecto permitirá conocer, tras un profundo análisis de investigación, cuáles son los factores que determinan la decisión de entrada de una compañía en una ruta aérea, cómo se relacionan dichos factores y cómo se podría mejorar en la toma de decisiones con la unicidad de un sistema. 1.2 Evolución de la apertura de nuevas rutas en aeropuertos españoles Para comenzar a diseñar dicho sistema, que en nuestro caso se centrará en el panorama aeroportuario español, es necesario hacer un análisis previo de cómo ha evolucionado la apertura de rutas desde los aeropuertos de la red Aena en los últimos años. 1.2 Evolución de la apertura de nuevas rutas en aeropuertos españoles 3 Dicha evolución ha venido marcada en los últimos años por las restricciones que la pandemia de Covid-19 dejó en el ámbito aéreo. Y aquí merece recalcar que el asunto de la toma de decisiones se convierte aún en más vital con situaciones como esta. Haciendo uso de los datos proporcionados por la Dirección de Datos y Mercado Aeronáutico de Aena desde 2018 a 2021 sobre las aperturas, podemos llegar a una serie de conclusiones que nos ayudaran a comprender mejor el contexto del sistema que vamos a diseñar. 2018 se cerró con 336 nuevos trayectos desde aeropuertos españoles. 38 fueron vuelos nacionales, 272 fueron europeos y los 26 restantes extracomunitarios. 2019 fue el año en el que las restricciones aparecieron y debido a esto, el crecimiento se frenó. Se activaron 323 nuevas rutas. Aumentó el tráfico español con 57 nuevas rutas nacionales, pero el europeo (241) y el extracomunitario (25) se mantuvieron en la misma línea de crecimiento. 2020 es el reflejo del desastre que supuso para el mundo de las aerolíneas la crisis del coronavirus. Sólo 71 nuevas rutas nuevas. 47 europeas y 24 nacionales. Tras esta caída, en 2021 comenzó la relajación de medidas y se alcanzaron niveles similares a los años anteriores. 302 nuevas rutas (74 nacionales, 208 europeas y 20 extracomunitarias.[6] Figura 1.2 Evolución de aperturas de rutas en aeropuertos de la red AENA. (Elaboración propia). En la Figura 1.2 podemos hacernos una idea más clara de dicha evolución de crecimiento. En todos los datos comentados anteriormente se considera ruta nueva aquella con más de 5.000 pasajeros en el año actual y menos de 1.000 pasajeros en el año anterior. El hecho de analizar la evolución anterior nos ayuda a realizar una somera predicción de cómo continuará dicho avance en este periodo y en años venideros. Puesto que nos encontramos en un primer apartado en el que el objetivo no es otro que una contextualización, nos dejaremos guiar por una recta de regresión que, mediante un gráfico de dispersión nos permita hacernos una ligera idea del número de nuevas rutas que se podrían generar en 2022. Cómo conclusión, podemos decir que nos encontramos en un momento clave para las compañías en el que los índices de crecimiento son elevados y con previsiones de que el número de rutas nuevas va a alcanzar una cifra récord. Es por ello que, en la actualidad, el sistema de apoyo a la toma de decisiones de entrada que vamos a diseñar en el presente proyecto es aún más necesario si cabe. 4Capítulo 1. Introducción y contexto: El problema de la toma de decisiones Figura 1.3 Recta de regresión previsión apertura de nuevas rutas en España (Elaboración propia). 1.3 Sistemas de apoyo a la toma de decisiones estratégicas de aerolíneas Pese a la clara carencia de sistemas sólidos de apoyo a las decisiones estratégicas de entrada en las aerolíneas y teniendo en cuenta que, puesto que es un problema relativamente moderno (en el sentido de que vino de la mano de la liberalización del mercado aéreo), no existe una extensa literatura en el asunto, desde los años 80, se han llevado a cabo diversas teorías, sistemas estadísticos y de previsión y estudios de mercado. La tónica general de dichos estudios son sistemas de previsión de la demanda de tráfico de pasajeros basados en conceptos estadísticos. En algunos casos sistemas multivariables complejos y en otros, distribuciones de la estadística clásica aplicados al tema que nos concierne. Los primeros modelos que se comenzaron a tener en cuenta por las compañías fueron modelos de entrada en mercados concentrados u oligopolios. Estos modelos proponen análisis empíricos de los efectos de entrada a un mercado concentrado y están muy centrados en el estudio de la competencia. Bresnahan y Reiss (1990) estudiaron la relación entre el tamaño del mercado, el número de agentes y la competitividad entre estos y dictaminaron que en mercados de alrededor de 5 competidores, la mayoría de cambios en las funciones de beneficio, vienen dados por entradas o salidas de competidores en el mercado.[7] Cuando el mercado fue evolucionando y se produjo la “revolución de las low-cost” tal y como lo denomina Doganis (2001), estos estudios se quedan en algo de menos utilidad y aparece el problema del manejo y combinación de un gran número de variables heterogéneas que intervienen en los patrones de decisión.[2] Es aquí donde aparece el concepto económico-estadístico de los patrones de entrada. La literatura desde entonces se ha basado en establecer modelos empíricos que definan dichos patrones de entrada. Berry (1992) diseña, basándose en los modelos de entrada en oligopolios, una primera metodología empírica que usa una serie de inputs de variables de entrada de la aerolínea en el mercado como indicadores de rentabilidad. Proporciona, en definitiva, tomando como objeto un par de aeropuertos (origen-destino), la estimación de beneficio de dicha ruta.[8] Boguslaski, Ito y Lee (2004), basándose en el mismo objeto de par de aeropuertos bidireccional identifican empíricamente los factores que hicieron que la aerolínea americana Southwest entrase o saliese de ciertas rutas. Para esto utilizan un modelo Probit basado en datos cruzados.[9] Desde entonces la bibliografía se ha basado en dichos modelos. Tenemos sobre el papel estudios muy descriptivos como el de Whinston y Collins (1992) en el que desde un estudio de un caso concreto de la aerolínea People Express, llegan a una definición de la estructura competitiva del mercado. [ 10 ] Por otro lado, encontramos sistemas completos que nos permiten escoger una base de datos y obtener los outputs de salida, como es el caso del modelo empírico para la entrada de aerolíneas low-cost que propone Oliveira 1.3 Sistemas de apoyo a la toma de decisiones estratégicas de aerolíneas 5 (2008). [11] Merece la pena detenerse en este momento, porque ciertos modelos de la literatura tratan el concepto de “Churn” de rutas como algo análogo a la entrada. De Wit y Zuidberg (2016) analizaron las variables que más intervienen en las decisiones de salida de una ruta para una compañía low-cost, llamando “Churn” a dicha salida. La distancia y el número de asientos son las variables más determinantes, aunque otras como la estacionalidad o los años de antigüedad de la ruta también son clave. Con el análisis de dichas variables proponen un modelo de regresión lineal gracias al que son capaces de llegar a una previsión temprana de la decisión de salida, antes de que las pérdidas sean más elevadas.[12] Aproximaciones más modernas a este concepto del “Churn”, hacen uso de técnicas de machine learning o Deep learning para, en base a datos provenientes de encuestas, predecir la acción de salida de ruta. Park y Kim (2022), utilizan dichas técnicas en base a la opinión de una muestra de usuarios de aerolíneas coreanas. En este caso, en vez de hacer la predicción en base a datos de la ruta en sí (número de asientos, o beneficio), aplican dichos algoritmos para interrelacionar variables como la edad de los viajeros, su propósito de vuelo, su ocupación laboral o la aerolínea con la que vuelan normalmente.[13] En definitiva, al igual que se ha analizado en profundidad la literatura relativa a los modelos de entrada en el mercado, se podría haber hecho con los modelos de Churn o salida, pero nuestro sistema estará basado en la decisión únicamente de entrada, por lo que no se han analizado con la misma profundidad. Aunque en este apartado no se haya ahondado en ninguno de los estudios, tanto de entrada, como de salida, el modelo consistirá en combinar y completar dichos estudios de entrada, por lo que en la descripción del modelo se volverán a hacer referencias más detalladas sobre estos. 12 Capítulo 2. El sistema de apoyo a la toma de decisiones variables relativas a la propia ruta entre ambos y β otro parámetro que controla la relación entre variables de la ruta y la demanda. Uniendo ambas expresiones en una única expresión en la forma de modelo de elasticidades constantes obtendríamos la expresión siguiente: D=αXθ 1Xθ 2· · · Xθ nYφ 1Yφ 2· · ·Yφ nTµ 1Tµ 2· · · Tµ n(2.9) Para comprender dicha expresión, se usará la expresión y variables que propone Grosche (2007) en uno de sus estudios sobre modelos gravitacionales[20]: Vij=eε(Pij)π(Cij)χ(Bij)β(Gij)γ(Dij)δ(Tij)τ(2.10) Donde, aunque la expresión es equivalente a la anterior expuesta, la importancia recae en entender la particularidad de las variables: Tabla 2.1 Valores de parámetros. Definición notación Población Di j Coste Ci j Índice de poder de compra Bi j PIB Gi j Distancia Geográfica Di j Tiempo Medio de Viaje Ti j Volumen de pasajeros entre i y j Vi j Tras este breve estudio, parece que el modelo de demanda gravitacional puede ajustarse de una manera aproximadamente correcta a nuestro sistema, puesto que la unidad de observación es el par de aeropuertos y las variables que elegiremos serán similares. Puesto que nuestro sistema no será un cálculo de demanda exclusivamente, tendremos que combinar los conceptos vistos en este apartado para llegar a una ayuda más eficiente a la hora de la toma de decisiones. 2.3.3 Modelos LOGIT y PROBIT Puesto que la toma de decisión es la de entrar o no entrar, estamos ante un output que, si el modelo fuera perfecto, sería una variable dependiente binaria.[ 21 ] En el caso estudiado, la variable R (entrada de ruta), será 1 en el caso de que se decida entrar en la ruta, y 0 en caso contrario. El problema estará entonces en, dadas una serie de variables independientes, establecer la probabilidad de que la variable R sea 1 o la probabilidad de que sea 0. En el caso de la existencia de varias modalidades de transporte (demanda multiproducto) entre las que se tiene que elegir una alternativa, el modelo más utilizado a la hora de elegir una alternativa es el llamado modelo Logit. Al igual que se aplica para la existencia de multi-modalidad de transporte, también es aplicable a la elección entre varias aerolíneas o entre varios aeropuertos.[22] Según este modelo, la probabilidad de elegir una alternativa i, tiene la siguiente expresión: Pi=eV i ∑n k=1eV k (2.11) 2.3 Conceptos estadísticos aplicados 13 Donde Pi es la probabilidad de que entre las n alternativas se escoja la i , y Vi es la utilidad de la alternativa i. Se define la utilidad de una alternativa como un índice o parámetro que depende de las variables o atributos del objeto de decisión de la siguiente manera: Vi=∑k=1m iθikXik (2.12) Donde θik es un coeficiente relativo al atributo kde la alternativa iyXik es la variable. Se propone un ejemplo en el que tenemos que calcular el reparto modal (o la probabilidad de elección) de que un pasajero elija entre tres aerolíneas para volar. [23] •Aerolínea A:i=1 •Aerolínea B:i=2 •Aerolínea C:i=3 Y las variables que se tendrán en cuenta serán: •Ingresos medios del pasajero: I •Precio: P •Aerolínea low cost o tradicional: L (Variable Dummy) •Antigüedad operando la ruta: A •Existencia clase Business: B (Variable Dummy) Y los coeficientes de los atributos serán: •Ingresos medios del pasajero: θi1 •Precio: θ2 •Aerolínea low cost o tradicional: θ3 •Antigüedad operando la ruta: θ4 •Existencia clase Business: θ5 La primera variable Idepende del sujeto y el resto de variables solo dependen de la propia alternativa. Podemos formular las tres utilidades cómo: V1=θ11XI1+θ2XP1+θ3XL1+θ4XA1+θ5XB1(2.13) V2=θ21XI2+θ2XP2+θ3XL2+θ4XA2+θ5XB2(2.14) V3=θ31XI3+θ2XP3+θ3XL3+θ4XA3+θ5XB3(2.15) De tal manera que, con estos tres valores, podríamos aplicar la fórmula para ver la probabilidad de elección: 14 Capítulo 2. El sistema de apoyo a la toma de decisiones Pi=eV i ∑n k=1eV k (2.16) En definitiva, dicho modelo nos servirá para descartar aquellas rutas que tengan un porcentaje de probabilidad de elección muy bajo en nuestro modelo. Nos ayudarán a conocer si elegirían nuestra aerolínea o nuestro aeropuerto. 3 Definición de las variables que intervienen En este apartado se tratará de definir las variables que tomarán parte en el modelo. Se hará una definición descriptiva básica sin entrar en detalles estadísticos o matamáticos (estos detalles se tratarán en el capítulo 5). En este apartado, además, se definirán variables que no se incluirán en el modelo pero que si que tienen influencia en la decisión. Dichas variables serán descartadas por el poco peso en la decisión o por complejidad extrema a la hora de tratar datos. Dividiremos las variables en una serie de grupos en función de su tipología: 3.1 Variable demográficas Las variables a las que se llama demográficas en este estudio son aquellas que no están directamente relacionadas con el transporte aéreo o el mercado de las aerolíneas. Son variables relativas a características propias de las áreas de influencia del aeropuerto de origen o destino. Es difícil definir una regla que nos permita establecer fácilmente el área sobre el que influirá un aeropuerto a priori. Para ello hay sistemas mucho más complejos que este propio proyecto. En el Plan Director de un aeropuerto en España hay siempre un apartado en el que se define dicho área.[ 24 ] El apartado 2. Análisis del entorno, contendrá en todo caso un epígrafe (2.2. Entorno Socioeconómico) en el que se define este área en función de una serie de características (similares a las variables que se analizarán en este apartado): •Población •Mercado de trabajo •Distribución sectorial de las actividades •Espacios naturales existentes •Sistema de transporte En los planes directores se define: "El área de influencia del aeropuerto está formada por las poblaciones alrededor del mismo que pueden considerarse como potenciales usuarios de esta infraestructura, es decir, áreas de población que se supone emplearán los servicios del aeropuerto frente a la posibilidad de utilizar otros medios de transporte".[25] Esta definición es muy ambigua y para hacer esto más concreto, hay estudios que utilizan diversas técnicas (software en la actualidad) para definir estas regiones. Una teoría muy aplicada es la de los Polígonos de Thiessen que divide las áreas de influencia en polígonos cuyas áreas varían según una serie de variables basándose en la distancia Euclídea.[26] Puesto que hacer un análisis de polígonos de Thiessen es costoso para un proyecto como este, simplificaremos el modelo suponiendo que las regiones se definirán cómo un porcentaje de las áreas cercanas al aeropuerto. Esta aproximación y su correspondiente error será tratada en apartados posteriores. 15 16 Capítulo 3. Definición de las variables que intervienen Por tanto, las variables que se definen a continuación, tendrán validez en la región a la que corresponda el aeropuerto de origen y de destino. Establecemos las siguientes variables demográficas: 3.1.1 Población "Es el número de habitantes que habitan en una región en un instante de tiempo determinado". La variable Población será una de las más determinantes en nuestro modelo y base de la elección. Es natural y empírico el hecho de que una ruta será más rentable conforme más pasajeros opere y este volumen de pasajeros estará altamente influenciado por la población. Se podría tratar también el asunto de la evolución de esta población en el tiempo, de hecho, si se fuese a hacer un estudio a muy largo plazo, cómo el de emplazamiento de una nueva terminal o un nuevo aeropuerto, se estaría hablando de un asunto decisivo. La proyección de evolución de las poblaciones y la predicción de población futura se evitan en este modelo para simplificarlo, teniendo en cuenta que la decisión de entrada o salida se tomaría en el momento de reparto del slot del curso siguiente y la ruta entraría a operar en un periodo relativamente corto de tiempo, por lo que la población no va a sufrir una variación destacada en ese periodo. 3.1.2 PIB: Producto Interior Bruto "El PIB es el valor en número de unidades monetarias de los bienes y servicios producidos por una región en un tiempo determinado" Al igual que la población, esta variable será definitoria en nuestro modelo. Diversos estudios dan fe de que el crecimiento del volumen de transporte aéreo de una región y el crecimiento económico de dicho área están muy relacionados. No podemos establecer con certeza que una de las dos variables sea la que determine la otra pero la correlación está más que probada, de ahí su elección en este modelo. 3.1.3 Ratio de desempleo "El Ratio de desempleo es el porcentaje de la población en edad de población activa actualmente en situación de paro o desempleo" Esta variable es un segundo indicador del bienestar económico de una región o población. Haber escogido solo el PIB de una región como indicador único économico puede inducir a error, de ahí que se complemente con este segundo indicador que definirá que la demanda de transporte aéreo estará relacionada con el número de habitantes en edad de trabajo desempleados. La Unión europea define desempleado como "aquella persona de entre 15 y 64 que no tiene trabajo en el periodo actual o está actualmente disponible para trabajar o que busca activamente trabajo o que ha encontrado un trabajo para comenzar en un período máximo de tres meses". 3.1.4 Número de plazas hoteleras "Es el número de plazas hoteleras disponibles en los establecimientos preparados para ello en una región en un periodo de tiempo determinado". La Unión Europea define establecimiento turístico como "cualquier establecimiento que, de forma regular u ocasional, proporciona alojamiento de corta duración a turistas como un servicio retribuido". Tanto esta variable como la que se trata a continuación, son imprescindibles por la correlación turismo-transporte aéreo, que será analizada en el siguiente apartado. 3.1.5 Nivel de ocupación turística "Es el número de noches que un turista registra en un establecimiento hotelero en un periodo de tiempo determinado". Se determina que no es necesaria la estancia como tal, sino el registro de que se va a pasar la noche en dicho establecimiento. De nuevo, los datos se expresan por si solos y es una certeza que, en términos generales, un 3.1 Variable demográficas 17 gran porcentaje de los pasajeros que vuelan lo hacen por motivos de turismo, lo que nos lleva a pensar que las variables demanda y número de pernoctaciones hoteleras estarán altamente correlacionadas. Atendiendo a los datos de número de turistas según motivo principal del viaje a España que ofrece el INE (Instituto Nacional de Estadísticas), y, por actualidad, se analizan los datos de 2021 y el primer trimestre de 2022.[ 27 ] Los encuestados son preguntados por su motivo de viaje eligiendo una entre las siguientes tres opciones: •Ocio, recreo o vacaciones •Negocio, motivos profesionales •Otros motivos El resultado se expresa en la siguiente tabla, suma de los 12 meses del año 2021 y el primer trimestre de 2022: Tabla 3.1 Pasajeros por motivo de viaje. Motivo Pasajeros Total 40.856.225 Ocio, Recreo y Vacaciones 34.340.523 Negocio, motivos profesionales 2.803.363 Otros motivos 3.712.342 Esto implica algo que pone de manifiesto la correlación de la que se hablaba en las dos últimas variables tratadas: Un 84,1% de los pasajeros que viajaron en España en los últimos 15 meses, lo hicieron por motivos de ocio: Figura 3.1 Porcentaje de pasajeros en los últimos 15 meses por motivo de viaje (Elaboración propia). 3.1.6 Otras variables demográficas En este aspecto se comentan una serie de variables que, por simplicidad, no se tratarán en las ecuaciones del modelo pero que si influirían en una situación real. • Área de interés cultural: Partiendo de lo comentado en las dos variables relacionadas con el turismo, si una de las áreas origen-destino es de interés cultural, en el sentido de alojar monumentos patrimonio de la humanidad o atractivos de índole cultural, esto beneficiará a la demanda de transporte. Dicha 18 Capítulo 3. Definición de las variables que intervienen variable influirá directamente en el número de plazas hoteleras, PIB y porcentaje activo de la población, por lo que al tener en cuenta las anteriores el error que cometemos al no tener en cuenta esta variable, se verá salvaguardado. • Climatología: Al igual que en el caso del área de interés cultural, el clima puede ser, y es, un atractivo que influye sobre la demanda. Puesto que esta variable climática influirá en el resto de variables tratadas, el error cometido al despreciar este atributo será menor. • Nivel educativo: El porcentaje activo de la población está correlacionado con esta característica por lo que al tener en cuenta dicho porcentaje, de nuevo el error que cometemos al evitar esta variable es menor. 3.2 Variables aeroportuarias de origen y destino Las variables a las que se llama aeroportuarias en este estudio son aquellas que hacen referencia a una característica intrínseca del aeropuerto. Se tratarán en este apartado variables técnicas que serán limitantes a la operación y por otro lado variables relativas a las operaciones u operadores que realizan su actividad en dichos aeropuertos. 3.2.1 Capacidad aeroportuaria OACI la define como: " Conjunto de instalaciones aeroportuarias necesarias y como mínimo igual a la demandada que deben ajustarse a la oferta, para dar un servicio adecuado."[28] Técnicamente lo definiremos como una medida del rendimiento, o sea es el número máximo de operaciones que puede llevarse a cabo en una hora. Será una variable que limitará o no la operación una vez hayamos predicho la demanda y formulando la función de beneficio, actuando como un calibre pasa-no pasa. 3.2.2 Clave de referencia de aeródromo OACI la define como: "El propósito de la clave de referencia es proporcionar un método simple para relacionar entre sí las numerosas especificaciones concernientes a las características de los aeródromos...La clave está compuesta de dos elementos que se relacionan con las características y dimensiones del avión. El elemento 1 es un número basado en la longitud del campo de referencia del avión y el elemento 2 es una letra basada en la envergadura del avión y en la anchura exterior entre las ruedas del tren de aterrizaje principal". Para el estudio será una variable limitante en el sentido de que la aeronave que se seleccione para satisfascer la demanda de transporte entre los dos aeropuertos, tendrá que cumplir con la clave de aeródromo correspondiente. En el Apéndice 1 del Manual de Diseño de Aeródromos de OACI se nos ofrece una clasificación de las aeronaves de cada tipo asociadas a la clave de aeródromo correspondiente. 3.2.3 Número de rutas activas Se denominará una ruta activa a un trayecto aéreo operado con normalidad y determinada frecuencia entre un aeropuerto de origen y otro de destino, haciendo referencia exclusivamente al transporte de pasajeros. Esta variable será un conteo de rutas distintas desde un aeropuerto. Tal y como se argumentó en el capítulo 1, "se considera ruta activa aquella con más de 5.000 pasajeros en el año actual". Se podría hacer un análisis más detallado contando rutas de menos pasajeros pero se pone el límite en 5000 pasajeros anuales puesto que se tratan decisiones económicas de volumen. La importancia de esta variable es vital tanto por el volumen de operaciones y la capacidad del aeropuerto, como por la competencia de oferta que puede existir. 3.2 Variables aeroportuarias de origen y destino 19 3.2.4 Número de churn de rutas Se denominará una ruta "churneada" a un trayecto aéreo que era operado con normalidad y determinada frecuencia entre un aeropuerto de origen y otro de destino, y en el periodo actual ya no lo hace. Esta variable será de importancia pues permitirá determinar, en primer lugar, si la ruta que se estudia ya fracasó y, en segundo lugar, permite detectar si es un aeropuerto con poca estabilidad de rutas (muchas rutas churneadas). 3.2.5 Número de aerolíneas que operan Se define como el número de aerolíneas que tiene alguna ruta activa en el aeropuerto de origen o destino. Será una variable que tendrá importancia tanto por la componente de competencia, en el sentido de que si hay muchas aerolíneas operando, el posible pasajero tendrá más opciones en las que decidir (aunque por otro lado la posibilidad de combinaciones será mayor), tanto como por el volumen de operaciones que tenga el aeródromo. 3.2.6 Índice de accesibilidad al aeropuerto Se definirá Índice de accesibilidad como una variable que medirá el nivel de accesibilidad al aeropuerto distinguiendo tres categorías: A: Muy accesible, B: Accesible, C: Poco accesible. La accesibilidad al aeropuerto es un criterio históricamente relevante. Bao, Hua y Gu (2016) realizan un estudio sobre el impacto de la accesibilidad a la hora de elegir aeropuerto en el mercado Chino, llegando a la conclusión de que el volumen de tráfico podría incrementarse hasta en un 2% con sólo un 1% de aumento de los niveles de accesibilidad. Para ello definen una función de accesibilidad, compuesta por el coste monetario de llegar al aeropuerto y el coste en tiempo de llegar al aeropuerto, en la que un aeropuerto será más accesible mientras menor sea dicho coste.[29] Por simplificación en este estudio no se utilizará dicho tipo de funciones, se designarán tres categorías en función de las opciones de transporte y su coste. Estableceremos los siguientes modos de acceso: •Coche propio •Taxi-VTC •Tren •Metro •Autobús La clasificación que haremos será de la siguiente modalidad: Tabla 3.2 Categorías de accesibilidad. Categoría Métodos de llegada A: Alta accesibilidad Tren o Metro, Autobús y Carreteras desarrolladas B: Accesibilidad media Autobús y Carreteras desarrolladas C: Baja accesibilidad Carreteras no desarrolladas 20 Capítulo 3. Definición de las variables que intervienen Por tanto, esta variable será de importancia en el sentido de que la demanda de una ruta aumentará si la accesibilidad es elevada y disminuirá en el caso contrario. 3.2.7 Evolución del volumen de pasajeros Se define Evolución del volumen de pasajeros como el porcentaje de crecimiento del número de pasajeros en un aeropuerto con respecto a un periodo anterior. Tal y como se planteó en el apartado de introducción, podremos hacer estimaciones de cómo evolucionará el tráfico de una región, haciendo una regresión de los índices de evolución de periodos anteriores. 3.3 Variables de ruta Las variables a las que se llama de ruta en este estudio son aquellas que hacen referencia a una característica exclusiva de la combinación aeropuerto de origen y aeropuerto destino. 3.3.1 Distancia Destino-Origen Se define cómo la distancia en kilómetros en el mapa entre las coordenadas del aeropuerto de origen y las coordenadas del aeropuerto de destino. Puesto que la distancia volada en una ruta aérea difiere de dicha distancia absoluta en kilómetros, en esta variable se podría haber tenido en cuenta el cálculo de la ruta en plan de vuelo. Por simplicidad, haremos un pequeño factor de corrección que aumente la distancia absoluta del mapa, atendiendo a que la distancia siguiendo una carta de navegación aérea será menor o igual que a la distancia total. Se propone para observar dicha diferencia el ejemplo de la ruta SVQ (Sevilla) - PMI (Palma de Mallorca): En primer lugar, medimos la distancia ortodrómica (o distancia en línea recta en el mapa, sin tener en cuenta ninguna ruta aérea). El total es de 787,07 km. Figura 3.2 Distancia ortodrómica SVQ-PMI. Fuente: Google Maps. A continuación, haciendo uso del software "Flight Routes Calculator" by Aviapages[ 30 ], que hace una simulación de la ruta aérea viable más directa, obtenemos la distancia de 803 km. 3.3 Variables de ruta 21 Figura 3.3 Ruta de vuelo SVQ-PMI. Fuente: Aviapages. Esta variable afectará tanto al consumo de combustible, como a la demanda de tráfico aéreo y es una de las variables usadas en casi la totalidad de los modelos. 3.3.2 Tiempo de vuelo Se define cómo el tiempo en horas, minutos y segundos transcurrido desde el comienzo del rodaje en el aeropuerto de origen hasta el estacionamiento en el aeropuerto de destino. Podría parecer que esta variable será totalmente dependiente de la distancia entre aeropuertos, pero dependerá en gran parte de la aeronave y las características de operación de manera que no tiene por que ser proporcional a la distancia en kilómetros entre ambos aeródromos. De ahí que también se tenga en cuenta para el estudio. 3.3.3 Restricciones diplomáticas del vuelo Se define como la variable que detecta si existen o no restricciones de vuelo (cierres del espacio aéreo) en una determinada región. Esta variable será binaria y será negativa en el caso de que el espacio aéreo sea operable en todas y cada unas de las regiones de la ruta o positiva en el caso de que alguna de las regiones esté restringida. Como ejemplo, el pasado febrero de 2022, el Ministerio de Asuntos Exteriores español, cerro su espacio aéreo a las aerolíneas rusas debido a su posición en el conflicto ruso-ucraniano. En el caso de que en nuestro sistema una aerolínea rusa quisiese operar en un aeropuerto español, esta variable restringiría dicha posibilidad.[31] 3.3.4 Histórico de vuelos Origen-Destino Se define como el número de vuelos comerciales de pasajeros que ha habido en un periodo determinado entre los aeropuertos del par origen-destino. Dicha variable nos permitirá definir si podemos tomar como referencia datos antiguos de otras variables relativas al par origen-destino, o si, por el contrario, si el número de vuelos no es significativo, no las podremos tener en cuenta. 28 Capítulo 4. La estructura de datos Asuntos como predicciones de retrasos, de demanda, optimización de operaciones de handling o gestión de overbooking, son resueltos con el tratamiento de fuentes de datos aportando gran valor a la toma de decisiones. Es el momento de particularizar sobre las fuentes de datos que serán empleadas. Partiendo sobre el siguiente esquema se dividirá el apartado en las seis subsecciones que se plantean: Figura 4.3 Esquema bases de datos. Elaboración propia. El principal objetivo será la creación de una única base de datos conjunta (lo que en la figura se indica como sheet data center), que será una base de datos en forma de hoja de cálculo con 6 grandes grupos formados por los datos obtenidos. Antes de continuar es preciso definir la nomenclatura de las etiquetas de unión entre todas las componentes de las bases de datos. Como premisa única y principal se establece que todos y cada uno de los registros de datos, deben contener la etiqueta que definiremos como código OACI del aeropuerto. En el caso de variables exclusivas de un aeropuerto el código será único y en el caso de ser una variable relativa a la combinación el código estará compuesto por el código del primer aeropuerto, un guión y el código del segundo aeropuerto. IATA define un código determinado y distinto para cada aeródromo, formado por 3 letras, con el fin de establecer un marco común de nomenclatura. OACI propone también otro código de cuatro letras pero en este trabajo se utilizará el indicado por IATA por simplicidad.[38] 4.1.1 Eurostat Eurostat es la Oficina Estadística de la Unión Europea. Ofrecen una base de datos de diversas cuestiones básicas según numerosos criterios y es el organismo europeo con más fiabilidad en el ámbito estadístico.[ 39 ] Puesto que para un primer modelo como el que se plantea sería costoso hacer una base de datos mundial, en este aspecto nos limitaremos al ámbito europeo, aunque sería perfectamente ampliable al ámbito global. Dentro de estas amplias posibilidades de datos, encontramos una biblioteca de datos con la región como dimensión. Eurostat presenta el concepto de NUTS con el fin de establecer una norma estadística común en europa. NUTS (Nomenclatura de Unidades Territoriales Estadísticas) es una clasificación del territorio europeo dividida a su vez en 4 niveles[40]: •NUTS-0: Los países son la unidad de separación. • NUTS-1: Las unidades administrativas con un número de habitantes de entre 3 y 7 millones es la unidad de separación. • NUTS-2: Las unidades administrativas con un número de habitantes de entre 800000 y 3 millones es la unidad de separación. • NUTS-3: Las unidades administrativas con un número de habitantes mayor de 150000 es la unidad de separación. 4.1 Fuentes de adquisición de datos 29 Por ejemplo, en el caso de España, las comunidades autónomas serían la separación en NUTS-3. El porqué de haber escogido dichas regiones para la división recae, además de en la sencillez, en que en varios lenguajes de programación existen bibliotecas con dicha clasificación predefinida por lo que a la hora de combinar o trasladar nuestro sistema a un software en alguno de estos lenguajes, esta implementación estaría ya realizada. En las siguientes figuras se determinan dichas divisiones en el mapa[41]: Figura 4.4 Definición regiones NUTS. Fuente:Rubén F. Bustillo-Amazon Web Services. Se escogerá como región de trabajo la región NUTS-2 que es la más extendida, de manera que los registros de datos relativos a estas bases de datos tendrán como etiquetas el código IATA y el código de la región NUTS-2 que se estime correspondiente al aeropuerto. De esta fuente, obtendremos las siguientes bases datos que se emplearán principalmente en el apartado de las variables demográficas: • "Population on 1 January by age, sex and NUTS 2 region": Base de datos que dará la población en cada región NUTS en el 1 de enero de los años que se seleccionen. • "Gross domestic product (GDP) at current market prices by NUTS 2 regions": Base de datos que dará el producto interior bruto en cada región NUTS en los años que se seleccionen. • "Unemployment rate by NUTS 2 regions": Base de datos que dará el porcentaje de población desempleada sobre la población activa en cada región NUTS en los años que se seleccionen. • "Nights spent at tourist accommodation establishments by NUTS 2 regions": Base de datos que dará el número de noches pasadas en un establecimiento turístico en cada región NUTS en los años que se seleccionen. Eurostat define noche pernoctada como: "Se entiende por noche pernoctada cada noche que un huésped/turista (residente o no residente) pasa efectivamente (duerme o se aloja) o está registrado (siendo innecesaria su presencia física) en un establecimiento de alojamiento turístico." • "Number of establishments and bed-places by NUTS 2 regions": Base de datos que dará el número de camas disponibles en establecimientos turísticos en cada región NUTS en los años que se seleccionen. Cada base de datos concreta, poseerá un código proporcionado por Eurostat para su búsqueda online y una fecha de última actualización, así como una relación directa con una o varias de nuestras variables elegidas, que en este caso serán todas las variables demográficas. Presentamos dicha información en la siguiente tabla: 30 Capítulo 4. La estructura de datos Tabla 4.1 Bases de datos de Eurostat. Base de datos Código Fecha actualización Variable Population on 1 January by age, sex and NUTS 2 region DEMO-R-D2JAN 02/06/2022 Población Gross domestic product (GDP) at current market prices by NUTS 2 regions NAMA-10R-2GDP 18/04/2022 PIB Unemployment rate by NUTS 2 regions TGS00010 07/06/2022 Ratio de desempleo Nights spent at tourist accommodation establishments by NUTS 2 regions TGS00111 15/06/2022 Nivel de ocupación turístico Number of establishments and bedplaces by NUTS 2 regions TGS00112 15/06/2022 Número de plazas hoteleras En resumen, en esta fuente de datos obtenemos 5 bases de datos que se asociarán entre sí de una manera sencilla puesto que compartirán el código de la región NUTS. El vínculo, al que de aquí en adelante se denominará "join" de esta primera fuente de datos con las siguientes, será como no puede ser de otra manera el código IATA, por lo que aquí se asociará código IATA con código de la región NUTS que se asocie a dicho aeropuerto. Esta "rama" de la estructura de datos queda recogida en el siguiente esquema: Figura 4.5 Conexiones Bases de datos Eurostat (DB1). Elaboración propia.. 4.1.2 OTLE El Observatorio de Transporte y Logística de España será la segunda fuente de datos que se expondrá. Es un organismo del Ministerio de Transportes, Movilidad y Agenda Urbana que tiene como objetivo poner a disposición del ciudadano datos sobre transporte en nuestro país.[ 42 ] Por simplicidad utilizaremos esta base de datos como primera aproximación a ciertas variables, aunque se conoce que dicha base de datos tendrá que complementarse con otras en el caso de aeropuertos extranjeros. La operativa de esta fuente de datos es muy similar a los datos establecidos por Eurostat, con la diferencia de que nos ofrecen información directa sobre el aeropuerto y no sobre la región. OTLE nos ofrece infinidad de datos, pero por simplicidad y ajuste a un número de variables definido, tomaremos las siguientes bases de datos: • "Capacidad del campo de vuelo (aeronaves/hora) de los aeropuertos de la red de Aena por comunidad autónoma": Base de datos que dará la medida de capacidad del número de aeronaves que pueden operar (aterrizaje o despegue) en un aeropuerto en una hora. 4.1 Fuentes de adquisición de datos 31 • "Capacidad de las terminales (pasajeros/hora) de los aeropuertos de la red de Aena por comunidad autónoma": Base de datos que dará la medida del número de pasajeros que una terminal puede acoger en un ahora. Capacidad declarada para terminales: capacidad operativa máxima de terminales a aplicar en los procesos de coordinación de horarios. Este valor depende de un nivel de servicio preestablecido y en régimen de demanda continua. OTLE establece las siguientes consideraciones sobre esta base de datos: "-La metodología utilizada por Aena S.M.E., S.A. para la evaluación y determinación de los parámetros de capacidad de terminales que se aplican en los procesos de coordinación de horarios está basada en la utilización de herramientas de simulación y ha sido presentada a la industria (Comité Nacional de Coordinación de Horarios) y aceptada y reconocida por las compañías aéreas como método estándar a utilizar para la evaluación de capacidades en los aeropuertos españoles. -Los aeropuertos Madrid-Barajas, Barcelona-El Prat y Málaga no declaran capacidades operativas máximas de terminales hasta la fecha, dado que, en estos casos, el terminal no es limitante para la venta de slots. En estos aeropuertos la coordinación de slots se realiza con las capacidades declaradas del campo de vuelos." • "Longitud (metros) de las pistas de los aeropuertos de la red de Aena": Base de datos que dará la longitud de la pista o pistas de dicho aeropuerto. • "Modos de acceso (distribución porcentual) a los aeropuertos de la red de Aena": Base de datos que nos aporta el porcentaje de pasajeros que acceden desde cada modo de transporte al aeropuerto. OTLE establece las siguientes consideraciones sobre esta base de datos: "-Estos datos se han obtenido mediante encuestas efectuadas en los aeropuertos a pasajeros de vuelos comerciales. -Autobús de cortesía se refiere al servicio gratuito de autobús que hoteles o agencias de viajes ofrecen a los viajeros para el traslado desde o hasta el aeropuerto. -Los datos no están actualizados con la información del año 2020 por no haberse podido realizar encuestas a los pasajeros en los aeropuertos." • "Tráfico de pasajeros y mercancías en aeropuertos españoles (número de asientos y operaciones) por tipo de tráfico, aeropuerto y compañías más representativas": Base de datos que dará los volúmenes de tráfico en diversos aeropuertos. • "Costes de la aviación comercial de las principales compañías aéreas españolas": Base de datos que nos aporta información sobre los distintos costes según que aerolínea opere. Estas bases de datos serán relacionadas principalmente con las variables aeroportuarias de origen. Estableceremos por tanto un código de nuestra base de datos y obtendremos la siguiente clasificación y esquema: 32 Capítulo 4. La estructura de datos Tabla 4.2 Bases de datos de OTLE. Base de datos Código Fecha actualización Variable Capacidad del campo de vuelo (aeronaves/hora) de los aeropuertos de la red de Aena por comunidad autónoma OTLE-CAP01 Febrero 2022 Capacidad Capacidad de las terminales (pasajeros/hora) de los aeropuertos de la red de Aena por comunidad autónoma OTLE-CAP02 Febrero 2022 Capacidad Longitud (metros) de las pistas de los aeropuertos de la red de Aena OTLE-LONG Febrero 2022 Aeródromo Modos de acceso (distribución porcentual) a los aeropuertos de la red de Aena OTLE-MOD Noviembre 2020 Accesibilidad Tráfico de pasajeros y mercancías en aeropuertos españoles OTL-TRAF Febrero 2022 Volúmen de pasajeros Costes de la aviación comercial de las principales compañías aéreas españolas OTL-COS Febrero 2022 Costes de Operación Figura 4.6 Conexiones Bases de datos OLTE (DB2). Elaboración propia.. 4.1.3 AENA Estadísticas El portal de Estadísticas de Tráfico Aéreo en los aeropuertos de la red AENA[ 43 ], ofrece una plataforma interactiva que permite obtener datos de tráfico en tiempo real sobre los aeropuertos de dicha red. Se ofrece un Dashboard interactivo desde el que se exportarán los datos necesarios. En la figura siguiente se muestra dicha plataforma: 4.1 Fuentes de adquisición de datos 33 Figura 4.7 Dashboard Interactivo. Fuente: Aena. Es claro que en este caso escogeremos el código IATA del aeropuerto como dimensión y obtendremos los siguientes listados de datos: • "Información de rutas por aeropuertos": Base de datos que dará el listado y número de rutas en las que interviene cada aeropuerto, así cómo el número de operaciones y pasajeros. Cabe decir que se podrían obtener más datos pero por simplicidad se escogen estas dos métricas. •"Operaciones O/D": Base de datos que dará el número de operaciones por par origen-destino. • "Información por compañía aérea": Base de datos que dará el número de operaciones que cada aerolínea opera en una ruta. Estas bases de datos serán relacionadas principalmente con las variables aeroportuarias de origen cómo en el caso anterior y con las variables de ruta y competencia. Estableceremos por tanto un código de nuestra base de datos y obtendremos la siguiente clasificación y esquema: Tabla 4.3 Bases de datos de AENA. Base de datos Código Fecha actualización Variable Información de rutas por aeropuertos AENA-NRUT Abril 2022 Rutas competencia Operaciones Origen-Destino AENA-ORDES Abril 2022 Misma Ruta y Churn de Rutas Información por compañía aérea AENA-COMP Abril 2022 Aerolíneas competencia 34 Capítulo 4. La estructura de datos Figura 4.8 Conexiones Bases de datos AENA (DB3). Elaboración propia.. 4.1.4 Google Trends Es bien sabido que ,en la actualidad, Google es el navegador más usado por los usuarios de internet[ 44 ]. Sabiendo que ya en 2011 un 80% de los tickets de vuelos se adquirían de forma online[ 45 ], y que un 65% de los usuarios utilizan Google Chrome para buscar sus vuelos, y puesto que adquirir datos de plataformas como Skyscanner es complicado y no existen muchos datos de libre acceso, se decide realizar un estudio de busquedas en Google del par de aeropuertos origen-destino haciendo uso de Google Trends. Google Trends es una herramienta de analítica de búsquedas de contenido del propio Google. Utiliza un muestreo significativo de las búsquedas para dar estadísticas de los temas más buscados por palabras. Se establecerá un criterio de búsqueda aeropuerto de origen, aeropuerto de destino y la palabra vuelo para comprobar que nivel de búsquedas tendrá. Cómo ejemplo pondremos "vuelo sevilla madrid" y lo compararemos con "vuelo madrid barcelona". La búsqueda sería tal y como en la siguiente imagen:[46] Figura 4.9 Comparativa búsqueda. Fuente: Google Trends. Esto, por ejemplo, sería un indicativo de que en la comparativa, la ruta ,madrid-barcelona sería más demandada. Es por ello, que lo establecemos como una nueva base de datos en la que exportaremos un conjunto de búsquedas con esa combinación. 4.1 Fuentes de adquisición de datos 35 Tabla 4.4 Bases de datos de Google Trends. Base de datos Código Fecha actualización Variable Búsquedas par origen destino en Google TRENDS Tiempo real Búsquedas Internet Figura 4.10 Conexiones Bases de datos Google Trends (DB4). Elaboración propia.. 4.1.5 Flight Route Calculator Puesto que la información técnica sobre la ruta es crucial, en el sentido de que conocer la distancia que separa dos aeropuertos, el tiempo de vuelo o los litros de combustible necesarios será clave en el sistema, tener una base de datos que nos aporte esta información al elegir un origen y un destino, es imprescindible. Flight Route Calculator es una herramienta de libre acceso de la empresa Aviapages, que nos permite hacer búsquedas de información de rutas. [ 30 ]La interfaz es sencilla e intuitiva, de manera que seleccionando las propiedades que en la imagen se exponen, se tendrá disponible la información: Figura 4.11 Interfaz de búsqueda. Fuente: Flight Routes Calculator.. De manera que al introducir los requisitos de la operación que queramos estudiar obtendremos la siguiente lista de datos útiles: • "Airway distance": Base de datos que dará la distancia en kilómetros de vuelo entre un origen y un destino. 36 Capítulo 4. La estructura de datos •"Great Circle distance": Base de datos que dará la distancia real entre origen y destino. •"Airway time": Base de datos que dará el tiempo en la ruta aérea. •"Great circle time": Base de datos que dará el tiempo que tardaría en línea recta. Aunque en el estudio se utilizaran exclusivamente estos parámetros de distancia y tiempo, el software nos aportaría, en un ejemplo cualquiera, la siguiente información: Figura 4.12 Interfaz de resultados. Fuente: Flight Routes Calculator.. Como en los casos anteriores, codificamos estas bases de datos. Por simplicidad, en el modelo tan solo tendremos en cuenta las distancias y tiempos de vuelo: Tabla 4.5 Bases de datos de Flight Route Calculator. Base de datos Código Fecha actualización Variable Airway distance FRC-DIS Tiempo real Distancia Airway time FRC-TIM Tiempo real Tiempo de vuelo Y el esquema estructural sería: 4.1 Fuentes de adquisición de datos 37 Figura 4.13 Conexiones Bases de datos Flight Route Calculator (DB5). Elaboración propia.. 4.1.6 OMIO Hasta este punto, la única información restante para completar las bases de datos del modelo es la de la competencia de transporte. Es cierto que encontrar una base de datos robusta que recoja la información sobre todos los modos de transporte disponibles en una ruta es complejo, y que en este estudio se busca sencillez en el proceso, por el tiempo y recursos de los que se dispone. Es por ello que se estudiará dicha competencia haciendo uso del almacenaje de datos que la interfaz web de buscador de opciones de transporte OMIO ofrece.[47] En este caso no tenemos una base de datos como tal, si no un buscador en el que se tendrá que recaudar la información necesaria. El modo de búsqueda consistirá en comparar bus, tren y avión tanto en tiempo como en coste medio del billete: Figura 4.14 Interfaz de búsqueda Omio. Fuente: Omio.. De manera que al introducir el origen y destino: • "Precio Alternativa": Base de datos que dará el precio de cada alternativa entre un aeropuerto de origen-destino. •"Tiempo Alternativa": Base de datos que dará el tiempo de viaje en cada alternativa. •"Flexibilidad Alternativa": Base de datos que determinará si el billete es o no flexible. Resumiendo y codificando: 44 Capítulo 5. Formulación del modelo D=e(β0)∗(X1)(β1)∗(X2)(β2)∗ · · · ∗ (XN)(βN)(5.1) Dónde X(1...N) son las variables que intervienen en la demanda y β(0...N) las elasticidades de dichas respectivas variables. El concepto de elasticidad de la demanda quedó definido en ese apartado, y también se vio que aplicando logaritmos en la ecuación se obtenía: log(D) = β0+β1log(X1)+ β2log(X2)+· · · +βnlog(Xn)(5.2) Ahora bien, esta ecuación tendremos que particularizarla con las variables, datos y coeficientes del modelo. Definamos el conjunto de variables que intervendrán en mayor medida en esta ecuación de demanda y su notación (todas ellas están analizadas en detalle y descritas matemáticamente en el siguiente capítulo): •P=Población •PIB=Producto Interior Bruto •Des=Porcentaje de desempleo •Hot=Plazas Hostelería •Och=Ocupación hostelera •Dis=Distancia entre ciudades •Bus=Búsquedas en Google Igualmente, las elasticidades (coeficientes Beta de regresión) de estas •βP=Coeficiente de Población •βPIB=Coeficiente de producto Interior Bruto •βDes=Porcentaje de desempleo •βHot =Plazas Hostelería •βOch=Ocupación hostelera •βDis=Distancia entre ciudades •βBus=Busquedas en Google Nuestra ecuación entonces será: log(D) = βPlog(P)+βPIB log(PIB)+βDes log(Des)+βHot log(Hot)+βOch log(Och)+βDis log(Dis)+βBus log(Bus) (5.3) Es en este momento preciso ahondar en la definición o el ajuste de los coeficientes β , para lo que emplearemos un ajuste por regresión, usando para ello la variable de histórico de pasajeros.[53] El procedimiento será extraer los coeficientes de regresión de nuestro conjunto de datos, haciendo uso de la función de Matlab: "regstat". Esta opera de la siguiente manera: En primer lugar, se aporta un vector de demanda de pasajeros conocida en años anteriores al que llamaremos "x". Estos valores del número de pasajeros podemos establecerlos en los últimos años en varias rutas (mientras más exacto y grande sea el conjunto de datos, mejor se ajustarán los coeficientes). En segundo lugar, aportamos una matriz a la que llamaremos "y", en la que añadiremos los datos correspondientes a dichos años de las variables indicadas anteriormente. Por último, seleccionaremos que tipo de regresión queremos que el programa ejecute, y este nos dará unos coeficientes, que serán los que utilicemos en la ecuación.[54] Código 5.1 Código 1 Matlab. 5.2 Ecuaciones de la elección entre competencia 45 Regresion=regstat(x,y,linear); Por tanto, esta función, necesita como input un vector de demanda real, una matriz de variables y una modalidad de regresión. Veámoslo en detalle en un ejemplo con números ficticios: Código 5.2 Código 2 Matlab. x=[2000 3000 2500 4000]; %Demanda de pasajeros entre dos aeropuertos del 2000 al 2003 y=[40000 42000 45000 60000, 100000 120000 115000 150000, 0.15 0.20 0.18 0.09, 1000 1200 1300 1400, 5000 35000 45000 5000, 300 300 300 300, 20 20 20 20] %Cada fila son los datos de las variables comentadas desde 2000 a 2003 Regresion=regstat(x,y,linear); disp(regresion.tstat.beta) %vector de las componentes Beta(1 por variable) Con este vector, estaríamos en disposición de programar la función total en nuestro propio archivo excel de la base de datos y tendríamos una primera estimación de la demanda. Pero las posibilidades de la función regstat no acaban aquí. Obtendremos valiosa información sobre la interrelación de las variables y sobre los errores utilizando una serie de comandos, que serán comentados en el siguiente capítulo. Habiendo definido esta ecuación, ya se estaría en condición de hacer una predicción de la demanda de transporte en una ruta. Ahora se tendrá que estudiar qué competencia tenemos para saber qué porcentaje de la demanda se acogerá a cada modo de elección. 5.2 Ecuaciones de la elección entre competencia En estas ecuaciones el objetivo será conocer qué porcentaje de la demanda obtenida en la ecuación anterior, elegirá nuestra alternativa para realizar la ruta origen-destino seleccionada. Utilizaremos para ello los conceptos de modelo Logit y utilidades presentados en el principio de este trabajo de fin de grado. En primer lugar, se comparará el transporte aéreo con otros medios de transporte, de manera que se obtendrá la probabilidad de que un pasajero que desea realizar la ruta, elija el avión como modo de transporte. A continuación, se calculará la probabilidad de que dicho pasajero elija nuestra aerolínea en vez de otra que opere la misma ruta. Por último, también se deberá calcular la probabilidad de que se elija nuestro aeropuerto, en el caso de existir una alternativa cercana similar. 5.2.1 Probabilidad frente a otros medios de transporte Se definen en primer lugar los 4 modos de transporte que se consideran: •Coche; i=1 •Bus; i=2 •Tren; i=3 •Avión; i=4 Posteriormente las variables que intervienen en esta ecuación •Precio del ticket;PAlt 46 Capítulo 5. Formulación del modelo •Tiempo de viaje;TAlt •Frecuencia;fAlt Y finalmente los coeficientes de los atributos a los que llamaremos θj •Precio del ticket;θP •Tiempo de viaje;θT •Frecuencia;θF De tal manera que, las utilidades para cada alternativa quedarán definidas del siguiente modo: Vcoche =θPP1+θTT1+θFF1(5.4) Vbus =θPP2+θTT2+θFF2(5.5) Vtren =θPP3+θTT3+θFF3(5.6) Vavion =θPP4+θTT4+θFF4(5.7) De tal manera que, con estos tres valores, podríamos aplicar la fórmula para ver la probabilidad de elección de alguno de los modos de transporte: Pi=eV i ∑n k=1eV k (5.8) Es ahora cuando entra en juego el complejo cálculo de los coeficientes θ . Este punto podría dar lugar a un propio trabajo de fin de grado como tal, por lo que trataremos de hacer las estimaciones lo más sencillas posible. Se comienza haciendo referencia al signo de dicho coeficiente. Si un aumento del valor de la variable conllevaría un aumento de la utilidad, el signo será positivo, en cambio si una disminución del valor de la variable conllevase un aumento de la utilidad tendría valor negativo. En este caso, la variable precio, tendrá un coeficiente de atributo negativo, porque conforme más caro sea el billete, menos posibilidad hay de que el cliente elija dicha alternativa. Con el tiempo de viaje ocurre lo mismo, y el caso de la frecuencia sería el coeficiente de atributo positivo, de manera que, a más frecuencias, mayor probabilidad habrá de que se escoja dicha alternativa. La estimación del valor absoluto de estos coeficientes se realiza partiendo de una gran base de datos con una serie de encuestas como base. Cómo la capacidad ha sido limitada, se procederá a realizar una estimación basada en lo que otros modelos han predicho, de esta manera estableceremos unos valores fijos para estos coeficientes. Lo comentado en estos últimos párrafos sobre los coeficientes de atributos se hace extensible a los dos siguientes apartados y al final de este apartado se establece una tabla con dichos valores y su fuente de estimación. 5.2 Ecuaciones de la elección entre competencia 47 5.2.2 Probabilidad frente a otras aerolíneas Se van a definir como ejemplo las probabilidades de elección de 3 aerolíneas, pero es aplicable al número de aerolíneas que se estimase oportuno comparar. •Aerolínea A; i=1 •Aerolínea B; i=2 •Aerolínea C; i=3 Posteriormente se definen las variables que intervienen en esta ecuación •Precio medio histórico;Pot •Aerolínea LowCost;Lwc •Flexibilidad;Flx •Antiguo;Ant Y finalmente los coeficientes de los atributos a los que llamaremos θj •Precio medio histórico;θPot •Aerolínea LowCost;θLwc •Flexibilidad;θFlx •Antiguo;θAnt De tal manera que las utilidades para cada alternativa quedarán definidas del siguiente modo: VAerolneaA =θPot Pot1+θLwcLwc1+θFlxFlx1+θAnt Ant1(5.9) VAerolneaB =θPot Pot2+θLwcLwc2+θFlxFlx2+θAnt Ant2(5.10) VAerolneaC =θPot Pot3+θLwcLwc3+θFlxFlx3+θAnt Ant3(5.11) En este caso, la variable precio, tendrá un coeficiente de atributo negativo y la variable Low Cost, Flexibilidad y Antiguo, lo tendrá positivo. 5.2.3 Probabilidad frente a a otros aeropuertos Se van a definir como ejemplo las probabilidades de elección de 3 aeropuertos, pero es aplicable al número de aerolíneas que se estimase oportuno comparar. •Aeropuerto A; i=1 •Aeropuerto B; i=2 •Aeropuerto C; i=3 Posteriormente se definen las variables que intervienen en esta ecuación •Ruta ya existente;Rex •Índice de accesibilidad;Acc Y finalmente los coeficientes de los atributos a los que llamaremos θj •Ruta ya existente;θRex •Índice de accesibilidad;θAcc 48 Capítulo 5. Formulación del modelo De tal manera que las utilidades para cada alternativa quedarán definidas del siguiente modo: VAeropuertoA =θRexRex1+θAccAcc1(5.12) VAeropuertoB =θRexRex2+θAccAcc2(5.13) VAeropuertoC =θRexRex3+θAccAcc3(5.14) En este caso, ambas variables tendrán el coeficiente positivo. 5.3 Ecuación de costes En este apartado no se pretende hacer un profundo análisis económico de cada operación, es una función que aportará al encargado de tomar la decisión de una idea aproximada del coste que conllevará dicha operación. También será el mecanismo para comparar las distintas posibilidades de aeronaves una vez se conozca la demanda y se haya decidido el par origen-destino. Una función de costes de operación estará compuesta de un conjunto de costes fijos y un conjunto de costes variables. Se establecen, como en los casos anteriores, las variables que intervendrán en esta función: •Precio actual del combustible;Pcomb •Distancia de la ruta;Dis •Tiempo de vuelo;Tvl •Modelo aeronave;Aer •Factor de ocupación;Foc •Coste de tripulación;Crw •Coste handling en rampa;Chlr •Coste handling pasajero;Chlp •Tasas aeronave;Tav •Tasas pasajero;Tpa •Impuestos Operación;Iop Ahora se trata de formular una ecuación lineal de coste: COp =Pcomb ∗f(Dis,Tvl,Aer) +Chlr +Tav +Iop +g(Aer,Foc)∗(Tpa +Chl p)+Crw (5.15) Donde: f(Dis,Tvl,Aer) = Litros (5.16) y: g(Aer,Foc) = Pasa jeros (5.17) Esta ecuación tendrá unidad de euros y el coste será relativo a un trayecto individual origen-destino. 6 Análisis estadístico de las variables Se definen estadísticamente en este capítulo las variables del modelo y posteriormente se estudiará su importancia en este: Tabla 6.1 Variables Demográficas Input. Variable Símbolo Definición Carácter Estadístico Unidad Rango Periodo Tipo Población P Número de habitantes que habitan en una región en un instante de tiempo determinado Variable continua Individuos >0 Instante Observaciòn Demográfica PIB PIB El PIB es el valor en número de unidades monetarias de los bienes y servicios producidos por una región en un tiempo determinado Variable continua €>0 Instante Observaciòn Demográfica Ratio de desempleo Des El Ratio de desempleo es el porcentaje de la población en edad de población activa actualmente en situación de paro o desempleo Variable continua % 0-100 Instante Observaciòn Demográfica Plazas Hosteleras Hot Es el número de plazas hoteleras disponibles en los establecimientos preparados para ello en una región en un periodo de tiempo determinado Variable continua Individuos >0 Instante Observaciòn Demográfica Ocupación Hostelera Och "Es el número de noches que un turista registra en un establecimiento hotelero en un periodo de tiempo Variable continua Pernoctaciones >0 Instante Observaciòn Demográfica 49 50 Capítulo 6. Análisis estadístico de las variables Tabla 6.2 Variables Aeroportuarias Input. Variable Símbolo Definición Carácter Estadístico Unidad Rango Periodo Tipo Capacidad Cap Número máximo de operaciones por hora Variable continua Operaciones/Hora >0 Instante Observaciòn Aeroportuaria Clave de referencia Ref La clave está compuesta de dos elementos que se relacionan con las características y dimensiones del avión. El elemento 1 es un número basado en la longitud del campo de referencia del avión y el elemento 2 es una letra basada en la envergadura del avión y en la anchura exterior entre las ruedas del tren de aterrizaje principal[55] Variable cualitativa, nominal, combinación de 4 números y 6 letras - De 1A a 4F Instante Observaciòn Aeroportuaria Rutas activas Act Número de rutas activas distintas desde un aeropuerto. Variable continua Rutas >0 Instante Observaciòn Aeroportuaria Churn de rutas Chu Número de rutas churneadas distintas desde un aeropuerto. Variable continua Rutas >0 Histórico global Aeroportuaria Aerolíneas activas Aer Número de aerolineas activas distintas en un aeropuerto Variable continua Aerolíneas >0 Instante Observaciòn Aeroportuaria Indice de Accesibilidad Acc Índice de accesibilidad al aeropuerto Variable discreta que puede tomar: 0-1-2 - 0,1,2 Instante Observaciòn Aeroportuaria Evolución volumen de pasajeros Vol Porcentaje de crecimiento del número de pasajeros en un aeropuerto con respecto a un periodo anterior Variable continua % >0 Año actual Aeroportuaria 51 Tabla 6.3 Variables De Ruta Input. Variable Símbolo Definición Carácter Estadístico Unidad Rango Periodo Tipo Distancia Destino- Origen Dis Distancia en kilómetros en el mapa entre las coordenadas del aeropuerto de origen y las coordenadas del aeropuerto de destino. Variable continua Km >0 - De ruta Tiempo de vuelo Tvl Tiempo en horas, minutos y segundos transcurrido desde el comienzo del rodaje en el aeropuerto de origen hasta el estacionamiento en el aeropuerto de destino. Variable continua hh:mm:ss >0 Instante Observaciòn De ruta Restricciones diplomáticas Res Variable que detecta si existen o no restricciones de vuelo (cierres del espacio aéreo) en una determinada región Variable discreta, dicotómica (Dummy): que toma el valor 1 si existen restricciones y 0 en el caso contrario - 1-0 Instante Observaciòn De ruta Histórico de vuelos His Número de vuelos comerciales de pasajeros que ha habido en un periodo determinado entre los aeropuertos del par origendestino. Variable continua Operaciones >0 Histórico 5 años De ruta Historial de búsquedas Bus Número de búsquedas que ha habido en un periodo determinado entre los aeropuertos del par origendestino. Variable continua Búsquedas >0 Año actual De ruta 52 Capítulo 6. Análisis estadístico de las variables Tabla 6.4 Variables De Alternativa Input. Variable Símbolo Definición Carácter Estadístico Unidad Rango Periodo Tipo Precio de las alternativas PAlt Valor en número de unidades monetarias del recorrido del trayecto en un modo de transporte determinado Variable continua €>0 Instante Observaciòn De alternativa Tiempo de viaje TAlt Tiempo en horas, minutos y segundos transcurrido en el trayecto en cada una de las alternativas Variable continua hh:mm:ss >0 Instante Observaciòn De alternativa Frecuencia de la alternativa FAlt Frecuencia mensual de viajes en cada una de las alternativas Variable continua Operaciones >0 Mes Actual De alternativa Precio medio histórico POt Precio medio de rutas similares en los últimos 5 años Variable continua €>0 Histórico 5 años De alternativa Aerolinea lowcost vs tradicional Lwc Precio medio de rutas similares en los últimos 5 años Variable discreta, dicotómica (Dummy): que toma el valor 1 si la aerolinea es Low-Cost y 0 en el caso contrario - 1-0 Instante Observaciòn De alternativa Flexibilidad Flx Tipología del ticket estándar que ofrece esa aeronave Variable discreta, dicotómica (Dummy): que toma el valor 1 si hay flexibilidad en el billete y 0 en el caso contrario - 1-0 Instante Observaciòn De alternativa Antigüedad Ant Número de años que una aerolínea lleva operando un trayecto. Variable continua años >0 Histórico 10 años De alternativa Aeropuertos cercanos Aer Número de aeropuertos que hay en un radio de 200 kilometros centrado en el aeropuerto de origen o destino. Variable continua Aeropuertos >0 Instante Observaciòn De alternativa 7 La estructura de outputs: Índices y accionables El objeto final de la creación del sistema de ayuda a la toma de decisiones no era otro que el de llegar al momento de la toma de decisión y actuar de la manera correcta. Se podría obtener un modelo matemático excelente, un pool de datos extremadamente actualizado y una tecnología punta, pero sin algo que nos permita visualizar al instante los parámetros claves que determinarán la decisión, no se estaría llegando al resultado buscado. Es por ello, que se plantea un Dashboard de mando como entregable final que apoye la toma de decisiones. Hoy en día, cualquier persona encargada de tomar una decisión en una gran compañía, dispone de un cuadro en el que, con visualizar un pequeño número de indicadores clave, pueda hacerse una idea del estado de su proyecto. En este caso se ha planteado de la misma forma. Se expondrá en este capítulo el Dashboard al que se ha llamado "Airport Decision-Making Dashboard". Se comenzará definiendo cuáles de los indicadores son claves en la decisión, se argumentarán las herramientas de visualización empleadas y se expondrá en detalle el proceso de creación del Dashboard. 7.1 Análisis cualitativo de los índices Como en cualquier gran compañía, la tendencia a la digitalización y exactitud es cada vez mayor en Aeropuertos y Aerolíneas. En unos ámbitos en los que hay operaciones tan diversas, es crucial mantener un control y una medida que permita al gestor aeronáutico hacerse una idea de la "temperatura" de su negocio en tiempo real y a simple vista. Puesto que una pequeña decisión tomada por alguno de estos agentes, puede verse reflejada en beneficios o pérdidas importantes, es crucial medir ciertos indicadores accionables sobre los que aplicar pequeños cambios que lleven a la mejora. Con este objetivo aparece el concepto de "KPI: Key Performance Indicator", que se refiere a un indicador de la actual situación de algún aspecto crítico en una compañía. Es importante tener en cuenta que un KPI no nos permitirá hacer un detallado análisis sobre una materia muy concreta, se trata por el contrario de hacerse una idea real y general de alguna medida de relativa importancia. En la ciencia de datos (concretamente en la visualización), una de las tareas más complejas es la de elegir un reducido número de indicadores y conseguir que estos plasmen la situación del negocio. En el ámbito puramente aeronáutico, estos KPI’s tenían una tendencia a ser exclusivamente económicos en un principio. Con la liberalización del mercado, se fueron centrando en la eficiencia operativa y actualmente, un cuadro de mando de una aerolínea o un aeropuerto, es una combinación de indicadores tanto económicos como operativos. Humpphreys y Graham (2002) realizaron varios análisis sobre encuestas a directivos del mundo de la aeronáutica acerca de los indicadores que más utilidad tenían para ellos y por ejemplo, establecieron KPI’s 53 60 Capítulo 7. La estructura de outputs: Índices y accionables Figura 7.10 Histórico de tráfico. Fuente: DataStudio. Como resultado final de esta pestaña, se obtiene una visión general que será la que permitirá al decisor tener una visión práctica y analítica sobre la ruta en cuestión. 7.2 Dashboard: Unificación de resultados 61 AIRPORT DECISION-MAKING DASHBOARD AEROPUERTO DE ORIGEN AEROPUERTO DE DESTINO ORIGEN (1) : XRY ▼ Noticar un problema de MapsCombinaciones de teclas Datos de mapas ©2022 Inst. Geogr. Nacional Términos de uso DEMANDA PASAJEROS COSTES OPERACIÓN RUTA OPERATIVA MODO PROBABLE 23,00mil PASAJEROS/AÑO 8.900 € 0 COMPAÑÍAS QUE OPERAN LA RUTA 71% PROBABILIDAD ESCOGER AVIÓN €/TRAYECTO RUTA DESTINOS ACTIVOS DESDE EL ORIGEN COMPETENCIA MODAL COMPETENCIA AEROLÍNEAS DESTINO (1) : BUD ▼ AERONAVE _ (1) : Boeing 747 ▼ COMBUSTIBLE DISTANCIA TIEMPO 2.000 LITROS/TRAYECTO 2.100 Km 2 Horas 21 Horas 30 Horas 10 Horas 350 €90 200 €€ 5% 15% 20% NO HAY NINGUNA AEROLÍNEA OPERANDO ESTA RUTA EN LA ACTUALIDAD Rumbo Vuelos/mes Madrid (MAD) 88 Barcelona (BCN) 60 Fráncfort del Meno (FRA) 38 Düsseldorf (DUS) 35 Palma (PMI) 30 Múnich (MUC) 17 Bilbao (BIO) 13 Londres (STN) 13 Hannover (HAJ) 9 B l (BRU) 9 ▼ 1 - 10 / 16 < > PAS. ESTE AÑO OPS. ESTE AÑO PAS. AÑO PASADO OPS. AÑO PASADO 2017 2018 2019 2020 2021 0 250mil 500mil 750mil 1M 1,25M EVOLUCIÓN DEL TRÁFICO 21.249 290 5.262438.766 Figura 7.11 Dashboard Home. Fuente: DataStudio. 8 Validez del modelo En este capítulo se hace referencia a los posibles puntos en los que el modelo puede no ser exacto o perfecto. En los capítulos anteriores se han tratado temas de diversa índole y es preciso repasar que suposiciones e hipótesis hemos hecho. Son varias las interpretaciones y definiciones que existen sobre la validez de un modelo. Aquí debemos distinguir verificación de validación: La verificación se define como el proceso de comprobar que un sistema o modelo funciona tal y como estaba previsto, mientras que la validación consiste en evaluar el resultado y ver si este es correcto o no.[61] Se centrará este capítulo en la validación del modelo. El procedimiento seguido para documentar dicha validación será la de recorrer el documento escrito hasta ahora documentando aquellos puntos en los que se encuentra alguna debilidad al sistema. Con este apartado no se pretende demostrar que el modelo no es válido, si no ser conscientes de que tanto por falta de tiempo o medios, puesto que es una primera aproximación, el sistema no es perfecto. 8.1 Actualización de datos: Validez temporal del modelo En cualquier modelo estadístico de bases de datos, es clave tener claro con qué frecuencia son actualizados los datos y qué efectividad tienen estos con el paso del tiempo, más aún si son modelos predictivos como el nuestro. La primera suposición que se hace es el determinar que el instante de la entrada en la ruta es el mismo instante en el que se consulta el Dashboard. Esto puede llevar a conflicto, en el sentido de que debe contemplarse como algo estimatorio. Puede que desde el momento de la discusión hasta el momento en el que la entrada se lleve a cabo, pase demasiado tiempo y esto haga que el modelo ya no tenga la misma validez. En segundo lugar, debemos tener en cuenta la concordancia en la actualización de datos. Habrá bases de datos como la de búsquedas online o la de precios que variarán con una frecuencia muy alta y deberán ser actualizadas casi diariamente si se quiere mantener el modelo con total efectividad. Otras bases de datos en cambio se actualizarán con menos frecuencia. La población de una región variará poco diariamente o la distancia de vuelo no variará nada. Una frecuencia de actualización mensual sería correcta en principio. En cuanto a los datos que se visualizan en el Dashboard, estos se actualizan automáticamente desde las bases de datos cada 15 minutos, por lo que esto no supondría ningún problema de validez temporal para el modelo. En definitiva, un modelo de datos tiene que tener siempre un encargado de su actualización, y al haber bases de datos diversas, esta necesidad se hace aún mayor. 63 64 Capítulo 8. Validez del modelo 8.2 El sistema a nivel europeo: Validez espacial del modelo Aunque las bases del sistema están sentadas en términos generales y no habría ningún problema en ampliar a horizontes mayores, está pensado para el ámbito europeo, e incluso en algunos aspectos, su validez a nivel nacional es mayor que a nivel europeo. Por un lado, el estudio del mercado de aerolíneas europeo difiere del mercado americano o asiático en ciertos sentidos que pueden hacer que el modelo pierda precisión. Por otro lado, hay variables que perderían o ganarían importancia si los vuelos fueran transatlánticos, cómo por ejemplo en el consumo de combustible o la flexibilidad del billete aumentaría la importancia al ser un vuelo más largo, en cambio, la accesibilidad al aeropuerto no sería tan definitoria por ser superior la utilidad del motivo del vuelo que la comodidad. Atendiendo a variables concretas, en las variables demográficas, tenemos que tener en cuenta que las regiones NUTs son asociadas a códigos de aeropuerto IATA de una manera aproximada. Aquí puede haber errores de asociación y una futura mejora del modelo podría ser automatizar dichas asociaciones. El otro aspecto de situación en el que el modelo puede mejorarse es en el estudio de competitividad de aeródromos cercanos. En el sentido de que el área que se considera de influencia ha sido definido como menor o mayor según el agente que lo defina. Por ejemplo, puede que el aeropuerto de Barcelona influya al aeropuerto de Sevilla pese a su lejanía. Aquí el modelo está falto de exactitud y podría ser mejorado. 8.3 Otras hipótesis Comenzando por cuestiones técnicas, el modelo es limitado en cuanto al cálculo del consumo de combustible de un aeronave. Se han adquirido un listado de las cuatro aeronaves más utilizadas pero no se hacen muchas más especificaciones en cuanto al número de pasajeros, se asume un factor de ocupación medio. Aquí nuestro modelo mejoraría considerablemente haciendo un cálculo más exacto puesto que los litros de combustible dependen directamente del número de pasajeros y este varía con frecuencia. En cuanto al nivel de accesibilidad de los aeropuertos, se ha estimado un índice básico entre 1 y 3 que quedaba explicado en el capítulo de definición de las variables. Este índice depende del número de modos de acceso al aeropuerto pero no tiene en cuenta ni frecuencias, ni precios ni calidad, por lo que este índice no es del todo fiable. Una de las hipótesis principales del modelo y que ya se expuso en la introducción, era el hecho de escoger un par de aeropuertos origen-destino como unidad de medida, lo que implica que el tráfico se supone igual en la ida que en la vuelta (se hablaba de un par bidireccional). Esto no es del todo exacto puesto que hay numerosas rutas en las que el número de pasajeros a la ida es totalmente distinto al de la vuelta frecuentemente. Otro de los aspectos que no se tiene en cuenta es el de los horarios. Un posible pasajero estará dispuesto a pagar más o menos por su billete dependiendo del horario del vuelo y del día de la semana. Además, las frecuencias de vuelos también tendrían una influencia que no se ha tenido en cuenta por simplificar el modelo. Sobre las hipótesis tomadas a la hora de analizar la competencia también hay varias cuestiones de importancia. En primer lugar, se establecen precios medios temporales para los billetes, cuya validez es muy débil en tanto en cuanto que la estacionalidad influirá totalmente. Otra de las hipótesis es que el viajero realiza el viaje en coche sólo (su coste se convierte en mucho mayor que si compartiese el coche), o por ejemplo se presupone que los viajeros no tienen ningún tipo de descuento en ningún modo de transporte, cosa que no es del todo cierta. En lo que a la ecuación de costes se refiere, es sabido que las aerolíneas negocian con los agentes aeroportuarios precios distintos a las tarifas estándar por lo que el precio de las tasas que tenemos será una aproximación y dependerá de más factores que no se han tenido en cuenta. 8.4 Errores estadísticos 65 8.4 Errores estadísticos Pero sin duda, un modelo estadístico siempre tiene como punto crítico de mejora los errores en los coeficientes. En el caso que se estudia, dichos errores provienen por un lado de los coeficientes obtenidos de la recta de regresión para el cálculo de la demanda, y de los coeficientes que nos permitían conocer la utilidad de una alternativa. En este modelo se ha realizado un primer cálculo de regresión sencillo, pero es sabido que si este cálculo se afina (con el coste que conlleva) el modelo ganaría bastante en utilidad. En cualquier caso, el objetivo de esta sección no es otro que el de demostrar que, invirtiendo los recursos suficientes, puede hacerse un sistema exacto del modelo básico que se plantea en este trabajo. 9 Estudio para un caso concreto: Aeropuerto de Jerez En este último capítulo se propone un caso práctico de uso del Dashboard para una supuesta aerolínea ficticia que desea operar una nueva ruta aérea desde el aeropuerto de Jerez. El hecho de no elegir una aerolínea simplifica el modelo de datos en el sentido de que se aparta dicha variable. El momento de la decisión tendrá fecha del primer semestre de 2022, periodo en el que se ha realizado este Trabajo de Fin de Grado. La elección del Aeropuerto de Jerez se hace por el hecho de ser un aeropuerto mediano, con un tráfico creciente y con relativamente pocas rutas internacionales atendiendo al lugar de interés turístico en el que se emplaza. El procedimiento seguido en este capítulo será el propio procedimiento que el "decision-maker" de la aerolínea ficticia realizaría para su decisión. En primer lugar, se expondrá el contexto de dicho aeropuerto, sus características, tráfico actual y previsto. Posteriormente, se comentarán brevemente y con un análisis no numérico algunas posibilidades de rutas y se terminará haciendo un análisis que recogerá tanto el tratamiento de dichos datos, como su observación en el Dashboard y su correspondiente análisis. 9.1 Contexto: Situación, características y volumen de tráfico El Aeropuerto de Jerez (XRY), se encuentra en la provincia de Cádiz, Andalucía, España. Es el único aeropuerto civil de la provincia, que tiene más de un millón de habitantes. Es un aeropuerto de carácter civil-internacional, cuyo código OACI es "LEJR" y el código IATA "XRY".[ 62 ] El código de aeródromo según OACI es 4-E, teniendo el aeródromo una sola pista, la 02-20, con una longitud de 2200 m y 45 m de anchura. De Asfalto PCN 51/F/A/W/T, con una elevación de 28 m y una temperatura de referencia de 34 grados. El edificio de la terminal se construyó en 1992. La planta de salidas dispone de un área de vestíbulo de 1400 metros cuadrados, con 20 mostradores de facturación y 4 controles de seguridad, de un área de embarque de 1390 metros cuadrados y de dos puestos de control de pasaportes. La zona de recogida de equipajes dispone de cuatro hipódromos, 4 puestos de control de pasaporte y un vestíbulo de 650 metros cuadrados. En la planta alta se tiene un edificio de oficinas técnicas y restaurante. En cuanto al acceso por carretera, la autovía N-IV se une a que el aeropuerto posee 870 plazas de parking de uso público, por lo que el vehículo propio es el método más usado. Además, está disponible el acceso por ferrocarril, con un tren de cercanías desde Cádiz. 67 68 Capítulo 9. Estudio para un caso concreto: Aeropuerto de Jerez Figura 9.1 Vista aérea del Aeropuerto de Jerez. Fuente: Google Maps. Figura 9.2 Vista interior del Aeropuerto de Jerez. Fuente: Google Maps. En cuanto a la capacidad y parámetros de diseño del aeropuerto, se encuentran los siguientes valores: Tabla 9.1 Valores de capacidad y parámetros. Parámetro Valor Capacidad 20 (operaciones/hora) PHP (Pasajeros Hora Punta) 1421 PHP en llegadas 906 PHP en salidas 984 PHD (pasajeros hora diseño) 1006 AHP (Aeronaves hora punta) 30 AHD (Aeronaves hora diseño) 6 Por último se establecen los niveles de tráfico actuales [62]: 9.2 Crecimiento: Evolución del tráfico, crecimiento de la demanda y rutas abiertas en los últimos años 69 Tabla 9.2 Niveles de tráfico actuales-Mayo 2022. Parámetro Valor Pasajeros totales 95799 Pasajeros comerciales 95241 Operaciones comerciales 895 En definitiva, la situación actual del aeropuerto es la de un aeródromo en un entorno de alto interés turístico pero de pequeño-mediano tamaño, con previsibles opciones de crecimiento, de ahí su elección como caso de estudio.[63] 9.2 Crecimiento: Evolución del tráfico, crecimiento de la demanda y rutas abiertas en los últimos años Tal y como se hizo en el primer capítulo de este trabajo a nivel nacional, se tratará en este apartado de hacer un análisis a nivel aeropuerto de la evolución del tráfico, demanda, rutas y aerolíneas. El efecto de la pandemia de COVID-19 vivida entre 2020 y 2021 hizo que los datos de tráfico en estos años fueran inferiores al crecimiento que el aeropuerto venía teniendo, aun así, las previsiones son esperanzadoras desde 2022. Prueba de ello es que el aeropuerto este verano de 2022 recuperará las rutas con Londres-Gatwick, Bilbao, Las Palmas y Zúrich.[64] En lo reportado por AENA como previsión para el verano de 2022, la mitad de las operaciones programadas serán nacionales y la otra mitad internacionales, con Alemania a la cabeza con un tercio de las plazas internacionales.[65] Se comenzará haciendo un estudio de qué rutas existen en la actualidad y con qué niveles de tráfico: Figura 9.3 Rutas aéreas activas desde el aeropuerto de Jerez. Elaboración propia. 76 Capítulo 9. Estudio para un caso concreto: Aeropuerto de Jerez 9.5 Toma de decisiones: La ruta más rentable Sólo con hacer uso del Dashboard para los tres casos indicados, observando los KPIs principales, podemos ver cómo tanto en demanda cómo en precio, la ruta más rentable sería, a priori, la ruta Jerez-Budapest. Este apartado sería un punto tedioso y argumentado en bases poco sólidas sin la ayuda del sistema que se ha elaborado durante este proyecto. A continuación, se muestra la comparativa del Dashboard con las tres opciones que es el resultado de la toma de decisiones a la que se ha hecho referencia durante todo el documento. Con esto, no se está asegurando ni afirmando que la decisión tomada sea la más acertada, pero si tenemos una base argumentativa sólida y basada en datos reales sobre la que establecer nuestra decisión, que era el principal objetivo de la creación de este sistema. 9.5 Toma de decisiones: La ruta más rentable 77 AIRPORT DECISION-MAKING DASHBOARD AEROPUERTO DE ORIGEN AEROPUERTO DE DESTINO DESTINO (1) : BUD ▼ Noticar un problema de MapsCombinaciones de teclas Datos de mapas ©2022 Google Términos de uso DEMANDA PASAJEROS COSTES OPERACIÓN RUTA OPERATIVA MODO PROBABLE 34,33mil PASAJEROS/AÑO 5.710 € 0 COMPAÑÍAS QUE OPERAN LA RUTA 91% PROBABILIDAD ESCOGER AVIÓN €/TRAYECTO RUTA DESTINOS ACTIVOS DESDE EL ORIGEN COMPETENCIA MODAL COMPETENCIA AEROLÍNEAS AERONAVE _ ▼ COMBUSTIBLE DISTANCIA TIEMPO 9.696 LITROS/TRAYECTO 2.424 Km 3 Horas 24 Horas 45 Horas 25 Horas 502 €200 200 €€ 1% 3% 5% NO HAY NINGUNA AEROLÍNEA OPERANDO ESTA RUTA EN LA ACTUALIDAD Rumbo Vuelos/mes Madrid (MAD) 88 Barcelona (BCN) 60 Fráncfort del Meno (FRA) 38 Düsseldorf (DUS) 35 Palma (PMI) 30 Múnich (MUC) 17 Bilbao (BIO) 13 Londres (STN) 13 Hannover (HAJ) 9 B l (BRU) 9 ▼ 1 - 10 / 16 < > PAS. ESTE AÑO OPS. ESTE AÑO PAS. AÑO PASADO OPS. AÑO PASADO 2017 2018 2019 2020 2021 0 250mil 500mil 750mil 1M 1,25M EVOLUCIÓN DEL TRÁFICO 21.249 290 5.262438.766 ORIGEN: XRY Figura 9.9 XRY-BUD. Fuente: DataStudio. 78 Capítulo 9. Estudio para un caso concreto: Aeropuerto de Jerez AIRPORT DECISION-MAKING DASHBOARD AEROPUERTO DE ORIGEN AEROPUERTO DE DESTINO DESTINO (1) : AMS ▼ Noticar un problema de MapsCombinaciones de teclas Datos de mapas ©2022 GeoBasis-DE/BKG (©2009) Términos de uso DEMANDA PASAJEROS COSTES OPERACIÓN RUTA OPERATIVA MODO PROBABLE 21,24mil PASAJEROS/AÑO 6.357 € 0 COMPAÑÍAS QUE OPERAN LA RUTA 85% PROBABILIDAD ESCOGER AVIÓN €/TRAYECTO RUTA DESTINOS ACTIVOS DESDE EL ORIGEN COMPETENCIA MODAL COMPETENCIA AEROLÍNEAS AERONAVE _ ▼ COMBUSTIBLE DISTANCIA TIEMPO 7.772 LITROS/TRAYECTO 1.943 Km 2,7 Horas 30 Horas 35 Horas 17 Horas 367 €130 150 €€ 3% 5% 7% NO HAY NINGUNA AEROLÍNEA OPERANDO ESTA RUTA EN LA ACTUALIDAD Rumbo Vuelos/mes Madrid (MAD) 88 Barcelona (BCN) 60 Fráncfort del Meno (FRA) 38 Düsseldorf (DUS) 35 Palma (PMI) 30 Múnich (MUC) 17 Bilbao (BIO) 13 Londres (STN) 13 Hannover (HAJ) 9 B l (BRU) 9 ▼ 1 - 10 / 16 < > PAS. ESTE AÑO OPS. ESTE AÑO PAS. AÑO PASADO OPS. AÑO PASADO 2017 2018 2019 2020 2021 0 250mil 500mil 750mil 1M 1,25M EVOLUCIÓN DEL TRÁFICO 21.249 290 5.262438.766 ORIGEN: XRY Figura 9.10 XRY-AMS. Fuente: DataStudio. 9.5 Toma de decisiones: La ruta más rentable 79 AIRPORT DECISION-MAKING DASHBOARD AEROPUERTO DE ORIGEN AEROPUERTO DE DESTINO DESTINO (1) : SCQ ▼ Noticar un problema de MapsCombinaciones de teclas Datos de mapas ©2022 Inst. Geogr. Nacional Términos de uso DEMANDA PASAJEROS COSTES OPERACIÓN RUTA OPERATIVA MODO PROBABLE 19,04mil PASAJEROS/AÑO 4.120 € 0 COMPAÑÍAS QUE OPERAN LA RUTA 76% PROBABILIDAD ESCOGER AVIÓN €/TRAYECTO RUTA DESTINOS ACTIVOS DESDE EL ORIGEN COMPETENCIA MODAL COMPETENCIA AEROLÍNEAS AERONAVE _ ▼ COMBUSTIBLE DISTANCIA TIEMPO 2.852 LITROS/TRAYECTO 713Km 1,25 Horas 10 Horas 15 Horas 10 Horas 156 €74 75 €€ 8% 7% 9% NO HAY NINGUNA AEROLÍNEA OPERANDO ESTA RUTA EN LA ACTUALIDAD Rumbo Vuelos/mes Madrid (MAD) 88 Barcelona (BCN) 60 Fráncfort del Meno (FRA) 38 Düsseldorf (DUS) 35 Palma (PMI) 30 Múnich (MUC) 17 Bilbao (BIO) 13 Londres (STN) 13 Hannover (HAJ) 9 B l (BRU) 9 ▼ 1 - 10 / 16 < > PAS. ESTE AÑO OPS. ESTE AÑO PAS. AÑO PASADO OPS. AÑO PASADO 2017 2018 2019 2020 2021 0 250mil 500mil 750mil 1M 1,25M EVOLUCIÓN DEL TRÁFICO 21.249 290 5.262438.766 ORIGEN: XRY Figura 9.11 XRY-SCQ. Fuente: DataStudio. 10 Conclusiones Este trabajo de Fin de Grado ha sido una combinación de lo aprendido tanto en mi experiencia laboral como académica. El modelo se basa en el tratamiento de datos, que es una ciencia en auge en cualquier ámbito profesional, dentro y fuera del mundo aeronáutico. La metodología seguida, es fruto de los conocimientos que se han aportado en la escuela, pero también responde a la metodología que en mi día a día sigo como analista de datos en mi compañía. Tal y como se ha comentado en diversas ocasiones, se ha presentado una simplificación de lo que sería un modelo mucho más completo cuanto más variables se tratasen y en más profundidad se estudiasen, pero no por ello carece de validez en el ámbito profesional. Los resultados presentados dan fe de ello, y ponen de manifiesto que el modelo sería de utilidad a los diversos agentes aeronáuticos presentes en una decisión de este tipo, en concreto para un directivo de una aerolínea o un gestor del aeropuerto. La complejidad que el sistema puede ir adquiriendo se presenta como una oportunidad para seguir profundizando en este tema en una siguiente etapa académica o incluso dentro de una aerolínea. Con una inversión tanto técnica como humana de un equipo de analistas de datos lo suficientemente experimentado, podríamos hacer escalable este sistema incluso como un negocio que se ofreciese de manera externa a las compañías. No obstante, el tiempo y los recursos empleados en este trabajo no sólo me han aportado en la creación directa del sistema, me han permitido obtener y mejorar una serie de habilidades técnicas cómo el manejo de software de visualización de datos, de esquematización de conexiones de bases de datos y, sobre todo, en el ámbito del llamado “Data Storytelling”, una disciplina crucial en cualquier ámbito científico. Además, en el ámbito de las variables que intervienen en este tipo de decisiones, este trabajo ha servido para hacerse una idea de la complejidad de la interrelación entre estas y de la dificultad de que se mantengan actualizadas las fuentes de datos. Como conclusión, aunque este trabajo no sea autosuficiente a este nivel de profundidad para permitir tomar una decisión de este calibre (tanto económica como estratégicamente hablando), se han sentado las bases de lo que, en un futuro, podría llegar a ser un sistema definitorio en la toma de decisiones. 81 Índice de Figuras 1.1 Ratios de éxitos de las tres grandes aerolíneas americanas (Elaboración propia) 2 1.2 Evolución de aperturas de rutas en aeropuertos de la red AENA. (Elaboración propia) 3 1.3 Recta de regresión previsión apertura de nuevas rutas en España (Elaboración propia) 4 2.1 Diagrama de flujo de la metodología seguida (Elaboración propia) 8 3.1 Porcentaje de pasajeros en los últimos 15 meses por motivo de viaje (Elaboración propia) 17 3.2 Distancia ortodrómica SVQ-PMI. Fuente: Google Maps 20 3.3 Ruta de vuelo SVQ-PMI. Fuente: Aviapages 21 3.4 Mapa de aeropuertos cercanos al aeropuerto de sevilla. Fuente: Air Calculator 23 3.5 Listado de aeropuertos cercanos al aeropuerto de sevilla. Fuente: Air Calculator 24 3.6 Estructura característica de costes en una aerolínea tradicional. Fuente: AEA 24 4.1 Diagrama de bloques de la infraestructura de datos (Creación propia) 27 4.2 Evolución sobre las publicaciones sobre datos en aviación. Fuente: Transportation Research 27 4.3 Esquema bases de datos. Elaboración propia 28 4.4 Definición regiones NUTS. Fuente:Rubén F. Bustillo-Amazon Web Services 29 4.5 Conexiones Bases de datos Eurostat (DB1). Elaboración propia. 30 4.6 Conexiones Bases de datos OLTE (DB2). Elaboración propia. 32 4.7 Dashboard Interactivo. Fuente: Aena 33 4.8 Conexiones Bases de datos AENA (DB3). Elaboración propia. 34 4.9 Comparativa búsqueda. Fuente: Google Trends 34 4.10 Conexiones Bases de datos Google Trends (DB4). Elaboración propia. 35 4.11 Interfaz de búsqueda. Fuente: Flight Routes Calculator. 35 4.12 Interfaz de resultados. Fuente: Flight Routes Calculator. 36 4.13 Conexiones Bases de datos Flight Route Calculator (DB5). Elaboración propia. 37 4.14 Interfaz de búsqueda Omio. Fuente: Omio. 37 4.15 Conexiones Bases de datos OMIO (DB6). Elaboración propia. 38 4.16 Joins o uniones en el modelo. Fuente: Google Data Studio. 40 4.17 Estructura general de datos. Creación propia 41 5.1 Diagrama de flujo del bloque estadístico del sistema (Elaboración propia) 43 7.1 Comparación software visualización de datos. Creación propia 55 7.2 Conexión fuente de datos. Fuente: DataStudio 56 7.3 Configuración de selectores. Fuente: DataStudio 56 7.4 Previsualización del encabezado. Fuente: DataStudio 57 7.5 Gráfico tipo mapa de ruta. Fuente: DataStudio 57 7.6 KPI’s numéricos simples. Fuente: DataStudio 58 7.7 KPI’s relativos a ruta. Fuente: DataStudio 58 7.8 KPI’s relativos a competencia. Fuente: DataStudio 59 7.9 Listado de rutas ya operadas. Fuente: DataStudio 59 83 84 Índice de Figuras 7.10 Histórico de tráfico. Fuente: DataStudio 60 7.11 Dashboard Home. Fuente: DataStudio 61 9.1 Vista aérea del Aeropuerto de Jerez. Fuente: Google Maps 68 9.2 Vista interior del Aeropuerto de Jerez. Fuente: Google Maps 68 9.3 Rutas aéreas activas desde el aeropuerto de Jerez. Elaboración propia 69 9.4 Evolución del tráfico en el aeropuerto de Jerez. Elaboración propia 70 9.5 Dashboard de aeropuerto de origen. Elaboración propia 73 9.6 Dashboard de aeropuerto de destino. Elaboración propia 74 9.7 Variables de ruta XRY-AMS. Elaboración propia 75 9.8 Variables de competencia XRY-SCQ. Elaboración propia 75 9.9 XRY-BUD. Fuente: DataStudio 77 9.10 XRY-AMS. Fuente: DataStudio 78 9.11 XRY-SCQ. Fuente: DataStudio 79 Índice de Tablas 2.1 Valores de parámetros 12 3.1 Pasajeros por motivo de viaje 17 3.2 Categorías de accesibilidad 19 4.1 Bases de datos de Eurostat 30 4.2 Bases de datos de OTLE 32 4.3 Bases de datos de AENA 33 4.4 Bases de datos de Google Trends 35 4.5 Bases de datos de Flight Route Calculator 36 4.6 Bases de datos de OMIO 38 4.7 Dimensiones del modelo 39 4.8 Tipos de uniones 40 6.1 Variables Demográficas Input 49 6.2 Variables Aeroportuarias Input 50 6.3 Variables De Ruta Input 51 6.4 Variables De Alternativa Input 52 9.1 Valores de capacidad y parámetros 68 9.2 Niveles de tráfico actuales-Mayo 2022 69 9.3 Datos de variables demográficas 71 9.4 Datos de variables aeroportuarias 72 9.5 Datos de variables de ruta 72 9.6 Datos de variables de competencia 72 85 Índice alfabético βP, 44 βBus, 44 βDes, 44 βDis, 44 βHot , 44 βOch, 44 βPIB, 44 2018, 70 2019, 70 2020, 70 2021, 70 Aerolínea A, 47 Aerolínea A:, 13 Aerolínea B, 47 Aerolínea B:, 13 Aerolínea C, 47 Aerolínea C:, 13 Aerolínea low cost o tradicional:, 13 Aerolínea low-cost vs tradicional, 22 Aerolínea LowCost, 47 Aeronave de operación, 56 Aeropuerto A, 47 Aeropuerto B, 47 Aeropuerto C, 47 Aeropuerto de destino, 56 Aeropuerto de destino: Variables de destino, 72 Aeropuerto de origen, 56 Aeropuerto de origen: Variables de origen, 72 Air Nostrum, 70 Airway distance|hyperpage, 35 Airway time|hyperpage, 36 Antiguo, 47 Antigüedad en la ruta, 23 Antigüedad operando la ruta:, 13 Autobús, 19 Avión, 45 Binter, 70 Bus, 44, 45, 75 Capacidad de las terminales (pasajeros/hora) de los aeropuertos de la red de Aena por comunidad autónoma|hyperpage, 31 Capacidad del campo de vuelo (aeronaves/hora) de los aeropuertos de la red de Aena por comunidad autónoma|hyperpage, 30 Climatología, 18 Coche, 45, 75 Coche propio, 19 Combinación Externa Completa, 40 Combinación Externa Derecha, 40 Combinación Externa Izquierda, 39 Combinación Interna, 39 Combustible necesario de la ruta, 54 Competencia de aerolíneas, 54 Competencia de aeropuerto, 54 Competencia modal, 54 Condor, 70 Coste de tripulación, 48 Coste handling en rampa, 48 Coste handling pasajero, 48 Costes de la aviación comercial de las principales compañías aéreas españolas|hyperpage, 31 Costes de operación, 54 Cruzada, 40 Demanda de pasajeros por año, 54 Demanda:, 9 Des, 44 Destinos activos desde el origen, 54 Dimensión, 38 Dis, 44 Distancia de la ruta, 48, 54 Distribución sectorial de las actividades, 15 Entrada:, 8 Espacios naturales existentes, 15 Eurowings, 70 Evolución del tráfico, 54 Existencia clase Business:, 13 Factor de ocupación, 48 Flexibilidad, 47 Flexibilidad Alternativa|hyperpage, 37 Flexibilidad en el ticket, 23 Frecuencia, 46 Frecuencia de la alternativa, 22 Google Data Studio, 39, 55 Google Sheets, 39 Great Circle distance|hyperpage, 36 Great circle time|hyperpage, 36 Gross domestic product (GDP) at current market prices by NUTS 2 regions|hyperpage, 29 Handling al pasajero, 25 Handling en rampa, 25 Home: Información sobre la ruta y la competencia, 72 Hot, 44 Iberia, 70 Impuestos Operación, 48 Indicador de entrada, 54 Información de rutas por aeropuertos|hyperpage, 33 Información por compañía aérea|hyperpage, 33 Ingresos medios del pasajero:, 13 Input:, 9 Jerez(XRY)-Budapest(BUD), 71 Jerez(XRY)-Santiago de Compostela(SCQ), 71 Jerez(XRY)-Ámsterdam Schiphol(AMS), 71 Longitud (metros) de las pistas de los aeropuertos de la red de Aena|hyperpage, 31 Lufthansa, 70 Luxair, 70 Mapa de la ruta, 54 Matlab, 39 Mercado de trabajo, 15 Metro, 19 Miro, 39 Modelo aeronave, 48 Modo más probable, 54 Modos de acceso (distribución porcentual) a los aeropuertos de la red de Aena|hyperpage, 31 Muestra:, 9 Métrica, 38 Negocio, motivos profesionales, 17 Nights spent at tourist accommodation establishments by NUTS 2 regions|hyperpage, 29 Nivel educativo, 18 Number of establishments and bed-places by NUTS 2 regions|hyperpage, 29 NUTS-0, 28 NUTS-1, 28 NUTS-2, 28 NUTS-3, 28 Número de aeropuertos cercanos al origen o destino, 23 93 94 Índice alfabético Och, 44 Ocio, recreo o vacaciones, 17 Octavia Airlines, 70 Operaciones O/D|hyperpage, 33 Otros motivos, 17 Output:, 9 P, 44 Par aeropuerto Origen-Destino:, 8 Personal en cabina, 25 PIB, 44 Pilotos, 25 Población, 15 Población:, 9 Population on 1 January by age, sex and NUTS 2 region|hyperpage, 29 Power BI, 55 Precio actual del combustible, 48 Precio Alternativa|hyperpage, 37 Precio de las alternativas, 22 Precio del ticket, 45, 46 Precio medio histórico, 47 Precio medio histórico de ticket, 22 Precio:, 13 Ruta ya existente, 47 Ruta ya operativa, 54 Ryanair, 70 Sistema de transporte, 15 Tableau, 55 Tasas aeronave, 48 Tasas de aeronave, 24, 25 Tasas de pasajero, 24 Tasas pasajero, 48 Taxi-VTC, 19 Tiempo Alternativa|hyperpage, 37 Tiempo de la ruta, 54 Tiempo de viaje, 22, 46 Tiempo de vuelo, 48 Tren, 19, 45, 75 Tráfico de pasajeros y mercancías en aeropuertos españoles (número de asientos y operaciones) por tipo de tráfico, aeropuerto y compañías más representativas|hyperpage, 31 Tui, 70 Unemployment rate by NUTS 2 regions|hyperpage, 29 Variable continua:, 9 Variable cualitativa:, 9 Variable cuantitativa:, 9 Variable discreta:, 9 Variable Dummy:, 9 Variable endógena:, 9 Variable exógena:, 9 Vueling, 70 Área de interés cultural, 17 Índice de accesibilidad, 47 Glosario 95