Caracter í sticas de la Demanda en el Transporte A é reo

1

Dr. Antonio TraniAir Transportation Systems Laboratory

Virginia Tech

Diplomado en la Ingeniería de Aeropuertos

Agosto 8, 2008Ciudad de México

Características de la Demanda en el Transporte Aéreo

Diplomado en Ingeniería de Aeropuertos

2

Presentación

• Demanda en el transporte aéreo• Metodos de pronóstico• Demanda reprimida• Estadisticas• Ejemplos• Conclusiones


3

Introducción a el Pronóstico de Demanda

• La demanda es muy incierta de predecir• Use pronósticos que incluyen escenarios múltiples ya que

las predicciones son, en general, malas después de 5 años• La función demanda debe ser un rango y no un numero• En el pasado pronósticos de demanda han variado en

promedio un 45-50% en tan solo 5 años (Maldonado y de Neufville)

• Los pronósticos de demanda incierta se deben usar de una manera tal que las alternativas del proyecto se elijan de tal forma para reducir el riesgo de inversión y obsolecencia


4

Porque Tanta Variación?

• Muchos factores externos• Deregulacion y aerolineas de bajo costo• Terrorismo• Incertidumbre en las economias de un pais (o

paises o regiones)• Medio ambiente y contaminación (impactos)• Competencia entre aeropuertos• Razones políticas• Cambios demográficos y uso de tierra


5

Impacto en el Sistema Aeropuerto y ATS

• Desarrolle escenarios con rangos de demanda• Prevea adaptaciones del aeropuerto necesarias

para reducir el riesgo de la inversión y mantener un nivel de servicio adecuado

• Existen métodos como análisis de decisiones y dinámica de sistemas para tratar de entender estas variaciones y escoger una mejor decisión


6

• Existe una diferencia entre la demanda de el transporte aéreo y el número de operaciones aeronaúticas de demanda

• Demand es sensible a precio y a salarios (relativamente a otras alternativas)

• Number of operations depends on how operators choose to serve existing demand (supply side), which leads to operator price and service offers (schedules, fares and amenities) in the market

• Razones de viaje• Negocios• Placer• Visitas a amigos

• Un pasajero reacciona de forma muy diferente si el paga por si mismo vs. cuando alguien paga por el

• Condiciones similares se aplica a el transporte de carga

La Idea Básica


7

Algunas Observaciones


88

Medidas de Demanda, Capacidad y Productividad en el Sistema de

Transporte AéreoDemand• Revenue Passenger Enplanements (RPE) = The total number of

passengers boarding an aircraft (Pasajeros embarcados)• Revenue Passenger Miles (RPM) = revenue passenger enplanements

multiplied by the distance flown by the passenger (Pasajero-Millas demandadas)

Capacity• Flights Departures (FD) offered = number of departures (vuelos)• Available Seat Miles (ASM) = number of seats offered by airlines multiplied

by the miles flown by each flight (asiento-millas ofrecidas por aerolineas)

Productivity• Load factor = ratio of RPM and ASM


9

Source of data: Bureau of Transportation Statistics

El número de pasajeros embarcados se triplico entre 1976 y 2006

Tendencias de Demanda en el Transporte Aéreo (U.S.)


10

Crecimeinto de Pasajeros EmbarcadosEn Aviones Comerciales (1976 to 2006)

Source of data: FAA Terminal Area Forecast

Virginia Tech Air Transportation Lab


1111

• The figure shows observed enplanement growth factors for the top 287 airports in the U.S. between years 1976 and 2006

• Note that some airports in this figure show extremely high growth factors

• Chicago Midway (MDW) is an example of such growth• In 1976 Midway had 12,624 enplanements with Chicago O’Hare

experiencing robust traffic levels above 18 million enplaned passengers during the same year

• After the airline deregulation and with traffic pressures increasing at Chicago O’Hare, traffic at Midway increased to 191,946 enplanements by 1980 and soared to 8.6 million in 2006.

Observaciones (1976 to 2006)


12

Crecimiento de las Operaciones Aeroportuarias (1976 to 2006)

Source of data: FAA Terminal Area Forecast

GIS Plot by Virginia Tech Air Transportation Lab


1313

• The figure illustrates the observed growth factors of the top 287 airports with commercial service between 1976 and 2006

• 50% of the airports experienced a decrease in flight operations (arrivals and departures) between 1976 and 2006– Twenty medium hub airports– Forty-five are small hubs– Ninety are non-hubs

• This trend has increased the volume-over-capacity ratio point at which such airports operate, thus increasing delays

• Large hub airports have achieved consolidation• Consolidation trend:

– In 1976 sixty three percent of the enplanements in the nation occurred at large hub airports

– In 2006 that number rose to seventy percent according to FAA statistics

Algunas Observaciones (1976 to 2006)


14

Localización de Aeropuertos y Poblaciones en Estados Unidos


15

Un Ejemplo de Encuesta de Viaje(American Travel Survey)


Propension a Viajar con respecto al Tiempo

Seminario Taller sobre Equilibrio entre Demanda y Capacidad Operacional 16

Source of data: Bureau of Transportation Statistics

Analysis by Virginia Tech Air Transportation Lab (Henderson and Trani, 2006)

17

Tendencias de Viaje (>100 millas)(Encuestas en Estados Unidos)


18

Distribución de Salarios en U.S.


19

Viajes “Largos” Entre Ciudades

• Aquellos de mas de 100 millas (de ida) distancia en ruta


20

Nuestro Objetivo Final


21

Modelos Para Predecir la Demanda

• Modelos agregados - responden a salarios (GDP) y precio (relativo a otras alternativas)– El pronóstico de demanda de la FAA (Terminal Area Forecast) y

el pronóstico agregado aerospacial (Aerospace Forecasts) usan este tipo de causalidad

– La mayoria de los metodos usados para prediccion usan esta idea

• Individual choice modeling of travel demand– People choose a mode (airline, GA, auto, rail bus, etc.) based

on full price of travel, which includes: – Travel time– Out of pocket travel costs– Access time and cost– Trip purpose (business vs. non-business)

– The TSAM mode choice model employs this framework


22

ASMs(available seat

miles)

RPMs(revenue passenger

miles)

Flights

Load Factor Load Factor

Average Aircraft Seats

Average Stage Length

Avg. Stage Length, Avg. Aircraft Seats

Average Stage Length, Average Aircraft Seats

Load Factor

Variables Usadas en el Análisis de la DemandaAerea

One single-stage flight consists of twoairport operations(takeoff and landing) plus a number ofen route operations (ATC communications)

Enplanements(revenue passengers boarding an

aircraft)


23

Métodos de Pronóstico

• Grupos de expertos• Técnicas de extrapolación• Análisis de mercado • Modelos Econométricos • Modelos de Competencia


24

Técnicas de Extrapolación


25

Técnicas de Extrapolación (II)


26

Método para Convertir Modelos no Lineales en Lineales


27

Tendencias sobre el Tiempo


28

Observaciones Generales

• El modelo logístico es quiza el mejor para predicciones a largo plazo

• En el modelo logistico la capacidad del aeropuerto se considera de forma explícita

• El modelo lineal se usa para predicciones de muy corto plazo

• El exponencial se puede usar para predicciones de mediano plazo (ya que la demanda no puede crecer al infinito)


29

Ejemplo de Modelos Logísticos (I)

• Grilihes derivo un modelo para calcular a demanda del aeropuerto de Belgrado

• De donde: D(t) is la demanda en el tiempo t y t representa la variable tiempo

• Esta ecuación se derivo usando datos de demanda comprendidos entre 1962 y 1978


30

Ejemplos de Modelos Logísticos (II)

• Lundtorp derivo un modelo para calcular a demanda de pasajeros Daneses que viajan a Portugal en paquetes de excursión (y por aire)

• De donde: AP representa el número de pasajeros Daneses que usan transporte aéreo para viajar a Portugal

• Esta ecuación se derivo usando datos de demanda comprendidos entre 1976 y 1986


Un Ejemplo Que Tu Puedes Estimar

• Aeropuerto: Chicago Midway (MDW)• Web Site de Datos Históricos: Terminal Area

Forecast disponible en la dirección: http://aspm.faa.gov/main/taf.asp

• Que necesitas para calcular el modelo: Microsoft Excel Solver

31Diplomado en Ingeniería de Aeropuertos

Chicago Midway (MDW)


Fotografia: Google Earth TM

Terminales

Información del Aeropuerto MDW

33

Fuente de informacion:www.flightaware.com


Chicago Midway (MDW)

• Gráfica de datos históricos de la demanda aérea


Proyección sin Límites

• La gráfica muestra una proyección (sin limites) hecha por la Agencia de Aviación de los Estados

Unidos (Terminal Area Forecast – TAF)


Zona dePronóstico

• MDW ha incrementado su demanda de una forma fenomenal

• En 1976 MDW procesó 12,626 pasajeros de embarque (enplanements)

• En 1984 MDW procesó un millón pasajeros de embarque (enplanements)

• En 2006 MDW procesó 8.8 millones de pasajeros de embarque (enplanements)

• Puede la demanda crecer al mismo ritmo en el futuro?


Análisis Preliminar

• MDW cuenta con dos terminales y un total de 42 salas de embarque

• El aeropuerto tiene 4 pistas hasta de 6,500 pies de longitud (1,981 metros)


Análisis

• Debido a las limitantes del número de salas de embarque, limitacion de longitud de pistas, proximidad al aeropuerto internacional O’Hare, se estima que MDW no puede crecer mas alla de 15 millones de pasajeros de embarque anuales

• Usemos nuestro conociento de un modelo de proyección logistica para pronosticar la demanda en el futuro


Un Poco de la Teoria

• Para crear un modelo logistico necesitamos encontrar los valores de a, b y k de tal modo que la suma de los errores al cuadrado (entre la demanda historica y el modelo logistico) sea un minimo absoluto minimization)

• Los valores de a, b y k se pueden encontrar con Excel Solver o cualquier programa de Estadística tal como Minitab, SAS, SPSS, etc.


Análisis para el Aeropuerto MDW

• Datos históricos en la hoja de cálculo (Excel)


Análisis para el Aeropuerto MDW• Calculemos la demanda de acuerdo del modelo

logístico• Por el momento usemos valores arbitrarios para

parametros a y b (asuma a = 1 and b = 1)

41

Modelo Error (entre Modelo y Demanda Historica)

Error elevado al cuadrado


Fórmulas Usadas en Excel

42

Error (diferencia entre Modelo y La Demanda Historica)


Hoja De Cálculo Completa(para implementar la regresión

logistica)

43

Sumatoria de Errores al cuadrado(Sum of Squared Errors)


Uso de Excel Solver para Calcular Valores del Modelo Logistico de

Demanda


Detalle de la Interfase Gráfica en Excel Solver

45

Minimizar laCelda G14

(least square method)

Celdas para variar(J7 y J8)


Solución Final con Excel Solver


Valores finales de losCoeficientes a y b

NOTE: el valor de k representa la capacidadmáxima del aeropuerto

Validación contra Datos Originales


48

Modelos de Mercado


49

Modelos Econométricos


50

Definición de Modelos Econométricos


51



52



53

Ejemplo de Modelo Econométrico(Gohbrial y Kanafani, 1995)


54



55



56

Ejemplos

Modelos de Pronóstico de FAAy Boeing


57

FAA National Level Model

• Domestic traffic and revenue• Reconcile TAF and national level model (TAF

should be within 0.5% of national level forecast)• Top-Down model

– Inputs: GDP, PCE, Unemployment rate, ticket tax, real oil price, 911 dummy, post 911 dummy, segment fee)

– Assume based on trends: passenger trip length, load factors

– Outputs: RPMs, ASMs, real yield, enplanements, unit costs

• Perform the analysis for legacy, low cost and regional carriers (definitions of these are unknown)


58

Mercados Internacionales

• By region of the world• Explanatory variables vary by region• For example:• North Atlantic Traffic = f(US and Europe GDP, Gulf War

dummy, passengers (t-1))

• Once demand is estimated, the FAA predicts:

• ASM, aircraft stage length, seats/aircraft, departures


FAA Terminal Area Forecast (TAF)

• Predice operaciones y pasajeros embarcados en 3,500 aeropuertos en Estados Unidos

• Sitio web: http://aspm.faa.gov/main/taf.asp


Ejemplo del TAF para Un Aeropuerto(Chicago Midway – MDW)

60

Detrás del TAF existe un modelo econométrico


61

Boeing Commercial Outlook (BCO)

• 20 year forecast• 3-level forecast• All jets 30 seats and over

• Boeing forecasts RPKs (Revenue Passenger Kilometers)


62

BCO Methodology

• Forecast matches traffic derived from GDP growth• Considers network and airline fleet plans

• 142 airlines modeled individually• Includes cargo, charter and LCC

• 64 traffic flows• 14 generic aircraft sizes are models• International traffic considers all city pairs > 3000

miles• 12 world regions


63

BCO Methodology

Traffic Forecast(ASM by airline flows)

Service Forecast(by airline)

Product Forecast(Fleet Forecast by Airline) Bottom- UP model

Top-down model


Resultados del BCO (Boeing)


65

Métodos de Pronóstico con Competencia entre Medios de

Transporte

• Importante para establecer que porcentaje de la población usa un medio de transporte

• Requieren mucha información de las razones y costo del los viajes

• Se han usado para predecir demanda a nivel nacional y local

• Puede incluir en cierta forma la competencia entre aeropuertos


66

Methodology (TSAM Model)• A multi-mode intercity trip demand model that predicts long distance travel

(one-way route distance greater that 100 miles) in the continental U.S. • Employs a multi-step, multi-modal transportation planning framework where

trips are: – produced, – distributed, – split into modes, and – assigned to routes

• TSAM model can predict intercity travel in the presence of multi-mode alternatives (auto, commercial air, and new aviation modes)

• Mode choice of travelers based on trip characteristics (business and noon-business) and traveler demographics (income level)

• Mode choice is sensitive to vehicle performance, level of service and supply cost characteristics

• County-to-county spatial model• Accepts any user-defined airport sets


67

El Modelo TSAM


68

TSAM es una Aplicación


69

Generación de Viajes Largos


70

Changes in the U.S. Population (Years 2000 to 2025)

Woods and Poole Demographic Data Implemented in Woods and Poole Demographic Data Implemented in the Transportation Systems Analysis Modelthe Transportation Systems Analysis Model


71

Annual TripsAnnual Trips

Distribution of Trips (LA County to all)

€

Tij =PiA jFijK ijA jFijK ij

j

∑

Gravity Model


72

Consideremos un Viaje de Negocios Blacksburg, Virginia a Cleveland, Ohio• Suppose three possible travel alternatives are:

– Auto– Commercial Air– On-demand service using VLJ aircraft (future NAS)

• To make a mode selection a user might consider:– Travel time– Travel cost (including lodging and rentals)– Duration of stay– Value of time


73

Multi-route Mode Choice Model

TSAM Uses the TSAM Uses the Official Airline Guide (OAG)Official Airline Guide (OAG)to estimate airport-to-airport to estimate airport-to-airport

travel timestravel times


74

Multi-mode Choice Model (Door-to-Door Commercial Air Travel

Time)

TSAM considers TSAM considers airport processing airport processing times and airport times and airport egress and access egress and access timestimes


75

TSAM uses TSAM uses Mappoint to Mappoint to estimate auto travel estimate auto travel timestimes

Multi-mode Choice Model (Auto)


76

Multi-mode Choice Model (GA)


77

Summary Trip Information


78

Análisis de Seleccion de Medio de Transporte

Commercial Aviation

Route1

Avi. General Auto

Route2... Route nIncludes Airport ChoiceIncludes Airport Choice

Factors considered in mode split:Factors considered in mode split:• Travel timeTravel time• Travel costTravel cost• Value of timeValue of time• Route convenienceRoute convenience• Trip typeTrip type

TSAM employs a family of Logit Models (mixed and nested)TSAM employs a family of Logit Models (mixed and nested)Diplomado en Ingeniería de Aeropuertos

79

Modelos Logit Usados en TSAM

• Logit model

• Nested logit utility function

• Mixed logit utility function


80

Calibración del Modelo

CA = commercial airline, SATS = VLJ vehicle


Algunos Estudios con el Modelo TSAM

• Analisis de demanda en Estados Unidos con sistemas avanzados aeronauticos (ADS-B, Datalink, etc.)

• Estudios paramétricos de demanda para nuevos aviones avanzados (tiltrotors, jets supersonicos)

• Estudios de perdida de demanda cuando los precios del crudo aumentan


82

Demanda Reprimida

• Demanda aérea reprimida son viajes que no se desarrollan debido a diferentes razones:

• No hay servicio (servicio esencial en U.S. a comunidades rurales)

• El servicio existe pero esta fuera de mi alcanze• El servicio aéreo no se ofrece en su potencial

debido a factores externos (oferta suprimida debido a ruido, capacidad aeroportuaria, contaminación, problemas políticos, otros)


83

Ejemplo 1 : Restricciones en DCA

• El aeropuerto National de Washington (Reagan, DCA) no ofrece vuelos de mas de 1,250 millas para no competir con Dulles

• Dulles (IAD) fue diseñado para vuelos de largo alcance y por lo tanto la política es favorecer el desarollo de este aeropuerto para vuelos internacionales

• La disponibilidad de aviones de gran rendimiento (como el Boeing 737-700/800 y Airbus A319/318) hacen esta regla un cuanto restrictiva


84

Ejemplo 2: Long Beach, CA

• El aeropuerto de Long Beach podría tener mas demanda

• Sin embargo regulaciones locales impiden mas de 60 vuelos comerciales al dia (muchos de ellos con jets regionales)

• Long Beach esta localizado en una área metropolitana enorme y Los Angeles (LAX) no tiene mucho espacio (y resolución política) para crecer


85

Método para Calcular la Demanda Reprimida por Ruido

Demanda Aeroportuaria sin LimiteDemanda Aeroportuaria sin Limite

Impacto de Ruido a la PoblaciImpacto de Ruido a la Poblacióónn

Modelo IntegradoModelo Integradode Ruido (INM 6.2)de Ruido (INM 6.2)

Contornos deContornos deRuido (Teterboro)Ruido (Teterboro)

TSAM ModelTSAM Model

Limitante de Ruido

_

+_

+

Demanda Aeroportuaria con LimiteDemanda Aeroportuaria con Limite

5-7% GrowthIn DNL 65


86

Capacidad Aeroportuaria Limitada Restringe la Demanda

Demanda Aeroportuaria sin LimiteDemanda Aeroportuaria sin Limite

__ +

Demanda Aeroportuaria con LimiteDemanda Aeroportuaria con Limite

Capacidad de AeropuertoCapacidad de Aeropuerto

Cociente Volumen/Capacidad

Demoras enAeropuerto

(schedule delay)

++

_ Loop RetroalimentadorNegativo


87

Demanda Reprimida Debido a los Efectos de Septiembre 11, 2001

• Despues de 911 los aeropuertos implementaron nuevas reglas de seguridad

• Los tiempos de transito en aeropuertos aumentaron (de 1.5 horas a 2.1 horas típicamente para pasajeros en aeropuertos tipo fortaleza (hub))

• Estos tiempos añaden tiempo a un viaje tanto largo como corto (mas importante para viajes cortos)


Análisis de Datos Reales


-30

-20

-10

0

10

20

0-250250-500500-750750-10001000-15001500-2000>2000

Passenger Demand Change (%)

Flight Distance (Statute Miles)Source of data: Bureau of Transportation Statistics

Analysis by Eclat Consulting (2005)

89

Estudio del Impacto de Nuevas Reglas de Seguridad en los Estados Unidos


90

Scenarios Investigated

• Two cases reflecting added processing times at origin and ending airports

• Only domestic air transportation demand studied• Cases are labeled low and high penalty scenarios• The following airport processing times are added to the baseline

airport times in TSAM– Low penalty scenario

• 20 minutes are added to passengers using large hub airports• 15 minutes to medium hub airports• 10 minutes to small hub and non-hub airports

– High penalty scenario• 30 minutes are added to passengers using large hub airports• 20 minutes to medium hub airports• 15 minutes to small hub and non-hub airports

• Results obtained for years 2015 and 2025 (consistent with JPDO analyses)


91

Increased Travel Times have an Impact in Short-Range Business Travel

Business Commercial Air Trips

No Difference


92

Increased Travel Times have a Negative Impact in Short-Range Non-Business Travel

Non-Business Commercial Air Trips

Some Minor Differences


93

Sumario de Resultados

• 2.6% of the nationwide commercial airline person trips are lost in the low penalty scenario– 3.4% of business trips lost– 2.3% of non-business trips lost

• 3.8% of the commercial airline person trips are lost in the high penalty scenario– 4.8% of business trips– 3.3% of non-business trips

• Short commercial air trips are affected the most (see graphs)

• Business trips using commercial airlines are unaffected beyond 700 miles


94

Demanda Inducida Análisis en el Sistema de Transporte Aéreo de los

Estados Unidos


95

Descripción de NGATS• NGATS - Next Generation Air Transportation Systems• NextGen - Nueva version de NGATS

• NGATS implica desarrollos tecnologicos para facilitar el tránsito de pasajeros de aeropuerto a aeropuerto

• NGATS (ahora NextGen) tiene como objectivo el reducir en un 30% el viaje por avión de un usuario en el año 2025

• Esto implica reducciones drásticas en tiempos de tránsito por terminales aéreas (la tecnología de los aviones no cambiara tanto en 18 años)


96

Pronóstico para el Año 2025

Scenario Airport Processing +

Slack Time (hrs)Airline Scheduled Time

Airport egress time (hrs)

Current Trends

(before UK incident)

2.0 (Large hub)

1.5 (Medium hub)

1.0 (Small Hub)

1X ($2000) 0.75 Large hub

0.75 Medium hub

0.50 Small/Non hub

NGATS:

Approximation of 30% gate-to-gate time reduction goal

1.0 (Large hub)

1.0 (Medium hub)

0.75 (Small/Non-hub)

0.95 X ($2000) 0.50 Large hub

0.50 Medium hub

0.33 Small/Non hub

• Reducing time through the airport along with a 5% reduction in scheduled airline time increases passenger enplanements by 11%

• Business trips increase more rapidly than personal travel

• Most flights added fall into the 150 to 500 statute miles distance range

• Average overall flight distance reduced approximately 75 miles with NGATS due to recovery of shorter distance flights lost to automobiles since 9/11


97

With NGATS in Place, Scheduled Airline Demand could Increase by 11% (NGATS Scenario 2015)

Small Gains with NGATS

SubstantialGains with NGATS


98

Some Anecdotal Experience to Support Mode Choice Behavior predicted for NGATS

• Since September 11, 2001:– 21% of the passengers in airlines markets below 250 miles were

lost* to other modes of transportation– 5% of passengers in the markets between 250-500 miles also lost

in the 2000-2005 period– These passengers are either driving or taking trains today (95% of

these using auto)– Compared to fares before 9/11, average reductions in fares of 2%

and 7% have not stimulated demand (because airport processing and slack times are still high)

– Fares per seat-mile are more expensive in short trips (perhaps explaining airline reluctance to further reduce fares) due to aircraft performance operational inefficiencies (more fuel per mile)

• * Aviation Week and Eclat report 20% in March 2006 analysis


99

With NGATS in Place, Scheduled Airline Demand could Increase by 13% (NGATS Scenario 2025)

Small Gains with NGATS

SubstantialGains with NGATS


100

Distribución Espacial e los Beneficios de NGATS (2025)

308.2 million hours saved by business travelers676.6 million hours saved by personal travelers


101

Conclusiones del Estudio

• EAD is using multi-modal transportation choice models capable of predicting air transportation demand changes due to NGATS

• New security rules at airport could have a moderate negative effect in air transportation demand (3-4% loss in commercial airline trips)

• Most of the trips lost due to larger airport processing times would occur between 150-700 miles (one-way)

• If the 30% gate-to-gate travel time NGATS goal is achieved in 2025, NGATS could have a substantial effect in the demand for air transportation (12% increase in 2025 compared to the do-nothing alternative)


102

Distribución de Viajes en U.S.(NGATS Scenario 2025)

Total trips increaseTotal trips increaseby 12.5%by 12.5%


103

Conclusiones

• La demanda es muy incierta de predecir• Use pronósticos que incluyen escenarios multiples ya que

las predicciones son, en general, malas despues de 5 años• En el pasado pronósticos de demanda han variado en

promedio un 40-50% en tan solo 5 años (Maldonado y de Neufville)

• Use estos pronósticos se deben usar de una manera tal que las alternativas del proyecto se elijan de tal forma para reducir el riesgo de inversión y obsolecencia


Documents

Caracter í sticas de la Demanda en el Transporte A é reo