Proyecto Fin de Carrera Ingeniería...

Equation Chapter 1 Section 1

Proyecto Fin de Carrera Ingeniería Aeronáutica

Áreas de influencia de los aeropuertos peninsulares

Autor: Adrián Nácher Ordóñez Tutor: José María del Castillo Granados

Dep. Ingeniería y Ciencia de los Materiales y del Transporte

Escuela Técnica Superior de Ingeniería

Sevilla, 2016

Proyecto Fin de Carrera

Ingeniería Aeronáutica

Áreas de influencia de los aeropuertos

peninsulares

Autor:

Adrián Nácher Ordóñez

Tutor:

José María del Castillo Granados

Dep. de Ingeniería y Ciencia de los Materiales y del Transporte Escuela Técnica Superior de Ingeniería

Universidad de Sevilla Sevilla, 2016

El fruto de lo que aquí redacto no es sólo del que ahora mismo va pulsando cada tecla. Sino que es el final de un camino que se recorre con muchos apoyos. Apoyo de aquellos cuyo amor siempre es incondicional, mi familia.

Y en especial a mis padres porque siempre han sabido estar a mi lado, porque no fallan si les necesitas y porque me han brindado una vida de oportunidades en la que me han enseñado a abrirme camino. Mi pareja, Dahab Zbair Zarkik, porque su amor lo puede todo. Por

sentarse junto a mí todas las tardes de biblioteca, siempre tener palabras de ánimo y hacer que todo tenga sentido. A todos los compañeros y amigos que han estado a mi lado,

desinteresadamente, incondicionalmente, fraternalmente…Porque encontrarlos en el camino ha sido toda una suerte. Y por último a mi tutor, José María del Castillo. Porque gran parte

de este trabajo es también suyo. Para que su esfuerzo y dedicación a la docencia y a la investigación se vean reflejadas en estas páginas. A todos, un millón de gracias.

Resumen

Este proyecto es un estudio de demanda y accesibilidad de sobre los aeropuertos españoles peninsulares. Pretende al igual que otros trabajos de las mismas características conocer las áreas de influencia de los aeropuertos, en este caso de la red AENA. Se presentan mapas de probabilidad de elección y de accesibilidad para los distintos municipios. Se realizan dos modelos: uno en el que se considera únicamente las distancias y otro distancias y número de destinos ofertados por los aeropuertos. Dando como resultado un modelo de competencia regional y otro establece relación hub&spoke. Palabras claves: Área de influencia, AENA, modelo de demanda, probabilidad de

elección, accesibilidad, aeropuertos, hub&spoke.

Abstract

This project is a study of demand and accessibility on the peninsular Spanish airports. It aims meet the influence areas of airports like other works of the same characteristics, in this case the AENA network. Probability of choice and accessibility maps are presented for different municipalities. Two models were made: while the first consider only the distances, the other consider distances and number of destinations offered by airports. Resulting a model of regional competition and other with Hub & Spoke relationship. Keywords: Catchment area, AENA, demand model, probability of choice,

accessibility, airports, Hub & Spoke.

Índice

1 Introducción. ................................................................................................. 2

2 Metodología y procedimiento. ....................................................................... 4

3 Estudio 1: Basado en las distancias municipios - aeropuertos. ..................... 9

4 Estudio 2: Basado en las distancias municipios - aeropuertos y número de destinos ofertados. ................................................................................................. 18

5 Comparación de demanda entre modelos. ................................................... 24

6 Comparación de accesibilidad entre modelos. ............................................. 35

7 Conclusión. .................................................................................................. 36

8 Bibliografía y referencias ............................................................................. 37

9 Anexos. ........................................................................................................ 39

9.1 Datos filtrados de AENA para el año 2015 .......................................... 39

9.2 Índice de tablas. ................................................................................... 39

9.3 Índice de figuras. .................................................................................. 40

1 Introducción.

Áreas de influencia de los aeropuertos peninsulares 2

1 Introducción.

El transporte aéreo español está gestionado por la mayor entidad a nivel mundial, AENA. Este gestor no sólo es el más grande, sino que presenta una serie de particularidades dentro del panorama internacional. Como, por ejemplo, se trata del único con una gestión centralizada y con un volumen elevado tanto de infraestructura como en pasajeros transportados. Con un total de 46 aeropuertos y 207,4 millones de pasajeros durante el año 2015. Como es bien sabido, en los aeropuertos se compite por la demanda de pasajeros,

en las actividades comerciales en el lado tierra y entre las aerolíneas. Las zonas de captación de pasajeros en sus áreas de influencia están motivadas por el tipo de destino (costa, nieve, cultural…), si presenta o no zonas de superposición y por el tipo de aeropuerto (hubs, regional, turístico…). Por lo que en el caso de España este sector se encuentra fuertemente regulado tanto en seguridad y operación como a nivel económico. La gestión conjunta de la mayor red del mundo proporciona sostenibilidad a todos

aeropuertos fijando las tarifas de forma centralizada. Es decir, se garantiza la recuperación de los costes de la red con independencia de si individualmente es rentable o no. Constituyendo así un conjunto aeroportuario con unas condiciones elevadas de calidad y seguridad de los servicios, además de dar respuestas a ciudadanos e industrias en sus necesidades. A pesar de ello la Comisión Nacional de los Mercados y la Competencia (CNMC)

señala en un informe del 2014 que el modelo ha provocado ciertas ineficiencias en el sector aeroportuario español. Los factores son, un marco institucional rígido y regulatorio rígido y la actuación del gestor condicionada por los responsables políticos. Algunas de las consecuencias son la presencia de rigideces legales para una política comercial flexible e individualizada a cada aeropuerto y la ineficiente planificación de la red sujeta a criterios institucionales para definir inversiones. Así la CNMC recoge recomendaciones para la mejora del sistema y señala un proceso de privatización. Para dar apoyo a este tipo de informes, el trabajo presente intenta calcular las

aéreas de influencia de los aeropuertos y su accesibilidad. La elección de aeropuertos para la gran mayoría de lecturas que podemos encontrar está influenciada por el tiempo de acceso, la frecuencia de vuelos, la oferta de tarifas. Otro añaden el tipo de avión, propósito del viaje y variables socioeconómicas (Basar, 2004) (Cohas, 1995) (Hess, 2005) (Innes, 1990) (Fullhart, 2006).

1 Introducción.

Adrián Nácher Ordóñez 3

Para controlar el acceso es preciso considerar los medios de los que se disponen para llegar al destino. Como puedan ser las conexiones de carreteras y trenes. Esto es ignorado por muchos estudios. Además de no soler precisar o no entrar a cuantificar costes y tarifas para llegar a los aeropuertos. La frecuencia de vuelos es clave para poder determinar de qué tipo de aeropuerto

se trata. Los aeropuertos hubs son los que concentran la mayor parte del tráfico y suelen ser los encargados de distribuir los vuelos de larga distancia. Pero últimamente se puede ver como algunos destinos internacionales son asumidos por aeropuertos secundarios o spoke. Lo que invita a pensar que establecer o separar que aeropuertos son regionales y cuales nodales, es cada vez más difícil. Y finalmente, los precios de los billetes son determinante según el perfil del

pasajero. Por ejemplo, los pasajeros de vuelos low cost suele atraer a pasajeros de clase turista que buscan realizar vuelos de cada vez mayor distancia y baratos. Por tanto, el tiempo de acceso o la frecuencia de vuelo son menos importante para ellos (Dresner, 1996) (Gillen, 2004). Sin embargo, los pasajeros de vuelos de negocios son más sensibles a los tiempos de acceso y a la frecuencia de vuelos. Buscan perder el menos tiempo posible y con horarios mucho más flexibles (Pels, 2003) (O'Connor K. F., 2016).

2 Metodología y procedimiento.



Se va a presentar dos estudios diferentes para los mismos aeropuertos peninsulares y para las mismas variables. Ambos estudios se diferencian en la forma de calcular la probabilidad de elección de los aeropuertos por parte de los individuos locales. Aquí la metodología difiere de otros autores (Hess, 2005). Que proponen un modelo

de demanda probit o logit, como el que más se ajusta en el a toma de decisiones por parte de los pasajeros a la hora de decidir desde que aeropuerto tomar el avión. Estos calculan la utilidad de un aeropuerto para un individuo con un cierto destino (A.S. Brooke, 1994). En este trabajo sin embargo se desconoce destinos concretos, sino que la predicción viene dada por la versatilidad que los aeropuertos puedan ofrecer a los posibles clientes. Se considera que todos los pasajeros tienen las mismas posibilidades de conexión

a cada uno de los aeropuertos. Lo que significa que no se cuantifican los tiempos de acceso a través de trenes o autopistas. Es decir, solo se considera las distancias ortodrómicas entre los municipios y los aeropuertos. Los aeropuertos escogidos son los siguientes, a los que se les asocia un color y un

número para la identificación rápida de resultados.

Número asignado Nombre de los aeropuertos

1 A CORUÑA

2 ALICANTE

3 ALMERIA

4 ASTURIAS

5 BADAJOZ

6 BARCELONA-EL PRAT

7 BILBAO 8 FGL GRANADA-JAEN

9 GIRONA

10 JEREZ DE LA FRONTERA

11 LEON

12 LOGROÑO

13 MADRID-BARAJAS

14 MALAGA-COSTA DEL SOL

15 MURCIA-SAN JAVIER 16 PAMPLONA

17 REUS



Número asignado Nombre de los aeropuertos

18 SALAMANCA

19 SAN SEBASTIAN 20 SANTANDER

21 SANTIAGO

22 SEVILLA

23 VALENCIA

24 VALLADOLID

25 VIGO

26 VITORIA

27 ZARAGOZA

Tabla 2.1: Número y color identificativo de los aeropuertos.

Las variables explicativas tomadas se extraen del Anuario Económico de España

2013 (Anuario de La Caixa, 2013). Mientras el número de pasajeros para vuelos comerciales se importan de las estadísticas de tráfico aéreo de AENA 2015 (AENA Estadísticas, 2015). Se consideran las siguientes variables de los modelos son:

X1 Pasajeros 2015 X2 Población total X3 Población extranjera X4 Paro población activa (%) X5 Cuota de mercado (tanto por 100000) X6 Actividades industriales X7 Índice comercial minorista (tanto por 100000) X8 Índice restauración y bares (tanto por 100000) X9 Índice turístico (tanto por 100000)

Tabla 2.2: Tabla de variables

Para determinar las áreas de influencias de cada aeropuerto se buscará calcular la

probabilidad de elección de cada uno de ellos por parte de la población de cada municipio. Se conseguirá calculando la probabilidad que maximiza el coeficiente de determinación de la función de demanda. Para modelar la demanda se usará un modelo de elasticidades constantes como el

siguiente:

�� = �0 ∏ �̃��

(2.1)



Donde: �: Índice que hace referencia al aeropuerto. �: Índice que hace referencia a los municipios. �: Índice que hace referencia a las variables explicativas del modelo ��: Demanda de pasajeros para el aeropuerto �. ��: Variable explicativa � para el aeropuerto �.

: Elasticidad global del modelo. �: Elasticidad de la variable explicativa �.

Las variables explicativas �� se obtienen de la siguiente ecuación:

�̃� = ∑ ��

(2.2)

Donde: ��: Probabilidad de que un individuo del municipio � seleccione el aeropuerto �. ��: Variables explicativas � pertenecientes al municipio �.

Con el objetivo de simplificar el modelo se realiza una transformación logarítmica.

Así la ecuación 2.1 pasa a ser:

�� = �0 + ∑ ��

(2.3)

Donde:

�� = ��(��) (2.4)

Y

�� = ln (�̃�) (2.5)

Para las variables que vienen expresadas en tanto por ciento se impone la siguiente

transformación:

�� =��

100 − �� (2.6)

Donde: ��: Variable explicativa � en porcentaje del municipio �.



Para las variables que vienen expresadas en sobre 100.000 puntos se realiza esta

otra transformación:

�� =��

100 000 − �� (2.7)

��: Variable explicativa � en tanto por 100.000 del municipio �.

Como se mencionó al comienzo se han desarrollado dos estudios diferentes; según

las distancias, y considerando las distancias y el número de destinos. Para el modelo donde sólo se considera la distancia que hay entre el aeropuerto y el municipio se toma la siguiente función de probabilidad de elección:

�� = �� !�"

∑ �� !�"

�

(2.8)

Donde: ��: Es la distancia del municipio � al aeropuerto �. ��: Es una distancia para adimensionalizar la variable. (Se toma el valor de 10) �: Variable adimensional para la distancia. Considerando las distancias de los municipios a los aeropuertos y el número de

destinos disponibles de estos últimos se da la probabilidad de elección como:

�� = �� !�"

+$ % %"

∑ �� !�"

+$ % %"�

(2.9)

Donde: �� : Es el número de destinos, tanto de llegada como de salida, que oferta el

aeropuerto �. ��: Es el número de destinos que adimensionaliza la variable. (Se toma el valor

de 10) �: Variable adimensional para el número de destinos. Para medir la accesibilidad se usará un indicador personalizado que indicará para

cada municipio como de fácil es su acceso a un aeropuerto. Se considerará sólo desde el punto de vista de distancia. Cabe destacar que, en algunos artículos se prefiere



incluir, además de la distancia, un coste medio del coche y pasajeros del mismo donde se incluye gasolina, mantenimiento… (Lieshout, 2012)En este caso dichos costes se consideran despreciable pues la probabilidad de elección ya incluye niveles socioeconómicos de los pasajeros. Se debe interpretar que un valor elevado del mismo índica poca accesibilidad y un valor bajo lo contrario. Se evalúa mediante la expresión:

�&&�'� = ∑ �� ⋅ )�� (2.10)

3 Estudio 1: Basado en las distancias municipios - aeropuertos.



Ahora se presenta los resultados de la regresión que optimiza el estudio 1. Viéndose en apartados posteriores los resultados para la probabilidad de elección y la accesibilidad. En un primer momento se utilizan todas las variables mencionadas en el apartado

anterior. Obteniéndose la siguiente curva donde se puede ver que el valor de λ que optimiza la regresión de demanda es 0,791.

Figura 3.1: *2 frente a λ para el estudio 1 con todas las variables.

El modelo de regresión obtenido es:

Estimate t-Stat SE p-Value

β0 -282.4993 -0.7773 363.4159 0.4471

β2 18.2859 0.9887 18.4955 0.3359

β3 -1.2686 -1.1475 1.1055 0.2662

β4 -2.1585 -1.4383 1.5007 0.1675

β5 -10.1856 -0.4202 24.2394 0.6793

β6 0.9009 0.3336 2.7008 0.7425

β7 -9.2434 -2.2578 4.094 0.0366

β8 3.6297 1.0049 3.6122 0.3283

β9 1.3995 1.4578 0.96 0.1621

R2 0.7290 p-Value global 7.53E-04

fs 6.0519

Tabla 3.1: Modelo de regresión completo con todas las variables para el estudio 1.



Donde se puede observar que el modelo es significativo mientras ninguno de los β lo son. Debido a la alta correlación de las variables entre sí. A continuación, se muestran la matriz de correlación antes y después de la transformación.

3 Estudio 1: B

asado en las distancias municipios - aeropuertos.

Adrián N

ácher Ordóñez

11

Figura 3.2: Gráfica de correlación sin transformación para el estudio 1 con todas las variables.



Figura 3.3: G

ráfica de correlación con transform

ación logarítm

ica para el estudio 1 con todas las variables.

3 Estudio 1: B

asado en las distancias municipios - aeropuertos.

Adrián N

ácher Ordóñez

13

Tabla 3.2: Modelo de regresión simple con todas las variables para el estudio 1

β_0 β_x t_0 t_x SE_0 SE_x p_0 p_x p Global R^2

X2 -18.9979 2.3211 -3.0514 5.2248 6.226 0.4443 0.0053 2.09E-05 2.09E-05 0.522

X3 -5.5096 1.6264 -1.2958 4.4828 4.2518 0.3628 0.2069 1.42E-04 1.42E-04 0.4456

X4 9.1917 1.5824 5.2034 2.4993 1.7665 0.6331 2.20E-05 0.0194 0.0194 0.1999

X5 21.9475 2.3054 12.8385 5.0329 1.7095 0.4581 1.67E-12 3.42E-05 3.42E-05 0.5033

X6 -9.4624 2.3656 -1.8466 4.4889 5.1243 0.527 0.0767 1.40E-04 1.40E-04 0.4463

X7 21.2246 2.1239 12.2003 4.5283 1.7397 0.469 5.03E-12 1.27E-04 1.27E-04 0.4506

X8 21.2398 2.1105 12.964 4.8235 1.6384 0.4375 1.35E-12 5.89E-05 5.89E-05 0.482

X9 19.3907 1.447 14.0457 4.4055 1.3805 0.3285 2.29E-13 1.74E-04 1.74E-04 0.437



Se puede ver en el modelo de regresión lineal simple como afecta cada variable a la predicción del número de pasajeros, X1. Viendo que todas tienen una relación proporcional directa. Sin embargo, no es así en el modelo completo para la población extranjera(X3), paro de la población activa(X4), cuota de mercado(X5) y el índice comercial minorista(X7). Con la intención de obtener un modelo donde las variables β sean más

significativas se eliminarán las dos variables que menos lo son del modelo, X5(Cuota de mercado) y X6(Actividades industriales). Esto es debido a la alta correlación que presenta con las otras variables que permiten explicar el modelo sin necesidad de estas. La λ que optimiza el proceso es 0,7002.

Figura 3.4: *2 frente a λ para el estudio 1. Al igual que antes se presentarán todos los datos del nuevo estudio sobre la

distancia.


β0 -132.1482 -2.9339 45.0417 0.0082

β2 10.7014 3.6642 2.9205 0.0015

β3 -1.3358 -1.4126 0.9457 0.1732

β4 -2.7326 -3.2701 0.8356 0.0038

β7 -9.9803 -2.8341 3.5215 0.0103

β8 3.2328 0.9891 3.2683 0.3344

β9 1.3723 1.5568 0.8815 0.1352

R2 0.72634 p-Value global 8.78E-05

fs 8.8473

Tabla 3.3: Modelo de regresión completo simplificado para el estudio 1.



Figura 3.5: G

ráfica de correlación sin transform

ación para el estudio 1 simplificado.



Figura 3.6: G


ación logarítm

ica para el estudio 1 simplificado.



Volviendo a la Tabla 3.3 y comparándola con la Tabla 3.1 se puede observar como las elasticidades mantienen el signo y el orden de magnitud dentro de la regresión y mejora la significación de algunas de ellas. Siendo las más importantes la población total(X2), el paro de la población activa(X4) y el índice comercial minorista(X7). Los factores más importantes dentro del modelo son la población de los municipios y el índice de restauración y bares. A continuación, se presenta el ajuste que ofrece el modelo. (Cada número cabe

recordar está asociado a uno de los aeropuertos del apartado 2, recogidos en la Tabla 2.1).

Figura 3.7: Ajuste del modelo completo simplificado para el estudio 1.

4 Estudio 2: Basado en las distancias municipios - aeropuertos y número de destinos ofertados.



Para buscar una mejora del modelo se incorpora al factor de elección el número de destinos ofertado por los aeropuertos. Tomando las mismas variables explicativas que en el primer modelo del apartado anterior se obtiene los siguientes resultados, donde la λ y la δ que optimiza la regresión son 0.46722 y 0.6248, respectivamente.

Figura 4.1: *2 frente a λ para el estudio 2 con todas las variables.

Figura 4.2: *2 frente a δ para el estudio 2 con todas las variables.



Figura 4.3: *2 frente a λ y δ para el estudio 2 con todas las variables.

Es interesante ver que ha pasado con las elasticidades para el nuevo modelo.


β0 872.075 3.0763 283.4793 0.0065

β2 -45.155 -3.0309 14.898 0.0072

β3 0.6882 1.0177 0.6763 0.3223

β4 -2.3261 -2.3287 0.9989 0.0317

β5 55.2457 2.9528 18.7098 0.0085

β6 -3.9278 -2.5145 1.5621 0.0216

β7 -5.068 -2.0172 2.5124 0.0588

β8 1.3072 0.7082 1.8459 0.4879

β9 -0.5479 -0.7535 0.7271 0.4609

R2 0.8800 p-Value global 8.06E+07

fs 16.4993

Tabla 4.1: Modelo de regresión completo simplificado para el estudio 2.

Se puede observar como algunos de los signos de las elasticidades que en el estudio

1,Tabla 3.1, eran positivos en este estudio pasan a ser negativos y viceversa. Por ejemplo, la población(X2) y el índice turístico(X9) tienen una relación negativa que no presentaban antes. Mientras la cuota de mercado(X5), no sólo su S es significativa, sino que es positiva y con gran peso sobre la regresión junto con la población. Se muestra a continuación al igual que en apartado anterior, los modelos de

regresión simple y las correlaciones.



Tabla 4.2: Modelo de regresión sim

ple con todas las variables para el estudio 2.



Figura 4.4: G

ráfica de correlación sin transform

ación para el estudio 2 con todas las variables.



Figura 4.5: G


ación logarítm

ica para el estudio 2 con todas las variables.



Se puede ver que a este modelo se ajusta mejor la mayoría de los aeropuertos.

Figura 4.6: Ajuste del modelo completo simplificado para el estudio 2.

5 Comparación de demanda entre modelos.



Cada modelo realizado anteriormente arroja distinta información sobre la distribución de probabilidades de elección. Presentándose para cada uno de estos sus resultados a continuación. El objetivo es dar la información de las áreas de influencia. En algunos trabajos

se han tomado círculos concéntricos alrededor de los aeropuertos, tomándose distancias temporales de unas dos horas (Marcucci, 2011) para simularlas. O ayudándose de distancias menores a unos 75km (Tapiador). Sin embargo, en este trabajo la expresión de probabilidad de elección, (2.8) y (2.9), las que moldearan los mapas y proporcionan los resultados. En primer lugar, se presentan los mapas de primera elección de cada municipio,

es decir, se realiza un mapa donde se recoge para cada localidad el aeropuerto con mayor probabilidad de ser seleccionado. Se puede observar en la Figura 5.1 como para el estudio 1 (función de la distancia)

existe una distribución más igualitaria entre los aeropuertos. Esto puede ser explicado en que el modelo supone igualdad a la hora de competir entre ellos. Lo único que separa la elección de uno u otro son los km del elector. Es destacable la capacidad que tienen los aeropuertos con un mayor número de

pasajeros para captar las zonas más alejadas. Y además se puede ver como las áreas de influencia no tienen formas circulares, como cabría esperar de forma intuitiva a priori, sino que parecen ajustarse ponderadas por el resto de variables intrínsecas a cada municipio. Este primero es un modelo que viendo las características del mapa parece simular

una competencia regional entre los mismos. Esto puede explicar la falta de ajuste que se muestra en la Figura 3.7. Ya que se está forzando a algunos aeropuertos que tienen un carácter más de Hub a mostrar su participación en competencia regional.



Figura 5.1: Primera elección de los municipios para el estudio 1.

En el estudio 2 (función de la distancia y el número de destinos), la competencia

por la primera elección se ve reducida a tres aeropuertos, Figura 5.2. Estos tres por orden de mayor área de captación a menor son Madrid-Barajas, Barcelona-El Prat y Málaga respectivamente. En parte puede resultar intuitivo porque son ahora los aeropuertos con más oferta de destinos los que acaparan el mercado.

Figura 5.2: Primera elección de los municipios para el estudio 2.



Quedando los aeropuertos más regionales relegados a una segunda (Figura 5.3) o tercera elección (Figura 5.4). Haciéndose así una clara división entre aeropuertos Hubs o de competencia internacional y aeropuertos Spoke o de competencia más regionalista. Si se continuara proyectando más mapas de elección irían apareciendo poco a poco más aeropuertos regionales y alejándose aún más las zonas de influencia de los tres principales aeropuertos mencionados anteriormente.

Figura 5.3: Segunda elección de los municipios para el estudio 2.

Figura 5.4: Tercera elección de los municipios para el estudio 2.



A continuación, se presenta una serie de mapas individualizados para los aeropuertos de Madrid-Barajas, Barcelona-El Prat, Málaga y Sevilla. El objetivo es presentar por un lado las áreas de influencia de cada aeropuerto visionando la probabilidad de elección para los dos estudios. Y después ver la distribución por estudios de las áreas hasta la tercera elección. En el caso de Madrid pasa de ser una región cuasi-circular centrada (Figura 5.5)

a cubrir la mayor parte de la totalidad de la península (Figura 5.6). Este fenómeno se debe a que en el estudio 1 Madrid compite como aeropuerto regional, mientras que el estudio 2 deja de manifiesto que es el Hub por excelencia en España. Es decir, el estudio 1 permite observar cómo se comporta cuando la elección de los pasajeros es realizar un viaje por el interior de la península. Mientras en el segundo los vuelos tienen una proyección exterior.

Figura 5.5: Probabilidad en % de elección del aeropuerto MADRID-BARAJAS por parte de

los municipios en el estudio 1.



Figura 5.6: Probabilidad en % de elección del aeropuerto MADRID-BARAJAS por parte de los municipios en el estudio 2.

Otra forma de visualizar las áreas de influencia es localizando las áreas de primera, segunda y tercera elección. Aquí no se le da importancia cuantitativa a la elección y si ordinal por parte de cada municipio. Es decir, en estas Figuras se muestran las regiones donde Madrid-Barajas es el aeropuerto de primera, segunda o tercera elección y no tiene relevancia cual puede ser la probabilidad asignada dentro de la localidad.

Figura 5.7: Áreas donde los municipios tienen el aeropuerto MADRID-BARAJAS como

primera, segunda y tercera elección en el estudio1.

Destacar en el estudio 2 (Figura 5.8) como Madrid-Barajas cubre todo el mapa peninsular en la tercera elección. Lo que le corrobora como el aeropuerto más importante de España.



Figura 5.8: Áreas donde los municipios tienen el aeropuerto MADRID-BARAJAS como primera, segunda y tercera elección en el estudio 2.

De forma similar se presentan las figuras del resto de aeropuertos antes mencionados.

Figura 5.9: Probabilidad en % de elección del aeropuerto BARCELONA-EL PRAT por

parte de los municipios en el estudio 1.

Figura 5.10: Probabilidad en % de elección del aeropuerto BARCELONA-EL PRAT por parte

de los municipios en el estudio 2.



Figura 5.11: Áreas donde los municipios tienen el aeropuerto BARCELONA-EL PRAT como

primera, segunda y tercera elección en el estudio 1.

El aeropuerto de Barcelona-El Prat se sitúa por área de hasta tercera elección

como el segundo aeropuerto preferido por españoles.

Figura 5.12: Áreas donde los municipios tienen el aeropuerto BARCELONA-EL PRAT como primera, segunda y tercera elección en el estudio 2.



Figura 5.13: Probabilidad en % de elección del aeropuerto MÁLAGA-COSTA DEL SOL por

parte de los municipios en el estudio 1.

Figura 5.14: Probabilidad en % de elección del aeropuerto MÁLAGA-COSTA DEL SOL por parte de los municipios en el estudio 2.



Figura 5.15: Áreas donde los municipios tienen el aeropuerto MÁLAGA-COSTA DEL SOL

como primera, segunda y tercera elección en el estudio 1.

Finalmente, Málaga es el tercero con mayor influencia de elección en el país.

Figura 5.16: Áreas donde los municipios tienen el aeropuerto MÁLAGA-COSTA DEL SOL

como primera, segunda y tercera elección en elestudio 2.



Figura 5.17: Probabilidad en % de elección del aeropuerto SEVILLA por parte de los

municipios en el estudio 1.

Figura 5.18: Probabilidad en % de elección del aeropuerto SEVILLA por parte de los municipios en el estudio 2.



Un ejemplo de perdida de elección cuando la competencia pasa de evaluarse a nivel regional (a través de la distancia, Figura 5.19) a nivel internacional (estudio 2, Figura 5.20)es el aeropuerto de Sevilla. Se puede observar cómo pasa a ser la tercera elección de las zonas cercanas.

Figura 5.19: Áreas donde los municipios tienen el aeropuerto SEVILLA como primera,

segunda y tercera elección en el estudio 1.

Figura 5.20: Áreas donde los municipios tienen el aeropuerto SEVILLA como primera, segunda y tercera elección en el estudio 2.

6 Comparación de accesibilidad entre modelos.


6 Comparación de accesibilidad entre modelos.

En este apartado se analizan los resultados de accesibilidad. Estos son obtenidos a partir de la expresión (2.10). Este coeficiente tiene una interpretación de proporcionalidad inversa, es decir, un mayor valor del mismo indica que el municipio tiene una mala accesibilidad. Ya que se ha asumido que el estudio 1 (función de la distancia) tiene una

interpretación más de competencia regional, se puede observar como los municipios situados por encima de Andalucía y algunos situados en los Pirineos son los peores comunicados de la red AENA (Figura 6.1) para realizar vuelos interiores.

Si se tiene en cuenta que se quiere tener la oportunidad de acceder a una gran

variedad de destinos serán los vuelos más alejados de las provincias de Madrid, Barcelona y Málaga los que tienen menores oportunidades. En este caso las poblaciones gallegas, onubenses o murcianas son las que presenta una mala accesibilidad

Figura 6.1: Accesibilidad de los municipios para el estudio 1.

Figura 6.2: Accesibilidad de los municipios para el estudio 2.

7 Conclusión.


7 Conclusión.

En este proyecto se han proporcionado las áreas de influencias para los aeropuertos peninsulares de la red AENA. El objetivo de ello es que pueda servir tanto a las autoridades aeroportuarias como a las propias aerolíneas para determinar información de mercado útil. Ofrece una visión alternativa y complementaria a la que ya ofrecieron otros autores (Humphreys, 2002) (Fuellhart, 2007) (Ashford, 1987) (Brooke, 1994) (Dobruszkes F. L., 2011) (Lian, 2011). Si bien se diferencia un poco en la metodología seguida para arrojar los datos. Aunque sería interesante añadir algunas variables como las tarifas aeroportuarias para ver la sensibilidad que puede tener la demanda (Mason, 2000) (Cohas, 1995). Se ha presentado dos estudios. En uno al no considerarse como importante la

disponibilidad de destinos, se puede ver cuáles son las áreas de captación en el territorio peninsular español. Una de las limitaciones de este modelo es no considerar los municipios integrados en Portugal, que puesto forman parte de la Unión Europea el acceso a sus aeropuertos está igualmente disponible para los españoles. En el segundo estudio se puede ver como algunos aeropuertos españoles compiten

a otro nivel dentro del plano internacional. Ya que son más seleccionables cuando se quiere tener acceso a un mayor número de destinos. Nos permite localizar las zonas más inaccesibles para vuelos de tipo internacional. Por lo que es interesante si esa accesibilidad queda cubierta por otros medios de transporte. Puede ser relevante confrontar estos aeropuertos con otros hubs europeos como el aeropuerto de Heathrow-London, Charles de Gaulle-París, Frankfurt o Ámsterdam, y así tener una visibilidad de competencia europea. En una revisión futura sería interesante contar con la accesibilidad a nivel de

vehículos, trenes y barcos para poder incluir en las islas que también forman parte de AENA y refinar aún más el cálculo de la accesibilidad.

8 Bibliografía y referencias



Comisión Nacional de los Mercados y la Competencia. (2014). El sector aeroportuario en españa: situación actual y recomendaciones de liberalización. CNMC.

A.S. Brooke, R. C. (1994). Methology for predicting European short-haul air transport demand from regional airports. Journal of Transport Management.

AENA Estadísticas. (2015). http://www.aena.es/csee/Satellite?pagename=Estadisticas/Home.

Anuario de La Caixa. (2013). Anuario Económico de España. Ashford, N. B. ( 1987). Passengers’ choice of airport: an application of the

multinomial logit model. Transportation Research. Basar, G. B. (2004). A parameterized consideration set model for airport choice: an

application to the San Francisco Bay area. Transportation Research Part B .

Brooke, A. C. (1994). Methodology for predicting European short-haul air transport demand from regional airports: an application to East Midlands International Airport. Journal of Air Transport Management.

Campos, J. F. (s.f.). Estudio de la demanda agregada del transporte aéreo en función de la situación de los aeropuertos españoles. Universidad politécnica de madrid.

Cohas, F. B. (1995). Competitive fare and frequency effects in airport market share modeling. Journal of Air Transport Management.

Cortés, L. V. (2013). Estudio de la competitividad del aeropuerto de Madrid-Barajas. Universitat Autònoma de Barcelona.

Dobruszkes, F. (2013). The geography of European low-cost airline networks: A contemporary analysis. Journal of Transport Geography.

Dobruszkes, F. L. (2011). An analysis of the determinants of air traffic volume for European metropolitan areas. Journal of Transport Geography .

Dresner, M. L.-S. (1996). The impact of low-cost carriers on airport and route competition. ournal of Transport Economics and Policy.

Fangwu Wei, T. H. (2015). The dehubbing Cincinnati/Northern Kentucky International Airport (CVG): A spatiotemporal panorama. Journal of Transport Geography.

Fernández Campos, J., & González Díaz, R. E. (2011). Estudio de la demanda agregada del transporte aéreo en función de los aeropuertos españoles.

Fuellhart, K. (2007). Airport catchment and leakage in a multi-airport region: the case of Hassisburg International. Journal of Transport Geography.

Fullhart, K. (2006). Airport catchment and leakage in multi-airport region: The case of Harrisburg International. Journal of Transport Geography.



Gillen, D. L. (2004). Competitive advantage of low-cost carriers, some implications for airports. Journal of Air Transport Management.

Hess, S. P. (2005). Mixed logit modeling of airport choice in multi-airport regions. Journal of Air Transport Management .

Humphreys, I. F. ( 2002). Policy issues and planning of UK regional airports. Journal of Transport Geography.

Innes, J. D. (1990). Effects of access distance and level of service on airport choice. . Journal of Transportation Engineering .

Lian, J. R. (2011). Airport competition – regional airports losing ground to main airports. . Journal of Transport Geography.

Lieshout, R. (2012). Measuring the size of an airport's catchment area. Journal of Transport Geography.

Marcucci, E. G. ( 2011). Regional airport choice: consumer behaviour and policy implications. Journal of Transport Geography.

Mason, K. (2000). . The propensity of business travellers to use low cost airlines. Journal of Transport Geography.

O'Connor, K. F. (2016). Airports and regional air transport markets: A new perspective. Journal of Transport Geography.

O'Connor, K. F. (2016). Airports and regional air transport markets: A new perspective. Journal of Transport Geography.

Paolo Galli, C. F. (2015). Gravitational force exerted by Brazilian tourist destinations on foreign air travelers. Journal of Transport Geography.

Pels, E. N. (2003). Access to and competition between airports: a case study for the San Francisco Bay Area. Transportation Research Part .

Sveinn Gudmundsson, S. P. (2014). Spillover effects of the development constraints in London Heathrow Airport. Journal of Transpor Geography.

Tapiador, F. J. (s.f.). La eclosión de los aeropuertos regionales en España. Universidad de Castilla-La Mancha.

Zhongzhen Yang, S. Y. (2016). Airport location in multiple airport regions (MARs): The role of land and airside accessibility. Journal of Transport Geography.

9 Anexos.


9 Anexos.

9.1 Datos filtrados de AENA para el año 2015

Nombre Aeropuerto Número de pasajeros en vuelos comerciales Número de destinos

A CORUÑA 1.017.044 93

ALICANTE 10.563.244 315

ALMERIA 681.646 120

ASTURIAS 1.116.196 85

BADAJOZ 20.579 41

BARCELONA-EL PRAT 39.676.390 527

BILBAO 4.251.672 166

FGL GRANADA-JAEN 702.250 110

GIRONA 1.759.332 250

JEREZ DE LA FRONTERA 804.329 138

LEON 38.196 61

LOGROÑO 12.994 40

MADRID-BARAJAS 46.769.157 636

MALAGA-COSTA DEL SOL 14.366.209 394

MURCIA-SAN JAVIER 1.066.599 118

PAMPLONA 144.025 82

REUS 694.159 100

SALAMANCA 20.583 61

SAN SEBASTIAN 252.240 92

SANTANDER 874.147 71

SANTIAGO 2.291.935 138

SEVILLA 4.287.254 187

VALENCIA 5.041.100 303

VALLADOLID 213.535 99

VIGO 711.750 82

VITORIA 10.987 74

ZARAGOZA 422.810 105

9.2 Índice de tablas.

Tabla 2.1: Número y color identificativo de los aeropuertos. ....................................................... 5

Tabla 2.2: Tabla de variables ..................................................................................................... 5

Tabla 3.1: Modelo de regresión completo con todas las variables para el estudio 1. ..................... 9

Tabla 3.2: Modelo de regresión simple con todas las variables para el estudio 1 ......................... 13

Tabla 3.3: Modelo de regresión completo simplificado para el estudio 1. .................................... 14

Tabla 4.1: Modelo de regresión completo simplificado para el estudio 2. .................................... 19

Tabla 4.2: Modelo de regresión simple con todas las variables para el estudio 2. ........................ 20

9 Anexos.


9.3 Índice de figuras.

Figura 3.1: *2 frente a λ para el estudio 1 con todas las variables. ............................................. 9 Figura 3.2: Gráfica de correlación sin transformación para el estudio 1 con todas las variables. . 11 Figura 3.3: Gráfica de correlación con transformación logarítmica para el estudio 1 con todas las

variables. ....................................................................................................................................... 12 Figura 3.4: *2 frente a λ para el estudio 1. ................................................................................ 14 Figura 3.5: Gráfica de correlación sin transformación para el estudio 1 simplificado. ................. 15 Figura 3.6: Gráfica de correlación con transformación logarítmica para el estudio 1 simplificado.

...................................................................................................................................................... 16 Figura 3.7: Ajuste del modelo completo simplificado para el estudio 1. ...................................... 17 Figura 4.1: *2 frente a λ para el estudio 2 con todas las variables. ............................................ 18 Figura 4.2: *2 frente a S para el estudio 2 con todas las variables. ............................................. 18 Figura 4.3: *2 frente a SSy S para el estudio 2 con todas las variables. ........................................ 19 Figura 4.4: Gráfica de correlación sin transformación para el estudio 2 con todas las variables. . 21 Figura 4.5: Gráfica de correlación con transformación logarítmica para el estudio 2 con todas las

variables. ....................................................................................................................................... 22 Figura 4.6: Ajuste del modelo completo simplificado para el estudio 2. ..................................... 23 Figura 5.1: Primera elección de los municipios para el estudio 1................................................. 25 Figura 5.2: Primera elección de los municipios para el estudio 2................................................. 25 Figura 5.3: Segunda elección de los municipios para el estudio 2. ............................................... 26 Figura 5.4: Tercera elección de los municipios para el estudio 2. ................................................ 26 Figura 5.5: Probabilidad en % de elección del aeropuerto MADRID-BARAJAS por parte de los

municipios en el estudio 1. ............................................................................................................ 27 Figura 5.6: Probabilidad en % de elección del aeropuerto MADRID-BARAJAS por parte de los

municipios en el estudio 2. ............................................................................................................ 28 Figura 5.7: Áreas donde los municipios tienen el aeropuerto MADRID-BARAJAS como primera,

segunda y tercera elección en el estudio1. ...................................................................................... 28 Figura 5.8: Áreas donde los municipios tienen el aeropuerto MADRID-BARAJAS como primera,

segunda y tercera elección en el estudio 2...................................................................................... 29 Figura 5.9: Probabilidad en % de elección del aeropuerto BARCELONA-EL PRAT por parte de

los municipios en el estudio 1. ....................................................................................................... 29 Figura 5.10: Probabilidad en % de elección del aeropuerto BARCELONA-EL PRAT por parte de

los municipios en el estudio 2. ....................................................................................................... 29 Figura 5.11: Áreas donde los municipios tienen el aeropuerto BARCELONA-EL PRAT como

primera, segunda y tercera elección en el estudio 1. ...................................................................... 30 Figura 5.12: Áreas donde los municipios tienen el aeropuerto BARCELONA-EL PRAT como

primera, segunda y tercera elección en el estudio 2. ...................................................................... 30 Figura 5.13: Probabilidad en % de elección del aeropuerto MÁLAGA-COSTA DEL SOL por parte

de los municipios en el estudio 1. .................................................................................................. 31 Figura 5.14: Probabilidad en % de elección del aeropuerto MÁLAGA-COSTA DEL SOL por parte

de los municipios en el estudio 2. .................................................................................................. 31 Figura 5.15: Áreas donde los municipios tienen el aeropuerto MÁLAGA-COSTA DEL SOL como

primera, segunda y tercera elección en el estudio 1. ...................................................................... 32 Figura 5.16: Áreas donde los municipios tienen el aeropuerto MÁLAGA-COSTA DEL SOL como

primera, segunda y tercera elección en elestudio 2......................................................................... 32 Figura 5.17: Probabilidad en % de elección del aeropuerto SEVILLA por parte de los municipios

en el estudio 1. .............................................................................................................................. 33

9 Anexos.


Figura 5.18: Probabilidad en % de elección del aeropuerto SEVILLA por parte de los municipios en el estudio 2. .............................................................................................................................. 33 Figura 5.19: Áreas donde los municipios tienen el aeropuerto SEVILLA como primera, segunda y

tercera elección en el estudio 1. ..................................................................................................... 34 Figura 5.20: Áreas donde los municipios tienen el aeropuerto SEVILLA como primera, segunda y

tercera elección en el estudio 2. ..................................................................................................... 34 Figura 6.1: Accesibilidad de los municipios para el estudio 1. ..................................................... 35 Figura 6.2: Accesibilidad de los municipios para el estudio 2. ..................................................... 35

Proyecto Fin de Carrera Ingeniería...

Documents

Transcript of Proyecto Fin de Carrera Ingeniería...