ANAIS

PREVISO DE DEMANDA EM OPERAES DE SERVIOS: UM ESTUDO EM UMA EMPRESA DO SETOR DE TRANSPORTES

FABIO VERRUCK ( fverruck@hotmail.com , fabiov@visate.com.br ) UNIVERSIDADE DE CAXIAS DO SUL RODRIGO EDUARDO BAMPI ( rodrigo.bampi@caixa.gov.br , rodrigoebampi@yahoo.com.br ) UNIVERSIDADE DE CAXIAS DO SUL GABRIEL SPERANDIO MILAN ( gsmilan@ucs.br ) UNIVERSIDADE DE CAXIAS DO SUL

Resumo O presente artigo apresenta um estudo de previso de demanda para uma empresa prestadora de servios de transporte pblico de uma cidade da Serra Gacha. Para tanto, utilizou-se a tcnica de regresso linear mltipla, buscando explicar a varivel dependente demanda atravs de variveis independentes relativas ao comportamento climtico e a eventos de calendrio. Por meio do estudo, foi possvel elaborar um modelo capaz de explicar 67,2% da variao da demanda atravs das variveis dummies dia da semana, ms do ano e feriado. Salienta-se que variveis atinentes ao clima foram descartadas do modelo, uma vez que no acrescentaram poder explicativo. Palavras-chave: servios de transporte, transporte coletivo urbano, previso de demanda.

Introduo O planejamento das atividades operacionais de uma empresa um dos principais desafios enfrentados pelos gestores que atuam na prestao de servios. Neste sentido, uma correta previso de demanda crucial para um bom desempenho organizacional, uma vez que ir refletir diretamente nos resultados econmico-financeiros e mercadolgicos alcanados. Por ser o servio uma atividade que pressupe a simultaneidade entre a produo e o consumo (utilizao), ou seja, o servio produzido e consumido ao mesmo tempo, a organizao das atividades precisa estar de acordo com uma boa previso de demanda, para permitir que o custo operacional seja adequado ao nvel de qualidade exigido pelo mercado e que possibilite lucro empresa (FITZSIMMONS; FITZSIMMONS, 1998; HEIZER; RENDER, 2001). Outra caracterstica importante dos servios que eles no podem ser estocados, armazenados, ou seja, uma vez oferecidos, se no utilizados, eles se transformam em perda de receita e/ou custo irreversvel. Sendo assim, as previses de demanda so indispensveis no apenas para o planejamento e formulao das estratgias empresariais, como tambm esto intrinsecamente ligadas prpria sobrevivncia da organizao no mercado (GIANESI; CORRA, 1994; LOVELOCK; WRIGHT, 2001). Um ramo de servios em que essa relao fica bastante evidente no setor de transportes pblicos, em especial o transporte coletivo urbano. Os desafios para os gestores desta rea so justamente em encontrar o equilbrio entre a oferta do servio e a sua demanda real. Esse equilbrio delicado, uma vez que uma oferta de servio menor do que a demanda alm de levar insatisfao do usurio poder incentiv-lo a buscar formas alternativas de
1/14

ANAIS
transporte. Por outro lado, uma oferta superior ao nmero de pessoas dispostas a utilizar o servio pode se reverter em custos elevados, onerando o sistema ou, at mesmo inviabilizando-o. Considerando isso, o objetivo deste trabalho procurar identificar os fatores que influenciam na demanda de passageiros e, a partir disso, estabelecer relaes entre estes fatores e o seu impacto no nmero de passageiros. Para isso, foram coletados dados dirios de nmero de passageiros transportados durante um perodo de quatro anos. De posse destes dados, foi utilizado o mtodo estatstico da anlise de regresso para identificar quais dos fatores relacionados possuam relevncia significativa para explicar a variabilidade no nmero de passageiros no contexto em estudo. FUNDAMENTAO TERICA Servios Os servios tm apresentado cada vez maior representatividade na economia moderna. No incio da dcada de 1990, sua participao j era de 58% do PIB Produto Interno Bruto no Japo, e de 60% na Unio Europia (BATESON; HOFFMAN, 2001). No final da dcada de 90, os servios eram responsveis por 67% do PIB do Canad (LOVELOCK; WRIGHT, 2001), e 76% do PIB dos Estados Unidos, onde 79% dos empregos estavam relacionados ao setor (ZEITHAML; BITNER, 2003). No Brasil, por sua vez, os servios respondem por 55% da renda nacional (LOVELOCK; WRIGHT, 2001). Por esses motivos, que Grnroos (1990) denomina a economia atual como a economia de servios. Nesta direo, em meio literatura, encontram-se diferentes motivos para a evoluo da representatividade dos servios na economia mundial. Na viso de Fitzsimmons e Fitzsimmons (1998), o crescimento dos servios est relacionado ao estimulo oriundo da inovao e de tendncias sociais baseadas na transformao demogrfica. No entendimento de Kon (2004), a expanso dos servios tem sido conduzida por mudanas na demanda resultantes de novas tecnologias da comunicao e da informao, alm da base de infraestrutura, que inclui transportes, comunicaes e servios financeiros. Alm disso, Gianesi e Corra (1994) citam uma srie de fatores que esto relacionados ao aumento da demanda de servios. So eles: (i) desejo de melhor qualidade de vida das pessoas (consumidores); (ii) ampliao da urbanizao, que torna necessrios alguns servios tais como educao, transporte e segurana; (iii) mudanas demogrficas; (iv) mudanas socioeconmicas, como o caso do aumento da participao da mulher no mercado de trabalho; e (v) mudanas tecnolgicas de uma forma geral. Cabe ressaltar que o servio uma atividade desempenhada por prestadores ou provedores de servios com o intuito de suprir uma necessidade ou um desejo de seus clientes, tendo como caracterstica peculiar o fato de apresentar uma natureza intangvel (LOVELOCK; WRIGHT, 2001; GRNROOS, 2004). Etzel, Walker e Stanton (2001) destacam, tambm, como objetivo central da transao de servios o atendimento de necessidades ou de desejos dos clientes, ressaltando a importncia da satisfao dos mesmos. Grnroos (2004), no que diz respeito intangibilidade do servio, definindo este como atividade intangvel que deve satisfazer as necessidades dos usurios. Kotler e Armstrong (2003) caracterizam servios como algo essencialmente intangvel que uma parte pode oferecer outra e que pode ou no estar vinculada a um produto fsico. Enquanto que, de forma bastante semelhante, Lovelock e Wright (2003) definem servio como ato ou desempenho oferecido por parte da empresa gerando valor e benefcio para seu cliente, porm, sem resultar em propriedade para este que o adquire.
2/14

ANAIS
Em meio aos diferentes conceitos de servios encontrados na literatura, algumas caractersticas acabam tendo destaque: (a) intangibilidade: diferente de bens fsicos, no poder ser vistos ou tocados (KOTLER; KELLER, 2006; ZEITHAML; BITNER, 2003); (b) inseparabilidade: os servios so consumidos ao mesmo tempo em que so produzidos (KOTLER; KELLER, 2006; KOTLER; ARMSTRONG, 2003); (c) variabilidade: os servios destacam-se por sua heterogeneidade, so altamente variveis (KOTLER; ARMSTRONG, 2003) e, a medida que, normalmente, so realizados por pessoas, tendem a nunca serem exatamente iguais (ZEITHAML; BITNER, 2003); (d) perecibilidade: servios no poder ser estocados, devolvidos ou preservados (CHURCHILL JR; PETER, 2003; ZEITHAML; BITNER, 2003). Slack et al. (1997) percebe como fundamental para o entendimento das peculiaridades de um servio a sobreposio entre produto e processo nas operaes relacionadas. Na mesma linha, Fitzsimmons e Fitzsimmons (1998) consideram, inclusive, que quando se trata de servios, o produto o processo. J Johnston e Clark (2002) entendem que no s o processo se soma ao resultado na forma de o cliente avaliar o servio, sendo assim o servio seria um composto entre processo e resultado. Na viso de Grnroos (2004), a definio de servio vista como um pacote de benefcios, sendo que o autor distingue trs grupos de servios: (i) servio central, onde este a razo para a organizao entrar no mercado; (ii) servios facilitadores, que servem para que os clientes possam utilizar o servio central; e (iii) servios de suporte, que servem para aumentar o valor do servio e o diferenci-lo dos servios concorrentes. Em viso similar, tanto Gianesi e Correa (1994) como Fitzsimmons e Fitzsimmons (1998), entendem que o pacote de servios composto por servios explcitos e servios implcitos. Os servios explcitos so os que geram os benefcios diretamente percebidos pelo cliente. J os servios implcitos so os que geram benefcios secundrios, que nem sempre so percebidos pelo cliente, a no ser quando esto ausentes. Para melhor entendimento, pode-se considerar o caso de um hotel, onde o pernoite o servio explcito, e o servio implcito pode ser representado por atividades como o acesso a Internet. Previso de Demanda A previso de demanda, segundo Dias (1990), a estimativa futura dos produtos a serem adquiridos por parte dos compradores, determinando, assim, quais produtos, quanto desses produtos e quando sero comprados pelos clientes. Dessa forma, o conceito de previso de demanda pode estar associado a projeo, ou mesmo extrapolao das tendncias do passado (BOLAND, 1985). Ballou (2001) menciona como fundamental o processo de previso de demanda em uma empresa, dado que isso disponibiliza a mesma as bases para a elaborao de um planejamento e controle de todas as reas da empresa, desde a produo, e logsticas at reas como marketing e financeira. Como, por exemplo, podem ser citadas a relao da previso de demanda com o planejamento de recursos, realizado pela rea financeira, ou, mesmo, no plano de modificaes no nvel de fora de trabalho, executado pela equipe de recursos humanos. Com isso, Fogliatto et al. (2005) considera como essenciais as previses de demanda na operacionalizao de diversos aspectos em meio ao gerenciamento de operaes. Markidakis (1988) entende que atravs da previso de demanda que so tomadas as decises estratgicas da empresa, seu planejamento ou qualquer atitude que tenha de considerar acontecimentos futuros. Corroborando com a idia, Dias (1990) a considera como
3/14

ANAIS
ponto de partida de todo planejamento empresarial. Na mesma linha, Barbieri e Machline (2006), consideram a previso como ponto de partida para anlise de questes mercadolgicas, desde estratgias de marketing a definies dos nveis de servio. Howard (1970), ainda na dcada de 70, j mencionava a previso de demanda como importante indicador para a elaborao do plano de marketing a ser adotado pela empresa. Kotler e Keller (2006), por sua vez, consideram que a previso de demanda de uma empresa dada pelo seu nvel esperado de vendas, que funo do plano de marketing da empresa e do prprio ambiente assumido. Por essa forte ligao com a rea de marketing da empresa, que a previso de demanda , em muitos casos, realizada pelo departamento de marketing das empresas. Em pesquisa realizada com empresas americanas, Kahn (2001) verificou que a previso , em 62% dos casos, ao da rea de marketing; em 13% da rea de vendas; 10% de departamentos especializados em previso de vendas; e, no restante dos casos, realizada por reas financeiras, de pesquisa de mercado, produo, logstica e distribuio, entre outras. Como fatores determinantes para a previso de demanda, Kuyven e Cunha (2001) citam: (i) geogrfico, (ii) circunstncias econmicas do local analisado, (iii) nveis de preos do produto, (iv) climtico, (v) valor reconhecido do produto pelo cliente, (vi) nvel de saturao do produto no mercado. Em relao a metodologia da previso de demanda, esta pode ser qualitativa ou quantitativa. Historicamente, as empresas utilizam o mtodo qualitativo para realizar suas previses de demanda (DIAS, 1999; MENTZER; COX, 1997). Estas tcnicas so baseadas em opinies de especialistas. Dentre estas, uma das tcnicas que vem se destacando apresentando bons resultados na identificao de pontos de mudana o mtodo delphi (DAVIS; AQUILANO; CHASE, 2001), que consiste na reunio de um grupo de pessoas, detentoras do conhecimento sobre o assunto, para fornecer opinies, seguindo-se regras determinadas para coleta de opinio, com o objetivo de alcanar o consenso entre os integrantes do grupo (MOREIRA, 2004). As tcnicas qualitativas, no entanto, enfrentam alguma restrio. Autores como Sanders e Manrodt (1994) consideram como baixo o seu grau de previso; porm, concordam que continuam sendo amplamente utilizadas nas empresas, mesmo com o crescimento das tcnicas mais avanadas, impulsionada pelo avano na capacidade de processamento e armazenamento de dados computacionais. Dias (1999) considera, inclusive, que a extensa utilizao das tcnicas qualitativas, e mesmo seu baixo grau de preciso, pode estar relacionada a certo equivoco por parte das empresas ao confundir previses com metas de demanda por elas estabelecidas. Os mtodos quantitativos utilizam-se de modelos matemticos, com base estatstica, como forma de realizar a previso, fazendo, assim, com que diferentes especialistas obtenham exatamente as mesmas previses (MOREIRA, 2004). Em geral, so mais utilizadas em situaes de curto prazo, dado que no possvel prever atravs dessas tcnicas mudanas de cenrio (FLEURY; WANKE; FIGUEIREDO, 2003). Segundo Chambers, Mullick e Smith (1971), a desvantagem do mtodo esta em no prever mudanas estruturais e dinmicas dos dados histricos que compem as sries temporais. Makridakis et al. (1998) afirmam que outra dificuldade na aplicao do mesmo, que este est condicionado a: (i) disponibilidade de informaes histricas; (ii) possibilidade de transformao das informaes histricas em dados numricos, e (iii) suposio da repetio de padres observados em dados passados no tempo futuro. Por se tratarem de modelos propostos a partir de sries temporais, ou seja, conjuntos de observaes ordenadas no tempo, so previses estimativas acerca da verossimilhana de eventos futuros, baseadas nas informaes tomadas no momento atual e histrico (SOUZA;
4/14

ANAIS
CAMARGO, 2004). A modelagem matemtica permite a obteno de concluses e avaliao dos modelos em relao a sua preciso (MORETTIN; TOLOI, 1987). Em meio a literatura, as modelagens sugeridas de mtodos quantitativos para previso de demanda so: (i) suavizao exponencial (MAKRIDAKIS, WHEELWRIGHT; HYNDMAN, 1998), (ii) modelos de box e jenkins (BOX; JENKINS, 1976), (iii) modelos estruturais (CORREA; PORTUGAL, 1998), e (iv) redes neurais (ARMSTRONG, 2001). No entanto, estudiosos tem utilizado a combinao das tcnicas qualitativas e quantitativas para encontrar previses com maior grau de preciso. Atravs deste mtodo, primeiro elaborado um modelo com base em dados histricos e, em um segundo momento, esta combinada a anlise subjetiva, agregando informaes contextuais, gerando uma previso final (WEBBY; OCONNOR, 1996). No entender de Clenen (1989), as previses combinadas aumentam significativamente a acurcia das previses em relao a qualquer previso individual. MTODO DE PESQUISA Mtodo de coleta e anlise de dados No que diz respeito metodologia adotada na presente pesquisa, a mesma caracterizada como quantitativa, onde busca-se atribuir nmeros e propriedades, objetos, acontecimentos, materiais, de modo a proporcionar informaes teis (FACHIN, 2003). Com o intuito de realizar a previso de demanda da empresa em questo, utilizou-se da tcnica de regresso linear mltipla, que segundo Hair et al. (2005) pode ser definida como uma tcnica estatstica multivariada que deve ser utilizada quando o objetivo do pesquisador analisar os efeitos de variveis independentes sobre uma varivel dependente. De modo semelhante, Johnson e Wichern (2002) afirmam que o objetivo da regresso linear desenvolver uma equao que permita explicar a varivel de resposta (varivel dependente), tomando valores fornecidos para as variveis independentes. Assim, a varivel dependente considerada foi a demanda diria da empresa. J como variveis independentes foram considerados eventos climticos e eventos do calendrio. Os eventos climticos analisados foram temperatura e ndice pluviomtrico, como forma de verificar se a variao de temperatura e na quantidade de chuva tem relao com a quantidade de pessoas que utilizam os servios da empresa. Os eventos do calendrio avaliados foram os dias da semana, os meses do ano e os feriados, e atravs do modelo de regresso buscou-se entender a sazonalidade da demanda em relao a essas variveis. Como estas tratam-se de variveis nominativas, utilizou-se de variveis dummies para os diferentes dias da semana e diferentes meses do ano. As dummies so caracterizadas por Malhotra (2006) como variveis nominais ou categricas que podem ser usadas como variveis prognosticadoras independentes. Deste modo, o modelo de regresso traria a dependncia da demanda da empresa em relao a estes eventos do calendrio. O procedimento proposto pode ser expresso no modelo a seguir, que apresenta um modelo explicativo para a previso de demanda em funo do evento dia da semana: PDRt = a + b1D1t + b2D2t + b3D3t + b4D4t + b5D5t + b6D6t + Et Onde: PDt: previso de demanda no dia da semana t; a: previso de demanda para os domingos; b1: diferena entre a previso de demanda para os domingos e a previso para as segundas-feiras;
5/14

ANAIS
D1t: dummy para segundas-feiras (1 se segunda-feira, 0 se outro dia da semana) b2: diferena entre a previso de demanda para os domingos e a previso para teras-feiras; D2t: dummy para teras-feiras (1 se tera-feira, 0 se outro dia da semana) b3: diferena entre a previso de demanda para os domingos e a previso para quartas-feiras; D3t: dummy para quartas-feiras (1 se quarta-feira, 0 se outro dia da semana) b4: diferena entre a previso de demanda para os domingos e a previso para quintas-feiras; D4t: dummy para quintas-feiras (1 se quinta-feira, 0 se outro dia da semana) b5: diferena entre a previso de demanda para os domingos e a previso para sextas-feiras; D5t: dummy para sextas-feiras (1 se sexta-feira, 0 se outro dia da semana) b6: diferena entre a previso de demanda para os domingos e a previso para sbados; D6t: dummy para sbados (1 se sbado, 0 se outro dia da semana) Et: resduo aleatrio. as

as

as

as

os

Os clculos foram realizados tomando como base as sries temporais da varivel dependente demanda e das variveis independentes temperatura, indicador pluviomtrico, dia da semana, ms do ano e feriado, durante o perodo de primeiro de janeiro de 2005 31 de dezembro de 2008. As informaes de demanda foram fornecidas pela empresa. J os dados referente s variveis clima, temperatura e ndice pluviomtrico, foram coletadas junto ao Centro de Previso de Tempo e Estudos Climticos CPTEC. O tratamento dos dados ocorreu atravs do Software SPSS (Statistical Package for the Social Scienses) verso 13.0. Para avaliar se o modelo de regresso vlido investiga-se a significncia do teste F, que, segundo Pestana e Gageiro (2005), deve apresentar um nvel inferior a 0,05. O teste de significncia avalia no s a validade da equao de regresso global como dos coeficientes especficos de regresso parcial (MALHOTRA, 2006). Se, ao avaliar o modelo de regresso, a hiptese nula rejeitada, atravs de uma significncia inferior a 0,05, pelo menos um coeficiente de regresso parcial diferente de zero. Deste modo, para verificar quais dos coeficientes, em especfico, devem ser considerado ou descartado, avalia-se o valor-P, que, do mesmo modo, necessita ser inferior a 0,05 para o coeficiente ser considerado como relevante. Com isso, se o modelo apresentar um nvel de significncia superior a 0,05, aceita-se a hiptese de igualdade entre os coeficientes, ou seja, conclui-se que o evento avaliado no caracteriza sazonalidade na demanda. Se, por outro lado, o nvel de significncia da equao for inferior a 0,05, rejeita-se a igualdade entre as demandas, aceitando-se a hiptese de que existe sazonalidade no mercado considerado em funo do evento em questo. Para verificar quais so os coeficientes que no podem ser considerados como nulos, basta observar qual das dummies gerou um valor-P inferior a 0,05. Ambincia de Pesquisa A empresa analisada presta servios de transporte coletivo h 23 anos em uma cidade de mdio porte do interior do estado do Rio Grande do Sul. Por deter a exclusividade na operao do transporte pblico urbano, os nmeros de passageiros da empresa refletem o total de passageiros do municpio em questo. Porm, mesmo sendo a nica operadora do sistema, a empresa no tem autonomia para decidir ou alterar questes como horrios e itinerrios das linhas. Essa funo exercida pelo rgo gestor do transporte no municpio, na qualidade de
6/14

ANAIS
regulador do sistema. A deciso pela disponibilidade de linhas, horrios e itinerrios passa por uma anlise tcnica de viabilidade realizada pelo rgo gestor, em conjunto com a empresa. O cliente da empresa em questo pode realizar a compra do servio de duas formas: diretamente no nibus, atravs do cobrador, ou com carto de bilhetagem eletrnica, adquirido em postos comerciais. A bilhetagem eletrnica uma inovao que h pouco tempo faz parte da realidade do transporte pblico no Brasil e poucas so as empresas que possuem essa forma de venda de passagens. O servio operacionalizado atravs de cartes semelhantes a um carto de crdito, que ficam de posse do usurio e podem ser recarregados periodicamente, de acordo com a necessidade do cliente. No momento da utilizao do transporte, o usurio apresenta seu carto em leitoras instaladas nos nibus, o que o habilita a fazer seu deslocamento. Os usurios do servio so compostos basicamente por trabalhadores que utilizam o vale-transporte para se deslocarem ao local de trabalho (49,53%), estudantes que usam o transporte para se deslocarem ao seu local de estudo (13,83%) e usurios eventuais, que utilizam o transporte para variados fins, desde passeios a compromissos diversos. ANLISE DOS RESULTADOS A anlise dos resultados foi dividida em seis etapas, de forma a identificar a relao de cada uma das variveis independentes relatadas com a varivel dependente nmero de passageiros, e, posteriormente, analisar um modelo que analise todas as variveis significativas. As variveis independentes consideradas foram o ndice pluviomtrico, a temperatura mdia, ms do ano, dia da semana e feriado. ndice Pluviomtrico Para o ndice pluviomtrico o valor do R-quadrado ajustado, que demonstra o ndice de explicao dado pela varivel, indica um percentual de explicao da variabilidade do nmero de passageiros em 0,017%. Tambm possvel identificar nos resultados um nvel de significncia de 0,384, conforme apresentado na Tabela 1. Ambos os ndices denotam uma baixa influncia da quantidade de precipitao na variao de passageiros transportados.
Variveis Constante Pluviomtrico (PLUV) Coeficientes 139.361,6 -19,10 Erro padro 2.300,57 21,93 Stat t 60,576 -0,871 valor-P 0,000 0,384

Tabela 1: Resultados da anlise de regresso para o ndice pluviomtrico

Fonte: Dados provenientes da pesquisa.

Temperatura Os valores da temperatura, por outro lado, apresentaram-se significativos a um nvel de significncia de 0,05, conforme pode ser visualizado na Tabela 2, demonstrando que a variao da temperatura apresenta interferncia no nmero de usurio do transporte. Entretanto, o ndice de explicao demonstrado pelo valor de R-quadrado ajustado foi de apenas 2,204%.

7/14

ANAIS
Variveis Constante Temperatura (TEMP) Coeficientes 169.922,6 -1.821,11 Erro padro 5.768,54 317,19 Stat t 29,456 -5,741 valor-P 0,000 0,000

Tabela 2: Resultados da anlise de regresso para a temperatura mdia

Fonte: Dados provenientes da pesquisa

Meses do Ano Com o intuito de visualizar o comportamento da demanda nos diferentes meses do ano, foi elaborada uma tabela que apresenta os dados de estatstica descritiva do perodo. Observa-se, atravs da mesma (Tabela 3), uma maior mdia nos meses de agosto, maro, junho, abril e maio. Os meses de menor demanda mdia foram janeiro e dezembro. O ms de maior variao dos dados foi novembro, enquanto que a menor variao ocorreu no ms de fevereiro.
Variveis Janeiro (JAN) Fevereiro (DM2) Maro (DM3) Abril (DM4) Maio (DM5) Junho (DM6) Julho (DM7) Agosto (DM8) Setembro (DM9) Outubro (DM10) Novembro (DM11) Dezembro (DM12) Mnimo 11.087 41.977 34.762 41.517 40.631 43.210 37.433 18.786 17.593 47.75 18.546 11.984 Mximo 162.713 176.736 201.845 214.040 208.221 205.495 211.990 209.313 207.595 215.233 214.240 208.719 Mdia 109.363 131.567 149.585 147.450 146.847 149.089 143.876 151.381 132.443 137.146 133.052 117.664 Desvio-padro 44.129 38.119 49.360 55.443 53.420 50.859 47.049 47.674 55.852 53.795 59.004 58.041

Tabela 3: Dados de estatstica descritiva Ms do Ano

Fonte: Dados provenientes da pesquisa

Os mesmos clculos de regresso linear foram aplicados levando-se em conta o ms do ano, tomando-se janeiro como ms de referncia. Os resultados esto apresentados na Tabela 4. O valor de explicao de R-quadrado ajustado foi de 5%. O modelo apresentou resultados significantes para todos os meses do ano, com exceo do ms de dezembro, que no se mostrou significante a um nvel de significncia de 0,05.
Variveis Constante Fevereiro (DM2) Maro (DM3) Abril (DM4) Coeficientes 109.362,7 22.204,15 40.221,85 38.087,26 Erro padro 4.906,20 6.907,37 6.819,80 6.833,85 Stat t 22,291 3,215 5,898 5,573 valor-P 0,000 0,001 0,000 0,000

8/14

ANAIS
Maio (DM5) Junho (DM6) Julho (DM7) Agosto (DM8) Setembro (DM9) Outubro (DM10) Novembro (DM11) Dezembro (DM12) 37.484,20 39.726,43 34.513,20 42.018,68 23.080,15 27.783,22 23.689,26 8.301,74 6.739,73 6.848,11 6.752,59 6.739,73 6.792,33 6.752,59 6.833,85 6.862,58 5,562 5,801 5,111 6,234 3,398 4,114 3,466 1,210 0,000 0,000 0,000 0,000 0,001 0,000 0,001 0,227

Tabela 4: Resultados da anlise de regresso para os meses do ano

Fonte: Dados provenientes da pesquisa

Dias da Semana A Tabela 5 apresenta os dados de estatstica descritiva referente a sazonalidade de dia da semana. Pode-se observar, atravs desta, que o dia de menor mdia o domingo, seguido pelo sbado. Os dias de segunda-feira sexta-feira, considerados dias teis da semana, apresentam comportamento semelhante. Com relao a variao dos dados, o dia de menor desvio-padro foi o sbado, com um desvio de 19.522. A maior variao foi apresentada pelo domingo, que obteve um desvio-padro de 42.284.
Variveis Domingo (DOM) Segunda-feira (D2F) Tera-feira (D3F) Quarta-feira (D4F) Quinta-feira (D5F) Sexta-feira (D6F) Sbado (D7) Mnimo 16.198 24.374 11.087 38.214 26.196 4.775 24.605 Mximo 208.752 215.233 207.014 209.313 214.240 202.554 139.864 Mdia 67.102 164.155 164.519 164.775 160.642 152.307 88.479 Desvio-padro 42.284 37.447 36.812 34.792 38.386 41.213 19.522

Tabela 5: Dados de estatstica descritiva Dia da Semana

Fonte: Dados provenientes da pesquisa

No modelo de regresso, os coeficientes relativos ao dia da semana foram calculados em relao a domingo, primeiro dia da semana. Atravs dos resultados pode-se perceber que todas as dummies referentes a dia da semana so significativas, conforme possvel observar na Tabela 6. Alm disso, o valor de R-quadrado ajustado indica que atravs da sazonalidade semanal possvel explicar 52,2% da varincia da demanda.
Variveis Constante Segunda-feira (D2F) Tera-feira (D3F) Quarta-feira (D4F) Quinta-feira (D5F) Coeficientes 67.101,96 97.053,05 97.417,02 97.673,43 93.540,46
9/14

Erro padro 2.579,27 3.616,68 3.620,99 3.634,14 3.638,60

Stat t 26,016 26,835 26,903 26,877 25,708

valor-P 0,000 0,000 0,000 0,000 0,000

ANAIS
Sexta-feira (D6F) Sbado (D7) 85.204,74 21.376,68 3.643,10 3.647,64 23,388 5,860 0,000 0,000

Tabela 6: Resultados da anlise de regresso para os dias da semana

Fonte: Dados provenientes da pesquisa

Feriado Ao formular a tabela 5, percebeu-se os valores considerados como mnimo dos dias considerados teis da semana, segunda a sexta-feira, eram referentes a feriados. Por esse motivo buscou-se identificar a influncia que este causa demanda, atravs da verificao de um modelo que considera como varivel independente dummies alocadas para os seguintes feriados: (i) 01/01 - Dia Universal da Paz, (ii) Sexta-feira Santa (maro ou abril), (iii) 21/04 Tiradentes, (iv) 01/05 - Dia do Trabalho, (v) 26/05 - Nossa Senhora de Caravaggio (Feriado Municipal), (vi) Corpus Christi, (vii) 07/09 - Independncia, (viii) 20/09 - Revoluo Farroupilha (Feriado Estadual), (ix) 02/11 - Finados, (x) 15/11 - Proclamao da Repblica, e (xi) 25/12 - Natal. fundamental salientar, no entanto, que foram apenas considerados os feriados em dias teis, sendo sbado e domingo no considerados com dummies quando do ocorrido. O modelo apresentou um ndice de explicao de R-quadrado ajustado de 6,89%, e apresentouse significativo a um grau de significncia de 0,05 (vide Tabela 7).
Variveis Constante Feriado Coeficientes 140.082,33 -86.233,83 Erro padro 1.370,60 8.375,53 Stat t 102,205 -10,296 valor-P 0,000 0,000

Tabela 7: Resultados da anlise de regresso para os feriados

Fonte: Dados provenientes da pesquisa

Previso Geral Com base nos dados dos diferentes modelos, formulou-se um modelo que inclusse as diferentes variveis consideradas como significativas. Atravs deste modelo auferiu-se um ndice de explicao de 67,2%. Como pode ser observado na Tabela 8, as variveis independentes consideradas foram as dummies para os dias da semana, as dummies para meses do ano, com exceo do ms de dezembro que no demonstrou-se significativamente diferente de janeiro, a dummy referente aos feriados e a varivel temperatura.
Variveis Constante Segunda-feira (D2F) Tera-feira (D3F) Quarta-feira (D4F) Quinta-feira (D5F) Sexta-feira (D6F) Sbado (D7) Fevereiro (DM2) Coeficientes 56.586,31 98.837,92 99.177,37 99.100,02 98.520,67 88.085,86 20.934,54 13.430,99
10/14

Erro padro 8.005,75 2.997,58 3.001,69 3.012,85 3.025,54 3.022,80 3.022,79 3.506,65

Stat t 7,068 32,973 33,041 32,892 32,563 29,140 6,926 3,830

valor-P 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

ANAIS
Maro (DM3) Abril (DM4) Maio (DM5) Junho (DM6) Julho (DM7) Agosto (DM8) Setembro (DM9) Outubro (DM10) Novembro (DM11) Feriado (FER) Temperatura (TEMP) 32.680,39 30.434,62 29.754,61 29.587,47 22.872,74 29.163,38 17.215,54 19.979,89 18.001,23 -101.852 -512,07 3.498,01 4.038,36 4.558,94 4.693,63 4.554,38 4.334,00 4.212,42 3.746,30 3.557,17 5.035,88 329,35 9,343 7,536 6,527 6,304 5,022 6,729 4,087 5,333 5,061 -20,225 -1,555 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,120

Tabela 8: Resultados da anlise de regresso para dados gerais

Fonte: Dados provenientes da pesquisa

No entanto, como pode ser visualizado na tabela 8, o coeficiente referente a temperatura demonstrou-se no significativo a um nvel de significncia de 0,05. Por esse motivo, optou-se por formular um novo modelo de regresso linear, que apresentasse apenas as variveis com grau de significncia inferior a 0,05, retirando assim a varivel temperatura. O novo modelo de regresso linear apresentou coeficientes significativos para todas as variveis consideradas, considerando assim as variveis referentes a dia da semana, meses do ano, exceto dezembro, e a dummy referente a feriado (vide Tabela 9). Apesar da retirada da varivel temperatura, o ndice de explicao permaneceu em 67,2%. Com isso, possvel perceber que a explicao auferida atravs da variao da temperatura j explicada por outras variveis presentes no modelo, muito provavelmente a varivel referente aos meses do ano, que acabam apresentando certa sazonalidade de temperatura.
Varivies Constante Segunda-feira (D2F) Tera-feira (D3F) Quarta-feira (D4F) Quinta-feira (D5F) Sexta-feira (D6F) Sbado (D7) Fevereiro (DM2) Maro (DM3) Abril (DM4) Maio (DM5) Junho (DM6) Julho (DM7) Agosto (DM8) Coeficientes 44.940,18 98.816,28 99.097,88 99.035,43 98.507,12 88.090,37 10.984,03 13.764,26 33.691,81 33.710,95 34.507,93 34.525,23 27.594,70 33.370,25 Erro padro 2.826,84 1.999,07 3.002,77 3.014,09 3.027,06 3.024,33 3.024,16 3.501,87 3.438,72 3.446,70 3.383,59 3.457,74 3.395,61 3.387,31 Stat t 15,898 32,949 33,002 32,857 32,542 29,127 6,939 3,931 9,798 9,781 10,199 9,985 8,127 9,852 valor-P 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

11/14

ANAIS
Setembro (DM9) Outubro (DM10) Novembro (DM11) Feriado (FER) 21.044,72 22.460,63 19.371,12 -102.019 3.419,16 3.391,25 3.448,06 5.037,28 6,155 6,623 5,618 -20,25 0,000 0,000 0,000 0,000

Tabela 9: Resultados da anlise de regresso para dados gerais ajustados

Fonte: Dados provenientes da pesquisa

Desta forma, a frmula final para previso de demanda seria a seguinte: PDt = 44.940,18 + 98.816,28 (D2F) + 99.097,88 (D3F) + 99.035,43 (D4F) + 98.507,12 (D5F) + 88.090,37 (D6F) + 20.984,03 (D7) + 13.764,26 (DM2) + 33.691,81 (DM3) + 33.710,95 (DM4) + 34.507,93 (DM5) + 34.525,23 (DM6) + 27.594,70 (DM7) + 33.370,25 (DM8) + 21.044,72 (DM9) + 22.460,63 (DM10) + 19.371,12 (DM11) 102.019 (FER) CONSIDERAES FINAIS A utilizao de tcnicas estatsticas para a realizao de previses futuras tem se demonstrado uma importante alternativa para contrapor mtodos baseados unicamente na experincia profissional. Os resultados obtidos com esse trabalho, dessa forma, podem ser o ponto de partida para estudos voltados a prever e explicar a variabilidade no nmero de passageiros em empresas do setor de transporte coletivo no pas. Atravs das tcnicas estatsticas aqui utilizadas poder ser criado um mtodo que elimina (ou, pelo menos, diminui) a dependncia exclusivamente da experincia dos profissionais da rea. Um dos principais pontos a ser ressaltado a partir da anlise dos resultados a excluso da varivel ndice pluviomtrico no que diz respeito ao impacto na variabilidade do nmero de passageiros. Devido s caractersticas apresentadas pelos usurios do transporte coletivo, a hiptese inicial era de que a quantidade de chuvas impactasse negativamente no nmero de usurios. Acreditava-se que, pelo fato de que em dias em que a precipitao maior, as pessoas evitam sair de casa, o ndice de pessoas transportadas seria menor. Entretanto, as anlises estatsticas demonstraram que a influncia do ndice pluviomtrico sobre a quantidade de passageiros no significativa a um nvel de 0,05. Outro indicador que demonstrou no apresentar impacto significativo sobre a variao do nmero de passageiros foi a variao da temperatura. Em um primeiro momento, acreditava-se que o aumento da temperatura impactaria de forma diretamente proporcional no nmero de passageiros. Do contrrio, apesar de ter sido possvel comprovar que a variao de temperatura impacta de forma inversamente proporcional no nmero de passageiro em um nvel de significncia de 0,05, quando aliada aos demais indicadores, dias da semana e meses do ano, o mesmo provou no possuir influncia significativa. Aps essas anlises, foi considerada a possibilidade de incluir a varivel feriado, que pareceu exercer influncia sobre o nmero de passageiros. Ao rodar a anlise de regresso foi possvel verificar que o impacto dessa varivel sobre o nmero de passageiros foi significativo, o que levou sua incluso na anlise final. Atravs deste estudo, foi possvel constatar algumas variveis que interferem diretamente na variabilidade do nmero de passageiros, como fora imaginado no incio dos levantamentos. A sazonalidade o fator que maior impacto causa no nmero de passageiros, seja referente ao dia da semana, seja no que diz respeito ao ms do ano. Os meses de frias, como janeiro e fevereiro, apresentam queda significativa no nmero de passageiros em

12/14

ANAIS
relao aos demais meses do ano, assim como aos sbados, domingos, e tambm nos feriados, o nmero total de passageiros menor do que nos demais dias da semana. A inteno do presente trabalho, nesse sentido, no foi esgotar o assunto, muito menos fornecer respostas definitivas, visto que os estudos referentes previso da demanda no transporte coletivo ainda no esto deveras desenvolvidos. Pretende-se aqui, ao contrrio, iniciar uma linha de investigao que possa complementar os resultados preliminares, gerando no futuro um instrumento gerencial para gestores do transporte coletivo em todo o pas.

Referncias ARMSTRONG, J. S. Principles of forecasting. Kluwer Academic Publishers, 2001. BARBIERI, J. C.; MACHLINE, C. Logstica hospitalar: teoria e prtica. So Paulo: Saraiva, 2006. BATESON, J. E. G.; HOFFMAN, K. D. Marketing de servios. 4. ed. Porto Alegre: Bookman, 2001. BOLAND, J. J., Forecasting water use: a tutorial. Computer Applications in water Resources. New York: H. C. Torno, 1985. BOX, G. E. P.; JENKINS, G. M. Time series analysis: forecasting and control. San Francisco: Holden-Day, 1976. CPTEC Centro de Previso de Tempo e Estudos Climticos. Disponvel em: http://satelite.cptec.inpe.br/PCD/historico/consulta_pcda.jsp. Acesso em: 10 jan. 2009. CHAMBERS; J. C.; MULLICK; S. K.; SMITH, D. D. How to choose the right forecasting technique. Harvard Business Review, v. 49, n. 1, p. 45-74, July-Aug. 1971. CHURCHILL Jr.; PETER, J. P. Marketing: criando valor para os clientes. 3. ed. So Paulo: Saraiva, 2003. CORRA, W. R.; PORTUGAL, M. S. Previso de sries de tempo na presena de mudana estrutural: redes neurais artificiais e modelos estruturais. Economia Aplicada, v. 2, n. 3, p. 487-514,1998. DAVIS, M. M.; AQUILANO, N. J.; CHASE, R. B. Fundamentos da administrao da produo. 3. ed. Porto Alegre: Bookman, 2001. DIAS, G. P. P. Proposta de processo de previso de vendas para bens de consumo. In: XIX ENEGEP Encontro Nacional de Engenharia da Produo. Rio de Janeiro: ABEPRO, 1999. DIAS, M. A. P. Administrao de materiais: uma abordagem logstica. So Paulo: Atlas, 1990. ETZEL, M. J.; WALKER, B. J.; STANTON, W. J. Marketing. 11. ed. So Paulo: Makron Books, 2001. FACHIN, O. Fundamentos de metodologia. 4. ed. So Paulo: Saraiva, 2003. FITZSIMMONS, J. A.; FITZSIMMONS, M. J. Service management: operations, strategy, and information technology. 2nd edition. Boston: Irwin/McGraw-Hill, 1998. FLEURY, P. F.; WANKE, P.; FIGUEIREDO, K. F. Logstica e gerenciamento da cadeia de suprimentos: planejamento do fluxo de produtos e dos recursos. So Paulo: Atlas, 2003. FOGLIATTO, F. S.; RIBEIRO, J. L. D.; WERNER, L.; LEMOS, F. O.; BRUM, M. P. Previso de demanda por energia eltrica mtodo e aplicao. In: XXV ENEGEP Encontro Nacional de Engenharia de Produo. Porto Alegre: ABEPRO, 2005. GIANESI, I.; CORRA, H. Administrao estratgica de servios. So Paulo: Atlas, 1994. GRNROOS, C. Service management and marketing: managing the moment of truth in service competition. Lexington: Lexington Books, 1990.
13/14

ANAIS
GRNROOS, C. Marketing: gerenciamento e servios. 2. ed. Rio de Janeiro: Elsevier, 2004. HAIR Jr., J.; BABIN, B.; MONEY, A. H.; SAMOUEL, P. Fundamentos de mtodos de pesquisa em administrao. Porto Alegre: Bookman, 2005. HEIZER, J.; RENDER, B. Administrao de operaes bens e servios. 5. ed. Rio de Janeiro: LTC, 2001. HOWARD, J. A. Gerncia de marketing: anlise e planejamento. So Paulo: Pioneira, 1970. JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. 5th edition. Upper Saddle River: Prentice Hall, 2002. KAHN, K. B. An exploratory Investigation of new product forecasting practices. The Journal of Product Innovation Management, v. 19, p.133-143, 2001. KON, A. Economia de servios: teoria e evoluo no Brasil. Rio de Janeiro: Campus, 2004. KOTLER, P.; ARMSTRONG, G. Princpios de marketing. 9. ed. So Paulo: Pearson Prentice Hall, 2003. KOTLER, P.; KELLER, K. L. Administrao de marketing. 12. ed. So Paulo: Pearson Prentice Hall, 2006. KUYVEN, P. S.; CUNHA, G. D. Proposta de uma abordagem para previso de demanda por produtos. In: III Congresso Brasileiro de Gesto e Desenvolvimento de Produtos. Florianpolis, 2001. LOVELOCK, C.; WRIGHT, L. Servios: marketing e gesto. So Paulo: Saraiva, 2001. MAKRIDAKIS, S. Metaforecasting: ways of improving forecasting accuracy and usefulness. International Journal of Forecasting, v. 4, p. 467-491, 1988. MALHOTRA, N. K. Pesquisa de marketing: uma orientao aplicada. 4. ed. Porto Alegre: Bookman, 2006. MENTZER, J. T.; COX Jr., J. E. Familiarity, application, and performance of sales forecasting techniques. Journal of Forecasting, v. 3, n. 1, p. 27-37, Jan. 1997. MOREIRA, D. A. Administrao da produo e operaes. So Paulo: Pioneira Thomson Learning, 2004. MORETTIN, P. A.; TOLOI, C. M. Sries temporais. 2. ed. So Paulo: Atual, 1987. PESTANA, M. H.; GAGEIRO, J. N. Anlise de dados para cincias sociais. 4. ed. Lisboa: Silabo, 2005. SANDERS, N. R.; MANRODT, K. B. Forecasting practices in US corporations: survey results. Interfaces, v. 24, n. 2, p. 92-101, March 1994. SLACK, N.; CHAMBERS, S.; HARLAND, C.; HARRISON, A.; JKOHNSTON, R. Administrao da produo. So Paulo: Atlas, 1997. SOUZA, R. C.; CAMARGO, M. E. Anlise e previso de sries temporais: os modelos Arima. 2. ed. Rio de Janeiro: Grfica e Editora Regional, 2004. WEBBY, R.; OCONNOR, M. Judgmental and statistical time series forecasting: a review of the literature. International Journal of Forecasting, v. 12, p. 91-118, 1996. ZEITHAML, V. A.; BITNER, M. J. Marketing de servios: a empresa com foco no cliente. 2. ed. Porto Alegre: Bookman, 2003.

14/14