ANPET

AGRAVAMENTO DA TENDÊNCIA DE REDUÇÃO DA DEMANDA POR
TRANSPORTE PÚBLICO NA REGIÃO METROPOLITANA DO RECIFE NA FASE
PÓS-PANDÊMICA
Rodrigo Juan Martins Cardozo
Maurício Oliveira Andrade
Anísio Brasileiro
Iury Ribeiro Melo
Universidade Federal de Pernambuco - UFPE
RESUMO
Este artigo aborda o agravamento da tendência de redução da demanda por transporte público na Região
Metropolitana do Recife durante a fase pós-pandêmica. Apesar de representar um serviço essencial, sua demanda
vem diminuindo ao longo dos anos, comprometendo sua viabilidade. A pandemia acentuou essa tendência. O
objetivo do artigo é avaliar o comportamento da demanda durante a fase pandêmica e compará-lo com a tendência
utilizando séries temporais. Os resultados indicam que a pandemia exacerbou a redução da demanda, mesmo após
seu período crítico. Esses achados destacam a necessidade de medidas para reverter essa tendência e garantir
sustentabilidade ao transporte público.
ABSTRACT
This article addresses the worsening trend of reduced demand for public transportation in the Metropolitan Region
of Recife during the post-pandemic phase. Despite being an essential service, its demand has declined over the
years, jeopardizing its viability. The pandemic has further accentuated this trend. The objective is to assess the
demand behavior during the pandemic phase and compare it with the tendency using time series analysis. The
results indicate that the pandemic has exacerbated the demand reduction even after its critical period. These
findings highlight the need for measures to reverse this trend and ensure the sustainability of public transportation.
1. INTRODUÇÃO
O transporte público é um serviço essencial, pois permite acesso da população a oportunidades,
principalmente nos grandes centros urbanos. Representa ainda um direito social expresso no
artigo 6º da Constituição Federal adicionado pela Emenda Constitucional nº 90/2015 (BRASIL,
2016). Apesar do investimento em leis que impactam na mobilidade urbana como a Lei Federal
nº 12.587 que instituiu a Política Nacional de Mobilidade Urbana (BRASIL, 2012), a demanda
por transporte público vem caindo ao longo dos anos, seja por fatores econômicos ou pela
substituição por modos alternativos de transporte, como a motocicleta (RABAY et al., 2021).
Outro fator que impacta na demanda desse serviço é o uso cada vez mais frequente de
ridesourcing como Uber e 99 (LIMA et al., 2019; MOLINA et al., 2020). O anuário da
Associação Nacional das Empresas de Transporte Urbano (NTU) aponta queda no número de
passageiros transportados por veículo por dia nos sistemas de ônibus urbanos (NTU, 2022),
principalmente no ano de 2020, quando ocorreu o maior período de lockdown. A pandemia veio
para intensificar essa tendência de baixa procura pelo transporte público. A literatura mostra a
queda na demanda do serviço e a diminuição da oferta do transporte público ao redor do mundo,
ocasionado pela pandemia (ALOI et al., 2020; KRAEMER et al., 2020). Essa fase intensificou
mudanças no serviço e evidenciou novas práticas para a mobilidade urbana (BUDD; ISON,
2020; LUCCHESI et al., 2022).
A pandemia também impactou o transporte público na Região Metropolitana do Recife (RMR),
maior do Nordeste com uma população de 4 milhões de habitantes (IBGE, 2021), que
https://proceedings.science/p/174488?lang=pt-br

compreende 14 municípios. A empresa gestora do transporte público da região é a Grande
Recife Consórcio de Transportes, aprovada e regulamentada pela Lei de Consórcios Públicos
(BRASIL, 2005), é o ente público responsável pelo planejamento, gestão e implementação
compartilhada da política de transporte público coletivo da RMR, atuando para manter seu
serviço regular ao longo do ano. Os anuários da Grande Recife, também já vinham apontando
uma tendência de queda na demanda, mesmo antes da pandemia, porém essa tendência se
intensificou durante esse período. Essas perdas superaram em muito as tendências anteriores.
Uma previsão de demanda consiste em utilizar dados históricos para antecipar eventos futuros.
Um dos métodos utilizados para essa projeção é a série temporal, que é uma sequência de dados
observados ao longo do tempo com as observações uniformemente espaçadas em um período
determinado (dias, semanas, meses). Nesse método, não se associa o dado observado a qualquer
outra variável da qual supostamente possa depender. A hipótese básica é de que os valores
futuros podem ser estimados baseadas apenas nos valores passados (MOREIRA, 2008).
O modelo ARIMA ou Box-Jenkins é amplamente utilizado na estatística e econometria para
modelagem e previsões de séries temporais. Mariñas-Colado et al. (2022) utilizaram o modelo
ARIMA para prever a demanda de transporte público em Salamanca, Espanha. Além disso, eles
utilizaram ainda, o componente autoregressivo do modelo, para formar clusters e definir os
principais pontos de paradas em determinados horários. Hawoeth et al. (2012) utilizaram séries
temporais para preencher lacunas nas contagens de viagens unitárias que os sensores deixavam
de registrar, especialmente durante períodos de congestionamento, no centro de Londres.
Morretin & Toloi (2018) conceituam série temporal como um conjunto ordenado de
observações ao longo do tempo, caracterizadas por quatro elementos principais: tendência,
ciclo, sazonalidade e ruído aleatório. O ruído aleatório, por sua vez, é influenciado por eventos
imprevisíveis, como as manifestações populares conhecidas como Jornadas de Junho
(MARICATO et al., 2013). Esses protestos ocorreram em todo o país em 2013, inicialmente
convocados pelo Movimento Passe Livre em resposta ao aumento das tarifas de transporte
público, especialmente nas capitais brasileiras. Essas manifestações também ocorreram na
Região Metropolitana do Recife (RMR), com interrupções nas principais vias da cidade,
impactando na demanda dos meses de junho e julho de 2013.
Outros eventos que podem causar distorções são os Megaeventos, como a Copa do Mundo no
Brasil, entre junho e julho de 2014 com potencial de gerar variações aleatórias, especialmente
nas cidades-sede, como Recife. A pandemia de COVID-19 também apresenta esse
comportamento, resultando em uma lacuna entre a previsão e os dados reais observados.
A justificativa deste estudo reside na necessidade de compreender a magnitude da redução no
número de passageiros equivalentes na Região Metropolitana do Recife durante a pandemia,
abrangendo o período de março de 2020 a dezembro de 2022. Isso servirá como base para inferir
a perda de receita ao longo desse período, uma vez que a bilhetagem é a principal forma de
remuneração do sistema. Além disso, a análise da série temporal também permite verificar se a
demanda retornou ao seu nível normal ou ainda está operando abaixo do previsto, fornecendo

uma avaliação do impacto real decorrente da pandemia.
Este trabalho tem como objetivo determinar a perda da demanda do transporte público da
Região Metropolitana do Recife durante a pandemia de COVID-19, a partir da comparação
entre os dados dos anuários da Grande Recife Consórcio de Transportes e uma previsão criada
utilizando uma série temporal. Com essa comparação também é possível determinar se a
demanda retornou à normalidade esperada ou se continua em defasagem.
2. PREVISÕES UTILIZANDO SÉRIES TEMPORAIS
Uma série temporal apresenta dados coletados sequencialmente no tempo, sem qualquer outra
variável que possa influenciar. Assim espera-se que ela apresente correlação seriada no tempo.
Os modelos de Box-Jenkins, genericamente conhecidos por ARIMA (Auto Regressive
Integrated Moving Averages) são modelos matemáticos que visam captar o comportamento da
correlação seriada ou autocorrelação entre os valores da série temporal, e com base nesse
comportamento realizar previsões.
O modelo foi sistematizado por George Box e Gwilym Jenkins, em 1976 (BOX; JENKINS,
1976) e possui: componente autorregressivo (AR), que indica que a variável de interesse é
regida pelos seus próprios valores, sem necessidade de uma variável independente; o filtro de
integração (I) indicando que os dados foram substituídos pela diferença de seus valores; e o
componente de médias móveis (MA) apontando que os erros da regressão são uma combinação
de termos de erros cujos valores ocorrem próximos em vários momentos anteriores. O objetivo
de cada um desses componentes é ajustar o modelo aos dados.
Modelos ARIMA, quando não apresentam sazonalidade, são definidos da seguinte forma:
ARIMA(p,d,q), onde p é o grau do polinômio autorregressivo (p ≥ 0), d é o número de
diferenciações (d ≥ 0) e q o grau do polinômio de médias móveis (q ≥ 0). Esse modelo explora
a autocorrelação entre os valores da série em instantes sucessivos, porém quando os dados estão
categorizados em períodos inferiores a um ano, a série pode apresentar autocorrelação com uma
sazonalidade s. Os modelos que relacionam a série com a sazonalidade são conhecidos como
SARIMA. Esses modelos contêm uma parte não sazonal, com parâmetros (p,d,q), e uma
sazonal, com parâmetros (P,D,Q)s. Uma série pode ser modelada pela combinação dos três
componentes ou apenas um subconjunto deles, resultando em vários modelos.
Caso a série temporal não seja estacionária é necessário a transformação da série. Morretin &
Toloi (2018), sugerem como transformação mais comum a diferenciação, que consiste em
tomar diferenças sucessivas da série original até obter uma série estacionária. O número d de
diferenças necessárias para tornar a série estacionária é a ordem de integração indicada no
ARIMA(p,d,q). A ordem de integração indica quantas diferenciações são necessárias para
tornar a série estacionária e assim proseguir para determinação do melhor modelo. A construção
do modelo Box-Jenkins é baseada em um ciclo interativo, no qual a escolha do modelo é feita
com base nos próprios dados. Os autores indicam que existem três etapas para construção do
modelo (identificação, estimação e verificação) que serão descritas nas seções seguintes.
2.1. Identificação
Esta etapa consiste em descobrir qual dentre as várias versões dos modelos de Box-Jenkins,

sejam eles sazonais ou não, descreve o comportamento da série. A identificação do modelo a
ser estimado ocorre pelo comportamento das funções de autocorrelações (ACF) e das funções
de autocorrelações parciais (PACF) (MORETTIN; TOLOI, 2018). Além dessa análise, o
comportamento também pode ser verificado aplicando testes estatísticos de raiz unitária ou de
tendência determinística.
A análise gráfica indica para séries temporais estacionárias, que ambos os coeficientes ACF e
PACF tendem a zero, enquanto as séries não estacionárias possuem coeficientes diferentes de
zero para diversos períodos da série temporal (BOX; JENKINS, 1976).
O teste de raiz unitária mais utilizado é o Dickey Fuller e o teste de tendência determinística é
o Kwiatkowski-Phillips-Schmidt-Shin (Teste KPSS). Nesses testes são estabelecidos valores
críticos. Os testes estatísticos devem apresentar valores menores que os críticos para que a série
seja estacionária. Outro teste feito na etapa inicial é o teste Ljung-Box, que determina se há
autocorrelação residual significativa na série temporal com base nos resíduos do modelo. Nesse
teste é determinado o p-valor que se for ≥ 0,05, a série é não auto correlacionada, apresentando
apenas valores aleatórios, porém se for ≤ 0,05, a série é auto correlacionada
2.2. Estimação
Consiste em estimar os parâmetros p e P do componente autorregressivo, os parâmetros q e Q
do componente de médias móveis e a variância. Nessa etapa ajusta-se o modelo aos dados da
série temporal, incluindo defasagens adicionais nos processos AR (p), MA (q), ARMA (p,q) e
ARIMA (p,d,q), ou seja, os parâmetros p se houver um componente autorregressivo, os
parâmetros q se houver o filtro de médias móveis e a variância do ruído branco.
2.3. Verificação
Etapa que avalia se o modelo é adequado para descrever o comportamento dos dados,
verificando a normalidade dos resíduos. Esses modelos são baseados em estimativas de
parâmetros pressupondo que os resíduos sigam uma distribuição normal. Portanto, se os
resíduos não forem normalmente distribuídos, as estimativas dos parâmetros podem ser
tendenciosas ou incorretas, levando a imprecisões. Caso o modelo não seja adequado, o ciclo é
repetido, voltando-se à fase de identificação. Quando se obtém o melhor modelo, passa-se à
última etapa da metodologia de Box-Jenkins, que objetiva principalmente realizar previsões.
3. METODOLOGIA
A modelagem da série temporal utilizando o método de Box-Jenkins foi aplicada a linguagem
R, no ambiente de desenvolvimento R Studio, versão 2023.3.0.386. Com a disponibilidade de
dados a partir dos anuários da Grande Recife Consórcio de Transportes pode-se gerar a previsão
de diversas formas, considerando-se que os dados obtidos são uma série temporal, independente
do seu tipo e de variável única.
O processo de modelagem foi realizado utilizando os dados da série temporal de janeiro de
2007 a fevereiro de 2020 para realização da previsão de março de 2020 até dezembro de 2022,
meses impactados pela pandemia, e comparar com os dados reais fornecidos pela Grande Recife
Consórcio de Transportes referente ao mesmo período. A determinação do melhor modelo
seguiu as três etapas para construção Box-Jenkins acrescidos de testes estatísticos que auxiliam

em cada etapa:
● Identificação: além das análises gráficas sugeridas do Box-Jenkins, ACF e PACF, foram
aplicados os testes Ljung-Box, Dickey Fuller e o Kwiatkowski-Phillips-Schmidt-Shin para
determinar a presença de autocorrelação e se a série é ou não estacionária. Não sendo
estacionária será feita a diferenciação para sequência do trabalho;
● Estimação: foi aplicado a função auto.arima pertencente ao pacote forecast, utilizando a
linguagem R no software R Studio que seleciona a partir de uma série de combinações o
melhor modelo para previsão; e a
● Verificação: onde foi analisada a normalidade dos resíduos para validação do modelo tanto
na forma gráfica, como sugerem os autores, como com o teste de Shapiro-Wilk.
Definido o melhor modelo ARIMA, foi feita a previsão da demanda para os 34 meses
subsequentes (março de 2020 a dezembro de 2022) e em seguida a previsão foi comparada com
os dados reais do mesmo período.
4. RESULTADOS E DISCUSSÕES
A série temporal em estudo representa a quantidade de passageiros equivalentes da RMR por
mês, sendo os dados referentes a janeiro de 2007 até dezembro de 2022, totalizando 192
amostras disponíveis para ajuste e modelagem (Gráfico 1). O gráfico apresenta a série temporal
da demanda de passageiros equivalentes ao longo dos anos, na qual o eixo y representa a
quantidade de passageiros equivalentes; e, o eixo x, os anos/meses correspondentes a coleta de
dados.
Gráfico 1: Demanda x Ano de passageiros equivalente da RMR de 2007-2022. Fonte:Autores
Para previsão da demanda durante a pandemia foram utilizados apenas os dados
correspondentes a janeiro de 2007 a fevereiro de 2020, pois em março de 2020 entraram em
vigor os decretos de restrição de circulação que impactaram diretamente na demanda
(PERNAMBUCO, 2020).
Para Morretin & Toloi (2018) a série temporal é compostas de quatro elementos verificados na
série em questão:
• Tendência: verifica o sentido de deslocamento da série ao longo do tempo. A série não
apresenta valores constantes de demanda a cada mês, o que indica que a série não é
estacionária, pois não se mantém dentro de uma média, apresentando tendências, de

crescimento de 2007 a 2011 e de queda 2012 a 2019.
• Ciclo: movimento ondulatório que ao longo de vários anos tende a ser periódico, porém,
ou ciclos que fogem da média da série indicativo de série não estacionária.
• Sazonalidade: movimento ondulatório de curta duração, em geral inferior a um ano.
Observa-se no gráfico um padrão de sazonalidade, com quedas e acréscimos sempre nos
mesmos períodos, com queda em meses de férias escolares.
• Ruído aleatório ou erro: compreende a variabilidade intrínseca aos dados e não pode ser
modelado, são os eventos aleatórios como Copa do Mundo ou as Jornadas de Junho de
2013.
A primeira etapa para a previsão é a de identificação da condição estacionária e da existência
de autocorrelação da série temporal. A Análise gráfica da ACF (Gráfico 2) e da PACF (Gráfico
3) mostram que a série é não estacionária para a ACF, apresentando autocorrelações
significativas em vários lags, já o PACF indica forte autocorrelação no primeiro lag e fracas
nas demais, assim a estacionariedade será confirmada pelos outros testes. O teste Ljung-Box
apresentou p-valor ≤ 0,05 indicando que a série é auto correlacionada. Para os testes KPSS e
Dickey Fuller a um intervalo de confiança de 5%, a série é não estacionária. Para a sequência
do trabalho foi necessário transformá-la, pois os procedimentos de análise estatística de séries
temporais pressupõem que as séries temporais sejam estacionárias.
Gráfico 2: Funções de autocorrelações (ACF). Fonte: Autores
Gráfico 3: Funções de autocorrelações parciais (PACF). Fonte: Autores
Após diferenciação graficamente a série se apresenta estacionária (Gráfico 4) além do ACF
(Gráfico 5) e PACF (Gráfico 6), porém foram aplicados os testes Dickey Fuller e o Teste KPSS
para validação, ambos indicando que a série é estacionária. O teste Ljung-Box continuou

apresentando p-valor ≤ 0,05 indicando que a série é auto correlacionada.
Gráfico 4: Diferenciação da Demanda x Ano de passageiros equivalente da RMR de janeiro de 2007 a fevereiro
de 2020. Fonte:Autores
Gráfico 5: Funções de autocorrelações (ACF) da diferenciação. Fonte: Autores
Gráfico 6: Funções de autocorrelações parciais (PACF) da diferenciação. Fonte: Autores
Com a série estacionaria foi feito a etapa de estimação, aplicando a série a função auto.arima
pertencente ao pacote forecast do R Studio que determinou o melhor modelo
SARIMA(2,0,0)(2,0,0)[12]. Esse melhor modelo ajustado à série temporal pode ser descrito, por
duas constantes auto regressivas simples (p) e duas sazonais (P), sem termos constantes de
média móvel simples (q), nem constantes sazonais de média móvel (Q).
Na etapa de verificação foi feita a análise dos resíduos (Gráfico 7) para checar a normalidade e
assim confirmar sua viabilidade. A análise dos resíduos mostra que apresentam normalidade
demonstrado pela presença da curva normal, confirmada pelo teste de Shapiro-Wilk com p-

valor ≤ 0,05. Essa etapa de validação com os resíduos normalizados define que o modelo não
apresenta tendências. Assim seguiu-se para a realização da previsão.
Para o modelo foram solicitadas 34 previsões na série temporal entre março de 2020 a dezembro
de 2022 (Gráfico 8). Esses meses correspondem aos que a demanda foi impactada pela
pandemia. Em seguida foi feita a reversão da diferenciação, obtendo assim a série temporal da
demanda prevista sem considerar a pandemia (Gráfico 9). De posse da previsão dessa demanda,
seguiu-se a plotagem dos gráficos da demanda real ao longo do tempo (Gráfico 1) com a
previsão da demanda sem a pandemia (Gráfico 9) que resultou nos Gráficos 10 e 11.
Gráfico 7: Comportamento dos resíduos do modelo estimado. Fonte: Autores
Gráfico 8: Previsão utilizando a série temporal da diferenciação. Fonte:Autores

Gráfico 9: Série temporal após reversão da diferenciação. Fonte: Autores
Gráfico 10: Série temporal de 2007 a 2022, real (preto) e projetada (vermelho). Fonte: Autores
Gráfico 11: Série temporal de 2020 a 2022, real (preto) e projetada (vermelho). Fonte: Autores
A Tabela 1 sintetiza a perda da demanda, diferença entre a projeção e a real, por ano, e mostra
uma recuperação gradual da demanda ao longo dos anos. A análise dos resultados mostra que
a demanda perdida pela pandemia não foi recuperada, com uma defasagem média de 3.259.046
de passageiros por mês em 2022. A Tabela 2 sintetiza os dados da previsão e da demanda real,
mostrando a demanda real sempre abaixo da previsão, o que significa perda de demanda em

todos os meses, chegando ao máximo de 68,14% em maio de 2020 e um mínimo de 8,35% em
março de 2022. A fase crítica foi de março a agosto de 2020.
Tabela 1: Síntese da perda de demanda por ano. Fonte: Autores
ANO ∑ PERDA MÍNIMO MÉDIA MÁXIMO
2020 98.804.179 5.572.005 9.880.418 16.279.533
2021 72.704.531 3.409.667 6.058.711 8.093.994
2022 39.108.552 1.807.656 3.259.046 4.671.330
Tabela 2: Comparação dos dados de demanda real e previsão pelo modelo
ARIMA(2,0,0)(2,0,0)[12]
MÊS/ANO DEMANDA
REAL
PREVISÃO PERDA DE
DEMANDA
OPERAÇÃO PERDA (%)
MAR/20 17.569.370 23.141.375 5.572.005 75,92% 24,08%
ABR/20 7.584.885 23.243.650 15.658.765 32,63% 67,37%
MAI/20 7.613.142 23.892.675 16.279.533 31,86% 68,14%
JUN/20 9.833.542 22.558.904 12.725.362 43,59% 56,41%
JUL/20 13.526.061 22.588.000 9.061.939 59,88% 40,12%
AGO/20 14.737.300 24.715.889 9.978.589 59,63% 40,37%
SET/20 15.266.086 23.603.139 8.337.053 64,68% 35,32%
OUT/20 16.462.352 24.543.402 8.081.050 67,07% 32,93%
NOV/20 16.936.340 23.548.462 6.612.122 71,92% 28,08%
DEZ/20 16.760.894 23.258.655 6.497.761 72,06% 27,94%
JAN/21 15.357.265 22.026.872 6.669.607 69,72% 30,28%
FEV/21 14.887.666 21.858.006 6.970.340 68,11% 31,89%
MAR/21 14.361.174 22.201.811 7.840.637 64,68% 35,32%
ABR/21 14.384.099 22.478.093 8.093.994 63,99% 36,01%
MAI/21 15.470.564 23.174.911 7.704.347 66,76% 33,24%
JUN/21 14.343.744 21.646.875 7.303.131 66,26% 33,74%
JUL/21 16.799.783 21.893.773 5.093.990 76,73% 23,27%
AGO/21 18.087.975 23.559.105 5.471.130 76,78% 23,22%
SET/21 18.048.302 22.840.703 4.792.401 79,02% 20,98%
OUT/21 18.304.755 23.565.690 5.260.935 77,68% 22,32%
NOV/21 18.662.700 22.757.052 4.094.352 82,01% 17,99%
DEZ/21 19.103.824 22.513.491 3.409.667 84,86% 15,14%
JAN/22 16.822.158 21.493.488 4.671.330 78,27% 21,73%
FEV/22 17.014.084 21.205.011 4.190.927 80,24% 19,76%
MAR/22 19.846.110 21.653.766 1.807.656 91,65% 8,35%
ABR/22 18.247.183 21.798.182 3.550.999 83,71% 16,29%
MAI/22 18.833.710 22.276.253 3.442.543 84,55% 15,45%
JUN/22 18.181.368 21.253.942 3.072.574 85,54% 14,46%
JUL/22 18.570.726 21.364.863 2.794.137 86,92% 13,08%
AGO/22 20.770.685 22.675.305 1.904.620 91,60% 8,40%
SET/22 19.338.231 22.053.292 2.715.061 87,69% 12,31%
OUT/22 19.173.882 22.627.829 3.453.947 84,74% 15,26%

NOV/22 18.006.720 22.002.664 3.995.944 81,84% 18,16%
DEZ/22 18.308.424 21.817.238 3.508.814 83,92% 16,08%
5. CONCLUSÕES
A previsão de demanda tem um papel importante na organização e na gestão de serviços de
transportes públicos. O caso em estudo comparou a previsão da demanda de transportes
públicos nos períodos de março de 2020 a dezembro de 2022 com os dados reais impactados
pela pandemia. Essa comparação é importante para se estimar o quanto o sistema perdeu
durante o surto de COVID-19. Ao mesmo tempo tem se observado a tendência de queda
apresentada pela série temporal projetada, uma vez que a retomada pós pandemia ainda não se
igualou ao que era previsto. Isso indica a existência de uma perda real ocasionada pela pandemia
com uma perda média de 15,36% no ano de 2022.
O transporte é um serviço que não é possível de ser estocado e armazenado, ou seja, uma vez
oferecido, se não utilizado, se transforma em perda de receita e/ou custo irreversível, assim a
queda da demanda, chegando a 68,14% no mês de maio de 2020, prejudica o funcionamento
do sistema que na ocasião deve ter operado com prejuízo para os operadores, o que pode ter
induzido à redução de oferta, para equacionar a receita. Essa redução da oferta em tempos de
pandemia é prejudicial à saúde pública, pois pode ocasionar superlotações e contribuir para
disseminação do vírus. Chega-se, assim, a um impasse onde as empresas não podem operar
com prejuízo, nem reduzir a oferta do serviço sem causar agravos à saúde pública.
Uma solução possível em tempos pandêmicos, ou de perdas da demanda ocasionada por eventos
aleatórios, é o subsídio governamental, para que o serviço não deixe de ser ofertado, ou reduzido
e o operador não assuma o prejuízo. Nesse ponto a série temporal serve para ambos, seja para
os órgãos governamentais preverem o dimensionamento possível do sistema, quanto para os
operadores dimensionarem a frota, reforçando ou diminuindo em períodos específicos, mas
com o poder público sempre procurando garantir os preceitos da Constituição Federal de 1988,
relativos à qualidade, continuidade dos serviços e modicidade tarifária.
Como recomendação para trabalhos futuros, se faz necessário a construção de séries temporais
com os dados da evolução da pandemia, verificando se há uma associação temporal entre a
demanda por transporte público e situações como crescimento de contaminados ou óbitos e a
evolução da vacinação, tentando-se assim associar as fases da pandemia com a flutuação da
demanda, seja relativa à sua redução ou recuperação. O estudo das séries temporais é de grande
utilidade na definição de estratégias de políticas que foram adotadas durante e pós pandemia ,
pelos organismos gestores e empresas operadoras, relativas por exemplo, à redução da oferta
dos serviços de transporte por ônibus, à reorganização das linhas e ônibus, à adoção de serviços
que estimulem os deslocamentos de proximidade das residências, procurando-se verificar em
que medidas essas políticas estiveram e são condizentes com os princípios da Constituição
Federal, relativos à qualidade, regularidade, continuidade e modicidade das tarifas, posto que
trata-se de um serviço público essencial para a população brasileira.
AGRADECIMENTOS
A Fundação de Amparo à Ciência e Tecnologia do Estado de Pernambuco (FACEPE) pelo apoio a realização desse

trabalho (processo nº IBPG-1314-3.01/22) e Grande Recife Consórcio de Transporte pelo fornecimento dos dados.
REFERÊNCIAS
ALOI, A. et al. Effects of the COVID-19 Lockdown on Urban Mobility: Empirical Evidence from the City of
Santander (Spain). Sustainability 2020, Vol. 12, Page 3870, v. 12, n. 9, p. 3870, 9 maio 2020.
BOX, G.; JENKINS, G. Time series analysis forecasting and control. San Francisco: Holden-Day, 1976.
BRASIL. Lei Federal no 11.107/2005 – Lei de Consórcios Públicos. (Senado Federal, Ed.) Brasília, DF, 2005
Disponível em: < https://www.planalto.gov.br/ccivil_03/_ato2004-2006/2005/lei/l11107.htm>. Acesso
em: 08 jun. 2023.
BRASIL. Lei Federal no 12.587/2012 - Política Nacional de Mobilidade Urbana. (Senado Federal, Ed.) Brasília,
DF, 2012 Disponível em: <https://www.planalto.gov.br/ccivil_03/_ato2011-2014/2012/lei/l12587.htm>.
Acesso em: 08 jun. 2023.
BRASIL. Constituição da República Federativa do Brasil. (Senado Federal, Ed.) Brasília, DF, 2016. Disponível
em: <https://www2.senado.leg.br/bdsf/bitstream/handle/id/518231/CF88_Livro_EC91_2016.pdf>.
Acesso em: 08 jun. 2022
BUDD, L.; ISON, S. Responsible Transport: A post-COVID agenda for transport policy and practice.
Transportation Research Interdisciplinary Perspectives, v. 6, 1 jul. 2020.
HAWORTH, J.; CHENG, T. Non-parametric regression for space–time forecasting under missing data.
Computers, Environment and Urban Systems, v. 36, n. 6, p. 538–550, 1 nov. 2012.
IBGE. Estimativa da População Residente nos Municípios Brasileiros 01/07/2021 Disponível em:
<https://ftp.ibge.gov.br/Estimativas_de_Populacao/Estimativas_2021/estimativa_dou_2021.pdf>. Acesso
em: 9 dez. 2022.
KRAEMER, M. U. G. et al. The effect of human mobility and control measures on the COVID-19 epidemic in
China. Science, v. 368, n. 6490, p. 493–497, 1 maio 2020.
LIMA, D. et al. Análise Sobre o Impacto dos Aplicativos de Ridesourcing nas Ações dos Planos de Mobilidade
Urbana. 33o Congresso de Pesquisa e Ensino em Transporte da ANPET, 2019.
LUCCHESI, S. T. et al. Public Transport COVID-19-Safe: New Barriers and Policies to Implement Effective
Countermeasures under User’s Safety Perspective. Sustainability (Switzerland), v. 14, n. 5, 2022.
MARICATO, E. et al. Cidades rebeldes: passe livre e as manifestações que tomaram as ruas do Brasil. 1. ed. São
Paulo: Boitempo, Carta Maior, 2013.
MARIÑAS-COLLADO, I. et al. Clustering and Forecasting Urban Bus Passenger Demand with a Combination
of Time Series Models. Mathematics, v. 10, n. 15, 1 ago. 2022.
MOLINA, M. C. et al. Análise do Impacto Regulatório no Transporte Público: O Caso de Porto Alegre com a
Chegada do Ridesourcing. 34o Congresso de Pesquisa e Ensino em Transporte da ANPET, 2020.
MOREIRA, D. A. Administração da produção e operações. São Paulo: Pioneira, 2008.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. 3. ed. São Paulo: Editora Blücher, 2018. v. 1
NTU. Anuário 2022. Brasília: [s.n.]. Disponível em: <www.ntu.org.br>.
PERNAMBUCO, Decreto nº 48.809, de 14 de março de 2020. Regulamenta medidas temporárias para
enfrentamento da emergência decorrente do coronavírus responsável pelo surto de 2019, conforme previsto
na Lei Federal nº 13.979, de 6 de fevereiro de 2020.
RABAY, L. et al. A portrait of the crisis in the Brazilian urban bus system: An analysis of factors influencing the
reduction in usage. Case Studies on Transport Policy, v. 9, n. 4, p. 1879–1887, 1 dez. 2021.
Powered by TCPDF (www.tcpdf.org)

ANPET

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a ANPET

Semelhante a ANPET (20)

ANPET