Dados do Trabalho

Título

ESTIMANDO OS EFEITOS COVID-19 NO TRANSPORTE INTERMUNICIPAL DO RIO GRANDE DO SUL

Resumo

O transporte público no Brasil, com destaque para o modal rodoviário, mesmo antes da pandemia de COVID-19 já se encontrava em dificuldades. O cenário de crise sistêmica e dificuldades, com majoração constante de tarifas e piora relativa na qualidade dos serviços, restou ainda mais agravado pela pandemia de COVID-19. O presente estudo objetiva contribuir, desenvolvendo metodologia, a fim de se avaliar os impactos do vírus sobre a demanda e a receita do Sistema de Transporte Intermunicipal de Passageiros da Região Metropolitana de Porto Alegre e de Longo Curso do Rio Grande do Sul. Utilizam-se métodos econométricos de análise de séries temporais, tendência, adaptando-se a metodologia Box-Jenkins para quantificar os efeitos nas variáveis analisadas.

Palavras Chave

Transporte Intermunicipal de Passageiros. Covid-19. Impactos. Box-Jenkins.Séries Temporais. Metodologia.

Introdução/Objetivos

O Transporte Intermunicipal de Passageiros do Estado do Rio Grande do Sul evidencia importante objeto de estudo para a Regulação. Constitui desafio o estabelecimento de metodologias, principalmente na área tarifária, que mantenham o equilíbrio econômico-financeiro, frente ao cenário de dificuldades. De maneira resumida, podemos caracterizá-lo como dividido em Aglomerações Urbanas e Longo Curso. Sendo as Aglomerações Urbanas quatro: Região Metropolitana de Porto Alegre (RMPA), atendendo as cidades que orbitam a capital; Região Metropolitana da Serra Gaúcha (RMSG); Aglomeração Urbana do Litoral Norte; e Aglomeração Urbana da Região Sul, possuindo Pelotas como centro.
Nesse contexto, anteriormente a pandemia de Covid-19, já se destacava a intensa crise sistêmica vivenciada pelos operadores dos serviços. Sucessivas quedas de demanda, diminuição no número de passageiros e receita geraram pressões sobre as tarifas e qualidade do serviço. Constituindo-se em um desafio à atividade de regulação. Para a Agência Estadual, responsável legal por garantir tarifas módicas e serviços adequados, a pergunta era: Como reverter o quadro garantindo a qualidade em um ambiente de crise com redução significativa na rentabilidade das empresas e no equilíbrio econômico dos serviços, mantendo a modicidade tarifária?
A pandemia de coronavírus, iniciada no Brasil em março de 2020, somou-se as dificuldades enfrentadas, agravando o quadro de maneira significativa. Os efeitos sobre a Economia, advindos das necessárias medidas de contenção do vírus, geraram queda no produto, diminuição e restrição da atividade. O transporte intermunicipal de passageiros experimentou significativa e abrupta redução na demanda e na receita dos serviços.
Este trabalho, analisando o quadro enfrentado, visa desenvolver e aplicar metodologia para que se possa quantificar os possíveis efeitos pandêmicos sobre os sistemas de transporte. Torna-se necessário advertir que não se busca quantificar numa relação de causa e efeito perfeita todo o efeito sobre o sistema. Busca-se, porém, através de modelos econométricos, verificar, dada a tendência de queda nas variáveis anterior a pandemia e a crise sistêmica, para o ano de 2020, quanto maior se verificou a diminuição na demanda e receita do que já seria esperado? Separando-se crise sistêmica e efeito COVID-19.

Metodologia

Utilizar-se-ão métodos econométricos, de análise de séries temporais, que parecem adequados ao problema proposto. Partir-se-á da consagrada metodologia Box-Jenkins para análise de série temporal, adaptando-a ao contexto.
Dessa forma, os dados disponíveis são séries temporais. Do ponto de vista econométrico a ordenação da variável, ou seja, sua ordem cronológica transmite informações potencialmente importantes (WOOLDRIDGE, 2018). Uma metodologia bastante tradicional para se trabalhar séries temporais univariadas é a Box, Jenkins e Reinsel (1994) , como apresentada em Bueno (2012), consistindo em:

1. Identificar as ordens p e q do modelo.
2. Estimar o modelo.
3. Verificar se os resíduos estimados não rejeitam a hipótese nula de que sejam um ruído branco. Se não rejeitam, passa-se ao próximo passo. Se rejeitam, retorna-se ao primeiro passo.
4. Prever.

Nesse contexto, desejaremos observar o comportamento das variáveis de interesse para o Transporte Público Intermunicipal do Estado do Rio Grande do Sul entre janeiro de 2015 a dezembro de 2019, gerando uma previsão para 2020. A partir desse previsão, comparar-se-á os dados reais e os previstos. Gerando uma quantificação entre o que seria esperado pelo modelo num cenário sem pandemia frente ao ano com a presença de COVID-19.
Quando se fala em modelos, os da classe ARMA, tem a vantagem de serem amplamente utilizados em estudos semelhantes e não derivarem de nenhuma teoria econômica específica, sendo o comportamento das variáveis explicado somente pelos seus valores defasados e pelos erros. O modelo geral pode ser representado por:



Portanto, de maneira bastante resumida, o trabalho consistirá em identificar as ordens p e q do modelo, estimando-o, verificando se possuem as propriedades estatísticas e econométricas desejáveis, gerando uma previsão através dos dados anteriores a pandemia. A partir dessa previsão, far-se-á a comparação com o que foi verificado em 2020. Buscando apontar e quantificar os efeitos sobre o sistema de transporte do Estado do Rio Grande do Sul.

Resultados e Discussão

Os resultados preliminares apontam que, sob as variáveis de interesse, ou seja a Receita Total mensal em valores constantes e o número de passageiros transportados, mesmo frente a crise sistêmica anterior, a pandemia de COVID-19 pode ter gerado um efeito significativo a ponto de desequilibrar e inviabilizar o serviço no longo prazo.

Gráfico 1- Decomposição do número de Passageiros Mensais Transportados no Longo Curso entre Janeiro de 2015 e Dezembro de 2019.


Fonte: Elaboração própria

Mesmo antes da pandemia, a decomposição dos elementos que compõe uma série temporal, principalmente o segundo, a linha de tendência de longo prazo (TREND), já apontava para crise sistêmica e dificuldades. Somando-se a esses cenários, mesmo as piores previsões para o ano de 2020, considerando-se um intervalo de confiança de 95% não foram capazes de captar o que ocorreu com a pandemia. Evidenciando que os efeitos da mesma podem ter ocasionado dificuldades que colocam em risco a viabilidade e o equilíbrio econômico-financeiro dos sistemas.



Tabela 1- Resultados Preliminares do Modelo de Previsão para o Sistema de Longo Curso


Fonte: Elaboração Própria

Da tabela acima, verifica-se que o centro do intervalo previsto pelo modelo para o ano de 2020 situava-se na casa dos 21 milhões de passageiros, variando, com 95% de confiança, entre 10 e 33. Quando se compara com a série observada, pode-se facilmente verificar que, mesmo bastante elástico o intervalo, o que se confirmou foi o degrau, ou seja, o piso do estimado pelo modelo. O pior cenário possível. Frente ao centro do intervalo, algo como uma redução inesperada em 50% no número de passageiros.

Conclusão

Pode-se, então, considerando o cenário apresentado, que a pandemia de COVID-19, para o sistema de Transporte Intermunicipal de Passageiros do Estado do Rio Grande do Sul, teve como efeito, agravar, ainda mais, uma situação já bastante complicada. O que se verificou foi que, quando se utiliza modelos econométricos nas variáveis de interesse, a fim de prevê-las, a crise do corona vírus levou a se verificar o pior cenário possível para os serviços. Nesse sentido, mesmo que já se considerasse a tendência de queda, o centro da previsão (FORECAST) restava como valor mais provável. Portanto, confirmou-se o cenário com redução de cerca de 50% no número de passageiros transportados, frente ao que era mais provável.
Esse resultado evidencia as dificuldades sistêmicas e a necessidade urgente de soluções extra-tarifárias para que se possa garantir no longo prazo a sustentabilidade econômico-financeira dos serviços.

Referências Bibliográficas

ALZAHRANIIBRAHIM,S.I; EBRAHIM,A.A.; AL-FAKIH,A. Forecasting the spread of the COVID-19 pandemic in Saudi Arabia using ARIMA prediction model under current public health interventions. Journal of Infection and Public Health. Volume 13, Issue 7, p. 914-919, 2020.
BOX, G.; JENKINS, G.; REINSEL, G. C. Time Series Analysis, Forecasting and Control. 3.ed. Englewood Cliffs:Prentice-Hall, 1994.
BUENO, R., Econometria de séries temporais. 2ª Ed. São Paulo: Cengage Learning, 2012.
CEYLAN, Z., Estimation of COVID-19 prevalence in Italy, Spain, and France. Science of The Total Environment, volume 729, 2020.
ENDERS, W., Applied Econometric Time Series. John Wiley & Sons, Inc. 1995.
ENGLE, R. Autoregressive conditional heteroscedasticity with estimates of the variance of united kingdom inflation. Econometrica, v. 50, n. 4, p. 987–1007, 1982.
FERREIRA, P. G. C. Análise de séries temporais em R: Curso introdutório. São Paulo, SP: GEN Atlas, 2018.
HAMILTON, J., Time Series Analysis. Princeton: Princeton University Press, 1994. HYNDMAN,R.J; KOEHLER,A.B. Another look at measures of forecast accuracy. International Journal of Forecasting, p. 679-688, 2006.
KUFEL, T. ARIMA-based forecasting of the dynamics of confirmed Covid-19 cases for selected European countries.Journal ofEquilibrium. Quarterly Journal of Economics and Economic Policy, p. 182-204, 2020. SECCHI, L.. (2014). Leonardo. Políticas Públicas: conceitos, esquemas de análise, casos práticos. 2° Ed. São Paulo: Cengage Learning.
SCALETZKY,H.L, A morte do transporte púbico - análise da sustentabilidade econômicofinanceira do sistema de ônibus de Porto Alegre.Trabalho de Conclusão de Curso de Graduação. Escola de Engenharia- UFRGS, 2019.
LJUNG, G. M.; BOX, G. E. P.On a measure of lack of fit in time series models.Biometrika.v.65, p. 297–303, 1978.
JARQUE, C. M.; BERA, A. K. Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics letters, v. 6, n. 3, p. 255- 259, 1980.
TAKASAKI, E. A. O novo modelo brasileiro de exploração ferroviária. 2014. 127 f., il. Dissertação (Mestrado em Economia do Setor Público)—Universidade de Brasília, Brasília, 2014. WOOLDRIDGE, J.M. Introdução à econometria. São Paulo: CENGAGE, 5.ed. 2018.