3 PIU - Capitulo III - Pronóstico de Demanda

PLAN MAESTRO DE DESARROLLO
AEROPUERTO
CAPITÁN FAP GUILLERMO CONCHA IBERICO
DE LA CIUDAD DE PIURA
CAPITULO III
PRONÓSTICOS DE DEMANDA
Capítulo III - 1 de 53
ÍNDICE
1. PLAN MAESTRO VIGENTE ............................................................................................... 4

2. INFORMACIÓN HISTÓRICA DEL AEROPUERTO ........................................................... 5
2.1. PASAJEROS....................................................................................................................... 5
2.2. CARGA ............................................................................................................................... 8
2.3. OPERACIONES ................................................................................................................ 10
2.4. FLOTA............................................................................................................................... 11
2.4.1. FLOTA COMERCIAL ........................................................................................................ 11
2.4.2. FLOTA MILITAR ............................................................................................................... 13
2.4.3. FLOTA DE CARGA ........................................................................................................... 14
2.4.4. RESUMEN DE LA FLOTA VOLANDO A TUMBES .......................................................... 14
3. MÉTODOS DE ESTIMACIÓN .......................................................................................... 15
3.1. ESTIMACIÓN DEL MODELO ECONOMÉTRICO DE PROYECCIÓN DE PASAJEROS 15
3.1.1. ANÁLISIS DE TENDENCIAS............................................................................................ 15
3.1.2. ESTIMACIÓN DEL MODELO DE PROYECCIÓN............................................................ 16
3.1.3. PROYECCIONES ............................................................................................................. 16
3.1.3.1. PROYECCIÓN DE PASAJEROS ..................................................................................... 16
3.1.3.2. PROYECCIÓN DE OPERACIONES ................................................................................ 17
3.1.3.3. PROYECCIÓN DE CARGA .............................................................................................. 20
3.1.3.4. PARÁMETROS DE PLANIFICACIÓN .............................................................................. 21
ÍNDICE DE GRÁFICOS
GRÁFICO N° 3-1 TRÁFICO COMPARATIVO DE PASAJEROS Y PROYECCIÓN DEL PLAN

MAESTRO ........................................................................................................... 4
GRÁFICO N° 3-2 PROYECCIÓN COMPARATIVA DEL TRÁFICO DE CARGA DEL PLAN
MAESTRO ........................................................................................................... 5
GRÁFICO N° 3-3 TRÁFICO DE PASAJEROS, 1995-2016 ............................................................. 5
GRÁFICO N° 3-4 EVOLUCIÓN MENSUAL DEL TRÁFICO DE PASAJEROS TOTALES Y DE
LAS AEROLÍNEAS PRINCIPALES, 2010-2016.................................................. 6
GRÁFICO N° 3-5 NÚMERO DE PASAJEROS - AEROLÍNEAS PRINCIPALES, 2010-2016 ......... 8
GRÁFICO N° 3-6 NÚMERO DE OPERACIONES - AEROLÍNEAS PRINCIPALES, 2010-2016 .... 8
GRÁFICO N° 3-7 CARGA: LLEGADAS, SALIDAS Y TOTAL, 2010-2016 ...................................... 9
GRÁFICO N° 3-8 PARTICIPACIÓN DEL MERCADO DE CARGA POR AEROLÍNEA, 2010-2016 10
GRÁFICO N° 3-9 MÉTODOS DE ESTIMACIÓN ............................................................................. 15
GRÁFICO N° 3-10 ANÁLISIS DE TENDENCIAS CON INFORMACIÓN ANUAL, 1995-2016 ........ 16
GRÁFICO N° 3-11 PROYECCIÓN DE PASAJEROS POR ESCENARIO, 1995-2036 ................... 17
ÍNDICE DE CUADROS
CUADRO N° 3-1 OPERACIONES DE LAS PRINCIPALES AEROLÍNEAS, 2010-2016 ................... 7

CUADRO N° 3-2 CARGA: LLEGADAS, SALIDAS Y TOTAL, 2010-2016 ......................................... 9
CUADRO N° 3-3 PARTICIPACIÓN DEL MERCADO DE CARGA POR AEROLÍNEA, 2010-2016 10
CUADRO N° 3-4 HISTÓRICO DE OPERACIONES AÉREAS, 2010-2016 ..................................... 11
CUADRO N° 3-5 OPERACIONES COMERCIALES, 2010-2016 .................................................... 11
CUADRO N° 3-6 PARTICIPACIÓN DEL MERCADO DE OPERACIONES COMERCIALES
REGULARES, 2010-2016 ................................................................................. 12
CUADRO N° 3-7 PORCENTAJE DE FLOTA POR CLASE, 2010-2016.......................................... 12
CUADRO N° 3-8 FACTOR DE OCUPACIÓN DE AERONAVES DE USO COMERCIAL,
PROMEDIO DEL AEROPUERTO, 2010-2016 ................................................. 13
CUADRO N° 3-9 FACTOR DE OCUPACIÓN POR AEROLÍNEA, 2010-2016 ................................ 13
CUADRO N° 3-10 VUELOS MILITARES POR TIPO AERONAVE, 2010-2016 .............................. 13
CUADRO N° 3-11 OPERACIONES POR MODELO DE AERONAVE, 2010-2016 ......................... 14
CUADRO N° 3-12 PORCENTAJE DE OPERACIONES POR TIPOS DE AERONAVE, 2010-2016
........................................................................................................................... 15
CUADRO N° 3-13 PROYECCIÓN DE PASAJEROS POR ESCENARIO, 2017-2036 .................... 17
CUADRO N° 3-14 CARACTERÍSTICAS DE LAS OPERACIONES COMERCIALES, 2010-2036 . 19
CUADRO N° 3-15 PROYECCIÓN DE OPERACIONES, 2018-2036 .............................................. 19
CUADRO N° 3-16 OPERACIONES COMERCIALES POR TIPO DE AERONAVE, 2018-2036 ..... 20
CUADRO N° 3-17 PROYECCIÓN DE CARGA, 218-2036 .............................................................. 20
CUADRO N° 3-18 PASAJEROS TOTALES POR MES, 2010-2015 ............................................... 21
CUADRO N° 3-19 OPERACIONES TOTALES POR MES, 2010-2015 .......................................... 22
CUADRO N° 3-20 PASAJEROS Y OPERACIONES EN EL DÍA PROMEDIO DEL MES PUNTA,
2018-2036.......................................................................................................... 23
CUADRO N° 3-21 PASAJEROS Y OPERACIONES EN HORA PUNTA, 2018-2036 ..................... 24
CAPITULO III
PRONÓSTICOS DE DEMANDA
1. PLAN MAESTRO VIGENTE
El Plan Maestro del Aeropuerto Capitán FAP Guillermo Concha Ibérico fue aprobado por
el MTC el 8 de febrero del año 2013 mediante Resolución Directoral N°058-2013-
MTC/12. Las proyecciones de demanda se hicieron utilizando un modelo econométrico.
El modelo estimaba el tráfico de pasajeros y carga en base al PBI y ajustes regionales
(ajuste microeconómico) basados en supuestos cualitativos (crecimiento del turismo,
inversión en infraestructura turística y potencial de transferencia modal).
Los pronósticos de tráfico de pasajeros han sido menores a la actividad real de pasajeros
en los años 2013, 2014, 2015 y 2016. El Gráfico N°3-1 ilustra que el número de pasajeros
reales fue superior incluso al escenario alto de proyección.
Gráfico N°3-1 Tráfico Comparativo de Pasajeros y Proyección del Plan Maestro

1 000 000
900 000
800 000
700 000
600 000
500 000
400 000
300 000
200 000
100 000
0
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
Bajo Base Alto Histórico
Fuente: Plan Maestro del Aeropuerto "Capitán FAP Guillermo Concha Iberico", AdP
En el caso de carga, la proyección se inicia en el año 2015, año en lo cual la actividad

real de carga ha sido muy cercana a lo pronosticado en el plan maestro vigente como lo
indica el Gráfico N°3-2.
En el Plan Maestro vigente, la proyección base para el año 2015 fue de 1 475 toneladas
(y la proyección optimista fue de 1 589 toneladas).
Gráfico N°3-2 Proyección comparativa del Tráfico de Carga del Plan Maestro
(Kilogramos)
1 800 000
1 600 000
1 400 000
1 200 000
1 000 000
800 000
600 000
400 000
200 000
0
2010 2011 2012 2013 2014 2015 2016
Bajo Base Alto Histórico
Fuente: Plan Maestro del Aeropuerto "Capitán FAP Guillermo Concha Iberico", AdP
Nota: No existen proyecciones para los años 2011, 2012, 2013, y 2014
2. INFORMACIÓN HISTÓRICA DEL AEROPUERTO
2.1. PASAJEROS
Entre el 2004 y el 2016 el tráfico de pasajeros se multiplicó por 6,5, pasando de 132 mil a
más de 863 mil. El principal driver de este crecimiento fue la concesión del aeropuerto a
Aeropuertos del Perú (anteriormente era operado por CORPAC). Desde la concesión en
noviembre del año 2008 hasta el 2016, cada año el número de pasajeros se incrementó
en cerca de 77 mil, en promedio. El mayor crecimiento del tráfico de pasajeros se dio en
los años 2010 y 2011, con un aumento de 38.5% y 38.4%, respectivamente, comparado
con el año anterior. En los años siguientes, se espera que el flujo de pasajeros continúe
con una tendencia creciente.
Gráfico N°3-3 Tráfico de Pasajeros, 1995-2016

(Miles de pasajeros)
1 000 000
900 000
800 000
700 000
600 000
500 000
400 000
300 000
200 000
100 000
0
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
Fuente: Información Histórica de Tráfico Aéreo – AdP
Las principales aerolíneas que operan en el aeropuerto de Piura son LATAM Perú,
Peruvian Airlines y Avianca. Estas tres aerolíneas representaron el 99,7% del tráfico de
Piura, en promedio, entre enero del año 2010 y diciembre del año 2016.
Gráfico N°3-4 Evolución Mensual del Tráfico de Pasajeros Totales y de las

Aerolíneas Principales, 2010-2016
(Pasajeros)
90 000
80 000
70 000
60 000
50 000
40 000
30 000
20 000
10 000
0
Ene.-10
Jul.-10
Jul.-11
Jul.-12
Jul.-13
Abr.-14
Jul.-14
Jul.-15
Jul.-16
Abr.-10
Oct.-10
Ene.-11
Abr.-11
Oct.-11
Ene.-12
Abr.-12
Oct.-12
Ene.-13
Abr.-13
Oct.-13
Ene.-14
Oct.-14
Ene.-15
Abr.-15
Oct.-15
Ene.-16
Abr.-16
Oct.-16
Lan Perú, Peruvian Airlines, Avianca Total
Fuente: Información Histórica de Tráfico Aéreo - AdP
El Cuadro N°3-1 y los Gráfico N°3-5 y Gráfico N°3-6 ilustran el crecimiento de pasajeros y
operaciones, respectivamente, de LATAM Perú, Avianca y Peruvian Airlines entre los
años 2010 y 2016.
Cuadro N°3-1 Operaciones de las Principales Aerolíneas, 2010-2016
LAN/LATAM Perú Peruvian Airlines Avianca
Año % de % de % de % de % de % de
Pasajeros Operaciones Pasajeros Operaciones Pasajeros Operaciones
Crecimiento Crecimiento Crecimiento Crecimiento Crecimiento Crecimiento
2010 374 295 3 287 26 663 262 0 0
2011 367 965 -2% 3 223 -2% 103 673 289% 1 142 336% 70 019 946
2012 422 986 15% 3 518 9% 72 748 -30% 726 -36% 145 793 108% 1 539 63%
2013 507 132 20% 4 089 16% 76 324 5% 736 1% 149 376 2% 1 452 -6%
2014 523 828 3% 4 296 5% 79 281 4% 758 3% 160 462 7% 1 398 -4%
2015 530 142 1% 4 389 2% 153 177 93% 1 460 93% 157 427 -2% 1 466 5%
2016 550 732 4% 4 384 0% 151 130 -1% 1 468 1% 160 950 2% 1 462 0%
Fuente: AdP
Elaboración: Consultor
Gráfico N°3-5 Número de Pasajeros - Aerolíneas Principales, 2010-2016
1 000 000
900 000
800 000
700 000
600 000
500 000
400 000
300 000
200 000
100 000
-
2010 2011 2012 2013 2014 2015 2016
LAN Peruvian Arilines Avianca
Fuente: AdP
Gráfico N°3-6 Número de Operaciones - Aerolíneas Principales, 2010-2016
8 000
7 000
6 000
5 000
4 000
3 000
2 000
1 000
-
2010 2011 2012 2013 2014 2015 2016
LAN Peruvian Arilines Avianca
Fuente: AdP
2.2. CARGA
El trasporte de carga se concentra completamente en carga doméstica y presenta

comportamientos distintos en los vuelos de salida y de llegada. Entre los años 2010 y
2016, el 70% de la carga, en promedio, ha sido carga entrante. Este componente ha
crecido año a año hasta el 2016 (a excepción del 2015) mientras que la carga saliente ha
tenido un comportamiento volátil en el mismo periodo.
El Cuadro N°3-2 y el Gráfico N°3-7 presentan los movimientos de carga en Piura entre
2010 y 2016.
Cuadro N°3-2 Carga: Llegadas, Salidas y Total, 2010-2016

(Toneladas)
2010 2011 2012 2013 2014 2015 2016

Carga Entrante 823 901 957 1 040 1 079 970 1 015
Porcentaje de
9% 6% 9% 4% -10% 5%
Crecimiento
Carga Saliente 342 352 429 522 497 459 434
Porcentaje de
3% 22% 22% -5% -8% -5%
Crecimiento
Carga Total 1 165 1 253 1 385 1 562 1 576 1 429 1 449
Porcentaje de
8% 11% 13% 1% -9% 1%
Crecimiento
Fuente: AdP
Gráfico N°3-7 Carga: Llegadas, Salidas y Total, 2010-2016

(Toneladas)
1 800 000
1 600 000
1 400 000
1 200 000
1 000 000
800 000
600 000
400 000
200 000
0
2010 2011 2012 2013 2014 2015 2016
Entrante Saliente
Fuente: AdP
Debido a su baja magnitud y al modelo de negocio del transporte de carga, la carga se

transporta en la bodega de los aviones de pasajeros. La principal aerolínea en términos
de toneladas de carga transportados es LATAM Perú. El 81% de la carga transportada
entre enero del año 2010 y diciembre del 2014 corresponden a dicha empresa.
Gráfico N°3-8 Participación del mercado de carga por aerolínea, 2010-2016
(Toneladas)
2000
1500
1000
500
0
2010 2011 2012 2013 2014 2015 2016
Lan Perú Avianca Otros

Fuente: AdP
Cuadro N°3-3 Participación del Mercado de Carga por Aerolínea, 2010-2016

(Porcentaje)
2010 2011 2012 2013 2014 2015 2016
LAN/LATAM Peru 100% 94% 80% 68% 64% 80% 78%
Avianca 0% 2% 8% 15% 16% 13% 7%

Otros 0% 4% 12% 17% 20% 7% 15%
Total 100% 100% 100% 100% 100% 100% 100%
Fuente: AdP
2.3. OPERACIONES
El tráfico aéreo del aeropuerto de Piura está compuesto por dos categorías: las
operaciones militares y las operaciones civiles. Entre los años 2010 y 2016 el 80% de las
operaciones correspondieron a operaciones civiles.
El Cuadro N°3-4 presenta las operaciones militares y civiles de Piura entre 2010 y 2016.
El cuadro también provee los porcentajes de crecimiento (o decrecimiento) para cada tipo
de operaciones.
Cuadro N°3-4 Histórico de Operaciones Aéreas, 2010-2016
(Número de operaciones)
Porcentaje
Operaciones Porcentaje de Operaciones
Año de Total
Militares Crecimiento Civiles
Crecimiento
2010 1 692 3 974 5 666
2011 1 615 -5% 5 854 47% 7 469
2012 1 091 -32% 6 180 6% 7 271
2013 1 319 21% 6 559 6% 7 878
2014 1 757 33% 6 752 3% 8 509
2015 2 928 67% 7 771 15% 10 699
2016 2 425 -17% 7 631 -2% 10 056
Fuente: AdP
Por su parte, las operaciones civiles están compuestas en su mayoría por operaciones
comerciales regulares y otras operaciones no regulares. Las operaciones comerciales
regulares corresponden a operaciones de itinerario (operaciones de aerolíneas), mientras
las operaciones comerciales no regulares incluyen vuelos chárter, taxi aéreo, aviación
general / corporativa y otros.
El Cuadro N°3-5 presenta las operaciones comerciales regulares y no regulares entre

2010 y 2016. El cuadro también ilustra los porcentajes de crecimiento (descrecimiento) de
estas operaciones.
Cuadro N°3-5 Operaciones Comerciales, 2010-2016

Otras
Operaciones Porcentaje de Porcentaje de
Año Operaciones
Comerciales Regulares Crecimiento Crecimiento
Comerciales
2010 3 555 419
2011 5 353 51% 501 20%
2012 5 789 8% 391 -22%
2013 6 277 8% 282 -28%
2014 6 452 3% 300 6%
2015 7 723 20% 48 -84%
2016 7 585 -2% 46 -4%
Fuente: AdP
2.4. FLOTA
2.4.1. FLOTA COMERCIAL
Las aerolíneas principales que operan en Piura incluyen LATAM Perú, Peruvian Airlines y
Avianca como se presenta en el Cuadro N°3-6.
Cuadro N°3-6 Participación del mercado de Operaciones Comerciales Regulares,
2010-2016
2010 2011 2012 2013

Aerolíneas % del % del % del % del
Operaciones Operaciones Operaciones Operaciones
Mercado Mercado Mercado Mercado
LAN/LATAM 3 287 92% 3 223 60% 3 518 61% 4 089 65%
Peruvian Airlines 262 7% 1 142 21% 726 13% 736 12%
Avianca 0 0% 946 18% 1 539 27% 1 452 23%
Otros 6 0% 42 1% 6 0% 0 0%
Total 3 555 100% 5 353 100% 5 789 100% 6 277 100%
2014 2015 2016

Aerolíneas % del % del % del
Operaciones Operaciones Operaciones
Mercado Mercado Mercado
LAN/LATAM 4 296 67% 4 389 57% 4 384 58%
Peruvian Airlines 758 12% 1 460 19% 1 468 19%
Avianca 1 398 22% 1 466 19% 1 462 19%
Otros 0 0% 408 5% 271 4%
Total 6 452 100% 7 723 100% 7 585 100%
Fuente: AdP
En cuanto a operaciones comerciales regulares, las aeronaves más utilizadas incluyen el

Airbus 319, Airbus 320 y el Boeing 737, como se presenta en el Cuadro N°3-7. Cabe
destacar que la flota de LATAM Perú estuvo compuesta principalmente por Airbus A319.
Cuadro N°3-7 Porcentaje de Flota por Clase, 2010-2016

Numero Típico
Aeronave 2010 2011 2012 2013 2014 2015 2016
de Asientos
Airbus 320 150 0% 0% 6% 19% 17% 14% 15%
Airbus 319 120 83% 55% 65% 58% 61% 54% 36%
Boeing 737 130 7% 20% 12% 11% 11% 19% 15%
Embraer 190 96-100 0% 16% 11% 7% 6% 7% 6%
Otros 10% 9% 6% 5% 5% 6% 28%
Total 100% 100% 100% 100% 100% 100% 100%
Fuente: AdP
Debido al tipo de aeronaves que llegan y salen del aeropuerto, una gran parte de los
vuelos comerciales regulares tienen entre 120 asientos en promedio. Así, Piura se
caracteriza por atender aeronaves de fuselaje angosto, pues entre 2010 y 2016 más del
36% de aeronaves cuenta con 120 asientos. Se observa un crecimiento en el número de
pasajeros. En cuanto al número de asientos en promedio por vuelo, esta cifra
prácticamente se ha mantenido desde el 2013 hasta el 2016 alrededor de 140 asientos.
A diferencia de ello, durante estos últimos años se ha incrementado el factor de
ocupación en la flota comercial, como se presenta en el Cuadro N°3-8.
Cuadro N°3-8 Factor de Ocupación de Aeronaves de Uso Comercial, Promedio del

Aeropuerto, 2010-2016
Indicador 2010 2011 2012 2013 2014 2015 2016
Asientos Promedio por Vuelo 142 130 134 140 140 137 139
Pasajeros Por Vuelo 113 101 111 117 118 115 118
Factor de Ocupación 79.6% 77.7% 82.8% 83.6% 84.3% 83.9% 84.9%
Fuente: AdP
El factor de ocupación de vuelos comerciales ha fluctuado entre el 79% y 85%. Entre los
operadores comerciales, la aerolínea con mayor factor de ocupación es LATAM Perú.
El Cuadro N°3-9 presenta los factores de ocupación por aerolínea entre 2010 y 2016.
Cuadro N°3-9 Factor de Ocupación por Aerolínea, 2010-2016

Aerolínea 2010 2011 2012 2013 2014 2015 2016
LAN/LATAM Perú 79% 79% 83% 84% 84% 98% 98%
Peruvian Airlines 85% 76% 84% 86% 87% 81% 80%
Avianca - 77% 81% 80% 88% 85% 84%
Fuente: AdP
2.4.2. FLOTA MILITAR
Los principales operadores militares en el aeropuerto de Piura son la Fuerza Aérea del
Perú y La Comandancia de la Fuerza de Aviación Naval según número de operaciones.
Según el número de aeronaves, las aeronaves militares que presentan mayor flota en el
aeropuerto de Piura son el Boeing 737 y el MI 17 utilizados por la Fuerza Aérea del Perú;
El AN32 y el Fokker 27 utilizados por la Comandancia de la Fuerza de Aviación Naval.
El Cuadro N°3-10 ilustra el número de vuelos y tipo de aeronaves usadas en las

operaciones militares en Piura durante el periodo 2010-2016.
Cuadro N°3-10 Vuelos Militares por Tipo Aeronave, 2010-2016 (Número de vuelos)
Aeronave 2010 2011 2012 2013 2014 2015 2016
A37B 1 048 1 135 651 838 740 808 0
Boeing 737 63 58 58 82 58 38 48
ZLIN 0 0 2 0 281 0 403
Beechcraft 200 39 66 66 31 73 28 0
Antonov AN32 77 41 62 26 57 53 28
L-100-30 63 43 44 30 41 103 62
Otros 402 272 208 312 507 1 898 1 884
Total 1 692 1 615 1 091 1 319 1 757 2 928 2 425
Fuente: AdP
2.4.3. FLOTA DE CARGA
La totalidad de la carga aérea comercial que llega y sale a través del aeropuerto, se
transporta en la bodega de vuelos comerciales; esta razón explica porque en Piura no se
presentan operaciones de aeronaves exclusivamente de carga.
2.4.4. RESUMEN DE LA FLOTA
Esta sección presenta un desglose de la flota que ha volado a Piura entre los años 2010
y 2016. Es importante notar que, aunque la aeronave predominante pertenece al Código
C (Airbus A-319, Airbus A-320 y el Boeing B-737 200 y 300). Sin embargo, por contrato
de concesión la aeronave de diseño pertenece a la de Código D.
El número de operaciones aéreas realizadas por aeronaves con una capacidad de más
de 120 asientos (A-319) ha mostrado el mayor crecimiento mientras las operaciones
realizadas por aviones regionales han presentado un crecimiento negativo como se
ilustra en el Cuadro N°3-11.
Cuadro N°3-11 Operaciones por Modelo de Aeronave, 2010-2016

(Porcentaje de operaciones)
Aeronave 2010 2011 2012 2013 2014 2015 2016

Airbus 319 58% 43% 55% 48% 49% 39% 36%
Airbus 320 0% 0% 5% 16% 13% 10% 15%
Boeing 737 6% 16% 11% 11% 10% 14% 15%
Embraer 190 - 12% 9% 6% 5% 5% 6%
Antonov AN32 2% 1% 1% 0% 1% 1% 0%
Fokker-27 1% 1% 1% 1% 1% 1% 0%
MI 17 1% 0% 0% 1% 1% 2% 1%
Otros 32% 27% 18% 17% 20% 28% 27%
Total 100% 100% 100% 100% 100% 100% 100%
Fuente: AdP
El Cuadro N°3-12 presenta el porcentaje de operaciones por tipo de aeronave. Como se

ha mencionado, el Cuadro ilustra el incremento de operaciones de aviones Código C con
capacidad de más de 100 asientos.
Cuadro N°3-12 Porcentaje de Operaciones por Tipos de Aeronave, 2010-2016
Grupo/ Tipo 2011 2012 2013 2014 2015 2016

Pistón 1% 1% 1% 1% 1% 4%
Turboprop 33% 23% 18% 17% 22% 12%
Jet regional (<100 asientos) 0% 15% 9% 6% 5% 5%
Aviones tipo C (>100 asientos) 64% 60% 71% 75% 71% 78%
Helicópteros 2% 1% 1% 1% 1% 1%
Total 100% 100% 100% 100% 100% 100%
Fuente: AdP
3. MÉTODOS DE ESTIMACIÓN
Para realizar las proyecciones se utilizaron cuatro métodos de análisis con información
anual (información de 1995 al 2014): de tendencias, autorregresivo, multivariado y
combinaciones entre ellos.
Gráfico N° 3-9 Métodos de Estimación
1. Análisis de 2. Análisis auto 3. Análisis 4. Análisis

tendencias regresivo multivariado mixto
Fuente: Consultor
3.1. ESTIMACIÓN DEL MODELO ECONOMÉTRICO DE PROYECCIÓN DE

PASAJEROS
La estimación de demanda para el aeropuerto de Piura siguió tres pasos: análisis de

tendencias, estimación del modelo, proyección y ajuste.
1. Análisis de tendencias. Este análisis permite encontrar quiebres estructurales en la

serie de tiempo. Estos datos son incorporados en el modelo de estimación en forma
de variables dicotómicas.
2. Estimación del modelo considerando el flujo histórico de pasajeros del aeropuerto

de Piura. Para llegar al modelo final, se realizaron cuatro estimaciones distintas. Se
escogió aquella que presentaba el mejor ajuste y mejores indicadores de validación.
3. Proyección de pasajeros hasta el año 2036.
3.1.1. ANÁLISIS DE TENDENCIAS
El análisis anual muestra un quiebre estructural en el año 2007, cuando la pendiente

cambia y se hace más pronunciada.
Gráfico N°3-10 Análisis de Tendencias con Información Anual, 1995-2016
1 000 000
900 000
800 000
700 000
600 000 Quiebre estructural
500 000
400 000
300 000
200 000
100 000
0
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
Fuente: Información Histórica de Tráfico Aéreo – AdP
3.1.2.ESTIMACIÓN DEL MODELO DE PROYECCIÓN
Las estimaciones de demanda se hicieron con cuatro métodos de estimación alternativos

utilizando información anual. Los modelos (presentados en el Anexo 2) tienen resultados
similares en términos de la demanda que estiman.
Por tanto, en resumen, se eligió el modelo multivariado con información anual debido a
que presenta mejor ajuste, mejores indicadores de validación y tiene una interpretación
intuitiva de los resultados.
El modelo estimado fue el siguiente:
𝒀𝒕 = 𝟖𝟐 𝟏𝟗𝟏 𝑫𝒕 𝟐𝟎𝟎𝟕 × 𝑻 − 𝟗𝟕𝟑 𝟑𝟑𝟐 𝑫𝒕 𝟐𝟎𝟎𝟕

− 𝟏𝟑 𝟖𝟐𝟒 𝑻 + 𝟎, 𝟗𝟗 𝑷𝑩𝑰
Donde:
: Pasajeros en el periodo t
: PBI del periodo t
: Dicotómica de quiebre estructural en el 2007
: Variable tendencial.
Las pruebas estadísticas de validación de los resultados se presentan en el Anexo 31.
3.2. PROYECCIONES
3.2.1.PROYECCIÓN DE PASAJEROS
Según el modelo elegido, la proyección de pasajeros llega a los 3.16 millones en el año
2036, con una tasa de crecimiento promedio anual en el periodo 2017-2036 de 5,75%.
Este crecimiento es menor al experimentado en el periodo 1995–2016 de 7,53% en
promedio anual.
1
Cabe mencionar que la elección del modelo de proyección a utilizar se basó en distintas consideraciones: se buscó que el
modelo tuviera una interpretación intuitiva y que tuviera los mejores indicadores de ajuste y validación, entre modelos
similares. En este caso, se optó por el modelo multivariado ya que la dinámica del aeropuerto se puede explicar en
función del crecimiento del PBI nacional.
Al analizar los resultados, se estimaron tres escenarios de demanda. El escenario base
corresponde a los resultados de la estimación econométrica del modelo elegido. Los
escenarios “bajo” y “alto” fueron calculados en base a los intervalos de confianza o
errores de estimación obtenidos de la estimación econométrica. La diferencia de
pasajeros entre escenarios representa entre 8.4% y 9.2% de la proyección de pasajeros
en el escenario base.
Gráfico N°3-11 Proyección de Pasajeros por Escenario, 1995-2036

(Número de pasajeros)
Fuente: AdP
Cuadro N°3-13 Proyección de Pasajeros por Escenario, 2018-2036

(Número de pasajeros)
Escenario base Escenario bajo Escenario alto

Proyección % anual Proyección % anual Proyección % anual
2018 1 188 771 9.0% 1 095 434 9.0% 1 282 108 9.1%
2023 1 699 085 6.5% 1 561 192 6.5% 1 836 978 6.6%
2028 2 243 767 5.3% 2 058 067 5.2% 2 429 467 5.3%
2031 2 593 025 4.8% 2 377 801 4.8% 2 808 249 4.8%
2036 3 155 270 3.5% 2 890 402 3.5% 3 420 138 3.5%
Crecimiento anual
promedio (2017- 5.75% 5.72% 5.78%
2036)
Fuente: AdP
Finalmente se adjunta las proyecciones de pasajeros para todo el periodo de análisis,
diferenciando por Escenarios.
Cuadro N°3-14 Proyección de pasajeros nacionales, 2018-2036
Pasajeros nacionales
Año
Escenario base Escenario bajo Escenario alto
2018 1 188 771 1 095 434 1 282 108
2019 1 288 660 1 186 855 1 390 465
2020 1 389 545 1 279 000 1 500 090
2021 1 491 650 1 372 150 1 611 150
2022 1 594 768 1 466 142 1 723 394
2023 1 699 085 1 561 192 1 836 978
2024 1 804 877 1 657 599 1 952 155
2025 1 912 415 1 755 650 2 069 180
2026 2 021 123 1 854 787 2 187 459
2027 2 131 527 1 955 544 2 307 510
2028 2 243 767 2 058 067 2 429 467
2029 2 358 001 2 162 520 2 553 482
2030 2 474 374 2 269 051 2 679 697
2031 2 593 025 2 377 801 2 808 249
2032 2 714 085 2 488 903 2 939 267
2033 2 837 685 2 602 488 3 072 882
2034 2 942 444 2 697 386 3 187 502
2035 3 048 295 2 793 346 3 303 244
2036 3 155 270 2 890 402 3 420 138
Fuente: AdP
3.2.2.PROYECCIÓN DE OPERACIONES
La proyección de operaciones se realizó con información histórica al 2014. En base al

análisis de flota de aeronaves histórico, se determinó que en el año 2014 una aeronave
tiene 140 asientos disponibles, en promedio. Así mismo, se determinó que el factor de
ocupación promedio en ese mismo año fue de 85%. Siguiendo el incremento en la
demanda de pasajeros, se espera que el número de asientos por vuelo siga una
tendencia creciente como aparece en el Cuadro N°3-15. Además, se espera que se
estabilice el factor de ocupación en un promedio de 80%.
Cuadro N°3-15 Características de las Operaciones Comerciales, 2010-2036
Histórico Pronósticos
Año Asientos por Factor de Asientos por Factor de
Vuelo Ocupación Vuelo Ocupación
2010 142 79%
2011 130 78%
2012 134 83%
2013 140 84%
2014 140 85%
2015 137 84%
2016 139 85%
2017 146 80%
2018 149 80%
2023 160 80%
2028 164 80%
2031 166 80%
2036 170 80%
Fuente: AdP
El incremento de las operaciones comerciales, debido al mayor flujo de pasajeros, estará

acompañado de un crecimiento ligero de las operaciones civiles no comerciales (1,5% al
año)2. Bajo estos supuestos, el número de operaciones comerciales al año se
incrementaría de 6 285 en el año 2013 a 23 257 en el año 2036. Por otro lado, el número
de operaciones militares se mantendría constante en todo el periodo de análisis. Debido
a su reducido número, no tiene efecto en las operaciones en hora punta. El Cuadro N°3-
16 ilustra el crecimiento de las operaciones comerciales en el periodo de planificación.
Cuadro N°3-16 Proyección de Operaciones, 2018-2036

Operaciones Operaciones Operaciones
Operaciones Total de
Año Comerciales Comerciales No Comerciales
Militares Operaciones
Regulares Regulares Totales
2018 9 967 320 10 287 1 500 11 787
2023 13 288 347 13 635 1 500 15 135
2028 17 145 377 17 522 1 500 19 022
2031 19 545 395 19 940 1 500 21 440
2036 23 257 429 23 686 1 500 25 186
Fuente: AdP
Se anticipa que la flota de aeronaves continuará siendo similar a la actual, aunque con un
incremento mayor de los aviones comerciales de pasajeros Código C sobre los otros
tipos de operaciones aéreas. Se espera que las aeronaves como el A-320, B-737, BAE
146 y aviones de tamaño similar sean los que vuelen como mayor frecuencia a Piura.
2
La tasa de crecimiento de las operaciones civiles no comerciales se basa en el juicio de un panel de
expertos, quienes definieron dicha tasa en función a la información disponible.
Aunque no se anticipa que haya vuelos regulares de aeronaves Código D, es importante
notar que el B747-100B corresponde al avión definido por contrato de concesión como la
aeronave crítica del aeropuerto. El Cuadro N°3-17 presenta el pronóstico de operaciones
Comerciales por tipo de avión.
Cuadro N°3-17 Operaciones Comerciales por Tipo de Aeronave, 2018-2036

Grupo/ Tipo 2018 2023 2028 2031 2036
Turboprop 320 347 377 395 429
Jet regional (<100 asientos) 697 930 1 201 1 372 1 633
Aviones tipo C (>100 asientos) 9 270 12 358 15 944 18 173 21 624
Militares 1 500 1 500 1 500 1 500 1 500
Total 11 787 15 135 19 022 21 440 25 186
Fuente: AdP
3.2.3.PROYECCIÓN DE CARGA
La carga en el aeropuerto de Piura se encontró alrededor de las 1 500 TM en el periodo

2010-2016. En ese mismo período, la tasa de crecimiento experimentada fue de 3.7%, lo
cual permite inferir que la tendencia de la carga aérea del aeropuerto de Piura es
creciente. Por lo tanto, se consideró que la carga se incrementará durante el periodo de
proyección del PMD. Se asume que la tasa de crecimiento de la carga será similar a la
del PBI, por lo que entre los años 2017 y 2028 será de 5% y luego se reducirá a 4%en el
resto del periodo de análisis hasta el 20363.
La carga aérea en Piura se transporta únicamente en la bodega de los aviones de

pasajeros. Por lo tanto, si se espera un incremento promedio de 4.8% de las operaciones
comerciales durante el periodo 2017-2036, resulta adecuado considerar un incremento
similar para el tráfico de carga aérea en el mismo período.
Cuadro N°3-18 Proyección de Carga, 2018-2036
(Toneladas)
Año Toneladas % anual
2018 1 916 5.0%
2023 2 445 5.0%
2028 3 120 5.0%
2031 3 510 4.0%
2036 4 270 4.0%
Crecimiento anual
4.64%
promedio (2017-2036)
Fuente: AdP. Elaboración: Consultor
3
La literatura vinculada al tráfico aéreo ha identificado que el crecimiento del tráfico de carga aérea está vinculada a la
actividad económica, específicamente al crecimiento económico. En países como EE. UU. y Taiwán, se ha identificado
que, en el largo plazo, los movimientos de carga tienden a aumentar con el crecimiento económico (Chi y Baek, 2013;
Chang y Chang, 2009). A pesar de que no existe evidencia específica para el Perú, resulta sensato considerar que las
tasas de crecimiento de la carga aérea siguen la tendencia del crecimiento del PBI, que es una aproximación al tamaño
de la economía de un país.
3.2.4.PARÁMETROS DE PLANIFICACIÓN
La metodología usada para los parámetros de planificación se basó en estimar el

comportamiento histórico de los mismos entre los años 2010 y 2014. A partir de ese año,
se proyectó hacia el 2036. A medida que la demanda de operaciones se incrementa, la
concentración porcentual en meses punta y horas punta se reduce en el horizonte de
planeamiento.
Mes punta
El mes punta es el mes con mayor flujo de pasajeros y operaciones durante el año.
Para estimar el porcentaje de tráfico de pasajeros del mes punta, se utilizó el promedio
de porcentajes de tráfico de los meses punta de cada año entre los años 2010 y 2014,
debido a que, durante el periodo analizado, la información no refleja un mismo mes punta
específico en todos los años. Así, para cada año, se determinó cuál era el mes punta,
que fue diciembre en el 2010, agosto en 2011 y octubre en el 2012, 2013 y 2014.
Para estimar el porcentaje de tráfico de pasajeros que se concentra en el mes punta, se

promediaron los porcentajes de los meses indicados anteriormente. El promedio obtenido
es 9,9%.
Cuadro N°3-19 Pasajeros Totales por Mes, 2010-2014

(Porcentaje del total de pasajeros)
Mes 2010 2011 2012 2013 2014 Promedio
Enero 7.6% 9.0% 8.6% 8.7% 8.5%
Febrero 7.8% 8.8% 8.5% 8.5% 8.5%
Marzo 7.4% 7.7% 7.8% 8.3% 8.1%
Abril 6.9% 7.3% 7.4% 7.6% 7.7%
Mayo 7.5% 8.2% 7.7% 8.0% 8.2%
Junio 7.1% 8.1% 7.5% 7.7% 7.6%
Julio 7.9% 9.4% 8.6% 8.4% 8.4%
Agosto 8.4% 9.9% 8.7% 8.4% 8.9%
Septiembre 7.4% 7.5% 8.0% 7.9% 8.1%
Octubre 9.1% 8.1% 9.3% 9.1% 9.5%
Noviembre 11.3% 7.7% 8.8% 8.7% 7.9%
Diciembre 11.4% 8.2% 9.2% 8.8% 8.5%
Max 11.4% 9.9% 9.3% 9.1% 9.5% 9.9%
Fuente: AdP
Para estimar el porcentaje de vuelos que se concentran en el mes punta, se utilizó el

promedio de porcentajes de vuelos de los meses punta de cada año entre los años 2010
y 2014.
El mes punta en operaciones fueron variados según el periodo de análisis. Fueron mayo-
2010 (11.7%), marzo-2011 (10.5%), octubre-2012 (9.8%), agosto-2013 (9.6%) y octubre-
2014 (12.3%). Para estimar el porcentaje de vuelos que se concentran en el mes punta,
se promediaron los porcentajes de los meses indicados anteriormente.
Como se muestra en el Cuadro N°3-20, el promedio obtenido para el periodo 2010-2014

es 10.8%.
Cuadro N°3-20 Operaciones totales por mes, 2010-2014
(Porcentaje del total de operaciones)
Mes 2010 2011 2012 2013 2014 Promedio
Enero 7.3% 6.5% 8.8% 8.0% 7.9%
Febrero 7.1% 8.6% 7.9% 8.3% 7.0%
Marzo 6.8% 10.5% 8.3% 8.7% 7.9%
Abril 6.7% 8.4% 7.3% 7.6% 7.4%
Mayo 11.7% 10.5% 7.6% 8.2% 8.6%
Junio 9.0% 9.4% 7.7% 7.9% 8.4%
Julio 10.8% 8.3% 7.9% 8.2% 7.7%
Agosto 8.1% 9.3% 8.5% 9.6% 7.2%
Septiembre 7.1% 6.3% 8.7% 9.2% 9.8%
Octubre 6.9% 6.7% 9.8% 8.4% 12.3%
Noviembre 8.9% 7.4% 8.9% 7.8% 8.0%
Diciembre 9.4% 8.1% 8.5% 8.0% 7.9%
Max 11.7% 10.5% 9.8% 9.6% 12.3% 10.8%
Fuente: AdP
Tomando como base lo anterior, aproximadamente el 10.8% de las operaciones se

realizan en el mes punta. En la estimación, se asume que dicho porcentaje variará hacia
la baja en la medida que se incremente el número de operaciones, como es el
comportamiento típico en los aeropuertos. Asimismo, aproximadamente el 9.9% del
tráfico de pasajeros se da en el mes punta, asumiendo que dicho porcentaje también se
reducirá paulatinamente a medida que se incremente el número de pasajeros.
Dicho valores promedio son los que se toman como base para determinar el porcentaje
de mes punta de cada año de proyección. En el caso de la evolución de la hora punta de
pasajeros se parte desde 9.82% en 2017 (valor cercano al promedio) y un decrecimiento
hacia delante de 0.015%.4 En el caso de las operaciones comerciales regulares, se parte
desde 10.9% en 2017, seguido de un decrecimiento de 0.05% anual hasta el 2025, de
0.04% anual hasta el 2032 y de 0.03% anual hasta el 2036. Finalmente, para la evolución
de la hora punta de operaciones comerciales no regulares, se parte desde 10.9% en
2017 y un decrecimiento de 0.05% promedio anual hasta 2036.
Los supuestos utilizados son los siguientes, así como los resultados de las estimaciones
en el mes punta.
4
El valor de inicio del porcentaje del mes punta (9.82%) y la tasa de decrecimiento (0.015% promedio anual) fueron
determinados por juicio de expertos, siempre tomando como referencia los valores promedios observados .
Cuadro N°3-21 Pasajeros y Operaciones en el Mes Punta, 2018-2036
Supuesto del mes punta Mes punta
Año Operaciones Operaciones Operaciones Operaciones
Pasajeros comerciales comerciales no Pasajeros comerciales comerciales no
regulares regulares regulares regulares
2018 9.805% 10.850% 10.850% 116 559 1 082 35
2023 9.730% 10.600% 10.600% 165 321 1 409 37
2028 9.655% 10.380% 10.350% 216 636 1 780 40
2031 9.610% 10.260% 10.200% 249 190 2 006 41
2036 9.535% 10.100% 9.950% 300 855 2 349 43
Fuente: AdP
Día promedio del mes punta
Luego de haber estimado el porcentaje de operaciones del mes punta con los supuestos
explicados anteriormente, se calculó el tráfico de operación y pasajeros en el día
promedio del mes punta. Para ello, se asumió que todos los días tienen la misma
probabilidad de ser el día promedio.
Es decir, se asumió que no existe un “día promedio” sino que el flujo de operaciones y
pasajeros es constante. Por lo tanto, los pasajeros y operaciones del día promedio del
mes punta resultan de dividir los pasajeros y operaciones del mes punta (cálculo
explicado anteriormente) entre el número de días de un mes.
El total de operaciones y pasajeros en el mes punta, se dividió entre 30 días para estimar
el tráfico de operación y pasajeros del día promedio del mes punta, con lo cual se obtuvo
lo siguiente:
Cuadro N°3-22 Pasajeros y Operaciones en el Día Promedio del Mes Punta,

2018-2036
Operaciones
Año Pasajeros
Comerciales Regulares Comerciales No Regulares
2018 3 886 37 2
2023 5 511 47 2
2028 7 222 60 2
2031 8 307 67 2
2036 10 029 79 2
Fuente: AdP
Hora punta
La hora punta se define como la hora con mayor flujo de pasajeros y operaciones dentro
del mes analizado.
Los cálculos realizados toman como supuesto que el porcentaje de pasajeros y

operaciones en hora punta se reducirá de manera paulatina con el crecimiento de la
demanda aeronáutica. Los vuelos se concentran entre las 7 horas y las 21 horas (hora
local). En el caso de pasajeros, en el periodo 2010 – 2014, el valor de la hora punta fue
15.78%, mientras que, en el caso de operaciones comerciales, el valor fue de 12.9%
El cálculo de la hora punta proviene entonces de convertir los pasajeros y operaciones

del día promedio del mes punta a los porcentajes utilizados como supuestos de la hora
punta del día promedio del mes punta, que se encuentran a continuación5.
Cuadro N°3-23 Pasajeros y Operaciones en Hora Punta, 2018-20366

Supuestos Resultados
Operaciones Operaciones
Año
Pasajeros Comerciales Comerciales Pasajeros Comerciales Comerciales No
Regulares No Regulares Regulares Regulares
2018 15.0% 11.2% 20.1% 585 5 1
2023 13.8% 9.8% 18.6% 760 5 1
2028 12.5% 8.5% 17.1% 905 6 1
2031 11.8% 7.8% 16.3% 979 6 1
2036 10.5% 6.7% 15.0% 1 057 6 1
Fuente: AdP
5
Por decisión de juicio de expertos, en el caso de la hora punta de pasajeros, se partió de un valor base de 15.28% en el
año 2017, con decrecimientos promedios anuales de 0.25% hasta el 2036. Por su parte, en el caso de la hora punta de
operaciones comerciales regulares se partió de un valor base de 11.5% en 2017, seguidos de decrecimientos de 0.3%
hasta 2022, de 0.25% hasta 2032 y de 0.20% en adelante hasta 2036. Finalmente, en el caso de la hora punta de
operaciones comerciales no regulares, se partió de un valor base de 20.4%, seguido de decrecimientos de 0.3% anual
hasta 2030 y de 0.25% hasta el 2036.
6
Por la particularidad del cálculo de la hora punta, el total de las operaciones de hora punta no es obtenido sumando los
tipos de operaciones (doméstico, internacional y militar) ya que no siempre coinciden las horas punta de dichas
operaciones.
ANEXO 1. PROYECCIONES DE VARIABLES SOCIOECONÓMICAS
ANEXO 1
PROYECCIONES DE VARIABLES SOCIOECONÓMICAS7
Las proyecciones de las variables socioeconómicas utilizadas en los modelos de

regresión fueron obtenidas de estimaciones realizadas por APOYO Consultoría
(crecimiento del PBI)8 y el INEI (población).
Para proyectar el PBI a largo plazo, APOYO Consultoría utilizó un modelo de

crecimiento económico de Solow. Este modelo de crecimiento económico estima la
capacidad productiva de un país a través de una función de producción que depende
de factores de producción. Es uno de los modelos más utilizados para realizar
estimaciones de contabilidad nacional en variables como el PBI.
Los factores de producción utilizados en esta estimación de largo plazo son las
siguientes:
 El trabajo o empleo, que considera la capacidad productiva del recurso

humano (en cantidad) de un país.
 El capital humano, que considera la capacidad productiva del recurso humano
(en calidad) de un país.
 El capital, que considera la capacidad productiva de la infraestructura de un
país.
 Un componente no observable de desarrollo tecnológico y ganancias en
productividad de un país.
En este caso, se ha proyectado cada uno de los factores de producción del modelo de
Solow siguiendo los siguientes criterios:
 El empleo, con las estimaciones de crecimiento poblacional para el grupo de

edad relevante (14 o más año).
 El capital se estima un ritmo de acumulación de capacidad física del país.
 El capital humano, se estima un crecimiento de niveles de escolaridad en el
Perú.
 Se asume que hay ganancias muy bajas de productividad.
Los resultados de la aplicación del Modelo de Solow es la siguiente:
7
Existen muchas otras variables relevantes para estimar la demanda de pasajeros. Sin embargo, una limitación que se
encontró es la falta de proyecciones confiables de dichas variables. Por ejemplo, el turismo interno e internacional son
variables importantes, pero no se cuentan con proyecciones de las mismas (ni para un periodo más corto de tiempo).
Por tanto, si se consideraban otras variables, se introduciría un componente de error a la estimación, con lo que los
resultados no serían confiables.
8
Para efectos de la estimación se utiliza el PBI nacional. Se escogió este nivel de agregación dado que el tráfico de
pasajeros no sólo está determinado por la dinámica económica de la zona donde está ubicado el aeropuerto, sino que
se ve afectado por lo que ocurre en el resto del país. Así, aun cuando una región no se encuentre bien
económicamente, puede ser destino turístico para pasajeros de otras zonas. El PBI utilizado para la proyección es el
valor histórico hasta el 2012, estimado por APOYO Consultoría para los años 2013 y 2014, y del 2015 en adelante, son
los resultados de la aplicación del modelo de crecimiento económico de Solow.
Cuadro A1.1 - Proyecciones de Variables Socioeconómicas 1/
Población
PBI
Año Nacional
(var % real)
(Personas) 2/
2018 5,3 33 416 000
2023 5,0 36 087 552
2028 4,8 38 972 691
2031 4,8 42 088 492
2036 4,8 45 453 395
1/ A partir de 2015 son proyecciones de crecimiento realizadas por APOYO Consultoría en abril del 2015.
Proyecciones preliminares del 2016 en adelante.
2/ Proyecciones del INEI.
Fuente: Consultor
Cuadro A1.2 Proyecciones de pasajeros y PBI al 2036

Pasajeros nacionales PBI
Año
Escenario base Escenario bajo Escenario alto (S/ millones 2007)
2018 1 188 771 1 095 434 1 282 108 595 625
2019 1 288 660 1 186 855 1 390 465 627 466
2020 1 389 545 1 279 000 1 500 090 660 313
2021 1 491 650 1 372 150 1 611 150 694 392
2022 1 594 768 1 466 142 1 723 394 729 495
2023 1 699 085 1 561 192 1 836 978 765 809
2024 1 804 877 1 657 599 1 952 155 803 612
2025 1 912 415 1 755 650 2 069 180 843 180
2026 2 021 123 1 854 787 2 187 459 883 929
2027 2 131 527 1 955 544 2 307 510 926 392
2028 2 243 767 2 058 067 2 429 467 970 709
2029 2 358 001 2 162 520 2 553 482 1 017 040
2030 2 474 374 2 269 051 2 679 697 1 065 532
2031 2 593 025 2 377 801 2 808 249 1 116 325
2032 2 714 085 2 488 903 2 939 267 1 169 552
2033 2 837 685 2 602 488 3 072 882 1 225 344
2034 2 942 444 2 697 386 3 187 502 1 262 104
2035 3 048 295 2 793 346 3 303 244 1 299 967
2036 3 155 270 2 890 402 3 420 138 1 338 966
Fuente: AdP
ANEXO 2. MODELOS ESTIMADOS
ANEXO 2
MODELOS ESTIMADOS
MODELO DE TENDENCIAS
Dependent Variable: PIURA

Method: Least Squares
Date: 12/19/18 Time: 12:25
Sample (adjusted): 1995 2014
Included observations: 20 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 167177.7 10653.38 15.69246 0.0000

QUIEBRE_2007*@TREND 90909.12 4430.221 20.52022 0.0000
Q_99_03*@TREND -5201.696 2677.325 -1.942870 0.0698
QUIEBRE_2007 -1096747. 70227.41 -15.61707 0.0000
R-squared 0.984866 Mean dependent var 284313.1

Adjusted R-squared 0.982028 S.D. dependent var 214168.9
S.E. of regression 28711.12 Akaike info criterion 23.54481
Sum squared resid 1.32E+10 Schwarz criterion 23.74396
Log likelihood -231.4481 Hannan-Quinn criter. 23.58369
F-statistic 347.0741 Durbin-Watson stat 1.258446
Prob(F-statistic) 0.000000
3,500,000
Forecast: PIURAF_TEND
3,000,000 Actual: PIURA
Forecast sample: 1995 2038
2,500,000 Included observations: 20
Root Mean Squared Error 25680.00
2,000,000 Mean Absolute Error 22635.97
Mean Abs. Percent Error 10.11076
1,500,000 Theil Inequality Coefficient 0.036452
Bias Proportion 0.000000
1,000,000 Variance Proportion 0.003812
Covariance Proportion 0.996188
500,000
0
1995 2000 2005 2010 2015 2020 2025 2030 2035
PIURAF_TEND ± 2 S.E.
MODELO AUTOREGRESIVO

Date: 12/19/18 Time: 12:30
Convergence achieved after 9 iterations
C 142906.6 19571.56 7.301745 0.0000

QUIEBRE_2007*@TREND 85065.03 6144.157 13.84486 0.0000
QUIEBRE_2007 -980669.5 91852.50 -10.67657 0.0000
AR(1) 0.576398 0.205583 2.803731 0.0134

Inverted AR Roots .58
3,200,000
Forecast: PIURAF_AUTO
2,400,000
Adjusted sample: 1996 2038
Included observations: 19
2,000,000
1,600,000 Mean Absolute Error 22657.96
Mean Abs. Percent Error 9.651740
1,200,000 Theil Inequality Coefficient 0.038502
Bias Proportion 0.001351
800,000
Variance Proportion 0.043382
400,000
0
2000 2005 2010 2015 2020 2025 2030 2035
PIURAF_AUTO ± 2 S.E.
MODELO MULTIVARIADO

Date: 12/19/18 Time: 12:32
White heteroskedasticity-consistent standard errors & covariance
QUIEBRE_2007*@TREND 82191.44 5158.169 15.93423 0.0000

QUIEBRE_2007 -973331.6 79173.95 -12.29358 0.0000
PBI 0.989968 0.037014 26.74563 0.0000
@TREND -13823.93 1211.129 -11.41408 0.0000

Durbin-Watson stat 1.490377
4,000,000
Forecast: PIURAF_MULTI
3,000,000
2,500,000
Mean Absolute Error 17981.78
2,000,000 Mean Abs. Percent Error 7.226587
Theil Inequality Coefficient 0.030435
1,500,000 Bias Proportion 0.000054
1,000,000
500,000
0
1995 2000 2005 2010 2015 2020 2025 2030 2035
PIURAF_MULTI ± 2 S.E.
MODELO MIXTO

Date: 12/19/18 Time: 12:25
Convergence achieved after 9 iterations
QUIEBRE_2007*@TREND 70631.10 9178.544 7.695240 0.0000

QUIEBRE_2007 -816883.7 114116.4 -7.158338 0.0000
PBI 0.518221 0.131899 3.928931 0.0013
AR(1) 0.739124 0.153721 4.808219 0.0002

Durbin-Watson stat 1.540929
Inverted AR Roots .74
3,500,000
Forecast: PIURAF_MIXTO
2,500,000 Adjusted sample: 1996 2038
2,000,000 Root Mean Squared Error 29445.56
Mean Absolute Error 23826.63
1,500,000 Mean Abs. Percent Error 9.870163
Theil Inequality Coefficient 0.041232
1,000,000 Bias Proportion 0.004575
500,000 Covariance Proportion 0.968428
0
2000 2005 2010 2015 2020 2025 2030 2035
PIURAF_MIXTO ± 2 S.E.
Cuadro A2.1 - Resumen de Proyecciones
Información anual
Indicador
Tendencias Autorregresivo Multivariado Mixto
R2 ajustado 0.98 0.98 0.99 0.98
ECM 25 680 27 506 21 450 29 446
Akaike 23.54 23.43 23.18 23.44
Observaciones 20 19 20 19
Periodo 1995-2014 1995-2014 1995-2014 1995-2014
Pasajeros 2036 2 797 706 2 649 904 3 155 270 2 772 873
Crecimiento anual
5.19% 5.08% 5.75% 5.35%
promedio (2017-2036)
Fuente: Estimaciones propias.
Elaboración: AC Pública – APOYO Consultoría.
ANEXO 3. PRUEBAS DE VALIDACIÓN DEL MODELO
ANEXO 3:
PRUEBAS DE VALIDACIÓN DEL MODELO ELEGIDO
Prueba de raíz unitaria y quiebres estructurales
La prueba de Dickey Fuller de raíz unitaria muestra si es que el proceso estocástico lineal
es o no estacionario. Esta prueba es relevante pues las estimaciones econométricas
realizadas requieren trabajar con series estacionarias, que son predecibles al tener una
varianza de predicción acotada. El número de pasajeros presenta raíz unitaria según la
prueba de Dickey Fuller (probabilidad mayor a 0.05).
Cuadro A3.1 - Prueba de Raíz Unitaria
Null Hypothesis: PIURA has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=4)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.032843 0.9934

Test critical values: 1% level -4.532598
5% level -3.673616
10% level -3.277364
*MacKinnon (1996) one-sided p-values.

Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 19
Cabe recordar que Enders (2009)9 demuestra que la presencia de quiebres estructurales
en las series de tiempo hace que las pruebas de raíz unitaria (como la prueba de Dickey
Fuller) estén sesgadas a concluir que hay presencia de raíces unitarias. Este es el caso
de la serie de pasajeros de Piura.
Debido al tamaño de muestra, las pruebas de análisis de quiebres estructurales (como el

de Zivot & Andrews) no son válidos. No obstante, se puede inferir la presencia de
quiebres estructurales por tres métodos.
Análisis gráfico
Observando la serie, se evidencia que es a partir del año 2007 que se intensifica una
tendencia creciente en el número de pasajeros que utilizan el aeropuerto de Piura.
9
Applied Econometric Time Series Analysis
Gráfico A3.1 Quiebre estructural
1 000 000
900 000
800 000
700 000 Intensificación de la
600 000 tendencia creciente
500 000
400 000
300 000
200 000
100 000
0
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
Análisis econométrico
Análisis econométrico
Solo utilizando un modelo econométrico que incluya constantes y tendencias, se

encuentra que un quiebre en el 2007 tanto en media y tendencia es significativo incluso al
99%. En particular, se observa que hay una tendencia creciente desde el 2007, y una
tendencia decreciente en el periodo 1999-2003.
Cuadro A3.2. Prueba de quiebre estructural

Date: 12/19/18 Time: 12:25
C 167177.7 10653.38 15.69246 0.0000

QUIEBRE_2007*@TREND 90909.12 4430.221 20.52022 0.0000
Q_99_03*@TREND -5201.696 2677.325 -1.942870 0.0698
QUIEBRE_2007 -1096747. 70227.41 -15.61707 0.0000

Análisis de raíces unitarias
Si la serie presenta una raíz unitaria solo por la presencia del quiebre estructural, al correr
una regresión entre esta serie, los quiebres y la constante, el residuo debería ser
estacionario (tras corregir el quiebre). En efecto, la prueba de Dickey Fuller confirma que
el error de la regresión del cuadro A3.2 es estacionario (Probabilidad menor a 0,05).
Esto justifica entonces que se trabaje con la serie de pasajeros de Cajamarca como una
serie estacionaria a través de los métodos de predicción tradicionales.
Cuadro A3.3. Prueba de raíz unitaria
Null Hypothesis: RESIDUOSPIURA_PQ has a unit root

Exogenous: None
Lag Length: 1 (Automatic - based on SIC, maxlag=4)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.443026 0.0017

Test critical values: 1% level -2.699769
5% level -1.961409
10% level -1.606610
*MacKinnon (1996) one-sided p-values.

Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 18
Ajuste lineal
El R2 indica el grado de ajuste lineal de la regresión, es decir, qué porcentaje de las

variaciones del número de pasajeros son explicados por las variaciones en las variables
explicativas (PBI, población y/o pasajeros del periodo anterior). Este indicador fluctúa
entre 0 y 1: cuanto mayor sea el R-cuadrado mayor será el ajuste del modelo, ya que las
variables independientes incluidas permiten explicar mejor el tráfico de pasajeros.
La teoría econométrica muestra que al incluir más variables explicativas el R2 del modelo
aumenta (porque se dispone de mayor información). No obstante, para garantizar la
calidad de la estimación, se utiliza el R2 ajustado que penaliza al R2 estándar por la
adición de variables explicativas que no contribuyen a aumentar el poder explicativo del
modelo lineal.
El R2 ajustado del modelo multivariado anual es de 0.99. Esto quiere decir que las
variables utilizadas explican el 99% de la variación encontrada en los datos, lo que
significa un nivel de ajuste aceptable.
Error cuadrático medio
Este indicador muestra la diferencia al cuadrado de los datos proyectados usando el

modelo y los datos reales. El indicador permite medir la capacidad de predicción del
modelo, debido a que una mayor diferencia entre el dato proyectado con el dato real hace
que el modelo tenga una menor capacidad predictiva. Dado que el objetivo del modelo es
explicar adecuadamente la información que se tiene, mientras menor sea el ECM mayor
será la precisión de la estimación.
El ECM del modelo multivariado anual es 21 450. Cabe resaltar que este ECM es
superior al error de la regresión del modelo tendencial (25 680).
Criterio de Akaike
Este indicador es utilizado para determinar si se debe adicionar una variable explicativa
en el modelo de estimación. El criterio de Akaike es una “función de pérdida” que permite
balancear el efecto positivo y negativo de la inclusión de una variable explicativa. Al
incluir una variable adicional se incrementa el ajuste del modelo, pero a la vez se reducen
los grados de libertad (información disponible) para realizar la estimación.
El Akaike del modelo multivariado anual es 23.185. En comparación a los demás

modelos, es uno de los que tiene menor valor de pérdida.
Comportamiento de los errores
Para poder realizar inferencias, los errores deben tener un comportamiento normal, ser
homocedásticos y no presentar autocorrelación. El gráfico A3.2 muestra la relación entre
la variable histórica y la estimada. La línea gris muestra el comportamiento de los errores.
En las siguientes pruebas se analiza cómo se comportan los errores.
Gráfico A3.2. Comportamiento de los errores de estimación

1,000,000
800,000
600,000
400,000
40,000 200,000
20,000 0
-20,000
-40,000
-60,000
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
Residual Actual Fitted

Fuente: Estimaciones propias
Elaboración: AC Pública – APOYO Consultoría
Prueba de normalidad de los errores
La teoría económica asume que los errores de predicción deben tener un

comportamiento normal para que las pruebas estadísticas sean más precisas. La prueba
de Jarque-Bera, que permite analizar la normalidad de los errores en una estimación, se
presenta en el gráfico A3.3 y muestra en el gráfico siguiente muestra que los errores
siguen una distribución normal ya que la probabilidad es mayor a 0.05.
Gráfico A3.3. Normalidad de errores
5
Series: Residuals
Sample 1995 2014
4 Observations 20
Mean -157.2130
3
Median -2043.982
Maximum 35071.17
Minimum -41445.26
Std. Dev. 22006.28
2
Skewness -0.127765
Kurtosis 2.130460
1 Jarque-Bera 0.684496
Probability 0.710172
0
-40000 -20000 0 20000 40000

Prueba de heterocedasticidad
El test de White permite determinar si los errores presentan heteroscedasticidad, es decir

si la varianza de los errores no es constante y afecta la precisión de la estimación. De ser
heterocedásticos deberá corregirse los valores de estimación pues estos pierden
confiabilidad.
Cuadro A3.4. Prueba de heterocedasticidad
Heteroskedasticity Test: White
F-statistic 9.484792 Prob. F(8,11) 0.0006

Obs*R-squared 17.46772 Prob. Chi-Square(8) 0.0256
Scaled explained SS 6.340360 Prob. Chi-Square(8) 0.6092

Los resultados de la prueba indican que sí existe heterocedasticidad de los errores. Es

por ello que, en la estimación final, se utilizó los errores estándares corregidos con el
estimador de White (1980)10, siendo este uno de los métodos mayormente utilizados para
corregir el problema de la heterocedasticidad. En ese sentido, la estimación del modelo
multivariado anual para el aeropuerto de Piura muestra los resultados de la estimación
corregidos a través del método de White como se indica en el Anexo 2 del capítulo 3.
10
White, Halbert (1980). A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for
Heteroskedasticity. Econometrica 48(4): 817-838.
Prueba de correlación serial
La prueba de Breush-Godfrey de correlación serial permite saber si las variables están

correlacionadas, es decir si los errores de un periodo dependen de una variable en el
periodo anterior. De estar correlacionadas, se debe rehacer la estimación pues esto
genera estimadores inconsistentes.
Cuadro A3.5. Prueba de correlación serial

1 rezago
Breusch-Godfrey Serial Correlation LM Test:

2 rezagos
Breusch-Godfrey Serial Correlation LM Test:


Los resultados de la prueba para uno y dos rezagos indican que no existe autocorrelación
serial, debido a que los p-value son superiores a 0.05, lo que permite no rechazar la
hipótesis nula de no autocorrelación. Ello asegura que los estimadores sean consistentes.
Otra herramienta para detectar autocorrelación es el correlograma.
Cuadro A3.6. Prueba de autocorrelación
Sample: 1995 2038

Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. |* . | . |* . | 1 0.185 0.185 0.7909 0.374

***| . | ***| . | 2 -0.348 -0.396 3.7540 0.153
****| . | ****| . | 3 -0.606 -0.543 13.248 0.004
. *| . | . *| . | 4 -0.142 -0.182 13.801 0.008
. |* . | ***| . | 5 0.145 -0.359 14.414 0.013
. |**. | .**| . | 6 0.334 -0.234 17.912 0.006
. |* . | .**| . | 7 0.147 -0.226 18.642 0.009
. | . | . *| . | 8 0.031 -0.071 18.678 0.017
. *| . | . | . | 9 -0.118 0.033 19.239 0.023
.**| . | .**| . | 10 -0.286 -0.277 22.826 0.011
. *| . | . | . | 11 -0.087 0.003 23.197 0.017
. | . | . *| . | 12 0.073 -0.178 23.487 0.024

Al igual que con la prueba de Breush-Godfrey, el correlograma indica que no existe

autocorrelación. Esto debido a que el p-value siempre es mayor a 0.05, por lo cual no se
puede rechazar la hipótesis nula de no autocorrelación serial.
ANEXO 4. RESUMEN HISTÓRICO DE PASAJEROS Y OPERACIONES
ANEXO 4
RESUMEN HISTÓRICO DE PASAJEROS Y OPERACIONES
Cuadro A4.1 Resumen histórico de pasajeros y operaciones
Año Pasajeros Operaciones

1995 187 900 6 288
1996 178 864 6 432
1997 171 746 5 816
1998 195 033 5 998
1999 170 230 4 088
2000 159 663 3 817
2001 132 263 3 844
2002 124 235 3 005
2003 110 569 2 098
2004 132 355 2 553
2005 143 554 3 101
2006 143 670 4 277
2007 192 805 5 226
2008 248 572 6 472
2009 291 415 7 007
2010 402 213 5 666
2011 545 746 7 469
2012 642 817 7 271
2013 733 651 7 878
2014 764 358 8 509
2015 841 430 10 699
2016 863 540 10 056
Fuente: Estadísticas – Córpac, AdP
ANEXO 5. RESUMEN DE ENTREVISTAS
ANEXO 5
RESUMEN DE LA ENTREVISTA CON LATAM PERÚ
Entrevista con: Pamela Griffith

Sub-gerente de Estrategia Comercial de LATAM
Participantes: Jorge Gaitán, Jimena Romero y Jeroen Prinsen.
13/06/2014
Conclusiones de la reunión:
I. Expansión de rutas:
 Nuevas rutas: La incorporación de nuevas rutas depende de la infraestructura

de los aeropuertos (características de la pista, largo, temas operacionales), a
pesar de que exista volumen de tráfico en ese aeropuerto. Conforme se
realizan inversiones o concesiones públicas, se van habilitando rutas a dichos
aeropuertos, no sólo es decisión de LATAM si no que depende de la
capacidad del aeropuerto para sus aeronaves (que no planean reducir de
tamaño). En el corto plazo se plantea habilitar dos nuevas rutas en
aeropuertos que se han mejorado: Talara y Ayacucho. Recientemente se han
incorporado rutas a Tumbes o Pucallpa.
 Incentivos a la entrada: El incentivo a la entrada de nuevas aerolíneas
también está determinado por el nivel industrial de la región y su potencial
turístico. La existencia de un mercado dinámico donde haya empresas y
potencial turístico genera un mercado atractivo para las aerolíneas; no
obstante sin la infraestructura adecuada no es posible implementar una oferta
atractiva, como es el caso de pequeños aeropuertos con 40,000 pasajeros al
año que al no poseer infraestructura ni un mercado adecuado no realizan las
condiciones suficientes para la entrada de un avión grande. Promperú lanza
convocatorias y realiza conversaciones con las aerolíneas para promover el
turismo local o extranjero e incluso comercio exterior.
 Las aerolíneas como impulsoras del crecimiento de la industria: La
entrada de una aerolínea genera un aumento en el tráfico actual de una región
al incrementar la oferta del transporte y la generación de incentivos a través de
nuevas tarifas provistas a un mejor precio. El crecimiento de la industria ha
ido a la par con el crecimiento del PBI y ha sido posible gracias a un modelo
de negocio mediante la reducción de tarifas y mejorar la eficiencia de costo
actual volviendo a la industria más atractiva para el pasajero dinamizando la
industria.
II. Modelo Actual:
 Flota actual: Caracterizada por aviones Airbus. No se considera la posibilidad

de la incursión a aeropuertos pequeños o aeródromos con aeronaves más
pequeñas. No se considera la posibilidad de mantener flotas de tamaños
distintos ya que es ineficiente económicamente.
 Competencia: La competencia “low cost” actual en el Perú está provista por
aerolíneas como Star Peru, que vuelan a aeropuertos más pequeños donde
LATAM no ofrece rutas pero no genera mayor preocupación o un efecto
significativos en su poder de mercado actual.
III. Crecimiento del sector:
 Tasa de crecimiento: La tasa de crecimiento de la industria ha ido creciendo

a una tasa superior a la del PBI y el Perú aún tiene el campo para seguir
creciendo. Se realizará una sustitución de buses por aviones en el futuro.
 Flujo de pasajeros: Los flujos de pasajeros tienden a moverse hacia el alza
cuando se realizan proyectos grandes o inversiones significativas como
hidroeléctricas, agrícolas o refinerías mineras. El movimiento de pasajeros
también está correlacionado con el boom económico de las regiones y en
sentido contrario en el caso de depresión; es decir se observa una relación
directa entre el PBI y el tráfico de pasajeros.
 Expectativas: Se espera un crecimiento respecto a los pasajeros nacionales
e internacionales y que sea mayor en el turista peruano que en el extranjero.
IV. Perspectivas regionales:
 “Hub” del sur (aeropuerto de Pisco): No tienen una posición clara respecto
al uso de Pisco como hub del sur, pero observando las ampliaciones de Jorge
Chávez podría no ser una buena opción debido a su proximidad. No obstante
la llegada de cruceros a Pisco podría ser una opción de operación para
charters. En cuanto a carga, en la costa generalmente se realiza mediante vía
terrestre. Es posible que en Pisco se realicen operaciones de carga con alto
valor y requerimiento mínimo de tiempo de transporte, pero generalmente no
existe en la costa. En Jorge Chávez existe una inversión grande en
infraestructura de carga por lo que no se considera si sea necesario realizar
vuelos aéreos desde Pisco.
 “Hub” del norte (aeropuerto de Chiclayo): El hub del norte (Chiclayo como
centro de conexiones de ciudades del norte del país e internacionales), podría
ser una alternativa a nivel nacional pero a nivel internacional el hub es Lima. A
nivel nacional, en el norte hay una demanda de tráfico que no se ha
desarrollado y se debe analizar la ruta de buses para determinar qué tan
viable es. Realizar conexiones directas entre ciudades del norte depende de la
infraestructura de los aeropuertos. Por ejemplo, existen vuelos interregionales
entre Cusco, Juliaca o Puerto Maldonado donde existe una industria creciente,
mayor turismo y es complejo viajar en bus. En el norte no es complicado viajar
en Bus si se traslada de la costa a la sierra o selva.
RESUMEN DE LA ENTREVISTA CON AEROPUERTOS DE PERÚ
Entrevista con: Emerson Mejía

Gerente de Ingeniería de AdP
Participantes: Jimena Romero, Jorge Gaitán y Jeroen Prinsen.
20/05/2014
Conclusiones de la reunión
Actualmente existen diversos factores que determinan el volumen de carga y de

pasajeros en un aeropuerto que están enfocados en el desarrollo económico de la región
y la infraestructura. Asi mismo la industria actual de aeropuertos en el Perú se caracteriza
por una evolución y crecimiento constante en el flujo actual de pasajeros, que generan
expectativas de consolidación de “hubs” en el norte y en el sur sin la necesidad de utilizar
Lima como un punto de conexión. Se destaca el rol del Estado como promotor de turismo
y de rutas áreas.
I. Pasajeros y carga:
 Factores que determinan el nivel actual de pasajeros y carga: El desarrollo
económico actual en las diferentes regiones y el aumento del poder adquisitivo
origina una mayor oferta en las líneas aéreas disponibles para los pasajeros y
mayor disponibilidad de vuelos. Asi mismo el crecimiento económico crea una
mayor demanda de productos, aumentando la entrada y salida de carga de la
región. Esto se ve reforzado por una mejora en infraestructura, que facilita el
movimiento general tanto de pasajeros como de carga.
 Tendencias en carga: Se espera una mayor interconectividad y tráfico entre
ciudades sin tener en cuenta a Lima. Es decir, se espera que ya no exista la
necesidad de que la carga tenga que ser enviada a Lima para ser redirigida a otra
ciudad. Actualmente el tráfico de carga se mueve a través de Lima y suele
quedarse en Lima. El mercado de carga por importación peruano contiene
mayormente maquinarias, herramientas de tecnología o medicinas
desembarcando en Lima y luego dirigiéndose hacia otros destinos. En
contraposición a la situación Limeña existen aeropuertos como Chachapoyas que
no reciben carga y otros como Iquitos que reciben carga de manera moderada.
II. Características de la industria:

 Evolución en términos de pasajeros y carga: Existe actualmente una
desaceleración en las tasas de crecimiento, pero con una tendencia creciente.
 Problemas al crecimiento: Actualmente existen problemas de infraestructura
sobre todo al interior del país que impiden un mayor crecimiento. También existe
desincentivos en el sector privado dado que el estado impone muchas trabas a los
procesos y no ha realizado un continuo nivel de inversiones acorde con el
crecimiento de la industria.
 Perspectivas de las principales aerolíneas: Se espera que líneas aéreas como
Avianca y Peruvian Airlines aumenten sus frecuencias a otros aeropuertos con un
incremento en su penetración. Por lo tanto, debería haber una mayor oferta de
vuelos y mayor competitividad que originen una reducción de las tarifas y por lo
tanto un mayor número de pasajeros.
 Efectos de la Competencia en la industria: En aeropuertos pequeños como
Cajamarca (que posee 4 vuelos de LATAM y 1 de LC Perú), las tarifas son altas y
no varían ya que sólo hay un líder y jugador grande como LAN. Aerolíneas
pequeñas, como LC Perú, se dirigen a un mercado ejecutivo marcado, por lo que
no compite con LATAM. Para que exista una reducción en las tarifas a raíz de
mayor competencia, es necesario que aerolíneas como Avianca o Peruvian
ingresen al mercado. Un ejemplo es la industria colombiana, cuyas tarifas son
bajas pero es liderada por Aero Colombia.
 Expectativas sobre posibles “hubs” y aeropuertos:
o Norte: Es posible que ciudades como Chiclayo puedan convertirse en una
especie de “hub” del norte que aglomeren a ciudades como Trujillo, Piura y
Cajamarca con conexiones directas sin la necesidad de ir a Lima.
Chiclayo es el aeropuerto que tiene más posibilidades en nuestra red de
ser un punto logístico, turístico y un eje importante al estar entre dos
ciudades que son Trujillo y Piura. Chiclayo es la puerta de entrada del
pacífico a través del puerto de Etén que podría aumentar el nivel actual de
carga aérea.
o Sur: En el caso del “hub” del sur y el aeropuerto de Pisco, se espera que
se consolide un eje entre Pisco, Cusco y Arequipa si se realizan incentivos
al turismo y a la creación de un circuito turístico con aerolíneas como
LATAM o LC Perú. Por el contrario, se espera que el crecimiento en Pisco
se base en la sustitución de los sobrevuelos del aeródromo de Nazca
hacia Pisco.
o Iquitos y Pucalpa podrían ser un punto importante y logístico con Brasil en
algún momento.
 Expectativas sobre rutas internacionales en los aeropuertos: Iquitos
actualmente posee rutas internacionales con ciudades Panamá y Leticia. Podría
existir en algún momento alguna conexión entre Acre, Brazi, y Pucalpa.
 Crecimiento en los diferentes aeropuertos: Los aeropuertos del Norte (Trujillo,
Chiclayo y Piura) son los que han presentado el mayor crecimiento debido al
desarrollo económico de la región. Actualmente el aeropuerto de Piura no
presenta la capacidad necesaria para soportar el nivel de demanda actual, a
pesar de su ampliación. Piura hoy carga con el tráfico correspondiente a Talara
que se está paralizado por la reparación de su pisca y se espera que al culminar,
disminuya ligeramente el tráfico en Piura. Sin embargo, ambos aeropuertos no
son suficientes para contener sus altas tasas de crecimiento, alrededor del 10%
anual.
III. Incentivos para la industria:

 Subsidios y promoción: Existen aeropuertos, como Chachapoyas, que tienen la
facultad de recibir aviones de mediana envergadura pero no recibe pasajeros
porque el área no ha desarrollado su potencial turístico. Como consecuencia,
aerolíneas líderes como LATAM no implementan rutas aéreas a ese destino. El
Estado debería promover el turismo y subsidiar los pasajes a estos destinos hasta
que sean comercialmente atractivos. Un ejemplo de subsidios es Panamá para
que el turista visite la ciudad en lugar de tomarlo como punto de paso.
 Políticas internacionales como incentivo: Existen algunos mecanismos para
incentivar al sector. En Ecuador existe una Dirección de Conectividad que tiene
como política incrementar la conectividad aérea del país. En Colombia se realizan
ferias internacionales de desarrollo de rutas aéreas donde se promocionan los
diferentes destinos turísticos.
IV. Características de los aeropuertos:

 Fortaleza de los aeropuertos: El aeropuerto es una pieza clave en el desarrollo
de las ciudades y AdP posee gran posicionamiento en las ciudades.
 Debilidades de los aeropuertos: El aeropuerto es vulnerable ante
manifestaciones donde se bloquea el aeropuerto. Al ser parte de una concesión
cuando se pretende hacer algún plan de desarrollo; este tiene que ser evaluado
por el SNIP (Sistema Nacional de Inversión Pública) el cual es un proceso lento y
no es tan dinámico como las necesidades del sector. Otro aspecto a considerar de
la concesión es que actúa como limitante en el desarrollo de proyectos de gran
envergadura, como centros comerciales, ya que el estado establece como
máximo 25 años siendo estos insuficientes para proyectos de gran envergadura
que requieren aproximadamente 40 años; incluso la concesión de AdP es un ave
de paso dentro de la vida útil del aeropuerto.
V. Áreas comerciales dentro de los aeropuertos:

 Demanda de áreas comerciales: La demanda por lugares comerciales depende
del aeropuerto. Por ejemplo en el aeropuerto Jorge Chávez, LAP (Lima Airport
Parners) asigna un concurso de licitaciones para determinar qué negocios estarán
en el área comercial del aeropuerto. Sin embargo en otros aeropuertos regionales
no se da implementa este mecanismo porque la demanda no es tan alta como en
Lima debido a una menor afluencia de pasajeros y a que las empresas prefieren
poner sus locales en Lima o en algún punto de la ciudad. Como consecuencia,
existe el riesgo de que los locales comerciales cierren, como el caso de Crepier
en Iquitos.
RESUMEN DE ENTREVISTAS CON REPRESENTANTES DE PIURA
Entrevista con: Gerente del aeropuerto de Piura- AdP: José Pardo; personal de LATAM,
Avianca, Peruvian Airlines, Talma y Corpac; Gerente General Cámara de Comercio de
Piura: Carlos Sánchez
Participantes: Roque Rokovich, Alfredo Chávez y Camila Costa
22/10/2015
a) Operadores aéreos, operaciones y carga

. El flujo de pasajeros corporativo ha aumentado bastante.
a. Vuelos diarios: 11
. Avianca:2
i. LATAM: 7
ii. Peruvian Airlines: 2
b. Tipos de aeronaves:
. LATAM: A320
i. Avianca: A320 y EMBREAER 190
ii. Peruvian Airlines: B737
c. En promedio, el low factor es de 80%.
d. Hora punta: 7-8am y 7-8pm.
e. Hay muy pocos vuelos charters.
f. Ninguna aerolínea tiene planes de realizar vuelos regionales desde Piura.
Antes, Aerocóndor hacía Piura-Tumbes.
g. Carga: se han estado llevando equipos de exploración para la industria
petrolera. Todos los productos de agroexportación salen vía marítima.
b) Aeropuerto, equipos e instalaciones

. El aeropuerto no cuenta con cerco perimétrico. Esto aumenta la
inseguridad para los pasajeros.
a. No cuenta con instalaciones para la recarga de combustible. Según las
aerolíneas este es un motivo importante para que no existan más destinos
o rutas.
b. Plataforma: 2 aviones simulatáneo.
c. Aeroclub: se encuentra clausurado.
d. La zona comercial se ha disminuido dentro del aeropuerto. Por ejemplo,
Zeta Book Stores se está retirando.
e. Dentro del plan maestro actual está hacer una reserva para un centro
comercial/hotel.
f. El aeropuerto no cuenta con posta médica. No hay médico.
g. Climatización: el aeropuerto no cuenta con A/C.
 Seguridad:
o Falta implementar circuito cerrado por parte de AdP.
o Faltan máquinas de rayos X para maletas de carga.
c) Mercado
. El aeropuerto de Talara no ha generado disminución de pasajeros en los
aeropuerto de Piura ni Tumbes. Por el contrario, el flujo de pasajeros del
aeropuerto de Piura ha aumentado.
a. Los pasajes vía terrestre a Tumbes y Tarapoto son muy baratos. Existe
una sobredemanda.
d) Cámara de Comercio
 Ha habido enfrentamientos entre la Cámara y AdP. La Cámara busca
buen servicio al pasajero y usuario.
o El aeropuerto no tiene A/C siendo Piura muy caluroso.
o Cochera se encuentra en la zona de salida peatonal.
o No hay un scanner para maletas de carga.
 Transporte:
o Existe un plan de OSITRAN para reubicar el aeropuerto de
Piura.
o Interconexión vial:
 Autopista el Sol
 Vía de Evitamiento: trabas por expropiación de terrenos.
o Puerto:
 Casi toda la producción exportable sale a través del
puerto ($500M-$3800)
 Fenómeno del Niño:
o No se ha realizado ninguna coordinación con el aeropuerto en
referencia a este tema.
 Oferta hotelera
o La oferta hotelera ha mejorado, sin embargo aún es baja.
o Toda la inversión privada se ha paralizado.
o Existe demanda para conferencias pero la oferta hotelera no se
da abasto.
 Turismo
o Playas.
o Falta promoción.
 Productivo:
o Alto Piura: proyecto que puede duplicar las hectáreas de cultivo
(Morropón).
ANEXO 6. VARIABLES UTILIZADAS EN EL MODELO ELEGIDO
ANEXO 6:
VARIABLES UTILIZADAS EN EL MODELO ELEGIDO
Cuadro A8.1 Valores de variables utilizadas en el modelo elegido
Año Pasajeros Quiebre 2007 @TREND PBI

1995 187 900 0 0 195 536
1996 178 864 0 1 201 009
1997 171 746 0 2 214 028
1998 195 033 0 3 213 190
1999 170 230 0 4 216 377
2000 159 663 0 5 222 207
2001 132 263 0 6 223 580
2002 124 235 0 7 235 773
2003 110 569 0 8 245 593
2004 132 355 0 9 257 770
2005 143 554 0 10 273 971
2006 143 670 0 11 294 598
2007 192 805 1 12 319 693
2008 248 572 1 13 348 923
2009 291 415 1 14 352 584
2010 403 661 1 15 382 380
2011 558 588 1 16 407 052
2012 643 116 1 17 431 273
2013 733 665 1 18 456 103
2014 764 358 1 19 479 128
Fuente: Estadísticas – Córpac, AdP, APOYO Consultoría

3 PIU - Capitulo III - Pronóstico de Demanda

Cargado por

Copyright:

Formatos disponibles

3 PIU - Capitulo III - Pronóstico de Demanda

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

3 PIU - Capitulo III - Pronóstico de Demanda

Cargado por

Copyright:

Formatos disponibles

PLAN MAESTRO DE DESARROLLO

1. PLAN MAESTRO VIGENTE ............................................................................................... 4

GRÁFICO N° 3-1 TRÁFICO COMPARATIVO DE PASAJEROS Y PROYECCIÓN DEL PLAN

CUADRO N° 3-1 OPERACIONES DE LAS PRINCIPALES AEROLÍNEAS, 2010-2016 ................... 7

1. PLAN MAESTRO VIGENTE

Gráfico N°3-1 Tráfico Comparativo de Pasajeros y Proyección del Plan Maestro

Bajo Base Alto Histórico

En el caso de carga, la proyección se inicia en el año 2015, año en lo cual la actividad

Bajo Base Alto Histórico

2. INFORMACIÓN HISTÓRICA DEL AEROPUERTO

Gráfico N°3-3 Tráfico de Pasajeros, 1995-2016

Fuente: Información Histórica de Tráfico Aéreo – AdP

Gráfico N°3-4 Evolución Mensual del Tráfico de Pasajeros Totales y de las

LAN Peruvian Arilines Avianca

Gráfico N°3-6 Número de Operaciones - Aerolíneas Principales, 2010-2016

LAN Peruvian Arilines Avianca

El trasporte de carga se concentra completamente en carga doméstica y presenta

Cuadro N°3-2 Carga: Llegadas, Salidas y Total, 2010-2016

2010 2011 2012 2013 2014 2015 2016

Gráfico N°3-7 Carga: Llegadas, Salidas y Total, 2010-2016

Debido a su baja magnitud y al modelo de negocio del transporte de carga, la carga se

Lan Perú Avianca Otros

Cuadro N°3-3 Participación del Mercado de Carga por Aerolínea, 2010-2016

2010 2011 2012 2013 2014 2015 2016

LAN/LATAM Peru 100% 94% 80% 68% 64% 80% 78%

Avianca 0% 2% 8% 15% 16% 13% 7%

El Cuadro N°3-5 presenta las operaciones comerciales regulares y no regulares entre

Cuadro N°3-5 Operaciones Comerciales, 2010-2016

2.4.1. FLOTA COMERCIAL

2010 2011 2012 2013

2014 2015 2016

En cuanto a operaciones comerciales regulares, las aeronaves más utilizadas incluyen el

Cuadro N°3-7 Porcentaje de Flota por Clase, 2010-2016

Cuadro N°3-8 Factor de Ocupación de Aeronaves de Uso Comercial, Promedio del

Cuadro N°3-9 Factor de Ocupación por Aerolínea, 2010-2016

2.4.2. FLOTA MILITAR

El Cuadro N°3-10 ilustra el número de vuelos y tipo de aeronaves usadas en las

2.4.4. RESUMEN DE LA FLOTA

Cuadro N°3-11 Operaciones por Modelo de Aeronave, 2010-2016

Aeronave 2010 2011 2012 2013 2014 2015 2016

El Cuadro N°3-12 presenta el porcentaje de operaciones por tipo de aeronave. Como se

Grupo/ Tipo 2011 2012 2013 2014 2015 2016

Gráfico N° 3-9 Métodos de Estimación

1. Análisis de 2. Análisis auto 3. Análisis 4. Análisis

3.1. ESTIMACIÓN DEL MODELO ECONOMÉTRICO DE PROYECCIÓN DE

La estimación de demanda para el aeropuerto de Piura siguió tres pasos: análisis de

1. Análisis de tendencias. Este análisis permite encontrar quiebres estructurales en la

2. Estimación del modelo considerando el flujo histórico de pasajeros del aeropuerto

3. Proyección de pasajeros hasta el año 2036.

3.1.1. ANÁLISIS DE TENDENCIAS

El análisis anual muestra un quiebre estructural en el año 2007, cuando la pendiente

3.1.2.ESTIMACIÓN DEL MODELO DE PROYECCIÓN

Las estimaciones de demanda se hicieron con cuatro métodos de estimación alternativos

El modelo estimado fue el siguiente:

𝒀𝒕 = 𝟖𝟐 𝟏𝟗𝟏 𝑫𝒕 𝟐𝟎𝟎𝟕 × 𝑻 − 𝟗𝟕𝟑 𝟑𝟑𝟐 𝑫𝒕 𝟐𝟎𝟎𝟕

Las pruebas estadísticas de validación de los resultados se presentan en el Anexo 31.

Gráfico N°3-11 Proyección de Pasajeros por Escenario, 1995-2036

Cuadro N°3-13 Proyección de Pasajeros por Escenario, 2018-2036