@inproceedings{Barbosa2025ClassificacaoCompanhias,

title = {Classifica\c{c}\~{a}o das Companhias A\'{e}reas com Base na Efici\^{e}ncia Operacional: Uma Abordagem de Aprendizado de M\'{a}quina},

author = {Jo\~{a}o Ant\^{o}nio Vieira Barbosa and Rodrigo Martins da Silva Fajoses and Victor Andrade Assis and Jo\~{a}o Vitor Brunheroto Anacleto and \'{A}lvaro Luiz Campos Justen Costa and Mateus Habermann and Daniel Alberto Pamplona},

url = {https://www.sige.ita.br/edicoes-anteriores/2025/TRABALHOS/Artigos-com-ISSN/Classifica\c{c}\~{a}o das Companhias A\'{e}reas com Base na Efici\^{e}ncia Operacional Uma Abordagem de Aprendizado de M\'{a}quina.pdf},

issn = {1983-7402},

year  = {2025},

date = {2025-01-01},

booktitle = {Anais do Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa (SIGE)},

pages = {148\textendash153},

address = {S\~{a}o Jos\'{e} dos Campos, Brasil},

organization = {Instituto Tecnol\'{o}gico de Aeron\'{a}utica},

abstract = {A classifica\c{c}\~{a}o de companhias a\'{e}reas \'{e} um tema de consider\'{a}vel relev\^{a}ncia para diversos stakeholders, sendo tradicionalmente dominada por modelos de neg\'{o}cios como Tradicional (Legacy), Baixo Custo (LCC) e H\'{i}brido. Contudo, essas classifica\c{c}\~{o}es frequentemente carecem de crit\'{e}rios operacionais objetivos e padronizados, o que pode comprometer sua utilidade anal\'{i}tica e a capacidade de refletir a crescente converg\^{e}ncia estrat\'{e}gica no setor. Este estudo tem como objetivo principal avaliar a efic\'{a}cia da classifica\c{c}\~{a}o tradicional e, concomitantemente, propor e validar um modelo alternativo de classifica\c{c}\~{a}o fundamentado na efici\^{e}ncia operacional da frota. Para tal, foram utilizadas m\'{e}tricas operacionais reais de companhias a\'{e}reas norte-americanas, abrangendo o per\'{i}odo de 1995 a 2020. T\'{e}cnicas de aprendizado de m\'{a}quina supervisionado, incluindo Random Forest, Support Vector Machines e Regress\~{a}o Log\'{i}stica, foram empregadas para construir e comparar modelos preditivos baseados tanto na classifica\c{c}\~{a}o tradicional quanto na abordagem proposta, esta \'{u}ltima utilizando indicadores sint\'{e}ticos de Produtividade da Frota (PF) e Intensidade Operacional Ajustada (IOA). Os resultados indicam que os modelos de machine learning, especialmente o Random Forest, demonstraram alta capacidade preditiva para ambas as abordagens de classifica\c{c}\~{a}o. A classifica\c{c}\~{a}o proposta, baseada em efici\^{e}ncia operacional, revelou-se n\~{a}o apenas robusta em termos de desempenho preditivo, com acur\'{a}cias frequentemente superiores a 90%, mas tamb\'{e}m ofereceu maior interpretabilidade quanto aos fatores operacionais determinantes. Conclui-se que abordagens orientadas por dados, como a proposta, s\~{a}o promissoras para fornecer diagn\'{o}sticos mais objetivos, replic\'{a}veis e acion\'{a}veis sobre a efici\^{e}ncia das companhias a\'{e}reas, complementando ou refinando as classifica\c{c}\~{o}es tradicionais.},

keywords = {Classifica\c{c}\~{a}o Supervisionada, Companhias A\'{e}reas, Efici\^{e}ncia Operacional},

pubstate = {published},

tppubtype = {inproceedings}

}