2

Pitch: analisei 794 mil voos domésticos da ANAC com Python e PostgreSQL, e as 10 rotas que mais atrasam no Brasil saem todas de Guarulhos

Trabalhei quase dois anos no setor aéreo e sempre tive curiosidade de olhar os atrasos com dados de verdade. A ANAC publica todo mês um arquivo com cada voo regular do país, com horário previsto e real (o VRA, Voo Regular Ativo). Peguei os 12 meses mais recentes (out/2025 a set/2026), montei um pipeline em Python + PostgreSQL e publiquei um painel aberto.

O que os dados mostram

  • 16,7% dos voos domésticos de passageiros saem com mais de 15 min de atraso (794.802 voos analisados)
  • Guarulhos é o aeroporto que mais atrasa: 29,3%. Congonhas vem em segundo, com 21,7%
  • As 10 rotas que mais atrasam no país (entre rotas com 1.500 voos ou mais) saem todas de Guarulhos. A pior é Guarulhos → Fortaleza, com 39%
  • O grande aeroporto mais pontual é Brasília (11,4%), e a rota mais pontual é Brasília → Santos Dumont (7%)
  • Pior horário: 22h (26,4% atrasam). Quem sai às 5h tem só 4,5%
  • Pior mês: dezembro/2025, com 27,6%

Este post é mais sobre como cheguei nesses números, porque o caminho teve mais armadilha do que eu esperava.

1. O arquivo da ANAC tem pegadinhas

Cada mês é um CSV de ~12 MB, e nenhum deles é "só ler com pandas":

  • A primeira linha é Atualizado em: ... e o cabeçalho só vem depois
  • Separador ; e UTF-8 com BOM (o leitor também aceita Latin-1 e vírgula, por garantia)
  • Valores ausentes aparecem como null, N/A ou vazio
  • A partir de out/2024 os horários passaram a ter fração de segundo (2026-09-11 16:30:00.100000000)
  • O nome do arquivo não tem zero à esquerda no mês (VRA_20269.csv), mas a pasta tem (09 - Setembro)

Por isso o leitor detecta encoding, separador e a linha do cabeçalho antes de ler, e o download grava um manifesto com tamanho e SHA-256 de cada arquivo, para a análise ser reproduzível.

O bug que quase passou: no começo eu usei pd.to_datetime(..., dayfirst=True) porque o Brasil escreve dd/mm. Só que os arquivos novos vêm em ISO (aaaa-mm-dd), e o dayfirst fazia o pandas trocar dia e mês em parte das datas. No teste, apareceu um "fevereiro" em dados que eram só de julho e agosto. A correção foi decidir o formato olhando uma amostra da coluna (ISO ou não) e converter com o formato explícito.

2. Carga no PostgreSQL

As 12 planilhas somam 1.021.766 registros. A carga usa COPY (via psycopg) e leva uns 20 segundos na minha máquina. Para quem quiser rodar sem instalar Postgres, o projeto usa o pgserver, que sobe um PostgreSQL embutido numa pasta local.

3. As regras de negócio ficam em SQL

Toda a análise está em SQL puro, em views e consultas nomeadas. A view central define o que é atraso e o recorte:

CREATE VIEW v_dom AS
SELECT *,
       realizado AND atraso_min > 15                                       AS atrasado,
       CASE WHEN atraso_min > 15 AND atraso_min <= 1440 THEN atraso_min END AS atraso_valido_min
FROM v_base
WHERE domestico AND tipo_linha = 'N' AND (realizado OR cancelado);

Decisões que mudaram o resultado:

  • Atraso = partida mais de 15 min depois da prevista (o padrão internacional de pontualidade).
  • Denominadores diferentes: % de atraso é sobre voos realizados; % de cancelamento é sobre voos previstos.
  • Atrasos acima de 24 h entram como atraso, mas ficam fora de médias e somas (cheiram a erro de registro).
  • Voos de carga estavam entrando. Olhando o campo "tipo de linha", vi que os códigos C e G eram GOL Log, Azul Cargo, Total, LATAM Cargo... Para quem quer saber "quando voar", eles não fazem sentido. Fiquei só com o tipo N (doméstica mista).
  • Mês de referência: voos da virada do mês às vezes aparecem no arquivo anterior. Usar a data do voo criava um "mês" com meia dúzia de registros. Passei a usar o mês do arquivo da ANAC.

4. Desconfiar do próprio resultado

Guarulhos com quase 30% de atraso, bem acima do segundo colocado, me deixou desconfiado. Será que Guarulhos registra a "partida real" como a hora da decolagem (incluindo o taxiamento, que lá é longo) enquanto outros registram a saída do portão?

O teste: olhar a chegada desses mesmos voos, que é registrada no aeroporto de destino. Se fosse só diferença de registro, o atraso sumiria na chegada. Não sumiu: 27,6% dos voos que saem de Guarulhos chegam atrasados, contra 18,8% de Congonhas.

Outra armadilha era misturar efeitos. A LATAM é a companhia que mais atrasa (20,1%), mas 22% dos voos dela saem de Guarulhos. Fora de lá, a taxa cai para 16,5%. E GOL (14,7%) e Azul (14,8%) estão praticamente empatadas, então não faz sentido chamar uma delas de "a mais pontual".

5. O painel

É um site estático: o Python roda as consultas, gera um JSON de ~45 KB e o HTML + ECharts desenha tudo no navegador. Publicado no GitHub Pages com GitHub Actions, sem servidor e sem custo.

Um cuidado que eu recomendo: enquanto eu testava com dados sintéticos, o painel mostrava uma faixa vermelha "DADOS DE TESTE". Assim não tinha como publicar número inventado por engano.

Limitações

Os dados dizem quando e onde os atrasos acontecem, não por quê (clima, controle de tráfego, manutenção, atraso em cascata). E o recorte é de 12 meses; dezembro, por exemplo, pode ter sido atípico.


Se você voa por Guarulhos, isso bate com a sua experiência? E se tiver ideia de outra análise com esses dados, manda que eu tento.

Carregando publicação patrocinada...
1