Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dialnet LaCapacidadPredictivaEnLosMetodosBoxJenkinsYHoltWi 2150087 PDF
Dialnet LaCapacidadPredictivaEnLosMetodosBoxJenkinsYHoltWi 2150087 PDF
Resumen: En el presente trabajo se realiza un análisis de la capacidad predictiva de dos métodos ampliamente uti-
lizados, la metodología Box-Jenkins y el procedimiento de Holt-Winters, llevándose a cabo un estudio a partir de
una serie con estacionalidad procedente del sector turístico. Después de exponer los contenidos teóricos de las
dos metodologías utilizadas y los fundamentos básicos de las series temporales como método de predicción, se
realiza una revisión de la literatura existente relativa a la utilización de series temporales para la predicción de datos
en el sector turístico de nuestro país, finalizando con la comparación de las predicciones obtenidas por ambos mé-
todos con los valores reales de la serie para el año 2003, usando los estadísticos RECM, MAE y MAPE. La serie
utilizada es “Viajeros alojados en establecimientos hoteleros de la provincia de Almería” durante el período 1993-
2002, serie que presentaba una estacionalidad muy acentuada y que se prestaba a un análisis de este tipo.
Palabras clave: Métodos cuantitativos / Predicción / Series temporales / Demanda turística / Box-Jenkins / Holt-
Winters.
Box-Jenkins and Holt-Winters Procedures Forecasting Accuracy: An Application on
Tourism Sector
Abstract: In this paper, we have analyzed forecasting accuracy of two widely used statistics models: the Box-
Jenkins and Holt-Winters procedures. These models are used in a seasonality time series belonging to the tourism
sector in Almería (Spain). First, we expose the theoretical approaches applied. After this, we developed an overview
of the literature that used time series models to forecasting tourisms’ variables in Spain. For our empirical analysis,
the time series used in this paper is “Tourists stayed in hotels of Almería” over the period from 1993 to 2002, which
presents a long seasonality. We finished comparing the forecasting accuracy of both models, using values referring
to 2003 year. In order to do this, we used three error measures like RMSE (Root mean squared error), MAE (Mean
absolute error), and MAPE (Mean absolute percentage error).
Key Words: Quantitative methods / Forecasting / Tourism demand / Time series / Box-Jenkins / Holt-Winters.
Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198 185
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
186 Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
(Box, Jenkins y Reinsel, 1994; Brockwell y Da- Esta disparidad en relación al mejor rendi-
vis, 1991; du Preez y Witt, 2003; Harvey, 1993; miento de las series temporales en detrimento de
Kapoor, Madhok y Wu, 1981). Su uso se en- otros métodos econométricos de predicción pue-
cuentra ampliamente difundido en múltiples ám- de deberse, fundamentalmente, a tres motivos
bitos, así como en sectores de muy diversa natu- (Song et al., 2003):
raleza (Chatfield, 1978 y 1989; Faraway y Chat-
field, 1998; Hoptroff, 1993; Kao y Huang, 2000, • El rendimiento de los modelos econométricos
entre otros), demostrándose su validez predictiva es muy sensible a las diferentes metodologías
y su utilidad en la ayuda para la toma de deci- utilizadas (Clements y Hendry, 1998; Gustavs-
siones (Zou y Yang, 2004). Ello es debido, prin- son y Nordström, 2001; Lim y McAleer,
cipalmente, a que las predicciones a corto plazo 2001).
que proporciona el análisis de series temporales, • La existencia de diferentes frecuencias en los
sirve como excelente complemento a la informa- datos puede conducir a diferentes conclusio-
ción estadística disponible, la cual suele obtener- nes. Así por ejemplo, es habitual comparar téc-
se de modo diferido y con cierto retraso, impi- nicas estadísticas que utilizan datos anuales
diendo a la empresa realizar un análisis del sec- frente a datos cuatrimestrales (p. e. Kim y
tor y tomar decisiones hasta que dicha informa- Song, 1998; Song et al., 1998).
ción está disponible (González y Moral, 1995; • Los estudios econométricos asumen, habitual-
Otero y Trujillo, 1998). mente, que la estructura del modelo permanece
En las organizaciones actuales, se reconoce la constante a lo largo del tiempo, lo cual no es
importancia estratégica y el valor que puede compatible con la situación en sectores como
aportar la utilización de técnicas de previsión en el turismo, donde existe una constante evolu-
todas las áreas organizacionales (Makridakis, ción (Lise y Tol, 1999), siendo en estas situa-
1996) como por ejemplo en el campo de la eco- ciones donde las series temporales proporcio-
nomía de la empresa, donde la utilización de los nan mejores resultados que los modelos eco-
modelos de series temporales suele ser frecuente nométricos.
al plantearse continuamente el problema de la
toma de decisiones (Duran y Flores, 1998; San-
MÉTODOS BOX-JENKINS Y HOLT-WINTERS
ders, 1997; Sanders y Manrodt, 1994; Wilson et
al., 2000; Zou y Yang, 2004) o en el ámbito del
marketing, donde también es frecuente su utili- Modelos ARIMA: modelos de Box-Jenkins
zación para la predicción, entre otros, de aspec- La metodología de los modelos ARIMA1 fue
tos como el nivel de ventas, la cuota de mercado formalizada por Box y Jenkins en 1976, por lo
futura, o la relación entre gastos publicitarios y que también se les denomina modelos Box-
participación del mercado, tanto en mercados de Jenkins. Este enfoque parte del hecho de que la
consumidores como en mercados industriales serie temporal que se trata de predecir es gene-
(Dalrymple, 1975 y 1987; Helmer y Johansson, rada por un proceso estocástico cuya naturaleza
1977; Kahn y Mentzer, 1995; Kapoor et al., puede ser caracterizada mediante un modelo. Pa-
1981; Mabert y Radcliffe, 1974; Mentzer y Cox, ra efectuar la estimación de un modelo ARIMA
1984; Moriarty y Adams, 1979; Tiao y Pack, se requiere de una serie temporal mensual o tri-
mestral que cuente con un elevado número de
1975). Y es que, las ventajas que presenta el
observaciones. Básicamente, la metodología
análisis de series temporales sobre otros métodos Box-Jenkins consiste en encontrar un modelo
econométricos de predicción son considerables matemático que represente el comportamiento
(Geurts e Ibrahim, 1975; Kulendran y King, de una serie temporal de datos, y permita hacer
1997; Kulendran y Witt, 2001) a pesar de que previsiones únicamente introduciendo el período
existen autores que ponen de manifiesto el ren- de tiempo correspondiente (Chatfield, 1989).
dimiento superior que presentan otros métodos En los modelos ARIMA univariantes se ex-
frente al análisis de series temporales (p. e. Kim plica el comportamiento de una serie temporal a
y Song, 1998; Song, Romilly y Liu, 1998). partir de las observaciones pasadas de la propia
Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198 187
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
serie y a partir de los errores pasados de previ- fluctuaciones no se ven afectadas por la tenden-
sión. La notación compacta de los modelos cia) o de modo multiplicativo (las fluctuaciones
ARIMA es la siguiente: varían con la tendencia). Así, cuando una serie
sigue un esquema multiplicativo y presenta esta-
ARIMA (p,d,q) [1] cionalidad, es el método de la razón a la media
móvil el más apropiado, por su consistencia y
donde p es el número de parámetros autorregre- uso, para eliminar el factor estacional.
sivos, d es el número de diferenciaciones para Una vez desestacionalizada la serie podremos
que la serie sea estacionaria, y q es el número de realizar predicciones para periodos futuros. En
parámetros de medias móviles. El modelo Box- las series temporales que siguen una tendencia
Jenkins ARMA (p,q) viene representado por la aproximadamente lineal, y además están someti-
siguiente ecuación: das a la incidencia del factor estacional, el méto-
do de predicción más adecuado resulta ser el mé-
Yt= φ0 +φ1yt-1+L+φpyt-p+at –θ1at-1 –L –θqat-q [2] todo de Holt-Winter. La aplicación de este mé-
todo parte de un modelo teórico que va a servir
La parte autorregresiva (AR) del modelo es de base para la predicción y que podemos expre-
φ1yt-1+L+φpyt-p, mientras que la parte de medias sar de la siguiente forma (Uriel y Muñiz, 1993):
móviles del modelo (MA) es –θ1at-1 –L –θqat-q.
Yt = (b0+b1) Et + μt [3]
Los coeficientes de los parámetros φ0, φ1, L, φp,
θ1, L, θq son determinados a partir de los datos, a donde b0 es el componente permanente, b1 la
través de cualquier método estadístico consisten- pendiente de la recta y Et el factor estacional
te. multiplicativo. El método plantea tres ecuacio-
El método Box-Jenkins proporciona predic- nes de alisado para estimar estos componentes.
ciones sin necesidad de la existencia de ningún
tipo de condición previa, además de ser parsi- Yt
monioso respecto a los coeficientes (Chatfield, St = α +(1- α) (St-1 + b1t-1) 0<α<1 [4]
Ct −L
1989). Además, una vez encontrado el modelo,
se pueden efectuar de manera inmediata predic-
ciones y comparaciones entre datos reales y es- b1t = β (St – St-1) + (1 – β) b1t-1 0<β<1 [5]
timados para observaciones pertenecientes al pa-
sado (Parreño, de la Fuente, Gómez y Fernán- Yt
dez, 2003). Sin embargo, además de requerir un Ct = γ + (1 – γ) Ct-L 0<γ<1 [6]
St
elevado número de observaciones, la estimación
e interpretación de sus coeficientes es compleja, Para poder realizar predicciones utilizando el
y proporciona peores resultados en previsiones a método de Holt-Winters se requiere conocer los
largo plazo (Helmer y Johansson, 1977). valores iniciales y los valores de las constantes
α, β, y γ. Los valores iniciales necesarios para
iniciar los cálculos recursivos son L+2, corres-
Métodos de descomposición: el método
pondientes a los L factores estacionales del año
Holt-Winters
anterior, a la primera observación y al nivel y
Una segunda alternativa a la hora de analizar pendiente del período 0.
series temporales son los llamados métodos clási-
cos de descomposición. En este caso se suele
considerar que la serie se puede descomponer en REVISIÓN DE LA LITERATURA DE
todos o algunos de los siguientes componentes: a) ANÁLISIS ECONOMÉTRICO EN
tendencia, b) factor cíclico; c) estacionalidad y d) INDICADORES TURÍSTICOS EN
componente irregular (Uriel y Muñiz, 1993). ESPAÑA
Según los métodos de descomposición, las
series son el resultado de la integración de esos El turismo ha sido uno de los sectores que
cuatro componentes, bien de modo aditivo (las mayor atención ha recibido en los últimos años
188 Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
en el ámbito económico, debido al papel tan im- Respecto a los trabajos que analizan el sector
portante que desempeña en la estructura produc- turístico en nuestro país utilizando estas metodo-
tiva de un país (Sorensen, 2003), siendo incluso logías, podemos encuadrarlos en dos grandes
considerado como la industria de mayor impor- grupos: por un lado, y en función de la perspec-
tancia a nivel mundial (Daniel y Ramos, 2002). tiva tratada dentro del sector turístico, podemos
De hecho, los ingresos por turismo constituyen observar como son muchos los trabajos que se
uno de los soportes básicos del equilibrio de la han centrado en los flujos de turistas extranjeros
balanza por cuenta corriente (Busian, 1996), por en territorio español, existiendo trabajos regiona-
lo que es indudable la extrema importancia que les de gran importancia; por otro lado, algunos
tiene para la economía de un país la predicción estudios se han centrado en el análisis de los in-
de la demanda turística futura (Daniel y Ramos, gresos por turismo de la región en cuestión o a
2002). nivel nacional. En la tabla 1 se indica cuál de es-
La metodología empleada para el análisis del tas dos variables son las que analizan algunos de
sector turístico ha sido muy variada, persiguién- los principales trabajos sobre modelización turís-
dose, fundamentalmente, dos tipos de objetivos: tica publicados en nuestro país.
por un lado la modelización de los cambios del Como podemos observar en nuestro país pre-
sector turístico y, por otro, la obtención de previ- dominan los trabajos que han intentado modeli-
siones de la evolución futura de la demanda tu- zar el flujo de turistas que nos visitan, siendo
rística (Weatherford y Kimes, 2003). Esta varie- menor el número de trabajos que han intentado
dad metodológica se debe, tal y como indican predecir el nivel de ingresos turísticos. En cuan-
Witt y Witt (1992, 1995) y Song y Witt (2000), a to a los modelos econométricos considerados,
la no existencia de un único procedimiento de son las modelizaciones multivariantes que toman
predicción válido, dependiendo la metodología a como base una única ecuación de comporta-
utilizar de la situación objeto de análisis. En el miento, es decir, las modelizaciones univarian-
caso del turismo, este aspecto es más pronuncia- tes, las que, debido a sus facilidades en términos
do, ya que factores como la estacionalidad2 de información estadística, son las principalmen-
hacen más complicada la predicción y modeliza- te utilizadas. Ello se debe a que la disponibilidad
ción de la demanda turística (Kawasaki y Fran- de datos dificulta en muchos casos el afrontar
ses, 1996), lo que se ve acentuado por la diversi- modelos que enlacen distintas ecuaciones, como
dad de actividades que comprende el sector tu- podrían ser los modelos de ecuaciones simulta-
rístico (Garín-Muñoz y Pérez, 2000). En este neas, o los modelos dinámicos de ecuaciones
sentido, Narayan (2003) identifica dos grandes múltiples, como es el caso de los modelos VAR.
períodos dentro de los trabajos econométricos Espasa (1996) expone la necesidad de realizar
existentes sobre modelización de la demanda tu- estudios econométricos cada vez más desagre-
rística: el primero, hasta 1995, donde se utiliza- gados para poder captar todas las particularida-
ban técnicas econométricas más sencillas y otro, des de los grupos homogéneos de visitantes,
a partir de esa fecha, en el que comienzan a pro- considerando, no obstante, este trabajo difícil de
liferar trabajos que combinan diferentes técnicas llevar a cabo debido a las deficiencias de datos
y emplean métodos más complejos para dicha que existen.
estimación. Si llevamos a cabo una breve revisión de los
Esta importancia económica del sector turís- trabajos que analizan el sector turístico de nues-
tico ha tenido, igualmente, su reflejo en nuestro tro país, uno de los primeros estudios desarrolla-
país. Así, en el año 2003 se ingresaron unos dos en esta línea fue el de Pulido (1966). Su pro-
treinta y siete mil millones de euros, lo que su- puesta pretendía encontrar una modelización vá-
puso un incremento del 10% respecto a las cifras lida para el estudio del sector turístico contem-
de 2002, situándose nuestro país, y por vez pri- plando los flujos internacionales de turistas.
mera en 1998, como el segundo mayor destino Para ello, diferenciaba entre 17 países emiso-
turístico del mundo por detrás de Francia (Parre- res y 14 zonas de destino, aunque uno de sus
ño et al., 2003). grandes obstáculos fue la información estadística
Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198 189
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
con la que trabajar por lo que tuvo que llevar a dades, de modo que se llevan a cabo previsiones
cabo filtrados de series y elaboración de infor- de entrada de turistas de diferentes países.
mación estadística inédita. La metodología de Box-Jenkins volvió a ser
usada por Bru y Usach (1987), llevando a cabo
Tabla 1.- Variable de análisis (flujo turístico/ingresos el análisis de la serie mensual “Pernoctaciones
turísticos) en los principales estudios sobre modeliza- totales en la Comunidad Valenciana” durante el
ción turística en España periodo 1975-1985. En este segundo caso el
TRABAJO FLUJO INGRESOS modelo estimado es usado con fines predictivos,
Pulido (1966) 9
Almagro (1979) 9
aunque según los autores, las estimaciones reali-
Cercle d’estudis economics de les Il- zadas perdían capacidad previsional a partir del
9 9
les Balears (1980) cuarto periodo.
Almagro (1982) 9
Ya en la década de los noventa, Espasa y
Padilla (1986) 9
Bru y Usach (1987) 9 Cancedo (1993) realizan un análisis econométri-
Espasa y Cancedo (1993) 9 co del turismo en España en el que llevan a cabo
Martínez (1995) 9 la estimación de dos modelos relacionados. En
Esteban (1996) 9
Otero (1996) 9
uno de ellos la variable endógena escogida son
García-Ferrer y Queralt (1997) 9 los “Ingresos totales reales”,mientras que en el
Otero y Trujillo (1998) 9 segundo la variable dependiente pasa a ser “Nú-
Martínez (1999) 9 mero total de turistas entrados en España”. Para
Otero (1999) 9
Garín-Muñoz y Pérez (2000) 9 realizar la modelización en ambos casos, hacen
Ledesma y Navarro (2000) 9 uso de una serie de variables explicativas que
FUENTE: Elaboración propia. mantienen una estructura de retardos, y que, en
ambos casos, son las mismas. La interrelación de
los dos modelos podría asemejarse a un modelo
Posteriormente, Almagro (1979) lleva a cabo
VAR, sin embargo las variables endógenas no
una modelización ARIMA estacional de las se-
intervienen como exógena en la modelización de
ries “entrada de extranjeros y no residentes” co-
la otra variable dependiente, siendo la intención
mo proxy de los ingresos por turismo. En este
de los autores realizar un análisis de casualidad
caso la serie recogía 156 observaciones que dinámica.
comprendían desde Enero de 1965 a Enero de Martínez (1995 y 1999) analiza el turismo
1978. La mayor aportación de este trabajo es la procedente de Alemania y Gran Bretaña, respec-
obtención de un modelo univariante que modeli- tivamente. En ambos casos, el autor analiza el tu-
zaba el comportamiento de series turísticas, aun- rismo por país de procedencia y elabora un mode-
que no puso especial énfasis en las capacidades lo basado en una sola ecuación en la cual introdu-
predictivas. Posteriormente, este mismo autor en ce como variable dependiente “la entrada de turis-
1982, desarrolla un trabajo donde analiza igual- tas alemanes/ingleses por el aeropuerto de Mála-
mente los ingresos por turismo utilizando mode- ga”, y como variables explicativas la relación en-
los multivariantes de estimación. tre el coste de la vida en España y en el conjunto
El Cercle d’Estudis Economics de les Illes de países competidores, los valores del PIB en
Balears (1981) realiza un trabajo que estudia dos Alemania/Inglaterra y la relación entre la varia-
tipos de modelos distintos: por un lado, un análi- ción del coste de la vida en España y en Alema-
sis multivariante en el que introduce tanto varia- nia/Inglaterra. El autor realiza la modelización
bles turísticas como variables económicas y so- trabajando con la transformación logarítmica de
ciales que se consideran relevantes para el estu- las variables explicativas antes citadas, e introdu-
dio de los ingresos por turismo, realizando dis- ciendo variables ficticias para modelizar la esta-
tintas regresiones en función del país de proce- cionalidad. Su intención es explicar en que medi-
dencia del turista; en una segunda parte del tra- da influye cada uno de estos factores en la llegada
bajo se realiza una modelización univariante de de visitantes a la provincia de Málaga.
la serie total de entradas en el aeropuerto de Destacamos también dos trabajos de Otero
Palma de Mallorca, diferenciando por nacionali- (1996 y 1999) sobre modelizaciones turísticas.
190 Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198 191
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
una parte la metodología Box-Jenkins, y por otra método más extendido en este ámbito: la razón a
el procedimiento de Holt-Winters basado en los la media móvil.
métodos clásicos de descomposición, aplicándo- Este procedimiento consiste en sustituir los
lo en ambos casos a una serie con estacionalidad datos reales por la media aritmética de cada can-
procedente del sector turístico. Esta comparación tidad en el año en cuestión y la de los n valores
se realiza mediante la diferencia entre la previ- que le preceden. Así, la media móvil (de orden
sión que proporciona cada una de las metodolo- n) del año t sería:
gías (utilizando tres estadísticos de fiabilidad de
predicción: el RECM, el MAE y el MAPE) y el Vt + Vt −1 + Vt − 2 + ... + Vt − n
valor real (ya conocido). Vt ( n ) = [8]
( n + 1)
192 Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
Como paso previo a la obtención del proceso mejores predicciones. Esto se aprecia con mayor
generador de los datos se realiza un análisis de claridad en la figura 4, en la que casi se super-
estacionalidad de la serie, decidiendo trabajar ponen los valores originales de la serie con las
con la serie transformada, a la que se le han apli- predicciones obtenidas por Holt-Winters.
cado dos transformaciones sucesivas. La primera
consiste en aplicar logaritmos con el objeto de Figura 4. Serie original y predicción Holt-Winters
suavizar el componente estacional: (1993-2002) (miles de viajeros)
160
Serie original
Lalojt = ln (Alojt) [10] 140
Predicción H-W
120
100
Adicionalmente, se ha realizado otra trans- 80
formación en la que se han llevado a cabo dos 60
diferenciaciones de esta serie transformada, una 40
primera diferencia de la serie y una diferencia 20
estacional. 0
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198 193
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
En la tabla 2 podemos observar las previsio- A la vista del análisis realizado encontramos
nes que para cada uno de los meses del año 2003 un resultado dispar en el comportamiento de los
realiza cada uno de los modelos, comparándolas estadísticos RECM, MAE y MAPE, que dan
con el valor real de dicha serie para ese año, así prioridad, en el caso de RECM, a los modelos
como el valor de los estadísticos de fiabilidad de clásicos, y en el caso de MAE y MAPE a los
predicciones RECM, MAE y MAPE que cada modelos ARIMA. Efectivamente, mientras que
modelo proporciona. En el análisis de series el estadístico RECM ofrece un resultado de 8,93
temporales se selecciona aquel modelo que, en la en la predicción Holt-Winters, en el modelo
predicción de períodos presentes y pasados, ARIMA es, sin embargo, ligeramente superior
arroja errores de predicción menores, es decir, (8,94). En cambio con los estadísticos MAE y
arroja un RECM, un MAE o un MAPE menor MAPE ocurre al contrario, al obtenerse un valor
(Uriel, 1993, p. 407). de 7,2 y 10,45, respectivamente, en el modelo
clásico mientras que en el modelo ARIMA es de
Tabla 2- Resultados previsión modelos Box-Jenkins, 5,3 y 9,18, respectivamente .
Holt-Winters y resultados reales. Año 2003 (miles de Dado que de los tres estadísticos estimados,
viajeros)
en dos de ellos (MAE y MAPE) el valor del es-
VIAJE- PREDICCIONES AÑO 2003
MES ROS AÑO
tadístico del enfoque ARIMA es inferior al del
2003 Holt-Winters Box-Jenkins modelo clásico, y en el otro criterio (RECM), el
Enero 37,5 34,6 39,9 valor del estadístico para el modelo Holt-Winter
Febrero 54,1 41,6 48,0
Marzo 56,7 59,0 63,8
es inferior, pero únicamente lo es en una centé-
Abril 86,0 74,7 77,4 sima, elegimos la predicción ARIMA frente a
Mayo 93,3 80,8 82,6 los modelos Holt-Winters. Por ello, si quisiéra-
Junio 102,0 92,3 96,5 mos realizar predicciones para el año 2004 o su-
Julio 120,1 111,2 105,6
Agosto 146,5 138,4 131,9 cesivos, utilizaríamos los modelos autorregresi-
Septiembre 109,6 98,3 96,6 vos en lugar de la metodología clásica.
Octubre 71,6 74,5 76,1
Noviembre 50,1 46,6 51,3
Diciembre 53,5 42,7 47,9
RECM 8,93 8,94 CONCLUSIONES Y FUTURAS LÍNEAS
MAE 7,2 5,3 DE INVESTIGACIÓN
MAPE 10,45 9,18
Uno de los aspectos fundamentales para la
Analizando en detalle las predicciones men- gestión de la empresa turística es conocer cuál va
suales, podemos observar en la figura 5, como a ser el nivel de demanda para los períodos veni-
los mayores errores tienen lugar en ambos méto- deros. Existen múltiples procedimientos estadísti-
dos en los meses de mayor estacionalidad, sien- cos que pueden ayudar a los gerentes a conocer
do muy coincidentes en los meses invernales. dichos valores y, lo más importante, de un modo
Además, de forma generalizada, los valores pro- ciertamente fiable. Uno de los procedimientos
nosticados son inferiores a los reales. más utilizados en los trabajos que sobre análisis
estadístico del sector turístico se han utilizado, y
Figura 5.- Predicción Box-Jenkins, Holt-Winters y motivado en gran medida por su inmediatez, han
valores reales. Año 2003 (miles viajeros) sido las series temporales. Estas consisten en la
160 previsión de los valores futuros de una variable,
Datos reales 2003 utilizando las observaciones pasadas que de la
140 Pred. ARIMA
120 Pred. H-W misma se poseen, partiendo del supuesto que el
100 comportamiento que ha tenido una variable en el
80 pasado, se va a prolongar en el futuro.
60 Existen diferentes alternativas de modeliza-
40 ción de los valores futuros de una variable utili-
20
zando los datos de una serie temporal, entre los
0
Enero Marzo Mayo Julio Sept. Nov. que se encuentran los procedimiento autorregre-
194 Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
sivos y de medias móviles, y los procedimientos genéticos, entre otras metodologías, puede ser de
de descomposición clásicos de la serie en dife- gran utilidad.
rentes subciclos. Para el caso de nuestra varia-
ble, “Viajeros alojados en establecimientos hote-
leros en la provincia de Almería”, los modelos NOTAS
ARIMA producen mejores resultados que los 1. Procede del término anglosajón Autorregresive,
procedimientos clásicos de descomposición de Integrated and Moving Average (Modelos inte-
series temporales, si bien los resultados obteni- grados, autorregresivos y de medias móviles)
dos indican que ambas metodologías tienen una 2. Para evitar el problema de la estacionalidad, se re-
capacidad predictiva similar. Una de las razones curre a datos anuales en lugar de datos más perió-
principales de este hecho viene motivado por el dicos (p. e. datos mensuales, trimestrales o cua-
fuerte componente estacional que posee esta va- trimestrales) (Garín-Muñoz y Pérez, 2000)
3. Las variables explicativas recogen los efectos de
riable, aspecto que es común en el sector turísti- renta y precios, al estar fuertemente relacionadas
co para un elevado número de variables, ya que con la demanda turística. Los datos son cuatrimes-
es habitual que las cifras turísticas se disparen en trales
los períodos vacacionales, y, especialmente, en
los períodos estivales. Por ello, es recomendable
desestacionalizar la serie con objeto de que este BIBLIOGRAFÍA
fenómeno afecte lo menos posible la estimación
del modelo, de modo que las estimaciones y pre- ALMAGRO, J. (1979): “Aplicaciones del enfoque Box-
Jenkins a series del turismo español”, Cuadernos
visiones que se realicen sean lo más exactas po-
Económicos del ICE, vol. 11-12, pp. 55-107.
sible. En cualquier caso, ambos procedimientos ALMAGRO, J. (1982): “Ingresos por turismo: un análi-
(junto a otro elevado número de herramientas es- sis en un contexto multivariante”, Papeles de Eco-
tadísticas) se configuran como una metodología nomía Española, vol. 11, pp. 69-100.
ciertamente útil y que permiten ayudar en la to- BOX, G.; JENKINS, G.; REINSEL, G. (1994): Time Se-
ma de decisiones para la dirección de las empre- ries Analysis, Forecasting and Control. 3ª ed. En-
sas turísticas y la posterior ejecución de las es- glewood Cliffs: Prentice Hall.
trategias empresariales. BROCKWELL, R.; DAVIS, R. (1991): Time Series:
Creemos que es conveniente seguir profundi- Theory and Methods. 2ª ed. New York: Springer.
BRU, S.; USACH, J. (1987): “Análisis de series tempo-
zando en la aplicación de modelos econométri-
rales del turismo de la Comunidad Valenciana”, Es-
cos para la modelización en el sector turístico, tadística Española, vol. 114, pp. 111-132.
con el objeto de conocer qué técnicas son las BUSIAN, A. (1996): “Evolución de los ingresos por
más fiables para permitir a los directivos turísti- turismo desde una perspectiva reciente”, Economis-
cos estimar los valores futuros de las diferentes tas, vol. 69, pp. 162-167.
variables y reducir el riesgo en la toma de deci- CERCLE D’ESTUDIS ECONOMICS DE LES ILLES (1981):
siones empresariales. Además, y dado que el Modelos multivariantes y univariantes de compor-
software utilizado realiza la descomposición de tamiento y previsión de la demanda turística para
la serie en sus cuatro componentes (tendencia, las Islas Baleares
ciclo, estacionalidad y aleatoriedad), como futu- CHANDRA, S.; MENEZES, D. (2001): “Applications of
ras líneas de investigación, se podría realizar el Multivariate Analysis in International Tourism Re-
análisis exhaustivo de cada uno de estos compo- search : The Marketing Strategy Perspective of
NTOs”, Journal of Economic and Social Research,
nentes, con objeto de descubrir cuál de ellas to-
vol. 3, núm. 1, pp. 77-98.
ma mayor importancia y aporta mayor nivel de CHATFIELD, C. (1978): “The Holt-Winters Forecast-
información en la modelización de la variable. ing Procedure”, Applied Statistics, vol. 27, núm. 3,
Además, sería interesante la utilización de otras pp. 264-279.
metodologías de predicción alternativas a las uti- CHATFIELD, C. (1989): The Analysis of Time Series:
lizadas aquí, de modo que se pueda contrastar An Introduction.4ª ed. Chapman & Hall.
cuál de ellas permite obtener mejores estimacio- CLEMENTS, M.; HENDRY, D. (1998): Forecasting
nes a partir de series temporales. En este sentido, Economic Time Series. Cambridge: Cambridge Uni-
la utilización de redes neuronales o algoritmos versity Press.
Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198 195
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
DALRYMPLE, D. (1975): “Sales Forecasting Methods GEURTS, M.; IBRAHIM, I. (1975): “Comparing the
and Accuracy”, Business Horizons, vol.18, núm. 12, Box-Jenkins Approach with the Exponentially
pp. 69-73. Smoothed Forecasting Model with an Application to
DALRYMPLE, D. (1987): “Sales forecasting Practices: Hawai Tourists”, Journal of Marketing Research,
Results from a United States Survey”, International vol. 12, pp. 182-187.
Journal of Forecasting, vol.4, núm. 3, pp. 51-59. GÓMEZ, V.; MARAVALL, A. (1996): TRAMO and
DANIEL, A.; RAMOS, F. (2002): “Modelling Inbound SEATS (Versión Beta: Septiembre 1996). (Docu-
International Tourism Demand to Portugal”, Inter- mento de Trabajo, 9628). Banco de España, Servicio
national Journal of Tourism Research, vol. 4, pp. de Estudios.
193-209. GONZÁLEZ, P.; MORAL, P. (1995): “An Analysis of
DU PREEZ, J.; WITT, S. (2003) : “Univariate Versus International Tourism Demand in Spain”, Interna-
Multivariate Time Series Forecasting: An Applica- tional Journal of Forecasting, vol. 11, pp. 233-251.
tion to International Tourism Demand”, Interna- GUSTAVSSON, P.; NORDSTRÖM, J. (2001): “The Im-
tional Journal of Forecasting, vol.19, pp. 435-451. pact of Seasonal Unit Roots and Vector ARMA
DURAN, J.; FLORES, B. (1998): “Forecasting Practices Modelling on Forecasting Monthly Tourism Flows”,
in Mexican Companies”, Interfaces, vol. 28, núm. 6, Tourism Economics, vol. 7, núm. 2, pp. 117-133.
pp. 56-62. HARVEY, A. (1993): Time Series Models. 2ª ed. He-
ESPASA, A. (1996): “Características de la demanda en mel Hempstead: Harvester Wheatsheaf.
los estudios econométricos sobre el turismo e impli- HELMER, R.; JOHANSSON, J. (1977): “An Exposition
caciones de política económica y estrategia empre- of the Box-Jenkins Transfer Function Analysis with
sarial”, Boletín de Información Comercial Españo- an Application to the Advertising-Sales Relation-
la, vol. 749, pp. 77-88. ship”, Journal of Marketing Research, vol. 14, (ma-
ESPASA, A.; CANCEDO, J. (1993): Un análisis econo- yo), pp. 227-239.
métrico del turismo en España: implicaciones para HOPTROFF, R. (1993): “The Principles and Practice of
el turismo sectorial de las exportaciones y algunas Time Series Forecasting and Business Modelling
consideraciones de Política Económica. Alianza. Using Neural Nets”, Neural Computer Aplications,
ESTEBAN, A. (1987): Análisis de la demanda: aplica- vol. 1, pp. 59-66.
ción a la actividad turística de las técnicas de pre- INSTITUTO NACIONAL DE ESTADÍSTICA (2001): En-
dicción. (Tesis doctoral). Madrid: Universidad cuesta de ocupación hotelera. Madrid.
KAHN, K.; MENTZER, J. (1995): “Forecasting in Con-
Complutense, Facultad de Ciencias Económicas y
sumer and Industrial Markets”, The Journal of Bu-
Empresariales.
siness Forecasting, vol. 14, núm. 2, pp. 21-28.
ESTEBAN, A. (1996): “Previsiones de la demanda tu-
KAO, J.; HUANG, S. (2000): “Forecast Using Neural
rística”, Boletín de Información Comercial Españo-
Network Versus Box-Jenkins Methodology for Am-
la, vol. 749, pp. 89-97.
bient Air Quality Monitoring Data”, Journal of Air
ESTEBAN, A. (1997): “La demanda turística interna- & Waste Management Association, vol. 50, pp. 219-
cional”, en: La actividad turística española en 1996, 226.
pp. 39-47. AECIT KAPOOR, S.; MADHOK, P.; WU, S. (1981): “Modeling
FARAWAY, J.; CHATFIELD, C. (1998): “Time Series and Forecasting Sales Data by Time Series Analy-
Forecasting with neural networks: a comparative sis”, Journal of Marketing Research, vol. 18, (fe-
Study Using the Airline Data”, Applied Statistics, brero), pp. 94-100.
vol. 47, múm. 2, pp. 231-250. KAWASAKI, Y.; FRANSES, H. (1996): A Model Selec-
FREES, E.; MILLER, TH. (2004): “Sales Forecasting tion Approach to Detect Seasonal Unit Roots, pp. 1-
Using Longitudinal Data Models”, International 20. (Papers, 96-180). Timbergen Institute Rotter-
Journal of Forecasting, vol. 20, pp. 99-114. dam.
GARCÍA, J.; JIMÉNEZ, J.F.; ROSADO, Y. (2001): “Mé- KIM, S.; SONG, H. (1998): “Analysis of Inbound Tou-
todos de predicción en series temporales turísticas”, rism Demand in South Korea: A Cointegration and
XV Reunión Asepelt-España. A Coruña Error Correction Approach”, Tourism Analysis, vol.
GARCÍA-FERRER, A.; QUERALT, R. (1997): “A Note 3, pp. 25-41.
on Forecasting International Tourism Demand in KULENDRAN, N.; KING, M. (1997): “Forecasting In-
Spain”, International Journal of Forecasting, vol. ternational Quarterly Tourism Flows Using Error
13, pp. 539-549. Correction and Times Series Models”, International
GARÍN-MUÑOZ, T.; PÉREZ, T. (2000): “An Economet- Journal of Forecasting, vol. 13, pp. 319-327.
ric Model for International Tourism Flows to KULENDRAN, N.; WITT, S. (2001): “Cointegration
Spain”, Applied Economics Letters, vol. 7, pp. 525- Versus Least Squares Regression”, Annals of Tour-
529. ism Research, vol. 28, pp. 291-311.
196 Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198
ISSN 1019-6838
Jiménez, J.F.; Gázquez, J.C.; Sánchez, R. La capacidad predictiva en los métodos...
LAW, R. (2000): “Demand for Hotel Spending by Vi- PARREÑO, J.; DE LA FUENTE, D.; GÓMEZ, A.; FER-
sitors to Hong-Kong: A Study of Various Forecast- NÁNDEZ, I. (2003): “Previsión en el sector turístico
ing Techniques”, Journal of Hospitality & Leisure en España con las metodologías Box-Jenkins y Re-
Marketing, vol. 6, núm. 4, pp. 17-29. des Neuronales”, XIII Congreso Nacional ACEDE.
LEDESMA, F.; NAVARRO, M. (2000): Datos de panel y Salamanca.
demanda de turismo: El caso de Tenerife. (Docu- PULIDO, A. (1966): Introducción a un análisis eco-
mento de Trabajo). Universidad de La Laguna. nométrico del turismo. Instituto de Estudios Turísti-
LIM, C. (1997): “An Econometric Classification and cos.
Review of International Tourism Demand Models”, PUNJ, G.; STEWART, D. (1983): “Cluster Analysis in
Tourism Economics, vol.3, pp. 69-81. Marketing Research: Review and Suggestions for
LIM, C.; MCALEER, M. (2001): Time Series Forecasts Applicattions”, Journal of Marketing Research, vol.
of International Tourism Demand for Australia. 20, pp. 134-138.
(Discussion Paper, 53). Osaka University, The Insti- SANDERS, N. (1997): “The Status of Forecasting in
tute of Social and Economic Research. Manufacturing Firms”, Production and Inventory
LISE, W.; TOL, R. (1999): On the Impact of Climate Management Journal, vol. 38, núm. 2, pp. 32-36.
on Tourist Destination Choice. (Working Paper, W- SANDERS, N.; MANRODT, K. (1994): “Forecasting
99/30). Amsterdam: Institute for Enviromental Practices in US Corporations: Survey Results”, In-
Studies. terfaces, vol. 24, núm. 2, pp. 92-100.
MABERT, V.; RADCLIFFE, R. (1974): “A Forecasting SONG, H.; ROMILLY, P.; LIU, X. (1998): “The UK
Methodology as Applied to Financial Time Series”, Consumption Function and structural Inestability:
Accounting Review, (enero), pp. 61-75. Improving Forecasting Performance Using a Time
MAKRIDAKIS, S. (1996): “Forecasting: Its Role and Varying Parameter Approach”, Applied Economics,
Value for Planning and Strategy”, International vol. 30, pp. 975-983.
Journal of Forecasting, vol. 12, pp. 13-37. SONG, H.; WITT, S. (2000): Tourism demand model-
MARTÍNEZ, J. (1995): “La demanda turística alemana ling and forecasting. Pergamon Press.
en la Costa del Sol”, Estudios Turísticos, núm. 127, SONG, H.; WITT, S.; JENSEN, T. (2003): “Tourism Fo-
pp. 5-17 recasting: Accuracy of Alternative Econometric
MARTÍNEZ, J. (1999): “La demanda turística inglesa Models”, International Journal of Forecasting, vol.
en la Costa del Sol”, Papers de Turisme, vol. 26, pp. 19, pp. 123-141.
63 y ss. SORENSEN, N. (2003): “Modelling and Monthly Sea-
MENTZER, J.; COX, J. (1984): “Familiarity, Applica- sonal Forecasting of Hotel Nights in Denmark”, en
tion and Performance of Sales Forecasting Tech- N. Kaergaard [ed.]: Symposium for anvendt statistik,
niques”, Journal of Forecasting, 3, 4, pp. 27-36. pp. 35-50. KVL Press.
MORIARTY, M.; ADAMS, A. (1979): “Issues in Sales TIAO, G.; PACK, D. (1975): “Modelling the Consump-
Territory Modeling and Forecasting Using Box- tion of Frozen Concentrated Orange Juice: A Case
Jenkins Analysis”, Journal of Marketing Research, Study of Time Series Analisys”, Academic Eco-
vol. 16, pp. 221-232. nomic Papers, vol. 3, pp. 27-39
NARAYAN, P. (2003): “Tourism Demand Modelling: URIEL, E.; MUÑIZ, M. (1993): Estadística económica
Some Issues Regarding Unit Roots, Co-integration y empresarial. Teoría y ejercicios. AC.
and Diagnostic Tests”, International Journal of WEATHERFORD, L.; KIMES, SH. (2003): “A Compari-
Tourism Research, vol. 5, pp. 369-380. son of Forecasting Methods for Hotel Revenue Ma-
OTERO J. (1996): “Principales determinantes del flujo nagement”, International Journal of Forecasting,
de pasajeros extranjeros desembarcados en el aero- vol. 19, pp. 401-415.
puerto de Málaga”, Estudios de Economía Aplicada, WILSON, P.; OKUNEV, J.; ELLIS, C.; HIGGINS, D.
vol. 5, pp. 105-120. (2000): “Comparing Univariate Forecasting Tech-
OTERO J. (1999): “Las fluctuaciones cíclicas del tu- niques in Property Markets”, Journal of Real Estate
rismo en Andalucía”, Revista de Estudios de Eco- Portfolio Management, vol. 6, núm. 3, pp. 283-306.
nomía Aplicada, vol. 13, pp. 129-142. WITT, S.; WITT, C. (1992): Modelling and Forecast-
OTERO, J.; TRUJILLO, F. (1998): “Forecasting Tour- ing Demand in Tourism. Academic Press.
ism Demand in the Short Term: The Case of Anda- WITT, S.; WITT, C. (1995): “Forecasting Tourism
lusian Hotel Establishments”, 4th International Fo- Demand: A Review of Empirical Research”, Inter-
rum on Tourism Statistics. Copenhague. national Journal of Forecasting, vol. 11, pp. 447-
PADILLA, R. (1986): La demanda de servicios turísti- 475.
cos en España. (Tesis doctoral). Madrid: Universi- ZOU, H.; YANG, Y. (2004): “Combining Time Series
dad Complutense de Madrid, Facultad de Ciencias Models for Forecasting”, International Journal of
Económicas y Empresariales. Forecasting, vol. 20, núm. 1, pp. 69-84.
Revista Europea de Dirección y Economía de la Empresa, vol. 15, núm. 3 (2006), pp. 185-198 197
ISSN 1019-6838