ELFITAs

El turismo en nuestro tiempo constituye, la primera industria mundial, hasta el punto de que

la actividad turística se ha convertido en un componente fundamental del consumo de los
países desarrollados, en opinión de los expertos, el turismo se puede erigir en uno de los
sectores productivos que a medio y largo plazo puede sustentar la economía de algunos
países, especialmente de aquellos que están en vías de desarrollo. Según la OMT El en el
año 2014 el número de turistas creció un 4,3% a nivel mundial, en consecuencia
los ingresos generados por el turismo tuvo un crecimiento del 3,7% en términos globales y
reales (deducida ya la inflación y las fluctuaciones de tipos de cambio), y espera
crecimientos del 3,3% anual hasta el año 2030, cuando está previsto llegar a los 1.800
millones de turistas.

Las razones que podrían justificar estas expectativas son múltiples; en primer lugar, las
mejoras tecnológicas de los medios de transporte y la creciente calidad de las vías
de comunicación y el creciente peso del sector terciario en la economía de los países más
desarrollados está provocando no sólo más facilidades para viajar sino también para
aumentar la frecuencia de los viajes realizados.

La rentabilidad de muchas oportunidades de inversión se evalúa en base a proyecciones

más precisas. Las mismas también son necesarias a los efectos de posicionar un destino en
relación con su competencia. Motivos como los señalados anteriormente han estimulado
el interés en la búsqueda de técnicas apropiadas para modelar la demanda turística. Un gran
número de técnicas han sido aplicadas en las últimas décadas.
Estos métodos incluyen análisis de series de tiempo, modelos econométricos en general y
enfoques de modelización no lineales.

En este sentido, en Venezuela, se hace necesario proyectar la afluencia de turistas que nos
visitan, y en especial en el estado Mérida para poder realizar una planificación turística más
eficiente

Debido al comportamiento estacional que poseen las series turísticas diversos autores han
analizado y aplicado metodologías de series de tiempo univariadas para ajustar y luego
proyectar la cantidad de turistas en diversas regiones y países a nivel internacional. Sin
embargo, existen teorías que afirman poder proyectar mejor con un modelo ARIMA que
con otros modelos univariados y multivariados.

En este sentido, (Chatfield, 2001) señala que muchos investigadores esperarían que la
proyecciones con modelos multivariados sean al menos tan buenas como las que se realizan
con modelos univariados, pero esto no siempre es así, primero porque es un error común el
incluir más variables para tener una mejor predicción, cuantos más parámetros se incluyen,
más oportunidad de aumentar la incertidumbre; por otro lado, más variables para medir
implican que más datos pueden estar afectados por errores y outliers; y cuanto más
complicado sea el modelo, hay más probabilidad de especificarlo mal, de aquí que los
modelos univariados son más robustos que los multivariados.
La demanda de turismo en Mérida ha mostrado un crecimiento importante a lo largo de los
últimos años. Según La Corporación Merideña de Turismo, en la última década el número
de turistas ha crecido a una tasa promedio anual del 0,46%.

Una de las técnicas estadísticas tradicionales empleadas frecuentemente en el pronóstico de

series de tiempo es la metodología Box-Jenkins, la cual permite obtener buenas
aproximaciones cuando se aplica a series de tiempo estacionarias o que pueden convertirse
en estacionarias mediante la transformación o transformaciones adecuadas.

Hasta ahora es insuficiente el conocimiento sobre la aplicación de un modelo desde un

enfoque de series de tiempo para el estudio de demanda turística en Mérida, las propuestas
en trabajos de tesis se han enfocado en series económicas, en este sentido, el trabajo nace
de la necesidad de responder y pronosticar de manera eficiente la afluencia turística en el
corto y mediano plazo, aplicando herramientas estadísticas sólidas para cuantificar los
posibles modelos para pronosticar. Además, constituye una herramienta nueva para la
Corporación que actualmente las decisiones para la realización de proyectos básicamente
utilizando técnicas de baja confiabilidad, por lo cual este trabajo pretende determinar
la factibilidad de emplear la teoría de pronósticos en la predicción de la serie de demanda
turística 2000 – 2014 llevadas por la Corporación Merideña de turismo.

Objetivo General: Determinar un modelo de serie de tiempo para pronosticar la demanda

turística del Estado Mérida.

Objetivos Específicos siguientes:

1. Identificar un modelo de serie de tiempo para pronosticar la demanda turística del Estado
Mérida.

2. Aplicar el modelo de serie de tiempo para pronosticar la demanda turística del Estado
Mérida.

MÉTODOS Y TÉCNICAS A EMPLEAR

– Métodos de análisis de series de tiempo y el estudio de los indicadores se realizará
empleando modelos paramétricos ARIMA, que son bastante flexibles y convenientes para
modelar series temporales. Sirven para modelar comportamientos estacionarios y no
estacionarios; por ello se seguirá de cerca la metodología propuesta por Box y Jenkins.

– Uso del entorno y lenguaje de programación R.

Fases del Proceso

– Análisis descriptivo de la serie de tiempo

– Representación gráfica de la serie de tiempo

– Identificación del modelo

– Identificación de modelos ARIMA

– Estimación de los modelos propuestos

– Selección del modelo

– Diagnóstico del modelo

– Pronósticos de las temporadas siguientes

– Representación gráfica de los valores pronosticados

Estas tareas se llevaron a cabo de acuerdo a los fundamentos teóricos y metodológicos

relacionados a la investigación, entre las principales temáticas se señalan: Modelos de
Series de tiempo, La Metodología de Box-Jenkins, Demanda Turística, entre otros.

DESARROLLO: APLICACIÓN DEL PROCEDIMIENTO PROPUESTO

Se procederá a aplicar la metodología propuesta de Box y Jenkins con su respectivo
procedimiento para la obtención de los pronósticos en el lenguaje de programación R .

De acuerdo con la Organización Mundial del Turismo, el turismo se constituye de aquellas

actividades que realizan las personas en lugares que se encuentran fuera de su lugar de
residencia habitual por motivos personales o de negocios durante al menos 24 horas. Esta
actividad guarda estrecha relación con el crecimiento de los países, ya que permite
aumentar la diversificación, así como mejorar los destinos de cada uno de estos países a fin
de posicionarse de manera sostenible.

El archivo de datos temporadas.txt, contiene la afluencia de turistas al estado Mérida

durante las temporadas vacacionales Carnaval, Semana Santa, Vacaciones Escolares
y Navidad desde el año 2000 hasta 2014, para un total de 60 observaciones según datos
proporcionados por la Corporación Merideña de Turismo (CORMETUR). Durante el
periodo bajo estudio la afluencia de turistas presentó una media de 207.917 personas, con
un mínimo de 3.844 personas en la temporada de Carnaval de 2014 y un máximo de
458.547 personas en la temporada de Semana Santa de 2012. Para medir la capacidad de
predicción del modelo seleccionado se emplearon como datos de validación los
correspondientes a la afluencia de turistas en el año 2015.

Representación gráfica

Gráfico 1. Afluencia de turistas al estado Mérida desde 2000 a 2015. Fuente: A partir de la
serie de tiempo analizada.

El gráfico de la serie de tiempo correspondiente a la afluencia de turistas en el periodo bajo

estudio, muestra un comportamiento regular, que se repite cada año desde el año 2000 hasta
el 2011, sin embargo, desde el año 2012 este patrón regular no continúa, presentándose
los valores máximos y mínimos de la serie de tiempo en los años 2014 y 2012
respectivamente. El gráfico además permite ver que en la temporada de Carnaval la
afluencia de turistas es más baja respecto al resto de las temporadas vacacionales, mientras
que en las temporadas de Semana Santa y Vacaciones escolares se presentan una mayor
afluencia de turistas.

Funciones de autocorrelación simple y parcial.

Grafico 2. Función de autocorrelacion simple. Fuente: A partir de la serie de tiempo

analizada.

Grafico 3. Función de autocorrelacion parcial. Fuente: A partir de la serie de tiempo

analizada.

En el correlograma de la función de autocorrelacion simple se observan que los valores de ?

k decrecen oscilando entre valores positivos y negativos lentamente y algunos uno de ellos
son significativamente distintos de cero, mientras que en el correlograma de la función de
autocorrelacion parcial los primeros coeficientes son significativamente distintos de cero, el
resto de ellos se encuentran dentro de los límites confidenciales. Lo anterior indica que la
correlación entre los valores próximos es alta pero a medida que se incrementan los rezagos
entre los valores de la serie la correlación disminuye, además la correlación es significativa
en los rezagos 4s con s=1, 2, 3,…, debido a que estamos tratando con una serie que
presenta un patrón regular.

CONTRASTE DE DICKEY-FULLER ESTÁNDAR

El contraste de Dickey-Fuller se emplea para determinar la existencia de raíces unitarias en
la serie de tiempo estudiada, partiendo del modelo Xt = ?Xt-1 + ut, con -1=? = 1, el test de
Dickey-Fuller se basa en la siguiente expresión ?Xt = dXt-1 + ut; donde se contrastan
las hipótesis H0: r=1 Vs H1: r?0.

Como se observó en los correlogramas de las funciones de autocorrelacion simple y parcial,

resulta evidente que la serie presenta el componente estacionario ya que las correlaciones
son significativas en los rezagos 4s con s=1, 2, 3, a fin de formalizar estas aseveraciones se
realizó el contraste de Dickey-Fuller, y como el valor del p-valor es menor a a=0.05 se
rechaza la hipótesis nula, con lo cual podemos afirmar que la serie de tiempo es
estacionaria.

IDENTIFICACIÓN DE MODELOS ARIMA

Observando los correlogramas correspondientes a las funciones de autocorrelacion simple y
parcial de la serie de tiempo correspondiente a la afluencia de turistas al estado Mérida, es
evidente que la serie presenta un comportamiento estacional, de modo que debe modelarse
a través de un modelo SARIMA o ARIMA estacional.
En el correlograma de la función de autocorrelacion simple y parcial, se muestra que en los
rezagos estacionales los valores de la función son significativamente distintos de cero,
además las correlaciones oscilan entre valores positivos y negativos tendiendo
exponencialmente a cero, esto indica que es conveniente seleccionar un modelo
autorregresivo estacional, sin embargo, la serie puede ser modelada también a través de un
modelo mixto (ARMA) estacional, de modo que se proponen los siguientes modelos: AR
(1)4, AR (2)4 y ARMA (1, 1)4, debido a que la serie de tiempo presenta estacionariedad.