Modelo de predicción de series temporales para la demanda turística de la Cadena Hotelera Cubanacán

Reinier Fernández López, Ledy Raúl Díaz González, Juan Carlos Alfonso Alemán, Olga Barrio Padrón

Resumen


La demanda turística influye de manera vital en la planificación y proyección de los decisores en esta actividad. En tal sentido, pronosticar la demanda turística, integrando de este modo las cadenas productivas al resto de las actividades socioeconómicas de los procesos de producción y servicios, se convierte en una herramienta insoslayable. El presente trabajo tiene como objetivo elaborar un modelo de pronóstico para la demanda turística mediante el empleo de técnicas de series temporales, que permita predecir el comportamiento del turismo, sustentado en la metodología Box-Jenkins y que respalde el proceso de toma de decisiones en la Cadena Hotelera Cubanacán de Pinar del Río, Cuba. Se logró formular un modelo riguroso con la utilización de los métodos estadísticos-matemáticos como ejes rectores de la investigación, además, se modeló la demanda turística hasta diciembre de 2019.

Autores/as

Reinier Fernández López

ORCID iD
Universidad de Pinar del Río "Hermanos Saíz Montes de Oca"
Cuba

Facultad de Ciencias Técnicas. Departamento de Matemática

Ledy Raúl Díaz González

ORCID iD
Universidad de Pinar del Río "Hermanos Saíz Montes de Oca"
Cuba

Facultad de Ciencias Técnicas. Departamento de Matemática

Juan Carlos Alfonso Alemán

ORCID iD
Fondo Cubano de Bienes Culturales de Pinar del Río
Cuba

Especialista en Aseguramiento Técnico del Fondo Cubano de Bienes Culturales de Pinar del Río

Olga Barrio Padrón

ORCID iD
Delegación Provincial del Ministerio de Turismo de Pinar del Río
Cuba

Directora Económica del Ministerio de Turismo de Pinar del Río

Referencias


  • Bakar, N. A., & Rosbi, S. (2017). Data Clustering using Autoregressive Integrated Moving Average (ARIMA) model for Islamic Country Currency: An Econometrics method for Islamic Financial Engineering. The International Journal of Engineering and Science (IJES), 6(6), 22-31.

  • Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (1970). Time Series Analysis: Forecasting and Control. John Wiley & Sons, Inc.

  • Chenguang Wu, D., Song, H., & Shen, S. (2017). New developments in tourism and hotel demand modeling and forecasting. International Journal of Contemporary Hospitality Management, 29(1), 507-529.

  • Delgado Castro, A., & Martín Fernández, R. (2014). Pronóstico de la demanda turística hacia Cuba considerando el impacto del cambio climático. Revista Caribeña de Ciencias Sociales.

  • Díaz Pompa, F., Leyva Fernández, L. de la C., Ortiz Pérez, O. L., & Sierra Mulet, Y. (2020). El El turismo rural sostenible en Holguín. Estudio prospectivo panorama 2030. El Periplo Sustentable, (38), 174-193.

  • Feng, Y., Li, G., Sun, X., & Li, J. (2019). Forecasting the number of inbound tourists with Google Trends. Procedia Computer Science, 162, 628-633.

  • Figuerola, M., Chirivella, M., & Quintana, R. (2005). Efectos y futuro del turismo en la economía cubana. Centro de Estudios de Economía y Planificación.

  • González Laucirica, Á. M., & Santa Cruz Rodríguez, D. (2014). Turismo senior: Análisis del comportamiento de las edades de los clientes que visitan el hotel X. Varadero, Cuba. RES NON VERBA, 4(1), 20-25.

  • H¹cia, E. (2019). The role of tourism in the development of the city. Transportation Research Procedia, 39, 104-111.

  • Josefá Barbosa, A., & Parada Gutiérrez, O. (2010). Propuesta de un procedimiento para el análisis de la demanda turística. TURyDES, 3(7).

  • La Serna Gómez, A. (2012). El pronóstico de la demanda turística incluyendo variables mercadológicas. TURyDES, 5(12).

  • Li, C., Ge, P., Liu, Z., & Zheng, W. (2020). Forecasting tourist arrivals using denoising and potential factors. Annals of Tourism Research, 83.

  • Li, Shaowen, Chen, T., Wang, L., & Ming, C. (2018). Effective tourist volume forecasting supported by PCA and improved BPNN using Baidu index. Tourism Management, 68, 116-126.

  • Li, Shuyu, Yang, X., & Li, R. (2018). Forecasting China's Coal Power Installed Capacity: A Comparison of MGM, ARIMA, GM-ARIMA, and NMGM Models. Sustainability, 10(2), 506.

  • López, A. M., Flores, M. A., & Sánchez, J. I. (2017). Modelos de series temporales aplicados a la predicción del tráfico aeroportuario español de pasajeros: Un enfoque agregado y desagregado. Estudios de Economía Aplicada, 35(2), 395-418.

  • Meschede, H. (2020). Analysis on the demand response potential in hotels with varying probabilistic influencing time-series for the Canary Islands. Renewable Energy, 160, 1480-1491.

  • Petrevska, B. (2017). Predicting tourism demand by A.R.I.M.A. models. Economic Research-Ekonomska Istraživanja, 30(1), 939-950.

  • Rigol Madrazo, L. M., Pérez Campdesuñer, R., Noda Hernández, M. E., & González Ferrer, J. (2009). Modelo y procedimiento para la gestión de la demanda turística. Ciencias Holguín, 15(3), 1-12.

  • Rodríguez Betancourt, R., & Estévez Mártir, M. (2012). Aplicación de la matemática borrosa para la determinación del presupuesto en instalaciones turísticas. Ciencia en su PC, (1), 94-106.


Palabras clave

demanda; metodología Box-Jenkins; series temporales; turismo

Enlaces refback

  • No hay ningún enlace refback.


Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional. Copyright (c) 2020 Reinier Fernández López, Ledy Raúl Díaz González, Juan Carlos Alfonso Alemán, Olga Barrio Padrón


UPR

©2017 Universidad de Pinar del Río "Hermanos Saíz Montes de Oca"