grado en economÍa análisis de la interdependencia espacial
TRANSCRIPT
GRADO EN ECONOMÍA
Análisis de la interdependencia espacial entre microdestinos turísticos en Canarias en 2016
Presentado por: Christian Benítez Espino
Fdo:
Las Palmas de Gran Canaria, a 5 de diciembre de 2017
ÍNDICE DE CONTENIDOS
1. Introducción .................................................................................................................................. 1
2. Revisión Bibliográfica ................................................................................................................ 2
3. Descripción de los datos ............................................................................................................ 4
4. Metodología ................................................................................................................................... 6
4.1. Modelo de Ecuaciones Simultáneas .......................................................................................... 7
4.2. Mínimos Cuadrados Espaciales en Tres Etapas Generalizados ...................................... 8
4.2.1. Matriz de pesos espaciales .................................................................................................... 10
5. Variables ...................................................................................................................................... 12
6. Resultados ................................................................................................................................... 13
6.1. Ecuaciones Simultáneas ............................................................................................................. 14
6.2. Mínimos Cuadrados Espaciales en Tres Etapas Generalizados ................................... 17
7. Conclusiones ............................................................................................................................... 22
Anexo I ............................................................................................................................................... 24
Anexo II ............................................................................................................................................. 25
Anexo III Código Stata .................................................................................................................. 26
Bibliografía ...................................................................................................................................... 29
1
1. Introducción
Canarias es una de las Comunidades Autónomas que más peso tiene sobre el
turismo recibido en España. En el año 2016 recibió, de acuerdo con las
estadísticas proporcionadas por FRONTUR, a 13,26 millones de turistas,
representando un 17,6% del total de turistas llegados a España.
El trabajo realizado nos ayudará a comprender de una manera precisa las
relaciones económicas entre los distintos microdestinos, en cuanto a variaciones
de precios y demanda entre los distintos microdestinos. A su vez, podremos ver
el grado de competitividad entre los mismos. Por otro lado, también será de
especial interés para la valoración de determinadas políticas, como puede ser la
moratoria turística, es decir cómo pueden afectar variaciones en oferta, lo que
tiene incidencia tanto en precios como en número de pernoctaciones.
En primer lugar, se desarrollará una revisión histórica donde se analizará la
evolución de estudios relacionados con el sector turístico, así como trabajos
donde se desarrollen metodologías similares.
En lo referente a la metodología empleada, se comenzará realizando un modelo
de ecuaciones simultáneas, en el cual tenemos una ecuación de demanda y otra
de oferta con el fin de analizar las posibles fluctuaciones tanto de precios como
de pernoctaciones en los distintos microdestinos. Ahora bien, una vez realizada
esta primera aproximación, nos hemos planteado la posible existencia de
autocorrelación espacial entre microdestinos, es decir, cómo pueden influir las
pernoctaciones y el precio existente entre los distintos microdestinos. Para este
análisis se ha utilizado un modelo de econometría espacial para cuya estimación
ha sido necesaria la utilización del software Arcgis.
Posteriormente se realizará una descripción de las diferentes variables utilizadas
y se presentará un análisis descriptivo de las más relevantes. A continuación, se
mostrarán los resultados obtenidos con las diferentes metodologías, primero en
forma estructural, donde se interpretará brevemente los signos de los
coeficientes obtenidos, para luego poder realizar una interpretación a partir de
los resultados en forma reducida.
2
Finalmente, se realizará una breve conclusión de los resultados obtenidos y se
comentarán las posibles limitaciones que hemos tenido en la realización de este
trabajo.
2. Revisión Bibliográfica
Antes de comenzar con este apartado, es necesario recalcar la escasa literatura
escrita sobre la econometría espacial, debido principalmente al limitado
desarrollo teórico y de software econométrico hasta los años recientes. En
particular, la aplicación de este tipo de modelos en el sector turístico es muy
limitada en la evolución histórica, por lo que será necesario recurrir a la aplicación
de estos modelosen otros ámbitos como puede ser el mercado laboral o la renta
de los hogares.
Con la finalidad de estimar los posibles efectos del turismo en un sentido
económico, es muy utilizado el modelo econométrico de Mínimos Cuadrados en
tres etapas. De acuerdo con los autores Assaker, Vinzi y O’Connor (2010), este
ámbito de la econometría tiene sentido debido a las relaciones existentes entre
la demanda turística y los determinantes personales y el comportamiento de los
consumidores.
En los recientes años, con la evolución de software econométrico y la aparición
de nuevos campos, ha surgido una rama de la econometría que recoge la
dependencia espacial o autocorrelación espacial entre destinos. Este método
econométrico se denomina econometría espacial, que como bien comenta
Yrigoyen, (2003) en su trabajo, comienza con la investigación de Paelinck y
Klaasen (1973), los cuales son los primeros en darle este nombre. Por su parte,
Anselin, (1988) fue también otro de los pioneros en cuanto al desarrollo de este
tipo de modelos.
En cuanto al artículo de Moreno Serrano, y Vayá, (2002), en primer lugar, se
explica los modelos de econometría espacial y posteriormente, y a diferencia de
nuestro modelo que se centra en la oferta y demanda en microdestinos, aplican
un estudio de la productividad laboral en regiones europeas. Con ello llegan a la
conclusión, haciendo uso del modelo espacial, que las regiones colindantes, por
su proximidad tienen productividades parecidas.
3
Yrigoyen, (2003) en su tesis utiliza la econometría espacial al igual que se hace
en este trabajo, pero a diferencia de éste se utiliza para predecir. La predicción
en la econometría espacial se refiere a conseguir valores que no existen para
determinadas localizaciones. En esta investigación en concreto se analiza la
renta disponible de diferentes familias distribuidas por municipios de la
Comunidad de Madrid, es por ello que la predicción se hace a través de una
interpolación, de aquellos datos que están agregados para poder hacerlos
microterritoriales. Concluyendo que los municipios que tienen mayor renta
disponible bruta de los hogares se sitúan en Madrid capital, Corona
Metropolitanas Oeste y Norte, y parte de la Sierra Central y Henares. Por otro
lado, se sitúan aquellos municipios que tienen menor renta bruta disponible de
los hogares, en este caso se localizan en el borde de la Comunidad de Madrid.
Por otro lado, en esta investigación Rochester, (2011) intenta comparar Jamaica
con otras regiones del Caribe, y analiza si la llegada de turistas puede tener
alguna relación con la menor distancia que existe entre Jamaica y Estados
Unidos. Es por ello que se utiliza el modelo de econometría espacial, al igual que
realizaremos en nuestro trabajo. Además, esta menor distancia es importante,
pues supone un menor gasto en el transporte. Los resultados que se obtuvieron
mostraron que la variable distancia entre el origen y el destino era significativa y
en particular, y como se menciona en el texto el aumento de un 1% en la distancia
entre el origen y el destino conlleva una reducción de un 0,39% del crecimiento
de la llegada de turistas.
Por último, unos años más tarde, Yadavalli, Waldorf, y Florax, (2013)
investigaron en Estados Unidos entre los años 2006 y 2010 el gasto por
estudiante como proxy de la calidad del colegio, para explicar con ello la tasa de
inmigración. En este caso se utiliza el modelo espacial para tener en cuenta las
diferencias que existen entre las zonas rurales y las urbanas, aunque los
resultados concluyen que en ambos tipos de localizaciones el gasto por
estudiante se relaciona positivamente.
4
3. Descripción de los datos
En este apartado abordaremos el análisis previo a las regresiones, que nos dará
información sobre las distintas variables. Para ello haremos uso de los gráficos
que sean necesarios con la finalidad de representar datos relevantes para el
análisis econométrico posterior.
A nivel de microdestino turístico, comenzaremos analizando la tarifa media
diaria, es decir, el precio, (variable endógena de la ecuación de oferta), que se
define como los ingresos medios diarios obtenidos por habitación ocupada
(ISTAC). Los ingresos no incluyen otros posibles servicios que pueda incluir el
establecimiento en los diferentes microdestinos. En la Figura 1, podemos ver
como la mayoría de los precios fluctúan en un intervalo entre 40 y 80 euros, sin
embargo, podemos ver picos acentuados, que se corresponden con Meloneras
y Playa el Duque que se sitúan en 157,63 y 143,65 euros respectivamente. Les
siguen San Agustín (95,87), Playa Paraíso (90,90), Golf del Sur (90,62) y
Butihondo (89,28), entre otros. Por otro lado, los microdestinos con menores
ingresos medios se corresponden con Conjunto Histórico (35,74), Playa Jardín-
Marítim (42,00), Sonneland (44,95) y Martiánez (45,29), entre otros.
5
Figura 1. Precio anual de los microdestinos
En lo que respecta a otra de las variables principales de este trabajo, las noches
pernoctadas (variable endógena de la ecuación de demanda) se trata de una
variable flujo y se definen como el número de noches que un viajero se aloja en
un establecimiento (ISTAC). Es necesario destacar, que los 47 microdestinos
turísticos definidos por el ISTAC acumulan el 88,5% del total de pernoctaciones
que se produjeron en Canarias en el año 2016.
Figura 2. Porcentaje de pernoctaciones respecto al total de los microdestinos en 2016
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
- C
os
ta T
eg
uis
e:
Inte
rio
r
- C
os
ta T
eg
uis
e:
Lit
ora
l
Pu
erto
del
Carm
en
: C
as
co
- P
uerto
de
l C
arm
en
: P
lay
a…
- P
uerto
de
l C
arm
en
:…
- P
lay
a B
lan
ca:
Mo
nta
ña
…
- P
lay
a B
lan
ca:
Pla
ya
Bla
nc
a
- P
lay
a B
lan
ca:
Ru
bic
ón
-…
- P
uerto
Ca
lero
- C
ale
ta d
e F
uste
- C
orrale
jo
- E
l C
oti
llo
- C
os
ta C
alm
a
- M
orr
o J
ab
le:
Mo
rro
Jab
le
- M
orr
o J
ab
le:
So
lan
a…
- M
orr
o J
ab
le:
Esq
uin
zo
-…
- P
uerto
de
Mo
gán
- T
au
rito
- T
au
ro -
Pla
ya
El
Cu
ra
- A
mad
ores
- P
uerto
Ric
o
- P
ata
lava
ca -
Arg
uin
eg
uín
- L
as
Ca
nte
ras
- M
elo
ne
ras
- S
on
ne
nla
nd
- C
am
po
In
tern
ac
ion
al
- P
lay
a d
el
Ing
lés
- E
l B
eril
- L
as
Bu
rras
- S
an
Ag
us
tín
- B
ah
ía F
eli
z -
Pla
ya
del…
- C
alla
o S
alv
aje
- P
lay
a P
ara
íso
- P
lay
a d
e E
l D
uq
ue
- C
os
ta A
de
je
- T
orvis
ca
s -
Fa
ña
bé
Alt
o
- L
as
Am
éric
as -
Ad
eje
- L
as
Am
éric
as -
Aro
na
- L
os
Cri
sti
an
os
- C
os
ta d
el
Sile
nc
io
- E
l M
éd
an
o
- G
olf
de
l S
ur
- L
os
Gig
an
tes
- P
uerto
San
tia
go
- P
lay
a J
ard
ín -
Marit
im
- C
on
jun
to H
istó
ric
o
- T
ao
ro -
La P
az
- M
arti
án
ez
0
20
40
60
80
100
120
140
160
180
- Am
ad
ore
s
- Bah
ía F
eliz
- Pla
ya
del Á
gu
ila
- Cale
ta d
e F
uste
- Calla
o S
alv
aje
- Cam
po
Inte
rnac
ion
al
- Co
nju
nto
His
tóric
o
- Co
rrale
jo
- Co
sta
Ad
eje
- Co
sta
Ca
lma
- Co
sta
del S
ilen
cio
- Co
sta
Teg
uis
e: In
terio
r
- Co
sta
Teg
uis
e: L
itora
l
- El B
eril - L
as B
urra
s
- El C
otillo
- El M
éd
an
o
- Go
lf de
l Su
r
- La
s A
mé
rica
s - A
deje
- La
s A
mé
rica
s - A
ron
a
- La
s C
an
tera
s
- Lo
s C
ristia
no
s
- Lo
s G
igan
tes
- Ma
rtián
ez
- Me
lon
era
s
- Mo
rro J
ab
le: E
sq
uin
zo
-…
- Mo
rro J
ab
le: M
orro
Jab
le
- Mo
rro J
ab
le: S
ola
na M
ato
rral
- Pata
lavac
a - A
rgu
ine
gu
ín
- Pla
ya B
lan
ca
: Mo
nta
ña R
oja
- Pla
ya B
lan
ca
: Pla
ya
Bla
nc
a
- Pla
ya B
lan
ca
: Ru
bic
ón
-…
- Pla
ya d
e E
l Du
qu
e
- Pla
ya d
el In
glé
s
- Pla
ya J
ard
ín - M
aritim
- Pla
ya P
ara
íso
- Pu
erto
Cale
ro
- Pu
erto
de
Mo
gán
- Pu
erto
de
l Ca
rme
n: C
asco
- Pu
erto
de
l Ca
rme
n:…
- Pu
erto
de
l Ca
rme
n: P
laya…
- Pu
erto
Ric
o
- Pu
erto
San
tiag
o
- San
Ag
us
tín
- So
nn
en
lan
d
- Ta
oro
- La
Paz
- Ta
urito
- Ta
uro
- Pla
ya E
l Cu
ra
- To
rvis
ca
s - F
añ
ab
é A
lto
6
Como podemos ver en la Figura 2, los microdestinos con un mayor número de
noches pernoctadas acumuladas anualmente son Playa del inglés, que
representa un 11,5% del total de noches de los microdestinos, Arona (7,79%) y
Adeje (6,06%). Por otro lado, las que tienen un menor peso relativo serían El
Cotillo (0,15%), El Médano (0,23%) y los Gigantes (0,24%), entre otros.
Las plazas ofertadas (variable explicativa de ambas ecuaciones) se define como
una variable stock que incluye el número de camas ofertadas por los
establecimientos encuestados en el momento de realización de la misma
(ISTAC). En un desglose municipal, podemos ver que los municipios con una
mayor oferta son Playa del Inglés-San Agustín y Las Ámericas-Los Cristianos
con 59.374 y 44.876 plazas respectivamente. Así, en una desagregación a nivel
de microdestinos, podemos ver que se corresponden con Playa del Inglés y
Costa Adeje, con 47.530 y 20.209 respectivamente, sin embargo, estas cifras no
marcan unas pautas definidas, ya que a su vez el número de plazas viene
influenciado en gran medida por el tamaño del municipio o el microdestino.
Es necesario comentar que el número de noches pernoctadas es un dato que
es muy importante para el análisis económico del turismo, ya que afecta
directamente al cálculo del PIB generado por el turismo, y además depende
principalmente del gasto por turista, el número de noches que se hospedan
(pernoctaciones) y el número total de turistas llegados. Sin embargo, en nuestro
trabajo, el PIB generado no será objeto de estudio.
4. Metodología
La naturaleza de los datos de nuestro trabajo corresponden con un corte
transversal para el año 2016, distribuido en los distintos meses del mismo año.
El ISTAC define 47 microdestinos turísticos, sin embargo, debido a las
características tan específicas de las Canteras, ya que hay bastante turismo de
negocio y de ciudad, la excluiremos y nos centraremos en los 46 restantes. En
los mapas situados en el Anexo I podemos ver la distribución espacial de los
diferentes microdestinos turísticos.
7
A su vez, se ha realizado una transformación de valores anuales a mensuales
con la finalidad de aumentar el tamaño muestral y tener unos indicadores
robustos. Esta transformación ha sido necesaria debido a que los valores a nivel
de microdestinos distribuidos por el ISTAC se encuentran en datos anuales, lo
que nos limitaría la muestra a 46 observaciones.
En lo referente a la transformación realizada, hemos recurrido a una regla de tres
matemática, que sería la siguiente:
Por lo que el valor mensual de cada microdestino se calcularía como:
𝑉𝑎𝑙𝑜𝑟 𝑚𝑒𝑛𝑠𝑢𝑎𝑙 𝑚𝑖𝑐𝑟𝑜𝑑𝑒𝑠𝑡𝑖𝑛𝑜 ≃𝑣𝑎𝑙𝑜𝑟 𝑎𝑛𝑢𝑎𝑙 𝑚𝑖𝑐𝑟𝑜𝑑𝑒𝑠𝑡𝑖𝑛𝑜∗𝑣𝑎𝑙𝑜𝑟 𝑚𝑒𝑛𝑠𝑢𝑎𝑙 𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜
𝑣𝑎𝑙𝑜𝑟 𝑎𝑛𝑢𝑎𝑙 𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜
En lo referente a la parte metodológica, en este trabajo abordaremos modelos
de ecuaciones simultáneas y en el segundo, introduciremos una correlación
espacial entre los diferentes microdestinos.
4.1. Modelo de Ecuaciones Simultáneas
Las ecuaciones simultáneas son un buen instrumento cuando las diferentes
ecuaciones del sistema están relacionadas o explican distintas características de
un mismo mercado, sin embargo, no siempre que estén relacionadas significa
que sea el método adecuado, además las ecuaciones deberían tener una
interpretación ceteris paribus independientemente de la otra (Wooldrige 2010).
En nuestro caso nos encontramos el siguiente sistema.
Municipio Microdestino
valor anual valor anual
valor mensual valor mensual (X)
8
En forma estructural:
𝑃𝑒𝑟𝑛𝑜𝑐𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠𝑖 = 𝛽1,1 ∗ 𝑃𝑟𝑒𝑐𝑖𝑜𝑖 + 𝛽1,2 ∗ 𝑆𝑢𝑝𝑝𝑙𝑦𝑖 + ∑𝛽𝑡=112
1,𝑡∗ 𝑚𝑒𝑠𝑒𝑠1,𝑡 + 𝛽4 ∗ 𝑎𝑣𝑒𝑟𝑎𝑔𝑒𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒𝑖 +
𝛽5 ∗ 𝑝𝑎𝑟𝑞𝑢𝑒𝑠𝑑𝑒𝑜𝑐𝑖𝑜𝑖 + 𝑈𝑖
𝑃𝑟𝑒𝑐𝑖𝑜𝑖 = 𝜆2,1 ∗ 𝑃𝑒𝑟𝑛𝑜𝑐𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠𝑖 + 𝜆2,2 ∗ 𝑆𝑢𝑝𝑝𝑙𝑦𝑖 + ∑𝜆𝑡=14
2,𝑡∗ 𝐼𝑠𝑙𝑎𝑠2,𝑡 + 𝑈𝑖
En forma reducida:
𝑃𝑒𝑟𝑛𝑜𝑐𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠𝑖 =1
1−𝛽1,1𝜆2,1∗ [(𝛽1,2 + 𝛽1,1𝜆2,2) ∗ 𝑆𝑢𝑝𝑝𝑙𝑦𝑖 + 𝛽1,1 ∗ ∑𝜆𝑡=1
42,𝑡
∗ 𝐼𝑠𝑙𝑎𝑠2.,𝑡 + ∑𝛽𝑡=112
1,𝑡∗
𝑚𝑒𝑠𝑒𝑠1,𝑡 + 𝛽4 ∗ 𝑎𝑣𝑒𝑟𝑎𝑔𝑒𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒𝑖 + 𝛽5 ∗ 𝑝𝑎𝑟𝑞𝑢𝑒𝑠𝑑𝑒𝑜𝑐𝑖𝑜𝑖 + 𝑈𝑖]
𝑃𝑟𝑒𝑐𝑖𝑜𝑖 =1
1−𝛽1,1𝜆2,1∗ [(𝛽1,2 + 𝜆2,1𝜆2,2) ∗ 𝑆𝑢𝑝𝑝𝑙𝑦𝑖 + ∑𝜆𝑡=1
42,𝑡
∗ 𝐼𝑠𝑙𝑎𝑠2.,𝑡 + ∑𝜆2,1 ∗ 𝛽𝑡=112
1,𝑡∗ 𝑚𝑒𝑠𝑒𝑠1,𝑡 +
𝜆2,1𝛽4 ∗ 𝑎𝑣𝑒𝑟𝑎𝑔𝑒𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒𝑖 + 𝜆2,1𝛽5 ∗ 𝑝𝑎𝑟𝑞𝑢𝑒𝑠𝑑𝑒𝑜𝑐𝑖𝑜𝑖 + 𝑈𝑖]
Podemos observar cómo se corrobora lo mencionado anteriormente, ya que
podemos ver que tanto las noches pernoctadas, entendida como la demanda, y
el precio, es decir, la oferta, están relacionadas claramente. Además, ambas
variables explican diferentes partes del mismo mercado turístico a nivel de
microdestinos.
Por otro lado, observamos que las variables explicativas entre ecuaciones no
son exactamente las mismas. Ello es una característica necesaria para poder
identificar el sistema. Esto es conocido como la condición de rango, cuya
definición es: “La primera ecuación en un modelo de dos ecuaciones simultaneas
se identifica si, y solo si, la segunda ecuación contiene al menos una variable
exógena (con un coeficiente diferente de cero) excluida de la primera” (Wooldrige
2010).
4.2. Mínimos Cuadrados Espaciales en Tres Etapas Generalizados
Por otro lado, hemos realizado un modelo de econometría espacial. Existen dos
tipos principales, por un lado la heterogeneidad espacial que tiene en cuenta los
9
diferentes tipos de comportamiento ubicados espacialmente, como puede ser las
diferencias existentes entre la riqueza de los países dependiendo de su zona
geográfica. Por otro lado, la autocorrelación espacial se define como la parte de
la econometría que permite considerar que los valores de determinadas
variables no vienen explicados solo por factores externos (exógenos) sino
también por los valores que tomen regiones cercanas (Coro Chasco, 2003).
En nuestro análisis, el principal objetivo es comprobar si tanto las noches
pernoctadas como el precio de los diferentes microdestinos, se ven o no,
afectados por los demás microdestinos, por tanto nos encontramos ante un caso
de autocorrelación espacial. La aplicación de estos modelos puede tener
especial interés en este ámbito debido a la cercanía entre los diferentes
microdestinos en el archipiélago, así como al fácil desplazamiento entre ellos y
una oferta turística parecida (turismo de sol y playa) lo que podría hacer que
compitan entre sí. Las ecuaciones resultantes para este modelo serían las
siguientes:
Forma estructural:
𝑃𝑒𝑟𝑛𝑜𝑐𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠𝑖 = 𝛽1,1 ∗ 𝑃𝑟𝑒𝑐𝑖𝑜𝑖 + 𝛽1,2 ∗ 𝑊_𝑃𝑒𝑟𝑛𝑜𝑐𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠𝑖 + 𝛽1,3 ∗ 𝑊_𝑃𝑟𝑒𝑐𝑖𝑜𝑖 + 𝛽1,4 ∗
𝑆𝑢𝑝𝑝𝑙𝑦𝑖 + ∑𝛽𝑡=112
1,𝑡∗ 𝑚𝑒𝑠𝑒𝑠1,𝑡 + 𝑈𝑖
𝑃𝑟𝑒𝑐𝑖𝑜𝑖 = 𝜆2,1 ∗ 𝑃𝑒𝑟𝑛𝑜𝑐𝑡𝑎𝑐𝑜𝑛𝑒𝑠𝑖 + 𝜆2,2 ∗ 𝑊_𝑃𝑟𝑒𝑐𝑖𝑜𝑖 + 𝜆2,3 ∗ 𝑊_𝑃𝑒𝑟𝑛𝑜𝑐𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠𝑖 + 𝜆2,4 ∗
𝑆𝑢𝑝𝑝𝑙𝑦𝑖 + ∑𝜆𝑡=14
2,𝑡∗ 𝐼𝑠𝑙𝑎𝑠2,𝑡 + 𝑈𝑖
Forma reducida:
𝑃𝑒𝑟𝑛𝑜𝑐𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠𝑖 =1
1−𝛽1,1𝜆2,1[(𝛽1,1𝜆2,2 + 𝛽1,3) ∗ 𝑊_𝑃𝑟𝑒𝑐𝑖𝑜𝑖 + (𝛽1,1𝜆2,3 + 𝛽1,2) ∗
𝑊_𝑃𝑒𝑟𝑛𝑜𝑐𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠𝑖 + (𝛽1,1𝜆2,4 + 𝛽1,4) ∗ 𝑆𝑢𝑝𝑝𝑙𝑦𝑖 + 𝛽1,1 ∑𝜆𝑡=14
2,𝑡∗ 𝐼𝑠𝑙𝑎𝑠2,𝑡 + ∑𝛽𝑡=1
121,𝑡
∗ 𝑚𝑒𝑠𝑒𝑠1,𝑡 + 𝑈𝑖
𝑃𝑟𝑒𝑐𝑖𝑜𝑖 =1
1−𝛽1,1𝜆2,1[(𝛽1,2𝜆2,1 + 𝜆2,3) ∗ 𝑊_𝑃𝑒𝑟𝑛𝑜𝑐𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠𝑖 + (𝛽1,3𝜆2,1 + 𝜆2,2) ∗ 𝑊_𝑃𝑟𝑒𝑐𝑖𝑜𝑖 +
(𝛽1,4𝜆2,1 + 𝜆2,4) ∗ 𝑆𝑢𝑝𝑝𝑙𝑦𝑖 + ∑𝜆𝑡=14
2,𝑡∗ 𝐼𝑠𝑙𝑎𝑠2,𝑡 + 𝜆2,1∑𝛽𝑡=1
121,𝑡
∗ 𝑚𝑒𝑠𝑒𝑠1,𝑡 + 𝑈𝑖
10
4.2.1. Matriz de pesos espaciales
En este apartado se explicará de manera detallada los pasos necesarios para la
construcción de la matriz de pesos espaciales.
Para la estimación de este modelo, es necesario la utilización de una matriz de
pesos espaciales, ya que será el eje de la estimación, por tanto, su modelización
es un proceso clave en este tipo de modelos. La justificación para la utilización
de ésta, es que si lo hicieramos desde un enfoque tradicional, parametrizando
cada una de las relaciones entre microdestinos, nos encontraríamos con un
parámetro para cada dependencia, por tanto no se podría estimar el modelo ya
que tendríamos más parámetros que observaciones.
En cuanto a la realización de la matriz de pesos, en primer lugar fue necesario
la georreferenciación tanto de los diferentes microdestinos turísticos como de las
carreteras en Canarias a través del software Arcgis y su aplicación Arcmap.
Posteriormente, para la creación de la matriz Origen-Destino (OD), que será
necesaria para la creación de la matriz de pesos espaciales, fue necesario la
realización de una red de datos a partir de las carreteras, para, a partir de la red
de datos crear la matriz de OD. Ello nos permitirá cargar los diferentes orígenes
y destinos, en nuestro caso los 46 microdestinos en ambos campos. Ello nos
permitirá obtener la distancia medida en metros entre microdestinos dentro de
una misma isla. Las líneas que podemos ver en el Mapa 1, son la unión desde
cada microdestino hacia los demás, teniendo en cuenta la red de carreteras, en
este caso en la isla de Tenerife.
11
Mapa 1. Unión entre microdestinos en la isla de Tenerife (Arcmap)
Tras la realización de este último paso, se exportaron los datos resultantes de
las distancias entre microdestinos a Excel para poder trabajarlos. Una vez hecho
ésto, como la matriz OD no recoge la distancia entre los microdestinos de
distintas islas, por el hecho de estar considerando la red de carreteras, se añadió
la distancia vectorial (realizada con Arcmap) entre los microdestinos situados en
distintas islas.
Una vez hemos construido una matriz en la cual se recoge la distancia, medida
en metros, entre los distintos microdestinos, debemos destacar que esta matriz
es cuadrada, simétrica y con 0 en la diagonal principal (la distancia de un
microdestino contra sí mismo es 0).
El siguiente paso, consiste en realizar la inversa al cuadrado de la matriz, es
decir, 𝑊 = 1𝑤𝑖,𝑘
2⁄ , donde 𝑊𝑖,𝑘 indica la distancia desde el microdestino i hasta el
microdestino k. Este cálculo nos permitirá acentuar la diferencia de pesos entre
las regiones más cercanas y las que no lo están, por ejemplo, las situadas en
otras islas. Finalmente, se estandarizó, es decir, se dividió cada elemento entre
la suma de la fila correspondiente, con lo que la suma de la fila es 1.
El procedimiento de realización de la matriz de Origen Destino, donde se reflejan
las distancias en metros entre microdestinos se detallará en el Anexo II.
12
5. Variables
En cuanto a las variables que vamos a utilizar, tras la descripción realizada en el
apartado anterior de determinadas variables (precio, plazas ofertadas y noches
pernoctadas), nos centraremos en la explicación de las restantes.
Por un lado, la distancia media a la playa más cercana, su inclusión en la
ecuación de demanda está basada en la idea del incentivo que tienen los turistas
a realizar turismo en Canarias por el hecho de la relativa cercanía que existe
desde cualquiera de los microdestino a una playa, es decir, lo que influye en la
disposición a pagar de dichos turistas por el hecho de la cercanía a la playa. Su
cálculo se realizó midiendo la distancia en línea recta en el plano desde cuatro
puntos diferentes de la frontera de los diferentes microdestinos (uno en la parte
superior, otro en parte inferior, y otros dos a ambos lados) y realizando la media
entre las distintas distancias.
Por otro lado, también hemos decidido incluir en la ecuación de demanda una
variable relacionada con la satisfacción o la percepción de los turistas, en este
caso se trata de los parques de ocio, que nos proporciona la valoración que le
dan los turistas a este aspecto. Este aspecto fue extraído de la encuesta de gasto
turístico para el año 2016. La inclusión de esta variable nos sirve como proxy de
la calidad del entorno.
Además de estas variables, se han incluido una serie de variables dicotómicas
con el fin de controlar las diferencias entre islas y la estacionalidad. Las variables
dicotómicas no están en ambas ecuaciones, por un lado en la ecuación de
demanda introducimos las dummies para controlar la posible estacionalidad de
la demanda, y por otro lado, en la ecuación de oferta introducimos las dicótomas
para las diferentes islas para observar si hay diferencia de precios entre ellas, lo
que podría indicarnos un mayor coste de los factores necesarios para ofertar. La
descripción de todas las variables individualmente se puede observar en la Tabla
1.
13
Tabla1. Descripción de las variables y su nombre en Stata
Descripción Nombre Stata
Número de noches de los viajeros alojados en un establecimiento Pernoctaciones
Ingresos medios por habitación ocupada ADR
Pernoctaciones de los microdestinos del entorno W1y_Pernoctaciones
ADR de los microdestinos del entorno W1y_ADR
Plazas ofertadas Supply
Distancia media a la playa Averagedistance
Valoración de los turistas relacionada con los parques de ocio Parquesdeocio
1= Microdestino pertenece a Gran Canaria ; 0= Pertenece a cualquier otro Gran Canaria
1= Microdestino pertenece a Tenerife ; 0= Pertenece a cualquier otro
Tenerife
1= Microdestino pertenece a Lanzarote ; 0= Pertenece a cualquier otro
Lanzarote
1= Microdestino pertenece a Fuerteventura ; 0= Pertenece a cualquier otro
Fuerteventura
1= Observación perteneciente al mes de enero ; 0= Observación perteneciente a cualquier otro mes
Enero
1= Observación perteneciente al mes de febrero ; 0= Observación perteneciente a cualquier otro mes
Febrero
1= Observación perteneciente al mes de marzo ; 0= Observación perteneciente a cualquier otro mes
Marzo
1= Observación perteneciente al mes de abril ; 0= Observación perteneciente a cualquier otro mes
Abril
1= Observación perteneciente al mes de mayo ; 0= Observación perteneciente a cualquier otro mes
Mayo
1= Observación perteneciente al mes de junio ; 0= Observación perteneciente a cualquier otro mes
Junio
1= Observación perteneciente al mes de julio ; 0= Observación perteneciente a cualquier otro mes
Julio
1= Observación perteneciente al mes de agosto ; 0= Observación perteneciente a cualquier otro mes
Agosto
1= Observación perteneciente al mes de septiembre; 0= Observación perteneciente a cualquier otro mes
Septiembre
1= Observación perteneciente al mes de octubre ; 0= Observación perteneciente a cualquier otro mes
Octubre
1= Observación perteneciente al mes de noviembre; 0= Observación perteneciente a cualquier otro mes
Noviembre
1= Observación perteneciente al mes de diciembre ; 0= Observación perteneciente a cualquier otro mes
Diciembre
6. Resultados
En este apartado nos centraremos en analizar las estimaciones realizadas con
la utilización de ambas metodologías.
14
6.1. Ecuaciones Simultáneas
En primer lugar, en la Tabla 2 podremos observar los resultados del modelo de
ecuaciones simultáneas sin considerar autocorrelación espacial en forma de
estructural, con lo cual, solo podremos interpretar los signos de los coeficientes
obtenidos, así como su significatividad individual.
Tabla 2. Resultados en forma estructural del modelo estimado por Mínimos Cuadrados en tres
etapas
Equation
Obs
Parms
RMSE
R-Squared
P
552 16 91068.91 0.8733 7444.17 0.000
552 6 20.65877 0.9240 6678.21 0.000
Ec. Pernoctaciones Ec. Precio
Precio -2547,99 (0,000)
-
Pernoctaciones - 0,0001761 (0,000)
Supply 22,60412 (0,000)
-0,0034219 (0,001)
Enero 116241,2 (0,010)
-
Febrero 113887,4 (0,013)
-
Marzo 133771,9 (0,004)
-
Abril 96531,76 (0,031)
-
Mayo 87304,97 (0,038)
-
Junio 103075,3 (0,015)
-
Julio 160204,4 (0,000)
-
Agosto 178905,1 (0,000)
-
Septiembre 123140,2 (0,005)
-
Octubre 143771,9 (0,002)
-
Noviembre 123960,2 (0,008)
-
Diciembre 121793,5 (0,011)
-
Averagedistance -19,66346 (0,000)
-
Parquesdeocio 9208,82 (0,049)
-
15
Grancanaria - 75,98245 (0,000)
Tenerife - 66,76337 (0,000)
Fuerteventura - 62,34406 (0,000)
Lanzarote - 58,69797 (0,000)
En lo referente a la ecuación de demanda, podemos observar una significatividad
de todas las variables al 5% de significación, exceptuando la relativa a los
parques de ocio que es significativa si consideramos el 10% de significación.
En cuanto a los signos de las diferentes variables, observamos una relación
negativa entre el precio y las pernoctaciones, acorde con la teoría económica ya
que un incremento en el precio producirá un descenso en demanda. En la
variable que entorna a la oferta, podemos ver una dependencia positiva como se
esperaba, ya que un mayor número de plazas ofertadas produce que la demanda
aumente. En cuanto a las variables dicotómicas para controlar la estacionalidad
podemos ver que todas tienen un signo positivo. La distancia media a la playa
presenta un signo negativo, es decir, la disposición a pagar desciende a medida
que la distancia a la playa es mayor. La variable parques de ocio es necesaria
para controlar por el entorno del microdestino, y vemos un signo positivo, es
decir, una mejor valoración de los microdestinos en este aspecto produce un
aumento de la demanda.
Por otro lado, en lo referente a la ecuación de oferta, podemos observar en la
variable pernoctaciones, esto es, en la demanda un signo positivo, lo que es
acorde con la teoría económica, ya que un aumento de la demanda produce
aumentos en precios. En lo referente a la oferta, observamos como un mayor
número de plazas ofertadas produce un descenso en el precio, es decir, cuánta
más oferta, más competencia, y por tanto menores precios. En lo referente a las
dummies para controlar las diferencias entre islas, observamos signos positivos
en todas las variables.
Los valores obtenidos en la forma reducida de este modelo para poder realizar
una interpretación directa de los resultados se presentan en la Tabla 3
16
Tabla 3. Resultados en forma reducida del modelo estimado por Mínimos Cuadrados en tres
etapas
Ec. Pernoctaciones Ec. Precio
Precio - -
Pernoctaciones - -
Supply 21,621 0,0003
Enero 80238,225 14,129
Febrero 78613,459 13,843
Marzo 92339,203 16,260
Abril 66633,320 11,734
Mayo 60264,311 10,612
Junio 71150,152 12,529
Julio 110584,858 19,473
Agosto 123493,457 21,747
Septiembre 85000,422 14,968
Octubre 99241,938 17,476
Noviembre 85566,446 15,068
Diciembre 84070,830 14,804
Averagedistance -13,573 -0,002
Parquesdeocio 6356,604 1,119
Grancanaria -133638,699 52,448
Tenerife -117424,088 46,084
Fuerteventura -109651,361 43,034
Lanzarote -103238,581 40,517
En esta tabla podemos observar al igual que con la forma estructural, signos, sin
embargo, la principal ventaja consiste en que los coeficientes se pueden
interpretar directamente, es decir, nos permiten realizar las interpretaciones
económicas correspondientes. Por un lado, en la ecuación de demanda
podemos comprobar, que al igual que mencionamos anteriormente, una mayor
oferta produce un mayor número de noches pernoctadas. Ello tiene sentido ya
que un mayor número de plazas ofertadas nos permite hospedar a más personas
durante más días. En concreto, un aumento de una plaza ofertada produciría un
incremento de 21 noches pernoctadas al mes. Por otro lado, en lo referente al
posible componente estacional, observamos los mayores valores en los meses
de julio y agosto, acorde con el período vacacional en muchas regiones, sin
embargo, también apreciamos valores altos en los meses de invierno, temporada
alta de turistas del norte de Europa. Así mismo, podemos observar que una
17
mayor distancia a la playa afecta negativamente al número de noches
pernoctadas.
En lo referente a la ecuación de oferta, en lo que respecta a las variables
dicotómicas para controlar la estacionalidad, observamos los mayores valores
para los meses de julio y agosto, es decir, los precios en estos meses son más
altos debido a como mencionamos anteriormente, una mayor demanda en dicho
período. Por su parte, las variables dicotómicas planteadas para controlar por las
diferencias entre islas, podemos ver unos valores más altos en las islas de Gran
Canaria y Tenerife, lo que indica precios mayores en dichas islas, producto
posiblemente de unos mayores costes de los factores.
6.2. Mínimos Cuadrados Espaciales en Tres Etapas Generalizados
En primer lugar, del mismo modo que anteriormente, comenzaremos analizando
los valores obtenidos de la estimación de la forma estructural, para
posteriormente mostrar los resultados en forma reducida. Los resultados de la
forma estructural se muestran en la Tabla 4.
Tabla 4. Resultados en forma estructural del modelo estimado por Minimos Cuadrados
Espaciales en Tres Etapas Generalizados
Obs Parms RMSE R-squared F-Stat P
552 15 40231,36 0,976 1324,47 0.00
552 6 21,12309 0,9217 494,3 0.00
Ec. Pernoctaciones Ec. Precio
Precio -231,5861 (0,099) -
Pernoctaciones - 0,0000679 (0,051)
W1y_Precio 3,39e-09 (0,063)
-2,94e-12 (0,004)
W1y_Pernoctaciones -7,43e-13 (0,075)
1,04e-16 (0,655)
Supply 21,56431 (0,000)
-0,0009997 (0,188)
18
Enero 14310,71 (0,218)
-
Febrero 11506,27 (0,332)
-
Marzo 25350,54 (0,037)
-
Abril 113,506 (0,992)
-
Mayo -3460,285 (0,745)
-
Junio 7977,01 (0,458)
-
Julio 46910,88 (0,000)
-
Agosto 58852,07 (0,000)
-
Septiembre 20703,21 (0,068)
-
Octubre 34522,5 (0,003)
-
Noviembre 18451,92 (0,125)
-
Diciembre 15174,25 (0,223)
-
Grancanaria - 77,65549 (0,000)
Tenerife - 74,0354 (0,000)
Fuerteventura - 66,52731 (0,000)
Lanzarote - 65,9532 (0,000)
Como mencionamos anteriormente, los resultados en forma estructural solo nos
permiten interpretar los signos y la significatividad de las diferentes variables, sin
embargo la necesidad de la estimación de éstos se basa en poder calcular
posteriormente la forma reducida.
En primer lugar, comenzaremos comentando la ecuación de demanda del
sistema, analizando las distintas variables de esta ecuación. Por un lado, vemos
que la variable que hace referencia al precio que existe en otros microdestinos
(W1y_Precio), es significativa al 10% y tiene un signo positivo. Ello nos indica la
sustituibilidad entre microdestinos, ya que vemos que un aumento en el precio
de los demás microdestinos, aumentaría el número de noches pernoctadas del
otro. Por otro lado, vemos que el número de noches pernoctadas de los demás
microdestinos es significativo, y tiene signo negativo. Este signo nos indica la
19
competencia entre las distintas entidades turísticas, ya que acorde con la idea
preconcebida, un aumento del número de noches que pasan los turistas en unos
microdestinos produce que no vayan a los otros. En lo referente a la variable del
precio de cada microdestino, cuyo precio sí es controlado por él mismo, vemos
un signo negativo y significativo, lo que indica, al igual que en el modelo estimado
por Mínimos Cuadrados en tres etapas que hicimos anteriormente, que un mayor
precio del microdestino produce una menor demanda en dicho microdestino, es
decir, acorde con la teoría económica, si se sube el precio de un bien ordinario,
consecuentemente cae la demanda de dicho bien. Por otra parte, tenemos la
ecuación de oferta al igual que en el modelo estimado por Mínimos Cuadrados
en tres etapas, cuyo coeficiente es significativo y tiene un signo positivo, puesto
que al igual que comentamos anteriormente, un mayor número de plazas
ofertadas nos permite poder acumular un mayor número de noches pernoctadas.
Por último, nos encontramos con las variables dicotómicas con la finalidad de
poder controlar la posible estacionalidad, donde podemos apreciar que en los
meses de julio, agosto, septiembre y octubre son claramente significativos, lo
que nos indica que en estos meses se crean diferencias significativas debido a
que en muchas regiones son períodos vacacionales.
En lo que respecta a la ecuación del precio, el proceso de análisis será el mismo
que el llevado a cabo para la otra ecuación. La variable que alude al precio de
los microdestinos del entorno, observamos que es significativa y tiene un signo
negativo, lo que nos indica que el precio de nuestro microdestino desciende
cuando sube el de los demás. Por su parte, vemos que las pernoctaciones que
se producen en tu entorno no tienen incidencia en tu precio, es decir, no crean
diferencias significativas entre precios de los microdestinos. En lo referente a las
variables que no son espaciales, observamos como en el modelo estimado por
Mínimos Cuadrados en tres etapas , una relación positiva entre las
pernoctaciones que se acumulan en el microdestino y su correspondiente precio,
ello tiene un sentido económico clásico, a mayor demanda, el precio sube. A su
vez, vemos como la variable de oferta en este caso, a diferencia del modelo
estimado sin considerar la autocorrelación espacial, no crea diferencias
significativas entre precios de los microdestinos, aunque el signo es el que se
hubiese esperado teniendo en cuenta la teoría económica. Por último, en lo
20
referente a las variables dicótomas con el fin de contrastar las posibles
diferencias entre islas, observamos que las cuatro variables son claramente
significativas, indicándonos que, de hecho, sí existen diferencias entre ellas.
A continuación, comentaremos los resultados obtenidos en la forma reducida de
este último modelo. Dichos resultados se encuentran en la Tabla 5.
Tabla 5. Resultados en forma reducida del modelo estimado por Minimos Cuadrados
Espaciales en Tres Etapas Generalizados
Ec. Pernoctaciones Ec. Precio
Precio - -
Pernoctaciones - -
W1y_Precio 2,6672E-09 -2,6679E-12
W1y_Pernoctaciones -7,5521E-13 5,2721E-17
Supply 21,458 0,00045
Enero 14089,162 0,956
Febrero 11328,138 0,769
Marzo 24958,081 1,694
Abril 111,748 0,007
Mayo -3406,715 -0,231
Junio 7853,515 0,533
Julio 46184,640 3,135
Agosto 57940,965 3,934
Septiembre 20382,698 1,383
Octubre 33988,048 2,307
Noviembre 18166,261 1,233
Diciembre 14939,333 1,014
Grancanaria -17705,518 76,453
21
Tenerife -16880,134 72,889
Fuerteventura -15168,283 65,497
Lanzarote -15037,386 64,932
Estos resultados presentados en la tabla previa tienen la principal ventaja de
permitirnos interpretar desde un sentido económico los diferentes coeficientes.
Por un lado, en la ecuación de número de noches, observamos una relación
negativa entre las pernoctaciones que se producen en otros microdestinos y las
de un microdestino en concreto, indicando que mayores atractivos en los del
entorno producen una menor demanda. A su vez, la relación positiva entre el
precio del entorno y la demanda del microdestino, acorde con la bibliografía
económica, la subida de los precios del entorno provocaría un mayor atractivo
del microdestino debido a la ventaja en precios. La variable que hace referencia
a las plazas ofertadas, observamos que, por cada plaza ofertada adicional, el
número de noches que podrían soportar al mes, aumentaría en 21 noches. Por
su parte, en lo que se refiere a la posible existencia de componente estacional,
observamos que los mayores valores se producen en los meses de julio y agosto,
lo que se corresponde con la temporada “alta” en lo que a turismo se refiere, esto
es debido principalmente a la existencia del período vacacional en estas fechas
en muchas regiones.
En lo referente a la ecuación de precio, observamos una relación negativa entre
el precio del entorno y el precio del microdestino, lo que indica la competitividad
en precios existente. A su vez, en lo referente al número de noches que los
turistas se quedan en el entorno, afectan positivamente, sin embargo, esta
variable, como comentamos anteriormente, no crea diferencias significativas
entre precios de los microdestinos. Por otro lado, la variable oferta recordemos
que no era significativa, por ello el valor de la forma reducida tan baja, ya que
apenas habría cambios al añadir una plaza ofertada más. A todo esto, podemos
observar como debido a la componente estacional en los meses de julio y agosto
que mencionamos anteriormente, en estos meses al producirse una mayor
demanda también se genera un incremento de los precios respecto al resto de
22
meses. Por último, las variables dicotómicas para controlar las diferencias entre
islas, observamos unos mayores valores para las dos islas capitalinas, Gran
Canaria y Tenerife, lo que nos indica que en dichas islas el precio es mayor en
comparación con las demás, por tanto, llegamos a la misma conclusión que en
el modelo estimado por Mínimos Cuadrados en tres etapas.
7. Conclusiones
En general, los resultados obtenidos de ambos modelos nos han permitido
extraer conclusiones bastante acordes con la teoría económica. Tras la
utilización de un modelo de ecuaciones simultáneas donde describimos oferta y
demanda de los distintos microdestinos, y posteriormente, considerando también
la posibilidad de la existencia de autocorrelación espacial entre ellos.
En una primera aproximación, utilizando el método de Minimos Cuadrados en
Tres Etapas, pudimos comprobar, que como la teoría económica predice, un
aumento del precio en el microdestino produciría una disminución de la
demanda, así como que un aumento de la oferta nos permitiría alojar a un mayor
número de personas, y por tanto, obtener un mayor número de noches
pernoctadas al mes. Además, vimos como el número de noches que se
incrementaban por una única plaza adicional no era nada despreciable (21
noches). A su vez, nos permitió ver que la disposición a pagar por los turistas
aumenta cuando la distancia a la playa es menor, lo que nos permite corroborar
el comportamiento existente en Canarias, ya que las entidades hoteleras más
cercanas a la costa suelen ser las que tienen una mayor ocupación. Además,
nos permitió corroborar el componente estacional tanto en demanda como en
precios existente en verano, como era esperado y, por último, pudimos observar
la diferencia de precios entre las distintas islas de análisis.
Posteriormente, decidimos introducir la existencia de correlación espacial en el
modelo de ecuaciones simultáneas con la finalidad de contrastar la posible
interdependencia entre los distintos microdestinos. Para ello sería necesario
23
utilizar el método de Mínimos Cuadrados Espaciales en Tres Etapas
Generalizados.
Esta estimación nos permitió entender cuál es el grado de competitividad entre
microdestinos. Así pudimos ver una existencia de sustituibilidad clara entre ellos,
ya que como comprobamos, un mayor número de noches de los turistas en el
entorno produciría un descenso de las noches pernoctadas en el microdestino,
y por el contrario, un aumento de los precios del entorno, permitiría al
microdestino ser más atractivo en lo que a coste para los turistas se refiere y por
tanto hacerse con una mayor cuota de mercado. Además, al igual que hicimos
en el modelo sin autocorrelación espacial, pudimos comprobar la existencia de
la componente estacional, como se espera a priori, en el sector turístico. Por otro
lado, también pudimos observar como el precio del microdestino no dependería
de la oferta que tiene, como a priori se podría pensar, sin embargo, en este
modelo el precio del microdestino viene totalmente marcado por el que se
observe en el entorno, así como de la propia demanda. Por último, también se
puede extraer que existe diferencia entre islas, siendo las capitalinas las que
tienen un mayor precio, esto a su vez está influenciado por que estas dos son
las que mayor demanda de turistas tienen.
Para concluir, es necesario comentar una serie de limitaciones que puede haber
en el trabajo realizado.En primer lugar, la escasa literatura sobre la utilización de
modelos de econometría espacial y, en particular en modelos aplicados al sector
turístico.Por otro lado, tal vez sería una buena idea realizar la matriz de pesos
basándonos en el coste del transporte, con la finalidad de ser más precisos los
cálculos, en vez de con la distancia en metros, sin embargo al no disponer del
ficheros shapefile de las carreteras con las velocidades correspondientes a cada
tramo, así como su correspondiente archivo DBF con los atributos, nos impiden
poder calcular el tiempo de transporte.
Anexo I
Fuerteventura Gran Canaria
Tenerife
Lanzarote
Islas Canarias
Anexo II
Procedimiento de realización de la matriz OD con Arcmap
Primer paso. Cargamos los ficheros de microdestinos y de las carreteras. Estos ficheros
deben estar en formato SHP con su correspondiente tabla de atributos en formato DBF
Segundo paso. En nuestro caso, los microdestinos están en formato poligonal, por lo que es
necesario ir a la caja de herramientas, manejo de datos, características y usar la herramienta
para pasar de polígono a puntos.
Tercer paso. En el catálogo, nos dirigimos a las carpetas conectadas y buscamos el fichero
de carreteras, hacemos click con el botón derecho y creamos una nueva red de datos.
Cuarto paso. A continuación, en la caja de herramientas, herramientas de análisis de redes,
análisis, hacer OD matriz de coste, se nos generaran diversas capas, como orígenes,
destinos, etc. En este caso solo utilizaremos los destinos y orígenes
Quinto paso. Posteriormente, nos dirigimos a la herramienta de análisis de redes, y
añadimos localizaciones, en los orígenes y en los destinos cargaremos los microdestinos en
formato de punto creados anteriormente.
Sexto paso. Por último, en la misma caja de herramientas, pulsamos resolver y se nos
crearan las diferentes líneas que aluden a las distancias. Para poder verlas nos dirigimos a
la tabla de contenidos, en líneas, botón derecho y abrimos la tabla de atributos
Anexo III Código Stata
clear *importamos la base de datos import excel "C:\Users\Christian Benítez\Desktop\TFG_final\stata\Carga_TFG.xlsx", sheet("Hoja1") firstrow *use "C:\Users\Christian Benítez\Desktop\TFG_final\stata\microdb.dta", clear *Borramos columnas que no vayamos a usar drop F G H *Damos valor númerico a los microdestinos encode Microdestino, gen( microdestino2) *Ordenamos por nombre de microdestino sort microdestino2 *generamos un identificador generate id=0 replace id=1 if microdestino2==1 replace id=2 if microdestino2==2 replace id=3 if microdestino2==3 replace id=4 if microdestino2==4 replace id=4 if microdestino2==4 replace id=5 if microdestino2==5 replace id=6 if microdestino2==6 replace id=7 if microdestino2==7 replace id=8 if microdestino2==8 replace id=9 if microdestino2==9 replace id=10 if microdestino2==10 replace id=11 if microdestino2==11 replace id=12 if microdestino2==12 replace id=13 if microdestino2==13 replace id=14 if microdestino2==14 replace id=15 if microdestino2==15 replace id=16 if microdestino2==16 replace id=17 if microdestino2==17 replace id=18 if microdestino2==18 replace id=19 if microdestino2==19 replace id=20 if microdestino2==20 replace id=21 if microdestino2==21 replace id=22 if microdestino2==22 replace id=23 if microdestino2==23 replace id=24 if microdestino2==24 replace id=25 if microdestino2==25 replace id=26 if microdestino2==26 replace id=27 if microdestino2==27 replace id=28 if microdestino2==28 replace id=29 if microdestino2==29 replace id=30 if microdestino2==30 replace id=31 if microdestino2==31 replace id=32 if microdestino2==32 replace id=33 if microdestino2==33 replace id=34 if microdestino2==34 replace id=35 if microdestino2==35 replace id=36 if microdestino2==36 replace id=37 if microdestino2==37 replace id=38 if microdestino2==38
replace id=39 if microdestino2==39 replace id=40 if microdestino2==40 replace id=41 if microdestino2==41 replace id=42 if microdestino2==42 replace id=43 if microdestino2==43 replace id=44 if microdestino2==44 replace id=45 if microdestino2==45 replace id=46 if microdestino2==46 *Añadimos la distancia media desde cada microdestino a la playa mas cercaca joinby id using "C:\Users\Christian Benítez\Desktop\TFG_final\stata\average_distance.dta" *Usamos el comando Encode para poder trabajar con la variable mes encode Mes, gen(mes2) *generamos las dummies de los meses para controlar la estacionalidad gen enero=0 gen febrero=0 gen marzo=0 gen abril=0 gen mayo=0 gen junio=0 gen julio=0 gen agosto=0 gen septiembre=0 gen octubre=0 gen noviembre=0 gen diciembre=0 replace enero=1 if mes2==4 replace febrero=1 if mes2==5 replace marzo=1 if mes2==8 replace abril=1 if mes2==1 replace mayo=1 if mes2==9 replace junio=1 if mes2==7 replace julio=1 if mes2==6 replace agosto=1 if mes2==2 replace septiembre=1 if mes2==12 replace octubre=1 if mes2==11 replace noviembre=1 if mes2==10 replace diciembre=1 if mes2==3 * ordenamos por microdestinos y meses sort microdestino2 diciembre noviembre octubre septiembre agosto julio junio mayo abril marzo febrero *Generamos las Dummies para ver las diferencias entre las diferentes islas gen grancanaria=0
gen tenerife=0 gen lanzarote=0 gen fuerteventura=0 *Gran Canaria replace grancanaria=1 if id==1 replace grancanaria=1 if id==2 replace grancanaria=1 if id==5 replace grancanaria=1 if id==13 replace grancanaria=1 if id==22 replace grancanaria=1 if id==26 replace grancanaria=1 if id==33 replace grancanaria=1 if id==35 replace grancanaria=1 if id==37 replace grancanaria=1 if id==41 replace grancanaria=1 if id==42 replace grancanaria=1 if id==44 replace grancanaria=1 if id==45 *Tenerife replace tenerife=1 if id==4 replace tenerife=1 if id==6 replace tenerife=1 if id==8 replace tenerife=1 if id==12 replace tenerife=1 if id==15 replace tenerife=1 if id==16 replace tenerife=1 if id==17 replace tenerife=1 if id==18 replace tenerife=1 if id==19 replace tenerife=1 if id==20 replace tenerife=1 if id==21 replace tenerife=1 if id==30 replace tenerife=1 if id==31 replace tenerife=1 if id==32 replace tenerife=1 if id==36 replace tenerife=1 if id==43 replace tenerife=1 if id==46 *Lanzarote replace lanzarote=1 if id==10 replace lanzarote=1 if id==11 replace lanzarote=1 if id==27 replace lanzarote=1 if id==28 replace lanzarote=1 if id==29 replace lanzarote=1 if id==34 replace lanzarote=1 if id==38 replace lanzarote=1 if id==39 replace lanzarote=1 if id==40 * Fuerteventura replace fuerteventura=1 if id==3 replace fuerteventura=1 if id==7 replace fuerteventura=1 if id==9 replace fuerteventura=1 if id==14 replace fuerteventura=1 if id==23 replace fuerteventura=1 if id==24 replace fuerteventura=1 if id==25 * Hacemos macros para los meses y las islas global meses " enero febrero marzo abril mayo junio julio agosto septiembre octubre noviembre diciembre "
global islas " grancanaria tenerife fuerteventura lanzarote" *Generamos los diferentes municipios correspondientes a cada microdestino para poder importar la variable calidad gen municipio=0 replace municipio=1 if microdestino2==3 replace municipio=2 if microdestino2==7 | microdestino2==14 replace municipio=3 if microdestino2==9 |microdestino2==23 | microdestino2== 24 | microdestino2==25 replace municipio=4 if microdestino2==1 | microdestino2==26 | microdestino2==35 | microdestino2==37 | microdestino2==44 | microdestino2==45 replace municipio=5 if microdestino2==2 | microdestino2==5 | microdestino2==13 | microdestino2==22 | microdestino2==33| microdestino2==41| microdestino2==42 replace municipio=6 if microdestino2==10 | microdestino2==11 replace municipio=7 if microdestino2==38 | microdestino2==39 | microdestino2 ==40 replace municipio=8 if microdestino2==27 | microdestino2==28 | microdestino2==29 replace municipio=9 if microdestino2==4| microdestino2==8| microdestino2==17| microdestino2==31| microdestino2==32| microdestino2==46 replace municipio=10 if microdestino2==12| microdestino2==15| microdestino2==16| microdestino2==18| microdestino2==19 replace municipio=11 if microdestino2==6| microdestino2==21| microdestino2==30 | microdestino2==34| microdestino2==43 replace municipio=12 if microdestino2==20 | microdestino2==36 label define municipio 1 "antigua" 2"la oliva" 3" pajara" 4 " mogan" 5" san bartolome de tirajana" 6"teguise" 7"tias" 8"yaiza" 9"adeje" 10"arona" 11"puerto de la cruz" 12 " santiago del teide" label values municipio municipio *añadimos la calidad de paisaje, parques de ocio, tranquilidad y clima joinby municipio using "C:\Users\Christian Benítez\Desktop\TFG_final\stata\calidadmunicipios.dta" drop TOTALALOJAMIENTOS global calidad " Clima Paisajes Zonasdebano Tranquilidad Parquesdeocio" *Estimamos el modelo 3SLS reg3 (Pernoctaciones ADR Supply $meses averagedistance Parquesdeocio,noconstant)
(ADR Pernoctaciones Supply $islas, noconstant) *instalamos paquetes para GS3SLS net install gs3sls.pkg, replace from (http://fmwww.bc.edu/RePEc/bocode/g/) net get gs3sls.pkg, replace from (http://fmwww.bc.edu/RePEc/bocode/g/)
net install spwmatrix.pkg, replace from (http://fmwww.bc.edu/RePEc/bocode/s/) net install spweight.sthlp, replace from (http://fmwww.bc.edu/RePEc/bocode/s) *Estimamos modelo espacial gs3sls Pernoctaciones Supply $meses , var2 (ADR Supply $islas) wmf(E:\TFG_final\stata\matrizdepesosfinal.dta) nocons stand inv2
Bibliografía
Assaker, G., Vinzi, V. E., & O’Connor, P. (2010). Structural Equation Modeling in Tourism Demand Forecasting: A Critical Review. Journal of Travel and Tourism Research, (Spring/Fall), 1-27. Anselin, L. (1988). Model validation in spatial econometrics: a review and evaluation of alternative approaches. International Regional Science Review, 11(3), 279-316. Rochester, L. (2011). Modelling Tourism Demand in the Caribbean: An Approach Using Spatial Econometrics. International Economics Department. Bank Of Jamaica. Moreno Serrano, R., y Vayá, E. V. (2002). Econometría espacial: nuevas técnicas para el análisis regional. Una aplicación a las regiones europeas. Investigaciones regionales, 1:83-106. Yadavalli, A. P., Waldorf, B. S., y Florax, R. J. (2013). The Effect of US School Quality on Migration: A Spatial Econometric Approach. Department of Agricultural Economics, Purdue University, Working Paper. Yrigoyen, C. C. (2003). Econometría espacial aplicada a la predicción-extrapolación de datos microterritoriales. Dirección General de Economía y Planificación Wooldridge, J.M. (2010). Introducción a la econometría: Un enfoque moderno. 4ª edición. Editorial Cengage Learning Mexico, D.F