Modelos de predicción de la demanda turística: base teórico-metodológica para el robustecimiento de la competitividad del destino Cuba
Barra lateral del artículo
Publicado:
Jan 8, 2026
Palabras clave:
Cuba, demanda turística, gestión eficiente, modelos de predicción, fluctuaciones del mercado.
Contenido principal del artículo
Resumen
Las recientes transformaciones del turismo han incrementado la complejidad y volatilidad del comportamiento de la demanda turística, especialmente tras la pandemia de COVID-19. En Cuba, esta situación ha evidenciado la necesidad de contar con herramientas que permitan anticipar de forma fiable los flujos turísticos. Sin embargo, persiste una brecha significativa en el desarrollo, adaptación y aplicación práctica de modelos de predicción de la demanda ajustados al contexto cubano. Esta limitación reduce la capacidad del sector turístico para responder oportunamente a las fluctuaciones del mercado y sustentar la toma de decisiones estratégicas basadas en evidencia. En este escenario surge la presente investigación, cuyo objetivo es: fundamentar teóricamente la evolución, importancia, actualidad y tendencias en la predicción de la demanda en el turismo. Para el desarrollo de la misma, se utilizó una metodología de revisión basada en el modelo PRISMA y se seleccionaron 681 artículos de las bases de datos Scopus, Dimensions y Google Scholar que cumplían con los criterios establecidos. Se utilizaron la revisión bibliográfica y la estadística descriptiva. Para el análisis, se utilizaron softwares como R-Studio, Excel, Scimago Graphica y VOSviewer. Los hallazgos indican un aumento en las publicaciones desde 2014, evidenciando una creciente tendencia investigativa. China, Indonesia, India y Estados Unidos destacan como líderes en la producción de investigaciones de calidad. Además, destaca como la predicción de la demanda turística constituye una herramienta integral para la gestión eficiente de los recursos en el sector, contribuye al desarrollo económico y a la mejora de la experiencia de los turistas.
Detalles del artículo
Cómo citar
Quintana Cala, J. F., Acosta Mesa, S. F., Cruz Pérez, Y., & Vázquez Alfonso, Y. (2026). Modelos de predicción de la demanda turística: base teórico-metodológica para el robustecimiento de la competitividad del destino Cuba. Ciencia & Turismo, 5(1), 6-30. https://doi.org/10.33262/ct.v5i1.78
Sección
Artículos
Citas
Abdou, M., Musabanganji, E., & Musahara, H. (2021). Tourism demand modelling and forecasting: A review of literature. African Journal of Hospitality, Tourism and Leisure, 10(4), 1370–1393. https://doi.org/10.46222/ajhtl.19770720-168
Aladag, C. H., Egrioglu, E., & Kadilar, C. (2012). Improvement in forecasting accuracy using the hybrid model of ARFIMA and feed forward neural network. American Journal of Intelligent Systems, 2(2), 12–17. https://shre.ink/bFOg
Alcántara-Moreno, O. R., Sánchez-Ticona, R. J., Tenorio-Cabrera, J. L., Torres-Villanueva, M., Gómez-Avila, J. A., & Santos-Fernández, J. P. (2023). Modelos de series temporales predictivos para la demanda turística en el Perú. Conferencia Iberoamericana en Sistemas, Cibernética e Informática, 1–7. https://doi.org/10.54808/CISCI2023.01.1
Asán Caballero, L., Rojas Delgado, J., & Jiménez Moya, G. E. (2022). Algoritmo de predicción de series de tiempo para el pronóstico del tráfico aéreo basado en redes neuronales artificiales. Revista Cubana de Ciencias Informáticas, 16(4), 84–100. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-18992022000400084
Colther, C., & Arriagada-Millaman, A. (2021). Pronóstico de la demanda turística de Chile basado en modelos lineales y no lineales estacionales. Pasos: Revista de Turismo y Patrimonio Cultural, 19(2), Artículo 8. https://riull.ull.es/xmlui/bitstream/handle/915/23025/PS_19_2%20_%282021%29_08.pdf
Contreras, F. C., & Guerrero, J. C. O. (2024). Beneficios de la implementación de la inteligencia artificial en la administración de empresas: Una revisión sistemática. Impulso, Revista de Administración, 4(8), 213–228. https://doi.org/10.59659/impulso.v.4i8.58
Fahira, F., & Prianto, C. (2023). Prediksi pola kedatangan turis mancanegara dan menganalisis ulasan Tripadvisor con LSTM dan LDA. Jurnal Tekno Insentif, 17(2), Artículo 2. https://doi.org/10.36787/jti.v17i2.1096
Fernández López, R., Alfonso Porraspita, D., Vilalta Alonso, J. A., & Labrador Machín, O. (2022). Cuba en la industria turística: Estudios de la demanda. Cooperativismo y Desarrollo, 10(1), 7–23. http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S2310-340X2022000100007
Fernández López, R., Díaz González, L. R., Alfonso Alemán, J. C., & Barrio Padrón, O. (2020). Modelo de predicción de series temporales para la demanda turística de la cadena hotelera Cubanacán. Cooperativismo y Desarrollo, 8(3), 538–551. http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S2310-340X2020000300538
Fernández López, R., Vilalta Alonso, J. A., & Quintero Silverio, A. (2019). Una revisión crítica sobre modelos de predicción para la demanda turística. TURYDES: Revista sobre Turismo y Desarrollo Local Sostenible, 12(27), Artículo 3. https://www.researchgate.net/publication/339663674
Fernández López, R., Vilalta-Alonso, J. A., Porraspita, D. A., Blanco Zamora, Y., & Núñez González, S. (2023). Modelos de pronósticos de la demanda turística: Una revisión de los estudios actuales. Revista de Métodos Cuantitativos para la Economía y la Empresa, 36, 1–25. https://www.econstor.eu/bitstream/10419/286315/1/1878443224.pdf
Fernández-López, R., Alfonso-Ramírez, M., Denis-Marrero, C. M., Alfonso-Porraspita, D., & Vilalta-Alonso, J. A. (2023). Metodología para el pronóstico de la demanda integrando el diseño de escenarios. Ingeniería Industrial, 44(1), 110–126. http://scielo.sld.cu/pdf/rii/v44n1/1815-5936-rii-44-01-110.pdf
Gómez Nieves, S., & Rodríguez Bocanegra, K. M. (2018). Problemas y desafíos para la determinación de la demanda turística en México. Investigaciones Turísticas, (16), 87–107. https://doi.org/10.14198/INTURI2018.16.05
Gunter, U., & Önder, I. (2015). Forecasting international city tourism demand for Paris: Accuracy of uni- and multivariate models employing monthly data. Tourism Management, 46, 123–135. https://doi.org/10.1016/j.tourman.2014.06.017
Law, R. (2000). Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting. Tourism Management, 21(4), 331–340. https://doi.org/10.1016/S0261-5177(99)00067-9
Llupart, M. R. N., & Rodríguez, M. de los A. M. (2022). Reflexiones teóricas sobre la demanda turística global: Incidencia en la gestión y comercialización turística. Revista de Ciencias Sociales, 28(5), 359–375. https://www.redalyc.org/journal/280/28071845029/html/
López, R. F., Alonso, J. A. V., Silverio, A. Q., & González, L. D. (2021). La demanda turística en una cadena hotelera, series temporales para un modelo de predicción. Revista Científica Visión de Futuro, 25(1), 107–132. https://www.redalyc.org/journal/3579/357965431004/html/
Makoni, T., Mazuruse, G., & Nyagadza, B. (2023). International tourist arrivals modelling and forecasting: A case of Zimbabwe. Sustainable Technology and Entrepreneurship, 2(1), 100027. https://doi.org/10.1016/j.stae.2022.100027
Menchenko, A., & Javed, M. (2024). A systematic literature review of tourism demand and future research agenda. Inproforum, 17(1), 78–85. https://inproforum.ef.jcu.cz/pdfs/ipf/2023/01/12.pdf
Mondaca-Marino, C., Millaman, A. A., Astorga, A. M., & Marino, C. C. (2020). Modelamiento y pronóstico de la demanda turística a nivel regional en Chile: Un análisis con modelos SARIMA. Revista Turismo: Estudos e Práticas (RTEP/UERN), 9(1), 1–12. http://natal.uern.br/periodicos/index.php/RTEP/index
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Palmer, A., Montaño, J. J., & Sesé, A. (2006). Designing an artificial neural network for forecasting tourism time series. Tourism Management, 27(5), 781–790. https://doi.org/10.1016/j.tourman.2005.05.006
Pérez Ricardo, E. del C., Bastida Sánchez, E., Coronado Provance, K. Z., Medina Labrada, J. R., & Feria Velázquez, F. F. (2023). Predicción del comportamiento del consumidor en destinos turísticos. Investigaciones Turísticas, (26), 320–349. https://doi.org/10.14198/INTURI.24300
Rivera, R. (2016). A dynamic linear model to forecast hotel registrations in Puerto Rico using Google Trends data. Tourism Management, 57, 12–20. https://doi.org/10.1016/j.tourman.2016.04.008
Rodríguez-Marín, M. (2024). Predicción del ingreso de divisas por turismo internacional en México. Investigación Administrativa, 53(133). https://doi.org/10.35426/iav53n133.06
Sánchez, F. J. S., & Sánchez, A. M. S. (2021). Modelos de predicción para el sector turístico andaluz mediante métodos estadísticos avanzados. Cuadernos de Turismo, (48), 183–208. https://doi.org/10.6018/turismo.492731
Shen, H., Wang, Q., Ye, C., & Liu, J. S. (2017). The evolution of holiday system in China and its influence on domestic tourism demand. Journal of Tourism Futures, 4(2), 139–151. https://doi.org/10.1108/JTF-10-2016-0027
Wang, Z., & Srinivasan, R. S. (2017). A review of artificial intelligence-based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models. Renewable and Sustainable Energy Reviews, 75, 796–808. https://doi.org/10.1016/j.rser.2016.10.079
Wu, D. C., 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. https://doi.org/10.1108/IJCHM-05-2015-0249
Xie, G., Qian, Y., & Wang, S. (2020). A decomposition-ensemble approach for tourism forecasting. Annals of Tourism Research, 81, 102891. https://doi.org/10.1016/j.annals.2020.102891
Yu, N., & Chen, J. (2022). Design of machine learning algorithm for tourism demand prediction. Computational and Mathematical Methods in Medicine, 2022, 6352381. https://doi.org/10.1155/2022/6352381
Zhang, C., Jiang, F., Wang, S., & Sun, S. (2020). A new decomposition ensemble approach for tourism demand forecasting: Evidence from major source countries. arXiv Preprint, arXiv:2002.09201. https://arxiv.org/pdf/2002.09201
Aladag, C. H., Egrioglu, E., & Kadilar, C. (2012). Improvement in forecasting accuracy using the hybrid model of ARFIMA and feed forward neural network. American Journal of Intelligent Systems, 2(2), 12–17. https://shre.ink/bFOg
Alcántara-Moreno, O. R., Sánchez-Ticona, R. J., Tenorio-Cabrera, J. L., Torres-Villanueva, M., Gómez-Avila, J. A., & Santos-Fernández, J. P. (2023). Modelos de series temporales predictivos para la demanda turística en el Perú. Conferencia Iberoamericana en Sistemas, Cibernética e Informática, 1–7. https://doi.org/10.54808/CISCI2023.01.1
Asán Caballero, L., Rojas Delgado, J., & Jiménez Moya, G. E. (2022). Algoritmo de predicción de series de tiempo para el pronóstico del tráfico aéreo basado en redes neuronales artificiales. Revista Cubana de Ciencias Informáticas, 16(4), 84–100. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-18992022000400084
Colther, C., & Arriagada-Millaman, A. (2021). Pronóstico de la demanda turística de Chile basado en modelos lineales y no lineales estacionales. Pasos: Revista de Turismo y Patrimonio Cultural, 19(2), Artículo 8. https://riull.ull.es/xmlui/bitstream/handle/915/23025/PS_19_2%20_%282021%29_08.pdf
Contreras, F. C., & Guerrero, J. C. O. (2024). Beneficios de la implementación de la inteligencia artificial en la administración de empresas: Una revisión sistemática. Impulso, Revista de Administración, 4(8), 213–228. https://doi.org/10.59659/impulso.v.4i8.58
Fahira, F., & Prianto, C. (2023). Prediksi pola kedatangan turis mancanegara dan menganalisis ulasan Tripadvisor con LSTM dan LDA. Jurnal Tekno Insentif, 17(2), Artículo 2. https://doi.org/10.36787/jti.v17i2.1096
Fernández López, R., Alfonso Porraspita, D., Vilalta Alonso, J. A., & Labrador Machín, O. (2022). Cuba en la industria turística: Estudios de la demanda. Cooperativismo y Desarrollo, 10(1), 7–23. http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S2310-340X2022000100007
Fernández López, R., Díaz González, L. R., Alfonso Alemán, J. C., & Barrio Padrón, O. (2020). Modelo de predicción de series temporales para la demanda turística de la cadena hotelera Cubanacán. Cooperativismo y Desarrollo, 8(3), 538–551. http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S2310-340X2020000300538
Fernández López, R., Vilalta Alonso, J. A., & Quintero Silverio, A. (2019). Una revisión crítica sobre modelos de predicción para la demanda turística. TURYDES: Revista sobre Turismo y Desarrollo Local Sostenible, 12(27), Artículo 3. https://www.researchgate.net/publication/339663674
Fernández López, R., Vilalta-Alonso, J. A., Porraspita, D. A., Blanco Zamora, Y., & Núñez González, S. (2023). Modelos de pronósticos de la demanda turística: Una revisión de los estudios actuales. Revista de Métodos Cuantitativos para la Economía y la Empresa, 36, 1–25. https://www.econstor.eu/bitstream/10419/286315/1/1878443224.pdf
Fernández-López, R., Alfonso-Ramírez, M., Denis-Marrero, C. M., Alfonso-Porraspita, D., & Vilalta-Alonso, J. A. (2023). Metodología para el pronóstico de la demanda integrando el diseño de escenarios. Ingeniería Industrial, 44(1), 110–126. http://scielo.sld.cu/pdf/rii/v44n1/1815-5936-rii-44-01-110.pdf
Gómez Nieves, S., & Rodríguez Bocanegra, K. M. (2018). Problemas y desafíos para la determinación de la demanda turística en México. Investigaciones Turísticas, (16), 87–107. https://doi.org/10.14198/INTURI2018.16.05
Gunter, U., & Önder, I. (2015). Forecasting international city tourism demand for Paris: Accuracy of uni- and multivariate models employing monthly data. Tourism Management, 46, 123–135. https://doi.org/10.1016/j.tourman.2014.06.017
Law, R. (2000). Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting. Tourism Management, 21(4), 331–340. https://doi.org/10.1016/S0261-5177(99)00067-9
Llupart, M. R. N., & Rodríguez, M. de los A. M. (2022). Reflexiones teóricas sobre la demanda turística global: Incidencia en la gestión y comercialización turística. Revista de Ciencias Sociales, 28(5), 359–375. https://www.redalyc.org/journal/280/28071845029/html/
López, R. F., Alonso, J. A. V., Silverio, A. Q., & González, L. D. (2021). La demanda turística en una cadena hotelera, series temporales para un modelo de predicción. Revista Científica Visión de Futuro, 25(1), 107–132. https://www.redalyc.org/journal/3579/357965431004/html/
Makoni, T., Mazuruse, G., & Nyagadza, B. (2023). International tourist arrivals modelling and forecasting: A case of Zimbabwe. Sustainable Technology and Entrepreneurship, 2(1), 100027. https://doi.org/10.1016/j.stae.2022.100027
Menchenko, A., & Javed, M. (2024). A systematic literature review of tourism demand and future research agenda. Inproforum, 17(1), 78–85. https://inproforum.ef.jcu.cz/pdfs/ipf/2023/01/12.pdf
Mondaca-Marino, C., Millaman, A. A., Astorga, A. M., & Marino, C. C. (2020). Modelamiento y pronóstico de la demanda turística a nivel regional en Chile: Un análisis con modelos SARIMA. Revista Turismo: Estudos e Práticas (RTEP/UERN), 9(1), 1–12. http://natal.uern.br/periodicos/index.php/RTEP/index
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Palmer, A., Montaño, J. J., & Sesé, A. (2006). Designing an artificial neural network for forecasting tourism time series. Tourism Management, 27(5), 781–790. https://doi.org/10.1016/j.tourman.2005.05.006
Pérez Ricardo, E. del C., Bastida Sánchez, E., Coronado Provance, K. Z., Medina Labrada, J. R., & Feria Velázquez, F. F. (2023). Predicción del comportamiento del consumidor en destinos turísticos. Investigaciones Turísticas, (26), 320–349. https://doi.org/10.14198/INTURI.24300
Rivera, R. (2016). A dynamic linear model to forecast hotel registrations in Puerto Rico using Google Trends data. Tourism Management, 57, 12–20. https://doi.org/10.1016/j.tourman.2016.04.008
Rodríguez-Marín, M. (2024). Predicción del ingreso de divisas por turismo internacional en México. Investigación Administrativa, 53(133). https://doi.org/10.35426/iav53n133.06
Sánchez, F. J. S., & Sánchez, A. M. S. (2021). Modelos de predicción para el sector turístico andaluz mediante métodos estadísticos avanzados. Cuadernos de Turismo, (48), 183–208. https://doi.org/10.6018/turismo.492731
Shen, H., Wang, Q., Ye, C., & Liu, J. S. (2017). The evolution of holiday system in China and its influence on domestic tourism demand. Journal of Tourism Futures, 4(2), 139–151. https://doi.org/10.1108/JTF-10-2016-0027
Wang, Z., & Srinivasan, R. S. (2017). A review of artificial intelligence-based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models. Renewable and Sustainable Energy Reviews, 75, 796–808. https://doi.org/10.1016/j.rser.2016.10.079
Wu, D. C., 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. https://doi.org/10.1108/IJCHM-05-2015-0249
Xie, G., Qian, Y., & Wang, S. (2020). A decomposition-ensemble approach for tourism forecasting. Annals of Tourism Research, 81, 102891. https://doi.org/10.1016/j.annals.2020.102891
Yu, N., & Chen, J. (2022). Design of machine learning algorithm for tourism demand prediction. Computational and Mathematical Methods in Medicine, 2022, 6352381. https://doi.org/10.1155/2022/6352381
Zhang, C., Jiang, F., Wang, S., & Sun, S. (2020). A new decomposition ensemble approach for tourism demand forecasting: Evidence from major source countries. arXiv Preprint, arXiv:2002.09201. https://arxiv.org/pdf/2002.09201