Modelos de predicción de la demanda turística: base
teórico-metodológica para el robustecimiento de la competitividad del desti=
no
Cuba
Tourism demand prediction models: theoretical and methodological basis for strengthening the competitiveness of Cuba as a destination<= o:p>
|
1 |
Jorge Félix Quintana Cala |
|
https://orcid.org/0009-0000-0750-4170 |
|
|
|
Facultad de Turism=
o,
Universidad de La Habana, La Habana, Cuba. |
|||
|
2 |
Sandro Felipe Acosta Mesa |
|
https://orcid.org/0000-0002-4170-7892 |
|
|
|
Facultad de Turism=
o,
Universidad de La Habana, La Habana, Cuba. |
|||
|
3 |
Yudemir Cruz Pérez |
|
https://orcid.org/0000-0001-9876-732X |
|
|
|
Facultad de Turism=
o,
Universidad de La Habana, La Habana, Cuba. |
|||
|
4 |
Yasser Vázquez Alfonso |
|
https://orcid.org/0000-0002-4074-0711 |
|
|
|
Facultad de Turism=
o,
Universidad de La Habana, La Habana, Cuba. |
|
|
Artículo
de Investigación Científica y Tecnológica Envi=
ado:15/10/2025
Revi=
sado:11/11/2025
Acep=
tado:20/12/2025
Publ=
icado:
05/01/2026 |
||||||||
|
|
|
||||||||
|
Cítese: |
|
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
|
|
||||||
|
|
|
CIENCIA & TURISMO, es una revista multidisciplinaria, trimestral,=
que
se publicará en soporte electrónico tiene como misión contribuir a
la formación de profesionales competentes con visión humaníst=
ica
y crítica que sean capaces de exponer sus resultados investigativos y
científicos en la misma medida que se promueva mediante su intervención
cambios positivos en la sociedad. https://cienciadigital.org<=
/a> La revista es editada por la
Editorial Ciencia Digital (Editorial de prestigio registrada en la Cámara
Ecuatoriana de Libro con No de Afiliación 663) www.celibro.org.ec |
|
||||||
|
|
|
Esta revista está
protegida bajo una licencia Creative Commons =
AttributionNonCommercialNoDerivatives 4.0 Internati=
onal.
Copia de la licencia: http://creativecommons.org/licenses/by-nc-nd/4.0/ |
|
||||||
|
Palabras claves: Cuba, demanda turística, gestión eficiente, modelos de predicción,
fluctuaciones del mercado. |
|
Resumen Las recientes
transformaciones del turismo han incrementado la complejidad y volatilidad
del comportamiento de la demanda turística, especialmente tras la pandemi=
a de
COVID-19. En Cuba, esta situación ha evidenciado la necesidad de contar c=
on
herramientas que permitan anticipar de forma fiable los flujos turísticos.
Sin embargo, persiste una brecha significativa en el desarrollo, adaptaci=
ón 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 s=
urge
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 utilizar=
on
softwares como R-Studio, Excel, Scimago Graphica y VOSviewer. L=
os
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 calid=
ad.
Además, destaca como la predicción de la demanda turística constituye una
herramienta integral para la gestión eficiente de los recursos en el sect=
or,
contribuye al desarrollo económico y a la mejora de la experiencia de los
turistas. |
|
||||||
|
Keywords: Cuba, tourism dema=
nd,
efficient management, prediction models, market fluctuations. |
|
Abstract Recent changes in
tourism have increased the complexity and volatility of tourist demand,
especially in the wake of the COVID-19 pandemic. In Cuba, this situation =
has
highlighted the need for tools that can reliably anticipate tourist flows.
However, there remains a significant gap in the development, adaptation, =
and
practical application of demand forecasting models tailored to the Cuban
context. This limitation reduces the tourism sector's ability to respond =
in a
timely manner to market fluctuations and to support evidence-based strate=
gic
decision-making. It is in this context that the present research arises,
whose objective is to provide a theoretical basis for the evolution,
importance, current situation, and trends in tourism demand forecasting. =
To develop
this study, a review methodology based on the PRISMA model was used, and =
681
articles were selected from the Scopus, Dimensions, and Google Scholar
databases that met the established criteria. A literature review and
descriptive statistics were used. Software such as R-Studio, Excel, Scimago Graphica, and <=
span
class=3DSpellE>VOSviewer were used for the analysis. The findings
indicate an increase in publications since 2014, evidencing a growing
research trend. China, Indonesia, India, and the United States stand out =
as
leaders in the production of quality research. In addition, it highlights=
how
tourism demand forecasting is an integral tool for the efficient manageme=
nt
of resources in the sector, contributing to economic development and
improving the tourist experience. |
|
||||||
1. Introducción
=
El
turismo es uno de los sectores más relevantes a nivel global por su capacid=
ad
de movilizar millones de personas, generar importantes volúmenes de consumo=
y
contribuir significativamente a las economías locales mediante la creación =
de
empleo y el incremento de exportaciones (Fernández et al., 2022). Su desarr=
ollo
sostenido depende en gran medida de la demanda, ya que las preferencias y
comportamientos de los visitantes orientan la oferta turística de los desti=
nos
(Fahira y Prianto, =
2023).
=
En
el caso de Cuba, la pandemia de COVID-19 provocó una drástica caída en la
demanda turística, debido al cierre de fronteras, la reducción de vuelos
internacionales y el aumento de la percepción de riesgo sanitario. Esta
contracción afectó significativamente la economía nacional, especialmente en
regiones altamente dependientes del turismo. Además, surgieron nuevas
preferencias entre los viajeros por destinos más seguros, sostenibles y men=
os
masificados.
=
Frente
a este nuevo escenario, comprender los cambios en la demanda turística resu=
lta
fundamental para reorientar el sector y facilitar su recuperación. Estudiar=
la
demanda permite identificar los segmentos de viajeros, sus patrones de cons=
umo
y niveles de satisfacción, lo cual es clave para diseñar estrategias que
incrementen la competitividad de los destinos turísticos (Llupart
y Rodríguez, 2022).
=
Por
ello, se vuelve crucial conocer modelos predictivos que permitan anticipar =
el
comportamiento de los flujos turísticos, adaptar la oferta a las nuevas
exigencias del mercado y diseñar estrategias sostenibles. Sin embargo, a pe=
sar
de la importancia estratégica del turismo en la economía cubana y de los
esfuerzos internacionales por desarrollar modelos de predicción de la deman=
da,
en Cuba persiste una brecha en su desarrollo y aplicación efectiva. Esta
limitación reduce la capacidad del país para anticipar y responder
adecuadamente a las fluctuaciones del flujo turístico en el contexto
post-COVID-19.
=
Muchos
modelos actuales no abordan adecuadamente la variedad de factores que afect=
an
la demanda en el contexto cubano ni incluyen márgenes de error para análisis
más detallados. Además, en muchos casos se limita su uso a lo teórico, sin =
una
aplicación práctica efectiva. La predicción precisa del flujo turístico sig=
ue
siendo un reto, especialmente ante eventos imprevistos que pueden alterar
significativamente la actividad (Makoni et al.,
2023).
A
pesar del creciente interés internacional por el desarrollo de modelos de
predicción de la demanda turística, la producción científica sobre esta
temática se caracteriza por su dispersión teórica, diversidad metodológica y
heterogeneidad en los contextos de aplicación. Esta situación dificulta la
identificación de enfoques dominantes, variables más empleadas, tendencias
emergentes y vacíos de investigación, especialmente en escenarios insulares=
y
economías en desarrollo como la cubana. La ausencia de una sistematización
rigurosa del conocimiento limita la posibilidad de evaluar la evolución
científica del tema y de seleccionar modelos con mayor pertinencia y validez
para contextos específicos.
=
En
este sentido, la falta de estudios que integren y analicen de manera
estructurada la literatura existente sobre modelos de predicción de la dema=
nda
turística, lo cual restringe la toma de decisiones basada en evidencia y la
transferencia efectiva del conocimiento a la gestión turística. Ante esta
problemática, resulta necesario realizar un análisis bibliométrico que perm=
ita
examinar la dinámica de la producción científica, identificar autores,
revistas, enfoques metodológicos y tendencias investigativas, así como dete=
ctar
brechas de conocimiento relevantes para el contexto cubano, contribuyendo a=
sí
al fortalecimiento teórico y práctico del sector turístico.
=
Por
ello, surge la presente investigación que tiene como objetivo general:
Fundamentar teóricamente la evolución, importancia, actualidad y tendencias
sobre los modelos de predicción de la demanda turística.
2.
Metodología
Para el desarrollo de la investigación se utilizó =
una metodología
fundamentada en la declaración PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses=
),
conforme a su más reciente actualización presentada por Page et al. (2021).
Donde se llevó a cabo un análisis tanto cuantitativo como cualitativo de los
artículos revisados.
El análisis cuantitativo tuvo como finalidad ofrec=
er
una visión general de la producción científica, considerando variables como
año, fuente y lugar de publicación, métodos aplicados y número de citas. Po=
r su
parte, el análisis cualitativo se centró en el contenido de las
investigaciones, especialmente en la relación entre los modelos de predicci=
ón
de la demanda turística y los patrones de consumo, así como en los factores
identificados en estudios empíricos que permiten reconocer tendencias y bue=
nas
prácticas en este ámbito.
La búsqueda se realizó en las bases de datos Scopus y Dimensions, eleg=
idas por
su alto impacto en el ámbito académico y por ofrecer herramientas de búsque=
da
avanzadas. Se utilizó la siguiente ecuación de búsqueda: "Patrones&quo=
t;
AND "Consumo" AND ("turismo" OR "tipos de
turismo" OR "evolución" OR "tendencias" OR
"regiones del mundo" OR "modelos de predicción" OR
"sistema de información"). Para el proceso de selección de los
documentos se establecieron los siguientes criterios de inclusión:
=
1) =
Artículos publicados =
en
revistas científicas.
=
2) =
Artículos de acceso
abierto.
=
3) =
Artículos publicados =
en
el periodo comprendido 2014-2024.
=
4) =
Artículos en idioma
inglés y español.
=
5) =
Artículos con las
palabras claves: turismo, patrones de consumo y modelos de predicción.
La selección de los artículos se llevó a cabo de
acuerdo con las directrices de la declaración PRISMA, como se muestra en la=
figura 1.
Selección de artículos
Fuente: elaboración propia a partir de Page et al. (2021).
Posteriormente, se desarrolló una revisión
bibliográfica que permitió identificar antecedentes, marcos teóricos y
metodológicos, así como los principales indicadores bibliométricos para la
evaluación del campo de estudio. Se aplicaron métodos estadístico-matemátic=
os
(como la estadística descriptiva y los análisis univar=
iados
y bivariados) para interpretar las tendencias y la evolución de las
investigaciones, y reconocer a los autores y trabajos de mayor impacto
científico.
Para el análisis bibliométrico, se utilizó el soft=
ware
R-Studio mediante el paquete Bibliometrix y la
función mergeDbSources, lo que permitió integra=
r los
registros de Scopus y Dime=
nsions
en un único dataframe depurado (sin duplicados).
Además, los programas VOSviewer y Scimago
Graphica se emplearon para generar los mapas
bibliométricos y análisis de coocurrencia, identificando los conceptos y
relaciones clave dentro de la temática estudiada.
3.
Resultados y
Discusión
Diversos autores han abordado este tema de los mod=
elos
de predicción de la demanda turística desde diferentes perspectivas, emplea=
ndo
variados enfoques metodológicos que van desde modelos estadísticos hasta
técnicas basadas en inteligencia artificial. Estos estudios no solo buscan
comprender los patrones históricos de consumo y comportamiento de los turis=
tas,
sino que también intentan anticipar tendencias futuras en un entorno dinámi=
co y
competitivo.
Mondaca-Marino et al. (2020) pronosticaron la dema=
nda
turística en la Región de Magallanes (Chile) mediante el modelo SARIMA con
datos mensuales de 2014-2019, obteniendo alta eficiencia y errores inferior=
es
al 0.8 %. Por su parte, Colther y Arriagada-
Yu
& Chen (2022), analizaron datos mensuales de motores de búsqueda sobre =
el
volumen de turistas en China y sus factores de influencia. Procesaron estos
datos para adaptarlos a su modelo, utilizando métricas como el error absolu=
to
medio (MAE), el error cuadrático medio (RMSE) para evaluar el desempeño del
modelo. Mientras que Alcántara-Moreno et al. (2023), predicen la demanda
turística en el Perú, utilizando modelos de series temporales, la cual afec=
ta
principalmente a las áreas de planificación y gestión en el sector turístic=
o.
El estudio detalla un análisis comparativo entre los modelos de regresión
lineal, Holt-Winters y ARIMA.
Fernández et al. (2023), revelaron que los modelos
para el pronóstico de la demanda turística se encuentran en una evolución
constante y no existe un modelo único que funcione bien para todas las
situaciones. De igual modo, identificaron los principales países, revistas
científicas y autores que abordan el estudio de la demanda turística. Por o=
tro
lado, Pérez et al. (2023) presentaron un modelo teórico que enriquece la
literatura sobre el comportamiento del consumidor turístico e identifica los
principales factores que influyen en la intención de elegir un destino.
En el escenario cubano, López et al. (2021) aborda=
ron
el desafío de prever la demanda turística para el grupo hotelero Cubanacán en Cuba. Realizaron un análisis utilizando =
series
temporales con las metodologías de Box-Jenkins y el alisado exponencial de
Holt-Winters. Este estudio proporcionó una
caracterización de la actividad turística y sugirió la implementación de am=
bos
modelos predictivos para mejorar la planificación y la toma de decisiones,
resaltando sus ventajas en la captura de tendencias y estacionalidades en l=
os
datos de demanda. Por otro lado, Fernández-López et al. (2023), diseñaron u=
na
metodología que integra el pronóstico de la demanda turística con escenarios
prospectivos para contribuir a mejorar la toma de decisiones en el sector d=
el
turismo en Cuba.
Asimismo, se examinaron 681 artículos publicados en
395 revistas académicas, evidenciando una amplia dispersión en la producción
científica sobre el tema. Estos trabajos fueron realizados por 2030 autores=
de
35 países, lo que refleja un esfuerzo colaborativo significativo y
participación internacional. La figura 2 muestra el
número de artículos publicados anualmente desde 2014 hasta 2024 y su promed=
io
de citas acumuladas.
Evolución cronológica del número de
artículos y el promedio de citas por año
Fuente:
elaboración propia en Scimago Graphica.
Se observa un crecimiento constante en la producci=
ón
de artículos, pasando de aproximadamente 10 en 2014 a 154 en 2024, esto mue=
stra
un creciente interés en el tema. Sin embargo, el promedio de citas por artí=
culo
presenta una tendencia decreciente. En 2015 se alcanzó el punto más alto con
5.6 citas en promedio, pero a partir de entonces, este valor ha disminuido
progresivamente hasta llegar a 0.9 en 2024. Dicho comportamiento sugiere qu=
e,
aunque se están publicando más estudios en esta área, su impacto académico =
ha
disminuido.
En cuanto a los autores, de los 2030 investigadores
que publicaron al menos un artículo, se tomaron los 10 más productivos e
influyentes, como se muestra en la figura 3.
Relación de artículos, citas e índice =
h de
los autores
Fuente: elaboración propia en Microsoft Excel.
Respecto a la relación de artículos, citas e índice h=
de
los autores, se observa que el autor L.Y. tiene el índice h más alto (7) y
también el mayor número de citas (250), lo que demuestra que sus publicacio=
nes
han tenido un impacto significativo. Por otro lado, el resto de los autores
tienen un índice h de 4, que indica que han producido publicaciones que han
sido citadas en al menos cuatro ocasiones. Sin embargo, hay variaciones
notables en el número total de citas, Z.H. tiene 130 citas, mientras que W.=
R.
tiene solo 60. A pesar de que ambos tienen el mismo índice h, la visibilida=
d o
impacto de sus trabajos varía considerablemente.
Investigadores provenientes de un total de 35 países
distintos han contribuido al desarrollo del campo mediante la publicación d=
e al
menos un artículo científico relacionado con la temática en estudio. Esta
diversidad geográfica refleja el carácter global del interés por el tema. L=
a figura 4 muestra los 15 de mayor productividad.
Producción cientí=
fica
por países
=
Fuente: elaboración propia en R-Studio.
Se observa como Asia domina la producción científica,=
con
China (95 artículos), Indonesia (55 artículos), India (15 artículos), y Jap=
ón
(10 artículos) como los principales contribuyentes. Esto refleja el crecien=
te
interés en abordar las dinámicas del turismo en una región que experimenta =
un
auge en visitantes internacionales. América del Norte por su parte, está
representada por Estados Unidos (12 artículos) y Canadá (5 artículos), aunq=
ue
con menor participación en comparación con Asia. Europa tiene contribuciones
significativas pero limitadas, lideradas por Alemania (8 artículos) y Sueci=
a (5
artículos). En Sudamérica, Argentina aparece con 7 artículos, destacando co=
mo
el principal país productor en esta región.
El liderazgo de China sugiere una fuerte inversión en
investigación y tecnología para optimizar el turismo. La disparidad entre
continentes evidencia que algunos países con un turismo relevante no están
priorizando esta área de investigación, lo que podría limitar sus capacidad=
es
para innovar o adaptarse a cambios globales.
En relación con las afiliaciones institucionales, la =
figura 5 muestra que la King Abdullah University
of Science and Technology encabeza la lista con 19 artículos, seguid=
a por
la Sichuan University con 14 y la Beijing Technology and Business Universi=
ty
con 11. Otras instituciones destacadas son la Hefei Un=
iversity
of Technology con 10
artículos, así como la University of
Leeds y la University of
Extremadura, ambas con 9 artículos. Además, el Centro de Investigación Esqu=
el
de Montaña y Estepa Patagónica (CIEMEP) y el Joint
Centre for Global Change S=
tudies
han publicado 8 artículos cada uno.
Afiliaciones más relevantes
=
Fuente: elaboración propia en Microsoft Excel.
Este análisis destaca la importante contribución de e=
stas
instituciones en la predicción de la demanda turística, subrayando su lider=
azgo
y la relevancia de sus investigaciones. La cantidad de artículos que han
producido también refleja su compromiso y capacidad para enfrentar los desa=
fíos
relacionados con esta área, empleando diversas metodologías y enfoques
innovadores.
Sobre este tipo de estudios existe a nivel internacio=
nal,
una amplia red de colaboración entre autores y afiliaciones de diferentes
naciones, como muestra la figura 6. Se desta=
ca
una alta concentración de instituciones chinas, como Sichuan University y Tsinghua
Por otro lado, los autores más frecuentes, como Chen =
Y,
Li Y y Wang X, son representativos de la alta
productividad en China, pero también revelan posibles sesgos en los datos
debido a la repetición de apellidos comunes. Esto puede complicar la
identificación de contribuciones individuales en un análisis superficial. La
diversidad de instituciones de múltiples países destaca que esta temática e=
s de
interés global, aunque la desigualdad en las contribuciones sugiere que las
capacidades de investigación están concentradas en regiones específicas. Es=
te
panorama resalta la necesidad de fomentar colaboraciones internacionales pa=
ra
equilibrar las contribuciones y enriquecer el intercambio académico en el c=
ampo
del turismo.
Relación entre
Autores, Países e Instituciones destacadas
Fuente: elaboración propia en R-Studio.
El análisis temático de las relaciones entre las pala=
bras
clave más significativas en la literatura empleó 20 términos distintos, los
cuales fueron organizados en clústeres, como se muestra en la figura =
7.
Relaciones entre =
los
términos más relevantes en la literatura
Fuente: elaboración propia en VOSviewer=
.
La investigación sobre modelos de predicción de la
demanda turística se centra en tres áreas clave: el uso de tecnologías
avanzadas como redes neuronales (clúster rojo), la integración de enfoques
sostenibles (clúster verde) y el análisis del impacto de eventos globales c=
omo
el COVID-19 y el cambio climático (clúster azul). Los clústeres con mayor
centralidad, como los relacionados con la pandemia y la sostenibilidad, act=
úan
como puntos de conexión entre líneas de investigación, evidenciando su rele=
vancia
en el campo.
La figura 8 ilustra la
evolución temática de las investigaciones realizadas entre 2014 y 2024,
revelando cómo han cambiado los focos de interés dentro del campo a lo largo
del tiempo. Este análisis permite identificar tendencias emergentes, temas
consolidados y posibles áreas de declive o saturación investigativa.
Evolución temátic=
a de
las investigaciones en el tiempo
Fuente: elaboración propia en R-Studio.
Conceptos como "turismo", "análisis de
sentimientos" y "turismo inteligente" se mantienen relevante=
s,
destacando su importancia continua. Un cambio notable es la inclusión de
"COVID-19" en el periodo 2023-2024, lo que sugiere que la pandemi=
a ha
influido en la investigación, reflejando nuevas dinámicas en el sector. Ade=
más,
hay un aumento en términos relacionados con la innovación tecnológica, como
"inteligencia artificial", "red neuronal" y "apren=
dizaje
profundo", indicando una tendencia hacia métodos avanzados para el
análisis de datos y pronósticos. La temática del "cambio climático&quo=
t;
sigue siendo crucial, junto con el surgimiento del "ecoturismo",
subrayando el interés por la sostenibilidad.
En general, la evolución revela un cambio hacia
metodologías más sofisticadas en el pronóstico de la demanda, evidenciando =
cómo
las circunstancias globales y el enfoque en la responsabilidad ambiental es=
tán
transformando la investigación turística.
=
3.2.
Evolución e importancia de los modelos de predicción de la demanda turístic=
a
En la actualidad, la economía social está experimenta=
ndo
un crecimiento acelerado, y el papel del turismo en la vida económica está =
en
aumento. Surge una necesidad urgente de realizar una investigación más
exhaustiva sobre la proyección del volumen turístico. Tras revisar la
literatura pertinente, se ha observado que las investigaciones internaciona=
les
sobre la previsión del volumen turístico se pueden clasificar en tres etapas
principales: el estudio de modelos econométricos tradicionales, la investig=
ación
de modelos de inteligencia artificial y el análisis de modelos híbridos, si=
endo
estos últimos los que ofrecen pronósticos más precisos (Yu & Chen, 2022).
El primer modelo econométrico tradicional se presenta=
en
forma de series temporales. Este enfoque, utilizado a largo plazo, tiene una
estructura bastante desarrollada y se enfoca en las características y
parámetros variables de los datos del modelo, los cuales están influenciados
por las tendencias y cambios de las series temporales. A través del análisis
del modelo econométrico, se evalúa la variación de la serie temporal objeti=
vo.
Se puede observar que el modelo de series temporales se basa únicamente en =
datos
históricos de la variable que se quiere predecir, lo que facilita la
recopilación de datos y reduce significativamente los costos de implementac=
ión;
sin embargo, esto puede resultar en cierta desviación en los resultados de =
la
predicción (Abdou et al., 2021).
A lo largo de la historia, los modelos de series
temporales han sido empleados para anticipar el volumen de turismo y han ga=
nado
popularidad en diversas áreas. Uno de los más conocidos es el modelo auto
regresivo de media móvil integrado, que fue propuesto por (Shen et al. (2017) en 1970. Posteriormente, en el año 2000, se produjo =
un
significativo avance en la aplicación de modelos de series temporales, con =
la
creación de modelos ARIMA simples y modelos SARIMA, que fueron ampliamente
reconocidos y adoptados por la comunidad académica. Dado que las mediciones=
del
turismo están fuertemente influenciadas por la estacionalidad, estos modelos
son capaces de captar esta característica de manera efectiva, lo que permite
mejorar la precisión en las predicciones.
Además, Aladag et al. (2012), llevó a cabo un análisis comparativo de las diferen=
cias
en las proyecciones entre modelos econométricos, enfocándose en el mercado
turístico de la India a partir de los resultados obtenidos por el modelo
X-12-ARIMA y el modelo ARFIMA. Además, se mencionó que el modelo econométri=
co
tradicional es un enfoque característico y uno de los métodos de pronóstico=
más
consolidados. Este modelo se basa fundamentalmente en estadísticas e incorp=
ora
conocimientos de diversas disciplinas. A través de un modelo matemático, se
integran parámetros reales para crear una configuración aleatoria, y
posteriormente, se examina la relación entre variables y los factores que
influyen en ellas mediante la aplicación del modelo (Fernández et al., 2020).
Actualmente, hay diversas metodologías econométricas
utilizadas para predecir el volumen turístico. Entre ellas destacan el mode=
lo
autorregresivo vectorial (VAR), el modelo autorregresivo de rezagos
distribuidos (ADLM), el modelo de corrección de errores (ECM) y el modelo de
parámetros variables en el tiempo (TVP), todos los cuales han demostrado ser
efectivos en su aplicación.
Gunter y Önder (2015), utilizó el método VAR para predecir con éxito la
cantidad de turistas en destinos populares de una región específica de Fran=
cia
durante los últimos años. Posteriormente, se realizaron comparaciones con l=
as
características de distintos países mediante un análisis. En este proceso, =
se
concluyó que uno de los países se perfila como el mercado más grande de car=
a al
futuro. A continuación, se llevó a cabo una comparación con el estado actual
para validar esta conclusión, y se resumieron los hallazgos que indican que=
el
modelo VAR es capaz de prever eficazmente el volumen turístico a mediano y
largo plazo. Además, mediante un extenso análisis práctico, se determinó que
los modelos VAR pueden ser construidos de manera más sencilla, ya que se
fundamentan principalmente en análisis teóricos.
A finales del siglo pasado, se introdujo el concepto =
de
red neuronal artificial (RNA) en el modelo de predicción del volumen turíst=
ico,
lo que hizo que la investigación se desarrollara enormemente. En este senti=
do, Palmer et al. (2006), resume el modelo de redes neuronales artificiales
(ANN) para la predicción del volum=
en
turístico y propone una conclusión que es superior al modelo tradicional a
través del análisis. Según Law (2000), las ANN ofrecen importantes ventajas en esta área.
Comparado con enfoques como el modelo tradicional de N=
aivel,
el método de suavizamiento exponencial (ES) y la regresión múltiple, el mod=
elo
ANN cuenta con características que permiten obtener resultados predictivos =
más
precisos.
En este sentido Rivera (2016), realizó un análisis de errores sobre la base existe=
nte
y se optimizó el modelo de predicción, lo que permitió analizar de manera
efectiva el volumen de turismo emisivo británico. A medida que los métodos =
de
investigación continúan avanzando, la comunidad académica ha comenzado a
reconocer que, debido a los problemas asociados con las series temporales, =
los
modelos de predicción previos frecuentemente no alcanzan los resultados
deseados. Por esta razón, se han introducido modelos de inteligencia artifi=
cial
a través de numerosas innovaciones, lo que ha llevado a un notable desarrol=
lo
de la tecnología basada en inteligencia artificial (Wang y Srinivasan, 2017).
Según Alcántara-Moreno et al. (2023), se optimizó un modelo basado en redes neuronales
artificiales que compara diferentes modelos de predicción tras realizar un
resumen, extrayendo múltiples reglas y condensando el modelo de predicción a
partir de percepciones multicapa. A medida que avanza la investigación sobr=
e la
previsión del volumen turístico, se ha observado una mejora constante en la
precisión de las estimaciones utilizando distintos modelos. Sin embargo, la
falta de transparencia en estos modelos dificulta que los usuarios comprend=
an
su funcionamiento, lo que afecta la confianza que pueden tener en ellos.
Existen diversos modelos de aprendizaje automático
utilizados en la predicción de series temporales, y las redes neuronales
profundas (DNN) han mostrado un rendimiento superior en este campo respecto=
a
las tradicionales. Gracias a su capacidad para entrenar múltiples capas
ocultas, el aprendizaje profundo permite extraer características directamen=
te
de los datos sin procesar, lo que mejora su eficacia en predicciones (Asán et al., 2022).
Los modelos de predicción de la demanda turística son
esenciales para la planificación y gestión de recursos en este sector, clave
para el desarrollo económico regional. Estos modelos ayudan a anticipar cam=
bios
en la demanda, optimizar infraestructura, servicios y marketing, y ajustar =
la
oferta a las necesidades del mercado. La precisión en las predicciones mejo=
ra
la eficiencia operativa, maximiza beneficios y garantiza una experiencia
satisfactoria para los visitantes en un entorno cada vez más competitivo (<=
span
class=3DSpellE>Llupart y Rodríguez, 2022). Según Fernández et al. (2019), la predicción de la demanda genera beneficios
significativos, tanto para las organizaciones que la implementan como para =
sus
clientes y otros actores involucrados, como son:
·&nb=
sp;
=
La
predicción precisa de la demanda turística es clave para maximizar los ingr=
esos
y optimizar los recursos del sector.
·&nb=
sp;
=
Permite
una mejor distribución de personal, inventarios y servicios en temporadas a=
ltas
y bajas.
·&nb=
sp;
=
Evita
el exceso de oferta en periodos de baja demanda, minimizando gastos operati=
vos
innecesarios.
·&nb=
sp;
=
Los
datos permiten a los empresarios anticiparse a las tendencias y adaptar sus
estrategias de marketing y precios.
·&nb=
sp;
=
Garantiza
que la oferta turística esté alineada con las expectativas y necesidades de=
los
visitantes, mejorando su experiencia.
·&nb=
sp;
=
Las
empresas que predicen con precisión la demanda pueden responder rápidamente=
a
cambios en el mercado, ganando ventaja sobre sus competidores.
=
3.3.
Actualidad y tendencias en la predicción de la demanda en el turismo=
La implementación de enfoques de descomposición en
modelos de predicción ha mostrado mejorar la precisión en la estimación de =
la
demanda turística, al considerar múltiples factores que afectan el
comportamiento de los viajeros. Además, la implementación de la inteligencia
artificial y el análisis de grandes volúmenes de datos permiten identificar
patrones complejos y mejorar la precisión de las predicciones, optimizando =
la
toma de decisiones en el sector turístico (Xie et al., 2020).
Según Contreras y Guerrero (2024), la creciente conciencia ambiental ha tenido un impa=
cto
significativo en la forma en que los destinos turísticos operan y se
desarrollan. Esta transformación se manifiesta en la adopción de prácticas
sostenibles que buscan mitigar el impacto negativo del turismo sobre el med=
io
ambiente. En este contexto, la predicción de la demanda turística ha
evolucionado para integrar una variedad de factores relacionados con la
sostenibilidad.
La integración de soluciones tecnológicas en el sector
turístico permite ofrecer experiencias más personalizadas y adaptadas a las
preferencias individuales de los viajeros. Esto incluye la implementación de
tecnologías financieras que facilitan transacciones más seguras y eficiente=
s,
mejorando la satisfacción del cliente y, en consecuencia, influyendo en la
demanda turística. La combinación de técnicas de descomposición de series
temporales con modelos de aprendizaje automático ha demostrado mejorar la p=
recisión
en las predicciones de la demanda turística. Por ejemplo, Zhang et al. (2020), proponen un enfoque de descomposición en conjunto p=
ara
pronosticar la demanda turística en países asiáticos, obteniendo resultados
superiores en comparación con modelos tradicionales.
Los modelos auto regresivos integrados de medias móvi=
les
(ARIMA) y sus variantes estacionales (SARIMA) se utilizan ampliamente para
pronosticar la demanda turística a corto plazo. Estos modelos capturan patr=
ones
estacionales y tendencias en los datos históricos, proporcionando estimacio=
nes
precisas para la planificación operativa (Rodriguez-Marin, 2024). Incorporar variables mercadológicas, como campañas
publicitarias, eventos especiales y cambios en las preferencias de los
consumidores, en los modelos de predicción permite capturar mejor las
fluctuaciones en la demanda turística. Esta práctica mejora la capacidad de
respuesta de las estrategias de marketing y gestión de destinos.
Una de las prácticas más efectivas en la predicción d=
e la
demanda turística es el uso de modelos de series temporales, como el
modelo Box-Jenkins y el método Holt-Winters. Es=
tos
enfoques han demostrado ser particularmente útiles para capturar la
estacionalidad inherente a la demanda turística. Un estudio sobre el turism=
o en
Andalucía, se compararon diferentes metodologías predictivas y se encontró =
que
el método Holt-Winters ofrecía resultados super=
iores
en términos de capacidad predictiva (Sánchez y Sánchez, 2021). Esta evidencia sugiere que, al seleccionar un modelo
adecuado, se pueden mejorar significativamente las proyecciones y facilitar=
una
planificación más efectiva.
Analizar y evaluar críticamente los modelos de predic=
ción
empleados en el sector turístico no solo facilita la identificación de sus
fortalezas y debilidades, sino que también se convierte en un proceso esenc=
ial
para la mejora continua de las metodologías utilizadas. Esta práctica impli=
ca
un examen exhaustivo de los diferentes enfoques y técnicas de predicción, lo
que permite a las organizaciones comprender mejor qué aspectos funcionan
eficazmente y cuáles requieren ajustes o revisiones.
Al hacerlo, se pueden adaptar los modelos a las
cambiantes dinámicas del mercado turístico, que están influenciadas por
factores como las tendencias de viaje, las condiciones económicas y las
preferencias de los consumidores. Además, este análisis crítico contribuye a
mejorar la precisión en las estimaciones de demanda, lo que resulta en una
planificación más efectiva y en una toma de decisiones más informada (Fernández et al., 2019).
Aunque las técnicas para prever la demanda turística
ofrecen ventajas, también enfrentan desafíos que pueden afectar su precisió=
n,
como la incertidumbre económica y geopolítica. Factores como la inflación, =
los
altos tipos de interés y las tensiones internacionales influyen en las
decisiones de los viajeros, complicando las previsiones. Según un informe de
KPMG, aunque se espera un crecimiento en el sector, la confianza del consum=
idor
sigue siendo baja, lo que podría impactar negativamente en la demanda turís=
tica
(Gómez y Rodríguez, 2018).
Además, la variabilidad estacional y los
cambios en las preferencias de los turistas presentan otro reto significati=
vo.
La demanda turística puede fluctuar drásticamente según la temporada, lo que
dificulta la creación de modelos predictivos precisos. Según un estudio
sistemático sobre la demanda turística, se observa que las fluctuaciones
estacionales pueden provocar caídas importantes en temporada baja y aumentos
significativos en temporada alta, lo que requiere modelos predictivos que c=
onsideren
estas dinámicas (Menchenko y Javed, 2024). La capacidad para adaptarse a estas variaciones es
esencial para garantizar una gestión eficaz y maximizar los ingresos durante
los picos de demanda.
Otro desafío importante es la escasez de datos
confiables y actualizados. La falta de información precisa sobre el
comportamiento del consumidor y las tendencias emergentes puede limitar la
capacidad de los modelos predictivos para ofrecer resultados precisos. La
digitalización ha mejorado el acceso a datos, pero aún existe una brecha en=
la
calidad y disponibilidad de información que puede ser utilizada para anális=
is
predictivos efectivos. Wu et al. (2017), en su estudio sobre el uso de datos de motores de
búsqueda para predecir la demanda turística indica que integrar múltiples
fuentes de datos puede mejorar significativamente la precisión de las
predicciones. Sin datos sólidos, las proyecciones pueden ser inexactas, lo =
que
compromete la planificación a largo plazo.
Finalmente, Fernández et al. (2023) en su estudio destaca que es crucial abordar
la interpretabilidad de los modelos utilizados en la predicción d=
e la
demanda. A medida que se implementan técnicas más complejas como el aprendi=
zaje
automático y las redes neuronales profundas, surge el problema de que estos
modelos pueden ser difíciles de entender para los usuarios finales. Esto pu=
ede
generar desconfianza en los resultados obtenidos. La transparencia y la
interpretabilidad de estos modelos es esencial para ganar la confianza del
consumidor y optimizar su aplicación en el sector turístico.
4.
Conclusiones
·&nb=
sp;
=
El
estudio proporciona una visión actualizada de la producción científica sobre
los modelos de predicción de la demanda turística entre 2014 a 2024, destac=
ando
su relevancia para la planificación estratégica en el sector. Los resultados
evidencian la notable producción en la región asiática, liderada por China,=
lo
que muestra que una adecuada previsión de la demanda puede impulsar un
desarrollo sostenible en esta actividad.
·&nb=
sp;
=
La
previsión turística permite a las empresas y destinos anticipar patrones de
demanda potencial. Al analizar
datos históricos=
, tendencias
del mercado y factores=
externos,
como condiciones económicas y restricciones de viaje, se pueden obtener
predicciones exactas mediante modelos predictivos.
·&nb=
sp;
=
La
predicción de la demanda turística ha demostrado ser una herramienta integr=
al
para la gestión eficiente del sector, impulsando el desarrollo económico y
mejorando la experiencia del turista. Los avances en modelos predictivos, c=
omo
redes neuronales y modelos híbridos, han aumentado la precisión de las
estimaciones. Esto permite anticipar la demanda y optimizar la asignación de
recursos.
5.
Conflicto de
intereses
Los
autores declaran que no existe conflicto de intereses en relación con el
artículo presentado.
6.
Declaración de
contribución de los autores
Todos
autores contribuyeron significativamente en la elaboración del artículo.
7.
Costos de financiamiento
La
presente investigación fue financiada en su totalidad con fondos propios de=
los
autores.
8.
Referencias
bibliográficas
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 neur= al network. American Journal of Intelligent Syste= ms, 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 predi=
ctivos
para la demanda turística<=
/span> en el Perú. Conferencia
Asán Caballero, L., Rojas Del= gado, 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=3Dsc= i_arttext&pid=3DS2227-18992022000400084
Colther, C., & Arriagada-Millaman, A. (2021). P=
ronóstico
de la demanda turística de
Chile basado en
Contreras= , F. C., & Guerrero, J. C. O. (2024). Beneficios= de la implementación de la intel= igencia artificial en la administr= ación de empresas: Una revisión<= /span> 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
Fernández López, R., Alfonso Porraspita, D., Vilalta Alon= so, 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=3Dsc= i_abstract&pid=3DS2310-340X2022000100007
Fernández López, R., Díaz González, L. R., Alfonso Alemán, J. C., & Barrio Padrón= , O. (2020). Modelo de predicci= ón 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=3Dsc= i_abstract&pid=3DS2310-340X2020000300538
Fernández López, R., Vilalta Alonso, J. A., & Quintero Silverio, A. (2019). Una <= span class=3DSpellE>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). Mo=
delos
de pronósticos de la deman=
da
turística: Una revisión de los estudios actuales.
Revista<=
/span> de Métodos Cuantitativos
para la Economía y la Empresa, 36
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/v44n1/1815-593= 6-rii-44-01-110.pdf
Gómez Nie=
ves,
S., & Rodríguez Bocanegra, K. M. (2018). Problemas=
y desafíos para la determi=
nación
de la demanda turística en México. Investigaciones Turísticas, (16)
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.2014.06.0= 17
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., & Rodr= íguez, M. de los A. M. (2022). Re= flexiones teóricas sobre la <= span class=3DSpellE>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 temporale= s para un modelo de predicci= ón. Revista<= /span> Científica Visión de Futuro, 25(1), 107–132. https://www.redalyc.org/journal/3579/357965= 431004/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-M= arino, C., Millaman, A. A., Astorga, A. M., & Mari= no, C. C. (2020). Modelamiento y = pronóstico de la demanda turística a nivel regional en Chile: = Un análisis con modelos SARI= MA. Revista Turismo: Estudos e Práticas (RTEP/UERN), 9(1), 1–12. http://natal.uern.br/periodicos/index.php/R= TEP/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.
Palmer, A= ., Montaño, J. J., & Sesé, A. (2006). Designin= g an artificial neural network for forecasting tourism time series. <= span lang=3DEN-US style=3D'mso-fareast-font-family:"DengXian Light";mso-fareast-= theme-font: major-fareast'>Tourism Management, 27(5), 78= 1–790. <= span style=3D'mso-fareast-font-family:"DengXian Light";mso-fareast-theme-font:ma= jor-fareast; color:windowtext'>https://doi.org/10.1016/j.tourman.2005.05.006<= /span>
Pérez Ric=
ardo,
E. del C., Bastida Sánchez, E., Coronado Provance, K. Z., Medina Labrada, J.
R., & Feria Velázquez, F. F. (2023). Predicción
del comportamiento del con=
sumidor
en destinos turísticos. Investigaciones Turísticas, (26)
Rivera, R. (2016). A dynamic linear model to forecast hotel registrations in Puerto Ri= co using Google Trends data. Tourism Management, = 57, 12–20. https://doi.org/10.1016/j.tourman.2016.04.0= 08
Rodríguez= -Marín, M. (2024). Predicción del = ingreso de divisas por turismo int= ernacional 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. <=
/span>Cuadernos de Turismo, (48), 183–208. https://doi.org/10.6018/turismo.492731<=
/p>
Shen, H.,=
Wang,
Q., Ye, C., & Liu, J. S. (2017). The evolution of holiday system in Chi=
na
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 dema=
nd
modeling and forecasting. International Journa=
l 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.2020.10289=
1 Yu, N., &=
amp;
Chen, J. (2022). Design of machine learning algorithm for tourism demand
prediction. Computational and Mathematical Method=
s 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 countri=
es. arXiv Preprint, arXiv:2002.09201. =
htt=
ps://arxiv.org/pdf/2002.09201 El artículo que se publica es de exclusiva
responsabilidad de los autores y no necesariamente reflejan el pensamiento =
de
la Revista Ciencia & Turismo.<=
o:p> El artículo queda en propiedad de la revista=
y,
por tanto, su publicación parcial y/o total en otro medio tiene que ser
autorizado por el director de la R=
evista
Ciencia & Turismo.