Prediciendo la llegada de turistas a Colombia a partir de los criterios de Google Trends
DOI:
https://doi.org/10.17533/udea.le.n95a343462Palabras clave:
demanda de turismo, Google Trend, proyecciones, mixed data sampling, llegada de turistasResumen
Este artículo examina si los criterios de búsqueda de Google Trends son útiles para predecir la llegada mensual de turistas a Colombia. Para este fin, se compara un modelo base que utiliza como predictor los rezagos propios de la llegada de turistas con dos especificaciones alternativas: (i) el modelo base aumentado con la inclusión de datos mensuales de Google Trends; y (ii) el modelo base, pero modificado con la inclusión de datos semanales de Google Trends. Los resultados obtenidos presentan evidencia estadísticamente significativa de que los datos de Google Trends aportan beneficios a la evaluación y predicción de llegadas de turistas a Colombia. En particular, se encuentra que datos de alta frecuencia (semanales) agregan alto valor predictivo en comparación con los modelos que usan datos de la misma frecuencia (mensuales). De este modo, la industria del turismo y los encargados de la política pública de turismo pueden apoyarse de la capacidad predictiva de los datos de Google Trends para mejorar sus procesos de planeación en el corto y mediano plazo.
Descargas
Citas
Adnan Hye, Q. M., & Ali Khan, R. E. (2013). Tourism-Led Growth Hypothesis: A Case Study of Pakistan. Asia Pacific Journal of Tourism Research, 18(4), 303–313. https://doi.org/10.1080/10941665.2012.658412
Almon, S. (1965). The Distributed Lag Between Capital Appropriations and Expenditures. Econometrica, 33(1), 178-196. https://doi.org/10.2307/1911894
Andreou, E., Ghysels, E., & Kourtellos, A. (2010). Regression models with mixed sampling frequencies. Journal of Econometrics, 158(2), 246–261. https://doi.org/10.1016/j.jeconom.2010.01.004
Armstrong, J. S., & Collopy, F. (1993). Error measures for generalizing about forecasting methods: Empirical comparisons. Long Range Planning, 26(1), 150. https://doi.org/10.1016/0024-6301(93)90280-s
Askitas, N., & Zimmermann, K. F. (2009). Google Econometrics and Unemployment Forecasting. Applied Economics Quarterly, 55(2), 107–120. https://doi.org/10.3790/aeq.55.2.107
Bangwayo-Skeete, P. F., & Skeete, R. W. (2015). Can Google data improve the forecasting performance of tourist arrivals? Mixed-data sampling approach. Tourism Management, 46, 454–464. https://doi.org/10.1016/j.tourman.2014.07.014
Carrière-Swallow, Y., & Labbé, F. (2013). Nowcasting with Google Trends in an Emerging Market. Journal of Forecasting, 32(4), 289–298. https://doi.org/10.1002/for.1252
Choi, H., & Varian, H. (2012). Predicting the Present with Google Trends. Economic Record, 88 (1), 2–9. https://doi.org/10.1111/j.1475-4932.2012.00809.x
Claveria, O., & Torra, S. (2014). Forecasting tourism demand to Catalonia: Neural networks vs. time series models. Economic Modelling, 36, 220–228. https://doi.org/10.1016/j.econmod.2013.09.024
Cleveland, R., Cleveland, W., McRae, J., & Terpening, I. (1990). STL: A Seasonal- Trend Decomposition Procedure Based on Loess. Journal of Official Statistics, 6(1), 3-73. https://www.wessa.net/download/stl.pdf
Croes, R., & Rivera, M. (2018). Tourism and poverty alleviation: a reply to Sharpley. Journal of Policy Research in Tourism, Leisure and Events, 11(1), 170–178. https://doi.org/10.1080/19407963.2018.1482702
Croes, R., & Vanegas, M. (2008). Cointegration and Causality between Tourism and Poverty Reduction. Journal of Travel Research, 47(1), 94–103. https://doi.org/10.1177/0047287507312429
Departamento Nacional de Estadísticas (DANE). (2020). Estadísticas por tema. https://www.dane.gov.co/index.php/estadisticas-por-tema
Diebold, F. X., & Mariano, R. S. (1995). Comparing Predictive Accuracy. Journal of Business & Economic Statistics, 13(3), 253-263. https://doi.org/10.2307/1392185
Fildes, R. (2008). Forecasting. Strategic Direction, 24(5). https://doi.org/10.1108/sd.2008.05624ead.005
Ghysels, E., Kvedaras, V., & Zemlys-Balevičius, V. (2020). Chapter 4 - Mixed data sampling (MIDAS) regression models. En Hrishikesh D., & Vinod, C.R. Rao (eds.), Handbook of Statistics (Vol. 42, pp. 117–153). https://doi.org/10.1016/bs.host.2019.01.005
Ghysels, E., & Marcellino, M. (2016). The econometric analysis of mixed frequency data sampling. Journal of Econometrics, 193(2), 291–293. https://doi.org/10.1016/j.jeconom.2016.04.007
Ghysels, E., Santa-Clara, P., & Valkanov, R. (2006). Predicting volatility: getting the most out of return data sampled at different frequencies. Journal of Econometrics, 131(1-2), 59–95. https://doi.org/10.1016/j.jeconom.2005.01.004
Ginsberg, J., Mohebbi, M. H., Patel, R. S., Brammer, L., Smolinski, M. S., & Brilliant, L. (2009). Detecting influenza epidemics using search engine query data. Nature, 457(7232), 1012–1014. https://doi.org/10.1038/nature07634
González, P., & Moral, P. (1995). An analysis of the international tourism demand in Spain. International Journal of Forecasting, 11(2), 233–251. https://doi.org/10.1016/0169-2070(94)00570-3
Guizzardi, A., & Mazzocchi, M. (2010). Tourism demand for Italy and the business cycle. Tourism Management, 31(3), 367–377. https://doi.org/10.1016/j.tourman.2009.03.017
Havranek, T., & Zeynalov, A. (2021). Forecasting tourist arrivals: Google Trends meets mixed-frequency data. Tourism Economics, 27(1). https://doi.org/10.1177/1354816619879584
Kadir, N., & Karim, M. Z. A. (2012). Tourism and Economic Growth in Malaysia: Evidence from Tourist Arrivals from Asean-S Countries. Economic Research-Ekonomska Istraživanja, 25(4), 1089–1100. https://doi.org/10.1080/1331677X.2012.11517550
Katircioglu, S. T. (2009). Revisiting the tourism-led-growth hypothesis for Turkey using the bounds test and Johansen approach for cointegration. Tourism Management, 30(1), 17–20. https://doi.org/10.1016/j.tourman.2008.04.004
Kessy, D., Kiage, O., & Kiprutto, N. (2018). Multiplier effects of tourism in selected areas of Arusha, Tanzania. African Journal of Hospitality, Tourism and Leisure, 7(3), 1-17. https://www.ajhtl.com/uploads/7/1/6/3/7163688/article_17_vol_7__3__2018.pdf
Khoury, M. J., & Ioannidis, J. P. A. (2014). Big data meets public health. Science, 346(6213), 1054–1055. https://doi.org/10.1126/science.aaa2709
Önder, I. (2017). Forecasting tourism demand with Google trends: Accuracy comparison of countries versus cities. International Journal of Tourism Research, 19(6), 648–660. https://doi.org/10.1002/jtr.2137
Önder, I., & Gunter, U. (2016). Forecasting Tourism Demand with Google Trends For a Major European City Destination. Tourism Analysis, 21(2), 203–220. https://doi.org/10.3727/108354216X14559233984773
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
Silva, E., Hassani, H., Madsen, D., & Gee, L. (2019). Googling Fashion: Forecasting Fashion Consumer Behaviour Using Google Trends. Social Sciences, 8(4), 111. https://doi.org/10.3390/socsci8040111
Song, H., Li, G., Witt, S. F., & Athanasopoulos, G. (2011). Forecasting tourist arrivals using time-varying parameter structural time series models. International Journal of Forecasting, 27(3), 855–869. https://doi.org/10.1016/j.ijforecast.2010.06.001
StatCounter. (2020). Search Engine Market Share Worldwide. https://gs.statcounter.com/search-engine-market-share
Trends. (2020). Trends Help. https://support.google.com/trends/?hl=en-GB#topic=6248052
World Tourism Organization (UNWTO). (2019). International Tourism Highlights. https://www.e-unwto.org/doi/pdf/10.18111/9789284421152
Valencia, M., Vanegas, J., Correa, J., & Restrepo, J. (2017). Comparación de pronósticos para la dinámica del turismo en Medellín, Colombia. Lecturas de Economía, 86, 199–230. https://doi.org/10.17533/udea.le.n86a08
Wilson, K., & Brownstein, J. S. (2009). Early detection of disease outbreaks using the Internet. Canadian Medical Association Journal, 180(8), 829–831. https://doi.org/10.1503/cmaj.1090215
World Bank. (2020). International Tourism, Receipts (% of total exports) – Colombia. https://data.worldbank.org/indicator/ST.INT.RCPT.XP.ZS?locations=CO
World Tourism Organization (UNWTO) & United Nations Development Programme (UNDP). (2017), Tourism and the Sustainable Development Goals — Journey to 2030, Highlights. UNWTO. https://doi.org/10.18111/9789284419340
Yang, X., Pan, B., Evans, J. A., & Lv, B. (2015). Forecasting Chinese tourist volume with search engine data. Tourism Management, 46, 386–397. https://doi.org/10.1016/j.tourman.2014.07.019
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Alexander Correa

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Este sitio web, por Universidad de Antioquia, está licenciado bajo una Creative Commons Attribution License.
Los autores que publiquen en esta revista aceptan que conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con una Licencia de Atribución-NoComercial-CompartirIgual de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen su autoría y a la publicación original en esta revista.
Los autores pueden realizar acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del trabajo publicada en la revista (por ejemplo, incluirla en un repositorio institucional o publicarla en un libro) siempre que sea con fines no comerciales y se reconozca de manera clara y explícita que el artículo ha sido originalmente publicado en esta revista.
Se permite y recomienda a los autores publicar sus artículos en Internet (por ejemplo, en páginas institucionales o personales), ya que puede conducir a intercambios provechosos y a una mayor difusión y citación de los trabajos publicados.