Análisis espacial de los ingresos obtenidos por alojamientos de turismo rural en Gran Canaria: hacia una nueva propuesta al modelo estandarizado por el SIG

Tecnologías de la Información Geográfica: la Información Geográfica al Servicio de los Ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla 2010 573 Um Flores, E. (2010): Análisis espacial de los ingresos obtenidos por alojamientos de turismo rural en Gran Canaria: hacia una nueva propuesta al modelo estandarizado con el SIG. En: Ojeda, J., Pita, M.F. y Vallejo, I. (Eds.), Tecnologías de la Información Geográfica: La Información Geográfica al servicio de los ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla. Pp. 573-586. ISBN: 978-84-472-1294-1 ANÁLISIS ESPACIAL DE LOS INGRESOS OBTENIDOS POR ALOJAMIENTOS DE TURISMO RURAL EN GRAN CANARIA: HACIA UNA NUEVA PROPUESTA AL MODELO ESTANDARIZADO CON EL SIG Um Flores, Erika Departamento de Métodos Cuantitativos en Economía y Gestión, Universidad de Las Palmas de Gran Canaria. Edificio de Ciencias Económicas y Empresariales, Módulo D, Campus Universitario de Tafira, 35017, Las Palmas de Gran Canaria RESUMEN Este trabajo intenta demostrar la existencia de alguna relación directa entre los ingresos obtenidos por los alojamientos de turismo rural en Gran Canaria y su localización. Para ello se prueba la existencia de autocorrelación espacial para los ingresos y se analizan otros indicadores que comparen sus ingresos con la distancia a otros lugares de relevancia turística como espacios naturales protegidos, playas, etc. Se han analizado distintos modelos de interpolación espacial para intentar simular los ingresos en el área de estudio con el fin de elegir aquel que mejor se adapte a la distribución espacial de esta variable. Estos modelos han sido utilizados para identificar las zonas más prometedoras para esta actividad en Gran Canaria Palabras Clave: Autocorrelación espacial, modelo de interpolación, turismo rural. ABSTRACT This paper attempts to prove the existence of any direct link between income earned by rural tourism accommodation in Gran Canaria and its location. This proves the existence of spatial autocorrelation for income and other indicators are analyzed to compare their incomes with distance from other places of tourist importance as protected natural areas, beaches, etc. We have discussed various models of spatial interpolation to try to simulate revenue in the study area in order to choose one that best suits the spatial distribution of this variable. These models have been used to identify the most promising areas for this activity in Gran Canaria. Keywords: Autocorrelation space model interpolation, rural tourism. 1. INTRODUCCIÓN En la década de los ochenta y noventa, los Sistemas de Información Geográfica (SIG) y los modelos digitales del terreno (MDT), se han aplicado en distintos ámbitos, tales como: el medio ambiente, planeación regional y urbano, así como estudios de vegetación, uso del suelo, exploración de recursos no renovables y en estudios de riesgo geológico. Algunos de los trabajos relacionados con el uso de sistemas de información geográfica y conceptos econométricos, fueron publicados posteriormente por, Cliff y Ord (1981) y Anselin (1988), los cuales se convirtieron Tecnologías de la Información Geográfica: la Información Geográfica al Servicio de los Ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla 2010 574 en la primera base metodológica de análisis econométrico, con la publicación del manual “Spatial Econometrics: Methods and Models”. Con el transcurrir de los años se ha incrementado el estudio y la aplicación de nuevos métodos econométricos, para analizar los efectos espaciales de las variables de estudio. En el sector turístico se está teniendo un avance considerable, tanto en la investigación académica como privada, ya que inciden en la viabilidad de proyectos de desarrollo, en especial en archipiélagos donde la principal actividad económica es el turismo. Una variedad de estudios econométricos han explorado la relación entre los precios de alojamientos y factores de entorno, siendo entre ellos, la accesibilidad al transporte, tiempo empleado, gasto de viaje, entre otros, pudiéndose mencionar los trabajos de: Adair et. al. (2000); Thériault et. al. (2003) y Raymond (2002). En cuanto a características propias del alojamiento, se puede mencionar a: Raymond (2002); Can (1990); Bogdon y Can (1997) y Basu y Thibodeau (1988). El trabajo de Raymond (2002), ultimó que los precios y los factores de ubicación ha tenido una variación y dinámica en el mercado, concordando con varios trabajos en econometría, sobre una función directa de precios de alojamientos por factores de vecindad. Y que estos ingresos son más altos, cuando están comprendidos en la metrópoli (Bogdon y Can, 1997). Los autores Dickey y Higham (2005), manifestaron la importancia de incorporar el análisis espacial a nivel regional y nacional en la industria comercial del ecoturismo. Pearce (1995), también fue uno de los impulsores acerca del turismo y la dimensión espacial-geográfica que debe de tener, para que pueda proporcionar valiosas perspectivas al propio sector. Pero fue el estudio publicado por Mitchell (1979), quien aplicó por primera vez el concepto geográfico al turismo, años más tarde Dickey y Higham (1999) demostraron que el potencial del destino turístico es a base de características específicas del entorno y de elementos biofísicos. En la sección 2 analizamos la base de datos de los ingresos económicos y las interrelaciones que se tiene con los factores externos. La sección 3, presenta la base teórica de los modelos empleados; las pruebas de correlación espacial y las ecuaciones funcionales en la estimación con el método de Kriging. En la sección 4 se presentan los modelos de regresión. En la sección 5 se realiza una evaluación comparativa de la predicción de los errores resultantes de los modelos. La sección 6, lo constituye las conclusiones y aportaciones a futuras investigaciones. 2. EL PROBLEMA Al analizar los ingresos económicos de los alojamientos espacialmente se ha tenido en consideración la evolución del turismo rural, el precio del hospedaje por pernoctación, la autocorrelación espacial y los factores que influyen en su entorno. Para ello se utilizó como muestra los datos procedentes de dos fuentes distintas: la Asociación de Turismo Rural (Acantur) donde se obtuvieron los datos de demanda de turistas por cada alojamiento rural, los precios por reserva y número de noches reservadas, fecha de salida y de entrada. El padrón de casas rurales fue obtenido por el Patronato de Turismo de Gran Canaria, obteniéndose más de 1346 operaciones de reservas ocupadas por turistas en el año 2006. De estas operaciones 304 registros no contaban con el total de los ingresos registrados, pero sí el número de noches, con los cuales se realizó la interpolación de valores. Para ello fue necesario realizar operaciones, mostradas en las siguientes formulas: *· · c Inc i c Ing I ng N noches N noches =∑ TcInc I ng Ing Ing=+ ∑∑ Tecnologías de la Información Geográfica: la Información Geográfica al Servicio de los Ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla 2010 575 Donde Inc I ng es la estimación de los ingresos por noches, · c N noches es el número de noches de registros incompletos, c I ng ∑ es la sumatoria de registros incompletos y T I ng ∑ es la estimación de ingresos totales de cada casa rural. De los cálculos realizados se pudo tener una base de datos completos de 42 casas rurales, de las cuales se descartaron 10 por tener más del 25% de registros incompletos, 2 casas más por tener una diferencia considerable en sus valores de acuerdo al resto, contando como muestra final para este estudio, 30 casas rurales, siendo el número de casas por ayuntamiento como sigue: en Agaete (2), Gáldar (5), Ingenio (1), Moya (4), San Bartolomé de Tirajana (3), San Mateo (1), San Nicolás de Tolentino (3), Santa Lucia de Tirajana (1), Santa Maria de Guía (1), Tejeda (2), Teror (5) y Valleseco (2). Asimismo se obtuvo información sobre la oferta alojativa, entre ellos: capacidad del alojamiento, precio de reserva por persona, categoría de alojamiento, distancia próxima a servicios, número de camas y de noches. A través de la página web de ACANTUR: http://www.ecoturismocanarias.com/grancanaria/es/2casa.asp. La cuales se utilizaron para realizar las pruebas de correlación. Una descripción de éstas variables se muestran en la tabla 1. Tabla 1. Características de las casas rurales pertenecientes a la muestra En cuanto a los factores del entono analizados se puede mencionar el uso del suelo En la figura 1, se muestra cinco tipos de suelos descritos en la leyenda, así como la ubicación de casas rurales estratificadas en cinco rangos de valores. Se observa que no hay indicios de formación de patrones de ubicación de las casas rurales con mayor o menor renta en función del uso del suelo. Pero si existe la mayor densidad de casas rurales ubicadas en suelo de confieras. Figura 1. Turismo rural y su relación con el ordenamiento territorial Ingreso medio por cama € Capacidad mínima Capacidad máxima Precio máximo por noche € Número de noches promedio Ingreso medio por casa rural € Varianza del ingreso medio por casa rural 59 2 12 120 174 13402.00 7733,99 Tecnologías de la Información Geográfica: la Información Geográfica al Servicio de los Ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla 2010 576 De acuerdo al total de ingresos económicos acumulados por ayuntamiento (figura 2), se distinguen San Nicolás de Tolentino, Tejeda y Santa Lucia de Tirajana, como los ayuntamientos con mayores ingresos seguido de los ayuntamientos de Teror, Moya y Gáldar. Asimismo analizando la densidad de las casas rurales por ayuntamiento, se observa que el número de casas rurales no influye directamente en el total de ingresos por ayuntamiento. Es el caso de Teror con más de cinco alojamientos y con un ingreso económico menor que otros ayuntamientos como es el caso de Santa Lucia de Tirajana con sólo dos casas rurales. Figura 2. Turismo rural y renta por municipio En cuanto a la relación de los ingresos económicos del turismo rural versus los parámetros de la oferta de los alojamientos rurales, en la figura 3, se observa que la mayoría de los alojamientos que tienen una capacidad de hasta seis camas con una renta promedio de 20,000 euros, llegando a 32,000 euros en promedio con cinco y ocho camas. Asimismo en la figura 4, se observa una relación directa de ambas variables, a mayor número de noches reservadas mayor el ingreso económico, existiendo más varianza cuando el número de noches es mayor de 250 días. Mientras que de 50 a 100 noches, los ingresos pueden llegar como promedio hasta 7,000 euros. El coeficiente de correlación de las variables en la figura 3 fue de 0,43, mientras que la figura 4 fue 0,79. Por tanto los ingresos económicos tienen una relación más directa con el número de reservas que con su capacidad. Figuras 3 (izq.) y 4 (dcha.). Relación del ingreso económico de las casas rurales con la oferta 0,00 5000,00 10000,00 15000,00 20000,00 25000,00 30000,00 35000,00 0 2 4 6 8 101214 Ingreso vs capacidad 0,00 5000,00 10000,00 15000,00 20000,00 25000,00 30000,00 35000,00 0 50 100 150 200 250 300 350 Ingreso vs numero de noches Tecnologías de la Información Geográfica: la Información Geográfica al Servicio de los Ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla 2010 577 3. AUTOCORRELACIÓN ESPACIAL La dependencia espacial fue definida como el efecto que provoca en la existencia de una relación funcional en un punto determinado del espacio con los lugares cercanos o vecinos (Anselin, 1988). Esta dependencia entre los lugares vecinos se puede probar con varios tests, entre los principales está el test estadístico de Moran I. Se entiende por correlación espacial como la relación funcional que adopta los valores de una variable en una zona con respecto a los valores tomados en zonas vecinas. Se entiende por correlación espacial positiva al fenómeno de asociación de valores similares en zonas cercanas. La autocorrelación será negativa cuando valores altos se encuentran rodeados de valores bajos y viceversa. Test de Moran El test de I de Moran indica el grado de autocorrelación espacial en el conjunto de datos y puede resumir una completa distribución espacial en un solo número. Este test indica la presencia o ausencia de un patrón estable espacialmente para todo el conjunto de datos (Sten, 1995). El índice de Moran se calcula según la siguiente fórmula: 2 ij i j ij ij i ij i Wyy n IWy = ∑∑ ∑∑ ∑ donde , ij yy , son los valores de la muestra, ij W es el elemento de la matriz de pesos espaciales correspondiente al par (, )ij y n es el número de observaciones o tamaño muestral. Si I > 0 es indicativo de autocorrelación espacial positiva, es decir, que es posible encontrar valores parecidos (altos o bajos) agrupados, en mayor medida. Un I <0, es indicativo de autocorrelación espacial negativa, es decir, que se produce una no-agrupación de valores similares (altos o bajos). Este valor se suele mostrar en forma estandarizada, mediante el valor de Z, que se utiliza para contrastar la hipótesis nula de aleatoriedad. Se ha utilizado la extensión Statistical Analyst de ArcGis para realizar los cálculos de autocorrelación espacial de las 30 casas rurales, en las cuales se tuvo un alto índice, lo que indica que se produce una agrupación de casas rurales de ingresos económicos altos con otras casas de ingresos altos, de igual manera con los ingresos bajos. Tabla 2. El valor de Z indica que la probabilidad de que la distribución espacial de los valores sea aleatoria es inferior al 1%. Tabla 2. Test de Moran y la evidencia de autocorrelación espacial Modelo Área Vecinos Moran I Z Nivel de Significación I Toda la isla 30 1,63 3,9 0.01 Método Kriging Para hallar los valores del ingreso económico en donde no se conoce, se realiza la interpolación, que consiste en la construcción de nuevos puntos partiendo del conocimiento de un conjunto discreto de puntos. Uno de los métodos de interpolación es el Kriging, que utiliza la geoestadística para la estimación de puntos. El método de interpolación kriging, es uno del más utilizado y recomendados en la literatura, incorpora el análisis de autocorrelación espacial, así como la obtención de un modelo por medias ponderadas, donde la media aritmética de la variable estimada es cero, y su varianza es mínima. Las medias ponderaciones se obtienen mediante el variograma teórico, ()h γ que es una función matemática que mide la dispersión de una variable cuando sus Tecnologías de la Información Geográfica: la Información Geográfica al Servicio de los Ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla 2010 578 valores se observan en puntos que están separadas a una distancia concreta ()h . Representada en la siguiente formula: ().() () 2 ij x xx x hN γ −− = ∑ donde i x y j x son los valores de una variable de dos puntos del espacio (i y j) que están separados por una distancia h , x es la media aritmética de esa variable y N es el numero de pares. Esta formulación tiene como hipótesis fundamental que las cosas que están más próximas tienden a ser más similares que las que están más lejos (Anselin, 1996). La característica distintiva de kriging es que la dependencia espacial se expresa en función de la distancia que separa dos observaciones, eliminando así la necesidad de una matriz de pesos espaciales (Anselin, 1992). Luego de realizar una serie de pruebas con diferentes métodos de interpolación, se eligió el método Kriging, como el que proporcionaba mejores resultados comparativos. En la tabla 3, se muestran los errores de la estimación. Al igual que en el test, se consideran los 30 alojamientos. Brindando un error medio 1245€, representando el 19% del ingreso máximo en la muestra. Tabla 3. Estimaciones RMSE del método Kriging Modelo Vecinos Error medio € Error cuadrado € Media Estandarizado € Error cuadrado medio estandarizado € % Error medio I 30 -56 1245 -0,03088 1,083 19% Se realizó un mapa de errores, para ver los márgenes de error distribuidos espacialmente. Se observa que los mayores errores aumentan al no existir datos. Siendo menores en el centro y norte de la isla. Ver figura 5. Figura 5. Mapa de Error Tecnologías de la Información Geográfica: la Información Geográfica al Servicio de los Ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla 2010 579 En base al modelo de interpolación elegido (Modelo 0), se realizó el mapa de distribución espacial del ingreso económico. Se identificaron las zonas geográficas que tienen mayor interés en la industria turística, siendo los ayuntamientos del oeste de la isla con mayor rentabilidad: Tejada, San Nicolás de Tolentino y en menor proporción Ingenio. Ver figura 6. Figura 6. Modelo de Interpolación 4. REGRESION MULTIVARIANTE Se han analizado diferentes factores de carácter geográfico con el fin de identificar los factores que pudieran influir sobre los ingresos de las casas rurales. Los atributos se obtuvieron de cuatro mapas temáticos: uso del suelo, parques naturales, servicios turísticos y mapa de comunicaciones. Fueron procesados mediante dos consideraciones: “distancia próxima” e “inclusión”, obteniendo variables de tipo dummy y cuantitativas. De las variables analizadas sólo siete atributos fueron significativos: PLAYATU, PLAYALO, VIA1, VIA2, CC, GOLF y ESPACNAT. En la tabla 4 se describe cada una de estas variables. Cabe señalar que los ingresos por pernoctaciones están promediados por la capacidad máxima de cada alojamiento, lo cual constituye una aportación fundamental para el análisis comparativo con los ingresos por pernoctaciones. En la tabla 5 se presenta una descriptiva de los atributos considerados como influyentes. Tecnologías de la Información Geográfica: la Información Geográfica al Servicio de los Ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla 2010 580 Tabla 4. Descripción de variables Variable Tipo variable Unidades Descripción INGRESO continua Є Ingresos económicos PLAYATU continua Km. Distancia media a playas importantes GOLF continua Km. Distancia media a centros de golf CC continua Km. Distancia media a centros comerciales PLAYALO continua Km. Distancia a playas locales ESPACNAT dummy Km 1 = ubicada en un espacio natural, excepto del parque rural. 0= ubicada en un parque rural 1 = próxima a una vía secundaria 0= no próxima a una vía secundaria VIA1 dummy VIA2 dummy 1 = próxima a una vía local Km 0= no próxima a una vía local Tabla 5. Estadísticas descriptivas Variable Media Mediana Máximo Mínimo Desviación estándar Curtosis INGRESO 2863,85 2541,49 6532,27 958,05 1340,97 0,53 PLAYATU 41,83 42,32 56,22 23,79 8,34 -0,60 GOLF 36,91 36,39 48,51 22,84 7,05 -0,92 CC 36,93 37,04 50,18 22,42 7,28 -0,77 PLAYALO 20,93 25 45 1 11,01 -0,31 ESPACNAT 0,4 0 1 0 0,49 -1,94 VIA1 0,16 0 1 0 0,37 1,65 VIA2 0,5 0,5 1 0 0,50 -2,14 Modelos de regresión Se escogieron tres modelos con mayor nivel de significación global, las cuales se especifican en la sección siguiente: Modelo 1: 01 2 2 2 2 ( )( )(ESPACNAT)(CC)(VIA1)P PLAYALO PLAYATU β ββ β ββε =+ + + + + + Modelo 2: 01 2 3 4 5 6 ( ) ( ) (ESPACNAT) (CC) ( ) (VIA1)P PLAYALO PLAYATU GOLF β ββ β βββε =+ + + + + + + Modelo 3: 01 2 3 4 5 6 6 ( ) ( ) (ESPACNAT) (CC) (VIA1) (GOLF) (VIA2)P PLAYALO PLAYATU β ββ β ββββε =+ + + + + + + + Los parámetros estimados para los distintos modelos se presentan en las Tablas 6 y 7. La estimación de los parámetros asociados a, PLAYALO, PLAYATU, ESPACNAT y CC fueron altamente significativas en todos los modelos e iban mejorando cuando se agregaban nuevas variable. Tecnologías de la Información Geográfica: la Información Geográfica al Servicio de los Ciudadanos. Secretariado de Publicaciones de la Universidad de Sevilla. Sevilla 2010 581 Por otro lado, se puede observar que la presencia de la variable PLAYATU, afectaba al ingreso en rangos 171Є y 177Є, de igual manera la variable PLAYALO con los rangos de 38Є y 46Є. Mostrando que los ingresos disminuyen cuando los alojamientos se alejan de las zonas de baños y playas importantes. Asimismo la estimación del parámetro CC, que también fue fuertemente significativo, se tuvo una relación inversa, indicando que los ingresos aumentan cuando los servicios de ocio de turista (centros comerciales) se encuentran alejados de los alojamientos. En cuanto a los parámetros VIA1 y VIA2 tuvieron coeficientes poco significativos al 95% pero sí al 90%. En cuanto a la variable ESPACNAT, el ingreso disminuía desde 1094Є a 1164 Є si los alojamientos se encuentran en otros espacios naturales que no sean los parques rurales, lo cual es muy razonable, sabiendo que casi el 50% de los alojamientos están dentro de esta categoría de espacio natural. Finalmente, se observó que los ingresos disminuían si los alojamientos se encuentran próximos a las vías secundarias, de manera contraria, si se encuentran en vías locales, dando a entender que los alojamientos rurales están próximos a las vías locales. Tabla 6. Estimación del Modelo 1 Modelo 1: OLS Variable Coeficiente Error Std. t-Estadístico Probabilidad PLAYATU -174.2549 43.28014 -4.026208 0.0005 PLAYALO -38.21397 17.21882 -2.219315 0.0362 ESPACNAT -1094.259 392.4057 -2.788591 0.0102 CC 219.3669 56.41349 3.888554 0.0007 VIA1 -1260.417 548.4647 -2.298082 0.0306 C 3499.817 1171.286 2.988011 0.0064 R2 0.597539 R2 ajustado 0.513693 Suma de residuos2 20987749 Prob(F-estadístico) 0.000327 Tabla 7. Estimación del Modelo 2 Modelo 2: OLS Variable Coeficiente Error Std. t-Estadístico Probabilidad PLAYALO -45.75664 16.77226 -2.728115 0.0120 ESPACNAT -1015.264 373.9898 -2.714683 0.0124 PLAYATU -176.6187 41.02046 -4.305625 0.0003 CC 585.8588 196.8827 2.975674 0.0068 GOLF -377.2227 195.0383 -1.934095 0.0655 VIA1 -1461.501 529.8979 -2.758081 0.0112 C 4147.601 1159.085 3.578340 0.0016 R2 0.653839 R2 ajustado 0.563536 Suma de residuos2 18051802 Prob(F-estadístico) 0.000197