Clasificación de las zonas turísticas españolas en función de las características estructurales de la oferta y la demanda. Una aplicación mediante un modelo de clases latentes

Estudios y Perspectivas en Turismo Volumen 21 (2012) pp. 34 – 51 34 CLASIFICACIÓN DE LAS ZONAS TURÍSTICAS ESPAÑOLAS EN FUNCIÓN DE LAS CARACTERÍSTICAS ESTRUCTURALES DE LA OFERTA Y LA DEMANDA Una aplicación mediante un modelo de clases latentes José Manuel Ramírez Hurtado* Universidad Pablo de Olavide - España Jesús Manuel López Bonilla** Universidad de Sevilla - España Resumen: La identificación de los segmentos turísticos por parte de los agentes y de los organismos implicados en el turismo permite una asignación más eficiente de los recursos. El objetivo de este trabajo es hacer una tipificación de las zonas turísticas españolas mediante el uso de un modelo de clases latentes en función de las características estructurales de la oferta y demanda asociadas a ellas. Los resultados muestran la existencia de tres grupos muy diferenciados de zonas turísticas. Se ofrece una clasificación de dichas zonas turísticas. PALABRAS CLAVE: turismo, zona turística, clasificación, segmentación, clases latentes. Abstract: A Classification of Spanish Tourist Zones Based on Structural Characteristics of Supply and Demand. An Application Using a Latent Class Model. Tourist agents and organisms can make an efficient assignation of resources by identifying tourist segments. The goal of this work is to classifying the Spanish tourism zones by means of supply and demand, using a latent class model. Results show the existing of three different groups. A classification of these tourism zones is listed in the paper. KEY WORDS: tourism, tourism zones, classification, segmentation, latent class. INTRODUCCIÓN El éxito de un destino turístico depende de su mayor o menor habilidad para transformar sus atractivos recursos naturales y humanos en recursos turísticos (Ravelo, Moreno, Oreja & Deoula, 2007). Esto determinará en gran medida la capacidad que tiene el destino turístico para atraer a los potenciales clientes y lograr su satisfacción. El entorno turístico en el que se mueven los destinos españoles es complejo y cambiante (Trujillo, López & Alarcón, 2002). La aparición de nuevos destinos, los cambios en la distribución afectados por las nuevas tecnologías, las alianzas estratégicas e integradoras de empresas, etc., hacen que el turismo sea un sistema complejo que goza de una característica muy importante como es la heterogeneidad. De esta forma, alcanzar óptimos niveles de competitividad se convierte en un factor absolutamente estratégico para las zonas turísticas (Alonso, 2010). * Doctor por la Universidad Pablo de Olavide, de Sevilla, España. Departamento de Economía, Métodos Cuantitativos e Historia Económica, Universidad Pablo de Olavide, España. E-mail: [email protected]. ** Doctor por la Universidad de Sevilla, España. Departamento de Administración de Empresas y Comercialización e Investigación de Mercados, Universidad de Sevilla, España. E-mail: [email protected]. J. M. Ramírez Hurtado y J. M. López Bonilla Clasificación de las zonas turísticas españolas 35 El conocimiento de los segmentos de la demanda turística por parte de las empresas y de los organismos públicos trae consigo un uso más eficiente de los recursos ya que se pueden seleccionar aquellos grupos estratégicamente más importantes y determinar las políticas de productos, precio y distribución más adecuadas (Palacio & McCool, 1997). En el mismo sentido, la segmentación de la demanda turística permite la elaboración de planes de acción y marketing apropiados para cada fracción del mercado (Raya & Caparrós, 2008). Así pues, el objetivo de este trabajo es el de clasificar las zonas turísticas españolas en diversos cluster, con el fin de analizar y optimizar la gestión estratégica y comercial de la oferta y demanda de dichas zonas. La literatura económica ha abordado la segmentación del mercado turístico desde diversas perspectivas (Eymann & Ronning, 1997). La gran heterogeneidad de trabajos existentes se debe principalmente a los criterios y técnicas de segmentación empleados (Raya & Caparrós, 2008). Los criterios hacen referencia a las variables que posteriormente son utilizadas para construir los segmentos turísticos (Picón, Varela & Real, 2003). En cuanto a las técnicas de segmentación, hacen alusión a la metodología utilizada para la obtención de los diversos segmentos. La mayoría de estas técnicas persiguen la tipificación de turistas a partir de un conjunto de variables (Fodnees & Murray, 1998; Jurowski & Reich, 2000; McKercher, 2002). En España destacan los trabajos de González (1999); Gutiérrez & Montero (2000); Dávila, Rodríguez & Rodríguez (2002); Roig, Rodríguez & Buitrago (2005); Albadalejo & Morera (2006); González, Sánchez & Sanz (2006); Rodríguez (2006); y Ferreria, Rial & Varela (2010); entre otros, para la identificación de perfiles turísticos. En este estudio se pretende tipificar las zonas turísticas españolas en función de una serie de variables asociadas a la oferta y demanda que presenta cada una de ellas. A diferencia de los anteriores, en este trabajo se emplea como unidad la zona turística en vez del turista. También se utiliza una metodología diferente como es un modelo de clases latentes. La justificación de la realización de esta investigación es la importante repercusión que tiene una adaptación eficiente de la oferta y demanda turística tanto para los agentes implicados en el turismo como para la elaboración de las políticas económicas. El artículo está estructurado en varias partes. A continuación se analiza el concepto de zona turística, diferenciándolo del de destino turístico. Seguidamente se hace una revisión de la importancia de la segmentación en el turismo. Posteriormente, se desarrolla la metodología a utilizar en este estudio, como es el análisis de clases latentes. En el siguiente epígrafe se describe todo lo referente a la obtención de los datos para el análisis. Posteriormente, se estima el modelo y se obtienen los resultados. Finalmente se comentan las conclusiones más importantes. Estudios y Perspectivas en Turismo Volumen 21 (2012) pp. 34 – 51 36 EL CONCEPTO DE ZONA TURÍSTICA El concepto de zona turística ha sido poco utilizado en la investigación sobre el turismo, quizá debido a la complejidad de su definición. Uno de los pocos autores que ha analizado el concepto de zona turística es Esteve Secall (2002: 2). Según este investigador, se entiende por zona turística un territorio, normalmente de carácter supramunicipal, caracterizado por una gran concentración de actividades turísticas (o en el que el turismo es la actividad económica preferente), donde se ofertan diversos productos turísticos, -aunque predomine un tipo de producto concreto-, que integra diferentes destinos turísticos, y que se manifiesta como un conglomerado de tres tipos de agrupamientos de empresas o entidades turísticas: a) de carácter empresarial; b) de carácter territorial; y c) de carácter institucional. La aparición de las zonas turísticas se debe a la evolución expansiva de uno o varios destinos turísticos próximos, o de uno o varios productos turísticos concretos ofertados en un entorno geográfico, asimismo, próxima. En cualquier caso, la oferta de una zona turística debe tener una dimensión relevante, al igual que su demanda (Esteve Secall, 2002). Esto permite diferenciar la zona turística de lo que es un destino turístico. En opinión de Esteve Secall (2002: 3), el destino turístico es un ámbito geográfico inferior en tamaño a la zona, normalmente de carácter municipal, caracterizado por la especialización en un producto turístico, por atender a un segmento turístico determinado o a un tipo de turista atraído por una sola motivación. Por ejemplo, la Alhambra, Lourdes o La Meca, por citar algunos, son visitados al año por un gran número de personas pero tienen un carácter monotemático que los excluye como zona turística. Una vez visto el concepto de zona turística hay que resaltar la importancia que tiene para los diversos agentes que intervienen en la actividad turística alcanzar ventajas competitivas en la zona. Ello va a permitir obtener objetivos por encima de la media del sector, lo cual puede traducirse en rentabilidades financieras, sociales y ambientales superiores, consiguiendo la máxima satisfacción para los turistas (Esteve Secall, 2002). Por tanto, el estudio de las características estructurales de la oferta y de la demanda de las zonas turísticas es un aspecto muy importante a analizar ya que la existencia de diferencias en estas medidas puede provocar una competitividad diferente entre las diversas zonas turísticas. LA SEGMENTACIÓN EN TURISMO Una importante característica del turismo es su heterogeneidad. Esto es debido a la existencia de muchos tipos de zonas turísticas con diferentes ofertas y demandas, y de muchos tipos de turistas con distintos comportamientos relacionados con un amplio abanico de motivaciones (González & Bello, 2002). J. M. Ramírez Hurtado y J. M. López Bonilla Clasificación de las zonas turísticas españolas 37 La segmentación del mercado puede ser definida como un proceso a través del cual la gente (tanto proveedores de turismo como usuarios) con similares necesidades, deseos y características son agrupados de modo que cualquier organización turística puede usar una mayor precisión en servir y comunicarse con dichos grupos. Desde el punto de vista de la oferta y demanda de las zonas turísticas, la segmentación de zonas turísticas puede ser definida como una agrupación de zonas que comparten las mismas características estructurales de oferta y demanda, donde los elementos de cada grupo tienen el mismo potencial de estructura. En este sentido, las zonas turísticas de un mismo grupo compartirán el mismo atractivo para los turistas. De hecho, el territorio o zona turística supone un importante recurso turístico tanto desde el punto de vista político como desde el punto de vista empresarial (Fortunato, 2005). Según Moreira, Nascimento & Segre (2010), en turismo es importante resaltar el potencial de las características locales en detrimento de la hegemonía global valorando las particularidades culturales y regionales. Así pues, tiene sentido clasificar a las zonas turísticas en diversos grupos para evitar un análisis global que puede provocar resultados erróneos. La segmentación del mercado en turismo permite obtener algunas ventajas competitivas. Entre otros factores, esas ventajas son obtenidas porque los efectos de marketing pueden estar dirigidos a un segmento concreto de demanda (Dolnicar, 2007). Asimismo, la segmentación del mercado permite operaciones empresariales más viables. En definitiva, en este trabajo se pretende realizar una segmentación de las zonas turísticas españolas para proporcionar a los agentes implicados una visión efectiva y concreta de las características estructurales de oferta y demanda de dichas zonas, con el fin de llevar a cabo las políticas adecuadas. MODELOS DE CLASES LATENTES Tradicionalmente la clasificación de objetos se ha llevado a cabo mediante el análisis cluster. Un problema importante de esta metodología es la ausencia de un criterio objetivo que guíe a los investigadores en la determinación de un número óptimo de grupos (Kaufman & Rousseeuw, 1990). Por ello, en lo últimos años muchos investigadores han seleccionado el análisis de clases latentes como una metodología alternativa para la clasificación de datos, en virtud de que exige menos criterios arbitrarios para determinar el número de grupos de la población. El análisis de clases latentes (ACL) es una herramienta estadística que permite modelar las relaciones entre las variables observadas, suponiendo que la estructura de relaciones subyacentes es explicada por una variable latente categórica (no observada). Esta metodología clasificatoria se basa en la estimación de probabilidades condicionadas, lo que permite analizar variables medidas en diferentes métricas, especialmente datos categóricos (Magidson & Vermunt, 2001 y 2004). Estudios y Perspectivas en Turismo Volumen 21 (2012) pp. 34 – 51 38 El ACL fue introducido por primera vez por Lazarsfeld (1950) como herramienta para construir una tipología en el análisis de un conjunto de variables dicotómicas. Más tarde, Lazarsfeld & Henry (1968) continuaron con el desarrollo de la técnica. Posteriormente, otros autores han desarrollado esta metodología, entre los que cabe citar a Goodman (1974), McCutcheon (1987), Hagenaars (1990), Andersen (1993), Agresti (2002), Bartholomew, Steele, Moustaki & Galbraith (2002) y Vermunt & Magidson (2002, 2003 y 2005), entre otros. De acuerdo con Bartholomew, Steele, Moustaki & Galbraith (2002), en el análisis de clases latentes se asume que: 9 Cada individuo de una muestra aleatoria pertenece sólo a una de las clases latentes detectadas. 9 La probabilidad de dar una respuesta a un ítem particular es la misma para todos los individuos que se encuentran en la misma clase, pero diferente a la de los individuos que pertenecen a una clase diferente. 9 Dada la pertenencia de un individuo a una clase latente, sus respuestas a cada uno de los ítems son condicionalmente independientes. Supóngase que existe un conjunto de p variables manifiestas 1,..., p X X que se consideran indicadoras de una variable latente Y, y que estas variables conforman un modelo de clases latentes con C clases o categorías. Sea () X x π la densidad conjunta de las variables manifiestas 1 ' ( ,..., ) p X XX=, donde 1 ' ( ,..., ) p x xx= representa un determinado patrón de respuesta, en el cual cada i x toma diferentes valores dependiendo de las categorías de la correspondiente variable manifiesta. Consideremos que cada i X tiene i I categorías, 1,...,ip = , por lo que las variables manifiestas conforman una tabla de contingencia de p-vías con 1 p i i I = ∏ patrones de respuesta. El supuesto fundamental en todo modelo de variables latentes es el principio de Independencia Condicional o Local, el cual establece que dado un valor fijo de la variable latente, las variables manifiestas son mutuamente independientes. Básicamente, este supuesto viene a señalar que toda la asociación observada entre las variables manifiestas está medida o explicada por las variables latentes (Sepúlveda, 2004). Por este principio se tiene que la probabilidad (/)PX xY c== viene dada por: /() /() 1 () ( ) i p XYc X Yc i i x x ππ = =∏ donde /() ( ) ( / ), 1,..., ; 1,..., . i XYc i i i i i x PX x Y c x I c C π ==== = J. M. Ramírez Hurtado y J. M. López Bonilla Clasificación de las zonas turísticas españolas 39 La distribución conjunta de X e Y, denotada por ,(,) XY x c π puede ser obtenida como ,/() (,) () () XY Y X Yc x cc x π ππ =, donde () ( ) YcPYc π = = representa la proporción de individuos que se encuentran en la clase latente c, 1,...,cC=, también conocida como probabilidad a priori. A partir de aquí, el modelo de clases latentes puede ser escrito como: , 1 () (,) C XXY c x xc ππ = =∑ o equivalentemente, /() /() 11 1 () () () () ( ) i p CC XYXYc YXYci cc i x cx c x πππ ππ == = == ∑∑ ∏ donde los parámetros están sujetos a las siguientes restricciones: 1 /() 1 () 1 ( ) 1, 1,..., ; 1,..., i i i C Y c I XYc i x c x ipcC π π = = = == = ∑ ∑ Como se puede observar, el análisis de clases latentes es un modelo paramétrico que utiliza los datos observados para estimar los parámetros del modelo. En este caso, los parámetros del modelo son: a) La probabilidad de cada una de las clases latentes, ( ), 1,..., Ycc C π = . b) Las probabilidades de respuesta condicional de cada una de las variables manifiestas dentro de cada clase latente, /() ( ), 1,..., ; 1,..., ; 1,..., i XYc i i i x ipcCxI π = == . El análisis posterior del modelo de clases latentes está relacionado con lo que se puede decir acerca de los individuos que pertenecen a una clase determinada. Para ello se utiliza la distribución de Y condicionada a X, /() () ( / ) YXx cPYcXx π == = , denominada distribución a posteriori. En la práctica, cada individuo se clasifica en la clase latente en la cual esta probabilidad sea mayor. La estimación de los parámetros en los modelos de clases latentes depende de la escala de medición de las variables observadas, ya que se asumen diferentes distribuciones para las variables nominales, ordinales y continuas. La estimación se hace mediante estimadores de máxima verosimilitud. El más conocido es el denominado algoritmo EM (Goodman, 1974; Hagenaars, 1990). Estudios y Perspectivas en Turismo Volumen 21 (2012) pp. 34 – 51 40 La evaluación del ajuste del modelo se realiza usualmente mediante el criterio de información bayesiana (BIC). Este estadístico pondera según el número de parámetros, la bondad del ajuste obtenido. Como regla para la selección del modelo que mejor se ajusta a los datos, se elige el modelo que presente un menor valor de BIC (Gill, 2002). Hoy día, el desarrollo de software informático con la implementación de importantes algoritmos ha hecho que se haya extendido el uso del análisis de clases latentes. En este estudio se ha utilizado el software Latent Gold 4.5 de la compañía Statistical Innovations (2010). DATOS DEL ESTUDIO Los datos de este trabajo han sido obtenidos de La Encuesta de Ocupación Hotelera, elaborada por el Instituto Nacional de Estadística (INE, 2010). Dicha encuesta sustituye desde enero de 1999 a la antigua Encuesta de Movimiento de Viajeros en Establecimientos Hoteleros (MVEH), ampliando la investigación a la categoría de una estrella y similares puesto que además de suponer más del 50 por ciento del total de establecimientos, representan más del 5 por ciento de entrada de viajeros. En concreto, se utilizan los datos detallados correspondientes al año 2008. Las unidades de análisis son todos los establecimientos hoteleros inscriptos como tales en el correspondiente registro de las Consejerías de Turismo de cada Comunidad Autónoma. Son establecimientos hoteleros aquellos establecimientos que prestan servicios de alojamiento colectivo mediante precio con o sin otros servicios complementarios (hotel, hotel-apartamento o apartahotel, motel, hostal, pensión,...). En este caso se va a utilizar como objeto para definir los conglomerados la zona turística. La zona turística se define como el conjunto de municipios en los que se localiza de forma específica la afluencia turística. Las variables a utilizar en el estudio son aquéllas que están relacionadas con la estructura de la oferta y demanda de las zonas turísticas. En concreto, se han utilizado las siguientes variables: V1: Número medio de establecimientos abiertos al año. V2: Número medio de plazas al año. V3: Grado de ocupación medio al año. V4: Grado de ocupación medio por fines de semana al año. V5: Número medio de personal ocupado por meses. V6: Viajeros entrados al año. V7: Viajeros residentes en España. J. M. Ramírez Hurtado y J. M. López Bonilla Clasificación de las zonas turísticas españolas 41 V8: Viajeros no residentes en España. V9: Primer país con más procedencia. V10: Segundo país con más procedencia. V11: Tercer país con más procedencia. V12: Número de pernoctaciones al año. Las variables V1 a V5 se han obtenido como medias al año dividiendo la suma de los valores mensuales por 12. De esta forma se ha evitado el efecto de la estacionalización. Para todas las variables, salvo V9, V10 y V11, se han definido tres modalidades (bajo, medio y alto), calculado el percentil 25 y el percentil 75, con el objetivo de tener una discriminación acentuada en sus valores. Una definición de las variables que marcan el comportamiento de la oferta y demanda de las zonas turísticas se puede obtener en el Sitio Web del INE. RESULTADOS Una vez ejecutado el procedimiento mediante el software Latent Gold 4.5, se obtuvo en primer lugar el resumen de modelos (Tabla 1). Tabla 1: Resumen de modelos (I) LL BIC(LL) Nº de parámetros L² Grados de libertad p-valor Error Modelo 1 1-Cluster -537,7765 1199,231 34 801,8691 4 3,00E-172 0,0000 Modelo 2 2-Cluster -419,9924 1058,240 60 566,3009 -22 0,0000 0,0003 Modelo 3 3-Cluster -329,1088 971,050 86 384,5336 -48 0,0000 0,0000 Modelo 4 4-Cluster -306,1432 1019,696 112 338,6024 -74 0,0000 0,0001 Modelo 5 5-Cluster -289,8776 1081,7421 138 306,0712 -100 0,0000 0,0007 Fuente: Elaboración propia El estadístico L2 muestra la cantidad de asociación entre las variables que permanece no explicada después de la estimación del modelo. Por tanto, el valor más bajo de este estadístico es el que proporciona un mejor ajuste del modelo a los datos. En este caso se puede observar que el modelo 5 es el que presenta un valor del estadístico L2 más bajo, sin embargo, el número de parámetros a estimar es el más elevado. Un criterio para determinar el número de clusters es mirar el p-valor de cada modelo, bajo el supuesto de que el estadístico L2 sigue una distribución Chi-cuadrado. Para ello se elige aquel modelo cuyo p-valor sea superior a 0,05 y con un menor número de parámetros a estimar. En este caso, todos los p-valores son inferiores a 0,05, por lo que no es conveniente utilizar este criterio. Estudios y Perspectivas en Turismo Volumen 21 (2012) pp. 34 – 51 42 Otra forma para determinar el modelo más adecuado es mirar el criterio de información bayesiana (BIC). Como ya se ha visto anteriormente, se elige aquel modelo que presente un menor BIC. Así pues, utilizando este estadístico, se selecciona el modelo 3, que es el que presenta el valor más bajo, además de que el número de parámetros estimados es mucho menor que en el modelo 5. El programa Latent Gold ofrece una opción alternativa para determinar el modelo, utilizando un procedimiento bootstrap del estadístico L2 para estimar el p-valor. Este procedimiento proporciona una estimación más precisa, relajando el supuesto de que el estadístico L2 sigue una distribución Chicuadrado (Tabla 2). Tabla 2: Ajuste del modelo utilizando el procedimiento bootstrap Estadísticos Chi-cuadrado Bootstrap Grados de libertad -48 p-valor p-valor Error estándar L-cuadrado (L²) 384,5336 0,0000 0,2220 0,0186 X-cuadrado 163890,842 0,0000 Cressie-Read 9664,8863 0,0000 BIC (basado en L²) 559,1377 0,0000 AIC (basado en L²) 480,5336 0,0000 AIC3 (basado en L²) 528,5336 0,0000 CAIC (basado en L²) 607,1377 0,0000 Índice de disimilaridad 0,9799 0,0000 Fuente: Elaboración propia Se puede observar en la Tabla 2 que el p-valor asociado al estadístico L2 vale 0,2220 con un error estándar de 0,0186, por lo que las estimaciones obtenidas con este procedimiento son mucho mejores que las anteriores. Así pues, se selecciona el modelo 3, que presenta 3 clases latentes. Otra información que se puede obtener es la de los parámetros del modelo (Tabla 3). Los parámetros del modelo miden la influencia de cada variable predictora en la definición de cada cluster. Un p-valor inferior a 0,05 nos indica que la hipótesis de que todos los efectos asociados con la variable predictora debe ser rechazada. Se puede observar que en todas las variables predictoras se rechaza la hipótesis nula, salvo en las variables primer país con más viajeros, segundo país con más viajeros y tercer país con más viajeros. La última columna señala el valor del coeficiente R2. Este coeficiente indica la proporción de varianza de cada variable predictora que es explicada por el modelo de 3 clusters. Toda esta información exige el planteamiento de nuevo de la estimación de un modelo sin las tres variables anteriormente señaladas. Si se hace de nuevo una estimación de los parámetros, sin tener en cuenta las tres variables anteriores, se obtienen los resultados que aparecen en la Tabla 4. Se puede observar en este caso que el valor del estadístico L2 ha disminuido con respecto a la primera estimación que se hizo. Sin embargo, al igual que ocurrió con la primera estimación, el p-valor es J. M. Ramírez Hurtado y J. M. López Bonilla Clasificación de las zonas turísticas españolas 49 Dávila, D.; Rodríguez, S. & Rodríguez, A. (2002) “La promoción turística espacial dentro de un destino vacacional homogéneo. Una aplicación a Canarias”. Estudios de Economía Aplicada, 201(1): 45-60 Dolnicar, S. (2007) “Market segmentation in tourism”. In A. Woodside y D. Martin (Eds.), Tourism management, analysis, behaviour and strategy. CABI, Cambridge, pp. 129-150 Esteve Secall, R. (2002) “La competitividad de las zonas turísticas”. Ponencia en la Facultad de CC. EE. y EE. de la Universidad de Málaga, Málaga Eymann, A. & Ronning, G. (1997) “Microeconometric models of tourists’ destination choice”. Regional Science and Urban Economics, 27(6): 735-761 Ferrerira, S. D.; Rial, A. & Varela, J. (2010) “Segmentación post hoc del mercado turístico español. Aplicación del análisis cluster en dos etapas”. Estudios y Perspectivas en Turismo, 19 (5): 592-606 Fodness, D. y Murray, B. (1998) “A typology of tourist information search strategies”. Journal of Travel Research, 37(2): 108-119 Fortunato, N. (2005) “El territorio y sus representaciones como recurso turístico. Valores fundacionales del concepto de parque nacional”. Estudios y Perspectivas en Turismo, 14 (4): 314-348 Gill, J. (2002) “Bayesian methods: A social and behavioral sciences approach”. CRC Press, Boca Raton González, A. (1999) "Estilos de vida y segmentación del turismo”. Actas del Congreso de Turismo, Universidad y Empresa. Benicassim, 1998: Organización administrativa, calidad de servicios y competitividad empresarial, Ed. Tirant lo Blanch, Valencia, pp. 621-636 González, A.; Sánchez, I. y Sanz, S. (2006) “Caracterización del turista de sol y playa: una comparativa con el turista rural y cultural”. Actas del IX Congreso de Turismo, Sol, Playa y Turismo Residencia, Alicante González, A. y Bello, L. (2002) “The costruct lifestyle in market segmentation: The behaviour of tourist consumers”. European Journal of Marketing, 36(1/2): 51-85 Goodman, L. A. (1974) “Exploratory latent structure analysis using both identifiable and unidentifiable models”. Biometrika, 61(2): 215-231 Gutiérrez, T. y Montero, I. (2000) “La emergencia de la cultura en la demanda del producto turístico en los destinos naturales”. Actas del Congreso de Turismo, Universidad y Empresa. Benicassim, 1999: Comercialización de productos, gestión de organizaciones, aeropuertos y protección de la naturaleza. Tirant Lo Blanch, Valencia, pp. 163-180 Hagenaars, J. A. (1990) “Categorical longitudinal data: loglinear analysis of panel, trend and cohort data”. Sage Publications, Newbury Park INE (2010) Instituto Nacional de Estadística. www.ine.es (Acceso el 18 de diciembre de 2010) Jurowski, C. y Reich, A. (2000) “An explanation and illustration of cluster analysis for identifying hospitality market segments”. Journal of Hospitality and Tourism Research, 24(1): 667-691 Kaufman, L. y Rousseeuw, P. J. (1990) “Finding groups in data: an introduction to cluster analysis”. John Wiley and Sons, Inc, New York Estudios y Perspectivas en Turismo Volumen 21 (2012) pp. 34 – 51 50 Lazarsfeld, P. F. (1950) “The logical and mathematical foundation of latent structure analysis and the interpretation and mathematical foundation of latent structure analysis”. En Stouffer, S.A. et al. (eds.), Measurement and prediction. Princeton University Press, pp. 362–472 Lazarsfeld, P. F. y Henry, N. W. (1968) “Latent Structure Analysis”. Houghton Mill, Boston Magidson, J. y Vermunt, J. K. (2001) “Latent class factor and cluster models, bi-plots and related graphical displays”. Sociological Methodology, 31(1): 223–264 Magidson, J. & Vermunt, J. K, (2004) “Latent class models”. En D. Kaplan (ed.), The Sage handbook of quantitative methodology y for the social sciences. Thousand Oakes: Sage Publications, pp. 175-198 McKercher, B. (2002) “Towards a classification of cultural tourists”. International Journal of Tourism Research, 4(1): 29-38 McCutcheon, A. L. (1987) “Latent Class Analysis”. Sage Publications, Newbury Park Moreira, M.; Nascimento, R. & Segre, L. (2010) “¿Cuál es el papel del turismo en el desarrollo local? Un análisis crítico del cluster turístico de Santa Teresa – RJ, Brasil”. Estudios y Perspectivas en Turismo, 19 (5): 812-834 Palacio, V. & McCool, S. F. (1997) “Identifying ecotourists in Belice through benedit segmentation: a preliminary analysis”. Journal of Sustainable Tourism, 5: 234-243 Picón, E.; Varela, J. y Real, E. (2003) “Clasificación y segmentación post-hoc mediante el análisis de conglomerados”. En Levy, J. P. y Varela, J., Análisis multivariable para las ciencias sociales. Pearson Educación, Madrid pp. 417-449 Ravelo, T.; Moreno, M. C.; Oreja, J. R. & Deoula, M. (2007) “Evaluación de la capacidad de atracción de las principales zonas turísticas de Tenerife. Una aplicación del modelo Rasch”. IX Reunión de Economía Mundial, Madrid Raya, P. & Caparrós, A. (2008) “La segmentación de la demanda turística en Andalucía”. En Informe Anual del Turismo en Andalucía 2008. Consejería de Comercio, Turismo y Deporte de la Junta de Andalucía, pp. 383-445 Rodríguez, P. (2006) “La importancia del turismo deportivo en la naturaleza de España”. En Moyano, E. & Moscoso, Y. (dir.): Deporte y desarrollo rural. Instituto Andaluz del Deporte, Málaga, pp. 181-194 Roig, B.; Rodríguez, J. E. & Buitrago, J. M. (2005) “Turismo rural: segmentación del mercado turístico español”. En www.infoagro.com (Acceso el 22 de marzo de 2011) Sepúlveda, R. (2004) “Contribuciones al análisis de clases latentes en presencia de dependencia local”. Tesis Doctoral. Departamento de Estadística Aplicada. Universidad de Salamanca, Salamanca Statistical Innovations Inc. (2010) Latent Gold 4.5 Trujillo, F.; López, P. & Alarcón, P. (2002) “Imagen turística de las Comunidades Autónomas españolas ante una demanda segmentada”. Estudios de Economía Aplicada, 20(3): 627-649 Vermunt, J. K. & Magidson, J. (2002) “Latent class cluster analysis”. En J. Hagenaars & A. McCutcheon (eds.). Applied Latent Class Models. Cambridge University Press, New York, pp. 89-106 Vermunt, J. K. & Magidson, J. (2003) “Addendum to Latent gold user's G guide: Upgrade for Version 3”. Statistical Innovations Inc, Boston J. M. Ramírez Hurtado y J. M. López Bonilla Clasificación de las zonas turísticas españolas 51 Vermunt, J. K. & Magidson, J. (2005) “Technical guide for Latent gold 4.0: Basic and advanced”. Statistical Innovations, Inc, Boston Recibido el 03 de mayo de 2011 Correcciones recibidas el 17 de junio de 2011 Aceptado el 24 de junio de 2011 Arbitrado anónimamente