Estudio de la demanda turística interna en España : análisis desagregado por comunidades autónomas

1 Facultad de Ciencias Económicas y Empresariales Grado en Economía Junio 2021 Trabajo de Fin de Grado presentado en la Facultad de Ciencias Económicas y Empresariales de la Universidad de Santiago de Compostela para la obtención del Grado en Economía Estudio de la demanda turística interna en España Trabajo de Fin de Grado Martínez Pérez, Ana Análisis desagregado por comunidades autónomas Estudio de la demanda turística interna en España | Ana Martínez Pérez 2 Resumen En este trabajo se estudia la evolución de la demanda turística interna en las comunidades autónomas españolas en el período 2006-2019, identificando la existencia de perfiles turísticos diferenciados entre ellas. Este hecho se manifiesta tanto en la tendencia a la concentración geográfica del turismo interno como en su heterogénea evolución temporal. Con el objetivo de identificar variables significativas para explicar esta demanda, se elabora un modelo econométrico interregional de datos de panel cuya variable dependiente son las pernoctaciones hoteleras realizadas por visitantes internos. Los resultados del modelo estimado confirman la existencia de factores específicos individuales para cada comunidad autónoma que se pueden modelizar como efectos fijos. Al mismo tiempo, se extrae que la demanda turística interna en España depende de la capacidad adquisitiva del visitante, del coste del servicio turístico y de las facilidades de transporte. Número de palabras: 9996 Palabras clave: demanda turística interna, econometría, concentración geográfica, heterogeneidad. Estudio de la demanda turística interna en España | Ana Martínez Pérez 3 Índice Contenido Resumen .................................................................................................................. 2 Índice ....................................................................................................................... 3 Índice de tablas y gráficos ......................................................................................... 5 Introducción ............................................................................................................. 6 Planificación ............................................................................................................. 8 Desarrollo del trabajo ............................................................................................... 9 1. Marco teórico: la demanda turística ..................................................................... 9 2. Marco metodológico: modelos de regresión con datos de panel ...................... 10 3. Variables del modelo ........................................................................................... 11 3.1. Variable endógena (regresando): pernoctaciones (PER) ............................. 11 3.2. Variables explicativas (regresores)............................................................... 16 4. Estimación y análisis de los resultados ................................................................ 18 4.1. Modelo econométrico de datos de panel. Alternativas de modelización .......... 18 4.2. Resultados de las distintas alternativas .............................................................. 20 4.3. Autocorrelación y heterocedasticidad ................................................................ 24 4.4. Análisis de los resultados de la estimación ......................................................... 26 4.4.1. Coeficientes estandarizados ........................................................................ 30 4.4.2. Precisión de los estimadores ........................................................................ 32 4.4.3. Bondad del ajuste: coeficiente de determinación ....................................... 32 4.5. Multicolinealidad ................................................................................................. 33 Estudio de la demanda turística interna en España | Ana Martínez Pérez 4 4.6. Análisis de la significatividad de los regresores .................................................. 34 4.6.1. Intervalos de confianza ................................................................................ 34 4.6.2. Contrastes de hipótesis (nivel de significación 5%) ..................................... 34 4.6.2.1. Contraste de significatividad conjunta ..................................................... 34 4.6.2.2. Contrastes de significatividad individual .................................................. 36 5. Turismo interno y Covid-19 ................................................................................. 38 Conclusiones y ampliación ...................................................................................... 41 Bibliografía ............................................................................................................. 43 Estudio de la demanda turística interna en España | Ana Martínez Pérez 5 Índice de tablas y gráficos Tabla 1: Estadísticos descriptivos ................................................................................... 17 Tabla 2: Modelo sin efectos............................................................................................ 20 Tabla 3: Modelo de efectos fijos .................................................................................... 21 Tabla 4: Test de redundancia de los efectos fijos .......................................................... 22 Tabla 5: Modelo de efectos aleatorios ........................................................................... 23 Tabla 6: Test de Hausman .............................................................................................. 24 Tabla 7: Modelo de efectos fijos con corrección de autocorrelación y heterocedasticidad ........................................................................................................................................ 25 Tabla 8: Comparación entre el modelo de efectos fijos y el modelo de efectos fijos corregido ......................................................................................................................... 27 Tabla 9: Efectos fijos ....................................................................................................... 28 Tabla 10: Precisión de los estimadores .......................................................................... 32 Tabla 11: Matriz de correlaciones .................................................................................. 33 Tabla 12: Intervalos de confianza ................................................................................... 34 Tabla 13: Test de Wald para contrastar la significatividad conjunta de los regresores 35 Tabla 14: Número de pernoctaciones según comunidad autónoma de destino ........... 38 Tabla 15: Turismo interno. Pernoctaciones año 2020 ................................................... 39 Gráfico 1: Concentración espacial de las pernoctaciones hoteleras (2006-2009) 12 Gráfico 2: Evolución de las pernoctaciones hoteleras por CCAA (2006-2019) 13 Estudio de la demanda turística interna en España | Ana Martínez Pérez 6 Introducción La favorable evolución reciente de la actividad turística en España y las previsiones que de ésta se hacen de cara al futuro confirman que el sector turístico tiene, y va a seguir teniendo, una gran importancia económica y social. Su relevancia radica no solo en que constituye la rama de actividad que más riqueza aporta al Producto Interior Bruto español, sino también por el impacto (directo o indirecto) en forma de ingresos o empleo en los demás sectores económicos. De hecho, una de las principales conclusiones de estudios sobre el tema es el destacado papel del turismo en el desarrollo regional. El objetivo que se persigue con este trabajo es identificar variables significativas para explicar la demanda turística interna en España y, al mismo tiempo, identificar la heterogeneidad existente en dicha demanda entre las distintas comunidades autónomas. Con este fin, se presenta un modelo econométrico de datos de panel para analizar la evolución de la demanda de turismo interno (medida a partir de las pernoctaciones hoteleras en las comunidades autónomas españolas) en el período 2006-2019. Para ello, se han seleccionado las siguientes variables principales: un índice de precios, el PIB per cápita español, el número de turistas que eligieron como medio de transporte el avión, el precio del barril de petróleo Brent y la crisis económica. Las etapas que se han seguido van desde la especificación, identificando las variables que intervienen en el estudio, pasando por la estimación de los parámetros del modelo para la cuantificación de las relaciones entre dichas variables, y finalizando con un análisis de los resultados obtenidos. La muestra de datos que se ha considerado para el análisis es anual y abarca desde el año 2006 hasta el 2019. Por otro lado, se han utilizado los datos relativos a las Estudio de la demanda turística interna en España | Ana Martínez Pérez 7 pernoctaciones hoteleras correspondientes al año 2020 para identificar el impacto que la pandemia ocasionada por el Covid-19 ha tenido en el sector turístico de las regiones españolas. A la hora de recabar la información muestral se ha recurrido principalmente a la página web del Instituto Nacional de Estadística (INE). Por su parte, para llevar a cabo el análisis econométrico se ha utilizado el software EViews (Econometric Views). En cuanto a la estructura del trabajo, el texto se articula de la siguiente manera: tras este primer apartado introductorio, se presenta una descripción de las variables así como una revisión de la teoría económica relacionada. A continuación, los siguientes apartados están dedicados a la modelización econométrica para el caso empírico especificado de datos de panel. Por otro lado, se presenta un breve análisis del impacto del Covid-19 en la demanda turística en el año 2020. Finalmente, se dedica un epígrafe a las conclusiones extraídas y a las posibles ampliaciones o mejoras. Estudio de la demanda turística interna en España | Ana Martínez Pérez 8 Planificación Este proyecto fue tutelado por Xosé Antón Rodríguez González y Pilar González Murias, profesores del departamento de Economía Cuantitativa, durante el curso 20202021, a través de mensajería electrónica y sucesivas sesiones de trabajo telemáticas. El primer paso tras la asignación del tema y tutores fue concertar una reunión en la primera semana del segundo cuatrimestre (febrero de 2021), en la cual me explicaron el procedimiento a seguir para la elaboración de un Trabajo de Fin de Grado y concretamos cual iba a ser el área de investigación en la que se iba a basar el estudio en base a mis intereses sobre la cuestión – la heterogeneidad de la demanda turística interna en las comunidades autónomas españolas a lo largo del período 2006-2019. En la siguiente etapa, en el mes de marzo, se empezó con la elaboración del desarrollo del trabajo a partir de la definición de las variables y de la obtención de los datos que iba a necesitar para la especificación del modelo econométrico. A principios de abril, a través de otra reunión telemática, me explicaron la metodología de las regresiones de datos de panel y también establecimos las etapas para la estimación del modelo y el análisis de los resultados obtenidos. Con posterioridad a esta sesión, elaboré el primer borrador del trabajo, que incluía la especificación y estimación del modelo econométrico seleccionado. A lo largo de mayo, las tutorías y reuniones mantenidas sirvieron para resolver dudas, corregir errores y estructurar el proyecto. Finalmente, durante la última sesión de trabajo, en la semana previa al depósito, se entregó la versión definitiva, tras la cual se incorporaron las últimas modificaciones y los tutores me ofrecieron indicaciones para la exposición oral. Estudio de la demanda turística interna en España | Ana Martínez Pérez 9 Desarrollo del trabajo 1. Marco teórico: la demanda turística Según la Comisión Estadística de las Naciones Unidas (Organización Mundial del Turismo, 2000), el turismo se define como la actividad que realizan las personas durante sus viajes y estancias en lugares distintos al de su entorno habitual, por un período de tiempo consecutivo inferior a un año, con fines de ocio, por negocios u otros motivos, no relacionados con el ejercicio de una actividad remunerada en el lugar visitado. El mercado turístico, como cualquier otro, se caracteriza por la existencia de dos tipos de agentes básicos. Por un lado, los compradores – turistas – que reciben el nombre de demanda y, por otro, los vendedores – empresas turísticas – que se denominan oferta. En este trabajo nos vamos a centrar en el análisis de la demanda turística. En Economía el concepto de demanda (Fisher, Dornbusch, & Schmalensee, 1989) se utiliza para describir la cantidad de un bien o de un servicio que una economía doméstica o una empresa decide comprar a un precio determinado, dadas las limitaciones presupuestarias y dados los precios de los diferentes bienes y servicios durante un período de tiempo determinado. La cantidad demandada depende fundamentalmente del precio del bien, de la renta disponible, de los precios de otros bienes (suplementarios o complementarios) y de los gustos de los compradores. En consecuencia, la teoría tradicional de la demanda se centra en cuatro factores determinantes: el precio del bien, los restantes precios, los ingresos y las preferencias. La demanda turística podemos definirla de forma análoga a cualquier otro tipo de demanda, con la salvedad de que presenta una característica claramente diferenciadora, que es su tendencia a la concentración, tanto temporal como espacial Estudio de la demanda turística interna en España | Ana Martínez Pérez 16 expansión de la demanda turística interna en estas regiones, de tal forma que en el año 2019 las cifras de pernoctaciones hoteleras son muy superiores a los niveles precrisis. Finalmente, por lo que respecta a las comunidades insulares, cabe destacar la curva decreciente que muestra el turismo interno en Baleares. Es significativo el hecho de que el número de pernoctaciones hoteleras realizadas por residentes españoles en 2019 es muy inferior a la cifra de 2006. En Canarias la evolución es similar, si bien a partir de 2015 se inicia un periodo de recuperación del número de turistas españoles. Debemos matizar, no obstante, que si estuviésemos analizando la totalidad del turismo receptor de estas comunidades, incluyendo a los visitantes extranjeros, probablemente la evolución de las pernoctaciones sería muy distinta. 3.2. Variables explicativas (regresores) Como factores determinantes de la demanda se consideran los siguientes: − Índice de Precios al Consumo – hostelería y restauración – (IPC). Se ha utilizado el índice de precios al consumo del grupo hoteles y restaurantes; un indicador que se encuentra dentro del IPC. Se trata de una medida estadística de la evolución de los precios de los bienes y servicios de hostelería en cada una de las comunidades autónomas, con la idea de que refleje la carestía del servicio que se demanda. − PIB per cápita (PIBpc). Es un indicador económico que representa el valor monetario de todos los bienes y servicios finales producidos por un país, en este caso España, en un determinado período de tiempo, normalmente un año. Se toma el PIB per cápita como variable que nos sirve para aproximar la capacidad de compra de los visitantes. − Número de turistas que llegan a cada comunidad utilizando el avión como medio de transporte – procedentes de otros aeropuertos españoles – (AVIÓN). Esta variable se incluye en el modelo con el objetivo de representar la facilidad de transporte y comprobar el efecto que tiene en la demanda turística el hecho de que una región tenga buenas conexiones aeroportuarias con las demás comunidades autónomas. Los datos del transporte de pasajeros en aeropuertos españoles (número de pasajeros) por comunidades autónomas fueron extraídos de las bases de datos del Observatorio del Transporte y la Logística en España (OTLE). Estudio de la demanda turística interna en España | Ana Martínez Pérez 17 − Precio del barril de Brent (PBRENT). Se trata de un indicador de la cotización del barril de petróleo Brent (en dólares por barril). Es una variable proxy de la evolución del coste de transporte, ya que las variaciones en el precio del petróleo repercuten en el precio de los combustibles y, por tanto, condicionan la capacidad de desplazamiento a los distintos destinos turísticos. − Crisis económica (CRISIS). Finalmente, se analizan los efectos de la crisis económica sobre la evolución de la demanda turística interna en España incluyendo una variable dummy específica para cada comunidad autónoma. Esta variable toma valor 1 si la observación corresponde a un año de crisis y valor 0 en caso contrario (cuando la observación corresponde a un año de recuperación o expansión económica). Teniendo en cuenta el Gráfico 2, que mostraba la distinta evolución del número de pernoctaciones hoteleras en las regiones españolas, es necesario ajustar la variable ficticia crisis para cada comunidad con la finalidad de recoger el perfil turístico de cada una de ellas. Una vez recabada la información muestral, se observa que disponemos de una combinación de datos atemporales y temporales, ya que las variables anteriores han sido medidas para las diecisiete comunidades autónomas españolas (serie atemporal) en el período 2006-2019 (serie temporal). Así, tenemos un total de 238 observaciones. Antes de pasar a utilizar los datos de las variables seleccionadas para la elaboración del modelo econométrico, es importante ofrecer un análisis descriptivo de los mismos. Dicho análisis lo presentamos a través de la siguiente tabla. Tabla 1: Estadísticos descriptivos Fuente: EViews Estudio de la demanda turística interna en España | Ana Martínez Pérez 18 La simple observación de las tablas de estadísticos descriptivos permite detectar si existen observaciones raras o imposibles, que se podrían deber a errores de recogida de los datos o de codificación de estos. En principio, parece que todos los valores son coherentes, si bien es cierto que, por lo que respecta a la variabilidad de los datos que se observa a partir de la información muestral, podemos destacar que la variable AVIÓN presenta una desviación típica muy elevada. Esto significa que es una serie de datos con valores muy extremos o diferenciados, ya que el máximo es de 11.273.788 pasajeros y el mínimo es solo de 8. 4. Estimación y análisis de los resultados 4.1. Modelo econométrico de datos de panel. Alternativas de modelización Siguiendo a (Guisán, Aguayo, & Expósito, 2014), la especificación genérica de un modelo de datos de panel es: 𝑌𝑖𝑡 =𝛽0+𝛽1𝑋1𝑖𝑡 +⋯+𝛽𝑘𝑋𝑘𝑖𝑡 +𝑢𝑖𝑡 𝑖 =1, ...,𝑁: unidades económicas. 𝑡 =1, ...,𝑇: periodos de tiempo. 𝛽0: ordenada en el origen. 𝛽1,𝛽2,𝛽3,𝛽4: parámetros a estimar, que se definen como las pendientes de 𝑌𝑖𝑡 con respecto a cada una de las variables explicativas. 𝑢𝑖𝑡 =𝛼𝑖+𝜑𝑡+𝜀𝑖𝑡: perturbación aleatoria, donde 𝛼 es el componente que recoge los efectos individuales y es invariable en el tiempo, 𝜑 es término que captura los efectos temporales y es invariable entre unidades económicas y 𝜀 es la perturbación aleatoria habitual que representa el resto de variables o efectos que cambian entre individuos o a lo largo del tiempo. En consecuencia, existen tres posibilidades de modelización dependiendo de si se considera que las unidades económicas son idénticas (modelo sin efectos o de coeficientes constantes), que existe heterogeneidad entre ellas y las diferencias vienen explicadas porque cada unidad económica tiene una ordenada en el origen distinta (modelo de efectos fijos), o bien que las diferencias existentes entre ellas y a lo largo del tiempo son un efecto aleatorio (modelo de efectos aleatorios). Estudio de la demanda turística interna en España | Ana Martínez Pérez 19 De una forma más detallada, las tres alternativas de modelización serían (Guisán, Aguayo, & Expósito, 2014; Baronio & Vianco, 2014): − Modelo de datos de panel sin efectos o de coeficientes constantes. Se asume que no existen efectos diferenciados ni por unidad económica ni por unidad de tiempo, es decir, los 𝑘+1 parámetros son los mismos para todos los individuos y para todos los años. En consecuencia, 𝛼𝑖=𝜑𝑡=0 para todo 𝑖 y 𝑡. Se refiere, por tanto, al caso de que no existe heterogeneidad no observable en el sistema de datos de panel. 𝑌𝑖𝑡 =𝛽0+𝛽1𝑋1𝑡 +⋯+𝛽𝑘𝑋𝑘𝑡 +𝜀𝑖𝑡 𝑖 =1, ...,𝑁; 𝑡 =1, ...,𝑇 Los modelos de este tipo se pueden estimar por el método de Mínimos Cuadrados Generalizados (MCG) o por el método de Mínimos Cuadrados Ordinarios (MCO) según las características de la perturbación aleatoria. − Modelo de datos de panel con efectos fijos. Se considera que las diferencias existentes entre unidades económicas son deterministas y se pueden recoger con la introducción de una ordenada en el origen distinta para cada una de ellas. De esta manera, 𝛼𝑖=∑𝛾𝑖𝑑𝑖 𝑁 𝑖=2 y 𝜑𝑡=∑𝛿𝑡𝑡𝑡 𝑇 𝑡=2 . 𝑌𝑖𝑡 =𝛽0+𝛾2𝑑2+⋯+𝛾𝑁𝑑𝑁+𝛿2𝑡2+⋯+𝛿𝑇𝑡𝑇+∑𝛽𝑘𝑋𝑘𝑖𝑡 𝐾 𝑘=1 +𝜀𝑖𝑡 𝑖 =1, ...,𝑁; 𝑡 =1, ...,𝑇 Los modelos con estas características se pueden estimar, nuevamente, por MCG o por MCO, dependiendo de las características de la perturbación aleatoria y de la relación existente entre ella y las variables explicativas. − Modelo de datos de panel con efectos aleatorios. Se asume que la heterogeneidad que se produce a través de las unidades económicas y/o a través del tiempo es aleatoria (no determinista como en el caso anterior), de manera que la perturbación aleatoria 𝑢𝑖𝑡 =𝛼𝑖+𝜑𝑡+𝜀𝑖𝑡 tiene un componente individual 𝛼𝑖 y un componente temporal 𝜑𝑡 de carácter aleatorio. 𝑌𝑖𝑡 =𝛽0+𝛽1𝑋1𝑡 +⋯+𝛽𝑘𝑋𝑘𝑡 +𝑢𝑖𝑡 𝑖 =1, ...,𝑁; 𝑡 =1, ...,𝑇 Estudio de la demanda turística interna en España | Ana Martínez Pérez 20 Los modelos con estas características debemos estimarlos usando el método de MCG, ya que las covarianzas entre los términos de la perturbación aleatoria 𝑢𝑖𝑡 no son nulas. 4.2. Resultados de las distintas alternativas Una vez presentados los tres casos posibles, procedemos a estimar las dos primeras alternativas de modelización por el método de Mínimos Cuadrados Ordinarios (MCO) y la tercera posibilidad por el método de Mínimos Cuadrados Generalizados (MCG). En primer lugar, estimamos la ecuación que se corresponde con el modelo sin efectos o de efectos constantes utilizando el EViews. A continuación, incluimos la salida con el resultado de la estimación. Tabla 2: Modelo sin efectos Dependent Variable: PER Method: Panel Least Squares Sample: 2006 2019 Periods included: 14 Cross-sections included: 17 Total panel (balanced) observations: 238 Variable Coefficient Std. Error t-Statistic Prob. C 6250226. 8139531. 0.767885 0.4433 IPC 19439.03 69169.32 0.281035 0.7789 PIBPC -168.0194 355.0412 -0.473239 0.6365 AVION 1.226400 0.119524 10.26071 0.0000 PBRENT 2556.248 18895.39 0.135284 0.8925 CRISIS -1151152. 809472.2 -1.422102 0.1563 R-squared 0.318571 Mean dependent var 6554525. Adjusted R-squared 0.303885 S.D. dependent var 6089508. S.E. of regression 5080691. Akaike info criterion 33.74468 Sum squared resid 5.99E+15 Schwarz criterion 33.83222 Log likelihood -4009.617 Hannan-Quinn criter. 33.77996 F-statistic 21.69217 Durbin-Watson stat 0.013622 Prob(F-statistic) 0.000000 Fuente: EViews En una primera aproximación a los resultados que proporciona este modelo, podemos destacar que las variables explicativas, tomadas de forma conjunta, tienen una Estudio de la demanda turística interna en España | Ana Martínez Pérez 21 influencia significativa sobre el regresando, si bien casi ninguna variable explicativa es individualmente significativa. En cuanto a la capacidad explicativa del modelo, el 𝑅2 – que tomamos como medida de la bondad del ajuste – nos indica que esta es limitada, ya que solo consigue explicar el 31,85% de la variación de las pernoctaciones. A priori, parece que el modelo de datos de panel sin efectos no es el más adecuado para modelizar las pernoctaciones hoteleras en las comunidades autónomas españolas. Probaremos entonces con la segunda alternativa, es decir, con el modelo de datos de panel con efectos fijos. Tabla 3: Modelo de efectos fijos Dependent Variable: PER Method: Panel Least Squares Sample: 2006 2019 Periods included: 14 Cross-sections included: 17 Total panel (balanced) observations: 238 Variable Coefficient Std. Error t-Statistic Prob. C 4574232. 824897.9 5.545209 0.0000 IPC -34007.22 7552.910 -4.502533 0.0000 PIBPC 241.9420 39.71524 6.091919 0.0000 AVION -0.147742 0.069315 -2.131455 0.0342 PBRENT -28.38572 1928.622 -0.014718 0.9883 CRISIS -287537.4 83659.10 -3.437013 0.0007 Effects Specification Cross-section fixed (dummy variables) R-squared 0.993502 Mean dependent var 6554525. Adjusted R-squared 0.992870 S.D. dependent var 6089508. S.E. of regression 514196.8 Akaike info criterion 29.22648 Sum squared resid 5.71E+13 Schwarz criterion 29.54745 Log likelihood -3455.951 Hannan-Quinn criter. 29.35584 F-statistic 1572.546 Durbin-Watson stat 0.573463 Prob(F-statistic) 0.000000 Fuente: EViews De los resultados que proporciona este modelo destacamos, en primer lugar, que los regresores tomados conjuntamente tienen una influencia significativa en el regresando y que todas las variables explicativas – a excepción del precio del barril de petróleo Brent – son individualmente significativas (para un nivel de significación del 5%). Estudio de la demanda turística interna en España | Ana Martínez Pérez 22 También debemos destacar que, al incluir los efectos fijos específicos de las comunidades autónomas, la capacidad explicativa del modelo mejora sustancialmente, de tal forma que la práctica totalidad de la variación del número de pernoctaciones hoteleras está explicada por los regresores (el 99,35%). Esto nos anticipa que los efectos específicos por unidad económica son importantes. Por tanto, si comparamos esta especificación con la anterior, podemos deducir que el modelo con efectos fijos mejora al modelo sin efectos. Para corroborar que esta intuición es cierta, utilizamos la prueba de redundancia de efectos fijos que nos proporciona el EViews. Las hipótesis de este contraste son las siguientes: {𝐻0:𝐸𝑓𝑒𝑐𝑡𝑜𝑠 𝑓𝑖𝑗𝑜𝑠 𝑟𝑒𝑑𝑢𝑛𝑑𝑎𝑛𝑡𝑒𝑠 (𝑛𝑜 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜𝑠) 𝐻1: 𝐸𝑓𝑒𝑐𝑡𝑜𝑠 𝑓𝑖𝑗𝑜𝑠 𝑛𝑜 𝑟𝑒𝑑𝑢𝑛𝑑𝑎𝑛𝑡𝑒𝑠 (𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜𝑠) Tabla 4: Test de redundancia de los efectos fijos Redundant Fixed Effects Tests Test cross-section fixed effects Effects Test Statistic d.f. Prob. Cross-section F 1402.146435 (16,216) 0.0000 Cross-section Chi-square 1107.331144 16 0.0000 Fuente: EViews La regla de decisión que se utiliza para contrastar la hipótesis nula del test de redundancia es que si la probabilidad asociada al estadístico 𝐹 es menor que el 𝛼 escogido, 𝐻0 se rechazará. En este caso, 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 (𝐹)=0’0000< 𝛼 =0’05. Por lo tanto, rechazamos la hipótesis nula y existen efectos fijos que no son redundantes. Este contraste confirma que el modelo de efectos fijos es más apropiado que el modelo sin efectos. Pero, como indicamos anteriormente, cabe la posibilidad de que sea más adecuado modelizar los efectos individuales específicos de las comunidades autónomas como efectos aleatorios en vez de como efectos fijos. Por tanto, vamos a plantear la regresión correspondiente a la tercera alternativa. Estudio de la demanda turística interna en España | Ana Martínez Pérez 23 Tabla 5: Modelo de efectos aleatorios Dependent Variable: PER Method: Panel EGLS (Cross-section random effects) Sample: 2006 2019 Periods included: 14 Cross-sections included: 17 Total panel (balanced) observations: 238 Swamy and Arora estimator of component variances Variable Coefficient Std. Error t-Statistic Prob. C 4576013. 1536373. 2.978453 0.0032 IPC -32846.30 7542.520 -4.354818 0.0000 PIBPC 234.7298 39.64029 5.921495 0.0000 AVION -0.118498 0.068597 -1.727467 0.0854 PBRENT -110.3242 1928.393 -0.057210 0.9544 CRISIS -289251.6 83657.02 -3.457589 0.0006 Effects Specification S.D. Rho Cross-section random 5344133. 0.9908 Idiosyncratic random 514196.8 0.0092 Weighted Statistics R-squared 0.287442 Mean dependent var 168494.5 Adjusted R-squared 0.272085 S.D. dependent var 612031.3 S.E. of regression 522172.4 Sum squared resid 6.33E+13 F-statistic 18.71751 Durbin-Watson stat 0.509226 Prob(F-statistic) 0.000000 Unweighted Statistics R-squared -0.056999 Mean dependent var 6554525. Sum squared resid 9.29E+15 Durbin-Watson stat 0.003468 Fuente: EViews A priori observamos que, si bien la significatividad conjunta e individual de las variables explicativas son similares a las del modelo de efectos fijos, la bondad del ajuste se reduce sustancialmente – pasando del 99,35% a solo el 28,74%. En consecuencia, parece que el modelo de efectos aleatorios no mejora al anterior. No obstante, siguiendo a (Montero, 2011) es el contraste de Hausman el que nos servirá para decidir entre el modelo de efectos fijos o el de efectos aleatorios, ya que permite comparar la eficiencia de los estimadores obtenidos en ambos casos para el mismo conjunto de parámetros. Estudio de la demanda turística interna en España | Ana Martínez Pérez 24 El test de Hausman contrasta la consistencia de los estimadores de efectos aleatorios. Si la diferencia observada entre los dos pares de estimadores es escasa, se toma evidencia a favor de la hipótesis nula. {𝐻0: 𝑀𝑜𝑑𝑒𝑙𝑜 𝑑𝑒 𝑒𝑓𝑒𝑐𝑡𝑜𝑠 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜𝑠 𝑐𝑜𝑛𝑠𝑖𝑠𝑡𝑒𝑛𝑡𝑒 𝐻1: 𝑀𝑜𝑑𝑒𝑙𝑜 𝑑𝑒 𝑒𝑓𝑒𝑐𝑡𝑜𝑠 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜𝑠 𝑛𝑜 𝑐𝑜𝑛𝑠𝑖𝑠𝑡𝑒𝑛𝑡𝑒 Tabla 6: Test de Hausman Correlated Random Effects - Hausman Test Test cross-section random effects Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob. Cross-section random 0.000000 5 1.0000 * Cross-section test variance is invalid. Hausman statistic set to zero. ** WARNING: robust standard errors may not be consistent with assumptions of Hausman test variance calculation. Cross-section random effects test comparisons: Variable Fixed Random Var(Diff.) Prob. IPC -34007.224492 -32846.299030 -1731327.330807 NA PIBPC 241.942021 234.729768 -91.872042 NA AVION -0.147742 -0.118498 0.005539 0.6944 PBRENT -28.385719 -110.324217 399125.758484 0.8968 CRISIS -287537.412913 -289251.625593 587609457.793429 0.9436 Fuente: EViews Al realizar esta prueba, observamos que el EViews nos advierte de que el contraste no es operativo, dado que el valor del estadístico de Hausman tiende a cero. En consecuencia, como el test no nos proporciona evidencias de la consistencia del modelo de efectos aleatorios, recurrimos al análisis exploratorio de los resultados que habíamos realizado previamente. Dado que la bondad del ajuste es claramente mejor en el modelo de efectos fijos, seleccionamos como preferible esta alternativa. 4.3. Autocorrelación y heterocedasticidad De acuerdo con (Guisán, Aguayo, & Expósito, 2014), el siguiente paso que debemos realizar es comprobar si el modelo seleccionado presenta algún problema de autocorrelación y/o heterocedasticidad. Estudio de la demanda turística interna en España | Ana Martínez Pérez 25 En cuanto a la autocorrelación, que podría estar causada por la ausencia de alguna variable relevante y dado que los datos son anuales, vamos a utilizar para su contrastación el estadístico de Durbin-Watson. En este caso, su valor es de 0,5734. Como está próximo a cero, indica que existe autocorrelación positiva de primer orden. Para solucionar este problema, podemos realizar la estimación del modelo de efectos fijos incluyendo la opción AR(1). Por otro lado, para corregir la posible existencia de un problema importante de heterocedasticidad, cuyas causas son mucho más difíciles de detectar que las de la autocorrelación, aplicamos la alternativa genérica de White, que nos permite obtener estimadores consistentes de las varianzas de los parámetros. Teniendo en cuenta lo anterior, vamos a estimar de nuevo el modelo de efectos fijos corrigiendo los posibles problemas de autocorrelación y heterocedasticidad. Tabla 7: Modelo de efectos fijos con corrección de autocorrelación y heterocedasticidad Dependent Variable: PER Method: Panel Least Squares Sample (adjusted): 2007 2019 Periods included: 13 - Cross-sections included: 17 Total panel (balanced) observations: 221 White cross-section standard errors & covariance Convergence achieved after 13 iterations Variable Coefficient Std. Error t-Statistic Prob. C 7696571. 2438943. 3.155700 0.0019 IPC -60740.85 29620.95 -2.050604 0.0416 PIBPC 190.9958 35.22355 5.422390 0.0000 AVION 0.352588 0.120446 2.927363 0.0038 PBRENT -1446.980 907.5417 -1.594395 0.1124 CRISIS -307628.6 53565.71 -5.743014 0.0000 AR(1) 0.799894 0.035209 22.71870 0.0000 Effects Specification Cross-section fixed (dummy variables) R-squared 0.997318 Mean dependent var 6538977. Adjusted R-squared 0.997020 S.D. dependent var 6082546. S.E. of regression 332050.1 Akaike info criterion 28.36221 Sum squared resid 2.18E+13 Schwarz criterion 28.71586 Log likelihood -3111.024 Hannan-Quinn criter. 28.50501 F-statistic 3346.548 Durbin-Watson stat 1.680608 Prob(F-statistic) 0.000000 Fuente: EViews Estudio de la demanda turística interna en España | Ana Martínez Pérez 32 4.4.2. Precisión de los estimadores El estudio de la precisión nos permite conocer cuáles son los estimadores de los parámetros más precisos y los más imprecisos del modelo. Para medir la precisión se usa el criterio de la menor varianza, observando el t-Statistic obtenido como resultado de dividir cada estimador entre su desviación típica. Una vez obtenidos los t-Statistic (que nos los da directamente la tabla con los resultados de la estimación), se establece que el ratio más elevado en valor absoluto identifica al estimador más preciso y el ratio más bajo en valor absoluto indica cuál es el estimador más impreciso. Tabla 10: Precisión de los estimadores Fuente: elaboración propia a partir de los datos del EViews Los ratios de precisión indican que no hay diferencias sustanciales entre los estimadores del modelo, identificando que el estimador más preciso es el que corresponde a la variable que recoge el efecto de la crisis económica sobre las pernoctaciones hoteleras. Por el contrario, el valor más bajo en valor absoluto es el asociado al precio del barril de petróleo Brent, siendo este el estimador más impreciso (además, esta variable es la única no significativa individualmente al 5%). 4.4.3. Bondad del ajuste: coeficiente de determinación 𝑅2 El coeficiente de determinación indica la proporción de variación muestral del regresando que viene explicada por la variación de las variables incluidas como regresores del modelo. Según la Tabla 7, el 𝑅2 del modelo seleccionado toma un valor de 0’9973. Significa que el 99,73% de las variaciones en las pernoctaciones hoteleras vienen dadas por cambios en las variables explicativas. Por lo tanto, según el 𝑅2, el modelo presenta una muy buena bondad del ajuste. Estudio de la demanda turística interna en España | Ana Martínez Pérez 33 4.5. Multicolinealidad La multicolinealidad es un problema muestral que hace referencia a la existencia de relaciones lineales entre las variables explicativas del modelo. Las consecuencias de la multicolinealidad elevada son, principalmente, la imprecisión de los estimadores (por lo que el conocimiento de los verdaderos valores de los parámetros se vuelve muy ambiguo) y que, a priori, se ve afectada negativamente la capacidad predictiva del modelo. Dentro de los métodos para detectar la presencia de multicolinealidad, empezamos analizando los resultados de la estimación. En cuanto a la coherencia de los signos de los estimadores, no encontramos indicios de multicolinealidad, ya que todos los signos son acordes a lo que establece la teoría económica. Por otro lado, analizamos la relación entre la bondad del ajuste y la precisión de los estimadores. Observamos que 𝑅2 toma un valor muy elevado – el 99,73% de la variación del número de pernoctaciones hoteleras viene explicada por la variación de los regresores – y, al mismo tiempo, los t-Statistic no son demasiado bajos. En consecuencia, tampoco existen indicios de multicolinealidad utilizando conjuntamente estos dos tipos de indicadores. Finalmente, para descartar la existencia de multicolinealidad podemos obtener los coeficientes de correlación lineal simple entre los regresores y, a partir de ellos, calcular el determinante de la matriz de correlaciones entre las variables explicativas. Tabla 11: Matriz de correlaciones Fuente: Elaboración propia a partir de datos de EViews El análisis de los coeficientes de correlación lineal simple indica que no existen correlaciones elevadas entre los distintos regresores. Al considerar más de dos variables explicativas en el modelo, se calcula el determinante de la matriz de correlaciones para tener un resultado concluyente. Cuanto más se aproxime a cero, mayor será la relación Estudio de la demanda turística interna en España | Ana Martínez Pérez 34 de las variables en su conjunto. En nuestro caso, toma un valor de 0’342, lo que no proporciona evidencias de que exista multicolinealidad elevada entre las variables explicativas. 4.6. Análisis de la significatividad de los regresores 4.6.1. Intervalos de confianza Hasta ahora, para estimar los parámetros 𝛽𝑖 hemos realizado una estimación puntual – dando un único valor para cada parámetro – pero también podemos hacer una estimación por intervalos de confianza. Consiste en construir un intervalo de valores entre los cuales existe una probabilidad elevada de que el verdadero valor del parámetro 𝛽𝑖 se encuentre en dicho intervalo. En este apartado, se muestran los intervalos de confianza de cada parámetro para los niveles de confianza del 90, 95 y 99%, calculados a través de EViews. Estos intervalos pueden tener utilidad para los contrastes de significativad que se van a realizar a continuación. Tabla 12: Intervalos de confianza Coefficient Confidence Intervals Sample: 2006 2019 Included observations: 221 90% CI 95% CI 99% CI Variable Coefficient Low High Low High Low High C 7696571. 3666009. 11727133 2886933. 12506209 1353156. 14039986 IPC -60740.85 -109692.0 -11789.68 -119153.9 -2327.812 -137781.6 16299.91 PIBPC 190.9958 132.7859 249.2058 121.5344 260.4573 99.38334 282.6083 AVION 0.352588 0.153541 0.551634 0.115067 0.590109 0.039323 0.665853 PBRENT -1446.980 -2946.771 52.81013 -3236.669 342.7077 -3807.394 913.4333 CRISIS -307628.6 -396150.6 -219106.7 -413261.2 -201996.1 -446947.0 -168310.3 AR(1) 0.799894 0.741709 0.858080 0.730462 0.869326 0.708321 0.891468 Fuente: EViews 4.6.2. Contrastes de hipótesis (nivel de significación del 5%) 4.6.2.1. Contraste de significatividad conjunta Este contraste nos permite detectar si todas las variables explicativas, exceptuando el término independiente, tomadas de forma conjunta, tienen una influencia significativa sobre el regresando. Estudio de la demanda turística interna en España | Ana Martínez Pérez 35 Se puede realizar a través del EViews mediante un test de Wald, de tal forma que rechazaremos la hipótesis nula si la probabilidad del estadístico 𝐹 es inferior al nivel de significación seleccionado (en nuestro caso, 𝛼 =5%). Las hipótesis del contraste son: {𝐻0:𝛽1=𝛽2=𝛽3=𝛽4=𝛽5=0 𝐻1:𝑎𝑙𝑔𝑢𝑛𝑜 𝑑𝑒 𝑙𝑜𝑠 𝛽𝑖≠0 Tabla 13: Test de Wald para contrastar la significatividad conjunta de los regresores Wald Test: Test Statistic Value df Probability F-statistic 57.35323 (5, 198) 0.0000 Chi-square 286.7662 5 0.0000 Null Hypothesis: C(2)=C(3)=C(4)=C(5)=C(6)=0 Null Hypothesis Summary: Normalized Restriction (= 0) Value Std. Err. C(2) -60740.85 29620.95 C(3) 190.9958 35.22355 C(4) 0.352588 0.120446 C(5) -1446.980 907.5417 C(6) -307628.6 53565.71 Restrictions are linear in coefficients. Fuente: EViews En este caso, 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 (𝐹−𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐)=0′0000<𝛼 =0′05, así que rechazamos la hipótesis nula. Se deduce que alguno de los parámetros es distinto de 0 y los regresores, tomados conjuntamente, tienen una influencia significativa en el regresando. Este resultado no coincide con el obtenido en la estimación del modelo definitivo por efectos fijos, donde el estadístico 𝐹 toma un valor de 3346,548. Esta diferencia se debe a que en la estimación de la Tabla 7 se está teniendo en cuenta también al término AR(1), que de forma estricta no es una variable explicativa del modelo. En consecuencia, es el test de Wald que acabamos de realizar el que nos sirve para confirmar la significatividad conjunta de los regresores. Estudio de la demanda turística interna en España | Ana Martínez Pérez 36 4.6.2.2. Contrastes de significatividad individual A través de los contrastes de nulidad individuales se puede saber si los regresores, de forma individual, tienen una influencia significativa sobre el regresando. Las hipótesis del contraste son: {𝐻0:𝛽𝑖=0 𝐻1:𝛽𝑖≠0 Utilizando el EViews podemos realizar el contraste comparando las probabilidades de los t-Statistic asociados a cada coeficiente estimado (Tabla 7) con el 𝛼 escogido, en este caso del 5%. Esas probabilidades representan, como su nombre indica, la probabilidad de equivocarnos al rechazar la hipótesis nula. Realizamos el contraste de significatividad individual para cada uno de los regresores del modelo: − Índice de precios al consumo de la hostelería y restauración. 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 (𝑡1)=0,0416< 𝛼 =0’05 Rechazamos la hipótesis nula y, por tanto, el precio del servicio turístico tiene una influencia individual estadísticamente significativa sobre el número de pernoctaciones hoteleras. − PIB per cápita. 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 (𝑡2)=0’0000< 𝛼 =0’05 También podemos rechazar la hipótesis nula y la capacidad adquisitiva de los visitantes internos tiene una influencia significativa sobre el regresando. − Número de turistas que utilizan como medio de transporte el avión. 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 (𝑡3)=0,0038< 𝛼 =0’05 De nuevo, el contraste nos permite afirmar que la facilidad de transporte tiene una influencia significativa sobre el número de pernoctaciones. − Precio del barril de Brent. 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 (𝑡4)=0,1124>𝛼 =0’05 En este caso, no podemos rechazar la hipótesis nula, pero es necesario que comprobemos si aceptamos porque realmente 𝛽4=0 o por falta de información. Para decidir en cual de las dos situaciones estamos, consideramos el intervalo de confianza Estudio de la demanda turística interna en España | Ana Martínez Pérez 37 para este parámetro al 95%, que según la Tabla 12 es (−3236′669,342′7077). Como el intervalo es relativamente grande, podemos decir que nos encontramos en una situación de falta de información para decidir cuál es el verdadero valor del parámetro. En este caso, el contraste no es concluyente y no podemos tomar una decisión en cuanto a la significatividad de la variable precio del barril de petróleo Brent. Por tanto, a efectos prácticos nos quedamos con el modelo inicial que incluye a todos los regresores, incluyendo el precio del barril de petróleo Brent (aunque esta variable no sea individualmente significativa sí que aporta información al modelo). − Crisis económica. 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 (𝑡5)=0,0000<𝛼 =0’05 Al rechazar la hipótesis nula podemos concluir que la variable crisis es significativa de forma individual para explicar la demanda turística interna en España. Estudio de la demanda turística interna en España | Ana Martínez Pérez 38 5. Turismo interno y Covid-19 Las previsiones para el turismo español en el año 2020 eran muy positivas, y todo apuntaba a que se iba a mantener la tendencia creciente experimentada por el sector en los últimos años. Sin embargo, la pandemia ocasionada por el Covid-19 ha supuesto un punto de inflexión y tenido consecuencias dramáticas para una actividad económica clave en nuestro país. Tabla 14: Número de pernoctaciones según comunidad autónoma de destino Fuente: Encuesta de Turismo de Residentes (Instituto Nacional de Estadística) La tabla anterior recoge el número de pernoctaciones realizadas por turistas residentes en España en función de la comunidad autónoma de destino para los años 2018, 2019 y 2020. Como podemos observar, la evolución entre el 2018 y el 2019 fue heterogénea dependiendo de las regiones; si bien la mayoría de ellas registraron un aumento de las pernoctaciones. Si nos fijamos en el conjunto de España, la variación anual fue de un aumento, en media, del 0’81%. Esa tendencia creciente – o, en su Estudio de la demanda turística interna en España | Ana Martínez Pérez 39 defecto, un leve decrecimiento – cambió radicalmente en el 2020, donde el descenso de la demanda turística interna fue brusco y generalizado (situándose en valores un 30% inferiores a los del año anterior). Sin embargo, tal y como recoge el informe del Banco de España (Prades & Tello, 2020), las restricciones sobre la actividad económica adoptadas en España para contener la pandemia – cierres forzosos, limitaciones a la movilidad interregional o restricciones de aforo y de horarios entre otros – han tenido efectos heterogéneos en las comunidades autónomas. Como es de esperar, el impacto es mayor en aquellas regiones con una estructura productiva más vinculada a la hostelería y la restauración. Según datos de EXCELTUR (2019), las comunidades en las que el turismo tiene un mayor peso en términos de PIB y empleo son, con diferencia, Canarias y Baleares. Por el contrario, en la Comunidad de Madrid (dado que el peso que tiene el turismo en su economía está muy por debajo de la media nacional), a pesar de producirse la mayor caída del turismo interno en el año 2020, el impacto relativo es mucho menor que en las regiones insulares. Por tanto, aunque veamos que el número de pernoctaciones haya experimentado un descenso similar en el año 2020 en las distintas regiones, el efecto sobre el valor añadido total de cada comunidad autónoma varía en función del peso que tenga el sector turístico en su estructura productiva y de las interconexiones existentes entre sectores. Tabla 15: Turismo interno. Pernoctaciones año 2020 Fuente: Encuesta de Turismo de Residentes (Instituto Nacional de Estadística) Esta tabla ilustra el desplome del turismo interno debido a la pandemia y a las restricciones de movilidad en el 2020. En concreto, en el segundo trimestre del año – durante el cual tuvo lugar la mayor parte del confinamiento decretado el 14 de marzo y que se extendió durante más de tres meses – las pernoctaciones hoteleras disminuyeron Estudio de la demanda turística interna en España | Ana Martínez Pérez 40 en casi un 75% con respecto al 2019. Por su parte, la situación de “nueva normalidad” que se vivió durante el verano permitió un aumento de la demanda turística interna en nuestro país, aunque esta se mantuvo en cifras un 10% inferiores al año anterior. Finalmente, cabe señalar que las circunstancias excepcionales de restricciones a la movilidad interregional en España han provocado que, dentro del turismo interno, se haya producido un aumento de turistas de la propia comunidad autónoma en detrimento de los visitantes de otras regiones españolas. En consecuencia, podemos decir que el turismo de proximidad fue el que sostuvo, en mayor medida, la hostelería y la restauración en España durante el 2020. Estudio de la demanda turística interna en España | Ana Martínez Pérez 41 Conclusiones y ampliación En este trabajo se ha recurrido a la modelización econométrica de datos de panel para explicar las pernoctaciones hoteleras realizadas por visitantes internos en las comunidades autónomas españolas durante el período 2006-2019. Un análisis previo de los datos recabados sobre el número de pernoctaciones hoteleras, que es la variable que se ha utilizado como indicador de la demanda turística interna, revela la existencia de perfiles turísticos diferenciados en las comunidades autónomas españolas. Este hecho se manifiesta tanto en la heterogeneidad en la evolución temporal de la variable endógena para cada región – con una incidencia distinta de la crisis económica – como en la tendencia a la concentración geográfica en Andalucía, Comunidad Valenciana y Cataluña – que representa la preferencia de los visitantes internos por un turismo de “sol y playa”. En la segunda parte del trabajo, tras la presentación de las variables explicativas seleccionadas – índice de precios de los servicios de hostelería y restauración, PIB per cápita, número de turistas que optan por el avión como medio de transporte, precio del barril de petróleo Brent y crisis económica – los resultados del análisis econométrico permiten concluir que demanda turística interna en España puede explicarse a partir de un modelo interregional de datos de panel con efectos fijos. Esto confirma la existencia de efectos específicos individuales por comunidades autónomas que son muy importantes para explicar el comportamiento de la demanda turística en cada una de ellas. Además, estos efectos específicos son deterministas y es posible modelizarlos introduciendo una ordenada en el origen distinta para cada región. Por otra parte, el modelo definitivo ha sido ajustado para corregir los posibles problemas de autocorrelación y heterocedasticidad.