Análisis Estadístico de la Sostenibilidad en el Turismo

Equation Chapter 1 Section 1 Trabajo Fin de Grado Grado Universitario en Ingeniería de Organización Industrial Análisis Estadístico de la Sostenibilidad en el Turismo Autor: Isabel Ortega Cabello Tutor: Elisa Carvajal Trujillo Dpto. de Ingeniería Energética Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2024 ii iii Trabajo Fin de Grado Grado Universitario en Ingeniería de Organización Industrial Análisis Estadístico de la Sostenibilidad en el Turismo Autor: Isabel Ortega Cabello Tutor: Elisa Carvajal Trujillo Profesor titular Dpto. de Ingeniería Energética Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2024 iv v Trabajo Fin de Grado: Análisis Estadístico de la Sostenibilidad en el Turismo Autor: Isabel Ortega Cabello Tutor: Elisa Carvajal Trujillo El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2024 vi El Secretario del Tribunal vii A mi familia A mis maestros viii ix Resumen La sostenibilidad en el turismo se ha convertido en un requerimiento obligatorio en los últimos años, exigiéndose a nivel reglamentario y a raíz de la creciente demanda de la sociedad, cada vez más concienciada por los efectos del turismo en el cambio climático. Además, algunos de los Objetivos de Desarrollo Sostenible (ODS) están relacionados con el turismo sostenible, subrayando su importancia global. Actualmente, existen trabajos y proyectos de investigación enfocados en la implementación de medidas para hacer que el turismo sea más sostenible. También es importante determinar cuándo el turismo es verdaderamente sostenible y, para ello se diseñan diversas metodologías. Este enfoque es en el que se basa el presente trabajo. Se analizan datos disponibles que pueden utilizarse para medir el turismo y la sostenibilidad, se presentan técnicas de análisis de datos y un software que realiza estos análisis. Finalmente, se ha realizado la validación de las técnicas elegidas y se han desarrollado diversos casos prácticos. Se demuestra que con la metodología presentada se pueden analizar datos relativos al turismo y, a partir de ella, llegar a conclusiones que permitan estudiar la sostenibilidad en el turismo. xvi Ilustración 36: Pasos SPSS normalidad ......................................................................................................... 56 Ilustración 37: Pestaña Explorar ..................................................................................................................... 57 Ilustración 38: Gráficos Prueba de Normalidad estudio 1 ............................................................................. 57 Ilustración 39: Ventana explorar primer estudio ............................................................................................ 58 Ilustración 40: Correlacionar primer estudio ................................................................................................. 59 Ilustración 41: Enfoque no-paramétrico de Spearman .................................................................................. 59 Ilustración 42: Regresión lineal primer estudio SPSS ................................................................................... 61 Ilustración 43: Regresión lineal primer estudio ............................................................................................. 62 Ilustración 44: Estadísticos regresión lineal primer estudio .......................................................................... 62 Ilustración 45: Datos del Ministerio de Industria y Turismo (SEGITTUR turismo e innovación, Estadística De Tráfico Aéreo) [19] ......................................................................................................................................... 65 Ilustración 46: Datos del Ministerio de Industria y Turismo (SEGITTUR turismo e innovación, Estadística De Tráfico Aéreo) [19] ......................................................................................................................................... 66 Ilustración 47: Vista de datos SPSS segundo estudio .................................................................................... 67 Ilustración 48: Vista variables SPSS segundo estudio ................................................................................... 67 Ilustración 49: Consumo energía renovable sector servicios tercer estudio [20] .......................................... 71 Ilustración 50: Estimación consumo energía renovable turismo Andalucía tercer estudio .......................... 72 Ilustración 51: Vista datos SPSS tercer estudio ............................................................................................. 74 Ilustración 52: Vista variables SPSS tercer estudio ....................................................................................... 74 Ilustración 53: Tabla y gráfico de dispersión primer estudio ........................................................................ 78 Ilustración 54: Predicción de datos gráfico dispersión primer estudio .......................................................... 79 Ilustración 55: Tabla y gráfico de dispersión segundo estudio ...................................................................... 79 Ilustración 56: Predicción de datos gráfico dispersión segundo estudio ....................................................... 80 Ilustración 57: Tabla y grafico de dispersión tercer estudio .......................................................................... 81 Ilustración 58: Predicción de datos gráfico de dispersión tercer estudio ...................................................... 81 xvii 18 1 1 1 OBJETIVOS El objetivo del presente proyecto es avanzar en la medida de la sostenibilidad en el turismo, mediante una metodología que utiliza técnicas estadísticas. Los principales objetivos son: - Definir situación del turismo y de la sostenibilidad en el turismo - Encontrar indicadores de medida cuantitativa y cualitativa del turismo sostenible - Analizar metodologías y técnicas estadísticas para el análisis de datos relativos con el turismo sostenible - Proponer metodología para la medida del turismo sostenible - Realizar casos prácticos 2 2 2 INTRODUCCIÓN AL DESARROLLO SOSTENIBLE l desarrollo sostenible es un concepto que se ha convertido en el nuevo paradigma oficial para el desarrollo humano y en el que se fundamenta el concepto de turismo sostenible. Podría definirse como el desarrollo que satisface las necesidades de las generaciones actuales sin comprometer la capacidad de las generaciones futuras, garantizando el equilibrio entre el crecimiento de la economía y el bienestar social, así como entre el cuidado de la naturaleza y el respeto del medio ambiente. De esta manera, muchos de los retos a los que nos enfrentamos actualmente, como el cambio climático, la escasez de agua, el hambre o la desigualdad social, solamente pueden resolverse promoviendo el desarrollo sostenible. [1] Este concepto será necesario estudiarlo previamente para poder entender con mayor facilidad uno de los aspectos protagonistas que describiremos y discutiremos en este trabajo, el turismo sostenible. 2.1. Orígenes y evolución del concepto A finales del siglo XX aparece el concepto de desarrollo sostenible como un nuevo y ambicioso objetivo para guiar a la humanidad en su afán de crecimiento y de supervivencia. Se trata de un concepto que ofrece una visión de futuro para afrontar los progresivos problemas del deterioro ambiental y de la distribución desigual de los recursos, y que es acogido con gran éxito por la comunidad internacional. [1] La siguiente tabla muestra los principales eventos, declaraciones y documentos internacionales sobre Sostenibilidad y Turismo: Año Evento, declaración y documentos 1978 Creación del Comité Ambiental en la Organización del Turismo 1980 - “Estrategia Mundial para la Conservación 1980” (Unión Internacional para la Conservación de la Naturaleza/Programa de Medio Ambiente de las Naciones Unidas/World Wildlife Fund) -Declaración de Manila sobre el Turismo Mundial (OMT1) 1985 Declaración de Derechos del Turismo Y Código del Turista, Sofía (OMT) 1987 “Nuestro futuro común” (Informe Brundtland) (Comisión Mundial sobre Medio Ambiente y Desarrollo de las Naciones Unidas) 1989 Declaración de La Haya sobre Turismo (OMT) 1992 Conferencia de las Naciones Unidas sobre el Medio Ambiente y Desarrollo en Río de Janeiro (Cumbre de la Tierra): “Declaración de Río sobre Medio Ambiente y Desarrollo”, “Convención del Cambio Climático”, “Convención de la Diversidad Biológica, y “Agenda 21” 1 Organización Mundial del Turismo E 3 3 1995 Conferencia Mundial de Turismo Sostenible: “Carta de Turismo Sostenible de Lanzarote” (OMT) 1996 Agenda 21 para la Industria de Viajes y Turismo (OMT, WTTC2) 1997 Conferencia Rio +5: “Programa para la Implementación de la Agenda 21” (Comisión sobre el Desarrollo Sostenible) 1999 -7ª Asamblea de la Comisión de Desarrollo Sostenible de las Naciones Unidas: “Turismo y Desarrollo Sostenible” -Código Ético Mundial para el Turismo (OMT) 2000 Principios para la Implantación del Turismo Sostenible (PNUMA3) 2002 Conferencia Mundial sobre el Desarrollo Sostenible en Johannerburgo (Comisión sobre el Desarrollo Sostenible) 2003 1ª Conferencia Internacional sobre Cambio Climático y Turismo en Djerba (Túnez) 2005 Declaración “El Turismo al servicio de los Objetivos de Desarrollo del Milenio” (OMT) 2007 17ª Reunión de la Asamblea General de la OMT: Aprobación de la Declaración de Davos sobre Cambio Climático 2008 Presentación de los Criterios Globales de Turismo Sostenible (OMT, PNUMA, Rainforest Alliance y Fundación de las Naciones Unidas) 2010 65º Sesión de la Asamblea General de la ONU4: Resoluciones sobre la implementación del Código Ético Mundial para el Turismo; la promoción del Ecoturismo; y la promoción del turismo sostenible en los pequeños estados insulares en desarrollo. 2011 Informe “Economía Verde-Capítulo Turismo-” (OMT, PNUMA) 2012 -Conferencia Río + 20, Río de Janeiro (Junio) -Segunda Conferencia Internacional sobre Turismo, Cambio Climático y Sostenibilidad, Bournemouth, Reino Unido 2013 -55ª Reunión de la Comisión de la OMT para las Américas -20ª Reunión de la Asamblea General de la ONU 2014 -1ª Conferencia de los Miembros Afiliados de la OMT sobre desestacionalización: El prototipo de Punta Este. -57ª Comisión Regional de la OMT para las Américas. -Primer Congreso internacional de la OMT sobre el Turismo y Peregrinaciones 2 Consejo Mundial del Viaje y el Turismo 3 Programa de las Naciones Unidas para el Medio Ambiente 4 Organización de las Naciones Unidas 4 4 2015 -58ª y 59ª Comisión Regional de la OMT para las Américas -21ª Reunión de la Asamblea General de la OMT -4ª Conferencia Internacional sobre Medición y Análisis Económico del Turismo a Escala Subnacional: Hacia un conjunto de orientaciones de la OMT 2016 -1ª Reunión Iberoamericana sobre economía colaborativa en el alojamiento turístico -60ª Reunión Regional de la OMT para las Américas -1ª Conferencia Mundial sobre el Enoturismo de la OMT -Proyecto “Gijón accesible” y presentación del Plan de Acción de Turismo de Gijón 2016-2020 2017 -61ª y 62ª Reunión de la Comisión Regional de la OMT para las Américas -2ª Conferencia Mundial sobre el Enoturismo de la OMT -2ª Conferencia Global de la OMT sobre Desarrollo de Talento: Estrategias para Destinos Competitivos -Conferencia Internacional sobre Trabajo Decente y Turismo Socialmente Responsable 2018 -63ª Reunión de la Comisión Regional de la OMT para las Américas -44ª reunión de la Comisión de la OMT para Oriente Medio -3ª Conferencia Mundial sobre el Enoturismo de la OMT -Conferencia de la OMT sobre City Breaks: generando la creación de experiencias turísticas innovadoras 2019 -64ª reunión de la Comisión Regional para las Américas -23ª Reunión de la Asamblea General de la OMT -4ª Conferencia Mundial sobre Turismo Enológico de la OMT 2020 -OMT en FITUR5 2020 -El impacto del COVID-19 en el turismo internacional -65ª reunión de la Comisión Regional para las Américas 2021 -Evento final de la competición mundial de la OMT de startups para los ODS -FITUR 2021 -Reunión de Expertos en Turismo Accesible: Buenas Prácticas de Turismo Accesible en Espacios Naturales -66ª reunión de la Comisión Regional de la OMT para las Américas -5ª Conferencia Mundial de la OMT sobre Turismo Enológico -Cumbre Ministerial de la OMT en WTM6, Londres: Inversión en el Futuro del Turismo Sostenible 5 Fitur es un evento que se celebra anualmente en Ifema, en la ciudad de Madrid, España. Tiene lugar durante cinco días en los meses de enero y febrero. 6 World Travel Market: El World Travel Market es uno de los eventos internacionales más importantes de la industria del turismo, celebrado anualmente en Londres 5 5 -Lanzamiento de la Declaración de Glasgow: Un compromiso para una década de acción climática en el turismo - 24ª Reunión de la Asamblea General 2022 -FITUR 2022 -Primera Reunión Extraordinaria de la Asamblea General -67ª reunión de la Comisión Regional de la OMT para las Américas 2023 -FITUR 2023 -Encuentro de Turismo Sostenible en Comunidades 2023 Evento de cierre del Concurso OMT de Experiencias Innovadoras de Turismo Comunitario, impulsado por la ATP77 -68ª reunión de la Comisión Regional de la OMT para las Américas -25ª reunión de la Asamblea General -7ª Conferencia Mundial de Enoturismo de la OMT -I Seminario Internacional sobre Derecho del Turismo de la Organización Mundial del Turismo 2024 -FITUR 2024 -Evento temático de alto nivel sobre Turismo – Asamblea General de las Naciones Unidas -69ª reunión de la Comisión Regional de ONU Turismo para las Américas -Declaración de Glasgow - Mesa Redonda Mundial para la Acción Climática del Turismo Tabla 1: Principales eventos, declaraciones y documentos internacionales sobre Sostenibilidad y Turismo [2] 2.2. Las tres dimensiones de la sostenibilidad: ambiental, social y económica Con el tiempo, la perspectiva dominante del desarrollo sostenible ha evolucionado más allá del enfoque exclusivo sobre el capital natural y ha abarcado otros aspectos del desarrollo humano. En este sentido, el concepto ha incorporado la importancia de considerar un planteamiento que está compuesto por tres principios: los aspectos económicos, sociales y ambientales. Se distinguen estas tres dimensiones [1]: • Ambiental. Se debe garantizar que el desarrollo sea compatible con el mantenimiento de los procesos ecológicos esenciales, con la conservación y la protección de la diversidad biológica y de los recursos naturales. • Social. Se debe respetar la autenticidad sociocultural de las comunidades anfitrionas, conservar sus activos culturales y arquitectónicos y sus valores tradicionales, y contribuir al entendimiento y la tolerancia intercultural. • Económica. Se debe garantizar la viabilidad a largo plazo de las actividades económicas, la gestión eficiente de los recursos, la satisfacción de las necesidades presentes sin comprometer a las generaciones futuras. Una visión del desarrollo sostenible muy extendida hoy día es la integración de estas dimensiones con sus 7 Autoridad de Turismo de Panamá: esta entidad es la encargada de promover y desarrollar el turismo en Panamá, y es común que participe en eventos relacionados con el turismo sostenible y comunitario. 6 6 diferentes objetivos y funciones para el desarrollo humano. Se debe establecer un equilibrio adecuado entre ellas para garantizar su sostenibilidad a largo plazo. [1] Ilustración 1: Las tres dimensiones de la sostenibilidad 2.3. Objetivos del Desarrollo Sostenible Los objetivos de Desarrollo Sostenible (ODS) fijan un conjunto de 17 objetivos globales adoptados por los Estados miembros de la Organización de las Naciones Unidas en 2015. Buscan abordar los desafíos sociales, económicos y ambientales a nivel global, y están diseñados para lograr un mundo más inclusivo, equitativo y sostenible para 2030. [3] Los ODS son una hoja de ruta para alcanzar un futuro más sostenible y se centran en diferentes aspectos de desarrollo, incluyendo la erradicación de la pobreza, el acceso de la educación y a la salud, la protección del medio ambiente, entre otros. Sería muy interesante centrarnos en cinco de estos objetivos, pues son los que están directamente relacionados con las cuestiones a tratar en este trabajo de investigación sobre el turismo sostenible. Estos objetivos del ODS son los que se muestran a continuación. Ilustración 2: Cinco de los Objetivos del Desarrollo Sostenible [3] 7 7 2.3.1. Objetivo 7. Acceso a una energía asequible, segura, sostenible y moderna Este objetivo es clave para intervenir en el desarrollo de la agricultura, las empresas, las comunicaciones, la educación, la sanidad y el transporte. Existe un continuo avance en las metas de energía sostenible, pero este no es suficientemente rápido. Al ritmo actual, alrededor de 660 millones de personas continuarán sin acceso a la energía eléctrica y casi 2000 millones de personas seguirán dependiendo de combustibles y tecnologías contaminantes para cocinar en 2030. [3] Nuestro día a día depende de una energía segura y asequible. No obstante, el consumo de energía sigue siendo la principal causa del cambio climático, ya que representa alrededor del 60 % de las emisiones mundiales de gases de efecto invernadero. [3] La tasa mundial de acceso a la energía eléctrica aumentó del 87% en 2015 al 91%. Para garantizar acceso universal a electricidad asequible en 2030, es necesario invertir en fuentes de energía limpia (renovable), como la solar, la eólica, la hidroeléctrica o la mareomotriz. Ampliar las infraestructuras y mejorar la tecnología para suministrar energía renovable en todos los países en desarrollo son objetivos cruciales que contribuyen tanto al desarrollo como al medioambiente. [3] Ilustración 3: Energías renovables [4] Para hacer frente a este problema los países deberán acelerar la transición hacia un sistema energético asequible, seguro y sostenible al invertir en energías renovables, priorizar la implementación de prácticas de eficiencia energética y adoptar tecnologías e infraestructuras de energía limpia. Energía mareomotriz Energía solar Energía hidroeléctrica Energía eólica 14 14 Al integrar correctamente el uso de energía renovable en el turismo sostenible se puede conseguir lo siguiente: • Reducir la huella de carbono y el impacto climático. Las fuentes de energía renovables no producen apenas emisiones de gases de efecto invernadero. • Ahorrar a largo plazo. Aunque la instalación inicial de sistemas de energía renovables (parques eólicos, sistemas solares, etc.) puede ser costosa, a largo plazo podría resultar un ahorro significativo en costos de energía para las empresas. • Integración con la naturaleza. Las instalaciones de energía renovable, como paneles solares o aerogeneradores, pueden integrarse con la naturaleza de los destinos turísticos, minimizando su impacto visual y ambiental. • Innovación. Se puede impulsar la innovación en el sector turístico al incentivar la adopción de nuevas tecnologías y practicas sostenibles. Una de las razones por las que se está optando por el uso de energía renovables es porque el desarrollo del turismo está estrechamente relacionado con un aumento de la demanda de energía lo que provoca un impacto ambiental adverso en cada subactividad generada. Esto de deduce por la industria turística de los países con gran afluencia de turistas al tener en cuenta tres componentes de la demanda energética: el transporte que domina con un 94% del uso energético, seguido del alojamiento, con un 3,5% y el resto de las actividades con un 2,5%. Con esto volvemos a concluir la importancia del turismo sostenible ya que nos ayuda a lograr el desarrollo local, económico, cultural y sostenible [11]. El uso de las energías renovables también favorece a la economía azul, un aspecto que juega un papel muy importante en el turismo sostenible. Es un enfoque de desarrollo económico que busca el uso sostenible de los océanos y los recursos provenientes del mar para mejorar el bienestar humano, mantener la salud de los ecosistemas marinos y beneficiar a las personas y comunidades dependientes de los recursos oceánicos y marinos. Las empresas que quieren colaborar y apostar por la economía azul, tendrán que poner en práctica el empleo de energías renovables oceánicas, como la energía de las olas, la energía de las mareas y la energía térmica oceánica las cuales aprovechan los recursos naturales del océano para generar electricidad para sus instalaciones de manera sostenible. Tal y como se ha mencionado antes, las energías renovables ayudan a reducir las emisiones de carbono que se liberan a la atmósfera, lo cual mejora el cambio climático y protege los ecosistemas marinos y por consecuente, favorece a la economía azul. 2.7. Sostenibilidad sector hotelero En la actividad turística, el hotel es uno de los elementos clave, por ello a la hora de pensar en crear un destino más sostenible, los hoteles son un aspecto fundamental. Las cadenas hoteleras que utilizan la responsabilidad social corporativa desde el punto de vista estratégico logran que su gestión sea además de más sostenible, más rentable, convirtiendo sus acciones responsables en un elemento de diferenciación en el mercado. Se debe concienciar a los empresarios turísticos para destacar que el turismo sostenible, originará una mayor calidad en la experiencia del turista, y en las atracciones de las que disponga el lugar, así como beneficios a largo plazo. Un negocio turístico no será lo suficientemente competitivo, si no se preocupa por obtener más allá de la rentabilidad económica. Tienen que ser capaces de obtener rentabilidad sociocultural y medioambiental en la zona donde operan. La obtención de estas tres rentabilidades es, en definitiva, la garantía de supervivencia, y sostenimiento del sector [6]. Según la Organización Mundial del Turismo: “El concepto de sostenibilidad está ligado a tres hechos importantes: calidad, continuidad y equilibrio. De una forma u otra el turismo sostenible es definido como un modelo de desarrollo económico diseñado para mejorar la calidad de vida de la población local, es decir, de la gente que vive y trabaja en el destino turístico; proveer mayor calidad de experiencia para el visitante; mantener la calidad del medioambiente del que la población local 15 15 y visitantes dependen; la consecución de mayores niveles de rentabilidad económica, de la actividad turística para los residentes locales y asegurar la obtención de beneficios por parte de los empresarios turísticos, es decir, ha de procurarse que el negocio turístico sostenible sea rentable, de lo contrario los empresarios olvidaran el compromiso de sostenibilidad y alterarán el equilibrio [6].” Se valoran los impactos atribuidos al sector hotelero y los mayores impactos ambientales que se dan en la fase de prestación de servicios o fase operacional (mantenimiento, limpieza, cocina, restauración, lavandería, etc.), y en menor medida en la fase anterior a la prestación del servicio (construcción y productos auxiliares). La industria hotelera parece haber asumido parte de su responsabilidad en estos problemas ambientales, y a partir de los años noventa ha adoptado varias iniciativas dirigidas a mejorar su comportamiento ambiental, como por ejemplo medidas de ahorro de energía y recogida de residuos [1]. ¿Cómo podemos saber si un hotel cumple con los criterios de sostenibilidad y contribuye de manera favorable con el media ambiente? Hay que considerar varios factores: • Si tiene certificaciones reconocidas internacionalmente como LEED (Liderazgo en Energía y Diseño Ambiental), Green Key, EarthCheck, o el certificado de sostenibilidad de la Global Sustainable Tourism Council (GSTC) [12]. • Si tiene políticas ambientales claras y públicas. Esto puede incluir prácticas de ahorro de energía, gestión eficiente del agua, políticas de reciclaje, y programas para reducir el uso de plásticos y otros materiales no biodegradables. • La manera de gestionar sus residuos. Los hoteles sostenibles suelen tener sistemas de reciclaje bien establecidos y minimizan el desperdicio mediante la reutilización y el compostaje. • Si hace uso de fuentes de energía renovable, como paneles solares o turbinas eólicas, para reducir su huella de carbono. • Si está comprometido con la conservación de los recursos naturales locales, como la protección de áreas naturales cercanas, la preservación de la flora y fauna locales, y la promoción del turismo responsable. • Si gana confianza con sus grupos de interés a través de la transparencia, elemento fundamental para comprobar que realmente cumplen con lo que prometen. • Si tiene relaciones positivas con la comunidad local, apoyando proyectos sociales, empleando a residentes locales y respetando la cultura y las tradiciones locales. 2.8. Cuantificación de la sostenibilidad en el turismo La sostenibilidad en el turismo es un concepto integral que busca equilibrar el desarrollo económico del sector con la preservación del medio ambiente y el bienestar social. La cuantificación de la sostenibilidad en el turismo es esencial para identificar y evaluar los impactos ambientales y sociales generados por las actividades turísticas, así como para diseñar políticas y estrategias que promuevan un turismo responsable y sostenible. En este apartado, se pretende establecer una relación cuantitativa entre indicadores de sostenibilidad, tales como el consumo de energía, la gestión de residuos, y las emisiones de gases de efecto invernadero (GEI), con indicadores específicos del turismo como el número de visitantes, la ocupación hotelera, y los ingresos turísticos. La selección de indicadores de sostenibilidad y su correlación con los indicadores de turismo permitirá no solo una evaluación del impacto ambiental del turismo, sino también la identificación de prácticas sostenibles y áreas de mejora. Este enfoque cuantitativo muy importante para el desarrollo de estrategias que minimicen los efectos negativos del turismo sobre el medio ambiente y maximicen los beneficios económicos y sociales para las comunidades locales. Se muestra a continuación una breve tabla resumen de os indicadores escogidos para los estudios realizados en este trabajo: 16 16 Indicadores de Sostenibilidad Indicadores de turismo Residuos turísticos generados en Andalucía Ingresos turísticos en Andalucía Emisiones de gases efecto invernadero del turismo en Andalucía Número de turistas en Andalucía Consumo de energía renovable del turismo en Andalucía Número de pasajeros de las aeronaves en aeropuertos en Andalucía Tabla 2: Indicadores utilizados en los estudios 2.9. Técnicas para la cuantificación Para establecer una relación cuantitativa entre los indicadores de sostenibilidad y los indicadores de turismo, existen diversas técnicas y modelos estadísticos que permiten analizar y comprender las dinámicas entre estas variables. A continuación, se presentan algunos de los métodos más utilizados en la investigación sobre sostenibilidad y turismo: 1. Modelos ARDL (Autoregressive Distributed Lag) El modelo ARDL es una técnica econométrica que permite analizar la relación entre variables en diferentes periodos de tiempo, tanto a corto como a largo plazo. Este modelo es especialmente útil cuando las series temporales de los datos no son estacionarias, es decir, sus propiedades estadísticas varían con el tiempo. El ARDL puede manejar variables que son una combinación de integradas de orden 0 (I(0)) y de orden 1 (I(1)), lo que lo hace versátil para diferentes tipos de datos. 2. Modelos VAR (Vector Autoregression) Los modelos VAR son utilizados para capturar las interdependencias entre múltiples variables temporales. En el contexto de la sostenibilidad y el turismo, un modelo VAR podría analizar cómo los cambios en indicadores de turismo afectan a los indicadores de sostenibilidad y viceversa. Este modelo no requiere una estricta teoría económica para su especificación y es útil para predecir el comportamiento de las variables y sus interrelaciones. 3. Análisis de Cointegración El análisis de cointegración es una técnica que se utiliza para identificar y modelar relaciones de equilibrio a largo plazo entre variables no estacionarias. En estudios de sostenibilidad y turismo, este método puede ser empleado para determinar si existe una relación estable a largo plazo entre, por ejemplo, el desarrollo turístico y la calidad ambiental. 4. Modelos de Regresión Lineal Los modelos de regresión lineal son una herramienta fundamental para cuantificar la relación entre una variable dependiente y una o más variables independientes. En el contexto de este estudio, los modelos de regresión lineal permiten explorar cómo los indicadores de sostenibilidad, tales como el consumo de energía y las emisiones de GEI, están relacionados con los indicadores de turismo, como el número de turistas y la ocupación hotelera. La simplicidad y la capacidad de interpretación de los modelos de regresión lineal los hacen una elección popular para estudios empíricos. En el presente trabajo, se ha optado por utilizar modelos de regresión lineal para analizar la relación entre los indicadores de sostenibilidad y los indicadores de turismo. La elección de esta técnica se debe a su simplicidad, 17 17 capacidad para manejar múltiples variables y facilidad de interpretación de los resultados. A través de los modelos de regresión lineal, se pretende proporcionar una comprensión clara y cuantificable de cómo el turismo influye en la sostenibilidad y viceversa. 18 18 3 METODOLOGÍA EMPLEADA PARA EL CASO PRÁCTICO: REGRESIÓN LINEAL MÚLTIPLE 3.1. Regresión Lineal Simple Para entender mejor el método empleado en ese caso, vamos a ver previamente una breve introducción acerca de la Regresión Lineal Simple. En general, un modelo de regresión lineal simple consiste en estudiar la relación existente entre una variable denominada dependiente (Y) y otra variable denominada independiente o explicativa (X) a través de una recta, que toma el nombre de recta de regresión. Vamos a verlo con un ejemplo. Supongamos que hemos medido, simultáneamente, el peso y la altura de una serie de personas [13]: Tabla 3: Datos ejemplo Regresión Lineal Simple Las observaciones pueden ser representadas en un gráfico de dispersión (representación gráfica en un plano cartesiano de un conjunto de pares de datos (x, y)). En este gráfico cada individuo es un punto cuyas coordenadas son los valores de las variables. Ilustración 6: Gráfico de dispersión Fuente: Elaboración propia con la información de [13] X Y Estatura (cm) Peso (kg) 152 45 155 53 156 52 156 65 158 43 158 50 159 49 161 67 162 68 164 51 164 62 19 19 Representando estos pares de puntos (Estatura, Peso) en un plano, podemos observar la relación existente entre dicho par de variables: Ilustración 7: Gráfico de dispersión relación Fuente: Elaboración propia con la información de [13] En este caso se puede observar que existe una relación creciente, pues a medida que crece la estatura parece que va creciendo el peso. Definiendo de manera “simple”, el análisis de regresión lineal simple consiste en calcular una recta, denominada recta de regresión de forma que pase lo más cerca posible de todos los puntos. El estudio de los coeficientes de la recta va a resumir la relación entre este par de variables. La recta de regresión que deseamos calcular es: Peso = a + b ∗ Estatura 3.2. Regresión Lineal Múltiple Con el apartado anterior se analizaba la influencia de una variable explicativa (X) en los valores que toma otra variable denominada dependiente (Y) En la regresión lineal múltiple vamos a utilizar más de una variable explicativa; esto nos va a ofrecer la ventaja de utilizar más información en la construcción del modelo y, consecuentemente, realizar estimaciones más precisas. Para este modelo existe una pregunta clave a responder: de un conjunto de variables explicativas 𝒙𝟏, 𝒙𝟐,…,𝒙𝒌, ¿cuáles son las que más influyen en la variable dependiente Y? Al igual que en regresión lineal simple, vamos a considerar que los valores de la variable dependiente 𝒚𝒕 han sido generados por una combinación lineal de los valores de una o más variables explicativas 𝒙𝒕 y un término de perturbación estocástica u, también llamado residuos o erros aleatorio y se define gráficamente como la dispersión de la nube de puntos respecto a la recta de regresión en el caso de que el modelo sea Simple y respecto a la superficie en el caso de que sea Múltiple [14]. 𝑦𝑡= 𝛽0+ 𝛽1∙ 𝑥1𝑡 + 𝛽2∙ 𝑥2𝑡 + ⋯+ 𝛽𝑘∙ 𝑥𝑘𝑡 + 𝑢𝑡 20 20 Las 𝜷 son los coeficientes de regresión, y son elegidos de forma que la suma de cuadrados entre los valores observados y los pronosticados sea mínima, es decir, que se va a minimizar la varianza residual. Esta ecuación recibe el nombre de hiperplano, pues cuando tenemos dos variables explicativas, en vez de recta de regresión tenemos un plano: Ilustración 8: Representación gráfica ecuación Hiperplano [4] Con tres variables explicativas tendríamos un espacio de tres dimensiones, y así sucesivamente. 3.2.1. Hipótesis regresión lineal Múltiple Para realizar un análisis de regresión lineal múltiple se hacen las siguientes consideraciones sobre los datos [14]: • Linealidad. Los valores de la variable dependiente están generados por el siguiente modelo lineal: 𝑌 = 𝑋 ∙ 𝐵 + 𝑈 • Homocedasticidad. Todas las perturbaciones tienen la misma varianza: 𝑉(𝑢𝑖) = 𝜎2 21 21 • Independencia. Las perturbaciones aleatorias son independientes entre sí: 𝐸(𝑢𝑖∙ 𝑢𝑗) = 0,∀ 𝑖 ≠ 𝑗 • Normalidad. La distribución de la perturbación aleatoria tiene distribución normal: 𝑈 ≈ 𝑁(0,𝜎2) Si admitimos que los datos presentan estas hipótesis entonces el teorema de Gauss-Markov establece que el método de estimación de mínimos cuadrados va a producir estimadores óptimos, en el sentido que los parámetros estimados van a estar centrados y van a ser de mínima varianza [14]. En nuestro caso, no tendremos que “considerar” estas hipótesis como tal, ya que en este trabajo vamos a utilizar el software IBM SPPS, que es un software de procesamiento estadístico y de técnicas de modelización. Los pasos que se tendrían que seguir en el caso que se hiciera de manera manual serían los siguientes: 1) Estimación de los parámetros por mínimos cuadrados 2) Obtención de la Varianza residual 3) Contraste de regresión 4) Construcción del contraste 5) Obtención del Coeficiente de determinación R2 (Coeficiente Pearson) 6) Diagnosis y validación de un modelo de regresión lineal múltiple 6.1) Multicolinealidad 6.2) Análisis de residuos 6.3) Valores de influencia (leverage) 6.4) Contrastando las hipótesis básicas 6.5) Homocedasticidad 7) Selección de las variables regresoras En nuestro caso, el procedimiento que debemos realizar para estudiar el modelo con el IBM SPSS se muestra en los siguientes puntos, explicándose así, la interpretación de los resultados obtenidos en el software. 22 22 3.2.2. Paso 1: Supuesto de Normalidad Lo primero que debemos examinar para llevar a cabo nuestro modelo es la “Normalidad de las variables”, y para ello, es necesario realizar una Hipótesis de Normalidad. Esta hipótesis es fundamental para saber qué tipo de enfoque (enfoque paramétrico o enfoque no-paramétrico) usaremos en el modelo. Diferenciamos dos hipótesis [15]: H0: Hipótesis nula H1: Hipótesis alterna Para validar la hipótesis de normalidad se suele asumir un nivel de confianza (𝑁𝐶) del 95%, ya que es el valor más optimizado; y el error (α) es del 5%. El p-valor es el mínimo valor de riesgo que tenemos que asumir para demostrar nuestra hipótesis de normalidad. Nuestra prueba de normalidad variará en cuanto al estadístico que debamos usar y esto depende del tamaño de la muestra (n). Una vez conocemos el estadístico que debemos aplicar, podremos examinar la distribución que siguen nuestras variables y lo que supone. Todas las variables del modelo siguen una Distribución Normal Trabajamos con un enfoque paramétrico Todas las variables del modelo no siguen una Distribución Normal Trabajamos con un enfoque no-paramétrico Una de las variables del modelo no sigue una Distribución Normal Trabajamos con un enfoque no-paramétrico Tabla 4: Enfoque paramétrico / no-paramétrico H0: Los datos siguen una distribución normal H1: Los datos no siguen una distribución normal Criterio de decisión Si p-valor es < 0,05 se acepta la H1 Si p-valor es ≥ 0,05 se acepta la H0 Prueba de normalidad Si 𝑛 > 50 se aplica el estadístico Kolmogorov - Smirnov Si 𝑛 ≤ 50 se aplica Shapiro - Wilk ENFOQUE PARAMÉTRICO / ENFOQUE NO-PARAMÉTRICO 23 23 Más adelante veremos qué tipo de enfoque paramétrico usaremos en el caso de que las variables cumplan con el supuesto de normalidad, y qué tipo de enfoque no-paramétrico en el caso de que las variables no cumplan con el supuesto de normalidad. Se verá más adelante en la aplicación del caso práctico debido a que estos tipos de enfoque no lo proporciona el Software empleado para el Modelo de Regresión Lineal. 3.2.3. Paso 2: Hipótesis para Coeficientes de Correlación El siguiente paso antes de realizar nuestra regresión múltiple respectiva, es hacer es una prueba de hipótesis de coeficientes de correlación para demostrar la relación de la variable endógena con cada una de sus variables predictoras. Tendrán lugar tantas hipótesis (de correlación) como variables predictoras haya. Se van a diferenciar entre la hipótesis nula y la hipótesis alterna [15]. H0: Hipótesis nula H1: Hipótesis alterna El valor del p-valor es el nivel de significación y nos lo proporciona el software SPSS. Con esta hipótesis también se puede comprobar si existe algún problema de Multicolinealidad, que tiene lugar cuando dos variables explicativas tienen relación entre sí. Más adelante se verá con más detalle qué medidas se deberán tomar en el caso de que se diera lugar este problema. H0: No existe relación entre la variable dependiente y la variable predictora1 H1: Existe relación entre la variable dependiente y la variable predictora1 H0: No existe relación entre la variable dependiente y la variable predictorak H1: Existe relación entre la variable dependiente y la variable predictorak H0: No existe relación entre la variable dependiente y la variable predictora2 H1: Existe relación entre la variable dependiente y la variable predictora2 . . . Criterio de decisión Si p-valor es < 0,05 se acepta la H1 Si p-valor es ≥ 0,05 se acepta la H0 30 30 Tabla 11: Regresión validación 1 SPSS Observamos los valores de significación (p-valor), que son los dos menores al 5%, lo que quiere decir que se rechaza la hipótesis nula y se acepta la alterna. Recordamos que la hipótesis alterna nos dice que los coeficientes (β) son diferentes a cero, y efectivamente es así, podemos verlo en la tabla: - La constante 𝛽0 tiene un valor de 131001,59 - El coeficiente 𝛽1 tiene un valor de 1026,867 - El coeficiente 𝛽2 tiene un valor de 6543,6119 Se comprueba con estos resultados que nuestro modelo de este ejemplo sencillo es válido y podemos construirlo como se muestra a continuación: 𝑦𝑡= 131001,59 + 1026,867𝑥1𝑡 + 6543,619𝑥2𝑡 El término de error aleatorio no se tiene en cuenta debido a que los valores del p-valor son menor al 5% lo que quiere decir que el modelo es válido y casi no existe diferencia entre los puntos observados con los estimados. Ilustración 12: Representación gráfica de la ecuación resultante del modelo validación 1 31 31 4.2. Segundo ejemplo Tabla 12: Datos simples ejemplo 2 validación La variable endógena (𝑦𝑡) es un vector de ocho componentes y las variables explicativas (𝑥1𝑡, 𝑥2𝑡) son transformaciones de la variable endógena. La variable 𝑥1𝑡 resulta de multiplicar la variable 𝑦𝑡 por dos; y la variable 𝑥2𝑡 resulta de elevar a tres la variable 𝑦𝑡. 𝑦𝑡= 𝛽0+ 𝛽1𝑥1𝑡 + 𝛽2𝑥2𝑡 + 𝜇𝑡 El hiperplano que se origina con esta ecuación formada por estas tres variables es el que se muestra a continuación: Ilustración 13: Hiperplano validación SPSS A continuación, introducimos los datos en el SPSS: YX1 X2 1000 2000 1000000 1500 3000 2250000 2000 4000 4000000 2500 5000 6250000 3000 6000 9000000 3500 7000 12250000 4000 8000 16000000 4500 9000 20250000 32 32 Ilustración 14: Vista datos validación SPSS En “vista variables” editamos las variables como necesitemos: Ilustración 15: Vista variables validación SPSS El primer paso para analizar nuestro modelo de Regresión Lineal Múltiple es realizar el supuesto de normalidad y, para ello hacemos uso del SPSS. La tabla resultado del supuesto de normalidad es la siguiente: 33 33 Tabla 13: Supuesto de normalidad validación 2 SPSS Debido a que el tamaño de la muestra del modelo es menor a 50, tenemos que tener en cuenta el estadístico Shapiro-Wilk. Observamos los valores de la columna señalada que son los p-valor, también llamados “nivel de significación”. Vemos que todos son mayores al 5%, lo que implica que se acepta la hipótesis nula, y por teoría recordamos que lo que significa es que las tres variables siguen una distribución normal. Con esta información sabemos que tenemos que aplicar el enfoque paramétrico de Pearson que, el software IBM SPSS nos lo facilita por defecto. Ahora vemos la correlación entre las variables con la ayuda de la tabla de correlación que nos proporciona el SPSS: Tabla 14: Observación de Multicolinealidad 1 34 34 Para analizar la correlación entre las variables podemos hacerlo de dos formas: 3. Fijándonos en el p-valor 4. Fijándonos en el coeficiente de correlación, en este caso de Pearson Tabla 15: Relaciones entre las variables con p-valor validación SPSS Tabla 16: Relaciones entre las variables con Pearson validación 2 SPSS A continuación, debemos estudiar si existe un problema de Multicolinealidad, que es una situación en la que dos o más variables predictoras están altamente correlacionadas entre sí. Esto significa que una variable independiente puede ser casi predicha a partir de las otras, lo que dificulta determinar los efectos individuales de cada variable independiente sobre la variable dependiente. 1ª OPCIÓN RELACIONARLAS CON EL NIVEL DE SIGNIFICACIÓN (P-VALOR) 1ª Relación: La variable 𝒚𝒕 con la variable 𝒙𝟏𝒕 Nos fijamos en el p-valor y vemos que es menor que el 5%. Por teoría sabemos que esto implica que se rechaza la hipótesis nula (H0) y se acepta la hipótesis alterna (H1); y la alterna nos dice que existe relación entre las variables 𝒚𝒕 y 𝒙𝟏𝒕 . 2ª Relación: La variable 𝒚𝒕 con la variable 𝒙𝟐𝒕 En este caso ocurre los mismo, por lo que la variable endógena está correlacionada con la variable predictora 𝒙𝟐𝒕. 2ª OPCIÓN RELACIONARLAS CON EL COEFICIENTE DE CORRELACIÓN DE PEARSON 1ª Relación: La variable 𝒚𝒕 con la variable 𝒙𝟏𝒕 El valor del coeficiente de correlación de Pearson entre 𝒚𝒕 y 𝒙𝟏𝒕 es un 100%, la máxima relación que puede tener lugar. 2ª Relación: La variable 𝒚𝒕 con la variable 𝒙𝟐𝒕 En este caso, el coeficiente de correlación de Pearson entre estas dos variables es 98,4, una relación fuerte y positiva. 35 35 Tabla 17: Multicolinealidad validación 2 Las dos variables independientes están relacionadas, pues el p-valor entre éstas es menor al 5%. Por consecuente, es necesario eliminar una de estas variables para poder seguir estudiando el modelo. Al eliminar una de nuestras variables explicativas, nuestro modelo de Regresión Lineal Múltiple pasa a ser un modelo de Regresión Lineal Simple. Tras averiguar cómo ha quedado nuestro modelo y las correlaciones, analizamos la regresión del modelo con la siguiente tabla resultante del SPSS, lo que nos permitirá saber cuál es el valor de la constante y del coeficiente de regresión 𝛽1. Tabla 18: Regresión validación 2 SPSS Observamos los valores de significación (p-valor), que son los dos menores al 5%, lo que quiere decir que se rechaza la hipótesis nula y se acepta la alterna. Recordamos que la hipótesis alterna nos dice que los coeficientes (β) son diferentes a cero, y efectivamente es así, podemos verlo en la tabla: - La constante 𝛽0 tiene un valor de 0 - El coeficiente 𝛽1 tiene un valor de 0,5 36 36 Se comprueba con estos resultados que nuestro modelo de este ejemplo sencillo es válido y podemos construirlo como se muestra a continuación: 𝑦𝑡= 0,5𝑥1𝑡 Ilustración 16: Representación gráfica de la ecuación resultante del modelo validación 2 37 37 5 PRUEBAS PREVIAS A LOS ESTUDIOS DE SOSTENIBILIDAD a finalidad de realizar estas pruebas previas es ir familiarizándonos con los datos de las estadísticas del Instituto Nacional de Estadística [16], así como dar fiabilidad y acreditación a los estudios importantes de sostenibilidad de este trabajo. 5.1. Prueba 1 Para esta primera prueba se ha analizado un modelo de Regresión Lineal Simple donde las variables son dos vectores de doce observaciones tomadas del Instituto Nacional de Estadística [16]. La variable endógena 𝑦𝑡 son los gastos medios diarios por turista por trimestre en Andalucía de los años 2023, 2022 y 2021; mientras que la variable exógena 𝑥𝑡 son las pernoctaciones en hoteles de Andalucía, también por trimestre de los mismos años que la variable dependiente. A continuación, se muestra los datos tomados que nos proporciona INE: Ilustración 17: Datos de INE variable endógena Prueba 1 En el caso de los gastos, el INE nos lo da por trimestre, pero en la siguiente ilustración vemos como los datos de las pernoctaciones nos lo proporciona por meses, por lo que se han calculado por trimestre para que tengan la misma unidad. L 01 Andalucía Componentes 2023T4 85,35 1 2023T3 59,79 2 2023T2 81,43 3 2023T1 73,26 4 2022T4 82,78 5 2022T3 55,12 6 2022T2 68,23 7 2022T1 61,99 8 2021T4 62,73 9 2021T3 45,13 10 2021T2 53,24 11 2021T1 41,67 12 Gasto medio diario por persona Valor absoluto 38 38 Ilustración 18: Datos de INE variable exógena Prueba 1 Una vez mostrados los datos de las variables de este modelo y de dónde se han tomado, comenzamos con el análisis. Este modelo se expresa en una ecuación lineal que intenta predecir el comportamiento de una variable cuantitativa (variable endógena 𝑦𝑡) en función a otra variable cuantitativa (variable exógena 𝑥𝑡). Hoteles Campings Apartamentos turísticos Alojamientos de turismo rural Albergues 2023M12 1.377.896 73.255 325.932 83.455 26.451 2023M11 1.278.801 100.428 200.027 43.406 24.421 2023M10 1.817.567 202.450 279.242 46.486 30.000 2023M09 2.588.824 372.317 455.834 61.872 31.639 2023M08 4.134.216 1.005.630 912.466 149.155 33.430 2023M07 3.657.286 728.477 748.624 106.553 47.599 2023M06 2.605.778 362.200 407.676 63.535 39.323 2023M05 1.987.664 214.562 304.539 42.477 36.659 2023M04 2.140.172 341.813 364.517 66.368 60.572 2023M03 1.583.785 119.827 234.354 40.266 74.194 2023M02 1.313.951 108.771 253.571 42.879 61.538 2023M01 1.052.987 56.810 223.000 36.575 47.558 2022M12 1.270.267 70.778 266.903 67.731 30.640 2022M11 1.306.991 71.627 176.325 42.236 25.068 2022M10 1.821.955 157.749 253.005 51.433 29.079 2022M09 2.718.541 364.910 473.308 64.996 28.909 2022M08 4.337.352 1.011.376 942.870 152.989 39.027 2022M07 3.799.539 785.765 739.252 131.981 47.742 2022M06 2.678.849 358.258 440.404 61.397 40.850 2022M05 2.214.034 205.398 294.901 40.112 34.233 2022M04 2.201.487 236.808 330.149 68.955 40.012 2022M03 1.430.902 60.585 192.504 32.497 28.597 2022M02 1.269.054 90.024 202.560 43.838 29.211 2022M01 826.684 52.095 175.154 27.334 19.207 2021M12 1.177.555 73.126 261.487 63.654 31.648 2021M11 1.158.820 58.902 180.200 39.916 32.815 2021M10 1.835.024 145.973 298.285 62.198 36.067 2021M09 2.853.124 310.000 537.809 64.109 39.344 2021M08 4.806.859 1.003.402 1.131.029 195.818 49.821 2021M07 3.967.035 758.086 885.573 137.433 66.496 2021M06 2.276.114 319.618 399.779 60.223 33.909 2021M05 2.276.114 159.559 185.363 31.827 22.298 2021M04 2.276.114 78.677 89.605 23.064 12.275 2021M03 384.117 48.736 90.110 17.410 10.850 2021M02 272.975 26.419 59.056 6.027 8.352 2021M01 285.192 23.479 73.312 8.185 9.090 01 Andalucía Residentes en España Pernoctaciones 39 39 Ilustración 19: Variable independiente pernoctaciones Prueba 1 Al ser un modelo simple podemos resolverlo de manera sencilla con el Método de Mínimos Cuadrados, y lo vamos a realizar en Excel. La ecuación del modelo es la siguiente: Las fórmulas que tenemos que aplicar para el cálculo de los coeficientes son las siguientes: 𝛽1=∑(𝑋 − Ӿ)(𝑌 − Ȳ) ∑(𝑋 − Ӿ)2 𝛽0 = Ȳ − 𝛽1∙ Ӿ HOTELES TRIMESTRE T4 2023 4.474.264 T3 2023 10.380.326 T2 2023 6.733.614 T1 2023 3.950.723 T4 2022 4.399.213 T3 2022 10.855.432 T2 2022 7.094.370 T1 2022 3.526.640 T4 2021 1.158.820 T3 2021 4.171.399 T2 2021 11.627.018 T1 2021 6.828.342 46 46 Se observa que existe un problema de Multicolinealidad, pues las dos variables explicativas que quedan ene l modelo tienen correlación. Por consecuente, hay que eliminar una de ellas del modelo; y vamos a eliminar la variable 𝑥3𝑡 ya que tiene un coeficiente de correlación más bajo que la variable 𝑥2𝑡 que significa que tiene un porcentaje menor de relación con la variable endógena. Al eliminar estas dos variables explicativas, nuestro modelo De Regresión Lineal Múltiple pasa a ser un modelo de Regresión Lineal Simple. Tras averiguar cómo ha quedado nuestro modelo y las correlaciones, volvemos al SPSS para ver la regresión del modelo, lo que nos permitirá saber el valor del coeficiente de regresión que tenemos (𝛽2), pues los coeficientes 𝛽3 y 𝛽1 ya no existen al eliminar las variables 𝑥1𝑡 y 𝑥3𝑡. Tabla 25: Coeficientes de regresión Prueba 2 Observamos los valores de significación (p-valor), que son los dos menores al 5%, lo que quiere decir que se rechaza la hipótesis nula y se acepta la alterna. Recordamos que la hipótesis alterna nos dice que los coeficientes (β) son diferentes a cero, y efectivamente es así, podemos verlo en la tabla: - La constante 𝛽0 tiene un valor de -1398,555 - El coeficiente 𝛽2 tiene un valor de 17,899 Se comprueba con estos resultados que nuestro modelo de este estudio es válido y podemos construirlo como se muestra a continuación: 𝑦𝑡= −1398,555 + 17,899𝑥2𝑡 Representamos la gráfica de esta ecuación: Ilustración 26: Gráfica ecuación prueba 2 47 47 6 CASO PRÁCTICO: ESTUDIO DE LA SOSTENIBILIDAD EN EL TURISMO MEDIANTE INDICADORES Para llevar a cabo el Estudio deseado de la Sostenibilidad en el Turismo Industrial, debemos analizar una serie de indicadores muy importantes los cuales nos ayudarán a obtener datos de objetivos sostenibles y datos reales sostenibles. 6.1. Indicadores de Turismo Sostenible Los indicadores que vamos a considerar nos informan sobre el nivel de rendimiento ambiental, social y económico y los procesos de gestión en el lugar, con el fin de proporcionar formas de turismo que contribuyan a la gestión y desarrollo sostenible de un territorio. Los indicadores pueden simplificar la compleja realidad en la que vivimos. Especialmente en el campo de la sostenibilidad, permiten que los responsables de la formulación de políticas puedan comprender concretamente cuestiones relacionadas y, en consecuencia, basar sus decisiones en la evidencia. Los indicadores de sostenibilidad capturan evidencias sobre economía, sociedad, cultura y/o medio ambiente de una organización o lugar. Los datos son ampliamente recolectados y usados por los sectores público y privado con diferentes propósitos. Los datos se utilizan como indicador cuando se usan para diagnosticar o revelar algo que es de particular importancia para alguien. Una vez comprendido y desarrollado el tema principal de este trabajo, se va a llevar a cabo la parte práctica de éste. A continuación, ponemos en práctica el objetivo de este trabajo, realizar varios estudios sobre el turismo sostenible en la comunidad de Andalucía. 6.2. Fuentes y bases de datos empleadas sobre el turismo En la realización de estudios de modelos de regresión lineal, es importante tener en cuenta la calidad y precisión de los datos empleados para poder obtener resultados válidos y significativos. Para el presente trabajo, se han consultado y utilizado varias fuentes oficiales y bases de datos reconocidas por su rigor y fiabilidad. Estas fuentes no solo proporcionan datos actualizados y bien documentados, sino que también son ampliamente utilizadas en la comunidad científica y en el ámbito profesional, lo que garantiza su relevancia y credibilidad. La elección de estas bases de datos se fundamenta en varios criterios clave: la calidad de los datos, la accesibilidad, la cobertura geográfica y temporal, así como la especificidad en relación con las variables de interés para los modelos de regresión. A continuación, se describen las principales fuentes utilizadas. Las fuentes empleadas en este trabajo incluyen: • Instituto Nacional de Estadística (INE) [16]: Esta entidad proporciona datos exhaustivos y detallados sobre diversos aspectos socioeconómicos de España. 48 48 • Ministerio para la Transición Ecológica y el Reto Demográfico (MITERD), Secretaría de Estado de Medio Ambiente, Dirección General de Calidad y Evaluación Ambiental: Este ministerio ofrece datos sobre medio ambiente y sostenibilidad, esenciales para estudios relacionados con el impacto ecológico y la evaluación ambiental. • SEGITTUR Turismo e Innovación: Esta fuente proporciona información relevante sobre el sector turístico y la innovación en España, facilitando el análisis de tendencias y patrones en el turismo. • Ministerio de Industria, Comercio y Turismo: Proporciona datos industriales y turísticos que son vitales para entender la dinámica de estos sectores en la economía española. • Agencia Andaluza de la Energía, Consejería de Industria, Energía y Minas: Esta agencia ofrece información específica sobre la energía en Andalucía, apoyando análisis energéticos y de sostenibilidad en esta región. Estos recursos han aportado una base sólida para los modelos de regresión desarrollados en este trabajo. Cada una de estas fuentes ha sido seleccionada por su capacidad para proporcionar datos de alta calidad y su relevancia en el contexto del análisis realizado. 6.3. Primer estudio En este primer estudio se va a considerar un modelo con tres indicadores cuyos valores se han tomado de la comunidad autónoma de Andalucía: - Los residuos generados por el sector turístico en la comunidad autónoma de Andalucía - El número de turistas de la comunidad autónoma de Andalucía - Los ingresos turísticos de la comunidad autónoma de Andalucía Los indicadores son las variables de nuestro modelo de regresión múltiple. El indicador Residuos generados por el sector turísticos en Andalucía en este primer estudio tomará el papel del vector variable dependiente o endógena (𝒚𝒕), es decir, es la variable que queremos explicar a través de las variables predictoras, también llamadas variables explicativas, variables independientes o variables exógenas (𝒙𝟏𝒕 ,𝒙𝟐𝒕) . Estas variables predictoras serán, por consecuente, los otros dos indicadores citados anteriormente, el indicador Número de turistas en Andalucía e Ingresos turísticos en Andalucía. 𝑦𝑡= 𝑅𝑒𝑠𝑖𝑑𝑢𝑜𝑠 𝑔𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑠 𝑝𝑜𝑟 𝑒𝑙 𝑠𝑒𝑐𝑡𝑜𝑟 𝑡𝑢𝑟í𝑠𝑡𝑖𝑐𝑜 𝑒𝑛 𝐴𝑛𝑑𝑎𝑙𝑢𝑐í𝑎 𝑥1𝑡 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑢𝑟𝑖𝑠𝑡𝑎𝑠 𝑒𝑛 𝐴𝑛𝑑𝑎𝑙𝑢𝑐í𝑎 𝑥2𝑡 = 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑡𝑢𝑟í𝑠𝑡𝑖𝑐𝑜𝑠 𝑒𝑛 𝐴𝑛𝑑𝑎𝑙𝑢𝑐í𝑎 𝑦𝑡= 𝛽0+ 𝛽1𝑥1𝑡 + 𝛽2𝑥2𝑡 + 𝜇𝑡 49 49 Todos los indicadores que se definen en el trabajo siempre serán vectores de 10 componentes que corresponden a un intervalo de 10 años estudiados. Entonces, como los datos son series de tiempo, el subíndice t denotará la t-ésima observación, es decir, t = 1, …,10 años. Para la obtención de los indicadores, todos ellos serán una estimación, pues es muy difícil calcularlos de manera exacta. 6.3.1. Indicador Residuos generados por el sector turístico en Andalucía Los establecimientos hoteleros y extrahoteleros están considerados como grandes generadores de residuos. La gran cantidad de clientes que recibe, la magnitud de las instalaciones, la cantidad de servicios de restauración que ofrecen, unido a la diversidad y complejidad de los tipos de residuos que generan, hacen imprescindibles que estas instalaciones cuenten con una adecuada logística de gestión de residuos [12]. Los productores de residuos deben realizar una adecuada gestión de éstos para cumplir con La Ley 22/2011, de 28 de Julio, de residuos y suelos contaminados [12]. “Esta Ley tiene por objeto regular la gestión de los residuos impulsando medidas que prevengan su generación y mitiguen los impactos adversos sobre la salud humana y el medio ambiente asociados a su generación y gestión, mejorando la eficiencia en el uso de los recursos. Tiene asimismo como objeto regular el régimen jurídico de los suelos contaminados”. 8 En la siguiente tabla se muestra un listado no exhaustivo de los principales residuos generados en este tipo de establecimientos, su categorización de “peligroso” o “no peligroso” y su codificación según el Listado Europeo de Residuos (Orden MAM/304/2002, de 8 de febrero, por la que se publican las operaciones de valorización y eliminación de residuos y la lista europea de residuos). Principales residuos generados Tipología Código LER Gases refrigerantes Peligroso 140601* Envases ligeros No peligroso 150106 Vidrio No peligroso 150107 Residuos de pilas, acumuladores y baterías No peligroso/ Peligroso 160604 / 160603* Residuos de construcción y demolición No peligroso/Peligroso 170101 / 170904 Papel y cartón No peligroso 200101 Residuos biodegradables de cocina y restaurantes No peligroso 200108 Ropa y calzado/Tejidos No peligroso 200110 / 200111 Plaguicidas Peligroso 200119* Lámparas y fluorescentes Peligroso 200121* Aceite vegetal usado No Peligroso 201025 8 Jefatura del Estado «BOE» núm. 181, de 29 de julio de 2011 Referencia: BOE-A-2011-13046 50 50 Pinturas, tintas. adhesivos y resinas Peligroso/No peligroso 200127* / 200128 Residuos de aparatos eléctricos y electrónicos Peligroso 200135* / 200136 Restos de poda y jardinería No peligroso 200201 Fracción resto No peligroso 200301 Residuos voluminosos No peligroso 200307 Cuando los códigos LER vienen acompañados de un símbolo asterisco, nos indica que se trata de un residuo peligroso. Tabla 26: Clasificación de Residuos [12] En el proceso de búsqueda de este indicador no se ha podido encontrar los datos exactos, los residuos generados por el turismo en Andalucía, por lo que se han tenido que estimar. Del Instituto Nacional de Estadística [16], en concreto de la “Estadística sobre recogida y tratamiento de residuos clasificados por tipo de residuo, período y comunidades autónomas”, se han tomado los siguientes datos: Ilustración 27: Residuos Andalucía [16] Se observa que la serie temporal es del año 2012 hasta el año 2021, ya que no se ha podido encontrar los datos del período que queremos. Estos valores corresponden al total de residuos recogidos en Andalucía, y como en nuestro caso necesitamos únicamente los del sector turismo en Andalucía, se ha hecho una estimación tomando como porcentaje del turismo un 15% del total. 51 51 Tabla 27: Indicador Residuos turismo Andalucía La columna “Total” es la suma de los tipos de residuos recogidos en Andalucía y la columna “Residuos Turismo” es el resultado de aplicarle el 15% a la columna “Total” y es el vector variable independiente (𝒚𝒕) de nuestro modelo en este estudio que se mide en toneladas. 6.3.2. Indicador Número de turistas en Andalucía Para la estimación de este indicador se han tomado los datos nuevamente del Instituto Nacional de Estadística [17]. Del apartado “Encuesta de ocupación hotelera”, se han usado los datos de “pernoctaciones por tipo de alojamiento por comunidades y cuidades autónomas”. Se muestra a continuación una parte de la tabla de datos utilizada para este indicador, ya que la tabla completa es bastante extensa. Ilustración 28: Tabla Pernoctaciones Andalucía [17] AÑO Total Residuos Turismo 2023 4.480.749 672112,35 2022 4.303.042 645456,3 2021 4.213.551 632032,65 2020 4.340.642 651096,3 2019 4.270.535 640580,25 2018 4.297.770 644665,5 2017 4.128.925 619338,75 2016 4.062.996 609449,4 2015 4.387.986 658197,9 2014 4.685.720 702858 52 52 Los datos están proporcionados por tipo de alojamiento, por lo que se ha realizado la suma de éstos para obtener el total de pernoctaciones en cada mes de los 10 años observados. Así mismo, como nuestro vector (𝑥1𝑡) está formado por 10 componentes (correspondientes a la serie temporal 2014-2023) se han sumado las columnas de los meses para obtener las pernoctaciones por año como se muestra a continuación. Ilustración 29: Datos pernoctaciones Residentes en España de Andalucía Esta tabla que nos proporciona el INE está compuesta por los datos de “Pernoctaciones Residentes en España” y por “Pernoctaciones Residentes en el Extranjero”. Debido a que los datos que necesitamos son del total de turistas, se han sumado los valores de estos dos grupos, obteniendo de esta manera, la columna de color gris llamada “Total pernoctaciones”. Ilustración 30: Datos pernoctaciones Residentes en el Extranjero de Andalucía 53 53 El Indicador Número de Turistas en Andalucía quedaría de la siguiente manera: Tabla 28: Indicador número de Turistas en Andalucía 6.3.3. Indicador Ingresos turísticos en Andalucía Este indicador no se ha podido encontrar directamente como “ingresos turísticos en Andalucía” por lo que se ha tenido que estimar haciendo uso de unos datos sobre gastos tomados del Instituto Nacional de Estadística [17]. Estos datos se han tomado de dos resultados diferentes: - “Gasto medio diario por persona por comunidad autónoma de residencia de los viajeros” - “Gasto medio diario de los turistas internacionales según comunidad autónoma de destino principal” En este caso se ha escogido la comunidad autónoma de Andalucía y se han sumado los valores de estos dos resultados para obtener el vector de “Gasto medio diario total de los turistas en Andalucía”. A continuación, se muestran primero la tabla que resulta del “Gasto medio diario por persona por comunidad autónoma de residencia de los viajeros”: Ilustración 31: Resultado gasto medio diario residentes Andalucía AÑO Nº TURISTAS ANDALUCÍA 2023 73.734.975 2022 67.645.319 2021 42.305.005 2020 23.998.627 2019 72.044.757 2018 69.617.541 2017 68.717.603 2016 66.161.583 2015 58.794.534 2014 57.295.212 54 54 Observamos que los datos se proporcionan por trimestre, con lo cual hacemos el promedio de esos valores de cada año, para tener los datos del gasto medio diario de los viajeros residentes por año. Una vez obtenido este vector de 10 componentes, se hace el mismo cálculo para la otra tabla de resultados de “Gasto medio diario de los turistas internacionales según comunidad autónoma de destino principal”. Ilustración 32: Resultado gasto medio diario turistas internacionales en Andalucía Como la variable que necesitamos es el gasto de los turistas totales en Andalucía sumamos estos dos vectores que se han calculado como se muestra a continuación: Ilustración 33: Ingresos turísticos Andalucía De esta manera, ya tenemos el indicador que queríamos estimar, y lo hemos llamado Indicador Ingresos turísticos en Andalucía midiéndose en €. 55 55 Tabla 29: Indicador Ingresos turísticos en Andalucía 6.3.4. Análisis del primer estudio mediante el software IBM SPSS Comenzamos introduciendo los datos en el SPSS, es decir, los tres vectores de tamaño diez correspondientes a nuestros tres indicadores. Ilustración 34: Vista datos estudio 1 Una vez que hemos introducido los valores de las variables, lo ponemos en modo “vista de variables” para poder ponerle el nombre que queramos y editar a nuestro gusto los datos como se muestra a continuación. AÑO INGRESOS 2023 225,96 2022 200,03 2021 158,69 2020 137,04 2019 183,64 2018 179,47 2017 169,83 2016 162,04 2015 143,39 2014 150,61 62 62 Ilustración 43: Regresión lineal primer estudio Como nuestro modelo en este estudio ha pasado a ser un modelo de Regresión Lineal Simple, en el recuadro de “Independientes sólo introducimos la variable Turistas. Luego, pinchamos en el botón “Estadísticos” y nos aparece la siguiente ventana: Ilustración 44: Estadísticos regresión lineal primer estudio En esta ventana lo único que hace que hacer es activar la casilla de “Intervalos de confianza”. Como resultado de realizar estos pasos, obtenemos la tabla de “Coeficientes”. 63 63 Tabla 34: Coeficientes SPSS primer estudio En primer lugar, observamos los valores de significación (p-valor), que son los dos menores al 5%, lo que quiere decir que se rechaza la hipótesis nula y se acepta la alterna. Recordamos que la hipótesis alterna nos dice que los coeficientes (β) son diferentes a cero, y efectivamente es así, podemos verlo en la tabla: - La constante 𝛽0 tiene un valor de 339,601 - El coeficiente 𝛽1 tiene un valor de 7,775 Se comprueba con estos resultados que nuestro modelo de este estudio es válido y podemos construirlo como se muestra a continuación: 𝑦𝑡= 339,601 + 7,775𝑥1𝑡 Así queda nuestro modelo de Regresión Lineal Simple de la variable Residuos en función de la variable Número de turistas, que se interpreta de la siguiente manera: por cada turista en Andalucía, los residuos se incrementan en 7,775 toneladas. El término residuos 𝜇𝑡 representa el error aleatorio para cada observación en el modelo, y es la diferencia entre los valores observados y los valores predichos por el modelo. Este término no aparece en la ecuación del modelo por que se acerca mucho a cero debido a que nuestro modelo está bien ajustado. 64 64 6.4. Segundo estudio Continuamos con un segundo estudio en el que se va a relacionar otros tres indicadores. El indicador Emisiones de gases efecto invernadero del turismo en Andalucía en este segundo estudio será el vector variable dependiente o endógena (𝒚𝒕); y las variables explicativas o predictoras (𝒙𝟏𝒕 ,𝒙𝟐𝒕) son los indicadores Número de pasajeros comerciales embarcados o desembarcados de las aeronaves en aeropuertos de Andalucía e Ingresos turísticos en Andalucía. 𝑦𝑡= 𝐸𝑚𝑖𝑠𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑔𝑎𝑠𝑒𝑠 𝑒𝑓𝑒𝑐𝑡𝑜 𝑖𝑛𝑣𝑒𝑟𝑛𝑎𝑑𝑒𝑟𝑜 𝑑𝑒𝑙 𝑡𝑢𝑟𝑖𝑠𝑚𝑜 𝑒𝑛 𝐴𝑛𝑑𝑎𝑙𝑢𝑐í𝑎 𝑥1𝑡 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑎𝑠𝑎𝑗𝑒𝑟𝑜𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑎𝑒𝑟𝑜𝑛𝑎𝑣𝑒𝑠 𝑒𝑛 𝑎𝑒𝑟𝑜𝑝𝑢𝑒𝑟𝑡𝑜𝑠 𝑒𝑛 𝐴𝑛𝑑𝑎𝑙𝑢𝑐í𝑎 𝑥2𝑡 = 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑡𝑢𝑟í𝑠𝑡𝑖𝑐𝑜𝑠 𝑒𝑛 𝐴𝑛𝑑𝑎𝑙𝑢𝑐í𝑎 𝑦𝑡= 𝛽0+ 𝛽1𝑥1𝑡 + 𝛽2𝑥2𝑡 + 𝜇𝑡 6.4.1. Indicador Emisiones de gases efecto invernadero en Andalucía Este indicador no ha sido necesario estimarlo ya que los datos han sido directamente tomados del Ministerio para la Transición Ecológica y el Reto Demográfico (Secretaría de Estado de Medio Ambiente, Dirección General de Calidad y Evaluación Ambiental) [18]. Este nos proporciona un documento llamado “EMISIONES DE GEI POR COMUNIDADES AUTÓNOMAS A PARTIR DEL INVENTARIO ESPAÑOL, SERIE 1990- 2019”. Se han tomado los datos desde el año 2010 hasta el año 2019 debido ya que no se ha podido encontrar los datos del intervalo escogido en todos los indicadores (2014-2023). Tabla 35: Emisiones CO2 por Comunidad Autónoma [18] 65 65 Tabla 36: Indicador GEI segundo estudio Estos datos se han cogido suponiendo que son las emisiones correspondientes al turismo en Andalucía. 6.4.2. Indicador Número de pasajeros comerciales embarcados o desembarcados de las aeronaves en aeropuertos de Andalucía Este indicador se ha tomado del apartado “Transporte” del Ministerio de Industria y Turismo (SEGITTUR turismo e innovación) [19]. Dentro de ese apartado, los datos se han tomado de la Estadística De Tráfico Aéreo. Al igual que todos los indicadores elegidos en el trabajo, se han cogido los datos desde el año 2014 hasta el año 2023, siendo el vector de 10 componentes. Para este indicador no ha sido necesario realizar ningún cálculo complejo, pues la estadística de tráfico aéreo nos permite seleccionar por Comunidad Autónoma y por ciudad. Las ciudades andaluzas que nos muestra esta estadística son Sevilla, Málaga, Granada-Jaén, Jerez y Almería. Para obtener la estimación del indicador buscado se han sumado los valores de las observaciones de estos cinco vectores correspondientes a estas cinco cuidades. Ilustración 45: Datos del Ministerio de Industria y Turismo (SEGITTUR turismo e innovación, Estadística De Tráfico Aéreo) [19] AÑO Andalucía 2023 46.895 2022 52.089 2021 52.518 2020 49.182 2019 52.525 2018 50.521 2017 50.160 2016 53.704 2015 55.143 2014 55.833 EMISIONES GASES EFECTO INVERNADERO 66 66 Ilustración 46: Datos del Ministerio de Industria y Turismo (SEGITTUR turismo e innovación, Estadística De Tráfico Aéreo) [19] Con estos datos obtenemos el indicador que queremos: Indicador Número de pasajeros comerciales embarcados o desembarcados de las aeronaves en aeropuertos de Andalucía. Tabla 37: Indicador Pasajeros Aeropuerto 6.4.3. Indicador Ingresos turísticos en Andalucía Este indicador es el mismo que se usó en el Estudio 1 como una de las variables explicativas. Tabla 38: Indicador Ingresos turísticos segundo estudio AÑO Sevilla Málaga Granada-Jaén Jerez Almería ANDALUCÍA 2023 4.151.129 4.023.569 962.385 567.720 374.555 10.079.358 2022 3.666.431 3.322.375 843.514 524.851 314.181 8.671.352 2021 2.215.971 2.020.757 494.479 293.657 203.173 5.228.037 2020 1.346.797 1.161.577 346.196 163.264 140.057 3.157.891 2019 3.669.204 2.947.765 994.320 572.977 407.069 8.591.335 2018 3.172.042 2.740.500 938.537 552.938 389.421 7.793.438 2017 2.714.610 2.458.079 783.609 475.551 370.399 6.802.248 2016 2.432.808 2.279.541 724.819 414.558 405.002 6.256.728 2015 2.397.862 2.040.331 666.095 411.002 347.348 5.862.638 2014 2.248.125 1.972.481 617.998 333.242 324.663 5.496.509 PASAJEROS AEROPUERTO AÑO INGRESOS 2023 225,96 2022 200,03 2021 158,69 2020 137,04 2019 183,64 2018 179,47 2017 169,83 2016 162,04 2015 143,39 2014 150,61 67 67 6.4.4. Análisis del segundo estudio mediante el software IBM SPSS Introducimos los datos de las variables en el IBM SPSS: Ilustración 47: Vista de datos SPSS segundo estudio Ilustración 48: Vista variables SPSS segundo estudio Comenzamos con el supuesto de normalidad, para ello analizamos la tabla de normalidad que nos proporciona el IBM SPSS. 68 68 Tabla 39: Supuesto de Normalidad segundo estudio Interpretación de la tabla de “Pruebas de Normalidad” En este estudio volvemos a fijarnos en el estadístico Shapiro-Wilk, pues la muestra es de menos de 50 observaciones. Por el contrario, si la muestra fuese de más de 50 observaciones el estadístico a tener en cuenta sería el Kolmogorov-Smirnov. Observamos la columna señalada, p-valor o también llamado “nivel de significación”, y vemos que todas las variables tienen un nivel de significación mayor al 5%, lo que significa que se rechaza la hipótesis nula y se acepta la alterna. Esto nos hace saber que las tres variables siguen una distribución normal. Por consecuente tenemos que usar el enfoque paramétrico de Pearson. Una vez que sabemos esta información, volvemos al SPSS y analizamos las correlaciones entre las variables. Tabla 40: Correlaciones segundo estudio Interpretación de la tabla de “Correlaciones” Con esta tabla vamos a conocer si la variable endógena (𝑦𝑡) está correlacionada con cada una de las variables explicativas (𝑥1𝑡 ,𝑥2𝑡). Vemos las correlaciones en las siguientes tablas. En la primera vamos a hacerlo fijándonos en el nivel de significación (p-valor) y en la segunda, mirando el coeficiente de correlación de Pearson. 69 69 Tabla 41: Relación entre las variables con p-valor segundo estudio Tabla 42: Relación entre las variables con Pearson segundo estudio Una vez analizado la relación entre la variable dependiente con cada una de sus variables predictoras, tenemos que estudiar si se presenta un problema de Multicolinealidad entre las variables predictoras. Lo hacemos, por ejemplo, fijándonos en el p-valor. Tabla 43: Correlaciones, multicolinealidad segundo estudio 1ª OPCIÓN RELACIONARLAS CON EL NIVEL DE SIGNIFICACIÓN (P- VALOR) 1ª Relación: La variable Gases efecto invernadero(𝒚𝒕) con la variable Pasajeros aeropuertos (𝒙𝟏𝒕 ) Nos fijamos en el p-valor y vemos que es menor que el 5%. Por teoría sabemos que esto implica que se rechaza la hipótesis nula (H0) y se acepta la hipótesis alterna (H1); y la alterna nos dice que existe relación entre las variables Gases efecto invernadero y Pasajeros aeropuertos. 2ª Relación: La variable Gases efecto invernadero (𝒚𝒕) con la variable Ingresos turísticos (𝒙𝟐𝒕) En este caso ocurre lo mismo que en el caso anterior. El valor del nivel de significación es menor al 5% por lo que la variable Gases efecto invernadero y la variable Ingresos turísticos están relacionadas. 2ª OPCIÓN RELACIONARLAS CON EL COEFICIENTE DE CORRELACIÓN DE PEARSON 1ª Relación: La variable Gases efecto invernadero (𝒚𝒕) con la variable Pasajeros aeropuertos(𝒙𝟏𝒕 ) El valor del coeficiente de correlación de Pearson entre los Gases efecto invernadero y los Pasajeros aeropuertos es de 93,1 %; una relación fuerte y positiva. 2ª Relación: La variable Gases efecto invernadero (𝒚𝒕) con la variable Ingresos turísticos(𝒙𝟐𝒕) El valor del coeficiente de correlación de Pearson entre los Gases efecto invernadero y los Ingresos turísticos es de 75,6 %; una relación fuerte y positiva. Existe multicolinealidad 70 70 Observamos que el p-valor es menor al 5%, lo que quiere decir que se acepta la hipótesis alterna y ésta nos dice que existe relación entre las variables explicativas (𝑥1𝑡 ,𝑥2𝑡). Esto implica que no nos va a permitir saber con seguridad si el efecto sobre la variable endógena (𝑦𝑡) proviene de una, de otra o de ambas variables independientes. Por consecuente, al presentarse un problema de multicolinealidad, debemos rechazar o eliminar una de las variables independientes. En este caso, eliminamos la variable predictora Ingresos turísticos (𝑥2𝑡) debido a que tiene un coeficiente de correlación de Pearson (con la variable dependiente) un poco más bajo que el de la variable Pasajeros aeropuertos(𝑥1𝑡 ). Al eliminar una de nuestras variables explicativas, nuestro modelo de Regresión Lineal Múltiple pasa a ser un modelo de Regresión Lineal Simple. Tras averiguar cómo ha quedado nuestro modelo y las correlaciones, volvemos al SPSS para analizar la regresión del modelo. Tabla 44: Coeficientes de regresión segundo estudio En primer lugar, observamos los valores de significación (p-valor), que son los dos menores al 5%, lo que quiere decir que se rechaza la hipótesis nula y se acepta la alterna. Recordamos que la hipótesis alterna nos dice que los coeficientes (β) son diferentes a cero, y efectivamente es así, podemos verlo en la tabla: - La constante 𝛽0 tiene un valor de 4888,236 - El coeficiente 𝛽1 tiene un valor de 0,2 Se comprueba con estos resultados que nuestro modelo de este estudio es válido y podemos construirlo como se muestra a continuación: 𝑦𝑡= 4888,236 + 0,2𝑥1𝑡 Así queda nuestro modelo de Regresión Lineal Simple de la variable Emisiones de gases efecto invernadero en Andalucía en función de la variable Número de pasajeros comerciales embarcados o desembarcados de las aeronaves en aeropuertos de Andalucía, que se interpreta de la siguiente manera: por cada pasajero en aeropuertos en Andalucía, las emisiones de gases efecto invernadero en Andalucía incrementan en 0,2 kilotoneladas. 71 71 6.5. Tercer estudio El caso práctico finaliza con este tercer estudio de un modelo de regresión lineal con tres variables/indicadores que son los siguientes: El indicador Consumo de energía renovable en el turismo de Andalucía en este tercer estudio será el vector variable dependiente o endógena (𝒚𝒕); y las variables explicativas o predictoras (𝒙𝟏𝒕 ,𝒙𝟐𝒕) son los indicadores Ingresos turísticos en Andalucía y Número de turistas en Andalucía. 𝑦𝑡= 𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝑑𝑒 𝑒𝑛𝑒𝑟𝑔í𝑎 𝑟𝑒𝑛𝑜𝑣𝑎𝑏𝑙𝑒 𝑒𝑛 𝑒𝑙 𝑡𝑢𝑟𝑖𝑠𝑚𝑜 𝑑𝑒 𝐴𝑛𝑑𝑎𝑙𝑢𝑐í𝑎 𝑥1𝑡 = 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑡𝑢𝑟í𝑠𝑡𝑖𝑐𝑜𝑠 𝑒𝑛 𝐴𝑛𝑑𝑎𝑙𝑢𝑐í𝑎 𝑥2𝑡 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑢𝑟𝑖𝑠𝑡𝑎𝑠 𝑒𝑛 𝐴𝑛𝑑𝑎𝑙𝑢𝑐í𝑎 𝑦𝑡= 𝛽0+ 𝛽1𝑥1𝑡 + 𝛽2𝑥2𝑡 + 𝜇𝑡 6.5.1. Indicador Consumo de energía renovable en el turismo de Andalucía Para la estimación de esta variable se han tomado los datos de la Agencia Andaluza de la Energía, Consejería de Industria, Energía y Minas [20]. En concreto, del apartado “Consumo de energía final renovable sector servicios” de la sección “Energías renovables”. Asimismo, ha sido necesario buscar el porcentaje que supone el turismo con respecto al sector servicio, pues los datos que nos proporciona la Agencia Andaluza de la Energía, Consejería de Industria, Energía y Minas son del total del sector servicio y lo que se necesita en este estudio es únicamente del turismo. Los últimos datos publicados por el Instituto Nacional de Estadística sobre la estadística del DIRCE indican que es 20% de las empresas nacionales tienen relación con las actividades asociadas al turismo, lo que supone alrededor del 32% de las empresas del sector servicios. Aunque este porcentaje sea a nivel nacional, se va a tomar suponiendo que es en Andalucía [16]. A continuación, se muestra los datos tomados: Ilustración 49: Consumo energía renovable sector servicios tercer estudio [20] 78 78 Así queda nuestro modelo de Regresión Lineal Simple de la variable Consumo de energía renovable en el turismo de Andalucía en función de la variable Número de turistas en Andalucía, que se interpreta de la siguiente manera: por cada turista en Andalucía, el consumo de energía renovable en Andalucía incrementa en 11,409 kilotoneladas equivalentes de petróleo. 6.6. Análisis de resultados En este apartado veremos el análisis de los resultados obtenidos en cada uno de los estudios, interpretando las ecuaciones resultantes de los modelos de Regresión Lineal Simple examinados. 6.6.1. Anáisis de resultados primer estudio Introducimos en Excel los datos de la variable Número de turistas en Andalucía (𝒙𝟏𝒕) y obtenemos los resultados de la variable Residuos generados en el turismo de Andalucía (𝒚𝒕) mediante la ecuación resultante de nuestro modelo de Regresión Lineal Simple. 𝑦𝑡= 339,601 + 7,775𝑥1𝑡 Recordamos que lo que nos explica la ecuación es lo siguiente: por cada turista en Andalucía, los residuos se incrementan en 7,775 toneladas. Ilustración 53: Tabla y gráfico de dispersión primer estudio La línea trazada de la gráfica representa la tendencia descrita anteriormente, y nos damos cuenta que tiene sentido, ya que cuanto más turistas haya, más residuos se generarán. Esta línea creciente nos va a permitir predecir qué cantidad de residuos de generarán incluso para valores (de número de turistas) que no se encuentren en los datos. Por ejemplo, si queremos saber qué cantidad de residuos se generaría si hubiese 300.000.000 turistas en Andalucía, nos fijamos en la gráfica y buscamos la relación de ese punto como se muestra a continuación: Año 2023 73734975 573289770 2022 67645319 525942695 2021 42305005 328921753 2020 23998627 186589665 2019 72044757 560148325 2018 69617541 541276721 2017 68717603 534279703 2016 66161583 514406647 2015 58794534 457127841 2014 57295212 445470613 79 79 Ilustración 54: Predicción de datos gráfico dispersión primer estudio 6.6.2. Análisis de resultados segundo estudio Introducimos en Excel los datos de la variable Número de pasajeros comerciales embarcados o desembarcados de las aeronaves en aeropuertos de Andalucía (𝒙𝟏𝒕) y obtenemos los resultados de la variable Emisiones de gases efecto invernadero del turismo de Andalucía (𝒚𝒕) mediante la ecuación resultante de nuestro modelo de Regresión Lineal Simple. 𝑦𝑡= 4888,236 + 0,2𝑥1𝑡 Por cada pasajero en aeropuertos en Andalucía, las emisiones de gases efecto invernadero en Andalucía incrementan en 0,2 kilotoneladas. Ilustración 55: Tabla y gráfico de dispersión segundo estudio 30.000.000 turistas 233.250.340 toneladas de residuos generados Año 2023 10079358 2020759,84 2022 8671352 1739158,64 2021 5228037 1050495,64 2020 3157891 636466,436 2019 8591335 1723155,24 2018 7793438 1563575,84 2017 6802248 1365337,84 2016 6256728 1256233,84 2015 5862638 1177415,84 2014 5496509 1104190,04 80 80 La línea trazada nos indica que cuanto más pasajeros en aeropuertos haya, mayor será la emisión de gases efecto invernadero. Nos va a permitir predecir además qué cantidad de GEI se emitirán incluso para valores (de número de pasajeros en aeropuertos) que no se encuentren en los datos. Por ejemplo, si queremos saber qué cantidad de GEI se emitirán si hubiese 5.000.000 pasajeros en aeropuertos de Andalucía, nos fijamos en la gráfica y buscamos la relación de ese punto tal y como se muestra a continuación: Ilustración 56: Predicción de datos gráfico dispersión segundo estudio 6.6.3. Análisis de resultados tercer estudio Introducimos en Excel los datos de la variable Número de turistas en Andalucía(𝒙𝟐𝒕) y obtenemos los resultados de la variable Consumo de energía renovable en el turismo de Andalucía (𝒚𝒕) mediante la ecuación resultante de nuestro modelo de Regresión Lineal Simple. 𝑦𝑡= 92,696 + 11,409𝑥2𝑡 Por cada turista en Andalucía, el consumo de energía renovable en Andalucía incrementa en 11,409 kilotoneladas equivalentes de petróleo. 5.000.000 pasajeros 1.004,888,24 kilotoneladas de GEI 81 81 Ilustración 57: Tabla y grafico de dispersión tercer estudio Ocurre lo mismo que los dos estudios anteriores, la línea que une los puntos observados nos indica que cuanto más turistas haya, mayor será el consumo de energía renovable. Nos permite predecir cuál es el consumo de energía renovable incluso para valores (de número de turistas) que no se encuentren en los datos. Por ejemplo, si queremos saber cuál es el consumo de energía renovable del turismo en Andalucía si hubiese 40.000.000 turistas en aeropuertos de Andalucía, observamos en la gráfica y buscamos la relación de ese punto: Ilustración 58: Predicción de datos gráfico de dispersión tercer estudio Año 2023 73734975 841242422 2022 67645319 771765537 2021 42305005 482657895 2020 23998627 273800428 2019 72044757 821958725 2018 69617541 794266618 2017 68717603 783999225 2016 66161583 754837593 2015 58794534 670786931 2014 57295212 653681166 456.360.093 kilotoneladas equivalentes de petróleo 40.000.000 turistas 82 82 7 CONCLUSIONES Y LÍNEAS FUTURAS El presente trabajo ha tratado la sostenibilidad en el turismo desde una perspectiva analítica y metodológica, con el objetivo de identificar y promover prácticas que contribuyan al desarrollo sostenible del sector. A través de la recopilación y análisis de datos relevantes, así como de la implementación de técnicas de análisis, se ha buscado validar la viabilidad de la metodología aplicada de la medición y evaluación del turismo sostenible. El turismo sostenible se revela como un factor determinante en la reglamentación y las medidas adoptadas por los entes y organizaciones internacionales. La sostenibilidad en el turismo es una línea clave en la que están enfocados 5 de los 17 Objetivos de Desarrollo Sostenible (ODS). Existen metodologías consolidadas para el análisis de la sostenibilidad, sin embargo, continúan surgiendo nuevas metodologías con gran producción en la literatura especializada. Por ejemplo, el uso de la huella de carbono y las evaluaciones de ciclo de vida (LCA) están ganando tracción como métodos innovadores para evaluar el impacto ambiental del turismo. Para un análisis efectivo, se necesitan bases de datos fiables y nuevos indicadores más especializados y centrados en la sostenibilidad en sus tres dimensiones: ambiental, social y económica. Actualmente, la falta de datos unificados y fiables representa un desafío significativo para la investigación y la implementación de prácticas sostenibles en el turismo. Estas conclusiones resaltan la necesidad de avanzar en la recopilación y estandarización de datos, así como en el desarrollo y adopción de metodologías sólidas para evaluar la sostenibilidad en el sector turístico. Solo así se podrá fomentar un turismo verdaderamente sostenible y alineado con los ODS. Se ha utilizado un software fiable para la correlación de varios indicadores en el turismo y se ha aplicado la Regresión Lineal Múltiple. A través de este análisis, se han descubierto relaciones significativas entre estos indicadores. Esto demuestra que la metodología utilizada es válida para los objetivos planteados en este proyecto. Asimismo, se sugieren posibles líneas de investigación futura para continuar avanzando en esta importante área de estudio: avanzar en la definición de nuevos indicadores que reflejen mejor la sostenibilidad en el turismo, crear bases de datos más fiables y completas, y aplicar nuevas metodologías, comparándolas con la utilizada en este proyecto para evaluar su eficacia. 83 83 REFERENCIAS [1] S. A. Siart, Tesis doctoral; GESTIÓN SOSTENIBLE EN LA INDUSTRIA TURÍSTICA; Retórica y práctica en el sector hotelero español, Barcelona, 2003. [2] «ONU Turismo, Acercar al mundo; Organismo especializado en las naciones unidas,» [En línea]. Available: https://www.unwto.org/es/events?query=&page=0. [Último acceso: 15 Mayo 2024]. [3] «Naciones Unidas, Objetivos de Desarrollo Sostenible,» [En línea]. Available: https://www.un.org/sustainabledevelopment/es/sustainable-development-goals/. [Último acceso: 26 Abril 2024]. [4] «Google fotos,» [En línea]. [Último acceso: Abril 2024]. [5] J. G. P., «Sostenibilidad empresarial, caso Ecopetrol». [6] U. d. l. I. B. Estefanía Mormeneo Klose, «Principios de sostenibilidad en hoteles,» 2014-2015. [7] R. B. Constanza Barrera, «Turismo Sostenible: Importancia en el cuidado del medio ambiente,» Revista Interamericana de Ambiente y Turismo. , vol. 8, nº 1, p. 7, 2012. [8] J. L. &. S. K. Nepal, «Sustainable tourism research: an analysis of Sustainable Tourism,» Journal of Sustainable Tourism, vol. 17, nº 1, p. 13, 2009. [9] G. Tapia, «Turismo Sostenible. Introducción y Marco financiero». [10] M. M.-M. y. M. T. Fernández-Alles, «Percepciones del residente local sobre el turismo industrial como una modalidad de desarrollo sostenible,» Revista de estudios regionales, nº 114, p. 27, 2019. [11] D. A.-C. A. C.-G. Fátima Calderón-Vargas, «Sustainable Tourism and Renewable Energy: Binomial for Local Development in Cocachimba,Amazonas, Peru,» Sustainability, MDPI, vol. 11, nº 4891, p. 21, 2019. [12] Fundación Canarias Recicla, «MANUAL DE GESTIÓN DE RESIDUOS EN ESTABLECIMIENTOS TURÍSTICOS». [13] J. M. R. Abuín, «Regresión Lineal Simple,» Instituto de Economía y Geografía, Madrid, 2007. [14] J. M. R. Abuín, «Regresión Lineal Múltiple,» Instituto de Economía y Geografía, Madrid, 2007. [15] J. Noel, «YouTube,» Sm@rtline Activa tus conociminetos, [En línea]. Available: https://www.youtube.com/@SmrtLine. [16] «Instituto Nacional de Estadística,» [En línea]. Available: https://www.ine.es/dyngs/INEbase/es/categoria.htm?c=Estadistica_P&cid=1254735976612. [Último acceso: Mayo 2024]. 84 84 [17] «Instituto Nacional de Estadística,» [En línea]. Available: https://www.ine.es/dyngs/INEbase/es/categoria.htm?c=Estadistica_P&cid=1254735976612. [Último acceso: Mayo 2024]. [18] «MINISTERIO PARA LA TRANSICIÓN ECOLÓGICA Y EL RETO DEMOGRÁFICO; SECRETARÍA DE ESTADO DE MEDIO AMBIENTE DIRECCIÓN GENERAL DE CALIDAD Y EVALUACIÓN AMBIENTAL,» [En línea]. Available: chromeextension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.miteco.gob.es/content/dam/miteco/es/calidad -y-evaluacion-ambiental/temas/sistema-espanol-de-inventario-sei-/emisionesgeiporccaaserie1990- 2019_tcm30-524644.pdf. [Último acceso: Junio 2014]. [19] «SEGITTUR turismo e innovación; Ministerio de Industria y Turismo,» [En línea]. Available: https://www.dataestur.es/transporte/aena/. [Último acceso: Mayo 2014]. [20] «Agencia Andaluza de la Energía; Consejería de Industria, Energía y Minas,» [En línea]. Available: https://www.agenciaandaluzadelaenergia.es/info-web/principalController. [Último acceso: Junio 2024]. [21] Autor, «Este es el ejemplo de una cita,» Tesis Doctoral, vol. 2, nº 13, 2012. [22] O. Autor, «Otra cita distinta,» revista, p. 12, 2001.