Improved tourism demand forecasting with CIR# model: a case study of disrupted data patterns in Italy

Abstract

Diseño/metodología/enfoqueNormalmente, la demanda turística tiende a seguir tendencias regulares, como temporadas altas y bajas a nivel trimestral/mensual y fines de semana y festivos a nivel diario. El conjunto de datos consiste en las pernoctaciones en Italia en establecimientos de alojamiento turístico recogidas mensualmente por Eurostat antes y durante la pandemia de COVID-19, rompiendo los patrones regulares.ObjetivoEl presente estudio pretende predecir las pernoctaciones en Italia en establecimientos de alojamiento turístico mediante un modelo estocástico no lineal de un solo factor denominado CIR#. La contribución de este estudio es doble: en términos de precisión de la predicción y en términos de parsimonia (tanto desde la perspectiva de los datos como de la complejidad de la modelización), especialmente cuando un patrón regular en la serie temporal se ve interrumpido. Demostramos que el CIR# no sólo aplica mejor que los modelos de referencia considerados, sino que también tiene un error mucho menor que otros modelos o enfoques adicionales de los que se informa en la literatura.ResultadosLos modelos tradicionales de previsión de la demanda turística pueden enfrentarse a desafíos cuando se adoptan cantidades masivas de índices de intensidad de búsqueda como indicadores de la demanda turística. Además, dada la importancia de unas previsiones precisas, muchos estudios han propuesto modelos híbridos novedosos o han utilizado diversas combinaciones de métodos. Así pues, aunque la adopción de enfoques más complejos presenta ventajas evidentes, el riesgo es el de enfrentarse a modelos poco manejables. Para demostrar cómo este enfoque puede extenderse de forma fructífera al turismo, se comprueba la precisión del CIR# utilizando métricas estándar como RMSE, MAE, MAPE o AvgReIMSE.Limitaciones/implicaciones de la investigaciónEl modelo CIR# es notablemente más sencillo que otros modelos encontrados en la literatura y no se basa en técnicas de caja negra como las utilizadas en los modelos basados en redes neuronales o en la ciencia de datos. El análisis realizado sugiere que el modelo CIR# supera a otras predicciones de referencia en términos de significación estadística del error.Implicaciones prácticasEl modelo propuesto destaca por ser una opción viable al modelo Holt-Winters, sobre todo cuando se trata de datos irregulares.Implicaciones socialesEl modelo propuesto ha demostrado su superioridad incluso cuando se compara con otros modelos de la bibliografía, y puede ser especialmente útil para los agentes del sector turístico a la hora de tomar decisiones cuando se producen alteraciones en los patrones de datos.Originalidad/valorLa novedad radica en que el modelo propuesto es una alternativa válida al Holt-Winters especialmente cuando los datos no son regulares. Además, en comparación con muchos modelos existentes en la literatura, el modelo CIR# es notablemente más sencillo y transparente, evitando la naturaleza de “caja negra” de los modelos basados en redes neuronales y en ciencia de datos.