1. Introducción

El sector turístico representa una actividad económica relevante para muchas ciudades, ya que genera ingresos, empleo y dinamiza otros sectores como el transporte, el comercio y los servicios. Dentro de este sector, la ocupación hotelera es un indicador clave que permite analizar el comportamiento de la demanda turística a lo largo del tiempo.

La ocupación hotelera puede verse influenciada por múltiples factores económicos, entre ellos el nivel general de actividad económica, el costo relativo de viajar y las condiciones del entorno internacional. Variables como la tasa representativa del mercado (TRM), el índice de seguimiento a la economía (ISE) y el precio internacional del petróleo pueden afectar indirectamente el flujo turístico hacia una ciudad.

En este trabajo se analiza la evolución de la ocupación hotelera en la ciudad de Cali utilizando herramientas de análisis de series temporales. El objetivo es identificar patrones en la serie, evaluar su comportamiento estadístico y construir un modelo que permita realizar proyecciones futuras. Este tipo de análisis puede resultar útil para empresas del sector hotelero, como Hoteles Estelar, ya que facilita la comprensión de la dinámica de la demanda y apoya la toma de decisiones estratégicas.

2. Librerías

library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.2.0     ✔ readr     2.2.0
## ✔ forcats   1.0.1     ✔ stringr   1.6.0
## ✔ ggplot2   4.0.2     ✔ tibble    3.3.1
## ✔ lubridate 1.9.5     ✔ tidyr     1.3.2
## ✔ purrr     1.2.1     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(readxl)  # Para leer archivos Excel
library(tseries)  # Para pruebas de estacionariedad
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(forecast)  # Para modelado ARIMA y pronósticos
library(ggplot2)  # Para visualización de datos
library(plotly)  # Para gráficos interactivos
## 
## Attaching package: 'plotly'
## 
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## 
## The following object is masked from 'package:stats':
## 
##     filter
## 
## The following object is masked from 'package:graphics':
## 
##     layout
library(timetk)

Cargar base de datos

library(readxl)
data <- read_excel("C:/Users/juand/OneDrive/Desktop/DatosCasoP1.xlsx")

Un paso indispensable es declarar la variable como serie temporal:

ocupacion <- ts(data$OCUP_HOTEL_CALI, start=c(2012,1), frequency=12)

trm <- ts(data$TRM, start=c(2012,1), frequency=12)

ise <- ts(data$ISE, start=c(2012,1), frequency=12)

brent <- ts(data$BRENT, start=c(2012,1), frequency=12)

Visualizacion de las series:

La visualización de la serie temporal permite observar la evolución de la ocupación hotelera a lo largo del tiempo. A través de esta gráfica es posible identificar patrones generales como tendencias de crecimiento o disminución, así como posibles fluctuaciones asociadas a factores estacionales o económicos.

La tasa representativa del mercado refleja el valor del peso colombiano frente al dólar. Cambios en esta variable pueden influir en el turismo internacional, ya que una depreciación del peso puede hacer que el país sea un destino más atractivo para visitantes extranjeros.

El índice de seguimiento a la economía es un indicador que permite evaluar el comportamiento general de la actividad económica en el país. Una mayor actividad económica suele estar asociada a un aumento en la demanda de servicios, incluido el turismo.

El precio del petróleo puede influir en los costos de transporte y en el desempeño económico global, lo que a su vez puede afectar indirectamente el flujo turístico.

plot(ocupacion,
     main="Ocupación Hotelera en Cali",
     ylab="Ocupación",
     xlab="Tiempo",
     col="blue")

plot(trm,
main="Tasa Representativa del Mercado",
ylab="TRM",
col="darkgreen")

plot(ise,
main="Índice de Seguimiento a la Economía",
ylab="ISE",
col="purple")

plot(brent,
main="Precio del Petróleo Brent",
ylab="Precio",
col="orange")

Decomposicion de la serie:

La descomposición de la serie temporal permite separar la información en tres componentes principales: tendencia, estacionalidad y componente irregular. La tendencia refleja el comportamiento de largo plazo de la serie, mientras que la estacionalidad captura patrones que se repiten regularmente dentro de cada año. Finalmente, el componente irregular recoge las fluctuaciones que no pueden explicarse por los otros dos componentes.

Este análisis permite comprender mejor la estructura de la serie y facilita la construcción de modelos de pronóstico.

descomp <- decompose(ocupacion)

plot(descomp)

Prueba de estacionariedad:

La prueba Dickey-Fuller aumentada permite determinar si la serie temporal es estacionaria. En caso de que la serie no sea estacionaria, es necesario aplicar transformaciones como la diferenciación para poder modelarla adecuadamente.

adf.test(ocupacion)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  ocupacion
## Dickey-Fuller = -3.2402, Lag order = 5, p-value = 0.08374
## alternative hypothesis: stationary

Diferenciacion:

La diferenciación consiste en calcular el cambio entre observaciones consecutivas de la serie. Este procedimiento se utiliza para eliminar tendencias y lograr que la serie sea estacionaria, lo cual es un requisito importante para la estimación de modelos ARIMA.

ocupacion_dif <- diff(ocupacion)

plot(ocupacion_dif,
main="Serie Diferenciada de Ocupación Hotelera")

ACF y PACF

acf(ocupacion_dif)

pacf(ocupacion_dif)

Modelo ARIMA:

modelo_arima <- auto.arima(ocupacion)

summary(modelo_arima)
## Series: ocupacion 
## ARIMA(1,0,0)(2,0,0)[12] with non-zero mean 
## 
## Coefficients:
##          ar1    sar1    sar2     mean
##       0.8900  0.2907  0.2495  51.9342
## s.e.  0.0346  0.0768  0.0808   8.2229
## 
## sigma^2 = 37.84:  log likelihood = -505.36
## AIC=1020.72   AICc=1021.12   BIC=1035.97
## 
## Training set error measures:
##                     ME     RMSE      MAE       MPE     MAPE      MASE
## Training set 0.0881284 6.072336 4.418518 -8.026619 16.44516 0.4267366
##                     ACF1
## Training set -0.04387083

Pronosctico:

A partir del modelo estimado se realiza un pronóstico de la ocupación hotelera para los próximos 12 meses. Este tipo de proyección puede ser útil para empresas del sector hotelero, ya que permite anticipar cambios en la demanda y planificar estrategias de operación.

pronostico <- forecast(modelo_arima, h=12)

plot(pronostico,
main="Pronóstico de Ocupación Hotelera")

Modelo de regresion:

modelo_reg <- lm(OCUP_HOTEL_CALI ~ TRM + ISE + BRENT, data=data)

summary(modelo_reg)
## 
## Call:
## lm(formula = OCUP_HOTEL_CALI ~ TRM + ISE + BRENT, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -33.500  -4.169   1.075   6.420  20.331 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -23.593834   9.285912  -2.541   0.0121 *  
## TRM          -0.012210   0.001842  -6.628 5.57e-10 ***
## ISE           1.042824   0.126787   8.225 8.10e-14 ***
## BRENT         0.047333   0.039017   1.213   0.2270    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 10.64 on 152 degrees of freedom
## Multiple R-squared:  0.3569, Adjusted R-squared:  0.3442 
## F-statistic: 28.12 on 3 and 152 DF,  p-value: 1.608e-14

Conclusiones y recomendaciones estrategicas:

El análisis de series temporales realizado permite observar que la ocupación hotelera en Cali presenta variaciones a lo largo del tiempo que pueden estar asociadas tanto a factores económicos como a patrones estacionales.

Las variables macroeconómicas consideradas, como la tasa de cambio, el índice de actividad económica y el precio del petróleo, pueden influir indirectamente en la demanda de servicios turísticos. Comprender estas relaciones resulta importante para las empresas del sector hotelero, ya que permite anticipar cambios en el mercado y mejorar la planificación estratégica.

En este sentido, herramientas como los modelos ARIMA y el análisis de correlación constituyen instrumentos útiles para estudiar el comportamiento de la demanda turística y realizar proyecciones futuras.

El análisis realizado permite identificar algunos patrones en la evolución de la ocupación hotelera y su relación con variables económicas. A partir de estos resultados, es posible plantear algunas recomendaciones estratégicas para empresas del sector hotelero.

En primer lugar, el seguimiento de indicadores macroeconómicos como el índice de actividad económica (ISE) puede servir como una herramienta anticipada para estimar cambios en la demanda turística. En periodos de crecimiento económico, las cadenas hoteleras podrían esperar un aumento en la demanda de alojamiento y ajustar su capacidad operativa o estrategias de precios.

En segundo lugar, la tasa de cambio (TRM) puede influir en la llegada de turistas internacionales. Una depreciación del peso colombiano puede hacer que el país sea un destino más atractivo para visitantes extranjeros, lo cual representa una oportunidad para fortalecer estrategias de promoción dirigidas a mercados internacionales.

Adicionalmente, variables como el precio del petróleo pueden afectar indirectamente los costos de transporte y el flujo turístico. Por esta razón, monitorear estos factores puede ayudar a anticipar posibles cambios en la demanda.

Finalmente, el uso de modelos de series temporales y pronósticos permite a las empresas del sector hotelero planificar con mayor precisión sus operaciones futuras. Herramientas como los modelos ARIMA pueden contribuir a estimar niveles de ocupación esperados y facilitar la toma de decisiones relacionadas con inversión, marketing y gestión de capacidad.