PRONÓSTICO DE LA DEMANDA TURÍSTICA HACIA CUBA CONSIDERANDO EL IMPACTO DEL CAMBIO CLIMÁTICO

Resumen
En la presente investigación se realizó el pronóstico de la demanda turística hacia Cuba hasta 2050 considerando el impacto del cambio climático. La modelación de un nuevo índice climático para el turismo (Media Histórica Climática o MHC) se efectuó a partir de un análisis estadístico descriptivo de los valores de las variables climáticas y posteriormente el entrenamiento y prueba de Redes Neuronales Artificiales (RNA). Se realizó la estimación de un escenario BAU (Business as Usual) que indica la tendencia a partir del cambio climático ocurrido hasta la fecha. Finalmente se estimó la demanda basado en el nuevo índice, adaptado para el escenario de cambio climático A2 (según el Panel Intergubernamental de Cambio Climático) utilizando RNA. Se exponen los resultados que se derivan de la diferencia en la demanda entre los dos escenarios empleados en términos de visitantes e ingresos, que permitieron concluir que el uso del nuevo índice climático (MHC) para la estimación de la demanda turística evidencia que el cambio en el clima es un factor que influirá en la disminución de los arribos turísticos al destino y los ingresos percibidos, lo cual se ha demostrado en los valores arrojados por el pronóstico de ambas variantes.

Palabras Claves: Pronóstico de demanda turística, Cambio Climático, Índice climático para el turismo, Media Histórica Climática, Impacto económico del cambio climático.

ABSTRACT

This paper describes the modeling of a new tourism climate index (denoted Mean Historical Climate or MHC) for Cuba as a tourist destination. A statistical analysis of climate and tourism variables was carried out, which data was employed in the training and testing of an Artificial Neural Network (ANN) model. Then, two scenarios were modeled, one in which climate would remain unaltered (Business as Usual or BAU) and the second one, climate change scenario A2 in which climate variability was derived from the values of the MHC evaluated for future climate estimates belonging to this scenario. Both scenarios were measured up to the year 2050. Results showed that the MHC allowed for a better understanding of the climate potential of Cuba as a tourism destination. On the other hand, climate change is a very important factor in the probably reduction of tourist arrival to the destination, which is evident from the differences in forecasted values of arrivals and income.

Keywords: Tourism climate index, Mean Historical Climate, climate change, economic impacts.

1.- INTRODUCCIÓN

Es conocido que uno de los grandes motivadores de los movimientos o flujos turísticos es el “buen clima”. Obviamente, el clima se aprecia en función de las actividades que desean desarrollar los visitantes en el destino turístico al que arriban. Si es un destino de sol y playa, hará falta un mínimo de calor. Si es para deportes invernales hará falta abundante nieve.

Luego, desde el punto de vista individual, las personas sienten la sensación bio-climática de modos diferentes. Por ello, como se verá más adelante, se han intentado relacionar las llegadas turísticas previsibles a partir de un índice de confort climático.

Las relaciones del clima con el turismo se han venido estudiando desde mediados de la década de los años ochenta. Más recientemente, la ciencia ha apreciado la existencia del fenómeno denominado “cambio climático” con variables que se proyectan a largo plazo y que también se relacionarán con la demanda turística a largo plazo.

En la presente investigación se realizó el pronóstico de la demanda turística hacia Cuba hasta 2050 considerando el impacto del cambio climático. La modelación de un nuevo índice climático para el turismo (Media Histórica Climática o MHC) se efectuó a partir de un análisis estadístico descriptivo de los valores de las variables climáticas y posteriormente el entrenamiento y prueba de Redes Neuronales Artificiales (RNA) que se utilizaron en el pronóstico de la demanda, considerando escenarios climáticos definidos por el Panel Intergubernamental de Cambio Climático, de la Organización de Naciones Unidas.

2.- ANTECEDENTES TEÓRICOS

El cambio climático 

Los cambios climáticos han existido de manera cíclica en la historia de nuestro planeta (IPCC, 2007). El problema actual es la aceleración del calentamiento global de la Tierra, motivado por las excesivas emisiones de gases de efecto invernadero, que se han multiplicado por las acciones humanas y principalmente por la falta de control de los gobiernos, empresas y habitantes de las sociedades más desarrolladas. El fenómeno del cambio climático y sus preocupantes impactos está cada vez más presente en las discusiones e intercambios políticos y científicos, tanto al interior de los países como en los foros internacionales. Existe una importante comunidad internacional de gobiernos y científicos preocupada con los posibles impactos del cambio climático. Las Naciones Unidas cuentan con una Convención Marco para el Cambio Climático (UNFCCC, siglas en inglés), en cuyo seno se realizan Conferencias de las Partes (COP, en inglés). En el marco de la ONU, sesiona el llamado Panel Intergubernamental para el estudio del Cambio Climático (IPCC, en inglés), formado por científicos de reconocido prestigio, aprobados por sus países de origen, que lleva a cabo la revisión y síntesis de los estudios que se realizan sobre el fenómeno a nivel global, produciendo los llamados reportes de evaluación (AR, en inglés) con una periodicidad determinada (ver IPCC 2000). El prestigio de este panel se consolida con cada nuevo reporte y prueba de ello es el Premio Nobel que se le otorgó en 2007 con el informe AR-4. Hoy se prepara el AR-5 que deberá publicarse en el año 2014.

El año 2010 fue el tercer año más caliente de en el planeta Tierra del que se tenga registro. Se caracterizó por eventos climáticos extremos, tanto en términos de temperatura como de precipitaciones. Si a estos riesgos se añade la fusión de los hielos de Groenlandia y  la Antártida Occidental y el ascenso del nivel de los océanos, la realidad puede ser verdaderamente trágica para muchos países, especialmente los pequeños estados insulares en desarrollo (PEID o SIDS por sus siglas en inglés, según la clasificación de la ONU y grupo del cual Cuba forma parte).

Tampoco 2010 fue un año positivo en materia de avances concretos en el control de emisiones de gases de efecto invernadero, después del virtual fracaso de la reunión de Copenhague de diciembre 2009. Este fracaso no es un hecho aislado. Muy por el contrario, se inserta en el conjunto de manipulaciones y maniobras de las fuerzas políticas y económicas que dependen de la gran emisión de gases de efecto invernadero, como las industrias del petróleo y de armamentos.

La incidencia de la posible elevación del nivel del mar ha desatado también una enorme preocupación en los estados insulares y las zonas costeras, porque además de querer medir los impactos sectoriales, se trata de la propia existencia de estos países, en no pocos casos. La más reciente edición de la COP (número 15) tuvo lugar en el destino turístico de Cancún, en el Caribe mexicano, circunstancia para nada fortuita.

Estos estados son los que se prevé reciban los mayores impactos del cambio climático mundial, a pesar de que no son responsables importantes de las emisiones de gases de efecto invernadero que constituyen la principal causa de este fenómeno. Debido a ello, la Asociación de PEID (cuya presidencia recae en Granada), las entidades regionales de integración (por ejemplo, CARICOM) y las propias dependencias especializadas de la ONU (como la Comisión Económica para América Latina y el Caribe) han priorizado estudios y eventos científico-técnicos al respecto[1]

El cambio climático se ha convertido en una amenaza creciente tanto para las sociedades menos desarrolladas como para las sociedades industriales avanzadas. Los esfuerzos destinados a comprender con mayor precisión cómo está cambiando el clima así como los impactos de estos cambios en los sistemas naturales y sociales se han multiplicado. También lo ha hecho la búsqueda de soluciones de mitigación y adaptación, de orden tecnológico, social, económico y medioambiental.

Aunque existe consenso entre los científicos respecto a los riesgos que estamos empezando a enfrentar como los recién mencionados, es más difícil precisar el nivel crítico de concentración del CO2 atmosférico antes de que el proceso se torne inmanejable. Para evitar costos ambientales mayores, como la fusión de los hielos, se estima necesario reducir las actuales emisiones a un ritmo de 2.0 a 2.5% anual, para regresar a niveles de emisión anteriores a los alcanzados en 1990.

Dadas sus características, existe una alta complejidad en los estudios que se realizan sobre el fenómeno del cambio climático. En primer lugar porque los cambios climáticos se producen en largos plazos. Los estudios actuales tienen al año 2100 como horizonte de mira y esto genera, de por sí, un alto grado de incertidumbre. En segundo lugar, porque la modelación de los fenómenos climáticos es diversa a escala planetaria: se desarrollaron primero los modelos de circulación a escala global y ahora se ha avanzado en algunas versiones a escalas regionales. A esto se une que existe una relativa escasez de datos históricos sobre áreas geográficas específicas, lo que dificulta la proyección certera del futuro de variables climáticas como la temperatura, las precipitaciones, la ocurrencia y magnitud de los eventos extremos como sequías, inundaciones, huracanes, etc. En tercer lugar porque la medición de los impactos físicos y económicos de los eventos meteorológicos severos (ciclones, sismos, sequías, inundaciones, etc.), aunque ha mejorado notablemente en muchas regiones y países, tampoco cuenta con una relativa abundancia o precisión de los datos en otros países (desigualdad geo-económica de la información). En cuarto lugar, existen fenómenos meteorológicos corrientes cuya relación causa-efecto con el fenómeno del cambio climático resulta poco clara todavía, como es el propio caso de los ciclones tropicales (IPCC  2007).

Desde las ciencias sociales, las respuestas individuales e institucionales frente al cambio climático han recibido una especial atención, pero existen todavía numerosas cuestiones a las que la investigación debe intentar responder para comprender los procesos de interacción entre las sociedades y su medio ambiente.

Impacto Sectorial del cambio climático

Otro aspecto que se estudia, desde fechas más recientes, es el impacto sectorial del cambio climático. Los trabajos se han encaminado, principalmente, hacia los sectores[2] de la agricultura, del agua potable, la salud, las zonas costeras, etc. Más recientemente se ha incorporado el estudio de impactos sobre los sectores del turismo y la hospitalidad, como los de Simpson et al. (2009), Martín (2011), Sookram (2010, 2011a y 2011b), Fields (2011), Boxill (2011) y Moore (2011a y 2011b),

Uno de los aspectos fundamentales de dichos estudios es la medición económica del impacto del fenómeno. Este es de los temas que con mayor ardor se debate a escala internacional. A la complejidad propia del cambio climático, señalada con anterioridad, se une la complejidad de las proyecciones económicas a largo plazo: la definición de las variables a considerar, los métodos de proyección (escenarios, principalmente), las técnicas estadísticas matemáticas más acertadas, las tasas de descuento o actualización, etc. Desde la publicación del polémico Stern Review (Stern et al. 2006), muchos trabajos han destacado la limitada capacidad de análisis, a partir de las variables tomadas en cuenta, para la medición económica del cambio climático (Tol, 2006 y Nordhaus, 2007).

En particular, el trabajo de Hamilton y Tol (2004), así como el de Moore et al. (2009),  que tratan el problema desde el comportamiento de la demanda, o aquellos que, como el de Simpson et al (2009) o del propio Moore et al (2010) y otros similares, que se enfocan desde la oferta, todos en el sector turístico, carecen en algunos casos del enfoque pertinente a la demanda, aunque aportan algunas características de la necesaria adecuación a los PEID. Adicionalmente, en casi la práctica totalidad de la literatura, se aprecian problemas de resultados estadísticamente significativos a nivel formal (baja confiabilidad) derivados del uso de técnicas estadísticas y econométricas al parecer inapropiadas para la investigación de esta compleja realidad. 

Clima y Turismo

Paralelamente, aunque de modo relativamente independiente al estudio del fenómeno del cambio climático, se han realizado otros estudios sobre las relaciones del clima con el turismo (Martín, 2010). Los más importantes han intentado construir índices de aceptación por los turistas de las condiciones generales del clima (horas de sol diarias, humedad relativa, temperatura, vientos, etc.) Mieczkowski (1985) fue el primero en intentar la creación de un Índice Climático del Turismo (TCI, por su sigla en inglés) que aún hoy se utiliza. Su trabajo se enfoca básicamente a la esfera de la demanda.

En efecto, dada la inexorable ocurrencia del fenómeno del cambio climático y considerando la incidencia del clima, en general, sobre el turismo, es preciso contar con herramientas cada vez más fiables para medir los posibles impactos económicos derivados del clima, tanto para establecer posibles medidas de adaptación y/o mitigación, como para la planificación correcta de la distribución de los recursos, inversiones y desarrollos turísticos.

Se trata de que el turismo es un sistema adaptativo complejo (Mederos, 2009)  al que se une el impacto físico y económico de otro fenómeno complejo que es el cambio climático. Los autores han trabajado (Delgado & Abreu, 2010; Martín, 2011) sobre la inclusión de la inteligencia artificial, en particular de redes neuronales artificiales (RNA en español, ANN, sigla en inglés), para la conformación de un modelo que considere estos impactos con mayor fiabilidad. 

Índices climáticos para el Turismo 

Los países caribeños constituyen un ejemplo claro de la importancia que posee el turismo para el desarrollo de la economía de un país, a través del estímulo que supone para economías nacionales y locales siendo, además, la fuente primaria de ganancias y un medio vital para la adquisición de moneda extranjera. El  turismo ha devenido una de las principales actividades económicas, generadora de empleos y fuente de ingresos esencial para estos territorios. Uno de los atractivos más importantes de esta región para los visitantes de todo el mundo reside en el clima tropical, que representa el recurso natural a partir del cual el sector del turismo se desarrolla.

El clima, por su incidencia en el bienestar de los turistas, ha sido objeto de algunas investigaciones en las últimas décadas. Tal es el caso de Abegg quien, en 1996, clasificó los índices climáticos en tres categorías: elementales, compuestos y bioclimáticos (citado en Amelung, et al., 2007). Esta clasificación permite entonces agrupar en torno a cada una de sus categorías a diversos investigadores.

Los índices elementales son los que valores sintéticos sin relevancia termo –fisiológica alguna. Generalmente están por demostrar o comprobar (Amelung et al. 2007:142) Entre ellos se encuentran el índice creado por Davies (1968).

Los llamados índices bioclimáticos están basados en más parámetros climatológicos. Entre ellos, la temperatura del aire, la velocidad del viento, además de los índices basados en el balance de energía humana. Sobre ellos investigaron Fanger (1972),  Gagge et al. (1986), De Freitas (1990), Höppe (1999) y W. H. Terjung. Este último desarrolló un modelo denominado la carta bioclimática de Terjung que conjuga el confort climático con actividades recreativas  para construir la realidad a partir de la sensación de confort que el cuerpo humano puede percibir en diferentes ámbitos climáticos (Mercado & Moore, 2007). Asimismo, los índices térmicos del balance de energía del cuerpo humano brindan una información detallada de  los efectos en los humanos de las condiciones térmicas del ambiente basándose en la información de parámetros meteorológicos tales como la temperatura del aire, la humedad, la velocidad del viento y las variaciones en las ondas de radiación (Amelung et al., 2007). Entre ellos se encuentran el PMV (Predicted Mean Vote o Votación Media Pronosticada), el SET (Standard Effective Temperature o Temperatura Estándar Efectiva), el PT (Perceived Temperature o Temperatura percibida), PET (Physiological Equivalent Temperature o Temperatura Equivalente Fisiológica) y el PPD (Predicted Percentage Dissatisfied o Porcentaje Pronosticado de Insatisfacción), creado por Fanger en 1972.

Por otra parte, los índices combinados fusionan, en sus fórmulas, parámetros y factores como el  índice del confort durante el día, el índice del confort diario, las precipitaciones, la radiación solar, la velocidad del viento, el PET y el PMV. Entre los investigadores más conocidos que han creado este tipo de índices encontramos a Matzarakis y Moya en el año 2002, entre otros, pero sin dudas el más importante ha sido Mieczkowski, que en un artículo de 1985[3] propuso un índice climático como medio de valorar los climas del mundo basándose en el bienestar de los turistas.

Aunque hubo nuevas variantes, el llamado Tourism Climate Index (TCI, por sus siglas en inglés) de Mieczkowski se considera el más idóneo, pues reúne en un solo índice diversas variables climáticas (Moore, 2009). Otros autores identifican a este índice como uno de los esquemas más abarcadores hasta el momento (De Freitas et al., 2008). Este índice se ha constituido en el punto de partida para la mayoría de las investigaciones en estos temas, siendo citado en más de 1050  artículos relacionados al tema del turismo y la climatología. Ello demuestra su vigencia e importancia en el contexto actual, a pesar de que presenta algunas limitaciones. La mayor parte de la bibliografía consultada coincide en declarar algunas de ellas como el hecho de que las variables seleccionadas y los pesos relativos de las mismas sean basadas en opiniones subjetivas de los investigadores, más que en las preferencias declaradas por los turistas (Scott, 2001; De Freitas et al., 2008; Moore et al., 2009, Yu et al., 2009). Por otra parte, también se hace necesario evaluar el TCI con los visitantes, ya que posibilitaría el conocimiento de la medida objetiva de la calidad del clima que los turistas prefieren en destinos específicos, pudiendo así valorar las variables y los pesos utilizados en el índice (Scott y McBoyle, 2002). Otras investigaciones consideran que el período usado en esta fórmula tiene que adecuarse al período de vacaciones de los turistas del lugar de destino.

3.- MÉTODOS Y HERRAMIENTAS 

Proceso de la investigación

El proceso de búsqueda de un índice climático del turismo que evitara la subjetividad de los investigadores en la determinación de los pesos específicos de influencia de cada variable climática en el índice sintético único se basó en encontrar las relaciones entre las principales variables climáticas y las llegadas de visitantes en un modelo estadístico que reflejara el acontecer histórico del modo formal más apropiado. Entonces, el proceso discurrió a través de los siguientes pasos principales:

  • Estudio de las variables climáticas y de los arribos turísticos de Cuba a través del análisis estadístico descriptivo.
  • Entrenamiento y prueba de Redes Neuronales Artificiales (RNA).
  • Utilización de un modelo de Red Neuronal del tipo: Radial Basis Function para la construcción de un nuevo índice climático adaptado, Media Histórica Climática (MHC).
  • Determinación de las propiedades del nuevo índice.
  • Cálculo del MHC para el periodo histórico y para los escenarios futuros.
  • Estimación de los valores de demanda  en los escenarios futuros.
  • Estimación del impacto económico desde la demanda.

Análisis de datos y escenarios empleados 

Se trabajó con los datos mensuales de las variables climáticas Temperatura Máxima, Temperatura Media, Humedad Relativa, Precipitaciones, y Velocidad del Viento, obtenidas del Instituto de Meteorología de Cuba (INSMET, 2012), y de los arribos e ingresos turísticos al país de la Oficina Nacional de Estadística (ONE) del período 1985-2010. Cabe destacar que en este conjunto de datos no se incluyó el año 1987 por no encontrarse los arribos turísticos del mismo.

Para valorar los posibles impactos del cambio climático en el futuro, se emplearon dos escenarios. El primero, conocido como Business as Usual (BAU), es un escenario donde se estiman los valores de las variables que lo componen a través de series de tiempo, ya que se consideran otros factores (entre ellos el clima), como inmutables o que siguen la misma tendencia observada en el pasado. El escenario BAU en esta investigación se construyó con una serie temporal de los arribos turísticos al destino, pronosticada hasta el año 2050.

El segundo escenario, conocido como A2 o SRES A2, pertenece a la familia de escenarios creados por el grupo de trabajo presidido por Nankicenovic (IPCC, 2001), para el tercer reporte de evaluación del IPCC (AR3). Gracias al sistema PRECIS[4], calculado por el Instituto de Meteorología de Cuba (INSMET), se cuenta con los valores futuros de las variables climáticas (hasta el año 2100) para este escenario de cambio climático, en forma de datos mensuales. Estos valores futuros son los que se emplearon para construir el MHC del futuro (o MHC de A2), a partir del cual se estimaron los posibles arribos turísticos en este escenario hasta el 2050. Finalmente, a la diferencia entre los arribos en A2 con respecto a los de BAU se le multiplicaron distintos niveles de ingresos por visitantes, de donde se obtienen las variantes de impacto económico por ingresos dejados de percibir, que son finalmente descontados a diferentes tasas.

Los datos observados demuestran que los meses en los cuales llegan al país más visitantes coinciden con una temperatura entre los 25 y 30ºC, con una humedad relativa entre 65 y 75%, con velocidades del viento entre los 5 y 6 m/s y con apenas precipitaciones, lo que da una medida de las preferencias en cuanto a las condiciones climáticas de los turistas.

Otro aspecto significativo es la relación establecida entre la temperatura máxima y la media, con un valor de 0.99, que nos indica que una variación en una afectará proporcionalmente la otra y los cambios serán apreciados. Esto se debe como es natural,  a que estos parámetros estadísticos reflejan el valor de un mismo patrón: la temperatura. Por esta razón resultaría reiterada la utilización de estas dos variables a la vez, como demostraron análisis posteriores.

Redes Neuronales Artificiales

En la presente investigación se trabajó con  el programa STATISTICA versión  7.0, para el entrenamiento de las redes neuronales artificiales. Se utilizaron diferentes tipos de redes: Multilayer Perceptron (MLP), Probabilistic Neural Network (PNN), Generalized Regression Neural Network (GRNN), Linear (LN) y Radial Basis Function (RBF).  En un primer momento se utilizaron los datos completos de las variables climáticas independientes ya mencionadas (temperatura máxima, temperatura media, velocidad del viento, precipitaciones y humedad relativa) las que se relacionaron con la variable dependiente llegadas turísticas (demanda), arrojando resultados pobres. La experimentación en el  entrenamiento de las redes evidenció que era necesario eliminar una variable de temperatura, dando como resultado que la correlación y la razón de desviación estándar arrojaban mejores valores con la utilización de la temperatura media. Asimismo el análisis de sensibilidad mostró que la variable temperatura máxima puede ser ignorada, ya que arrojaba valores inferiores a la unidad, significando de hecho que su uso no sólo no era necesario para la modelación, sino que además estaba añadiendo mayores cantidades de error. Debido a estas razones se decidió la eliminación de la variable temperatura máxima para los posteriores análisis.

Finalmente se logró la obtención de una Red Neuronal, del tipo Radial Basis Function (RBF), que se caracteriza por tener tres capas, una de entrada, una oculta y una de salida. La RBF obtenida con un perfil de 4:4-15-1:1, cuatro variables de entrada (temperatura media, precipitaciones, humedad relativa y velocidad del viento), 4 neuronas en la capa de entrada, 15 en la capa oculta y 1 en la capa de salida  y una variable de salida (llegadas de visitantes), mostró que la correlación entre las variables de los visitantes observados y los pronosticados es de  0,98 con un ratio de desviación estándar de 0,04. Este ratio consiste en la división del error de la desviación estándar de la variable pronosticada con la desviación estándar de la variable observada. Mientras menor sea el ratio indica una mejor predicción. El error estándar de 0.002040, la media del error de -0.0127 y finalmente el MAPE (Mean Absolute Percentage Error), otra medida estándar de error muy empleada, resultó ser de 6,94%, lo que corrobora las excelentes cualidades regresoras de la red obtenida. 

4.- RESULTADOS 

MHC: nuevo índice para el turismo en Cuba 

Con los resultados de la red seleccionada se procedió al análisis de los pesos de cada neurona obtenida con relación a cada variable de entrada.  Para conocer el peso que le dan las neuronas a cada variable fueron tabulados todos los pesos en Excel, obteniéndose el peso relativo, con relación a la unidad, de cada una de las variables en las neuronas de la capa oculta. En un primer momento se pensó en conservar este peso relativo medio para la construcción del nuevo índice, pero este resultado daba por sentado que todas las neuronas de la capa oculta tuvieran la misma influencia en el ajuste final de la red a los datos de la variable dependiente. Esta suposición resulta errónea desde el punto de vista teórico para este tipo de redes (RBF), por lo que se diseñó un procedimiento de depuración, mediante el cual se seleccionó aquellas neuronas de la capa intermedia que resultaban imprescindibles para la activación de la neurona de la capa de salida y por tanto el ajuste final. Finalmente, con los pesos relativos medios de las variables de entrada en estas neuronas es que se obtuvo el nuevo índice climático, cuya ecuación sigue:

MHCi = 0.42 (TMedi) + 0.09 (HRvai) + 0.11 (Precpi) + 0.38 (VVientoi)

Donde MHC (Media Histórica Climática para el Turismo, abreviado) es el nuevo índice climático, TMed es la temperatura media, HRva es la humedad relativa, Precp son las precipitaciones, VViento es la velocidad del viento, mientras que el subíndice i denota el período de tiempo, en este caso los meses del año. Este nuevo índice ha tomado valores históricos entre las 18 y las 40 unidades. 

Se pasó entonces a realizar las pruebas exploratorias de bondad del ajuste del nuevo índice, para tratar de identificar si los valores correspondían a alguna de las distribuciones de probabilidad conocidas. Tras las pruebas iniciales, se corroboró que el índice correspondía significativamente para 5 clases con una distribución Lognormal o de Galton de media μ = 3.1949 y varianza σ2 = 0.0248. Este resultado era consistente con la naturaleza misma del origen del índice, en correspondencia con las propiedades de las funciones de base radial que están en el corazón de la ANN empleada. La figura 1 muestra la gráfica P-P (Probabilidad-Probabilidad) donde se observa el ajuste empírico al teórico. Obsérvese los parámetros desviación estándar σ = 0.157782 y la media ya descrita. 

Este resultado es importante, ya que permite que no sólo se establezcan valores del índice a partir de los datos, sino también posibilita el cálculo de la probabilidad de ocurrencia para cualquier valor supuesto del índice o intervalos entre dos valores del índice. Además, se garantiza la existencia de la asíntota izquierda en los valores del índice, sobre la que se discurría más arriba. La Tabla 1 muestra los rangos de clasificación para los valores del índice. 

Análisis del índice Media Histórica Climática del futuro.

Al realizar la evaluación del MHC en el escenario SRES A2, notamos la elevación paulatina del índice, o lo que es lo mismo, el empeoramiento casi sostenido de las condiciones climáticas para el turismo en el destino. En efecto, la Figura 2 muestra la relación del MHC para el SRES A2 con la media histórica, además de ilustrar mediante línea de tendencia exponencial el crecimiento de la serie en el futuro. Es por tanto de esperar que esta situación se refleje posteriormente en la estimación de la demanda a partir de los visitantes, si se parte de la clara dependencia observada en el capítulo anterior.

Asimismo, se realizaron las pruebas de dependencia para las dos muestras, el MHC histórico y el correspondiente al SRES A2, a través de la prueba t de Student, donde como es de esperar, se observan diferencias significativas (Tabla 2) que refuerzan la idea del cambio en sentido general de las condiciones climáticas para el turismo en el destino.

Análisis de la estimación del escenario BAU (base)

En la estimación del escenario BAU en un primer momento (del período 2013-2045) se evidencia que los arribos de los visitantes se mantienen a un ritmo constante con una media de casi 3 millones de llegadas o arribos turísticos en estos años (2 998 603.09). A partir del año 2046 la variable comienza a crecer llegando a valores que superan los 3 millones arribos (fig.3).  Esto se debe a la naturaleza típica de este escenario, que,  al no estar relacionado con otras variables (económicas, sociales, medioambientales), los cambios que experimenta ocurren según su pasado, lo que evidentemente en los años venideros no será posible debido a las evidencias de los  cambios climáticos que se avecinan para el planeta. Este escenario se empleó posteriormente en la comparación con la desviación del clima futuro.

Resultados del Pronóstico de la Demanda Futura para el SRES A2 a partir del MHC Futuro.

Según los resultados del modelo en el escenario SRES A2 en un primer momento se evidencia  un alza en los arribos turísticos principalmente en los años comprendidos entre el 2016 y el 2022, con cifras promedios entre los 2,9 y 3,0 millones de arribos para después ir disminuyendo paulatinamente, con valores menores de 2,3 millones fundamentalmente en los últimos 6 años (Fig.4), lo que lo diferencia del escenario BAU, que, como se mencionó anteriormente, sus arribos son constantes para después ir en aumento a finales del período.  Este desarrollo era de esperar a partir de lo observado en la evolución del propio índice MHC para este escenario.

Con respecto a las medias mensuales de este escenario en dicho período podemos decir que los meses con mayores arribos se encuentran entre Noviembre y Abril al igual que el escenario BAU con cifras entre los 230 mil y 320 mil arribos turísticos, valores muy distantes del resto de los meses cuya cifra es inferior a los 190 mil arribos.

Análisis de la Estacionalidad para el SRES A2 y los Visitantes Históricos. 

En cuanto a la estacionalidad propiamente dicha, se ve un ligero aumento de la concentración de las llegadas en el escenario SRES A2 con respecto a lo observado históricamente, como se puede observar en la Tabla 4. El índice de Gini se incrementa lo que se traduce en que las diferencias de los valores de los arribos por meses se han hecho mayores, impactando la distribución intra-anual de los flujos turísticos y acentuando la estacionalidad.

Entre los meses Noviembre, Diciembre , Enero,Febrero y Marzo, se concentran el 50% de los flujos turísticos de ese período para el SRES A2.  Un aspecto importante radica en que los meses de Diciembre y Enero poseen el 23.87% de las llegadas del total anual, que lo diferencia en un 3.66% del histórico, lo que significa que las diferencias serán muy notables respecto a unos meses con otros, aun siendo  todos los de la temporada alta.

Relación entre el escenario BAU y el SRES A2: pronóstico de impacto sobre las llegadas de visitantes

Se puede decir que en el SRES A2 los visitantes estimados disminuyen en relación con el escenario BAU por encima de 13.8 millones de llegadas para el total del período 2013-2050, con una tasa de decrecimiento promedio del 0,59%, valor que se incrementa en los últimos años del período para alcanzar y sobrepasar el 2%. A pesar de esta situación entre los años comprendidos entre 2019 y 2021 el SRES A2 supera en 21936, 181827, y 33462  arribos de visitantes respectivamente al escenario BAU.

Un nivel de agregación quinquenal de los visitantes pronosticados por cada escenario, así como las diferencias entre uno y otro escenario se puede observar en la Tabla 5. En efecto, a pesar del ligero aumento ya referido en los años iniciales de la década del 20, en ningún caso, tomando intervalos de cinco años, el escenario A2 logra superar al BAU.

Por otro lado al analizar la media mensual se evidencia un incremento en las diferencias entre los meses de Enero a Abril para después mantenerse a un ritmo casi constante hasta el mes de Octubre y posteriormente a partir de Noviembre comenzar nuevamente a incrementarse, como se ve en la Figura 5.

Relación entre el escenario BAU y el SRES A2: pronóstico de impacto sobre los ingresos

Finalmente se brinda una aproximación al significado que se desprende de la disminución en el número de llegadas con respecto al escenario BAU en cuanto a ingresos turísticos dejados de percibir. Se sigue el análisis realizado con la variable ingresos por visitante, aplicándolo ahora a las diferencias establecidas entre los escenarios considerados. A partir de este procedimiento, se puede decir que una estimación de las pérdidas debidas a la disminución del número de llegadas en el período 2013-2030, superarían los 2165 millones de USD en promedio a precios corrientes.

En efecto, si se retoma la agregación antes presentada para los visitantes, agrupando los valores de ingresos por visitante de acuerdo al máximo, el mínimo y la media histórica, multiplicándolos por el número de visitantes en cada quinquenio, se llega a los resultados que ofrece la tabla 6.

Se enfrenta, pues, a una posible pérdida por ingresos dejados de percibir que supera al promedio histórico de ingresos turísticos brutos en un año. Como se ve, la cifra no es pequeña y se está tomando en consideración sólo una parte del período considerado, aproximadamente unos 20 años. Por otra parte, y en concordancia con los elementos abordados con respecto a los visitantes, se aprecia también la elevación paulatina de dichas pérdidas, a medida que se avanza hacia el final del período considerado.

Lamentablemente, la no existencia de un índice de precios al consumidor fiable en el destino país imposibilita un ajuste inflacionario y hace difícil la construcción de las tasas de descuento social que por lo general se aplican en esta fase del estudio de impacto económico del cambio climático.  No obstante, se presentan en la tabla siguiente, a partir de los valores promedios de la tabla 6, una estimación del ajuste en el monto de las pérdidas utilizando tres tasas de descuento empleadas en la literatura (1%, 4% y 14%).

5.- CONCLUSIONES

1.- La construcción de un nuevo índice climático para el turismo (MHC) a partir de relaciones estadísticas reflejadas en las redes neuronales artificiales permite una mejor valoración, a nivel nacional, de los supuestos climáticos para la realización de actividades turísticas en el destino.

2.- Aunque este índice ha sido especialmente diseñado para las condiciones del destino Cuba, puede calcularse con el mismo procedimiento para cualquier otro destino turístico.

3.- A diferencia de índices anteriores reseñados en la literatura, los pesos relativos de las variables de clima en el índice han sido derivados de la modelación y no de la subjetividad de los investigadores, lo cual provee de solidez y rigor formal al indicador así construido.

4.- El nuevo índice climático es un aporte a la teoría y la práctica de la medición del impacto del clima y del cambio climático en el turismo. Sus propiedades estadísticas abren un mayor espectro para su uso, tanto en simulaciones como en pronósticos de escenarios futuros.

5.- En las condiciones estudiadas para Cuba, los pronósticos realizados para el escenario A2 apuntan hacia un deterioro paulatino de las condiciones climáticas para el turismo en el destino, lo que se traducirá en las correspondientes pérdidas económicas por concepto de ingresos dejados de percibir en niveles que ascienden a 2165 millones de USD sólo en el período 2013-2030.

6.- BIBLIOGRAFÍA REFERENCIADA

Abegg, B. (1996) Klimaänderung und Tourismus. Schlussbericht NFP 31. vdf Hochschulverlag AG an der ETH. Zürich.

Davies, N.E. (1968) An optimum summer weather index. Weather 23: 305-317.

Amelung, B.; Blazejczyk, K.; Matzarakis, A., Climate Thermal Comfort and Tourism. Climate Change and Tourism. Meteorological Institute, University of Freiburg, D-79085 Freiburg, Germany. 2007.

Amiranashvili, A.; Matzarakis, A. y Kartvelishvili, L., Tourism Climate Index in Tbilisi, Georgia. Transactions of The Georgian Institute of Hydrometeorology. Vol.115. 2008.

Boxill, Ian (2011) An assessment of the economic impact of climate change on the tourism sector in Jamaica. Economic Commission for Latin America and the Caribbean – Subregional Headquarters for the Caribbean. LC/CAR/L.313. 22 de Octubre. Disponible en: http://www.eclac.org

Bueno, R., Herzfeld, C., Stanton E. & Ackerman, F. “The Caribbean and climate change: The cost of inaction”. Tufts  University. Mayo  2008

CEPAL – Comisión Económica para América Latina y el Caribe – ONU & Banco Interamericano de Desarrollo (BID) (2010) Cambio Climático: una perspectiva regional. Publicación de las Naciones Unidas: LC/L.3207. Disponible en: http:// www.eclac.org.

De Freitas, C.R. (1990) Recreation climate assessment. Int. J. Climatol. 10: 89-103.

De Freitas, C.R., Tourism climatology: evaluating environmental information for decision making and business planning in the recreation and tourism sector. School of Geography and Environmental Science, The University of Auckland, Auckland, New Zealand. 2003.

De Freitas, C.R.; Scott, D. y McBoyle, G., A second generation climate index for tourism: specification and verification. International Journal of Biometeorology.2008.

Delgado, A. & Abreu, D.A. (2010). Segmentación de mercados en el destino Ciudad Habana. Libro electrónico de Memorias de la 1ª Convención Internacional de Estudios Turísticos,   Habana, Julio 12-17.

Fanger, P.O. (172) Thermal comfort. McGraw-Hill, New York.

Fields, Nicholas. (2011). An assessment of the economic impact of climate change on the tourism sector in Barbados. Economic Commission for Latin America and the Caribbean – Subregional Headquarters for the Caribbean. LC/CAR/L.314. 22 de Octubre. Disponible en: http://www.eclac.org

Gagge, A. P., Fobelets, A. P., Berglund, L. G. (1986) A standard predictive index of human response to the thermal environment. ASHRAE Trans 92: 709-731.

Hamilton, J. & Tol, R.S.J. (2004) The impact of climate change on tourism and recreation.  Working Paper FNU-52. Economic and Social Research Institute. Hamburg, Vrije and Carnegie Mellon Universities

Höppe, P. (1999) The physiological equivalent temperature – a universal index for the bio meteorological assessment of the thermal environment, Int J Biometeorol. 43:71–75.

INSMET (2012): Instituto de Meteorología de Cuba. Disponible en: http://www.insmet.cu

IPCC (2001) Informe Especial del IPCC. Escenarios de Emisiones. Resumen para Responsables de Políticas. ISBN 92-9169-413-4 PNUMA-OMM.

IPCC (2007)  Informe del  Grupo Intergubernamental de Expertos sobre el Cambio Climático. OMM – PNUMA. Disponible en: http://www.ipcc.org.

Llanes, Juan (2010).  An assessment of global economic models for climate change. Economic Commission for Latin America and the Caribbean – Subregional Headquarters for the Caribbean. LC/CAR/L.267. 15 de Junio. Disponible en:  http:// www.eclac.org.

Martín, Ramón (2010). Principios, organización y práctica del turismo. Parte Primera. Editorial Félix Varela. La Habana, Cuba.

Martín, Ramón (2011). An assessment of the economic impact of climate change on the tourism sector in The Bahamas. Economic Commission for Latin America and the Caribbean (ECLAC) – Subregional Headquarters for the Caribbean. LC/CAR/L.315. 22 de octubre. Disponible en: http:// www.eclac.org.

Matzarakis, A. y Moya, B., Concept for a Simple Climate Tourism Index including Precipitation. 15th Conference on Biometeorology and Aerobiology joint with the International Congress on Biometeorology. Meteorological Institute, University of Freiburg, Germany. 2002.

Matzarakis, A., Climate and bioclimate information for tourism in Greece.  Meteorological Institute. University of Freiburg.Germany.2002.

Mederos, S. y Delgado, A. (2009) Los destinos turísticos como sistemas adaptativos complejos. Síntomas en el destino Ciudad Habana. Facultad de Turismo, Universidad de La Habana.

Mercado, R. y Moore, M., El turismo: ¿víctima o cómplice del cambio climático? Revista Tendencias de la Universidad Blas Pascal. N. 2. 2007.

Mieczkowski,   Z.   (1985)  The     tourism   climatic    index:   a   method   of   evaluating   world   climates for tourism. Canadian Geographer Journal Nº 29: 220-233.

Moore, Winston; Lewis-Bynoe, Denny and Howard, Stacia (2009) Climate Change and Tourism Features in the Caribbean. Munich Personal RePEc Archive Nº 21470. Disponible en: http://www.mpra.ub.uni-muenchen.de/21470

Moore, Winston R.; Harewood , Leandra and Grosvenor, Tiffany (2010) The Supply Side Effects of Climate Change on Tourism. Munich Personal RePEc Archive Nº 21469. Disponible en: http://www.mpra.ub.uni-muenchen.de/21469

Moore, Winston (2011a) An assessment of the economic impact of climate change on the tourism sector in Montserrat. Economic Commission for Latin America and the Caribbean – Subregional Headquarters for the Caribbean. LC/CAR/L.306. 22 de Octubre. Disponible en: http://www.eclac.org

Moore, Winston (2011b) An assessment of the economic impact of climate change on the tourism sector in Saint Lucia. Economic Commission for Latin America and the Caribbean – Subregional Headquarters for the Caribbean. LC/CAR/L.307. 22 de Octubre. Disponible en: http://www.eclac.org

Morgan, R.; Gatell, E.; Junyent, R.; Micallef, A.; Ozhan, E.y  Williams, A., An improved user‐based beach climate index . Journal of Coastal Conservation. The Canadian Geographer. 2000.

Nordhaus, William (2007) Critical Assumptions in the Stern Review on Climate Change. Policy Forum Journal. Disponible en http://www.sciencemag.org (visitado en 26 de mayo de 2010)

ONEI (Oficina Nacional de Estadísticas e Información): Anuario Estadístico de Cuba. Oficina Nacional de Estadística,2010, disponible en http://www.one.cu 

Rivero, D., y Silva, E., Estudio de los parámetros de clasificación en el Software Didáctico Smartmlp. Innovación Tecnológica. Universidad de Las Tunas. 2011.

Scott, D., Using a modified Tourism Climate Index to examine the implications of climate change for climate as a tourism resource. First International Workshop on Climate, Tourism and Recreation. International Society of Biometeorology. 2001.

Scott, D. y McBoyle, G., Using a Tourism Climate Indexto examine the implications of Climate Change for Climate as a Tourism Resource. Adaptation and Impacts Research Group. Faculty of Environmental Studies. University of Waterloo. Ontario. Canada. 2002.

Simpson, M.C., (2009): Scott, D., New, M., Sim, R., Smith, D., Harrison, M., Eakin, C.M.,    Warrick, R., Strong,   A.E., Kouwenhoven, P., Harrison, S., Wilson, M., Nelson, G.C., Donner, S., Kay, R., Geldhill, D.K., Liu, G., Morgan, J.A., Kleypas, J.A., Mumby, P.J., Christensen, T.R.L., Baskett, M., Skirving, W.J., Elrick, C., Taylor, M., Bell, J., Rutty, M., Burnett, J.B., Overmas, M., Robertson, R. and Stager, H., (2009). An Overview of Modeling Climate Change Impacts in the Caribbean Region with    contribution   from   the  Pacific  Islands,   United   Nations   Development      Programme      (UNDP), Barbados, West Indies.

Sookram, Sandra (2010). Regional report on the impact of climate change on the tourism sector. Economic Commission for Latin America and the Caribbean (ECLAC) – Subregional Headquarters for the Caribbean. LC/CAR/L.263. 4 de junio. Disponible en: http:// www.eclac.org.

Sookram, Sandra (2011a). An assessment of the economic impact of climate change on the tourism sector in Aruba. Economic Commission for Latin America and the Caribbean (ECLAC) – Subregional Headquarters for the Caribbean. LC/CAR/L.302. 22 de octubre. Disponible en: http:// www.eclac.org.

Sookram, Sandra (2011b). An assessment of the economic impact of climate change on the tourism sector in Curaçao. Economic Commission for Latin America and the Caribbean (ECLAC) – Subregional Headquarters for the Caribbean. LC/CAR/L.303. 22 de octubre. Disponible en: http:// www.eclac.org.

Stern, N., S. Peters, V. Bakhshi, A. Bowen, C. Cameron, S. Catovsky, D. Crane, S. Cruickshank, S. Dietz, N. Edmonson, S.-L. Garbett, L. Hamid, G. Hoffman, D. Ingram, B. Jones, N. Patmore, H. Radcliffe, R. Sathiyarajah, M. Stock, C. Taylor, T. Vernon, H. Wanjie, and D. Zenghelis (2006), Stern Review: The Economics of Climate Change, HM Treasury, London, UK.

Terjung, W.H. (1966) Physical climates of the conterminous United States .A. Association of American Geographers, 56: 141-179.

Tol, Richard S.J. (2006) The Stern Review of the economics of climate change: a comment. Working Paper of the Economic and Social Research Institute. Hamburg, Vrije and Carnegie Mellon Universities

Yu, G.; Schwartz, Z. y  Walsh, J. E.,A weather-resolving index for assessing the impact of climate change on tourism related climate resources. Climatic Change. 2009.



[1] Ver al respecto: Bueno et al., 2008; CEPAL-BID, 2010 y Llanes, 2010.

[2] Los estudios sectoriales organizados por la Comisión Económica para América Latina y el Caribe de la ONU, auspiciados por DFID (Department for International Development) del Reino Unido entre 2010 y 2011 incluyeron: Agricultura (Guyana, Jamaica, Trinidad y Tobago y Santa Lucía); Costas (Islas Vírgenes Británicas, San Cristóbal y Nevis; Guyana y Barbados); Energía (Trinidad y Tobago); Salud (Guyana, Jamaica, Santa Lucía, Montserrat, Trinidad y Tobago); Transporte (Barbados y Montserrat) y Agua (Granada, San Vicente y Granadinas, Islas Turcos y Caicos). Además, se estudió el sector turístico en Aruba, Bahamas, Barbados, Curaçao, Jamaica, Montserrat y Santa Lucía.  Todos estos estudios están disponibles en idioma inglés en el sitio Web: www.eclac.org.

[3] The tourism climate index: A method for evaluating world climates for tourism (1985)

[4] Providing REgional Climates for Impact Studies desarrollado por el Hadley Center del Reino Unido, integrándolo en una grilla con espaciamiento horizontal de 25 km.

Para citar este artículo puede utilizar el siguiente formato:
Delgado Castro, Alejandro y Martín Fernández, Ramón: "Pronóstico de la demanda turística hacia Cuba considerando el impacto del cambio climático" en Revista Caribeña de Ciencias Sociales, agosto 2014, en http://caribeña.eumed.net/pronostico-demanda-turistica/

Revista Caribeña de Ciencias Sociales es una revista académica, editada y mantenida por el Grupo eumednet de la Universidad de Málaga.