1. Revisión de la literatura.

Los usos de internet trascienden la simple búsqueda de información y la generación de procesos de comunicación entre individuos. Una de las principales aplicaciones de internet es su capacidad para modelar mercados y generar pronósticos sobre precios. Según ^{Engle (2000)}, la información que utilizan los modelos que estudian el comportamiento económico ha experimentado un cambio transcendental al pasar de datos anuales a datos mensuales, semanales, diarios y datos intradía (e.g. por hora, minuto o incluso segundo en un mismo día). Esta información se denomina de “alta frecuencia” y tiene como ventajas el aumentar la precisión de generar pronósticos y capacidad explicativa de las variables.

Con la penetración de internet en prácticamente todas las actividades humanas, comenzó a desarrollarse el concepto Big Data el cual puede ser ambiguo. Retomando a ^{Ward et al (2013)}, a pesar de las diferencias en definiciones, el concepto se vincula con: 1) el tamaño de la información (bases de datos muy grandes); 3) la complejidad de la información (se presenta información muy detallada de todas y cada una de las observaciones) y 3) las herramientas y técnicas que se utilizan para analizar (se requiere de algoritmos y técnicas avanzadas de estadística para su procesamiento).

Por lo tanto, la integración de Big Data permite conocer con mayor precisión la conducta de las personas al analizar patrones agregados con una cantidad importante de observaciones (^{Da, Engelberg y Gao, 2011}; ^{Joseph, Wintoki y Zhang, 2011}).

En el caso del turismo, se reconoce la importancia que tiene el internet, como un espacio donde los turistas obtienen información, pero al mismo tiempo influyen en los demás al compartir sus experiencias y recomendaciones de viajes (^{Machado, 2014}). En un entorno con una alta interacción entre personas y con una rápida transmisión de información, el proceso de decisión del turista podría ser sensible a variables que cambian casi de forma instantánea (e.g. el tipo de cambio, los avisos sobre seguridad en las embajadas o el clima). Es por esta razón que han comenzado a aparecer con mayor frecuencia artículos donde se relaciona la actividad turística con la conducta de las personas en internet. A continuación se analizan algunos de los principales trabajos que se han podido identificar en la literatura reciente.

Dentro de los principales autores que comenzaron a explorar la aplicación de internet en materia turística se encuentran Choi et al (2009; 2009a; ²⁰¹²⁾ donde utilizando datos de Google, pronostican en el corto plazo valores de variables tales como ventas de automóviles, reclamos de seguros al desempleo, confianza del consumidor y planeación de viajes. El principio del que parten estos estudios es que cuando las personas realizan búsquedas en internet, revelan sus preferencias², así como las interconexiones entre los diferentes conceptos que las delimitan. En lugar de hablar de predicciones a futuro (forecasting) indican que los datos de internet deben ser utilizados para realizer predicciones contemporáneas (nowcasting). En otras palabras: se deben utilizar los patrones de internet para analizar el comportamiento en tiempo real de las personas.

Dentro del trabajo existe una sección dedicada exclusivamente al análisis del internet y la planeación de viajes. Comparan los datos oficiales de visitas a Hong Kong recabados por la agencia oficial en temas de turismo (Hong Kong Tourism Board) con datos de Google Trends. Lo que encuentran es que el flujo de turistas de acuerdo a su nacionalidad (Estados Unidos, Canadá, Reino Unido, Alemania, Francia, Italia, Australia, Japón e India) coincide con el patrón del flujo de consultas a Google Trends en la mayoría de los casos (solo los turistas de Japón tienen un patrón diferente de comportamiento). En términos metodológicos, este trabajo recurre a modelos de series de tiempo que son muy comunes en el análisis de variables financieras y macroeconómicas.

El aporte de Choi et al ha impulsado el desarrollo de trabajos posteriores como el de ^{Yang et al (2014)} donde se analizan registros de hospedaje e información de internet para el caso de Charleston, South Carolina en Estados Unidos. La aportación adicional del trabajo es que busca identificar qué tipo de modelo es el mejor para trabajar con este tipo de información. En términos generales, compara diferentes modelos de series de tiempo tales como Autorregresivos con Media Móvil (ARMA), con modelo Autorregresivo con Media Movil y Variable Exógena (ARMAX) donde se tiene información de internet. En el estudio, se concluye que los modelos ARMAX son mejores que los modelos ARMA, debido que permiten conocer y controlar estadísticamente las perturbaciones que existían en los primeros períodos del proceso.

En cuanto al caso de Europa, se pueden citar los trabajos de ^{Artola et al (2015)} y ^{Claveria et al (2010)} donde también utilizan datos de internet para la estimación de flujos de turistas retomando la idea de Choi et al, pero con datos de España. En estos trabajos se tienen modelos y supuestos muy parecidos a los expuestos anteriormente, demostrando también que las búsquedas de internet se relacionan estrechamente con el flujo turístico.

Por su parte, Gunter et al (2016) analizan pronósticos con datos de internet para diferentes países (Alemania, Italia, Japón, Reino Unido y Estados Unidos). En este trabajo en particular, se introduce una innovación al incluir una comparación de los pronósticos generados a partir de filtros como el Holt-Winters (HW). Este filtro es una herramienta estadística ampliamente utilizada para la generación de pronósticos en materia económica (e.g. la estimación del Producto Interno Bruto potencial). En el trabajo, se esperaba que la introducción de este filtro produjera mejores estimaciones de los flujos turísticos. Sin embargo, se encontró que la estimación generada por el filtro HW, es superada por la estimación de un modelo donde se incorpora información de internet para estimar el flujo de turistas. Con ello, se prueba nuevamente que el uso de datos de internet es una mejor alternativa.

En ^{Gawlik, et al (2011)} se introduce otra innovación: en lugar de modelar el flujo de turistas con información agregada oficial, se utilizan palabras específicas. Se retoma el caso de Hong Kong en los años 2005-2010 (datos mensuales) para desarrollar un algoritmo que demuestra tener un bajo nivel de error de pronóstico. La conclusión es que al utilizar información específica de búsquedas de internet, es posible reproducir el flujo de turistas.

En los artículos que se han comentado, una situación recurrente es que se usa información de Google. ¿Los hallazgos serán similares si se eligiera cualquier otra fuente de información? En el artículo de ^{Yang et al (2015)} se busca dar respuesta a esta interrogante. Utilizando datos de China (provincia de Hainan) y los modelos propuestos en un artículo anterior (^{Yang et al, 2014}) se comparan las estimaciones del flujo de turistas realizadas con dos diferentes motores de búsqueda: Google y Baidu. Los modelos generados a partir de estas fuentes se comparan con las estimaciones de un Modelo Autorregresivo y de Media Móvil (ARMA). La principal conclusión es que se verifica que la utilización de motores de búsqueda reduce los errores de pronóstico y por tanto es mejor que la utilización de cualquier otro modelo. Sin embargo, se encuentra que existen diferencias de acuerdo a la fuente de los datos de internet. Por ejemplo, la información de Baidu permite generar mejores modelos en comparación con la información de Google. La explicación es que probablemente el turismo a Hainan es principalmente doméstico y por ello el motor de búsqueda Baidu (que concentra más información de China) se ajusta mejor a los datos.

En el caso de América Latina, se encuentra el trabajo de ^{Bangwayo-Skeete y Skeete (2015)} donde se analiza de forma particular la llegada de turistas a diferentes destinos en el Caribe. Para ello, se construye un indicador que pronosticar la demanda a partir de datos de internet. En este caso utilizan un enfoque como el de ^{Gawlik, et al (2011)}, donde primero se seleccionan palabras clave. El estudio se concentra en palabras como “hoteles y vuelos” para desarrollar pronósticos a partir de diferentes modelos estadísticos tales como un modelo Modelo Autorregresivo con Muestra de Información Combinada (AR-MIDAS), un Modelo Autorregresivo con Media Móvil Integrado y Estacional (SARIMA) o un Modelo Autorregresivo (AR) más simple. En el trabajo se demuestra que al utilizar como insumo las consultas de internet, se obtiene una alta capacidad de pronosticar correctamente el comportamiento turístico. Recomiendan que este tipo de técnicas sean integradas al conjunto de herramientas que se utilizan para planear la política en materia turística.

Adicionalmente, en ^{Rivera (2016)} se estima el flujo de turistas internacionales en Puerto Rico, tomando como insumo los registros en hoteles y la información de Google Trends. En el trabajo se indica que la incorporación de esta información les permite obtener mejores inferencias sobre la asociación entre el número de registros de no residentes en hoteles. Además, se generan predicciones más realistas para los intervalos de las predicciones. Una conclusión importante es que sus predicciones son mejores al considerar el corto plazo (6 meses), confirmando en parte lo comentado por ^{Choi et al (2012)} en relación a que los datos de internet son mejores para predicciones contemporáneas.

A manera de síntesis de los trabajos que relacionan el flujo de turistas (domésticos o extranjeros) con la información de internet, se pueden extraer algunas características importantes: 1) son trabajos que analizan la relación que tienen los datos de búsquedas con valores reales de registros de turistas (en su mayoría fuentes oficiales); 2) por lo regular se utilizan modelos de series de tiempo relacionados con procesos autorregresivos; 3) el principal objetivo es el de modelar las series de turistas para generar pronósticos; 4) independientemente del destino analizado, los modelos que incluyen datos de internet tienden a generar mejores pronósticos (i.e. con menos errores) en comparación con sus contrapartes que utilizan otro tipo de información (i.e. registros de visitantes); 5) existe evidencia de que al utilizar palabras específicas en lugar de búsquedas agregadas, los modelos son más precisos; 6) en los trabajos no se analizan propiamente relaciones causales o impactos de las búsquedas.

Datos

Para construir la base de datos, se utilizó información de tres fuentes: 1) el Instituto Nacional de Antropología e Historia (INAH) la cual se encuentra en el Sistema Institucional Estadística de Visitantes (http://www.estadisticas.inah.gob.mx); 2) información de Google Trends (https://trends.google.com/trends/?hl=es) para las consultas realizadas a través de internet y; 3) la estimación del flujo de cuartos promedio ocupados de la Secretaría de Turismo (SECTUR) en el portal Datatur (http://www.datatur.sectur.gob.mx). Con esta información se genera una base de datos que comprende de enero de 2004 a diciembre de 2016. Las variables de flujo turístico (cuartos promedio ocupados y visitas registradas por el INAH) se han estandarizado en una escala de 0 a 100, donde el 100 representa el valor más alto en cada serie.

Integración de las búsquedas en internet.

Las variables relacionadas con las búsquedas en internet que realizan los turistas, se construye a partir de información de Google Trends, la cual se puede considerar como Big Data (^{Ward et al, 2013}). El proceso que sigue Google para integrar la información es el siguiente: cada que se escribe un concepto o palabra en el buscador, la aplicación genera un extracto de datos utilizando un porcentaje de todas las búsquedas. Para los datos en tiempo real se genera una muestra aleatoria de las búsquedas de los últimos siete días. Los datos que no son en tiempo real, constituyen una muestra aleatoria de los datos de la búsqueda de Google que pueden obtenerse desde el año 2004 hasta 36 horas antes de que se realiza la búsqueda. Una vez recopilada la información, Google crea categorías (e.g. ocio, deportes, noticias) y se vinculan con un tema. Estos temas relacionados, son temas buscados con frecuencia junto a los conceptos que busca el usuario (e.g. Cancún con springbreaker). Finalmente, se elimina cualquier información personal para garantizar el anonimato y la protección de datos sensibles.

Para construir tendencias, Google Trends excluye datos de búsquedas realizadas por muy pocos usuarios. También elimina las búsquedas realizadas de forma reiterada por una misma persona durante un breve periodo de tiempo y filtra las consultas que contienen caracteres especiales (signos de admiración, interrogación, apóstrofes, entre otros).

Con los datos agregados a nivel mundial, Google elabora un índice (parecido a un índice de confianza al consumidor) con una escala de 0 a 100 donde valores más altos indican una mayor popularidad o frecuencia de aparición de un concepto. Este proceso es necesario para garantizar que los datos de búsquedas son proporcionales al periodo temporal y la ubicación de una consulta.

Selección de las palabras clave del estudio.

Ante la gran cantidad de información que se puede encontrar en internet, es necesario definir criterios para la selección de las palabras clave. En el trabajo se utilizaron dos criterios. El primero consistió en aplicar una herramienta de correlación de datos (Google Correlate), la cual permite encontrar asociaciones entre diferentes palabras para todas las búsquedas realizadas en Google. Posteriormente, se seleccionaron las tres principales palabras que resultaron ser “Nanacamilpa”, “Luciérnagas” y “Piedra Canteada” (correlación por encima del 0.80). En los dos primeros casos, son palabras que tienen una asociación natural debido a que corresponden al lugar donde se verifica el avistamiento y a la forma coloquial de denominar a la Macrolampis palaciosi. En el tercer caso, la palabra identifica uno de los dos ejidos que actualmente gozan del permiso de explotación para realizar los recorridos.

Ubicando a estas tres palabras como las que mejor describen las búsquedas relacionadas con el avistamiento de luciérnagas en Tlaxcala, se utiliza Google Trends para generar las series una periodicidad mensual desde enero de 2004 a enero de 2016 (156 observaciones).

Finalmente, para garantizar que se tenían palabras relacionadas se calculó una matriz de correlación como la que se presenta en la Tabla 1. Entre Nanacamilpa y Luciérnagas la correlación es de 0.60, entre Nancamilpa y Piedra Canteada es de 0.80 y entre Luciérnaga y Piedra Canteada de 0.64. En todos los casos son estadísticamente diferentes de cero con un p-value por debajo del 0.01. La conclusión es que los tres conceptos están muy relacionados.

En la siguiente sección se presenta un análisis preliminar de los flujos de turistas domésticos y de las palabras relacionadas con el avistamiento de luciérnagas.

Análisis preliminar de la información.

En la Gráfica 1 se presentan datos del comportamiento del turismo doméstico registrado en todos los posibles puntos de visita que identifica el INAH en Tlaxcala. También se incluye la información de los índices de Google Trends para cada una de las palabras relacionadas con el avistamiento de luciérnagas. Las consultas realizadas para la palabra “Nanacamilpa” desde enero de 2004. Es interesante observar un patrón de generación de ciclos en los últimos años (2014, 2015 y 2016), que coincide plenamente con la decisión de impulsar la explotación turística del avistamiento de luciérnagas. Hasta antes de esta fecha, realmente la palabra aparece con un volumen de búsquedas relativamente bajo (con excepción de las primeras búsquedas en 2004), el cual se mantiene prácticamente durante 10 años. A partir de 2014 justo en los meses donde ocurre el avistamiento (junio, julio y agosto) se observa un comportamiento cíclico acompañado de valores máximos cada vez más altos.

Fuente: elaboración propia a partir de datos de Google Trends (2017).

Gráfica 1 Consultas de palabras clave en internet. 

Para la palabra “Luciérnagas” en la Gráfica 1, se identifica un patrón semejante al de Nanacamilpa. También es posible ver la aparición de un ciclo muy marcado en los meses donde ocurre el avistamiento (junio-agosto) a partir de 2004.

El tercer concepto que se analiza es “Piedra Canteada”, un ejido en Nanacamilpa el cual es el punto de referencia para el avistamiento. En este caso, se observa también con claridad la aparición de ciclos (solo que a partir de 2013) pero no la tendencia positiva que aparecía en las otras búsquedas. En el movimiento cíclico se observa que los picos son progresivamente más altos, lo cual implica una mayor variación en las búsquedas para “Piedra Canteada” año con año a partir de 2014.

En cuanto a la variable de flujo de visitas registras por el INAH y los cuartos promedio ocupados (CPO), en Gráfica 2 se observa en general un comportamiento estacionario (i.e. no existe una tendencia).

Fuente: elaboración propia a partir de datos de INAH (2017) y Datatur (2018)

Gráfica 2 Flujo de visitas registradas por el INAH y cuartos promedio ocupados 

En todos los años se identifica un comportamiento cíclico donde se alcanza un pico en el mes de octubre con la celebración de la feria (cerca de 29 mil personas en promedio). Sin embargo, a lo largo del año, también se observan momentos importantes para la atracción de turistas. En particular, en marzo de cada año con la llegada del carnaval (en promedio cerca de 23 mil personas y en agosto con el desarrollo de las fiestas en honor a la Virgen de la Caridad (poco más de 22 mil personas en promedio). Recientemente y a partir de 2014 se observa otro pico en junio, el cual podría corresponder a la temporada de avistamiento de luciérnagas.

Las conclusiones que se pueden extraer de este análisis preliminar de la información son las siguientes: 1) se confirma la existencia de ciclos sincrónicos en los flujos de turistas y de las búsquedas en internet con mayor claridad a partir del año de 2014; 2) las búsquedas de palabras como Nanacamilpa, Luciérnagas y Piedra Canteada generan ciclo a partir de junio; 3) se presenta una tendencia positiva en la búsqueda de la palabra Luciérnagas y en el flujo de turistas también a partir de 2014.

En la siguiente sección se presentan los aspectos técnicos del modelo que permite estimar el impacto de las palabras relacionadas con el avistamiento en el flujo de turistas. Se busca encontrar el signo (positivo o negativo) y magnitud de este impacto para cada variable. Estas estimaciones permitirán conocer cuál de las tres búsquedas tiene el mayor impacto en el turismo que genera el avistamiento de luciérnagas en Tlaxcala.

Modelo para analizar el flujo de turistas en Tlaxcala a partir de consultas en internet.

Como se ha comentado, la principal motivación de este trabajo es la de conocer si es posible utilizar las búsquedas de internet como una variable que aproxima el flujo de turistas. Como se ha planteado, existe sospecha de que las personas que deciden viajar al avistamiento, buscaron información en internet para informarse sobre su viaje. Al mismo tiempo, las visitas al lugar de avistamiento, generan interacción en redes sociales y en la convivencia entre personas que motiva a su vez la decisión de otras personas de viajar hacia el avistamiento.

A partir de la metodología planteada en ^{Johansen (1991)} se sabe que un Modelo de Vectores Autorregresivos (VAR) tiene como ventaja el no imponer ninguna restricción, no se generan errores de especificación al asumir relaciones de causalidad entre las variables. Tampoco se requiere especificar ciertas variables como exógenas de la misma forma en que se hace para cualquier modelo econométrico de ecuaciones simultáneas.

Esta metodología consiste en plantear un sistema de ecuaciones donde las variables explicativas en cada ecuación, serán el conjunto de rezagos (i.e. valores en t-1). Las ecuaciones que se utilizan, aparecen en forma reducida y sin restringir. Cuando las ecuaciones son de forma reducida, los valores contemporáneos de las variables en el modelo no serán variables explicativas en ninguna de las ecuaciones. Las variables explicativas en cada ecuación, serán el conjunto de retardos de las otras variables del modelo (como en un proceso autorregresivo, AR). Por ello, si las ecuaciones no están restringidas, cada variable del modelo aparece en cada ecuación.

En este tipo de modelos, usualmente se incluyen otras variables deterministas tales como la tendencia temporal, variables de respuesta binaria estacionales, o variables que identifican una coyuntura (i.e. cambio estructural). Este tipo de modelos resultan ser muy útiles cuando se asume simultaneidad entre un grupo de variables, pero además cuando la relación entre estas variables prevalece durante un cierto número de períodos.

A partir de la estimación de los parámetros de este sistema de ecuaciones, se calcula el impacto de cada variable. El modelo VAR usado en este estudio es de la siguiente forma:

Donde Y _it es un vector de cinco variables: flujo de visitantes a Tlaxcala registrados por el INAH, cuartos promedio ocupados, búsquedas para “Nanacamilpa”, búsquedas para “luciérnagas” y búsquedas para “Piedra Canteada” en el momento t. El vector Y _it se encuentra en función del vector Y _it-j donde se tienen las misma variables que en Y _it solo que con _t-j rezagos. El último término εit se asume como un error con una distribución Normal. Se utiliza la descomposición de Cholesky para identificar el modelo.

Para determinar los impactos de un coeficiente, se utilizan Funciones Impulso Respuesta (FIR) que provienen de la matriz de funciones impulso respuesta a partir de los coeficientes estimados de cada VAR, así como sus errores estándar. Precisamente estos errores estándar permiten definir bandas de error al 5% y 95% mediante simulaciones Monte Carlo.

A continuación se comentan estos resultados.

Relación entre búsquedas de internet y el flujo de turistas.

En esta sección se comentan los resultados de las estimaciones del VAR (Tabla 2). Por las características de las variables y pruebas de robustez realizadas al modelo, se ha determinado que se debe elegir un máximo de tres rezagos en cada variable. En la sección de Anexos están las pruebas que se realizaron al modelo estimado. El principal objetivo del trabajo es el de explicar cómo la decisión de visitar y hospedarse a un destino en particular, se asocia con la búsqueda de ciertas palabras clave en internet. Existe un énfasis en comentar los casos donde la respuesta es el flujo de turistas domésticos medido como los cuartos promedio ocupados y el número de visitas registradas por el INAH.

Cuando la variable dependiente son los cuartos promedio (inciso a de la Tabla 2), se identifica un efecto tendencial del uso de las habitaciones (el tercer y primer rezago son positivos y diferentes de cero); es decir, si incrementa la ocupación en un periodo, a futuro se esperaría una mayor ocupación. Resulta interesante que la búsqueda del lugar destino de viaje (i.e. Nanacamilpa) no genere ningún impacto en la cantidad de cuartos promedio ocupados. Los tres coeficientes asociados a esta palabra no son estadísticamente diferentes de cero. Sin embargo, en el caso de las búsquedas de la palabra Luciérnagas si se observa un impacto positivo en la ocupación. Al menos una de las tres variables relacionadas con la palabra resultan ser estadísticamente diferentes de cero (el segundo rezago de la variable). También resulta interesante que la búsqueda del principal lugar de hospedaje en Nanacamilpa (i.e. Piedra Canteada), genera un impacto negativo en la ocupación. Este resultado puede conducir a una interpretación interesante sobre el comportamiento de los turistas y visitantes: 1) la persona busca un lugar donde quedarse en Nanacamilpa y la principal referencia es Piedra Canteada; 2) dado que Piedra Canteada tiene pocas habitaciones y se saturan rápido, al confirmar que no hay espacio, las personas deciden no ir; 3) se puede argumentar que a medida que más personas buscan Piedra Canteada y no encuentran hospedaje, se incide negativamente en la ocupación de cuartos promedio en el estado lo cual evidencia que el interés de los posibles turistas es hospedarse en el lugar del avistamiento.

Para la variable de flujo de visitas registradas por el INAH, se observa que a medida que incrementan la cantidad de cuartos promedio ocupados, también incrementan las visitas (en particular el rezago de tercer orden es positivo). Este resultado es consistente con el comportamiento de un turista e implica que se buscan realizar más actividades en adición al avistamiento. Se nota que las búsquedas de la palabra Nanacamilpa generan un impacto mixto. Para el rezago de primer orden es positvo, mientras que para el rezago de segundo orden es negativo. Este resultado puede interpretarse de la siguiente manera: las personas buscan ir a Nanacamilpa y al igual que en el caso de Piedra Canteada, si no encuentran lugar donde hospedarse, deciden ya no asistir al avistamiento. Esto explicaría el coeficiente con valor negativo en el segundo período. Sin embargo, existen personas que deciden en muy poco tiempo (i.e. con un rezago) acudir al avistamiento (o bien son personas que del período t-2 al t-1 continuaron buscando hospedaje). De paso a Nanacamilpa, podrían visitar alguno de los sitios que custodia el INAH. Esto explica el coeficiente positivo de la variable con un rezago. La última variable que muestra un impacto diferente de cero (en este caso positivo) es la de visitantes registrados por el INAH con un rezago de segundo orden. La explicación es que existe una inercia en ciertos meses del año que puede durar al menos dos períodos. La más clara de estas inercias es la de los meses de junio, julio y agosto donde coinciden el avistamiento y la Huamantlada.

La conducta de los turistas domésticos y las búsquedas de internet en el flujo de turistas.

A partir del modelo estimado en la sección anterior se puede conocer el efecto que tienen las búsquedas en Google Trends en el flujo de turistas buscando explicar la conducta de las personas. Para ello, se debe calcular una función impulso-respuesta donde se estima qué ocurrirá en el tiempo con el flujo de turistas ante un impulso o cambio inesperado (i.e. un shock) de las otras variables. Cuando la variable que genera el impulso es la misma que la de la respuesta se habla de una autorrespuesta.

Se puede considerar a las funciones impulso-respuesta como una simulación de los efectos que tendrían shocks aleatorios de cada variable en aquella que se selecciona como variable de respuesta.

En la Gráfica 3 se presenta el caso donde la respuesta es los cuartos promedio ocupados, asumiendo cambios positivos e intervalos al 5% y 95% de confianza y un horizonte temporal de 8 períodos (i.e. meses). El eje de las ordenadas indica el impacto en la variable de respuesta y el de las abscisas el tiempo que transcurre después del shock aleatorio en la variable de impulso. Se ha mantenido para todas las gráficas la misma escala [-1,1] con la finalidad de hace las comparaciones.

Fuente: elaboración propia a partir de datos de Google Trends (2017), INAH (2017)y Datatur (2018).

Gráfica 3 Respuesta en los cuartos promedio promedio ocupados  

Los resultados permiten concluir que la búsqueda de la palabra luciérnagas genera la mayor respuesta en la ocupación. Este resultado, prueba que efectivamente los turistas que se hospedan en Tlaxcala lo hacen por el evento del avistamiento. Las visitas registradas por el INAH y la búsqueda de la palabra Nanacamilpa también generan una respuesta positiva en los cuartos promedio ocupados; sin embargo, las respuestas son de menor magnitud en relación a la que genera la búsqueda en internet de la palabra luciérnagas. Lo anterior, implica que las personas no le otorgan importancia a la búsqueda de la palabra Nanacamilpa como el lugar de origen del avistamiento. Por otro lado, sorprende que los sitios arqueológicos y museos del INAH no generen una mayor respuesta en la ocupación promedio de cuartos en Tlaxcala. En cuanto a la variable de búsquedas en internet de Piedra Canteada, sorprende que genere una respuesta negativa y persistente en los cuartos promedio ocupados. Una posible explicación de este comportamiento como ya se ha comentado, es que ante una oferta de cuartos limitada en Nanacamilpa, si las personas buscan Piedra Canteada y no encuentran lugar para pasar la noche, no buscarán otros lugares para quedarse dentro del estado de Tlaxcala, sino en otros estados (e.g. Hidalgo). Otra posible explicación es que una vez finalizado el avistamiento, las personas no deciden quedarse y regresan a su lugar de origen, lo cual implica que mucho del turismo que acude a Nanacamilpa debe provenir de lugares muy cercanos (e.g. Puebla, Hidalgo, CDMX y Estado de México). Esto último implicaría que en realidad el avistamiento genera visitantes y no turistas

El análisis que se realiza ahora es sobre las funciones de impulso respuesta cuando la variable de respuesta es el número de visitas registradas por el INAH (Gráfica 4). En este caso, sorprende que la ocupación hotelera genere una respuesta negativa y persistente (aunque de baja magnitud). En el caso de la búsqueda de la palabra luciérnagas, en el corto plazo (un período) se tiene una respuesta negativa en las visitas registradas por el INAH pero a partir del segundo período se genera una respuesta positiva que dura al menos otros cinco periodos. En cuanto a la búsqueda de la palabra Nanacamilpa en internet, se observa que genera una respuesta positiva en las visitas del INAH. En este caso, prácticamente la respuesta es de la misma magnitud que la de la búsqueda de la palabra luciérnagas, pero no es persistente en el tiempo pues su efecto dura un periodo.

Fuente: elaboración propia a partir de datos de Google Trends (2017), INAH (2017) y Datatur (2018).

Gráfica 4 Respuesta en las vistas registradas por el INAH.  

Finalmente, para la variable de las búsquedas en internet de la variable Piedra Canteada, se observa que genera una respuesta negativa de corto plazo (primer y segundo período), seguida de una respuesta positiva y persistente hasta el octavo período. Desafortunadamente, la magnitud de la respuesta positiva es muy pequeña. Una posible interpretación de este resultado es que las personas que buscan la palabra Nanacamilpa lo hacen con cierto tiempo, diseñando itinerarios que podrían implicar visitas a los lugares tiene bajo su custodia en INAH. Por esta razón la respuesta positiva aparece hasta el tercer período (o mes, de acuerdo a la teporalidad de los datos).

Con el análisis de las graficas 3 y 4 se puede inferir la conducta de los turistas domésticos: las búsedas relacionadas con la palabra luciérnagas generan una respuesta positiva de corto plazo tanto en la ocupación hotelera como en las visitas que registra el INAH. Si la visita es planeada con anticipación (e.g. 4 meses al menos) y se busca como lugar de hospedaje Piedra Canteada, es posible que las personas decidan visitar lugares que tiene bajo su resguardo el INAH. La cuestión es que si ya no hay hospedaje en este lugar, las personas deciden ya no quedarse en el estado de Tlaxcala produciendo una respuesta negativa en las visitas que registra el INAH. La respuesta que genera la búsqueda de la palabra Nanacamilpa es positiva en ambas variables flujo aunque mucho menor en el caso de los cuartos promedio ocupados. Esto último exhibe el hecho de que las personas podrían estar buscando lugares adicionales a Piedra Canteada para poder hospedarse. Si llegaran a encontrar hospedaje, es muy probable que aumenten las también las visitas que el INAH registra.