Impactos económicos del cambio climático en el sector turístico

Se supone que los primeros impactos del cambio climático se darán en función de la afluencia turística, por lo que es necesario entender la relación entre el clima y la llegada de turistas. Para este análisis se utilizaron los datos de las estaciones climáticas de Bahía de Banderas: Gaviotas (18021)  y San José del Valle (18030), cruzando la información con los datos de la llegada mensual de turistas residentes y no residentes en Nuevo Vallarta proporcionados por DATATUR. Debido a que las estaciones no cuentan con el mismo periodo de datos, la información turística se adaptó.

4.3.1 Análisis de regresión estación Las Gaviotas (18021)
Para la estación de Las Gaviotas (18021) se consideró un periodo de datos de noviembre del 2003 a diciembre del 2008. Por lo que solo se tomaron los datos climáticos correspondientes a esta serie de tiempo. Las variables presentan una simetría positiva (Skewness), a excepción de los cuartos ocupados totales (COT), que presenta un valor negativo. Al igual, todas las variables mantienen un valor de curtosis menor a 3 lo que indica que mantienen una distribución platicurtica; es decir, que en las colas hay más casos acumulados que lo que habrían en las colas de una distribución normal, los datos están más dispersos con respecto a la media. Mientras que la variable COT tienen un valor de curtosis de 3.227796, lo que indica una distribución leptocúrtica, ya que presenta un elevado grado de concentración alrededor de los valores centrales de la variable. El estadístico Jarque-Bera es alto y mantiene una probabilidad superior a 0.05 por lo que los datos mantienen una distribución normal independientemente de donde están cargados los datos (Tabla 16).

En lo que respecta a los datos climáticos, como se analiza en la tabla 17, las variables TMAX Y TMIN mantienen una simetría negativa. El valor de curtosis de la PRE y TMAX es mayor que 3, por lo que se infiere que los datos mantienen una distribución leptocúrtica, y la precipitación platicúrtica. La probabilidad del estadístico Jarque-Bera en la PRE y TMAX es menor a 0.05 por lo que los datos no mantienen una distribución normal, a diferencia de la TMIN que la probabilidad es ligeramente superior a este valor, por lo que los datos si presentan una distribución normal.

En la figura 39 se analiza la distribución por cuantiles de las variables, de esta distribución se puede observar que para la variable LLEGADA el tercer y cuarto cuartil presenta los valores más alejados de la distribución normal. En las variables, COT, TMAX y TMIN se observa en el gráfico que los datos se encuentran agrupados en los cuartiles centrales como ya se analizaba en el valor de curtosis.
Para el análisis de correlación como se observa en la tabla 18, no se consideraron las variables LLEGADAS y COT, ya que ambas son la sumatoria de los turistas residentes y no residentes.
La correlación de las variables indica que la llegada de turismo residente (LR) tiene una relación inversa con el no residente (LNR -0.337). Es decir si incrementa el turismo no residente disminuye el residente. También mantiene una relación positiva fuerte con la precipitación (PRE 0.574), es decir que un incremento en  la precipitación, no afecta la llegada de turistas residentes.  Con la temperatura mínima los turistas residentes mantienen una relación positiva fuerte (TMIN 0.596) y mantiene una relación positiva débil con las temperaturas máximas (TMAX 0.447). Mientras que los cuartos ocupados por turistas residentes (COR) mantienen una correlación  similar con las variables climáticas que las llegadas de turismo residente. Es decir, a los turistas residentes los factores climáticos no lo afectan, por lo que de incrementarse las temperaturas no tendrían repercusiones fuertes sobres la llegada de turismo interno. 
El turismo no residente, por el contrario mantiene una relación negativa fuerte con la precipitación (-0.534) y la temperatura mínima (-0.706). Así como una relación negativa débil con la temperatura máxima (-0.217); es decir, si aumentan las temperaturas máximas disminuye el turismo no residente, aunque en menor medida que si se incrementan la precipitación o las temperaturas mínimas.  Los cuartos ocupados mantienen una correlación similar que las llegadas de no residentes con la precipitación y la temperatura mínima, a excepción de la temperatura máxima donde la relación con el turismo no residente es negativa débil pero mayor a la que mantiene con las llegadas. 
4.3.1.1 Análisis de regresión turismo residente
Para determinar el modelo de regresión, las variables independientes fueron la llegada de turistas (LR) y los cuartos ocupados (COR), estas se estudiaron en función de las variables temperatura máxima (TMAX), temperatura mínima (TMIN) y precipitación (PRE). Se buscó el modelo que mejor explicara el fenómeno, por lo que se obtuvieron cuatro modelos probables:

• Modelo MAX-MIN-PRE
• Modelo MAX-MIN
• Modelo MAX-PRE
• Modelo MIN-PRE

Modelo llegada MAX-PRE
Para entender el comportamiento de las variables en relación a las variables climáticas se hizo un análisis gráfico (Figura 40). En los cuales se puede observar que las temperaturas mantienen un comportamiento similar que la llegada de turistas residentes. Los picos del turismo residente son en julio en casi toda la serie, mientras que los picos de las temperaturas máximas se presentan en los meses de mayo a junio, es decir durante la temporada que se recibe mayor turismo residente. La serie de tiempo de temperaturas mínimas pareciera mantener mejor los ciclos con las llegadas, dado que las temperaturas mínimas más altas son en los meses de mayor afluencia y los meses de menor temperatura son de igual manera los de menor llegada. Entonces se podría decir que el turismo residente viaja con las temperaturas más altas tanto máximas como mínimas.
 El valor máximo de precipitación mensual en la serie se presenta en los meses de julio a agosto, lo cual coincide con la temporada de mayor llegada de turistas residentes. 
Para la estación 18021, respecto a la llegada de turistas residentes, el modelo MAX-PRE (Tabla 19), mantiene una bondad de ajuste del 46.688% (Anexo 2).
Las variables son significativas y permitiría deducir que:

La ecuación de mínimos cuadrados indica que por un aumento en 1°C en la temperatura máxima incrementaría en promedio en 2,741 la llegada de turistas. De igual forma un incremento de 1 mm en la precipitación generaría un incremento de 30 turistas. En el siguiente gráfico (Figura 41) se puede observar la relación entre los valores estimados por la recta de regresión y los valores reales ambas series mantienen una relación semejante, lo que permite al modelo deducir el comportamiento de la variables.
La relación de los residuos se podría explicar por los demás factores que no se estudiaron, dado que en este análisis solo se buscó determinar la relación de la llegada de los turistas con las variables climáticas, por lo cual el modelo explica el 46.68% del fenómeno.

Modelo cuartos ocupados MAX-PRE
Los cuartos ocupados por los turistas residentes mantienen una relación similar con las variables climáticas que la llegada de turistas residentes, ya que ambas son variables similares. Al igual que en la variable anterior, llegada de turistas, se observa que los picos de temperatura y precipitación son coincidentes con los picos del mayor registro de cuartos ocupados por turistas residentes. Ya que el mayor registro de cuartos se dio en el mes de julio a lo largo de toda la serie y concuerda con las temperadas de lluvia y de temperaturas más altas como se observa en las gráficas siguientes (Figura 42).
Para explicar la relación de las variables climáticas respecto a los cuartos ocupados por turistas residentes, el modelo MAX-PRE tiene una bondad de ajuste de 47.9481% (Tabla 20), donde todas las variables son significativas (Anexo 3).

De dicha ecuación se puede inferir que por un incremento en la temperatura máxima de 1°C, los cuartos se incrementarían en 3598 y por un incremento de 1mm en la precipitación los cuartos ocupados podrían aumentar en 39. Los turistas residentes, tanto la llegada como los cuartos ocupados se explican por el mismo modelo de regresión MAX-PRE, el cual presenta valores similares, por lo cual se infiere que las variables que más afectan al turismo residente son las temperaturas máximas y la precipitación.
En el gráfico de los residuos (Figura 43) se observa que los valores estimados y los actuales mantienen un comportamiento similar, lo que permite hacer proyecciones futuras. Los residuos son resultado de lo que no estima el modelo, ya que este solo explica el 47.94% del fenómeno.
4.3.1.2 Análisis de regresión turismo no residente
Para el análisis del turismo no residente se continuó utilizando las variables de llegadas y cuartos ocupados. El modelo que presentaba mejor ajuste para las variables fue el MAX-MIN.
Modelo llegada de turistas MAX-MIN
En el caso de la llegada de turistas no residentes la relación con el clima es inversa a la que se observa con los residentes.  En la figura 44 se analiza que los picos de la llegada de turistas no residentes es en los meses de marzo y febrero donde se presentan temperaturas bajas a comparación de las que se tienen en los meses de julio y agosto. Mientras que en los meses que las temperaturas son más altas la llegada de turistas no residentes es más baja. Respecto a la precipitación, cuando esta tiene los valores más altos, el turismo no residente tiene los picos más bajos en las llegadas.
Como se observa en la tabla 21 este modelo presenta una bondad de ajuste del 48.7697% y aunque el modelo MAX-PRE las variables también eran significativas, solo tenía una bondad de ajuste del 28%, por lo que este resulto ser más representativo del caso a estudiar (Anexo 4).
La recta de la regresión indica que:

La ecuación indica que en el caso de las llegadas de turistas no residentes un incremento de 1°C en la temperatura máxima incrementaría aproximadamente en 566 por el contrario un incremento de 1°C en las temperaturas mínimas disminuiría la llegada en 1,855. Esto indica que los turistas se ven más afectados si incrementan las temperaturas mínimas que las máximas, lo que podría interpretarse que la motivación de su viaje son condiciones más cálidas que las que tienen en su lugar de origen.
En la figura 45 se observa que ambas series, es decir, los valores estimados y los actuales mantienen un comportamiento similar, ya que el modelo tiene una bondad de ajuste de más del 48%.
Modelo de cuartos ocupados MAX-MIN
Los cuartos ocupados por los turistas no residentes también reportan una relación inversa nos inversos a las variables climáticas. La mayor ocupación se presenta en los meses de enero a marzo donde las temperaturas y la precipitación  no presentan valores tan altos, como se analiza en los siguientes gráficos (Figura 46).
Como se observa en la tabla 22 el modelo que representa la mejor bondad de ajuste, teniendo un valor del 70.92% (Anexo 5) es el MAX-MIN.
Los coeficientes de β aplicados a la recta de regresión indican que:

Los cuartos ocupados de los turistas no residentes mantienen una relación negativa con la temperatura máxima, lo que indica que si esta se incrementa en 1°C, se disminuirían los cuartos ocupados de turistas no residentes en 2,911. Al igual un incremento en las temperaturas mínimas de 1°C disminuiría en 4,681 los cuartos ocupados. Para los turistas no residentes las variables más significativas son las temperaturas máximas y mínimas, lo que permite inferir que son estos los que se verán mayormente afectos por el cambio climático.

En el gráfico de los residuos (Figura 47) se puede observar que los valores estimados mantiene un comportamiento similar a los valores reales, lo que permite hacer estimaciones a partir de la ecuación de la regresión.