El potencial predictivo de las búsquedas en Internet. Una aplicación sobre la demanda de la afluencia turística en destinos de Argentina

Autores
Jorge Reynolds, Ramiro Emmanuel
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis de maestría
Estado
versión aceptada
Colaborador/a o director/a de tesis
Masaro, Jimena Vicentín
Rollandi, Germán Roberto
Rossini, Gustavo Eduardo
Weidmann, Gabriel Oscar
García Arancibia, Rodrigo
Descripción
Fil: Jorge Reynolds, Ramiro Emmanuel. Universidad Nacional del Litoral. Facultad de Ciencias Económicas; Argentina.
Ante la incertidumbre económica, la información precisa y oportuna es un recurso crítico pero costoso. Esta investigación analiza el sector turístico en Argentina, utilizando datos de Google Trends para predecir la afluencia de visitantes en siete destinos específicos. El objetivo es evaluar si el uso de estadísticas de búsqueda en internet permite anticiparse a la publicación de datos oficiales. Metodológicamente, se contrastan modelos univariados (ARIMA) con modelos multivariados (VAR), integrando en estos últimos la información del motor de búsqueda. Los resultados evidencian mejoras significativas: el modelo multivariado redujo los errores de predicción en cuatro de los siete casos, logrando una mejora promedio de 4,6 puntos porcentuales para el total de los destinos analizados. Aunque la inclusión de estas variables incrementa la complejidad de los modelos debido al mayor número de parámetros, los hallazgos demuestran que los modelos multivariados son superiores para fines prácticos. Estos permiten a los agentes económicos disponer de herramientas más eficaces para la toma de decisiones oportunas frente a la evolución de la demanda turística. Finalmente, se plantea para futuras investigaciones el desafío de desarrollar mejoras metodológicas que permitan alcanzar una mayor parsimonia en los modelos predictivos.
Economic uncertainty, inherent to the contemporary landscape, necessitates precise and timely data to optimize decision-making processes. Given that data acquisition and scenario modeling entail significant resource outlays, information remains a costly asset. In this regard, the evolution of search engine technology offers a distinct advantage by providing high-frequency data and revealing behavioral patterns through search statistics. This research focuses on the Argentine tourism sector, utilizing Google Trends as a tool to forecast tourist inflows across seven specific destinations. The study aims to mitigate official publication lags by modeling demand through two distinct methodologies: a univariate ARIMA approach and a multivariate VAR model, the latter incorporating search-engine metadata. The empirical results demonstrate significant gains in predictive accuracy. The multivariate framework outperformed the univariate baseline in four of the seven cases, yielding an average error reduction of 4.6 percentage points for the total destinations analyzed. While the inclusion of Google data inherently increases model complexity due to the expanded parameter space, these multivariate models prove superior for practical applications. They empower economic agents to make more informed and timely decisions regarding tourism demand. Future research should focus on methodological refinements to achieve greater structural parsimony without compromising forecasting performance.This research focuses on the Argentine tourism sector, utilizing Google Trends as a tool to forecast tourist inflows across seven specific destinations. The study aims to mitigate official publication lags by modeling demand through two distinct methodologies: a univariate ARIMA approach and a multivariate VAR model, the latter incorporating search-engine metadata. The empirical results demonstrate significant gains in predictive accuracy. The multivariate framework outperformed the univariate baseline in four of the seven cases, yielding an average error reduction of 4.6 percentage points for the total destinations analyzed. While the inclusion of Google data inherently increases model complexity due to the expanded parameter space, these multivariate models prove superior for practical applications. They empower economic agents to make more informed and timely decisions regarding tourism demand. Future research should focus on methodological refinements to achieve greater structural parsimony without compromising forecasting performance.
Bolsa de Comercio de Santa Fe
Materia
Información imperfecta
Herramientas de Google
Pronóstico económico inmediato
Turismo en Argentina
Imperfect information
Google tools
Economic nowcast
Tourism in Argentina
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
Repositorio
Biblioteca Virtual (UNL)
Institución
Universidad Nacional del Litoral
OAI Identificador
oai:https://bibliotecavirtual.unl.edu.ar:11185/8825
Acceder
id UNLBT_90ef0d414ae05932e7c77ffd1004a006
oai_identifier_str oai:https://bibliotecavirtual.unl.edu.ar:11185/8825
network_acronym_str UNLBT
repository_id_str 2187
network_name_str Biblioteca Virtual (UNL)
spelling El potencial predictivo de las búsquedas en Internet. Una aplicación sobre la demanda de la afluencia turística en destinos de ArgentinaThe predictive potential of Internet searches: an application to tourism inflow demand across Argentine destinationsJorge Reynolds, Ramiro EmmanuelInformación imperfectaHerramientas de GooglePronóstico económico inmediatoTurismo en ArgentinaImperfect informationGoogle toolsEconomic nowcastTourism in ArgentinaFil: Jorge Reynolds, Ramiro Emmanuel. Universidad Nacional del Litoral. Facultad de Ciencias Económicas; Argentina.Ante la incertidumbre económica, la información precisa y oportuna es un recurso crítico pero costoso. Esta investigación analiza el sector turístico en Argentina, utilizando datos de Google Trends para predecir la afluencia de visitantes en siete destinos específicos. El objetivo es evaluar si el uso de estadísticas de búsqueda en internet permite anticiparse a la publicación de datos oficiales. Metodológicamente, se contrastan modelos univariados (ARIMA) con modelos multivariados (VAR), integrando en estos últimos la información del motor de búsqueda. Los resultados evidencian mejoras significativas: el modelo multivariado redujo los errores de predicción en cuatro de los siete casos, logrando una mejora promedio de 4,6 puntos porcentuales para el total de los destinos analizados. Aunque la inclusión de estas variables incrementa la complejidad de los modelos debido al mayor número de parámetros, los hallazgos demuestran que los modelos multivariados son superiores para fines prácticos. Estos permiten a los agentes económicos disponer de herramientas más eficaces para la toma de decisiones oportunas frente a la evolución de la demanda turística. Finalmente, se plantea para futuras investigaciones el desafío de desarrollar mejoras metodológicas que permitan alcanzar una mayor parsimonia en los modelos predictivos.Economic uncertainty, inherent to the contemporary landscape, necessitates precise and timely data to optimize decision-making processes. Given that data acquisition and scenario modeling entail significant resource outlays, information remains a costly asset. In this regard, the evolution of search engine technology offers a distinct advantage by providing high-frequency data and revealing behavioral patterns through search statistics. This research focuses on the Argentine tourism sector, utilizing Google Trends as a tool to forecast tourist inflows across seven specific destinations. The study aims to mitigate official publication lags by modeling demand through two distinct methodologies: a univariate ARIMA approach and a multivariate VAR model, the latter incorporating search-engine metadata. The empirical results demonstrate significant gains in predictive accuracy. The multivariate framework outperformed the univariate baseline in four of the seven cases, yielding an average error reduction of 4.6 percentage points for the total destinations analyzed. While the inclusion of Google data inherently increases model complexity due to the expanded parameter space, these multivariate models prove superior for practical applications. They empower economic agents to make more informed and timely decisions regarding tourism demand. Future research should focus on methodological refinements to achieve greater structural parsimony without compromising forecasting performance.This research focuses on the Argentine tourism sector, utilizing Google Trends as a tool to forecast tourist inflows across seven specific destinations. The study aims to mitigate official publication lags by modeling demand through two distinct methodologies: a univariate ARIMA approach and a multivariate VAR model, the latter incorporating search-engine metadata. The empirical results demonstrate significant gains in predictive accuracy. The multivariate framework outperformed the univariate baseline in four of the seven cases, yielding an average error reduction of 4.6 percentage points for the total destinations analyzed. While the inclusion of Google data inherently increases model complexity due to the expanded parameter space, these multivariate models prove superior for practical applications. They empower economic agents to make more informed and timely decisions regarding tourism demand. Future research should focus on methodological refinements to achieve greater structural parsimony without compromising forecasting performance.Bolsa de Comercio de Santa FeMasaro, Jimena VicentínRollandi, Germán RobertoRossini, Gustavo EduardoWeidmann, Gabriel OscarGarcía Arancibia, Rodrigo2026-05-07T16:31:48Z2025-03-10SNRDinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdfhttps://hdl.handle.net/11185/8825spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.esreponame:Biblioteca Virtual (UNL)instname:Universidad Nacional del Litoralinstacron:UNL2026-10-01T12:00:46Zoai:https://bibliotecavirtual.unl.edu.ar:11185/8825Institucionalhttp://bibliotecavirtual.unl.edu.ar/Universidad públicaNo correspondeajdeba@unl.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:21872026-10-01 12:00:47.961Biblioteca Virtual (UNL) - Universidad Nacional del Litoralfalse
dc.title.none.fl_str_mv El potencial predictivo de las búsquedas en Internet. Una aplicación sobre la demanda de la afluencia turística en destinos de Argentina
The predictive potential of Internet searches: an application to tourism inflow demand across Argentine destinations
title El potencial predictivo de las búsquedas en Internet. Una aplicación sobre la demanda de la afluencia turística en destinos de Argentina
spellingShingle El potencial predictivo de las búsquedas en Internet. Una aplicación sobre la demanda de la afluencia turística en destinos de Argentina
Jorge Reynolds, Ramiro Emmanuel
Información imperfecta
Herramientas de Google
Pronóstico económico inmediato
Turismo en Argentina
Imperfect information
Google tools
Economic nowcast
Tourism in Argentina
title_short El potencial predictivo de las búsquedas en Internet. Una aplicación sobre la demanda de la afluencia turística en destinos de Argentina
title_full El potencial predictivo de las búsquedas en Internet. Una aplicación sobre la demanda de la afluencia turística en destinos de Argentina
title_fullStr El potencial predictivo de las búsquedas en Internet. Una aplicación sobre la demanda de la afluencia turística en destinos de Argentina
title_full_unstemmed El potencial predictivo de las búsquedas en Internet. Una aplicación sobre la demanda de la afluencia turística en destinos de Argentina
title_sort El potencial predictivo de las búsquedas en Internet. Una aplicación sobre la demanda de la afluencia turística en destinos de Argentina
dc.creator.none.fl_str_mv Jorge Reynolds, Ramiro Emmanuel
author Jorge Reynolds, Ramiro Emmanuel
author_facet Jorge Reynolds, Ramiro Emmanuel
author_role author
dc.contributor.none.fl_str_mv Masaro, Jimena Vicentín
Rollandi, Germán Roberto
Rossini, Gustavo Eduardo
Weidmann, Gabriel Oscar
García Arancibia, Rodrigo
dc.subject.none.fl_str_mv Información imperfecta
Herramientas de Google
Pronóstico económico inmediato
Turismo en Argentina
Imperfect information
Google tools
Economic nowcast
Tourism in Argentina
topic Información imperfecta
Herramientas de Google
Pronóstico económico inmediato
Turismo en Argentina
Imperfect information
Google tools
Economic nowcast
Tourism in Argentina
dc.description.none.fl_txt_mv Fil: Jorge Reynolds, Ramiro Emmanuel. Universidad Nacional del Litoral. Facultad de Ciencias Económicas; Argentina.
Ante la incertidumbre económica, la información precisa y oportuna es un recurso crítico pero costoso. Esta investigación analiza el sector turístico en Argentina, utilizando datos de Google Trends para predecir la afluencia de visitantes en siete destinos específicos. El objetivo es evaluar si el uso de estadísticas de búsqueda en internet permite anticiparse a la publicación de datos oficiales. Metodológicamente, se contrastan modelos univariados (ARIMA) con modelos multivariados (VAR), integrando en estos últimos la información del motor de búsqueda. Los resultados evidencian mejoras significativas: el modelo multivariado redujo los errores de predicción en cuatro de los siete casos, logrando una mejora promedio de 4,6 puntos porcentuales para el total de los destinos analizados. Aunque la inclusión de estas variables incrementa la complejidad de los modelos debido al mayor número de parámetros, los hallazgos demuestran que los modelos multivariados son superiores para fines prácticos. Estos permiten a los agentes económicos disponer de herramientas más eficaces para la toma de decisiones oportunas frente a la evolución de la demanda turística. Finalmente, se plantea para futuras investigaciones el desafío de desarrollar mejoras metodológicas que permitan alcanzar una mayor parsimonia en los modelos predictivos.
Economic uncertainty, inherent to the contemporary landscape, necessitates precise and timely data to optimize decision-making processes. Given that data acquisition and scenario modeling entail significant resource outlays, information remains a costly asset. In this regard, the evolution of search engine technology offers a distinct advantage by providing high-frequency data and revealing behavioral patterns through search statistics. This research focuses on the Argentine tourism sector, utilizing Google Trends as a tool to forecast tourist inflows across seven specific destinations. The study aims to mitigate official publication lags by modeling demand through two distinct methodologies: a univariate ARIMA approach and a multivariate VAR model, the latter incorporating search-engine metadata. The empirical results demonstrate significant gains in predictive accuracy. The multivariate framework outperformed the univariate baseline in four of the seven cases, yielding an average error reduction of 4.6 percentage points for the total destinations analyzed. While the inclusion of Google data inherently increases model complexity due to the expanded parameter space, these multivariate models prove superior for practical applications. They empower economic agents to make more informed and timely decisions regarding tourism demand. Future research should focus on methodological refinements to achieve greater structural parsimony without compromising forecasting performance.This research focuses on the Argentine tourism sector, utilizing Google Trends as a tool to forecast tourist inflows across seven specific destinations. The study aims to mitigate official publication lags by modeling demand through two distinct methodologies: a univariate ARIMA approach and a multivariate VAR model, the latter incorporating search-engine metadata. The empirical results demonstrate significant gains in predictive accuracy. The multivariate framework outperformed the univariate baseline in four of the seven cases, yielding an average error reduction of 4.6 percentage points for the total destinations analyzed. While the inclusion of Google data inherently increases model complexity due to the expanded parameter space, these multivariate models prove superior for practical applications. They empower economic agents to make more informed and timely decisions regarding tourism demand. Future research should focus on methodological refinements to achieve greater structural parsimony without compromising forecasting performance.
Bolsa de Comercio de Santa Fe
description Fil: Jorge Reynolds, Ramiro Emmanuel. Universidad Nacional del Litoral. Facultad de Ciencias Económicas; Argentina.
publishDate 2025
dc.date.none.fl_str_mv 2025-03-10
2026-05-07T16:31:48Z
dc.type.none.fl_str_mv SNRD
info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/11185/8825
url https://hdl.handle.net/11185/8825
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Virtual (UNL)
instname:Universidad Nacional del Litoral
instacron:UNL
reponame_str Biblioteca Virtual (UNL)
collection Biblioteca Virtual (UNL)
instname_str Universidad Nacional del Litoral
instacron_str UNL
institution UNL
repository.name.fl_str_mv Biblioteca Virtual (UNL) - Universidad Nacional del Litoral
repository.mail.fl_str_mv jdeba@unl.edu.ar
_version_ 1877863099724201984
score 12.518186

Publicaciones similares