Estudio del gasto en turistas de cruceros en Uruguay para la temporada 2010-2011 mediante el análisis de redes
Resumen
El turismo de cruceros en Uruguay ha crecido desde la temporada 2004-2005, determinando un importante aporte de divisas cada temporada (abril a octubre de cada año). Por tanto, se estima relevante caracterizar las variables económicas involucradas en esta actividad, en particular, el gasto. A partir de los datos del Ministerio de Turismo de cruceros de la temporada 2010-2011, este trabajo compara la tipología surgida de aplicar métodos de clusters jerárquicos y no jerárquicos, con la que surge al aplicar el análisis de redes (SNA) a los datos del gasto en cruceristas. Previamente los autores habían construido una tipología de cruceristas, resultante de aplicar el algoritmo de Ward sobre distancias para variables binarias (gasta o no gasta) en cinco rubros de gasto.Los datos de cruceros se obtienen de una muestra de pasajeros a través de una encuesta cara a cara con diseño muestral complejo. Se cuenta con información de personas y gasto desde la temporada 2005-2006 y el presente trabajo se focaliza en la temporada 2010-2011.Para evaluar la performance del análisis de redes se trabaja con cuatro cruceros, (seleccionados al azar por probabilidad proporcional al aforo de cada uno) sobre los que, a partir de los gastos binarios, se construyen grafos, a los cuales se les aplican las diferentes métricas para su descripción. Usando la tipología previa de gastos, se estudia la asociación de las características socio-demográficas de los cruceristas con los grupos creados y con las comunidades identificadas con el SNA, para determinar eventuales patrones de comportamiento al cambiar de tipo de crucero.
Descargas
Citas
Álvarez Vaz, R., Altmark, S., y Santiñaque, F. (2015). Caracterización de los componentes del gasto de los turistas de cruceros en Uruguay mediante técnicas de datamining. En II
Jornadas de Econometría, Facultad de Ciencias Económicas. UBA.
Bastian, M., Heymann, S., y Jacomy, M. (2009). Gephi: An open source software for exploring and manipulating networks.
Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, (5):1170.
Bonacich, P. y Lloyd, P. (2001). Eigenvector-like measures of centrality for asymmetric relations. Social Networks, 23:191 { 201.
Borgatti, S. P., Everett, M. G., y Johnson, J. (2013). Analyzing Social Networks. SAGE Publications Ltd.
Brandes, U. (2001). A faster algorithm for betweenness centrality. The Journal of Mathe- matical Sociology, 25(2):163{177.
Brandes, U. y Erlebach, T. (2005). Network analysis: methodological foundations. Número 3418 en LCNS, Tutorial. Springer, Berlin ; New York. OCLC: ocm58474176.
Butts, C. T. (2016). sna: Tools for Social Network Analysis. R package version 2.4.
Clauset, A., Newman, M. E. J., y Moore, C. (2004). Finding community structure in very large networks. Phys. Rev. E, 0:066111.
Csardi, G. y Nepusz, T. (2006). The igraph software package for complex network research. InterJournal, Complex Systems:1695.
Fiedler, M. (1973). Algebraic connectivity of graphs. Czech. Math. J, 23(98):298{305.
Freeman, L. C. (1979). Centrality in social networks conceptual clari_cation. Social Networks, 1(3):215.
Fruchterman, T. M. J. y Reingold, E. M. (1991). Graph drawing by force-directed placement. Software: Practice and Experience, 21(11):1129{1164.
Kolaczyk, E. (2009). Statistical analysis of network data : methods and models. Springer, New York London.
Kolaczyk, E. y Cs_ardi, G. (2014). Statistical analysis of network data with R. Springer, New York.
Kolaczyk, E. D. y Csi, G. (2017). sand: Statistical Analysis of Network Data with R. R package version 1.0.3.
Luke, D. (2015). A user's guide to network analysis in R. Springer, Cham.
Newman, M. E. J. (2002). Assortative mixing in networks. Phys. Rev. Lett., 89:208701.
Newman, M. E. J. (2003). Mixing patterns in networks. Phys. Rev. E, 67:026126.
Newman, M. E. J. y Girvan, M. (2004). Finding and evaluating community structure in networks. Phys. Rev. E, 69:026113.
Pons, P. y Latapy, M. (2015). Computing communities in large networks using random walks.
R Core Team (2016). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria.
Raghavan, U. N., Albert, R., y Kumara, S. (2007). Near linear time algorithm to detect community structures in large-scale networks. Phys. Rev. E, 76:036106.
Sabidussi, G. (1966). The centrality index of a graph. Psychometrika, 31(4):581{603.
Wasserman, S. y Faust, K. (1994). Social network analysis: methods and applications. Número 8 en Structural analysis in the social sciences. Cambridge University Press, Cambridge ; New York.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) que permite a terceros copiar y redistribuir el material en cualquier medio o formato y adaptar — remezclar, transformar y construir a partir del material bajo la la misma licencia del original. En todos los casos, debe dar crédito de manera adecuada.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
