1. Introducción

En la década de los ochenta y noventa, los Sistemas de Información Geográfica (SIG) y los modelos digitales del terreno (MDT), se han aplicado en distintos ámbitos, tales como: el medio ambiente, planeación regional y urbano, así como estudios de vegetación, uso del suelo, exploración de recursos no renovables y en estudios de riesgo geológico.

Algunos de los trabajos relacionados con el uso de sistemas de información geográfica y conceptos econométri-cos, fueron publicados posteriormente por, Cliff y Ord (1981) y Anselin (1988), los cuales se convirtieron en la primera base metodológica de análisis econométrico, con la publicación del manual “Spatial Econometrics: Methods and Models”.

Con el transcurrir de los años se ha incrementado el estudio y la aplicación de nuevos métodos econométricos, para analizar los efectos espaciales de las variables de estudio. En el sector turístico se está teniendo un avance considerable, tanto en la investigación académica como privada, ya que inciden en la viabilidad de proyectos de desarrollo, en especial en archipiélagos donde la principal actividad económica es el turismo.

Una variedad de estudios econométricos han explorado la relación entre los precios de alojamientos y factores de entorno, siendo entre ellos, la accesibilidad al transporte, tiempo empleado, gasto de viaje, entre otros, pu-diéndose mencionar los trabajos de: Adair et. al., (2000); Thériault et. al., (2003) y Raymond, (2002). En cuanto a características propias del alojamiento, se puede mencionar a: Raymond, (2002); Can, (1990, 1997); Bogdon y Can, (1997) y Basu y Thibodeau, (1988).

El trabajo de Raymond, (2002), ultimó que los precios y los factores de ubicación han tenido una variación y dinámica en el mercado, concordando con varios trabajos en econometría, sobre una función directa de precios de alojamientos por factores de vecindad. Siendo los ingresos más altos, cuando están comprendidos en la me-trópoli (Bogdon y Can, 1997).

Los autores Dickey y Higham, (1999), manifestaron la importancia de incorporar el análisis espacial a nivel regional y nacional en la industria comercial del ecoturismo. Pearce, (1995), también fue uno de los impulsado-res acerca del turismo y la dimensión espacial-geográfica que debe de tener, para que pueda proporcionar valio-sas perspectivas al propio sector.

Pero fue el estudio publicado por Mitchel, (1979), quien aplicó por primera vez el concepto geográfico al turis-mo, años más tarde Dickey y Higham, (1999) demostraron que, el potencial del destino turístico es a base de características específicas del entorno y de elementos biofísicos.

En la sección 2, analizamos la base de datos de los ingresos económicos y las interrelaciones que se tiene con los factores externos; la sección 3, se presenta la base teórica de los modelos empleados; las pruebas de correla-ción espacial y las ecuaciones funcionales en la estimación con el método de Kriging, en la sección 4, los mode-los regresión y grupos de parámetros, en la sección 5, se realiza una evaluación comparativa de la predicción del rendimiento de los errores resultantes de los modelos. La sección 6, lo constituye las conclusiones y aportacio-nes a futuras investigaciones.

2. El Problema

Analizar los ingresos económicos de los alojamientos espacialmente, se debe de tener en consideración, la evo-lución del turismo rural, el precio del hospedaje por pernoctación, la autocorrelación espacial y los factores que influyen en su entorno.

Para ello se utilizó los datos procedentes de dos fuentes distintas: la Asociación de Turismo Rural (Acantur), donde se obtuvieron los datos de demanda de turistas por cada alojamiento rural, los precios por reserva y nú-mero de noches reservadas, fecha de salida y de entrada. El padrón de casas rurales fue obtenido por el Patrona-to de Turismo de Gran Canaria, obteniéndose más de 1346 operaciones de reservas ocupadas por turistas, en el año 2006. De los cuales 304 registros no contaban con el total de los ingresos registrados, pero sí el número de noches, con los cuales se realizó la interpolación de valores. Para ello fue necesario realizar operaciones, mos-tradas en las siguientes formulas:

Donde es la estimación de los ingresos por noches, es el número de noches de registros incompletos, es la sumatoria de registros incompletos y es la estimación de ingresos totales de cada casa rural.

De los cálculos realizados se pudo tener una base de datos completos de 42 casas rurales, los cuales se depura-ron 10 por tener más del 25% de registros incompletos, 2 casas más por tener una diferencia considerable en sus valores de acuerdo al resto, contando como muestra final para este estudio, 30 casas rurales, siendo el nú-mero de casas por ayuntamiento como sigue: en Agaete (2), Gáldar (5), Ingenio (1), Moya (4), San Bartolomé de Tirajana (3), San Mateo (1), San Nicolás de Tolentino (3), Santa Lucia de Tirajana (1), Santa Maria de Guía (1), Tejeda (2), Teror (5) y Valleseco (2).

Asimismo se obtuvo información sobre la oferta alojativa, entre ellos: capacidad del alojamiento, precio de re-serva por persona, categoría de alojamiento, distancia próxima a servicios, número de camas y de noches. A través de la página web de ACANTUR: http://www.ecoturismocanarias.com/grancanaria/es/2casa.asp. La cua-les se utilizaron para realizar las pruebas de correlación. Las medias aritméticas de las variables, se muestran en la tabla 1.

En cuanto a los factores del entono analizados, se puede mencionar el uso del suelo. En el gráfico 2, se muestra cinco tipos de suelos descritos en la leyenda, así como la ubicación de casas rurales estratificada en cinco rangos de valores. Se observa que no hay indicios de formación de patrones de ubicación de las casas rurales con mayor o menor renta en función del uso del suelo. Pero si existe un patrón de casas rurales ubicadas en el tipo de suelo de confieras, siendo este con mayor densidad en la isla.

De acuerdo al total de ingresos económicos acumulados por ayuntamiento, se distinguen San Nicolás de Tolen-tino, Tejeda y Santa Lucia de Tirajana, como los ayuntamientos con mayores ingresos, siendo desde 10175€ a 16985€, como lo muestra el gráfico 2. Seguido de los ayuntamientos de Teror, Moya y Galdar. Asimismo anali-zando la densidad de casas rurales por ayuntamiento, se observa que el número de casas rurales influye directa-mente en la rentabilidad de los ayuntamientos.

En cuanto a la relación de los ingresos económicos del turismo rural versus los parámetros de la oferta de los alojamientos rurales; se observa en el gráfico 3, que las mayoría de los alojamientos que tienen una capacidad de hasta seis camas con una renta promedio de 20,000 euros, siendo en algunos casos mayores que esta media, llegando a 32,000 euros en promedio con cinco y ocho camas. Asimismo en el gráfico 4, se observa una relación directa de ambas variables, a mayor número de noches reservadas mayor el ingreso económico, existiendo más varianza cuando el número de noches es mayor de 250 días. Mientras con 50 a 100 noches, los ingresos pueden llegar como promedio hasta 7,000 euros. El análisis de correlación del gráfico 3, fue de 0,43, mientras en el segundo de 0,79, con lo cual los ingresos económicos tiene una relación directa con el número de reservas más que con su capacidad, aun así en nuestro estudio se evaluó la variable “Ingreso” por su capacidad evaluar los ingresos efectivos por casas rurales.

Los ingresos del turismo rural también dependen de la disponibilidad de los turistas a pernoctar en las casas, el mínimo o máximo tiempo influye en los costos de la reserva, siendo mayores cuando se reserva de uno a dos días, y menores cuando la reserva es mayor, en promedio hasta siete días. En los gráficos 6 y 7, se consideran ambas situaciones, en el primer gráfico a diferencia del segundo existe mayor varianza de los valores, concen-trándose en mayor porcentaje entre 55 euros y 65 euros; mientras en el gráfico 5, con el mayor número de reser-vas, esta varianza se reduce, estando comprendidas la mayoría de los valores entre los 15 euros y 30 euros. Se muestra una tendencia creciente, a tener mayores ingresos cuando el costo de su reserva es mayor, caso contra-rio con los que tienen los precios de reserva en los rangos de 30 euros a 55 euros, en el gráfico 6. Realizando el análisis de correlación en ambos casos, se tuvo 0.82 en el gráfico 5, mientras en el gráfico 6, se tuvo un índice de 0,52, con lo cual, los ingreso están mas correlacionados cuando el precio de reserva depende de un mínimo número de días.

La localización de factores de entorno que influyen en los ingresos, la accesibilidad, la proximidad a factores socioeconómicas (por ejemplo, el promedio de ingresos de los hogares, porcentaje de hogares, de nivel superior, y así sucesivamente), ambientales (como el porcentaje de superficie de tierra, parques naturales, vegetación y paisaje) y la proximidad a los servicios básicos (como centros de ocio, mercados, aeropuerto, puntos de interés turísticos).

Si bien el efecto de factores en los precios es interesante, un análisis de dichos efectos debe de ser realizado, mediante pruebas de correlación estadística por cada atributo versus la variable dependiente. El ingreso econó-mico por tanto, está determinado no solo por factores externos del alojamiento rural, sino también por las carac-terísticas internas, es decir (número de camas, número de noches, precio, entre otras).

El grado de influencia de los factores de entorno o características del vecindario, tales como: parques naturales, vegetación y paisaje y servicios básicos, no solo depende de la proximidad sino del espacio geográfico analiza-do (Basu S. & Thibodeau T., 1988).

Henneberry, (1998), consideró que el impacto de la accesibilidad es baja, por lo general, con un nivel de expli-cación estadística (6% R2) dentro del rango. Mientras (Hoesli et al., 1997), encontró que las variables: transpor-te y ruido, producían un alto poder explicativo (83,91% R2).

3. Autocorrelación espacial

La dependencia espacial fue definida como el efecto que provoca en la existencia de una relación funcional en un punto determinado del espacio con los lugares cercanos o vecinos. (Anselin, 1988). Esta dependencia entre los lugares vecinos se puede probar con varios tests, entre los principales está el test estadístico de Moran I.

La autocorrelación espacial se ha ligado al proceso causal de contagio espacial o difusión espacial; el alto o bajo grado de autocorrelación espacial dependen de la misma variable (Bosque, 1992).

Test de Moran

El test de Moran I, indica el grado de autocorrelación espacial en el conjunto de datos, pueden resumir una completa distribución espacial en un solo número, este test que indica la presencia o ausencia de un patrón esta-ble espacialmente para todo el conjunto de datos (Sten, 1995).

La expresión generalizada de Moran I sustituye la matriz de interacciones por una matriz general de pesos espa-ciales, (Cliff y Ord, 1973, 1981) de la manera siguiente:

Donde , son los valores estimados a dos puntos, es el elemento de la matriz de pesos espaciales corres-pondiente al par , se utiliza para asignar peso a cada par de lugares en el área de estudio, es la suma de los pesos espaciales, la varianza de los valores y es el número de observaciones o tamaño muestral.

Donde un > 0 es indicativo de autocorrelación espacial positiva, es decir, que es posible encontrar valores parecidos (altos o bajos) agrupados, en mayor medida. Un <0, es indicativo de autocorrelación espacial nega-tiva, es decir, que se produce una no-agrupación de valores similares (altos o bajos). Este valor se suele mostrar en forma estandarizada, mediante el valor de Z store.

Se realizó la prueba de autocorrelación espacial de las 30 casas rurales, en las cuales se tuvo un alto índice de Moran I, lo que indica que se produce una agrupación de casas rurales de ingresos económicos altos con otras casas de ingresos altos, de igual manera con los ingresos bajos. Tabla 2.

Método Kriging

Luego de realizar una serie de pruebas con diferentes métodos de interpolación, se eligió el método Kriging, como el que proporcionaba mejores resultados comparativos. En la tabla 23, se realizó el test para los 30 aloja-mientos, mediante el método circular,se muestran los errores de la estimacion, al igual que en el test, se consi-deraron todos los los puntos (30 vecinos.), y un orden de tendencia neutro. Brindó Brindando un error de medio estimación de 1245€, siendo representando el 19% del ingreso máximo en la muestra.

Realizando el análisis de datos cruzados con el Kriging del Modelo 0 (control), se observó que los datos están ajustados a la media, ver gráfico 7.

Ésta primera parte de los resultados, nos permitió reconocer el ajuste de estimación del Kriging, aunque los resultados sean relativamente consistentes, el considerar una muestra poblacional relativamente baja puede afec-tar los resultados así como incrementar la varianza. Para ello se realizó un mapa de error, obteniéndose una me-dia estandarizada de -0,03088. En el gráfico 8 se representa el error normalizado, permitiéndonos ver la poca variación del error en cuanto a la muestra.

Seguidamente, se representó en mapa de errores, para ver los márgenes de error distribuidos espacialmente. Se observó que los mayores errores aumentan al no existir datos. Siendo menores en el centro y norte de la isla. Ver gráfico 9.

En base al modelo de interpolación elegido (Modelo 0), se realizó el mapa de distribución espacial del ingreso económico. Se identificaron las zonas geográficas que tienen mayor interés en la industria turística, siendo los ayuntamientos del oeste de la isla con mayor rentabilidad, Tejada, San Nicolás de Tolentino y en menor propor-ción Ingenio. Ver gráfico 10.

4. REGRESION MULTIVARIANTE

Los atributos se obtuvieron de cuatro mapas temáticos: uso de suelo, parques naturales, servicios turísticos y mapas de comunicaciones. Los cuales fueron procesados mediante dos consideraciones: “proximidad” e “inclu-sión”, obteniendo variables de tipo dummy, discretas y continuos. De las cuales sólo siete atributos fueron signi-ficativas, entre ellos: proximidad a la playas turísticas importantes (PLAYATU), zonas de baño locales (PLA-YALO), vía secundaria (VIA1), vía local (VIA2), servicios de ocio a los turistas (CC), zonas de golf (GOLF) y zonas de espacio natural (ESPACNAT). Cabe señalar que los ingresos por pernoctaciones están promediados por la capacidad máxima de cada alojamiento, lo cual constituye una aportación fundamental para el análisis comparativo con los ingresos por pernoctaciones.

Los atributos considerados como influyentes, se presentan en la tabla 4.

Así mismo las unidades y la descripción de cada variable se muestran en la tabla 5:

La variable dummy se usó comúnmente para hacer frente a factores discontinuos y sus coeficientes midieron las diferencias en las intersecciones, Tse R., (1998). En el caso de la variable (ES-PACNAT), se consideró “ubicada” como (1) y “no ubicada” como (2) y en el caso de (VIA1) Y (VIA2), fueron “próxima” (1) y “no próxima” (0).

Modelos de regresión

Se escogieron tres modelos con mayor nivel de significancia global, las cuales se especifican seguidamente:

Los parámetros estimados se presentan en la Tabla 6 para el modelo 1, en la tabla 7 para el modelo 2, y en la tabla 8 para el modelo 3. Para cada modelo, se verificó los coeficientes estimados y los niveles de significancia del R2, se descartó problemas de heterocedasticidad.

La estimación de los parámetros PLAYALO, PLAYATU, ESPACNAT y CC fueron altamente significativas en el modelo, e ibane iban mejorando el modelo, cuando se agregaba una variable más, observando una tendencia a mejorar el nivel significativo de cada variable. Por ejemplo, en el caso de PLAYALO, con 0.0005 en el mode-lo 1, 0.0003 en el modelo y 0.0002 en el modelo 3; de igual manera ocurre con las variables PLAYATU, ES-PACNAT y CC.

Por otro lado, se puede observar que la presencia de la variable PLAYALO, afectaba al ingreso en rangos 171Є y 176Є, de igual manera la variable PLAYATU con los rangos de 38Є y 46Є. Mostrando que los ingresos dis-minuyen cuando los alojamientos se alejan de las zonas de baños y playas importantes, siendo la perdida de 5600Є si se aleja 40km de las zonas de baño local, y de 2040Є en el caso de las playas turísticas, encontrándose una gran mayoría en el sur isla y una minoría en el nordeste.

Asimismo la estimación del parámetro CC, que también fue fuertemente significativo, se tuvo una relación in-versa, indicando que los ingresos aumentan cuando los servicios de ocio de turista (centros comerciales) se en-cuentran alejados de los alojamientos. En cuanto a los parámetros VIA1 y VIA2 tuvieron coeficientes poco sig-nificativos al 95%, pero si al 90%.

Asimismo, en cuanto a la variable ESPACNAT, el ingreso disminuía desde 1094Є a 1164 Є si los alojamientos se encuentran en otros espacios naturales que no sean los parques rurales, lo cual es muy razonable, sabiendo que casi el 50% de los alojamientos están dentro de esta categoría de espacio natural. Finalmente, se observó que los ingresos disminuían si los alojamientos se encuentran próximos a las vías secundarias, de manera con-traria, si se encuentran en vías locales, dando a entender que los alojamientos rurales están próximos a las vías locales.

La incorporación de la variable GOLF en el modelo 2, junto con los parámetros más significativos del modelo 1, proporcionó resultados más significativos en el modelo, subiendo el R2 a 69.8535%, De igual manera en el mo-delo 3, se incorporó la variable VIA2, que junto con VIA1, son los menos significativos al modelo, pudiéndose referirse a una correlación entre ambas variables, pero ambas subieron el R2 a 69.85%. . Con lo cual se consi-dera que un modelo óptimo debería de considerar solo las variables altamente significativas. Por tanto cCompa-rando los modelos 2 y 3, se considera el modelo 2, como el mejor, por tener mas variables significativas al 95%, según según las las pruebas de test estadístico.

Se puede ver, que los tres modelos llegan a explicar perfectamente la variable endógena (ingresos), con un alto nivel de significancia, pero el modelo 3, es el que tiene un mayor R2. De otro lado, tomando como referencia los puntos críticos de t, vemos que la mayoría de coeficientes son significativos, por tanto rechazan la correspon-diente hipótesis nula, a excepto de la variable VIA1 y VIA2, (Modelo 3) y GOLF (Modelo 2), los cuales aceptan la hipótesis nula, como se había mencionado anteriormente. Asimismo, pero contrastando con el F-Stadisticestadistico, se pudo confirmar que el contraste global es significativa en los tres modelos, con lo cual realizando el test de multicolinealidad, dió positivo en los tres modelos.

Cabe señalar que estos modelos pueden ser victimas de error, debido al limitado número de parámetros que se consideren como significativos. Pero los objetivos de esta primera fase del estudio, es comparar las estimaciones realizada con variables explicativas y sin ellas, y analizar si llegan a reducir los errores de estimación con el método de interpolación kriging. Asimismo, demostrar la contribución de las variables referenciadas espacial-mente; por tanto, las variables del modelo 1, se pueden considerar como las variables que mejor explican el modelo, aun así tiene un R2 menor en comparación con los otros dos modelos.

Finalmente, en cuanto a los signos de los coeficientes, se esperaba que los parámetros PLAYATU y PLAYA-LO, tuvieran signo positivo, debido a que los turistas rurales buscan naturaleza y áreas que generalmente están lejanas del borde del mar. Pero tal como lo muestra la distribución del ingreso económico en el gráfico 3, los ingresos más altos lo registran los alojamientos que se encuentran al sur y sur-oeste de la isla, y que coinciden-temente colindan con las playas turísticas más importantes y las zonas de baños locales. Aun así el 80% de los alojamientos rurales se encuentra en el centro de la isla, aledañasaledaño de las zonas de playa y zonas de ocio en general. Por lo cual se puede considerar como una característica particular de la isla Gran Canaria, con lo cual se debería de de verificar si ocurre la misma relación en otros puntos del Archipiélago Canario.

Estabilidad de los coeficientes

Para probar el coeficiente de estabilidad de los tres modelos, se aplicó el test de SQ-CUSUM, presentado por Brown, Durbin y Evans, (1975). La técnica se basa en la suma acumulativa de los residuos recursivos. El test busca parámetros en inestabilidad, si la suma acumulada se sale la zona comprendida por las dos líneas críticas. Éste test plotea la suma acumulativa junto con el 5% de significancia en la línea critica.

El test de SQ-CUSUM, realizado para los tres modelos, sugiere que todos los parámetros son estables, tal como lo muestra el gráfico 11, 13 y 15. Para poder verificar si alguna variable tiene un error considerable, se realizó el gráfico de error residual en los tres modelos, donde se muestra los valores del ingreso y los valores estimados, y así como los errores de cada estimación, observándose en los gráficos 12, 14 y 16. Los modelos tienen pocos márgenes de error, lo cual podría sugerir que los parámetros de la ecuación del modelo, permitirán tener una estimación precisa del ingreso, con unos errores de menos del 10%.

5. COMPARACIÓN

Test de autocorrelación

Como se discutió en los párrafos anteriores, la medida de autocorrelación se hará mediante la aplicación del test de Moran I, la cual se aplicará a los valores de ingreso económico, y a los valores estimados de tres modelos de regresión con OLS. Los cuales se mencionan en la tabla 9. Sabiendo que el Modelo 0, son los valores iniciales, sin variables explicativas, a diferencia de losy los modelo 1, 2 y 3, que contienen diferentes variables explicati-vas. Estas que se presentaron en la sección anterior.tabla 9.

Se comprobó la presencia de dependencia espacial de la variable ingreso estimada, con una autocorrelación positiva en los tres modelos, produciéndose un agrupamiento de los alojamientos rurales de con ingresos altos con otros alojamientos de ingresos altos, de igual manera en aquellos alojamientos con ingresos bajos.

Asimismo, el Índice de Moran en el modelo cero (valores originales de ingresos económicos), coincide con el modelo 2, lo cual podría ser el modelo con mayor grado de explicación de las variables, a diferencia de los mo-delos 1 y 3. Aun así para comprobar la interacción de los parámetros en la distribución espacial de los valores estimados, se utilizó el método de interpolación Kriging, y se mostró los errores de estimación por cada modelo, el cual se indica en la siguiente sección.

Errores del Kriging

Utilizando las estimaciones de los coeficientes de los parámetros, se calculó el valor de los ingresos económicos por pernoctación para los 30 alojamientos. La tabla 10 proporciona los resultados de los ingresos estimados, promediándolos por cuartiles.

Los cuartiles del ingreso estimado en cada modelo sobre la base de los valores iniciales (modelo 0 ó control), brinda un valor de mercado mínimo de $ 958,06 y máximo de 6532,28, mientras el valor estimado en el modelo 1, tiene como mínimo 847,95 y máximo de 5370,37, se tiene un rango de valores con menos variabilidad que el caso del modelo 3, que tiene valores más extremos, con valor mínimo de 601,97 y máximo de 5525,36. Sabien-do que el nivel de predicción ha tenido un alto nivel de rendimiento en el modelo 3, con un 69,85% de R2. No es el un modelo que se aproxime a los valores del modelo control, mas bien es el modelo con mas varianza. Ver tabla 10.

Como medida cuantitativa comparativa de la estimación en los modelos de regresión, se realizó el modelo de interpolación, para ver el error medio cuadrático (RMSE), entre el ingreso original, se observa en la tabla 11 y 12, que la estimación del ingreso por la regresión de variables explicativas, del modelo 1, permitió reducir el error del modelo control, con un error de 831,7€, frente a los valores estimados sin variables explicativas, siendo el modelo 0, un nivel de RMSE de 1245.

Asimismo se observa en el modelo 2, que tuvo mejores resultados, a comparación del modelo 1, siendo de 812,6€, conjuntamente tuvo un menor error media estándar y un error cuadrático medio estándar aceptable, cer-ca de uno.

De otro lado, comparando el margen de error del modelo de regresión con el método de Kriging, se observó que la estimación del modelo 1, con el Kriging, producto de la ecuación de regresión por OLS, permitió reducir el error de 836,41€ a 831,7€, mientras que en el modelo 2 y 3, éste error incrementó. Por tanto, hay evidencia que se llega a reducir el error aún más, demostrándolo así, los valores de error en el modelo 1, que aún teniendo un R2 de 59,75, y solo cinco variables significativas al 95%, es el modelo que mejor explica el ingreso económico, y del cual se podría interpolar con mas exactitud los valores de ingresos en la isla.

6. Conclusiones

Este estudio fue llevado a cabo en la isla de Gran Canaria, en el mes de Octubre del 2007, con el objetivo de comprobar si existía autocorrelación espacial entre los ingresos de las casas rurales y analizar la influencia de factores externos en el ingreso. Realizado las estimaciones se demostró que hay fuerte autocorrelación espacial, por tanto hay presencia de un patrón de agrupamiento de casas rurales de ingresos económicos altos con otras casas de ingresos altos, de igual manera con los ingresos bajos.

Se comprobó que las variables explicativas influyen en el ingreso, teniendo los mejores resultados la estimación que considera las variables altamente significativas al 95% y un R2 mayor del 50%. Siendo las variables explica-tivas con más significancia: las playas turísticas importantes (PLAYATU), las zonas de baño locales (PLAYA-LO), vía secundaria (VIA1), vía local (VIA2), servicios de ocio a los turistas (CC), zonas de golf (GOLF) y zonas de espacio natural (ESPACNAT).

Asimismo esta investigación ha demostrado que un ajuste basado en los valores de R2 no necesariamente pro-duce modelos con mayor significado. A veces pequeñas diferencias en los R2 no justifican la elección de un modelo u otro, así se demostró al comparar los valores de los RMSE que proporcionó el modelo de interpola-ción del kriging, frente a las estimaciones de los modelos explicativos. Brindando los menores errores, el mode-lo que consideraba las variables explicativas más significativas, y entre ellos el de menor error medio estándar y error cuadrático medio estándar.

Finalmente se concluyó que los ayuntamientos más lucrativos donde se podrían localizar nuevas casas rurales se encuentran al oeste de la isla, comprendiendo los municipios de San Nicolás de Tolentino, Tejeda y en menor porcentaje Santa Lucia de Tirajana.

REFERENCIAS BIBLIOGRÁFICAS

Adair A., McGreal S., Smyth A, Cooper J. y Ryley T. (2000): House Prices and Accessibility: The Testing of Relationships within the Belfast Urban Area, Housing Studies, 15 (5): 699-716.

Anselin L and Le Gallo J, (2006): Interpolation of Air quality measures in hedonic house price models: spatial aspects, Spatial Economic Analysis, 1 (1)

Anselin, L., (1988): Spatial econometrics: Methods and models. Kluwer, Dordrecht.

Basu S. y Thibodeu T. (1998), Analysis of spatial autocorrelation in house prices, Journal of Real State Finance and Economics. Vol 17. No. 1, 61-85.

Bogdon A. y Can A., (1997): Indicators of local housing affordability: Comparative and Spatial Approaches. Real Estate Economics, 25(1): 43-80.

Bosque, (1992): Sistemas de Información Geográfica, Madrid, España.

Brown R., Durban J. y Evans J., (1975): Techniques for testing the constancy of regression relationships over time, Journal of the Royal Statistical Society, Series B, 37: 149-172.

Bogdon A. y Can A., (1997): Indicators of local housing affordability: Comparative and Spatial Approaches. Real Estate Economics, 25(1): 43-80.

Can A., (1990): The measurement of neighbourhood dynamic in urban house prices, Economic Geography, 66(3).

Can A. y Megbolugbe I., (1997): Spatial Dependence and House Price Index Construction, Journal of Real State Finance and Economic, 14: 203-222.

Cliff, A. and J.K. Ord, (1981): Spatial processes: Models and applications, Pion, London.

Dickey A. y Higham J., (1999): “A Spatial Analysis of Commercial Ecotourism Businesses in New Zealand: A Benchmarking Exercise Using GIS”, Tourism Geographies 7(4): 373–388

Henneberry, J. (1998), “Transport investment and house prices”, Journal of Property, 16(2), 144-158.

Hoesli, M., Thion, B. y Watkins, C., (1997): A hedonic investigation of the rental value of apartments in Central Bordeaux, Journal of Property Research, 14(1): 15-26.

INE (2005): Encuesta de ocupación en alojamientos de turismo rural, http://www.ine.es/inebase

Mitchell, L., (1979): The Geography of Tourism: An Introduction. Annals of Tourism Research, 6:235–244.

Pearce D. G., (1995): Tourism today: A geographical analysis (2nd ed.). Harlow: Longman.

Raymond Y. C. Tse, (2002): Estimating Neighbourhood Effects in House Prices: Towards a New Hedonic Model Approach, Urban studies, 39(7): 1165-1180.

Sten Hansen H., (1995): Interactive Analysis of spatial data using a desktop GIS, Advances Of Gis Research II, Kraak J. and Molenaar M. (Ed.).

Thériault M, Des Rosiers F., Villeneuve P. y Kestens Y. (2003): Modelling interactions of location with specific value of housing attributes, Property Management, 21(1):25-62.

Tse, R, (1998): Housing Price, land supply and revenue from land sales, Urban Studies, 35: 1377-1392.