Turismo sostenible en Canarias: Modelos de Machine Learning y análisis cuantitativo

Abstract

EEste trabajo analiza el perfil del turista sostenible en Canarias y las tensiones sociales derivadas del actual modelo turístico. Se utilizaron microdatos de la Encuesta de Gasto Turístico (T2 2024) con una muestra de 8.311 turistas. A través de análisis estadísticos y modelos de Machine Learning, se identifican variables clave como la autenticidad, la tranquilidad o la seguridad. Los resultados muestran que es posible predecir comportamientos sostenibles, que no dependen solo del gasto o la edad, sino de motivaciones específicas. Además, se identifican reglas frecuentes que describen al turista sostenible como alguien que valora experiencias auténticas y un consumo más consciente. Por otro lado, el análisis de más de 4.000 comentarios de residentes en vídeos de YouTube sobre turismo en Canarias revela un creciente malestar con el turismo masivo, especialmente por su impacto en la vivienda y la calidad de vida. Se han analizado todos los comentarios disponibles para evitar sesgos. La coincidencia entre estos perfiles y las preocupaciones locales refuerza la necesidad de avanzar hacia un modelo más justo y equilibrado.

This study analyzes the profile of the sustainable tourist in the Canary Islands and the social tensions linked to the current tourism model. It uses microdata from the Tourist Expenditure Survey (Q2 2024), with a sample of 8,311 tourists. Through statistical analysis and Machine Learning models, key variables are identified, such as authenticity, tranquility, and safety. Results show that sustainable behaviors can be predicted, and they are driven more by specific motivations than by spending or age. Frequent patterns also depict sustainable tourists as those who seek authentic experiences and adopt more conscious consumption habits. Additionally, the analysis of over 4,000 resident comments on YouTube videos about tourism in the Canary Islands reveals growing discontent with mass tourism, especially due to its impact on housing and quality of life. All available comments were analyzed to avoid selection bias. The overlap between tourist profiles and local concerns highlights the need for a fairer and more balanced tourism model.