Mobilidade de Turistas Internacionais: Uma Comparação entre Dados Oficiais e de LBSN

• Lucas E. B. Skora UTFPR
• Helen C. M. Senefonte UTFPR / UEL
• Myriam R. B. S. Delgado UTFPR
• Ricardo Lüders UTFPR
• Thiago H. Silva UTFPR / University of Toronto

DOI: https://doi.org/10.5753/courb.2021.17108

Resumo

O estudo do comportamento de turistas é estratégico para melhoria dos serviços nesse competitivo segmento econômico. Trabalhos atuais geralmente exploram essa questão usando dados tradicionais, como questionários. Esse tipo de fonte fornece informações valiosas, no entanto, sofre com escalabilidade e abrangência. Uma fonte alternativa que minimiza esses problemas é obtida pelas redes sociais baseadas em localização (LBSNs). No entanto, para o uso apropriado desses dados é necessário averiguar se o comportamento capturado nessas redes reflete de maneira satisfatória o comportamento real medido com dados tradicionais. Assim, o presente trabalho visa validar se o fluxo internacional de turistas capturado com uma LBSN reflete de maneira satisfatória o comportamento real medido com dados tradicionais. Resultados iniciais sugerem que os dados LBSNs representam notavelmente bem o comportamento estudado e que podem habilitar pesquisas sobre a mobilidade desses turistas.

Referências

(2021). International Tourism Highlights, 2020 Edition. World Tourism Organization, Madrid, Spain.

Al Baghal, T., Wenz, A., Sloan, L., and Jessop, C. (2021). Linking twitter and survey data: asymmetry in quantity and its impact. EPJ Data Science, 10(32):1–20.

Belyi, A., Bojic, I., Sobolevsky, S., Sitko, I., Hawelka, B., Rudikova, L., Kurbatski, A., and Ratti, C. (2017). Global multi-layer network of human mobility. International Journal of Geographical Information Science, 31(7):1381–1402.

Brin, S. and Page, L. (1998). The anatomy of a large-scale hypertextual web search engine. Computer networks and ISDN systems, 30(1-7):107–117.

D’Agata, R., Gozzo, S., and Tomaselli, V. (2013). Network analysis approach to map tourism mobility. Quality & Quantity, 47(6):3167–3184.

Hawelka, B., Sitko, I., Beinat, E., Sobolevsky, S., Kazakopoulos, P., and Ratti, C. (2014). Geo-located twitter as proxy for global mobility patterns. Cartography and Geographic Information Science, 41(3):260–271.

Lozano, S. and Gutiérrez, E. (2018). A complex network analysis of global tourism ows. International Journal of Tourism Research, 20(5):588–604.

Miguéns, J. and Mendes, J. (2008). Travel and tourism: Into a complex network. Physica A: Statistical Mechanics and its Applications, 387(12):2963–2971.

Provenzano, D., Hawelka, B., and Baggio, R. (2018). The mobility network of european tourists: a longitudinal study and a comparison with geo-located twitter data. Tourism Review.

Scuderi, R. and Dalle Nogare, C. (2018). Mapping tourist consumption behaviour from destination card data: What do sequences of activities reveal? International Journal of Tourism Research, 20(5):554–565.

Silva, T. H., Viana, A. C., Benevenuto, F., Villas, L., Salles, J., Loureiro, A., and Quercia, D. (2019). Urban computing leveraging location-based social network data: A survey. ACM Comput. Surv., 52(1):17:1–17:39.

Tan, P.-N., Steinbach, M., and Kumar, V. (2016). Introduction to data mining. Pearson Education.

Zheng, Y., Capra, L., Wolfson, O., and Yang, H. (2014). Urban computing: Concepts, methodologies, and applications. ACM Trans. Intell. Syst. Technol., 5:38:1–38:55.

Zhou, M., Wu, G., and Xu, H. (2016). Structure and formation of top networks in international trade, 2001–2010. Social Networks, 44:9–21.

Zieba, M. (2017). Cultural participation of tourists–evidence from travel habits of austrian residents. Tourism Economics, 23(2):295–315.