Vol. 12/ Núm. 2 2025 pág. 3568
https://doi.org/10.69639/arandu.v12i2.1205
Demanda de pasajeros aeroportuarios en Quito, Ecuador:
Variables Causales
Airport passenger demand in Quito-Ecuador: Causal Variables
Sebastián Nader
sebastian.nader@ute.edu.ec
https://orcid.org/0000-0003-1967-7727
Universidad UTE - Universidad Nacional de La Plata
La Plata, Argentina
Elsa Maritza Vargas Torres
kare.medic@gmail.com
https://orcid.org/0009-0007-7806-6930
Universidad Carlos III de Madrid
Quito, Ecuador
Karla Lizeth Vizuete Sandoval
karlavizuete267@gmail.com
https://orcid.org/0009-0006-6549-3215
Pontificia Universidad Católica de Ecuador
Quito - Ecuador
David Eduardo Rodríguez Baldeón
daverodb@gmail.com
https://orcid.org/0000-0002-2746-3588
Instituto Superior Sudamericano
Quito-Ecuador
Andrés Fernando Padilla Valverde
andres.padilla@mba2014.incae.edu
https://orcid.org/0009-0007-0683-5999
INCAE Business School
Alajuela - Costa Rica
Artículo recibido: 18 mayo 2025 - Aceptado para publicación: 28 junio 2025
Conflictos de intereses: Ninguno que declarar
RESUMEN
El sector aeronáutico interviene en el desarrollo productivo y turístico de una nación, sentando la
base para el fomento del empleo, la innovación y el crecimiento de la actividad económica en
general. Varias investigaciones realizadas muestran interacción entre la expansión económica y
la demanda de pasajeros, estos hallazgos permiten entender la compleja dinámica del transporte
aéreo. Este artículo se enfoca en identificar y analizar las variables causales que afectan la
demanda de pasajeros en el sector aéreo mediante un enfoque econométrico, de esta forma se
busca proporcionar evidencia sobre los determinantes de esta métrica y contribuir con estrategias
para los actores clave del sector, incluidos operadores de aerolíneas, autoridades regulatorias y
formuladores de políticas. En efecto, los resultados encontrados en este estudio indican presencia
Vol. 12/ Núm. 2 2025 pág. 3569
de causalidad de varios factores externos e internos, creando así una base de conocimiento que
aporte en la toma de decisiones dentro del sector.
Palabras Clave: causalidad, econometría, demanda, aérea, pasajeros
ABSTRACT
The aeronautical sector is involved in the productive and tourism development of a nation. It
influences the promotion of employment, innovation, and the growth of economic activity.
Several investigations that have been carried out show the strong interaction between economic
expansion and passenger demand. These findings allow us to understand the complex dynamics
of air transportation. This article focuses on identifying and analyzing the causal variables that
affect passenger demand in the airline sector through an econometric approach. The study aims
to provide evidence on the determinants of this metric and contribute strategies for key actors in
the sector, such as airline operators, regulatory authorities, and policy makers. Indeed, the results
found in this study indicate the presence of causality of several external and internal factors, thus
building a scientific base that could contribute to decision-making within the sector.
Keywords: causality, econometrics, demand, aerial, passengers
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
de causalidad de varios factores externos e internos, creando así una base de conocimiento que
aporte en la toma de decisiones dentro del sector.
Palabras Clave: causalidad, econometría, demanda, aérea, pasajeros
ABSTRACT
The aeronautical sector is involved in the productive and tourism development of a nation. It
influences the promotion of employment, innovation, and the growth of economic activity.
Several investigations that have been carried out show the strong interaction between economic
expansion and passenger demand. These findings allow us to understand the complex dynamics
of air transportation. This article focuses on identifying and analyzing the causal variables that
affect passenger demand in the airline sector through an econometric approach. The study aims
to provide evidence on the determinants of this metric and contribute strategies for key actors in
the sector, such as airline operators, regulatory authorities, and policy makers. Indeed, the results
found in this study indicate the presence of causality of several external and internal factors, thus
building a scientific base that could contribute to decision-making within the sector.
Keywords: causality, econometrics, demand, aerial, passengers
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 2 2025 pág. 3570
INTRODUCCIÓN
Es importante entender cuáles son los factores que influyen en la demanda aeroportuaria
de una ciudad porque el uso de estos se vincula a mejoras en la calidad de vida de las ciudades
(Cristureanu y Bobircă, 2007) y a través del transporte de pasajeros y carga se dinamizan las
economías locales vía inversión extranjera (Button, Doh y Yuan, 2010) y actividad turística y de
negocios (Green, 2007; Florida, 2014; Lindsey,2014 ). A la fecha, la ciudad de Quito y, en general
el Ecuador, no cuentan con un estudio que explore estos factores.
Los estudios que existen en otros países o regiones -que no incluyen a Quito-, miden el
nivel de relación existente entre una variable de estudio y las variables exploratorias a través de
métodos como correlación, regresión y causalidad (Benell y Prentice, 1993; Sun, Lu y otros, 2019;
Pisa, 2015; Ubogu, 2013; etc). La correlación muestra el grado de relación existente entre dos
variables, el análisis de regresión indica cómo una variable dependiente se asocia con otras
variables independientes, mientras que la causalidad sirve para establecer una relación dinámica
entre variables cuando una anticipa a otra. (Reiter, 2000), (Beyzaltar, 2014).
Esta investigación tiene como propósito el análisis de los factores que influyen en el flujo
de pasajeros para el caso del Aeropuerto Internacional Mariscal Sucre del Distrito Metropolitano
de Quito mediante la medición del efecto causal ejercido entre variables utilizando el método de
causalidad de Granger (1969).
Esta metodología busca establecer la influencia de distintas variables de carácter
económico, estructural, social y de seguridad sobre la Demanda de Pasajeros que transitan en el
Aeropuerto.
Los hallazgos obtenidos indican una relación de causalidad entre el PIB y la Demanda de
pasajeros, es decir que el crecimiento económico reflejado en el PIB explica el flujo de pasajeros
que transitan en el Aeropuerto de Quito, esto ha sido demostrado por varios autores que estudiaron
el mismo fenómeno. (Cruz,2019), (Hu,2015) y (Chi, 2013).
MATERIALES Y MÉTODOS
El análisis de causalidad permite establecer conexiones temporales entre variables, donde
las observaciones futuras se pueden predecir por medio de observaciones pasadas. La
estacionariedad de variables es una condición necesaria para garantizar que las pruebas de
causalidad sean confiables, puesto que esta condición permite que la variación de los parámetros
principales de las series en estudio se mantenga en el tiempo. A continuación, se describen los
principales modelos y pruebas utilizados en la investigación.
Series Temporales
Las series temporales son conjuntos de datos que se observan y recopilan a intervalos
regulares de tiempo, el análisis estadístico busca establecer la relación existente entre dos o más
series a lo largo del tiempo. Existen cuatro tipos principales de series temporales que resultan de
INTRODUCCIÓN
Es importante entender cuáles son los factores que influyen en la demanda aeroportuaria
de una ciudad porque el uso de estos se vincula a mejoras en la calidad de vida de las ciudades
(Cristureanu y Bobircă, 2007) y a través del transporte de pasajeros y carga se dinamizan las
economías locales vía inversión extranjera (Button, Doh y Yuan, 2010) y actividad turística y de
negocios (Green, 2007; Florida, 2014; Lindsey,2014 ). A la fecha, la ciudad de Quito y, en general
el Ecuador, no cuentan con un estudio que explore estos factores.
Los estudios que existen en otros países o regiones -que no incluyen a Quito-, miden el
nivel de relación existente entre una variable de estudio y las variables exploratorias a través de
métodos como correlación, regresión y causalidad (Benell y Prentice, 1993; Sun, Lu y otros, 2019;
Pisa, 2015; Ubogu, 2013; etc). La correlación muestra el grado de relación existente entre dos
variables, el análisis de regresión indica cómo una variable dependiente se asocia con otras
variables independientes, mientras que la causalidad sirve para establecer una relación dinámica
entre variables cuando una anticipa a otra. (Reiter, 2000), (Beyzaltar, 2014).
Esta investigación tiene como propósito el análisis de los factores que influyen en el flujo
de pasajeros para el caso del Aeropuerto Internacional Mariscal Sucre del Distrito Metropolitano
de Quito mediante la medición del efecto causal ejercido entre variables utilizando el método de
causalidad de Granger (1969).
Esta metodología busca establecer la influencia de distintas variables de carácter
económico, estructural, social y de seguridad sobre la Demanda de Pasajeros que transitan en el
Aeropuerto.
Los hallazgos obtenidos indican una relación de causalidad entre el PIB y la Demanda de
pasajeros, es decir que el crecimiento económico reflejado en el PIB explica el flujo de pasajeros
que transitan en el Aeropuerto de Quito, esto ha sido demostrado por varios autores que estudiaron
el mismo fenómeno. (Cruz,2019), (Hu,2015) y (Chi, 2013).
MATERIALES Y MÉTODOS
El análisis de causalidad permite establecer conexiones temporales entre variables, donde
las observaciones futuras se pueden predecir por medio de observaciones pasadas. La
estacionariedad de variables es una condición necesaria para garantizar que las pruebas de
causalidad sean confiables, puesto que esta condición permite que la variación de los parámetros
principales de las series en estudio se mantenga en el tiempo. A continuación, se describen los
principales modelos y pruebas utilizados en la investigación.
Series Temporales
Las series temporales son conjuntos de datos que se observan y recopilan a intervalos
regulares de tiempo, el análisis estadístico busca establecer la relación existente entre dos o más
series a lo largo del tiempo. Existen cuatro tipos principales de series temporales que resultan de
Vol. 12/ Núm. 2 2025 pág. 3571
la variación de los parámetros de media, varianza y componente estacional, estos son: tendencia
secular, variación cíclica, variación estacional y variación irregular.
El análisis de series temporales utiliza distintas técnicas para su modelización, los más
conocidos son los métodos de suavizado exponencial, descomposición, modelos autorregresivos,
modelos de media móvil, entre otros.
Modelos
Dentro de los modelos temporales se encuentran los modelos autorregresivos (AR) y los
de medias móviles (MA). Los autorregresivos utilizan sus propios valores pasados para predecir
valores futuros, mientras que los modelos de medias móviles emplean promedios ponderados de
errores pasados para hacer los pronósticos. Como extensión a los modelos autorregresivos, se
encuentran los VAR que son modelos autorregresivos vectoriales que incluyen otras variables
junto con sus rezagos pasados y son útiles para modelar relaciones dinámicas entre múltiples
series de tiempo según lo describe Gujarati, 2010. De ahí que un aspecto importante de medición,
son los rezagos presentes en los modelos, estos valores se utilizan como predictores de
observaciones futuras.
Causalidad
La causalidad es la asociación que se establece entre dos series de tiempo y se produce
cuando una variable influye o explica la ocurrencia de otra. En este caso, se pretende saber si las
variables exploratorias son causantes de la Demanda de Pasajeros en el AIMS.
Una serie temporal X es causa Granger de Y si se demuestra que los valores de esta
muestran información estadísticamente significativa sobre los valores futuros de Y, a través de la
utilización de pruebas F o Wald sobre los valores rezagados de X. Las pruebas determinan un
valor p respectivo, cuando este valor es menor al nivel de significación se puede concluir que se
tiene evidencia suficiente para rechazar la hipótesis nula y decir que la serie temporal X causa
Granger la serie temporal Y. (Marazzo,2010) (Rafaqet, 2023) (Quang Hai, 2023)
Estacionariedad
Para establecer causalidad es necesario cumplir con algunas condiciones que respaldan la
confiabilidad de la prueba, una de las principales es la estacionariedad. Se dice que una serie es
estacionaria cuando se mantiene estable a lo largo del tiempo, es decir que los parámetros de
media y varianza no se modifican en el tiempo, esta condición es requerida para la predicción
puesto que es más confiable hacerlo con información de una serie estable en el tiempo.
Una prueba utilizada para probar estacionariedad es la de Dickey Fuller aumentada (ADF)
para raíces unitarias, esta prueba se usa para detectar si existe presencia de conducta tendencial
estocástica en las series temporales. Si los datos cumplen con el requisito de estacionariedad se
procede con la prueba de Granger, caso contrario se llevará a cabo un proceso de transformación
de variables.
la variación de los parámetros de media, varianza y componente estacional, estos son: tendencia
secular, variación cíclica, variación estacional y variación irregular.
El análisis de series temporales utiliza distintas técnicas para su modelización, los más
conocidos son los métodos de suavizado exponencial, descomposición, modelos autorregresivos,
modelos de media móvil, entre otros.
Modelos
Dentro de los modelos temporales se encuentran los modelos autorregresivos (AR) y los
de medias móviles (MA). Los autorregresivos utilizan sus propios valores pasados para predecir
valores futuros, mientras que los modelos de medias móviles emplean promedios ponderados de
errores pasados para hacer los pronósticos. Como extensión a los modelos autorregresivos, se
encuentran los VAR que son modelos autorregresivos vectoriales que incluyen otras variables
junto con sus rezagos pasados y son útiles para modelar relaciones dinámicas entre múltiples
series de tiempo según lo describe Gujarati, 2010. De ahí que un aspecto importante de medición,
son los rezagos presentes en los modelos, estos valores se utilizan como predictores de
observaciones futuras.
Causalidad
La causalidad es la asociación que se establece entre dos series de tiempo y se produce
cuando una variable influye o explica la ocurrencia de otra. En este caso, se pretende saber si las
variables exploratorias son causantes de la Demanda de Pasajeros en el AIMS.
Una serie temporal X es causa Granger de Y si se demuestra que los valores de esta
muestran información estadísticamente significativa sobre los valores futuros de Y, a través de la
utilización de pruebas F o Wald sobre los valores rezagados de X. Las pruebas determinan un
valor p respectivo, cuando este valor es menor al nivel de significación se puede concluir que se
tiene evidencia suficiente para rechazar la hipótesis nula y decir que la serie temporal X causa
Granger la serie temporal Y. (Marazzo,2010) (Rafaqet, 2023) (Quang Hai, 2023)
Estacionariedad
Para establecer causalidad es necesario cumplir con algunas condiciones que respaldan la
confiabilidad de la prueba, una de las principales es la estacionariedad. Se dice que una serie es
estacionaria cuando se mantiene estable a lo largo del tiempo, es decir que los parámetros de
media y varianza no se modifican en el tiempo, esta condición es requerida para la predicción
puesto que es más confiable hacerlo con información de una serie estable en el tiempo.
Una prueba utilizada para probar estacionariedad es la de Dickey Fuller aumentada (ADF)
para raíces unitarias, esta prueba se usa para detectar si existe presencia de conducta tendencial
estocástica en las series temporales. Si los datos cumplen con el requisito de estacionariedad se
procede con la prueba de Granger, caso contrario se llevará a cabo un proceso de transformación
de variables.
Vol. 12/ Núm. 2 2025 pág. 3572
Variables utilizadas
En este estudio se analizan series temporales que han sido evaluadas en estudios
bibliográficos anteriores para establecer relaciones causales con el tráfico aéreo. La información
disponible se encuentra compilada en una base de datos comprendida entre enero del 2018 hasta
diciembre del 2023, estructurada a manera de variables temporales con periodicidad mensual. A
continuación, se detallan las variables empleadas, su concepto, relevancia y fuente de origen:
Variable dependiente
La demanda de pasajeros es una variable clave en el sector aeroportuario, el análisis de
métricas que influyen en su predicción permite establecer políticas y decisiones que contribuyan
a su desarrollo. (Rodríguez, 2015).
Demanda de pasajeros: Cantidad de pasajeros registrados en el Aeropuerto Internacional
Mariscal Sucre de Quito tanto en arribos como en salidas (Datos Empresa Pública Metropolitana
de Servicios del Aeropuerto de Quito y Gestión de Zonas Francas y Regímenes Especiales-
EPMSA)
Variables Económicas
El crecimiento económico de un país se expresa a través de indicadores que permiten medir
su evolución, uno de los principales viene a ser el PIB. La mayoría de estudios muestran que este
indicador es determinante para la estimación del flujo de pasajeros. (Kiboi, 2017)
Otros indicadores relevantes son el IPC que mide el cambio en el tiempo del nivel general
de precios, la Inflación y la Inversión Extranjera que recibe el país.
• PIB: Producto Interno Bruto del país en cifras reales (Base Banco Central del Ecuador-
BCE)
• IPC: Índice de precios al consumidor (Base BCE)
• Inflación: Es la variación porcentual del índice de precio al consumidor (Base BCE)
• Inversión extranjera: Es el saldo de flujos de deuda contraída por empresas de Inversión
(Base BCE)
Variables Socio estructurales
La población, el riesgo país y los niveles de empleo se han denominado variables socio
estructurales, también se cuenta con información de diferentes investigaciones que han medido
su influencia en el tráfico aéreo. Se podría pensar que el efecto de causalidad que ejerce la
población es generalizado, sin embargo, la evidencia no siempre muestra este resultado. Hakim
(2006)
• Población: Cantidad de habitantes de Ecuador (Base INEC)
• Riesgo país: Puntuación de riesgo país de Ecuador (Trading economics)
• Empleo: Empleo adecuado y Desempleo medidas (Base INEC)
Variables utilizadas
En este estudio se analizan series temporales que han sido evaluadas en estudios
bibliográficos anteriores para establecer relaciones causales con el tráfico aéreo. La información
disponible se encuentra compilada en una base de datos comprendida entre enero del 2018 hasta
diciembre del 2023, estructurada a manera de variables temporales con periodicidad mensual. A
continuación, se detallan las variables empleadas, su concepto, relevancia y fuente de origen:
Variable dependiente
La demanda de pasajeros es una variable clave en el sector aeroportuario, el análisis de
métricas que influyen en su predicción permite establecer políticas y decisiones que contribuyan
a su desarrollo. (Rodríguez, 2015).
Demanda de pasajeros: Cantidad de pasajeros registrados en el Aeropuerto Internacional
Mariscal Sucre de Quito tanto en arribos como en salidas (Datos Empresa Pública Metropolitana
de Servicios del Aeropuerto de Quito y Gestión de Zonas Francas y Regímenes Especiales-
EPMSA)
Variables Económicas
El crecimiento económico de un país se expresa a través de indicadores que permiten medir
su evolución, uno de los principales viene a ser el PIB. La mayoría de estudios muestran que este
indicador es determinante para la estimación del flujo de pasajeros. (Kiboi, 2017)
Otros indicadores relevantes son el IPC que mide el cambio en el tiempo del nivel general
de precios, la Inflación y la Inversión Extranjera que recibe el país.
• PIB: Producto Interno Bruto del país en cifras reales (Base Banco Central del Ecuador-
BCE)
• IPC: Índice de precios al consumidor (Base BCE)
• Inflación: Es la variación porcentual del índice de precio al consumidor (Base BCE)
• Inversión extranjera: Es el saldo de flujos de deuda contraída por empresas de Inversión
(Base BCE)
Variables Socio estructurales
La población, el riesgo país y los niveles de empleo se han denominado variables socio
estructurales, también se cuenta con información de diferentes investigaciones que han medido
su influencia en el tráfico aéreo. Se podría pensar que el efecto de causalidad que ejerce la
población es generalizado, sin embargo, la evidencia no siempre muestra este resultado. Hakim
(2006)
• Población: Cantidad de habitantes de Ecuador (Base INEC)
• Riesgo país: Puntuación de riesgo país de Ecuador (Trading economics)
• Empleo: Empleo adecuado y Desempleo medidas (Base INEC)
Vol. 12/ Núm. 2 2025 pág. 3573
Variables aeronáuticas
Los principales indicadores relacionados con la industria son frecuencia de vuelos, cantidad
de carga transportada y precio del combustible de avión.
• Vuelos: Cantidad de vuelos registrados en arribos y salidas (Datos EPMSA)
• Carga: Peso de la carga transportada en toneladas métricas (Datos EPMSA)
• Gasolina: Precio de la gasolina de avión a nivel mundial (Fuente: US Energy Information
Administration)
Variables de seguridad
Dos variables que ayudan a percibir el nivel de seguridad de un país son la cantidad de
homicidios y muertes por accidentes de tránsito registrados. Existen otros estudios que también
analizan la influencia del factor seguridad (Muñoz, 2022).
Homicidios: Cantidad de homicidios totales registrados en la provincia (Base INEC)
Accidentes: Cantidad de muertes en accidentes de tránsito en la provincia (Base INEC)
Variables de búsqueda
Existen indicadores que miden la tendencia registrada de palabras o frases determinadas,
estos permiten conocer información obtenida en los motores de búsqueda con el objetivo de medir
su influencia en la decisión de llegada al país. Koçak, 2023 estudia la incidencia de frases
relacionadas con el turismo.
GTQuito: Datos de tendencia de la palabra “Quito” en Google Trends en el área de viajes.
(Datos Google Trends)
GTInseguridad: Datos de tendencia de la frase “Inseguridad Ecuador” en Google Trends
en el área general. (Datos Google Trends)
METODOLOGÍA
Las variables que participan en el estudio están expresadas como series temporales
mensualizadas, a excepción del PIB, empleo e inversión extranjera que tienen periodicidad
trimestral. Se emplea un método de extrapolación para convertir las series con temporalidad
trimestral en mensual.
Las pruebas de causalidad de Granger se basan en modelos de series temporales
multivariantes que capturan el movimiento de las variables. Una opción generalizada es mediante
el uso de modelos de autorregresión vectorial (VAR) que asumen que cada variable depende de
sus propios valores pasados y de los valores pasados de otras variables. Gujarati (2010)
Para realizar el análisis econométrico es necesario comprobar si las series de tiempo son
estacionarias, esta condición evitará la obtención de resultados que al parecer son válidos pero
que en realidad reflejan una relación espuria entre variables. La estacionariedad ayuda a predecir
si la forma en que cambian las variables se ve afectada en el tiempo.
Variables aeronáuticas
Los principales indicadores relacionados con la industria son frecuencia de vuelos, cantidad
de carga transportada y precio del combustible de avión.
• Vuelos: Cantidad de vuelos registrados en arribos y salidas (Datos EPMSA)
• Carga: Peso de la carga transportada en toneladas métricas (Datos EPMSA)
• Gasolina: Precio de la gasolina de avión a nivel mundial (Fuente: US Energy Information
Administration)
Variables de seguridad
Dos variables que ayudan a percibir el nivel de seguridad de un país son la cantidad de
homicidios y muertes por accidentes de tránsito registrados. Existen otros estudios que también
analizan la influencia del factor seguridad (Muñoz, 2022).
Homicidios: Cantidad de homicidios totales registrados en la provincia (Base INEC)
Accidentes: Cantidad de muertes en accidentes de tránsito en la provincia (Base INEC)
Variables de búsqueda
Existen indicadores que miden la tendencia registrada de palabras o frases determinadas,
estos permiten conocer información obtenida en los motores de búsqueda con el objetivo de medir
su influencia en la decisión de llegada al país. Koçak, 2023 estudia la incidencia de frases
relacionadas con el turismo.
GTQuito: Datos de tendencia de la palabra “Quito” en Google Trends en el área de viajes.
(Datos Google Trends)
GTInseguridad: Datos de tendencia de la frase “Inseguridad Ecuador” en Google Trends
en el área general. (Datos Google Trends)
METODOLOGÍA
Las variables que participan en el estudio están expresadas como series temporales
mensualizadas, a excepción del PIB, empleo e inversión extranjera que tienen periodicidad
trimestral. Se emplea un método de extrapolación para convertir las series con temporalidad
trimestral en mensual.
Las pruebas de causalidad de Granger se basan en modelos de series temporales
multivariantes que capturan el movimiento de las variables. Una opción generalizada es mediante
el uso de modelos de autorregresión vectorial (VAR) que asumen que cada variable depende de
sus propios valores pasados y de los valores pasados de otras variables. Gujarati (2010)
Para realizar el análisis econométrico es necesario comprobar si las series de tiempo son
estacionarias, esta condición evitará la obtención de resultados que al parecer son válidos pero
que en realidad reflejan una relación espuria entre variables. La estacionariedad ayuda a predecir
si la forma en que cambian las variables se ve afectada en el tiempo.
Vol. 12/ Núm. 2 2025 pág. 3574
Si las series de tiempo no cumplen la condición de estacionariedad es necesario seguir un
proceso de transformación de las variables, en donde se analiza si existe variación en la media,
en la varianza o si la serie tiene carácter estacional, dependiendo de ello, se puede aplicar la
transformación mediante logaritmos, diferenciación o diferenciación estacional respectivamente.
Acín Coello de Portugal (2022)
Para determinar la relación de causalidad existente entre las variables, se realiza la Prueba
de Granger, este test estadístico, permite determinar si una serie temporal puede predecir a otra y
comprobar si esta relación es unidireccional o bidireccional. Este test evidencia si el
comportamiento actual y pasado de una serie es capaz de predecir la conducta de otra serie, si
esto ocurre, se puede afirmar que la primera serie causa la segunda y lo mismo en el sentido
inverso.
Las pruebas de causalidad proporcionan evidencia de la intensidad y dirección de estos
efectos, así como su importancia y robustez. La hipótesis nula de este modelo indica que la serie
de tiempo A no causa en el sentido de Granger a la serie de tiempo B y la hipótesis alternativa
muestra que la serie de tiempo A causa en el sentido de Granger a la serie de tiempo B.
En los resultados de la prueba, si el valor p del estadístico F es mayor o igual que un nivel
de significación dado, entonces no se rechaza la hipótesis nula y se concluye que la serie temporal
A no causa a la serie temporal B. Y si se llega a rechazar la hipótesis nula, existe evidencia que
la serie de tiempo A causa la serie de tiempo B.
Al contar con distintas variables exploratorias, el análisis de causalidad se lo puede hacer
de forma bivariable o multivariante, es recomendable en primer lugar conocer la relación
individual de cada serie con la variable dependiente y posteriormente establecer otras relaciones
multivariantes más complejas. En estas últimas hay que considerar que se pueden generar
situaciones de significancia que no se observaban en el análisis individual y también pueden
aparecer problemas de multicolinealidad de las series según lo indica Martin (2021).
RESULTADOS Y DISCUSIÓN
El procesamiento estadístico que permite comprobar una condición causal se desarrolla en
seis pasos consecutivos, donde se efectúan las siguientes acciones: formato de la variable tiempo,
estandarización de variables de estudio, determinación de rezagos, estimación del modelo var,
realización de prueba de estacionariedad y causalidad. Este proceso se realiza con los pares de
variables compuestos por la Demanda de Pasajeros y cada una de las variables exploratorias,
mediante la utilización del programa Stata (Becketti, 2005).
A continuación, se detallan los pasos seguidos en el análisis:
Paso 1: Crear una variable de tiempo que tenga el formato de fecha: Este paso permite
dar a los datos la característica de serie temporal.
Si las series de tiempo no cumplen la condición de estacionariedad es necesario seguir un
proceso de transformación de las variables, en donde se analiza si existe variación en la media,
en la varianza o si la serie tiene carácter estacional, dependiendo de ello, se puede aplicar la
transformación mediante logaritmos, diferenciación o diferenciación estacional respectivamente.
Acín Coello de Portugal (2022)
Para determinar la relación de causalidad existente entre las variables, se realiza la Prueba
de Granger, este test estadístico, permite determinar si una serie temporal puede predecir a otra y
comprobar si esta relación es unidireccional o bidireccional. Este test evidencia si el
comportamiento actual y pasado de una serie es capaz de predecir la conducta de otra serie, si
esto ocurre, se puede afirmar que la primera serie causa la segunda y lo mismo en el sentido
inverso.
Las pruebas de causalidad proporcionan evidencia de la intensidad y dirección de estos
efectos, así como su importancia y robustez. La hipótesis nula de este modelo indica que la serie
de tiempo A no causa en el sentido de Granger a la serie de tiempo B y la hipótesis alternativa
muestra que la serie de tiempo A causa en el sentido de Granger a la serie de tiempo B.
En los resultados de la prueba, si el valor p del estadístico F es mayor o igual que un nivel
de significación dado, entonces no se rechaza la hipótesis nula y se concluye que la serie temporal
A no causa a la serie temporal B. Y si se llega a rechazar la hipótesis nula, existe evidencia que
la serie de tiempo A causa la serie de tiempo B.
Al contar con distintas variables exploratorias, el análisis de causalidad se lo puede hacer
de forma bivariable o multivariante, es recomendable en primer lugar conocer la relación
individual de cada serie con la variable dependiente y posteriormente establecer otras relaciones
multivariantes más complejas. En estas últimas hay que considerar que se pueden generar
situaciones de significancia que no se observaban en el análisis individual y también pueden
aparecer problemas de multicolinealidad de las series según lo indica Martin (2021).
RESULTADOS Y DISCUSIÓN
El procesamiento estadístico que permite comprobar una condición causal se desarrolla en
seis pasos consecutivos, donde se efectúan las siguientes acciones: formato de la variable tiempo,
estandarización de variables de estudio, determinación de rezagos, estimación del modelo var,
realización de prueba de estacionariedad y causalidad. Este proceso se realiza con los pares de
variables compuestos por la Demanda de Pasajeros y cada una de las variables exploratorias,
mediante la utilización del programa Stata (Becketti, 2005).
A continuación, se detallan los pasos seguidos en el análisis:
Paso 1: Crear una variable de tiempo que tenga el formato de fecha: Este paso permite
dar a los datos la característica de serie temporal.
Vol. 12/ Núm. 2 2025 pág. 3575
Paso 2: Estandarizar el formato de los datos de acuerdo a la variable fecha: Todas
las variables deben contar con el formato de orden y período establecidos.
Paso 3: Encontrar el número óptimo de rezagos del modelo: En el cuadro abajo
detallado se muestran los indicadores relacionados con el nivel de pérdida de información, el
criterio de elección consiste en elegir los valores menores que son los que evidencian la menor
pérdida de la misma. La comparación de modelos generalmente se basa en criterios de
información como el Akaike AIC, Bayesiano SBIC o Hannan-Quinn HQIC. En el análisis de las
variables Demanda de pasajeros y PIB real, el número de rezagos recomendado para este modelo
es de 4.
Tabla 1
Cantidad óptima de rezagos
Fuente: Elaboración Propia
Paso 4: Estimación del VAR: Se debe correr el modelo con la especificación de rezagos
antes determinada. En este caso se utiliza (L4) rezagos.
Tabla 2
Estimación del VAR
Paso 2: Estandarizar el formato de los datos de acuerdo a la variable fecha: Todas
las variables deben contar con el formato de orden y período establecidos.
Paso 3: Encontrar el número óptimo de rezagos del modelo: En el cuadro abajo
detallado se muestran los indicadores relacionados con el nivel de pérdida de información, el
criterio de elección consiste en elegir los valores menores que son los que evidencian la menor
pérdida de la misma. La comparación de modelos generalmente se basa en criterios de
información como el Akaike AIC, Bayesiano SBIC o Hannan-Quinn HQIC. En el análisis de las
variables Demanda de pasajeros y PIB real, el número de rezagos recomendado para este modelo
es de 4.
Tabla 1
Cantidad óptima de rezagos
Fuente: Elaboración Propia
Paso 4: Estimación del VAR: Se debe correr el modelo con la especificación de rezagos
antes determinada. En este caso se utiliza (L4) rezagos.
Tabla 2
Estimación del VAR
Vol. 12/ Núm. 2 2025 pág. 3576
Fuente: Elaboración Propia
Paso 5: Comprobar si el modelo es estacionario
Para demostrar la condición de estacionariedad se utilizaron dos métodos, la prueba de
Dickey Fuller aumentada que se aplica a las variables de manera individual y el test de estabilidad
aplicado al conjunto conformado por la variable dependiente y la variable exploratoria.
En el diagrama mostrado a continuación se comprueba la estacionariedad de las variables
en conjunto, cuando las series son estacionarias los puntos de la gráfica caen dentro del círculo.
En esta investigación, todas las series evaluadas de forma individual y en conjunto, cumplen la
condición de estacionariedad, a excepción del IPC, en este caso, para probar causalidad es
necesario primero la transformación de la variable de acuerdo a la variabilidad que sea detectada
en la misma, dependiendo de los resultados no siempre se puede realizar el análisis como lo indica
Pisa, 2015.
Tabla 3
Prueba de estacionariedad
Fuente: Elaboración Propia
Fuente: Elaboración Propia
Paso 5: Comprobar si el modelo es estacionario
Para demostrar la condición de estacionariedad se utilizaron dos métodos, la prueba de
Dickey Fuller aumentada que se aplica a las variables de manera individual y el test de estabilidad
aplicado al conjunto conformado por la variable dependiente y la variable exploratoria.
En el diagrama mostrado a continuación se comprueba la estacionariedad de las variables
en conjunto, cuando las series son estacionarias los puntos de la gráfica caen dentro del círculo.
En esta investigación, todas las series evaluadas de forma individual y en conjunto, cumplen la
condición de estacionariedad, a excepción del IPC, en este caso, para probar causalidad es
necesario primero la transformación de la variable de acuerdo a la variabilidad que sea detectada
en la misma, dependiendo de los resultados no siempre se puede realizar el análisis como lo indica
Pisa, 2015.
Tabla 3
Prueba de estacionariedad
Fuente: Elaboración Propia
Vol. 12/ Núm. 2 2025 pág. 3577
Paso 6: Test de Granger
Para interpretar los resultados, del cuadro abajo detallado, se debe considerar que: si el
valor p del estadístico F es menor que 0,05, se rechaza la hipótesis nula, entonces hay evidencia
que existe relación de causalidad de Granger entre las series.
Tabla 4
Prueba de Granger
Fuente: Elaboración Propia
Al analizar la información resultante, se evidencia que:
- Se prueba causalidad en el sentido de Granger entre el PIB real y la Demanda de pasajeros
mediante la aplicación de un modelo VAR con cinco retrasos. Es decir que el PIB real
presenta causalidad o explica la Demanda de Pasajeros que transitan en el Aeropuerto de
Quito.
- Otras variables que muestran relación causal o explican la Demanda de Pasajeros aplicando
un modelo VAR con dos rezagos son: Desempleo, Gasolina, GT Inseguridad y Empleo
Adecuado. (Ver resultados en Anexos)
- Mientras que en el sentido inverso se tiene que la Cantidad de Pasajeros es variable causal
o explica las series: Población, Desempleo y GT Quito, también con un modelo VAR de
dos rezagos. (Ver resultados en Anexos)
CONCLUSIONES
Varios estudios internacionales utilizan la regresión “Tráfico = A * PIB + B”, para
determinar la demanda de tráfico aéreo, en donde el PIB se constituye como una variable base
para su determinación. Los resultados obtenidos en este estudio también respaldan mencionado
modelo, puesto que se establece una relación de causalidad del PIB real con el Flujo de pasajeros.
(Yang,2022), (Profillidis, 2015).
Esta relación indica que al incentivar el crecimiento económico representado en el PIB se
logra también el desarrollo del transporte aeroportuario. Bajo estas especificaciones, se puede
Paso 6: Test de Granger
Para interpretar los resultados, del cuadro abajo detallado, se debe considerar que: si el
valor p del estadístico F es menor que 0,05, se rechaza la hipótesis nula, entonces hay evidencia
que existe relación de causalidad de Granger entre las series.
Tabla 4
Prueba de Granger
Fuente: Elaboración Propia
Al analizar la información resultante, se evidencia que:
- Se prueba causalidad en el sentido de Granger entre el PIB real y la Demanda de pasajeros
mediante la aplicación de un modelo VAR con cinco retrasos. Es decir que el PIB real
presenta causalidad o explica la Demanda de Pasajeros que transitan en el Aeropuerto de
Quito.
- Otras variables que muestran relación causal o explican la Demanda de Pasajeros aplicando
un modelo VAR con dos rezagos son: Desempleo, Gasolina, GT Inseguridad y Empleo
Adecuado. (Ver resultados en Anexos)
- Mientras que en el sentido inverso se tiene que la Cantidad de Pasajeros es variable causal
o explica las series: Población, Desempleo y GT Quito, también con un modelo VAR de
dos rezagos. (Ver resultados en Anexos)
CONCLUSIONES
Varios estudios internacionales utilizan la regresión “Tráfico = A * PIB + B”, para
determinar la demanda de tráfico aéreo, en donde el PIB se constituye como una variable base
para su determinación. Los resultados obtenidos en este estudio también respaldan mencionado
modelo, puesto que se establece una relación de causalidad del PIB real con el Flujo de pasajeros.
(Yang,2022), (Profillidis, 2015).
Esta relación indica que al incentivar el crecimiento económico representado en el PIB se
logra también el desarrollo del transporte aeroportuario. Bajo estas especificaciones, se puede
Vol. 12/ Núm. 2 2025 pág. 3578
afirmar que la actividad aeronáutica es un poderoso predictor del crecimiento económico, pero la
actividad de carga no lo es. (Green, 2007) (Mukkala,2013)
En el análisis de Granger, no solo el PIB muestra una relación dinámica con la Demanda
de pasajeros, sino también las series: Desempleo, Gasolina, GT Inseguridad y Empleo Adecuado.
Se evidencia la importancia de variables socioeconómicas como el desempleo y empleo
adecuado en la determinación de la Demanda de Pasajeros, este fenómeno también se observa en
otros estudios similares como Dokmeci (1998), IATA (2009) y Van De Vijver (2016).
Se muestra además la relevancia del precio del combustible de avión, que según el Informe
de Índice de Competitividad1, es el insumo de mayor peso en la estructura de costos de las
aerolíneas, en el 2022 representó el 37.7% del total de costos.
La inseguridad viene a ser una variable de interés que tiene influencia en el tráfico aéreo,
la información proporcionada en el motor de búsqueda de Google permite inferir que un
importante grupo de pasajeros toma la decisión del destino de viaje a través de internet y que el
tema de seguridad es un factor decisivo en la misma.
Otro estudio similar que muestra relación causal de variables obtenidas en motores de
búsqueda es el desarrollado por Koçak, 2023, donde concluye que “vuelos a Madrid” y “volar a
Madrid” muestran causalidad con la demanda de pasajeros en Madrid.
Analizando la causalidad obtenida en el sentido inverso, se observa que el Flujo de
pasajeros influencia a la población, al desempleo y a la variable GTQuito. El efecto del flujo de
pasajeros no es fácil de percibir sobre la población y el desempleo, sin embargo, se lo puede
vislumbrar entendiendo la dinámica del movimiento migratorio de los ciudadanos ecuatorianos
en particular analizando el saldo migratorio mostrado en el Registro Estadístico de Entradas y
Salidas Internacionales2 del INEC.
Así también la demanda de pasajeros aéreos muestra influencia en la cantidad de búsquedas
de “Quito” en los navegadores de internet, esta situación se puede originar debido a que algunos
visitantes extranjeros viajan con destino a otras ciudades como Galápagos o hacen tránsito en
Quito hacia otros países, entonces el arribo a la ciudad por vía aérea puede generar interés en la
misma.
Para estudios futuros, se sugiere que los modelos de regresión que buscan predecir la
Demanda de tráfico aéreo, incorporen aquellas variables que han mostrado causalidad a lo largo
de los diversos estudios analizados. Cuando se incorporan nuevas variables, es necesario
considerar la endogeneidad existente entre ellas (Allroggen, 2014), así como la disponibilidad de
información existente.
1 https:cdn-alta-content.s3.sa-east-1.amazonaws.com/documents/indice-amadeus-2022.pdf
2 https:www.ecuadorencifras.gob.ec/documentos/web-
inec/Poblacion_y_Demografia/Migracion/2023/Principales_Resultados_ESI_2023.pdf
afirmar que la actividad aeronáutica es un poderoso predictor del crecimiento económico, pero la
actividad de carga no lo es. (Green, 2007) (Mukkala,2013)
En el análisis de Granger, no solo el PIB muestra una relación dinámica con la Demanda
de pasajeros, sino también las series: Desempleo, Gasolina, GT Inseguridad y Empleo Adecuado.
Se evidencia la importancia de variables socioeconómicas como el desempleo y empleo
adecuado en la determinación de la Demanda de Pasajeros, este fenómeno también se observa en
otros estudios similares como Dokmeci (1998), IATA (2009) y Van De Vijver (2016).
Se muestra además la relevancia del precio del combustible de avión, que según el Informe
de Índice de Competitividad1, es el insumo de mayor peso en la estructura de costos de las
aerolíneas, en el 2022 representó el 37.7% del total de costos.
La inseguridad viene a ser una variable de interés que tiene influencia en el tráfico aéreo,
la información proporcionada en el motor de búsqueda de Google permite inferir que un
importante grupo de pasajeros toma la decisión del destino de viaje a través de internet y que el
tema de seguridad es un factor decisivo en la misma.
Otro estudio similar que muestra relación causal de variables obtenidas en motores de
búsqueda es el desarrollado por Koçak, 2023, donde concluye que “vuelos a Madrid” y “volar a
Madrid” muestran causalidad con la demanda de pasajeros en Madrid.
Analizando la causalidad obtenida en el sentido inverso, se observa que el Flujo de
pasajeros influencia a la población, al desempleo y a la variable GTQuito. El efecto del flujo de
pasajeros no es fácil de percibir sobre la población y el desempleo, sin embargo, se lo puede
vislumbrar entendiendo la dinámica del movimiento migratorio de los ciudadanos ecuatorianos
en particular analizando el saldo migratorio mostrado en el Registro Estadístico de Entradas y
Salidas Internacionales2 del INEC.
Así también la demanda de pasajeros aéreos muestra influencia en la cantidad de búsquedas
de “Quito” en los navegadores de internet, esta situación se puede originar debido a que algunos
visitantes extranjeros viajan con destino a otras ciudades como Galápagos o hacen tránsito en
Quito hacia otros países, entonces el arribo a la ciudad por vía aérea puede generar interés en la
misma.
Para estudios futuros, se sugiere que los modelos de regresión que buscan predecir la
Demanda de tráfico aéreo, incorporen aquellas variables que han mostrado causalidad a lo largo
de los diversos estudios analizados. Cuando se incorporan nuevas variables, es necesario
considerar la endogeneidad existente entre ellas (Allroggen, 2014), así como la disponibilidad de
información existente.
1 https:cdn-alta-content.s3.sa-east-1.amazonaws.com/documents/indice-amadeus-2022.pdf
2 https:www.ecuadorencifras.gob.ec/documentos/web-
inec/Poblacion_y_Demografia/Migracion/2023/Principales_Resultados_ESI_2023.pdf
Vol. 12/ Núm. 2 2025 pág. 3579
Sería interesante considerar la participación de otras variables turísticas y del sector aéreo
como: inversión en turismo, flujo de turistas, promociones de las aerolíneas, conexiones de los
vuelos, como lo descrito en los estudios de Delgado, 2023 donde se evidencia cointegración entre
el desarrollo turístico y el PIB y de Khan, 2017 donde se comprueba que el turismo emisor y
receptor muestra causalidad bidireccional con el transporte aéreo.
Sería interesante considerar la participación de otras variables turísticas y del sector aéreo
como: inversión en turismo, flujo de turistas, promociones de las aerolíneas, conexiones de los
vuelos, como lo descrito en los estudios de Delgado, 2023 donde se evidencia cointegración entre
el desarrollo turístico y el PIB y de Khan, 2017 donde se comprueba que el turismo emisor y
receptor muestra causalidad bidireccional con el transporte aéreo.
Vol. 12/ Núm. 2 2025 pág. 3580
REFERENCIAS
Acín, C. (2022). La causalidad de granger en el análisis y la previsión de series temporales
clásicas, de intervalo y de historiograma. Aplicación. PhD thesis, Universidad
Complutense de Madrid. https://repositorio.comillas.edu/xmlui/handle/11531/62362
ALTA & ADEMUS (2023). Í ndice de competitividad del transporte aé reo en Amé rica Latina y
El Caribe. (Archivo PDF). https://cdn-alta-content.s3.sa-east-
1.amazonaws.com/documents/indice-amadeus-2022.pdf
Allroggen, F. y Malina, R. (2014). Do the regional growth effects of air transport differ among
airports?. Journal of Air Transport Management, 37.
https://www.sciencedirect.com/science/article/abs/pii/S0969699713001373
Ámbito (2024). Riesgo País Histórico Ecuador. https://www.ambito.com/contenidos/riego-pais-
ecuador-historico.html
BANCO CENTRAL DEL ECUADOR. (2023). Índice de actividad económica-IDEAC.
https://www.bce.fin.ec/index.php/component/k2/item/313-indice-de-actividad-
econ%C3%B3mica-coyuntural-ideac
Benell, D. W., & Prentice, B. E. (1993). A regression model for predicting the economic impacts
of Canadian airports. Logistics and transportation review,.
https://trid.trb.org/View/382227
Becketti, S. (2005). Introduction to Time Series Using Stata. (Archivo PDF).
https://seriesdetiempo.wordpress.com/wp-content/uploads/2014/03/digesto-6.pdf
Beyzaltar, M., Karacal, M., Yetkiner, H. (2014). Granger causality between transportation and
GDP: A panel data approach. (Archivo PDF). Transportation Research Part A.
https://www.econstor.eu/bitstream/10419/175921/1/wp1203.pdf
Button, K., Doh, S., & Yuan, J. (2010). The role of small airports in economic development.
Journal of airport management.
https://www.researchgate.net/publication/251864448_The_role_of_small_airports_in_eco
nomic_development
Chang, Y.H. y Chang, Y.W., (2009). Air cargo expansion and economic growth: Finding the
empirical link. Journal of Air Transport Management.
https://doi.org/10.1016/j.jairtraman.2008.09.016
Chi, J., & Baek, J. (2013). Dynamic relationship between air transport demand and economic
growth in the United States: A new look. Transport Policy, .
https://linkinghub.elsevier.com/retrieve/pii/S0967070X13000516
Cristureanu, C., & Bobircă, A. (2007). Airports driving economic and tourism development. The
Romanian Economic Journal.
REFERENCIAS
Acín, C. (2022). La causalidad de granger en el análisis y la previsión de series temporales
clásicas, de intervalo y de historiograma. Aplicación. PhD thesis, Universidad
Complutense de Madrid. https://repositorio.comillas.edu/xmlui/handle/11531/62362
ALTA & ADEMUS (2023). Í ndice de competitividad del transporte aé reo en Amé rica Latina y
El Caribe. (Archivo PDF). https://cdn-alta-content.s3.sa-east-
1.amazonaws.com/documents/indice-amadeus-2022.pdf
Allroggen, F. y Malina, R. (2014). Do the regional growth effects of air transport differ among
airports?. Journal of Air Transport Management, 37.
https://www.sciencedirect.com/science/article/abs/pii/S0969699713001373
Ámbito (2024). Riesgo País Histórico Ecuador. https://www.ambito.com/contenidos/riego-pais-
ecuador-historico.html
BANCO CENTRAL DEL ECUADOR. (2023). Índice de actividad económica-IDEAC.
https://www.bce.fin.ec/index.php/component/k2/item/313-indice-de-actividad-
econ%C3%B3mica-coyuntural-ideac
Benell, D. W., & Prentice, B. E. (1993). A regression model for predicting the economic impacts
of Canadian airports. Logistics and transportation review,.
https://trid.trb.org/View/382227
Becketti, S. (2005). Introduction to Time Series Using Stata. (Archivo PDF).
https://seriesdetiempo.wordpress.com/wp-content/uploads/2014/03/digesto-6.pdf
Beyzaltar, M., Karacal, M., Yetkiner, H. (2014). Granger causality between transportation and
GDP: A panel data approach. (Archivo PDF). Transportation Research Part A.
https://www.econstor.eu/bitstream/10419/175921/1/wp1203.pdf
Button, K., Doh, S., & Yuan, J. (2010). The role of small airports in economic development.
Journal of airport management.
https://www.researchgate.net/publication/251864448_The_role_of_small_airports_in_eco
nomic_development
Chang, Y.H. y Chang, Y.W., (2009). Air cargo expansion and economic growth: Finding the
empirical link. Journal of Air Transport Management.
https://doi.org/10.1016/j.jairtraman.2008.09.016
Chi, J., & Baek, J. (2013). Dynamic relationship between air transport demand and economic
growth in the United States: A new look. Transport Policy, .
https://linkinghub.elsevier.com/retrieve/pii/S0967070X13000516
Cristureanu, C., & Bobircă, A. (2007). Airports driving economic and tourism development. The
Romanian Economic Journal.
Vol. 12/ Núm. 2 2025 pág. 3581
https://rejournal.eu/sites/rejournal.versatech.ro/files/articole/2014-04-
18/2239/je202520cristureanu20bobirca.pdf
Cruz, L. (2019). Crecimiento económico y tráfico aéreo de pasajeros: un análisis para las
entidades federativas en México. en Estud. soc. Rev. aliment. contemp. desarro. reg. vol.29
no.53. https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2395-
91692019000100123
Delgado Munévar, (2023). Turismo y crecimiento económico mediante cointegración de datos
panel para países latinoamericanos. Turismo y Sociedad, 33(). 73-87.
https://doi.org/10.18601/01207555.n33.03
Dokmeci, V. Cakir, I. (1998). Spatial analysis of air passengers with respect to population and
employment. (Archivo PDF). 38th Congress of the European Regional Science
Association: "Europe Quo Vadis? - Regional Questions at the Turn of the Century", 28
August - 1 September 1998, Vienna, Austria, European Regional Science Association
(ERSA), Louvain-la-Neuve
https://www.econstor.eu/bitstream/10419/113532/1/ERSA1998_272.pdf
Florida, R., Mellander, C., & Holgersson, T. (2014). Up in the air: the role of airports for regional
economic development. The Annals of Regional Science, 54(1), 197–214.
https://econpapers.repec.org/scripts/redir.pf?u=https%3A%2F%2Fdoi.org%2F10.1007%2
52Fs00168-014-0651-z;h=repec:spr:anresc:v:54:y:2015:i:1:p:197-214
Fundación Banco Mudial (2019). Análisis y seguimiento del movimiento del transporte
aerocomercial en el AIR. (Archivo PDF). http://fundacionbmr.org.ar/wp-
content/uploads/2020/01/Análisis-y-seguimiento-del-movimiento-del-transporte-
aerocomercial-en-el-AIR-Nov-2019.pdf
Granger, C. W. (1969). Investigating causal relations by econometric models and cross-spectral
methods. Econométrica: journal of the Econometric Society. 424-438. (Archivo PDF)
http://tyigit.bilkent.edu.tr/metrics2/read/Investigating%20%20Causal%20Relations%20b
y%20Econometric%20Models%20and%20Cross-Spectral%20Methods.pdf
Green, R. K. (2007). Airports and Economic Development. Real Estate Economics, 35(1), 91–
112. https:doi.org/10.1111/j.1540-6229.2007.00183.x
Gujarati, D. Porter, D. (2010). Econometrí a. Quinta Edición.( Archivo PDF).
https://fvela.wordpress.com/wp-content/uploads/2012/10/econometria-damodar-n-
gujarati-5ta-ed.pdf
Hakim, M. y Merkert, R. (2016). The causal relationship between air transport and economic
growth: Empirical evidence from South Asia. Journal of Transport Geography, 56.
https://doi.org/10.1016/j.jtrangeo.2016.09.006
https://rejournal.eu/sites/rejournal.versatech.ro/files/articole/2014-04-
18/2239/je202520cristureanu20bobirca.pdf
Cruz, L. (2019). Crecimiento económico y tráfico aéreo de pasajeros: un análisis para las
entidades federativas en México. en Estud. soc. Rev. aliment. contemp. desarro. reg. vol.29
no.53. https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2395-
91692019000100123
Delgado Munévar, (2023). Turismo y crecimiento económico mediante cointegración de datos
panel para países latinoamericanos. Turismo y Sociedad, 33(). 73-87.
https://doi.org/10.18601/01207555.n33.03
Dokmeci, V. Cakir, I. (1998). Spatial analysis of air passengers with respect to population and
employment. (Archivo PDF). 38th Congress of the European Regional Science
Association: "Europe Quo Vadis? - Regional Questions at the Turn of the Century", 28
August - 1 September 1998, Vienna, Austria, European Regional Science Association
(ERSA), Louvain-la-Neuve
https://www.econstor.eu/bitstream/10419/113532/1/ERSA1998_272.pdf
Florida, R., Mellander, C., & Holgersson, T. (2014). Up in the air: the role of airports for regional
economic development. The Annals of Regional Science, 54(1), 197–214.
https://econpapers.repec.org/scripts/redir.pf?u=https%3A%2F%2Fdoi.org%2F10.1007%2
52Fs00168-014-0651-z;h=repec:spr:anresc:v:54:y:2015:i:1:p:197-214
Fundación Banco Mudial (2019). Análisis y seguimiento del movimiento del transporte
aerocomercial en el AIR. (Archivo PDF). http://fundacionbmr.org.ar/wp-
content/uploads/2020/01/Análisis-y-seguimiento-del-movimiento-del-transporte-
aerocomercial-en-el-AIR-Nov-2019.pdf
Granger, C. W. (1969). Investigating causal relations by econometric models and cross-spectral
methods. Econométrica: journal of the Econometric Society. 424-438. (Archivo PDF)
http://tyigit.bilkent.edu.tr/metrics2/read/Investigating%20%20Causal%20Relations%20b
y%20Econometric%20Models%20and%20Cross-Spectral%20Methods.pdf
Green, R. K. (2007). Airports and Economic Development. Real Estate Economics, 35(1), 91–
112. https:doi.org/10.1111/j.1540-6229.2007.00183.x
Gujarati, D. Porter, D. (2010). Econometrí a. Quinta Edición.( Archivo PDF).
https://fvela.wordpress.com/wp-content/uploads/2012/10/econometria-damodar-n-
gujarati-5ta-ed.pdf
Hakim, M. y Merkert, R. (2016). The causal relationship between air transport and economic
growth: Empirical evidence from South Asia. Journal of Transport Geography, 56.
https://doi.org/10.1016/j.jtrangeo.2016.09.006
Vol. 12/ Núm. 2 2025 pág. 3582
Hu, Yi, X, Jin., D., Ying, X., Yi y Wang, S. (2015). Domestic air traffic and economic growth
in China: Evidence from heterogeneous panels models. Journal of Air Transport
Management. https://doi.org/10.1016/j.jairtraman.2014.09.003
IATA (2009). Economic benefits from air transport in Mexico. https://www.iata.org/en/iata-
repository/publications/economic-reports/mexico--value-of-aviation/
INDEX MUNDI. (2023). Precio de la gasolina de avión.
https://www.indexmundi.com/es/precios-de-mercado/?mercancia=gasolina-de-
aviacion&meses=120
INEC ( 2024). Registro Estadístico de Entradas y Salidas Internacionales. (Archivo PDF).
https://www.ecuadorencifras.gob.ec/documentos/web-
inec/Poblacion_y_Demografia/Migracion/2023/Principales_Resultados_ESI_2023.pdf
Khan, S.A.R., Qianli, D., Songbo, W., Zaman, K y Zhang, Y. (2017). Travel and tourism
competitiveness index: The impact of air transportation, railways transportation, travel
and transport services on international inbound and outbound tourism.
https://doi.org/10.1016/j.jairtraman.2016.10.006
Kiboi, J. W. Katute,P. y Mosorti, Z. (2017). Macroeconomic Determinants of Demand for Air
Passenger Transport Among Selected Airlines. Journal of Business and Strategic
Management, 2 (3). https://carijournals.org/journals/index.php/JBSM/article/view/173
Lindsey, C., Mahmassani, H., Millarkey, M. , Nash, T. y Rothberg, S. (2014). Regional logistics
hubs, freight activity and industrial space demand: Econometric analysis. Research in
Transportation Business and Management. doi.org/10.1016/j.rtbm.2014.06.002
Marazzo, M., Scherre, R. y Fernandes, E. (2010). Air transport demand and economic growth in
Brazil: A time series analysis. https://doi.org/10.1016/j.tre.2009.08.008
Martin, J. (2021). Estacionariedad y Cointegración: ¿Un problema asintótico o de
generalización?. http://www.martineconometrics.com/2021/05/martin-2021-
estacionariedad-y-cointegracion-problema-asintotico-generalizacion.html
Muñoz, C., Pineda Uribe, B. E., & Gómez, M. R. (2022). Modelo econométrico para el análisis
de la elección de modo de transporte en viajes domésticos: el rol de las variables latentes.
Lecturas de Economía, 96, 145-169. https://doi.org/10.17533/udea.le.n96a345079
Organismo Supervisor de la Inversió n en Infraestructura de Transporte de Uso Pú blico. (2020).
La Causalidad entre el Crecimiento Econó mico y la Expansió n del Transporte Aé reo: Un
Aná lisis Empí rico para Perú . (Archivo Pdf) https://www.ositran.gob.pe/anterior/wp-
content/uploads/2020/08/causalidad-crecimiento-economico-expansion-transporte-aereo-
julio-2020.pdf
Pisa, N. (2015). Causal Relationship Between Air Transport, Tourism and Economic Growth:
Joinpoint Regression and Granger Causality Analysis.
https://ujcontent.uj.ac.za/esploro/outputs/9912793907691
Hu, Yi, X, Jin., D., Ying, X., Yi y Wang, S. (2015). Domestic air traffic and economic growth
in China: Evidence from heterogeneous panels models. Journal of Air Transport
Management. https://doi.org/10.1016/j.jairtraman.2014.09.003
IATA (2009). Economic benefits from air transport in Mexico. https://www.iata.org/en/iata-
repository/publications/economic-reports/mexico--value-of-aviation/
INDEX MUNDI. (2023). Precio de la gasolina de avión.
https://www.indexmundi.com/es/precios-de-mercado/?mercancia=gasolina-de-
aviacion&meses=120
INEC ( 2024). Registro Estadístico de Entradas y Salidas Internacionales. (Archivo PDF).
https://www.ecuadorencifras.gob.ec/documentos/web-
inec/Poblacion_y_Demografia/Migracion/2023/Principales_Resultados_ESI_2023.pdf
Khan, S.A.R., Qianli, D., Songbo, W., Zaman, K y Zhang, Y. (2017). Travel and tourism
competitiveness index: The impact of air transportation, railways transportation, travel
and transport services on international inbound and outbound tourism.
https://doi.org/10.1016/j.jairtraman.2016.10.006
Kiboi, J. W. Katute,P. y Mosorti, Z. (2017). Macroeconomic Determinants of Demand for Air
Passenger Transport Among Selected Airlines. Journal of Business and Strategic
Management, 2 (3). https://carijournals.org/journals/index.php/JBSM/article/view/173
Lindsey, C., Mahmassani, H., Millarkey, M. , Nash, T. y Rothberg, S. (2014). Regional logistics
hubs, freight activity and industrial space demand: Econometric analysis. Research in
Transportation Business and Management. doi.org/10.1016/j.rtbm.2014.06.002
Marazzo, M., Scherre, R. y Fernandes, E. (2010). Air transport demand and economic growth in
Brazil: A time series analysis. https://doi.org/10.1016/j.tre.2009.08.008
Martin, J. (2021). Estacionariedad y Cointegración: ¿Un problema asintótico o de
generalización?. http://www.martineconometrics.com/2021/05/martin-2021-
estacionariedad-y-cointegracion-problema-asintotico-generalizacion.html
Muñoz, C., Pineda Uribe, B. E., & Gómez, M. R. (2022). Modelo econométrico para el análisis
de la elección de modo de transporte en viajes domésticos: el rol de las variables latentes.
Lecturas de Economía, 96, 145-169. https://doi.org/10.17533/udea.le.n96a345079
Organismo Supervisor de la Inversió n en Infraestructura de Transporte de Uso Pú blico. (2020).
La Causalidad entre el Crecimiento Econó mico y la Expansió n del Transporte Aé reo: Un
Aná lisis Empí rico para Perú . (Archivo Pdf) https://www.ositran.gob.pe/anterior/wp-
content/uploads/2020/08/causalidad-crecimiento-economico-expansion-transporte-aereo-
julio-2020.pdf
Pisa, N. (2015). Causal Relationship Between Air Transport, Tourism and Economic Growth:
Joinpoint Regression and Granger Causality Analysis.
https://ujcontent.uj.ac.za/esploro/outputs/9912793907691
Vol. 12/ Núm. 2 2025 pág. 3583
Profillidis, V., Botzorsi,G. (2015). Air passenger transport and economic activity. Journal of Air
Transport Management. Volumen 49.
https://www.sciencedirect.com/science/article/abs/pii/S0969699715000927
Rafaqet Ali (2023), Causal nexus between air transportation and economic growth in BRICS
countrie. https://doi.org/10.1016/j.jairtraman.2022.102335
Reiter, J. (2000). Using statistics to determine causal relationships. The American Mathematical
Monthly, 107(1), 24-32. https://doi.org/10.2307/2589374
Rodríguez, M., Mejía, M. y Zapata, S. (2015). La causalidad entre el crecimiento económico y
la expansión del transporte aéreo: un análisis empírico para Chile. Revista de Economía
del Rosario, vol. 18, núm. 1. https://www.redalyc.org/journal/5095/509552907004/html/
Quang Hai Nguyen (2023), The causality between air transport and economic growth: Empirical
evidence from regions in Asia. https://doi.org/10.1016/j.rtbm.2023.100948
Sun, S., Lu, H., Tsui, K. L., & Wang, S. (2019). Nonlinear vector auto-regression neural network
for forecasting air passenger flow. Journal of Air Transport Management, 78, 54-62.
https://doi.org/10.1016/j.jairtraman2019.04.005
Ubogu, A. E. (2013). Determinants of passengers’ choice: a case study of Mallam Aminu Kano
international airport (Nigeria). International Journal of Traffic and Transport Engineering,
3(3), 230-242. http://dx.doi.org/10.7708/ijtte.2013.3(3).01
Yang Bai, Cheng-Lung, W. (2022). The Causality Analysis of Airports and Regional Economy:
Empirical Evidence from Jiangsu Province in China," Sustainability, MDPI, vol. 1.
https://www.mdpi.com/2071-1050/14/7/4295/pdf
Profillidis, V., Botzorsi,G. (2015). Air passenger transport and economic activity. Journal of Air
Transport Management. Volumen 49.
https://www.sciencedirect.com/science/article/abs/pii/S0969699715000927
Rafaqet Ali (2023), Causal nexus between air transportation and economic growth in BRICS
countrie. https://doi.org/10.1016/j.jairtraman.2022.102335
Reiter, J. (2000). Using statistics to determine causal relationships. The American Mathematical
Monthly, 107(1), 24-32. https://doi.org/10.2307/2589374
Rodríguez, M., Mejía, M. y Zapata, S. (2015). La causalidad entre el crecimiento económico y
la expansión del transporte aéreo: un análisis empírico para Chile. Revista de Economía
del Rosario, vol. 18, núm. 1. https://www.redalyc.org/journal/5095/509552907004/html/
Quang Hai Nguyen (2023), The causality between air transport and economic growth: Empirical
evidence from regions in Asia. https://doi.org/10.1016/j.rtbm.2023.100948
Sun, S., Lu, H., Tsui, K. L., & Wang, S. (2019). Nonlinear vector auto-regression neural network
for forecasting air passenger flow. Journal of Air Transport Management, 78, 54-62.
https://doi.org/10.1016/j.jairtraman2019.04.005
Ubogu, A. E. (2013). Determinants of passengers’ choice: a case study of Mallam Aminu Kano
international airport (Nigeria). International Journal of Traffic and Transport Engineering,
3(3), 230-242. http://dx.doi.org/10.7708/ijtte.2013.3(3).01
Yang Bai, Cheng-Lung, W. (2022). The Causality Analysis of Airports and Regional Economy:
Empirical Evidence from Jiangsu Province in China," Sustainability, MDPI, vol. 1.
https://www.mdpi.com/2071-1050/14/7/4295/pdf
Vol. 12/ Núm. 2 2025 pág. 3584
Anexos
Cuadros de Causalidad Bivariable
Pasajeros - Desempleo
Anexos
Cuadros de Causalidad Bivariable
Pasajeros - Desempleo
Vol. 12/ Núm. 2 2025 pág. 3585
Test de Granger
Test de Granger
Vol. 12/ Núm. 2 2025 pág. 3586
Pasajeros - Empleo Adecuado
Pasajeros - Empleo Adecuado
Vol. 12/ Núm. 2 2025 pág. 3587
Test de Granger
Pasajeros - Gasolina
Test de Granger
Pasajeros - Gasolina
Vol. 12/ Núm. 2 2025 pág. 3588
Vol. 12/ Núm. 2 2025 pág. 3589
Test de Granger
Test de Granger
Vol. 12/ Núm. 2 2025 pág. 3590
Pasajeros - Población
Pasajeros - Población
Vol. 12/ Núm. 2 2025 pág. 3591
Test de Granger
Pasajeros - GTInseguridad
Test de Granger
Pasajeros - GTInseguridad
Vol. 12/ Núm. 2 2025 pág. 3592
Vol. 12/ Núm. 2 2025 pág. 3593
Test de Granger
Pasajeros - GTQuito
Test de Granger
Pasajeros - GTQuito
Vol. 12/ Núm. 2 2025 pág. 3594
Vol. 12/ Núm. 2 2025 pág. 3595
Test de Granger
Test de Granger