MétaCan
Menu
Retour à la cohorte
Enregistrement W2020075915 · doi:10.5367/te.2012.0102

Modelling International Tourism Demand for the Caribbean

2012· article· en· W2020075915 sur OpenAlexaboutno aff
Olugbenga A. Onafowora, Oluwole Owoye

Notice bibliographique

RevueTourism Economics · 2012
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDiverse Aspects of Tourism Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTourismDistributed lagEconomicsCointegrationRevenueVisitor patternEconometric modelDemand shockEconomyEconometricsMacroeconomicsFinanceGeography

Résumé

récupéré en direct d'OpenAlex

This paper provides models of international tourism demand for four destination countries (the Bahamas, Barbados, Jamaica and St Lucia) in the Caribbean region, where visitor arrivals are mainly from Canada, Germany, the UK and the USA. The authors use a less restrictive econometric technique – the autoregressive distributed lag (ARDL) bounds test – to test for cointegration among the variables in the tourism demand equations. The empirical results from the bounds test indicate the existence of a unique long-run relationship between tourist arrivals, per capita real income, tourism prices and transport costs. The estimated results show that changes in tourists' income, tourism prices, travel costs, the 9/11 2001 terrorist attacks on the USA and the 2003 US–Iraq War significantly affect tourists' travel decisions. The results also show that tourism demand for Caribbean destinations is highly income elastic in both the short run and the long run, but relatively price inelastic in both periods. The price inelasticities suggest that if policy makers and/or tourism stakeholders increase the prices of the tourism products and services, this would not decrease the number of tourist arrivals proportionally but would increase total tourism receipts or revenues. Overall, the CUSUM and CUSUMSQ stability tests reveal that the parameters of the international tourism demand models are stable and, as such, they can be used for policy analysis and forecasting.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,392
Score d'incertitude au seuil0,780

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,058
Tête enseignante GPT0,319
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations38
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTourism EconomicsMême sujetDiverse Aspects of Tourism ResearchTravaux en français237 207