Event leveraging of mega sport events: a SWOT analysis approach
Notice bibliographique
Résumé
Purpose The purpose of this paper is to identify the strengths, weaknesses, opportunities and threats (SWOT) that a host city can experience to utilize these for future strategy planning and event leveraging. Design/methodology/approach Five phone interviews were conducted with administrators of the Athens Olympic Games. Respondents were asked four questions relating to the SWOT of hosting the Olympic Games. Responses collected were transcribed and analyzed using a content analysis. Findings Findings suggest that the strengths lie in having certain infrastructures in place, volunteers, a strong economy and good political standing. Weaknesses stem from a lack of infrastructure, the size of the country, uncertain political and economic stability. Opportunities included the growth of the tourism industry, business developments, increase in the quality of life, the use of legacies post‐event, and the improvement and development of infrastructures. Threats included the cost of the event, pollution, relying on the event to rejuvenate the economy and the displacement of residents. Originality/value The SWOT analysis conducted in this paper laid the foundation for strategic planning for future host cities' organizers while taking into consideration the weaknesses and problems that have been experienced by the organization of former Olympic Games host cities. Moreover, the SWOT analysis conducted in this paper goes one step further by incorporating Chalip's leveraging model in order to identify what strengths and weaknesses need to be addressed in order for a host city to leverage the opportunities and threats of hosting a sport event.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».