Factors Influencing the Willingness to Pay for Entrance Permit: The Evidence from Taman Negara National Park
Notice bibliographique
Résumé
Non-market techniques such as Travel Cost Method (TCM) and Contingent Valuation Method (CVM) are commonly used to estimate the economic benefits of outdoor recreation. This study applied the CVM, with Willingness to Pay (WTP) as the elicitation method, to investigate the pattern of willingness to pay among visitors of Taman Negara National Park (TNNP). In applying CVM, the respondents were asked on the maximum amount they were willing to pay to enter this park. Data were obtained using closed-ended questionnaires through interview. About 196 visitors were involved in the study. This study used multiple regressions (MR) to investigate factors that determine WTP for entrance permit in TNNP. This study found that the WTP was positively related to several important factors; and these factors include nationality, income, education and marital status. All these factors can help to explain the WTP for entrance permit at TNNP. Approach in determining WTP for entrance permit will help park authorities to be more financially self-sufficient. In addition, it will generate more income, and thus more efficiency in operating and maintaining the national parks. Keywords: Willingness to pay, Contingent Valuation Method, multiple regressions, national park, entrance permit
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 | 0,000 | 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 ».