Visitor composition and event-related spending
Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine the spending patterns of non-local participants and spectators at a medium-sized international sport event, to segment their spending patterns and consider implications for the quality of each segment's event experience. Design/methodology/approach Spending in nine sectors of the economy is measured via self-report, and respondents are segmented into five groups: spectators, athletes, coaches, officials, and other participants (e.g. media, medical staff). The daily and aggregate spend for each segment in each economic sector is calculated and compared. Regression analysis tests differences among segments for each economic sector. Findings Participants account for 39 per cent of aggregate spend; coaches are the biggest spenders; athletes spend relatively little. The segments spend differently on hospitality, private transportation, grocery, and retail, with spectators spending significantly more than the participant groups on hospitality and private transportation, and significantly less on groceries and merchandise. Spending in sectors normally associated with celebration and festivity accounts for only 8 per cent of total spend. Research limitations/implications Findings are derived from a single event, but are consistent with other work, suggesting that inadequate attention is given to opportunities for festive celebration, especially among athletes. Practical implications Coaches are a particularly useful target market for retailers, whereas hoteliers and service stations should target their marketing at spectators. Event organizers should do more to build festivals. Originality/value This paper identifies the ways that different segments organize their spending at an event, and demonstrates that greater attention to festivals could enhance a sport event's overall impact.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».