Determining Drivers of Destination Attractiveness: The Case of Nature-Based Tourism of Bangladesh
Notice bibliographique
Résumé
The purpose of this study is to identify the most important drivers for developing destination competitiveness of Bangladesh nature-based tourism by evaluating tourists’ perception. A nationwide structured questionnaire survey of total 432 Bangladeshi tourists is carried out by dividing the whole country into two parts for equal representation. Based on this data, a profile of the tourists is constructed before ranking of attributes from most important to least important on a five-point Likert scale. An Exploratory Factor Analysis (EFA) has been conducted finally to identify the most important factors from 24 selected attributes related to nature-based tourism of Bangladesh. The key findings indicate that seven attributes are more important to respondents than others as all these has average importance value more than 4 out of 5 while only two is least important. From the EFA of these attributes, supported by a parallel analysis, four major factors are extracted namely, tourism infrastructure; historical and cultural attractors; natural attractors; and communication facilities and lifestyle similarities. Thus, this study will help both policy makers to develop long term destination policy focusing on natural attractors and service providers to customize their services according to tourists’ expectation. Consequently, this paper conceptualizes the importance of focusing on specific sectors of tourism and the way of developing competitiveness of nature-based tourism of Bangladesh. However further studies can be conducted to match tourists’ evaluation of attributes on importance and performance and/or evaluating same perception from service providers rather than tourists.
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 | 0,007 | 0,025 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».