The Effect of Tourism and Market Institutional Policies on Tourist Visits from ASEAN Countries
Notice bibliographique
Résumé
Tourism industry has experienced a significant development. This can be seen from several indicators, such as the number of foreign and domestic tourist visits, tourist spending, employment opportunities and the tourism sector's contribution to national income (GDP). Indonesian Tourist Policy has been combined with Law No.10 of 2009 concerning Tourism, and operationalized by Government Regulation No. 50 of 2011 concerning the National Tourism Development Master Plan (RIPPARNAS). It coincides with the ASEAN liberalization policies. Previous economic tourism research has not accommodated the role of economic institutions as a determinant of foreign tourism demand in Indonesia. This study focuses on tourism demand from ASEAN countries. The model is expected to explain the optimization of tourism resources for development. This data panel study revealed that Fixed Effect Model (FEM) is the most appropriate econometrical model used to estimate tourism in Indonesia in ten years (2006-2015). This study revealed some similarities with previous studies, especially in strengthening the theory of demand. The relative cost of tourism which tends to be more efficient will increase the number of tourist visits. Access to communication infrastructure and the proportion of city residents in the country of origin will increase tourism demand to Indonesia. Liberalization of policies need not be feared by many people, because the institutional aspects of the market which include rules, regulations, fiscal strength and market openness will encourage the acceleration of tourism. However, this study found that tourism services in Indonesia are still inferior compare to those of ASEAN countries. This requires international tourism marketing that changes perceptions and develops adequate destinations to facilitate ASEAN community members. In addition, this study considers that modernization in rural areas and the strengthening of related policies are related to the implementation of tourism master plans to improve tourism optimization.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».