Managing overtourism through economic taxation: policy lessons from five countries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Overtourism is a rapidly evolving concept relevant to sustainable tourism. While various definitions of overtourism exist, we conceive it as a form of post-mass tourism phenomenon that has transitioned from a state of ‘mass’ to a state of ‘over’, implying irreversible impacts on local populations and landscapes. As such, the focus of overtourism, as discussed in this paper, is on a destination’s supply-side attributes. Using a case study approach, we explore overtourism concerns in five countries, namely France, USA, China, Spain and Italy. The main objective of the paper is to explore the kinds of economic taxations used in managing overtourism. Study findings indicate tourist taxes and entrance fees as popular approaches employed in overtourism concerns; however, their effectiveness in solving environmental problems remains debatable. We propose a combination of destination specific economic and non-economic policies to combat overtourism including the imposing of correctives taxes and fees; sharing benefits among the locals and tourist authorities; maximising the social and economic benefits from tourism for local residents directly impacted by development; smoothing and extending visitors spread and flow; curbing fossils fuels energy consumption and regulating accommodation supplies. The long-term solution is the formulation and implementation of tourism policies that are integrated with the energy, environment and socio-economic policies at the national level. In the absence of integrative policy frameworks, many popular destinations around the world will eventually have to confront issues arising from overtourism.
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.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 découle