A Demand-driven Success Factor Analysis for Agritourism in Switzerland
Notice bibliographique
Résumé
This article aims to define categories of tourists’ motivations for visiting an agritourism farm. It also analyses the difference in motivation between and actual who have already been on an agritourism farm. Survey data from a total of 780 respondents (647 and 133 actual of agritourism facilities) were collected using a standardized questionnaire. The data was factor analysed (using PCA), and seven factors were identified: (1) comfort and consumption, (2) rural life, (3) accessibility to nature, (3) fun and relaxation on the farm, (4) regional products, (5) simple accommodation, and (6) culinary offers. The factors with most importance relate to the accessibility to nature as well as the possibility to buy regional food. The means of the factors were calculated for both respondent groups and compared using the Mann-Whitney U test. This test shows that the two groups potential customers and effective on the farm differ significantly only in the two characteristics of consumer behavior and comfort of accommodation. All other factors were either significantly less important or showed no differences for of agritourism farms. The results have implications for the communication process of agritourism farms or destination marketing organizations (DMOs), namely that the focus on comfort and consumption should be increased as a customer’s decision comes closer to definitive booking. Keywords: agritourism, success factors, factor analysis, consumer choice, accommodation facilities
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 | 0,001 | 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 | 0,001 | 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 ».