Corona Virus Disease (COVID-19) and Other External Factors as Determinants of Accommodation and Restaurant Services in Kenya
Notice bibliographique
Résumé
Aim: The aim of this study is to investigate the influence of corona virus disease and other external factors on growth of accommodation and restaurant services (ARS) in Kenya.
 Study Design: The study employed quantitative research design involving quarterly time series data from quarter 1 of 2014 to quarter 1 of 2020. The data set was obtained from Kenya National Bureau of Statistics (KNBS).
 Methodology: The study employed unrestricted vector autoregression to investigate the changes in the growth of accommodation and restaurant services.
 Results: Results indicated that COVID-19, professional, administrative and support services, construction and past ARS growth at 1 to 3 lags influences growth of ARS in Kenya negatively. On the other hand, real estate growth, time trend, tax on products, other services, education, manufacturing, information and communication and past growth in ARS at lag 4 influences growth in ARS sector positively. It was also noted that growth in agriculture and transport and storage do not influence growth of ARS in Kenya.
 Conclusion: In conclusion, COVID-19, professional, administrative and support services, construction and past ARS growth, real estate growth, time trend, tax on products, other services, education, manufacturing, information and communication are the main determinants for the growth of ARS in Kenya.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».