Thailand's International Tourism Demand: Seasonal Panel Unit Roots and the Related Cointegration Model
Notice bibliographique
Résumé
Tourism is the main service sector in Thailand. It generated about 6.5% of national income (GDP) in 2009. 547 billion baht came from international tourists and 380 billion baht from domestic tourists in 2008. This study analyzes panel data by using the seasonal unit roots test. Firstly, we apply the CHEGY-IPS panel seasonal unit roots test developed by Otero (2007). Secondly, we develop a long run relationship model to estimate the number of international tourists to Thailand from 1997 to 2010 using the generalized method of moments (GMM).The results reveal panel seasonal unit roots in all model variables: GDP of the tourists' country of origin, competitive ratio of CPI between Thailand and country of origin, currency exchange rates, and transportation costs. The results from cointegration estimation by the GMM demonstrate that there is a positive relationship between GDP and the number of international tourist arrivals: a 1% increase of GDP leading to an increase of 1.5% of the number of international tourists. Regarding the exchange rate, a negative relationship is found: a 1% stronger Thai currency will lead to a decrease of 0.55% in the number of international tourists. Lastly, season has a significant effect upon the number of tourists. The number of tourists in January to March is higher than in other quarters.
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 | 0,000 | 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 ».