Off-Season Tourists and the Cultural Offer of a Mass-Tourism Destination: The Case of Rimini
Notice bibliographique
Résumé
This paper assesses the potential implications on off-season tourism of enhancing the cultural offer of Rimini, a popular Italian seaside holiday destination hosting about 12 million overnight stays per year. Since more than 9 million of these stays are concentrated in the summer season, in the last 20 years. Rimini has been undergoing a policy of seasonality smoothing, which mainly pivots around business and cultural tourism. This assessment has been carried out through discrete choice experiments submitted to a sample of about 800 tourists who visited Rimini outside the summer months. Since tourism can be viewed as a composite good, which overall utility depends on how the component characteristics are arranged, the choice experiments allow to disentangle the importance and the willingness to pay of tourists for different attributes of the holiday. The choice model incorporates a number of possible changes to actual tourism features (which are also the subject of public debate), including them in hypothetical alternative “holiday packages”. The conditional logit analysis of the choice experiments can highlight any synergy or trade-off between cultural and business tourism. Results suggest that business and leisure tourists share many features related to the use of the territory, while there are important trade-offs between these two groups and cultural tourists. Since business tourists have a higher willingness to extend their stay, a softer budget, and their demand is also complementary to the demand of summer tourists (Brau, Scorcu, & Vici, 2009), from the destination point of view investing in this market segment would be the best option. Although a “second best”, however, cultural tourists share with the local population of Rimini many aspects of the demand of territory (Figini, Castellani, & Vici, 2009). Hence, cultural tourism can play a fundamental role in the intermediate season as a tool for smoothing seasonality, to diversify investments and to give value to the city’s cultural heritage.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».