Are Tourists Willing to Pay for Mitigation of Abrasion? A Study on Coastal Areas in Yogyakarta, Indonesia
Notice bibliographique
Résumé
"Objective � Climate change has an impact on not only environmental problems, but also on socio-economic communities. Indonesia as an archipelago country has the second longest coastline after Canada. Indonesia has a high vulnerability to climate change, especially rising sea levels which can cause abrasion. Public awareness is needed to preserve the coastal area, to prevent potential disasters that may occur. Consequently, it is important to analyze the determinant factors of tourist�s willingness to pay (�WTP�) for mitigation of abrasion and how much it would cost. This study also estimates how the relationship between a tourist�s WTP and abrasion on coasts in Yogyakarta. Methodology/Technique � A multiple linear regression method is used to estimate the determinant factors of a tourist�s WTP. The location of this study is on Kuwaru Beach and Pandansimo Beach in Bantul Regency, which have several indicators of the possibility of abrasions. Two hundred respondents were interviewed regarding the influence of socioeconomy and other factors to tourist�s WTP. Findings � That result is equivalent with the level of abrasion for each beach. Variables of education and income have significant effects on tourist� WTP at Kuwaru Beach. While in Pandansimo Beach, age and education have significant effect on WTP. The average tourist�s WTP for mitigation in Kuwaru beach and Pandansimo beach at Yogyakarta are Rp 81, 150.00 and Rp 62, 250.00. Novelty � Mitigation on abrasion calls for community awareness amongst local citizens, tourists, and people who conduct business along the beach. For the two beaches studied, the variables used � sex ratio, age, education and income � have a significant effect on a tourists� willingness to pay for abrasion mitigation."
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 ».