Factors Influencing Chinese Tourist to Select Bangkok, Thailand as A Travel Destination
Notice bibliographique
Résumé
This study aims to investigate factors influencing the Bangkok-focused tourist destination selection in China. In addition, Kuala Lumpur and Tokyo, Japan were selected for comparison by assessing four destination attributes including culture, transportation, architecture, and food. In this study, we used a sample of 400 Chinese tourists who have traveled to Bangkok. The main research issue is to reveal the first- and second-order potential factors generating significant influences on Chinese tourists’ choice of Bangkok as their destination. The aim of this study is to explore the structural relationships among the mentioned first-order and second-order latent variables, and their impact on the choice of tourist destinations in China. Due to the competitive nature of Chinese tourist destinations, we believe that there might be some potential factors that significantly affected their choice decision, therefore we applied the second-order Structural Equation Models (SEM) to capture these potentially unobservable factors. The result showed that our proposed model appeared to fit well: the RMSEA was 0.03 (<0.06) and values of GFI, AGFI, NFI, TLI, and CFI were greater than 0.9 (most of them were even larger than 0.95). More importantly, Food (F), Emotional Factor (EF) representing food and cultural indulgence, and Physical Factor (PF) representing Architecture and Transportation facility of the destination showed significant impacts on tourist destination choice as their p-values were less than 0.05. Hence, Thai food and anything that could maximize the emotional and functional values of Chinese tourists would make travel choices to become their travel destination. At the same time, it was aimed to provide some valuable suggestions for tourist cities currently under threat from COVID-19, to recover or better in the coming years, providing some evidence for future researchers to further explore this field.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 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 ».