Coastal Cities Seen from Loyalty and Their Tourist Motivations: A Study in Lima, Peru
Notice bibliographique
Résumé
The objective of this empirical study is to determine: (a) the underlying variables of the travel motivations related to a coastal city; and (b) the motivational dimensions that predict return, recommendation, and saying positive things about a coastal city as loyalty variables. This project utilized an in situ investigation carried out in Lima, a coastal city located on the Pacific Ocean near Peru with important natural and cultural attractions. The researchers used 381 questionnaires that were analyzed through factor analysis, in addition to the stepwise multiple regression method. Reesults identified six underlying variables or motivational factors: “culture and nature”, “authentic coastal experience”, “novelty and social interaction”, “learning”, “sun and beach”, and “nightlife”. Regarding loyalty, the “novelty and social interaction” dimension is the most important predictor of return and the “authentic coastal experience” dimension is the most important predictor of recommending and saying positive things about a coastal city. To motivate a return, events could be created on the beach to motivate novelty, as well as increase recommendations and the amount of positive things said about the destination; educational and sports activities and workshops could also be created with the community and the coastal environment. Results can be used by firms for preparing information for new customers in order to increase trip intention and improve guides for destination marketing organizations (DMOs).
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 | 0,002 | 0,006 |
| 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 | 0,001 |
| 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 ».