Resilience-building in small island family-owned accommodation sector
Notice bibliographique
Résumé
This study aims to understand the crises experienced by family-owned accommodation businesses in small island contexts and how resilience is built alongside the development of their dynamic capabilities (sensing, seizing, and transforming) as they navigate through crises. The study uses a qualitative method and focuses on the experiences of tourism businesses operating in the islands of Boracay, Negros, and Siargao, which are among the top island destinations in the Philippines. Semi-structured interviews with 18 participants were conducted through 1-hour online video calls, phone calls, and written 2 interviews. Crises that affect tourism businesses are mostly due to external factors. Small islands are at high risk of natural hazards, but businesses do not consider typhoons and earthquakes as crises per se since they frequently experience these hazards. Family businesses have distinct strategies, such as knowledge transfer, maintenance of stable financial resources, infrastructure development, employee training, better marketing strategies, and a focus on sustainability to enhance their dynamic capabilities and build their resilience, thus making them more adaptive to future crises. However, government support for the local tourism industry is still needed to ensure a sustainable tourism industry. Dynamic capabilities and resilience are often linked with each other yet there is limited knowledge on how resilience is built specifically in the context of family-owned businesses in small island context. This study addresses this gap in the literature by using dynamic capabilities as a framework to understand resilience development. Resilience and dynamic capabilities are then adaptive strategies in crisis management.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 ».