A Systemic Analysis of the Impact of the Pandemic on the Indian Tourism Economy
Notice bibliographique
Résumé
The COVID-19 pandemic had a severe impact on the tourism industry across the world. Be it aviation or hospitality, transportation, tour operators or eateries, every activity related to tourism was adversely affected by the pandemic in an unprecedented manner. India saw the first severe impact during the first quarter of 2020–2021 when the tourism industry was severely affected, in terms of loss in tourism demand due to a significant fall in tourist arrivals. The industry saw gradual signs of recovery post-October 2020 but was hit again by the second wave during April–June 2021 and then by the third wave during November 2021–January 2022. Given the contribution that tourism makes to the entire economy in terms of income and employment generation, it is important to do a systemic estimation of the losses caused by the pandemic so that resilient policies are put in place to address the challenges at all levels and put the tourism sector back on the path it was traversing before the pandemic. This article presents the estimates of economic losses resulting from the changes experienced during the most critical period of the pandemic, that is, the first quarter of 2020–2021, which witnessed a complete lockdown, and the subsequent two quarters, wherein the sector started showing gradual recovery following various relaxations in economic activities and travel movements. The estimates are based on the methodology that draws from the framework laid out in the Tourism Satellite Account of India, which, in turn, is based on the methodological framework recommended by the United Nations World Tourism Organization. JEL Codes: L830, Z320, F620
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 | 0,024 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».