Critical Factors for Increasing Tourism Competitiveness: Analysis of Travel and Tourism Competitiveness Index in Sumedang Regency
Notice bibliographique
Résumé
The disruption of the tourism sector needs to be measured to increase tourism competitiveness. This study aims to map tourism competitiveness with the Travel and Tourism Competitiveness Index (TTCI) pillar after the Covid-19 pandemic. Of the 14 pillars of TTCI released by the World Economic Forum, only eight pillars with 56 indicators are used that are relevant to the condition and availability of data at the village level. This research uses a mixed method with a sequential explanatory design approach. The data uses village potential data from the Central Statistics Agency in 2018, 2019, and 2021. The analysis unit consists of 270 villages and seven sub-districts in Sumedang Regency. The results of a composite assessment of all TTCI indicators and pillars show a striking difference in the environmental sustainability pillar, which has increased very highly compared to before the Covid-19 pandemic. The results of the TTCI scoring have mapped aspects of potential, advantages, and weaknesses in terms of eight pillars of tourism competitiveness at the village, subdistrict, and district levels. This study presents actual data on the potential of villages to increase tourism competitiveness using TTCI parameters. It can be a reference for stakeholders to improve areas that are priorities for tourism development, especially facing the aftermath of the Covid-19 pandemic. The declining pillar of human resources during the pandemic requires the attention of stakeholders, especially in developing tourism priority areas.
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 | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».