INVESTIGATING THE EFFECTS OF COVID-19 ON TOURISM IN THE G7 COUNTRIES
Notice bibliographique
Résumé
Natural and human-made crises can significantly impact the development of countries’ tourism industries. The susceptibility of countries to these crises depends on their policies, planning, and management in facing diverse challenges. This article aims to investigate the effects of the COVID-19 pandemic on the tourism industry in G7 countries by comparing rankings and positions on indices in 2016 and 2020. Data collected from the RANking COMparison (RANCOM), Proximity Indexed Value (PIV), and Double Normalization Compromise Ranking of Alternatives from Distance to Ideal Solution (DNCRADIS) models have been utilized for data analysis. The research findings indicate noticeable differences in using different models, as the rankings and positions of G7 countries for the years 2016 and 2020, except for two countries, the United States and France, have been different. The research results demonstrate that the COVID-19 crisis had significant impacts on the tourism industries of G7 countries. Countries like the United States, France, and the United Kingdom appear as leading nations in the tourism industry, while Japan and Canada faced challenges, and Germany and Italy experienced changes in their positions. Based on these results, officials and planners in the tourism industry of G7 countries can make appropriate decisions for the development and improvement of tourism under similar crisis conditions. Moreover, these findings can serve as a valuable guide for other countries in managing similar crises in the tourism industry.
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 | 0,000 |
| 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 ».