Tourism-generated energy use characteristics and sustainability transitions
Notice bibliographique
Résumé
Mountain tourism destinations are characterized as significantly impacted by their remoteness, seasonal climatic variations, and fragile ecosystems. These factors greatly influence the development, distribution, and consumption of energy sources in the tourism sector. With the increasing popularity of mountain parks and protected areas as tourism destinations, it is critical to understand the interplay between tourism development (e.g. expansion of tourism facilities), patterns of energy sources (diversity and consumption levels) in the tourism sector, and overall sustainability of resources use at the destination level. Current literature reveals a dearth of research on energy issues in mountain protected areas, which is somewhat surprising as energy and resource consumption issues are becoming more important from a climate change perspective. This paper examines contemporary energy use patterns in the Sagarmatha (Mount Everest) National Park of Nepal. A mixed methods is applied to analyze development trends and transitions in energy use. Data were collected based on questionnaire surveys of tourism facilities, complemented by semi-structured interviews. The findings indicate that energy sources used in the facilities have gone through a significant change, from a firewood-dependent tourism center to increasing use of alternative sources including liquified petroleum gas (LPG) and hydroelectricity. About one-third of the facilities did not use firewood. The heterogeneous geographic distribution of the facilities affects the spatial use of energy sources. Furthermore, we argue that the coordination efforts between the national park administration and local communities, the growth of tourism, the construction of hydropower plants, and the advancement of transportation are the leading causes of the changes in energy use patterns. Knowledge of the energy use characteristics and drivers influencing the energy transitions can inform future policies that promote a low-carbon economy in mountain destinations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».