Exploring Tourism's Contribution to Saudi Arabia's Vision 2030: Aligning with UN SDG 8 for Sustainable Growth
Notice bibliographique
Résumé
This research explores how tourism contributes to successfully implementing the Saudi Arabia Vision 2030, mainly in terms of resilience and correlation with the sustainable development goal (SDG) 8.This paper adopts a Systematic Literature Review (SLR) methodology to examine efforts to promote tourism in support of KSA Vision 2030 and its compliance with SDG 8. Scopus, Web of Science, and Science Direct were the primary databases from which relevant articles were retrieved.Ten studies were finally considered eligible for the review.It is evident that the tourism industry accounts for a large percentage of the GDP reports, which highlight that tourism accounted for approximately 9% of Saudi Arabia's GDP in 2018, equating to $65 billion.Nevertheless, there are regulatory and ecological constraints.Outcomes reveal the importance of sustainable tourism as implemented in the Al-Ula and The Red Sea projects.In addition, community engagement and digital touchpoints, such as interactive screens, digital signage, and kiosks that enhance visitor interaction, stand out as successful strategies for the future of tourism experiences.It compares findings with extant research, providing practical strategies to ensure sustainable tourism development supports Vision 2030 and global SDGs.However, it is essential to note the limitations of this study, including the small sample size of reviewed articles, which may affect the generalizability of the findings.Therefore, this research has suggested the need to adopt strategic leadership, incorporate all stakeholders into the practices, and realize the value of technology in enhancing Saudi Arabia's tourism destination status.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».