Calculation and Comprehensive Evaluation of China’s Tourism High-Quality Development Level and Regional Differences and Dynamic Evolution Based on Entropy Weight Method and TOPSIS Modeling
Notice bibliographique
Résumé
Achieving high-quality development has become the core essence of tourism industrialization, and is also a necessary step for the construction of ecological civilization to make new achievements.The article establishes the index system of China's tourism high-quality development, and uses the entropy weight-TOPSIS model to measure the tourism high-quality development of China's tourism in each region from 2013 to 2021.On this basis, it comprehensively applies density estimation, Dagum Gini coefficient and convergence modeling methods to analyze the regional differences and convergence of China's tourism development.The study shows that the level of high-quality development of China's tourism industry is gradually rising, and the regional differences in high-quality development of tourism are generally narrowing, with insignificant changes in intra-regional differences and narrowing of inter-regional differences, though.The overall trend of wave height in the central region is increasing, the wave height in the western region is decreasing and the width is increasing, and the wave height in the northeast region is increasing and the width range is decreasing.At the same time, convergence coefficient shows that the gap between the level of high-quality development of tourism economy in the eastern, central and northeastern regions shows a trend of convergence, while the western region increases from 0.373 in 2012 to 0.388 in 2021, that there is no trend of convergence.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».