Enhancing dine-out decisions: The role of precautionary measures and digital marketing in mitigating perceived risk at small eateries in Bali's tourist hubs ,
Notice bibliographique
Résumé
Perceived risk is important in home-based restaurant businesses in tourist areas, especially in influencing tourists' views of risk when deciding to eat at a home-based restaurant. This perception of physical and psychological risks can influence tourists' intentions to dine out. This research aims to measure the magnitude of the influence of perceived risk on tourists' intention to dine out, as well as the role of precautionary measures and digital marketing strategies as moderating variables. Data was collected from 143 respondents who were consumers of home restaurants in several tourist areas in Bali, Indonesia. Data analysis used SmartPLS version 4.0 to test the relationship between research variables. The results show that perceived physical risk does not significantly impact tourists' intention to dine out. In contrast, perceived psychological risk has a strong negative influence on the perceived psychological risk the more likely tourists will dine on site. Health prevention measures implemented by restaurants (precautionary measures) and digital marketing strategies directly affect tourists' intention to dine out. Interesting digital content on social media related to food and beverage products has also been proven to increase this intention. However, precautionary measures and digital marketing as moderating variables do not significantly strengthen the relationship between perceived risk and intention to dine out. This research provides insight for home restaurant business owners to pay attention to consumer risk perceptions and utilize digital marketing strategies effectively. Creating interactive and informative content on social media is very important to increase tourist intent. This research also enriches the literature on consumer behavior and service science in tourism.
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 | 0,006 | 0,006 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».