Tourism and Economic Growth in South Asian Countries: Asymmetric Analysis and Lessons for Mitigating the Adverse Effects of Covid-19 Pandemic
Notice bibliographique
Résumé
Since the first Quarter of 2020, due to the spread of the Covid-19 pandemic, which is still continuing unabated with the periodical emergence of new variants, international tourism has become one of the most adversely affected sources of external earnings of developing countries. The World Travel and Tourism Council has predicted that border closures, as part of travel bans imposed by all affected countries to contain spread of the pandemic combined with the shattered travelers’ confidence, would lead to a loss of 100 million jobs on a global scale in 2021 and 2022 along with an expected fall in world tourism by 60 to 80 percent. For the South Asian countries, the crisis would result in a 42 to 60 percent drop in tourist arrivals in 2020 and 2021. Tourism has also been providing a great impetus to the growth of informal sector supported by information and communication technology with participation of women, both full time and part time, in significant number of small and mini-enterprises. This panel study employing a nonlinear econometric methodology confirms the existence of an asymmetric association between tourism and economic growth for six South Asian countries for the period 1995 to 2018. While a given size of positive partial sum decomposition of tourism increased growth, the negative partial sum decomposition of tourism of the same size resulted in a greater adverse effect on economic growth. There are some lessons of policy implications which are drawn from the study in the context of continuing uncertainties.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».