Espagne-France, une analyse comparative des plans stratégiques touristiques à l’horizon 2030 : vers une planification climato-touristique ?
Bibliographic record
Abstract
Dans un contexte post-COVID-19, la France et l’Espagne s’adaptent aux nouvelles exigences des touristes dans le domaine environnemental et de la diversité des activités de loisirs et d’affaires. Cette analyse comparée des stratégies touristiques de la France et de l’Espagne à l’horizon 2030 se concentre sur la durabilité de la pratique touristique et le problème de la gestion des flux touristiques liée au surtourisme. Cette comparaison combine l’analyse statistique et le codage qualitatif à partir des plans stratégiques nationaux. L’Espagne se concentre sur l’adaptation de ses territoires et la diversification des produits touristiques en y incorporant des pratiques de mobilité douce ; tandis que la France pose le principe d’une meilleure compétitivité face à la concurrence et au prolongement des séjours internationaux grâce à la gestion des données pour orienter sa stratégie de diffusion commerciale. Concernant l’Espagne, une stratégie globale propose une nouvelle planification climato-touristique avec pour objectif de transformer le secteur tout en favorisant l’équité sociale et territoriale. Quant à la France, les grands événements sont privilégiés comme les Jeux olympiques et paralympiques de 2024. De l’échelle mondiale à l’échelle locale, on souligne une prise en compte impérieuse par les instances de gouvernance du tourisme national des objectifs du développement durable.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".