مقاله رایگان با موضوع آنالیز رقابت صنعت گردشگری

نظر

عنوان مقاله:

آنالیز رقابت پذیری صنعت گردشگری در زمینه بهبود اقتصادی پس از همه گیری COVID-19

An analysis of the competitiveness of the tourism industry in a context of economic recovery following the COVID-19 pandemic

سال انتشار: 2022

رشته: اقتصاد

گرایش: اقتصاد گردشگری

دانلود رایگان این مقاله:

دانلود مقاله آنالیز رقابت صنعت گردشگری

مشاهده سایر مقالات جدید:

مقالات جدید اقتصاد

Methodology

Three data sets were used. First, the data needed to construct the synthetic indicator of tourism competitiveness (TTCI), provided by the World Economic Forum (WEF) in the 2019 edition. It provides 90 variables in total, all of which have been used for this study. The second data set refers to the impact of COVID19 in each country. The official data from the European Centre for Disease Prevention and Control, upto-date at the time of writing, were used for this purpose. These data reflect the cumulative incidence of the number of infected persons in relation to the country’s population. The last set of data refers to the weight of the tourism industry in each country’s GDP. Again, the data have been obtained from the WEF, and indicate the weight of tourism and transportation services in the total GDP of each country. 3.1. The DP2 synthetic indicator In this paper, Pena’s P2 distance method (1977) will be used to build a synthetic indicator of tourism competitiveness. In doing so, we will be able to classify a group of 80 countries whose tourism industry has a relevant presence in their economy. This indicator will identify the countries with the greatest vulnerability in the short and medium term, as a result of a higher number of cases of COVID-19 and for registering low levels of tourism competitiveness. The DP2 synthetic indicator —based on Ivanovic’s (1974) distance— was developed by Pena (1977) by modifying the weighting of simple variables. To do so, the correlation coefficient was replaced by the determination coefficient, which operates as a corrective factor. As Somarriba and Pena (2009) point out the main advantages of the DP2 synthetic indicator, compared to other aggregation methods such as Principal Components Analysis (PCA) or Data Envelopment Analysis (DEA), are: it eliminates the redundant information that simple variables incorporate when integrated into a synthetic indicator, it also avoids the arbitrary assignment of weights to simple variables, and solves problems related to the addition of variables expressed in different units (Ribeiro-Navarrete, Marqu´es-Palacios, Martín and Guita, 2021). 

Results and discussion

Following the methodology described above, a synthetic indicator of tourism competitiveness (TTCI-DP2) has been calculated for a total of 80 countries, all of which hold top positions in the international ranking. Therefore, tourism and traveling have a relevant impact on their GDP. The advantages of the indicator created in comparison with WEF’s TTCI reside in the greater precision in measuring the level of competitiveness of tourism destinations, as it only takes in the non-redundant information of the simple variables and avoids the arbitrary weighting of the same. Table 1 shows the pillars or dimensions of tourism competitiveness, which represent the variables forming part of the synthetic indicator. These variables follow an entry order that is determined by the values of the absolute correlation coefficients, ordered from highest to lowest. Likewise, Table 1 also shows the corrective factors, which reveal the new, non-redundant information provided by the variables when entering the synthetic indicator with respect to previous ones. As can be seen, pillar 5 "ICT readiness" enters first into the synthetic index with the highest correlation coefficient, which means that 100% of the information provided by this variable is incorporated into the TTCI-DP2. The rest of the variables contribute less information to the synthetic indicator, although in no case is their contribution less than 30%. The pillars that contribute more new information when entering the synthetic indicator are "P7. International openness" (72.24%) and "P2. Safety and security" (63.52%), while in last place is "P1. Business environment" (30.97%). Once the structure of the TTCI-DP2 indicator has been examined, the following step is to determine which are the pillars or dimensions that explain, to a greater extent, the differences in tourism competitiveness of the countries. For this purpose, the Individual Relative Information Coefficient (α), defined by Zarzosa (1996), will be calculated. This coefficient combines the useful information provided by each variable —through corrective factors— to the synthetic indicator with their discrimination power, as calculated by Ivanovic’s Discrimination Coefficient. Table 2 shows the values of the Individual Relative Information Coefficient for each of the 14 pillars of competitiveness analyzed. Such a coefficient determines the importance of each pillar in the TTCI-DP2. As can be seen, the first seven pillars contribute a total of 75.6% of individual relative information to the synthetic indicator, while the remaining seven only contribute 24.4%. Therefore, the differences in competitiveness of the countries whose tourism sector accounts for the largest share of GDP are explained, to a greater extent, by the first seven dimensions. Consequently, these dimensions are key factors in the design of policies, strategies and measures to improve the competitiveness of tourism destinations. The two most relevant pillars are related to the supply of cultural (pillar 14) and natural resources (pillar 13) available at the destination. Table 3 shows in detail which variables make the greatest individual relative contribution to each pillar. Regarding Pillar 14, it is important for tourist destinations to have "Oral and intangible cultural heritage" and a high number of "World Heritage cultural sites", while in Pillar 13, the presence of "World Heritage natural sites" and protected natural areas is fundamental.

(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)

روش شناسی

از سه مجموعه داده استفاده شد. اول، داده های مورد نیاز برای ساخت شاخص ترکیبی رقابت پذیری گردشگری (TTCI)، ارائه شده توسط مجمع جهانی اقتصاد (WEF) در نسخه 2019. در مجموع 90 متغیر ارائه می دهد که همه آنها برای این مطالعه استفاده شده اند. مجموعه داده دوم به تأثیر COVID19 در هر کشور اشاره دارد. برای این منظور از داده‌های رسمی مرکز پیشگیری و کنترل بیماری‌های اروپا که در زمان نگارش این مقاله به‌روز بود، استفاده شد. این داده ها نشان دهنده بروز تجمعی تعداد افراد آلوده در ارتباط با جمعیت کشور است. آخرین مجموعه داده ها به وزن صنعت گردشگری در تولید ناخالص داخلی هر کشور اشاره دارد. مجدداً داده ها از WEF به دست آمده اند و وزن خدمات گردشگری و حمل و نقل را در کل تولید ناخالص داخلی هر کشور نشان می دهند. 3.1. شاخص مصنوعی DP2 در این مقاله، از روش فاصله P2 Pena (1977) برای ایجاد یک شاخص ترکیبی رقابت پذیری گردشگری استفاده خواهد شد. با انجام این کار، می‌توانیم گروهی متشکل از 80 کشور را طبقه‌بندی کنیم که صنعت گردشگری آن‌ها در اقتصاد آنها حضور مرتبط دارد. این شاخص کشورهایی را که بیشترین آسیب پذیری را در کوتاه مدت و میان مدت به دلیل تعداد بیشتر موارد کووید-19 و ثبت سطوح پایین رقابت پذیری گردشگری دارند، شناسایی می کند. نشانگر مصنوعی DP2 - بر اساس فاصله ایوانوویچ (1974) - توسط پنا (1977) با اصلاح وزن متغیرهای ساده ایجاد شد. برای انجام این کار، ضریب همبستگی با ضریب تعیین جایگزین شد که به عنوان یک عامل اصلاحی عمل می کند. همانطور که سوماریبا و پنا (2009) اشاره می کنند، مزایای اصلی شاخص مصنوعی DP2، در مقایسه با سایر روش های تجمیع مانند تجزیه و تحلیل اجزای اصلی (PCA) یا تحلیل پوششی داده ها (DEA)، عبارتند از: اطلاعات اضافی را که متغیرهای ساده ترکیب می کنند حذف می کند. هنگامی که در یک شاخص مصنوعی ادغام می شود، از تخصیص دلخواه وزن به متغیرهای ساده نیز اجتناب می کند و مشکلات مربوط به اضافه کردن متغیرهای بیان شده در واحدهای مختلف را حل می کند (Ribeiro-Navarrete، Marqu´es-Palacios، Martín and Guita، 2021).

نتایج و بحث

با توجه به روشی که در بالا توضیح داده شد، یک شاخص ترکیبی رقابت پذیری گردشگری (TTCI-DP2) در مجموع برای 80 کشور محاسبه شده است که همه آنها در رتبه بندی بین المللی مقام های برتر را دارند. بنابراین، گردشگری و مسافرت بر تولید ناخالص داخلی آنها تأثیر می گذارد. مزایای شاخص ایجاد شده در مقایسه با TTCI WEF در دقت بیشتر در اندازه گیری سطح رقابت پذیری مقاصد گردشگری است، زیرا تنها اطلاعات غیر زائد متغیرهای ساده را دریافت می کند و از وزن دهی دلخواه آنها جلوگیری می کند. جدول 1 ارکان یا ابعاد رقابت پذیری گردشگری را نشان می دهد که نشان دهنده متغیرهای تشکیل دهنده بخشی از شاخص ترکیبی است. این متغیرها از ترتیب ورودی پیروی می کنند که با مقادیر ضرایب همبستگی مطلق، مرتب شده از بالاترین به پایین ترین تعیین می شود. به همین ترتیب، جدول 1 همچنین عوامل اصلاحی را نشان می دهد که اطلاعات جدید و غیر زائد ارائه شده توسط متغیرها را هنگام وارد کردن نشانگر مصنوعی نسبت به موارد قبلی نشان می دهد. همانطور که مشاهده می شود، ستون 5 "آمادگی فناوری اطلاعات و ارتباطات" ابتدا با بالاترین ضریب همبستگی وارد شاخص مصنوعی می شود، به این معنی که 100? اطلاعات ارائه شده توسط این متغیر در TTCI-DP2 گنجانده شده است. بقیه متغیرها اطلاعات کمتری را به شاخص مصنوعی کمک می کنند، اگرچه در هیچ موردی سهم آنها کمتر از 30? نیست. ارکانی که اطلاعات جدید بیشتری را هنگام ورود به شاخص مصنوعی ارائه می دهند عبارتند از "P7. باز بودن بین المللی" (72.24?) و "P2. Safety and Security" (63.52?) در حالی که در رتبه آخر "P1. محیط تجاری" (30.97?) قرار دارد. ). هنگامی که ساختار شاخص TTCI-DP2 مورد بررسی قرار گرفت، مرحله زیر تعیین این است که کدام ستون ها یا ابعادی هستند که تفاوت های رقابت پذیری گردشگری کشورها را تا حد زیادی توضیح می دهند. برای این منظور، ضریب اطلاعات نسبی فردی (α)، تعریف شده توسط زارزوسا (1996)، محاسبه خواهد شد. این ضریب اطلاعات مفید ارائه شده توسط هر متغیر - از طریق عوامل اصلاحی - را به شاخص ترکیبی با قدرت تمایز آنها، همانطور که توسط ضریب تبعیض ایوانوویچ محاسبه شده است، ترکیب می کند. جدول 2 مقادیر ضریب اطلاعات نسبی فردی را برای هر یک از 14 رکن رقابت پذیری تحلیل شده نشان می دهد. چنین ضریبی اهمیت هر ستون را در TTCI-DP2 تعیین می کند. همانطور که مشاهده می شود، هفت رکن اول در مجموع 75.6 درصد از اطلاعات نسبی فردی را به شاخص مصنوعی کمک می کنند، در حالی که هفت ستون باقی مانده تنها 24.4 درصد را شامل می شود. بنابراین، تفاوت‌های رقابت‌پذیری کشورهایی که بخش گردشگری آنها بیشترین سهم از تولید ناخالص داخلی را به خود اختصاص می‌دهد، به میزان بیشتری با هفت بعد اول توضیح داده می‌شود. در نتیجه، اینها ابعاد، عوامل کلیدی در طراحی سیاست ها، استراتژی ها و اقدامات برای بهبود رقابت پذیری مقاصد گردشگری هستند. دو رکن مرتبط مربوط به تامین منابع فرهنگی (رکن 14) و منابع طبیعی (رکن 13) موجود در مقصد است. جدول 3 به تفصیل نشان می دهد که کدام متغیرها بیشترین سهم نسبی فردی را در هر ستون دارند. در مورد رکن 14، داشتن «میراث فرهنگی شفاهی و ناملموس» و تعداد بالای «مکان های فرهنگی میراث جهانی» برای مقاصد گردشگری حائز اهمیت است، در حالی که در رکن 13، وجود «مکان های طبیعی میراث جهانی» و مناطق طبیعی حفاظت شده وجود دارد. اساسی.