چکیده

از سال 2007، مجمع جهانی اقتصاد (WEF) داده هایی را در مورد عوامل و سیاست هایی که به توسعه گردشگری و رقابت در سراسر کشورهای جهان کمک می کنند، منتشر کرده است. در حالی که WEF گزارش سالانه را از داده‌های ذینفعان دولتی و خصوصی جمع‌آوری می‌کند، ما به دنبال تجزیه و تحلیل نماینده پلتفرم باز و مشارکتی OpenStreetMap (OSM) در صحنه گردشگری بین‌المللی هستیم. برای این مطالعه، هشت پارامتر نشان‌دهنده توسعه گردشگری هر کشور مانند تعداد تخت‌ها یا مکان‌های فرهنگی را انتخاب کردیم و اشیاء OSM نماینده این شاخص‌ها را استخراج کردیم. سپس، ما یک تحلیل آماری و رگرسیونی از داده‌های OSM برای مقایسه و مدل‌سازی داده‌های ساطع شده توسط WEF با داده‌های OSM انجام دادیم. هدف ما تجزیه و تحلیل بازنمایی توریستی داده‌های OSM با توجه به گزارش‌های رسمی برای درک بهتر اینکه چه زمانی می‌توان از داده‌های OSM برای تکمیل اطلاعات رسمی استفاده کرد و در برخی موارد، زمانی که اطلاعات رسمی کمیاب است یا وجود ندارد، برای ارزیابی اینکه آیا می‌توان از داده‌های OSM استفاده کرد. اطلاعات OSM می تواند جایگزین باشد. نتایج نشان می دهد که داده های OSM تصویر نسبتاً دقیقی از آمار رسمی گردشگری برای اکثر متغیرها ارائه می دهد. ما همچنین درباره دلایلی بحث می‌کنیم که چرا داده‌های OSM برای برخی از متغیرها در برخی از کشورهای خاص چندان نماینده نیستند. در مجموع، این کار گامی به سوی بهره برداری از داده های باز و مشارکتی برای گردشگری است. برای ارزیابی اینکه آیا اطلاعات OSM می تواند جایگزین باشد یا خیر. نتایج نشان می دهد که داده های OSM تصویر نسبتاً دقیقی از آمار رسمی گردشگری برای اکثر متغیرها ارائه می دهد. ما همچنین درباره دلایلی بحث می‌کنیم که چرا داده‌های OSM برای برخی از متغیرها در برخی از کشورهای خاص چندان نماینده نیستند. در مجموع، این کار گامی به سوی بهره برداری از داده های باز و مشارکتی برای گردشگری است. برای ارزیابی اینکه آیا اطلاعات OSM می تواند جایگزین باشد یا خیر. نتایج نشان می دهد که داده های OSM تصویر نسبتاً دقیقی از آمار رسمی گردشگری برای اکثر متغیرها ارائه می دهد. ما همچنین درباره دلایلی بحث می‌کنیم که چرا داده‌های OSM برای برخی از متغیرها در برخی از کشورهای خاص چندان نماینده نیستند. در مجموع، این کار گامی به سوی بهره برداری از داده های باز و مشارکتی برای گردشگری است.

کلید واژه ها:

داده های مشترک ؛ تجزیه و تحلیل داده های باز ؛ رقابت پذیری گردشگری آمار گردشگری

1. مقدمه

درک رقابت پذیری گردشگری کشورها به یک جنبه کلیدی برای مقاصد تبدیل شده است. گردشگری نشان داده است که تأثیر زیادی بر محیط اجتماعی-فرهنگی و رشد اقتصادی یک کشور دارد [ 1]. از این رو کشورها مبلغ هنگفتی را برای جمع آوری داده های مربوط به صنایع گردشگری، جاذبه ها، زیرساخت ها و غیره سرمایه گذاری می کنند. علاوه بر این، چندین سازمان، مانند مجمع جهانی اقتصاد (WEF)، داده‌های چندین کشور را جمع‌آوری و تجزیه و تحلیل می‌کنند تا مشخص کنند که کشورها در بخش گردشگری چقدر رقابتی هستند. WEF یک سازمان شناخته شده است که به انتشار داده های جهانی اختصاص دارد که همچنین داده هایی را منتشر می کند که وضعیت رقابت پذیری گردشگری کشورها را نشان می دهد. به طور کلی، WEF سازمانی برای همکاری عمومی و خصوصی است که مهمترین رهبران سیاسی، تجاری و دیگر جامعه را برای شکل دادن به برنامه های جهانی، منطقه ای و صنعتی درگیر می کند [ 2 ]. WEF از سال 2007 گزارش رقابت پذیری سفر و گردشگری را منتشر کرده است.
تحلیل گردشگری بر روی اقتصادها معمولاً بر آمار رسمی گردشگری ارائه شده توسط دولت ها و نهادها متکی است. به موازات انتشار داده های آماری رسمی، فناوری های اطلاعات و ارتباطات (ICT) به ویژه به طور کلی و فناوری های موبایل و شبکه های اجتماعی دریچه جدیدی را گشوده اند و داده های حاصل از این منابع جدید برای تجزیه و تحلیل گردشگری مورد استفاده قرار می گیرند، همانطور که در چندین مطالعه اخیر نشان داده شده است. [ 3 ، 4 ]. این ابزارهای آنلاین، شبکه‌های اجتماعی و پلت‌فرم‌های مشارکتی به‌عنوان یک منبع داده مرتبط برای درک رفتار گردشگری و روندهای سفر [ 5 ، 6 ، 7 ، 8 ] برای ایجاد پروفایل‌های دقیق گردشگر پدید آمده‌اند [ 9 ،10 ] و برای استخراج تصویری از صنعت گردشگری [ 11 ].
یک مثال قابل توجه از این منابع جدید، سرویس نقشه برداری رایگان است که توسط پلتفرم نقشه برداری مشترک OpenStreetMap (OSM) [ 12 ]، با حدود 37000 مشارکت کننده فعال در طول یک ماه معمولی ارائه می شود. ادعا می‌شود که OSM بزرگترین پایگاه داده‌های جغرافیایی در جهان است که آزادانه و آزادانه در دسترس است [ 13 ]. این به عنوان جایگزینی برای استفاده محدود از سایر خدمات نقشه برداری مانند Google Maps ظاهر می شود. یک استدلال به نفع Google Maps می تواند طیف گسترده ای از ویژگی های پیشرفته ای باشد که ارائه می دهد (تصاویر نمای خیابان، ناوبری چندوجهی، توصیه های اجتماعی و غیره). با این حال، برخی از خدمات مبتنی بر پایگاه داده OSM نیز آنها را ارائه می دهند. به عنوان مثال، Mapillary ( www.mapillary.com(دسترسی در 13 ژانویه 2021)) سرویسی است برای جمع سپاری عکس های سطح خیابان با استفاده از تلفن های هوشمند و بینایی رایانه (با بیش از 1400 میلیون عکس دارای برچسب جغرافیایی) یا OpenRouteService ( www.openrouteservice.org (در 1 نوامبر 2020 قابل دسترسی است) که چند وجهی را ارائه می دهد. خدمات ناوبری، در میان سایر ویژگی‌های مرتبط با جغرافیا (مانند geocoding، isochrones، ماتریس فاصله زمانی، و غیره). برنامه‌های متعددی مبتنی بر OSM را می‌توان در فهرست خدمات مبتنی بر OSM یافت ( https://wiki.openstreetmap.org/wiki/List_of_OSM-based_services (در 30 مه 2020 در دسترس قرار گرفت) که برخی از آنها مربوط به خدمات گردشگری است. علاوه بر این، OsmAnd ( https://osmand.net/ (دسترسی در 25 ژوئیه 2020)) و MapOut ( https://mapout.app/(در 21 دسامبر 2020 قابل دسترسی است)) برخی از خدمات مرتبط با گردشگری مانند مشاهده نقشه تلفن همراه آفلاین، ناوبری، جستجوی POI و مدیریت تور را ارائه می دهد. آثار دیگر کاربردهای ناوبری دوچرخه الکترونیکی [ 14 ]، ساخت هندسه پیاده رو برای کاربران ویلچر [ 15 ]، یا ارزیابی تأثیر بازیابی پس از فاجعه در مقاصد گردشگری [ 16 ] را توصیف می کنند.
این مقاله یک تحلیل اکتشافی از مجموعه داده‌های OSM ارائه می‌کند و بینش به‌دست‌آمده را با داده‌های در دسترس عمومی رقابت‌پذیری گردشگری ارائه‌شده توسط WEF برای گروهی از حدود 130 کشور در سراسر جهان مقایسه می‌کند. به طور خاص، ما علاقه مند به مطالعه نمایندگی و قابلیت اطمینان داده های مرتبط با گردشگری هستیم که در یک پلت فرم باز و مشارکتی، مانند OSM یافت می شود. یعنی، هدف ما این است که تجزیه و تحلیل کنیم که داده‌های OSM چقدر منعکس کننده داده‌های رقابتی گردشگری واقعی از WEF در هشت شاخص است. ما رابطه بین OSM و گزارش رقابت پذیری گردشگری WEF را از طریق مدل های رگرسیونی بررسی خواهیم کرد تا رابطه بین داده های جمع آوری شده از OSM برای یک شاخص و مقادیر رسمی چنین شاخص هایی در WEF را بررسی کنیم.
گاهی اوقات، یافتن اطلاعات رسمی دشوار است، دسترسی به آن در سطح مورد نظر امکان پذیر نیست یا به راحتی قابل ارتقا نیست. همانطور که در بالا توضیح داده شد، شبکه‌های اجتماعی و پلت‌فرم‌های مشارکتی به‌عنوان یک منبع داده مرتبط و جایگزین ظاهر شده‌اند که می‌تواند در این موارد استفاده شود. بنابراین، در این مقاله، اطلاعات مربوط به گردشگری OSM را بررسی می‌کنیم و مشخص می‌کنیم که در چه مواردی OSM منبع داده جایگزین قابل اعتمادی برای WEF است و می‌تواند برای پیش‌بینی استفاده شود. به طور خلاصه، با توجه به اینکه OSM یک پلت فرم داده های جغرافیایی قدرتمند و کاربرپسند است که به طور گسترده برای اهداف گردشگری استفاده می شود، هدف ما پاسخ به این سوال است: آیا OSM تصویر دقیقی از اجزای مورد مطالعه گردشگری ارائه می دهد. رقابت پذیری؟. به این معنا که، ما علاقه مند به تجزیه و تحلیل هستیم که آیا عناصر ترسیم شده در OSM می توانند برای استنتاج برخی از داده های WEF مورد استفاده قرار گیرند. اگر پاسخ مثبت است، داده‌های OSM را می‌توان برای تجزیه و تحلیل مولفه‌های یکسان رقابت‌پذیری گردشگری در یک منطقه خاص (نه لزوماً در سطح کشور، همانطور که WEF ارائه می‌کند) استفاده کرد. در غیر این صورت، ما تجزیه و تحلیل خواهیم کرد که کدام جنبه این کار را دشوار می کند.
با توجه به ماهیت داده‌های OSM، که عمدتاً به جاذبه‌ها، اقامتگاه‌ها و زیرساخت‌ها مربوط می‌شود، مؤلفه‌های رقابت‌پذیری گردشگری که در این مقاله مورد تجزیه و تحلیل قرار خواهند گرفت، مؤلفه‌هایی هستند که به مواهب این عناصر در هر کشور مربوط می‌شوند. بنابراین، سایر جنبه‌های رقابت‌پذیری گردشگری، مانند بعد جریان‌های گردشگری، سیاست‌های قیمت‌گذاری، بازاریابی مقصد، شهرت مکان و غیره از محدوده تحلیل ارائه‌شده در این مقاله خارج هستند. به طور خاص، ما بر جاذبه‌ها و مکان‌های اقامتی تمرکز خواهیم کرد که به هشت شاخص WEF مرتبط هستند.
ما یک تحلیل آماری و رگرسیونی از هشت شاخص مختلف گردشگری در 133 کشور را از دو دیدگاه مختلف انجام خواهیم داد: (1) در نظر گرفتن همه کشورها به عنوان یک کل، و (2) تقسیم کشورها به سه گروه بر اساس سطح ICT آنها. توسط ستون آمادگی ICT WEF ارائه شده است. دلیل این تحلیل مضاعف این است که، طبق [ 17 ]، وضعیت خدمات ICT یک کشور، برای مثال، موفقیت یک طرح اطلاعات جغرافیایی داوطلبانه (VGI) یا رشد مورد انتظار در سال‌های آینده را تعیین می‌کند. علاوه بر این، تحقیقات قبلی [ 18] دریافت که اگرچه OSM موفقیت جهانی زیادی داشته است، اما هنوز تفاوت آشکاری در حجم داده های ارائه شده بین جوامع مرفه و فقیرتر وجود دارد. بنابراین، همچنین بررسی خواهیم کرد که آیا سطح ICT کشور عاملی تأثیرگذار در رابطه بین OSM و WEF است یا خیر. ما فرض می‌کنیم که سطح بالاتر ICT نشان‌دهنده بازنمایی بهتر OSM با توجه به منابع داده‌های رسمی است، با توجه به اینکه فناوری در این کشورها آسان‌تر در دسترس است و از این رو کاربران با شدت بیشتری در پلت‌فرم‌های مشترک شرکت خواهند کرد (OSM، در این مورد).
یک جنبه اضافی که باید ذکر شود این است که دو منبع داده ای که در این کار مدیریت می کنیم، WEF و OSM، ماهیت بسیار متفاوتی دارند و بنابراین همیشه نمی توان دقیقاً یک مفهوم را در هر دو منبع اندازه گیری کرد. به عنوان مثال، ممکن است یک متغیر خاص در واحدهای مختلف در OSM و WEF اندازه‌گیری شود، یا نمی‌توان عنصر دقیقی را در OSM برای یک شاخص WEF مشخص پیدا کرد. در هر دو مورد، برخی از تقریب ها محاسبه شده است، و ما در مورد محدودیت هایی که در این مورد پیدا کرده ایم بحث خواهیم کرد.
سوالات تحقیق ما را می توان در موارد زیر خلاصه کرد:
  • سوال 1: آیا می توان از داده های OSM به عنوان منبع جایگزین قابل اعتماد برای استخراج شاخص های گردشگری WEF استفاده کرد؟
  • سوال 2: آیا می توان روند منعکس شده در شاخص های گردشگری WEF را با داده های OSM مدل کرد؟
  • سوال 3: آیا سطح ICT یک کشور بر مدل های ساخته شده برای پاسخ به سوال 2 تاثیر می گذارد؟
مقاله در بخش های زیر ساختار یافته است. بخش 2 یک نمای کلی از کار قبلی ارائه می دهد که از داده های OSM در چندین زمینه استفاده می کند. بخش 3 منابع داده WEF و OSM مورد استفاده در تجزیه و تحلیل ما را شرح می دهد. بخش 4 تجزیه و تحلیلی را که با داده های WEF و OSM انجام دادیم شرح می دهد، بخش 5 نتایج این تجزیه و تحلیل را ارائه می دهد و بخش 6 این نتایج را مورد بحث قرار می دهد. در پایان، در بخش آخر، نتیجه گیری و جهت گیری های تحقیقاتی آتی را بیان می کنیم.

2. کارهای مرتبط

سیستم‌های داوطلبانه اطلاعات جغرافیایی (VGI) [ 19 ] به عنوان پاسخی به نیاز به داده‌های جغرافیایی باز و با استفاده آسان و به‌عنوان جایگزینی برای سیستم‌های اطلاعات جغرافیایی تجاری که محدودیت‌هایی را برای استفاده از داده‌ها اعمال می‌کنند، پدیدار شده‌اند. پیشرفت فناوری نقش نوظهور شهروند را به عنوان منبع داده تقویت کرده است. سنجش شهروندی به طور چشمگیری بر نقشه برداری و استفاده از نقشه تأثیر گذاشته و بر فعالیت های روزمره زندگی مانند بازی و گردشگری و همچنین به طور کلی بر علم و فناوری تأثیر می گذارد [ 20 ]. با توجه به تکثیر دستگاه‌های آگاه از مکان و فرصت‌های وب 2.0، اکنون این امکان برای شهروندان وجود دارد که به راحتی اطلاعات جغرافیایی را به دست آورند، که ممکن است به طور چشمگیری هزینه تهیه نقشه را کاهش دهد [ 21 ]] و همچنین اجازه می دهد تا معمولاً نقشه های به روز داشته باشید [ 22 ]. علاوه بر این، می تواند به ابزاری برای توانمندسازی افراد و گروه های اجتماعی به حاشیه رانده شده تبدیل شود [ 23 ].
با این حال، داده های مشتق از شهروندان نیز اغلب دارای کیفیت و سطوح اعتماد متفاوتی هستند. به عنوان مثال، داده های تولید شده ممکن است ضعیف توصیف شوند و با ابرداده های کمی مرتبط باشند. علاوه بر این، ملاحظات دیگری در استفاده از VGI وجود دارد، از جمله حقوق مالکیت، و همچنین مسائل خصوصی، حقوقی و اخلاقی [ 20 ].
OpenStreetMap (OSM) یکی از شناخته شده ترین پروژه های VGI است. رویکرد جمع‌سپاری OSM موفقیت خود را از نقشه‌برداری شهروندان و جمع‌آوری داده‌ها و اطلاعات در مورد محل خود می‌گیرد [ 13 ]. ویژگی هایی که نقشه برداری می شوند عبارتند از مکان سطل های زباله، گذرگاه های عابر پیاده، انواع پوشش زمین، مغازه ها، امکانات آموزشی، ساختمان های دولتی، جاده ها و شبکه های رودخانه. تمام داده های پایگاه داده OSM را می توان به صورت رایگان در قالب های مختلف داده های مکانی دانلود کرد. علاوه بر این، تعدادی ابزار منبع باز برای پردازش این داده ها و تولید فرمت های دیگر در دسترس هستند [ 21]. پروژه OSM بر روی داوطلبان با تجربه ای حساب می کند که زمان خود را صرف بررسی، به روز رسانی و بهبود داده های OSM می کنند. هدف فرآیند اعتبارسنجی اطمینان از کامل بودن و کیفیت داده ها است. با این وجود، این واقعیت که OSM یا غیرتجاری یا دولتی است و اعتبارسنجی توسط داوطلبان انجام می شود، گاهی اوقات اعتبار داده ها را زیر سوال می برد [ 20 ].
به منظور از بین بردن شک و تردیدهای مربوط به کیفیت و دقت داده‌های OSM، تعداد زیادی از کارها استحکام و اعتبار OSM را در زمینه‌های مختلف، مانند مطالعات اپیدمیولوژیکی محیطی و ارزیابی مواجهه بررسی کرده‌اند [ 24 ]. این مطالعه OSM و داده‌های جاده اصلی دولتی را در سه منطقه مختلف مقایسه کرد: ماساچوست (ایالات متحده آمریکا)، برن (سوئیس)، و بیر-شوا (اسراییل جنوبی). این تحقیق نشان داد که داده‌های OSM در همه مناطق نسبتاً کامل و دقیق بودند و نتایج در همه مناطق قوی بود و ماساچوست بهترین تناسب را نشان داد. آر2از 0.93).
در همین راستا، کار [ 25 ] کیفیت داده های OSM را با توجه به مناسب بودن آن برای یک برنامه خاص، به ویژه برای ناوبری عابر پیاده ارزیابی می کند. تجزیه و تحلیل مسیرهای محاسبه شده با داده های OSM و مسیرهای انجام شده با مجموعه داده های توپوگرافی آلمانی را با استفاده از دسترسی و طول مسیرها به عنوان معیارهای کیفیت مقایسه می کند. این مطالعه نتیجه می گیرد که OSM به طور متوسط ​​در حدود شش متر از موقعیت ثبت شده توسط Ordnance Survey و با تقریباً 80٪ همپوشانی اشیاء بزرگراه بین دو مجموعه داده نسبتاً دقیق است.
کار مرتبط دیگر در مورد مقایسه دقت داده های OSM در مورد استفاده از زمین در چهار منطقه شهری آلمان در مقابل نظارت جهانی برای محیط زیست و امنیت شهری اطلس شهری به عنوان مرجع [ 26 ] است. این مطالعه مناسب بودن استفاده از OSM را به‌عنوان یک منبع مکمل جایگزین برای استخراج اطلاعات کاربری زمین نشان می‌دهد، زیرا همچنین پتانسیل ویژگی‌های کاربری اراضی جمع‌آوری‌شده توسط نقشه‌برداران را برجسته می‌کند.
همچنین تلاش هایی برای ارزیابی کیفیت OSM- از نظر کامل بودن، و دقت موقعیتی و معنایی در بخش فرهنگی صورت گرفته است. در [ 27 ]، نویسندگان نشان می‌دهند که تعداد موزه‌های ایتالیا که در OSM نقشه‌برداری شده‌اند، 86 درصد از کل رسمی را تشکیل می‌دهد. علاوه بر این، OSM دارای سوابق اطلاعات موقعیتی و معنایی 39 درصد از موزه ها به طور کلی است. این مطالعه همچنین بیان می کند که برای 77.7٪ از موزه ها، مکان گزارش شده توسط OSM کمتر از 150 من با مکان واقعی موزه فاصله دارد. به همین ترتیب، 90 درصد از موزه‌ها در OSM و در منابع رسمی نامی مشابه دارند.
OSM همچنین برای پیش‌بینی شاخص‌های اجتماعی-اقتصادی (پایداری، توسعه انسانی، آسیب‌پذیری، ریسک، انعطاف‌پذیری و سازگاری با تغییرات آب و هوایی) برای شهرداری‌ها استفاده شده است. در [ 28 ]، نویسندگان مطالعه جالبی را ارائه می‌کنند که چشم‌انداز OSM را برای تجزیه و تحلیل موضوعات و عوامل بین‌رشته‌ای مانند انسجام اجتماعی، و ارائه بینش معناداری در مورد تفاوت‌های فضایی در نابرابری‌های اجتماعی، محیطی یا اقتصادی برجسته می‌کند. یکی از نتایج این مطالعه این است که تحقیقات بیشتری برای تعیین تأثیر تفاوت‌های منطقه‌ای و بین‌المللی در مشارکت کاربران بر خروجی‌ها مورد نیاز است.
در زمینه خاص گردشگری، آثاری پیدا کردیم که از OSM در کارهای تحلیلی استفاده می‌کنند. به عنوان مثال، در [ 29]، چارچوبی برای ارزیابی کیفیت OpenStreetMap به تصویر کشیده شده است. این رویکرد چندین معیار کیفیت، مانند کامل بودن، انطباق، سازگاری، دانه بندی، غنا و اعتماد برچسب های OSM را در اسپانیا تجزیه و تحلیل می کند. نویسندگان نتیجه می‌گیرند که وضعیت فعلی داده‌های OSM اسپانیایی را می‌توان در برخی از شاخص‌ها (انطباق و سازگاری) رضایت‌بخش در نظر گرفت، در حالی که در برخی دیگر (گرانول بودن و غنا) باید بهبود یابد. برای POI های گردشگری، برخی از عناصر هنوز وجود ندارند. به عنوان مثال، مقاصد خرید و رفاهی باید شامل ساعات کاری، شماره تلفن و غیره باشد، و دسته‌های خاص مانند رستوران‌ها یا هتل‌ها باید شامل اطلاعات دقیق‌تر (قیمت‌ها، غذا، ستاره‌ها و غیره) باشند.
به همین ترتیب، ر. [ 30 ] سازگاری اطلاعات موجود در مجموعه آمارهای گردشگری سازمان جهانی گردشگری را با توجه به اطلاعات منتشر شده در OSM، به ویژه اطلاعات مکان های اقامت، غذا و نوشیدنی ها و آژانس های مسافرتی ارزیابی کرد. در میان نتایج نشان داده شده در این مقاله، همبستگی بالایی که بین داده‌های هر دو منبع با توجه به اطلاعات محل اقامت (0.81)، سایت‌های غذا و نوشیدنی (0.87) و آژانس‌های مسافرتی (0.82) وجود دارد قابل توجه است.
در [ 31 ]، نویسندگان نحوه استفاده از داده‌های OSM را همراه با داده‌های منابع رسمی و سایر پلتفرم‌ها با هدف شناسایی الگوهای فضایی در محبوبیت پارک در ایالت ویکتوریا، استرالیا، افشا کردند. همبستگی‌های آماری معنی‌داری بین داده‌های رسمی و داده‌های OSM پیدا شد، که نشان می‌دهد تراکم رئوس OSM در یک منطقه مشخص می‌تواند برای استنتاج تعداد بازدیدکنندگان استفاده شود.
در نهایت، در [ 32 ]، روشی برای محاسبه شاخص های ترکیبی به دست آمده از داده های OSM به عنوان جایگزینی برای دفاتر آماری ارائه شد. برای نشان دادن استفاده از آن، آنها این روش را برای تعدادی از شاخص های مورد استفاده برای ارزیابی املاک و مستغلات در ایتالیا به کار بردند. در میان این شاخص‌ها، آنها تعدادی مکان مرتبط تاریخی و تعدادی از هتل‌های مجاور و ویژگی‌های مرتبط با هتل را در نظر گرفتند.

3. داده ها

این بخش ابتدا شاخص های گردشگری را از منابع داده WEF توصیف می کند که در تجزیه و تحلیل ما استفاده خواهد شد. در ادامه، برخی از جنبه های اساسی OSM را مرور می کنیم و مفهوم متغیرهای مستقیم و غیرمستقیم را تعریف می کنیم.

3.1. WEF

رقابت پذیری گردشگری به عنوان مجموعه ای از مقررات، زیرساخت ها و منابعی در نظر گرفته می شود که توسعه پایدار بخش سفر و گردشگری (T&T) را ممکن می سازد. برای تجزیه و تحلیل ما، داده های مربوط به رقابت پذیری گردشگری از منابع سازمان WEF بازیابی شد. به ویژه، ما بر گزارش رقابت پذیری سفر و گردشگری تمرکز می کنیم، که اولین نسخه آن در سال 2007 منتشر شد. این گزارش بر اساس داده های ثانویه از ارگانیسم های مختلف بین المللی است و به رهبران درگیر در T&T تجزیه و تحلیل عمیقی از رقابت پذیری گردشگری در یک بخش بزرگ ارائه می دهد. تعداد اقتصادها در سراسر جهان نسخه 2017 141 اقتصاد را پوشش می‌دهد و داده‌هایی را در مورد 14 عامل و سیاست کلیدی، که ستون‌ها نیز نامیده می‌شوند، ارائه می‌کند که توسعه پایدار T&T را ممکن می‌سازد.33 ].
یک ستون، نقاط قوت و ضعف یک کشور را در مقیاس 1 (بد) تا 7 (عالی) اندازه‌گیری می‌کند و بر اساس مجموعه‌ای از 90 شاخص است که از نظرسنجی‌ها یا آمارهای رسمی ملی جمع‌آوری می‌شود. این شاخص ها عمدتاً از دو منبع استخراج می شوند:
  • شاخص‌های نظرسنجی: اینها داده‌هایی هستند که از پاسخ‌ها به نظرسنجی اجرایی WEF به دست می‌آیند که نظرات رهبران کسب‌وکار در سراسر جهان را در مورد طیف گسترده‌ای از موضوعات جلب می‌کند. هدف این شاخص‌ها اندازه‌گیری مفاهیم مهم برای تکمیل منابع سنتی آمار و ارائه ارزیابی دقیق‌تر از محرک‌های توسعه اقتصادی است. شاخص های نظرسنجی از 1 تا 7 متغیر است (1: کمترین ادراک منفی؛ 7: بالاترین ادراک مثبت).
  • شاخص‌های داده‌های سخت: داده‌هایی هستند که به طور عینی وضعیت برخی منابع یا مفهوم انتزاعی را نشان می‌دهند و اغلب توسط سازمان‌های رسمی بین‌المللی یا ملی (مثلاً تعداد استادیوم‌ها، فرودگاه‌ها، دستگاه‌های خودپرداز و غیره) اندازه‌گیری می‌شوند. این شاخص ها در مقیاس 1 تا 7 نرمال سازی شده اند تا با نتایج نظرسنجی اجرایی مطابقت داشته باشند.
WEF از بررسی و شاخص‌های داده‌های سخت برای شکل دادن به 14 ستون استفاده می‌کند، که سپس در یک شاخص رقابت جهانی سفر و گردشگری جمع‌آوری می‌شود که نشان‌دهنده میزان دوام یک کشور در بخش T&T است.
برای تحلیل خود، ما شاخص‌هایی را انتخاب کردیم که جنبه‌های ملموسی را اندازه‌گیری می‌کنند که به طور مستقیم توسط گردشگران درک می‌شوند و می‌توانند در انتخاب یک مقصد خاص تعیین‌کننده باشند. نه شاخص انتخاب شده به عنوان متغیرهای مطالعه ما در جدول 1 نشان داده شده است. ستون دوم جدول 1 نام نشانگر را در کنار یک توضیح مختصر نشان می دهد. ستون اول ستونی است که نشانگر به آن تعلق دارد. ستون سوم نام متغیر مورد مطالعه ما را نشان می دهد. ستون چهارم نشان می دهد که آیا این اندیکاتور یک شاخص داده سخت (H) است یا یک نشانگر بررسی (S). در نهایت، ستون پنجم در بخش 3.2 توضیح داده شده است زیرا مستقیماً با بازیابی داده های OSM درگیر است.
همانطور که مشاهده می شود، هر متغیر تنها از یک شاخص WEF استخراج می شود به جز متغیر WHS که از دو شاخص نشات می گیرد، تعداد سایت های فرهنگی میراث جهانی و تعداد سایت های طبیعی میراث جهانی. دلیل آن این است که مکان های جهانی برجسته هم به عنوان مکان های فرهنگی و هم طبیعی واجد شرایط هستند.
در مجموع، ما در مجموع هشت متغیر داریم که مرتبط‌ترین جنبه‌های رقابت‌پذیری گردشگری را پوشش می‌دهند که بر درک گردشگران از کشور تأثیر می‌گذارند. شاخص‌های انتخاب‌شده جنبه‌هایی را در بر می‌گیرند که تأثیر عمده‌ای بر یک سفر توریستی دارند، مانند حضور شرکت‌های کرایه اتومبیل، در دسترس بودن محل اقامت، یا تعداد مکان‌های فرهنگی/طبیعی. برخی از متغیرهای جدول 1 به عناصر مرتبط با زیرساخت گردشگری اشاره دارند، در حالی که برخی دیگر به بررسی جذابیت گردشگری کشور می پردازند. مقادیر شاخص‌ها برای هر کشور از گزارش رقابت‌پذیری سفر و گردشگری استخراج می‌شوند که مستقیماً در قالب الکترونیکی در دسترس و قابل دانلود است [ 33 ].

3.2. OSM

در این بخش، عناصر OSM را که در تجزیه و تحلیل ما استفاده خواهد شد، شرح خواهیم داد. اشیایی که بر روی نقشه OSM ترسیم می شوند، ویژگی های نقشه نامیده می شوند، اما این ویژگی های نقشه یک سایت خاص گردشگری نیستند. با این حال، تجمیع نقشه‌های وب و محتوای تولید شده توسط کاربر با طیف گسترده‌ای از ابرداده‌ها (برچسب‌های OSM) تغذیه می‌شود که اطلاعات گردشگری ارزشمندی مانند محل اقامت، مراکز غذایی، یا جاذبه‌های گردشگری را ارائه می‌دهد. از این رو، ما قادر به جمع آوری اطلاعات در مورد رقابت پذیری گردشگری در یک منطقه جغرافیایی یا اداری، مانند یک کشور هستیم [ 34 ].
از این نظر، جدول 2 فهرستی از پنج کلید را به همراه شرح متنی مختصری از هر یک نشان می دهد. در پایان توضیحات، چند نمونه از برچسب‌ها را نشان می‌دهیم که یک ویژگی نقشه خاص را نشان می‌دهند. به عنوان مثال، نوار عنصری است که در OSM با عنوان amenity = "bar" برچسب گذاری شده است، و موزه با عنوان گردشگری = "موزه" برچسب گذاری شده است . فهرست کاملی از ویژگی‌های نقشه را می‌توانید در صفحه وب پروژه ( https://wiki.openstreetmap.org/wiki/Map_Features (در 28 نوامبر 2020) مشاهده کنید.
هیچ دستورالعمل خاصی برای نوع برچسب ها برای تعریف یک ویژگی نقشه وجود ندارد، به جز اینکه آنها همیشه باید مقادیر رشته ای باشند. اگرچه مشارکت‌کنندگان OSM مجاز به استفاده از ویژگی‌های سبک آزاد برای تعریف ویژگی‌ها هستند، یک صفحه ویکی ( https://wiki.openstreetmap.org/wiki/How_to_map_a (دسترسی در 30 ژوئن 2020)) وجود دارد که ترکیب‌های توصیه شده از برچسب‌ها را برای واجد شرایط بودن نشان می‌دهد. یک شی برچسب ها برای پرس و جو و بازیابی هر شی تعریف شده در OSM استفاده می شوند.
دو منبع داده ای که ما در این کار مدیریت می کنیم، WEF و OSM، ماهیت بسیار متفاوتی دارند، و بنابراین همیشه نمی توان دقیقاً یک مفهوم را در هر دو منبع اندازه گیری کرد. از این رو، یک جنبه مرتبط که باید در استخراج داده ها در نظر گرفته شود این است که آیا مقدار OSM یک متغیر خاص در همان واحدهای اندازه گیری با مقدار شاخص مربوطه در WEF داده می شود یا خیر، که باعث می شود:
  • متغیرهای مستقیم: این مورد زمانی است که متغیر با همان عبارات شاخص WEF اندازه گیری می شود. به عنوان مثال، مقدار بازیابی شده از OSM برای متغیر CAR ، تعداد مؤسساتی است که چنین خدمات خاصی را ارائه می دهند، همانطور که مقادیر به دست آمده از WEF برای نشانگر «حضور شرکت های اجاره کنسرو بزرگ» است.
  • متغیرهای غیرمستقیم: این مورد زمانی است که متغیر در OSM در واحدهایی غیر از آنهایی که در اندیکاتور WEF استفاده می شود اندازه گیری می شود. به عنوان مثال، مقدار شاخص WEF “جذابیت دارایی های طبیعی” مقداری در محدوده 1 تا 7 است که از یک نظرسنجی به دست می آید، در حالی که مقداری که از OSM برای متغیر NAT به دست می آوریم، تعداد نقاط زیبایی طبیعی است.
در ستون پنجم جدول 1 مشاهده می کنیم که متغیرها به صورت مستقیم (D) یا غیر مستقیم (I) طبقه بندی می شوند.

4. روش ها

هدف ما این است که تجزیه و تحلیل کنیم که داده های OSM چقدر به مقادیر شاخص های WEF تقریب دارند و بنابراین تعیین می کنیم که آیا OSM یک منبع داده قابل اعتماد برای ارزیابی رقابت پذیری گردشگری است یا خیر.
شکل 1 گردش کار دنبال شده در تحلیل ما را نشان می دهد. ابتدا،  گزارش رقابت‌پذیری سفر و گردشگری در سال 2017 بررسی شد و همانطور که در بخش 3 توضیح داده شد ، هشت متغیر مرتبط با جاذبه‌ها و زیرساخت‌های اقامتی انتخاب شدند. داده های مربوط به هر کشور مربوط به این متغیرها در سال 2017 از WEF دانلود شد. سپس پایگاه داده OSM مورد مطالعه قرار گرفت و مناسب ترین داده برای هر متغیر در سال 2017 استخراج شد (این مورد در بخش 4.1 توضیح داده خواهد شد ). هر دو داده از WEF و OSM برای ساخت برخی مدل های آماری، همانطور که در بخش 4.2 نشان داده شده است، ترکیب شدند.. برای ارزیابی این مدل‌ها مراحل زیر انجام شد: (1) داده‌های OSM در سال 2019 دانلود شدند، (2) از این داده‌های OSM جدید برای استنباط مقادیر WEF با استفاده از مدل‌های رگرسیون استفاده شد و (3) مقادیر استنباط شده با یکدیگر مقایسه شدند. به مقادیر واقعی WEF در گزارش رقابت پذیری سفر و گردشگری 2019 .

4.1. پردازش داده های OSM

ما یک فرآیند دو مرحله ای ساده را برای بازیابی داده های OSM برای هر متغیر دنبال می کنیم:
  • مرحله 1. ما ترکیب خاصی از تگ های OSM را شناسایی می کنیم که معنای متغیر را بهتر نشان می دهد. به عنوان مثال، برای متغیر WEF CAR (شرکت‌های کرایه خودرو)، برچسب‌های راحتی ، نام و  اپراتور را انتخاب کردیم ، زیرا این ترکیب خاص آگاهی از حضور یک شرکت کرایه اتومبیل خاص در یک منطقه جغرافیایی را امکان‌پذیر می‌سازد.
  • مرحله 2. ما برچسب های OSM انتخاب شده در مرحله 1 را از طریق Overpass API پرس و جو می کنیم (API Overpass یک API است که بخش های انتخابی سفارشی داده های نقشه OSM را با معیارهای جستجو مانند مکان، نوع اشیاء، ویژگی های برچسب، مجاورت ارائه می دهد. ، یا ترکیبی از آنها ( https://wiki.openstreetmap.org/wiki/Overpass_API/Language_Guide (دسترسی در 3 ژوئیه 2020)) در محدوده جغرافیایی محدود یک کشور خاص. الگوریتم 1 پرس و جوی را برای بازیابی شرکت های اجاره خودرو در کلمبیا نشان می دهد. هنگامی که اشیاء نوع amenity = "car_rental" بازیابی شدند، می‌توانیم query name = "Europcar" یا query operator = "Europcar" را روی اشیاء بازیابی شده اعمال کنیم تا بفهمیم آیا شرکت اجاره خودروEuropcar در کلمبیا حضور دارد.
الگوریتم 1: گزیده کد روگذر.
    1 (
2 area['ISO3166-1:alpha2' = "CO"][adminlevel=2];
3 ->.a;
4 (
5 node[amenity = "carrental"](area.a);
6 way[ amenity = "carrental"](area.a);
7 rel[amenity = "carrental"](area.a);
8 )
9 ;out center;)
در برخی موارد، برای بازیابی مقدار یک متغیر خاص، لازم است دو یا چند کوئری همانطور که در مرحله 2 توضیح داده شد اعمال شود. برای تقریب مقدار برخی از متغیرها با داده های OSM، عملیات جمع آوری، حسابی یا عملیات پیچیده تر مورد نیاز است. هم کوئری های Overpass و هم عملیات تقریب بعدی در پایتون پیاده سازی شده اند.
در ادامه تگ های مورد استفاده برای بازیابی متغیرها و همچنین عملیات مورد نیاز در برخی موارد برای تقریب مقدار اندیکاتور WEF را توضیح می دهیم.
ماشین . ما ابتدا همه ویژگی‌هایی را که با تگ amenity = "car_rental" مطابقت دارند ، بازیابی می‌کنیم ، و سپس بررسی می‌کنیم که آیا حداقل یکی از ویژگی‌ها با نام شرکت کرایه خودرو مطابقت دارد (به عنوان مثال، نام = "Avis" یا operator = "Avis" ).
دستگاه خودپرداز تعداد ویژگی‌هایی در OSM که با برچسب amenity = "atm" مطابقت دارند نسبتاً کم است و معمولاً فقط به نهادهای بانکی اشاره دارد. با این حال، دستگاه های خودپرداز در مراکز خرید یا انواع دیگر موسسات وجود دارد که از طریق برچسب atm = "yes" قابل بازیابی هستند . ما یک دستگاه خودپرداز برای هر ویژگی برچسب‌گذاری شده amenity = "ATM" تخمین زدیم زیرا نشان می‌دهد که شی یک دستگاه خودپرداز واقعی است ، در حالی که ما دو دستگاه خودپرداز برای هر ویژگی با برچسب atm = "بله" تخمین زده‌ایم زیرا نشان می‌دهد که مکان دارای چند دستگاه خودپرداز است. در نهایت، برای محاسبه تعداد دستگاه های خودپرداز به ازای هر جمعیت بالغ 100000 نفر، از ارزش جمعیت بین 15 تا 64 سال استفاده کردیم که بانک جهانی ارائه کرده است.https://www.worldbank.org/ (دسترسی در 21 اکتبر 2020)).
داغ . تعداد اتاق‌های هتل در OSM با یافتن ویژگی‌های برچسب‌گذاری شده گردشگری = "هتل" و سپس با استفاده از ارزش اتاق‌های برچسب چنین ویژگی‌هایی که یک مقدار صحیح است که تعداد اتاق‌های یک هتل را نشان می‌دهد، استخراج می‌شود. متأسفانه، اتاق‌های تگدر اکثر ویژگی‌های هتل وجود ندارد، به همین دلیل است که با در نظر گرفتن تعداد هتل‌ها به عنوان مقدار OSM برای متغیر HOT ، آن را انتخاب کردیم .
HBD . مشابه متغیر HOT ، مقدار HBD را با استفاده از تگ amenity = "hospital" بازیابی می کنیم و سپسبرای به دست آوردن تعداد تخت، تخت برچسب را روی ویژگی های بیمارستان جستجو می کنیم. همانطور که در مورد HOT متغیر اتفاق می افتد ، تنها ویژگی های بیمارستانی یک گروه کوچک از 19 کشور (به عنوان مثال، ایالات متحده، عربستان سعودی، فرانسه، بریتانیا، اندونزی، آلمان، و غیره) شامل تخت کلید است . بنابراین، ما آن را با در نظر گرفتن تعداد بیمارستان ها به عنوان مقدار OSM برای متغیر HBD انتخاب کردیم .
WHS . این متغیر مستقیم نشان دهنده تعداد مکان های طبیعی و فرهنگی یک کشور است که توسط یونسکو به عنوان میراث جهانی انتخاب شده اند. ارزش WHS از طریق برچسب‌های heritage = "1" یا heritage:operator= "World Heritage Center (whc)" قابل بازیابی است که تعداد ویژگی‌های OSM برچسب‌گذاری شده به عنوان سایت‌های میراث جهانی را برمی‌گرداند.
هوا . با توجه به اینکه تعداد پروازها در OSM موجود نیست، ما به طور انحصاری روی تعداد فرودگاه‌هایی که از برچسب aeroway = "aerodrome" استفاده می‌کنند، تمرکز کردیم . به طور خاص، ما به فرودگاه‌هایی علاقه‌مندیم که برای عموم آزاد باشند و توسط انجمن بین‌المللی حمل‌ونقل هوایی ( IATA = "<air_code>" ) یا سازمان بین‌المللی هوانوردی غیرنظامی ( ICTAO = "<air_code>" ) به رسمیت شناخته شده باشند، جایی که <air_code> کد فرودگاهی است که به ترتیب توسط IATA یا ICTAO ارائه شده است.
CDD . ما فرض می کنیم که هر چه جاذبه های تاریخی، فرهنگی و تفریحی یک کشور بیشتر باشد، جستجوهای آنلاین بیشتری به دست می آید. برای متغیر CDD ، تعداد ویژگی‌هایی را که به عنوان موزه طبقه‌بندی می‌شوند را می‌شماریم ( گردشگری = "موزه" ). مکان های تاریخی (به عنوان مثال، تاریخی = "هواپیمایی"|"قنات" ) و مراکز هنری ( امکانات = "arts_centre" ); پارک های موضوعی، آکواریوم ها و پارک های آبی ( گردشگری = "پارک_مضمونی" ، گردشگری = "آکواریوم" ، اوقات فراغت = "پارک_آبی" ); و اماکن مذهبی (به عنوان مثال، ساختمان = "کلیسای جامع"|"نمایشگاه" |"کلیسا" ، امکانات = ")، در میان دیگران. در مورد ویژگی هایی که نمایانگر یک ساختمان هستند، ما همچنین وجود کلیدهای تاریخی یا گردشگری در ویژگی را جویا می شویم تا اطمینان حاصل کنیم که ساختمان به عنوان یک جاذبه گردشگری طبقه بندی می شود.
NAT . برای این متغیر غیرمستقیم، تعداد مکان‌های مورد علاقه توریست‌ها را به دلیل زیبایی طبیعی‌شان بازیابی کردیم، مانند پارک‌های ملی (به عنوان مثال، مرز = "پارک_ملی" )، و همچنین ویژگی‌های نقشه که هم کلیدهای طبیعی و هم گردشگری را دارند. نمونه هایی از برچسب ها عبارتند از گردشگری = "جاذبه" و طبیعی = "آب" ، طبیعی = "خلیج" ، طبیعی = "صخره" ، طبیعی = "آتشفشان" و غیره.

4.2. تحلیل آماری

در این بخش ما یک تجزیه و تحلیل آماری انجام می دهیم و رابطه بین مقادیر شاخص های رسمی WEF و داده های جمع آوری شده از OSM را بررسی می کنیم. به طور خاص، ابتدا یک تحلیل همبستگی خطی بین هر متغیر WEF (که به عنوان متغیر-WEF نشان داده می شود) و همتای آن در OSM (که با متغیر-OSM مشخص می شود) انجام می شود و سپس مدل های رگرسیونی برای اندازه گیری میزان تناسب داده های OSM محاسبه می شوند. شاخص های WEF برای به دست آوردن دقیق‌ترین مدل که با داده‌های موجود مطابقت دارد، مدل‌های رگرسیون خطی و غیرخطی مانند مدل‌های ضربی، دو مربعی و ریشه دوم-Y و سایر مدل‌های مورد آزمایش قرار گرفتند ( جدول 3 را ببینید.). این مدل‌های رگرسیون زمانی جایگزین هستند که مدل‌های خطی به دقت مطلوب دست نمی‌یابند، یا زمانی که پدیده مورد مطالعه رفتاری دارد که می‌توان آن را غیرخطی در نظر گرفت. برای ارزیابی دقت هر مدل، ضریب تعیین ( آر2) که نسبت تغییرات متغیر وابسته (متغیر-WEF) را اندازه گیری می کند، توسط متغیر مستقل توضیح داده می شود و (متغیر-OSM) محاسبه می شود. در نهایت، مدل ها با داده های جدید از سال 2019 آزمایش می شوند و مقادیر پیش بینی شده توسط این مدل ها با مقادیر واقعی WEF مقایسه می شوند. این تجزیه و تحلیل ها به ما کمک می کند تا به سؤالات تحقیقی 1 و 2 خود پاسخ دهیم.
همانطور که در [ 17 ] بیان شد، وضعیت خدمات ICT یک کشور تعیین خواهد کرد که یک ابتکار VGI چقدر می تواند موفق باشد و چه رشدی ممکن است در سال های آینده مورد انتظار باشد. تحقیقات قبلی [ 18] دریافت که اگرچه OSM موفقیت جهانی زیادی داشته است، اما هنوز تفاوت آشکاری در حجم داده های ارائه شده بین جوامع مرفه و فقیرتر وجود دارد. از آنجایی که OSM به داوطلبان و مقدار زمان و تلاش صرف شده برای منطقه مربوطه از نقشه متکی است، پوشش گسترده OSM در کشورهای ثروتمندتر که سطح ICT بالایی دارند، اتفاق می افتد، با توجه به اینکه این ستون وجود زیرساخت مدرن (پوشش شبکه تلفن همراه) را اندازه گیری می کند. و کیفیت تامین برق)، بلکه ظرفیت مشاغل و افراد برای استفاده و ارائه خدمات آنلاین. بنابراین، برای پاسخ به سوال تحقیق 3 ما، تجزیه و تحلیل ما از دو دیدگاه متفاوت انجام می شود: (1) در نظر گرفتن همه کشورها به عنوان یک کل، و (2) تقسیم کشورها به سه گروه بر اساس سطح ICT آنها. توسط ستون آمادگی ICT WEF.
بنابراین، ما از ارزش ستون آمادگی فناوری اطلاعات و ارتباطات (نمره از 1 تا 7) برای تجزیه تحلیل کشورها به بخش‌های معنادار استفاده کردیم. به ویژه، مقادیر این ستون که در گزارش رقابت‌پذیری سفر و گردشگری 2017 ظاهر می‌شود، از 1.57 (بوروندی) تا 6.47 (SAR هنگ کنگ) است، بنابراین ما سه بخش ICT ایجاد کردیم که سطوح پایین، متوسط ​​و بالا را نشان می‌دهند. به طور خاص، ICT پایین شامل کشورهایی می شود که دارای ارزش هستند [1.5،3.5]، ICT متوسط ​​شامل کشورهایی می شود که دارای ارزش هستند [3.5،5.0]و در بخش بالای فناوری اطلاعات و ارتباطات، کشورهایی را یافتیم که دارای ارزش‌های درونی هستند [5.0،6.5]. با توجه به این فواصل، 32 کشور در رده ICT کم، 54 کشور به عنوان ICT متوسط ​​و 47 کشور در رده ICT بالا طبقه بندی می شوند. در شکل 2 ، نحوه توزیع کشورها بر اساس سطح ICT را مشاهده می کنیم.
به طور خلاصه، ما تجزیه و تحلیل هر متغیر را با در نظر گرفتن همه کشورها با هم و همچنین با توجه به سطوح پایین، متوسط ​​و بالا ICT انجام دادیم. ابتدا، داده های موجود در پایگاه داده OSM در ابتدای سال 2018 جمع آوری و پردازش می شود که در بخش 3.2 توضیح داده شده است. سپس، بسته Statgraphics ( www.statgraphics.com (دسترسی در 23 ژوئیه 2020)) برای تولید مدل‌های رگرسیون هر متغیر WEF از متغیر همتای OSM آن استفاده می‌شود. در این مورد، مقادیر WEF از گزارش رقابت پذیری سفر و گردشگری 2017 استخراج شده است.. مدل‌های به‌دست‌آمده با استفاده از هر دو رویکرد مقایسه شده و مدل‌هایی با بهترین ضریب تعیین انتخاب می‌شوند. در این انتخاب، مهم است که در نظر داشته باشیم که مدل‌های رگرسیون نسبت به موارد پرت حساس هستند، به این معنا که مقادیر پرت ممکن است تأثیر زیادی بر مدل رگرسیونی داشته باشند، تأثیری که با کاهش مقدار داده افزایش می‌یابد (تا زمانی که داده‌ها نه پرت). به عبارت دیگر، مدل‌های به‌دست‌آمده برای هر سطح فناوری اطلاعات و ارتباطات نسبت به نقاط پرت حساس‌تر خواهند بود، اما در عین حال امکان شناسایی نقاط پرت را نیز فراهم می‌کنند.
در نهایت، ما علاقه مند به بررسی کاربردی بودن مدل های به دست آمده با داده های جدید هستیم. ایده اصلی این است که آخرین شاخص‌های منتشر شده WEF (از گزارش رقابت‌پذیری سفر و گردشگری 2019 ) را با مقادیر پیش‌بینی‌شده ارائه‌شده توسط مدل‌های ما، با استفاده از داده‌های ورودی که در پایگاه داده OSM در ابتدای سال 2020 گنجانده شده‌اند، مقایسه کنیم. داده های مربوط به همان دوره مقایسه خواهد شد. به منظور جمع‌آوری این داده‌های OSM جدید، همان روشی را که در بخش 3.2 توضیح داده شده است، اعمال می‌کنیم .

5. نتایج

از این نقطه، ما تجزیه و تحلیل می کنیم که چگونه داده های OSM هشت متغیر WEF را نشان می دهد که رقابت پذیری گردشگری را اندازه گیری می کند. جدول 4 خلاصه ای از نتایج به دست آمده در تجزیه و تحلیل ما برای هر متغیر را نشان می دهد. ستون بهترین بخش ICT. نشان می دهد که آیا بهترین مدل هنگام در نظر گرفتن کشورها با هم یا هنگام استفاده از تقسیم بندی بر اساس سطح ICT پیدا شده است. ستون‌ها بهترین مدل برازش و کفایت کلی به OSM نشان‌دهنده نوع مدلی است که با داده‌ها سازگاری بیشتری دارد و در هر مورد چقدر داده‌ها با این مدل مطابقت دارند. هر یک از بخش های زیر به یک متغیر اختصاص دارد. جزئیات مدل ها برای هر سطح ICT، همراه با همبستگی و آر2مقادیر، در پیوست A نشان داده شده است. بهترین مدل برای هر متغیر انتخاب می‌شود و سپس هر یک از این مدل‌ها روی داده‌های OSM جدید (داده‌های ۲۰۱۹) اعمال می‌شود تا ارزیابی شود که آیا مدل هنوز برازش خوبی دارد یا خیر. ستون برازش داده‌های سال 2019 در جدول 4 برازش را با مدل داده‌های سال 2017 با داده‌های سال 2019 مقایسه می‌کند ( پیوست Bآر2مقدار برای هر متغیر با هر دو مجموعه داده).

5.1. ماشین

اولاً، به یاد می‌آوریم که این متغیر حضور هفت شرکت بزرگ اجاره خودرو را اندازه‌گیری می‌کند، بنابراین متغیر CAR مقداری را در داخل می‌گیرد. [0،7]. پیوست A رابطه بین CAR -OSM و CAR -WEF را خلاصه می‌کند، علاوه بر مدلی که بهترین تناسب را با داده‌ها زمانی که کشورها همه با هم هستند و زمانی که آنها بر اساس فناوری اطلاعات و ارتباطات گروه‌بندی می‌شوند، است. مشاهده می شود که بیشترین همبستگی (83/0) و بیشترین همبستگی آر2(0.704) زمانی به دست می آید که همه کشورها در نظر گرفته شوند. به طور خاص، مدل رگرسیونی که بهترین تناسب با داده ها را دارد به شرح زیر است:

CAR-WEF(آلل)=7.61+15.83∗CAR-OSM.
p – value کمتر از 0.05 نشان می دهد که رابطه آماری معنی داری بین CAR -WEF و CAR -OSM با سطح اطمینان 95٪ وجود دارد.
با این حال، ارزش‌های به‌دست‌آمده هنگام طبقه‌بندی کشورها توسط فناوری اطلاعات و ارتباطات نیز قابل قبول است که در همه موارد نشان‌دهنده یک ارتباط قوی و قابل توجه است. به طور کلی، پوشش OSM این شاخص در سراسر کشورها در مقایسه با شرکت‌های اجاره خودرو ثبت‌شده در WEF نسبتاً خوب است.
علاوه بر این، شکل 3 a میانگین مقادیر CAR -OSM و CAR -WEF را نشان می دهد. میانگین مقدار CAR -OSM برای کشورهای سطح پایین ICT تقریباً صفر است در مقابل میانگین مقدار CAR -WEF که حدود 3 است. این توضیح می دهد که حضور شرکت های کرایه اتومبیل در این گروه از کشورها چندان گسترده نیست. و اینکه تعداد کمی از شرکت های موجود در اکثر کشورها به خوبی ترسیم نشده اند. به عنوان یک استثنا، سه کشوری که بیشترین نقشه را دارند نیکاراگوئه (6/7)، هندوراس (4/6) و ونزوئلا (3/4) هستند.
کشورهایی که به سطح متوسط ​​ICT تعلق دارند، همبستگی خوبی نشان می‌دهند، که تا حدی توسط همبستگی مثبت برخی از کشورهای دارای نقشه خوب مانند مراکش (5/6)، پرو و ​​تایلند (5/7)، یا جمهوری دومینیکن و مکزیک (7/7) پشتیبانی می‌شود. 7) تمام مقاصد مهم گردشگری. در مقابل، رابطه کشورهایی که به گروه ICT بالا تعلق دارند کمی بدتر است زیرا هیچ شرکت کرایه اتومبیل برای تعداد کمی از کشورهایی که ارزش های بالایی از CAR -WEF ارائه می دهند مانند لیتوانی، اسلوونی، اردن، کویت ( CAR -WEF ) ترسیم نشده است.=7) یا جمهوری اسلواکی ( CAR -WEF =6). با این حال، در این گروه، ما می توانیم بیشترین تعداد کشورهای کاملاً نقشه برداری شده را با بهترین نقشه برداری ممکن 7/7 پیدا کنیم (به عنوان مثال، فرانسه، آلمان، هلند، امارات متحده عربی، انگلستان).
با توجه به تجزیه و تحلیل با داده های سال 2019، می توانیم در پیوست B مشاهده کنیم که آر2مقدار کمی بدتر از آر2به‌دست‌آمده با داده‌های سال 2017. این نشان می‌دهد که مدل به اندازه داده‌های سال 2017 با داده‌های سال 2019 تنظیم نشده است. با این حال، تفاوت به خصوص قابل توجه نیست.
به عنوان یک نتیجه گیری، می توان گفت که OSM ارزش های رسمی شرکت های اجاره خودرو در سراسر اقتصادهای جهان را به خوبی منعکس می کند. مهم‌تر از آن، می‌توان نتیجه گرفت که CAR -OSM به‌طور کلی در مقاصد گردشگری مهم به خوبی ترسیم شده است، که ما را به تأیید نمایندگی CAR -OSM برای اهداف گردشگری سوق می‌دهد.

5.2. عابر بانک

در این مورد، ATM -OSM مقداری است که بر اساس تخمین تعداد ماشین‌ها در هر گره OSM و جمعیت کشور محاسبه می‌شود تا مقدار ATM -WEF تا حد امکان تقریبی شود.

ارقام مربوط به ATM متغیر در پیوست A نشان داده شده است. درست مانند مورد CAR ، مدلی که به بهترین وجه با داده ها مطابقت دارد، مدلی است که با در نظر گرفتن همه کشورها به دست می آید، که نسبت 0.42 از تغییرپذیری ATM -WEF را توضیح می دهد. مدل به دست آمده به صورت زیر است:

ATM-WEF(آلل)=ه(2.18+0.39∗OSM-ATM).
در رابطه با مدل‌های تقسیم‌بندی ICT، نکته قابل توجه این است که خوبی تناسب با آمادگی ICT نسبت معکوس دارد و رابطه برای کشورهایی که به سطح بالای ICT تعلق دارند نه قوی و نه معنادار است، که نشان‌دهنده روشنی است که دستگاه‌های خودپرداز نیستند. به خوبی در OSM نقشه برداری شده است. در کشورهای توسعه یافته که روی تعداد زیادی دستگاه خودپرداز حساب می کنند، منطقی به نظر می رسد که مشارکت کنندگان OSM چندان علاقه ای به نقشه برداری از چنین امکاناتی نداشته باشند، زیرا یک دستگاه خودپرداز به راحتی در اطراف پیدا می شود. همبستگی صفر از این واقعیت ناشی می شود که اگرچه مقادیر ATM -OSM در برخی کشورها نسبتاً بزرگ است، اما هنوز با مقادیر ATM فاصله دارند.-WEF (به عنوان مثال، انگلستان، سوئد، سنگاپور، استرالیا، کانادا، ژاپن، کره، ایالات متحده آمریکا، امارات متحده عربی)؛ و برعکس، کشورهای دیگر در میان کشورهای با نقشه برتر یافت می شوند (به عنوان مثال، کرواسی، اتریش، سوئیس، جمهوری اسلواکی، آلمان، پرتغال، فرانسه). بنابراین به نظر می رسد نگاشت ATM -OSM نتیجه تصادفی بودن باشد، همانطور که در مقدار p غیر معنی دار مشهود است. از سوی دیگر، می توان رابطه نسبتاً قوی بین ATM -OSM و ATM -WEF در گروه کشورهای کم ICT مشاهده کرد. واضح است که تعداد دستگاه های خودپرداز در این کشورها بسیار کمتر از تعداد دستگاه های خودپرداز در کشورهایی با سطح ICT بالا است ( شکل 3 را ببینید.ب). علاوه بر این، این دستگاه های خودپرداز به طور مساوی در سراسر کشور پراکنده نیستند و کاربران برای استفاده از امکانات خودپرداز باید مسافت زیادی را طی کنند [ 35 ]. بنابراین، ATM های موجود کمیاب به شدت در OSM نقشه برداری می شوند زیرا مکان یابی دقیق آنها مهم است.
توجه به این نکته مهم است که تعداد دستگاه های خودپرداز یک تخمین است، همانطور که در بخش 3.2 توضیح داده شد ، و نتایج نشان می دهد که این تخمین باید بهبود یابد. کشورهایی که بیشترین تعداد ATM واقعی را دارند، آنهایی که در سطح ICT بالا هستند، همچنین دارای بیشترین تعداد ATM در OSM هستند (همانطور که در شکل 3 ب نشان داده شده است)، اما تفاوت بین مقدار مورد انتظار (WEF) و مقدار محاسبه شده (OSM) قابل توجه است، که پیدا کردن یک مدل خوب را دشوار می کند. در مقابل، ATM -WEF و ATM-OSM در سطح پایین ICT بسیار شبیه‌تر هستند، اما حتی در این مورد نیز پیدا کردن مدل بهتر آسان نیست. در واقع بهترین مدل زمانی به دست می آید که همه کشورها در نظر گرفته شوند، که نشان می دهد تا حدودی اثر نقاط پرت کاهش می یابد. هنگامی که این مدل برای داده های سال 2019 اعمال می شود،  آر2مقدار کمی بدتر است، مشابه مورد CAR -OSM، اما باز هم این تفاوت چندان قابل توجه نیست.
در مجموع، می‌توان نتیجه گرفت که داده‌های ATM -OSM از یک الگوی واضح برای تنظیم با داده‌های ATM -WEF پیروی نمی‌کنند.

5.3. داغ

به منظور مقایسه مقادیر این متغیر، مقدار ارائه شده توسط WEF (به بخش 3.2 مراجعه کنید ) را به تعداد کل اتاق های هتل موجود در یک کشور با استفاده از تخمین جمعیت بانک جهانی تبدیل کردیم. از این رو، ما رابطه بین تعداد هتل ها ( HOT -OSM) با تعداد کل اتاق های هتل ( HOT -WEF) را تجزیه و تحلیل خواهیم کرد.

برخلاف متغیرهای قبلی، در این مورد، بهترین مدل‌های برازش، مدل‌هایی هستند که برای کشورهای طبقه‌بندی شده بر اساس سطوح مختلف ICT، همانطور که در ضمیمه A نشان داده شده‌اند، به دست می‌آیند . هر دو سطح متوسط ​​و پایین بر خلاف سطح بالا از یک مدل کاملا مشابه پیروی می کنند. به طور مشخص:

HOT-WEF(اچمنgساعت)=(202.60+0.06∗HOT-OSM)2
HOT-WEF(مهدمنتومتر)=ه(3.67+1.06∗لn(HOT-OSM))
HOT-WEF(Low)=ه(4.75+0.86∗لn(HOT-OSM))
از سوی دیگر، می توان مشاهده کرد که همبستگی خطی و آر2برای سطوح بالا و متوسط ​​ICT قابل توجه و کاملا مشابه هستند، زیرا کشورهای توسعه یافته و ثروتمندتر با سطح ICT بالاتر زیرساخت هتلداری بهتر و صنعت گردشگری سازمان یافته و رقابتی تر دارند، همانطور که در کشورهایی مانند مکزیک، یونان در سطح متوسط ​​وجود دارد. سطح و اسپانیا و فرانسه در سطح بالا. با این حال، نمی توان الگوی مناسبی برای کشورهایی که در سطح پایین ICT قرار دارند، پیدا کرد. این ممکن است منعکس کننده داده های ناهموار و وجود نقاط پرت باشد. در واقع، هنگام بررسی عمیق داده ها، چهار نقطه پرت شناسایی می شوند (بوروندی، نیجریه، تاجیکستان و اوگاندا). با حذف این موارد پرت، مدل جدیدی با کشورهای سطح پایین ICT ایجاد می شود. این مدل یک را به دست می آورد آر20.4723 و تناسب قابل قبولی برای نقاط پرت، که در برخی موارد کاملاً مشابه مدل قبلی برای کشورهای سطح پایین ICT است.
از سوی دیگر، مدل با همه کشورها نیز برازش قابل قبولی برای داده ها به دست می آورد که با آن هایی که برای  متغیر CAR به دست آمده است، قابل مقایسه است.
هنگامی که مدل‌ها بر اساس سطوح ICT برای داده‌های سال 2019 اعمال می‌شوند ( پیوست B را ببینید )،  آر2ارزش در مورد کشورهای با ICT بالا کمی بدتر است و برای کشورهای ICT متوسط ​​یکسان است، در حالی که در مورد کشورهای کم ICT بهتر است.
در نهایت، به عنوان یک نتیجه‌گیری، می‌توان گفت که تعداد هتل‌های نقشه‌برداری شده در OSM منبع داده قابل توجهی برای کشورهایی است که به سطوح متوسط ​​و بالا ICT تعلق دارند، حتی با در نظر گرفتن اینکه هر دو متغیر مفاهیم متفاوتی را اندازه‌گیری می‌کنند.

5.4. HBD

همانند متغیر HOT ، در این متغیر ما رابطه بین تعداد بیمارستان های نقشه برداری شده در OSM را با تعداد کل تخت های بیمارستانی ( HBD -WEF) تجزیه و تحلیل می کنیم، بنابراین مقدار اولیه HBD -WEF را تبدیل می کنیم که به صورت زیر است. تعداد تخت‌های بیمارستانی به ازای هر جمعیت 10000 نفر، به تعداد کل تخت‌های بیمارستانی موجود در یک کشور.

در این مورد، واضح است که بهترین مدل ها، مدل هایی هستند که برای کشورهای طبقه بندی شده بر اساس سطح ICT به دست آمده اند. به طور مشخص:

HBD-WEF(اچمنgساعت)=(8.49+2.93∗(HBD-OSM))2
HBD-WEF(مهدمنتومتر)=ه(2.09+1.004∗لn(HBD-OSM))
HBD-WEF(Low)=(5.47E6+239.29∗HBD-OSM2).
پیوست A نشان می دهد که قدرت و اهمیت رابطه بین HBD -OSM و HBD -WEF همیشه با سطح ICT بالاتر در حال افزایش است. این واقعیت که در سطح بالای ICT، مدل نسبت 0.829 را هنگامی که HBD -OSM و HBD -WEF به مفاهیم مختلف اشاره می‌کنند، توضیح می‌دهد، به ویژه قابل توجه است.
این مدل زمانی که از داده های 2019 استفاده می شود بهتر عمل می کند. همانطور که در پیوست B نشان داده شده است ، مقدار آر2در همه موارد بالاتر است، حتی در مورد کشورهای سطح پایین ICT به 0.97 می رسد.
در مجموع، می توان گفت که مؤسسات مراقبت های بهداشتی به طور کلی در OSM به خوبی ترسیم شده اند، که داده های ارزشمندی برای اهداف گردشگری هستند.

5.5. WHS

همانطور که در پیوست A مشاهده می کنیم ، در این مورد، مدل به دست آمده برای همه کشورها بهترین گزینه نیست. بهترین ارقام برای کشورهایی به دست می آید که به سطح پایین ICT تعلق دارند و مدل های کشورهای در سطح متوسط ​​و بالا با مدل با همه کشورها قابل مقایسه است. مدل ها برای سطوح مختلف ICT عبارتند از:

WHS-WEF(اچمنgساعت)=ه(0.86+0.49∗WHS-OSM)
WHS-WEF(مهدمنتومتر)=ه(0.62+0.58∗WHS-OSM)
WHS-WEF(Low)=(-18.69+5.09∗WHS-OSM2).
برخلاف سایر متغیرها، در مورد WHS ، در مجموع 15 کشور مقادیر بالاتری را در OSM نسبت به WEF ارائه می دهند. بنابراین، شکل 4 a یک شکاف بسیار مشابه برای کشورهای ICT متوسط ​​و ICT بالا و بزرگتر از تفاوت در مقادیر میانگین کشورهای کم ICT را نشان می دهد.
معیارهای خوب در سطح پایین ICT به این دلیل است که گروهی متشکل از 25 کشور در این سطح مقادیر WHS -WEF را ارائه می دهند که از 1 تا 6 سایت متغیر است و تعداد بسیار کمی از کشورها دارای مقادیر تهی WHS -OSM هستند. علاوه بر این، کشورهایی که بالاترین WHS -WEF را دارند، مانند هند (15/35)، اتیوپی (5/9)، یا سنگال (4/7) بهترین نقشه برداری را دارند. همچنین شایان ذکر است که تعداد مکان‌های نقشه‌برداری شده از سه کشور آفریقایی بیشتر از ارزش رسمی آن در WHS -WEF است، این نشان می‌دهد که مشارکت‌کنندگان OSM برخی از سایت‌های برجسته کشورهای خود را به عنوان میراث جهانی فهرست‌بندی می‌کنند، حتی اگر به‌طور رسمی به‌عنوان رسمی شناخته نشده باشند. چنین. در مجموع، ما می توانیم یک نماینده OSM خوب از WHS ترسیم کنیمدر کشورهایی که سطح ICT پایینی دارند.
برای کشورهایی که به سطح متوسط ​​یا بالا ICT تعلق دارند، چنین رابطه مثبت قوی وجود ندارد. دلیل اصلی در وجود برخی از کشورها نهفته است که مقادیر زیادی از WHS -WEF دارند اما در OSM به خوبی ترسیم نشده اند، به عنوان مثال، چین (9/52) در ICT متوسط ​​یا ایتالیا (2/51) در ICT بالا. در حالی که سایر کشورها مانند روسیه (20/26) و اسپانیا (41/45) به ترتیب در ICT متوسط ​​و بالا به طور استثنایی نقشه برداری شده اند. در نتیجه، قدرت همبستگی و همچنین خوب بودن مدل به طور قابل توجهی کاهش می یابد. ما معتقدیم که تصحیح نگاشت نقاط پرت در ICT متوسط ​​(به عنوان مثال، چین، مکزیک، یونان) و ICT بالا (به عنوان مثال، ایتالیا، آلمان، ایالات متحده آمریکا) می تواند تصویر بسیار دقیق تری از سایت های میراث جهانی به دست آورد.
پیوست B نشان می‌دهد که تنظیم مدل‌ها برای سطوح متوسط ​​و بالا ICT با داده‌های سال 2019، حدود 20 درصد در هر دو مورد، بهبود می‌یابد. این نشان می‌دهد که مدل‌ها هنوز معتبر هستند و داده‌های OSM حاوی مقادیر پرت کمتر از داده‌های سال 2017 هستند. مدل برای سطح پایین ICT تناسب بسیار خوبی را با هر دو مجموعه داده نشان می دهد.

5.6. هوا

برای این متغیر، ما مقدار AIR -WEF را که سرانه فرودگاه‌ها (میلیون نفر جمعیت) را اندازه‌گیری می‌کند، به تعداد کل فرودگاه‌ها با استفاده از برآورد جمعیت بانک جهانی تبدیل کردیم. نتیجه مقایسه این مقدار با تعداد فرودگاه های نقشه برداری شده ( AIR -OSM) در پیوست A نشان داده شده است.. همانطور که می بینیم، یک رابطه تقریباً کامل برای کشورهایی وجود دارد که به سطح بالایی از فناوری اطلاعات و ارتباطات تعلق دارند، تنها با چند تفاوت به دلیل OSM، که فرودگاه های باری یا نظامی را نیز ثبت می کند. این منجر به یک مدل دقیق برای کشورهای در سطح بالا ICT می شود. در مقابل، در ICT پایین، یک همبستگی بسیار ضعیف به دلیل برخی نقاط پرت در قاره آفریقا مشاهده می شود، به این معنی که مدل به سختی نسبت 0.14 از تغییرپذیری AIR -WEF را توضیح می دهد. هنگام ایجاد یک مدل جدید با حذف موارد پرت (در این مورد، بوروندی، بنین، اتیوپی و ماداگاسکار)، هیچ بهبود قابل توجهی حاصل نمی شود. آر2= 0.1812). با این حال، می توان گفت که ارتباط قوی برای مقاصد گردشگری مهم مانند هند، کنیا یا ماداگاسکار وجود دارد. همین روند در شکل 4 ب نشان داده شده است، جایی که می توان مشاهده کرد که شکاف در تفاوت مقادیر میانگین با افزایش سطح ICT کاهش می یابد.

بنابراین، مدل با تمام کشورها، که به a آر20.93 بهترین مدل برای این متغیر در نظر گرفته شده است. مدل رگرسیون بدست آمده عبارت است از:

AIR-WEF(آلل)=سqrتی(2374.63+1.54∗AIR-OSM2).
ضمیمه B نشان می دهد که آر2برای این مدل زمانی که برای داده های 2019 اعمال می شود کمی بدتر است، اما هنوز هم تناسب خوبی دارد (0.916).
در مجموع، می‌توان نتیجه گرفت که هرچه سطح ICT بالاتر باشد، رابطه بین AIR -OSM و AIR -WEF نماینده‌تر است و اختلافات در سطح پایین ICT با تعدیل خوب در سطوح دیگر کاهش می‌یابد. با وجود این واقعیت که دو منبع دقیقاً مفهوم فرودگاهی مشابهی را اندازه‌گیری نمی‌کنند (WEF فقط فرودگاه‌هایی را با یک پرواز برنامه‌ریزی شده به ازای هر میلیون جمعیت شهری شمارش می‌کند، در حالی که OSM همه فرودگاه‌ها را تا زمانی که به‌عنوان عمومی برچسب‌گذاری شده‌اند، شمارش می‌کند)، مدل با همه کشورها قادر به توضیح بخش قابل توجهی از تنوع AIR -WEF هستند.

5.7. CDD

همانطور که در بالا توضیح داده شد، در این مورد، تجزیه و تحلیل بر رابطه بین فهرست جستجوی آنلاین فعالیت‌های فرهنگی و سرگرمی ( CDD -WEF) و مکان‌های نقشه‌برداری شده در OSM که چنین فعالیت‌هایی را ارائه می‌دهند متمرکز است. پیوست A نشان می دهد که این رابطه در کشورهای سطح پایین ICT قوی است، اما در کشورهای سطح ICT متوسط ​​و بالا به ترتیب ضعیف و متوسط ​​است. مدل های به دست آمده برای این متغیر رفتاری مشابه با متغیر WHS نشان می دهند. بنابراین، مدل‌ها برای هر سطح ICT دقیق‌تر در نظر گرفته می‌شوند:

CDD-WEF(اچمنgساعت)=-100.21+17.06CDD-OSM
CDD-WEF(مهدمنتومتر)=(-0.60+0.60∗لn(CDD-OSM))2
CDD-WEF(Low)=15.66+0.0002∗CDD-OSM2.
نگاهی دقیق به داده‌های جمع‌آوری‌شده نشان می‌دهد که بیشترین پوشش مکان‌های نقشه‌برداری شده با فاصله زیادی مربوط به کشورهای اروپایی است که بالاترین شاخص جستجو را در سطح جهانی نیز دارند. این دلیل اصلی است که همبستگی قوی تر کشورهای با فناوری اطلاعات و ارتباطات بالا را توجیه می کند، زیرا اکثر کشورهای اروپایی در این گروه قرار می گیرند. گروه دوم کشورها از نظر پوشش OSM مربوط به کشورهای آمریکای شمالی و جنوبی و در نهایت کشورهای آسیای جنوب شرقی است.
تفاوت بین شاخص جستجو و مکان های نقشه برداری شده که همبستگی را به ترتیب در کشورهای متوسط ​​و بالا ICT ضعیف و متوسط ​​می کند، بیشتر تحت تأثیر پوشش بالای کشورهای اروپایی در مقایسه با بقیه کشورها است. به عنوان مثال، شاخص جستجوی کشورهایی مانند جمهوری چک (6.5) و لهستان (14) 5 و 2.5 برابر کمتر از شاخص جستجوی ایالات متحده (34) است، در حالی که تعداد مکان های نقشه برداری شده دو و سه برابر بیشتر است. این دو کشور نسبت به آمریکا اگر به طور انحصاری روی ICT متوسط ​​تمرکز کنیم، پرو و ​​شیلی تقریباً همان فهرست جستجوی یونان را دارند، اما مکان های نقشه برداری شده 60 درصد کمتر است. این شواهدی را ارائه می دهد که در سطح جهانی، اروپا به طور گسترده ای بسیار بهتر از سایر نقاط جهان ترسیم شده است، به ویژه در مورد منافع فرهنگی.
در مورد کشورهای کم ICT، این رابطه بسیار قابل توجه است. علاوه بر این، ضریب تعیین در این مورد است آر2=0.99، بنابراین نشان می دهد که 99٪ از تغییرات CDD -WEF به متغیر پیش بینی CDD -OSM نسبت داده می شود. هنگامی که مدل برای داده های سال 2019 اعمال می شود، این مقدار همچنان عالی است. علاوه بر این، تنظیم مدل برای سطوح متوسط ​​و بالا ICT با مجموعه داده جدید بهبود می‌یابد.

5.8. NAT

در این مورد، NAT -WEF یک شاخص نظرسنجی است که میزان بازدید از یک کشور توسط دارایی‌های طبیعی آن را اندازه‌گیری می‌کند، در حالی که NAT -OSM تعداد دارایی‌های طبیعی را شمارش می‌کند. همانطور که در ضمیمه A می بینیم ، هیچ ارتباطی بین این دو مقدار یافت نشد، یا یک رابطه بسیار ضعیف برای گروه ICT بالا یافت شد. علاوه بر این، تنظیم مدل روند مشابهی را نشان می دهد. در گروهی که سطح ICT بالایی دارند، متوجه می‌شویم که به جز استرالیا، نروژ و اسپانیا، کشورهای دیگری که به دلیل نقاط طبیعی خود به خوبی مشهور هستند و همچنین دارای ارزش زیادی از NAT -WEF هستند، نقشه‌برداری بسیار ضعیفی دارند – یعنی ایسلند، کاستاریکا و ایرلند
بنابراین، نتیجه می گیریم که OSM منبع بسیار آموزنده ای برای جستجوی نقاط طبیعی یک کشور نیست.

6. بحث

این بخش نتایج ارائه شده در بخش قبل را مورد بحث قرار می‌دهد، محدودیت‌هایی را که در این تحلیل با آن مواجه می‌شویم توصیف می‌کند، و پیشنهادهایی برای تبدیل OSM به یک پلت فرم مرجع VGI تولید شده توسط کاربر در مدیریت گردشگری ارائه می‌دهد.
از جدول 4 و پیوست A و ضمیمه B ، می‌توان نتیجه گرفت که OSM نماینده داده‌های WEF برای متغیرهای CAR، HBD و AIR است. در مورد HOT و WHS و CDD بستگی به سطح ICT دارد و برای ATM و مخصوصا NAT کفایت خوبی ندارد. علاوه بر این، می‌توان مشاهده کرد که وقتی سطح ICT در نظر گرفته می‌شود، الگوی روشنی در رابطه با نمایندگی OSM در مقایسه با WEF وجود ندارد. یعنی در برخی موارد، کشورهایی با سطح ICT بالا بهترین مقادیر را نشان می‌دهند (مثلاً برای متغیرهای AIR و HOT)، در حالی که در موارد دیگر مانند WHS و CDD، کشورهایی با سطح ICT پایین مقادیر بهتری را نشان می‌دهند. در ادامه مشکلاتی را که با آن روبرو بوده ایم توضیح خواهیم داد که ممکن است این نتایج را توضیح دهد.
اولین محدودیت OSM ناقص بودن داده‌ها در مورد عناصر نقشه‌برداری شده است، یعنی بسیاری از نقاط نقشه‌برداری نمی‌شوند (مثلاً دستگاه‌های خودپرداز)، به‌ویژه در کشورهایی که سطح ICT پایینی دارند. در واقع، در چندین نقشه ارائه شده توسط اندرسون [ 36 ]، ما می‌توانیم تفاوت‌های بزرگی را در تراکم ویرایش در بین کشورها مشاهده کنیم، به طوری که اروپا منطقه با بالاترین تراکم در مقایسه با کشورهای کم ICT است. این نقشه همچنین نشان می دهد که وظیفه ویرایش نیز بر برخی مناطق خاص برخی از کشورها متمرکز است. به طور کلی، کشورهایی که به خوبی اداره می شوند و دسترسی به اینترنت خوب دارند، کامل تر هستند و هم مناطق کم جمعیت و هم شهرهای متراکم بهترین نقشه برداری هستند [ 37 ].]. با این حال، در چند سال اخیر، تلاش قابل توجهی در نقشه برداری بسیاری از مناطق آفریقا، همانطور که توسط Kateregga [ 38 ] نشان داده شده است، انجام شده است که تأثیر مثبتی بر نمایندگی OSM با توجه به WEF در این کشورها خواهد داشت.
محدودیت دیگر ناقص بودن داده ها با توجه به ارزش تگ ها است. به این معنی که بسیاری از نقاط نقشه برداری می شوند اما برخی فاقد اطلاعات در برچسب های کلیدی هستند، و بنابراین ما قادر به استخراج همان اطلاعات دقیقی که توسط WEF نشان داده شده است، نبودیم. این در متغیرهایی مانند HBD و HOT اتفاق می افتد. برچسب هایی در OSM برای تعیین مقدار تعداد تخت های بیمارستان یا اتاق های هتل تعریف شده است اما در بسیاری از موارد این اطلاعات ثبت نمی شود. همانطور که در بخش 4 توضیح داده شد، ما در این موارد با استفاده از یک تقریب (با موفقیت) بر این مشکل غلبه کرده ایم. از سوی دیگر، همانطور که در بالا توضیح داده شد، در کشورهایی که سطح ICT بالایی دارند، اطلاعات مربوط به سایت های میراث جهانی در برچسب مناسب ثبت نمی شود که شناسایی این نقاط را دشوار کرده است. با توجه به اینکه این عوامل برای تصویر یک کشور مهم هستند، ابتکارات مجاز برای ثبت این نوع داده ها در OSM می تواند تشویق شود.
علاوه بر این، برخی از برچسب‌ها را در کاتالوگ OSM از دست داده‌ایم که در تحلیل ما بسیار مفید خواهند بود. به عنوان مثال، در مورد متغیرهای NAT و CDD ، برچسبی مانند attraction:type = {Natural, Cultural} مفید خواهد بود زیرا به ما امکان می‌دهد داده‌ها را با دقت و سهولت بیشتری بازیابی کنیم و دقت را در ما افزایش دهد. محاسبات
از سوی دیگر، جدا از ناقص بودن داده‌های OSM، تفسیر ما از متغیرهای WEF بر حسب برچسب‌های OSM ممکن است در واقع بر دقت نتایج تأثیر بگذارد. به عنوان مثال، تخمینی که ما در تجزیه و تحلیل خود برای متغیر HOT استفاده کردیم برای کشورهای ICT بالا و متوسط ​​به خوبی کار می کند، اما باید برای کشورهای کم ICT تنظیم شود. این واقعیت به ویژه در متغیر AIR قابل توجه است که در آن آر2برای کشورهای با ICT بالا 0.96 و برای کشورهای کم ICT فقط 0.13 است. در مورد دوم، اضافه کردن اطلاعات اضافی برای تخمین بهتر جالب خواهد بود. با این حال، گاهی اوقات یافتن آن آسان نیست. برای مثال، [ 39 ] داده‌های ترافیک فرودگاهی را برای 60 فرودگاه برتر جهان با توجه به ترافیک مسافران منتشر می‌کند، اما ما اطلاعاتی در مورد فرودگاه‌های کوچک پیدا نکرده‌ایم. متغیر دیگری که از ترکیب داده‌های OSM با منابع خارجی سود می‌برد، WHS برای کشورهای سطح بالا و متوسط ​​ICT است: ویکی‌پدیا فهرست جامعی از سایت‌های میراث جهانی بر اساس کشور ارائه می‌دهد [ 40 ]. با این حال، در این مورد، یک رویکرد بهتر استفاده از اطلاعات موجود در ویکی‌پدیا برای تکمیل برچسب مربوطه در داده‌های OSM است.
ما چالش‌های زیر را برای تبدیل OSM به یک پلتفرم مرجع VGI تولید شده توسط کاربر در مدیریت گردشگری پیش‌بینی می‌کنیم: (1) گسترش سیستم برچسب‌گذاری OSM با گنجاندن برچسب‌های خاص مرتبط با گردشگری. (2) تشویق کاربران، نمایندگان، مقامات و مدیران صنعت گردشگری برای شرکت در OSM. (3) ایجاد تعادل بین آزادی عمومی مشارکت کنندگان OSM برای پر کردن داده ها و تولید داده ها به روشی استاندارد. علاوه بر این، ابتکارات جالبی مانند LinkedGeoData که داده‌های مکانی را از OSM جمع‌آوری می‌کند و آن را به عنوان یک پایگاه دانش RDF در دسترس قرار می‌دهد، به افزایش دید OSM و تشویق استفاده از آن توسط بازدیدکنندگان کمک می‌کند.

7. نتیجه گیری

تحقیقات گردشگری، بهره‌برداری از OSM را در پروژه‌های گردشگری هوشمند تقویت کرده است ، که با نتایج امیدوارکننده مطالعاتی که OSM را به عنوان یک پلتفرم گردشگری جامع در نظر می‌گیرد، تشویق شده است. این چشم انداز جدید از گردشگری که با گردشگران بیش از حد متصل که محتوا را در هر زمان و از طریق کانال های مختلف مصرف می کنند، سر و کار دارد، حول دو عنصر اصلی، تلفن های هوشمند و مکان جغرافیایی می چرخد، با OSM که عمدتاً یک پلت فرم داده های جغرافیایی مورد استفاده جهانی است.
در این مقاله، ما یک تحلیل اکتشافی برای مطالعه بازنمایی داده‌های جمع‌آوری‌شده در OSM ارائه کرده‌ایم. ما یک تجزیه و تحلیل کامل از هشت متغیر WEF را انجام داده‌ایم که جنبه‌های مختلف گردشگری را پوشش می‌دهند، و بررسی کرده‌ایم که داده‌های OSM چقدر ارزش‌های رسمی چنین متغیرهایی را منعکس می‌کنند. ما به دقت نماینده‌ترین تگ‌های OSM را برای بازیابی اطلاعات موجود در هشت متغیر انتخاب کردیم و سپس برای هر متغیر رابطه بین مقدار رسمی و مقدار OSM را بررسی کردیم.
تحلیل ارائه شده نمونه کوچکی است که کفایت محتوای تولید شده توسط کاربر OSM را برای به دست آوردن تصویری از صنعت گردشگری در یک کشور نشان می دهد. ما چند متغیر را انتخاب کردیم که مفاهیمی را نشان می‌دهند که قابل اندازه‌گیری و قابل مقایسه با آمارهای رسمی هستند، اما تجزیه و تحلیل برای طیف گسترده‌ای از نقشه‌ها، داده‌ها و اطلاعات جغرافیایی داوطلبانه ارائه شده توسط OSM قابل گسترش است.
مطالعاتی مانند آنچه در این مقاله ارائه شده است مرتبط هستند، زیرا برای تعیین اینکه آیا داده های OSM می توانند به عنوان یک منبع داده قابل اعتماد برای برنامه های کاربردی مرتبط با گردشگری مورد استفاده قرار گیرند یا خیر.
کار بیشتری می‌تواند برای مطالعه سایر شاخص‌هایی که به شدت بر رفتار گردشگری تأثیر می‌گذارند، مانند تراکم جاده‌ها، زیرساخت‌های راه‌آهن، یا مناطق حفاظت‌شده، و همچنین گسترش تجزیه و تحلیل به دیگر منابع داده‌های مشترک، مانند DBPedia و Foursquare، در میان دیگران انجام شود. علاوه بر سطح فناوری اطلاعات و ارتباطات، جنبه‌های دیگری مانند جمعیت کشور، منطقه جغرافیایی، تولید ناخالص داخلی یا طبقه‌بندی صندوق بین‌المللی پول در کشورهای پیشرفته و کشورهای نوظهور و در حال توسعه ، از جمله، می‌تواند در تولید مدل در نظر گرفته شود.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:
MDPI موسسه انتشارات دیجیتال چند رشته ای
DOAJ فهرست مجلات دسترسی آزاد
TLA مخفف سه حرف
LD دورنگی خطی

ضمیمه A. مدل های به دست آمده برای همه متغیرها

این جدول مقدار همبستگی و ضریب تعیین را برای هر متغیر و بخش مبتنی بر فناوری اطلاعات و ارتباطات نشان می‌دهد ( همه به تجزیه و تحلیل همه کشورها و بالا ، متوسط ​​و پایین به تجزیه و تحلیل بر اساس تقسیم‌بندی کشورها بر اساس سطح ICT اشاره دارد). Column Model نشان دهنده نوع مدلی است که با داده های موجود بهتر مطابقت دارد و ستون p-value سطح اطمینان این مدل را نشان می دهد.
جدول
جدول A1. مدل ها بر اساس سطح ICT.

ضمیمه B. مقایسه بین داده های 2017 و 2019

این جدول مقایسه ای بین OSM از سال 2017 (داده های اصلی) و 2019 (داده های آزمایشی) را نشان می دهد، که در آن ضریب تعیین برای هر دو مجموعه داده و برای مدل های انتخاب شده قابل مشاهده است.
مقایسه بین نتایج با داده های اصلی از سال 2017 و داده های آزمایشی از سال 2019.
جدول
جدول A2. مقایسه مناسب مدل

منابع

  1. پرلز-ریبز، جی اف. رامون رودریگز، AB; روبیا، ا. Moreno-Izquierdo, L. آیا فرضیه رشد توریسم پس از بحران اقتصادی و مالی جهانی معتبر است؟ مورد اسپانیا 1957–2014. تور. مدیریت 2017 ، 61 ، 96-109. [ Google Scholar ] [ CrossRef ]
  2. مجمع جهانی اقتصاد 2017. در دسترس آنلاین: https://www.weforum.org/about/world-economic-forum (در 12 مه 2020 قابل دسترسی است).
  3. لی، جی. خو، ال. تانگ، ال. وانگ، اس. لی، ال. داده های بزرگ در تحقیقات گردشگری: مروری بر ادبیات. تور. مدیریت 2018 ، 68 ، 301-323. [ Google Scholar ] [ CrossRef ]
  4. e Silva، FB; هررا، مام؛ روزینا، ک. Barranco، RR; فریره، اس. Schiavina, M. تجزیه و تحلیل الگوهای مکانی و زمانی گردشگری در اروپا با وضوح بالا با منابع داده های معمولی و بزرگ. تور. مدیریت 2018 ، 68 ، 101-115. [ Google Scholar ] [ CrossRef ]
  5. ناکاهیرا، KT; آکاانه، م. فوکامی، ی. چند رسانه ای تعاملی هوشمند: سیستم ها و خدمات. نوآوری هوشمند. سیستم تکنولوژی 2012 ، 14 ، 609-617. [ Google Scholar ]
  6. نین، جی. Villatoro، D. Citizen در شبکه های حسگر: دومین کارگاه بین المللی، CitiSens 2013 بارسلونا، اسپانیا، 19 سپتامبر 2013 مقالات منتخب اصلاح شده ; یادداشت های سخنرانی در علوم کامپیوتر (شامل زیر مجموعه یادداشت های سخنرانی در هوش مصنوعی و یادداشت های سخنرانی در بیوانفورماتیک)؛ Springer: برلین/هایدلبرگ، آلمان، 2014; جلد 8313، ص 26-35. [ Google Scholar ]
  7. چوا، ا. سرویلو، ال. مارچگیانی، ای. Moere، AV Mapping Cilento: استفاده از داده های رسانه های اجتماعی دارای برچسب جغرافیایی برای توصیف جریان های توریستی در جنوب ایتالیا. تور. مدیریت 2016 ، 57 ، 295-310. [ Google Scholar ] [ CrossRef ]
  8. بوستامانته، ا. سباستیا، ال. Onaindia، E. آیا جاذبه های توریستی می توانند سایر فعالیت های اطراف را تقویت کنند؟ تجزیه و تحلیل داده ها از طریق شبکه های اجتماعی Sensors 2019 , 19 , 2612. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. زنگ، بی. گریتسن، آر. درباره رسانه های اجتماعی در گردشگری چه می دانیم؟ بازنگری. تور. مدیریت چشم انداز 2014 ، 10 ، 27-36. [ Google Scholar ] [ CrossRef ]
  10. Lalicic، L. باز کردن پلت فرم های نوآوری در گردشگری: سهامداران چگونه درگیر می شوند و به اجماع می رسند؟ بین المللی J. Contemp. بیمارستان مدیریت 2018 ، 30 ، 2517–2536. [ Google Scholar ] [ CrossRef ]
  11. چارایرون، جی. دا-روگنا، ج. Raimbault, T. داده های بزرگ: چالشی جدید برای گردشگری. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2014 درباره داده های بزرگ، IEEE Big Data، واشنگتن، دی سی، ایالات متحده آمریکا، 27 تا 30 اکتبر 2014. صص 5-7. [ Google Scholar ]
  12. مشارکت کنندگان OpenStreetMap. Planet Dump بازیابی شد. 2017. در دسترس آنلاین: https://www.openstreetmap.org (در 20 مه 2020 قابل دسترسی است).
  13. مونی، پی. مینگینی، ام . مروری بر داده های نقشه خیابان باز . Ubiquity Press: لندن، بریتانیا، 2017. [ Google Scholar ]
  14. وی، سی سی; لین، جی اس؛ چانگ، سی سی; هوانگ، YF; Lin, CB توسعه فناوری ناوبری دوچرخه الکترونیکی بر اساس نقشه خیابان باز. هوشمند Sci. 2018 ، 6 ، 29-35. [ Google Scholar ] [ CrossRef ]
  15. مبشری، ع. هوانگ، اچ. دگروسی، ال سی. Zipf، A. غنی سازی کامل بودن داده های OpenStreetMap با هندسه های پیاده رو با استفاده از تکنیک های داده کاوی. Sensors 2018 , 18 , 509. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  16. ایکل، ام. هرفورت، بی. یان، ی. Kuo، CL; Zipf، A. به سمت استفاده از اطلاعات جغرافیایی داوطلبانه برای نظارت بر بازیابی پس از فاجعه در مقاصد گردشگری. در مجموعه مقالات چهاردهمین کنفرانس ISCRAM، آلبی، فرانسه، 21 تا 24 مه 2017؛ صص 1008-1019. [ Google Scholar ]
  17. Siebritz, L. ارزیابی دقت داده های OpenStreetMap در آفریقای جنوبی به منظور ادغام آن با داده های معتبر. پایان نامه کارشناسی ارشد، دانشگاه کیپ تاون، سیوداد دل کابو، آفریقای جنوبی، 2014. [ Google Scholar ]
  18. Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی ​​مجموعه داده‌های OpenStreetMap و Ordnance Survey. محیط زیست طرح. B طرح. دس 2010 ، 37 ، 682-703. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. کاستا فونته، سی. فریتز، اس. Olteanu-Raimond، AM; آنتونیو، وی. فودی، جی. مونی، پی. نگاه کنید به L. Mapping and Citizen Sensor . Ubiquity Press: لندن، بریتانیا، 2017. [ Google Scholar ]
  21. مونی، پی. کورکوران، پ. Ciepluch، B. پتانسیل برای استفاده از اطلاعات جغرافیایی داوطلبانه در برنامه های کاربردی محاسبات سلامت فراگیر. J. محیط. هوشمند اومانیز. محاسبه کنید. 2013 ، 4 . [ Google Scholar ] [ CrossRef ]
  22. Hennig، S. OpenStreetMap در مدیریت مناطق حفاظت شده استفاده می شود. نمونه ای از زیرساخت های تفریحی در پارک ملی Berchtesgaden. J. Prot. Mt. Areas Res. 2017 ، 1 ، 30-41. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. کلمن، دی. محدودیت‌های بالقوه و اولیه اطلاعات جغرافیایی داوطلبانه. Geomatica 2010 ، 64 ، 209-219. [ Google Scholar ]
  24. کلوگ، آی. کافمن، LI; De Hoogh, K. استفاده از داده های نقشه خیابان باز در مطالعات ارزیابی قرار گرفتن در معرض محیطی: ماساچوست شرقی، منطقه برن و اسرائیل جنوبی به عنوان مطالعه موردی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 2443. [ Google Scholar ] [ CrossRef ][ Green Version ]
  25. موندزچ، جی. Sester، M. تجزیه و تحلیل کیفیت داده های OpenStreetMap بر اساس نیازهای برنامه. کارتوگر. بین المللی جی. جئوگر. Inf. جئوویس. 2011 ، 46 ، 115-125. [ Google Scholar ] [ CrossRef ]
  26. ارسنجانی، ج. مونی، پی. Zipf، A.; Schauss, A. ارزیابی کیفیت اطلاعات استفاده از زمین از OpenStreetMap در مقابل مجموعه داده‌های معتبر. در OpenStreetMap در GIScience ; Springer: برلین/هایدلبرگ، آلمان، 2015; صص 37-58. [ Google Scholar ]
  27. Balducci, F. آیا OpenStreetMap منبع اطلاعاتی خوبی برای آمار فرهنگی است؟ مورد موزه های ایتالیا محیط زیست طرح. مقعد شهری. علوم شهر 2019 . [ Google Scholar ] [ CrossRef ]
  28. فلدمایر، دی. میش، سی. ساتر، اچ. Birkmann, J. استفاده از داده های OpenStreetMap و یادگیری ماشینی برای تولید شاخص های اجتماعی-اقتصادی. ISPRS Int. J. Geoinf. 2020 ، 9 ، 498. [ Google Scholar ] [ CrossRef ]
  29. Almendros-Jiménez، JM; Becerra-Terón، A. تجزیه و تحلیل کیفیت برچسب گذاری نقشه خیابان باز اسپانیایی. ISPRS Int. J. Geoinf. 2018 ، 7 ، 323. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. بوستامانته، ا. لورا، اس. Onaindia، E. تحلیل اکتشافی بازنمایی داده های گردشگری در OpenStreetMap. در مجموعه مقالات 33 مدیریت اطلاعات کسب و کار بین المللی (33 IBIMA 2019)، گرانادا، اسپانیا، 10-11 آوریل 2019؛ صص 4161–4169. [ Google Scholar ]
  31. لوین، ن. Lechner, AM; براون، جی. ارزیابی اطلاعات جمع‌سپاری شده برای ارزیابی بازدید و اهمیت درک شده از مناطق حفاظت‌شده. Appl. Geogr. 2017 ، 79 ، 115-126. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. رومن، دی. تاراسووا، تی. Paniagua Laconich، EJ MethOSM: روشی برای محاسبه شاخص های ترکیبی مشتق شده از داده های OpenStreetMap. جی. اسپات. Inf. علمی 2019 ، 2019 ، 3–27. [ Google Scholar ] [ CrossRef ]
  33. مجمع جهانی اقتصاد گزارش رقابت‌پذیری سفر و گردشگری 2017. 2017. در دسترس آنلاین: https://reports.weforum.org/travel-and-tourism-competitiveness-report-2017/ (در 2 مه 2020 قابل دسترسی است).
  34. رام، اف. تاپف، جی. Chilton، S. OpenStreetMap: استفاده و تقویت نقشه رایگان جهان ؛ UIT کمبریج: لندن، بریتانیا، 2010. [ Google Scholar ]
  35. Karunanayake، A. دی زویسا، ک. Muftic، S. ATM موبایل برای کشورهای در حال توسعه. در مجموعه مقالات سومین کارگاه بین المللی در زمینه تحرک در معماری اینترنت در حال تکامل (MobiArch’08)، سیاتل، WA، ایالات متحده آمریکا، 22 اوت 2008. [ Google Scholar ] [ CrossRef ]
  36. اندرسون، جی. تحلیل مشارکت OpenStreetMap. همکاری تحقیقاتی با Mapbox. 2016. در دسترس آنلاین: https://mapbox.github.io/osm-analysis-collab (در 2 ژانویه 2021 قابل دسترسی است).
  37. بارینگتون-لی، سی. Millard-Ball، A. نقشه راه تولید شده توسط کاربر جهان بیش از 80٪ کامل شده است. PLoS ONE 2017 , 12 , e0180698. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  38. Kateregga، G. وضعیت نقشه خیابان باز در آفریقا. 2020. در دسترس آنلاین: https://medium.com/@kateregga1/the-state-of-openstreetmap-in-africa-223ecadd5556 (در 20 ژانویه 2021 قابل دسترسی است).
  39. ایالات متحده: اداره بندر نیویورک و نیوجرسی ؛ گزارش سالانه ترافیک فرودگاه 2019؛ ترافیک فرودگاهی: نیویورک، نیویورک، ایالات متحده آمریکا، 2020.
  40. ویکیپدیا. سایت های میراث جهانی بر اساس کشور 2020. در دسترس آنلاین: https://en.wikipedia.org/wiki/World_Heritage_Sites_by_country (در 22 نوامبر 2020 قابل دسترسی است).
Ijgi 10 00301 g001 550
شکل 1. فرآیند روش شناختی.
Ijgi 10 00301 g002 550
شکل 2. نقشه کشورها بر اساس سطح ICT.
Ijgi 10 00301 g003 550
شکل 3. میانگین متغیرهای CAR و ATM برای سطوح مختلف ICT.
Ijgi 10 00301 g004 550
شکل 4. میانگین متغیرهای WHS و AIR برای سطوح مختلف ICT.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید