What are the factors that influence the level of tourism development?

particular indicators and elements of poverty tend to be individual for every
30

---

country.
Creating a particular dataset, for example, only for the Maghreb re-
gion, would have made more sense because of the similarities that these
countries have. They also have strong relationships between their financial
markets and almost identical monetary policies, thus having a great regional
integration potential [Darrat and Pennathur, 2002]. However, including a
smaller number of observations imply that losing too many degrees of free-
dom could be dangerous for the credibility of the results. Therefore, a big
enough dataset containing 26 states has been used instead. The regression
results concerning African countries can be found in the first column of Table
4.
Dependent variable: Tourism Growth
(t-values are in parentheses)
1. Africa
2. Latin America
lag (GDP per capita growth)
0
.
0431
0
.
0633
(1
.
1837)
(0
.
6927)
emissions
−
0
.
0141
0
.
0092
(
−
0
.
0231)
(0
.
3444)
emissions
2
−
0
.
0001
−
0
.
0004
(
−
0
.
3212)
(
−
0
.
0023)
economic freedom
0
.
0152
0
.
0143
∗
(1
.
4731)
(1
.
9368)
intentional homicides
−
0
.
0111
−
0
.
0051
∗
(
−
1
.
5223)
(
−
1
.
9354)
growth of education
2
.
0554
∗∗∗
2
.
6404
∗∗∗
(8
.
8875)
(9
.
6079)
dummy for 2010
0
.
1953
∗∗∗
0
.
0418
(3
.
8282)
(0
.
7440)
Observations
126
129
R
2
0.617
0.559
F Statistic
25.233
∗∗∗
(df = 6; 94)
20.463
∗∗∗
(df = 6; 97)
Note:
∗
p
<
0.1;
∗∗
p
<
0.05;
∗∗∗
p
<
0.01
Table 4: Regression Results. Africa & Latin America
31

---

The results demonstrate the previously-mentioned contrast between var-
ious African countries. For instance, due to different GDP per capita levels,
the effect of the additional economic growth is ambiguous: it could be posi-
tive for underdeveloped states and negative for more developed ones. Or it
could be that this factor is generally not important in determining the level
of tourism growth.
Due to the fact that, on average, people in African countries go to school
fewer years than in more economically developed regions, even a small in-
crease in the level of education is expected to have great effects over the
development of tourism because it will be beneficial for a series of interme-
diate factors, such as labour productivity, infrastructure, and preservation
of destinations.
The positive significant effect of the dummy variable for the year 2010
on the level of tourism growth is rather surprising. One would expect that
the globalized nature of modern economies will result in similar effects of
the crisis both on developed and on developing countries. Indeed, according
to te Velde [2018], GDP in both groups of countries was negatively affected
by 5-7%. However, due to the fact that African countries are growing at
a higher pace, they supposedly required less time to recover. Besides that,
the prices in this region could be substantially lower, which explains why
some tourists might have chosen to visit Africa instead of a more expensive
alternative. For instance, many Russian tourists found Egypt as a great
substitute to the more costly Italy, Croatia, and Spain, for their summer
holidays.
6.1.4
Latin American countries
In comparison with the previously discussed region, Latin America seems to
be more homogenous from the economic, social, and cultural perspectives.
The region is suffering from severe income inequality and rather low income
redistribution from the richer to the poorer part of the population [Holland
and Schneider, 2017]. Besides that, the development of tourism in the region
is strongly related to the prices, the development and the availability of real
estate [Gasc´
on and Milano, 2018]. It is bought either using the national cap-
ital or with the help of external investors, who subsequently also determine
its price.
According to the results shown in the second column of Table 4, more
32

---

economic freedom will likely have a positive impact over the tourism devel-
opment. The reason behind that probably lies in the multitude of dictatorial
regimes, such as the one in Argentina or in Chile. According to Frantz and
Geddes [2016], the effects of the authoritarian rule are much longer than the
regime itself. Therefore, even if some of these countries transformed into
democracies long time before 1995 (the year with the earliest data in our
dataset), the legacy of the totalitarian rule might still be strong. It means
that the country might suffer from high levels of corruption, from weak in-
stitutions, and from the lack of entrepreneurial initiative. More economic
freedom could motivate people to involve in business activities, thereby in-
creasing the variety of services for the potential tourists.
Americas have an almost three times higher homicide rate than the world
average (16.3 and 6.2 intentional homicides per 100,000 people, respectively).
Criminality became one of the primary reasons why the great touristic ca-
pacity of the region is not fully used - many potential visitors avoid visiting
Latin America due to safety reasons. The public perception of the region
is worsened by media, which serves as catalyst to the already established
stereotypes. Criminality is surely a major problem in Latin America be-
cause it is detrimental to a series of crucial socioeconomic factors, such as
economic growth, political performance, corruption, interpersonal trust, and
political institutions [Carreras, 2013]. The decrease in the rate of intentional
homicides should substantially improve the overall situation in Latin Ameri-
can countries, subsequently improving their popularity among international
visitors.
In both African and in Latin American countries, education represents
a crucial tourism development factor also due to the law of diminishing
returns.
That is, due to fewer average years of schooling, even a small
improvement in this field is expected to have substantial positive effects
over tourism growth. According to Ardeleanu [2019], in order to achieve
better access to education among more citizens, the policymakers need to
decrease income inequality through higher levels of redistribution since this
will serve as a development channel for many macroeconomic fields.
6.1.5
Small and Big Countries
The size of the country represents an important factor that determines the
amount of government spending in various areas, and especially on infras-
33

---

tructure. Small countries, for instance, need to implement different develop-
ment strategies because they are more vulnerable to negative trade effects,
especially after the year 1995 [Singh and Prasad, 2008], which is the period
studied in this paper as well. At the same time, Van der Wal [2017] argues
that small states, although being often disadvantaged in the conditions of
open economies, can achieve great social, governmental, and economic suc-
cess if they are able to take the best out of their ”key resource” - people. In
the case of this study, people’s performance can be estimated through the
level of education. Also, one can expect that the development of infrastruc-
ture has a substantial effect over the quality of tourism in the region, which
is closely related to its demand. The comparison of the regressions contain-
ing only small countries and only big countries can be found in Table 5, on
columns 1 and 2, respectively. The minimum threshold for big countries was
set at 750,000 km
2
, and the maximum threshold for small countries was set
at 50,000 km
2
. The area of the country was chosen instead of the population
because of the long-term stability of the former. In other words, population
changes over time, which could substantially complicate the choice of the
thresholds, whereas the areas are constant. The decision regarding these
limits was based on the combination of the following factors:
1. Both subsets of the initial database need to be big enough to be able
to apply the Central Limit theorem. Thus, each dataset needs to have
at least 30 countries.
2. The dataset should not be bigger than 30% of the initial database
3. The sizes of datasets with both big and small countries need to be
comparable
4. The thresholds need to be round numbers
According to the outcomes, keeping other factors fixed, decreasing the
level of emissions is expected to have a positive impact over the number of
tourists only in smaller states. This effect is probably related to a better
and more dense infrastructure in countries with smaller areas. A more devel-
oped infrastructure implies a more intense usage of transport, for instance.
Also, some small countries have a high level of economic development, which
means that decreasing the level of emissions should have a positive effect over
their economic development, according to the environmental Kuznets curve,
34

---

and subsequently improve the number of tourists. Other are heavily in-
dustrialized, which implies particularly high levels of emission per capita as
well. Once the country succeeds to lessen them, it can expect more tourist
arrivals, especially in the nature-based field. It is important to mention
that the effect is only linear and it is insignificant at the second power. It
means that, albeit decreasing the emissions can have a positive impact over
tourism growth, the number of visitors will not escalate because of that, but
will rather change linearly.
35

---

Dependent variable: Tourism Growth
(t-values are in parentheses)
1. Small states
2. Big states
lag(GDP per capita growth)
1
.
0073
∗∗∗
0
.
7334
∗∗∗
(3
.
0194)
(3
.
2572)
emissions
−
0
.
0002
∗∗
0
.
0001
(
−
2
.
1127)
(0
.
0833)
emissions
2
−
0
.
0039
0
.
0133
(
−
0
.
1233)
(0
.
0049)
economic freedom
0
.
0149
0
.
0122
∗∗
(1
.
5030)
(1
.
2598)
intentional homicides
−
0
.
0008
−
0
.
0160
∗∗
(
−
0
.
2454)
(
−
3
.
0931)
growth of education
1
.
3651
∗∗∗
1
.
9074
∗∗∗
(2
.
8489)
(7
.
7651)
dummy for 2010
0
.
0284
0
.
0351
(0
.
6437)
(0
.
8271)
Observations
147
119
R
2
0.546
0.662
F Statistic
20.832
∗∗∗
(df = 6; 104)
27.077
∗∗∗
(df = 6; 83)
Note:
∗
p
<
0.1;
∗∗
p
<
0.05;
∗∗∗
p
<
0.01
Table 5: Regression Results. Small & Big Countries
At the same time, developing a good tourism infrastructure involves
building roads, railways, airports etc.
[Jovanovi´
c and Ivana, 2016], and
it represents a bigger part of the government spending in countries with big
areas. The average costs for every additional tourists might be too high,
which explains why developing an ideal infrastructure is not a statistically
36

---

significant factor among big states.
Keeping a safe environment is also more complicated in big states because
the number of police officers is often inadequately low in comparison to
the vast area. Conflicts between various ethnic and religious groups are
also more likely to happen in such regions. As a result, many tourists are
especially concerned about safety in the remote areas of big states. It means
that decreasing the criminality rate would definitely attract more visitors to
certain distant destinations, thus using the whole touristic potential of the
country.
37

---

7
Conclusion
The tourism sector represents a very important economic driver, serving
as a factor that can contribute to the development of infrastructure and
that can substantially reduce the unemployment in the region. This effect
is widely known and recognized. However, the inverse effect that various
factors have on tourism is less studied. Thus, the purpose of this paper was to
contribute to the existing literature through investigating the impact of five
socioeconomic and demographic indicators over tourism growth. In other
words, the purpose of this paper is to shed light on the effect that various
factors have over the development of tourism.
It starts with an overall
literature review, followed by useful theories, then by the data collection
methodology and by the ways of processing the data. Afterwards, all the
relevant results are presented and subsequently discussed. In the dataset
that includes all 130 studied countries, each variable is significant at least
at the 5% significance level. That is, a worse ecological situation and a less
safe environment are expected to have a negative effect over tourism growth,
whereas the overall economic growth, as well as more economic freedom
and higher levels of education are expected to influence the development of
tourism in a positive way. Such a conclusion is logical and comes in line
with the expected outcome of such a regression.
Afterwards, the dataset has been divided based on various economic,
social, and geographical factors. Among developed European states, the
dummy variable for the year 2010 is negative and statistically significant,
which means that the 2008-09 economic crisis had a particularly strong effect
over these countries’ citizens travelling decisions. Among post-soviet and
post-socialist countries, the index of economic freedom had been identified
as a crucial development factor, the reason for that being the economic
past of these states. High heterogeneity between various African states led
to effects that are somewhat less significant. However, the development of
tourism on this continent is expected to benefit a lot as a result of improved
education levels.
Schooling is also a crucial tourism development factor
in Latin American countries, as well as the economic freedom and safety.
Finally, when comparing particularly big and small states, decreasing the
amount of CO
2
emissions will have a positive effect over tourism growth
only among the latter. At the same time, economic freedom and safety are
38

---

crucial determinants of tourism development only in big states.
An important note should be dedicated to the notion of tourism devel-
opment, which is in reality much more complex than just a quantitative
increase in the number of tourists. The development of tourism represents
an improvement in the quality of tourists and in their ability to pay, as well
as in their personal experiences and behaviour during the visit. Moreover,
in many regions that suffer from overtourism, the development also implies
a substantial reduction in the number of visitors. These limitations are,
however, the consequence of a purely quantitative research. In other words,
since tourism development is an extremely complex concept, quantifying it
in a precise but also individualistic way is very complicated if not impos-
sible. Therefore, such simplifications are unfortunately necessary, as they
allow the researcher to give reliable and universally applicable results.
39

---

References
D. Ardeleanu. What is the effect of income inequality on economic growth?
2019.
A. G. Assaf and A. Josiassen. Identifying and ranking the determinants of
tourism performance: A global investigation.
Journal of Travel Research
,
51(4):388–399, 2012.
R. Bianchi. The political economy of tourism development: A critical review.
Annals of Tourism Research
, 70:88–102, 2018.
T. S. Breusch. Testing for autocorrelation in dynamic linear models.
Aus-
tralian Economic Papers
, 17(31):334–355, 1978.
T. S. Breusch and A. R. Pagan. A simple test for heteroscedasticity and
random coefficient variation.
Econometrica: Journal of the Econometric
Society
, pages 1287–1294, 1979.
J. Br¨
uderl, P. Preisend¨
orfer, and R. Ziegler.
Survival chances of newly
founded business organizations.
American sociological review
, pages 227–
242, 1992.
F. Carlsson and S. Lundstr¨
om. Economic freedom and growth: Decomposing
the effects.
Public choice
, 112(3):335–344, 2002.
M. Carreras. The impact of criminal violence on regime legitimacy in latin
america.
Latin American Research Review
, pages 85–107, 2013.
M. A. Cole, A. J. Rayner, and J. M. Bates. The environmental kuznets
curve: an empirical analysis.
Environment and development economics
,
pages 401–416, 1997.
A. F. Darrat and A. Pennathur. Are the arab maghreb countries really
integratable?: Some evidence from the theory of cointegrated systems.
Review of Financial Economics
, 11(2):79–90, 2002.
B. Efron. Missing data, imputation, and the bootstrap.
Journal of the
American Statistical Association
, 89(426):463–475, 1994.
I. Ershova and A. Posokhov. Comparative analyze of infrastructure in de-
veloped countries.
Procedia Economics and Finance
, 39:815–819, 2016.
40

---

E. Frantz and B. Geddes. The legacy of dictatorship for democratic parties
in latin america.
Journal of Politics in Latin America
, 8(1):3–32, 2016.
F. J. Garrig´
os-Sim´
on, J. L. Gald´
on-Salvador, and I. Gil-Pechu´
an.
The
economic sustainability of tourism growth through leakage calculation.
Tourism Economics
, 21(4):721–739, 2015.
J. Gasc´
on and C. Milano. Tourism, real estate development and depeas-
antisation in latin america.
European Review of Latin American and
Caribbean Studies/Revista Europea de Estudios Latinoamericanos y del
Caribe
, (105):21–38, 2018.
S. Ghosh. Uncertainty, economic growth its impact on tourism, some coun-
try experiences.
Asia Pacific Journal of Tourism Research
, 24(1):83–107,
2019.
S. G¨
ossling. National emissions from tourism: An overlooked policy chal-
lenge?
Energy Policy
, 59:433–442, 2013.
R. D. Green and J. P. Doll. Dummy variables and seasonality—a curio.
The
American Statistician
, 28(2):60–62, 1974.
J. Gwartney and R. Lawson. The concept and measurement of economic
freedom.
European Journal of Political Economy
, 19(3):405–430, 2003.
P. Haxton. A review of effective policies for tourism growth. 2015.
J. Heckman. Varieties of selection bias.
The American Economic Review
,
80(2):313–318, 1990.
Heritage Foundation. The index of economic freedom, 2021. URL
https://
www.heritage.org/index/explore?view=by-region-country-year&
u=637499371935995048
.
A. C. Holland and B. R. Schneider. Easy and hard redistribution: The po-
litical economy of welfare states in latin america.
Perspectives on Politics
,
15(4):988–1006, 2017.
O. Joshi, N. C. Poudyal, and L. R. Larson. The influence of sociopolitical,
natural, and cultural factors on international tourism growth: a cross-
country panel analysis.
Environment, Development and Sustainability
, 19
(3):825–838, 2017.
41

---

S. Jovanovi´
c and I. Ivana.
Infrastructure as important determinant of
tourism development in the countries of southeast europe.
Ecoforum jour-
nal
, 5(1), 2016.
T. Kariya. A nonlinear version of the gauss-markov theorem.
Journal of the
American Statistical Association
, 80(390):476–477, 1985.
E. Ko¸cak, R. Ulucak, and Z. S
¸. Ulucak. The impact of tourism develop-
ments on co2 emissions: An advanced panel data estimation.
Tourism
Management Perspectives
, 33:100611, 2020.
M. Lordkipanidze, H. Brezet, and M. Backman. The entrepreneurship factor
in sustainable tourism development.
Journal of cleaner production
, 13(8):
787–798, 2005.
N. G. Mankiw, R. D. Kneebone, K. J. McKenzie, and N. Rowe. Principles
of macroeconomics. 2007.
D. M¨
ugge. Studying macroeconomic indicators as powerful ideas.
Journal
of European Public Policy
, 23(3):410–427, 2016.
W. K. Newey and K. D. West.
A simple, positive semi-definite, het-
eroskedasticity and autocorrelation consistent covariance matrix.
Econo-
metrica
, 55(3):703–708, May 1987.
ISSN 00129682, 14680262.
URL
http://www.jstor.org/stable/1913610
.
E. A. Okoro and M. C. Washington. Workforce diversity and organizational
communication: Analysis of human capital performance and productivity.
Journal of Diversity Management (JDM)
, 7(1):57–62, 2012.
Our World in Data.
Average years of schooling, 2021.
URL
https://
ourworldindata.org/grapher/mean-years-of-schooling-long-run?
tab=chart®ion=World
.
I. Ozturk. The relationships among tourism development, energy demand,
and growth factors in developed and developing countries.
International
Journal of Sustainable Development & World Ecology
, 23(2):122–131,
2016.
A. Papatheodorou, J. Rossell´
o, and H. Xiao. Global economic crisis and
tourism: Consequences and perspectives.
Journal of Travel Research
, 49
(1):39–45, 2010.
42

---

M. F. Prachowny. Okun’s law: theoretical foundations and revised estimates.
The review of Economics and Statistics
, pages 331–336, 1993.
J. I. Pulido-Fern´
andez, P. J. C´
ardenas-Garc´ıa, and J. A. Espinosa-Pulido.
Does environmental sustainability contribute to tourism growth? an anal-
ysis at the country level.
Journal of cleaner production
, 213:309–319, 2019.
C. Ryan. Crime, violence, terrorism and tourism: an accidental or intrinsic
relationship?
Tourism Management
, 14(3):173–183, 1993.
T. W. Schultz. Investment in human capital.
The American economic review
,
51(1):1–17, 1961.
M. Shahbaz and A. Sinha. Environmental kuznets curve for co2 emissions:
a literature survey.
Journal of Economic Studies
, 2019.
B. Shakouri, S. Khoshnevis Yazdi, and E. Ghorchebigi. Does tourism devel-
opment promote co2 emissions?
Anatolia
, 28(3):444–452, 2017.
R. W. Shephard and R. F¨
are. The law of diminishing returns.
Zeitschrift
f¨
ur National¨
okonomie
, 34(1-2):69–90, 1974.
A. Silagadze. Integration economic indicators of the eu and some issues of
development of post-soviet countries–new associate members of the eu.
Revista Moldoveneasc˘
a de Drept Internat
,
ional s
,
i Relat
,
ii Internat
,
ionale
,
(3):78–83, 2014.
R. Singh and B. Prasad. Small states, big problems: Small solutions from
big countries.
Journal of World Trade
, 42(5), 2008.
V. Snieˇska, K. Barkauskien˙e, and V. Barkauskas. The impact of economic
factors on the development of rural tourism: Lithuanian case.
Procedia-
Social and Behavioral Sciences
, 156:280–285, 2014.
D. W. te Velde. Africa 10 years after the global financial crisis: what we’ve
learned.
Overseas Development Institute
, 2018.
R. Thomas and J. Long. Improving competitiveness. critical success factors
for tourism development.
Local Economy
, 14(4):313–328, 1999.
UNWTO. United nations world tourism organization, 2021. URL
https:
//ourworldindata.org/tourism
.
43

---

Z. Van der Wal. Small countries, big performers: In search of shared strategic
public sector hrm practices in successful small countries.
International
Journal of Public Administration
, 40(5):443–458, 2017.
R. Von Maltzahn and K. Durrheim. Is poverty multidimensional? a compar-
ison of income and asset based measures in five southern african countries.
Social Indicators Research
, 86(1):149–162, 2008.
I. Wang, C.-J. Shieh, F.-J. Wang, et al. Effect of human capital invest-
ment on organizational performance.
Social Behavior and Personality:
an international journal
, 36(8):1011–1022, 2008.
WB. Co2 emissions in metric tons per capita, 2021a. URL
https://data.
worldbank.org/indicator/EN.ATM.CO2E.PC
.
WB.
Gdp per capita in 2010 us dollars, 2021b.
URL
https://data.
worldbank.org/indicator/NY.GDP.PCAP.KD
.
WB. Intentional homicides per 100,000 inhabitants, 2021c. URL
https:
//data.worldbank.org/indicator/VC.IHR.PSRC.P5
.
S. Wilson, D. R. Fesenmaier, J. Fesenmaier, and J. C. Van Es. Factors for
success in rural tourism development.
Journal of Travel research
, 40(2):
132–138, 2001.
M. B. Wintoki, J. S. Linck, and J. M. Netter. Endogeneity and the dynamics
of internal corporate governance.
Journal of financial economics
, 105(3):
581–606, 2012.
E. Woo, H. Kim, and M. Uysal. Life satisfaction and support for tourism
development.
Annals of tourism research
, 50:84–97, 2015.
J. M. Wooldridge.
Econometric analysis of cross section and panel data
.
MIT press, 2010.
Y. Yang and T. Fik. Spatial effects in regional tourism growth.
Annals of
Tourism Research
, 46:144–162, 2014.
44

---

Appendix
Albania
Costa Rica
Iceland
Algeria
Croatia
India
Angola
Cuba
Indonesia
Argentina
Cyprus
Iran
Armenia
Czechia
Ireland
Australia
Denmark
Israel
Austria
Dominica
Italy
Bahrain
Dominican Republic
Jamaica
Bangladesh
Ecuador
Japan
Barbados
Egypt
Jordan
Belarus
El Salvador
Kenya
Belgium
Estonia
Kiribati
Belize
Eswatini
Kuwait
Benin
Ethiopia
Kyrgyzstan
Bolivia
Fiji
Latvia
Botswana
Finland
Lebanon
Brazil
France
Lesotho
Bulgaria
Georgia
Lithuania
Burkina Faso
Germany
Luxembourg
Burundi
Ghana
Malawi
Cambodia
Greece
Malaysia
Canada
Guatemala
Maldives
Cape Verde
Guyana
Malta
Chile
Haiti
Mauritius
China
Honduras
Mexico
Colombia
Hungary
Moldova
Table 6: List of countries included (1)
45

---

Mongolia
Portugal
Tanzania
Morocco
Qatar
Thailand
Myanmar
Romania
Tonga
Namibia
Russia
Trinidad and Tobago
Nepal
Saudi Arabia
Tunisia
Netherlands
Seychelles
Turkey
Nicaragua
Sierra Leone
Uganda
Niger
Singapore
Ukraine
North Macedonia
Slovakia
United Kingdom
Norway
Slovenia
United States
Oman
Solomon Islands
Uruguay
Pakistan
South Africa
Venezuela
Panama
South Korea
Vietnam
Papua New Guinea
Spain
Yemen
Paraguay
Sri Lanka
Zambia
Peru
Suriname
Zimbabwe
Philippines
Sweden
Poland
Switzerland
Table 7: List of countries included (2)
46