µ χ Funzione di membership del fuzzy output
3. Il metodo in azione: uno studio esplorativo applicato alle destinazioni turistiche urbane
In questo paragrafo il metodo della rete neurale artificiale (RNA) viene applicato all'industria del turismo con un focus sulle destinazioni urbane poiché la collaborazione è una caratteristica distintiva del loro funzionamento (Saxena, 2005, Wang, 2008a e 2008b, Volgger e Pechlaner, 2014). Infatti, sinteticamente, possiamo definire le destinazioni turistiche come un insieme di risorse sparse ma geograficamente concentrate, possedute o gestite da diverse organizzazioni - imprese locali, enti pubblici, associazioni e imprese -. In questo contesto, lo sviluppo e la competitività delle destinazioni derivano da risorse che devono essere mobilitate e aggregate per creare prodotti a valore aggiunto che soddisfano le esigenze dei turisti (Haugland et al., 2011).
Inoltre, le caratteristiche particolari del prodotto turistico rendono necessaria la collaborazione tra i soggetti interessati all'interno di una destinazione (Fyall et al., 2012). Infatti, un prodotto turistico comprende una grande varietà di beni e servizi, gestiti da numerosi attori indipendenti, che devono essere coordinati per creare
117
un'esperienza di destinazione coerente (Lemmetyinen e Go, 2009). Ancora, i clienti valutano l'intero sistema del prodotto anziché singoli prodotti e servizi. In questo contesto di forte interdipendenza, il successo delle imprese turistiche (come alberghi, teatri, ristoranti, trasporti) dipende da un efficiente coordinamento delle risorse e dall'integrazione dei prodotti offerti da ciascuna impresa (Wang e Fesenmaier, 2007).
Studi accademici nel campo del turismo, hanno analizzato il concetto di collaborazione da diverse prospettive teoriche (Fyall et al., 2012). Esse includono teorie basate sulle risorse (Wang & Fesenmaier, 2007), teorie basate sulle relazioni (Jamal e Getz, 1995; Selin e Beason, 1991; Scott et al., 2008), teorie basate sulla politica (Bramwell, 2011), teorie basate sui processi (Selin e Chavez, 1995) e teorie basate sul caos (Baggio e Sainaghi, 2016, 2011) - ognuna con l'obiettivo di rispondere a tre ampie domande: “come” viene implementata la collaborazione, “perché” è stata raggiunta con successo e “chi” vi partecipa (d’Angella, 2016).
La ricerca focalizzata sul “come” la collaborazione è implementata ha identificato numerose possibili forme, che vanno da accordi formali ad informali (d'Angella et al., 2010, Mandell, 1999 e 2001). Questa area di ricerca comprende anche studi che indagano sul funzionamento delle reti (d'Angella e De Carlo, 2017; Denicolai et al., 2010; Pastore, 2010; Mitchell e van der Linden, 2010; Novelli et al., 2006) così come gli studi incentrati sullo sviluppo delle politiche di destinazione. Per quanto riguarda quest'ultimo tema, l'analisi dei social network è stata ampiamente utilizzata in letteratura per comprendere la natura relazionale delle attività di policy making (ad esempio Milward e Walmsley, 1984, Rhodes, 1997; Marsh, 1998). Secondo questi studi, le attività in questione sono svolte in sistemi flessibili ed aperti in cui organizzazioni pubbliche e private lavorano insieme per raggiungere obiettivi specifici. Per questo motivo, è probabile esse che siano costantemente impegnati in negoziati con le altre parti (ad esempio Milward e Walmsley, 1984; Ham e Hill, 1993) anche fra livelli di governance diversi, evidenziando i rapporti tra governo, imprese e comunità locale (Tyler e Dinan, 2001; Pforr, 2002).
Gli studi focalizzati sul "perché" si collabora evidenziano quattro tipi di benefici: i) benefici economici, grazie a un potenziamento del sistema di offerta, una maggiore visibilità e un aumento dei mercati di vendita, nonché e una maggiore qualità del prodotto. La collaborazione quindi genera più valore per il cliente, oppure riduce i costi che avrebbero dovuto sostenere le singole imprese agendo individualmente (Braun, 2005; Morrison et al., 2004; Porter, 1998). Non meno importanti sono i minori costi associati alla risoluzione dei conflitti tra l'azienda e i suoi stakeholder, mitigati proprio dalla collaborazione (Healey, 1996). ii) Benefici di processo, incluso un maggiore accesso alle informazioni, una spinta all'innovazione e una maggiore efficienza nei processi di produzione legati all'ottimizzazione dei costi (Fait, 2012, Paget et al., 2010; Novelli et al., 2006; Porter, 2003) . iii) Benefici relazionali, in termini di sviluppo di fiducia fra gli attori, aumento di conoscenza generato dall’interazione con altri attori, sviluppo di skill legate all’essere “un buon partner” (Dyer e Singh, 1998; McEvily e Zaheer, 1999; Kale et al., 2000; Koka e Prescott, 2002; Morieux et al. 2005). iv) un rafforzamento dei legami tra le singole imprese e l'identità/brand del territorio, una caratteristica tipica del sistema turistico (Fait, 2012; Hall, 2005).
Gli studi incentrati su "chi" hanno identificato diversi tipi di stakeholder coinvolti in strategie collaborative a livello di destinazione (Bramwell e Lane, 2011; Franch et al., 2010; Sheehan e Ritchie, 2005; Sautter e Leisen, 1999). Le evidenze empiriche di questi studi dimostrano che si tratta di un numero consistente di soggetti - pubblici e privati, locali e centrali, a scopo di lucro e senza scopo di lucro, individuali e collettivi (associazioni, consorzi, ecc.) - che operano nel settore del turismo o in altri ambiti. La rilevanza di ciascuno di questi attori varia nel tempo e secondo specifici sistemi di offerta (Martini e Buffa, 2015, Sainaghi e d'Angella, 2013, Del Chiappa e Presenza, 2013). La collaborazione è quindi dinamica, multiforme e trasversale rispetto all'industria del turismo.
La rilevanza della collaborazione tra numerosi soggetti, la complessità del prodotto - che è un insieme di servizi intersettoriali -, la necessità di personalizzazione del prodotto, rendono l'industria del turismo e la strategia di destinazione un ambiente ideale per applicare la metodologia RNA descritta nel secondo paragrafo. In particolare, questo studio contribuisce agli studi sul "come" e sul "chi" sopra descritti perché consente di identificare gli attori chiave da coinvolgere in strategie collaborative (chi) e su "come" implementarle per rafforzare la competitività di una impresa.
Attraverso l'applicazione del metodo, questo studio esplorativo vuole trovare una risposta alle seguenti domande di ricerca:
RQ1: quali sono le aree di azione prioritarie (strutture, infrastrutture e servizi) per aumentare la competitività di una destinazione urbana?
RQ2: Quali sono i livelli di governance e gli stakeholder da coinvolgere per gestire le aree di azione prioritarie? RQ3: quanto è forte ciascuna destinazione urbana analizzata nelle aree prioritarie di azioni rispetto alle altre città nel set competitivo?.
3.1 Campione e variabili
Il metodo è stato applicato al settore del turismo d'affari, con riferimento ad un set di 8 destinazioni urbane europee selezionate tra quelle presenti nella top 20 delle due classifiche mondiali più importanti del settore congressuale (ICCA e UIA): Barcellona, Berlino, Bruxelles, Londra, Milano, Madrid, Parigi, Roma. Il
118
posizionamento di ciascuna destinazione nel turismo d'affari è stato descritto attraverso un elenco di 41 variabili tratte da ranking internazionali relativi al turismo d'affari. Ogni variabile è misurata da indicatori basati su dati oggettivi (cioè risorse disponibili, prezzi) o dati percettivi (opinioni) da parte di intervistati qualificati. Nell'Allegato 1 ogni variabile è descritta in termini di misurazione, anno di riferimento, ranking e autore della rilevazione.
Anche se questo studio si concentra sul segmento del turismo congressuale - una specifica area di business caratterizzata da prodotti propri, target, concorrenti -, il metodo RNA potrebbe essere applicato senza restrizioni a qualsiasi altra area strategica di business.
Ogni variabile può essere classificata in base al livello di governance corrispondente e al settore di appartenenza. Infatti, alcune di esse possono essere gestite da organismi nazionali / internazionali, altre sono gestite dal consiglio comunale, altre sono gestite dall'organizzazione responsabile dello sviluppo turistico della destinazione (DMO) o anche da una singola azienda locale. Per quanto riguarda il settore, distinguiamo tra variabili turistiche e non turistiche per evidenziare la natura intersettoriale del turismo (Tabella 2).
Tabella 2. Elenco e profilo delle variabili (livello di governance e settore).
Livello di governance Settore Variabili Internazionale Urbano (DMO) Nazionale / impresa Singola Turismo
(si/no)
1 Centro di ricerca e conoscenza X X X No
2 Destinazioni business in miglioramento X No
3 Familiarità con la città come destinazione
business X No
4 Grado di accesso al mercato economico locale X X No
5 Grado di facilità di fare business X X No
6 Grado di sviluppo come business center X No
7 Livello del personale locale X No
8 Livello di conoscenza delle lingue straniere X No
9 Predisposizione della destinazione per avviare
un business X No
10 Stabilità economica X No
11 Competitività complessiva del portale X Si
12 Framework politico e legale X No
13 Contesto creato dal governo locale per fare
business X No
14 Livello di libertà dall'inquinamento X No
15 Costo di due viaggi di 5 km in taxi X Si
16 Costo di un drink nel bar dell'albergo X Si
17 Costo di un pranzo per uno X Si
18 Costo di un quotidiano internazionale X No
19 Costo di una cena per due X Si
20 Costo di una notte in albergo X Si
21 Costo giornaliero di un viaggio di affari X Si
22 Costo medio room night X Si
23 Densità offerta teatrale X X Si
24 Numero alberghi X X Si
25 Numero alberghi a 5 stelle X X Si
26 Arrivi internazionali X Si
27 Numero posti letto X X Si
28 Prezzo di un city break X Si
29 Prezzo una cena X Si
30 Prezzo room night in hotel a 3 stelle X Si
31 Prezzo room night in hotel a 5 stelle X Si
32 Livello delle informazioni per meeting planners X Si
33 Numero di meeting per città X X Si
34 Numero di meeting previsti nel periodo 2009-
2013 X X Si
35 Qualità delle telecomunicazioni X No
36 Grado di accessibilità esterna X No
119
38 Prezzo dei trasporti pubblici X No
39 Prezzo dei treni X Si
40 Qualità del trasporto locale X No
41 Traffico passeggeri aerei annuo X X X Si
Fonte: elaborazione propria. 3.2 Risultati
Attraverso l'analisi MRG è stato generato il grafico con la rappresentazione più completa dell'associazione tra le 41 variabili. Si tratta di un grafico che presenta un "diamante" da cui si diramano tutti gli altri nodi (Figura 2). Possiamo distinguere tra fattori centrali, fattori-gate e fattori periferici. I fattori centrali sono quelli inclusi nel diamante mentre i fattori-gate e gli elementi periferici sono esterni, al confine della mappa. In particolare, i gate sono elementi che, anche se non fanno parte del diamante, contribuiscono al rafforzamento del posizionamento strategico della destinazione. Si definiscono gate di primo livello i primi nodi di un ramo mentre denominiamo gate di secondo livello un nodo tra un gate di primo livello e altri nodi periferici di un ramo. Figura 2. MRG CM analysis applicata al set delle 8 destinazioni urbane.
Fonte: elaborazione propria.
Questa analisi consente di rispondere congiuntamente alle prime due domande di ricerca:
RQ 1: quali sono le aree di azione prioritarie (strutture, infrastrutture e servizi) per aumentare la competitività della destinazione urbana?
RQ 2: Quali sono i livelli di governance e gli stakeholder da coinvolgere per gestire le aree di azione prioritarie? Le variabili del diamante si trovano al centro della mappa e sono le più rilevanti (centrali) in termini di numero di connessioni e, quindi, decisive nella formulazione della strategia di destinazione. È interessante notare che tutte le variabili si riferiscono a risorse o aree gestite dagli organi direttivi della città, ad eccezione della "qualità della TLC", che è una responsabilità del governo nazionale. Questo risultato mostra come la competitività di una destinazione nel turismo d'affari dipenda non solo da specifiche risorse turistiche (strutture, infrastrutture e servizi), ma soprattutto da risorse gestite dalle politiche urbane e dal sistema economico nazionale. Questa evidenza è rafforzata da un ulteriore risultato: le variabili prezzo / costo e altre variabili relative a caratteristiche specifiche dei servizi turistici (n° di hotel a 5 stelle, densità dell’offerta teatrale) sono tutte periferiche e non direttamente collegate al diamante.
Le uniche due variabili turistiche centrali sono "competitività del portale turistico" e "numero di meeting per città". Questo mostra come le strategie collaborative dovrebbero essere focalizzate sulla creazione di condizioni di contesto interessanti collegate a risorse non strettamente turistiche. I prezzi e i costi dei servizi turistici, insieme alla loro offerta, sono importanti, ma rappresentano requisiti di secondo livello. Un primo esempio di questo aspetto riguarda la variabile "numero di meeting programmati (2009-2013)", che è una "variabile-gate di primo livello" che collega le variabili del diamante (nello specifico la variabile “numero di meeting per città”) a variabili periferiche di prezzo. Un secondo esempio è rappresentato dalla variabile "livello di informazioni disponibili per i meeting planner", che si connette a un "gate di primo livello" (stabilità
120
economica) a cui segue un gate di secondo livello (prezzo di un city break) collegato a variabili periferiche relative al prezzo e ai servizi turistici.
Questi risultati suggeriscono anche quale categoria di attori dovrebbe essere coinvolta nella formulazione di strategie collaborative di destinazione. La centralità delle variabili non strettamente correlate al turismo suggerisce che gli attori da coinvolgere in primis nella formulazione di strategie efficaci per il turismo d'affari appartengono a settori apparentemente estranei al turismo (educazione, ricerca, sviluppo del capitale umano). Nonostante l'enfasi sulle variabili che dipendono dalle politiche pubbliche, il ruolo delle singole aziende è comunque significativo. La ricchezza dei servizi offerti (teatri, hotel) e le politiche dei prezzi degli operatori sono leve importanti per la competitività di una destinazione.
Come spiegato in precedenza, il primo livello di analisi consente di comprendere sia il numero che la natura dei fattori che influenzano la competitività di una destinazione in una specifica area di business. L'analisi di secondo livello (AUTO CM) mette in luce il posizionamento competitivo di una singola destinazione rispetto alle altre città del set competitivo. Ciò consente di dare una risposta alla terza domanda di ricerca: quanto è forte ogni destinazione urbana in ciascuna area prioritaria di azione rispetto alle altre?
I risultati di questa seconda analisi mostrano, per ciascuna destinazione, il valore di ognuna delle 41 variabili che descrivono la sua strategia. Come detto prima, i nodi del diamante e i gate sono più significativi dei nodi periferici in termini di contributo al posizionamento strategico della destinazione nel segmento di business. Ciò significa che le città del set competitivo con valori elevati in molte variabili del diamante hanno un posizionamento più forte nel turismo business rispetto alle altre. La Tabella 3 mostra il numero e la composizione dei fattori con un punteggio elevato per ciascuna città del set competitivo.
Tabella 3. nodi centrali, gate e periferici in ciascuna destinazione.
Città N. variabili con valore >0.8 Centrali Di cui:
(nel diamante) Gate Periferiche
Londra 23 9 3 I livello 1 II livello 10
Parigi 17 7 2 I livello 1 II livello 7
Berlino 10 2 1 II livello 7
Barcellona 7 3 2 I livello 2
Madrid 6 1 1 I livello 1 II livello 3
Bruxelles 5 1 1 I livello 3
Roma 4 0 4
Milano 3 1 2
Fonte: elaborazione propria.
Londra e Parigi sono caratterizzate da un alto numero di fattori con un punteggio elevato (rispettivamente 23 e 17). Queste due città mostrano il maggior numero di fattori centrali e di gate, il che significa un forte posizionamento nel segmento business.
Barcellona (7 fattori ad alto punteggio, due inerti e uno che aumenta la complessità), Madrid (6 con due variabili che aumentano la complessità della rete) e Bruxelles (5 variabili, nessuna delle quali rilevante per la complessità della rete) presentano un mix bilanciato di fattori centrali / gate ed elementi periferici.
Berlino, sebbene presenti 10 fattori con punteggio elevato, mostra un numero elevato di elementi periferici (7) che ne indeboliscono il posizionamento.
A Roma ea Milano, i fattori caratterizzanti sono pochi (rispettivamente 4 e 3), periferici e focalizzati su elementi di costo / prezzo. Entrambe le città hanno variabili irrilevanti rispetto alla complessità della rete.
4. Conclusioni
Questo studio evidenzia i vantaggi dell'intelligenza artificiale come metodologia per progettare strategie per organizzazioni in contesti competitivi complessi e dinamici dove agiscono molti soggetti, vi sono aziende che operano in diversi settori e dove ci sono risorse controllate da più organi e livelli di governance (locali, nazionali).
In particolare, questo studio fornisce un contributo interessante sia a livello accademico che manageriale. Per quanto riguarda i contributi accademici, l'applicazione del metodo RNA alla progettazione strategica rappresenta un contributo innovativo alla letteratura scientifica di matrice manageriale. In effetti, fino ad oggi questo metodo è stato applicato principalmente in altri settori. Inoltre, esso consente di ottenere risultati più raffinati rispetto ai metodi tradizionali basati su analisi di regressione (Buscema et al., 2018). In secondo luogo, il metodo ha permesso di identificare le aree prioritarie di azione per progettare una strategia di destinazione efficace nel segmento del turismo d'affari. In terzo luogo, consente di identificare e classificare per rilevanza
121
gli stakeholder e i livelli di governance da coinvolgere in strategie di destinazione collaborative che mostrino una forte correlazione tra turismo e le più ampie politiche pubbliche a livello urbano e nazionale.
Per quanto riguarda i contributi manageriali, questo studio offre ai manager di destinazione e ai responsabili delle politiche pubbliche a livello urbano e nazionale raccomandazioni utili per l'attuazione di strategie condivise che coinvolgono attori pubblici e privati. Indicano inoltre azioni integrate per diverse aree di sviluppo (offerta turistica, infrastrutture, politiche di sviluppo del capitale umano e così via). In questo senso, lo studio sottolinea la rilevanza della così detta visitor economy nelle politiche di sviluppo urbano.
Il limite principale di questo studio è la mancanza di studi di benchmark consolidati a causa della recente applicazione del metodo RNA al contesto aziendale. Tuttavia, un forte interesse multidisciplinare attorno a questo metodo sta sorgendo in diversi campi della letteratura, in cui l'applicazione è già consolidata. Questo contributo è il primo passo di un progetto di ricerca in corso che vuole testare il metodo in modo più ampio all'interno della letteratura manageriale.
Bibliografia
Ahuja, G. (2000). Collaboration networks, structural holes, and innovation: A longitudinal study. Administrative Science Quarterly, 45, 425–455.
Anderson, J., Hakansson, H., & Johanson, J. (1994). Dyadic business relationships within a business network context. Journal of Marketing, 58 (October), 1–15.
Baggio, R., & Sainaghi, R. (2016). Mapping time series into networks as a tool to assess the complex dynamics of tourism systems. Tourism Management, 54, 23–33.
Baggio, R., & Sainaghi, R. (2011). Complex and chaotic tourism systems: towards a quantitative approach. International Journal of Contemporary Hospitality Management, 23(6), 840–861.
Beaumont, N. & Dredge, D. (2010). Local tourism governance: a comparison of three network approaches, Journal of Sustainable Tourism, 18(1), 7-28
Boix, D., & Capone, F. (2005). Sources of Competitiveness in Tourist Local Systems. Paper presented at 45TH congress of the European regional science association, Vrije Universiteit Amsterdam, 23–27.
Bramwell, B. (2011). Governance, the state and sustainable tourism: A political economy approach. Journal of Sustainable Tourism, 19(4–5), 459–477.
Bramwell, B., Lane, B. (2011), Critical research on the governance of tourism and sustainability. Journal of Sustainable Tourism, 19 (4–5), 411–421.
Braun, P. (2005). “Creating value to tourism products through tourism networks and clusters: uncovering destination value chains”. Paper presented at OECD & Korea Conference on Global Tourism Growth: A Challenge for SMEs.
Buscema, M., Grossi, E. (2009). Artificial adaptive systems in medicine. Oak Park: Bentham Science Publishers .
Buscema M, Massini G, Breda M, Lodwick WA, Neyman F, Asadi-Zeydabadi M (2018) Artificial Adaptive Systems Using Auto Contractive Maps: Theory, Applications and Extensions (Vol. 131). Springer, Berlin. Buscema, M. , Asadi-Zeydabadi, M. , Lodwick, W. , & Breda, M. (2015). The H 0 func- tion, a new index for detecting structural/topological complexity information in undirected graphs. Physica A, 447 , 355–378 . Buscema, P.M., Grossi E., Snowdon, D. , & Antuono, P. (2008a). Auto-contractive maps: An artificial adaptive system for data mining: An application to Alzheimer dis- ease. Current Alzheimer Research, 5 , 4 81–4 98 . Buscema, P.M., Helgason C., Grossi E., (2008b) Auto Contractive Maps, H Function and Maximally Regular Graph: Theory and Applications, Special Session on “Artificial Adaptive Systems in Medicine: applications in the real world, NAFIPS 2008 (IEEE), New York, May 19-22, 2008.
Buscema, P. M., Ferilli, G., Gustafsson, C., & Sacco, P. L. (2019). The Complex Dynamic Evolution of Cultural Vibrancy in the Region of Halland, Sweden. International Regional Science Review. https://doi.org/10.1177/0160017619849633
Contractor, F. J., & Lorange P. (2002). Cooperative Strategies and Alliances. Amsterdam: Elsevier Science Ltd.
Coppedè, F., Grossi, E., Buscema M., & Migliore, L. (2013). Application of Artificial Neural Networks to Investigate One-Carbon Metabolism in Alzheimer’s Disease and Healthy Matched Individuals. PLOS ONE, 8 (8): e74012, 1–11.
d’Angella, F. (2016). La collaborazione nella gestione delle destinazioni turistiche. Torino: Giappichelli. d’Angella, F., & De Carlo, M. (2017). The Maturity of Tourism Networks: An Exploratory Study, Symphonya. Emerging Issues in Management, 3, 59-70.
d’Angella, F., De Carlo, M., & Sainaghi, R. (2010). Archetypes of destination governance: A comparison of international destinations. Tourism Review, 65(4), 61-73.
Del Chiappa, G., & Presenza, A. (2013). The use of network analysis to assess relationships among stakeholders within a tourism destination: An empirical investigation on Costa Smeralda–Gallura, Italy. Tourism Analysis, 18(1), 1–13.
122
Denicolai, S., Cioccarelli, G., & Zuchella, A. (2010). Resource-based local development and networked core- competencies for tourism excellence. Tourism Management, 31, 260-266.
Dyer, J., & Singh, H. (1998). The relational view: Cooperative strategy and source of interorganizational competitive advantage. Academy of Management Review, 23(4), 660–679.
Fait, S. (2012). Tipici e turismo: un network per creare valore. Il caso del Franciacorta. Sinergie, 89(Settembre- Dicembre), 255-274.
Ferilli, G., Sacco, P.L., Buscema, M., Blessi, G.T., (2015). Understanding cultural geography as a pseudo- diffusion process: the case of the Veneto Region. Economies 3, 100–127.
Franch, M., Martini, U., & Buffa, F. (2010). Roles and opinions of primary and secondary stakeholders within community–type destinations. Tourism Review, 65(4), 74–86.
Fyall, A., Garrod, B., & Wang, Y. (2012). Destination collaboration: A critical review of theoretical approaches to a multi-dimensional phenomenon. Journal of Destination Marketing & Management, 1(1-2), 10-26.
Grossi, E., G. Tavano Blessi, P. L. Sacco, and M. Buscema. 2012. “The Interaction Between Culture, Health, and Psychological Well-being: Data Mining from the Italian Culture and Well-being Project.” Journal of Happiness Studies, 13: 129–148.
Gulati, R. (1999). Network location and learning: the influence of network resources and firm capabilities on alliance formation. Strategic Management Journal, 20(5), 397–420.
Gulati, R. (1998). Alliances and networks. Strategic Management Journal, 19(4), 293–317.
Hakansson, H., & Shenota, I. (1995). Developing Relationships in Business Networks. New York: Routledge & Kegan Paul.
Hall, C. M. (2005). Rural wine and food tourism cluster network development. In D. Hall, I. Kirkpatrick, & M. Mitchell (Eds.), Rural tourism and sustainable business (pp. 149–164). Clevendon: Channel View.
Ham, C., & Hill, M. (1993). The policy process in the modern state. Hertfordshire: Harvester Wheatsheaf. Haugland, S. A., Ness, H., Grønseth, B. O., & Aarstad, J. (2011). Development of tourism destinations. An integrated multilevel perspective. Annals of Tourism Research, 38(1), 268–290.
Healey, P. (1996). Consensus–building across difficult divisions: New approaches to collaborative strategy making. Planning Practice and Research, 11(2), 207–216.