728591 JTRXXX10.1177 / 0047287517728591 Jurnal Penelitian Perjalanan Wilkins et al.

research-article2017

Riset Empiris Artikel

Pengaruh Kondisi Cuaca pada

Pengeluaran Pariwisata: Implikasi
Jurnal Penelitian Perjalanan 1 –12 © Penulis (s) 2017

untuk Tren Masa Depan di Bawah Perubahan Iklim

Pendahuluan
Pariwisata penting bagi ekonomi di seluruh dunia, terhitung 10,2 % dari PDB dunia pada tahun 2016, dan
diperkirakan akan meningkat sebesar 3,8% pada tahun 2017 (World Travel and Tourism Council 2017). Di Amerika
Serikat, pariwisata menyumbang $ 1,51 triliun ke PDB (8,1%) dan mendukung 14,2 juta pekerjaan (World Travel
and Tourism Council 2017). Karena pariwisata memainkan peran yang sangat penting dalam ekonomi banyak
daerah, penting untuk memeriksa dan memahami setiap perubahan potensial pada pola pariwisata yang dapat terjadi.
Sejumlah perubahan global telah berdampak pada industri pariwisata baru-baru ini, termasuk terorisme, perubahan
lingkungan akibat perubahan iklim, dan penyakit seperti sindrom pernapasan akut yang parah. Perubahan ini telah
terbukti berdampak pada permintaan pariwisata, yang kemungkinan akan berdampak pada ekonomi lokal
(Henderson 2003; Raza dan Jawaid 2013; Min, Lim, dan Kung 2011; Wilder-Smith 2006; Gössling et al. 2012).
Pariwisata adalah salah satu industri terbesar di negara bagian Maine, sehingga fluktuasi dalam pariwisata dapat
berdampak nyata pada perekonomian negara; misalnya, pada tahun 2016 pariwisata menghasilkan $ 5,99 miliar
dalam pengeluaran langsung (Maine
1Departemen Lingkungan dan Masyarakat, Universitas Negeri Utah, Logan, UT, USA 2Sekolah Sumberdaya Hutan, Universitas Maine,

Orono, ME, USA 3School of Sumberdaya Hutan, Universitas Maine, Orono, ME, USA 4School of Economics, Universitas Maine, Orono, ME,

USA Office of Tourism 2017, 19). Mengingat kepadatan populasi yang rendah dan cakupan yang tinggi dari hutan
belantara dan daerah berhutan serta aset pesisir, banyak dari pariwisata di negara bagian tersebut adalah
Penulis yang Berkorespondensi: Emily Wilkins, Departemen Lingkungan dan Masyarakat, Universitas Negeri Utah, 5215 Old Main Hill,
Logan, UT 84322, AS. berbasis rekreasi di luar ruangan. Kegiatan populer termasuk hiking,
Email: emily.wilkins@aggiemail.usu.edu
Cetak ulang dan izin: sagepub.com/journalsPermissions.nav DOI: https://doi.org/10.1177/0047287517728591
10.1177 / 0047287517728591 journals.sagepub.com/home / jtr

Emily Wilkins1, Sandra de Urioste-Stone2, Aaron Weiskittel3, dan Todd Gabe4

Abstrak Pariwisata adalah industri penting bagi banyak wilayah di dunia dan memiliki potensi untuk
secara substansial berdampak pada masyarakat lokal. Perubahan iklim diharapkan mempengaruhi
pariwisata karena pola cuaca membantu menentukan di mana dan kapan orang bepergian. Dalam
analisis ini, pengaruh kondisi cuaca terhadap pengeluaran terkait pariwisata di tiga lokasi yang berbeda
secara geografis di Maine, Amerika Serikat, dievaluasi. Metode nonparametrik (pohon regresi yang
ditingkatkan) digunakan untuk pertama-tama mengidentifikasi pengaruh relatif dari dua puluh dua variabel
cuaca sebagai prediktor pengeluaran pariwisata. Setelah ini, model parametrik dibangun untuk secara
statistik mengevaluasi pengeluaran pariwisata di seluruh tindakan yang berbeda dan memprediksi
perubahan pengeluaran potensial karena iklim pemanasan. Hasil menunjukkan bahwa suhu yang lebih
hangat meningkatkan pengeluaran wisata di musim panas dan gugur, tetapi memiliki hasil yang lebih
bervariasi di musim dingin. Temuan menunjukkan bisnis pariwisata di Maine dan tujuan yang relatif lebih
dingin lainnya dapat memanfaatkan potensi keuntungan di bulan-bulan hangat.
Kata kunci pengeluaran pariwisata, rekreasi luar ruangan, perilaku perjalanan, peningkatan pohon
regresi,wisata berbasis alam
bersepeda, berperahu, memancing, berburu, berkemah, mobil salju, dan bermain ski. Namun, sebagian besar
kegiatan ini bergantung pada cuaca, sehingga perubahan pola cuaca yang dihasilkan dari perubahan iklim secara
keseluruhan dapat berdampak pada pola kunjungan dan karena itu perekonomian Maine.
Cuaca, Iklim, dan Pariwisata
 Industri pariwisata sangat tergantung pada cuaca dan iklim, karena faktor-faktor ini membantu menentukan ke mana
orang bepergian dan kualitas pengalaman mereka (misalnya Becken dan Hay 2007; Becken 2012; Denstadli dan
Jacobsen 2014; Denstadli, Jacobsen, dan Lohmann 2011). Cuaca didefinisikan sebagai "kondisi atmosfer pada
waktu atau tempat tertentu," sedangkan iklim adalah "cuaca rata-rata selama periode lebih dari 30 tahun" (United
States Environmental Protection Agency 2013). Sementara iklim dan cuaca penting untuk destinasi

2 Journal of Travel Research 00 (0)

seleksi, cuaca juga berpengaruh selama perjalanan,
mengubah kegiatan, rencana perjalanan, dan lama
tinggal. Tidak hanya cuaca yang sebenarnya penting
untuk pariwisata, tetapi persepsi pengunjung tentang
cuaca juga dapat mempengaruhi perilaku perjalanan
(Denstadli, Jacobsen, dan Lohmann 2011).
Meskipun iklim terdiri dari banyak parameter
atmosfer dan meteorologis, suhu udara dianggap
sebagai faktor iklim paling penting untuk pariwisata
musim panas, dan tutupan salju untuk pariwisata
musim dingin (Matzarakis 2006).Cuaca telah terbukti
memengaruhi perjalanan dan pengalaman
pengunjung; misalnya, di Selandia Baru, 39%
wisatawan internasional mengubah waktu perjalanan
mereka karena cuaca, dan 51% mengubah kegiatan
saat berlibur (Becken dan Wilson 2013). Di Austria,
sebuah studi baru-baru ini menemukan bahwa cuaca
selama musim puncak mengubah menginap semalam
domestik, dengan sinar matahari dan suhu memiliki
korelasi positif, dan curah hujan memiliki efek
negatif (Falk 2014). Banyak pemilik bisnis terkait
pariwisata mengakui bahwa cuaca memengaruhi
perusahaan mereka, meskipun efek pastinya tidak
diketahui (Rauken et al. 2010). Cuaca memengaruhi
pengunjung, sehingga perubahan pola cuaca yang
diakibatkan oleh perubahan iklim kemungkinan akan
mengubah perilaku wisatawan di suatu wilayah.
Studi sebelumnya telah memproyeksikan
bahwa permintaan pariwisata dan musiman akan
bergeser secara global berdasarkan berbagai skenario
perubahan iklim (Amelung, Nicholls, dan Viner
2007; Gössling et al. 2012). Ketika memodelkan
suhu dan curah hujan di bawah skenario perubahan
iklim di taman nasional Kanada, kunjungan
diharapkan meningkat sebagai hasil dari proyeksi
perubahan (Scott, Jones, dan Konopek 2007). Selain
itu, model memperkirakan bahwa kunjungan di 95%
taman nasional AS akan berubah dengan proyeksi
suhu di masa depan (Fisichelli et al. 2015).
Meskipun banyak studi memperkirakan bagaimana kunjungan
dapat berubah dalam skenario perubahan iklim, studi ini unik
karena berfokus pada pengeluaran terkait pariwisata daripada
jumlah kunjungan.
Pengeluaran Pariwisata dan
Cuaca
Perubahan iklim diharapkan memiliki dampak yang cukup besar
pada fasilitas alam yang mendukung pariwisata, yang akan
mengubah permintaan pariwisata dan pemilihan tujuan. Oleh
karena itu, diharapkan bahwa perubahan dalam arus pariwisata —
sebagai hasil dari perubahan iklim — akan berdampak pada
ekonomi regional (Amelung dan Moreno 2011). Meskipun banyak
penelitian menyelidiki dampak cuaca dan perubahan iklim pada
kunjungan, ada penelitian terbatas tentang dampak ekonomi.
Selain itu, sebagian besar penelitian tentang dampak cuaca pada
rekreasi luar ruangan dan pengeluaran pariwisata berfokus pada
cuaca musim dingin (Burakowski dan Magnusson 2012; Shih,
Nicholls, dan Holecek 2009; Pütz et al. 2011; Dawson dan Scott
2013; Strasser et al . 2013), tetapi kesenjangan yang lebih besar
ada pada dampak cuaca musim panas pada pengeluaran
pariwisata.
Dalam bulan-bulan musim dingin, nilai tambah bagi
ekonomi AS dari bermain ski dan seluncur salju adalah $ 10,7
miliar per tahun, dan $ 1,5 miliar dari mobil salju (Burakowski
dan Magnusson
2012). Dampak besar memberikan gambaran tentang bagaimana
perubahan dalam kebiasaan rekreasi musim dingin sebagai akibat
dari suhu yang lebih hangat (dan lebih sedikit salju) memiliki
potensi untuk mengubah ekonomi lokal dan negara bagian.
Sebuah studi baru-baru ini di Maine menemukan perbedaan 14%
dalam kunjungan pemain ski, yang berhubungan dengan
hilangnya $ 27.100.000 pendapatan selama dua tahun, karena
tahun-tahun salju yang lebih rendah (Burakowski dan Magnusson
2012). Di Michigan, Shih, Nicholls, dan Holecek (2009)
menemukan bahwa setiap inci kedalaman salju meningkatkan
penjualan tiket lift alpine setiap hari sebesar 7% menjadi 9%, dan
bahwa peningkatan suhu berdampak negatif pada penjualan tiket.
Di luar Amerika Serikat, Pütz et al. (2011) menemukan bahwa
perubahan iklim cenderung merusak ekonomi
regional di Pegunungan Alpen Swiss, walaupun
ukuran dampak bervariasi tergantung pada lokasi.
Secara umum, penelitian sebelumnya tentang kondisi
cuaca musim dingin dan pariwisata telah berfokus
pada ski dan snowboarding, sedangkan kegiatan
rekreasi musim dingin lainnya dapat mencakup
memancing di es dan mobil salju. Ini khususnya
terjadi di Maine.
Meskipun ada penelitian terbatas tentang
dampak cuaca dan perubahan iklim pada
pengeluaran pariwisata di musim panas, beberapa
penelitian telah membahas topik ini. Misalnya,
Bigano et al. (2008) memperkirakan perubahan
dalam produk domestik bruto di semua musim di
seluruh dunia yang dihasilkan dari kenaikan
permukaan laut dan perubahan arus pariwisata, tetapi
perubahan ini bervariasi di setiap negara. Selain
perubahan iklim jangka panjang yang mengubah arus
dan pengeluaran pariwisata, penelitian telah
menunjukkan bahwa cuaca harian juga
mempengaruhi pengeluaran konsumen. Sebuah studi
baru-baru ini menemukan bahwa suhu, salju turun,
sinar matahari, dan kelembaban semuanya memiliki
dampak signifikan pada penjualan harian di sebuah
toko ritel besar di Amerika Utara, dengan efek sinar
matahari tergantung pada suhu (Murray et al. 2010).
Di Maine, sebagian besar pengeluaran pariwisata
terjadi pada bulan-bulan musim panas dan bisa sangat sensitif
terhadap pola cuaca.
Perubahan Iklim dan Pariwisata di
Maine
Di Maine, suhu tahunan rata-rata telah meningkat sebesar 1,7 ° C
dari tahun 1895 hingga 2014, dan curah hujan tahunan rata-rata
telah meningkat sebesar 15 cm (13%). Sebagian besar
peningkatan curah hujan telah terjadi selama musim gugur dan
musim panas, dengan badai yang lebih sering dan intens
(Fernandez et al. 2015). Pada tahun 2050 di Maine, model
memproyeksikan kenaikan tambahan 1,1 ° C hingga 1,7 ° C dalam
suhu tahunan rata-rata dan peningkatan curah hujan 1% hingga
7%, dengan perkiraan variabilitas curah hujan yang lebih banyak,
dan lebih banyak presipitasi yang turun karena hujan dan lebih
sedikit salju (Fernandez et al. 2015).
Fisichelli et al. (2015) memodelkan perubahan kunjungan
ke taman nasional berdasarkan proyeksi suhu dan Taman Nasional
Acadia yang ditetapkan, yang terletak di Maine, untuk
meningkatkan kunjungan pada tahun 2041-2060. Namun,
penelitian ini didasarkan pada proyeksi suhu dan tidak termasuk
perubahan iklim atau ekologi lain yang diprediksi terjadi dengan
perubahan iklim. Sebaliknya, sebuah studi baru-baru ini
menunjukkan bahwa mayoritas pengunjung musim panas di
Taman Nasional Acadia berpikir perubahan iklim akan memiliki
konsekuensi negatif

Secara khusus, pengunjung menyatakan keprihatinan atas

perubahan lingkungan, termasuk kenaikan permukaan
laut, peningkatan suhu ekstrem, frekuensi hujan dan badai
yang lebih besar, dan dampaknya terhadap satwa liar
endemik (De Urioste-Stone, Scaccia, dan Howe-Poteet
2015) ). Selain itu, pengunjung Acadia melaporkan
bahwa mereka kemungkinan akan mengubah perjalanan
masa depan mereka ke pulau itu jika ada badai, cuaca
ekstrem, dan peningkatan nyamuk, dan mereka memiliki
tingkat persepsi risiko tertinggi untuk cuaca ekstrem (De
Urioste-Stone et al. 2016 ). Namun, lebih sedikit
penelitian yang menilai pengaruh cuaca yang diamati
terhadap pengeluaran pariwisata di lokasi-lokasi ini.
Selain itu, perubahan iklim juga diperkirakan (Scott, Dawson, dan Jones 2008). Dari 14 lokasi ski alpine saat ini di
akan berdampak pada pariwisata musim dingin di Maine, diperkirakan hanya 57% akan mempertahankan musim
Maine. Penelitian memperkirakan bahwa musim setidaknya 100 hari pada 2040-2069 di bawah skenario emisi rendah,
salju di barat laut Maine akan berkurang sebesar atau 50% di bawah skenario emisi tinggi (Dawson dan Scott 2013) ).
21% antara 2040-2069 di bawah skenario emisi Mengingat dampak ekonomi potensial dari perubahan cuaca dan fakta
rendah, atau 29% di bawah skenario emisi tinggi bahwa dampak ini akan bervariasi tergantung pada kegiatan pariwisata
 yang dilakukan di daerah tersebut, penelitian ini Tiga lokasi studi di negara bagian Maine dipilih untuk industri
meneliti tiga lokasi yang berbeda secara geografis di
pariwisata mereka yang mapan dan keragaman kegiatan rekreasi luar
Maine dengan berbagai atraksi rekreasi luar ruangan.
ruangan mereka (Gambar 1). Batas-batas untuk setiap wilayah studi
Akibatnya, tujuan dari penelitian ini adalah ditarik dengan menggunakan keadaan garis batas Maine untuk Area
untuk (1) menyelidiki dampak kondisi cuaca Ringkasan Ekonomi (ESA), yang mengelompokkan kota-kota bersama-
terhadap pengeluaran di tiga tujuan wisata Maine sama untuk tujuan mengumpulkan dan berbagi data ekonomi (Kantor
dan (2) memprediksi bagaimana perubahan iklim Kebijakan dan Manajemen Maine State) 2014). Lokasi penelitian
dapat berdampak pada pengeluaran terkait menangkap
pariwisata di masa depan. Gambar 1. Tiga Wilayah Ringkasan Ekonomi (ESA) yang dipelajari di
Maine. Bagian barat adalah wilayah Betel, bagian utara adalah wilayah
Millinocket, dan pesisirnya adalah Pulau Gurun Gunung (MDI). Tiga
Metodo lokasi penelitian tersebar di seluruh negara bagian untuk menciptakan
logi pemahaman yang lebih baik tentang pariwisata Maine secara
keseluruhan, dan mewakili wilayah iklim yang berbeda.
Sit
us sederetan kegiatan rekreasi luar ruangan: (1) Gunung Desert Island
St (MDI), lokasi Taman Nasional Acadia, memungkinkan untuk kegiatan
air pantai seperti mengamati ikan paus dan pergi ke pantai, (2) Betel
ud
memiliki pegunungan yang dikembangkan untuk musim dingin kegiatan
i rekreasi seperti ski alpine, dan (3) Millinocket adalah tujuan
Maine, Amerika Serikat. Maine terletak di bagian pegunungan untuk kegiatan rekreasi musim dingin dan musim panas
timur laut Amerika Serikat dan merupakan negara termasuk backpacking dan mobil salju, tetapi tidak menawarkan ski
bagian yang paling terkenal, dengan sekitar 90% alpine.
tutupan lahannya adalah hutan (Hutan untuk Masa
Depan Maine 2011). Dua industri terbesar di negara Gunung Desert Island (MDI), Maine. Gunung Desert Island adalah
2
bagian ini adalah hasil hutan dan pariwisata. Industripulau 280 km di pantai timur Maine di kawasan pariwisata Downeast
pariwisata di Maine terutama berbasis alam, dan dan Acadia. Situs studi ini didefinisikan oleh Bar Harbor ESA dan
beragamnya daratan dan bentang laut mencakup keempat kota di pulau itu. Pulau ini memiliki total populasi
memungkinkan untuk berpartisipasi dalam berbagai sekitar 10.000, dengan Bar Harbor menjadi kota terbesar (United States
kegiatan rekreasi luar ruangan dan pariwisata. Pada Census Bureau 2010). Taman Nasional Acadia adalah daya tarik utama
tahun 2016, Maine memiliki total 18,9 juta di pulau itu, menempati lebih dari 120 km2 dan menerima 2,5 hingga 3
kunjungan semalam terkait pariwisata dan 22,3 juta juta kunjungan setiap tahun, yang sebagian besar mengunjungi di musim
kunjungan hari, yang sebagian besar berasal dari panas (Layanan Taman Nasional 2012). Pada 2016, 93% dari 3,3 juta
luar negara bagian. Pengunjung semalam, 51,3% kunjungan terjadi dari Mei hingga Oktober, dengan Juli dan Agustus
mengunjungi di musim panas, 32,3% mengunjungi menjadi bulan paling populer (Layanan Taman Nasional 2017). Kota-
di musim gugur, dan 16,4% di musim dingin kota di Gunung Desert Island sangat bergantung pada pariwisata, karena
(Kantor Pariwisata Maine 2017, 17-18). banyak pengunjung Acadia berbelanja, makan, dan menginap di
komunitas di MDI.
4 Journal of Travel Research 00 (0)

Wilayah Millinocket, Maine. Wilayah Millinocket berada
di kawasan pariwisata Maine Highlands dan berada dalam
batas Millinocket ESA, yang memiliki total populasi sekitar
7.800 (Biro Sensus Amerika Serikat 2010). Salah satu daya
tarik utama di daerah ini adalah Baxter State Park, taman
negara bagian terbesar di Maine, yang menampilkan ujung
Trail Australia dan gunung tertinggi Maine, Katahdin.
Daerah ini juga memiliki kegiatan rekreasi musim dingin
yang populer, termasuk ski Nordic, memancing es, sepatu
salju, dan mobil salju. Hal ini terutama dikenal karena
memiliki jaringan jejak mobil salju yang luas, dengan opsi
untuk menyewa mobil salju atau melakukan tur
berpemandu.
Wilayah Betel, Maine. Wilayah Betel berada di wilayah
pariwisata Danau Maine dan Pegunungan dan didefinisikan
oleh Rumford ESA. Kota-kota terbesar adalah Rumford
(populasi 5.840) dan Betel (populasi 2.607), tetapi total
populasi ESA ini adalah sekitar 21.000 (Biro Sensus
Amerika Serikat 2010). Daerah ini memiliki dua resor ski
dan terkenal dengan ski alpine-nya. Bethel juga
mempromosikan berbagai kegiatan rekreasi luar ruangan,
termasuk dogledding, memancing, hiking, seluncur es,
tabung, sepatu salju, dan mobil salju. Daerah ini sebagian
besar dikenal untuk wisata musim dingin, tetapi berfokus
pada peningkatan pariwisata musim panas dengan
mempromosikan daerah itu sebagai tujuan hiking,
pernikahan, dan golf yang hebat (Kamar Dagang Daerah
Betel 2014).
Desain
Studi
Tujuan dari penelitian ini adalah untuk lebih memahami
dampak perubahan pola cuaca di tiga destinasi pariwisata
Maine selama sepuluh tahun terakhir, untuk membantu
pengambilan keputusan dan lebih memahami bagaimana
perubahan iklim dapat mengubah pengeluaran pariwisata.
Para peneliti berhipotesis bahwa suhu akan memiliki
korelasi positif dengan belanja terkait pariwisata musim
panas dan musim gugur, tetapi korelasi negatif dengan
pengeluaran terkait pariwisata musim dingin. Ini diprediksi
karena Maine adalah tujuan yang lebih dingin dibandingkan
dengan daerah lain di Amerika Serikat, sehingga
peningkatan suhu mungkin menarik lebih banyak orang
selama musim panas, tetapi peningkatan suhu di musim
dingin mengurangi kemungkinan ada salju untuk rekreasi
yang lebih baik. Selain itu, diperkirakan bahwa curah hujan
akan mengurangi pengeluaran pariwisata di musim panas
dan gugur, tetapi meningkatkan pengeluaran di musim
dingin karena memungkinkan untuk kegiatan rekreasi luar
ruangan yang berhubungan dengan salju.
Pendekatan desain penelitian adalah ex post facto
karena semua pengumpulan data dari masa lalu, dan
variabel independen (cuaca) tidak dapat dimanipulasi
(Black 1999). Pengeluaran terkait pariwisata, yang
merupakan variabel dependen dalam analisis, diperkirakan
menggunakan restauran bulanan, penginapan, dan penjualan
ritel dari Januari 2004 hingga Desember 2014 untuk
masing-masing dari tiga Wilayah Ringkasan Ekonomi
(Kantor Kebijakan Negara Bagian Maine dan Manajemen
2014). Untuk menyesuaikan inflasi, semua pengeluaran
dikonversi ke dolar Desember 2014. Variabel penjelas
dariutama
minatadalah kondisi cuaca, yang dijelaskan di bawah ini,
yang dikompilasi dari Administrasi Kelautan dan Atmosfer
Nasional (NOAA). Stasiun cuaca yang digunakan terletak
di Taman Nasional Acadia, Millinocket, dan Rumford,
masing-masing di dalam lokasi penelitian. Semua data
dikompilasi pada resolusi temporal bulanan, menggunakan
semua 18 variabel cuaca NOAA yang direkam pada skala
bulanan dari Jan 2004 hingga Desember 2014 (NOAA
2014). Variabel-variabel ini mencakup berbagai ukuran
suhu (suhu minimum rata-rata, suhu tertinggi, jumlah hari
dengan suhu maksimum di bawah 32 ° F, dll.) Dan curah
hujan (pengendapan total, kedalaman salju maksimum,
jumlah hari dengan jumlah tertentu dari curah hujan, dll.).
Selain semua variabel cuaca bulanan NOAA, empat
variabel independen lainnya diciptakan untuk menguji
kemungkinan pengaruhnya terhadap pengeluaran: Jumlah
hari per bulan dengan kejadian badai, proporsi hari dengan
salju apa pun, proporsi hari dengan 6 inci atau lebih besar
salju, dan proporsi hari dengan salju 12 inci atau lebih.
Jumlah hari dengan kejadian badai hebat dibuat
menggunakan basis data badai NOAA, dan ini termasuk
peristiwa seperti tornado, kilat, hujan es, banjir, badai salju,
salju lebat, dan badai tropis (NOAA 2014). Proporsi hari
dengan jumlah salju tertentu dibuat menggunakan data
cuaca harian dan mengelompokkannya berdasarkan bulan.
Variabel-variabel ini ditambahkan untuk menguji dampak
potensial dari kejadian badai dan kemampuan pengunjung
untuk berpartisipasi dalam kegiatan pemenang.
Meskipun kami memperkirakan kondisi cuaca akan
memengaruhi pengeluaran pengunjung di Maine, berbagai
faktor lain yang terkait dengan kondisi ekonomi secara
keseluruhan cenderung mempengaruhi perilaku wisatawan.
Untuk memperhitungkan faktor-faktor ini, model regresi
mencakup variabel penjelas yang mengukur pengeluaran
terkait pariwisata bulanan di Maine, tetapi di luar wilayah
yang diminati. Variabel ini menangkap efek pada
pengeluaran pariwisata terkait, antara lain, resesi (yaitu,
seluruh negara mengalami pengurangan pengeluaran
pariwisata), dan fluktuasi harga bensin (yaitu, harga gas
yang tinggi selama periode analisis dapat mempengaruhi
wisatawan tingkah laku).
Analisis
Data
Langkah pertama dari analisis ini adalah untuk melakukan
pohon regresi yang didukung nonparametrik (BRTs).
Pendekatan ini digunakan untuk mengidentifikasi variabel
yang paling berpengaruh — di antara 22 kondisi cuaca, meliputi bulan Mei hingga Agustus, musim gugur adalah
variabel yang mengukur belanja turisme seluruh negara September hingga November, dan musim dingin
bagian, bulan dan tahun — menjelaskan belanja terkait didefinisikan sebagai Desember hingga April. Oleh karena
pariwisata yang disesuaikan dengan inflasi (Elith, itu, ukuran sampel untuk setiap lokasi adalah 44 (musim
Leathwick, dan Hastie 2008). Untuk menyesuaikan panas), 33 (musim gugur), dan 55 (musim dingin), karena
musiman, tiga BRT terpisah diperkirakan untuk setiap area data dikumpulkan dari 11 tahun.
studi, menghasilkan total sembilan BRT. Musim panas
Wilkins et al. 5
Tabel 1. Rata-rata Cuaca Bulanan dan Pengeluaran untuk Setiap Lokasi dan Musim Studi.
Rata-rataMusim Terkait-Pariwisata Bulanan
Pengeluaran($) SD
BRT dijalankan menggunakan semua variabel cuaca, bulan, tahun, dan total pengeluaran konsumen kena pajak
Maine (di luar wilayah yang diminati) sebagai variabel independen, dan pengeluaran terkait pariwisata sebagai
variabel tak bebas. BRT digunakan sebagai alat untuk menentukan peringkat semua kondisi cuaca dan variabel
lainnya dan hubungannya dengan variabel dependen. Oleh karena itu, asumsi utama tentang variabel independen apa
yang mungkin berpengaruh tidak harus dibuat seperti yang disyaratkan dalam model parametrik.
Setelah variabel yang paling berpengaruh diidentifikasi melalui BRT, analisis efek campuran linear kovarians
(ANCOVA) dilakukan untuk setiap lokasi untuk secara statistik mengevaluasi hubungan sepanjang tahun dan
musim (Johnson dan Wichern 2002). Karena banyak variabel suhu berkorelasi, berarti suhu maksimum digunakan
karena memiliki tingkat pengaruh tertinggi untuk pengukuran suhu. ANCOVA menggunakan suhu maksimum rata-
rata bulanan, hari-hari dengan curah hujan, dan total pengeluaran konsumen Maine (dikurangi ESA yang sedang
dipelajari) sebagai variabel independen dengan efek tetap, dan tahun sebagai variabel efek acak. Tahun diperlakukan
sebagai efek acak karena ada beberapa pengamatan per tahun dan efeknya seharusnya ditangkap oleh total
pengeluaran konsumen Maine untuk tahun itu. ANCOVA dilakukan untuk setiap lokasi menggunakan ketiga
variabel independen, masing-masing variabel secara terpisah tanpa yang lain, dan kombinasi dari dua variabel. AIC
dibandingkan antara enam pilihan model untuk setiap lokasi dan musim, dan model dengan AIC terendah dipilih,
kecuali menambahkan variabel lain tidak menurunkan AIC sampai sepuluh atau lebih besar.
Akhirnya, efek campuran ANCOVA kemudian dilakukan dengan menggabungkan semua lokasi, musim, dan tahun.
Dalam model gabungan ini, lokasi, musim, dan interaksinya dimasukkan sebagai kovariat. Kedua model linier dan
lengkung dievaluasi dengan membandingkan AIC dan residual. Model akhir kemudian digunakan untuk
memperkirakan pengeluaran pariwisata dengan rata-lebih tinggi-
rata yangRatarata Suhu Maksimum Bulanan (° C) SD
Rata-rata Hari Bulanan dengan> 0,254
cm Curah Hujan SD
MDI
Musim Panas 29,875,000 14,742,500 22,70 3,58 7,52 2,76 Musim Gugur 17,273,500 12,137,800 14,96 5,18 7,06
2,37 Musim dingin 2,185,300 1,258,000 4,52 4.68 7.16 2,84 Bethel
Musim Panas 3.549.900 802.200 23,51 3,31 9,41 3,19 Jatuh 3.264.000 806.800 14,30 6,70 6,67 2,41 Musim dingin
6.083.000 1.905.800 2,56 5,82 6,20 2,61 Millinocket
Musim Panas 1.439.100 340.500 23,07 3,52 8,50 2,73 Jatuh 1.126.200 429.700 13,54 6,16 7,27 3,01 Musim dingin
927.500 286.500 1,62 5,88 6,18 2,31
suhu bulanan berdasarkan pada seluruh rentang suhu data yang digunakan untuk membuat model dari musim itu,
ditambah memproyeksikan ke 1,7 ° C di atas nilai terbesar. Proyeksi membentang tambahan 1,7 ° C lebih hangat
karena model IPCC untuk Maine memprediksi suhu tahunan rata-rata akan meningkat sebesar 1,1 ° C hingga 1,7 ° C
antara 2015 dan 2050 (Fernandez et al. 2015). Semua analisis statistik dilakukan dengan menggunakan perangkat
lunak statistik R v 3.1.1 (R Core Team 2014).
Hasil
Karakteristik Area
Tabel 1 menunjukkan rata-rata pengeluaran terkait pariwisata bulanan, suhu maksimum, dan jumlah hari dengan
curah hujan berdasarkan lokasi dan musim. Gunung Desert Island dan Millinocket memiliki pengeluaran terbesar di
musim panas dan paling sedikit di musim dingin, sementara Betel memiliki pengeluaran terbesar di musim dingin
dan paling sedikit di musim gugur. Selain itu, pengeluaran untuk MDI di musim panas lebih dari 13 kali lebih besar
dari pengeluaran di musim dingin. Temperatur di antara lokasi-lokasi tersebut sebanding, dengan MDI sedikit lebih
dingin di musim panas dan lebih hangat di musim dingin. Ketiga lokasi memiliki jumlah hari terbesar per bulan
dengan presipitasi di musim panas.
Pohon Regresi Boosted
Dari semua variabel yang digunakan dalam BRT, Tabel 2 menunjukkan lima variabel paling berpengaruh untuk
setiap musim dan lokasi. Total pengeluaran konsumen Maine, yang mewakili keadaan umum ekonomi, berpengaruh
pada 66% kasus. Meskipun beberapa ukuran suhu yang berbeda kembali sebagai berpengaruh di setiap BRT, hanya
suhu rata-rata maksimum yang digunakan untuk analisis tambahan karena semua variabel ini sangat berkorelasi.
Variabel suhu adalah variabel yang paling berpengaruh dalam 33% kasus, dan total Maine
6 Jurnal Penelitian Perjalanan 00 (0)
Tabel 2. Rangkuman Lima Variabel Paling Berpengaruh Paling Dipengaruhi oleh Pohon Regresi untuk Memprediksi
Pengeluaran Terkait-Pariwisata untuk Masing-masing Lokasi
MDI Bethel Millinocket
Musim Panas
Pemanasan hari 57,6 Total pengeluaran Maine 52,9 Total pengeluaran Maine 52,3 Suhu bulanan rata-rata 12,2
Bulan 13,2 Rata-ratamaksimum
suhu
pengeluaranadalah yang paling berpengaruh dalam 44%. Variabel curah hujan hanya kembali sebagai berpengaruh
untuk MDI di musim dingin dan Betel di musim panas, dan tingkat pengaruh relatif rendah.
ANCOVA oleh Location
Gambar 2 menunjukkan hubungan antara suhu dan pengeluaran terkait pariwisata di semua musim dan lokasi dari
2004 hingga 2014. Pengeluaran diubah pada skala log natural untuk meningkatkan normalitas. Selama musim panas
dan musim gugur, pengeluaran cenderung meningkat karena peningkatan suhu rata-rata maksimum. Di musim
dingin, suhu rata-rata maksimum memiliki hubungan negatif dengan pengeluaran di Betel dan Millinocket, tetapi
hubungan positif di MDI. Kemiringan garis terbesar di MDI untuk musim gugur dan musim panas. Secara
keseluruhan, ada lebih banyak variasi yang tidak dapat dijelaskan dalam data untuk model musim dingin, terutama
untuk Millinocket di musim dingin.
Hasilnya menemukan bahwa suhu adalah prediktor yang signifikan secara statistik dari pengeluaran terkait
pariwisata di MDI untuk musim panas dan musim gugur, di Betel untuk musim dingin, dan di Millinocket untuk
musim gugur dan musim dingin. Curah hujan signifikan pada
18.1
Total pengeluaran Maine 8.4 Hari denganminimum di
suhubawah titik beku
10.5 Hari derajat pemanasan 8.2
Suhu maksimum rata-rata 6.3 Curah hujan harian maksimum 6.6minimum ekstrim
Suhu
6.0
Bulan 3.9 Suhu bulanan rata-rata 6.1 Suhu rata-rata bulanan 6.1 Suhu rata-rata bulanan 5.1 Musim gugur
derajat Pemanasan hari 21.5 Total Pengeluaran Maine 49.8maksimum rata-ratamaksimum
SuhuSuhu
25.3
rata-rata 21.0 Suhu maksimum rata-rata 24.2 Hari derajat pemanasan 16.6 Hari dengan suhu minimum di
bawah titik beku
19.2 Suhu minimum rata-rata 10.2 Hari derajat pendinginan 15.9
Suhu minimum ekstrim 19.0 Hari derajat pendinginan, 7.2 Hari denganminimum di
suhubawah titik beku
15.2
Suhu maksimum ekstrem 7.9 Hari denganminimum di
 suhubawah titik beku
4.6maksimum ekstrem
Suhu
10.9
Musim Dingin
Total pengeluaran Maine 47.9 Bulan 34.2 Bulan 49.5 Bulan 44.3 Suhu maksimum rata-rata 19.2 Total Maine
Pengeluaran 35.7 Total curah hujan 6.5 Pemanasan hari derajat 16.4 Tahun 9.8 Rata-rata bulanan Suhu 0,5
Ekstrimmaksimum
suhu
13,7 hari denganminimum
suhudi bawah titik beku
5.0
Ekstrim suhu minimum suhu 0,4 Berarti minimum 10,7 NA 0,0
Catatan: Angka menunjukkan pengaruh relatif, dari skala 100 perpecahan antara semua variabel yang berpengaruh. Analisis dibagi untuk
menyesuaikan musiman.
musim dingin untuk MDI dan Millinocket, dan memiliki hubungan positif dengan pengeluaran pariwisata di MDI,
tetapi hubungan negatif di Millinocket. Pengeluaran konsumen Maine signifikan dalam MDI di musim dingin, di
Betel pada musim panas dan musim gugur, dan di Millinocket pada musim panas dan musim dingin.
ANCOVA lintas Lokasi
Tabel 3 menunjukkan hasil regresi untuk model ini, yang meliputi pengeluaran konsumen Maine, suhu maksimum
rata-rata, hari-hari dengan curah hujan, musim, lokasi, dan interaksi mereka sebagai kovariat. Ini juga termasuk
istilah untuk suhu maksimum rata-rata + suhu maksimum rata-rata 2, yang akan menyarankan bahwa hubungan itu
kurva daripada linier. AIC menunjukkan bahwa istilah kurvilinear secara signifikan meningkatkan kecocokan
model. Secara keseluruhan, model ini menjelaskan 92,5% dari variasi asli dalam data pengeluaran dan menunjukkan
bahwa baik suhu rata-rata maksimum (p = 0,030) dan pengeluaran konsumen Maine (p = 0,000) adalah signifikan.
Gambar 3 menampilkan prediksi model regresi untuk pengeluaran terkait pariwisata dibandingkan dengan nilai
aktual. Secara keseluruhan, residualnya normal dan modelnya bukan
Wilkins et al. 7
 Gambar 2. Plot pencar menunjukkan hubungan antara suhu maksimum rata-rata bulanan dan pengeluaran terkait pariwisata
di semua wilayah dan musim. Garis regresi linier dengan derajat ketidakpastian juga ditampilkan.

Tabel 3. Hasil Regresi untuk Model Gabungan Memeriksa Pengeluaran Terkait Pariwisata Inflasi (Variabel Dependen).

Nilai 95% CI df t Nilai p Nilai

Mencegat 439,48 317,47 - 608,39 373 37,43 <0,01 Total pengeluaran Maine 1,00 1,00 - 1,00 373 12,62 <0,01 Rata-rata suhu
maksimum 1,00 - 1,993 −2,18 0,03 MMXT + MMXT2 1,00 - 1,00 373 6,55 <0,01 Hari dengan curah hujan> 0,254 cm 1,01 0,99 - 1,02
373 0,87 0,39 Lokasi: MDI 4,42 3,74 - 5,21 373 17,97 <0,01 Lokasi: Millinocket 0,36 0,30 - 0,42 373 −12,72 <0,01 Musim: musim
panas 0,56 0,47 - 0,66 373 −6,92 <0,01 Musim: musim dingin 2.45 2.01 - 3.00 373 9.01 <0.01 Lokasi: MDI; Musim: musim panas 1,99
1,62 - 2,44 373 6,77 <0,01 Lokasi: Millinocket; Musim: musim panas 1,18 0,97 - 1,43 373 1,64 0,10 Lokasi: MDI; Musim: musim
dingin 0,10 0,08 - 0,13 373 −19,84 <0,01 Lokasi: Millinocket; Musim: musim dingin 0,48 0,38 - 0,60 373 −6,54 <0,01

Catatan: Total pengeluaran Maine yang disesuaikan dengan inflasi, suhu maksimum rata-rata, hari-hari dengan curah hujan, lokasi, musim, dan
interaksi lokasi dan musim adalah kovariat tetap; tahun adalah variabel acak. Nilai dan 95% CI diubah kembali dari skala log natural. R 2 = 0,9247.

umumnya over-atau under-predicting. Residuals tended to of higher

be larger for greater values, which was likely because
spending in MDI during the fall and summer seasons was
much larger than every other location and season.
Therefore, there were fewer data points at the upper end of
the data.
The combined model was then used to forecast
tourism spending under a potential climate change scenario
8 Journal of Travel Research 00(0)
temperatures. The number of days with precipitation was
not used to model future spending under climate change
scenar- ios since it was not a significant variable in the
combined model. Results show tourism spending increasing
as tem- perature increases across all locations for the
summer and the fall (Figure 4). In winter, predicted
spending has a parabolic relationship with temperature,
increasing at higher and at

Figure 3. The predicted versus actual tourism-related spending across all three regions and seasons transformed on a
natural log scale. The straight line represents where predicted and actual spending are equal, and the curved line displays
the data smoothed with a loess curve at α=0.05.

lower temperatures, with 4.6°C having the lowest predicted increase

spending for all three locations. across all locations in the fall and summer, but decrease
Table 4 shows example scenarios of how much spending in some of the winter months as initially hypothe-
tourism- related spending would be altered by having an sized. In the initial exploratory regression models by loca-
increased mean maximum temperature. Examples show a tion, the winter models have greater variation in the data,
temperature increase of 1.1°C and 1.7°C and corresponding particularly Millinocket in the winter. This likely makes
predicted spending. The percentage increase in spending sense because that area has such a wide variety of recre-
with warmer temperatures is greatest in the summer across ational activities possible in the winter (hiking, mountain
all locations. Bethel and Millinocket predictions show a biking, Nordic skiing, snowmobiling) that would have dif-
slight decrease in spending during the winter months. ferent temperature preferences. Therefore, the correlation
between temperature and spending would not be expected
to be as strong in this location and season. In contrast,
Discussio Bethel is more straightforwardly an alpine ski location, so
n warmer temperatures would melt snow and deter that group
from spending money in the area.
Overall, results from the initial BRT analyses highlighted
that temperature was an influential predictor of tourism- However, gains in the summer and fall are expected
related spending, while other weather variables such as pre- to be much greater than the losses in the winter, thus having
cipitation and snow depth were largely noninfluential. Of an overall positive net effect for the state. In the winter,
the four new variables created measuring stormy days and spend- ing was predicted to be lowest at 4.6°C across all
pro- portion on the month with snow, none were found to locations, but increase as it got warmer or cooler. Warming
be influ- ential. However, a variety of different temperature in the win- ter could decrease spending during colder
variables were influential (eg, heating degree days, extreme months because warmer temperatures may not allow for
mini- mum temperature, mean maximum temperature), but snow and ice depth to be great enough for outdoor activities
since they are generally highly correlated, only monthly such as ice fishing, skiing, and snowmobiling. However,
mean maximum temperature was used in the parametric once it warms beyond 4.6°C, spending starts to increase
regression models. again. This could be because activities requiring snow and
ice are not possible at that temperature, and warming
Temperature had a positive effect on tourism
beyond 4.6°C would then allow other outdoor recreational
spending in MDI, Bethel, and Millinocket in the summer
activities, such as hiking and biking.
and fall. As temperature increases, spending is projected to
Wilkins et al. 9
Results are consistent with findings from previous studies. When evaluating the impact of temperature on visitation
to Acadia National Park, visitation was projected to increase under climate change scenarios (Fisichelli et al. 2015).
It has also been expected that warmer temperatures would be benefi- cial to parts of the northern United States, since
regions that are cooler would have an extended warm season (Scott, McBoyle, and Schwartzentruber 2004). Other
studies that assessed the impact of weather on tourism demand have often focused on temperature variables, as other
climatic variables tend to be irrelevant in models (Rosselló-Nadal 2014). Our results also did not indicate
nontemperature variables to be influential.
In our analysis, temperature and tourism spending exhibit a parabolic relationship in winter months. For example,
Shih, Nicholls, and Holecek (2009) found increasing winter
temperatures to have a negative impact on ski lift ticket sales. While this was consistent with our findings up until
4.6°C, the relationship between tourism spending and temperature was positive above this threshold. Since three
locations in Maine were analyzed and only one had alpine skiing, results from the combined model cannot be
directly compared to studies focusing only on alpine skiing. Nevertheless, we believe this is an important and
interesting finding that Figure 4. Predicted tourism-related spending in Bethel, MDI,
deserves additional focus in future studies. and Millinocket across varying mean maximum temperatures.
 One reoccurring theme found in studies evaluating the impact of climate change on tourism is that often only tem-
perature is considered, whereas climate change alters many weather variables in addition to temperature. This was
ame- liorated by first using a robust nonparametric method with all recorded weather data in order to eliminate more
subjective approaches to determining influential variables. Regardless, temperature variables were the ones found to
be most influ- ential in the analysis, even though other climatic variables have been suggested to be important to
tourism (Matzarakis 2006). Future studies may consider deriving climate vari- ables on a daily scale to better
understand small fluctuations in weather patterns.
Although it was originally hypothesized that precipitation would negatively impact spending in the summer and fall
and positively impact spending in the winter, precipitation was only found to be significant in two of the study sites
Table 4. Tourism-Related Spending Predicted from the Combined Model for the Average Mean Maximum
Temperatures across Seasons and Locations, Predicted Spending at Higher Temperatures, and Percent Change in
Spending under Higher Average Mean Maximum Temperature.
Summer Fall Winter
MDI
Average temp (°C) 22.7 15.0 4.5 Spending ($) 26,650,885 12,585,588 2,104,499 1.1°C increase ($) 28,796,466
13,227,384 2,108,047 1.7°C increase ($) 30,096,744 13,526,096 2,114,060 Low % change 8.1% 5.1% 0.2% High %
change 12.9% 7.5% 0.5% Bethel
Average temp (°C) 23.5 14.3 2.6 Spending ($) 3,211,413 2,776,174 4,629,649 1.1°C increase ($) 3,481,527 2,896,619 4,600,929
1.7°C increase ($) 3,645,346 2,970,231 4,594,194 Low % change 8.4% 4.3% −0.6% High % change 13.5% 7.0% −0.8%
Millinocket
Average temp (°C) 23.1 13.5 1.6 Spending ($) 1,302,910 958,210 796,887 1.1°C increase ($) 1,410,149 996,459 788,655 1.7°C
increase ($) 1,475,162 1,019,928 785,715 Low % change 8.2% 4.0% −1.0% High % change 13.2% 6.4% −1.4%
10 Journal of Travel Research 00(0)

during the winter. In MDI, the relationship was positive, but
it was negative in Millinocket. As expected, one possible
explanation for the negative relationship found between
tourism and winter precipitation in Millinocket is that
although snow allows for more outdoor activities, it also
makes traveling to a destination more dangerous and diffi-
cult. Therefore, visitors may forgo traveling by car to rela-
tively remote areas, such as Millinocket. Further studies are
needed to understand how nontemperature variables impact
tourists' behavior and spending, and how their trip planning
would change if increased precipitation became the new
normal.
A previous study in Acadia found that among the
tourists who believed climate change would impact tourism
on the island, a majority believed it would have a negative
effect (De Urioste-Stone, Scaccia, and Howe-Poteet 2015).
Although results from that study contrast with our finding
that climate change is predicted to have a positive effect on
the MDI region, visitors' individual perceptions could be
dif- ferent than collective behavior. Additionally, visitors
could perceive the negative impacts of indirect factors, such
as spe- cies loss or sea level rise, that were not accounted
for in the model.
Although results show tourism spending is
expected to increase with climate change, some caution
must be used in interpreting these results. Our results aim to
predict potential changes to tourism spending by analyzing
past weather con- ditions. However, the models do not take
into consideration how changing climate will alter
ecosystems, which could also impact visitation. For
example, warming temperatures may correspond to the loss
of species or the spread of vector- borne diseases (such as
Lyme disease). These conditions may deter visitors from a
destination, even if they prefer warmer temperatures. To
understand ecological effects on tourism, future studies
could survey visitors to see why they visit a particular area
and what would prevent them from returning. Although this
research only aimed to understand the impact of weather on
future visitation under climate change, it would be helpful
to see how weather, combined with other factors expected
to change due to climate change, would impact future
visitation. Coastal areas in particular could incorporate
projected effects of sea level rise into mod- els of future
visitation. Visitor surveys could be administered to
understand intended future visitation under various condi-
tions, and that data could help inform which dependent vari-
ables to include in modeling. Additionally, future research
could investigate the impacts of different conditions on visi-
tation and spending based on what recreational activities the
visitor enjoys.
Conclusio
n numbers, and by employing non- parametric methods to
As temperatures rise across the globe, a comparatively
cooler climate, such as that in Maine, could draw larger
crowds and boost the local economy in several months per
year (Scott,
McBoyle, and Schwartzentruber 2004). Temperature in
Maine is expected to increase by 1.1°C to 1.7°C by 2050,
which would change tourism spending and alter the local
economy. If temperatures continue to rise as projected, the
three locations are predicted to experience on average an
8.1% to 13.5% increase in summer tourism spending by
2050. In contrast, winter spending is forecasted to have a
smaller change, decreasing by 0.6% to 1.4% in Bethel and
Millinocket, and increasing by 0.2% to 0.5% in MDI.
Overall, our findings show a net positive impact on
spending associated with an increase in mean maximum
temperature in Maine.
Findings from this study are useful for long-term
tourism planning within these communities. Businesses in
these regions could develop strategic plans to recognize
spending is projected to increase with warmer temperatures
in the future, assuming no changes in general tourism trends
result- ing from other factors. Potential long-term strategies
to capi- talize on this opportunity would be to increase
infrastructure to accommodate more visitors and spending
(or, alterna- tively, increase prices during peak season to
reduce demand). Additionally, the results are useful for the
parks and pro- tected areas in the regions to better plan
ahead for potentially larger crowds impacting the natural
amenities. Finally, this study advances the current state of
knowledge on how to assess the effect of weather on
Wilkins et al. 11
Becken, Suzanne. 2012. “Measuring the Effect of Weather on
Tourism: A Destination- and Activity-Based Analysis.” Journal of
Travel Research 52 (2): 156–67. Becken, Suzanne, and John E.
Hay. 2007. Tourism and Climate
Change: Risks and Opportunities. Clevedon: Channel
View. Becken, Suzanne, and Jude Wilson. 2013. “The Impacts of
Weather on Tourist Travel.” Tourism Geographies 15 (4): 620–39.
Bethel Area Chamber of Commerce. 2014. “Bethel: 2014 Visitor's
Guide.” http://www.bethelmaine.com/uploads/pdf/
BethelVG2014-web.pdf. Bigano, Andrea, Francesco Bosello,
Roberto Roson, and Richard SJ Tol. 2008. “Economy-wide
Impacts of Climate Change: A Joint Analysis for Sea Level Rise
and Tourism.” Mitigation and Adaptation Strategies for Global
Change 13:765–91. Black, Thomas R. 1999. Doing Quantitative
tourism by analyzing spend- ing rather than visitation
assess the impact of a multitude of highly correlated
weather variables. Overall, this study indi- cates that
climate change will positively influence tourism spending
across three regions in Maine, but future studies should
address how uncertainty and ecosystem change will impact
tourism in order to more completely understand the
relationship between climate change and tourism.
Declaration of Conflicting
Interests
The author(s) declared no potential conflicts of interest with
respect to the research, authorship, and/or publication of this
article.
Funding The author(s) disclosed receipt of the following
financial support for the research, authorship, and/or publication of
this article: This project was supported by the USDA National
Institute of Food and Agriculture, McIntire Stennis project number
ME0-41504, through the Maine Agricultural & Forest Experiment
Station, and by the University of Maine Office of the President.
Maine Agricultural and Forest Experiment Station Publication
Number 3543.
Reference
s
Amelung, Bas, and Alvaro Moreno. 2011. “Costing the Impact of
Climate Change on Tourism in Europe: Results of the PESETA
Project.” Climatic Change 112 (1): 83–100. Amelung, Bas, Sarah
Nicholls, and David Viner. 2007. “Implications of Global Climate
Change for Tourism Flows and Seasonality.” Journal of Travel
Research 45 (3): 285–96.
Research in the Social Sciences: An Integrated Approach to
Research Design, Measurement and Statistics. London: Sage.
Burakowski, Elizabeth, and Matthew Magnusson. 2012. “Climate
Impacts on the Winter Tourism Economy in the United States.”
https://www.nrdc.org/sites/default/files/climate-impacts-win- ter-
tourism-report.pdf. Dawson, Jacky, and Daniel Scott. 2013.
“Managing for Climate Change in the Alpine Ski Sector.”
Tourism Management 35:244–54. De Urioste-Stone, Sandra M.,
Lena Le, Matt D. Scaccia, and Emily Wilkins. 2016. “Nature-
Based Tourism and Climate Change Risk: Visitors' Perceptions in
Mount Desert Island, Maine.” Journal of Outdoor Recreation and
Tourism 13:57–65. De Urioste-Stone, Sandra M., Matt D. Scaccia,
and D. Howe- Poteet. 2015. “Exploring Visitor Perceptions of the
Influence of Climate Change on Tourism at Acadia National Park,
 Maine.” Journal of Outdoor Recreation and Tourism 11
(October): 34–43. Denstadli, Jon M., and Jens S. Jacobsen. 2014.
“More Clouds on the Horizon? Polar Tourists' Weather Tolerances
in the Context of Climate Change.” Scandinavian Journal of
Hospitality and Tourism 14 (1): 80–99. Denstadli, Jon M., Jens S.
Jacobsen, and Martin Lohmann. 2011. “Tourist Perceptions of
Summer Weather in Scandinavia.” Annals of Tourism Research 38
(3): 920–40. Elith, J., JR Leathwick, and T. Hastie. 2008. “A
Working Guide to Boosted Regression Trees.” Journal of Animal
Ecology 77:802–13. Falk, Martin. 2014. “Impact of Weather
Conditions on Tourism Demand in the Peak Summer Season Over
the Last 50 Years.” Tourism Management Perspectives 9:24–35.
Fernandez, I., CV Schmitt, SD Birkel, E. Stancioff, AJ Pershing,
JT Kelley, JA Runge, GL Jacobson, and PA Mayewski. 2015.
Maine's Climate Future: 2015 Update. Orono, ME: University of
Maine. Fisichelli, Nicholas A., Gregor W. Schuurman, William B.
Monahan, and Pamela S. Ziesler. 2015. “Protected Area Tourism
in a Changing Climate: Will Visitation at US National Parks
Warm Up or Overheat?” PLoS One. 10 (6). Forests for Maine's
Future. 2011. “FAQ's about Maine's Forests.”
http://www.forestsformainesfuture.org/forest-facts/ (accessed
August 4, 2015). Gössling, Stefan, Daniel Scott, C. Michael Hall,
Jean-Paul Ceron, and Ghislain Dubois. 2012. “Consumer
Behaviour and Demand
Response of Tourists to Climate Change.” Annals of Tourism
Research 39 (1): 36–58. Henderson, Joan C. 2003. “Terrorism and
Tourism Terrorism and Tourism: Managing the Consequences of
the Bali Bombings.” Journal of Travel & Tourism Marketing 15
(1): 41–58. Johnson, Richard A., and Dean W. Wichern. 2002.
Applied Multivariate Statistical Analysis, 5th ed. Singapore:
Pearson Education. Maine Office of Tourism. 2017. “Maine
Office of Tourism Visitor Tracking Research: 2016 Calendar Year
Annual Report.” https://visitmaine.com/assets/downloads/2016-
MOT-Annual- Report.pdf. Matzarakis, Andreas. 2006. “Weather
and Climate Related Information for Tourism.” Tourism and
Hospitality Planning & Development 3 (2): 99–115. Min, Jennifer
CH, Christine Lim, and Hsien-Hung Kung. 2011. “Intervention
12 Journal of Travel Research 00(0)
Scott, Daniel, Geoff McBoyle, and Michael Schwartzentruber.
2004. “Climate Change and the Distribution of Climatic Resources
for Tourism in North America.” Climate Research 27:105–17.
Shih, Charles, Sarah Nicholls, and Donald Holecek. 2009. “Impact
of Weather on Downhill Ski Lift Ticket Sales.” Journal of Travel
Research 47 (3): 359–72. State of Maine Office of Policy and
Management. 2014. “Maine Taxable Retail Sales.”
http://maine.gov/economist/retail/ index.shtml. Strasser, Ulrich,
Andreas Gobiet, Johann Stötter, Hannes Kleindienst, Karl
Steininger, Franz Prettenthaler, A. Damn, F. Hanzer, J. Koberl, T.
Lang, et al. 2011. “CC-Snow II: Effects of Future Snow
Conditions on Tourism and Economy in Tyrol and Styria.”
http://www.klimafonds.gv.at/assets/
Uploads/Projektberichte/ACRP-2009/20130627CC-Snow-
Analysis of SARS on Japanese Tourism Demand for Taiwan.”
Quality & Quantity 45 (1): 91–102. Murray, Kyle B., Fabrizio Di
Muro, Adam Finn, and Peter Popkowski Leszczyc. 2010. “The
Effect of Weather on Consumer Spending.” Journal of Retailing
and Consumer Services 17 (6): 512–20. Layanan Taman Nasional.
2012. “A Guide's Guide to Acadia National Park.”
http://www.nps.gov/acad/upload/Guide-s- Guide-3-856-KB-2.pdf.
Layanan Taman Nasional. 2017. “Acadia NP Recreation Visits.”
https://irma.nps.gov/Stats/SSRSReports/Park%20Specific%20
Reports/Visitation%20by%20Month?Park=ACAD. NOAA
(National Oceanic and Atmospheric Administration). 2014.
“National Climactic Data Center.” http://www.ncdc.noaa.gov/
(accessed January 8, 2015). Pütz, Marco, David Gallati, Susanne
Kytzia, Hans Elsasser, Corina Lardelli, Michaela Teich, Fabian
Waltert, and Christian Rixen. 2011. “Winter Tourism, Climate
Change, and Snowmaking in the Swiss Alps: Tourists' Attitudes
and Regional Economic Impacts.” Mountain Research and
Development 31 (4): 357– 62. Rauken, Trude, Ilan Kelman, Jens
Kr. Steen Jacobsen, and Grete K. Hovelsrud. 2010. “Who Can
Stop the Rain? Perceptions of Summer Weather Effects among
Small Tourism Businesses.” Anatolia 21 (2): 289–304. R Core
Team. 2014. “R: A Language and Environment for Statistical
Computing.” R Foundation for Statistical Computing. http://
www.R-project.org/. Raza, Syed Ali, and Syed Tehseen Jawaid.
2013. “Terrorism and Tourism: A Conjunction and Ramification
in Pakistan.” Economic Modelling 33 (July): 65–70. Rosselló-
Nadal, Jaume. 2014. “How to Evaluate the Effects of Climate
Change on Tourism.” Tourism Management 42 (June): 334–40.
Scott, Daniel, Jacky Dawson, and Brenda Jones. 2008. “Climate
Change Vulnerability of the US Northeast Winter Recreation—
Tourism Sector.” Mitigation and Adaptation Strategies for Global
Change 13 (5/6): 577–96. Scott, Daniel, Brenda Jones, and
Jasmina Konopek. 2007. “Implications of Climate and
Environmental Change for Nature-Based Tourism in the Canadian
Rocky Mountains: A Case Study of Waterton Lakes National
Park.” Tourism Management 28 (2): 570–79.
IIEndberichtUlrich-Strasser.pdf. Biro Sensus Amerika Serikat.
2010. “Census of Population and Housing.”
http://www.census.gov/prod/cen2010/cph-1-21.pdf. Badan
Perlindungan Lingkungan Amerika Serikat. 2013. “Glossary of
Climate Change Terms.” http://www.epa.gov/climat-
echange/glossary.html. Wilder-Smith, Annelies. 2006. “The
Severe Acute Respiratory Syndrome: Impact on Travel and
Tourism.” Travel Medicine and Infectious Disease 4 (2): 53–60.
World Travel and Tourism Council. 2017. “Travel & Tourism:
Economic Impact 2017 United States.” https://www.wttc.org/-/
media/files/reports/economic-impact-research/countries-2017/
unitedstates2017.pdf.
Author
Biographies
Emily Wilkins is a PhD student at Utah State University in the
department of Environment and Society. She earned her MS at the
University of Maine in Forest Resources. Her research focuses on
outdoor recreation and human dimensions of natural resources.

Sandra de Urioste-Stone, is an assistant professor of nature-

based tourism at the University of Maine. She has done work on
sustain- able tourism, community-based tourism, and human
dimensions of biodiversity conservation.

Aaron Weiskittel, is an associate professor of forest biometrics

and modeling at the University of Maine. He is the Irving Chair of
Forest Ecosystem Management and his primary focus is on the
development of applied quantitative tools.

Todd Gabe, is a professor of economics at the University of

Maine. He conducts research in regional economics and has
studied tour- ism-related topics such as the impacts of cruise ship
passengers in Maine and the local impacts of music concerts.