《Electronic Markets》：Special issue on “Smart tourism 2.0: Perspectives with geospatial data and AI”
编辑推荐：
本特刊聚焦“智慧旅游2.0”，旨在解决传统旅游管理对游客行为“知其然不知其所以然”的痛点。研究人员通过整合地理空间数据与人工智能技术，深入探究了游客的时空行为模式及其背后的心理机制。研究结果表明，GeoAI与心理学的交叉融合能够显著提升目的地管理的智能化水平，为构建更具韧性、可持续的旅游生态系统提供了理论依据与实践指导。
在数字化浪潮席卷全球的今天，旅游业正经历着前所未有的深刻变革。游客在行前、行中及行后，其行为轨迹、决策过程乃至情感体验，都已被各类移动应用和数字平台所记录、整合与重塑。然而，传统的旅游研究往往停留在对游客“去了哪里”和“做了什么”的简单描述，而对于其行为背后“为什么去那里”以及“感受如何”等深层心理动因，却缺乏有效的洞察工具。这种认知上的鸿沟，使得旅游目的地管理者难以精准预测客流、优化资源配置，更无法在突发公共卫生事件（如新冠疫情）等危机面前，做出快速、科学的应对。
为了弥合这一鸿沟，并推动旅游业向更智能、更具韧性的方向发展，由Jinwon Kim、Seongsoo Jang、Ulrike Gretzel和Chulmo Koo等学者领衔的研究团队，在《Electronic Markets》期刊上组织并发表了题为“Smart tourism 2.0: Perspectives with geospatial data and AI”的特刊。该特刊系统性地提出了一个由地理空间数据与人工智能驱动的智慧旅游新框架，并汇集了多篇前沿研究，共同揭示了如何通过整合时空分析、心理机制与计算智能，来深刻理解并优化旅游生态系统。
研究背景与核心问题
旅游业本质上是一个空间密集型产业，游客的移动、聚集与体验都根植于特定的地理环境。随着GPS智能手机、传感器网络等地理空间技术的普及，以及人工智能（AI）、机器学习和大数据分析的飞速发展，研究者们获得了前所未有的能力，能够以前所未有的精度来建模游客行为、识别新兴的空间模式。特别是大语言模型（LLM）、多模态AI以及地理空间人工智能（GeoAI）的兴起，为分析复杂的人地互动、支持实时决策、以及揭示空间流动性背后的心理和行为驱动因素，创造了新的机遇。
这些技术进展共同标志着旅游业正迈入“智慧旅游2.0”时代。在这一时代，旅游生态系统将作为一个由集成的时空数据流和先进计算方法驱动的智能、自适应、互联的社会技术系统而运作。然而，要实现这一愿景，研究必须超越单纯的“时空”维度，深入探究“心理”维度。游客的空间行为不仅是时空中的模式，更是其潜在感知、情绪和决策过程的表达。因此，将心理视角与时空分析相结合，对于理解游客行为的内在动因，并设计出更具同理心、更可持续的服务至关重要。
研究框架与方法论
本特刊构建了一个由三层结构组成的智慧旅游概念框架，用以系统性地组织相关研究：
- 1.
基础层（数据与方法层）： 这一层代表了支撑智慧旅游的时空与GeoAI基础设施。它关注的核心问题是“在哪里&何时”以及“在哪里&所以然”。研究主要利用地理信息系统（GIS）、空间计量经济学、机器学习、深度学习以及GeoAI技术，对海量的时空数据（如GPS轨迹、在线评论、社交媒体数据）进行挖掘和分析，以提取有意义的地理和行为洞察。
- 2.
中间层（行为层）： 这一层代表了地理心理与决策机制。它关注的核心问题是“在哪里&为什么”。研究通过整合实验设计、问卷调查等定性或定量方法，探究游客如何从认知和情感上对空间技术做出反应，以及其心理状态如何影响其空间行为。
- 3.
上层（系统影响层）： 这一层代表了智慧旅游的成果，涵盖了管理、政策和社会层面的影响。所有被接受的研究最终都旨在产生有意义的智慧旅游成果，如可持续的游客管理、体验优化和目的地韧性。
主要研究结果
本特刊收录的七篇论文，从不同角度填充并验证了上述框架，具体研究结果如下：
1. 智慧旅游2.0的理论框架构建
- •
研究结论： 提出了“AI赋能的智慧旅游2.0”更新模型，该模型将大语言模型（LLM）、网络门户搜索引擎集成、AI增强的虚拟现实/增强现实和元宇宙应用，以及配备具身或物理AI的机器人等新兴技术纳入智慧旅游的范畴。
- •
研究依据： 通过对过去十年智慧旅游发展的回顾，以及对AI技术发展趋势的分析，重新概念化了智慧旅游的边界与核心驱动力。
2. 城市旅游目的地的空间满意度分析
- •
研究结论： 在韩国釜山的案例研究中发现，邻近性和可达性在塑造游客满意度方面起着至关重要的作用，连接良好的交通网络显著提升了整体旅游体验。
- •
研究依据： 通过整合GIS与源自在线评论的大数据分析，揭示了城市基础设施、游客感知和景点分布之间的空间关联。
3. 领域特定AI模型的微调与应用
- •
研究结论： 针对列支敦士登旅游景点微调预训练的图像到文本模型，能够生成高度准确的、提供建筑、历史和地理信息的描述。
- •
研究依据： 通过评估微调模型在特定领域应用中的有效性，证明了定制化AI模型在文化遗产和教育用例中的实用价值。
4. 基于机器学习的可持续旅游路线相似性计算
- •
研究结论： 使用基于距离的算法和基于专家评估训练的机器学习模型计算路线相似性，结果表明随机森林回归优于传统的相似性度量方法。
- •
研究依据： 利用真实的徒步数据，建立了一个数据驱动的基础，用于通过替代路线识别来进行可持续的游客管理。
5. AI推荐系统对旅游决策的影响
- •
研究结论： 时空AI推荐被认为比非时空推荐更有帮助，且这种效果因目的地类型和旅行团队构成而异。
- •
研究依据： 通过对320名韩国旅行者进行的基于场景的实验，揭示了AI驱动的推荐系统如何影响旅行决策。
6. 信息寻求行为与感知拥挤的关系
- •
研究结论： 信息行为与场地特征相互作用，共同塑造了游客的感知拥挤。其影响取决于游客的信息策略（如来源类型、时间、熟悉度）和情境调节因素（如空间限制、环境波动、区域类型）。
- •
研究依据： 分析了来自六个德国目的地的5,557名游客的调查数据，确定了有效数字人群管理的边界条件。
7. 疫情对旅游流动性的影响
- •
研究结论： 新冠疫情显著改变了游客的流动模式，室内景点失去了中心性，而户外市场的影响力增强。
- •
研究依据： 通过分析济州岛104个景点的22,962条TripAdvisor评论，揭示了季节性动态和疫情相关变化对游客流动性的影响。
研究结论与意义
本特刊的研究成果共同表明，地理空间数据、人工智能和行为视角的融合，正在重新定义智慧旅游的格局。这些研究不仅展示了空间分析、计算模型和AI驱动系统如何加深我们对旅游动态的理解，还为支持可持续的游客管理和提升旅行者体验提供了有力的工具。
研究的重要意义体现在以下几个方面：
- 1.
理论创新： 提出了一个整合了“时空”、“地理心理”和“GeoAI”三个维度的智慧旅游新框架，为未来的研究指明了方向。
- 2.
方法突破： 展示了如何将先进的GeoAI技术与心理学实验、行为建模相结合，实现了对游客行为从“描述”到“解释”的跨越。
- 3.
实践价值： 为旅游目的地管理者提供了具体的、数据驱动的决策支持，例如通过路线相似性分析进行分流管理，或通过感知拥挤研究优化信息发布策略。
- 4.
危机应对： 揭示了在疫情等全球性干扰下，游客行为如何适应，为构建更具韧性的旅游目的地生态系统提供了实证依据。
未来展望
未来研究应进一步探索AI时代时空旅游服务的设计及其背后的心理机制，将时空与心理视角相结合以指导旅游政策和危机管理，并持续推动方法论的创新，特别是开发能够整合多模态数据（文本、图像、GPS轨迹等）的工具，以更全面地理解旅游行为在时空中的演变。
