人工智能赋能旅游目的地绩效的双模型整合研究：基于印尼的HOT-fit与TOE框架分析

随着人工智能(AI)在旅游业的快速渗透，来自印尼的研究人员通过整合HOT-fit模型与TOE模型，探究了AI对旅游目的地绩效的影响机制。研究采用PLS-SEM和IPMA方法分析305份管理者问卷，发现人-组织-技术-环境因素显著影响目的地绩效，而环境与组织支持主导管理绩效。意外发现管理绩效对目的地绩效呈负向影响，揭示了AI过度依赖风险。该研究为旅游业AI战略部署提供了理论创新与实践指导。

　　

当人工智能(AI)邂逅旅游业绩效，一项基于印度尼西亚的突破性研究揭示了双理论模型驱动的绩效机制。研究创新性地将人类-组织-技术适配(HOT-fit)模型与技术-组织-环境(TOE)模型进行整合，采用偏最小二乘结构方程模型(PLS-SEM)和重要性-绩效图谱分析(IPMA)等前沿方法，对305个旅游目的地管理者的数据进行深度解码。

研究发现四维驱动引擎：人类因素、组织架构、技术特性和环境要素共同构成了旅游目的地绩效的黄金齿轮，而管理绩效则主要受环境和组织双螺旋支撑。令人警觉的是，管理绩效对目的地绩效展现出"刹车效应"，这或许暗示着AI工具使用中的"自动驾驶陷阱"。

这项研究犹如在数字旅游领域安装了一套理论导航系统，其创新价值在于：首次将HOT-fit与TOE模型进行跨维度嫁接，为理解AI赋能的旅游目的地绩效提供了全景式分析框架。对于目的地管理者而言，这项研究不啻为一份AI部署路线图，警示着在拥抱技术革命时需保持战略平衡，避免陷入"技术依赖旋涡"。