不同类型的主人与客人互动如何塑造城市旅游中的价值共创：人工智能技术刺激的调节作用

《PLOS One》：How host–guest interaction types shape value co-creation in urban tourism: The moderating role of AI technology stimuli

　　摘要
本研究探讨了不同类型的宿主-访客互动如何与城市旅游中游客的价值共创意愿相关，以及人工智能技术刺激是否调节了这些关系。采用扎根理论来确定主要构念和关系。随后利用偏最小二乘结构方程建模分析调查数据，并通过模糊集定性比较分析来识别与高价值共创意愿相关的配置。结果表明，游客与政府之间的互动以及游客与居民之间的互动与游客的赋权正相关，而游客的赋权又与价值共创意愿正相关。游客与政府之间的互动或游客与居民之间的互动本身与价值共创意愿没有直接关系。人工智能技术刺激调节了游客与政府互动到游客赋权之间的路径，以及游客与政府互动到价值共创意愿之间的路径。对于游客与居民之间的互动路径，则未发现调节效应。模糊集定性比较分析识别出多种与高价值共创意愿相关的配置。

1 引言
智能旅游的普及加速了人工智能（AI）在目的地管理和旅游服务中的应用，重塑了游客获取信息、与当地参与者沟通以及参与目的地体验的方式[1]。在这种背景下，价值共创越来越多地被视为一种基于互动和资源整合的过程，在这个过程中，游客不仅仅是消费预先设计好的服务，而是与多方利益相关者共同参与塑造服务体验和目的地价值[2]。这种观点意味着，旅游目的地不应仅仅被视为服务提供的场所，而应被视为一个动态的服务生态系统，在其中价值通过互动、资源整合和情境使用而产生[3]。现有的关于旅游价值共创的研究沿着几个相关方向发展。首先，关于游客体验的研究强调游客作为积极主体，通过与当地环境、社区和文化资源的互动来共创价值[4]，并通过运用个人专长和情境参与来塑造独特的体验[5]。其次，管理和市场营销领域的研究强调旅游提供者与游客之间的共创作为适应产品和服务、加强目的地品牌建设的战略方法[6]。第三，关于居民态度和行为的研究表明，宿主-访客互动——在认知、情感和行为层面——影响居民对旅游发展的看法及其参与共创实践的意愿[7]。相关研究还表明，平台识别、资源共享和先前经验可以预测游客的共创行为，并促进他们对平台生态系统的忠诚度和持续参与[8]。尽管这些研究显著推进了对旅游共创的理解，但它们往往将互动视为一种普遍有益的前提，而没有批判性地考察不同形式的宿主-访客互动是否通过不同的机制在不同的技术条件下激活共创。这一局限性在智能旅游背景下尤为明显，因为互动不再局限于游客与当地居民之间的面对面接触，而是在数字化中介、制度化组织和平台支持的关系环境中展开[9]。在这种情况下，宿主-访客互动不应被视为一种同质的现象。相反，不同的互动形式可能提供不同类型的操作资源和操作对象，以不同的方式影响游客的参与感，并最终对价值共创产生不同的影响[10]。然而，当前的研究尚未充分理论化这种异质性。特别是，尽管宿主-访客互动常被视为共创的相关背景[11]，但以往的研究很少明确哪些互动类型更有可能将游客从被动的服务接受者转变为积极的贡献者，尤其是在越来越多地由智能平台和公共界面中介的城市旅游系统中。第二个未解决的问题是互动如何转化为共创结果的心理机制。现有研究经常依赖于消费者行为框架，如刺激-有机体-反应（SOR）模型[12]，但相对较少关注互动如何产生一种内在的能动感，使共创在心理上变得可行且有意义。在共创情境中，游客不会因为互动的发生而自动成为积极的贡献者；相反，当互动增强了他们表达偏好、影响过程和有意义地参与目的地服务系统的能力时，他们更有可能参与共创[13]。这表明，顾客赋权不仅仅是一个辅助的心理变量，而是一个关键的解释机制，通过它互动被转化为参与意愿[14]。第三个差距涉及AI在宿主-访客互动中的作用。尽管AI工具（如聊天机器人、个性化推荐系统和智能导览服务）越来越多地被用于提高旅游的响应性、效率和支持体验[15]，但其在价值共创中的作用尚未得到充分说明。现有研究通常认为AI统一地增强了游客的参与和服务体验[16]，但这一假设可能忽略了AI的有效性取决于其所嵌入的互动类型。AI可能更容易与依赖信息处理、服务协调和反馈响应的制度和程序化互动形式相契合，而在依赖情感共鸣、相互认可和日常社交温暖的情感和文化嵌入互动中的作用可能更为有限[17]。从这个意义上说，AI技术刺激不应仅仅被视为一种通用的技术背景，而应被视为一种情境敏感的边界条件，其放大效应可能因互动类型而异。为了解决这些差距，本研究通过间接和基于机制的路径来探讨宿主-访客互动类型如何影响游客在城市旅游中共创价值的意愿，而不是假设其具有统一的直接效应。具体而言，本研究关注在中国智能旅游治理背景下尤为突出的两种互动类型：游客与政府之间的互动（通过智能平台和公共服务机制进行的制度互动）以及游客与居民之间的互动（基于居民态度、当地表达和生活方式接触的情感和文化嵌入互动）[18]。这种区分在理论上是重要的，因为它超越了将宿主-访客互动视为单一关系类别的做法，而是认识到不同的宿主参与者可能提供不同的参与条件、资源接入点和意义构建过程。基于这一区分，研究认为宿主-访客互动通过增强游客的感知顾客赋权（即他们在目的地服务系统中的感知能动性、影响力和参与能力）更有可能促进共创意愿[12]。换句话说，互动并不自动产生共创意愿；相反，它创造了条件，使游客可能将自己视为目的地价值形成的有能力且合法的贡献者。同时，AI技术刺激可能作为一种情境放大器，根据互动类型的不同，加强或削弱这种互动-赋权-共创的联系。这种视角有助于将AI重新定位为一种差异化的促进者，其效果取决于互动的社会和制度结构。因此，本研究提出了三个研究问题：（1）在智能旅游背景下出现了哪些类型的宿主-访客互动，它们如何与游客的共创意愿相关？（2）宿主-访客互动通过何种中介机制影响共创意愿？（3）AI技术刺激如何调节这一过程中不同互动类型的效果？通过回答这些问题，本研究在三个方面为文献做出了贡献。首先，它将宿主-访客互动区分为不同的关系形式，而不是将其视为一个同质的构念。其次，它明确了顾客赋权作为将互动转化为共创意愿的关键心理机制。第三，它将AI技术刺激指定为一个条件性的边界条件，从而提供了对智能城市旅游中价值共创如何重塑的更细致的理解。

2 文献综述
2.1 旅游背景下的宿主-访客互动
宿主-访客互动是旅游研究中的一个经典主题，通常指的是游客与当地宿主在旅游环境中发生的行为互动、信息交流和情感反应[19]。早期研究主要从游客的角度探讨了这种互动，表明宿主-访客的相遇显著影响了游客对目的地的感知、消费决策[20]和整体满意度[21]。在这种意义上，互动常被视为提升旅游体验质量的经验因素。最近的学术研究从这种相对狭隘的观点转向了更广泛的看法，将宿主-访客互动视为一个多主体和双向的过程。一方面，越来越多地关注互动对居民态度、旅游支持行为和地方认同的影响。频繁且积极的互动被发现能够增强居民对游客和旅游发展的积极看法，同时也增强了社区对旅游增长的开放性和包容性[22]。另一方面，学者们越来越强调当地知识、文化表达和居民能动性在塑造宿主-访客关系中的作用。例如，张和徐（2023）[23]认为，居民在旅游环境中可能会经历“角色转变”，从而增加他们在当地旅游话语和互动过程中的影响力。同时，互动主体和互动背景的类型也大大扩展了。宿主-访客互动不再局限于游客与个别居民之间的偶然面对面接触；它越来越多地涉及更广泛的参与者网络，包括服务人员、企业运营者和公共机构，从而形成了一个更加结构化的互动系统[24]。此外，互动已经从单向的服务提供发展为多维度的参与。它可能采取情感互动的形式，如游客与居民之间的非正式交流和文化交流[25]，或制度互动，其中游客通过智能平台和公共服务系统参与目的地治理、信息获取和服务反馈[26]。这种转变在中国城市旅游的背景下尤为重要，因为地方政府在旅游服务提供、文化资源整合和智能系统发展中扮演着重要的中介角色[27]。在这种条件下，宿主-访客互动不应被视为一个单一的同质构念。不同的宿主参与者可能为游客提供不同的参与机会、资源接入点和关系意义。因此，基于中国城市旅游的实际特点和智能治理作用的扩展，本研究从两个维度概念化了宿主-访客互动。首先是游客与政府之间的互动，指的是通过智能平台、公共服务和治理相关反馈机制进行的制度互动。其次是游客与居民之间的互动，指的是基于居民态度、当地表达和生活方式接触的情感和文化嵌入互动[18]。这种区分在理论上很重要，因为它超越了将宿主-访客互动视为单一关系类别的做法，而是认识到不同的宿主参与者可能提供不同的参与条件、资源接入点和意义构建过程。基于这种区分，研究认为宿主-访客互动通过增强游客的感知顾客赋权（即他们在目的地服务系统中的感知能动性、影响力和参与能力）更有可能促进共创意愿[12]。换句话说，互动并不自动产生共创意愿；相反，它创造了条件，使游客可能将自己视为目的地价值形成的有能力且合法的贡献者。同时，AI技术刺激可能作为一种情境放大器，根据互动类型的不同，加强或削弱这种互动-赋权-共创的联系。这种视角有助于将AI重新定位为一种差异化的促进者，其效果取决于互动的社会和制度结构。据此，本研究提出了三个研究问题：（1）在智能旅游背景下出现了哪些类型的宿主-访客互动，它们如何与游客的共创意愿相关？（2）宿主-访客互动通过何种中介机制影响共创意愿？（3）AI技术刺激如何调节这一过程中不同互动类型的效果？通过回答这些问题，本研究在三个方面为文献做出了贡献。首先，它将宿主-访客互动区分为不同的关系形式，而不是将其视为一个同质的构念。其次，它明确了顾客赋权作为将互动转化为共创意愿的关键心理机制。第三，它将AI技术刺激指定为一个条件性的边界条件，从而提供了对智能城市旅游中价值共创如何重塑的更细致的理解。

2.2 智能旅游背景下的价值共创
近年来，价值共创已成为智能旅游研究中的一个核心概念，特别是随着数字技术改变了游客与目的地、服务和当地社区互动的方式[28]。从根本上说，价值共创挑战了传统的生产者-消费者二分法，强调用户通过互动、资源整合和体验构建积极参与价值的创造。在旅游背景下，这意味着游客不再被视为预先设计好的服务的被动消费者，而是成为文化参与、意义构建和目的地价值形成的积极参与者[29]。从理论上讲，服务主导逻辑（SDL）为理解这一过程提供了重要基础。SDL认为，服务而非商品是交换的基本基础，价值不是单方面提供的，而是通过互动共同创造的，并在使用中实现[30]。在旅游研究中，这一视角被用来解释游客、居民、旅游企业和数字平台如何通过持续的互动共同创造价值[31]。SDL对于本研究特别有用，因为它表明互动的重要性不仅在于其社会愉悦性，还在于它使参与者能够访问、整合和调动目的地服务生态系统中的资源。从这个角度来看，旅游价值共创可以被视为一个多主体和多层次的过程。首先，旅游企业通过体验设计、氛围创造和参与式服务互动不断激发游客的参与，从而提高满意度和品牌相关成果[32]。其次，游客之间的 peer-to-peer 互动已成为重要的共创机制，尤其是在社交和分享平台上，信息交流和情感反馈产生了新的体验领域[33]。第三，游客与居民之间的互动已被证明在地方文化传承、生活方式认同和社区参与中发挥着关键作用，从而使旅游价值从单纯的消费转向情感联系和共享意义[23]。此外，居民越来越多地被视为旅游发展的积极参与者，而不仅仅是被动的接受者。居民对游客的情感态度可以影响游客的体验质量，并影响游客参与共创的意愿[34]。他们在资源共享、社会互动、文化表演、生态保护、城市治理和服务设计中的参与，也使他们成为共创网络中的重要节点[35, 36]。然而，尽管现有研究表明互动对价值共创很重要，但它们较少探讨不同形式的主人-客人互动是否提供了不同类型的资源和参与条件，以及这些互动形式是通过相同的还是不同的心理过程影响共创的。这一差距在智能旅游环境中尤为重要，在这种环境中，互动越来越多地发生在数字、制度和社会关系领域，而不仅仅是在单一的人际关系背景下。

2.3 旅游背景下的人工智能
随着人工智能（AI）在旅游行业的快速整合，AI技术正在重塑服务提供、游客参与以及主人-客人互动的更广泛逻辑。因此，AI已成为当代旅游研究的主要焦点。现有研究主要考察了AI在提高服务效率、优化游客体验和增强治理响应性方面的技术优势。虽然这些研究确立了AI在旅游中的实际重要性，但它们较少关注AI在不同互动环境中的功能，以及其对共创过程的影响是否取决于具体情境。在体验层面，如自然语言处理、智能推荐、情感识别和虚拟导航等AI技术可以提高服务响应性和信息可访问性，从而提高游客的感知效率和参与意愿[37]。在个性化数字平台上，AI还能够实现实时信息传递、定制化服务支持和更灵活的互动策略，从而增强体验满意度和参与度[38]。最近的研究进一步表明，AI在旅游中的成功整合在很大程度上取决于用户与智能系统的互动深度，更高的互动通常会带来更丰富的智能体验和更强烈的情感反应[39]。电子商务领域的相关研究也表明，不同的AI服务形式显著影响了消费者的采纳意愿[40]。然而，这些发现并不一定意味着AI在所有形式的旅游互动中都会产生相同的效果。在主人-客人互动环境中，AI的作用可能因互动本身的性质而异。AI可能更适合依赖于信息处理、服务协调和反馈响应的制度和程序性互动形式。相比之下，在依赖于情感共鸣、相互认可和日常社交温暖的情感和文化嵌入互动中，AI的作用可能更为有限。换句话说，AI不应简单地被视为一种普遍有益的技术工具；相反，它可能作为一种差异化的推动者，其影响取决于互动的社会和制度结构。因此，确定AI在旅游互动中的边界条件和适应机制是一个重要的研究任务。特别是，当前的研究尚未充分澄清AI是否以相同的方式增强不同类型的主人-客人互动，或者其调节作用是否取决于涉及的行为者关系。通过超越AI统一增强参与度和体验的传统假设，本研究将AI技术刺激视为主人-客人互动与游客共创反应之间的一种情境敏感的边界条件。通过这种方式，它提供了对AI-旅游关系的更细致理解，以及智能技术如何塑造智能城市旅游中的价值共创。

2.4 核心概念的定义
尽管现有文献从不同角度讨论了与AI相关的互动、赋能和价值共创，但研究中使用的术语并不总是一致的。为了避免概念上的模糊性，本研究采用了所提出模型中三个关键概念的统一定义：AI技术刺激（AITS）、客户赋能（CE）和共创意图（CI）。它们的定义、概念焦点以及与相关概念的区别在表1中进行了总结。

3 方法
3.1 试点地点选择
试点地点的选择主要基于其独特的城市旅游特征和主人-客人互动的代表性。作为著名的历史文化城市和国家智能旅游示范城市，宁波拥有丰富的文化旅游资源，包括天一阁-月湖历史文化区、南塘老街和老外滩。这些地点不仅满足了游客的观光需求，也是当地居民日常生活和文化交流的重要场所，使其成为探索游客-居民互动的理想案例研究。此外，宁波政府在智能旅游发展方面处于领先地位，利用了“智慧海洋”智能旅游平台和综合智能导览系统等数字工具。这些数字创新促进了游客与地方政府之间的多维度互动，为研究智能技术如何增强主人-客人互动提供了坚实的实证基础[41]。另外，作为商业旅游高度整合的沿海港口城市，宁波吸引了各种各样的游客，使其主人-客人互动模式具有很高的代表性。本研究的研究成果不仅为其他旅游城市提供了见解，还为智能旅游背景下的主人-客人互动理论框架的发展做出了贡献。因此，宁波多样的旅游场景和先进的智能旅游基础设施为这项研究提供了理想的实证研究环境，增强了其学术价值和实际意义。

3.2 研究方法
本研究采用了定性和定量研究方法。研究分为两个阶段进行。首先，回顾了关于主人-客人互动、价值共创和旅游中人工智能的先前研究，并使用扎根理论来完善关键概念和关系，支持理论模型的发展。其次，进行了定量分析，以测试所提出的关系并检验与价值共创意图相关的配置。部分最小二乘结构方程建模用于测试直接效应、中介效应和调节效应，而模糊集定性比较分析则用于识别与高价值和低价值共创意图相关的不同条件组合。所有程序均获得了宁波工程学院设计学院艺术与技术设计研究所伦理委员会的批准（批准编号：NBT-ATD-EC-20241225）。

3.3 定性阶段
在定性阶段，参与者是在宁波访问期间使用过“智慧海洋”平台的游客。招募和访谈数据收集时间为2024年12月26日至2025年1月20日。共招募了41名符合条件的成年游客参加焦点小组讨论和深入的个人访谈。在每次访谈之前，参与者都会收到一份信息表，解释研究目的、自愿参与、保密保护以及随时撤回的权利。在数据收集之前获得了书面知情同意，所有访谈材料在转录和分析过程中都进行了匿名处理。焦点小组讨论和深入访谈的结合使研究能够捕捉到与平台使用、主人-客人互动、赋能和智能旅游背景下的价值共创相关的共享模式和更详细的个人反思。访谈数据使用扎根理论程序进行分析，包括开放编码、轴向编码和选择性编码。编码是通过跨转录本的迭代比较进行的，分歧通过讨论解决，直到达成共识编码方案。为了提高分析透明度和可信度，维护了包括编码备忘录和代码细化记录的审计轨迹。

3.4 定量阶段
在定量阶段，目标人群包括在宁波有近期城市旅游经历并接触过“智慧海洋”平台或相关智能旅游服务的游客。采用了非概率抽样策略。调查招募和数据收集时间为2025年2月6日至2月28日。正式调查主要通过Wenjuanxing（问卷星）进行，并得到了宁波地区酒店行业协会和校友网络的支持，以便有针对性地招募具有相关旅游经验和平台接触的受访者。共收集了560份问卷。为了确保符合伦理规范，样本中排除了18岁以下的受访者。所有问卷都是匿名完成的，没有收集任何可识别个人身份的信息。数据清洗后，保留了507份有效问卷进行分析。定量分析分为两部分进行。首先，使用部分最小二乘结构方程建模来测试游客-政府互动、游客-居民互动、客户赋能、人工智能技术刺激和价值共创意图之间的假设关系，特别关注直接效应、中介效应和调节效应。其次，应用模糊集定性比较分析来识别与高价值和低价值共创意图相关的不同互动条件、赋能和人工智能技术刺激的组合。

3.5 关于主人-客人互动类型及其影响的定性研究
3.5.1 研究程序和数据收集
这项定性研究探讨了城市旅游中不同类型主人-客人互动的特征和影响机制。它由两个研究问题指导：（1）游客如何感知、体验和参与城市旅游环境中的主人-客人互动？（2）不同类型的主人-客人互动如何塑造游客的旅行体验和随后的行为反应？为了确保访谈协议的情境相关性和内容有效性，研究团队根据研究目标和现有文献制定了初步的半结构化指南，然后通过专家咨询进行了完善。专家小组包括具有旅游管理、目的地治理和旅游服务运营经验的学术界和实践者利益相关者，他们就问题的清晰度、敏感性和覆盖范围提供了反馈。最终指南集中在四个领域：（a）旅行过程中的主人-客人互动过程和情境，（b）游客对城市旅游环境中互动模式的感知，（c）互动对旅行体验和情感的感知影响，以及（d）不同互动情景下的行为反应。指南包括十个核心问题，并附有后续问题以引发具体事件并深化解释（表2）。

数据收集来自在宁波访问期间使用过政府主导的智能旅游平台“智慧海洋”的游客。根据响应式访谈方法[42]，访谈以开放和对话的方式进行的，鼓励参与者用自己的话讲述他们的实际经历，而访谈者则采用灵活的提问策略来澄清含义、捕捉互动细节并探索感知后果。焦点小组讨论和个人深入访谈相结合，以平衡广度和深度：焦点小组有助于揭示共享的感知和常见的互动模式，而个人访谈则允许更详细地描述个人经历和敏感的反思。为了提高程序一致性，所有访谈都遵循了标准的工作流程：参与者首先收到研究目的和隐私保护的说明，然后提供知情同意，完成基本的人口统计问题，然后开始访谈。在获得参与者同意的情况下，访谈被录音并随后逐字转录；在转录过程中移除了可识别信息以保护隐私。随着分析的进展，访谈指南仅进行了最小程度的调整，以改进提问并捕捉出现的主题，同时保持核心问题的稳定性，以确保参与者之间的可比性。总体而言，研究收集了大约610分钟的录音访谈，并生成了142,000字的转录文本，其中焦点小组讨论占41,000字，个人访谈占101,000字。这些材料为后续的扎根理论编码和模型开发提供了丰富的定性基础。

3.5.2 根植理论分析
本研究采用扎根理论作为定性阶段的主要分析方法，原因有两个。首先，当现有的理论解释不完整或不够具体时，扎根理论特别适合探索微观层面的、过程导向的社会现象[43]。鉴于城市旅游中主人-客人互动的情境复杂性和关系异质性，这种方法允许研究从游客的实际经历中归纳出概念，而不是强加一个僵化的预先存在的框架。其次，扎根理论强调数据收集、编码、比较和概念抽象之间的迭代互动，使其适合于识别不同互动形式在智能旅游背景下的感知方式和与赋能和价值共创的关联[44]。为了提高程序的透明度和分析的严谨性，所有访谈记录都被导入到NVivo软件中进行数据管理和编码支持。该软件用于组织访谈记录、管理编码节点、检索编码片段、比较不同访谈中出现的类别，并维护编码摘录与分析备忘录之间的联系。然而，编码决策本身是受理论驱动的，并由研究者进行解释，而不是由软件机械生成的。编码过程由两位具有定性分析经验的受过培训的编码员完成。在正式编码开始之前，两位编码员仔细阅读了访谈记录多次，以熟悉访谈内容并识别潜在的相关意义单元。然后选取了一部分访谈记录进行初步编码，在此过程中，两位编码员独立生成了初步编码并比较了他们的解释。基于这一过程，编制了一份初始的编码手册，其中包括临时编码标签、简要定义、纳入标准以及示例。在整个分析过程中，编码手册经过反复修订，以改进概念的一致性和类别的清晰度。正式分析遵循了扎根理论编码的三个经典阶段：开放编码、轴向编码和选择性编码。在开放编码阶段，逐行检查访谈记录，并使用简洁的标签对有意义的表达进行编码，这些标签捕捉了行为、感知和互动体验。特别注意保留参与者的原始含义，同时将原始叙述简化为可分析的概念单元。在整个阶段中，通过持续比较来识别案例之间的相似性和差异性，避免重复编码，并明确编码边界。在轴向编码阶段，将初始编码进行分组并比较，以识别类别之间的概念关系。将反映相似条件、互动模式、反应或后果的编码归为一类，并考察其内部逻辑。这一阶段重点关注阐明主人-客人互动形式、游客的心理感知、情境技术条件以及共创相关结果之间的联系。通过反复比较和抽象，逐步建立了更广泛的子类别及其关系。在选择性编码阶段，分析从类别开发转向理论整合。研究团队确定了最能捕捉数据核心逻辑的类别，并探讨了如何将这些类别链接成一个连贯的解释框架。在这一阶段，只有概念上核心且实证支持充分的类别才被纳入最终框架。这一过程使研究超越了描述性分类，构建了一个关于不同主人-客人互动类型如何与智能旅游环境中的赋权及价值共创意图相关的扎根解释。为了加强编码的可靠性，两位编码员在分析过程中多次独立编码同一部分访谈记录，然后比较他们的编码结果。对差异进行了详细讨论，并通过参考访谈记录和不断发展的编码手册通过迭代讨论解决了分歧。必要时，资深作者会审查有争议的片段并提供裁决，以确保概念的一致性。在整个过程中，还进行了备忘录的编写，以记录出现的见解、类别修订、编码不确定性和理论反思。编码手册的修订历史，连同编码备忘录和编码员讨论记录，形成了一个审计轨迹，增强了分析程序的可追溯性和透明度。通过这一迭代过程，定性分析生成了一个逐步完善的概念结构，为后续的定量阶段模型开发奠定了基础。

(1) 开放编码
基于原始访谈数据，本研究提取了初步编码，并通过迭代比较和重构概念，以识别解释研究问题的核心理论结构[45]。在开放编码阶段，采用了逐行编码的方法，以确保全面捕捉原始数据中的隐含信息，尽量减少潜在的遗漏。此外，实施了分层编码策略，以保持初始编码与原始数据之间的紧密联系，提高了数据解释的系统性和准确性。在分类过程中，特别关注了不同概念的属性和内部层次结构。研究系统地考察了同一类别内多个概念之间的逻辑关系，逐步细化了它们的抽象层次。基于这种结构化方法，开发了一个与研究问题紧密对齐的实质性理论框架。表3提供了从原始数据到概念形成的示例。

(2) 轴向编码
轴向编码旨在识别初始类别之间的关系，并进一步澄清其潜在含义[45]。在这一阶段，研究使用归纳分析法系统地组织和分析开放编码结果，建立了核心类别之间的理论联系。通过反复比较和迭代，33个概念被整合为8个子类别，提高了数据结构的清晰度和理论框架的连贯性（表4）。

(3) 选择性编码
在选择性编码阶段，本研究重点分析主要类别之间的理论关系，并根据结构化关系确定核心类别[45]。通过对轴向编码结果的抽象综合，得出了五个主要类别：主人-客人互动类型、互动的心理认知、互动结果、情境因素以及由主人-客人互动引发的价值共创驱动因素。与原始访谈数据的详细比较揭示了这五个主要类别与八个子类别之间的机制关系（表5）。基于这些发现，构建了一个典型的模型机制图，以说明理论框架。

3.5.3 理论饱和度和偏差控制
为了确保扎根理论分析的可信度和可靠性，本研究采用了多种策略来减少潜在偏差并确认理论饱和度。首先，采用逐行编码的方法进行开放编码，并通过持续比较和反思性备忘录写作来减少主观性，提高分析的严谨性。其次，两位受过培训的编码员独立编码访谈记录。编码分歧经过讨论，必要时由资深作者根据文本证据进行裁决。编码手册在编码轮次中不断修订，修订历史和分析备忘录作为审计轨迹的一部分被存档，以提高透明度和可靠性。第三，包含41位参与者访谈的完整数据集被分为两组：30份访谈用于进行三个阶段的编码过程（开放编码、轴向编码和选择性编码），以构建初始理论框架；其余11份访谈则用于饱和度测试。在完成对最初30份访谈的编码并开发出概念模型后，再分析剩余的11份访谈。在这个阶段没有出现新的概念或类别，表明理论框架充分捕捉了数据中的核心模式。因此，认为达到了理论饱和度，有效控制了过度依赖有限样本所带来的偏差风险。

3.5.4 定性发现
如图1所示，定性分析识别出几个与主人-客人互动中的价值共创相关的类别，包括互动形式、与赋权相关的感知、情境技术条件以及价值共创驱动因素。其中，游客-居民互动和游客-政府互动在智能城市旅游背景下被视为两种不同的主人-客人互动形式。

访谈数据显示，游客-居民互动更常与情感联系、当地文化接触和参与社区活动相关联。相比之下，游客-政府互动更多地与服务支持、信息获取、智能指导和基于平台的参与相关联。尽管这两种互动形式在体验重点上有所不同，但都与游客的感知赋权有关，特别是在自主性、参与度和表达机会方面[46]。参与者描述在基于居民的互动和政府支持的互动中获得了更大的自主性、更强的参与意识以及更多的表达意见或提供反馈的机会。此外，智能旅游技术和相关情境条件被参与者反复提及为影响互动体验的因素。人工智能相关功能，如智能指导、服务推荐和数字反馈渠道，在游客-政府互动中显得尤为突出。总体而言，定性发现表明，不同的主人-客人互动类型可能通过赋权相关的感知与价值共创意图相关联，而技术条件可能以不同的方式影响这些关系[47]。

3.6 假设和模型
3.6.1 主人-客人互动与共创意图
借鉴社会交换理论，主人-客人互动可以理解为一种互惠交换过程，在此过程中，游客和主人评估旅游体验中的利益和意义[18]。在本研究中，主人-客人互动指的是游客与智能城市旅游环境中的两个关键主人角色——当地居民和政府机构之间的互动。这种互动可以为游客提供信息、情感支持、参与机会和反馈渠道，从而增加他们超越被动消费的参与意愿。先前的研究表明，主人-客人互动可以通过提供关系性和工具性资源来促进价值共创[48]。游客-居民互动主要基于人际沟通和文化接触。通过对话、共享活动和当地文化交流，游客可能会建立更强烈的情感联系、信任和参与目的地相关活动的意愿，从而增强共创意图[49,50]。游客-政府互动则更紧密地与制度支持和服务协调相关。当政府通过智能旅游系统提供响应式服务、参与机制和反馈渠道时，游客更有可能认为他们的参与是有用和值得的，从而增强他们的共创意图[51,52]。因此，预计游客-居民互动和游客-政府互动都会对智能城市旅游环境中的游客共创意图产生积极影响。据此，本研究提出以下假设：
H1a：游客-政府互动（TGI）对共创意图（CI）有积极影响。
H1b：游客-居民互动（TRI）对共创意图（CI）有积极影响。

3.6.2 客户赋权的中介作用
客户赋权（CE）指的是游客感到他们拥有足够的信息、自主性和影响力，能够有效参与旅游体验和服务过程的心理状态[12,53]。在智能城市旅游的背景下，赋权很重要，因为价值共创要求游客从被动的服务使用者转变为积极的参与者。当游客感到他们的选择很重要，他们能够有意义地做出贡献，并且他们的参与可以产生影响时，他们更有可能参与共创活动[54]。主人-客人互动可以通过提供信息、支持、认可和参与机会来增强游客的赋权[55,56]。通过与居民的互动，游客可以获得当地知识、社会认可以及参与文化和社区活动的更大信心。通过与政府相关服务系统的互动，游客可能会体验到更清晰的程序、更及时的反馈，以及更强的感知，即他们的意见可以影响旅游服务和目的地管理。在这两种情况下，互动都可以增强游客的自主感、能力和参与感，从而提高客户赋权[9,57–59]。预计客户赋权将进一步促进共创意图。当游客感到被赋权时，他们更有可能提出建议、分享想法并参与协作活动，因为他们认为自己的参与是有成效和有价值的[60,61]。因此，预计客户赋权将作为连接主人-客人互动与共创意图的关键心理机制。据此，本研究提出以下假设：
H2a：游客-居民互动（TRI）对客户赋权（CE）有积极影响。
H2b：游客-政府互动（TGI）对客户赋权（CE）有积极影响。
H3a：客户赋权（CE）介导游客-政府互动（TGI）与共创意图（CI）之间的关系。
H3b：客户赋权（CE）介导游客-居民互动（TRI）与共创意图（CI）之间的关系。

3.6.3 人工智能技术的调节作用
人工智能越来越多地嵌入智能旅游平台中，可以影响游客与居民、服务系统和目的地管理过程的互动[62]。在本研究中，人工智能技术刺激指的是游客在目的地互动过程中通过人工智能功能生成的基于平台的刺激。这些刺激可能通过使沟通、信息获取、反馈和参与更加高效、透明和吸引人来增强互动[63]。人工智能技术刺激预计将增强主人-客人互动的效果，因为它们减少了互动过程中的摩擦，并提高了游客的控制感和响应性。在游客与政府的互动中，诸如实时服务响应、智能指导和反馈跟踪等人工智能支持的系统可以帮助游客更轻松地获取信息，更清楚地理解程序，并感受到他们的参与正在被处理和回应。在更强的人工智能技术刺激下，游客与政府的互动因此更有可能增强客户赋权和共同创造意图[64-66]。在游客与居民的互动中也可能出现类似的增强效果。翻译支持、推荐匹配和参与指导等人工智能支持的功能可以促进游客与居民之间的沟通和协调，使互动更加容易和可管理[67]。当这些技术刺激更强时，游客可能会感到更有能力与居民互动，参与当地体验，并将互动转化为有意义的贡献。因此，游客与居民的互动更有可能增强客户赋权和共同创造意图。据此，本研究提出以下假设：H4a：人工智能技术刺激（AITS）对游客-政府互动（TGI）与客户赋权（CE）之间的关系具有积极调节作用，当AITS较高时，这种关系更强。H4b：人工智能技术刺激（AITS）对游客-居民互动（TRI）与客户赋权（CE）之间的关系具有积极调节作用，当AITS较高时，这种关系更强。H5a：人工智能技术刺激（AITS）对游客-政府互动（TGI）与共同创造意图（CI）之间的关系具有积极调节作用，当AITS较高时，这种关系更强。H5b：人工智能技术刺激（AITS）对游客-居民互动（TRI）与共同创造意图（CI）之间的关系具有积极调节作用，当AITS较高时，这种关系更强。基于定性研究的发现和现有文献中的理论推理，本研究构建了如图2所示的研究模型。下载：PNG（更大图像）TIFF（原始图像）图2. 模型。https://doi.org/10.1371/journal.pone.0348028.g002

4. 主人-客人互动类型与游客共同创造意图之间路径机制的验证
4.1 调查设计
基于理论模型，本研究通过调查收集数据，调查分为两部分：人口统计信息（年龄、性别、职业、教育水平、收入）和与研究模型相关的测量项目。所有研究变量（除人口统计信息外）均使用7点李克特量表进行评估（表6）。下载：PNG（更大图像）TIFF（原始图像）表6. 构念项目摘要。https://doi.org/10.1371/journal.pone.0348028.t006
主人-客人互动的测量项目改编自先前的研究[68-70]。游客的共同创造意图使用Tao等人（2022）[71]和Lan等人（2021）[72]的四个项目进行评估。客户赋权使用Xie等人（2020）[12]和Mohammad（2020）[73]的四个项目进行测量。对于人工智能技术刺激，激情维度改编自Cao和Liu（2023）[74]，而可用性维度改编自Borsci等人（2022）[75]开发的聊天机器人可用性量表。在正式调查之前，进行了预测试，分发了50份问卷，收到了42份有效回应。通过Cronbach’s alpha值确认了量表的有效性，所有值均超过了推荐的0.70阈值，确保了可靠性和内部一致性。
4.2 样本特征
根据频率分析结果，52.86%的受访者是男性（268人），47.14%是女性（239人）。在职业方面，政府雇员和自雇人士分别占26.23%（133人）和26.43%（134人），而学生和企业雇员分别占22.88%（116人）和24.46%（124人）。在教育背景方面，拥有学士学位的人群最多，占34.71%（176人），其次是高中或以下学历（32.94%，167人）和硕士或以上学历（32.35%，164人）。在年龄分布方面，17.55%（89人）年龄在18岁或以下，20.32%（103人）年龄在18-25岁之间，16.57%（84人）年龄在26-35岁之间，16.57%（84人）年龄在36-45岁之间，16.17%（82人）年龄在46-55岁之间，12.82%（65人）年龄在56岁或以上。在收入方面，23.47%（119人）年收入2999元或以下，25.64%（130人）年收入在3000-5999元之间，24.85%（126人）年收入在6000-8999元之间，26.04%（132人）年收入9000元或以上。样本的人口统计特征详见表7。下载：PNG（更大图像）TIFF（原始图像）表7. 受访者样本特征。https://doi.org/10.1371/journal.pone.0348028.t007
4.3 数据分析和假设检验
定量分析使用Smart PLS 3.0软件进行部分最小二乘结构方程建模（PLS-SEM）来检验所有假设[76]。目前，PLS-SEM在酒店业领域的研究中得到广泛应用。这种方法不需要数据遵循严格的正态分布，适用于分析形成性模型、复杂模型和高阶模型。
4.4 测量模型拟合
为了进一步评估测量模型的适当性，进行了验证性因素分析（CFA）。结果表明模型与数据拟合良好（χ2/df = 1.3662，CFI = 0.9834，TLI = 0.9807，RMSEA = 0.0269），所有指标均达到推荐阈值。（表8）下载：PNG（更大图像）TIFF（原始图像）表8. 测量模型拟合指标。https://doi.org/10.1371/journal.pone.0348028.t008
4.5 可靠性和收敛有效性
在本研究中，所有潜在变量的Cronbach’s alpha值均超过0.80，表明内部一致性可靠。此外，所有观察变量的标准化因子载荷均高于0.70。所有构念的平均方差提取（AVE）值大于0.50，复合可靠性（CR）值也高于0.70，表明测量量表的收敛有效性令人满意（表9）。下载：PNG（更大图像）TIFF（原始图像）表9. Cronbach’s α、AVE和CR值。https://doi.org/10.1371/journal.pone.0348028.t009
4.6 区分有效性
如表8所示，所有构念的HTMT值均低于0.85的阈值，表明区分有效性令人满意。（表10）下载：PNG（更大图像）TIFF（原始图像）表10. HTMT值。https://doi.org/10.1371/journal.pone.0348028.t010
4.7 共方法偏差
本研究使用Harman的单因素测试来评估潜在的共方法偏差[77]。如表9所示，第一个未旋转因子解释的方差为24.15%，低于通常接受的40%的阈值，表明共方法偏差不太可能是本研究的严重问题。（表11）下载：PNG（更大图像）TIFF（原始图像）表11. Harman单因素测试结果。https://doi.org/10.1371/journal.pone.0348028.t011
4.8 结构模型评估
本研究使用SmartPLS进行结构模型评估。具体模型构建和结果如图3所示。下载：PNG（更大图像）TIFF（原始图像）图3. 结构方程建模分析结果。https://doi.org/10.1371/journal.pone.0348028.g003
4.8.1 多重共线性检验
本研究使用方差膨胀因子（VIF）来检验研究变量之间的多重共线性。结果显示，所有研究变量的VIF值均低于5，表明本研究中不存在多重共线性问题。（表12）下载：PNG（更大图像）TIFF（原始图像）表12. 多重共线性检验。https://doi.org/10.1371/journal.pone.0348028.t012
4.8.2 R2和f2
该模型对两个内生构念的解释能力适中。具体来说，主人-客人互动、与AI相关的条件及其交互项解释了客户赋权（CE）方差的32.1%（R2 = 0.321）和共同创造意图（CI）方差的25.8%（R2 = 0.258）（表13）。鉴于CI是由多种未观察到的情境和个人因素在真实旅游环境中形成的高层次动机意图，这种解释方差水平与先前的行为研究一致，并支持该模型作为机制诊断框架而非纯粹的预测工具[78]。效应大小估计进一步显示，几条通往CI的直接路径（例如，TGI → CI；TRI → CI）和一些与AI相关的项表现出较小的增量贡献（f2 < 0.02）（表14）。重要的是，这些较小的f2值并不削弱模型的理论价值：结果表明，共同创造意图并非主要由互动本身驱动，而是由互动是否转化为赋权体验以及AI在机构互动环境中是否作为特定情境的放大器来驱动。下载：PNG（更大图像）TIFF（原始图像）表13. R2。https://doi.org/10.1371/journal.pone.0348028.t013
下载：PNG（更大图像）TIFF（原始图像）表14. f2。https://doi.org/10.1371/journal.pone.0348028.t014
4.8.3 路径分析
本研究使用SmartPLS软件进行路径效应检验，结果包括标准化系数、t值和p值，如下所示：（表15）下载：PNG（更大图像）TIFF（原始图像）表15. 路径分析。https://doi.org/10.1371/journal.pone.0348028.t015
路径分析结果表明，在智能旅游平台背景下，主人-客人互动并不直接转化为共同创造意图。具体来说，客户赋权（CE）对共同创造意图（CI）有显著的正面影响（β = 0.363，p < 0.001）。游客-政府互动（TGI）和游客-居民互动（TRI）均显著预测CE（TGI → CE：β = 0.340，p < 0.001；TRI → CE：β = 0.269，p < 0.001），但它们对CI的直接影响不显著（TGI → CE：β = 0.061，p = 0.092；TRI → CE：β = 0.038，p = 0.205）（表12）。从制度角度来看，平台中介的政府互动通常是程序性的，并受到标准化服务流程的限制，可能被视为“服务处理”而非参与；从心理角度来看，居民互动可能会产生积极感受，但如果游客不认为自己对服务设计或体验塑造有实际影响，则影响较低。因此，互动本身不足以单独驱动CI；其行为相关性取决于游客是否将互动体验解读为扩大他们在目的地服务系统中的能动性和影响力[79]。
4.8.4 中介效应
本研究使用SmartPLS软件检验中介效应，如下所示：（表16）下载：PNG（更大图像）TIFF（原始图像）表16. 中介效应分析。https://doi.org/10.1371/journal.pone.0348028.t016
为了检验赋权是否作为连接互动与共同创造意图的心理渠道，使用自助法评估了中介效应。TGI通过CE对CI的间接效应显著（TGI → CE → CI = 0.124；t = 5.776，p < 0.001），90%百分位自助区间（第5-95百分位）排除了零[0.089，0.160]，支持H3a（表13）。同样，TRI通过CE对CI的间接效应也显著（TRI → CE → CI = 0.098；t = 4.932，p < 0.001），自助区间排除了零[0.066，0.131]，支持H3b。鉴于相应的直接效应不显著（TGI → CE：p = 0.092；TRI → CE：p = 0.205），中介模式最好被描述为仅间接的（完全中介）。这意味着主人-客人互动主要通过产生赋权体验（例如，感知到的声音、控制和效能）来塑造共同创造意图，而不是对CI产生直接的动机推动[80]。
4.8.5 调节效应检验
调节效应进一步揭示了人工智能技术刺激（AITS）的边界作用是情境依赖的。在游客-居民互动背景下，AITS × TRI → CE（β = 0.007，p = 0.435）和AITS × TRI → CI（β = 0.021，p = 0.308）的交互项不显著，不支持H4b和H5b（表14）。相比之下，AITS显著增强了游客-政府互动的效果：AITS × TGI显著预测CE（β = 0.213，p < 0.001），支持H4a，同时也显著预测CI（β = 0.171，p < 0.001），支持H5a。这种模式表明，人工智能支持的刺激主要作为机构互动的放大器——增强了参与治理相关渠道的感知可行性和后果性——而不是作为所有主人-客人互动的通用增强器[81]。如图17和图4所示，当AITS较高时，TGI对CE和CI的正面影响变得更加强烈，表明AI在促进共同创造过程中的作用存在明显的情境异质性。下载：PNG（更大图像）TIFF（原始图像）表17. 调节效应检验。https://doi.org/10.1371/journal.pone.0348028.t017
下载：PNG（更大图像）TIFF（原始图像）图4. 调节效应。https://doi.org/10.1371/journal.pone.0348028.g004
5. 模糊集定性比较分析（fsQCA）
本研究首先使用部分最小二乘结构方程建模（PLS-SEM）来检验游客-政府互动（TGI）、游客-居民互动（TRI）、客户赋权（CE）和共同创造意图（CI）之间的假设净效应和间接机制，以及人工智能支持平台刺激（AITS）的调节作用。这种基于相关性的方法能够评估线性关系、路径系数和中介/调节效应。然而，智能城市旅游中的价值共同创造可能由因果复杂性驱动，其中多个条件可能共同作用，不同的组合可能导致相同的结果。PLS-SEM遵循净效应逻辑，并假设对称关系，这在捕捉等效路径和联合因果关系时可能有限——例如，高共同创造意图可能来自不同的配置，如“高赋权与强机构互动”对比“高赋权与强居民互动”，并且缺乏某个条件并不一定意味着结果的缺失[82]。为了解决这一限制并增强实证分析的解释价值，研究进一步应用了模糊集定性比较分析（fsQCA）来探索不同互动条件和人工智能支持刺激的组合如何共同产生高（和低）共同创造意图（CI）。通过整合fsQCA，我们采用了一种配置视角，能够识别SEM对称估计中可能被忽视的多种充分路径、不对称性和条件互补性[83]。这种双方法策略提供了一个更全面且生态学上有效的解释，说明了主人-客人互动类型、赋权以及由AI支持的平台条件如何共同塑造城市旅游环境中游客的共创意图。5.1 变量选择和校准 在fsQCA分析中，本研究选择了游客-政府互动（TGI）、游客-居民互动（TRI）、顾客赋权（CE）以及AI技术刺激的两个维度（AITS）——激情（P）和可用性（U）作为前置条件，共创意图（CI）作为结果。这一变量集合与提出的“互动类型 → 赋权 → 共创意图”逻辑一致，并能够对多种条件如何共同导致高（或低）共创意图进行配置评估。根据已建立的fsQCA指南[84]，我们应用了直接校准方法将原始的李克特量表分数转换为0到1之间的模糊集成员分数。具体来说，为每个变量设置了三个定性锚点：第95百分位作为完全成员的阈值，第50百分位作为交叉点，第5百分位作为完全非成员的阈值，从而提供了更严格的定义并减少了中间范围的模糊性（表18）。然后使用fsQCA软件中的Calibrate函数实现这些阈值，以生成后续必要条件和充分性（配置）分析所需的校准集成员。下载：PNG更大图像TIFF原始图像表18. 校准锚点。https://doi.org/10.1371/journal.pone.0348028.t018 5.2 必要性分析 在进行配置分析之前，进行了必要性分析，以确定是否有任何单个条件对于实现高或低共创意图（CI）是必要的。如果一个条件的一致性得分超过0.90并且显示出显著的覆盖度[85]，则认为该条件是必要的。必要性分析应用于所有相关的前置条件。如表19所示，没有任何条件达到0.90的一致性阈值，表明没有单独的前置条件对于高或低共创意图（CI）是必要的。尽管一些条件，如TGI、CE和P，在高CI方面显示出相对较高的一致性得分，但它们在低CI方面的覆盖值和一致性不足以确立必要性。因此，结果表明共创意图（CI）的结果并不仅仅依赖于任何单一条件，而是多个因素的组合，这将在后续的配置分析中进一步探讨。下载：PNG更大图像TIFF原始图像表19. 必要性分析。https://doi.org/10.1371/journal.pone.0348028.t019 5.3 配置分析 配置分析用于揭示多个前置条件如何通过等效性（即，多种路径可以导致相同的结果）和因果不对称性（即，导致高结果与低结果的配置并非简单的镜像）共同产生结果[86]。按照标准的fsQCA程序，本研究使用0.80的一致性阈值、最小案例频率3和PRI阈值0.70对真值表进行了标准化。如表20所示，高共创意图（High CI）的配置解决方案显示出可接受的模型拟合度（解决方案一致性=0.83；解决方案覆盖度=0.51），而低共创意图（Low CI）的解决方案显示出更高的一致性（0.86）和中等覆盖度（0.40）。这些结果表明，高和低共创意图是由不同的因果机制产生的，而不是简单的镜像关系。下载：PNG更大图像TIFF原始图像表20. 配置分析。https://doi.org/10.1371/journal.pone.0348028.t020通往高共创意图（High CI）的路径路径1表明，当顾客赋权（CE）作为核心条件存在时，即使游客-政府互动（TGI）、激情（P）和AI技术刺激（AITS）处于较低水平（核心否定），游客也可以表现出高CI（一致性=0.86，独特覆盖度=0.02）。这条路径表明赋权是一个决定性的心理触发因素：一旦游客感到被赋权，即使在相对“低技术”或刺激较弱的背景下，共创意图也会出现，这意味着赋权体验可以弥补有限的机构互动和感知到的AI支持。路径2显示，当TRI和CE都为核心存在时，即使TGI、U和AITS较低，也可以实现高CI（一致性=0.88，独特覆盖度=0.01）。这反映了一种典型的社区嵌入式机制：强烈的游客-居民互动，加上增强的赋权感，即使没有强大的AI支持平台刺激，也可以产生共创意图。换句话说，在某些条件下，关系嵌入性和赋权可以共同替代技术。路径3揭示了最独特的高CI配方（一致性=0.87，独特覆盖度=0.14），其中TGI、TRI、CE和AITS都为核心存在。这种配置代表了一种“AI放大协同效应”的路径：当游客被赋权并且同时嵌入在机构（政府）和社会（居民）互动中时，共创意图最强，而AI支持的刺激和动机参与（激情）增强了互动向共创意图的转化。值得注意的是，这条路径在高CI解决方案中提供了最大的独特解释贡献，突显了配置视角的价值：技术的重要性在于它与多主体互动和赋权相一致，而不是作为一个独立的驱动因素。路径4表明，当TGI、CE和P都为核心存在时，即使TRI、U和AITS较低，也可以实现高CI（一致性=0.90，独特覆盖度=0.02）。这表明了一条更“以机构为中心”的路径：被赋权的游客可能主要通过正式或治理相关的互动渠道发展出共创意图，而居民互动和感知到的AI可用性/刺激在核心配方中不是必需的。实质上，这条路径意味着机构参与与积极的心理状态相结合仍然可以产生高共创意图，即使没有强烈的社区嵌入性或强烈的感知AI支持。通往低共创意图（Low CI）的路径路径5显示，当TGI、TRI和CE都较低时，即使U和AITS较高，也会出现低CI（一致性=0.88，独特覆盖度=0.02）。这表明技术丰富的环境并不能弥补互动薄弱和赋权不足的问题：当游客缺乏有意义的互动机会并且不感到被赋权时，即使平台看起来可用且AI刺激性强，共创意图仍然较低。路径6（一致性=0.88，独特覆盖度=0.04）和路径7（一致性=0.89，独特覆盖度=0.05）进一步强化了这一见解：当CE较低且互动较低（特别是路径6中的TRI较低和路径7中的TGI较低）时，会出现低CI，尽管存在高P、高U和高AITS。这些路径表明，即使AI支持的平台激发了参与动机并提供了功能可用性，如果没有赋权，共创意图也不会实现。5.4 稳健性检验 当一致性阈值从0.80增加到0.85时，保持所有其他设置不变，解决方案仍然相同，表明结果是稳健的。6 讨论 6.1 SEM分析的发现首先，SEM结果显示，游客-政府互动（TGI）和游客-居民互动（TRI）都没有直接预测共创意图（CI）（H1a和H1b未得到支持）。这一发现具有理论意义，因为它挑战了一个简化的假设，即更多的主人-客人互动会自动产生更强的价值共创意图。在智能城市旅游的背景下，并非所有的互动都具有变革性。许多形式的接触仍然是信息性的、程序性的或情境性的——例如，路线查询、服务咨询、常规反馈或与当地演员的简短交流。尽管这些互动可能会增加游客对目的地资源的了解，但它们并不一定会改变游客在价值创造过程中的感知角色。换句话说，互动本身并不能保证从被动服务消费转变为积极贡献。这一发现与先前的论点一致，即缺乏情感深度、参与意义或感知到的影响再分配的互动不太可能触发更深层次的参与[87]。同时，本研究通过表明关键问题不在于互动是否发生，而在于这种互动是否使游客能够将自己视为目的地服务系统中的有影响力的参与者，从而扩展了这一思路。因此，不显著的直接效应不应被解释为主人-客人互动不重要的证据；相反，它们表明其影响是有条件和机制依赖的。对于旅游管理者和政策制定者来说，这意味着仅仅增加游客与当地演员之间的接触点可能是不够的，除非这些互动是以有意义、可见和有影响力的方式设计的。其次，顾客赋权（CE）成为使互动行为上产生后果的关键心理机制。两种互动类型都显著增强了CE（TGI→CE：β=0.340，p<0.001；TRI→CE：β=0.269，p<0.001），而CE反过来又强烈预测了CI（CE→CI：β=0.363，p<0.001）。自助法进一步确认了TGI和TRI通过CE的显著间接效应，而互动到CI的直接路径仍然不显著，表明这是一个仅通过间接途径（完全中介）的模式。这一结果很重要，因为它阐明了主人-客人互动如何转化为共创意图：不是通过直接接触本身，而是通过增强游客的感知声音、影响力和参与合法性。在这种意义上，赋权不应被视为一个辅助的态度变量，而应被视为将互动转化为意图的核心心理机制。这一解释与Shin等人（2020）[58]的观点一致，但本研究更进一步，将赋权更明确地置于主人-客人互动框架内，并表明在共创意图出现之前，机构和情感互动形式都需要这种心理转化。因此，该模型的贡献不在于展示大的直接效应，而在于识别为什么互动经常无法产生共创，除非游客感到自己在过程中能够发挥作用。尽管CI的解释方差适中（R2=0.258），但这种解释力在理论上是有信息量的，而不是有问题的，因为它反映了城市旅游中的共创意图并不是一个纯粹的加法结果，而是一个有条件和心理中介的响应[88]。更重要的是，这些发现表明，寻求刺激共创的目的地不应仅仅关注增加互动机会；它们还应创建参与性安排，使游客能够表达偏好、影响服务过程，并感知到他们的参与是有意义的。这对智能旅游治理有直接意义，表明以赋权为导向的参与设计可能比仅以接触为导向的参与策略更有效。第三，AI技术刺激（AITS）表现出明显的情境依赖性调节作用，从而明确了技术在何时为主人-客人互动增加增值。在游客-政府的背景下，AITS显著增强了机构互动的赋权效应（AITS×TGI→CE：β=0.213，p<0.001），同时也加强了TGI和CI之间的关系（AITS×TGI→CI：β=0.171，p<0.001），支持了H4a和H5a。这种模式表明，AI支持的功能——如更快的响应速度、透明的过程反馈、个性化的服务支持和高效的请求处理——可以增强机构互动的感知有用性和程序意义。在这样的条件下，游客更有可能将政府链接的互动渠道视为不仅仅是服务工具，而是有效的界面，通过这些界面他们的输入可以得到认可和行动。这一解释与先前的研究一致，这些研究表明AI可以增强智能治理环境中的感知可靠性和信任[66]，并增强共创过程中的信心和感知能动性[89]。然而，本研究通过表明AI的贡献并不是普遍的；相反，当互动嵌入在依赖信息处理、协调和响应性的机构和程序设置中时，其效果最强。对于旅游当局和平台设计者来说，这意味着在以治理为导向的参与系统中投资AI最有可能产生价值——例如，在智能反馈渠道、公共服务界面和参与式目的地管理工具中。相比之下，AITS并没有显著调节TRI→CE或TRI→CI的关系（H4b和H5b未得到支持），表明AI在情感和 culturally embedded互动背景下的作用较为有限。游客-居民互动似乎更依赖于真实性、情感共鸣、社会温暖和文化认同，其中共创基于人际信任和社会嵌入性而非程序效率[90, 91]。在这样的背景下，AI可能支持外围功能，但它并不一定会增强使居民互动有意义的核心关系质量。这一发现具有理论重要性，因为它突出了智能技术在互动类型之间的价值不对称性。它表明AI不应被视为对所有主人-客人互动都有益的增强器，而应被视为一种差异化的促进者，其效果取决于互动本身的关系结构[17]。这一解释也与更广泛的证据一致，即心理丰富和情感丰富的体验通常会产生独特的情感和恢复性反应，这些反应不容易简化为信息效率或技术便利性[92]。换句话说，人工智能作为机构协调的放大器比作为人与人之间情感深度的替代品更有效。这一区别推动了当前关于智慧旅游的辩论，表明技术复杂性并不自动转化为所有社会环境中更强的共创能力。相反，技术似乎在参与结构化、程序化且由系统中介的情况下增加价值，但在再现基于居民的互动中嵌入的情感细微差别、相互认可和真实体验方面能力较弱。实际上，这表明目的地管理者应避免假设数字智能可以取代基于社区的旅游的关系基础。相反，在设计智慧城市旅游体验时，应将人工智能和人类互动视为互补而非可互换的机制。

6.2 模糊集定性比较分析（fsQCA）的结果补充了结构方程模型（SEM）的发现，表明智慧城市旅游中的共创意图并非通过单一的线性因果路径产生，而是通过多种情境依赖的条件组合产生的。这在理论上是重要的，因为它将分析超越了净效应逻辑，证明了相同的结果可以通过不同的互动和技术安排实现。与等终性和因果不对称性的原则一致，高和低的共创意图并不是彼此的镜像，也不是由单一主导因素驱动的。相反，它们源自不同的情境“配方”，每种配方反映了不同的互动模式、赋权程度和与人工智能相关的支持。从这个意义上说，fsQCA的结果通过表明价值共创意图不仅仅是更强互动或更高技术暴露的简单加和结果，而是心理、关系和技术条件之间特定匹配的结果，从而深化了研究的解释逻辑。在所有解决方案中，顾客赋权（CE）被确定为最具结构性的条件。它在所有高CI路径中都是一个核心存在条件，而其缺失则系统性地导致了低CI配置。这一发现加强了基于SEM的中介结果，并进一步强化了研究的主要理论论点：赋权不仅仅是一个统计上显著的中介因素，而是一个决定互动和技术能否转化为共创意图的关键条件。换句话说，赋权起到了参与门槛的作用。当游客认为自己能够表达偏好、影响过程并有意义地参与时，不同的互动和技术条件仍然可以通过替代途径导致共创意图。然而，当这种赋权缺失时，即使其他条件有利，也不足以产生共创意图。这扩展了之前的基于互动的研究，表明决定性问题不仅在于资源是否可用，还在于游客是否感到有权并在目的地服务系统中调动这些资源。对于高共创意图，配置结果确定了四种不同的路径，每种路径揭示了互动和人工智能技术刺激可以运作的不同方式。路径1表明，即使在相对“低技术/低刺激”的背景下，当顾客赋权是核心存在条件时，高CI也可以出现，尽管游客-政府互动（TGI）、热情（P）和人工智能技术刺激（AITS）的水平较低。这一路径的理论含义是，赋权可以弥补薄弱的机构支持和有限的技术促进。换句话说，内化的能动感本身就可以成为共创意图的充分激活条件，即使外部促成因素相对较弱。路径2揭示了一条社区嵌入的路径，在这条路径中，顾客赋权和游客-居民互动（TRI）共同弥补了低TGI、低U和低AITS的不足。这表明，只要游客感到有意义地被赋权，关系嵌入和基于居民的互动即使在技术和机构条件较弱的情况下也能维持共创。这条路径尤为重要，因为它细化了人工智能在模型中的作用：人工智能不是普遍的促进因素，在社会信任、地方联系和参与信心已经为共创提供了坚实基础的情况下，人工智能并不是必需的。相比之下，路径3代表了最明显的人工智能放大协同效应配置，在这种配置中，TGI、TRI、CE、P和AITS都是核心存在条件，并共同产生了最大的独特解释贡献。这条路径在理论上是独特的，因为它表明技术的影响不是作为孤立的驱动因素，而是在已经有利于互动和激励的结构中作为放大器发挥作用。在这种配置中，人工智能并不替代互动；相反，它增强了多主体参与转化为共创意图的程度。这种解释与最近的证据一致，这些证据表明人工智能在旅游中的价值更多地取决于更深层次的用户参与，而不是简单的采用技术，后者增强了智慧体验、情感投入和下游行为反应。它还与研究的中心论点一致，即人工智能刺激只有在符合互动情境的关系结构时才会产生行为效果。路径4通过确定一种以机构为中心的路径进一步增加了细微差别，在这种路径中，当TGI、CE和P是核心存在条件时，即使TRI、U和AITS较低，也能实现高CI。这表明，当游客既有动力又有赋权时，即使社区嵌入性和强大的人工智能可用性不是核心要素，也可以通过治理相关的参与渠道激活共创意图。总的来说，这四条高CI路径表明，赋权是共同的基础，而通往共创的主导路径取决于参与更多地基于居民互动、机构互动还是人工智能支持的协同效应。对于低共创意图，fsQCA的结果为智慧旅游治理提供了特别重要的边界洞察。路径5表明，即使U和AITS较高，当TGI、TRI和CE都较低时，低CI仍然会出现。这表明，技术丰富的环境无法弥补互动机会的不足和低赋权。路径6和7通过表明，在高P、高U和高AITS存在的情况下，如果CE较低且互动较低——特别是在路径6中TRI较低，在路径7中TGI较低——低CI仍然会持续存在，进一步强化了这一结论。这些发现揭示了一个关键的不对称性：虽然人工智能刺激和可用性可以在赋权一致的配置下促进参与，但它们并不能克服赋权的缺失。这是fsQCA结果最重要的理论含义之一。它表明，如果智慧旅游中的技术优先方法没有伴随着有意义的互动结构和参与条件，那么这些方法可能是根本有限的。换句话说，仅凭数字复杂性并不能保证共创。没有赋权，游客可能仍然是智能服务的用户，而不是目的地价值形成的积极参与者。总体而言，fsQCA的结果使研究的中心主张更加清晰和扩展。虽然SEM结果展示了互动、赋权和人工智能刺激的平均净效应，但fsQCA结果揭示了这些条件必须如何配置才能产生共创意图。它们共同表明，智慧城市旅游中的共创意图不是任何单一因素独立作用的结果，而是通过不同的赋权、关系嵌入、机构支持和与人工智能相关的促进条件组合产生的情境适配结果。这不仅加强了研究的理论贡献，也为目的地利益相关者和政策制定者提供了实际意义：旨在增加共创的策略不应仅依赖于技术升级，而应建立互动系统，使游客能够通过适合目的地特定关系背景的途径有意义地参与。

6.3 PLS-SEM和fsQCA结果的整合将PLS-SEM和fsQCA的整合提供了更全面的解释，说明宿主-客人互动类型如何塑造游客在智慧城市旅游中的共创意图。这两种方法不是提供重复的证据，而是阐明了同一现象的不同维度。PLS-SEM识别了模型的对称净效应结构，并阐明了共创意图背后的主要心理机制。具体来说，它表明顾客赋权（CE）是共创意图（CI）最直接的驱动因素，游客-政府互动（TGI）和游客-居民互动（TRI）都显著增强了CE，但两种互动类型对CI都没有显著的直接影响。这种模式支持了一种仅通过间接途径（完全中介）的机制，表明宿主-客人互动主要通过培养能动感、影响感和参与合法性来影响共创。此外，调节测试揭示了明显的情境异质性：人工智能技术刺激（AITS）显著增强了TGI对CE和CI的影响，但并没有显著调节TRI相关关系。与先前的证据一致，这些证据表明数字系统的益处往往是参与依赖的，而不是普遍分布的，PLS-SEM的结果表明人工智能更多地作为机构参与背景中的条件性放大器发挥作用。相比之下，fsQCA提供了一个配置视角，揭示了共创意图是如何通过不同的条件组合产生的，而不仅仅是通过单一主导路径产生的。这在理论上是重要的，因为它表明智慧城市旅游中的共创逻辑并非纯粹线性的或加性的。相反，高和低CI源自多种情境“配方”，这与等终性和因果不对称性的原则一致。配置发现从三个方面深化了PLS-SEM的结果。首先，它们通过表明CE在所有高CI路径中都是核心存在条件，而低CE则导致了低CI配置，从而加强了赋权的核心地位。这表明赋权不仅在统计意义上是一个中介因素，而且是一个结构性的门户，决定了互动和技术能否转化为共创意图。其次，fsQCA阐明了为什么PLS-SEM中的一些净效应看起来微弱或有条件：互动和技术并不总是独立重要的，而往往只有在其他促成条件一致时才变得有意义。“人工智能放大协同效应”路径表明，当TGI、TRI、CE、热情（P）和AITS都是核心存在条件时，人工智能在更广泛的互动和激励结构中变得最有行为意义，而不是作为独立的驱动因素。第三，fsQCA为技术优先方法建立了明确的理论和实践界限。几种低CI配置表明，即使高AITS和高可用性（U）也无法弥补薄弱的互动和低赋权，从而表明平台复杂性本身不足以在没有参与条件的情况下激活共创。总的来说，这两种方法得出了共同的结论，同时也提供了不同形式的解释价值。PLS-SEM通过识别关键的中介和调节关系来解释平均因果链，而fsQCA揭示了这些关系在特定情境中是如何被激活、结合或中和的。更重要的是，它们的整合带来了更强的理论洞察：智慧城市旅游中的共创意图不是由互动本身或技术本身触发的，而是由具有心理赋权和技术适应性的互动触发的。从这个意义上说，赋权构成了核心的转化机制，而人工智能作为一个差异化的促进因素，其价值取决于它是否与互动情境的关系结构一致。这种综合理解扩展了先前的研究，表明价值共创不仅应被视为一个中介过程，还应被视为由互动、赋权和技术的相互作用塑造的配置结果。从实践角度来看，整合的结果还意味着目的地利益相关者和政策制定者应避免依赖一维策略。仅仅增加宿主-客人接触或投资更先进的数字系统不太可能单独产生共创。相反，智慧旅游政策和目的地管理实践应专注于建立参与系统，使游客能够在适合目的地特定关系背景的途径中有意义地参与。

7 结论 7.1 理论意义 本研究在三个方面为智慧旅游和价值共创文献做出了贡献。首先，它通过确定顾客赋权作为关键中介因素，阐明了宿主-客人互动与共创意图之间的心理机制。结果表明，游客-政府互动和游客-居民互动主要通过增强游客的感知自主性、参与感和影响力来增强共创意图，而不仅仅是通过直接效应。这一发现扩展了先前的研究，表明只有当互动被感知为具有赋权作用时，它才会促进共创。其次，本研究通过表明人工智能在智慧旅游中的作用是依赖于具体情境的，而非普遍积极的，从而深化了对人工智能的理解。研究结果表明，人工智能技术的刺激作用增强了游客与政府互动对客户赋权感和共创意愿的影响，但在游客与居民互动中并未观察到这种调节作用。这表明，在制度化和平台中介的情境下，人工智能比在社交嵌入和文化导向的互动环境中更有效。第三，通过结合结构方程建模和模糊集定性比较分析，本研究提供了关于共创意愿形成的对称性和配置性证据。虽然结构模型识别了互动、赋权和技术条件的净效应，但配置性结果显示，高水平的共创意愿可以通过多种途径产生。总体而言，这些发现提供了对互动、赋权和人工智能如何共同塑造智慧城市旅游中共创现象的更细致理解。

7.2 实际意义
这些发现对地方政府、平台运营商和目的地管理者具有几方面的实际启示。首先，智慧旅游治理不仅应注重增加互动机会，还应强化游客的赋权感。参与机制、反馈渠道和可见的响应流程可以帮助游客感受到他们的参与是有意义且有影响力的。其次，目的地管理者应更加重视游客与居民互动的社会和文化价值。居民主导的活动、基于社区的体验和参与式文化项目可以建立更强烈的情感联系，鼓励游客从被动消费转向积极贡献。第三，人工智能的应用应具有情境敏感性。在游客与政府的互动中，人工智能可以提高响应速度、透明度和服务效率，从而增强赋权感和共创意愿；而在游客与居民的互动中，技术应主要作为支持性基础设施，如减少沟通障碍和改善协调，而不替代人际交流的真实性和情感深度。总体而言，研究表明，智慧城市旅游中的价值共创不仅仅取决于更多的互动或更多的技术，而取决于互动和技术是否共同提升了游客的参与感和影响力。

7.3 局限性与进一步研究
本研究存在若干局限性。首先，定量数据是通过非概率在线调查收集的，这可能会引入选择偏差并限制研究结果的普遍性。此外，测量数据依赖于单源自我报告，可能受到社会期望效应和共同方法偏差的影响。未来的研究可以采用基于概率或配额抽样的方法，进行多地点比较，并将调查数据与行为数据或平台使用记录相结合。其次，本研究仅考察了游客在某一时间点的感知，因此无法捕捉不同旅行阶段中赋权感或共创意愿的变化。未来的研究可以采用纵向或体验抽样设计，来考察互动体验如何随时间影响客户赋权和共创。第三，本研究是在当前智慧旅游平台发展水平下考察人工智能技术刺激作用的。随着人工智能在旅游服务中更加深入地应用，其边界效应可能会发生变化。未来的研究可以比较不同的目的地和平台系统，进一步探讨技术发展如何重塑互动、赋权和共创之间的关系。

参考文献