基于人工智能的见解：旅游业对当地文化的影响——一种机器学习方法

《Scientific Reports》：AI-driven insights into the impact of tourism on local cultures: a machine learning approach

　　

摘要

旅游业日益被视为经济增长、空间重组和文化变革的强大驱动力，然而关于旅游强度和短期租赁如何重塑当地文化的实证证据仍然零散。现有研究往往分为两类：一类是对旅游化和绅士化现象的定性案例研究；另一类是定量模型，这些模型可以预测游客流量，但对 authenticity（真实性）、商品化、噪音和拥挤等下游文化外部性方面的洞察有限。此外，许多高性能的机器学习预测工具运作方式不透明，这阻碍了它们在旅游分析中的应用。本研究提出了一个基于人工智能的框架，该框架将多来源的旅游数据与对文化敏感的指标相结合，并使用可解释的长期预测模型。我们的主要创新在于方法论：我们没有引入新的旅游概念，而是提出了一个预测和解释模型，该模型在月度尺度上实现了已建立的旅游理论框架，并通过透明的时间归因机制将这些理论框架与上游的旅游/短期租赁数据联系起来。我们的研究基于关于过度旅游、旅游化和真实性的旅游学讨论，将“文化感知”视为一个有争议的评估概念，游客和当地居民通过这一概念在平台中介的旅游活动中协商对地方的认知。在这种框架下，短期租赁被视作一种社会技术基础设施，它重新配置了“当地体验”（日常生活、互动和消费）的条件，从而影响了人们对真实性、商品化、噪音和拥挤的感知和叙述方式。我们收集了三个互补的数据集：区域旅游压力（欧洲统计局统计的每位居民对应的夜间游客数量）、城市层面的短期租赁微观强度数据（来自Airbnb的数据），以及基于Yelp评论和照片的月度文化感知指数（包括真实性、商品化、噪音和拥挤程度）。我们设计了Patch-Agnostic Temporal Transformer（PATT）这一仅包含编码器的架构，该架构结合了可逆实例归一化技术、用于短距离去噪的局部感知单元，以及基于偏移量的稀疏注意力机制，能够在不依赖大规模数据样本的情况下识别出时间上显著的事件。跨模态分析利用注意力图和滞后相关性来揭示旅游/短期租赁变化与文化感知变化之间的因果关系。由于文化感知指数是基于平台评论和照片构建的，我们将观察到的时间滞后结构解读为一种在话语感知中的时间结构化关联，而非对文化福利或因果效应的直接测量。在Eurostat数据集上，PATT的模型平均绝对误差（MASE）为0.62，均方根百分比误差（CRPS）为0.150；在Airbnb短期租赁数据集上，MASE为0.70，CRPS为0.196；在Yelp文化感知指数上，MASE为0.66，CRPS为0.190。同时，该模型还提供了可解释的时间归因结果和跨模态对齐诊断信息，有助于监测和生成关于旅游相关变化对评论衍生感知指标影响的假设。代码存档地址为：https://doi.org/10.5281/zenodo.18980783。