1. 引言
随着人们日益增长的生活质量需求，旅游业在新时代也凸显出了快速成长性、强势带动性，使其渐渐成为支柱产业，尤其是在线旅游，在人们的生活中扮演着愈加重要的角色，2021年4月29日，《“十四五”文化和旅游发展规划》(以下简称《规划》)正式发布[1]，《规划》对未来五年文化和旅游的发展谋篇布局，其中提到要全面而透彻地推进大众旅游、智慧旅游和“旅游+”等方式，提供更多优质旅游产品和服务，从而完善和优化综合效益高、带动能力强的现代旅游业体系，并也鼓励深化“互联网+旅游”的模式，加快推进以数字化、网络化和智能化为特点的智慧化旅游发展，努力实现旅游业的高质量发展。
在这一发展过程中，旅游领域的大型分享平台如国外的Tripadvisor (猫途鹰)和Expedia，以及国内的马蜂窝和去哪儿等网站，已成为连接用户与旅游信息的重要桥梁。这些平台不仅允许用户以文字、图片和短视频等形式分享旅游经历，还提供了一个检索他人信息以辅助决策的平台。
以“去哪儿”这一国内知名旅游软件为例，其将“攻略”作为一级标题，构建了一个以用户生成内容(UGC)为核心的分享型社区。在这里，广大用户可以分享自己的旅游经验，为其他用户提供详实的攻略，这种模式受到了用户的广泛喜爱。互联网的共享和社交属性在此过程中融合了大量有效信息，使得人们能够通过手机等设备检索有效信息，降低实践过程中的时间和金钱成本，其中旅游信息占据了相当大的比重。
然而，在万物互联的背景下，人们分享的关于购物、使用或经历的信息构成了一张巨大的网络，这既便利了人们的生活，也使人们在信息的海洋中可能感到迷茫。作为被动接收内容的用户，在接收信息、整合信息、做出决策、付诸行动这一系列操作下，体验质量究竟是增加还是减少，这是一个值得从多方面考量的问题。
在这一背景下，个性化推荐系统的作用不容忽视。这些系统通过建立用户兴趣模型、提取产品特征，并比较用户兴趣模型和产品特征，将相似度高的产品推荐给用户[2]。此外，基于社交网络的推荐算法利用社交平台上记录到的用户信息，包括用户通讯录以及用户兴趣爱好等，根据社交网络上获取的信息向用户推荐好友、产品以及信息流的会话等。这种基于社交网络的推荐算法，不仅能够增强用户体验，还能够提高信息的针对性和相关性。
个性化推荐系统在旅游领域的应用，可以通过协同过滤、内容推荐以及混合推荐等算法，为用户提供个性化的旅游路线、景点推荐、酒店建议等。这些算法通过分析用户的历史行为数据、个人属性和兴趣爱好，生成更加全面和准确的推荐结果，从而提高推荐的准确性和个性化程度，满足不同游客多样化的旅游需求，提升游客的旅游体验[3]。
综上所述，个性化推荐系统在旅游信息共享平台中的应用，不仅能够提高信息检索的效率和质量，还能够根据用户的具体需求提供定制化的旅游建议，从而增强用户体验。现有研究虽考虑了在线旅游推荐信息对游客内心期望的影响、对游客决策的影响、对游客在线预定旅游民宿等的影响，却少有研究人员去探究在当下大数据时代背景下，接受海量信息的游客，去旅游地的体验质量是否受在线旅游推荐信息的影响，影响因素有哪些，又是怎样影响的，都急需我们去探索，而且基于在线旅游推荐信息的旅游体验质量研究是在线旅游信息较为空白的领域，本文以ACSI模型为理论基础，结合结构方程模型窥见基于在线旅游推荐信息的游客期望和旅游体验质量的关系，使得旅游学科和互联网结合而产生的新的理论。
2. 相关文献综述
通过梳理在线旅游信息相关研究文献发现，学者们对在线旅游信息的研究广而深，内容涉及消费者行为学、旅游电子商务、社会网络和传播学等理论范畴。
在信息搜寻角度，李君轶等人[4] [5]研究了游客在线信息搜寻行为的内在规律和方式，揭示了信息搜寻的动机和个人特质、外在环境等影响在线信息搜寻的原理；而石艳霞[6]等人则是根据在线旅游信息的多元性、复杂性等特性，从在线旅游信息协作的角度，探索了在线旅游信息协作搜索过程和模式。颜端武[7]等人基于共享心智模型，并识别出了四个主要环节——个体的感知与探索、团队的任务解析、团队的信息收集和信息决策，并厘清了各个环节的认知活动与共享心智的模型内容。
对于在线旅游信息对游客的决策影响方面，最开始的研究源于欧美国家，出现在《在线社区的真实价值》[8]书中，该书从心理学角度描述了在线旅游信息对游客们交易、兴趣和幻想等基本需求的满足，随后便多有学者从事这方面的研究。丁怡琼[9]基于沉浸理论和信息采纳理论构建了用户对在线旅游的行为意图模型，得出结论为：感知有用性能正向促进用户使用在线旅游平台的行为意图。庾美容[10]则从旅游电子商务角度出发，对在线旅游平台中商家推荐介绍信息、产品介绍信息和游客点评信息综合研究，揭示了在线旅游信息对不同专业化旅游城市跟团预定的影响机理。
还有学者从新闻传播角度研究在线旅游信息对景点形象的影响。孙芮[11]等人通过爬取微博数据，运用传播学理论中的“节点传播”“意见领袖”构建模型，发现在线旅游信息的确能对景区起到一个形象再建构和再巩固的作用；王群[12]则是基于顾客满意指数模型(即ACSI模型)，对比游客期望和游客感知，探究游客对景区的环境形象满意度。
从现有文献可知，当前对在线旅游信息的研究都局限于研究基于在线旅游信息对游客购买、传播、决策等方面的影响，少有研究针对在线旅游推荐信息给游客的期望对整个旅游后的影响。
3. 理论模型与研究假设
有关于游客旅游体验质量的测量方法，各家学者方法均不一样，目前在旅游满意度中广泛使用的模型主要有KANO模型、GM模型、GAP模型、HSQM模型、ACSI模型，对以上模型进行文献梳理发现，梳理结果如表1所示。
Table 1. Difference of experience quality research model
表1. 体验质量研究模型区别
研究层面 |
KANO模型 |
GM模型 |
GAP模型 |
HSQM模型 |
ASCI模型 |
研究视角 |
产品方面 |
服务方面 |
体验质量方面 |
交互体验方面 |
价值体验方面 |
研究思路 |
对产品质量的5种特点分别进行了对比，并以此确定了不同质量特征下的顾客满意度。 |
从技术质量、功能质量和形象质量三个角度对体验质量进行评价。 |
从功能性质量的服务认知、服务标准、服务传递标准和沟通标准四个方面进行体验质量评价。 |
从交互、物理环境和结果质量的可信、共鸣、移情三个方面进行体验了质量评价。 |
对比顾客期望与感知质量，并以价格—感知价值作为补充来反映顾客满意度。 |
研究要素 |
魅力、一维、必备、无差异、逆转质量和满意度 |
技术性质量、功能性质量和形象 |
功能性质量 |
交互、物理环境和结果质量 |
感知质量、游客期望、感知价值、满意度、游客抱怨、游客忠诚 |
由上表可知，前四个模型重点考虑基于旅游产品或旅游提供的服务质量等指标去评估游客的体验质量，ASCI模型则是通过对比顾客的期望与感知差异来评价顾客整体满意度，并且对顾客后续的行为，即顾客忠诚和顾客抱怨两个行为进行评估，综合考察了顾客在一开始了解产品、接触产品和用后感受做了全过程的体验质量，强调“过程性”，强调旅游体验是期望与感知双重作用下的情感积累，所以该模型更能够把握游客体验质量评价的“全面性”属性[13]。见图1为本文的研究模型。
Figure 1. ASCI model
图1. ACSI模型
本文中的旅游体验质量是一个具有游客明显主观感受的要素，需要从游客与旅游产品的交互过程角度进行全面的评价。故综合比较下，选择ACSI模型作为本文的研究模型(见图1)。ASCI模型是美国教授Formell基于瑞典顾客满意度晴雨表模型而构建的[14]，最初在该模型中较为经常用到的六个潜在变量为：游客预期、感知质量、感知价值、游客满意度、游客抱怨和游客忠诚，在后续研究中，有学者提出了ECSI模型[15]，并且引进了“企业形象”作为潜变量，认为企业在顾客心中的印象会影响顾客的购买行为，因为对于产品来说，顾客在购买或者使用前，都能用之前对企业的印象作为下一次购买的重要依据，而在旅游项目中，因为旅游项目的单一性，即游客往往旅游地都是第一次去往该目的地，游客对于旅游地形象的了解，只能依靠在线旅游推荐信息，所以，据此在ACSI模型中引入“在线旅游推荐信息”作为潜变量，据此构建出基于在线旅游推荐信息的游客旅行体验质量修正ACSI模型(见图2)。
而且，在线旅游推荐信息直接地影响着人们对于旅游目的地前往的冲动，在线旅游推荐信息对旅游目的地的描述越好，游客在心中的期望值就会越高，而且游客在心中留有了在线推荐信息的印象，也会让游客在前往目的地时，进行对比，描述一致与否便直接影响着游客的旅行体验质量。
Figure 2. Modified ACSI model
图2. 修正ACSI模型
据此模型和以上分析，提出以下假设(见表2)。
Table 2. Research hypothesis statement
表2. 研究假设说明
研究假设 |
假设描述 |
H1 |
游客预期对感知质量具有显著正向影响 |
H2 |
感知质量对感知价值具有显著正向影响 |
H3 |
游客预期对感知价值具有显著正向影响 |
H4 |
感知质量对体验质量满意度具有显著正向影响 |
H5 |
游客预期对体验质量满意度具有显著负向影响 |
H6 |
感知价值对体验质量满意度具有显著正向影响 |
H7 |
在线旅游推荐信息质量对游客预期有显著正向影响 |
H8 |
在线旅游推荐信息质量对体验质量满意度有显著正向影响 |
H9 |
体验质量满意度对游客忠诚具有显著正向影响 |
H10 |
体验质量满意度对游客抱怨具有显著负向影响 |
4. 研究方法
4.1. 变量说明
基于大量的文献中的量表测量项和对在线文本数据的归纳，将游客体验质量满意度作为目标层，其余七个潜变量作为二级指标，并通过分解二级指标，选取了15个观测变量作为三级指标，第四级指标则为问卷中各提问项，如表3所示。
Table 3. Tourism experience quality satisfaction index system
表3. 旅游体验质量满意度指标体系
目标层 |
二级指标 |
三级指标 |
测量项来源 |
游客体验质量满意度 |
游客预期 |
对自然景观环境预期 |
王群[12]等人 |
对社会服务环境预期 |
感知质量 |
感知自然景观质量 |
王群[12]等人 |
感知社会服务环境质量 |
|
感知价值 |
给定价格条件下对旅游地的评价 |
Tse [15]等人 |
给定旅游地的条件下对价格的评价 |
在线旅游推荐信息质量 |
图片内容与旅游目的地的一致性 |
本研究设计 |
信息的及时性 |
信息的可靠性 |
游客体验质量满意度 |
总体满意度 |
王群[12]等人 |
感知与期望的差值 |
游客忠诚 |
推荐意愿 |
邓绩[16] |
重游意愿 |
游客抱怨 |
游客投诉 |
Fornel [14]等人 |
4.2. 关键事件法
在线旅游推荐信息虽然在很大程度上满足了人们远程了解即将旅行目的地的期望，但是在很大程度上因为与实际较为脱节的内容以及美颜的照片，导致人们满怀期望前往却心生失望，故此处利用关键事件法，统计网上关于游客体验的真实体验反馈，为提升在线旅游推荐信息的质量，本文通过在新浪微博平台(新浪微博作为现在人们分享信息的重要平台，同时允许网民分享日常，KOL发布博文，KOL博主可以和网民实时互动、内容取向多元化，有视频、图片、短文、文章等形式，选取该APP上内容，更具代表性)检索旅游攻略、旅游体验等词，搜集筛选出与基于在线旅游推荐信息下的旅游体验质量相关的事件。
关键事件法(CIM也称CIT, Critical Incident Method/Technique)最早由美国学者John和Baras在1954年共同提出，用于处理人力资源管理中的收集职务信息等问题，要求应用该方法时需要对员工工作内容进行详细观察并记录，所以该方法是基于质性访谈的一种实证研究方法，现在被广泛用于教育、营销管理等领域。
马斯洛需求层次理论[17]将人的需求分为生理、安全、社交、尊重与自我实现五个需求，商叶薇将马斯洛需求层次理论应用于旅游体验中，构建了一个旅游体验质量反馈分类模型[18]，具体内容见图3。
Figure 3. The classification of tourism experience quality under the guidance of Maslow’s hierarchy of needs
图3. 马斯洛需求层次理论指导下的旅游体验质量分类
利用关键事件法统计用户反映的旅行体验中的不满以及旅游攻略的不满，按照马斯洛需求层次理论进行分类和归因分析，并通过图表和数据等更为形象直观的方式体现出当前人们在旅游过程中地不满以及在线旅游信息的不足，从而提出相应改正措施，以期提高在线旅游推荐信息的质量，进而提高人们的旅行体验质量。
4.3. 问卷调查法
问卷共分为两部分，一部分为基础信息，包含被调查人性别、年龄、受教育程度以及上网时间，后一部分则是关于受访者对于在线旅游推荐信息的了解及感受，为了防止受访者乱填错填，通过题目通过设置题目“您在旅游前是否会通过互联网查询旅游攻略？”进行筛选，当受访者填了是，则跳转至关于在线旅游推荐信息部分进行答题，若填了否，则直接跳转到最后一题，填写“您对在线旅游推荐信息有什么建议？”。
同时，在问卷初步设计时，为了进行预调查，将问卷发放给50人填写，并收集了关于问卷文字、题序和逻辑方面的建议，对问卷进行了调整及修改，最终将修改后的问卷，通过APP“问卷星”生成链接和二维码，在QQ、微信和微博等线上社交媒体平台发放红包来吸引人来参与填写。最终正式实验调查共发放300份，剔除填写不完整及填写有问题的问卷38份，回收有效问卷262份，有效率达87.3%，符合市场调查数据分析的基本要求。且实验量表通过信度和效度检验，说明问卷具有良好的信效度。
5. 统计结果分析
5.1. 在线旅游信息对用户体验的影响
本文利用关键事件法，其中的样本选取在2018年1月~2022年3月期间，用户通过新浪微博发表关于在旅游攻略下的旅游体验质量内容，并依据三个标准对用户发表的故事进行筛选：
1) 用户使用过垂直或综合类信息平台进行旅游攻略的检索；
2) 用户对自身旅游体验表明了不满意的态度；
3) 用户对事件的描述具体到了不满意的相关事件。
与线下访谈用户相比，线上调研更能追溯到用户体验后的一手数据，线下访谈则容易发生用户想不起旅游时具体感觉的情况。
同时，在线上统计分类数据时，发现大多数文本数据都可以纳入构建的马斯洛需求层次理论下的旅游体验质量分类系统中，仅出现几例不匹配的情况，总体来看，本文选取的分类框架还是合理的。
最后根据“旅游体验不好”“旅游攻略骗人”等检索词共检索出1033条博文，剔除重复博文、表达内容不清晰等类型博文，共采集到639条有效事件，统计结果如表4。
Table 4. Based on online travel recommendation information under the tourism experience quality feedback event statistics table
表4. 基于在线旅游推荐信息下的旅游体验质量反馈事件统计表
一级指标 |
二级指标 |
数量 |
同类型中占比 |
总事件中占比(N = 638) |
生理需求 |
旅游设施 |
34 |
16.75% |
5.33% |
住宿问题 |
35 |
17.24% |
5.49% |
餐饮问题 |
42 |
20.69% |
6.58% |
天气问题 |
26 |
12.81% |
4.08% |
交通路线 |
66 |
32.51% |
10.34% |
生理需求类事件总数 |
203 |
100.00% |
31.82% |
安全需求 |
交通安全 |
15 |
30.00% |
2.35% |
钱财安全 |
27 |
54.00% |
4.23% |
人身安全 |
8 |
16.00% |
1.25% |
安全需求类事件总数 |
50 |
100.00% |
7.84% |
社交需求 |
旅游项目 |
57 |
73.08% |
8.93% |
购买商品 |
21 |
26.92% |
3.29% |
社交需求类事件总数 |
78 |
100.00% |
12.23% |
尊重需求 |
旅游景观 |
52 |
46.43% |
8.15% |
旅游服务 |
60 |
53.57% |
9.40% |
尊重需求类事件总数 |
112 |
100.00% |
17.55% |
自我实现需求 |
拍照打卡 |
85 |
43.59% |
13.32% |
文化底蕴 |
26 |
13.33% |
4.08% |
放松身心 |
79 |
40.51% |
12.38% |
个性化推荐 |
5 |
2.56% |
0.78% |
自我实现需求类事件总数 |
195 |
100.00% |
30.56% |
表4可以看出，生理需求类事件、自我实现需求类事件和尊重类事件占总事件比重的前三，分别为31.82%、30.56%和17.55%，可见当前旅游攻略还未解决游客最基本的生理需求，安全类需求和社交类需求在基于在线旅游推荐信息的影响下引发的体验质量不好事件则相比算少数，在总事件中占比分别为7.84%和12.23%。
进一步进行深度挖掘分析，有以下发现：
1) 生理需求：交通路线问题(占比32.51%)显著影响游客体验。旅游景区在高峰时段面临人流密集，而交通设施和服务未能满足需求，导致游客长时间排队等待。此外，餐饮问题(占比20.69%)也不容忽视。随着游客对食物品质的追求提升，旅游攻略中推荐的食物质量未能达到预期，影响了游客的整体体验。
2) 安全需求：钱财安全问题(占比54%)在同类事件中最为突出。部分城市治安状况不佳，而旅游攻略未能提供相关信息，增加了游客的不安全感。提供安全提示有助于提升旅游体验质量。
3) 社交需求：旅游项目(占比73.08%)是游客不满的主要来源。一些旅游景区在项目尚未完善前，通过社交媒体进行宣传，吸引游客前往。然而，设施不健全和项目不完善导致了游客的不满。
4) 尊重需求：旅游服务(占比53.57%)是影响游客体验的关键因素。尽管景区和餐馆的质量达标，但服务人员的态度和行为在高峰期间可能忽视游客需求，影响了游客的满意度。
5) 自我实现需求：拍照打卡(占比43.59%)和放松身心(占比40.51%)是游客不满的主要方面。景区的实际情况与在线推荐信息存在较大差距，导致游客体验与预期不符。此外，自然风光地区的拥挤和设施不足也影响了游客的放松体验。
综上所述，尽管在线旅游推荐信息在提供旅游地信息和辅助旅行决策方面发挥了积极作用，但在满足游客的生理需求、自我实现和尊重需求方面仍有待提高。交通、餐饮、服务质量问题较为突出，而安全和社交需求问题相对较少，但仍需关注旅游项目的完善度和治安状况。自我实现需求中，拍照打卡和放松身心的体验与预期存在较大落差，需要进一步优化。
5.2. 中介效应检验
依据理论假设，建构结构方程模型如图4。
Figure 4. Tourist travel experience quality model based on online travel recommendation information
图4. 基于在线旅游推荐信息的游客旅行体验质量模型
根据问卷数据并使用AMOS 22.0软件对结构方程模型进行检验。
Table 5. Test result
表5. 检验结果
拟合指标 |
χ2/df |
GFI |
AGFI |
CFI |
IFI |
RMSEA |
模型结果 |
2.097 |
0.817 |
0.896 |
0.918 |
0.905 |
0.907 |
模型测量出来的结果和判断指标如表5所示，χ2/df的值小于3，CFI和IFI的值大于0.9，符合标准，而GFI的值为0.817，AGFI的值为0.896，考虑原因为，结构方程模型需要200份问卷才可进行，大于400份问卷产生的分析结果才最为合适，而本次调查只有262份，介于200份到400份之间，所以导致GFI和AGFI值偏小，与普遍认可的需大于0.9有差距，但还是能接受的。RMSEA小于0.08，也达到了要求。
Table 6. Hypothesis test result
表6. 假设检验结果
|
假设 |
Estimate |
S.E. |
C.R. |
P |
结果 |
H1 |
感知质量 |
<--- |
游客预期 |
0.912 |
0.014 |
63.512 |
*** |
接受 |
H2 |
感知价值 |
<--- |
感知质量 |
0.473 |
0.083 |
5.709 |
*** |
接受 |
H3 |
感知价值 |
<--- |
游客预期 |
0.523 |
0.077 |
6.770 |
*** |
接受 |
H4 |
体验质量 |
<--- |
感知质量 |
0.510 |
0.106 |
4.825 |
*** |
接受 |
H5 |
体验质量 |
<--- |
游客预期 |
−0.382 |
0.126 |
−3.032 |
0.058 |
不接受 |
H6 |
体验质量 |
<--- |
感知价值 |
0.855 |
0.187 |
4.580 |
*** |
接受 |
H7 |
游客预期 |
<--- |
在线旅游推荐信息质量 |
0.343 |
0.102 |
3.372 |
0.071 |
不接受 |
H8 |
体验质量 |
<--- |
在线旅游推荐信息质量 |
0.882 |
0.042 |
21.167 |
*** |
接受 |
H9 |
游客忠诚 |
<--- |
体验质量 |
0.019 |
0.016 |
65.437 |
0.203 |
不接受 |
H10 |
游客抱怨 |
<--- |
体验质量 |
−0.895 |
0.028 |
31.746 |
*** |
接受 |
注：*为p < 0.05，***p < 0.001。
从表6和图5路径系数都可以看出，接受假设H1、H2、H3、H4、H6、H8、H10，拒绝假设H5、H7和H9，客预期对旅游体验质量满意度、在线旅游推荐信息质量对游客预期以及旅游体验质量满意度对游客忠诚的假设没有被接受。
Figure 5. Model result output diagram
图5. 模型结果输出图
根据假设H7，即在线旅游推荐信息质量可能对游客预期没有显著正向影响。说明长期的滤镜效果和过度美化修饰可能导致信息失真，从而在多次失信于顾客后，使得游客对在线旅游推荐信息持有怀疑态度。因此，游客在浏览这些信息时可能会保持一种谨慎的心态，以避免对旅游体验抱有过高的期望，最终却面临失望的风险。
对于假设H9，即游客旅行体验质量对游客忠诚度无显著影响，通过访谈发现，这可能与旅游产品的特殊性质有关。旅游活动通常需要投入大量的时间、金钱和精力，而游客往往倾向于在有限的资源下探索新的地方，即使某个旅游目的地提供了高度满意的体验，他们也可能因为资源的限制而选择探索新的目的地。
对于H1、H2、H3、H4、H5和H6时，游客的预期可能对感知质量和感知价值有显著影响，但对游客体验质量的影响不明显。感知质量对感知价值和游客旅游体验质量可能具有正向促进作用，而感知价值对游客旅游体验质量同样可能具有显著的正向促进作用。然而，当前许多旅游景点可能过于追求网红效应，而忽视了基础服务的夯实。这种急于营销的策略可能导致游客的期望值被过度抬高，而实际体验却远远达不到预期，导致游客感到失望。此外，一些旅游景点还存在着如黄牛司机绕路、售票员欺诈游客等不良人文环境问题，这些问题不仅破坏了游客的期望，还可能导致游客的不满和投诉。长期而言，这种本末倒置的做法可能会损害旅游景点的形象，形成恶性循环，最终影响游客的重游意愿和景区的旅游经济。
综上所述，我们的研究揭示了在线旅游推荐信息、游客预期、感知质量和感知价值以及游客体验质量之间的复杂关系。这些发现提示我们，为了提升游客的旅游体验和忠诚度，旅游景点需要在提供真实、高质量的信息的同时，注重基础服务的建设和人文环境的改善。未来的研究可以进一步探讨这些因素如何相互作用，以及如何通过综合策略来优化游客的旅游体验。
6. 总结
6.1. 结果讨论
在信息时代，信息搜寻已呈常态化态势，然而在线旅游信息却存在网红滤镜夸大化的问题。当前，可供游客进行在线旅游信息检索的平台类型多样，其中综合类平台如知乎(在问卷数据中占比68%)、小红书(占比62%)，以及垂直类平台如去哪儿(占比26%)较为常用。但如今，多数信息被游客视为存在过度美化内容的现象，游客对旅游体验不满的主要原因之一在于旅游地往往呈现出“网红去则美，本人至则异”的状况，即平台上的信息多存在片面美化、避谈缺点的问题，网红滤镜效应显著，部分不良作者利用大众的从众心理与攀比心理，将旅游地过度渲染，抬高了游客的预期。
基于ACSI模型设计问卷收集数据并进行分析后发现，游客预期虽对游客的感知质量和感知价值具有显著正向影响，但对游客旅游体验质量满意度并无显著作用。相反，感知质量和在线旅游推荐信息质量能够显著影响游客的旅游体验质量满意度。然而现实情况是，游客预期因虚假攻略而被抬高，与实际体验的落差较大，致使游客旅行体验质量满意度处于较低水平，进而引发游客的不满情绪。因此，当前在线旅游推荐信息的质量亟待提升，以有效促进游客的旅游体验质量。
6.2. 管理启示
对于游客，个体在受到外界因素影响时，易出现认知判断偏差。在不确定情境下，从众行为虽能在一定程度上提升决策效率并降低信息搜寻成本，但也可能导致个体陷入群体决策失误的风险。当游客过度关注在线旅游推荐信息时，有可能不自觉地成为旅游地的营销传播者，进而引发更多人前往，形成不良循环，使自身付出更多的时间与精力成本。因此，游客不应盲目轻信网络上广泛传播的旅游打卡点信息，而应更加注重自身实际需求，提升自身的信息辨别能力，从实际出发做出理性判断。
对于在线旅游信息平台，当下，众多游客旅游动机各异，部分游客出于从众心理与打卡目的前往旅游地，而另一部分则旨在通过旅游放松身心，向往宁静优美的自然景观或独特的人文景致，远离城市喧嚣。因此，对于同一城市的旅游资源，平台不应仅局限于推广网红打卡地，而应将乡野田园、文化传承以及都市繁华等各类旅游元素进行分类整合，以方便不同兴趣偏好的游客针对性地筛选在线旅游信息。这样做不仅能够优化游客的操作体验，增强游客对平台的好感度与用户黏性，还能使平台更精准地收集与分析用户需求，打造自身特色，提升运营推广的针对性与有效性。
对于旅游地：借助营销达人能够提升景区的曝光度，但从“李子柒”“张同学”等博主发布的充满生活气息的视频广受欢迎这一现象可以看出，当下游客更倾向于贴近生活的营销方式。故而，各地景区可安排工作人员每日拍摄景区实时状况，以便游客更全面、真实地了解景区情况。同时，景区可借鉴高德地图实时更新地铁拥挤情况的模式，实时播报景区人流信息。鉴于旅游产品的独特属性，游客在缺乏过往经验参考时，主要依赖在线旅游信息进行决策。因此，旅游景区可在相关旅游APP或地图上实时更新景区动态，或通过直播、视频等形式展示日常人流与游览情况，帮助游客提前做好行程规划与安排，合理避开旅游高峰，在疫情防控常态化背景下，也有助于保障游客的出行安全。
6.3. 研究不足
尽管本研究通过实证分析对在线旅游推荐信息等变量对旅行体验质量的影响进行了探讨，并在一定程度上丰富了旅游体验质量的理论模型，但由于资源和时间的限制，本文研究还存在一些可以进一步优化的空间。比如可以考虑到更多可能影响用户体验质量的因素，确保研究足够全面和深入全面性和深度，以构建一个更为完善的理论框架。