1. 引言
互联网的飞速发展极大地便利了青年群体获取旅游信息，而他们的旅游需求也随之不断增长。小红书作为中国最大的生活分享社区之一，其平台特性与旅游景点营销高度契合，利用其营销机制，成功吸引了大量青年用户前往网红景点打卡。用户通过上传视频、撰写游记等形式分享自己的旅游体验，这些内容不仅丰富了平台的旅游信息资源，也为其他潜在用户提供了参考。平台通过精准匹配和营销策略，进一步激发了用户的旅游动机，形成了一种用户生成内容(UGC)的闭环，有效促进了旅游信息的传播和旅游决策的形成。
随着互联网信息传播方式的不断演变，新一代年轻人的旅游决策过程正逐渐从传统模式转变。小红书等新媒体平台的出现，不仅改变了青年群体获取旅游信息的途径，也对传统旅游景点的宣传模式产生了深远的影响。因此，深入研究小红书营销对青年旅游决策的作用机制，对于旅游市场的创新和发展具有不可忽视的作用。本文旨在探讨小红书的营销策略如何影响青年群体的旅游决策，这对于理解互联网时代旅游市场的发展趋势具有重要意义。本文将通过建立结构方程模型，揭示小红书营销如何通过用户分享的内容和平台的营销策略，影响青年群体的旅游选择和消费行为，为旅游营销提供新的视角和策略指导。
2. 理论基础
社交媒体已经成为旅游市场营销中不可或缺的一部分，其对旅游目的地的推广和消费者决策过程的影响日益显著。研究表明，社交媒体通过用户生成的内容(UGC)和影响者营销(KOLs)等方式，有效地增强了消费者对旅游目的地的认知和兴趣(Chu, 2018)。李媛媛[1]结合4I网络整合营销理论和IAMAS营销法则，构建了旅游景区的新媒体营销模式，该模式指出，旅游者会经历兴趣、主动搜索、了解口碑，从而产生购买行为和旅游风分享五个阶段。张玉[2]基于六度分割理论研究发现新媒体传播加强了景区与旅游者的“强连接”关系，加快了景区与潜在游客之间的“弱连接”速度，同时也扩大了景区旅游信息的传播范围。靳菲[3]提出社交媒体分享线索在消费者决策中发挥着重要作用，一方面激发了消费者的印象管理动机，另一方面也降低了自主感。例如，通过分享旅游体验和推荐，用户在社交媒体上的内容可以直接影响其他用户的旅游决策。Chu (2018) [4]指出，社交媒体营销不仅仅是信息传播的渠道，更是一种参与式和互动式的市场营销方式，能够在用户中建立信任和情感联系，进而影响他们的消费决策。这种互动性和真实性使得社交媒体成为了旅游品牌和目的地推广的重要平台，尤其是在年轻一代消费者中间。
小红书作为一个结合社交媒体和电商功能的平台，在中国特别受到年轻女性用户的欢迎。报告表明，小红书不仅是一个分享美妆和时尚的平台，也逐渐成为了用户获取旅游灵感和信息的重要来源。Wang & Zhang (2019) [5]的研究表明，小红书上的内容不仅仅是信息的传递，更是一种情感和经历的分享，这些内容直接影响了用户的旅游选择和决策。通过关注和信任社区中的影响者和达人，用户在选择旅游目的地、住宿和活动时更倾向于参考他们的建议和经验。蒋婷[6]等考虑了负面评论、品牌认同等因素对消费者购买意愿的影响，验证了包括两个决定性因素等众多因素与消费者购买意愿之间的关系。王珮[7]等基于六度分割理论和技术接受模型，构建新媒体营销下的旅游决策模型，研究表明，信息吸引力、信息交互性、用户信任程度均正向影响用户感知价值，用户感知价值正向影响用户决策。杨佚琳[8]以精细加工可能性理论模型为研究基础，验证了自媒体广告信息的双重路径：在中心路径上，信息内容本身所包含的功能性信息和娱乐性信息通过信任的中介作用对用户消费行为产生显著正向影响；在边缘路径上，信息源的关系强度、专业性和自我表露度作为启发性线索在信任的中介作用下对用户消费行为产生显著正向影响。
综上所述，社交媒体特别是小红书在影响消费者旅游决策中扮演了重要角色。通过用户生成的内容和影响者的推荐，小红书不仅提供了旅游目的地的信息和建议，还塑造了用户对旅游体验的期望和需求。基于此，将小红书营销对用户旅游目的地选择的影响从四方面来概括：信息吸引力、用户信任程度、旅行需求、用户决策。信息吸引力是指小红书平台发布的旅行笔记对用户的吸引程度；用户信任程度是指用户对旅行信息的真实性是否拥有足够的信任；当旅行笔记对用户有足够的吸引力时，会刺激用户产生去此地旅行的需求；信息吸引力、用户信任程度、旅行需求都会对用户的最终决策产生影响。
3. 问卷设计与分析
3.1. 问卷设计与收集
3.1.1. 研究假设
查阅国内外文献，确定在小红书这个“种草”平台上，用户选择旅游目的地受到旅游笔记所显示信息的吸引力、自身对此类旅行信息的信任程度、旅行需求和用户最终决策等因素的影响，因此，将以上4个因素作为潜变量，研究女性夜间出行的安全问题，绘制出结构方程理论模型图，如图1所示。
基于结构方程理论模型图，提出以下假设：
H1：信息吸引力与旅行需求正相关；
H2：旅行需求与用户信任程度正相关；
H3：信息吸引力与用户信任程度正相关；
H4：用户信任程度与用户决策正相关；
H5：旅行需求与用户决策正相关；
H6：信息吸引力与用户决策正相关。
Figure 1. Theoretical model of structural equations
图1. 结构方程理论模型图
3.1.2. 问卷设计
本研究的问卷包括五部分，第一部分是调查对象的基本信息，主要有性别、年龄、职业和教育水平等四个方面；第二部分是调查对象对旅游地点信息吸引力的感知状况；第三部分是调查对象自身对他人发布旅游信息的信任程度；第四部分是调查对象对于旅行目的地的决策情况；第五部分是调查对象旅行需求的调查。
本研究采用五级李克特量表对可量化问题进行研究，五级量表有五个程度，从很不同意到很同意，对应的分数是1到5分，问项来源如表1所示。
Table 1. Design of variable interrogation items
表1. 变量问项设计
| 变量 |
问项来源 |
| 信息吸引力 |
刘冰冰等 |
| 用户信任程度 |
贺兆婧等 |
| 用户决策 |
Gruber等 |
| 旅行需求 |
庞京川等 |
3.1.3. 问卷的收集
本研究的调查问卷使用问卷星平台进行制作，问卷依靠PC端和移动端发放。调查问卷数据的收集于2023年5月前完成，本次调查问卷共回收380份问卷，去掉无效问卷23份，保留有效问卷357份，有效样本达93.95%。
本研究运用结构方程软件进行数据分析，根据Bentler的建议，结构方程模型的样本量与题目数量的最低比例为5:1，在10:1以上最好，本研究问卷中的题项为13个，调查问卷获取有效样本最少应达到65份，最好能够达到130份及以上。本研究收集到了357份有效问卷，达到了结构方程模型的抽样标准。
3.2. 问卷结果分析
3.2.1. 样本特征分布描述
(1) 在性别方面。保留的有效问卷中女性占比为71.15%，男性占比为28.85%，符合小红书APP用户分布为女性较多男性较少的特征。
(2) 在年龄方面。本次调查对象的年龄集中在19~30岁，占比为62.75%，而18岁及以下和50岁以上的人群较少，与实际情况较符合，青年人更加热爱旅游出行。
(3) 在职业方面。本次调查对象的职业主要为学生和企业职工，占比分别为30.81%、48.46%，其中企业职工占比最多，已接近本次调查对象总数的一半。
(4) 在教育水平方面。本次调查对象中拥有大学本科学历的人数最多，占比为61.62%，硕士及以上的占比为14.57%，说明本次调查对象整体学历较高。样本特征分布描述如表2所示。
Table 2. Description of the distribution of sample characteristics
表2. 样本特征分布描述
| 变量 |
选项 |
频率 |
百分比 |
| 性别 |
女 |
254 |
71.1 |
| 男 |
103 |
28.9 |
| 年龄 |
18岁及以下 |
10 |
2.8 |
| 19~30岁 |
224 |
62.7 |
| 31~40岁 |
96 |
26.9 |
| 41~50岁 |
20 |
5.6 |
| 50岁以上 |
7 |
2.0 |
| 职业 |
学生 |
110 |
30.8 |
| 企业职工 |
173 |
48.5 |
| 政府或事业单位从业者 |
42 |
11.8 |
| 个体工商业者 |
23 |
6.4 |
| 其他 |
9 |
2.5 |
| 教育水平 |
高中及以下 |
23 |
6.4 |
| 大专 |
62 |
17.4 |
| 大学本科 |
220 |
61.6 |
| 硕士及以上 |
52 |
14.6 |
3.2.2. 信度分析
本研究通过Cronbach系数信度检验方法对观测变量数据进行检验，以保证后续分析的意义。Cronbach系数的取值范围在0~1之间，检验结果系数值越高，信度越高，信度系数小于0.6则为不可信，需重新设计问卷或尝试重新收集数据并再次分析，信度系数在0.6~0.7之间为可信，在0.7~0.8之间为比较可信，在0.8~0.9之间为很可信，在0.9~1之间为非常可信。
本研究获取了357份有效样本，运用SPSS软件对全部观测变量的数据进行内部一致性检验，得到结果如表3所示：13个题项所测的4个变量的信度系数均大于0.6。说明本文量表具有较好的信度，可靠性强。
Table 3. Results of confidence analysis
表3. 信度分析结果
| Cronbach信度分析 |
| 名称 |
校正项总计相关性 |
删除项后的α系数 |
Cronbach’s α系数 |
| IA1 |
0.418 |
0.842 |
0.603 |
| IA2 |
0.437 |
0.841 |
| IA3 |
0.440 |
0.841 |
| UT1 |
0.590 |
0.831 |
0.696 |
| UT2 |
0.489 |
0.837 |
| UT3 |
0.498 |
0.837 |
| UD1 |
0.456 |
0.839 |
0.6343 |
| UD2 |
0.470 |
0.839 |
| UD3 |
0.546 |
0.834 |
| TD1 |
0.428 |
0.844 |
0.801 |
| TD2 |
0.609 |
0.829 |
| TD3 |
0.558 |
0.833 |
| TD4 |
0.607 |
0.829 |
3.2.3. 效度分析
效度反映了测量模型中涉及的变量与实际采集的数据之间的一致性程度，一般包括四种类型，本研究进行结构效度分析，从探索性因子分析和验证性因子分析两方面进行。
(1) 探索性因子分析
问卷数据KMO和Bartlett检验数据由下表4所示，其中KMO值为0.871，适合做因子分析。此外，Bartlett球形度检验1337.615，自由度78，显著性p值 = 0.000 < 0.05，达到显著水平，拒绝相关矩阵不是单元矩阵的假设，代表变量适合进行因子分析。
Table 4. Results of KMO and Bartlett’s test of sphericity
表4. KMO和Bartlett球形检验结果
| KMO和Bartlett的检验 |
| KMO取样适切性量数 |
0.871 |
| Bartlett的球形度检验 |
近似卡方 |
1337.615 |
| 自由度 |
78 |
| 显著性 |
0.000 |
继续通过主成分分析法对数据进行因子的提取，分析结果提取了4个因子，解释的总方差达到72.498%，详细提取数据结果见下表5。
Table 5. Total variance explained
表5. 解释的总方差
| 成分 |
初始特征值 |
提取载荷平方和 |
旋转载荷平方和 |
| 总计 |
方差百分比 |
累积% |
总计 |
方差百分比 |
累积% |
总计 |
方差百分比 |
累积% |
| 1 |
4.675 |
38.964 |
38.964 |
4.675 |
38.964 |
38.964 |
2.599 |
20.989 |
20.989 |
| 2 |
1.465 |
15.268 |
54.232 |
1.465 |
15.268 |
54.232 |
2.060 |
17.845 |
38.834 |
| 3 |
0.992 |
9.630 |
63.862 |
0.992 |
9.630 |
63.862 |
1.682 |
16.937 |
55.772 |
| 4 |
0.863 |
8.636 |
72.498 |
0.863 |
8.636 |
72.498 |
1.654 |
16.726 |
72.498 |
| 5 |
0.738 |
5.676 |
75.174 |
|
|
|
|
|
|
| 6 |
0.719 |
5.331 |
80.505 |
|
|
|
|
|
|
| 7 |
0.666 |
4.122 |
84.627 |
|
|
|
|
|
|
| 8 |
0.607 |
4.312 |
88.939 |
|
|
|
|
|
|
| 9 |
0.582 |
3.135 |
92.074 |
|
|
|
|
|
|
| 10 |
0.499 |
3.040 |
95.114 |
|
|
|
|
|
|
| 11 |
0.471 |
2.102 |
97.216 |
|
|
|
|
|
|
| 12 |
0.412 |
1.665 |
98.881 |
|
|
|
|
|
|
| 13 |
0.313 |
1.119 |
100.000 |
|
|
|
|
|
|
再进行旋转成分矩阵旋转，旋转后的结果说明问卷题项能够充分解释变量。具体的旋转成分矩阵及其因子负载情况如下表6所示。
Table 6. Component matrix after rotationa
表6. 旋转后的成分矩阵a
|
成分 |
| 1 |
2 |
3 |
4 |
| TD1 |
0.811 |
|
|
|
| TD2 |
0.767 |
|
|
|
| TD3 |
0.694 |
|
|
|
| TD4 |
0.736 |
|
|
|
| UT2 |
|
0.736 |
|
|
| UT3 |
|
0.729 |
|
|
| UT1 |
|
0.705 |
|
|
| IA3 |
|
|
0.701 |
|
| IA1 |
|
|
0.698 |
|
| IA2 |
|
|
0.690 |
|
| UD1 |
|
|
|
0.764 |
| UD2 |
|
|
|
0.737 |
| UD3 |
|
|
|
0.490 |
提取方法：主成分分析法。旋转方法：凯撒正态化最大方差法。a旋转在5次迭代后已收敛。
(2) 验证性因子分析
a) 收敛效度
检验量表各个维度的收敛效度(AVE)和组合信度(CR)的流程是计算出各个测量项在对应维度上的标准化因子载荷，然后通过AVE和CR的计算公式计算出各个维度的收敛效度值和组合信度值。根据标准，AVE值最低要求达到0.5，CR值最低要求达到0.7，才能说明具有良好的收敛效度和组合信度。
根据表7的分析结果可以看出，在本次量表效度检验中，各个维度的AVE值均达到了0.5以上，CR值均达到了0.7以上，综合可以说明各个维度均具有良好的收敛效度和组合信度。
Table 7. Convergent validity and combined reliability of the scale
表7. 量表收敛效度和组合信度
| 路径关系 |
Estimate |
AVE |
CR |
| UT1 |
<--- |
用户信任程度 |
0.732 |
0.631 |
0.836 |
| UT2 |
<--- |
用户信任程度 |
0.816 |
| UT3 |
<--- |
用户信任程度 |
0.829 |
| IA1 |
<--- |
信息吸引力 |
0.762 |
0.516 |
0.761 |
| IA2 |
<--- |
信息吸引力 |
0.739 |
| IA3 |
<--- |
信息吸引力 |
0.648 |
| UD1 |
<--- |
用户决策 |
0.874 |
0.647 |
0.846 |
| UD2 |
<--- |
用户决策 |
0.773 |
| UD3 |
<--- |
用户决策 |
0.761 |
| TD1 |
<--- |
旅行需求 |
0.625 |
0.515 |
0.808 |
| TD2 |
<--- |
旅行需求 |
0.789 |
| TD3 |
<--- |
旅行需求 |
0.689 |
| TD4 |
<--- |
旅行需求 |
0.756 |
b) 区分效度
根据表8的分析结果可以看出，在本次区别效度检验中，各个维度两两之间的标准化相关系数均小于维度所对应的AVE值的平方根，因此说明各个维度之间均具有良好的区别效度。
Table 8. Results of scale differential validity test
表8. 量表区别效度检验结果
| 变量 |
信息吸引力 |
旅行需求 |
用户信任程度 |
用户决策 |
| 信息吸引力 |
0.516 |
|
|
|
| 旅行需求 |
0.321 |
0.515 |
|
|
| 用户信任程度 |
0.316 |
0.311 |
0.631 |
|
| 用户决策 |
0.297 |
0.448 |
0.334 |
0.647 |
| AVE值平方根 |
0.718 |
0.717 |
0.794 |
0.804 |
4. 结构方程模型的建立与求解
4.1. 模型构建
本文利用AMOS24.0软件，构建小红书营销对用户旅游决策影响因素的结构模型，具体模型如下图2所示。其中椭圆代表潜变量，共计4个；矩形代表测量项，共计13个；圆形代表残差项，共计16个。
Figure 2. Structural model diagram
图2. 结构模型图
4.2. 拟合度分析
本文采用的结构模型拟合度判断指标有卡方自由度之比(CMIN/DF)、拟合优度指数(GFI)、调整后的拟合优度指标(AGFI)、比较拟合指数(CFI)、和近似误差均方根(RMSEA)，模型指标检验标准和拟合结果如表9所示。
由表9的模型拟合度检验结果可以看出，CMIN/DF (卡方自由度比) = 1.975，在1~3的范围内，RMSEA (误差均方根) = 0.052，在<0.8的范围内。另外的GFI、TLI、CFI以及AGFI的检验结果均达到了0.9以上的优秀水平。因此，综合本次分析结果可以说明，本模型各项检验指标均达到可接受标准，通过拟合度检验。
Table 9. Model indicator test criteria and fitting results
表9. 模型指标检验标准和拟合结果
| 拟合指标 |
参考标准 |
实测结果 |
| CMIN/DF |
1~3为优秀，3~5为良好 |
1.975 |
| RMSEA |
<0.05为优秀，<0.08为良好 |
0.052 |
| GFI |
>0.9为优秀，>0.8为良好 |
0.954 |
| TLI |
>0.9为优秀，>0.8为良好 |
0.941 |
| CFI |
>0.9为优秀，>0.8为良好 |
0.955 |
| AGFI |
>0.9为优秀，>0.8为良好 |
0.928 |
4.3. 路径分析与假设检验
模型通过了效度、信度以及拟合度检验，此时需要对初始模型进行路径系数的t检验。模型路径分析中，S.E.表示估计参数的标准误，C.R.表示临界比，为检验统计量，是路径系数的t检验值。如果C.R.大于1.96，则在拒绝域，达到了0.05的显著水平，那么对应p值显著，即表示路径关系的影响显著。
得到的模型检验结果如下表10所示，从分析结果可以看出，在本次调查研究的路径假设关系检验中，信息吸引力显著的正向预测旅行需求(β = 0.535, p < 0.001)，因此假设H1成立；旅行需求显著的正向预测用户信任程度(β = 0.319, p < 0.001)，因此假设H2成立；信息吸引力显著的正向预测用户信任程度(β = 0.546, p < 0.001)，因此假设H3成立；用户信任程度显著的正向预测用户决策(β = 0.57, p < 0.001)，因此假设H4成立；旅行需求显著的正向预测用户决策(β = 0.188, p < 0.05)，因此假设H5成立；信息吸引力对于用户决策的预测作用不显著(β = 0.209, p > 0.05)，因此假设H6不成立。
Table 10. Results of structural equation modeling
表10. 结构方程模型检验结果
| 假设 |
路径关系 |
Estimate |
S.E. |
C.R. |
p |
结论 |
| H1 |
旅行需求 |
<--- |
信息吸引力 |
0.535 |
0.133 |
5.585 |
*** |
支持 |
| H2 |
用户信任程度 |
<--- |
旅行需求 |
0.319 |
0.079 |
3.624 |
*** |
支持 |
| H3 |
用户信任程度 |
<--- |
信息吸引力 |
0.546 |
0.137 |
4.95 |
*** |
支持 |
| H4 |
用户决策 |
<--- |
用户信任程度 |
0.57 |
0.11 |
3.973 |
*** |
支持 |
| H5 |
用户决策 |
<--- |
旅行需求 |
0.188 |
0.06 |
2.142 |
0.032 |
支持 |
| H6 |
用户决策 |
<--- |
信息吸引力 |
0.209 |
0.126 |
1.575 |
0.115 |
不支持 |
|
UT1 |
<--- |
用户信任程度 |
0.732 |
|
|
|
|
|
UT2 |
<--- |
用户信任程度 |
0.616 |
0.091 |
9.7 |
*** |
|
|
UT3 |
<--- |
用户信任程度 |
0.629 |
0.082 |
9.985 |
*** |
|
|
IA1 |
<--- |
信息吸引力 |
0.562 |
|
|
|
|
|
IA2 |
<--- |
信息吸引力 |
0.639 |
0.14 |
7.501 |
*** |
|
|
IA3 |
<--- |
信息吸引力 |
0.548 |
0.144 |
6.851 |
*** |
|
|
UD1 |
<--- |
用户决策 |
0.574 |
|
|
|
|
|
UD2 |
<--- |
用户决策 |
0.573 |
0.125 |
7.991 |
*** |
|
|
UD3 |
<--- |
用户决策 |
0.661 |
0.144 |
8.447 |
*** |
|
|
TD1 |
<--- |
旅行需求 |
0.625 |
|
|
|
|
|
TD2 |
<--- |
旅行需求 |
0.789 |
0.09 |
11.212 |
*** |
|
|
TD3 |
<--- |
旅行需求 |
0.689 |
0.09 |
10.286 |
*** |
|
|
TD4 |
<--- |
旅行需求 |
0.756 |
0.091 |
10.776 |
*** |
|
***表示p值 < 0.001。
模型路径图如图3所示。
Figure 3. Model path diagram
图3. 模型路径图
4.4. 修正模型
上述分析结果中显示H6假设并未通过显著性检验，涉及到信息吸引力与用户决策的关系，因此需要删除不显著路径，修正后的小红书营销对用户旅游决策影响因素路径模型如图4所示。
Figure 4. Diagram of the modified path model
图4. 修正后的路径模型图
修正后的结构方程模型检验结果如下表11所示。
Table 11. The modified structural equation model test results
表11. 修正后的结构方程模型检验结果
| 假设 |
路径关系 |
Estimate |
S.E. |
C.R. |
p |
| H1 |
旅行需求 |
<--- |
信息吸引力 |
0.54 |
0.134 |
5.598 |
*** |
| H2 |
用户信任程度 |
<--- |
旅行需求 |
0.298 |
0.077 |
3.417 |
*** |
| H3 |
用户信任程度 |
<--- |
信息吸引力 |
0.587 |
0.137 |
5.282 |
*** |
| H4 |
用户决策 |
<--- |
用户信任程度 |
0.738 |
0.092 |
6.178 |
*** |
| H5 |
用户决策 |
<--- |
旅行需求 |
0.196 |
0.063 |
2.117 |
0.034 |
|
UT1 |
<--- |
用户信任程度 |
0.723 |
|
|
|
|
UT2 |
<--- |
用户信任程度 |
0.614 |
0.091 |
9.795 |
*** |
|
UT3 |
<--- |
用户信任程度 |
0.622 |
0.082 |
10.029 |
*** |
|
IA1 |
<--- |
信息吸引力 |
0.559 |
|
|
|
|
IA2 |
<--- |
信息吸引力 |
0.637 |
0.141 |
7.459 |
*** |
|
IA3 |
<--- |
信息吸引力 |
0.553 |
0.146 |
6.845 |
*** |
|
UD1 |
<--- |
用户决策 |
0.57 |
|
|
|
|
UD2 |
<--- |
用户决策 |
0.571 |
0.127 |
7.927 |
*** |
|
UD3 |
<--- |
用户决策 |
0.666 |
0.146 |
8.441 |
*** |
|
TD1 |
<--- |
旅行需求 |
0.625 |
|
|
|
|
TD2 |
<--- |
旅行需求 |
0.789 |
0.09 |
11.213 |
*** |
|
TD3 |
<--- |
旅行需求 |
0.689 |
0.09 |
10.283 |
*** |
|
TD4 |
<--- |
旅行需求 |
0.755 |
0.091 |
10.772 |
*** |
***表示p值 < 0.001。
在假设检验表中，H6没有得到支持，其他假设都得以验证。根据结构方程的检验结果，本研究得出结论为，信息吸引力正向影响用户的旅行需求和信任程度；旅行需求正向影响用户信任程度；用户信任程度和旅行需求正向影响用户决策。
5. 研究结论
本研究从信息吸引力、用户信任程度、旅行需求和用户决策等多个维度探讨女性夜间出行安全问题，采用调查问卷的形式获取数据，以结构方程模型分析各影响因素的相互关系和互相作用机制，得出结论如下：首先，信息吸引力正向影响小红书用户的信任程度和旅行需求。信息吸引力对旅行需求的路径系数为0.54，对用户信任程度的路径系数为0.587，表明信息吸引力因子每提高1%，将导致旅行需求因子提高54%，用户信任程度因子提高58.7%，进而表明信息吸引力越强，越能够促使用户相信旅行信息的真实性，且刺激用户产生旅行需求。其次，旅行需求正向影响用户信任程度。旅行需求对用户信任程度的路径系数为0.298，表明旅行需求因子每提高1%，将导致用户信任程度因子提高29.8%，两者之间也有一定的正向关系，但两者互相影响的程度较低。再次，用户信任程度和旅行需求正向影响用户决策。用户信任程度对用户决策的路径系数为0.738，表明用户信任程度因子每提高1%，将导致用户决策因子提高73.8%，用户信任程度对用户决策具有良好的促进作用。旅行需求对用户决策的路径系数为0.196，表明旅行需求因子每提高1%，将导致用户决策因子提高19.6%，旅行需求对用户决策的促进作用较弱。
用户旅游决策受到多种因素影响，其中最重要的因素是对小红书平台信息的信任程度，因此，对于发布旅行信息的质量进行把控尤为重要。为此，本文提出以下建议。
(1) 优化内容审核和算法推荐机制。通过制定个性化的营销方案和推荐机制，针对不同群体进行针对性宣传，丰富游玩攻略，提供更多实质性的帮助。平台应优先向用户推荐内容详尽和有新意的笔记，展示更详细多元的旅游信息，提升用户的使用感受。
(2) 增强信息可信度和吸引力。要吸引旅行笔记创作者生产优质内容，针对优质内容创作者给予流量引导和奖励，鼓励真实可信的旅游感受，提升平台信息的可信度。
(3) 拓展多功能社区平台。为了满足用户的社会化情感需求，平台应努力增强用户的自我感知价值，增强用户对平台的黏性，提高用户对平台的满意度和忠诚度。