大数据环境下的旅游目的地形象研究综述：数据、方法和技术.pdf

大数据环境下的旅游目的地形象研究综述：数据、方法和技术66大数据环境下的旅游目的地形象研究综述：数据、方法和技术段 锐 邹统钎 梁未哲（北京第二外国语学院旅游科学学院 北京 100024）观点与创新：从数据、方法和技术 3 个视角综述大数据环境下的目的地形象研究 “用户生成内容”是大数据环境下目的地形象研究主要的数据来源 内容分析法是大数据环境下目的地形象研究的基本方法 未来研究应关注新数据来源（人工智能生成内容）、新数据模态（视觉模态）、新技术方法（多模态学习）的应用摘要：本文通过收集和筛选发表在科学引文索引（SCI）、社会科学引文索引（SSCI）和北大中文核心期刊目录（2020 版）中与大数据环境下旅游目的地形象研究相关的文献，从数据（来源和模态）、方法和技术（工具）3 个视角分析总结现有研究，展望未来研究趋势。研究显示：用户生成内容是主要的数据来源，文本模态数据占据主导地位；内容分析法是大数据环境下旅游目的地形象研究的基本方法，情感分析、主题建模、图像标注、图像识别等其他常用的计算机科学领域方法亦可归入此类；技术上，主要通过自然语言处理技术对文本进行分析，深度学习技术逐渐应用于图片和视频数据分析领域；工具上，主要使用带有图形用户界面的数据分析软件进行分析以及通过编程调用平台或模块开展研究。关键词：旅游目的地形象；大数据；用户生成内容；内容分析；深度学习中图分类号F59 DOI：10.12054/lydk.bisu.251文献标识码A 文章编号2096-3238（2023）05-0066-28收稿日期2023-05-12；修订日期2023-09-22基金项目 本研究受国家自然科学基金项目“目的地精准营销的多模态数据协同和推荐策略研究”（项目编号：72102004）资助。作者简介 段 锐（1991），男，山东德州人，北京第二外国语学院旅游科学学院讲师,研究方向：旅游大数据、目的地营销、商务旅游。E-mail： 邹统钎（1964），男，江西吉安人，博士，北京第二外国语学院中国文化和旅游产业研究院教授，研究方向：旅游目的地管理与旅游规划、文化遗产管理、文化旅游发展政策。梁未哲（2000），女，山西忻州人，北京第二外国语学院旅游科学学院硕士研究生，研究方向：目的地营销。引用格式 段锐，邹统钎，梁未哲.大数据环境下的旅游目的地形象研究综述：数据、方法和技术J.旅游导刊，2023，7（5）：6693.DUAN Rui，ZOU Tongqian，LIANG Weizhe.A review of tourist destination image in the big data era：Data，methods，and technologyJ.Tourism and Hospitality Prospects，2023，7（5）：6693.67旅游导刊 第 7 卷 2023 年第 5 期 Tourism and Hospitality Prospects Vol.7 No.5,2023引言旅游目的地形象（tourism destination image，简称 TDI）在目的地营销的研究和实践中均发挥重要作用，是品牌管理理论和方法在目的地营销领域的具体应用（邹统钎，2019）。20 世纪 70 年代，Gunn（1972）、Mayo（1973）和Hunt（1975）3 位学者最早开展与目的地形象相关的研究（Pike，2002）。由于目的地形象与旅游消费者行为、目的地营销等研究关系密切，经过半个世纪的发展，旅游目的地形象已经成为旅游研究中的热门领域。通过对不同时期目的地形象研究的梳理，可以发现相关研究主要聚焦在 4 个方向：（1）目的地形象的概念内涵。明确定义目的地形象比较困难，这与目的地形象复杂的心理学和哲学渊源有关，Lai 和 Li（2016）认为，由于心理学和哲学研究存在不同流派，因此以它们为理论基础的目的地形象概念内涵具有一定的模糊性。（2）目的地形象的内部结构。考虑到直接定义目的地形象的难度，许多研究尝试分析目的地形象的内部结构，并提出了几类模型，目前已在目的地形象研究领域普遍使用，如三连续体模型（Echtner&Ritchie，1991）、认知 情感 意动维度模型（Gartner，1994）、认知 情感 整体维度模型（Baloglu&McCleary，1999）、特征模型（Gallarza，Saura&Garca，2002）、长尾模型（Pan&Li，2011；Stepchenkova&Li，2012）、核心边缘模型（Lai&Li，2012）等。这些模型从不同视角分析了目的地形象的构成元素、特征和结构，对于理解目的地形象的概念内涵和形成过程，以及度量目的地形象具有指导作用。（3）目的地形象的形成过程。目的地形象的形成经历原生形象（organic image）、引致形象（induced image）和游后形象（post travel image）3 个阶段（Gunn，1972），Gartner（1994）进一步细化并汇总了目的地形象形成过程中的 8 种动因。另外，从外部看，个人因素（包含心理动机和社会人口学因素）和刺激因素（包含各种信息源）影响游客的认知形象和情感形象的形成；从内部看，游客的认知形象影响情感形象，两者共同决定了游客对目的地整体形象的感知（Baloglu&McCleary，1999）。（4）目的地形象的度量。Echtner 和 Ritchie（1991）认为目的地形象的度量方法有结构化和非结构化两类：从研究方法的视角，前者属于定量研究，后者属于定性研究；从哲学方法论的视角，前者是还原论（Reductionism），后者是整体论（Holism）。在旅游营销实践中，目的地形象发挥着重要的作用。目的地营销组织（Destination Marketing Organization，简称 DMO）通常会精心设计和维护目的地大数据环境下的旅游目的地形象研究综述：数据、方法和技术68形象，将其作为一种营销和品牌管理策略，并采取有效方式进行传播。在传统媒体时代，目的地形象的传播是单向的，DMO 通过电视、报纸、杂志、宣传册等方式宣传目的地形象，影响游客对目的地形象的感知，引致形象产生；在旅游过程中，游客的感知形象可以进一步通过“凝视”得到巩固或重塑，完成一个“诠释循环”的过程（hermeneutic circle）（Urry&Larsen，2011）。随着互联网的发展，尤其是社交媒体的出现，目的地形象的传播过程发生了根本性的变化从单向传播变为双向互动。在 Web 2.0 时代，每个用户作为“自媒体”将海量的文本、图片、视频等数据上传到互联网和社交媒体，从信息的被动接收者变为主动创造者。海量数据形成的大数据环境从根本上改变了目的地形象的传播方式，为目的地营销的研究者和从业者带来了新的机遇和挑战。与产生于科学研究中的学术概念不同，“大数据”（big data）这一概念来自工业界，最早由思科（Cisco）、IBM、甲骨文（Oracle）等信息科技公司提出（Logica&Magdalena，2015），并被高德纳和麦肯锡等咨询公司用于其报告之中（Sagiroglu&Sinanc，2013），从而被人们所熟知。大数据中的“大”字能够给人们带来一种关于数据体量增长的直观感觉并提升其吸引力，但“大”作为一个表示相对意义的形容词，难以给出一个准确的定义，因此大数据并不是一个规范的学术概念。目前普遍被人们所接受的观点是从数据特征上定义“大”，即大数据的“4V”特征：海量性（volume）、多样性（variety）、快速的数据处理（velocity）、价值密度低（value）。另外，目前在学术界提及大数据，并不仅指数据方面的特征，同时还包含了另外两个方面的含义：一是指应用于数据获取、储存、管理、分析过程中的，以机器学习（包含深度学习）、数据挖掘、人工智能等技术为代表的计算机和信息科学技术，统称为“大数据技术”；二是指相对于基于小样本数据，更加接近于基于全样本数据的研究方法，被称为“大数据研究方法”。因此，大数据的概念同时具有数据、技术和方法 3 个层面的含义。近十年来，许多学者在大数据背景下开展目的地形象研究。根据前面对大数据概念的分析，大数据给目的地形象研究带来的变革也应该相应地从 3 个层面来看待：数据层面，存在于互联网、社交媒体的多源异构数据，包含用户生成内容（user generated content，简称 UGC）、职业生成内容（occupationally generated content，简称 OGC）以及即将到来的人工智能生成内容（artifi cial intelligence generated content，简称 AIGC），为目的地形象研究提供了更加丰富的数据基础；方法层面，大数据对传统的目的地形象研究中基于定性和定量分析划分的部分文献中也称“专业生成内容”（professionally generated content，简称 PGC）。69旅游导刊 第 7 卷 2023 年第 5 期 Tourism and Hospitality Prospects Vol.7 No.5,2023研究范式提出新的挑战，赋予了内容分析法（content analysis）新的含义，引入了诸如主题建模（topic modelling）、情感分析（sentiment analysis）、图像识别（image recognition）、图像描述（image caption）等计算机和信息科学领域的研究方法，为目的地形象研究开辟了新思路；技术层面，以机器学习（尤其是深度学习）为代表的大数据技术，为多模态数据（文本、图片、视频等）自动化处理、分析提供了解决方案。本文通过收集整理在大数据背景下开展目的地形象研究的国内外相关文献，对数据、技术和方法 3 种视角的研究现状进行分析，并在此基础上进行总结，指出未来研究的发展趋势。本研究具有一定的创新性，对理论研究和实践应用有指导意义，具体表现为：（1）本文首次尝试对大数据与目的地形象的交叉研究做体系化的梳理分析和总结展望；（2）本文在对当前研究总结和未来展望的基础上，建立了大数据环境下目的地形象研究的基本框架，为相关研究者提供了清晰的研究路径；（3）本文从数据、方法和技术（工具）3 个角度对大数据环境下的目的地形象研究进行分析总结，紧密贴合目的地营销实践，具有较强的可操作性，可为实践应用提供方法论指导。一、文献梳理为更加全面地收集到与“大数据背景下旅游目的地形象研究”主题相关的论文，本文首先以“旅游目的地形象”“tourism destination image”“大数据”“big data”“用户生成内容”“user generated content”“在线评论”“online review”“博客”“blog”“旅游图片”“tourism photo/picture”“视频”“video”等为中英文关键词，在中国知网、Web of Science、ScienceDirect、Taylor&Francis、Springer、Google Scholar 等国内外大型数据库中进行主题检索，论文检索的时间范围选取 2023 年 4 月 30 日前；其次，通过人工筛选保留了收录于 SCI、SSCI 和北大中文核心期刊目录（2020 版）中的文献；最后，通过人工逐一检查，确保每篇论文都与本文所关注的研究主题相关。尤其需要指出的是，按照上文对大数据概念的分析，我们在筛选大数据环境下的目的地形象研究文献时，数据量并不是筛选的唯一标准，因为单独从数据量标准来判断，几乎所有的研究都不能够称为“大”数据研究数据量到 PB 级（petabyte）以上（涂新莉、刘波、林伟伟，2014）。为此，我们通过对收集到的 128 篇文献进行逐一考察，综合考虑数据、方法和技术上的特点，将其中的 74 篇文献纳入本文的研究范围，如表 1 所示。大数据环境下的旅游目的地形象研究综述：数据、方法和技术70表 1 纳入本文研究范围的相关论文Tab.1 Related literature included in the scope of this article大数据层面Level of big data细分要素Subdivision element相关论文编号Related literature number数据来源UGC1-74OGC6，12，13，15，17，19，25，30，49，72模态文本1，2，5-7，10，11，13-39，41-47，51-55，57-69，71-74图片（元数据）7-9，50，51图片3，4，12，13，40，41，48，56，70视频49方法内容分析文本挖掘1，6，8，9，10，11，14-22，25-32，39，43-48，50-55，57，58，61-67，69，71-74主题建模2，4，5，9，14，23，24，33-38，41，42，44，59，68情感分析2，5，7，8，11-13，17，18，21，23，26，27，30，31，33，34，41，42，45-48，50，51，52，53-55，57，58，60-66，69，71-74图片描述3，4，12，13，41图像识别40，70视频描述49技术/工具技术自然语言处理技术1，6，8，9，11，14，17-20，25-27，29，31，32，39，43，50，61，64，67LDA 主题建模技术2，5，14，23，24，33-35，37，38，41，42，59，68基于情感词典的情感分析技术5，7，8，9，11，17，18，33，34，50深度学习技术40，41，56，60，70工具带有图形用户界面的数据分析软件1，6，11-13，15，16，21-23，28，36，41，44-47，51-55，57，58，62，63，65，66，69，71-74通过 Python 等编程语言调用平台或分析模块2，3，4，8，9，10，12，13，41，48，49，61注：1.由于篇幅所限，表 1 仅做总结性呈现，相关论文的详细信息请参考附表（链接：https:/ le）。论文编号是研究者赋予论文的编号，非参考文献列表中的编号，下文同。2.“图片（元数据）”指基于图片的元数据（如标题、标签等）对图片进行间接分析的方法，本质上是一种文本分析方法，在本文第二部分有详细介绍。此处单独列出，主要和对图片内容进行直接分析的方法进行区分。3.“文本挖掘”主要指对文本进行基础的自然语言处理（如去停用词、分词、词干提取、词性标注等）的方法，与后面的“自然语言处理技术”相对应。4.“深度学习技术”主要包含残差神经网络、卷积神经网络、循环神经网络、长短期记忆网络等技术71旅游导刊 第 7 卷 2023 年第 5 期 Tourism and Hospitality Prospects Vol.7 No.5,2023经梳理，74 篇文献在数据、方法和技术上具有以下特点：（1）数据方面。全部以 UGC 为数据来源，少数包含 OGC（10 篇），主要用于和 UGC 数据进行对比分析；在数据模态上，以文本数据为主（63 篇），图片数据次之（14 篇），视频数据目前还极少（仅有 1 篇）。（2）方法方面。以内容分析法为主，其中包含文本挖掘、情感分析、主题建模、图像（视频）描述、图像识别（包含人物识别、物体识别、场景识别等）等方法。我们认为目前的大数据研究方法其本质就是一种针对二手数据的内容分析法。（3）技术方面。以基本的自然语言处理（包含分词、词性标注、词频统计、共现分析等）、基于隐含狄利克雷分布（Latent Dirichlet Allocation，简称LDA）的主题建模、基于情感词典的情感分析（如 SentiWordNet、HowNet 等）、深度学习（卷积神经网络、残差神经网络、长短期记忆网络）等技术为主。在技术的实现上，大多依赖带有图形用户界面的数据分析软件（如 ROST CM、CATPAC II、NVivo、AntConc、ATLAS.ti 等），或通过 Python 等编程语言链接平台接口（application programming interface，简称 API）调用相关的开源工具（如 Google Cloud Vision、百度开源图像识别）、数据分析模块（如 TextBlob、VADER、DeepSentiBank、SnowNLP 等）开展研究。另外，我们对所收集文献的年份（图 1）和期刊分布情况进行了统计（表2）。从年份分布看，除了最早的 2 篇分别发表于 2007 年和 2011 年之外，其余论文主要集中在近十年，尤其是在 2018 年以后，大数据环境下的目的地形象研究在数量上有了快速的增长，这与大数据研究方法和技术的逐渐成熟密切相关。从期刊分布看，SCI 和 SSCI 期刊方面，旅游领域顶级期刊 Tourism Management刊发该领域研究论文数量最多（9篇），而Journal of Travel Research仅刊发1篇，Annals of Tourism Research 未刊发相关论文。其他刊发相关论文较多的英文期刊还有 Sustainability（6 篇）和 Journal of Destination Marketing&Management（4篇）。中文核心期刊方面，旅游学刊刊发相关论文 3 篇，在数量上与资源开发与市场并列第一。大数据环境下的旅游目的地形象研究综述：数据、方法和技术721123257148141250246810121416200720112014201520162017201820192020202120222023文献数量（篇）Number of literature发表年份Year of Publication图 1 大数据环境下旅游目的地形象研究相关论文发表年份分布Fig.1 Year distribution of literature related to tourism destination image research under the big data environment表 2 大数据环境下旅游目的地形象研究相关论文发表期刊分布Tab.2 Distribution of journals literature related to tourism destination image research under the big data environment排名Rank期刊Journal论文篇数Number of literature占比（%）Percentage1Tourism Management912.162Sustainability68.113Journal of Destination Marketing&Management45.414旅游学刊34.054资源开发与市场34.056Asia Pacifi c Journal of Tourism Research22.706Information Technology&Tourism22.706Tourism Management Perspectives22.706地域研究与开发22.706华中师范大学学报22.706经济地理22.706旅游科学22.706资源科学22.7073旅游导刊 第 7 卷 2023 年第 5 期 Tourism and Hospitality Prospects Vol.7 No.5,2023续表（Continued）排名Rank期刊Journal论文篇数Number of literature占比（%）Percentage14African and Asian Studies11.3514Asia Pacifi c Journal of Marketing and Logistics11.3514Computer Journal11.3514Frontiers of Information Technology&Electronic Engineering11.3514Industrial Management&Data Systems11.3514International Journal of Environmental Research and Public Health11.3514Island Studies Journal11.3514Isprs International Journal of Geo-Information11.3514Journal of Business Research11.3514Journal of Electrical and Computer Engineering11.3514Journal of Hospitality&Tourism Research11.3514Journal of Travel&Tourism Marketing11.3514Journal of Travel Research11.3514Kybernetes11.3514Soft Computing11.3514Tourism Review11.3514Tourist Studies11.3514北京大学学报11.3514出版科学11.3514地理科学进展11.3514地理研究11.3514福建师范大学学报11.3514干旱区资源与环境11.3514桂林理工大学学报11.3514国土资源科技管理11.3514海南大学学报11.3514林业经济问题11.3514农业经济11.3514西北民族大学学报11.3514浙江农林大学学报11.3514中国博物馆11.3514中国岩溶11.3514中南林业科技大学学报11.35大数据环境下的旅游目的地形象研究综述：数据、方法和技术74二、大数据环境下的旅游目的地形象研究：数据视角从数据视角来看，用于目的地形象研究的大数据呈现出多源异构的特点，“多源”指数据来源丰富，“异构”指数据模态结构各异，这两点是大数据的基本特征（涂新莉、刘波、林伟伟，2014）。1.数据来源目前用于目的地形象研究的大数据主要来源于互联网。相较于 Web 端数据，由于移动端数据便于获取地理位置等信息，目前移动端大数据更加受到研究人员的重视（Lu&Stepchenkova，2015）。具体来说，目前存在于互联网的可用于目的地形象研究的数据类型主要包括 UGC 和 OGC 两种。UGC 是 Web 2.0 时代的产物，来源十分广泛，存在于社交媒体、OTA、口碑网站、百科等多种平台。相对于 UGC，OGC 是一种“专业”内容，如职业摄影师拍摄的目的地宣传照片或视频，专业撰稿人撰写的旅游报道、编写的旅游故事等。UGC和 OGC 之间的差异主要体现在两个方面：一是立场不同，UGC 作为一种来自游客的内容，体现的是需方立场，而 OGC 作为一种来自目的地营销组织（Destination Marketing Organization，简称 DMO）的内容，体现的是供方立场，这也就决定了 UGC 可用于分析游客对目的地的接收形象（Received Image），而 OGC 则只能用于研究目的地投射形象（Projected Image）；二是作用不同，UGC 作为自媒体的产物，也可以发挥投射形象的作用，但其在目的地形象的形成过程中发挥的是原生作用，而 OGC 作为大众媒体的产物，创作者是既得利益者，在目的地形象的形成过程中发挥的是引致作用。在大数据环境下的目的地形象研究中，UGC 是目前应用最普遍的一种大数据。从数据体量上看，OGC很难被称为大数据，所以在目前的研究中，OGC 主要用于和 UGC 进行对比分析。将收集到的文献按照 UGC 所发挥的作用及其聚焦的研究主题进行分类，结果如表 3 所示。UGC 在目的地形象研究中的作用体现在接收形象和投射形象这两个方面，其中，利用 UGC 度量游客的接收形象（Lu&Stepchenkova，2015）的研究占据了目的地形象大数据研究的绝大部分（65 篇/74 篇），研究主题聚焦于以下 6 点。（1）游客感知形象度量方法设计。基于 UGC 的“大数据”特点，利用机器学习领域的模型和技术，设计度量游客感知形象的方法，包含针对文本的自然语言处理（Marine-Roig，2017；Alarcn-Urbistondo，Rojas-de-Gracia&Casado-75旅游导刊 第 7 卷 2023 年第 5 期 Tourism and Hospitality Prospects Vol.7 No.5,2023Molina，2023）、主题建模（Wang，Li&Wu，et al.，2021；Luo，He&Yang，et al.，2023）、情感分析（Cao，Liang&Li，et al.，2020；Ali，Marc&Omar，et al.，2021）方法，以及针对图片的视觉分析方法（Zhang，Chen&Li，2019；Arabadzhyan，Figini&Vici，2021；Arefi eva，Egger&Yu，2021；Zhang，Lu&Zhou，et al.，2022）。另外，张珍珍和李君轶（2014）还对比了“小”数据（问卷调查）和“大”数据（网络文本）在目的地形象研究中的异同。（2）分析特定细分市场中游客的感知形象。这方面的研究以发表在中文期刊的居多，针对某一特定细分市场，分析研究该细分市场内的游客感知形象。在不同研究中，旅游市场的细分方式有所不同，主要有以下几种方式：以城市细分，共有 10 篇文献，涉及北京、上海、西安、泰国普吉岛等旅游城市。如邓宁、钟栎娜和李宏（2018）基于 Flickr 中的图片元数据，从认知和情感两个方面分析北京的在线形象；王承云、戴添乐和蒋世敏等（2022）基于携程旅行和马蜂窝的在线评论数据，分析和评价上海旅游形象中的认知和情感元素。以景区细分，共有 12 篇文献，研究对象涵盖杭州西溪国家湿地公园、张家界国家森林公园、丽江古城等旅游景区。如陈天琪和张建春（2021）以携程旅行的评论文本为数据来源，分析游客对杭州西溪国家湿地公园的形象感知；李婷、武刚和梁丽芳等（2021）同样基于携程旅行的评论数据，以五台山风景表 3 大数据环境下 UGC 在目的地形象研究中的应用分析Tab.3 Diff erent applications of UGC in destination image research under the big data environmentUGC 作用Role of UGC研究主题Research topic相关论文编号Related literature number接收形象Received image游客感知形象度量方法设计1-5，14，23，24，26-28，34，37，38，40，41，73分析特定细分市场中游客的感知形象9，31，32，35，39，42-45，50-52，54-67，69，71，74对比不同游客感知形象的差异 8，48，18，29，46，53分析投射形象和接收形象之间的一致性及其对用户参与的影响7，12，13，17，25，30，72分析不同阶段游客感知形象的演变16，22，47，68，70分析外生因素对游客感知形象的影响21，47，68投射形象Projected image将 UGC 和 OGC 的投射形象进行对比分析6，15，49分析 UGC 在目的地形象形成过程中所发挥的作用10，11，20，32，36大数据环境下的旅游目的地形象研究综述：数据、方法和技术76名胜区为研究对象，分析游客对目的地认知、情感和整体形象的感知。以旅游业态细分，共有 8 篇文献，研究范围涉及黑色旅游、红色旅游、乡村旅游、冰雪旅游、美食旅游、酒店旅游等诸多业态。如柴海燕、王璐和王思远（2020）针对黑色旅游这一特殊旅游形式，以侵华日军第七三一部队罪证陈列馆为研究对象，通过分析相关旅游网站的评论数据，构建了游客对黑色旅游目的地的形象感知模型。以游客细分，共有 2 篇文献，研究对象均为入境游客。Fu、Wan 和 Wu（2022）通过对 UGC 图片进行分类，研究入境游客所感知的旅游目的地形象；江进林和陈梦（2023）对猫途鹰中的评论数据进行标注，并基于评价理论分析入境游客对颐和园景区的形象感知。（3）对比不同游客感知形象的差异。在使用 UGC 度量游客感知形象的基础上，进一步分析不同游客感知形象的差异，如不同来源地游客对同一目的地感知形象的差异（Deng，Liu&Dai，et al.，2019；邓宁、刘耀芳、牛宇等，2019；Liu，Liu&Mo，et al.，2020）、不同文化受众的感知形象差异（Lee&Park，2023）、不同目的地游客感知的形象差异（Marine-Roig&Anton Clav，2016；冯庆、田一钧、孙根年，2018；春雨童、王传生、计卫星等，2021）等。（4）分析投射形象和接收形象之间的一致性及其对用户参与的影响。将OGC 作为目的地投射形象的数据来源，UGC 作为游客接收形象的来源，分析两者之间的一致性程度。Kltringer 和 Dickinger（2015）通过收集对比不同来源的在线信息，其中既包含 UGC，也包含新闻报道、官方网站等 OGC，借此分析了目的地品牌识别的传播；Marine-Roig 和 Ferrer-Rosell（2018）使用成分分析法，测量了加泰罗尼亚（Catalonia）投射形象和游客感知形象之间的差异；Marchi 和 Raschi（2022）以意大利的一个小岛（Capraia）为研究对象，发现了投射形象和感知形象之间的差异DMO 更加注重传播常规的信息，而游客更加重视情感体验；Huang、Han 和 Meng 等（2022）以广西巴马为研究对象，使用重要性 表现分析（Importance Performance Analysis）矩阵从视觉上揭示了 DMO 投射形象和游客感知形象的差异；张文亭和骆培聪（2017）则以福建永定土楼为研究对象，分析了官方网站传播的形象和游客感知形象之间的差异。还有研究进一步分析了投射形象和感知形象的差异对游客行为的影响，He、Deng 和 Li 等（2022）通过深度学习和网络分析方法识别了目的地形象的“认知 情感”元素并构建了目的地形象的“核心 边缘”结构，分析投射形象和感知形象的差异，在此基础上分析了其对用户评论和点赞的影响，给出了指导DMO 选择投射内容的相关策略；Huang、Han 和 Meng 等（2022）分析了投射77旅游导刊 第 7 卷 2023 年第 5 期 Tourism and Hospitality Prospects Vol.7 No.5,2023形象和接收形象之间的差异性对用户体验评价的影响，以及其他 3 个因素（外部危机、促销内容的可读性、游客的专业性）在其中所发挥的中介作用，同样为 DMO 的营销策略选择提供了指导；Deng 和 Li（2018）则给出一种提高投射形象和接收形象一致性的方法，即通过对 UGC 图片中认知和情感要素的分析，设计了一种基于朴素贝叶斯模型的机器学习算法来指导 DMO 图片的选择。（5）分析不同阶段游客感知形象的演变。Jani 和 Hwang（2011）以坦桑尼亚的桑给巴尔岛（Zanzibar）为研究对象，比较了游客游前和游后感知形象的不同，发现游前游客更加关注基于功能属性的形象，而游后游客更加关注基于心理属性的形象，且游后游客相比于游前游客有更加正面积极的形象感知；Liu、Liu和Mo等（2020）分析了2014年至2018年游客对澳门感知形象的演变，发现与赌场相关的形象感知在下降，“文化之都”和“世界旅游休闲中心”的形象正在获得游客的认可；张坤、李春林和张津沂（2020）对 2004 年至 2013 年十年间入境游客对北京的整体形象感知和行为足迹的时空演变进行了分析；丛丽、徐琳琳和方小雨（2021）分析了北京冬奥会申办前后游客感知形象的变化；徐琳琳、周彬和虞虎等（2023）则分析了在北京冬奥会申办期、筹备期和预热举办期 3 个阶段游客对张家口感知形象的时序变化。（6）分析外生因素对游客感知形象的影响。Li、Xu 和 Song 等（2020）以成都为研究对象，分析了抖音上的美食短视频对游客认知、情感、意动形象的影响，为 DMO 进行目的地形象构建和城市品牌传播提供了借鉴。丛丽、徐琳琳和方小雨（2021）以及徐琳琳、周彬和虞虎等（2023）从“认知情感整体”形象的维度出发，分别分析了北京冬奥会的成功申办与举办对北京和张家口城市形象的影响；冬奥会的成功申办使得“冬奥”元素在北京城市形象中得到凸显，且申办前后游客的认知形象维度有所变化，情感形象以积极情感为主；同时，冬奥会的申办和举办使得张家口的城市整体形象日益多元化，冰雪旅游形象相关的认知要素得到加强，情感形象变得更加积极。UGC 作为投射形象的数据来源，在目的地形象的形成过程中发挥着原生动机（organic agent）的作用（Gartner，1994），相关研究较少（9 篇），主要聚焦于如下两点。（1）将 UGC 和 OGC 的投射形象进行对比分析。Choi、Lehto 和 Morrison（2007）较早开展了目的地形象大数据研究，收集了不同来源的 OGC 和 UGC数据，并采用文本挖掘、专家判断和贡献分析等定性和定量结合的方法，对比分析了 OGC 和 UGC 投射形象的差异，以及导致这种差异的原因。Iordanova 和 Stainton（2019）以柬埔寨为研究对象，对比分析了官方旅游网站和业余旅游大数据环境下的旅游目的地形象研究综述：数据、方法和技术78博客所发布的关于柬埔寨旅游信息及投射形象的差异，发现官方形象以认知元素为主，而旅游博客则兼具认知和情感元素，更为重要的是在游客感知信任方面，官方内容与旅游博客发挥的作用有明显差距。邓宁和蘧浪浪（2022）通过对 YouTube 视频的分析，比较了 DMO 和国外游客在北京目的地形象建构上的异同，并借鉴 UGC 视频在形象塑造上的成功经验指导 DMO 开展目的地营销。（2）分析 UGC 在目的地形象形成过程中发挥的作用。Li、Lin 和 Tsai（2015）以台湾省为研究案例，发现 UGC 在游客对目的地形象形成过程中发挥的作用主要体现在其反映的活动吸引力以及对 5 类主要要素（景点、购物、餐饮、住宿和交通）的情感评价上。Tseng、Wu 和 Morrison 等（2015）分析了博客作为中国入境旅游目的地形象形成媒介所发挥的作用，并通过文本分析确定了与其相关的 9 个主题。Hao、Xu 和 Zhang（2019）基于旅游真人秀视频的“弹幕”，分析了其对 Y 世代观众形成冰岛认知、情感和意动形象的影响。在以上研究中，UGC 均来自单一平台，Guo、Pesonen 和 Komppula（2021）则分析了多平台下，UGC 在目的地形象投射上的差异，他们选取了 5 个中国本土的旅游点评平台，分析不同平台中芬兰作为目的地其投射形象的差异。另外，UGC 在危机事件的传播中发挥着重要作用，进而影响游客感知形象的形成，Marine-Roig 和Huertas（2020）以在巴塞罗那发生的两件公共危机事件为例，基于在线评论，分析游客对目的地形象的感知和传播，发现在线评论的分享和传播反而有助于公共危机事件下目的地形象的改善。2.数据模态目前用于目的地形象研究的大数据主要有文本、图片和视频 3 种模态，其中文本占据多数（63 篇），其次是图片（14 篇），视频最少（1 篇）。文本在目的地形象大数据研究中的广泛应用得益于其研究方法和技术工具的成熟，用于目的地形象研究的 UGC 文本主要为评论文本和游记（博客），其中有一例比较特殊的是 Hao、Xu 和 Zhang（2019）利用弹幕文本研究旅游真人秀中的弹幕对Y 世代游客感知目的地形象的影响，并指出“弹幕”这种特殊文本有助于研究人员确定观众对目的地体验和感知形成的确切时刻，因而具有重要价值。图片在目的地形象大数据研