مقاله انگلیسی با ترجمه بینش‌های هوشمند، عملکرد قوی‌تر: بهره‌گیری از هوش تجاری و ظرفیت های پویا در گردشگری و مهمان‌نوازی

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی خرید ترجمه مقالات مرتبط سفارش پروپوزال 

عنوان فارسی:

بینش‌های هوشمند، عملکرد قوی‌تر: بهره‌گیری از هوش تجاری و ظرفیت های پویا در گردشگری و مهمان‌نوازی

عنوان انگلیسی:

Smart insights, stronger performance: Leveraging business intelligence and dynamic capabilities in tourism and hospitality

کد محصول: M2019

سال نشر: 2026

نام ناشر (پایگاه داده): الزویر

نام مجله:International Journal of Hospitality Management

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: دارد

پرسشنامه : دارد

تعداد صفحه انگلیسی: 15 صفحه PDF

تعداد صفحه ترجمه فارسی:   54 صفحه WORD

قیمت فایل ترجمه شده:  187000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

پیشرفت سریع هوش مصنوعی (AI) و هوش تجاری (BI) شرکت‌های گردشگری و مهمان نوازی را ملزم می‌کند تا ظرفیت های خود را بازتعریف کنند. این نیاز ناشی از الزام فزاینده برای بهره‌برداری کامل از این فناوری‌ها جهت ارتقای عملکرد است؛ حوزه‌ای که هنوز در ادبیات گردشگری و مهمان نوازی به اندازه کافی مورد بررسی قرار نگرفته است. این مقاله با اتکا به دیدگاه ظرفیت های پویا روابط متقابل میان ظرفیت های سازماندهی منابع (ROCها)، ظرفیت های بازاریابی دیجیتال (DMCها)، ظرفیت های هوش مصنوعی (AI) و عملکرد شرکت را بررسی می‌کند، و تمرکز ویژه بر نقش میانجی پذیرش هوش تجاری و اثر تعدیل‌کننده جهت‌گیری فناوری (TO) دارد. با استفاده از داده‌های ۲۹۷ شرکت گردشگری و مهمان نوازی در چهار شهر بزرگ ژاپن، یافته‌ها نشان می‌دهند که پذیرش BI، روابط میان ROCها، DMCها، ظرفیت­های AI و عملکرد شرکت را میانجی‌گری می‌کند. همان‌طور که پیش‌بینی می‌شد، جهت‌گیری فناوری (TO) پیوند میان DMC و پذیرش BI را تعدیل نمی‌کند، که احتمالاً به دلیل عوامل خاص شرکت‌ها است و نیازمند بررسی بیشتر در زمینه‌های مختلف است. این مطالعه با ارائه یک چارچوب یکپارچه که ROCها، DMCها و ظرفیت­های AI را به عنوان ظرفیت­ های پویای متمایز اما مرتبط که عملکرد شرکت‌ها را در گردشگری و مهمان نوازی جهت­دهی می‌کنند، مفهوم‌سازی می‌کند، به دانش نظری کمک می‌کند. از نظر عملی، یافته‌ها مدیران گردشگری و مهمان نوازی را تشویق می‌کند تا استراتژی‌های خود را برای بهره‌برداری بهتر از این قابلیت‌ها، به ویژه در پیگیری تحول دیجیتال، بهبود بخشند.

کلیدواژه‌ها: ظرفیت­ های هوش مصنوعی، پذیرش هوش تجاری، ظرفیت های بازاریابی دیجیتال، ظرفیت های سازماندهی منابع، جهت‌گیری فناوری، شرکت‌های گردشگری و مهمان نوازی

Abstract: The rapid advancement of artificial intelligence (AI) and business intelligence (BI) compels tourism and hospitality firms to redefine their capabilities. This need stems from the growing imperative to fully leverage these technologies for performance enhancement—an area still underexplored in the tourism and hospitality literature. Drawing on the dynamic capabilities view, this paper investigates the interrelationships among resource orchestration capabilities (ROCs), digital marketing capabilities (DMCs), AI capabilities, and firm performance, with a specific focus on the mediating role of BI adoption and the moderating effect of technology orientation (TO). Using data from 297 tourism and hospitality firms across four major Japanese cities, the findings reveal that BI adoption mediates the relationships among ROCs, DMCs, AI capabilities, and firm performance. As anticipated, TO does not moderate the DMC–BI adoption link, potentially due to firm-specific factors warranting further exploration in different contexts. The study contributes to theory by proposing an integrative framework that conceptualizes ROCs, DMCs, and AI capabilities as distinct yet interrelated dynamic capabilities driving performance in tourism and hospitality firms. Practically, the findings encourage tourism and hospitality managers to refine their strategies to better leverage these capabilities, particularly in pursuing digital transformation.

Keywords: Artificial intelligence capabilities, Business intelligence adoption, Digital marketing capabilities, Resource orchestration capabilities, Technology orientation, Tourism and hospitality firms

۱. مقدمه

پیشرفت‌های سریع فناورانه، مانند فناوری‌های مرتبط با هوش مصنوعی (AI) و هوش تجاری (BI)، یک تغییر پارادایم را در شرکت‌های گردشگری و مهمان نوازی ایجاد کرده است (کنانی و همکاران، ۲۰۲۲؛ خیمنز-پارتئارویو و همکاران، ۲۰۲۴). اگرچه فناوری‌های مرتبط با هوش مصنوعی و هوش تجاری هنوز به عمق و پیچیدگی هوش انسانی نرسیده‌اند، اما نقش فعلی آن‌ها در ارتقای عملکرد کسب‌وکار شرکت‌ها در صنعت گردشگری و مهمان نوازی همچنان قابل توجه است (دوغرو و همکاران، ۲۰۲۵؛ لاو و همکاران، ۲۰۲۴). متعاقباً، اکثر شرکت‌های گردشگری و مهمان نوازی برای حفظ رقابت‌پذیری و افزایش عملکرد سازمانی، فناوری‌های مرتبط با هوش مصنوعی و هوش تجاری  را به کار گرفته اند (هسو و همکاران، ۲۰۲۴؛ گورسوی و کای، ۲۰۲۵)…

1. Introduction The emergence of rapid technological progressions, such as AI and BI-related technologies, has prompted a paradigm shift in tourism and hospitality firms (Knani et al., 2022; Jim´enez-Partearroyo et al., 2024). Although AI and BI-related technologies have yet to achieve parity with the depth and complexity of human intelligence, their current contributions to enhancing the business performance of firms in the tourism and hospitality industry are nonetheless significant (Dogru et al., 2025; Law et al., 2024). Subsequently, most tourism and hospitality firms embrace AI and BI-related technologies to stay competitive and augment organizational performance (Hsu et al., 2024; Gursoy and Cai, 2025)…

۲.۱. نقش هوش تجاری در شرکت‌های گردشگری و مهمان نوازی

در یک دوره زمانی، هوارد درسنر در سال ۱۹۸۹ (نقل شده در: لاوه، ۲۰۱۷) اصطلاح هوش تجاری را برای نمایش مفاهیم، تکنیک‌ها و فرآیندهایی به کار برد که از طریق استفاده از اطلاعات مبتنی بر واقعیت، تصمیم‌گیری تجاری را بهبود می‌بخشند (فیلیپس-ورن و همکاران، ۲۰۲۱؛ سانگری و رازمی، ۲۰۱۵؛ یونس و همکاران، ۲۰۲۲). بعدها، چندین محقق، هوش تجاری را به عنوان ابزاری تعریف می‌کنند که شرکت‌ها از طریق آن محیط‌های متلاطم را رصد و با آن سازگار می‌شوند و با جذب اطلاعات، تهدیدها را شناسایی کرده و ابهام را کاهش می‌دهند (چودری و همکاران، ۲۰۲۰). از منظر دیگر، برخی محققان دیگر هوش تجاری را به عنوان بستری برای ادغام مدیریت دانش تلقی می‌کنند که با استفاده از جمع‌آوری، ذخیره‌سازی و تحلیل داده‌ها، از طریق ابزارهای تحلیلی مختلف، تحلیل‌های پیچیده‌ای را ارائه می‌دهد و به تصمیم‌گیرندگان امکان دسترسی به اطلاعات قابل اجرا را فراهم می‌آورد (خدام و همکاران، ۲۰۲۳؛ نگاش و گری، ۲۰۰۸). هوش تجاری همچنین به عنوان مجموعه‌ای از فناوری‌ها و برنامه‌های کاربردی فنی توصیف می‌شود که می‌توانند در یک سازمان برای ادغام، ساختاردهی و ساده‌سازی تحلیل مجموعه داده‌های گسترده به کار روند (چنگ و همکاران، ۲۰۲۰؛ سینگ و سای ویجی، ۲۰۲۴)…

2.1.Role of BI in tourism and hospitality firms Over the course of time, Howard Dresner in 1989 (see Llave, 2017) coined the term BI to represent concepts, techniques, and processes for enhancing business decision-making through the use of factual infor mation (Phillips-Wren et al., 2021; Sangari and Razmi, 2015; Younus et al., 2022). Later, several scholars define BI as the means by which firms monitor and adapt to turbulent environments by absorbing in formation to identify threats and reduce ambiguity (Chaudhuri et al., 2020). From a different perspective, some other scholars perceive BI as a platform for integrating knowledge management, utilizing data collec tion, storage, and analysis to provide complex analysis through various analytical tools, enabling decision-makers to access viable information (Khaddam et al., 2023; Negash and Gray, 2008). BI is also described as an assortment of technologies and technical applications that can be used within an organization to integrate, structure, and streamline the analysis of extensive datasets (Cheng et al., 2020; Singh and Sai Vijay, 2024)..

۴.۲. تدوین ابزار اندازه‌گیری

پرسشنامه نظرسنجی با دقت طراحی شد تا هم دقت زبان‌شناختی و هم تناسب فرهنگی را افزایش دهد. تمام متغیرها از مقیاس‌های اندازه‌گیری معتبر و از پیش‌آزموده‌شده در تحقیقات پیشین استخراج شدند (المحیری و همکاران، ۲۰۲۴). پذیرش BI با استفاده از یک مقیاس اندازه‌گیری چهار گویه ای انعکاسی که از خدام و همکاران (۲۰۲۳) برگرفته شده بود، عملیاتی شد. TO با بهره‌گیری از یک مقیاس چهار گویه ای انعکاسی که از گاتیگنون و شرب (۱۹۹۷) گرفته شده بود، ارزیابی شد. قابلیت‌های AI با استفاده از یک مقیاس سه گویه ای از گورسوی و همکاران (۲۰۱۹) محاسبه شدند. برای ارزیابی DMC، از یک مقیاس سه گویه ای انعکاسی که هت و همکاران (۲۰۲۴) پیشنهاد کرده بودند، استفاده شد. ROC به عنوان یک سازه مرتبه بالاتر (HOC) با سه بُعد تکوینی تعریف شدند: ساختار (structure)، تجمیع (bond)، و بهره برداری (leverage) (کریستوفرسن و همکاران، ۲۰۲۱).

4.2. Measurement development The survey questionnaire was carefully designed to enhance both linguistic accuracy and cultural appropriateness. All variables were derived from established, well-tested measurement scales in prior research (Almheiri et al., 2024). BI adoption was operationalized utilizing a four-reflective item measurement scale derived from Khaddam et al. (2023). TO was evaluated by conducting a four-reflective item scale borrowed from Gatignon and Xuereb (1997). AI capabilities were calculated using a three-item scale from Gursoy et al. (2019). We used a three-item reflective scale that Hat et al. (2024)suggested to assess DMCs. ROCs are theorized as a higher-order construct (HOC) with three formative dimensions: structure, bond, and leverage (Kristoffersen et al., 2021)…

۵. یافته‌های پژوهش

نتایج این پژوهش با استفاده از مدل‌سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) به دست آمد که یک تکنیک تحلیل داده پرکاربرد در ادبیات گردشگری و مهمان نوازی است. این روش یک رویه مؤثر برای آزمون دقیق فرضیه‌های مبتنی بر نظریه با استفاده از داده‌های تجربی جمع‌آوری‌شده از طریق یک پرسشنامه پیمایشی محسوب می‌شود (هیر و همکاران، ۲۰۲۱؛ رینگل و همکاران، ۲۰۱۵). علاوه بر این، این مقاله پژوهشی از یک رویکرد دو مرحله‌ای برای PLS-SEM پیروی می‌کند که به طور سیستماتیک هر دو بخش الف) مدل اندازه‌گیری و ب) مدل ساختاری را ارزیابی می‌نماید (حمید و همکاران، ۲۰۱۸)…

5.Research findings The outcomes of the study were obtained by employing PLS-SEM, a widely recognized data analysis technique in tourism and hospitality literature. It is an effective procedure to rigorously test theoretically- driven hypotheses using empirical data amassed through a survey questionnaire (Hair et al., 2021; Ringle et al., 2015). Furthermore, this research paper follows a two-step approach to PLS-SEM, systematically evaluating both a) the measurement model and b) the structural model (Hameed et al., 2018)…

۶. بحث و پیامدها

یافته‌های این مطالعه در ابعاد متعددی با ادبیات موجود گردشگری و مهمان نوازی همسو است. اول، مطالعه نشان می‌دهد که پذیرش هوش تجاری به طور معناداری بر عملکرد شرکت‌های گردشگری و مهمان نوازی تأثیر می‌گذارد. این نتیجه شواهد تجربی پیشین را تقویت می‌کند و نشان می‌دهد به‌کارگیری فناوری‌های دیجیتال به طور مثبت بر نتایج کسب‌وکار در این بخش کمک می‌کند (گورسوی و کای، ۲۰۲۵؛ کانان، ۲۰۲۴؛ کنانی و همکاران، ۲۰۲۲)…

6.Discussion and implications The study findings are broadly aligned with extant tourism and hospitality literature across several dimensions. First, the study dem onstrates that BI adoption significantly impacts the performance of tourism and hospitality firms. This result reinforces prior empirical idence suggesting that adopting digital technologies contributes tively to business outcomes in this sector (Gursoy and Cai, 2025; Kannan, 2024; Knani et al., 2022)…

۷. نتیجه‌گیری

پیشرفت سریع فناوری‌های دیجیتال—به ویژه آن‌هایی که توسط هوش مصنوعی و هوش تجاری  جهت دهی می‌شوند—شرکت‌های گردشگری و مهمان نوازی را مجبور می‌سازد تا منابع و ظرفیت های خود را مجدداً پیکربندی کنند تا رقابت‌پذیر باقی بمانند. این الزام از نیاز روزافزون به بهره‌برداری مؤثر از چنین فناوری‌هایی برای افزایش عملکرد شرکت ناشی می‌شود؛ حوزه‌ای که در ادبیات گردشگری و مهمان نوازی همچنان به اندازه کافی بررسی نشده است. این مطالعه که بر پایه دیدگاه ظرفیت های پویا  بنا شده است، روابط متقابل میان ROCها، DMCها، ظرفیت های AI و عملکرد شرکت را در بخش گردشگری و مهمان نوازی بررسی می‌کند. به طور خاص، نقش میانجی پذیرش هوش تجاری در این روابط و نقش تعدیل‌کننده جهت‌گیری فناوری  مورد بررسی قرار می‌گیرد. با اتکا به داده‌های جمع‌آوری‌شده از طریق پیمایش پرسشنامه‌ای از ۲۹۷ شرکت گردشگری و مهمان نوازی در ژاپن، یافته‌ها نشان می‌دهند که پذیرش هوش تجاری به طور معناداری روابط میان ROCها، DMCها ، ظرفیت های AI و عملکرد شرکت را میانجی‌گری می‌کند. با این حال، برخلاف انتظارات تئوری، جهت‌گیری فناوری  رابطه بین DMCها و پذیرش هوش تجاری را تعدیل نمی‌کند—که احتمالاً به دلیل ویژگی‌های زمینه‌ای شرکت‌های نمونه است و نیاز به بررسی بیشتر در زمینه‌های مختلف را نشان می‌دهد. این مطالعه با ارائه یک چارچوب مفهومی یکپارچه که نشان می‌دهد چگونه همسوسازی فناوری‌های هوش مصنوعی و هوش تجاری با ظرفیت های سطح شرکت می‌تواند عملکرد سازمانی را در صنعت گردشگری و مهمان نوازی افزایش دهد، به مجموعه فزاینده‌ای از ادبیات کمک می‌کند. این یافته‌ها بینش‌های نظری و عملی ارائه می‌دهند و انتظار می‌رود که کاوش‌های علمی بیشتر را در این حوزه نوظهور تحریک کنند…..

7.Conclusion The rapid advancement of digital technologies—particularly those driven by AI and BI—compels tourism and hospitality firms to reconfigure their resources and capabilities to remain competitive. This imperative arises from the growing necessity to effectively leverage such technologies to enhance firm performance—an area that remains underexplored within the tourism and hospitality literature. Anchored in the DCV, this study investigates the interrelationships among ROCs, DMCs, AI capabilities, and firm performance in the tourism and hospitality sector. Specifically, it examines the mediating role of BI adoption in these relationships and the moderating role of technological orientation (TO). Drawing on data collected through a questionnaire survey of 297 tourism and hospitality firms in Japan, the findings reveal that BI adoption significantly mediates the relationships among ROCs, DMCs, AI capabilities, and firm performance. However, contrary to theoretical expectations, TO does not moderate the relationship between DMCs and BI adoption—potentially due to the contextual characteristics of the sampled firms, which suggests a need for further investigation across different settings. This study contributes to the growing body of literature by presenting an integrative conceptual framework that illustrates how the alignment of AI and BI technologies with firm-level capabilities can enhance organizational performance in the tourism and hospitality industry. These findings offer both theoretical and practical insights and are expected to stimulate further scholarly inquiry in this emerging domain…

۷.۱. محدودیت‌ها و تحقیقات آتی

یافته‌های این مطالعه دارای چندین محدودیت است که فرصت‌های هیجان‌انگیزی را برای محققان آینده فراهم می‌کند: ابتدا، این تحقیق به طور انحصاری بر شرکت‌های گردشگری و مهمان نوازی در ژاپن متمرکز است، که ممکن است قابلیت تعمیم نتایج به سایر زمینه‌ها را محدود کند. دوم، از آنجایی که نظرسنجی بر داده‌های خودگزارش‌دهی برای متغیرهای پیش‌بین و پیامد متکی است، در معرض سوگیری CMB قرار دارد. با وجود تلاش‌ها برای به حداقل رساندن این مشکل و اطمینان از کیفیت داده‌ها، حذف کامل این سوگیری چالش‌برانگیز است. تحقیقات آتی می‌تواند با به‌کارگیری یک طرح چند پاسخ‌دهنده و جمع‌آوری داده‌ها از سطوح مدیریتی مختلف در شرکت‌های گردشگری و مهمان نوازی، اعتبار یافته‌ها را تقویت کند. این امر دیدگاهی جامع‌تر از پویایی‌های سازمانی ارائه می‌دهد و سوگیری پاسخ در سطح فردی را کاهش می‌دهد. سوم، سازه‌هایی مانند پذیرش BI، عملکرد شرکت و ROCها از طریق ارزیابی‌های ذهنی پاسخ‌دهندگان اندازه‌گیری شدند، که برخی از آن‌ها به صورت مقایسه‌ای بودند. این امر فرض می‌کند که پاسخ‌دهندگان دانش معیار دقیقی دارند، که همیشه ممکن است صادق نباشد. بنابراین، برای تقویت اعتبار روابط پیشنهادی بین سازه‌های نظری، مطالعات آتی می‌توانند با جمع‌آوری داده‌ها از سطوح و انواع مختلف مدیران در همان شرکت‌های گردشگری و مهمان نوازی، روابط پیشنهادی را بررسی کنند. چهارم، ما به دلیل ملاحظات محرمانگی نتوانستیم از داده‌های عینی برای سنجش عملکرد شرکت‌های گردشگری و مهمان نوازی استفاده کنیم، بنابراین به معیارهای خودگزارش‌دهی تکیه کردیم…

7.1.Limitations and future research The study findings are subject to several imitations that offer exciting avenues for future researchers. First, it exclusively focuses on tourism and hospitality firms in Japan, which may limit the results’ applicability to other contexts. Second, as the survey relies on self-reported data for both predictor and outcome variables, it is subject to CMB. Despite efforts to minimize this issue and ensure data quality, fully eliminating such bias remains challenging. Future research could strengthen the validity of the findings by adopting a multi-respondent design and gathering data from various managerial levels within the same tourism and hospitality firms. This would offer a more comprehensive view of organizational dynamics and reduce individual-level response bias. Third, constructs such as BI adoption, firm performance, and ROCs were measured through subjective evaluations of respondents, some in comparative terms. This assumes that respondents have accurate benchmarking knowledge, which may not always be the case. Thus, to strengthen the validity of the proposed interrelationships among the theoretical constructs, future studies could explore the proposed relationships by collecting data from various levels and types of managers within the same tourism and hospitality firms. Fourth, we could not use objective data to gauge the performance of tourism and hospitality firms due to confidentiality reasons, so we relied on self-reported measures…

فرضیات

فرضیه 1. پذیرش هوش تجاری(BI) به طور بالقوه بر عملکرد شرکت‌های گردشگری و مهمان نوازی تأثیر مثبت دارد.

فرضیه ۲. ظرفیت های سازماندهی منابع (ROCها) بر پذیرش BI در شرکت‌های گردشگری و مهمان نوازی تأثیر مثبت دارد.

فرضیه ۳. ظرفیت های هوش مصنوعی (AI) بر پذیرش BI در شرکت‌های گردشگری و مهمان نوازی تأثیر مثبت دارد.

فرضیه ۴. ظرفیت های بازاریابی دیجیتال (DMCها) بر پذیرش BI در شرکت‌های گردشگری و مهمان نوازی تأثیر مثبت دارد.

فرضیه ۵. جهت‌گیری فناوری (TO) بر پذیرش BI در شرکت‌های گردشگری و مهمان نوازی تأثیر مثبت دارد.

فرضیه ۶. جهت‌گیری فناوری (TO) رابطه بین DMCها و پذیرش BI در شرکت‌های گردشگری و مهمان نوازی را به گونه‌ای مثبت تعدیل می‌کند که در صورت بالابودن TO، این رابطه قوی‌تر باشد.

فرضیه ۷. پذیرش BI میانجی پیوند بین (الف) ROCها، (ب) DMCها، (ج) ظرفیت های AI و عملکرد شرکت‌های گردشگری و مهمان نوازی است.

H1. BI adoption potentially influences the performance of tourism and hospitality firms positively.
H2. ROCs positively influence BI adoption in tourism and hospitality firms.
H3. AI capabilities positively influence BI adoption in tourism and hospitality firms.
H4. DMCs positively influence BI adoption in tourism and hospitality firms
H5. TO positively affects BI adoption in tourism and hospitality firms.
H6. TO positively moderates the relationship between DMCs and BI adoption in tourism and hospitality firms, such that the relationship is stronger when TO is high.
H7. BI adoption mediates the link between (a) ROCs, (b) DMCs (b), (c) AI capabilities, and performance of tourism and hospitality firms.