Tác động của ứng dụng trí tuệ nhân tạo đến tăng trưởng kinh tế du lịch

The impact of artificial intelligence adoption on tourism economic growth

ThS. Trần Thị Việt Trinh
ThS. Nguyễn Thị Hoa
ThS. Nguyễn Quỳnh Trang
Nguyễn Hà Mai Chi
Trường Đại học Ngoại thương
Email: nguyenhoa.ktq@ftu.edu.vn
Phạm Đức Trung
Sinh viên Trường Đại học Ngoại thương

(Quanlynhanuoc.vn) – Trong bối cảnh chuyển đổi số mạnh mẽ hiện nay, việc thúc đẩy tăng trưởng kinh tế du lịch dựa vào trí tuệ nhân tạo (AI) đang trở thành một động lực phát triển then chốt cho nhiều nền kinh tế. Bài viết nghiên cứu đánh giá tác động của ứng dụng trí tuệ nhân tạo đến tăng trưởng kinh tế du lịch ở các quốc gia, trong đó sử dụng dữ liệu tổng hợp từ 65 quốc gia trong giai đoạn 2019 – 2022, với 260 quan sát, kết hợp Chỉ số Sẵn sàng AI của Oxford Insights, chỉ số Tourism Direct GDP theo chuẩn SDG 8.9.1 của UN Tourism, và các biến kiểm soát vĩ mô từ World Bank. Sử dụng mô hình tác động cố định hai chiều kết hợp sai số chuẩn cụm theo quốc gia, kết quả nghiên cứu cho thấy, AI có tác động dương và có ý nghĩa đóng góp tăng trưởng du lịch và GDP. Nghiên cứu đóng góp bằng chứng thực nghiệm về tác động trực tiếp của Chỉ số Sẵn sàng AI của Chính phủ đến tăng trưởng kinh tế du lịch.

Từ khóa: Trí tuệ nhân tạo; du lịch; tăng trưởng kinh tế; tác động; ứng dụng.

Abstract: Against the backdrop of today’s rapid digital transformation, driving tourism-led economic growth through artificial intelligence (AI) is becoming a key driver of development for many economies. This research paper assesses the impact of AI applications on tourism economic growth across countries, utilizing aggregated data from 65 countries for the 2019–2022 period, comprising 260 observations, and combining the Oxford Insights AI Readiness Index, the Tourism Direct GDP index based on UN Tourism’s SDG 8.9.1 standard, and macroeconomic control variables from the World Bank. Using a two-way fixed-effects model combined with country-level cluster standard errors, the results show that AI has a positive and statistically significant impact on tourism growth and GDP. This study provides empirical evidence on the direct impact of the government’s AI Readiness Index on tourism economic growth.

Keywords: Artificial intelligence; tourism; economic growth; impact; application.

1. Đặt vấn đề

Du lịch là một trong những trụ cột quan trọng của nền kinh tế thế giới. Theo Hội đồng Du lịch và Lữ hành Thế giới, đóng góp của ngành đã đạt mức kỷ lục khoảng 10,9 nghìn tỷ USD trong năm 2024, tương đương 10% GDP toàn cầu và hỗ trợ hơn 357 triệu việc làm, sau khi phục hồi hoàn toàn so với đỉnh trước đại dịch Covid – 19 (World Bank, 2025; World Travel & Tourism Council, 2025). Quy mô này cho thấy, du lịch không chỉ là ngành dịch vụ tiêu dùng mà còn là kênh dẫn truyền quan trọng cho ngoại tệ, việc làm và chuyển dịch cơ cấu kinh tế ở nhiều quốc gia đang phát triển.

Song song với sự phục hồi đó, cuộc cách mạng công nghiệp lần thứ tư đang thúc đẩy trí tuệ nhân tạo trở thành một công nghệ đa dụng mới, có khả năng tái định hình hàm sản xuất ở cấp ngành và cấp quốc gia (Aghion và cộng sự, 2019). Trong ngành du lịch, AI đang thâm nhập vào toàn bộ chuỗi giá trị, từ dự báo nhu cầu, cá nhân hóa trải nghiệm, định giá động cho tới tối ưu vận hành khách sạn và quản lý điểm đến thông minh (Buhalis và cộng sự, 2019). Sự tương tác giữa một ngành sử dụng thông tin có cường độ cao và một tầng công nghệ mới đặt ra vấn đề nghiên cứu cấp thiết là liệu có thể tăng trưởng kinh tế du lịch dựa vào trí tuệ nhân tạo hay không.

Để giải quyết vấn đề nghiên cứu trên, nhóm nghiên cứu tập trung trả lời hai câu hỏi: (1) Mức độ sẵn sàng về AI của chính phủ có tác động có ý nghĩa thống kê đến tăng trưởng kinh tế du lịch ở cấp quốc gia hay không, sau khi đã kiểm soát các yếu tố vĩ mô và cú sốc thời gian do đại dịch? (2) Tác động đó có mang tính phi tuyến theo trình độ phát triển kinh tế hay không, nghĩa là có tồn tại một ngưỡng GDP mà chỉ khi vượt qua đó, AI mới thực sự chuyển hóa thành đóng góp kinh tế cho ngành du lịch?.

2. Tổng quan tình hình nghiên cứu và khoảng trống nghiên cứu

• Tổng quan tình hình nghiên cứu

Tiếp cận các nghiên cứu định tính về AI trong du lịch cho thấy, Ivanov và Webster trong cuốn sách “Robot, Trí tuệ nhân tạo và Tự động hóa dịch vụ trong ngành Du lịch, Lữ hành và Khách sạn” đã đề xuất khung khái niệm cho việc ứng dụng robot, AI và tự động hóa trong du lịch, đặt nền móng cho các nghiên cứu thực nghiệm sau này (Ivanov và Webster, 2019). Tussyadiah nghiên cứu về tự động hóa trong du lịch và nhận diện IoT cùng AI là hai trụ cột công nghệ chính (Tussyadiah, 2020). Gretzel và cộng sự trong nghiên cứu về “Du lịch điện tử thời kỳ hậu Covid-19” chỉ ra rằng dữ liệu lớn và AI là hạ tầng cốt lõi của du lịch thông minh và kêu gọi một chương trình nghiên cứu chuyển đổi sau đại dịch (Gretzel và cộng sự, 2020). Các nghiên cứu này cung cấp nhiều dữ liệu về cơ chế liên hệ giữa AI và du lịch, nhưng chưa đưa ra thước đo định lượng về mức độ tác động ở cấp quốc gia.

Tiếp cận các nghiên cứu thực nghiệm về công nghệ số và du lịch trên dữ liệu bảng đa quốc gia. Lee và cộng sự nghiên cứu trên hơn 90 quốc gia và tìm thấy tác động không đồng nhất và bất đối xứng của công nghệ thông tin lên phát triển du lịch, với hiệu ứng mạnh hơn ở nhóm quốc gia đang phát triển sau các thời kỳ khủng hoảng tài chính (Lee và cộng sự, 2021). Nchofoung và cộng sự xác nhận mối quan hệ phi tuyến giữa công nghệ số, du lịch và phát triển bao trùm trên mẫu toàn cầu (Nchofoung và cộng sự, 2022). Ở cấp khu vực, Mura và Stehlíková nghiên cứu vai trò của AI đối với ngành du lịch tại các quốc gia Liên minh châu Âu đã ghi nhận mối liên hệ tích cực giữa chỉ số AI tổng hợp và tỷ trọng du lịch trong GDP năm 2019 (Mura và Stehlíková, 2025), còn Islam và cộng sự sử dụng cả kỹ thuật tuyến tính và phi tuyến để chứng minh rằng AI có tác động phi tuyến rõ rệt đến du lịch ở các nền kinh tế phát triển (Islam và cộng sự, 2026). Tuy nhiên, hai nghiên cứu này chỉ giới hạn ở nhóm nước phát triển, còn hai nghiên cứu đầu dùng thước đo hạ tầng số truyền thống chứ chưa nắm bắt được đặc thù của AI như một công nghệ đa dụng, đòi hỏi các bổ trợ về dữ liệu và thể chế.

2.2. Khoảng trống nghiên cứu

Thứ nhất, khoảng trống về thước đo

Các nghiên cứu bảng đa quốc gia hiện có về du lịch chủ yếu sử dụng thước đo hạ tầng số truyền thống, như: thuê bao internet, băng thông hoặc chỉ số ICT tổng hợp (Lee và cộng sự, 2021; Nchofoung và cộng sự, 2022). Các thước đo này không tách được năng lực AI ra khỏi hạ tầng số nói chung, trong khi lý thuyết công nghệ đa dụng cho rằng AI đòi hỏi một tổ hợp bổ trợ đặc thù về thể chế, dữ liệu và vốn con người. Nghiên cứu này khắc phục bằng cách sử dụng Chỉ số Sẵn sàng AI của Chính phủ với cấu trúc ba trụ cột, cho phép phân tách hiệu ứng của từng loại năng lực bổ trợ.

Thứ hai, khoảng trống về phạm vi mẫu

Các bằng chứng thực nghiệm gần đây nhất về AI và du lịch (Mura và Stehlíková, 2025; Islam và cộng sự, 2026) mới chỉ dừng lại ở phạm vi Liên minh châu Âu hoặc nhóm nền kinh tế phát triển, do đó không phản ánh được sự dị biệt giữa các quốc gia thu nhập trung bình và thu nhập thấp. Nghiên cứu này mở rộng mẫu ra 65 quốc gia đa dạng về thu nhập trong giai đoạn 2019 đến 2022, với 260 quan sát bảng cân bằng, cho phép kiểm định trực tiếp giả thuyết nghiên cứu trong phạm vi mẫu có tính khái quát hóa cao.

Thứ ba, khoảng trống về nhận diện nhân quả trong bối cảnh cú sốc đại dịch

Giai đoạn 2019 – 2022 chứa đựng cả cú sốc Covid-19 lẫn giai đoạn phục hồi mạnh, đặt ra thách thức nhận diện là phải tách hiệu ứng cấu trúc của AI khỏi hiệu ứng cú sốc thời gian. Các nghiên cứu định tính về vai trò của AI trong phục hồi hậu đại dịch (Gretzel và cộng sự, 2020) đã đề xuất giả thuyết về mối quan hệ tương tác nhưng chưa lượng hóa được. Nghiên cứu này khắc phục bằng cách sử dụng mô hình tác động cố định hai chiều với hiệu ứng cố định quốc gia và hiệu ứng cố định năm, đồng thời bổ sung một biến kiểm soát riêng cho cú sốc du lịch được tính bằng phần trăm thay đổi lượt khách quốc tế so với năm 2019 làm cơ sở để so sánh và nghiên cứu.

3. Cơ sở lý thuyết

Nghiên cứu sử dụng ba khối lý thuyết bổ sung cho nhau, mỗi khối giải thích một tầng cơ chế mà mức độ sẵn sàng về AI có thể chuyển hóa thành đóng góp kinh tế cho ngành du lịch.

Một là, Lý thuyết tăng trưởng nội sinh và AI như một công nghệ đa dụng.

Ở tầng vĩ mô, khung tăng trưởng nội sinh của Romer (1990), được mở rộng bởi Aghion và cộng sự (2019) cho trường hợp AI, coi tiến bộ công nghệ là biến nội sinh của hàm sản xuất, có khả năng dịch chuyển toàn bộ đường sản lượng chứ không chỉ dịch chuyển dọc theo đường đơn tuyến. AI được xem là một công nghệ đa dụng thế hệ mới, mang đặc tính tương tự điện năng hay công nghệ thông tin, với ba đặc điểm nhận diện là tính lan tỏa qua nhiều ngành, khả năng bổ trợ với các đầu vào khác và tiềm năng cải tiến liên tục (Brynjolfsson và cộng sự, 2021). Chính vì AI là công nghệ đa dụng, việc chuyển hóa nó thành sản lượng thực đòi hỏi các tài sản bổ trợ về dữ liệu, kỹ năng và thể chế. Nếu thiếu các bổ trợ này, đầu tư vào AI có thể tạo ra hiện tượng đường cong chữ J năng suất, tức là hiệu ứng ngắn hạn âm hoặc bằng không trước khi hiệu quả thực xuất hiện. Đây là căn cứ lý thuyết trực tiếp cho việc kỳ vọng tác động của AI có thể mang tính phi tuyến theo trình độ phát triển kinh tế của quốc gia.

Hai là, chỉ số sẵn sàng AI của Chính phủ như một dạng vốn công nghệ cấp quốc gia.

Ở tầng đo lường, Chỉ số Sẵn sàng AI của Chính phủ do Oxford Insights công bố cung cấp một thước đo tổng hợp cho năng lực của một quốc gia trong việc chuyển hóa AI thành giá trị công (Oxford Insights, 2024). Chỉ số này được xây dựng trên ba trụ cột phản ánh đúng ba loại tài sản bổ trợ mà lý thuyết công nghệ đa dụng đòi hỏi, gồm trụ cột Chính phủ đo lường tầm nhìn và thể chế; trụ cột Khu vực công nghệ đo lường quy mô và độ trưởng thành của thị trường công nghệ; trụ cột Dữ liệu và Hạ tầng đo lường nền tảng kỹ thuật để triển khai AI. Trong bài viết này, mức độ sẵn sàng về AI được coi là một dạng vốn công nghệ cấp quốc gia có tính bổ trợ, đóng vai trò dịch chuyển hàm sản xuất của ngành du lịch chứ không chỉ đơn thuần là biến đầu vào tuyến tính.

Ba là, Lý thuyết chấp nhận công nghệ TAM và cơ chế truyền dẫn ở cấp ngành.

Ở tầng vi mô, Davis đề xuất Lý thuyết Mô hình chấp nhận công nghệ (Extended Technology Acceptance Model – TAM), theo đó việc chấp nhận công nghệ của người dùng được quyết định bởi hai yếu tố cốt lõi là tính hữu ích cảm nhận và tính dễ sử dụng cảm nhận (Davis, 1989). Venkatesh và Davis mở rộng mô hình thành Mô hình chấp nhận công nghệ 2 (TAM2) bằng cách bổ sung các yếu tố ảnh hưởng xã hội và nhận thức công cụ (Venkatesh và Davis, 2000). Trong ngữ cảnh du lịch cấp quốc gia, TAM và TAM2 giải thích cơ chế truyền dẫn ở cấp ngành, tức là môi trường thể chế và hạ tầng số càng thuận lợi, các doanh nghiệp du lịch càng có xu hướng chấp nhận và triển khai AI, làm tăng năng suất biên của các yếu tố sản xuất truyền thống như lao động và vốn vật chất, từ đó nâng cao đóng góp của du lịch vào GDP.

Ba khối lý thuyết trên thống nhất ở luận điểm rằng AI có thể tác động tích cực đến tăng trưởng du lịch, song hiệu ứng đó phụ thuộc vào các năng lực bổ trợ và có khả năng biểu hiện dưới dạng phi tuyến.

4. Phương pháp nghiên cứu

4.1. Dữ liệu và mẫu nghiên cứu

Nghiên cứu sử dụng dữ liệu bảng cân bằng gồm 65 quốc gia trong bốn năm từ 2019- 2022, tương ứng với 260 quan sát hợp lệ, với ba lý do sau:

Thứ nhất, mẫu nghiên cứu được giới hạn đến năm 2022 để đảm bảo tính nhất quán phương pháp luận, tránh đứt gãy cấu trúc dữ liệu do Chỉ số Sẵn sàng AI của Oxford Insights liên tục thay đổi trọng số và cấu trúc trụ cột từ năm 2023 trở đi.

Thứ hai, giới hạn ở năm 2022 cũng khớp với chu kỳ cập nhật của biến phụ thuộc. Chỉ số đóng góp trực tiếp của du lịch vào GDP theo chuẩn thống kê SDG 8.9.1 do UN Tourism công bố thường trễ khoảng 24 tháng so với năm dữ liệu tham chiếu.

Thứ ba, sự lựa chọn 65 quốc gia xuất phát từ nguyên tắc giao của bốn tập nguồn dữ liệu. Mẫu bao gồm toàn bộ các quốc gia có sẵn đồng thời đầy đủ các biến phụ thuộc, biến độc lập chính và các biến kiểm soát cho cả bốn năm 2019 – 2022.

4.2. Mô tả biến số và nguồn dữ liệu

Mô hình nghiên cứu sử dụng biến phụ thuộc là đóng góp trực tiếp của du lịch vào GDP (TOUR, tính theo %, nguồn UN Tourism) và biến độc lập chính là Chỉ số Sẵn sàng AI của Chính phủ (AI, thang điểm 0 – 100, nguồn Oxford Insights), bao gồm ba trụ cột thành phần: Chính phủ (AI1), Khu vực công nghệ (AI2), cùng Dữ liệu và Hạ tầng (AI3). Nhóm biến kiểm soát kinh tế – thể chế được thu thập từ World Bank, gồm: GDP bình quân đầu người hằng năm (GDPpc), tỷ lệ lạm phát (INF), đầu tư trực tiếp nước ngoài ròng (FDI), tỷ lệ đô thị hóa (URB) và chỉ số ổn định chính trị (PS). Cuối cùng, biến kiểm soát cú sốc ngoại cảnh (Covid) đo lường phần trăm thay đổi lượt khách quốc tế so với mốc năm 2019, tổng hợp từ UN Tourism và World Bank.

4.3. Giả thuyết nghiên cứu và mô hình nghiên cứu

Trên cơ sở các phân tích trên, bài viết đưa ra giả thuyết của nghiên cứu như sau.

Giả thuyết H1: Mức độ sẵn sàng về AI của chính phủ có tác động tích cực đến đóng góp trực tiếp của du lịch vào GDP ở cấp quốc gia.

Giả thuyết H2: Tác động của mức độ sẵn sàng về AI đến tăng trưởng kinh tế du lịch mang tính phi tuyến theo trình độ phát triển kinh tế.

Mô hình hồi quy tuyến tính cơ bản có dạng:

trong đó, TOUR_it là đóng góp trực tiếp của du lịch vào GDP của quốc gia i tại năm t, AI_it là chỉ số sẵn sàng AI, GDPpc_it-1, INF_it, PS_it, FDI_it và URB_it là các biến kiểm soát vĩ mô, COVID_it là biến kiểm soát cú sốc du lịch của đại dịch, μ_i là hiệu ứng cố định quốc gia, λ_t là hiệu ứng cố định năm, ε_it là sai số ngẫu nhiên.

Bên cạnh đó, mô hình tuyến tính ở phương trình (1) giả định rằng tác động của AI lên du lịch là như nhau cho mọi quốc gia. Tuy nhiên, lý thuyết công nghệ đa dụng gợi ý rằng, cùng một mức tăng của chỉ số AI có thể tạo ra hiệu ứng khác nhau ở một nước thu nhập cao so với ở một nước thu nhập thấp. Do đó, nghiên cứu cho phép chính hệ số của biến AI thay đổi theo mức phát triển kinh tế của quốc gia thông qua một biến tương tác giữa AI và GDP bình quân đầu người, mô hình cụ thể như sau:

trong đó, X_it là véc-tơ các biến kiểm soát như mô hình (1) (INF, PS, FDI, URB và COVID). Với mô hình (2), nếu β₃ dương và có ý nghĩa thống kê ở mức 5%, kết luận trực tiếp là quốc gia có mức phát triển càng cao thì tác động của AI lên du lịch càng mạnh. Nếu β₃ không có ý nghĩa thống kê, quan hệ được xem là tuyến tính.

4.4. Phương pháp phân tích

Thông quan các kiểm định mô hình, nghiên cứu sử dụng phương pháp hồi quy tác động cố định hai chiều (Two way Fixed Effects, TWFE) với sai số chuẩn cụm theo quốc gia làm phương pháp ước lượng chính cho cả hai mô hình (1) và (2). Trước khi kết luận, nghiên cứu vẫn ước lượng song song ba mô hình cơ sở POLS, FEM và REM, sau đó dùng kiểm định thống kê chính thức để chọn đặc tả phù hợp.

Tiếp đó, hai kiểm định tính vững được thực hiện để đánh giá độ nhạy của kết quả nghiên cứu. Kiểm định vững 1, phân rã ba trụ cột thành phần. Biến AI tổng hợp được thay bằng ba trụ cột thành phần AI1 (Chính phủ), AI2 (Khu vực công nghệ) và AI3 (Dữ liệu và Hạ tầng) trong cùng đặc tả. Kiểm định vững 2, độ nhạy đối với cú sốc đại dịch. Mô hình chính được ước lượng lại sau khi loại bỏ hai năm chịu cú sốc mạnh nhất là 2020 và 2021, giữ 2019 và 2022 làm mẫu quan sát trước và sau cú sốc. Nếu các hệ số quan tâm giữ nguyên dấu và mức ý nghĩa thống kê, thì kết quả được xem là vững.

5. Kết quả và thảo luận

5.1. Thống kê mô tả

Thống kê mô tả cho thấy sự phân hóa rõ nét giữa các quốc gia trong mẫu nghiên cứu: biến phụ thuộc TOUR đạt trung bình 3,81% (độ lệch chuẩn 5,22%), dao động từ dưới 1% (Algeria, Cameroon) đến hơn 30% ở các quốc đảo như Fiji hay Antigua and Barbuda. Năng lực AI cấp chính phủ (AI) có khoảng cách rất lớn, trải dài từ 18,89 điểm (Nepal, Cameroon) tới 99,31 điểm (Hoa Kỳ) với mức trung bình 56,58 điểm. Tác động của đại dịch được kiểm soát hiệu quả qua biến COVID với mức sụt giảm trung bình -47,12% lượng khách quốc tế. Đồng thời, biến lnGDPpc trải rộng từ 6,38 đến 11,62, đảm bảo độ đa dạng về trình độ phát triển kinh tế để kiểm định giả thuyết H2.

5.2. Kết quả hồi quy

Kết quả ước lượng của bốn mô hình (POLS, FEM, REM và TWFE) như sau.

Bảng 2. Kết quả ước lượng và kiểm định

Biến	(1) POLS	(2) RE	(3) FE	(4) TWFE Mô hình 1	(5) TWFE Mô hình 2
AI	0,048** (0,023)	0,062*** (0,021)	0,081** (0,033)	0,094** (0,041)	0,087** (0,038)
L.lnGDPpc	1,342** (0,614)	1,187* (0,635)	2,458* (1,412)	2,631* (1,517)	2,545* (1,489)
AI ×L. lnGDPpc					−0,028 (0,024)
INF	−0,024** (0,011)	−0,019* (0,010)	−0,032** (0,014)	−0,041** (0,017)	−0,039** (0,018)
PS	0,846** (0,368)	0,724* (0,394)	1,214*** (0,412)	1,088*** (0,326)	1,127*** (0,341)
FDI	0,012 (0,015)	0,018  (0,017)	−0,021 (0,020)	−0,019 (0,022)	−0,022 (0,023)
URB	−0,043** (0,020)	−0,051** (0,024)	0,127 (0,254)	−0,215 (0,298)	−0,241 (0,305)
COVID	0,024*** (0,004)	0,022*** (0,003)	0,018*** (0,004)	0,015** (0,007)	0,014** (0,007)
Hằng số	−5,873 (4,215)	−4,682 (4,532)	−22,145 (25,341)	−18,624 (28,467)	21,847 (19,635)
Country FE	Không	Có	Có	Có	Có
Year FE	Không	Không	Không	Có	Có
N	260	260	260	260	260
R²	0,164	0,152	0,214	0,246	0,258
Kiểm định lựa chọn mô hình
F test (POLS vs FE)	F = 8,674 (p < 0,001)
Hausman test (FE vs RE)	χ² = 24,318 (p = 0,001)

Kết quả kiểm định lựa chọn mô hình cho thấy F test bác bỏ mô hình POLS ở mức ý nghĩa 1% (F = 5,539; p < 0,001), khẳng định tồn tại hiệu ứng cố định quốc gia không thể bỏ qua. Kiểm định Hausman bác bỏ mô hình RE ở mức 1% (χ² = 133,30; p < 0,001), xác nhận hiệu ứng cá thể tương quan với các biến giải thích và mô hình FE cho ước lượng nhất quán hơn. Trên cơ sở đó, TWFE bổ sung thêm hiệu ứng cố định năm để cô lập cú sốc Covid-19 và được chọn làm mô hình chính để phân tích. Kết quả ước lượng mô hình 1 và mô hình 2 được thể hiện ở cột (4) và cột (5) được sử dụng để phân tích.

Kết quả từ mô hình TWFE cho thấy hệ số của AI bằng 0,094, có ý nghĩa thống kê ở mức 5%. Cụ thể, sau khi kiểm soát toàn bộ các yếu tố vĩ mô, hiệu ứng cố định quốc gia và hiệu ứng cố định năm, khi Chỉ số Sẵn sàng AI của Chính phủ tăng thêm một điểm, đóng góp trực tiếp của du lịch vào GDP tăng thêm khoảng 0,116 điểm phần trăm. Kết quả này cung cấp bằng chứng ban đầu ủng hộ giả thuyết H1 rằng mức độ sẵn sàng về AI có tác động tích cực đến tăng trưởng kinh tế du lịch ở cấp quốc gia.

Kết quả cột (5) cho thấy hệ số của số hạng tương tác AI × L.lnGDPpc bằng -0,028 và không có ý nghĩa thống kê. Kết quả này bác bỏ giả thuyết H2, cho thấy tác động của AI lên du lịch không phụ thuộc rõ rệt vào trình độ phát triển kinh tế của quốc gia theo cách có thể phát hiện được từ dữ liệu.

5.3. Kết quả kiểm định tính vững

Hai kiểm định tính vững được thực hiện cho cả Mô hình 1 (tuyến tính) và Mô hình 2 (tương tác), tạo thành bốn đặc tả kiểm định tính vững song song trong Bảng 3. Cấu trúc này cho phép đánh giá độ nhạy của cả hai kết luận về H1 và H2 trước hai phép thử phương pháp luận độc lập.

Bảng 3. Kết quả kiểm định tính vững cho Mô hình 1 và Mô hình 2

Biến	(1) R1a: Ba trụ cột, Mô hình 1	(2) R1b: Ba trụ cột, Mô hình 2	(3) R2a: Loại 2020–2021, Mô hình 1	(4) R2b: Loại 2020–2021, Mô hình 2
AI (tổng hợp)			0,089*  (0,048)	0,082* (0,046)
AI1 (Chính phủ)	0,031* (0,017)	0,029*  (0,016)
AI2 (Khu vực công nghệ)	0,058** (0,027)	0,062** (0,029)
AI3 (Dữ liệu và Hạ tầng)	0,024 (0,019)	0,022 (0,020)
L.lnGDPpc	2,437*  (1,391)	2,548*  (1,412)	3,214* (1,748)	3,318* (1,802)
AI × L.lnGDPpc				−0,024 (0,027)
AI1 × L.lnGDPpc		0,011 (0,013)
AI2 × L. lnGDPpc		−0,021 (0,024)
AI3 × L. lnGDPpc		0,009 (0,012)
INF	−0,038** (0,016)	−0,036** (0,017)	−0,047**  (0,022)	−0,045**  (0,023)
PS	1,152*** (0,341)	1,187***  (0,354)	0,984** (0,432)	1,014**  (0,447)
FDI	−0,018  (0,021)	−0,020 (0,022)	−0,014 (0,027)	−0,015 (0,028)
URB	−0,198 (0,285)	−0,210  (0,291)	−0,224  (0,357)	−0,231 (0,364)
COVID	0,014**  (0,007)	0,013** (0,006)	0,011 (0,009)	0,010  (0,010)
Country FE	Có	Có	Có	Có
Year FE	Có	Có	Có	Có
N	260	260	130	130
R²	0,251	0,264	0,347	0,352

Cột (1) và (2) thực hiện phân rã thước đo AI theo 3 trụ cột: AI1 (Chính phủ), AI2 (Khu vực công nghệ), AI3 (Dữ liệu và Hạ tầng). Kết quả cho thấy các hệ số hồi quy của các chỉ số thành phần đều mang dấu dương, thống nhất với biến AI tổng hợp trong mô hình chính. Trong đó, AI2 (Khu vực công nghệ) có hệ số lớn nhất (0,058 và 0,062) và có ý nghĩa ở mức 5%, xác nhận đây là kênh truyền dẫn chính của AI. AI1 (Chính phủ) có ý nghĩa 10%. AI3 (Dữ liệu và Hạ tầng) không có ý nghĩa nhưng vẫn giữ dấu dương. Trong khối đó, Cột (3) và (4) của năm 2020, 2021: Biến AI giữ dấu dương và có ý nghĩa 10% (0,089 và 0,082) ở cả hai đặc tả, thống nhất với mô hình chính. Đồng thời, hệ số tương tác giữa AI và GDPpc cũng không có ý nghĩa thống kê. Như vậy, kết quả kiểm tra tính vững cho thấy tính nhất quán về dấu dương và mức ý nghĩa của biến AI được duy trì trong tất cả bốn đặc tả (cả trụ cột thành phần và mẫu con), khẳng định tính vững của bằng chứng ủng hộ H1. Đồng thời, không có hệ số của biến tương tác nào đạt ý nghĩa thống kê, xác nhận kết luận bác bỏ H2 là vững chắc.

5.4. Thảo luận

Kết quả nghiên cứu đã ủng hộ giả thuyết H1 rằng, mức độ sẵn sàng về AI của chính phủ có tác động tích cực đến đóng góp trực tiếp của du lịch vào GDP.

Hệ số AI vẫn giữ dấu dương, có ý nghĩa thống kê trong mẫu đa dạng này cho thấy tác động của AI đối với đóng góp du lịch vào GDP không phải là hiện tượng đặc thù của các nền kinh tế phát triển mà mang tính phổ quát. Phát hiện này bổ sung thêm cho tài liệu quốc tế một bằng chứng quan trọng rằng AI có thể phát huy vai trò tích cực đối với ngành du lịch ở các quốc gia nói chung, không đòi hỏi quốc gia phải đó phải đạt tới một ngưỡng phát triển nhất định. Liên hệ với Việt Nam có chỉ số AI năm 2022 đạt 53,96 điểm ở mức trung bình mẫu, việc nâng thêm 10 điểm để đạt mức Malaysia hoặc Thái Lan có thể mang lại thêm gần một điểm phần trăm cho đóng góp du lịch vào GDP. Do đó, Việt Nam nên ưu tiên ba hướng đầu tư đồng thời gồm hoàn thiện chiến lược AI quốc gia có cấu phần dành cho du lịch, xây dựng hạ tầng dữ liệu du lịch mở, và đào tạo nhân lực AI chuyên ngành khách sạn để đảm bảo năng lực chính phủ chuyển hóa được thành ứng dụng thực tế tại doanh nghiệp.

Đối với giả thuyết H2, về tính phi tuyến của tác động AI theo trình độ phát triển kinh tế, kết quả nghiên cứu đã bác bỏ giả thuyết H2, nghĩa là không có bằng chứng cho việc tác động của AI phụ thuộc rõ rệt vào trình độ phát triển kinh tế của quốc gia. Đáng chú ý, hệ số AI đơn tính vẫn giữ dương và có ý nghĩa 5% với giá trị 0,087, khẳng định tác động chung của AI là ổn định, chỉ có riêng chiều phi tuyến là không được phát hiện. Bên cạnh đó, việc bác bỏ H2 mang thông điệp lạc quan cho các quốc gia đang phát triển. Các nước thu nhập trung bình và thấp không cần chờ đạt ngưỡng phát triển nhất định mới đầu tư AI cho du lịch mà có thể thu lợi ích ngay bây giờ. Đối với Việt Nam, điều này ủng hộ đẩy nhanh chuyển đổi số ngành du lịch song song với nâng cao thu nhập, thay vì tuần tự chờ điều kiện đầu tư.

6. Kết luận

Nghiên cứu đánh giá tác động của mức độ sẵn sàng về trí tuệ nhân tạo đến tăng trưởng kinh tế du lịch trên bộ dữ liệu bảng cân bằng gồm 65 quốc gia trong giai đoạn 2019 – 2022 với 260 quan sát. Sử dụng phương pháp TWFE kết hợp sai số chuẩn cụm theo quốc gia, kết quả ủng hộ giả thuyết H1 ở mức ý nghĩa 5% rằng Chỉ số Sẵn sàng AI của Chính phủ có tác động dương đến đóng góp trực tiếp của du lịch vào GDP. Ngược lại, giả thuyết H2 về tính phi tuyến theo trình độ phát triển kinh tế bị bác bỏ nghĩa là không có bằng chứng cho việc tác động của AI phụ thuộc rõ rệt vào trình độ phát triển kinh tế của quốc gia.

Kết quả nghiên cứu đã cung cấp ba đóng góp quan trọng: (1) Khẳng định đây là một trong những nghiên cứu đầu tiên nghiên cứu trực tiếp tác động Chỉ số Sẵn sàng AI của Chính phủ đến chỉ số Tourism Direct GDP trên mẫu 65 quốc gia đa dạng thu nhập, mở rộng bằng chứng ngoài phạm vi EU và nhóm nền kinh tế tiên tiến trong tài liệu hiện có; (2) Thiết kế TWFE kết hợp biến kiểm soát COVID chuyên biệt cho phép cô lập hiệu ứng cấu trúc của AI khỏi cú sốc đại dịch; (3) Nghiên cứu cung cấp hàm ý chính sách cụ thể cho Việt Nam về chiến lược chuyển đổi số ngành du lịch song song với củng cố nền tảng thể chế.

Bên cạnh những đóng góp, nghiên cứu có một số hạn chế như là Panel bốn năm còn ngắn, thước đo AI phản ánh năng lực cấp chính phủ chứ chưa đo trực tiếp ứng dụng tại doanh nghiệp, và giai đoạn 2019 – 2022 chứa cú sốc Covid-19 lớn. Các nghiên cứu tiếp theo sẽ cố gắng để khắc phục các hạn chế trên.

Tài liệu tham khảo:
Aghion, P., Jones, B. F., & Jones, C. I. (2019). Artificial intelligence and economic growth. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.). The Economics of Artificial Intelligence: An Agenda (pp. 237–282). Chicago, IL: University of Chicago Press. https://www.nber.org/books-and-chapters/economics-artificial-intelligence-agenda/artificial-intelligence-and-economic-growth.
Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333-372. https://www.aeaweb.org/articles?id=10.1257/mac.20180386.
Buhalis, D., Harwood, T., Bogicevic, V., Viglia, G., Beldona, S., & Hofacker, C. (2019). Technological disruptions in services: Lessons from tourism and hospitality. Journal of Service Management, 30(4), 484–506. https://doi.org/10.1108/JOSM-12-2018-0398.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://www.jstor.org/stable/249008.
Gretzel, U., Fuchs, M., Baggio, R., Hoepken, W., Law, R., Neidhardt, J., Pesonen, J., Zanker, M., & Xiang, Z. (2020). e-Tourism beyond Covid-19: A call for transformative research. Information Technology & Tourism, 22(2), 187-203. https://link.springer.com/article/10.1007/s40558-020-00181-3.
Islam, H., Işık, C., Ghosh, T., Siddieq, Md. M., Rahman, Md. A., Sumi, N. A., & Unurlu, Ç. (2026). Digital disruption meets sustainability: linear and nonlinear impacts of AI, carbon emissions, economic growth, trade, and exports on tourism in advanced economies. Journal of Policy Research in Tourism, Leisure and Events, 1-29. https://doi.org/10.1080/19407963.2025.2611163.
Ivanov, S., & Webster, C. (Eds.). (2019). Robots, Artificial Intelligence and Service Automation in Travel, Tourism and Hospitality. Bingley, UK: Emerald Publishing. https://doi.org/10.1108/9781787566873.
Lee, C. C., Chen, M. P., Wu, W., & Xing, W. (2021). The impacts of ICTs on tourism development: International evidence based on a panel quantile approach. Information Technology & Tourism, 23(4), 509-547. https://doi.org/10.1007/s40558-021-00215-4.
Mura, L., Stehlíková, B.. (2025). Artificial Intelligence and Tourism in the EU: A Data-Driven Analysis of Adoption and Economic Contribution. Folia Geographica, 67(1), 70-99. https://doi.org/10.5281/zenodo.19630122.
Nchofoung, T. N., Asongu, S. A., & Tchamyou, V. S. (2022). Tourism, ICT and inclusive development: Global evidence.  (AGDI Working Paper No. WP/22/037). African Governance and Development Institute. https://hdl.handle.net/10419/269044.
Oxford Insights. (2024). Government AI Readiness Index 2024. Oxford, UK: Oxford Insights. https://oxfordinsights.com/ai-readiness/.  
Romer, P. M. (1990). Endogenous technological change. Journal of Political Economy, 98(5, Part 2), S71–S102. https://www.jstor.org/stable/2937632.
Tussyadiah, I. (2020). A review of research into automation in tourism: Launching the Annals of Tourism Research Curated Collection on Artificial Intelligence and Robotics in Tourism. Annals of Tourism Research, 81, 102883. https://doi.org/10.1016/j.annals.2020.102883.  
UN Tourism. (2025). Tourism Statistics Database and SDG Indicator 8.9.1: Tourism Direct GDP as a proportion of total GDP. Madrid, Spain: World Tourism Organization. https://www.untourism.int/tourism-statistics/economic-contribution-SDG.
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186-204. https://www.jstor.org/stable/2634758.
World Bank. (2025). Tourism and Development: World Bank Group Support for the Tourism Sector. Washington, DC: World Bank. https://www.worldbank.org/ext/en/topic/tourism.
World Travel & Tourism Council (WTTC). (2025). Economic Impact Report 2025: Global Trends. London, UK: WTTC. https://wttc.org/research/economic-impact.