A Data Driven Decision Support Framework for Sustainable Agro-tourism (AgroTour- DSF) and Inclusive Growth of Rural Infrastructure

Resumen Técnico: Un Marco de Soporte a la Decisión Basado en Datos para el Agroturismo Sostenible (AgroTour-DSF)

Planteamiento del Problema
El agroturismo es reconocido como un mecanismo crítico para el desarrollo rural sostenible, cerrando las brechas entre lo urbano y lo rural y diversificando los ingresos de las comunidades agrícolas. Sin embargo, el sector enfrenta obstáculos significativos, incluyendo una infraestructura inadecuada, una presencia digital limitada, estrategias de marketing débiles y una falta de formación profesional entre los actores interesados. Un desafío principal identificado es la ausencia de un marco estructurado y holístico para evaluar el desempeño e identificar necesidades de mejora específicas de cada región. La literatura existente a menudo se basa en modelos conceptuales o sistemas de soporte a la decisión (DSS) experimentales limitados que no logran integrar factores multidimensionales (demográficos, ambientales, económicos y socioculturales) o carecen de una validación empírica rigurosa. En consecuencia, los actores interesados carecen de información procesable y basada en datos para optimizar las operaciones o planificar un crecimiento sostenible.

Metodología
El estudio propone AgroTour-DSF, un marco de soporte a la decisión basado en aprendizaje automático diseñado para evaluar, monitorear y mejorar la sostenibilidad y el crecimiento inclusivo de los centros de agroturismo. La metodología sigue un flujo de trabajo secuencial basado en datos:

1. Recopilación y Preparación de Datos: Se recopilaron datos primarios y secundarios de 155 centros de agroturismo en la región occidental de Maharashtra, India. Un cuestionario estructurado, validado mediante el alfa de Cronbach y pruebas de confiabilidad, identificó 36 indicadores a través de cuatro dimensiones: Demografía (DC), Ambiental (EV), Económica (EC) y Sociocultural (SC).
2. Generación de Datos Sintéticos: Para abordar el desequilibrio de clases en la variable predictora de desempeño (categorizada en Muy Bajo, Bajo, Medio, Alto y Muy Alto), el estudio empleó la Cópula Gaussiana y la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE). La validación estadística (prueba de Kolmogorov–Smirnov y prueba de Chi-Cuadrado) confirmó la similitud de la distribución del conjunto de datos aumentado con respecto a los datos originales.
3. Ingeniería de Características: Se utilizó la regularización LASSO (Least Absolute Shrinkage and Selection Operator) como un método de selección de características embebido. Este enfoque redujo la dimensionalidad al eliminar atributos redundantes, resultando en un subconjunto compacto de 21 características críticas (por ejemplo, participación familiar, conservación del agua, gastos diarios y uso de redes sociales) que influyen significamente en el desempeño.
4. Desarrollo y Selección de Modelos: Se entrenaron y compararon cuatro clasificadores de aprendizaje automático: Máquina de Vectores de Soporte (SVM), Árbol de Decisión (DT), Bosque Aleatorio (RF) y XGBoost. El desempeño se evaluó utilizando Precisión, Exactitud, Recall, F1-Score y ROC-AUC.
5. Integración del Marco e Interpretabilidad: El modelo óptimo se integró en el flujo de trabajo del DSF. Para garantizar la transparencia y la confianza, se emplearon valores SHAP (SHapley Additive exPlanations) para explicar las predicciones del modelo, cuantificando la contribución de las características individuales a las clasificaciones de desempeño específicas.

Resultación Clave

• Desempeño del Modelo: El modelo de Bosque Aleatorio (RF), combinado con la selección de características LASSO, surgió como el clasificador más efectivo, alcanzando una exactitud del 88% y un ROC-AUC del 98%. El modelo SVM le siguió de cerca con un 86% de exactitud y un 97% de ROC-AUC. El análisis estadístico (prueba t pareada) indicó que no hay una diferencia significativa entre RF y SVM, aunque se prefirió RF por su robustez con datos tabulares.
• Importancia de las Características: El análisis LASSO identificó 21 características clave. Los determinantes críticos incluyeron el área geográfica, la participación familiar, las prácticas de agricultura orgánica, el entorno natural (lagos/bosques), instalaciones específicas (juegos de interior), disponibilidad de cultivos y conectividad digital (sitios web). Económicamente, los gastos diarios (alimentos, empleados, domésticos) fueron destacados como indicadores vitales.
• Validación del Marco: El AgroTour-DSF fue probado con entradas de actores interesados no observadas en siete escenarios. El sistema demostró una confianza predictiva de moderada a alta (que oscila entre el 76% y el 84%) en todas las clases de desempeño.
• Interpretabilidad: El análisis SHAP reveló impulsores distintos para diferentes niveles de desempeño. Para los centros de bajo desempeño, las deficiencias en las características económicas y demográficas empujaron las predicciones hacia abajo. Por el contrario, el alto y muy alto desempeño fue impulsado por la minimización de las restricciones y la presencia de impulsores positivos específicos como el uso de redes sociales y las medidas de seguridad.
• Resultado Accionable: El marco generó con éxito las "Top 10 Recomendaciones" para los centros con bajo desempeño mediante el cálculo de la desviación absoluta de sus perfiles de características respecto al perfil medio de los centros de alto desempeño.

Significancia y Reivindicaciones
Los autores afirman que AgroTour-DSF representa el primer marco integral diseñado específicamente para el agroturismo, distinguiéndolo de los modelos existentes que se centran en el turismo convencional. El estudio sostiene que el marco:

• Cierra la Brecha de Investigación: Va más allá de los análisis conceptuales para proporcionar una herramienta de evaluación de desempeño empíricamente validada y basada en datos.
• Mejora la Inclusividad: Al aprovechar indicadores multidimensionales, apoya el crecimiento inclusivo de los medios de vida rurales, incluyendo agricultores, productores lácteos y comunidades locales.
• Mejora la Toma de Decisiones: Ofrece a los responsables políticos, planificadores y profesionales un enfoque estructurado para la toma de decisiones basada en evidencia, pasando de esfuerzos descoordinados hacia una mejora estratégica.
• Garantiza la Transparencia: La integración de los valores SHAP aborda la naturaleza de "caja negra" del aprendizaje automático, proporcionando a los actores interesados hojas de ruta claras y basadas en evidencia para la mejora.

Limitaciones
El estudio reconoce que su alcance está limitado a los centros de agroturismo de la región occidental de Maharashtra, India. Los autores señalan que, si bien el marco es robusto, su implementación en otras regiones puede requerir un refinamiento contextual para tener en cuenta las variaciones en las zonas agroclimáticas, la infraestructura de transporte y las condiciones socioeconómicas.