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

Sintesi Tecnica: Un Quadro di Supporto alle Decisioni Basato sui Dati per l'Agroturismo Sostenibile (AgroTour-DSF)

Problematica
L'agroturismo è riconosciuto come un meccanismo critico per lo sviluppo rurale sostenibile, colmando i divari tra città e campagna e diversificando il reddito delle comunità agricole. Tuttavia, il settore deve affrontare ostacoli significativi, tra cui infrastrutture inadeguate, presenza digitale limitata, strategie di marketing deboli e mancanza di formazione professionale tra gli stakeholder. Una sfida primaria identificata è l'assenza di un quadro strutturato e olistico per la valutazione delle prestazioni e l'identificazione delle necessità di miglioramento specifiche per regione. La letteratura esistente si basa spesso su modelli concettuali o sistemi di supporto alle decisioni (DSS) sperimentali limitati che non riescono a integrare fattori multidimensionali (demografici, ambientali, economici e socio-culturali) o mancano di una rigorosa validazione empirica. Di conseguenza, gli stakeholder mancano di approfondimenti azionabili e basati sui dati per ottimizzare le operazioni o pianificare una crescita sostenibile.

Metodologia
Lo studio propone AgroTour-DSF, un quadro di supporto alle decisioni basato sul machine learning, progettato per valutare, monitorare e potenziare la sostenibilità e la crescita inclusiva dei centri agroturistici. La metodologia segue una pipeline sequenziale basata sui dati:

1. Raccolta e Preparazione dei Dati: Dati primari e secondari sono stati raccolti da 155 centri agroturistici nella regione occidentale del Maharashtra, in India. Un questionario strutturato, validato tramite l'alfa di Cronbach e test di affidabilità, ha identificato 36 indicatori attraverso quattro dimensioni: Demografica (DC), Ambientale (EV), Economica (EC) e Socio-culturale (SC).
2. Generazione di Dati Sintetici: Per affrontare lo sbilanciamento delle classi nella variabile predittiva delle prestazioni (categorizzata in Molto Bassa, Bassa, Media, Alta e Molto Alta), lo studio ha impiegato la Copula Gaussiana e la Tecnica di Sovracampionamento dei Minori Sintetici (SMOTE). La validazione statistica (test di Kolmogorov–Smirnov e test Chi-Quadrato) ha confermato la somiglianza distributiva del dataset aumentato rispetto ai dati originali.
3. Ingegneria delle Caratteristiche (Feature Engineering): È stata utilizzata la regolarizzazione LASSO (Least Absolute Shrinkage and Selection Operator) come metodo di selezione delle caratteristiche incorporato. Questo approccio ha ridotto la dimensionalità eliminando gli attributi ridondanti, risultando in un sottoinsieme compatto di 21 caratteristiche critiche (ad esempio, coinvolgimento familiare, conservazione dell'acqua, spese giornaliere e utilizzo dei social media) che influenzano significativamente le prestazioni.
4. Sviluppo e Selezione del Modello: Quattro classificatori di machine learning sono stati addestrati e confrontati: Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF) e XGBoost. Le prestazioni sono state valutate utilizzando Accuratezza, Precisione, Recall, F1-Score e ROC-AUC.
5. Integrazione del Quadro e Interpretabilità: Il modello ottimale è stato integrato nel flusso di lavoro del DSF. Per garantire trasparenza e fiducia, sono stati utilizzati i valori SHAP (SHapley Additive exPlanations) per spiegare le previsioni del modello, quantificando il contributo di singole caratteristiche alle specifiche classificazioni delle prestazioni.

Risultati Chiave

• Prestazioni del Modello: Il modello Random Forest (RF), combinato con la selezione delle caratteristiche LASSO, è emerso come il classificatore più efficace, raggiungendo un'accuratezza dell'88% e un ROC-AUC del 98%. Il modello SVM è seguito da vicino con un'accuratezza dell'86% e un ROC-AUC del 97%. L'analisi statistica (t-test accoppiato) ha indicato che non vi è una differenza significativa tra RF e SVM, sebbene RF sia stato preferito per la sua robustezza con i dati tabulari.
• Importanza delle Caratteristiche: L'analisi LASSO ha identificato 21 caratteristiche chiave. I determinanti critici includevano l'area geografica, il coinvolgimento familiare, le pratiche di agricoltura biologica, l'ambiente naturale (laghi/foreste), strutture specifiche (giochi al coperto), la disponibilità di colture e la connettività digitale (siti web). Dal punto di vista economico, le spese giornaliere (cibo, dipendenti, domestiche) sono state evidenziate come indicatori vitali.
• Validazione del Quadro: L'AgroTour-DSF è stato testato su input di stakeholder non visti attraverso sette scenari. Il sistema ha dimostrato una fiducia predittiva da moderata ad alta (compresa tra il 76% e l'84%) in tutte le classi di prestazione.
• Interpretabilità: L'analisi SHAP ha rivelato driver distinti per diversi livelli di prestazione. Per i centri con basse prestazioni, le carenze nelle caratteristiche economiche e demografiche hanno spinto le previsioni verso il basso. Al contrario, le prestazioni alte e molto alte sono state guidate dalla minimizzazione dei vincoli e dalla presenza di specifici driver positivi come l'uso dei social media e le misure di sicurezza.
• Output Azionabile: Il quadro ha generato con successo "Top 10 Raccomandazioni" per i centri con scarse prestazioni, calcolando la deviazione assoluta dei loro profili di caratteristiche rispetto al profilo medio dei centri con prestazioni "Molto Alte".

Significato e Rivendicazioni
Gli autori affermano che l'AgroTour-DSF rappresenta il primo quadro completo progettato specificamente per l'agroturismo, distinguendosi dai modelli esistenti che si concentrano sul turismo convenzionale. Lo studio asserisce che il quadro:

• Colma il Gap di Ricerca: Va oltre le analisi concettuali per fornire uno strumento empiricamente validato e basato sui dati per la valutazione delle prestazioni.
• Migliora l'Inclusività: Sfruttando indicatori multidimensionali, sostiene la crescita inclusiva per i mezzi di sussistenza rurali, inclusi agricoltori, allevatori di latte e comunità locali.
• Migliora il Processo Decisionale: Offre ai decisori politici, pianificatori e operatori un approccio strutturato per il processo decisionale basato sull'evidenza, passando da sforzi non coordinati verso un potenziamento strategico.
• Garantisce la Trasparenza: L'integrazione dei valori SHAP affronta la natura di "scatola nera" del machine learning, fornendo agli stakeholder roadmap chiare e basate sull'evidenza per il miglioramento.

Limitazioni
Lo studio riconosce che il suo ambito è limitato ai centri agroturistici della regione occidentale del Maharashtra, in India. Gli autori osservano che, sebbene il quadro sia robusto, la sua implementazione in altre regioni potrebbe richiedere un raffinamento contestuale per tenere conto delle variazioni nelle zone agro-climatiche, nelle infrastrutture di trasporto e nelle condizioni socio-economiche.