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

Resumo Técnico: Um Framework de Suporte à Decisão Baseado em Dados para o Agroturismo Sustentável (AgroTour-DSF)

Declaração do Problema
O agroturismo é reconhecido como um mecanismo crítico para o desenvolvimento rural sustentável, unindo as divisões urbano-rurais e diversificando a renda das comunidades agrícolas. No entanto, o setor enfrenta obstáculos significativos, incluindo infraestrutura inadequada, presença digital limitada, estratégias de marketing fracas e falta de treinamento profissional entre os stakeholders. Um desafio primário identificado é a ausência de um framework estruturado e holístico para avaliar o desempenho e identificar necessidades de melhoria específicas de cada região. A literatura existente frequentemente se baseia em modelos conceituais ou Sistemas de Apoio à Decisão (SAD) experimentais limitados que falham em integrar fatores multidimensionais (demográficos, ambientais, econômicos e socioculturais) ou carecem de validação empírica rigorosa. Consequentemente, os stakeholders carecem de insights acionáveis e baseados em dados para otimizar operações ou planejar o crescimento sustentável.

Metodologia
O estudo propõe o AgroTour-DSF, um framework de suporte à decisão baseado em aprendizado de máquina projetado para avaliar, monitorar e aprimorar a sustentabilidade e o crescimento inclusivo dos centros de agroturismo. A metodologia segue um pipeline sequencial orientado por dados:

1. Coleta e Preparação de Dados: Dados primários e secundários foram coletados de 155 centros de agroturismo na região oeste de Maharashtra, Índia. Um questionário estruturado, validado via alfa de Cronbach e testes de confiabilidade, identificou 36 indicadores em quatro dimensões: Demografia (DC), Ambiental (EV), Econômica (EC) e Sociocultural (SC).
2. Geração de Dados Sintéticos: Para lidar com o desequilíbrio de classes na variável preditora de desempenho (categorizada em Muito Baixo, Baixo, Médio, Alto e Muito Alto), o estudo empregou Gaussian Copula e a Técnica de Sobreamostragem de Minorias Sintéticas (SMOTE). A validação estatística (teste Kolmogorov–Smirnov e teste Qui-Quadrado) confirmou a similaridade distributiva do conjunto de dados aumentado em relação aos dados originais.
3. Engenharia de Atributos (Feature Engineering): A regularização LASSO (Least Absolute Shrinkage and Selection Operator) foi utilizada como um método de seleção de atributos incorporado. Esta abordagem reduziu a dimensionalidade ao eliminar atributos redundantes, resultando em um subconjunto compacto de 21 atributos críticos (ex: envolvimento familiar, conservação de água, despesas diárias e uso de redes sociais) que influenciam significativamente o desempenho.
4. Desenvolvimento e Seleção de Modelos: Quatro classificadores de aprendizado de máquina foram treinados e comparados: Support Vector Machine (SVM), Árvore de Decisão (DT), Random Forest (RF) e XGBoost. O desempenho foi avaliado usando Acurácia, Precisão, Recall, F1-Score e ROC-AUC.
5. Integração do Framework e Interpretabilidade: O modelo ideal foi integrado ao fluxo de trabalho do DSF. Para garantir transparência e confiança, valores SHAP (SHapley Additive exPlanations) foram empregados para explicar as previsões do modelo, quantificando a contribuição de atributos individuais para classificações de desempenho específicas.

Principais Resultados

• Desempenho do Modelo: O modelo Random Forest (RF), combinado com a seleção de atributos LASSO, emergiu como o classificador mais eficaz, alcançando 88% de acurácia e 98% de ROC-AUC. O modelo SVM seguiu de perto com 86% de acurácia e 97% de ROC-AUC. A análise estatística (teste t pareado) indicou que não há diferença significativa entre RF e SVM, embora o RF tenha sido preferido por sua robustez com dados tabulares.
• Importância dos Atributos: A análise LASSO identificou 21 atributos fundamentais. Os determinantes críticos incluíram área geográfica, envolvimento familiar, práticas de agricultura orgânica, entorno natural (lagos/florestas), instalações específicas (jogos de interior), disponibilidade de safras e conectividade digital (websites). Economicamente, as despesas diárias (alimentação, funcionários, domésticas) foram destacadas como indicadores vitais.
• Validação do Framework: O AgroTour-DSF foi testado em entradas de stakeholders não vistas em sete cenários. O sistema demonstrou confiança preditiva moderada a alta (variando de 76% a 84%) em todas as classes de desempenho.
• Interpretabilidade: A análise SHAP revelou drivers distintos para diferentes níveis de desempenho. Para centros de baixo desempenho, deficiências em atributos econômicos e demográficos empurraram as previsões para baixo. Por outro lado, o alto e muito alto desempenho foi impulsionado pela minimização de restrições e pela presença de drivers positivos específicos, como o uso de redes sociais e medidas de segurança.
• Saída Acionável: O framework gerou com sucesso as "Top 10 Recomendações" para centros de baixo desempenho, calculando o desvio absoluto de seus perfis de atributos em relação ao perfil médio dos centros de desempenho "Muito Alto".

Significância e Alegações
Os autores alegam que o AgroTour-DSF representa o primeiro framework abrangente projetado especificamente para o agroturismo, distinguindo-se dos modelos existentes que focam no turismo convencional. O estudo afirma que o framework:

• Preenche a Lacuna de Pesquisa: Vai além das análises conceituais para fornecer uma ferramenta empiricamente validada e orientada por dados para avaliação de desempenho.
• Promove a Inclusividade: Ao alavancar indicadores multidimensionais, apoia o crescimento inclusivo para meios de subsistência rurais, incluindo agricultores, produtores de laticínios e comunidades locais.
• Melhora a Tomada de Decisão: Oferece a formuladores de políticas, planejadores e profissionais uma abordagem estruturada para a tomada de decisões baseada em evidências, afastando-se de esforços descoordenados em direção ao aprimoramento estratégico.
• Garante a Transparência: A integração de valores SHAP aborda a natureza de "caixa preta" do aprendizado de máquina, fornecendo aos stakeholders roteiros claros e baseados em evidências para melhoria.

Limitações
O estudo reconhece que seu escopo está confinado aos centros de agroturismo da região oeste de Maharashtra, Índia. Os autores observam que, embora o framework seja robusto, sua implementação em outras regiões pode exigir refinamento contextual para considerar variações em zonas agroclimáticas, infraestrutura de transporte e condições socioeconômicas.