پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 44 |
| تعداد شمارهها | 1,877 |
| تعداد مقالات | 15,278 |
| تعداد مشاهده مقاله | 43,731,468 |
| تعداد دریافت فایل اصل مقاله | 17,563,681 |
ارزیابی اثربخشی کمپینهای بازاریابی اجتماعی در گردشگری پایدار: رویکرد مبتنیبر یادگیری ماشین | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| تحقیقات بازاریابی نوین | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مقاله 5، دوره 15، شماره 4 - شماره پیاپی 59، دی 1404، صفحه 99-124 اصل مقاله (1.54 M) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: مقاله پژوهشی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.22108/nmrj.2025.146347.3228 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| حبیب ابراهیم پور* 1؛ ولی نعمتی2؛ سینا اردبیلی3؛ میرحمید سیدموسوی4 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1استاد گروه مدیریت دولتی و گردشگری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2استادیار گروه مدیریت دولتی و گردشگری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 3استادیار گروه مهندسی نوین، دانشکده فناوریهای نوین، دانشگاه محقق اردبیلی، اردبیل، ایران | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 4دانش آموخته کارشناسی ارشد گردشگری، گروه مدیریت دولتی و گردشگری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| با افزایش چالشهای زیستمحیطی و فرهنگی ناشی از گردشگری، اهمیت پایداری در این صنعت بهطور چشمگیری افزایش یافته است. در این زمینه، بازاریابی اجتماعی بهعنوان ابزاری مؤثر برای ترویج رفتار مسئولانۀ گردشگری و هدایت تغییر اجتماعی بهسمت توسعۀ پایدار ظهور کرده است. ظهور فناوریهای پیشرفته، بهویژه یادگیری ماشین، فرصتهای جدیدی را برای تجزیهوتحلیل رفتار مخاطبان و پیشبینی اثربخشی کمپینها ایجاد کرده است؛ بااینحال، هنوز خلأی در ادغام رویکردهای کیفی و کمی در این زمینه وجود دارد. هدف این پژوهش، ارزیابی اثربخشی کمپینهای بازاریابی اجتماعی در ارتقای رفتارهای گردشگری پایدار با استفاده از رویکردی ترکیبی است. در مرحلۀ کیفی، تجزیهوتحلیل موضوعی مصاحبههای نیمهساختاریافته با 16 متخصص، 23 زیرموضوع را در 6 موضوع اصلی گروهبندی کرد. این موضوعات، توسعۀ پرسشنامهای ساختاریافته را شکل دادند و دادههای جمعآوریشده از 297 پاسخدهنده با استفاده از الگوریتم ماشین بردار پشتیبان (SVM) تجزیهوتحلیل شدند. نتایج، دقت و قابلیت تعمیم زیاد مدل پیشبینی را نشان داد و عوامل کلیدی موفقیت کمپین بهعنوان تحلیل احساسات، مدلسازی رفتاری و شخصیسازی محتوا شناسایی شدند. چهارچوب پیشنهادی، ابزاری کاربردی برای تصمیمگیری مبتنیبر دادهها در سیاست بازاریابی گردشگری پایدار فراهم میکند. این مطالعه همچنین نشان میدهد که ادغام بینش انسانی با تحلیل الگوریتمی، پایه و اساس قدرتمندی برای طراحی مداخلات بازاریابی هدفمند، اخلاقی و همسو با پایداری ارائه میدهد. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژهها | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| بازاریابی اجتماعی؛ گردشگری پایدار؛ یادگیری ماشین؛ تحلیل مضمون؛ ماشین بردار پشتیبان | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
1- مقدمه و بیان مسئله در دهههای اخیر، گردشگری به یکی از ارکان کلیدی رشد اقتصادی و اشتغالزایی تبدیل شده است، بهطوریکه بیش از ۱۰درصد تولید ناخالص داخلی جهانی و حدود ۳۲۰ میلیون شغل را به خود اختصاص داده است (Guo & Chai, 2025)؛ بااینحال، توسعۀ سریع آن با چالشهایی چون تخریب زیستگاهها، افزایش مصرف منابع طبیعی و تهدید یکپارچگی فرهنگی همراه بوده است (Pan et al., 2018). در واکنش به این چالشها، مفهوم گردشگری پایدار بهعنوان راهکاری برای برقراری توازن میان منافع اقتصادی و حفظ منابع طبیعی و فرهنگی نسلهای آینده مطرح شده است (Richardson, 2021). این رویکرد بر کاهش پیامدهای منفی و افزایش منافع مثبت برای جوامع محلی، محیطزیست و اقتصاد محلی تأکید دارد (Guo & Chai, 2025). گردشگری پایدار، بهویژه در کشورهای درحال توسعه با منابع درآمدی محدود، فرصتی بیبدیل برای متنوعسازی اقتصاد و توانمندسازی جوامع فراهم میآورد و در این راستا، میتوان آن را صنعتی درآمدزا، و ابزاری برای توسعهای محلی، کمآسیب، فراگیر و عدالتمحور نیز در نظر گرفت (Richardson, 2021). در این میان، بازاریابی اجتماعی ابزاری مؤثر برای ترویج رفتارهای مسئولانۀ گردشگری محسوب میشود (Wardana & Sukaatmadja, 2018). برخلاف بازاریابی سنتی که بیشتر بر اهداف اقتصادی و تجاری تمرکز دارد، بازاریابی اجتماعی بر تأثیرات اجتماعی، فرهنگی و زیستمحیطی تأکید دارد و موجب ارتقا مسئولیتپذیری جمعی میشود (Hall, 2016). شواهد تجربی، موفقیت این رویکرد را در تغییر رفتار گردشگران و افزایش مشارکت آنها در فعالیتهای زیستمحیطی نشان میدهد، بهویژه در کمپینهایی که توسط سازمانهای مردمنهاد اجرا شدهاند (Truong et al., 2024). افزونبر آن، کمپینهای بازاریابی اجتماعی، رفتار فردی گردشگران را تحت تأثیر قرار میدهند و در مقیاس سیستمی نیز به تغییرات ساختاری کمک میکنند (Ananthian & Rajasekaran, 2025). تحولات ناشی از دیجیتالسازی و ظهور رسانههای اجتماعی، زمینهساز دگرگونیهای بنیادین در شیوههای بازاریابی اجتماعی در صنعت گردشگری شدهاند. محتوای تولیدشدۀ کاربران و کمپینهای تعاملی، نقش چشمگیری در شکلدهی به تصمیمات گردشگران ایفا کرده و زمینهساز تقویت فرهنگ گردشگری مسئولانه شده است (Swati, 2019). در این میان، الگوریتمهای یادگیری ماشین (Machine Learning) بهعنوان ابزارهایی توانمند در تحلیل کلاندادهها و استخراج بینشهای راهبردی، جایگاه ویژهای یافتهاند (Şeker, 2023). این فناوریها با تحلیل دادههای حاصل از تعاملات شبکههای اجتماعی و بازخورد مشتریان، به پیشبینی اثربخشی کمپینهای بازاریابی اجتماعی کمک شایانی کردهاند (Tuo et al., 2025). الگوریتمهایی نظیر درخت تصمیمگیری (Decision Tree)، ماشین بردار پشتیبان (Support Vector Machines) و یادگیری عمیق (Deep Learning) قادر به مدلسازی روابط پیچیده میان ترجیحات گردشگران، محتوای ارائهشده در کمپینها، و عوامل محیطی بودهاند (Lahagun et al., 2024). این مدلها نهتنها در شناسایی روندهای نوظهور و بخشبندی مخاطبان کارآمد بودهاند، بلکه تخصیص بهینه منابع بازاریابی را نیز ممکن ساختهاند (Majan et al., 2024). بهویژه، تلفیق یادگیری عمیق با روش تحلیل ارزش شاپلی (Shapley Value) سبب ارتقا شفافیت درونی مدلها شده است (Huang et al., 2024)؛ موضوعی که به افزایش اعتماد کاربران به سامانههای مبتنیبر داده و تسهیل پذیرش آنها در صنعت گردشگری منجر شده است. مطالعات نشان میدهد سازمانهایی که در زیرساختهای فناورانه یادگیری ماشین سرمایهگذاری کردهاند، تعاملات مؤثرتر با مشتریان و میزان بازگشت سرمایۀ بیشتری را تجربه کردهاند (Koushik et al., 2020). ازسویدیگر، بهرهگیری از یادگیری تطبیقی و تحلیل لحظهای دادهها، امکان بازنگری و بهبود مستمر راهبردهای بازاریابی را در راستای تقویت پایداری مقاصد گردشگری فراهم کرده است (Huang et al., 2024). تحلیل دیدگاه کاربران در رسانههای اجتماعی به کمک الگوریتمهای پیشرفتهای همچون درخت تصمیمگیری و یادگیری عمیق، دقت پیشبینی عملکرد کمپینها را بهطور چشمگیری افزایش داده است (Lahagun et al., 2024). این الگوریتمها با شناسایی الگوهای پنهان رفتاری و تخصیص هوشمند منابع، بازدهی بازاریابی اجتماعی را ارتقا دادهاند (Majan et al., 2024). همچنین، شفافسازی منطق تصمیمگیری مدلهای یادگیری ماشین، به پذیرش هرچه بیشتر این فناوری در سطح صنعت یاری رسانده و نقش آن را در آیندۀ گردشگری پایدار تثبیت کرده است (Koushik et al., 2020). بررسی پیشینۀ موجود نشان میدهد، یادگیری ماشین در حوزههای گوناگون گردشگری، ازجمله پیشبینی تقاضا، تحلیل احساسات و پایش رسانههای اجتماعی، نتایج امیدوارکنندهای ارائه کرده است (Núñez, 2023). افزونبر آن، هوش مصنوعی (Artificial Intelligence) و یادگیری ماشین بهعنوان پیشرانهایی کلیدی در پیشبرد اهداف گردشگری پایدار ازطریق بهینهسازی بهرهوری، ترویج رفتارهای مصرفی مسئولانه، و تقویت اقدامهای اقلیمی مطرح شدهاند (Elezmazy & El-Shahat, 2025)؛ بااینحال، خلأهایی در پیشینۀ موجود، بهویژه دربارۀ نحوۀ پیشبینی و سنجش اثربخشی کمپینهای بازاریابی اجتماعی با استفاده از مدلهای یادگیری ماشین در بستر گردشگری پایدار مشاهده میشود. بیشتر پژوهشها تمرکز خود را بر پیشبینی تقاضا یا کاربردهای کلی هوش مصنوعی در پایداری معطوف کردهاند و به ترکیب رویکردهای کیفی و کمی در تحلیل دادهها کمتر پرداختهاند. مرور پیشینه نشان میدهد که نقش بازاریابی اجتماعی در ترویج رفتارهای گردشگری پایدار بهطور گسترده مورد توجه قرار گرفته است؛ اما اغلب پژوهشها یا به تحلیل محتوای پیامهای کمپینی پرداختهاند (Truong et al., 2024) یا فقط اثربخشی آنها را بر پایۀ شاخصهای خوداظهاری و نگرشسنجی بررسی کردهاند (Wardana & Sukaatmadja, 2018)؛بااینحال، هیچ مطالعهای تاکنون به ارزیابی تجربی اثربخشی کمپینهای بازاریابی اجتماعی با اتکا به تحلیل دادههای واقعی مخاطبان و مدلهای یادگیری ماشین نپرداخته است؛ در نتیجه، خلأی تجربی در پیشینۀ موجود وجود دارد که مانع از درک عمیق ارتباط میان متغیرهای رفتاری، شناختی و فناورانه درزمینۀ اثربخشی کمپینها میشود. بر این اساس، هدف اصلی این پژوهش، ارزیابی اثربخشی کمپینهای بازاریابی اجتماعی در ترویج رفتارهای گردشگری پایدار با بهرهگیری از رویکردی ترکیبی است. در مرحلۀ کیفی، عوامل کلیدی مؤثر بر موفقیت کمپینها ازطریق تحلیل موضوعی مصاحبههای نیمهساختاریافته با خبرگان شناسایی شد. در مرحلۀ کمی، با استفاده از الگوریتم ماشین بردار پشتیبان (SVM)، میزان تأثیر هریک از این عوامل بر اثربخشی کمپینها سنجیده و مدلی پیشبینانه برای ارزیابی عملکرد کمپینها توسعه یافت. انتظار میرود نتایج این پژوهش ضمن تقویت مبانی نظری بازاریابی اجتماعی در حوزۀ گردشگری پایدار، ابزارهای تحلیلی کارآمدی برای تصمیمگیری مبتنیبر داده در سیاستگذاری و طراحی مداخلات بازاریابی فراهم آورد.
۱-۲- مبانی نظری ۱-۲-۱- بازاریابی اجتماعی بازاریابی اجتماعی بهعنوان رویکرد راهبردی ریشهدار در اصول بازاریابی تجاری، با هدف تأثیرگذاری بر تغییرات رفتاری داوطلبانه در راستای منافع فردی و اجتماعی توسعه یافته است (Ananthian & Rajasekaran, 2025). برخلاف بازاریابی سنتی که بیشتر بر سودآوری اقتصادی تمرکز دارد، بازاریابی اجتماعی با تمرکز بر چالشهای اجتماعی، زیستمحیطی و فرهنگی، رفاه عمومی را ازطریق کمپینهای هدفمند در اولویت قرار میدهد. در حوزۀ گردشگری، بازاریابی اجتماعی بهعنوان ابزاری حیاتی برای ترویج شیوههای پایدار نظیر کاهش ضایعات، حفظ فرهنگهای بومی و تشویق به سفرهای سازگار با محیطزیست، در عین تقویت مشارکت جامعۀ محلی، نقشآفرینی کرده است (Widiantoro, 2023).
۱-۲-۲- بازاریابی اجتماعی در گردشگری پایدار اثربخشی کمپینهای بازاریابی اجتماعی در گردشگری پایدار به سه عامل کلیدی بستگی دارد: طراحی پیام، انتخاب رسانه و تحلیل رفتار مخاطب (Font & McCabe, 2017). طراحی پیام باید ازنظر احساسی و شناختی برای مخاطب طنینانداز باشد و اغلب با بهرهگیری از اصالتهای فرهنگی مانند سنتها یا جشنوارههای محلی، به افزایش اعتماد و جذابیت مقاصد کمک کند. استفاده از رسانههای اجتماعی با قابلیت داستانسرایی بصری و تعامل مستقیم با مخاطبان، موجب افزایش دسترسی و اثربخشی کمپینها شده است (Widiantoro, 2023). در این راستا، بهکارگیری تحلیلهای پیشبینیکننده و تکنیکهای یادگیری ماشین، امکان تقسیمبندی دقیقتر مخاطبان و تطبیق پیامها با ویژگیهای جمعیتشناختی و رفتاری آنان را فراهم میکند (Truong et al, 2024). مطالعات تجربی بر اهمیت ارزیابی اثربخشی کمپینها ازطریق سنجش تغییر در نگرشها، دانش و رفتارهای بلندمدت گردشگران تأکید دارند (Lee & Jan, 2019)؛ برای نمونه، مطالعاتی که به حفاظت از منابع آب یا حفظ اماکن میراث فرهنگی پرداختهاند، نشان میدهند که تأثیر پایدار مستلزم استفاده از حلقههای بازخورد و راهبردهای تطبیقی است (MacInnes et al, 2022)؛ بااینحال، چالشهایی نظیر ایجاد تعادل بین رشد گردشگری و حفاظت از مقاصد و همچنین مقابله با پدیدۀ گردشگری انبوه، همچنان باقی است.
۱-۲-۳- یادگیری ماشین و کاربردهای آن در بازاریابی یادگیری ماشین بهعنوان زیرمجموعهای از هوش مصنوعی، سیستمها را قادر میسازد تا بهطور خودکار الگوها و روابط درون دادهها را ازطریق آموزش تکراری الگوریتمی بدون نیاز به برنامهنویسی صریح کشف کنند (Wen, 2025). این فناوری، تجزیهوتحلیل پیشبینیکننده در بازاریابی، بهویژه ارزیابی نتایج کمپینهای بازاریابی اجتماعی را متحول ساخته است. الگوریتمهای اصلی یادگیری ماشین شامل درختهای تصمیمگیری، ماشین بردار پشتیبان و شبکههای یادگیری عمیق مانند مدلهای شبکه عصبی حافظه طولانی کوتاهمدت (Long Short Term Memory) هستند که هریک بهطور خاص در تحلیل دادههای رفتاری و زمانی کارآمدی نشان دادهاند (Padia & Sarvaiya, 2023). در حوزۀ بازاریابی، این الگوریتمها با تحلیل دادههای چندبعدی شامل متغیرهای جمعیتشناختی، رفتاری و روانشناختی، امکان پیشبینی اثربخشی کمپینهای بازاریابی را فراهم کردهاند. بهعنوان مثال، روش جنگلهای تصادفی (Random forest) با تجمیع نتایج چندین درخت تصمیمگیری، به دقت بیشتری در بخشبندی مشتریان بر اساس الگوهای مصرف و سطح درآمد دست یافته است (Shah & Kumar, 2024). همچنین، الگوریتم تقویت گرادیان (Gradient Boosting) و مدلهای شبکه عصبی حافظه طولانی کوتاهمدت، با سازگاری با تغییرات فصلی و نوسانات بازار، در پیشبینی فروش عملکرد بهتری نسبت به مدلهای سنتی ارائه کردهاند (Padia & Sarvaiya, 2023). کاربرد یادگیری ماشین در بهینهسازی تبلیغات رسانههای اجتماعی نیز درخور توجه است، بهگونهای که تجزیهوتحلیلهای پیشبینیکننده مبتنیبر یادگیری ماشین، بخشهای مخاطبان با روند تبدیل بالا را شناسایی کرده و امکان تخصیص پویا و مؤثر بودجه را فراهم میسازند (Jan et al, 2024). این مدلها با تحلیل متغیرهایی مانند میزان تعامل کاربر، تاریخچه روند تبدیل و عوامل زمینهای، بینشهای عملیاتی ارزشمندی در مورد احتمال موفقیت کمپینهای بازاریابی ارائه میکنند (Shah & Kumar, 2024). ۱-۲-۴- ترکیب یادگیری ماشین و بازاریابی اجتماعی در گردشگری پایدار تلاقی یادگیری ماشین، بازاریابی اجتماعی و گردشگری پایدار بهعنوان حوزۀ تحقیقاتی پویا میتواند فرصتهای نوآورانهای برای ارتقای پایداری در صنعت گردشگری ایجاد کند. استفاده از تکنیکهای یادگیری ماشین، بهویژه در تحلیل دادههای تولیدشده از منابعی چون بازخوردهای آنلاین و تعاملات رسانههای اجتماعی، امکان شناسایی الگوها، پیشبینی تقاضا و تنظیم دقیق پیامهای بازاریابی را فراهم آورده است (Şeker, 2023). علاوهبر این، تحلیل پیشبینیکننده و تحلیل احساسات میتوانند تأثیر احتمالی کمپینهای بازاریابی را ارزیابی کرده و زمینه بهینهسازی در لحظه راهبردها را فراهم کند (Núñez et al, 2024). ادغام یادگیری ماشین با بازاریابی اجتماعی با بهبود تقسیمبندی مخاطبان، شخصیسازی محتوا و ارزیابی مؤثرتر نتایج کمپینها، اثربخشی این فرایند را افزایش داده است (Ostian, 2024). ابزارهای مبتنیبر هوش مصنوعی همچنین قادرند روندها و بازخوردهای رسانههای اجتماعی را رصد کرده، ارزیابی عملکرد کمپینها را خودکار کنند و پیشنهادهایی برای بهبود ارائه دهند (Lacárcel, 2022). همچنین، مدلهای پردازش زبان طبیعی و سیستمهای توصیهگر میتوانند پیشنهادها شخصیسازیشدهای برای گردشگران ارائه دهند که با اصول پایداری همسو باشند (Blasi et al, 2024). این فناوریها به کسبوکارهای گردشگری کمک میکنند تا با بهینهسازی عملیات، کاهش ردپای زیستمحیطی و ارتقای تجربه مشتری، سودآوری خود را حفظ کنند (Louati et al, 2024). مطالعات تجربی نشان دادهاند که کاربرد یادگیری ماشین در گردشگری به بازاریابی محدود نیست، و در شناسایی خوشههای پایداری، تشخیص موارد سبزشویی و تقویت ارتباطات میان سازمانهای متعهد به پایداری نیز نقشآفرینی میکند (Blasi et al, 2024). درمجموع، همگرایی یادگیری ماشین و بازاریابی اجتماعی پتانسیل چشمگیری برای ارتقا تصمیمگیری مبتنیبر داده و تقویت پایداری بلندمدت مقاصد گردشگری ایجاد میکند.
۱-۳- پیشینۀ پژوهش بررسی پیشینۀ پژوهشهای داخلی در جدول 1 نشان میدهد که اگرچه کاربرد فناوریهای نوین مانند هوش مصنوعی و یادگیری ماشین در گردشگری ایران رشد یافته است، تمرکز بیشتر مطالعات بر پیشبینی تقاضا، بهینهسازی خدمات و تحلیل احساسات بوده و به ابعاد فرهنگی و رفتاری مرتبط با پایداری کمتر توجه شده است (محمدزاده لطفی و همکاران، 1404؛ فلاح تفتی، 1400). در مقابل، پژوهشهای حوزۀ بازاریابی اجتماعی بیشتر به بررسی نقش نگرشی و آموزشی آن در ارتقای رفتارهای مسئولانه و توسعۀ پایدار پرداختهاند (جلالنیا، 1403؛ رنگرز جدی و امین ناصری، 1402؛ زارعی و همکاران، 1395)، اما بدون تحلیل دادهمحور اثربخشی واقعی کمپینها بودهاند؛ بنابراین، خلأی آشکار میان دو جریان پژوهشی فناوریمحور و اجتماعیمحور در گردشگری پایدار وجود دارد. پژوهش حاضر با اتخاذ رویکردی میانرشتهای و ترکیبی (کیفی-کمی)، این خلأ را پر میکند و با تلفیق روشهای تحلیل محتوای کیفی و الگوریتمهای یادگیری ماشین (SVM)، چهارچوبی دادهمحور برای ارزیابی اثربخشی کمپینهای بازاریابی اجتماعی در گردشگری پایدار ارائه میدهد. نوآوری اصلی پژوهش در ادغام بینشهای انسانی با تحلیل الگوریتمی، تبیین تعامل عوامل فرهنگی، فناورانه و شناختی در موفقیت کمپینها و ارائه مدلی کاربردی برای تصمیمسازی مبتنیبر داده نهفته است.
جدول 1. مروری بر پژوهشهای داخلی مرتبط Table 1. Overview of Related Domestic Studies
۲- روش پژوهش این پژوهش با اتخاذ رویکردی ترکیبی از نوع اکتشافی-متوالی (Exploratory Sequential Mixed-Methods Design) به شناسایی و تحلیل عوامل مؤثر بر موفقیت کمپینهای بازاریابی اجتماعی در حوزۀ گردشگری پایدار پرداخته است. چهارچوب پژوهش متشکل از دو مرحلۀ متوالی کیفی و کمّی است که در مرحلۀ نخست از تحلیل مضمون و در مرحلۀ دوم، از الگوریتم یادگیری ماشین (ماشین بردار پشتیبان) بهرهگیری شده است. این طراحی پژوهشی امکان دستیابی به درک عمیقتری از سازوکارهای مفهومی و ساختارهای پیشبینیکنندۀ موفقیت کمپینهای بازاریابی اجتماعی را فراهم میسازد.
۲-۱- مرحلۀ اول: تحلیل کیفی مضمون در بخش کیفی پژوهش، دادهها ازطریق انجام مصاحبههای نیمهساختاریافته با ۱۶ نفر از خبرگان حوزههای مرتبط گردآوری شد. ترکیب مشارکتکنندگان شامل ۹ نفر از اعضای هیئتعلمی دانشگاه، ۳ متخصص بازاریابی دیجیتال و ۴ فعال حوزۀ گردشگری پایدار بود. خبرگان با استفاده از روش نمونهگیری هدفمند و با در نظر گرفتن این معیارها انتخاب شدند: 1. دستکم پنج سال سابقۀ فعالیت یا پژوهش در بازاریابی گردشگری، بازاریابی اجتماعی یا توسعۀ پایدار؛ 2. مشارکت در دستکم یک کمپین بازاریابی اجتماعی مرتبط با گردشگری؛ 3. تحصیلات دانشگاهی درزمینۀ مدیریت گردشگری یا بازاریابی؛ 4. آشنایی با رسانههای دیجیتال و فناوریهای نوین بازاریابی. جامعۀ آماری مصاحبهها براساس معیار اشباع نظری تعیین شد؛ بهطوری که پساز انجام آخرین مصاحبه، دادههای جدید منجر به ظهور مفهوم یا کد معنادار تازهای نشدند. جلسات مصاحبه بهصورت انفرادی، جداگانه و در قالب ترکیبی از جلسات حضوری و آنلاین (ازطریق بسترهای ارتباطی مجازی) برگزار شد. میانگین مدتزمان هر مصاحبه حدود ۴۵ دقیقه بود. شیوهنامۀ مصاحبهها بر محورهایی همچون بازاریابی اجتماعی، پیامدهای رفتاری کمپینها، نقش هوش مصنوعی در گردشگری و بازاریابی، توسعۀ پایدار و ملاحظات فرهنگی در بافتهای گردشگری متمرکز بود. دادههای حاصل از مصاحبهها با استفاده از نرمافزار ATLAS.ti (نسخۀ ۲۴) و مطابق با رویکرد ششمرحلهای تحلیل مضمون براون و کلارک کدگذاری و تحلیل شدند (Braun & Clarke, 2006). در مرحلۀ نخست تحلیل، تعداد ۴۰۹ کد اولیه استخراج شد که پساز پالایش و تجمیع، در قالب ۲۳ زیرمضمون (زیرتم) دستهبندی شدند. در ادامه، با انجام فرایندهای بعدی تحلیل، 6 مضمون اصلی نهایی شناسایی و بهعنوان مبنای طراحی ابزار کمّی پژوهش از آنها استفاده شد.
۲-۲- مرحلۀ دوم: الگوریتم ماشین بردار پشتیبان در این مرحله از پژوهش، بهمنظور مدلسازی روابط میان مضامین (تمها)، زیرمضامین و متغیر وابسته (موفقیت کمپینهای بازاریابی اجتماعی)، از الگوریتم ماشین بردار پشتیبان استفاده شد. هدف از این مدلسازی، شناسایی الگوهای پیشبینیکننده و سنجش قدرت تبیینی متغیرهایی بود که در مرحلۀ کیفی پژوهش استخراج شده بودند. بر این اساس، از یافتههای کیفی بهعنوان مبنایی برای طراحی ابزار کمّی استفاده و پرسشنامهای با ۲۸ گویه تدوین شد که ابعاد مختلف اثربخشی کمپینهای بازاریابی اجتماعی را پوشش میداد. برای تعیین حجم نمونۀ مورد نیاز، از فرمول کوکران استفاده شد. با در نظر گرفتن جمعیت آماری ۱۰۰۰ نفر، سطح اطمینان ۹۵درصد و میزان خطای مجاز ۵درصد، حجم نمونه حداقلی ۲۷۸ نفر برآورد شد. در نهایت، تعداد ۲۹۷ پرسشنامه معتبر ازطریق نمونهگیری طبقهبندیشده و با تمرکز بر چهار گروه هدف شامل دانشجویان رشته گردشگری، دانشجویان و پژوهشگران حوزۀ هوش مصنوعی، گردشگران و اعضای جامعۀ محلی گردآوری و برای تحلیل دادههای گردآوریشده از پرسشنامه نیز از الگوریتم ماشین بردار پشتیبان بهره گرفته شد. این الگوریتم بهدلیل قدرت بسیار در مدلسازی روابط غیرخطی و قابلیت تعمیم مناسب، برای پیشبینی موفقیت کمپینهای بازاریابی اجتماعی انتخاب شد. در این پژوهش، از تابع هستهای چندجملهای (Polynomial Kernel) استفاده شد تا امکان مدلسازی روابط پیچیده میان متغیرها فراهم شود. فرم تابع هستهای استفادهشده بهصورت زیر است: Kernel (x,y) = (c + g. x .y) d
در این رابطه، پارامترهای تنظیمشده شامل: ضریب g=10، مقدار ثابت c=0.88 و درجه چندجملهای d=3 میباشند. همچنین مقدار پارامتر هزینه (Cost) که بیانکنندۀ جریمۀ مدل برای طبقهبندی نادرست است، برابر با 0.50 تنظیم و برای مدلسازی مسائل رگرسیونی، از اپسیلون تابع زیان (ε) برابر با 0.40 استفاده شد که به مدل امکان نادیده گرفتن خطاهای کوچک را میدهد. بهمنظور افزایش دقت و پایداری مدل، عدد تحمل عددی برای همگرایی (Numerical Tolerance) برابر با 0.001 تعیین شد. این تنظیمات بهگونهای انتخاب شدند که حداکثر تعادل میان دقت مدل، توانایی تعمیم و پیچیدگی محاسباتی فراهم شود.
۳- بحث و یافتههای پژوهش ۳-۱- یافتههای حاصل از تحلیل مضمون براساس تحلیل مضمون انجامشده، 6 مضمون (مضمون اصلی) در ارتباط با نقش الگوریتمهای یادگیری ماشین در پیشبینی موفقیت کمپینهای بازاریابی اجتماعی در حوزه گردشگری پایدار شناسایی شد. هریک از این مضامین، ابعاد گوناگونی از تعامل فناوریهای هوشمند با رفتار مخاطب و طراحی راهبردی کمپینهای بازاریابی را در بر میگیرد. این یافتهها در جدول 2 ارائه شده و در ادامه بهتفصیل تشریح میشوند.
جدول 2. یافتههای حاصل از تحلیل مضمون Table 2. Findings from Thematic Analysis
نخستین مضمون شناساییشده بر اهمیت خلاقیت و نوآوری در تولید پیامهای تأثیرگذار تأکید دارد. مشارکتکنندگان بر این باور بودند که پیامهایی با بار عاطفی زیاد، طراحی بصری جذاب و محتوای الهامبخش میتوانند بهصورت مؤثری بر نگرش مخاطبان به رفتارهای پایدار اثرگذار باشند. بازطراحی پیامها براساس بازخوردهای مخاطبان، بهرهگیری از روایتهای مثبت و القای ارزشهای زیستمحیطی و اجتماعی، ازجمله راهبردهای کلیدی اشارهشده در این زمینه هستند.
دومین مضمون به ظرفیت الگوریتمهای یادگیری ماشین در تحلیل دادههای رفتاری کاربران و پیشبینی اثربخشی کمپینهای بازاریابی اختصاص دارد. ابزارهایی نظیر تحلیل احساسات، مدلسازی رفتاری، پیشبینی اثربخشی الگوریتمها و خودکار رفتارها، امکان طراحی کمپینهایی هدفمند، دادهمحور و متناسب با ویژگیهای فردی مخاطبان را فراهم میآورند. بهویژه، شناسایی دقیقتر گروههای هدف موجب افزایش اثربخشی پیامها و بهبود تخصیص منابع بازاریابی میشود.
بُعد اخلاقی بهرهگیری از فناوریهای هوشمند بهعنوان سومین مضمون برجسته شد. مشارکتکنندگان بر ضرورت توجه به ارزشهای اخلاقی در طراحی الگوریتمها و تحلیل دادهها تأکید داشتند. در این چهارچوب، توانمندسازی و تقویت رویکردهای مسئولانه در گروههای بازاریابی، رعایت اصولهای اخلاقی و تحلیل اخلاقمحور رفتارها، از مؤلفههای اساسی موفقیت کمپینهای بازاریابی درزمینۀ گردشگری پایدار برشمرده شدند.
چهارمین مضمون به نقش کلیدی شخصیسازی در ارتقای تعامل با مخاطبان اشاره دارد. ارائۀ پیامها و محتوای متناسب با ویژگیها، ترجیحات و نیازهای خاص هر کاربر، عاملی تعیینکننده در افزایش مشارکت و اثربخشی کمپینهای بازاریابی تلقی شد. همچنین، تحلیل دلایل شکست برخی کمپینها در جذب مخاطبان بیانگیزه و ارائۀ راهکارهای نوآورانه برای فعالسازی این گروهها، از دیگر نکات مهم در این مضمون بود.
پنجمین مضمون به اهمیت تصمیمگیری راهبردی در طراحی و اجرای کمپینهای بازاریابی اشاره دارد. انتخاب بهینۀ کانالهای توزیع محتوا، زمانبندی دقیق ارائۀ محتوا و انجام تصمیمگیری مشارکتی در گروههای بازاریابی، از عوامل کلیدی موفقیت در این کمپینها شناخته شدند. این عوامل بهویژه در افزایش کارایی، هماهنگی در اجرا و دستیابی به نتایج ملموس نقش بسزایی ایفا میکنند.
در نهایت، ششمین مضمون به بسترهای فنی، اجتماعی و امنیتی مورد نیاز برای پیادهسازی موفق بازاریابی اجتماعی میپردازد. تأمین امنیت دادههای کاربران، فراهمسازی زیرساختهای فناورانه، مشارکت مؤثر کنشگران اجتماعی بهویژه اینفلوئنسرها و رفع موانع اقتصادی و فنی، ازجمله پیشنیازهای حیاتی برای عملیاتیسازی این رویکرد در صنعت گردشگری پایدار محسوب میشوند.
شکل 1. نقشه مفهومی حاصل از یافتههای تحلیل مضمون (اثربخشی کمپینهای بازاریابی اجتماعی در گردشگری پایدار) Figure 1. Conceptual Map Derived from Thematic Analysis Findings (Effectiveness of Social Marketing Campaigns in Sustainable Tourism)
در شکل 1، تحلیل شبکۀ مفهومی استخراجشده از نرمافزار ATLAS.ti نشان داده شده است. این شبکه مفهومی امکان شناسایی و طبقهبندی روابط میان مفاهیم و زیرمضمونهای پژوهش را فراهم ساخت. این روابط براساس ماهیت و جهتگیری تأثیرگذاری، به سه دستۀ اصلی شامل روابط تعاملی، علّی و ترتیبی تقسیم شدند. این شبکۀ مفهومی، درک عمیقتری از نحوۀ کنش متقابل زیرمضمونها درزمینۀ بهکارگیری الگوریتمهای یادگیری ماشین در کمپینهای بازاریابی اجتماعی گردشگری پایدار فراهم میآورد. نخست، روابط تعاملی بیانکنندۀ تأثیرات متقابل و همزمان میان مفاهیماند؛ بهگونهای که هر مفهوم میتواند همزمان نقش تأثیرگذار و تأثیرپذیر ایفا کند؛ برای نمونه، پیوند میان محتوای خلاق و مدلسازی رفتاری کمپینها از نوع تعاملی است. طراحی خلاقانۀ پیامها به بهبود دقت در مدلسازی رفتار مخاطبان کمک میکند و در مقابل، تحلیلهای رفتاری دقیق میتواند الهامبخش توسعۀ محتوایی نوآورانه باشد. چنین روابطی بازتابدهندۀ همافزایی پویا میان اجزای مختلف کمپینهای بازاریابیاند. در مقابل، روابط علّی بر پایۀ منطق علت و معلول استوارند؛ بدین معنا که وقوع یا تغییر یک مفهوم، زمینهساز بروز یا تحول مفهومی دیگر میشود؛ برای مثال، تحلیل احساسات بهعنوان ورودی دادهمحور، نقش علّت را در مدلسازی رفتاری کمپینها ایفا و شناسایی دادهمحور مخاطبان زمینۀ تحقق بازاریابی رفتارمحور را فراهم میکند. این روابط، ساختار علّی پنهان در فرایندهای تصمیمگیری و طراحی کمپینها را نمایان میسازند و به ترسیم مسیرهای منطقی در فرایندهای بازاریابی کمک میکنند. در نهایت، روابط ترتیبی ناظر بر تقدم و تأخر مفاهیم در یک زنجیره زمانی یا فرایندی هستند. در این نوع روابط، تحقق یک زیرمضمونها در گرو تحقق مفهومی پیشین است؛ برای نمونه، انتخاب کانالهای توزیع باید پیشاز زمانبندی ارائۀ محتوا صورت گیرد تا بستر مناسب انتشار فراهم شود. همچنین، پیشبینی اثربخشی الگوریتمها مقدم بر پیشبینی خودکار رفتارها در نظر گرفته میشود. این روابط، نقشهای کاربردی برای طراحی گامبهگام کمپینها و بهرهگیری مرحلهای از الگوریتمها فراهم میسازند. بهطور کلی، طبقهبندی سهگانۀ روابط مفهومی در شبکۀ مفهومی بهدستآمده، از سطح شناسایی مفاهیم فراتر رفته و به تحلیلگر این امکان را میدهد تا ساختار ارتباطی پیچیده میان مؤلفهها را در قالب الگوهای تعاملی، علّی و ترتیبی تبیین کند. این رویکرد، بنیانی چندلایه برای فهم عمیقتر نقش الگوریتمهای یادگیری ماشین در ارتقا اثربخشی کمپینهای بازاریابی اجتماعی در چهارچوب گردشگری پایدار فراهم میسازد.
۳-۲- یافتههای حاصل از الگوریتم ماشین بردار پشتیبان در این مرحلۀ از پژوهش، پساز طراحی پرسشنامه بر پایۀ کدهای استخراجشده از تحلیل مضمون و تکمیل آن توسط ۲۹۷ نفر از پاسخدهندگان، دادههای حاصل با بهرهگیری از الگوریتم ماشین بردار پشتیبان تحلیل شد. هدف اصلی این تحلیل، ارزیابی توانمندی مدل در پیشبینی اثربخشی کمپینهای بازاریابی اجتماعی درزمینۀ گردشگری پایدار و نیز شناسایی مؤلفههای کلیدی مؤثر بر موفقیت این کمپینها بود. یافتههای حاصل از اجرای مدل حاکی از عملکرد درخور توجه آن در طبقهبندی دادهها و تفکیک سطوح موفقیت کمپینهاست. بهمنظور تحلیل جامع عملکرد مدل، از مجموعهای از ابزارهای آماری و تصویری شامل شاخصهای ارزیابی عملکرد (Performance Metrics)، ماتریس سردرگمی (Confusion Matrix)، نمودار موزائیکی (Mosaic Plot)، نقشه حرارتی (Heatmap) و منحنی افزایش کارایی (Lift Curve) استفاده شد. این ابزارها در قالب جدولها و نمودارهای تحلیلی، بهطور نظاممند به بررسی دقت، حساسیت، تعادل و توان پیشبینی مدل در طبقات مختلف متغیر هدف پرداختند. برای سنجش دقت مدل در پیشبینی موفقیت کمپینها، از ارزیابی شاخصهای عملکرد الگوریتم ماشین بردار پشتیبان استفاده شد که نتایج آن در جدول 3 ارائه شده است:
یافتههای ذکرشده بیانکنندۀ عملکرد مطلوب مدل در تمایزگذاری میان کلاسهای مختلف موفقیت کمپینهای بازاریابیاند. مقدار زیاد شاخص AUC (برابر با 0.856) نشان میدهد که مدل در تفکیک دقیق کلاسها، بهویژه در شرایطی با پیچیدگیهای فراوان و دادههای نسبتاً نامتوازن، از توان بیشتری برخوردار است. دقت کلی مدل (Accuracy) معادل 84.5درصد بوده و F1-Score برابر با 0.840، بیانکنندۀ تعادل مطلوب میان دقت پیشبینی (Precision=0.838) و حساسیت (Recall=0.845) در مدل است؛ بهنحوی که مدل توانسته است ضمن کاهش خطای مثبت کاذب، بیشتر نمونههایی واقعی مثبت را نیز با موفقیت شناسایی کند. ازسویدیگر، مقدار شاخص MCC که یکی از معتبرترین سنجهها در سنجش عملکرد مدلهای طبقهبندی بهویژه در شرایط نامتوازن دادهها به شمار میرود، برابر با 0.603 به دست آمده است که حاکی از همبستگی متوسط به بالا میان برچسبهای واقعی و پیشبینیشده است.
بهمنظور ارزیابی دقت مدل ماشین بردار پشتیبان در تفکیک سطوح مختلف موفقیت کمپینهای بازاریابی اجتماعی در حوزۀ گردشگری پایدار، از ماتریس سردرگمی (Confusion Matrix) بهره گرفته شد (جدول 4). دادههای استفادهشده مشتمل بر پاسخهای ۲۹۷ نفر به پرسشنامهای متشکل از ۲۳ زیرمضمونها طراحیشده براساس تحلیل مضمون بودند. هدف طبقهبندی نمونهها در سه سطح موفقیت شامل 0.0 (کم)، 0.8 (متوسط) و 1.0 (زیاد) بوده است. نتایج حاصل از ماتریس سردرگمی نشان داد که مدل عملکرد مطلوبی در شناسایی کمپینهای بسیار موفق (برچسب 1.0) داشته است. بهطور مشخص، از میان ۲۱۴ نمونۀ واقعی متعلق به این طبقه، تعداد ۲۰۰ نمونه بهدرستی شناسایی شدند (True Positives)، که دقتی معادل 93.5درصد را در این دسته به ثبت رسانده است. این موضوع گویای آن است که مدل در تفکیک ویژگیهای مرتبط با کمپینهای بسیار موفق از سایر طبقات، از دقت بیشتری برخوردار بوده و میتواند بهعنوان ابزاری مؤثر در تشخیص اثربخشی زیاد در کمپینهای بازاریابی اجتماعی استفاده شود. در مقابل، عملکرد مدل در طبقه «موفقیت کم» (برچسب 0.0) از دقت کمتری برخوردار بود. از مجموع نمونههای واقعی متعلق به این طبقه، تنها ۳۲ «پاسخ بهدرستی» در این طبقه شناسایی شدند، درحالیکه ۴۹ نمونه بهاشتباه در طبقۀ موفقیت زیاد قرار گرفتند. این میزان خطای طبقهبندی (میزان خطای نسبی حدود 60.5درصد) بیانکنندۀ گرایش مدل به بیشبرآوردی موفقیت است؛ پدیدهای که ممکن است از نامتوازن بودن دادهها (تعداد اندک نمونههای برچسب 0.0) یا تشابه ویژگیهای ظاهری میان کمپینهای با موفقیت کم و زیاد ناشی شده باشد. دربارۀ طبقۀ «موفقیت متوسط» (برچسب 0.8)، فقط دو نمونه در کل دادهها وجود داشت که از این میان تنها یکی بهدرستی طبقهبندی شد. حجم اندک داده در این طبقه مانع از انجام تحلیل آماری معنادار شده و دلالت بر لزوم استفاده از روشهای تقویت داده مانند SMOTE (Synthetic Minority Oversampling Technique) یا تجمیع طبقات در پژوهشهای آینده دارد. افزایش حجم نمونههای این گروه میتواند موجب بهبود تعادل طبقهبندی و کاهش سوگیری مدل شود. بهطور کلی، مدل ماشین بردار پشتیبان در پیشبینی کلی موفقیت کمپینها، بهویژه در شناسایی کمپینهای موفق، عملکرد رضایتبخشی از خود نشان داده است؛ اما ضعف آن در تمایزگذاری دقیق میان کمپینهای با موفقیت کم یا متوسط، نیازمند مداخلات اصلاحی در سطوح داده و مدل است. ازجمله اقدامهای مؤثر میتوان به بازبینی در ساختار دادههای ورودی، طراحی الگوریتمهای هیبریدی یا بهرهگیری از تکنیکهای متوازنسازی کلاس اشاره کرد. اهمیت این یافتهها ازآنجهت است که نشان میدهند چگونه میتوان با اتکای به روشهای دادهمحور و مدلهای پیشبینیگر، بینشهای معتبری دربارۀ طراحی و ارزیابی کمپینهای بازاریابی اجتماعی به دست آورد و از آنها در سیاستگذاری مبتنیبر شواهد در حوزۀ گردشگری پایدار بهره برد.
شکل 2. نمودار موزائیکی (Mosaic Plot) در الگوریتم ماشین بردار پشتیبان Figure 2. Mosaic Plot o fthe Support Vector Machine (SVM) Algorithm
بهمنظور ارزیابی میزان تطابق میان خروجی مدل ماشین بردار پشتیبان و مقادیر واقعی متغیر وابسته، از نمودار موزائیکی بهعنوان ابزار تحلیل بصری استفاده شد (شکل 2). این نمودار رابطۀ میان برچسبهای واقعی موفقیت کمپینها و پیشبینیهای انجامشده توسط مدل را بهگونهای گرافیکی و ساختاریافته به تصویر میکشد و امکان بررسی توزیع طبقات در خروجی مدل را فراهم میسازد. در ساختار نمودار، محور افقی نشاندهندۀ مقادیر واقعی متغیر وابسته (Success Level) در سه سطح 0.0 (ناموفق)، 0.8 (میانه) و 1.0 (موفق) و محور عمودی نمایشگر مقادیر پیشبینیشده توسط مدل است. رنگبندی نمودار بهصورت کدگذاریشده و با هدف تسهیل درک تفکیکی نتایج انجام شده است: آبی برای سطح 0.0، قرمز برای سطح 0.8، و سبز برای سطح 1.0. نتایج حاصل از این نمودار بیانکنندۀ عملکرد مؤثر مدل در شناسایی صحیح کمپینهای موفق است. بخش عمدهای از بلوک سبزرنگ (پیشبینی سطح 1.0) با مقادیر واقعی معادل منطبق بوده و نشاندهندۀ توان بالای مدل در تمایزگذاری دقیق این طبقه است. همچنین، تطابق درخور توجه بلوکهای آبیرنگ با سطح واقعی 0.0 نیز مؤید دقت نسبتاً مناسب مدل در پیشبینی کمپینهای ناموفق است؛ بااینحال، طبقۀ میانی (0.8) دارای تعداد نسبتاً اندکی نمونه بوده که این موضوع نهتنها بر تضعیف قدرت تعمیم مدل در این گروه دلالت دارد، بلکه لزوم تعادلبخشی در دادههای آموزشی را نیز مطرح میسازد. از منظر تحلیل ساختاری، تقارن نسبی و نظم هندسی موجود در توزیع بلوکهای نمودار موزائیکی نشاندهندۀ پایداری عملکرد مدل در مواجهه با دادههای واقعی است. این الگو تأیید میکند که مدل در کنار دقت بالا در پیشبینی طبقۀ موفق، توانایی قابل قبولی در افتراق طبقات دیگر نیز از خود نشان داده است؛ ازاینرو، نمودار موزائیکی ابزار مناسبی برای ارزیابی کیفی مدل محسوب میشود و تصویری جامع از نحوۀ توزیع طبقات پیشبینیشده در مقابل واقعیت میدانی ارائه میدهد. در مرحلۀ تحلیل کمی پژوهش، دادههای گردآوریشده ازطریق پرسشنامهای که بر پایۀ مفاهیم و کدهای استخراجشده از تحلیل مضمون طراحی شده بود، با بهرهگیری از الگوریتم ماشین بردار پشتیبان بررسی و برای کشف الگوهای پنهان و تبیین روابط پیچیده میان متغیرها و نمونهها، از تحلیل خوشهای دوسویه همراه با ترسیم نقشۀ حرارتی استفاده شد. نتایج حاصل در شکل 3 بهصورت بصری ارائه شدهاند. نقشۀ حرارتی ترسیمشده، دادههای نرمالسازیشده را در مقیاس 0.2 تا ۱ نمایش میدهد. در این نمودار، محور افقی نشاندهندۀ ۲۹۷ نمونۀ پاسخدهنده و محور عمودی نشاندهندۀ ۲۳ زیرمضمون استخراجشده از مرحلۀ کیفی تحقیق است. طیف رنگی بهکاررفته از آبی تیره تا زرد روشن، بیانکنندۀ شدت پاسخدهی به هر زیرمضمون است؛ بهطوریکه رنگ آبی منعکسکنندۀ سطوح پایینتر و رنگ زرد بازتابدهندۀ مقادیر بالاتر (میزان بالاتر توافق یا اثرگذاری ادراکشده) است.
شکل 3. نقشه حرارتی (Heatmap) در الگوریتم ماشین بردار پشتیبان Figure 3. Heatmap of the Support Vector Machine (SVM) Algorithm
تحلیلی که بهصورت همزمان در محور پاسخدهندگان و متغیرها انجام شد، نشان داد که متغیرها در دو خوشۀ اصلی و پاسخدهندگان در چندین زیرخوشه تفکیک شدهاند. در میان متغیرها، مجموعهای از زیرمضمونها مرتبط با تحلیل پیشبینی رفتار مخاطب و شخصیسازی و هدفگذاری محتوا بهصورت خوشهای متراکم در ناحیه میانی نقشه نمایان شدهاند. این تمرکز ساختاریافته دلالت بر همبستگی بالا و نقش کلیدی این عوامل در شکلگیری الگوهای رفتاری پاسخدهندگان دارد. در سوی دیگر، الگوهای خوشهای در محور پاسخدهندگان نشان داد که گروههایی مشخص با پاسخهای همگون نسبت به مجموعهای از گویهها شکل گرفتهاند؛. بهعنوان مثال، دستهای از مشارکتکنندگان که سطح بالایی از موافقت با زیرمضمونها خلاقیت در طراحی پیام و مشارکت اجتماعی را نشان دادند، بیشتر در یک خوشۀ مستقل تجمیع یافتهاند. این یافته بهروشنی نشان میدهد که رویکردهای خلاقانه و مشارکتمحور، بیشترین تأثیر را بر مخاطبان با گرایش به رفتارهای پایدار دارند. علاوهبر این، نتایج حاصل از اجرای مدل ماشین بردار پشتیبان بر دادههای حاصل از زیرمضمونها، دقت بالایی در پیشبینی الگوهای رفتاری شرکتکنندگان نشان داد (بیش از 90درصد) تحلیل اهمیت ویژگیها (Feature Importance) نیز آشکار ساخت که زیرمضمونهایی نظیر مدلسازی رفتاری کمپینها، تحلیل احساسات و مشارکت اجتماعی بالاترین سهم را در موفقیت پیشبینیهای مدل ایفا کردهاند. این یافتهها بهطور مشخص بر اهمیت رویکردهای دادهمحور و استفاده هدفمند از شخصیسازی در طراحی و اجرای کمپینهای بازاریابی اجتماعی در حوزه گردشگری پایدار تأکید دارند.
شکل 4. نمودار افزایش کارایی (Lift Curve) در الگوریتم ماشین بردار پشتیبان Figure 4. Lift Curve of the Support Vector Machine (SVM) Algorithm
بهمنظور سنجش عملکرد نسبی مدل ماشین بردار پشتیبان در شناسایی مؤثرترین مخاطبان برای کمپینهای بازاریابی اجتماعی، از نمودار افزایش کارایی (Lift Curve) بهرهگیری شد (شکل 4). این نمودار یکی از ابزارهای تحلیلی کلیدی در حوزه مدلسازی پیشبینی است که نشان میدهد چگونه استفاده از مدل یادگیری ماشین در مقایسه با انتخاب تصادفی، موجب بهبود میزان شناسایی پاسخدهندگان با احتمال بالای واکنش مثبت میشود. در این نمودار، محور افقی (P Rate) نشاندهندۀ درصدی از کل نمونههاست که براساس مقادیر احتمال پیشبینیشده توسط مدل انتخاب شدهاند، درحالیکه محور عمودی (Lift) نسبت دقت مدل را نسبت به خط پایۀ انتخاب تصادفی نمایش میدهد. خطچین افقی در مقدار Lift = 1، عملکرد تصادفی را مشخص میسازد و سطوح بالاتر از این مقدار، نشاندهندۀ اثربخشی مدل در اولویتبندی دقیقتر نمونههای هدف است. براساس یافتههای حاصل از تحلیل، مدل در بازههایی با میزان انتخاب کمتر از 3درصد (P Rate < 0.3)، عملکردی چشمگیر از خود نشان داده است؛ بهویژه در نواحی ابتدایی نمودار که مقدار Lift حتی از ۳.۵ نیز فراتر رفته است. این موضوع بهروشنی نشان میدهد که مدل پیشنهادی قادر است در شناسایی مخاطبانی که با احتمال بالا به کمپین واکنش مثبت نشان میدهند، عملکردی چندبرابر بهتر از انتخاب تصادفی ارائه دهد. آستانۀ بهینۀ احتمال برای تصمیمگیری (Probability Threshold) برابر با 0.257 تعیین شد. این مقدار نشان میدهد که چنانچه تنها ۲۵.۷درصد از کل جمعیت هدف، که دارای بالاترین احتمال پیشبینیشده هستند، برای فعالیتهای بازاریابی انتخاب شوند، مدل همچنان میتواند میزان موفقیتی بهمراتب بالاتر از سطح تصادفی ارائه کند. بهطور کلی، نتایج بهدستآمده از نمودار Lift مؤید آن است که مدل یادگیری ماشین توسعهیافته بر پایۀ دادههای تحلیل مضمون، ابزاری کارآمد برای هدفگذاری بهینه و تخصیص مؤثر منابع در کمپینهای بازاریابی اجتماعی محسوب میشود. این قابلیت بهویژه درزمینۀ ارتقا اثربخشی مداخلات بازاریابی در حوزۀ گردشگری پایدار میتواند نقش کلیدی ایفا کند.
۴- نتیجهگیری و پیشنهادها پژوهش حاضر با رویکردی میانرشتهای، در تلاش است تا درک عمیقتری از نحوۀ طراحی، اجرا و ارزیابی کمپینهای بازاریابی اجتماعی در حوزۀ گردشگری پایدار ارائه دهد. یافتهها بهروشنی نشان دادند که موفقیت چنین کمپینهایی فقط به خلاقیت در طراحی پیام یا سرمایهگذاری مالی محدود نمیشود، بلکه مستلزم نگاهی سیستمی است که در آن تعامل بین عوامل فرهنگی، فناوری، شناختی و اجتماعی نقش محوری ایفا میکند. در سطح نظری، نتایج نشان دادند که بازاریابی اجتماعی مؤثر، نیازمند ترکیب سه بُعد محتوایی، تحلیلی و اخلاقی است. در بُعد محتوایی، تمرکز بر روایتهای الهامبخش و انسانمحور که احساس همدلی، مسئولیتپذیری و انگیزش درونی را در مخاطب تقویت کند، موجب افزایش پذیرش پیامهای پایدار میشود. طراحی بصری، داستانسرایی، و بهرهگیری از عناصر محلی و فرهنگی، بهعنوان راهبردهای محتوایی موفق شناسایی شدند که میتوانند تغییرات رفتاری ملموس را تسهیل کنند. این نتایج نشان میدهد که بازاریابی اجتماعی موفق در گردشگری پایدار، نیازمند درک عمیق از بافت فرهنگی مقصد و ترجمۀ آن به زبان روایت و تجربه است، نهفقط انتقال پیامهای آگاهیبخش. در بُعد تحلیلی، بهرهگیری از الگوریتمهای یادگیری ماشین -نظیر ماشین بردار پشتیبان (SVM)- قابلیت ارتقا دقت و اثربخشی تصمیمگیری بازاریابان را بهصورت معناداری افزایش میدهد. ترکیب تحلیل دادههای رفتاری کاربران با شاخصهای عملکردی (مانند نرخ تعامل و بازنشر محتوا) امکان پیشبینی موفقیت کمپینها را فراهم کرده و نوعی بازخورد یادگیرنده برای بهبود مستمر طراحی کمپینها ایجاد میکند. طبقهبندی میزان واکنش کاربران و پیشبینی موفقیت کمپینها بر مبنای شاخصهای واقعی (مانند میزان کلیک، تعامل و بازنشر محتوا)، بستری برای بازاریابی دادهمحور فراهم میکند که در آن سیاستگذاری بر پایۀ شواهد ممکن میشود. در عین حال، تحلیل حساسیت مدل نشان داد که کیفیت محتوا، هدفگذاری شخصیشده، و زمانبندی انتشار ازجمله عوامل کلیدیاند که بیشترین تأثیر را در موفقیت کمپینها دارند. در بُعد اخلاقی، پژوهش تأکید کرد که بدون توجه به اصول اخلاقی در طراحی الگوریتمها، همچون شفافیت، نبود تبعیض، و حفاظت از حریم خصوصی کاربران، اثربخشی ظاهری کمپینها میتواند به بیاعتمادی عمومی و در نهایت کاهش پایایی مداخلات منجر شود؛ ازاینرو، تلفیق سواد فناورانه با بینش اخلاقی در گروههای بازاریابی اجتماعی، ضرورتی است که میتواند اثربخشی کمپینها را از سطح فنی به سطح اجتماعی و فرهنگی ارتقا دهد. همچنین، چهارچوب مفهومی ارائهشده در این تحقیق، که بر مبنای تحلیل مضمون شکل گرفته، تصویری جامع و ساختاریافته از عوامل مؤثر بر اثربخشی کمپینها ارائه داده است. این چهارچوب، ضمن آشکارسازی روابط علّی، ترتیبی و تعاملی میان مضامین، میتواند بهعنوان ابزاری تحلیلی و اجرایی در فرایند طراحی کمپینها استفاده شود. چنین نگاهی از پراکندگی اجزای کمپین جلوگیری کرده و امکان همافزایی میان پیام، کانال، مخاطب و اهداف کلان سیاستگذاری را فراهم میآورد. از منظر کاربردی، یافتههای پژوهش نشان میدهد که نهادهای گردشگری، سازمانهای مردمنهاد و سیاستگذاران فرهنگی میتوانند با بهرهگیری از چهارچوب مفهومی و ابزارهای تحلیلی ارائهشده، به طراحی مداخلاتی بپردازند که نهتنها آگاهی زیستمحیطی و فرهنگی گردشگران را افزایش میدهد، بلکه مشارکت فعال آنان در فرایند گذار به گردشگری پایدار را نیز تسهیل میکند. در این راستا، نتایج پژوهش حاضر میتواند بهعنوان مبنایی برای توسعۀ سیاستها و راهبردهای هوشمند در مدیریت گردشگری استفاده شود؛ بهگونهای که مدیران و سیاستگذاران با اتکا بر تحلیل دادهمحور از رفتار مخاطبان، قادر به طراحی کمپینهایی هدفمند، شخصیسازیشده و متناسب با بافت فرهنگی و اجتماعی مقصد باشند. بهکارگیری داشبوردهای تحلیلی مبتنیبر یادگیری ماشین، ایجاد سامانههای بازخورد بیدرنگ و ادغام شاخصهای پایداری در نظام ارزیابی عملکرد کمپینها میتواند اثربخشی تصمیمگیری و تخصیص منابع را بهطور چشمگیری افزایش دهد. در کنار آن، سرمایهگذاری در آموزش و توانمندسازی فعالان حوزۀ بازاریابی اجتماعی برای استفاده مؤثر از ابزارهای دادهمحور و شکلدهی شبکههای همکاری میان نهادهای پژوهشی، دولتی و خصوصی، زمینهساز شکلگیری نظامی یکپارچه، یادگیرنده و مبتنیبر شواهد در مدیریت کمپینهای گردشگری پایدار خواهد بود. در پایان، این پژوهش زمینهای برای مطالعات آینده فراهم میآورد تا با تعمیم این مدل به حوزههای دیگر بازاریابی اجتماعی، ازجمله سلامت، محیطزیست و آموزش، نقشۀ راهی برای طراحی مداخلات مؤثر، اخلاقمحور و مبتنیبر داده در جوامع مختلف ترسیم شود.
۵- تعارض منافع نویسندگان اعلام میدارند که در انجام این پژوهش هیچگونه تعارض منافعی برای ایشان وجود نداشته است. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
اسدیان اردکانی، فائزه (1403). تحلیل رضایت گردشگران از منظر هوش مصنوعی: یک مطالعه کتابسنجی. فصلنامه مطالعات مدیریت گردشگری، 20(71)، 253-294. https://doi.org/10.22054/tms.2025.83370.3012 جلالنیا، راحله (1403). ارائه الگوی بازاریابی اجتماعی جهت کسب مزیت رقابتی پایدار در شرکتهای دانشبنیان. مدیریت بازرگانی، 16(4)، 883-908. https://doi.org/10.22059/jibm.2024.360903.4601 رنگرز جدی، محمد، و امین ناصری، فاطمه (1402). تأثیر بازاریابی اجتماعی بر بهبود توسعه ی پایدار کسبوکار (مورد مطالعه: شرکت پدیده پایدار). کنفرانس بین المللی مطالعات مدیریت، فرهنگ و هنر. https://sid.ir/paper/1113325/fa زارعی، عظیم، آذر، عادل، و رضایی راد، مصطفی (1395). سنجش بازاریابی اجتماعی در گردشگری سلامت. برنامهریزی و توسعه گردشگری، 5(18)، 53-33. https://tourismpd.journals.umz.ac.ir/article_1373_0.html?lang=fa فلاح تفتی، حامد (1400). پیشبینی تعداد گردشگران بر اساس رکوردهای اطلاعاتی گوگل ترندز با روش یادگیری ماشینی (موردمطالعه: گردشگران شهر یزد). گردشگری و توسعه، 10(2)، 67-79. https://doi.org/10.22034/jtd.2020.217294.1952 محمدزاده لطفی، الهه، ایمانی خوشخو، محمد حسین، و هاشمی، سید سعید (1404). طراحی مدل بازاریابی گردشگری در بستر هوش مصنوعی. فصلنامه مطالعات مدیریت گردشگری، 20(70)، 124-78. https://doi.org/10.22054/tms.2025.84067.3031 مرادی دولیسکانی، نسرین، و اتقیا، ناهید (1399). نقش بازاریابی اجتماعی در توسعه گردشگری ورزشی استان تهران. نشریه کسبوکار در ورزش، 1(1)، 59-45. https://doi.org/10.22051/sbj.2021.36529.1003 مهدوی قره آغاج علیا، اکبر، عزیزیان کهن، نسرین، اسفندیاری، علیرضا، و حرمتی، امیرحسین (1403). بررسی نقش میانجی نشاط اجتماعی در رابطۀ بین بازاریابی اجتماعی و انگیزه برای شرکت در فعالیتهای فراغتی ورزشی (مطالعۀ موردی: سالمندان استان اردبیل). گردشگری و اوقات فراغت، 9(17)، 293-314. https://doi.org/10.22133/tlj.2024.459697.1181
Ananthian, R. S. A., & Rajasekaran, S. R. C. (2025). Development of social marketing in tourism: A bibliometric approach. Multidisciplinary Science Journal, 7(4), 2025211. https://doi.org/10.31893/multiscience.2025211 Asadian Ardekani, F. (2024). Analyzing tourist satisfaction through artificial intelligence: A bibliometric study. tourism Management Studies, 20(71), 253-294. https://doi.org/10.22054/tms.2025.83370.3012 [In Persian] Blasi, S., Fano, S., Sedita, S. R., & Toschi, G. (2024). A network perspective of cognitive and geographical proximity of sustainable tourism organizations: Evidence from Italy. International Journal of Contemporary Hospitality Management, 36(2), 478-504. https://doi.org/10.1108/IJCHM-03-2022-0366 Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative research in psychology, 3(2), 77-101. https://doi.org/10.1191/1478088706qp063oa Elezmazy, I. M., & El-Shahat, D. (2025). The role of machine learning algorithms in driving sustainable development goals: A comprehensive survey. International Journal of Computers and Informatics (Zagazig University), 6, 40-63. https://www.ijci.zu.edu.eg/index.php/ijci/article/download/98/83 Fallah Tafti, H. (2021). Forecasting the tourists demands based on Google trends information records by machine learning method (Case study: Yazd tourists). Tourism and Development, 10(2), 67–79. https://doi.org/10.22034/jtd.2020.217294.1952 [In Persian] Font, X., & McCabe, S. (2017). Sustainability and marketing in tourism: Its contexts, paradoxes, approaches, challenges and potential. Journal of Sustainable Tourism, 25(7), 869-883. https://doi.org/10.1080/09669582.2017.1301721 Guo, Y., & Chai, Y. (2025). Toward green tourism: The role of renewable energy for sustainable development in developing nations. Frontiers in Sustainable Tourism, 4, 1512922. https://doi.org/10.3389/frsut.2025.1512922 Hall, C. M. (2016). Intervening in academic interventions: Framing social marketing's potential for successful sustainable tourism behavioural change. Journal of Sustainable Tourism, 24(3), 350-375. https://doi.org/10.1080/09669582.2015.1088861 Huang, L., Zheng, W., & Deng, Z. (2024). Tourism demand forecasting: An interpretable deep learning model. Tourism Analysis, 29(4), 465-479. https://doi.org/10.3727/108354224X17180286995735 Jalalnia, R. (2024). Proposing a social marketing model for gaining sustainable competitive advantage in knowledge-based companies. Journal of Business Management, 16(4), 883-908. https://doi.org/10.22059/jibm.2024.360903.4601 [In Persian] Jan, F. M., Iqbal, M. M., Khadam, U., & Akbar, H. (2024). Social media platform prediction for digital marketing using machine learning techniques. Journal of Computing & Biomedical Informatics, 6(2), 347-358. https://jcbi.org/index.php/Main/article/view/295 Koushik, A. N., Manoj, M., & Nezamuddin, N. (2020). Machine learning applications in activity-travel behaviour research: a review. Transport Reviews, 40(3), 288-311. https://doi.org/10.1080/01441647.2019.1704307 Lacárcel, F. J. S. (2022). Main uses of artificial intelligence in digital marketing strategies linked to tourism. Journal of Tourism, Sustainability and Well-being, 10(3), 215-226. https://doi.org/10.34623/mppf-r253 Lahagun, P., Devkota, B., Giri, S., & Budha, P. (2024). Machine learning-based social media review analysis for recommending tourist spots. Journal of Engineering and Sciences, 3(1), 45-52. http://dx.doi.org/10.3126/jes2.v3i1.66234 Lee, T. H., & Jan, F. H. (2019). Can community-based tourism contribute to sustainable development? Evidence from residents’ perceptions of the sustainability. Tourism Management, 70, 368-380. https://doi.org/10.1016/j.tourman.2018.09.003 Louati, A., Louati, H., Alharbi, M., Kariri, E., Khawaji, T., Almubaddil, Y., & Aldwsary, S. (2024). Machine learning and artificial intelligence for a sustainable tourism: A case study on Saudi Arabia. Information, 15(9), 516. https://doi.org/10.3390/info15090516 MacInnes, S., Grün, B., & Dolnicar, S. (2022). Habit drives sustainable tourist behaviour. Annals of Tourism Research, 92, 103329. https://doi.org/10.1016/j.annals.2021.103329 Mahdavi Ghare Aghaj Alia, A., Azizian Kahan, N., Esfandiari, A., & Hormati, A. (2024). Investigating the mediating role of social vitality in the relationship between social marketing and motivation for participating in sport leisure activity (Case study: Elderly in Ardabil Province). Tourism and Leisure Time Studies, 9(17), 293-314. https://doi.org/10.22133/tlj.2024.459697.118 [In Persian] Majan, K., Mishra, A., Tiwari, V., & Prasad Vemuri, V. (2024). Artificial intelligence: The next frontier for marketing in the tourism industry. Academy of Marketing Studies Journal, 28(1), 1-12. Mohammadzadeh Lotfi, E., Imani Khoshkhah, M. H., & Hashemi, S. S. (2025). Designing a tourism marketing model in the context of artificial intelligence. Tourism Management Studies, 20(70), 78-124. https://doi.org/10.22054/tms.2025.84067.3031 [In Persian] Moradi Dolisekani, N., & Otaghia, N. (2020). The role of social marketing in sports tourism development in Tehran province. Sport Business Journal, 1(1), 45–59. https://doi.org/10.22051/sbj.2021.36529.1003 [In Persian] Núñez, J. C. S., Gómez‐Pulido, J. A., & Ramírez, R. R. (2024). Machine learning applied to tourism: A systematic review. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 14(5), e1549. https://doi.org/10.1002/widm.1549 Ostian, Z. (2024). Promoting tourism services through AI-driven social media marketing: A case for small businesses. EUREKA: Social and Humanities, (6), 16-27. https://doi.org/10.21303/2504-5571.2024.003665 Padia, N., & Sarvaiya, M. (2023). Leveraging machine learning for accurate sales forecasting: A data-driven approach. Available at SSRN 5105369. https://ssrn.com/abstract=5105369 Pan, S. Y., Gao, M., Kim, H., Shah, K. J., Pei, S. L., & Chiang, P. C. (2018). Advances and challenges in sustainable tourism toward a green economy. Science of the Total Environment, 635, 452-469. https://doi.org/10.1016/j.scitotenv.2018.04.134 Rangrazjadi, M., & Amin Naseri, F. (2023). The impact of social marketing on improving sustainable business development (case study: Padeedeh Paydar Company). International Conference on Management, Culture, and Art Studies. https://sid.ir/paper/1113325/fa [In Persian] Richardson, R. B. (2021). The role of tourism in sustainable development. Oxford Research Encyclopedias. https://doi.org/10.1093/acrefore/9780199389414.013.387 Şeker, F. (2023). Evolution of machine learning in tourism: A comprehensive review of seminal research. Journal of Artificial Intelligence and Data Science, 3(2), 54-79. https://dergipark.org.tr/en/download/article-file/3200707 Shah, M. A., & Kumar, P. (2024). Leveraging machine learning techniques to project customer behaviour through predictive analysis and ethical marketing. In S. S. Dadwal, H. Jahankhani, & K. Revett (Eds.), Market Grooming (pp. 121-138). Emerald Publishing Limited. http://dx.doi.org/10.1108/978-1-83549-001-320241006 Swati. (2019). The role of social media in promoting sustainable tourism: Strategies, impact, and consumer engagement. International Journal of Tourism and Hotel Management, 1(1), 23-30. https://www.tourismjournal.net/archives/2019.v1.i1.A.75 Truong, V. D., Saunders, S. G., Tkaczynski, A., & Rundle-Thiele, S. (2024). Tourism and social marketing: An integrative review. Journal of Sustainable Tourism, 32(12), 2698-2717. https://doi.org/10.1080/09669582.2024.2309729 Tuo, Y., Wu, J., Zhao, J., & Si, X. (2025). Artificial intelligence in tourism: Insights and future research agenda. Tourism Review, 80(4), 793-812. https://doi.org/10.1108/TR-03-2024-0180 Wardana, I. M., & Sukaatmadja, P. G. (2018). Social Marketing in the Development of Tourism. 1st Economics and Business International Conference 2017. https://doi.org/10.1093/acrefore/9780199389414.013.387 Wen, J. (2025). Market forecasting model based on artificial intelligence and its application in marketing decision-making. International Conference on Management, Economic and Sustainable Social Development. https://doi.org/10.1051/shsconf/202521301020 Widiantoro, A. B. (2023). Leveraging social media marketing and local wisdom to enhance tourist visit intentions in community-based tourism. Arthatama, 7(1), 1-7. https://journal.lifescifi.com/index.php/art/article/view/464 Zarei, A., Azar, A., & Rezaei Rad, M. (2016). Measuring social marketing in health tourism. Tourism Planning and Development, 5(18), 33–53. https://tourismpd.journals.umz.ac.ir/article_1373_0.html?lang=fa [In Persian] | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 572 تعداد دریافت فایل اصل مقاله: 376 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
