SPACE ECONOMY & RURAL DEVELOPMENT

fa تحلیل داده محور رضایت کاربران دراقامتگاه های بوم‌گردی نواحی روستایی: رویکردی با الگوریتم‌های تفسیر‌پذیر یادگیری ماشین A Data-Driven Analysis of User Satisfaction in Rural Ecotourism Lodgings: An Interpretable Machine Learning Approach تخصصي Special پژوهشي Research هدف: در سال‌های اخیر، رضایت کاربران از اقامتگاه‌های بوم‌گردی به یکی از مؤلفه‌های کلیدی موفقیت در صنعت گردشگری تبدیل شده است. با توجه به رشد پلتفرم‌های آنلاین مانند جاباما و افزایش رقابت در این حوزه، نیاز به تحلیل داده‌محور برای شناسایی عوامل مؤثر بر رضایت کاربران بیش از پیش احساس می‌شود. فقدان مطالعات جامع با رویکردهای پیشرفته یادگیری ماشین در زمینه بوم‌گردی ایران، ضرورت پژوهش حاضر را برجسته می‌سازد. اقتصاد اشتراکی و پلتفرم‌های اقامتی مانند جاباما، تجربه کاربران را متحول کرده و بر اهمیت تحلیل داده‌محور تأکید دارند. مطالعات پیشین نشان داده‌اند که عواملی مانند کیفیت خدمات، نظافت، و ارزش در برابر قیمت بر رضایت کاربران تأثیر دارند. با این حال، ویژگی‌های فرهنگی و بومی اقامتگاه‌های بوم‌گردی ایران نیازمند بررسی‌های خاص و بومی است. روش پژوهش: در این پژوهش، داده‌های ۱۱۲۳ اقامتگاه بوم‌گردی از پلتفرم جاباما با استفاده از زبان برنامه‌نویسی Python و کتابخانه Selenium استخراج شد. متغیرهای مستقل شامل کیفیت اطلاعات، نظافت، ارزش در برابر قیمت، نحوه پذیرش، میزبانی، و موقعیت مکانی بودند و امتیاز رضایت کاربران به‌عنوان متغیر وابسته در نظر گرفته شد. مدل‌سازی با استفاده از الگوریتم‌های رگرسیونی شامل رگرسیون خطی، درخت تصمیم، جنگل تصادفی، گرادیان تقویتی، و ماشین بردار پشتیبان (SVR) با کرنل RBF انجام شد. عملکرد مدل‌ها با معیارهای میانگین مربعات خطا (MSE)، ضریب تعیین (R²)، و اعتبارسنجی متقاطع ۵-تایی ارزیابی گردید. یافتهها: نتایج نشان داد که مدل‌های جنگل تصادفی و گرادیان تقویتی با R² بالای 0.86 و MSE کمتر از 0.012 بهترین عملکرد را داشتند. تحلیل اهمیت ویژگی‌ها حاکی از آن بود که کیفیت اطلاعات (با ضریب اهمیت 0.442)، نظافت، و ارزش در برابر قیمت مهم‌ترین عوامل مؤثر بر رضایت کاربران هستند. مدل درخت تصمیم، قواعد تفسیرپذیری را ارائه کرد که نشان‌دهنده نقش کلیدی کیفیت اطلاعات در گره ریشه و تأثیر نظافت و ارزش در برابر قیمت در مراحل بعدی بود. User satisfaction in rural ecotourism accommodations has become a critical determinant of success in the tourism industry. With the rapid growth of online booking platforms such as Jabama and intensifying competition, data-driven analysis is increasingly essential for identifying the factors influencing satisfaction. Despite the growing popularity of ecotourism in Iran, few studies have applied advanced and interpretable machine learning methods to explore this topic. The rise of the sharing economy and digital accommodation platforms has transformed user experiences, emphasizing the importance of evidence-based insights. This study collected data from 1,123 rural ecotourism lodgings listed on the Jabama platform using Python and the Selenium library. Independent variables included information quality, cleanliness, value for money, check-in experience, hosting quality, and location, while user satisfaction ratings served as the dependent variable. Regression-based models—linear regression, decision tree, random forest, gradient boosting, and support vector regression (SVR) with an RBF kernel—were implemented. Model performance was evaluated using mean squared error (MSE), the coefficient of determination (R²), and 5-fold cross-validation to ensure reliability and robustness. The results showed that random forest and gradient boosting achieved the highest accuracy, with R² values above 0.86 and MSE below 0.012. Feature importance analysis revealed that information quality (importance score = 0.442), cleanliness, and value for money were the strongest predictors of user satisfaction. The decision tree model provided interpretable decision rules, highlighting the central role of information quality at the root level and the subsequent influence of cleanliness and value for money. These findings underscore the potential of interpretable machine learning approaches for enhancing user satisfaction analysis in Iran’s ecotourism sector and guiding data-informed managerial decisions. رضایت کاربران , اقامتگاه‌های بوم‌گردی, تحلیل داده‌محور, الگوریتم‌های تفسیرپذیر یادگیری ماشین User Satisfaction, Eco-lodges, Data-Driven Analysis,Interpretable Machine Learning Algorithms 0 0 http://serd.khu.ac.ir/browse.php?a_code=A-10-536-1&slc_lang=fa&sid=1 Behiyeh Bavan pouri بهیه باوان پوری b.bavanpoore@ut.ac.ir 10031947532846008718 10031947532846008718 No University of Tehran دانشگاه تهران Hassanali Faraji Sabokbar حسنعلی فرجی سبکبار hfaraji@ut.ac.ir 10031947532846008719 10031947532846008719 Yes University of Tehran دانشگاه تهران SeyedAli Badri سیدعلی بدری sabadri@ut.ac.ir 10031947532846008720 10031947532846008720 No University of Tehran دانشگاه تهران Neda Zarandian ندا زرندیان n.zarandian@ut.ac.ir 10031947532846008721 10031947532846008721 No University of Tehran دانشگاه تهران