حمیده بیگی، عضو هیئت علمی گروه جغرافیای دانشگاه گیلان و پژوهشگر حوزه گردشگری در گفت‌وگو با خبرنگار میراث‌آریا با تشریح ظرفیت‌های هوش‌مصنوعی و ابزارهای دیجیتال در مدیریت مقصدهای گردشگری، اظهار کرد: ظرفیت تحمل مقصد از مفاهیم بنیادین در برنامه‌ریزی و مدیریت پایدار گردشگری است و به سطحی از حضور و فعالیت گردشگران اشاره دارد که یک مقصد می‌تواند بدون تحمیل آسیب جدی به محیط‌زیست، جامعه میزبان، زیرساخت‌ها و کیفیت تجربه گردشگران، آن را پذیرا باشد.

او افزود: عبور فشار گردشگری از ظرفیت واقعی مقصد می‌تواند به پیامدهایی همچون ازدحام، تخریب منابع طبیعی، افزایش نارضایتی ساکنان و افت کیفیت خدمات منجر شود، پیامدهایی که در بلندمدت نه‌تنها جذابیت و پایداری مقصد را تهدید می‌کنند، بلکه می‌توانند منافع اقتصادی حاصل از گردشگری را نیز تحت تأثیر قرار دهند.

بیگی با بیان اینکه سنجش ظرفیت تحمل نباید به تعیین یک عدد برای شمار گردشگران محدود شود، تصریح کرد: مسئله اصلی، شناسایی نقطه‌ای است که در آن شدت و الگوی حضور گردشگران با ظرفیت‌های فیزیکی، محیطی، اجتماعی و زیرساختی مقصد وارد تعارض می‌شود. از این منظر، ظرفیت تحمل مؤلفه‌ای اساسی در نظام تصمیم‌گیری برای ایجاد توازن میان توسعه گردشگری و توان واقعی مقصد است.

ضرورت عبور از برآوردهای ایستا به سنجش پویای ظرفیت تحمل

این عضو هیئت علمی دانشگاه گیلان با اشاره به محدودیت‌های روش‌های متعارف در برآورد ظرفیت تحمل مقصدهای گردشگری، بیان کرد: در بسیاری از رویکردهای سنتی، ظرفیت تحمل بر مبنای داده‌های محدود، مطالعات میدانی مقطعی، دیدگاه کارشناسان و شاخص‌های ازپیش‌تعیین‌شده برآورد می‌شود، درحالی‌که این روش‌ها در مواجهه با تغییرات سریع الگوی حضور گردشگران، با محدودیت‌های جدی روبه‌رو هستند.

او ادامه داد: ظرفیت واقعی یک مقصد در ساعات مختلف روز، فصل‌های گوناگون و دوره‌های اوج سفر الزاما یکسان نیست. تفاوت در حساسیت محیطی، سطح دسترسی، کیفیت زیرساخت‌ها، تراکم جمعیت و نوع فعالیت گردشگران نیز سبب می‌شود که یک مقدار ثابت، نتواند وضعیت واقعی همه بخش‌های یک مقصد را تبیین کند.

بیگی خاطرنشان کرد: بر این اساس، ظرفیت تحمل باید پدیده‌ای پویا، وابسته به زمان و مکان و متأثر از مجموعه‌ای از متغیرهای محیطی، اجتماعی و مدیریتی در نظر گرفته شود. تحول روش‌شناختی در این حوزه، مستلزم گذار از برآوردهای مقطعی و ایستا به نظامی است که بتواند تغییرات فشار گردشگری را به‌صورت مستمر شناسایی، تحلیل و پیش‌بینی کند.

هوش مصنوعی؛ از رصد رفتار گردشگران تا پیش‌بینی فشار بر مقصد

او با تشریح نقش فناوری‌های نوین در بازتعریف نظام مدیریت مقصدهای گردشگری گفت: توسعه ابزارهای دیجیتال و روش‌های هوش مصنوعی، امکان بهره‌گیری از منابع متنوع داده را برای شناخت دقیق‌تر رفتار گردشگران و تحلیل پویایی‌های فضایی و زمانی گردشگری فراهم کرده است.

عضو هیئت علمی گروه جغرافیای دانشگاه گیلان افزود: داده‌های مکانی تلفن همراه، اطلاعات GPS، داده‌های اقامت و رزرو، شبکه‌های اجتماعی و سایر منابع دیجیتال می‌توانند اطلاعات ارزشمندی درباره زمان ورود گردشگران، مدت حضور، مسیرهای جابه‌جایی و نقاط تجمع آنان در اختیار مدیران قرار دهند.

بیگی تصریح کرد: تحلیل این داده‌ها با استفاده از الگوریتم‌های یادگیری ماشین، امکان شناسایی الگوهای پیچیده تقاضای گردشگری، تشخیص تغییرات زمانی و مکانی حضور گردشگران و پیش‌بینی احتمال افزایش فشار بر مقصدها را فراهم می‌کند. در چنین چارچوبی، مدیریت گردشگری از واکنش به ازدحام و پیامدهای آن، به سمت پیش‌بینی شرایط بحرانی و مداخله پیش از بروز آسیب حرکت می‌کند.

او با تاکید بر اینکه ارزش راهبردی هوش مصنوعی در مدیریت مقصد، فراتر از شمارش گردشگران است، اظهار کرد: این فناوری می‌تواند به مدیران کمک کند تا مشخص کنند چه زمانی، در کدام بخش از مقصد و تحت تأثیر چه عواملی، فشار گردشگری از سطح قابل‌تحمل فراتر می‌رود و چه اقداماتی برای جلوگیری از تشدید پیامدهای آن ضرورت دارد.

گیلان؛ ضرورت مدیریت هوشمند مقصدها متناسب با ظرفیت‌های مکانی

بیگی با اشاره به ویژگی‌های جغرافیایی و گردشگری استان گیلان، این استان را بستری مناسب برای توسعه الگوهای هوشمند مدیریت ظرفیت تحمل دانست و گفت: تنوع بالای جاذبه‌های طبیعی و فرهنگی گیلان، از مناطق ساحلی و جنگلی تا تالاب‌ها، نواحی کوهپایه‌ای، روستاهای گردشگری و محورهای شهری و ارتباطی، ضرورت اتخاذ رویکردی متناسب با ویژگی‌های هر مقصد را دوچندان می‌کند.

او افزود: فشار گردشگری در گیلان به‌صورت یکنواخت در سطح استان توزیع نشده است و در برخی مناطق، به‌ویژه در تعطیلات و فصل‌های پرتقاضا، تمرکز گردشگران می‌تواند فشار قابل‌توجهی بر محیط طبیعی، زیرساخت‌ها و خدمات محلی وارد کند.

این پژوهشگر حوزه گردشگری تاکید کرد: تعیین یک ظرفیت ثابت برای کل استان یا حتی یک شهرستان، نمی‌تواند تفاوت‌های اساسی میان مقصدها را منعکس کند. رویکرد علمی آن است که فضاهای گردشگری به واحدهای مکانی مشخص تقسیم شوند و ظرفیت تحمل هر واحد بر اساس ویژگی‌های محیطی، اجتماعی، زیرساختی و میزان حساسیت آن برآورد شود.

او خاطرنشان کرد: چنین رویکردی می‌تواند مبنای تدوین سیاست‌های متفاوت برای مدیریت مقصدهای ساحلی، جنگلی، تالابی و روستایی قرار گیرد و از تعمیم نسخه‌های یکسان مدیریتی به پهنه‌هایی با ظرفیت‌ها و محدودیت‌های متفاوت جلوگیری کند.

عضو هیئت علمی دانشگاه گیلان با تشریح نقش سامانه‌های اطلاعات جغرافیایی در این فرایند اظهار کرد: سیستم اطلاعات جغرافیایی (GIS) می‌تواند بستر اصلی یکپارچه‌سازی و تحلیل مکانی داده‌های مورد نیاز برای سنجش ظرفیت تحمل مقصدهای گردشگری باشد.

بیگی ادامه داد: متغیرهایی نظیر کاربری زمین، پوشش گیاهی، شیب، ارتفاع، دسترسی به شبکه راه، ظرفیت اقامتی، تراکم تأسیسات گردشگری، دسترسی به خدمات، حساسیت اکولوژیکی و محدوده‌های حفاظت‌شده را می‌توان در یک محیط مکانی یکپارچه تحلیل کرد تا تصویری دقیق‌تر از ظرفیت‌ها، محدودیت‌ها و نقاط آسیب‌پذیر مقصد به دست آید.

او افزود: تصاویر ماهواره‌ای و داده‌های سنجش‌ازدور نیز امکان پایش تغییرات پوشش گیاهی، توسعه ساخت‌وساز، تغییر کاربری زمین و برخی نشانه‌های فشار محیطی را فراهم می‌کنند. تلفیق این داده‌ها با الگوریتم‌های یادگیری ماشین می‌تواند به شناسایی ارتباط میان شدت حضور گردشگران و تغییرات محیطی کمک کند و مبنایی برای ارزیابی مستمر وضعیت مقصد قرار گیرد.

به گفته بیگی، مزیت این تلفیق فناورانه در آن است که اطلاعات پراکنده و ناهمگون را به شناختی یکپارچه از وضعیت مکانی مقصد تبدیل می‌کند و امکان تصمیم‌گیری مبتنی بر شواهد را برای مدیران گردشگری افزایش می‌دهد.

ظرفیت تحمل اجتماعی؛ ضرورت تحلیل تجربه گردشگر و جامعه میزبان

این پژوهشگر حوزه گردشگری با تاکید بر اهمیت ابعاد اجتماعی و ادراکی ظرفیت تحمل گفت: ارزیابی ظرفیت مقصد نباید به شاخص‌های فیزیکی و محیطی محدود شود، چراکه ادراک ازدحام، رضایت ساکنان، کیفیت تجربه گردشگران و میزان پذیرش اجتماعی گردشگری نیز از مؤلفه‌های تعیین‌کننده در پایداری مقصد هستند.

او افزود: محتوای تولیدشده توسط گردشگران در شبکه‌های اجتماعی، شامل تصاویر، دیدگاه‌ها و گزارش‌های تجربه سفر، می‌تواند اطلاعاتی درباره ادراک ازدحام، رضایت از خدمات و کیفیت تجربه گردشگری فراهم کند. بهره‌گیری از روش‌های پردازش زبان طبیعی و تحلیل احساسات نیز این امکان را ایجاد می‌کند که بخشی از این داده‌ها به شاخص‌های قابل‌استفاده در مدل‌های مدیریت مقصد تبدیل شوند.

بیگی خاطرنشان کرد: داده‌های شبکه‌های اجتماعی و سایر منابع دیجیتال به دلیل پوشش نامتوازن کاربران، سوگیری نمونه و ملاحظات مربوط به حریم خصوصی، باید با احتیاط و در چارچوب روش‌های معتبر علمی تفسیر شوند. بنابراین، تحلیل‌های دیجیتال زمانی می‌توانند مبنای قابل‌اتکای تصمیم‌گیری قرار گیرند که با داده‌های میدانی و شواهد مستقل تطبیق داده شوند.

مدیریت پیش‌نگر مقصد؛ از پیش‌بینی ازدحام تا مداخله به‌موقع

بیگی با تبیین کارکرد مدیریتی تلفیق هوش مصنوعی و داده‌های مکانی گفت: بر پایه این داده‌ها می‌توان سامانه‌ای برای پشتیبانی از تصمیم‌گیری طراحی کرد که وضعیت مقصد را به‌صورت مستمر پایش و احتمال عبور از آستانه تحمل را در دوره‌های آینده برآورد کند.

او در تشریح یک نمونه کاربردی در مقصدهای گردشگری گیلان اظهار کرد: اگر مدل پیش‌بینی نشان دهد که یک سایت ساحلی در تعطیلات پیش‌رو با فشاری فراتر از ظرفیت قابل‌تحمل مواجه خواهد شد، مدیران می‌توانند پیش از شکل‌گیری ازدحام، اقداماتی مانند هدایت گردشگران به مقصدهای جایگزین، مدیریت ورود خودروها، تنظیم ظرفیت بازدید یا تقویت خدمات و زیرساخت‌ها را در دستور کار قرار دهند.

عضو هیئت علمی دانشگاه گیلان افزود: در چنین الگویی، ظرفیت تحمل از یک شاخص توصیفی و محدود به مطالعات کارشناسی، به ابزاری عملیاتی برای مدیریت پیش‌نگر مقصد تبدیل می‌شود، ابزاری که می‌تواند زمان، مکان و نوع مداخله مدیریتی را متناسب با شرایط واقعی هر مقصد مشخص کند.

او تاکید کرد: تحقق این رویکرد، مستلزم پیوند میان نظام پایش داده‌محور، برنامه‌ریزی فضایی و سازوکارهای اجرایی مدیریت گردشگری است تا خروجی مدل‌های تحلیلی بتواند به تصمیم‌های مشخص و متناسب با شرایط میدانی منجر شود.

هوش مصنوعی بدون اعتبارسنجی میدانی و مشارکت جامعه محلی کافی نیست

بیگی با تاکید بر ضرورت استفاده مسئولانه و علمی از فناوری‌های نوین در مدیریت مقصدهای گردشگری تصریح کرد: هوش مصنوعی به‌تنهایی نمی‌تواند جایگزین شناخت میدانی، قضاوت کارشناسی و مشارکت جامعه محلی شود، چراکه داده‌های دیجیتال ممکن است با خطا، محدودیت پوشش و سوگیری همراه باشند.

او ادامه داد: برای نمونه، داده‌های تلفن همراه در همه شرایط نمی‌توانند گردشگران را به‌طور دقیق از سایر استفاده‌کنندگان یک فضا تفکیک کنند. ازاین‌رو، اعتبارسنجی میدانی، استفاده از داده‌های رسمی، بهره‌گیری از نظر متخصصان و مشارکت جامعه میزبان باید در کنار مدل‌های محاسباتی قرار گیرد.

این عضو هیئت علمی دانشگاه گیلان همچنین با اشاره به اهمیت شفافیت در فرایندهای الگوریتمی گفت: استفاده از روش‌های یادگیری ماشین قابل‌توضیح، از جمله روش SHAP، می‌تواند مشخص کند کدام متغیرها بیشترین نقش را در تغییر برآورد ظرفیت تحمل دارند و چه عواملی در شکل‌گیری یک پیش‌بینی مشخص مؤثر بوده‌اند.

او خاطرنشان کرد: قابلیت توضیح‌پذیری مدل‌ها، ضمن افزایش شفافیت و امکان ارزیابی علمی نتایج، می‌تواند زمینه استفاده مؤثرتر مدیران از خروجی سامانه‌های هوشمند را در فرایند تصمیم‌گیری فراهم کند.

فناوری؛ ابزار تصمیم‌سازی برای تحقق گردشگری پایدار

بیگی در جمع‌بندی مباحث خود اظهار کرد: ترکیب هوش مصنوعی، سامانه‌های اطلاعات جغرافیایی، سنجش‌ازدور و داده‌های بزرگ، چارچوبی نوین برای گذار از سنجش ایستای ظرفیت تحمل به مدیریت پویا، مستمر و پیش‌نگر گردشگری فراهم می‌کند.

او افزود: در استانی مانند گیلان، استقرار چنین رویکردی می‌تواند امکان شناسایی مکانی و زمانی پهنه‌های تحت فشار، پیش‌بینی دوره‌های بحرانی و طراحی مداخلات مدیریتی متناسب با ویژگی‌های هر مقصد را فراهم سازد و به حفاظت از منابع طبیعی، ارتقای کیفیت تجربه گردشگران و افزایش سازگاری توسعه گردشگری با ظرفیت‌های جامعه میزبان کمک کند.

عضو هیئت علمی گروه جغرافیای دانشگاه گیلان در پایان تاکید کرد: اهمیت راهبردی این تحول در آن است که فناوری را نه جایگزین قضاوت مدیریتی و شناخت میدانی، بلکه ابزاری برای تصمیم‌گیری دقیق‌تر، بهنگام‌تر و مبتنی بر شواهد قرار می‌دهد؛ رویکردی که می‌تواند پیوند میان حفاظت از سرمایه‌های طبیعی و فرهنگی، مدیریت مسئولانه جریان گردشگران و پایداری اقتصادی مقصدهای گردشگری را تقویت کند.

انتهای پیام/