地理旅游韧性的时空动态：机器学习方法与关键见解

《International Journal of Geoheritage and Parks》：Spatiotemporal dynamics of geotourism resilience: Machine learning methodologies and key insights

　　希曼·沙哈比（Himan Shahabi）、达武德·贾米尼（Davood Jamini）、阿塔奥拉·希尔扎迪（Ataollah Shirzadi）、霍贾托拉·萨德吉（Hojatollah Sadeghi）、侯赛因·科马西（Hossein Komasi）、伊斯梅尔·埃尔克拉奇（Ismail Elkhrachy）、阿里安·萨尔瓦蒂（Aryan Salvati）、约翰·J·克拉格（John J. Clague）、扎赫德·加德里（Zahed Ghaderi）
伊朗克尔曼沙赫省拉万萨尔县（Ravansar）库里-卡拉村（Quri-Qaleh）自然资源学院地貌学系

**摘要**
旅游业及其各个子行业为接待社区带来了众多的经济、社会和文化效益，尤其是在农村地区。然而，很少有研究使用机器学习技术来预测地质旅游的韧性，尤其是那些通过10折交叉验证技术进行特征选择的研究。本研究旨在使用多种机器学习算法（包括人工神经网络（ANN）、贝叶斯网络（BN）、逻辑回归（LR）、朴素贝叶斯（NB）、朴素贝叶斯树（NBTree）和随机森林（RF）来预测伊朗库里-卡拉村的地质旅游韧性。数据通过结构化问卷从150名随机选取的受访者中收集。基于信息增益比（AMIGR）特征选择技术的平均优势，选出了对地质旅游韧性最重要的变量。为了评估模型的拟合度和预测性能，应用了多种统计指标（包括精确度、召回率、F1分数、曲线下面积（AUC）以及非参数弗里德曼检验）。研究结果表明，65.3%的受访者表现出低至非常低的韧性，10.7%表现出中等韧性，24%表现出高至非常高的韧性。在预测变量中，产品创新（PI；AMIGR = 0.254）、政府支持（GS；AMIGR = 0.253）、目的地吸引力提升（IDA；AMIGR = 0.213）、月收入（MI；AMIGR = 0.203）和社会资本（SC；AMIGR = 0.189）被确定为五个最具影响力的变量。比较分析显示，朴素贝叶斯算法在预测地质旅游韧性方面优于其他模型（平均AUC = 0.826；F1分数 = 0.627；召回率 = 0.622；精确度 = 0.651）。这项研究可以帮助环境和农村发展领域的决策者制定策略，以增强地质旅游的韧性。

**1. 引言**
地质旅游是一种专注于推广景观中地质和地貌特征的旅游活动（ólafsdóttir, 2019）。地质旅游最重要的方面之一是洞穴旅游，这种旅游形式基于洞穴的承载能力和地质特征（De Freitas, 2010）。洞穴旅游对其周边环境具有显著的社会和经济影响，通常被视为旅游发展的一个来源。地质旅游是许多农村和欠发达地区的重要收入来源（Brocx & Semeniuk, 2019），居民参与地质旅游规划对于该过程的可持续性至关重要（ólafsdóttir & Dowling, 2014）。尽管地质旅游在潜在地区的发展中起着关键作用，但它并不是一个长期的过程。许多挑战，如COVID-19，对整个旅游业尤其是地质旅游产生了重大影响（Matshusa et al., 2021）。此外，利益相关者的参与和监测程序也减少了（Polukhina et al., 2021）。因此，游客数量减少，与旅游相关的企业和教育机构关闭，失业率上升（Vaishar & ??astná, 2022）。由于社会和经济困难，COVID-19对农村旅游，特别是地质旅游产生了重大影响（Sio-Chong & So, 2020）。抵御压力和不利情况的能力被称为韧性，这对应急和灾害管理至关重要。COVID-19对地质旅游的影响取决于农村社区的韧性。因此，社区的韧性越强，COVID-19的不利影响就越小。研究表明，多个因素影响旅游目的地的韧性（Wang et al., 2022）。提高韧性的策略必须根据当地情况量身定制，而不能采用适用于所有城市或所有农村地区的通用方法（Soliku et al., 2021）。应对疫情的关键旅游韧性驱动因素包括在各种活动中实施健康协议、向受疫情影响的家庭提供现金或非现金援助、加强农业部门和旅游服务中的熟练人力资源以及创新户外旅游产品（Sari et al., 2022）。Ngoc Su等人（2021）的研究表明，在COVID-19期间采用人力资源管理实践提高了韧性，从而促进了旅游企业和旅游行业人力资源的生存。此外，Marco-Lajara等人（2022）的研究指出了企业社会责任在应对COVID-19中的重要作用。

影响地质旅游韧性的因素包括政府支持（Assaf & Scuderi, 2020；Benítez-Aurioles, 2020）、就业（Bui & Ngo, 2022；Gómez López & Barrón Arreola, 2019；Lew et al., 2016）、创新旅游发展和市场营销计划、青年外流率、教育当地人以及传统知识（Lew et al., 2016）、社会支持（家人和朋友）（Lew et al., 2016）、减少目的地旅行焦虑的服务、改善游客情绪状态（Weng et al., 2022）和土地所有权（Partelow, 2021）。这些因素在某种程度上减轻了COVID-19对农村旅游受益者的影响。因此，不可忽视韧性在旅游和地质旅游中的作用。总体而言，在危机中，韧性对于地质旅游至关重要，因为它可以帮助旅游克服挑战并在优化旅游系统中发挥决定性作用（Filimonau & De Coteau, 2020）。

迄今为止，已经采用了多种方法和技术，如SWOT模型和评估矩阵（Carrión-Mero et al., 2022）、调查技术（Powell et al., 2018）、AHP模型和GIS（Acharya et al., 2022）、通过访谈进行危机管理（Ku??er et al., 2022）、定量和定性方法以及通过问卷进行在线调查（Ntounis et al., 2022）、使用结构方程建模和人工神经网络分析的定量方法（V?rzaru et al., 2021）、使用探索性因子分析的定量方法（Bo?ovi? et al., 2021）以及机器学习算法。根据一项研究（Sun et al., 2019），机器学习模型在预测游客到达地和目的地方面比基准方法更准确。机器学习算法在旅游研究领域显示出潜力，原因包括评估游客流动性和COVID-19期间的空气质量（Rahman et al., 2021；Savaiano and Drago, 2021）。表S1展示了农村地质旅游韧性研究中机器学习应用的全面比较分析。主要方法包括：1）由于这些地方的复杂性，缺乏广泛认可的旅游目的地韧性理论框架（Wang et al., 2022）；2）研究人员倾向于使用定性方法评估旅游目的地韧性（定量研究关注较少）（Bui et al., 2020；Mendoza et al., 2021）；3）需要进一步实验研究（Wang et al., 2022）。使用案例研究、关键韧性变量和机器学习算法的研究可以填补研究空白。目前缺乏关于COVID-19疫情期间农村地质旅游韧性、其驱动因素和韧性测量变量的研究。此外，还没有研究将机器学习算法应用于这一主题。

本研究的结果对农村地质旅游政策制定者、规划者和受益者具有价值。此外，它可以为未来关于类似COVID-19疫情期间的农村地质旅游韧性的研究提供基础。因此，本研究旨在调查当地社区在面对COVID-19时的韧性，并使用机器学习算法预测其韧性。我们选择了人工神经网络（ANN）、贝叶斯网络（BN）、逻辑回归（LR）、朴素贝叶斯（NB）、朴素贝叶斯树（NBTree）和随机森林（RF）分类技术，因为它们在方法论上具有独特优势，并已在环境韧性方面得到验证（Luo et al., 2021；Manaouch et al., 2025）。根据研究目标，主要问题是：当地社区的韧性如何？影响地质旅游韧性的关键因素是什么？不同机器学习算法在识别影响地质旅游韧性因素的结果上是否存在差异？

**2. 材料与方法**
**2.1. 研究区域**
库里-卡拉洞穴（Quri Qaleh Cave）位于库里-卡拉村（Quri Qala）附近，是拉万萨尔（Ravansar）和帕韦（Paveh）之间的主要道路旁。该洞穴的纬度为34°55′N，经度为46°29′E（图1）。这个洞穴位于沙胡山（Shahu Mountain）的山坡上，海拔约3000米（Khezri & Mrowati, 2015）。库里-卡拉洞穴是伊朗西部最具标志性的旅游景点之一，被列为国家级自然遗产地，同时也是拉万萨尔县最受欢迎的旅游景点和克尔曼沙赫省最令人向往的旅行目的地。COVID-19疫情及其导致的关闭严重影响了库里-卡拉村的农村旅游。挑战包括游客数量下降、企业关闭、失业、收入损失、贫困和商店物资恶化。图1展示了库里-卡拉洞穴附近的一些村民活动。

**2.2. 地质旅游韧性变量、样本量和问卷**
本研究使用了14个地质旅游韧性变量（Jamini & Dehghani, 2022；Sari et al., 2022；Wieczorek-Kosmala, 2022），通过五点李克特量表（非常高的韧性（VHR）、高韧性（HR）、中等韧性（MR）、低韧性（LR）和非常低的韧性（VLR）来衡量韧性状况。当韧性处于高水平或非常高水平时，系统性能的吸收曲线较低（图2），因此恢复得更快，反之亦然。

**2.3. 方法论**
图3展示了研究区域的方法论流程图。基于文献回顾和数据可用性，我们首先确定了地质旅游韧性变量及其影响因素。问卷在检查了可靠性和有效性后进行了设计并完成。下载：下载高分辨率图片（216KB）下载：下载全尺寸图片图3. 本研究方法的流程图。数据集（150个样本）使用系统随机抽样技术被分为训练数据集（70%）和验证数据集（30%）。训练数据集被输入到机器学习算法中（ANN-MLP、BN、LR、NB、NBTree和RF），从而预测每个类别的韧性。总体而言，我们使用统计和机器学习指标评估了地理旅游韧性的拟合优度和预测准确性。2.3.1. 预测性能评估2.3.1.1. 混淆矩阵和基于统计的指标混淆矩阵可用于评估分类的潜力（Freeman, 2023）。混淆矩阵的主对角线元素表示准确的分类，而次对角线元素揭示了误分类。当非对角线元素为零时，分类是理想的。分类模型预测地理旅游的韧性水平，并为每个样本分配相应的李克特量表标签，通常从非常低到非常高韧性不等。真正例（TP）、假负例（FN）、真负例（TN）和假正例（FP）是结果所属的四个类别。假正例表示被错误地认为是有韧性的非韧性案例，真正例表示高韧性被准确检测到的案例，假负例则是指有韧性的案例被错误地标记为低韧性。这些划分有助于分析模型在评估地理旅游韧性方面的精确度和可靠性。以下部分详细介绍了用于此分类的机器学习算法的性能指标和评估指标。精确度：如公式1所定义，精确度是衡量模型准确性的指标，表示正确分类的正样本占总分类样本的比例，不论分类是否正确。(1)精确度 = TP / (TP + FP)召回率：召回率是模型识别正样本的能力，通过将正确分类的正样本数量除以总正样本数量来衡量（Saito & Rehmsmeier, 2017），召回率越高表示正样本越多。F1分数：它是精确度和召回率的加权平均值，同时考虑了假正例（在精确度中）和假负例（在召回率中）。在类别分布不平衡的情况下，它提供了更准确的评估。当假正例和假负例的成本差异显著时，建议使用F1分数（Sujon et al., 2025）。(3)F1分数 = 2 × 召回率 × 精确度 / (召回率 + 精确度)接收者操作特征曲线（ROC）：ROC通过建模预定事件的发生与否来指示系统预测的质量。理想模型的曲线下面积（AUC）值为1，而接近0.5的值表示不准确（Deng et al., 2022）。0.6到0.5的范围被认为是弱的，0.7到0.8之间是中等，0.8到0.9之间是良好的，0.9到1之间是优秀的（Yesilnacar & Topal, 2005）。成本曲线：成本曲线是分类器在误分类成本方面的性能的可视化表示（Drummond & Holte, 2006）。x轴表示概率成本函数，写作PC（+）。y轴显示标准化的预期误分类成本。如果我们用“+”表示有缺陷的模块，用“-”表示无缺陷的模块，那么C+-表示将无缺陷的模块误分类为有缺陷的成本，而C+-表示将有缺陷的模块误分类为无缺陷的成本。p+和p-分别是运行模型后的有缺陷和无缺陷的概率。公式（4）、（5）显示了如何计算x和y的值：(4)x = PC+ / (P+ × C- + P+ × C- + P- × C+) (5)y = 1 - PD / (PF × PC+ + PF)检测概率（PD）是指准确识别故障模块的概率。假阳性概率（PF）是在所有无故障模块中假阳性的比例。2.3.1.2. 非参数统计检验非参数统计检验以其无限维度而闻名，在数据分析中减少了假设。Friedman的非参数检验用于通过排名分析双向方差，并比较不同组的平均排名以优先选择模型（Brodsky & Darkhovsky, 2000）。2.3.2. 机器学习算法2.3.2.1. 人工神经网络人工神经网络（ANN）是一种计算模型，模拟生物人工神经网络的组成和操作。它使用神经元和多个层非线性地描绘输入和输出之间的复杂交互，这些层组合形成一个网络。输入值表示为Xi，它们对应的权重表示为ωi。为了提高清晰度，隐藏层中的权重和偏置被省略了。我们使用多层感知器（MLP）函数进行建模和分类，称为“ANN-MLP”。作为一种通用的基于功能的逼近器，ANN因其函数逼近的灵活性而非常适合捕捉多变量数据中的复杂和非线性关系（Ghorbani et al., 2023b; Palmer et al., 2006）。它在分类方案、预测和估计连续变量方面是一个强大的算法（Kaastra & Boyd, 1996; Palmer et al., 2006）。2.3.2.2. 随机森林基于树的统计技术，如随机森林（RF），使用递归提取算法进行分类和回归分析。这些技术是非参数的，并且有大量的分类和回归树（Breiman et al., 1984）。随机森林在评估变量对预测答案的重要性方面特别有效（Breiman, 2001）。选择得票最多的类别。2.3.2.3. 逻辑回归逻辑回归（LR）等线性模型用于分析具有一个或多个自变量与因变量相关联的二元或多变量研究（Kirasich et al., 2018）。与机器学习模型不同，作为经典统计技术的LR不需要大量样本（Ghorbani et al., 2023a; Hu et al., 2022）。在旅游研究中，LR最近受到了显著关注（Pathiranage et al., 2025）。2.3.2.4. 贝叶斯网络贝叶斯网络（BN）是一种使用贝叶斯定理量化变量之间相关性的图形模型（Marcot & Penman, 2019）。BN是一种基于贝叶斯的理论算法，在旅游系统的参数和非参数评估中得到了广泛应用（Hsu et al., 2009）。BN的优势在于能够分析不完整的数据，并结合领域知识和数据（Heckerman et al., 1995）。2.3.2.5. 朴素贝叶斯朴素贝叶斯（NB）是一种使用贝叶斯定理假设预测因子独立的分类技术（Webb et al., 2010）。简单贝叶斯算法的基础是使用贝叶斯定理以最大化PxCj（公式6）来对数据进行分类。(6)PCj = PXiCj / PXi其中x是数据集的一个样本，j是类别集中的一个类别。为了确定样本Xi的类别，假设从C1到Cm有M个类别，分类器将预测Xi属于条件概率最高的类别。2.3.2.6. 朴素贝叶斯树朴素贝叶斯树（NBTree）算法结合了决策树和NB方法（Kohavi, 1996），以其能够使用最少的训练数据评估关键的建模和分类参数而闻名，基于公式7操作（Murphy, 2022）。(7)tNB = argmax(∑_{i=1}^{m} [pTi × log(1 - ri / σ2)] / (2πεe^-ri^2)其中ppti表示输出变量ti=10的先验概率，σ和ε分别表示ri的均值和标准差。2.3.3. 基于信息增益比的技术进行特征选择信息增益比（IGR）是通过将信息增益除以内在信息来计算的。Quinlan（1986）提出了一种方法，通过考虑分支大小和属性数量来减少对多值质量的偏见。更多细节请参阅（Chen et al., 2017）。3. 结果与分析3.1. 问卷的有效性和可靠性使用SPSS软件和学习算法来分析数据。通过这种方式，SPSS软件用于描述变量，机器学习算法用于预测地理旅游的韧性。问卷的有效性通过专家的意见进行了审查和确认（Jamshidi et al., 2022; Savari et al., 2022）。使用预测试（完成30份问卷）和Cronbach's alpha系数来审查问卷的可靠性（Jamshidi et al., 2022）。Cronbach's alpha系数超过0.7，其可靠性得到确认（αGS = 0.758, αSC = 0.887, αSP = 0.781, αIHP = 0.768, αPI = 0.820, αNCI = 0.756, αSAS = 0.816, αIAD = 0.854, αGR = 0.822）。3.2. 地理旅游韧性和研究区域因素的统计信息表2显示了地理旅游对COVID-19大流行的韧性水平。研究结果表明，65.3%的参与者表现出低和非常低的韧性水平，而10.7%的参与者表现出中等韧性水平。此外，24%的研究人群表现出高和非常高的韧性水平。结果表明，大多数活跃的当地社区在应对COVID-19大流行方面的韧性较差。表2. 韧性量表总结。水平 频率 百分比 累计百分比非常低韧性（VLR）21 14.0 14.0低韧性（LR）77 51.3 65.3中等韧性（MR）16 10.7 76.0高韧性（HR）28 18.7 94.7非常高韧性（VHR）8 5.3 100.0总计 150 100.03.2.1. 研究受访者的 demographic 信息描述性发现显示，74%的受访者是男性，26%是女性。此外，大多数（36%）受访者的年龄在40至49岁之间。62.7%的受访者的主要工作是在旅游行业，7.3%是文盲，31.3%具有中等教育。此外，大多数受访者（36.7%）的家庭规模为三人，他们在村庄的居住历史为20年。表S2显示了影响地理旅游韧性的因素总结。70%的家庭有一个就业成员，而44%的家庭有三个失业成员。65.4%的受访者在旅游行业有3到6年的经验。关于生活和健康损害，大多数人报告的损害最小（第2级）。在资本资源方面，32.7%的受访者拥有三种资本来源，39.3%有额外的收入和支持。其他相关变量包括政府支持、社会资本、地方感、健康协议的实施、产品创新、本土文化认同、加强农业部门以及提高目的地吸引力。它们的相应水平如下：50.7%处于非常低水平，44.7%处于低水平，44.7%处于非常高水平，36.7%处于高水平，39.3%处于低水平，39.3%处于中等水平，32%处于高水平（表S2）。3.3. 根据IGR影响地理旅游韧性的最重要因素训练数据集被用来根据信息增益比（AMIGR）评估方法的平均优点对多共线性测试中识别的因素进行排名。主要因素及其顺序和K折交叉验证结果在表S3中呈现。K折交叉验证是一种广泛使用的技术，用于将数据集分为训练和验证部分以提高算法准确性。数据集被分为K组进行验证，K-1组进行训练，使用10折交叉验证，每次测试一部分并迭代十次（Li et al., 2023）。根据IGR确定的对地理旅游韧性影响最大的因素在补充材料的表S3中有详细说明。根据表格，不同折叠（2折到10折）中变量对地理旅游韧性的影响不同。例如，2折的五个主要变量是PI（AMIGR = 0.344）、GS（AMIGR = 0.313）、IAD（AMIGR = 0.279）、MI（AMIGR = 0.251）和SC（AMIGR = 0.223）。总体而言，最终结果基于10折。因此，地理旅游韧性的五个主要变量是PI（AMIGR = 0.254）、GS（AMIGR = 0.253）、IAD（AMIGR = 0.213）、MI（AMIGR = 0.203）和SC（AMIGR = 0.189）。3.4. 地理旅游韧性建模图4使用训练和验证数据集从1到5图形化显示了地理旅游韧性的实际值和预测值。蓝线代表在李克特量表上测量的地理旅游韧性的实际值，红线表示预测值。因此，预测值越接近基于验证数据集的实际值，模型的预测效果就越好。例如，NB算法的训练阶段通常在预测韧性类别方面表现出更高的拟合优度，这从大多数情况下实际值和预测值之间的紧密对齐可以看出。然而，可以观察到一些差异，这表明偶尔会出现误分类。在NB算法中，训练数据集的平均值如下：AUC = 0.950，F1分数 = 0.824，召回率 = 0.819，精确度 = 0.848。然而，对于测试数据集，这些值分别下降到了0.826、0.627、0.622和0.651。下载：下载高分辨率图片（565KB）下载：下载全尺寸图片下载：下载高分辨率图片（271KB）下载：下载全尺寸图片图4. 对每种算法的建模模拟，显示了训练和验证数据集的结果：ANN-MLP（a, b）；BN（c, d）；LR（e, f）；NB（g, h）；NBTree（i, j）；以及RF（k, l）。3.5. 算法的验证和比较3.5.1. 统计指标表S4（在补充材料中）显示了基于训练和验证数据集的算法混淆矩阵。例如，在ANN-MLP方法中，16人被归类为韧性等级1。为了说明，52人被归类为韧性等级2，12人被归类为等级3，18人被归类为等级4（有1人被错误地归类为等级1），6人被归类为等级5。根据验证数据集，发现5人中有4人被正确地归类为韧性等级1。此外，25人中有18人被归类为等级2，2人被归类为等级1，4人被归类为等级3，没有人被归类为等级3，2人被归类为等级2，1人被归类为等级1，1人被归类为等级4。另外，结果显示9人中有4人被归类为等级4，4人被归类为等级2。最终，2人中有1人被归类为等级5，另外1人被归类为等级4。基于测试数据集的评估指标包括精确度、召回率、F1分数和AUC，这些指标可以显示在图5中。例如，使用ANN-MLP算法时，等级1的这些指标值分别为0.250、0.200、0.222和0.855。等级2的结果分别为0.643、0.720、0.679和0.756；等级3的结果分别为0.000、0.000、0.000和0.402；等级4的结果分别为0.571、0.444、0.500和0.833；等级5的结果分别为1.000、0.500、0.667和0.907。同时，精确度、召回率、F1分数和AUC的平均值分别为0.544、0.533、0.532和0.758。下载：下载高分辨率图片（352KB）下载：下载全尺寸图片下载：下载高分辨率图片（340KB）下载：下载全尺寸图片图5. 蜘蛛图显示了所有五个类别的算法性能，包括训练和验证数据集：ANN-MLP（a, b）；BN（c, d）；LR（e, f）；NB（g, h）；NBTree（i, j）；以及RF（k, l）。最终，根据所有类别的AUC平均值，对韧性等级1到5的预测进行总体比较表明，NB算法（AUC=0.826）在五个研究类别中的预测能力最高，其次是BN（AUC=0.820）、NBTree（AUC=0.805）、ANN-MLP（AUC=0.758）和LR（AUC=0.728）。3.5.2. 成本曲线分析成本曲线是一种图表，显示了模型的表现。它展示了模型的标准化预期成本（y轴）和概率成本函数（x轴）之间的关系。y轴从0到1，数值越低表示性能越好。x轴显示了与正面类别预测相关的不同概率。我们评估了所有六种机器学习算法在五个类别上的成本曲线（图S1）。这些曲线中的黑线表示随机猜测的基线水平。重要的是，低于这些线的点表示更好的性能。此外，不同阈值设置下标准化预期成本较低的彩色区域对应于模型效率的提高。我们以ANN模型（C1至C5）为例解释了这条曲线，提供了它们性能的比较分析。大多数彩色区域位于曲线的底部，表明ANN在C1中的表现最好，各种概率值下的成本都保持较低。ANN-C2在中等概率范围内的变化非常小，表现也相当好。另一方面，ANN-C3在某些概率范围内表现出效率低下，并且在概率约为0.67时具有较高的标准化预期成本。尽管ANN-C4的效率略低于ANN-C1，但它在成本管理方面保持了良好的平衡，总体上表现更好，因为其曲线的大部分位于较低成本区域。最后，ANN-C5与ANN-C4类似，在某些区域（大约在概率0.6附近）显示出较高的标准化预期成本，并且表现更加不稳定。这些结果也可以解释其他机器学习模型及其相应类别的情况（图S1）。3.5.3. 非参数检验本研究使用了定量和图形方法以及非参数统计技术来分析算法性能，必要时采用Friedman检验和Wilcoxon检验进行分类和成对比较。表3显示了Friedman检验的结果。根据Friedman检验，在5%的显著性水平（α=5%）下（sig>0.05），可以推断出算法之间没有统计学上的显著差异。ANN-MLP、BN、LR、NB、NBTree和RF的平均排名分别为3.50、3.42、3.53、3.48、3.53和3.53。由于显著性值（在本研究中为0.801）大于0.05，因此算法性能之间没有显著差异；因此，没有必要使用成对Wilcoxon检验。表3. 使用Friedman检验的地理旅游预测模型的平均排名。模型平均排名χ2Sig.1ANN-MLP3.502.330.8012BN3.423LR3.534NB3.485NBTree3.536RF3.534. 讨论4.1. 地理旅游韧性差的原因研究表明，地理旅游是影响社会经济发展的主要因素（Chiarini等人，2022；Sio-Chong & So，2020），同时也是重要的收入来源，尤其是在农村地区（Brocx & Semeniuk，2019）。然而，各种挑战和危机可能会严重削弱地理旅游产业对当地社区的影响（Matshusa等人，2021）。在这项研究中，我们使用了14个变量来考察伊朗Ravansar地区参与农村地理旅游的当地社区的韧性。COVID-19大流行导致该地区的游客数量急剧下降。由于当地社区62.7%的主要工作是在地理旅游领域，许多人失去了工作。失业率激增，导致收入大幅下降，当地社区的韧性也随之下降。缺乏替代生计、公共部门对教育基础设施的支持不足以及对COVID-19感染的恐惧都对地理旅游韧性变量产生了负面影响，如环境保护培训、参与地方选举以及与非政府组织和慈善机构的合作。公共部门对教育基础设施的支持不足、缺乏替代生计以及当地社区对COVID-19的恐惧都对地理旅游韧性变量产生了负面影响，如环境保护培训、参与地方选举和与非政府组织和慈善机构的合作。因此，年轻人暂时离开了该地区。为了维持生计，许多移民转向边境地区的非正式活动，这是这种外迁的主要驱动力。尽管存在重大的财务和物理风险，走私——也被称为“Koolbari”——在伊朗的边境地区，特别是在库尔德地区，是一种常见的非正式活动。这些风险包括冻死、从山上坠落以及被边境安全人员射击。总体而言，多种因素共同导致了影响地理旅游韧性的不利条件。4.2. 影响地理旅游韧性的主要因素根据IGR 10折交叉验证的结果，产品创新（PI）是影响地理旅游韧性的首要因素。此外，Traskevich和Fontanari（2023）以及Bui和Ngo（2022）在他们的研究中认为产品创新是提高韧性的一个因果因素。他们认为，通过技术进行的产品创新、通过互联网进行的市场创新和在线销售产品、通过在线预订降低旅游服务成本、增加选择权以及降低餐饮成本都可以提高旅游韧性。研究区域的当地社区认为产品创新是由于COVID-19大流行导致的停滞而影响地理旅游韧性的主要因素，因为传统的旅游方法已不再满足他们的需求。根据研究结果，政府支持（GS）是影响地理旅游韧性的第二个因素。几位研究人员（Assaf & Scuderi，2020；Benítez-Aurioles，2020；Bui & Ngo，2022；Matei等人，2021；Sharma等人，2021；Wieczorek-Kosmala，2022）认为政府支持是提高韧性的一个重要因素。研究结果表明，提高目的地的吸引力（IAD）是影响地理旅游韧性的第三个主要变量。（Traskevich & Fontanari，2023）指出这一因素有助于提高地理旅游韧性。月收入（MI）被认为是提高韧性的第四个关键变量。Jamini和Dehghani（2022）以及Sari等人（2022）强调了收入作为提高韧性的主要因素的作用。研究发现，社会资本（SC）是影响地理旅游韧性的第五个变量。Guo等人（2018）等研究者将社会资本视为影响韧性的主要因素。加强农业部门（SAS）和增加收入（AI）也是提高地理旅游韧性的其他因素。Sharma等人（2021）和Sari等人（2022）指出，加强农业部门是提高旅游韧性的一个因素，包括地理旅游。在大流行期间，许多企业关闭，导致失业率上升和收入减少。地理旅游、农业和村民的收入得到了加强，以缓解这些影响。4.3. 机器学习算法在预测地理旅游韧性中的应用在这项研究中，检查的混淆矩阵是对类别的严格分组（Markoulidakis等人，2021）。主对角线上的数字代表真实的正值。根据结果，RF和LR算法在所有五个研究类别的训练中都表现出色。然而，在验证阶段，NB的表现优于其他算法（AUC平均值=0.826；F1分数=0.627；召回率=0.622；精确度=0.651）。通过对图4和图5中各种分类器的分析，可以根据测试数据集的AUC值确定每个类别的最佳算法：ANN用于等级1（0.855），NB用于等级2（0.834），NBTree用于等级3（0.530），BN用于等级4（0.941），BN用于等级5（0.919）。与本研究中使用的先前评估方法一致，NB算法在所有五个类别中总体上是最精确的方法。朴素贝叶斯（NB）分类器基于贝叶斯定理和概率推理，使用条件概率概念计算给定类别的可能性。其方法简单直观，效率很高且可扩展，特别适用于分类任务（Bhamre等人，2025；Pajila等人，2023）。其简单性和易于实现的特点，加上计算效率，使得能够快速分类大型数据集，正如Hari等人（2025）所报告的。此外，Shang等人（2025）比较了Logistic Regression（LR）、NB和Radial Basis Function（RBF）网络模型在中国宁夏回族自治区南部山区Xiji县的滑坡易发性制图中的应用。他们的发现表明，NB算法的表现优于其他模型，建议研究人员和地方政府使用它来减轻未来的地质灾害。4.4. 未来研究方向和局限性尽管提出了一个关于地理旅游韧性及其影响因素的模型，但还需要更多的研究来开发一个全面的框架，考虑到韧性的多维性质和地区特定因素。本研究使用了分类技术，这带来了局限性。这是首次使用机器学习来估计地理旅游韧性，为未来的研究奠定了基础。未来的研究应该探讨先进的优化方法，以提高预期准确性和性能。本研究的一个主要缺点是缺乏明确的指导方针或方法来开发与地理旅游韧性相关的问题问卷。此外，获得愿意参与研究的农村居民和志愿者的信任和合作非常困难。如果不能正确地向受访者传达问卷的目标和相关性，并且未能建立他们的信任，问卷的可靠性和有效性可能会受到威胁，从而影响研究结果。另一个挑战是确定预测地理旅游韧性最相关和最有影响力的特征，鉴于变量范围广泛及其不同的影响。此外，数据和模型选择中的不确定性在任何研究中都是固有的。因此，识别并有效管理不确定性来源对于提高模型与输入数据的匹配度和性能至关重要。5. 结论：乡村地区的地理旅游可以显著影响经济、社会和文化方面。因此，研究这些影响对于实现可持续发展、保护当地传统以及提高社区生活质量的有效管理至关重要。据我们所知，本研究是首次使用李克特量表通过机器学习算法（包括ANN-MLP、BN、LR、NB、NBTree和RF）来预测地理旅游的韧性。该研究在伊朗克尔曼沙赫省拉万萨尔县的库里-卡莱赫村进行。了解影响韧性系统的关键变量对于增强社区韧性以加强卫生系统非常宝贵。为此，采用了IGR特征选择技术和22个变量。最重要的发现如下：a. 在社区韧性评估方面，我们的结果显示，在疫情期间，由于当地社区严重依赖与地理旅游相关的收益，其韧性普遍较低，而这些收益受到了严重冲击。游客数量的急剧下降导致就业、收入、储蓄和社会参与度大幅减少。此外，政府支持的缺乏进一步削弱了社区的韧性。b. IGR的平均评分突出了影响韧性的关键要素，如月收入、政府援助、产品创新和目的地吸引力提升。这些要素包括支持性、基础设施、社会和经济方面，对于建立韧性至关重要。c. 在韧性评估方面，朴素贝叶斯（NB）算法的表现优于其他机器学习算法，为政策制定者提供了预测和解决地理旅游中社区脆弱性的有用工具。在5%的显著性水平下，统计测试（Friedman检验）未发现各算法之间存在明显差异，表明几种模型可能适用于相关应用。为了识别相关变量，这一概念和方法可以在其他村庄中使用混合模型进行分类问题研究，而不仅仅是复杂的机器学习和深度学习算法。d. 该研究表明，在可持续地理旅游管理策略的框架下，政府和政策制定者应制定综合政策来强化地理环境中的这些关键变量。重要的是，为了提高社会和经济的可持续性，当地社区必须积极参与土地分配和规划程序，以建立有效的韧性。

**作者贡献声明：**
Himan Shahabi：撰写原始稿件、监督、项目管理、调查、正式分析、概念化。
Davood Jamini：撰写原始稿件、资金筹集、数据管理。
Ataollah Shirzadi：撰写原始稿件、验证、软件开发、方法论、调查、正式分析。
Hojatollah Sadeghi：撰写原始稿件。
Hossein Komasi：撰写原始稿件、资源协调。
Ismail Elkhrachy：审稿与编辑、撰写原始稿件、资金筹集。
Aryan Salvati：撰写原始稿件、验证、方法论。
John J. Clague：审稿与编辑、撰写原始稿件。
Zahed Ghaderi：审稿与编辑、撰写原始稿件。

**知情同意声明：**
在研究开始前，已从所有受访者处获得了知情同意。

**伦理声明：**
由于本研究不涉及任何敏感数据，因此库尔德斯坦大学的伦理委员会免除了伦理声明的要求。访谈是自愿进行的，并在整个研究过程中充分维护了受访者的隐私和权利。

**资金支持：**
本研究由伊朗库尔德斯坦大学资助，资助编号为01-9-14939。