Evaluating the Effectiveness of Social Marketing Campaigns in Sustainable Tourism: A Machine Learning-Based Approach

Document Type : Original Article

Authors

1 Ph.D., Department of Public Administration and Tourism, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

2 Assistant professor, Department of Public Administration and Tourism, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

3 Assistant professor, Department of Engineering Sciences, Faculty of Advanced Technologies, University of Mohaghegh Ardabili, Ardabil, Iran

4 Master of Tourism, Department of Public Administration and Tourism, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

Abstract

As environmental and cultural challenges associated with tourism continue to rise, the importance of sustainability within the industry has become increasingly evident. In this context, social marketing has emerged as an effective tool for promoting responsible tourism behaviors and facilitating social change toward sustainable development. The advent of advanced technologies—especially machine learning—has opened new avenues for analyzing audience behavior and predicting the effectiveness of campaigns. However, a gap remains in integrating qualitative and quantitative approaches in this field. This study aimed to evaluate the effectiveness of social marketing campaigns in promoting sustainable tourism behaviors through a mixed-method approach. In the qualitative phase, thematic analysis of semi-structured interviews with 16 experts identified 23 sub-themes, which were organized into 6 main themes. These themes informed the development of a structured questionnaire and the data collected from 297 respondents were analyzed by using a Support Vector Machine (SVM) algorithm. The results demonstrated high accuracy and generalizability of the predictive model, highlighting key success factors, such as sentiment analysis, behavioral modeling, and content personalization. The proposed framework served as a practical tool for data-driven decision-making in sustainable tourism marketing policies. Furthermore, the study underscored that integrating human insight with algorithmic analysis provided a robust foundation for designing targeted, ethical, and sustainability-focused marketing interventions.
 
Introduction
The environmental and cultural externalities of tourism have transformed sustainability from a peripheral concern into a central imperative. In this context, social marketing provides a practical pathway to promote responsible tourist behaviors and foster broader social change. However, despite the proliferation of analytics and Machine Learning (ML) technologies, a notable gap persists: few studies integrate expert-derived, context-specific constructs with predictive models capable of estimating campaign success in advance. This study aimed to bridge that gap by proposing and testing a mixed-methods, data-driven framework for evaluating the effectiveness of social marketing campaigns in sustainable tourism. The qualitative phase distilled expert knowledge into measurable constructs, while the quantitative phase operationalized these constructs within a supervised learning pipeline to predict campaign success. The study's main contributions were twofold: (1) a conceptually grounded measurement model derived from domain experts and (2) an ML classifier that identified key drivers of success—particularly sentiment analysis, behavioral modeling, and content personalization—to support evidence-based decision-making in sustainable tourism marketing.
 
Materials & Methods
The research employed a sequential mixed-methods design. Initially, semi-structured interviews with 16 experts were thematically analyzed to identify the conceptual foundations of effective social marketing in sustainable tourism. This analysis yielded 23 sub-themes, which were organized into 6 higher-order themes; these findings informed the development of a structured questionnaire. To enhance clarity around constructs and their interrelationships, the research team created a conceptual network by using ATLAS.ti. This network classified the links among sub-themes as interactive, causal, or sequential, thereby elucidating how elements like creative messaging and behavioral modeling co-influenced campaign outcomes.
In the quantitative phase, 297 respondents completed the questionnaire based on the 23 sub-themes. The target variable—campaign success—was categorized into 3-ordered classes: 0.0 (low), 0.8 (medium), and 1.0 (high). A Support Vector Machine (SVM) classifier with a polynomial kernel was trained to predict these classes from the questionnaire features. The kernel function was defined as K(x,y)=(c+gx⋅y)dK(x,y) = (c+gx\cdoty)^dK(x,y)=(c+gx⋅y)d with the tuned hyperparameters set to g=10g = 10g=10, c=0.88c = 0.88c=0.88, and degree d=3d = 3d=3. The misclassification cost was established at 0.50, epsilon for the regression-style loss at 0.40 (to account for small errors), and numerical tolerance for convergence at 0.001. These settings were selected to balance accuracy, generalization, and computational complexity. Model performance was evaluated by using standard metrics, including accuracy, precision, recall, F1-score, AUC, and MCC, supplemented by a confusion matrix and diagnostic visualizations (mosaic plot, heatmap, and lift curve). Collectively, these tools assessed discrimination, calibration, and business utility—especially the model’s ability to prioritize high-response segments under resource constraints.
 
Research Findings
The thematic analysis identified 6 primary themes that illustrated how ML could enhance social marketing for sustainable tourism. Key elements included:

Creativity in Message Design and Content: Inspiring messages, ongoing redesign of materials, and emotionally resonant visuals
Analysis and Prediction of Audience Behavior: ML-based performance evaluation and the automation of behavioral predictions
Engagement Techniques: Methods like sentiment analysis and social participation that enhanced audience involvement
Content Personalization and Message Retargeting: Tailoring messages to individual preferences and behaviors
Strategic Decision-Making: Optimal channel selection, timing, and collaborative planning
Enabling Requirements and Infrastructure: Factors like data security, robust technical infrastructure, influencer participation, and mitigation of economic and technical barriers

Collectively, these themes emphasized the synergy between human-centered creative strategies and data-driven targeting. In the predictive phase, the SVM demonstrated strong discrimination. The summary metrics included: Accuracy=0.845, Precision=0.838, Recall=0.845, F1-score=0.840, AUC=0.856, and MCC=0.603—indicating a good balance between sensitivity and precision, along with a moderate-to-strong correlation between predicted and true labels. The confusion matrix revealed particularly strong recognition of highly successful campaigns: out of 214 true instances of class 1.0, the model correctly identified 200 (approximately 93.5% class-specific accuracy). Performance on the low-success class was also reasonable; however, the medium class (0.8) had relatively few examples, reflecting data imbalance and limiting the model’s generalization for that category. Visualization diagnostics supported these findings. The mosaic plot illustrated significant agreement between predicted and observed labels in the 1.0 class and meaningful alignment for the 0.0 class, reinforcing the confusion matrix patterns. The lift curve quantified practical utility for targeting: selecting only the top 25.7% of individuals based on predicted success probability (the optimized threshold) resulted in a success rate significantly above random selection, demonstrating the model’s ability to enhance prioritization under limited outreach budgets. In line with qualitative insights, feature-level analyses underscored the importance of behavioral modeling, sentiment analysis, and social participation, reinforcing the study’s assertion that these elements were central to enhancing campaign effectiveness.
 
Discussion of Results & Conclusion
This study demonstrated that integrating expert-derived constructs with supervised learning resulted in a predictive framework that was both conceptually grounded and practically actionable. The expert phase ensured that the measurement model accurately reflected the context-specific realities of sustainable tourism marketing, while ATLAS.ti mapping clarified the interplay among creative, behavioral, and infrastructural elements. The SVM then translated these constructs into a classifier exhibiting robust discrimination (AUC=0.856) and commendable overall accuracy (0.845) complemented by an MCC of 0.603—suitable for mildly imbalanced data. Together, these metrics indicated that the model could reliably identify high-success campaigns and assist practitioners in allocating limited outreach resources more efficiently. From a managerial perspective, the results advocated for a dual focus: investing in creative, emotionally resonant messaging and content, while simultaneously implementing data-driven tactics—such as behavioral modeling, sentiment analysis, and personalization—to enhance targeting and message-audience alignment. Furthermore, campaign planning should institutionalize evidence-based decision-making processes (e.g., optimal channel mix and timing) within secure, well-resourced data infrastructures that addressed privacy, governance, and technical capacity. Such an integrated approach aligned ethical considerations with performance objectives in sustainable tourism. Two limitations tempered these findings. First, class imbalance—particularly within the small "medium success" category—constrained performance in that segment, highlighting the value of rebalancing strategies or ordinal modeling in future research. Second, while the SVM performed well, triangulating with alternative algorithms (e.g., gradient boosting) and validating the model in out-of-sample contexts would better assess generalizability. Nonetheless, the evidence from the lift curve indicated immediate utility for prioritized outreach when resources were constrained.
In summary, this study provided a replicable blueprint: deriving constructs from expert knowledge, encoding them into a survey instrument, and deploying an ML classifier to predict campaign success supported by clear decision-making artifacts (confusion matrix, mosaic plot, lift curve) to guide resource allocation. By highlighting sentiment analysis, behavioral modeling, and content personalization as primary levers, the framework offers both strategic clarity and operational guidance for sustainable tourism stakeholders seeking to design targeted, ethical, and high-impact social marketing campaigns.

Keywords

Full Text

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

مشخصات پژوهش

کلیدواژه‌ها

شرح مختصر پژوهش

محمدزاده لطفی و همکاران (1404)

گردشگری، مدل بازاریابی، هوش مصنوعی

این پژوهش به بررسی نقش هوش مصنوعی در بازاریابی گردشگری پرداخته و با رویکرد ترکیبی (کیفی-کمی) انجام شده است. یافته‌ها نشان می‌دهد که به‌کارگیری هوش مصنوعی در فرایندهای بازاریابی می‌تواند موجب بهبود کیفیت خدمات، کاهش هزینه‌ها و افزایش بهره‌وری در صنعت گردشگری شود.

اسدیان اردکانی (1403)

صنعت گردشگری و هتلداری، رضایت گردشگر، هوش مصنوعی، تحلیل کتاب‌سنجی

این پژوهش با هدف مرور نظام‌مند مطالعات مربوط به کاربرد هوش مصنوعی در افزایش رضایت گردشگران انجام شده و با استفاده از روش کتاب‌سنجی، ۴۹۹ مقاله را تحلیل کرده است. نتایج نشان می‌دهد تحلیل احساسات، پردازش زبان طبیعی و یادگیری ماشین‌ابزارهای کلیدی در شناسایی نیازها و بهبود تجربه گردشگران هستند، و تبلیغات شفاهی الکترونیک نقش مؤثری در رضایت آنان ایفا می‌کند.

جلال‌نیا (1403)

بازاریابی اجتماعی، شرکت‌های دانش‌بنیان، مزیت رقابتی، مسئولیت اجتماعی

این پژوهش با هدف ارائۀ الگوی بازاریابی اجتماعی برای کسب مزیت رقابتی پایدار در شرکت‌های دانش‌بنیان انجام شده و یافته‌ها نشان می‌دهد، مشتری‌محوری، آمیخته بازاریابی اجتماعی و مسئولیت‌پذیری قانونی و اخلاقی بر عملکرد اقتصادی، اجتماعی و زیست‌محیطی شرکت‌ها اثرگذارند و در نهایت، موجب دستیابی به مزیت رقابتی پایدار می‌شوند.

مهدوی قره آغاج علیا و همکاران (1403)

نشاط اجتماعی، ورزش، بازاریابی اجتماعی، سالمندان

این پژوهش به بررسی نقش میانجی نشاط اجتماعی در رابطه بین بازاریابی اجتماعی و انگیزۀ سالمندان برای شرکت در فعالیت‌های ورزشی فراغتی در استان اردبیل پرداخته است. نتایج نشان داد که بازاریابی اجتماعی نه‌تنها مستقیماً بر انگیزۀ مشارکت ورزشی سالمندان اثرگذار است، بلکه ازطریق افزایش نشاط اجتماعی نیز این انگیزه را تقویت می‌کند. بر این اساس، برنامه‌ریزی با رویکرد بازاریابی اجتماعی می‌تواند به‌طور مؤثر به ارتقای مشارکت ورزشی سالمندان کمک کند.

رنگرز جدی و امین ناصری (1402)

بازاریابی اجتماعی، توسعۀ پایدار، تجارت

این پژوهش با هدف بررسی تأثیر بازاریابی اجتماعی بر فروش و توسعۀ پایدار در شرکت پخش پدیده پایدار انجام شده است. نتایج نشان می‌دهد که بازاریابی اجتماعی، با توجه به شرایط فرهنگی و اقتصادی خاص ایران، می‌تواند نقش مؤثری در بهبود عملکرد فروش و پیشبرد توسعۀ پایدار کسب‌وکار ایفا کند. این مطالعه با رویکرد آمیخته و جامعۀ آماری متشکل از مدیران فروش و بازاریابی در ۳۱ شعبۀ شرکت انجام شده است.

فلاح تفتی (1400)

پیش‌بینی تعداد گردشگران، تقاضای گردشگری، گوگل ترندز، یادگیری ماشین، شهر یزد

این پژوهش با هدف پیش‌بینی تعداد گردشگران شهر یزد، با استفاده از داده‌های جست‌وجوی کاربران در گوگل ترندز و روش‌های یادگیری ماشین انجام شده است. نتایج نشان داد که داده‌های جست‌وجوی اینترنتی دقت بالایی (بیش از ۹۵درصد) در پیش‌بینی ماهانۀ تعداد گردشگران دارند و می‌توانند ابزار مؤثری برای برنامه‌ریزی دقیق و توسعۀ زیرساخت‌های گردشگری به شمار روند.

مرادی دولیسکانی و اتقیا (1399)

بازاریابی، محیط گردشگری، مقصد گردشگری، ورزش

این پژوهش با هدف بررسی تأثیر بازاریابی اجتماعی بر توسعۀ گردشگری ورزشی در استان تهران انجام شده است. یافته‌ها نشان می‌دهد که بیشتر مؤلفه‌های بازاریابی اجتماعی (به‌جز مشوق‌های بیرونی) تأثیر مثبت و معناداری بر توسعۀ این نوع گردشگری دارند. این پژوهش از اندک مطالعات جامع درزمینۀ سرمایه‌گذاری‌های زیربنایی مرتبط با گردشگری ورزشی در ایران به شمار می‌رود.

زارعی و همکاران (1395)

بازاریابی اجتماعی، نگرش،‌ گردشگری سلامت، رویکرد ترکیبی

این پژوهش به بررسی نقش بازاریابی اجتماعی در ارتقای تصویر مقصد گردشگری سلامت ایران پرداخته است. با استفاده از رویکرد تحقیق آمیخته، نشان داده شده که به‌کارگیری اصول بازاریابی اجتماعی می‌تواند نگرش مثبت گردشگران سلامت را به مقصد تقویت کرده و تمایل آن‌ها به سفردرمانی را افزایش دهد. مدل نهایی شامل مؤلفه‌هایی چون رهبری بازارگرا، تحلیل بازار، راهبرد بازاریابی اجتماعی و زیرساخت‌های مرتبط است که به‌طور معناداری تأیید شده‌اند.

 

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

#

کد (زیرمضمون)

شرح مختصر کد

مضمون

1

پیام‌های الهام‌بخش

تغییر نگرش مخاطبان با پیام‌های مثبت و تأثیرگذار

خلاقیت در طراحی پیام‌ها و محتوا

2

محتوای خلاق

نوآوری در تولید محتوا جهت ارتقا رفتار پایدار

3

بازطراحی پیام‌ها

بازبینی مداوم پیام‌ها براساس بازخورد مخاطبان

4

محتوای بصری-احساسی

استفاده از محتوای تصویری برای تأثیرگذاری بیشتر

5

پیش‌بینی اثربخشی الگوریتم‌ها

مدل‌های یادگیری ماشین برای ارزیابی عملکرد کمپین‌ها

تحلیل و پیش‌بینی رفتار مخاطبان

6

پیش‌بینی خودکار رفتار‌ها

خودکارسازی فرایند پیش‌بینی رفتار مخاطبان

7

تحلیل احساسات

فهم بازخورد مخاطبان ازطریق تحلیل داده‌های احساسی

8

مدل‌سازی رفتاری کمپین‌ها

تحلیل داده‌ها برای مدل‌سازی رفتار کاربران

9

شناسایی داده‌محور مخاطبان

هدف‌گذاری دقیق مخاطبان با تحلیل داده‌ها

10

گردشگری مسئولانه

ترویج ارزش‌های اخلاقی و پایدار در سفر

مسئولیت‌پذیری و پایداری

11

تحلیل اخلاق‌محور رفتار‌ها

توجه به اخلاقیات در تحلیل رفتار مصرف‌کنندگان

12

یادگیری ماشین اخلاق‌محور

طراحی الگوریتم‌های مبتنی‌بر اصول اخلاقی

13

توانمندسازی تیم بازاریابی

تقویت تیم با ارزش‌های مسئولیت‌پذیری

14

تجربیات شخصی‌سازی‌شده

تطبیق پیام‌ها با نیازهای خاص هر کاربر

شخصی‌سازی و هدف‌گیری مخاطبان

15

تحلیل شکست هدف‌گذاری

تحلیل علل موفق نبودن در جذب مخاطبان مناسب

16

جذب مخاطبان بی‌انگیزه

روش‌های بازاریابی برای گروه‌های بی‌علاقه

17

انتخاب کانال‌های توزیع

استفاده از پلتفرم‌های مناسب برای انتشار محتوا

تصمیم‌گیری و برنامه‌ریزی راهبردی

18

زمان‌بندی ارائۀ محتوا

برنامه‌ریزی زمانی برای تأثیرگذاری بیشتر

19

تصمیم‌گیری گروهی

افزایش تعاملات گروهی در تصمیم‌گیری و راهبردی

20

بازاریابی رفتارمحور

تنظیم کمپین براساس الگوهای رفتاری مخاطبان

21

مشارکت اجتماعی

نقش مشارکت مردم، کاربران و اینفلوئنسرها

الزامات و زیرساخت‌ها

22

امنیت اطلاعات مخاطبان

تأمین و تضمین امنیت اطلاعات مخاطبان

23

موانع فنی-اقتصادی الگوریتم‌ها

پیاده‌سازی الگوریتم‌ها در فضای واقعی

 

 

  • خلاقیت در طراحی پیام‌ها و محتوا

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.

  • تحلیل و پیش‌بینی رفتار مخاطبان

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.

  • مسئولیت‌پذیری و پایداری

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.

  • شخصی‌سازی و هدف‌گیری مخاطبان

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.

  • تصمیم‌گیری و برنامه‌ریزی راهبردی

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.

  • الزامات و زیرساخت‌ها

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:

 

جدول 3. ارزیابی شاخص‌های عملکرد الگوریتم ماشین بردار پشتیبان

Table 3. Performance Metrics Evaluation of the Support Vector Machine (SVM) Algorithm

 

شاخص

Recall

Precision

F1-Score

A (Accuracy)

AUC (Area Under Curve)

MCC (Matthews Correlation Coefficient)

مقدار

0.845

0.838

0.840

0.845

0.856

0.603
               

 

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.

 

جدول 4. ماتریس سردرگمی (Confusion Matrix) در الگوریتم ماشین بردار پشتیبان

Table 4. Confusion Matrix of the Support Vector Machine (SVM) Algorithm

 

 

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.

References

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.
 https://B2n.ir/hw9506
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]
New Marketing Research Journal
Volume 15, Issue 4 - Serial Number 59
December 2025
Pages 99-124

Files

History

  • Receive Date: 16 August 2025
  • Revise Date: 21 October 2025
  • Accept Date: 30 November 2025

Share

How to cite

Statistics