Verstehen, wie Zielattribute die Besucherzahlen auf Kulturwegen über Social-Media-Daten und interpretierbares maschinelles Lernen formen

Warum die Wege der Pilger heute noch Bedeutung haben

Kulturwege wie der alte Kumano Kodo in Japan wurden einst von Kaisern und Mönchen begangen; heute wandern dort auch Touristen mit Smartphones in der Hand. Diese Studie stellt eine praxisrelevante Frage mit weitreichenden Folgen für Denkmalpflege und Tourismus: nicht, warum Menschen angeben zu reisen, sondern wie die konkreten Merkmale von Orten entlang einer Route tatsächlich beeinflussen, wohin Besucher gehen. Durch das Auswerten Tausender geokodierter Social‑Media‑Beiträge und mit transparenten Methoden des maschinellen Lernens zeigen die Autorinnen und Autoren, wie Schreine, Landschaft, Läden, Übernachtungsmöglichkeiten und Busverbindungen zusammen die moderne Geografie der Pilgerschaft formen.

Digitalen Fußspuren entlang einer alten Straße folgen

Anstatt sich auf Umfragen und Erinnerungen zu stützen, griffen die Forschenden auf die Spuren zurück, die Menschen beim Reisen online hinterlassen. Sie sammelten 24.569 geokodierte Flickr‑Fotos, die zwischen 2010 und 2025 im weiteren Kumano‑Kodo‑Gebiet aufgenommen wurden. Nach sorgfältiger Filterung mutmaßlicher Einheimischer und alltäglicher Szenen wurde jedes verbleibende Foto als ein konkreter Besuch in Raum und Zeit gewertet. Um zu prüfen, ob diese digitale Crowd tatsächlich touristischen Pfaden folgte, verglich das Team die Punkte mit unabhängigen Daten von Google Maps und TripAdvisor. Die Flickr‑Besuche konzentrierten sich stark um bekannte Attraktionen, was darauf hindeutet, dass Social‑Media‑Beiträge ein realistisches Bild davon liefern, wo Besucher tatsächlich Zeit verbringen.

Was Besucher unterwegs wahrnehmen

Im nächsten Schritt ging es darum zu verstehen, welche Arten von Orten entlang dieser historischen Route am wichtigsten sind. Die Autorinnen und Autoren analysierten die Wörter, die Menschen in ihren Flickr‑Titeln, Tags und Beschreibungen nutzten, übersetzten und bereinigten die Texte und wandten dann Topic‑Modeling an, um wiederkehrende Themen zu finden. Aus diesen Themen leiteten sie 17 Typen von Zielattributen ab, die in vier große Familien gruppiert wurden: kulturelle und denkmalpflegerische Ressourcen wie Schreine und traditionelle Gebäude; natürliche Umgebungen einschließlich Küsten, Flüsse und Wälder; Tourismus‑ und Freizeitangebote wie Unterkünfte, Thermalquellen, Restaurants und Geschäfte; sowie Verkehrsinfrastruktur wie Straßen, Bahnlinien, Bahnhöfe und Parkflächen. Anschließend verknüpften sie jeden Typ mit detaillierten Geodaten – Karten von Tempeln, Bahnlinien, Hängen, Vegetation und mehr –, um zu untersuchen, wie diese Attribute mit tatsächlichen Besuchsmustern zusammenhängen.

Ein Modell das Landschaft "lesen" lehren

Um diese vielen Ebenen mit den tatsächlichen Aufenthaltsorten zu verknüpfen, teilten die Forschenden die Region in ein Raster von Ein‑Kilometer‑Quadraten. Für jedes Quadrat fassten sie zusammen, wie nah es an jeder Art von Attraktion oder Einrichtung lag und wie ausgeprägt jede natürliche Eigenschaft dort war. Diese Zahlen wurden zu Eingaben des Modells; die beobachtete Anzahl der Flickr‑Besuche wurde zur erklärten Ausgabe. Sie verglichen mehrere Verfahren des maschinellen Lernens und stellten fest, dass ein Random‑Forest‑Modell, das distanzbasierte Messgrößen für jedes Attribut verwendete, die beobachteten Besuchsmuster am besten reproduzierte. Wichtig war danach, die "Black Box" zu öffnen mittels interpretierbarer Werkzeuge, die zeigen, wie jeder Faktor die prognostizierten Besucherzahlen nach oben oder unten beeinflusst – einzeln und in Kombination.

Wie Schreine, Angebote und Straßen zusammenwirken

Die Ergebnisse zeigen, dass Hotspots entlang der Route selten von einer einzigen Attraktion getrieben werden. Kulturelle und denkmalpflegerische Orte – religiöse Stätten, traditionelle Straßen, Denkmäler und Museen – wirken als Hauptmagneten: Je näher ein Rasterfeld an ihnen liegt, desto mehr Besuche empfängt es tendenziell. Diese Magneten werden jedoch stark durch nahegelegene Serviceangebote und gute Erreichbarkeit verstärkt. Bereiche mit Unterkünften, Thermalquellen, Restaurants und Einkaufskonzentrationen, eingebunden in Bahnlinien, Bahnhöfe, Straßen und Parkplätze, ziehen deutlich mehr Besucher an als isolierte Schreine in schwer zugänglichen Lagen. Natürliche Merkmale wie Berge, Flüsse und dichte Vegetation spielen eine subtilere Rolle, sie bilden die Kulisse, die diese Muster verstärken oder abschwächen kann, statt sie allein zu erzeugen. Das Zusammenspiel dieser Elemente verschiebt sich außerdem mit Jahreszeiten, Reisemodi und Besuchertypen: Beispielsweise orientieren sich Wintergäste stärker an Innenattraktionen und Verkehrsknoten, während Fußwanderer zu landschaftlich reizvollen Abschnitten tendieren, die durch einfache öffentliche Verkehrsanbindung unterstützt werden.

Erkenntnisse in bessere Routen übersetzen

Für Nicht‑Spezialistinnen und Nicht‑Spezialisten lautet die zentrale Erkenntnis, dass erfolgreiche Kulturwege weniger wie Einzeldenkmäler funktionieren und mehr wie lebendige Netzwerke. Die Studie zeigt, dass Menschen von Orten angezogen werden, an denen bedeutsame Kulturerbestätten mit einfachen Annehmlichkeiten und verlässlicher Erreichbarkeit verknüpft sind, alles eingebettet in eine unverwechselbare Landschaft. Indem diese Beziehungen anhand tatsächlichen Verhaltens statt nur bekundeter Motive quantifiziert werden, liefern die Autorinnen und Autoren ein praktisches Rezept, das auf andere historische Routen weltweit anpassbar ist. Die Stärkung kultureller Ankerpunkte, die Koordination von Dienstleistungen und Verkehr um diese herum sowie das Management, das auf Jahreszeiten und Reisendenprofile zugeschnitten ist, kann helfen, alte Wege auch im einundzwanzigsten Jahrhundert begehbar und bedeutungsvoll zu erhalten.

Zitation: Lin, X., Teng, X., Shen, Z. et al. Understanding how destination attributes shaping tourist visitation on cultural routes through social media data and interpretable machine learning. npj Herit. Sci. 14, 197 (2026). https://doi.org/10.1038/s40494-026-02427-5

Schlüsselwörter: kulturelle Routen, Tourismusmuster, Social-Media-Daten, Denkmalschutz, maschinelles Lernen