Comprender cómo los atributos del destino moldean la afluencia de turistas en rutas culturales mediante datos de redes sociales y aprendizaje automático interpretable

Por qué los caminos de los peregrinos siguen importando hoy

Rutas culturales como el antiguo Kumano Kodo de Japón fueron antaño recorridas por emperadores y monjes; hoy también las caminan turistas con teléfonos inteligentes en la mano. Este estudio plantea una cuestión práctica con grandes implicaciones para el patrimonio y el turismo: no por qué la gente dice que quiere viajar, sino cómo las características concretas de los lugares a lo largo de una ruta determinan realmente a dónde van los visitantes. Al extraer miles de publicaciones geoetiquetadas en redes sociales y emplear herramientas de aprendizaje automático transparentes, los autores muestran cómo santuarios, paisajes, comercios, alojamientos y autobuses se combinan para crear la geografía moderna de la peregrinación.

Siguiendo huellas digitales a lo largo de un camino antiguo

En lugar de depender de encuestas y recuerdos, los investigadores recurrieron a las trazas que la gente deja en línea cuando viaja. Reunieron 24.569 fotos geoetiquetadas en Flickr tomadas entre 2010 y 2025 en el área amplia del Kumano Kodo. Tras filtrar cuidadosamente a probables residentes locales y escenas de la vida cotidiana, cada foto restante se trató como una visita concreta en espacio y tiempo. Para comprobar si esta multitud digital seguía realmente las rutas turísticas, el equipo comparó sus puntos con datos independientes de Google Maps y TripAdvisor. Las visitas de Flickr se agruparon de forma intensa alrededor de atracciones conocidas, lo que sugiere que las publicaciones en redes sociales ofrecen una imagen realista de dónde pasan tiempo los visitantes.

Lo que los visitantes notan en el camino

El siguiente paso fue entender qué tipos de lugares importan más a lo largo de esta ruta histórica. Los autores analizaron las palabras que la gente usaba en títulos, etiquetas y descripciones de Flickr, tradujeron y limpiaron el texto y luego aplicaron modelado de temas para encontrar temas recurrentes. A partir de esos temas destilaron 17 tipos de atributos de destino, agrupados en cuatro familias amplias: recursos culturales y patrimoniales como santuarios y edificios tradicionales; entornos naturales que incluyen costas, ríos y bosques; servicios turísticos y de ocio como alojamientos, onsen, restaurantes y comercios; e infraestructura de transporte como carreteras, vías férreas, estaciones y aparcamientos. A continuación vincularon cada tipo a datos geográficos detallados —mapas de templos, líneas de tren, pendientes, vegetación y más— para poder estudiar cómo estos atributos se alinean con los patrones reales de visita.

Enseñar a un modelo a leer el paisaje

Para relacionar todas estas capas con los lugares a los que la gente acudía realmente, los investigadores dividieron la región en una cuadrícula de celdas de un kilómetro. Para cada celda resumieron qué tan cerca estaba de cada tipo de atracción o servicio y qué intensidad tenía cada rasgo natural allí. Estos valores se convirtieron en las entradas del modelo; el número observado de visitas en Flickr fue la salida a explicar. Compararon varios enfoques de aprendizaje automático y hallaron que un modelo de bosque aleatorio, usando medidas basadas en la distancia de cada atributo, reproducía mejor los patrones de afluencia observados. De forma importante, luego “abrieron la caja negra” con herramientas interpretables que muestran cómo cada factor empuja la predicción de visitas hacia arriba o hacia abajo, tanto de manera aislada como en combinación.

Cómo trabajan juntos santuarios, servicios y vías

Los resultados revelan que los puntos calientes a lo largo de la ruta rara vez son impulsados por una sola atracción. Los lugares culturales y patrimoniales —sitios religiosos, calles tradicionales, monumentos y museos— actúan como los principales imanes: cuanto más cerca está una celda de la cuadrícula de ellos, más visitas tiende a recibir. Sin embargo, estos imanes se refuerzan fuertemente con servicios cercanos y un acceso facilitado. Las áreas con alojamientos, onsen, restaurantes y núcleos comerciales, conectadas a líneas férreas, estaciones, carreteras y aparcamientos, atraen a muchos más visitantes que santuarios aislados en ubicaciones de difícil acceso. Los rasgos naturales como montañas, ríos y vegetación densa desempeñan un papel más sutil, proporcionando el telón de fondo que puede realzar o moderar estos patrones más que impulsarlos por sí solos. El equilibrio entre estos ingredientes también cambia según las estaciones, los modos de viaje y los tipos de visitantes: por ejemplo, los visitantes de invierno se apoyan más en atracciones interiores y nudos de transporte, mientras que los senderistas a pie se inclinan hacia tramos ricos en paisaje apoyados por transporte público básico.

Convertir el conocimiento en mejores rutas

Para el público no especializado, la conclusión clave es que las rutas culturales exitosas funcionan menos como monumentos aislados y más como redes vivas. Este estudio muestra que la gente se siente atraída por lugares donde sitios patrimoniales significativos se entretejen con comodidades sencillas y acceso fiable, todo enmarcado por un paisaje característico. Al cuantificar estas relaciones usando comportamiento real en lugar de solo motivos declarados, los autores ofrecen una receta práctica que puede adaptarse a otras rutas históricas en el mundo. Reforzar anclas culturales, coordinar servicios y transportes a su alrededor, y adaptar la gestión a distintas estaciones y estilos de viajero puede ayudar a mantener los caminos antiguos tanto caminables como significativos en el siglo XXI.

Cita: 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

Palabras clave: rutas culturales, patrones turísticos, datos de redes sociales, gestión del patrimonio, aprendizaje automático