Comprendere come gli attributi delle destinazioni modellano le visite turistiche sulle rotte culturali tramite dati dei social media e machine learning interpretabile

Perché i percorsi dei pellegrini contano ancora oggi

Rotte culturali come l’antica Kumano Kodo in Giappone un tempo erano percorse da imperatori e monaci; oggi vengono anche camminate da turisti con smartphone in mano. Questo studio pone una domanda pratica dalle grandi implicazioni per il patrimonio e il turismo: non perché le persone dicono di voler viaggiare, ma come le caratteristiche concrete dei luoghi lungo una rotta determinano effettivamente dove i visitatori si spostano. Analizzando migliaia di post geolocalizzati sui social media e impiegando strumenti di machine learning trasparenti, gli autori mostrano come santuari, paesaggi, negozi, alloggi e autobus si combinino per creare la geografia moderna del pellegrinaggio.

Seguire impronte digitali lungo una vecchia strada

Invece di affidarsi a sondaggi e ricordi, i ricercatori si sono rivolti alle tracce che le persone lasciano online quando viaggiano. Hanno raccolto 24.569 foto geotaggate su Flickr scattate tra il 2010 e il 2025 nell’area più ampia della Kumano Kodo. Dopo aver filtrato con cura i probabili residenti locali e le scene di vita quotidiana, ogni foto rimanente è stata trattata come una visita concreta nello spazio e nel tempo. Per verificare se questa folla digitale seguisse davvero i percorsi turistici, il team ha confrontato i punti con dati indipendenti da Google Maps e TripAdvisor. Le visite Flickr si sono raggruppate in modo marcato attorno alle attrazioni note, suggerendo che i post sui social offrono un quadro realistico di dove i visitatori trascorrono effettivamente il loro tempo.

Cosa notano i visitatori lungo il percorso

Il passo successivo è stato capire quali tipi di luoghi contino di più lungo questa rotta storica. Gli autori hanno analizzato le parole usate nei titoli, nei tag e nelle descrizioni delle foto Flickr, traducendo e pulendo i testi e poi utilizzando topic modeling per individuare temi ricorrenti. Da questi temi hanno estratto 17 tipi di attributi di destinazione, raggruppati in quattro grandi famiglie: risorse culturali e del patrimonio come santuari e edifici tradizionali; contesti naturali comprendenti coste, fiumi e foreste; servizi turistici e per il tempo libero come alloggi, onsen, ristoranti e negozi; e infrastrutture di viaggio quali strade, linee ferroviarie, stazioni e aree di parcheggio. Hanno poi collegato ogni tipo a dati geografici dettagliati—mappe di templi, linee ferroviarie, pendenze, vegetazione e altro—per poter studiare come questi attributi si allineino con i reali modelli di visita.

Insegnare a un modello a leggere il paesaggio

Per mettere in relazione questi numerosi strati con i luoghi effettivamente visitati, i ricercatori hanno suddiviso la regione in una griglia di quadrati di un chilometro. Per ciascun quadrato hanno riassunto quanto fosse vicino a ogni tipo di attrazione o servizio e quanto fosse pronunciata ciascuna caratteristica naturale. Questi numeri sono diventati gli input del modello; il numero osservato di visite Flickr è diventato l’output da spiegare. Hanno confrontato diversi approcci di machine learning e hanno scoperto che un modello random forest, utilizzando misure basate sulle distanze di ogni attributo, riproduceva meglio i modelli di visita osservati. È stato poi importante “aprire la scatola nera” con strumenti interpretabili che mostrano come ogni fattore sposti la previsione delle visite verso l’alto o il basso, sia da solo sia in combinazione con altri.

Come santuari, servizi e strade funzionano insieme

I risultati rivelano che i punti caldi lungo la rotta raramente sono determinati da una singola attrazione. I luoghi culturali e del patrimonio—siti religiosi, vie tradizionali, monumenti e musei—agiscono come i principali calamiti: più un quadrato di griglia è vicino a essi, più tende a ricevere visite. Tuttavia questi magneti sono fortemente rinforzati da servizi vicini e da un facile accesso. Aree con alloggi, onsen, ristoranti e raggruppamenti commerciali, integrate con linee ferroviarie, stazioni, strade e parcheggi, attraggono molti più visitatori rispetto a santuari isolati in posizioni difficilmente raggiungibili. Caratteristiche naturali come montagne, fiumi e vegetazione densa svolgono un ruolo più sottile, fornendo lo sfondo che può esaltare o attenuare questi schemi piuttosto che guidarli in modo predominante. L’equilibrio tra questi ingredienti cambia anche con le stagioni, i modi di viaggio e i tipi di visitatori: per esempio, i visitatori invernali si orientano di più verso attrazioni al chiuso e snodi di trasporto, mentre gli escursionisti a piedi si dirigono verso le sezioni ricche di paesaggio supportate da trasporto pubblico di base.

Trasformare l’intuizione in rotte migliori

Per i non specialisti, la conclusione chiave è che le rotte culturali di successo funzionano meno come monumenti isolati e più come reti vive. Questo studio mostra che le persone sono attratte da luoghi in cui siti del patrimonio significativi sono intrecciati con comfort semplici e accesso affidabile, il tutto incorniciato da un paesaggio distintivo. Quantificando queste relazioni usando comportamenti reali invece dei soli motivi dichiarati, gli autori forniscono una ricetta pratica adattabile ad altre rotte storiche nel mondo. Rafforzare gli ancoraggi culturali, coordinare servizi e trasporti attorno a essi e adeguare la gestione alle stagioni e agli stili di viaggio può contribuire a mantenere i percorsi antichi sia percorribili sia significativi nel XXI secolo.

Citazione: 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

Parole chiave: rotte culturali, modelli di turismo, dati dei social media, gestione del patrimonio, machine learning