Begrijpen hoe bestemmingskenmerken het bezoek aan culturele routes vormen via sociale-mediagegevens en interpreteerbare machine learning

Waarom de paden van pelgrims vandaag de dag nog steeds van belang zijn

Culturele routes zoals de oude Kumano Kodo in Japan werden vroeger door keizers en monniken bewandeld; tegenwoordig trekken ze ook toeristen met een smartphone in de hand. Deze studie stelt een praktische vraag met grote implicaties voor erfgoed en toerisme: niet waarom mensen zeggen dat ze willen reizen, maar hoe de concrete kenmerken van plaatsen langs een route daadwerkelijk bepalen waar bezoekers naartoe gaan. Door duizenden geo-getagde socialmediaberichten te analyseren en transparante machine-learninginstrumenten te gebruiken, tonen de auteurs aan hoe schrijnen, landschappen, winkels, slaapplaatsen en bussen samen de moderne geografie van pelgrimage vormen.

Digitale voetafdrukken volgen langs een oude weg

In plaats van te vertrouwen op enquêtes en herinneringen, richtten de onderzoekers zich op de sporen die mensen online achterlaten wanneer ze reizen. Ze verzamelden 24.569 geo-getagde Flickr-foto’s gemaakt tussen 2010 en 2025 in het bredere Kumano Kodo-gebied. Na zorgvuldig te hebben gefilterd op waarschijnlijke lokale bewoners en alledaagse taferelen, werd elke overgebleven foto behandeld als één concreet bezoek in ruimte en tijd. Om te controleren of deze digitale menigte echt de toeristische paden volgde, vergeleek het team hun punten met onafhankelijke gegevens van Google Maps en TripAdvisor. De Flickr-bezoeken waren sterk geconcentreerd rond bekende attracties, wat erop wijst dat socialmediaberichten een realistisch beeld geven van waar bezoekers daadwerkelijk tijd doorbrengen.

Wat bezoekers onderweg opvalt

De volgende stap was te begrijpen welke soorten plaatsen het meest van belang zijn langs deze historische route. De auteurs analyseerden de woorden die mensen gebruikten in hun Flickr-titels, tags en beschrijvingen, vertaalden en schonen de tekst en gebruikten vervolgens topicmodelling om terugkerende thema’s te vinden. Uit deze thema’s destilleerden ze 17 typen bestemmingskenmerken, gegroepeerd in vier brede families: culturele en erfgoedbronnen zoals schrijnen en traditionele gebouwen; natuurlijke omgevingen waaronder kusten, rivieren en bossen; toeristische en vrijetijdsvoorzieningen zoals verblijven, onsen, restaurants en winkels; en reisinfra structuur zoals wegen, spoorlijnen, stations en parkeerplaatsen. Ze koppelden elk type aan gedetailleerde geografische gegevens—kaarten van tempels, treinlijnen, hellingen, vegetatie en meer—zodat ze konden bestuderen hoe deze kenmerken overeenkomen met echte bezoekspatronen.

Een model leren het landschap te lezen

Om deze vele lagen te relateren aan waar mensen daadwerkelijk heen gingen, verdeelden de onderzoekers de regio in een raster van éénkilometer-vierkanten. Voor elk vlak vatten ze samen hoe dicht het bij elk soort attractie of voorziening lag, en hoe sterk elk natuurlijk kenmerk daar was. Deze cijfers werden de inputs van het model; het waargenomen aantal Flickr-bezoeken werd de uitkomst die verklaard moest worden. Ze vergeleken verschillende machine-learningbenaderingen en vonden dat een random forest-model, dat afstandsgebaseerde maten van elk kenmerk gebruikte, de waargenomen bezoekpatronen het beste reproduceerde. Belangrijk is dat ze daarna de “zwarte doos” openden met interpreteerbare hulpmiddelen die laten zien hoe elke factor de voorspelde bezoekersaantallen omhoog of omlaag duwt, zowel op zichzelf als in combinatie.

Hoe schrijnen, voorzieningen en wegen samenwerken

De resultaten laten zien dat hotspots langs de route zelden door één enkele attractie worden bepaald. Culturele en erfgoedplaatsen—religieuze sites, traditionele straten, monumenten en musea—werken als de belangrijkste magneten: hoe dichter een rastervak bij hen ligt, hoe meer bezoeken het doorgaans ontvangt. Deze magneten worden echter sterk versterkt door nabijgelegen voorzieningen en makkelijke bereikbaarheid. Gebieden met verblijven, onsen, restaurants en winkelclusters, verbonden met spoorlijnen, stations, wegen en parkeergelegenheden, trekken veel meer bezoekers dan geïsoleerde schrijnen op moeilijk bereikbare locaties. Natuurlijke kenmerken zoals bergen, rivieren en dichte begroeiing spelen een subtielere rol en vormen de achtergrond die deze patronen kan versterken of temperen in plaats van ze direct aan te sturen. De balans tussen deze ingrediënten verschuift ook met de seizoenen, reismodi en type bezoekers: zo geven winterbezoekers meer de voorkeur aan binnenattracties en transportknooppunten, terwijl wandelaars te voet neigen naar secties met veel landschappelijke schoonheid die worden ondersteund door basis openbaar vervoer.

Inzichten omzetten in betere routes

Voor niet-specialisten is de belangrijkste conclusie dat succesvolle culturele routes minder functioneren als losse monumenten en meer als levende netwerken. Deze studie toont aan dat mensen worden aangetrokken door plekken waar betekenisvolle erfgoedlocaties zijn verweven met eenvoudige gemakken en betrouwbare toegang, allemaal omlijst door een herkenbaar landschap. Door deze relaties te kwantificeren met behulp van echt gedrag in plaats van alleen verklaarde motieven, bieden de auteurs een praktisch recept dat kan worden aangepast aan andere historische routes wereldwijd. Het versterken van culturele ankers, het coördineren van voorzieningen en transport rond deze ankers, en het afstemmen van beheer op verschillende seizoenen en reizigerstijlen kan helpen om oude paden zowel begaanbaar als betekenisvol te houden in de eenentwintigste eeuw.

Bronvermelding: 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

Trefwoorden: culturele routes, toerismepatronen, gegevens van sociale media, erfgoedbeheer, machine learning