Compreendendo como os atributos dos destinos moldam a visitação turística em rotas culturais por meio de dados de mídias sociais e aprendizado de máquina interpretável

Por que os caminhos dos peregrinos ainda importam hoje

Rotas culturais como o antigo Kumano Kodo, no Japão, foram percorridas por imperadores e monges; hoje também são trilhas de turistas com smartphones nas mãos. Este estudo faz uma pergunta prática com grandes implicações para o patrimônio e o turismo: não por que as pessoas dizem querer viajar, mas como as características concretas dos lugares ao longo de uma rota realmente influenciam para onde os visitantes vão. Ao minerar milhares de postagens georreferenciadas em mídias sociais e usar ferramentas transparentes de aprendizado de máquina, os autores mostram como santuários, paisagens, lojas, acomodações e ônibus se combinam para criar a geografia moderna da peregrinação.

Seguindo pegadas digitais ao longo de uma estrada antiga

Em vez de depender de pesquisas e lembranças, os pesquisadores recorreram aos rastros que as pessoas deixam online quando viajam. Eles coletaram 24.569 fotos georreferenciadas do Flickr tiradas entre 2010 e 2025 na área mais ampla do Kumano Kodo. Após filtrar cuidadosamente prováveis moradores locais e cenas do cotidiano, cada foto remanescente foi tratada como uma visita concreta no espaço e no tempo. Para verificar se essa multidão digital realmente seguia caminhos turísticos, a equipe comparou seus pontos com dados independentes do Google Maps e do TripAdvisor. As visitas do Flickr se concentraram fortemente ao redor de atrações conhecidas, sugerindo que postagens em mídias sociais fornecem um retrato realista de onde os visitantes de fato passam o tempo.

O que os visitantes notam pelo caminho

O passo seguinte foi entender que tipos de lugares têm mais relevância ao longo dessa rota histórica. Os autores analisaram as palavras que as pessoas usaram em títulos, tags e descrições no Flickr, traduzindo e limpando o texto e depois usando modelagem de tópicos para encontrar temas recorrentes. A partir desses temas, destilaram 17 tipos de atributos de destino, agrupados em quatro famílias amplas: recursos culturais e de patrimônio, como santuários e construções tradicionais; cenários naturais, incluindo litoral, rios e florestas; serviços de turismo e lazer, como hospedagem, onsen, restaurantes e lojas; e infraestrutura de transporte, como estradas, ferrovias, estações e áreas de estacionamento. Em seguida, vincularam cada tipo a dados geográficos detalhados — mapas de templos, linhas ferroviárias, declives, vegetação e mais — para estudar como esses atributos se alinham com os padrões reais de visitação.

Ensinando um modelo a ler a paisagem

Para relacionar essas várias camadas com onde as pessoas realmente foram, os pesquisadores dividiram a região em uma grade de quadrados de um quilômetro. Para cada quadrado, resumiram quão próximo ele estava de cada tipo de atração ou serviço e quão pronunciada era cada característica natural ali. Esses números tornaram-se as entradas do modelo; o número observado de visitas no Flickr tornou-se a saída a ser explicada. Eles compararam várias abordagens de aprendizado de máquina e descobriram que um modelo de random forest, usando medidas baseadas em distância de cada atributo, melhor reproduziu os padrões observados de visitação. Importante, eles então “abriram a caixa preta” com ferramentas interpretáveis que mostram como cada fator impulsiona a visitação prevista para cima ou para baixo, isoladamente e em combinação.

Como santuários, serviços e vias atuam em conjunto

Os resultados revelam que os polos de atração ao longo da rota raramente são impulsionados por uma única atração. Lugares culturais e de patrimônio — sítios religiosos, ruas tradicionais, monumentos e museus — atuam como os principais ímãs: quanto mais próximo um quadrado da grade estiver deles, mais visitas tende a receber. Ainda assim, esses ímãs são fortemente reforçados por serviços próximos e por acesso facilitado. Áreas com hospedagens, onsen, restaurantes e aglomerações de lojas, integradas a linhas ferroviárias, estações, estradas e estacionamentos, atraem muito mais visitantes do que santuários isolados em locais de difícil acesso. Características naturais, como montanhas, rios e vegetação densa, desempenham um papel mais sutil, fornecendo o pano de fundo que pode realçar ou moderar esses padrões em vez de dirigi-los diretamente. O equilíbrio entre esses elementos também muda conforme as estações, os modos de viagem e os tipos de visitantes: por exemplo, visitantes de inverno dependem mais de atrações internas e polos de transporte, enquanto caminhantes a pé se inclinam para trechos ricos em paisagem apoiados por transporte público básico.

Transformando insight em rotas melhores

Para não especialistas, a principal conclusão é que rotas culturais bem-sucedidas funcionam menos como monumentos isolados e mais como redes vivas. Este estudo mostra que as pessoas são atraídas por lugares onde sítios patrimoniais significativos se entrelaçam com confortos simples e acesso confiável, tudo enquadrado por uma paisagem distintiva. Ao quantificar essas relações usando comportamento real em vez de apenas motivos declarados, os autores fornecem uma receita prática que pode ser adaptada a outras rotas históricas no mundo todo. Fortalecer âncoras culturais, coordenar serviços e transportes ao redor delas e adaptar a gestão a diferentes estações e perfis de viajantes pode ajudar a manter caminhos antigos tanto caminháveis quanto significativos no século XXI.

Citação: 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

Palavras-chave: rotas culturais, padrões de turismo, dados de mídias sociais, gestão do patrimônio, aprendizado de máquina