Понимание того, как характеристики мест формируют посещаемость туристами культурных маршрутов с помощью данных из социальных сетей и интерпретируемого машинного обучения

Почему пути паломников до сих пор важны

Культурные маршруты, такие как древний Кумано Кодо в Японии, когда-то проделывали императоры и монахи; сегодня по ним ходят туристы со смартфонами. Это исследование задает практический вопрос с большими последствиями для охраны наследия и туризма: не почему люди говорят, что хотят путешествовать, а как именно конкретные особенности мест вдоль маршрута формируют реальное распределение посетителей. С помощью анализа тысяч геотегированных публикаций в социальных сетях и прозрачных инструментов машинного обучения авторы демонстрируют, как святыни, пейзажи, магазины, места для ночлега и автобусы в совокупности создают современную географию паломничества.

Следуя цифровым следам вдоль старой дороги

Вместо опросов и воспоминаний исследователи обратились к следам, которые люди оставляют онлайн во время путешествий. Они собрали 24 569 геотегированных фотографий с Flickr, сделанных в период с 2010 по 2025 годы в широкой зоне Кумано Кодо. После тщательной фильтрации вероятных местных жителей и сцен повседневной жизни каждая оставшаяся фотография трактовалась как одно конкретное посещение в пространстве и времени. Чтобы проверить, действительно ли эта цифровая толпа следовала туристическим маршрутам, команда сопоставила их точки с независимыми данными из Google Maps и TripAdvisor. Посещения в Flickr сильно сконцентрировались вокруг известных достопримечательностей, что указывает на то, что посты в соцсетях дают реалистичную картину того, где люди действительно проводят время.

Что посетители замечают по пути

Следующим шагом было понять, какие именно места имеют наибольшее значение вдоль этого исторического маршрута. Авторы проанализировали слова, которые люди использовали в заголовках, тегах и описаниях Flickr, перевели и очистили текст, а затем применили тематическое моделирование для выявления повторяющихся мотивов. Из этих мотивов они выделили 17 типов атрибутов мест, сгруппированных в четыре широкие семьи: культурные и наследственные ресурсы — святыни и традиционные здания; природные условия — побережья, реки и леса; туристические и досуговые услуги — жилье, онсэны, рестораны и магазины; а также транспортная инфраструктура — дороги, железные линии, станции и парковки. Затем каждый тип был связан с детализированными географическими данными — картами храмов, железных путей, склонов, растительности и т. д., чтобы изучить, как эти атрибуты соотносятся с реальными шаблонами посещаемости.

Обучение модели «читать» ландшафт

Чтобы связать эти многочисленные слои с тем, куда люди действительно ходили, исследователи разделили регион на сетку с ячейками размером один километр. Для каждой ячейки они суммировали, как близко она находится к каждому типу достопримечательности или объекта, и насколько выражены там те или иные природные признаки. Эти числовые показатели стали входами модели; наблюдаемое число посещений по Flickr стало объясняемым выходом. Они сравнили несколько подходов машинного обучения и обнаружили, что модель случайного леса с дистанционно-ориентированными мерами каждого атрибута лучше всего воспроизводит наблюдаемые шаблоны посещаемости. Важно, что затем они «раскрыли черный ящик» с помощью интерпретируемых инструментов, показывающих, как каждый фактор повышает или понижает предсказанную посещаемость, как по отдельности, так и в сочетании.

Как святыни, сервисы и дороги работают вместе

Результаты показывают, что горячие точки вдоль маршрута редко обусловлены одной лишь достопримечательностью. Культурные и наследственные места — религиозные объекты, традиционные улицы, памятники и музеи — выступают главными магнитами: чем ближе клетка сетки к ним, тем больше она, как правило, привлекает посетителей. Однако эти магниты сильно усиливаются рядом расположенными услугами и удобным доступом. Территории с гостиницами, онсэн-сервисами, ресторанами и торговыми кластерами, связанными с железнодорожными линиями, станциями, дорогами и парковками, привлекают значительно больше людей, чем изолированные святыни в труднодоступных местах. Природные черты — горы, реки и густая растительность — играют более тонкую роль, создавая фон, который может усиливать или смягчать эти закономерности, но не быть их главным драйвером. Соотношение этих составляющих также меняется в зависимости от сезона, способа передвижения и типа посетителей: например, зимой люди больше ориентируются на закрытые достопримечательности и транспортные узлы, тогда как пешеходы-треккеры тяготеют к участкам с яркой природой, подкреплённым базовым общественным транспортом.

Превращение знаний в лучшие маршруты

Для непрофессионалов главный вывод в том, что успешные культурные маршруты работают скорее как живые сети, чем как отдельные памятники. Исследование показывает: людей привлекают места, где значимые объекты наследия переплетены с простыми удобствами и надежным доступом, всё это — в рамках узнаваемого ландшафта. Количественно оценивая эти связи на основе реального поведения, а не только заявленных мотивов, авторы предлагают практическую «рецептуру», которую можно адаптировать к другим историческим маршрутам по всему миру. Укрепление культурных якорей, координация услуг и транспорта вокруг них, а также адаптация управления к разным сезонам и типам путешественников помогут сохранить древние пути и проходимыми, и значимыми в XXI веке.

Цитирование: 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

Ключевые слова: культурные маршруты, туристические шаблоны, данные социальных сетей, управление наследием, машинное обучение