Übertourismus früher erkennen: Unser Beitrag zur DGT-Jahrestagung 2026
KI-generiertes Panorama von Kyoto mit Besucherandrang, einer Pagode und abstrakten Datenclustern zur Analyse von Social-Media-Texten.
Mein Kollege Prof. Dr. habil. Nicolai Scherle ist auf dem Weg nach Heide. Im Gepäck hat er unseren gemeinsamen Beitrag zu einer Frage, die Tourismusforschung und Data Science zusammenbringt: Können TikTok-Beiträge Hinweise darauf liefern, dass eine Stadt touristisch an ihre Grenzen gerät?
Am 12. November stellt er unsere gemeinsam betreute Arbeit auf der 29. Jahrestagung der Deutschen Gesellschaft für Tourismuswissenschaft an der FH Westküste vor. Die Tagung steht unter dem Leitthema „Tourismus und Lebensqualität: Verstehen, Gestalten, Erleben“. Unser Beitrag, den wir auf der Basis der Thesis von Frau Quynh Huong Vu erarbeitet haben, untersucht das Potenzial von Topic Modeling als Frühwarnindikator für Übertourismus.
Im Mittelpunkt steht Kyoto. Für unsere explorative Machbarkeitsstudie wurden TikTok-Beitragsbeschreibungen und Kommentare mit Bezug zur Stadt ausgewertet. Zum Einsatz kam Latent Dirichlet Allocation, kurz LDA: ein etabliertes Verfahren des maschinellen Lernens, das anhand statistischer Wortmuster verborgene Themen in Textsammlungen erschließt.
Drei der acht identifizierten Themen zeigten Merkmale von Übertourismus. Ihre zeitliche Entwicklung wurde anschließend mit touristischen Kennzahlen und Ereignissen abgeglichen. Dabei zeigten sich Übereinstimmungen zwischen der Sichtbarkeit entsprechender Inhalte und realen touristischen Entwicklungen.
Was mir an diesem Ansatz besonders gefällt, ist die Wahl des Werkzeugs. Ausgangspunkt ist eine konkrete Forschungsfrage. Ein klassisches statistisches Verfahren hilft dabei, die Daten zu erschließen; die Themen werden fachlich interpretiert und anhand weiterer Quellen geprüft. Für mich liegt genau darin der Wert angewandter Data Science: eine passende Methode auswählen und nachvollziehbar zeigen, was ihre Ergebnisse tragen. Und das mal ganz ohne einen aktuellen AI Hype. Es geht nämlich auch mit passenden Machine Learning Methoden.
Die Studie liefert erste Hinweise auf das Potenzial solcher Analysen. Ein verlässlich vorhersagendes Frühwarnsystem ist damit noch nicht final nachgewiesen. Auch die Übertragbarkeit auf andere Städte kann in nachfolgenden Arbeiten untersucht werden. Welche konzeptionellen Impulse sich hieraus bereits für München ergeben können, ist Teil unseres Beitrags. Weitere Arbeiten könnten eine Replikationsstudie im Jahr 2027 behandeln – oder neben TikTok noch andere Social Media Kanäle als Indikatoren mit berücksichtigen. Wer sich hierzu berufen fühlt: Nehmen Sie gerne Kontakt mit mir auf!
Hinter der methodischen Frage steht ein sehr konkretes Anliegen: Wie können Städte Belastungen früher erkennen und die Lebensqualität ihrer Bewohnerinnen und Bewohner schützen?
Ich freue mich, dass Prof. Dr. Nicolai Scherle unsere gemeinsame Arbeit in Heide vorstellt, und bin gespannt auf die Fragen und Anregungen aus der Tourismuswissenschaft.
