تصنيف مرونة المجتمع معتمداً على التعلم العميق بناءً على ميزات النظم الاجتماعية-التقنية المتداخلة

لماذا تهم قوة المدن في أوقات الشدة

تواجه المدن حول العالم المزيد من الفيضانات والعواصف والصدمات الأخرى، ويشعر السكان العاديون بتأثيراتها عندما تنهار الطرق أو تنقطع الكهرباء أو يصعب الوصول إلى المستشفيات. تقدم هذه الدراسة طريقة جديدة لفهم مدى قدرة الأحياء المختلفة على الصمود والتعافي من مثل هذه الاضطرابات. بدلاً من النظر إلى نظام واحد في كل مرة، تستخدم الدراسة تقنيات التعلم الآلي الحديثة لرصد كيف تتفاعل المباني والطرق وأبراج الهاتف الخلوي والمساحات الخضراء والظروف الاجتماعية لتشكيل قوة المجتمعات في الحياة الواقعية.

نظرة إلى المدينة كشبكة حية

عادة ما تجمع بطاقات التقييم التقليدية لِـ "المدن المرنة" مجموعة مؤشرات، يُعطى كل مؤشر وزنًا بواسطة خبراء، لتنتج مؤشرًا واحدًا. هذه الأساليب مفيدة لكنها تعامل أجزاء المدينة — مثل الطرق والمستشفيات ومستويات الدخل — كما لو أنها تعمل باستقلالية. في الواقع، كثيرًا ما تنتشر المشاكل عبر سلاسل خفية من السبب والنتيجة. قد تقطع مفترق طرق غارق الوصول إلى العيادات، ما يؤدي بدوره إلى تفاقم الأثر الصحي. يجادل المؤلفون أنه لالتقاط هذه الشبكة من التفاعلات نحتاج أدوات قادرة على كشف الأنماط الدقيقة والتأثيرات غير الخطية عبر أنواع بيانات متعددة في آن واحد.

نظام ذكي لتصنيف مرونة الأحياء

لمعالجة هذا التحدي، أنشأ الباحثون Resili-Net، إطار عمل للتعلّم العميق مكوّن من ثلاثة أجزاء يقيم المرونة لخلايا شبكة صغيرة في منطقة حضرية. يستوعب اثني عشر ميزة قابلة للقياس تندرج تحت ثلاث أفكار بسيطة: مدى صلابة الأشياء (مثل المباني والأبراج الأحدث، أو انخفاض الفقر)، وكمية النسخ الاحتياطية المتاحة (كوجود طرق ومستشفيات وأبراج خلوية متعددة)، ومدى قدرة المجتمعات على استخدام الموارد (بما في ذلك كثافة الطرق، وسرعة الإنترنت، والمساحات الخضراء، ومستويات التعليم). باستخدام بيانات متاحة جمهورياً فقط، يتعلم Resili-Net أولاً أنماطًا مضغوطة تصف تداخل هذه الميزات، ثم يجمع المواقع في عناقيد، وفي النهاية يحول تلك العناقيد إلى مستويات للمرونة تتراوح من منخفضة جدًا إلى عالية جدًا.

ما يكشفه النموذج عن أربع مناطق رئيسية في الولايات المتحدة

طبق الفريق Resili-Net على المناطق الأكبر المحيطة بلوس أنجلوس وشيكاغو ودالاس وهيوستن، مقسمين كل منطقة إلى شبكة مربعات بطول 2 كيلومتر. حدّد النموذج خمس مستويات للمرونة في كل منطقة، وأظهر أن المستويات المتشابهة تميل إلى التكتل بدلًا من التوزع عشوائياً. تقع مناطق المرونة الأعلى عادة في أو قرب نوى المدن مع مبانٍ أحدث، وطرق أكثر اتصالًا، وإنترنت أسرع، وإمكانية وصول أفضل إلى الرعاية الصحية، ومستويات تعليم أعلى. بالمقابل، عادةً ما توجد جيوب ذات مرونة منخفضة على الحواف أو داخل محيط أقوى، تعكس بنية تحتية أقدم، ومرافق أقل، وفقرًا أعلى. عند المقارنة مع طريقة بسيطة تعتمdد على الجمع والترتيب باستخدام نفس البيانات، حافظ Resili-Net على التباينات الحادة وكشف نقاط ضعف دقيقة طمستها المؤشرات الأساسية.

اختبار سيناريوهات ماذا لو وإضافة خطر الفيضانات

استخدم الباحثون أيضًا Resili-Net لاستكشاف كيف قد تغيّر الترقيات الموجهة مستويات المرونة. في سيناريو واحد، أعطيَت المواقع ذات المرونة المنخفضة مستشفيات أقرب وشبكات طرق أطول، محاكاةً لدفع بنية تحتية مركزية. أظهرت بعض المناطق، مثل منطقة لوس أنجلوس الكبرى، تحسناً واضحًا. أما أخرى، مثل أجزاء من شيكاغو، فاستجابت بشكل غير متساوٍ، مع تراجع بعض الأحياء بسبب التداخل المعقد للعوامل الاجتماعية والمادية. يشير هذا إلى أن إضافة مزيد من الطرق أو المستشفيات ليست دائماً الحل الأفضل؛ ففي بعض الأماكن قد تكون الاستثمارات في الروابط الاجتماعية أو المساحات الخضراء أكثر أهمية. ثم دمج الفريق خرائط المرونة مع نموذج تعلّم عميق منفصل لمخاطر الفيضانات، منتجًا خرائط مشتركة تبرز المجتمعات التي تواجه كل من خطر عالٍ ومرونة منخفضة، وغالبًا ما تكون حيث يعيش السكان الأكثر هشاشة اجتماعيًا.

تحويل البيانات إلى خيارات مدنية أكثر عدلاً وذكاءً

لأفراد المجتمع، الخلاصة أن قدرة المجتمع على التعامل مع الكوارث ليست مجرد مسألة حجم العاصفة—بل تتعلق بمدى انسجام العديد من عناصر الحياة الحضرية قبل وقوع الحدث. يقدم Resili-Net للمخططين وصانعي السياسات وسيلة لرؤية تلك الروابط بوضوح أكبر، مبيّنًا الأماكن التي قد يحوّل فيها مزيج من بنية تحتية ضعيفة ومعاناة اجتماعية خطرًا إلى أزمة. من خلال الإشارة إلى أي الميزات هي الأهم في كل نوع من الأحياء، يمكن للإطار أن يوجّه استثمارات مُخصصة ومبنية على الأدلة—سواء كان ذلك بتقوية الطرق أو توسيع العيادات أو إضافة مساحات خضراء أو دعم السكان الضعفاء—حتى تصبح المدن ليس فقط أقوى، بل وأكثر عدلاً، في مواجهة المخاطر المتزايدة.

الاستشهاد: Yin, K., Li, B. & Mostafavi, A. Deep learning-driven community resilience rating based on intertwined socio-technical systems features. npj Urban Sustain 6, 56 (2026). https://doi.org/10.1038/s42949-026-00364-7

الكلمات المفتاحية: مرونة حضرية, التعلّم العميق, مخاطر الفيضانات, النظم الاجتماعية-التقنية, تخطيط المدن