Maschinelles Lernverfahren zur multidimensionalen Bewertung der urbanen Lebensqualität

Warum das Stadtleben mehr ist als Geld

Wenn wir an eine „gute“ Stadt zum Leben denken, greifen wir häufig nach einfachen Kennzahlen wie dem Durchschnittseinkommen oder den Immobilienpreisen. Doch das Alltagsleben wird ebenso stark geprägt von Sicherheit, sauberer Luft, öffentlichem Verkehr, Gesundheitsversorgung und sogar davon, wie sicher wir uns hinsichtlich der Zukunft fühlen. Diese Studie betrachtet 99 der weltweit am weitesten entwickelten Städte und fragt: Wenn wir viele dieser Zutaten gleichzeitig berücksichtigen, können wir dann verborgene Muster entdecken, die erklären, warum sich manche Orte lebenswerter anfühlen als andere — und wie Stadtverantwortliche voneinander lernen könnten?

Städte durch viele Linsen betrachten

Die Forschenden beginnen mit einer langjährigen Debatte: Sollte Lebensqualität vor allem an harten Fakten wie Einkommen und Bildung gemessen werden, daran, wie gut Menschen ihre Präferenzen befriedigen können, oder an ihren alltäglichen Gefühlen von Sicherheit, Komfort und Zufriedenheit? Anstatt eine dieser Richtungen zu wählen, kombiniert das Team gezielt alle drei. Sie stützen sich auf formale globale „Lebenswertigkeits“-Rankings ebenso wie auf crowdsourcente Bewertungen von Stadtbewohnern. Ihre Daten umfassen elf Arten von Messgrößen, gruppiert in vier breite Bereiche: monetäre Faktoren wie Lebenshaltungskosten, Mieten, Lebensmittelpreise und Kaufkraft; soziale Faktoren wie Bildung, Gesundheitsversorgung, Sicherheit und politische Stabilität; Infrastruktur wie Verkehr und Versorgungsnetze; sowie Umweltbedingungen wie Verschmutzung und Sauberkeit plus die Größe der Stadt.

Computern beibringen, Stadttypen zu erkennen

Da viele dieser Messgrößen zusammenhängen — etwa haben Städte mit teuren Lebensmitteln meist auch hohe Lebenshaltungskosten insgesamt — verwenden die Autorinnen und Autoren statistische und maschinelle Lernverfahren, um das Geflecht zu entwirren. Zuerst standardisieren sie alle Zahlen, sodass Städte fair vergleichbar sind, und führen sie dann in eine Methode namens Hauptkomponentenanalyse ein, die die elf Indikatoren in drei gemischte „Dimensionen“ komprimiert. Eine Dimension spiegelt klassische Entwicklungsmerkmale wie starke Schulen, Krankenhäuser und Kaufkraft wider (was die Autorinnen und Autoren als „normative“ Sicht bezeichnen). Eine zweite erfasst, wie sich Stadtleben tatsächlich anfühlt, indem sie Sicherheit, Stabilität und Infrastruktur in einer Dimension „individuelle Erfahrung“ kombiniert. Die dritte verbindet Bevölkerungsgröße und Umweltqualität zu einer „mensch-ökologischen“ Dimension und hebt hervor, wie gut eine Stadt Wachstum mit einer gesunden Umwelt in Einklang bringt.

Drei Arten erfolgreicher Städte

Mit diesen drei Dimensionen wendet das Team anschließend ein Clustering-Verfahren an, um zu prüfen, welche Städte sich insgesamt ähneln. Der Computer entscheidet sich für drei deutlich unterscheidbare Gruppen. Der erste Cluster versammelt wohlhabende nordamerikanische, europäische und asiatische Städte wie Wien, Tokio und San Francisco. Diese Orte punkten bei traditionellen Lebensqualitätswerten, schneiden jedoch überraschend schlechter bei gelebter Erfahrung und ökologischer Balance ab — oft verbunden mit hohen Kosten, überfüllten Verhältnissen und einer alltäglichen Sicherheit oder Sauberkeit, die hinter dem erwarteten Niveau ihres Wohlstands zurückbleibt. Der zweite Cluster umfasst viele europäische sowie einige Golf- und ostasiatische Städte wie Kopenhagen, Abu Dhabi und Taipeh. Diese Städte erreichen ein ausgewogeneres Profil: solide wirtschaftliche Leistungen gepaart mit starker Sicherheit, guter Infrastruktur und relativ besseren Umweltbedingungen.

Aufstrebende Städte und verborgene Stärken

Der dritte Cluster besteht überwiegend aus großen Städten in Schwellenländern in Asien, Afrika und Lateinamerika, darunter Mumbai, Nairobi und São Paulo. Bei konventionellen Messgrößen wie Einkommen, Bildung und Gesundheitsausgaben liegen diese Orte hinter den ersten beiden Clustern zurück. Die Analyse deckt jedoch unterschätzte Stärken auf: moderate Werte in den Erfahrungs- und Ökologie-Dimensionen deuten darauf hin, dass einige dieser Städte eine bessere alltägliche Sicherheit oder Umweltqualität bieten, als allein anhand ihres Einkommens zu erwarten wäre, oder zumindest Bevölkerungsdruck effizienter zu managen wissen, als man vermuten würde. Um die Faktoren zu identifizieren, die die Cluster am stärksten trennen, trainieren die Autorinnen und Autoren Entscheidungsbaum- und Boosting-Modelle — einfache Formen künstlicher Intelligenz. Diese Modelle heben politische Stabilität als wichtigsten Trenner hervor, gefolgt von Bildung, Umweltqualität, Mietniveau und Infrastruktur und weisen auf Hebelpunkte hin, an denen Politik den größten Unterschied machen kann.

Was das für Menschen und Entscheidungsträger bedeutet

Für Laien lautet die Kernbotschaft: Das Wohl einer Stadt lässt sich nicht auf Gehälter oder das Bruttoinlandsprodukt reduzieren. Manche einkommensstarken Städte tun sich weiterhin schwer damit, ein sicheres, angenehmes und ökologisch gesundes Alltagsleben zu bieten, während einige einkommensschwächere Metropolen überraschende Stärken in diesen Bereichen zeigen. Indem Städte mit ähnlichen Profilen gruppiert werden, bietet die Studie eine Landkarte für „Schwesterstadt“-Lernprozesse: Orte im selben Cluster können Strategien für gemeinsame Herausforderungen austauschen, und solche in unterschiedlichen Clustern können untersuchen, wie andere ein besseres Gleichgewicht zwischen Geld, Dienstleistungen, Sicherheit und Umwelt erreicht haben. Letztlich plädieren die Autorinnen und Autoren dafür, dass künftige Stadtplanung solche multidimensionalen Instrumente nutzen sollte, um über Wachstum um jeden Preis hinauszugehen und stattdessen Städte anzustreben, in denen Wohlstand, Alltagserfahrung und ökologische Gesundheit gemeinsam steigen.

Zitation: Ahmed, A.A.A., Abdelghafur, Y., Ahmed, Y. et al. Machine learning framework for multidimensional assessment of urban quality of life. Sci Rep 16, 12568 (2026). https://doi.org/10.1038/s41598-026-41350-4

Schlüsselwörter: urbane Lebensqualität, Stadtcluster, maschinelles Lernen, Lebenswertigkeitsindizes, Stadtpolitik