Marco de aprendizaje automático para la evaluación multidimensional de la calidad de vida urbana

Por qué la vida en la ciudad es más que el dinero

Cuando pensamos en una ciudad “buena” para vivir, a menudo acudimos a números sencillos como la renta media o el precio de la vivienda. Pero la vida cotidiana está marcada tanto por la seguridad, el aire limpio, el transporte público y la atención sanitaria como por la sensación de futuro que tengamos. Este estudio analiza 99 de las ciudades más desarrolladas del mundo y plantea: si tenemos en cuenta muchos de estos ingredientes a la vez, ¿podremos descubrir patrones ocultos que expliquen por qué algunos lugares se sienten más habitables que otros y cómo los responsables urbanos pueden aprender entre sí?

Mirar las ciudades desde múltiples lentes

Los investigadores parten de un debate de larga data: ¿debe juzgarse la calidad de vida principalmente por hechos objetivos como los ingresos y la educación, por la capacidad de la gente para satisfacer sus preferencias o por sus sensaciones diarias de seguridad, confort y satisfacción? En lugar de elegir una sola postura, el equipo combina deliberadamente las tres. Se apoyan en rankings formales mundiales de “habitabilidad” y en valoraciones de residentes obtenidas por crowdsourcing. Sus datos incluyen once tipos de medidas, agrupadas en cuatro áreas amplias: factores económicos como coste de la vida, alquiler, precios de la cesta básica y poder adquisitivo; factores sociales como educación, atención sanitaria, seguridad y estabilidad política; infraestructura como transporte y servicios; y condiciones ambientales como contaminación y limpieza, además del tamaño de la ciudad.

Enseñar a los ordenadores a identificar familias de ciudades

Como muchas de estas medidas se mueven conjuntamente —por ejemplo, las ciudades con comestibles caros suelen tener también altos costes de vida—, los autores usan herramientas estadísticas y de aprendizaje automático para desenredar el conjunto. Primero estandarizan todos los números para comparar las ciudades equitativamente, y luego los introducen en una técnica llamada análisis de componentes principales, que comprime los once indicadores en tres “dimensiones” combinadas. Una dimensión refleja marcadores clásicos de desarrollo, como escuelas, hospitales fuertes y poder adquisitivo (lo que los autores llaman una visión “normativa”). Una segunda captura cómo se siente realmente la vida urbana, combinando seguridad, estabilidad e infraestructura en una dimensión de “experiencia individual”. La tercera vincula población y calidad ambiental en una dimensión de “ecología humana”, que destaca cómo equilibra una ciudad el crecimiento con un entorno saludable.

Tres tipos de ciudades exitosas

Con estas tres dimensiones, el equipo usa un método de agrupamiento para ver qué ciudades se parecen entre sí en términos generales. El algoritmo se decanta por tres grupos distintos. El primer clúster reúne ciudades ricas de Norteamérica, Europa y Asia, como Viena, Tokio y San Francisco. Estos lugares destacan en las puntuaciones tradicionales de calidad de vida, pero obtienen resultados sorprendentemente bajos en experiencia vivida y equilibrio ambiental, a menudo por la mezcla de altos costes, condiciones de hacinamiento y una seguridad o limpieza cotidiana más débil de lo que su riqueza sugeriría. El segundo clúster incluye muchas ciudades europeas y unas pocas del Golfo y del este asiático, como Copenhague, Abu Dabi y Taipéi. Estas ciudades logran un perfil más equilibrado: buen rendimiento económico junto con fuerte seguridad, buena infraestructura y condiciones ambientales relativamente mejores.

Ciudades en ascenso y fortalezas ocultas

El tercer clúster está formado sobre todo por grandes ciudades de economías emergentes en Asia, África y Latinoamérica, incluyendo Bombay, Nairobi y São Paulo. En medidas convencionales como ingresos, educación y gasto sanitario, estos lugares quedan por detrás de los dos primeros clústeres. Sin embargo, el análisis revela fortalezas poco valoradas: puntuaciones moderadas en las dimensiones experiencial y ecológica sugieren que algunas de estas ciudades ofrecen mejor seguridad cotidiana o calidad ambiental de lo que sus niveles de ingresos predecirían, o al menos gestionan las presiones demográficas mejor de lo esperado. Para comprender qué ingredientes separan con más fuerza los clústeres, los autores entrenan modelos de árbol de decisión y de boosting —formas simples de inteligencia artificial. Estos modelos señalan la estabilidad política como el principal factor diferenciador, seguida de la educación, la calidad ambiental, los niveles de alquiler y la infraestructura, lo que indica puntos de palanca donde la política puede marcar la mayor diferencia.

Qué significa esto para la ciudadanía y los responsables públicos

Para el público general, el mensaje central es que el bienestar urbano no se puede reducir a los sueldos o al producto interior bruto. Algunas ciudades de altos ingresos siguen teniendo dificultades para ofrecer una vida diaria segura, agradable y ambientalmente sana, mientras que algunas metrópolis de ingresos más bajos muestran fortalezas sorprendentes en esas áreas. Al agrupar ciudades con perfiles similares, el estudio ofrece una hoja de ruta para el aprendizaje entre “ciudades hermanas”: los lugares en el mismo clúster pueden compartir estrategias para desafíos comunes, y los de clústeres distintos pueden estudiar cómo otros lograron un mejor equilibrio entre dinero, servicios, seguridad y medio ambiente. En última instancia, los autores sostienen que la planificación urbana futura debería usar herramientas multidimensionales como esta para ir más allá del crecimiento a cualquier costo y aspirar a ciudades donde prosperidad, experiencia cotidiana y salud ecológica crezcan juntas.

Cita: 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

Palabras clave: calidad de vida urbana, grupos de ciudades, aprendizaje automático, índices de habitabilidad, política urbana