Cadre d’apprentissage automatique pour une évaluation multidimensionnelle de la qualité de vie urbaine

Pourquoi la vie en ville n’est pas qu’une question d’argent

Quand on pense à une « bonne » ville où vivre, on a tendance à se fier à des chiffres simples comme le revenu moyen ou le prix de l’immobilier. Mais la vie quotidienne est tout autant façonnée par la sécurité, la qualité de l’air, les transports en commun, les soins de santé, et même notre sentiment de sécurité face à l’avenir. Cette étude porte sur 99 des villes les plus développées au monde et pose la question suivante : si l’on prend en compte simultanément bon nombre de ces composantes, peut‑on découvrir des motifs cachés qui expliquent pourquoi certains lieux paraissent plus vivables que d’autres — et comment les responsables urbains pourraient s’inspirer mutuellement ?

Regarder les villes à travers plusieurs prismes

Les chercheur·e·s partent d’un débat ancien : la qualité de vie doit‑elle être évaluée principalement sur la base de faits tangibles comme le revenu et le niveau scolaire, sur la capacité des personnes à satisfaire leurs préférences, ou sur leurs ressentis quotidiens de sécurité, de confort et de satisfaction ? Plutôt que de choisir un camp, l’équipe combine délibérément les trois approches. Elle s’appuie à la fois sur des classements formels mondiaux de « vivabilité » et sur des évaluations participatives provenant des habitants. Leurs données comprennent onze types d’indicateurs, regroupés en quatre grands domaines : des facteurs liés à l’argent comme le coût de la vie, les loyers, le prix des produits alimentaires et le pouvoir d’achat ; des facteurs sociaux tels que l’éducation, les soins de santé, la sécurité et la stabilité politique ; les infrastructures comme les transports et les services publics ; et les conditions environnementales comme la pollution et la propreté, ainsi que la taille de la ville.

Apprendre aux ordinateurs à repérer les familles de villes

Parce que beaucoup de ces mesures évoluent conjointement — par exemple, les villes où les produits alimentaires sont chers affichent généralement aussi des coûts de vie élevés — les auteur·rice·s utilisent des outils statistiques et d’apprentissage automatique pour démêler ce fouillis. Ils standardisent d’abord toutes les valeurs afin de comparer les villes de façon équitable, puis les soumettent à une technique appelée analyse en composantes principales, qui compresse les onze indicateurs en trois « dimensions » mixtes. Une dimension reflète des marqueurs classiques du développement tels que de bonnes écoles, des hôpitaux de qualité et le pouvoir d’achat (ce que les auteur·rice·s nomment une vision « normative »). Une seconde capture le ressenti de la vie urbaine, combinant sécurité, stabilité et infrastructures en une dimension « expérience individuelle ». La troisième relie la population à la qualité environnementale dans une dimension de « écologie humaine », mettant en évidence la capacité d’une ville à concilier croissance et environnement sain.

Trois types de villes performantes

Avec ces trois dimensions en main, l’équipe utilise ensuite une méthode de regroupement pour voir quelles villes se ressemblent globalement. L’algorithme retient trois groupes distincts. Le premier rassemble des villes riches d’Amérique du Nord, d’Europe et d’Asie comme Vienne, Tokyo et San Francisco. Ces lieux brillent dans les scores traditionnels de qualité de vie mais performent étonnamment moins bien sur l’expérience vécue et l’équilibre environnemental, combinant souvent coûts élevés, forte densité et une sécurité ou une propreté quotidienne plus faibles que ce que leur richesse pourrait laisser penser. Le deuxième groupe inclut de nombreuses villes européennes et quelques villes du Golfe et d’Asie de l’Est comme Copenhague, Abu Dhabi et Taipei. Ces villes présentent un profil plus équilibré : de bonnes performances économiques couplées à une forte sécurité, de bonnes infrastructures et des conditions environnementales relativement meilleures.

Villes en essor et forces méconnues

Le troisième groupe est composé principalement de grandes villes des économies émergentes d’Asie, d’Afrique et d’Amérique latine, y compris Mumbai, Nairobi et São Paulo. Sur les mesures classiques comme le revenu, l’éducation et les dépenses de santé, ces lieux sont en retard par rapport aux deux premiers groupes. Pourtant, l’analyse révèle des forces sous‑estimées : des scores modérés sur les dimensions expérientielles et écologiques suggèrent que certaines de ces villes offrent une meilleure sécurité quotidienne ou une qualité environnementale supérieure à ce que leur niveau de revenu seul laisserait prévoir, ou du moins gèrent les pressions démographiques plus efficacement qu’attendu. Pour comprendre quels ingrédients séparent le plus fortement les groupes, les auteur·rice·s entraînent des arbres de décision et des modèles de boosting — des formes simples d’intelligence artificielle. Ces modèles mettent en évidence la stabilité politique comme principal facteur distinctif, suivie de l’éducation, de la qualité environnementale, du niveau des loyers et des infrastructures, indiquant des leviers où la politique publique peut faire la plus grande différence.

Ce que cela signifie pour les habitants et les décideurs

Pour les non‑spécialistes, le message central est que le bien‑être urbain ne se réduit pas aux salaires ou au produit intérieur brut. Certaines villes à hauts revenus peinent encore à offrir une vie quotidienne sûre, agréable et écologiquement saine, tandis que certains géants à plus faibles revenus affichent des forces surprenantes dans ces domaines. En regroupant les villes aux profils similaires, l’étude propose une feuille de route pour l’apprentissage « entre villes jumelles » : les lieux d’un même groupe peuvent partager des stratégies pour des défis communs, et ceux de groupes différents peuvent étudier comment d’autres ont obtenu un meilleur équilibre entre argent, services, sécurité et environnement. En fin de compte, les auteur·rice·s soutiennent que la planification urbaine future devrait utiliser de tels outils multidimensionnels pour dépasser la logique de croissance à tout prix et viser plutôt des villes où prospérité, expérience quotidienne et santé écologique progressent ensemble.

Citation: 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

Mots-clés: qualité de vie urbaine, groupes de villes, apprentissage automatique, indices de vivabilité, politique urbaine