Framework di apprendimento automatico per la valutazione multidimensionale della qualità della vita urbana

Perché la vita in città è più che denaro

Quando pensiamo a una città “buona” in cui vivere, tendiamo a guardare a numeri semplici come il reddito medio o i prezzi delle abitazioni. Ma la vita quotidiana è plasmata altrettanto dalla sicurezza, dall’aria pulita, dai trasporti pubblici, dall’assistenza sanitaria e persino dalla percezione di sicurezza sul futuro. Questo studio esamina 99 delle città più sviluppate del mondo e si chiede: se consideriamo molti di questi elementi insieme, possiamo scoprire pattern nascosti che spiegano perché alcuni luoghi risultano più vivibili di altri — e come i responsabili urbani possano imparare gli uni dagli altri?

Osservare le città attraverso molte lenti

I ricercatori partono da un dibattito di lunga data: la qualità della vita va giudicata principalmente da fatti concreti come reddito e istruzione, dalla capacità delle persone di soddisfare le proprie preferenze, o dalle loro sensazioni quotidiane di sicurezza, comfort e soddisfazione? Invece di scegliere una sola prospettiva, il team combina deliberatamente tutte e tre. Si avvalgono di classifiche formali globali di “vivibilità” e di valutazioni crowd‑sourced degli abitanti. I dati comprendono undici tipi di misure, raggruppate in quattro aree ampie: fattori economici come costo della vita, affitti, prezzi dei generi alimentari e potere d’acquisto; fattori sociali quali istruzione, assistenza sanitaria, sicurezza e stabilità politica; infrastrutture come trasporti e servizi; e condizioni ambientali come inquinamento e pulizia, oltre alla dimensione della città.

Insegnare ai computer a identificare famiglie di città

Poiché molte di queste misure si muovono insieme — per esempio le città con generi alimentari costosi tendono ad avere anche alti costi di vita — gli autori utilizzano strumenti statistici e di machine learning per districare il groviglio. Standardizzano prima tutti i numeri in modo che le città siano comparabili, poi li immettono in una tecnica chiamata analisi delle componenti principali, che comprime gli undici indicatori in tre “dimensioni” combinate. Una dimensione riflette i classici indicatori di sviluppo come scuole e ospedali di qualità e potere d’acquisto (quella che gli autori definiscono una visione “normativa”). Una seconda cattura come la vita in città si percepisce realmente, combinando sicurezza, stabilità e infrastrutture in una dimensione di “esperienza individuale”. La terza collega popolazione e qualità ambientale in una dimensione di “ecologia umana”, evidenziando quanto bene una città equilibri crescita e ambiente sano.

Tre tipi di città di successo

Con queste tre dimensioni a disposizione, il team utilizza poi un metodo di clustering per vedere quali città si somigliano complessivamente. L’algoritmo identifica tre gruppi distinti. Il primo cluster raccoglie città ricche del Nord America, Europa e Asia come Vienna, Tokyo e San Francisco. Questi luoghi brillano nei tradizionali punteggi di qualità della vita ma mostrano performance sorprendentemente peggiori sull’esperienza vissuta e sull’equilibrio ambientale, spesso combinando costi elevati, condizioni affollate e una sicurezza o pulizia quotidiana meno efficaci di quanto la loro ricchezza suggerirebbe. Il secondo cluster include molte città europee e alcuni centri del Golfo e dell’Asia orientale come Copenaghen, Abu Dhabi e Taipei. Queste città raggiungono un profilo più bilanciato: solida performance economica unita a forte sicurezza, buone infrastrutture e condizioni ambientali relativamente migliori.

Città emergenti e punti di forza nascosti

Il terzo cluster è composto principalmente da grandi città in economie emergenti di Asia, Africa e America Latina, tra cui Mumbai, Nairobi e São Paulo. Su misure convenzionali come reddito, istruzione e spesa sanitaria, questi luoghi restano indietro rispetto ai primi due cluster. Tuttavia l’analisi rivela punti di forza sottovalutati: punteggi moderati sulle dimensioni esperienziale ed ecologica suggeriscono che alcune di queste città offrono una sicurezza quotidiana o una qualità ambientale migliori di quanto il loro livello di reddito farebbe prevedere, oppure gestiscono le pressioni demografiche più efficacemente del previsto. Per capire quali ingredienti separano maggiormente i cluster, gli autori addestrano modelli ad albero decisionale e di boosting — forme semplici di intelligenza artificiale. Questi modelli evidenziano la stabilità politica come il principale elemento discriminante, seguita da istruzione, qualità ambientale, livelli degli affitti e infrastrutture, indicando punti di leva dove le politiche possono fare la differenza maggiore.

Cosa significa questo per le persone e i decisori

Per i non specialisti, il messaggio centrale è che il benessere urbano non può essere ridotto a buste paga o prodotto interno lordo. Alcune città ad alto reddito faticano ancora a offrire una vita quotidiana sicura, piacevole e ambientalmente sana, mentre alcuni giganti a reddito più basso mostrano sorprendenti punti di forza in queste aree. Raggruppando città con profili simili, lo studio offre una roadmap per l’apprendimento tra “città sorelle”: i luoghi dello stesso cluster possono condividere strategie per sfide comuni, e quelli in cluster diversi possono studiare come altri hanno raggiunto un migliore equilibrio tra denaro, servizi, sicurezza e ambiente. In ultima analisi, gli autori sostengono che la pianificazione urbana futura dovrebbe usare strumenti multidimensionali di questo tipo per andare oltre la crescita a ogni costo e puntare invece a città in cui prosperità, esperienza quotidiana e salute ecologica crescano insieme.

Citazione: 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

Parole chiave: qualità della vita urbana, cluster di città, apprendimento automatico, indici di vivibilità, politiche urbane