Machine learning-kader voor multidimensionele beoordeling van stedelijke levenskwaliteit

Waarom het stadsleven meer is dan geld

Als we nadenken over een “goede” stad om in te wonen, grijpen we vaak naar eenvoudige cijfers zoals gemiddeld inkomen of huizenprijzen. Maar het dagelijks leven wordt minstens zozeer bepaald door veiligheid, schone lucht, openbaar vervoer, gezondheidszorg en zelfs hoe zeker we ons over de toekomst voelen. Deze studie bekijkt 99 van ’s werelds meest ontwikkelde steden en vraagt: als we veel van deze ingrediënten tegelijk meenemen, kunnen we dan verborgen patronen ontdekken die verklaren waarom sommige plaatsen leefbaarder aanvoelen dan andere — en hoe stadsleiders van elkaar kunnen leren?

Steden door meerdere brillen bekijken

De onderzoekers beginnen bij een langlopende discussie: moet levenskwaliteit vooral worden beoordeeld aan de hand van harde feiten zoals inkomen en opleiding, aan de hand van hoe goed mensen hun voorkeuren kunnen vervullen, of door hun dagelijkse gevoel van veiligheid, comfort en tevredenheid? In plaats van één kamp te kiezen, combineert het team bewust alle drie. Ze putten uit formele wereldwijde “leefbaarheids”ranglijsten en uit door burgers aangereikte beoordelingen van stadsbewoners. Hun gegevens omvatten elf soorten maatstaven, gegroepeerd in vier brede gebieden: geldgerelateerde factoren zoals kosten van levensonderhoud, huur, boodschappenprijzen en koopkracht; sociale factoren zoals onderwijs, gezondheidszorg, veiligheid en politieke stabiliteit; infrastructuur zoals vervoer en nutsvoorzieningen; en milieufactoren zoals vervuiling en netheid, plus stadsomvang.

Computers leren stadstypes te herkennen

Omdat veel van deze maatstaven samen bewegen — bijvoorbeeld steden met dure boodschappen hebben meestal ook hoge algemene leefkosten — gebruiken de auteurs statistische en machine-learningtools om de wirwar te ontwarren. Ze standaardiseren eerst alle cijfers zodat steden eerlijk vergeleken kunnen worden, en voeren ze vervolgens in een techniek genaamd principale componentenanalyse, die de elf indicatoren comprimeert tot drie samengestelde “dimensies.” Eén dimensie weerspiegelt klassieke ontwikkelingskenmerken zoals sterke scholen, ziekenhuizen en koopkracht (wat de auteurs een “normatief” perspectief noemen). Een tweede vangt hoe het stadsleven daadwerkelijk aanvoelt en combineert veiligheid, stabiliteit en infrastructuur tot een dimensie van “individuele ervaring.” De derde verbindt bevolking en milieukwaliteit in een “menselijke ecologie”-dimensie en benadrukt hoe goed een stad groei in balans brengt met een gezonde omgeving.

Drie soorten succesvolle steden

Met deze drie dimensies in handen gebruikt het team vervolgens een clusteranalyse om te zien welke steden elkaar in het algemeen lijken. De computer komt uit op drie onderscheidende groepen. De eerste cluster verzamelt welvarende Noord-Amerikaanse, Europese en Aziatische steden zoals Wenen, Tokio en San Francisco. Deze plaatsen scoren hoog op traditionele kwaliteit-van-leven-scores maar doen het verrassend minder goed op geleefde ervaring en ecologische balans, vaak door een mix van hoge kosten, drukte en zwakkere alledaagse veiligheid of netheid dan hun rijkdom zou doen vermoeden. De tweede cluster omvat veel Europese en een handvol Golf- en Oost-Aziatische steden zoals Kopenhagen, Abu Dhabi en Taipei. Deze steden bereiken een meer uitgebalanceerd profiel: solide economische prestaties gecombineerd met sterke veiligheid, goede infrastructuur en relatief betere milieutoestanden.

Opkomende steden en verborgen sterke punten

De derde cluster bestaat voornamelijk uit grote steden in opkomende economieën in Azië, Afrika en Latijns-Amerika, waaronder Mumbai, Nairobi en São Paulo. Op conventionele maatstaven zoals inkomen, onderwijs en gezondheidsuitgaven blijven deze plaatsen achter bij de eerste twee clusters. Toch onthult de analyse ondergewaardeerde sterke punten: matige scores op ervarings- en ecologische dimensies suggereren dat sommige van deze steden betere dagelijkse veiligheid of milieuomstandigheden bieden dan alleen hun inkomensniveau zou voorspellen, of in ieder geval bevolkingseffecten effectiever beheren dan verwacht. Om te begrijpen welke ingrediënten de clusters het sterkst scheiden, trainen de auteurs beslisbomen en boosting-modellen — eenvoudige vormen van kunstmatige intelligentie. Deze modellen wijzen politieke stabiliteit aan als de belangrijkste scheidslijn, gevolgd door onderwijs, milieukwaliteit, huurniveaus en infrastructuur, en tonen daarmee hefpunten waar beleid het grootste verschil kan maken.

Wat dit betekent voor burgers en beleidsmakers

Voor niet-specialisten is de kernboodschap dat stedelijk welzijn niet kan worden gereduceerd tot loonstroken of bruto binnenlands product. Sommige rijkere steden worstelen nog steeds met het bieden van een veilige, aangename en ecologisch gezonde dagelijkse leefomgeving, terwijl sommige armere grootsteden verrassende sterke kanten op die terreinen tonen. Door steden met vergelijkbare profielen te groeperen, biedt de studie een routekaart voor “zusterstad”-leren: plaatsen in dezelfde cluster kunnen strategieën delen voor gemeenschappelijke uitdagingen, en steden in andere clusters kunnen bestuderen hoe anderen een betere balans tussen geld, diensten, veiligheid en milieu hebben bereikt. Uiteindelijk betogen de auteurs dat toekomstige stedelijke planning dergelijke multidimensionele instrumenten moet gebruiken om verder te gaan dan groei-voor-alles en in plaats daarvan te streven naar steden waar welvaart, dagelijkse ervaring en ecologische gezondheid samen toenemen.

Bronvermelding: 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

Trefwoorden: stedelijke levenskwaliteit, stedelijke clusters, machine learning, leefbaarheidsindexen, stedelijk beleid