Ramy uczenia maszynowego do wielowymiarowej oceny jakości życia w mieście

Dlaczego życie w mieście to coś więcej niż pieniądze

Kiedy myślimy o „dobrym” mieście do życia, często sięgamy po proste liczby, takie jak średnie dochody czy ceny mieszkań. Jednak codzienne życie kształtują równie mocno bezpieczeństwo, czyste powietrze, transport publiczny, opieka zdrowotna, a nawet poczucie bezpieczeństwa co do przyszłości. W tym badaniu przeanalizowano 99 najbardziej rozwiniętych miast świata i zadano pytanie: jeśli weźmiemy pod uwagę wiele takich składników jednocześnie, czy uda się odkryć ukryte wzorce wyjaśniające, dlaczego niektóre miejsca wydają się bardziej przyjazne do życia od innych — i czego mogą od siebie nauczyć się władze miejskie?

Patrząc na miasta przez wiele soczewek

Naukowcy zaczynają od długo toczonej debaty: czy jakość życia powinna być oceniana głównie przez pryzmat twardych faktów, takich jak dochód i edukacja, przez zdolność ludzi do realizowania swoich preferencji, czy przez ich codzienne odczucia dotyczące bezpieczeństwa, komfortu i satysfakcji? Zamiast wybierać jedną ze stron, zespół celowo łączy wszystkie trzy podejścia. Korzystają zarówno z formalnych, globalnych rankingów „zdatności do życia”, jak i z ocen zbieranych od mieszkańców. Ich dane obejmują jedenaście rodzajów miar, pogrupowanych w cztery szerokie obszary: czynniki związane z pieniędzmi, takie jak koszty życia, czynsze, ceny artykułów spożywczych oraz siła nabywcza; czynniki społeczne, takie jak edukacja, opieka zdrowotna, bezpieczeństwo i stabilność polityczna; infrastruktura, obejmująca transport i media; oraz warunki środowiskowe, takie jak zanieczyszczenie i czystość, a także wielkość miasta.

Nauczanie komputerów rozpoznawania „rodzin” miast

Ponieważ wiele z tych miar porusza się współzależnie — na przykład miasta z drogimi artykułami spożywczymi zwykle mają też wysokie ogólne koszty życia — autorzy stosują narzędzia statystyczne i uczenia maszynowego, by rozplątać ten splot. Najpierw standaryzują wszystkie liczby, aby miasta można było uczciwie porównać, a następnie wprowadzają je do techniki zwanej analizą składowych głównych, która kompresuje jedenaście wskaźników do trzech złożonych „wymiarów”. Jeden wymiar odzwierciedla klasyczne wskaźniki rozwoju, takie jak silne szkoły, szpitale i siła nabywcza (co autorzy nazywają spojrzeniem „normatywnym”). Drugi oddaje to, jak miasto naprawdę się przeżywa, łącząc bezpieczeństwo, stabilność i infrastrukturę w wymiar „doświadczenia jednostki”. Trzeci łączy wielkość populacji i jakość środowiska w wymiar „ekologii człowieka”, podkreślając, jak dobrze miasto równoważy wzrost z warunkami sprzyjającymi zdrowiu.

Trzy rodzaje udanych miast

Mając te trzy wymiary, zespół używa następnie metody grupowania, aby ustalić, które miasta są do siebie podobne w przekroju. Algorytm wyodrębnia trzy wyraźne grupy. Pierwszy klaster skupia zamożne miasta Ameryki Północnej, Europy i Azji, takie jak Wiedeń, Tokio i San Francisco. Miejsca te świetnie wypadają w tradycyjnych ocenach jakości życia, ale zaskakująco słabiej prezentują się pod względem doświadczenia codziennego i równowagi środowiskowej — często łącząc wysokie koszty, zatłoczenie oraz niższy poziom codziennego bezpieczeństwa czy czystości niż sugerowałby ich poziom zamożności. Drugi klaster obejmuje wiele miast europejskich oraz kilka z Zatoki Perskiej i Azji Wschodniej, takie jak Kopenhaga, Abu Zabi i Tajpej. Te miasta osiągają bardziej zrównoważony profil: solidne wyniki gospodarcze połączone z wysokim poziomem bezpieczeństwa, dobrą infrastrukturą i relatywnie lepszymi warunkami środowiskowymi.

Wschodzące miasta i ukryte mocne strony

Trzeci klaster składa się głównie z dużych miast w gospodarkach wschodzących w Azji, Afryce i Ameryce Łacińskiej, w tym Bombaju, Nairobi i São Paulo. W konwencjonalnych miarach, takich jak dochód, edukacja i wydatki na zdrowie, miejsca te pozostają w tyle za dwoma pierwszymi klastrami. Analiza ujawnia jednak niedocenione mocne strony: umiarkowane wyniki w wymiarach doświadczalnym i ekologicznym sugerują, że niektóre z tych miast oferują lepsze codzienne bezpieczeństwo lub jakość środowiska niż przewidywałyby ich poziomy dochodów, lub przynajmniej radzą sobie z presją demograficzną bardziej efektywnie niż oczekiwano. Aby zrozumieć, które składniki najsilniej rozdzielają klastry, autorzy trenują modele drzew decyzyjnych i boosting — proste formy sztucznej inteligencji. Modele te wskazują stabilność polityczną jako główny czynnik rozdzielający, a następnie edukację, jakość środowiska, poziomy czynszów i infrastrukturę, co pokazuje punkty dźwigni, gdzie polityka może przynieść największy efekt.

Co to oznacza dla mieszkańców i decydentów

Dla osób niebędących specjalistami główny przekaz jest taki, że dobrostan miasta nie sprowadza się do pensji czy produktu krajowego brutto. Niektóre miasta o wysokich dochodach nadal mają problem z zapewnieniem bezpiecznego, przyjemnego i ekologicznie zdrowego życia codziennego, podczas gdy niektóre giganty o niższych dochodach wykazują zaskakujące mocne strony w tych obszarach. Grupując miasta o podobnych profilach, badanie oferuje mapę drogową dla uczenia się „miast bliźniaczych”: miejsca w tym samym klastrze mogą dzielić się strategiami na wspólne wyzwania, a miasta z różnych klastrów mogą badać, jak innym udało się osiągnąć lepszą równowagę między pieniędzmi, usługami, bezpieczeństwem i środowiskiem. Autorzy argumentują, że planowanie miejskie w przyszłości powinno korzystać z takich wielowymiarowych narzędzi, by wyjść poza podejście „wzrost za wszelką cenę” i dążyć do miast, w których dobrobyt, codzienne doświadczenie i zdrowie ekologiczne rosną razem.

Cytowanie: 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

Słowa kluczowe: jakość życia w mieście, klastry miejskie, uczenie maszynowe, wskaźniki zdatności do życia, polityka miejska