Estrutura de aprendizado de máquina para avaliação multidimensional da qualidade de vida urbana

Por que a vida na cidade é mais que dinheiro

Quando pensamos em uma cidade “boa” para viver, frequentemente recorremos a números simples, como renda média ou preços de imóveis. Mas a vida cotidiana é moldada tanto por segurança, ar limpo, transporte público e saúde quanto por quão seguros nos sentimos em relação ao futuro. Este estudo analisa 99 das cidades mais desenvolvidas do mundo e pergunta: se considerarmos muitos desses ingredientes ao mesmo tempo, podemos descobrir padrões ocultos que expliquem por que alguns lugares parecem mais habitáveis que outros — e como líderes urbanos podem aprender uns com os outros?

Olhando para as cidades por várias lentes

Os pesquisadores partem de um debate antigo: a qualidade de vida deve ser julgada principalmente por fatos objetivos, como renda e escolaridade, por quão bem as pessoas conseguem satisfazer suas preferências, ou pelos sentimentos diários de segurança, conforto e satisfação? Em vez de escolher um campo, a equipe combina deliberadamente os três. Eles utilizam rankings formais globais de “habitabilidade” bem como avaliações colaborativas de moradores. Os dados incluem onze tipos de medidas, agrupadas em quatro áreas amplas: fatores relacionados ao dinheiro, como custo de vida, aluguel, preços de alimentos e poder de compra; fatores sociais, como educação, saúde, segurança e estabilidade política; infraestrutura, como transporte e serviços; e condições ambientais, como poluição e limpeza, além do tamanho da cidade.

Ensinando computadores a identificar famílias de cidades

Como muitas dessas medidas se movem juntas — por exemplo, cidades com alimentos caros geralmente têm custos de vida elevados — os autores usam ferramentas estatísticas e de aprendizado de máquina para destrinçar esse emaranhado. Primeiro padronizam todos os números para que as cidades possam ser comparadas de forma justa, depois os submetem a uma técnica chamada análise de componentes principais, que comprime os onze indicadores em três “dimensões” combinadas. Uma dimensão reflete marcadores clássicos de desenvolvimento, como boas escolas, hospitais e poder de compra (o que os autores chamam de visão “normativa”). Uma segunda captura como a vida na cidade realmente se sente, combinando segurança, estabilidade e infraestrutura na dimensão de “experiência individual”. A terceira relaciona população e qualidade ambiental em uma dimensão de “ecologia humana”, destacando o equilíbrio entre crescimento e um ambiente saudável.

Três tipos de cidades bem-sucedidas

Com essas três dimensões em mãos, a equipe usa um método de agrupamento para ver quais cidades se assemelham globalmente. O computador aponta três grupos distintos. O primeiro aglomera cidades ricas da América do Norte, Europa e Ásia, como Viena, Tóquio e San Francisco. Esses lugares se destacam em pontuações tradicionais de qualidade de vida, mas se saem surpreendentemente mal na experiência vivida e no equilíbrio ambiental, frequentemente combinando altos custos, condições mais lotadas e segurança ou limpeza do dia a dia mais fracas do que sua riqueza sugeriria. O segundo grupo inclui muitas cidades europeias e algumas do Golfo e do Leste Asiático, como Copenhague, Abu Dhabi e Taipei. Essas cidades apresentam um perfil mais equilibrado: desempenho econômico sólido aliado a forte segurança, boa infraestrutura e condições ambientais relativamente melhores.

Cidades em ascensão e forças ocultas

O terceiro grupo é composto principalmente por grandes cidades em economias emergentes na Ásia, África e América Latina, incluindo Mumbai, Nairóbi e São Paulo. Em medidas convencionais como renda, educação e gastos com saúde, essas cidades ficam atrás dos dois primeiros grupos. Ainda assim, a análise revela pontos fortes subestimados: pontuações moderadas nas dimensões experiencial e ecológica sugerem que algumas dessas cidades oferecem segurança cotidiana ou qualidade ambiental melhores do que seus níveis de renda sozinhos indicariam, ou pelo menos gerenciam pressões populacionais de forma mais eficaz do que o esperado. Para entender quais ingredientes separam mais fortemente os grupos, os autores treinam modelos de árvore de decisão e de boosting — formas simples de inteligência artificial. Esses modelos destacam a estabilidade política como o principal divisor, seguida por educação, qualidade ambiental, níveis de aluguel e infraestrutura, apontando pontos de alavancagem onde políticas podem fazer a maior diferença.

O que isso significa para pessoas e formuladores de políticas

Para não especialistas, a mensagem central é que o bem-estar urbano não se reduz a salários ou produto interno bruto. Algumas cidades de alta renda ainda têm dificuldade em proporcionar um cotidiano seguro, agradável e ambientalmente saudável, enquanto algumas metrópoles de renda menor apresentam forças surpreendentes nessas áreas. Ao agrupar cidades com perfis semelhantes, o estudo oferece um roteiro para aprendizado entre “cidades-irmãs”: lugares no mesmo grupo podem compartilhar estratégias para desafios comuns, e os de grupos diferentes podem estudar como outros atingiram melhor equilíbrio entre dinheiro, serviços, segurança e meio ambiente. Em última análise, os autores defendem que o planejamento urbano futuro deve usar essas ferramentas multidimensionais para ir além do crescimento a qualquer custo e, em vez disso, buscar cidades onde prosperidade, experiência cotidiana e saúde ecológica cresçam juntas.

Citação: 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

Palavras-chave: qualidade de vida urbana, aglomerados de cidades, aprendizado de máquina, índices de habitabilidade, política urbana