Рамочная модель машинного обучения для многомерной оценки качества городской жизни

Почему жизнь в городе — это больше, чем деньги

Когда мы представляем «хороший» город для жизни, часто опираемся на простые показатели вроде среднего дохода или цен на жильё. Но повседневную жизнь формируют не менее сильно безопасность, чистый воздух, общественный транспорт, здравоохранение и даже ощущение защищённости в будущем. В этом исследовании рассматриваются 99 наиболее развитых городов мира и ставится вопрос: если учесть множество таких факторов одновременно, можно ли обнаружить скрытые закономерности, объясняющие, почему в одних местах жить удобнее, чем в других — и чему могут научиться городские руководители?

Смотреть на города через множество призмы

Исследователи исходят из давней дискуссии: следует ли оценивать качество жизни в первую очередь по «жёстким» фактам вроде доходов и уровня образования, по тому, насколько люди могут реализовывать свои предпочтения, или по их повседневным ощущениям безопасности, комфорта и удовлетворённости? Вместо того чтобы выбирать одну из позиций, команда сознательно сочетает все три подхода. Они используют формальные глобальные рейтинги «комфортности» наряду с краудсорсинговыми оценками жителей. В их данных — одиннадцать типов измерений, сгруппированных в четыре широкие области: финансовые факторы (стоимость жизни, аренда, цены на продукты, покупательная способность); социальные факторы (образование, здравоохранение, безопасность, политическая стабильность); инфраструктура (транспорт и коммунальные услуги); и экологические условия (загрязнение и чистота), а также размер города.

Учим компьютеры находить «семьи» городов

Поскольку многие показатели движутся вместе — например, в городах с дорогими продуктами обычно высокие общие расходы на жизнь — авторы используют статистические и методы машинного обучения, чтобы распутать взаимосвязи. Сначала они стандартизируют все показатели, чтобы города можно было справедливо сравнивать, затем подают данные в метод главных компонент, который сжимает одиннадцать индикаторов в три смешанные «измерения». Одно измерение отражает классические маркеры развития, такие как сильные школы, больницы и покупательная способность (авторы называют это «нормативным» взглядом). Второе фиксирует, как городская жизнь ощущается на практике, объединяя безопасность, стабильность и инфраструктуру в измерение «индивидуального опыта». Третье связывает население и качество окружающей среды в измерении «человеческой экологии», подчёркивая, насколько хорошо город сочетает рост с экологическим здоровьем.

Три типа успешных городов

Имея эти три измерения, команда затем применяет метод кластеризации, чтобы увидеть, какие города в целом похожи друг на друга. Алгоритм выделяет три различных группы. Первый кластер объединяет состоятельные города Северной Америки, Европы и Азии, такие как Вена, Токио и Сан‑Франциско. Эти места блистают в традиционных рейтингах качества жизни, но удивительно слабо проявляют себя по показателям повседневного опыта и экологического баланса, часто сочетая высокие расходы, переполненность и более слабую повседневную безопасность или чистоту, чем можно было бы ожидать по их уровню благосостояния. Второй кластер включает многие европейские и несколько городов Персидского залива и Восточной Азии, например Копенгаген, Абу‑Даби и Тайбэй. Эти города демонстрируют более сбалансированный профиль: солидные экономические показатели в сочетании с высоким уровнем безопасности, хорошей инфраструктурой и относительно лучшими экологическими условиями.

Растущие города и скрытые сильные стороны

Третий кластер в основном состоит из крупных городов развивающихся экономик Азии, Африки и Латинской Америки, включая Мумбаи, Найроби и Сан‑Паулу. По традиционным показателям — доходы, образование, расходы на здоровье — эти города отстают от первых двух кластеров. Тем не менее анализ выявляет недооценённые сильные стороны: умеренные результаты по измерениям опыта и экологии указывают на то, что некоторые из этих городов предлагают лучшую повседневную безопасность или экологическое качество, чем можно было бы предположить по уровню доходов, или по крайней мере справляются с давлением населения эффективнее, чем ожидалось. Чтобы понять, какие факторы сильнее всего разделяют кластеры, авторы обучают деревья решений и бустинговые модели — простые формы искусственного интеллекта. Эти модели выделяют политическую стабильность как главный разделитель, затем следуют образование, экологическое качество, уровень аренды и инфраструктура — указывая на точки воздействия, где политика может приносить наибольшую пользу.

Что это значит для людей и политиков

Для неспециалистов главный вывод таков: благосостояние города нельзя свести лишь к зарплатам или валовому внутреннему продукту. Некоторые города с высокими доходами по‑прежнему испытывают трудности с обеспечением безопасной, приятной и экологически здоровой повседневной жизни, тогда как некоторые более бедные мегаполисы демонстрируют удивительные сильные стороны в этих областях. Группируя города с похожими профилями, исследование предлагает дорожную карту для обмена опытом между «партнёрскими» городами: города внутри одного кластера могут делиться стратегиями решения общих проблем, а представители разных кластеров — изучать, как другие добились лучшего баланса между экономикой, услугами, безопасностью и экологией. В конечном счёте авторы утверждают, что будущая городская планировка должна использовать такие многомерные инструменты, чтобы выйти за пределы подхода «рост любой ценой» и стремиться к городам, где процветание, повседневный опыт и экологическое здоровье растут вместе.

Цитирование: 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

Ключевые слова: качество городской жизни, кластеризация городов, машинное обучение, индексы комфортности, городская политика