Maskininlärningsramverk för mångdimensionell bedömning av stadens livskvalitet

Varför stadsliv är mer än pengar

När vi tänker på en ”bra” stad att bo i tar vi ofta till enkla siffror som genomsnittlig inkomst eller bostadspriser. Men vardagslivet formas lika mycket av säkerhet, ren luft, kollektivtrafik, sjukvård och till och med hur tryggt vi upplever framtiden. Denna studie undersöker 99 av världens mest utvecklade städer och frågar: om vi beaktar många av dessa ingredienser samtidigt, kan vi då upptäcka dolda mönster som förklarar varför vissa platser upplevs som mer beboeliga än andra — och hur stadsledare kan lära av varandra?

Att betrakta städer genom flera glasögon

Forskarna utgår från en långvarig debatt: bör livskvalitet bedömas främst utifrån hårda fakta som inkomst och utbildning, utifrån hur väl människor kan tillfredsställa sina preferenser, eller utifrån deras vardagliga känslor av säkerhet, trivsel och tillfredsställelse? Istället för att välja en av dessa ståndpunkter kombinerar teamet avsiktligt alla tre. De använder formella globala ”levnadsbarhets”rankningar såväl som crowdsourcade omdömen från stadsbor. Deras data inkluderar elva typer av mått, grupperade i fyra breda områden: ekonomiska faktorer som levnadskostnader, hyra, matpriser och köpkraft; sociala faktorer såsom utbildning, sjukvård, säkerhet och politisk stabilitet; infrastruktur som transport och försörjningstjänster; och miljöförhållanden som föroreningar och renlighet, plus stadens storlek.

Lära datorer att känna igen stadssläktskap

Eftersom många av dessa mått rör sig tillsammans — till exempel har städer med dyra matpriser ofta också höga levnadskostnader i allmänhet — använder författarna statistiska och maskininlärningsverktyg för att reda ut sambanden. De standardiserar först alla siffror så att städer kan jämföras rättvist, och för dem sedan in i en teknik kallad principal component analysis, som komprimerar de elva indikatorerna till tre sammanslagna ”dimensioner.” En dimension speglar klassiska utvecklingsmarkörer såsom starka skolor, sjukhus och köpkraft (vad författarna kallar en ”normativ” syn). En andra fångar hur stadslivet faktiskt upplevs och kombinerar säkerhet, stabilitet och infrastruktur till en dimension för ”individuell upplevelse.” Den tredje kopplar befolkning och miljökvalitet till en ”mänsklig ekologi”-dimension, som framhäver hur väl en stad balanserar tillväxt med en hälsosam miljö.

Tre typer av framgångsrika städer

Med dessa tre dimensioner i hand använder teamet därefter en klustringsmetod för att se vilka städer som liknar varandra överlag. Datorn landar i tre distinkta grupper. Den första klustern samlar välbärgade nordamerikanska, europeiska och asiatiska städer som Wien, Tokyo och San Francisco. Dessa platser står ut på traditionella livskvalitetspoäng men klarar sig förvånansvärt dåligt i upplevd vardag och miljömässig balans, ofta med en blandning av höga kostnader, trånga förhållanden och svagare vardaglig säkerhet eller renlighet än deras välstånd skulle antyda. Den andra klustern omfattar många europeiska och ett fåtal gulf- och östasiatiska städer såsom Köpenhamn, Abu Dhabi och Taipei. Dessa städer uppvisar en mer balanserad profil: stabil ekonomisk prestation i kombination med god säkerhet, stark infrastruktur och relativt bättre miljöförhållanden.

Växande städer och dolda styrkor

Den tredje klustern består mestadels av stora städer i framväxande ekonomier i Asien, Afrika och Latinamerika, inklusive Mumbai, Nairobi och São Paulo. På konventionella mått som inkomst, utbildning och hälsoinvesteringar ligger dessa platser efter de två första klustren. Analysen avslöjar ändå underkända styrkor: måttliga poäng på upplevelse- och ekologidimensionerna antyder att vissa av dessa städer erbjuder bättre vardaglig säkerhet eller miljökvalitet än deras inkomstnivåer ensam skulle förutsäga, eller åtminstone hanterar befolkningstryck mer effektivt än väntat. För att förstå vilka ingredienser som mest av allt skiljer klustren åt tränar författarna beslutsträd och boosting-modeller — enkla former av artificiell intelligens. Dessa modeller framhäver politisk stabilitet som huvuddelaren, följt av utbildning, miljökvalitet, hyresnivåer och infrastruktur, vilket pekar på åtgärdspunkter där politiken kan göra störst skillnad.

Vad detta betyder för människor och beslutsfattare

För icke-specialister är kärnbudskapet att stadsvälmående inte kan reduceras till lönekuvert eller bruttonationalprodukt. Vissa höginkomststäder kämpar fortfarande med att erbjuda ett säkert, trevligt och miljömässigt hälsosamt vardagsliv, medan vissa lägreinkomststora städer uppvisar överraskande styrkor inom dessa områden. Genom att gruppera städer med liknande profiler erbjuder studien en färdplan för ”syskonstads”-lärande: platser i samma kluster kan dela strategier för gemensamma utmaningar, och de i olika kluster kan studera hur andra uppnådde bättre balans mellan pengar, tjänster, säkerhet och miljö. I slutändan argumenterar författarna för att framtida stadsplanering bör använda sådana mångdimensionella verktyg för att gå bortom tillväxt till varje pris och istället sikta på städer där välstånd, vardagserfarenhet och ekologisk hälsa stiger tillsammans.

Citering: 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

Nyckelord: stadens livskvalitet, stadskluster, maskininlärning, levnadsbarhetsindex, stadspolitik