用于城市生活质量多维评估的机器学习框架

为何城市生活不只是金钱

当我们思考一个“适宜居住”的城市时，常常会拿平均收入或房价等简单数字来衡量。但日常生活同样受安全、空气清洁、公共交通、医疗保健，甚至对未来的安全感等因素影响。本研究考察了全球99个最发达城市，提出问题：如果同时考虑这些组成要素，能否发现解释为何某些城市更宜居的潜在模式——以及城市管理者如何相互借鉴？

用多重视角审视城市

研究者从一个长期争论出发：生活质量应该主要以诸如收入和受教育程度等硬指标来评判，还是以人们满足偏好的能力，或以他们日常感受到的安全、舒适与满意度来衡量？研究团队并未偏向单一立场，而是有意将三者结合。他们既引用了正式的全球“宜居性”排名，也纳入了居民的众包评分。数据包含十一类指标，归为四大领域：与金钱相关的因素（如生活成本、租金、食品价格和购买力）；社会因素（如教育、医疗、治安与政治稳定）；基础设施（如交通与公共设施）；以及环境状况（如污染与清洁度），另有城市规模。

教电脑识别城市“家族”

由于许多指标会共同变动——例如食品昂贵的城市通常也有较高的总体生活成本——作者使用统计与机器学习工具来理清这些关系。他们先对所有数值进行标准化以便公平比较，然后将其输入一种称为主成分分析的方法，将十一个指标压缩为三个融合的“维度”。一个维度反映传统的发展标志，例如优质学校、医院与购买力（作者称之为“规范性”视角）。第二个维度捕捉城市生活的实际感受，将安全、稳定与基础设施组合为“个体体验”维度。第三个维度将人口与环境质量联系起来，形成“人类生态”维度，强调城市如何在增长与健康环境之间取得平衡。

三类成功的城市

有了这三个维度后，团队再用聚类方法查看哪些城市在整体上相互相似。计算机最终划分出三类不同群组。第一类汇集了北美、欧洲和亚洲的一些富裕城市，如维也纳、东京和旧金山。这些城市在传统的生活质量评分上表现优异，但在实际生活体验和环境平衡方面表现出意外的不足，常常呈现高成本、拥挤以及日常安全或清洁度低于其财富所能预期的混合特征。第二类包括许多欧洲城市及少数海湾和东亚城市，例如哥本哈根、阿布扎比与台北。这些城市呈现更均衡的特征：稳健的经济表现伴随良好的安全、完善的基础设施和相对较好的环境条件。

崛起中的城市与被忽视的优势

第三类主要由亚洲、非洲和拉丁美洲的新兴经济体中的大型城市组成，包括孟买、内罗毕和圣保罗。在传统指标如收入、教育与医疗支出上，这些城市落后于前两类。然而分析揭示了被低估的优势：在体验性与生态维度上得分中等，表明其中一些城市在日常安全或环境质量方面可能优于单看收入水平的判断，或至少在管理人口压力方面比预期更有效。为了解哪些因素最能区分这些群组，作者训练了决策树和提升（boosting）模型——这类较为简单的人工智能模型。结果显示政治稳定性是主要的分界点，其次是教育、环境质量、租金水平和基础设施，指出政策可发挥最大影响的关键杠杆点。

对公众与政策制定者的启示

对非专业读者而言，核心信息是城市福祉不能简化为工资或国内生产总值。有些高收入城市仍难以提供安全、宜人的日常生活和良好的环境，而一些低收入的大城市在这些方面却展现出令人意外的优势。通过将具有相似特征的城市分组，该研究为“姊妹城市”间的学习提供了一条路径：同一集群的城市可以分享应对共同挑战的策略，而不同群组的城市可以研究他者如何在金钱、服务、安全与环境之间实现更好的平衡。最终，作者主张未来的城市规划应采用此类多维工具，超越不计代价的增长，转而追求繁荣、日常体验与生态健康共同提升的城市目标。

引用: 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

关键词: 城市生活质量, 城市群, 机器学习, 宜居指数, 城市政策