اختصاصی شبکه علمی ثریا- یک مدل یادگیری ماشینی که توسط محققان مرکز تحقیقات آینده شهر UNSW ساخته و آزمایش شده است، ممکن است بتواند سیاستگذاران را با دانش و دادههای مربوط به تغییرات محله که از قبل پیشبینیشده بهتر تجهیز کند و با کمک این دادهها سیاستگذاران و دولت میتوانند برنامهریزی شهری و نتایج عادلانهتری ارائه دهند. شهرسازی، یک پدیده شهری است که بسیاری از شهرهای سراسر جهان را تحت تأثیر قرار میدهد. این پدیده نوعی تغییر محلهای است که بررسی میکند محلههای فقیر یا طبقه کارگر با وجود تغییرات شدید در زمینه جمعیتی میتوانند کاربری زمین و قیمت مناسب مسکن را تجربه کنند؟ این پدیده می تواند بر ساکنانی مانند کارگران کم مهارت و افراد آسیب پذیر تأثیر منفی بگذارد و یا دولت ها و سیاست گذاران را به تلاش برای رسیدگی به آسیب های مرتبط با آنها وادار کند.
یکی از محققان در این زمینه میگوید: شهرسازی اغلب زمانی شناسایی میشود که خیلی دیر شده است، و پرداختن به آسیبهایی که ایجاد کرده است میتواند پرهزینه باشد. توانایی سیاستگذاران برای مقابله مناسب با آسیبهای ناشی از شهرسازی مبتنی بر استراتژیهای پیشگیرانه است که از جابجایی افراد آسیبپذیر قبل از اینکه بسیار دشوار شود، جلوگیری میکند یا آن را کاهش میدهد. محققان نمونه اولیه مدل یادگیری ماشین را توسعه دادند و دادههای مختلفی را به عنوان یک مطالعه موردی آزمایش کردند. آنها میگویند: یک یافته کلیدی از کار ما این است که پیشبینی میشود مرز شهرسازی حتی بیشتر از مرکز شهر گسترش یابد. این مطالعه اثری را شناسایی کرد که محققان آن را "سرریز" به عنوان یک شاخص فراگیر شهرسازی مینامند. "سرریز" زمانی است که ساکنان فقیر از نقاط مهم شهر به حومه های آن نقل مکان می کنند، جایی که اجاره بها کمی ارزان تر است.
شاخص های شگفت انگیز شهر سازی
مزیت این مدل یادگیری ماشینی جدید این است که میتواند بین متغیرهایی ارتباط برقرار کند که در روشهای دیگر تجزیه و تحلیل که فقط شامل تخصص انسانی است، نادیده گرفته میشوند. این مطالعه شامل طیف گستردهتری از متغیرهای پیشبینیکننده نسبت به مطالعات قبلی یادگیری ماشین است که شامل دادههای اجتماعی-اقتصادی، مسکن و کسبوکار است. مدل یادگیری ماشین با استفاده از بیش از 80 متغیر پیشبینیکننده از طیف وسیعی از ورودیهای داده مانند گزارشهای دارایی، سرشماری، ثبت کسبوکار تنظیم شده است. برای آزمایش دقت آن، محققاناین مدل را در محلههایی که قبلاً غیراصولی ساخته شده بودند و در نهایت به شکل اصولی تبدیل شدند، اعمال کردند.در برخی موارد، خانواده و روابط اجتماعی به اندازه قیمت خانه، تحصیلات و اشتغال در پیشبینی اعیانگرایی برای یک منطقه مهم بودند.
به سمت روش های کمی بهتر
مدلسازی پیشبینیکننده و ابزارهای یادگیری ماشین در حوزه سیاست شهری هنوز در مراحل ابتدایی خود هستند. هنوز در بین سیاست گذاران در مورد قابل اعتماد بودن چنین مدل هایی تردید وجود دارد. مدلهای یادگیری ماشینی قبلی دارای یک عنصر «جعبه سیاه» بودند، به این معنی که ما نمیتوانیم ببینیم ماشین چگونه به نتایج خود رسیده است. اما این مدل جدید یادگیری ماشین که توسط محققان UNSW توسعه داده شده است، میتواند با دقت 87.3 درصد پیشبینی کند و با پیادهسازی یک ابزار توضیح مدل که نحوه رسیدن مدل یادگیری ماشینی به نتایج خود را تفسیر میکند، عنصر "جعبه سیاه" را حذف میکند. روش های کیفی مانند سیستم هشدار تغییر محله و شاخص Gentrification برای سیاست گذاران آسان است. اما نکته منفی این است که آنها کاملاً ساده هستند و پایدار نیستند.
مدل یادگیری ماشینی جدید در مقایسه با روشهای کیفی، دهها، و نه صدها شاخص را در خود جای داده است. مزیت استفاده از یادگیری ماشین در مقایسه با شاخصهای پایه در روشهای کیفی این است که مدل میتواند تعاملات و روابط بین متغیرهایی را شناسایی کند که ممکن است لزوماً قادر به شناسایی آن نباشند. فقط با کمک تخصص انسانی انجام شود. به طور کلی، تیم UNSW یک مدل یادگیری ماشین جامعتر، قویتر و توضیحدهندهتر ایجاد کرد که بهترین عملکرد را برای پیشبینی نقاط اصلی شهرسازی آینده بهبود میبخشد.
فرصتی برای استفاده در آینده
این ابزار در مرحله توسعه خود است و میتوان آن را تا درجات بالاتری آزمایش کرد تا از عملکرد آن اطمینان حاصل شود. در حال حاضر، پیامد اصلی این کار این است که این مدل میتواند نتایج معنادار و قدرتمندی ایجاد کند که تصمیمگیریهای سیاستی فعال و مداخلات را برای برنامهریزان شهری ممکن میسازد.