Модель машинного обучения, разработанная и протестированная исследователями из Исследовательского центра будущего города Университета Нового Южного Уэльса, может лучше снабдить политиков знаниями и данными о прогнозируемых изменениях в районе, а с более точными прогностическими данными политики и правительство могут обеспечить более справедливое городское планирование и результаты.
Исследователи недавно опубликовали свои первоначальные выводы о модели в журнале Cities . .
Джентрификация — это городское явление, затронувшее многие города по всему миру — это тип изменения района, при котором бедные или исторически рабочие районы претерпевают резкие изменения в демографических характеристиках, землепользовании и доступности жилья.
Джентрификация может привести к перемещению и негативному воздействию на жителей, таких как низкоквалифицированные рабочие и уязвимые люди, и правительства и политики часто пытаются устранить связанный с этим вред.
«Джентрификация часто обнаруживается, когда уже слишком поздно, и устранение причиненного ею вреда может быть дорогостоящим», — говорит Уильям Тэкуэй, аспирант Исследовательского центра будущего города UNSW. «Способность политиков адекватно бороться с вредом, причиняемым джентрификацией, зависит от упреждающих стратегий, которые предотвращают или смягчают перемещение уязвимых людей . до того, как это станет слишком дорого».
Джентрификация в Сиднее
Г-н Тэкуэй, профессор Кристофер Петит, доктор Мэтью Нг и доцент Чи Лин Ли разработали прототип модели машинного обучения и протестировали различные данные из Сиднея в качестве тематического исследования.
«Ключевой вывод из нашей работы заключается в том, что, по прогнозам, граница джентрификации будет расширяться еще дальше от центра города», — говорит г-н Тэкуэй. «Ранее кольца джентрификации располагались в 5–10-километровых кольцах вокруг центрального делового района Сиднея, но, по прогнозам, они расширятся до 10–20 километров».
Исследование выявило эффект, который исследователи называют «перетеканием» в качестве общего индикатора прогнозируемой джентрификации в Сиднее. «Перелив» — это когда перемещенные жители из горячих точек джентрификации переезжают в соседние пригороды, где арендная плата немного дешевле.
«В начале 2000–2010-х годов Внутренний Запад стал основным очагом джентрификации, но наш анализ предсказывает, что более глубокие западные пригороды, такие как Оберн и Бэнкстаун, могут стать новыми горячими точками», — говорит г-н Тэкуэй.
Иствуд за Райдом и Бруквейл за Мэнли были другими пригородами, испытывающими эффект «перетекания», и согласно этому анализу машинного обучения, согласно прогнозам, они будут облагораживаться. Анализ также подтвердил, что Ботаника и Марубра за пределами Рэндвика являются горячими точками джентрификации.
Помимо побочных эффектов, другими потенциальными движущими силами джентрификации и изменения района в Сиднее были изменения уровня преступности, новые транспортные разработки и дальнейшие изменения в демографии.
Удивительные показатели джентрификации
Преимущество этой новой модели машинного обучения заключается в том, что она может устанавливать связи между переменными, которые иначе упускаются из виду в других методах анализа, использующих только человеческий опыт.
«Наше исследование включает в себя более широкий спектр переменных-предикторов, чем предыдущие исследования машинного обучения, включая социально-экономические данные, данные о жилье, бизнесе и данных Airbnb», — говорит г-н Тэкуэй.
Модель машинного обучения была обучена и настроена с использованием более 80 переменных-предикторов из широкого спектра входных данных, таких как отчеты о собственности, перепись, бизнес-реестр и Airbnb.
Чтобы проверить ее точность, исследователи задним числом применили модель к ранее не облагороженным районам, которые в конечном итоге стали облагороженными.
По словам г-на Тэкуэя, состав семьи и семейный статус оказались на удивление важными показателями джентрификации в некоторых районах Сиднея.
«Было удивительно видеть, что увеличение количества супружеских пар в районе приводит к более высокому прогнозу облагораживающего района, в то время как районы с большим количеством разведенных и неполных семей с меньшей вероятностью облагораживаются согласно нашей модели».
В некоторых случаях семья и отношения были так же важны, как цены на жилье, образование и занятость, в прогнозировании джентрификации пригорода.
К лучшим количественным методам
Инструменты прогнозного моделирования и машинного обучения в сфере городской политики все еще находятся в зачаточном состоянии.
«Среди политиков все еще существует скептицизм по поводу надежности таких моделей, — говорит г-н Тэкуэй. «Предыдущие модели машинного обучения имели элемент «черного ящика», что означает, что мы не можем видеть, как машина пришла к своим выводам. Из-за этого политики отдают предпочтение качественным методам».
Но эта новая модель машинного обучения, разработанная исследователями UNSW, может предсказывать джентрификацию с точностью 87,3 процента и устраняет элемент «черного ящика» за счет реализации инструмента объяснения модели, который интерпретирует, как модель машинного обучения пришла к своим выводам.
«Качественные методы, такие как Система предупреждения об изменении района и Индекс джентрификации, просты для понимания политиками», — говорит г-н Тэкуэй. «Но недостатком является то, что они довольно просты и ненадежны.
«Наша модель машинного обучения включает в себя десятки, если не сотни индикаторов по сравнению с качественными методами. Преимущество использования машинного обучения по сравнению с базовыми индикаторами в качественных методах заключается в том, что модель может идентифицировать взаимодействия и отношения между переменными, которые не всегда можно обнаружить. делать только из человеческого опыта».
В целом, команда UNSW создала более целостную, надежную и объяснительную модель машинного обучения, которая улучшает передовые методы прогнозирования будущих горячих точек джентрификации.
Возможность использования в будущем
Инструмент находится в стадии разработки, и есть возможность протестировать его в более экстремальных условиях, чтобы убедиться в его производительности.
«Сейчас главное значение нашей работы заключается в том, что эта модель может дать значимые и мощные результаты, которые позволят градостроителям принимать упреждающие политические решения и вмешиваться», — говорит г-н Тэкуэй.
«Хотя мы использовали Сидней в качестве примера для тестирования модели, ее можно применить к сопоставимым городам, введя аналогичные данные.
«В прошлом большинство исследований джентрификации рассматривали то, что уже произошло, для анализа движущих сил джентрификации. Эта модель машинного обучения позволяет проводить прогнозное моделирование джентрификации .
«В связи с предстоящим выпуском данных переписи населения 2021 года прогнозирование уязвимых районов на 2026 год предоставит политикам эмпирический инструмент для активного вмешательства и разработки более справедливых решений для уязвимых сообществ».
