新南威尔士大学城市未来研究中心的研究人员开发和测试的机器学习模型可能能够更好地为政策制定者提供有关预测的社区变化的知识和数据——有了更好的预测数据，政策制定者和政府可以提供更公平的城市规划和成果。

研究人员最近在《城市》杂志上发表了他们关于该模型的初步发现。

中产阶级化是一种影响世界各地许多城市的城市现象——这是一种邻里变化，贫穷或历史上属于工薪阶层的社区在人口、土地使用和住房负担能力方面经历了巨大的变化。

绅士化可能会取代低技能工人和弱势群体等居民，并对他们产生负面影响，而政府和政策制定者往往难以解决相关的危害。

新南威尔士大学城市未来研究中心的研究生研究员WilliamThackway说：“高档化往往在为时已晚时才被发现，解决它造成的危害可能代价高昂。”“政策制定者充分解决高档化造成的危害的能力取决于积极主动的战略，这些战略可以在代价高昂之前防止或减轻弱势群体的流离失所。”

悉尼中产阶级化

Thackway先生、ChristopherPetitt教授、MatthewNg博士和ChyiLinLee副教授开发了原型机器学习模型，并测试了来自悉尼的各种数据作为案例研究。

“我们工作的一个重要发现是，高档化边界预计将从市中心向外扩展得更远，”Thackway先生说。“以前，中产阶级化的环在悉尼中央商务区周围5-10公里的环内，但预计会扩大到10-20公里。”

该研究确定了一种被研究人员称为“溢出”的效应，作为预测悉尼中产阶级化的全面指标。“溢出”是指流离失所的居民从高档化热点地区搬到租金稍便宜的邻近郊区。

“在2000年代初至2010年代初期，内西区成为高档化的主要热点，但我们的分析预测更深的西部郊区，如奥本和班克斯镇可能成为新的热点，”Thackway先生说。

根据这项机器学习分析，Ryde以外的Eastwood和Manly以外的Brookvale是其他正在经历“溢出”效应的郊区，预计将发生高档化。该分析还重申兰德威克以外的Botany和Maroubra是中产阶级化热点。

除了溢出效应，悉尼高档化和社区变化的其他潜在驱动因素包括犯罪水平的变化、新交通的发展和人口结构的进一步变化。

高档化的惊人指标

这种新的机器学习模型的优势在于它可以在变量之间建立联系，而这些变量在其他仅涉及人类专业知识的分析方法中会被忽略。

“我们的研究包括比以前的机器学习研究更广泛的预测变量，涵盖社会经济、住房、商业和Airbnb数据，”Thackway先生说。

使用来自广泛数据输入(例如财产报告、人口普查、企业登记和Airbnb)的80多个预测变量对机器学习模型进行了训练和调整。

为了测试其准确性，研究人员将该模型追溯应用到以前未高档化但最终变得高档化的社区。

Thackway先生说，家庭构成和关系状况是悉尼某些地区中产阶级化的重要指标。

“令人惊讶的是，一个地区已婚夫妇的增加导致对该地区高档化的预测更高，而根据我们的模型，离婚者和单亲家庭较多的地区不太可能高档化。”

在某些情况下，在预测郊区高档化方面，家庭和人际关系与房价、教育和就业同等重要。

走向更好的定量方法

城市政策领域的预测建模和机器学习工具仍处于起步阶段。

“政策制定者仍然对此类模型的可信度持怀疑态度，”Thackway先生说。“以前的机器学习模型有一个‘黑匣子’元素，这意味着我们看不到机器是如何得出结论的。因此，决策者的偏好以定性方法为主。”

但新南威尔士大学研究人员开发的这种新机器学习模型可以以87.3%的准确率预测中产阶级化，并通过实施解释机器学习模型如何得出结论的模型解释工具消除了“黑匣子”元素。

“像邻里变化预警系统和绅士化指数这样的定性方法很容易让政策制定者理解，”Thackway先生说。“但缺点是它们非常简单且缺乏稳健性。

“与定性方法相比，我们的机器学习模型包含了数十个甚至数百个指标。与定性方法中的基本指标相比，使用机器学习的优势在于该模型可以识别变量之间的相互作用和关系，而这些变量之间可能不一定能够识别仅根据人类的专业知识来做。”

总体而言，新南威尔士大学团队创建了一个更全面、更稳健和更具解释性的机器学习模型，改进了预测未来高档化热点的最佳实践。

未来使用的机会

该工具处于开发阶段，可以对其进行更极端的测试以确保其性能。

“目前，我们工作的主要意义在于，该模型可以产生有意义且强大的结果，使城市规划者能够做出积极的政策决策和干预措施，”Thackway先生说。

“虽然我们以悉尼为案例研究来测试该模型，但它可以通过输入类似的数据应用于可比较的城市。

“过去，大多数高档化研究都着眼于分析高档化驱动因素已经发生的事情。这种机器学习模型可以对高档化进行预测建模。

“随着2021年人口普查数据即将发布，预测2026年的脆弱地区将为政策制定者提供一个经验工具，以主动干预并为脆弱社区设计更公平的解决方案。”