<p>新南威爾士大學城市未來研究中心的研究人員開發(fā)和測試的機器學習模型可能能夠更好地為政策制定者提供有關(guān)預測社區(qū)變化的知識和數(shù)據(jù)，并且有了更好的預測數(shù)據(jù)，政策制定者和政府可以提供更公平的城市規(guī)劃和結(jié)果。</p> <p>&nbsp;</p> <p>研究人員最近在《城市》雜志上發(fā)表了他們關(guān)于該模型的初步發(fā)現(xiàn)。</p> <p>&nbsp;</p> <p>士紳化是一種影響世界各地許多城市的城市現(xiàn)象&mdash;&mdash;這是一種社區(qū)變化，窮人或歷史上的工薪階層社區(qū)在人口、土地使用和住房負擔能力方面經(jīng)歷了巨大的變化。</p> <p>&nbsp;</p> <p>士紳化可能會取代低技能工人和弱勢群體等居民，并對其產(chǎn)生負面影響，政府和政策制定者往往難以解決相關(guān)危害。</p> <p>&nbsp;</p> <p>新南威爾士大學城市未來研究中心(UNSW City Futures Research Centre)研究生研究員威廉&middot;薩克韋(William Thackway)說:&ldquo;士紳化往往發(fā)現(xiàn)得太晚了，要解決它造成的危害可能代價高昂。&rdquo;&ldquo;政策制定者充分解決中產(chǎn)階級化造成的危害的能力取決于積極主動的策略，這些策略可以在成本太高之前防止或減輕弱勢群體的流離失所。&rdquo;</p> <p>&nbsp;</p> <p><strong><span class="h1">悉尼的中產(chǎn)階級化</span></strong></p> <p><br />Thackway先生、Christopher Petitt教授、Matthew Ng博士和Chyi Lin Lee副教授開發(fā)了機器學習模型原型，并測試了來自悉尼的各種數(shù)據(jù)作為案例研究。</p> <p>&nbsp;</p> <p>薩克韋表示:&ldquo;我們研究的一個關(guān)鍵發(fā)現(xiàn)是，預計士紳化邊界將進一步從市中心向外擴展。&rdquo;&ldquo;以前，士紳化圈是在悉尼CBD周圍5-10公里的范圍內(nèi)，但預計將擴大到10-20公里。&rdquo;</p> <p>&nbsp;</p> <p>該研究發(fā)現(xiàn)了一種被研究人員稱為&ldquo;溢出&rdquo;的效應(yīng)，作為預測悉尼士紳化的全面指標。&ldquo;溢出&rdquo;是指從高檔化熱點地區(qū)遷移到附近租金略便宜的郊區(qū)的居民。</p> <p>&nbsp;</p> <p>薩克韋表示:&ldquo;在21世紀初至21世紀頭十年，內(nèi)西區(qū)成為士紳化的主要熱點，但我們的分析預測，奧本(Auburn)和班克斯敦(Bankstown)等西部更深處的郊區(qū)可能成為新的熱點。&rdquo;</p> <p>&nbsp;</p> <p>根據(jù)這項機器學習分析，賴德以外的伊斯特伍德和曼利以外的布魯克維爾是其他經(jīng)歷&ldquo;溢出&rdquo;效應(yīng)的郊區(qū)，預計它們將士紳化。分析還重申了蘭德威克以外的Botany和Maroubra是士紳化熱點。</p> <p>&nbsp;</p> <p>除了溢出效應(yīng)，悉尼士紳化和社區(qū)變化的其他潛在驅(qū)動因素包括犯罪水平的變化、新的交通發(fā)展和人口結(jié)構(gòu)的進一步變化。<img src="https://newsroom.unsw.edu.au/sites/default/files/styles/full_width/public/thumbnails/image_uncropped/map_of_predictive_gentrification_1.jpg?itok=t6pYUqKg" alt="map_of_predictive_gentrification.jpg" width="563" height="461" />&nbsp;</p> <p>2016-2021年悉尼預測社區(qū)變化的地圖。橙色/紅色區(qū)域預測中產(chǎn)階級化，紫色/藍色區(qū)域預測社會經(jīng)濟地位下降。圖片:由Thackway等人提供(2023年)。</p> <p>&nbsp;</p> <p><strong><span class="h1">令人驚訝的中產(chǎn)階級化指標</span></strong></p> <p><br />這種新的機器學習模型的優(yōu)勢在于，它可以在變量之間建立聯(lián)系，否則在其他僅涉及人類專業(yè)知識的分析方法中會忽略這些變量。</p> <p>&nbsp;</p> <p>薩克韋表示:&ldquo;我們的研究包含了比以往機器學習研究更廣泛的預測變量，涵蓋社會經(jīng)濟、住房、商業(yè)和Airbnb數(shù)據(jù)。&rdquo;</p> <p>&nbsp;</p> <p>機器學習模型是使用來自廣泛數(shù)據(jù)輸入的80多個預測變量進行訓練和調(diào)整的，這些數(shù)據(jù)輸入包括財產(chǎn)報告、人口普查、企業(yè)登記和Airbnb。</p> <p>&nbsp;</p> <p>為了測試其準確性，研究人員將該模型追溯應(yīng)用于以前未士紳化的社區(qū)，這些社區(qū)最終變成了士紳化。</p> <p>&nbsp;</p> <p>薩克韋說，在悉尼的一些地區(qū)，家庭組成和關(guān)系狀況是士紳化的重要指標。</p> <p>&nbsp;</p> <p>&ldquo;令人驚訝的是，一個地區(qū)已婚夫婦的增加導致該地區(qū)士紳化的預測更高，而根據(jù)我們的模型，離婚和單親家庭更多的地區(qū)不太可能士紳化。&rdquo;</p> <p>&nbsp;</p> <p>在某些情況下，在預測郊區(qū)士紳化方面，家庭和人際關(guān)系與房價、教育和就業(yè)一樣重要。</p> <p>&nbsp;</p> <p><strong><span class="h1">尋找更好的定量方法</span></strong></p> <p><br />城市政策領(lǐng)域的預測建模和機器學習工具仍處于起步階段。</p> <p>&nbsp;</p> <p>&ldquo;政策制定者對這些模型的可信度仍持懷疑態(tài)度，&rdquo;Thackway先生說。&ldquo;以前的機器學習模型都有一個&lsquo;黑箱&rsquo;元素，這意味著我們無法看到機器是如何得出結(jié)論的。正因為如此，政策制定者的偏好主要是定性方法。&rdquo;</p> <p>&nbsp;</p> <p>但是，新南威爾士大學研究人員開發(fā)的這種新的機器學習模型可以以87.3%的準確率預測士紳化，并且通過實現(xiàn)一個模型解釋工具來解釋機器學習模型是如何得出結(jié)論的，從而消除了&ldquo;黑箱&rdquo;元素。</p> <p>&nbsp;</p> <p>&ldquo;像鄰里變化預警系統(tǒng)(neighborhood Change Warning System)和中產(chǎn)階級化指數(shù)(Gentrification Index)這樣的定性方法，政策制定者很容易理解，&rdquo;薩韋說。&ldquo;但缺點是它們非常簡單，缺乏健壯性。</p> <p>&nbsp;</p> <p>&ldquo;與定性方法相比，我們的機器學習模型包含了數(shù)十個，甚至數(shù)百個指標。與定性方法中的基本指標相比，使用機器學習的優(yōu)勢在于，該模型可以識別變量之間的相互作用和關(guān)系，而僅憑人類專業(yè)知識不一定能做到這一點。&rdquo;</p> <p>&nbsp;</p> <p>總的來說，新南威爾士大學團隊創(chuàng)建了一個更全面、更健壯、更解釋性的機器學習模型，改進了預測未來士紳化熱點的最佳實踐。</p> <p>&nbsp;</p> <p><strong><span class="h1">將來使用的機會</span></strong></p> <p>&nbsp;</p> <p>該工具正處于開發(fā)階段，還可以對其進行更極端的測試，以確保其性能。</p> <p>&nbsp;</p> <p>&ldquo;目前，我們工作的主要含義是，這種模式可以產(chǎn)生有意義和強大的結(jié)果，使城市規(guī)劃者能夠做出積極的政策決策和干預。&rdquo;</p> <p>Thackway先生說。</p> <p>&nbsp;</p> <p>&ldquo;雖然我們以悉尼為案例研究來測試模型，但通過輸入類似的數(shù)據(jù)，它可以應(yīng)用于可比城市。&rdquo;</p> <p>&nbsp;</p> <p>&ldquo;在過去，大多數(shù)士紳化研究都著眼于已經(jīng)發(fā)生的事情，以分析士紳化的驅(qū)動因素。這種機器學習模型可以對中產(chǎn)階級化進行預測建模。&rdquo;</p> <p>&nbsp;</p> <p>&ldquo;隨著2021年人口普查數(shù)據(jù)的發(fā)布，預測2026年的脆弱地區(qū)將為政策制定者提供一個實證工具，以便主動干預，為脆弱社區(qū)設(shè)計更公平的解決方案。&rdquo;</p> <p>&nbsp;</p> <blockquote> <p>注：本文由院校官方新聞直譯，僅供參考，不代表指南者留學態(tài)度觀點。</p> </blockquote>