بزرگنمايي:

سیاست و بازاریابی - هوش مصنوعی روز‌به‌روز نفوذ خود را در حوزه‌های مختلف اثبات می‌کند. مهندسی شهرسازی و پیش‌بینی اعیانی‌شدن مناطق، یکی از جدیدترین این حوزه‌ها است.

در یک دهه‌ی گذشته، نگرانی از اعیانی‌شدن (Gentrification) مناطق شهری در کشورهای گوناگون افزایش یافته است. یکی از دلایل اصلی این افزایش نگرانی، بازگشت بیش‌از‌پیش افراد تحصیل‌کرده و متمول به شهرها محسوب می‌شود. سوالی که نقطه‌ی تلاقی تصمیم‌گیران سیاست‌های شهری و دنیای فناوری می‌شود آن است که آیا هوش مصنوعی، می‌تواند سرعت و الگوی اعیان‌نشین شدن را در شهرها پیش‌بینی کند؟ تحقیقی جدید با همکاری دانشمندان علوم داده و جغرافی‌دان‌ها، چنین قابلیتی را برای هوش مصنوعی متصور می‌شود. مقاله‌های مرتبط:
یادگیری ماشین به کمک صنعت ساختمان‌ سازی می‌آید آیا هوش مصنوعی بر جهان تسلط می‌یابد؟
جاناتان ریدز، جوردن دِسوزا و فیل هابارد از کالج سلطنتی لندن در تحقیقی، توانایی هوش مصنوعی را در موضوعات شهری بررسی کرده‌ و نتایج را در ژورنال Urban Studies منتشر کرده‌اند. در این تحقیقات، از یادگیری ماشین و روند معمول آن استفاده شد. روند معمول یادگیری ماشین، مطالعه‌ی رخدادهای گذشته و پیش‌بینی چگونگی رویدادهای مشابه در آینده است. در تجربه‌ی مذکور، محققان اطلاعات اعیانی‌شدن مناطق در لندن را بررسی کردند تا الگوی آن را برای آینده، پیش‌بینی کنند. برای بررسی دقت هوش مصنوعی، تیم تحقیقاتی ابتدا صحت پیش‌بینی‌های آن را برای سال 2011 بررسی کردند. روند کار به این صورت بود که اطلاعات سال 2001 شهر لندن، برای پیش‌بینی صحیح رخدادهای سال 2011 تحلیل و بررسی شد. سپس، از این مدل برای پیش‌بینی الگوی مناطق در سال 2021 استفاده شد.
در ابتدای تحقیقات، معیارهای کنونی اجتماعی و اقتصادی براساس چهار عامل اصلی اندازه‌گیری شدند: درآمد خانواده ، ارزش املاک و مستغلات ، سهم فرد و خانواده از مشاغل با سطح کلاس بالا و کسب اعتبار برای مشاغل . کسب اعتبار برای مشاغل به‌معنای سهم شهروندان از رسیدن به سطحی از مهارت‌های شغلی است. محققان پس از بررسی وضعیت‌های اقتصادی و اجتماعی برای هر منطقه، تأثیر عوامل دموگرافیک دیگر همچون سن و قومیت را نیز بر اعیان‌نشینی مطالعه کردند. هوش مصنوعی پس از مطالعه و بررسی داده‌های سال 2001، با نتایجی بسیار نزدیک به رخدادهای واقعی برای سال 2011، کار خود را به پایان رساند. یک نتیجه‌ی آماری بسیار نزدیک به واقعیت، حاصل استفاده از هوش مصنوعی شد. درواقع استفاده از هوش مصنوعی و یادگیری ماشین، از تمامی روش‌های آماری سنتی همچون تحلیل رگرسیون استاندارد، دقیق‌تر بود.
نتایج تحقیقات نشان داد که عوامل دموگرافیک اصلی مانند درآمد زوجین بدون داشتن فرزند، مالکیت خودرو یا حتی قومیت، در فهرست برترین عوامل مؤثر بر اعیان‌نشینی قرار نداشتند. در فهرست فاکتورهای مؤثر، مهاجرت جای داشت که البته آن هم تنها برای مهاجران از مبدأ دیگر کشورها در اتحادیه‌ی اروپا، آمریکا، استرالیا و نیوزیلند صحیح بود. برای اندازه‌گیری اعیان‌نشینی، ثابت‌های اجتماعی و اقتصادی بررسی شدند
نوع ساختمان‌ها، خصوص انواع قدیمی یا با معماری مشهور به Terraced، بر پیش‌بینی‌ها تأثیر داشت. درنهایت، محققان به این نتیجه رسیدند که اکثر عوامل مهم و تأثیرگذار بر پیش‌بینی‌ها، به اشتغال مرتبط بودند. مواردی همچون ساعت‌های کاری زیاد، مهارت و مدرک کاری، تنوع شغلی مانند کار کردن در خانه یا خوداشتغالی، موارد مهم تأثیرگذار بر عوامل پیش‌بینی بودند. تصویر زیر، نشان‌دهنده‌ی اعیان‌نشین شدن مناطق در سال 2011 است. نتیجه‌گیری نمودار زیر، با بررسی تغییر در ثابت‌های اقتصادی و اجتماعی در سطح منطقه‌ای انجام شد. باتوجه‌به تصویر، دو خط اعیان‌نشینی را می‌توان از مرکز لندن تشخیص داد. یکی از آن‌ها به‌سمت جنوب غربی و دیگری به‌سمت شمال‌شرقی رفته است. خطوط ایجادشده، به‌نام خط میلیاردرها (Billionaire"s Row) شناخته می‌شوند.
منطقه‌ی مشخص‌شده با رنگ صورتی تیره،‌ شاهد کاهش ثابت‌های اجتماعی-اقتصادی بود؛ درحالی‌که در مناطق زردرنگ، افزایش شاخص‌ها اتفاق افتاد. مناطق سبز کم‌رنگ، مکان‌هایی هستند که تغییرات بسیار کوچکی در ثابت‌های اجتماعی-اقتصادی آن‌ها رخ داده است. نکته‌ی قابل‌توجه آن است که حتی مناطق ثروتمندنشین هم تغییر و اعیان‌نشینی را در این مدت تجربه کرده‌اند. پیش‌بینی‌های هوش مصنوعی از بسیاری از روش‌های آماری سنتی دقیق‌تر بود
تصویر بعدی، پیش‌بینی اعیان‌نشین‌شدن در سال 2021 را ارائه می‌کند. در این نقشه نیز، اعیان‌نشینی با تغییر در ثابت‌های اجتماعی و اقتصادی پیش‌بینی شده است. در تصویر زیر، اعیان‌نشین شدن نه‌تنها در مناطق وست‌مینستر، کنزینگتون و چلسی پیش‌بینی می‌شود، بلکه مناطق با سطح زندگی کارگری نیز هدف بعدی آن خواهند بود. نکته‌ی مهم دیگر در پیش‌بینی سال 2021 لندن، توسعه‌ی اعیان‌نشینی به مناطق و شهرهای حومه‌ است. طبق پیش‌بینی انجام‌شده، بالاتر رفتن سطح زندگی در یک منطقه، احتمالا موجب جابه‌جایی ساکنان از مناطق دیگر و کاهش معیارها در آن بشود. در این تصویر هم مناطق صورتی پررنگ، نشان‌دهنده‌ی کاهش و مناطق زرد، نشان‌دهنده‌ی افزایش شاخص‌های اقتصادی و اجتماعی است.
مدل پیش‌بینی سال 2021، نشان می‌دهد که سرعت اعیان‌نشین شدن مناطق تا آن سال، به‌مرور آهسته می‌شود. شایان ذکر است مناطقی که از سال 2001 تا 2011 بیشترین تغییرات را شاهد بودند، تا سال 2021، تغییرات کمتری خواهند داشت. درواقع اگرچه شاخص‌های این مناطق تا سال 2021 رشد می‌کند، اما سرعت آن افزایش نخواهد یافت. تیم تحقیقاتی امید دارد که نتایج خود را در آینده با بررسی اطلاعات زنده‌ی بیشتر، دقیق‌تر کند. آن‌ها از داده‌هایی همچون قیمت لحظه‌ای املاک در وبسایت‌های متعدد تا نمادهای فرهنگی مصرف‌گرایی در توییتر، برای پیش‌بینی دقیق‌تر مناطق با ظرفیت اعیان‌نشین شدن، استفاده خواهند کرد. به‌هرحال پدیده‌های متنوع سیاسی و اقتصادی مانند خروج بریتانیا از اتحادیه‌ی اروپا، روی روند اعیان‌نشین شدن در شهرهای بزرگ جهان، تأثیر دارند. باوجود تمامی عوامل، به‌نظر می‌رسد ابزارهایی همچون یادگیری ماشین، علاوه‌بر تشریح علل اعیان‌نشین شدن در شهرها، توانایی پیش‌بینی مناطق بعدی را هم داشته باشند.