L’apprentissage automatique peut aider à mieux prévoir l’embourgeoisement des villes

Un modèle d’apprentissage automatique développé et testé par des chercheurs du UNSW City Futures Research Center pourrait être en mesure de mieux doter les décideurs politiques de connaissances et de données sur les changements de quartier prévus, et avec de meilleures données prédictives, les décideurs politiques et le gouvernement peuvent fournir une planification et des résultats urbains plus équitables.

Les chercheurs ont récemment publié leurs premiers résultats sur le modèle dans la revue Villes.

La gentrification est un phénomène urbain qui affecte de nombreuses villes à travers le monde. Il s’agit d’un type de changement de quartier qui voit les quartiers pauvres ou historiquement ouvriers connaître des changements drastiques en matière de démographie, d’utilisation des terres et d’accessibilité au logement.

La gentrification peut déplacer et avoir un impact négatif sur les résidents tels que les travailleurs peu qualifiés et les personnes vulnérables, et les gouvernements et les décideurs ont souvent du mal à remédier aux dommages associés.

« La gentrification est souvent identifiée lorsqu’il est trop tard, et il peut être coûteux de remédier aux dommages qu’elle a causés », explique William Thackway, chercheur de troisième cycle au UNSW City Futures Research Center. « La capacité des décideurs politiques à s’attaquer de manière adéquate aux dommages causés par la gentrification repose sur des stratégies proactives qui empêchent ou atténuent le déplacement des personnes vulnérables avant qu’il ne devienne trop coûteux de le faire. »

Embourgeoisement à Sydney

M. Thackway, le professeur Christopher Petitt, le Dr Matthew Ng et le professeur agrégé Chyi Lin Lee ont développé le prototype de modèle d’apprentissage automatique et testé diverses données de Sydney dans le cadre d’une étude de cas.

« L’une des principales conclusions de notre travail est que la frontière de la gentrification devrait s’étendre encore plus loin du centre-ville », déclare M. Thackway. « Auparavant, les anneaux de gentrification se trouvaient dans des anneaux de 5 à 10 kilomètres autour du CBD de Sydney, mais cela devrait s’étendre à 10 à 20 kilomètres. »

L’étude a identifié un effet que les chercheurs appellent « débordement » comme indicateur général de la gentrification prévue à Sydney. Le « débordement » se produit lorsque les résidents déplacés des points chauds de la gentrification se déplacent vers les banlieues voisines où les loyers sont légèrement moins chers.

« Au début des années 2000-2010, l’Inner West est devenu un point chaud majeur pour la gentrification, mais notre analyse prédit que les banlieues occidentales plus profondes comme Auburn et Bankstown pourraient être de nouveaux points chauds », déclare M. Thackway.

Eastwood au-delà de Ryde et Brookvale au-delà de Manly étaient d’autres banlieues connaissant des effets de « débordement » et prévoyaient de s’embourgeoiser selon cette analyse d’apprentissage automatique. L’analyse a également réaffirmé Botany et Maroubra au-delà de Randwick en tant que points chauds de gentrification.

Outre les effets de débordement, d’autres facteurs potentiels de gentrification et de changement de quartier à Sydney comprenaient des changements dans les niveaux de criminalité, de nouveaux développements dans les transports et d’autres changements démographiques.

Des indicateurs surprenants de gentrification

L’avantage de ce nouveau modèle d’apprentissage automatique est qu’il peut établir des liens entre des variables qui sont autrement négligées dans d’autres méthodes d’analyse impliquant uniquement l’expertise humaine.

« Notre étude comprend un plus large éventail de variables prédictives que les études précédentes sur l’apprentissage automatique, couvrant des données socio-économiques, sur le logement, les entreprises et Airbnb », déclare M. Thackway.

Le modèle d’apprentissage automatique a été formé et ajusté à l’aide de plus de 80 variables prédictives à partir d’un large éventail d’entrées de données telles que les rapports de propriété, le recensement, le registre des entreprises et Airbnb.

Pour tester sa précision, les chercheurs ont appliqué rétroactivement le modèle à des quartiers auparavant non embourgeoisés qui ont fini par devenir embourgeoisés.

Les compositions familiales et le statut relationnel étaient des indicateurs étonnamment importants de la gentrification dans certains quartiers de Sydney, explique M. Thackway.

« Il était surprenant de voir qu’une augmentation du nombre de couples mariés dans une zone conduisait à une prédiction plus élevée que la zone se gentrifierait, tandis que les zones avec plus de divorcés et de familles monoparentales étaient moins susceptibles de s’embourgeoiser selon notre modèle. »

Dans certains cas, la famille et les relations étaient aussi importantes que les prix des maisons, l’éducation et l’emploi pour prédire la gentrification d’une banlieue.

Vers de meilleures méthodes quantitatives

Les outils de modélisation prédictive et d’apprentissage automatique dans les sphères de la politique urbaine en sont encore à leurs balbutiements.

« Il y a encore du scepticisme parmi les décideurs quant à la fiabilité de ces modèles », déclare M. Thackway. « Les modèles d’apprentissage automatique précédents comportaient un élément de » boîte noire « , ce qui signifie que nous ne pouvons pas voir comment la machine est parvenue à ses conclusions. Pour cette raison, la préférence des décideurs politiques est dominée par les méthodes qualitatives. »

Mais ce nouveau modèle d’apprentissage automatique développé par les chercheurs de l’UNSW peut prédire la gentrification avec une précision de 87,3 % et élimine l’élément « boîte noire » en mettant en œuvre un outil d’explication du modèle qui interprète comment le modèle d’apprentissage automatique est arrivé à ses conclusions.

« Les méthodes qualitatives telles que le système d’avertissement de changement de quartier et l’indice de gentrification sont faciles à comprendre pour les décideurs », déclare M. Thackway. « Mais l’inconvénient est qu’ils sont assez simples et manquent de robustesse.

« Notre modèle d’apprentissage automatique intègre des dizaines, voire des centaines d’indicateurs par rapport aux méthodes qualitatives. L’avantage d’utiliser l’apprentissage automatique par opposition aux indicateurs de base dans les méthodes qualitatives est que le modèle peut identifier des interactions et des relations entre des variables que l’on ne serait pas nécessairement en mesure d’identifier. faire juste à partir de l’expertise humaine. »

Dans l’ensemble, l’équipe de l’UNSW a créé un modèle d’apprentissage automatique plus holistique, robuste et explicatif qui améliore les meilleures pratiques pour prédire les futurs points chauds de gentrification.

Possibilité d’utilisation future

L’outil est dans sa phase de développement et il est possible de le tester à des degrés plus extrêmes pour garantir ses performances.

« À l’heure actuelle, la principale implication de notre travail est que ce modèle peut produire des résultats significatifs et puissants qui permettront aux urbanistes de prendre des décisions stratégiques proactives et d’intervenir », déclare M. Thackway.

« Bien que nous ayons utilisé Sydney comme étude de cas pour tester le modèle, il peut être appliqué à des villes comparables en saisissant des données similaires.

« Dans le passé, la plupart des recherches sur la gentrification ont examiné ce qui s’était déjà passé pour analyser les moteurs de la gentrification. Ce modèle d’apprentissage automatique permet une modélisation prédictive de la gentrification.

« Avec la publication prochaine des données du recensement de 2021, la prévision des zones vulnérables pour 2026 fournira aux décideurs un outil empirique pour intervenir de manière proactive et concevoir des solutions plus équitables pour les communautés vulnérables. »