Wprowadzenie
Dynamiczny rozwój technologii cyfrowych, w szczególności sztucznej inteligencji, uczenia maszynowego i Internetu Rzeczy (IoT), otwiera nowe możliwości zarządzania przestrzenią miejską (Batty, 2013; Townsend, 2013). Koncepcja miasta opartego na danych wywodzi się z szerszego nurtu inteligentnych miast i zakłada, że decyzje dotyczące planowania, świadczenia usług publicznych i organizacji infrastruktury powinny być podejmowane na podstawie systematycznie gromadzonych i przetwarzanych danych (Kitchin, 2014). W odróżnieniu od tradycyjnych modeli zarządzania miastem, opartych na analizach statycznych i eksperckiej ocenie, podejście data-driven umożliwia szybsze reagowanie na zmieniające się warunki oraz lepsze prognozowanie skutków decyzji publicznych (Bibri i Krogstie, 2017).
Szczególne znaczenie mają obszary, w których miasta generują duże wolumeny danych i w których decyzje podejmowane są w warunkach złożoności: transport oraz planowanie przestrzenne. Transport miejski jest jednym z głównych źródeł zatorów, emisji i kosztów społecznych, dlatego coraz częściej staje się przedmiotem interwencji algorytmicznych – od inteligentnego sterowania sygnalizacją po prognozowanie natężenia ruchu i popytu na usługi mobilnościowe (Zheng i in., 2014; Lv i in., 2015). Planowanie przestrzenne, tradycyjnie oparte na długich cyklach decyzyjnych, zyskuje natomiast narzędzia pozwalające modelować skutki decyzji lokalizacyjnych z uwzględnieniem współzależności społecznych, środowiskowych i infrastrukturalnych (Janowicz i in., 2020; Boeing, 2019).
Celem artykułu jest uporządkowanie wiedzy naukowej na temat zastosowań sztucznej inteligencji w zarządzaniu miastami na podstawie analizy bibliometrycznej publikacji indeksowanych w bazie Scopus. Badanie koncentruje się na dynamice rozwoju piśmiennictwa, geograficznej strukturze dorobku, interdyscyplinarności badań oraz dominujących wątkach tematycznych. Wyniki mają stanowić punkt wyjścia do dalszej refleksji nad tym, jak nauka może wspierać politykę miejską w erze danych.
Data-driven city. Ujęcie teoretyczne
Współczesne miasto należy do najbardziej złożonych systemów tworzonych przez człowieka. Jego funkcjonowanie obejmuje warstwy infrastruktury fizycznej, sieci społecznych, przepływów gospodarczych, środowiska oraz procesów decyzyjnych. Próby naukowego uchwycenia tej złożoności podejmowano od połowy XX wieku, jednak dopiero rozwój technologii cyfrowych stworzył warunki do jakościowej zmiany w sposobie analizowania i zarządzania miastami (Batty, 2013).
Koncepcja inteligentnego miasta, rozwijana intensywnie od lat 90. XX wieku, początkowo koncentrowała się na integracji infrastruktury technicznej z systemami informatycznymi w celu podnoszenia efektywności usług publicznych. Z czasem została rozszerzona o wymiar społeczny, środowiskowy i partycypacyjny (Caragliu i in., 2011). Równolegle rozwinęło się pojęcie miasta opartego na danych, które przesuwa akcent z samej obecności technologii na zdolność do wykorzystywania danych jako strategicznego zasobu zarządzania publicznego (Kitchin, 2014).
Miasta generują dane za pośrednictwem czujników ruchu, systemów monitoringu, transakcji transportu publicznego, rejestrów administracyjnych, platform usługowych i aktywności cyfrowej mieszkańców. Odpowiednio przetworzone dane umożliwiają opis stanu miasta, prognozowanie przyszłych zjawisk i optymalizację procesów decyzyjnych. W tym sensie data-driven city można traktować jako bardziej operacyjny wariant inteligentnego miasta – nastawiony nie tylko na wdrażanie technologii, lecz przede wszystkim na mierzalność, uczenie się instytucji i lepszą jakość decyzji publicznych.
Sztuczna inteligencja, rozumiana jako zdolność systemów komputerowych do wykonywania zadań wymagających dotąd ludzkiej inteligencji – takich jak rozpoznawanie wzorców, prognozowanie, klasyfikacja i optymalizacja – znajduje coraz szersze zastosowanie w kontekstach miejskich. Kluczowe znaczenie mają tu uczenie maszynowe, uczenie głębokie, przetwarzanie języka naturalnego, analiza obrazów i metody optymalizacyjne (LeCun i in., 2015).
Zastosowania AI w miastach można pogrupować w trzy kategorie. Pierwszą tworzą systemy predykcyjne i wczesnego ostrzegania, m.in. prognozowanie ruchu drogowego, przewidywanie awarii infrastruktury czy modelowanie ryzyka powodzi. Drugą kategorię stanowią systemy optymalizacyjne, które mogą wspierać zarządzanie sieciami transportowymi, energią lub usługami komunalnymi. Trzecia obejmuje narzędzia wspomagania decyzji, służące np. do symulacji skutków różnych scenariuszy zagospodarowania przestrzennego lub lokalizacji inwestycji.
Wdrażanie AI w miastach wiąże się jednak z wyzwaniami. W literaturze podkreśla się problemy jakości i reprezentatywności danych, ograniczonej przejrzystości algorytmów, ryzyka utrwalania nierówności społecznych oraz ochrony prywatności (O’Neil, 2016). Z tego powodu rozwój miasta opartego na danych powinien być postrzegany nie tylko jako projekt technologiczny, lecz także jako projekt instytucjonalny, prawny i etyczny.
Wzrost liczby publikacji dotyczących AI i inteligentnych miast powoduje, że tradycyjne przeglądy literatury coraz częściej napotykają ograniczenia wynikające z selektywności źródeł i skali materiału. Analiza bibliometryczna pozwala porządkować duże zbiory publikacji poprzez analizę liczby prac, cytowań, współautorstwa, afiliacji oraz słów kluczowych (Donthu i in., 2021). Nie zastępuje pogłębionej analizy treści, ale umożliwia zbudowanie mapy pola badawczego i wskazanie obszarów wymagających dalszych badań (Zupic i Čater, 2015).
W niniejszym badaniu przyjęto trzy hipotezy:
H1: Liczba publikacji naukowych dotyczących zastosowań AI w zarządzaniu miastami wykazuje znaczący wzrost między 2010 a 2025 rokiem, ze szczególnym przyspieszeniem po 2019 roku.
H2: Dorobek naukowy w badanym obszarze jest skoncentrowany geograficznie – dominują kraje azjatyckie i państwa regionu MENA, przy relatywnie mniejszym udziale ośrodków europejskich.
H3: Badania nad AI w miastach mają charakter interdyscyplinarny, łącząc informatykę i inżynierię z naukami społecznymi, środowiskowymi i ekonomicznymi.
Analiza bibliometryczna
Analizę oparto na 1133 unikalnych rekordach z bazy Scopus. Zastosowano zapytanie obejmujące pojęcia artificial intelligence, smart city, data-driven city, transport, transportation oraz urban planning, z ograniczeniem do lat 2010-2025, wybranych obszarów tematycznych i typów dokumentów: artykułów, przeglądów oraz materiałów konferencyjnych.
Wyniki wskazują na wyraźny wzrost zainteresowania badawczego tą tematyką. Do 2018 roku liczba publikacji rocznie nie przekraczała kilkudziesięciuoznacza to pozycji, co sugeruje, że pole badawcze pozostawało w fazie kształtowania. Przełom nastąpił około lat 2019-2020, kiedy liczba publikacji zaczęła szybko rosnąć. W 2025 roku odnotowano 355 publikacji, wobec 206 w 2024 roku i 146 w 2023 roku. Oznacza to, że temat AI w kontekście inteligentnych miast i zarządzania transportem stał się jednym z najszybciej rozwijających się nurtów badań technicznych i społecznych. Należy jednak pamiętać, że wynik dla 2025 roku może być częściowo zależny od momentu pobrania danych oraz procesu indeksowania w Scopus.
Struktura geograficzna publikacji wskazuje na wyraźną koncentrację dorobku. Według kraju afiliacji pierwszego autora najwięcej publikacji pochodziło z Indii (267) i Chin (182), które łącznie odpowiadały za blisko 40% analizowanego zbioru. Stany Zjednoczone zajęły trzecie miejsce z wynikiem 113 publikacji. Silną pozycję odnotowały również Arabia Saudyjska (96), Zjednoczone Emiraty Arabskie (40) i Maroko (38), co wskazuje na rosnące zaangażowanie państw regionu MENA w badania nad inteligentnymi miastami. Wśród krajów europejskich najwyżej znalazły się Wielka Brytania (68), Hiszpania (44) i Włochy (41). Polska nie przekroczyła progu 20 publikacji w analizowanym zbiorze, co może świadczyć o ograniczonej widoczności krajowych ośrodków w tym nurcie publikacyjnym.
Rozkład publikacji według obszarów tematycznych potwierdza interdyscyplinarny charakter badań. Najsilniej reprezentowane były informatyka (842 publikacje) i inżynieria (609), co jest zgodne z technologiczną naturą zagadnienia. Jednocześnie istotny udział miały nauki społeczne (228), matematyka (201), energetyka (149), nauki o podejmowaniu decyzji (147), nauki o środowisku (112) oraz zarządzanie i biznes (66). Taki rozkład wskazuje, że AI w miastach nie jest wyłącznie tematem technicznym. Jest analizowana również w kontekście zrównoważonego rozwoju, zarządzania publicznego, jakości życia, bezpieczeństwa i efektywności ekonomicznej.
Analiza fraz kluczowych pokazuje, że centrum badanego pola tworzą pojęcia: sztuczna inteligencja, inteligentne miasto, Internet Rzeczy, uczenie maszynowe, głębokie uczenie, transport miejski, inteligentne systemy transportowe, zatory drogowe i planowanie urbanistyczne. Najczęściej pojawiające się terminy – sztuczna inteligencja (642 wystąpienia) i inteligentne miasto (630) – potwierdzają trafność głównego zakresu zapytania. Obecność terminów związanych z IoT i cyberbezpieczeństwem pokazuje natomiast, że badania nad AI w miastach są silnie powiązane z infrastrukturą czujników, sieciami komunikacyjnymi i ochroną danych.
W obszarze transportu szczególnie widoczne były frazy związane z transportem miejskim, zatorami drogowymi, inteligentnymi systemami transportowymi, pojazdami autonomicznymi i sterowaniem ruchem. W obszarze planowania przestrzennego dominowały terminy planowanie urbanistyczne, rozwój miast i obszary miejskie. Wyniki te wskazują, że transport pozostaje najłatwiej uchwytnym i najbardziej rozwiniętym polem zastosowań AI w analizowanym zbiorze, natomiast planowanie przestrzenne występuje jako ważny, ale bardziej zróżnicowany obszar badań.
Dyskusja oraz implikacje praktyczne
Wyniki analizy bibliometrycznej pozwalają sformułować kilka obserwacji dotyczących kierunków badań nad AI w zarządzaniu miastami. Po pierwsze, dynamiczny wzrost liczby publikacji po 2019 roku wskazuje, że temat przeszedł z fazy niszowej do fazy intensywnego rozwoju. Wzrost ten może być związany z rozwojem uczenia głębokiego, upowszechnieniem danych miejskich, rozwojem IoT oraz rosnącą popularnością wielkoskalowych modeli językowych i generatywnej AI. Nie oznacza to jednak automatycznie dojrzałości wdrożeń miejskich – bibliometria pokazuje aktywność naukową, a nie bezpośredni poziom implementacji rozwiązań w administracji.
Po drugie, geograficzna koncentracja publikacji sugeruje istotne przesunięcie aktywności badawczej w stronę Azji i regionu MENA. Dominacja Indii i Chin może wynikać ze skali urbanizacji, presji infrastrukturalnej oraz strategicznego znaczenia technologii cyfrowych w politykach rozwojowych tych państw. Silna pozycja państw Zatoki Perskiej może być natomiast powiązana z programami transformacji cyfrowej miast i dużymi projektami infrastrukturalnymi. Wnioski te należy jednak interpretować ostrożnie, ponieważ wynik zależy od konstrukcji zapytania, zakresu indeksowania Scopus oraz przyjętej metody przypisywania publikacji do państw.
Po trzecie, interdyscyplinarność badanego obszaru ma istotne konsekwencje dla organizacji badań i praktyki miejskiej. Skuteczne wdrażanie AI w miastach wymaga współpracy informatyków, inżynierów, urbanistów, specjalistów od transportu, ekonomistów, socjologów i ekspertów od zarządzania publicznego. Bez takiej współpracy istnieje ryzyko tworzenia rozwiązań technicznie zaawansowanych, ale oderwanych od realnych potrzeb mieszkańców i ograniczeń instytucjonalnych.
Po czwarte, wyniki wskazują na potrzebę rozwijania kompetencji analitycznych po stronie administracji miejskiej. Miasto oparte na danych nie powstaje wyłącznie przez zakup technologii. Wymaga zdolności do gromadzenia, porządkowania, łączenia i interpretowania danych, a także do przekształcania wyników analiz w decyzje publiczne. Szczególne znaczenie mają standardy interoperacyjności, jakość danych, przejrzystość algorytmów oraz mechanizmy odpowiedzialności za decyzje wspierane przez AI.
Badanie ma również ograniczenia. Po pierwsze, opiera się wyłącznie na bazie Scopus, która nie indeksuje wszystkich publikacji, zwłaszcza prac lokalnych i publikowanych w językach innych niż angielski. Po drugie, zastosowane zapytanie – mimo że pozwala uchwycić główny nurt badań nad AI, smart city, transportem i planowaniem przestrzennym – nie obejmuje wszystkich możliwych terminów używanych w literaturze. Po trzecie, analiza bibliometryczna ma charakter ilościowy i nie pozwala ocenić jakości merytorycznej poszczególnych publikacji. Dostarcza mapy pola badawczego, ale nie zastępuje pogłębionych analiz jakościowych.
Podsumowanie
Najważniejszym wynikiem przeprowadzonego badania jest potwierdzenie szybkiego wzrostu liczby publikacji po 2019 roku. Drugim istotnym wnioskiem jest geograficzna koncentracja dorobku, z wyraźną pozycją Indii, Chin, Stanów Zjednoczonych oraz wybranych państw regionu MENA. Trzecim wnioskiem jest interdyscyplinarność badań, które łączą informatykę, inżynierię, nauki społeczne, energetykę, nauki środowiskowe i zarządzanie.
Wyniki badania pokazują, że AI staje się ważnym elementem debaty o przyszłości miast, lecz jej skuteczne wykorzystanie wymaga nie tylko rozwoju technologii, ale także odpowiednich kompetencji instytucjonalnych, standardów danych, ram etycznych i współpracy między różnymi dziedzinami wiedzy.
Literatura:
Batty, M. (2013). The new science of cities. MIT Press.
Bibri, S. E., & Krogstie, J. (2017). Smart sustainable cities of the future: An extensive interdisciplinary literature review. Sustainable Cities and Society, 31, 183-212.
Boeing, G. (2019). Urban spatial order: Street network orientation, configuration, and entropy. Applied Network Science, 4(1).
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285-296.
Hannan, M. A., Arebey, M., Begum, R. A., & Basri, H. (2010). Intelligent solid waste bin monitoring and management system. Australian Journal of Basic and Applied Sciences, 4(10), 5314-5319.
Janowicz, K., Gao, S., McKenzie, G., Hu, Y., & Bhaduri, B. (2020). GeoAI: Spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond. International Journal of Geographical Information Science, 34(6), 1-13.
Kitchin, R. (2014). The real-time city? Big data and smart urbanism. GeoJournal, 79(1), 1-14.
Lv, Y., Duan, Y., Kang, W., Li, Z., & Wang, F. Y. (2015). Traffic flow prediction with big data: A deep learning approach. IEEE Transactions on Intelligent Transportation Systems, 16(2), 865-873.
Townsend, A. M. (2013). Smart cities: Big data, civic hackers, and the quest for a new utopia. W. W. Norton & Company.
Zheng, Y., Capra, L., Wolfson, O., & Yang, H. (2014). Urban computing: Concepts, methodologies, and applications. ACM Transactions on Intelligent Systems and Technology, 5(38), 1-55.
Zupic, I., & Čater, T. (2015). Bibliometric methods in management and organization. Organizational Research Methods, 18(3), 429-472.