What makes cities attractive for people ? Investigating public policies and online discussions through a machine learning model using text mining and sentiment analysis

Traditionally, the attractiveness of a city is measured by quantitative indicators. Nonetheless, the role of qualitative interpretations of online discussions has been nominal in academic studies, a shortcoming this dissertation addresses. Therefore, the aim of this work is to identify whether the analysis of online discussions can strengthen the understanding of cities' perception for inhabitants, tourists, investors, and high skilled immigrants. We investigate to what extent and in what ways the analysis of online discussions can identify issues and deepen the understanding of people’s behaviors. We do so to support decision-making for policymakers. Quantitative and qualitative analysis is carried out using the Python programming language. Firstly, the quantitative analysis is performed using regression modeling on a dataset of 42 European cities. The findings of the analysis demonstrate that cities' attractiveness can be measured based on the average net salary, the average rental price in the city center, and the number of e-commerce active population. In addition to quantitative analysis, the qualitative analysis is performed using text-mining and sentiment analysis, in which 148 million words are collected, processed, analyzed, and clustered into positive, negative, and neutral sentiments. The findings of the analysis of online discussions endorse the possibility to identify people’s concerns, needs, and preferences, some of which are climate change, gender identity, Brexit, gun control, and immigration. The significance of this study is that it recommends the use of text-mining and sentiment analysis to support decision-making by enabling policymakers to extract relevant, valid, and comprehensive information. Furthermore, it can monitor people’s behavior, and opinions during the implementation of public policies.

Tradizionalmente, l'attrattiva di una città è misurata da indicatori quantitativi. Tuttavia, il ruolo delle interpretazioni qualitative delle discussioni online è stato nominale negli studi accademici, una lacuna che affronta questa tesi. Pertanto, lo scopo di questo lavoro è identificare se l'analisi delle discussioni online può rafforzare la comprensione della percezione delle città per abitanti, turisti, investitori e immigrati altamente qualificati. Indaghiamo fino a che punto e in che modo l'analisi delle discussioni online può identificare i problemi e approfondire la comprensione dei comportamenti delle persone. Lo facciamo per supportare il processo decisionale per i politici. L'analisi quantitativa e qualitativa viene effettuata utilizzando il linguaggio di programmazione Python. In primo luogo, l'analisi quantitativa viene eseguita utilizzando il modello di regressione su un set di dati di 42 città europee. I risultati dell'analisi dimostrano che l'attrattiva delle città può essere misurata in base allo stipendio netto medio, al prezzo medio di affitto nel centro città e al numero di popolazione attiva e-commerce. Oltre all'analisi quantitativa, l'analisi qualitativa viene eseguita utilizzando l'analisi del text mining e dei sentimenti, in cui vengono raccolte, elaborate, analizzate e raggruppate 148 milioni di parole in sentimenti positivi, negativi e neutri. I risultati dell'analisi delle discussioni online confermano la possibilità di identificare le preoccupazioni, i bisogni e le preferenze delle persone, alcune delle quali sono i cambiamenti climatici, l'identità di genere, la Brexit, il controllo delle armi e l'immigrazione. Il significato di questo studio è che raccomanda l'uso dell'analisi del sentimento e del text mining per supportare il processo decisionale consentendo ai responsabili politici di estrarre informazioni pertinenti, valide e complete. Inoltre, può monitorare il comportamento e le opinioni delle persone durante l'attuazione delle politiche pubbliche.