Explainable AI and causal inference to assess the impact of São Paulo’s metro stations (2025)
- Authors:
- Autor USP: NOMACHI, RAFAEL YOSHIO GOMES - EP
- Unidade: EP
- Sigla do Departamento: PTR
- Subjects: METRÔ; PLANEJAMENTO DE TRANSPORTES; CAUSALIDADE; APRENDIZADO COMPUTACIONAL; DESIGUALDADES
- Language: Inglês
- Abstract: Novas estações de metrô podem alterar os padrões de deslocamento e reconfigurar o uso do solo, influenciando o potencial do Desenvolvimento Orientado ao Transporte (TOD). Apesar de sua relevância, são escassos os estudos que investiguem as relações causais associadas às decisões tomadas por políticas públicas quanto à localização das novas estações de metrô. Este estudo integra métodos de Aprendizado de Máquina (ML), Inteligência Artificial Explicável e Inferência Causal para avaliar a influência de novas estações de metrô no comportamento de viagem e no uso do solo em São Paulo (SP), cidade marcada por desigualdades socioespaciais. A modelagem através de ML do comportamento de viagem com base nos dados da pesquisa Origem-Destino (OD), foi interpretada por meio de Shapley Additive Explanations (SHAP), evidenciando as variáveis mais relevantes, efeitos marginais e equidade entre regiões de alta e baixa renda. O estudo de Diferença-em-Diferenças comparando as ODs de 2017 e 2023 permitiu a avaliação dos impactos causais na escolha do modo entre regiões distintas. Por fim, as mudanças no uso do solo induzidas pelo metrô foram mensuradas a partir de dados do Imposto Predial e Territorial Urbano (IPTU) de 1995 a 2025. Os resultados mostram que a condição socioeconômica e a proximidade às estações influenciam significativamente a escolha de modo. A análise causal revelou a elevação em até 21% da demanda por metrô em áreas próximas às estações mais periféricas, enquanto em regiões centrais o aumento foi de até 8%. Nas estações mais periféricas também constatou-se a redução do uso de automóvel em até 31,2% e um efeito robusto e significativo de adensamento (+10%) com uma tendência ascendente em área comercial construída (+20%). Esses resultados revelam os efeitos da expansão do metrô comopolíticas de TOD em áreas periféricas, evidenciando potenciais impactos positivos do investimento em infraestrutura de metrô na periferia.
- Imprenta:
- Data da defesa: 25.09.2025
-
ABNT
NOMACHI, Rafael Yoshio Gomes. Explainable AI and causal inference to assess the impact of São Paulo’s metro stations. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3138/tde-10122025-095401/pt-br.php. Acesso em: 24 dez. 2025. -
APA
Nomachi, R. Y. G. (2025). Explainable AI and causal inference to assess the impact of São Paulo’s metro stations (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3138/tde-10122025-095401/pt-br.php -
NLM
Nomachi RYG. Explainable AI and causal inference to assess the impact of São Paulo’s metro stations [Internet]. 2025 ;[citado 2025 dez. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3138/tde-10122025-095401/pt-br.php -
Vancouver
Nomachi RYG. Explainable AI and causal inference to assess the impact of São Paulo’s metro stations [Internet]. 2025 ;[citado 2025 dez. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3138/tde-10122025-095401/pt-br.php
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
