Resumo Técnico: Planejamento Consciente de Risco para Remediação de Desertos de Transporte sob Incerteza de Demanda

1. Definição do Problema

O artigo aborda o desafio da remediação de desertos de transporte: alocar capital escasso para melhorar o transporte público em áreas onde existe demanda, mas o serviço é inadequado. A dificuldade central reside na incerteza da demanda. Ao contrário de corredores estabelecidos onde a frequência de passageiros é observável, os desertos de transporte carecem de dados históricos; as agências não conseguem observar a demanda antes da existência do serviço.

O planejamento tradicional baseia-se em modelos de quatro etapas de demanda de viagens usando preferências reveladas (pesquisas) e previsões de uso do solo. No entanto, esses modelos falham em zonas não atendidas porque extrapolam a partir da infraestrutura existente, muitas vezes reforçando lacunas ao direcionar o investimento apenas para áreas onde a demanda já é certa. Os autores enquadram isso como um problema de tomada de decisão sequencial sob observabilidade parcial, onde uma agência deve equilibrar ganhos imediatos de equidade contra o risco de perda financeira e o valor de aprender a demanda latente por meio de implementações iniciais de serviço.

2. Metodologia

A. Formalização como um POMDP

O problema é modelado como um Processo de Decisão de Markov Parcialmente Observável (POMDP) ao longo de um horizonte de cinco anos:

• Estado ($s_t$): Inclui o mapa de cobertura atual ($v_t$), orçamento restante ($B_t$) e um vetor de demanda latente oculta ($d$). A demanda é extraída uma única vez de uma distribuição prévia e permanece fixa (incerteza epistêmica), em vez de flutuar como um choque estocástico.
• Ação ($a_t$): Alocação de orçamento entre zonas de setores censitários. A cobertura em uma zona muda apenas quando o investimento cumulativo excede um limiar de custo específico.
• Observação ($o_t$): Contagens ruidosas de passageiros são observadas apenas em zonas que receberam serviço. Zonas não atendidas não fornecem sinal, forçando o planejador a "comprar" informação através da implementação.
• Recompensa: Uma função composta que combina:
  1. Ganho de cobertura ponderado pela equidade: Ponderado inversamente pela renda média ($w_z \propto 1/\text{Renda}_z$).
  2. Penalidade de Risco: Um termo de Valor em Risco Condicional (CVaR) que penaliza o déficit financeiro esperado no pior caso de uma fração $\alpha$ (definida como 10%) dos cenários de demanda. Isso evita que o planejador busque zonas de alta variância e alta recompensa às custas da estabilidade fiscal.

B. Dinâmica de Crença e Informação Lateral

O sistema mantém uma distribuição prévia log-normal sobre a demanda latente para cada zona, condicionada a informações laterais (densidade populacional, emprego, renda, acesso a veículos e distância do transporte existente).

• Variância da Distribuição Prévia: Zonas mais distantes do transporte existente recebem maior variância prévia, refletindo evidências mais fracas sobre a frequência de passageiros.
• Atualização Bayesiana: À medida que o serviço é implementado e a frequência de passageiros é observada, a distribuição posterior é atualizada usando uma atualização conjugada normal-normal no espaço logarítmico. A variância contrai-se a cada observação, permitindo que o planejador refine as estimativas de demanda para zonas atendidas enquanto permanece incerto sobre as não atendidas.

C. Abordagem de Solução

Dado o horizonte de cinco anos e o espaço de ação moderado, os autores utilizam um planejador míope consciente de crenças em vez de uma abordagem POMCP (Planejamento de Monte Carlo Parcialmente Observável) completa.

• Objetivo: Maximizar o ganho de cobertura ponderado pela equidade menos a penalidade de CVaR, somado a um bônus de Valor de Informação (IV) explícito. O bônus de IV incentiva o investimento em zonas com alta incerteza posterior para acelerar o aprendizado.
• Otimização: O problema é resolvido via Aproximação de Média de Amostras (SAA). O planejador extrai 200 cenários de demanda da crença atual e resolve um Programa Linear (LP) com variáveis auxiliares de CVaR. Isso permite computação rápida (menos de 0,5 segundos por período por cidade).

D. Modelo Financeiro

O modelo integra um framework financeiro unificado para 25 cidades, calculando:

• Custo Operacional: Baseado em horas-veículo e paridade de preços regionais.
• Custo de Capital: Custos amortizados para veículos (12 anos) e infraestrutura (30 anos).
• Receita: Estimada como frequência de passageiros $\times$ tarifa $\times$ taxa de captura.
• Subsídio Líquido: A diferença entre custos e receita, usada para calcular a métrica de risco CVaR.

3. Configuração Experimental

• Conjunto de Dados: 25 cidades nas Américas do Norte e do Sul (incluindo Chicago, Austin, Detroit, Portland, Bogotá e outras), variando em tamanho, forma urbana e maturidade de transporte.
• Zonas: Setores censitários (ou unidades administrativas em Bogotá), com 60–200 zonas por cidade.
• Linhas de Base (Baselines):
  1. Otimização Estática: Um plano determinístico de cinco anos alocando todo o orçamento com base na média da distribuição prévia da demanda, sem atualização sequencial.
  2. Cobertura Gananciosa (Greedy): Financia a zona não atendida com a maior razão equidade-custo, ignorando risco e valor de informação.
  3. Alocação Aleatória: Seleção aleatória uniforme.
• Métricas: Fração de setores de desertos de transporte remediados ($\Delta C$), eficiência de custo, pontuação de equidade e risco financeiro (CVaR do subsídio líquido).

4. Principais Resultados

A. Ganhos de Desempenho

• Taxa de Remediação: O planejador POMDP remedia uma mediana de 53,6% dos setores de deserto de transporte ao longo de cinco anos.
• Melhoria sobre o Estático: Em média, a abordagem POMDP melhora as taxas de remediação em 5,0 pontos percentuais (um ganho relativo de 11,3%) comparado à otimização estática. Ela supera o planejamento estático em 16 das 25 cidades.
• Sensibilidade ao Orçamento: Os ganhos são mais pronunciados em orçamentos moderados. Com 50% do orçamento base, a vantagem atinge o pico de +9,9 pontos percentuais. Com 200% de orçamento (onde ambas as políticas saturam perto de 93% de cobertura), a lacuna diminui para +2,6 pontos.
• Robustez: O planejador mantém sua vantagem mesmo quando o modelo de demanda prévia está significativamente descalibrado (até 50% de ruído), enquanto o desempenho do planejamento estático permanece constante porque ele não consegue revisar seu prognóstico inicial.

B. Preditores Estruturais

• Direcionadores de Custo: A densidade populacional é o preditor mais forte do custo de remediação por setor ($R^2 = 0,41$). Dobrar a densidade populacional reduz os custos por setor em aproximadamente 30%.
• Eficiência de Custo: Cidades compactas e de alta densidade (ex: Chicago, San Francisco) são mais baratas de remediar via extensões de rotas, enquanto metrópoles dispersas de baixa densidade (ex: Houston, Phoenix) exigem rotas mais longas com menor densidade de passageiros, aumentando os custos.

C. Risco e Equidade

• Risco Financeiro: Embora o risco agregado de subsídio líquido (CVaR) seja ligeiramente maior para o planejador POMDP (devido ao atendimento de mais zonas no total), o risco por setor remediado é menor. A penalidade de CVaR efetivamente direciona o planejador para longe de investimentos de alta incerteza e alto risco de falha.
• Equidade: A recompensa ponderada pela equidade garante que a estratégia adaptativa não se desvie das zonas de baixa renda; em cidades altamente incertas, ela desloca ativamente o investimento para elas.

D. Estudos de Ablação

• Valor de Informação: Remover o bônus de Valor de Informação (IV) explícito ($\eta=0$) reduz o desempenho em apenas 0–4 pontos percentuais nas cidades de análise profunda. Isso indica que o principal motor do sucesso é a atualização da crença Bayesiana sobre a frequência de passageiros observada, e não um bôncio de exploração explícito. O planejador aprende naturalmente com as implementações iniciais, melhorando as alocações posteriores.

5. Significância e Alegações

O artigo afirma ser o primeiro trabalho a:

1. Formular a remediação de desertos de transporte explicitamente como um POMDP para lidar com o problema de "início a frio" (cold start) da demanda inobservável.
2. Integrar restrições de CVaR para gerenciar o risco de cauda financeira no planejamento sequencial de transporte público.
3. Fornecer um benchmark empírico através de 25 cidades diversas usando um modelo financeiro unificado, indo além de exemplos ilustrativos.

Os autores argumentam que seus resultados demonstram que implementações de serviço iniciais podem ser desenhadas para coletar informações tanto quanto para expandir a cobertura. Um plano de capital de cinco anos não precisa ser inteiramente fixo em projeções iniciais; em vez disso, as agências podem usar as observações iniciais de frequência de passageiros para informar alocações subsequentes sem abandonar os objetivos de equidade. O estudo sugere que o planejamento consciente de crenças é mais valioso em cidades com demanda incerta e orçamentos moderados, oferecendo uma alternativa robusta ao planejamento estático e determinístico.

6. Limitações

Os autores reconhecem várias simplificações de modelagem:

• O modelo de demanda é log-linear e não captura a demanda induzida (novos passageiros gerados pelo novo serviço).
• As estimativas de custo dependem de médias nacionais onde dados específicos da cidade não estão disponíveis.
• A demanda realizada é tratada como estática ao longo do horizonte de planejamento.
• O espaço de ação omite restrições políticas e regulatórias que frequentemente ditam a expansão real do serviço.