Resumo Técnico: Aprendizado de Custos de Acesso Urbano a partir de Fluxos Origem-Destino via Transporte Ótimo Inverso

Declaração do Problema

Planejadores urbanos frequentemente gerenciam redes de serviços mistos público-privados (ex: educação, saúde, transporte) onde as famílias tomam decisões baseadas em uma função de custo latente que equilibra distância, preço e qualidade institucional. Embora os planejadores possam observar os fluxos origem-destino (OD) resultantes, eles carecem de visibilidade direta sobre a superfície de custo comportamental que impulsiona essas decisões.

Este artigo aborda essa lacuna utilizando o contexto da escolha escolar nas Filipinas. Especificamente, examina o maior subsídio educacional nacional do país, que financia a matrícula em escolas secundárias privadas para aliviar a congestão nas escolas públicas. O principal desafio de planejamento é determinar o "alcance espacial" de tal subsídio: Quantos quilômetros de custo de viagem percebido um subsídio compensa, e esse valor varia entre diferentes regimes espaciais? Modelos de propagação direta tradicionais (ex: gravidade ou modelos de escolha discreta) são eficazes para predição, mas falham em recuperar diretamente a função de custo subjacente necessária para responder a essas questões de planejamento.

Metodologia

Os autores formulam o problema como Transporte Ótimo Inverso (OT). Dado uma matriz de fluxo observada $T_{obs}$ (normalizada como um plano de transporte com marginais $p$ e $q$), o objetivo é recuperar a matriz de custo $C$ que torna os fluxos observados mais plausíveis sob um modelo de OT entrópico.

O Modelo Direto (Forward Model)

O processo direto modela o fluxo $\hat{T}$ como a solução de um problema de transporte ótimo entrópico:
$$\hat{T} = \text{Sinkhorn}(p, q, C, \varepsilon)$$
onde $\varepsilon = 0,1$ é o parâmetro de regularização.

O Problema Inverso

O objetivo é estimar os parâmetros da função de custo que minimizam a discrepância entre os fluxos observados e os preditos:
$$\Phi = \frac{\|T_{obs} - \hat{T}\|_F^2}{2\sigma^2}$$

Para resolver isso, o artigo propõe dois modelos de custo complementares:

1. Modelo Interpretável por Bandas de Distância:
   Este modelo paramétrico define o custo $c_{ij}$ entre a origem $i$ e o destino $j$ como:
   $$c_{ij} = \theta(k(d_{ij})) \cdot d_{ij} + \theta_e e_j$$

   • $d_{ij}$: Distância da rede viária.
   • $e_j$: Valor do subsídio no destino (em milhares de pesos).
   • $k(d_{ij})$: Um índice para bandas de distância (0–5 km, 5–15 km, 15–50 km).
   • Métrica Chave: O modelo deriva a distância equivalente ao subsídio $\lambda(k) = -\frac{\theta_e}{\theta_d(k)}$, representando os quilômetros de custo de viagem percebido compensados por um aumento de 1.000 pesos no subsídio em uma banda específica.

2. Modelo de Custo Neural:
   Uma abordagem não paramétrica onde o custo é uma função de rede neural $c_{ij} = f_w(d_{ij}, e_j)$. Este modelo é treinado através de um operador Sinkhorn diferenciável, permitindo que a rede aprenda interações complexas e não lineares entre distância e subsídios sem a necessidade de bandas pré-definidas.

Dados

O estudo utiliza dados administrativos do Departamento de Educação das Filipinas para os anos letivos de 2022–2024 na região mais populosa.

• Escala: 4.200 escolas de origem, 1.861 escolas de destino.
• Fluxos: 23.820 pares OD positivos observados, representando 283.016 viagens de alunos.
• Restrições: Apenas pares viáveis dentro de 50 km (1.852.177 pares) foram considerados. Todos os dados são agregados; nenhum aluno individual é identificável.

Principais Resultados

1. Comparação de Desempenho

• Modelo de Partição (Piecewise): Utilizando otimização de Máxima Verossimilhança a Posteriori (MAP) acelerada por GPU, o modelo de partição reduziu a perda $\Phi$ de um valor inicial de 5,00 para 3,29.
• Modelo Neural: O modelo de OT inverso neural alcançou uma perda menor de 2,84, representando uma melhoria de 13,7% no ajuste em relação ao modelo de partição.

2. Distância Equivalente ao Subsídio ($\lambda$)

O modelo de partição gerou as seguintes estimativas para os quilômetros de custo percebido compensados por 1.000 pesos:

• Banda 0–5 km: $\lambda(1) = 5,35$ km
• Banda 5–15 km: $\lambda(2) = 6,07$ km
• Banda 15–50 km: $\lambda(3) = 1,00$ km

Interpretação: Na banda de 5–15 km, um aumento de 1.000 pesos no subsídio faz com que uma escola pareça aproximadamente 6,07 km mais próxima em termos de custo de viagem percebido. Isso é uma mudança na função de custo de escolha, não uma redução na distância física de viagem.

3. Interações Distância-Subsídio

A análise da derivada de distância do modelo neural ($dc/dd$) revelou nuances omitidas pela abordagem de partição:

• Com subsídio zero, a sensibilidade é suave e baixa (0,083–0,196).
• Com subsídios médios (9.000 pesos) e máximos (13.000 pesos), a sensibilidade aumenta significamente em distâncias curtas, mas estabiliza em alcances médios e longos.
• O modelo neural sugere que o aumento abrupto de fricção implícito na banda de 15–50 km do modelo de partição pode ser um artefato da agregação de bandas, e não um verdadeiro limiar comportamental.

Significância e Alegações

O artigo reivindica três contribuições principais para o planejamento urbano e as ciências sociais computacionais:

1. Inovação Metodológica: Introduz um framework de modelo duplo para OT inverso, combinando um estimador de partição interpretável com um estimador neural flexível treinado via Sinkhorn diferenciável.
2. Métricas Relevantes para Políticas Públicas: Deriva a distância equivalente ao subsídio $\lambda(k)$, uma métrica que traduz valores abstratos de subsídio em ganhos tangíveis de acessibilidade espacial. Isso permite que planejadores calibrem subsídios e localizem instalações com base em quanto "distância percebida" um subsídio efetivamente compra.
3. Generalização: Embora demonstrado na escolha escolar nas Filipinas, os autores afirmam que o framework se aplica a qualquer sistema urbano envolvendo redes mistas e fluxos OD, incluindo escolha de instalações de saúde, demanda de transporte público, habitação subsidiada e comportamento de evacuação.

A principal implicação de planejamento é que os subsídios possuem uma pegada espacial. Sua eficácia não é uniforme; ela depende do alinhamento entre a localização das instalações subsidiadas e a demanda, bem como da sensibilidade à distância das famílias em regiões específicas da rede. O framework fornece uma ferramenta para transformar dados administrativos de fluxo em métricas acionáveis para a alocação de serviços consciente da acessibilidade.