Além da Distância: Uma Abordagem Multidimensional para Avaliar a Acessibilidade à Saúde via Transporte Público
Resumo
Este trabalho propõe uma abordagem multidimensional baseada em aprendizado de máquina para avaliar a acessibilidade a serviços de saúde via transporte público em Salvador/BA. Diferentemente de abordagens tradicionais, que se restringem à proximidade geográfica, a proposta incorpora, de forma integrada, aspectos de conectividade da rede de transporte, confiabilidade temporal e fatores socioeconômicos. Para isso, é construído um score de vulnerabilidade por meio da entropia de Shannon, que sintetiza múltiplas dimensões do acesso e é posteriormente utilizado como variável-alvo em modelos supervisionados, incluindo Random Forest e Gradient Boosting. Além disso, é realizada uma segmentação temporal dos bairros com base no tempo de deslocamento até unidades de saúde. Os resultados evidenciam que a qualidade e a conectividade do sistema de transporte possuem maior influência sobre a acessibilidade do que a distância geográfica, além de revelar dois perfis distintos de acesso (rápido e demorado), associados às desigualdades entre regiões centrais e periféricas.Referências
Arbelaitz, O., Gurrutxaga, I., Muguerza, J., Pérez, J. M., and Perona, I. (2013). An extensive comparative study of cluster validity indices. Pattern Recognition, 46(1):243–256.
Brasil (1988). Constituição da república federativa do brasil. Promulgada em 5 de outubro de 1988.
Caliński, T. and Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics – Theory and Methods, 3(1):1–27.
DATASUS (2025). Cadastro nacional de estabelecimentos de saúde – CNES. Competência dezembro/2025. Disponível em: [link]. Acesso em: jan. 2026.
Davies, D. L. and Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1(2):224–227.
Fayyaz S., S. K., Liu, X. C., and Zhang, G. (2017). An efficient general transit feed specification (gtfs) enabled algorithm for dynamic transit accessibility analysis. PLOS ONE, 12(10):e0185333.
Ferreira, M. V., Souza, M., Rios, T. N., Fernandes, I. F. C., Nery, J., Gama, J., Bifet, A., and Rios, R. A. (2025). Salvador urban network transportation (sunt): A landmark spatiotemporal dataset for public transportation. Scientific Data, 12(1):1320.
Geurs, K. T. and van Wee, B. (2004). Accessibility evaluation of land-use and transport strategies: review and research directions. Journal of Transport Geography, 12(2):127–140.
Hansen, W. G. (1959). How accessibility shapes land use. Journal of the American Institute of Planners, 25(2):73–76.
Hennig, C. (2007). Cluster-wise assessment of cluster stability. Computational Statistics & Data Analysis, 52(1):258–271.
IBGE (2022). Censo demográfico 2022: resultados por bairro. Disponível via WFS em: [link]. Acesso em: jan. 2026.
Instituto de Pesquisa Econômica Aplicada, I. (2024). Projeto acesso a oportunidades. Acesso em: 11 mar. 2024.
Lindner, A., Kühnel, N., Schrömbges, T., and Kuhnimhof, T. (2024). When to measure accessibility? Temporal segmentation and aggregation in location-based public transit accessibility. Urban Science, 8(4):165.
Liu, L., Porr, A., and Miller, H. J. (2023). Realizable accessibility: Evaluating the reliability of public transit accessibility using high-resolution real-time data. Journal of Geographical Systems, 25:429–451.
Liu, Y., Gu, H., and Shi, Y. (2022). Spatial accessibility analysis of medical facilities based on public transportation networks. International Journal of Environmental Research and Public Health, 19(23):16224.
Marmot, M., Friel, S., Bell, R., Houweling, T. A. J., and Taylor, S. (2008). Closing the gap in a generation: health equity through action on the social determinants of health. The Lancet, 372(9650):1661–1669.
Oliveira, E. A. d., Gomes, G. L., and Cunha, F. D. d. (2024). Aprendizado de máquina aplicado ao cenário de criminalidade na cidade de chicago. In Anais do VIII Workshop de Computação Urbana (CoUrb), pages 1–14, Niterói/RJ. SBC.
Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20:53–65.
Santos, E., Benevides, T., Borja, P. C., Moraes, L. R. S., De Oliveira, N., Pedrassoli, J. C., Souza, J., Gama, C. M., and Fróes, F. (2022). QUALISalvador: qualidade do ambiente urbano na cidade da Bahia.
Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2(3):160.
Tibshirani, R., Walther, G., and Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B, 63(2):411–423.
Tomasiello, D. B., Pereira, R. H. M., Braga, C. K. V., and van Wee, B. (2024). Racial and income inequalities in access to healthcare in Brazilian cities. Journal of Transport & Health, 34:101722.
Yeo, I.-K. and Johnson, R. A. (2000). A new family of power transformations to improve normality or symmetry. Biometrika, 87(4):954–959.
Yuen, A., Rocha, C. M., Kruger, E., and Tennant, M. (2018). Does public transportation improve the accessibility of primary dental care in são paulo, brazil? Community Dentistry and Oral Epidemiology, 46(3):273–278.
Brasil (1988). Constituição da república federativa do brasil. Promulgada em 5 de outubro de 1988.
Caliński, T. and Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics – Theory and Methods, 3(1):1–27.
DATASUS (2025). Cadastro nacional de estabelecimentos de saúde – CNES. Competência dezembro/2025. Disponível em: [link]. Acesso em: jan. 2026.
Davies, D. L. and Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1(2):224–227.
Fayyaz S., S. K., Liu, X. C., and Zhang, G. (2017). An efficient general transit feed specification (gtfs) enabled algorithm for dynamic transit accessibility analysis. PLOS ONE, 12(10):e0185333.
Ferreira, M. V., Souza, M., Rios, T. N., Fernandes, I. F. C., Nery, J., Gama, J., Bifet, A., and Rios, R. A. (2025). Salvador urban network transportation (sunt): A landmark spatiotemporal dataset for public transportation. Scientific Data, 12(1):1320.
Geurs, K. T. and van Wee, B. (2004). Accessibility evaluation of land-use and transport strategies: review and research directions. Journal of Transport Geography, 12(2):127–140.
Hansen, W. G. (1959). How accessibility shapes land use. Journal of the American Institute of Planners, 25(2):73–76.
Hennig, C. (2007). Cluster-wise assessment of cluster stability. Computational Statistics & Data Analysis, 52(1):258–271.
IBGE (2022). Censo demográfico 2022: resultados por bairro. Disponível via WFS em: [link]. Acesso em: jan. 2026.
Instituto de Pesquisa Econômica Aplicada, I. (2024). Projeto acesso a oportunidades. Acesso em: 11 mar. 2024.
Lindner, A., Kühnel, N., Schrömbges, T., and Kuhnimhof, T. (2024). When to measure accessibility? Temporal segmentation and aggregation in location-based public transit accessibility. Urban Science, 8(4):165.
Liu, L., Porr, A., and Miller, H. J. (2023). Realizable accessibility: Evaluating the reliability of public transit accessibility using high-resolution real-time data. Journal of Geographical Systems, 25:429–451.
Liu, Y., Gu, H., and Shi, Y. (2022). Spatial accessibility analysis of medical facilities based on public transportation networks. International Journal of Environmental Research and Public Health, 19(23):16224.
Marmot, M., Friel, S., Bell, R., Houweling, T. A. J., and Taylor, S. (2008). Closing the gap in a generation: health equity through action on the social determinants of health. The Lancet, 372(9650):1661–1669.
Oliveira, E. A. d., Gomes, G. L., and Cunha, F. D. d. (2024). Aprendizado de máquina aplicado ao cenário de criminalidade na cidade de chicago. In Anais do VIII Workshop de Computação Urbana (CoUrb), pages 1–14, Niterói/RJ. SBC.
Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20:53–65.
Santos, E., Benevides, T., Borja, P. C., Moraes, L. R. S., De Oliveira, N., Pedrassoli, J. C., Souza, J., Gama, C. M., and Fróes, F. (2022). QUALISalvador: qualidade do ambiente urbano na cidade da Bahia.
Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2(3):160.
Tibshirani, R., Walther, G., and Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B, 63(2):411–423.
Tomasiello, D. B., Pereira, R. H. M., Braga, C. K. V., and van Wee, B. (2024). Racial and income inequalities in access to healthcare in Brazilian cities. Journal of Transport & Health, 34:101722.
Yeo, I.-K. and Johnson, R. A. (2000). A new family of power transformations to improve normality or symmetry. Biometrika, 87(4):954–959.
Yuen, A., Rocha, C. M., Kruger, E., and Tennant, M. (2018). Does public transportation improve the accessibility of primary dental care in são paulo, brazil? Community Dentistry and Oral Epidemiology, 46(3):273–278.
Publicado
25/05/2026
Como Citar
AGUIAR, Cauê Rodrigues de; CASTRO, Ana Carolina Xavier; LIMA, Euler da Silva; SILVA, Francisco Airton; ROCHA FILHO, Geraldo Pereira.
Além da Distância: Uma Abordagem Multidimensional para Avaliar a Acessibilidade à Saúde via Transporte Público. In: WORKSHOP DE COMPUTAÇÃO URBANA (COURB), 10. , 2026, Praia do Forte/BA.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 29-42.
ISSN 2595-2706.
DOI: https://doi.org/10.5753/courb.2026.22923.
