O orçamento público dos entes federativos brasileiros comumente é visto como fonte de controvérsia, seja pela escolha das prioridades para alocação dos recursos, seja pela crise fiscal que o país passa. Este trabalho tem como objetivo principal proporcionar uma estimativa do impacto gerado por algumas políticas públicas quando implementadas no ambiente construído da cidade de São Paulo, sendo mensurado através da previsão do preço dos imóveis da cidade e consequente avaliação dos fatores que impactaram para a precificação. Esta predição será feita usando aprendizado de máquina, especificamente o modelo baseado em árvore XGBoost, comparado com um modelo hedônico de previsão de preços (Semi-Log Regression). Na parte de análise será utilizado o SHAP, que é um método Tree Explainer, para estimar o impacto das variáveis do modelo de predição de preços e avaliar suas importâncias. A modelagem feita considera variáveis intrínsecas (número de quartos, área construída, ano de construção, etc.), bem como variáveis extrínsecas (qualidade do pavimento, transportes públicos, arborização, etc.) e tem como parâmetro de treinamento o preço de mercado, obtido de anúncios online. Finalmente, concluída a análise, é possível identificar as variáveis extrínsecas, relacionadas ao investimento público, que trouxeram maior impacto positivo no preço dos imóveis, sugerindo sua escolha para o administrador público responsável.

The public budget of Brazilian federative entities is commonly seen as a source of controversy, either because of the choice of priorities for resource allocation, or because of the fiscal crisis that the country is going through. The main objective of this work is to provide an estimate of the impact generated by some public policies when implemented in the built environment of the city of São Paulo, being measured by predicting the price of real estate in the city and consequent evaluation of the factors that impacted on pricing. This prediction will be made using machine learning, specifically the XGBoost tree-based model, compared with a hedonic price prediction model (Semi-Log Regression). In the analysis part, SHAP will be used, which is a Tree Explainer method, to estimate the impact of the variables of the pricing model and evaluate their importance. The modeling that was made considers intrinsic variables (number of rooms, built area, year of construction, etc.), as well as extrinsic variables (pavement quality, public transport, afforestation, etc.) and has the market price as a training parameter, obtained from online advertisements. Finally, once the analysis is concluded, it is possible to identify the extrinsic variables, related to public investment, which had the greatest positive impact on property prices, suggesting their choice to the responsible public administrator.