Risco climático em apps de mobilidade: medir não é mitigar

A chuva começa e o aplicativo mostra tarifa dobrada, tripla, às vezes mais. O usuário xinga o app. O motorista aceita a corrida mesmo assim, porque também precisa do dia render. Ninguém ali sabe dizer, com precisão, quanto daquela chuva específica, naquele corredor específico, explica o preço que apareceu na tela.

Risco climático em apps de mobilidade urbana é a chance de a chuva, o calor ou o alagamento reduzirem a oferta de trabalhadores e elevarem o tempo de espera em um corredor específico, o suficiente para disparar preço dinâmico, cancelamento ou estouro de prazo. Ele não é uniforme na cidade: nasce e morre em poucos quarteirões, e é aí que a maioria das plataformas ainda não enxerga.

Isso vale para o transporte de passageiros e vale igual para os apps de comida e de entregas em geral. Eles rodam na mesma malha viária, no mesmo horário de pico, sob a mesma chuva localizada, tendo o mesmo motociclista ou ciclista como ativo mais exposto.

• O impacto da chuva na mobilidade só virou número mensurável depois que o app digitalizou tempos de corrida e tarifa: sem série histórica, era percepção, não medida (Uber Newsroom, 2019).
• No Brasil, a tarifa dinâmica entrou na metodologia do IBGE em 2026, e corridas por aplicativo subiram 56%, com saltos de até 70% atribuídos a chuva forte (Exame, 2026).
• A literatura internacional diverge sobre o sinal da chuva: em Chicago a demanda de Uber sobe 22%, em Nova York cai. A causa não é o clima, é a resolução da medida (ScienceDirect, 2025 e 2026).
• Em bacias urbanas, a correlação entre pluviômetros cai justamente nas chuvas fortes, exatamente as que mais afetam a operação (MDPI, 2020).
• Em Nova York, 1,5 minuto adicional de espera prediz queda de 37% na demanda: o limiar que decide realocação de frota pode ser medido em minutos, não em milímetros (ScienceDirect, 2026).
• Entregadores de bike e moto estão entre os grupos mais expostos ao calor extremo, com jornada a céu aberto e sem cabine (Nexo, 2024; WRI Brasil, 2025).

Em Campo Grande, há duas semanas, uma tempestade fez corridas de R$ 25 chegarem a quase R$ 60, e moradores relataram dificuldade para voltar para casa segundo reportagem do Campo Grande News. Cenas assim se repetem em cidades brasileiras com chuva de verão. O que muda de uma operação madura para outra é saber, com horas de antecedência, que aquele corredor cruzaria o limiar crítico.

Risco climático operacional, no meu vocabulário, é diferente de risco climático físico. Não é a chuva em si: é a chuva cruzando um limiar que muda o comportamento de oferta, demanda ou preço de um ativo específico. Na mobilidade urbana, esse ativo é o corredor, a região, a janela de horário. É sobre isso que este texto trata.

Por que o efeito da chuva só virou número depois do dado operacional

O efeito da chuva na mobilidade urbana só pôde ser quantificado depois que os aplicativos acumularam anos de dados de corridas, tempos de percurso e tarifas. Antes disso, a relação entre chuva e trânsito era intuição compartilhada, não medida. O dado operacional deu régua ao dado ambiental, não o contrário.

A Uber levou três anos de série histórica de tempos de percurso em São Paulo para afirmar algo preciso: em dias com chuva acima de 0,1 mm por hora, a lentidão do trânsito foi em média 3,9 pontos maior do que em dias sem chuva, segundo dados publicados pela própria empresa. Antes dessa série, ninguém na operação sabia dizer "quanto", só "que sim".

Essa ordem histórica fazia sentido. Sem base de comparação, qualquer afirmação sobre o efeito da chuva seria opinião de motorista, não gestão de risco. O aplicativo precisou primeiro criar o próprio termômetro de demanda e oferta para, só depois, ter algo contra o que comparar o clima.

Hoje esse efeito é parte visível da economia da cidade. A tarifa dinâmica entrou na metodologia de cálculo de inflação do IBGE em 2026, e as corridas por aplicativo subiram 56%, com saltos próximos de 70% em capitais de maior demanda, segundo reportagem da Exame. A própria 99 cita chuva, junto de trânsito intenso e picos de pedido, como gatilho de tarifa mais alta.

O problema é que "digitalizou a demanda" resolveu metade da equação. Ele diz que choveu e o preço subiu. Não diz em qual esquina a oferta de motoristas sumiu primeiro, nem quantos minutos a mais o passageiro esperou naquele bairro específico antes de desistir. Essa lacuna é o assunto do próximo passo.

Medir não é mitigar: os dois saltos, no tempo e no espaço

Medir o efeito da chuva na mobilidade é retrospectivo e agregado: explica o que já aconteceu, em média, na cidade inteira. Mitigar é prospectivo e local: exige saber em qual corredor, em qual janela de horário, a chuva cruza o limiar que derruba a oferta. São dois saltos distintos, e nenhum se resolve com o mesmo dado.

O primeiro salto é temporal: sair do "choveu ontem e a demanda subiu" para o "vai chover às 17h nesta região e a oferta vai cair". O segundo é espacial: sair da média da cidade para o corredor específico onde a operação realmente quebra. Uma plataforma pode acertar o primeiro salto e ainda errar o segundo.

É exatamente o que mostra o caso de Porto Alegre, onde uma mesma corrida chegou a triplicar de preço durante temporais recentes, segundo reportagem do Diário Gaúcho/ClicRBS (2026). O aplicativo sabia que estava chovendo na cidade. Não necessariamente sabia, com minutos de antecedência, que aquele bairro específico ia esvaziar de motoristas primeiro.

Essa distância entre medir e mitigar tem custo mensurável em outros setores de infraestrutura urbana. Em São Paulo, a Prefeitura mapeia 61 pontos de alagamento recorrente, e cada ponto de alagamento custa cerca de R$ 1 milhão por dia à cidade, com enchentes somando R$ 762 milhões por ano, segundo estudo de Haddad e Teixeira publicado pela Agência FAPESP (2013).

Para quem opera frota, o paralelo é direto. Já escrevi sobre como o custo da hora parada por chuva se acumula silenciosamente quando ninguém mede o corredor certo. Na mobilidade urbana, a "parada" não é a frota física: é o motorista que se recolhe, o passageiro que cancela, o preço que sobe sem ninguém decidir sobre isso.

A literatura não concorda sobre o sinal da chuva, e isso é a pista

Estudos internacionais discordam sobre se a chuva aumenta ou reduz a demanda por corridas de aplicativo. Em Chicago ela aumenta a demanda de Uber em 22%. Em Nova York, dias chuvosos aparecem associados a demanda menor. Essa divergência não é erro dos pesquisadores: é sintoma de que "choveu na cidade" é uma variável grosseira demais.

No estudo de Chicago, a chuva elevou as corridas de táxi em até 5%, enquanto Uber subiu 22% e Lyft 19%, segundo o estudo publicado no ScienceDirect. Os autores atribuem a diferença ao preço dinâmico: ele incentiva motoristas de plataforma a atender o excesso de demanda, algo que a tarifa fixa do táxi não faz.

Já em Nova York, outro estudo publicado no ScienceDirect encontra o padrão oposto: dias chuvosos associados a demanda menor. No Japão, modelos indicam que passageiros tendem a pedir corrida justamente quando não está chovendo [FONTE_A_CONFIRMAR]. Três cidades, três respostas diferentes à mesma pergunta.

A explicação mais honesta não é que uma cidade "reage diferente" da outra. É que "choveu" agrega intensidades, durações e microrregiões com respostas opostas dentro de um único rótulo binário. O resultado de cada estudo depende do que dominou a amostra, não de alguma lei universal do comportamento humano sob chuva.

Os próprios autores do estudo de Chicago reconhecem essa limitação e recomendam que trabalhos futuros tratem a intensidade da chuva com mais granularidade, além de investigar o desvio de oferta entre áreas de renda diferente. Essa recomendação é, na prática, um pedido por resolução mais fina, exatamente o que falta na maioria dos sistemas de despacho hoje.

O mesmo estudo de Chicago mostra heterogeneidade espacial dentro da própria cidade: o Loop e as áreas imediatamente ao norte e ao sul registram de 1,84 a 4,67 corridas adicionais por mil habitantes durante chuva, contra efeito bem menor no restante da cidade. A média da cidade some justamente onde o efeito é mais forte.

Por que resolução fina, e não só mais dados

O problema de medir chuva na mobilidade urbana não é falta de volume de dados, é a escala espacial da própria chuva. Tempestades convectivas, as que mais afetam operação, ocorrem em poucos quilômetros de raio. Uma rede esparsa de sensores tende a perder justamente o núcleo do evento que mais importa.

Um estudo em bacia urbana de 125 km² com 22 pluviômetros mostrou que a correlação entre estações se mantém boa para chuvas de intensidade baixa e intermediária, mas cai significativamente para chuvas fortes, segundo pesquisa publicada na MDPI (2020). O máximo de precipitação por área decai segundo lei de potência entre 1 e 30 km.

Na prática, isso quer dizer que duas estações a poucos quilômetros de distância podem registrar chuvas completamente diferentes durante o mesmo temporal. A estação do aeroporto pode marcar garoa fraca enquanto, oito quarteirões adiante, uma célula convectiva alaga a avenida e paralisa o corredor.

Esse é o argumento final contra a média de cidade: o evento de maior impacto operacional é precisamente o de menor escala espacial. A chuva fraca e homogênea, bem descrita pela média, é justamente a que não quebra a operação. A pancada localizada que a média apaga é a que derruba a oferta.

Resolução grossa, então, não é apenas menos precisa em termos abstratos. Ela erra de forma sistemática exatamente onde mais importa acertar. Já detalhei esse ponto em outro texto sobre a diferença entre previsão do tempo e gestão do risco climático: previsão de cidade informa o clima, não o risco do ativo.

A i4sea trabalha com resolução de 1 a 3 km, contra os cerca de 25 km das previsões públicas tradicionais, cobrindo 18 perigos hidrometeorológicos com mais de 10 anos de reanálise histórica. Essa diferença de escala é o que separa "vai chover em São Paulo" de "vai chover forte nesse corredor, nessa janela".

O limiar do ativo: traduzir clima em minutos de espera

O que falta às plataformas de mobilidade não é previsão do tempo, isso já virou commodity disponível a qualquer app de celular. Falta previsão de impacto: a tradução de "vai chover X mm/h neste corredor" para "a oferta cai Y% e o tempo de espera dobra". O limiar é do ativo, não do clima.

A moeda certa dessa tradução pode nem ser milímetro de chuva. Em Nova York, 1,5 minuto adicional de atraso já prediz queda de 37% na demanda, segundo o mesmo estudo do ScienceDirect (2026) citado acima. O tempo de espera pesa mais na decisão do passageiro do que o preço da corrida.

Isso muda a pergunta que a operação deveria fazer. Em vez de perguntar "quantos milímetros vão cair", a plataforma deveria perguntar "em qual corredor a chuva prevista empurra o tempo de espera para além do ponto em que o passageiro cancela". É um limiar de comportamento, não de meteorologia pura.

O custo de errar essa tradução aparece em números concretos. Uma pesquisa citada pelo Autopapo (2026) mostra que 48,09% dos cancelamentos em apps de transporte acontecem por demora na chegada. Se o tempo de espera é a variável que mais derruba demanda, é essa variável que precisa ser prevista com antecedência, corredor por corredor.

Já escrevi sobre esse tipo de ruptura silenciosa em outro contexto operacional: a parada não programada por chuva extrema tem o mesmo formato em frota de mobilidade urbana e em ativo industrial. A diferença é a escala de tempo: no app, a decisão precisa ser tomada em minutos, não em horas.

Antecipar o evento custa menos do que reagir a ele. Para uma plataforma de mobilidade, isso significa realocar frota antes da chuva atingir o corredor crítico, não ajustar tarifa depois que a fila de espera já se formou. É a diferença entre gerenciar o risco e apenas repassar o custo ao passageiro.

Comida e entregas: o mesmo corredor, o trabalhador mais exposto

O raciocínio não vale só para quem transporta passageiros. Comida e entregas em geral usam exatamente a mesma malha viária, no mesmo horário de pico, com o mesmo tipo de chuva localizada. O que muda é a moeda do prejuízo: em vez do tempo de espera do passageiro, o que quebra é o prazo de entrega e o pedido cancelado.

A lógica de oferta e demanda também se repete, com um detalhe que a agrava. Quando a chuva aperta, mais gente fica em casa e a demanda por entrega sobe. Ao mesmo tempo, parte dos entregadores para por segurança, porque a rua alagada é risco direto para quem está de moto ou de bike. Demanda sobe e oferta cai, o mesmo desequilíbrio que o transporte de passageiros revela na tarifa dinâmica e no cancelamento.

Há uma diferença que o volume de pedidos não mostra. No transporte de passageiros, o ativo é o carro e a frota. Na entrega, o ativo principal é a pessoa. Entregador de bike ou moto trabalha do lado de fora, sem cabine e sem teto, e aparece entre os grupos mais expostos ao calor extremo, segundo levantamento do Nexo com o WRI Brasil. Despachar uma entrega para um trecho alagado deixa de ser só decisão de preço e passa a ser decisão de operação e de segurança do trabalhador.

Por isso a pergunta do operador de entrega é a mesma do operador de frota: em qual corredor, em qual janela, a chuva prevista cruza o limiar que derruba a oferta e estoura o prazo. A escala que responde a essa pergunta é a mesma, e é por corredor, não por cidade. Quando o corredor vira a unidade de decisão, a plataforma de entrega deixa de descobrir o problema pelo pedido que atrasou e passa a agir antes do pico.

Diagnóstico gratuito de risco climático: veja, corredor por corredor, onde a previsão de cidade esconde o risco que a sua operação já sente no tempo de espera e no cancelamento.

 

Perguntas frequentes

Por que a corrida fica tão mais cara quando chove?

Porque a oferta de motoristas cai justamente quando a demanda sobe, e o algoritmo de preço dinâmico reage a esse desequilíbrio. No Brasil, esse mecanismo chegou a elevar corridas em até 56%, com picos de 70% em capitais, segundo a Exame (2026).

Previsão de chuva não basta para evitar o problema?

Não sozinha. Previsão de chuva diz que vai chover na cidade; não diz em qual corredor a oferta vai cair abaixo do ponto crítico. Falta a tradução de milímetros de chuva para minutos de espera, que é o que decide realocação de frota.

O que é risco climático operacional na mobilidade?

É a chance de uma condição climática, como chuva forte em um corredor específico, cruzar o limiar que reduz oferta de motoristas e aumenta tempo de espera o suficiente para disparar preço dinâmico ou cancelamento. Não é o clima em si, é o clima cruzando um limiar de negócio.

Por que a previsão de cidade não resolve o problema do corredor?

Porque tempestades convectivas ocorrem em escalas de poucos quilômetros, e a correlação entre estações de medição cai justamente nas chuvas fortes, segundo estudo publicado na MDPI (2020). A média da cidade apaga exatamente o evento que mais importa para a operação.

Apps de comida e entrega sofrem o mesmo efeito da chuva?

Sim, e a lógica é a mesma. Eles usam a mesma malha viária e enfrentam o mesmo tipo de evento localizado, com a oferta de entregadores caindo enquanto a demanda por entrega sobe. O que muda é a moeda do impacto: prazo estourado e pedido cancelado no lugar do tempo de espera do passageiro, com o entregador como ativo mais exposto (Nexo, 2024; WRI Brasil, 2025).

O que muda quando o corredor vira a unidade de decisão

Enquanto a chuva for tratada como um fato da cidade, a plataforma vai continuar reagindo com tarifa dinâmica depois que o passageiro já desistiu. Quando o corredor vira a unidade de medida, a decisão migra de "quanto cobrar" para "onde realocar frota antes que o limiar seja cruzado". Numa operação de entrega, o mesmo movimento troca a pergunta de "quanto cobrar pela entrega" para "para onde despachar antes do pico".

Se você opera frota, despacho, planejamento de demanda ou uma operação de entregas, convido você a fazer o diagnóstico gratuito de risco climático da i4sea, ponto por ponto, para enxergar onde a previsão de cidade esconde o risco real do seu corredor. Solicite seu diagnóstico aqui.

Referências

Uber Newsroom (2019). Dados de trânsito e chuva em São Paulo. https://www.uber.com/pt-BR/newsroom/uber-compartilha-dados-para-ajudar-pesquisas-sobre-transito-e-em-politicas-de-mobilidade

Exame (2026). Por que corridas por aplicativo ficaram 56% mais caras. https://exame.com/economia/por-que-corridas-por-aplicativo-como-uber-e-99-ficaram-56-mais-caras/

Campo Grande News (2026). Corridas por aplicativo mais que dobram de preço após temporal. https://www.campograndenews.com.br/cidades/capital/corridas-por-aplicativo-mais-que-dobram-de-preco-apos-temporal

ScienceDirect (2025). Case study sobre chuva e demanda de corridas em Chicago. https://www.sciencedirect.com/science/article/pii/S2590198225004919

ScienceDirect (2026). Estudo sobre chuva e demanda de corridas em Nova York. https://www.sciencedirect.com/science/article/abs/pii/S0739885926000351

MDPI (2020). Spatial Rainfall Variability in Urban Environments. https://www.mdpi.com/2073-4441/12/4/1157

Diário Gaúcho/ClicRBS (2026). Chuva triplica preço de corrida em Porto Alegre.

Nexo (2024). Entregadores por aplicativo e exposição ao calor extremo.

WRI Brasil (2025). Exposição climática de entregadores de bike e moto.

Autopapo (2026). Pesquisa sobre cancelamentos em apps de transporte.

Prefeitura de São Paulo. Mapeamento de pontos de alagamento recorrente.

Haddad, E. e Teixeira, E. Agência FAPESP (2013). Custo econômico das enchentes em São Paulo.

CNseg/EY, COP30 (2025). Perdas climáticas no Brasil e cobertura de seguro.

Ecodebate (2026). Impacto do calor na produtividade do trabalho.