As políticas públicas não são intrinsecamente positivas ou negativas. As políticas fornecem níveis variados de efeitos em diferentes destinatários. Metodologicamente, a modelagem computacional possibilita a aplicação de uma combinação de múltiplas influências em dados empíricos, permitindo assim uma resposta heterogêneos à política. Usamos um algoritmo de aprendizado de máquina de floresta aleatória para emular um algoritmo baseado em agente modelo (ABM) e avaliar políticas concorrentes em 46 Regiões Metropolitanas (RMs) do Brasil. Ao fazer isso, usamos parâmetros de entrada e indicadores de saída de 11.076 simulações reais execuções e um milhão de execuções emuladas. Como resultado, obtemos o desempenho ótimo (e dentro do ideal) de cada região sobre as políticas. Ótimo é definido como uma combinação de produção e indicadores de desigualdade para o conjunto completo das RMs. Os resultados sugerem que as RMs já possuem estruturas incorporadas que favorecem os resultados ótimos ou ideais, mas também ilustram quais política é mais benéfica para cada lugar. Além de fornecer resultados de políticas específicas das RM, o uso de aprendizado de máquina para simular um ABM reduz a carga computacional, enquanto permitindo uma variação muito maior entre os parâmetros do modelo. A coerência dos resultados dentro o contexto e maior incerteza – vis-à-vis aqueles do ABM original – sugere um adicional teste de robustez do modelo. Ao mesmo tempo, o exercício indica quais parâmetros devem os formuladores de políticas intervêm, a fim de trabalhar em direção a instrumentos precisos de políticas ótimas.