INTRODUÇÃO

A análise de ocorrências de acidentes de trânsito em áreas urbanas é fundamental para compreender as dinâmicas que influenciam a segurança viária e, consequentemente, para desenvolver estratégias eficazes que visem à redução de tais eventos. Neste contexto, o estudo das ocorrências de acidentes de trânsito na cidade do Recife, durante o período de 2020 a 2022, revela-se particularmente relevante. Esses anos, marcados pela implementação de medidas restritivas em função da pandemia de COVID-19, incluindo períodos de lockdown, oferecem uma oportunidade única para investigar como essas intervenções afetaram o comportamento do trânsito e a incidência de acidentes. Este estudo visa não apenas entender as variações nas ocorrências e tipificações dos acidentes durante e após o lockdown, mas também explorar possíveis correlações entre horários, dias da semana e localizações específicas que apresentam maior propensão ao risco de acidentes.

Para abordar essa declaração de problema, utilizaremos dados disponibilizados no site de dados abertos da Prefeitura do Recife. A metodologia empregada baseia-se na seleção criteriosa de dados relevantes, na exclusão de entradas não pertinentes e na geração de novas colunas de dados que possam oferecer insights adicionais sobre a dinâmica dos acidentes de trânsito na cidade. Além disso, um esforço considerável será dedicado à formatação desses dados para garantir a compatibilidade entre os registros dos diferentes anos analisados, dadas as variações na apresentação desses dados ao longo do tempo. Essa abordagem metodológica permitirá uma análise robusta e detalhada, capaz de identificar padrões e tendências significativas nos dados de acidentes de trânsito.

A técnica adotada neste estudo para analisar os dados de acidentes de trânsito no Recife promete revelar informações valiosas sobre as circunstâncias que circundam esses eventos. Ao compreender melhor quando e onde os acidentes são mais propensos a ocorrer, bem como como suas características mudaram em resposta às políticas de lockdown, poderemos identificar pontos críticos de intervenção. Essa análise não só esclarecerá a relação entre a pandemia e a segurança viária, mas também fornecerá uma base para a avaliação de medidas preventivas e de mitigação que poderiam ser aplicadas para melhorar a segurança nas ruas da cidade.

Por fim, a importância deste trabalho transcende o âmbito acadêmico, oferecendo implicações práticas significativas para os gestores públicos, planejadores urbanos e a sociedade em geral. Ao elucidar a dinâmica dos acidentes de trânsito na cidade do Recife e identificar fatores de risco específicos, este estudo poderá fundamentar o desenvolvimento de políticas públicas, iniciativas de educação para o trânsito e melhorias na infraestrutura viária. Assim, contribuirá para a criação de um ambiente urbano mais seguro, reduzindo a incidência de acidentes e seus impactos negativos sobre a saúde pública, a mobilidade e a qualidade de vida da população recifense.

PACOTES REQUERIDOS

library(ggplot2): Criação declarativa de gráficos.
library(ggrepel): Evita sobreposição de textos.
library(dplyr): Manipulação e análise de dados.
library(forcats): Gerenciamento de fatores categóricos.
library(DT): Tabelas interativas HTML.

PREPARAÇÃO DOS DADOS

#carregando os daods da Prefeitura do Recife

AcidentesTransRec2020<- read.csv("~/Desktop/Fabio/UFRPE/2023PrimeiroSemestre/ComputacaoParaAnaliseDados/fc1c8460-0406-4fff-b51a-e79205d1f1ab (1).csv", header=T)
AcidentesTransRec2021<-read.csv("~/Desktop/Fabio/UFRPE/2023PrimeiroSemestre/ComputacaoParaAnaliseDados/2caa8f41-ccd9-4ea5-906d-f66017d6e107 (1).csv", header=T)
AcidentesTransRec2022<- read.csv("~/Desktop/Fabio/UFRPE/2023PrimeiroSemestre/ComputacaoParaAnaliseDados/971e0228-fa9c-4a42-b360-c842b29d2f56 (1).csv", header=T)

#instalando o pacote dplyr

install.packages("dplyr", repos = "https://cloud.r-project.org/")
## 
## The downloaded binary packages are in
##  /var/folders/yl/1qtsn2n530q1vxf053vhb4200000gn/T//RtmpQT9hoW/downloaded_packages
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
#Ajustando as colunas das datas nas 3 tabelas para o tipo Date e para o formato aaaa-mm-dd. 

AcidentesTransRec2020$data <- as.Date(AcidentesTransRec2020$data, format = "%Y-%m-%dT%H:%M:%S")
AcidentesTransRec2021$data <- as.Date(AcidentesTransRec2021$data, format = "%Y-%m-%dT%H:%M:%S")
AcidentesTransRec2022$data <- as.Date(AcidentesTransRec2022$data, format = "%Y-%m-%dT%H:%M:%S")

#Ajustado a coluna das horas para ficar apenas com a hora, retirando os minitos e segundos. E transformando-as em factor.
#Não existe a informação da hora na coleta de dados de 2022, logo esse ano não será considerado. 
AcidentesTransRec2020$hora <- substr(AcidentesTransRec2020$hora,1,2)
AcidentesTransRec2020$hora <- as.factor(AcidentesTransRec2020$hora)
AcidentesTransRec2021$hora <- substr(AcidentesTransRec2021$hora,1,2)
AcidentesTransRec2021$hora <- as.factor(AcidentesTransRec2021$hora)

#trasformando a natureza_acidente em factor e no caso de 2020 assumnindo que os espaços vazios são sem vítima. 

AcidentesTransRec2020$natureza_acidente <- as.factor(AcidentesTransRec2020$natureza_acidente)
levels(AcidentesTransRec2020$natureza_acidente)[levels(AcidentesTransRec2020$natureza_acidente)==""]<-"SEM VÍTIMA"

#trasformando a natureza_acidente em factor e no caso de 2021 assumnindo que a indicação OUTROS são sem vítima.

AcidentesTransRec2021$natureza_acidente <- as.factor(AcidentesTransRec2021$natureza_acidente)
levels(AcidentesTransRec2021$natureza_acidente)[levels(AcidentesTransRec2021$natureza_acidente)=="OUTROS"]<-"SEM VÍTIMA"

#Primeiro trocando o nome da coluna de natureza para natureza_acidente para que fique igual aos demais anos, depois transformando os dados em factor. 

AcidentesTransRec2022 <- AcidentesTransRec2022 %>% rename(natureza_acidente = natureza)
AcidentesTransRec2022$natureza_acidente <- as.factor(AcidentesTransRec2022$natureza_acidente)

#Retirando alguma colunas desnecessárias, elas serão retiradama maioria das vezes a medida que aparecem planilha de dados. 

AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-Protocolo)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-situacao)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-situacao)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-situacao)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-situacao_semaforo)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-situacao_semaforo)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-situacao_semaforo)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-situacao_placa)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-situacao_placa)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-situacao_placa)

#Criando uma coluna que mostre o dia da semana de cada acidente baseado na data. 

AcidentesTransRec2020$dia_da_semana <- weekdays(AcidentesTransRec2020$data)
AcidentesTransRec2021$data<-as.Date(AcidentesTransRec2021$data)
AcidentesTransRec2021$dia_da_semana <- weekdays(AcidentesTransRec2021$data)
AcidentesTransRec2022$data<-as.Date(AcidentesTransRec2022$data)
AcidentesTransRec2022$dia_da_semana <- weekdays(AcidentesTransRec2022$data)

#Transformando os bairros dos acidentes em factor.

AcidentesTransRec2020$bairro<- as.factor(AcidentesTransRec2020$bairro)
AcidentesTransRec2021$bairro<- as.factor(AcidentesTransRec2021$bairro)
AcidentesTransRec2022$bairro<- as.factor(AcidentesTransRec2022$bairro)

#No ano de 2020 as colunas das quantidades de veiculos envolvidos nos acidentes estavam sem informação (NA) ao invés de zero. Vamos altera-los abaixo, colonado o 0.

AcidentesTransRec2020$auto[is.na(AcidentesTransRec2020$auto)]=0
AcidentesTransRec2020$moto[is.na(AcidentesTransRec2020$moto)]=0
AcidentesTransRec2020$ciclom[is.na(AcidentesTransRec2020$ciclom)]=0
AcidentesTransRec2020$ciclista[is.na(AcidentesTransRec2020$ciclista)]=0
AcidentesTransRec2020$pedestre[is.na(AcidentesTransRec2020$pedestre)]=0
AcidentesTransRec2020$onibus[is.na(AcidentesTransRec2020$onibus)]=0
AcidentesTransRec2020$caminhao[is.na(AcidentesTransRec2020$caminhao)]=0
AcidentesTransRec2020$viatura[is.na(AcidentesTransRec2020$viatura)]=0
AcidentesTransRec2020$outros[is.na(AcidentesTransRec2020$outros)]=0

#Mais uma vez reomvendo colunas. 

AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-descricao)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-numero)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-numero)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-numero)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-detalhe_endereco_acidente)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-detalhe_endereco_acidente)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-detalhe_endereco_acidente)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-complemento)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-complemento)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-complemento)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-bairro_cruzamento)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-bairro_cruzamento)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-bairro_cruzamento)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-num_semaforo)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-num_semaforo)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-num_semaforo)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-sentido_via)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-sentido_via)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-sentido_via)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-tipo)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-tipo)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-tipo)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-acidente_verificado)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-acidente_verificado)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-acidente_verificado)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-tempo_clima)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-tempo_clima)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-tempo_clima)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-sinalizacao)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-sinalizacao)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-sinalizacao)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-ponto_controle)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-ponto_controle)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-ponto_controle)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-velocidade_max_via)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-velocidade_max_via)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-velocidade_max_via)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-divisao_via1)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-divisao_via1)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-divisao_via1)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-divisao_via2)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-divisao_via2)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-divisao_via2)
AcidentesTransRec2020 <- AcidentesTransRec2020 %>% select(-divisao_via3)
AcidentesTransRec2021 <- AcidentesTransRec2021 %>% select(-divisao_via3)
AcidentesTransRec2022 <- AcidentesTransRec2022 %>% select(-divisao_via3)

#Também no ano de 2020 a coluna de vitimas fatais não continha a informação de 0, novamente assumo que onde estavam os na's é por não ter mitimas fátais e atribuirei o numero 0. 

AcidentesTransRec2020$vitimasfatais[is.na(AcidentesTransRec2020$vitimasfatais)]=0

#Transformando a coluna condicao_via em factor. 

AcidentesTransRec2020$condicao_via<-as.factor(AcidentesTransRec2020$condicao_via)
AcidentesTransRec2021$condicao_via<-as.factor(AcidentesTransRec2021$condicao_via)
AcidentesTransRec2022$condicao_via<-as.factor(AcidentesTransRec2022$condicao_via)

#Criando uma nova coluna chamanda de envolvidos para relacionar os veículos e suas quantidades envolvidas em cada acidente. Isso para cada ano de 2020 e 2021. 

AcidentesTransRec2020$envolvidos <- apply(AcidentesTransRec2020[, c("auto", "moto", "ciclom", "ciclista", "pedestre", "onibus", "caminhao", "viatura", "outros")], 1, function(x) {
  paste0(ifelse(x[1] > 0, paste0(x[1], " auto"), ""),
         ifelse(x[2] > 0, paste0(" ", x[2], " moto"), ""),
         ifelse(x[3] > 0, paste0(" ", x[3], " ciclom"), ""),
         ifelse(x[4] > 0, paste0(" ", x[4], " ciclista"), ""),
         ifelse(x[5] > 0, paste0(" ", x[5], " pedestre"), ""),
         ifelse(x[6] > 0, paste0(" ", x[6], " onibus"), ""),
         ifelse(x[7] > 0, paste0(" ", x[7], " caminhao"), ""),
         ifelse(x[8] > 0, paste0(" ", x[8], " viatura"), ""),
         ifelse(x[9] > 0, paste0(" ", x[9], " outros"), ""))
})
AcidentesTransRec2021$envolvidos <- apply(AcidentesTransRec2021[, c("auto", "moto", "ciclom", "ciclista", "pedestre", "onibus", "caminhao", "viatura", "outros")], 1, function(x) {
  paste0(ifelse(x[1] > 0, paste0(x[1], " auto"), ""),
         ifelse(x[2] > 0, paste0(" ", x[2], " moto"), ""),
         ifelse(x[3] > 0, paste0(" ", x[3], " ciclom"), ""),
         ifelse(x[4] > 0, paste0(" ", x[4], " ciclista"), ""),
         ifelse(x[5] > 0, paste0(" ", x[5], " pedestre"), ""),
         ifelse(x[6] > 0, paste0(" ", x[6], " onibus"), ""),
         ifelse(x[7] > 0, paste0(" ", x[7], " caminhao"), ""),
         ifelse(x[8] > 0, paste0(" ", x[8], " viatura"), ""),
         ifelse(x[9] > 0, paste0(" ", x[9], " outros"), ""))
})

#Para o ano de 2022 é preciso antes retirar a virgula e a casa decimal após ela para poder aplicar a função e criar a coluna envolvidos. 

# Lista de colunas que você deseja modificar
colunas_para_modificar <- c("auto", "moto", "ciclom", "ciclista", "pedestre", "onibus", "caminhao", "viatura", "outros")

# Função para remover vírgulas e valores após a vírgula e converter para numérico
limpar_e_converter <- function(coluna) {
  as.numeric(sub(",.*", "", coluna))
}

# Aplicar a função a cada coluna na lista
AcidentesTransRec2022[colunas_para_modificar] <- lapply(AcidentesTransRec2022[colunas_para_modificar], limpar_e_converter)

#Finalmente criar a coluna de envolvidos

AcidentesTransRec2022$envolvidos <- apply(AcidentesTransRec2022[, c("auto", "moto", "ciclom", "ciclista", "pedestre", "onibus", "caminhao", "viatura", "outros")], 1, function(x) {
  paste0(ifelse(x[1] > 0, paste0(x[1], " auto"), ""),
         ifelse(x[2] > 0, paste0(" ", x[2], " moto"), ""),
         ifelse(x[3] > 0, paste0(" ", x[3], " ciclom"), ""),
         ifelse(x[4] > 0, paste0(" ", x[4], " ciclista"), ""),
         ifelse(x[5] > 0, paste0(" ", x[5], " pedestre"), ""),
         ifelse(x[6] > 0, paste0(" ", x[6], " onibus"), ""),
         ifelse(x[7] > 0, paste0(" ", x[7], " caminhao"), ""),
         ifelse(x[8] > 0, paste0(" ", x[8], " viatura"), ""),
         ifelse(x[9] > 0, paste0(" ", x[9], " outros"), ""))
})

#Retirando agora a virgula e o que estiver a direira dela das colunas com as quantidades de vitimas e vitimas fatais

AcidentesTransRec2022$vitimas <- as.numeric(sub(",.*", "", AcidentesTransRec2022$vitimas))
AcidentesTransRec2022$vitimasfatais <- as.numeric(sub(",.*", "", AcidentesTransRec2022$vitimasfatais))

#convertendo as informações das colunas em factor

AcidentesTransRec2020$endereco<-as.factor(AcidentesTransRec2020$endereco)
AcidentesTransRec2021$endereco<-as.factor(AcidentesTransRec2021$endereco)
AcidentesTransRec2022$endereco<-as.factor(AcidentesTransRec2022$endereco)
AcidentesTransRec2020$conservacao_via<- as.factor(AcidentesTransRec2020$conservacao_via)
AcidentesTransRec2020$mao_direcao<- as.factor(AcidentesTransRec2020$mao_direcao)
AcidentesTransRec2020$dia_da_semana<- as.factor(AcidentesTransRec2020$dia_da_semana)
AcidentesTransRec2020$envolvidos<- as.factor(AcidentesTransRec2020$envolvidos)
AcidentesTransRec2021$conservacao_via<- as.factor(AcidentesTransRec2021$conservacao_via)
AcidentesTransRec2021$mao_direcao<- as.factor(AcidentesTransRec2021$mao_direcao)
AcidentesTransRec2021$dia_da_semana<- as.factor(AcidentesTransRec2021$dia_da_semana)
AcidentesTransRec2021$envolvidos<- as.factor(AcidentesTransRec2021$envolvidos)
AcidentesTransRec2022$conservacao_via<- as.factor(AcidentesTransRec2022$conservacao_via)
AcidentesTransRec2022$mao_direcao<- as.factor(AcidentesTransRec2022$mao_direcao)
AcidentesTransRec2022$dia_da_semana<- as.factor(AcidentesTransRec2022$dia_da_semana)
AcidentesTransRec2022$envolvidos<- as.factor(AcidentesTransRec2022$envolvidos)

#Finalmente juntaremos as três bases de dados.

AcidentesTransRec<- rbind(AcidentesTransRec2020,AcidentesTransRec2021,AcidentesTransRec2022)

# Criar uma tabela interativa

if (!requireNamespace("DT", quietly = TRUE)) {
  install.packages("DT", repos = "https://cloud.r-project.org/")
}
library(DT)



datatable(AcidentesTransRec, 
          options = list(pageLength = 10, autoWidth = TRUE),
          filter = 'top')
## Warning in instance$preRenderHook(instance): It seems your data is too big for
## client-side DataTables. You may consider server-side processing:
## https://rstudio.github.io/DT/server.html

ANÁLISE EXPLORATÓRIA DOS DADOS

Acidentes hora do dia

#Carreguei com outro nome para evitar a possibilidade de alterar inadvetidamente a minhha base de dados
dadosAcidentes<- AcidentesTransRec

# Instalar forcats se ainda não estiver instalado
if (!requireNamespace("forcats", quietly = TRUE)) {
  install.packages("forcats")
}

# Carregar forcats
library(forcats)

if (!requireNamespace("ggplot2", quietly = TRUE)) {
  install.packages("ggplot2")
}
library(ggplot2)

if (!requireNamespace("gridExtra", quietly = TRUE)) {
  install.packages("gridExtra")
}

library(gridExtra)
## 
## Attaching package: 'gridExtra'
## The following object is masked from 'package:dplyr':
## 
##     combine
# Remover linhas onde a hora ou a natureza do acidente não está informada
dados_filtrados <- dadosAcidentes %>% 
  filter(!is.na(hora) & !is.na(natureza_acidente))

# Reordenar a natureza do acidente para que a ordem das cores no gráfico seja amarela, verde e vermelha
dados_filtrados$natureza_acidente <- fct_relevel(dados_filtrados$natureza_acidente,"VÍTIMA FATAL",  "SEM VÍTIMA","COM VÍTIMA")


# Agrupar por hora e natureza do acidente e contar
acidentes_agrupados <- dados_filtrados %>% 
  group_by(hora, natureza_acidente) %>% 
  summarise(Quantidade = n(), .groups = 'drop')


# Ajustar cores para a natureza do acidente
cores <- c( "COM VÍTIMA" = "yellow","SEM VÍTIMA" = "green", "VÍTIMA FATAL" = "red")

# Criar gráfico
g1 <- ggplot(acidentes_agrupados, aes(x = as.factor(hora), y = Quantidade, fill = natureza_acidente)) +
  geom_bar(stat = "identity", position = "stack") +
  scale_fill_manual(values = cores) +
  theme_minimal() +
  labs(title = "Quantidade de Acidentes por Hora do Dia e Natureza do Acidente em Recife",
       x = "Hora do Dia",
       y = "Quantidade de Acidentes",
       fill = "Natureza do Acidente")

# Calcular porcentagens para o Gráfico de Pizza
acidentes_por_natureza <- acidentes_agrupados %>%
  group_by(natureza_acidente) %>%
  summarise(Total = sum(Quantidade), .groups = 'drop') %>%
  mutate(Porcentagem = (Total / sum(Total)) * 100)


# Gráfico de Pizza
g2 <- ggplot(acidentes_por_natureza, aes(x = "", y = Porcentagem, fill = natureza_acidente)) +
  geom_bar(width = 1, stat = "identity", color = "white") +
  coord_polar(theta = "y") +
  scale_fill_manual(values = cores) +
  labs(title = "Porcentagem da Natureza dos Acidentes em Recife",
       x = NULL,
       y = NULL,
       fill = "Natureza do Acidente") +
  theme_void() +
  geom_text(aes(label = paste(round(Porcentagem, 1), "%")), position = position_stack(vjust = 0.5))

### Passo 3: Exibir os Gráficos Lado a Lado

grid.arrange(g1, g2, ncol = 1)

# Filtrar dados para incluir apenas acidentes com motos e onde a hora está informada
dados_com_motos_e_hora <- dadosAcidentes %>%
  filter(grepl("moto", envolvidos, ignore.case = TRUE) & !is.na(hora) & !is.na(natureza_acidente))

# Agrupar por hora e natureza do acidente e contar, considerando apenas acidentes com motos
acidentes_com_motos_por_hora <- dados_com_motos_e_hora %>% 
  group_by(hora, natureza_acidente) %>% 
  summarise(Quantidade = n(), .groups = 'drop')

# Ajustar cores para a natureza do acidente
cores <- c("VÍTIMA FATAL" = "red", "SEM VÍTIMA" = "green", "COM VÍTIMA" = "yellow")

# Criar gráfico de acidentes por hora do dia para acidentes com motos
g3<- ggplot(acidentes_com_motos_por_hora, aes(x = as.factor(hora), y = Quantidade, fill = natureza_acidente)) +
  geom_bar(stat = "identity", position = "stack") +
  scale_fill_manual(values = cores) +
  theme_minimal() +
  labs(title = "Quantidade de Acidentes por Hora do Dia com Motos em Recife",
       x = "Hora do Dia",
       y = "Quantidade de Acidentes",
       fill = "Natureza do Acidente")

# Calcular o total de acidentes por natureza do acidente para acidentes com motos
acidentes_com_motos_por_natureza <- acidentes_com_motos_por_hora %>%
  group_by(natureza_acidente) %>%
  summarise(Total = sum(Quantidade), .groups = 'drop') %>%
  mutate(Porcentagem = (Total / sum(Total)) * 100)

g4<- ggplot(acidentes_com_motos_por_natureza, aes(x = "", y = Porcentagem, fill = natureza_acidente)) +
  geom_bar(width = 1, stat = "identity", color = "white") +
  coord_polar(theta = "y") + # Transforma o gráfico de barras em gráfico de pizza
  scale_fill_manual(values = cores) +
  labs(title = "Porcentagem da Natureza dos Acidentes com Motos em Recife",
       x = NULL,
       y = NULL,
       fill = "Natureza do Acidente") +
  theme_void() + # Remove elementos desnecessários do gráfico
  geom_text(aes(label = paste(round(Porcentagem, 1), "%")), position = position_stack(vjust = 0.5)) 

grid.arrange(g3, g4, ncol = 1)

# Filtrar dados para incluir apenas acidentes com pedestre e onde a hora está informada
dados_com_pedestres_e_hora <- dadosAcidentes %>%
  filter(grepl("pedestre", envolvidos, ignore.case = TRUE) & !is.na(hora) & !is.na(natureza_acidente))

# Agrupar por hora e natureza do acidente e contar, considerando apenas acidentes com motos
dados_com_pedestres_e_hora <- dados_com_pedestres_e_hora %>% 
  group_by(hora, natureza_acidente) %>% 
  summarise(Quantidade = n(), .groups = 'drop')

# Ajustar cores para a natureza do acidente
cores <- c("VÍTIMA FATAL" = "red", "SEM VÍTIMA" = "green", "COM VÍTIMA" = "yellow")

# Criar gráfico de acidentes por hora do dia para acidentes com motos
g5<- ggplot(dados_com_pedestres_e_hora, aes(x = as.factor(hora), y = Quantidade, fill = natureza_acidente)) +
  geom_bar(stat = "identity", position = "stack") +
  scale_fill_manual(values = cores) +
  theme_minimal() +
  labs(title = "Quantidade de Acidentes por Hora do Dia com Pedestres em Recife",
       x = "Hora do Dia",
       y = "Quantidade de Acidentes",
       fill = "Natureza do Acidente")

# Calcular o total de acidentes por natureza do acidente para acidentes com pedestres

dados_com_pedestres_e_hora <- dados_com_pedestres_e_hora %>%
  group_by(natureza_acidente) %>%
  summarise(Quantidade = sum(Quantidade), .groups = 'drop') %>%
  mutate(Percentual = Quantidade / sum(Quantidade) * 100)

# Definindo as cores conforme especificado
cores <- c("VÍTIMA FATAL" = "red", "SEM VÍTIMA" = "green", "COM VÍTIMA" = "yellow")

# Instalar o pacote ggrepel se não estiver instalado
if(!requireNamespace("ggrepel", quietly = TRUE)) install.packages("ggrepel")
library(ggrepel)

# Criando o gráfico de pizza
g6 <-  ggplot(dados_com_pedestres_e_hora, aes(x = "", y = Quantidade, fill = natureza_acidente)) +
  geom_bar(width = 1, stat = "identity", color = "white") +
  coord_polar("y", start = 0) +
  scale_fill_manual(values = cores) +
  theme_void() +
  labs(title = "Acidentes Envolvendo Pedestres por Natureza do Acidente", fill = "Natureza do Acidente") +
  geom_label_repel(aes(label = paste0(round(Percentual, 1), "%")), position = position_stack(vjust = 0.5))


grid.arrange(g5, g6, ncol = 1)

Acidentes Envolvidos por Natureza do acidente

# Contar o número de acidentes para cada tipo de envolvido, excluindo NA
contagem_envolvidos <- dadosAcidentes %>%
  filter(!is.na(envolvidos)) %>%
  count(envolvidos) %>%
  arrange(desc(n))

# Calcular a porcentagem do total para cada tipo de envolvido
contagem_envolvidos <- contagem_envolvidos %>%
  mutate(percentual = n / sum(n) * 100)

# Limitar a visualização aos 7 principais tipos de envolvidos, se necessário
contagem_envolvidos <- head(contagem_envolvidos, 10)

ggplot(contagem_envolvidos, aes(x = reorder(envolvidos, n), y = n, fill = envolvidos)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = paste(round(percentual, 1), "%")), vjust = -0.5) +
  scale_fill_viridis_d() +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(title = "Quantidade e Porcentagem dos Principais Envolvidos nos Acidentes",
       x = "Tipo de Envolvido",
       y = "Quantidade de Acidentes",
       fill = "Tipo de Envolvido")

# Filtrar por acidentes "COM VÍTIMA" e excluir valores NA em 'envolvidos'
dados_com_vitima <- dadosAcidentes %>%
  filter(natureza_acidente == "COM VÍTIMA" & !is.na(envolvidos))

# Contar o número de acidentes para cada tipo de envolvido e calcular a porcentagem
contagem_envolvidos_com_vitima <- dados_com_vitima %>%
  count(envolvidos) %>%
  mutate(percentual = n / sum(n) * 100) %>%
  arrange(desc(n))

# Selecionar os 7 principais tipos de envolvidos
contagem_envolvidos_com_vitima <- head(contagem_envolvidos_com_vitima, 10)

ggplot(contagem_envolvidos_com_vitima, aes(x = reorder(envolvidos, n), y = n, fill = envolvidos)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = paste(round(percentual, 1), "%")), vjust = -0.5) +
  scale_fill_viridis_d() +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(title = "Quantidade e Porcent. dos Principais Envolvidos nos Acidentes 'COM VÍTIMA'",
       x = "Tipo de Envolvido",
       y = "Quantidade de Acidentes",
       fill = "Tipo de Envolvido")

# Filtrar por acidentes "VÍTIMA FATAL" e excluir valores NA em 'envolvidos'
dados_vitima_fatal <- dadosAcidentes %>%
  filter(natureza_acidente == "VÍTIMA FATAL" & !is.na(envolvidos))

# Contar o número de acidentes para cada tipo de envolvido e calcular a porcentagem
contagem_envolvidos_vitima_fatal <- dados_vitima_fatal %>%
  count(envolvidos) %>%
  mutate(percentual = n / sum(n) * 100) %>%
  arrange(desc(n))

# Selecionar os 7 principais tipos de envolvidos
contagem_envolvidos_vitima_fatal <- head(contagem_envolvidos_vitima_fatal, 10)

ggplot(contagem_envolvidos_vitima_fatal, aes(x = reorder(envolvidos, n), y = n, fill = envolvidos)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = paste(round(percentual, 1), "%")), vjust = -0.5) +
  scale_fill_viridis_d() +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(title = "Quantidade e Porcent. dos Principais Envolvidos nos Acidentes 'VÍTIMA FATAL'",
       x = "Tipo de Envolvido",
       y = "Quantidade de Acidentes",
       fill = "Tipo de Envolvido")

Distribuição dos acidentes no ano

# Usando dplyr para preparar os dados
dadosAcidentes_ano <- dadosAcidentes %>%
  mutate(ano = format(data, "%Y"),
         mes = format(data, "%m"),
         ano_mes = paste(ano, mes, sep = "-")) %>%
  filter(ano %in% c("2020", "2021", "2022")) %>%
  count(ano, mes, name = "quantidade")

# Ajustar o fator de mês para garantir a ordem correta nos gráficos
dadosAcidentes_ano$mes <- factor(dadosAcidentes_ano$mes, levels = sprintf("%02d", 1:12))

# Usando ggplot2 para criar o gráfico
ggplot(dadosAcidentes_ano, aes(x = mes, y = quantidade, fill = ano)) +
  geom_bar(stat = "identity", position = position_dodge()) +
  scale_fill_brewer(palette = "Set1") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(title = "Comparação Mês a Mês dos Acidentes de Trânsito: 2020, 2021 e 2022",
       x = "Mês",
       y = "Quantidade de Acidentes",
       fill = "Ano")

# Mostrar a incidencia mensal por natureza do acidente. 

sem_vitima <- dadosAcidentes %>%
  filter(natureza_acidente == "SEM VÍTIMA") %>%
  mutate(ano = format(data, "%Y"),
         mes = format(data, "%m")) %>%
  count(ano, mes, name = "quantidade")

com_vitima <- dadosAcidentes %>%
  filter(natureza_acidente == "COM VÍTIMA") %>%
  mutate(ano = format(data, "%Y"),
         mes = format(data, "%m")) %>%
  count(ano, mes, name = "quantidade")

vitima_fatal <- dadosAcidentes %>%
  filter(natureza_acidente == "VÍTIMA FATAL") %>%
  mutate(ano = format(data, "%Y"),
         mes = format(data, "%m")) %>%
  count(ano, mes, name = "quantidade")

# Gráfico para acidentes "SEM VÍTIMA"
p1 <- ggplot(sem_vitima, aes(x = mes, y = quantidade, fill = ano)) +
  geom_bar(stat = "identity", position = position_dodge()) +
  scale_fill_brewer(palette = "Set1") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(title = "Acidentes de Trânsito Sem Vítima por Mês: 2020, 2021 e 2022",
       x = "Mês",
       y = "Quantidade de Acidentes",
       fill = "Ano")

# Gráfico para acidentes "COM VÍTIMA"
p2 <- ggplot(com_vitima, aes(x = mes, y = quantidade, fill = ano)) +
  geom_bar(stat = "identity", position = position_dodge()) +
  scale_fill_brewer(palette = "Set1") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(title = "Acidentes de Trânsito Com Vítima por Mês: 2020, 2021 e 2022",
       x = "Mês",
       y = "Quantidade de Acidentes",
       fill = "Ano")

# Gráfico para acidentes "VÍTIMA FATAL"
p3 <- ggplot(vitima_fatal, aes(x = mes, y = quantidade, fill = ano)) +
  geom_bar(stat = "identity", position = position_dodge()) +
  scale_fill_brewer(palette = "Set1") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(title = "Acidentes de Trânsito com Vítima Fatal por Mês: 2020, 2021 e 2022",
       x = "Mês",
       y = "Quantidade de Acidentes",
       fill = "Ano")

print(p1)

print(p2)

print(p3)

Distribuição bairros dia da semana

# Calcular o total de acidentes com vítimas
total_acidentes_com_vitimas <- sum(dadosAcidentes$natureza_acidente == "COM VÍTIMA")

# Encontrar os 10 bairros com maior número de acidentes com vítimas
top_10_bairros <- dadosAcidentes %>%
  filter(natureza_acidente == "COM VÍTIMA") %>%
  count(bairro) %>%
  top_n(10, n) %>%
  ungroup() %>%
  mutate(porcentagem = n / total_acidentes_com_vitimas * 100) %>%
  arrange(desc(n))

# Assegurar que os bairros sejam ordenados corretamente para o gráfico
top_10_bairros$bairro <- factor(top_10_bairros$bairro, levels = top_10_bairros$bairro)

# Criar o gráfico de barras com porcentagens
ggplot(top_10_bairros, aes(x = bairro, y = n, fill = bairro)) +
  geom_bar(stat = "identity") +
  coord_flip() +
  geom_text(aes(label = paste(round(porcentagem, 1), "%", sep = "")), position = position_nudge(x = 0.5), hjust = 0) +
  scale_fill_viridis_d() +  # Removido o argumento `discrete = TRUE`
  theme_minimal() +
  labs(title = "Top 10 Bairros com Maior Número de Acidentes com Vítimas",
       x = "Bairro",
       y = "Número de Acidentes",
       fill = "Bairro") +
  theme(legend.position = "none")

#para os 3 bairros com maior incidencia de acidentes vamos verificar a ocorrencia por dia da semana. 

top_3_bairros <- dadosAcidentes %>%
  filter(natureza_acidente == "COM VÍTIMA") %>%
  count(bairro) %>%
  top_n(3, n) %>%
  pull(bairro)

acidentes_top_3_bairros <- dadosAcidentes %>%
  filter(bairro %in% top_3_bairros & natureza_acidente == "COM VÍTIMA") %>%
  count(bairro, dia_da_semana) %>%
  arrange(bairro, dia_da_semana)

acidentes_top_3_bairros$dia_da_semana <- factor(
  acidentes_top_3_bairros$dia_da_semana,
  levels = c("Sunday", "Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday")
)

ggplot(acidentes_top_3_bairros, aes(x = bairro, y = n, fill = dia_da_semana)) +
  geom_bar(stat = "identity", position = "dodge") +
  scale_fill_brewer(palette = "Pastel1", direction = 1) +
  theme_minimal() +
  labs(title = "Distribuição de Acidentes com Vítimas nos Dias da Semana por Bairro",
       x = "Bairro",
       y = "Número de Acidentes",
       fill = "Dia da Semana") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

CONCLUSÕES

Neste estudo, abordamos o problema complexo e multifacetado dos acidentes de trânsito na cidade do Recife durante um período crítico que abrange os anos de 2020 a 2022. Este intervalo de tempo foi especialmente selecionado para compreender as implicações das medidas restritivas impostas pela pandemia de COVID-19, como os períodos de lockdown, sobre a incidência e as características dos acidentes de trânsito. O foco foi colocado não apenas em identificar mudanças nos padrões de acidentes durante e após tais medidas, mas também em descobrir correlações entre a ocorrência de acidentes e variáveis como horários, dias da semana e localizações específicas dentro da cidade. O objetivo subjacente era entender melhor a dinâmica dos acidentes de trânsito para fundamentar estratégias eficazes de prevenção e mitigação.

Para abordar essa questão complexa, empregamos uma metodologia rigorosa baseada na análise de dados abertos fornecidos pela Prefeitura do Recife. Este conjunto de dados abrangente permitiu uma investigação profunda das ocorrências de acidentes ao longo do tempo especificado. Inicialmente, o processo envolveu a seleção cuidadosa de registros relevantes, a limpeza e a padronização dos dados para superar as discrepâncias nas formas de apresentação ao longo dos anos analisados. Além disso, foram criadas novas colunas de dados para aprimorar nossa compreensão das circunstâncias em torno de cada acidente, incluindo a classificação por natureza do acidente, dia da semana e localização específica. Esta abordagem metodológica não apenas facilitou a identificação de tendências e padrões significativos, mas também permitiu a realização de análises detalhadas sobre como as políticas de lockdown influenciaram a segurança viária na cidade.

A análise dos dados de acidentes de trânsito na cidade do Recife durante o período de 2020 a 2022 revelou insights notáveis, particularmente em relação às mudanças ocorridas após o início do lockdown em 18 de abril de 2020. Antes dessa data, era comum a notificação de um grande número de acidentes sem vítimas, situação que se alterou significativamente com a implementação das medidas restritivas. Surpreendentemente, essa tendência se manteve mesmo após o retorno à normalidade, indicando uma mudança duradoura no padrão de acidentes na cidade. Uma análise detalhada, disponível na seção de análise exploratória do estudo, ilustra essa variação mês a mês, oferecendo uma compreensão clara da evolução dos acidentes. Adicionalmente, descobertas importantes foram identificadas, como o pico de acidentes às 8 da manhã e a predominância de acidentes com vítimas durante os dias úteis, contrariando a noção comum de que tais eventos ocorrem majoritariamente nos finais de semana.

Esses insights representam apenas uma fração das possíveis análises derivadas dos dados disponíveis, sugerindo um vasto campo para estudos adicionais. Desde a engenharia de tráfego até a formulação de políticas educacionais voltadas à prevenção de acidentes, o conjunto de dados oferece uma base rica para a exploração de diversas facetas relacionadas à segurança viária e ao comportamento no trânsito. A profundidade e amplitude dos dados abrem caminho para investigações mais complexas, capazes de fundamentar ações estratégicas e iniciativas educativas com o objetivo de reduzir a incidência de acidentes e promover um ambiente urbano mais seguro para todos.