Introdução

Sobre o probelma

O trânsito urbano é um aspecto crucial da vida cotidiana, influenciando diretamente a segurança e a qualidade de vida dos cidadãos. Em cidades densamente povoadas, como Recife, a dinâmica do tráfego apresenta desafios únicos e complexos. Neste contexto, a análise de dados de acidentes de trânsito emerge como uma ferramenta fundamental para compreender os padrões, as causas e as possíveis soluções para mitigar esses incidentes.

Este estudo propõe uma investigação aprofundada sobre os acidentes de trânsito em Recife, uma das principais metrópoles do Brasil. A cidade enfrenta uma série de questões relacionadas à segurança viária, incluindo congestionamentos, infraestrutura inadequada e comportamentos de risco por parte dos condutores.

Como ponto focal, iremos fazer um comparativo entre os dados pré-pandemia (2019) e pós-pandemia (2022), onde poderemos observar como a pandemia influênciou o comportamento dos motoristas e motoqueiros.

Por meio da análise de dados abrangentes, pretendemos identificar padrões espaciais e temporais de acidentes, destacar áreas de alto risco e examinar os fatores contribuintes, como condições das vias, características dos veículos e comportamentos dos motoristas.

Ao compreender melhor a dinâmica dos acidentes de trânsito em Recife, esperamos fornecer insights valiosos para informar políticas públicas, intervenções urbanas e campanhas de conscientização, visando a promoção de um ambiente viário mais seguro e sustentável para todos os seus habitantes.

Bibliotecas

# Importando bibliotecas necessárias
library(readr)
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
library(ggplot2)

Preparação dos Dados

# Lendo dataset 2019
data2019 <- read.csv("acidentes-2019.csv", 
    sep = ";")

# Removendo colunas desnecessárias
data2019 <- data2019[, -c(2,4,7,8,9,10,11,12,14,15,16,17,29,35,36,39,40,41)]

# Lendo dataset 2022
data2022 <- read.csv("acidentes2022.csv", sep = ";")

# Removendo colunas desnecessárias
data2022 <- data2022[, -c(1,3,5,8,9,10,12,13,14,26,32,33,36,37,38)]

# Renomeando nomes das colunas para ficar igual nos dois datasets
data2019 <- rename(data2019, data = DATA)
data2019 <- rename(data2019, natureza = natureza_acidente)

# Transformando valores NA em 0 para melhor comparação dos dados
data2019$auto[is.na(data2019$auto)] <- 0
data2019$moto[is.na(data2019$moto)] <- 0
data2019$ciclom[is.na(data2019$ciclom)] <- 0
data2019$ciclista[is.na(data2019$ciclista)] <- 0
data2019$pedestre[is.na(data2019$pedestre)] <- 0
data2019$onibus[is.na(data2019$onibus)] <- 0
data2019$caminhao[is.na(data2019$caminhao)] <- 0
data2019$viatura[is.na(data2019$viatura)] <- 0

data2019[is.na(data2019)] <- 0

data2019$sinalizacao[data2019$sinalizacao == 0] <- ""


# Removendo a casa decimal do caractere que estava impossibilitando a transformação em inteiro e transformando valores em inteiro
data2022$auto <- substr(data2022$auto, start = 0, stop = 1)
data2022$auto <- as.integer(data2022$auto)
data2022$moto <- substr(data2022$moto, start = 0, stop = 1)
data2022$moto <- as.integer(data2022$moto)
data2022$ciclom <- substr(data2022$ciclom, start = 0, stop = 1)
data2022$ciclom <- as.integer(data2022$ciclom)
data2022$ciclista <- substr(data2022$ciclista, start = 0, stop = 1)
data2022$ciclista <- as.integer(data2022$ciclista)
data2022$pedestre <- substr(data2022$pedestre, start = 0, stop = 1)
data2022$pedestre <- as.integer(data2022$pedestre)
data2022$onibus <- substr(data2022$onibus, start = 0, stop = 1)
data2022$onibus <- as.integer(data2022$onibus)
data2022$caminhao <- substr(data2022$caminhao, start = 0, stop = 1)
data2022$caminhao <- as.integer(data2022$caminhao)
data2022$viatura <- substr(data2022$viatura, start = 0, stop = 1)
data2022$viatura <- as.integer(data2022$viatura)
data2022$outros <- substr(data2022$outros, start = 0, stop = 1)
data2022$outros <- as.integer(data2022$outros)
data2022$vitimas <- substr(data2022$vitimas, start = 0, stop = 1)
data2022$vitimas <- as.integer(data2022$vitimas)
data2022$vitimasfatais <- substr(data2022$vitimasfatais, start = 0, stop = 1)
data2022$vitimasfatais <- as.integer(data2022$vitimasfatais)

# Juntar os dois datasets
allData <- rbind(data2019, data2022)

Analisando os dados

Dados gerais

Automóvel mais envolvido em acidentes

Começando com uma análise de grande importância, que é observar qual tipo de automóvel está mais envolvido em acidentes em cada ano.

auto <- sum(allData$auto)
moto <- sum(allData$moto)
ciclom <- sum(allData$ciclom)
ciclista <- sum(allData$ciclista)
pedestre <- sum(allData$pedestre)
onibus <- sum(allData$onibus)
caminhao <- sum(allData$caminhao)
viatura <- sum(allData$viatura)
outros <- sum(allData$outros)

tipo_automovel = data.frame(x <- c(auto, moto, ciclom, ciclista, pedestre, onibus, caminhao, viatura, outros),
                labels <- c('carro', 'moto', 'ciclomotor', 'ciclista', 'pedestre', 'onibus', 'caminhao', 'viatura', 'outros'))
  
ggplot(tipo_automovel, aes(x="", y=x, fill=labels)) +geom_bar(width = 1, stat = "identity") +
  coord_polar("y", start=0) +theme_void()

Com essa informação, conseguimos observar que, em dados gerais, o automóvel que mais está envolvidos em acidentes é o carro, sendo acompanhado logo em seguida pela moto.

Bairro com mais acidentes

contagem <- table(allData$bairro)

# Ordenar os resultados em ordem decrescente
contagem_ordenada <- sort(contagem, decreasing = TRUE)

# Exibir os 5 valores que mais se repetem
mais_repetidos <- head(contagem_ordenada, 20)

bairros <- as.data.frame(mais_repetidos)
bairros <- rename(bairros, Bairros = Var1 )

ggplot(bairros, aes(x = Freq, y = Bairros, fill = Freq)) +
  geom_bar(stat = "identity") +
  labs(x = "Bairros", y = "Frequência", title = "Bairros com mais acidentes")

Com esse gráfico é possível observar que a zona sul do Recife, mais especificamente Boa Viagem é o lugar com maioria dos acidentes.

Comparativo 2019 x 2022

Acidentes totais por ano

Iniciaremos com uma análise mais geral, observando em qual ano houve mais acidentes.

years <- substr(allData$data, 1,4)
allData <- cbind(allData, years)

allData %>%
  group_by(years) %>%
  summarise(
    contagem= n()
  ) %>%
  ggplot(aes(x = years, y= contagem, fill = years)) +
  geom_bar(stat = "identity") +
  labs(x = "Ano", y = "Quantidade de acidentes", title = "Quantidade de acidentes por ano", colors(distinct = TRUE))

Observando o gráfico é possível notar que houve uma diminuição considerável de acidentes pré pandemia e pós pandemia.

Acidentes com vítimas por ano

Outra análise que podemos fazer é em relação a quantidade de acidentes com e sem vítima pré e pós pandemia.

contagemVitimas2019 <- as.data.frame(table(allData[allData$years == 2019, "natureza"]))
contagemVitimas2022 <- as.data.frame(table(allData[allData$years == 2022, "natureza"]))

contagemVitimas2019 <- contagemVitimas2019[-c(1,2,4,5), ]
contagemVitimas2022 <- contagemVitimas2022[-c(2), ]

vitimasTotais <- data.frame(x <- c(contagemVitimas2019$Freq[1] + contagemVitimas2019$Freq[2], contagemVitimas2022$Freq[1] + contagemVitimas2022$Freq[2]), labels = c("2019", "2022"))

ggplot(vitimasTotais, aes(x = labels, y= x, fill = labels)) +
  geom_bar(stat = "identity") +
  labs(x = "Ano", y = "Quantidade de vítimas", title = "Quantidade de vítimas por ano", colors(distinct = TRUE))

Com esse gráfico podemos perceber que, apesar da quantidade consideravelmente maior de acidentes no ano de 2019, a quantidade de acidentes com vítimas (fatais e não fatais) foram muito próximas.