Análise das Multas e Infrações Ocorridas nas Rodovias Paraibanas em 2023

Author

Hercilio Almeida Barbosa e Sylas Rodrigues Xavier

Published

June 4, 2026

1. Introdução

No contexto contemporâneo, o trânsito seguro e eficiente é uma preocupação fundamental para governos, autoridades de trânsito e sociedade em geral. As rodovias desempenham um papel crucial na conectividade e no transporte de mercadorias e pessoas, tornando essencial a garantia da segurança e cumprimento das leis de trânsito. No estado da Paraíba, como em muitas outras regiões, a fiscalização de infrações e a aplicação de multas são estratégias fundamentais para promover um comportamento seguro nas estradas e reduzir o número de acidentes. Com o advento da tecnologia, cada vez mais dados são registrados e armazenados pelos órgãos responsáveis, fornecendo uma rica fonte de informações para análise e tomada de decisões.

Entre as 12 rodovias federais que cortam a Paraíba, destacam-se a BR-101, que percorre o litoral do estado, a BR-230, conhecida como Transamazônica, que cruza o estado de leste a oeste. A rodovias federais que cortam a Paraiba são as BRs: 101, 104, 110, 116, 230, 361, 405, 408, 412, 426, 427 e 434. É possível ver o mapa das rodovias federais paraibanas por meio da plataforma VGeo do Departamento Nacional de Infraestrutura e Transporte(DNIT).

Neste trabalho, exploramos uma base de dados abrangente sobre multas e infrações cometidas nas rodovias federais paraibanas durante o ano de 2023. Nosso objetivo é realizar uma análise detalhada desses dados, buscando insights que possam contribuir para uma melhor compreensão do panorama das infrações de trânsito no estado.Inicialmente, realizamos uma análise exploratória dos dados, examinando a distribuição das infrações, seus tipos mais comuns e sua distribuição geográfica ao longo das rodovias paraibanas. Em seguida, investigamos padrões sazonais, para ter uma noção do quanto a sazonalidade impacta nas infrações de trânsito. Por fim, consideramos o impacto das infrações, não apenas em termos de segurança viária, mas também em termos econômicos e sociais, destacando a importância de políticas eficazes de fiscalização e educação no trânsito.

2. Base de dados

A base de dados utilizada neste trabalho é disponibilizada mensalmente pela Polícia Rodoviária Federal (PRF) do Brasil, uma instituição responsável pela fiscalização e policiamento das rodovias federais do país. A PRF desempenha um papel fundamental na promoção da segurança viária, prevenção de acidentes e combate à criminalidade nas estradas. Os dados foram obtidos através do portal de dados abertos da PRF, que visa promover a transparência e o acesso à informação pública. O portal oferece uma ampla variedade de conjuntos de dados relacionados às atividades da PRF, incluindo informações sobre acidentes de trânsito, infrações cometidas, fiscalizações realizadas, entre outros.

O conjunto de dados utilizado neste trabalho contém informações detalhadas sobre as infrações de trânsito registradas pela PRF nas rodovias do estado da Paraíba. Entre as informações disponíveis na base de dados estão a data da infração, se o condutor foi abordado por um agente, o sentido do tráfego, a BR da infração e o quilômetro, o município, a descrição do veículo, a descrição abreviada da infração, o enquadramento da infração, o excesso verificado e a quantidade de infrações. Essa riqueza de informações permite uma análise abrangente e detalhada das infrações de trânsito, fornecendo insights valiosos.

3. Carregando bases de dados

#| warning: false
#| message: false
# carregando bases de dados

# dados janeiro 2023
dados_jan2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Jan2023.xlsx")
dados_jan2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_jan2023$`Data da Infração (DD/MM/AAAA)`)

# dados fevereiro 2023
dados_fev2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Fev2023.xlsx")
dados_fev2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_fev2023$`Data da Infração (DD/MM/AAAA)`)

# dados março 2023
dados_mar2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Mar2023.xlsx")
dados_mar2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_mar2023$`Data da Infração (DD/MM/AAAA)`)

# dados abril 2023
dados_abr2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Abr2023.xlsx")
dados_abr2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_abr2023$`Data da Infração (DD/MM/AAAA)`)

# dados maio 2023
dados_Mai2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Mai2023.xlsx")
dados_Mai2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_Mai2023$`Data da Infração (DD/MM/AAAA)`)

# dados junho 2023
dados_Jun2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Jun2023.xlsx")
dados_Jun2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_Jun2023$`Data da Infração (DD/MM/AAAA)`)

# dados julho 2023
dados_Jul2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Jul2023.xlsx")
dados_Jul2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_Jul2023$`Data da Infração (DD/MM/AAAA)`)

# dados agosto de 2023
dados_Ago2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Ago2023.xlsx")
dados_Ago2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_Ago2023$`Data da Infração (DD/MM/AAAA)`)

# dados setembro 2023
dados_Set2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Set2023.xlsx")
dados_Set2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_Set2023$`Data da Infração (DD/MM/AAAA)`)

# dados outubro 2023
dados_Out2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Out2023.xlsx")
dados_Out2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_Out2023$`Data da Infração (DD/MM/AAAA)`)

# dados Novembro 2023
dados_Nov2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Nov2023.xlsx")
dados_Nov2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_Nov2023$`Data da Infração (DD/MM/AAAA)`)

# dados de dezembro 2023
dados_dez2023 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Dez2023.xlsx")
dados_dez2023$`Data da Infração (DD/MM/AAAA)` <- as.Date(dados_dez2023$`Data da Infração (DD/MM/AAAA)`)

# dados de fevereiro 2024
dadosfevereiro2024 <- readxl::read_xlsx("C:/Users/herci/OneDrive/Documentos/Projetos R-Studio/ICDR/Scripts/PRFmultasPB_Fev2024.xlsx")
dadosfevereiro2024$`Data da Infração (DD/MM/AAAA)` <- as.Date(dadosfevereiro2024$`Data da Infração (DD/MM/AAAA)`)


# dados totais 2023

dados2023 <- bind_rows(dados_jan2023, dados_fev2023, dados_mar2023, dados_abr2023, dados_Mai2023, dados_Jun2023, dados_Jul2023, dados_Ago2023, dados_Set2023, dados_Out2023, dados_Nov2023, dados_dez2023)

dados2023 <- dados2023 |> 
  arrange(dados2023$`Data da Infração (DD/MM/AAAA)`)

4. Manipulção e Análise dos Dados

[1] 78856

4.1 Quantidade Mensal de Infrações

# Quantidade total de infrações por mês no ano de 2023

Qtd_mes2023 <- dados2023 |>
  select(
    `Data da Infração (DD/MM/AAAA)`, `Qtd Infrações`
  ) |>
  mutate(
    # Extrair o mês da data da infração
    mes = lubridate::month(`Data da Infração (DD/MM/AAAA)`)
  ) |>
  group_by(
    mes
  ) |>
  summarise(
    `Total de Infrações por Mês` = sum(`Qtd Infrações`)
  )

Qtd_mes2023 <- Qtd_mes2023 |> 
  mutate(
    Porcentagem = Qtd_mes2023$`Total de Infrações por Mês`/Qtd_total2023*100
  )


# Substituir valores numéricos dos meses por nomes dos meses
Qtd_mes2023 <- Qtd_mes2023 |>
  mutate(
    mes = case_when(
      mes == 1 ~ "Janeiro",
      mes == 2 ~ "Fevereiro",
      mes == 3 ~ "Março",
      mes == 4 ~ "Abril",
      mes == 5 ~ "Maio",
      mes == 6 ~ "Junho",
      mes == 7 ~ "Julho",
      mes == 8 ~ "Agosto",
      mes == 9 ~ "Setembro",
      mes == 10 ~ "Outubro",
      mes == 11 ~ "Novembro",
      mes == 12 ~ "Dezembro",
      TRUE ~ "Mês Inválido"
    )
  )

# Calcular porcentagem de multas para cada mês
Qtd_mes2023 <- Qtd_mes2023 |>
  mutate(
    Porcentagem = Qtd_mes2023$`Total de Infrações por Mês`/Qtd_total2023*100
  )


# Renomear a coluna "mes" para "Mês"
Qtd_mes2023 <- Qtd_mes2023 |>
  rename(Mês = mes)





# Criar a tabela com gt
tabela_1 <- Qtd_mes2023 |>
  gt(rowname_col = "mes") |>
  tab_header(
    title = md("**Quantidade Mensal de Multas em 2023 no Estado da Paraíba**"),
  ) |> 
  tab_options(
    heading.background.color = "#424874",
    heading.align = "left",
    table.border.top.color = "black",
    table.border.bottom.color = "black",
    column_labels.border.bottom.color = "black",
    table.font.size = px(25),
  ) |> 
  fmt_number(columns = "Total de Infrações por Mês", decimals = 0) |>
  fmt_number(columns = "Porcentagem", decimals = 2, suffixing = "%") |> 
   opt_table_font(
    font = list(
      google_font(name = "Abel")
    )
  ) |> 
  data_color(
    method = "numeric",
    palette = c("#A0D2DB", "#424874")
    )
tabela_1
Quantidade Mensal de Multas em 2023 no Estado da Paraíba
Mês Total de Infrações por Mês Porcentagem
Janeiro 5,474 6.94
Fevereiro 8,444 10.71
Março 6,781 8.60
Abril 7,591 9.63
Maio 6,937 8.80
Junho 6,930 8.79
Julho 5,357 6.79
Agosto 5,948 7.54
Setembro 4,825 6.12
Outubro 6,103 7.74
Novembro 6,912 8.77
Dezembro 7,554 9.58 
# Converter a variável de mês para um fator com a ordem desejada
Qtd_mes2023$Mês <- factor(Qtd_mes2023$Mês, levels = c("Janeiro", "Fevereiro", "Março", "Abril", "Maio", "Junho", "Julho", "Agosto", "Setembro", "Outubro", "Novembro", "Dezembro"))

# Gráfico de barras horizontais
grafico1 <- ggplot(data = Qtd_mes2023, aes(x = `Total de Infrações por Mês`, y = Mês, fill = Mês)) +
  geom_bar(stat = "identity") +
  labs(title = "Quantidade de Infrações por Mês em 2023",
       x = "Quantidade de Infrações",
       y = "Mês") +
  theme_minimal()
grafico1

A imagens acima apresentam uma tabela e uma gráfico de barras detalhando a quantidade de multas de trânsito aplicadas no estado da Paraíba ao longo de 2023. O número total de infrações por mês varia consideravelmente, com fevereiro, abril e dezembro apresentando os maiores volumes e janeiro, setembro e julho registrando os menores. O mês de fevereiro teve um aumento de 52,86% em relação a janeiro, enquanto julho apresentou uma queda de 22,70% em relação a junho.

4.2 Abordagens e Não Abordagens

# PORCENTAGENS DE ABORDAGENS E NÃO ABORDAGENS

# Renomear os valores da coluna "Indicador de Abordagem" para facilitar a interpretação
dados2023$`Indicador de Abordagem` <- ifelse(dados2023$`Indicador de Abordagem` == "C", "Veículo Abordado", "Veículo Não Abordado")

# Calcular a soma das infrações para cada categoria de abordagem
abordagens <- dados2023 |> 
  select(
    `Indicador de Abordagem`, `Qtd Infrações`
  ) |>
  group_by(
    `Indicador de Abordagem`
    ) |> 
  summarise(Total_Infrações = sum(`Qtd Infrações`))


# Calcular a porcentagem de veículos abordados e não abordados
abordagens_p100 <- abordagens |> 
  mutate(Porcentagem = abordagens$Total_Infrações/Qtd_total2023 * 100)




grafico_pizza1 <- ggplot(abordagens_p100, aes(x = "", y = Porcentagem, fill = `Indicador de Abordagem`)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y", start = 0) +
  labs(title = "Porcentagens de Abordagens e Não Abordagens em 2023",
       fill = "",
       x = NULL,
       y = NULL) +
  scale_fill_manual(values = c("Veículo Abordado" = "#424874", "Veículo Não Abordado" = "#A0D2DB")) +
  theme_void() +
  theme(legend.position = "bottom",
        plot.title = element_text(hjust = 0.5)) +  # Centraliza o título
  geom_text(aes(label = paste(round(Porcentagem), "%")), position = position_stack(vjust = 0.5), size = 4)

grafico_pizza1

A imagem apresenta um gráfico de pizza que ilustra a proporção entre veículos abordados e não abordados em operações de fiscalização de trânsito no ano de 2023. O gráfico revela que 43% dos veículos foram abordados, enquanto 57% não foram. Essa proporção levanta questões sobre a eficácia das abordagens e os motivos pelos quais uma parcela significativa de veículos não passa por vistorias. É importante ressaltar que, mesmo os veículos não abordados em operações de fiscalização presencial, ainda estão sujeitos à fiscalização eletrônica. Câmeras de monitoramento e radares podem detectar e registrar infrações de trânsito, como excesso de velocidade, ultrapassagem em locais proibidos e avanço de sinal vermelho, sem a necessidade de abordagem presencial. A fiscalização eletrônica complementa as ações de fiscalização presencial, contribuindo para a redução de infrações e a promoção da segurança viária. Sua abrangência e capacidade de registrar infrações em tempo real permitem um controle mais eficaz do trânsito, mesmo em locais onde a fiscalização presencial é menos frequente.

4.3 Municípios Com o Maior Número de Infrações

# MUNICÍPIOS COM MAIS INFRAÇÕES

library(gt)

# Agrupando os dados por município e calcular o total de infrações para cada um
multas_municipios <- dados2023 |>
  select(Município, `Qtd Infrações`)  |> 
  group_by(Município) |>
  summarise(Total_Infrações = sum(`Qtd Infrações`))

# Classificar os resultados em ordem decrescente de infrações e selecionar os cinco primeiros municípios
top5_municipios_multas <- multas_municipios |>
  arrange(desc(Total_Infrações)) |>
  slice(1:5)

# Calcular a porcentagem que cada quantidade de infrações representa em relação ao total de infrações
top5_municipios_multas <- top5_municipios_multas |>
  mutate(Porcentagem = Total_Infrações / sum(multas_municipios$Total_Infrações) * 100) |>
  mutate(Porcentagem = sprintf("%.2f%%", Porcentagem))

# Criar a tabela com gt
tabela_top5 <- top5_municipios_multas |>
  gt() |>
  tab_header(
    title = md("**Top 5 Municípios com Maior Número de Infrações em 2023**")
  ) |>
  tab_options(
    heading.background.color = "#424874",
    heading.align = "left",
    table.border.top.color = "black",
    table.border.bottom.color = "black",
    column_labels.border.bottom.color = "black",
    table.font.size = px(25)
  ) |>
  fmt_number(columns = "Total_Infrações", decimals = 0) |>
    fmt_number(columns =  "Porcentagem", decimals = 2, suffixing = "%") |>
  opt_table_font(
    font = list(
      google_font(name = "Abel")
    )
  ) |>
  data_color(
    method = "numeric",
    palette = c("#A0D2DB", "#424874")
  )

tabela_top5
Top 5 Municípios com Maior Número de Infrações em 2023
Município Total_Infrações Porcentagem
CAMPINA GRANDE 13,279 16.84%
JOAO PESSOA 10,273 13.03%
CRUZ DO ESPIRITO SANTO 4,519 5.73%
CAJAZEIRAS 4,234 5.37%
CABEDELO 4,048 5.13%

No estado da Paraíba, algumas cidades se destacam pela frequência de infrações cometidas em suas vias. Entre elas, Campina Grande (PB) lidera o ranking, registrando 13.279 infrações, o que corresponde a 16,84% do total de infrações nas rodovias do estado. A cidade de João Pessoa (PB) segue de perto, com 10.273 infrações, representando 13.03% do total.Outras localidades também apresentam números significativos. Cruz do Espírito Santo (PB) contabiliza 4.519 infrações, correspondendo a 5.73% do total. Cajazeiras (PB) registra 4.234 infrações, o equivalente a 5.37% do total, enquanto Cabedelo (PB) figura com 4.048 infrações, representando 5.13% do total de infrações nas rodovias paraibanas.

4.4 Infrações Mais Frequentes

# INFRAÇÕES QUE MAIS ACONTECERAM 

# Contar a frequência de cada infração
contagem_infracoes <- dados2023 |> 
  count(`Descrição Abreviada Infração`, sort = TRUE)

# Selecionar as cinco infrações mais comuns
top5_infracoes <- contagem_infracoes[1:5, ]


# Calcular a porcentagem que cada quantidade de infrações representa em relação ao total de infrações
top5_infracoes <- top5_infracoes |> 
  mutate(Porcentagem = top5_infracoes$n / Qtd_total2023 * 100)
top5_infracoes$Porcentagem <- sprintf("%.2f", top5_infracoes$Porcentagem)

# Renomear a coluna "mes" para "Mês"
top5_infracoes <- top5_infracoes|>
  rename(Total_Infrações = n)

# Criar a tabela com gt
tabela_top_multas <- top5_infracoes|>
  gt() |>
  tab_header(
    title = md("**Top 5 Infrações Mais Frequentes na Paraíba em 2023**")
  ) |>
  tab_options(
    heading.background.color = "#424874",
    heading.align = "left",
    table.border.top.color = "black",
    table.border.bottom.color = "black",
    column_labels.border.bottom.color = "black",
    table.font.size = px(25)
  ) |>
      fmt_number(columns =  "Porcentagem", decimals = 2, suffixing = "%") |>
  opt_table_font(
    font = list(
      google_font(name = "Abel")
    )
  ) |>
  data_color(
    method = "numeric",
    palette = c("#A0D2DB", "#424874")
  )

tabela_top_multas
Top 5 Infrações Mais Frequentes na Paraíba em 2023
Descrição Abreviada Infração Total_Infrações Porcentagem
Transitar em velocidade superior à máxima permitida em até 20% 14834 18.81
Conduzir o veículo registrado que não esteja devidamente licenciado 5274 6.69
Conduzir o veículo em mau estado de conservação, comprometendo a segurança 3936 4.99
Conduzir o veículo c/ equip do sistema de iluminação e de sinalização alterados 3933 4.99
Dirigir veículo sem possuir CNH/PPD/ACC 3688 4.68

Examinando os dados, identificamos os principais tipos de infrações cometidas nas rodovias paraibanas. O excesso de velocidade lidera o ranking, com 14.834 infrações e 18,81% do total. Dirigir acima do limite de velocidade coloca em risco a segurança de todos no trânsito, sendo crucial respeitar a sinalização e dirigir com atenção. Em segundo lugar, com 5.274 infrações e 6,69%, está a infração por dirigir veículo sem o devido licenciamento. Manter o veículo licenciado em dia é obrigatório por lei e garante a segurança das vias.A terceira infração mais comum é o mau estado de conservação do veículo, com 3.936 infrações e 4,99%. Dirigir um veículo com problemas mecânicos ou de segurança compromete a segurança de todos, reforçando a importância da revisão periódica do veículo. Outra infração relevante é o estado inadequado dos equipamentos de iluminação e sinalização, com 3.933 infrações e 4,99%. Faróis, lanternas e retrovisores em más condições podem comprometer a visibilidade e a comunicação no trânsito, destacando a necessidade de manter os equipamentos do veículo em bom estado. Por fim, dirigir sem CNH é uma infração grave, com 3.688 infrações e 4,68%. Possuir a CNH na categoria adequada garante que o condutor tenha conhecimento e habilidades para dirigir com segurança. Esses dados ressaltam a importância da fiscalização e educação no trânsito para garantir estradas mais seguras e eficientes em toda a Paraíba.

4.5 Análise Sazonal

Para investigar o efeito dos feriados nas infrações de trânsito, partimos da hipótese de que esses períodos estão associados a um aumento na movimentação de veículos nas rodovias federais, o que tende a gerar um incremento no número de infrações observadas. Como tal, destacamos os intervalos temporais correspondentes aos feriados prolongados, aqueles que se unem com o final de semana. Começando pelo Carnaval, passando por sexta-feira santa, Tiradentes, dia do Trabalhador, Corpus Christi, Dia da Independência, Dia das Crianças ou Da Padroeira do Brasil, dia de Finados e finalizando com Natal e Réveillon para uma análise mais detalhada da magnitude desse impacto nas infrações registradas.

# ANÁLISE SAZIONAL
 
dados_feriados2023 <- sum(multas_carnaval2023, multas_paixadecristo, multas_tiradentes2023, multas_trabalhador2023, multas_corpuschrist2023, multas_independencia2023, multas_crianças2023, multas_finados2023, multas_natal, multas_reveillon)

porcentagem_feriados2023 <- round((dados_feriados2023/Qtd_total2023) * 100, 2)

# Criando o dataframe
df_feriados <- data.frame(
  Feriado = c("Carnaval", "Paixão de Cristo", "Tiradentes", 
              "Dia do Trabalhador", "Corpus Christi", 
              "Independência do Brasil", "Dia das Crianças", 
            "Finados", "Natal", "Réveillon", "Total"),
  Total_Infrações = c(multas_carnaval2023, multas_paixadecristo, multas_tiradentes2023, multas_trabalhador2023, multas_corpuschrist2023, multas_independencia2023, multas_crianças2023, multas_finados2023, multas_natal, multas_reveillon, dados_feriados2023)
)


tabela_feriados <- df_feriados|>
  gt() |>
  tab_header(
    title = md("**Participação dos Feriados Nacional na Quantidade de Infrações**")
  ) |>
  tab_options(
    heading.background.color = "#424874",
    heading.align = "left",
    table.border.top.color = "black",
    table.border.bottom.color = "black",
    column_labels.border.bottom.color = "black",
    table.font.size = px(25)
  ) |>
  opt_table_font(
    font = list(
      google_font(name = "Abel")
    )
  ) |>
  data_color(
    method = "numeric",
    palette = c("#A0D2DB", "#424874")
  )

tabela_feriados
Participação dos Feriados Nacional na Quantidade de Infrações
Feriado Total_Infrações
Carnaval 2333
Paixão de Cristo 587
Tiradentes 879
Dia do Trabalhador 695
Corpus Christi 786
Independência do Brasil 593
Dia das Crianças 727
Finados 1349
Natal 1487
Réveillon 968
Total 10404

A tabela acima apresenta as quantiadades de infrações cometidas em diversos feriados nacionais, de acordo com os dados, o Carnaval é o feriado mais popular no Brasil, com um total de 2.333 infrações. É importante ressaltar que a quantidade de infrações registradas não reflete necessariamente a popularidade do feriado em si, mas sim o comportamento dos brasileiros durante o período. No caso do Carnaval, por exemplo, o grande número de infrações pode ser explicado pela natureza festiva da data, que costuma ser marcada por consumo excessivo de bebidas alcoólicas e comportamentos irresponsáveis no trânsito.Por outro lado, feriados como Paixão de Cristo e Tiradentes possuem um caráter mais religioso e cívico, respectivamente, o que pode explicar o menor número de infrações registradas.

5. Conclusão

Diante dos resultados obtidos nesta análise detalhada das infrações de trânsito nas rodovias paraibanas em 2023, torna-se evidente que diversos fatores exercem influência significativa sobre o panorama das infrações ao longo do ano. Os meses com maiores volumes de infrações, como fevereiro, abril e dezembro, sugerem a presença de eventos sazonais, feriados e possíveis campanhas de fiscalização mais intensivas, enquanto janeiro, setembro e julho registram números mais baixos, indicando períodos de menor atividade ou conscientização. Além disso, a proporção entre veículos abordados e não abordados em operações de fiscalização aponta para a possibilidade de adoção de métodos eletrônicos de monitoramento, destacando a necessidade de modernização das práticas de fiscalização. A concentração de infrações em municípios como Campina Grande e João Pessoa destaca a importância de medidas específicas nessas áreas para promover um trânsito mais seguro e consciente. As infrações mais comuns, como excesso de velocidade e condução de veículos em mau estado, apontam para áreas-chave onde a fiscalização e a conscientização devem ser intensificadas. Por fim, a análise sazonal destaca a influência de feriados nacionais, como o Carnaval e o Natal, sobre o número de infrações, ressaltando a importância de estratégias de segurança viária específicas para esses períodos. Em conclusão, a manipulação e análise dos dados relacionados às infrações de trânsito desempenham um papel crucial na compreensão dos padrões de infrações rodoviárias.