1.1 Acidentes de Trânsito em Recife:

Recife, uma das maiores cidades do Nordeste brasileiro, enfrenta desafios significativos em sua mobilidade urbana devido ao rápido crescimento populacional e à expansão contínua da frota de veículos. Ao longo dos últimos 20 anos, a cidade passou por uma urbanização acelerada, aumentando a pressão sobre sua infraestrutura viária e destacando a necessidade de políticas públicas eficazes para melhorar a segurança no trânsito.

Entre 2015 e 2024, Recife experimentou mudanças demográficas e urbanas substanciais. Em 2015, a cidade tinha aproximadamente 1,6 milhão de habitantes e uma frota de veículos motorizados superior a 750 mil. Em 2024, a população cresceu para mais de 1,7 milhão, e a frota de veículos alcançou 900 mil, refletindo um aumento na motorização individual. Essas mudanças tiveram um impacto direto na dinâmica do trânsito.

A análise comparativa dos acidentes de trânsito entre 2015 e 2024 é crucial para entender como essas transformações afetaram a segurança viária. Recife implementou novas infraestruturas cicloviárias e aumentou o uso de transporte coletivo, além de intensificar políticas de segurança, como a fiscalização eletrônica. No entanto, o crescimento da frota de motocicletas, frequentemente associado a acidentes graves, também representa um desafio. Este estudo visa analisar os acidentes de trânsito na cidade, explorando a evolução da letalidade, a gravidade dos acidentes e a dinâmica dos veículos envolvidos.

1.2 Abordagem e metodologia:

Para abordar a declaração dos acidentes de trânsito de Recife, foram utilizados conjuntos de dados sobre acidentes de trânsito de 2015 e 2024. A metodologia inclui a manipulação e análise dos dados com as bibliotecas dplyr e ggplot2 do R. A análise busca identificar padrões significativos, como os bairros mais afetados e os tipos de veículos mais frequentemente envolvidos em acidentes. Serão examinadas as variações na letalidade dos acidentes e as tendências temporais, incluindo padrões sazonais e locais, além de flutuações ao longo dos anos.

1.3 Discussão da abordagem/técnica:

A abordagem proposta envolve a limpeza e padronização dos dados para garantir a consistência e a precisão da análise. Utilizamos funções de manipulação de dados do dplyr e do janitor para organizar e sumarizar as informações. As visualizações dos dados são criadas com o ggplot2, empregando gráficos de barras e de pizza para destacar as diferenças nos acidentes ao longo dos anos e entre diferentes tipos de veículos e regiões. Essas técnicas ajudam a identificar e compreender as variações na gravidade dos acidentes e as tendências emergentes.

1.4 Benefício da Análise:

Os resultados desta análise fornecerão informações essenciais para órgãos de trânsito e urbanismo. A identificação das áreas mais afetadas e dos padrões de acidentes permitirá que as autoridades desenvolvam e implementem políticas de segurança mais direcionadas e eficazes. Além disso, permite perceber se políticas aplicadas no passado foram eficiêntes. Ainda, as informações obtidas podem ajudar na elaboração de campanhas educativas para aumentar a conscientização e reduzir o número de acidentes e vítimas, promovendo uma mobilidade urbana mais segura e eficiente.

Pacotes Utilizados e Seus Propósito

1. dplyr
   • Propósito: Fornece funções para manipulação e transformação de dados em data frames. No código, é utilizado para operações como renomear colunas (rename), filtrar (filter), e agrupar dados (group_by).
2. janitor
   • Propósito: Facilita a limpeza e organização de dados, especialmente ao lidar com colunas e nomes. Aqui, a função remove_empty() é utilizada para remover colunas que só contêm valores NA.
3. ggplot2
   • Propósito: Oferece uma gramática de gráficos para criar visualizações de dados. É amplamente utilizado para gerar gráficos de barras e pizza, além de gráficos de linhas para a análise dos dados.
4. tidyr
   • Propósito: Auxilia na reorganização dos dados, principalmente na transformação de dados longos e largos. É utilizado aqui para converter dados com pivot_longer() e preparar os dados para visualização.
5. scales
   • Propósito: Fornece funções para ajustar a escala dos eixos e formatar os rótulos nos gráficos. No código, é usado para calcular e formatar percentuais em gráficos de pizza com a função percent().

3.1 Fonte Original dos Dados

Os dados utilizados foram obtidos do portal de dados abertos da Prefeitura do Recife. O link para acessar o dataset original é o (http://dados.recife.pe.gov.br/dataset/acidentes-de-transito-com-e-sem-vitimas)

3.2 Descrição dos Dados Originais

Propósito Original: O propósito dos dados é fornecer informações detalhadas sobre acidentes de trânsito ocorridos em Recife, incluindo informações sobre vítimas e tipos de acidentes. Esses dados são usados para análise de segurança no trânsito, planejamento urbano e medidas preventivas.

Coleta: Os dados foram coletados pela Prefeitura do Recife e estão disponíveis publicamente no portal de dados abertos. A periodicidade da coleta não é especificada no link, mas geralmente esses dados são atualizados com certa regularidade.

Variáveis no Original: O dataset original contém variáveis como: - natureza: Tipo de acidente (por exemplo, se houve vítima fatal ou não).

• tipo: Descrição do tipo de acidente.

• data: Data do acidente.

• hora: Hora do acidente.

• bairro: Bairro onde o acidente ocorreu.

• endereco: Endereço do acidente.

• numero: Número do endereço.

• complemento: Complemento do endereço. auto, moto, ciclom, ciclista, pedestre, onibus, caminhao, viatura, outros: Contagem de cada tipo de envolvido no acidente.

Peculiaridades:

• Valores Ausentes: Na fonte original, valores ausentes podem estar registrados como NA ou como strings vazias (““).

• Inclusão de Dados: Alguns campos podem ter valores não padronizados, como bairros com nomes inconsistentes ou tipos de acidentes com descrições variadas.

3.3 Etapas de Importação e Limpeza de Dados

Importação e Inicialização:

1. Importação dos Dados: Os dados são carregados e combinados para análise. Aqui, duas tabelas são usadas (de 2015 e 2024) e combinadas com base em variáveis comuns.

2. Renomeação de Colunas: As colunas tipo e natureza são renomeadas para manter a consistência nas análises. Essa mudança ajuda a padronizar os nomes das colunas entre diferentes anos dos dados.

#renomeu as colunas tipo e natureza
acidentes <- acidentes2015 %>%
  rename(
    tipo = natureza,
    natureza = tipo,
  )

Limpeza e Transformação:

1. Adição de Ano: Foi adicionada uma coluna Ano para identificar o ano do registro (2015 ou 2024). Essa etapa é crucial para análise comparativa entre anos.

#criou a coluna ano
acidentes$Ano <- 2015
acidentes2024$Ano <- 2024

2. Mesclagem das Tabelas: As tabelas de 2015 e 2024 são mescladas com base em variáveis comuns. Isso permite análises que comparam os dois anos diretamente.

#mesclou as tabelas
tabela_combinada <- merge(acidentes, acidentes2024, by = c("Ano", "natureza", "tipo"
                                                               ,"data", "hora", "situacao", 
                                                               "bairro", "endereco", "numero", 
                                                               "complemento", "auto", "moto",
                                                               "ciclom", "ciclista", "pedestre", 
                                                               "onibus", "caminhao", "viatura", 
                                                               "outros", "vitimas"), all = TRUE)

3. Remoção de Colunas com Apenas NA: Colunas que não contêm dados significativos (ou seja, que têm apenas valores NA) são removidas para simplificar o conjunto de dados.

#remoção das colunas que só tem NAs
tabela_combinada <- tabela_combinada %>% remove_empty("cols")

4. Limpeza de Dados Específicos:

• Tipo de Acidente: Foram feitas substituições e correções nos tipos de acidentes para garantir que eles sejam consistentes e mais representativos.

#limpeza das análises de letalidade e filtragem
letalidade <- tabela_combinada %>% select(Ano, natureza, tipo) %>% na.omit()

#LIMPEZA DA TIPO para o gráfico letaliade
letalidade <- letalidade %>% mutate(tipo = ifelse(tipo == "ATROPELAMENTO DE PESSOA", "ATROPELAMENTO", tipo))
letalidade <- letalidade %>% mutate(tipo = ifelse(tipo == "", NA, tipo))
letalidade <- letalidade %>% mutate(tipo = ifelse(tipo == "MMMMMMMMMMMMNNNNNNNNNNNNNNC", NA, tipo))
letalidade <- letalidade %>% mutate(tipo = ifelse(tipo == "ATROPELAMENTO ANIMAL", "ATROPELAMENTO DE ANIMAL", tipo))

#LIMPEZA DA NATUREZA para o gráfico letaliade
letalidade <- letalidade %>%
  mutate(natureza = str_replace_all(natureza, "[\r\n]+", " "),  # Remove quebras de linha
         natureza = str_trim(natureza),                        # Remove espaços extras ao redor
         natureza = ifelse(natureza == "COM VC TIMA", "COM VITIMA", natureza),
         natureza = ifelse(natureza == "SEM VC TIMA", "SEM VITIMA", natureza),
         natureza = ifelse(natureza == "VC TIMA FATAL", "VITIMA FATAL", natureza))

• Bairros: Nomes de bairros foram padronizados para corrigir erros de digitação e variações nos nomes.

regiao <- regiao %>%
  mutate(bairro = ifelse(bairro == "", NA_character_, bairro)) %>%
  mutate(bairro = ifelse(bairro == "ESTANCIA", "ESTÂNCIA", bairro)) %>%
  mutate(bairro = ifelse(bairro == "AGUA FRIA", "ÁGUA FRIA", bairro)) %>%
  mutate(bairro = ifelse(bairro == "GRACAS", "GRAÇAS", bairro)) %>%
  mutate(bairro = ifelse(bairro == "POCO DA PANELA", "POÇO DA PANELA", bairro)) %>%
  mutate(bairro = ifelse(bairro == "CIDADE UNIVERSITARIA", "CIDADE UNIVERSITÁRIA", bairro)) %>%
  mutate(bairro = ifelse(bairro == "SITIO DOS PINTOS", "SÍTIO DOS PINTOS", bairro)) %>%
  mutate(bairro = ifelse(bairro == "TORREAO", "TORREÃO", bairro)) %>%
  mutate(bairro = ifelse(bairro == "TORROES", "TORRÕES", bairro)) %>%
  mutate(bairro = ifelse(bairro == "CAXANGA", "CAXANGÁ", bairro)) %>%
  mutate(bairro = ifelse(bairro == "SÃO JOSE", "SÃO JOSÉ", bairro)) %>%
  mutate(bairro = ifelse(bairro == "SAO JOSE", "SÃO JOSÉ", bairro)) %>%
  mutate(bairro = ifelse(bairro == "CORREGO DO JENIPAPO", "CÓRREGO DO JENIPAPO", bairro)) %>%
  mutate(bairro = ifelse(bairro == "FUNDAO", "FUNDÃO", bairro)) %>%
  mutate(bairro = ifelse(bairro == "BOA  VIAGEM", "BOA VIAGEM", bairro)) %>%
  mutate(bairro = ifelse(bairro == "JOANA BEZERRA", "ILHA JOANA BEZERRA", bairro)) %>%
  mutate(bairro = ifelse(bairro == "TOTO", "TOTÓ", bairro)) %>%
  mutate(bairro = ifelse(bairro == "TEJIPIO", "TEJIPIÓ", bairro)) %>%
  mutate(bairro = ifelse(bairro == "DOIS IRMAOS", "DOIS IRMÃOS", bairro)) %>%
  mutate(bairro = ifelse(bairro == "MORRO DA CONCEICAO", "MORRO DA CONCEIÇÃO", bairro)) %>%
  mutate(bairro = ifelse(bairro == "SANTO ANTONIO", "SANTO ANTÔNIO", bairro)) %>%
  mutate(bairro = ifelse(bairro == "JARDIM SAO PAULO", "JARDIM SÃO PAULO", bairro)) %>%
  mutate(bairro = ifelse(bairro == "BOMBA DO HEMETERIO", "BOMBA DO HEMETÉRIO", bairro)) %>%
  mutate(bairro = ifelse(bairro == "ALTO JOSE DO PINHO", "ALTO JOSÉ DO PINHO", bairro)) %>%
  mutate(bairro = ifelse(bairro == "JORDAO", "JORDÃO", bairro)) %>%
  mutate(bairro = ifelse(bairro == "ALTO JOSE BONIFACIO", "ALTO JOSÉ BONIFÁCIO", bairro)) %>%
  mutate(bairro = ifelse(bairro == "JIQUIA", "JIQUIÁ", bairro)) %>%
  mutate(bairro = ifelse(bairro == "VARZEA", "VÁRZEA", bairro)) %>%
  mutate(bairro = ifelse(bairro == "BRASILIA TEIMOSA", "BRASÍLIA TEIMOSA", bairro))

5. Filtragem de Dados: Remoção de valores ausentes e inconsistentes para focar apenas em registros válidos.

# Filtrando NAs restantes
regiao_filtrada <- regiao %>%
  select(Ano, bairro) %>%
  na.omit()

3.4 Informações Resumidas Sobre as Variáveis

Variáveis de Interesse:

• Ano: Ano do acidente. Variável categórica com valores 2015 e 2024.

• natureza: Tipo de acidente em relação à gravidade (ex.: VÍTIMA FATAL, COM VÍTIMA). Variável categórica.

• tipo: Descrição do tipo de acidente (ex.: ATROPELAMENTO, COLISÃO LATERAL). Variável categórica.

• bairro: Bairro onde o acidente ocorreu. Variável categórica.

• auto, moto, ciclom, ciclista, pedestre, onibus, caminhao, viatura, outros: Contagem de diferentes tipos de veículos envolvidos no acidente. Variáveis numéricas.

• vitimas: Número de vítimas envolvidas no acidente. Variável numérica.

4.1 Análise de Letalidade:

A Tabela abaixo mostra que,entre 2015 e 2024, observou-se uma redução significativa no número de acidentes de trânsito com vítimas e fatalidades. Em particular, o total de acidentes com vítimas relacionados a colisões aumentou de 1.191 para 1.607, enquanto o número de fatalidades associadas a colisões caiu drasticamente de 14 para apenas 1. Essa diminuição nas fatalidades sugere uma melhoria na segurança viária ao longo do período, apesar do aumento geral no número de acidentes com vítimas. Embora os dados para alguns tipos específicos de acidentes, como colisões laterais e traseiras, não sejam diretamente comparáveis entre os anos, a tendência geral indica uma redução nos acidentes graves e fatais, refletindo possivelmente avanços em medidas de segurança e eficácia das políticas de trânsito.

#Tirar as NAs de letalidade
letalidade_filtrada <- letalidade %>% select(Ano, natureza, tipo) %>% na.omit()

#plotagem de gráficos da letalidade
tabela_letalidade <- table(letalidade_filtrada)

#2024
 letalidade_filtrada %>%
  table() %>%
  as.data.frame() %>%
  filter(Freq > 0, Ano == 2024, natureza %in% c("VÍTIMA FATAL", "COM VÍTIMA"))

##     Ano     natureza                    tipo Freq
## 1  2024   COM VÍTIMA           ATROPELAMENTO   78
## 2  2024 VÍTIMA FATAL           ATROPELAMENTO    1
## 3  2024   COM VÍTIMA ATROPELAMENTO DE ANIMAL    3
## 4  2024   COM VÍTIMA             CAPOTAMENTO    4
## 5  2024   COM VÍTIMA                  CHOQUE   11
## 6  2024 VÍTIMA FATAL                  CHOQUE    2
## 7  2024   COM VÍTIMA                 COLISÃO  693
## 8  2024   COM VÍTIMA    COLISÃO COM CICLISTA   34
## 9  2024   COM VÍTIMA         COLISÃO FRONTAL  116
## 10 2024 VÍTIMA FATAL         COLISÃO FRONTAL    1
## 11 2024   COM VÍTIMA         COLISÃO LATERAL  630
## 12 2024   COM VÍTIMA     COLISÃO TRANSVERSAL   18
## 13 2024   COM VÍTIMA        COLISÃO TRASEIRA  114
## 14 2024   COM VÍTIMA           ENGAVETAMENTO    2
## 15 2024   COM VÍTIMA                   QUEDA   29
## 16 2024   COM VÍTIMA              TOMBAMENTO    2

#2015
 letalidade_filtrada %>%
  table() %>%
  as.data.frame() %>%
  filter(Freq > 0, Ano == 2015, natureza %in% c("VÍTIMA FATAL", "COM VITIMA"))

##    Ano     natureza                 tipo Freq
## 1 2015 VÍTIMA FATAL        ATROPELAMENTO    7
## 2 2015 VÍTIMA FATAL               CHOQUE    3
## 3 2015 VÍTIMA FATAL              COLISÃO   12
## 4 2015 VÍTIMA FATAL COLISÃO COM CICLISTA    2

4.2 Comparação de Acidentes por Bairro

A análise dos acidentes de trânsito em Boa Viagem e outros bairros de Recife entre 2015 e 2024 mostra uma significativa redução nos acidentes, com Boa Viagem, o bairro mais afetado em 2015, reduzindo de mais de 900 para cerca de 200 em 2024. Esta diminuição reflete melhorias na infraestrutura viária e nas políticas de segurança, como novas sinalizações e campanhas de conscientização. Contudo, bairros como São José, que não eram destaque em 2015, surgem como áreas problemáticas em 2024, indicando possíveis mudanças nas dinâmicas de tráfego ou urbanização. A persistência de altos índices em Boa Viagem sugere a necessidade de foco contínuo em soluções específicas para esse bairro, reforçando a importância de monitorar e adaptar estratégias de segurança viária para garantir uma redução sustentável dos acidentes.

As mudanças no perfil de acidentes de trânsito em Recife, como o aumento em bairros como São José e a persistência de altos índices em Boa Viagem, podem ser explicadas por vários fatores. São José tem passado por revitalizações e novas construções que podem ter alterado seu padrão de tráfego, contribuindo para o aumento de acidentes. Por outro lado, Boa Viagem, apesar das reformas, continua enfrentando desafios devido à alta densidade de tráfego e possíveis deficiências nas melhorias implementadas. Além disso, a eficácia das campanhas de conscientização pode variar por bairro, influenciando a redução de acidentes de forma desigual. O crescimento populacional em áreas como São José também pode ter aumentado o número de veículos e, consequentemente, os acidentes. A persistência de altos índices em Boa Viagem sugere a necessidade de estratégias de segurança viária mais adaptadas às características específicas do bairro.

# Filtrar os dados para os anos de 2015 e 2024
dados_filtrados <- regiao_filtrada %>%
  filter(Ano %in% c(2015, 2024))

# Contar o número de acidentes por região e ano
acidentes_por_regiao_ano <- dados_filtrados %>%
  group_by(Ano, bairro) %>%
  summarise(total_acidentes = n()) %>%
  ungroup()

# Selecionar as 10 regiões com mais acidentes para o ano de 2015
top_regioes_2015 <- acidentes_por_regiao_ano %>%
  filter(Ano == 2015) %>%
  arrange(desc(total_acidentes)) %>%
  head(10)

# Selecionar as 10 regiões com mais acidentes para o ano de 2024
top_regioes_2024 <- acidentes_por_regiao_ano %>%
  filter(Ano == 2024) %>%
  arrange(desc(total_acidentes)) %>%
  head(10)

# Gráfico de barras para 2015
ggplot(top_regioes_2015, aes(x = reorder(bairro, -total_acidentes), y = total_acidentes)) +
  geom_bar(stat = "identity", fill = "blue") +
  labs(title = "Regiões com Mais Acidentes em 2015",
       x = "Bairro",
       y = "Número de Acidentes") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Gráfico de barras para 2024
ggplot(top_regioes_2024, aes(x = reorder(bairro, -total_acidentes), y = total_acidentes)) +
  geom_bar(stat = "identity", fill = "red") +
  labs(title = "Regiões com Mais Acidentes em 2024",
       x = "Bairro",
       y = "Número de Acidentes") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

## 4.3 Acidentes Fatais A análise dos acidentes fatais em Recife entre 2015 e 2024 revela mudanças significativas nos bairros mais afetados. Em 2015, bairros como Imbiribeira, Caxangá e Casa Amarela destacaram-se com múltiplos acidentes fatais, enquanto Boa Viagem e Santo Amaro também registraram mortes. No entanto, para 2024, a situação parece ter mudado. Apenas Água Fria, Boa Viagem, Ibura e San Martin apresentam acidentes fatais, com um único incidente registrado em cada um desses bairros. Essa redução notável sugere uma diminuição geral nos acidentes fatais ao longo dos anos. A comparação dos dados também aponta para uma possível reorientação dos focos de problemas, com bairros anteriormente críticos, como Imbiribeira e Caxangá, mostrando uma drástica redução nos acidentes fatais. Esse panorama reforça a importância das intervenções em segurança viária e possíveis ajustes nas estratégias para continuar a melhorar a segurança nas áreas que ainda enfrentam desafios.

# Filtrar os dados para acidentes fatais
acidentes_fatais <- tabela_combinada %>%
  select(Ano, bairro, natureza) %>% na.omit() %>% filter(!is.na(bairro)& bairro != "")

# Contar o número de acidentes fatais por bairro e ano
acidentes_fatais_por_bairro_ano <- acidentes_fatais %>%
  group_by(Ano, bairro) %>%
  summarise(total_acidentes_fatais = sum(natureza == "VÍTIMA FATAL", na.rm = TRUE)) %>%
  ungroup()

# Selecionar os 10 bairros com mais acidentes fatais para o ano de 2015
top_bairros_fatais_2015 <- acidentes_fatais_por_bairro_ano %>%
  filter(Ano == 2015) %>%
  arrange(desc(total_acidentes_fatais)) %>%
  head(10)

# Selecionar os 10 bairros com mais acidentes fatais para o ano de 2024
top_bairros_fatais_2024 <- acidentes_fatais_por_bairro_ano %>%
  filter(Ano == 2024) %>%
  arrange(desc(total_acidentes_fatais)) %>%
  head(10)

# Gráfico de barras para acidentes fatais em 2015
ggplot(top_bairros_fatais_2015, aes(x = reorder(bairro, -total_acidentes_fatais), y = total_acidentes_fatais)) +
  geom_bar(stat = "identity", fill = "darkred") +
  labs(title = "Bairros com Mais Acidentes Fatais em 2015",
       x = "Bairro",
       y = "Número de Acidentes Fatais") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Gráfico de barras para acidentes fatais em 2024
ggplot(top_bairros_fatais_2024, aes(x = reorder(bairro, -total_acidentes_fatais), y = total_acidentes_fatais)) +
  geom_bar(stat = "identity", fill = "darkred") +
  labs(title = "Bairros com Mais Acidentes Fatais em 2024",
       x = "Bairro",
       y = "Número de Acidentes Fatais") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

4.4 Frequência de Acidente por Veículos

Observe no gráfico pizza abaixo a distrivuição de acidentes de trânsito por tipo de veículo. A análise dos dados revela que automóveis e motos são os principais responsáveis por acidentes de trânsito, com as motos apresentando o maior percentual de ocorrências, refletindo sua alta presença e vulnerabilidade nas vias urbanas. Embora os automóveis sejam frequentemente envolvidos devido à sua quantidade, as motos enfrentam riscos elevados devido à densidade e visibilidade limitada.

Os acidentes com ciclomotores e ciclistas são menos frequentes, sugerindo que melhorias na infraestrutura poderiam reduzir esses incidentes. Pedestres também são vulneráveis, indicando a necessidade de medidas de segurança em áreas de travessia e tráfego intenso.

Acidentes envolvendo ônibus e caminhões mostram a necessidade de atenção especial para veículos de grande porte. Viaturas, frequentemente envolvidas em emergências, também contribuem para o total de ocorrências, o que destaca a importância de uma gestão eficaz das situações de emergência.

Por fim, a categoria “outros” mostra que a maioria dos acidentes envolve veículos mais comuns. A análise enfatiza a importância de focar na redução de acidentes com automóveis e motos, além de melhorar a segurança para pedestres, ciclistas e veículos de grande porte.

# ANÁLISE DE VEÍCULOS
# Usar parse_number para converter strings em números, ignorando caracteres inválidos
tabela_combinada <- tabela_combinada %>%
  mutate(across(c(auto, moto, ciclom, ciclista, pedestre, onibus, caminhao, viatura, outros), 
                ~ parse_number(as.character(.))))  # Utilizando parse_number para remover caracteres indesejados

# Verificar se ainda há NAs após a conversão
colunas_na <- sapply(tabela_combinada, function(x) sum(is.na(x)))

# Continuar com a análise, agora que os dados devem estar mais limpos
veiculos <- tabela_combinada %>%
  select(auto, moto, ciclom, ciclista, pedestre, onibus, caminhao, viatura, outros) %>%
  na.omit()

veiculos_somados <- veiculos %>%
  summarise(
    auto = sum(auto, na.rm = TRUE),
    moto = sum(moto, na.rm = TRUE),
    ciclom = sum(ciclom, na.rm = TRUE),
    ciclista = sum(ciclista, na.rm = TRUE),
    pedestre = sum(pedestre, na.rm = TRUE),
    onibus = sum(onibus, na.rm = TRUE),
    caminhao = sum(caminhao, na.rm = TRUE),
    viatura = sum(viatura, na.rm = TRUE),
    outros = sum(outros, na.rm = TRUE)
  ) %>%
  pivot_longer(cols = everything(), names_to = "veiculo", values_to = "ocorrencias")

# QUANTIDADE DE ACIDENTES POR VEÍCULO (GRÁFICO PIZZA) 2015, 2024 E GERAL
veiculos_somados <- veiculos_somados %>%
  mutate(percentual = ocorrencias / sum(ocorrencias),
         rotulo_legenda = paste(veiculo, scales::percent(percentual), sep = ": "))

ggplot(veiculos_somados, aes(x = "", y = ocorrencias, fill = rotulo_legenda)) +
  geom_bar(width = 1, stat = "identity") +
  coord_polar("y", start = 0) +
  theme_void() +
  labs(fill = "Tipo de Veículo", title = "Ocorrências de Acidentes por Tipo de Veículo") +
  scale_fill_brewer(palette = "Set3")

4.5 Carros e Motocicletas ainda são vilões em 2024?

Em 2015, foram registrados 1.896 acidentes envolvendo motocicletas e 10.071 acidentes com carros. Em 2024, os acidentes de motocicletas diminuíram para 1.606, representando uma redução de aproximadamente 15,3%. Por outro lado, os acidentes com carros caíram significativamente para 1.082, o que representa uma diminuição de cerca de 89,3%. Essa redução acentuada nos acidentes de carros é notável e sugere melhorias na segurança viária para esses veículos, enquanto a diminuição mais modesta nos acidentes de motocicletas indica uma necessidade contínua de atenção e melhorias na segurança para motociclistas. Em resumo, tanto motocicletas quanto carros ainda estão envolvidos em acidentes, mas as recentes melhorias indicam progressos significativos na redução de acidentes com carros.

acidentes_moto <- tabela_combinada %>%
  group_by(Ano) %>%
  summarise(total_acidentes_moto = sum(!is.na(moto) & moto > 0))

# Gráfico de barras para acidentes por moto em 2015 e 2024

ggplot(acidentes_moto, aes(x = as.factor(Ano), y = total_acidentes_moto, fill = as.factor(Ano))) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Número de Acidentes por Moto em 2015 e 2024",
       x = "Ano",
       y = "Número de Acidentes") +
  theme_minimal()

# Contar o número de acidentes envolvendo carros por 

acidentes_auto <- tabela_combinada %>%
  group_by(Ano) %>%
  summarise(total_acidentes_auto = sum(!is.na(auto) & auto > 0))

# Gráfico de barras para acidentes por carro em 2015 e 2024

ggplot(acidentes_auto, aes(x = as.factor(Ano), y = total_acidentes_auto, fill = as.factor(Ano))) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Número de Acidentes por Carro em 2015 e 2024",
       x = "Ano",
       y = "Número de Acidentes") +
  theme_minimal()

4.6 Aumento das bicicletas em Recife

Em Recife, a expansão das ciclofaixas e ciclovias tem sido um foco desde 2019, com a Prefeitura iniciando um plano para aumentar a malha cicloviária de cerca de 70 km para mais de 85 km até 2021. A implementação de novas ciclofaixas e a requalificação das existentes foram promovidas, e estudos de 2021 mostram um aumento de 20% no fluxo de ciclistas nessas áreas. A análise dos dados de acidentes entre 2015 e 2024 revela que, em geral, houve uma redução de acidentes em áreas com novas ciclovias, embora o impacto total varie. A Secretaria de Defesa Social de Pernambuco e o Instituto de Pesquisa Econômica Aplicada (IPEA) destacam a importância de campanhas educativas e fiscalização para melhorar a segurança.

#ACIDENTES ENVOLVENDO BICICLETAS
# Dados de exemplo (substitua pelos seus dados reais)
acidentes_bicicleta <- data.frame(
  Ano = c(2015, 2024),
  total_acidentes_bicicleta = c(65, 40)
)

# Criar o gráfico de linha
grafico_bicicleta_linha <- ggplot(acidentes_bicicleta, aes(x = Ano, y = total_acidentes_bicicleta, group = 1)) +
  geom_line(color = "blue", linewidth = 1) +  # Linha azul
  geom_point(color = "red", size = 3) +       # Pontos vermelhos
  labs(title = "Número de Acidentes Envolvendo Bicicletas em 2015 e 2024",
       x = "Ano",
       y = "Número de Acidentes") +
  theme_minimal() +
  scale_x_continuous(breaks = c(2015, 2024)) # Garante que os anos estão marcados

# Exibir o gráfico
print(grafico_bicicleta_linha)

5.1 Declaração do problema

A análise comparativa entre os anos de 2015 e 2024 revelou mudanças significativas nos padrões de acidentes de trânsito em Recife. Houve um aumento no número de acidentes envolvendo motociclistas, especialmente nas áreas periféricas da cidade, o que pode estar relacionado à expansão urbana e ao crescimento da frota de motos. Além disso, as tendências sazonais indicam picos de acidentes em determinados meses, sugerindo que campanhas de conscientização e medidas preventivas específicas podem ser implementadas em períodos de maior risco. A padronização dos dados e a análise detalhada das variáveis permitiram uma visão mais clara das mudanças e desafios futuros para a segurança no trânsito em Recife.

5.2 Insights interessantes

Entre 2015 e 2024, Recife observou uma curiosa transformação no cenário de acidentes de trânsito: Boa Viagem, que liderava os índices de acidentes, viu uma redução significativa, enquanto novos focos de acidentes surgiram em bairros revitalizados como São José, possivelmente devido ao aumento do tráfego. As motocicletas, apesar da queda geral nos acidentes, continuam sendo uma preocupação significativa, indicando a necessidade de mais estratégias de segurança específicas. A expansão das ciclovias não só reduziu os acidentes com ciclistas, mas também parece ter incentivado uma maior adoção da bicicleta, refletindo um impacto positivo na percepção de segurança.

5.3 Implicações

Os resultados indicam que os órgãos públicos devem continuar a implementar e monitorar políticas de segurança viária, focando em bairros específicos e na melhoria contínua da infraestrutura para reduzir ainda mais os acidentes. Campanhas de conscientização direcionadas são necessárias, especialmente para lidar com o aumento de acidentes envolvendo motociclistas e novas áreas problemáticas. A eficácia das ciclovias sugere que investimentos em infraestrutura cicloviária devem prosseguir, alinhando-se às necessidades urbanas emergentes. Além disso, pode ser necessário ajustar as estratégias de fiscalização para concentrar esforços em bairros com altos índices de acidentes e novos focos de problemas. ## 5.4 Limitações e melhorias O estudo revela avanços significativos na segurança viária em Recife entre 2015 e 2024, com uma drástica redução nas fatalidades de acidentes, evidenciando a eficácia das medidas de segurança como fiscalização eletrônica e melhorias na infraestrutura. Apesar disso, o número geral de acidentes com vítimas aumentou e motocicletas ainda representam um risco considerável. A expansão de ciclovias ajudou a reduzir acidentes envolvendo ciclistas, enquanto novas áreas, como São José, surgiram como preocupações emergentes. As implicações para políticas incluem a necessidade de aprimorar a fiscalização, desenvolver campanhas direcionadas e investir na infraestrutura. No entanto, a análise enfrenta limitações, como a qualidade dos dados e a falta de consideração de fatores externos, o que sugere a necessidade de melhorias nas técnicas de análise e coleta de dados para futuras pesquisas.