1.1 Declaração do problema e relevância

Os acidentes de trânsito representam um dos principais problemas urbanos nas grandes cidades brasileiras. Além de gerar impactos diretos na saúde pública, eles causam prejuízos econômicos, sobrecarga nos serviços de emergência e reduzem a qualidade de vida da população. Na cidade do Recife, em particular, a alta densidade populacional, o aumento do número de veículos e a infraestrutura viária limitada contribuem para um cenário de recorrentes acidentes, muitos deles com vítimas.

O presente estudo busca analisar o comportamento e a evolução dos acidentes de trânsito registrados em Recife ao longo dos últimos anos (2020 a 2024). O objetivo é compreender quando, onde e sob quais condições esses eventos ocorrem com maior frequência, identificando padrões temporais, geográficos e contextuais que possam auxiliar na formulação de políticas públicas de prevenção e melhoria da segurança viária.

Este tema é de grande interesse não apenas para pesquisadores e gestores públicos, mas também para toda a sociedade, uma vez que compreender os fatores associados aos acidentes permite reduzir riscos, salvar vidas e otimizar os investimentos em mobilidade urbana e infraestrutura. Assim, o projeto se propõe a transformar dados abertos em conhecimento útil para apoiar decisões baseadas em evidências.

1.2 Dados utilizados e metodologia empregada

Para abordar o problema proposto, este estudo utiliza conjuntos de dados públicos disponibilizados pela Prefeitura do Recife, referentes aos acidentes de trânsito registrados entre os anos de 2020 e 2024. Cada base contém informações detalhadas sobre data, hora, bairro, tipo de acidente, condições da via, presença de vítimas e características do local. Esses dados foram obtidos em formato CSV e serão combinados em um único conjunto para possibilitar análises temporais e comparativas entre os anos.

A metodologia empregada envolve diversas etapas de tratamento e preparação dos dados, incluindo: - Padronização dos nomes das variáveis e correção de codificação de caracteres; - Conversão de variáveis de data e hora para formatos adequados de análise temporal; - Tratamento de valores ausentes e inconsistências; - Criação de novas variáveis derivadas, como dia da semana, turno do dia e ano do registro; - Junção dos datasets anuais em um único conjunto consolidado.

Após a limpeza e organização dos dados, será conduzida uma análise exploratória com foco em identificar padrões espaciais e temporais dos acidentes, bem como possíveis fatores relacionados à gravidade das ocorrências. Serão utilizados pacotes da linguagem R, principalmente tidyverse, lubridate, ggplot2 e leaflet, para manipulação, visualização e construção de mapas interativos.

Essa abordagem permitirá compreender a distribuição dos acidentes no tempo e no espaço, identificar áreas de maior risco e gerar informações que possam subsidiar ações preventivas e políticas públicas de mobilidade e segurança viária.

1.3 Abordagem proposta e técnicas adotadas

A abordagem proposta neste projeto combina técnicas de análise exploratória de dados com visualização estatística e espacial, buscando identificar padrões que expliquem o comportamento dos acidentes de trânsito em Recife entre 2020 e 2024.

Inicialmente, serão aplicadas técnicas de análise descritiva para sumarizar as informações principais, como número total de acidentes por ano, distribuição por bairros e horários, tipos de ocorrência e gravidade. A partir disso, serão construídos gráficos temporais e comparativos para identificar variações sazonais, horários críticos e tendências de crescimento ou redução ao longo dos anos.

Em seguida, serão utilizadas ferramentas de análise espacial, com o uso de pacotes como leaflet e sf, para gerar mapas de calor e visualizar a concentração geográfica dos acidentes. Essa etapa permitirá identificar bairros ou regiões mais afetadas, auxiliando na interpretação espacial do problema.

Também serão criadas novas variáveis derivadas, como dia da semana, turno do dia e taxa de acidentes com vítimas, de modo a permitir a comparação entre diferentes contextos e tipos de via. Além disso, as condições da pista, a sinalização e o tipo de pavimento serão cruzados com a gravidade das ocorrências, possibilitando observar relações entre infraestrutura e severidade dos acidentes.

Por fim, os resultados serão apresentados por meio de gráficos interativos, tabelas resumidas e mapas temáticos, acompanhados de interpretações claras que relacionem os achados aos desafios de segurança viária da cidade. Essa abordagem exploratória visa transformar os dados em insights úteis para gestores públicos e cidadãos, promovendo uma análise baseada em evidências sobre o trânsito recifense.

1.4 Aplicações e público-alvo da análise

Os resultados obtidos a partir desta análise poderão beneficiar diferentes públicos e instituições envolvidas com mobilidade e segurança viária.

Para os gestores públicos, as informações extraídas podem subsidiar a tomada de decisões baseadas em evidências, como o planejamento de intervenções em cruzamentos perigosos, revisão de limites de velocidade e melhoria da sinalização em áreas críticas. A identificação de padrões temporais e espaciais também pode orientar ações preventivas em períodos e locais de maior risco.

Para os órgãos de trânsito e forças de segurança, a análise possibilita uma compreensão mais clara dos fatores associados aos acidentes com vítimas, contribuindo para campanhas educativas mais direcionadas e estratégias de fiscalização mais eficientes.

Já para os cidadãos e pesquisadores, o estudo oferece uma visão acessível sobre a dinâmica dos acidentes em Recife, estimulando a conscientização sobre comportamentos de risco e promovendo o uso de dados abertos como instrumento de participação social.

Assim, a análise proposta não apenas busca compreender os dados, mas também transformá-los em conhecimento aplicável, capaz de auxiliar na redução de acidentes, preservação de vidas e melhoria da mobilidade urbana.

2.1 Pacotes utilizados

Antes de iniciar a análise, é necessário carregar os pacotes que serão utilizados ao longo do projeto. Estes pacotes fornecem funções para manipulação, visualização e tratamento dos dados, além de ferramentas de formatação para a publicação do relatório.

# Manipulação e limpeza de dados
library(tidyverse)   # Conjunto de pacotes (dplyr, tidyr, readr, ggplot2 etc.)
library(janitor)     # Limpeza de nomes de colunas e inspeção de dados
library(lubridate)   # Manipulação de datas e horários
library(readr)       # Leitura do CSV

# Visualização e gráficos
library(ggplot2)     # Criação de gráficos estatísticos
library(plotly)      # Gráficos interativos
library(leaflet)     # Mapas interativos (visualização espacial)
library(sf)          # Manipulação de dados espaciais (shapefiles e coordenadas)

# Análise descritiva
library(skimr)       # Sumários estatísticos rápidos
library(knitr)       # Formatação de tabelas para o relatório

# Publicação e formatação
library(rmdformats)  # Estilização do markdown

2.2 Finalidade dos pacotes

• tidyverse: Conjunto central de pacotes para ciência de dados no R. Inclui o dplyr (manipulação), tidyr (organização), readr (importação) e ggplot2 (visualização).

• janitor: Facilita a limpeza dos nomes das variáveis e a remoção de dados redundantes.

• lubridate: Simplifica o tratamento e extração de componentes de datas e horários.

• readr: Pacote projetado para ler de forma rápida e flexível dados retangulares como arquivos CSV

• ggplot2: Utilizado para criar gráficos estáticos e visualizações exploratórias.

• plotly: Permite transformar gráficos em versões interativas.

• leaflet: Cria mapas de calor e visualizações geográficas dos acidentes por bairro.

• sf: Manipula dados espaciais (como polígonos de bairros e coordenadas geográficas).

• skimr: Gera estatísticas descritivas resumidas e detalhadas.

• knitr: Gera tabelas organizadas e integradas ao R Markdown.

• rmdformats: Responsável por estilizar o relatório final.

3.1 Fonte original dos dados

Os dados utilizados neste projeto foram obtidos por meio do Portal de Dados Abertos da Prefeitura do Recife, disponível em:
http://dados.recife.pe.gov.br/dataset/acidentes-de-transito-com-e-sem-vitimas/

Especificamente, foi utilizada a base denominada “Acidentes de Trânsito – Recife”, que contém registros oficiais de ocorrências atendidas pelos órgãos municipais de trânsito e segurança pública. Cada registro corresponde a um acidente ocorrido em vias do município e inclui informações sobre data, hora, local (bairro e endereço), tipo de ocorrência, condições da via, sinalização, presença de vítimas, e outros atributos relacionados.

O conjunto de dados é atualizado periodicamente pela Prefeitura e reflete informações coletadas no momento das ocorrências, com o objetivo de monitorar a segurança viária, planejar intervenções urbanas e embasar políticas públicas de mobilidade.

Para este projeto, foram considerados os arquivos correspondentes aos anos de 2020, 2021, 2022, 2023 e 2024, disponibilizados em formato CSV. Cada arquivo foi baixado individualmente e posteriormente consolidado em um único conjunto de dados unificado, totalizando milhares de registros.

Esses dados são públicos, abertos e gratuitos, atendendo às diretrizes da Lei de Acesso à Informação (Lei nº 12.527/2011) e da Política Nacional de Dados Abertos.

3.2 Descrição dos dados originais

Os dados originais são provenientes de arquivos CSV disponibilizados no Portal de Dados Abertos da Prefeitura do Recife, contendo registros detalhados de acidentes de trânsito ocorridos na cidade entre os anos de 2020 e 2024.

Cada arquivo anual possui mais de 5.000 registros e aproximadamente 38 variáveis. As colunas representam informações sobre tempo, localização, natureza da ocorrência, situação do atendimento, condições da via e presença de vítimas.

A seguir estão algumas das principais variáveis do conjunto de dados:

• Os arquivos apresentam variações nos nomes das colunas entre anos e diferenças na formatação dos dados, exigindo padronização prévia.

• Alguns campos contêm valores ausentes (NA) ou inconsistências de preenchimento, especialmente nas variáveis relacionadas à sinalização, condição da via e velocidade máxima. Além disso, há diferenças de codificação de caracteres, o que faz com que alguns acentos e símbolos apareçam incorretos (ex.: “COM VÍTIMA” em vez de “COM VÍTIMA”), tornando necessária a correção de encoding para UTF-8.

O propósito original dos dados é o monitoramento da segurança viária municipal, permitindo que a Prefeitura e órgãos de trânsito acompanhem a frequência, gravidade e distribuição dos acidentes em tempo e espaço. Entretanto, na forma bruta, o dataset não está pronto para análise direta, sendo necessária uma etapa de tratamento e limpeza para padronizar variáveis e eliminar ruídos antes da exploração estatística e visual.

Um exemplo de amostra dos dados originais pode ser visualizado abaixo:

# Importação correta do dataset
library(readr)

dados_2024 <- read_delim(
  "acidentes2024.csv",
  delim = ";",             # delimitador correto
  locale = locale(encoding = "UTF-8"),  # corrige acentuação
  trim_ws = TRUE,           # remove espaços extras,
  show_col_types = FALSE
)

# Visualiza as primeiras linhas
head(dados_2024, 5)

## # A tibble: 5 × 38
##   Protocolo data       hora   natureza   situacao   bairro       endereco numero
##       <dbl> <date>     <time> <chr>      <chr>      <chr>        <chr>    <chr> 
## 1   2929720 2024-01-01 06:05  COM VÍTIMA FINALIZADA VASCO DA GA… AV NORT… <NA>  
## 2   2929730 2024-01-01 09:14  COM VÍTIMA FINALIZADA VASCO DA GA… RUA VAS… 1353  
## 3   2929740 2024-01-01 10:31  COM VÍTIMA FINALIZADA VASCO DA GA… RUA ALT… 290   
## 4   2929800 2024-01-01 04:11  COM VÍTIMA FINALIZADA ARRUDA       AV PROF… <NA>  
## 5   2929850 2024-01-01 06:53  COM VÍTIMA FINALIZADA BOA VIAGEM   AV CONS… 1672  
## # ℹ 30 more variables: detalhe_endereco_acidente <chr>, complemento <chr>,
## #   bairro_cruzamento <chr>, num_semaforo <dbl>, sentido_via <chr>, tipo <chr>,
## #   auto <chr>, moto <chr>, ciclom <chr>, ciclista <chr>, pedestre <chr>,
## #   onibus <chr>, caminhao <chr>, viatura <chr>, outros <chr>, vitimas <chr>,
## #   vitimasfatais <chr>, acidente_verificado <lgl>, tempo_clima <lgl>,
## #   situacao_semaforo <lgl>, sinalizacao <lgl>, condicao_via <lgl>,
## #   conservacao_via <lgl>, ponto_controle <lgl>, situacao_placa <lgl>, …

3.3 Etapas de limpeza e padronização dos dados

A etapa de limpeza é fundamental para garantir que todos os arquivos anuais (2020–2024) estejam no mesmo padrão antes de serem unidos. Durante a inspeção inicial, foi possível observar que alguns anos apresentam:

• diferenças nos nomes das colunas
• diferenças nos tipos das variáveis (por exemplo auto e num_semaforo vêm como número em alguns anos e texto em outros)
• formatações distintas de datas e horários
• arquivos contendo colunas que não existem em outros anos
• números registrados com vírgula no lugar de ponto (ex.: "2,0")

Essas inconsistências impedem a união dos dados com bind_rows() e, portanto, precisam ser padronizadas previamente.

A seguir, apresenta-se o processo completo de preparação desses arquivos.

arquivos <- c(
  "acidentes_2020-novo.csv",
  "acidentes2021.csv",
  "acidentes2022.csv",
  "acidentes2023.csv",
  "acidentes2024.csv"
)

# Colunas que variam entre anos e precisam ser padronizadas como texto
colunas_texto_fixas <- c(
  "num_semaforo",
  "auto", "moto", "ciclom", "ciclista", "pedestre",
  "onibus", "caminhao", "viatura", "outros",
  "vitimas", "vitimasfatais"
)

lista_dados <- lapply(
  arquivos,
  function(arquivo) {

    # Leitura
    df <- read_delim(
      arquivo,
      delim = ";",
      locale = locale(encoding = "UTF-8"),
      trim_ws = TRUE,
      show_col_types = FALSE
    ) |>
      clean_names()

    # Garante colunas fixas
    for (col in colunas_texto_fixas) {
      if (!col %in% names(df)) {
        df[[col]] <- NA_character_
      }
    }

    df |>
      mutate(
        data = ymd(as.character(data)),
        hora = parse_time(
          as.character(hora),
          locale = locale(time_format = "%H:%M:%S")
        ),
        across(all_of(colunas_texto_fixas), as.character),
        across(where(is.character), ~ str_squish(toupper(.x)))
      )
  }
)

dados_brutos <- bind_rows(lista_dados)

# Verificar se existem registros fora do período de interesse (após 31/12/2024)
registros_fora_periodo <- dados_brutos |>
  filter(data > as.Date("2024-12-31"))

n_fora <- nrow(registros_fora_periodo)

# Remover registros com data posterior a 31/12/2024 (dataset de 2024 veio com inconsistência)
dados_brutos <- dados_brutos |>
  filter(data <= as.Date("2024-12-31"))

dados_brutos <- dados_brutos |>
  mutate(
    # Transforma "S/N" em NA antes de converter para evitar o warning
    across(all_of(colunas_texto_fixas), ~ na_if(.x, "S/N")),
    
    # Conversão numérica (agora sem o aviso para "S/N")
    across(
      all_of(colunas_texto_fixas), 
      ~ parse_number(.x, locale = locale(decimal_mark = ","))
    )
  )

dados_brutos <- dados_brutos |>
    mutate(
        ano = year(data),
        mes = month(data, label = TRUE, locale = "pt_BR"),
        dia_semana = wday(data, label = TRUE, locale = "pt_BR"),
        turno = case_when(
            hour(hora) >= 5  & hour(hora) < 12 ~ "MANHÃ",
            hour(hora) >= 12 & hour(hora) < 18 ~ "TARDE",
            hour(hora) >= 18 & hour(hora) < 24 ~ "NOITE",
            TRUE ~ "MADRUGADA"
        )
    )

# Verifica a estrutura dos dados de forma condensada (tipos e primeiras observações)
glimpse(dados_brutos)

## Rows: 18,452
## Columns: 44
## $ data                      <date> 2020-01-01, 2020-01-01, 2020-01-01, 2020-01…
## $ hora                      <time> 00:39:00, 01:04:00, 02:16:00, 02:22:00, 03:…
## $ natureza_acidente         <chr> "SEM VÍTIMA", "SEM VÍTIMA", "SEM VÍTIMA", "S…
## $ situacao                  <chr> "CANCELADA", "FINALIZADA", "FINALIZADA", "FI…
## $ bairro                    <chr> "ÁGUA FRIA", "CORDEIRO", "AREIAS", "BOA VIAG…
## $ endereco                  <chr> "RUA SAO SEBASTIAO", "AV CAXANGA", "AV RECIF…
## $ numero                    <chr> "1687", "1444", NA, NA, NA, NA, NA, NA, "232…
## $ detalhe_endereco_acidente <chr> NA, "AV GENERAL SAN MARTIN", NA, NA, NA, NA,…
## $ complemento               <chr> "EM FRENTE A IGREJA UNIVERSAL", NA, "LADO OP…
## $ bairro_cruzamento         <chr> "ÁGUA FRIA", "CORDEIRO", "AREIAS", "BOA VIAG…
## $ num_semaforo              <dbl> NA, 80, 494, NA, 672, NA, 138, NA, NA, NA, N…
## $ sentido_via               <chr> NA, "SUBURBIO", "SUBURBIO", "CIDADE", "SUBUR…
## $ tipo                      <chr> "COLISÃO", "ABALROAMENTO LONGITUDINAL", "CHO…
## $ descricao                 <chr> "COLISÃO ENTRE DOIS AUTOS S/V", "COLISÃO ENT…
## $ auto                      <dbl> 2, 2, 2, 2, 2, 2, 1, NA, 1, 1, 2, 2, 2, 1, 1…
## $ moto                      <dbl> NA, NA, NA, NA, NA, NA, NA, 1, NA, NA, NA, N…
## $ ciclom                    <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ ciclista                  <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ pedestre                  <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ onibus                    <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ caminhao                  <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, 1, NA, N…
## $ viatura                   <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ outros                    <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ vitimas                   <dbl> 0, 0, 0, 0, 0, 0, 0, 2, 1, 0, 0, 0, 0, 0, 1,…
## $ vitimasfatais             <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ acidente_verificado       <chr> NA, "CRUZAMENTO", "LONGO DA VIA", "LONGO DA …
## $ tempo_clima               <chr> NA, "BOM", "BOM", "BOM", "BOM", "BOM", "BOM"…
## $ situacao_semaforo         <chr> NA, "SEM DEFEITO", "SEM DEFEITO", "SEM DEFEI…
## $ sinalizacao               <chr> NA, "PERFEITO ESTADO", "PERFEITO ESTADO", "P…
## $ condicao_via              <chr> NA, "SECA", "SECA", "SECA", "SECA", "SECA", …
## $ conservacao_via           <chr> NA, "PERFEITO ESTADO", "PERFEITO ESTADO", "P…
## $ ponto_controle            <chr> NA, "FAIXA DE PEDESTRE", "FAIXA DE PEDESTRE"…
## $ situacao_placa            <chr> NA, NA, "NÃO HÁ PLACAS", "R-6A", "NÃO HÁ PLA…
## $ velocidade_max_via        <chr> NA, "60 KM/H", NA, NA, NA, NA, NA, "60 KM/H"…
## $ mao_direcao               <chr> NA, "DUPLA", "DUPLA", "ÚNICA", "ÚNICA", "DUP…
## $ divisao_via1              <chr> NA, "CANTEIRO CENTRAL", "CANTEIRO CENTRAL", …
## $ divisao_via2              <chr> NA, NA, NA, NA, "FAIXA SECCIONADA", NA, NA, …
## $ divisao_via3              <chr> NA, NA, NA, NA, "CANTEIRO CENTRAL", NA, NA, …
## $ protocolo                 <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ natureza                  <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ ano                       <dbl> 2020, 2020, 2020, 2020, 2020, 2020, 2020, 20…
## $ mes                       <ord> Jan, Jan, Jan, Jan, Jan, Jan, Jan, Jan, Jan,…
## $ dia_semana                <ord> Qua, Qua, Qua, Qua, Qua, Qua, Qua, Qua, Qua,…
## $ turno                     <chr> "MADRUGADA", "MADRUGADA", "MADRUGADA", "MADR…

# Exibe as primeiras 10 linhas da tabela para conferência visual
head(dados_brutos, 10)

## # A tibble: 10 × 44
##    data       hora   natureza_acidente situacao   bairro         endereco numero
##    <date>     <time> <chr>             <chr>      <chr>          <chr>    <chr> 
##  1 2020-01-01 00:39  SEM VÍTIMA        CANCELADA  ÁGUA FRIA      RUA SAO… 1687  
##  2 2020-01-01 01:04  SEM VÍTIMA        FINALIZADA CORDEIRO       AV CAXA… 1444  
##  3 2020-01-01 02:16  SEM VÍTIMA        FINALIZADA AREIAS         AV RECI… <NA>  
##  4 2020-01-01 02:22  SEM VÍTIMA        FINALIZADA BOA VIAGEM     AV BOA … <NA>  
##  5 2020-01-01 03:33  SEM VÍTIMA        FINALIZADA PAISSANDU      AV GOVE… <NA>  
##  6 2020-01-01 04:18  SEM VÍTIMA        FINALIZADA BARRO          AV DR J… <NA>  
##  7 2020-01-01 04:47  SEM VÍTIMA        FINALIZADA PINA           AV CONS… <NA>  
##  8 2020-01-01 09:06  COM VÍTIMA        FINALIZADA PINA           AVENIDA… <NA>  
##  9 2020-01-01 10:07  COM VÍTIMA        FINALIZADA MADALENA       EST DOS… 2328  
## 10 2020-01-01 12:09  SEM VÍTIMA        FINALIZADA NOVA DESCOBER… RUA NOV… 1335  
## # ℹ 37 more variables: detalhe_endereco_acidente <chr>, complemento <chr>,
## #   bairro_cruzamento <chr>, num_semaforo <dbl>, sentido_via <chr>, tipo <chr>,
## #   descricao <chr>, auto <dbl>, moto <dbl>, ciclom <dbl>, ciclista <dbl>,
## #   pedestre <dbl>, onibus <dbl>, caminhao <dbl>, viatura <dbl>, outros <dbl>,
## #   vitimas <dbl>, vitimasfatais <dbl>, acidente_verificado <chr>,
## #   tempo_clima <chr>, situacao_semaforo <chr>, sinalizacao <chr>,
## #   condicao_via <chr>, conservacao_via <chr>, ponto_controle <chr>, …

# Gera um sumário detalhado e formatado de todas as variáveis
skim(dados_brutos)

5.1 Retomada do Problema e Metodologia

Este estudo buscou investigar a dinâmica dos acidentes de trânsito na cidade do Recife entre os anos de 2020 e 2024, um problema que impacta diretamente a mobilidade urbana, a saúde pública e a economia local. O objetivo central foi identificar padrões ocultos nos dados que pudessem explicar quando, onde e como esses eventos ocorrem, fornecendo insumos para decisões baseadas em evidências.

Para abordar essa questão, foram utilizados dados abertos governamentais, submetidos a um rigoroso processo de limpeza e padronização (Data Wrangling) utilizando a linguagem R e o ecossistema tidyverse. A metodologia envolveu a unificação de cinco bases anuais distintas, tratamento de inconsistências de formatação e criação de novas variáveis temporais e categóricas, permitindo uma análise exploratória robusta e multidimensional.

5.2 Síntese dos Principais Insights

A análise exploratória revelou padrões que não são evidentes apenas observando os registros brutos:

1. Resiliência e Retomada: A série histórica mostra a queda abrupta de acidentes em 2020 devido à pandemia, seguida por uma recuperação rápida e estabilização em níveis elevados nos anos posteriores. Isso indica que, com a retomada da circulação, os problemas estruturais do trânsito voltaram a aparecer com a mesma intensidade.

2. Horário de Maior Risco: A distribuição horária revela um pico claro de acidentes entre 7h e 10h, período correspondente ao deslocamento para trabalho e estudo. Esse padrão reforça que o risco está associado principalmente ao alto volume de tráfego, e não à madrugada, que, apesar de mais associada à gravidade, concentra muito menos ocorrências.

3. A Vulnerabilidade das Duas Rodas: A taxa média de vítimas por tipo de veículo mostra disparidade clara: motos (1,07) e ciclistas/ciclomotores (1,02) apresentam severidade muito superior a qualquer outro grupo. Já acidentes envolvendo apenas automóveis têm impacto bem menor (0,34). Isso destaca que motociclistas e ciclistas são os usuários mais expostos do sistema viário.

4. Gravidade Aumentada nos Fins de Semana: Embora o maior volume de acidentes ocorra nos dias úteis, a severidade média é mais alta aos sábados e domingos, indicando que, quando ocorrem fins de semana, os acidentes tendem a ser mais graves — possivelmente por maior velocidade, lazer noturno e menor fiscalização.

5. Concentração Espacial: A análise geográfica identificou que os acidentes se concentram em poucos bairros, especialmente Boa Viagem, Imbiribeira e outras regiões com grandes corredores urbanos. Isso mostra que o problema não é distribuído de forma homogênea, e que intervenções localizadas podem gerar redução significativa de ocorrências e vítimas.

5.3 Implicações para Gestores e Cidadãos

Os resultados obtidos oferecem diretrizes práticas para os “clientes” desta análise:

• Para a CTTU e Gestores Públicos: As ações de fiscalização e engenharia de tráfego devem priorizar os 10 bairros identificados, onde o retorno sobre o investimento (em redução de acidentes) seria maior. Além disso, campanhas educativas não devem focar apenas na “Lei Seca” (madrugada), mas também na direção defensiva durante os horários de pico comercial (manhã/tarde).
• Para o SAMU e Saúde Pública: O perfil de alta severidade dos acidentes com motocicletas reforça a necessidade de preparação específica para traumas ortopédicos e neurológicos, além da necessidade de políticas mais rígidas para habilitação e fiscalização de motociclistas.
• Para a Sociedade: O estudo evidencia que o risco está presente no deslocamento rotineiro (ir e vir do trabalho), alertando para a necessidade de atenção constante, não apenas em finais de semana ou feriados.

5.4 Limitações e Trabalhos Futuros

Apesar dos insights gerados, a análise possui limitações inerentes aos dados e ao escopo do projeto:

• Subnotificação: É provável que acidentes leves (sem vítimas) sejam subnotificados, especialmente em horários de menor movimento, o que pode enviesar a análise de volume total.
• Qualidade dos Dados: A presença de campos como “S/N” (Sem Número) em sinalização ou preenchimento inconsistente de causas prováveis limita a capacidade de inferir a culpabilidade ou a infraestrutura específica do local.
• Fatores Externos: Esta análise não cruzou os dados com informações meteorológicas (chuva) ou fluxo de veículos (frota circulante), o que permitiria calcular taxas de risco mais precisas (acidentes por veículo-km).

Como sugestão para trabalhos futuros, recomenda-se a aplicação de modelagem geoespacial para identificar cruzamentos críticos específicos (não apenas bairros) e o uso de técnicas de Machine Learning para tentar prever a gravidade do acidente com base nas características da via e do veículo, permitindo uma alocação mais eficiente de ambulâncias e recursos de resgate.