Trabalho_Final

3.1 Área de Estudo

O estudo foi conduzido na BR-101, no trecho entre os quilômetros 319,8 e 322, denominado Avenida do Contorno. Este segmento recebe o fluxo de veículos proveniente das cidades de Niterói, São Gonçalo, Rio de Janeiro e outros municípios da região metropolitana. No período matinal, o fLuxo de veículos se concentra no sentido Rio de Janeiro, enquanto à noite, a maior parte dos usuários se desloca no sentido Niterói/São Gonçalo.

3.2 Descrição da Obra

A obra de ampliação da Avenida do Contorno teve duração de 3 anos, e ocorreu entre os anos de 2013 e 2015. Esta intervenção teve como objetivo o aumento da capacidade viária no trecho, pelo qual trafegavam cerca de 90.000 veículos diariamente em 2013 (GRANDES CONSTRUÇÕES, 2015). Como consequência do elevado volume de tráfego, longas filas de congestionamento se tornaram parte da rotina dos usuários. A inauguração do trecho, compreendido entre os quilômetros 319,8 e 322 ocorreu em 7 de agosto de 2015, ao custo de R$900 milhões.

4.1 Base de Dados

A base de dados adotada neste trabalho é disponibilizada pela Polícia Rodoviária Federal (PRF) por meio de seu site oficial (PRF, 2019). Os dados são referentes aos anos de 2012 a 2018 e se referem a todos os acidentes de trânsito registrados no território nacional durante este período.

Com o objetivo de analisar apenas os acidentes de trânsito ocorridos no trecho em estudo, utilizou-se a função subset para gerar uma base de dados que contempla os acidentes ocorridos entre os quilômetros 319,8 e 322. Ao todo, foram obtidos 1988 registros.

<br

4.1.1 Dicionário de Registros

A seguir são descritas as variáveis que compõem a base de dados:

Figura 1 - Dicionário de variáveis

É importante destacar que, para os acidentes registrados até 2016, não são disponibilizadas as coordeadas geográficas de seus locais de ocorrência. Entretanto, esta informação passou a ser coletada pela PRF a partir de 2017.

Para a realização do presente estudo, foi criada uma variável dummy chamada “Intervenção”. Esta variável permitiu a separação dos acidentes ocorridos antes da intervenção, daqueles ocorridos após a mesma. O critério adotado para a atribuição desta variável aos acidentes é a sua data de ocorrência, de maneira que os acidentes o ocorridos antes de 7 de agosto de 2015 receberam o valor 0, enquanto aos demais, foi atribuído o valor 1.

4.2 Georreferenciamento dos acidentes

Com o objetivo de conhecer o local de ocorrência dos acidentes ocorridos no período até 2016, foi utilizado o software ArcGIS para coletar as cooordenadas geográficas destas ocorrências. Para tanto, utilizou-se o shapefile de rodovias federais desenvolvido pelo DNIT ppara representar o trecho rodoviário em análsie. Na sequência, foram criados pontos distanciados de 100 metros entre sí ao longo do trecho entre os quilômetros 319,8 e 322, conforme ilustrado pela figura 2. Por fim, foram coletadas as coordenadas de cada ponto no sistema de coordenadas SIRGAS 2000, exportadas para uma planilha.

Figura 2 - Localização dos acidentes no ArcGIS

Posteriormente, estas coordenadas foram atribuídas aos acidentes ocorridos até 2016 por meio da função “procv” do Excel.

4.3 Metodo dos Quadrats

Nesta etapa, adota-se o método dos quadrats para verificar a aleatoriedade na distribuiçãoo espacial dos acidentes de trânsito ocorridos no trecho em análise. Para a realização deste procedimento,divide-se a rodovia em uma malha, a partir dos seguintes padrões: 1x3, 1x4 e 1x5. A escolha por estes padrões se dá pelo fato da rodovia ser uma estrutura linear, de maneira que, adoção de um número igual de linhas e colunas levaria a uma análise enviesada, com alguns quadrados ocupados por muitos acidentes, e outros sem a presença de qualquer ocorrência. A figura 3 ilustra esta situação:

Figura 3 - Método dos Quadrats sobre uma malha 3x3 na Avenida do Contorno

<Na sequência, é realizado o teste “quadratcount” por meio da linguagem. Este teste se utiliza da distribuição Qui-Quadrado para determinar se a distribuição de acidentes ao longo da rodovia é aleatória. A hipótese nula deste teste considera que a distribuição dos acidentes ao longo do espaço ocorre de forma aleatória, enquanto a hipótese alternativa considera a mesma distribuição como não aleatória. O nível de significância adotado neste estudo é de 0,05.

4.4 Mapa de densidade de Kernel

Neste estudo, a potencialidade de ocorrência dos acidentes no trecho em estudo é determinada por meio da abordagem estatístico-espacial dos estimadores de kernel. Segundo Camara e Carvalho (2004), é possível realizar o ajuste de uma função bi-dimensional sobre eventos espacialmente distribuídos, dando origem a uma superfície raster com valores proporcionais à intensidade da variável de interesse por unidade de área. Esta função contabiliza todos os pontos situados no interior da área de influência de um local de interesse, ponderando-os com base nas suas distâncias em relação à origem. A figura 4 ilustra o estimador de intensidade de kernel.

Figura 4 - Estimatimador de densidade de kernel

Conforme apresentado pela figura 4, o estimador de intensidade varia em relação à função de interpolação de kernel, representada por k(), e da distância do evento em relação ao local de interesse. Desta maneira, o cálculo do estimador de intensidade de kernel ao longo do espaço é realizado por meio da equação 2, enquanto a equação 3 representa a função de interpolação de kernel:

Por fim, gera-se um mapa de densidade de Kernel, que permite identificar as regiões com maior potencialidade de ocorrência dos acidentes. Para tanto, são testados 3 raios de influência: 200m, 350m e 500m.

4.5 Estimativa de Pessoas Acidentadas por Modelo Binomial Negativo

Nesta etapa, é construído um modelo binomial negativo para estimar o efeito da intervenção com base número de pessoas acidentadas antes e após a obra. O resultado desta etapa é representado por meio do gráfico exp(Número de Pessoas) x Intervenção.

5.1 Método dos Quadrats

Inicialmente, foi realizado o método dos quadrats a fim de verificar a aleatorieadade dos acidentes, ou seu possível agrupamento em uma região específica da rodovia. Este método é aplicado aos acidentes ocorridos antes da intervenção e após a intervenção separadamente, a fim de identificar se a obra teve influência na distribuição espacial de acidentes ao longo da via. Assim, os três padrões de malhas adotados neste estudo (1x3, 1x4 e 1x5) e seus respectivos testes Qui-Quadrado são representados a seguir:

# importar dados
library(readxl)
df_total <- read_excel("C:/Users/rianm/Documents/Rian/Mestrado_UFF/Estatistica/Trabalho_Final/RStudio/br_Bin_Negativa.xlsx")

#Divide os dados em antes e depois da intervencao

antes <- subset(df_total, 
                BR == 101 & 
                UF == "RJ" & 
                km >= 319.8 & km <= 322 &
                Intervencao == 0)

depois <- subset(df_total, 
                BR == 101 & 
                  UF == "RJ" & 
                  km >= 319.8 & km <= 322 &
                  Intervencao == 1)

remove(df_total)

#################################
#       ANTES DA OBRA
#################################

# Método Quadrats (1xn)

library(splancs)

## Loading required package: sp

## 
## Spatial Point Pattern Analysis Code in S-Plus
##  
##  Version 2 - Spatial and Space-Time analysis

library(spatstat)

## Loading required package: spatstat.data

## Loading required package: nlme

## Loading required package: rpart

## 
## spatstat 1.59-0       (nickname: 'J'ai omis les oeufs de caille') 
## For an introduction to spatstat, type 'beginner'

## 
## Note: spatstat version 1.59-0 is out of date by more than 3 months; we recommend upgrading to the latest version.

X <- data.frame(long = antes$longitude_m, 
                lat = antes$latitude_m)
X <- as.ppp(X, c(693790, 694230, 7468560, 7470630))

## Warning: data contain duplicated points

qX <- quadratcount(X, 1, 3)

plot(X, pch="+", main = "1x3")
plot(qX, add=TRUE, col="red", cex=1.5, lty=2)

quadrat.test(qX)

## 
##  Chi-squared test of CSR using quadrat counts
##  Pearson X2 statistic
## 
## data:  
## X2 = 538.44, df = 2, p-value < 2.2e-16
## alternative hypothesis: two.sided
## 
## Quadrats: 1 by 3 grid of tiles

Figura 5 - Padrão 1x3 para os acidentes antes da intervenção

## Warning: data contain duplicated points

## 
##  Chi-squared test of CSR using quadrat counts
##  Pearson X2 statistic
## 
## data:  
## X2 = 1260.5, df = 3, p-value < 2.2e-16
## alternative hypothesis: two.sided
## 
## Quadrats: 1 by 4 grid of tiles

Figura 6 - Padrão 1x4 para os acidentes antes da intervenção

## Warning: data contain duplicated points

## 
##  Chi-squared test of CSR using quadrat counts
##  Pearson X2 statistic
## 
## data:  
## X2 = 1819.7, df = 4, p-value < 2.2e-16
## alternative hypothesis: two.sided
## 
## Quadrats: 1 by 5 grid of tiles

Figura 7 - Padrão 1x5 para os acidentes antes da intervenção

## Warning: data contain duplicated points

## 
##  Chi-squared test of CSR using quadrat counts
##  Pearson X2 statistic
## 
## data:  
## X2 = 31.497, df = 2, p-value = 2.895e-07
## alternative hypothesis: two.sided
## 
## Quadrats: 1 by 3 grid of tiles

Figura 8 - Padrão 1x3 para os acidentes depois da intervenção

## Warning: data contain duplicated points

## 
##  Chi-squared test of CSR using quadrat counts
##  Pearson X2 statistic
## 
## data:  
## X2 = 135.64, df = 3, p-value < 2.2e-16
## alternative hypothesis: two.sided
## 
## Quadrats: 1 by 4 grid of tiles

Figura 9 - Padrão 1x4 para os acidentes depois da intervenção

## Warning: data contain duplicated points

## 
##  Chi-squared test of CSR using quadrat counts
##  Pearson X2 statistic
## 
## data:  
## X2 = 231.66, df = 4, p-value < 2.2e-16
## alternative hypothesis: two.sided
## 
## Quadrats: 1 by 5 grid of tiles

Figura 10 - Padrão 1x5 para os acidentes depois da intervenção

Os testes Qui-quadrado apresentam valores inferiores a 0,05 em todos os casos apresentados anteriormente, indicando assim a possibilidade de rejeição da hipótese nula. Portanto, podemos concluir que a distribuição de acidentes na Avenida do Contorno não se dá de forma aleatória.

Já a análise gráfica aponta para uma tendência de concentração dos acidentes no quadrante sul (o primeiro de baixo para cima). Este quadrante, localizado nas proximidades da rampa de acesso à ponte Rio-Niterói, concentrou a maior parcela dos acidentes em todas as análises apresentadas anteriormente.

5.2 Mapas de densidade de Kernel

Nesta etapa, foram desenvolvidos os três mapas de kernel com raios 200m, 350m e 500m respectivamente. Os mapas obtidos indicam que o raio de 200m não é apropriado para esta análise, pois resulta na formação de diversos picos de densidade, o que dificulta a identificação dos reais pontos críticos observados ao longo da rodovia. Já o raio de 500m ocasiona na suavisação excessiva do estimador de kernel, de modo que aproximadamente toda a extensão da via apresente a mesma densidade. Portanto, conclui-se que o valor mais apropriado para o raio de influência no presente estudo é de 350m. Os mapas de densidade de kernel para os raio de 200m, 350m e 500m são apresentados nas figuras 11, 12, 13, 14, 15 e 16.

library(rgdal)

## rgdal: version: 1.4-4, (SVN revision 833)
##  Geospatial Data Abstraction Library extensions to R successfully loaded
##  Loaded GDAL runtime: GDAL 2.2.3, released 2017/11/20
##  Path to GDAL shared files: C:/Users/rianm/Documents/R/win-library/3.5/rgdal/gdal
##  GDAL binary built with GEOS: TRUE 
##  Loaded PROJ.4 runtime: Rel. 4.9.3, 15 August 2016, [PJ_VERSION: 493]
##  Path to PROJ.4 shared files: C:/Users/rianm/Documents/R/win-library/3.5/rgdal/proj
##  Linking to sp version: 1.3-1

library(leaflet)
library(leaflet.extras)
library(raster)

## 
## Attaching package: 'raster'

## The following objects are masked from 'package:spatstat':
## 
##     area, rotate, shift

## The following object is masked from 'package:nlme':
## 
##     getData

## The following object is masked from 'package:splancs':
## 
##     zoom

library(KernSmooth)

## KernSmooth 2.23 loaded
## Copyright M. P. Wand 1997-2009

# importar
library(readxl)
dados <- read_excel("C:/Users/rianm/Documents/Rian/Mestrado_UFF/Estatistica/Trabalho_Final/RStudio/br_niterói_manilha.xlsx")

antes <- subset(dados, Intervencao == 0)
depois <- subset(dados, Intervencao == 1)


#Ler a malha dos municípios do RJ
RiodeJaneiro = readOGR(dsn="C:/Users/rianm/Documents/Rian/Mestrado_UFF/Estatistica/Trabalho_Final/RStudio/Layers",layer="municipios_RJ",
                       use_iconv = TRUE,
                       encoding = "UTF-8")

## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\rianm\Documents\Rian\Mestrado_UFF\Estatistica\Trabalho_Final\RStudio\Layers", layer: "municipios_RJ"
## with 172 features
## It has 10 fields

SET_DENSITY <- list(
  GRID = c(100, 100),
  THRESHOLD = 1400
)

location <- data.frame(antes[,29:28])

density_loc <- bkde2D(
  x = location,
  #  bandwidth = apply(X = location, MARGIN = 2, FUN = MASS::bandwidth.nrd),
  bandwidth = c(0.0017986, 0.0017986),
  gridsize = SET_DENSITY$GRID
)

# quantile(density_loc$fhat)
density_loc$fhat[density_loc$fhat < SET_DENSITY$THRESHOLD] <- NA


loc_density_raster <- raster(
  list(x = density_loc$x1, 
       y = density_loc$x2, 
       z = density_loc$fhat)
)


color_pal <- colorNumeric(
  palette = "Spectral", domain = raster::values(loc_density_raster), 
  na.color = "transparent"
)

#Agora iremos plotar o mapa final 

mapaGeral = leaflet(RiodeJaneiro,
                    options = leafletOptions(minZoom = 1)) %>% 
  addTiles() %>% 
  setView(lng=-43.1047, lat=-22.8685, zoom = 14) %>% 
  addPolygons(color = "#444444", weight = 1, smoothFactor = 0.5,
              opacity = 1.0, fillOpacity = 0.2,
              fillColor = 'blue',
              highlightOptions = highlightOptions(color = "white", weight = 2,
                                                  bringToFront = FALSE)) %>%
  addCircles(lng = as.numeric(antes$longitude),
             lat =  as.numeric(antes$latitude),
             popup = "Hi, I'm a popup!",
             color = "Red",
             group = "Circulos") %>% 
  addProviderTiles(providers$Esri.WorldImagery,group = "Esri.WorldImagery") %>% 
  addProviderTiles(providers$CartoDB,group = "CartoDB") %>% 
  addRasterImage(x = loc_density_raster, opacity = 0.6, project = FALSE, group = "Densidade") %>%
  addLayersControl(overlayGroups = c("Circulos", "Densidade"),
                   baseGroups = c("Esri.WorldImagery","CartoDB"),
                   options = layersControlOptions(collapsed = FALSE)) %>%
  addLegend(pal = color_pal, values = values(loc_density_raster)) %>% 
  hideGroup("Calor")

mapaGeral

Figura 11 - Mapa de densidade com raio = 200m e antes da intervenção

## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\rianm\Documents\Rian\Mestrado_UFF\Estatistica\Trabalho_Final\RStudio\Layers", layer: "municipios_RJ"
## with 172 features
## It has 10 fields

Figura 12 - Mapa de densidade com raio = 350m e antes da intervenção

## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\rianm\Documents\Rian\Mestrado_UFF\Estatistica\Trabalho_Final\RStudio\Layers", layer: "municipios_RJ"
## with 172 features
## It has 10 fields

Figura 13 - Mapa de densidade com raio = 500m e antes da intervenção

## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\rianm\Documents\Rian\Mestrado_UFF\Estatistica\Trabalho_Final\RStudio\Layers", layer: "municipios_RJ"
## with 172 features
## It has 10 fields

Figura 14 - Mapa de densidade com raio = 200m e depois da intervenção

## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\rianm\Documents\Rian\Mestrado_UFF\Estatistica\Trabalho_Final\RStudio\Layers", layer: "municipios_RJ"
## with 172 features
## It has 10 fields

Figura 15 - Mapa de densidade com raio =350 e depois da intervenção

## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\rianm\Documents\Rian\Mestrado_UFF\Estatistica\Trabalho_Final\RStudio\Layers", layer: "municipios_RJ"
## with 172 features
## It has 10 fields

Figura 16 - Mapa de densidade com raio = 500m e depois da intervenção

5.3 Modelo Binomial Negativo

Finalmente, foi construído o modelo binomial negativo, com o objetivo de identificar o efeito da obra de ampliação da BR-101 sobre o número de pessoas acidentadas na via. Para a construção do modelo, foi utilizada a função “glm.nb”, na qual a variável dependente adotada foi “pessoas” e as variáveis independentes foram “Intervencao”, “fase_dia”, “sentido_via” e “condicao_meteo”. Dado que todas as variáveis independetes são qualitativas, estas foram trasformadas em fatores, de modo que classe apresentada estas variáveis apresente um valor distinto de coeficiente no modelo binomial negativo.

A hipótese nula do teste binomial negativo considera uma variável não influencia no valor final da variável depedente, enquanto a hipótese alternativa considera a mesma tem efeito sobre a variável depedente. De modo similar ao realizado no teste Qui-Quadrado, o nível de significancia adotado é de 0,05.

Assim, os coeficientes obtidos no modelo binomial negativo são apresentados a seguir:

# importar
library(readxl)
df_total <- read_excel("C:/Users/rianm/Documents/Rian/Mestrado_UFF/Estatistica/Trabalho_Final/RStudio/br_Bin_Negativa.xlsx")

dados <- subset(df_total, BR == 101 & UF == "RJ" & km >= 319.8 & km <= 322)

# Limpeza

dados$condicao_meteo[dados$condicao_meteo=='Granizo']<-NA
dados$condicao_meteo<-gsub("Céu Claro", "Ceu Claro", dados$condicao_meteo)
dados$condicao_meteo<-gsub("Nevoeiro/neblina", "Nevoeiro/Neblina", dados$condicao_meteo)
dados$condicao_meteo<-gsub("Ignorada", "Ignorado", dados$condicao_meteo)
dados$fase_dia<-gsub("Plena noite", "Plena Noite", dados$fase_dia)
dados$tipo_acidente <- gsub("Colisão transversal", "Colisão Transversal", dados$tipo_acidente)
dados$tipo_acidente <- gsub("Atropelamento de pessoa", "Atropelamento de Pedestre", dados$tipo_acidente)
dados$tipo_acidente <- gsub("Colisão com objeto estático", "Colisão com objeto fixo", dados$tipo_acidente)
dados$dia_semana <- gsub("domingo", "Domingo", dados$dia_semana)
dados$dia_semana <- gsub("quarta-feira", "Quarta", dados$dia_semana)
dados$dia_semana <- gsub("quinta-feira", "Quinta", dados$dia_semana)
dados$dia_semana <- gsub("sábado", "Sábado", dados$dia_semana)
dados$dia_semana <- gsub("segunda-feira", "Segunda", dados$dia_semana)
dados$dia_semana <- gsub("sexta-feira", "Sexta", dados$dia_semana)
dados$dia_semana <- gsub("terça-feira", "Terça", dados$dia_semana)
dados$uso_solo <- gsub("Sim", "Urbano", dados$uso_solo)
dados$uso_solo <- gsub("Não", "Rural", dados$uso_solo)

dados$Intervencao<-as.factor(dados$Intervencao)
dados$fase_dia<-as.factor(dados$fase_dia)
dados$sentido_via<-as.factor(dados$sentido_via)
dados$condicao_meteo<-as.factor(dados$condicao_meteo)
dados$dia_semana <- as.factor(dados$dia_semana)
dados$uso_solo <- as.factor(dados$uso_solo)

# modelo para contagem (Pessoas)
library(MASS)

## 
## Attaching package: 'MASS'

## The following objects are masked from 'package:raster':
## 
##     area, select

## The following object is masked from 'package:spatstat':
## 
##     area

modelo <- glm.nb(pessoas ~ Intervencao + fase_dia + sentido_via + condicao_meteo, data = dados)

## Warning in theta.ml(Y, mu, sum(w), w, limit = control$maxit, trace =
## control$trace > : iteration limit reached

## Warning in theta.ml(Y, mu, sum(w), w, limit = control$maxit, trace =
## control$trace > : iteration limit reached

summary(modelo)

## 
## Call:
## glm.nb(formula = pessoas ~ Intervencao + fase_dia + sentido_via + 
##     condicao_meteo, data = dados, init.theta = 46695.22976, link = log)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -3.9744  -0.1765  -0.1049   0.0178   7.3386  
## 
## Coefficients:
##                                Estimate Std. Error z value Pr(>|z|)    
## (Intercept)                     0.89796    0.07653  11.734  < 2e-16 ***
## Intervencao1                   -0.35784    0.04984  -7.180 6.99e-13 ***
## fase_diaAnoitecer              -0.13003    0.09459  -1.375   0.1692    
## fase_diaPlena Noite            -0.19383    0.07792  -2.488   0.0129 *  
## fase_diaPleno dia              -0.14482    0.07587  -1.909   0.0563 .  
## sentido_viaDecrescente          0.06228    0.03412   1.826   0.0679 .  
## condicao_meteoChuva             0.04554    0.05625   0.809   0.4183    
## condicao_meteoGaroa/Chuvisco    0.18279    0.33718   0.542   0.5877    
## condicao_meteoIgnorado          0.10155    0.11741   0.865   0.3871    
## condicao_meteoNevoeiro/Neblina  1.86858    0.14577  12.819  < 2e-16 ***
## condicao_meteoNublado          -0.04387    0.03978  -1.103   0.2701    
## condicao_meteoSol              -0.07261    0.05640  -1.287   0.1980    
## condicao_meteoVento             0.07782    0.23083   0.337   0.7360    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for Negative Binomial(46695.23) family taken to be 1)
## 
##     Null deviance: 1186.0  on 1987  degrees of freedom
## Residual deviance: 1011.7  on 1975  degrees of freedom
## AIC: 6030.4
## 
## Number of Fisher Scoring iterations: 1
## 
## 
##               Theta:  46695 
##           Std. Err.:  185829 
## Warning while fitting theta: iteration limit reached 
## 
##  2 x log-likelihood:  -6002.36

Por fim, foi gerado o gráfico exp(pessoas) x Intervenção, com o objetivo de representar a diferença entre o número esperado de pessoas envolvidas em acidentes nos períodos anterior e posterior à obra.

exponencial<-exp(modelo$coefficients)

library(effects)

## Loading required package: carData

## lattice theme set by effectsTheme()
## See ?effectsTheme for details.

eff.pres <- allEffects(modelo)
plot(eff.pres, 'Intervencao', ylab="Número de Pessoas")

Figura 17 - Gráfico exp(Pessoas) x Intervenção

6 Discussão dos Resultados

As análises desenvolvidas partir do método dos quadrats, mostraram que os acidentes tendem a a presentar uma distribuição espacial não aleatória. Graficamente, observou-se que os acidentes tendem a se concentrar nas proximidades da rampa de acesso à ponte Rio-Niterói. Este resultado é endossado pelo mapa de densidades de kernel. Considerando-se o valor de 350m de raio de influência, foi observado que que o ponto crítico para a ocorrência de acidentes de transito ocorreu na mesma localização, tanto antes como após a intervenção.

Os resultados alcançados indicam que a obra de ampliação não foi capaz de transformar o padrão de distribuição de acidentes na via em aleatório após a sua inauguração. Este fato que os acidentes ocorridos nas proximidades do acessso à ponte Rio-Niterói ocorrem devido à fatores não relacionados à capacidade da via, e que a implantação de mais uma faixa não foi suficiente para reduzir o numero de ocorrências no local.

As análises desenvolvidas partir do método dos quadrats, mostraram que os acidentes tendem a a presentar uma distribuição espacial não aleatória. Graficamente, observou-se que os acidentes tendem a se concentrar nas proximidades da rampa de acesso à ponte Rio-Niterói.

Já os coeficientes do modelo binomial negativo indicam que para as 4 variáveis independentes consideradas, apenas as classes Intervenção = 1, fase_dia = Plena Noite e condicao_meteo = Nevoeiro/Neblina interferem no numero de pessoas acidentadas no trecho (p-valor < 0,05). Enquanto a classe nevoeiro/neblina tende a aumentar o exp(Pessoas) envolvidas em acidentes, a classe intervenção apresenta o maior efeito de redução neste valor, o que indica que esta obra tende a reduzir o número de pessoas acidentadas no trecho. Assim, é possível concluir que a obra foi a grande responsável pela redução do número de pessoas acidentadas no trecho.

Por fim, o gráfico exp(Pessoas) x Intervenção revela que o número esperado de pessoas acidentadas no trecho reduziu em 4 unidades após a obra (exp(2,2)-exp(1,6) = 4). Este resultado, reafirma o papel fundamental da ampliação da BR-101 sobre a redução do número pessoas envolvidas em acidentes de trânsito ao longo do trecho.

7 Conclusão

O presente estudo analisou o efeito da obra de ampliação da BR-101 sobre o número de pessoas acidentadas no trecho. Paralelamente, foram verificadas a distribuição espacial dos acidentes. O resultado das análises aponta que a distribuição de acidentes ocorre de forma não aleatória ao longo da área de estudo, e que os acidentes se concentram nas proximidades da rampa de acesso à ponte Rio-Niterói.

Em seguida, foi gerado o modelo binomial negativo das pessoas acidentadas em função do sentido de tráfego, fase do dia, condição metereológica e intervenção. Os coeficientes apresentados pelo modelo indicam que a intervenção é o principal fator na redução do número de pessoas acidentadas. Deste modo, foi possível concluir que a obra teve resultados positivos quanto ao aumento de segurança e à melhoria nas condições de dirigibilidade dos usuários da via. Por fim, concluiu-se que o número esperado de pessoas acidentadas em um acidente ocorrido no trecho reduziu em 4 unidades após a intervenção.

Este estudo foi de grande importância para avaliar a relevância das obras de infraestrutura rodoviária sobre a segurança da população da população. Uma sugestão para estudos futuros seria desenvolver uma análise sobre o nível de serviço da via nos períodos antes e após a intervenção e, por meio de testes de hipóteses, verificar a influência do nível de serviço sobre o número de pessoas acidentadas na via.