Uma pesquisa desenvolvida pelo Programa de Pós-Graduação em Gestão Urbana (PPGTU) da Pontifícia Universidade Católica do Paraná (PUCPR), em parceria com a Universidade Tecnológica Federal do Paraná (UTFPR), aplicou técnicas de mineração de dados e inteligência artificial para investigar os fatores relacionados à ocorrência e à gravidade de acidentes rodoviários.
O estudo contou com a participação do doutorando Gabriel Troyan Rodrigues e do professor Fabio Teodoro de Souza, da PUCPR, além das pesquisadoras Amanda Christine Gallucci Silva e Tatiana Maria Cecy Gadda, da UTFPR. A colaboração entre os programas de pós-graduação das duas instituições permitiu uma abordagem interdisciplinar para um dos mais graves problemas de saúde pública da atualidade: a gravidade dos sinistros de trânsito.
A pesquisa destaca a importância do uso de tecnologias avançadas, como IA e análise de dados, para compreender padrões e causas de acidentes, contribuindo para a elaboração de políticas públicas mais eficientes na redução de mortes e lesões no trânsito. Os resultados podem auxiliar gestores e órgãos responsáveis a implementar medidas preventivas e melhorar a segurança viária no estado.
Pesquisa
A análise de padrões em acidentes de trânsito tem se mostrado uma ferramenta poderosa para reduzir fatalidades e melhorar a infraestrutura viária. Um estudo recente, intitulado “Uma abordagem de mineração de dados para avaliar fatores associados à ocorrência e gravidade de acidentes de trânsito rodoviário” e publicado na Revista de Gestão Social e Ambiental, utilizou técnicas de mineração de dados para identificar fatores críticos associados à ocorrência e gravidade de acidentes rodoviários, com base em bancos de dados que cobrem períodos entre 2004 e 2024. Os resultados não apenas confirmam hipóteses tradicionais sobre segurança no trânsito, mas também revelam relações inesperadas entre condições da via e severidade dos acidentes, oferecendo uma visão valiosa para políticas públicas e intervenções de engenharia.
O estudo empregou algoritmos de classificação para prever a ocorrência de acidentes fatais, comparando dois modelos: um para eventos no mesmo dia (t0) e outro para o dia seguinte (t1). O modelo t0 demonstrou 94,86% de precisão, incorrendo em 6.630 falsos negativos (prever “sem mortes” quando houve fatalidades) e 50 falsos positivos (prever “mortes” quando não ocorreram). Já o t1 atingiu 94,69% de precisão, com 6.623 erros de subestimativa e 280 de superestimativa. Ambos os modelos geraram centenas de regras de classificação, mas a maioria (196 em 197 no t0 e 193 em 194 no t) referia-se a cenários sem mortes, destacando a importância de condições específicas da via para a segurança.
Uma regra exemplar do modelo t0 mostrou que acidentes em locais com sinalização vertical costumam resultar em danos leves, enquanto as colisões frontais tiveram 99,17% de probabilidade de não resultar em mortes (suporte de 28,83% nos dados). Outra regra, do modelo t1, associou a ausência de fatalidades a vias com acostamento, faixas tracejadas (ultrapassagem permitida) e horário diurno (confiança de 96,51%). Essas descobertas reforçam que intervenções em infraestrutura, como melhor sinalização, alargamento de acostamentos e controle de ultrapassagens, podem ser decisivas para reduzir a gravidade dos acidentes.
Fatores de risco e severidade
A análise percentual de um banco de dados secundário (2009–2024) identificou os seguintes fatores como aumentadores de risco e gravidade:
- Velocidade alta: associada a 24,16% mais risco e 22,49% mais severidade.
- Finais de semana e períodos noturnos: responsáveis por 31,01% e 32,28% do aumento de risco, respectivamente.
- Colisões: presentes em 64,60% dos acidentes graves.
Curiosamente, condições climáticas adversas tiveram impacto menor (13,61% no risco) comparado a fatores humanos e geométricos da via. Além disso, a redução na quantidade e qualidade dos dados no segundo banco (de 28 para 12 variáveis) prejudicou a análise, evidenciando a necessidade de padronização na coleta de informações.
Agrupamentos e relações não lineares
Técnicas multivariadas, como árvores de probabilidade e análise de componentes principais (ACP), revelaram clusters significativos. Por exemplo, variáveis como horário do acidente (noite/dia), danos materiais, número de feridos e velocidade compartilhavam padrões similares, sugerindo que intervenções em vias devem considerar essas combinações. A ausência de agrupamentos na ACP, no entanto, indicou que outras variáveis omitidas (como perfil do condutor) são igualmente relevantes.
Desafios
O estudo alerta para a falta de dados críticos em registros oficiais, como tipo de veículo, uso de álcool, comportamento do motorista e idade dos envolvidos. Essa carência limita a análise de fatores humanos, amplamente reconhecidos como determinantes em outros estudos. Mesmo assim, as evidências disponíveis apontam medidas viáveis:
- Infraestrutura: ampliação de acostamentos, sinalização vertical e controle de velocidade em áreas urbanas.
- Tecnologia: instalação de radares e lombadas eletrônicas em trechos críticos.
- Gestão de dados: padronização e expansão dos registros de acidentes para incluir variáveis comportamentais.
A pesquisa demonstra que acidentes não são eventos aleatórios, mas sim resultados de padrões identificáveis. Embora melhorias na infraestrutura possam reduzir imediatamente a severidade dos acidentes, a integração de dados mais completos, especialmente sobre perfis de condutores, é essencial para políticas preventivas. Como destacam os autores, investimentos em informação não são apenas técnicos, mas também estratégicos, pois direcionam recursos públicos para soluções comprovadamente eficazes.