O Efeito Clima nos Acidentes Rodoviários

Análise de Dados e Solução de Problemas com Python
Disciplina: Novas Tecnologias Python
Professor: Lucas d'Andurain Ramos Bitar

Integrantes:
Pedro Braga de Lima · Maria Clara Paiva Oliveira Camelo
Maria Clara Ferreira Dos Santos · Nicole Reinaldo De Carvalho

---

Sobre o Projeto

Pergunta central: Como as condições meteorológicas impactam a gravidade e o tipo dos acidentes registrados em rodovias federais brasileiras?

Este projeto analisa 73.156 registros de acidentes (2024) da Polícia Rodoviária Federal (PRF), investigando a relação entre clima e acidentes de trânsito através de uma interface interativa construída com Streamlit. A análise vai além da contagem de ocorrências, aplicando normalização proporcional e razões de risco para explicar os padrões encontrados.

---

Tecnologias

Tecnologia	Uso no projeto
Python	Linguagem principal
Pandas	Manipulação, limpeza e agregação de dados
Numpy	Operações numéricas, vetorização e criação de features
Matplotlib	Geração de gráficos estatísticos (barras, linhas, histogramas)
Streamlit	Interface web interativa com filtros e abas

---

Como Executar

# 1. Clone o repositório
git clone <URL_DO_REPOSITORIO>
cd projeto_efeito_clima

# 2. Crie e ative o ambiente virtual
python -m venv venv
venv\Scripts\Activate        # Windows PowerShell
# source venv/bin/activate   # Linux/Mac

# 3. Instale as dependências
pip install -r requirements.txt

# 4. Execute a aplicação
python -m streamlit run app.py

Se pedir e-mail, pressione Enter sem digitar nada.

---

O que a Aplicação Mostra

A interface possui 4 abas temáticas, 4 filtros interativos e 13 visualizações com insights analíticos:

Aba	Conteúdo	Análise
🌦️ Clima	Top 10 condições · Gravidade normalizada · Chuva vs Céu Claro	Explica por que céu claro lidera (frequência, não perigo)
⚠️ Gravidade	Gravidade por clima · Razão de risco · Histograma de distribuição	Quantifica o risco proporcional do clima adverso
🕐 Temporal	Por hora · Gravidade por hora · Por dia da semana	Identifica paradoxo volume vs gravidade (madrugada)
🗺️ Geográfico	Top 10 UFs · Taxa adverso/total · Gravidade por região	Normaliza por frequência, revela regiões de maior risco

Filtros disponíveis: Estado (UF) · Condição meteorológica · Ano · Período do dia

Diferencial analítico: Cada gráfico acompanha um bloco de "Insight do Analista" que explica:

• O que o gráfico mostra
• Por que o padrão ocorre (causa raiz)
• O que isso significa para a segurança viária

---

Metodologia de Tratamento

O pipeline de dados segue 5 etapas:

CSV (dados brutos) → Limpeza → Engenharia de Features → Análise Visual → Conclusão Analítica

Limpeza realizada (Pandas)

• ✅ Remoção de duplicatas
• ✅ Tratamento de valores nulos (texto → "Não informado", numéricos → 0)
• ✅ Padronização de colunas (snake_case sem acentos via unicodedata)
• ✅ Correção de encoding corrompido (latin1 ↔ UTF-8, com fallback manual)
• ✅ Conversão de tipos (to_datetime, to_numeric com errors="coerce")
• ✅ Validação de colunas essenciais com feedback ao usuário

Features criadas (Numpy + Pandas)

Feature	Fórmula / Lógica	Justificativa analítica
clima_adverso	"Adverso" se chuva/garoa/neblina/vento/granizo	Permite comparação binária direta entre grupos
total_feridos	feridos_leves + feridos_graves	Simplifica agregações de vítimas
indice_gravidade	mortos×3 + graves×2 + leves×1	Pondera severidade (óbito pesa 3x mais que ferimento leve)
periodo_dia	pd.cut em 4 faixas horárias	Revela padrões de risco por turno
regiao	Mapeamento UF → Região (dict)	Agrupamento geográfico para análise macro
dia_semana_num	0 (seg) a 6 (dom)	Permite ordenação e análise cíclica

---

Principais Achados

Achados Descritivos

• A maioria dos acidentes ocorre em céu claro — porque é a condição predominante (~70% dos dias)
• O clima adverso representa ~20-30% dos acidentes, mas com gravidade proporcionalmente maior
• Em dias de chuva, colisões traseiras e saídas de pista são desproporcionalmente frequentes

Explicações Analíticas (os "Porquês")

Padrão observado	Causa provável
Céu claro lidera em volume	Condição mais frequente no Brasil — mais exposição temporal
Clima adverso = mais grave	Pista molhada reduz atrito 30-50%, colisões a velocidades mais altas
Colisões traseiras na chuva	Distância de frenagem aumenta + spray reduz visibilidade
Saídas de pista na chuva	Aquaplanagem (perda de contato pneu-asfalto)
Pico 17-19h em volume	Horário de rush + redução de luminosidade
Madrugada mais grave	Velocidade alta + álcool + fadiga + menos resgate

Recomendações

1. Campanhas de prevenção focadas em períodos chuvosos (distância de seguimento)
2. Sinalização dinâmica de "pista escorregadia" em regiões Sul/Sudeste
3. Fiscalização intensificada 17h-19h e madrugadas de fim de semana
4. Investimento em drenagem nas rodovias com mais saídas de pista

Limitações

• Sem dados de volume de tráfego por condição (impossível calcular taxa por veículo×km)
• Classificação meteorológica feita no momento do registro (possíveis imprecisões)
• Sem dados de velocidade no momento do acidente
• Dataset de um único ano (2024)

---

Estrutura do Projeto

projeto_efeito_clima/
├── app.py                              # Código principal (650+ linhas, modular)
├── acidentes_prf.csv                   # Dataset da PRF (73.156 registros)
├── requirements.txt                    # Dependências do projeto
├── Relatorio_Projeto_Efeito_Clima.md   # Relatório completo (exportável para PDF)
├── Relatorio_Projeto_Efeito_Clima.pdf  # Relatório em PDF
└── README.md                           # Este arquivo

---

Possíveis Erros

Erro	Solução
No such file: acidentes_prf.csv	Verifique se o CSV está na mesma pasta do app.py
streamlit não é reconhecido	Use python -m streamlit run app.py
Caracteres quebrados (C�u Claro)	Menu ⋮ → Clear cache → Rerun