---
title: "Acidentes de Trânsito em São Paulo"
date: "2024-03-15"
categories: ['data-visualization', 'mapas', 'sao-paulo', 'ggplot2']
description: "Neste post exploro o padrão espacial dos acidentes de trânsito em São Paulo. O detalhamento dos dados nos permite enxergar padrões sazonais intradiários e intrasemanais. De maneira geral, o maior número de acidentes coincide com locais e regiões de grande tráfego de veículos."
format:
html:
code-tools: true
execute:
echo: false
warning: false
message: false
---
# Trânsito
```{r setup}
library(dplyr)
library(sf)
library(geobr)
library(ggplot2)
library(ggmap)
library(showtext)
font_add_google("Orbitron", "Orbitron")
font_add_google("Roboto Mono", "Roboto Mono")
showtext_auto()
cores = c(
"#07204E", "#07214F", "#072351", "#082453", "#082655", "#092857",
"#092959", "#0A2B5B", "#0A2D5C", "#0B2E5E", "#0B2F5F", "#0C3160",
"#0C3261", "#0D3463", "#0D3563", "#0D3563", "#0D3664", "#0D3764",
"#0E3865", "#0E3965", "#0E3966", "#0E3A66", "#0F3C68", "#11406B",
"#12436F", "#134772", "#154A75", "#164E79", "#18527C", "#195580",
"#1A5983", "#1D5E87", "#20638B", "#236990", "#256E94", "#2A7598",
"#307E9D", "#3787A2", "#3D90A7", "#4399AC", "#49A1B1", "#50AAB6",
"#56B3BB", "#5CBBC0", "#67BFBB", "#73C3B5", "#7EC7AF", "#8ACBA9",
"#96CEA1", "#A3D098", "#B0D38F", "#BDD586", "#C9D77E", "#D3D877",
"#DEDA70", "#E8DB68", "#F2DC61", "#F2DA61", "#F3D860", "#F4D65F",
"#F4D45E", "#F5D25D", "#F6CF5C", "#F6CD5C", "#F7CB5B", "#F8C85A",
"#F8C55A", "#F8C35A", "#F8C05A", "#F8BD5A", "#F8BA5A", "#F8B85A",
"#F8B55A", "#F8B25A", "#F7AF5A", "#F7AC5A", "#F7A85A", "#F7A55A",
"#F6A15C", "#F59C5F", "#F59862", "#F49364", "#F38E67", "#F38A6A",
"#F2856C", "#F2816F", "#F27C71", "#EB7673", "#E47175", "#DD6B77",
"#D56679", "#CB607A", "#BF5A7B", "#B2547D", "#A64F7E", "#9A497F",
"#8E4380", "#823D82", "#763783", "#6A3285"
)
inds = c(
1, 6, 12, 24, 30, 36,
45, 50, 56, 65, 66, 67,
67, 71, 73, 77, 85, 90,
95, 30, 27, 20, 15, 10
)
```
```{r data}
dat = qs::qread("/Users/viniciusoike/Documents/GitHub/weekly_viz/data/car_accidents_non_fatal.qs")
dat = dat %>%
filter(
ts_year == 2023,
!is.na(lat),
!is.na(lng)
) %>%
select(lat, lng, victims_total, ts_day_shift, ts_date, ts_time_accident, ts_weekday)
dat = dat %>%
mutate(
ts_weekday = stringr::str_to_title(ts_weekday),
ts_weekday = factor(
ts_weekday,
levels = c("Domingo", "Segunda", "Terça", "Quarta", "Quinta", "Sexta", "Sábado")
),
ts_time_accident = lubridate::hm(ts_time_accident),
ts_hour = lubridate::hour(ts_time_accident)
)
accidents = st_as_sf(
dat,
coords = c("lng", "lat"),
crs = 4326,
remove = FALSE
)
```
```{r get-map}
spborder = geobr::read_municipality(3550308, showProgress = FALSE)
spborder = st_transform(spborder, crs = 4326)
spborder$geoid = 1
accidents = accidents %>%
st_join(spborder) %>%
filter(!is.na(geoid))
spborder = geobr::read_municipality(3550308)
spborder = st_transform(spborder, crs = 4326)
basemap = ggmap::get_stadiamap(as.numeric(st_bbox(spborder)), zoom = 12)
```
```{r}
accidents_hour = dat |>
summarise(total = sum(victims_total), .by = "ts_hour") |>
arrange(ts_hour) |>
mutate(ts_hour = factor(ts_hour))
```
```{r plot-histogram}
p_hist = ggplot(accidents_hour, aes(ts_hour, total)) +
geom_col(aes(fill = ts_hour)) +
geom_hline(yintercept = 0) +
scale_y_continuous(labels = scales::label_number(big.mark = ".")) +
scale_fill_manual(values = cores[inds]) +
guides(fill = "none") +
labs(
title = "Acidentes de trânsito por hora do dia",
x = NULL,
y = "Total",
caption = "Fonte: INFOSIGA SP") +
theme_minimal(base_family = "Roboto Mono") +
theme(
panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank(),
axis.text = element_text(size = 10, family = "Orbitron")
)
```
```{r map-geral}
map_geral = ggmap(basemap) +
geom_density_2d_filled(
data = accidents,
aes(x = lng, y = lat),
contour_var = "ndensity",
alpha = 0.5,
color = NA,
breaks = seq(0.1, 1, 0.1)
) +
scale_fill_brewer(palette = "YlOrRd", direction = 1) +
guides(fill = "none") +
labs() +
ggthemes::theme_map()
```
```{r map-facet}
accidents = accidents |>
mutate(
is_weekend = if_else(ts_weekday %in% c("Domingo", "Sábado"), "Final de Semana", "Dia Útil"),
is_weekend = factor(is_weekend)
)
map_grid = ggmap(basemap) +
geom_density_2d_filled(
data = accidents,
aes(x = lng, y = lat),
contour_var = "ndensity",
alpha = 0.5,
color = NA,
breaks = seq(0.1, 1, 0.1)
) +
scale_fill_brewer(palette = "YlOrRd", direction = 1) +
facet_wrap(vars(is_weekend, ts_day_shift), nrow = 2, ncol = 4) +
guides(fill = "none") +
labs() +
ggthemes::theme_map()
```
## Panorama
Agregando todos os acidentes de trânsito não-fatais vê-se que há dois principais clusters de acidentes: o maior deles começa na região do Centro Histórico e se estende até a região da Paulista e mais ao oeste chegando até o Itaim Bibi; o segundo cluster, menos intenso, aparece entre a região de Santo Amaro e Campo Limpo. No geral, os focos de acidente, seguem as principais de vias de tráfego.
Os dados se referem a todos os acidentes de trânsito não-fatais registrados dentro do município de São Paulo em 2023.
```{r}
map_geral
```
## Finais de semana
O painel de mapas abaixo subdivide os dados entre acidentes que ocorreram no final de semana x dias de trabalho e pelo período do dia. Os dados são normalizados dentro de cada célula para facilitar a leitura do padrão: em termos absolutos, a maior parte dos acidentes ocorre durante a manhã e a tarde nos dias úteis.
É interessante notar como o padrão de acidentes se torna muito mais disperso nos finais de semana em relação aos dias úteis. Durante a semana, os acidentes à tarde estão quase que totalmente concentrados no Centro Histórico da cidade; já no final de semana, durante o mesmo período, os acidentes estão espacialmente dispersos por todas as zonas da cidade.
```{r}
map_grid
```
## Hora do dia
As horas do dia com maior número de acidente são, grosso modo, os horários de pico, quando há maior volume de veículos trafegando.
```{r}
p_hist
```
\* Dados: [Painel de Dados SigaSP](http://painelderesultados.infosiga.sp.gov.br/dados.web/ViewPage.do?name=acidentes_naofatais&contextId=8a80809939587c0901395881fc2b0004)
