Toward Safer Bicycle Infrastructure: Policy Insights from Temporal Stability and Heterogeneous Crash Severity in Bike Lane-Involved Crashes

Resumo Técnico: Rumo a uma Infraestrutura Cicloviária Mais Segura: Insights de Políticas a partir da Estabilidade Temporal e Heterogeneidade na Gravidade de Acidentes em Ciclovias

Definição do Problema
Apesar da expansão da infraestrutura cicloviária, o número de fatalidades e ferimentos graves de ciclistas nos Estados Unidos aumentou significativamente, com as fatalidades crescendo aproximadamente 60% entre 2014 e 2023. Embora as ciclovias sejam projetadas para mitigar conflitos, a literatura existente frequentemente agrega todos os acidentes de bicicletas, obscurecendo a dinâmica de conflito específica de cada instalação, única para os ambientes de ciclovia. Além disso, pesquisas anteriores frequentemente assumem estabilidade temporal nos determinantes de gravidade, falhando em considerar como a evolução das práticas de design, condições de tráfego e iniciativas de políticas pode alterar os mecanismos de lesão ao longo do tempo. Há também uma lacuna na compreensão dos mecanismos condicionais de lesão para todos os usuários da via (ciclistas, motoristas e pedestres) envolvidos em acidentes em ciclovias, e uma falta de integração entre a modelagem econométrica estruturada e a análise de narrativas de acidentes não estruturadas.

Metodologia
Este estudo utiliza dados do Texas Crash Records Information System (CRIS) de 2021 a 2024, compreendendo 1.350 acidentes envolvendo ciclovias, classificados em três níveis de gravidade: Danos Materiais Apenas (O), Possível/Lesão Não Incapacitante (BC) e Fatal/Lesão Incapacitante (KA). A pesquisa emprega um arcabouço analítico híbrido:

1. Modelagem Econométrica: O estudo progride de um modelo Multinomial Logit (MNL) de base para um modelo Random Parameters Logit (RPL) para capturar a heterogeneidade não observada. A especificação final é um Random Parameters Logit com Heterogeneidade nas Médias (RPLHM), que permite que parâmetros selecionados variem entre as observações e sejam condicionados por características observáveis.
2. Análise de Estabilidade Temporal: Um arcabouço de modelagem temporal parcialmente restrito é utilizado para distinguir entre relações de gravidade estáveis e variáveis no tempo. Isso envolve testes de razão de verossimilhança comparando modelos totalmente não restritos (modelos separados por ano) contra modelos parcialmente restritos (agrupamento de anos com parâmetros específicos restritos à estabilidade). Testes de transferibilidade e previsões fora da amostra (por exemplo, usando parâmetros de 2021 para prever resultados de 2022) avaliam adicionalmente a robustez do modelo.
3. Interpretabilidade Pós-Estimativa:
   • SHAP (SHapley Additive exPlanations): Aplicado ao modelo RPLHM para fornecer explicações ao nível da observação, visualizar efeitos não lineares e quantificar as contribuições de características específicas de gravidade.
   • BERTopic: Utilizado para extrair temas latentes de narrativas de acidentes escritas por policiais. Nove temas distintos de mecanismos de acidentes foram identificados e vinculados aos resultados de gravidade de lesão por meio de testes de Kruskal-Wallis.

Principais Resultados

• Estabilidade Temporal: Testes globais de razão de verossimilhança indicam que o processo gerador de gravidade para acidentes em ciclovias é amplamente estável ao longo do período de 2021–2024. No entanto, testes de transferibilidade pareados revelam instabilidade temporal seletiva, particularmente para variáveis relacionadas ao clima, contexto urbano e interações veiculares. Previsões fora da amostra confirmam que o modelo parcialmente restrito retém forte capacidade preditiva, apesar dessas variações ano a ano.
• Parâmetros Aleatórios e Heterogeneidade: Diversas variáveis exibem heterogeneidade não observada significativa. Por exemplo, o efeito do alinhamento da via "reto e nivelado" em lesões moderadas (BC) em 2021 variou amplamente, com aproximadamente 80% das observações mostrando um efeito protetor e 20% um efeito de aumento de risco, condicionado por fatores como tipo de veículo e envolvimento com objetos fixos. Da mesma forma, a influência de tempo limpo e grandes populações urbanas (250.000+) sobre resultados sem lesão variou significativamente entre as observações.
• Efeitos de Parâmetros Fixos:
  • Condições Ambientais: Tempo limpo e luz do dia consistentemente aumentam a probabilidade de resultados sem lesão (O). Inversamente, condições de "escuro, iluminado" aumentam significativamente a probabilidade de resultados com lesão (BC e KA), sugerindo que a iluminação artificial não mitiga totalmente a complexidade visual.
  • Contexto da Via: Acidentes em ruas da cidade e dentro do ambiente da via (on-roadway) estão fortemente associados a lesões moderadas (BC). Grandes áreas urbanas (população >250.000) geralmente correlacionam-se com menores níveis de gravidade, provavelmente devido a velocidades de operação mais baixas.
  • Comportamento do Usuário: A ausência de capacete está significativamente associada a lesões fatais ou incapacitantes (KA). O grupo de idade de 25 a 54 anos apresenta maior probabilidade de lesões moderadas.
• Análise de Narrativa (BERTopic): Nove temas de acidentes foram identificados. O Conflito de Movimento de Conversão foi o tema dominante (544 acidentes) e mostrou um aumento monotônico estatisticamente significativo na prevalência, desde resultados sem lesão até fatalidades. Conflito de Conversão à Direita de Bicicleta e Acidente em Estacionamento/Entrada de Garagem também exibiram fortes associações com níveis mais altos de gravidade. Esses achados narrativos corroboram a identificação econométrica de acessos de garagens e movimentos de conversão como pontos de conflito de alto risco.

Principais Contribuições e Significância
O artigo afirma avançar no campo ao ir além de estudos agregados de acidentes de bicicleta para fornecer uma avaliação específica da instalação e temporalmente sensível da gravidade de acidentes em ciclovias. Suas principais contribuições são:

1. Integração Metodológica: Integra com sucesso a modelagem econométrica (RPLHM) com ferramentas de interpretabilidade de aprendizado de máquina (SHAP) e processamento de linguagem natural (BERTopic) para oferecer uma visão multidimensional da gravidade dos acidentes. Essa abordagem captura tanto associações estatísticas quanto as "impressões digitais narrativas" de mecanismos de alta gravidade.
2. Nuance Temporal: Ao empregar um arcabouço parcialmente restrito, o estudo evita as armadilhas de assumir que todos os parâmetros são estáticos ou todos são dinâmicos, fornecendo uma representação mais precisa de como os mecanismos de gravidade evoluem em ambientes de ciclovia em mudança.
3. Insights Relevantes para Políticas: Os achados destacam que, embora as ciclovias geralmente reduzam o risco, contextos específicos — como pontos de acesso de garagens, movimentos de conversão e condições de "escuro, mas iluminado" — permanecem áreas críticas para intervenção. O estudo sugere que as estratégias de segurança devem ser específicas ao contexto, focando em melhorias de distância de visibilidade em pontos de acesso, gestão de velocidade em corredores urbanos e iluminação aprimorada.

Limitações e Escopo
Os autores mantêm uma postura modesta em relação às suas afirmações. Eles reconhecem que o estudo depende de dados relatados pela polícia, que podem sub-representar incidentes menos graves e carecem de dados de exposição (ex: volumes de bicicletas), impedindo estimativas de taxa de risco. Os achados são específicos do Texas e podem não ser diretamente transferíveis para regiões com designs de infraestrutura ou culturas de tráfego diferentes. Além disso, o uso de SHAP e BERTopic é descrito como descritivo e interpretativo; o estudo não pretende estabelecer relações causais, observando que conclusões causais exigiriam dados de exposição e avaliações de antes-depois. A análise descreve associações dentro da amostra observada de acidentes, em vez de conclusões mais amplas sobre a segurança ou frequência de acidentes da instalação.