Análise espacial da mortalidade por acidentes de motocicleta nos municípios do Brasil

Pedro Cisalpino Pinheiro,Bernardo Lanza Queiroz

doi:10.1590/1413-81232020252.14472018

Pedro Cisalpino Pinheiro, Bernardo Lanza Queiroz

Open Access

https://doi.org/10.1590/1413-81232020252.14472018

Copy DOI

Abstract

Analysis of the distribution of motorcycle-related mortality rates in Brazilian municipalities is fundamental to understand and seek to minimize the occurrence of this growing phenomenon. The main objective of this work is to analyze the spatial distribution of motorcycle rider mortality rates in Brazil, based on more robust and reliable estimates. An attempt was also made to identify the presence of spatial clusters in the distribution of such mortality rates in given municipalities. The rates were estimated based on the average number of motorcyclist deaths recorded in the years 2014, 2015 and 2016. These rates were then directly standardized and graduated based on the local empirical Bayesian estimator. A Local Indicator of Spatial Autocorrelation (LISA) indicated the presence of spatial patterns. The Northeast and Mid-West regions concentrated most of the municipalities with high mortality rates as well and most of the clusters of municipalities with a high-high distribution pattern. Graduated Bayesian estimation was effective to deal with the occurrence of extreme values, thereby improving the reliability of the estimates and enhancing the visualization of the rates on the map.

Highlights

Resumo A análise da distribuição da mortalidade de motociclistas nos municípios brasileiros é fundamental para o entender e tentar minimizar a ocorrência deste crescente fenômeno
A mortalidade relacionada às motocicletas aumentou em todos os estados[2,3]
Na região Nordeste, observa-se a proporção mais significativa dos óbitos de motociclistas em relação ao total dos acidentes de transporte (AT) (49%)

Summary

Suavização bayesiana

A identificação de padrões espaciais de distribuição de uma doença é fundamental para o desenvolvimento de medidas de prevenção e controle[38]. As taxas brutas observadas em municípios pequenos são pouco indicadas para a realização desse tipo de análise, uma vez que podem sofrer influência de flutuação aleatória e complicações de cálculos em função dos pequenos números[38,39,40,41,42,43]. Um segundo problema com as taxas de pequenas áreas é que, como o denominador é pequeno, a variabilidade nas estimativas tende a ser muito grande. Em relação às abordagens globais, a estimativa que considera a média local dos vizinhos apresentará uma suavidade espacial mais próxima da realidade dos eventos de interesse[38]. Para a definição da vizinhança, optamos pela utilização de um número definido de k-vizinhos (k=8) mais próximos. Ao considerar as informações dos vizinhos, a suavização bayesiana incorpora um componente espacial para a construção das estimativas

Autocorrelação espacial

Observações Taxa Padronizada Desvio Padrão Taxa Máxima Taxa Mínima