Radar de velocidade média: como avaliar impacto em segurança rodoviária

Eu considero que os radares de velocidade podem aumentar a segurança rodoviária — mas só quando são desenhados para reduzir risco de forma efetiva, e não apenas para “apertar” a fiscalização e gerar receita. Segundo o Sapo.pt, a ideia do Governo em Portugal passa por reforçar a fiscalização com radares de controlo de velocidade média e avaliar novas localizações em pontos críticos (e até a possibilidade de A5 receber radares em ambos os sentidos). Na prática, o ganho real depende do tipo de radar, da qualidade dos locais escolhidos, e de como a política se combina com engenharia de via e comportamento.

Radar de velocidade realmente reduz acidentes? O que a tecnologia consegue (e o que não consegue)

Quando falamos de segurança rodoviária, existem duas dimensões diferentes:

Redução de velocidade (mudar o comportamento antes do evento perigoso).
Redução de risco (tornar o sistema rodoviário mais tolerante a erros humanos).

Radar (seja fixo, móvel ou velocidade média) atua mais diretamente na primeira dimensão: induz conformidade com limites. O problema é que “conformidade com limite” não é sinônimo de “segurança total”. Se o limite estiver desajustado à via, se houver gargalos, visibilidade ruim, ou se o excesso de velocidade for apenas parte do problema (ex.: distração, álcool, ultrapassagens arriscadas), o radar sozinho não fecha a conta.

Por que radares de velocidade média tendem a ser mais eficazes

Radares de velocidade média medem a velocidade entre dois pontos (ou entre pontos de entrada/saída do segmento). Isso reduz o famoso padrão “pisca e foge” que existe quando o condutor só precisa desacelerar perto de um radar pontual.

O ponto-chave é o controle de comportamento ao longo do percurso. Em código, eu comparo isso a ter uma métrica agregada por janela de tempo (rolling window) em vez de medir um único evento. Você não vence apenas o “deadline” do ponto final; você precisa manter um nível consistente enquanto atravessa o segmento.

Mas existe a crítica legítima: “fiscalização e receita”

O Sapo.pt também aponta a visão contrária: há quem defenda que certas medidas servem mais para aumentar fiscalização e receita das multas do que para reduzir sinistralidade. Eu acho que essa crítica ganha força quando:

As localizações são escolhidas com baixa aderência ao risco real.
Não há transparência sobre critérios (ex.: histórico de acidentes, tipo de curva, visibilidade, tráfego).
O projeto não vem acompanhado de melhorias na infraestrutura.
O efeito esperado (redução de velocidade média) não é monitorado e comparado ao antes/depois.

Ou seja: não basta “instalar radar”. Precisa existir ciclo de melhoria e avaliação de impacto. Sem isso, vira só um sistema de detecção e penalização.

Comparação prática: radar pontual vs radar de velocidade média vs alternativas

Radar pontual

É o mais simples: mede velocidade em um ponto. Funciona bem como “alerta e dissuasão local”. Mas tem um efeito colateral conhecido: o condutor aprende um padrão de comportamento reativo (acelera logo depois do ponto). Em muitas rotas, isso desloca o risco: reduz velocidade no ponto, aumenta logo antes/depois.

Radar de velocidade média

Exige manutenção de velocidade por mais tempo. Do ponto de vista comportamental, tende a reduzir variação brusca de velocidade e melhora consistência. O lado negativo é que pode gerar sensação de “corredor fiscal” quando os limites e o desenho do segmento não fazem sentido para a via.

Alternativas reais (e mais completas)

Se eu fosse “arquitetar” segurança rodoviária como um sistema, eu pensaria em camadas:

Engenharia de via: redução de velocidade por desenho (traffic calming, chicanes, sinalização, iluminação, marcação).
Gestão inteligente: semáforos com gestão de fluxo, sinalização dinâmica, limites variáveis em horários críticos.
Fiscalização preventiva: operações direcionadas para álcool, distração e veículos inadequados.
Educação + enforcement progressivo: campanhas com foco em sinistralidade específica, não apenas em estatística genérica.

Radar é uma camada. O erro comum é tratar como “solução total” — e eu já vi esse tipo de raciocínio em tecnologia: colocar um monitor e achar que acabou o problema. Monitorar não substitui correção.

Na Prática: como avaliar se radares realmente estão a reduzir risco (passo a passo)

Mesmo sem acesso ao backend da ANSR, dá para pensar numa forma de medir impacto com rigor. Quando eu implemento analytics em produto, eu sigo uma abordagem “antes/depois” com controles. Para política pública, o raciocínio é similar.

Escolha do segmento: confirme se o local tem histórico de acidentes por excesso de velocidade ou por padrões compatíveis (retas longas, curvas perigosas, tráfego acelerado).
Defina métricas:
- Velocidade média e percentil 85 (P85) antes/depois.
- Número e gravidade de acidentes (com segmentação por tipo).
- Taxa de infrações relacionadas (quando houver dados).
Crie janela de comparação: use períodos equivalentes (ex.: meses comparáveis) para controlar sazonalidade.
Compare com vias similares: idealmente, use trechos sem intervenção como “grupo controle”.
Aponte o efeito real: se a velocidade caiu mas a sinistralidade não, pode ser que o problema não seja só velocidade, ou que a intervenção tenha deslocado comportamentos para outros locais/horários.
Valide por gravidade: acidente leve não é o mesmo que acidente grave. Eu dou peso maior ao que mata/aleija.

Um mini-esqueleto de “pipeline” (exemplo funcional em Python)

Se você tiver datasets (por exemplo, medições de velocidade agregadas e ocorrências de acidentes), este exemplo mostra a ideia de comparar velocidades antes/depois e estimar variação. Eu gosto de fazer assim porque obriga a olhar o efeito estatístico, não só manchetes.

import pandas as pd

# Exemplo: df com colunas:
# segment_id, period ('before'/'after'), speed_kmh (amostras ou agregados por janela)
df = pd.read_csv("segment_speed_and_accidents.csv")

segment = "A5_seg_01"
sub = df[df["segment_id"] == segment]

# Velocidade média antes/depois
means = sub.groupby("period")["speed_kmh"].mean()

# Percentil 85 antes/depois (útil quando a média “esconde caudas”)
p85 = sub.groupby("period")["speed_kmh"].quantile(0.85)

print("Médias (km/h):\n", means)
print("\nP85 (km/h):\n", p85)

# Variação relativa
change = (means["after"] - means["before"]) / means["before"] * 100
print(f"\nVariação da média: {change:.2f}%")

Por que isso importa? Porque um radar “parece funcionar” quando as multas aumentam, mas a segurança só melhora se houver mudança real no perfil de velocidade. E o P85 é uma métrica que costuma capturar melhor o grupo que ainda excede.

Armadilhas comuns (e o que devs/programadores aprendem rápido nisso)

1) Confundir “detetar” com “prevenir”

Radar detecta velocidade. Prevenir exige reduzir probabilidade de exceder durante o intervalo. Se você mede só em um ponto, você pode reduzir velocidade “na placa” e ainda assim não reduzir risco no trecho.

2) Métrica errada: olhar apenas número de multas

Em produto digital, isso é tipo olhar só para “tickets abertos”. Às vezes o sistema fica mais rígido e gera mais tickets, mas o problema pode não estar piorando proporcionalmente. Em rodovias, multas podem subir ou descer por muitos motivos (mudança de fiscalização, circulação, campanhas), sem refletir risco.

3) Ignorar localização e contexto físico da via

Radar num lugar ruim (por exemplo, onde o limite não reflete condições reais) pode gerar “aceitação baixa” e comportamento de contorno. Segurança precisa de consistência entre limite, visibilidade, traçado e infraestrutura.

4) Não considerar efeitos de deslocamento

Uma intervenção em um segmento pode deslocar o comportamento para rotas paralelas ou para outros horários. Sem grupo controle, você erra o diagnóstico. Em análise estatística, isso é “confounding” clássico.

5) Falta de transparência e comunicação

Quando a política é percebida como arbitrária, cresce resistência. Em tecnologia, isso é equivalente a lançar feature sem explicar o racional e depois chamar de “erro do utilizador”. Você quer adesão: precisa justificar limites e explicar por que aquele troço é crítico.

Minha posição: aumentam segurança, mas não por magia

Na minha experiência, radares de velocidade podem aumentar segurança quando são:

bem posicionados em áreas com risco real.
do tipo correto para o comportamento que se quer mudar (velocidade média costuma ajudar contra “picos” próximos a pontos).
acompanhados por avaliação de impacto com métricas de velocidade e gravidade de acidentes.
combinados com melhorias físicas e ações sobre fatores humanos (álcool, distração, fadiga).

Quando isso não acontece, o risco é criar um sistema de fiscalização que “fecha números”, mas não reduz sinistralidade como deveria. O Sapo.pt acerta ao mostrar que existe debate: defensores falam em redução de excessos ao longo do percurso; críticos focam no incentivo à receita. Eu entendo os dois lados, mas eu julgo pelo efeito: o que aconteceu com velocidade e acidentes depois da intervenção?

FAQ

Radar de velocidade média é sempre melhor que radar pontual?

Na maioria dos casos, sim, porque reduz o padrão “acelera perto do ponto”. Mas depende da coerência do segmento: limites, desenho da via, e se o percurso faz sentido para impor redução consistente.

Se as multas caírem, significa que a segurança piorou?

Não necessariamente. Multas podem cair porque a velocidade caiu e o comportamento melhorou. O que importa é comparar velocidade (ex.: P85) e acidentalidade (principalmente gravidade) antes/depois.

Como avaliar se um radar realmente está a salvar vidas?

Use métricas de velocidade e acidentes com janelas temporais comparáveis e, idealmente, grupo controle (trechos similares sem intervenção). Olhe gravidade, não só contagem de ocorrências.

Existe risco de “efeito corredor fiscal”?

Existe quando os limites e o traçado não são coerentes. Isso pode gerar stress, condução menos natural e contorno do problema. A solução não é desligar radar; é ajustar política + infraestrutura + comunicação.

O que desenvolvedores deveriam aprender com essa política?

Que métrica de execução não é métrica de resultado. Detecção (multas) ≠ prevenção (redução de risco). E sem medir impacto com método, você fica preso em evidência frágil.

Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.