In ACCCertDS/ACC: Base accident

knitr::opts_chunk$set(
  fig.dpi = 96,
  fig.height = 3.5,
  fig.width = 7,
  collapse = TRUE,
  comment = "#>"
)

Chargement des packages nécessaires au traitement

library(lubridate) #Pour représenter l'évolution des accidents par année
library(tidyverse)
library(ggplot2)
library(ACC)

En introduction, nous souhaitons souligner que la documentation des données disponible sur data.gouv.fr indique des changements dans l'enregistrement des accidents a eu lieu à partir de 2019. Ces changements ont pour effet de changer les modalités de certaines variables, créer des variables (avec des valeurs manquantes pour les accidents passés).

Parmi ces changements, au moins une des modalités de la variable que nous souhaitons modéliser par la suite, grav, n'est plus qualifiée de la même manière que par le passé.

Avertissement : Les données sur la qualification de blessé hospitalisé depuis l’année 2018 ne peuvent être comparées aux années précédentes suite à des modifications de process de saisie des forces de l’ordre. L’indicateur « blessé hospitalisé » n’est plus labellisé par l’autorité de la statistique publique depuis 2019.

Considérant la profondeur d'historique disponible, nous avons préféré écarter les données concernant l'année 2019 de l'étude. Néanmoins, à titre informatif, ces données sont présentes dans l'analyse des variables qui suit.

Ces données n'étant pas conservées pour l'étude elles ne sont présentes dans le package, ainsi nous les récupérons uniquement pour ce document dans le bloc de code suivant, ce qui permet par ailleurs d'illustrer les fonctions qui ont permis la création du reste des données.

carac_2019 <- dl_caracteristiques(2019L) %>% 
  recod_caracteristiques()
usagers_2019 <- dl_usagers(2019L) %>% 
  recod_usagers()
vehic_2019 <- dl_vehicules(2019L) %>% 
  recod_vehicules()
lieux_2019 <- dl_lieux(2019L) %>% 
  recod_lieux()

accid_2019 <-  create_table_accidents(carac_2019, usagers_2019, lieux_2019, vehic_2019)

accidents <- bind_rows(accid_2019, accidents)

Evolution du nombre d'accidents par année depuis 2015

regr_accidents <- accidents %>%
  mutate(annee = year(date_acc)) %>%
  group_by(annee) %>%
  summarise(nb_accidents = n_distinct(Num_Acc))

ggplot(regr_accidents) +
 aes(x = annee, y = nb_accidents) +
 geom_histogram(stat = "identity", fill = "#440154") +
 labs(x = "Année",
      y = "Nombre d'accidents",
      title = "Nombre d'accidents par année") +
 theme_light()

regr_accidents

Nous pouvons noter que le nombre d'accidents est relativement constant depuis 2015, à un niveau proche des 60 000 par an (entre 57 783 en 2018 et 60 701 en 2017). On a observé une baisse du nombre d'accidents sur les années 2018 et 2019 comparativement à l'année 2017, année pour laquelle le nombre d'accidents est maximal sur la période 2015-2019.

Evolution du nombre de tués par année depuis 2015

regr_tues <- accidents %>%
  filter(grav == "Tué") %>%
  mutate(annee = year(date_acc)) %>%
  #select(Num_Acc,annee,grav) %>%
  group_by(annee,grav) %>%
  summarise(nb_accidents_tues = n_distinct(Num_Acc))

ggplot(regr_tues) +
 aes(x = annee, y = nb_accidents_tues) +
 geom_histogram(stat = "identity", fill = "#440154") +
 labs(x = "Année", y = "Nombre de tués",title = "Nombre de décédés d'un accident de la route par année") +
 theme_light()

regr_tues

Tout comme le nombre d'accidents, le nombre de décédés dans un accident de la route est relativement constant au cours du temps (entre 3 186 décédés en 2018 et 3 393 en 2016). Nous notons par ailleurs que le nombre de décès évolue concomittament au nombre d'accidents. Le nombre d'accidents étant plus faible sur les années 2018 et 2019 (cf. ci-dessus), nous observons que le nombre de tués l'est également. Nous relevons néanmoins que la proportion de tués sur la route est plus faible en 2017 qu'en 2016 (5,53 % en 2017 versus 5,7 % en 2016), bien que l'année 2017 soit le point haut des 5 années observées.

Répartition des accidents par mois et par année

acc_par_mois <- accidents %>%
  mutate(annee = year(date_acc)) %>%
  group_by(annee,mois_acc) %>%
  summarise(nb_accidents_mois = n_distinct(Num_Acc))

acc_par_mois %>% 
  mutate(mois_acc = fct_relevel(mois_acc, rev(as.character(levels(mois_acc))))) %>%

  ggplot() +
  aes(x = mois_acc, y=nb_accidents_mois) +
  geom_bar(stat = "identity",fill = "#0c4c8a") +
  labs(x = "", y = "Nombre d'accidents",
       title = "Répartition des accidents par année et par mois") +
  theme_light() +
  facet_wrap(vars(annee)) +
  coord_flip() # Pour lire les libellés
# theme(axis.text.x = element_text(angle = 90))

Tous les ans, le nombre d'accidents est faible aux mois de février et d'août. Concernant le mois d'août, période de vacances d'été, nous pouvons penser qu'il y a également moins d'usagers. A contrario, les mois de juin et juillet sont tous les ans des mois fortement accidentogènes.

Répartition des accidents par date et par année

regr_accidents_date <- accidents %>%
  mutate(annee = year(date_acc)) %>%
  # filter(annee == 2019) %>%
  group_by(date_acc,annee) %>%
  summarise(nb_accidents_date = n_distinct(Num_Acc))

ggplot(regr_accidents_date) +
  aes(x = date_acc, y = nb_accidents_date) +
  geom_line(size = 1L, colour = "#0c4c8a") +
  facet_wrap(~ annee, scales = "free_x") + 
  labs(x = "Date", y = "Nombre d'accidents",
       title = "Répartition des accidents mortels par heure de la journée") +
  theme_light()

Nous retrouvons l'effet "vacances d'été" évoqué ci-dessus, signe d'une saisonalité. Nous n'observons pas d'effet année.

Répartition du nombre d'accidents par an et par jour de la semaine

acc_par_jour <- accidents %>%
  mutate(annee = year(date_acc)) %>%
  group_by(jour_acc,annee) %>%
  summarise(nb_accidents_jour = n_distinct(Num_Acc))

acc_par_jour %>% 
  mutate(jour_acc = fct_relevel(jour_acc, rev(as.character(levels(jour_acc))))) %>%
  ggplot() +
  aes(x = jour_acc, y = nb_accidents_jour) +
  geom_bar(stat = "identity", fill = "#0c4c8a") +
  labs(x = "Jour de l'accident", y = "Nombre d'accidents",
      title = "Nombre d'accidents par jour de la semaine et par année") +
 theme_light() +
 facet_wrap(vars(annee)) +
  coord_flip()
  # theme(axis.text.x = element_text(angle = 90))

Quelle que soit l'année, nous notons que le vendredi est le jour où se produisent le plus d'accidents.

Répartition des accidents par heure de la journée (sur la base de 2015 à 2019)

regr_heure <- accidents %>%
  group_by(heure) %>%
  summarise(nb_accidents_h = n_distinct(Num_Acc))

ggplot(regr_heure) +
 aes(x = heure, y = nb_accidents_h) +
 geom_bar(stat = "identity", fill = "#0c4c8a") +
 labs(x = "Heure", y = "Nombre d'accidents", title = "Répartition des accidents par heure de la journée") +
 theme_light()

La tranche horaire 16h-19h est la plus accidentogène. Néanmoins, nous pouvons penser que c'est aussi la période de la journée où les usagers sont le plus présents sur la route.

Répartition des accidents mortels par heure de la journée (sur la base de 2015 à 2019)

regr_heure_tues <- accidents %>%
  filter(grav=="Tué") %>%
  group_by(heure) %>%
  summarise(nb_accidents_h_tues = n_distinct(Num_Acc))

ggplot(regr_heure_tues) +
 aes(x = heure, y = nb_accidents_h_tues) +
 geom_bar(stat = "identity", fill = "#0c4c8a") +
 labs(x = "Heure", y = "Nombre d'accidents", title = "Répartition des accidents mortels par heure de la journée") +
 theme_light()

Les accidents mortels se concentrent quant à eux essentiellement sur la tranche horaire 15h - 18h.

Répartition des accidents de la route par sexe lorsque l'usager est conducteur

repart_sexe <- accidents %>%
  mutate(annee = year(date_acc)) %>%
  filter(catu=="Conducteur") %>%
  group_by(annee,sexe) %>%
  summarise(nb_accidents_sexe = n_distinct(Num_Acc))

ggplot(repart_sexe) +
 aes(x = sexe, y = nb_accidents_sexe, fill = sexe) +
 geom_bar(stat = "identity") +
 scale_fill_hue() +
 labs(x = "Sexe", y = "Nombre d'accidents", fill = "Sexe",
      title = "Répartition des accidents conducteurs de la route par année et par sexe") +
 theme_light() +
 facet_wrap(vars(annee))

repart_sexe %>% 
  spread(sexe, nb_accidents_sexe)

Quelle que soit l'année, on note que les femmes sont impliquées dans 2 à 3 fois moins d'accidents que les hommes.

Nous étudions la répartition des accidents selon le sexe et la gravité plus en avant dans la suite du présent document.

Gravité de l'accident

gravite <- accidents %>%
  group_by(grav) %>%
  summarise(nb_accidents_gravite = n_distinct(Num_Acc)) %>% 
  #Pour l'ordre des modalités dans le graphique :  
  mutate(grav = fct_relevel(grav, "Indemne","Blessé léger","Blessé hospitalisé","Tué"))

ggplot(gravite) +
 aes(x = grav, y = nb_accidents_gravite, fill = grav) +
 geom_bar(stat = "identity") +
 scale_fill_viridis_d(option = "inferno", direction = -1) +
 labs(x = "Gravité",
      y = "Nombre d'accidents",
      fill="Gravité",
      title = "Gravité des accidents ayant eu lieu de 2015 à 2019") +
 theme_light()

sum_grav <- gravite %>%
  mutate(nb_tot = sum(nb_accidents_gravite)) %>%
  mutate(prop = (nb_accidents_gravite / nb_tot)*100)

sum_grav

Sur les 5 années observées, les proportions sont les suivantes : - Blessés hospitalisés 21 % ; - Blessés légers 36 % ; - Indemnes 39 % ; - Tués 3 %. Ainsi, on sort indemne d'un accident de la circulation routière 4 fois sur 10.

Répartition des accidents selon le sexe et la gravité (de 2015 à 2019)

acc_sexe_grav <- accidents %>%
  group_by(sexe,grav) %>%
  summarise(nb_accidents_sexe_grav = n_distinct(Num_Acc))

ggplot(acc_sexe_grav) +
 aes(x = sexe, y = nb_accidents_sexe_grav, fill = grav) +
 geom_bar(stat = "identity") +
 scale_fill_hue() +
 labs(x = "Sexe", y = "Nombre d'accidents", fill = "Gravité",
      title="Répartition des accidents selon le sexe et la gravité de 2015 à 2019") +
 theme_light()

sum_sexe_grav <- acc_sexe_grav %>%
  group_by(sexe) %>%
  summarise(nb_accidents_sex = sum(nb_accidents_sexe_grav))

acc_sexe_grav_1 <- acc_sexe_grav %>% 
  left_join(sum_sexe_grav,by="sexe") %>%
  mutate(prop = (nb_accidents_sexe_grav / nb_accidents_sex)*100)

acc_sexe_grav_1

Nous notons que les femmes ont été 2 fois moins impliquées que les hommes dans un accident de la route lors des années 2015 à 2019 (180 786 accidents pour les femmes contre 390 791 pour les hommes). Concernant la gravité des accidents, la représentation des classes "Blessé léger" et "Indemne" sont à l'inverse selon le sexe. Les femmes ont une représentation de blessés légers de 42 % (contre 35 % pour les hommes) pour une proportion d'indemnes de 35 % (contre 42 % pour les hommes). Les accidents impliquant des femmes sont également moins mortels que ceux impliquant des hommes (2,1 % contre 3,3 %). Enfin, les proportions de blessés hospitalisés sont équivalentes.

Usagers et gravité de l'accident entre 2015 et 2019

us_grav <- accidents %>%
  group_by(catu,grav) %>%
  summarise(nb_accidents_grav = n_distinct(Num_Acc))

ggplot(us_grav) +
 aes(x = catu, y = nb_accidents_grav, fill = grav) +
 geom_bar(stat = "identity") +
 scale_fill_hue() +
  labs(x = "Catégorie d'usager", y = "Nombre d'accidents", fill = "Gravité",
       title="Répartition des accidents selon la catégorie d'usager et la gravité") +
 theme_light()

sum_catu_grav <- us_grav %>%
  group_by(catu) %>%
  summarise(nb_accidents_catu = sum(nb_accidents_grav))

us_grav_1 <- us_grav %>% 
  left_join(sum_catu_grav,by="catu") %>%
  mutate(prop = (nb_accidents_grav / nb_accidents_catu)*100)

us_grav_1

Les accidents ayant eu lieu sur les 5 années étudiées impliquent très majoritairement des usagers conducteurs. Les passagers sont 5 fois moins représentés et les piétons 8 fois moins. Concernant la gravité, il y a 2 fois plus de piétons tués dans un accident de voiture que de conducteurs et passagers (pour lesquels la proportion de tués est équivalente). Nous notons également que le conducteur sort plus souvent indemne que le passager et le passager plus souvent blessé léger que le conducteur. Les passagers sont plus souvent blessés hospitalisés que les conducteurs (22 % contre 18 %).

Répartition des accidents par âge

acc_par_age <- accidents %>%
  group_by(age,grav) %>%
  summarise(nb_accidents_age = n_distinct(Num_Acc))

ggplot(acc_par_age) +
 aes(x = age, y = nb_accidents_age, fill = grav) +
 geom_histogram(stat = "identity") +
 scale_fill_hue() +
  labs(x = "Age", y = "Nombre d'accidents", fill = "Gravité", 
       title="Répartition des accidents par âge et par gravité") +
 theme_light()

ggplot(acc_par_age) +
 aes(x = age, y = nb_accidents_age, fill = grav) +
 geom_histogram(stat = "identity") +
 scale_fill_hue() +
  facet_wrap(~ grav, scales = "free_y") + 
  labs(x = "Age", y = "Nombre d'accidents", fill = "Gravité",
       caption="Note : Les échelles en ordonnées sont différentes sur ces graphiques.",
       title="Répartition des accidents par âge et par gravité") +
 theme_light()

Les accidents de la route impliquent le plus souvent des usagers de la classe d'âge 18 - 35 ans. Néanmoins, nous pouvons penser que c'est aussi la classe d'âge la plus représentée sur la route, ce qui multiplie donc les risques d'accidents.

On remarque également un effet entre l'âge et la gravité de l'accident, en effet, les personnes âgées semblent plus touchées par les accidents mortels.

Conditions d'éclairage et gravité de l'accident

eclairage <- accidents %>%
  group_by(grav,lum) %>%
  summarise(nb_accidents_ecl = n_distinct(Num_Acc))

ggplot(eclairage) +
 aes(x = lum, y = nb_accidents_ecl, fill = grav) +
 geom_bar(stat = "identity") +
 scale_fill_viridis_d(option = "inferno") +
 labs(x = "Conditions d'éclairage", y = "Nombre d'accidents",
      fill = "Gravité", title = "Conditions d'éclairage et gravité des accidents") +
 theme_light() +
  coord_flip()
  # theme(axis.text.x = element_text(angle = 90))

sum_eclr <- eclairage %>%
  group_by(lum) %>%
  summarise(nb_accidents_lum = sum(nb_accidents_ecl))

eclairage_1 <- eclairage %>% 
  left_join(sum_eclr,by="lum") %>%
  mutate(prop = (nb_accidents_ecl / nb_accidents_lum)*100)

eclairage_1

La majorité des accidents ont eu lieu en plein jour (362 155 accidents contre 48 565 pour la nuit sans éclairage et 82 022 pour la nuit avec éclairage à titre d'exemple). 8,4% des accidents ayant eu lieu la nuit sans éclairage ont été mortels.

Répartition des accidents par catégorie de route et par gravité

repart_catr <- accidents %>%
  group_by(catr,grav) %>%
  summarise(nb_accidents_catr = n_distinct(Num_Acc))

ggplot(repart_catr) +
 aes(x = catr, y = nb_accidents_catr, fill = grav) +
 geom_bar(stat = "identity") +
 scale_fill_hue() +
 labs(x = "Catégorie de route", y = "Nombre d'accidents",
      fill = "Gravité", title = "Répartition des accidents par catégorie et par gravité") +
 theme_light() +
  theme(axis.text.x = element_text(angle = 90))

Les accidents ont majoritairement lieu sur les voies communales et routes départementales. La proportion de tués est supérieure lorsque l'accident se produit sur route départementale que lorsqu'il se produit sur voie communale.

Lien entre port d'un équipement de sécurité et gravité de l'accident

ceint <- accidents %>%
  group_by(secu1,grav) %>%
  summarise(nb_accidents_ceint = n_distinct(Num_Acc))

ggplot(ceint) +
 aes(x = secu1, y = nb_accidents_ceint, fill = grav) +
 geom_bar(stat = "identity") +
 scale_fill_hue() +
 labs(x = "Equipement de sécurité", y = "Nombre d'accidents", fill = "Gravité", 
      title = "Lien entre port de la ceinture de sécurité et la gravité de l'accident") +
 theme_light() +
  theme(axis.text.x = element_text(angle = 90))

sum_ceint <- ceint %>%
  group_by(secu1) %>%
  summarise(nb_accidents_secu = sum(nb_accidents_ceint))

ceint_1 <- ceint %>% 
  left_join(sum_ceint,by="secu1") %>%
  mutate(prop = (nb_accidents_ceint / nb_accidents_secu)*100)

ceint_1

Les usagers accidentés portaient majoritairement un casque, une ceinture de sécurité ou n'avaient aucun équipement. La classe "Non déterminable" est fortement représentée. 12 % des accidents concernant des usagers sans aucun équipement de sécurité sont mortels contre 2 % lorsque l'usager portait sa ceinture de sécurité. 58 % des usagers qui portaient leur ceinture de sécurité au moment de l'accident en sortent indemnes.

ACCCertDS/ACC documentation built on Dec. 17, 2021, 6:40 a.m.