Un estudio de machine learning interpretable, publicado en PLOS One, analizó datos de telemetría de 1.673 buses interurbanos en Irán durante un año completo —más de 1,5 millones de errores de manejo registrados, de los cuales el 1,87% ocurrió en zonas de alto riesgo conocidas ("hotspots")— y encontró que la provincia y el tipo de vía predicen esos errores mejor que las variables de clima como humedad o punto de rocío. La fatiga del conductor también apareció fuertemente asociada a los accidentes en zonas de riesgo, mientras que factores como los giros bruscos no resultaron predictivos por sí solos. Para una flota con rutas fijas, la implicancia es concreta: no todos los tramos habituales tienen el mismo riesgo estructural, más allá de cómo maneje cada conductor.
La escala del estudio: 1,6 millones de eventos
El equipo de investigación combinó datos de telemetría —posición GPS, velocidad, giros bruscos, frenadas y aceleraciones cada 10 segundos— de 1.673 buses interurbanos que circularon por todas las provincias de Irán durante el año 2020, cruzados con 1.492 zonas de riesgo ya identificadas por el organismo vial del país y con datos meteorológicos de una API especializada.
Del total de más de 1,5 millones de errores de manejo registrados, solo el 1,87% ocurrió dentro de esas zonas de riesgo conocidas —una proporción chica en términos absolutos, pero suficiente para entrenar un modelo que predijo esos errores con un 91,7% de precisión (AUC).
El hallazgo principal: la geografía pesa más que el clima
Contra la intuición de que el clima —lluvia, niebla, temperatura— es el gran factor de riesgo en ruta, el modelo encontró que la provincia y el tipo de camino tuvieron el peso predictivo más alto. Algunas provincias mostraron un riesgo estructuralmente mayor que otras, independientemente de las condiciones climáticas del día.
Las variables de clima sí importaron, pero con un peso menor y más matizado de lo esperado: mayor punto de rocío y menor humedad relativa se asociaron a errores fuera de las zonas de riesgo conocidas, un patrón más sutil que el simple "llueve, hay más riesgo" que suele asumirse.
La fatiga, asociada de forma directa a las zonas de riesgo
Entre los factores de comportamiento, la fatiga del conductor apareció fuertemente asociada a los errores ocurridos dentro de zonas de riesgo conocidas —a diferencia de los giros bruscos, que no resultaron un predictor relevante por sí solos—. La hora del día también tuvo un peso menor al esperado, con una asociación algo más alta en horas de la tarde-noche, pero sin un patrón temporal dominante.
Para los propios autores, esto sugiere que las estrategias de prevención no deberían ser genéricas para todo el país, sino específicas por provincia y tipo de vía, priorizando mejoras de infraestructura en los tramos que estructuralmente concentran más riesgo.
Qué hacer con esto si tu flota recorre las mismas rutas todos los días
Si una flota opera sobre rutas fijas o recurrentes —reparto, logística, transporte de personal—, este hallazgo sugiere una capa de análisis que suele faltar: identificar qué tramos específicos de esas rutas habituales concentran más riesgo estructural, en vez de tratar toda la ruta como homogénea. Con geocercas marcadas sobre esos tramos puntuales, es posible generar una alerta reforzada o un recordatorio de manejo prudente justo antes de que el vehículo entre a la zona de mayor riesgo conocida.
También es una razón adicional para tomar en serio la gestión de turnos y descanso: si la fatiga es un factor que se asocia con fuerza a los tramos ya identificados como riesgosos, cruzar "quién maneja" con "por dónde y a qué hora" ayuda a anticipar el problema antes de que ocurra el evento, en vez de solo registrarlo después.
¿El clima no importa entonces para la seguridad vial?
Sí importa, pero este estudio muestra que su peso relativo es menor al de la geografía y el tipo de vía cuando se los compara directamente con un modelo de machine learning. No es que el clima no influya, sino que no es el factor dominante que suele asumirse de forma intuitiva.
¿Este estudio aplica a rutas urbanas o solo interurbanas?
El estudio se hizo específicamente con buses interurbanos circulando por rutas entre provincias. El principio de que la geografía y el tipo de vía predicen más que variables genéricas es trasladable conceptualmente, pero los números exactos corresponden a ese contexto de ruta interurbana en Irán.
¿Cómo se identifican los tramos de mayor riesgo dentro de una ruta habitual?
En el estudio, se usaron zonas de riesgo ya catalogadas por el organismo vial del país. Para una flota, una aproximación práctica es revisar el historial de eventos de manejo (frenadas bruscas, exceso de velocidad) por tramo de ruta, para identificar de forma empírica qué puntos concentran más eventos, independientemente de quién los haya generado.