Un estudio de Davide Gentile, Birsen Donmez, Dongsoon Min y Trevor Waite, publicado en 2025 en Transportation Research Record, analizó datos reales de telemetría de 3.854 conductores de vehículos livianos —autos compactos, sedanes y SUV— de una flota de alquiler corporativo en Corea del Sur, con más de 2,1 millones de viajes registrados durante un año completo. Los investigadores compararon cinco algoritmos de machine learning para distinguir conductores que tuvieron un choque de los que no, y encontraron que el tiempo de manejo efectivo (sin contar el ralentí), la frecuencia de viajes por cada 1.000 km, y los cambios bruscos de velocidad fueron las variables más influyentes y consistentes en todos los modelos. Lo notable es que dos de esas tres variables —tiempo de manejo y frecuencia de viajes— dependen del negocio y la operación, no del estilo de manejo del conductor: en otras palabras, cuánto y con qué frecuencia se usa un vehículo predice el riesgo de choque casi tanto como cómo se lo maneja.
Un estudio a escala real, con vehículos livianos de flota
El equipo de investigación tuvo acceso a los datos de una de las empresas de alquiler de autos más grandes de Corea del Sur, recolectados por un sistema de gestión de flota que combinaba un conector OBD, un GPS que registraba ubicación y velocidad cada 10 segundos, y un sensor de gravedad para detectar cambios bruscos de velocidad. Después de limpiar los datos —eliminando viajes muy cortos o con velocidades poco confiables—, quedó una muestra de 3.854 conductores de vehículos livianos (compactos, sedanes, SUV/RV) que completaron más de 2,1 millones de viajes durante 2018.
De esos conductores, el 13,3% tuvo al menos un choque registrado durante el año, mientras que el 86,7% no tuvo ninguno. Con esa base, los investigadores entrenaron y compararon cinco modelos de machine learning —regresión logística, random forest, k-vecinos más cercanos, máquinas de soporte vectorial y árboles de gradiente potenciado— para distinguir a los conductores con choque de los que no lo tuvieron.
Las tres variables que más predijeron el riesgo de choque
El modelo random forest fue el que mejor distinguió entre conductores con y sin choque. Al analizar qué variables pesaban más en esa distinción, tres se repitieron con consistencia en los distintos modelos: el tiempo de manejo efectivo (la cantidad total de horas manejando, sin contar el tiempo en ralentí), la frecuencia de viajes por cada 1.000 km recorridos, y la suma de aceleraciones y frenadas bruscas.
Un análisis de sensibilidad sobre el modelo de regresión logística permitió cuantificar el efecto: aumentar en 50% los cambios bruscos de velocidad, la frecuencia de viajes o el tiempo de manejo efectivo —cada uno por separado, mientras se mantienen las demás variables constantes— incrementó la probabilidad de choque en 14,7%, 13,0% y 11,7% respectivamente. Son los tres efectos más grandes de todas las variables analizadas.
El matiz clave: dos de las tres variables no dependen del conductor
Acá está el hallazgo que hace a este estudio distinto de otros sobre score de conducción: de las tres variables más influyentes, solo una —los cambios bruscos de velocidad— refleja directamente el estilo de manejo de una persona. Las otras dos, el tiempo de manejo efectivo y la frecuencia de viajes, están determinadas en gran medida por cuánto y con qué intensidad la empresa usa ese vehículo, no por cómo lo conduce quien está al volante en un momento dado.
Los propios autores marcan esta distinción como central para diseñar un esquema de tarificación o de gestión de riesgo: las variables de negocio pueden usarse para calcular tarifas de alquiler o primas de forma agregada, mientras que las variables de comportamiento —como los cambios bruscos de velocidad— son las que tiene sentido usar para diseñar sistemas de feedback o programas de entrenamiento dirigidos a corregir la conducta de un conductor puntual. Mezclar ambos tipos de variable sin esta distinción puede llevar a penalizar a un conductor por algo que en realidad depende de cuánto lo hace circular la operación diaria.
¿Qué significa "tiempo de manejo efectivo" en este estudio?
Es el tiempo total que un vehículo estuvo circulando, sin contar el tiempo que pasó con el motor prendido pero detenido (ralentí). Es una medida más precisa de exposición real al riesgo de manejo que solo mirar el kilometraje o el tiempo total con el motor encendido.
¿El estudio incluyó camiones o vehículos pesados?
No. La muestra fue exclusivamente de vehículos livianos de una flota de alquiler: autos compactos, sedanes y SUV/RV. No incluyó camiones ni vehículos de transporte pesado, lo que hace sus hallazgos directamente relevantes para el tipo de flota liviana que usa un GPS OBD2 como Rutio.
¿Esto significa que el estilo de manejo no importa para el riesgo de choque?
No. Los cambios bruscos de velocidad —una medida directa de estilo de manejo— fueron la variable individual con mayor efecto en la probabilidad de choque (14,7% de aumento ante un incremento del 50%). Lo que muestra el estudio es que las variables de exposición al uso del vehículo pesan casi tanto, y que conviene no confundirlas con el estilo de manejo a la hora de asignar responsabilidad o diseñar incentivos.