Assessing Risk of Collision with Fleet Telematics for Usage-Based Insurance: Case Study from South Korean Car Rental Operations
Notice bibliographique
Résumé
Fleet telematics is facilitating the adoption of new billing models in the automotive insurance industry. Advancements in the Internet of Things domain enable real-time transmission of data that can be utilized to monitor the location and status of vehicles and extract information on drivers’ behavior. While these developments can inform risk assessments of drivers of both private and corporate vehicles, existing research has mainly focused on usage-based insurance models for drivers of private vehicles. This paper analyzes naturalistic data from a sample of drivers ( N = 3,854) of corporate vehicles rented from a fleet rental company in South Korea in the year 2018. We compared different algorithms to classify collision-free and collision-involved drivers and found random forest to exhibit the highest area under the receiver operating characteristic (ROC) and precision-recall curves. Further investigation showed that both business- and driver-related variables were related to collision involvement. The amount of running driving time (i.e., non-idling time), trip frequency (i.e., per 1,000 km), and rapid speed changes were the most influential variables on collision involvement. Business-related variables (i.e., running driving time and trip frequency) can inform fleet rental companies on how to instate insurance and rental rates for their corporate customers; variables that indicate risky driver behaviors (i.e., rapid speed changes) can inform the design of feedback systems incorporated to telematics devices aimed at correcting risky behaviors. Our findings extend the knowledge on collision factors and provide insights into building models for commercial fleet services that are based on business and driver-related variables.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».