Riesgo climático en apps de movilidad: medir no es mitigar

La lluvia empieza y la aplicación muestra tarifa doblada, triplicada, a veces más. El usuario maldice la app. El conductor acepta el viaje de todos modos, porque también necesita que el día rinda. Nadie ahí sabe decir, con precisión, cuánto de esa lluvia específica, en ese corredor específico, explica el precio que apareció en la pantalla.

Riesgo climático en apps de movilidad urbana es la probabilidad de que la lluvia, el calor o la inundación reduzcan la oferta de trabajadores y eleven el tiempo de espera en un corredor específico, lo suficiente para disparar precio dinámico, cancelación o incumplimiento de plazo. No es uniforme en la ciudad: nace y muere en pocas cuadras, y es ahí donde la mayoría de las plataformas todavía no lo detecta.

Esto vale para el transporte de pasajeros y vale igual para las apps de comida y de entregas en general. Operan en la misma red vial, en el mismo horario pico, bajo la misma lluvia localizada, con el mismo motociclista o ciclista como activo más expuesto.

• El impacto de la lluvia en la movilidad solo se convirtió en número medible después de que la app digitalizó tiempos de viaje y tarifa: sin serie histórica, era percepción, no medición (Uber Newsroom, 2019).
• En Brasil, la tarifa dinámica entró en la metodología del IBGE en 2026, y los viajes por aplicación subieron 56%, con saltos de hasta 70% atribuidos a lluvia fuerte (Exame, 2026).
• La literatura internacional diverge sobre el signo de la lluvia: en Chicago la demanda de Uber sube 22%, en Nueva York cae. La causa no es el clima, es la resolución de la medida (ScienceDirect, 2025 y 2026).
• En cuencas urbanas, la correlación entre pluviómetros cae justamente en las lluvias fuertes, exactamente las que más afectan la operación (MDPI, 2020).
• En Nueva York, 1,5 minuto adicional de espera predice caída de 37% en la demanda: el umbral que decide reasignación de flota puede medirse en minutos, no en milímetros (ScienceDirect, 2026).
• Los repartidores en bicicleta y moto están entre los grupos más expuestos al calor extremo, con jornada a cielo abierto y sin cabina (Nexo, 2024; WRI Brasil, 2025).

En Campo Grande, hace dos semanas, una tormenta hizo que viajes de R$ 25 llegaran a casi R$ 60, y residentes relataron dificultad para volver a casa según reportaje de Campo Grande News. Escenas así se repiten en ciudades brasileñas con lluvia de verano. Lo que cambia de una operación madura a otra es saber, con horas de anticipación, que ese corredor cruzaría el umbral crítico.

Riesgo climático operacional, en mi vocabulario, es diferente de riesgo climático físico. No es la lluvia en sí: es la lluvia cruzando un umbral que cambia el comportamiento de oferta, demanda o precio de un activo específico. En la movilidad urbana, ese activo es el corredor, la región, la ventana de horario. De eso trata este texto.

Por qué el efecto de la lluvia solo se convirtió en número después del dato operacional

El efecto de la lluvia en la movilidad urbana solo pudo cuantificarse después de que las aplicaciones acumularan años de datos de viajes, tiempos de recorrido y tarifas. Antes de eso, la relación entre lluvia y tránsito era intuición compartida, no medición. El dato operacional le dio regla al dato ambiental, no al contrario.

Uber necesitó tres años de serie histórica de tiempos de recorrido en São Paulo para afirmar algo preciso: en días con lluvia por encima de 0,1 mm por hora, la lentitud del tránsito fue en promedio 3,9 puntos mayor que en días sin lluvia, según datos publicados por la propia empresa. Antes de esa serie, nadie en la operación sabía decir "cuánto", solo "que sí".

Este orden histórico tenía sentido. Sin base de comparación, cualquier afirmación sobre el efecto de la lluvia sería opinión de conductor, no gestión de riesgo. La aplicación necesitó primero crear su propio termómetro de demanda y oferta para, solo después, tener algo con qué comparar el clima.

Hoy ese efecto es parte visible de la economía de la ciudad. La tarifa dinámica entró en la metodología de cálculo de inflación del IBGE en 2026, y los viajes por aplicación subieron 56%, con saltos cercanos al 70% en capitales de mayor demanda, según reportaje de Exame. La propia 99 cita la lluvia, junto con tránsito intenso y picos de pedidos, como gatillo de tarifa más alta.

El problema es que "digitalizar la demanda" resolvió la mitad de la ecuación. Dice que llovió y el precio subió. No dice en qué esquina la oferta de conductores desapareció primero, ni cuántos minutos más esperó el pasajero en ese barrio específico antes de desistir. Esa brecha es el tema del siguiente paso.

Medir no es mitigar: los dos saltos, en el tiempo y en el espacio

Medir el efecto de la lluvia en la movilidad es retrospectivo y agregado: explica lo que ya sucedió, en promedio, en toda la ciudad. Mitigar es prospectivo y local: exige saber en qué corredor, en qué ventana de horario, la lluvia cruza el umbral que derrumba la oferta. Son dos saltos distintos, y ninguno se resuelve con el mismo dato.

El primer salto es temporal: pasar de "llovió ayer y la demanda subió" a "va a llover a las 17h en esta región y la oferta va a caer". El segundo es espacial: pasar del promedio de la ciudad al corredor específico donde la operación realmente se quiebra. Una plataforma puede acertar el primer salto y aun así fallar en el segundo.

Es exactamente lo que muestra el caso de Porto Alegre, donde un mismo viaje llegó a triplicar de precio durante temporales recientes, según reportaje de Diário Gaúcho/ClicRBS (2026). La aplicación sabía que estaba lloviendo en la ciudad. No necesariamente sabía, con minutos de anticipación, que ese barrio específico se quedaría sin conductores primero.

Esta distancia entre medir y mitigar tiene costo medible en otros sectores de infraestructura urbana. En São Paulo, la Prefectura mapea 61 puntos de inundación recurrente, y cada punto de inundación le cuesta cerca de R$ 1 millón por día a la ciudad, con inundaciones sumando R$ 762 millones por año, según estudio de Haddad y Teixeira publicado por la Agência FAPESP (2013).

Para quien opera flota, el paralelo es directo. Ya escribí sobre cómo el costo de la hora parada por lluvia se acumula silenciosamente cuando nadie mide el corredor correcto. En la movilidad urbana, la "parada" no es la flota física: es el conductor que se retira, el pasajero que cancela, el precio que sube sin que nadie decida sobre eso.

La literatura no concuerda sobre el signo de la lluvia, y eso es la pista

Estudios internacionales discrepan sobre si la lluvia aumenta o reduce la demanda de viajes por aplicación. En Chicago aumenta la demanda de Uber en 22%. En Nueva York, los días lluviosos aparecen asociados a demanda menor. Esta divergencia no es error de los investigadores: es síntoma de que "llovió en la ciudad" es una variable demasiado gruesa.

En el estudio de Chicago, la lluvia elevó los viajes en taxi hasta un 5%, mientras que Uber subió 22% y Lyft 19%, según el estudio publicado en ScienceDirect. Los autores atribuyen la diferencia al precio dinámico: incentiva a los conductores de plataforma a atender el exceso de demanda, algo que la tarifa fija del taxi no hace.

En Nueva York, en cambio, otro estudio publicado en ScienceDirect encuentra el patrón opuesto: días lluviosos asociados a demanda menor. En Japón, modelos indican que los pasajeros tienden a pedir viaje justamente cuando no está lloviendo [FONTE_A_CONFIRMAR]. Tres ciudades, tres respuestas diferentes a la misma pregunta.

La explicación más honesta no es que una ciudad "reaccione diferente" que otra. Es que "llovió" agrega intensidades, duraciones y microrregiones con respuestas opuestas dentro de una única etiqueta binaria. El resultado de cada estudio depende de lo que dominó la muestra, no de alguna ley universal del comportamiento humano bajo lluvia.

Los propios autores del estudio de Chicago reconocen esta limitación y recomiendan que trabajos futuros traten la intensidad de la lluvia con más granularidad, además de investigar el desvío de oferta entre áreas de ingreso diferente. Esa recomendación es, en la práctica, un pedido de resolución más fina, exactamente lo que falta en la mayoría de los sistemas de despacho hoy.

El mismo estudio de Chicago muestra heterogeneidad espacial dentro de la propia ciudad: el Loop y las áreas inmediatamente al norte y al sur registran de 1,84 a 4,67 viajes adicionales por mil habitantes durante la lluvia, contra un efecto mucho menor en el resto de la ciudad. El promedio de la ciudad desaparece justamente donde el efecto es más fuerte.

Por qué resolución fina, y no solo más datos

El problema de medir lluvia en la movilidad urbana no es falta de volumen de datos, es la escala espacial de la propia lluvia. Las tormentas convectivas, las que más afectan la operación, ocurren en pocos kilómetros de radio. Una red dispersa de sensores tiende a perder justamente el núcleo del evento que más importa.

Un estudio en cuenca urbana de 125 km² con 22 pluviómetros mostró que la correlación entre estaciones se mantiene buena para lluvias de intensidad baja e intermedia, pero cae significativamente para lluvias fuertes, según investigación publicada en MDPI (2020). El máximo de precipitación por área decae según ley de potencia entre 1 y 30 km.

En la práctica, esto significa que dos estaciones a pocos kilómetros de distancia pueden registrar lluvias completamente diferentes durante el mismo temporal. La estación del aeropuerto puede marcar llovizna débil mientras, ocho cuadras más adelante, una célula convectiva inunda la avenida y paraliza el corredor.

Este es el argumento final contra el promedio de ciudad: el evento de mayor impacto operacional es precisamente el de menor escala espacial. La lluvia débil y homogénea, bien descrita por el promedio, es justamente la que no quiebra la operación. El chaparrón localizado que el promedio borra es el que derrumba la oferta.

Resolución gruesa, entonces, no es apenas menos precisa en términos abstractos. Falla de forma sistemática exactamente donde más importa acertar. Ya detallé este punto en otro texto sobre la diferencia entre pronóstico del tiempo y gestión del riesgo climático: el pronóstico de ciudad informa el clima, no el riesgo del activo.

i4sea trabaja con resolución de 1 a 3 km, contra los cerca de 25 km de los pronósticos públicos tradicionales, cubriendo 18 peligros hidrometeorológicos con más de 10 años de reanalisis histórico. Esta diferencia de escala es lo que separa "va a llover en São Paulo" de "va a llover fuerte en ese corredor, en esa ventana".

El umbral del activo: traducir clima en minutos de espera

Lo que les falta a las plataformas de movilidad no es pronóstico del tiempo, eso ya se volvió un commodity disponible en cualquier app de celular. Falta pronóstico de impacto: la traducción de "va a llover X mm/h en este corredor" a "la oferta cae Y% y el tiempo de espera se duplica". El umbral es del activo, no del clima.

La moneda correcta de esa traducción puede ni siquiera ser milímetro de lluvia. En Nueva York, 1,5 minuto adicional de retraso ya predice caída de 37% en la demanda, según el mismo estudio de ScienceDirect (2026) citado arriba. El tiempo de espera pesa más en la decisión del pasajero que el precio del viaje.

Esto cambia la pregunta que la operación debería hacer. En lugar de preguntar "cuántos milímetros van a caer", la plataforma debería preguntar "en qué corredor la lluvia prevista empuja el tiempo de espera más allá del punto en que el pasajero cancela". Es un umbral de comportamiento, no de meteorología pura.

El costo de fallar esa traducción aparece en números concretos. Una encuesta citada por Autopapo (2026) muestra que 48,09% de las cancelaciones en apps de transporte ocurren por demora en la llegada. Si el tiempo de espera es la variable que más derrumba la demanda, es esa variable la que necesita ser prevista con anticipación, corredor por corredor.

Ya escribí sobre este tipo de ruptura silenciosa en otro contexto operacional: la parada no programada por lluvia extrema tiene el mismo formato en flota de movilidad urbana y en activo industrial. La diferencia es la escala de tiempo: en la app, la decisión necesita tomarse en minutos, no en horas.

Anticipar el evento cuesta menos que reaccionar a él. Para una plataforma de movilidad, esto significa reasignar flota antes de que la lluvia alcance el corredor crítico, no ajustar tarifa después de que la fila de espera ya se formó. Es la diferencia entre gestionar el riesgo y solo trasladar el costo al pasajero.

Comida y entregas: el mismo corredor, el trabajador más expuesto

El razonamiento no vale solo para quien transporta pasajeros. Comida y entregas en general usan exactamente la misma red vial, en el mismo horario pico, con el mismo tipo de lluvia localizada. Lo que cambia es la moneda de la pérdida: en vez del tiempo de espera del pasajero, lo que se quiebra es el plazo de entrega y el pedido cancelado.

La lógica de oferta y demanda también se repite, con un detalle que la agrava. Cuando la lluvia aprieta, más gente se queda en casa y la demanda de entrega sube. Al mismo tiempo, parte de los repartidores se detiene por seguridad, porque la calle inundada es riesgo directo para quien va en moto o en bicicleta. La demanda sube y la oferta cae, el mismo desequilibrio que el transporte de pasajeros revela en la tarifa dinámica y en la cancelación.

Hay una diferencia que el volumen de pedidos no muestra. En el transporte de pasajeros, el activo es el auto y la flota. En la entrega, el activo principal es la persona. El repartidor en bicicleta o moto trabaja al aire libre, sin cabina y sin techo, y aparece entre los grupos más expuestos al calor extremo, según relevamiento de Nexo con WRI Brasil. Despachar una entrega hacia un tramo inundado deja de ser solo decisión de precio y pasa a ser decisión de operación y de seguridad del trabajador.

Por eso la pregunta del operador de entrega es la misma que la del operador de flota: en qué corredor, en qué ventana, la lluvia prevista cruza el umbral que derrumba la oferta y hace incumplir el plazo. La escala que responde a esa pregunta es la misma, y es por corredor, no por ciudad. Cuando el corredor se convierte en la unidad de decisión, la plataforma de entrega deja de descubrir el problema por el pedido que se atrasó y pasa a actuar antes del pico.

Diagnóstico gratuito de riesgo climático: vea, corredor por corredor, dónde el pronóstico de ciudad esconde el riesgo que su operación ya siente en el tiempo de espera y en la cancelación.

Preguntas frecuentes

¿Por qué el viaje se pone tanto más caro cuando llueve?

Porque la oferta de conductores cae justamente cuando la demanda sube, y el algoritmo de precio dinámico reacciona a ese desequilibrio. En Brasil, este mecanismo llegó a elevar viajes hasta un 56%, con picos de 70% en capitales, según Exame (2026).

¿El pronóstico de lluvia no basta para evitar el problema?

No por sí solo. El pronóstico de lluvia dice que va a llover en la ciudad; no dice en qué corredor la oferta va a caer por debajo del punto crítico. Falta la traducción de milímetros de lluvia a minutos de espera, que es lo que decide la reasignación de flota.

¿Qué es el riesgo climático operacional en la movilidad?

Es la probabilidad de que una condición climática, como lluvia fuerte en un corredor específico, cruce el umbral que reduce la oferta de conductores y aumenta el tiempo de espera lo suficiente para disparar precio dinámico o cancelación. No es el clima en sí, es el clima cruzando un umbral de negocio.

¿Por qué el pronóstico de ciudad no resuelve el problema del corredor?

Porque las tormentas convectivas ocurren en escalas de pocos kilómetros, y la correlación entre estaciones de medición cae justamente en las lluvias fuertes, según estudio publicado en MDPI (2020). El promedio de la ciudad borra exactamente el evento que más importa para la operación.

¿Las apps de comida y entrega sufren el mismo efecto de la lluvia?

Sí, y la lógica es la misma. Usan la misma red vial y enfrentan el mismo tipo de evento localizado, con la oferta de repartidores cayendo mientras la demanda de entrega sube. Lo que cambia es la moneda del impacto: plazo incumplido y pedido cancelado en lugar del tiempo de espera del pasajero, con el repartidor como activo más expuesto (Nexo, 2024; WRI Brasil, 2025).

Lo que cambia cuando el corredor se convierte en la unidad de decisión

Mientras la lluvia sea tratada como un hecho de la ciudad, la plataforma va a seguir reaccionando con tarifa dinámica después de que el pasajero ya desistió. Cuando el corredor se convierte en la unidad de medida, la decisión migra de "cuánto cobrar" a "dónde reasignar flota antes de que el umbral sea cruzado". En una operación de entrega, el mismo movimiento cambia la pregunta de "cuánto cobrar por la entrega" a "hacia dónde despachar antes del pico".

Si usted opera flota, despacho, planificación de demanda o una operación de entregas, lo invito a hacer el diagnóstico gratuito de riesgo climático de i4sea, punto por punto, para ver dónde el pronóstico de ciudad esconde el riesgo real de su corredor. Solicite su diagnóstico aquí.

Referencias

Uber Newsroom (2019). Dados de trânsito e chuva em São Paulo. https://www.uber.com/pt-BR/newsroom/uber-compartilha-dados-para-ajudar-pesquisas-sobre-transito-e-em-politicas-de-mobilidade

Exame (2026). Por que corridas por aplicativo ficaram 56% mais caras. https://exame.com/economia/por-que-corridas-por-aplicativo-como-uber-e-99-ficaram-56-mais-caras/

Campo Grande News (2026). Corridas por aplicativo mais que dobram de preço após temporal. https://www.campograndenews.com.br/cidades/capital/corridas-por-aplicativo-mais-que-dobram-de-preco-apos-temporal

ScienceDirect (2025). Case study sobre chuva e demanda de corridas em Chicago. https://www.sciencedirect.com/science/article/pii/S2590198225004919

ScienceDirect (2026). Estudo sobre chuva e demanda de corridas em Nova York. https://www.sciencedirect.com/science/article/abs/pii/S0739885926000351

MDPI (2020). Spatial Rainfall Variability in Urban Environments. https://www.mdpi.com/2073-4441/12/4/1157

Diário Gaúcho/ClicRBS (2026). Chuva triplica preço de corrida em Porto Alegre.

Nexo (2024). Entregadores por aplicativo e exposição ao calor extremo.

WRI Brasil (2025). Exposição climática de entregadores de bike e moto.

Autopapo (2026). Pesquisa sobre cancelamentos em apps de transporte.

Prefeitura de São Paulo. Mapeamento de pontos de alagamento recorrente.

Haddad, E. e Teixeira, E. Agência FAPESP (2013). Custo econômico das enchentes em São Paulo.

CNseg/EY, COP30 (2025). Perdas climáticas no Brasil e cobertura de seguro.

Ecodebate (2026). Impacto do calor na produtividade do trabalho.