Sintesi Tecnica: Pianificazione Consapevole del Rischio per la Remediation dei Deserti di Trasporto Sotto Incertezza della Domanda

1. Definizione del Problema

Il documento affronta la sfida della remediation dei deserti di trasporto (transit desert remediation): allocare capitale scarso per migliorare il trasporto pubblico in aree dove la domanda esiste ma il servizio è inadeguato. La difficoltà principale risiede nell'incertezza della domanda. A differenza dei corridoi consolidati dove l'attrattività è osservabile, i deserti di trasporto mancano di dati storici; le agenzie non possono osservare la domanda prima che il servizio venga effettivamente erogato.

La pianificazione tradizionale si basa su modelli a quattro fasi della domanda di viaggio che utilizzano preferenze rivelate (sondaggi) e previsioni sull'uso del suolo. Tuttavia, questi modelli falliscono nelle zone non servite perché estraggono dati dalle infrastrutture esistenti, rischiando di rafforzare i divari indirizzando gli investimenti solo verso aree dove la domanda è già certa. Gli autori inquadrano questo scenario come un problema di processo decisionale sequenziale sotto parziale osservabilità, in cui un'agenzia deve bilanciare i guadagni immediati in termini di equità con il rischio di perdite finanziarie e il valore dell'apprendimento della domanda latente attraverso le prime implementazioni del servizio.

2. Metodologia

A. Formalizzazione come POMDP

Il problema è modellato come un Processo Decisionale di Markov Parzialmente Osservabile (POMDP) su un orizzonte di cinque anni:

• Stato ($s_t$): Include la mappa di copertura attuale ($v_t$), il budget rimanente ($B_t$) e un vettore di domanda latente nascosta ($d$). La domanda viene estratta una sola volta da una distribuzione a priori e rimane fissa (incertezza epistemica), piuttosto che fluttuare come uno shock stocastico.
• Azione ($a_t$): Allocazione del budget tra le zone dei censimenti. La copertura in una zona cambia solo quando l'investimento cumulativo supera una specifica soglia di costo.
• Osservazione ($o_t$): Conteggi di passeggeri rumorosi sono osservati solo nelle zone che hanno ricevuto il servizio. Le zone non servite non forniscono alcun segnale, costringendo il pianificatore a "acquistare" informazioni attraverso l'implementazione.
• Ricompensa: Una funzione composita che combina:
  1. Guadagno di copertura ponderato per l'equità: Ponderato inversamente rispetto al reddito mediano ($w_z \propto 1/\text{Reddito}_z$).
  2. Penalità di Rischio: Un termine di Value-at-Risk Condizionale (CVaR) che penalizza il deficit finanziario atteso nella peggiore frazione $\alpha$ (fissata al 10%) di scenari di domanda. Ciò impedisce al pianificatore di inseguire zone ad alta varianza e alto rendimento a scapito della stabilità fiscale.

B. Dinamiche della Credenza e Informazioni Collaterali

Il sistema mantiene una distribuzione a priori log-normale sulla domanda latente per ogni zona, condizionata da informazioni collaterali (densità di popolazione, occupazione, reddito, accesso ai veicoli e distanza dal trasporto esistente).

• Varianza a Priori: Alle zone più lontane dal trasporto esistente viene assegnata una varianza a priori più elevata, riflettendo una prova più debole riguardo all'attrattività.
• Aggiornamento Bayesiano: Man mano che il servizio viene implementato e l'attrattività osservata, la distribuzione a posteriori viene aggiornata utilizzando un aggiornamento coniugato normale-normale nello spazio logaritmico. La varianza si contrae con ogni osservazione, permettendo al pianificatore di affinare le stime della domanda per le zone servite pur rimanendo incerto su quelle non servite.

C. Approccio di Soluzione

Dato l'orizzonte di cinque anni e lo spazio delle azioni moderato, gli autori impiegano un pianificatore miope consapevole delle credenze piuttosto che un approccio POMCP (Partially Observable Monte Carlo Planning) completo.

• Obiettivo: Massimizzare il guadagno atteso di copertura ponderata per l'equità meno la penalità CVaR, più un bonus esplicito di Valore dell'Informazione (IV). Il bonus IV incentiva l'investimento in zone con alta incertezza a posteriori per accelerare l'apprendimento.
• Ottimizzazione: Il problema viene risolto tramite Approssimazione della Media dei Campioni (SAA). Il pianificatore estrae 200 scenari di domanda dallo stato di credenza corrente e risolve un Programma Lineare (LP) con variabili CVaR ausiliarie. Ciò consente una computazione rapida (meno di 0,5 secondi per periodo per città).

D. Modello Finanziario

Il modello integra un quadro finanziario unificato per 25 città, calcolando:

• Costo Operativo: Basato sulle ore-veicolo e sulla parità dei prezzi regionali.
• Costo di Capitale: Costi ammortizzati per i veicoli (12 anni) e le infrastrutture (30 anni).
• Ricavi: Stimati come attrattività $\times$ tariffa $\times$ tasso di cattura.
• Sussidio Netto: La differenza tra costi e ricavi, utilizzata per calcolare la metrica di rischio CVaR.

3. Configurazione Sperimentale

• Dataset: 25 città in Nord e Sud America (incluse Chicago, Austin, Detroit, Portland, Bogotá e altre), che variano per dimensione, forma urbana e maturità del trasporto.
• Zone: Aree censuarie (o unità amministrative a Bogotá), con 60–200 zone per città.
• Baseline:
  1. Ottimizzazione Statica: Un piano quinquennale deterministico che alloca l'intero budget basandosi sulla media a priori della domanda, senza aggiornamenti sequenziali.
  2. Copertura Greedy: Finanzia la zona non coperta con il miglior rapporto equità-costo, ignorando rischio e valore dell'informazione.
  3. Allocazione Casuale: Selezione casuale uniforme.
• Metriche: Frazione di aree deserti di trasporto remediate ($\Delta C$), efficienza dei costi, punteggio di equità e rischio finanziario (CVaR del sussidio netto).

4. Risultati Chiave

A. Guadagni di Performance

• Tasso di Remediation: Il pianificatore POMDP remedia una mediana del 53,6% delle aree deserti di trasporto in cinque anni.
• Miglioramento rispetto allo Statico: In media, l'approccio POMDP migliora i tassi di remediation di 5,0 punti percentuali (un guadagno relativo dell'11,3%) rispetto all'ottimizzazione statica. Supera la pianificazione statica in 16 città su 25.
• Sensibilità al Budget: I guadagni sono più pronunciati con budget moderati. Al 50% del budget di base, il vantaggio raggiunge il picco di +9,9 punti percentuali. Con un budget del 200% (dove entrambe le politiche si avvicinano a una copertura del 93%), il divario si riduce a +2,6 punti.
• Robustezza: Il pianificatore mantiene il suo vantaggio anche quando il modello di domanda a priori è significativamente mal calibrato (fino al 50% di rumore), mentre la performance della pianificazione statica rimane piatta poiché non può rivedere la sua previsione iniziale.

B. Predittori Strutturali

• Driver dei Costi: La densità di popolazione è il predittore più forte del costo di remediation per area ($R^2 = 0,41$). Raddoppiare la densità di popolazione riduce i costi per area di circa il 30%.
• Efficienza dei Costi: Le città compatte e ad alta densità (es. Chicago, San Francisco) sono più economiche da remedi tramite estensioni di linea, mentre le metropoli espanse a bassa densità (es. Houston, Phoenix) richiedono percorsi più lunghi con minore densità di passeggeri, aumentando i costi.

C. Rischio ed Equità

• Rischio Finanziario: Sebbene il rischio aggregato del sussidio netto (CVaR) sia leggermente superiore per il pianificatore POMDP (a causa del servizio a più zone), il rischio per area remediata è inferiore. La penalità CVaR indirizza efficacemente il pianificatore lontano dagli investimenti ad alta incertezza e alto rischio di fallimento.
• Equità: La ricompensa ponderata per l'equità assicura che la strategia adattiva non si allontani dalle zone a basso reddito; nelle città con alta incertezza, essa sposta attivamente l'investimento verso di esse.

D. Studi di Ablazione

• Valore dell'Informazione: Rimuovere il bonus esplicito del Valore dell'Informazione (IV $\eta=0$) riduce le performance di soli 0–4 punti percentuali nelle città con analisi approfondita. Ciò indica che il driver principale del successo è l'aggiornamento della credenza Bayesiana sull'attrattività osservata, piuttosto che un premio di esplorazione esplicito. Il pianificatore impara naturalmente dalle prime implementazioni, migliorando le allocazioni successive.

5. Significato e Rivendicazioni

Il documento sostiene di essere il primo lavoro a:

1. Formulare la remediation dei deserti di trasporto esplicitamente come un POMDP per gestire il problema del "cold start" della domanda non osservabile.
2. Integrare i vincoli CVaR per gestire il rischio di coda finanziaria nella pianificazione sequenziale del trasporto pubblico.
3. Fornire un benchmark empirico attraverso 25 città diverse usando un modello finanziario unificato, andando oltre gli esempi illustrativi.

Gli autori sostengono che i loro risultati dimostrano che le prime implementazioni del servizio possono essere progettate per raccogliere informazioni oltre che per espandere la copertura. Un piano di capitale quinquennale non deve essere basato interamente su proiezioni iniziali; invece, le agenzie possono usare le prime osservazioni dell'attrività per informare le allocazioni successive senza abbandonare gli obiettivi di equità. Lo studio suggerisce che la pianificazione consapevole delle credenze è più preziosa nelle città con domanda incerta e budget moderati, offrendo un'alternativa robusta alla pianificazione statica e deterministica.

6. Limitazioni

Gli autori riconoscono diversi semplificazioni del modello:

• Il modello di domanda è log-lineare e non cattura la domanda indotta (nuovi passeggeri generati dal nuovo servizio).
• Le stime dei costi si basano su medie nazionali dove i dati specifici della città non sono disponibili.
• La domanda realizzata è trattata come statica durante l'intero orizzonte di pianificazione.
• Lo spazio delle azioni omette i vincoli politici e normativi che spesso dettano l'effettiva espansione del servizio.