🔬 physics

Demand-agnostic assessment of on-demand pooled transit services

Questo articolo introduce un framework di valutazione demand-agnostic che utilizza simulazioni e soglie di prestazione per identificare aree urbane e hub ottimali per il dispiegamento di servizi di trasporto on-demand condiviso anche quando i dati precisi sulla domanda non sono disponibili, come dimostrato da un caso di studio a Cracovia.

Autori originali: Olha Shulika, Hanna Vasiutina, Michał Bujak, Farnoud Ghasemi, Rafał Kucharski

Pubblicato 2026-06-17

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Olha Shulika, Hanna Vasiutina, Michał Bujak, Farnoud Ghasemi, Rafał Kucharski

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un pianificatore urbano che sta cercando di lanciare un nuovo tipo di servizio di autobus. Non si tratta di un normale autobus con un orario fisso; è un "autobus intelligente" che appare solo quando le persone lo richiedono, raccoglie i vicini lungo il percorso e li porta alla stazione ferroviaria o della tramvia più vicina. È come un carpooling digitale che collega la tua casa alla principale rete di trasporto.

Il grande problema? Non sai ancora chi lo userà davvero. Non puoi chiedere alle persone: "Lo useresti?", perché il servizio non esiste ancora. Se scegli il quartiere sbagliato, potresti sprecare denaro per un autobus che viaggia vuoto. Se scegli quello giusto, risparmi denaro alla città e aiuti le persone a spostarsi più facilmente.

Questo articolo presenta una palla di cristallo per i pianificatori urbani. È un metodo per capire dove lanciare questo servizio prima ancora di acquistare un singolo autobus, anche quando non si hanno dati su quante persone si iscriveranno.

L'analogia della "Semina"

Pensa alla città come a un giardino con 12 diversi appezzamenti di terreno (quartieri). Vuoi piantare un seme speciale (il servizio di autobus on-demand) nell'appezzamento dove crescerà meglio.

Di solito, gli agricoltori aspettano di vedere i semi germogliare per sapere se il terreno è buono. Ma qui, i ricercatori dicono: "Facciamo finta di piantare i semi e vediamo come reagirebbe il terreno".

Utilizzano un concetto chiamato "Frazione di Domanda". Immagina questo come una manopola che puoi ruotare.

Impostazione bassa (0,1%): Solo 1 residente su 1.000 è interessato al servizio.
Impostazione alta (5%): 1 residente su 20 è interessato.

I ricercatori eseguono una simulazione al computer per ciascuno dei 12 quartieri. Ruotano la manopola lentamente, chiedendosi: "A che punto questo servizio inizia a funzionare bene?"

I tre "Controlli di Salute" (KPI)

Per decidere se un quartiere è un buon candidato, la simulazione controlla tre parametri vitali, simili al controllo del successo di un nuovo ristorante:

Il controllo del "Risparmio di Carburante" (Riduzione del chilometraggio): Condividere il viaggio fa davvero risparmiare carburante? Se tutti viaggiano da soli, è uno spreco. Se condividono, la distanza totale percorsa diminuisce di almeno il 10%?
Il controllo del "Comfort" (Soddisfazione del passeggero): Il viaggio è ancora piacevole? Se l'autobus deve fare una deviazione enorme per raccogliere un vicino, il passeggero potrebbe infastidirsi. La simulazione controlla se il viaggio è almeno il 2,5% "migliore" (o almeno non peggiore) rispetto all'uso di un'auto privata.
Il "Controllo dell'Autobus Affollato" (Occupazione): L'autobus sta trasportando più di una persona? Se il numero medio di persone nel veicolo è inferiore a 2, è solo un taxi privato travestito. L'autobus deve trasportare almeno 2 persone in media per essere considerato un successo di "condivisione".

La corsa al traguardo

I ricercatori hanno eseguito questa simulazione per 12 diverse aree di Cracovia, in Polonia. Hanno chiesto: "Qual è il quartiere 'campione'?"

Il campione non è necessariamente quello con più persone. È quello che soddisfa tutti e tre i "Controlli di Salute" con il minor numero di utenti interessati.

Il Vincitore: Area 9 (vicino alla stazione ferroviaria di Mydlniki). Quest'area era il "terreno super fertile". Ha soddisfatto tutti i criteri di successo anche quando solo una minuscola frazione di residenti (meno dell'1%) era interessata. Era il posto più efficiente per iniziare.
I Perdenti: Area 10 e Area 4. Queste aree erano come terreni rocciosi. Anche quando hanno alzato la manopola al 5% di interesse, il servizio non soddisfaceva ancora gli obiettivi di efficienza o comfort. In alcuni casi, queste aree erano semplicemente troppo vicine alle stazioni ferroviarie esistenti, quindi un autobus di collegamento non era affatto necessario.

La "Mappa di Crescita"

Una volta trovato il vincitore (Area 9), hanno creato una tabella di marcia per il futuro. Hanno detto alla città:

La Scintilla: Se ottieni solo lo 0,025% dei residenti, avverranno i primi viaggi condivisi.
Il Picco di Crescita: Al 0,05%, il servizio inizia a funzionare davvero bene.
Lo Stato Stabile: Una volta raggiunta la soglia dello 0,1% - 0,7%, il servizio funziona in modo fluido ed efficiente.

Il succo del discorso

Questo articolo fornisce alle città uno strumento decisionale. Invece di tirare a indovinare o aspettare dati reali che potrebbero non arrivare mai, possono usare questo metodo per dire: "Non mettete l'autobus nel Quartiere A; mettetelo nel Quartiere B. Inizierà a funzionare con meno persone e risparmierà più denaro."

È un modo per eliminare l'incertezza dal lancio di nuovi trasporti condivisi, assicurando che, quando il servizio arriverà finalmente, abbia le migliori possibilità di successo fin dal primo giorno.

Sintesi Tecnica: Valutazione Demand-Agnostic di Servizi di Trasporto On-Demand Aggregato

Definizione del Problema
I comuni che cercano di ridurre la dipendenza dall'auto e migliorare la vivibilità urbana si trovano spesso di fronte a una barriera critica nel dispiegamento di servizi di alimentazione (feeder) a chiamata e aggregati: l'assenza di dati affidabili sulla domanda durante la fase di pianificazione. L'ottimizzazione tradizionale del servizio si basa su tassi di viaggio osservati, ripartizioni modali o livelli di utenza a livello di percorso, che non sono disponibili per servizi completamente nuovi. Questa mancanza di dati complica la selezione delle aree di implementazione e delle posizioni degli hub ottimali, particolarmente nelle regioni urbane a bassa densità dove la domanda è incerta. Senza figure precise sulla domanda, i comuni faticano a determinare dove un servizio sarà operativamente sostenibile o come stabilire aspettative di performance realistiche prima del lancio.

Metodologia
Gli autori propongono un quadro di valutazione parametrico-free e demand-agnostic progettato per valutare il potenziale dei servizi di alimentazione on-demand aggregati senza richiedere la calibrazione preventiva di parametri specifici della domanda. La metodologia procede attraverso i seguenti passaggi:

Dati di Input: L'approccio utilizza le reti stradali di OpenStreetMap (OSM), la distribuzione dei punti di indirizzo residenziale (che rappresenta la popolazione) e le coppie area-hub candidate fornite dai pianificatori comunali.
Generazione della Domanda: Inveve di assumere una domanda fissa, il metodo simula la potenziale domanda utilizzando una "frazione di domanda" ( $\alpha$ ). Questa rappresenta la probabilità che un residente utilizzi il servizio. La domanda viene generata casualmente tra i punti residenziali all'interno delle aree candidate, con i viaggiatori che si dirigono verso l'hub di trasporto pubblico più vicino. La simulazione testa valori di $\alpha$ che vanno dallo 0,1% al 5% della popolazione locale.
Algoritmo di Matching (ExMAS): Lo studio impiega l'algoritmo Exact Matching of Attractive Shared Rides (ExxMAS). Questo algoritmo offline basato sull'utilità accoppia i viaggiatori in corse aggregate solo se il viaggio condiviso offre un'utilità superiore rispetto a un viaggio di ride-hailing individuale, considerando tempi di percorrenza, deviazioni, tempi di attesa e penalità per il disagio.
- Baseline: Il confronto è effettuato rispetto a uno scenario in cui tutti i potenziali utenti effettuano singoli viaggi di ride-hailing.
- Assunzioni: Il servizio di alimentazione è modellato come gratuito al punto d'uso (nessun premio tariffario per l'aggregazione), il che significa che i guadagni di utilità sono guidati esclusivamente dalla riduzione dei costi di viaggio (se applicabile) o dal compromesso tra sconti tariffari e disagio. L'algoritmo assume una capacità del veicolo di sei passeggeri.
Indicatori di Performance (KPI): Tre metriche chiave vengono valutate attraverso diverse frazioni di domanda:
- Riduzione delle Ore Veicolo ( $\Delta T_v$ ): La riduzione delle ore totali del veicolo rispetto al viaggio singolo.
- Guadagno di Utilità del Passeggero ( $\Delta U_p$ ): Il miglioramento dell'utilità percepita dal viaggiatore (comfort/comodità) rispetto al viaggio singolo.
- Occupazione Media ( $O$ ): Il numero medio di passeggeri per veicolo.
Selezione Basata su Soglie: L'innovazione centrale è l'identificazione della frazione di domanda minima ( $\alpha^*$ ) necessaria per soddisfare specifici parametri operativi:
- $\Delta T_v \geq 0,1$ (riduzione del 10% delle ore veicolo).
- $\Delta U_p \geq 0,025$ (miglioramento del 2,5% dell'utilità).
- $O \geq 2$ (l'occupazione media supera 2).
  Le aree e gli hub che soddisfano queste soglie con la frazione di domanda più bassa sono classificati come i candidati più promettenti per il dispiegamento.
Benchmarking: Per la combinazione area-hub con il ranking più alto, lo studio stabilisce dei benchmark per il "periodo a bassa domanda", identificando i livelli di domanda in cui l'aggregazione emerge, il potenziale cresce e si raggiunge una performance costante dei KPI.

Contributi Chiave

Strumento di Valutazione Pre-Deployment: Il documento introduce un metodo strutturato affinché i comuni possano selezionare le aree ottimali per nuovi servizi di alimentazione on-demand in assenza di dati esatti sulla domanda.
Simulazione Probabilistica della Domanda: Utilizzando frazioni di domanda anziché matrici di viaggio fisse, il metodo consente la valutazione della sostenibilità del servizio attraverso uno spettro di potenziali tassi di adozione.
Soglie Operative: Lo studio definisce soglie specifiche e conservative per ore veicolo, utilità e occupazione che distinguono un sistema aggregato da una collezione di viaggi singoli.
Logica di Selezione dell'Hub: La metodologia include un meccanismo per selezionare l'hub di transito ottimale per una data area confrontando la performance dei KPI tra molteplici destinazioni potenziali.

Risultati (Caso di Studio di Cracovia)
La metodologia è stata applicata a 12 aree a bassa densità pre-selezionate a Cracovia, in Polonia, accoppiate con hub di trasporto pubblico vicini (stazioni di tram e treno).

Classifica: Le aree sono state classificate in base alla frazione di domanda minima richiesta per soddisfare tutti e tre i KPI.
Candidato Top: L'Area 9, accoppiata con l'hub ferroviario Kraków Mydlniki (PKP), è stata identificata come il candidato più promettente. Ha raggiunto tutte le soglie con le frazioni di domanda più basse (ad esempio, $\alpha = 0,001$ per la riduzione delle ore veicolo, $\alpha = 0,005$ per l'utilità, $\alpha = 0,007$ per l'occupazione).
Meno Promettente: L'Area 10 (alta densità ma molto vicina a un hub) e l'Area 4 hanno ottenuto il ranking più basso, con l'Area 10 che non ha soddisfatto le soglie di occupazione e utilità nemmeno con una frazione di domanda del 5%. Ciò suggerisce che la prossimità a hub esistenti ad alta frequenza riduce la necessità di servizi di alimentazione.
Benchmark per l'Area 9: Per l'area con il ranking più alto, lo studio ha stabilito che le corse aggregate emergono con una frazione di domanda dello 0,025%, la crescita significativa avviene allo 0,05% e la capacità operativa stabile (raggiungimento di tutte le soglie) si ottiene tra lo 0,1% e lo 0,7% della domanda.

Significatività e Rivendicazioni
Il documento sostiene che questo approccio fornisca ai comuni uno strumento strutturato e basato sui dati per prendere decisioni pre-deployment riguardanti il trasporto on-demand aggregato. Identificando le aree che richiedono il minor livello di interesse da parte dei residenti per raggiungere l'efficienza operativa, i pianificatori possono dare priorità alle località con la più alta probabilità di successo. Gli autori sottolineano che le frazioni di domanda minima identificate rappresentano soglie di sostenibilità operativa, non previsioni dell'effettiva utenza. Notano inoltre che in contesti in cui l'adozione è bassa, potrebbero essere necessarie misure aggiuntive (ad esempio, integrazione con la bigliettazione, sussidi) per raggiungere tali soglie nella pratica. Lo studio si pone come una soluzione al problema del "uovo e la gallina" relativo al lancio di nuovi servizi senza dati storici, offrendo un modo per valutare il potenziale basandosi solo sulle caratteristiche spaziali e demografiche.

Limitazioni
Gli autori riconoscono che l'algoritmo ExMAS modella un limite superiore del potenziale di aggregazione poiché non gestisce esplicitamente i vincoli della flotta. Lo studio assume un singolo hub predeterminato per tutti i viaggiatori e non tiene conto di scelte modali complesse (camminata, bicicletta) o dell'intero viaggio (alimentazione + transito principale). Il lavoro futuro suggerisce di incorporare dati osservati sulla scelta modale, una modellazione esplicita della flotta e valutazioni del viaggio più ampie.