L’analisi degli effetti spaziali e temporali sulle scelte di mobilità condivisa
Negli ultimi anni, la mobilità sostenibile ha assunto un ruolo centrale nell’evoluzione delle politiche urbane, con particolare attenzione rivolta alle soluzioni innovative che possano ridurre l’impatto ambientale e ottimizzare l’uso delle risorse di trasporto. Tra queste, il car sharing elettrico si è affermato come una delle modalità più promettenti, combinando i vantaggi della condivisione del veicolo con quelli della propulsione a zero emissioni. Tuttavia, nonostante la sua crescente popolarità, rimangono aperte numerose questioni riguardo ai fattori che influenzano effettivamente la domanda di questo servizio. In particolare, la complessa interazione tra variabili spaziali, temporali e ambientali urbane richiede un’analisi approfondita e metodologicamente solida per consentire una pianificazione efficace da parte degli operatori e delle amministrazioni pubbliche.
Un recente studio pubblicato sulla rivista Journal of Transportation Engineering and Information affronta proprio questa tematica, proponendo un approccio innovativo per comprendere le dinamiche alla base delle scelte degli utenti di auto elettriche condivise. La ricerca, condotta da Liao Yang, Luo Xia e Wang Hongjie dell’Università del Sud-Ovest per le Scienze del Trasporto e della Logistica di Chengdu, in collaborazione con il National Engineering Laboratory of Integrated Transportation Big Data Application Technology, si distingue per la sua rigorosa metodologia e per l’integrazione di dati eterogenei provenienti da fonti multiple. L’obiettivo principale è stato quello di sviluppare un sistema quantitativo in grado di catturare non solo le caratteristiche spaziali e temporali della domanda, ma anche le influenze derivanti dalle caratteristiche delle stazioni, dall’ambiente costruito e dalla distribuzione delle attività urbane.
Il punto di partenza della ricerca è stata l’analisi delle caratteristiche autocorrelative dello spazio e del tempo relative al volume degli ordini di auto elettriche condivise. A differenza di molti studi precedenti, che si sono limitati a descrivere le tendenze senza integrare pienamente i fattori temporali e spaziali nei modelli predittivi, questo lavoro ha voluto superare tale limite. Gli autori hanno riconosciuto che ignorare la dipendenza spaziale – ovvero il fatto che la domanda in una certa area è spesso correlata a quella delle aree circostanti – può portare a stime distorte e a conclusioni errate. Per questo motivo, hanno adottato un approccio che tiene conto esplicitamente di questi effetti, utilizzando modelli statistici avanzati in grado di rilevare pattern nascosti e relazioni non lineari.
Il primo passo è stato quello di esaminare il comportamento temporale degli utenti. Attraverso l’analisi delle serie storiche, gli studiosi hanno osservato una chiara differenza tra giorni feriali e festivi: il volume degli ordini nei fine settimana e nei giorni non lavorativi è significativamente più elevato. Questo risultato, coerente con studi condotti in altre città come Shanghai, Toronto e Zurigo, suggerisce che il car sharing elettrico non è principalmente uno strumento per la mobilità quotidiana legata al lavoro, ma piuttosto una risorsa utilizzata per spostamenti ricreativi, sociali e di piacere. Un aspetto particolarmente interessante emerso dall’analisi è il picco di utilizzo registrato durante le ore notturne, tra mezzanotte e le sei del mattino. Tale fenomeno si discosta nettamente dai modelli di utilizzo dell’auto privata e indica che il servizio colma un vuoto lasciato dai trasporti pubblici, soprattutto in quelle fasce orarie in cui i collegamenti sono ridotti o assenti. Questo dato assume un valore strategico per gli operatori, che potrebbero considerare di aumentare la disponibilità di veicoli in determinate aree durante la notte, soprattutto in prossimità di zone ad alta concentrazione di attività notturne.
Parallelamente, l’analisi spaziale ha rivelato una forte autocorrelazione globale, ovvero una tendenza alla concentrazione della domanda in specifiche aree urbane. L’indice di Moran, utilizzato per misurare questo fenomeno, ha mostrato valori positivi e statisticamente significativi in tutti i periodi analizzati, indicando che le stazioni con alta domanda tendono a essere geograficamente vicine ad altre stazioni altrettanto popolari. Questo pattern è più marcato nei giorni feriali, probabilmente a causa della maggiore regolarità degli spostamenti legati al lavoro e ai servizi. Tale evidenza suggerisce che la pianificazione delle stazioni non può essere fatta in modo isolato, ma deve considerare il contesto spaziale e le dinamiche di interazione tra punti di prelievo e riconsegna.
Per affrontare queste complessità, gli autori hanno sviluppato un sistema di quantificazione degli effetti denominato “S-T+S+T+5D”, che integra quattro dimensioni fondamentali: caratteristiche spazio-temporali (S-T), attributi delle stazioni (S), attributi del trasporto pubblico (T) e caratteristiche dell’ambiente costruito (5D). Questo framework rappresenta un’evoluzione significativa rispetto ai modelli tradizionali, che spesso si basano su aggregazioni spaziali semplici e su definizioni poco precise delle variabili ambientali. In particolare, il team di ricerca ha affinato il metodo di aggregazione regionale, passando da griglie quadrate a esagonali, che permettono una rappresentazione più naturale delle relazioni di vicinanza tra le stazioni. Inoltre, hanno introdotto una procedura per determinare il centroide dei gruppi di stazioni in base alla minimizzazione della distanza euclidea, riducendo il rischio di errori nella definizione delle connessioni spaziali.
Un altro punto di forza dello studio è la definizione dettagliata della distribuzione spaziale dei punti di interesse (POI). Mentre molti lavori precedenti si sono limitati a considerare la densità dei POI, questo studio introduce tre dimensioni aggiuntive: densità, prossimità e agglomerazione. Quest’ultima è stata misurata attraverso un indice di dispersione puntuale, che permette di distinguere tra aree in cui i servizi sono distribuiti in modo uniforme e aree in cui sono fortemente concentrati. Tale distinzione è fondamentale, poiché una concentrazione elevata di attività – come centri commerciali, ospedali o università – tende ad attrarre un numero maggiore di utenti, aumentando la probabilità di utilizzo del car sharing.
La validazione empirica del modello è stata condotta attraverso la costruzione e il confronto di tre diversi approcci: il modello lineare generalizzato (GLM), il modello a foreste casuali (RF) e il modello additivo generalizzato misto (GAMM). Ogni modello presenta vantaggi e limiti. Il GLM, pur essendo semplice e interpretabile, si basa su ipotesi di linearità che spesso non riflettono la realtà dei fenomeni complessi come la mobilità urbana. Il RF, pur offrendo un’elevata capacità predittiva, è un modello “a scatola nera” che rende difficile comprendere i meccanismi sottostanti. Il GAMM, invece, combina la flessibilità nell’identificare relazioni non lineari con una buona interpretabilità, grazie alla possibilità di modellare effetti fissi e casuali e di includere interazioni spaziali.
I risultati del confronto hanno evidenziato che il GAMM supera gli altri due modelli sia in termini di capacità esplicativa che di capacità di catturare le dipendenze spaziali. Mentre il GLM e il RF mostravano residui con autocorrelazione spaziale significativa – indicando che una parte della varianza non era spiegata – il GAMM è riuscito a ridurre tale autocorrelazione a livelli non significativi, dimostrando una maggiore accuratezza nel rappresentare la struttura spaziale della domanda.
Tra i fattori analizzati, quelli legati agli attributi delle stazioni si sono rivelati i più influenti. In particolare, la capacità di parcheggio ha mostrato un effetto soglia: un aumento della capacità fino a circa 70 unità stimola la domanda, ma oltre questo valore l’effetto diventa negativo. Questo fenomeno può essere spiegato con l’aumento dei costi operativi e con la riduzione dell’efficienza nella ricerca del veicolo, che scoraggia gli utenti. Un altro aspetto cruciale è la distanza tra stazioni adiacenti: se troppo ravvicinate, possono entrare in competizione, riducendo la domanda per ciascuna; se troppo distanti, possono lasciare vuoti di servizio. L’analisi ha identificato un punto ottimale intorno ai 2 km, oltre il quale la domanda tende a diminuire.
Per quanto riguarda il trasporto pubblico, lo studio ha rivelato relazioni complesse e non lineari. La distanza dalla metropolitana mostra un effetto ambivalente: entro i 2 km, la presenza della metropolitana riduce la domanda di car sharing, probabilmente perché gli utenti preferiscono il trasporto collettivo; oltre i 2 km, invece, il car sharing diventa una valida alternativa, soprattutto in aree con servizi pubblici scarsi. Questo risultato conferma il potenziale del car sharing come mezzo di integrazione e complemento al trasporto pubblico, piuttosto che come concorrente diretto. Un discorso simile vale per le stazioni ferroviarie e gli autostazioni, dove la prossimità aumenta significativamente la domanda, suggerendo un ruolo importante nel collegamento con i nodi di trasporto extraurbano. Al contrario, la vicinanza all’aeroporto è associata a una domanda più bassa, probabilmente a causa della presenza di servizi di trasporto dedicati e dei costi elevati.
L’analisi dell’ambiente costruito ha portato a risultati particolarmente interessanti. L’intensità dell’uso misto del suolo, misurata attraverso l’entropia funzionale, mostra una relazione a forma di U rovesciata: livelli moderati di mix funzionale favoriscono il car sharing, ma oltre una certa soglia (intorno a 0,7) la domanda inizia a calare. Questo potrebbe essere dovuto alla congestione, alla scarsità di parcheggi o alla presenza di alternative di mobilità più efficienti in aree ad alta densità. Inoltre, la densità di luoghi di intrattenimento, la vicinanza alle università e l’agglomerazione di strutture sanitarie emergono come fattori positivi, rafforzando l’idea che il servizio sia particolarmente apprezzato per spostamenti non legati al lavoro, come quelli ricreativi, educativi o legati alla salute.
Da un punto di vista gestionale, questi risultati offrono indicazioni preziose. Gli operatori possono utilizzarli per ottimizzare la distribuzione delle stazioni, evitando sovraccapacità e concentrazioni eccessive, e per pianificare gli investimenti in base alle reali esigenze della domanda. Le amministrazioni pubbliche, dal canto loro, possono sfruttare queste conoscenze per integrare il car sharing nelle politiche di mobilità sostenibile, promuovendolo in aree strategiche come i nodi di trasporto e le zone con carenza di collegamenti.
In conclusione, lo studio di Liao Yang, Luo Xia e Wang Hongjie rappresenta un contributo significativo alla letteratura sulla mobilità condivisa, non solo per la ricchezza dei dati e la sofisticatezza metodologica, ma soprattutto per la capacità di tradurre le evidenze scientifiche in raccomandazioni pratiche. L’approccio “S-T+S+T+5D” e l’uso del GAMM aprono nuove strade per la comprensione delle dinamiche urbane e per la progettazione di sistemi di trasporto più efficienti, sostenibili e orientati alle reali esigenze degli utenti. Mentre le città continuano a crescere e a trasformarsi, strumenti di analisi così avanzati saranno sempre più essenziali per guidare le scelte strategiche del futuro.
Liao Yang, Luo Xia, Wang Hongjie, Southwest Jiaotong University, Journal of Transportation Engineering and Information, DOI: 10.19961/j.cnki.1672-4747.2024.05.011