Ottimizzazione della rete di ricarica per il servizio valet
Il mercato dei veicoli elettrici (VE) è in piena espansione. Con dati che mostrano un aumento del 110% sia nella produzione che nelle vendite di veicoli a nuova energia in Cina nel marzo 2022, e una quota di mercato che supera il 21%, la transizione verso la mobilità elettrica è ormai una realtà consolidata. Tuttavia, dietro al volante, molti proprietari di VE continuano a confrontarsi con una sfida persistente: l’ansia da ricarica. La ricerca di una stazione disponibile, le lunghe attese, il tempo impiegato nel processo e l’incertezza sulla autonomia rimangono barriere significative per un’esperienza utente veramente fluida. In risposta a questa necessità, è emerso un nuovo modello di servizio: la ricarica con servizio di valet. Questo innovativo approccio, che promette di liberare i conducenti dalla gestione manuale della ricarica, pone a sua volta una domanda cruciale per la sua fattibilità: dove dovrebbero essere posizionate le stazioni di ricarica per rendere questo servizio redditizio ed efficiente?
A differenza del modello tradizionale, in cui l’utente sceglie la stazione di ricarica più vicina, il servizio di valet introduce una catena logistica complessa. Un personale specializzato ritira il veicolo dal cliente, lo trasferisce a una stazione di ricarica, completa il processo e lo restituisce. Questo servizio elimina il costo del tempo per l’utente, ma sposta questo costo operativo al fornitore del servizio. La redditività di questo modello non dipende unicamente dal prezzo del servizio, ma da un’equazione molto più sofisticata, in cui la posizione delle stazioni di ricarica svolge un ruolo determinante. Una progettazione scadente della rete può portare a percorsi di trasferimento eccessivamente lunghi per il personale, tempi di attesa inefficienti e, in ultima analisi, margini di profitto insostenibili. Un nuovo studio, pubblicato sulla prestigiosa rivista Operations Research and Management Science, affronta questa sfida con un approccio matematico rigoroso, offrendo un quadro per ottimizzare la rete di ricarica dal punto di vista del servizio di valet.
Gli autori, Tong Min e Hu Zhihua, del Centro di Ricerca per la Logistica dell’Università Marittima di Shanghai, hanno sviluppato un modello di programmazione stocastica a due fasi che rappresenta un notevole progresso nella pianificazione delle infrastrutture. Il loro approccio riconosce un fatto fondamentale: la domanda di ricarica non è un numero fisso, ma una variabile aleatoria che fluttua in base al momento della giornata, alla posizione e al comportamento individuale degli utenti. Un modello deterministico, che assuma una domanda costante, è destinato a fallire nel mondo reale. Il modello di Tong e Hu, al contrario, incorpora questa incertezza, consentendo ai pianificatori di prendere decisioni più robuste e resilienti di fronte alla volatilità della domanda.
Il cuore del modello è un concetto chiamato “tasso di adozione del servizio di valet”. Questo parametro non assume che tutti gli utenti utilizzeranno il servizio, ma prevede la probabilità che lo facciano. Questa decisione si basa su un semplice confronto di costi: se il prezzo del servizio di valet è inferiore o uguale al valore che l’utente attribuisce al suo tempo moltiplicato per il tempo totale che gli servirebbe per ricaricare il veicolo da solo (tempo di guida alla stazione più tempo di attesa), allora è probabile che opti per il servizio. Questo calcolo introduce una variabile cruciale: il “costo per unità di tempo”. I ricercatori modellano questo costo come una variabile aleatoria che segue una distribuzione uniforme, riconoscendo che un dirigente con un programma serrato valuta il suo tempo molto di più di un pensionato. Questa distinzione è fondamentale, poiché consente al modello di simulare una popolazione di utenti diversificata e prevedere come diversi prezzi e tempi di ricarica influenzeranno la domanda del servizio.
Il problema di ottimizzazione è suddiviso in due fasi strategiche. La prima fase si concentra su decisioni di investimento a lungo termine: dove costruire le stazioni di ricarica e quanti punti di ricarica installare in ciascuna. Queste decisioni devono essere prese prima di conoscere la domanda esatta di un determinato giorno. La seconda fase riguarda l’operatività quotidiana: una volta nota la domanda effettiva, come assegnare le risorse di ricarica (sia per utenti che ricaricano da soli che per veicoli gestiti dal servizio di valet) in modo da minimizzare i costi totali. Questi costi includono l’investimento in infrastrutture, il costo di esercizio e il costo di viaggio per gli utenti che scelgono di ricaricare i veicoli da soli.
Tuttavia, per un fornitore di servizi di valet, l’obiettivo finale non è solo minimizzare i costi, ma massimizzare i profitti. Tong e Hu estendono il loro modello per trasformarlo in un problema multi-obiettivo. Il primo obiettivo è massimizzare il profitto atteso dell’attività di valet, calcolato come entrate da tariffe di servizio meno costi operativi (stipendi del personale, deprezzamento dei veicoli, ecc.). Il secondo obiettivo è minimizzare il costo di viaggio per gli utenti che ricaricano i veicoli da soli. Questa dualità crea un dilemma fondamentale: una rete di ricarica che massimizza i profitti del valet potrebbe posizionare le stazioni in posizioni che sono operativamente efficienti per il personale di valet, ma che sono lontane dagli utenti residenziali, aumentando così il loro disagio.
Per risolvere questo complesso dilemma, i ricercatori impiegano due sofisticate tecniche computazionali: il metodo del vincolo Epsilon e il metodo di Approssimazione per Media del Campione (SAA). Il metodo del vincolo Epsilon trasforma il problema multi-obiettivo in una serie di problemi a obiettivo singolo. Stabilendo un limite superiore (Epsilon) per il costo di viaggio degli utenti, il modello può quindi concentrarsi unicamente sulla massimizzazione del profitto del valet entro tale limite. Variando il valore di Epsilon, i pianificatori possono tracciare una “frontiera di Pareto”, che è un insieme di soluzioni ottimali in cui qualsiasi miglioramento in un obiettivo (profitto) peggiora l’altro (costo per l’utente). Questo approccio fornisce una visione chiara dei compromessi coinvolti, consentendo una presa di decisione informata.
Il metodo SAA viene utilizzato per gestire l’aleatorietà della domanda. Invece di tentare di calcolare tutte le possibili combinazioni di domanda (un compito computazionalmente impossibile), il SAA genera un gran numero di scenari di domanda aleatori. Il modello viene risolto per ciascuno di questi scenari, e il risultato medio viene utilizzato come stima affidabile del profitto o costo atteso a lungo termine. Più simulazioni vengono effettuate, più precisa e affidabile diventa la soluzione. Gli autori descrivono anche una procedura rigorosa per verificare la convergenza della soluzione, assicurando che i risultati non siano il prodotto del caso di un campione ridotto.
La vera forza di questo lavoro risiede nella sua applicazione pratica. I ricercatori conducono un’analisi numerica esaustiva e, cosa più importante, uno studio di caso basato sul distretto di Yaohai a Hefei, Anhui. Utilizzando dati geografici reali e software di analisi spaziale, definiscono 32 punti di domanda e 108 posizioni candidate per le stazioni di ricarica. I risultati di questo studio sono rivelatori. Il modello mostra chiaramente che massimizzando aggressivamente il profitto del servizio di valet (cioè aumentando il valore di Epsilon), la soluzione ottimale implica una rete di ricarica che si espande verso i bordi della regione. Questa dispersione permette al personale di valet di operare in modo più efficiente, riducendo i tempi di trasferimento tra ritiri e consegne.
Tuttavia, questa efficienza aziendale ha un costo sociale significativo. Man mano che le stazioni si spostano verso la periferia, gli utenti che vivono nel centro della città e preferiscono ricaricare i veicoli da soli devono percorrere distanze molto maggiori per raggiungere la stazione di ricarica più vicina. Ciò aumenta drasticamente il loro “costo di viaggio”, che include sia la spesa per l’elettricità che il valore del loro tempo. Questa scoperta è cruciale. Dimostra che una strategia di massimizzazione del profitto pura può portare a un’infrastruttura che è eccellente per un fornitore di servizi, ma pessima per una grande parte della comunità di utenti di VE.
Il contributo più prezioso dello studio di Tong e Hu è che non impone una soluzione unica, ma fornisce una mappa delle decisioni. Mostra che esiste un punto di equilibrio, un “punto ottimale”, in cui il profitto del valet rimane molto alto, ma il costo per gli utenti si mantiene a un livello ragionevole. Nel caso di Yaohai, lo studio ha scoperto che accettando un profitto atteso che è circa l’85,83% del massimo teorico possibile, si può ottenere una rete di ricarica che è significativamente più accessibile per tutti. Questo risultato è un appello all’azione per i pianificatori urbani e i regolatori. Suggerisce che le politiche pubbliche dovrebbero incentivare, o addirittura richiedere, che i fornitori di servizi privati progettino reti che servano l’interesse pubblico generale, non solo i loro margini di profitto.
Per le aziende che desiderano entrare nel mercato della ricarica con servizio di valet, questa ricerca è una guida essenziale. Avverte contro l’errore di un’ottimizzazione miope. Un’azienda che costruisce una rete per massimizzare i suoi guadagni a breve termine, ignorando la comodità dell’utente, può alienare una vasta base di potenziali clienti. Al contrario, un’azienda che investe in una rete più densa e accessibile, anche se la redditività iniziale è inferiore, può costruire una reputazione di affidabilità e servizio al cliente, che si traduce in fedeltà al marchio e una quota di mercato più grande a lungo termine.
L’impatto di questo lavoro si estende oltre la pianificazione delle stazioni. Apre la strada a future ricerche in aree come l’ottimizzazione dei percorsi e degli orari del personale di valet, o lo sviluppo di modelli di prezzi dinamici che aggiustino la tariffa del servizio in base all’ora del giorno o al carico della rete. Solleva anche la necessità di una migliore raccolta di dati sul comportamento dell’utente, come il valore reale che le persone attribuiscono al loro tempo di ricarica.
In conclusione, lo studio di Tong Min e Hu Zhihua non è solo un esercizio accademico. È uno strumento potente per navigare la complessità della mobilità elettrica moderna. Combinando una teoria matematica avanzata con un’analisi di casi del mondo reale, forniscono un quadro che è allo stesso tempo rigoroso e pratico. Il loro lavoro sottolinea che il futuro della ricarica dei veicoli elettrici non riguarda solo la tecnologia, ma l’intelligenza operativa e la pianificazione umana. Man mano che il servizio di valet evolve da un beneficio post-vendita a un settore commerciale indipendente, la capacità di ottimizzare la sua infrastruttura sarà fondamentale. Questa ricerca offre la prima mappa dettagliata per quel viaggio, una mappa che conduce a una rete di ricarica che è non solo redditizia, ma anche giusta, efficiente e veramente centrata sull’utente.
Tong Min, Hu Zhihua, Centro di Ricerca per la Logistica, Università Marittima di Shanghai, Operations Research and Management Science, doi:10.12005/orms.2024.0252