Governare il pendolarismo quotidiano delle città è uno dei principali temi di chi si occupa di pianificazione della mobilità. Lo studio delle caratteristiche dei viaggi effettuati in auto può essere il punto di partenza per immaginarsi migliori servizi e opportunità di spostamento.
Torniamo a parlare del territorio romano, che rappresenta il nostro laboratorio, con il protagonista di questo focus: il Grande Raccordo Anulare (GRA).
Quante persone ogni giorno entrano a Roma in auto percorrendo il GRA, svolgendo tragitti che potrebbero essere potenzialmente trasferiti su altre modalità?
Quante automobili in sosta potrebbero essere eliminate dal centro grazie a servizi di Park&Ride o Bike&Ride posizionati in punti strategici?
Quali sono le potenziali ricadute benefiche in termini di qualità della vita per i cittadini romani?
A queste domande è possibile avere una prima risposta attraverso l’analisi delle traiettorie dei veicoli raccolte tramite le black box assicurative. Vediamo insieme, attraverso questa analisi, le potenzialità dell’uso dei Big Data per la pianificazione della mobilità delle città.
Chi si occupa di mobilità sa che una delle principali sfide odierne è risolvere il problema del traffico nelle grandi città. I grandi agglomerati urbani, oltre a generare una notevole quantità di traffico interno, sono enormi poli attrattori di traffico proveniente dai luoghi limitrofi e di conseguenza generano un fenomeno vissuto quotidianamente da milioni di persone: il pendolarismo extraurbano.
Il pendolarismo si compone infatti di tutti quegli spostamenti di utenti che ogni giorno si muovono dalle aree più tipicamente residenziali verso le destinazioni di lavoro/studio e verso i grandi poli attrattivi interni alle aree urbane più dense. Prendendo ad esempio il caso romano, l’effetto di questa componente di mobilità genera fenomeni di congestione cronici lungo le direttrici radiali di penetrazione (e non solo, come si vede nel proseguo dell’articolo) durante la mattina verso il centro della città, in direzione opposta il pomeriggio, incidendo notevolmente sui volumi di traffico privato, che in contesti di questo tipo sono sufficienti a mandare in crisi la capacità di smaltimento della rete infrastrutturale.
Come si può risolvere questo problema? Le principali soluzioni per regolare il traffico in entrata nell’abitato compatto delle grandi città sono tre:
In questo articolo ci focalizzeremo in particolare sulle ultime due soluzioni, che hanno un doppio vantaggio:
1) richiedono costi molto minori rispetto alla prima, che comporta la ripianificazione dei servizi di trasporto pubblico e un conseguente non trascurabile impatto economico
2) non necessitano la predisposizione di un modello di simulazione: l’analisi dei big data è sufficiente per stimarne gli impatti ed i risultati sul traffico.
A fronte della grande sfida che è rappresentata dal governo dei grandi flussi di traffico motorizzato in entrata a Roma, e consci delle possibili soluzioni da applicare per limitare gli effetti negativi del pendolarismo sulla qualità di vita dei cittadini romani, non rimane da fare che una cosa: studiare le caratteristiche di questi spostamenti. L’applicazione delle tre suddette strategie, infatti, richiede una conoscenza approfondita delle caratteristiche degli spostamenti, atta ad identificare tutti quei viaggi che avvengono in auto e che sono potenzialmente trasferibili su altre modalità.
Per questa ragione, a seconda del tipo di strategia alternativa all’auto privata, è necessario individuare un campione di viaggi con precise caratteristiche, ovvero adatti alle particolarità dell’alternativa modale su cui si auspica trasferire questi viaggi. Per fare questo, GO-Mobility ha analizzato i Floating Car Data (FCD) di ottobre 2019 elaborati internamente dal team Data Analytics.
I dati FCD sono generati da un dispositivo comunemente chiamato “scatola nera” (black box), che può essere installato sui veicoli per scopi assicurativi. Tali dispositivi sono dotati di GPS in grado di registrare la posizione del veicolo ad ogni istante e altri dati utili alla ricostruzione dei sinistri (data e ora, stato del motore, velocità istantanea, etc.). Questa tecnologia può però essere utilizzata anche per ricostruire le dinamiche di mobilità con il mezzo privato in una determinata porzione di territorio, in maniera completamente anonima e aggregata. Con questa mole di informazioni provenienti dalle scatole nere di veicoli è dunque possibile effettuare analisi approfondite delle caratteristiche dei viaggi e catalogare caratteristiche per identificare profili di mobilità.
Cominciamo con il quantificare l’incidenza degli effetti del traffico pendolare metropolitano sul sistema di mobilità dell’abitato di Roma. Analizzando il campione di spostamenti dei veicoli monitorati si rileva come dei circa 320.000 viaggi effettuati nel mese di ottobre 2019, che hanno come destinazione un qualsiasi punto all’interno dell’area del GRA tra le ore 06:00 e le 10:00 di mattina, circa il 22% sono direttamente riconducibili alla componente pendolare proveniente dall’esterno. Se invece ragioniamo in termini di distanze percorse, sempre all’interno della città compatta, questi viaggi incidono per il 32% dei chilometri complessivamente percorsi.
Indentifichiamo quindi il profilo di mobilità dell’utente pendolare che può usufruire di servizi Park&Ride. Per farlo, selezioneremo tutti quei viaggi in auto che:
Figura 1. Campione delle traiettorie che rispondono alle caratteristiche selezionate (pendolarismo generato dall’esterno del GRA verso il centro urbano romano)
Se si isolano i viaggi con queste caratteristiche, si ottengono le traiettorie individuate nella mappa in Figura 1. Dalla rappresentazione si deduce che sia la rete stradale interna al GRA, sia lo stesso GRA, che per sua natura dovrebbe assolvere il compito di ospitare prevalentemente spostamenti di tipo tangenziale, risultano interessati da molti di quei viaggi che idealmente potrebbero essere fermati all’ingresso della città per essere trasferiti su sistemi di TPL portanti.
In base alle analisi effettuate, si evince che i viaggi giornalieri potenzialmente trasferibili su modalità Park&Ride, grazie all’introduzione di parcheggi scambiatori ai margini della città compatta, sono circa 32.000.
L’effettivo trasferimento di questa componente comporterebbe un risparmio di più di 120.000 km al giorno, corrispondenti a circa 4.000 ore complessivamente spese sulla rete stradale, senza considerare l’ulteriore effetto di fluidificazione del traffico prodotto dall’assenza di questi veicoli all’interno del perimetro del GRA.
Infine, tramite tecniche che combinano l’uso dei modelli di simulazione dei trasporti e gli analytics sopra illustrati, possiamo identificare gli utenti che viaggiano in auto verso l’area interna al GRA che potrebbero essere trasferiti su ferrovia ancora prima di arrivare ai limiti della città compatta, grazie ad un sistema di interscambio localizzato in punti strategici (la terza delle tre soluzioni illustrate in introduzione).
Osserviamo cosa succede se si seleziona un campione di spostamenti intercomunali in auto con le seguenti caratteristiche:
Immaginiamoci quindi che il viaggio, per poter essere potenzialmente elegibile per uno scambio Auto-Treno mediante modalità Park&Ride, debba avere le seguenti caratteristiche:
Dal risultato di questa simulazione si evince che, a livello di intero territorio metropolitano, circa 1.000 spostamenti al giorno potrebbero potenzialmente essere trasferiti alla modalità Park&Ride con i servizi attuali, a costo zero. Quali sarebbero le conseguenze in un giorno feriale medio?
Se vogliamo rappresentare le traiettorie dei viaggi sulla rete del modello di simulazione di traffico si ottiene la seguente mappa, che cattura l’assegnazione della domanda potenzialmente trasferibile sul grafo ferroviario:
Figura 2. Domanda potenzialmente trasferibile su modalità Park&Ride – flussi P&R nella giornata feriale media
Come si può notare dall’immagine, molti dei viaggi originati da tutta l’area metropolitana, e potenzialmente trasferibili su Park&Ride, sono diretti all’interno del GRA, quindi nell’area urbana compatta della Capitale. Tale risultanza conferma la natura Roma-centrica del sistema di mobilità metropolitano, e l’enorme polo attrattivo rappresentato dal complesso dell’area urbanizzata di Roma per tutto il territorio. Allo stesso tempo, tuttavia, dimostra visivamente il potenziale rappresentato dal posizionamento in punti strategici dei sistemi di Park&Ride per il governo dei flussi di pendolarismo.
Cosa succede, infine, se nella terza soluzione proposta consideriamo la possibilità di raggiungere le stazioni in bicicletta? Proseguendo con l’applicazione di procedure di profilazione dei viaggi, proviamo a verificare quanti degli spostamenti diretti verso il centro della Capitale potrebbero essere effettuati su ferro con la cosiddetta modalità Bike&Ride.
Per questa tipologia di analisi si devono prendere in considerazione i viaggi intercomunali nell’area metropolitana con le seguenti caratteristiche:
Immaginiamoci quindi, questa volta, che il potenziale viaggio in modalità Bike&Ride abbia le seguenti caratteristiche:
Rappresentate su mappa, le traiettorie potenzialmente trasferibili sarebbero le seguenti:
Figura 3 – Flussogramma della domanda potenzialmente trasferibile al grafo ferroviario attraverso Bike & Ride
Questa volta, la simulazione rileva circa 600 spostamenti giornalieri potenzialmente trasferibili su questa modalità. Quali sarebbero dunque le conseguenze del loro trasferimento su Bike&Ride?
Così come per la domanda potenziale di Park&Ride, è evidente la grande potenzialità rappresentata dai flussi provenienti dalla Sabina e dai Castelli e diretti all’interno del GRA.
Come dimostrato da quanto appena descritto, l’utilizzo dei dati FCD rappresenta una grande opportunità per pianificare infrastrutture e servizi per la mobilità sostenibile. Questo aspetto risulta particolarmente evidente considerando il mutamento in corso delle abitudini della mobilità delle persone, che vede una trasformazione accentuata dei “diari di spostamento” verso una caratterizzazione sempre meno sistematica e sempre più erratica e concatenata.
Come evidenziato dal professor Ernesto Cipriani nella nostra intervista, il Covid ha accentuato questa tendenza. La pandemia ci lascia in eredità una maggiore flessibilità sull’orario di avvio delle attività lavorative, commerciali e produttive. La mobilità cittadina diventa quindi più complessa e si esplica in un intervallo temporale più ampio, per cui è necessario il rinnovo, l’integrazione e il perfezionamento dei metodi di analisi.
A differenza dei dispositivi fissi, l’uso dei FCD consente di ottenere informazioni più affidabili sui viaggi in termini di lunghezza dei percorsi e di tempi di percorrenza, oltre che sulla loro origine e destinazione.
Nel presente studio ci si è voluti soffermare in particolare sulla valutazione degli impatti di due delle tre principali soluzioni per la riduzione del pendolarismo in automobile: Park&Ride ai margini della città compatta e servizi di Park&Ride/Bike&Ride nei pressi di stazioni strategiche più esterne. Questo perché si tratta di interventi pressoché a costo zero, che possono essere realizzati con un impegno economico molto limitato in particolare disincentivando la mobilità privata (road pricing, tariffazione della sosta, ZTL ecc.) e incentivando il TPL (es. parcheggi di interscambio gratuiti per chi utilizza il TPL).
Con questo articolo si è voluto quindi proseguire il percorso che vede GO-Mobility in prima linea nell’illustrazione delle potenzialità delle analisi tramite Big Data e delle soluzioni di data visualization per lo studio e il monitoraggio degli stili di mobilità.
In un’ottica di integrazione di diverse discipline quali l’ingegneria dei trasporti, la pianificazione urbanistica, la ricerca sociale e l’ICT, si intende stimolare una riflessione lungo il fil rouge della cultura del dato, che si esprime trasversalmente in tutti i servizi offerti e che trova la sua piena realizzazione nelle attività e nei contenuti promossi da DataMobility.
