Come può un mix di carpooling e micro‑mobilità rivoluzionare gli spostamenti in città?

Le città stanno crescendo a ritmo serrato, ma il traffico e l’inquinamento non danno tregua. Gli studiosi hanno messo a punto un modello teorico che combina carpooling, scooter elettrici, bici condivise e altri mezzi di micro‑mobilità per creare percorsi a più tappe, capaci di adattarsi a condizioni variabili come picchi di traffico, meteo avverso o incidenti.

Il segreto sta in un algoritmo di ottimizzazione che, grazie a quattro pesi regolabili (λ1‑λ4), bilancia tempo di viaggio, costi, emissioni e soddisfazione dell’utente. Testato su reti di 40 nodi con dati sintetici calibrati su trend reali, il modello ha ridotto i tempi di percorrenza fino al 25% e le emissioni nelle ore di punta del 30%, mantenendo tempi di calcolo inferiori a un secondo.

Per i pianificatori urbani, questo approccio offre una piattaforma flessibile: è possibile dare priorità alla velocità in caso di emergenza o ridurre le emissioni durante le giornate più inquinanti. Inoltre, l’integrazione di più modalità di trasporto permette di sfruttare al meglio le risorse esistenti, evitando la costruzione di nuove infrastrutture costose.

In sintesi, un modello che pensa al viaggio come un puzzle dinamico, dove ogni pezzo – auto condivisa, bici, scooter – si adatta al contesto, promettendo città più veloci, più pulite e più felici.

Il modello proposto si basa su una formulazione di programmazione lineare intera (MILP) che incorpora variabili binarie per la selezione dei segmenti di viaggio e variabili continue per i tempi di percorrenza. I pesi λ1‑λ4 sono normalizzati per garantire che le unità di misura (minuti, euro, grammi di CO₂, punteggio di soddisfazione) siano comparabili all'interno della funzione obiettivo.

Per gestire la variabilità dinamica, il framework utilizza scenari stocastici generati da distribuzioni di probabilità basate su dati storici di traffico, condizioni meteorologiche e frequenza di incidenti. Ogni scenario produce una matrice di costi temporali e di emissioni, che l'algoritmo risolve in tempo reale grazie a tecniche di decomposizione Benders e a solutori di programmazione lineare ad alta efficienza.

L'integrazione del carpooling è modellata tramite gruppi di utenti con profili di disponibilità temporale e di percorso compatibili, ottimizzati mediante clustering gerarchico. La micro‑mobilità, invece, è trattata come un servizio on‑demand con costi di attivazione e di parcheggio variabili in base alla densità urbana.

I risultati sperimentali mostrano che, rispetto a un modello monomodale basato solo su auto private, il sistema ibrido riduce il tempo medio di viaggio di 12‑25% a seconda del livello di congestione, e le emissioni di CO₂ di 15‑30% nelle ore di punta. Inoltre, la flessibilità dei pesi consente di simulare politiche di incentivazione, come tariffe ridotte per il carpooling o sussidi per l'uso di scooter elettrici, fornendo ai decisori uno strumento decisionale robusto per la pianificazione di mobilità sostenibile.