Quando una città o un operatore valutano il lancio di un nuovo servizio di mobilità condivisa, il primo istinto è spesso effettuare delle analisi preliminari con strumenti familiari:
- Fogli di calcolo per stimare utenti previsti, ricavi e costi
- Dashboards di Business Intelligence che aggregano i dati storici dei viaggi in medie e trend
- Previsioni della domanda elaborate dai consulenti utilizzando modelli di regressione o i metodi di pianificazione dei trasporti in quattro fasi.
Questi strumenti sono ottimi per stime rapide come il conteggio dei viaggi, le proiezioni dei ricavi o la ripartizione dei costi.
Il problema è che questi metodi presuppongono un contesto stabile. Faticano a gestire la complessità delle dinamiche del mondo reale: condizioni meteorologiche avverse, nuove piste ciclabili, modifiche alle politiche locali o l’ingresso di servizi concorrenti.
I sistemi di mobilità sono invece ecosistemi viventi in cui domanda, offerta, infrastrutture e politiche interagiscono costantemente.
I limiti dei modelli tradizionali
- Sono troppo statici: la maggior parte degli strumenti si basa su medie e ipotesi fisse. Non sono in grado di mostrare come la domanda cambi in una giornata di pioggia o come una nuova zona a basse emissioni modifichi i comportamenti di utilizzo.
- Viene valutato un solo scenario alla volta: un foglio di calcolo può confrontare “400 o 500 scooter”, ma è poco pratico testare decine di combinazioni tra giorni feriali e festivi, condizioni meteo favorevoli o avverse, o nuove regole di parcheggio. Di conseguenza, molti casi limite – spesso i più rilevanti – restano inesplorati.
- Consentono di avere solo una visione parziale: la domanda, le operazioni della flotta e le infrastrutture vengono spesso analizzate separatamente. In realtà, la variazione della domanda influisce sulla disponibilità dei veicoli, che a sua volta incide sulle esigenze di ricarica e ribilanciamento – una rete di interazioni che gli strumenti tradizionali non sono in grado di cogliere.
- Consentono una modellazione geospaziale limitata: gli strumenti tradizionali, come i fogli di calcolo o le previsioni dei consulenti, si fermano a un livello di analisi troppo generico. Tuttavia, la mobilità condivisa richiede una granularità molto maggiore: la distanza di poche centinaia di metri, ad esempio tra uno scooter a 200 o a 600 metri dall’utente, può determinare se un viaggio avviene o meno.
- Generano output occasionali: i report dei consulenti sono rappresentazioni statiche. I fogli di calcolo si aggiornano esclusivamente attraverso interventi manuali sulle formule. Non migliorano automaticamente man mano che arrivano nuovi dati relativi ai viaggi o alle operazioni.
Questo potrebbe andare bene per un rapido calcolo approssimativo. Ma quando si prendono decisioni importanti relative all’acquisto di flotte, alle stazioni di ricarica o alle strategie di prezzo, il margine di errore è troppo ridotto.
Il vantaggio della simulazione
Qui entra in gioco il motore di simulazione di SWITCH, che alimenta Urbiverse.
Invece di limitarsi a elaborare i dati, costruisce un gemello digitale della città:
- Modello di contesto: rappresentazione digitale di qualsiasi città al mondo, costruita integrando dati relativi all’uso del suolo, condizioni meteorologiche, eventi e normative locali.
- Modello di domanda: sviluppato utilizzando dati relativi a spostamenti, flussi di traffico e trasporto pubblico nelle diverse aree urbane.
- Modello di offerta: replica virtuale della tua flotta, dell’infrastruttura e delle regole operative.
Simulatore: micro-simulazioni che testano l’interazione tra domanda e offerta in base a diverse strategie.
Il risultato? Non solo stime puntuali, ma una serie di possibili esiti e indicatori chiave di prestazione (KPI) effettivamente necessari per prendere una decisione: copertura, domanda insoddisfatta, ricavi rispetto ai costi, riduzione delle emissioni di CO₂, service equity.
Perché fa la differenza?
Immagina che la “Città A” stia valutando il lancio di un nuovo servizio di e-scooter.
Metodologia tradizionale (senza simulazione):
- Il Comune assume consulenti che elaborano una previsione della domanda basata su fogli di calcolo.
- Il modello utilizza dati come la densità di popolazione per quartiere, la lunghezza media dei tragitti e i tassi di utilizzo osservati in altre città come riferimento comparativo.
- Output del modello: “500 scooter genereranno circa 1.000 viaggi al giorno, con un ricavo annuo stimato di 1,2 milioni di euro.”
- Sulla base di questa previsione, la città approva un progetto pilota con 500 scooter.
Ma ecco cosa manca in questo approccio:
- Il modello suddivide la città in macro-aree, trascurando il fatto che in alcuni quartieri gli scooter sono raggiungibili in due minuti a piedi, mentre in altri richiedono fino a quindici minuti di cammino – un fattore che, per molti utenti, può compromettere in modo significativo la propensione a utilizzare il servizio.
- Si ipotizza un clima medio, ma nella “Città A” il 20% dei giorni è piovoso, periodo durante il quale la domanda cala in modo significativo.
- Ignora i vincoli operativi quali la sostituzione delle batterie, il rispetto delle regole di parcheggio o i costi legati al riequilibrio della flotta
- Fornisce un unico risultato, un valore medio dei “viaggi attesi”, senza offrire alcuna indicazione su come le prestazioni potrebbero variare in caso di cambiamenti nei modelli di utilizzo.
Metodologia di simulazione (con Urbiverse):
- Al posto delle medie, viene creato un gemello digitale della “Città A”, che integra la rete stradale, l’uso del suolo, le condizioni meteorologiche, gli eventi e le connessioni con i trasporti pubblici.
- La domanda viene simulata a livello di singolo viaggio: chi si sposta, da dove e in quali condizioni.
- Il modello testa automaticamente diverse strategie:
- 400 o 500 o 800 scooter
- giorni feriali rispetto ai fine settimana
- giornate di pioggia rispetto a giornate di sole
- presenza o assenza di nuovi hub di parcheggio nel centro città
- Gli output sono KPI pronti per le decisioni: copertura del servizio, domanda non soddisfatta, costi di riequilibrio, riduzione di CO₂ e service equity.
Il risultato?
- Il foglio di calcolo dice: “500 scooter = 1.000 viaggi al giorno.”
- La simulazione mostra:
- Con 500 scooter, i quartieri centrali risultano sovraccarichi, mentre le zone periferiche devono far fronte a una domanda non soddisfatta.
- L’introduzione di hub di parcheggio vicino alle stazioni della metropolitana aumenta i viaggi del 15% e riduce del 20% i costi di riequilibrio.
- Nei giorni di pioggia, i viaggi diminuiscono del 30%, ma cresce la domanda di integrazione con il trasporto pubblico.
Questa è la differenza tra una stima statica e un laboratorio decisionale dinamico: il primo ti dice “cosa potrebbe succedere sulla carta”, il secondo ti mostra come si comporta il sistema nel mondo reale in scenari futuri diversi.
I fogli di calcolo e le dashboard sono strumenti di calcolo.
Un motore di simulazione, invece, è un laboratorio decisionale.
Per città e operatori, questo significa poter avviare nuove iniziative di mobilità con maggiore sicurezza, sapendo non solo cosa è probabile che accada, ma anche come potrebbero evolversi scenari futuri alternativi.
Prenota una call e comincia la tua simulazione
FAQ
D: In che modo il motore di simulazione di Urbiverse va oltre la semplice previsione?
R: Non si limita a prevedere la domanda, ma ricrea il comportamento dell’intero ecosistema della mobilità. Domanda, offerta e infrastrutture vengono simulate insieme, mostrando come le scelte operative si ripercuotono sull’intera rete.
D: Le città hanno bisogno di molti dati proprietari per iniziare a utilizzarlo?
R: No. Urbiverse può costruire un digital twin realistico utilizzando dati aperti e pubblici come demografia, uso del suolo, feed GTFS e dati meteorologici. Quando gli operatori condividono dati di viaggio o di flotta, la precisione aumenta ulteriormente.
D: Che tipo di insight possono aspettarsi i decisori?
R: Indicatori chiave d’azione come copertura, domanda non soddisfatta, ricavi, costi di riequilibrio e emissioni, presentati non come singoli valori ma come intervalli basati su diversi scenari “what-if”, aiutando i team a scegliere la strategia migliore.
D: Con quale frequenza possono essere aggiornate le simulazioni?
R: In modo continuo. Il modello apprende dai nuovi dati operativi o di viaggio, quindi le simulazioni migliorano con l’evolversi delle condizioni, a differenza dei report statici dei consulenti che restano fermi al momento della consegna.
D: Chi trae maggior beneficio dall’utilizzo di Urbiverse?
R: Operatori di mobilità urbana, investitori in infrastrutture e pianificatori urbani che devono testare dimensioni della flotta, modelli di prezzo o posizionamento delle stazioni prima del lancio di un servizio, e poi utilizzare le stesse simulazioni per analizzare, adattare e ottimizzare la strategia una volta che il servizio è attivo.
