Analisi dei dati concernenti la mobilità sostenibile nel contesto urbano = Data analysis concerning sustainable mobility in the urban context

Analisi dei dati concernenti la mobilità sostenibile nel contesto urbano Nella tesi viene trattato un caso di studio sperimentale della mobilità sostenibile nel contesto urbano di Milano basato sull’analisi dei dati e focalizzato sul trasporto pubblico locale. Argomento di questa tesi è la fase di pianificazione e, in particolare, l’individuazione, utilizzando gli indicatori di connettività e con l’ausilio di algoritmi di data mining, delle zone critiche della città di Milano dove la richiesta complessiva di trasporto è alta ma il servizio di trasporto pubblico offerto è scarso oppure non attrattivo. L’esigenza di determinare con precisione le zone in cui occorre incrementare l’offerta di trasporto pubblico nasce dall’ obiettivo di AMAT, l'Agenzia del Comune di Milano che si occupa della pianificazione dei trasporti con cui ho collaborato per questa tesi, di offrire un servizio utile alla collettività. Dopo aver descritto l’andamento recente della mobilità a Milano, si descrivono i principali indicatori di connettività del trasporto pubblico locale, approfondendo in particolare l’indicatore PTAL che è usato anche da AMAT per la città di Milano. Viene ricostruito passo per passo l’algoritmo che permette di ricavare l’indicatore PTAL e, utilizzando questo indicatore, vengono determinati i livelli di accessibilità al trasporto pubblico e le zone critiche. Vengono analizzati i risultati ottenuti e presentati i limiti della classificazione PTAL nel contesto della città di Milano e viene proposto un metodo alternativo di suddivisione degli indici di accessibilità con riferimento allo studio effettuato sulla città di Shenzen che è stato citato [1], ovvero il clustering K-means. Si applica il metodo di clustering K-means agli indici di accessibilità di Milano, opportunamente elaborati, per poi ottenere una nuova suddivisione in livelli che viene confrontata con la classificazione in livelli secondo il metodo PTAL valutando alcune incongruenze riscontrate in quest’ultima in relazione all’assetto della mobilità nel territorio urbano di Milano. Esse sono dovute al fatto che i valori minimi e massimi di ogni livello sono impostati in base a dei valori fissi e pensati per il contesto della città di Londra. Invece, attraverso il metodo di clustering K-means, i valori di minimo e massimo di ogni livello derivano dal valore e dalla distribuzione degli indici di accessibilità, per cui si riesce a effettuare una suddivisione in livelli omogenei. Per determinare il numero ottimale di cluster K è stato utilizzato l’ “elbow method”, tuttavia, nel caso esaminato, la curva non decresce in maniera netta, quindi, per quanto con questo metodo sia possibile avere informazioni sul numero di cluster, è stato necessario fare ulteriori analisi. Sono stati analizzati i risultati per K = 6 cluster ed è stata fatta una valutazione. È stato, dunque, ripetuto il calcolo fin quando i risultati ottenuti non sono risultati abbastanza coerenti con il contesto di riferimento, in particolare per K = 8 cluster, i risultati sono stati valutati soddisfacenti in termini di suddivisione dei livelli di indici di accessibilità e di individuazione delle zone critiche. Sono stati, poi, descritti i limiti dell’indicatore PTAL ed è stato accennato il nuovo indicatore di connettività che sta sviluppando AMAT con l’obiettivo di superare questi limiti. [1]: Estimating Public Transportation Accessibility in Metropolitan Areas: A Case Study and Comparative Analysis Haitao Su 1 , han Li 1 , Xiaofeng Zhong 2 , Kai Zhang 1,3,* and Jingkai Wang