7 Modelli Di Domanda 4

CORSO DI PIANIFICAZIONE DEI TRASPORTI A.A.
2012/2013
I MODELLI DI DOMANDA DI TRASPORTO
Prof. Ing. Ennio Cascetta

Dipartimento di Ingegneria dei Trasporti
Universit degli Studi di Napoli Federico II
Sommario
Introduzione
Richiami di teoria dellutilit aleatoria
Modelli di domanda a quattro stadi
Modello di generazione
Modello di distribuzione
Modello di scelta modale
Modello di scelta del percorso
Elasticit della domanda
Esempio numerica
2
Sommario
Introduzione
Esempio numerico
Introduzione
MODELLO DI
DOMANDA
VARIABILI
SOCIOECONOMICHE
FLUSSO DI
DOMANDA
OD
MODELLO DI
SCELTA DEL
PERCORSO
FLUSSO DI
PERCORSO
COSTI DI
PERCORSO
Introduzione
Modello di domanda di trasporto:
Relazione matematica che consente di associare ad un dato sistema di
attivit e di offerta di trasporto il valore medio del flusso di domanda in
un determinato periodo di riferimento con le sue caratteristiche
rilevanti:
dod[K1, K2, ..., Kn] = d(SE, T, )
dove:
dod[K1, K2, ..., Kn] : flusso medio di spostamenti fra le zone o e d aventi
caratteristiche K1, K2,
SE : vettore di variabili socio-economiche, relative al sistema delle
attivit (numero di famiglie residenti o di posti di lavoro nei diversi
settori in ciascuna zona dellarea di studio)
T : vettore di variabili di livello di servizio (es. tempi di viaggi, costi
monetari, distanze da percorrere a piedi, tempi di viaggio per spostarsi
fra le coppie di zone con i diversi modi disponibili)
: vettore di coefficienti o di parametri del modello

5
Introduzione
Spostamento
Risultato di una serie di scelte compiute dallutente del servizio di
trasporto
La dimensione di scelta definita da un insieme di alternative
disponibili, dai valori dei relativi attributi e dai condizionamenti in
atto
Tipologie di scelta
lungo periodo
(scelte di mobilit)
luogo di residenza
luogo di lavoro
possesso di un veicolo
breve periodo
(scelte di spostamento)
frequenza degli spostamenti per un certo

motivo
fascia oraria
luogo di destinazione
modo di trasporto
percorso
6
Introduzione
Elementi di classificazione dei modelli di domanda
Tipologia delle
scelte simulate
Modelli di mobilit o di contesto

Modelli di viaggio
Modelli per la domanda di spostamento
Concatenamento
delle scelte
Modelli per la domanda di viaggi o sequenze di

spostamenti
Modelli di partecipazione alle attivit
Approccio
Ipotesi di base
Modelli disaggregati
Modelli aggregati
Modelli comportamentali
Modelli non comportamentali
Sommario
Introduzione
Esempio numerico
8

Ipotesi generali
I modelli di utilit aleatoria (o casuale) si basano sulla ipotesi

che ogni utente sia un decisore razionale ovvero un
massimizzatore dellutilit percepita relativa alle proprie scelte.
a) Il generico utente i nelleffettuare la scelta considera tutte le

mi alternative disponibili che costituiscono il suo insieme di
scelta I i. Linsieme di scelta pu essere differente per utenti
diversi.
b) Il decisore i associa a ciascuna alternativa j del suo insieme di
scelta una utilit o attrattivit percepita Uij e sceglie
lalternativa che massimizza tale utilit.

Ipotesi generali
c) Lutilit associata a ciascuna alternativa di scelta dipende da
una serie di caratteristiche misurabili o attributi propri
dellalternativa stessa e del decisore i
U ij = U i (X ij)
con
X ij vettore degli attributi relativi allalternativa j e al decisore i
d) Lutilit associata dal generico decisore i allalternativa j non
nota con certezza allosservatore esterno (analista), e pertanto
rappresentata con una variabile aleatoria.
10

Ipotesi generali
La probabilit che lutente i scelga lalternativa j, condizionata al
suo insieme di scelta I i, data dalla probabilit che tale
alternativa sia quella di massima utilit percepita:
p i j I i Pr U ij U ki
posto:
i
j
ij
U ij V ji ij
k j ; k I i
j I i
utilit sistematica (media o valore atteso dellutilit

percepita tra
tutti gli utenti che hanno lo stesso insieme
di scelta dellutente i )
residuo aleatorio (rappresenta lo scostamento dellutilit
percepita dal valore medio)
11

Ipotesi generali
e posto:
si ha:
i
j
EU
E V ji V ji
Var ij ij2
Dunque:
i
j
2
ij
Var U
i
j
E ij 0
Var V ji 0
p i j I i Pr U ij U ki
k j ; k I i
p i j / I i Pr V ji Vki ki ij
k j , k I i
12

Ipotesi generali
Dalla relazione:
p i j / I i Pr V ji Vki ki ij
k j , k I i
si evince che la probabilit di scelta di unalternativa dipende dai valori

delle utilit sistematiche di tutte le alternative disponibili e dalla
distribuzione congiunta dei residui aleatori.
13

Ipotesi generali
I modelli di utilit aleatoria possono essere rappresentati sinteticamente in
forma vettoriale, adottando le seguenti definizioni:
pi
vettore delle probabilit di scelta, di dimensione (m i x 1), con

elementi p i [ j ] (m i il n. di altern. disp.)
vettore dei valori di utilit percepita, di dimensione (m i x 1), con
elementi U ij
vettore dei valori di utilit sistematica, di dimensione (m i x 1), con
elementi V ij
vettore dei residui aleatori, di dimensione (m i x 1), con elementi ij
f ( )
la funzione di densit di probabilit congiunta dei residui aleatori
F ( )
la funzione di distribuzione congiunta dei residui aleatori
Ui
Vi
14

Ipotesi generali
In forma vettoriale si pu scrivere:
Ui= Vi + i
p i = p i (V i )
tale relazione anche detta mappa di scelta ed un vettore di

numeri compresi tra 0 ed 1, essendo delle probabilit di scelta
Un modello di utilit aleatoria si dice invariante o additivo se la
funzione di densit di probabilit congiunta, f ( ), indipendente
dal vettore delle utilit sistematiche:
f ( / V ) = f ( )
15

Ipotesi generali
Espressione dellutilit sistematica
Lutilit sistematica rappresenta la media dellutilit percepita fra
tutti gli individui che hanno gli stessi valori degli attributi
Essa espressa come funzione di attributi,
alternative e al decisore:
X kji , relativi alle
V j X kji
Si assume, in generale, che lutilit sistematica sia una funzione

lineare degli attributi o di loro trasformazioni funzionali:
V j X ij k k X kji T X ij
V ji X ij k k f k X kji T f X ij
16

Ipotesi generali
Classificazione degli attributi
attributi di livello di servizio: attributi propri del sistema di
trasporto (es. tempi, costi, frequenza dei servizi, comfort etc.)
attributi del sistema di attivit: attributi dipendenti dalluso del
territorio dellarea di studio (es. numero di negozi o numero di
scuole di una zona)
attributi socio-economici: attributi propri dellutente o del suo
nucleo familiare (es. possesso di patente, numero di autovetture
possedute in famiglia etc.)
attributi generici: attributi che compaiono con stessa forma

funzionale e stesso coefficiente k in pi di una alternativa
attributi specifici: attributi che compaiono con forme funzionali
e/o coefficienti k diversi in diverse alternative
17

Ipotesi generali
Attributo Specifico dellAlternativa (ASA)
variabile ombra che vale 1 per lalternativa j e zero per le altre
il suo coefficiente detto Costante Specifica dellAlternativa (CSA)
tale costante rappresenta una specie di termine noto dellutilit
sistematica e pu essere visto come la differenza fra lutilit media e
quella spiegata dagli altri attributi X ikj utilizzati
Le probabilit di scelta delle alternative dei modelli invarianti
dipendono dalla differenza delle CSA rispetto ad unalternativa di
riferimento. In altri termini se le CSA comparissero in tutte le utilit
sistematiche, qualsiasi combinazione di tali costanti che desse luogo
alle stesse differenze tra le CSA delle diverse alternative produrrebbe
gli stessi valori delle probabilit di scelta, dunque le CSA non
potrebbero essere stimate statisticamente
Pertanto gli ASA si possono introdurre al pi nelle utilit sistematiche
di tutte le alternative eccetto una.
18

Ipotesi generali
Cause di aleatoriet dell'utilit percepita
attributi omessi: variabili non osservabili direttamente, di difficile
valutazione o comunque non incluse nel vettore di attributi (es.
comfort di marcia, affidabilit del tempo totale di viaggio)
errori di misura degli attributi considerati nella funzione di utilit
sistematica (es. attributi di livello di servizio ricavati con un
modello di rete)
presenza di attributi strumentali cio variabili che sostituiscono
gli attributi che effettivamente influenzano la utilit percepita
delle alternative (es. attributi di preferenza modale che
sostituiscono variabili di comfort, privacy, immagine ecc. di un
certo modo di trasporto, il numero di addetti al commercio
localizzati in una certa zona che sostituisce la numerosit e la
variet dei negozi)
variazioni di gusti o di preferenze fra i decisori (es. distanza da
percorrere a piedi) e, per lo stesso decisore, nel tempo a causa
del verificarsi di diverse condizioni fisiche o psicologiche
errori nelle valutazione degli attributi da parte del decisore (es.
valutazioni errate del tempo di viaggio)
19

Alcuni modelli di utilit aleatoria
E possibile ottenere diverse forme funzionali dei
modelli di utilit aleatoria assumendo diverse funzioni
di distribuzione di probabilit congiunte per i residui
aleatori
I modelli che studieremo sono:

Logit Multinomiale
Logit gerarchizzato ad un livello
Logit gerarchizzato a pi livelli (cenni)
Probit
20

aleatori

Logit Multinomiale
Probit
21

Modello Logit Multinomiale
Ipotesi: residui aleatori j indipendentemente ed identicamente
distribuiti (i.i.d.) secondo una variabile aleatoria (v.a.) di Gumbel
con media nulla e parametro
Funzione di distribuzione di probabilit marginale di ciascun
residuo:
F j ( x ) Prob( j x ) exp exp( x / )

dove la costante di Eulero ( 0,577)
Media e varianza della variabile di Gumbel:
E ( j)= 0
Var ( j ) = 2
Covarianza nulla:
2
6
Cov( j , h ) 0
j , h I
22

Da quanto detto risulta che le utilit percepite Uj , somma di una
costante Vj e della variabile aleatoria j , sono anche esse
variabili aleatorie di Gumbel con funzione di distribuzione di
probabilit, media e varianza pari a:
E (U j ) V j
Var ( U j )
2
6
La matrice varianza-covarianza una matrice identit

proporzionale alla varianza di j
23

La variabile di Gumbel gode dellimportante propriet di stabilit
rispetto alla massimizzazione:
il massimo di variabili di Gumbel indipendenti e di uguale
parametro ancora una variabile di Gumbel di parametro
se Uj , j = 1,, N, sono v.a. di Gumbel indipendenti con medie

diverse Vj ma uguale parametro , il massimo di tali variabili:
UM = max
j = 1,,N {Uj
ancora una v.a. di Gumbel di parametro e media VM pari a:

VM = E[UM ] = Y
detta utilit inclusiva
Y = ln j exp (Vj / )
detta variabile logsum

24

In base a questa propriet possibile dimostrare che la
probabilit di scelta dellalternativa j pu essere espressa in
forma chiusa come:
p j
exp V j /
exp Vk /
m
k 1
25

Propriet del modello Logit Multinomiale
Dipendenza dalle differenze di utilit sistematiche
exp V j /
1
p j m
exp Vk / 1 k j exp Vk V j /
k 1
La probabilit di scelta dipende dalla differenza dei valori delle

utilit sistematiche; i valori non cambiano se sommo a tutte le utilit
sistematiche lo stesso valore
V' V k
j
j
p( j )
exp (V j k ) /
m
exp (V
h 1
k) /
exp k / exp V j /
m
exp k / exp Vh /
h 1
exp V j /
m
exp V
h 1
/
26

Influenza della varianza dei residui
2 2
Var ( U j ) =
6
Ad una minore varianza dei residui corrisponde un

parametro pi piccolo e quindi una maggiore probabilit di
scelta dellalternativa di massima utilit sistematica,
probabilit che al tendere della varianza a zero tende a uno
(modello di utilit deterministica)
Viceversa, al crescere della varianza dei residui, ovvero al
crescere di , gli esponenti Vj / tendono ad assumere lo
stesso valore (zero) e le diverse alternative tendono ad
essere equiprobabili con probabilit di scelta pari a 1/m
27

Influenza della varianza dei residui
exp(V A / )
1
p( A )
exp(V A / ) exp(VB / ) 1 exp (VB V A ) /
Fonte: Cascetta (2009)
P(A)
=2
=1
=0.5
=2
0.5
=0.5
=1
VB-VA
-6
-4
-2
6
28

Modello Logit gerarchizzato a un livello
La probabilit di scelta dellalternativa elementare, j , si calcola come:
p j p j / k pk
con
p [ j ] probabilit di scelta dell'alternativa j
p [ j /k ] probabilit di scelta dell'alternativa j dato il gruppo k
p [ k ] probabilit di scelta del gruppo k
o, 0
j/k
j
Lutilit percepita associata alla scelta dellalternativa j fra tutte quelle

appartenenti al gruppo k, Uj/k, pu essere espressa come:
U j / k Vj j / k
j I k , k
E( j / k ) = 0
j I k , k
Var ( j / k ) 2 2 / 6
j I k , k
Logit Multinomiale
nel cesto k
29

La probabilit di scelta condizionata, p [ j /k ], data da:
p j / k probU j / k U i / k
probV j Vi i / k j / k
i I k ,i j
nellipotesi che i residui aleatori j/k siano i.i.d. secondo una

variabile di Gumbel di parametro , si ottiene:
p j / k
exp V j /
iI k exp Vi /
30

La probabilit di scegliere il gruppo k, p [ k ], equivale a scegliere

unalternativa appartenente a tale gruppo tra tutte quelle
disponibili; tale probabilit pu essere ottenuta associando ad
ogni gruppo k una utilit complessiva Uk*, ottenuta come
lutilit dellalternativa pi conveniente, ovvero come il
massimo delle utilit delle alternative del gruppo stesso:
U k* maxU j maxV j j / k k
jI k
jI k
Ricordando che il massimo di variabili di Gumbel ancora una

variabile di Gumbel con lo stesso parametro e media pari a:
Vk* EU k* E maxV j j / k ln jI k exp (V j / ) Yk

jI k
U k* Yk k* k Yk k*
Logsum
dove k* lo scostamento di Uk*

dal valore medio, Yk
31

Si ipotizza che i residui k* siano i.i.d. secondo una variabile di

Gumbel a media nulla e parametro 0:
E k* = 0
Var k* 2 o2 / 6
k
k
si ha:
pk probU k* U h* probYk Yh h* k*
exp Yk / 0
exp Yk
pk
h exp Yh / 0 h exp Yh
h k
/ o
32

Pertanto si ha:
exp V j /
exp Yk
p j p j / k pk
iI k exp Vi / h exp Yh
Var j Var k* 2 o2 / 6
Cov i , j E k i / k k j / k E k E k j / k E k i / k E i / k j / k
2
Cov i , j Var k
i,j k
Var k Var j Var j / k
2
6
2
o
k
33

aleatori

Logit Multinomiale
Probit
34

Modello Logit gerarchizzato a pi livelli
Il processo di scelta rappresentato da un albero a pi livelli

Le alternative elementari rappresentano sempre le foglie finali
dellalbero di scelta
35

Modello Logit gerarchizzato a pi livelli
ESEMPIO DI APPLICAZIONE AL MODELLO DI SCELTA

MODALE
Fonte: Cascetta (2009) 36

Confronto modelli Logit e Logit
gerarchizzati
LOGIT
Nessuna gerarchizzazione assenza di correlazione
37

aleatori

Logit Multinomiale
Probit
38
Modello Probit
Il modello Probit si basa sullipotesi che i residui aleatori j siano

distribuiti secondo una variabile aleatoria Normale Multivariata
(MVN) con media nulla e covarianze qualsiasi:
E j 0
Var j
12
...
2
j
Cov j h jh
i1
... 1i
... 1 j
... 1m
...
...
...
...
... i2
... ... ...

j1 ... ji
Matrice
varianza-covarianza
...
...
...
...
...
... ij
... im
...
...
...
...
... 2j
... jm
...
...
...
m1 ... mi ... mj
...
... m2
Funzione densit
di probabilit
39

Modello Probit
Con questa ipotesi, anche le utilit percepite Uj sono distribuite

secondo una normale multivariata, con medie Vj e varianze e
covarianze pari a quelle dei residui j
La probabilit di scelta dellalternativa j per il decisore i pu

essere espressa formalmente come la probabilit congiunta che
lutilit Uji assuma un valore compreso in un intervallo
infinitesimo e che le utilit delle altre alternative abbiano un
valore minore
Tale probabilit va integrata per tutti i valori che Uj pu

assumere:
p j U1 U j ...U j
exp 1 / 2( U V )T 1( U V )
...U m U j
dU1 ..dU m
1/ 2
N
( 2 ) det
40

Modello Probit
Il modello Probit fornisce, in generale, valori delle probabilit di

scelta molto simili a quelli forniti dai modelli Logit e Logit
Gerarchizzato qualora si assuma la stessa matrice varianzacovarianza dei residui aleatori
Esso permette per una maggiore flessibilit della matrice

varianza-covarianza, i cui elementi possono essere
direttamente specificati
Il modello Probit non si presta al calcolo analitico delle

probabilit di scelta, poich non possibile ottenere una
soluzione in forma chiusa
Per il calcolo delle probabilit di scelta Probit si ricorre a metodi

numerici approssimati, quali il metodo Monte-Carlo
41

Modelli avanzati per i sistemi di trasporto
(v. corso prof. Papola)
Modello Cross-Nested Logit (CNL)

Generalizzazione del modello Logit Gerarchizzato ad un livello
basata
sullipotesi
che
ciascuna
alternativa
possa
contemporaneamente appartenere a pi di un gruppo, con
differenti gradi di appartenenza.
Modelli di Valore Estremo Generalizzato (GEV)

Costituiscono unintera classe di modelli di utilit aleatoria. Essi
infatti sono definiti da una formulazione matematica generale di
cui occorre specificare di volta in volta una funzione
caratteristica che goda di alcune particolari propriet.
La specificazione dei residui delle varie alternative tale che
essi hanno la stessa varianza e, in genere, possono avere
covarianze diverse da zero e positive.
42

Modelli avanzati per i sistemi di trasporto
(v. corso prof. Papola)
Modello Mixed Logit

Lutilit pari a:
U j Vj j Vj j j
dove le j sono v.a. Normali a media nulla e matrice di
covarianza qualsiasi e le j sono v.a. indipendenti di Gumbel a
media nulla e parametro di varianza ; il modello noto in
letteratura come Multinomial Probit with Logit Kernel. In
generale, le ipotesi poste sulla distribuzione dei residui j e j
non sono restrittive in quanto essi possono seguire una
distribuzione qualsiasi, e ci genera una classe di modelli di
utilit aleatoria denominati mixed models; in particolare, quando
i residui j sono v.a. di Gumbel indipendentemente ed
identicamente distribuite il modello) noto in letteratura come
Mixed Logit.
43
Sommario
Introduzione
44

diod [s, h, m, k] = d(SE, T)
i
o, d
=
=
categoria socioeconomica degli utenti

zone di origine e di destinazione dello
spostamento
motivo, o coppie di motivi per i quali ci si
sposta, dato o, d
periodo o fascia oraria nella quale avvengono
gli spostamenti, dato s, o, d
modo, o sequenza di modi, con cui lo
spostamento effettuato, dato h, s, o, d
percorso utilizzato per lo spostamento, dato
m, h, s, o, d
45

Dimensioni di scelta coinvolte:
numero di spostamenti, x, da effettuare per il
motivo s nella fascia oraria h
destinazione d verso la quale recarsi
modo di trasporto m da utilizzare
percorso k da seguire
46

Modello ad aliquote parziali (struttura pi comune 4 stadi):
diod[s,h,m,k] = dio.[s,h](SE,T) pi[d/osh](SE,T)

pi[m/oshd](SE,T)
pi[k/oshdm](SE,T)
dio.[s,h](SE,T)
modello di emissione o frequenza degli

spostamenti, fornisce il numero medio di individui
di categoria i che si spostano da o per il motivo s
nellintervallo temporale h
pi[d/osh](SE,T)
modello di distribuzione degli spostamenti,

fornisce la percentuale di utenti di categoria i che,
spostandosi da o per il motivo s nel periodo h, si
recano nella zona di destinazione d
47

Modello ad aliquote parziali (struttura pi comune 4 stadi):
diod[s,h,m,k] = dio.[s,h](SE,T) pi[d/osh](SE,T)

pi[m/oshd](SE,T)
pi[k/oshdm](SE,T)
pi[m/oshd](SE,T)
modello di scelta del modo (o di ripartizione

modale), fornisce la percentuale di utenti di
categoria i che, spostandosi fra o e d per il motivo
s nel periodo h, utilizzano il modo di trasporto m.
pi[k/oshdm](SE,T)
modello di scelta del percorso, fornisce la

percentuale di utenti di categoria i che,
spostandosi fra o e d per il motivo s nel periodo h
con il modo m, utilizzano il percorso k
48
Sistemi di modelli per la domanda di

spostamento
49
Fornisce il numero medio di spostamenti, dio.[s,h], effettuati

nellintervallo temporale h per il motivo s dagli utenti della categoria i,
con origine nella zona o
dio.[s,h] = no[i] mi[o,s,h]

dove:
no[i]
il numero di utenti appartenenti alla categoria i che si

trovano nella zona o
mi[o,s,h] il numero medio di spostamenti effettuati dal generico

individuo di categoria i, a partire da o, per il motivo s
nellintervallo h
50

Modelli di emissione, o di frequenza degli spostamenti
Modelli non comportamentali
(descrittivi)
Modelli del tipo indice per
categoria:
il
numero
medio
di
spostamenti mi[o,s,h]
stimato direttamente per

ogni categoria omogenea
di utenti, senza esprimerlo
in funzione di variabili
esplicative (indice
di
emissione)
Esempio di indici giornalieri di
emissione degli spostamenti urbani
51

Modelli di emissione, o di frequenza degli spostamenti
Modelli di utilit aleatoria (comportamentali)
Simulano il comportamento di scelta dellutente e, pertanto,
sono usati soprattutto per la simulazione di spostamenti non
sistematici (casa-acquisti, casa-sport, casa-tempo libero,
ecc.):
mi[o,s,h] = x x pi[x/o,s,h]
Numero medio
di spostamenti
dove pi[x/o,s,h] la probabilit che un individuo della

categoria i effettui x spostamenti (x = 0, 1, 2, ) a partire
da o, per il motivo s nellintervallo h.
i
exp
(
V
i
x / osh / )
p x/osh
i
exp
(
V
j=o ,...,n
j / osh / )
52

Fornisce laliquota di spostamenti di utenti di categoria i che, partendo
dalla zona o per il motivo s nel periodo h, si reca alla destinazione d.
Vd / osh
lutilit sistematica associata alla zona di destinazione d
Attributi di attrattivit
Misurano la capacit attrattiva di una zona di destinazione (coeff. k positivi):
N. addetti per spostamenti Casa-Lavoro

N. iscritti nelle scuole per spostamenti Casa-Studio
N. addetti al commercio per spostamenti Casa-Acquisti
Attributi di costo
Misurano il costo generalizzato connesso allo spostamento da o a d (coeff. k
negativi):
Distanza in linea daria tra centroidi
Variabili di costo generalizzato pi complesse, per i diversi modi disponibili
53

Ad 1 e 2Cod
pd / osh
1
2Cod '
A
e
d ' d'
Esempi di modelli gravitazionali:
Vd = 1 X1,d + 2 X2,d
X1,d = ln Ad
X2,d = - Cod
exp 1 ln Ad 2Co d
pd / osh
d ' exp 1 ln Ad ' 2Co d '
exp ln Ad 1 2Co d
pd / osh
1
exp
ln
A
d '
d ' 2Co d '
Ad 1 e 2Co d
pd / osh
1
2Co d '
A
e
d ' d '
54

Modello di scelta del modo (o di ripartizione modale)
Il modello di scelta del modo, fornisce laliquota di spostamenti

di utenti di categoria i che, recandosi dalla zona o alla zona d
per il motivo s nel periodo h, usa il modo m
Questi modelli sono quasi sempre comportamentali; forma pi

utilizzata modello Logit multinomiale
p m / od
i
exp V i m / od
2
i
exp
V
m ' / od
m '1
55

Tipologie di attributi:
attributi di livello di servizio: sono relativi alle caratteristiche
del servizio offerto dal singolo modo (es. tempo di viaggio,
costo monetario, regolarit del servizio, numero di trasbordi,
ecc.); coefficienti negativi
attributi socio-economici: relativi a caratteristiche del
decisore o del nucleo familiare di appartenenza (es. reddito
familiare, dotazione automobilistica, sesso, et, ecc.)
attributi specifici dellalternativa (ASA) o di preferenza
modale: per tener conto delle caratteristiche che non sono
misurabili (confort, privacy, ecc.)
56

Esempio:
Vp = 1Tp,p
Va = 1Tp,a + 2Tb,a + 3Ca + 4NA + 5 AUTO
Vc = 1Tp,c + 2Tb,c + 3Cc + 7Twc + 6TPL
AUTO, TPL: variabili di preferenza modale
C : costo monetario (var. generica)

Tp, Tb, Tw : tempo a piedi, a bordo e di attesa dei vari modi
(var. generiche)
NA : disponibilit dellauto (numero di auto possedute dalla

famiglia del decisore diviso per il numero di patentati)
57

Rapporti di reciproca sostituzione: rapporti fra i
coefficienti degli attributi di livello di servizio; ad
esempio il Valore del Tempo (Value Of Time):
VOT =
t
c
h
1
euro
1
= /h
58

Esempio di modello con Logit Gerarchizzato
modi collettivi
auto
treno
guidatore
passeggero
aereo
bus
lento veloce notturno

59

Specificazione di un modello Logit Multinomiale di
scelta modale per spostamenti C-L per la citt di
Parma
V piedi 1TWL
Vbici 2TB 3 NB / NAD 4 BICI
Vmoto 2TC 5GC 6 NC / NAD 7 MOTO
Vauto 8TA 9CA 10CENTRO 11CFAM 12 NA 13 AUTO
Vbus 8TB 9CB 14 NINT 15BUS
60
Parametri
Fonte: Cascetta (2009)
61

Il modello di scelta del percorso, fornisce laliquota
degli spostamenti effettuati da utenti di categoria i,
che utilizzano ciascun percorso k relativo al modo m,
per recarsi da o a d per lo scopo s nel periodo h
pi[k/modsh]
62

Ipotesi sui comportamenti di scelta:
scelta preventiva: scelta effettuata interamente
prima di iniziare lo spostamento
Es. servizio di trasporto continuo (rete stradale, rete
pedonale), servizio di trasporto discontinuo (ad orario)
con frequenze sufficientemente basse ed elevata
regolarit (rete ferroviaria)
scelta mista preventiva/adattiva: la scelta del

percorso pu essere variata anche durante lo
spostamento, adattandosi alle circostanze
incontrate durante il viaggio
Es. servizio di trasporto discontinuo (di linea) con
frequenza di servizio elevate e/o bassa regolarit
63

Fasi per lapplicazione del modello di scelta:
definizione delle alternative di scelta
individuazione dellinsieme delle possibili
alternative (insieme di scelta)
definizione del modello di scelta fra le alternative
possibili
64

Modelli di scelta del percorso per una rete stradale
(sistemi a servizio continuo) Scelta preventiva
Definizione delle alternative di scelta:
I diversi percorsi disponibili
Individuazione dellinsieme di scelta Kodm:
approccio esaustivo: tutti i percorsi elementari (senza circuiti)

(i problemi connessi alla difficolt di esplicitare tutti i possibili
percorsi possono essere superati con metodi di enumerazione
implicita)
approccio selettivo: sottoinsieme di percorsi ammissibili sulla

base del soddisfacimento di alcune regole euristiche
(es. un percorso non pu comprendere pi di un ingresso ed
una uscita dalla autostrada; non pu allontanarsi dalla
destinazione; non pu avere un costo medio percepito maggiore
di una prefissata percentuale rispetto al costo minimo etc)
65

Il pi elementare modello utilizzato quello di utilit
deterministica. In questo caso il percorso k pu essere utilizzato
solo se il suo costo gk il minimo fra quelli dei percorsi alternativi.
Si ottiene pertanto:
pk / osdm 1 se g k g h
0 altrimenti
h k
h, k K o d m
I modelli di utilit aleatoria di solito utilizzati per calcolare la

probabilit di scelta del percorso sono Logit e Probit.
Il modello Logit Multinomiale assume la forma:
exp( g k / )
pk / osdm
hKodm exp( gh / )
66

Esempio di modelli Logit multinomiale di scelta del percorso in
ambito urbano
67
Sommario
Introduzione
Esempio numerico
68

Il livello di domanda risulta da dimensioni di scelta esterne, tipo la
destinazione, il modo, ecc.
RIGIDA
La domanda su dimensioni di scelta esterne non dipende dalle variazioni
di costo, ad es. la scelta del modo rigida rispetto alle variazioni del
tempo di viaggio
demand
cost
ELASTICA
La domanda su dimensioni di scelta esterne dipende dai costi
demand
cost
69
DOMANDA RIGIDA
CARATTERISTICHE
modelli pi semplici
mancanza di realismo se gli attributi di livello di servizio sono
sostanzialmente modificati
DEMANDA ELASTICA
CARATTERISTICHE
modelli ed algoritmi pi complessi
maggiore realismo
La simulazione degli effetti di politiche e di sistemi di controllo
che hanno impatti sulle dimensioni di scelta diverse da quelle del
percorso richiedono modelli a domanda elastica
70
DOMANDA RIGIDA
diod[s,h,m,k] = diodm[s,h] pi[k/oshdm]
DEMANDA ELASTICA
sul modo
diod[s,h,m,k]=diod[s,h] pi[m/oshd] pi[k/oshdm]
sulla destinazione e sul modo
diod[s,h,m,k]= dio.[s,h] pi[d/osh] pi[m/oshd] pi[k/oshdm]
71
Sommario
Introduzione
Esempio numerico
72
Esempio numerico
STIMA DELLA DOMANDA DI MOBILITA
3 zone di traffico
ORA DI PUNTA : 07:30 8:30
CATEGORIA: Lavoratori (lav)
MOTIVO DELLO SPOST: Casa Lavoro
2 MODI DI TRASPORTO: AUTO E TRENO
ZONA1
3500 OCCUPATI
5000 ADDETTI
dlavodm=dlavoplav [d/o]plav [m/od]

ZONA 3
2500 OCCUPATI
3500 ADDETTI
33 minuti TOT
26 minuti TOT
(acc.+attesa+bordo)
(acc.+attesa+bordo)
22 minuti
15 minuti
10 minuti
21 minuti TOT
ZONA 2
7000 OCCUPATI
2000 ADDETTI
73
Esempio numerico
MODELLO DI EMISSIONE INDICE PER CATEGORIA
dlavo= OCCo m[o,lav,7:30-8:30]
m[o,lav,7:30-8:30] = 0,73
OCCUPATI
ZONA 1
3500
ZONA 2
7000
ZONA 3
2500
Emessi 7:30-8:30
ZONA 1
2555
ZONA 2
5110
ZONA 3
1825
74
Esempio numerico
MODELLO DI DISTRIBUZIONE
Modello non comportamentale
ADDETTI
ZONA 1
5000
ZONA 2
2000
ZONA 3
3500
Modello gravitazionale
(minuti)
1,3
-0,5
15
22
15
10
22
10
68%
12%
20%
44%
23%
34%
36%
16%
48%
75
Esempio numerico
MODELLO DI SCELTA MODALE
Due modi considerati: Auto e Treno

Hp: Stesso Tempo di percorrenza per i due modi
Servizio regolare : I=12
=6 minuti
Per raggiungere la stazione =6 minuti
p m / od
exp V i m / od
i
exp
V
m ' / od
m '1
= * + *
= * + *
76
Esempio numerico
AUTO
(minuti)
TRENO
(minuti)
15
22
26
33
15
10
26
21
22
10
33
26
31 = + +
( 5 + 6 + 22)
AUTO
(euro)
0,9
0,9
0,9
0,9

Costo del biglietto = 1,3
-0,32
-0,04
VOT= 7,5 (/h)
Strade a pedaggio
77
Esempio numerico
AUTO
TRENO
-0,2
-0,89
-0,75
-0,20
-1,4
-1,7
-0,89
-0,20
-0,69
-1,4
-0,20
-1,2
-0,75
-0,69
-0,20
-1,7
-1,2
-0,20
50%
62%
69%
50%
38%
31%
62%
50%
62%
38%
50%
38%
69%
62%
50%
31%
38%
50%
78
Esempio numerico
LE MATRICI O-D MODALI
dlavodm=dlavoplav [d/o]plav [m/od]
1
2555
5110
68%
12%
20%
*
3
50%
62%
69%
44%
23%
34%
62%
50%
62%
36%
16%
48%
69%
62%
50%
TOT
EMESSSI
866
189
357
1412
1387
585
1068
3040
453
185
434
1072
TOT ATTRATTI
2706
959
1859
5524
1825
79
Esempio numerico
LE MATRICI O-D MODALI
2555
5110
68%
12%
20%
*
3
50%
38%
31%
44%
23%
34%
38%
50%
38%
36%
16%
48%
31%
38%
50%
1825
TOT
EMESSSI
866
114
162
1142
837
585
646
2068
205
111
434
750
TOT ATTRATTI
1908
810
1242
3960
80
Esempio numerico
Intervento 1:
Costruzione di una nuova strada tra la zona 1 e la zona 3
EFFETTO: riduzione dei tempi di viaggio in auto del 15%
18 minuti
81
Esempio numerico
Intervento 1: Effetti sulla distribuzione degli spostamenti
1
15
18,7
15
10
18,7
10
Matrice di distribuzione prima

1
68%
12%
20%
44%
23%
36%
16%
Effetto della nuova

infrastruttura: riduzione del
15% del tempo di
percorrenza tra 1 e 3
Matrice di distribuzione dopo

1
67%
12%
22%
34%
44%
23%
34%
48%
38%
16%
46%
+ 34 spostamenti per
lavoro da 3 a 1
Aumento dell8% la probabilit

di andare da 1 a 3
82
Esempio numerico
Intervento 1: Effetti sulla scelta modale
PRIMA DELLINTERVENTO
1
50%
62%
69%
62%
50%
69%
62%
50%
38%
31%
62%
38%
50%
38%
50%
31%
38%
50%
DOPO LINTERVENTO
(
50%
62%
72%
50%
38%
28%
62%
50%
62%
38%
50%
38%
72%
62%
50%
28%
38%
50%
Ariducendo del 15% il costo per andare dalla zona 1 alla zona
3 con lauto c un aumento del 4% della probabilit di
scegliere lauto
43 spostamenti in pi in auto da 3 a 1
83
Esempio numerico
Intervento 2:
Costruzione di una nuova industria nella zona 1
Aumento del 10% numero di addetti nella zona 1
ADDETTI prima
dell intervento
ADDETTI dopo
l intervento
ZONA 1
5000
ZONA 1
5500
ZONA 2
2000
ZONA 2
2000
ZONA 3
3500
ZONA 3
3500
84
Esempio numerico
Intervento 2: Effetti sulla distribuzione degli spostamenti
Matrice di distribuzione prima
1
68%
12%
20%
44%
23%
34%
36%
16%
48%
Matrice di distribuzione dopo

1
1
70%
2
11%
1
(%)
1
(+ spostamenti
per lavoro
destinazione 1)
4%
67
7%
156
8%
53
19%
47%
22%
32%
39%
16%
45%
85

7 Modelli Di Domanda 4

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

7 Modelli Di Domanda 4

Transféré par

Droits d'auteur :

Formats disponibles

CORSO DI PIANIFICAZIONE DEI TRASPORTI A.A.

I MODELLI DI DOMANDA DI TRASPORTO

Prof. Ing. Ennio Cascetta

Elasticit della domanda

: vettore di coefficienti o di parametri del modello

frequenza degli spostamenti per un certo

Modelli di mobilit o di contesto

Modelli per la domanda di viaggi o sequenze di

Modelli non comportamentali

Elasticit della domanda

Richiami di teoria dellutilit aleatoria

I modelli di utilit aleatoria (o casuale) si basano sulla ipotesi

a) Il generico utente i nelleffettuare la scelta considera tutte le

Richiami di teoria dellutilit aleatoria

Richiami di teoria dellutilit aleatoria

utilit sistematica (media o valore atteso dellutilit

Richiami di teoria dellutilit aleatoria

Richiami di teoria dellutilit aleatoria

si evince che la probabilit di scelta di unalternativa dipende dai valori

Richiami di teoria dellutilit aleatoria

vettore delle probabilit di scelta, di dimensione (m i x 1), con

la funzione di densit di probabilit congiunta dei residui aleatori

la funzione di distribuzione congiunta dei residui aleatori

Richiami di teoria dellutilit aleatoria

tale relazione anche detta mappa di scelta ed un vettore di

Richiami di teoria dellutilit aleatoria

X kji , relativi alle

Si assume, in generale, che lutilit sistematica sia una funzione

Richiami di teoria dellutilit aleatoria

attributi generici: attributi che compaiono con stessa forma

Richiami di teoria dellutilit aleatoria

Richiami di teoria dellutilit aleatoria

Richiami di teoria dellutilit aleatoria

I modelli che studieremo sono:

Richiami di teoria dellutilit aleatoria

I modelli che studieremo sono:

Richiami di teoria dellutilit aleatoria

F j ( x ) Prob( j x ) exp exp( x / )

Media e varianza della variabile di Gumbel:

Richiami di teoria dellutilit aleatoria

La matrice varianza-covarianza una matrice identit

Richiami di teoria dellutilit aleatoria

Modello Logit Multinomiale

se Uj , j = 1,, N, sono v.a. di Gumbel indipendenti con medie

ancora una v.a. di Gumbel di parametro e media VM pari a:

detta utilit inclusiva

detta variabile logsum

Richiami di teoria dellutilit aleatoria

Richiami di teoria dellutilit aleatoria

La probabilit di scelta dipende dalla differenza dei valori delle

Richiami di teoria dellutilit aleatoria

Ad una minore varianza dei residui corrisponde un

Richiami di teoria dellutilit aleatoria

exp(V A / ) exp(VB / ) 1 exp (VB V A ) /

Fonte: Cascetta (2009)

Richiami di teoria dellutilit aleatoria

Lutilit percepita associata alla scelta dellalternativa j fra tutte quelle

Richiami di teoria dellutilit aleatoria

La probabilit di scelta condizionata, p [ j /k ], data da:

nellipotesi che i residui aleatori j/k siano i.i.d. secondo una

Richiami di teoria dellutilit aleatoria

La probabilit di scegliere il gruppo k, p [ k ], equivale a scegliere

Ricordando che il massimo di variabili di Gumbel ancora una

Vk* EU k* E maxV j j / k ln jI k exp (V j / ) Yk