Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
1
POLITECNICO DI MILANO
Scuola di Ingegneria Civile, Ambientale e Territoriale
Corso di laurea specialistica in Ingegneria per l’Ambiente e il
Territorio
Pianificazione e Gestione delle Risorse Naturali
Applicazione della Space Syntax Analysis alla
progettazione architettonico-urbanistica: il caso dei
parcheggi dei centri commerciali.
Relatore: Prof. Giovanni RABINO
Correlatore: Prof. Valerio CUTINI
Tesi di Laurea Magistrale
Simone Baccinelli
Matricola n. 824002
Anno accademico 2014-2015
2
3
INDICE
Sommario ........................................................................................................................ 6
1. L’analisi configurazionale e Space Syntax ............................................................... 8
1.1 Cenni teorici relativi all’analisi configurazionale .................................................... 8
1.2 Space Syntax: introduzione e classificazione degli indici configurazionali ......... 11
1.2.1 Axial Analysis ........................................................................................... 14
1.2.2 Visibility Graph Analysis (VGA) .............................................................. 16
1.2.3 Angular Analysis ....................................................................................... 18
1.2.4 Convex Analysis ........................................................................................ 19
2. Space Syntax e parcheggi dei centri commerciali .................................................. 22
2.1 Applicazione dell’analisi configurazionale ad un caso specifico: i parcheggi ..... 22
2.2 Classificazione dei parcheggi ............................................................................... 24
2.3 Elementi progettuali comuni a tutti i parcheggi .................................................... 26
2.4 Parcheggi a raso e modulari ................................................................................... 29
2.5 I parcheggi dei centri commerciali ........................................................................ 31
3. Le applicazioni: analisi ............................................................................................. 34
3.1 Il caso del parcheggio dell’Auchan di Curno (Bg) ............................................... 35
3.1.1 Inquadramento territoriale e accessi al sito ......................................................... 35
3.1.2 Indice di occupazione del parcheggio ................................................................. 37
3.1.2.1 Metodologia di rilievo ............................................................................. 37
3.1.2.2 Modalità di riempimento del parcheggio ................................................. 39
3.1.3 Metodologia di analisi: utilizzo dei software Depthmap e ArcGis .................... 45
3.1.3.1 UCL Depthmap: breve introduzione ....................................................... 46
3.1.4 Indicatori configurazionali utilizzati e loro mappatura ....................................... 47
3.1.4.1 Distanza ‘pedonale’ e distanza ‘veicolare’ .............................................. 47
3.1.4.2 Cambi di direzione o manovre ................................................................. 50
3.1.4.3 Visibilità ................................................................................................. 53
3.1.4.4 Accessibilità ............................................................................................. 60
3.1.4.5 Wayfinding .............................................................................................. 63
3.1.4.6 Controllabilità e controllo ........................................................................ 64
4
3.1.4.7 Connettività e intensità ............................................................................ 70
3.1.5 Modellizzazione dell’occupazione ...................................................................... 73
3.1.5.1 Studio di correlazione tra le variabili ....................................................... 73
3.1.5.2 Definizione dei pesi da attribuire alle variabili ........................................ 74
3.1.5.3 Metodo dei residui .................................................................................. 76
3.1.6 Time lapse del riempimento del parcheggio di Curno ......................................... 79
3.1.6.1 Metodologia dell’analisi ......................................................................... 80
3.1.6.2 Variazione temporale degli indicatori ..................................................... 85
3.2 Il caso del parcheggio dell’Auchan di Taranto (Ta) ............................................ 87
3.2.1 Inquadramento territoriale e accessi al sito ................................................ 87
3.2.2 Rilevamento dell’occupazione reale ........................................................... 89
3.2.3 Utilizzo del modello per la pesatura degli indicatori (11 variabili) ............ 91
3.2.4 Simulazione dell’occupazione ................................................................... 93
3.2.5 Utilizzo del modello per la pesatura degli indicatori (9 variabili) .............. 94
3.3 Il caso del parcheggio dell’Auchan di Fano (Pu) ................................................. 96
3.3.1 Inquadramento territoriale e accessi al sito ................................................ 96
3.3.2 Rilevamento dell’occupazione reale ........................................................... 99
3.3.3 Utilizzo del modello per la pesatura degli indicatori (11 variabili) .......... 100
3.3.4 Simulazione dell’occupazione ................................................................. 101
4. Le applicazioni: il contributo alla progettazione ................................................. 103
4.1 Indice di appetibilità ............................................................................................. 104
4.1.1 Introduzione e applicazione al caso di Curno ........................................... 104
4.1.2 Applicazione al caso di Curno con layout riconfigurato .......................... 106
4.1.3 Applicazione al caso di Taranto .............................................................. 108
4.1.4 Applicazione al caso di Fano ................................................................... 110
4.2 Approfondimento: riconfigurazione del layout di Curno (Bg) ........................ 112
4.2.1 Proposta di riconfigurazione del layout: il sistema degli accessi ............ 112
4.2.2 Circolazione veicolare interna ................................................................. 113
4.2.3 Circolazione pedonale ............................................................................. 116
5
4.2.4 Simulazione dell’occupazione ................................................................. 117
5. Conclusioni e sviluppi di ricerca futuri ................................................................ 119
6. Appendice ................................................................................................................ 121
6.1 Ulteriori dati per il caso di Taranto ..................................................................... 122
6.2 Ulteriori dati per il caso di Fano ......................................................................... 132
Indice delle figure ....................................................................................................... 143
Indice delle tabelle ...................................................................................................... 147
Riferimenti bibliografici e sitografia ......................................................................... 148
6
SOMMARIO
In questa tesi si è trattato un tema molto dibattuto negli ultimi 30 anni circa: l’analisi
configurazionale (capitolo 1). Quest’ultima è stata applicata alla scala infraurbana
ritenendola utile per la progettazione dei macrospazi, nello specifico, per quanto riguarda
questo elaborato i parcheggi (di cui si è fatta un’introduzione al capitolo 2).
L’obiettivo è quello di utilizzare l’analisi configurazionale, in particolare alcuni suoi
indici, per spiegare un aspetto fondamentale che riguarda il tema dei parcheggi ossia
l’occupazione. Ci si è chiesti dunque il motivo per cui gli utenti di un parcheggio tendano
ad occupare certi stalli e a lasciarne liberi altri e si è cercato di rispondere a questa
domanda nella maniera più ‘scientifica’ possibile ipotizzando anche la costruzione di un
piccolo modello e soprattutto rifacendosi sempre ad alcuni dati sperimentali che sono stati
raccolti in una campagna d’indagine specifica.
A partire dal caso di studio principale (Curno) sul quale è stato condotto uno studio
approfondito – si ringrazia la società Systematica per la possibilità data - (capitolo 3.1) si
è poi cercato di estendere i risultati ottenuti in termini modellistici ad altri casi di studio
che sono stati analizzati nella stessa maniera: Taranto (capitolo 3.2) e Fano (capitolo 3.3).
Si è voluto poi applicare lo ‘strumento’ creato per testarne l’utilità in ambito progettuale
(capitolo 4.1) con l’obiettivo di affiancare lo stesso ai tradizionali metodi di pianificazione
utilizzati per la costruzione dei parcheggi in modo tale da portare dei vantaggi in termini
di qualità di sfruttamento dello spazio a disposizione. Il capitolo 4.2 contiene un
approfondimento sul caso di Curno basato sulla riconfigurazione del layout del
parcheggio.
Infine, oltre a trarre le conclusioni (capitolo 5) sul lavoro effettuato sono state discusse le
possibili migliorie da apportare rispetto a quanto già fatto e si sono poste le basi per un
lavoro di ricerca futuro riguardante lo stesso ambito.
Il capitolo 6 invece contiene un’appendice di cui fanno parte le mappe commentate
relative ai casi di studio di Taranto e Fano.
7
8
1 L’analisi configurazionale e Space Syntax
1.1 Cenni teorici relativi all’analisi configurazionale
L’analisi configurazionale è una metodologia quantitativa utilizzata per l’analisi dello
spazio dalla scala urbana alla scala dell’edificio basata su un approccio percettivo che è
stata introdotta alla metà degli anni ’80.
Alla radice dell’approccio configurazionale vi sono 3 assunzioni fondamentali:
lo spazio urbano, per come è disegnato e strutturato, influenza i fenomeni che
hanno luogo al suo interno, in particolare esso è ritenuto fattore primario:
- nella genesi dei processi insediativi in quanto punto di incontro tra la struttura
fisica della città, definita dalle strade e dal tessuto costruito, e la sua struttura
sociale, composta dalle attività che vi sono insediate e dalle loro interazioni;
- nella formazione del movimento naturale: oltre al movimento attratto,
imputabile alla presenza delle attività insediate e al loro potere attrattivo, esiste
cioè un movimento naturale la cui distribuzione è dovuta all’articolazione dei
percorsi urbani, intesa come insieme di strade e spazi aperti.
Tale presupposto è in opposizione alla logica dei modelli classici di interazione spaziale,
in cui sono proprio le attività insediate con le loro posizioni e interazioni a essere ritenute
determinanti nella distribuzione dei flussi di spostamento e nella geografia di un
insediamento.
La dimensione percettiva dello spazio urbano, dalla quale deriva un approccio
topologico allo studio della sua configurazione, è da ritenersi fondamentale nella
guida al movimento e determinante le precondizioni di utilizzo dello spazio. Sotto
tale luce, lo spazio urbano può essere pensato come scomposto in singoli spazi
9
convessi definiti come un insieme di unità spaziali di percezione visiva fra loro
reciprocamente connesse. Nell’interpretazione configurazionale, quindi, lo spazio
convesso è il luogo dei punti che si trovano in condizioni di mutua visibilità: ogni
punto è visibile da ogni altro punto presente al suo interno e il segmento di
connessione fra due punti, inteso come il tracciato della loro reciproca
interconnessione visiva, è anch’esso appartenente a tale spazio.
La griglia urbana è ciò che costituisce la struttura dello spazio urbano; essa è come
il complesso di tutti gli spazi pubblici di un insediamento urbano, e quindi strade
e spazi aperti, fruibili senza alcuna limitazione dagli individui che si spostano
liberamente nella città. La città viene così discretizzata da un flusso continuo e
indifferenziato di spazi in un numero di elementi, porzioni della griglia urbana,
ognuno dei quali ha una specifica valenza spaziale dovuta non tanto al suo assetto
strutturale o alla sua consistenza morfologica, quanto alle relazioni spaziali che
intercorrono tra questo e tutti i rimanenti elementi. Tali relazioni vengono definite
mediante la ricostruzione del complesso dei percorsi di minima lunghezza presenti
all’interno della griglia.
La tipica logica dei modelli configurazionali può essere così sintetizzata:
- Come input si ha l’articolazione dello spazio (da quello urbano fino quello della
stanza di un edificio).
- Come output si ha la distribuzione del movimento e delle attività che nel nostro
caso sono rappresentate dagli stalli.
Il modo in cui lo spazio è utilizzato dipende dal modo in cui gli utenti si muovono al suo
interno; il modo in cui gli utenti si muovono in un insediamento dipende dal modo in cui
essi percepiscono il suo spazio. È quindi la percezione visiva dello spazio a dettare le
indicazioni per il movimento e, per il suo tramite, le precondizioni per l’utilizzazione del
suolo.
Il movimento avviene secondo una serie di percorsi lineari, correlati a linee visuali
(viewsheds) nello spazio dell’insediamento.
10
La riduzione della griglia a sistema avviene attraverso la scomposizione in elementi
spaziali discreti e l’introduzione di 2 relazioni di sistema, più precisamente:
1) Relazione di appartenenza: imporre tale condizione equivale a stabilire che
solamente gli spazi convessi che risultano visivamente percepibili da altri spazi
della griglia urbana verranno apprezzati come elementi interni al sistema: di tutti
gli elementi cioè in cui viene scomposto lo spazio fisico della città, alcuni
appartengono al sistema su cui si concentra l’attenzione, i vuoti urbani risultanti
dalla morfologia e dall’andamento delle cortine edilizie dei fabbricati e degli
isolati, altri, e quindi i pieni urbani costituiti dal tessuto urbano e dagli spazi
inaccessibili, saranno invece esclusi;
2) Relazione di struttura o profondità: con questa assunzione si assumono tutti gli
elementi della griglia come interrelati tra loro; tale relazione è identificata nella
profondità (depth), definita come la distanza tra due elementi della griglia. Come
già è stato discusso in precedenza, non è la misura metrica della distanza a cui si
fa riferimento, quanto quella topologica: essa è quindi espressa come il numero di
elementi interposti tra i due elementi per i quali si vuole misurare la distanza; un
percorso tra due localizzazioni urbane viene così misurato dal numero di cambi di
prospettiva visuale che si susseguono lungo di esso.
L’assunzione, cardine dell’analisi configurazionale, del riconoscimento della griglia
urbana come elemento strutturale dello spazio urbano merita un ulteriore
approfondimento: il modo infatti in cui è possibile discretizzare la griglia urbana non è
unico e le relazioni tra i singoli elementi discreti sono molteplici tanto che è possibile
attribuire a ogni suo elemento e alla griglia nel suo complesso diversi valori, assunti come
indici configurazionali, in base alle proprietà e relazioni a cui si fa riferimento.
Nel seguito vengono introdotti i principali indicatori, con cui si basa lo studio e l’analisi
dello spazio, adottati da due approcci della Space Syntax Analysis che possono essere
ricondotti a due diverse tecniche di discretizzazione della griglia, denominati Visibility
Graph Analysis e Convex Analysis.
11
1.2 Space Syntax: introduzione e classificazione degli indici configurazionali
Come descrivere lo spazio? Come predirre il movimento e l’uso da una struttura
spaziale? Come valutare il progetto di un’area? Come misurare la connessione tra gli
spazi?
Queste questioni vengono affrontate estendendo una famiglia di idee coerenti e tecniche
analitiche: Space Syntax. Space Syntax, originata e sviluppata negli anni 70 alla Bartlett
Unit for Architectural studies, University College, London, è una tecnica robusta che può
essere usata per descrivere e analizzare dei pattern di spazi architettonici sia alla scala
urbana che a quella dell’edificio. Stabilisce un modo oggettivo di valutare e investigare
le relazioni tra la struttura morfologica degli ambienti antropici e le strutture sociali o gli
eventi. Space Syntax è un insieme di tecniche utilizzate per l’analisi configurazionale di
tutti i tipi, specialmente dove la configurazione spaziale sembra essere un aspetto
significativo degli affari umani, sia che si tratti di edifici sia che si tratti di città. Space
Syntax è anche definita come ‘famiglia di tecniche per la rappresentazione e l’analisi dei
layout spaziali di tutti i tipi’. Cerca di spiegare i comportamenti umani e le attività sociali
da un punto di vista della configurazione spaziale.
Space Syntax è stata usata in un ampio range di progetti di ricerca. Hillier et al (1987)
hanno fatto un’analisi dei genotipi di case. Peponis et al (1990) hanno guardato alla
funzione della struttura morfologica degli appartamenti nel processo di way finding.
Hanson (1989) ha descritto le implicazioni socio-culturali di piani differenti per la
ricostruzione di Londra dopo il grande incendio. Miller (1989) ha utilizzato space syntax
come strumento nel processo di rinnovamento urbano in una città svedese. Hillier et al
(1989b) hanno cercato di predirre patter spaziali di omicidi in aree urbane, and De
Holanda (1989) si è occupato delle implicazioni sociali derivanti da modi diversi di
strutturare la forma delle città nel terzo mondo. Mills (1989) ha mostrato come la struttura
spaziale delle municipalità agisce come meccanismo di controllo nell’ideologia della
discriminazione razziale. Infine, cosa più importante, la relazione tra la struttura
morfologica delle aree urbane e i pattern di movimento (soprattutto pedonali) è stata
analizzata frequentemente (Hillier 1988; Hillier and Hanson, 1984; Hillier et al., 1983;
1987b; 1989°; 1990; Peponis et al., 1989).
12
Lo spazio può essere descritto attraverso tre idee geometriche: linearmente quando le
persone si muovono all’interno di esso, con uno spazio convesso (in cui tutti i punti
possono vedersi a vicenda) quando le stesse interagiscono al suo interno e infine
attraverso un’isovista che da ciascun punto dello spazio può essere vista di forma
variabile, spesso come campo visivo appuntito.
Figura 1.1 Relazione tra spazio e attività: lo spazio non è un background di attività ma
un aspetto intrinseco di questo.
Nel descrivere brevemente gli indici configurazionali, si fa riferimento alla
classificazione adotta da Hillier e al. (1987) secondo cui il modello di misura di un sistema
urbano può essere caratterizzato da due dimensioni (tab.2.2):
• la prima riguarda la distinzione tra le proprietà statiche e dinamiche di un sistema
urbano: “An urban system is made up of two elements: a fixed system of spaces in a
particular configuration and a set of mobile individuals superimposed on that
configuration”;
• la seconda riguarda la distinzione tra le proprietà locali e globali di un sistema urbano:
“Each space constituting an urban system has certain relations to its neighbours, but it
also has certain position in the urban layout as a global whole”.
13
Sulla base di queste due dimensioni, è possibile costruire un modello con due livelli di
misura, in cui le misure di primo ordine si riferiscono a quelle calcolate direttamente sul
sistema, mentre quelle di secondo ordine fanno riferimento alle relazioni tra le misure di
primo livello. Tale modello può essere rappresentato con un diagramma come in Figura
1.2.
Figura 1.2 Dimensioni e relativi indici del modello di misura di un sistema urbano
secondo Hillier.
Facendo riferimento a questa classificazione, vengono definiti i relativi quattro indici di
primo livello, idonei a descrivere la consistenza configurazionale degli elementi, lines o
vertices a seconda della tecnica utilizzata, costituenti la mappa del layout urbano
considerato:
L’indice di connettività (connectivity) è definito come il numero di elementi che
sono direttamente connessi a uno spazio e rappresenta una misura statica locale.
L’indice di integrazione (integration) descrive la profondità media di uno spazio
rispetto a tutti gli altri spazi del sistema. Con il termine di profondità tra due spazi
si indica il numero minimo di step in un grafo necessari per raggiungere uno a
partire dall’altro. In altre parole, questo indice fornisce una misura di accessibilità,
esprimendo la facilità con cui una porzione di spazio è raggiungibile dagli altri.
Attraverso questo valore che rappresenta una misura statica globale, è possibile
14
classificare gli spazi da quelli urbani a quelli della stanza di un edificio, dai più
integrati ai più segregati.
L’indice di controllo (control value) misura il grado con cui uno spazio controlla
l’accesso agli spazi nel suo immediato intorno tenendo conto delle connessioni
alternative che questi spazi hanno; in altre parole, esso dà un valore alla possibilità
che un elemento possiede, per il suo immediato intorno, di essere un luogo verso
cui muoversi. Tale misura rappresenta quindi un valore dinamico locale.
L’indice di controllabilità (controllability), di più recente formulazione rispetto
agli altri indici, descrive, in opposizione all’indice di controllo, quanto bene uno
spazio è visualmente dominato e controllato dal suo immediato intorno.
L’indice di scelta globale (global choice) è una misura dinamica globale di quanto
flusso c’è attraverso uno spazio: uno spazio, cioè, ha un alto valore di choice
quando molti tra i percorsi più corti che connettono tutti gli spazi a tutti gli altri,
passano attraverso di questo.
1.2.1 Axial analysis
L’axial analysis è la tecnica configurazionale basata, nella riduzione della griglia a
sistema discreto, sull’assunzione che lo spazio urbano sia articolato in una trama di
segmenti lineari; ogni tratto rettilineo corrisponde a un’unità elementare di percezione
visiva: si ipotizza, infatti, che un osservatore percepisca lo spazio della città mediante
linee corrispondenti alle proprie visuali prospettiche e che si muova guidato da esse. Si
può costruire una convex map, interpretata come l’insieme dei luoghi urbani di unitarietà
percettiva più grandi e presi nel loro numero minore, e tramite questa un’axial map,
definita come l’insieme dei segmenti, ancora i più estesi e presi nel loro numero minore,
denominati axial lines, con i quali è possibile connettere reciprocamente tutti gli spazi
convessi. Esse rappresentano le linee di vista con cui l’individuo percepisce lo spazio e
vengono da questi materializzate in un tracciato lungo il quale questi si muove realizzando
lo spostamento. Un esempio di queste axial lines è riportato nella Figura 1.3 seguente in
15
cui viene proposta la all line map relativa al caso di studio di Curno rappresentante nello
specifico l’indice della connettività.
Figura 1.3 Mappa assiale (all line map) del caso di Curno.
Facendo riferimento a questa tecnica si possono caratterizzare i seguenti indici atti a
descrivere la consistenza configurazionale delle lines:
L’indice di connettività è definito come il numero di lines direttamente connesse
ad una determinata line.
L’indice di integrazione descrive la profondità media (ossia la distanza topologica
che separa coppie di lines) di una line rispetto a tutte le altre del sistema,
consentendo di individuare quali sono le lines più integrate o segregate del
sistema; da notare che il valore della profondità media dipende dalla dimensione
del sistema.
L’indice di controllo indica quanto una singola line è determinante per gli
spostamenti che interessano le lines ad essa afferenti: indica cioè se la line
costituisce per esse l’unico possibile percorso o quanto comunque questo sia
preponderante rispetto ai possibili percorsi alternativi.
L’indice di controllabilità è definito, per la line osservata, come rapporto fra il
numero di lines a profondità 0 e quindi direttamente connesse a questa ed il
numero di lines a profondità 1 e 2, cioè quelle connesse ad essa e quelle connesse
a queste ultime.
16
L’indice di scelta globale è definito come la frequenza con la quale una line ricade
entro i percorsi di minore lunghezza topologica che connettono tutte le lines a tutte
le altre del sistema, escludendo quelli da e verso la line in attenzione; dipende dal
numero di lines di cui è composto il sistema.
1.2.2 Visibility Graph Analysis (VGA)
La Visibility Graph Analysis è una tecnica adottata per l’analisi delle configurazioni dei
layout; l’elemento principale della riduzione della griglia a sistema discreto è il vertex:
l’attenzione riguarda i singoli punti distribuiti uniformemente all’interno degli spazi
convessi. Ad ogni punto è associata una porzione di spazio urbano, da esso direttamente
percepibile per via visiva, composta da tutti i punti in diretta connessione visuale; essa
assume il nome di isovista ed è descrivibile analiticamente come:
𝑉𝑥 = {𝑣 є 𝐷: 𝑣 è 𝑣𝑖𝑠𝑖𝑏𝑖𝑙𝑒 𝑑𝑎 𝑥}.
Per come è stata definita, è possibile che più punti della griglia condividano la stessa
isovista, allo stesso modo in cui è possibile che diverse isoviste, generate da diversi punti
abbiano delle porzioni sovrapposte.
Da un punto di vista operativo, viene dapprima costruita la convex map, individuata dagli
spazi convessi, sempre i più estesi e presi nel loro numero minore, e tramite questa il
visibility graph, definito dalla trama dei vertices e delle isoviste a essi associate. Su questa
base, la dimensione di ogni isovista, misurata con il numero di vertices presenti al suo
interno, dipende dalla consistenza della visibility graph e quindi dalla densità di vertices
con cui si è deciso di discretizzare la griglia urbana. La densità di vertices è quindi l’unico
grado di libertà lasciato all’operatore; esso vien stabilito in base al livello di dettaglio che
si vuole ottenere e alle caratteristiche specifiche della griglia urbana.
Si può dunque analizzare la struttura del layout urbano attraverso una serie di parametri,
i cui valori verranno calcolati per ogni vertex del sistema. Tra i più significativi troviamo:
La neighbourhood size, definita come il numero dei vertices direttamente visibili
a un punto e quindi connessi visivamente a questo. Essa coincide con la isovista
17
del punto quando la densità dei punti con cui è discretizzata la griglia urbana è
così elevata da coincidere con tutti i punti che costituiscono lo spazio della città.
L’indice di clustering coefficient definito come il rapporto tra il numero di
connessioni visuali esistenti all’interno dell’isovista di un punto e quello delle
connessioni teoricamente possibili.
L’indice di integrazione, ricavato dalla normalizzazione, rispetto al numero
complessivo di vrtices, dell’indice di profondità media, definito come il numero
di steps che è necessario percorrere per spostarsi dal vertice considerato a tutti gli
altri del sistema. In Figura 1.4 sottostante ne viene riportato un esempio relativo
al caso di studio di Taranto in cui si nota che i valori maggiori di integrazione si
hanno lungo le corsie di circolazione (colorazione arancione/rossa).
L’indice di controllo di un punto è calcolato dalla somma dei reciproci della
neighbourhood size dei vertici connessi. In realtà all’operatore somma è stato
sostituito l’operatore unione in quanto spesso le isoviste di vertices adiacenti
tendono a sovrapporsi per larghe porzioni.
L’indice di controllabilità, definito come il rapporto fra il numero di vertices a
profondità 1 e 2.
18
Figura 1.4 VGA per il caso di Tranto (Integration).
1.2.3 Angular Analysis
L’Angular analysis è una tecnica configurazionale che viene elaborata prendendo in
considerazione, oltre al rapporto di intersezione fra coppie di axial lines, anche l’angolo
secondo il quale tale intersezione si manifesta. Si basa sul concetto di angolo di svolta e
sull’assunzione che sia questo, oltre alle linee di percezione visiva, a guidare il
movimento degli individui nella città. Ogni singola intersezione viene quindi pesata in
relazione all’angolo di incidenza delle rispettive lines: quanto più tale angolo sarà
prossimo a 180° tanto minore risulterà la reciproca profondità delle due lines.
Da questo approccio è stata poi elaborata un’altra sua formulazione, l’Angular Segment
Analysis che nasce con lo scopo di superare la difficoltà di applicare le misure tipiche
19
dell’axial analysis alle strade reali; essa infatti assume i segmenti al posto delle lines e
considera in aggiunta gli angoli in corrispondenza delle loro intresezioni.
Anche per questo approccio, nelle due estensioni di angular e angular segment anlysis
vengono definiti una serie di indici, di tipo globale e locale, utili all’analisi delle griglie,
formulati in analogia all’axial analysis e per i quali si tralascia la descrizione dettagliata;
di seguito viene riportato un esempio di Axial Analisys in Figura 1.5 relativo alla città di
Londra.
Figura 1.5 Esempio di Angular Analysis (Londra).
1.2.4 Convex Analysis
La Convex analysis è un modo di analizzare un layout spaziale rappresentato attraverso
una mappa convessa. Gli spazi convessi possono essere trasformati in un diagramma in
cui gli stessi sono rappresentati da punti e le relazioni tra loro attraverso linee che
collegano punti.
Uno spazio convesso è definito come ‘uno spazio che non conterrà parti concave’. È
un’area racchiusa da un bordo di linee rette dove ogni coppia di punti in questo spazio
20
convesso può essere unita da una linea retta che non esce dallo spazio. La mappa convessa
consiste nei più larghi e grossi spazi convessi che coprono l’area. Lo spazio convesso
offre la prospettiva più localizzata possibile così che ciascun punto selezionato preso
all’interno di esso appaia visibile e direttamente accessibile verso tutti gli altri punti
all’interno dello stesso spazio. Gli spazi convessi sono usati quando si studia
l’interazione.
Figura 1.6 Strumenti Space syntax.
La mappa convessa rappresenta il numero minimo di spazi convessi che ricopre
completamente un layout e le connessioni tra essi, come è possibile vedere dalla Figura
1.7 proposta sotto relativa al caso di studio di Fano; si notano infatti tutti i poligoni che
rappresentano gli stalli e i corselli o le corsie di circolazione in amaranto e i collegamenti
tra i singoli stalli e i corselli adiacenti disegnati con delle linee verdi.
21
Figura 1.7 Mappa convessa per il caso di Fano.
22
2
Space Syntax e parcheggi dei centri commerciali.
2.1 Applicazione dell’analisi configurazionale ad un caso specifico: i
parcheggi
L’approccio configurazionale si rivela un potente strumento di analisi spaziale, non solo
a scala urbana, ma anche alla scala infraurbana, per la progettazione e l’analisi di
macroarchitetture. In effetti in letteratura si hanno vari esempi di trattazione
dell’argomento in merito a musei, ospedali, carceri e stazioni ma non se ne hanno di così
specifici in relazione al tema dei parcheggi.
Reynoso, analizzando il Museo Nacional de Colombia parla della tecnica dell’axial
analysis utilizzata per predirre i posti migliori per disporre le telecamere di sicurezza e
assicurarsi dunque il controllo ottimo.
Per quanto riguarda il tema delle strutture ospedaliere Peponis e Zimring hanno
l’obiettivo di permettere ai pianificatori e ai progettisti di rivolgersi alla natura
intelligibile e accogliente di un piano con lo stesso rigore che loro stessi dedicano alla
pianificazione funzionale.
L’argomento di uno spazio sotterraneo come quello delle stazioni metropolitane viene
affrontato da Van Der Hoeven e Van Nes e a riguardo essi esplorano le potenzialità di
Space Syntax col fine di valutare la qualità del wayfinding in rapporto all’esperienza
dell’utente, oltre alla facilità nell’orientarsi e a compiere l’analisi visuale.
Ogni tipo di funzione di quelle sopra accennate viene analizzata con una specifica tecnica
operativa (VGA, Convex, Axial, etc.); in particolare, si evidenzia la capacità dello
strumento di correlare le caratteristiche geometriche e morfologiche di uno spazio con gli
aspetti funzionali connessi al suo utilizzo.
23
L’idea di questo elaborato di tesi è quella di effettuare l’analisi configurazionale per entità
che si spostano differentemente, ossia a bordo dei loro veicoli privati oppure a piedi
(trattandosi di parcheggi), cercando di soddisfare esigenze configurazionali diverse; ad
entità diverse corrispondono modi di intendere lo spazio diversi.
Si vuole affrontare il problema dei centri di interscambio, dei nodi intermodali in generale
e nello specifico si prenderanno in esame dei casi di studio relativi ai parcheggi di alcuni
centri commerciali.
Per quanto riguarda le tecniche configurazionali si è deciso di utilizzarne due, la Convex
Analysis e la Visibility Graph Analysis (VGA) per i seguenti motivi:
- La Convex Analysis è risultata indispensabile perché è l’unica che permette di
discretizzare lo spazio studiato in un certo numero di poligoni convessi, che per
questo elaborato corrispondono ai singoli stalli e ai corselli/corsie di circolazione
che li collegano; una volta costruiti tutti i poligoni è poi possibile collegarli con
delle linee simulando nel nostro caso come gli stalli vengono riempiti.
- Ci si è serviti inoltre della VGA perché il suo modo di procedere con la
discretizzazione della pianta in vertici (celle di una griglia) è riconducibile al
lavoro fatto con la Convex Analysis; infatti ad ogni poligono convesso, quindi ad
ogni stallo, si è attribuito il valore medio di tutti i vertici sottesi dallo stesso, così
da poter identificare ogni stallo con un unico valore di ogni indice
configurazionale.
- La mancanza di diaframmi murari nella tipologia di parcheggi a raso che sono
stati trattati non permette di utilizzare l’Axial Analysis; inoltre la stessa analisi
assiale stabilisce essa stessa i legami di relazione, mentre attraverso la Convex
Analysis siamo noi a decidere quali sono i rapporti di relazione andando a
collegare manualmente gli spazi convessi che si sono creati.
In seguito l’analisi configurazionale è stata legata alla problematica della progettazione
dei parcheggi; si analizzerà nel dettaglio un aspetto: l’intensità d’uso (occupancy) dei
singoli stalli, che si cercherà di riprodurre attraverso la costruzione di un modello
contenente gli indici derivati dall’analisi configurazionale.
24
2.2 Classificazione dei parcheggi
Di seguito viene riportata la Tabella 2.1 rappresentante le diverse tipologie di sosta e
l’utenza prevalente che le riguarda.
Classe Tipologia della sosta Utenza prevalente Esempi
1 Sosta breve a rotazione
elevata
Operativa e
occasionale
Zone commerciali o
uffici pubblici, centri
direzionali, impianti
sportivi e ricreativi
2 Sosta media Mista (operativa e/o
abituale)
Stazioni, aeroporti,
università, scuole,
ospedali, centri
amministrativi
3 Sosta lunga Abituale o
pendolare
Parcheggi riservati ai
dipendenti di uffici,
industrie, aziende,
parcheggi per residenti e
abbonati
4 Parcheggi ad uso privato o
riservato o realizzati in
condizioni eccezionali e per
i quali è necessario adottare
soluzioni limite
5 Parcheggi destinati ai
disabili
Tabella 2.1 Tipo di sosta e utenza prevalenti.
CLASSE 1: i parcheggi devono offrire il massimo comfort, sia per la circolazione interna
che per le manovre, deve inoltre essere possibile l’apertura completa di tutte le portiere;
le manovre devono essere facili e rapide.
25
CLASSE 2: il comfort è di livello medio; ci deve essere un’attenzione maggiore da parte
dell’utente rispetto alla classe 1 in termini di manovre e di apertura delle portiere.
CLASSE 3: l’utente è un frequentatore abituale del parcheggio, lo conosce; può essere
previsto l’ingresso nello stallo in retromarcia. L’apertura delle portiere può non essere
completa.
CLASSE 4: ci deve essere molta attenzione da parte dell’utente nel parcheggiare,
l’ingresso nello stallo avviene in retromarcia; il margine è minimo per distrazioni ed
errori; il parcheggio è costruito solo se necessario. L’apertura delle porte è limitata al
primo scatto.
CLASSE 5: non ci sono strutture autonome ma gli spazi hanno caratteristiche specifiche.
L’organizzazione del parcheggio deve massimizzare il coefficiente di efficienza
nell’utilizzo dello spazio.
Nei parcheggi ad uso pubblico a rotazione l’utente deve poter perlustrare il maggior
numero di posti auto mediante un unico percorso continuo e di adeguato sviluppo.
Il doppio senso marcia è da evitare nelle corsie dei parcheggi ad uso pubblico, soprattutto
se di grandi dimensioni, poiché complica la circolazione e incrementa i punti di conflitto
tra le traiettorie e i flussi.
I vantaggi della circolazione a senso unico sono: la larghezza della corsia inferiore, la
possibilità di angolare i posti auto, una maggiore possibilità di manovra e celerità dei
percorsi, la ricerca del posto libero agevolata e la minor presenza punti di conflitto o
intersezione tra flussi.
Gli aspetti distributivi interni influenzano la capacità dinamica del parcheggio, cioè
l’efficienza in relazione alla celerità di riempimento e svuotamento (non superiore a 1 ora
in un parcheggio dimensioni medio-grandi).
26
2.3 Elementi progettuali comuni a tutti i parcheggi
Esistono dei criteri che specificano gli standard progettuali da rispettare nella
realizzazione dei parcheggi di superficie o in struttura e riguardano il dimensionamento
degli spazi destinati alla sosta, alla manovra e alla circolazione dei veicoli.
I valori relativi alle dimensioni standard si rifanno a parcheggi con stalli aperti, cioè senza
pareti perimetrali o portone, destinati ad autovetture.
Le caratteristiche del veicolo standard circolante in Europa sono:
-lunghezza: 4,80 m
-larghezza: 1,75 m
-interasse: 2,80 m
-altezza: 1,70 m
-raggio esterno di curvatura: 5,80 m
Di seguito vengono riportate una tabella contenente le dimensioni degli stalli e delle
corsie (Tabella 2.2) e un’altra riguardante le dimensioni degli stalli in linea rispetto alla
corsia (Tabella 2.3).
Classe Stallo in metri
(larghezza per lunghezza)
(a * b)
Larghezza della
corsia © in metri
Senso unico
Doppio senso
1 2,50 * 5,00 6,00 6,20
2 2,40 * 5,00 5,80 6,00
3 2,35 * 4,80 5,60 5,80
4 2,25 * 4,80 5,00 5,40
5 3,20 * 5,00 == ==
Tabella 2.2 Stalli a 90 gradi rispetto alla corsia.
27
Classe Stallo in metri
(larghezza per lunghezza)
(a * b)
Stallo cieco
Lunghezza (b)
Larghezza della
corsia © in metri
Senso unico
1 2,10 * 5,80 6,40 3,50
2 2,00 * 5,50 6,00 3,30
3 1,90 * 5,30 5,80 3,10
4 1,80 * 5,10 5,60 2,90
5 2,00 * 6,00 6,40 ==
Tabella 2.3 Stalli in linea rispetto alla corsia.
Stallo cieco: lato anteriore o posteriore si trova adiacente ad un ostacolo (parete, pilastro,
guardrail, ecc.).
Nelle autorimesse soggette a norme di sicurezza antincendi di cui al decreto del Ministero
dell’interno 1 Febbraio 1986 la larghezza minima delle corsie è fissata in 4,50 m.
La prossima Tabella 2.4 mostra invece le dimensioni degli stalli angolari rispetto alla
corsia.
Angolo
β
Classe Stallo in metri Larghezza
corsia ©
Doppio stallo (d)
Larghezza *
lunghezza
In metri In metri
a * b a’ * b’ Senso unico Ingombro
30 1 2,40 * 5,00 4,80 * 4,60 3,40 7,10
30 2 2,30 * 5,00 4,60 * 4,50 3,20 7,00
30 3 2,25 * 4,80 4,50 * 4,35 3,00 6,75
28
30 4 2,20 * 4,60 4,40 * 4,20 3,00 6,50
45 1 2,40 * 5,00 3,40 * 5,25 3,80 8,75
45 2 2,30 * 5,00 3,25 * 5,15 3,60 8,70
45 3 2,25 * 4,80 3,20 * 5,00 3,40 8,40
45 4 2,20 * 4,60 3,10 * 4,80 3,20 8,05
60 1 2,45 * 5,00 2,85 * 5,55 4,50 9,90
60 2 2,35 * 5,00 2,70 * 5,50 4,30 9,85
60 3 2,30 * 4,80 2,65 * 5,30 4,00 9,45
60 4 2,25 * 4,80 2,60 * 5,30 3,80 9,45
75 1 2,45 * 5,00 2,55 * 5,45 5,30 10,30
75 2 2,35 * 5,00 2,45 * 5,45 5,10 10,25
75 3 2,30 * 4,80 2,40 * 5,25 4,80 9,90
75 4 2,25 * 4,80 2,35 * 5,20 4,60 9,85
Tabella 2.4 Stalli angolari rispetto alla corsia.
Nelle autorimesse soggette a norme di sicurezza antincendi di cui al decreto del Ministero
dell’interno 1 Febbraio 1986 la larghezza minima delle corsie è fissata in 4,50 m.
Per quanto riguarda gli stalli per disabili, la larghezza dello stallo deve essere di 1,90 m
più deve esserci lo spazio libero per l’apertura dello sportello (1,30 m); in totale, la
larghezza dello stallo deve essere pari o superiore a 3,20 m.
La larghezza minima di una rampa deve essere di 0,90 m per consentire il transito di una
persona sulla sedia a rotelle, 1,50 m per consentire l’incrocio di due persone sulla sedia a
rotelle. Ogni 10 m di lunghezza ed in presenza di interruzioni come porte, la rampa deve
prevedere un ripiano orizzontale di dimensioni minime pari a 1,50 * 1,50 m.
Il lato rampa che dà sul parapetto non deve essere piano, la rampa deve avere un cordolo
di almeno 10 cm d’altezza. La pendenza delle rampe non deve superare l’8%. Gli stalli
29
per disabili devono trovarsi in prossimità degli ascensori adatti, degli accessi pedonali e
in luoghi sicuri.
Gli stalli devono essere identificati con il simbolo internazionale dei portatori di handicap.
Viene mostrata una foto tratta da un manuale francese raffigurante il disegno di uno stallo
per disabili (Figura 2.1).
Figura 2.1 Stalli per disabili.
2.4 Parcheggi a raso e modulari
I parcheggio a raso rappresentano l’intervento di sosta più facilmente realizzabile, perché
semplici ed economici anche se il rapporto tra numero di posti ottenibili per spazio a
disposizione è inferiore rispetto ad un parcheggio in struttura. Si ha l’assenza di rampe,
pilastri e percorsi pedonali interni che caratterizzano i parcheggi in struttura.
30
L’utente preferisce il parcheggio a raso rispetto a quello in struttura per la semplicità di
accesso al posto di sosta e l’assenza di fattori deterrenti tipici del parcheggio in struttura
(timore aggressioni, claustrofobia, scarsa illuminazione, presenza rampe…).
La dotazione impiantistica è più semplice rispetto ai parcheggi in struttura, nessuna
edificazione è prevista; non vi sono impianti di rivelazione gas e fumi o impianti di
spegnimento incendi, è facilitata la predisposizione alle vie di fuga. I posti auto sono di
dimensioni inferiori rispetto ai parcheggi in struttura perché mancano pilastri e altri
ostacoli.
Per far fronte alla crescente domanda di sosta senza però poter incrementare lo spazio
destinato al parcheggio in superficie, una soluzione efficace è la costruzione di una
struttura modulare metallica che consenta di ottenere un livello fuori terra, da installare
direttamente sulla superficie carrabile del parcheggio a raso. Essa viene realizzata
mediante l’assemblaggio di elementi verticali modulari prefabbricati (in genere pilastri
metallici a sezione tubolare o profilati), ed elementi orizzontali (travi metalliche ed
elementi di solaio in calcestruzzo o misti).
Vantaggi:
-possibilità di duplicare senza costi elevati buona parte della superficie disponibile per la
sosta, fino ad un raddoppio quasi integrale.
-elevata rapidità dell’intervento; si ha solo l’assemblaggio in opera di una struttura
prefabbricata e alcune opere di completamento.
-semplicità della dotazione impiantistica; non ci sono impianti di rivelazione gas e fumi
o impianti di spegnimento incendi, è facilitata la predisposizione alle vie di fuga. È
richiesto un efficace impianto di illuminazione per il livello coperto.
-economicità della soluzione.
-completa reversibilità dell’assetto e rapidità dovuta al solo smantellamento dell’opera
stessa. Possibile riutilizzazione per ulteriori interventi.
Svantaggi:
31
-la struttura con elementi grezzi e modulari causa la rottura stilistica e un forte impatto
ambientale.
-scarso comfort di parcheggio e conseguenti disagi per gli utenti soprattutto in fase di
manovra per l’ingresso e l’uscita dallo stallo. Le caratteristiche degli elementi costruttivi
tipici impongono passi e campate ridotti. Le dimensioni dei posti auto e delle corsie di
manovra sono ridotte rispetto a quelle ottimali; è frequente la presenza di pilastri.
-limitata possibilità edificatoria: possibilità di costruire un solo piano elevato oltre al
livello di superficie.
-poiché il modulo è rigido e ripetitivo, non è sempre agevole l’inserimento di tale sistema
all’interno di aree che non presentano dimensioni adeguate alle possibili combinazioni
modulari.
-la caratteristica di provvisorietà, infatti il sistema modulare è adottabile per interventi
che non presumono durate di lungo periodo. Per questi è meglio effettuare interventi in
struttura tipici.
2.4 I parcheggi dei centri commerciali
I parcheggi dei centri commerciali in Italia (nello specifico si sono analizzati quelli degli
Auchan), dopo una indagine condotta anche avvalendosi delle possibilità ora offerte da
uno strumento come Google Earth, risultano avere delle caratteristiche che li accomunano
a prescindere dalla zona analizzata. In particolare si possono segnalare:
- La posizione in cui si trovano; infatti, spesso e volentieri si tratta di aree
extraurbane a bassa densità edilizia dovute al grande spazio che occupano il corpo
dell’edificio commerciale e il parcheggio che lo serve. Quasi sempre inoltre
queste strutture si trovano in aree piane.
- Relativamente alla posizione che occupano, si raggiungono percorrendo il più
delle volte strade extraurbane di scorrimento che si innestano con la circolazione
interna all’area di parcheggio grazie a rotonde.
32
- Comunemente, la disposizione del parcheggio è spesso suddivisibile in tre zone
coincidenti con tre lati della struttura, solitamente un ‘lato lungo ’ e i due ‘lati
corti’ (perché l’altro lato lungo viene utilizzato come zona di carico/scarico
merci).
- Per quanto riguarda la circolazione interna si assiste nella maggior parte dei casi
ad una situazione di gerarchizzazione della stessa; ad una scala ‘superiore’ si
trovano le nonparking roadways, corsie atte solo alla circolazione (quindi non
pensate per le manovre di parcheggio delle auto) che collegano il parcheggio alla
circolazione esterna, mentre ad una scala ‘inferiore’ si trovano i corselli adiacenti
agli stalli, atti alle manovre di parcheggio. Le corsie di circolazione, idealmente,
dovrebbero essere percorribili in una sola direzione ma molto spesso sono a
doppio senso, mentre i corselli (corsie di manovra) tra gli stalli sono percorribili
in entrambe le direzioni di marcia.
Vengono qui di seguito riportate delle foto (Figura 2.2, Figura 2.3 e Figura 2.4)
raffiguranti alcuni esempi di parcheggi che mostrano avere alcune delle caratteristiche
descritte in questo paragrafo.
Figura 2.2 Parcheggio dell’Auchan di Curno.
33
Figura 2.3 Parcheggio dell’Auchan di Fano.
Figura 2.4 Parcheggio dell’Auchan di Taranto.
34
3. Le applicazioni:
analisi
35
3.1
Il caso del parcheggio dell’Auchan di Curno (Bg)
3.1.1 Inquadramento territoriale e accessi al sito
Il centro commerciale di Curno rappresenta la struttura commerciale principale all’interno
del comparto di vendita ubicato a sud del paese di Curno (BG) in prossimità dello scambio
tra le Strade Statali 671 e 470, (Figura 3.1.1 sotto). La Galleria commerciale ospita
l’ipermercato Auchan e oltre 70 punti vendita tra cui si ricordano Mediaworld, Carnevali,
I Negozi del Sole, Benetton, Cisalfa, La Feltrinelli Village, Mc Donald’s, Brek e molti
altri. La strada principale a servizio dell’intero complesso è via Enrico Fermi che,
correndo in direzione est-ovest, separa il centro commerciale Curno dalle altre strutture
di vendita (Decathlon, Toys Center, Kiabi, Oviesse, ecc.). Nella porzione settentrionale
dell’area trovano spazio il negozio Cisalfa, un cinema multisala (Uci Cinemas) e gli uffici
di Media World e Saturn, separati dal centro commerciale Curno tramite via Lega
Lombarda che, staccandosi da via Fermi a Sud-Est, percorre il comparto fino a scambiare
con via Carlinga ad Ovest.
Figura 3.1.1 Inquadramento territoriale.
36
Nella Figura 3.1.2 sottostante vengono evidenziati i due principali nodi di accesso
veicolari (sottoposti ad indagini condotte sui volumi di traffico attraverso il
posizionamento di telecamere atte ad effettuare i conteggi).
Figura 3.1.2 Ingressi al centro commerciale.
Si è svolta una campagna di indagini analitiche on-site al fine di valutare la funzionalità
del parcheggio del centro commerciale di Curno. Sono state svolte quattro differenti
tipologie di indagine, ossia: indice di occupazione del parcheggio, indice di rotazione del
parcheggio, volumi di traffico in ingresso e in uscita dal bacino di sosta e questionario di
valutazione; nello specifico, per la realizzazione di questo elaborato di tesi ci si occuperà
della prima delle quattro indagini, cioè dell’indice di occupazione del parcheggio, che in
seguito verrà anche indicato come occupancy.
Le indagini sono state svolte nel corso di un fine settimana medio, senza particolari eventi
o festività e riferendosi alle ore di punta di sabato 14 marzo 2015 e domenica 15 marzo
2015.
37
3.1.2 Indice di occupazione del parcheggio
L’indice di occupazione del parcheggio è un indicatore che rappresenta la percentuale di
stalli occupati rispetto al totale disponibile. Si tratta di un parametro fondamentale nella
progettazione e nelle analisi delle aree di sosta in quanto, oltre a fornire una chiara
indicazione sul corretto dimensionamento del parcheggio rispetto alla domanda di sosta,
consente anche di interpretare altri fenomeni che possono verificarsi all’interno dell’area.
Inoltre, con l’intento di fornire un quadro chiaro e completo delle condizioni del
parcheggio, non ci si è limitati a un’analisi puramente numerica, ma l’occupazione è stata
studiata anche in relazione alla posizione degli stalli all’interno del parcheggio, in modo
da comprendere le modalità con cui i veicoli si distribuiscono.
3.1.2.1 Metodologia di rilievo
Il rilievo dell’occupazione di ogni posto auto è stato effettuato manualmente da quattro
conteggiatori che, dotati di una mappa di un’area del parcheggio, hanno effettuato un
percorso prefissato con una cadenza regolare indicando quali degli stalli fossero liberi e
quali occupati. Suddividendo il bacino di sosta in porzioni di dimensione opportuna (4
aree con circa 500 posti auto ciascuna) – si veda la Figura 3.1.3 -, è stato possibile
registrare l’occupazione di ogni stallo con intervalli di 30 minuti.
Le registrazioni si sono ripetute per 8 volte coprendo un intervallo temporale di 4 ore
(dalle 14.00 alle 18.00 del sabato pomeriggio) e assicurando un campionamento completo
dell’area di sosta.
38
Figura 3.1.3 Suddivisione delle aree per il rilievo dell’occupazione.
La valutazione del coefficiente di occupazione si basa su analisi numeriche dei dati
osservati che permettono di valutare per sabato 14 marzo un’occupazione massima pari a
circa il 70% della capacità complessiva.
14.00 14.30 15.00 15.30 16.00 16.30 17.00 17.30
Numero veicoli 935 1028 1139 1285 1359 1399 1423 1386
Coefficiente di
occupazione
46,6% 51,2% 56,8% 64,1% 67,7% 69,7% 70,9% 69,1%
Variazione - 93 111 146 74 40 24 -37
Variazione % - 9,9% 10,8% 12,8% 5,8% 2,9% 1,7% -2,6%
Tabella 3.1.1 Risultati dell’indagine sull’occupazione.
39
Figura 3.1.4 Profilo di occupazione del parcheggio.
Il picco di occupazione del parcheggio (come risulta anche dalla Figura 3.1.4 sopra) viene
misurato alle 17.00; superato tale picco l’occupazione inizia a decrescere. Si può anche
osservare come tra le 15.00 e le 16.00 si verifichi un rapido aumento del numero di posti
auto occupati all’interno del bacino di sosta. Va infine riportato che l’occupazione
massima rilevata è pari al 70% della capacità totale.
3.1.2.2 Modalità di riempimento del parcheggio
Per quanto riguarda invece le modalità di riempimento del parcheggio, come prevedibile,
il parcheggio non presenta un’occupazione spazialmente uniforme ma si evidenzia una
ricerca da parte del visitatore degli stalli percepiti come più confortevoli. A seguire si
riportano le mappature delle condizioni di occupazione del parcheggio rilevate nel corso
del pomeriggio (da Figura 3.1.5 a Figura 3.1.12).
40
Figura 3.1.5 Occupazione del parcheggio rilevata dalle 14.00 alle 14.30. Totale: 935
posti occupati.
Figura 3.1.6 Occupazione del parcheggio rilevata dalle 14.30 alle 15.00. Totale: 1028
posti occupati.
41
Figura 3.1.7 Occupazione del parcheggio rilevata dalle 15.00 alle 15.30. Totale: 1139
posti occupati.
Figura 3.1.8 Occupazione del parcheggio rilevata dalle 15.30 alle 16.00. Totale: 1285
posti occupati.
42
Figura 3.1.9 Occupazione del parcheggio rilevata dalle 16.00 alle 16.30. Totale: 1359
posti occupati.
Figura 3.1.10 Occupazione del parcheggio rilevata dalle 16.30 alle 17.00. Totale: 1399
posti occupati.
43
Figura 3.1.11 Occupazione del parcheggio rilevata dalle 17.00 alle 17.30. Totale: 1423
posti occupati.
Figura 3.1.12 Occupazione del parcheggio rilevata dalle 17.30 alle 18.00. Totale: 1386
posti occupati.
44
Anche dall’analisi delle mappe si riscontra un maggior utilizzo del bacino di sosta alle
17.00; appare inoltre evidente la tendenza dei visitatori a minimizzare sia la distanza da
percorrere a bordo del veicolo che quella a piedi all’interno del parcheggio, con una
preponderanza della seconda sulla prima. Si nota infatti come la maggior parte
dell’occupazione si verifichi in prossimità degli accessi mentre alcune aree risultino
costantemente sottoutilizzate.
A questo punto viene presentata la mappatura in cui i singoli stalli sono classificati sulla
base di un coefficiente di occupazione percentuale che va dallo 0% per gli stalli che per
tutta la durata del rilievo sono stati inutilizzati fino al 100% per i posteggi che al contrario
sono risultati sempre occupati (Figura 3.1.13).
Figura 3.1.13 Indice di occupazione degli stalli.
45
3.1.3 Metodologia di analisi: utilizzo dei software Depthmap e ArcGis
Una volta ottenuti tutti i valori di occupazione, sia divisi per ogni mezz’ora che aggregati
nella somma, si è proseguito in questa direzione: cercare di legare le questioni
ingegneristiche/progettuali di un parcheggio con l’analisi configurazionale; più
specificamente si è cercato di studiare alcuni aspetti che caratterizzano l’occupazione che
abbiamo rilevato per ricondurli a singoli indicatori risultato dell’analisi condotta
attraverso il software Depthmap.
In seguito sono state analizzate le tabelle degli attributi alla base delle mappature ottenute
da Depthmap per poter utilizzare l’informazione numerica contenuta al loro interno e fare
un’analisi modellistica relativa al singolo stallo, che a questo punto viene identificato da
una serie di specifici indicatori normalizzati per poter essere confrontati viste le differenti
unità di misura. Per effettuare questa operazione ci si è avvalsi anche dell’utilizzo del
software ArcGis (di cui verranno proposte le mappature) che permette di eseguire analisi
e operazioni dirette sulle tabelle degli attributi (come l’aggiunta e la popolazione di
campi), cosa non permessa dal software di Space Syntax.
Le mappature ottenute dai due software che saranno presentate in seguito riguarderanno
gli stessi indicatori, dunque conterranno la stessa informazione sia qualitativa che
quantitativa in termini di valore numerico; ciò che cambia è che le mappe ottenute da
Depthmap riguarderanno l’intera area di parcheggio (stalli più corsie di circolazione),
mentre le mappe ottenute da ArcGis rappresenteranno solo gli stalli senza tenere conto
della restante area di parcheggio.
46
3.1.3.1 UCL Depthmap: breve introduzione
Depthmap, creata da Alasdair Turner alla University College di Londra, è
un’applicazione utilizzata nell’analisi di visibilità dei sistemi architettonici e urbani. UCL
Depthmap può eseguire molti tipi di analisi come l’analisi di visibilità originale, la
generazione e l’analisi di mappe assiali così come la segment analysis. Il programma
venne scritto inizialmente per il sistema operativo Silicon Graphics IRIX come un
semplice programma di processamento delle isoviste nel 1998. È progettato per
funzionare su piattaforme Windows 2000 e sistemi operativi XP.
Figure 3.1.14 Interfaccia UCL Depthmap.
47
3.1.4 Indicatori configurazionali utilizzati e loro mappatura
3.1.4.1 Distanza ‘pedonale’ e distanza ‘veicolare’
L’aspetto progettuale da tenere maggiormente in considerazione quando si tratta la
costruzione di un parcheggio è la distanza che l’utente deve percorrere a piedi per
raggiungere un ingresso al centro commerciale dopo aver parcheggiato la macchina
(soprattutto se si tratta di parcheggi a raso, quindi sprovvisti di qualsiasi protezione dalle
intemperie); questa distanza deve essere ovviamente minimizzata e per fare ciò è
necessario che gli ingressi siano distribuiti in maniera omogenea lungo tutto il comparto
commerciale. L’indicatore che meglio spiega questo aspetto è l’Isometrica Pedonale.
Figura 3.1.15 Isometrica Pedonale (Depthmap).
L’indicatore rappresentato in Figura 3.1.15 prende il nome di Isometrica Pedonale
(analisi VGA), inteso come luoghi equidistanti a partire da uno stesso punto, in questo
caso i quattro core pedonali che si trovano in prossimità delle celle colorate in giallo nella
figura. Il blu indica distanze minori, quindi valori migliori dell’indicatore in questo caso,
mentre il rosso sta a significare distanze maggiori, quindi valori peggiori in termini di
appetibilità dei singoli stalli.
48
Figura 3.1.16 Isometrica Pedonale (ArcGis).
Valutando i risultati ottenuti con ArcGis (Figura 3.1.16) si tratta della mappatura che più
di tutte corrisponde a quella di occupazione reale come era lecito attendersi; ci si aspetta
dunque che questo sia l’attributo che maggiormente influenzi l’occupazione di un
parcheggio. Manca qualche ‘picco’ di occupazione nella zona centrale sopra il prato
rispetto alla mappa reale ma è giusto che sia così perché lì la distanza dagli ingressi
pedonali è maggiore.
Analogo al discorso fatto precedentemente per la distanza da percorrere a piedi da parte
dell’utente è quello relativo alla distanza da percorrere a bordo del veicolo per
raggiungere uno stallo libero a partire dai gate d’ingresso; anche in questo caso lo scopo
della progettazione è quello di minimizzare la distanza veicolare attraverso una
distribuzione il più possibile omogenea degli accessi. L’indicatore utilizzato prende il
nome di Isometrica Veicolare ed è da leggere nella stessa maniera di quello pedonale per
quanto riguarda la scala dei colori.
49
Figura 3.1.17 Isometrica Veicolare (Depthmap).
L’Isometrica Veicolare (Figura 3.1.17), è l’attributo ottenuto dall’analisi VGA che va
inteso come luoghi equidistanti a partire da uno stesso punto, in questo caso i due gate
veicolari (indicati dalle celle gialle). Il blu indica distanze minori, quindi valori migliori
dell’indicatore in questo caso, mentre il rosso indica distanze maggiori, quindi valori
peggiori in termini di appetibilità dei singoli stalli.
Figura 3.1.18 Isometrica Veicolare (ArcGis).
50
La Figura 3.1.18, se ci si riferisce alla mappa dell’occupazione reale, rappresenta bene le
due zone in prossimità dei gate rispetto a quella reale, tranne la zona a nord-est,
sottoutilizzata rispetto alla potenziale appetibilità a causa della lunga corsia di
circolazione diagonale che sembra tagliare un po’ fuori la suddetta zona dal resto del
parcheggio. Tutta la parte centrale non corrisponde alla situazione reale perché lì la
‘distanza veicolare’ ha il suo massimo.
3.1.4.2 Cambi di direzione o manovre
Altro elemento da tenere in considerazione in fase di progettazione è il numero di cambi
di direzione che vanno effettuati col veicolo a partire dagli accessi fino ad arrivare allo
stallo; anche questo valore è da minimizzare perché maggiore è il numero di manovre da
fare e minore sarà il comfort relativo ad un certo stallo. L’indicatore che meglio spiega
l’elemento introdotto ha il nome di Convex Step Depth veicolare in questo caso.
Figura 3.1.19 Convex Step Depth veicolare (Depthmap).
L’attributo Convex Step Depth veicolare, indica il numero di cambi di direzione effettivi
che devono essere fatti per raggiungere un poligono, ossia uno stallo, a partire dai due
gate; nella Figura 3.1.19 vengono rappresentati in ocra i due poligoni da cui viene fatta
partire l’analisi che si trovano in corrispondenza dei due accessi veicolari. La scala va dal
blu che rappresenta i valori minori dell’indicatore e migliori in questo caso in termini di
appetibilità dello stallo, al rosso, che indica i valori maggiori quindi peggiori.
51
Figura 3.1.20 Convex Step Depth veicolare (ArcGis).
La mappa di Figura 3.1.20 mostra che in prossimità dei due gate di accesso veicolare si
hanno i valori maggiori (colorazione arancione/rossa) dell’indicatore; queste due zone
quindi rispecchiano abbastanza bene la mappatura di riferimento, tranne che per la zona
a nord-est che nella realtà non viene utilizzata come questa mappa suggerirebbe. Man
mano che ci si allontana dagli ingressi il valore dell’indicatore tende ovviamente a
diminuire.
Nonostante rispetto al caso veicolare non sia altrettanto semplice delineare dei percorsi
esclusivamente pedonali che vengano poi effettivamente rispettati (in effetti i pedoni
tendono a muoversi in maniera casuale o comunque non riconducibile a percorsi
prestabiliti), va trattato anche l’aspetto del numero di cambi di direzione che un utente
(pedone) deve effettuare nel tragitto tra gli accessi al centro commerciale e lo stallo in cui
ha lasciato la macchina. Tale valore è da minimizzare per avere un grado maggiore di
appetibilità dello stallo. L’indicatore utilizzato prende il nome di Convex Step Depth
pedonale.
52
Figura 3.1.21 Convex Step Depth pedonale (Depthmap).
L’attributo della Convex Step Depth pedonale (Figura 3.1.21) indica il numero di cambi
di direzione effettivi che devono essere fatti per raggiungere un poligono, ossia uno stallo,
a partire dai quattro core; nella mappa vengono rappresentati in ocra i quattro poligoni da
cui viene fatta partire l’analisi che si trovano in corrispondenza dei quattro accessi
pedonali. La scala va dal blu che rappresenta i valori minori dell’indicatore e migliori in
termini di appetibilità, al rosso, che indica i valori maggiori quindi peggiori.
Figura 3.1.22 Convex Step Depth pedonale (ArcGis).
53
Come si può vedere dalla Figura 3.1.22 ottenuta con ArcGis, le zone in prossimità dei 4
core si colorano giustamente di arancione/rosso (valore alto dell’indicatore), mentre la
zona centrale sopra il prato, l’estremità a sud-est e la parte a nord-est assumono valori
inferiori perché più lontani; rispecchia abbastanza bene la mappa di occupazione reale in
prossimità dei core e lontano da essi, non nella parte centrale sopra il prato.
3.1.4.3 Visibilità
Nella ricerca di uno stallo è sicuramente rilevante l’aspetto progettuale che implica la
visibilità o meno dello stesso; l’indicatore che tratta questo argomento prende il nome di
Visual Step Depth, inteso come numero di ‘cambi di direzione visuali’ prima di riuscire
a vedere lo stallo che si vuole occupare. Se lo si analizza dal punto di vista del pedone
(sempre difficile come approccio per la mancanza di percorsi che vengano realmente
rispettati dagli stessi), l’analisi parte dai core dislocati lungo il fabbricato.
Figura 3.1.23 Visual Step Depth pedonale (Depthmap).
L’indicatore Visual Step Depth pedonale (risultato della VGA) di Figura 3.1.23 va inteso
come numero di cambi di direzione visuali che devono essere fatti per vedere una cella
(che poi nel nostro caso diventerà lo stallo); si è fatta partire l’analisi dai quattro core
d’ingresso/uscita che sono rappresentati sulla mappa da quattro celle gialle. Il colore
azzurro sta ad indicare la visibilità diretta, se così si può dire, che si ha a partire dai core
54
pedonali; man mano che ci si allontana dagli ingressi la colorazione degli stalli tende al
rosso, che sta ad indicare una minor visibilità sempre relativamente agli stessi punti di
partenza e quindi un valore peggiore dell’indicatore.
Figura 3.1.24 Visual Step Depth pedonale (ArcGis).
Essendo i 4 core distribuiti in maniera abbastanza uniforme sul perimetro del centro
commerciale, la mappa sopra presentata esprime valori di questo indicatore mediamente
alti (colorazione rosso-arancione) per ogni singolo stallo come era lecito aspettarsi e fa
risultare inoltre la bassa occupazione nell’area a sud-est sempre in riferimento alla
mappatura reale dell’occupazione (Figura 3.1.24).
Per il caso veicolare è prevista una circolazione interna che gli utenti sono tenuti a
rispettare, dunque il discorso di ‘cambi di direzione visuali’ è sicuramente più
significativo. L’analisi parte dai gate di accesso veicolare e si avranno valori migliori in
termini di appetibilità di uno stallo quanto minore sarà il valore dell’indicatore.
55
Figura 3.1.25 Visual Step Depth veicolare (Depthmap).
L’attributo Visual Step Depth veicolare (VGA) rappresentato in Figura 3.1.25 è da
intendersi come numero di cambi di direzione visuali che devono essere fatti per vedere
una cella (che poi nel nostro caso è lo stallo) a partire dai due gate d’ingresso/uscita (le
due celle gialle). La scala va dal blu al rosso ed è da leggere come nel caso precedente
(blu visibilità diretta, rosso minore visibilità a partire dai gate).
Figura 3.1.26 Visual Step Depth veicolare (ArcGis).
56
Il discorso è il medesimo di quello fatto per l’attributo Visual Step Depth pedonale con
l’unica differenza che i gate sono solamente due e non sono disposti in maniera omogenea
come accade per i core, dunque soprattutto nella zona centrale i valori medi sono più bassi
rispetto a quelli di occupazione reali (Figura 3.1.26).
Sempre riguardo al tema della visibilità di un certo stallo si può considerare un altro
indicatore, ossia quello della Visual Connectivity che in questo caso va interpretato come
area che si può vedere da ogni singola cella (che diventerà stallo nel nostro caso);
maggiore è la dimensione dell’area visibile e maggiore sarà il valore di questo indicatore.
Rispetto agli indici precedenti viene valutata la visibilità a partire da tutte le celle che
compongono la griglia della Visibility Graph Analysis.
Figura 3.1.27 Visual Connectivity (Depthmap).
La Figura 3.1.27 rappresenta l’indicatore Visual Connectivity, da leggersi come misura
della somma di tutte le celle che sono direttamente visibili da ciascun punto. La scala va
dal blu che è il valore minore e anche peggiore in termini di numero di celle (quindi area)
visibili al rosso che è quello maggiore e quindi migliore in questo caso.
57
Figura 3.1.28 Visual Connectivity (ArcGis).
Si nota come la Figura 3.1.28 non rispecchi la mappa iniziale tranne che in parte per le
due aree già citate nella parte est. Qualche picco di occupazione adiacente al prato
rispecchia la situazione reale. Risulta inoltre evidente come il valore dell’indicatore sia
mediamente basso, infine non è possibile determinare differenti ‘classi’ di stalli con valori
diversi.
L’indicatore che misura la distribuzione delle celle in funzione della loro profondità
visuale da un nodo piuttosto che della profondità stessa, ed è quindi da riferire
nuovamente ad un discorso di visibilità dello stallo, viene chiamato Visual Entropy.
Figura 3.1.29 Visual Entropy (Depthmap).
58
Questa rappresentata in Figura 3.1.29 è la mappa ottenuta col software Depthmap
dell’indicatore Visual Entropy; si passa dalla colorazione blu che indica una minore
entropia a una colorazione rossa che indica maggiore entropia.
Figura 3.1.30 Visual Entropy (ArcGis).
La mappa ottenuta in ArcGis (Figura 3.1.30) trova riscontro col caso reale nelle due zone
adiacenti agli ingressi veicolari, mentre si discosta nella zona centrale.
Stesso discorso va fatto per il caso convesso, da cui si estrae l’attributo Convex Entropy.
Figura 3.1.31 Convex Entropy (Depthmap).
59
Se si confronta l’analisi convessa (Figura 3.1.31) con quella visuale si nota che le aree
del parcheggio vengono rappresentate nella stessa maniera: i valori più alti dell’attributo
si hanno in prossimità di un ingresso veicolare e nell’area a nord-est, mentre i valori
inferiori si hanno nella zona centrale (sopra il parco) e in quella subito adiacente alla sua
destra.
Figura 3.1.32 Convex Entropy (ArcGis).
La mappatura riportata sopra in Figura 3.1.32 è molto simile a quella del caso visuale
come era lecito attendersi. La differenza tra il caso dell’analisi visuale e quello dell’analisi
convessa sta nell’attribuzione del valore dell’indicatore ad ogni stallo da parte del
software ArcGis: per la prima analisi è il risultato di un’operazione di minimo, massimo
oppure media dei valori forniti dalla VGA stessa che caratterizzano le celle della griglia
che sono sottese da un certo stallo (ogni stallo infatti ‘contiene’ più di una cella che
costituisce la griglia di partenza della VGA); per l’analisi convessa invece, risultato della
costruzione manuale dei poligoni che rappresentano i singoli stalli, i valori che vengono
attribuiti agli stalli stessi sono quelli forniti dal software Depthmap rispetto questo
indicatore: si ha cioè un solo valore per ogni stallo.
60
3.1.4.4 Accessibilità
Un ulteriore aspetto progettuale da tenere in considerazione nella scelta dello stallo da
parte dell’utente è quello dell’accessibilità di quest’ultimo, nel senso di facilità ad
accedervi; in questo senso l’indicatore che esprime questo concetto è l’Integration dal
momento che uno stallo con alto valore di integrazione sarà uno stallo facilmente
accessibile in assoluto, cioè a partire da qualsiasi punto interno della pianta.
Figura 3.1.33 Visual Integration (Depthmap).
L’indicatore sopra rappresentato in Figura 3.1.33 prende il nome di Visual Integration
(VGA), ed è da intendersi come indice posizionale normalizzato, che non risente cioè
delle dimensione del grafo; è un indice di accessibilità, quindi maggiore è il valore
dell’integrazione e maggiore è l’accessibilità della cella. La scala va dal blu che indica
una minore integrazione, al rosso, sinonimo di maggior integrazione.
61
Figura 3.1.34 Visual Integration (ArcGis)
Se si fa sempre riferimento alla mappa dell’occupazione rilevata reale si può dire che
l’indicatore sopra rappresentato (Figura 3.1.34) non rispecchi bene le due aree vicine ai
due gate veicolari, mentre la parte ad est è caratterizzata mediamente bene e quella
centrale approssima meglio il caso reale rispetto ad altri indicatori.
Analogamente si può valutare lo stesso attributo anche come risultato della Convex
Analysis, ottenendo così l’attributo chiamato Convex Integration; il contenuto
informativo è equivalente a quello dell’indice appena studiato sopra, ciò che cambia è il
modo in cui viene attribuito il valore al singolo stallo come è già stato spiegato in
precedenza.
62
Figura 3.1.35 Convex Integration (Depthmap).
La mappa riporta l’attributo Convex Integration, dunque si parla di accessibilità diretta di
un poligono rispetto a tutti gli altri presenti sulla pianta. Il blu indica i valori minori di
integrazione quindi peggiori, mentre il rosso quelli maggiori. I valori più alti di
accessibilità si hanno lungo le corsie di circolazione e i corselli come è evidenziato in
Figura 3.1.35.
Figura 3.1.36 Convex Integration (ArcGis).
63
Dalla Figura 3.1.36 si può notare che l’area maggiormente integrata è quella centrale
sopra il parco e le due zone a ovest e ad est nelle vicinanze di quest’ultimo; mediamente
nel resto della pianta si hanno valori bassi di integrazione (colorazione verde).
3.1.4.5 Wayfinding
L’aspetto progettuale relativo alla segnaletica (wayfinding) e quindi in qualche modo
all’orientamento dell’utente all’interno del parcheggio viene in parte trattato
dall’indicatore Visual Clustering che esprime come l’informazione visiva cambi
all’interno del sistema, il modo in cui è percepito un viaggio e mette in luce i punti di
decisione.
Figura 3.1.37 Visual Clustering (Depthmap).
La Figura 3.1.37 rappresenta l’indicatore Visual Clustering ricavato dall’analisi visuale;
è possibile notare come i valori maggiori di questo attributo siano rappresentati con una
colorazione rosso-arancione mentre la colorazione tendente al blu riporta i valori minori.
Non è semplice individuare dei trend specifici all’interno dell’area di parcheggio.
64
Figura 3.1.38 Visual Clustering (ArcGis)
Questo indicatore, come mostra la mappa ricavata dal software ArcGis in Figura 3.1.38
non presenta ‘andature medie’ ma varia per ogni singolo stallo ed è quindi difficile darne
un’interpretazione rispetto all’occupazione rilevata reale.
3.1.4.6 Controllabilità e controllo
Un ulteriore criterio che l’utente può utilizzare nella scelta del posto auto è quello della
sicurezza, o meglio il livello di controllabilità specifico di ogni singolo stallo (da
intendersi come controllabilità da un gabbiotto in cui è presente del personale oppure
dalle telecamere di controllo); per i casi trattati nell’elaborato di tesi -i parcheggi a raso-
non è una tematica di fondamentale importanza perché non sempre sono presenti le
telecamere, mentre per i parcheggi in struttura il discorso assume maggior valore.
65
Figura 3.1.39 Visual Controllability (Depthmap).
L’indicatore Visual Controllability (VGA) riportato in Figura 3.1.39 è da intendersi come
indice delle celle maggiormente controllabili, quindi nel nostro caso degli stalli
maggiormente controllabili. Il blu indica valori minori quindi peggiori per quanto
riguarda la controllabilità mentre il rosso quelli maggiori quindi migliori.
Figura 3.1.40 Visual Controllability (ArcGis).
66
In generale non è possibile individuare dei trend specifici e mediamente il valore
dell’indicatore è basso. Rispetto alla mappatura dell’occupazione reale le zone in
prossimità dei core non vengono rappresentate bene come si vede dalla Figura 3.1.40,
mentre la zona sopra il prato e le zone a est la rispecchiano mediamente meglio.
Figura 3.1.41 Convex Controllability (Depthmap)
La mappatura riportata sopra (Figura 3.1.41) esprime l’attributo Convex Controllability
(derivato dall’analisi convessa); il discorso in questo caso è analogo a quello effettuato
sopra; la differenza sta nel fatto che per l’analisi visuale (basata su una griglia di punti
con valori diversi) il valore di controllabilità attribuito ad ogni stallo può essere il
massimo, il minimo o il valore medio rispetto al singolo valore degli elementi di griglia
sottesi dallo stesso, mentre per l’analisi convessa si ha un unico valore per ogni stallo
attribuito dall’analisi stessa una volta costruiti i poligoni.
67
Figura 3.1.42 Convex Controllability (ArcGis).
In confronto all’analisi visuale, in Figura 3.1.42 si vede come sia possibile individuare
dei ‘pacchetti’ di stalli caratterizzati dagli stessi valori dell’attributo. Mediamente si
hanno valori bassi di controllabilità se si considerano tutti gli stalli; fanno eccezione solo
alcune zone, in prossimità dei due ingressi veicolari e adiacente (sulla sinistra) alla zona
prato in particolare. Nel complesso non rappresenta bene l’occupazione reale.
Discorso opposto ma sempre legato al tema della sicurezza è quello trattato attraverso
l’attributo Visual Control; infatti si possono mettere in evidenza attraverso l’uso di questo
indicatore gli stalli dai quali è possibile controllare una porzione maggiore di superficie.
68
Figura 3.1.43 Visual Control (Depthmap).
La Figura 3.1.43 mostra l’indicatore Visual Control che individua quali sono le posizioni
migliori per controllare la maggiore porzione di area possibile e di conseguenza per il
nostro caso il maggior numero di stalli possibili. Il blu indica i valori minori (peggiori in
termini di area controllata), mentre il rosso quelli maggiori (migliori in termini di
controllo).
Figura 3.1.44 Visual Control (ArcGis).
69
L’indicatore esplicitato nella mappa soprastante (Figura 3.1.44), che ha maggior impatto
in una situazione ‘in struttura’ o comunque in uno spazio chiuso (dove è molto più
probabile la presenza di telecamere di controllo), in un caso di parcheggio a raso come
questo assume valori medio-bassi su tutta la pianta e in generale non mostra un
comportamento ‘predicibile’.
Analogo attributo viene studiato anche attraverso l’utilizzo della mappa convessa creata
manualmente in Depthmap; si parla quindi in questo caso di Convex Control.
Figura 3.1.45 Convex Control (Depthmap).
Come si nota dalla mappatura di Figura 3.1.45 sono i corselli e le corsie ad essere
caratterizzati da valori diversi di questo indice mentre i singoli stalli risultano avere tutti
valori molto bassi in termini di controllo (colorazione blu); nell’area sopra il parco
l’indicatore assume il risultato massimo in termini di Convex Control.
70
Figura 3.1.46 Convex Control (ArcGis).
In Figura 3.1.46 si vede come sia possibile individuare dei ‘pacchetti’ di stalli
caratterizzati dagli stessi valori dell’attributo. Mediamente si hanno valori bassi di
controllo se si considerano tutti gli stalli; fanno eccezione solo alcune zone, in prossimità
dei due ingressi veicolari e adiacente (sulla sinistra) alla zona prato in particolare. Nel
complesso non rappresenta bene l’occupazione reale.
3.1.4.7 Connettività e intensità
Figura 3.1.47 Convex Connectivity (Depthmap).
71
L’indicatore Convex Connectivity di Figura 3.1.47 va inteso come numero effettivo di
connessioni; gli stalli assumono tutti valore 1 in questo caso perché connessi solamente
ad un corsello, mentre i corselli e le corsie di circolazione assumono valori diversi in base
al numero di stalli che connettono (è il caso dei corselli) e al numero di altri corselli o
corsie ai quali sono direttamente collegati.
Non si utilizza l’attributo Convex Connectivity nell’analisi ArcGis perché il valore su
ogni stallo è sempre 1 come già spiegato, quindi il risultato sarebbe stato una mappa
monocromatica. Per poterlo utilizzare bisognerebbe far assumere ad ogni stallo il valore
di connettività del corsello al quale è connesso, che dipende a sua volta dalle connessioni
che lo stesso corsello ha con gli altri corselli o con le corsie di circolazione; si dovrebbe
inoltre supporre che maggiore sia questo numero e peggiore sia la condizione per lo stallo
in termini di appetibilità perché si trova in una parte del parcheggio presumibilmente
molto trafficata e dove le manovre sono più complicate.
Figura 3.1.48 Convex Intensity (Depthmap).
Viene sopra presentata la mappa (Figura 3.1.48) che rappresenta l’attributo Convex
Intensity, individuabile solo dall’analisi convessa. Si nota come i valori dei singoli stalli
72
siano mediamente bassi su tutta la pianta, mentre diversi sono quelli relativi ai corselli e
alle corsie di circolazione.
Figura 3.1.49 Convex Intensity (ArcGis).
Se si analizza la Figura 3.1.49 risulta evidente come vi siano dei trend facilmente
osservabili sull’intera pianta del parcheggio; i valori maggiori si trovano nell’area
centrale sopra il parco e nell’area a sud-est che nella realtà non viene praticamente mai
utilizzata. L’area in prossimità dell’ingresso a nord-ovest e quella a nord-est risultano
avere invece i valori più bassi rispetto a questo attributo che nel complesso non spiega
qualitativamente bene la mappa dell’occupazione rilevata.
73
3.1.5 Modellizzazione dell’occupazione
3.1.5.1 Studio di correlazione tra le variabili
Prima di costruire il modello è stato fatto uno studio di correlazione tra le variabili ‘simili’
che si ottengono dalle due analisi effettuate visuale e convessa (Visual Control e Convex
Control, Visual Controllability e Convex Controllability, Visual Entropy e Convex
Entropy, Convex Step Depth Veicolare e Visual Step Depth Veicolare, Convex
Integration e Visual Integration, Convex Step Depth pedonale e Visual Step Depth
pedonale, Isometrica Pedonale e Isometrica Veicolare) per indirizzare la scelta di quelle
da utilizzare nel modello completo. Un alto valore di correlazione indica la presenza di
collinearità tra due variabili, quindi non è corretto utilizzarle entrambe nella costruzione
del modello che migliorerebbe in termini di predicibilità della realtà ma sarebbe costruito
con variabili dipendenti; un basso valore di correlazione invece permette di poterle
utilizzare entrambe.
- Correlazione tra Isometrica Veicolare e Isometrica Pedonale:
0,009482238 basso valore di correlazione utilizzabili entrambe le variabili.
- Correlazione tra Convex e Visual Step Depth Pedonale:
0,430177308 valore medio-alto di correlazione utilizzabile solo una variabile.
- Correlazione tra Convex e Visual Step Depth Veicolare:
0,767645308 alto valore di correlazione utilizzabile solo una variabile.
- Correlazione tra Convex e Visual Integration:
0,55027132 alto valore di correlazione utilizzabile solo una variabile.
- Correlazione tra Convex e Visual Control:
-0,064960368 basso valore utilizzabili entrambe le variabili.
- Correlazione tra Convex e Visual Controllability:
0,027546803 basso valore di correlazione utilizzabili entrambe le variabili.
74
- Correlazione tra Convex e Visual Entropy:
0,645260557 alto valore di correlazione utilizzabile solo una variabile.
Una volta fatto questo controllo preliminare all’utilizzo del modello, si prova a studiare
il caso con 11 variabili esplicative tra loro indipendenti: le due isometriche, una sola
variabile delle coppie sopra esposte con alta correlazione (6), la connettività visuale,
l’intensità convessa e il clustering visuale.
3.1.5.2 Definizione dei pesi da attribuire alle variabili
Si utilizza dunque il software Matlab ed in particolare la tecnica dei minimi quadrati
lineari per cercare una correlazione che leghi gli indicatori sopra citati alla reale
occupazione rilevata. I risultati del modello completo di tutti gli indicatori mostrano un
valore di R²=0,5099 per la fase di calibrazione che impegna il 75% dei dati (stalli) a nostra
disposizione e un valore di R²=0,5277 per la parte di validazione che interessa il restante
25% dei dati.
I pesi che vengono attribuiti alle singole variabili sono (Tabella 3.1.2):
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 1,05957086212141
Isometrica Veicolare -0,135418474719210
Visual Step Depth Veicolare 0,182839652929609
Visual Step Depth Pedonale 0,0334630191400713
Convex Integration -0,179965010636800
Convex Control -0,00580108962408372
Visual Controllability -0,0865423865589429
Convex Entropy 0,145749684412039
Visual Connectivity 0,208151370047668
Convex Intensity -0,0782903712197986
Visual Clustering 0,0231549771545372
Tabella 3.1.2 Risultati modello globale.
75
Sono evidenziate in rosso le variabili maggiormente influenti in termini di peso per la
definizione dell’occupazione.
Figura 3.1.50 Occupazione simulate.
Questa riportata in Figura 3.1.50 è la mappatura della traiettoria simulata composta dalla
parte di calibrazione e da quella di validazione; si nota come rappresenti mediamente bene
il dato che si vuole riprodurre, tranne che nella parte centrale sopra il prato perché si tratta
evidentemente dell’area che ha ottenuto i ‘punteggi minori’ se si vanno ad analizzare tutti
gli indicatori utilizzati per l’analisi.
Per quanto riguarda il coefficiente di determinazione (R²) che esprime una proporzione
tra la variabilità dei dati e la correttezza del modello statistico utilizzato e che quindi più
è vicino a 1 e meglio spiega i dati, si può dire che non si ottengono dei valori ottimi ma
sicuramente accettabili dal momento che si tratta di un primo tentativo di spiegare il
fenomeno dell’occupazione da un punto di vista modellistico; è chiaro che tra i possibili
76
sviluppi futuri di ricerca c’è anche questo aspetto, ossia di migliorare i risultati del
modello per avvicinarsi sempre di più alla situazione reale.
3.1.5.3 Metodo dei residui
Per capire l’effettiva influenza delle variabili utilizzate nel modello nei confronti
dell’occupazione reale si utilizza il metodo dei residui; quindi inizialmente si cerca di
spiegare l’occupazione solo con la variabile che maggiormente sembra caratterizzarla,
ossia l’isometrica pedonale; facendo girare il modello si ottiene un R²=0,4410 per la
calibrazione e un R²=0,5796 per la validazione, e il peso che viene attribuito alla variabile
è 1,0855. A questo punto si calcola la differenza tra l’occupazione rilevata reale e quella
simulata dal modello costruito con la sola isometrica pedonale attraverso una mappa delle
differenze:
Figura 3.1.51 Mappa delle differenze (Isometrica Pedonale).
La scala di colori di Figura 3.1.51 è da interpretare in questa maniera: il rosso (valori
positivi), indica che il modello sta sottostimando, nel senso che fornisce un valore di
occupancy inferiore a quello effettivamente verificato; il blu (valori negativi), indica che
il modello sta sovrastimando, ossia fornisce valori di occupazione maggiori di quelli reali.
Si nota che il modello sembri sottostimare soprattutto in prossimità dei due gate veicolari
mentre per il resto tende a sovrastimare; a questo punto può essere interessante vedere
77
come cambia la mappa delle differenze aggiungendo al modello un’altra variabile, ossia
l’isometrica veicolare per cercare di diminuire l’errore di sottostima sopra accennato.
Modellisticamente parlando si ottiene un R²=0,4473 per la calibrazione e un R²=0,5529
per la validazione, ed il peso che viene attribuito alle due variabili è 1,0119 per
l’isometrica pedonale e 0,0927 per l’isometrica veicolare. Si calcola ancora la differenza
tra l’occupazione rilevata reale e quella simulata dal modello costruito con le due variabili
sopra citate attraverso una mappa delle differenze:
Figura 3.1.52 Mappa delle differenze (Isometrica Pedonale + Veicolare).
La scala dei colori di Figura 3.1.52 è da interpretare come nel caso precedente; le
differenze sono impercettibili rispetto alla mappa precedente.
Si prova ad aggiungere allora una terza variabile che si pensa possa spiegare parte
dell’occupazione reale secondo i pesi attribuiti dal modello completo, l’integrazione
convessa; per quanto riguarda l’output del modello si ottiene un R²=0,4476 per la
calibrazione e un R²=0,5483 per la validazione. I pesi attribuiti alle tre variabili sono:
0,9807 per l’isometrica pedonale, 0,0297 per l’integrazione convessa e 0,0910 per
l’isometrica veicolare.
Si mappano poi le differenze rispetto all’occupancy reale come fatto nei due casi
precedenti:
78
Figura 3.1.53 Mappa delle differenze (2 Isometriche + Integrazione).
La scala dei colori è da interpretare come nei casi precedenti (Figura 3.1.53).
Proseguendo in questo modo si prende in considerazione una quarta variabile (sempre
risultato di un’analisi fatta sull’output del modello completo con 11 variabili), cioè la
connettività visuale; l’R² di calibrazione assume il valore di 0,4559, mentre quello di
validazione diventa 0,5532. I pesi cambiano in questo modo: 0,9474 per l’isometrica
pedonale, 0,1839 per l’integrazione convessa, 0,0693 per l’isometrica veicolare e -0,2083
per la connettività visuale.
Si esegue ancora una volta la mappatura (Figura 3.1.54) delle differenze tra occupazione
reale e occupazione simulata, sempre mantenendo la stessa rappresentazione grafica:
Figura 3.1.54 Mappa delle differenze (2 Isometriche + Integrazione + Connettività).
79
Un’ulteriore variabile che aveva assunto un peso tale da essere tenuta in considerazione
è la Step Depth veicolare convessa; si attesta un valore di R²=0,4777 per la calibrazione
e uno di R²=0,5641 per la validazione. I pesi attribuiti alle variabili diventano: 0,9287 per
l’isometrica pedonale, 0,1182 per l’integrazione convessa, -0,1674 per l’isometrica
veicolare, -0,2437 per la connettività visuale e 0,4021 per la Step Depth veicolare
convessa.
Di seguito in Figura 3.1.55 viene presentata la mappa delle differenze rispetto
all’occupancy misurata (stessa rappresentazione grafica):
Figura 3.1.55 Mappa delle differenze (2 Isometriche + Integrazione + Connettività +
Step Depth).
Il discorso riguardante il coefficiente di determinazione (R²) fatto in precedenza per il
modello totale delle quattro ore vale anche per tutti i casi analizzati con il metodo dei
residui: si ottengono dei valori non ottimi ma accettabili per una prima interpretazione
del fenomeno.
3.1.6 Time lapse del riempimento del parcheggio di Curno
Si vuole verificare se il riempimento progressivo del parcheggio nel caso di studio di
Curno segua una ‘regola’ costante nel tempo, così da poter parlare di isomorfismo nel
riempimento. Si hanno a disposizione i dati di riempimento delle quattro ore di punta a
partire dalle 14.00 per arrivare alle 18.00 divisi in otto mezz’ore.
80
3.1.6.1 Metodologia dell’analisi
Per fare questa operazione si utilizzano gli stessi 11 indicatori che sono risultati essere
significativi da un punto di vista dell’occupancy reale sul totale delle 4 ore e li si relaziona
all’occupazione reale ricavata ogni mezz’ora per effettuare 8 simulazioni ai minimi
quadrati e osservarne i risultati in termini di R², ma soprattutto di pesi relativi attribuiti
alle variabili per spiegare il fenomeno di riempimento progressivo come detto sopra.
Occupazione ore 14.00
R²= 0.2514 (calibrazione), R²= 0.3591(validazione).
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 1,35557439580656
Isometrica Veicolare 0,136380893839629
Visual Step Depth Veicolare -0,145534265449304
Visual Step Depth Pedonale -0,0970441353428573
Convex Integration -1,04518688904607
Convex Control -0,421708335610192
Visual Controllability -0,0512648285293140
Convex Entropy -0,340231159902477
Visual Connectivity 0,253898731025636
Convex Intensity 0,346050476898934
Visual Clustering 0,0728798774919511
Tabella 3.1.3 Risultati modellistici (ore 14.00).
Occupazione ore 14.30
R²= 0.2477 (calibrazione), R²= 0.2815 (validazione).
81
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 1,29385000970673
Isometrica Veicolare 0,131573250015506
Visual Step Depth Veicolare -0,116876272164135
Visual Step Depth Pedonale -0,0696604532817367
Convex Integration -0,512836142856715
Convex Control 0,390911897926240
Visual Controllability -0,0728126815157286
Convex Entropy -0,185528756087578
Visual Connectivity 0,437950914893995
Convex Intensity 0,124406009629094
Visual Clustering -0,0622624112872888
Tabella 3.1.4 Risultati modellistici (ore 14.30).
Occupazione ore 15.00
R²= 0.2438 (calibrazione), R²= 0.2362 (validazione).
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 1,11856653663369
Isometrica Veicolare -0,0105064342145904
Visual Step Depth Veicolare 0,136449830450919
Visual Step Depth Pedonale -0,0504181205261182
Convex Integration -0,264926792834143
Convex Control -0,413445129478179
Visual Controllability -0,0440549846707169
Convex Entropy 0,0734594749951035
Visual Connectivity 0,366717309895169
Convex Intensity -0,0827472107339648
Visual Clustering 0,00280836142531541
Tabella 3.1.5 Risultati modellistici (ore 15.00).
Occupazione ore 15.30
82
R²= 0.2452 (calibrazione), R²= 0.2579 (validazione).
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 1,08481239166402
Isometrica Veicolare -0,263388302963544
Visual Step Depth Veicolare 0,332954103495697
Visual Step Depth Pedonale -0,0185809879478175
Convex Integration -0,0673908627089633
Convex Control -0,0442672296428636
Visual Controllability -0,0720753850162441
Convex Entropy 0,246571294928516
Visual Connectivity 0,0851573561998653
Convex Intensity -0,0997311924315900
Visual Clustering -0,0182156706715641
Tabella 3.1.6 Risultati modellistici (ore 15.30).
Occupazione ore 16.00
R²= 0.2542 (calibrazione), R²= 0.2655 (validazione).
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 0,958802914325351
Isometrica Veicolare -0,302200350295724
Visual Step Depth Veicolare 0,449902702197644
Visual Step Depth Pedonale 0,0817104260739791
Convex Integration 0,0259725282937539
Convex Control 0,144070963939972
Visual Controllability -0,105145639463305
Convex Entropy 0,211659417811215
Visual Connectivity -0,0333086222274293
Convex Intensity -0,183288827565116
Visual Clustering 0,0650039763137100
Tabella 3.1.7 Risultati modellistici (ore 16.00).
83
Occupazione ore 16.30
R²= 0.2451 (calibrazione), R²= 0.2736 (validazione).
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 0,941148494162746
Isometrica Veicolare -0,248472009024019
Visual Step Depth Veicolare 0,260765707721047
Visual Step Depth Pedonale 0,121842192940101
Convex Integration 0,109890911581990
Convex Control 0,273276338013648
Visual Controllability -0,0893918507989352
Convex Entropy 0,316901022011217
Visual Connectivity 0,149022542954396
Convex Intensity -0,256856812666644
Visual Clustering 0,0889638989001697
Tabella 3.1.8 Risultati modellistici (ore 16.30).
Occupazione ore 17.00
R²= 0.2136 (calibrazione), R²= 0.2019 (validazione).
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 0,815425264718706
Isometrica Veicolare -0,295434439090379
Visual Step Depth Veicolare 0,364977243425777
Visual Step Depth Pedonale 0,157144208998966
Convex Integration 0,276188696038938
Convex Control 0,0249096544253536
Visual Controllability -0,0855172811102288
Convex Entropy 0,421395309287179
Visual Connectivity 0,0713591097814468
Convex Intensity -0,277011243712386
Visual Clustering -0,00969402538979724
Tabella 3.1.9 Risultati modellistici (ore 17.00).
84
Occupazione ore 17.30
R²= 0.2370 (calibrazione), R²= 0.2243 (validazione).
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 0,908386889953473
Isometrica Veicolare -0,231300406020556
Visual Step Depth Veicolare 0,180078173759228
Visual Step Depth Pedonale 0,142711022206047
Convex Integration 0,0385684664368029
Convex Control -0,000156876566648064
Visual Controllability -0,172076441367070
Convex Entropy 0,421770872253135
Visual Connectivity 0,334413617858269
Convex Intensity -0,197144169176714
Visual Clustering 0,0457558104538013
Tabella 3.1.10 Risultati modellistici (ore 17.30).
Andando ad analizzare i risultati si nota che i valori del coefficiente di determinazione,
sia in calibrazione che in validazione, si abbassano rispetto ai valori del ‘modello totale’
in tutte le 8 simulazioni; da questo punto di vista il risultato non è più buono e rispecchia
la difficoltà del modello a riprodurre l’occupazione su una singola mezz’ora, dal momento
che l’output da riprodurre è soltanto 0 (stallo libero) o 1 (stallo occupato).
Per quanto riguarda le variabili maggiormente influenti sull’occupazione reale, che sono
state evidenziate in rosso di volta in volta (vedi da Tabella 3.1.3 a Tabella 3.1.10), queste
tendono a mostrare l’isomorfismo introdotto in precedenza; in effetti in termini di peso le
variabili principali sono: l’isometrica pedonale che ha sempre il peso maggiore, la step
depth veicolare, l’intensity, l’isometrica veicolare e l’entropy che hanno un’importante
rilevanza (le si trovano quasi sempre); il control, l’integration e la connectivity si trovano
circa la metà delle volte . Importanza decisamente minore hanno le variabili step depth
pedonale, controllability e clustering.
85
3.1.6.2 Variazione temporale degli indicatori
La Figura 3.1.56 sottostante propone quanto spiegato a parole sopra, ossia la variazione
delle variabili in termini di peso al passare del tempo.
Figura 3.1.56 Variazione temporale degli indicatori.
- Dalla Figura 3.1.56 risulta come la variabile Isometrica pedonale (che risulta
avere sempre il peso maggiore in tutte le simulazioni) abbia un andamento
decrescente tranne che per l’ultima mezz’ora dove si nota una tendenza crescente;
questo si potrebbe spiegare con il fatto che col passare del tempo il parcheggio
tenda a riempirsi quindi il peso di questa variabile decresce di pari passo col
riempimento crescente, tranne che dalle 17.30 alle 18.00, mezz’ora nella quale il
numero di stalli occupati diminuisce rispetto alla mezz’ora precedente (da 1423
stalli occupati a 1386).
- L’Isometrica veicolare, sebbene meno rilevante di quella pedonale, ha un trend
simile rispetto a quest’ultima nel senso che tende alla decrescita con l’aumentare
del grado di riempimento del parcheggio o al massimo si nota un andamento
pressochè costante in due mezz’ore.
-1,5
-1
-0,5
0
0,5
1
1,5
14.00-14.30 14.30-15.00 15.00-15.30 15.30-16.00 16.00-16.30 16.30-17.00 17.00-17.30 17.30-18.00
Variazione temporale degli indicatori
Iso_Ped_Norm Iso_Veic_Norm Vis_SD_Veic_Norm
Vis_SD_Ped_Norm Conv_Int_Norm Conv_Control_Norm
Vis_Controll_Norm Conv_Entropy_Norm Vis_Con_Norm
Conv_Intensity_Norm Vis_Clust_Norm
86
- Altro ‘percorso’ interessante è quello della variabile Integrazione Convessa;
questa infatti mostra la tendenza opposta rispetto a quanto visto per l’isometrica
pedonale: aumenta nel corso delle mezz’ore tanto da passare da avere il segno
negativo ad avere il segno positivo, tranne che per l’ultima mezz’ora in cui si nota
una decrescita. Con l’aumentare del grado di riempimento del parcheggio sembra
assumere sempre maggior importanza questa variabile.
- Andamento simile a quello appena analizzato si riscontra anche per l’Entropia
Convessa che risulta avere un andamento sempre crescente in termini di peso o al
massimo stabile tra una mezz’ora e quella successiva.
- Risulta invece più difficile dare un’unica interpretazione nel caso di attributi come
il Controllo Convesso, la Connettività Visuale e in parte la Step Depth Visuale
Veicolare perché non si notano dei trend ben definiti o univoci ma piuttosto vi
sono mezz’ore in cui il peso tende a salire e altre in cui tende a diminuire.
87
3.2
Il caso del parcheggio dell’Auchan di Taranto (Ta)
3.2.1 Inquadramento territoriale e accessi al sito
Il centro commerciale di Taranto (TA) si trova in Via Per S. Giorgio Jonico al km 10;
come mostra la Figura 3.2.1 sottostante, si tratta di un’area extraurbana circondata dai
campi agricoli.
Il sito è raggiungibile principalmente da due strade: una, che corre in direzione Nord-Sud,
è la perpendicolare a Via Cesare Battisti, mentre l’altra è Viale Pietro Mandrillo che si
sviluppa in direzione Est-Ovest e va a coincidere con il lato corto a Sud del centro
commerciale.
Il complesso ospita l’ipermercato Auchan e altri punti vendita tra cui si ricordano OVS,
Mc Donald’s, Dorabella, Calzedonia, Bricocenter e molti altri.
88
Figura 3.2.1 Inquadramento territoriale (Google Earth).
Nella Figura 3.2.2 che segue vengono riportati i gate d’ingresso/uscita veicolari al centro
commerciale.
89
Figura 3.2.2 Ingressi veicolari al centro commerciale.
Si può notare la presenza di due ingressi: uno lungo il lato corto a nord dell’area (ingresso
1) e uno adiacente al lato corto a sud della stessa (ingresso 2).
3.2.2 Rilevamento dell’occupazione reale
A questo punto si vuole utilizzare il modello tarato sul caso di Curno (quindi utilizzando
le stesse variabili analizzate nel capitolo precedente) per studiare questo di Taranto,
sempre con l’obiettivo di stimare un’occupazione da poter confrontare con quella reale.
Non avendo a disposizione per questa analisi i dati sull’occupazione reale così come sono
90
stati ottenuti per Curno, li si ricavano da un’immagine satellitare ottenibile da Google
Earth.
Figura 3.2.3 Occupazione reale.
La forma del parcheggio dell’Auchan di Taranto è molto semplice trattandosi di una
grossa area rettangolare adiacente ad uno dei due lati lunghi del corpo commerciale; in
più si ha una piccola superficie adibita a parcheggio nella zona a sud-est (Figura 3.2.3).
91
La figura sopra riportata propone un’occupazione pari a circa il 40% di quella totale, che
quindi è possibile confrontare in termini di percentuale con quella di Curno rilevata alle
ore 14.00, che si attesta intorno al 46%. L’occupazione tende il più possibile a distribuirsi
in prossimità dei quattro accessi pedonali disponibili sul suddetto lato lungo dell’Auchan;
le macchine infatti che occupano le file di parcheggi più a ovest sono poche tanto che
tutte quelle file risultano le meno appetibili, tranne in parte quelle che si trovano più o
meno a metà del lato lungo e che quindi comportano una distanza da percorrere a piedi
per raggiungere gli ingressi del centro commerciale non elevata. La piccola area di
parcheggio a sud-est risulta essere sfruttata più della media del resto del parcheggio, forse
perché da quella parte c’è un ingresso per i dipendenti ma anche perché si ha un ingresso
al centro commerciale non distante.
3.2.3 Utilizzo del modello per la pesatura degli indicatori (11 variabili)
Si utilizza il modello in Matlab nello stesso modo in cui è stato fatto per il caso di Curno.
I valori di R² trovati sono: R²=0.3654 per la calibrazione e R²=0.3246 per la validazione,
mentre i pesi attribuiti alle 11 variabili più volte citate sono:
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 1,43815239758476
Isometrica Veicolare 0,290583126752575
Visual Step Depth Veicolare 0,0645957179683166
Visual Step Depth Pedonale -0,464743015213351
Convex Integration -0,385291224382001
Convex Control 0,329198588482935
Visual Controllability -0,0433589222860044
Convex Entropy 2,79993495014924
Visual Connectivity 0,164872350894007
Convex Intensity -2,78813792696551
Visual Clustering 0,0153418346736735
Tabella 3.2.1 Risultati modello a 11 variabili.
92
Si nota che il risultato di Tabella 3.2.1 è in linea con quanto trovato relativamente al caso
di Curno. Tra le variabili più importanti si trovano l’Isometrica Pedonale e l’Intensity che
nelle simulazioni precedenti comparivano sempre o quasi, l’Integration, il Control e
l’Entropy che venivano segnalate almeno nella metà dei casi; unica variabile che non
veniva praticamente mai ‘utilizzata’ e che qui risulta tra le prime in termini di peso è la
Step Depth pedonale (lo si può spiegare col fatto che il riempimento del parcheggio si
attesta solo al 40%, dunque parcheggiare vicino agli ingressi pedonali significa anche
effettuare un minor numero di cambi di direzione per raggiungerli; c’è da dire anche che
la tipologia di questa specifica pianta non si presta ad un gran numero di cambi di
direzione). Inoltre non risultano interessanti gli indicatori Controllability e Clustering,
così come evidenziato a Curno; al discorso dello scarso riempimento si lega il fatto che
Isometrica Veicolare e Step Depth veicolare non sembrano essere variabili importanti in
questa simulazione.
È da sottolineare anche che i valori del coefficiente di determinazione sono parecchio
bassi perché il modello non è in grado di esprimere bene il dato di occupazione statico,
che può assumere soltanto valore 0 (stallo libero) o 1 (stallo occupato).
93
3.2.4 Simulazione dell’occupazione
Figura 3.2.4 Occupazione simulata.
In Figura 3.2.4 viene mostrata l’immagine dell’occupazione simulata dal modello, in cui
i valori ottenuti sono stati divisi in questo modo: quelli negativi fino ad un massimo di
0,5 sono diventati 0 (ossia stallo bianco, libero); quelli con valore superiore a 0,5 sono
diventati 1 (ossia stallo rosso, occupato).
94
Si nota come il grado di riempimento superi il 40% dedotto dalla realtà e che le
incongruenze si hanno nelle file di stalli in prossimità degli ingressi pedonali dove si
sovrastima l’occupazione (forse perché la variabile isometrica pedonale ha i suoi valori
maggiori proprio in quella parte) e nell’area a sud-est che viene completamente riempita.
Per quanto riguarda invece le file di stalli più a ovest l’occupazione simulata sembra
accoppiarsi abbastanza bene con la situazione reale tranne che per una leggera sovrastima
nell’area più a nord.
3.2.5 Utilizzo del modello per la pesatura degli indicatori (9 variabili)
Dal momento che i pesi relativi ai due indicatori Entropy e Intensity risultano stranamente
(se si considerano i risultati ottenuti per il caso di Curno sia per ogni singola mezz’ora
che per il caso “completo”) elevati rispetto a quelli delle altre variabili in gioco, si è
pensato di analizzare il modello anche senza entropia e intensità (facendolo girare quindi
con le 9 variabili rimanenti) per verificare quanto quest’ultimo sia influenzato dai due
indicatori in gioco e se cambiano le gerarchie in termini di peso assoluto tra le variabili
rimanenti.
Si ottengono dei valori di R² di questo tipo: R²=0,2933 per la calibrazione e R²=0,3244
per la validazione, mentre i risultati in termini di peso sono i seguenti:
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 1,17947072948676
Isometrica Veicolare -0,0451505241688737
Visual Step Depth Veicolare -0,111415552524906
Visual Step Depth Pedonale -0,617385971289398
Convex Integration 0,00922188294925626
Convex Control 0,759116068447995
Visual Controllability -0,171306302849671
Visual Connectivity 0,276483482766749
Visual Clustering -0,0445698305408586
Tabella 3.2.2 Risultati modello a 9 variabili.
95
Effettivamente (Tabella 3.2.2) risultano maggiormente importanti le variabili già ottenute
nel caso del modello a 11 variabili, con la sola aggiunta della Visual Connectivity che
comunque era stata evidenziata tra gli indicatori più significativi anche nel caso di Curno,
quindi la cosa non risulta strana. Si può dunque dire che la gerarchia non cambia togliendo
le due variabili sopra citate e che quindi ci si trova di fronte ad un caso particolare che
però tende a confermare le valutazioni fatte nell’esempio precedente.
96
3.3
Il caso del parcheggio dell’Auchan di Fano (Pu)
3.3.1 Inquadramento territoriale e accessi al sito
Il centro commerciale di Fano (PU) si trova in Via L. Einaudi 30; la Figura 3.3.1
sottostante mostra che si tratta di un’area extraurbana industriale/terziaria (Burger King,
Uci Cinema, Pittarello, ecc. nei paraggi) circondata su due lati dai campi agricoli.
Il sito si trova in prossimità della strada europea E78 (uscita Fano) e della Strada Statale
SS73bis (uscita Fano sud), sopraelevate rispetto all’area del complesso commerciale; è
raggiungibile principalmente da due strade: Via Luigi Einaudi che scorre parallela alla
SS73bis adiacente al lato lungo a sud e l’altra è Via Chiaruccia che si sviluppa adiacente
al lato corto a Sud del centro commerciale e passante sotto la E78 e la SS73bis.
Oltre all’ipermercato Auchan si trovano altri punti vendita tra cui Intimissimi, Wind
Retail e altri.
97
Figura 3.3.1 Inquadramento territoriale (Google Earth).
Nella Figura 3.3.2 che segue vengono riportati i gate d’ingresso/uscita veicolari al centro
commerciale.
98
Figura 3.3.2 Ingressi veicolari al centro commerciale.
Si evidenzia la presenza di tre ingressi, tutti lungo la Via Luigi Einaudi che è adiacente al
lato del complesso commerciale sprovvisto di ingressi pedonali.
99
3.3.2 Rilevamento dell’occupazione reale
Si procede nella stessa maniera rispetto a quanto fatto per il caso di Taranto, sempre con
l’obiettivo di stimare un’occupazione da poter confrontare con quella reale a partire dal
modello calibrato e validato dal caso di studio di Curno. Non avendo a disposizione anche
in questo caso i dati sull’occupazione reale così come sono stati ottenuti per Curno, li si
ricavano da un’immagine satellitare ottenibile da Google Earth.
Figura 3.3.3 Occupazione reale.
Come si può notare dalla Figura 3.3.3 si tratta in questo caso di un parcheggio di piccole
dimensioni. La forma del comparto commerciale è particolare perché non si tratta di un
rettangolo ma di una figura con cinque lati se si considera anche quello ‘smussato’ a nord;
gli ingressi pedonali al centro commerciale si dispongono su tre dei cinque lati presenti.
Si spiega dunque il pattern di occupazione che vediamo rappresentato sopra, infatti le aree
in prossimità degli accessi pedonali sono occupate mentre il lato a sud-ovest che ne è
sprovvisto risulta più vuoto dall’indagine condotta su Google Earth.
100
3.3.3 Utilizzo del modello per la pesatura degli indicatori (11 variabili)
Si è proceduto dunque come nei casi di studio precedenti alla determinazione dei valori
degli indicatori configurazionali attraverso l’utilizzo del software Depthmap di cui si è
parlato in maniera approfondita nel capitolo 3; in seguito è stato fatto girare il modello in
Matlab con i valori relativi ai singoli stalli e si sono ottenuti i seguenti risultati per quanto
riguarda i pesi da attribuire ai vari indici:
INDICI CONFIGURAZIONALI PESO
Isometrica Pedonale 1,90982442409696
Isometrica Veicolare 0,450708323524937
Visual Step Depth Veicolare -0,0691307220892542
Visual Step Depth Pedonale 0,149565667801647
Convex Integration -2,40732026795375
Convex Control 0,203393866275405
Visual Controllability 0,0611516514211763
Convex Entropy -0,874216433889167
Visual Connectivity -0,267141032598031
Convex Intensity 1,67356461503559
Visual Clustering 0,0138931978100973
Tabella 3.3.1 Risultati modellistici.
Le variabili che sono risultate essere maggiormente significative sempre nell’ottica di
spiegare la distribuzione dell’occupazione all’interno di un parcheggio sono (Tabella
3.3.1): l’isometrica pedonale, l’isometrica veicolare, l’integrazione convessa, l’entropia
convessa, la connettività visuale e l’intensità convessa; il risultato dell’analisi è quindi da
ritenersi perfettamente in linea con quanto visto per i casi esaminati in precedenza.
Si sono ottenuti questi valori del coefficiente di determinazione: R²=0,2853 per la
calibrazione e R²=0,3364 per la validazione che confermano quanto detto in precedenza
per gli esempi di Curno (modello per la simulazione dell’occupazione divisa nelle 8
mezz’ore) e di Taranto, ossia la difficoltà del modello di riprodurre un’occupazione
statica.
101
3.3.4 Simulazione dell’occupazione
Figura 3.3.4 Occupazione simulata.
In Figura 3.3.4 viene mostrata l’immagine dell’occupazione simulata dal modello
ottenuta dalle traiettorie prodotte dallo stesso, in cui i valori ottenuti sono stati divisi in
questo modo: quelli negativi fino ad un massimo di 0,5 sono diventati 0 (ossia stallo
bianco, libero); quelli con valore superiore a 0,5 sono diventati 1 (ossia stallo rosso,
occupato).
Si nota come la mappa dell’occupazione reale venga rappresentata mediamente bene su
tutta l’area del parcheggio; è da notare una leggera sovrastima dell’occupazione per
quanto riguarda l’area a nord-est del parcheggio e una leggera sottostima sempre sulla
stessa ala nella parte più a nord.
102
L’area a sud-ovest invece, sprovvista di accessi pedonali rimane sprovvista di auto tranne
che nella parte superiore che si trova abbastanza vicina ad uno degli ingressi così come
accade nella realtà.
103
4. Le applicazioni: il
contributo alla
progettazione
104
4.1
Indice di appetibilità
4.1.1 Introduzione e applicazione al caso di Curno
Se ipotizzassimo di utilizzare due tra gli indicatori maggiormente influenti
sull’occupazione (Isometrica Pedonale e Isometrica Veicolare) per tracciare una mappa
raffigurante l’indice di appetibilità delle differenti aree del parcheggio, il criterio di scelta
(la ‘funzione obiettivo’) che si vuole costruire per poter confrontare due layout di un
parcheggio diversi e poter dire che uno è migliore dell’altro potrebbe basarsi sull’idea di
massimizzare il numero/la percentuale di stalli appartenenti alle classi migliori; questo
può avvenire solo se ad ogni poligono si associa una classe di appetibilità: bassa, media,
alta, molto alta ed eccellente come nel caso mostrato in Figura 4.1.1 che si riferisce al
layout di Curno nella situazione attuale reale. L’utilizzazione di questo criterio potrebbe
anche portare ad una migliore ridistribuzione dell’occupazione (maggiore
omogeneità/uniformità ad esempio).
Figura 4.1.1 Indice di appetibilità delle differenti aree del parcheggio.
105
Una volta definito il criterio di confronto l’idea sarebbe quella di ‘giocare’ con la
posizione dei gate di accesso veicolari e i core pedonali (se possibile senza aumentarne il
numero) per cercare di espandere le aree maggiormente appetibili; un altro modo di
procedere potrebbe essere quello di ipotizzare la creazione di un altro gate veicolare e
vedere come cambia la forma di questi poligoni.
L’indice di appetibilità così come spiegato sopra è in stretto contatto con il concetto di
occupazione che è stato verificato in loco a Curno, come si può notare dalla seguente
mappa (Figura 4.1.2) in cui gli stessi poligoni rappresentanti l’appetibilità sono
sovrapposti alle occupazioni reali rilevate.
Figura 4.1.2 Sovrapposizione tra indice di appetibilità e indice di occupazione.
Si nota come mediamente i poligoni che indicano una maggiore appetibilità sottendano
bene gli stalli maggiormente utilizzati in termini di occupazione, e così anche per il caso
di minor utilizzo a causa di una minore appetibilità; non vengono colti i picchi di
occupazione nella zona centrale sopra il parco e altri nell’area a nord est dal momento
che entrambe le aree risultano avere un basso indice di appetibilità, ma questa
discrepanza tra valore reale e valore modellistico risultava anche per tutti gli indici
analizzati in precedenza nell’elaborato, quindi si tratta di zone non perfettamente
predicibili da un punto di vista modellistico.
106
Un’applicazione interessante rispetto al tema dell’utilità progettuale potrebbe essere
questa: si immagina di avere la pianta del parcheggio definita solo dal contorno e
all’interno vuota, senza cioè il disegno degli stalli a terra. Si potrebbe ipotizzare dunque,
conoscendo la posizione dei gate veicolari e degli accessi pedonali al centro commerciale
(per quello che riguarda i nostri casi di studio), di costruire questi poligoni di appetibilità
e in un secondo momento di ‘disegnare’ gli stalli in modo tale da massimizzare il numero
di quelli appartenenti ai poligoni migliori e sfruttare diversamente le zone con bassa
appetibilità. Questo modo di procedere può essere visto come un supporto alla
progettazione classica in tema di parcheggi.
4.1.2 Applicazione al caso di Curno con layout riconfigurato
Figura 4.1.3 Indice di appetibilità.
La Figura 4.1.3 rappresenta la mappatura dell’indice di appetibilità riguardante il caso
studio di Curno dopo la riorganizzazione del layout (capitolo 4.2), ipotizzando di
mantenere gli stessi accessi sia veicolari che pedonali che ci sono attualmente a Curno.
Da notare è la presenza di zone a medio-bassa appetibilità solamente nell’area centrale
sopra il parco e adiacente allo stesso e sul lato est, mentre prima le zone con valori di
appetibilità medio-bassi erano sicuramente maggiori (vedi Figura 4.1.1); inoltre compare
un’area di appetibilità eccellente anche in prossimità dell’ingresso veicolare ad est,
107
mentre nel caso di Curno attuale si ha una sola area di questo livello in prossimità
dell’ingresso a ovest.
Si è effettuata la stessa operazione di costruzione dei poligoni per lo stesso caso di studio
con una variante, ossia l’aggiunta di un gate veicolare lungo il lato sud della pianta e si
analizzano i risultati (Figura 4.1.4): non deve ingannare il fatto che l’area a sud-ovest e
anche un paio di altre aree a sud-est e a nord-est passino da un’appetibilità alta/molto alta
a un’appetibilità medio/bassa perché le distanze a cui fanno riferimento le diverse classi
sono cambiate; in questo secondo caso i poligoni ricoprono al massimo una distanza di
175 m, mentre nel caso precedente la distanza poteva arrivare fino ai 350 m.
In questo secondo caso sarebbe da rivedere la zona parco dal momento che questa
diventerebbe molto appetibile per i visitatori vista la vicinanza al gate veicolare; potrebbe
essere posizionata subito sopra più vicina al centro commerciale dove risulta esserci un
valore basso dell’indice e dunque si presume una minore utilizzazione di eventuali stalli.
Con l’aggiunta di un gate veicolare si ha dunque un deciso miglioramento delle condizioni
del parcheggio.
Figura 4.1.4 Indice di appetibilità (+1 ingresso veicolare).
108
4.1.3 Applicazione al caso di Taranto
Figura 4.1.5 Indice di appetibilità.
Stesso discorso è stato fatto anche per il caso di studio di Taranto; nella Figura 4.1.5 è
rappresentata la situazione attuale del parcheggio, mentre in quella sotto (Figura 4.1.6),
si riporta una possibile riconfigurazione del layout con l’aggiunta di un gate veicolare a
metà del lato lungo a ovest che al momento ne è sprovvisto (bisognerebbe ovviamente
che una strada raggiungesse il lato ovest del parcheggio a metà circa).
Si può notare dal secondo layout come apparentemente l’ampiezza del poligono
corrispondente ad indice di appetibilità eccellente diminuisca, ma se si va a guardare la
pianta nel suo complesso risulta evidente che il livello medio di appetibilità cresca dal
momento che aumenta la dimensione del poligono pari ad un valore molto alto dell’indice
109
e non si trovano più zone con valore medio/basso (cosa che accadeva nel caso di Figura
4.1.5) tranne che nella piccola area di parcheggio a sud-est.
Il fatto che non compaia più il poligono con appetibilità medio/bassa, comporta da un
punto di vista metrico che la massima distanza di cui si tiene in considerazione nel layout
riconfigurato di Figura 4.1.6 è pari a circa 212 m, mentre nel caso reale si può arrivare
fino ad una distanza di 300 m.
La qualità del secondo layout proposto è quindi oggettivamente migliore di quella del
primo.
Figura 4.1.6 Indice di appetibilità (+1 ingresso veicolare).
110
4.1.4 Applicazione al caso di Fano
Figura 4.1.7 Indice di appetibilità.
Si è proceduto nella stessa maniera anche per l’ultimo caso di studio, ossia quello di Fano.
Nella Figura 4.1.7 si riporta il tracciamento dei poligoni di appetibilità che riguarda lo
stato attuale del parcheggio; è da evidenziare che non viene praticamente mai raggiunto
un valore dell’indice basso, ma al massimo medio.
Si ipotizza anche per questo esempio di aggiungere un gate di accesso veicolare a metà
del lato a nord-ovest e si valutano le differenze (Figura 4.1.8): anche questa volta non
deve ingannare il fatto che siano presenti delle aree con basso indice di appetibilità perché
i valori in termini di distanza metrica che fanno parte di questa classe (al massimo 125
111
m), nel caso sopra riportato apparterrebbero a una classe di appetibilità alta/molto alta;
inoltre si raggiunge un grado di appetibilità eccellente anche in prossimità del gate
veicolare che si è ipotizzato aggiungere e non solo nell’area a nord-est.
Nel complesso risulta dunque che la proposta di riconfigurazione del layout
migliorerebbe la qualità del parcheggio.
Figura 4.1.8 Indice di appetibilità (+1 ingresso veicolare).
112
4.2
Riconfigurazione del layout di Curno (Bg)
4.2.1 Proposta di riconfigurazione del layout: il sistema degli accessi
Il presente capitolo intende dar conto di una possibile riconfigurazione degli accessi al
centro commerciale e della circolazione veicolare all’interno dell’area di sosta. La
distribuzione dei flussi in ingresso e in uscita dal centro mira a organizzare i percorsi in
modo da non confliggere con la circolazione interna dei visitatori. L’accesso a Nord-Est
(a destra in Figura 4.2.1) rappresenta un nodo fondamentale sul quale intervenire per
garantire l’appropriato funzionamento dell’intera area di sosta. A tal fine è stata ipotizzata
una separazione dei flussi in ingresso e in uscita dal parcheggio, ottenuta dedicando a tali
movimenti due bracci differenti della rotatoria Nord-Est. Si consente quindi un percorso
continuo per chi, uscendo da via Enrico Fermi, sia diretto al centro commerciale (frecce
rosse) e un abbondante spazio di accumulo per i veicoli in uscita dalle aree più frequentate
del parcheggio (frecce blu). Inoltre, come si noterà, le due direzioni non interferiscono tra
di loro in modo da garantire la massima funzionalità anche durante i periodi con maggiori
carichi veicolari (circa 2.550 veicoli equivalenti nell’ora di punta del sabato pomeriggio).
La rotatoria a Sud-Ovest, invece, può contare su un’immissione più agevole sulla rete
esterna ed è inoltre chiamata a gestire un volume di traffico leggermente inferiore rispetto
al nodo sul lato opposto. In questo caso si è valutata la possibilità di consentire
un’interazione tra le due direzioni, pur mantenendo buoni spazi di accumulo dei veicoli
in uscita e un percorso di ingresso diretto verso l’area che ad oggi risulta la più appetibile
per l’utenza (identificata come area 1 in Figura 4.2.2).
113
Figura 4.2.1 Possibile riconfigurazione dei percorsi di accesso al parcheggio.
4.2.2 Circolazione veicolare interna
Il sistema di circolazione proposto prevede la definizione di ambiti del parcheggio ben
identificabili e collegati tra loro solo tramite la strada perimetrale a doppio senso di
marcia. L’obiettivo è sì quello di creare zone di parcheggio chiaramente identificabili ma
anche di favorire una distribuzione ordinata dei veicoli all’interno dell’area nonché ambiti
privilegiati di circolazione pedonale.
I sotto-sistemi di circolazione evidenziati in Figura 4.2.2 consentono di alimentare i 9
bacini dell’area di sosta attraverso percorsi monodirezionali interconnessi tramite sistema
di circolazione perimetrale. Al centro dell’area di sosta, dove oggi è presente un’area
verde, è stata individuata una possibile area (area 4-buffer, in verde chiaro) in grado di
entrare in funzione per occasionali picchi annuali di visitatori. Il trattamento paesaggistico
di quest’area potrà mantenere l’attuale aspetto naturalistico, pur essendo attrezzato per
ospitare veicoli parcheggiati qualora risultasse necessario.
114
Figura 4.2.2 I nove bacini di sosta.
Nel dettaglio, il sistema di circolazione proposto prevede 9 anelli monodirezionali che
individuano gli ambiti indicati precedentemente, costituiti mediamente da 200 posti auto
cosicché il tempo di ricircolo di un veicolo sia minimizzato e la ricerca del posto auto
facilitata. A tal proposito, si consiglia di caratterizzare ogni ambito in maniera univoca,
prevedendo differenziazioni cromatiche nel sistema di indirizzamento, che concorrano da
un lato a rinnovare l’immagine dell’area di sosta e dall’altro ad assicurare un’immediata
individuazione dei percorsi interni.
Ogni circuito serve corselli bidirezionali di ampiezza pari o superiore ai 6m che
consentono agevoli manovre di parcheggio, gli stalli previsti risultano di dimensioni
idonee alla destinazione d’uso dell’edificio (5 x 2,5 m). Le modifiche geometriche
proposte trovano riscontro nei manuali di progettazione più aggiornati nonché nella
pratica acquisita a livello internazionale.
115
Figura 4.2.3 Circolazione veicolare interna e layout degli stalli di sosta.
A seguito di una verifica preliminare degli spazi necessari a tali migliorie, la dotazione
complessiva di posti auto del centro commerciale risulterebbe leggermente inferiore
rispetto allo stato attuale (trovano posto 1989 veicoli a fronte dei 2006 odierni). Tuttavia
le analisi condotte on-site dimostrano come il parcheggio non soffra di una carenza
cronica di posti auto per i visitatori, tuttavia, cautelativamente, è stata prevista un’area
buffer che consente di aumentare la dotazione di sosta complessiva del parcheggio e
raggiungere 2072 posti auto totali, in occasione dei picchi di visitatori attesi, in particolare
nel mese di dicembre.
Figura 4.2.4 Area buffer.
116
4.2.3 Circolazione pedonale
Infine, sebbene prioritaria nel processo di riconfigurazione dell’area di sosta adottato, si
riporta il sistema di circolazione perdonale (Figura 4.2.5) delle aree esterne al centro
commerciale. Come già evidenziato nel corso dell’analisi qualitativa, nella
configurazione attuale delle aree esterne al centro commerciale, i percorsi pedonali non
costituiscono un vero e proprio sistema privilegiato. Da una parte si riscontra che anche
negli ambiti a loro espressamente dedicati (in particolare in prossimità degli ingressi
all’edificio) trovano spazio attraversamenti di veicoli in movimento all’interno dell’area
di sosta.
La proposta indicata in Figura 4.2.5 prevede di dedicare esclusivamente ai pedoni i
percorsi afferenti agli ingressi all’edificio e di assicurare un attraversamento sicuro di via
Enrico Fermi, posizionati in coerenza rispetto alle traiettorie descritte dalla maggior parte
degli utenti come le più convenienti.
Figura 4.2.5 Circolazione pedonale.
117
4.2.4 Simulazione dell’occupazione
Utilizzando i pesi delle 11 variabili trovati per il caso di Curno e moltiplicandoli per i
valori configurazionali ricavati per i singoli stalli nel caso ipotetico di riconfigurazione
del layout nella maniera sopra indicata, si intende prevedere l’occupazione in questo caso
ed evidenziarne le eventuali differenze rispetto alla situazione attuale.
Figura 4.2.6 Occupazione simulata layout riconfigurato.
Viene proposta in Figura 4.2.6 la mappatura dell’occupazione simulata con gli stessi pesi
per le 11 variabili configurazionali ottenuti dal caso studio di Curno. Rispetto alla
simulazione relativa al layout esistente (Figura 4.2.7 sotto riportata) sembra beneficiarne
la zona a nord est che effettivamente è sottoutilizzata nella realtà rilevata se rapportata
alla sua vicinanza all’ingresso veicolare (ciò è dovuto alla presenza della corsia diagonale
che sembrerebbe tagliare fuori la suddetta area di parcheggio). Il risultato che si ottiene
parrebbe ridistribuire meglio l’occupazione in generale; rimangono poco appetibili le aree
118
al centro sopra il pezzo di verde e la punta a sud est. Nella parte ovest la soluzione rimane
pressochè invariata.
Figura 4.2.7 Occupazione simulata layout esistente.
119
5
Conclusioni e sviluppi di ricerca futuri
In conclusione è necessario ribadire come gli strumenti e le applicazioni che sono stati
proposti in questo elaborato non hanno lo scopo di sostituire le tecniche di progettazione
classica ma di affiancarle e se possibile di integrarle per fornire qualche informazione in
più.
Si può anche dire che i risultati che si sono ottenuti confermano l’utilità delle tecniche di
analisi configurazionale a supporto della progettazione dei parcheggi e della
interpretazione della loro effettiva funzionalità.
Per quanto riguarda la funzionalità, in questo elaborato si è trattato l’aspetto
dell’occupazione di un parcheggio e si è cercato di capire in che modo gli utenti tendano
ad occupare gli stalli. L’analisi Space Syntax è stata utile per mostrare quali variabili
entrino in gioco maggiormente e riescano meglio a spiegare il modo di comportarsi delle
persone di fronte alla questione del parcheggio. I risultati modellistici dicono che in
termini di peso le variabili principali sono: l’isometrica pedonale che ha sempre il peso
maggiore, la step depth veicolare, l’intensity, l’isometrica veicolare e l’entropy che hanno
un’importante rilevanza (le si trovano quasi sempre); il control, l’integration e la
connectivity si trovano circa la metà delle simulazioni.
Invece, dal punto di vista della progettazione si è proposto un metodo chiamato indice di
appetibilità e basato sulla costruzione di poligoni più o meno appetibili per l’utente a
partire da due variabili configurazionali tra le più importanti analizzate, ossia l’isometrica
pedonale e l’isometrica veicolare. Il contributo alla progettazione classica sta nel fatto
che se si immagina di avere la pianta del parcheggio definita solo dal contorno e
all’interno vuota, senza cioè il disegno degli stalli a terra, si potrebbe pensare (conoscendo
la posizione dei gate veicolari e degli accessi pedonali al centro commerciale) di costruire
prima questi poligoni di appetibilità e in un secondo momento di ‘disegnare’ gli stalli in
120
modo tale da massimizzare il numero di quelli appartenenti ai poligoni migliori e sfruttare
diversamente le zone con bassa appetibilità.
Ulteriori sviluppi di ricerca consistono nell’analisi delle diverse tipologie di parcheggio
(multipiano, scambiatore, etc.) che potrebbero portare all’introduzione di nuove variabili
configurazionali (si pensi ad esempio alla trattazione della questione rampe nel caso di
parcheggi multipiano) e nella disamina di ulteriori e diversi elementi al contorno della
progettazione come spazio urbano circostante e allaccio alla rete stradale ad esempio.
Inoltre si possono raggiungere risultati migliori per quanto riguarda l’ambito
modellistico; in questo senso si è iniziata la ricerca dai minimi quadrati lineari perché è
uno strumento facilmente comprensibile da un punto di vista operativo e che ha dato dei
risultati soddisfacenti per essere un primo approccio all’argomento ma non ottimi. Non è
detto che il metodo dei minimi quadrati sia il migliore in assoluto, dunque in questa
direzione si può fare della ricerca per ottenere risultati migliori.
Un altro aspetto da considerare sarebbe quello di estendere lo stesso tipo di analisi per
altri macrospazi o altre strutture di interscambio; oltre ai già citati musei, ospedali, carceri
e stazioni metropolitane (si veda capitolo 2), la prima applicazione da ricondurre a quella
dei parcheggi in maniera molto similare riguarda i centri commerciali: se si immagina di
considerare i negozi come degli stalli e i corridoi come i corselli che collegano gli stessi
risulta evidente l’accostamento tra i due possibili casi di studio.
121
6. Appendice
In questa appendice vengono presentate le mappature che si riferiscono ai due casi di
studio trattati nei capitoli 3.2 e 3.3; dapprima verranno presentate le mappe degli 11 indici
che sono stati utilizzati per costruire il modello di occupazione riguardanti il caso di
Taranto, in seguito verranno proposte le mappe degli stessi indici ma relativi al caso di
Fano.
122
6.1 Ulteriori dati per il caso di Taranto
Figura 6.1.1 Isometrica Pedonale.
Nella Figura 6.1.1 viene riportato l’indicatore che prende il nome di Isometrica Pedonale;
è normale dunque che si abbia una colorazione rossa in prossimità degli ingressi pedonali
e poi più ci si allontana e più il valore dell’indicatore si abbassa (colorazione verde).
123
Figura 6.1.2 Isometrica Veicolare.
Stesso discorso può essere fatto per l’indicatore rappresentato in Figura 6.1.2,
l’Isometrica Veicolare, con la sola differenza che il valore maggiore dell’indicatore si ha
in prossimità degli ingressi veicolari questa volta; più ci si allontana da essi più la
colorazione tende al verde (valori più bassi).
124
Figura 6.1.3 Visual Step Depth Veicolare.
L’indice riportato sopra (Figura 6.1.3) rappresentante il numero di cambi di direzione
visuali da compiere a partire dagli ingressi veicolari risulta avere mediamente dei valori
molto bassi tranne che per gli stalli in prossimità del corridoio centrale e dei corridoi
esterni o vicino agli ingressi veicolari.
125
Figura 6.1.4 Visual Step Depth Pedonale.
Mappatura molto simile si ha anche per il caso della Visual Step Depth Pedonale (Figura
6.1.4), con un valore dell’indice mediamente molto basso tranne per le zone in prossimità
degli ingressi pedonali.
126
Figura 6.1.5 Convex Integration.
Per quanto riguarda l’attributo della Convex Integration, Figura 6.1.5 riportata sopra, la
forma semplice della pianta del parcheggio permette di ottenere valori mediamente alti
dello stesso, tranne che per la piccola area di parcheggio a sud-est, che presenta i valori
monimi di integrazione come era lecito aspettarsi.
127
Figura 6.1.6 Convex Control.
L’indicatore che esprime il controllo (Figura 6.1.6) presenta i valori maggiori lungo tutta
la fila adiacente agli ingressi pedonali al centro commerciale, mentre la fila più a ovest e
la piccola area di parcheggio a sud-est presentano valori dello stesso inferiori.
128
Figura 6.1.7 Visual Controllability.
Riguardo alla controllabilità invece (Figura 6.1.7), non si ha un andamento ben
individuabile dal momento che i valori dei singoli stalli variano in maniera abbastanza
casuale.
129
Figura 6.1.8 Convex Entropy.
Riguardo al valore dell’entropia nel caso di analisi convessa (Figura 6.1.8) si può dire
che il valore è molto alto in tutta l’area di parcheggio, soprattutto lungo il lato più a ovest
della pianta e nella piccola zona a sud-est.
130
Figura 6.1.9 Visual Connectivity.
L’indice della Visual Connectivity riportato in Figura 6.1.9 è caratterizzato da valori
mediamente molto bassi su tutta la pianta (colorazione verde), tranne che per gli stalli
adiacenti alla corsia di circolazione centrale che separa le due file di stalli e in parte per
gli stalli più prossimi agli ingressi pedonali.
131
Figura 6.1.10 Visual Clustering.
Anche per il caso del Visual Clustering (Figura 6.1.10) non si ha un trend ben definibile
per quanto riguarda i valori dello stesso, nel senso che i singoli stalli tendono ad essere
caratterizzati apparentemente in maniera abbastanza casuale.
132
6.2 Ulteriori dati per il caso di Fano
Figura 6.2.1 Isometrica Pedonale.
Nella Figura 6.2.1 viene riportato l’indicatore che prende il nome di Isometrica Pedonale;
è normale dunque che si abbia una colorazione rossa in prossimità degli ingressi pedonali
che si trovano lungo i due lati a nord e a est e poi più ci si allontana e più il valore
dell’indicatore si abbassa (colorazione verde), come capita all’area di parcheggio più a
ovest.
133
Figura 6.2.2 Isometrica Veicolare.
Discorso analogo può essere fatto per l’indicatore rappresentato in Figura 6.2.2,
l’Isometrica Veicolare; la sola differenza sta nel fatto che il valore maggiore
dell’indicatore si ha in prossimità degli ingressi veicolari questa volta; più ci si allontana
da essi più la colorazione tende al verde (valori più bassi), come si nota per il lato in cui
non sono presenti ingressi veicolari.
134
Figura 6.2.3 Visual Step Depth Veicolare.
L’indice riportato sopra (Figura 6.2.3) rappresentante il numero di cambi di direzione
visuali da compiere a partire dagli ingressi veicolari; i valori medi sono molto bassi tranne
che per gli stalli in prossimità degli ingressi veicolari come normale che fosse e per alcuni
stalli ‘esterni’ adiacenti alle corsie di circolazione.
135
Figura 6.2.4 Visual Step Depth Pedonale.
Mappatura molto simile si ha anche per il caso della Visual Step Depth Pedonale (Figura
6.2.4), con un valore dell’indice mediamente molto basso tranne per gli stalli in prossimità
degli ingressi pedonali (colorazione arancione/rossa).
136
Figura 6.2.5 Convex Integration.
L’attributo della Convex Integration (Figura 6.2.5) presenta un trend facilmente
identificabile: presenta infatti valori molto alti per quanto riguarda l’area di parcheggio
più a est e per quasi tutta l’area che da quella si stacca in obliquo, mentre si riscontrano
valori bassi per tutta l’area ad ovest.
137
Figura 6.2.6 Convex Control.
L’indicatore che esprime il controllo (Figura 6.2.6) presenta mediamente valori bassi o
molto bassi su quasi tutta l’area del parcheggio, tranne che per la zona ‘centrale’ e per
alcuni picchi in prossimità del ‘vertice’ a nord.
138
Figura 6.2.7 Visual Controllability.
Riguardo alla controllabilità invece (Figura 6.2.7), non si ha un andamento ben
individuabile dal momento che i valori dei singoli stalli variano in maniera abbastanza
casuale.
139
Figura 6.2.8 Convex Entropy.
L’indicatore dell’entropia ottenuto dall’analisi convessa (Figura 6.2.8) permette di dire
che si hanno valori massimi nell’area più a ovest mentre si hanno mediamente valori
medio/bassi nelle restanti zone.
140
Figura 6.2.9 Visual Connectivity.
L’attributo della Visual Connectivity (Figura 6.2.9) presenta su tutta la pianta del
parcheggio valori molto bassi (colorazione verde) tranne che per alcuni stalli che però si
trovano disposti in maniera da non poter individuare un trend ben preciso.
141
Figura 6.2.10 Convex Intensity.
Come si può notare dalla Figura 6.2.10 rappresentante l’indice della Convex Intensity si
hanno i valori maggiori nell’area ad est e in quella centrale attaccata alla prima, mentre i
valori inferiori si hanno a partire dalla metà circa dell’area centrale e in tutta la zona più
a ovest della pianta.
142
Figura 6.2.11 Visual Clustering.
Anche per il caso del Visual Clustering (Figura 6.2.11) non si ha un trend ben definibile
per quanto riguarda i valori dello stesso, nel senso che i singoli stalli tendono ad essere
caratterizzati apparentemente in maniera abbastanza casuale.
143
Indice delle figure
Fig 1.1 Relazione tra spazio e attività: lo spazio non è un background di attività ma un aspetto
intrinseco di questo ..................................................................................................................... 12
Fig. 1.2 Dimensioni e relativi indici del modello di misura di un sistema urbano secondo Hillier
..................................................................................................................................................... 13
Fig. 1.3 Mappa assiale (all line map) del caso di Curno ........................................................... 15
Fig. 1.4 VGA per il caso di Tranto (Integration) ....................................................................... 18
Fig. 1.5 Esempio di Angular Analysis (Londra) ........................................................................ 19
Fig. 1.6 Strumenti Space syntax .................................................................................................. 20
Fig. 1.7 Mappa convessa per il caso di Fano ............................................................................ 21
Fig. 2.1 Stalli per disabili........................................................................................................... 29
Fig. 2.2 Parcheggio dell’Auchan di Curno ................................................................................. 32
Fig. 2.3 Parcheggio dell’Auchan di Fano .................................................................................. 33
Fig. 2.4 Parcheggio dell’Auchan di Taranto ............................................................................. 33
Fig. 3.1.1 Inquadramento territoriale ......................................................................................... 35
Fig. 3.1.2 Ingressi al centro commerciale .................................................................................. 36
Fig. 3.1.3 Suddivisione delle aree per il rilievo dell’occupazione ............................................. 38
Fig. 3.1.4 Profilo di occupazione del parcheggio ...................................................................... 39
Fig. 3.1.5 Occupazione del parcheggio rilevata dalle 14.00 alle 14.30. Totale: 935 posti
occupati ...................................................................................................................................... 40
Fig. 3.1.6 Occupazione del parcheggio rilevata dalle 14.30 alle 15.00. Totale: 1028 posti
occupati ...................................................................................................................................... 40
Fig. 3.1.7 Occupazione del parcheggio rilevata dalle 15.00 alle 15.30. Totale: 1139 posti
occupati ...................................................................................................................................... 41
Fig. 3.1.8 Occupazione del parcheggio rilevata dalle 15.30 alle 16.00. Totale: 1285 posti
occupati ...................................................................................................................................... 41
Fig. 3.1.9 Occupazione del parcheggio rilevata dalle 16.00 alle 16.30. Totale: 1359 posti
occupati ...................................................................................................................................... 42
Fig. 3.1.10 Occupazione del parcheggio rilevata dalle 16.30 alle 17.00. Totale: 1399 posti
occupati ...................................................................................................................................... 42
Fig. 3.1.11 Occupazione del parcheggio rilevata dalle 17.00 alle 17.30. Totale: 1423 posti
occupati ...................................................................................................................................... 43
Fig. 3.1.12 Occupazione del parcheggio rilevata dalle 17.30 alle 18.00. Totale: 1386 posti
occupati ...................................................................................................................................... 43
Fig. 3.1.13 Indice di occupazione degli stalli ............................................................................ 44
Fig. 3.1.14 Interfaccia UCL Depthmap ..................................................................................... 46
144
Fig. 3.1.15 Isometrica Pedonale (Depthmap) ............................................................................ 47
Fig. 3.1.16 Isometrica Pedonale (ArcGis) ................................................................................. 48
Fig. 3.1.17 Isometrica Veicolare (Depthmap) ........................................................................... 49
Fig. 3.1.18 Isometrica Veicolare (ArcGis) ................................................................................. 49
Fig. 3.1.19 Convex Step Depth veicolare (Depthmap) ............................................................... 50
Fig. 3.1.20 Convex Step Depth veicolare (ArcGis) .................................................................... 51
Fig. 3.1.21 Convex Step Depth pedonale (Depthmap) ............................................................... 52
Fig. 3.1.22 Convex Step Depth pedonale (ArcGis) ..................................................................... 52
Fig. 3.1.23 Visual Step Depth pedonale (Depthmap) ................................................................. 53
Fig. 3.1.24 Visual Step Depth pedonale (ArcGis) ....................................................................... 54
Fig. 3.1.25 Visual Step Depth veicolare (Depthmap) ................................................................. 55
Fig. 3.1.26 Visual Step Depth veicolare (ArcGis) ...................................................................... 55
Fig. 3.1.27 Visual Connectivity (Depthmap) ............................................................................... 56
Fig. 3.1.28 Visual Connectivity (ArcGis) .................................................................................... 57
Fig. 3.1.29 Visual Entropy (Depthmap) ...................................................................................... 57
Fig. 3.1.30 Visual Entropy (ArcGis) ........................................................................................... 58
Fig. 3.1.31 Convex Entropy (Depthmap) ................................................................................... 58
Fig. 3.1.32 Convex Entropy (ArcGis) ........................................................................................ 59
Fig. 3.1.33 Visual Integration (Depthmap) ................................................................................. 60
Fig. 3.1.34 Visual Integration (ArcGis) ...................................................................................... 61
Fig. 3.1.35 Convex Integration (Depthmap) ............................................................................... 62
Fig. 3.1.36 Convex Integration (ArcGis) ................................................................................... 62
Fig. 3.1.37 Visual Clustering (Depthmap) .................................................................................. 63
Fig. 3.1.38 Visual Clustering (ArcGis) ....................................................................................... 64
Fig. 3.1.39 Visual Controllability (Depthmap) ........................................................................... 65
Fig. 3.1.40 Visual Controllability (ArcGis) ............................................................................... 65
Fig. 3.1.41 Convex Controllability (Depthmap) ......................................................................... 66
Fig. 3.1.42 Convex Controllability (ArcGis) .............................................................................. 67
Fig. 3.1.43 Visual Control (Depthmap) ..................................................................................... 68
Fig. 3.1.44 Visual Control (ArcGis) ........................................................................................... 68
Fig. 3.1.45 Convex Control (Depthmap)..................................................................................... 69
Fig. 3.1.46 Convex Control (ArcGis) .......................................................................................... 70
Fig. 3.1.47 Convex Connectivity (Depthmap) ............................................................................. 70
Fig. 3.1.48 Convex Intensity (Depthmap) .................................................................................. 71
Fig. 3.1.49 Convex Intensity (ArcGis) ........................................................................................ 72
145
Fig. 3.1.50 Occupazione simulata ............................................................................................. 75
Fig. 3.1.51 Mappa delle differenze (Isometrica Pedonale) ........................................................ 76
Fig. 3.1.52 Mappa delle differenze (Isometrica Pedonale + Veicolare) ................................... 77
Fig. 3.1.53 Mappa delle differenze (2 Isometriche + Integrazione) .......................................... 78
Fig. 3.1.54 Mappa delle differenze (2 Isometriche + Integrazione + Connettività) .................. 78
Fig. 3.1.55 Mappa delle differenze (2 Isometriche + Integrazione + Connettività + Step Depth)
..................................................................................................................................................... 79
Fig. 3.1.56 Variazione temporale degli indicatori ...................................................................... 85
Fig. 3.2.1 Inquadramento territoriale (Google Earth) .............................................................. 88
Fig. 3.2.2 Ingressi veicolari al centro commerciale .................................................................. 89
Fig. 3.2.3 Occupazione reale ..................................................................................................... 90
Fig. 3.2.4 Occupazione simulata ................................................................................................ 93
Fig. 3.3.1 Inquadramento territoriale (Google Earth) ............................................................... 97
Fig. 3.3.2 Ingressi veicolari al centro commerciale .................................................................. 98
Fig. 3.3.3 Occupazione reale ..................................................................................................... 99
Fig. 3.3.4 Occupazione simulata .............................................................................................. 101
Fig. 4.1.1 Indice di appetibilità delle differenti aree del parcheggio ....................................... 104
Fig. 4.1.2 Sovrapposizione tra indice di appetibilità e indice di occupazione ........................ 105
Fig. 4.1.3 Indice di appetibilità ................................................................................................ 106
Fig. 4.1.4 Indice di appetibilità (+1 ingresso veicolare) .......................................................... 107
Fig. 4.1.5 Indice di appetibilità ................................................................................................ 108
Fig. 4.1.6 Indice di appetibilità (+1 ingresso veicolare) .......................................................... 109
Fig. 4.1.7 Indice di appetibilità ................................................................................................ 110
Fig. 4.1.8 Indice di appetibilità (+1 ingresso veicolare) .......................................................... 111
Fig. 4.2.1 Possibile riconfigurazione dei percorsi di accesso al parcheggio .......................... 113
Fig. 4.2.2 I nove bacini di sosta ................................................................................................ 114
Fig. 4.2.3 Circolazione veicolare interna e layout degli stalli di sosta .................................... 115
Fig. 4.2.4 Area buffer ................................................................................................................ 116
Fig. 4.2.5 Circolazione pedonale .............................................................................................. 116
Fig. 4.2.6 Occupazione simulata layout riconfigurato ............................................................. 117
Fig. 4.2.7 Occupazione simulata layout esistente ..................................................................... 118
Fig. 6.1.1 Isometrica Pedonale ................................................................................................ 122
Fig. 6.1.2 Isometrica Veicolare ................................................................................................ 123
Fig. 6.1.3 Visual Step Depth veicolare ...................................................................................... 124
Fig. 6.1.4 Visual Step Depth pedonale ...................................................................................... 125
146
Fig. 6.1.5 Convex Integration .................................................................................................. 126
Fig. 6.1.6 Convex Control ........................................................................................................ 127
Fig. 6.1.7 Visual Controllability .............................................................................................. 128
Fig. 6.1.8 Convex Entropy ....................................................................................................... 129
Fig. 6.1.9 Visual Connectivity .................................................................................................. 130
Fig. 6.1.10 Visual Clustering ................................................................................................... 131
Fig. 6.2.1 Isometrica Pedonale ................................................................................................ 132
Fig. 6.2.2 Isometrica Veicolare ................................................................................................ 133
Fig. 6.2.3 Visual Step Depth veicolare ...................................................................................... 134
Fig. 6.2.4 Visual Step Depth pedonale ...................................................................................... 135
Fig. 6.2.5 Convex Integration .................................................................................................. 136
Fig. 6.2.6 Convex Control ........................................................................................................ 137
Fig. 6.2.7 Visual Controllability .............................................................................................. 138
Fig. 6.2.8 Convex Entropy ....................................................................................................... 139
Fig. 6.2.9 Visual Connectivity .................................................................................................. 140
Fig. 6.2.10 Convex Intensity .................................................................................................... 141
Fig. 6.2.11 Visual Clustering ................................................................................................... 142
147
Indice delle tabelle
Tabella 2.1 Tipo di sosta e utenza prevalenti .................................................................. 24
Tabella 2.2 Stalli a 90 gradi rispetto alla corsia ........................................................... 26
Tabella 2.3 Stalli in linea rispetto alla corsia ................................................................ 27
Tabella 2.4 Stalli angolari rispetto alla corsia .............................................................. 28
Tabella 3.1.1 Risultati dell’indagine sull’occupazione .................................................. 38
Tabella 3.1.2 Risultati modello globale ......................................................................... 74
Tabella 3.1.3 Risultati modellistici (ore 14.00) .............................................................. 80
Tabella 3.1.4 Risultati modellistici (ore 14.30) .............................................................. 81
Tabella 3.1.5 Risultati modellistici (ore 15.00) .............................................................. 81
Tabella 3.1.6 Risultati modellistici (ore 15.30) .............................................................. 82
Tabella 3.1.7 Risultati modellistici (ore 16.00) .............................................................. 82
Tabella 3.1.8 Risultati modellistici (ore 16.30) .............................................................. 83
Tabella 3.1.9 Risultati modellistici (ore 17.00) .............................................................. 83
Tabella 3.1.10 Risultati modellistici (ore 17.30) ............................................................ 84
Tabella 3.2.1 Risultati modello a 11 variabili ................................................................ 91
Tabella 3.2.2 Risultati modello a 9 variabili .................................................................. 94
Tabella 3.3.1 Risultati modellistici ............................................................................... 100
148
Riferimenti bibliografici
Brosamle M, Holscher C, 2007, “How do humens interpret configuration?
Towards a spatial semantics”, Proceedings, 6th International Space Syntax
Symposium, Istanbul, pp. 130.1-130.6.
Chrest A., Smith M., Bhuyan S., Monahan D., Iqbal M., 2009, “Parking
Structures, Planning, Design, Construction, Maintenance and Repair”, Kluwer
Academic Publishers, pp. 37, 45, 50, 80, 84, 86, 89, 97.
Coda A., 2012, “L’analisi configurazionale a supporto dei sistemi turistici, una
sperimentazione su Venezia”, pp. 28-36.
Cutini V., 2014, “Lezione di Tecnica Urbanistica”, Università degli Studi di Pisa.
De Holanda F., 1989, "Brasilia: the daily invention of the city" Ekistics, 56
(334/335) pp. 75-83.
Hanson J., 1989, “Order and Structure in urban Design: the plans for the
rebuilding of London after the Great Fire of 1666”, Ekistics, vol. 56 (334-335),
pp. 22-42.
Hillier B., Grajewski T., Jianming X., Jones L., 1989b, “The Spatial Pattern of
Crime on the Studley Estate” Unit for Architectural Studies, University College,
London.
Hillier B., 1993, “Mapping Method: Basis Of Space Syntax Technique”.
Hillier B., Burdett R., Peponis J., Penn A., 1987, “Creating Life: Or, Does
Architecture Determine Anything?”, Bartlett School of Architecture and
Planning, University College London, pp. 233-250.
Hillier B., 1996, “Space is the Machine. A configurational theory of architecture”,
Cambridge University Press.
Hillier B., Penn A., Hanson J., Grajewski T., Xu J., 1993, “Natural movement or
configuration and attraction in urban space use”, Environment and Planning B :
Planning and Design, vol. 20, pp. 29-66.
Hillier B., 2012, “Studying cities to learn about minds : some possible
implications of space syntax for spatial cognition”, Environment and Planning B :
Planning and Design, vol. 39(1), pp. 12-32.
149
Hillier B., Hanson J., 1984, “The Social Logic of Space”, Cambridge University
Press: Cambridge.
Hillier B., Hanson J., Peponis J., Hudson J., Burdett R., 1983, "Space syntax: a
new urban perspective", Architects Journal, 178 (48), pp. 48-63.
Hillier B., 1988, "Against enclosure", in Rehumanising Housing Eds N. Teymur,
T. Markus,T. Wooley (Buttersworths, London), pp. 63-85.
Hillier B., K. Tzortzi, 2011, “Space syntax: The language of
museum space”, Sharon Macdonald (editor), A companion in museum studies,
Londres Blackwell, pp. 282-302.
Hillier B., Hanson J., Graham H., 1987a, "Ideas are in things: an application of
the space syntax method to discovering house genotypes" Environment and
PlanningB, 14 pp. 363-385.
Miller J., 1989, "Growth and renewal: the Swedish model", Ekistics, 56 (334/335),
pp. 56-64.
Mills G., 1989, "Space and power in South Africa: the township as a mechanism
of control", Ekistics, 56 (334/335), pp. 65-74.
Nordisk Arkitekturforskning, 1993, “A Space Syntax Glossary by Björn
Klarqvist”.
Peatross F., 1997, "The spatial dimension of control in restrictive settings", Space
Syntax - First International Symposium Proceedings 1:14.
Peponis J., Zimring C., 1996, "Designing friendly hospital layouts -
the contributions of space syntax", Journal of Healthcare Design VIII, 109-115.
Peponis J., Zimring C., Choi Y. K., 1990, “ Finding the Building in Wayfinding”,
College of Architecture, Georgia Institute of Technology, Environment and
Behaviour, vol. 22 no. 5, pp. 555-590.
Peponis J., R. Conroy Dalton, 2004, “Measuring the effects of
layout upon visitor’s spatial behavior in open plan exhibition
settings”, Environment and Planning B: Planning and design, 31:453-473.
Peponis J., Hadjinikolaou E., Livieratos C., Fatouros D. A., 1989, "The spatial
core of urban culture", Ekistics, 56 (334/335), pp. 43-55.
150
Rabino G., Caglioni M., 2012, “Ontology and M.A.S. of pedestrian behavior: the
case-study of tourists in Lucca”, COST Action TU0801 Workshop, Skopje,
Macedonia.
Reynoso C., Reynoso N. P., 2012, “Space Syntax in museum
exhibition security and scripting effects: The Museo Nacional de
Colombia”, proceedings: Eighth International Space Syntax Symposium.
Roli A., Roli M., Medeghini M., “Parcheggi, soluzioni per la sosta nelle città
italiane”, Dario Flaccovio Editore, 2009, cap. 1,4,9,10.
Savoureux J. C., “Parcs de stationnement couverts”, p. C 4 410-4.
Systematica S.r.l., 2015, “Centro Commerciale Curno (Bergamo), Analisi del
sistema di sosta e accessibilità-Relazione tecnica”.
Tzortzi, Kali, 2007, “Museum building design and exhibition layout:
Patterns of interaction”, proceedings, 6th International Space Syntax
Symposium, İstanbul, pp. 072.1-072.16.
Van der Hoeven F., Van Nes A. (2014), “Improving the design of
urban underground space in metro stations using the space syntax
methodology”, Tunnelling and Underground Space Technology
Volume 40, pp. 64-74.
Sitografia
1. www.maps.google.it – utilizzato per condurre un’indagine qualitative sulle
tipologie di parcheggi a raso dei centri commerciali; le immagini sono servite
per riprodurre le mappe dei parcheggi di Taranto e Fano dal momento che non
si avevano a disposizione i files Cad degli stessi come invece è successo per il
caso di Curno.
2. www.auchan.it – una volta che si è scelto di concentrarsi sui parcheggi relativi
ai centri commerciali (nello specifico la catena Auchan), è stato utilizzato per
scegliere i parcheggi a raso che sono poi diventati i casi di studio
dell’elaborato.
151
3. www.spacesyntax.net – si tratta del sito di riferimento dal qualo si è svolto
principalmente uno studio teorico dell’argomento e sis ono tratti spunti per il
lavoro di tesi.
4. www.vr.ucl.ac.uk/depthmap - questo è il sito dal quale è stato scaricato il
software (free) utilizzato per l’analisi configurazionale effettuata sui vari casi
di studio, oltre che la dispensa teorica che contiene la spiegazione dell’utilizzo
di Depthmap.
5. www.bartlett.ucl.ac.uk/graduate/research/space/space-syntax - The Bartlett è il
college dove è stata sviluppata la teoria di Space Syntax e il software
Depthmap; il sito presenta dunque gli innumerevoli percorsi di ricerca che sono
stati fatti riguardo all’argomento e che sono stati utili per l’indirizzamento
dell’elaborato.
6. www.bartlett.ucl.ac.uk/casa - CASA sta per Centre of Advanced Spatial
Analysis ed è un’estensione del sito a cui ho fatto riferimento al punto
precedente (5).
7. www.researchgate.net – si tratta di un sito dal quale è possibile scaricare
gratuitamente gli articoli scientifici o i paper.
8. www.smartech.gatech.edu – questo indirizzo si riferisce ad un altro sito
contenente materiale vario di ricerca.
9. www.eng.cam.ac.uk – è il sito dell’università di Cambridge, in particolare del
Dipartimento di Ingegneria, costituito anche da una sezione che fa riferimento ai
lavori di ricerca (tra i quali alcuni riguardanti i temi della Space Syntax) che
sono stati svolti all’interno dell’università stessa.
10. www.sss8.cl – la sigla sss8 fa riferimento allo Space Syntax Symposium 8 che
si è tenuto a Santiago De Chile; il sito contiene gli articoli che sono stati
presentati a quello specifico simposio.
11. www.wikipedia.it – si tratta dell’enciclopedia on-line dalla quale sono state
tratte parecchie informazioni teoriche riguardanti diversi argomenti.
152
Ringraziamenti
Vorrei ringraziare innanzitutto il professore Giovanni Rabino e il mio correlatore, il
professore Valerio Cutini, per il supporto prezioso che hanno saputo darmi e per gli
spunti e i consigli sempre interessanti.
Ringrazio di cuore la mia famiglia a partire da mamma, papà e Valentina che in questi
anni mi sono stati sempre vicino soprattutto nei momenti difficili; li ringrazio per i mille
sacrifici che hanno fatto per me: vi voglio bene e spero di avervi reso felici!
Non posso dimenticare i nonni Rosanna, Bruno, Rosa e Franco che spero siano fieri di
me; è davvero una fortuna averli ancora tutti vicino. Ringrazio anche la zia Monica, lo
zio Enzo e mio cugino Alessandro che si sono sempre interessati di me.
Ringrazio i miei fratelli, i dipendenti esigenti Emi, Cris, Paolo, Andre, Liuck, Frank, Tia
e Enzo, perché anche se non tutti abbiano ben capito a che traguardo sono arrivato non
poteri farne a meno!!
Grazie agli amici di una vita Francesco e Giulia, Evita, Andrea e soprattutto Chiara (solo
perché mi ha aiutato con AutoCad).
Ringrazio i miei compagni dell’università Davide, Eleonora, Fulvia, Umberto, Pietro,
Daniele, Valentina, Filippo, Lucio, Francesco, Massi e per ultimo (ma non per
importanza, anzi) Mirko.
Sono orgoglioso di poter ringraziare anche delle persone speciali, prima che ‘colleghi’
perché è anche merito loro questa tesi; grazie a Silvia, Elisabetta, Caterina, Giulia,
Michela, Luca, Diego, Samuele, Dante, Timur, Tiffanie, Giuseppe, Alessandro ma
soprattutto Roberto per la sua infinita pazienza, Filippo che mi ha sempre aiutato (non
solo nel lavoro) e Rawad il migliore dei capi possibili, una persona speciale.
Ringrazio il mio primo vero capo, Teo figura importante in tutti questi anni e insieme a
lui Marco e Ale due colleghi e amici.
Se ho dimenticato qualcuno perdonatemi, non l’ho fatto apposta!
Grazie a tutti di cuore.