Upload
nguyenkhuong
View
214
Download
0
Embed Size (px)
Citation preview
UNIVERSITA’ DEGLI STUDI ROMA TRE
Dipartimento Di Ingegneria
Corso di Laurea Magistrale in Ingegneria delle Infrastrutture
Viarie e Trasporti (D.M. 270/04)
RELAZIONE DI FINE TIROCINIO
Oggetto: Utilizzo dell’experimental design nelle indagini SP e
valutazione delle emissioni inquinanti con il modello europeo
COPERT
Studente:
Simone Serafini
Mat. 448456
Tutor:
Dott.ssa Marialisa Nigro
Anno Accademico 2016/2017
~ 1 ~
Sommario
PREMESSA .............................................................................................................................. 2
1. L’EXPERIMENTAL DESIGN NELLE INDAGINI SP ............................................. 3
1.1. L’esercizio di scelta ............................................................................................. 3
1.2. Realizzazione del design .................................................................................... 5
1.3. Generazione del piano pilota ............................................................................ 6
1.4. Analisi dello studio pilota ............................................................................... 10
1.5. Generazione del Design Finale ........................................................................ 15
2. STIMA DELLE EMISSIONI ...................................................................................... 17
2.1. Il modello COPERT .......................................................................................... 17
2.2. Elaborazione con COPERT ............................................................................. 21
3. CONCLUSIONI ............................................................................................................ 25
BIBLIOGRAFIA.................................................................................................................... 26
~ 2 ~
Premessa
Nella seguente relazione vengono descritti i principali software/modelli studiati e
applicati durante il periodo di tirocinio effettuato presso il Laboratorio di Trasporti
all’interno della facoltà di Ingegneria Civile dell’Università di Roma Tre. La durata
complessiva dello stesso è pari a 100 ore (corrispondenti a 4 CFU), svolte nel periodo
intercorso tra il 05/09/2017 ed il 01/12/2017.
Lo scopo di questo lavoro è stato in primo luogo lo studio del trasporto merci crowd-
shipping attraverso una revisione della letteratura nel quadro di uno studio
esplorativo. Poi, nel quadro di uno studio descrittivo, è stata effettuata un’indagine su
un caso studio proposto nella città di Roma attraverso un sistema di “trasporto tramite
folla” applicato all’ambito del trasporto pubblico metropolitano con lo scopo di
individuare la rilevanza e le potenzialità del servizio per tutti gli stakeholder coinvolti.
Il lavoro utilizza sondaggi sulle preferenze dichiarate per identificare le caratteristiche
più importanti associate al servizio e di scelta discreta per studiare il comportamento
sottostante.
L’obiettivo finale è quello di valutare se il crowdshipping può rappresentare un
modello di consegna alternativo sostenibile andando a stimare i potenziali benefici
ambientali tramite il modello europeo COPERT.
~ 3 ~
1. L’experimental design nelle indagini SP
Il metodo di raccolta dati studiato durante il tirocinio si basa sulle preferenze
dichiarate (Stated Preferences) che permette di relazionare, attraverso un certo numero
di scelte per ogni individuo, l’accettabilità con il concetto di utilità ricevuta. L’assunto
è che il crowdshipping determina un certo livello di utilità per l’utente che dipende
dalle caratteristiche dello stesso servizio. L’ipotesi è che maggiore è l’utilità associata
a questa modalità di consegna maggiore sarà la probabilità che un individuo gli
conferisca la propria preferenza.
È per questo che si parla di indagini di preferenze dichiarate (Stated Preferences) le
quali prevedono la somministrazione di interviste ad individui circa le loro preferenze
tra diverse opzioni del bene o del servizio al fine di stimarne le funzioni di utilità.
1.1. L’esercizio di scelta
Una volta definito il problema da analizzare e soprattutto il tipo di analisi da adottare,
è necessario valutare quali sono le variabili che più rappresentano le modalità di
accettabilità del servizio di consegna in esame. Per questo si è proceduto attraverso
una revisione iniziale della letteratura, andando ad esaminare gli attributi indagati in
ricerche simili.
L’innovazione dell’argomento, e soprattutto l’ambito di applicazione poco esplorato
in ambito accademico, non hanno dato riferimenti particolari. Tuttavia gli attributi
principali sono stati dedotti, in linea di massima, dalle variabili che caratterizzano i
modelli comportamentali della domanda, ovvero il consumatore che effettua un
acquisto online, e dell’offerta, ovvero del viaggiatore che offre il servizio in cambio di
una remunerazione.
~ 4 ~
Al fine di strutturare l’indagine occorre perciò definire una serie di alternative di
spedizione rispettivamente per la domanda e l’offerta, caratterizzate ognuna da
attributi ritenuti fondamentali.
Le alternative vengono costruite sulla base di diversi livelli degli attributi considerati.
Nella costruzione di ogni esercizio di scelta è stato inserito anche un profilo che
rappresenta le caratteristiche del servizio correntemente utilizzato dagli intervistati
(tecnicamente status quo). Lo scopo è quello di costringere gli intervistati a confrontare
i profili di scelta ipotetici con la situazione corrente e di ricordare all’intervistato quali
sono i propri vincoli di scelta, rendendo così più realistico il processo di valutazione e
quindi più affidabili le risposte date. Lo staus quo può essere espresso in modo
esplicito attraverso la costruzione di un profilo che lo raffiguri, oppure può essere
introdotto negli esercizi di scelta in modo implicito. In questo secondo caso, adottato
in questa ricerca, lo status quo, ovvero la possibilità di preferire i metodi di
consegna/spedizione tradizionali è stato implicitamente inserito come possibilità di
rispondere (preferire) “nessuna delle due”, in altre parole favorire lo status quo del
servizio. In questo contesto, i livelli degli attributi si riferiscono a variazioni rispetto
quello che è il servizio usuale.
Questa strategia da un lato consente di ottenere delle stime più verosimili delle
preferenze degli intervistati, dall’altro, però, può portare ad una grave riduzione delle
informazioni raccolte durante il test, poiché la sua eventuale scelta indica solo che
nessuno dei profili proposti è preferito agli altri, ma non dice né per quali ragioni, né
rispetto a quali attributi/livelli vi sia indifferenza. Dhar (1997) ha inoltre dimostrato
come la preferenza per questa opzione tenda ad aumentare al ridursi della differenza
di utilità percepita per i profili in esame limitando così le potenzialità informative delle
indagini di analisi congiunta. Per ovviare a queste problematiche sono state inserite,
nell’indagine finale, delle sezioni in cui si “vincolava” la richiesta di preferenza fra le
alternative all’individuo che precedentemente aveva scelto “nessuna delle due”.
~ 5 ~
1.2. Realizzazione del design
Dopo aver definito gli attributi con i rispettivi livelli, diventa fondamentale la struttura
del design dell’esperimento di scelta. In particolare bisognerà considerare quale tipo
di design utilizzare, scegliere la specificità del modello e non in ultimo considerare le
dimensioni dell’esperimento.
Considerando che all’aumentare del numero dei livelli e/o degli attributi aumenta in
modo esponenziale il numero di alternative generate dal design fattoriale completo è
opportuno tenerne conto quando bisognerà stabilire il numero di esercizi di scelta che
dovranno essere sottoposti agli intervistati. Considerando che il questionario
conteneva in totale già 20 domande, si è deciso di sottoporre 3 esercizi di scelta per
individuo.
Per lo studio degli stated choice e la costruzione degli scenari si è proceduto attraverso
il software statistico JMP® (SAS).
Il disegno sperimentale adottato da JMP® si basa sul design Bayesian D-Optimality che
fa parte dei disegni efficienti. I progetti bayesiani utilizzano i risultati di un'indagine
pilota come input per lo sviluppo del questionario finale e gli obiettivi del D-optimality
sono di minimizzare il determinante della matrice di covarianza dei coefficienti del
modello e massimizzare il valore atteso delle alternative scelte (Kessels et al., 2011).
Questo tipo di design si adatta bene nei seguenti casi:
• Studi pilota;
• Progetti che hanno l’obiettivo di stimare gli effetti degli attributi sull’utilità e
identificare i fattori incisivi dato un set di scelte;
Il criterio Bayesiano si basa sull’ottimizzazione del logaritmo del determinante della
matrice di informazioni della massima verosimiglianza degli stimatori dei parametri
nel modello logit multinomiale.
~ 6 ~
Per la stima dei coefficienti si utilizza quindi il metodo della massima verosimiglianza
𝐿(𝛽, 𝜃) definita come segue:
𝐿(𝛽, 𝜃) = ∏ 𝑃𝑗𝑖(𝑖)(
𝑛
𝑖=1
𝑉𝑗𝑖, (𝑋𝑗
𝑖, 𝛽)𝜃)
La probabilità è definita attraverso una struttura di tipo logit multinomiale:
𝑃𝑖𝑗 =exp(∑ 𝛽𝑘 ∗ 𝑋𝑘)𝑘
∑ exp(∑ 𝛽𝑘 ∗ 𝑋𝑘)𝑘𝑚1
Dove:
- i & j rappresentano rispettivamente l’individuo e l’alternativa in esame
- k indica l’insieme degli attributi
- m l’insieme di alternative
Questo tipo di disegno, rispetto a quelli ortogonali, oltre a minimizzare la correlazione
ha l'obiettivo di generare dei parametri minimizzando lo standard-error.
La procedura adottata si compone di tre fasi:
1) Generazione di un “Utility-neutral design” dove ogni opzione di scelta è
equiprobabile (Zwerina, 1996);
2) Studio pilota utilizzando il piano precedentemente realizzato;
3) Generazione di un disegno Bayesian D-Optimality utilizzando i parametri stimati
dallo studio pilota.
1.3. Generazione del piano pilota
Per prima cosa è necessario imputare gli attributi e i rispettivi livelli.
Nel caso studio, i livelli identificati per ogni attributo hanno la particolarità di essere
oggettivamente uno più dominante dell’altro, in altri termini avremo sempre un livello
migliore e uno peggiore. Nonostante non si conosca l’influenza dell’attributo, la
conoscenza a priori dell’utilità, positiva o negativa, del livello dell’attributo suggerisce
~ 7 ~
di trasformare i campi testo in campi binari [-1; 1]. Con questa trasformazione, oltre ad
avere una tabella più compatta e leggibile, è possibile controllare il bilanciamento dei
livelli ed evitare quindi che uno stesso livello compaia più volte all’interno di un set di
scelta.
Nel caso della domanda gli attributi e livelli sono stati identificati come rappresentato
nella figura seguente.
Figura 1: Attributi e livelli della domanda
Successivamente su JMP, i livelli sono stati trasformati da campo testo a campi
numerici come mostrato di seguito.
Figura 2: Attributi e livelli della domanda su JMP
Analogamente per l’indagine sul lato offerta del servizio si è proceduto allo stesso
modo.
~ 8 ~
Figura 3: Attributi e livelli dell'offerta
Figura 4: Attributi e livelli dell'offerta su JMP
Inizialmente, non avendo stime dei parametri a priori si genera un “Utility-neutral
design” dove ogni opzione di scelta è equiprobabile (Zwerina, 1996).
Figura 5: Generazione Utility Neutral Design
A questo punto il progettista definisce le caratteristiche del piano in termini numerici,
ovvero il numero di attributi che può cambiare in un set di scelte, il numero di
~ 9 ~
alternative per set di scelte, il numero di scenari per ogni tipologia di questionario, il
numero di tipologie base di questionari ed infine il numero previsto di rispondenti.
Ipotizzando di voler utilizzare un Full Factorial Design, cioè quello dove vengono
esplicitate tutte le possibili combinazioni di attributi e livelli, il totale delle
combinazioni (o alternative) sarebbe stato di (24) = 16.
Tuttavia all’interno di queste 16 combinazioni ci saranno alcune non interessanti per
l’analisi e soprattutto delle combinazioni “triviali” in un processo di scelta, vale a dire
un set di scelta dove abbiamo tutti livelli dominanti in una stessa alternativa. È quindi
giustificato e corretto andare a ridurre il numero di combinazioni con un modello di
disegno efficiente, tuttavia allo stesso tempo è bene non ridurre troppo il numero delle
combinazioni in quanto il software potrebbe non riuscire a generare un piano
bilanciato. Altro elemento importante nella scelta delle combinazioni da sottoporre
agli intervistati è che andando a ridurre troppo le combinazioni si perdono gli effetti
secondari derivanti ad esempio fra l’iterazione di due o più attributi. Proprio per
questa osservazione, visto anche il numero di combinazioni non troppo elevato, si è
cercato di coprire circa i 2/3 di tutte le possibili combinazioni.
Figura 6: Generazione del piano
Si è così deciso di generare 4 tipologie di questionario ognuna delle quali composta da
3 set con due profili di scelta ciascuno.
Il numero di intervistati previsti nello studio pilota è stato impostato a 5 per ognuna
delle 4 tipologie, quindi 20 individui.
Viene così generata una tabella composta da 4 blocchi che si ripetono per 5 volte in
modo da coprire i 20 intervistati previsti.
~ 10 ~
Il passo successivo consiste nel sottoporre questi scenari pilota agli intervistati
riportando successivamente il valore 1 (alternativa scelta) o 0 (alternativa non scelta)
nella colonna di risposta inizialmente vuota.
Figura 7: Tabella piano pilota
Successivamente verrà mostrata la sola procedura operativa realizzata per l’indagine
sul lato l’offerta in quanto per il lato domanda si è proceduto analogamente.
1.4. Analisi dello studio pilota
Una volta somministrate le interviste previste dallo studio pilota e raccolto i dati sulle
preferenze è possibile eseguire il modello.
Nello studio pilota, a causa del numero esiguo di intervistati si è deciso di non inserire
la possibilità di selezionare “nessuna scelta” che avrebbe richiesto un campione di dati
maggiore. Per migliorare il processo di stima del modello si è deciso di adottare la
correzione della distorsione con il metodo di Firth (Firth, 1993).
~ 11 ~
La distorsione, anche chiamata BIAS, è una modifica, intenzionale o non intenzionale,
del disegno e/o della conduzione di uno studio, dell’analisi e della valutazione dei dati,
in grado di incidere sui risultati. È un errore dovuto al fatto che sistematicamente
alcuni gruppi o esiti sono favoriti rispetto ad altri per svariati motivi (valutativi,
cognitivi, ecc..).
Il metodo di Firth adottato da JMP® dimostra che il termine dominante della
distorsione asintotica dello stimatore di massima verosimiglianza può essere rimosso
tramite un’appropriata modificazione della funzione di punteggio (score function).
Esso consiste in una correzione sistematica del meccanismo che produce la stima di
massima verosimiglianza, cioè dell’equazione di verosimiglianza basata sulla
funzione di punteggio, piuttosto che della stima stessa. La stima di massima
verosimiglianza θ* del parametro θ si ottiene come soluzione dell’equazione di
verosimiglianza:
∇𝑙(𝜃) = 𝑈(𝜃) = 0
Per ridurre la distorsione asintotica dello stimatore di massima verosimiglianza si
effettua una modificazione della funzione di punteggio ricavata dal numero delle volte
in cui la scelta attesa non corrisponde con quella effettuata.
La stima di massima verosimiglianza corretta θ* si ottiene dunque come soluzione
dell’equazione di verosimiglianza basata sulla funzione di punteggio modificata:
𝑈∗(𝜃) = 0
Figura 8: La “score function” nel metodo di Firth
~ 12 ~
Una volta eseguito il modello è possibile analizzarne una serie di indicatori e quindi
valutarne la bontà.
In primo luogo è possibile valutare la significatività degli attributi, infatti il P-value
rappresenta la probabilità che il parametro risulti uguale a zero. Per essere
significativo un attributo deve avere una bassa probabilità di valere zero, viceversa
un’alta probabilità di valere zero sta ad indicare che quel fattore non aggiunge
informazioni al modello. Generalmente si fissa e considera una probabilità accettabile
se inferiore al 5-10%. Log Valenza è dato da: -log10(p-value) e serve per ricavare una
scala grafica appropriata per confrontare i valori del p-value.
Figura 9: Effetti degli attributi
Come si può osservare tutti i valori utilizzati hanno un livello di significatività molto
buono.
Successivamente vengono invece stimati i coefficienti degli attributi, il software riporta
soltanto un livello considerando che l’altro sarà esattamente lo stesso invertito di
segno. La stima, come già spiegato precedentemente, avviene tramite il metodo della
massima verosimiglianza.
Figura 10: Stima dei parametri studio pilota
In questo contesto, la conoscenza a priori del livello dominante, ci permette attraverso
un test informale, di validare il segno del parametro con quello atteso e quindi di
identificare subito la presenza di anomalie.
~ 13 ~
Per fornire un indicatore di bontà del modello utile nel confronto fra più disegni, JMP®
fornisce più indicatori tutti comunque riconducibili alla funzione di massima
verosimiglianza L(β). Invece di massimizzare L(β), JMP® preferisce minimizzare –
log[L(β)] secondo una convergenza in gradiente.
Nel dettaglio utilizza – 2* log[L(β)] in modo da ottenere una distribuzione che tende
asintoticamente a χ2.
Figura 11: Indicatori di bontà per il confronto fra modelli
Altri indicatori del modello, dipendenti da – 2* log[L(β)], sono:
• AICc: criterio informativo Akaike corretto
𝐴𝐼𝐶𝐶 = −2𝐿𝑜𝑔𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 + 2𝑘 + 2𝑘(𝑘 + 1)/(𝑛 − 𝑘 − 1)
• BIC: criterio di informazioni Bayesiano
𝐵𝐼𝐶 = −2𝐿𝑜𝑔𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑 + 𝑘ln (𝑛)
Dove:
-k il numero dei parametri stimati
-n il numero di osservazioni
In generale l’indicatore BIC penalizza i modelli che presentano tanti parametri rispetto
all’AICc suggerendo, se troppo alto, la riduzione degli stessi.
Per ogni indicatore, nel confronto fra più modelli, vale il principio che il migliore è
quello con il valore più basso.
Altro output importante è la matrice della correlazione delle stime che indica quindi il
possibile collegamento fra i vari attributi. Anche in questo caso è bene avere valori
bassi di legame fra i vari attributi, si accettano valori inferiori anche a 0,6-0,7 che nel
modello in esame sono ampiamenti soddisfatti.
~ 14 ~
Figura 12: Matrice delle correlazioni
L’ultima analisi del report riguarda invece il test del rapporto di verosimiglianza. La
variabile test χ2 si ottiene sommando, per ogni evento Ei il quadrato degli scarti tra le
frequenze teoriche e quelle osservate pesato sulle frequenze teoriche:
Quindi, se χ² = 0, le frequenze osservate coincidono esattamente con quelle teoriche.
Se invece χ² > 0, esse differiscono. Più grande è il valore di χ², più grande è la
discrepanza tra le frequenze osservate e quelle teoriche.
DF rappresenta i gradi di libertà per il chi-quadrato test. Per essere significativo il
valore di probabilità non deve essere superiore a 0,05 (fissata una significatività del
95%).
Figura 13: Chi-quadro test
Anche in questo caso come possiamo osservare tutti i valori sono entro i limiti
prefissati.
Lo studio pilota è molto importante, infatti oltre a permettere di realizzare
successivamente un design più preciso di quello iniziale ci fornisce immediatamente
un’indicazione sulla stima dei parametri.
Durante gli studi pilota per la calibrazione del questionario definitivo è emerso che un
attributo non era idoneo nel modello.
~ 15 ~
Infatti nella prima somministrazione effettuata l’attributo numero 4, ovvero la
disponibilità ad essere avvisato da parte del gestore per richieste di consegna, aveva una
significatività molto marginale.
Questo indica che l’attributo si è dimostrato poco predominante rispetto agli altri che
invece sono più incisivi nella scelta dell’alternativa. Questo risultato suggerisce al
progettista la necessità di eliminare l’attributo o comunque di sostituirlo in quanto
potrebbe non avere significatività nella scelta rappresentando un dato inutile.
Per tale motivo nella seconda indagine pilota, mostrata precedentemente, tale attributo
è stato sostituito con «modalità di accredito» che è risultato in linea con gli altri fattori.
1.5. Generazione del Design Finale
Validata l’analisi dello studio pilota e quindi note le stime dei fattori e la deviazione
standard si può procedere alla generazione del modello definitivo rimuovendo le
spunte al piano neutrale e inserendo i parametri noti.
Il disegno sperimentale ora si baserà sul criterio Bayesian D-Optimality e la
generazione del piano definitivo può avere caratteristiche analoghe a quello inziale
oppure può essere modificato se durante l’indagine pilota è emersa qualche tipo di
difficoltà (ad esempio troppi scenari per ogni intervistato).
Il design finale non è altro che una matrice [1; -1] che si ripete per blocchi come quella
mostrata nel disegno pilota.
Figura 14: Verifica della significatività degli attributi
~ 16 ~
A questo punto è quindi necessario riconvertirla in campo testo secondo i livelli
definiti all’inizio.
Per evitare che durante la somministrazione l’intervistato si focalizzi sull’ordine degli
attributi si procede infine a rimescolare l’ordine con cui vengono proposti gli attributi
stessi all’interno dei vari scenari come suggerito da alcune indagini presenti in
letteratura.
Figura 15: Scenari del questionario tipo 1
Ognuno dei 4 questionari tipo creati avrà quindi 3 scenari diversi da sottoporre
all’intervistato.
~ 17 ~
2. Stima delle emissioni
Nella seconda fase del tirocinio, per valutare le emissioni atmosferiche sottratte
all’ambiente grazie all’applicazione del crowdshipping, si è proceduto allo studio di
uno degli approcci più utilizzati in UE, ovvero quello basato sul fattore di emissione.
Secondo questi modelli le quantità di sostanze emesse in atmosfera dai veicoli
dipendono sia dalle emissioni degli stessi (fattori di emissione), che dalla numerosità
delle flotte (tipo di veicolo) e delle relative percorrenze.
Per ogni classe veicolare e per ogni tipologia di inquinante vengono associate delle
curve medie di emissione e di consumo di carburante dipendenti dalla velocità.
2.1. Il modello COPERT
Fra i principali modelli di calcolo per la stima delle emissioni di inquinanti atmosferici
dovuti ai trasporti stradali troviamo COPERT acronimo di Computer Programme to
calculate Emission from Road Traffic. La metodologia COPERT è stata introdotto
dall’Agenzia Europea per l’ambiente (EEA) per la redazione dei rapporti sullo stato
dell’ambiente. Si tratta di un modello in grado di stimare tutti gli inquinanti
regolamentati dalla normativa e anche alcuni non regolamentati, inoltre consente di
ottenere i valori di emissione per ogni categoria veicolare comportandosi di fatto come
un modello disaggregato.
In particolare la metodologia di calcolo del COPERT si basa sui seguenti parametri:
• Condizione climatiche: temperatura minima, massima e umidità relativa per
ogni mensilità;
• Parco auto circolante suddiviso per tipologia di veicolo, per tipo di combustibile
e per classe di anzianità (categoria EURO);
• Consumi e caratteristiche dei combustibili;
• Condizioni di guida: tipologia di percorso effettuato (urbano, extraurbano,
autostradale), velocità medie, percorrenze medie annue e cumulate;
~ 18 ~
• Fattori di emissione;
A parte i fattori di emissioni e le caratteristiche dei combustibili, presenti nel codice di
calcolo del programma, gli altri dati vengono inseriti dall’utente nel modello durante
la creazione del dataset di input.
Le emissioni di inquinante i da veicoli su strada sono calcolati come la somma di tre
tipologie di contributi:
𝐸𝑖 = 𝐸ℎ𝑜𝑡,𝑖 + 𝐸𝑐𝑜𝑙𝑑,𝑖 + 𝐸𝑣𝑎𝑝,𝑖
Con:
- 𝐸ℎ𝑜𝑡,𝑖 : 𝑒𝑚𝑖𝑠𝑠𝑖𝑜𝑛𝑖 𝑎 𝑐𝑎𝑙𝑑𝑜, generate durante il funzionamento del motore alla
temperatura di esercizio;
- 𝐸𝑐𝑜𝑙𝑑,𝑖 : 𝑒𝑚𝑖𝑠𝑠𝑖𝑜𝑛𝑖 𝑎 𝑓𝑟𝑒𝑑𝑑𝑜, generate nella fase di riscaldamento del motore;
- 𝐸𝑣𝑎𝑝,𝑖 : 𝑒𝑚𝑖𝑠𝑠𝑖𝑜𝑛𝑖 𝑒𝑣𝑎𝑝𝑜𝑟𝑎𝑡𝑖𝑣𝑒, composte esclusivamente dai NMVOC (Non-
Methane Volatile Organic Campound).
Dato che diverse situazioni di guida comportano differenti condizioni di
funzionamento del motore (quindi differenti tipologie di emissione), il modello
COPERT considera tre differenti condizioni di guida che avvengono su percorsi
urbani, rurali e autostradali.
𝐸 = 𝐸𝑢𝑟𝑏𝑎𝑛 + 𝐸𝑟𝑢𝑟𝑎𝑙 + 𝐸ℎ𝑖𝑔ℎ𝑤𝑎𝑦
Di seguito, si riportano le relazioni che consentono di definire le tre tipologie di
contributi emissivi.
a) Calcolo delle emissioni a caldo
La marcia prolungata si realizza una volta trascorso il tempo di riscaldamento del
motore e del catalizzatore. Esistono numerosi fattori che influenzano questo
contributo: la distanza percorsa dal veicolo, la velocità (legata al tipo di strada),
l’età del veicolo, il tipo di motore ed il peso. L’equazione su cui si basa il calcolo
~ 19 ~
calcola queste emissioni in base alla media annua dei km percorsi e alla velocità
media del veicolo, da cui dipende il fattore di emissione:
𝐸ℎ𝑜𝑡;𝑖 = ∑ 𝑛𝑗 ∙ 𝑚𝑗𝑘 ∙ 𝑒ℎ𝑜𝑡;𝑖𝑗𝑘 𝑗𝑘
Con:
- 𝑛𝑗 : il numero di veicoli della classe j-esima;
- 𝑚𝑗𝑘: la distanza media percorsa da ogni veicolo di categoria j su strada di
classe k;
- 𝑒ℎ𝑜𝑡,,𝑖𝑗𝑘: fattore di emissione per l’inquinante i, rilevato per la categoria
veicolare j, sulla strada di classe k espresso in g/km.
b) Calcolo delle emissioni a freddo
Questo stato si verifica quando il motore è spento per un lungo periodo. Poiché il
catalizzatore deve raggiungere la temperatura operativa le emissioni di CH4 e CO
sono più elevate. Inoltre, a freddo, la benzina non si mischia correttamente con
l’aria. Per questo motivo parte del carburante incombusto viene emesso ad alte
concentrazioni.
In sostanza, questo tipo di emissioni vengono trattate e stimate come un surplus
rispetto alle emissioni che si avrebbero se tutti i veicoli funzionassero sempre a
temperatura di regime.
L’equazione su cui si basa il calcolo è:
𝐸𝑐𝑜𝑙𝑑;𝑖 = ∑ 𝛽𝑗 ∙ 𝑛𝑗 ∙ 𝑚𝑗 ∙ 𝑒ℎ𝑜𝑡;𝑖,𝑗 ∙ (𝐸𝑐𝑜𝑙𝑑;𝑖,𝑗
𝑒ℎ𝑜𝑡;𝑖,𝑗 − 1) [𝑡/𝑎𝑛𝑛𝑜]
𝑗,𝑘
Dove:
- 𝛽𝑗: frazione di km percorsi con il motore o il catalizzatore freddo della
categoria di veicoli j;
- 𝑛𝑗: il numero di veicoli della classe j-esima;
- 𝑚𝑗: la distanza media percorsa da ogni veicolo della categoria j;
~ 20 ~
c) Calcolo delle emissioni evaporative
Possono essere ricondotte a tre fonti principali:
▪ Diurnal emissions: vapori emessi durante la giornata e rilasciati attraverso
il tappo del serbatoio in seguito al riscaldamento del combustibile. Sono il
risultato dell’espansione del vapore all’interno del serbatoio dovuto
all’incremento di temperatura.
▪ Hot soak emissions: vapori emessi a causa del calore del motore dopo un
arresto a caldo. Il calore dal motore e dal sistema di convoglio degli esausti
va ad aumentare la temperatura del combustibile, che non scorre più
all’interno del sistema e quindi evapora.
▪ Running emissions: vapori emessi durante la marcia che si generano nel
serbatoio durante il funzionamento. Tale contributo è significativo nei
periodi in cui la temperatura ambiente è più elevata.
La principale espressione per la stima delle emissioni evaporative è la seguente:
𝐸𝑣𝑎𝑝 = 365 ∙ ∑ 𝑛𝑗 ∙ (𝑒𝑑 + 𝑆𝑐 + 𝑆𝑓𝑖) + 𝑅 [𝑡/𝑎𝑛𝑛𝑜]𝑗
Con:
- 𝑛𝑗: numero di veicoli della classe j-esima;
- 𝑒𝑑: fattore di emissione delle perdite diurne;
- 𝑆𝑐: fattore di emissione a caldo e a freddo per i veicoli dotati di carburatore;
- 𝑆𝑓𝑖: fattore di emissione a caldo e a freddo per i veicoli a benzina dotati di
iniezione elettronica;
- 𝑅: perdite durante il moto.
Risulta di grande rilevanza l’applicazione di correzioni, finalizzata ad ottenere degli
output sempre più coerenti con la realtà. Fra i principali fattori correttivi troviamo
quello che tiene conto dei consumi reali. La formula adoperata, per inquinante,
carburante e per classe d’età, definisce le emissioni reali come il prodotto delle
emissioni stimate dal modello per un fattore correttivo:
~ 21 ~
𝐸 = 𝐸𝑐𝑎𝑙𝑐 ∙ 𝐹
Dove F è l’indice d’errore tra i consumi stimati dal modello e quelli reali.
Un’altra correzione importante applicata da COPERT è quella che tiene conto degli
effetti sugli scarichi dovuti dall’età del veicolo, e quindi dal suo chilometraggio
percorso.
2.2. Elaborazione con COPERT
La stima delle emissioni è stata eseguita con l’ausilio del modello di calcolo COPERT
5.0 applicata al contesto del comune di Roma.
Dovendo stimare i benefici ambientali conseguibili con il crowdshipping, il calcolo
delle emissioni è stato quantificato con riferimento ai soli veicoli commerciali leggeri
detratti dal parco circolante nei vari scenari proposti.
I vari dati richiesti dal programma sono stati ricavati da diverse fonti.
Per quanto riguarda i dati meteo è stato necessario reperire una banca dati meteo che
potesse fornire una analisi storica sufficientemente dettagliata. Questo è stato possibile
facendo riferimento alla banca dati delle medie climatiche disponibile sul sito
eurometeo.com che fornisce per ogni mese le temperature minime e massime e l’umidità
relativa.
~ 22 ~
Tabella 1: Medie climatiche su serie storica di Roma. Fonte: www.eurometeo.com
L’ambito di studio, delimitato alla sola categoria di veicoli commerciali leggeri, non
permette di ottenere dei dati diretti sui consumi annuali dei combustibili necessari per
determinare il fattore di correzione sulle emissioni. Per questo motivo, senza ricavare
questi dati indirettamente con il rischio di incorrere in errori sistematici, si è deciso di
non applicare questo fattore di correzione utilizzando di fatto i consumi calcolati da
modello.
Per quanto riguarda invece l’acquisizione dei dati sul parco veicolare circolante si è
fatto riferimento alla sezione “Open Data” del Ministero delle infrastrutture e dei
trasporti1. Dai dati estratti dal database sono stati filtrati circa 5'000 veicoli, il 6% del
totale, caratterizzati da “altra alimentazione” (metano, GPL, elettrici, ecc.) e non
direttamente modellabili in COPERT. I dati sono riportati sia per classe ambientale
EURO che per tipo di combustibile e sono riferiti all’anno 2017. Dovendo
esclusivamente stimare le emissioni dei veicoli sottratti al parco circolante si farà
riferimento esclusivamente ai dati delle ripartizioni modali per ricostruire le
caratteristiche delle flotte veicolari detratte in ogni scenario.
1 Parco Circolante Lazio, http://geodata.mit.gov.it/datasets/parco_circolante_Lazio.csv
MeseT. minima
media [°C]
T. max media
[°C]
Umidità relativa
[%]
Gen 4 11 67%
Feb 5 13 65%
Mar 7 15 62%
Apr 9 19 60%
Mag 13 23 55%
Giu 17 27 54%
Lug 19 30 49%
Ago 19 30 52%
Set 17 27 59%
Ott 13 21 64%
Nov 8 16 68%
Dic 5 12 68%
~ 23 ~
Tabella 2: Veicoli commerciali leggeri circolanti nel comune di Roma, dati 2017
Per l’individuazione delle percorrenze medie annue si è fatto riferimento ai dati ACI e
ISPRA mentre per il chilometraggio percorso si è fatto riferimento alla funzione
suggerita dallo studio condotto per commissione dell’UE da Ricardo-AEA (2014).
Figura 16: Chilometraggio cumulato nel corso del tempo - LCV
Tipo
Alimentazione0 1 2 3 4 5 6 TOTALE
Ripartizione
modale
BENZINA 1'573 1'381 1'765 1'305 837 516 101 7'478 9.3%
DIESEL 9'292 5'117 9'292 14'064 15'947 13'765 5'375 72'852 90.7%
TOTALE 10'865 6'498 11'057 15'369 16'784 14'281 5'476 80'330 100.0%
Ripartizione
modale 13.5% 8.1% 13.8% 19.1% 20.9% 17.8% 6.8% 100.0%
Pe
r ca
t. E
UR
O
Classe Ambientale (categoria Euro) Per tipo di
alimentazione:
~ 24 ~
Tabella 3: percorrenze medie annue e cumulate suddivise per classe EURO
Infine, per quanto riguarda le caratteristiche della viabilità, è stata imposta una
velocità media commerciale di 18 km/h.
Classe EURO km/anno* km cumulati**
0 4'950.00 608'319.69
1 7'920.00 368'979.34
2 14'548.00 272'132.62
3 19'000.00 223'531.25
4 28'726.00 190'067.89
5 30'193.00 138'635.23
6 36'000.00 36'125.92
*Elaborazione su dati ACI, 2000-2015 e ISPRA, 2015
**Ricavati applicando la funzione che lega i km cumulati
all'età del veicolo (LCV). Ricardo-AEA (2014)
~ 25 ~
3. Conclusioni
Il lavoro svolto durante il periodo di tirocinio mi ha fornito l’opportunità di
confrontarmi con molteplici tematiche concrete e attinenti al mio corso.
Dalle analisi ricavate dalle indagini, ho appurato come il disegno sperimentale sia
molto efficace nel designare modelli in grado di stimare le preferenze dell’individuo
rispetto a servizi ipotetici come quello del crowdshipping.
Inoltre l’applicazione delle conoscenze teoriche acquisite durante il tirocinio ad un
caso studio mi ha permesso di interfacciarmi con numerosi software tra cui JMP,
BIOGEME, QGis, COPERT ed alcune funzionalità aggiuntive di Excel.
Le attività svolte durante il tirocinio mi hanno stimolato nell’apprendimento e nella
risoluzione di problemi operativi che mi hanno permesso di acquisire tutte le
informazioni propedeutiche all’elaborazione della tesi magistrale.
~ 26 ~
Bibliografia
Dhar, R., 1997. Consumer Preference for a No-Choice Option, Journal of Consumer Research,
24, 215-31.
Kessels R., Jones B., Goos P., (2011). Bayesian optimal designs for discrete choice
experiments with partial profiles. Journal of Choice Modelling, Volume 4, Issue 3, Pages
52-74
Zwerina K., 1996. The Importance of utility Balance and Efficient Choice Designs, Journal of
Marketing Research, 33 (August), 307-317.
Firth, D. 1993. Bias Reduction of Maximum Likelihood Estimates, Biometrika 80:1, 27–38.
Kessels R., Jones B., Goos P. 2011. Bayesian optimal designs for discrete choice experiments
with partial profiles, Journal of Choice Modelling, Volume 4, Issue 3, Pages 52-74.
Ricardo-AEA, (2014) Improvements to the definition of lifetime mileage of light duty vehicles
& Handbook on External Costs of Transport. Report for European Commission.
[https://ec.europa.eu/clima/sites/clima/files/transport/vehicles/docs/ldv_mileage_improveme
nt_en.pdf, ultima consultazione 1 dicembre 2017]