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]