Caso studio reale: la stazione di Rimini

Per poter studiare le situazioni critiche reali e trovare eventuali soluzioni bisogna specificare il modello Campus in un caso reale. Nello schema a blocchi del modello Campus illustrato (figura 1.22) si vede che tale modello ha bisogno di quattro input principali:

1. i dati statistici sociologici; 2. la topologia dello spazio; 3. il Path Network;

4. lo spazio tempo delle mete e dei cronotopi. 4.4.1 I dati statistici e sociologici

I dati statistici e sociologici definiscono le categorie sociali dei mobber presenti in stazione. Per ogni caso studio le caratteristiche delle popolazioni possono essere molto diverse e in generale sono legate alla alle propriet`a dell’area che si sta studiando. Inoltre le percentuali con cui queste diverse popolazioni si presentano in aree simili possono variare sensibilmente da caso a caso: la popolazione che quotidianamente usa la stazione di Bologna `e circa sei volte quella della stazione di Rimini. In generale, nel caso di una citt`a nel suo insieme le diverse categorie che concorrono alla mobilit`a urbana sono i cityuser, gli abitanti e i pendolari [60] senza inoltrarsi in una ripartizione pi`u fine all’interno di ognuna di queste popolazioni. Nella stazione di Rimini le popolazioni presenti si possono in prima approssi-mazione suddividere in utenti pendolari ed saltuari. I primi sono quelli che conoscono la planimetria della stazione e hanno una visione di mappa. Normalmente sono quasi tutti abbonati e non si devono recare in biglietteria. Gli utenti saltuari non conoscono l’area, decidono cosa fare in base alle loro esigenze e usando la sola visione locale di cui dispon-gono. Inoltre se sono utenti in partenza, spesso devono fare il biglietto. A queste due popolazioni principali si aggiunge una terza, piccola in percentuale se confrontata con le altre due, costituita da chi vaga nella stazione senza una meta ben precisa. Queste due categorie principali sono generate nelle sorgenti definite nella figura 4.3.

Gli utenti in partenza sono generati nelle sorgenti N1, N2, N3 e N4 in funzione del mezzo usato per arrivare. Da questi nodi si possono dirigere in biglietteria, andare a vedere l’orario ed eventualmente fare una sosta breve. Solo una piccola percentuale di persone arriva in stazione per andare esclusivamente al supermercato. E in questo caso se abitano vicino possono arrivare a piedi e sono generati nella sorgente N3, altrimenti possono arrivare in macchina e sono generato nella sorgente N4 che `e quella del parcheggio privato posto di fronte alla stazione.

Gli utenti in arrivo sono generati nelle sorgenti U1, U2 e U3 e possono recarsi direttamente all’uscita in funzione del mezzo trasporto che normalmente usano, scegliendo il percorso migliore per raggiungere i nodi d’interscambio con gli altri mezzi. Una piccola percentuale

pu`o scegliere di andare al supermercato per fare acquisti prima di uscire e allontanarsi con un determinato mezzo oppure un altro.

4.4.2 La topologia dello spazio/spazio delle decisioni.

Ogni area possiede i propri vincoli architettonici e spaziali che definiscono lo spazio fisico in cui il mobber si muove. Ma a questo si sovrappone lo spazio delle decisioni. Lo spazio fisico `e rappresentato dalle linee in bianco nella figura 4.10, i muri impenetrabili. Lo spazio delle decisioni `e formato da aree colorate e in funzione del colore il mobber decide come muoversi nell’area stessa: il codice colore che definisce le propriet`a delle arre. Le aree in nero sono dei black box dove i mobber possono entrare e da cui possono uscire, ma, a questo livello d’approssimazione nello studio della mobilit`a nell’area, non si sa come si muovono all’interno.

Figura 4.10 Spazio delle decisioni nella stazione di Rimini. 4.4.3 Il Path Network

Un mobber `e generato con una certa Meta Finale, ma prima di raggiungerla pu`o toccare diverse Mete Intermedie, dette anche Mete Locali. Ogni mobber sceglie il proprio percorso nei nodi del Path Network. In ogni nodo elabora informazioni sul suo stato, su quello dell’ambiente e degli altri mobber ed in funzione di queste informazioni decide cosa fare al passo successivo e definisce in questo modo la propria traiettoria. Guardando la figura 4.3 si pu`o seguire il percorso che un mobber in arrivo deve fare per recarsi al supermercato. Un mobber in uscita pu`o essere generato nel nodo 80, ossia nella sorgente U1. Questo arriva sul primo binario, ossia nel nodo 68, dopo aver attraversato la stanza 11 a questo punto deve aggirare il muretto che delimita l’accesso al sottopassaggio, deve pertanto andare al nodo 61, e poi attraversando l’area 14, 62 e 2 si dirige pu`o dirigere verso il nodo 74 ossia l’entrata E1 del supermercato.

4.4.4 Lo spazio tempo delle mete e dei cronotopi

Le sorgenti e i cronotopi della stazione di Rimini sono rappresentate nella figura 4.3: bigliet-teria, tabelloni, soste, sedie e centro commerciale. Le aree cronotopiche sono rappresentate da colori diversi nella figura 4.10. Ad ogni colore corrisponde uno spazio dove il mobber prende una decisione e si muove secondo certe regole. Come per esempio pu`o decidere di passare attraverso una porta o un’altra se sono presenti pi`u varchi transitabili, pu`o scegliere di mettersi in una fila o un altra per fare il biglietto. Ogni cronotopo ha le proprie caratteristiche che definiscono il modo in cui il mobber pu`o muoversi. Per esempio davanti

ai tabelloni i mobber posso stare fermi oppure muoversi lentamente, molto lentamente, per un periodo di tempo che pu`o essere al massimo di 15 minuti e in entrambi i casi questi utenti interferiscono con la mobilit`a degli altri mobber e con le loro traiettorie.

4.4.5 Alcuni problemi

La soluzione d’alcuni problemi emersi durante questa ricerca pu`o essere utile nelle future applicazioni del modello Campus ad altri casi reali.

I dati sociologici definiscono le caratteristiche delle popolazioni di mobber che si muovono nell’area presa in esame. Pi`u questi sono ricchi e dettagliati e pi`u si possono rendere realis-tiche le simulazioni, ossia scegliendo le opportune osservabili in un insieme numericamente pi`u ampio e quindi pi`u significativo, con l’avvertenza sempre di non appesantire troppo il sistema. In questo caso, per quanto riguarda i flussi di mobber in input, si sono utilizzati solo le serie di dati sugli utenti dei treni, perch´e sono le uniche estese sull’intera giornata. Quelle usate per fare l’analisi di mobilit`a degli utenti che usano gli autobus, sono purtroppo meno complete. Pi`u precisamente sono troppo corte per poterle utilizzare per ricavarne una funzione definita su tutta la giornata tale da caratterizzare la dinamica temporale della sorgente stessa. Per questo si sono ricavate soltanto informazioni che attengono al-cune differenze d’uso dei mezzi durante i diversi giorni della settimana. La situazione peggiora per la stazione dei taxi dove non ci sono proprio dati. Anche per la topologia futura considerata e la shopping area, come si `e gi`a sottolineato, sono mancati alcune informazioni essenziali quali, per esempio, la tipologia delle merci e i fattori quantitativi e qualitativi di attrazione. Si `e sopperito a questa carenza con ipotesi di verosimiglianza sulla distribuzione delle attivit`a commerciali e sulla loro capacit`a attrattiva.

4.5 Simulazioni

Le simulazioni effettuate nella stazione di Rimini mostrano un modello autoconsistente, robusto, senza contraddizioni logiche e algoritmiche, fluido anche per un elevato numero di mobber. Inoltre sono stati studiati il comportamento di mobber in presenza di strettoie, porte, ostacoli, incroci, corridoi ed altri situazioni critiche come gi`a descritto nel primo capitolo (cfr. par. 1.5, 1.6 e 1.7).

4.5.1 Ristrutturazione secondo il progetto di Cento Stazioni

Un layout della mobilit`a nell’intera stazione secondo il progetto di ristrutturazione di Cento Stazioni `e riprodotto nella figura 4.11. Sotto sono tracciati i grafici di flusso ottenuti dall’elaborazione dei dati empirici. In rosso sono rappresentate le curve delle partenze e in verde quelle degli arrivi dalle 5:00 alle 24:00. Tramite i cursori si possono variare i parametri di controllo: l’intensit`a delle sorgenti, la velocit`a dei mobber e il tempo scandito minuto per minuto.

1. I mobber in verde si dirigono direttamente ai binari. 2. I mobber in blu escono dall’area.

3. I mobber in rosso hanno una o pi`u Mete Intermedie: biglietteria, supermercato, tabel-lone, sosta breve e sedie.

Figura 4.11 La mappa istantanea di mobilit`a dei mobber che usano la stazione di Rimini, sulla base del progetto di Cento Stazioni.

4.5.2 Comportamento ”intelligente”

Il comportamento ”intelligente” nella scelta tra due porte da parte di popolazioni con mete finali diverse `e riprodotto nella figura 4.12: i mobber in blu sono in arrivo e quelli in rossi sono in partenza.

Figura 4.12 Comportamento ”intelligente”.

Come si vede dalla figura si raggiunge una situazione di equilibrio stabile, che `e preceduta da un transitorio dove la dinamica non `e cosı limpida. Inoltre esiste sempre qualcuno che per i motivi pi`u vari sceglie una porta diversa rispetto a quella scelta dai suoi simili (libero arbitrio, componente stocastica).

4.5.3 Condizioni critiche

In condizioni di sovraffollamento rispetto alla capienza della stazione il fairplay e la gen-tilezza subiscono parecchi colpi. Si generano dinamiche quali quelle dell’effetto mischia, dove conta la forza pi`u che ”l’intelligenza” (cfr. par. 1.7.2).

Si pu`o vedere l’emergere di tre aree critiche nella figura 4.13. Tale figura `e stata ottenuta eseguendo una simulazione in cui si `e aumentato di un fattore 10 la popolazione di mobber presente in stazione verso le 12:00. Nell’uscita di sinistra `e presente un grumo di mobber, un affollamento davanti ai tabelloni nell’atrio e consistenti file alle biglietterie, anche se in questo caso solo il 30% degli utenti deve fare il biglietto. Si pu`o osservare che l’uscita nella parte destra della stazione rimane poco usata.

Figura 4.13 I riquadri in nero delimitano le aree che diventano critiche aumentando di un fattore 10 il numero dei mobber presenti in stazione.