Modello causa/effetto

Tali tecniche si fondano sull’interpretazione dei rapporti di causa/effetto che determinano il sinistro. Di seguito si riportano due metodologie che, seppur molto diverse fra loro, si basano sulla interpretazione di tali dipendenze: l’hazard analysis e l’intelligenza artificiale. Confrontando i due modelli risulta evidente una reale fruibilità della hazard analysis nel campo della ingegneria stradale a fronte di una potenzialità solo teorica delle reti neurali.

Inoltre si rileva che la hazard analysis non è subordinata alla disponibilità di affidabili banche dati incidentali, in quanto i dati desumibili da esse possono risultare utili soltanto per ricavare il coefficiente di proporzionalità che correla la probabilità e il numero di eventi.

2.3.3.1 Hazard Analysis

Le tecniche probabilistiche di stima e previsione dell’incidentalità attesa si basano sui rapporti di causa/effetto che determinano il sinistro. L’obiettivo è valutare la probabilità che si verifichi l’evento incidentale in un determinato elemento infrastrutturale in funzione delle caratteristiche geometriche e di traffico che contraddistinguono l’elemento stesso.

A tale scopo è necessario ricostruire la catena di eventi elementari che producono l’incidente e pervenire ad una sua valutazione tramite la stima quantitativa delle probabilità elementari intercettate dai “percorsi critici”.

In altre parole, si considera che l’evento incidentale sia il risultato di una successione di eventi elementari, ognuno dei quali è regolato da una probabilità di accadimento che dipende dalle caratteristiche della strada, dalle sue condizioni di circolazione e dal comportamento degli utenti. La probabilità che nell’unità di tempo e per un singolo utente si verifichi il sinistro è proporzionale al prodotto delle probabilità di tali eventi elementari.

La procedura di analisi si sviluppa tramite la costruzione di un “albero degli eventi” (figura 2.8), che rappresenta tutte le possibili relazioni causa/effetto fra gli eventi elementari. Dall’albero degli eventi è possibile individuare i “percorsi critici”, ovvero le sequenze di eventi elementari che hanno come risultato finale l’incidente.

La probabilità di ciascun percorso critico è determinata dal prodotto delle probabilità degli eventi elementari che lo compongono, e la probabilità di incidente è direttamente proporzionale alla somma delle probabilità dei percorsi critici.

Ad esempio, nell’albero degli eventi per il sorpasso in debito di sicurezza illustrato in figura 2.8 si possono individuare due percorsi critici, il primo formato dagli eventi elementari con probabilità P1, P2, P3, P4 (marcia con interferenze → interferenza non tollerata → visuale libera insufficiente → sorpasso in debito di sicurezza), il secondo dagli eventi elementari con probabilità P1, P2, Q3, Q5, P6 (marcia con interferenze → interferenza non tollerata → visuale libera sufficiente → corsia in senso opposto occupata → sorpasso in debito di sicurezza).

La probabilità di accadimento di ciascun percorso si calcola nel modo seguente:

Ppercorso1 = P1 x P2 x P3 x P4 (2.9)

Ppercorso2 = P1 x P2 x Q3 x Q5 x P6 (2.10)

La probabilità di sorpasso in debito di sicurezza risulta quindi:

P = K x (Ppercorso1 + Ppercorso2 ) = K x (P1 x P2 x P3 x P4 + P1 x P2 x Q3 x Q5 x P6 ) (2.11)

Una fase critica del processo di “hazard analysis” è la costruzione dell’albero degli eventi: anche operando per singole tipologie incidentali, l’articolazione dell’albero risulta particolarmente complessa, in quanto deve descrivere compiutamente tutti i rapporti di causa/effetto che determinano l’evento temuto.

Tuttavia alcune semplificazioni sono possibili. Ad esempio, per la viabilità extraurbana, un’analisi pluriennale della distribuzione dei sinistri per tipologia di cause (ISTAT, Statistiche degli incidenti stradali, 2003) denuncia una stabilità del dato che fa risalire il 98% circa dei sinistri a quattro manovre elementari (figura 2.9):

- sorpasso effettuato in debito di sicurezza (41.7%); - distanziamento inferiore allo spazio d’arresto (34.6%); - velocità incompatibile con le condizioni locali (16.0%); - immissione effettuata in condizioni di rischio (16.0%).

È quindi sufficiente la costruzione di quattro alberi per rappresentare lo scenario incidentale di una infrastruttura viaria, restando esclusi solo i sinistri imputabili alla casualità degli eventi (Benedetto e De Blasiis, 2004).

Figura 2.9 – Principali cause di incidente (ISTAT, 2001; Benedetto e De Blasiis, 2004).

Un altro problema è la stima delle probabilità elementari intercettate dai percorsi critici. Esse possono essere suddivise in tre classi:

a) le probabilità dipendenti dal carico di traffico e dalle condizioni ambientali, determinabili sia utilizzando sia le banche dati disponibili, sia tramite opportune indagini preliminari a livello territoriale;

b) le probabilità dipendenti dalle interferenze veicolari, stimabili tramite la verifica e l’elaborazione numerica dei tradizionali modelli (HCM) su cui si basa la teoria del traffico e della circolazione veicolare;

c) le probabilità dipendenti dal comportamento degli utenti indotto dalla strada e dalle sue condizioni di funzionalità; sono ovviamente le più difficili da valutare e la loro stima rappresenta l’attuale frontiera della ricerca.

guidatore è necessario per costruire l’albero degli eventi, mentre il comportamento dell’utenza è impiegato per determinare la probabilità di accadimento degli eventi elementari. Rimangono comunque molte perplessità relative alla stima della probabilità di incidente. L’“hazard analysis”, inoltre, non considera, nei calcoli, la storia dell’incidentalità dell’infrastruttura.

2.3.3.2 Modello di Intelligenza Artificiale (Reti neurali)

I modelli basati sull’Intelligenza Artificiale si basano su algoritmi specifici atti all’apprendimento dei rapporti causa/effetto che si determinano fra le variabili di input (condizioni ambientali, di traffico e geometrie progettuali) e gli output incidentali (localizzazione e frequenza dei sinistri). Tali algoritmi sono detti reti neurali (figura 2.10). Essi memorizzano e interpretano i rapporti di causa/effetto di rilevante complessità tramite la fase di apprendimento (training) e di generalizzazione (test). In settori diversi da quello stradale, le reti neurali, organizzate e addestrate opportunamente, hanno permesso di ricostruire le relazioni di causa-effetto che regolano i fenomeni di rilevanti complessità, comparabili a quelli dell’evento incidentale.

Nel campo stradale, invece, la loro applicazione è complessa, in quanto uno dei limiti di tale modello, basato sull’intelligenza artificiale, è che richiede una fase di implementazione dei dati di input molto laboriosa e per la quale serve una ampia e flessibile banca dati.

Pertanto, nel campo stradale, tale metodo deve essere applicato a tratte omogenee per tipologia di sezione, standard geometrici, motivazione dello spostamento e per condizioni climatiche. Inoltre si fa presente che un altro limite di tale strumento è che l’architettura di rete ed il processo di apprendimento hanno valore solo per l’applicazione in esame e, pertanto, non possono essere generalizzati.

Figura 2.10 – Schema rete neurale

Infine le reti neurali non permettono di esplicitare i rapporti fra i dati di input e gli utput ottenuti, in quanto la rete neurale si comporta come una “scatola chiusa”, ed è uindi molto difficile comprenderne il funzionamento. Spesso ci si deve limitare a fidarsi dell'addestramento, senza avere la possibilità di controllare cosa effettivamente avvenga dentro la rete.