I sistemi di vehicle sharing a flusso libero (VSS), come il car sharing o il bike sharing, hanno trasformato la mobilità urbana offrendo agli utenti la flessibilità di prelevare e lasciare i veicoli in qualsiasi punto dell’area operativa. Tuttavia, questa libertà genera una sfida operativa significativa: il “fenomeno della marea”, ovvero l’accumulo di veicoli in zone a bassa domanda (periferie) e la loro carenza in aree ad alta richiesta (centri città). Per contrastare questi squilibri, i fornitori utilizzano i prezzi dinamici come strumento strategico per influenzare il comportamento degli utenti e garantire una disponibilità ottimale della flotta. A differenza dei sistemi basati su stazioni, dove l’offerta è concentrata in pochi punti, il flusso libero richiede un approccio molto più granulare e sofisticato per gestire la distribuzione spaziale dei veicoli.
Il concetto di “Customer-Centricity” nell’ottimizzazione
L’innovazione principale riguarda il passaggio da un modello di prezzo specifico per il veicolo a uno centrato sul cliente. Mentre gli approcci tradizionali mostrano lo stesso prezzo a tutti gli utenti per un determinato veicolo, il sistema customer-centric determina i prezzi dinamici in base alla situazione specifica dell’utente al momento dell’apertura dell’app. Questo significa che la posizione esatta del cliente e la distanza a piedi dai veicoli disponibili diventano variabili fondamentali. Integrando modelli di scelta discreta, il sistema può calcolare la probabilità che un utente scelga un veicolo specifico in base al prezzo offerto e allo sforzo necessario per raggiungerlo. Questo non è un prezzo personalizzato basato su dati socio-demografici, ma un prezzo situazionale identico per chiunque si trovi nella medesima posizione e affronti la stessa offerta di veicoli.
Prezzi basati sull’origine e visione anticipatoria
Un pilastro fondamentale per l’applicabilità pratica di questi modelli è l’uso di prezzi dinamici basati esclusivamente sul luogo e sull’orario di inizio del noleggio (origin-based). Poiché nel car sharing a flusso libero la destinazione dell’utente è solitamente sconosciuta al momento della prenotazione, non sarebbe pratico richiedere questa informazione o mostrare prezzi basati sulla destinazione, poiché ciò contrasterebbe con la natura spontanea del servizio. Inoltre, l’approccio proposto è “anticipativo”: non si limita a massimizzare il profitto immediato, ma utilizza una programmazione dinamica stocastica per prevedere come le decisioni correnti influenzeranno la posizione futura dei veicoli, i noleggi successivi e, di conseguenza, i profitti a lungo termine.
La scienza dietro l’algoritmo: ADP e dati storici
Per rendere trattabile questo complesso problema decisionale, viene utilizzato un metodo di programmazione dinamica approssimata (ADP) con approssimazione non parametrica della funzione valore. La sfida principale risiede nella “maledizione della dimensionalità”, dovuta all’infinità di possibili stati del sistema in un’area continua. Il modello semplifica il problema assumendo che il valore totale del sistema sia la somma dei valori dei singoli veicoli, permettendo di ottimizzare i prezzi dinamici in tempo reale concentrandosi solo sui veicoli nel raggio d’azione dell’utente. L’uso di dati storici permette di pre-calcolare i valori dei veicoli (se restano fermi o se partono), riducendo al minimo le operazioni numeriche necessarie online. Questo permette all’algoritmo di rispondere in frazioni di secondo a ogni richiesta dell’utente.
Risultati tangibili e impatto sul servizio
Le simulazioni numeriche e un caso di studio reale basato sui dati di Share Now a Vienna hanno dimostrato l’efficacia di questo approccio. Rispetto ai prezzi fissi o ai modelli puramente miopici, l’uso di prezzi dinamici anticipativi e centrati sul cliente può aumentare i profitti fino all’8-13%. Ancora più importante per la soddisfazione dell’utente è l’aspetto legato al livello di servizio: l’approccio anticipativo riduce significativamente la quota di clienti che non trovano alcun veicolo disponibile nel raggio d’azione desiderato. In sostanza, il sistema sacrifica parte del profitto immediato al mattino (offrendo prezzi più bassi per incentivare i viaggi verso zone ad alta richiesta) per raccogliere profitti maggiori nel pomeriggio, quando la flotta è distribuita in modo più efficiente rispetto alla domanda.
Conclusioni sulla mobilità del futuro
In sintesi, l’integrazione di dati in tempo reale sulla posizione degli utenti e modelli algoritmici avanzati consente ai fornitori di VSS di gestire la propria flotta in modo molto più proattivo. L’adozione di prezzi dinamici non è solo una manovra per incrementare i ricavi, ma una necessità operativa per bilanciare un sistema intrinsecamente asimmetrico come il flusso libero. Il successo del caso di studio di Vienna conferma che la combinazione di “customer-centricity” e visione anticipatoria rappresenta il futuro della gestione della mobilità urbana condivisa, garantendo al contempo redditività per l’operatore e un servizio migliore per il cittadino.