Università degli Studi di Roma “La Sapienza”

Dottorato di ricerca in Ingegneria dei Trasporti

Il problema di progetto di rete in contesto

multiutente, multimodo e a domanda elastica

Candidato : Coordinatore e Relatore :

Guido Gentile Prof. Natale Papola

XII ciclo del Dottorato di ricerca

 INDICE
pag.

Premessa 1

Introduzione 2

PARTE PRIMA – Formulazione del NDP 6

1 Analisi del NDP nel contesto della microeconomia 6

1.1 Teoria microeconomica del consumatore 7

1.2 Monetizzazione di una modifica dei prezzi 9

1.3 Estensione al caso dei trasporti 10

1.4 Funzione obiettivo 13

2 Modello di equilibrio 16

2.1 Proprietà del modello di scelta 17

2.2 Introduzione dei livelli di scelta 19

2.3 Aggregazione degli utenti in classi 21

2.4 Modello di domanda 22

2.5 Modello di offerta 24

2.6 User Equilibrium e System Equilibrium 26

2.7 Teoremi di esistenza ed unicità 27

3 Formalizzazione del NDP 30

i
PARTE SECONDA – Progettazione dei pedaggi 32

4 Il pricing 32

5 Ottimizzazione dei pedaggi 34

5.1 Formalizzazione del problema e caratterizzazione delle soluzioni 34

5.2 Risoluzione del problema in termini di pedaggi d’arco 39

6 Il System Optimum 41

PARTE TERZA – Progettazione congiunta dei pedaggi e di altre caratteristiche

dell’offerta 45

7 Formalizzazione del problema e caratterizzazione delle soluzioni 45

8 Risoluzione mediante la formulazione di problemi di assegnazione

equivalenti 49

8.1 Assegnazione con modifica della funzione di costo d’arco 50

8.2 Assegnazione alla iper rete con archi fittizi di investimento 52

8.3 Vincolo di budget e decomposizione alla Steenbrink 55

8.4 Confronto tra gli algoritmi risolutivi proposti 56

9 Applicazione del metodo all’ottimizzazione congiunta di pedaggi e

frequenze 57

ii
PARTE QUARTA – Progettazione dell’offerta mediante l’analisi di sensitività
dell’assegnazione 62

10 Formalizzazione del problema e caratterizzazione delle soluzioni 62

11 Risoluzione del problema 64

11.1 Calcolo dei rendimenti a flussi variabili 64

11.2 Formulazione di un problema di assegnazione equivalente 66

12 Analisi di sensitività per modelli di tipo Logit 68

12.1 Logit multinomiale 70

12.2 Logit gerarchizzato 71

12.3 Algoritmo per il calcolo delle probabilità d’arco ad enumerazione

implicita delle alternative 73

Conclusioni 76

APPENDICE 78

Notazione sintetica e relative regole di derivazione 78

Il teorema del risvolto 80

Altri risultati di interesse generale 81

Bibliografia 83

iii
Premessa
Lo squilibrio tra la domanda e l’offerta di trasporto, da cui dipendono gli alti
livelli di congestione oggi sperimentati in molte realtà urbane, determina costi
sociali elevatissimi, sia in termini di perditempi, consumi e stress individuali, sia
in relazione al degrado ambientale provocato dalla circolazione dei veicoli
(inquinamento atmosferico, acustico, visuale ed effetti di separazione del
territorio). Una elevata congestione ostacola quindi la dinamica sociale ed
economica della città e incide negativamente sulla qualità della vita dei suoi
abitanti. Inoltre l’inquinamento che ne deriva raggiunge a volte livelli tali da
mettere a repentaglio la salute dei cittadini, costringendo le autorità pubbliche a
decretare blocchi temporanei della circolazione, con conseguente impedimento di
molte attività.
Di qui l’opportunità di intervenire sul sistema di trasporto al fine di ridurre i
tempi di viaggio e le emissioni dei veicoli, migliorando l’accessibilità del tessuto
urbano e contenendo l’inquinamento entro livelli accettabili.
D’altra parte, l’accesa concorrenza internazionale dovuta alla globalizzazione
dei mercati impone agli Stati ferree regole di bilancio. In questo contesto di ridotta
disponibilità di capitali, poiché la realizzazione di nuove infrastrutture di trasporto
richiede in genere investimenti di notevole entità, la scelta tra le molteplici
possibili modifiche da apportare all’offerta deve essere adeguatamente supportata
da valutazioni quantitative.
Ne deriva l’esigenza di individuare metodologie che non si limitino a fornire
un supporto alle decisioni, come i modelli di simulazione, ma consentano invece
di individuare le soluzioni progettuali più efficienti. Gli strumenti di
ottimizzazione delle reti di trasporto, oggetto di questa Tesi, rispondono a tale
requisito.
Lo squilibrio tra domanda e offerta, oltre che all’inadeguatezza di quest’ultima,
è dovuto al fatto che gli utenti, a causa della presenza degli effetti esterni
(congestione ed inquinamento), non percepiscono tutti i costi sociali che generano
effettuando gli spostamenti. Ne segue che uno degli strumenti più efficaci per
conseguire un impiego ottimale della rete esistente è il pricing (imposizione di
pedaggi sugli archi della rete), cui viene pertanto dedicata particolare attenzione in
questa sede.
La specificità del presente lavoro è quella di trattare il problema di progetto di
rete in contesto multiutente, multimodo e a domanda elastica. Multiutente, perché
individui con reddito differente reagiscono in modo diverso all’introduzione di un
sistema di pricing. Multimodo, perché in presenza di elevati livelli di congestione
non è possibile soddisfare con adeguati livelli di servizio le esigenze di mobilità
prescindendo dal trasporto collettivo, in quanto quest’ultimo risulta più efficiente

1
nell’uso della risorsa scarsa spazio rispetto all’auto privata. A domanda elastica,
perché l’efficacia di un intervento sull’offerta in campo urbano deve essere
valutata tenendo conto almeno dei suoi effetti sulla ripartizione modale, e perché i
principali effetti del pricing sono la riduzione della generazione di spostamenti e il
riequilibrio modale.
Nel concludere questa breve premessa vorrei ringraziare il Prof. Papola, mio
maestro, e il Prof. Bellei, i quali hanno contribuito in modo sostanziale alle idee
presentate nel presente lavoro.

Introduzione
L’oggetto del problema di progetto di rete (Network Design Problem - NDP) è
la modifica dell’offerta al fine di conseguire specifici obbiettivi di tipo sociale, nel
rispetto del vincolo di equilibrio fra domanda e offerta di trasporto.
Secondo una consuetudine accettata, il problema può assumere una forma
discreta o una forma continua. Il NDP discreto concerne la determinazione della
topologia della rete attraverso variabili booleane pari ad 1 se il progetto cui si
riferiscono viene realizzato e 0 altrimenti, mentre il NDP continuo assume la
topologia come data e riguarda la configurazione dei parametri che definiscono le
caratteristiche degli elementi della rete (es. le capacità degli archi stradali, le
frequenze delle linee di trasporto collettivo, i pedaggi e le tariffe, la ripartizione
del verde nelle intersezioni semaforizzate).
La distinzione tra la forma continua e quella discreta del NDP non è assoluta.
Infatti, da una parte le variabili di progetto continue possono essere sostituite con
variabili discrete che individuino diversi livelli del parametro oggetto della
progettazione, dall’altra l’indicazione di includere o meno un elemento della rete
nel progetto può essere fornita dal valore positivo o nullo, rispettivamente,
assunto da una variabile continua.
Il NDP discreto (Magnanti e Wong, 1984) può essere risolto in modo esatto
mediante tecniche di ottimizzazione combinatoria, quali i metodi di tipo branch &
bound. D’altra parte, la complessità di tali algoritmi cresce molto rapidamente con
il numero delle variabili di progetto considerate, fino a rendere il problema non
trattabile dal punto di vista computazionale. L’avvento di metodi di
ottimizzazione probabilistica, quali gli algoritmi genetici apre nuove prospettive
per la risoluzione del NDP discreto (Vitetta, 1995); comunque in questa sede ci si
limita a considerare la forma continua del problema.
Poiché non esiste a tutt’oggi un metodo generale che sfrutti la struttura a più
livelli nella risoluzione dei problemi di ottimizzazione, il NDP continuo è stato
formulato utilizzando vari approcci che qui vengono classificati in quattro gruppi a
seconda della strategia utilizzata per ridurre il problema, intrinsecamente bilivello,
ad un problema di ottimizzazione ad un solo livello o ad una sequenza di questi.

2
 Cournot Nash. L’approccio consiste nel risolvere iterativamente una
assegnazione a variabili di progetto fissate e una ottimizzazione delle variabili di
progetto a flussi costanti. Tale metodo prende il nome di Iterative Optimisation
Assignment (LeBlanc e Abdulaal, 1984) e, se converge, individua uno stato di
equilibrio per il gioco di Cournot Nash, in cui il leader (la pubblica
amministrazione) determina le scelte progettuali ignorando la reazione dei
followers (gli utenti) e basandosi dunque sullo stato attuale del sistema. D’altra
parte il NDP consiste piuttosto in un gioco di Stackelberg, ove il leader decide
tenendo conto della reazione dei followers. Il metodo è pertanto una euristica
(Fisk, 1984) e può condurre anche a soluzioni molto diverse dall’ottimo globale
(Marcotte, 1981)
Progettazione normativa. L’approccio consiste sostanzialmente nell’eliminare
il vincolo di equilibrio, assumendo che la pubblica amministrazione, oltre che
stabilire la soluzione del progetto nel rispetto dei vincoli esistenti sulle relative
variabili, possa controllare direttamente le scelte degli utenti, ossia possa
determinare la configurazione dei flussi, purché ne mantenga la consistenza, come
nel pionieristico lavoro di Steenbrink (1974). Il problema si riduce così ad una
ottimizzazione non lineare nei flussi e nelle caratteristiche dell’offerta, che
comunque risulta non convesso così come il generico NDP .
Vincolo di equilibrio in forma esplicita. L’approccio consiste nel formalizzare
l’equilibrio mediante un sistema di equazioni e/o disequazioni da porre a vincolo
della funzione obbiettivo e nel risolvere il problema di ottimizzazione in forma
standard che ne risulta. Ma operando in tal modo l’insieme ammissibile risulta
particolarmente complesso, pertanto l’applicazione dei metodi classici di
ottimizzazione non lineare è sostanzialmente impraticabile. Con riferimento al
caso deterministico, in cui l’equilibrio può essere formalizzato mediante un
sistema di disequazioni variazionali, Marcotte (1983) ha proposto un algoritmo ad
hoc basato sul metodo dell’accumulazione dei vincoli, ma tale procedimento può
essere applicato solo a reti di ridotte dimensioni.
Funzione di assegnazione. L’approccio consiste nel definire una funzione che
fornisca i flussi di equilibrio in corrispondenza di una qualsiasi specificazione
ammissibile delle variabili di progetto e nell’eliminare il vincolo di equilibrio
esprimendo i flussi attraverso di essa. Il problema risultante è ad un solo livello e
risulta “quasi non vincolato” (rimangono solo i vincoli sulle variabili di progetto).
D’altra parte il calcolo di tale funzione, come dice il nome, richiede la risoluzione
di un problema di assegnazione e pertanto essa non è esprimibile in forma chiusa.
Ne segue che, o si fa uso di tecniche di discesa senza derivate quali l’algoritmo di
Hooke - Jeeves e quello di Powell , come in Abdulaal e LeBlanc (1979), oppure
occorre impiegare l’analisi di sensitività per calcolare le derivate della funzione di
assegnazione (Tobin e Friesz, 1988; Davis, 1994, Yang, 1997). A questo punto,

3
una soluzione locale del problema può essere efficacemente individuata mediante
l’impiego dei metodi classici dell’ottimizzazione non lineare.
Poiché il problema è non convesso, volendo individuare una soluzione globale
è possibile impiegare i più onerosi metodi di ottimizzazione probabilistica, quali il
simulated annealing (Friesz et al. , 1992) e la tabu search. Poiché detti metodi
richiedono molti calcoli della funzione obbiettivo può risultare conveniente
utilizzare un algoritmo di assegnazione ad enumerazione esplicita dei percorsi.
Sempre al fine di rendere il calcolo della funzione obbiettivo meno oneroso, è
possibile sostituire la funzione obbiettivo del problema con una sua
approssimazione esprimibile in forma chiusa, utilizzando ad esempio una rete
neurale (Xiong e Schneider, 1991) o una forma polinomiale (Ferrari, 1999). La
funzione approssimante deve essere però calibrata rispetto ad un campione
ottenuto mediante un opportuno numero di assegnazioni corrispondenti a
configurazioni di progetto estratte casualmente.
Facendo specifico riferimento alla mobilità delle persone, nella presente Tesi
l’equilibrio verrà formalizzato come problema di punto fisso impiegando, per
quanto riguarda la domanda, modelli comportamentali a domanda elastica fondati
sulla teoria dell’utilità aleatoria e per quanto riguarda l’offerta, reti congestionate
in contesto multiutente e multimodo con funzioni di costo non separabili.
L’impiego dei modelli di utilità aleatoria consentirà di formulare l’equilibrio
all’interno della ben consolidata teoria microeconomica del consumatore,
riguardando l’effettuazione di uno spostamento come atto del tutto analogo al
consumo di un qualunque bene o servizio ed ipotizzando che ciascun utente
effettui le sue scelte di mobilità ottimizzando la propria utilità individuale (Trip
Consumer Approach - TCA). Ne consegue che il NDP è riconducibile ad un
problema di ottimizzazione di una qualche funzione delle utilità individuali che
misuri il benessere sociale con a vincolo l’ottimizzazione di quelle stesse funzioni
di utilità individuale, singolarmente prese. Il NDP è cioè per sua natura un
problema di ottimo bilivello e la microeconomia neoclassica costituisce il contesto
teorico nel cui ambito analizzare la coerenza interna del problema.
La Tesi è articolata in quattro parti.
Nella Parte Prima il NDP viene inquadrato nel contesto della microeconomia
specificando le ipotesi che permettono di ricondurre nell’ambito della teoria del
consumatore i modelli di domanda di trasporto basati sulla teoria dell’utilità
aleatoria ed identificando la funzione obbiettivo con il surplus sociale, che misura
il benessere sociale di un intervento di modifica dell’offerta di trasporto
sommandone gli effetti sugli individui valutati in termini monetari. Viene quindi
formalizzato il modello di equilibrio multiutente e multimodo e a domanda
elastica posto a vincolo del NDP , specificando le proprietà dei modelli di
domanda e di offerta che consentono di stabilirne esistenza ed unicità della

4
soluzione. Con riferimento al contesto in esame, viene introdotto il System
Equilibrium (SE), come uno User Equilibrium (UE) ottenuto sostituendo i consti
medi individuali con i costi marginali sociali.
Nella Parte Seconda viene affrontato lo studio del particolare NDP che ha per
oggetto la determinazione di un sistema di pricing ottimale rispetto al surplus
sociale, assumendo la possibilità di applicare un pedaggio distinto per classe di
utenti su ciascun arco della rete. La soluzione di tale NDP in termini di flussi è un
SE. Essa in termini di pedaggi è pertanto data dalla differenza tra i costi marginali
sociali ed i costi medi individuali. Anche la soluzione del problema di allocazione
delle risorse che ha per oggetto la determinazione della configurazione ottimale
dei flussi rispetto al surplus sociale, detta ottimo di sistema o System Optimum
(SO) , è un SE. Questi risultati estendono la validità del principio del marginal
pricing al caso di modelli di domanda basati sulla teoria dell’utilità aleatoria.
Nella Parte Terza i pedaggi vengono ottimizzati congiuntamente ad altre
variabili di progetto, quali ad es. le capacità degli archi stradali e le frequenze
delle linee di trasporto collettivo. In questo caso, la soluzione, oltre a realizzare un
SE , deve rispettare la seguente condizione di ottimalità sui rendimenti a flussi
costanti, che esprimono il rapporto tra la riduzione marginale dei costi sociali
conseguente ad un intervento marginale sull’offerta e il corrispondente
incremento marginale dell’investimento, a flussi costanti: i rendimenti di tutti gli
interventi realizzati devono essere uguali e non inferiori a quelli degli interventi
non realizzati. Il NDP viene prima ricondotto ad un problema di assegnazione di
equilibrio equivalente e quindi risolto mediante un algoritmo di punto fisso di tipo
MSA (Method of Successive Averages). A tal fine vengono presentati due metodi,
il primo dei quali si basa su una modifica della funzione di costo d’arco; il
secondo implica invece l’introduzione di una iper rete con archi fittizi di
investimento. Viene infine presentato il caso della progettazione delle frequenze
con riferimento ad una rete reale aggregata.
Nella Parte Quarta viene rimossa l’ipotesi che sia possibile applicare un
pedaggio su ciascun arco e si prende in considerazione il problema di progetto di
rete nella sua forma generale, dove non è possibile realizzare l’ottimo di sistema
mediante l’applicazione dei pedaggi marginali. La soluzione deve rispettare una
condizione di ottimalità analoga alla precedente ma riferita ai rendimenti a flussi
variabili, che esprimono l’incremento marginale di surplus sociale tenendo conto
anche degli effetti indotti dalla variazione dei flussi conseguente alla modifica
dell’offerta. Il calcolo dei rendimenti a flussi variabili richiede l’analisi di
sensitività dell’assegnazione che viene affrontata con riferimento al modello di
equilibrio considerato. Particolare attenzione è dedicata ai modelli di scelta di tipo
Nested Logit per i quali si individua un metodo di calcolo dello Jacobiano della
funzione di assegnazione ad enumerazione implicita dei percorsi.

5
 PARTE PRIMA – Formulazione del NDP

1 Analisi del NDP nel contesto della microeconomia

Il generico NDP può essere formalmente espresso mediante il seguente
problema di ottimizzazione non lineare:
max f, t, z S( f, t, z) (1)
s.t.
t∈St , z∈Sz
...
f = f UE
ove il vincolo di coerenza tra domanda ed offerta di trasporto è espresso dalla
configurazione dei flussi di equilibrio sulla rete f UE , f , t e z sono rispettivamente
i vettori dei flussi, dei pedaggi e delle altre variabili di progetto, Sf , St e Sz sono i
rispettivi insiemi ammissibili, la funzione S( f, t, z) esprime il benessere sociale,
mentre i puntini di sospensione stanno ad indicare altri vicoli posti dalla Pubblica
Amministrazione (PA) al momento inessenziali. Si noti che poiché per sua natura
la configurazione dei flussi di equilibrio è ammissibile, ossia f UE∈Sf , nella (1)
non è necessario esplicitare il vincolo f∈Sf . La particolare struttura e complessità
del problema dipende dalla forma della funzione obiettivo, da come vengono
rappresentate la domanda e l’offerta per formulare il vincolo di equilibrio, dalle
variabili di progetto e dagli altri vincoli.
Giova evidenziare che poiché l’utente produce i propri spostamenti e
contestualmente li consuma, quello tra domanda ed offerta di trasporto non si
configura come un equilibrio generale alla Walras; si tratta piuttosto di riprodurre
la domanda in presenza degli effetti esterni dovuti alla congestione,
rappresentando quest’ultima mediante le funzioni di prestazione dell’offerta.
Per inquadrare il NDP nel contesto della microeconomia occorre pertanto
derivare un modello di domanda di trasporto dalla teoria del consumatore ed
individuare una funzione delle utilità individuali che misuri il benessere sociale.
In Oppenheim (1995) il TCA viene adottato per formalizzare l’equilibrio come
problema di ottimo equivalente mettendo in evidenza la possibilità di estenderne
l’impiego all’NDP. In Jara-Diaz e Farah (1988) viene invece affrontato
l’argomento della monetizzazione dei benefici dell’utente con specifico riguardo
ai progetti di trasporto, mostrando come il surplus del consumatore di spostamenti
rifletta tutti gli effetti sull’individuo connessi con un intervento di modifica
dell’offerta.
Qui di seguito sono riportati gli elementi della teoria microeconomica del

6
consumatore essenziali alla formalizzazione del NDP in tal contesto, rimandando
per maggiori dettagli al testo di Luenberger (1995).

1.1 Teoria microeconomica del consumatore

La teoria del consumatore si prefigge di rappresentare il comportamento di un
individuo in relazione alle sue scelte di consumo. Essa postula che l’individuo sia
in grado di ordinare, in base ad una relazione di preferenza, i panieri di beni
disponibili e che scelga il migliore compatibile con il suo reddito.
Assumendo l’esistenza di una funzione di utilità diretta, o utilità a priori,
continua u: X ⊆ℜm → ℜ che rappresenti le preferenze individuali, il problema del
consumatore si configura come un problema di ottimizzazione così formulato:
v(p, b) = max x u(x) s.t.: pT⋅x ≤ b , x∈X , (2)
dove v(p, b) è per definizione la funzione di utilità indiretta, o utilità a posteriori,
e dove x ≥ 0 sono le quantità dei beni, p ≥ 0 sono i relativi prezzi unitari, b > 0 è il
reddito dell’individuo e risulta X∩{x∈ℜm: pT⋅x ≤ b} ≠ ∅. La soluzione del
problema, d(p, b) , è per definizione la domanda Marschalliana. Vale la relazione:
v(p, b) = u(d(p, b)) . (3)
Strettamente connesso al problema del consumatore è il problema della
minimizzazione della spesa totale, che consiste nel minimizzare la spesa
necessaria al raggiungimento da parte dell’individuo di un determinato livello di
utilità w :
e(p, w) = min x pT⋅x s.t.: u(x) ≥ w , x∈X , (4)
dove e(p, w) è per definizione la funzione di spesa e dove è X∩{x∈ℜm: u(x) ≥ w}
≠ ∅. La soluzione del problema, h(p, w) , è invece la domanda compensata, o
domanda Hicksiana. Vale la relazione:
e(p, w) = pT⋅h(p, w) . (5)
Teorema dell’equivalenza: Si assuma la non sazietà locale, formalmente
espressa da : ∀x∈X e ∀ε > 0 , ∃y∈X , con ||x-y|| < ε , tale che u(y) > u(x) ; ∀x∈X ,
con pT⋅x ≤ b , e ∀ε > 0 , ∃y∈X , con ||x-y|| < ε , tale che pT⋅y < b . a) Se x* risolve
il problema (2), allora risolve anche il problema (4), con w = v(p, b). b) Se x*
risolve il problema (4), allora risolve anche il problema (2), con b = e(p, w).
Valgono le seguenti relazioni:
e(p, v(p, b)) = b , (6)
v(p, e(p, w)) = w , (7)
d(p, b) = h(p, v(p, b)) , (8)
h(p, w) = d(p, e(p, w)) . (9)
Dimostrazione: a) Supponiamo per assurdo che x* risolva il problema (2) con
v(p, b) = w , ma non il problema (4). Esiste quindi x ≠ x*∈X con pT⋅x < pT⋅x* e

7
u(x) ≥ w . Per la non sazietà locale vicino ad x esiste y∈X con pT⋅y ≤ pT⋅x* ≤ b e
u(y) > u(x) ≥ w. Ciò contraddice l’ipotesi che w = v(p, b) . b) Supponiamo per
assurdo che x* risolva il problema (4) con e(p, w) = b , ma non il problema (2).
Esiste quindi x ≠ x*∈X con u(x) > u(x*) e pT⋅x ≤ b . Per la non sazietà locale e la
continuità vicino ad x esiste y∈X con u(y) ≥ u(x*) ≥ w e pT⋅y < pT⋅x ≤ b . Ciò
contraddice l’ipotesi che b = e(p, w) .
Lemma di Shephard. Se e(p, w) è differenziabile in p ed h(p, w) è una
funzione, allora vale la relazione:
∂ e ( p, w )
= h j ( p, w ) j = 1, … , m . (10)
∂p j
Dimostrazione: La funzione g(p’) = e(p’, w) -p’T⋅h(p, w) è sempre minore o
uguale a zero e si annulla in p . Poiché g(p’) è differenziabile ed assume il valore
massimo in p, devono essere rispettate le seguenti condizioni necessarie:
∇p’ g(p) = 0, che coincidono con l’asserto.
Identità di Roy: Posto che siano verificate le ipotesi del teorema
dell’equivalenza, se v(p, b) e d(p, b) sono funzioni differenziabili, allora vale la
relazione:
∂ v ( p, b )
∂p j
d j ( p, b ) = − j = 1, … , m . (11)
∂ v ( p, b )
∂b
Dimostrazione: In base alla (8), poiché d(p,b) e v(p,b) sono funzioni
differenziabili, lo è anche h(p, w). In base alla (5) ne segue che anche e(p, w) è
differenziabile. Vale pertanto il lemma di Shephard. Derivando entrambi i membri
della (7) rispetto a pj e tenendo presente che per il teorema dell’equivalenza risulta
e(p, w) = b , si ha:
∂ v( p, e( p, w)) ∂w ∂ v ( p, b ) ∂ v ( p, b ) ∂ e ( p, w )
= + ⋅ =0 ,
∂p j ∂pi ∂p j ∂b ∂p j
da cui in base alla (10) si ottiene:
∂ v( p, b )
∂p j
h j ( p, w) = − .
∂ v( p, b )
∂b
Poiché per il teorema dell’equivalenza è w = v(p, b), in base alla (8) dalla
relazione precedente si ottiene la (11).
Equazione di Slutsky: Posto che siano verificate le ipotesi dell’identità di
Roy. Vale la seguente relazione:

8
∂ d i ( p, b ) ∂ h i ( p , w ) ∂ d i ( p, b )
= − ⋅ d j ( p, b ) i, j = 1, … , m , (12)
∂p j ∂p j ∂b
con w = v(p, b).
Dimostrazione: Poiché d(p,b) e v(p,b) sono funzioni differenziabili, lo sono
anche h(p, w) ed e(p, w). La derivata parziale dell’i-esima componente della
domanda rispetto al j-esimo prezzo calcolata per entrambi i membri della (9)
fornisce la seguente relazione:
∂ h i ( p, w ) ∂ d i ( p, e ) ∂ d i ( p, e ) ∂ e ( p, w )
= + ⋅ i, j = 1, … , m .
∂p j ∂p j ∂e ∂p j
Da questa, mediante le stesse argomentazioni utilizzate per dimostrare la validità
dell’identità di Roy si ottiene l’asserto.

1.2 Monetizzazione di una modifica dei prezzi

La modifica di un sottoinsieme di prezzi comporta una variazione dell’utilità
individuale che può essere misurata in termini monetari valutando l’incremento di
reddito EV (da Equivalent Variation) che induce sull’utilità indiretta lo stesso
effetto della modifica dei prezzi. Prendendo come riferimento l’utilità w 1 relativa
allo stato finale del sistema e tenendo presente il teorema dell’equivalenza, si ha:
v(p 0, b +EV) = v(p1, b) = w 1 ,
e(p 0, v(p 0, b +EV)) = b +EV ,
e(p1, v(p1, b)) = b .
Sottraendo membro a membro le ultime due si ottiene:
EV = e(p 0, w1) -e(p1, w1) , (13)
0 1
ove p e p indicano i prezzi interessati dalla modifica vigenti rispettivamente
prima e dopo l’intervento. Tenendo presente il lemma di Shephard la (13) può
essere scritta come:
p0 p0

∫ (
EV = d p e p, w = h p, w11
) ∫ ( )T
⋅d p . (14)
1 1
p p

La (14) fornisce una misura rigorosa dell’equivalente monetario di una variazione

di utilità fondata su basi teoriche, ma non è utile da un punto di vista operativo
perché la domanda Hicksiana non è osservabile.
Nel caso in cui il consumo dei beni cui sono associati i prezzi interessati dalla
modifica dell’offerta risulti indipendente dal reddito (∂di(p, b)/∂b ≈ 0), tenendo
presente l’equazione di Slutsky, le relative componenti della domanda Hicksiana,
lette in funzione di detti prezzi, possono essere approssimate con quelle della
domanda Marschalliana, che è osservabile. Si ha, cioè:
p0 p0

∫ ( ) ⋅ d p ≈ d( p, b ) ⋅ d p = SC ,
1 T
∫
T
EV = h p, w (15)
1 1
p p

9
ove SC è il surplus del consumatore, che risulta, sotto tale ipotesi, indipendente
dal percorso di integrazione.
Se poi si assume che l’utilità marginale del reddito sia costante e positiva
(∂v(p, b)/∂b = γ > 0), tenendo presente l’identità di Roy, dalla (15) si ottiene:
∂ v ( p, b )
p1
EV = SC = ∫∑
∂p j
γ
⋅d pj =
1
γ
[( ) (
⋅ v p1 , b − v p 0 , b )] . (16)
p 0 j

1.3 Estensione al caso dei trasporti

I modelli di domanda di trasporto generalmente impiegati nella formulazione
dell’equilibrio si basano sull’ipotesi che l’individuo disponga di un insieme J
discreto, finito e non vuoto di alternative di spostamento e scelga una di esse
(discrete choice analysis). Dette alternative costituiscono un sottoinsieme di beni;
risulta allora possibile derivare un modello di domanda su basi teoriche
direttamente dalla teoria del consumatore ricavando la domanda Marschalliana ad
esse relativa.
Formalmente il vettore paniere dei beni viene partito in due sottovettori (x, y),
ove x∈X⊆ℜ|J| sono le quantità associate alle alternative di spostamento e
y∈Y⊆ℜm le quantità degli altri beni, e si assume l’esistenza di una funzione di
utilità u(x, y) che rappresenti le preferenze dell’individuo.
La funzione di utilità parziale indiretta rispetto ad y fornisce la massima utilità
ottenibile per x∈X dato:
uy(x) = max y u(x, y) s.t.: pT⋅x +π T⋅y ≤ b , y∈Y , (17)
ove p e π sono rispettivamente i costi monetari associati alle alternative di
spostamento e i prezzi degli altri beni. Assumendo che per ogni x∈X esistano
degli y∈Y compatibili con il vincolo di bilancio, ossia che risulti Y ∩ {y∈ℜm :
pT⋅x +π T⋅y ≤ b} ≠ ∅ , la domanda di spostamenti può essere ottenuta risolvendo il
seguente problema nelle sole x :
max x uy(x) s.t.: x∈X . (18)
Assumendo l’ipotesi che le preferenze relative agli spostamenti siano
indipendenti dalle quantità degli altri beni consumate e viceversa, la funzione di
utilità risulta separabile (Luenberger, 1995, p.117) e può essere posta nella forma:
u(x, y) = U(x, υy(y)) , (19)
con U strettamente crescente in υy(y) .
La (17) tenendo conto della (19) diventa:
uy(x) = U(x, ϖy(π, b -pT⋅x)) , (20)
ove ϖy è la funzione di utilità indiretta relativa al seguente problema:

10
max y υy(y) s.t.: π T⋅y ≤ b -pT⋅x , y∈Y . (21)
L’utilità indiretta ϖy dipende dalle scelte di mobilità x solamente per effetto della
diminuzione del reddito disponibile per l’acquisto degli altri beni conseguente alla
spesa sostenuta per il trasporto.
Assumendo l’ulteriore ipotesi che υy(y) sia omogenea di grado uno, si ha
(Luenberger, 1995, p.161):
ϖy(π, b -pT⋅x) = (b -pT⋅x)⋅γ(π ) . (22)
Nel seguito si assume l’ipotesi che, in presenza di modifiche dell’offerta di
trasporto, π si conservi costante e che γ = γ(π ) > 0 .
Sostituendo, la (22) nella (20), la (18) diventa:
max x U(x, (b -pT⋅x)⋅γ ) s.t.: x∈X . (23)
Le ipotesi di indipendenza e di omogeneità assunte consentono di rappresentare la
domanda di trasporto sintetizzando la dipendenza delle scelte relative agli
spostamenti dalle scelte relative al consumo degli altri beni mediante il solo
scalare γ .
In virtù della natura discreta delle scelte di mobilità si ha X = {x∈ℜ|J| : xj∈{0,1}
j = 1, … , |J| , xT⋅1 = 1} e pertanto il problema (23) può essere formalizzato senza
esplicitare le variabili x :
max j∈J Uj((b -pj)⋅γ ) , (24)
ove Uj fornisce l’utilità di scegliere l’alternativa j∈J .
Nei modelli di domanda di trasporto, oltre al costo monetario pj, viene
introdotto un vettore di attributi Qj caratteristici della generica alternativa j. Tale
procedura è corretta anche dal punto di vista della teoria economica. L’utilità della
generica alternativa assume pertanto la seguente forma:
Uj = Uj(Qj , (b -pj)⋅γ ) j = 1, … , |J| . (25)
Nei modelli di utilità aleatoria le Uj vengono rappresentate mediante variabili
casuali con un’utilità media Vj finita, detta utilità sistematica, più un residuo
aleatorio εj a media nulla:
Uj = Vj(Qj , (b -pj)⋅γ ) +εj j = 1, … , |J| . (26)
In questa sede si assume che la funzione di densità di probabilità congiunta dei
residui aleatori sia continua, dando luogo a modelli di scelta probabilistici, ed
indipendente dalle utilità sistematiche, dando luogo a modelli di scelta additivi.
L’aleatorietà delle Uj consente di determinare la soluzione del problema (24) solo
in termini probabilistici. Di conseguenza, la probabilità che l’alternativa j venga
scelta, detta probabilità di scelta “tout court” e nel seguito indicata con Pj , si
sostituisce alla domanda Marschalliana. In base alle ipotesi assunte per il modello
di scelta, Pj coincide con la probabilità che j sia l’alternativa di massima utilità:
Pj = Pr[Uj = max h∈J Uh] = Pr[Vj+εj ≥ Vh+εh ∀h∈J] j = 1, … , |J| . (27)

11
Analogamente il valor medio della massima utilità, detto soddisfazione e nel
seguito indicato con W, si sostituisce all’utilità indiretta:
W = E[max j∈J Vj+εj] . (28)
L’utilità dello spostamento si compone di termini positivi, legati all’attività
svolta a destinazione, e di termini negativi, connessi all’effettuazione dello stesso
(tempo, costo monetario, stress ecc.). Questi ultimi sono sintetizzati dal costo
generalizzato che, espresso in termini monetari, assume il ruolo di “prezzo”
dell’alternativa di spostamento. Coerentemente con l’introduzione di tale
concetto, si assume che l’utilità sistematica della generica alternativa possa essere
posta nella seguente forma:
Vj(Qj+, [b -(pj +f(Qj-)]⋅γ ) = Vj(Qj+, (b -Cj)⋅γ ) j = 1, … , |J| , (29)
+ -
ove Qj è stato bipartito nei sottovettori Qj e Qj relativi rispettivamente agli
attributi associati ai termini positivi e negativi dell’utilità dello spostamento, a
parte il costo monetario, e ove Cj = pj +f(Qj-) è il costo generalizzato
dell’alternativa. Solitamente la funzione f(Qj-) viene assunta lineare in Qj-.
Assumendo come di consueto:
Vj = Xj +(b -Cj)⋅γ j = 1, … , |J| , (30)
+
ove Xj = Xj(Qj ) rappresenta in modo aggregato i termini positivi dell’utilità dello
spostamento, γ assume il significato di utilità marginale del reddito.
Tenendo presente che all’utilità a posteriori corrisponde la soddisfazione, che
ai prezzi corrispondono i costi generalizzati e che alla domanda Marschalliana
corrispondono le probabilità di scelta, l’estensione al caso dei trasporti
dell’identità di Roy in base alla (30) è espressa da:
∂ W (V ) d (X j + (b − C j )⋅ γ )
~
∂ W (C )
⋅
∂C j ∂V j dC j ∂ W(V )
Pj = − =− = j = 1, … , |J| , (31)
γ γ ∂V j
ove i vettori V e C esprimono in forma compatta rispettivamente le utilità
sistematiche e i costi generalizzati di tutte le alternative:
V = (V1 , … , Vj , … , V|J|)T , C = (C1 , … , Cj , … , C|J|)T . (32)
Poiché il modello di scelta è probabilistico, la soddisfazione e le probabilità di
scelta sono funzioni differenziabili delle utilità sistematiche e quindi dei costi
generalizzati. Pertanto, assumendo la non sazietà locale e la continuità della
funzione di utilità u(x, y), tutte le ipotesi del teorema dell’identità di Roy sono
soddisfatte e la (31) vale. Si ritrova, così, all’interno della teoria microeconomica
del consumatore il ben noto risultato secondo cui la derivata parziale della
soddisfazione rispetto all’utilità sistematica della generica alternativa fornisce la
probabilità di scelta dell’alternativa medesima.
Poiché il modello di scelta è additivo e il termine b⋅γ nella (30) è comune a
tutte la alternative, esso risulta ininfluente ai fini del calcolo delle probabilità di

12
scelta. Ne segue che l’effetto reddito sulle scelte di mobilità è nullo. Sulla base di
quanto sopra la (16) diventa:
EV = (1/γ )⋅[W(C 1) -W(C 0)] . (33)

1.4 Funzione obiettivo

I principali obbiettivi da perseguire nel determinare le scelte che la società
effettua collettivamente come un soggetto governato (ad esempio quelle inerenti
la spesa e la finanza pubblica) sono l’efficienza e l’equità. Il criterio
dell’efficienza risulta soddisfatto realizzando un ottimo paretiano, ossia una
modifica della situazione attuale per cui nessun individuo ha dopo l’intervento
un’utilità minore di prima. L’approccio paretiano evita la comparazione delle
utilità individuali, tema che inevitabilmente occorre affrontare per trattare il
criterio dell’equità.
A tal fine viene introdotta la funzione di utilità sociale, che misura il benessere
sociale, o walfare, e che, con specifico riferimento ai trasporti e adottando il TCA,
assume la forma : S(x, y) , ove x = (x1 T, x2 T, … , x |I| T)T ed y = (y1 T, y2 T, … , y |I| T)T
sono rispettivamente la configurazione degli spostamenti e l’allocazione degli altri
beni tra gli individui; con x i ed y i sono indicati rispettivamente gli spostamenti e
il paniere di beni ricevuti dall’i-esimo individuo, mentre I è l’insieme degli
individui che compongono la società. Impiegando la funzione di utilità sociale
come obbiettivo delle scelte collettive si definisce implicitamente il criterio per la
comparazione delle utilità individuali, ossia un insieme di giudizi di valore. Un
caso particolare di funzione di utilità sociale è la seguente forma non separabile
della funzione di Bergson - Samuelson:
S = S(u1(x, y 1), u2(x, y 2), … , u|I|(x, y |J|)) . (34)
Poiché la configurazione degli spostamenti compare nelle singole funzioni di
utilità individuale, la (34) si addice a formalizzare l’obbiettivo del NDP, dove gli
effetti esterni dovuti alla congestione e all’inquinamento assumono un ruolo
determinante. La (34) può anche essere letta come funzione dei prezzi e dei redditi
attraverso le utilità a posteriori:
S = S(v 1(p 1, π, b1), v 2(p 2, π, b2), … , v |I|(p |I|, π, b|I|)) . (35)
Se i prezzi sono costanti la (35) è una funzione della distribuzione dei redditi:
S = S(b 1, b 2, … , b |I|) . (36)
La funzione utilitarista (Luenberger, 1995, pag.333), data dalla somma di tutti i
redditi, è una particolare specificazione della (36). In tal modo, si prescinde da
intenti ridistribuivi delegando ad altri strumenti il compito di risolvere le questioni
inerenti l’equità delle scelte collettive.
Nell’ambito del NDP i costi generalizzati, che rappresentano i prezzi degli
spostamenti, variano, mentre i redditi sono costanti. Per impiegare la (36) occorre
quindi sostituire i redditi con le variazioni equivalenti di reddito introdotte nel

13
paragrafo 1.2:
S = S(EV 1, EV 2, … , EV |I|) . (37)
Il soggetto deputato a decidere le modifiche da apportare all’offerta di trasporto
è in genere la PA , il cui obbiettivo è massimizzare il benessere sociale.
Coerentemente con il principio utilitarista, si assume come funzione del
benessere sociale la somma algebrica delle monetizzazioni di tutti gli effetti
dell’intervento di modifica dell’offerta, qui denominata surplus sociale.
Assumendo l’ipotesi che l’intervento non modifichi la distribuzione delle
attività sul territorio, le Xj nella (30) sono costanti. Gli effetti indotti sull’utente
vengono così ricondotti a variazioni del solo costo generalizzato e possono
pertanto essere monetizzati mediante la (33).
Il surplus sociale S risulta quindi dato da:
S = ∑i∈I W i /γ i -E -λ⋅G -T , (38)
dove i termini E, G e T forniscono, nell’ordine, il valore monetario delle
esternalità del trasporto (es. i costi ambientali, i costi degli incidenti e la parte dei
costi di manutenzione dei veicoli privati che non viene percepita come associata ai
singoli spostamenti), i costi di investimento (dati dalla somma dei costi di
esercizio delle infrastrutture e dei servizi di trasporto - es. i costi di manutenzione
delle infrastrutture stradali, i costi di esercizio dell’azienda di trasporto collettivo -
e dei costi per la realizzazione della modifica dell’offerta di competenza
dell’esercizio - es. i costi di costruzione di nuove infrastrutture stradali o di nuove
linee di trasporto di massa - , opportunamente rapportati al sottoperiodo di
riferimento), e gli eventuali proventi da tariffa (es. le tariffe del trasporto
collettivo, quelle della sosta a pagamento e i pedaggi del road pricing). Nella (38)
sono stati tralasciati i termini relativi allo stato iniziale del sistema perché
irrilevanti ai fini dell’ottimizzazione.
Spesso in letteratura si assume come obbiettivo la minimizzazione dei costi
sociali di seguito definiti:
CS = C +E +λ⋅G -T = C +E +λ⋅G , (39)
dove i termini C e C , che differiscono per T , forniscono rispettivamente i costi
totali degli utenti (somma dei costi generalizzati dell’alternativa scelta da ciascun
individuo) con e senza i pedaggi. Sostituendo la (39) nella (38) si ottiene una
espressione alternativa del surplus sociale:
S = ∑i∈I W i /γ i -CS +C . (40)
In base alla (40) il surplus sociale differisce dall’opposto dei costi sociali, perché,
coerentemente con i modelli stocastici impiegati, le disutilità degli utenti vengono
misurate mediante l’opposto delle soddisfazioni (espressione della media del
minimo costo di alternativa) invece che il costo medio dell’alternativa utilizzata.
La soddisfazione del generico utente che appare nella (38) dipende delle utilità
sistematiche delle alternative di spostamento, tra le quali è presente eventualmente

14
quella di non spostarsi. La variabile W i esprime pertanto una misura di tutti i
benefici per l’utente, compresi quelli connessi alle variazioni del numero di
spostamenti effettuati legate all’elasticità della domanda.
Giova notare che ad una forma del surplus sociale del tutto analoga alla (38) si
perviene anche se la gestione del sistema di trasporto viene affidata in concessione
(Ferrari, 1999), anziché essere condotta in economia dalla PA , come si è
implicitamente assunto.
Il coefficiente λ nella (38) assume significati diversi a seconda che la PA operi
in un contesto di risorse limitate (la PA dispone di una percentuale del PIL
definita coerentemente con i giudizi di valore indirettamente espressi dai cittadini
attraverso il mandato politico affidato agli amministratori pubblici) o illimitate (la
PA si finanzia liberamente attraverso la fiscalità generale). Nel primo caso, λ
rappresenta il costo opportunità dei fondi pubblici, ossia il rendimento in termini
di benessere sociale ottenuto nell’ambito di una ripartizione ottimale delle risorse
disponibili tra i diversi settori della spesa pubblica compreso quello dei trasporti.
Nel secondo caso, λ-1 rappresenta il costo marginale dei fondi pubblici, che
misura in termini monetari il danno prodotto all’economia da un incremento
unitario del prelievo fiscale. Nel primo caso, un λ elevato indica che l’intervento
pubblico si avvale di economie di scala, mentre un λ basso manifesta la presenza
di inefficienze nell’impiego del denaro pubblico o la ridondanza delle risorse
raccolte attraverso il prelievo fiscale. Nel secondo caso, un λ elevato indica che la
fiscalità generale sottrae risorse agli investimenti del settore produttivo privato e
al consumo, mentre un λ basso manifesta l’opportunità di intervenire con
investimenti pubblici per rilanciare l’economia. In mancanza di adeguate
informazioni si pone λ = 1 , che sottintende un prelievo fiscale ottimale.
Talvolta il NDP viene formulato includendo un vincolo di budget sulle risorse
da impiegare per la realizzazione del particolare tipo di intervento in esame. In
realtà ciò implica una incoerenza di carattere concettuale. Infatti, se la PA opera in
un contesto di risorse limitate e λ è stato valutato correttamente, il costo della
soluzione del NDP senza vincolo di bilancio coincide con detto budget, mentre se
la PA opera in un contesto di risorse illimitate, non ha senso porre un limite al
costo dell’intervento. D’altra parte in sede di applicazione del modello λ ed il
budget del progetto sono in genere determinati indipendentemente l’uno
dall’altro; risulta pertanto conveniente accettare l’incoerenza concettuale per
consentire una maggiore flessibilità nella formulazione del problema.
Se la PA opera a budget fissato per coerenza si deve assumere che le risorse dei
proventi non vengano reinvestite nel sistema. Ne segue che in ogni caso i proventi
vanno a ridurre il prelievo fiscale. Ma essi sono in realtà una forma alternativa di
prelievo fiscale. Pertanto in ogni caso T non deve essere moltiplicato per λ .
La principale limitazione della presente formalizzazione del NDP riguarda il

15
riferimento temporale rispetto al quale si operano le scelte progettuali. Quando
l’intervento concerne caratteristiche invariabili dell’offerta, occorrerebbe
cumularne gli effetti considerando un opportuno numero di situazioni di
riferimento caratterizzate da una specifica configurazione della domanda. Poiché
la formulazione considerata prevede una sola situazione di riferimento, tutti gli
effetti dell’intervento devono essere ad essa riferiti.
Per riportare i costi di investimento al sottoperiodo di riferimento occorre
moltiplicarli per l’inverso di un opportuno coefficiente ξ dato da:
ξ = 365 ⋅EDH / RPD , (41)
ove RPD è la durata in ore del sottoperiodo di riferimento e EDH è il numero
giornaliero equivalente di ore di funzionamento del sistema allo stato stazionario
relativo al sottoperiodo di riferimento.
Con riferimento ai costi di realizzazione della modifica dell’offerta occorre
però prima convertire l’ammontare dell’investimento in una rendita annuale
equivalente mediante un opportuno coefficiente moltiplicativo per ζ , che, in base
ad una nota formula finanziaria (Brealey e Myers, 1991, pag. 37), è dato da:
r
ζ = , (42)
1
1−
(1 + r )t
ove r è il costo del denaro, t è la vita utile in anni delle opere realizzate. In pratica
tutto va come se la PA contraesse un mutuo con tasso pari a ζ , la cui rata
identifica la competenza annuale del costo di realizzazione. Se il termine G nella
(38) comprende anche gli oneri della manutenzione straordinaria, la vita utile t
può considerarsi infinita e la (42) diventa la formula della rendita perpetua.

2 Modello di equilibrio
Gli spostamenti implicano l’utilizzo di elementi di una rete di infrastrutture e
servizi di trasporto, il cui impiego simultaneo da parte dei diversi utenti determina
un aumento dei costi d’uso, detto congestione. L’utilità del singolo utente della
rete dipende quindi dal complesso degli spostamenti effettuati; pertanto le scelte
di mobilità vanno determinate congiuntamente per tutti gli utenti.
L’opportunità di tener conto della presenza di effetti esterni deriva dal fatto che
spesso, soprattutto in campo urbano, gli interventi di modifica dell’offerta puntano
a ridurre la congestione.
Il fenomeno della congestione è rappresentato mediante il modello di offerta,
che mette in relazione le prestazioni degli elementi della rete (costi) con la
domanda aggregata che insiste su di essi (flussi). In modo reciproco, il modello di
domanda consente di determinare, attraverso i modelli di scelta che riproducono i
comportamenti degli utenti, la domanda aggregata in funzione delle prestazioni

16
dell’offerta.
Per determinare congiuntamente flussi e costi si formalizza un problema di
equilibrio seguendo l’approccio di punto fisso (Cantarella, 1997), che consiste nel
comporre in una unica relazione analitica il modello di domanda e quello di
offerta. Ciò presuppone che il sistema si trovi in una condizione di stazionarietà
interperiodale, ovvero che tutte le variabili rilevanti siano costanti durante il
sottoperiodo di riferimento.
In particolare i modelli di equilibrio consentono di valutare gli effetti di un
intervento di modifica dell’offerta sulla configurazione dei flussi e dei costi e
quindi sulle soddisfazioni degli utenti che compaiono nella (38) e che dipendono
da questi ultimi.

2.1 Proprietà del modello di scelta

Si richiamano qui di seguito alcune proprietà dei modelli di scelta basati sulla
teoria dell’utilità aleatoria che verranno utilizzate al momento di caratterizzare le
soluzioni del NDP in esame.
Con riferimento al singolo utente, la probabilità di scelta Pj della generica
alternativa j∈J, implicitamente definita dalla (27) come una funzione delle utilità
sistematiche V , è esprimibile mediante l’integrale multiplo della funzione di
densità di probabilità congiunta ϕ(ε) dei residui aleatori ε , continua per ipotesi
(par. 1.3), sul dominio dello spazio degli residui aleatori Ej(V)⊆ℜ|J| in cui
l’alternativa stessa è di massima utilità:
+∞ ε j +Vj −V1 ε j +Vj −Vj−1 ε j +Vj −Vj+1 ε j +Vj −V|J|
Pj (V) = ϕ(ε) ⋅ dε1 ⋅...⋅ dε|J| =
∫ ∫ ∫ ... ∫ ∫ ... ∫ϕ(ε) ⋅dε ⋅...⋅dε
1 |J| j = 1, … , |J|, (43)
Ej (V) ε j =−∞ ε1=−∞ ε j−1=−∞ ε j+1=−∞ ε|J|=−∞

mentre la soddisfazione W, definita dalla (28), è esprimibile come somma di |J|

integrali multipli analoghi a quelli che individuano le probabilità di scelta:
W(V ) = ∑ ∫ (V j + ε j ) ⋅ ϕ (ε) ⋅ d ε1 ⋅ ... ⋅ d ε|J | . (44)
( )
j∈J E j V

Poiché nelle (43) e nella (44) la ϕ(ε) compare sotto integrale, l’ordine di
continuità in V delle probabilità di scelta e della soddisfazione risulta di un grado
superiore rispetto a quello in ε del modello di scelta. Ne segue che le (43)
definiscono una funzione vettoriale differenziabile P : ℜ|J| → SP ⊆ℜ|J| , detta
mappa delle scelte, o choice map, ove SP = {P∈ℜ|J| : P ≥ 0 , P T⋅1 = 1} è
compatto convesso e non vuoto, con P del tipo (32) . Analogamente la (44)
definisce una funzione scalare differenziabile.
Poiché per ipotesi la funzione ϕ(ε) è indipendente da V (par. 1.3), in base alle
(43) le probabilità di scelta risultano indifferenti ad un incremento in senso
algebrico di tutte le utilità sistematiche per una stessa quantità h :

17
Pj(V +h⋅1) = Pj(V) ∀h∈ℜ j = 1, … , |J| , (45)
mentre in base alla (44) si ha:
W(V +h⋅1) = W(V) +h ∀h∈ℜ . (46)
L’integrale (44) che individua la soddisfazione può essere visto come una
combinazione convessa di funzioni convesse:
W (V ) = ∫ (max j∈J )
V j + ε j ⋅ ϕ (ε ) ⋅ d ε1 ⋅ ... ⋅ d ε |J | . (47)
ℜ| J |

Ne segue che W è una funzione convessa di V . Derivando la (47) rispetto a Vj ,

poiché per l’additività del modello di scelta ∂ϕ(ε)/∂Vj = 0, sia ha :
∂ W (V ) (
∂ max j∈J V j + ε j )
⋅ ϕ (ε ) ⋅ d ε1 ⋅ ... ⋅ d ε |J | .
∂V j
= ∫ ∂V j
(48)
ℜ| J |

Essendo:
(
∂ max j∈J V j + ε j ) = 1 (
if ε : V j + ε j = max j∈J V j + ε j )
 , (49)
∂V j 0 else
la (48) diventa:
∂ W (V )
= Pj j = 1, … , |J| , (50)
∂V j
che coincide con la (31). Le (50) sono espresse in termini compatti dalla seguente
relazione:
∇W(V) = P . (51)
Poiché la W(V) è convessa e differenziabile, risulta :
W(V 1) -W(V 2) ≥ ∇W(V 2)T⋅(V 1-V 2) ∀ V 1, V 2∈ℜ|J| , (52)
2 1 1 T 2 1 1 2 |J|
W(V ) -W(V ) ≥ ∇W(V ) ⋅(V -V ) ∀ V , V ∈ℜ . (53)
Combinando le precedenti, in base alle (50) si evince che la mappa delle scelte è
monotona non decrescente:
[P(V 1) -P(V 2)] T⋅(V 1-V 2) ≥ 0 ∀ V 1, V 2∈ℜ|J| . (54)
Assumendo ϕ(ε) > 0 su tutto lo spazio dei residui aleatori, poiché in base alla
(43) la probabilità di scelta della generica alternativa è strettamente positiva:
Pj > 0 j = 1, … , |J| , (55)
si da luogo ad un modello probabilistico additivo strettamente positivo.
Sia V -j = (V1 , … , Vj-1 ,Vj+1 , … ,V|J|)T il vettore ottenuto eliminando da V la
generica componente j e ∆V -j un qualsiasi incremento non nullo di V -j . Sia h* la
componente di V -j cui è associato il massimo / minimo incremento a seconda che
lo stesso sia positivo / negativo. Poiché Eh*(Vj , V -j) è compreso / comprende
strettamente Eh*(Vj , V -j+∆V -j), ricordando che ϕ(ε) > 0, in base alla (43) si ha:
P -j(Vj , V -j +∆V -j) ≠ P -j(Vj , V -j) ∀∆V -j ≠ 0∈ℜ|J|-1 j = 1, … , |J| , (56)
-j
ove P rappresenta la mappa delle scelte relativa alle alternative diverse da j .
La (56) può essere scritta in modo equivalente come:

18
P(V +∆V) ≠ P(V) ∀∆V ≠ h⋅1∈ℜ|J|, ∀h∈ℜ . (57)
Tenendo presente le (50), in base alla (56) risulta:
∇V -jW(Vj , V -j) ≠ ∇V -jW(Vj , V -j+∆V -j) ∀∆V -j ≠ 0∈ℜ|J|-1 j = 1, … , |J| . (58)
-j
Poiché W è convessa in V tale risulta anche in V . In base alla (58) W è pertanto
strettamente convessa in V -j , j = 1, … , |J| . Mediante lo stesso argomento
utilizzato per ricavare la (54), si dimostra che le P -j sono monotone strettamente
crescenti in V -j:
[P -j(Vj , V -j 1)-P -j(Vj , V -j 2)] T⋅(V -j 1-V -j 2) > 0 ∀V -j 1≠ V -j 2∈ℜ|J|-1 . (59)
Assumendo infine che la funzione ϕ(ε) sia anche differenziabile, si da luogo
ad un modello probabilistico additivo strettamente positivo differenziabile. La
soddisfazione risulta due volte differenziabile, pertanto esiste l’Hessiano ∇2W(V),
simmetrico per il teorema di Swartz, che è equivalente per le (50) allo Jacobiano
∇P(V) :
∇2W(V) = ∇P(V) . (60)
2
Poiché W è convessa in V , ∇ W(V) è semidefinito positivo e, in base alla (58),
un qualsiasi suo minore di ordine |J|-1 ottenuto eliminando una riga e la
corrispondente colonna è definito positivo ed ha pertanto rango pieno.
Nel seguito si farà riferimento ai modelli probabilistici additivi strettamente
positivi differenziabili; l’impiego dei modelli deterministici nell’ambito del NDP
esula pertanto dall’oggetto del presente lavoro. Ciononostante, in conformità con
la letteratura di riferimento sull’equilibrio (Cantarella, 1997), si è scelto di
conservare la denominazione di mappa per indicare oggetti che in base alle ipotesi
assunte sono delle semplici funzioni.

2.2 Introduzione dei livelli di scelta

La possibilità di inserire tra le alternative quella di non spostarsi e di
specificare la ϕ(ε) tenendo conto in modo opportuno delle correlazioni esistenti
tra le alternative di spostamento, consente di rappresentare modelli
comportamentali a domanda elastica e con più livelli di scelta, quali, ad esempio, i
modelli di utilità aleatoria con struttura ad albero.
Con riferimento a questi ultimi, ciascuna alternativa di spostamento
dell’insieme di scelta J corrisponde ad una sequenza di rami che dalla radice porta
ad una foglia dell’albero. Ogni ramo della sequenza rappresenta l’opzione
selezionata nel relativo livello di scelta e contribuisce all’utilità dell’alternativa
mediante un termine di utilità sistematica (variabili X ) ed un errore (variabili ε )
specifici. Nell’ambito del singolo livello di scelta, l’utilità sistematica (variabili V)
che l’utente attribuisce alle diverse opzioni risulta dalla somma del termine
specifico e dell’utilità media del livello inferiore, data dalla relativa soddisfazione
(variabili W), mentre l’errore è dato dalla somma del termine specifico e
dell’errore associato alla soddisfazione.

19
 livelli di scelta

I generazione II distribuzione III ripartizione modale IV assegnazione

Xr/gdmIV -γ⋅ Cgdmr
Wm/gdIV εr/gdmIV
I III Xm/gdIII , εm/gdIII
W Wd/g
WgII Xd/gII , εd/gII

XgI , εgI

Vm/gdIII = Xm/gdIII +Wm/gdIV Vr/gdm = Xr/gdm -γ⋅Cgdmr

IV IV
VgI = XgI+WgII Vd/gII = Xd/gII +Wd/gIII

Figura 1): Modello di domanda a quattro stadi con struttura ad albero

In particolare, con riferimento al classico modello a quattro stadi (figura 1), in

cui l’utente sceglie se effettuare o meno uno spostamento (generazione) e, qualora
decida di muoversi, seleziona in sequenza la destinazione (distribuzione), il modo
(ripartizione modale) e il percorso (assegnazione), l’insieme di scelta J e le
relative alternative j∈ J possono essere formalizzati come segue:
(g, d, m, r)∈{G×{0}×{0}×{0}}∪{1×C×M×Rdm} , (61)
ove a seconda che l’utente possa decidere se effettuare o meno lo spostamento
G = {0} o G = ∅ , C è l’insieme dei centroidi, o∈C è l’origine dello spostamento,
M è l’insieme dei modi, Rdm è l’insieme, eventualmente vuoto, dei percorsi
considerati dall’utente che collegano l’origine o con la destinazione d∈C sul
modo m∈M. L’utilità della generica alternativa assume la seguente forma:
Uj = XgI +εgI + Xd/gII +εd/gII +Xm/gdIII +εm/gdIII +Xr/gdmIV -γ⋅Cgdmr +εr/gdmIV j = 1, … , |J| . (62)
ove Cgdmr è il costo generalizzato del percorso, in generale rappresentato con un
ipercammino per tener conto delle scelte adattive, associato all’alternativa j e
quindi coincidente con Cj . Ponendo nella (62):
εj = εgI +εd/gII +εm/gdIII +εr/gdmIV , (63)
I II III IV
Xj = Xg +Xd/g +Xm/gd +Xr/gdm , (64)
si ottiene:
Uj = Vj +εj j = 1, … , |J| , (65)
ove:
Vj = Xj -γ⋅Cj j = 1, … , |J| , (66)
che coincide con la (30), a meno del termine γ⋅b, comune a tutte le alternative.
D’altra parte, poiché detto termine è indipendente dai costi generalizzati, esso non
risulta influenzato da una modifica dell’offerta e, in base alla (46), può quindi
essere tralasciato ai fini dell’ottimizzazione della funzione obbiettivo (38).

20
2.3 Aggregazione degli utenti in classi
L’accumulazione delle decisioni individuali di spostamento che determinano la
domanda aggregata relativa ad un dato elemento della rete, può essere effettuata
semplicemente sommando le domande individuali relative alle alternative che ne
implicano l’impiego, opportunamente pesate in relazione all’effetto prodotto sulle
prestazioni dell’elemento stesso, ad esempio mediante l’uso di coefficienti di
equivalenza dei flussi. In alternativa, le domande individuali possono essere
tenute distinte e l’interazione dei relativi flussi sugli elementi della rete viene
rappresentata mediante l’uso di funzioni di offerta non separabili, a condizione di
definire variabili relative agli elementi della rete specifiche di utente.
Quanto detto risolve dal punto di vista teorico il problema dell’aggregazione
delle domande individuali con specifico riferimento al caso dei trasporti. D’altra
parte, affinché il modello di equilibrio diventi fruibile in pratica, risulta
indispensabile ripartire gli utenti in classi. Come di consueto, in questa sede si
assume che le classi siano composte da individui omogenei dal punto di vista di
tutte le caratteristiche rilevanti al fine di rappresentare l’equilibrio, ossia da utenti
identici sotto l’aspetto delle scelte di mobilità e degli effetti indotti sulle
prestazioni dell’offerta.
Definiamo categoria individuale una particolare specificazione degli attributi
che fanno riferimento alle caratteristiche proprie dell’utente e dello scopo dello
spostamento. Ipotizzando che l’insieme di scelta di una classe di utenti dipenda
dall’origine dello spostamento e dalla categoria individuale, ciascuna classe di
utenti risulta caratterizzata da una categoria individuale e dall’origine dello
spostamento. L’introduzione delle categorie individuali non incide sulla generalità
del modello di domanda e risulta assai utile nell’implementazione degli algoritmi
di assegnazione, in quanto gli utenti delle classi caratterizzate da una stessa
categoria individuale che si spostano verso la stessa destinazione percepiscono in
corrispondenza di ogni nodo gli stessi costi medi per raggiungere la destinazione
(stesse soddisfazioni di nodo) e quindi al nodo compiono mediamente le stesse
scelte di percorso (stesse probabilità condizionate di nodo). Si noti che in
letteratura con il termine classe di utenti ci si riferisce solitamente al concetto qui
introdotto con il nome di categoria individuale.
In generale per rappresentare la domanda complessiva di un gruppo di
individui mediante il cosiddetto consumatore rappresentativo medio (un individuo
ideale che dispone del reddito complessivo degli individui rappresentati) le
funzioni di utilità a posteriori debbono essere del tipo Gorman :
v i(p, b i) = a i(p) +b i⋅γ(p) , (67)
che implica stessa utilità marginale del reddito per tutti gli individui. Con
riferimento specifico ai trasporti questa difficoltà viene superata introducendo il

21
raggruppamento degli utenti in classi omogenee che è ipotesi ancora più
stringente di quella di Gormann e che, in ogni caso, implica la costanza dell’utilità
marginale del reddito entro le classi.
A ben riflettere, l’unica ipotesi di rilievo che si è reso necessario introdurre in
sede di estensione ai trasporti dei risultati della teoria microeconomica del
consumatore è la costanza dell’utilità marginale del reddito, che interviene in tre
occasioni: disgiungimento delle scelte di mobilità dalle altre scelte di consumo,
monetizzazione dell’effetto di una variazione dei prezzi, aggregazione degli utenti
in classi. Tale parametro assume quindi un ruolo centrale nel descrivere il
comportamento dell’individuo nell’ambito dei modelli di domanda di trasporto.
In particolare la reazione all’introduzione di un sistema di pedaggi può essere
assai diversa da parte di utenti con utilità marginale del reddito differente. E’
infatti presumibile che gli individui con γ elevato modifichino il loro
comportamento in modo sostanziale, fino anche ad escludere dall’insieme di
scelta l’alternativa auto privata. Al contrario gli individui con γ basso ed alta
utilità marginale del tempo libero, in virtù del ridotto livello di congestione
conseguente all’introduzione dei pedaggi, possono vedere addirittura aumentata
l’utilità di tale alternativa. Se si vogliono cogliere con buona aderenza alla realtà
gli effetti di questo tipo di interventi, l’introduzione delle classi nel modellizzare
la domanda diventa pertanto una scelta obbligata.
In realtà l’utilità marginale del reddito riveste un’importanza più di carattere
teorico che pratico. Infatti, in sede di applicazione del modello non è richiesta la
determinazione di γ , in quanto le utilità vengono valutate direttamente in termini
monetari. A caratterizzare le diverse categorie individuali rimane l’equivalente
monetario del tempo, che solitamente costituisce la componente principale del
costo generalizzato.
Le variabili finora introdotte per formalizzare il modello di domanda si
riferiscono implicitamente ad un singolo utente. Coerentemente con il
raggruppamento degli utenti in classi omogenee è opportuno definire analoghe
variabili riferite alla generica classe di utenti u∈U, con U insieme delle classi, ed
introdurre, con riferimento alla generica alternativa j∈J u , il flusso di alternativa
Fju , dato dalla probabilità di scelta dell’alternativa Pju moltiplicata per il numero
N u > 0 di individui appartenenti alla classe di utenti considerata per il
sottoperiodo di riferimento:
Fju = N u⋅Pju j = 1, … , |J u| , u = 1, … , |U| . (68)

2.4 Modello di domanda

Organizzando le variabili relative alle singole classi in matrici e vettori è
possibile esprimere il modello di domanda mediante relazioni sintetiche in forma
compatta. A tal fine introduciamo il vettore W di dimensioni (|U| × 1):

22
W = (W 1, … , W u , … , W |U|)T , (69)
u
e i vettori V, X, C, P ed F, di dimensioni (n × 1), con n = ∑u∈U |J |, la cui struttura
è del tipo:
V = (V 1 T , … , V u T , … , V |U| T)T . (70)
Le (66) e le (68) diventano:
V = X-Γ e⋅C , (71)
e
F = N ⋅P , (72)
ove N e Γ sono le matrici diagonali rispettivamente dei termini N e γ u ,
e e u

entrambe di dimensioni (n × n) e struttura coerente con la (70).

Il modello di domanda risulta definito dalle seguenti relazioni:
F = N e⋅P(X-Γ e⋅C) = F(C) , (73)
W = W(X-Γ ⋅C) = W(C) ,
e
(74)
ove P, F e W sono funzioni vettoriali associate rispettivamente alle variabili P, F e
W . La mappa delle scelte P(V) si ottiene riorganizzando in un’unica funzione le
mappe delle scelte individuali P u(V u). Poiché queste sono funzioni due volte
differenziabili aventi condomini compatti convessi e non vuoti, anche la P(V)∈SP
⊆ℜn è tale. In base alla (73) la F(C)∈SF = {F∈ℜn : F = N e⋅P, P∈SP}, detta
funzione di domanda, gode delle stesse proprietà. La W(V) si ottiene
riorganizzando le funzioni di soddisfazione individuali W u(V u). Poiché queste
sono C2, in base alla (74) e alla (71) risultano C2 anche W(V) e W(C).
In base alle (51) e alla (71) differenziando la (74) si ottiene:
∇W(C) = ∇C (X-Γ e⋅C) ⋅∇W(V) = -Γ e⋅P’T , (75)
ove P’ è una matrice di dimensioni (|U| × n) diagonale a blocchi in cui ciascuna
riga contiene le probabilità di scelta relative ad una classe di utenti.
In base alla (73) e alla (71), le (45), le (57) e le (54) , una volta riorganizzate,
possono essere estese alla funzione di domanda:
F(C +h) = F(C) , (76)
F(C +∆C) ≠ F(C) ∀∆C ≠ h∈ℜ , n
(77)
dove h è un qualunque vettore del tipo:
h = (h1 T , h u T , … , h|U| T)T , (78)
u u u
con h = h ⋅1 e h qualsiasi scalare,
[F(C 1) -F(C 2)] T⋅(C 1 -C 2) ≤ 0 ∀ C 1, C 2∈ℜn . (79)
In base alla (71) differenziando la (73) si ottiene:
∇F(C) = ∇C (X-Γ e⋅C) ⋅∇V (N e ⋅P(V)) = -Γ e⋅∇P(V) ⋅N e . (80)
Lo Jacobiano ∇F(C) si configura come una matrice diagonale a blocchi il
generico dei quali fa riferimento ad una specifica classe e assume la forma:
∇F u(C u) = -N u⋅γ u⋅∇2W u(V u) u = 1, … , |U| . (81)
In base alla convessità di W (V ) e alla (58), dalla (81) si evince che ∇F (C u) è
u u u

semidefinito negativo, mentre un qualsiasi suo minore di ordine |J u| -1 ottenuto

eliminando una riga e la colonna corrispondente è definito positivo ed ha pertanto

23
rango pieno.
Infine, alla luce del raggruppamento degli utenti in classi, il primo termine
della (38) diventa:
∑i∈I W i /γ i = [N⋅Γ -1⋅ W(C)] T⋅1 , (82)
ove N e Γ sono le matrici diagonali rispettivamente dei termini N e 1/γ u ,
-1 u

entrambe di dimensioni (|U| × |U|) .

2.5 Modello di offerta

Un ipergrafo orientato (Nguyen, Pallottino e Gendreau , 1998) è una coppia
G = (N, A), in cui N è un insieme finito e non vuoto di elementi detti nodi ed A è
un insieme di archi. Il generico arco a = (t(a), h(a)) è identificato dalla sua coda
t(a)∈ N e dalla sua testa h(a) ⊆ N . Gli archi per cui |h(a)| = 1 sono detti archi
ordinari. Un ipergrafo i cui archi sono tutti archi ordinari è detto grafo.
Si definisce stella in uscita, o forward star, di un nodo i∈N il sottoinsieme
FS(i) = {a∈A: i = t(a)} degli archi di G la cui coda è i. Analogamente si definisce
stella in entrata, o backward star, del nodo i il sottoinsieme BS(i) = {a∈A:
i∈h(a)} degli archi di G la cui testa include i.
Un cammino di G con origine o∈N e destinazione d∈N è una sequenza a1 , … ,
ah , … , am di archi di G tali che t(ah+1)∈h(ah) , h = 1 , … , m-1 , o = t(a1) e
d∈h(am) . I nodi o e d sono detti connessi su G. Un cammino per cui o = d è detto
ciclo. Un ipergrafo orientato è detto aciclico se è privo di cicli.
Un ipergrafo è detto minimale se per ogni i∈N si ha : |FS(i)| ≤ 1 . Un
ipercammino di G con origine o∈N e destinazione d∈N è un ipergrafo minimale
ed aciclico r = (N(r), A(r)) tale che A(r)⊆A , N(r) = {o}∪a∈A(r) h(a) e se i∈N(r)
allora i è connesso a d su r. I nodi di un ipercammino da cui esce un arco a che
non è un arco ordinario (|h(a)| > 1) sono detti nodi di diversione. Un ipercammino
privo di nodi di diversione è detto ipercammino semplice e può essere concepito
come un cammino definito su un grafo. Nel seguito gli ipercammini sono detti
anche percorsi.
In questa sede la rete multimodale di infrastrutture e servizi che costituisce
l’offerta di trasporto viene rappresentata mediante un ipergrafo orientato G = (N,
A) , rendendo possibile esprimere la relazione tra costi d’arco e costi di alternativa
in una forma additiva.
Al generico arco a∈A viene associato un costo d’arco specifico di classe cau e
un flusso d’arco specifico di classe fau che con rappresentano rispettivamente il
costo generalizzato che l’utente della classe u∈U attribuisce al transito dell’arco e
il numero di utenti della classe che utilizza l’arco nell’unità di tempo e con
riferimento ai quali valgono le seguenti relazioni:
Cju = Σa∈A cau⋅πaju j = 1, … , |J u| , u = 1, … , |U| , (83)
fa = Σj∈Ju Fj ⋅πaj
u u u
a = 1, … , |A| , u = 1, … , |U| . (84)

24
Il costo generalizzato Cju dell’alternativa j∈J u è dato dalla somma dei costi d’arco
pesati per le probabilità πaju che l’arco a venga utilizzato nel percorso, in generale
identificato con un ipercammino, associato all’alternativa. Il flusso d’arco fau è
dato dalla somma dei flussi di alternativa della classe u pesati per le probabilità
πaju.
Tali variabili vengono organizzate in forma matriciale mediante i seguenti vettori:
c = (c1T, … , c uT, … , c|U| T)T di dimensioni (ν × 1) , ove ν = |A|⋅|U| e il generico
c u = (c1u , … , cau , … , c|A|u)T è di dimensioni (|A| × 1), ed f = ( f 1T, … , f uT, … , f |U| T)T di
dimensioni (ν × 1) , ove f u = ( f1u , … , fau , … , f|A|u)T è di dimensioni (|A| × 1). In
termini compatti la (83) e la (84) sono espresse dalle seguenti relazioni:
C u = Π uT⋅c u u = 1, … , |U| , (85)
C = Π ⋅c ,
T
(86)
f = Π ⋅F u = 1, … , |U| ,
u u u
(87)
f =Π ⋅F . (88)
ove Π è la matrice di dimensioni (|A| × |J |) dei termini πaj relativi alla classe u
u u u

e Π, di dimensioni (ν × n), risulta dalla organizzazione delle Π u in una matrice

diagonale a blocchi.
I pedaggi d’arco specifici di classe tau assumono nel seguito una particolare
importanza e per questa ragione sono stati introdotti nella (1) in modo distinto
dalle altre variabili di progetto z . In termini vettoriali si ha: t = (t 1T, … , t uT, … , t |U| T)T,
di dimensioni (ν × 1) , ove t u = (t1u , … , tau , … , t|A|u)T è di dimensioni (|A| × 1).
Gli introiti del pedaggio, dati dalla somma di tutti i pedaggi pagati dagli utenti,
vengono quindi espressi in forma compatta dal seguente prodotto scalare:
T = Σu∈U Σa∈A tau⋅fau = t T⋅f . (89)
La funzione delle esternalità E( f , z) e la funzione di investimento G( f , z) ,
assunte differenziabili, esprimono in funzione dei flussi d’arco f e delle variabili
di progetto z i termini E e G della (38) :
E = E( f , z) , (90)
G = G( f , z) . (91)
Le funzioni c( f , t, z), detta di costo d’arco, o link cost function, c( f , z), detta
di prestazione d’arco e Π(z), detta di ripartizione , assunte differenziabili,
esprimono la dipendenza dei costi d’arco, con e senza pedaggi, e delle probabilità
archi/percorsi dai flussi d’arco e dalle variabili di progetto:
c = c( f , t, z) = c( f , z) + t , (92)
Π = Π(z) . (93)
La Π(z) viene introdotta perché i coefficienti di ripartizione degli h-archi di attesa,
dai quali dipendono le probabilità Π , sono una funzione delle frequenze delle
linee, che possono essere assunte come variabile di progetto.
Sostituendo la (88) nella (92) e quest’ultima nella (86) si ottiene:
C = Π T⋅c(Π(z) ⋅F , z) +Π(z)T⋅t = C(F, z) +T = C(F, t, z) , (94)

25
ove ponendo:
Π(z)T⋅t = T , (95)
sono stati introdotti i pedaggi di alternativa. Poiché c( f , z) è differenziabile, in
base alla (94) anche la C(F, t, z), detta funzione di offerta “tout court”, e la C(F,
z), detta funzione di prestazione di alternativa, sono differenziabili.

2.6 User Equilibrium e System Equilibrium

Elaborando la funzione di domanda in base alla (86) e alla (88), si ottiene la
mappa di caricamento della rete che fornisce i flussi d’arco noti i costi d’arco:
f(c, Π) = Π ⋅F(Π T⋅c) . (96)
Poiché la funzione di domanda è due volte differenziabile e monotonica non
crescente, la mappa di caricamento gode delle stesse proprietà. La f(c, Π) prende
valori sull’insieme Sf = { f ∈ℜν: f =Π ⋅F , F∈SF} che è compatto convesso e non
vuoto perché tale è SF .
Per una data specificazione delle variabili di progetto t e z , la configurazione
dei flussi e dei costi di equilibrio, detta User Equilibrium (UE), può essere
determinata risolvendo uno dei seguenti problemi di punto fisso:
f UE = f[c( f UE, t, z), Π(z)] , (97)
UE UE
c = c[f(c , Π(z)), t, z] , (98)
UE UE
F = F[C(F , t, z)] , (99)
UE UE
C = C[F(C ), t, z] . (100)
Volendo mettere in evidenza la presenza dei pedaggi, in base alla (92) e alla (94)
le (97) - (100) diventano:
f UE = f[c( f UE, z) +t , Π(z)] , (101)
UE UE
c = c[f(c , Π(z)), z] +t , (102)
UE UE
F = F[C(F , z) +T] , (103)
UE UE
C = C[F(C ), z] +T . (104)
Il costo sociale di cui alla (39) può essere espresso in termini di variabili d’arco
o di alternativa:
CS = c( f , z)T⋅f +E( f , z) +λ⋅G( f , z) = cs( f , z) , (105)
CS = C(F , z) ⋅F +E(Π(z)⋅F, z) +λ⋅G(Π(z)⋅F, z) = CS(F, z) .
T
(106)
Il gradiente dei costi sociali nei flussi viene nominato costo marginale sociale
ed indicato con CMS o con cms a seconda che i flussi siano di alternativa o di
arco:
cms = ∇f cs( f , z) = c( f , z) +∇f c( f , z)⋅f +∇f E( f , z) +λ⋅∇f G( f , z) = cms( f , z) , (107)
CMS = ∇F CS(F , z) = C(F , z) +∇F C(F, z)⋅F +∇F E(Π(z)⋅F, z) +λ⋅∇F G(Π(z)⋅F, z) = CMS(F , z) . (108)
Vale la seguente relazione:
CMS = Π T⋅cms . (109)
Un System Equilibrium (SE) è una soluzione dei problemi di punto fisso (97) -
(100) ottenuta sostituendo le funzioni di costo marginale sociale cms( f , z) e

26
CMS(F, z) al posto delle funzioni di costo c( f , t, z) e C(F, t, z):
f SE = f[cms( f SE, z), Π(z)] , (110)
c SE = cms[f(c SE, Π(z)), z] , (111)
F SE = F[CMS(F SE, z)] , (112)
C SE = CMS[F(C SE), z] . (113)
In base alle (112)-(113) si ha:
F = F(C SE) ,
SE
(114)
C SE = CMS(F SE, z) . (115)
Proposizione (1): Dato z e definito T SE = CMS(F SE, z) -C(F SE, z) , tutti e soli
i vettori di pedaggio T che determinano uno UE la cui soluzione in termini di
flussi è F SE sono della forma: T = T SE +h , con h del tipo (78).
Dimostrazione: Se T = T SE +h , esso, per le (114) - (115), la definizione di T
SE
e la (76), soddisfa la (103) per F = F SE:
F SE = F(C SE) = F[CMS(F SE, z)] = F[C(F SE, z) +T SE] = F[C(F SE, z) +T SE +h] ,
mentre un qualsiasi T = T SE +∆C , con ∆C ≠ h, non la soddisfa per la (77) :
F SE ≠ F[C(F SE, z) +T SE +∆C] .

N
funzione di domanda
F = F(C)
funzione di offerta
C = C(F)
UE

F SE T SE SE
funzione di c. marginale sociale
T CMS = CMS(F)
F(C)

introiti da pedaggio T T⋅F termine di soddisfazione 1/γ ⋅W

C
SE
C[F(C)] C C

Figura 2): Rappresentazione grafica dello User Equilibrium e del System

2.7 Teoremi di esistenza ed unicità

In questo sottoparagrafo vengono enunciati alcuni teoremi che permettono di
caratterizzare i problemi di punto fisso (97) - (100) , che, come mostra la figura 3,
risultano equivalenti, in termini di esistenza ed unicità della soluzione. Le relative
dimostrazioni sono state ottenute adattando alla formulazione proposta quelle

27
riportate in Cantarella, 1997. In questa sede si omette di indicare la dipendenza
dalle variabili di progetto, perché non funzionale alla trattazione.

F(C)
F C

Π ⋅F Π T⋅c

f c
c( f )
Figura 3): Equivalenza dei problemi di punto fisso per modelli di scelta probabilistici.
Per la circolarità dell’equilibrio, se f è un punto fisso del problema (97), c = c( f ) è un punto fisso
del problema (98), C = Π T⋅c è un punto fisso del problema (99) e F = F(C) è un punto fisso del
problema (100). Analoghe considerazioni valgono se c è un punto fisso del problema (98), se C è
un punto fisso del problema (99) e se F è un punto fisso del problema (100).

Proposizione (2) : La mappa di caricamento è quasi monotonica strettamente

crescente :
[f(c1) -f(c2)] T⋅(c1 -c 2) < 0 ∀ c1 ≠ c 2∈ℜν : f(c1) ≠ f(c2) . (116)
Dimostrazione: La mappa di caricamento si compone di tante mappe
separabili quante sono le classi. Occorre pertanto dimostrare che ciascuna, definita
in modo coerente con la (96) di esse è quasi monotonica strettamente crescente,
ossia che :
[Π u⋅Fu(Π u T⋅c u 1) -Π u⋅Fu(Π u T⋅c u 2)] T⋅(c u 1-c u 2) < 0 ,
∀ c u 1 ≠ c u 2∈ℜ|A| : f u(c1) ≠ f u(c2) u = 1, ... , |U| . (117)
Sostituendo nella (73) la (86) e la (71) si ha : F(Π ⋅c) = N ⋅P(V), che riferita alle
T e

singole classi e sostituita nella (117) fornisce:

[Π u⋅N u⋅Pu(V u 1) -Π u⋅N u⋅Pu(V u 2)] T⋅(c u 1-c u 2) < 0 ,
∀ c u 1 ≠ c u 2∈ℜ|A| : f u(c1) ≠ f u(c2) u = 1, ... , |U| . (118)
Moltiplicando e dividendo ambi i membri della (118) rispettivamente per -γ e N u ,
u

il primo negativo e il secondo positivo, di nuovo in base alla (86) e la (71) si

ottiene:
[Pu(V u 1) -Pu(V u 2)] T⋅(V u 1-V u 2) > 0 ,
∀ c u 1 ≠ c u 2∈ℜ|A| : f u(c1) ≠ f u(c2) u = 1, ... , |U| . (119)
Poiché è f (c ) ≠ f (c ) , risulta P (V ) ≠ P (V ) ,pertanto in base alla (57) V u 1
u 1 u 2 u u1 u u2

e V u 2 differiscono per più di una costante. In base alla (59), la (119) è vera e
pertanto l’asserto risulta dimostrato.

28
 Proposizione (3) : Esiste almeno una configurazione di flussi d’arco di
equilibrio:
∃ f UE∈Sf : f UE = f [c( f UE)] . (120)
Dimostrazione: Il condominio della mappa di caricamento f(c) è contenuto nel
dominio della funzione di costo d’arco c( f ), in particolare essi coincidono con Sf ,
che è un insieme compatto convesso e non vuoto. Poiché dette funzioni sono
continue, anche la loro composizione f [c( f )] è continua. Tutte le ipotesi del
teorema di esistenza del punto fisso di Brouwer sono soddisfatte e quindi l’asserto
risulta dimostrato.
Proposizione (4) : Se la funzione di costo d’arco è monotonica non
decrescente:
[c( f 1) -c( f 2)] T⋅( f 1- f 2) ≥ 0 ∀ f 1, f 2∈Sf ,
allora esiste al più una configurazione di flussi d’arco di equilibrio:
∀ f ≠ f UE ∈Sf f ≠ f [c( f )] . (121)
Dimostrazione: Poiché i problemi (97) e (98) sono equivalenti è sufficiente
dimostrare l’unicità dell’equilibrio con riferimento al punto fisso sui costi d’arco.
Assumiamo che per assurdo esistano due differenti configurazioni di costi di
equilibrio c 1 ≠ c 2 . Indichiamo con f 1 = f(c 1) e f 2 = f(c 2) i corrispondenti flussi.
Poiché c 1 e c 2 sono di equilibrio si ha : c( f 1) = c 1, c( f 2) = c 2 . In base alla
monotonicità della mappa di caricamento e della funzione di costo d’arco si ha
simultaneamente (c1 -c 2)T⋅( f 1 - f 2) ≥ 0 e ( f 1- f 2)T⋅(c1- c 2) < 0 ∀ f 1 ≠ f 2∈Sf .
Ne segue che è f 1 = f 2 . Quindi si ha c( f 1) = c( f 2). Ciò contraddice l’ipotesi
c 1 ≠ c 2 , pertanto l’asserto risulta dimostrato.
Dati F 1, F 2∈SF , siano f 1 = Π⋅F 1 ∈Sf e f 2 = Π⋅F 2 ∈Sf i relativi flussi d’arco,
ottenuti mediante la (88) . In base alla (86) si ha:
[C(F 1) -C(F 2 )] T⋅(F 1 - F 2) = [c( f 1) -c( f 2)] T⋅( f 1 - f 2) . (122)
Poiché in generale vettori di flussi di alternativa diversi possono generare lo stesso
vettore di flussi d’arco, in base alla (122) la stretta monotonicità della c( f ) assicura la
monotonicità della C(F) ma non è sufficiente a garantirne la stretta monotonicità. Sempre
in base alla (122) la monotonicità della c( f ) assicura la monotonicità della C(F).
Poiché al fine di garantire la monotonicità della funzione di costo d’arco si
assume in genere la definitezza del suo Jacobiano, è opportuno ricavare
l’espressione dello Jacobiano della funzione di costo marginale sociale nei flussi
differenziando la (107) :
∇cms( f ) = ∇ c( f ) +∇ c( f )T +∑u∈U ∑a∈A fau⋅∇2 cau( f ) +∇2E ( f ) +λ⋅∇2G( f ) , (123)
In base alla (123), lo Jacobiano ∇cms( f ) , risulta semidefinito (definito) positivo
se tali sono lo Jacobiano della funzione di prestazione d’arco ∇ c( f ) , gli Hessiani
delle sue singole componenti, e l’Hessiano della funzione delle esternalità e di
quella degli investimenti, ossia se tali componenti e tali funzioni sono funzioni

29
convesse (strettamente convesse) dei flussi d’arco

3 Formalizzazione del NDP

Assumendo che la PA imponga come unico altro vincolo, oltre a quelli espressi
da Sz , il rispetto di un budget B, sostituendo nel surplus sociale (38) le (90) - (89)
e la (82), con i costi generalizzati di alternativa espressi in funzione dei costi
d’arco (92) e delle probabilità archi/percorsi (93) mediante la (86) , ed esprimendo
il vincolo di equilibrio mediante il problema di punto fisso (101), il generico NDP
(1) , ove si assuma come funzione obbiettivo il surplus sociale, diventa:
max f, t, z S( f, t, z) = [N⋅Γ -1⋅W(Π(z)T⋅c( f , z) +Π(z)T⋅t)] T⋅1 -E( f , z) -λ⋅G( f , z) +t T⋅f (124)
s.t.
t∈St , z∈Sz
G( f , z) -t T⋅f ≤ B
f = f UE
f UE = f[c( f UE, z) +t , Π(z)]
ove St ⊆ ℜν e Sz ⊆ ℜ|P| , con P insieme delle variabili di progetto z .
Se in corrispondenza di ogni specificazione ammissibile delle variabili di
progetto t e z il problema di punto fisso a vincolo della (124) ammette un’unica
soluzione, o comunque risulta possibile stabilire una corrispondenza univoca,
magari di natura algoritmica, tra tali variabili e una delle soluzioni del problema,
questa può essere espressa come funzione di t e z :
f UE = f UE(t, z) . (125)
In questo caso, sostituendo nella (124) il problema di punto fisso con la (125),
questa nel vincolo di equilibrio, e la risultante relazione f = f UE(t, z) ovunque
compaia f , il problema di progetto di rete può essere formalmente espresso come
problema di ottimo “semplice” (nel senso che i vincoli del problema non
costituiscono a loro volta dei sotto problemi) nelle sole variabili di progetto:
max t, z S(f UE(t, z), t, z) = [N⋅Γ -1⋅W(Π(z)T⋅c(f UE(t, z) , z) +Π(z)T⋅t)] T⋅1 +
-E(f UE(t, z), z) -λ⋅G(f UE(t, z), z) +t T⋅f UE(t, z) (126)
s.t.
t∈St , z∈Sz
G(f UE(t, z) , z) -t T⋅f UE(t, z) ≤ B
La risoluzione del NDP nella forma (126) richiede l’impiego dell’analisi di
sensitività dell’equilibrio. Infatti, poiché la funzione f UE(t, z) esprime la soluzione
di un problema di assegnazione, essa non è nota in forma esplicita. Invece, per
risolvere il NDP nella forma (124) occorre trattare esplicitamente il vincolo di
equilibrio oppure ricorrere ad un qualche metodo ad hoc. Con riferimento a
quest’ultimo approccio in questa sede viene esaminato nel dettaglio il caso in cui

30
l’insieme ammissibile dei pedaggi St coincide con lo spazio ℜν .

31
 PARTE SECONDA – Progettazione dei pedaggi

4 Il pricing
Gli interventi di modifica dell’offerta di trasporto possono essere classificati in
interventi di breve e di lungo periodo. I primi consistono in provvedimenti,
generalmente di natura normativa, che cercano di realizzare un uso ottimale delle
risorse di offerta esistenti. Tra di essi possiamo annoverare la regolazione
semaforica, i sistemi di tariffazione del transito stradale e dell’uso della rete di
trasporto collettivo (pricing) o della sosta (park pricing), la limitazione
dell’accesso a determinate zone, la determinazione di sensi unici, la
specializzazione di corsie per uso riservato da parte dei mezzi di trasporto
collettivo e di utilità sociale, la riallocazione del parco veicolare alle linee di
trasporto collettivo. I secondi consistono invece in interventi, generalmente di
natura infrastrutturale, che mirano ad incrementare l’offerta di trasporto. Tra di
essi possiamo annoverare la realizzazione di nuovi archi stradali, l’incremento
della capacità di archi esistenti, sia mediante l’allargamento della sede stradale
che attraverso lo sfalsamento del livello degli incroci, la costruzione di nuove
infrastrutture di trasporto di massa, la riconfigurazione dei percorsi delle linee di
trasporto collettivo.
Nell’ambito degli interventi di breve periodo, il pricing è uno degli strumenti
più efficaci per migliorare l’efficienza di reti di trasporto fortemente
congestionate. I contributi metodologici ad esso relativi si possono suddividere in
due filoni.
Nel primo, assunta la possibilità di applicare un pedaggio distinto a ciascun
arco della rete, si formula un problema di allocazione delle risorse la cui soluzione
in termini di flussi rappresenta l’ottimo di sistema ; i pedaggi vengono determinati
in modo che il corrispondente UE riproduca la configurazione ottimale dei flussi
individuata.
È infatti noto dall’economia del benessere che, in presenza di effetti esterni lo
stato di equilibrio di un sistema viene ottimizzato dal punto di vista sociale
imponendo una tassa che porti i costi medi individuali a coincidere con i costi
marginali sociali (marginal pricing). Con riferimento allo UE tale approccio è
stato introdotto da Beckmann et .al. (1956). In seguito Dafermos e Sparrow
(1971) hanno dimostrato l’ottimalità del marginal pricing nel contesto
monomodale dell’assegnazione deterministica con domanda rigida, limitatamente
al caso monoutente con funzioni di costo d’arco separabili, assumendo come
obbiettivo sociale la minimizzazione dei costi sociali. Dafermos (1973) ha esteso

32
il risultato al contesto multiutente. Infine, Smith (1979) lo ha generalizzato al caso
della domanda elastica e delle funzioni d’arco non separabili.
Nel secondo filone si prevede, invece, la possibilità di applicare concretamente
il pedaggio ad un opportuno sottoinsieme di archi della rete, dando luogo a
problemi di progetto di rete, di tipo bilivello, come in Yang e Lam (1996), Smith,
Xiang e Yarrow (1997), Clune, Smith e Xiang (1999) e Ferrari (1999).
In questa sede l’ottimalità sociale del marginal pricing viene generalizzata a
contesti multiutente e multimodo con modelli di equilibrio stocastico a domanda
elastica fino alla generazione e funzioni di costo non separabili. Contrariamente a
come si è operato in passato nei contributi citati, ove i pedaggi vengono
determinati in modo indiretto, il problema dei pedaggi ottimali verrà affrontato in
modo diretto. Nel paragrafo 5 verrà formalizzata e caratterizzata in termini di
proprietà della soluzione la specificazione del NDP (1) relativa al caso in cui
l’intervento di modifica dell’offerta consiste nell’introduzione di un sistema di
pedaggi d’arco, non si considerano altri vincoli oltre a quello di equilibrio e
l’obbiettivo da massimizzare è il surplus sociale. Tale problema verrà indicato con
il nome di ottimizzazione dei pedaggi.
Nel paragrafo 6 verrà formalizzato e caratterizzato il corrispondente problema
di allocazione delle risorse, che in questo caso consiste nell’ottimizzare il surplus
sociale in termini di flussi. L’ottimo di sistema cui si perviene generalizza la
definizione corrente in letteratura al caso stocastico multimodo e multiutente con
domanda elastica fino alla generazione. Tale problema verrà indicato con il nome
di ottimizzazione dei flussi.
E’ opportuno evidenziare che in generale l’effettuazione di uno spostamento
comporta la scelta dell’orario di partenza oltre che della destinazione, del modo e
dell’itinerario. Poiché gli spostamenti che hanno inizio in certo istante nel tempo
per tutta la loro durata generano esternalità sugli utenti che nel frattempo
utilizzano la rete, il sistema di pricing dovrebbe essere progettato per agire sulla
distribuzione della domanda nel tempo oltre che nello spazio. In questa sede, il
road pricing viene trattato nel contesto del NDP, che presuppone l’equilibrio;
pertanto la dimensione temporale del problema non può essere analizzata. Inoltre,
esulano dall’oggetto del presente lavoro gli aspetti del road pricing legati agli
effetti redistributivi e alle questioni di equità, così come le problematiche di
carattere tecnologico connesse all’implementazione di un sistema di pedaggi.

33
5 Ottimizzazione dei pedaggi

5.1 Formalizzazione del problema e caratterizzazione delle soluzioni

Posto che l’intervento di modifica dell’offerta consista nell’introduzione di un
sistema di pedaggi d’arco, assumendo che i costi di realizzazione e gestione del
sistema di pricing siano trascurabili rispetto ai relativi introiti, è possibile
eliminare dal problema (124) la dipendenza da z, il vincolo di budget e i costi di
realizzazione della modifica dell’offerta. Se inoltre non si considerano altri vincoli
oltre a quello di equilibrio, in particolare non ci sono restrizioni né sull’insieme
degli archi ove applicare il pricing, né sull’entità e il segno dei pedaggi, l’insieme
ammissibile delle variabili di progetto diventa lo spazio ℜν. Si ottiene così il
problema di ottimizzazione dei pedaggi:
max f, t S( f, t) = [N⋅Γ -1⋅W(Π T⋅c( f ) +Π T⋅t)] T⋅1 -E( f ) -λ⋅G( f ) +t T⋅f (127)
s.t.
f = f UE
f UE = f[c( f UE) +t]
Il problema (127) viene qui risolto in termini di pedaggi di alternativa T ,
rinviando al sottoparagrafo successivo il problema di determinare pedaggi d’arco t
consistenti con la soluzione individuata. A tal fine occorre sostituire il problema
di punto fisso (101) con quello equivalente (103). Con quest’intesa, in base alla
(88), alla (94) e alla (95) e sostituendo il vincolo di equilibrio nel problema di
punto fisso, il problema (127) diventa:
max F, T S(F, T ) = [N⋅Γ -1⋅W(C(F) +T )] T⋅1 -E(Π⋅F ) -λ⋅G(Π⋅F ) +T T⋅F (128)
s.t.
F = F[C(F) +T]
Sostituendo nel problema (128) la relazione T = C -C(F) , ottenuta dalla (94),
la funzione di domanda F(C) viene a rappresentare il luogo delle soluzioni
ammissibili del problema:
max F, C S(F, C ) = [N⋅Γ -1⋅W(C )] T⋅1 +C T⋅F -E(Π⋅F ) -λ⋅G(Π⋅F ) -C(F)T⋅F (129)
s.t.
F = F(C)
Si noti che in base alla (106) gli ultimi tre termini della (129) forniscono il costo
sociale CS(F) e pertanto il surplus sociale può essere posto nella forma (40).
Sostituendo infine il vincolo F = F(C) nella funzione obiettivo, si perviene ad
un problema di ottimo non vincolato nei soli costi generalizzati di alternativa:
max C S(C) = [N⋅Γ -1⋅W(C)] T⋅1 +C T⋅F(C) -CS[F(C)] (130)

34
 Proposizione (5): Sia S(C) la funzione di surplus sociale di cui alla (130) e h
un vettore del tipo (78). Vale la relazione:
S(C) = S(C +h) . (131)
Dimostrazione: Poiché il vettore h è del tipo (78), in base alla (46) e alla (71)
si ha: W(C +h) = W(C) -Γ⋅h’ , ove h’ = (h1 , h2 , … , hu , … , h|U|)T . Ne segue che
dalla (130), in base alla (76) si ha:
S(C) = [N⋅Γ -1⋅(W(C +h) +Γ⋅h’)] T⋅1 +(C +h -h)T⋅F(C +h) -CS[F(C +h)] ,
ove Γ è la matrice diagonale di dimensioni (|U| × |U|) degli elementi γ u . Poiché è
(N⋅h’)T⋅1 = hT⋅F, risulta:
S(C) = [N⋅Γ -1⋅W(C +h)] T⋅1 +(C +h)T⋅F(C +h) -CS[F(C +h)] = S(C +h) ,
che dimostra la (131).
Il problema (130) è non vincolato e differenziabile, pertanto l’annullamento del
gradiente della funzione obbiettivo è una condizione necessaria affinché un punto
sia soluzione del problema :
∇S(C) = 0 . (132)
Derivando la funzione obbiettivo del problema (130) come somma di prodotti
di funzioni composte e ricordando la (108) e la (75), si ottiene :
∇S(C) = [-Γ e⋅P’T⋅Γ -1⋅N]⋅1 +F(C) +∇F(C)⋅C -∇F(C)⋅CMS[F(C)] , (133)
Poiché è [-Γ ⋅P’ ⋅Γ ⋅N]⋅1 = -F , i primi due termini della (133) si semplificano
e T -1

permettendo di specificare il gradiente del surplus sociale come:

∇S(C) = ∇F(C)⋅(C -CMS[F(C)]) . (134)
Proposizione (6): Le soluzioni globali C ott del problema (130) sono del tipo:
C SE +h , con h del tipo (78). Se lo Jacobiano della funzione di costo marginale
sociale d’arco è semidefinito positivo ( ∇cms( f ) ; 0 ) allora tutte le soluzioni di
detto tipo risolvono il problema.
Dimostrazione: Le eventuali soluzioni globali C ott soddisfano le condizioni
necessarie del primo ordine (132). Poiché lo Jacobiano della funzione di domanda
∇F(C) T è una matrice diagonale a blocchi, in cui ciascun blocco è relativo ad una
classe di utenti, queste possono essere riscritte come |U| sistemi del tipo:
∇F u(C u) ⋅(C u -CMS u [F u(C u)]) = 0 u=1, … , |U| . (135)
u u u u u u u u
Ponendo ∇F (C ) = A e (C -CMS [F (C )]) = x le (135) diventano :
u u
A ⋅x = 0 u = 1, 2, … , |U| . (136)
Si noti che in base alla (68) risulta:
∑j∈J u Fju = N u u = 1, … , |U| . (137)
Differenziando le (137) rispetto al relativo generico termine di costo
generalizzato Chu , h∈J u, si ottiene: ∑j∈J u ∂Fju(C u)/∂Chu = 0 , cioè:
∑j∈J u ahju = 0 h = 1, … , |J u| , u = 1, … , |U| , (138)
u u u u u
ove ahj = ∂Fj (C )/∂Ch è il generico elemento della matrice A .
Poiché in base alle (138) si ha : ah1u = -∑j∈J u-{1} ahju , l’h-esima equazione del

35
generico sistema (136) può essere posta nella seguente forma:
∑j∈J u-{1} ahju ⋅(xju -x1u) = 0 h = 1, … , |J u| , u = 1, … , |U| . (139)
u
Poiché il minore di A ottenuto eliminando la prima riga e la prima colonna è
non singolare, il sistema lineare nelle variabili (xju -x1u) per j = 2, … , |J u|
individuato dalle (139) per h = 2, … , |J u| ammette la sola soluzione banale,
ovvero le soluzioni del generico sistema (136) sono del tipo x u = h u⋅1 .
Ne segue che condizione necessaria affinché un vettore di costi generalizzati di
alternativa risolva il problema è che esso sia soluzione di uno dei seguenti
problemi di punto fisso:
C = h +CMS[F(C)] , (140)
con h del tipo (78).
Dimostriamo ora che per ogni h del tipo (78) le soluzioni del problema di
punto fisso (140) coincidono con quelle del SE, C SE , più h . Poiché per
definizione è F(C SE) = F SE e CMS(F SE) = C SE , in base alla (76) i vettori C SE +h
soddisfano la (140): C SE +h = h +CMS[F(C SE +h)] . Ipotizziamo che per assurdo
esista un vettore C * +h , con C * ≠ C SE , che risolve il problema (140). Risulta
C * ≠ CMS[F(C *)] , perché il contrario è in contraddizione con C * ≠ C SE . In
base alla (76), ne segue che C * +h ≠ CMS[F(C *+h)] +h . Pertanto C * +h non
risolve il problema (140) . L’asserto di cui sopra risulta dimostrato. Ne segue che
condizione necessaria affinché un vettore di costi generalizzati di alternativa
risolva il problema è che esso appartenga all’insieme delle soluzioni C SE +h , con
h del tipo (78).
Si assuma ora l’ipotesi ∇cms( f ) ; 0. Si noti che, ciò posto, in base alla
proposizione (4) il SE è unico. Pertanto i punti stazionari formano un insieme
connesso ove, in base alla proposizione (5) , il surplus sociale assume lo stesso
valore. Ne segue che se il problema ammette una soluzione, poiché essa deve
verificare le condizioni necessarie, in realtà ne ammette infinite coincidenti con i
punti stazionari. Quanto segue serve a dimostrare che le cose stanno
effettivamente così.
Ponendo, in analogia a quanto fatto per le singole classi, ∇F(C) = A(C) = A e
(C -CMS[F(C)]) = x(C) = x , la (134) diventa:
∇S(C) = A(C)⋅x(C) . (141)
Differenziando la (141) si ottiene l’Hessiano del surplus sociale :
∇ S(C) = ∇x(C)⋅AT +∑u∈U ∑j∈J u xju⋅∇aju(C) ,
2
(142)
u
ove aj è la generica colonna di A.
Poiché nei punti stazionari risulta x = h , con h del tipo (78), in base alla (138)
per la generica classe u∈U risulta ∑j∈J u hu⋅∇aju(C) = 0 . Pertanto dalla (142) si ha:
∇2S(C SE +h) = AT -A⋅∇CMS(F)⋅AT . (143)
Poiché è ∇cms( f ) ; 0 , anche ∇CMS(F) è tale. In base alla proposizione v) in
appendice, ne segue che la matrice -A⋅∇CMS(F)⋅AT, è semidefinita negativa.

36
Poiché A è semidefinita negativa e la somma di matrici semidefinite negative é
semidefinita negativa, tale è anche l’Hessiano (143) .
Esaminiamo ora il problema nel sottospazio dei costi relativo al sottovettore C -,
di dimensioni (n -|U| × 1), ottenuto eliminando da C una componente per ogni
classe di utenti. Lo Jacobiano trasposto dei costi generalizzati di alternativa letti in
funzione del sottovettore C -, è una matrice rettangolare pari alla matrice unità
senza le righe corrispondenti alle componenti di C eliminate, e nel seguito viene
pertanto indicato con I -. Il gradiente e l’Hessiano del surplus sociale in funzione
C - assumono rispettivamente la seguente forma:
∇C - S(C) = I -⋅∇S(C ) , (144)
2 - 2 -T
∇C S(C) = I ⋅∇ S(C ) ⋅I .
- (145)
Sostituendo la (143) nella (145) si ottiene:
∇C -2 S(C SE +h) = I -⋅AT⋅I -T -I -⋅A⋅∇CMS(F)⋅AT⋅I -T . (146)
T
Con riferimento alla (146), il primo termine fornisce il minore di A ottenuto
eliminando le righe e le colonne corrispondenti al sottovettore C - . Si tratta di una
matrice diagonale a blocchi con blocchi definiti negativi e, pertanto, definita
negativa. Mentre, sempre in base alla proposizione v), il secondo termine è
semidefinito negativo. Poiché la somma di una matrice definita negativa e di una
semidefinita negativa è definita negativa, tale è anche l’Hessiano di cui alla (146).
Pertanto, nel sottospazio considerato, i punti stazionari C SE +h , con h del tipo
(78), sono dei massimi locali stretti del surplus sociale.
Ne segue che, in base alla proposizione (5), tutti i punti stazionari sono
massimi locali della funzione differenziabile S(C). Tutte le ipotesi della
proposizione iv) , detta teorema del risvolto e riportata in appendice, sono
soddisfatte; pertanto il problema (130) ammette infinite soluzioni che coincidono
con i relativi punti stazionari : Cott = C SE +h , con h del tipo (78).
Corollario (7): Le soluzioni globali C ott del problema (130) determinano flussi
di SE: F(C ott) = F SE . Inoltre, se è ∇cms( f ) ; 0 , allora tutte le soluzioni che
determinano flussi di SE massimizzano il surplus sociale.
Dimostrazione: Poiché per definizione è F SE = F(C SE) , in base alla (76) i
punti stazionari C SE +h, ove h è del tipo (78), determinano i flussi di SE . Poiché
le soluzioni globali C ott sono punti stazionari la prima parte dell’asserto risulta
dimostrata. La seconda parte di esso risulta immediatamente considerando che, se
è ∇cms( f ) ; 0 , in base alla proposizione (6) le soluzioni globali C ott coincidono
con i punti stazionari e che in base alla (77) i punti stazionari sono gli unici vettori
di costo generalizzato che determinano i flussi di SE.
Corollario (8): I pedaggi di alternativa che massimizzano il surplus sociale
sono del tipo T SE +h , con h del tipo (78). Inoltre, se è ∇cms( f ) ; 0 , allora tutti i
pedaggi di detto tipo risolvono il problema di ottimizzazione dei pedaggi.

37
 Dimostrazione: L’asserto risulta immediatamente in base alla proposizione (1)
e al corollario (7).
Si noti, inoltre, che, con riferimento al caso di domanda elastica a livello di
generazione, fissare il valore del pedaggio relativo all’alternativa di non spostarsi,
ad esempio ponendolo uguale a zero, equivale a determinare univocamente il
vettore h . In tal senso si può parlare di unicità della soluzione del problema di
ottimizzazione dei pedaggi in termini variabili di alternativa.
I risultati esposti mostrano, in sostanza, che la massimizzazione del surplus si
ottiene in corrispondenza del SE. Segnatamente, se la soluzione in termini di flussi
di SE è unica, la soluzione del problema di ottimizzazione dei pedaggi risulta
immediatamente individuata; se, invece, il SE ammette più soluzioni, ciascuna di
queste da luogo ad un punto stazionario del surplus sociale. Alcune di queste
soluzioni corrispondono ai massimi locali della funzione, altri, a minimi locali o a
punti di sella. In realtà, sono soluzioni del problema solamente i massimi globali
del surplus sociale. Se la soluzione del SE non è unica è pertanto opportuno
adottare un approccio di ottimizzazione stocastica al fine di individuare il SE
ottimo in termini di surplus sociale.

C2

S(C SE) S(C SE +h)

h C SE +h
C SE

C1

Figura 4): Il surplus sociale nel caso in cui è ∇cms( f ) ; 0

La figura, che fa riferimento al caso di una sola classe di utenti e di due alternative di spostamento,
rappresenta il grafico della funzione S(C), e mostra che il massimo del surplus sociale si ottiene in
corrispondenza dei punti stazionari C SE +h , con h del tipo (78), ossia del luogo dei punti disposti
lungo la retta parallela alla bisettrice del primo quadrante passante per il punto C SE . Nel
sottospazio di C1 o di C2 tali punti sono dei massimi locali stretti

38
5.2 Risoluzione del problema in termini di pedaggi d’arco
Nel precedente paragrafo si è dimostrato che la soluzione del problema di
ottimizzazione dei pedaggi, espressa in termini di variabili di alternativa, è del
tipo T SE +h , con h del tipo (78). Affinché questo risultato assuma una rilevanza
pratica, occorre quindi determinare un vettore di pedaggi d’arco t che risolva il
seguente sistema lineare : Π T⋅t = T SE +h , ove h è un qualsiasi vettore del tipo
(78).
Corollario (9): Il vettore di pedaggi d’arco t SE = cms( f SE) -c( f SE) realizza il
SE attraverso i pedaggi di alternativa T = T SE.
Dimostrazione: Occorre dimostrare che t SE risolve il sistema Π T⋅t = CMS(F SE) -C(F SE).
Sottraendo membro a membro la (86) alla (109) entrambe calcolate in
corrispondenza di un SE si ottiene: CMS(F SE) -C(F SE) = Π T⋅[cms( f SE) -c( f SE)].
Pertanto sostituendo nel sistema di cui sopra t con t SE si ottiene un’identità che
dimostra l’asserto.
I pedaggi t SE sono il valore assunto in corrispondenza di un SE dalla
particolare funzione vettoriale data dalla differenza tra i costi marginali sociali e i
costi di prestazione, detta funzione dei pedaggi marginali , che in base alla (107)
assume la forma:
mt( f ) = ∇c( f )⋅f +∇E( f ) +λ⋅∇G( f ) . (147)
La funzione di costo marginale sociale necessaria a determinare il SE può dunque
essere interpretata come la somma dei costi di prestazione e dei pedaggi
marginali.
E’ il caso di evidenziare che in termini di pedaggi d’arco la soluzione in
generale non risulta unica. Si pensi, ad un esempio, al caso in cui due archi
appartengono esclusivamente ad un stesso insieme di alternative: tutte le coppie di
pedaggi la cui somma è costante se applicate a tali archi danno luogo ad un stesso
vettore di pedaggi di alternativa. Ne segue che una configurazione ottimale di
pedaggi di alternativa può essere implementata in infiniti modi.
Ultimamente Hearn e Ramana (1998) e in seguito Dial (1999) hanno inteso
sfruttare l’esistenza di una eventuale molteplicità di soluzioni in termini di
pedaggi d’arco al fine di perseguire un secondo criterio, oltre a quello di
massimizzazione del benessere sociale. In particolare essi hanno evidenziato che
minimizzando gli introiti si ottiene una soluzione caratterizzata dall’indubbio
vantaggio di imporre il pedaggio su un numero limitato di archi.
Si noti che il contesto in cui essi affrontano il problema di ottimizzazione dei
pedaggi è deterministico e a domanda rigida. All’equilibrio viene quindi utilizzato
un numero limitato di percorsi, specie quando si registra un basso livello di
congestione. Poiché il pedaggio di un percorso non utilizzato può essere fissato a
piacimento senza modificare il valore della funzione obbiettivo, il problema nella

39
sua versione deterministica ammette un numero di gradi di libertà maggiore
rispetto al caso stocastico qui considerato in cui tutti i percorsi vengono utilizzati.
Pertanto ritengo che l’applicazione in un contesto stocastico e con domanda
elastica di metodi analoghi a quelli riportati nei lavori citati non condurrebbe a
risultati altrettanto interessanti.
E’ opportuno puntualizzare che in teoria, poiché nel formalizzare l’offerta sono
state considerate per ogni arco funzioni di prestazione specifiche di classe, per
realizzare il marginal pricing occorre imporre su ogni arco della rete un pedaggio
in generale diverso per ogni classe di utenti. In pratica, però, tutti gli utenti che
percorrono uno stesso arco sono soggetti alla stessa congestione che dipende in
sostanza dal flusso totale sull’arco e, nel caso di funzioni di prestazione non
separabili, dal flusso totale degli archi limitrofi. E’ dunque possibile assumere
(Daganzo, 1983) che i costi di prestazione d’arco cau specifici di classe siano
proporzionali al tempo di percorrenza dell’arco stesso, indicato con sa , e che
quest’ultimo dipenda dal flusso totale equivalente che insiste sull’arco, indicato
con va:
cau = η u ⋅ctau ⋅sa a∈A, u∈U , (148)
va = ∑ u∈U ϑa ⋅fa +∑ b∈AL(a) ϑ l(b) ⋅φ l(b) a∈A ,
u u
(149)
ove η è il valore monetario del tempo per la classe u e cta e ϑa sono dei
u u u

coefficiente indipendenti dalla congestione che esprimono rispettivamente la

sensibilità dell’utente u∈U ai tempi spesi sull’arco a∈A e il peso dell’utente u∈U
sul deflusso dell’arco a∈A . Con riferimento alla (149) la sommatoria a secondo si
aggiunge per tener conto dell’effetto della presenza dei mezzi pubblici sulla
congestione dell’arco promiscuo.
Si noti che introducendo una nuova variabile di flusso, detta flusso monetario e
indicata con τa , è possibile implementare un modello multiutente che non
richieda di gestire le variabili specifiche di classe:
τa = ∑ u∈U fau ⋅η u⋅ctau a∈A, u∈U . (150)
Risulta infatti:
mtau = cmsau -cau = ∑ q∈U ∑ b∈A fbq ⋅∂cbq( f , z)/∂fau +∂E/∂fau a∈A, u∈U , (151)
mta = ∑ b∈A τb⋅∂sb(v, z)/∂va +∂E/∂va a∈A , (152)
mta = ϑa ⋅mta a∈A , u∈U
u u
(153)
Ne segue che i pedaggi marginali specifici di classe possono essere ottenuti
moltiplicato un termine comune a tutte le classi per il rispettivo coefficiente di
flusso equivalente. La (153) è coerente con il principio utilitarista che sul quale è
informato il surplus sociale; infatti con il marginal pricing la tassazione penalizza
le esternalità dello spostamento a danno degli altri individui, mantenendo una
posizione neutra rispetto alle diverse sensibilità degli utenti.
L’algoritmo risolutivo di seguito riportato calcola una assegnazione del tipo
System Equilibrium mediante l’MSA assumendo come variabili correnti i flussi

40
d’arco equivalenti v e i flussi monetari equivalenti τ ; yv e yτ sono i rispettivi flussi
ausiliari. Con w , p e d vengono indicate rispettivamente le soddisfazioni di nodo
in termini di tempo, le probabilità condizionate di nodo e i flussi di relazione che
definiscono le matrici di domanda. Il vettore o esprime l’ordinamento topologico
della rete (i nodi in ordine di lontananza da ogni destinazione).
1) inizializzazione
2) k = k +1 aggiorna il contatore delle iterazioni
k k
3) s = s(v ) calcola i tempi d’arco
4) mt = mt(v , τ )
k k k
calcola i pedaggi marginali d’arco
5) s = s +η
k k k
perturba i tempi d’arco (Probit)
k k k k
6) (w , p ) = r(s , mt ) calcola soddisfazioni e probabilità di nodo
k k
7) d = d(w ) calcola la domanda
k k k
8) yv = yv( p , d ) ,
yτk = yτ( p k, d k) carica la domanda sulla rete
k+1 k k k
9) v = v +1/k ⋅ (yv -v ) ,
τ k+1 = τ k +1/k ⋅(yτk -τ k) aggiorna i flussi
10) if max a∈A |va - va | / va < ε then stop
k k-1 k
criterio di arresto
11) goto 2
inizializzazione
1) k = 0 inizializza il contatore delle iterazioni
2) v k = 0, τ k = 0 [v k = v old , τ k = v old] inizializza i flussi d’arco
3) mt k = 0 inizializza i pedaggi marginali
4) s k = s(v k) calcola i tempi d’arco
5) o = o(s k, mt k) ordina i nodi (Logit)
6) (w k, p k) = r(o, s k, mt k) calcola soddisfazioni e probabilità di nodo
7) d k = d(w k) calcola la domanda
8) yvk = yv( p k, d k) , yτk = yτ( p k, d k) carica la domanda sulla rete
9) v k+1 = y k , τ k+1 = yτk aggiorna i flussi

6 Il System Optimum
Il classico problema dell’economia del benessere consiste nel determinare
l’allocazione dei beni che massimizza una data funzione di utilità sociale. Con
riferimento all’equilibrio domanda offerta di trasporto, il problema è noto in
letteratura come System Optimum. Nel nostro caso si tratta di determinare la
configurazione dei flussi di spostamento che massimizza il surplus sociale.
Poiché i flussi costituiscono la variabile di progetto, si deve assumere che le
scelte di spostamento vengano imposte agli utenti. Si pone quindi il problema di
come monetizzare le utilità individuali corrispondenti ad una data configurazione
dei flussi, dal momento che il surplus del consumatore ne è una misura solo se il

41
punto in cui viene calcolato appartiene alla funzione di domanda. La questione
viene superata calcolando il surplus sociale in corrispondenza dei costi che
determinerebbero in base alla funzione di domanda quei flussi e poi sottraendo ad
esso la differenza tra la somma dei costi cui effettivamente danno luogo i flussi e
quella dei costi in cui viene calcolato il surplus sociale. A tal fine occorre disporre
dell’inversa della funzione di domanda.
Fissato C + , che è il sottovettore di dimensioni (|U| × 1) , relativo alle
componenti eliminate da C per ottenere C - , la funzione di domanda diventa una
funzione del solo vettore C - che, in base alla (77), risulta invertibile. L’inversa
della funzione di domanda : F -1: {F∈ℜn : F > 0} → ℜn -|U| , assume valori nel
sottospazio dei costi ridotto, è definita per flussi strettamente positivi, perché tali
sono i modelli di scelta impiegati, e risulta continua e differenziabile, perché tale è
la funzione di domanda.
Indicando con F - ed F + la partizione di F congruente con quella di C in C - e C +,
il System Optimum può essere quindi formalizzato come segue:
max F S(F) = [N⋅Γ -1⋅ W(F -1(F))] T⋅1 -E(Π⋅F) +[F -1(F)T⋅F -+C +T⋅F + -C(F)T⋅F] (154)
s.t.
F u T⋅1 = N u u=1, … , |U|
F≥0
Si noti che la funzione obbiettivo (154) differisce sostanzialmente dal surplus
sociale di cui alla (128) che pur esprime il surplus sociale in funzione dei flussi di
alternativa. D’altra parte il problema non consiste in un NDP, bensì in un
problema di allocazione; pertanto la sua formulazione non prevede né la presenza
di pedaggi, i quali possono essere eventualmente introdotti a posteriori al fine di
realizzare la configurazione ottimale dei flussi, né, tanto meno, quella di
investimenti. Per la stessa ragione non compare il vincolo di equilibrio. Poiché
quest’ultimo con riferimento alla (128) fa sì che il punto di calcolo appartenga alla
funzione di domanda, la sua mancanza motiva il fatto che nella (154) la funzione
di soddisfazione viene calcolata in corrispondenza dell’inversa della funzione di
domanda e non dei costi di alternativa. Con riferimento alla (154) la somma di
termini tra parentesi quadre esprime la differenza di costi totali che compensa
l’incongruenza introdotta con tale artificio.
Utilizzando le relazioni F u T⋅1 = N u è possibile esprimere F + e quindi F in
funzione di F - . Ridefinendo il problema nelle variabili F - si perviene, in base alla
(106), alla seguente formulazione con soli vincoli di disuguaglianza:
max F- S(F -) = [N⋅Γ -1⋅ W(F -1(F(F -)))] T⋅1 +F -1(F(F -))T⋅F -+C +T⋅F +(F -) -CS[F(F -)] (155)
s.t.
F - u T⋅1 ≤ N u u=1, … , |U|
F -≥ 0

42
 Con riferimento al problema (155), nonostante il fatto che l’inversa della
funzione di domanda abbia punti di singolarità in corrispondenza della frontiera
dell’insieme di definizione, la funzione obbiettivo è continua, perché al tendere di
una delle componenti di flusso a zero tutto va come se la corrispondente
alternativa venisse eliminata dal relativo insieme di scelta. Poiché l’insieme di
definizione è compatto, convesso e non vuoto l’esistenza di una soluzione risulta
assicurata in base al teorema di Weierstrass. Dal momento che l’aggiunta di
alternative non può che migliorare il surplus sociale (ciò è rigorosamente vero con
riferimento alla soddisfazione) si può escludere il caso che la soluzione si trovi su
un punto di frontiera. Pertanto essa deve trovarsi in un punto a gradiente nullo
interno all’insieme ammissibile. In quanto segue si dimostra che i punti che
annullano il gradiente della funzione obbiettivo sono tutti e soli i flussi di SE ,
interni all’insieme ammissibile per definizione.
Derivando la funzione obbiettivo del problema (155) come somma di prodotti
di funzioni composte mediante passaggi analoghi a quelli svolti per ottenere la
(134) si ottiene:
∇S(F -) = ∇F - F -1(F(F -)) ⋅I - ⋅F[F -1(F(F -))] +∇F - F -1(F(F -)) ⋅F - +
+F -1(F(F -)) +∇F +(F -) ⋅C + -∇F(F -) ⋅CMS [F(F -)] (156)
- -1 - -
Poiché risulta I ⋅F[F (F(F ))] = F i primi due termini della (156) possono
essere semplificati. Considerando che lo Jacobiano ∇F(F -) è uguale alla matrice I -
tranne che per gli elementi della prima colonna che sono tutti uguali a -1 anziché a
0 , si ottiene infine:
∇S(F -) = [F -1(F(F -)) -C +e] -[CMS -(F(F -)) -CMS+e(F(F -))] , (157)
ove con l’apice “e” indichiamo l’espansione, di dimensioni (n -|U| × 1), di un
vettore di dimensioni |U|, ottenuta replicando opportunamente la componente del
vettore originale relativa a ciascuna classe in modo che la struttura del vettore
risultante sia congruente con lo spazio dei costi ridotto.
Proposizione ii): Le soluzioni globali del problema (154) sono del tipo F SE,
ossia il System Optimum è un System Equilibrium.
Dimostrazione: Poiché l’annullamento del gradiente ∇S(F -) è una condizione
necessaria per il System Optimum, la soluzione in termini di flussi F del problema
(154) in base alla (157) deve soddisfare la seguente relazione:
[F -1(F ) -C +e] -[CMS -(F) -CMS+e(F)] = 0 . (158)
SE SE -1 SE SE - +e SE +e
Poiché è C = CMS(F ) e F (F ) = C +C -C i flussi di System
SE
Equilibrium F soddisfano la (158). Dimostriamo ora che quelli di System
Equilibrium sono gli unici flussi ammissibili che rispettano tale relazione:
F -1(F*) ≠ CMS -(F*) +[C +e -CMS+e(F*)] ∀F* ≠ F SE∈SF . (159)
Ponendo i due membri della (159) come argomenti della funzione di domanda,
poiché è F(F -1(F*)) = F* , in base alla (76) per hu = CMS+ u(F*) -C + u si ottiene:

43
F* ≠ F[CMS(F*)] ∀F* ≠ F SE∈SF , che è vera in base alla definizione di System
Equilibrium. Ciò completa la prova.
Corollario iii): Se lo Jacobiano della funzione di costo marginale sociale
d’arco è semidefinito positivo allora il System Optimum è unico.
Dimostrazione: Poiché se è ∇cms( f ) ; 0 il System Equilibrium è unico, in
base alla proposizione ii) , l’asserto risulta dimostrato.
E’ opportuno evidenziare che per estendere al caso stocastico il noto risultato
che il SO si ha in corrispondenza di un SE risulta indispensabile considerare come
funzione obbiettivo il surplus sociale e non più i costi sociali come nel caso
deterministico. D’altra parte in quest’ultimo caso il surplus sociale degenera nei
costi sociali. Questa può essere considerata una conferma dell’importanza teorica
che assume nei problemi di progetto la funzione obbiettivo surplus sociale.

44
 PARTE TERZA – Progettazione congiunta dei
pedaggi e di altre caratteristiche dell’offerta

7 Formalizzazione del problema e caratterizzazione delle soluzioni

In questo capitolo verrà formalizzata e caratterizzata in termini di proprietà
della soluzione la specificazione del NDP (124) relativa al caso in cui il budget
viene fissato indipendentemente dagli introiti del pedaggio e i costi di
investimento non dipendono dai flussi. Come nel capitolo precedente si assume
che i costi di realizzazione e gestione del sistema di pricing siano trascurabili
rispetto ai relativi introiti e, soprattutto, non si prevedono restrizioni né
sull’insieme degli archi ove applicare il pricing, né sull’entità e il segno dei
pedaggi. Si assume inoltre che l’insieme ammissibile Sz sia un intervallo del tipo
z min ≤ z ≤ z max, con z min < z max. Sotto queste ipotesi il problema assume la
seguente forma:
max f, t, z S( f, t, z) = [N⋅Γ -1⋅W(Π(z)T⋅c( f , z) +Π(z)T⋅t)] T⋅1 -E( f , z) -λ⋅G(z) +t T⋅f (160)
s.t.
z min ≤ z ≤ z max
G(z) ≤ B
f = f UE
f UE = f[c( f UE, z) +t , Π(z)]
E’ opportuno evidenziare che, poiché la possibilità di operare liberamente sui
pedaggi consente di determinare la configurazione dei flussi di equilibrio, la (160)
formalizza di fatto di un problema di progetto normativo. Inoltre l’applicazione di
un pedaggio ad ogni arco della rete, compresi quelli del sistema di trasporto
collettivo, risulta in pratica assai problematica se non irrealizzabile. In realtà il
principale pregio di questo strumento di ottimizzazione è quello di determinare un
limite superiore del surplus sociale per il problema “reale”, ove l’eventuale
pricing è limitato ad alcuni archi della rete.
In questa sede le variabili di progetto z si considerano associate a caratteristiche
delle infrastrutture e dei servizi di trasporto il cui incremento, da una parte
produce un miglioramento delle prestazioni, dall’altra genera un aumento dei costi
di investimento; si tralascia pertanto il caso di interventi finalizzati a ridurre i costi
di esercizio del sistema di trasporto. Coerentemente si assumono le seguenti
ipotesi:
∇G(z) ≥ ε > 0 ∀z∈Sz , (161)
min
B ≥ G(z ) . (162)

45
 Poiché in base alla (161) il gradiente del vincolo di budget è strettamente
positivo anche in senso asintotico, procedendo lungo ogni direzione non negativa
a partire dal punto z min , che in base alla (162) rispetta il vincolo di budget, si
incontra al finito un punto che soddisfa detto vincolo all’uguaglianza, oltre il
quale i punti sono non ammissibili. Ne segue che l’insieme ammissibile del
problema (160) rispetto alle variabili z è non vuoto e compatto.
Analizziamo ora la regolarità dei vincoli del problema (160) ricordando che i
punti di non regolarità sono quelli in corrispondenza dei quali i gradienti dei
vincoli attivi sono linearmente dipendenti. Le ipersuperfici dei vincoli z ≥ z min e z
≤ z max sono piani reciprocamente perpendicolari e quindi non generano punti di
irregolarità; invece l’ipersuperficie del vincolo di budget non può essere tangente
a detti piani, altrimenti poiché questi sono paralleli ai piani coordinati qualche
componente del relativo gradiente risulterebbe nulla contraddicendo l’ipotesi
(161). Può invece accadere che l’ipersuperficie del vincolo di budget transiti per
uno o più vertici dell’intervallo z min ≤ z ≤ z max, rendendo irregolari tali punti.
Escludendo che ciò si verifichi, si può assumere che i vincoli siano regolari. La
figura 5 illustra tali concetti con riferimento al caso di due variabili di progetto.

z2 ∇G(z’’)
∇G(z’)
z’’ z max

z’
G(z) = cost

G(z) = B

z min
z1

Figura 5): Proprietà dell’insieme ammissibile del NDP (160)

Rispetto alle variabili z tale insieme è non vuoto e compatto. Eventuali punti di non regolarità per i
vincoli possono aversi solo in corrispondenza dei vertici dell’intervallo z min ≤ z ≤ z max , quando
l’ipersuperficie G(z) = B del vincolo di budget transita per essi, come nel punto z’’ in figura.

Per z∈Sz fissato, il problema (160) coincide con il problema (127) che, in base
al corollario 7 ammette soluzione in termini di flussi in corrispondenza di un SE.
Poiché tutte le funzioni impiegate nella formalizzazione del problema sono
continue, il valore del surplus sociale nella soluzione è una funzione continua di z.
Poiché, inoltre, Sz è compatto, in base al teorema di Weierstrass, ne segue che
anche l’NDP (160) ammette soluzione in corrispondenza di un SE .

46
 Operando la trasformazione dallo spazio dei flussi e dei pedaggi a quello dei
costi generalizzati di alternativa come nel paragrafo 5.1 , l’NDP (160) diventa un
problema di ottimo ad un solo livello nei costi C e nelle variabili di progetto z ,
qui di seguito espresso in forma standard :
min C, z -S(C, z) = -[N⋅Γ -1⋅W(C)] T⋅1 -C T⋅F(C) +CS[F(C ), z] (163)
s.t.
z min -z ≤ 0
z -z max ≤ 0
G(z) -B ≤ 0
Il Lagrangiano associato al problema (163) è dato da:
L(C, z, µ, η) = -S(C, z) +∑p∈P µ minp ⋅(z minp -zp) +∑p∈P µ maxp ⋅(zp -z maxp)+η⋅[G(z) -B] . (164)
Poiché i vincoli sono regolari, le KKT (condizioni di Karush - Khun - Tucker),
di seguito riportate, rappresentano condizioni necessarie del primo ordine per un
minimo locale e quindi anche per la soluzione del problema di progetto :
η≥0, (165)
µ≥0, (166)
η⋅[G(z) -B] = 0 (167)
µ min p ⋅(z minp -zp) = 0 , µ maxp ⋅(zp -z maxp) = 0 p = 1, ... , |P| , (168)
∂L(C, z, µ, η)/∂zp = -∂S(C, z)/∂zp -µ minp +µ maxp +η⋅∂G(z)/∂zp = 0 p = 1, ... , |P| , (169)
∇C L(C, z, µ, η) = -∇C S(C, z) = 0 , (170)
G(z) ≤ B , (171)
z min ≤ z ≤ z max . (172)
La (170) coincide con la (132). Ciò conferma in termini analitici che la
soluzione si ha in corrispondenza dei flussi di un SE. Essa può pertanto essere
sostituita dal problema di punto fisso (110).
In base alle (167) - (168) se un vincolo di disuguaglianza non è attivo, il
corrispondente moltiplicatore è nullo.
Pertanto, con riferimento alla generica variabile di progetto zp , se nessuno dei
due relativi vincoli è attivo, ossia risulta z minp < zp < z maxp , la corrispondente
(169) diventa:
∂CS[F(C), z]/∂zp +η ⋅∂G(z)/∂zp = 0 p = 1, ... , |P|. (173)
min max
Poiché è z p < z p , i due vincoli non possono essere contemporaneamente
attivi. Ne segue che se uno di essi è attivo la (169) ne fornisce il moltiplicatore. In
base alla (166) si hanno pertanto le seguenti condizioni, valide rispettivamente
quando zp = z minp e zp = z maxp :
∂CS[F(C), z]/∂zp +η⋅∂G(z)/∂zp ≥ 0 , -∂CS[F(C), z]/∂zp -η⋅∂G(z)/∂zp ≥ 0 p = 1, ... , |P| . (174)
Con riferimento alla generica variabile di progetto zp , definiamo rendimento a
flussi costanti la quantità ρp che esprime la riduzione dei costi sociali conseguente

47
all’impiego di una unità aggiuntiva del budget al fine di aumentare zp , a flussi di
alternativa costanti:
ρp = -∂CS(F, z)/∂zp / ∂G(z)/∂zp = ρp(F, z) p = 1, ... , |P|. (175)
Al fine di interpretare le condizioni necessarie è opportuno divedere entrambi i
membri delle (174) e delle (173) per il corrispondente termine ∂G(z)/∂zp , positivo
in base all’ipotesi (161). Con tale intesa, impiegando la definizione (175), le
condizioni (165) - (169) assumono il seguente significato:
se z minp < zp < z maxp , si ha ρp = η ; se zp = z minp , si ha ρp ≤ η ; se zp = z maxp , si ha ρp ≥ η , (176)
se G < B, si ha η = 0 ; se G = B, si ha η > 0 , (177)
ossia: tutte le variabili di progetto i cui vincoli non sono attivi devono avere lo
stesso rendimento a flussi costanti η , tale rendimento deve essere maggiore di
quello delle variabili poste al valore minimo richiesto e minore di quello delle
variabili poste al valore massimo ammissibile; se non tutto il budget viene
impiegato, allora tale rendimento è nullo, mentre se il vincolo di bilancio è
soddisfatto all’uguaglianza il rendimento dell’investimento è positivo.
I costi sociali di cui alla (175) sono espressi nella forma funzionale (106), ove
la dipendenza da z ha luogo sia attraverso la funzione di prestazione d’arco c( f, z)
che attraverso la funzione di ripartizione Π(z) . Differenziano la (106) rispetto a z
in base alla (88) e alla (94) si ottiene la seguente espressione compatta per le
derivate parziali del costo sociale:
∇zCS(F, z) = ∑u∈U ∑j∈J u Fju⋅∇Πju(z)⋅[∇f c(⋅f, z) ⋅ f +c +∇f E( f , z)]
+∇z c( f, z) ⋅f +∇z E( f , z) +λ⋅∇G(z) , (178)
ove⋅la funzione Πj (z) esprime la generica colonna della matrice Π . Ne segue che
u

per computare il vettore ρ risulta necessario operare su un modello con variabili di

alternativa esplicite.
Per superare questa complicazione ai fini del calcolo dei rendimenti e
limitatamente a tale scopo si assume l’approssimazione di considerare Π
indipendente da z , che equivale a mantenere costanti i flussi d’arco, invece che
quelli di alternativa. Differenziando l’espressione del costo sociale (105) in f
invece della (106) in F , in base alla (88) si ottiene infatti:
∇zcs( f, z) = ∇z c( f, z)⋅f +∇z E( f , z) +λ⋅∇G(z) , (179)
che coincide con la (178) a meno del primo termine a secondo membro che per
Π(z) = costante risulta nullo.
Sostituendo le componenti della (179) al posto di quelle della (178) nelle (175)
i rendimenti a flussi costanti diventano una funzione dei flussi d’arco:
ρp = -[∑u∈U ∑a∈A fau⋅∂ cau( f , z)/∂zp +∂E( f , z)/∂zp] / ∂G(z)/∂zp -λ = ρp( f , z) p = 1, ... , |P| . (180)
E’ opportuno evidenziare che in genere la funzione di ripartizione Π(z) è una
caratteristica specifica del trasporto collettivo e si estrinseca solitamente nella
dipendenza dei coefficienti di ripartizione degli h-archi di attesa dalle frequenze
delle linee ad essi associate, come nel modello di offerta riportato in appendice.

48
Con riferimento al trasporto privato, invece, le alternative di spostamento sono
associate a cammini, pertanto le relative colonne della matrice Π hanno
componenti booleane. Pertanto solo nella progettazione delle frequenze l’ipotesi
Π(z) = costante introduce effettivamente una approssimazione.
Concludendo, le condizioni necessarie del primo ordine KKT assumono la
seguente forma:
f = f[cms( f , z), Π(z)] , (181)
se z minp < zp < z maxp , si ha ρp( f , z) = η ; se zp = z minp , si ha ρp( f , z) ≤ η ;
se zp = z maxp , si ha ρp( f , z) ≥ η p = 1, ... , |P| , (182)
se G(z) < B, si ha η = 0 ; se G(z) = B, si ha η > 0 , (183)
G(z) ≤ B , (184)
z min ≤ z ≤ z max . (185)

8 Risoluzione mediante la formulazione di problemi di assegnazione

equivalenti
Le (182) - (185) coincidono con le condizioni necessarie del primo ordine KKT
del problema di minimizzazione a flussi d’arco costanti dei costi sociali (105):
min z cs( f, z) (186)
s.t.
G(z) ≤ B
z min ≤ z ≤ z max
Con riferimento alle variabili di progetto z , l’insieme ammissibile del
problema (186) è lo stesso del NDP (160). Esso è pertanto non vuoto, compatto e
generato da vincoli regolari. Poiché poi le funzioni impiegate nella
formalizzazione sono tutte continue, in base al teorema di Weierstrass il problema
ammette soluzione e quindi in corrispondenza di ogni vettore f∈Sf esiste almeno
una soluzione che rispetta le KKT.
Sia z( f ) la mappa che stabilisce una relazione tra un vettore f∈Sf e l’insieme
delle soluzioni che rispettano le corrispondenti KKT e sia f SE(z) la mappa che
stabilisce una relazione tra un vettore z∈Sz e l’insieme delle soluzioni che
risolvono il System Equilibrium corrispondente.
Con tale intesa le condizioni necessarie (181) - (185) del problema di progetto
vengono sinteticamente espresse dal seguente sistema:
f = f SE(z) , (187)
z = z( f ) . (188)
Gli algoritmi solitamente impiegati per risolvere questo tipo di problemi sono
del tipo block Jacobi o del tipo Gauss Seidel (Bertsekas, 1995) a seconda che si
utilizzino le equazioni ricorsive:

49
f k+1 = f SE(z k) , (189)
k+1 k
z = z( f ) , (190)
oppure le
f k+1 = f SE(z k) , (191)
k+1 k+1
z = z( f ) . (192)
In questa sede, più convenientemente, il problema viene risolto con un approccio
di punto fisso, formulando un problema di assegnazione di equilibrio equivalente.
A seconda che le (187) - (188) vengano sostituite una nell’altra o vengano trattate
come distinte risultano individuati due diversi metodi risolutivi per l’NDP in
esame. Il primo si basa su una modifica della funzione di costo d’arco; il secondo
implica invece l’introduzione di una iper rete con archi fittizi di investimento.

8.1 Assegnazione con modifica della funzione di costo d’arco

Il presente metodo richiede che i costi sociali e i costi di investimento siano
strettamente convessi in z . In tal caso, infatti, il problema (186) è convesso e
pertanto ammette un’unica soluzione che rispetta le relative KKT. Ne segue che la
mappa z( f ) è una funzione continua.
Sostituendo la (188) nella (187) e ricordando che quest’ultima rappresenta la
risoluzione di un SE, si ottiene un problema di punto fisso nei flussi f , che può
essere interpretato come un problema di assegnazione con funzione di costo
d’arco modificata:
f = f[cms( f , z( f )), Π(z( f ))] . (193)
In base alla (193) a rigore la sostituzione interessa anche la funzione di
ripartizione; il che non pregiudica comunque la validità dell’approccio che in
pratica consiste nel calcolare i costi marginali sociali e la funzione di ripartizione
utilizzando la soluzione in termini di variabili di progetto del problema di
minimizzazione a flussi d’arco costanti dei costi sociali nell’ambito di una
procedura di assegnazione di sistema.
Giova evidenziare che l’esistenza della soluzione del problema di punto fisso
(193) risulta garantita dalla continuità delle funzioni impiegate, ma l’unicità del
SE non garantisce affatto che questa sia unica. Nel caso Π(z) = costante tale
proprietà può essere dimostrata facendo riferimento alla funzione di costo
marginale modificata. In pratica se lo Jacobiano ∇f cms( f , z( f )) è semidefinito
positivo allora la soluzione del problema di punto fisso è unica e l’algoritmo MSA
sui costi vi converge (Cantarella, 1997).
L’algoritmo risolutivo di seguito riportato calcola appunto una assegnazione
del tipo System Equilibrium mediante una procedura che differisce dall’MSA
presentato al paragrafo 5.2 per l’introduzione del passo 3 , in cui vengono
calcolate le variabili di progetto corrispondenti alla soluzione del problema (186).

50
 1) inizializzazione
2) k = k +1 aggiorna il contatore delle iterazioni
3) z = z(v , τ )
k k k
calcola le variabili di progetto
k k k
4) s = s(v , z ) calcola i tempi d’arco
5) mt = mt(v , τ , z )
k k k k
calcola i pedaggi marginali d’arco
6) s = s +η
k k k
perturba i tempi d’arco (Probit)
k k k k k
7) (w , p ) = r(o, s , mt , z ) calcola soddisfazioni e probabilità di nodo
k k
8) d = d(w ) calcola la domanda
k k k k
9) yv = yv( p , d , z ) ,
yτk = yτ( p k, d k, z k) carica la domanda sulla rete
k+1 k k k
10) v = v +1/k ⋅(yv -v ) ,
τ k+1 = τ k +1/k ⋅(yτk -τ k) aggiorna i flussi
11) if max a∈A |va - va | / va < ε then stop
k k-1 k
criterio di arresto
12) goto 2
inizializzazione :
1) k = 0 inizializza il contatore delle iterazioni
2) v k = 0, τ k = 0 [v k = v old , τ k = v old] inizializza i flussi d’arco
3) mt k = 0 , z k = z old inizializza le variabili di progetto
4) s k = s(v k, z k) calcola i tempi d’arco
5) o = o(s k, mt k, z k) ordina i nodi (Logit)
6) (w k, p k) = r(o, s k, mt k, z k) calcola soddisfazioni e probabilità di nodo
7) d k = d(w k) calcola la domanda
8) yvk = yv( p k, d k, z k) ,
yτk = yτ( p k, d k, z k) carica la domanda sulla rete
9) v k+1 = y k , τ k+1 = yτk aggiorna i flussi
Il seguente algoritmo di allocazione incrementale della risorsa budget definisce
un metodo, forse poco efficiente, ma robusto per risolvere il problema di
minimizzazione a flussi d’arco costanti dei costi sociali.
1) z = z min
2) ρpk = ρp(v k, τ k, z k) p = 1, ... , |P| ,
3) p* : ρp* = max p∈P ρp s.t. zp < z maxp
4) if ρp* ≤ 0 then stop
5) zp* = zp* +∆zp*
6) if G(z) ≥ B then stop
7) goto 2
A partire dall’ipotesi progettuale minima richiesta, in ogni iterazione viene
incrementata la variabile di progetto cui risulta associato il massimo rendimento,
escludendo dalla ricerca le variabili che hanno già raggiunto il massimo valore

51
ammissibile. La procedura si interrompe quando si esaurisce il budget, quando
tutte le variabili di progetto hanno raggiunto il loro massimo valore o quando il
massimo rendimento individuato non è positivo, coerentemente con il fatto che il
budget non investito ha un rendimento nullo. L’algoritmo si basa sull’ipotesi che i
rendimenti sono decrescenti con l’investimento, che è consistente con l’assunto di
convessità.
Poiché risulta intuitivo comprendere che per ∆z → 0 la procedura di
allocazione incrementale della risorsa consente di individuare un vettore z che
soddisfa le condizioni necessarie (182) - (185), si omette una dimostrazione
formale dell’efficacia dell’algoritmo, che pur potrebbe essere svolta ragionando
per assurdo.
Nel caso di funzioni di rendimento separabili, l’algoritmo può essere
convenientemente implementato mantenendo aggiornata una lista ordinata dei
rendimenti mediante il calcolo e il riposizionamento ad ogni iterazione del
rendimento relativo alla variabile incrementa.

8.2 Assegnazione alla iper rete con archi fittizi di investimento

L’approccio ad iper rete, che è stato diffusamente impiegato per clacolare
l’equilibrio a domanda elastica su vari livelli (Sheffi, 1985), risulta applicabile al
problema di progetto se noti i costi di investimento è possibile risalire
univocamente alle variabili di progetto che li hanno determinati, ossia se G(z) è in
qualche senso invertibile. In tal caso, infatti, è possibile sfruttare l’analogia che
esiste tra le condizioni necessarie (182) - (185) e le condizioni di Wardrop relative
ai flussi di equilibrio (tutti i cammini utilizzati hanno lo stesso costo, che è non
maggiore di quelli dei cammini non utilizzati) introducendo una rete con archi
fittizi di investimento.

budget allocato
budget non investito
x0 , ξ0
x1 , ξ1

xp , ξp
x2 , ξ2

budget da allocare

Figura 6) : Rete fittizia dell’investimento

La rete (figura 6) consta di due nodi - centroidi, che rappresentano

rispettivamente il budget da allocare e il budget allocato, connessi da tanti archi di

52
investimento quante sono le variabili di progetto, più uno associato al budget non
investito. I costi ξ degli archi di investimento sono legati ai rendimenti ρ
attraverso una qualche funzione separabile decrescente. La domanda che insiste
sulla rete è il budget B che deve spostarsi tra i due nodi - centroidi e pertanto i
flussi d’arco x sono dei flussi di investimento. All’equilibrio (deterministico) tutti
gli archi utilizzati, ossia con flusso di investimento positivo, hanno lo stesso costo
e quindi lo stesso rendimento, che è non maggiore (rendimento non minore) di
quelli degli archi di investimento non utilizzati.
L’analogia con le condizioni necessarie (182) - (185) in realtà non è perfetta
perché con riferimento a queste ultime si è in presenza di vincoli sulle variabili di
progetto leggermente più complessi di quelli di non negatività caratteristici
dell’equilibrio. Tale discrasia può peraltro essere agevolmente eliminata. Per
quanto concerne il vincolo z ≥ z min si deve considerare che i flussi di investimento
necessari a realizzare l’ipotesi progettuale minima richiesta devono comunque
essere spesi, pertanto è possibile sottrarre al budget il corrispondente ammontare e
ridefinire coerentemente il valore iniziale delle variabili di progetto. Per quanto
riguarda invece il vincolo z ≤ z max si tratta di introdurre una sorta di vincolo di
capacità sugli archi. Anche se esistono algoritmi per risolvere il problema di
assegnazione con vincoli di capacità, poiché l’introduzione di tali vincoli
compromette la validità di alcune proprietà teoriche fondamentali del modello di
assegnazione, in questa sede si è preferito rappresentarli imponendo in
corrispondenza della capacità un rapido aumento del costo d’arco, conservando
così la continuità delle funzioni di offerta che assicura l’esistenza dell’equilibrio.
Il metodo della iper rete con archi fittizi di investimento consiste nel risolvere
una assegnazione congiunta alla rete fittizia di investimento e alla rete che
rappresenta l’offerta di trasporto delle rispettive domande. Trattandosi di una
assegnazione, il problema può essere formalizzato mediante il seguente problema
di punto fisso nei flussi f ed x :
( f T, x T) T = (f[cms( f , G -1(x))] T , x[ρ( f , G -1(x))] T)T . (194)
Per quanto concerne l’esistenza e l’unicità della soluzione valgono
considerazioni analoghe a quelle svolte nel paragrafo precedente. A tale proposito
è però opportuno evidenziare che, poiché in genere i costi d’arco della rete che
rappresenta l’offerta crescono con i flussi di utenti e decrescono con i flussi di
investimento, mentre i costi degli archi di investimento, decrescenti con i
rendimenti, si comportano in modo opposto, l’asimmetria dello Jacobiano delle
funzioni di costo d’arco è del tipo che può condurre effettivamente a casi di non
unicità dell’equilibrio, ciò rivela la nonconvessità del NDP.
Anche l’algoritmo risolutivo che segue, così come il precedente, calcola in
sostanza una assegnazione del tipo System Equilibrium mediante l’MSA. In
questo caso, però si assumono come variabili correnti oltre ai flussi d’arco

53
equivalenti v e i flussi monetari equivalenti τ , i flussi di investimento x . La
particolarità dell’algoritmo risiede nell’introduzione dei passi 9 e 10, in cui si
inverte la funzione di investimento e si calcolano i rendimenti, e soprattutto del
passo 11 , in cui vengono calcolati i costi degli archi di investimento e in base a
questi viene caricato il budget sulla rete fittizia.
1) inizializzazione
2) k = k +1 aggiorna il contatore delle iterazioni
k k k
3) s = s(v , z ) calcola i tempi d’arco
4) mt = mt(v , τ , z )
k k k k
calcola i pedaggi marginali d’arco
5) s = s +η
k k k
perturba i tempi d’arco (Probit)
k k k k k
6) (w , p ) = r(o, s , mt , z ) calcola soddisfazioni e probabilità di nodo
k k
7) d = d(w ) calcola la domanda
k k k k
8) yv = yv( p , d , z ) ,
yτk = yτ( p k, d k, z k) carica la domanda sulla rete
k -1 k
9) z = G (x ) calcola le variabili di progetto
10) ρ = ρ(v , τ , z )
k k k k
calcola i rendimenti a flussi costanti
11) yx = yx(ρ )
k k
carica l’investimento
k+1 k k k
12) v = v +1/k ⋅(yv -v ) ,
τ k+1 = τ k +1/k ⋅(yτk -τ k) aggiorna i flussi
k+1 k k k
13) x = x +1/k ⋅(yx -x ) aggiorna i flussi di investimento
14) if max a∈A |va - va | / va < ε then stop
k k-1 k
criterio di arresto
15) goto 2
inizializzazione
1) k = 0 inizializza il contatore delle iterazioni
2) v k = 0, τ k = 0 [v k = v old , τ k = v old] inizializza i flussi d’arco
3) mt k = 0 , z k = z old inizializza le variabili di progetto
4) s k = s(v k, z k) calcola i tempi d’arco
5) o k = o(s k, mt k, z k) ordina i nodi (Logit)
6) (w k, p k) = r(o, s k, mt k, z k) calcola soddisfazioni e probabilità di nodo
7) d k = d(w k) calcola la domanda
8) yvk = yv( p k, d k, z k) ,
yτk = yτ( p k, d k, z k) carica la domanda sulla rete
9) ρ k = ρ(v k, τ k, z k) calcola i rendimenti a flussi costanti
10) yxk = yx(ρ k) carica l’investimento
11) v k+1 = y k , τ k+1 = yτk aggiorna i flussi
12) x k+1 = yxk aggiorna i flussi di investimento
Il modo naturale per assegnare il budget sulla rete fittizia sarebbe quello di
impiegare un caricamento deterministico del tipo tutto o niente, assumendo come
funzione di costo per gli archi di investimento l’opposto dei corrispondenti

54
rendimenti. In questa sede si propone invece di utilizzare un caricamento di tipo
Logit, assumendo come funzione di costo l’inverso dei rendimenti più uno, come
mostrano le seguenti relazioni:
ξ0k = 1 , ξ pk = 1/(ρpk +1 +ερ) p = 1, ... , |P| , (195)
-ξ pk /θI -1/θI -ξ ik /θI
yx p = B⋅e / [e +∑i∈P e ] p = 0, ... , |P| . (196)
ove, θ I è il parametro Logit dell’investimento, mentre il pedice 0 indica l’arco
associato al budget non investito, che ricordiamo, ha un rendimento nullo.
Si è optato per un caricamento stocastico perché l’impiego di un caricamento
deterministico del tipo tutto o niente comporta, da un punto di vista formale, una
complicazione teorica, perché l’introduzione di mappe di caricamento che non
siano semplici funzioni comporterebbe l’abbandono del contesto teorico finora
adottato per l’equilibrio, e, da un punto di vista algoritmico, una maggiore
complessità computazionale, perché, mentre con il caricamento stocastico si
riesce a distribuire adeguatamente il budget tra le diverse variabili di progetto ad
ogni iterazione, mediante il caricamento tutto o niente ad ogni iterazione si agisce
solamente sulla variabile di progetto che ha il massimo rendimento e occorre
pertanto procedere ad un numero maggiore di iterazioni, almeno una per ogni
variabile di progetto su cui si investe, rendendo meno rapida la convergenza.
Giova ribadire che il metodo richiede l’inversione della funzione di
investimento. Tale compito, in generale assai oneroso in termini computazionali,
quando non impossibile, viene semplificato invertendo l’approssimazione lineare
della funzione di investimento, come segue.
zpk = zpk-1 +(xpk-xpk-1)/ [∂G(z)/∂zp]k-1 p = 1, ... , |P| . (197)
Ne risulta, però, una euristica, non solo perché l’inversione è approssimata, ma
soprattutto perché il calcolo delle (197) richiede l’impiego di variabili
dell’iterazione precedente, compromettendo pertanto la coerenza dell’algoritmo
con la formulazione di punto fisso.
E’ bene, infine, esaminare la delicata questione dell’inizializzazione. Il
rendimento di una variabile di progetto che migliora le caratteristiche di una
infrastruttura o un servizio inutilizzato è, in base alla (180), negativo. Poiché i due
metodi proposti non allocano risorse a variabili di progetto con rendimenti
negativi, se una infrastruttura o un servizio risulta inutilizzato durante la prima
iterazione, resta tale nel corso di tutta la procedura risolutiva. Risulta pertanto
opportuno inizializzare le variabili di progetto con valori standard, tali da rendere
le relative infrastrutture o servizi attraenti per qualche componente della domanda.

8.3 Vincolo di budget e decomposizione alla Steenbrink

L’NDP (160) è stato qui formulato imponendo un vincolo di budget come
disuguaglianza. In alcuni casi, però, può essere utile poter imporre tale vincolo
come uguaglianza. In altri casi è, invece, utile formulare il problema senza

55
vincolo di budget. Nel primo caso le condizioni necessarie sono date dal sistema
delle (181) , (182) , (185) e del vincolo G(z) = B, mentre nel secondo caso esse sono
date dal sistema delle (181) , (182) e (185) ove si ponga η = 0 .
In termini algoritmici, nel primo caso con riferimento all’assegnazione con
modifica della funzione di costo d’arco, basta reiterare la procedura di allocazione
incrementale della risorsa fino all’esaurimento del budget; mentre, con riferimento
all’assegnazione alla iper rete con archi fittizi di investimento, è sufficiente
eliminare l’arco associato al budget non investito. Nel secondo caso, invece con
riferimento ad entrambi gli algoritmi basta considerare un budget sufficientemente
elevato e tale che il vincolo non si attivi.
Formulando il NDP (160) senza vincolo di budget e imponendo sulle variabili
di progetto il solo vincolo z ≥ z min , si consegue una notevole semplificazione del
problema, perché, supposto che i rendimenti in z min siano tutti positivi, in
corrispondenza della soluzione tutti i rendimenti sono nulli. In presenza di
funzioni di rendimento separabili in termini di variabili di progetto, è possibile
sfruttare questa proprietà della soluzione esplicitando rispetto a ciascuna variabile
di progetto la relativa funzione implicita ρp( f , zp) = 0 . Poiché ciò risulta
solitamente possibile in forma chiusa, si ottengono le espressioni delle variabile di
progetto nei flussi, che corrispondono alla soluzione parametrica del problema di
minimizzazione dei costi sociali a flussi costanti. Sostituendo tali espressioni nelle
funzioni di costo marginale sociale d’arco risultano individuate in forma chiusa le
espressioni delle funzioni di costo modificate da utilizzare in una assegnazione del
tipo SE.
La procedura prende il nome di decomposizione ed è stata messa a punto da
Steenbrink (1974) per il problema di ottimizzazione delle capacità stradali, con
riferimento ad un modello di scelta deterministico, con domanda rigida e costi
d’arco e di investimento separabili, assumendo come funzione obbiettivo la
minimizzazione dei costi sociali invece della massimizzazione del surplus sociale,
ed è stata applicata alla rete stradale olandese.
In termini formali la procedura non differisce dal metodo dell’assegnazione
con modifica della funzione di costo d’arco esposto in precedenza. In termini
algoritmici però, mentre nella decomposizione la funzione z( f ) è disponibile in
forma chiusa, con il metodo qui proposto tale funzione può solo essere calcolata
in un punto e a tal fine è richiesta ogni volta la risoluzione del problema di
minimizzazione dei costi sociali a flussi costanti, ad esempio mediante
l’allocazione incrementale della risorsa.

8.4 Confronto tra gli algoritmi risolutivi proposti

Il vantaggio dell’algoritmo con funzione di costo d’arco modificata rispetto a
quello con archi fittizi di investimento è che al termine del processo di allocazione

56
risulta noto il valore delle variabili di progetto, mentre per ottenere detto valore in
corrispondenza di una configurazione dei flussi di investimento è richiesta
l’inversione della funzione di investimento. Tale operazione, nel caso generale
comporta notevoli complicazioni sia da un punto di vista teorico, perché il
risultato dell’inversione può non essere unico, sia da un punto di vista
computazionale, perché la risoluzione di sistemi non lineari è in generale un
compito arduo. D’altra parte, mentre l’algoritmo con funzione di costo d’arco
modificata richiede ad ogni iterazione dell’assegnazione la risoluzione di un
sottoproblema di ottimizzazione, poiché se le funzioni di investimento sono
separabili l’inversione richiede operazioni banali, in tal caso l’algoritmo con archi
fittizi di investimento ha una complessità dello stesso ordine di grandezza di
un’assegnazione di equilibrio. Inoltre esso non richiede alcuna ipotesi di
convessità, contrariamente al primo. Infine, se tale sottoproblema viene, come qui
proposto, risolto mediante il metodo dell’allocazione incrementale del budget,
l’approssimazione generata dai residui aleatori del modello Logit, intrinseca
nell’algoritmo con archi fittizi di investimento, è confrontabile con quella prodotta
dalla finitezza degli incrementi allocati. Queste approssimazioni non
compromettono l’efficacia del metodo proposto, perché possono essere ridotte ad
un livello desiderato diminuendo da una parte la varianza dei residui aleatori,
espressa dal parametro θ I , dall’altra l’entità degli incrementi delle variabili di
progetto. Si noti però, che una maggiore precisione richiede un maggior numero
di calcoli.

9 Applicazione del metodo all’ottimizzazione congiunta di pedaggi e frequenze

L’oggetto di questa applicazione numerica è l’ottimizzazione congiunta dei
pedaggi e delle frequenze delle linee di trasporto collettivo. L’ottimizzazione delle
frequenze è un classico NDP, ma, contrariamente a ciò che riguarda la
progettazione delle capacità stradali, nella maggior parte dei contributi
sull’argomento viene adottato un approccio di tipo euristico, spesso abbinato a
procedure per la determinazione degli itinerari delle linee, come in Ceder e
Wilson (1986), in Filippi e Gori (1989) e in Israeli and Ceder (1992). Fanno
eccezione pochi lavori tra i quali ricordiamo LeBlanc (1988) e Yang (1997). Essi
adottano rispettivamente i due approcci classici per la risoluzione del NDP : il
primo utilizza una procedura di tipo iterativo riconducibile ad un gioco di Nash, il
secondo utilizza l’analisi di sensitività dell’assegnazione al fine di ricondursi
formalmente ad un problema ad un solo livello.
Rispetto alla formalizzazione presentata nei precedenti paragrafi sono state
effettuate alcune semplificazioni. Per quanto riguarda la domanda, è stata definita
una sola classe di utenti e l’elasticità è stata rappresentata considerando le
dimensioni di scelta dell’effettuazione dello spostamento e del modo di trasporto,

57
ma non quella della destinazione. Per quanto concerne l’offerta sono state
considerate funzioni di deflusso stradale separabili, mentre il trasporto collettivo è
stato rappresentato mediante il modello riportato in Bellei, Gentile and Papola
(1999).
Il modello di scelta impiegato è un Nested Logit, ove si è attribuita una utilità
all’effettuazione dello spostamento pari ad 8 € e considerato un valore monetario
del tempo pari 5 €/h . Si è inoltre assunto un consumo di carburante per i veicoli
privati pari a 3 litri / h e un prezzo del carburante pari 2 € / litro. Infine le
componenti pedonali e di attesa del tempo di spostamento con il modo collettivo
sono state pesate con un coefficiente pari a 2. Con riferimento alle scelte di
percorso sono stati considerati i soli cammini ed ipercammini efficienti,
consentendo così di operare il caricamento della rete senza esplicitare le
alternative di itinerario mediante l’algoritmo di Dial per quanto concerne il modo
privato e un algoritmo simile a quello proposto da Nguyen, Pallottino e Gendreau
(1998) per quanto riguarda il trasporto collettivo. Per quanto concerne la funzione
di investimento si è scelto di utilizzare un modello lineare, considerando per tutte
le linee lo stesso costo del posto chilometro, assunto pari a 0.1 € .
Nelle prove effettuate lo stato di riferimento, caratterizzato da uno User
Equilibrium (UE), è stato confrontato sia con un System Equilibrium (SE),
corrispondente alla soluzione del problema di ottimizzazione dei pedaggi (127)
mediante l’applicazione del marginal pricing, che con alcune configurazioni di
equilibrio relative a soluzione del problema (160), ottenute ottimizzando le
frequenze congiuntamente all’applicazione del marginal pricing (FD –
Frequencies Design). Tali ottimizzazioni sono state effettuate sia in presenza di un
vincolo di Budget pari a quello attuale più 50 milioni di € all’anno (FD B), che in
assenza di esso (FD), considerando la rete di trasporto collettivo tutta su sede
promiscua (MT – Mixed Traffic) o tutta su sede propria (DL – Dedicated Lane).
La rete di prova è quella di Sioux Falls nella sua versione bimodale, nota in
letteratura (LeBlanc, 1988) e costituita da 24 nodi, coincidenti con i centroidi, 76
archi stradali, altrettanti pedonali e 5 linee di trasporto collettivo. Si tratta di una
rete aggregata, su cui si assume insista una domanda potenziale di circa 180.000
spostamenti/ora, che dà luogo, nella situazione di UE a significativi fenomeni di
congestione. L’offerta e il modello di ripartizione modale sono stati specificati in
modo che il trasporto collettivo sia in grado di servire una quota modesta degli
spostamenti totali e, nonostante realizzi tempi superiori a quelli del trasporto
individuale, risulti pienamente utilizzato. La frequenza minima richiesta è stata
considerata pari a 0, mentre quella massima ammissibile pari a 60 veic/h .

58
 Generation Modal Shift

85,0% 45,0%
40,0%
80,0% 35,0%
30,0%
75,0% 25,0%
20,0%
70,0%
15,0%
65,0% 10,0%
5,0%
60,0% 0,0%
UE SE FD B FD UE SE FD B FD
Mixed Traffic 79,7% 69,9% 75,2% 80,6% Mixed Traffic 12,4% 15,4% 28,6% 40,3%
Dedicated Lane 80,3% 70,6% 76,8% 82,7% Dedicated Lane 14,4% 15,6% 28,7% 39,9%

Average Road Speed Average Commercial Speed

35,0 25,0
30,0
20,0
25,0
15,0
Km / h

20,0

km / h
15,0 10,0
10,0
5,0
5,0
0,0 0,0
UE SE FD B FD UE SE FD B FD
Mixed Traffic 20,3 27,0 29,8 33,1 Mixed Traffic 10,0 13,2 15,1 17,6
Dedicated Lane 20,6 26,7 28,9 31,8 Dedicated Lane 16,3 19,4 20,4 22,7

Average Road Pricing Average Transit Pricing

0,70 1,00
0,60
0,80
0,50
0,60
€ / Km

0,40
€ / km

0,30 0,40
0,20
0,20
0,10
0,00 0,00
UE SE FD B FD UE SE FD B FD
Mixed Traffic 0,00 0,62 0,55 0,47 Mixed Traffic 0,00 0,72 0,32 0,12
Dedicated Lane 0,00 0,59 0,48 0,36 Dedicated Lane 0,00 0,87 0,38 0,12

Revenue Road Network Revenue Transit Network

1000 250

800 200
Millions of € / year
Millions of € / year

600 150

400 100

200 50

0 0
UE SE FD B FD UE SE FD B FD

Mixed Traffic 0 883 732 559 Mixed Traffic 0 117 160 104
Dedicated Lane 0 850 652 441 Dedicated Lane 0 150 200 118

Social Surplus Investiment

4500 180
4000 160
3500 140
Millions of € / year

Millions of € / year

3000 120
2500 100
2000 80
1500 60
1000 40
500 20
0 0
UE SE FD B FD UE SE FD B FD
Mixed Traffic 3455 3727 3950 4082 Mixed Traffic 0 0 50 147
Dedicated Lane 3511 3771 4036 4176 Dedicated Lane 0 0 50 163

Figura 7) : Risultati numerici

59
 L’efficacia del metodo proposto è stata verificata in termini di domanda,
considerando le variazioni della generazione e della ripartizione modale, di livello
di servizio, considerando le variazioni della velocità stradale media e della
velocità commerciale media delle linee di trasporto collettivo, di introiti del
pedaggio, di costi di investimento e quindi in termini aggregati considerando le
variazioni del valore della funzione obbiettivo surplus sociale (Figure 7).
Sintetizzando i risultati si è verificato che, introducendo i pedaggi le velocità di
spostamento aumentano e si determina un modesto riequilibrio modale; la
generazione però si riduce, anche se, grazie agli introiti del pedaggio, il surplus
sociale aumenta. E’ rilevante che la disponibilità di capitali così conseguita
consente di finanziare con un cospicuo margine gli incrementi di frequenza ottimi
in assenza di vincolo di budget.
L’ottimizzazione delle frequenze con vincolo di budget comporta un recupero
in termini di generazione e un cospicuo miglioramento della ripartizione modale e
determina un ulteriore aumento delle velocità di spostamento e del surplus sociale,
mentre i pedaggi, la cui entità è intrinsecamente legata alla congestione, si
riducono. L’ottimizzazione delle frequenze senza vincolo di budget comporta un
ulteriore recupero in termini di generazione, il quale più che compensa la
riduzione provocata dall’introduzione dei pedaggi, e un ulteriore cospicuo
miglioramento della ripartizione modale. Ancora, velocità e surplus sociale
aumentano, mentre i pedaggi si riducono.
I risultati relativi alle due diverse tipologie di sede sono sostanzialmente
analoghi come andamenti. In termini di generazione il dato relativo alla sede
propria risulta sempre il più elevato dei due perché in tale caso l’offerta di
trasporto è nel suo complesso qualitativamente migliore. Invece con riferimento
alla ripartizione modale, l’effetto delle migliori prestazioni delle linee su sede
propria e della riduzione delle velocità stradali provocata dall’aumento del carico
sulla rete, viene compensato da quello dei pedaggi. Infatti, anche se il maggiore
carico relativo al caso di sede propria determina una maggiore congestione che
dovrebbe produrre pedaggi maggiori su entrambe le reti, in realtà i pedaggi
stradali non risentono più degli effetti esterni indotti sugli utenti del trasporto
collettivo e quindi risultano minori.

UE FD B MT FD MT FD B DL FD DL
Linea 1 2,5 7,6 16,6 6,1 17,6
Linea 2 3,75 15,1 34,1 14,6 36,1
Linea 3 8 22,6 52,6 24,6 59,6
Linea 4 3,5 11,1 27,1 11,6 30,1
Linea 5 4 13,6 35,1 13,1 39,1

Figura 8) : Frequenze attuali e dopo l’ottimizzazione

60
 Si noti infine come in assenza di vincolo di budget convenga investire in
frequenza (Figura 8) più in una rete su sede propria che in una su promiscua,
perché le migliori prestazioni del sistema di trasporto collettivo relative al primo
caso inducono una generazione maggiore.
L’assegnazione alla rete fittizia degli archi di investimento è stata eseguita
utilizzando un parametro Logit pari a 0.02, mentre l’allocazione incrementale
delle risorse è stata effettuata impiegando incrementi di frequenza pari a 0.5
veic/h .
L’analisi degli andamenti delle variabili di domanda e di livello di servizio
relativi ai diversi casi esaminati ha mostrato come essi risultino sempre plausibili.
Sebbene l’impatto della politica del marginal pricing è sicuramente
sovrastimato rispetto a quello delle politiche realmente applicabili, perché i
pedaggi effettivi andrebbero imposti su un sottoinsieme di archi della rete, si è
evidenziato che imponendo dei pedaggi si è in grado di conseguire una riduzione
significativa dei tempi di percorrenza, ma, senza un contestuale adeguamento
dell’offerta di trasporto collettivo, gli effetti del pricing risultano limitati a livello
di riequilibrio modale e negativi, nel senso di una significativa compressione della
domanda di mobilità, a livello di generazione
I relativi risultati numerici esposti sono estremamente incoraggianti sia rispetto
alle potenzialità di politiche integrate di pricing e di ottimizzazione delle
frequenze del trasporto collettivo, che alla capacità dei metodi proposti di fornire
indicazioni progettuali per la loro attuazione.

61
 PARTE QUARTA – Progettazione dell’offerta
mediante l’analisi di sensitività dell’assegnazione

10 Formalizzazione del problema e caratterizzazione delle soluzioni

In questo capitolo verrà formalizzata e caratterizzata in termini di proprietà
della soluzione la specificazione del NDP (126) relativa al caso in cui gli insiemi
ammissibili St ed Sz sono rispettivamente intervalli del tipo t min ≤ t ≤ t max, con t min
≤ t max , e z min ≤ z ≤ z max, con z min < z max . Il problema assume la seguente forma:
max t, z S(f UE(t, z), t, z) = [N⋅Γ -1⋅W(Π(z)T⋅c(f UE(t, z) , z) +Π(z)T⋅t)] T⋅1 +
-E(f UE(t, z), z) -λ⋅G(f UE(t, z), z) +t T⋅f UE(t, z) (198)
s.t.
t min ≤ t ≤ t max , z min ≤ z ≤ z max
G(f UE(t, z) , z) -t T⋅f UE(t, z) ≤ B
Giova ricordare che, come specificato nel paragrafo 3, la forma (126) del NDP
richiede implicitamente l’unicità dell’assegnazione di equilibrio attraverso
l’introduzione della funzione f UE(t, z), nel seguito assunta differenziabile.
Questa formalizzazione del NDP consente di studiare anche il caso in cui il
pricing viene applicato ad un sottoinsieme AP degli archi della rete. A tal fine è
sufficiente annullare i pedaggi dei restanti archi ponendo: t minau = t maxau = 0
∀a∉AP, u = 1, ... , |U|. Poiché le corrispondenti variabili tau diventano di fatto
delle costanti, nel seguito esse vengono considerate come tali.
Con quest’intesa, il Lagrangiano associato alla forma standard del problema
(198) è dato da:
L(t, z, µ, η) = -S(f UE(t, z), t, z) +∑p∈P µ minp ⋅(z minp -zp) +∑p∈P µ maxp ⋅(zp -z maxp) +∑a∈AP ∑u∈U
µ minau ⋅(t minau -tau) +∑a∈AP ∑u∈U µ maxau ⋅(tau -t maxau) +η⋅[G(f UE(t, z) , z) -t T⋅f UE(t, z) -B]. (199)
Assumendo che i vincoli siano regolari, le KKT, di seguito riportate,
rappresentano condizioni necessarie per un minimo locale e quindi anche per la
soluzione del problema di progetto :
η≥0, (200)
µ≥0, (201)
η⋅[G(f UE(t, z) , z) -t T⋅f UE(t, z) -B] = 0 (202)
µ minp ⋅(z minp -zp) = 0 , µ maxp ⋅(zp -z maxp) = 0 p = 1, ... , |P| , (203)
µ minau ⋅(t minau -tau) = 0 , µ maxau ⋅(tau -t maxau) = 0 ∀a∈AP , u = 1, ... , |U| , (204)
∂L(t, z, µ, η)/∂zp = -dS(f UE(t, z), t, z)/dzp -µ minp +µ maxp +
+η⋅d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dzp = 0 p = 1, ... , |P| ,(205)

62
∂L(t, z, µ, η)/∂tau = -dS(f UE(t, z), t, z)/dtau -µ minau +µ maxau +
+η⋅d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dtau = 0 ∀a∈AP , u = 1, ... , |U| , (206)
G(f UE(t, z) , z) -t T⋅f UE(t, z) ≤ B , (207)
t min ≤ t ≤ t max , z min ≤ z ≤ z max . (208)
In base alle (202) - (204) se uno dei vincoli di disuguaglianza di cui alle (207) -
(208) non è attivo, il corrispondente moltiplicatore è nullo.
Pertanto, con riferimento alla generica variabile di progetto zp , se nessuno dei
due relativi vincoli è attivo, ossia risulta z minp < zp < z maxp , la corrispondente
(205) diventa:
-dS(f UE(t, z), t, z)/dzp +η ⋅ d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dzp = 0 p = 1, ... , |P|. (209)
Poiché è z minp < z maxp , i due vincoli non possono essere contemporaneamente
attivi. Ne segue che se uno di essi è attivo la (205) ne fornisce il moltiplicatore. In
base alla (201) si hanno pertanto le seguenti condizioni, valide rispettivamente
quando zp = z minp e zp = z maxp :
-dS(f UE(t, z), t, z)/dzp +η⋅d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dzp ≥ 0 p = 1, ... , |P| , (210)
dS(f UE(t, z), t, z)/dzp -η⋅d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dzp ≥ 0 p = 1, ... , |P| . (211)
Per i pedaggi valgono le stesse considerazioni svolte con riferimento alle
variabili di progetto z e pertanto, per analogia con le (209) - (211), si hanno le
seguenti condizioni :
-dS(f UE(t, z), t, z)/dtau +η ⋅ d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dtau = 0 ∀a∈AP , u = 1, ... , |U|, (212)
-dS(f UE(t, z), t, z)/dtau +η⋅d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dtau ≥ 0 ∀a∈AP , u = 1, ... , |U|, (213)
dS(f UE(t, z), t, z)/dtau -η⋅d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dtau ≥ 0 ∀a∈AP , u = 1, ... , |U| . (214)
Con riferimento alla generica variabile di progetto zp , definiamo rendimento a
flussi variabili la quantità σp che esprime l’incremento del surplus sociale
conseguente all’impiego di una unità aggiuntiva del budget al fine di aumentare
zp , valutato tenendo conto della variazione della configurazione di equilibrio
provocata dalla modifica apportata all’offerta:
σp = dS(f UE(t, z), t, z)/dzp / d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dzp =
= σp(f UE(t, z), t, z) p = 1, ... , |P| . (215)
Analogamente, con riferimento ai pedaggi definiamo rendimento a flussi variabili
la quantità σau :
σau = dS(f UE(t, z), t, z)/dtau / d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dtau =
= σau(f UE(t, z), t, z) ∀a∈AP, u = 1, ... , |U| . (216)
E’ opportuno evidenziare che nel seguito della presente trattazione si farà
impropriamente riferimento ai valori assunti dalla funzione σ( f , t, z) con il nome
di rendimenti a flussi variabili, anche quando i flussi f non rappresentano la
configurazione di equilibrio corrispondente a t e z .
Al fine di interpretare le condizioni necessarie è opportuno divedere entrambi i
membri delle (210) - (209) e delle (212) - (214) rispettivamente per i corrispondenti

63
termini d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dzp e d[G(f UE(t, z) , z) -t T⋅f UE(t, z)]/dtau,
che assumiamo positivi. Con tale intesa, impiegando le definizioni (215) e (216),
le condizioni (200) - (206) , assumono il seguente significato:
se z minp < zp < z maxp , si ha σp = η ; se zp = z minp , si ha σp ≤ η ;
se zp = z maxp , si ha σp ≥ η , (217)
se t a < ta < t a , si ha σa = η ; se ta = t a , si ha σa ≤ η ;
min u u max u u u min u u

se tau = t maxau , si ha σau ≥ η , (218)

se G -T < B, si ha η = 0 ; se G -T = B, si ha η > 0 , (219)
ossia: tutte le variabili di progetto e i pedaggi i cui vincoli non sono attivi hanno lo
stesso rendimento a flussi variabili η , tale rendimento è maggiore di quello delle
variabili e dei pedaggi posti al valore minimo richiesto e minore di quello delle
variabili e dei pedaggi posti al valore massimo ammissibile; se non tutto il budget
viene impiegato, allora tale rendimento è nullo, mentre se il vincolo di bilancio è
soddisfatto all’uguaglianza il rendimento η è positivo.
Esplicitando il vincolo di equilibrio f = f UE(t, z) mediante la (101) , le
condizioni necessarie del primo ordine KKT diventano pertanto:
f = f[c( f, z) +t , Π(z)] , (220)
se z p < zp < z p , si ha σp( f , t, z) = η ; se zp = z p , si ha σp( f , t, z) ≤ η ;
min max min

se zp = z maxp , si ha σp( f , t, z) ≥ η p = 1, ... , |P| , (221)

se z a < za < z a , si ha σa ( f , t, z) = η ; se za = z a , si ha σa ( f , t, z) ≤ η ;
min u u max u u u min u u

se zau = z maxau , si ha σau( f , t, z) ≥ η ∀a∈AP , u = 1, ... , |U| , (222)

se G( f , z) -t ⋅f < B, si ha η = 0 ; se G( f , z) -t ⋅f = B, si ha η > 0 ,
T T
(223)
T
G( f , z) -t ⋅f ≤ B , (224)
min max min max
t ≤t≤t ,z ≤z≤z . (225)

11 Risoluzione del problema

11.1 Calcolo dei rendimenti a flussi variabili

Il calcolo dei rendimenti consiste nell’esplicitare le espressioni delle derivate del
vincolo di budget [G(f UE(t, z) , z) -t T⋅f UE(t, z)] e del surplus sociale S(f UE(t, z), t, z)
rispetto ai pedaggi e alle variabili di progetto, che in prima istanza possono essere
poste nella seguente forma compatta:
∇t [G(f UE(t, z) , z) -t T⋅f UE(t, z)] = ∇t f UE(t, z) ⋅[∇f G( f , z) -t] - f , (226)
UE T UE UE
∇z [G(f (t, z) , z) -t ⋅f (t, z)] = ∇z f (t, z) ⋅[∇f G( f , z) -t] +∇z G( f , z) , (227)
∇t S(f UE(t, z), t, z) = ∇t f UE(t, z) ⋅∇f S( f , t, z) +∇t S( f , t, z) , (228)
UE UE
∇z S(f (t, z), t, z) = ∇z f (t, z) ⋅∇f S( f , t, z) +∇z S( f , t, z) . (229)
Per rendere possibile tale calcolo mediante modelli che adottano una
definizione implicita delle alternative come già nel paragrafo 7 si assume
l’approssimazione Π(z) = costante. Con passaggi analoghi a quelli svolti per

64
ottenere la (134), differenziando la (198) rispetto alle variabili f, t e z si ottiene :
∇f S( f , t, z) = -∇f c( f , z) ⋅f[c( f , z) +t, Π(z)] -∇f E( f , z) -λ⋅∇f G( f , z) +t , (230)
∇t S( f , t, z) = -f[c( f , z) +t, Π(z)] +f , (231)
∇z S( f , t, z) = -∇z c( f , z) ⋅f[c( f , z) +t, Π(z)] -∇z E( f , z) -λ⋅∇z G( f , z) . (232)
Impiegando la condizione (220) che impone l’equilibrio, in base alla (147) e alla
(179) , le (230) - (232) diventano:
∇f S( f , t, z) = t -mt , (233)
∇t S( f , t, z) = 0 , (234)
∇z S( f , t, z) = -∇z cs( f , z) . (235)
Si noti che l’operazione appena effettuata, sebbene conservi la validità delle
condizioni necessarie, implicitamente ridefinisce le funzioni di rendimento.
Sostituendo le (233) - (235) nelle (228) - (229) si ottiene infine:
∇t S(f UE(t, z), t, z) = -∇t f UE(t, z) ⋅(mt -t) , (236)
UE UE
∇z S(f (t, z), t, z) = -∇z f (t, z) ⋅(mt -t) -∇z cs( f , z) . (237)
Specificando in base alle (236) - (237) e alle (226) - (227) i termini dei rapporti
che secondo le (215) e (216) definiscono i rendimenti a flussi variabili le
definizioni e ricordando le (175) si ottiene:
σp = -[∂cs( f, z)/zp +∑ u∈U ∑ a∈A (mtau -tau) ⋅∂f UEau(t, z)/∂zp] /
[∑ u∈U ∑ a∈A ⋅(∂G( f , z)/∂fau -tau) ⋅∂f UEau(t, z)/∂zp +∂G( f , z)/∂zp] p∈P , (238)
σbq = -[∑ u∈U ∑ a∈A (mtau -tau) ⋅∂f UEau(t, z)/∂tbq] /
[∑ u∈U ∑ a∈A ⋅(∂G( f , z)/∂fau -tau) ⋅∂f UEau(t, z)/∂ tbq] b∈AP, q∈|U| . (239)
Con riferimento alle (238) - (237) , mentre le derivate parziali delle funzioni di
investimento e di costo sociale possono essere ottenute in modo diretto, per
effettuare il calcolo degli Jacobiani ∇t f UE(t, z) e ∇z f UE(t, z), occorre ricorrere
all’analisi di sensitività dell’assegnazione in quanto la funzione f UE(t, z) fornisce
la soluzione parametrica di un problema di punto problema di fisso.
Si consideri la seguente funzione vettoriale:
d( f , t, z) = f[c( f , z) +t, Π(z)] -f . (240)
Applicando il teorema di Dini, riportato in appendice e noto come teorema delle
funzioni implicite, alla funzione implicita d( f , t, z) = 0 , poiché il punto f = f UE (t, z)
in base alla (101) ne è la soluzione, si ha che lo Jacobiano della funzione f UE (t, z)
è dato da:
∇t f UE (t, z) = -∇t d( f , t, z) ⋅[∇f d( f , t, z)] -1, (241)
UE -1
∇z f (t, z) = -∇z d( f , t, z) ⋅[∇f d( f , t, z)] ,
ove gli Jacobiani dela funzione d( f , t, z) vanno calcolati nel punto f = f UE (t, z). (242)
Differenziando la (240) in base all’approssimazione Π(z) = costante si ha:
∇f d( f , t, z) = ∇f c( f, z) ⋅∇c f(c, Π ) -I , (243)
∇t d( f , t, z) = ∇c f(c, Π ) , (244)
∇z d( f , t, z) = ∇z c( f, z) ⋅∇c f(c, Π ) , (245)
che sostituite nelle (241) - (242) forniscono:

65
∇t f UE (t, z) = ∇c f(c, Π )⋅[I -∇f c( f, z) ⋅∇c f(c, Π )] –1, (246)
∇z f (t, z) = ∇z c( f, z) ⋅∇c f(c, Π )⋅[I -∇f c( f, z) ⋅∇c f(c, Π )] = ∇z c( f, z) ⋅∇t f (t, z) . (247)
UE -1 UE

In base alle (246) - (247) l’analisi di sensitività dell’assegnazione richiede,

oltre alla solita operazione di inversione, il calcolo dei due Jacobiani ∇f c( f, z) e
∇z c( f, z) , che possono essere ottenuti direttamente differenziando le funzioni di
prestazione d’arco, note in forma esplicita una volta specificato il modello di
offerta, e quello dello Jacobiano della mappa di caricamento, con riferimento al
quale differenziando la (96) si ha:
∇c f(c, Π ) = Π ⋅∇F(C)⋅Π T , (248)
il cui termine generico è :
∂ f au (c , Π ) ∂ F uj C u ( )
∂cbu
= ∑ ∑π u
aj ⋅π ⋅
u
bj
∂C uj
. (249)
j∈J u j∈J u

11.2 Formulazione di un problema di assegnazione equivalente

La rinuncia a determinare la configurazione di equilibrio mediante i pedaggi,
oltre a consentire di imporre su di questi vincoli della stessa natura di quelli
considerati per le variabili di progetto, permette di individuare ed interpretare le
KKT di un problema più generale di quello esaminato nella Parte Terza. In
particolare nel problema (198) la funzione di investimento dipende anche dai
flussi d’arco (es. la manutenzione delle strade) e gli introiti dei pedaggi vengono
sommati al budget disponibile nel vincolo di bilancio.
Poiché l’equivalente del problema (186) per le condizioni (221) - (225) è della
stessa complessità del problema di progetto stesso, la formulazione di un
problema di assegnazione equivalente mediante modifica delle funzioni di costo
d’arco non è interessante.

introito ricavato
introito non ricavato
x00 , ξ00

xau , ξau

T max

introito potenziale

Figura 9) : Rete fittizia degli introiti

Risulta invece ancora possibile impiegare efficacemente l’approccio della iper

rete con archi fittizi di investimento introdotto nel paragrafo 8.2 . A tal fine
occorre affiancare alla rete fittizia degli investimenti la rete fittizia degli introiti

66
(figura 9). Essa consta di due nodi - centroidi, che rappresentano rispettivamente
l’introito potenziale e l’introito ricavato, connessi da tanti archi di introito quanti
sono i pedaggi, più uno associato all’introito non ricavato (pedice 00). La
domanda che insiste sulla rete è il massimo introito ricavabile T max . Quest’ultimo
viene introdotto solo per completare l’analogia con la rete fittizia
dell’investimento e deve essere posto ad un valore sufficientemente elevato da
non far attivare il relativo vincolo, che, infatti, nel problema non è considerato.
Il rendimento dell’arco relativo all’introito non ricavato viene posto pari al
rendimento η degli archi di investimento utilizzati; mentre la domanda della rete
fittizia di investimento viene posta pari alla somma del budget B e degli introiti
ricavati T. All’equilibrio (deterministico) tutti gli archi utilizzati, ossia con flusso
di introito positivo, hanno rendimento pari a η , che è non minore di quelli degli
archi di introito non utilizzati.
Si noti che, contrariamente al caso dei flussi di investimento, i flussi di introiti
che risultano dall’assegnazione alla rete fittizia forniscono direttamente i pedaggi
senza necessità di invertire alcuna funzione; si ha infatti tau = fau / xau .
Con riferimento alla rete fittizia dell’investimento vengono evidentemente
impiegati i rendimenti a flussi variabili σ e non quelli a flussi costanti ρ.
Il metodo consiste nel risolvere uno UE congiunto alla rete fittizia di
investimento, alla rete fittizia degli introiti e alla rete che rappresenta l’offerta di
trasporto formalizzato dal seguente problema di punto fisso nei flussi f ed x :
( f T, x T) T = (f[c( f , G -1(x))] T , x[σ( f , G -1(x))] T)T . (250)
L’algoritmo risolutivo non differisce sostanzialmente da quello presentato nel
paragrafo 8.2 , a parte il fatto non trascurabile che il calcolo dei rendimenti a
flussi variabili richiede l’analisi di sensitività dell’assegnazione.
1) inizializzazione
2) k = k +1 aggiorna il contatore delle iterazioni
3) s k = s(v k, z k) calcola i tempi d’arco
4) mt k = mt(v k, τ k, z k) calcola i pedaggi marginali d’arco
5) s k = s k +η k perturba i tempi d’arco (Probit)
6) (w k, p k) = r(o, s k, z k) calcola soddisfazioni e probabilità di nodo
7) d k = d(w k) calcola la domanda
8) yvk = yv( p k, d k, z k) ,
yτk = yτ( p k, d k, z k) carica la domanda sulla rete
9) z k = G -1(x k) calcola le variabili di progetto
10) ρ k = ρ(v k, τ k, z k) calcola i rendimenti a flussi costanti
11) σ k = σ(ρ k , w k, d k, v k, τ k, z k) calcola i rendimenti a flussi variabili
12) yxk = yx(σ k) carica l’investimento
13) v k+1 = v k +1/k ⋅(yvk -v k) ,

67
 τ k+1 = τ k +1/k ⋅(yτk -τ k) aggiorna i flussi
k+1 k k k
14) x = x +1/k ⋅(yx -x ) aggiorna i flussi di investimento
15) if max a∈A |va - va | / va < ε then stop
k k-1 k
criterio di arresto
16) goto 2
inizializzazione
1) k = 0 inizializza il contatore delle iterazioni
2) v k = 0, τ k = 0 [v k = v old , τ k = v old] inizializza i flussi d’arco
3) z k = z old inizializza le variabili di progetto
4) s k = s(v k, z k) calcola i tempi d’arco
5) o k = o(s k, z k) ordina i nodi (Logit)
6) (w k, p k) = r(o, s k, z k) calcola soddisfazioni e probabilità di nodo
7) d k = d(w k) calcola la domanda
8) yvk = yv( p k, d k, z k) ,
yτk = yτ( p k, d k, z k) carica la domanda sulla rete
9) ρ k = ρ(v k, τ k, z k) calcola i rendimenti a flussi costanti
10) σ k = σ(ρ k , w k, d k, v k, τ k, z k) calcola i rendimenti a flussi variabili
11) yxk = yx(σ k) carica l’investimento
12) v k+1 = y k , τ k+1 = yτk aggiorna i flussi
13) x k+1 = yxk aggiorna i flussi di investimento

12 Analisi di sensitività per modelli di tipo Logit

Per calcolare lo Jacobiano della mappa di caricamento mediante la (248)
occorre adoperare un modello in cui ciascuna alternativa viene espressamente
individuata e caratterizzata da variabili distinte. Ma l’enumerazione esplicita delle
alternative richiede una preselezione dei percorsi che compongono gli insiemi di
scelta al fine di contenere il numero di variabili dell’assegnazione entro limiti
accettabili. Tale operazione può risultare a sua volta onerosa dal punto di vista
computativo e comunque pone una serie di problemi metodologici. Poiché i
modelli ad enumerazione implicita delle alternative risultano invece facilmente
implementabili, ne segue che essi costituiscono lo standard applicativo per
l’assegnazione.
Facendo specifico riferimento alla particolare struttura a livelli di scelta
introdotta nel paragrafo 2.2 ed assumendo come modello il Logit Gerarchizzato,
nel presente paragrafo viene individuato un algoritmo che consente di calcolare il
gradiente della mappa di caricamento mantenendo implicita l’enumerazione delle
alternative.
Specializzando la (68) con riferimento al modello di domanda considerato si
ottiene:
F ju = N u ⋅ PgI u ⋅ PdII/ ug ⋅ PmIII/gd
u
⋅ PrIV u
/ gdm , (251)

68
ove le variabili PgIu , Pd/gIIu, Pm/gdIIIu e Pr/gdmIVu rappresentano le probabilità
condizionate delle generiche alternative relative a ciascun livello di scelta. Le
probabilità condizionate sono una funzione delle utilità specifiche delle alternative
del relativo livello:
( ),
PgI u = PgI u V I u (252)

PdII/ ug = P (V ) ,
II u
d/g g
II u
(253)

PmIII/ ugd =P (V ) ,
III u
m / gd
III u
gd (254)

PrIV/gdm
u
=P (V ) ,
IV u
r / gdm
IV u
gdm (255)
mentre le utilità sistematiche specifiche di ciascun livello dipendono dalle utilità
sistematiche specifiche del livello inferiore attraverso la funzione di
soddisfazione:
( ) ( ),
VgI u = VgI u VgII u = X gI u + WgII u V gII u (256)

VdII/ ug = V (V ) = X
II u
d/g + W (V ) ,
III u
gd
II u
d/g
III u
d/g
III u
gd (257)

VmIII/ ugd =V (V ) = X + W (V )
III u
m / gd
IV u
gdm
III u
m / gd
IV u
m / gd
IV u
gdm , (258)

VrIV/gdm
u
=V (C ) = X − γ ⋅ C .
IV u
r / gdm
u
gdmr
IV u
r / gdm
u u
gdmr (259)
Poiché le utilità dell’ultimo livello dipendono dai costi generalizzati di alternativa,
ne segue che sostituendo in cascata le (256) - (259) nelle (252) - (255) e queste
nelle (251), si ottengono le componenti della funzione di domanda Fju(C u)
j = 1, … , |J u| , relativa al generico utente u∈U , di cui alla (249) .
Differenziando la (251) come prodotto di funzioni si ottiene in prima istanza:
∂ F uj C u ( )= N u
⋅
∂ PgI u V I u ( )⋅ P II u
⋅ PmIII/ ugd ⋅ PrIV/gdm
u
+ PgI u ⋅
(
∂ PdII/ug V gII u )⋅ P III u
⋅ PrIV/gdm
u
+
d/g m / gd
∂C uj ∂C uj ∂C uj

+ PgI u ⋅ PdII/ ug ⋅
(
∂ PmIII/ ugd V gdIII u )⋅ P IV u
+ PgI u ⋅ PdII/ ug ⋅ PmIII/ ugd ⋅
∂ PrIV/gdm
u
(IV u
V gdm ) . (260)
r / gdm
∂C uj ∂C uj
Differenziando le (252) - (255) in base alle (256) - (259) per la (51) si ha:
∂ PgI u V I u( ) = ∂ P (V ) ⋅ ∂ V (V ) ⋅ ∂ V (V ) ⋅ ∂ V
Iu
g
Iu Iu
g g
II u II u
d /g
III u
gd
III u
m / gd
(
V gIV u
dm
)⋅ ∂ V IV u
r / gd m
(C gud m r )
=
∂C uj ∂V gI u ∂VdII/ug ∂VmIII/ ugd ∂VrIV/gud m ∂C gud m r

=
∂ PgI u V I u( )⋅ P II u
⋅ PmIII/ ugd ⋅ PrIV/gud m ⋅ − γ u ( ) , (261)
∂V gI u d /g

(
∂ PdII/ug V gII u )=δ g
⋅
(
∂ PdII/ug V gII u )⋅ P III u
⋅ PrIV/gud m ⋅ − γ u ( ) , (262)
g
∂C uj ∂VdII/ug m / gd

69
 (
∂ PmIII/ ugd V gdIII u )=δ g
⋅δ ⋅ d
(
∂ PmIII/ ugd V gdIII u )⋅ P IV u
(
⋅ −γ u ) , (263)
g d
∂C uj ∂VmIII/ ugd r / gd m

u
∂ PrIV/gdm IV u
V gdm ( )=δ g
⋅δ ⋅δ d m
⋅
u
∂ PrIV/gdm IV u
V gdm ( ) ⋅ (− γ ) u
, (264)
g d m
∂C uj ∂VrIV/gud m
che sostituite nella (260) forniscono la seguente espressione per le derivate
parziali della funzione di domanda:
 ∂ PgI u V I u ( )
⋅ PdII/ug ⋅ PmIII/ ugd ⋅ PrIV/gud m ⋅ PdII/ ug ⋅ PmIII/ ugd ⋅ PrIV/gdm
u

+ 
 Iu
 ∂V g 
 

II u
∂ Pd / g V g II u
( ) 
+ Pg ⋅ δ g ⋅
Iu g III u IV u III u IV u
⋅ Pm / gd ⋅ Pr / gd m ⋅ Pm / gd ⋅ Pr / gdm + 
∂ F uj C u ( ) 
= −N u ⋅ γ u ⋅ 
II u
∂Vd / g 
 , (265)
∂C uj  ∂ P III u
m / gd V III u
gd  ( )
+ Pg ⋅ Pd / g ⋅ δ g ⋅ δ d ⋅ ∂V III u
II u
Iu g d
⋅ PrIV/gud m ⋅ PrIV/gdm
u
+ 
 m / gd 

+ P I u ⋅ P II u ⋅ P III u ⋅ δ g ⋅ δ d ⋅ δ m ⋅ ∂ Pr / gdm V gdm
IV u IV u 
 ( )
 g d/g m / gd g d m IV u
∂ r / gd m
V 
 
Si ricorda che i coefficienti di Kronecker δ sono pari ad 1 se i relativi apice e
pedice coincidono, e pari a 0 altrimenti. Si noti che la (265) vale
indipendentemente dai modelli di scelta considerati per i diversi livelli purché essi
siano probabilistici e additivi. Quanto segue fa, invece, specifico riferimento ai
modelli Logit e Logit gerarchizzato.

12.1 Logit multinomiale

Nel modello Logit multinomiamale la probabilità di scelta della generica
alternativa j∈J u del generico utente u∈U è data da:
V ju θ u
P uj (V ) =
u e
, (266)
∑
u
θu
e Vk
k∈J u

ove θ u è un parametro caratteristico del modello.

Differenziando la (266) si ha:
δ jj δ kj  
∑
V ju θ u
∑e ∑θ
V ju θ u V ju θ u V ju θ u u
θu
Vku θ u
⋅  δ jj ⋅ 
u
θu
⋅e ⋅ − ⋅ eVk ⋅e e eVk −e
∂ P uj (V ) = θ
u u
k∈J u k∈J u
u
=
1
⋅  k∈J u

=
∂V ju  
2
θu  
2

∑ ∑
u
 eVk θu   eVk
u
θu 
 u   u 
 k∈J   k∈J 
 
V ju θ u  V ju θ u 
=
1
⋅
e δ j
−
e  = 1 ⋅ P ju ⋅ δ ( j
− P ju ) . (267)
θu ∑ ∑  θu
j j

u
θu u
θu
e Vk  e Vk 
k∈J u  k∈J u 

70
 Poiché il modello Logit multinomiale prevede un unico livello di scelta, la
(265) diventa:
( ) = −N
∂ F uj C u u
⋅γ ⋅u
( )
∂ P ju V u
. (268)
∂C uj ∂V ju
Sostituendo la (267) nella (268) e questa nella (249) si ottiene:
∂ f au (c , Π )
cbu
θ
1
(
= N u ⋅ γ u ⋅ u ⋅ Pau ⋅ Pbu − Pabu ) , (269)

ove si è posto:
Pau = ∑π u
bj ⋅ Pju , (270)
j∈J u

Pabu = ∑π u
u
aj ⋅ π bju ⋅ Pju . (271)
j∈J

I termini Pau di cui alle (270) esprimono la probabilità che l’utente u utilizzi
l’arco a nell’ambito dell’alternativa di spostamento selezionata. Il prodotto Pau
⋅Pbu fornisce quindi la probabilità che, con riferimento a due spostamenti distinti,
l’arco a venga utilizzato nel primo di essi e l’arco b nel secondo. Infine, con
riferimento al caso in cui le alternative sono associate a cammini ordinari e quindi
Π è una matrice di incidenza archi - cammini, i termini Pabu di cui alle (271)
esprimono la probabilità di utilizzare sia l’arco a che l’arco b nell’ambito dello
spostamento; evidentemente se a e b coincidono si ha Pabu = Pau.
In sostanza la (269) stabilisce che, con riferimento alla generica classe u , la
derivata parziale del flusso sull’arco a rispetto al costo sull’arco b è direttamente
proporzionale alla probabilità di utilizzo alternativo dei due archi e inversamente
proporzionale alla loro probabilità di utilizzo congiunto. Essa confera pure che lo
Jacobiano della mappa di caricamento, così come quello della funzione di
domanda, è simmetrico.

12.2 Logit gerarchizzato

Con riferimento alla struttura della domanda introdotta nel paragrafo 2.2 ,
applicando la (267) alle probabilità condizionate relative ai singoli livelli di scelta
si ottengono le seguenti relazioni:
( )=
∂ PgI u V I u 1
(
⋅ PgI u ⋅ δ gg − PgI u ) , (272)
∂V gI u θ Gu

(
∂ PdII/ug V gII u )= 1
(
⋅ PdII/ ug ⋅ δ dd − PdII/ug ) , (273)
∂VdII/ug θ u
D

71
 (
∂ PmIII/ ugd V gdIII u )= 1
(
⋅ PmIII/ ugd ⋅ δ mm − PmIII/ ugd ) , (274)
∂VmIII/ ugd θ Mu

∂ PrIV/gdm
u
(IV u
V gdm )= 1
⋅ PrIV/gdm
u
(
⋅ δ rr − PrIV/gdm
u
) , (275)
∂VrIV/gdm
u
θ C
u

che, sostituite nella (265) forniscono:

1 Iu II u IIIu IVu 
θ u ⋅ Pg ⋅ Pd / g ⋅ Pm / gd ⋅ Pr / gdm + 
 G 
  1 1  g II u IIIu 
+  u − u  ⋅ δ g ⋅ Pd / g ⋅ Pm / gd ⋅ Pr / gdm +
IVu

  θ D θG  
( )
∂ Fuj C u u u Iu II u IIIu IV u

  1 1  g d IIIu IVu

= γ ⋅ N ⋅ Pg ⋅ Pd / g ⋅ Pm / gd ⋅ Pr / gdm ⋅ +  u − u  ⋅ δ g ⋅ δ d ⋅ Pm / gd ⋅ Pr / gdm +  . (276)
∂C uj   θM θD  
 
  1 1  
+  u − u  ⋅ δ g ⋅ δ d ⋅ δ m ⋅ Pr / gdm
g d m IVu

  θC θ M  
 1 
− u ⋅ δ gg ⋅ δ dd ⋅ δ mm ⋅ δ rr 
 θ C 
Sostituendo la (276) nella (249) si ottiene:
1 
Iu IIu
∑ ∑ IIIu u
∑ Iu IIu
∑ ∑
IIIu
θ u ⋅ Pg ⋅ Pd / g ⋅ Pm/ gd ⋅ Pa / gdm⋅ Pg ⋅ Pd / g ⋅ Pm / gd ⋅ Pb/ gdm +  ∑ u

 G g d m g d m 
 1 1 
 θD θG  g d m
∑ ∑
+  u − u  ⋅ PgIu ⋅ PdII/ug ⋅ PmIII/gd
u
⋅ Pa
u
/ gdm ⋅
d
P ∑
IIu
d /g
⋅
m
P ∑
IIIu
∑
m / gd
⋅ P u
b/ gdm
+

 
∂fau (c, Π) u u   1 1  
cbu
 θM θD  g
Iu
∑ ∑ u
∑
= γ ⋅ N ⋅ +  u − u  ⋅ Pg ⋅ Pd / g ⋅ Pm/ gd ⋅ Pa / gdm⋅ Pm / gd ⋅ Pb/ gdm +
IIu IIIu IIIu u
∑  , (277)
 d m m 
 1 1 
 θC θM  g d m
∑ ∑
+  u − u  ⋅ PgIu ⋅ PdII/ug ⋅ PmIII/gdu
⋅ Pu
⋅ P u
a / gdm b/ gdm ∑+ 

 
− 1 ⋅ PIu ⋅ PIIu ⋅ PIIIu ⋅Pu
∑ ∑
 θCu g g d d / g m m/ gd ab/ gdm ∑ 

 
ove si è posto :
Pau/ gdm = ∑Pr
IV u
r / gdm ⋅ π au / gdmr , (278)

Pabu / gdm = ∑P r
IV u
r / gdm ⋅ π au / gdmr ⋅ π bu/ gdmr , (279)

analoghe alle (270) e (271).

72
12.3 Algoritmo per il calcolo delle probabilità d’arco ad enumerazione implicita
delle alternative
Poiché le probabilità condizionate relative ai primi tre livelli di scelta
rappresentano un output standard per qualsiasi modello di assegnazione a
domanda elastica, in base alla (277), l’analisi di sensitività dell’assegnazione per i
modelli di tipo Logit richiede specificamente il calcolo delle probabilità d’arco
(278) e (279).
L’algoritmo che andiamo ad illustrare consente di calcolare tali probabilità
d’arco operando ad enumerazione implicita delle alternative. Esso può essere
considerato una estensione dell’algoritmo di Dial: assunta l’ipotesi di considerare
i soli cammini efficienti (quelli composti da archi che si avvicinano alla
destinazione), procedendo in ordine topologico a partire da ogni destinazione, è
possibile determinare alcune quantità, dette pesi, in funzione delle quali risultano
espresse le probabilità da calcolare.
L’approccio richiede di assumere che le alternative siano associate a cammini
ordinari e non ad ipercammini. Ne segue che, con riferimento al trasporto
collettivo il metodo proposto è in grado di calcolare solamente una
approssimazione delle probabilità d’arco. D’altra parte, poiché il modello di scelta
del cammino è un Logit, il fenomeno della dispersione della domanda sulle
diverse alternative risulta comunque rappresentato, anche se non in modo coerente
con il modello ad iprecammini utilizzato per il caricamento della rete.
Facendo riferimento ai concetti introdotti paragrafo 2.3 , per semplicità di
implementazione le variabili non vengono riferite alle singole classi di utenti,
bensì alle categorie individuali considerando tutti i nodi come possibili origini
degli spostamenti. Definiamo peso del nodo i∈N rispetto al nodo j∈N per gli
individui della categoria y∈Y che si spostano verso la destinazione d∈C
utilizzando il modo m∈M la seguente quantità:

∑
− C yr / ij θ Cy
wijmdy = e , (280)
r∈Rijmdy

ove Rijmdy rappresenta l’insieme dei cammini efficienti tra i nodi i e j rispetto alla
destinazione d sul modo m per la categoria y , mentre C yr/ij indica il costo
generalizzato del cammino r tra i suoi due nodi i e j . I pesi vengono calcolati
mediante la seguente procedura simile a quella di Dial:

73
w=0
per ogni categoria individuale y∈Y
per ogni destinazione d∈C
per ogni modo m∈M
per ogni nodo i∈N in ordine crescente di lontananza dalla destinazione
per ogni arco efficiente a∈FS(i) della stessa in uscita da i
y
− ca θ Cy
wtmdy mdy
(a )h (a ) = wt (a )h (a ) + e
per ogni nodo j∈N in ordine crescente di lontananza
dalla destinazione fino al nodo h(a)
y
− ca θ Cy
wtmdy mdy mdy
(a ) j = wt (a ) j + wh (a ) j ⋅ e

In base alla (266) la probabilità di scelta del percorso r è data da:

− C yr / id θ Cy − C yr / id θ Cy
e e
PrIV y
/ idm = = . (281)
∑e widmdy
− C yh / id θ Cy

h∈Ridmdy

Le probabilità d’arco P ya/idm P yab/idm sono date in prima istanza dalla somma delle
probabilità di seguire i percorsi efficienti che contengono rispettivamente l’arco a
ed entrambi gli archi a e b. Poiché il generico cammino r∈Ra/ijmdy da i a j che
contiene l’arco a si compone di tre tratte - la prima che va da i alla coda di a , la
seconda consiste nell’arco a stesso , la terza che va dalla testa dell’arco a fino a j -
e il generico cammino r∈Rab/ijmdy di cinque, gli insiemi Ra/ijmdy e Rab/ijmdy possono
essere opportunamente scomposti in base a noti principi di calcolo
combinatoriale. Ne segue che le probabilità d’arco possono essere espresse in
funzione dei pesi, come mostrano le seguenti passaggi:
per oimdy > ot(a)mdy > oh(a)mdy :
[ ]
∑ ∑
y
θ Cy − C ry/ i t ( a ) + cay + C ry/ h ( a ) d
e −Cr / id e

∑P IV y r∈Ramdy r∈Ramdy
Pay/ idm = r / idm = / id
= / id
=
r∈Ramdy widmdy widmdy
/ id

∑ ∑
− C ry/ i t ( a ) θ Cy y
θ Cy − C ry/ h ( a ) d θ Cy
e ⋅ e − ca ⋅ e
− ca y
θ Cy
r∈Rimdy
t (a ) r∈Rhmdy
( a )d
wimdy
t (a ) ⋅ e ⋅ whmdy
(a )d
= = , (282)
widmdy widmdy
per oimdy > ot(a)mdy > oh(a)mdy > ot(b)mdy > oh(b)mdy :
[ ]
∑
− C ry/ i t ( a ) + cay + C ry/ h ( a )t ( b ) + cby + C ry/ h ( b )d
e

∑P
mdy
IV y r∈Rab
Paby / idm = r / idm = / id
=
mdy
r∈Rab widmdy
/ id

74
 ∑ ∑e ∑e
− C ry/ i t ( a ) θ Cy y
θ Cy − C ry/ h ( a )t ( b ) θ Cy y
θ Cy − C ry/ h ( b ) d θ Cy
e ⋅ e − ca ⋅ ⋅ e − cb ⋅
r∈Rimdy
t (a ) r∈Rhmdy
( a )t ( b ) r∈Rhmdy
( b )d
= =
widmdy
y
− ca y
θ Cy − cb θ Cy
wimdy
t (a ) ⋅ e ⋅ whmdy
(a )t (b ) ⋅ e ⋅ whmdy
(b )d
= , (283)
widmdy
altrimenti Pya/idm e/o Pyab/idm sono nulle. Con riferimento alla (283) si assume che
oh(a)mdy > ot(b)mdy ; se è vero il contrario, nella formula occorre scambiare a e b .
Questo algoritmo è stato già proposto da Davis (1994) con riferimento ad un
modello a domanda rigida. Egli però impiega i pesi wimjy , tipici dell’algoritmo di
Dial. Poiché i percorsi efficienti dal nodo i al nodo j dipendono da quale è la
destinazione dello spostamento, operando in tal modo si introduce implicitamente
una pesante distorsione che qui viene eliminata determinando ed impiegando i
pesi wijmdy , diversi per ogni destinazione.

75
Conclusioni
Riassumiamo i principali risultati da un punto di vista teorico conseguiti nella
Tesi.
Il NDP è stato inquadrato nel contesto della microeconomia neoclassica,
estendendo la teoria del consumatore al caso della scelta discreta e dell’utilità
aleatoria, ipotesi fondamentali per i modelli di domanda di trasporto. Ciò ha
permesso di stabilire la stretta correlazione che esiste tra la variabile soddisfazione
e il surplus del consumatore, che permette di monetizzare gli effetti di un
intervento di modifica dell’offerta sull’utilità a posteriori dell’individuo ove ai
prezzi si facciano corrispondere i costi generalizzati. In questo quadro l’identità di
Roy diventa la nota proprietà dei modelli additivi per cui il gradiente della
soddisfazione rispetto alla utilità delle alternative è il vettore delle relative
probabilità.
Mediante due approcci distinti, rispettivamente la formulazione di un problema
di allocazione delle risorse e di un NDP, il concetto di System Optimum e la
validità del marginal pricing sono stati generalizzati al caso di modelli di
domanda fondati sulla teoria dell’utilità aleatoria.
Il NDP è stato ricondotto ad un problema di assegnazione di equilibrio
equivalente. La sua caratterizzazione in termini di esistenza, unicità della
soluzione e convergenza dell’algoritmo risolutivo può dunque essere effettuata
impiegando i risultati noti per lo User Equilibrium. In particolare, assicurando la
continuità delle funzioni utilizzate si garantisce l’esistenza di un ottimo globale;
mentre poiché in generale lo Jacobiano dei costi dell’assegnazione equivalente
non è semidefinito positivo, l’equilibrio non è necessariamente unico e quindi si
possono presentare più soluzioni locali del NDP, confermando che in generale i
problemi di progetto di rete sono non convessi.
I risultati più rilevanti da un punto di vista metodologico conseguiti nella Tesi
sono principalmente due: con riferimento al generico NDP è stato proposto un
nuovo algoritmo basato sull’idea di iper rete che risolve il problema come una
assegnazione di equilibrio; per quanto concerne il calcolo dell’analisi di sensitività
dei modelli Nested Logit è stato formulato un algoritmo ad enumerazione
implicita delle alternative.
Nel caso in cui è data la possibilità di applicare i pedaggi marginali, la
complessità di tale metodo è effettivamente quella di uno User Equilibrium. In
caso contrario, occorre impiegare l’analisi di sensitività dell’assegnazione ad ogni
iterazione della procedura di calcolo dell’equilibrio, pertanto la complessità è di
un ordine superiore rispetto a quella di uno UE.
Lo sviluppo di metodologie di progettazione delle reti di trasporto urbano
presenta intrinseche difficoltà legate alla natura stessa del NDP che si configura

76
come un problema di ottimizzazione bilivello, spiccatamente non lineare,
generalmente non convesso e di grandi dimensioni.
In questa Tesi è stato fornito uno strumento di semplice implementazione che
permette di individuare un Lower Bound della soluzione.
Per la determinazione di una soluzione locale è stato utilizzato lo strumento
dell’analisi di sensitività dell’assegnazione, piuttosto oneroso in termini
computazionali.
La determinazione delle soluzioni globali esula dallo scopo del presente lavoro,
ma costituisce il tema di un futuro sviluppo di questa ricerca che intendo
affrontare mediante l’applicazione di adeguati strumenti di ottimizzazione
probabilistica.

77
 APPENDICE

Notazione sintetica e relative regole di derivazione

Nella Tesi vengono adottate le seguenti convenzioni di simbologia:
oggetto carattere esempio
funzioni scalari e vettoriali italic x
variabili scalari corsivo x
variabili vettoriali corsivo grassetto x
matrici maiuscolo corsivo grassetto A
insiemi maiuscolo corsivo X
cardinalità di un insieme insieme tra stanghette |X|
indici minuscolo corsivo a
simboli e operatori matematici italic ∑
numeri italic 0
indici di stato apice x0
indici di classe apice xu
indici di componente pedice xa
caratteristica di un elemento tra parentesi x(a)
Nel corso delle trattazioni analitiche viene utilizzata estensivamente la
notazione sintetica, che consiste nell’esprimere le variabili in forma compatta
attraverso vettori e matrici, come nei seguenti esempi:
 a1   b1   c1   x1   y1   a11 a12 . a1m 
           
 a2   b2   c2   x2   y2  a a . a2m 
a =   b =   c =   x =   y =   A =  21 22 = (a1 a2 ⋅ am )
. . . . . . . . . 
           
 al   bm   cm   xn 
 
 yp   al1 al 2 . alm 
Si noti che le colonne della matrice A sono a loro volta dei vettori.
Poiché la notazione sintetica viene mantenuta anche per effettuare le operazioni
di differenziazione, al fine di facilitare la lettura del testo vengono riportati alcuni
risultati fondamentali della derivazione delle funzioni composte. Si assume che
tutte le funzioni utilizzate siano almeno due volte differenziabili.
Le funzioni possono essere scalari, vettoriali e matriciali a seconda della
dimensione dello spazio in cui è definito il condominio:
funzione scalare di vettore : f = f(y) ,
funzioni vettoriali di vettore : y = y(x) = [y1(x), y2(x), … , yp(x)] T ,
funzione vettoriale di due vettore : h = h(y, b) = h[y(x), b(x)] ,
funzione matriciale vettore : A = A(x) = [a1(x), a2(x), … , am(x)] ,

78
ove è f : ℜp → ℜ , y : ℜn → ℜp , b : ℜn → ℜm , c : ℜn → ℜm , h : ℜn ×ℜm → ℜl .
Le operazioni di differenziazione vengono rappresentate sinteticamente
mediante i seguenti operatori:
Gradiente: ∇f(y) = [∂f(y)/∂y1 , ∂f(y)/∂y2 , … , ∂f(y)/∂yp] T ,
Jacobiano (trasposto) : ∇y(x) = [∇y1(x), ∇y2(x), … , ∇yp(x)] ,
Hessiano: ∇2f(x) = ∇[∇f(x)] .
Le Regole di derivazione delle funzioni composte sono fornite dalle seguenti
formule:
∇h[y(x), b(x)] = ∇y(x)⋅∇h(y) + ∇b(x)⋅∇h(b) ,
∇[A(x)⋅b(x)] = ∇b(x)⋅A T + ∑i = 1, … , m bi⋅∇ai(x) .
L’applicazione ad alcuni casi particolari di tali regole costituiscono un utile
riferimento:
Gradiente di una funzione scalare composta: ∇f[x(y)] = ∇x(y)⋅∇f(x) ,
Jacobiano di una funzione vettoriale composta : ∇b[x(y)] = ∇x(y)⋅∇b(x) ,
Jacobiano del prodotto di una matrice costante per un vettore : ∇[A⋅x] = I⋅A T = A T ,
Gradiente di un prodotto vettoriale : ∇[b(x)T⋅c(x)] = ∇b(x)⋅∇b[cT⋅b] + ∇c(x)⋅∇c[bT⋅c]
= ∇b(x)⋅c + ∇c(x)⋅b .
Infine, le proprietà di monotonicità delle funzioni e di definitezza delle matrici
vengono sinteticamente espresse nel seguente modo:
y(x) ; 0 ( y(x) ; 0 ) la funzione f è monotonica strettamente crescente
(monotonica non decrescente) ,
A;0 (A;0) la matrice A è definita positiva (semidefinita positiva) .

79
Il teorema del risvolto
In questo paragrafo viene presentata una proposizione avente validità generale,
che ho chiamato teorema del risvolto. Essa introduce una condizione sufficiente
per l’esistenza della soluzione di un problema di ottimo non vincolato. Tale
condizione garantisce anche che, se esistono più soluzioni, queste non sono
isolate.
In questa sede il teorema del risvolto viene utilizzato per caratterizzare le
soluzioni di un problema di network design, ma mi è già tornato nuovamente utile
per dimostrare una nuova condizione sufficiente per l’unicità dello UE ,
nell’ambito di un articolo in via di pubblicazione.
Il nome del teorema richiama l’idea di base: nell’intorno di un minimo locale la
funzione cresce; pertanto prima di decrescere deve passare per un punto piatto (un
massimo locale o una sella), che ho informalmente chiamato risvolto. Il teorema
sembra poter essere facilmente confutato mediante semplici contro esempi,
poiché, in effetti, nello spazio una superficie può crescere e decrescere senza
passare per un punto piatto (si pensi ad esempio alle fantasiose forme che può
assumere un nastro inclinato; poiché esso è inclinato non esiste alcun punto
piatto). Per questa ragione l’asserto e le sue iniziali argomentazioni hanno
incontrato lo scetticismo di alcuni esperti, finché il professor Rosati, che si è
presto convinto della giustezza del teorema, ha aiutato me ed il Prof. Papola ad
impostare la seguente dimostrazione.
Proposizione iv): Sia f : ℜn → ℜ una funzione di x∈ℜn tale che:
a) la funzione f è differenziabile : f∈C1 ,
b) ogni punto stazionario è di minimo locale : se ∇f(x) = 0 , x∈ℜn, allora ∃ε > 0
tale che f(y) ≥ f(x) ∀y∈ℜn: ||x -y|| < ε ,
c) esiste almeno un punto stazionario : ∃ x*∈ℜn : ∇f(x*) = 0 .
Allora, il problema di ottimo non vincolato min x∈ℜn f(x) ammette soluzione. Sia
M = {x∈ℜn : ∇f(x) = 0}, S0 l’insieme dei punti connessi ad x* su M e X*
l’insieme delle soluzioni globali del problema. Si ha: X* ≡ S0 ≡ M.
Dimostrazione: Senza scapito di generalità si può assumere x* = 0 , f(x*) = 0.
Per la a) e la b), si ha che ∀x∈S0 : f(x) = 0 , ∇f(x) = 0 e che ∂S0⊆S0 . Se ∂S0 = ∅,
allora S0 ≡ ℜn ; tutti i punti sono soluzione ed il teorema risulta dimostrato. Se
invece ∂S0 ≠ ∅ , per ogni x∈∂S0 esiste un intorno sferico di x avente raggio ε (x) > 0,
che indichiamo con N (x, ε (x)), tale che ∀y ∈ N (x, ε (x)) -N (x, ε (x))∩S0 si ha
che f(y) > 0 e ||∇f(y)|| > 0 .
Pertanto, per un opportuno t > 0 esiste un insieme St tale che:
1) S0∈St ,
2) St è un dominio ,

80
3) f(x) > 0 ∀x∈St -S0 ,
4) f(x) < t ∀x∈St -∂St ,
5) f(x) = t ∀x∈∂St .
6) ||∇f(x)|| > 0 ∀x∈St -S0 .
In base alla (4), alla (5) e alla b), il gradiente ∇f(z), z∈∂St , è diretto verso
l’esterno di St . Pertanto in base alla a) si ha :
7) ∃ t’ > t tale che St’ ⊃ St e valgono ancora le proprietà (1), (2), (3), (4), (5) e (6).
Si considerino tutti i possibili t > 0 in corrispondenza dei quali esiste un insieme St
per cui valgono le proprietà (1), (2), (3), (4), (5) e (6), e sia :
8) λ = sup{t} ,
9) S λ = lim S t .
t →λ
Per la (7) e la a), l’insieme Sλ esiste e gode delle proprietà (1), (2), (3), (4) e
(5). Si possono avere due casi: Sλ ≡ ℜn , Sλ⊂ℜn. Sia Sλ ≡ ℜn. In questo caso, per la
(3), i punti di S0 sono gli unici punti di minimo globale, mentre per la (6) M ≡ S0 .
Il teorema risulta pertanto dimostrato. Se invece Sλ ⊂ ℜn, si hanno nuovamente
due casi : λ = ∞ , λ < ∞. Se λ = ∞, ogni punto z∈∂Sλ è un punto singolare; il che
contraddice l’ipotesi a) . Sia allora λ < ∞. Se Sλ gode della (6) allora gode anche
della (7), il che contraddice la (8) e la (9) . Ne deriva che la (6) non è verificata da
Sλ , contraddicendo per la (4) e la (5) l’ipotesi b) . Pertanto Sλ ≡ ℜn, il che
conclude la dimostrazione.

Altri risultati di interesse generale

Proposizione v): Sia A una matrice quadrata di dimensioni (n × n) e B una
matrice rettangolare di dimensioni (m × n) . Se A ; 0, allora B⋅A⋅BT; 0 .
Dimostrazione: La matrice B⋅A⋅BT ha dimensioni (m × m). Occorre dimostrare
che:
yT⋅B⋅A⋅BT⋅y ≥ 0 ∀y∈ℜm . (284)
T
Sia x = B ⋅y , di dimensioni (n × 1). La (284) diventa:
xT⋅A⋅x ≥ 0 ∀y∈ℜm . (285)
m T n
Poiché ∀y∈ℜ il relativo x = B ⋅y ∈ℜ , in base all’ipotesi che A ; 0, la (285) è
vera e il teorema risulta pertanto dimostrato.
Teorema di Dini (o delle funzioni implicite): Sia f : A → ℜn una funzione di
x∈ℜm e y∈ℜn definita in un campo A⊆(ℜm × ℜn ) tale che:
a) f(x*, y*) = 0 , (x*, y*)∈A
b) ∃ E(x*, y*) tale che f∈Cp , p ≥ 1 , e |∇y f(x, y)| ≠ 0 ∀(x, y)∈E(x*, y*) .
Allora:
1) ∃ ψ : E(x*, y*)x → E(x*, y*)y , ψ∈Cp , tale che f(x, y) = 0 se e solo se y = ψ(x)
∀x∈E(x*, y*)x , y* = ψ(x*)
2) ∇ψ(x) = -∇x f(x, y)⋅[∇y f(x, y)] -1 ∀x∈E(x*, y*)x .

81
 Considerazioni: Per la dimostrazione si rimanda a Ghizzetti e Rosati (1990),
pag.480. Con E(x*, y*) si indica un campo di (ℜm × ℜn ) che contiene (x*, y*),
mentre E(x*, y*)x e E(x*, y*)y sono le proiezioni di E(x*, y*) rispettivamente sullo
spazio ℜm di x e ℜn di y .
La proprietà 1 è detta risolubilità in piccolo e si dice che il sistema f(x, y) = 0
è univocamente risolubile rispetto ad y nell’intorno di un suo punto soluzione (x*,
y*) .
La formula 2 del teorema può essere ottenuta in modo semplice nel seguente
modo, una volta assunta l’esistenza della funzione ψ . Combinando la y = ψ(x)
nella f(x, y) = 0, si ottiene: f(x, ψ(x)) = 0 . Differenziando ambo i membri
quest’ultima si ha: ∇x f(x, ψ(x)) = 0 . Applicando le regole di derivazione delle
funzione composte si ha : ∇ψ(x)⋅∇y f(x, y) +∇x f(x, y) = 0 . Da questa si ottiene
l’asserto.

82
Bibliografia
1. Abdulaal M. , LeBlanc L .J. (1979) Continuous Equilibrium Network Design Models.
Transpn. Res. 13B, 19-32.

2. Beckmann M. , McGuire C. , Wisten C. (1956) Studies in the Economics of Transportation.

Yale University Press, New Haven, CT.

3. Bertsekas D. P. (1995) Nonlinear Programming. Athena Scientific, Belmont.

4. Brealey R. A. , Myers S. C. (1991) Principles of Corporate Finance, 4a ed. McGraw-Hill,

Inc.

5. Cantarella G. E. (1997) A General Fixed-Point Approach to Multimode Multi-User

Equilibrium Assignment with Elastic Demand. Transpn. Sci. 31, 107-128.

6. Ceder A. , Wilson N. H. M. (1986) Bus Network Design. Transpn. Res. 20B, 331-344.

7. Clune A. , Smith M. , Xiang Y. (1999) A Theoretical Basis for Implementation of a

Quantitative Decision Support System – Using Bilevel Optimisation. Proceedings of the 14th
International Symposium on Transportation and Traffic Flow Theory, Jerusalem, Israel.

8. Dafermos S. C. , Sparrow F. T. (1971) Optimal Resource Allocation and Toll Patterns in

User-Optimized Transport Network. Journal of Transport Economics and Policy 5, 198-200.

9. Dafermos S. C. (1973) Toll Patterns for Multiclass-User Transportation Networks. Transpn.

Sci. 7, 211-223.

10. Daganzo C. F. (1983) Stochastic Network Equilibrium with MultipleVehicle Types and
Asymmetric, Indefinite Link Cost Jacobians. Transpn. Sci. 17, 282-300.

11. Dantzing G. D. , Harvey R. P. , Lansdowne Z. F. , Robinson D. W. , Mayer S. F. (1979)

Formulating and Solving the Network Design Problem by Decomposition. Transpn. Res.
13B, 5-17.

12. Davis G. A. (1994) Exact Local Solution of the Continuous Network Design Problem via
Stochastic User Equilibrium Assignment. Transpn. Res. 28B, 61-75.

13. Dial R. B. (1999) Minimal-Revenue Congestion Pricing Part I : a Fast Algorithm for the
Single-Origin Case. Transpn. Res. 33B, 189-202.

14. Ferrari P. (1999) La Regolamentazione delle Concessioni Stradali. Sistemi di Trasporto 22,
7-16.

15. Filippi F. , Gori S. (1995) Un Sistema Integrato per la Progettazione di una Rete di Trasporto
Pubblico. in Metodi e Modelli per la Pianificazione e la Gestione dei Sistemi di Trasporto
Collettivo. Eds. A. Nuzzolo e F. Russo, SIDT, Collana Trasporti F. Angeli, Milano, 52-115.
16. Fisk C. S. (1984) Game Theory and Transportation System Modelling. Transpn. Res. 18B,
301-313.

17. Friesz T. L. , Cho H. , Mehta N. J. , Tobin R. L. , Anandalingam G. (1992) A Simulated

Annealing Approach to the Network Design Problem with Variational Inequality Constraints.
Transpn. Sci. 26, 18-26.

18. Ghizzetti, A. , Rosati, F. (1990) Lezioni di analisi matematica, Volume I . Editoriale Veschi,
Milano.

19. Hearn D. W. , Ramana M. V. (1998) Solving Congestion Toll Pricing Models. in Equilibrium
and Advanced Transportation Modelling. Pergamon.

20. Israeli Y , Ceder A. (1992) Designing Transit Routes in Urban Networks. Presented at the
World Congress of the R.S.A.I. , Palma de Mallorca.

21. Jara-Diaz S. R. , Farah M. (1988) Valuation of Users’ Benefits in Transport Systems.

Transport Reviews 8, 197-218.

22. LeBlanc L. J. , Abdulaal M. (1984) A Comparison of the User-Optimum versus System-

Optimum Traffic Assignment in Transportation Network Design. Transpn. Res. 18B, 115-
121.

23. LeBlanc, L. J. (1988) Transyt System Network Design. Transpn. Res. 22B, 383-390.

24. Magnanti T. L. , Wong R. T. (1984) Network Design and Transportation Planning: Models
and Algorithms. Transpn. Sci. 18, 1-55.

25. Marcotte P. (1981) An Analysis of Heuristics for the Continuous Network Design Problem.
Proceedings of the 8th International Symposium on Transportation and Traffic Flow Theory,
Toronto.

26. Marcotte P. (1983) Network Optimization with Continuous Control Parameters. Transpn.
Sci. 17, 181-197.

27. Nguyen S. , Pallottino S. , Gendreau M. (1998) Implicit Enumeration of Hyperpaths in a

Logit Model for Transit Networks. Transpn. Sci. 32, 54-64.

28. Oppenheim N. (1995) Urban Travel Demand Modelling. Wiley-Interscience, New York.

29. Luenberger D. G. (1995) Microeconomic Therory. McGraw-Hill, Inc.

30. Smith M. J. (1979) The Marginal Cost Taxation of a Transportation Network. Transpn. Res.
13B, 237-242.

31. Smith M. , Xiang Y. , Yarrow R. (1997) Bilevel Optimisation of Signal Timings and Road
Prices on Urban Road Networks. Preprints of the IFAC/IFIP/IFORS Symposium, Crete, 628-
633.

84
32. Sheffi Y. (1985) Urban Transportation Networks: Equilibrium Analysis with Mathematical
Programming Methods. Prentice-Hall, Englewood Cliffs, NJ.

33. Steenbrink P. A. (1974) Optimization of Transportation Networks. John Wiley & Son,
London.

34. Tobin R. L. , Friesz T. L. (1988) Sensitivity Analysis for the Equilibrium Network Flow.
Transpn. Sci. 22, 242-250.

35. Vitetta A. (1995) Progetto delle Reti di Trasporto Individuale. in Metodi e Modelli per la
Pianificazione e la Gestione dei Sistemi di Trasporto Collettivo. Eds. A. Nuzzolo e F. Russo,
SIDT, Collana Trasporti F. Angeli, Milano.

36. Xiong Y. , Schneider J. B. (1991) Transportation Network Design Usign a Cumulative

Genetic Algorithm and Neural Network. Transpn. Res. Rec. 1364, 37-44.

37. Yang H. , Lam W. H. K. (1996) Optimal Road Tolls Under Conditions of Queueing and
Congestion. Transpn. Res. 30A, 319-332.

38. Yang H. (1997) Sensitivity Analysis for the Elastic-Demand Network Equilibrium Problem
with Applications. Transpn. Res. 31B, 55-70.

85