Sei sulla pagina 1di 20

1.

Ottimizzazione del trasporto urbano mediante


l’introduzione di pedaggi e la modifica delle capacità
di G. Bellei*, G. Gentile*, N. Papola*

1.1. Introduzione

Nel presente lavoro, il problema di progettare i pedaggi e le capacità stradali di


una rete di trasporto esistente verrà formalizzato mediante un NDP (da Network
Design Problem), che, come noto, consiste nell’ottimizzare una qualche funzione
obbiettivo di tipo sociale modificando l’offerta nel rispetto del vincolo di
equilibrio. Il NDP verrà 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) in due varianti, una basata su una modifica
della funzione di costo d’arco, l’altra sull’introduzione di una iper-rete con archi
fittizi di investimento. Con riferimento ad una rete reale aggregata, verranno infine
presentati alcuni risultati numerici del metodo proposto.
In un precedente lavoro degli stessi autori, (Bellei, Gentile e Papola 2000), il
problema di ottimizzazione di una rete di trasporto esistente è stato inquadrato nel
contesto della teoria microeconomica, considerando gli utenti come consumatori
di spostamenti (trip consumer approach) e assumendo una funzione obiettivo di
tipo utilitarista (utilitarian functions - Luenberger, 1995, pag. 333): il surplus
sociale (S), che misura il benessere sociale sommando le monetizzazioni di tutti
gli effetti prodotti dalla modifica dell’offerta. Su queste basi è stato formalizzato
un problema di ottimizzazione dei pedaggi, con riferimento al quale si è
dimostrato che, assunta la possibilità di applicare un pedaggio distinto su ciascun
arco della rete, la configurazione dei flussi di equilibrio corrispondente alla
soluzione è un System Equilibrium (SE), ossia uno User Equilibruim (UE) in cui
la funzione d’offerta coincide con i costi marginali sociali, estendendo così al
contesto in esame, la validità del principio del marginal pricing (Beckmann et .al.,
1956).
In questa sede il problema viene generalizzato al caso in cui le capacità degli
archi stradali vengono ottimizzate congiuntamente ai pedaggi.
* Università degli Studi di Roma “La Sapienza”

1
L’ottimizzazione delle capacità è un classico NDP che può essere formulato sia
con approccio discreto (Magnanti e Wong, 1984) che con approccio continuo
(Steenbrink, 1974; Abdulaal e LeBlanc, 1979; Marcotte, 1983). Il problema, che è
per sua natura di tipo bilivello, è stato affrontato seguendo differenti approcci.
Tralasciando i metodi di ricerca della soluzione di tipo probabilistico, quali il
simulated annealing (Friesz et al. , 1992) e gli algoritmi genetici, sono due i
principali approcci di tipo deterministico. Nel primo si utilizza l’analisi di
sensitività dell’equilibrio al fine di ricondursi formalmente ad un problema ad un
solo livello (Tobin e Friesz, 1988; Davis, 1994; Yang, 1997). Nel secondo si
conserva la natura bilivello del NDP utilizzando procedure di tipo iterativo
riconducibili alla teoria dei giochi, che solitamente approssimano le soluzioni del
gioco di Stackelberg con soluzioni del corrispondente gioco di Cournot-Nash
(Fisk, 1984), benché esse possano essere anche molto diverse (Marcotte, 1981). In
questa sede il NDP viene formulato e risolto come un gioco di Stackelberg, pur
nella particolarità del contesto in esame. E’ infatti opportuno evidenziare che,
poiché la possibilità di operare liberamente sui pedaggi consente di determinare la
configurazione dei flussi di equilibrio, si tratta di fatto di una progettazione di tipo
normativo (Dantzig et. al. , 1979).

1.2. Formalizzazione del problema

Il NDP in oggetto risulta formalmente espresso dal seguente problema di


ottimo:
max f, t, z S( f, t, z) (1)
s. a:
t∈St , z∈Sz
f ∈f UE(t, z)
ove S( f, t, z) è la funzione surplus sociale, f è il vettore dei flussi d’arco, St ed Sz
sono gli insiemi ammissibili del vettore dei pedaggi d’arco t e del vettore delle
capacità stradali di progetto z , rispettivamente, e f UE(t, z) è la mappa delle
configurazioni dei flussi d’arco di equilibrio. La struttura del problema dipende
dai modelli di domanda e di offerta di trasporto impiegati nel formulare il vincolo
di equilibrio, dalla forma della funzione obbiettivo e dagli insiemi ammissibili
delle variabili di progetto, che quindi vengono di seguito specificati.

1.2.1. Il modello di equilibrio

In questo lavoro, facendo specifico riferimento alla mobilità delle persone,


l’equilibrio viene 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

2
con funzioni di prestazione non separabili in contesto multiutente e multimodo.
Gli utenti vengono ripartiti in classi omogenee. La generica classe u∈U , ove U
è l’ insieme delle classi considerate, è costituita da N u > 0 utenti identici rispetto
alle caratteristiche individuali che influenzano l’equilibrio.
In particolare, essi hanno uno stesso insieme di scelta J u , costituito da un numero
positivo e finito di alternative, tra le quali ne viene scelta una di massima utilità,
secondo il metodo dell’analisi delle scelte discrete. L’utilità Uju della generica
alternativa j∈J u è la somma di un termine finito Vju , detto utilità sistematica, e di
un residuo aleatorio εju , avente media nulla e varianza finita:
Uju = Vju +εju . (2)
Si assume che la funzione densità di probabilità di questi residui aleatori sia C1,
strettamente positiva e indipendente dalle utilità sistematiche, dando luogo a
modelli di scelta probabilistici, additivi, strettamente positivi e differenziabili
(Cantarella, 1997). Inoltre si assume, come di consueto:
Vju = Xju -γ u⋅Cju j = 1, … , |J u| , (3)
ove Xju e Cju esprimono sinteticamente gli attributi di utilità positiva e i costi
generalizzati, rispettivamente, dell’alternativa j , mentre lo scalare positivo γ u è
l’utilità marginale del reddito.
La probabilità di scelta Pju della generica alternativa j∈J u è la probabilità che j
sia l’alternativa di massima utilità:
Pju = Pr[Uju = max k∈J u Uku] = Pr[Vju+εju ≥ Vku+εku ∀k∈J u] . (4)
Il flusso Fju dell’alternativa j è quindi dato da:
Fju = N u⋅Pju , (5)
mentre per definizione si ha:
∑j∈J u Fju = N u . (6)
La soddisfazione W u è il valor medio della massima utilità:
W u = E[max k∈J u Vku+εku] . (7)
La generica alternativa è associata ad un cammino che connette l’origine dello
spostamento alla sua destinazione attraverso una specifica sequenza di archi sulla
rete multimodale che rappresenta l’offerta di trasporto. Quando uno spostamento
comporta scelte adattive (ad es. uno spostamento sul modo di trasporto collettivo),
la generica alternativa viene invece associata ad un ipercammino. Scegliendo
opportunamente la forma della funzione densità di probabilità dei residui aleatori,
le correlazioni tra le alternative di cui dispone il generico utente possono essere
specificate in modo tale da fornire una struttura a livelli gerarchici al modello di
scelta. In tal caso, una alternativa è un cammino sull’albero delle scelte dell’utente
(Ben Akiva, Lerman, 1985) che specifica la scelta effettuata ad ogni livello:
generazione, distribuzione, ripartizione modale ed assegnazione. Pertanto, il
modello di scelta considerato supporta i modelli di domanda elastica solitamente
utilizzati.
Al fine di formalizzare il modello di domanda, introduciamo il vettore
W = (W 1, … , W u , … , W |U|)T di dimensioni (|U| × 1) e i vettori N e Γ aventi
struttura analoga a W, i cui generici elementi sono N u e γ u , rispettivamente.

3
Inoltre, introduciamo il vettore V u = (V1u, … , Vju , … , V|J u|u)T , di dimensioni
(n × 1), ove n = ∑u∈U |J u| e V u = (V1u, … , Vju , … , V|J u|u)T, e i vettori X, C, P e F
aventi struttura analoga a V . Infine, I e è la matrice di dimensioni (n × |U|)
ottenuta da I(|U|) ricopiando la generica u-esima riga per |J u| volte. Le (3), le (5) e
le (6) possono essere espresse in forma compatta come segue:
V = X -diag(I e⋅Γ )⋅C , (8)
F = diag(I e⋅N )⋅P , (9)
I e T⋅F = N . (10)
Il modello di domanda è quindi formalmente espresso da:
F = diag(I e⋅N )⋅P(X-diag(I e⋅Γ )⋅C ) = F(C ) , (11)
e la soddisfazione da:
W = W(X-diag(I e⋅Γ )⋅C ) = Ŵ(C ) , (12)
ove la funzione P(V ), detta mappa delle scelte, e la funzione F(C ), detta funzione
di domanda, sono entrambe C2 e prendono valori nell’insieme compatto convesso
e non vuoto SP = {P∈ℜn: I e T⋅P = I(|U|), P ≥ 0} e SF = {F∈ℜn: I e T⋅F = N, F ≥ 0},
rispettivamente, mentre le funzioni W(V ) e Ŵ(C ), che esprimono le
soddisfazioni, sono entrambe C2. Vale inoltre la seguente relazione (Bellei,
Gentile e Papola, 2000):
F(C+h) = F(C ) ⇔ h∈H = {h∈ℜn : h = I e⋅h’ , h’∈ℜ|U|} . (13)
La rete multimodale di infrastrutture e servizi che costituisce l’offerta di
trasporto viene qui rappresentata mediante un ipergrafo orientato G = (N, A), dove
N è l’insieme dei nodi, limitato e non vuoto, e A è l’insieme degli archi. Il
generico arco a∈A è identificato dalla sua coda TL(a)∈N e dalla sua testa
HD(a)⊆N. Un ipercammino di G , con origine o∈N e destinazione d∈N, è un
ipergrafo r = (N(r), A(r)) aciclico e minimale – da ogni nodo esce al più un arco –
tale che A(r)⊆A , N(r) = {o} + [∪a∈A(r) HD(a)] e ogni i∈N(r) è connesso a d su r .
Per i dettagli si faccia riferimento a Nguyen, Pallottino e Gendreau (1998).
Al generico arco a∈A viene associato un costo d’arco specifico di classe cau e
un flusso d’arco specifico di classe fau con riferimento ai quali valgono le seguenti
relazioni:
Cju = Σa∈A cau⋅πaju j = 1, … , |J u| , u = 1, … , |U| ; C = Π T⋅c , (14)
fau = Σj∈Ju Fju⋅πaju a = 1, … , |A| , u = 1, … , |U| ; f = Π ⋅F , (15)
dove πaju è la probabilità che l’arco a venga utilizzato dagli utenti appartenenti alla
classe u come elemento dell’ipercammino associato all’alternativa j , mentre Π è la
matrice di dimensioni (ν × n) , con ν = |A|⋅|U| , diagonale a blocchi, il cui generico
blocco è la matrice Π u di dimensioni (|A| × |J u|) i cui elementi sono le probabilità πaju
relative alla classe u ; c = (c1T, … , c uT, … , c|U| T)T e f = ( f 1T, … , f uT, … , f |U| T)T
sono vettori di dimensioni (ν × 1) le cui generiche componenti sono i vettori
c u = (c1u , … , cau , … , c|A|u)T e f u = ( f1u , … , fau , … , f|A|u)T, rispettivamente, di
dimensioni (|A| × 1).
Il principale vantaggio di impiegare una rappresentazione della rete basata sul
concetto di ipergrafo orinetato è la possibilità di esprimere i costi generalizzati di
alternativa in termini dei costi d’arco e i flussi d’arco in termini dei flussi di

4
alternativa in forma additiva attraverso la (14) e la (15), rispettivamente, anche nel
caso di scelte adattive. E’ opportuno evidenziare che se non vengono rappresentate
scelte adattive, l’ipergrafo orientato diventa un grafo orientato e la matrice Π
diventa la matrice di incidenza archi cammini.
La congestione viene rappresentata attraverso la funzione di prestazione d’arco
c( f , z), assunta C2, che viene introdotta insieme alla funzione di costo d’arco
c( f , t, z) al fine di separare l’onere del pedaggio dal costo di viaggio sull’arco:
c = c( f , t, z) = c( f , z) + t . (16)
Usando la (16) e la (15), la (14) diventa:
C = Π T⋅c(Π T⋅F , z) +Π T⋅t = C(F, z) +Π T⋅t = C(F, t, z) . (17)
La C(F, t, z), detta funzione di offerta, e la C(F, z) , detta funzione di prestazione,
in base alla (17) sono C2.
La rappresentazione multiutente della rete basata sulla definizione di costi e
flussi d’arco specifici di classe, utile per formalizzare, risulta disagevole a livello
di implementazione. A tal fine conviene rappresentare la congestione, come in
Daganzo (1983), attraverso una relazione che esprima il vettore dei tempi
generalizzati d’arco s = (s1 , … , sa , … , s|A|)T in funzione del vettore dei flussi
equivalenti d’arco v = (v1 , … , va , … , vA|)T:
s = s(v, z) . (18)
Specificamente si assume:
cau = η u⋅sa a = 1, … , |A| , u = 1, … , |U| , (19)
va = ∑ u∈U ϑau ⋅fau +ξ a a = 1, … , |A| , (20)
dove η u indica il valore monetario dell’unità di tempo per la classe u e ϑau è un
parametro che esprime il peso sulla congestione dei veicoli utilizzati dalla classe u
e il relativo coefficiente di occupazione – se l’arco a non è un arco stradale allora
ϑau = 1 – mentre il termine ξ a viene introdotto essenzialmente per tener conto
degli effetti sulla congestione dell’eventuale presenza sull’arco a di linee di
trasporto collettivo.
Dalla (15) usando la (11) e la (14) si ottiene la mappa di caricamento della rete:
f(c) = Π ⋅F(Π T⋅c) . (21)
Poiché la funzione di domanda è C2 , anche la f(c) è tale. Essa, inoltre, prende
valori nell’insieme Sf = { f ∈ℜν: f = Π ⋅F , F∈SF} che è compatto, convesso e non
vuoto perché tale è SF .
Per ogni dato valore delle variabili di progetto t e z , uno UE è la
configurazione dei flussi e dei costi corrispondente ad una soluzione del seguente
problema di punto fisso:
f UE = f[c( f UE, z) + t] . (22)
Con riferimento ai modelli di domanda e di offerta considerati, è noto che esiste
almeno uno UE e che, se la funzione di costo d’arco è monotonica non
decrescente, allora lo UE è unico (Cantarella, 1997).

5
1.2.2. La funzione obbiettivo

Sotto le ipotesi esplicitate in Bellei, Gentile and Papola (2000), peraltro


generalemnte accettate, il surplus sociale è dato da:
S = ∑u∈U N u⋅W u /γ u -E -G +T , (23)
dove E, G e T sono, rispettivamente, il valore monetario delle esternalità del
trasporto (costi ambientali, costo degli incidenti, ...) i costi di investimento (costi
di esercizio delle infrastrutture e dei servizi di trasporto, costi per la modifica
dell’offerta) e gli introiti del pedaggio. I quattro termini della (23) vengono
espressi come segue:
∑u∈U N u⋅W u /γ u = [diag(N ) ⋅diag(Γ -1) ⋅Ŵ(C )] T⋅1 , (24)
E = E( f , z) = Σa∈A ea( f , z) = e( f , z)T⋅1 , (25)
G = G(z) = Σa∈P ga(z) = g(z)T⋅1 . (26)
T = Σu∈U Σa∈A tau⋅fau = t T⋅f , (27)
dove le funzioni E( f , z) e G(z) sono assunte C2 mentre tau è il pedaggio relativo al
generico arco a∈A e alla classe u∈U e t = (t 1T, … , t uT, … , t |U| T)T è un vettore di
dimensioni (ν × 1) la cui generica componente t u = (t1u , … , tau , … , t|A|u )T è un
vettore di dimensioni (|A| × 1).

1.2.3. Gli insiemi ammissibili delle variabili di progetto

Con riferimento agli insiemi ammissibili del problema (1), in questo lavoro si
assume:
St ≡ ℜν , (28)
Sz = {z∈ℜ|P|: 0 ≤ z min ≤ z ≤ z max < ∞, G(z) ≤ B} , (29)
cioè: non si prevedono restrizioni né sull’insieme degli archi ove applicare il
pricing, né sull’entità e il segno dei pedaggi; il budget B è fissato
indipendentemente dagli introiti del pedaggio; la capacità degli archi appartenenti
all’insieme degli archi di progetto P è limitata ad un intervallo chiuso.
Si assumono infine le seguenti ipotesi:
B > G(z min) , (30)
z min < z max. (31)
∇G(z) > 0 ∀z∈Sz . (32)
La (30) stabilisce che il budget B è più che sufficiente per realizzare le capacità
minime z min , la (31) stabilisce che l’intervallo di progetto abbia misura non nulla,
la (32), invece, tiene conto del fatto che per incrementare le capacità occorre
investire. L’insieme ammissibile Sz è pertanto compatto e non vuoto.
Studiamo ora la regolarità dei vincoli espressi da Sz , 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 o paralleli, in base alla (31), non coincidenti e
quindi non generano punti di irregolarità, mentre in base alla (32) l’ipersuperficie

6
del vincolo di budget non può essere tangente a detti piani, perché questi sono
paralleli ai piani coordinati. 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 assume che i vincoli
espressi da Sz siano regolari. La figura 1 illustra tali concetti con riferimento al
caso di due archi stradali.

z2 ∇G(z’’)
∇G(z’)
z’’ z max

z’
G(z) = cost

G(z) = B

z min
z1

L’insieme ammissibile Sz è compatto e non vuoto. Eventuali punti di non regolarità


per i relativi vincoli possono aversi solo in corrispondenza dei vertici dell’intervallo
z min ≤ z ≤ z max , quando l’ipersuperficie del vincolo G(z) = B transita per essi, come
nel punto z’’ in figura.

Fig. 1 – Proprietà dell’insieme ammissibile Sz .

1.2.4. Il System Equilibrium

Spesso, nei precedenti lavori sul progetto di rete la funzione obbietivo da


minimizzare rappresenta il Costo Sociale (SC) , che qui definiamo come somma
dei costi totali di prestazione, delle esternalità del trasporto e dei costi di
investimento:
SC = c( f , z)T⋅f +E( f , z) +G( f , z) = SC( f , z) . (33)
Il surplus sociale differisce dal costo sociale perché, coerentemente con
l’impiego di modelli di domanda stocastici, la disutilità dello spostamento di
ciascun utente è espressa dall’opposto della soddisfazione invece che dal costo
generalizzato dell’alternativa scelta. E’ opportuno evidenziare che se l’utente
dispone dell’alternativa di non spostarsi, la sua soddisfazione tiene conto dei

7
benefici legati agli effetti della domanda liberata.
Si definiscono costi marginali sociali le derivate parziali rispetto ai flussi della
funzione di costo sociale SC( f , z):
msc = ∇f SC( f , z) = c( f , z) +∇f c( f , z)⋅f +∇f E( f , z) = msc( f , z) . (34)
Poiché in base alla (33) SC( f , z) risulta C2, si ha che msc( f , z) è C1 .
Un SE è la configurazione dei flussi e dei costi corrispondente ad una soluzione
del seguente problema di punto fisso:
f SE = f[msc( f SE, z)] , (35)
ottenuto sostituendo nella (22) la funzione c( f , t, z) con la msc( f , z) in base alla
(16). Sia f SE(z) la mappa delle soluzioni del problema di punto fisso (35). Risulta :
∅ ≠ f SE(z) ⊆ Sf ∀z∈Sz . (36)

1.3. Caratterizzazione delle soluzioni

Fissato uno z ammissibile, il problema (1) coincide con il problema di


ottimizzazione dei pedaggi introdotto in Bellei, Gentile e Papola (2000) che, come
si è dimostrato in quella sede, ammette soluzione in termini di flussi in
corrispondenza di un SE. Sulla base di questo risultato, si dimostra che l’NDP in
oggetto in termini di f e z è equivalente al seguente problema, ove i pedaggi t non
sono presenti:
max f, z S( f, z) = [diag(N ) ⋅diag(Γ -1) ⋅Ŵ(Π T⋅msc( f , z))] T⋅1 +msc( f, z)T⋅f -SC( f , z) (37)
s. a
z∈Sz , f∈f SE(z)
Poiché il problema di punto fisso (35) è equivalente al problema di ottimo
min f || f - f[msc( f , z)] || s. a: f∈Sf , essendo f(c) e msc( f , z) funzioni continue e Sf
un insieme compatto, il grafo della mappa f SE(z) sull’insieme compatto e non
vuoto Sz , in base alla (36) , è compatto e non vuoto (Luenberger, 1995, pag. 468).
Poiché l’insieme ammissibile del problema (37) coincide con detto grafo ed
S( f, z) è una funzione continua, in base al teorema di Weierstrass, esso ammette
soluzione. Ne segue che anche l’NDP (1) ammette soluzione.
Operando, invece, la trasformazione dallo spazio dei flussi a quello dei costi
generalizzati di alternativa, come in Bellei, Gentile e Papola (2000), l’NDP (1)
diventa un problema di ottimo ad un solo livello in C e z :
max C, z S(C, z) = [diag(N ) ⋅diag(Γ -1) ⋅Ŵ(C))] T⋅1 +C T⋅F(C) -SC(Π ⋅F(C ), z) (38)
s.a:
z∈Sz
Sia CKKT(z) la mappa delle soluzioni che rispettano le condizioni del primo
ordine KKT con riferimento al problema di ottimo: max C S(C, z) , ove z∈Sz ; e sia
zKKT(C) la mappa delle soluzioni che rispettano le condizioni del primo ordine
KKT con riferimento al problema di ottimo: max z S(C, z) s.a: z∈Sz .
Evidentemente le soluzioni del problema (38) devono risolvere il sistema:
C ∈ CKKT(z) , z ∈ zKKT(C) . (39)

8
In Bellei, Gentile e Papola (2000) si è dimostrato che la mappa CKKT(z)
fornisce, a meno di un qualsiasi termine h∈H, le soluzioni, in termini di costi
generalizzati di alternativa, del SE:
CKKT(z) = {C∈ℜn : C = Π T⋅msc( f , z) +h , f∈f SE(z) , h∈H} . (40)
Sia z( f ) la mappa delle soluzioni che rispettano le condizioni del primo ordine
KKT con riferimento al problema di ottimo:
min z SC( f , z) s.a: z∈Sz . (41)
Poiché la funzione SC( f , z) è continua e l’insieme Sz è compatto e non vuoto, in
base al teorema di Weierstrass, si ha che z( f ) ≠ ∅ ∀f∈Sf . Dalla (38) risulta:
zKKT(C) = {z∈ℜp : z ∈ z( f ) , f = Π ⋅F(C )} . (42)
Si noti che, in base alla (13), qualsiasi sia h∈H , l’insieme dele soluzioni del
problema di punto fisso f = Π ⋅F(Π T⋅msc( f , z) +h) è f SE(z) .
Ne segue che usando la (40) e la (42) dal sistema (39) si ricavano condizioni
necessarie per il problema (1) in termini di flussi d’arco e di capacità:
f∈f SE(z) , z∈z( f ) . (43)
Esplicitiamo dunque la mappa z( f ). Il Lagrangiano del problema (41) è :
L( f, z, µ, η) = SC( f, z) +∑a∈P µ mina ⋅(z mina -za) +∑a∈P µ maxa ⋅(za -z maxa) +η⋅[G(z) -B] . (44)
Le condizioni del primo ordine KKT sono quindi date dal seguente sistema di
equazioni e disequazioni:
η ≥ 0 ; η⋅[G(z) -B] = 0 (45)
µ ≥ 0 ; µ mina ⋅(z mina -za) = 0 , µ maxa ⋅(za -z maxa) = 0 ∀a∈P (46)
∂L( f , z, µ, η)/∂za = ∂SC( f, z)/∂za -µ mina +µ maxa +η⋅∂G(z)/∂za = 0 ∀a∈P (47)
z min ≤ z ≤ z max , G(z) ≤ B (48)
Se uno dei vincoli di disuguaglianza non è attivo, il corrispondente
moltiplicatore è nullo, pertanto, con riferimento alla capacità di progetto za , a∈P,
se risulta z mina < za < z maxa la corrispondente (47) diventa:
∂SC( f, z)/∂za +η⋅∂G(z)/∂za = 0 . (49)
Poiché è z mina < z maxa , i due vincoli che definiscono l’intervallo di progetto non
possono essere contemporaneamente attivi. Ne segue che se uno di essi è attivo la
(47) ne fornisce il moltiplicatore. In base alle (46) si hanno pertanto le seguenti
condizioni, valide rispettivamente quando za = z mina e za = z maxa :
µ mina = ∂SC( f, z)/∂za +η⋅∂G(z)/∂za ≥ 0 , (50)
µ maxa = -∂SC( f , z)/∂za -η⋅∂G(z)/∂za ≥ 0 . (51)
Con riferimento al generico arco a∈P, definiamo rendimento a flussi costanti la
quantità ρa che esprime la riduzione del costo sociale conseguente all’impiego di
una unità aggiuntiva del budget al fine di aumentare za , a flussi costanti.
Differenziando la (33) si ottiene:
ρa = -∂SC( f, z)/∂za / ∂G(z)/∂za = ρa( f, z) = (52)
= -[∑u∈U ∑b∈A fbu⋅∂cbu( f , z)/∂za +∂E( f , z)/∂za] / ∂G(z)/∂za -1 a∈P. (53)
Al fine di interpretare correttamente le condizioni necessarie è opportuno
dividere le (49), le (50) e le (51) per il corrispondente termine ∂G(z)/∂za , positivo
in base alla (32). Utilizzando, infine, la definizione (52), la mappa z( f ) è data dai
punti z che rispettano le seguenti condizioni:

9
z mina < za < z maxa ⇒ ρa = η ; za = z mina ⇒ ρa ≤ η ; za = z maxa ⇒ ρa ≥ η , (54)
G(z) < B ⇒ η = 0 ; G(z) = B ⇒ η > 0 , (55)
ossia:
• tutte le capacità di progetto i cui vincoli non sono attivi hanno lo stesso
rendimento a flussi costanti;
• tale rendimento deve essere maggiore di quello delle capacità poste al
valore minimo ammissibile e minore di quello delle capacità poste al valore
massimo ammissibile;
• il rendimento, è nullo se non tutto il budget viene impiegato, , mentre è
positivo se il vincolo di bilancio è soddisfatto all’uguaglianza.

1.4. Formulazione di problemi di assegnazione equivalenti alle condizioni


necessarie e relativi algoritmi risolutivi

Gli algoritmi risolutivi solitamente impiegati per risolvere un sistema come


quello delle condizioni necessarie (43) sono del tipo block Jacobi o del tipo Gauss
Seidel (Bertsekas, 1995) a seconda che si utilizzino le equazioni ricorsive
f k+1 ∈ f SE(z k) ; z k+1 ∈ z( f k) , (56)
oppure le
f k+1 ∈ f SE(z k) ; z k+1 ∈ z( f k+1) , (57)
In questa sede, più convenientemente, tale sistema viene risolto con un
approccio di punto fisso, formulando un problema di assegnazione di equilibrio
equivalente. A seconda che le (43) vengano sostituite una nell’altra o vengano
mantenute 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.

1.4.1. Assegnazione con modifica della funzione di costo d’arco

Il metodo richiede che il costo sociale SC( f, z) e i costi di investimento G(z)


siano funzioni strettamente convesse in z . In tal caso, infatti, con riferimento al
problema (41), tutte le ipotesi del teorema di Jittorntrum (Fiacco, 1983, pag. 43)
sono verificate, pertanto la mappa z( f ) è una funzione continua.
Sostituendo la z( f ) nella (35), che esprime implicitamente la mappa f SE(z), il
sistema delle condizioni necessarie (43) diventa un problema di punto fisso nei
flussi d’arco, che può essere interpretato come un problema di assegnazione di
equilibrio con funzione di costo d’arco modificata:
f = f[mcs( f , z( f ))] . (58)
Giova evidenziare che, con riferimento al problema di punto fisso (58),
l’esistenza della soluzione risulta garantita dalla continuità di z( f ), ma l’unicità
non è assicurata dall’unicità del SE.

10
L’algoritmo risolutivo di seguito riportato calcola in sostanza un SE mediante
l’MSA assumendo come variabili correnti i flussi equivalenti d’arco v e dei flussi
monetari equivalenti τ , utili a calcolare i pedaggi marginali senza introdurre
variabili d’arco specifiche di classe. Esso differisce da un’assegnazione di
equilibrio per l’introduzione del passo 3, in cui vengono calcolate le capacità
corrispondenti alla soluzione del problema (41). Con w vengono indicate le
soddisfazioni di nodo e con p le probabilità condizionate di nodo.
Algoritmo di assegnazione con modifica della funzione di costo d’arco
1) inizializzazione
2) k = k +1 aggiorna il contatore delle iterazioni
3) z k = z(v k, τ k) calcola le capacità
4) s k = s(v k, z k) calcola i tempi d’arco
5) t k = mt(v k, τ k, z k) calcola i pedaggi marginali d’arco
6) s k = s k +η k perturba i tempi d’arco (Probit)
7) (w k, p k) = r(o, s k, t k, z k) calcola soddisfazioni e probabilità di nodo
8) d k = d(wk) calcola la domanda
9) yvk = yv( p k, d k, z k) , yτk = yτ( p k, d k, z k) carica la domanda sulla rete
10) v k+1 = v k +(1/k )⋅(yvk -v k) , τ k+1 = τ k +(1/k )⋅(yτk -τ k) aggiorna i flussi
11) if max a∈A |vak+1 -vak| / vak < ε then stop 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) t 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, t k, z k) ordina i nodi (Logit)
6) (w k, p k) = r(o, s k, t 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
Un metodo, poco efficiente ma robusto, per risolvere il problema (41) è il
seguente algoritmo di allocazione incrementale della risorsa budget.
Algoritmo di allocazione incrementale della risorsa
1) z = z min
2) ρak = ρa(v k, τ k, z k) a∈P
3) a* : ρa*k = max a∈P ρak s. a: zak < z maxa
4) if ρa*k ≤ 0 then stop
5) za*k = za*k +∆ za*
6) if G(z k) ≥ B then stop
7) goto 2

11
A partire dalle capacità minime richieste, in ogni iterazione viene incrementata
la capacità cui risulta associato il massimo rendimento, escludendo dalla ricerca le
capacità che hanno già raggiunto il massimo valore ammissibile. La procedura si
interrompe quando si esaurisce il budget, quando tutte le capacità hanno raggiunto
il loro valore massimo ammissibile 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. E’ intuitivo che, per
∆z → 0, l’allocazione incrementale del budget individua un vettore z∈z( f ) che
soddisfa le condizioni (54)-(55), pertanto se ne omette la dimostrazione che
potrebbe essere svolta ragionando per assurdo.
Nel caso di funzioni di rendimento separabili, quali sono quelle derivate da
funzioni c( f , z), e( f , z) e g(z) separabili in termini di z, 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 capacità che è stata incrementa.

1.4.2. Assegnazione alla iper-rete con archi fittizi di investimento

L’approccio ad iper-rete, impiegato per calcolare l’equilibrio a domanda


elastica su vari livelli (Sheffi, 1985), è applicabile al problema di progetto in
esame se, noti i costi di investimento, è possibile risalire univocamente alle
capacità che li hanno determinati, ossia se la g(z) nella (26) è invertibile. In tal
caso è possibile sfruttare l’analogia che esiste tra le condizioni (54)-(55) e il primo
principio di Wardrop introducendo una rete con archi fittizi di investimento.
budget allocato
budget non investito
x0 , ξ0
x1 , ξ1

xa , ξa
x2 , ξ2

budget da allocare

Fig. 2 – Rete fittizia dell’investimento

La rete (Figura 2) consta di due nodi, che rappresentano rispettivamente il


budget da allocare e il budget allocato, connessi da tanti archi di investimento
quante sono le capacità di progetto, più uno associato al budget non investito. I

12
costi ξ degli archi di investimento sono legati ai rendimenti ρ attraverso una
qualunque funzione separabile decrescente. La domanda che insiste sulla rete è il
budget B che deve spostarsi tra i due nodi e pertanto i flussi d’arco x sono 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 quello degli archi di
investimento non utilizzati.
Si noti che, in realtà, detta analogia non è perfetta perché le (54)-(55)
contengono 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 le capacità minime richieste
devono comunque essere spesi, pertanto è possibile sottrarre al budget il
corrispondente ammontare e ridefinire coerentemente il valore delle capacità
attauali assumendo come variabili di progetto z i relativi incrementi. Per quanto
riguarda invece il vincolo z ≤ z max si tratta di introdurre una sorta di vincolo di
capacità sugli archi. Anche se il problema di assegnazione con vincoli di capacità
può essere formulato come tale, l’introduzione esplicita di tali vincoli crea
problemi sia teorici che algoritmici; in questa sede si è preferito approssimarli
imponendo in corrispondenza della capacità un rapido aumento del costo d’arco,
in modo da conservare la continuità delle funzioni di offerta e assicurare
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 , x) = (f[cms( f , g -1(x))] , x[ξ(ρ( f , g -1(x)))]) . (59)
L’esistenza della soluzione è garantita dall’invertibilità di g(z) . Per quanto
concerne l’unicità è opportuno evidenziare che in genere i costi d’arco della rete
reale 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 può quindi effettivamente condurre alla non unicità dell’equilibrio, in
accordo con la non convessità, riconosciuta in letteratura, del NDP.
Anche l’algoritmo risolutivo che segue, così come il precedente, calcola in
sostanza un SE mediante l’MSA. In questo caso, però si assumono come variabili
correnti, oltre ai flussi equivalenti d’arco v e ai flussi monetari equivalenti τ , i
flussi di investimento x . La particolarità dell’algoritmo risiede nell’introduzione
dei passi 3, in cui si inverte la funzione di investimento, 7, in cui si calcolano i
rendimenti, e soprattutto del passo 10.3, in cui a partire dai rendimenmti si
calcolano i costi degli archi di investimento e, in base a questi, il budget viene
caricato sulla rete fittizia.

13
Algoritmo di assegnazione alla iper-rete con archi fittizi di investimento
1) inizializzazione
2) k = k +1 aggiorna il contatore delle iterazioni
3) z k = g -1(x k) calcola le capacità
4) s k = s(v k, z k) calcola i tempi d’arco
5) t k = mt(v k, τ k, z k) calcola i pedaggi marginali d’arco
6) s k = s k +η k perturba i tempi d’arco (Probit)
7) ρ k = ρ(v k, τ k, z k) calcola i rendimenti
8) (w k, p k) = r(o, s k, t k, z k) calcola soddisfazioni e probabilità di nodo
9) d k = d(w k) calcola la domanda
10) yvk = yv( p k, d k, z k) , yτk = yτ( p k, d k, z k) , yxk = yx(ρ k) carica le reti
11) v k+1 = v k +(1/k)⋅(yvk -v k) , τ k+1 = τ k +(1/k)⋅(yτk -τ k) , x k+1 = x k +(1/k)⋅(yxk -x k)
12) if max a∈A |vak+1 -vak| / vak < ε then stop criterio di arresto
13) 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) t 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) ρ k = ρ(v k, τ k, z k) calcola i rendimenti
6) o = o(s k, t k, z k) ordina i nodi (Logit)
7) (w k, p k) = r(o, s k, t k, z k) calcola soddisfazioni e probabilità di nodo
8) d k = d(w k) calcola la domanda
9) yvk = yv( p k, d k, z k) , yτk = yτ( p k, d k, z k) , yxk = yx(ρ k) carica le reti
10) v k+1 = y k , τ k+1 = yτk , x k+1 = yxk aggiorna i flussi
Per assegnare il budget alla rete fittizia, il modo più diretto è impiegare un
caricamento deterministico del tipo tutto o niente, assumendo come funzione di
costo per gli archi di investimento l’opposto dei corrispondenti rendimenti.
In questa sede si utilizza invece un caricamento di tipo Logit, assumendo come
funzione di costo l’inverso del rendimento più 1:
ξ0k = 1 , ξak = 1/(ρak +1 +ερ) a∈P , (60)
yx a = B⋅e-ξ a /θI / [e-1/θI +∑b∈P e-ξ b /θI ] a∈ P+{0} .
k k
(61)
ove, θ I è il parametro Logit dell’investimento, ερ è un rendimento piccolo (es.
0.01) che viene introdotto per garantire la continuità dei costi nel caso limite di
rendimento pari a -1, corrispondente all’incremento di capacità su un arco non
utilizzato, mentre il pedice 0 indica l’arco a rendimento nullo associato al budget
non investito.
Si è optato per un caricamento stocastico perché l’impiego di un caricamento
deterministico del tipo tutto o niente comporta sia una complicazione teorica, che
una maggiore complessità computazionale. Da un punto di vista formale infatti
l’introduzione di mappe di caricamento deterministiche comporta l’abbandono del

14
contesto teorico adottato per l’equilibrio. Da un punto di vista algoritmico, mentre
il caricamento stocastico distribuisce il budget tra le diverse capacità ad ogni
iterazione, il caricamento tutto o niente ad ogni iterazione incrementa solo la
capacità dell’arco che ha il massimo rendimento; occorre pertanto procedere ad un
numero maggiore di iterazioni 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 calcolando l’approssimazione lineare
dell’inversa della funzione di investimento, come segue.
z k = z k-1 +ℑ[∇g(z k-1)]⋅(x k -x k-1) ≈ g -1(x k) , (62)
ove l’operatore ℑ fornisce la matrice il cui generico elemento è l’inverso del
corrispondente elemento della matrice argomanento. Ne risulta però una euristica,
perché l’inversione è approssimata e perchè l’impiego di variabili dell’iterazione
precedente nel calcolo delle (62) compromette la coerenza dell’algoritmo con la
formulazione di punto fisso (59).

1.4.3. Confronto tra i due algoritmi risolutivi

Il principale vantaggio dell’approccio con iper-rete sta nella sua generalità.


Infatti, esso non richiede le ipotesi di convessità necessarie per l’approccio con
funzione di costo d’arco modificata.
D’altra parte, quest’ultimo in compenso non richiede l’inversione di g(z), che
nel caso generale comporta complicazioni sia da un punto di vista teorico, perché
il risultato dell’inversione può essere una mappa, che da un punto di vista
computazionale. Nel caso di funzioni di investimento separabili, però,
l’operazione di inversione è banale e l’algoritmo con archi fittizi di investimento
ha la stessa complessità di un’assegnazione di equilibrio. Invece, l’algoritmo con
funzione di costo d’arco modificata richiede comunque la risoluzione di un
sottoproblema di ottimizzazione ad ogni iterazione.
Con riferimento alle approssimazioni introdotte nei due metodi, quella generata
con l’impiego, in luogo del deterministico, del caricamento Logit, la cui
utilizzazione è determinante per l’efficienza dell’algoritmo, è confrontabile con
quella prodotta dagli incrementi finiti nell’allocazione incrementale del budget.
Queste approssimazioni non compromettono l’efficacia del metodo proposto,
perché possono essere ridotte, ovviamente accettando una diminuzione di
efficienza, 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
capacità di progetto.
Con riferimento all’assegnazione che implementa l’algoritmo con archi fittizi di
investimento, al fine di ottenere rendimenti coerenti con le condizioni (54)-(55) si
è rivelato indispensabile richiedere una discreta precisione nel criterio di arresto.
Nell’applicazione numerica la soglia di errore ε è stata posta pari allo 0.1 %, ma il

15
limite di 100 iterazioni non è stato mai raggiunto prima che il metodo
convergesse.
Il carico stocastico alla rete fittizia degli archi di investimento è stato eseguito
utilizzando un parametro Logit pari a 0.02, mentre l’allocazione incrementale
delle risorse è stata effettuata impiegando incrementi di capacità pari a 0.5 veic/h .
I vantaggi in termini efficienza conseguiti utilizzando l’assegnazione con archi
fittizi di investimento risultano notevoli, come si può verificare nella tabella 1 al
paragrafo successivo.

1.5. Applicazione numerica

Nell’applicazione numerica dell’approccio proposto sono state effettuate alcune


semplificazioni rispetto alla formalizzazione presentata nei precedenti paragrafi.
Per quanto riguarda la domanda, è stata definita una sola classe di utenti e
l’elasticità è stata rappresentata considerando solo la dimensione di scelta
dell’effettuazione dello spostamento. Per quanto concerne l’offerta sono state
considerate funzioni di deflusso stradale separabili, mentre il trasporto collettivo
non è stato rappresentato. Sono state inoltre trascurate le esternalità.
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 a 1 €/litro. Con riferimento
alle scelte di percorso sono stati considerati i soli cammini efficienti, consentendo
così di operare il caricamento della rete senza esplicitare le alternative di itinerario
mediante l’algoritmo di Dial.
La rete di prova è quella di Sioux Falls, nota in letteratura e costituita da 24
nodi, coincidenti con i centroidi e 76 archi stradali. Si tratta di una rete aggregata,
su cui si assume insista una domanda potenziale di circa 180.000 spostamenti/h,
che dà luogo, nella situazione di UE a significativi fenomeni di congestione
Per quanto concerne la funzione di investimento si è utilizzata una funzione
separabile, scegliendone i parametri in modo che risulti anche convessa e
modificandola per tenere conto del fatto che la rete di prova è aggregata. La
funzione utilizzata è infatti del tipo:
ga(za) = ecs⋅(ka / kcs)⋅la⋅[(ka +za) / ka]α (63)
ove ecs = 10 M€/km è il costo della capacità standard kcs pari a 5000 veic/h, la e ka
sono la lunghezza in km e la capacità attule dell’arco a , α = 1.3 . L’aggregazione
della rete viene trattata ipotizzando che la capacità ka risulti dalla somma delle
capacità di ka / kcs archi, ciascuno di capacità standard.
Nelle prove effettuate lo stato di riferimento, caratterizzato da uno UE, è stato
confrontato sia con un SE, corrispondente alla soluzione del problema di
ottimizzazione dei pedaggi mediante l’applicazione del marginal pricing, che con
le configurazioni di equilibrio relative alla soluzione del problema (1), ottenute

16
ottimizzando le capacità congiuntamente all’applicazione del marginal pricing.
Tali configurazioni sono state ricavate sia in presenza di un vincolo di Budget
posto a un livello tale da risultare attivo all’ottimo (PkB), che nel caso opposto
(Pk), equivalente, ai fini pratici, all’assenza del vincolo. Per ognuno di questi casi
sono riportate in Figura 3 gli istogrammi relativi a generazione, velocità media di
spostamento, ricavo dei pedaggi e surplus sociale, mentre la tabella 1 riporta tutti i
dati rilevanti delle prove effettuate.
Si può osservare come l’applicazione del metodo proposto porti a risultati in
linea con le aspettative, determinando le migliori soluzioni in corrispondenza
dell’assenza di vincoli di investimento, quando si ha il massimo livello di servizio
sulla rete, ma anche la massima mobilità e il massimo surplus. L’applicazione dei
pedaggi senza modifica delle capacità comporta un miglioramento notevole del
livello di servizio, ma al prezzo di una significativa compressione della domanda.
Con l’investimento in capacità, oltre ad ottenere ulteriori miglioramenti di livello
di servizio e di surplus sociale, si recupera in termini di generazione, parzialmente
nel caso vincolato e oltre il livello attuale nel caso non vincolato. L’investimento
relativo al caso non vincolato, che è circa cinque volte superiore rispetto al budget
del caso vincolato, determina in effetti dei benefici significativi sostanzialmente in
termini di generazione, mentre gli incrementi di livello di servizio e surplus sono
decisamente più contenuti.

Generazione Velocità (km/h)


80,00% 40
35
75,00%
30
70,00%
25
65,00% 20
15
60,00%
10
55,00%
5
50,00% 0
UE SE PkB Pk UE SE PkB Pk

Re ve nue (milioni di € / anno) Surplus Sociale (mil. di € / anno)


1200
3800
3600
1000
3400
800 3200
3000
600
2800
400 2600
2400
200
2200
0 2000

UE SE PkB Pk UE SE PkB Pk

Fig. 3 – Risultati numerici

17
Tab. 1 – Risultati delle prove
variabile unità UE SE AIR B AFI B AIR AFI
Popolazione utenti / h 180250 180250 180250 180250 180250 180250
Spostamenti utenti / h 133611 112662 125617 125661 141477 141849
Generazione percentuale 74,1% 62,5% 69,7% 69,7% 78,5% 78,7%
Surplus Sociale Milioni di € / anno 2954 3270 3489 3485 3622 3619
Introiti da pedaggio Milioni di € / anno 0 1015 887 883 558 553
Soddisfazione tot. Milioni di € / anno 2954 2255 2652 2652 3294 3312
Tempo tot. sec / h 47329 22883 22776 22790 21080 20993
Velocità media km/h 20 27 28 28 34 34
Numero iterazioni numero 24 28 25 39 25 89
Tempo di calcolo sec 1,9 2,3 24,3 3,4 94,6 7,7
Investimento Milioni di € 426 426 1954 2103
Rendita equivalente Milioni di € / anno 50 50 229 247

1.6. Conclusioni

Da un punto di vista teorico il principale risultato del presente lavoro consiste


nell’aver ricondotto il problema di ottimizzazione dei pedaggi e delle capacità,
formalizzato come NDP, ad un problema di assegnazione di equilibrio, fornendo
contestualmente due algoritmi risolutivi la cui complessità è confrontabile con
quella di uno UE.
La caratterizzazione di tale NDP in termini di esistenza, unicità della soluzione
e convergenza dell’algoritmo risolutivo può dunque essere effettuata utilizzando i
risultati noti per l’assegnazione di equilibrio. Pertanto assicurando la continuità
delle funzioni utilizzate si garantisce l’esistenza di un ottimo globale; mentre
poiché sia i rendimenti dell’investimento che i costi degli utenti crescono con i
flussi di utenti e decrescono con quelli di investimento, l’asimmetria dello
Jacobiano dei costi della rete fittizia è del tipo che può condurre effettivamente
alla non unicità dell’equilibrio, confermando che in generale i problemi di
progetto di rete sono non convessi, ossia possono presentare soluzioni locali. La
determinazione delle soluzioni globali esula dallo scopo del presente lavoro, ma
costituisce il tema di uno degli sviluppi della ricerca sul NDP che stiamo
sviluppando e che intendiamo affrontare mediante l’applicazione di adeguati
strumenti di ottimizzazione probabilistica.
Un altro sviluppo consiste nel rimuovere l’ipotesi che sia possibile applicare un
pedaggio su ciascun arco, prendendo pertanto 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. A tal fine verrà
utilizzato lo strumento dell’analisi di sensitività dell’assegnazione. La validità del
metodo esposto permane perché esso permette di individuare un Lower Bound
della soluzione.

18
Bibliografia

Abdulaal M. , LeBlanc L .J. (1979), “Continuous Equilibrium Network Design Models”,


Transpn. Res. 13B, 19-32
Beckmann M. , McGuire C. , Winsten C. (1956), Studies in the Economics of
Transportation, Yale University Press, New Haven, CT
Bellei G. , Gentile G. , Papola N. (2000), “Ottimizzazione del Trasporto Urbano in
Contesto Multiutente e Multimodo Mediante l’Introduzione di Pedaggi”, in Metodi e
Tecnologie dell’Ingegneria dei Trasporti, ed.s G. E. Cantarella, F. Russo, Franco Angeli
s.r.l. , Milano, Italia
Ben Akiva M. , Lerman S. (1985), Discrete Choice Analysis: Theory and Application to
Travel Demand, MIT Press, Cambridge, Mass.
Bertsekas D. P. (1995), Nonlinear Programming, Athena Scientific, Belmont
Cantarella G. E. (1997), “A General Fixed-Point Approach to Multimode Multi-User
Equilibrium Assignment with Elastic Demand”, Transpn. Sci. 31, 107-128
Daganzo C. F. (1983), “Stochastic Network Equilibrium with Multiple Vehicle Types and
Asymmetric, Indefinite Link Cost Jacobians”, Transpn. Sci. 17, 282-300.
Dantzig 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
Davis G. A. (1994), “Exact Local Solution of the Continuous Network Design Problem via
Stochastic User Equilibrium Assignment”, Transpn. Res. 28B, 61-75
Fiacco A. V. (1983), Introduction to Sensitivity and Stability Analysis in Nonlinear
programming, Academic Press, New York
Fisk C. S. (1984), “Game Theory and Transportation System Modelling”, Transpn. Res.
18B, 301-313
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
Luenberger D. G. (1995), Microeconomic Therory, McGraw-Hill, Inc.
Magnanti T. L. , Wong R. T. (1984), “Network Design and Transportation Planning:
Models and Algorithms”, Transpn. Sci. 18, 1-55
Marcotte P. (1981), “An Analysis of Heuristics for the Continuous Network Design
Problem”, in Proceedings of the 8th International Symposium on Transportation and
Traffic Flow Theory, Toronto
Marcotte P. (1983), “Network Optimization with Continuous Control Parameters”,
Transpn. Sci. 17, 181-197
Nguyen S. , Pallottino S. , Gendreau M. (1998), “Implicit Enumeration of Hyperpaths in a
Logit Model for Transit Networks”, Transpn. Sci. 32, 54-64
Sheffi Y. (1985), Urban Transportation Networks: Equilibrium Analysis with
Mathematical Programming Methods, Prentice-Hall, Englewood Cliffs, NJ
Steenbrink P. A. (1974), Optimization of Transportation Networks, John Wiley & Son,
London
Tobin R. L. , Friesz T. L. (1988), “Sensitivity Analysis for the Equilibrium Network Flow”,
Transpn. Sci. 22, 242-250
Yang H. (1997), “Sensitivity Analysis for the Elastic-Demand Network Equilibrium
Problem with Applications”, Transpn. Res. 31B, 55-70

19
Sommario

Nel presente lavoro viene affrontato il problema della progettazione congiunta dei
pedaggi e delle capacità stradali di una rete di trasporto esistente. Tale problema viene,
prima formalizzato ed analizzato come un NDP, poi viene ricondotto ad una assegnazione
di equilibrio equivalente ed infine viene risolto mediante un algoritmo di punto fisso di tipo
MSA . Due varianti dell’approccio risolutivo vengono presentate, una basata su una
modifica della funzione di costo d’arco, l’altra sull’introduzione di una iper-rete con archi
fittizi di investimento. Per concludere, con riferimento ad una rete reale aggregata, vengono
presentati alcuni risultati numerici del metodo proposto.

Abstract

In this paper we analyze the problem of designing jointly tolls and road capacities of an
existing network. First, the problem is formalized and analyzed as an NDP. Then it is
transformed in an equivalent equilibrium assignment problem, and finally it is solved
through the fixed point algorithm MSA. Two versions of this approach are presented. The
first is based on the modification of the arc cost function, the second on the introduction of
an hyper-network with investment arcs. Finally, with reference to a real aggregated
network, some results of the proposed method are presented.

20

Potrebbero piacerti anche