Strategic forecast of mobility demand in turbulent environment

The mobility sector is today facing one of the most profound transformations it has ever experienced. Digitalization, electrification, autonomous vehicles, and the Covid-19 pandemic are disruptive change factors that have the potential for producing a strong discontinuity within a sector that has traditionally experienced stability. The magnitude of the anticipated changes is large enough to put into question the appropriateness of some of the activities local mobility services providers engage in. Forecasting the demand for mobility retains a central role in these players’ activities as it constitutes the basis for both strategic and operational decisions. The methods that are traditionally used to this purpose – primarily the four-step model – have features that may make them unable to provide reliable results when the environment they try to depict is undertaking important transformations. To overcome this problem, in this thesis an alternative approach for the forecasting of mobility demand in turbulent environments is presented. The proposed model is made up of three layers and poses on the idea that travel volumes and their distributions across existing transportation modes are determined by the interactions between demand for mobility, embodied by a set of choice factors travellers attribute different weights to according to personal and trips’ characteristics, and the supply of mobility, represented by the set of available transportation modes and the performances these have with respect to the choice factors. Thus, by keeping track of the expected effects produced by disruptive change factors on supply of and demand for mobility, it should be possible to forecast the evolutions of both travel volumes and the relative share covered by each transportation mode. The proposed model is then applied to the real case of train trips from Rho to Milan by the S5 line operated by Trenord. The results of the analysis suggest an overall reduction in travel volumes, which could drop by up to 16.4% during the morning commute hours. Moreover, the relative attractiveness of the train option could both increase and decrease based on the scenario that is considered.

Il settore della mobilità sta oggigiorno attraversando una delle trasformazioni più importanti di sempre. Digitalizzazione, elettrificazione, veicoli a guida autonoma e la pandemia da Covid-19 sono fattori di cambiamento in grado di produrre una forte discontinuità in un settore che è stato tradizionalmente caratterizzato da stabilità. L’importanza dei cambiamenti attesi è sufficientemente grande da mettere in dubbio l’appropriatezza di alcune delle attività che i fornitori di servizi di mobilità locale si trovano a svolgere. La previsione della domanda di mobilità ha un ruolo centrale tra le attività di questi attori in quanto costituisce la base per decisioni sia strategiche che operative. I metodi che vengono tradizionalmente usati per questo scopo – in particolare il four-step model – hanno caratteristiche che potrebbero renderli incapaci di fornire risultati affidabili in quelle situazioni in cui l’ambiente che cercano di descrivere sta subendo importanti trasformazioni. Per superare questo problema, in questa tesi viene presentato un approccio alternativo per la stima della domanda di mobilità in ambienti turbolenti. Il modello proposto è costituito da tre strati e poggia sull’idea che i volumi di viaggio e la loro distribuzione tra le opzioni di mobilità esistenti sono determinati dall’interazione tra la domanda di mobilità, rappresentata da un insieme di fattori di scelta a cui i viaggiatori attribuiscono diversi pesi in base a caratteristiche personali e di viaggio, e l’offerta di mobilità, costituita dall’insieme di modalità di trasporto e performance che queste hanno in relazione ai fattori di scelta. Dunque, tenendo traccia degli effetti attesi prodotti dai fattori di cambiamento su domanda e offerta di mobilità, dovrebbe essere possibile prevedere le evoluzioni sia dei volumi di viaggio che della proporzione di essi coperta da ciascun mezzo di trasporto. Il modello proposto è quindi applicato al caso reale dei viaggi in treno da Rho a Milano sulla linea S5 gestita da Trenord. I risultati dell’analisi suggeriscono una riduzione generale dei volumi di viaggio, i quali potrebbero calare fino del 16.4% durante le ore di punta mattutine. Inoltre, l’attrattività relativa del treno potrebbe sia aumentare che diminuire in base a quale scenario viene considerato.