Bike-sharing: data-driven approach for the development of SSEI, a new station effectiveness indicator

Bike-sharing systems play an increasingly important role in urban mobility, supporting short-distance trips, last-mile connectivity, and the integration with public transport. Despite their diffusion, the planning and evaluation of station-based bike-sharing services are challenging, due to the difficulty of accurately predicting demand and the strong dependence of existing approaches on operational variables, such as bikes and docks availability at stations and fleet rebalancing strategies. Moreover, many studies focus on single case studies, limiting the interpretability and applicability of results in other contexts. This thesis proposes a data-driven methodological approach aimed at identifying the main urban context factors influencing bike-sharing demand and at developing a new quantitative indicator, named Station Static Effectiveness Index (SSEI), which is designed to evaluate the effectiveness of bike-sharing stations on a scale ranging from 0 (critical) to 100 (excellent), while remaining independent of service operational characteristics. The analysis is based on a multi-city dataset comprising 140 bike-sharing stations located in several Italian cities, characterised by a set of objective variables that describe land use, Points of Interest (POIs) density and integration with transportation infrastructure. Machine learning techniques, such as linear regression models and ensemble methods, are implemented in Python programming language and then applied to investigate the relationship between these contextual variables and observed demand. Outcomes show that bike-sharing demand is primarily influenced by factors related to the functional density of the station's surroundings, such as the presence of points of interest for personal needs, tourism, and leisure activities, as well as by distance from the city centre and, moderately, by the integration with individual and public transportation networks. Conversely, physical characteristics of the stations, such as lighting or weather protection, are found to have a limited impact on demand. Building on these findings, the Station Static Effectiveness Index is calibrated using a hybrid approach that combines statistical methods – such as correlation analysis and Principal Component Analysis – with survey-based techniques. Specifically, the calibration process relies on a survey conducted on 127 respondents from all over the world, including both bike-sharing users and non-users, aimed at identifying the main drivers of demand. At the same time, applying the same machine learning algorithms, analyses are conducted on local demand in each examined city and on the elements that most affect user satisfaction. The new index is then applied through two main case-study analyses, both set in Italian bike-sharing services. First, a stand-alone evaluation is performed to assess the current state of bike-sharing services, using the SSEI as a network auditing tool. Second, an integrated analysis combining the SSEI with a cycling infrastructure quality index is conducted to explore the consistency between station effectiveness and local bikeability conditions. Results highlight the ability of the SSEI to uncover spatial patterns and planning priorities that may not emerge from traditional performance indicators, in addition to its ability to support bike-sharing planning, evaluation, and decision-making processes.

I servizi di bike-sharing rivestono un ruolo sempre più importante nella mobilità urbana, incentivando gli spostamenti di breve distanza, facilitando la connettività del primo e dell’ultimo miglio e garantendo l’integrazione con la rete del trasporto pubblico. Nonostante la loro sempre più ampia diffusione, la pianificazione e la valutazione delle prestazioni dei sistemi di bike-sharing station-based presentano numerose criticità, dovute alla difficoltà di stimare accuratamente la domanda e alla forte dipendenza dalle variabili operative del servizio, quali la disponibilità di stalli e biciclette nelle stazioni e le strategie di bilanciamento della flotta. Inoltre, diverse ricerche si focalizzano su singoli casi studio, limitando l’interpretazione dei risultati e la loro applicazione in altri contesti. La presente tesi propone una nuova metodologia data-driven, volta a identificare quali siano i principali fattori del contesto urbano che influenzano maggiormente la domanda di servizi di bike-sharing. Ciò consente lo sviluppo di un indice innovativo, il Station Static Effectiveness Index (SSEI). Esso si propone di quantificare l’efficacia dell’integrazione urbana di una stazione di bike-sharing in un intervallo compreso tra 0 (critica) e 100 (eccellente), indipendentemente dalle caratteristiche operative del servizio. A tal fine, si è costruito un dataset di 140 stazioni appartenenti a diverse città italiane, caratterizzato da un insieme di fattori oggettivi che descrivono il contesto di inserimento della stazione. Per comprendere meglio i legami tra queste variabili e la domanda, il dataset è stato analizzato attraverso appositi codici sviluppati in linguaggio Python che prevedono l’uso di algoritmi di machine learning, dalla regressione lineare ai metodi ensemble. I risultati mostrano che la domanda è principalmente influenzata da fattori legati alla densità funzionale nei dintorni della stazione, quali la presenza di punti di interesse per necessità personali (ristoranti, negozi, ambulatori…), turismo o attività ricreative, nonché dalla distanza dal centro città e, in misura secondaria, dall’integrazione con la rete di trasporti. Al contrario, le caratteristiche fisiche delle stazioni, come l’illuminazione o la protezione dagli agenti atmosferici, hanno un impatto limitato sulla domanda. Sulla base di tali evidenze, il Station Static Effectiveness Index è stato calibrato mediante un approccio ibrido che integra metodi statistici – quali l’analisi di correlazione e l’Analisi delle Componenti Principali – con strumenti survey-based. In particolare, il processo di calibrazione si avvale di un’indagine condotta su un campione internazionale di 127 persone, comprendente sia utenti di bike-sharing sia non utenti, finalizzata a individuare i fattori che influenzano maggiormente la domanda. In parallelo, gli stessi metodi di machine learning sono stati utilizzati per analizzare le peculiarità della domanda nelle singole città esaminate e i fattori che maggiormente influenzano il gradimento da parte degli utenti. Infine, allo scopo di verificarne la validità, si propongono due casi studio di applicazione del SSEI, entrambi ambientati in Italia. Nel primo, l’indice viene utilizzato singolarmente per valutare l’efficacia attuale di servizi bike-sharing. Nel secondo, invece, il SSEI è affiancato da un indicatore di ciclabilità per valutare la coerenza tra lo sviluppo del servizio e la qualità delle infrastrutture ciclabili presenti nei dintorni delle stazioni. I risultati mostrano l’abilità del SSEI di individuare pattern geografici e priorità d’intervento che potrebbero non emergere attraverso l’uso dei tradizionali indicatori di performance, nonché la sua utilità nel supportare la pianificazione, l’analisi e i processi decisionali relativi ai servizi di bike-sharing.