INDAGINE SULLE PERCORRENZE REALI IN AMBITO URBANO EDEXTRAURBANO Stefano Caserini,

1. INDAGINE SULLE PERCORRENZE REALI IN AMBITO URBANO EDEXTRAURBANO Stefano Caserini, Fondazione Lombardia per l'Ambiente, Milano, Italy Luca Labella, Monica Benzi, Roberta Damioli Politecnico di Milano,

2. I dati e le elaborazioni derivano da due tesi di laurea svolte presso il Politecnico di Milano, Facoltà di Ingegneria, Corso di Laurea in Ingegneria per l'Ambiente ed il Territorio Il traffico automobilistico in Lombardia: valutazione delle percorrenze totali e in ambito urbano Stima delle percorrenze veicolari in Lombardia Luca Labella Monica Benzi, Roberta Damioli Relatore: Prof. Michele Giugliano Correlatore: Ing. Stefano Caserini Relatore: Prof. Giorgio Guariso Correlatore: Ing. Stefano Caserini

3. Obbiettivi: • Acquisire dati sulle percorrenze delle autovetture in Lombardia • Valutare l’influenza sulle percorrenze delle variabili veicolari e territoriali • Proporre una metodologia di calcolo delle percorrenze totali e urbaneda impiegare nella stima delle emissioni da traffico

4. Contributo percentuale del traffico sul totale delle emissioni in Lombardia

5. E = emissioni • P = percorrenza media annua • N = numero veicoli • Fe = fattore di emissione Il dato di percorrenza è un dato fondamentale per il calcolo delle percorrenze urbane e totali delle autovetture a livello comunale

6. Tipologia dei dati ricercati: km percorsi dagli autoveicoli in funzione di • Anno di immatricolazione • Tipo di carburante • Cilindrata • Presenza (o no) della marmitta catalitica

7. Acquisizione dei dati • La ricerca è stata effettuata presso le province lombarde, che hanno raccolto questi dati nell’ambito della campagna di controllo dei gas di scarico “Bollino Blu” • Solo le province di Bergamo, Brescia, Milano, Sondrio hanno fornito dati con le caratteristiche cercate

8. Percorrenza annua = Percorrenza totale / anni anzianità (km/anno) (km) (anni) Anni anzianità = anno raccolta dati – anno di immatricolazione

9. 7010 dati disponibili (122 comuni): • 1066 dati per la provincia di Bergamo(21 comuni) • 160 dati per la provincia di Brescia(4 comuni) • 4788 dati per la provincia di Milano(81 comuni) • 996 dati per la provincia di Sondrio (16 comuni) I 122 comuni considerati, sono pari all’8% dei comuni lombardi (1546), ma sono rappresentativi del 38% della popolazione residente in Lombardia

10. PROVINCIA PERCORRENZA TOTALE TIPO DI CARBURANTE MARMITTA CATALITICA CILINDRATA ANNO IMMATRICOLAZIONE BERGAMO SI’ NO SI’ NO SI’ BRESCIA SI’ NO SI’ NO SI’ MILANO SI’ SI’ SI’ NO SI’ SONDRIO SI’ SI’ SI’ SI’ SI’ Riepilogo informazioni

11. Anno di immatricolazione

12. I dati di percorrenza sono stati analizzati statisticamente per valutare • le variazioni inter-comunali • fra i vari comuni • fra le province

13. Provincia di Sondrio

14. Provincia di Bergamo

15. Riepilogo dati analizzati • Forte variabilità tra i valori di percorrenza media all’interno di ogni comune (CV=58%) • La variabilità si riduce (CV= 17%) considerando i dati medi comunali di ogni provincia

16. Analisi dell’influenza delle variabili veicolari • Tipo di alimentazione ( benzina o diesel) per la provincia di Milano • Presenza del catalizzatore per le province di Brescia e Milano • Cilindrata per la provincia di Sondrio • Anni di anzianità autoveicoli per tutte e 4 le province

17. Percorrenze per tipo di alimentazione (solo comuni rappresentativi)

18. Cilindrata

19. Veicoli catalizzati e non

20. Percorrenza in funzione dell’età del veicolo

21. Risultati interessanti • La percorrenza delle vetture diesel e’ dell’82% superiore a quella delle vetture a benzina. La variabilita’ delle percorrenza delle vetture diesel è maggiore di quella relativa ai veicoli a benzina • Le autovetture “utilitarie” ( fino a 1200cc.) hanno percorrenze medie annue inferiore del 30% rispetto a vetture con cilindrata maggiore • Le autovetture catalizzate hanno percorrenza medie annue superiore del 45% a quelle non catalizzate • Nei primi tre anni di vita le autovetture percorrono, annualmente, fino al 40% in piu’ degli anni successivi

22. strumento: REGRESSIONE LINEARE MULTIPLA • software: STATISTICA (StatSoft) • Ricerca di relazioni statistiche tra i dati di percorrenza comunali e • caratteristiche veicolari • indicatori socio-economici e territoriali

23. Analisi statistiche variabili veicolari • E’ stato selezionato un campione di 200 dati disponibili omogenei • E’ stata cercata una dipendenza (tramite Regressioni lineari semplici) tra le percorrenze medie annue e ognuna fra le seguenti variabili veicolari: - cilindrata - anno immatricolazione - tipo di carburante - marmitta catalitica E’ stata trovata una correlazione fra percorrenza media annua e anni di anzianità degli autoveicoli che presenta un buon grado di correlazione con bassi livelli di significatività

24. Modello di stima delle percorrenze in funzione delle variabili veicolari (Regressioni lineari semplici) autoveicoli a benzina non catalizzati PMA = 17067 – 644* anno anzianita’ R: 0,22 autoveicoli a benzina catalizzati PMA = 23127 -1492*anno anzianita’ R: 0,1665 autoveicoli diesel PMA = 34846 - 1696*anno anzianita’ R: 0,3736

25. Modello di stima delle percorrenze in funzione delle variabili veicolari (Regressioni lineari multiple) PMA=8783 + 3,97 c – 442 e dove PMA = percorrenza media annua c = cilindrata e = età del veicolo R^2 = 0,15

26. Modello di stima delle percorrenze in funzione delle variabili territoriali (Regressioni lineari multiple) • E’ stato selezionato un campione di 39 comuni i cui dati fossero omogenei • E’ stata cercato un modello matematico per esprimere la percorrenza media annua in funzione delle variabili territoriali superficie comune, residenti, parco circolante, vendite carburante Il modello matematico PMA= 12044+ 0,10r+ 0,01s- 0,26pc+ 0,10vc con r = residenti; s = superficie; pc = parco circol.; vc = vendita carbur. non e’significativo avendo R^2 = 0,0278

27. Confronto con i dati disponibili Il valore della percorrenza madia annua riferita alla regione Lombardia e calcolata sul campione di dati significativo e’ di 12000 km/anno

28. Percorrenze totali: conclusioni • La raccolta dati ha permesso di acquisire dati generalmente non disponibili e di sicuro interesse per le valutazioni sulle stime delle emissioni da traffico • I valori di percorrenza sono influenzati significativamente dal tipo di cilindrata, dall’anno di immatricolazione, e dal tipo di carburante • Non sono state trovate correlazioni significative con le variabili territoriali ma solo con quelle veicolari • E’ sicuramente auspicabile la continuazione nella raccolta dei dati

29. Definizione di percorrenza urbana Km percorsi per spostamenti a carattere urbano Classificazione SNAP :Highway driving, Rural, driving, Urban driving

30. Definizione di percorrenza urbana Traffico urbano = traffico totale - traffico lineare (grafo disponibile)

31. Definizione di percorrenza urbana Km percorsi su strade che possono essere sottoposte ad interventi di limitazione del traffico

32. Fonte dei dati di percorrenza urbana comune non noto generico comune di riferimento • TERRARIA: stime dirette di percorrenza per 18 comuni i cui PUT sono stati ritenuti idonei analisi dei PUT

33. Percorrenze urbane specifiche stimate per i 18 comuni di riferimento COMUNE Percorrenza specifica (km/veicolo) MILANO 3.560 BRESCIA 1.373 CINISELLO B. 2.540 BERGAMO 1.328 COMO 4.672 PAVIA 720 CREMONA 2.619 MANTOVA 625 RHO 4.684 LODI 587 LECCO 3.971 CERNUSCO S. NAV. 3.163 VIMERCATE 5.932 SONDRIO 4.853 GORGONZOLA 3.348 MELEGNANO 3.250 AGRATE B. 2.998 VILLASANTA 5.898

34. Indicatori • residenti • superficie del comune • indice di vecchiaia • età media • parco circolante • n° addetti • n° unità locali • n° di persone che utilizzano i diversi mezzi per effettuare spostamenti sistematici

35. Età media campione Lombardia Comuni con densità > 500 ab./kmq minimo 40,93 35,54 38,2 massimo 43,34 48,73 43,35 media 42,06 41,2 40,68 mediana 42,20 40,96 40,7 dev. Standard 0,77 1,4 0,82 indice di Kurtosis 1,344 3,05 0,725 indice di Skeweness 0,055 1,09 0,053 test di Shapiro-Wilk 0,94 0,94 0,99 test di Kolmogorov-Smirnov 0,132 0,08 0,04 Analisi statistica degli indicatori • per i 18 comuni di riferimento • per l’intera Lombardia • per i comuni con densità > 500 ab./kmq

36. Istogrammi di frequenza Istogramma di frequenza per il campione di 18 comuni Istogramma di frequenza per i comuni con densità superiore a 500 ab./kmq Istogramma di frequenza per la Lombardia

37. Risultatidell’analisi statistica il campione dei 18 comuni di riferimento non è rappresentativo per la Lombardia il campione dei 18 comuni di riferimento è abbastanza rappresentativo per i comuni con densità > 500 ab./kmq

38. Elaborazioni ·variando il livello di tolleranza · considerando la significatività dell’intercetta · utilizzando il campione intero di 18 comuni ma anche escludendo il comune di Milano · considerando tutte le variabili e le variabili divise per unità di residenti

39. Criteri di selezione media minimo massimo deviazione standard coefficiente di dispersione n° comuni con percorrenza < 1.000 km/veicolo n° comuni con percorrenza > 6.000 km/veicolo • correttezza dei segni dei coefficienti di regressione • significatività statistica dei coefficienti (p-level < 0,05) • valore quanto più elevato dell’indice di correlazione R2 • stima accettabile per Milano • comportamento del modello quando applicato ai comuni con densità > 500 abitanti/kmq

40. Alcune delle regressioni esaminate • percorrenza negativa per Milano • la variabile età media cambia segno PSU= 56.770-0,52*bicicletta-1.248*età media-0,38*metro PSU= 56.770-0,52*bicicletta-1.248*età media-0,38*metro R2: 0,545 • percorrenza negativa per Milano e Sesto San Giovanni • 42% del totale comuni con percorrenza superiore ai 6.000 km PSU = 37.466-0,622*bicicletta-792,9*età media PSU = 37.466-0,622*bicicletta-792,9*età media R2: 0,479 • percorrenza negativa per Milano • intercetta non significativa PSU = -0,89 * bicicletta + 109.8 * età media PSU = -0,89 * bicicletta + 109.8 * età media R2: 0,336

41. Il modello selezionato correttezza segni SI significatività coefficienti SI R2 0,297 media 3.747 stima per Milano 2.379 km/veicolo minimo 1.209 comportamento generale massimo 7.858 deviazione standard 990 coefficiente di dispersione 0,26 n° comuni con percorrenza < 1.000 km/veic. 0 n° comuni con percorrenza > 6.000 km/veic. 52 PSU =53.000 - 9.472 * (bici/residenti) - 1.178 * età media

42. Modello combinato per la stima della percorrenza totale in ambito urbano Specifica (PSU) Percorrenza Urbana Complessiva (PU)

43. Modello combinato correttezza segni SI significatività coefficienti SI R2 0,993 0,956 Tarata su tutti i comuni della regione media 4.951 stima per Milano 1.694 km/veicolo minimo 828 Tarata sui 18 comuni di riferimento comportamento generale massimo 8.181 deviazione standard 940 coefficiente di dispersione 0,19 n° comuni con percorrenza < 1.000 km/veic. 2 n° comuni con percorrenza > 6.000 km/veic. 170 Conducenti = -36,82 + 0,37 * residenti - 2,22 * unità locali PU = 14.992 * conducenti stimati

44. il modello selezionato copre il 46% dei consumi stimati in ambito urbano * il modello combinato copre il 66% consumi stimati in ambito urbano * * consumi stimati in ambito urbano = Vendite effettive – Consumi lineare = 2.000.000 ton./anno Esistono incertezze nella stima delle vendite e nella quota di carburanti venduti effettivamente consumati in regione

45. Conclusioni Correlare la percorrenza urbana a caratteristiche territoriali e socio-economiche permette una prima stima del peso delle emissioni da traffico urbano in funzione delle caratteristiche insediative e territoriali

46. Sviluppi • applicazione agli altri tipi di veicoli • aumento della qualità dei dati di percorrenza urbana ricavati dai PUT • utilizzo di indicatori di sicuro interesse (ex. dotazione di infrastrutture ferroviarie, PIL...) • utilizzo di un criterio più preciso per la selezione dei comuni fortemente antropizzati • necessità di approfondire l’analisi per i comuni più piccoli