Navigatori satellitari e traffico urbano: quando l’ottimizzazione del percorso mette sotto pressione la rete

Seguire il percorso più veloce suggerito da un navigatore è quasi sempre una scelta razionale per chi è al volante. Lo diventa molto meno, almeno in alcuni scenari, quando la stessa logica viene applicata contemporaneamente a migliaia di veicoli. È questa la questione affrontata da una ricerca italiana pubblicata su Nature Communications, che prova a misurare cosa accade alla rete stradale urbana quando una quota crescente di automobilisti affida la scelta dell’itinerario agli algoritmi.

Uno studio italiano su Firenze, Milano e Roma mostra come l’uso diffuso dei navigatori possa concentrare flussi, congestione ed emissioni su poche arterie urbane principali.

Lo studio si intitola The traffic concentration effects of urban navigation services ed è firmato da Giuliano Cornacchia, Mirco Nanni, Dino Pedreschi e Luca Pappalardo. Pubblicato nel 2026 su Nature Communications – volume 17, articolo 8548, DOI 10.1038/s41467-026-75254-8 – prende in esame Firenze, Milano e Roma e confronta differenti livelli di utilizzo dei servizi di navigazione.

La conclusione non è che Google Maps, TomTom o gli altri navigatori “creino traffico”. La ricerca racconta una dinamica più interessante per chi si occupa di ingegneria dei trasporti: un algoritmo può migliorare il viaggio del singolo utente e, nello stesso tempo, modificare in maniera non ottimale l’equilibrio complessivo della rete.

Il problema nasce quando molti utenti ricevono consigli simili

Ogni richiesta inviata a un navigatore parte da un’esigenza individuale. C’è un’origine, una destinazione e una funzione da ottimizzare: normalmente il tempo di viaggio, talvolta la distanza, il consumo energetico o altri parametri.

Il calcolo può essere corretto per ciascun automobilista preso separatamente. La difficoltà compare quando moltissime richieste simili restituiscono itinerari che condividono gli stessi archi stradali.

È un problema noto, sotto forme differenti, nella teoria delle reti e nell’ingegneria del traffico: il comportamento ottimale dei singoli utenti non garantisce automaticamente la migliore configurazione del sistema.

Gli autori parlano di traffic concentration effect. All’aumentare del tasso di adozione dei navigatori, le auto tendono a utilizzare un insieme progressivamente più ristretto di strade.

Quella che per un conducente è una scorciatoia algoritmica può diventare, su scala urbana, un elemento di concentrazione dei flussi.

Non perché il software abbia necessariamente commesso un errore di calcolo. Piuttosto perché molti algoritmi, applicando criteri simili a problemi simili, finiscono per individuare soluzioni che si sovrappongono.

Tre reti urbane molto diverse tra loro

Per verificare il fenomeno sono state scelte Firenze, Milano e Roma. Non è una selezione casuale.

Le tre città hanno geometrie e dimensioni differenti. Roma presenta una rete estesa, con assi di grande capacità e collegamenti relativamente lunghi. Milano ha una struttura più compatta e regolare. Firenze possiede una rete più irregolare, fortemente condizionata dalla conformazione del tessuto storico.

Lavorare su tre sistemi diversi consente di capire se l’effetto dipenda da una particolare morfologia urbana o se tenda a ripetersi anche quando cambia la struttura della rete.

Le intensità sono differenti, ma la tendenza generale rimane.

Con una diffusione elevata dei servizi di navigazione, la diversità dei percorsi utilizzati diminuisce.

Nello scenario di adozione completa, il paper rileva riduzioni che possono superare il 14%, a seconda della città e del servizio considerato.

È uno dei numeri centrali della ricerca, ma va letto correttamente. Non significa che il 14% delle strade diventi inutilizzato. La metrica impiegata dagli autori misura quanto estesamente l’insieme dei percorsi simulati esplori la rete stradale.

Come è stato costruito il modello

La parte metodologica è probabilmente quella di maggiore interesse per un pubblico tecnico.

I ricercatori hanno integrato dati GPS, cartografia stradale, informazioni sulle coppie origine-destinazione e percorsi restituiti dai servizi di navigazione all’interno di un ambiente di simulazione microscopica.

La rete viaria è stata ricostruita a partire dai dati di OpenStreetMap. Le simulazioni sono state invece realizzate utilizzando SUMO – Simulation of Urban Mobility, piattaforma open source sviluppata dal German Aerospace Center e ampiamente utilizzata nella ricerca sulla mobilità.

SUMO consente di simulare i singoli veicoli e le loro interazioni. Non viene quindi considerata soltanto la lunghezza geometrica di un itinerario.

Entrano nel modello code, intersezioni, semafori, variazioni di velocità, accelerazioni e rallentamenti.

Ed è proprio l’interazione tra i mezzi a rendere il problema diverso dal semplice calcolo di uno shortest path.

Due percorsi possono essere ottimali se analizzati separatamente e perdere parte del loro vantaggio quando migliaia di veicoli li percorrono nello stesso intervallo temporale.

Dai dati GPS alla domanda di mobilità

Per stimare gli spostamenti urbani, gli autori hanno utilizzato un dataset GPS fornito da OCTO, contenente traiettorie veicolari relative a un anno.

Le aree urbane sono state suddivise in celle quadrate di un chilometro per lato. Partendo dai viaggi osservati, sono stati quindi ricostruiti i flussi tra le diverse zone della città e la relativa matrice origine-destinazione.

Dopo il preprocessing, il campione utilizzato comprendeva 5.477 viaggi di 1.184 veicoli per Firenze, 113.323 viaggi effettuati da 15.997 veicoli per Milano e 13.647 spostamenti attribuiti a 1.965 veicoli per Roma.

Gli autori stimano che il dataset rappresenti tra il 2 e il 5% dei veicoli registrati nelle aree considerate.

Non si tratta dunque della ricostruzione puntuale di ogni automobile in circolazione, ma di una base empirica dalla quale estrarre una domanda di mobilità sufficientemente strutturata per alimentare gli scenari simulati.

Dal 10 al 100% di automobilisti guidati dall’algoritmo

Una delle scelte più utili dello studio consiste nell’aver trattato l’adozione dei navigatori come una variabile continua.

Gli scenari vanno dallo 0 al 100% di adozione, con incrementi di dieci punti percentuali.

A ogni passaggio cambia la quota di veicoli che segue un itinerario prodotto dai servizi analizzati.

Il restante gruppo utilizza invece una versione modificata del percorso più rapido calcolato da SUMO. Gli studiosi introducono deliberatamente piccole deviazioni casuali per rappresentare alcune caratteristiche della scelta umana.

Un conducente, nella realtà, non si comporta come un algoritmo deterministico. Può conoscere soltanto una parte della rete, preferire una strada abituale, evitare determinati incroci o considerare migliore un tragitto che matematicamente non lo è.

Sono comportamenti apparentemente inefficienti, ma introducono eterogeneità nelle scelte di percorso.

Questa dispersione tende invece a ridursi quando una quota elevata di conducenti utilizza sistemi che ragionano secondo funzioni di costo comparabili.

Per aumentare la robustezza dei risultati, ogni configurazione è stata ripetuta dieci volte, variando la composizione dei veicoli assegnati ai diversi gruppi. Gli esperimenti sono stati inoltre condotti sia in condizioni di basso traffico sia con carichi prossimi alla congestione.

Route diversity

Per descrivere la concentrazione dei flussi, lo studio utilizza la route diversity.

La definizione adottata considera il numero di archi stradali attraversati almeno una volta dall’insieme dei veicoli.

Più elevato è il valore, maggiore è la porzione della rete utilizzata. Quando diminuisce, significa che i percorsi stanno convergendo su un numero inferiore di segmenti.

Con un’adozione del 100% dei servizi di navigazione, la route diversity diminuisce rispetto allo scenario senza navigazione algoritmica di circa 11,80-14,34% a Firenze, 3,79-6,87% a Milano e 9,73-14,26% a Roma.

Milano, quindi, reagisce in modo meno marcato rispetto alle altre due città, almeno rispetto a questo indicatore.

Il comportamento presenta però una particolarità.

Prima che prevalga la concentrazione, una diffusione limitata dei navigatori può far aumentare leggermente la varietà complessiva degli itinerari. La soglia cambia in funzione della città e del servizio, ma si colloca grossomodo tra il 25 e il 50% di adozione.

In quella fase le nuove rotte suggerite dall’algoritmo si sommano alla variabilità dei conducenti non assistiti.

Quando gli utenti dei navigatori diventano molti, l’effetto si ribalta: la somiglianza tra le raccomandazioni comincia a pesare più della diversificazione iniziale.

Cambiare navigatore non risolve necessariamente il problema

Un’obiezione immediata potrebbe essere questa: se gli automobilisti utilizzano servizi diversi, perché dovrebbero essere inviati tutti sulle stesse strade?

Lo studio ha preso in considerazione Bing Maps, Google Maps, Mapbox e differenti modalità di TomTom, comprese Fastest, Shortest ed Eco-routing.

Le rotte non coincidono perfettamente, ma presentano comunque una forte sovrapposizione.

La similarità media tra i percorsi suggeriti dai diversi provider risulta pari al 76,4%, con valori compresi tra il 68 e il 97%.

Da un punto di vista ingegneristico, il risultato non sorprende completamente.

Anche impiegando algoritmi proprietari e basi dati differenti, i servizi utilizzano come input la stessa infrastruttura fisica e cercano spesso di minimizzare variabili analoghe.

Una strada con elevata capacità, velocità consentita superiore e buoni tempi storici di percorrenza tende quindi a risultare interessante per più algoritmi.

La presenza di numerosi provider non produce automaticamente un’equivalente diversificazione delle strategie di routing.

Emissioni

La seconda grande variabile osservata è la CO₂.

Qui la ricerca diventa ancora più interessante, perché non emerge un rapporto semplicemente positivo o negativo tra navigatori ed emissioni.

In condizioni di traffico ridotto, seguire itinerari più efficienti porta generalmente benefici.

Con piena adozione e basso carico, le simulazioni stimano una diminuzione della CO₂ compresa tra il 2,15 e il 5% a Firenze e tra il 6,64 e l’11,13% a Milano.

Roma presenta risultati più irregolari.

Alcuni servizi riducono le emissioni, mentre negli scenari analizzati Google Maps, TomTom Fastest e Bing Maps mostrano piccoli aumenti anche in condizioni di traffico relativamente basso.

È con l’avvicinarsi alla congestione, però, che la relazione tra navigazione ed emissioni cambia più chiaramente.

Con pochi utenti assistiti dagli algoritmi, i percorsi suggeriti riescono spesso ad alleggerire gli spostamenti e a contenere la CO₂.

All’aumentare dell’adozione, il miglioramento tende prima a rallentare e poi, in alcuni casi, a scomparire.

Si crea quindi una curva nella quale l’aumento della penetrazione del servizio non produce necessariamente un miglioramento proporzionale dell’efficienza.

Per un progettista è un risultato più importante della singola percentuale: indica che l’efficacia del routing è dipendente dallo stato della rete.

Non esiste una soglia valida per ogni città

Le percentuali considerate ottimali cambiano sensibilmente da un contesto all’altro.

A Firenze, nelle condizioni di traffico elevato, le riduzioni più consistenti delle emissioni vengono raggiunte indicativamente quando l’utilizzo dei navigatori si colloca intorno al 70-80%. Salendo ancora, il beneficio tende a stabilizzarsi o a diminuire.

Milano risponde diversamente. Alcuni servizi mantengono performance positive anche con un’elevata penetrazione, mentre per altri il massimo vantaggio arriva prima del 100%.

Roma presenta la maggiore variabilità tra i provider.

Negli scenari elaborati dagli autori, il livello corrispondente alla migliore prestazione ambientale è pari circa al 20% per Bing Maps, al 40% per Mapbox, Google Maps e TomTom Fastest, al 60% per TomTom Shortest e al 70% per TomTom Eco-routing.

Oltre determinate soglie, alcuni servizi portano la CO₂ sopra il valore ottenuto nello scenario senza routing algoritmico.

Per Bing Maps l’incremento arriva al 9,10%, per Mapbox al 4,61%, per Google Maps al 2,22% e per TomTom Fastest allo 0,52%.

Sono valori di simulazione e non vanno trasformati in statistiche sul traffico reale delle singole città.

Dire, per esempio, che Google Maps aumenta del 2,22% l’inquinamento di Roma sarebbe scorretto.

Il dato mostra cosa accade all’interno di una particolare configurazione modellistica, costruita con una determinata domanda, specifici livelli di traffico e precise ipotesi di adozione.

L’indicazione più generale riguarda la forma del fenomeno: oltre una certa soglia, aggiungere utenti al sistema di navigazione non significa necessariamente migliorare il risultato complessivo.

Le grandi arterie assorbono una quota crescente dei flussi

La concentrazione delle rotte ha anche una componente geografica.

Gli algoritmi tendono a privilegiare le infrastrutture che consentono di mantenere velocità più elevate e gestire maggiori quantità di veicoli: tangenziali, autostrade urbane e arterie principali.

Secondo la ricerca, queste infrastrutture rappresentano circa il 6% della rete stradale analizzata, ma assorbono una quota molto più consistente delle emissioni.

Tra lo scenario senza navigatori e quello di adozione completa, la CO₂ attribuita alle infrastrutture ad alta capacità passa dal 17,61 al 36,25% a Firenze, dal 9,94 al 26,42% a Milano e dal 26,02 al 33,66% a Roma.

Per chi studia esclusivamente il dato aggregato sulle emissioni, questa redistribuzione rischia di passare in secondo piano.

Dal punto di vista della progettazione urbana, invece, è tutt’altro che marginale.

Concentrare maggiormente il traffico significa modificare l’esposizione locale a rumore, inquinanti e congestione. I quartieri prossimi alle principali infrastrutture possono quindi ricevere una quota crescente delle esternalità prodotte dagli spostamenti dell’intera città.

Il caso dell’eco-routing

Tra i sistemi studiati compare anche TomTom Eco-routing.

È un test utile perché permette di verificare cosa succede quando la funzione di routing incorpora esplicitamente un obiettivo ambientale.

Anche in questo caso, però, il vantaggio individuale non garantisce un risultato equivalente a livello di rete.

Se il percorso a minore consumo viene proposto a pochi automobilisti, la soluzione può essere efficace. Se quella stessa opzione viene assegnata a una massa crescente di veicoli, la concentrazione dei flussi può modificare le condizioni iniziali sulle quali si basava il calcolo.

L’eco-optimalità del singolo percorso non coincide necessariamente con l’eco-optimalità dell’intero sistema.

Per l’ingegneria del routing è un passaggio rilevante.

Non basta perfezionare la funzione che calcola il costo associato a una singola automobile. Serve sapere cosa sta accadendo agli altri veicoli e, soprattutto, quale effetto produrranno le raccomandazioni quando verranno applicate contemporaneamente.

Routing individuale e coordinamento dei flussi

La questione porta naturalmente verso sistemi di navigazione più coordinati.

Oggi il principio dominante rimane quello dell’ottimizzazione individuale: il navigatore cerca di offrire al proprio utente il miglior itinerario disponibile.

Un approccio orientato alla rete dovrebbe invece accettare, almeno in teoria, che non tutti ricevano necessariamente la soluzione minima rispetto al proprio costo individuale.

Alcuni veicoli potrebbero essere indirizzati verso un’alternativa leggermente più lunga per evitare di saturare un’arteria già prossima alla capacità.

Il sacrificio per il singolo potrebbe essere nell’ordine di uno o due minuti. Il guadagno complessivo potrebbe risultare molto più elevato se la distribuzione producesse meno code, minori variazioni di velocità e una migliore utilizzazione della rete.

Questa ipotesi apre immediatamente altri problemi.

Occorre stabilire quale funzione obiettivo debba governare il sistema. Tempo medio di viaggio? CO₂? Consumi? Rumore? Esposizione della popolazione agli inquinanti?

E, soprattutto, bisogna decidere come bilanciare interessi individuali e collettivi.

Sono questioni che escono dalla sola progettazione software e investono trasportistica, controllo, pianificazione urbana e regolazione.

Il navigatore modifica il dato che utilizza

C’è poi una caratteristica che rende il problema ancora più complesso.

Le informazioni sul traffico utilizzate dai navigatori non sono indipendenti dalle decisioni che gli stessi navigatori suggeriscono.

La sequenza è circolare.

I flussi presenti sulla rete producono dati. Il sistema elabora quei dati e suggerisce nuovi percorsi. Gli automobilisti seguono – almeno in parte – le indicazioni. I flussi cambiano. I nuovi flussi producono nuovi dati.

Si crea un feedback loop tra utenti e algoritmo.

Gli autori ricordano che meccanismi analoghi sono osservati in numerosi sistemi nei quali raccomandazioni digitali e comportamento umano si influenzano reciprocamente.

Nel caso della mobilità il fenomeno ha una particolarità: avviene su un’infrastruttura fisica con capacità limitata.

Una strada non può assorbire indefinitamente nuovi veicoli soltanto perché, qualche minuto prima, risultava l’opzione più efficiente.

Lo stesso paper osserva che, in un sistema pienamente dinamico nel quale algoritmi e conducenti si adattino continuamente gli uni agli altri, alcuni effetti potrebbero essere ancora più marcati di quelli rilevati nelle simulazioni effettuate.

Le prove su una rete sintetica

Per capire se i risultati dipendessero dalle particolarità di Firenze, Milano e Roma, gli autori hanno costruito anche scenari astratti.

La rete viene in questo caso rappresentata come una griglia regolare, eliminando molte delle caratteristiche che distinguono una città reale.

Il test offre un’indicazione utile.

Quando esiste un solo flusso origine-destinazione, la riduzione della diversità dei percorsi non determina automaticamente un peggioramento delle emissioni.

Le cose cambiano introducendo due flussi che si intersecano.

Quando i percorsi ottimizzati iniziano a condividere punti della rete e i veicoli devono interagire, tornano a comparire i fenomeni riscontrati nei casi reali: route diversity in diminuzione, concentrazione crescente e benefici ambientali che tendono a stabilizzarsi.

Questo passaggio aiuta a evitare una lettura troppo semplice.

Non è sufficiente dire che “le auto percorrono tutte la stessa strada”.

Il problema emerge quando numerosi flussi ottimizzati separatamente diventano interdipendenti.

Una simulazione non è una misura diretta del traffico reale

Il paper ha anche limiti metodologici, ed è importante mantenerli visibili.

Gli autori lavorano attraverso simulazioni.

Non sarebbe realistico modificare sperimentalmente il comportamento di centinaia di migliaia di automobilisti, imporre a percentuali differenti l’uso di specifiche applicazioni e ripetere l’esperimento mantenendo invariate tutte le altre condizioni.

Una rete urbana reale cambia continuamente.

Incidenti, lavori, domanda di mobilità, eventi, meteo e trasporto pubblico modificano lo stato del sistema. Riprodurre due volte esattamente la stessa mattina sarebbe impossibile.

La simulazione consente invece di alterare una variabile e confrontare scenari costruiti sulla stessa base.

È il principale vantaggio del metodo, ma ne definisce anche il perimetro: le percentuali ottenute sono stime prodotte dal modello, non osservazioni sperimentali direttamente misurate sull’intera popolazione automobilistica.

Va ricordato anche un altro elemento. Veicoli appartenenti ai gruppi sperimentali differenti viaggiano comunque sulla stessa rete e inevitabilmente si influenzano.

Gli autori riconoscono questa interferenza e osservano che l’effetto potrebbe portare a sottostimare alcune differenze tra gli scenari.

Come vengono calcolate le emissioni

Le emissioni di CO₂ non vengono misurate con sensori installati sulle automobili della simulazione.

Sono stimate attraverso il modello emissivo implementato in SUMO, che utilizza informazioni sulla dinamica del veicolo, in particolare velocità e accelerazione.

Come riferimento viene impiegata una classe corrispondente a un’auto a benzina Euro 4.

Il modello è quindi una semplificazione rispetto all’attuale composizione del parco circolante, nel quale convivono motorizzazioni differenti, ibride ed elettriche comprese.

Gli autori rilevano tuttavia una correlazione estremamente elevata tra l’andamento della CO₂ e gli altri indicatori simulati, tra cui consumo di carburante, NOx, particolato e rumore.

La correlazione riportata supera 0,994 nei diversi scenari. Per questa ragione il paper utilizza la CO₂ come indicatore principale dell’effetto prodotto dalle differenti configurazioni di traffico.

I navigatori sono ormai parte dell’infrastruttura di mobilità

La ricerca suggerisce anche una considerazione più ampia.

Un’app di navigazione installata su pochi smartphone può essere considerata un servizio utilizzato da singoli conducenti.

Quando la penetrazione raggiunge percentuali rilevanti, la distinzione diventa meno netta.

Il software comincia infatti a influenzare l’allocazione dei flussi sulla rete e assume, di fatto, una funzione vicina a quella di un elemento del sistema di gestione della mobilità.

Non controlla direttamente i semafori né chiude una strada, ma può determinare quanti utenti scelgono di attraversarla.

Per chi lavora su ITS, MaaS, digital twin e traffic management, questa interferenza non può essere ignorata.

Un modello urbano che descrivesse gli automobilisti come soggetti indipendenti dalle piattaforme di routing rischierebbe di trascurare una delle variabili che oggi orientano concretamente le decisioni di viaggio.

Simulare gli effetti prima di intervenire sulla città

Il framework sviluppato dai ricercatori potrebbe essere utilizzato anche fuori dall’ambito accademico.

Uno dei possibili impieghi riguarda le amministrazioni locali.

Confrontando lo scenario reale con un controfattuale privo di navigazione algoritmica, un Comune potrebbe stimare quali aree ricevono una quota di traffico aggiuntiva proprio per effetto delle raccomandazioni.

L’analisi sarebbe particolarmente utile intorno a scuole, ospedali, quartieri residenziali, aree pedonali o infrastrutture già sottoposte a forte pressione.

Il paper indica esplicitamente questa possibilità e collega il tema alla capacità delle istituzioni di comprendere gli effetti sistemici prodotti dalle piattaforme.

Uno scenario di questo tipo consentirebbe anche un confronto più tecnico con i provider.

Non più soltanto la segnalazione secondo cui “il navigatore manda troppe auto in questa strada”, ma una quantificazione dell’impatto sulla rete e la simulazione di possibili strategie alternative.

La sfida progettuale è mantenere la diversità senza penalizzare gli utenti

Il lavoro di Cornacchia, Nanni, Pedreschi e Pappalardo non mette in discussione l’utilità dei navigatori.

Per il singolo automobilista rimangono strumenti estremamente efficaci. E, in numerosi scenari, la loro diffusione produce anche vantaggi misurabili per l’intero sistema.

La ricerca mostra però che questi vantaggi non crescono necessariamente in modo lineare con il numero di utilizzatori.

Quando gli utenti diventano molti, il routing stesso modifica il sistema sul quale sta operando.

È qui che si apre il problema ingegneristico più interessante.

Una nuova generazione di algoritmi potrebbe essere progettata non soltanto per trovare il percorso teoricamente migliore per ogni veicolo, ma anche per evitare un’eccessiva convergenza delle raccomandazioni.

In pratica, il requisito non sarebbe più soltanto minimizzare il costo del viaggio individuale. Bisognerebbe preservare anche un certo livello di route diversity, tenendo sotto controllo la capacità residua delle infrastrutture e le conseguenze aggregate delle decisioni.

Il risultato potrebbe essere, per qualche conducente, un itinerario leggermente meno conveniente.

Per la rete nel suo complesso, però, quella piccola deviazione potrebbe evitare che il percorso inizialmente “migliore” smetta di esserlo proprio perché è stato suggerito a troppe persone. Ed è su questa tensione tra user optimum e system optimum che la ricerca lascia aperta la questione più interessante per chi progetta sistemi di mobilità.