La rete ciclabile che si adatta ai flussi: cosa dicono i modelli dati-driven su congestione, domanda indotta ed e-bike

In sintesi. Uno studio su Copenhagen mostra che un modello matematico basato sulla teoria del trasporto ottimale individua i colli di bottiglia della rete ciclabile e le disparità tra quartieri che le analisi statiche non vedono. Nel mondo, ogni nuovo chilometro di piste ciclabili genera in media 13.400 km annui di percorsi in bici in più. Le e-bike amplificano questo effetto: chi pedala più lontano con l’assistenza riduce massa corporea e pressione diastolica. L’ottimizzazione del benessere sociale incorpora la domanda indotta e i vincoli fisici delle strade. Ma la pianificazione basata solo sulla topologia della rete rischia di ignorare la domanda latente e la congestione futura.

Perché le reti ciclabili attuali non bastano più

La maggior parte delle città ha reti ciclabili frammentate, nate per aggiunte successive senza una visione d’insieme. Copenhagen fa eccezione: 420 km di piste protette su 1.103 km di strade totali, copertura del 27,6%. Eppure anche lì i ciclisti si trovano incolonnati sui ponti che collegano Amager al centro, e i quartieri periferici come Nordhavn restano mal serviti. Il problema non è solo quanto pista c’è, ma dove serve davvero e quanto deve essere larga. Le analisi classiche misurano la connettività topologica — quanti nodi sono collegati — ma non catturano i flussi reali né la loro evoluzione quando l’infrastruttura cambia.

Come si studia una rete che si adatta ai flussi

Lonardi, Szell e De Bacco (2025) hanno costruito un modello che fa dialogare domanda e offerta. Partono dalla rete multilivello di Copenhagen — strade e piste ciclabili separate — e simulano flussi di ciclisti tra origini e destini uniformemente distribuiti. La novità sta nelle equazioni di adattamento: «se su un tratto passa molto flusso, la capacità della pista ciclabile aumenta; se il flusso scende, la capacità decade» ^[1]. Il meccanismo si ispira alla teoria del trasporto ottimale, che cerca le traiettorie a costo minimo tra due distribuzioni. Un parametro unico, α, regola quanto i ciclisti preferiscono le piste protette rispetto alle strade promiscue: α = 1 significa indifferenza, α < 1 significa che la pista vale meno "costo" della strada a parità di lunghezza fisica. Il modello converge in pochi passi a una configurazione stabile dove le capacità allocano i flussi lungo i percorsi più convenienti.

Per testare la robustezza, gli autori creano reti sintetiche sottocampionando la rete di Copenhagen con un parametro λ che va da 0 (nessuna pista) a 1 (rete completa), e confrontano con Zurigo, città simile per dimensioni ma con solo il 3,8% di strade dotate di piste ciclabili.

Cosa emerge: colli di bottiglia, disuguaglianze e domanda latente

Sulla rete completa di Copenhagen (λ = 1), il modello conferma una rete ben sviluppata: Overlap (frazione di percorso su piste protette) alto e Detour (allungamento per stare su piste) basso. Ma scendendo al livello distrettuale appaiono forti disparità: «Copenhagen’s districts exhibit substantial disparities in the quality of service provided to citizens. Established districts such as Bispebjerg, Indre By, Østerbro and Brønshoj-Husum allow cyclists to travel safely (larger usage of protected bicycle lanes) and conveniently (short travel times), as opposed to currently developing or less established areas such as Amager or Nordhavn» ^[2]. I quartieri consolidati — Bispebjerg, Indre By, Østerbro, Brønshoj-Husum — offrono percorsi sicuri e diretti. Quelli in sviluppo — Amager, Nordhavn — o storicamente indietro — Frederiksberg — mostrano Overlap più basso e Detour più alto: i ciclisti devono scegliere tra allungare il percorso per stare su piste o accorciarlo mescolandosi al traffico.

I ponti verso Amager emergono come criticità strutturali: pochi collegamenti tra due poli ad alta domanda creano congestione inevitabile. Il coefficiente di Gini dei flussi sulle piste, che misura la disuguaglianza della distribuzione del traffico, sale quando α diminuisce (più incentivo a usare le piste) e quando λ è basso (rete meno sviluppata): «A lower Gini coefficient signals uniformly distributed fluxes over the edges, whereas a high Gini coefficient is symptomatic of an uneven distribution. The coefficient is normalized so that Gini = 0 corresponds to uniform fluxes, and Gini = 1 to maximum inequality» ^[3]. In altre parole: più spingi i ciclisti sulle piste senza averle dimensionate per il flusso indotto, più crei ingorghi.

Il confronto con Zurigo (λ = 0,07) è netto: «anche con forti incentivi alla sicurezza (α molto basso), i ciclisti non hanno alternativa alle strade promiscue perché la rete di piste è troppo rada» ^[4]. Questo conferma che in reti sottosviluppate l’infrastruttura deve crescere prima che la domanda possa manifestarsi — il principio «costruisci e verranno» ha fondamento matematico.

La scala globale: ogni chilometro di pista conta

Millard-Ball, Rezaee e Bento (2025) cambiano scala: 11.587 città in 121 paesi, dati da Google Environmental Insights Explorer per il 2023. Usano un modello bayesiano gerarchico per stimare come forma urbana e infrastruttura influenzano le quote modali di cammino e bici. La densità di popolazione è il predittore più forte per il cammino e ha effetto positivo anche sulla bici: portare le destinazioni a distanza ciclabile. Ma l’effetto delle piste ciclabili è autonomo e misurabile: «In the median city, each new km of bicycle lanes is associated with ~13,400 additional km yr-1 of bicycle travel. If every city increased the extent of its bicycle network to the level of Copenhagen, Denmark, our simulations indicate reductions in private vehicle emissions of ~6% and health benefits of ~US$435 billion per year» ^[5].

Lo studio evidenzia anche un modello alternativo: «We highlight the alternative model of cities such as Osaka, which features less extensive walking and cycling infrastructure but a network of narrow streets with slow-moving traffic where different road users coexist» ^[6]. La lezione non è solo «più piste», ma «strade progettate per velocità basse e convivenza».

Le e-bike cambiano i parametri del problema

Bini et al. (2024) hanno dato e-bike a 26 adulti sedentari per 4 settimane, misurando distanza percorsa e parametri di salute. «Associations between more travel with an e-bike and greater reductions in body mass and diastolic blood pressure were observed. E-cycling has the potential to assist those with poorer health outcomes, but it may need to be supplemented by additional forms of exercise to ensure adherence to the guidelines for physical activity» ^[7]. Chi ha pedalato di più ha ridotto massa corporea (correlazione r = -0,51) e pressione diastolica (r = -0,48). Non ci sono stati cambi significativi in glicemia, pressione sistolica, fitness cardiorespiratorio o forza muscolare. Gli autori concludono che l’e-bike può avvantaggiare chi parte da condizioni peggiori, ma da sola non basta a raggiungere le linee guida sull’attività fisica per chi è già in salute media.

Questo si lega alla pianificazione: le e-bike allungano le distanze percorribili e abbassano la soglia di sforzo, espandendo l’area di influenza di ogni pista ciclabile e aumentando il flusso potenziale su ogni tratto. Un modello di rete che non tiene conto di questo cambiamento di domanda «sottostima la capacità necessaria» ^[8].

Ottimizzare il benessere, non solo la connettività

Paulsen e Rich (2024) vanno oltre la connettività: massimizzano il benessere sociale (welfare) nell’espansione della rete delle superciclovie di Copenhagen su 50 anni, incorporando la domanda indotta: «A method for maximising welfare when expanding bicycle networks under induced demand. Incorporates health benefits in the optimisation through induced demand» ^[9]. Il loro modello valuta benefici di tempo di viaggio, salute, incidenti e costi di costruzione. Trovano che aggiornare la rete intermedia ad ogni passo di ottimizzazione — invece di ottimizzare su una domanda fissa — migliora il risultato netto. La differenza sta nel riconoscere che ogni nuovo tratto genera nuovi viaggi, che a loro volta cambiano i flussi su tutta la rete. Ignorare questo circolo vizioso/virtuoso porta a sottoinvestire dove la domanda latente è più alta.

Basilone et al. (2025) aggiungono un vincolo reale: la larghezza fisica delle strade: «Road-Width-Aware network optimisation for bike lane planning. We demonstrated that extensive and effective cycling networks can be developed with minimal disruption to existing roadways» ^[10]. Usando dati su Milano, mostrano che ottimizzare per connettività e larghezza stradale permette di simulare piste realistiche con impatto minimo sulla viabilità esistente. La strada non è un grafo unidimensionale: ha sezione variabile, e ignorarlo porta a progetti non realizzabili.

Implicazioni per le città italiane

L’Italia ha piani ciclabili ambiziosi — Milano Cambio (248 km, 291 mln €), GRAB Roma (44 km), Biciplan Bologna (100 km) — ma spesso manca lo strumento per decidere dove intervenire per primo e quanto dimensionare ogni tratto. L’approccio di Lonardi et al. offre un metodo: simulare i flussi su rete multilivello, identificare i colli di bottiglia attesi, dimensionare le piste per il flusso indotto non per quello attuale. Il parametro α si può calibrare su preferenze rivelate (dati Strava, contatori, indagini). Il coefficiente di Gini dei flussi diventa un indicatore di congruenza tra infrastruttura e domanda: se sale dopo un intervento, l’intervento ha creato congestione.

I dati globali di Millard-Ball et al. dicono che anche in Italia, dove la quota modale bici è bassa, ogni km di pista genera domanda misurabile. Ma la densità delle città italiane — spesso media, con centri compatti e periferie disperse — richiede strategie miste: piste protette sugli assi principali, moderazione del traffico (zone 30, strade scolastiche) nelle aree residenziali, come mostra il modello di Osaka.

Le e-bike, in crescita esponenziale, accelerano la transizione: chi non pedalerebbe per 5 km lo fa con l’assistenza, ma serve infrastruttura che regga velocità medie più alte e volumi maggiori. La pianificazione che usa solo la topologia statica rischia di consegnare piste già strette il giorno dell’inaugurazione.

Conclusioni

La rete ciclabile non è un oggetto statico ma un sistema che co-evolve con i flussi che la attraversa. La teoria del trasporto ottimale dà uno strumento matematico per progettare questa co-evoluzione: invece di chiedersi «quanta pista serve», si chiede «come devono cambiare le capacità per accogliere i flussi che emergeranno». I dati globali confermano che l’investimento paga in salute e clima a ogni latitudine. Le e-bike allargano la platea e i chilometri. L’ottimizzazione del benessere incorpora la domanda indotta e i vincoli fisici. La sfida per le città italiane non è solo stendere asfalto, ma dotarsi di modelli che leggano la domanda latente e la traducano in capacità dimensionata, prima che la congestione la renda invisibile.

Note

1. «Bicycle infrastructure networks must meet the needs of cyclists to position cycling as a viable transportation choice in cities. In particular, protected infrastructure should be planned cohesively for the whole city and spacious enough to accommodate all cyclists safely and prevent cyclist congestion — a common problem in cycling cities like Copenhagen» — Lonardi, Szell, De Bacco, 2025
2. «Copenhagen’s districts exhibit substantial disparities in the quality of service provided to citizens. Established districts such as Bispebjerg, Indre By, Østerbro and Brønshoj-Husum allow cyclists to travel safely (larger usage of protected bicycle lanes) and conveniently (short travel times), as opposed to currently developing or less established areas such as Amager or Nordhavn» — Lonardi, Szell, De Bacco, 2025
3. «A lower Gini coefficient signals uniformly distributed fluxes over the edges, whereas a high Gini coefficient is symptomatic of an uneven distribution. The coefficient is normalized so that Gini = 0 corresponds to uniform fluxes, and Gini = 1 to maximum inequality» — Lonardi, Szell, De Bacco, 2025
4. «In a network where bicycle tracks have larger coverage than roads, i.e. where cycling on protected tracks is more convenient than travelling on roads without any incentive for safety (α = 1), one should observe no crossing of the travelled lengths» — Lonardi, Szell, De Bacco, 2025
5. «In the median city, each new km of bicycle lanes is associated with ~13,400 additional km yr-1 of bicycle travel. If every city increased the extent of its bicycle network to the level of Copenhagen, Denmark, our simulations indicate reductions in private vehicle emissions of ~6% and health benefits of ~US$435 billion per year» — Millard-Ball, Rezaee, Bento, 2025
6. «We highlight the alternative model of cities such as Osaka, which features less extensive walking and cycling infrastructure but a network of narrow streets with slow-moving traffic where different road users coexist» — Millard-Ball, Rezaee, Bento, 2025
7. «Associations between more travel with an e-bike and greater reductions in body mass and diastolic blood pressure were observed. E-cycling has the potential to assist those with poorer health outcomes, but it may need to be supplemented by additional forms of exercise to ensure adherence to the guidelines for physical activity» — Bini, Collins, Hunter, Hunter, McVicar, Gordon, Kingsley, 2024
8. «The method goes beyond static network measures, using computationally efficient adaptation rules inspired by optimal transport on the dynamically updating multilayer network of roads and protected bicycle lanes» — Lonardi, Szell, De Bacco, 2025
9. «A method for maximising welfare when expanding bicycle networks under induced demand. Incorporates health benefits in the optimisation through induced demand» — Paulsen, Rich, 2024
10. «Road-Width-Aware network optimisation for bike lane planning. We demonstrated that extensive and effective cycling networks can be developed with minimal disruption to existing roadways» — Basilone, Bruno, Melo, Avalle, Loreto, 2025

Fonti

1. Lonardi A, Szell M, De Bacco C (2025). Cohesive urban bicycle infrastructure design through optimal transport routing in multilayer networks. J R Soc Interface. doi:10.1098/rsif.2024.0532
2. Millard-Ball A, Rezaee M, Bento C (2025). Global health and climate benefits from walking and cycling infrastructure. Proc Natl Acad Sci USA. doi:10.1073/pnas.2422334122
3. Bini R, Collins B, Hunter J, Hunter N, McVicar J, Gordon B, Kingsley M (2024). Associations between e-bike travel distance and changes in health. J Transp Health. doi:10.1016/j.jth.2024.101925
4. Paulsen M, Rich J (2024). Welfare optimal bicycle network expansions with induced demand. Transp Res B Methodol. doi:10.1016/j.trb.2024.103095
5. Basilone R, Bruno M, Melo HPM, Avalle M, Loreto V (2025). Road-Width-Aware network optimisation for bike lane planning. J Phys Complex. doi:10.1088/2632-072X/adf683