Dati, percorsi, sicurezza: come si progetta la rete ciclabile per le e-bike

In sintesi. Uno studio su Milano mostra che raddoppiare la rete ciclabile a 400 km convertirebbe meno del 10% delle strade a doppio senso in senso unico. A Rotterdam i ciclisti accettano 64 secondi in più di viaggio per un aumento unitario della sicurezza percepita. A Zurigo le e-bike condivise scelgono percorsi meno sensibili a pendenza e tipo di infrastruttura, più propensi a deviare per continuità o verde. A Trento e Bolzano lo strumento LTS-BikePlan rivela che molte intersezioni hanno livelli di stress intermedi (LTS 3), difficili per i ciclisti alle prime armi.

Perché le città italiane faticano a progettare reti per le e-bike?

L’Italia ha un paradosso: le vendite di e-bike crescono a due cifre, ma la pianificazione ciclabile procede spesso a tentoni. Si usano conteggi manuali, mappe OpenStreetMap incomplete o modelli nord-europei riprodotti senza adattarli alla morfologia dei centri storici. Il risultato sono piste che finiscono nel nulla, larghezze insufficienti, intersezioni non risolte.

Tre filoni di ricerca recente offrono ora una base quantitativa per uscire dall’improvvisazione: ottimizzazione di rete con dati sulla larghezza stradale, modellazione della scelta di percorso con GPS e visione artificiale, valutazione dello stress percepito.

Come si studia oggi la scelta di percorso delle e-bike?

Fino a pochi anni fa la letteratura si basava su preferenze dichiarate (questionari) o su dati GPS grezzi senza contesto visivo. Due studi del 2026 cambiano il quadro. Uno studio su Zurigo (Latvala et al., Transportation Research Procedia 95, 2026, doi:10.1016/j.trpro.2026.02.099) usa 64.340 tracce GPS dal progetto EBIS Svizzera e un modello C-Logit. Confrontando e-bike e bici convenzionali, trovano che gli utenti di e-bike sono meno sensibili a pendenza e tipo di infrastruttura, più propensi a deviare dal percorso più breve per guadagnare continuità o verde. La segmentazione per età e stagione conferma: d’inverno la preferenza per percorsi protetti sale in entrambi i gruppi, ma il divario tra tipi di bici si restringe. Lo studio si basa sul dataset EBIS descritto da Heinonen et al. (Transportation, 2024, doi:10.1007/s11116-024-10552-y), che include 64.340 viaggi map-matched con algoritmo di segmentazione di traiettoria e identificazione del choice set data-driven (DDPI).

Uno studio olandese (Zhao et al., Transportation Research Interdisciplinary Perspectives, 2026, doi:10.1016/j.trip.2026.101926) introduce il concetto di «Variety Seeking Route Choice Behavior» per quantificare quanto i ciclisti si discostino dai percorsi abituali. Analizzando dati GPS ad alta risoluzione, mostrano che gli e-cyclist mostrano livelli più alti di ricerca di varietà rispetto ai ciclisti convenzionali, derivanti principalmente da switching più frequente tra alternative disponibili, non da deviazioni geometriche maggiori. Il fenomeno è più marcato in aree altamente urbanizzate con reti stradali dense. Questi risultati suggeriscono che la pianificazione dovrebbe andare oltre singoli corridoi ad alta capacità per enfatizzare reti a maglia, ridondanti, che accolgono meglio il comportamento di routing flessibile degli e-cyclist.

Uno studio su Melbourne (Lilasathapornkit et al., Transportation Research Part A 201, 2025, doi:10.1016/j.tra.2025.104679) con 19.782 viaggi di 673 ciclisti conferma l’eterogeneità: donne e profilo «interested but concerned» (Geller) mostrano forte preferenza per piste protette e percorsi off-road; gli «enthused and confident» sono più flessibili. I ciclisti convenzionali sono più sensibili alla variabilità infrastrutturale rispetto agli utenti e-bike: «i ciclisti convenzionali risultano più sensibili alla variabilità infrastrutturale rispetto agli utenti di e-bike»^[1]. In media, un aumento dell’1% di percorso su pista off-road equivale a ridurre il viaggio di 80 metri; su pista protetta, di 61 metri; ogni svolta in più vale 121 metri aggiuntivi. Lo studio usa un approccio ibrido BFS-LE generalizzato per generare choice set di qualità e diversità superiori, e stima modelli Path Size Logit e Mixed PSL per catturare correlazione tra percorsi ed eterogeneità di gusti segmentata per età, genere, uso e-bike e tipologia Geller.

Cosa emerge sulla percezione della sicurezza e il suo valore?

Ito, Terra, Costa, Siebert, Garrido-Valenzuela, Azevedo, Biljecki e van Cranenburgh (Transportation, 2026, doi:10.1007/s11116-026-10793-z) colmano un vuoto: nessun lavoro aveva finora integrato punteggi di sicurezza percepita da visione artificiale in un esperimento di scelta dichiarata. Partono da migliaia di immagini a livello ciclista di Rotterdam (Terra et al., 2025), fanno stimare a un modello PCS-Net (Costa et al., 2025) un punteggio da -2 (molto insicuro) a +2 (molto sicuro), e lo inseriscono in modelli mixed logit insieme a tempo di viaggio, numero di semafori, vegetazione e veicoli rilevati per segmentazione semantica.

Il risultato centrale: i ciclisti accettano in media 64 secondi aggiuntivi di viaggio per un aumento di un’unità nella sicurezza percepita: «i ciclisti sono disposti ad accettare 64 secondi aggiuntivi di tempo di viaggio per un aumento di un’unità nella sicurezza percepita»^[2]. La disponibilità a pagare varia: ciclisti over 50, ciclisti ricreativi e chi ha atteggiamenti positivi verso la bici danno più peso alla sicurezza; i pendolari privilegiano la velocità. Le stime permettono di dare un valore monetario ai miglioramenti percettivi per analisi costi-benefici e di assegnare punteggi di sicurezza percettiva a reti esistenti per priorizzare gli interventi. Lo studio risponde a tre domande: RQ1 — la sicurezza percepita influenza la scelta del percorso dopo aver controllato per caratteristiche visive estratte per segmentazione? Sì. RQ2 — qual è la willingness-to-pay per miglioramenti di sicurezza percepita, espressa in tempo di viaggio e semafori aggiuntivi? 64 secondi per unità. RQ3 — in che misura le preferenze variano tra gruppi demografici? Over 50, ricreativi e atteggiamenti positivi danno più peso alla sicurezza.

Come si pianifica una rete realistica tenendo conto della larghezza stradale?

La maggior parte dei modelli di rete tratta le strade come segmenti unidimensionali (lunghezza, connettività). Basilone, Bruno, Melo, Avalle e Loreto (Journal of Physics: Complexity 6, 2025, doi:10.1088/2632-072X/adf683) introducono la larghezza reale ricavata da poligoni catastali di Milano: 11.323 archi, larghezza media 9 metri, totale 1.743 km. Come scrivono gli autori, «la mobilità attiva sta diventando una componente essenziale della transizione verde nelle città moderne»^[3]. Simulano l’aggiunta di corsie ciclabili bidirezionali da 2,5 metri ai bordi, rispettando il Codice della Strada: corsia auto minima 3,5 metri (primarie) o 2,75 metri (residenziali), quindi soglia τ = larghezza pista + 3,5 metri.

Definiscono un punteggio che combina betweenness centrality (proxy per connettività e direttezza) e larghezza (proxy per fattibilità), mediati da un parametro α tra 0 e 1. Con budget di 400 km (doppio dell’attuale) e α = 0,3, la direttezza della rete ciclistica si avvicina a 0,5 — il 50% dei viaggi in bici sarebbe almeno comodo quanto in auto — preservando oltre il 92% degli archi a doppio senso: «le nostre simulazioni indicano che anche con l’implementazione di corsie ciclabili bidirezionali larghe 2,5 m per 400 km (raddoppiando gli attuali 200 km di piste), meno del 10% delle strade dovrebbe essere convertito da doppio a senso unico»^[4]. Strategie ad α alto (larghezza prioritaria) permettono oltre 600 km prima di impatti rilevanti, ma con direttezza inferiore. Lo studio fornisce anche una sequenza di costruzione a priori: l’arco successivo è sempre quello col punteggio residuo più alto. I dati e il codice sono open access su GitHub (github.com/RiccardoBasilone/Milan_Road_Width_Graphs).

Quali limiti hanno questi approcci e cosa manca all’Italia?

Tre limiti principali. Primo: i modelli di scelta di percorso (Latvala et al.; Zhao et al.; Lilasathapornkit et al.) usano dati revealed preference — osservano chi già pedala. Non catturano la domanda latente di chi non usa la bici perché la percepisce insicura. Lo studio di Rotterdam (Ito et al.) mitiga il problema con scelta dichiarata e immagini reali, ma il campione è olandese, con cultura ciclistica e infrastruttura di base diverse dall’Italia.

Secondo: l’ottimizzazione milanese (Basilone et al.) è structure-centred: valuta impatto topologico (archi che diventano a senso unico), non effetti dinamici su congestione, domanda indotta, spostamento modale. Terzo: LTS-BikePlan (Venturoso et al., Journal of Urban Technology, 2026, doi:10.1080/10630732.2026.2639290) applicato a Trento e Bolzano rivela che bassi livelli di stress (LTS 1-2) non garantiscono meno collisioni: servono infrastrutture di alta qualità anche dove lo stress teorico è basso. Come notano gli autori, «le situazioni a basso stress non sono sempre associate a meno collisioni, sottolineando la necessità di infrastrutture di alta qualità per migliorare la sicurezza del ciclismo urbano»^[5]. Lo strumento integra dati OSM, modello digitale del terreno (DEM), fonti amministrative pubbliche e genera mappe di stress, analisi gap/cluster/rete, overlay incidenti se forniti. I casi studio su Trento e Bolzano mostrano che molte intersezioni hanno LTS 3 (intermedio), rendendo difficile la navigazione per ciclisti alle prime armi.

Inoltre, l’audit 2026 su 6 comuni italiani (Arenzano, Venezia, Palermo, Milano, Roma, Bologna) trova che 82-98% dei segmenti highway=footway/path in OSM non hanno tag bicycle — non significa divieto, ma assenza di dato. La copertura di immagini street-level (Mapillary, KartaView, Panoramax) è diseguale: densa nelle grandi città, spesso assente nei piccoli comuni. Due caveat: (1) bicycle=yes è un fatto legale/conoscenza locale più che un segnale visibile, quindi un modello stimerebbe attributi fisici (larghezza, superficie, presenza di pittogramma) non il permesso legale; (2) la copertura in Italia è molto diseguale, quindi non sostituirebbe mai il tag ma al massimo una coda di revisione.

Implicazioni per le città italiane

Quattro indicazioni operative. 1) Adottare la larghezza stradale reale come vincolo progettuale, non come variabile opzionale: il caso Milano dimostra che si possono raddoppiare i chilometri di pista con impatto marginale sul traffico auto se si sceglie α ≈ 0,3-0,5. 2) Usare modelli di scelta di percorso calibrati su dati GPS locali (bike sharing, contatori) per priorizzare i corridoi dove l’infrastruttura sposta davvero la scelta modale, non dove è più facile costruire. 3) Integrare punteggi di sicurezza percepita da visione artificiale (street-level imagery) nelle analisi costi-benefici: 64 secondi per unità di sicurezza percepita è un parametro spendibile. 4) Completare i dati OSM con audit visivi automatizzati (Panoramax, Mapillary) per risolvere l’ambiguità dei tag bicycle su footway/path, specie fuori dai centri maggiori. La transizione non è solo tecnica: richiede di trattare la ciclabilità come sistema nervoso urbano misurabile, non come elenco di interventi spot.

Note

1. «traditional bike riders were found to be more sensitive to infrastructure variability compared to e-bike users» — Lilasathapornkit et al., 2025
2. «cyclists are willing to accept 64 additional seconds of travel time for a one-unit increase in perceived safety» — Ito et al., 2026
3. «active mobility is becoming an essential component of the green transition in modern cities» — Basilone et al., 2025
4. «our simulations indicated that even with the implementation of two-way cycling lanes that are 2.5 m wide for 400 km (doubling the 200 km of current bike lanes), less than 10% of streets would need to be converted from two-lane roads to single-lane roads» — Basilone et al., 2025
5. «low-stress situations are not always associated with fewer collisions, emphasizing the need of high-quality infrastructure in improving the safety of urban cycling safety» — Venturoso et al., 2026

Fonti

1. Basilone R., Bruno M., Melo H.P.M., Avalle M., Loreto V. (2025). Road-Width-Aware network optimisation for bike lane planning. Journal of Physics: Complexity. doi:10.1088/2632-072X/adf683
2. Ito K., Terra R., Costa M., Siebert F.W., Garrido-Valenzuela F., Azevedo C.L., Biljecki F., van Cranenburgh S. (2026). Perceived traffic safety’s impact on cycling route choice with street-level images. Transportation. doi:10.1007/s11116-026-10793-z
3. Lilasathapornkit T., Bhowmick D., Beck B., Wu H., Pettit C., Nice K., Seneviratne S., Gupta M., Vu H.L., Nelson T., Saberi M. (2025). Cycling route choice preferences: A taste heterogeneity and exogenous segmentation analysis based on age, gender, Geller typology, and e-bike use. Transportation Research Part A: Policy and Practice 201, 104679. doi:10.1016/j.tra.2025.104679
4. Latvala J., Marin Flores C., Vosough S., Vallejo B.R., Tenkanen H., Roncoli C., Meister A., Axhausen K. (2026). Cyclists route preferences in the electrification era: A case study in Zurich, Switzerland. Transportation Research Procedia 95, 784-791. doi:10.1016/j.trpro.2026.02.099
5. Venturoso L., Usmani M., Nanni R., Napolitano M. (2026). LTS-BikePlan: A Data-Driven Tool for Enhancing Cycling Infrastructure and Safety. Journal of Urban Technology. doi:10.1080/10630732.2026.2639290
6. Zhao X., van der Waerden P.J.H.J., Jia P. (2026). Variety seeking route choice behavior of commuting e-cyclists retrieved from GPS data. Transportation Research Interdisciplinary Perspectives. doi:10.1016/j.trip.2026.101926
7. Heinonen S., de Freitas L.M., Meister A., Schwab L., Roth J., Hintermann B., Götschi T., Axhausen K.W. (2024). The e-biking in Switzerland (EBIS) study: methods and dataset. Transportation. doi:10.1007/s11116-024-10552-y