Advanced smart data for mobility behavioural models and policies

Recent technological advancements have enabled the collection of massive and highly detailed individual-level information. Such disaggregated and granular data make it possible to estimate advanced behavioural models, thereby providing a deeper understanding of mobility patterns and their underlying determinants. This differs from aggregate data, which are primarily used to capture and analyse aggregate mobility demand flows. Behavioural models can support policymakers in designing more effective interventions and policies by tailoring them to the actual needs and behaviours of individuals. From this perspective, this thesis aims to provide a review of the most advanced digital data sources for the collection of disaggregate mobility data, with a specific focus on advanced smartphone applications. Despite their undeniable potential, these emerging data sources present certain limitations in the range of information that can be collected, which may in turn affect the explanatory power of the estimated models. To address these limitations, this thesis proposes a data collection methodology based on the integration of passively collected smart-app data with traditional online questionnaire-based data, thereby combining the strengths of both approaches while mitigating their respective shortcomings. The proposed methodology is subsequently applied to different case studies aimed at estimating behavioural models and deriving relevant mobility policy insights: Activity-Based Models for the trip and activity chains habits of Politecnico di Milano students, Hybrid-Choice Models for the assessment of nudging policies effectiveness, Mixed-Logit Models to investigate of users’ willingness to engage in crowd-sourced last-mile logistic services. The adopted methodology was progressively refined and improved throughout the course of the research, ultimately resulting in a scalable and adaptable framework suitable for different projects. At the same time, several drawbacks and limitations of the methodology were identified. Extensive data correction, processing, and integration with additional data sources, were required before the data could be effectively employed for model calibration. These tasks proved to be among the most demanding stages of the process and constitute one of the main limitations associated with the use of big data. Furthermore, the process of engaging participants into the projects was found to be particularly challenging, highlighting the crucial role of incentives in encouraging user participation.

I recenti sviluppi tecnologici consentono di poter accedere ad informazioni in grandi quantità ed in maniera molto dettagliata sugli individui. Questi dati così disaggregati e particolareggiati permettono di calibrare modelli avanzati in grado di fornire una visione più approfondita sulla mobilità delle persone e sui fattori sottostanti che ne guidano il comportamento. Ciò differisce sensibilmente dai dati aggregati, che sono usati principalmente per studiare i flussi di domanda ad un livello più ampio. In generale, i modelli comportamentali di mobilità possono supportare gli amministratori nello sviluppare interventi e politiche più efficaci, adattandoli alle reali necessità e comportamenti delle persone. Questa tesi si propone dunque di fornire una panoramica dei più avanzati sistemi di raccolta dati per la domanda di mobilità, focalizzandosi principalmente sulle applicazioni cellulari (i.e., smart-app). Nonostante l’indiscutibile potenziale di questi dati, essi presentano alcuni limiti nel tipo di informazioni che possono essere raccolte; limiti che si possono poi riflettere in limitate capacità dei modelli stimati. Per ovviare a tali limiti, in questa tesi viene proposto un metodo di raccolta dati basato sull’integrazione di informazioni raccolte in maniera passiva tramite una smart-app e informazioni raccolte con più tradizionali questionari online, combinando i punti di forza di entrambi gli approcci e mitigandone i rispettivi limiti. La metodologia proposta è stata successivamente applicata a diversi casi studio, con l’obiettivo di stimare modelli comportamentali e di ricavare suggerimenti utili per le politiche di mobilità: modelli Activity-Based sulle abitudini di mobilità degli studenti del Politecnico di Milano, modelli Hybrid-Choice per valutare l’efficacia delle politiche di nudging, modelli Mixed-Logit per investigare la propensione degli utenti a partecipare in servizi crowdsourced di consegna dell’ultimo miglio. La metodologia adottata è stata progressivamente rifinita e migliorata durante il corso della ricerca, giungendo ad una struttura scalabile e adattabile a diversi contesti di ricerca. Allo stesso tempo, però, sono state individuate alcune limitazioni. Prima di ottenere elementi adatti alla calibrazione di modelli, sono stati richiesti intensi processi di correzione, elaborazione ed integrazione dei dati raccolti. Queste fasi si sono rivelate essere tra le più critiche dell’intero processo, rappresentando uno dei maggiori limiti all’impiego di big data. Inoltre, il processo di ingaggio delle persone negli esperimenti di ricerca si è dimostrato essere particolarmente sfidante, sottolineando quando il ruolo di premi ed incentivi sia cruciale nell’incoraggiare la partecipazione delle persone alla ricerca.