Noleggio Elettrico: Trovare il Giusto Equilibrio tra Profitto ed Efficienza

I servizi di ride-hailing come Uber e Lyft stanno cambiando il modo in cui la gente si muove, soprattutto con l’aumento delle auto elettriche (EV). Questi servizi permettono ai passeggeri di trovare rapidamente un passaggio, mentre i guidatori cercano di fare profitto. Questo studio analizza come i guidatori di questi servizi decidono quando prendere i passeggeri e quando ricaricare le loro auto elettriche.

I guidatori devono scegliere: mentre aspettano un passeggero, dovrebbero continuare a cercare corse o andare a una stazione di ricarica per ricaricare la batteria? Questo processo decisionale può essere visto come un gioco, dove ogni guidatore deve considerare non solo la propria situazione, ma anche quello che fanno gli altri guidatori allo stesso tempo.

#Il Mercato del Ride-Hailing e le Auto Elettriche

Negli ultimi anni, il numero di veicoli elettrici sulle strade è aumentato drasticamente. Ad esempio, nel 2021, le vendite globali di EV sono più che raddoppiate rispetto all’anno precedente. Molti governi stanno incentivando questo passaggio alle auto elettriche stabilendo obiettivi e investendo in stazioni di ricarica. Ad esempio, gli Stati Uniti prevedono che metà di tutte le nuove vendite di auto siano elettriche entro il 2023, mentre l'Unione Europea mira a fermare la vendita di veicoli a combustibili fossili entro il 2035.

Nonostante il mercato in crescita delle auto elettriche, non ci sono molte ricerche focalizzate sui guidatori nei servizi di ride-hailing. La maggior parte degli studi ha esaminato come pianificare le stazioni di ricarica o come le compagnie energetiche gestiscono la produzione di energia. Questa ricerca tende a presumere che i guidatori abbiano sempre bisogno di ricaricare, ma non è sempre così. Molti proprietari di EV si collegano a casa o al lavoro, ma i guidatori di ride-hailing spesso percorrono lunghe distanze durante la giornata e sono più propensi a utilizzare stazioni di ricarica pubbliche.

#Il Modello eRIVER

Qui presentiamo un nuovo modello chiamato eRIVER che si concentra su come i guidatori di ride-hailing elettrici prendano decisioni riguardo a prendere i passeggeri e ricaricare i loro veicoli. Il modello presume che ogni guidatore stia cercando di massimizzare il proprio profitto durante la giornata. Fondamentale per questo modello è un processo che traccia come i guidatori cambiano il loro comportamento in base alle azioni di tutti i guidatori nell'area.

Nel modello eRIVER, l'area di ride-hailing è suddivisa in diverse zone, ognuna con stazioni di ricarica. Lo studio utilizza un intervallo di tempo suddiviso in parti uguali, il che aiuta a semplificare l'analisi. Ogni stazione di ricarica può ricaricare un certo numero di auto alla volta.

Mentre i guidatori operano, possono trovarsi in diversi stati a seconda del livello della batteria, della posizione e se stanno attivamente cercando passeggeri o ricaricando. Questi stati aiutano a definire le azioni disponibili per i guidatori, come cercare passeggeri o dirigersi verso una stazione di ricarica.

#Processo Decisionale per i Guidatori

Il processo decisionale di ogni guidatore coinvolge diversi fattori, incluso il numero di passeggeri in attesa di una corsa nella loro area e quanti altri guidatori ci sono nelle vicinanze. Quando cercano passeggeri, la probabilità di riuscire a raccogliere qualcuno è influenzata dal numero di guidatori e dalla quantità di Domanda nell'area. Se un guidatore non riesce a trovare un passeggero dopo un po’, deve decidere se continuare a cercare o andare a ricaricare.

Quando un guidatore arriva a una stazione di ricarica, può trovare già altre auto in carica o in attesa di un posto. Il tempo che devono attendere prima di ricaricare può variare a seconda di quante auto sono già lì.

Una volta che un guidatore fa una scelta-che sia prendere un passeggero o ricaricare-guadagna ricompense o sostiene costi in base alle sue azioni. Ad esempio, prendere un passeggero dà un ritorno positivo, mentre ricaricare comporta costi a causa del prezzo dell'elettricità. Se rimangono senza batteria, affrontano una penale significativa.

#Struttura del Gioco Mean-Field

In questo modello, pensiamo a ogni guidatore non solo in isolamento, ma anche come parte di un gruppo più grande. Poiché il numero di veicoli è elevato, le azioni di un singolo guidatore non cambiano significativamente la situazione complessiva. Invece, le azioni di tutti i guidatori insieme creano un modello di comportamento generale.

Il comportamento collettivo dei guidatori può essere visto come un gioco mean-field, dove le azioni medie di tutti i guidatori giocano un ruolo nel definire la migliore strategia per ciascun individuo. Questo è diverso dal risolvere semplicemente un problema standard in isolamento. Invece, i guidatori prendono decisioni influenzate dal flusso generale del traffico e dalla distribuzione degli altri guidatori.

#Analisi Numerica

Per vedere quanto bene funziona il modello eRIVER, abbiamo condotto esperimenti basati su una versione semplificata del sistema di ride-hailing. Abbiamo esaminato come si comportano i guidatori sotto diversi schemi di domanda, come una domanda costante nel tempo, picchi di domanda durante le ore di punta e domanda concentrata nei centri urbani.

Nella nostra analisi, abbiamo scoperto che molti guidatori preferivano operare nelle zone centrali, anche se queste aree avevano la stessa domanda generale di altre. Questo ha portato a un'alta Congestione non solo nelle aree di prelievo passeggeri, ma anche presso le stazioni di ricarica. Molti guidatori si presentavano per ricaricare negli stessi orari di punta, risultando in lunghe file e tempi di attesa.

#Il Problema della Congestione

Lo studio rivela che il comportamento competitivo dei guidatori può portare a inefficienze. I guidatori tendono a raggrupparsi in aree popolari, il che crea una mancanza di disponibilità per i passeggeri nelle zone meno affollate. Inoltre, quando le auto si precipitano tutte verso le stazioni di ricarica allo stesso tempo, si creano colli di bottiglia e ritardi.

Ad esempio, molte vetture sono ferme e incapaci di prendere passeggeri in determinati momenti della giornata, portando a opportunità perse. Il modello mostra che anche piccole variazioni nel modo in cui i guidatori si distribuiscono possono influenzare notevolmente i tempi di attesa e la qualità del servizio per i passeggeri.

#Condizioni Iniziali che Influenzano le Prestazioni

Un altro aspetto che abbiamo esplorato è come le condizioni di partenza per i guidatori possano influenzare la congestione. Ad esempio, se tutte le auto iniziano con batterie completamente cariche, tendono a esaurire energia quasi nello stesso momento. Questo porta a una situazione in cui molti veicoli cercano di ricaricarsi contemporaneamente, peggiorando la congestione alle stazioni di ricarica.

Abbiamo anche testato scenari in cui i guidatori iniziavano con livelli di batteria o posizioni casuali. I risultati suggeriscono che livelli di batteria variabili hanno un impatto più significativo rispetto a dove i guidatori iniziano la loro giornata. Se più guidatori partono con batterie parzialmente cariche, le code di ricarica presso le stazioni tendono a formarsi prima.

#Conclusione

Questo studio evidenzia le decisioni complesse che i guidatori di veicoli elettrici nei servizi di ride-hailing devono prendere. Utilizzando il modello eRIVER, possiamo comprendere meglio come questi guidatori interagiscano tra loro e le conseguenze delle loro scelte sulla congestione.

Con l'aumento dell'uso dei veicoli elettrici, diventa sempre più importante concentrarsi su come bilanciare il comportamento dei guidatori con un servizio efficiente per i passeggeri. Le intuizioni raccolte da questo modello possono aiutare a guidare futuri miglioramenti per le piattaforme di ride-hailing e le infrastrutture di ricarica, portando a un sistema più efficiente ed efficace per tutti gli interessati.

In sintesi, man mano che sempre più persone abbracciano i veicoli elettrici e i servizi di ride-hailing, c'è chiaramente bisogno di una migliore comprensione e strategie. I guidatori avranno bisogno di supporto nella gestione delle loro decisioni per ottimizzare sia i loro profitti che l'esperienza complessiva per i passeggeri. La ricerca futura dovrebbe anche incorporare condizioni del mondo reale come i modelli di traffico e esaminare come queste reti possono evolvere per soddisfare la crescente domanda sia per le corse che per i servizi di ricarica.