Nel cuore della trasformazione urbana europea, SWITCH propone una nuova lente con cui leggere la mobilità: il Mobility Data Maturity Index, uno strumento che misura quanto le capitali sappiano usare i propri dati di spostamento, per guidare decisioni più consapevoli su flotte, servizi e futuro delle città.
Una mappa strategica per le città europee
SWITCH, startup innovativa che applica l’intelligenza artificiale alla logistica e alla mobilità urbana, ha sviluppato il Mobility Data Maturity Index come bussola strategica per le capitali europee. La mappa valuta il grado di maturità dei dati di mobilità disponibili e li trasforma in uno strumento operativo per rendere più efficienti le Smart Cities, permettendo di ottimizzare corse e flotte, analizzare con precisione le necessità di spostamento e pianificare l’offerta dei servizi in base alla domanda reale e alle specificità del tessuto urbano di ciascuna città.
Nel segmento Mobility as a Service (MaaS), il quadro quotidiano è fatto di sistemi fra loro disallineati: dati dispersi, feed mancanti e standard non omogenei rendono la pianificazione e la gestione della mobilità urbana un compito complesso per operatori di flotte e amministrazioni locali. Allo stesso tempo, la crescente disponibilità di informazioni rappresenta oggi per le città una straordinaria occasione, perché l’intelligenza artificiale è in grado di trasformare questi flussi in insight predittivi, ottimizzare i movimenti del traffico e migliorare profondamente l’esperienza delle persone in viaggio. Resta però decisivo garantire un accesso completo, standardizzato e sicuro ai dati, condizione senza la quale l’AI non può esprimere appieno il proprio potenziale nella mobilità urbana.
Come è stato condotto lo studio di SWITCH
Per costruire il proprio indice, SWITCH ha analizzato la disponibilità pubblica, nelle capitali europee, di due tipologie di feed fondamentali. I feed GBFS (General Bikeshare Feed Specification) costituiscono uno standard aperto pensato per condividere in tempo reale dati pubblici sulla posizione e sulla disponibilità di veicoli condivisi come biciclette, scooter e servizi di car sharing, facilitando l’integrazione e l’accesso ai sistemi di micromobilità. I feed GTFS (General Transit Feed Specification) rappresentano invece un formato di dati aperto e condiviso che descrive orari, percorsi, fermate e informazioni geografiche del trasporto pubblico, consentendo a operatori e applicazioni di pianificare i viaggi e analizzare la qualità del servizio offerto.
Dallo studio emerge che oltre venti capitali europee hanno già reso disponibili al pubblico dati strutturati tramite feed GTFS, mentre circa la metà delle capitali dispone di terminali GBFS attivi. In questo quadro spiccano città come Copenhagen, Berlino, Parigi, Madrid e Helsinki, che mostrano una maggiore ricchezza di informazioni accessibili. Il Mobility Data Maturity Index suddivide queste realtà in quattro livelli distinti di maturità, ognuno dei quali porta con sé sfide strategiche e opportunità specifiche per gli operatori pubblici e privati e per l’impiego di tecnologie basate su intelligenza artificiale a supporto della pianificazione.
I quattro stadi di maturità dei dati
Al vertice della classificazione SWITCH colloca il Livello 3, dedicato agli ecosistemi maturi. Ne fanno parte città come Copenhagen, Berlino, Parigi, Madrid, Helsinki e anche Roma, contraddistinte da un’ampia disponibilità di feed eterogenei che coprono diverse categorie di veicoli condivisi e da uno storico di dati già consolidato. In questi contesti molti operatori risultano integrati nello stesso ambiente digitale, il che apre alla possibilità di svolgere analisi avanzate, simulazioni e studi sull’accessibilità multimodale, ma innalza anche il livello della competizione. L’efficienza operativa diventa quindi centrale e l’intelligenza artificiale può sostenere amministrazioni e gestori nella simulazione dell’impatto di misure come ZTL o nuove piste ciclabili, così come dell’introduzione di veicoli inediti, offrendo una capacità di pianificazione molto precisa.
Un gradino più sotto si colloca il Livello 2, caratterizzato da ecosistemi prevalentemente basati su GTFS. Ne sono esempio capitali come Varsavia, Lisbona e Amsterdam, dove sono presenti diversi feed GTFS, mentre i feed GBFS e i dati storici risultano ancora limitati. In questi casi la sfida principale consiste nell’arricchire il quadro informativo con nuovi flussi GBFS, capaci di portare l’ecosistema esistente a uno stadio superiore di maturità. Una volta completato questo tassello, l’intelligenza artificiale può essere impiegata per coordinare in tempo reale la distribuzione dei veicoli condivisi, bilanciarne la presenza nelle diverse aree della città e assicurare continuità del servizio anche di fronte a eventi imprevisti o picchi improvvisi di utilizzo.
Dalle città emergenti ai contesti senza dati
Il Livello 1 raccoglie le città emergenti, ovvero contesti come Bucharest, Sofia e Atene, dove è disponibile uno o due feed, spesso solo di tipo GTFS, e l’ecosistema della mobilità risulta ancora poco articolato e di frequente gestito da un unico operatore. In queste realtà, per i player della mobilità il vero abilitatore è l’accesso a un feed standard che dia visibilità strutturata ai dati esistenti. L’impiego dell’intelligenza artificiale permette di costruire simulazioni strategiche per testare scenari di pricing, definire il posizionamento delle flotte, valutare il peso della concorrenza e calcolare con maggiore accuratezza il ritorno sugli investimenti, così da orientare decisioni più consapevoli.
Alla base dell’indice si trova il Livello 0, che comprende città prive sia di feed GBFS sia di feed GTFS, come Monaco, San Marino e Belgrado, dove la pianificazione della micromobilità è ancora alle prime fasi. Per gli operatori del settore l’ingresso in questi mercati è particolarmente rischioso, a causa della scarsità di informazioni utili alla progettazione del servizio, ma offre al tempo stesso l’opportunità di muoversi in assenza di una concorrenza diretta e di introdurre una forte innovazione con i primi feed strutturati. In mancanza di dati pubblici, l’intelligenza artificiale deve quindi appoggiarsi a fonti alternative, come mappe OSM, punti di interesse, condizioni meteo e dati demografici, per stimare i fabbisogni di spostamento e sostenere il lancio di servizi basati su analisi predittive, contenendo rischi e costi operativi.
La visione di SWITCH e le prospettive della mobilità intelligente
Per Matteo Forte, CEO e founder di SWITCH, la vera questione non è soltanto la frammentazione dei dati, ma la capacità di trasformare questa materia prima in una forma di intelligenza predittiva realmente utile. In quest’ottica nascono le soluzioni Urban CoPilot e Urbiverse, pensate per integrare feed molteplici, informazioni alternative e simulazioni basate su AI. Questi strumenti forniscono indicazioni operative e strategiche che, nelle sue parole, permettono di migliorare in modo drastico l’efficienza della gestione delle flotte, la sostenibilità dei servizi e l’esperienza degli utenti in tutte le città europee in cui vengono adottati, aprendo spazi concreti di innovazione.
SWITCH ha già elaborato oltre cinque milioni di corse in diversi Paesi, dimostrando sul campo come le tecnologie di intelligenza artificiale possano contribuire a ridurre i costi, anticipare dove e quando serviranno i veicoli e accrescere la sostenibilità dei contesti urbani. La startup, sostenuta da un round pre-seed da 946.000 euro, collabora con città come Torino, Bologna e Roma, oltre che con aziende di shared mobility, operatori di car sharing, realtà della logistica e gestori di flotte in tutta Europa, con l’obiettivo di rendere tangibile un futuro di mobilità intelligente e condivisa.