L’intelligenza artificiale al servizio della sostenibilità: l’esempio dell’ottimizzazione dei percorsi dei veicoli di igiene urbana

Nell’attuale scenario socio-economico, la crescita e il valore aggiunto di un’azienda non sono più misurabili solo attraverso il dato finanziario, è infatti fondamentale valutare anche come l’attività di queste impatta sul piano sociale e ambientale. Enti di carattere nazionale e internazionale, basti pensare ad esempio al piano d’azione dell’ONU dell’Agenda 2030 o alle attuali politiche dell’UE, hanno messo più volte in evidenza come risulti necessario, e non più differibile, attuare processi e adottare modelli di business maggiormente sostenibili.

Questo scenario pone le Aziende di fronte ad una nuova e più importante sfida: riuscire a coniugare la profittabilità economica, con la sostenibilità ambientale e sociale delle proprie azioni e scelte di business.

Se negli anni precedenti siamo stati indotti a credere che queste due dimensioni fossero tra loro opposte e non perseguibili simultaneamente, oggi, in virtù delle numerose opportunità offerte dai recenti sviluppi nell’ambito dell’Intelligenza Artificiale, le aziende non sono più costrette a sacrificare la dimensione ambientale. Si possono infatti ottenere performance più elevate perseguendo al contempo anche obiettivi di sostenibilità socio-ambientale. Ne consegue che, essendo gli aspetti finanziari e non-finanziari non più antagonisti ma complementari tra di loro, è possibile raggiungere una situazione di win-win per le aziende in cui migliori performance economiche implicano anche prodotti e processi ecocompatibili.

Nei vari temi messi in evidenza dai “Sustainable Development Goals” dell’Agenda 2030 , vi è un focus particolare sulla riduzione delle emissioni di gas serra .

Essendo essi nocivi per il pianeta è fondamentale che le strategie di sostenibilità diventino parte caratterizzante di un’azienda, evitando inutili logiche di greenwashing. Lo scopo per tanto è quello di garantire l’equilibrio tra gli obiettivi economico-finanziari, tra la tutela dell’ambiente e lo sviluppo del territorio, e tra le comunità locali.

Le tecnologie più avanzate dell’Industria 4.0 possono costituire un valido supporto alla realizzazione di quanto scritto sopra. Uno dei settori in cui il connubio tra rivoluzione tecnologica (e digitale) e sostenibilità è più evidente è quello della Logistica. In quest’ambito, l’utilizzo di strumenti di Intelligenza Artificiale a supporto dell’ottimizzazione dei percorsi costituisce un elemento non ancora pienamente sfruttato, ma che può portare le Aziende ad un complessivo miglioramento delle performance. Questo tipo di soluzione, come vedremo di seguito, apporta numerosi benefici, sia in termini di efficienza e di riduzione dei costi, sia in termini di minore impatto ambientale e migliore gestione del personale. Ciò è applicabile in tutti quei settori economici in cui ci si trova a dover gestire un ampio parco veicolare, come nel caso della “logistica dell’ultimo miglio”, oppure nel caso di aziende che gestiscono operatori sul campo e movimentano forza lavoro tra diversi siti in funzione delle esigenze del momento e delle competenze richieste.

Nel prosieguo, focalizzeremo l’attenzione su un settore in particolare che, attraverso un processo di ottimizzazione nella gestione flotte, sta ottenendo benefici importanti: stiamo parlando delle Aziende di Igiene Urbana. Tuttavia, come ribadito in precedenza, molteplici sono i settori che possono trarre vantaggio dall’applicazione di soluzioni di Intelligenza Artificiale per l’ottimizzazione dei percorsi e l’analisi di scenari.

Il contesto italiano nel settore dell’igiene urbana

Come anticipato in precedenza, uno dei settori che può ottenere numerosi vantaggi dall’applicazione dell’Intelligenza Artificiale per l’ottimizzazione nella gestione di un parco veicolare è quello delle Aziende di Igiene Urbana.

Abbiamo sviluppato la nostra analisi basandoci sul rapporto che ISPRA rende disponibile. Attingendo alle informazioni in esso contenute è possibile fare alcune riflessioni interessanti. Il rapporto, partendo dai dati ufficiali disponibili relativi alla produzione e gestione dei rifiuti urbani del periodo 2002 – 2019, stima quelli che sono i costi di gestione, suddivisi per le macro-voci, per i rifiuti urbani e assimilabili.

Il rapporto mette in evidenza due elementi significativi: il primo riguarda le componenti dei costi, l’altro il loro andamento nel tempo.

Il grafico seguente, preso dal rapporto indicato, mostra chiaramente come per una tipologia di rifiuti, la componente del costo ascrivibile al trasporto risulti essere più di un terzo (35%) del costo complessivo.

L’altro elemento è la variazione di questa componente nel tempo e, come possiamo vedere dal grafico sottostante rielaborato a partire dai dati presenti nel rapporto, la variazione complessiva risulta molto accentuata.

 

In un caso specifico i costi di raccolta e trasporto per kg di rifiuto (raccolta indifferenziata) sono aumentati di circa il 90%, passando da 6,45 €cent/kg a 12,30 €cent/kg.

Per le Azienda che operano nel settore della raccolta e trasporto rifiuti, le due voci principali di costo sono:

  • Costi del Personale;
  • Costi di Gestione e Manutenzione del Parco Veicolare.

La seconda voce si riferisce invece a tutti quei costi tangibili, diretti e indiretti, come per esempio i carburanti, gli pneumatici, la manutenzione ordinaria, le assicurazioni, che garantiscono ai mezzi di lavorare in sicurezza. Per completezza dobbiamo evidenziare che sono presenti anche costi intangibili legati all’indisponibilità del mezzo, che incidono in misura altrettanto significativa. Al fine però di avere dei razionali facilmente quantificabili non faremo valutazioni economiche su questa seconda tipologia di costo.

Riuscire quindi ad incidere sulla categoria dei costi di gestione e manutenzione, anche con ottimizzazioni minime nella gestione del parco, permette di ottenere un effetto significativo in termini di redditività aziendale.

Le Aziende hanno sempre perseguito questo obiettivo di efficienza, ma fino a ieri ciò era ottenuto adottando un approccio di efficienza operativo-finanziaria, per cui si ricorreva a economie di scala e/o scopo implementando politiche di contenimento dei costi basate esclusivamente sui criteri di contenimento e di ottimizzazione dei costi stessi. Questo approccio, come mostrano i dati di ISPRA, ha avuto il solo effetto di “contenere” i costi ma non di evitare che gli stessi assumessero un trend di crescita positivo. Il motivo principale per cui si è assistito a questo trend è da ricercare nel fatto che gli approcci adottati, salvo rare eccezioni, non sono riusciti ad incidere minimamente su quello che è il driver principale del costo stesso, ovvero i km che i mezzi percorrono.

Tuttavia, riuscire ad incidere significativamente su questa variabile non è affatto semplice! Diversi, infatti, sono i vincoli di contesto che bisogna inevitabilmente considerare per le analisi di ottimizzazione, citiamo solo a titolo esemplificativo: dimensione e capacità dei mezzi coinvolti, orari di percorrenza delle strade, etc.

Di conseguenza, data anche la complessità del problema, nessuno si era mai posto la domanda: nel rispetto dei vincoli dati, esiste una strategia di gestione che consenta di minimizzare i km effettuati?

Oggi, alla luce degli obiettivi prefissati dall’Agenda 2030, potremmo riformulare la domanda chiedendoci: come è possibile intraprendere delle azioni che permettano sia di rispettare i vincoli di contesto pur mantenendo alta la qualità del servizio erogato, sia migliorare l’impronta ambientale senza incidere negativamente sulla profittabilità aziendale?

Oggi è possibile coniugare tutti questi elementi andando proprio ad incidere sul fattore scatenante, i km percorsi. Riducendo questi si riducono inevitabilmente i costi di gestione e, allo stesso tempo, riduciamo le emissioni di CO2 in atmosfera migliorando il contesto socio-ambientale in cui l’azienda opera.

Vediamo come questo sia possibile!

Il ruolo dell’Intelligenza Artificiale e i suoi vantaggi

Incidere sui km percorsi significa incidere sulla pianificazione e organizzazione dei percorsi di raccolta. Questi però presentano una serie di vincoli, varietà di obiettivi e fattori che rendono il problema di non facile soluzione. Nel recente passato, però, si è assistito ad un significativo sviluppo delle metodologie di Ricerca Operativa e di Intelligenza Artificiale applicate a queste problematiche che, assieme ad una significativa riduzione del rapporto costo/performance, permettono di ottenere ottime soluzioni, in tempi e costi relativamente bassi.

Immaginiamoci il mezzo preposto alla raccolta come un Data Producer; disponendo di una infrastruttura atta ad acquisire, normalizzare e trasferire i dati, possiamo spostarli in un opportuno DataHub . In una seconda fase, che con opportune tecniche può essere anche real-time , attraverso tecniche di ETL , possiamo alimentare il DigitalTwin . Questa architettura, apparentemente semplice, permette di utilizzare i dati così raccolti per istanziare procedure di Intelligenza Artificiale e Ricerca Operativa al fine di risolvere le problematiche che “manualmente” non potremmo risolvere.

In relazione ai dati che raccogliamo dal mezzo possiamo avere una classe di problematiche risolvibili:

  • Ottimizzazione dei Percorsi;
  • Monitoraggio in tempo reale sia per lo stato del traffico che per esigenze real-time;
  • Manutenzione predittiva;
  • Sistemi di Simulazione.

Il primo punto “Ottimizzazione dei Percorsi” fa riferimento a quello che in letteratura tecnica viene indicato come il “Travelling Salesman Problem (TSP)” , ed è senza dubbio il punto focale per abilitare un approccio diverso alla percorrenza dei mezzi. In generale, il problema dell’ottimizzazione consiste nel definire un insieme di percorsi a costo totale minimo nel rispetto dei vincoli che sono dati, tale classe di problemi nota come Vehicle Routing Problem (VRP) è stata proposta da Dantzig e Ramser (1959) e la parte del TSP rappresenta un suo sottoinsieme. Senza entrare negli aspetti di carattere tecnico, sottolineiamo però come tali tecniche applicate permettono di ottenere una riduzione dei km totali percorsi rispetto ai percorsi non ottimizzati in un range di riduzione 5% – 20%.

Ad ulteriore conferma dei dati precedentemente espressi, riportiamo i benchmark fatti con i nostri applicativi che confermano i dati di cui sopra. Infatti, come possiamo vedere dalla figura, l’implementazione di queste metodologie su percorsi effettivi ha consentito una riduzione del 20% dei km percorsi.

Quanto rappresentato non è che il primo tassello, infatti mettendo in relazione i dati di routing con altre variabili di contesto (traffico, lavori in corso, meteo, numero di contenitori da raccogliere, richieste provenienti dagli utenti per servizi specifici), è possibile ottenere ulteriori ottimizzazioni tenendo in considerazione anche altri vincoli. Il tutto per migliorare ulteriormente la Gestione della Flotta fornendo un contributo essenziale e significativo alla riduzione dei km percorsi.

Se il singolo mezzo è in grado di produrre dati riguardanti il suo stato di funzionamento, il tutto può essere ulteriormente analizzato con tecniche statistico-matematiche al fine di individuare l’insorgenza di un guasto prima che questo si presenti. Tale approccio, ormai abbondantemente citato e presente in letteratura, permette di incidere positivamente sia sulla disponibilità del mezzo sia sulla riduzione significativa dei costi per le manutenzioni straordinarie causati da guasti o rotture.

Infine, tutti i dati così raccolti possono essere utilizzati per effettuare simulazioni ed analisi di scenario al fine di guidare i processi decisionali. Possibili simulazioni possono riguardare: la previsione di picchi di stagionalità nella raccolta di specifici rifiuti; gli effetti della riduzione/aumento del parco veicolare; l’organizzazione efficiente dei mezzi e del personale; l’individuazione preventiva di situazioni di criticità; l’ottimizzazione di offerte economiche per la partecipazione a gare di appalto.

Per concludere

Da quanto detto fino ad ora, emerge come attraverso l’uso di strumenti di Intelligenza Artificiale è possibile raggiungere una situazione win-win, per cui tutte le Aziende che devono gestire un Parco Veicolare non sono più costrette a dover scegliere tra profittabilità e migliori performance ambientali e sociali, ma potranno contribuire alla salvaguardia dell’ambiente ottenendo anche un saving dei costi di gestione e un servizio più efficiente. Le metodologie oggi disponibili consentono di ridurre i costi di gestione per un valore che in alcuni casi si attesta attorno al 25% dei Costi di Gestione e Manutenzione attualmente sostenuti, riducendo altresì in modo significativo le emissioni di CO2 in atmosfera.

© RIPRODUZIONE RISERVATA

Giulio Ancilli

Head of Advanced Analytics, BigData & IoT Solutions presso Prometeo Srl. Ha conseguito la laurea in Matematica presso l’Università di Siena

Loredana Rinaldi

Business & Sustainability Analyst presso Prometeo Srl. In precedenza, ha conseguito il Dottorato di Ricerca in Economia Aziendale e Management presso l’Università di Pisa

Viviana Cammarata

Business Analyst presso Prometeo Srl. In precedenza, ha conseguito un MSc in Accounting and Management presso l’Università di Siena.

Valerio Grassi

CEO di Atlas Advanced Technologies e Innovation Manager

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

*

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.