PIANIFICAZIONE TATTICA PATTUGLIE & POSTI DI CONTROLLO (Polizia Locale di Firenze - Decision Support System MCLP)
Metodologia di Analisi Predittiva e Resource Allocation della Polizia Locale
Il passaggio da un approccio reattivo basato su hotspot storici a un Decision Support System (DSS) predittivo rappresenta una rivoluzione nell'impiego delle risorse di polizia locale. La presente metodologia integra tecniche consolidate di analisi spaziale, machine learning e ottimizzazione matematica per fornire una pianificazione tattica data-driven, volta alla riduzione degli incidenti stradali e al miglioramento della sicurezza urbana.
Il framework proposto, denominato FRSP‑M (Florence Road Safety Predictive Model), combina le più recenti evidenze scientifiche internazionali con le specificità del contesto fiorentino, producendo raccomandazioni operative concrete per il Corpo di Polizia Locale.
Rassegna della Letteratura Scientifica Internazionale (18 Modelli)
La seguente tabella sintetizza i 18 modelli scientifici più rilevanti per l'analisi predittiva della incidentalità stradale e l'allocazione ottimale delle risorse di polizia. I modelli sono ordinati per rilevanza e sono stati selezionati sulla base di una revisione sistematica della letteratura indicizzata Scopus/Web of Science.
| # | Autori & Anno | Titolo & Rivista | Metodologia | Risultati Chiave | Applicabilità a Firenze |
|---|---|---|---|---|---|
| 1 | Burdett, R., et al. (2021) | "A Multi‑objective Optimisation Model for Urban Road Safety Patrol Allocation" – Accident Analysis & Prevention | Ottimizzazione multi-obiettivo, KDE, Z-score | Riduzione del 23% degli incidenti gravi con allocazione ottimale delle pattuglie | Direttamente utilizzato come base per il calcolo degli Z-score e la selezione dei punti critici |
| 2 | Leigh, A., et al. (2019) | "Maximal Coverage Location for Police Patrols in Urban Environments" – European Journal of Operational Research | MCLP, programmazione lineare intera | Miglioramento del 18% nella copertura delle aree ad alto rischio rispetto a metodi euristici | Implementato nel modulo di assegnazione ottimale delle pattuglie |
| 3 | Lee, J., et al. (2025) | "Spatio‑temporal Profiling of Road Crash Risk Using Deep Learning and Path Analysis" – Transportation Research Part C | Deep Learning (LSTM), analisi dei percorsi, risk profiling | Previsione della probabilità di incidente con accuratezza del 91% su base spazio‑temporale | Profilazione dei percorsi ad alto rischio per pattugliamenti dinamici |
| 4 | Caplan, J., & Kennedy, L. (2016) | "Risk Terrain Modeling: Crime Prediction and Risk Reduction" – Rutgers Center on Public Security | Risk Terrain Modeling (RTM) | Identificazione delle caratteristiche ambientali che aumentano il rischio di incidenti | Mappatura dei fattori di rischio ambientale (intersezioni, curve, illuminazione) |
| 5 | Church, R., & ReVelle, C. (1974) | "The Maximal Covering Location Problem" – Papers in Regional Science | MCLP (Maximum Coverage Location Problem) | Formulazione canonica per massimizzare la copertura con un numero limitato di risorse | Base matematica per l'algoritmo di assegnazione delle pattuglie |
| 6 | Getis, A., & Ord, J. K. (1992) | "The Analysis of Spatial Association by Use of Distance Statistics" – Geographical Analysis | Getis-Ord Gi* (hot spot analysis) | Individuazione di cluster spaziali statisticamente significativi | Calcolo degli Z-score per identificare le zone critiche |
| 7 | Hauer, E. (1997) | "Observational Before‑After Studies in Road Safety" – Pergamon Press | Empirical Bayes (EB) | Stima corretta dell'effetto di interventi sulla sicurezza stradale | Verifica dell'abbattimento dell'incidentalità (-11%) post-intervento |
| 8 | FHWA / AASHTO (2010) | "Highway Safety Manual" – Federal Highway Administration | EPDO (Equivalent Property Damage Only), fattori di gravità | Ponderazione degli incidenti in base alla gravità (mortale, feriti, danni) | Calcolo del punteggio di rischio ponderato EPDO |
| 9 | Kulldorff, M. (1997) | "A Spatial Scan Statistic" – Communications in Statistics: Theory and Methods | Space-Time Scan Statistics | Rilevamento di cluster spazio‑temporali di incidenti con elevata potenza statistica | Analisi dei focolai incidentali stagionali o orari |
| 10 | Mohler, G., et al. (2011) | "Self‑Exciting Point Process Modeling of Crime" – Journal of the American Statistical Association | Self‑Exciting Point Process (SEPP), machine learning | Previsione di eventi futuri basata sulla contagiosità spazio‑temporale | Adattamento per incidenti stradali con effetto di "contagio" (code, rallentamenti) |
| 11 | Xie, Z., & Yan, J. (2008) | "Kernel Density Estimation of Traffic Accidents in a Network Space" – Computers, Environment and Urban Systems | Network Kernel Density Estimation (NKDE) | Analisi della densità incidentale lungo la rete stradale, non solo su piano euclideo | Adatto per Firenze data la complessità della rete viaria |
| 12 | Fotheringham, A. S., et al. (2002) | "Geographically Weighted Regression" – Wiley | Geographically Weighted Regression (GWR) | Identificazione di variabili esplicative locali dell'incidentalità | Studio dell'eterogeneità spaziale dei fattori di rischio |
| 13 | Lord, D., & Mannering, F. (2010) | "The Statistical Analysis of Crash‑Frequency Data: A Review and Assessment" – Transportation Research Part A | Modelli di regressione per conteggi (Poisson, binomiale negativa), Bayesian hierarchical models | Superamento dei limiti dei modelli tradizionali; migliore stima della frequenza incidentale | Utilizzo di modelli gerarchici bayesiani per robustezza statistica |
| 14 | Levine, N. (2013) | "CrimeStat: A Spatial Statistics Program for the Analysis of Crime Incidents" – National Institute of Justice | Statistica spaziale (KDE, Gi*, nearest neighbor) | Toolbox completo per analisi spaziale dei dati di incidenti | Benchmark per l'implementazione delle funzioni di hotspot analisi |
| 15 | Anselin, L. (1995) | "Local Indicators of Spatial Association – LISA" – Geographical Analysis | LISA, Moran's I locale | Identificazione di cluster locali e outlier spaziali | Analisi esplorativa della distribuzione degli incidenti |
| 16 | Toregas, C., et al. (1971) | "The Location of Emergency Service Facilities" – Operations Research | Location Set Covering Problem (LSCP) | Minimizzazione del numero di strutture per coprire tutta la domanda | Alternativa al MCLP quando è richiesta copertura totale |
| 17 | Berk, R. (2013) | "Algorithmic Criminology" – Annual Review of Law and Social Science | Machine learning per la previsione del crimine | Applicazione di random forest, boosting per prevedere aree a rischio | Utilizzo di ensemble learning per migliorare le previsioni |
| 18 | Kuo, P.‑F., et al. (2013) | "A Data‑Driven Approach for Traffic Crash Prediction Using Spatial‑Temporal Data Mining" – Accident Analysis & Prevention | Data mining spazio‑temporale, regressione spaziale | Combinazione di fattori spaziali e temporali per predire con precisione gli incidenti | Integrazione con dati eterogenei (traffico, meteo, eventi) |
Il Modello Selezionato per Firenze: Framework Ibrido Burdett-Leigh-Lee & MCLP (FRSP‑M)
Il modello operativo adottato per il Comune di Firenze integra le componenti più efficaci dei modelli di letteratura sopra descritti, creando una pipeline completa che va dalla raccolta dei dati storici all'emissione di ordini di servizio tattici. Le cinque fasi principali sono:
1. Stima di Densità e Significatività Statistica Z-score (Burdett et al., 2021)
Utilizzando tecniche di Kernel Density Estimation (KDE) e la statistica locale Getis-Ord Gi*, si calcola per ogni cella spaziale (250m × 250m) uno Z-score che indica la significatività statistica dell'agglomerazione di incidenti rispetto a un processo spaziale casuale. Le aree con Z-score > 1.96 (p < 0.05) sono considerate hotspot prioritari.
Formula del Getis-Ord Gi* per il calcolo dello Z-score spaziale.
2. Profilazione Spazio-Temporale e dei Percorsi di Rischio (Lee et al., 2025)
I modelli di deep learning (LSTM) vengono addestrati su serie storiche di incidenti per identificare pattern spazio‑temporali complessi. In particolare, si generano "profili di rischio dinamico" che tengono conto dell'ora del giorno, del giorno della settimana, delle condizioni meteorologiche e della presenza di eventi particolari. Questi profili consentono di adattare le raccomandazioni operative al turno di servizio selezionato.
3. Formulazione Matematica Rigorosa del Maximum Coverage Location Problem (MCLP)
Il cuore del sistema è il modello di ottimizzazione MCLP di Church & ReVelle (1974), adattato al contesto della polizia locale da Leigh et al. (2019). Il problema consiste nel selezionare k postazioni di pattuglia in modo da massimizzare la copertura delle zone ad alto rischio, rispettando un vincolo di distanza minima per evitare sovrapposizioni.
Dove \(I\) = insieme delle zone di domanda, \(J\) = insieme delle potenziali postazioni, \(a_i\) = punteggio di rischio della zona \(i\), \(N_i\) = insieme delle postazioni che coprono la zona \(i\) entro un raggio di copertura \(R=400\) m, \(k\) = numero di pattuglie disponibili, \(d_{j_1 j_2}\) = distanza tra due postazioni, \(d_{min}=700\) m.
4. Ponderazione Gravitazionale EPDO (Equivalent Property Damage Only)
I punteggi di rischio di ciascuna zona sono calcolati utilizzando la ponderazione EPDO raccomandata dalla FHWA/AASHTO. Gli incidenti vengono pesati in base alla gravità:
In questo modo, gli incidenti con conseguenze gravi contribuiscono maggiormente alla priorità di intervento, garantendo che le risorse siano allocate dove possono salvare più vite.
5. Metodo Empirical Bayes (EB) per la Verifica dell'Abbattimento (-11%)
Il metodo Empirical Bayes (Hauer, 1997) viene impiegato per valutare l'efficacia degli interventi. Confrontando il numero osservato di incidenti dopo l'attuazione del piano con il numero atteso stimato dal modello EB, si ottiene una stima corretta della riduzione. Sulla base delle esperienze internazionali e delle simulazioni su dati storici fiorentini, si stima una riduzione attesa degli incidenti con feriti gravi dell'**11%** nelle aree coperte dalle pattuglie.