Navigatori GPS aumentano inquinamento da traffico, lo rivela uno studio CNR
Uno studio CNR rivela come i navigatori GPS concentrino il traffico e aumentino le emissioni: rischi, dati e soluzioni per città più sostenibili.
La promessa del percorso più rapido può aumentare il traffico sulle arterie principali: uno studio CNR analizza reti urbane, emissioni e possibili correttivi per rendere i navigatori più sostenibili.
I ricercatori del Cnr-Isti, dell’Università di Pisa e della Scuola Normale Superiore hanno simulato il traffico di Firenze, Milano e Roma mostrando che, quando tutti gli automobilisti seguono un navigatore, la varietà dei percorsi può ridursi fino al 14% rispetto allo scenario senza indicazioni digitali. La conseguenza è una maggiore concentrazione dei veicoli su autostrade e grandi arterie, mentre i benefici sulle emissioni di CO? possono attenuarsi, scomparire o, in alcuni casi osservati a Roma, trasformarsi in un aumento.
Lo studio è stato pubblicato nel 2026 su Nature Communications e mette in discussione un’idea ormai comune: se ogni automobilista sceglie l’itinerario più rapido per sé, la rete urbana non diventa per forza più efficiente. Google Maps, TomTom, Bing Maps e Mapbox possono aiutare una persona a evitare una coda. Il risultato cambia quando la stessa indicazione arriva nello stesso momento a migliaia di utenti.
La promessa del percorso più rapido
Un’app di navigazione riceve la posizione del veicolo, legge la rete stradale e propone un itinerario in base all’obiettivo impostato. Può puntare ad arrivare prima, a percorrere meno chilometri oppure, in alcuni casi, a contenere le emissioni. Per l’utente si tratta di una scelta privata, almeno in apparenza, e facilmente modificabile: seguire il suggerimento oppure cambiare strada.
Quando le decisioni si moltiplicano, però, la situazione cambia. Se molti conducenti vengono spostati dalla stessa strada congestionata verso una parallela ritenuta più scorrevole, la deviazione fa crescere il traffico proprio sulla via alternativa. L’algoritmo continua a ottimizzare il viaggio di ogni singolo veicolo; la rete, nello stesso istante, riceve migliaia di decisioni simili.
È qui che nasce il paradosso. La soluzione migliore per il singolo può perdere efficacia se viene adottata da una quota elevata di utenti. In condizioni ordinarie, distribuire i veicoli su più itinerari aiuta a limitare i rallentamenti. Se invece le raccomandazioni convergono verso poche arterie, la distribuzione si restringe e i punti più sollecitati possono congestionarsi ancora di più.
Il gruppo che ha condotto la ricerca
Lo studio è stato realizzato da Giuliano Cornacchia, Mirco Nanni e Luca Pappalardo dell’Istituto di scienza e tecnologie dell’informazione del Consiglio nazionale delle ricerche, insieme a Dino Pedreschi dell’Università di Pisa. Pappalardo è anche professore associato alla Scuola Normale Superiore. Pedreschi insegna nel Dipartimento di Informatica dell’Università di Pisa.
Il Cnr-Isti è un istituto del Consiglio nazionale delle ricerche che si occupa di informatica e gestione dell’informazione. Il gruppo ha studiato il traffico digitale dentro una relazione più ampia, quella tra algoritmi, comportamento individuale e funzionamento delle città. In questa direzione si muove anche il progetto City-AI Coevolution, coordinato da Pappalardo e finanziato dal Ministero dell’Università e della Ricerca attraverso il programma FIS. Il progetto analizza l’influenza reciproca tra sistemi digitali e società.
La pubblicazione in una rivista scientifica internazionale non fa di ogni simulazione una misurazione diretta dell’inquinamento stradale. Il modello, però, è stato costruito per confrontare scenari coerenti e per verificare come cambiano i flussi e la CO? quando varia l’uso dei navigatori.
Come è stato costruito il modello
I ricercatori hanno messo insieme dati GPS relativi a veicoli privati, reti stradali e itinerari forniti dai principali servizi di navigazione. L’analisi non si è concentrata su una sola applicazione. Ha incluso Google Maps, TomTom, Bing Maps e Mapbox; per TomTom è stata considerata anche la modalità chiamata Fastest.
Il modello ha confrontato condizioni diverse della circolazione e percentuali differenti di adozione. A un estremo c’era lo scenario in cui nessun conducente seguiva le indicazioni di un’app. All’estremo opposto, il 100% dei veicoli veniva guidato da un servizio di navigazione. Tra questi due casi sono state analizzate quote intermedie.
Per ciascuno scenario sono stati osservati soprattutto due indicatori:
- la diversità dei percorsi, cioè il grado con cui i veicoli utilizzano itinerari differenti;
- le emissioni di CO? associate al traffico simulato.
Questo metodo permette di isolare l’effetto dell’adozione dei navigatori e di mantenere il confronto tra condizioni della rete e livelli di traffico. Non è una campagna di rilevamento delle concentrazioni di biossido di azoto, particolato o nanoparticelle presenti nell’aria. I risultati descrivono quindi soprattutto la dinamica dei flussi e le emissioni di anidride carbonica calcolate dal modello. Non misurano, da soli, l’intera qualità dell’aria urbana.
Meno itinerari, più traffico sulle arterie principali
Il risultato che ricorre nelle tre città riguarda la varietà degli itinerari. All’aumentare del numero di automobilisti che seguono le indicazioni digitali, le strade utilizzate diventano meno numerose e meno distribuite. Quando l’adozione arriva al 100%, la diversità dei percorsi può diminuire fino al 14% rispetto allo scenario in cui nessuno segue il navigatore.
Il dato non significa che tutti i veicoli percorrano la stessa strada. Dice piuttosto che il sistema tende a concentrare i flussi su un gruppo più ristretto di segmenti. Autostrade e grandi arterie vengono spesso privilegiate dagli algoritmi perché offrono maggiore capacità o una velocità media più alta. L’effetto concreto dipende comunque dalla configurazione della rete e dal servizio utilizzato.
Anche le emissioni risultano distribuite in modo meno uniforme. Una quota maggiore della CO? simulata finisce associata a un numero più limitato di tratti stradali. Per chi abita o cammina lungo quelle arterie, il risultato non basta a descrivere l’esposizione agli inquinanti: entrano in gioco il vento, la morfologia urbana, il tipo di veicoli, la temperatura e altri fattori che i dati disponibili non quantificano.
Come funziona la convergenza dei flussi
Immaginiamo una direttrice urbana con una strada principale già lenta e due alternative. Una è più breve, ma stretta; l’altra passa in periferia, è più lunga e dispone di una capacità maggiore. Senza un suggerimento comune, una parte dei conducenti sceglie la direttrice, un’altra la via secondaria e un’altra ancora il percorso periferico. I veicoli restano distribuiti tra tre possibilità.
Quando viene rilevato un incidente o un rallentamento, l’app può indirizzare molti utenti verso la stessa deviazione. In un primo momento la strada stretta sembra conveniente, perché il tempo stimato è inferiore a quello della direttrice congestionata. Poi arrivano altri veicoli. La velocità scende e il vantaggio iniziale si riduce.
A quel punto alcuni utenti possono essere reindirizzati di nuovo. Si crea una catena di spostamenti tra le arterie disponibili. L’esempio non riproduce un episodio specifico misurato nelle tre città dello studio, ma rende visibile il meccanismo simulato: migliaia di scelte razionali possono produrre un equilibrio collettivo meno efficiente. La previsione non è necessariamente errata per il singolo istante; è la risposta cumulativa della rete a renderla problematica.
Quando le emissioni calano e quando aumentano
L’effetto ambientale non resta uguale in ogni condizione. Con traffico leggero, l’utilizzo dei navigatori tende a portare un beneficio: itinerari più efficienti possono accorciare i tempi di percorrenza e ridurre i consumi, con una diminuzione delle emissioni di CO? calcolate nello scenario.
Con traffico intenso il quadro si complica. Quando la quota di utenti è ancora contenuta, le indicazioni possono aiutare a evitare i punti più congestionati. Man mano che gli automobilisti aumentano, però, il margine di vantaggio si assottiglia. Nei casi analizzati, per molti servizi e città la fascia critica si colloca generalmente tra il 60% e l’80% di adozione.
Oltre quella fascia, i benefici ambientali possono ridursi fino a sparire. In alcune simulazioni riferite a Roma, Google Maps, Bing Maps, Mapbox e TomTom Fastest hanno prodotto emissioni superiori rispetto allo scenario senza navigazione.
È il dato che risponde più direttamente alla questione ambientale. Un navigatore non fa aumentare automaticamente l’inquinamento, ma l’uso generalizzato può portare a emissioni di CO? più alte in condizioni determinate.
Le fonti disponibili sullo studio non indicano una percentuale unica di aumento valida per tutte le città e per tutti gli algoritmi. Non si può quindi trasformare il risultato osservato a Roma in un incremento generale da applicare a Firenze, Milano o all’intero traffico italiano.
Firenze, Milano e Roma hanno reti diverse
La struttura urbana pesa sul risultato. Una rete con poche arterie principali, molte intersezioni o alternative difficili da sostituire reagisce diversamente da una rete che offre più itinerari paralleli. Contano anche la distribuzione iniziale dei veicoli e il livello di congestione: entrambi possono modificare la soglia oltre la quale l’ottimizzazione individuale smette di essere efficace.
| Città | Risultato evidenziato | Interpretazione |
| Firenze | La varietà dei percorsi diminuisce con l’aumento dell’adozione | La rete risente della convergenza dei flussi |
| Milano | Gli esiti sono complessivamente più favorevoli | La struttura della rete e il traffico iniziale incidono sul bilancio |
| Roma | In alcuni scenari con adozione elevata le emissioni superano quelle dello scenario senza navigazione | La soglia critica può essere oltrepassata in modo più evidente |
La tabella riassume tendenze del modello, non stabilisce una graduatoria ambientale permanente tra le tre città. Lo studio lavora su scenari simulati e non permette di dire che una determinata app sia sempre migliore o peggiore in una certa area. Restano decisive tre variabili: il servizio scelto, il livello di traffico e la percentuale di utenti guidati dall’algoritmo.
La fascia 60-80% non vale ovunque
L’intervallo tra il 60% e l’80% è stato osservato generalmente nei casi analizzati. Non è una regola da applicare a ogni città, a ogni ora o a ogni rete stradale. La soglia può cambiare in base alla domanda di spostamento, alla capacità delle strade, alla presenza di alternative e ai criteri usati dal navigatore.
Lo stesso servizio può quindi produrre effetti diversi al mattino, durante un evento oppure in una fascia con traffico più scorrevole. Una raccomandazione calcolata su una rete quasi libera non equivale a una deviazione suggerita mentre la congestione interessa molte strade. Anche un algoritmo che privilegia la velocità può distribuire i flussi in modo diverso da uno che considera la distanza o la CO?.
Il tempo di percorrenza resta una variabile importante, ma nei materiali disponibili non c’è una cifra unica che descriva la sua variazione per tutte le città e per tutte le quote di adozione. Il dato più solido riguarda la riduzione, fino al 14%, della diversità dei percorsi e il possibile peggioramento delle emissioni in scenari specifici. Non viene invece fornito un aumento medio dei minuti trascorsi in auto.
Il vantaggio individuale non coincide con quello della città
Un servizio di navigazione tradizionale risponde a una domanda precisa: quale itinerario permette a questo veicolo di arrivare prima, usando le informazioni disponibili? Una città deve occuparsi di problemi più ampi. Deve evitare che una strada superi la propria capacità, distribuire i veicoli, limitare le emissioni vicino alle abitazioni e mantenere accessibili più quartieri.
Le due prospettive possono convivere, ma non sempre puntano nella stessa direzione. Se ogni app cerca per il proprio utente il tempo minimo, gli automobilisti vengono spinti verso le opzioni che il modello considera più efficienti. Una politica urbana può perseguire obiettivi differenti: proteggere le zone residenziali, ridurre i flussi nelle aree sensibili, dare priorità al trasporto pubblico oppure garantire il passaggio dei mezzi di soccorso.
Il problema non consiste nell’attribuire intenzioni agli algoritmi. Sta nel riconoscere che una raccomandazione ripetuta su larga scala diventa, di fatto, una forma di coordinamento del traffico. Anche se non è stata progettata come infrastruttura pubblica.
Quali modifiche potrebbero servire alle app
La ricerca porta a considerare un obiettivo più ampio: non soltanto il percorso più veloce per un singolo veicolo, ma una soluzione che tenga conto degli effetti sulla rete. Un navigatore orientato alla mobilità collettiva potrebbe distribuire partenze e itinerari, evitando di mandare una quota eccessiva di utenti verso la stessa arteria.
Tra le funzioni possibili rientrano:
- distribuzione dinamica dei flussi tra percorsi con capacità compatibile;
- valutazione congiunta di tempo, distanza, consumi ed emissioni;
- penalizzazione delle deviazioni che trasferiscono traffico sulle strade residenziali;
- aggiornamento delle indicazioni in base agli effetti collettivi, non soltanto alla velocità rilevata;
- coordinamento con semafori, trasporto pubblico e provvedimenti temporanei dei comuni.
Un sistema impostato in questo modo potrebbe rinunciare, in determinati casi, alla strada più rapida per il singolo e prevenire un sovraccarico generale. La scelta dovrebbe essere leggibile per l’utente. Chi guida avrebbe bisogno di sapere se l’itinerario è stato modificato per ragioni di congestione, sicurezza o qualità ambientale.
Il possibile ruolo delle amministrazioni locali
I comuni dispongono di informazioni su viabilità, cantieri, incidenti e aree a traffico limitato. Le piattaforme digitali hanno invece dati aggregati sugli itinerari richiesti e sulle velocità osservate. Un confronto organizzato tra queste informazioni potrebbe migliorare la gestione degli eventi eccezionali e limitare deviazioni incompatibili con la capacità reale delle strade.
Lo scambio non dovrebbe tradursi nella consegna indiscriminata di dati personali. Per analizzare i flussi, in linea generale, sono sufficienti informazioni aggregate e trattate con garanzie adeguate. Il valore pubblico nascerebbe dal collegamento tra i dati di mobilità, i limiti della rete, le zone sensibili e le priorità fissate dalla pianificazione urbana.
La collaborazione potrebbe concentrarsi su:
- segnalazione tempestiva di chiusure, cantieri ed eventi;
- condivisione di modelli aggregati del traffico;
- piani di deviazione concordati per non gravare su strade inadatte;
- valutazione successiva degli effetti su tempi, flussi ed emissioni;
- incentivi alla scelta di orari, mezzi o itinerari meno impattanti.
Emissioni, incentivi e trasparenza
Un’app può proporre un percorso che consumi meno oppure collegare lo spostamento in automobile al trasporto pubblico. L’efficacia ambientale di una scelta, però, dipende dalla catena completa: tipo di veicolo, stile di guida, condizioni del traffico e distanza effettiva. Definire un itinerario verde senza spiegare il criterio utilizzato rischierebbe di restituire un’immagine troppo semplice del risultato.
La trasparenza dovrebbe estendersi ai dati impiegati per il calcolo. L’utente potrebbe vedere se la raccomandazione privilegia la velocità, la distanza, le emissioni stimate oppure la distribuzione dei flussi. I comuni avrebbero bisogno, nello stesso tempo, di indicatori aggregati per capire se una modifica dell’algoritmo sta semplicemente spostando la congestione da una strada a un’altra.
Aggiungere un’opzione ambientale al menu non basta. Se la modalità a minori emissioni indirizza nello stesso momento troppi veicoli sulla medesima strada, riproduce il problema osservato negli altri servizi. Anche un algoritmo progettato per ridurre la CO? va quindi valutato per l’effetto complessivo che produce sulla rete.
Che cosa dimostra davvero il risultato
Lo studio non dimostra che ogni utilizzo di Google Maps o di un altro navigatore faccia aumentare l’inquinamento. Mostra che l’adozione generalizzata riduce la varietà dei percorsi e che, superata una soglia variabile, i vantaggi sulle emissioni possono svanire. In alcune simulazioni ad alta adozione riferite a Roma, le emissioni di CO? risultano superiori rispetto allo scenario senza navigazione.
La distinzione è necessaria perché CO? e qualità dell’aria non sono sinonimi. La CO? è un gas serra collegato ai consumi e alle emissioni dei veicoli; la qualità dell’aria comprende anche gli inquinanti locali e l’influenza delle condizioni atmosferiche. I materiali disponibili non forniscono una quantificazione unica dell’aumento di particolato o nanoparticelle causato dai navigatori. Non indicano neppure una percentuale nazionale di crescita dell’inquinamento.
La conclusione più precisa è questa: la navigazione digitale può produrre un effetto ambientale positivo quando l’adozione è bassa o moderata, ma può diventare controproducente se le raccomandazioni convergono e la rete è già sotto pressione.
Verso una navigazione urbana che consideri la rete
Il risultato suggerisce che le app di navigazione dovrebbero valutare non solo il tempo stimato per il singolo veicolo, ma anche la capacità residua delle strade e la distribuzione dei flussi. Una deviazione può essere utile per un automobilista e svantaggiosa quando viene proposta contemporaneamente a molti utenti.
Per ridurre questo rischio, i servizi potrebbero integrare dati aggregati sulla congestione, limiti temporanei alla concentrazione dei veicoli e criteri trasparenti su velocità, consumi ed emissioni. Le amministrazioni locali, dal canto loro, potrebbero condividere informazioni su cantieri, incidenti ed eventi senza trasferire dati personali.
La navigazione digitale resta quindi uno strumento utile, ma il suo impatto va verificato sulla rete nel suo insieme. Il parametro decisivo non è soltanto quanto rapidamente arriva una singola auto, bensì se l’insieme delle indicazioni mantiene i flussi distribuiti e non trasferisce la congestione nei quartieri più vulnerabili.
