La presente ricerca è stata condotta per identificare le proprietà ambientali del veicolo pubblico che detengono il maggiore peso psicologico nel ridurre la percezione di affollamento, e quantificarne l'impatto sul benessere psicologico e sulla salute. L’affollamento rientra tra le esperienze negative più comuni associate all’utilizzo del trasporto pubblico. Ad oggi, accademici e policy makers concordano sull’importanza di ridurre l’esperienza di affollamento e le sue conseguenze, per migliorare l’esperienza di viaggio, e rendere il mezzo pubblico una soluzione di trasporto più sostenibile. La letteratura scientifica documenta il ruolo pervasivo giocato da alcune proprietà dell’ambiente fisico nel migliorare il funzionamento umano, ridurre la percezione di affollamento, e le sue conseguenze sulla salute e sul benessere psicologico: avere un livello di demarcazione dello spazio personale adeguato alle proprie esigenze, godere dell’accesso al contesto esterno, ed avere accesso ad uno scenario esterno con potenzialità rigenerative hanno dimostrato il peso più significativo. Nonostante ciò, è stato rivolto scarso interesse scientifico all’indagine delle strategie ambientali per ridurre l’affollamento nel contesto del trasporto pubblico. Sulla base di queste premesse, sono stati condotti tre studi sperimentali rivolti a: a) confermare il peso psicologico delle tre proprietà fisiche del veicolo pubblico considerate sulla percezione di affollamento e sul benessere psicologico; b) identificare i processi psicologici che spiegano l’impatto di ciascuna proprietà ambientale sulla percezione di affollamento; c) quantificare l’impatto delle condizioni ambientali più positive sul funzionamento umano durante brevi episodi di affollamento; d) verificare la validità di metodologie e tecnologie di simulazione per lo studio di condizioni sociali particolari, come l’affollamento. I risultati forniscono indicazioni interessanti per migliorare la progettazione di veicoli di trasporto pubblico, e per approfondire la conoscenza scientifica riguardante la congruenza uomo-ambiente in ambienti con specifiche funzioni: a) è confermato l’impatto protettivo delle tre proprietà fisiche considerate: avere a disposizione caratteristiche fisiche congruenti con il bisogno di coping per l’affollamento ha effetti concorrenti e conseguenti ad esperienze acute di densità sociale, anche brevi; b) emerge un effetto interattivo tra ambiente interno ed ambiente esterno al veicolo, che suggerisce di considerare le qualità fisiche dell’ambiente esterno per la progettazione di nuovi veicoli; c) nonostante alcune limitazioni emerse, le metodologie di simulazione impiegate in questa ricerca si sono rivelate un valido approccio per indagare l’impatto dell’ambiente fisico sul funzionamento psicologico in situazioni sociali particolari. / The present research was designed to identify the physical components of the public transport vehicle that help the most to reduce the perception of crowding, as well as to quantify their beneficial impact on human functioning. Crowding is among the primary determinants of adverse experiences on public transportation, thus, reducing its undesirable effects is a priority in both academic and practitioners’ agenda. The ubiquitous direct and indirect impact of the physical environment on human functioning, regarding affecting social perceptions, well-being and health are well documented. Among others, having a well-arranged demarcation of one’s personal space, and having access to the outdoor surrounding, especially when it has high regenerative potential, seem to have a primary importance. Nonetheless, no similar study has been conducted in the public transportation setting, so far. Accordingly, three experimental studies were carried out in order to: a) confirm the role of the three physical components herein examined in reducing the perception of crowding on public transportation; b) identify the psychological processes that explain the impact of each physical element on the perception of crowding; c) quantify the effect of the best environmental conditions on both health and well-being during short-term experience of crowding; d) verify the reliability of the methodological approach applied in these studies (i.e., well-controlled settings, simulator technologies) to investigate special social conditions, such as a social density situation. The results provided interesting suggestions to both advice practitioners in designing better public transportation services, and to deepen the scientific understanding of the person-environment fit in settings with specific functions: a) the beneficial impact of the three physical components examined on public transportation crowding was confirmed. Well-designed setting layout significantly buffers the aversive consequences of commuting crowding, even after short-term crowding experiences; b) A compensatory impact between the indoor and the outdoor physical attribute of the vehicle emerged, which leads to rethinking the spatial organization of public-transportation vehicle; c) despite the challenges associated with simulator technologies, the methodological approach applied in this research revealed to be a reliable contribution to the scientific investigation of the person-environment interaction during social interactions.

Dedicating less transport resources by grouping goods to be shipped together, or pooling as we name it, has a very crucial role in saving costs in transport networks. Nonetheless, it is not so easy to estimate pooling among different groups of shipments or understand why these groups are poolable. The typical solution would be to consider all shipments of both groups as one and use some Vehicle Routing Problem (VRP) software to estimate costs of the new combined group. However, this brings with it some drawbacks, such as high computational costs and no pooling explainability. On this work we build a tool that estimates the different types of pooling using demand data. This solution includes mapping shipment data to a lower dimension, where each poolability trait corresponds to a latent dimension. We tested different dimensionality reduction techniques and found that the best performing are the autoencoder models based on neural networks. Nevertheless, comparing shipments on the latent space turns out to be more challenging than expected, because distances in these latent dimensions are sometimes uncorrelated to the distances in the real shipment features. Although this limits the use cases of this approach, we still manage to build the full poolability tool that incorporates the autoencoders and uses metrics we designed to measure each poolability trait. This tool is then compared to a VRP software and proves to have close accuracy, while being much faster and explainable. / Att optimera transportresurser genom att gruppera varor som ska skickas tillsammans, även kallat poolning, spelar en avgörande roll för att spara kostnader i transportnätverk. Trots detta är det inte så enkelt att uppskatta poolning mellan olika grupper av försändelser eller förstå varför dessa grupper kan poolas. Den vanliga lösningen skulle vara att betrakta alla försändelser från båda grupperna som en enda enhet och använda mjukvara för att lösa problemet med fordonsschemaläggning (Vehicle Routing Problem, VRP) för att uppskatta kostnaderna för den nya sammanslagna gruppen. Detta medför dock vissa nackdelar, såsom höga beräkningskostnader och bristande förklarbarhet när det kommer till poolning. I detta arbete bygger vi ett verktyg som med hjälp av efterfrågedata uppskattar olika typer av poolning. Lösningen innefattar kartläggning av försändelsedata till en lägre dimension där varje egenskap för poolbarhet motsvarar en dold dimension. Vi testade olika tekniker för att minska dimensionerna och fann att de bäst presterande är autoencoder-modeller baserade på neurala nätverk. Trots detta visade det sig vara mer utmanande än förväntat att jämföra försändelser i det dolda rummet eftersom avstånden i dessa dolda dimensioner ibland inte korrelerar med avstånden i de faktiska försändelseegenskaperna. Trots att detta begränsar användningsområdena för denna metod lyckades vi ändå bygga ett komplett verktyg för poolbarhet som inkluderar autoencoders och använder metriker som vi har utformat för att mäta varje egenskap för poolbarhet. Detta verktyg jämförs sedan med en VRP-mjukvara och visar sig ha liknande noggrannhet samtidigt som det är betydligt snabbare och mer förklarligt. / Dedicare meno risorse di trasporto raggruppando insieme le merci da spedire, o creando un pool come lo chiamiamo noi, svolge un ruolo cruciale nel risparmio dei costi nelle reti di trasporto. Tuttavia, non è facile stimare il grado di aggregazione tra diversi gruppi di spedizioni o comprendere perché tali gruppi siano aggregabili. La soluzione tipica consisterebbe nel considerare tutte le spedizioni di entrambi i gruppi come una sola entità e utilizzare un software di Problema di Routing dei Veicoli (VRP) per stimare i costi del nuovo gruppo combinato. Tuttavia, ciò comporta alcuni svantaggi, come elevati costi computazionali e la mancanza di spiegazioni riguardo all'aggregazione. In questo lavoro abbiamo sviluppato uno strumento che stima i diversi tipi di aggregabilità utilizzando i dati di domanda. Questa soluzione prevede la mappatura dei dati delle spedizioni in una dimensione inferiore, in cui ciascuna caratteristica di aggregabilità corrisponde a una dimensione. Abbiamo testato diverse tecniche di riduzione dimensionale e abbiamo constatato che i modelli autoencoder basati su reti neurali sono i più efficaci. Tuttavia, confrontare le spedizioni nello spazio latente si è rivelato più complesso del previsto, poiché le distanze in queste dimensioni latenti talvolta non sono correlate alle distanze nelle caratteristiche reali delle spedizioni. Sebbene ciò limiti le applicazioni di questo approccio, siamo comunque riusciti a sviluppare uno strumento completo per l'aggregabilità che incorpora gli autoencoder e utilizza metriche da noi progettate per misurare ciascuna caratteristica di aggregabilità. Successivamente, abbiamo confrontato questo strumento con un software VRP e dimostrato che presenta un'accuratezza simile, pur essendo più veloce e fornendo spiegazioni chiare.