Was die Bildung und Entwicklung von Notfall-Kollaborationsnetzwerken bei Extremwetterereignissen antreibt: eine Studie basierend auf dem Exponential Random Graph Model

Warum Zusammenarbeit bei Stürmen wichtig ist

Wenn eine Stadt von rekordverdächtigen Regenfällen getroffen wird, kann keine einzelne Behörde die Krise allein bewältigen. Feuerwehr, Meteorologen, Verkehrsbehörden, Nachbarschaftshelfer und viele andere müssen unter massivem Zeitdruck koordinieren. Dieses Papier untersucht, was diese Kooperationen im Chaos extremer Wetterereignisse tatsächlich antreibt und nutzt die doppelten Regenstürme von 2021 in Zhengzhou, China, als natürliches Experiment. Durch den Vergleich einer zunächst schlecht koordinierten Reaktion im Juli mit einem deutlich effektiveren Vorgehen bei einem ähnlichen Sturm im August zeigen die Autorinnen und Autoren, wie Notfall-Kollaborationsnetzwerke entstehen, warum sie manchmal versagen und wie sie sich rasch verbessern können.

Zwei große Stürme, zwei ganz unterschiedliche Reaktionen

Im Juli 2021 überflutete ein einmal-im-Jahrhundert-Regen Zhengzhou, verursachte schwere Schäden und löste öffentliche Kritik an der lokalen Reaktion aus. Nur einen Monat später traf ein weiterer starker Niederschlag viele der gleichen Gebiete, doch diesmal funktionierte das städtische Notfallnetz reibungsloser: Es waren weniger Organisationen beteiligt, dennoch war die Koordination enger und schneller. Dieses ungewöhnliche Hintereinander von Katastrophen bot eine seltene Gelegenheit, zu beobachten, wie sich Kooperationsmuster in kurzer Zeit unter nahezu identischen Bedingungen verändern. Die Autorinnen und Autoren rekonstruierten, wer mit wem in beiden Episoden zusammenarbeitete, aus Hunderten offizieller Nachrichtenberichte und Regierungsdokumente, und wandelten diese Verbindungen in zwei stadtweite Kooperationskarten um: das „Juli-Netzwerk“ und das „August-Netzwerk“.

Wie die Forschenden das verborgene Netz lesen

Um über einfache Zählungen hinauszugehen, wer mit wem sprach, verwendete das Team ein statistisches Werkzeug namens Exponential Random Graph Model. Anstatt jede Partnerschaft als isoliertes Ereignis zu behandeln, fragt diese Methode, wie das gesamte Muster der Verbindungen zustande kommt. Sie kann beispielsweise testen, ob Organisationen dazu neigen, Regierungsakteure zu bevorzugen, ähnliche Arten von Institutionen zu suchen, auf früheren gemeinsamen Übungen aufzubauen oder sich in eng verflochtene Gruppen zu clustern. Sie erfasst auch selbstorganisierende Tendenzen: sternartige Muster um mächtige Hubs, geschlossene Dreiecke, in denen „der Freund eines Freundes Partner wird“, und offene Pfade, in denen ein Vermittler ansonsten getrennte Gruppen verbindet. Durch den Vergleich vieler simulierten Netzwerke mit den realen konnten die Autorinnen und Autoren erkennen, welche Tendenzen die beobachteten Muster im Juli und August am besten erklärten.

Was bestimmt, wer sich in einer Krise zusammenschließt

Die Studie zeigt, dass sowohl äußere Bedingungen als auch interne Struktur eine Rolle spielen, wobei interne Netzwerkmuster oft dominieren. Im Juli zeigten Organisationen klare Präferenzen: Sie arbeiteten eher mit Non-Profit-Gruppen und mit Stellen zusammen, die Führungs- oder Koordinationsrollen innehatten, sowie mit Einrichtungen, die Menschen oder Geld kontrollierten. Behörden auf gleicher Regierungsebene und mit ähnlichen Aufgaben verbanden sich ebenfalls häufiger, wodurch vertraute Cluster entstanden. Dennoch konnten diese attributbasierten Präferenzen nicht vollständig erklären, wie das Netzwerk aussah oder funktionierte. Die stärkste Kraft war Transitivität: Organisationen kollaborierten besonders häufig mit Partnern, die bereits einen gemeinsamen Partner mit ihnen hatten, wodurch viele eng verknüpfte Dreiecke entstanden. Dieser „Freund-eines-Freundes“-Effekt förderte Vertrauen, schnellen Informationsaustausch und verlässliche Ressourcenzuflüsse, während lange kettenartige Brücken eine geringere Rolle spielten als oft angenommen.

Aus Übungen und aus praktischem Tun lernen

Vor-Katastrophen-Kooperationen hinterließen deutliche Spuren in den Netzwerken. Gemeinsame Notfallübungen vor den Stürmen erleichterten es Organisationen, zusammenzuarbeiten, als der erste Regen eintraf. Noch wirksamer war frische praktische Erfahrung: Das Juli-Reaktionsnetzwerk selbst wurde zu einem starken Prädiktor dafür, wer im August zusammenarbeiten würde. Als der zweite Sturm kam, mussten die Behörden nicht mehr so stark auf passende Rollen, Sektortypen oder formelle Pläne bauen. Stattdessen nutzten sie die gerade erprobten Partnerschaften erneut und strafften sie, strichen weniger nützliche Verbindungen und stärkten effektive Kleingruppen. Das August-Netzwerk war kleiner, aber dichter, mit kürzeren Wegen zwischen Akteuren und mehr Clustering — ein Hinweis auf ein schlankeres, effizienteres Netzwerk, das auf sehr aktuellen Erfahrungen aufbaut.

Was das für sichere Städte bedeutet

Für Nicht-Spezialisten ist die Kernbotschaft, dass der Erfolg einer Sturmreaktion weniger von festen Organisationsdiagrammen abhängt als von lebendigen Netzwerken aus Vertrauen und Vertrautheit. Stabile, sektorübergreifende Mikrogruppen, die zusammen trainieren, Informationen gut teilen und einander bereits vertrauen, können bei einer Katastrophe schnell aktiviert werden; damit wird „wer wen kennt“ ebenso wichtig wie „wer verantwortlich ist“. Notfallpläne und Übungen sind weiterhin wichtig, aber nur, wenn sie kontinuierlich aktualisiert und an reale Einsätze gekoppelt werden, damit Lernen aus Krisen nicht verloren geht. Durch gezielte Pflege dieser kollaborativen Netze vor dem nächsten Extremwetterereignis können Stadtverwaltungen schneller reagieren, besser koordinieren und mehr Leben schützen, wenn der Himmel sich wieder öffnet.

Zitation: Qie, Z., Bai, N. & Sun, Y. What motivates the formation and evolution of emergency collaboration networks for extreme weather events: a research based on exponential random graph model. Humanit Soc Sci Commun 13, 461 (2026). https://doi.org/10.1057/s41599-026-06800-4

Schlüsselwörter: Notfall-Kollaborationsnetzwerke, Reaktion auf extremes Wetter, Katastrophenkoordination, Soziale Netzwerkanalyse, Städtische Resilienz