Le reti multilivello caratterizzano i modelli di mobilità umana per settore industriale durante la tempesta invernale del 2021 in Texas

Perché questa storia sulla tempesta invernale è importante

Quando una tempesta importante colpisce, i nostri spostamenti cambiano in modi che possono fare la differenza tra sicurezza e pericolo. Questo studio analizza come le persone nella contea di Harris, in Texas, si sono effettivamente mosse durante la tempesta invernale del 2021 che ha provocato blackout e danni diffusi. Tracciando dati anonimi dei telefoni cellulari, i ricercatori mostrano quali spostamenti le persone hanno rinunciato, quali hanno mantenuto e quanto siano prevedibili questi schemi. L’approccio potrebbe aiutare le città a prepararsi meglio per il prossimo evento meteorologico estremo, assicurando che luoghi critici come supermercati e stazioni di servizio restino accessibili quando servono di più.

Seguire le persone attraverso una città ghiacciata

Per comprendere il comportamento durante la tempesta, gli autori hanno trasformato miliardi di segnali GPS da smartphone in una mappa dei viaggi settimanali tra quartieri. Ogni quartiere è definito da un census tract e i viaggi sono conteggiati ogni volta che le persone lasciano casa per visitare un luogo di interesse, come una scuola, un ristorante, una clinica o un negozio. Invece di trattare tutti i viaggi allo stesso modo, il team li ha separati in strati in base al tipo di destinazione, utilizzando un sistema di classificazione commerciale standard. Uno strato cattura le visite a strutture sanitarie, un altro le scuole, un altro i ristoranti, e così via. Sovrapposti, questi strati formano una sorta di “impronta di mobilità” per la regione, mostrando come diverse parti della vita quotidiana contribuiscano al movimento complessivo.

Quali viaggi sono scomparsi e quali sono rimasti

Confrontando la settimana della tempesta con le sei settimane precedenti, i ricercatori hanno misurato quanto è variato ogni tipo di spostamento. In generale, gli spostamenti sono calati bruscamente nei giorni in cui le strade erano ghiacciate, la corrente mancava e le autorità esortavano le persone a restare a casa. Ma l’entità della diminuzione variava a seconda della destinazione. Le visite ai servizi di cura ambulatoriale, come studi medici e dentistici e centri ambulatoriali, sono diminuite di più, oltre trenta deviazioni standard sotto i livelli normali. Anche i viaggi verso ristoranti e bar sono crollati, così come le visite a scuole, in particolare le elementari. Al contrario, le visite a supermercati e altri negozi di alimentari sono appena diminuite, mentre i viaggi verso le stazioni di servizio sono addirittura aumentati. Un lieve aumento si è visto per i negozi di bricolage e materiali da costruzione e per le strutture ricettive come gli hotel, che possono offrire rifugio quando le abitazioni perdono riscaldamento o acqua.

Uno sguardo più attento ai flussi tra i quartieri

Il team ha poi studiato quanti viaggi entravano e uscivano da ciascun quartiere. I viaggi in uscita conteggiano quante volte i residenti di un tract si spostano altrove; quelli in ingresso quante visite arrivano da altri tract. Anche nelle settimane normali questi flussi sono molto diseguali: alcuni tract inviano e ricevono molte visite, mentre altri ne vedono pochissime. Gli autori hanno rilevato che il movimento in uscita è fortemente legato al numero di persone che vivono in un tract, mentre il movimento in ingresso è meglio spiegato da quante attività o servizi contiene. In altre parole, la popolazione guida principalmente i viaggi verso l’esterno, e l’infrastruttura locale attrae i viaggi verso l’interno. Durante la tempesta, i livelli complessivi di movimento sono calati e le distribuzioni si sono spostate verso il basso, ma le forme di base di questi schemi sono rimaste simili.

Quanto sono prevedibili i nostri spostamenti durante la tempesta?

Per testare quanto bene tali flussi possano essere previsti, i ricercatori hanno costruito modelli statistici semplici che cercano di prevedere i viaggi in ingresso e in uscita usando le caratteristiche dei quartieri. Queste caratteristiche includevano dimensione e densità della popolazione, reddito, livelli di povertà e disoccupazione, composizione razziale e conteggi di diversi tipi di attività commerciali. I modelli hanno fatto relativamente bene a prevedere quanti viaggi i residenti effettuano verso l’esterno da ciascun tract, sia nelle settimane normali sia durante la tempesta; l’accuratezza è cambiata di meno dell’uno percento durante la crisi. Prevedere i viaggi in ingresso è stato più difficile. Anche nelle settimane normali i modelli spiegavano meno della variazione e durante la tempesta le loro prestazioni sono ulteriormente peggiorate. La tempesta sembra aver scompaginato quali destinazioni attiravano visitatori, rendendo gli afflussi verso aree specifiche meno legati ai consueti modelli sociali ed economici.

Cosa significa questo per i disastri futuri

Nel loro insieme, i risultati delineano un quadro chiaro: in una grave tempesta invernale, le persone tagliano drasticamente molti viaggi opzionali, soprattutto per ristorazione, scuola e cure mediche non urgenti, mentre si impegnano a mantenere l’accesso a cibo, carburante e determinati rifornimenti. I movimenti da casa verso l’esterno seguono la popolazione e restano abbastanza prevedibili, ma verso dove le persone scelgono di andare diventa molto meno stabile sotto stress. Per pianificatori e responsabili delle emergenze, questo significa che mantenere in funzione e raggiungibili negozi essenziali e stazioni di servizio dovrebbe essere una priorità assoluta, e che fare affidamento sui modelli usuali di aggregazione delle persone può essere fuorviante durante una crisi. L’approccio con reti multilivello introdotto qui offre un modo pratico per rilevare quali tipi di movimento contano di più in un’emergenza e per progettare risposte che corrispondano a come le persone si comportano realmente quando arriva la prossima tempesta.

Citazione: Butler, M., Khan, A., Afrifa, F.O.T. et al. Multilayer networks characterize human-mobility patterns by industry sector for the 2021 Texas winter storm. npj Complex 3, 15 (2026). https://doi.org/10.1038/s44260-026-00076-0

Parole chiave: mobilità umana, tempesta invernale, pianificazione dei disastri, dati dei telefoni cellulari, resilienza urbana