Cosa motiva la formazione e l’evoluzione delle reti di collaborazione d’emergenza per eventi meteorologici estremi: una ricerca basata sul modello esponenziale di grafi casuali

Perché collaborare durante le tempeste è importante

Quando una città è colpita da piogge record, nessuna singola agenzia può gestire la crisi da sola. Vigili del fuoco, meteorologi, responsabili dei trasporti, volontari di quartiere e molti altri devono coordinarsi sotto fortissima pressione temporale. Questo articolo esamina cosa guida davvero quella cooperazione nel caos degli eventi meteorologici estremi, usando le due tempeste di pioggia del 2021 a Zhengzhou, in Cina, come esperimento naturale. Confrontando una prima risposta, mal coordinata, a luglio con un intervento molto più efficace a una tempesta analoga in agosto, gli autori mostrano come si formano le reti di collaborazione d’emergenza, perché a volte falliscono e come possono migliorare rapidamente.

Due grandi tempeste, due risposte molto diverse

Nell’estate del 2021, una pioggia eccezionale ha allagato Zhengzhou, causando gravi danni e critiche pubbliche alla risposta locale. Solo un mese dopo, un altro forte temporale ha colpito gran parte della stessa area, ma questa volta la rete d’emergenza della città ha funzionato in modo più fluido: sono state coinvolte meno organizzazioni, eppure il coordinamento è stato più stretto e rapido. Questo insolito disastro consecutivo ha offerto un’opportunità rara per osservare come i modelli di collaborazione cambino in breve tempo in condizioni quasi identiche. Gli autori hanno ricostruito chi ha lavorato con chi in ciascun episodio da centinaia di rapporti ufficiali e documenti governativi, trasformando poi quei legami in due mappe cittadine di collaborazione: la “rete di luglio” e la “rete di agosto”.

Come i ricercatori hanno letto la rete nascosta

Per andare oltre i semplici conteggi di chi ha parlato con chi, il team ha utilizzato uno strumento statistico chiamato Modello Esponenziale di Grafi Casuali (Exponential Random Graph Model). Invece di trattare ogni partnership come un evento isolato, questo metodo indaga come emerge l’intero schema di legami. Può testare, per esempio, se le organizzazioni tendono a favorire partner governativi, preferiscono agenzie di tipo simile, si basano su esercitazioni congiunte precedenti o si raggruppano in cluster molto coesi. Cattura anche tendenze di auto-organizzazione: modelli a stella attorno a hub potenti, triangoli chiusi dove “l’amico di un amico diventa un partner” e percorsi aperti dove un mediatore collega gruppi altrimenti separati. Confrontando molte reti simulate con quelle reali, gli autori hanno potuto vedere quali tendenze spiegavano meglio i modelli osservati a luglio e ad agosto.

Cosa determina chi fa squadra in una crisi

Lo studio rileva che sia le condizioni esterne sia la struttura interna contano, ma spesso prevalgono i modelli interni della rete. A luglio, le organizzazioni hanno mostrato preferenze chiare: era più probabile che lavorassero con gruppi non profit e con enti che avevano ruoli di comando o coordinamento, oltre che con quelli che controllavano persone o risorse finanziarie. Le agenzie allo stesso livello di governo e con compiti simili tendevano inoltre a collegarsi, formando cluster familiari e confortevoli. Tuttavia queste preferenze basate sulle caratteristiche non spiegavano completamente l’aspetto o le prestazioni della rete. La forza più marcata è stata la transitività: le organizzazioni avevano una probabilità particolarmente alta di collaborare con partner che già condividevano un collaboratore con loro, creando molti triangoli strettamente interconnessi. Questo effetto “amico-di-un-amico” favoriva fiducia, scambio rapido di informazioni e flussi di risorse affidabili, mentre i ponti composti da catene lunghe hanno avuto un ruolo minore rispetto a quanto spesso si presume.

Apprendere dalle esercitazioni e dall’esperienza reale

Le collaborazioni pre-disastro hanno lasciato impronte profonde nelle reti. Le esercitazioni congiunte condotte prima delle tempeste hanno facilitato il lavoro congiunto quando è arrivata la prima pioggia. Ancora più potente è stata l’esperienza pratica recente: la rete di risposta di luglio è diventata un forte predittore di chi avrebbe collaborato in agosto. Quando è arrivata la seconda tempesta, le agenzie non hanno più dovuto fare così tanto affidamento su ruoli corrispondenti, tipi di settore o piani formali. Hanno invece riutilizzato e razionalizzato le partnership appena testate nella realtà, eliminando legami meno utili e rafforzando gruppi piccoli ed efficaci. La rete di agosto era più piccola ma più densa, con percorsi più brevi tra gli attori e maggiore clustering—evidenza di una rete più snella ed efficiente costruita sulle lezioni molto recenti.

Cosa significa tutto questo per città più sicure

Per i non specialisti, il messaggio principale è che il successo di una risposta a una tempesta dipende meno da organigrammi fissi e più da reti vive di fiducia e familiarità. Micro-gruppi stabili e intersettoriali che si allenano insieme, condividono informazioni efficacemente e si fidano già l’uno dell’altro possono essere attivati rapidamente quando arriva il disastro, rendendo il “chi conosce chi” importante quanto “chi è responsabile”. Piani d’emergenza ed esercitazioni continuano a essere rilevanti, ma solo se vengono aggiornati continuamente e collegati alle operazioni reali affinché l’apprendimento dalle crisi non vada perso. Coltivando deliberatamente queste trame collaborative prima del prossimo evento meteorologico estremo, i governi cittadini possono rispondere più rapidamente, coordinarsi meglio e proteggere più vite quando il cielo si riapre.

Citazione: 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

Parole chiave: reti di collaborazione d’emergenza, risposta a eventi meteorologici estremi, coordinamento in caso di disastri, analisi delle reti sociali, resilienza urbana