Analyse van menselijke bewegingen tijdens een natuurramp met trajectvrije mobiele netwerkdata: een casestudy van een aardbeving

Waarom het volgen van mensen tijdens rampen ertoe doet

Wanneer een aardbeving of tyfoon toeslaat, bewegen mensen zich: ze evacueren hun huizen, haasten zich om familie te controleren of gaan naar schuilplaatsen. Voor hulpverleners kan weten waar menigtes zich vormen of welke gebieden juist leegstromen levens redden. Maar de meeste systemen die beweging volgen, vertrouwen op persoonlijke locatiegeschiedenissen, wat privacyzorgen oproept en vaak te laat komt. Deze studie laat zien hoe je de "pols" van menselijke beweging tijdens een zware aardbeving kunt aflezen met alleen anonieme, geaggregeerde signalen van mobiele telefoons—zonder individuele tracking.

Menigtes waarnemen via telefoonsignalen

De onderzoekers richtten zich op de Dapu-aardbeving van 2025 in het zuiden van Taiwan, een zware nachtelijke beving die in meerdere districten sterke schokken en bouwschade veroorzaakte. In plaats van GPS-sporen van individuele telefoons te gebruiken, baseerden zij zich op het aantal apparaten dat actief was verbonden met zendmasten binnen vierkanten van 500 bij 500 meter elke 10 minuten. Elk vierkant registreerde simpelweg een telling van actieve telefoons en fungeerde als een ruwe proxy voor hoeveel mensen op dat moment aanwezig waren. De data besloegen vier uur rondom het evenement, van de late avond vóór de beving tot enkele uren erna, over steden, dorpen en landelijke gebieden.

Van verspreide punten naar vloeiende patronen

Ruwe tellingen in een lappendeken van gridvakken zijn luidruchtig en ongelijkmatig, vooral waar zendmasten schaars zijn. Om daar inzicht in te krijgen, zetten het team eerst de verspreide tellingen om in een glad oppervlak, waarbij elke plek op de kaart een waarde krijgt die de waarschijnlijke dichtheid van menigtes vertegenwoordigt. Dit gebeurt met een wiskundige "smoothing"-kernel die de invloed van elk grid over de buurt verspreidt, enigszins alsof je een gepixelde afbeelding vervaagt. Het resultaat is een continu beeld van waar mensen geconcentreerd zijn en hoe die concentraties elke 10 minuten veranderen, terwijl de onderliggende telefoongegevens anoniem en geaggregeerd blijven.

Van menigtekaarten naar bewegingpijlen

Weten waar mensen zijn, is slechts de helft van het verhaal; noodplanning hangt af van waar ze naartoe gaan. Om richting te schatten pasten de onderzoekers een klassiek instrument uit de geografie aan, bekend als een gravitatiemodel—normaal gebruikt om te beschrijven hoe mensen of goederen tussen steden bewegen. In hun versie werken gebieden met meer mensen als sterkere "magneten" voor nabijgelegen gebieden, en neemt de aantrekkingskracht af met afstand. Door de gladgemaakte menigte-oppervlakken van het ene tijdstapje naar het volgende te vergelijken en deze gravitatieachtige regel binnen een lokaal venster toe te passen, berekenden ze een veld van pijlen dat toont waar mensen waarschijnlijk naartoe bewogen en met welke sterkte. Herhaling hiervan door de tijd heen produceerde een bewegende weergave van onzichtbare stromen: pijlen die uitwaaieren, aantrekken of van richting veranderen naarmate de situatie zich ontwikkelde.

Hoe mensen reageerden op de Dapu-aardbeving

Toegepast op de Dapu-beving onthulde de methode duidelijke en snelle veranderingen in menselijke bewegingen. Voor de schok lieten stromen rond stedelijke centra een zachte naar-buiten gerichte spreiding zien, typisch voor late-avondactiviteiten. Direct na de beving draaiden veel pijlen om en wezen naar binnen, richting stadskernen, dichtbevolkte wijken en officieel aangewezen opvanglocaties. Deze verschuiving was het sterkst in stedelijke gebieden met matige tot zware schokken, waar veel gebouwen beschadigd waren, en zwakker in dunbevolkte landelijke zones. Door te tellen hoeveel gridcellen grote richtingveranderingen lieten zien, vond het team een scherpe piek in verstoorde bewegingen in de eerste 20–30 minuten, die zich binnen ongeveer twee uur geleidelijk naar normaal stabiliseerde. Verschillende schokzones lieten verschillende timing en intensiteit van reactie zien, met meer beweging in matig geschudde, dichtbevolkte gebieden.

Wat dit betekent voor toekomstige noodsituaties

Voor niet-specialisten is de kernboodschap dat we veel kunnen leren over hoe mensen op rampen reageren zonder ook maar één persoon te volgen. Door anonieme mobiele netwerk­tellingen te combineren met slimme wiskundige hulpmiddelen verandert dit raamwerk eenvoudige telefoonactiviteitsrecords in kaarten van waar mensen samenkomen, waar ze vertrekken en hoe snel patronen stabiliseren. In een daadwerkelijke noodsituatie kunnen zulke kaarten wijken signaleren waar onverwacht menigtes ontstaan, waar evacuaties plaatsvinden of waar communicatienetwerken mogelijk zijn uitgevallen. Die informatie kan autoriteiten helpen om reddingsteams te sturen, wegen te openen of te sluiten en opvangcapaciteit te plannen, terwijl tegelijk de privacy gerespecteerd wordt en gebruik wordt gemaakt van data die mobiele netwerken al verzamelen.

Bronvermelding: Huang, MW., Lin, CY., Ke, MC. et al. Analysis of human flow during a natural disaster utilizing trajectory-free mobile network data: a case study of earthquake. Sci Rep 16, 5275 (2026). https://doi.org/10.1038/s41598-026-36255-1

Trefwoorden: aardbeving, menselijke mobiliteit, mobiele netwerkdata, rampenbestrijding, bevolkingsstromen