Multilayer-netwerken karakteriseren menselijke bewegingspatronen per industriesector tijdens de winterstorm van 2021 in Texas

Waarom dit verhaal over de winterstorm ertoe doet

Wanneer een zware storm losbarst, veranderen onze verplaatsingen op manieren die het verschil kunnen maken tussen veiligheid en gevaar. Deze studie bekijkt hoe mensen in Harris County, Texas, zich daadwerkelijk verplaatsten tijdens de winterstorm van 2021 die grootschalige stroomuitval en schade veroorzaakte. Door anonieme mobiele-telefoongegevens te volgen, laten de onderzoekers zien welke ritten mensen lieten varen, welke ze behielden en hoe goed die patronen zijn te voorspellen. Hun methode kan steden helpen zich slimmer voor te bereiden op het volgende extreme weersverschijnsel, zodat cruciale locaties zoals supermarkten en tankstations toegankelijk blijven wanneer ze het meest nodig zijn.

Mensen volgen door een bevroren stad

Om gedrag tijdens de storm te begrijpen, zetten de auteurs miljarden GPS-pings van smartphones om in een kaart van wekelijkse ritten tussen buurten. Elke buurt wordt gedefinieerd door een census-tract, en ritten worden geteld wanneer mensen hun huis verlaten en een plek van belang bezoeken, zoals een school, restaurant, kliniek of winkel. In plaats van alle ritten hetzelfde te behandelen, scheidde het team ze in lagen op basis van het type bestemming, gebruikmakend van een standaard bedrijfsclassificatiesysteem. Eén laag legt bezoeken aan gezondheidszorglocaties vast, een andere aan scholen, weer een andere aan restaurants, enzovoort. Op elkaar gestapeld vormen deze lagen een soort "mobiliteitsvingerafdruk" voor de regio, die laat zien hoe verschillende onderdelen van het dagelijks leven bijdragen aan de totale beweging.

Welke ritten verdwenen en welke bleven

Door de stormweek te vergelijken met de zes weken ervoor, maten de onderzoekers hoe sterk elk type beweging veranderde. Over de hele linie daalde het reizen scherp in de dagen dat de wegen ijzig waren, de stroom uitviel en autoriteiten mensen opdroegen thuis te blijven. Maar de omvang van de daling verschilde per bestemming. Bezoeken aan poliklinische gezondheidszorg, zoals dokters- en tandartspraktijken en poliklinieken, daalden het sterkst, met meer dan dertig standaarddeviaties onder normale niveaus. Ritjes naar restaurants en bars kelderden ook, net als bezoeken aan scholen, vooral basisscholen. Daarentegen daalden bezoeken aan supermarkten en andere voedselwinkels nauwelijks, en ritten naar tankstations stegen zelfs. Een kleinere toename was zichtbaar voor bouwmarkten en leveranciers van bouwmaterialen, en voor verblijven zoals hotels, die onderdak kunnen bieden wanneer huizen warmte of water verliezen.

Naarstromen tussen buurten nader bekeken

Het team bestudeerde vervolgens hoeveel ritten in en uit elke buurt stroomden. Uitgaande ritten tellen hoe vaak bewoners van een tract elders naartoe reizen; inkomende ritten tellen hoeveel bezoekers uit andere tracts arriveren. Zelfs in normale weken zijn deze stromen zeer ongelijk: sommige tracts sturen en ontvangen veel bezoeken, terwijl andere er zeer weinig zien. De auteurs ontdekten dat uitgaande beweging sterk samenhangt met hoeveel mensen in een tract wonen, terwijl inkomende beweging beter wordt verklaard door hoeveel bedrijven of diensten het bevat. Met andere woorden: bevolking drijft vooral ritten naar buiten, en lokale infrastructuur trekt voornamelijk ritten naar binnen. Tijdens de storm daalden de algemene bewegingsniveaus en verschoof de verdeling naar beneden, maar de basisvormen van deze patronen bleven vergelijkbaar.

Hoe voorspelbaar zijn onze stormtijdbewegingen?

Om te testen hoe goed zulke stromen te voorspellen zijn, bouwden de onderzoekers eenvoudige statistische modellen die proberen inkomende en uitgaande ritten te voorspellen met behulp van buurtkenmerken. Deze kenmerken omvatten bevolkingsgrootte en dichtheid, inkomen, armoede- en werkloosheidsniveaus, raciale samenstelling en aantallen van verschillende soorten bedrijven. Modellen waren relatief goed in staat te voorspellen hoeveel ritten bewoners van elke tract naar buiten maakten, zowel in normale weken als tijdens de storm; de nauwkeurigheid veranderde tijdens de crisis met minder dan één procent. Het voorspellen van inkomende ritten was moeilijker. Zelfs in normale weken verklaarden modellen minder van de variatie, en tijdens de storm daalde hun prestatie verder. De storm leek te verstoren welke bestemmingen bezoekers aantrokken, waardoor instromen naar specifieke gebieden minder gebonden raakten aan gebruikelijke sociale en economische patronen.

Wat dit betekent voor toekomstige rampen

Gezamenlijk schetsen de bevindingen een helder beeld: tijdens een zware winterstorm snijden mensen veel optionele ritten drastisch terug, vooral voor uit eten gaan, school en niet-spoedeisende medische zorg, terwijl ze er hard aan werken de toegang tot voedsel, brandstof en bepaalde benodigdheden te behouden. Bewegingen van huis naar buiten volgen de bevolking en blijven tamelijk voorspelbaar, maar waar mensen naartoe kiezen te gaan wordt onder stress veel minder stabiel. Voor planners en hulpverleners betekent dit dat het operationeel en bereikbaar houden van essentiële winkels en tankstations prioriteit moet krijgen, en dat vertrouwen op normale patronen van waar mensen samenkomen tijdens een crisis misleidend kan zijn. De hier geïntroduceerde multilayer-netwerkaanpak biedt een praktische manier om te detecteren welke soorten beweging tijdens een noodsituatie het belangrijkst zijn en om responsen te ontwerpen die aansluiten bij hoe mensen zich daadwerkelijk gedragen wanneer de volgende storm arriveert.

Bronvermelding: 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

Trefwoorden: menselijke mobiliteit, winterstorm, rampenplanning, mobiele telefoongegevens, stedelijke veerkracht