Wat de vorming en evolutie van noodsamenwerkingsnetwerken bij extreme weersomstandigheden motiveert: een onderzoek gebaseerd op het exponentiële random grafmodel

Waarom samenwerken bij zware stormen ertoe doet

Wanneer een stad wordt getroffen door een recordhoeveelheid regen, kan geen enkele instantie de crisis alleen aan. Brandweerlieden, meteorologen, transportfunctionarissen, buurtvrijwilligers en vele anderen moeten onder extreme tijdsdruk coördineren. Dit artikel onderzoekt wat die samenwerking in de chaos van extreem weer echt drijft, met de dubbele wolkbreuken in Zhengzhou, China, in 2021 als natuurlijk experiment. Door de slecht gecoördineerde reactie in juli te vergelijken met een veel effectievere inzet bij een vergelijkbare bui in augustus, laten de auteurs zien hoe noodsamenwerkingsnetwerken ontstaan, waarom ze soms falen en hoe ze snel kunnen verbeteren.

Twee grote stormen, twee heel verschillende reacties

In juli 2021 overstroomde een eens-in-de-eeuw stortbui Zhengzhou, met zware schade en publieke kritiek op de lokale respons tot gevolg. Slechts een maand later trof een nieuwe zware neerslag veel van hetzelfde gebied, maar dit keer functioneerde het noodnetwerk van de stad soepeler: er waren minder organisaties bij betrokken, terwijl de coördinatie hechter en sneller verliep. Deze ongebruikelijke opeenvolging van rampen bood een zeldzame kans om te observeren hoe samenwerkingspatronen in korte tijd veranderen onder vrijwel identieke omstandigheden. De auteurs reconstrueren wie met wie samenwerkte in elk voorval op basis van honderden officiële nieuwsberichten en overheidsdocumenten, en zetten die verbindingen om in twee stedelijke samenwerkingskaarten: het ‘juli-netwerk’ en het ‘augustus-netwerk’.

Hoe de onderzoekers het verborgen web lezen

Om verder te gaan dan eenvoudige tellingen van wie met wie sprak, gebruikte het team een statistisch instrument dat een Exponentieel Random Grafmodel heet. In plaats van elke samenwerking als een geïsoleerd incident te behandelen, onderzoekt deze methode hoe het hele patroon van verbindingen ontstaat. Het kan bijvoorbeeld testen of organisaties de voorkeur geven aan overheidspartners, gelijkaardige typen instanties, voortbouwen op eerdere gezamenlijke oefeningen, of samenklonteren in hechte groepen. Het vangt ook zelforganiserende tendensen: sterachtige patronen rond machtige knooppunten, gesloten driehoeken waar “iemand van een vriend een partner wordt”, en open paden waar een schakelaar anders gescheiden groepen verbindt. Door veel gesimuleerde netwerken met de echte te vergelijken, konden de auteurs zien welke neigingen het best de waargenomen patronen in juli en augustus verklaren.

Wat bepaalt wie er in een crisis samenwerkt

De studie laat zien dat zowel externe omstandigheden als interne structuur van belang zijn, maar dat interne netwerkpatronen vaak domineren. In juli toonden organisaties duidelijke voorkeuren: ze werkten eerder samen met non-profitgroepen en met instanties die commandovoering of coördinatierollen hadden, evenals met partijen die mensen of geld beheerden. Agenten op hetzelfde bestuursniveau en met vergelijkbare taken sloten ook vaak verbindingen, waardoor bekende, comfortabele clusters ontstonden. Deze op attributen gebaseerde voorkeuren verklaarden echter niet volledig hoe het netwerk eruitzag of functioneerde. De sterkste kracht was transitiviteit: organisaties waren bijzonder geneigd samen te werken met partners die al een gemeenschappelijke partner hadden, waardoor veel hecht onderling verbonden driehoeken ontstonden. Dit ‘vriend-van-een-vriend’-effect bevorderde vertrouwen, snelle informatie-uitwisseling en betrouwbare stromen van middelen, terwijl lange ketenachtige bruggen een kleinere rol speelden dan vaak wordt aangenomen.

Leren van oefeningen en van praktijkervaring

Samenwerking vóór een ramp liet diepe sporen in de netwerken achter. Gezamenlijke nood-oefeningen die vóór de buien waren uitgevoerd, maakten het gemakkelijker voor organisaties om samen te werken toen de eerste stortbui toesloeg. Nog krachtiger was de verse praktische ervaring: het juli-responsetwerk zelf werd een sterke voorspeller van wie in augustus zou samenwerken. Toen de tweede storm arriveerde, hoefden instanties niet meer zozeer te vertrouwen op overeenkomende rollen, sectortypen of formele plannen. In plaats daarvan hergebruikten en stroomlijnden ze de partnerschappen die net in de praktijk waren getest, schrapten minder nuttige verbindingen en versterkten effectieve kleine groepen. Het augustus-netwerk was kleiner maar dichter, met kortere paden tussen actoren en meer clustering—bewijs van een slanker, efficiënter netwerk gebouwd op zeer recente lessen.

Wat dit betekent voor veiligere steden

Voor niet-specialisten is de kernboodschap dat het succes van een stormrespons minder afhangt van vaste organisatieschema’s en meer van levende netwerken van vertrouwen en bekendheid. Stabiele, sectoroverschrijdende microgroepen die samen trainen, informatie goed delen en elkaar al vertrouwen, kunnen snel worden geactiveerd wanneer de ramp toeslaat, waardoor “wie wie kent” net zo belangrijk wordt als “wie de leiding heeft.” Noodplannen en oefeningen blijven van belang, maar alleen als ze continu worden bijgewerkt en gekoppeld aan echte operaties, zodat leren uit crises niet verloren gaat. Door deze samenwerkingsnetten opzettelijk voor te ontwikkelen vóór de volgende extreme weersgebeurtenis, kunnen stadsbesturen sneller reageren, beter coördineren en meer levens beschermen wanneer de hemelsluizen opnieuw opengaan.

Bronvermelding: 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

Trefwoorden: noodsamenwerkingsnetwerken, reactie op extreem weer, rampencoördinatie, sociale netwerkanalyse, stedelijke veerkracht