Qi “Ryan” Wang, Assistente Professore di Ingegneria Civile e Ambientale. Credito:Matthew Modoono/Northeastern University
Una nuova ricerca di un professore di ingegneria del nord-est ha utilizzato le recenti tempeste e la pandemia di COVID-19 per prevedere il movimento umano durante i disastri in previsione di una risposta più efficace alle emergenze.
Il gruppo di ricerca, guidato da Qi Ryan Wang, professore associato di ingegneria civile e ambientale al Northeastern, e Jianxi Gao, assistente professore di informatica al Rensselaer Polytechnic Institute, ha anche riscontrato una disparità di movimento tra i diversi gruppi economici che hanno esposto quelli di pochi mezzi a maggior rischio.
Wang e il suo team hanno utilizzato dati anonimi di 90 milioni di americani durante sei eventi importanti per creare un modello matematico per prevedere la mobilità umana durante i disastri. I risultati sono stati pubblicati all'inizio di agosto negli Proceedings of the National Academy of Sciences (PNAS ) giornale.
Modelli di movimento prevedibili sono emersi dall'uragano Dorian, dalla tempesta tropicale Imelda, dal Saddleridge Wildfire, dal Kincade Wildfire, tutti nel 2019, dal gelo invernale del Texas del 2021 e dalla pandemia di COVID-19, afferma Wang.
"L'idea è iniziata con la pandemia", dice Wang.
"Abbiamo iniziato a guardare al comportamento delle persone, ma in particolare al loro comportamento di mobilità", afferma. "Per quanto tempo trascorrono del tempo fuori casa, in particolare quando il distanziamento sociale era così importante."
Wang e altri membri del team hanno utilizzato informazioni anonime fornite da una società esterna per analizzare i ping dai dispositivi elettronici di 90 milioni di persone negli Stati Uniti
C'erano alcuni comportamenti universali, come la tendenza delle persone a lasciare le proprie case più frequentemente con il passare del tempo, un fenomeno noto in termini scientifici come decadimento temporale.
Quando i ricercatori hanno aggiunto variabili come le informazioni fornite dai censimenti sul reddito e sulla diversità etnica, hanno riscontrato grandi differenze tra la mobilità umana nei quartieri meno ricchi e quelli più ricchi.
Hanno scoperto che le persone nei quartieri più poveri uscivano di casa prima e più frequentemente rispetto alle persone che vivevano nelle aree più ricche.
Il comportamento non si basa sulla mancanza di impegno per pratiche sicure, dice Wang.
"Le persone dei quartieri poveri hanno impiegato molto più tempo per praticare l'allontanamento sociale" durante la pandemia di COVID-19, afferma Wang. "Sono lavoratori essenziali. Hanno ancora bisogno di andare a lavorare per sostenere le loro famiglie."
Il team di ricerca ha osservato modelli simili durante catastrofi meteorologiche, afferma Wang.
"Il modello può descriverli tutti", dice.
Wang afferma che la ricerca può aiutare i servizi di emergenza e altre agenzie a indirizzare le risposte durante i disastri e anche a identificare le persone a maggior rischio di esposizione al pericolo di eventi su larga scala.
"Alcuni probabilmente vogliono allontanarsi socialmente di più, ma semplicemente non possono", dice.
"Sulla base dei risultati, possiamo speculare sul motivo", dice Wang.
Le persone con redditi più bassi non solo devono essere fisicamente presenti al loro lavoro; è anche meno probabile che riescano a fare scorta di cibo, acqua e ghiaccio e abbiano a disposizione generatori di emergenza.
Wang afferma che i modelli di mobilità possono anche aiutare a tenere conto dei diversi tassi di COVID-19 in diverse comunità.
"Abbiamo salutato questi lavoratori essenziali come eroi, ma in realtà stiamo sacrificando la loro salute in modo che possano fornire questi servizi", afferma Wang.
I governi e i soccorritori possono utilizzare le informazioni fornite dal modello di mobilità umana per capire meglio come allocare le proprie risorse durante una crisi pubblica, affermano Wang e gli altri autori nel PNAS articolo.
"Il nostro modello rappresenta un potente strumento per comprendere e prevedere i modelli di mobilità dopo l'emergenza, e quindi per aiutare a produrre risposte più efficaci". + Esplora ulteriormente