Los desastres naturales son un evento muy disruptivo para la homeostasis de una ciudad y hacen que cambien sus patrones de comportamiento colectivo. Aunque en todos los casos traen consecuencias lamentables, también son motores para que surjan la cooperación y la coordinación no centralizada, lo que impacta directamente en su resiliencia. En los últimos años se han usado datos de redes sociales para evaluar los daños causados por desastres naturales, y también como una parte central de la coordinación social. Aquí presentamos un estudio del último gran sismo en la Ciudad de México (19 de septiembre de 2017) usando datos de varias fuentes para entender sus efectos inmediatos y la memoria colectiva. Encontramos que la resiliencia física (patrones de movilidad) es mayor que la emocional (redes sociales), ya que los patrones de movilidad regresaron a su promedio en dos semanas, mientras que el sismo siguió en la memoria colectiva por casi un año.
El conjunto de datos oficial de daños que recopiló el Gobierno Federal a través de su Agencia de Datos Abiertos tiene registros de edificios dañados y colapsados, así como de la respuesta civil a través de la asignación de albergues, con información de 74 de ellos en toda la Ciudad de México. Con esa información construimos un mapa de la Ciudad de México dividido en polígonos de Voronoi, que representan el área donde un albergue en particular es el más cercano, y medimos cómo escala la densidad de albergues (dada por el inverso del área de cada celda) con las densidades de población y de edificios dañados, para evaluar qué tan óptima fue la distribución autoorganizada de los albergues. Encontramos que la densidad de albergues escala de forma proporcional con la densidad de población como una ley de potencias, con un R cuadrada ajustada de 0.57 y un valor p de 1.54e-14. Este escalamiento sugiere que la asignación de albergues se hizo de forma adecuada, según este gran artículo de Jaegon Um, et al., ya que tuvo un escalamiento parecido al de los establecimientos comerciales, que suelen estar en una posición óptima.
Para llegar a esos resultados tenemos que mapear la distribución de los albergues y encontrar la zona geográfica donde cada uno es el más cercano. Después buscamos la población de las AGEB (Área Geoestadística Básica) que cae dentro de la celda de Voronoi centrada en cada albergue y suponemos una distribución heterogénea a lo largo de la AGEB para contar el porcentaje de personas que vivirían en la intersección de ambas áreas. Con eso, ya solo es cuestión de ver la razón entre la población resultante y el área de cada celda de Voronoi.
Arriba tenemos el diagrama resultante, donde también aparecen los edificios dañados (amarillo) y colapsados (rojo). De nuevo, cada celda representa el área donde cierto albergue es el más cercano. Luego podemos ver el escalamiento de las densidades (albergues contra población)
Para medir la homeostasis de la ciudad, me puse a revisar la movilidad a partir de los patrones de uso de un servicio de bicicletas compartidas (Ecobici), cuya distribución está muy sesgada hacia ciertas colonias de clase media alta, pero como podemos ver en la siguiente imagen, también es donde hubo una gran cantidad de daños
Los puntos verdes representan cada estación de Ecobici, donde se toman y se regresan las bicis, y en este caso las celdas de Voronoi son el área donde cierto edificio dañado es el más cercano. Lo primero que hay que hacer es revisar la adopción del servicio desde que se estableció. Podemos ver el uso mensual, donde se nota que ha crecido rápido, excepto por un periodo corto cerca de 2012 (época de elecciones).
Pero esa imagen no da suficiente información para entender cómo cambiaron los patrones de movilidad, necesitamos más... quizá ver días específicos de la semana
Esta imagen ya empieza a mostrar algo de información, como el hecho de que el servicio se usa casi 3 veces más entre semana que en fin de semana, y uno podría pensar que es porque la gente lo usa para llegar a la escuela y al trabajo más que para pasar el rato. Entonces nos podemos preguntar cómo se vería el uso en una semana normal, y la semana normal más cercana al sismo sería la anterior (queremos que sea lo más cercana posible porque queremos ver cómo cambiaron los patrones por el sismo y no por razones externas, como estaciones nuevas o cerradas, más bicis, etc.).
Esta gráfica ya se empieza a poner interesante, porque claramente hay tres picos cada día donde hay más uso. Una suposición al aire podría ser que corresponden a las horas en que la gente va al trabajo, luego a comer y cuando regresa a casa. Hay un problema con usar esta semana, y es que justo en ese momento fue la celebración más grande de México, el Día de la Independencia (15 y 16 de septiembre), lo que significa que la gente se pudo saltar la oficina o la escuela ese día o salió temprano, y por eso el uso del viernes es tan distinto al de los otros días, con solo dos picos. Ok, pero entonces... ¿cómo se ve un día?
Esta es la representación de todos los viajes por hora hechos durante el mes y medio anterior, es decir, todo agosto y hasta el 18 de septiembre, pero solo entre semana. Aquí se ve que hay un periodo entre la medianoche y las 5 a.m. en el que no hay servicio, y después se empieza a usar, con muchos viajes entre las 7 y las 9 a.m., luego otra vez a la hora de la comida (mexicana), alrededor de las 14 o 15 horas, cuando también salen de las escuelas, y con un nuevo pico grande que empieza a las 18 horas. No es súper claro, pero el último pico es el más grande de los tres (se nota más si comparamos las barras de los lados), y eso puede ser porque hay más usuarios que regresan a casa en bici o porque las horas de salida son más compartidas que las de llegada.
Lo que pasó en la semana del sismo fue una gran cantidad de caídas en el uso: algunas personas no tuvieron que ir a trabajar, las escuelas estaban cerradas y también varias calles en esas zonas.
Ahora vemos que hubo algo de uso entre la medianoche y las 5 a.m., porque Ecobici extendió su horario de operación a 24 horas completas durante dos semanas para facilitar la ayuda donde se necesitara. Claramente el uso no fue muy normal, y esto se vuelve más evidente si vemos el uso por hora de esa semana.
Como podemos ver, el lunes fue normal, pero algo pasó el martes alrededor de las 13:14 hrs que colapsó el sistema. El miércoles tiene una forma más parecida a la de los fines de semana, mientras que el jueves y el viernes se ve que empezaban a regresar los patrones normales, pero con muchos menos viajes. ¡Pero tiene que haber una mejor forma de entender y medir el cambio en los patrones! Así que lo que hice fue construir una red (¡qué sorpresa!) con todas las estaciones como nodos y el número de viajes entre ellas como aristas con peso. Luego, usando como línea base una ventana de 6 semanas antes del sismo, calculamos (y normalizamos) un coeficiente de correlación de rangos de Kendall para las aristas ordenadas por su peso, entre la línea base y los patrones de viaje de cada día después del sismo, y esa va a ser nuestra medida de homeostasis. Como los lunes no son iguales a los viernes, la línea base y la comparación se hacen para cada día de la semana por separado.
La medida de homeostasis que resulta es
Vale la pena notar que el día del sismo y los días siguientes tienen una caída más grande en su homeostasis que días festivos importantes como el Día de Muertos y el Día de la Revolución, y que de alguna forma llega a un estado estable solo dos semanas después del evento.
También me interesan la moral y la resiliencia social después del evento, y por eso me aventuré al mundo de Twitter para evaluar la memoria colectiva. Junté un conjunto de hashtags semilla (#FuerzaMexico, #PrayForMexico, #AquiSeNecesita, #AquiNecesitamos, #AquiYaNoNecesitamos, #Verificado19S, #SismoCDMX y #TenemosSismo) y luego revisé el número de menciones. Encontré que el evento se mantuvo en la memoria colectiva con un decaimiento constante hasta las elecciones presidenciales y el Mundial, cuando se perdió de vista.
Esta última gráfica dice mucho, porque muestra un decaimiento sublineal de las menciones y de la gente nueva que tuiteaba sobre el sismo hasta el Mundial de 2018, cuando la atención se enfocó en algo totalmente distinto. El primer pico, alrededor de febrero de 2018, fue por un sismo pequeño a altas horas de la noche que asustó a todo mundo. Después se recuperaron un poquito las menciones alrededor de las elecciones presidenciales, y se escribieron muchísimos tuits en el primer aniversario.
En escala log-log, el efecto es más dramático
La memoria colectiva fue disminuyendo de forma lineal durante los primeros 100 días, luego se mantuvo estable por 150 días hasta el Mundial, donde el decaimiento fue superlineal. Pero la memoria colectiva y la personal están muy relacionadas, así que quise ver el número de días distintos en que cada usuario tuiteó sobre el sismo, y el lapso de tiempo entre su primer y su último tuit.
En escala log-log vemos un decaimiento lineal del conteo contra el rango, al estilo de una distribución de Zipf, excepto en los primeros lugares, donde también vemos un comportamiento muy raro en el lapso de días que tuitearon sobre el tema, ya que tuiteaban algo relacionado todos los días. Después de revisarlos a mano, vi que eran bots y cuentas nuevas. En la parte más interesante de los usuarios, vemos una distribución bimodal en el rango de días, que nos dice que la gente que tuiteó menos también lo hizo de forma más esporádica. Luego hay un régimen donde la gente tuiteó un montón de días sobre el tema, pero solo durante los primeros días, y después otro grupo grande de personas que escribió mucho durante varios días.
Todo esto nos deja ver que la necesidad de ir a trabajar no necesariamente quiere decir que estemos bien psicológicamente en este tipo de eventos, ya que el sismo se quedó en la memoria colectiva por casi un año, hasta que llegaron otros eventos de un tipo muy distinto, mientras que en dos semanas ya estábamos obligados a hacer nuestras cosas de siempre. En el caso de la asignación de albergues, podemos usar este tipo de información para incentivar ubicaciones específicas y reubicar bicis en las estaciones donde podamos pronosticar una mayor necesidad de tomarlas, o liberar espacio para que lleguen bicis nuevas.