Hatari ya majanga ya asili mara nyingi hutathminiwa kwa kuzingatia idadi ya watu ya kudumu ya eneo, muundo wake uliokaa na aina moja tu ya tishio. Hata hivyo, katika maisha halisi idadi ya watu waliopo katika manispaa na sifa zao hubadilika kila wakati kulingana na saa ya siku, ratiba za kazi, mienendo ya wanafunzi na wafanyakazi, msimu wa utalii na uwezo wa malazi. Manispaa hiyo hiyo inaweza kuonekana tulivu usiku lakini mchana ikageuka kuwa kituo cha kazi na elimu; wakati wa likizo idadi yake ya watu inaweza kuongezeka sana kwa sababu ya wageni wa muda.

Utafiti huu unatathmini manispaa 225 katika Mkoa wa Marche nchini Italia kwa kutumia mfumo wa pamoja wa hatari za moto wa misitu, tetemeko la ardhi, mafuriko, maporomoko ya ardhi, mawimbi ya joto na mvua kubwa, huku pia ukiweka mienendo ya watumiaji katikati ya hesabu ya hatari. Watafiti hawakuingiza tu swali la “watu wangapi wanaishi hapa?”, bali pia “wakati fulani kunaweza kuwa na watu wangapi, wako katika makundi gani ya umri na wanaufahamu eneo hilo kwa kiwango gani?”

Utafiti uliunda hali nne kuu za watumiaji: kipindi cha kazi-usiku, kipindi cha kazi-mchana, kipindi cha likizo-usiku na kipindi cha likizo-mchana. Wakazi wa kudumu, watu wanaosafiri kila siku kwa kazi au masomo, na uwezo wa malazi ya watalii waligawanywa kwa namna tofauti katika hali hizi. Viashiria vya tishio, mfiduo na udhaifu unaotegemea umri vilisawazishwa kati ya 0 na 100; manispaa ziligawanywa katika makundi matano kulingana na wasifu unaofanana wa hatari-watumiaji, na faharasa ya pamoja ya hatari nyingi ilihesabiwa kwa kila hali.

Matokeo yanaonyesha kwamba hasa katika manispaa za pwani, utalii na uhamaji wa mchana unaweza kuongeza hatari kwa kiwango kikubwa. Katika maeneo ya ndani, vitisho vya kimaumbile kama tetemeko la ardhi, maporomoko ya ardhi na moto wa misitu huwa na uzito mkubwa zaidi, ingawa msongamano wa watu kwa kawaida huwa mdogo. Ujumbe mkuu wa utafiti ni huu: tishio la eneo linaweza lisibadilike kwa muda mfupi; lakini kwa kuwa idadi ya watu waliopo mbele ya tishio hilo na wasifu wa watumiaji hubadilika, hatari halisi inaweza kutofautiana kwa kiasi kikubwa katika nyakati tofauti za siku na mwaka.

Mojawapo ya mifumo ya dhana inayotumika sana katika hatari ya majanga inategemea kutathmini kwa pamoja tishio, mfiduo na udhaifu. Mahali fulani kunaweza kuwa na uwezekano wa tetemeko la ardhi, mafuriko au maporomoko ya ardhi; lakini ikiwa hakuna watu, majengo au shughuli za kiuchumi katika eneo hilo, kiwango cha hasara kinachoweza kutokea huwa tofauti. Kinyume chake, tishio hilo hilo linaweza kusababisha madhara makubwa zaidi katika eneo lenye watu wengi, sehemu kubwa ya wazee au wageni ambao hawalijui eneo.

Tatizo kuu linaloshughulikiwa na utafiti ni kwamba sehemu kubwa ya uchambuzi wa kikanda wa hatari uliopo bado ina mapungufu katika mambo mawili:

• Hatari mara nyingi hutathminiwa moja moja na kana kwamba hazihusiani.
• Idadi ya watu huchukuliwa kama ukubwa usiobadilika unaojumuisha wakazi wa kudumu pekee.

Mawazo haya mawili yanaweza kushindwa kuwakilisha vya kutosha namna halisi maeneo yanavyotumiwa. Idadi ya watu katika manispaa ya pwani usiku wa majira ya baridi si sawa na idadi yake wakati wa mchana katika likizo ya kiangazi. Vivyo hivyo, katikati ya jiji usiku kunaweza kuwa na wakazi pekee, ilhali mchana wafanyakazi, wanafunzi na wageni huongezeka. Mabadiliko haya yanaweza kuathiri si idadi ya watu tu, bali pia mahitaji ya uokoaji, uwezo wa huduma za afya, msongamano wa usafiri, hitaji la maelekezo kwa lugha za kigeni na kiwango ambacho watu wanazijua njia za eneo za kutoroka.

Kwa nini tatizo hili ni muhimu?

Upangaji wa matumizi ya ardhi na usimamizi wa dharura hufanya kazi katika mizani tofauti ya muda. Maamuzi ya mipango miji na matumizi ya ardhi yanahitaji kanuni thabiti zinazodumu kwa muda mrefu. Kwa upande mwingine, ulinzi wa raia na mipango ya uokoaji lazima ijibu watu ambao kwa kweli wako katika eneo fulani wakati fulani. Utafiti unalenga kujenga daraja la uchambuzi kati ya nyanja hizi mbili.

Upangaji tuli hauachwi kabisa. Pendekezo la watafiti ni kutumia uchambuzi wa mienendo ili kufanya uamuzi wa ufahamu zaidi kuhusu hali ipi ichukuliwe kama msingi katika upangaji tuli. Kwa mfano, katika manispaa ya kitalii, kukadiria uwezo wa uokoaji kwa kutegemea tu idadi ya watu ya majira ya baridi kunaweza kutotosha. Mfumo wa mienendo unaweza kubainisha hali ya watumiaji inayojitokeza mara nyingi zaidi au iliyo muhimu zaidi na kufanya mipango ya kudumu itegemee marejeo ya kweli zaidi.

Pengo la fasihi ambalo utafiti unalijibu

Utafiti unaeleza kwamba mikondo miwili tofauti ya utafiti mara nyingi imeendelea bila kuunganishwa. Mkondo wa kwanza huzingatia tathmini za vitisho vingi au hatari nyingi; hujaribu kulinganisha vitisho tofauti katika mfumo mmoja, lakini kwa kawaida huzingatia kwa kiwango kidogo mienendo ya watumiaji ndani ya siku na misimu. Mkondo wa pili huchunguza mienendo ya watu kwa mwonekano mkubwa wa kijiografia, lakini mara nyingi huzingatia tishio moja, eneo dogo au matumizi ya ndani.

Utafiti huu unaunganisha hali za watumiaji zinazobadilika na viashiria sanifu vya hatari nyingi katika kiwango cha manispaa. Uchaguzi wa kiwango cha manispaa si wa bahati. Seli ndogo za gridi zinaweza kuongeza undani wa kijiografia; hata hivyo, vitengo vya taasisi za umma vinavyotengeneza data, kufanya maamuzi na kugawa rasilimali mara nyingi ni mipaka ya kiutawala. Kwa sababu hiyo, kiwango cha manispaa kinachukuliwa kuwa uwiano kati ya undani na utekelezekaji wa kitaasisi.

Eneo la utafiti: Mkoa wa Marche

Mkoa wa Marche uko kati ya Bahari ya Adriatic na Milima ya Apennine ya Italia ya Kati. Mkoa huo una ukubwa wa takribani 9.344 km² na unajumuisha manispaa 225 katika majimbo matano. Kulingana na data ya idadi ya watu iliyotumiwa katika utafiti, eneo hilo lina takribani wakazi milioni 1,487. Aidha, zaidi ya watalii milioni 2,7 huwasili kwa mwaka na takribani usiku milioni 12,8 wa malazi huripotiwa.

Mkoa umegawanywa katika kanda tatu kuu za kimofolojia:

• Ukanda wa pwani: ukanda mwembamba wa makazi unaoenea kandokando ya Adriatic ambako watu na uwezo wa utalii vimejikita.
• Ukanda wa vilima: eneo kubwa la ndani linalounda takribani asilimia 68 ya mkoa, limekatwa na mabonde ya mito na lina uwezekano wa michakato ya maporomoko ya ardhi.
• Ukanda wa milima: eneo la ndani linaloenea kando ya Apennine na lenye vitisho muhimu vya tetemeko la ardhi, moto wa misitu, mteremko na kutokuwa thabiti kijomofolojia.

Tofauti hii ya kijiografia hutoa mazingira yanayofaa kwa kupima mbinu ya utafiti. Pwani, mafuriko, watu wengi na shinikizo la utalii hukutana; maeneo ya ndani yanaweza kuwa na vitisho vilivyo wazi zaidi vya tetemeko la ardhi, maporomoko ya ardhi na moto wa misitu.

Ni vitisho gani vya asili vilivyotathminiwa?

Utafiti uliunda viashiria sita kuu vya vitisho vya asili:

1. Moto wa misitu
2. Tetemeko la ardhi
3. Mafuriko
4. Maporomoko ya ardhi
5. Wimbi la joto
6. Mvua kubwa

Data za vitisho hazikuchukuliwa kutoka hifadhidata moja. Data ya CORINE Land Cover, upangaji wa kitaifa wa maeneo ya tetemeko la ardhi, data za ISPRA kuhusu mafuriko na maporomoko ya ardhi, maeneo ya hatari ya PAI, na viashiria vya mawimbi ya joto na mvua kubwa kutoka mpango wa Mkoa wa Marche wa kukabiliana na mabadiliko ya tabianchi zilitumiwa kwa pamoja. Data zilipangwa katika mazingira ya QGIS kulingana na mipaka ya manispaa.

Jambo muhimu la mbinu hii ni kwamba taarifa za vitisho kutoka vyanzo tofauti zilibadilishwa kuwa kipimo kimoja cha 0–100. Hivyo, vigezo visivyoweza kupimwa moja kwa moja kwa kitengo kimoja, kama daraja la eneo la tetemeko la ardhi na asilimia ya eneo la mafuriko, vinaweza kulinganishwa. Hata hivyo, usawazishaji haumaanishi kwamba vitisho vya kimaumbile vilivyo tofauti ni sawa; hutoa tu kipimo cha pamoja cha kusaidia maamuzi.

Kiashiria cha eneo la tishio kilihesabiwaje?

Kwa kila kipengele cha tishio, uwiano wa eneo linalochukuliwa ndani ya mipaka ya manispaa dhidi ya eneo lote la manispaa ulihesabiwa:

\[ i_a = \frac{Area_a}{Area_{mapping\ unit}} \times 100 \]

Hapa:

• i_a ni asilimia ya kipengele fulani cha tishio ndani ya manispaa.
• Area_a inaonyesha eneo linalochukuliwa na kipengele hicho cha tishio kwa km².
• Area_{mapping unit} ni eneo lote la kitengo cha tathmini, yaani manispaa katika utafiti huu.

Kwa lugha ya kila siku, fomula hii hujibu swali “Ni sehemu gani ya manispaa iko ndani ya daraja hili la tishio?” Kwa mfano, ikiwa asilimia 20 ya manispaa iko katika eneo lenye tishio kubwa la mafuriko, kipengele husika huingizwa katika modeli kulingana na uwiano wa eneo.

Wakati kulikuwa na vipengele zaidi ya kimoja kwa tishio fulani, jumla yenye uzani ilitumika:

\[ I_{haz} = (i_a \times w_a) + (i_b \times w_b) + (i_c \times w_c) + \dots + (i_n \times w_n) \]

Hapa:

• I_haz ni faharasa ya jumla ya tishio.
• i_a, i_b, … ni uwiano wa vipengele tofauti vya tishio ndani ya manispaa.
• w_a, w_b, … ni uzani uliotolewa kwa kila kipengele.

Uzani ulitegemea tathmini ya wataalamu na thamani zilizotumiwa katika tafiti za awali. Hili ni jambo muhimu: faharasa si uchunguzi ghafi tu; ni mchanganyiko wa data na uzani wa kimetodolojia.

Faharasa za kila tishio

Faharasa ya moto wa misitu:

\[ I_W = (i_{WOODED} \times 0.35) + (i_{SPARSE} \times 0.65) \]

Hapa, uwiano wa maeneo yenye misitu na mimea iliyotawanyika umeunganishwa kwa uzani tofauti.

Faharasa ya tetemeko la ardhi:

\[ I_E = (i_{Z4} \times 0.25) + (i_{Z3} \times 0.50) + (i_{Z2} \times 0.75) + (i_{Z1} \times 1.00) \]

Z1 ilipewa uzani kama daraja muhimu zaidi na Z4 kama daraja la chini zaidi la tetemeko. Faharasa hii haihesabu moja kwa moja uwezekano wa hasara ya majengo; inawakilisha nafasi ya manispaa katika upangaji wa kitaifa wa maeneo ya tetemeko la ardhi.

Faharasa ya mafuriko:

\[ I_F = [(i_{PAI-L} + i_{ISPRA-L}) \times 0.65] + [(i_{PAI-H} + i_{ISPRA-H}) \times 0.35] \]

Madaraja ya chini na ya juu katika seti za data za PAI na ISPRA yalitathminiwa kwa pamoja. Uzani katika fomula unatokana na mpango wa uainishaji uliotumiwa na utafiti; matokeo si kina halisi cha mafuriko wala hasara ya kiuchumi inayotarajiwa.

Faharasa ya maporomoko ya ardhi:

\[ I_L = (i_{PAI-L} \times 0.65) + [(i_{IFFI} + i_{PAI-H}) \times 0.35] \]

Maeneo ya hatari ya maporomoko ya ardhi ya PAI yaliunganishwa na maeneo ya maporomoko yaliyorekodiwa katika orodha ya IFFI.

Faharasa ya wimbi la joto:

\[ I_H = (i_{LOW} \times 0.25) + (i_{MEDIUM} \times 0.50) + (i_{HIGH} \times 0.75) + (i_{VERYHIGH} \times 1.00) \]

Faharasa ya mvua kubwa:

\[ I_R = (i_{LOW} \times 0.25) + (i_{MEDIUM} \times 0.50) + (i_{HIGH} \times 0.75) + (i_{VERYHIGH} \times 1.00) \]

Katika viashiria vyote viwili vya tabianchi, uzani wa madaraja huongezeka kutoka chini hadi juu sana.

Mfiduo unaobadilika: kwa kweli kuna watu wangapi katika manispaa?

Ubunifu muhimu zaidi wa utafiti ni kwamba mfiduo haujawekewa kikomo kwa wakazi pekee. Idadi ya watu inayowezekana iliundwa kutoka makundi matatu ya watumiaji:

• Wakazi wa kudumu
• Watu wanaosafiri kila siku kwa kazi au masomo
• Watalii wanaowezekana wanaowakilishwa na uwezo wa vitanda vya malazi

Makundi haya yaligawanywa katika hali nne:

Modeli ilikadiria kwamba wakazi wapo katika hali zote, uhamaji wa kila siku hutokea mchana pekee, na uwezo wa malazi unawakilisha idadi ya juu inayowezekana ya watalii katika kipindi cha likizo. Idadi ya watalii si kipimo cha ujazo halisi, bali ni uwezo wa juu wa vitanda uliotumiwa kwa tathmini ya haraka na ya tahadhari.

Kwa nini idadi ya watu iligawanywa kwa eneo lililojengwa badala ya eneo lote la manispaa?

Manispaa inaweza kuwa na eneo kubwa; lakini watu wengi hawasambai kwa usawa katika misitu, mashamba au maeneo ya milimani. Kwa hiyo idadi ya watu inayowezekana iligawanywa kwa eneo lililojengwa badala ya eneo lote la manispaa:

\[ E_{dens} = \frac{potential\ population}{urbanised\ area} \]

Hapa:

• E_dens ni msongamano wa watumiaji wanaowezekana kwa kila eneo lililojengwa.
• potential population ni jumla ya watu wanaokadiriwa kuwepo katika manispaa katika hali husika.
• urbanised area ni ukubwa wa eneo lililojengwa ndani ya manispaa kwa km².

Matokeo huonyeshwa kwa watu/km². Kwa njia hii, utafiti ulijaribu kuepuka kuonyesha kwa bandia msongamano mdogo wa watu katika manispaa yenye maeneo makubwa ya vijijini.

Kisha msongamano huu ulisawazishwa katika kiwango cha 0–100:

\[ E = \frac{E_{dens} - min(E_{dens})}{max(E_{dens}) - min(E_{dens})} \times 100 \]

E huonyesha nafasi ya jamaa ya mfiduo wa manispaa miongoni mwa manispaa nyingine. Kwa hiyo thamani ya 100 si mpaka wa kifizikia wa mwisho, bali ni kiwango cha juu cha jamaa kinachotokana na msongamano mkubwa zaidi katika seti ya data.

Kiashiria cha uzito wa idadi ya watu kikanda

Pamoja na kiashiria cha msongamano, ukubwa wa watu wa kila manispaa ulihesabiwa kwa kulinganisha na manispaa yenye watu wengi zaidi katika mkoa:

\[ E_1 = \frac{number\ of\ residents}{residents\ of\ the\ most\ populous\ municipality} \times 100 \]

Kiashiria hiki husaidia kutofautisha hali mbili. Manispaa ndogo lakini iliyosongamana inaweza kuwa na msongamano mkubwa; jiji kubwa linaweza kuwa na msongamano mkubwa na pia jumla kubwa ya watu. E na E₁ zinapotumiwa pamoja, msongamano wa eneo la ndani na umuhimu wa kidemografia wa kikanda huonekana kwa wakati mmoja.

Unyeti ulishughulikiwaje?

Katika utafiti, unyeti ulifafanuliwa kama kiashiria cha idadi ya watu wanaoweza kuathiriwa na tishio fulani:

\[ S = \frac{potential\ population \times I_{haz}}{100} \]

Hapa:

• S ni kiashiria cha unyeti kwa tishio husika.
• potential population ni idadi inayowezekana ya watu katika hali hiyo.
• I_haz ni faharasa ya tishio.

Fomula hii huunganisha idadi ya watumiaji na kiwango cha tishio. Hata hivyo, haitoi uwezekano wa mtu binafsi kujeruhiwa wala idadi inayotarajiwa ya vifo. Katika utafiti, uchambuzi wa unyeti ulitekelezwa kwa undani kwa mafuriko na maporomoko ya ardhi pekee. Kwa sababu mizani ya data ya vitisho kama tetemeko la ardhi, wimbi la joto na mvua kubwa inaweza kufunika eneo lote la manispaa, katika mbinu ya tathmini ya haraka ilikadiriwa kwamba watu wote wanaweza kuathiriwa kwa namna inayofanana. Kwa moto wa misitu, safu hii haikutumiwa kwa sababu maeneo ya misitu kwa kawaida yana mwingiliano mdogo na maeneo yaliyojengwa.

Udhaifu wa watumiaji unaotegemea umri

Udhaifu huwakilisha tofauti katika uwezo wa watu kukabiliana na tishio na kurejea katika hali ya kawaida. Utafiti ulitumia makundi matano ya umri:

Faharasa ya pamoja ya udhaifu ilihesabiwa kama ifuatavyo:

\[ V = (\%T \times w_T) + (\%PC \times w_{PC}) + (\%YA \times w_{YA}) + (\%A \times w_A) + (\%EU \times w_{EU}) \]

Hapa, asilimia za makundi ya umri ndani ya idadi ya watu ya manispaa huzidishwa kwa uzani uliotolewa kwa kila kundi. Hii si modeli ya mtu binafsi inayotabiri tabia halisi ya mtu fulani. Ni kulinganisha udhaifu wa kijamii wa manispaa kwa misingi ya muundo wa umri.

Ili kuonyesha moja kwa moja uwiano wa wazee, kiashiria kingine kiliundwa:

\[ V_1 = \frac{number\ of\ elderly\ users}{number\ of\ residents} \times 100 \]

Kwa nini kutolijua eneo kwa watalii kulionekana kama udhaifu?

Wakati wa janga, mtu asiyejua eneo anaweza kuwa na uwezekano mdogo wa kujua njia za kutoroka, maeneo ya kukusanyika, mifumo ya tahadhari ya ndani au njia mbadala. Utafiti uliwakilisha “ukosefu wa ujuzi wa eneo” kwa viashiria viwili.

Kiashiria cha ukosefu wa ujuzi: Uwiano wa idadi ya vitanda vya malazi kwa wakazi ulichukuliwa na kusawazishwa katika kiwango cha 0–100.

\[ V_2 = \frac{\left(\frac{beds}{residents}\right)-min\left(\frac{beds}{residents}\right)}{max\left(\frac{beds}{residents}\right)-min\left(\frac{beds}{residents}\right)} \times 100 \]

Kiashiria cha mvuto wa utalii:

\[ V_3 = \frac{number\ of\ beds}{maximum\ number\ of\ beds\ among\ municipalities} \times 100 \]

V₂ huwakilisha uzito wa jamaa wa wageni dhidi ya wakazi; V₃ huwakilisha uwezo wa jumla wa manispaa kuvutia malazi ndani ya mkoa. Uwezo wa vitanda hauonyeshi kwamba watalii wapo hapo kwa wakati huo. Viashiria hivi huwakilisha msongamano unaowezekana na kikomo cha juu kwa ajili ya upangaji.

Kwa nini manispaa ziliwekwa katika makundi?

Kila moja ya manispaa 225 ina viashiria 13. Kutafsiri vigezo vingi hivi moja baada ya nyingine kunaweza kuwa vigumu kwa watoa maamuzi. Watafiti walitumia uchanganuzi wa makundi wa kihierarkia unaokusanya kwa kiungo cha Ward ili kuunganisha manispaa zenye sifa zinazofanana.

Mbinu hii huanza kwa kuchukulia kila manispaa kama kundi tofauti. Kisha huunganisha hatua kwa hatua makundi yanayofanana zaidi kwa namna inayoweka tofauti ndani ya kundi kuwa ndogo iwezekanavyo. Tofauti na k-means, si lazima idadi ya makundi iamuliwe kwa ukali tangu mwanzo. Idadi ya mwisho ya makundi ilichaguliwa kwa kutathmini muundo wa dendrogram na mgawo wa silhouette.

Mahesabu na uonyeshaji data yalifanywa kwa MATLAB R2024b katika mtiririko wa kazi wa kiotomatiki na unaoweza kurudiwa. Uchambuzi wa vipengele vikuu pia ulitumika kuonyesha data katika nafasi yenye vipimo vichache.

Makundi matano ya manispaa yanaonyesha nini?

Uwekaji katika makundi haukuwa kwa madhumuni ya uainishaji wa takwimu pekee. Inafikiriwa kwamba manispaa zenye sifa zinazofanana zinaweza kushughulikiwa pamoja chini ya kanuni za pamoja za uokoaji, uwekezaji wa miundombinu, mikakati ya mawasiliano na vipaumbele vya matumizi ya ardhi.

Faharasa ya pamoja ya vitisho

Faharasa sita za vitisho zilijumlishwa kwa uzito sawa na kisha kusawazishwa kwa mbinu ya minimum-maximum:

\[ H = \frac{(I_W+I_E+I_F+I_L+I_H+I_R)-min(I_W+I_E+I_F+I_L+I_H+I_R)}{max(I_W+I_E+I_F+I_L+I_H+I_R)-min(I_W+I_E+I_F+I_L+I_H+I_R)} \times 100 \]

Watafiti hawakutumia uzani wa ziada wa tishio katika hatua hii ili kuepuka kudhani kwamba tishio moja ni muhimu kuliko jingine. Mbinu hii huweka vitisho vyote katika uwanja mmoja wa kulinganisha. Hata hivyo, haitoi hitimisho kwamba vitisho tofauti ni sawa kwa vifo, hasara ya kiuchumi au uharibifu wa kimwili.

Faharasa ya hatari nyingi ilihesabiwaje?

Kiashiria kikuu cha pamoja cha hatari katika utafiti ni umbali wa Euclidean kutoka nukta ya asili katika nafasi yenye vipimo viwili inayoundwa na tishio lililosawazishwa pamoja na mchanganyiko wa mfiduo-udhaifu:

\[ R = \sqrt{\left(\frac{E}{100} \times \frac{V}{100}\right)^2 + \left(\frac{H}{100}\right)^2} \times 100 \]

Hapa:

• R ni faharasa ya pamoja ya hatari nyingi.
• E ni faharasa ya mfiduo unaobadilika.
• V ni faharasa ya udhaifu unaotegemea umri.
• H ni kiashiria cha pamoja kilichosawazishwa cha vitisho sita.

Katika mantiki ya kijiometri ya fomula, nukta sifuri huwakilisha hali bora ambapo tishio na mchanganyiko wa mfiduo-udhaifu yako karibu na sifuri. Manispaa inapokuwa mbali zaidi na nukta hiyo, faharasa ya pamoja huongezeka.

Kupandisha kwa mraba huimarisha athari ya vipengele vyenye thamani kubwa. Hata hivyo, thamani ya R si idadi ya vifo vinavyotarajiwa, majeraha, uharibifu wa majengo wala hasara ya fedha. Ni kiashiria cha upangaji cha jamaa kilichoundwa kulinganisha manispaa na hali.

Mabadiliko ya hatari kwa muda: ΔR

Watafiti walitumia kiashiria cha tofauti ya hatari ΔR ili kuona mabadiliko kati ya hali zenye uwepo mdogo na mkubwa zaidi wa watumiaji. Hali kuu za mwisho zilizolinganishwa zilikuwa kipindi cha kazi-usiku na kipindi cha likizo-mchana.

ΔR kubwa haimaanishi lazima kwamba tishio la kimwili la manispaa ndilo kubwa zaidi. Inaonyesha kwamba wasifu wa hatari wa manispaa hubadilika sana kwa sababu ya mienendo ya watumiaji. Manispaa kama hiyo inaweza kuonekana kuwa na hatari ndogo au ya kati wakati wa kipindi tulivu cha mwaka lakini ikawa muhimu zaidi wakati wa msimu wa utalii.

Ramani na grafu zinaonyesha nini?

Ramani za kila tishio zinaonyesha kwamba kila hatari ina muundo tofauti wa kijiografia katika Mkoa wa Marche:

• Tishio la moto wa misitu huongezeka katika Apennine na maeneo ya ndani yenye uoto mwingi.
• Tishio la tetemeko la ardhi ni kubwa hasa katika manispaa za milimani kusini na kusini-magharibi.
• Tishio la mafuriko hujikita katika tambarare za pwani, mabonde ya mito na vinywa vya mito.
• Tishio la maporomoko ya ardhi limeenea sana katika maeneo ya ndani yenye vilima, udongo wa mfinyanzi na miteremko.
• Kiashiria cha wimbi la joto huongezeka katika baadhi ya maeneo yaliyojengwa sana katikati na kaskazini.
• Kiashiria cha mvua kubwa huonyesha thamani za juu zaidi katika kaskazini na maeneo ya milimani.

Katika ramani za mfiduo, hali ya usiku katika kipindi cha kazi huonyesha tu mpangilio wa kijiografia wa wakazi. Mchana wa siku za kazi, thamani huongezeka katika miji mikubwa kutokana na mienendo ya wafanyakazi na wanafunzi. Usiku wa likizo, maeneo ya pwani na vituo vya utalii hujitokeza zaidi. Mchana wa likizo huzalisha muundo wa juu zaidi na uliosambaa zaidi wa mfiduo kwa sababu wakazi, watu wanaosafiri na watalii wote huhesabiwa pamoja.

Katika ramani za ExV zinazoonyesha bidhaa ya mfiduo na udhaifu, sehemu kubwa ya tofauti ya kijiografia inatokana na mfiduo. Sababu ni kwamba thamani za V zinazotegemea mgawanyo wa umri ni sawa kwa kiasi kati ya manispaa. Hivyo, utafiti unaonyesha kwamba mabadiliko katika idadi ya watumiaji hubadilisha ramani ya hatari kwa nguvu zaidi kuliko tofauti katika muundo wa umri.

Thamani za R² za urejeshi wa mstari uliotumika kwa mgawanyo wa H na ExV ni ndogo sana. Hili linaonyesha kwamba data ya hatari yenye tabaka nyingi haiwezi kuelezwa vizuri kwa mahusiano rahisi ya mstari. Watafiti walitumia urejeshi huu si kama modeli yenye nguvu ya utabiri, bali kama zana msaidizi ya kuona mielekeo ya jumla na kutambua manispaa zisizo za kawaida.

Matokeo makuu ya nambari

• Eneo la utafiti lina takribani 9.344 km² na manispaa 225.
• Idadi ya watu ya mkoa ni takribani milioni 1,487.
• Watalii wanaowasili kwa mwaka ni zaidi ya milioni 2,7 na usiku wa malazi ni zaidi ya milioni 12,8.
• Maeneo yenye tishio la mafuriko yanaripotiwa kufunika takribani asilimia 9 ya mkoa, na karibu nusu ya maeneo hayo yako katika madaraja ya hatari kubwa.
• Thamani za pamoja za R zilitofautiana kati ya takribani 0,3 na 47,3 katika hali nne.
• Katika sehemu kubwa ya manispaa, ΔR ilijikita karibu na asilimia 4–5.
• Katika baadhi ya manispaa, hasa pwani, ΔR ilifikia hadi asilimia 37.
• Uchambuzi wa makundi uligawa manispaa katika makundi matano ya hatari-watumiaji.

Umuhimu kwa mtazamo wa zamani, sasa na baadaye

Kwa mtazamo wa zamani: Upangaji wa jadi wa hatari mara nyingi ulitegemea wakazi na kutathmini vitisho moja moja. Utafiti unaonyesha kwa njia ya kiasi kwamba mbinu hii inaweza kuwa pungufu hasa katika maeneo ya utalii au yenye uhamaji mkubwa.

Kwa mtazamo wa sasa: Idadi ya watu ya manispaa sasa si tu anuani za makazi. Safari za kwenda na kurudi kazini, uhamaji wa kielimu, utalii, matumizi ya msimu na vituo vya huduma vya kila siku hubadilisha idadi halisi ya watu. Kwa hiyo kupanga uwezo wa dharura kwa kutegemea tu watu wa usiku kunaweza kutotosha kwa mchana au msimu wa likizo.

Kwa mtazamo wa baadaye: Watafiti wanapendekeza mifumo ya kudumu ya uangalizi wa kikanda. Data za simu za mkononi, takwimu zilizosasishwa za malazi, kadi za usafiri, utambuzi wa mbali, rejista za majengo na data mpya zaidi za idadi ya watu zinaweza kufanya modeli ikaribie zaidi hali ya wakati halisi. Pia inasisitizwa kwamba data hizi zinapaswa kuchakatwa katika makundi ya kijiografia makubwa vya kutosha huku faragha ikilindwa.

Athari katika maisha ya kila siku

Utafiti huu hautoi moja kwa moja mpango wa uokoaji au mfumo wa tahadhari ya mapema; lakini hutoa msingi wa taarifa unaoeleza mifumo kama hiyo inapaswa kubuniwa kwa kuzingatia idadi gani ya watu. Athari zake katika maisha ya kila siku zinaweza kueleweka kwa mifano ifuatayo:

• Katika jiji la pwani, miezi ya kiangazi inaweza kuhitaji magari zaidi ya wagonjwa, maeneo ya muda ya kukusanyika na maelekezo ya lugha nyingi.
• Njia ya uokoaji katika kituo cha biashara inayoonekana kutosha kulingana na idadi ya watu ya usiku inaweza kutotosha mchana kwa sababu ya wafanyakazi.
• Katika manispaa za milimani zenye uwiano mkubwa wa wazee, hitaji la msaada wa mtu binafsi linaweza kuwa kubwa licha ya jumla ndogo ya watu.
• Katika maeneo yenye tishio kubwa la tetemeko la ardhi lakini watu waliotawanyika, usimamizi wa hatari za kimuundo unaweza kupewa kipaumbele; pwani, tishio la kati linaweza kuungana na msongamano mkubwa sana wa watumiaji.
• Katika maeneo yenye msimu mfupi wa utalii, kuongeza uwezo wa huduma na dharura kwa vipindi fulani kunaweza kuwa mwafaka zaidi kuliko kubadilisha matumizi ya ardhi kwa kudumu.

Nguvu za utafiti

• Kutathmini vitisho sita vya asili ndani ya mfumo mmoja wa kulinganisha.
• Kuzingatia uhamaji wa kila siku na utalii pamoja na wakazi.
• Kufafanua hali nne wazi za muda.
• Kutegemea vyanzo vya data vinavyoweza kufikiwa na taasisi za umma.
• Kuunganisha kiwango cha manispaa na utungaji wa sera za kikanda.
• Kuwezesha kulinganisha manispaa kwa kutumia viashiria vilivyosawazishwa.
• Kuwezesha kuunda makundi ya sera za pamoja kwa manispaa zinazofanana kupitia uchanganuzi wa makundi.
• Kuonyesha si ukubwa wa hatari tu bali pia kubadilika kwake kwa muda kupitia ΔR.
• Kujadili matumizi ya ardhi ya muda mrefu na usimamizi wa dharura wa muda mfupi katika mfumo mmoja.

Mapungufu ya utafiti

Wakati wa kutafsiri matokeo ya utafiti, mipaka ifuatayo inapaswa kuzingatiwa:

• Sehemu ya data za uhamaji wa kila siku inategemea sensa ya 2011 na huenda isiwakilishe kikamilifu mienendo ya sasa.
• Idadi ya watalii iliwakilishwa na uwezo wa juu wa vitanda badala ya ujazo halisi.
• Kwa kuwa umri, afya, ulemavu au muundo wa makundi ya watalii na wasafiri wa kila siku haujulikani, udhaifu haukuweza kufanywa wa kubadilika.
• Kiashiria V kinachotegemea umri kilihesabiwa kwa wakazi pekee.
• Ustahimilivu wa majengo, hali ya matengenezo na taarifa za uimarishaji hazikujumuishwa katika modeli kuu.
• Tofauti za data za udhaifu wa kimwili wa majengo kati ya manispaa zilipunguza uwezo wa kulinganisha kikanda.
• Azimio la baadhi ya tabaka za tishio ni kubwa kuliko kiwango cha manispaa.
• Kwa Mkoa wa Marche hakuna ramani za sasa za uwezekano wa maporomoko ya ardhi zinazofunika eneo lote kwa mbinu moja.
• Modeli haihesabu moja kwa moja mahusiano ya mfululizo kati ya vitisho. Kwa mfano, ingawa mvua kubwa inaweza kuonekana katika mfumo wa pamoja kama kichocheo cha maporomoko ya ardhi, modeli ya mnyororo wa sababu haikufanywa.
• Faharasa R haihesabu vifo vinavyotarajiwa, hasara ya kiuchumi au uharibifu wa miundombinu.
• Sehemu ya uzani wa viashiria inategemea maoni ya wataalamu na thamani kutoka katika fasihi.
• Matokeo bado hayajarekebishwa kwa ushirikishwaji na watoa maamuzi katika ngazi ya manispaa na mkoa.

Utafiti unasema nini, na hausimi nini?

Utafiti unasema: Mienendo ya watumiaji kwa muda inaweza kubadilisha mfiduo na wasifu wa pamoja wa hatari chini ya mazingira yale yale ya tishio la kimwili. Utalii na uhamaji wa kila siku vinaweza kuunda hali muhimu hasa katika pwani na vituo vya mijini ambazo mbinu ya idadi ya watu tuli haioni. Viashiria sanifu katika kiwango cha manispaa vinaweza kutoa msingi wa taarifa unaolinganishwa kwa upangaji wa kikanda.

Utafiti hausimi: Modeli haitabiri tarehe ambayo janga fulani litatokea. Haihesabu ni watu wangapi watakufa katika manispaa au ni kiasi gani cha hasara ya kiuchumi kitakachotokea. Haifanyi uigaji wa kina wa usalama wa majengo, muda wa uokoaji, uwezo wa hospitali au kuvunjika kwa mtandao wa usafiri. Thamani R si dhamana ya usalama wa mtu binafsi wala matokeo ya uhakika ya uwanjani. Pia, R kubwa peke yake haithibitishi kwamba uwekezaji fulani lazima ufanywe; ni kiashiria cha jamaa kinachotoa pembejeo katika mchakato wa maamuzi.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti ulifanywa katika hatua nne kuu:

1. Ukusanyaji wa data: Data za vitisho vya asili, idadi ya watu, uhamaji wa kila siku, utalii na maeneo yaliyojengwa zilikusanywa kutoka vyanzo vya umma vya kitaifa, kikanda na Ulaya.
2. Viashiria vya tabaka moja: KPI za tishio, mfiduo, unyeti na udhaifu zilihesabiwa katika kiwango cha manispaa.
3. Uwekaji katika makundi: Uchambuzi wa makundi wa kihierarkia kwa kiungo cha Ward ulifanywa kwa kutumia viashiria 13 vilivyosawazishwa.
4. Hatari nyingi zinazobadilika: Thamani H, E, V, ExV, R na ΔR zilihesabiwa na kuchorwa ramani kwa hali nne za watumiaji.

Seti kuu za data zilizotumiwa

Vigezo vya uchanganuzi wa makundi

Vigezo 13 vifuatavyo vilitumiwa katika uchanganuzi wa makundi:

• I_W: Moto wa misitu
• I_E: Tetemeko la ardhi
• I_F: Mafuriko
• I_L: Maporomoko ya ardhi
• I_H: Wimbi la joto
• I_R: Mvua kubwa
• E: Mfiduo unaotegemea msongamano wa watumiaji
• E₁: Uzito wa idadi ya watu kikanda
• V: Udhaifu wa pamoja unaotegemea umri
• V₁: Uwiano wa wazee
• V₂: Ukosefu wa ujuzi wa eneo
• V₃: Mvuto wa utalii
• Pembejeo za hali zilizosanifishwa zinazokamilisha wasifu wa tishio-watumiaji

Matokeo ya kila tishio

Matokeo makuu kulingana na hali

Matokeo matano makuu ya utafiti

1. Manispaa za pwani zinaonyesha hali kubwa zaidi za hatari ya pamoja kutokana na msongamano mkubwa wa watumiaji, utalii na ukosefu wa ujuzi wa eneo.
2. Katika maeneo ya ndani, vitisho vya kimaumbile kama tetemeko la ardhi, maporomoko ya ardhi na moto wa misitu hutawala; lakini mfiduo wa watu ni mdogo kuliko pwani.
3. Tofauti ya usiku-mchana katika maeneo mengi ni ndogo kuliko tofauti ya kipindi cha kazi-likizo. Utalii ni mojawapo ya vichocheo vikuu vya mabadiliko ya hatari.
4. Uchanganuzi wa makundi, R na ΔR ulitoa mifumo inayolingana na muundo wa kijiografia na kijamii-kiuchumi wa mkoa.
5. Badala ya sera moja ya kikanda, upangaji unaotofautishwa lakini unaoratibiwa kikanda kulingana na wasifu wa hatari-watumiaji wa manispaa unahitajika.

Matumizi yaliyopendekezwa kwa upangaji

• Hali zinazobadilika zinapaswa kutathminiwa kwanza wakati wa kuandaa mipango tuli ya matumizi ya ardhi na mipango miji.
• Hali muhimu zaidi au inayojirudia mara nyingi inaweza kuchaguliwa kama rejeleo la tahadhari kwa mipango ya kudumu.
• Mifumo ya kudumu ya uangalizi wa kikanda inayosasisha mienendo ya watumiaji inaweza kuanzishwa.
• Vifurushi vya pamoja vya sera, miundombinu na maandalizi vinaweza kuundwa kwa makundi ya manispaa yanayofanana.
• Manispaa zenye R kubwa kwa kudumu zinaweza kupewa kipaumbele cha kimuundo; zile zenye ΔR kubwa zinaweza kupewa kipaumbele cha maandalizi yanayobadilika na ya msimu.
• Mbinu inaweza kushushwa baadaye hadi kiwango cha kitongoji, eneo la sensa au kanda za upangaji zenye sifa zinazofanana.

Maelezo ya Chanzo na Mbinu

Maudhui haya yanatokana na utafiti wa Gabriele Bernardini, Maud Natalucci, Luca Domenella, Giovanni Marinelli na Enrico Quagliarini wenye kichwa “A Dynamic User-Based Approach to Multi-Risk Assessment for Regional Planning: Application to the Marche Region, Italy”.

Utafiti ni modeli ya kiasi ya kusaidia upangaji wa kikanda inayounganisha vitisho sita vya asili, mfiduo wa watumiaji, udhaifu unaotegemea umri na ujuzi wa eneo, uchanganuzi wa makundi wa kihierarkia na hali nne za muda za idadi ya watu kwa manispaa 225 za Mkoa wa Marche. Uchakataji wa data za kijiografia ulifanywa kwa QGIS, huku MATLAB R2024b ikitumika kwa uchanganuzi wa makundi, uchambuzi wa vipengele vikuu na uonyeshaji data.

Kwa kuwa PDF haina rekodi wazi ya jina la jarida, DOI, tarehe ya kukubaliwa au mchakato uliokamilika wa mapitio ya wenzao, kazi hii imetathminiwa kama maandishi ya kitaaluma ambayo hali yake ya mapitio ya wenzao haiwezi kuthibitishwa kutoka kwenye maandishi. Maandishi hayana onyo la kawaida la preprint linalosema wazi kwamba hayajapitiwa na wenzao; hata hivyo, hayapaswi kuwasilishwa kana kwamba mapitio hayo yamekamilika.

Utafiti huu si jaribio la uingiliaji wa janga, zoezi la uwanjani wala utafiti wa kuthibitisha hasara. Matokeo yanategemea hifadhidata za umma, tabaka za kijiografia, data za sensa, uwezo wa malazi, uzani wa wataalamu, viashiria vilivyosawazishwa na dhana za hali. Thamani R zinazozalishwa si makadirio ya vifo, majeraha, uharibifu wa majengo au hasara ya kiuchumi.

Maudhui yametayarishwa kwa kutegemea tu mbinu, matokeo, fomula, ramani, majedwali na mapungufu ya utafiti uliopo katika PDF. Hakuna madai yasiyopatikana katika utafiti kuhusu mafanikio ya uwanjani, utabiri wa uhakika wa janga, dhamana ya usalama, uwezekano wa kibiashara au kupunguza hasara moja kwa moja yaliyoongezwa. Udhaifu wa kimwili wa majengo, data halisi za wakati wa kweli za mienendo, muundo wa kidemografia wa watalii na mwingiliano wa mfululizo kati ya vitisho haujawakilishwa kikamilifu katika modeli.