104700

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Análisis delictivo en el cantón Cuenca, Ecuador, aplicando técnicas espaciales apoyadas por SIG libre Crime analysis in Cuenca, Ecuador, applying spatial techniques supported by FOSS GIS by/por

Ing. Paul Esteban Bravo Lopez 1423604

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science – MSc

Cuenca – Ecuador, Noviembre de 2016

Compromiso de Ciencia

Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Cuenca, 16 de noviembre de 2016 (Lugar, Fecha)

Paul Esteban Bravo Chile Firma

Resumen

El análisis del crimen comprende una serie de enfoques; de ellos, el espacial es muy importante ya que destaca la importancia de la ubicación donde ocurre un delito.

Por esta razón, las instituciones involucradas en temas de seguridad deben contar con métodos que incluyan esta clase de análisis, con el fin de mejorar su trabajo operativo.

Esta investigación abarca el análisis espacial de diferentes delitos ocurridos en el cantón Cuenca, Ecuador a nivel urbano y rural, durante el año 2015 mediante la aplicación de diferentes técnicas que permiten detectar la distribución de los datos y la existencia de concentración de delitos utilizando software libre y destacando la importancia de los Sistemas de Información Geográfica para el análisis del crimen.

La metodología aplicada, se basa en un estudio teórico de técnicas espaciales útiles para el análisis delictivo como Media aritmética espacial, Elipse de desviación estándar, Análisis por agrupación, Análisis del vecino más cercano Kernel Density Estimation y Autocorrelación Espacial junto con el software utilizado; además de todas las etapas que deben cumplirse imprescindiblemente para la obtención de análisis confiables y verídicos. Estas etapas contienen varios aspectos importantes como la obtención de información confiable, la transformación espacial de esa información y la elaboración de los resultados finales que se presentan mediante mapas, los cuales plasman las diferentes técnicas de análisis investigadas.

Los resultados obtenidos, permiten detectar las zonas de la ciudad y parroquias rurales que presentan mayores índices delictivos (hot spots), los cuales se corroboran al aplicar diversas técnicas. Es importante mencionar que a nivel urbano dichas zonas se concentran alrededor de sitios donde existe concentración de gente como plazas, parques, centros comerciales y de transporte y a nivel rural en parroquias cercanas al área urbana del cantón. Finalmente se incluye una metodología de trabajo que puede ser replicada por las instituciones competentes para el análisis espacial del delito.

Palabras clave: Análisis espacial, Análisis del crimen, Hot Spot, Software libre, Cuenca.

Abstract

Crime analysis includes a number of approaches. Among them, the spatial one is very important since it emphasizes the importance of the location where a crime occurs.

For this reason, the institutions involved in security issues should have methods that include this type of analysis, in order to improve their operational work.

This research covers the spatial analysis of different crimes occurring in the canton Cuenca, Ecuador at urban and rural level, during the year of 2015, through the application of different techniques to detect the distribution of data and the existence of concentration of crimes, using free software and highlighting the importance of Geographic Information Systems for the analysis of crime. The applied methodology is based on a theoretical study of useful spatial techniques for criminal analysis such as Mean Center, Standard Deviation Ellipse, Cluster Analysis, Nearest Neighbor Index, Kernel Density Estimation and Spatial Autocorrelation together with the software used; in addition to all common stages that must be fulfilled and which are essential for obtaining reliable and veridical analyzes. These stages contain several important aspects such as obtaining reliable information, spatial transformation of this information and the elaboration of the final results that are presented through maps, which reflect the different techniques of investigated analysis.

The obtained results allow detecting the zones of the city and rural parishes that present high criminal indices (hot spots), which are corroborated when applying diverse techniques. It is important to mention that, at the urban level, these areas are concentrated around places where there is concentration of people such as squares, parks, shopping centers and transport centers and, at a rural level, in parishes near the urban area of the canton. Finally, the methodology can be replicated by the competent institutions for crime spatial analysis.

Keywords: Spatial analysis, Crime analysis, Hot Spot, Free Software, Cuenca.

Tabla de Contenido.

Pág.

1. Introducción .......................................................................................................11 1.1 Antecedentes........................................................................................................11 1.2 Objetivos ..............................................................................................................12 1.2.1 Objetivo general ..........................................................................................12 1.2.2 Objetivos específicos ..................................................................................12 1.2.3 Preguntas de investigación..........................................................................12 1.3 Hipótesis ..............................................................................................................13 1.4 Justificación .........................................................................................................13 1.5 Alcance ...............................................................................................................14

2. Revisión de Literatura.......................................................................................16 2.1 Análisis delictivo .................................................................................................16 2.1.1 Concepto de crimen ....................................................................................16 2.1.2 Triángulo del delito.....................................................................................18 2.1.3 Tipos de análisis delictuales .......................................................................18 2.1.3.1 Análisis delictual táctico ..............................................................19 2.1.3.2 Análisis delictual estratégico .......................................................19 2.2 Análisis espacial ..................................................................................................19 2.3 Importancia de SIG en el análisis delictivo .........................................................20 2.3.1 Procesos preventivos...................................................................................21 2.4 Análisis de Hot Spots ...........................................................................................23 2.4.1 Hot spots y escala .......................................................................................24 2.4.2 Consideraciones adicionales sobre hot spots ..............................................24 2.5 Métodos espaciales útiles para el análisis delictivo .............................................26 2.5.1 Medidas centrográficas ...............................................................................26 2.5.1.1 Media aritmética espacial – Mean Center (MC)..........................26 2.5.1.2 Standard Deviational Ellipse (SDE) ............................................27 2.5.2 Análisis de vecino más cercano – Nearest Neighbor Index (NNI) .............27 2.5.2.1 Cercanía y vecindad .....................................................................27 2.5.3 Análisis por agrupación (Cluster Analysis) ................................................28 5

2.5.3.1 Métodos de agrupación ................................................................28 2.5.3.2 Contornos mínimos ......................................................................30 2.5.4 Kernel Density Estimation ..........................................................................30 2.5.4.1 Elección de ancho de banda y tamaño de celda ...........................32 2.5.4.2 Ventajas e inconvenientes de KDE ..............................................35 2.5.5 Análisis de datos espaciales regionales (por área) ......................................36 2.5.5.1 Autocorrelación espacial ..............................................................36 2.5.5.2 Medidas de autocorrelación espacial ...........................................36 2.5.5.3 Local Indicator of Spatial Association (LISA) ............................38 2.6 Mapeo del crimen (Crime Mapping) ...................................................................38 2.6.1 Aspectos importantes para el mapeo ..........................................................38 2.6.2 Presentación de mapas delictivos ...............................................................39 2.6.3 Tipos de mapas útiles en el análisis delictivo .............................................40 2.6.4 Precauciones en la elaboración de mapas ...................................................40 2.7 Software Libre .....................................................................................................41 2.7.1 Tipos de licencias........................................................................................42 2.7.2 Software SIG libre útil para análisis delictivo ............................................43 2.7.2.1 Open Source GIS .........................................................................43 2.7.2.2 El impacto del software “geográfico” en Crime Mapping...........43 2.7.2.3 QGIS ............................................................................................44 2.7.2.4 CrimeStat ....................................................................................45 2.7.2.5 GeoDa ..........................................................................................46 2.8 Breve enfoque delictivo en Ecuador ....................................................................47 2.9 Ejemplos de aplicación de análisis delictual utilizando SIG ...............................48

3. Metodología .......................................................................................................51 3.1 Descripción de la zona de estudio ......................................................................53 3.2 Selección de datos delictivos ..............................................................................55 3.2.1 Elementos cartográficos .............................................................................56 3.2.2 Especificación de parámetros geográficos .................................................58 3.3 Aplicación de técnicas de análisis espacial con herramientas libres ..................59 3.4 Aplicación de estadísticas globales ....................................................................60 3.5 Pruebas de autocorrelación espacial ...................................................................61

6

3.6 Verificación de clusters mediante Nearest Neighbor Hierarchical Clustering .62 3.7 Kernel Density Estimation ...................................................................................63 3.8 Determinación de parroquias rurales con mayor índice delictivo .......................64

4. Resultados ..........................................................................................................65 4.1 Estadísticas globales ...........................................................................................65 4.2 Autocorrelación espacial ....................................................................................67 4.3 Verificación de clusters mediante Nearest Neighbor Hierarchical Clustering .71 4.4 Kernel Density Estimation ...................................................................................75 4.5 Determinación de parroquias rurales con mayor índice delictivo ......................80

5. Discusión ............................................................................................................85

6. Conclusiones y Recomendaciones ....................................................................89

7. Referencias bibliográficas ................................................................................91

8. Anexos ................................................................................................................99 Anexo 1. Oficio de solicitud de información ...........................................................99 Anexo 2. Lista de evaluación de un paquete de software para SIG .......................100 Anexo 3. Pautas para aplicar una metodología de trabajo útil a instituciones de seguridad utilizando SIG ........................................................................................102

7

Lista de figuras.

Pág.

Figura 1. Triangulo del delito ..................................................................................18 Figura 2. Criterios de contigüidad ...........................................................................28 Figura 3. Ilustración de Nearest Neighbor Hierarchical Cluster (NNH) ................29 Figura 4. Ilustración de Convex Hull aplicado al análisis delictivo ........................30 Figura 5. Ilustración del radio de búsqueda (ancho de banda) al aplicar KDE .......33 Figura 6. Ilustración de ancho de banda fijo y adaptado .........................................34 Figura 7. Diagrama de flujo de la metodología ........................................................51 Figura 8. Mapa de parroquias urbanas y rurales del cantón Cuenca .......................54 Figura 9. Estructura parcial de las bases de datos de delitos ...................................55 Figura 10. Mapa de MC y SDE de los delitos ocurridos en la zona urbana de Cuenca durante 2015 .................................................................................................66 Figura 11. Mapa de Significancia de muertes violentas ocurridas en la zona urbana de Cuenca durante 2015 ............................................................................................68 Figura 12. LISA Cluster Map de muertes violentas ocurridas en la zona urbana de Cuenca durante 2015 .................................................................................................68 Figura 13. Mapa de Significancia de robos y hurtos a personas ocurridos en la zona urbana de Cuenca durante 2015.................................................................................69 Figura 14. LISA Cluster Map de de robos y hurtos a personas ocurridos en la zona urbana de Cuenca durante 2015.................................................................................69 Figura 15. Mapa de Significancia de robos y hurtos de vehículos ocurridos en la zona urbana de Cuenca durante 2015 ........................................................................70 Figura 16. LISA Cluster Map de robos y hurtos de vehículos ocurridos en la zona urbana de Cuenca durante 2015.................................................................................70 Figura 17. Mapa de clusters de robos y hurtos a domicilios, personas y vehículos ocurridos en la zona urbana de Cuenca durante 2015 ...............................................73 Figura 18. Mapa de densidad de muertes violentas .................................................76 Figura 19. Mapa de densidad de robo y hurto a domicilios ....................................77 Figura 20. Mapa de densidad de robo y hurto a personas .......................................78 Figura 21. Mapa de densidad de robo y hurto de vehículos ....................................79 Figura 22. Mapa de coropletas de muertes violentas a nivel rural ..........................81 Figura 23. Mapa de coropletas de robos y hurtos a domicilios a nivel rural ...........82 Figura 24. Mapa de coropletas de robos y hurtos a personas a nivel rural ..............83 Figura 25. Mapa de coropletas de robos y hurtos de vehículos a nivel rural ..........84 8

Lista de tablas.

Pág.

Tabla 1. Clasificación de técnicas para análisis de hot spots ..................................26 Tabla 2. Requerimientos de sistema para instalar un software de SIG ...................44 Tabla 3. Archivos comunes para trabajar con QGIS ...............................................45 Tabla 4. Cantidad de delitos ocurridos en el cantón Cuenca a nivel urbano y rural durante 2015 ..............................................................................................................56 Tabla 5. Descripción de capas geográficas principales ............................................57 Tabla 6. Descripción de parámetros geográficos de las capas..................................58 Tabla 7. Definición de valores específicos para la realización de análisis de acuerdo a la zona urbana de Cuenca ......................................................................................59 Tabla 8. Definición de análisis a nivel urbano ........................................................60 Tabla 9. Características importantes obtenidas para MC y SDE ............................65 Tabla 10. Parámetros de autocorrelación espacial obtenidos por delito ...................67 Tabla 11. Valores de análisis de cercanía obtenidos por delito ................................71 Tabla 12. Cantidad de clusters por cada delito analizado .......................................74

9

Acrónimos API

Application Programming Interfaces

BSD

Berkeley Software Distribution

CMI

Cuadro – Control de Mando Integral

EDA

Exploratory Data Analysis – Análisis Exploratorio de Datos

FOSS

Free and Open Source Software

FSF

Free Software Foundation

GNU

GNU’s not UNIX

GPL

General Public License

ICPSR

Interuniversity Consortium for Political and Social Research

IDW

Inverse Distance Weighting

INEC

Instituto Nacional de Estadísticas y Censos

KDE

Kernel Density Estimation

LISA

Local Indicator of Spatial Association

MBR

Minimum Bounding Rectangle

MC

Mean Center

NACJD

National Archive of Criminal Justice Data

NIJ

National Institute of Justice of United States of America

NNH

Nearest Neighbor Hierarchical Clustering

NNI

Nearest Neighbor Index

ODBC

Open Database Connectivity

OGC

Open Geospatial Consortium

OLS

Ordinary Least Squares

SDE

Standard Deviation (al) Ellipse

SENPLADES Secretaría Nacional de Planificación y Desarrollo SIG

Sistema de Información Geográfica

UPC

Unidad de Policía Comunitaria

10

1. Introducción

1.1 Antecedentes Desde tiempos remotos la delincuencia ha sido asociada con el espacio. Ruiz García (2012) menciona que autores que datan del siglo XVIII como Henry Fielding, Patrick Colquhoun y Bernard Mandeville describieron características inherentes de la criminalidad que se refieren principalmente a ámbitos sociales y espaciales.

Debido a que el crimen posee características geográficas innatas, se ha tratado de representar los principales patrones relacionados mediante componentes espaciales que permitan determinar su ubicación. Chainey y Rattclife (2013) hacen alusión a los “pin maps” como una de las primeras formas de representar la criminalidad geográficamente.

Akpinar y Usul (2004) afirman que la distribución de incidentes criminales en el espacio no se da en forma geográficamente aleatoria, ya que estos incidentes son fenómenos humanos; y por ello para que un incidente ocurra, el delincuente y su víctima deben estar en la misma ubicación en un periodo de tiempo. Esto permite afirmar la importancia de conocer la localización de los diferentes actos delictivos en un centro poblado.

Con el paso del tiempo, el surgimiento de nuevas herramientas ha posibilitado perfeccionar las diferentes técnicas de análisis del crimen, principalmente mediante el uso de Sistemas de Información Geográfica (SIG), llegando a implementarse la denominada “geografía del crimen” a través de varios estudios que involucran otras ciencias sociales como Psicología y Sociología (Ruiz García, 2012).

La investigación se realizará con información delictual de sucesos registrados en el cantón Cuenca, uno de los más importantes de Ecuador. Dentro de este, existen sectores “tradicionalmente” peligrosos que son evitados por la ciudadanía para la realización de diferentes actividades. Generalmente estas zonas presentan gran concentración de personas y se ubican principalmente cerca de centros de comercio (mercados), centros de transporte o zonas de diversión y esparcimiento como parques o plazas y han sido catalogados de esta forma por la población que ha sufrido actos delincuenciales en estos sitios o en sectores aledaños a los mismos. Por lo que es necesario detectar de forma certera que estas zonas poseen altos índices criminales, para tomar medidas respectivas.

11

1.2 Objetivos

1.2.1 Objetivo general Analizar espacialmente las muertes violentas y robos – hurtos a domicilios, personas y vehículos ocurridos en el cantón Cuenca, Ecuador a nivel urbano y rural durante el año 2015.

1.2.2 Objetivos específicos 

Identificar los sectores con mayor índice delictivo del cantón en estudio dentro de la zona urbana.



Determinar las parroquias rurales del cantón en estudio con mayor incidencia delictiva.



Evaluar las principales herramientas de software libre útiles para su aplicación en análisis de actos delictivos.



Proponer una metodología de trabajo para las instituciones involucradas en el combate a la delincuencia.

1.2.3 Preguntas de investigación 

¿Cuáles son los sectores dentro de la zona urbana con más alto índice delictivo del cantón en estudio?



¿Cuáles son las parroquias rurales que presentan mayor índice delictivo en el cantón en estudio?



¿Qué herramientas de software libre están disponibles para la aplicación de técnicas espaciales relativas al análisis delictivo?



¿Existe una metodología de trabajo para que las instituciones involucradas en el combate al crimen puedan determinar zonas de alto índice delictivo mediante análisis espacial.

12

1.3 Hipótesis Mediante el uso de análisis espacial, se hace posible la detección de sectores que poseen un alto índice delictivo en el cantón Cuenca, Ecuador tanto a nivel de su zona urbana como de sus parroquias rurales.

1.4 Justificación La seguridad es una de las principales preocupaciones gubernamentales; por esta razón un análisis real de la situación criminal es muy importante para poder tomar las medidas correspondientes y así brindar a la población un ambiente tranquilo para vivir.

En Ecuador, los organismos competentes como la Policía Nacional u otras entidades deben contar con metodologías y herramientas que les permitan determinar de una manera acertada los lugares con alto índice delictivo, para de ese modo realizar un mejor control de dichas zonas y paulatinamente reducir el grado de incidencia criminal que las afecta.

Estas metodologías son muy útiles cuando se las aplican en el espacio, por ello es necesario conocer las diversas técnicas que pueden ser empleadas, además de las herramientas (software) que pueden utilizarse para la realización de estos análisis.

No se puede afirmar solamente por criterio ciudadano, que una zona es peligrosa o no; por ello es necesario saber si esos sectores realmente poseen índices de criminalidad relevantes para tomar medidas correspondientes.

También es esencial que las instituciones encargadas de este asunto cuenten con metodologías útiles con el fin de determinar zonas con altos índices de criminalidad, para que de algún modo puedan trabajar de mejor manera y así disminuirlos. En este sentido se debe destacar la importancia de la información que puede derivarse del uso de SIG, pues se obtiene un “inventario” geográfico que además de dar a conocer la ubicación de estos actos en un período de tiempo determinado, permite visualizar patrones espaciales de desplazamiento y su variación en el tiempo (Wieczorek y Hanson, 1997 citado en Akpinar y Usul, 2004) lo cual es de suma importancia para el análisis delictivo.

De acuerdo con el criterio de autores como Ekblom (1988), Borne y Wernicke (2003) (citados en Ruiz García, 2012) y Chainey y Ratcliffe (2013) se mencionan algunas utilidades esenciales del análisis del crimen como: la identificación de sectores críticos aquejados por la delincuencia para una mejor distribución de recursos; la generación de 13

análisis concisos de estos hechos a nivel de cualquier división administrativa basados en información confiable y la toma adecuada de decisiones en aspectos de seguridad ciudadana fundamentados en los elementos mencionados previamente; por ello es necesario conocer el proceso que permite determinar con mayor exactitud la incidencia del crimen en cierto sector. Es por eso que la investigación también hace un enfoque teórico de la aplicación de técnicas espaciales mediante el uso de SIG, herramienta que ayuda de gran forma a las instituciones a visualizar y analizar las relaciones espaciales entre diferentes capas de información, además de permitir la generación de acciones preventivas para incidentes que puedan ocurrir en el futuro (Akpinar y Usul, 2004).

Debido a la importancia que tiene el cantón Cuenca a nivel nacional como centro turístico e industrial de Ecuador, es importante que se identifique de forma clara los sectores que sufren altos índices delictivos, con el fin de disminuirlos o erradicarlos para que la realización de las actividades antes mencionadas no se vean afectadas, además de que sus habitantes se sientan seguros.

Todo lo expuesto hasta aquí, ayuda a destacar la importancia que tiene la realización de este trabajo, que, si bien se aplica específicamente al cantón Cuenca a nivel urbano y rural, pretende establecer una metodología de trabajo que pueda aplicarse, acoplándola a las características de otros lugares.

1.5 Alcance El alcance de esta investigación se basa en dar a conocer las principales técnicas de análisis espacial, útiles para determinar zonas de alto índice delictivo desde un enfoque teórico práctico y usando como caso de estudio la situación del cantón Cuenca durante el periodo 2015 mediante el análisis de algunas clases delictivas que generan mayor impacto social; aclarando además que la referencia a cantón engloba la zona urbana y rural del mismo.

Una de las políticas del gobierno ecuatoriano es promover el uso de software libre (Secretaría Nacional de la Administración Pública, 2008) y para la aplicación de las técnicas antes mencionadas es importante saber que existen herramientas libres, por lo que se indica cuáles son las más importantes, dando a conocer sus principales características y sus respectivos flujos de trabajo en la realización de los diferentes análisis.

14

Los resultados obtenidos de esta investigación se presentan mediante sendos mapas que muestran los diferentes análisis, aplicando las técnicas investigadas. Es importante mencionar que estos productos revelan las zonas más afectadas por el fenómeno delincuencial en el cantón en estudio, tanto a nivel urbano como rural durante el periodo de tiempo especificado.

Finalmente se pretende establecer una metodología de trabajo útil para las instituciones involucradas en temas de seguridad, de modo que mediante el uso de análisis espacial puedan determinar zonas con altos índices de criminalidad y logren mejorar sus procesos operativos para el combate a la delincuencia.

15

2. Revisión de Literatura Este apartado reúne algunos conceptos útiles relativos a la realización de esta investigación. Principalmente se describen temáticas relativas al uso de SIG para el análisis del crimen. A continuación, se describen los conceptos más importantes.

2.1 Análisis delictivo La seguridad es una de las principales preocupaciones de las sociedades. Según Salafranca y Rodríguez (2014), los gobiernos destinan importantes cantidades de su presupuesto para cubrir los gastos derivados en este aspecto. Sin embargo, estas inversiones no siempre se ven reflejadas en investigación o desarrollo de modelos científicos que proporcionen herramientas de trabajo útiles para la investigación policial.

Ante las consideraciones anteriormente expuestas, Salafranca y Rodríguez (2014) mencionan que “uno de los campos científicos con mayor proyección y capacidad de mejorar la efectividad policial y que merece una mayor atención es la geografía aplicada a la gestión policial” (Salafranca y Rodríguez, 2014, p. 722). Además los mismos autores indican que “el estudio de la delincuencia ha sido abordado desde distintos ámbitos de la ciencia (criminología, ciencias jurídicas, psicología) aunque es indudable que las organizaciones policiales siempre han reconocido la importancia de la geografía en sus investigaciones” (Salafranca y Rodríguez, 2014, p. 721). Sin embargo, antes de abordar el ámbito geográfico es necesario entender algunos conceptos básicos relativos al análisis delictivo en general.

El análisis delictivo se enfoca en varias teorías que permiten entender de mejor manera los principales factores que se deben considerar para la realización de diversos análisis.

Estas teorías, que brindan conceptos básicos referentes al análisis del crimen, se describen a continuación.

2.1.1 Concepto de Crimen Según Akpinar y Usul (2004), “crimen” es un concepto que puede definirse desde un sentido legal y no legal. Desde el punto de vista legal se refiere a infringir las leyes propias de una jurisdicción. Un crimen es un acto que puede atentar contra las personas como por ejemplo asesinatos o violaciones; contra la propiedad (por ejemplo: robos de vehículos) o contra reglas establecidas (por ejemplo: violar normas de tránsito).

16

Desde el punto de vista no legal se define al crimen como un acto que viola las reglas socialmente aceptadas para un comportamiento ético o moral.

También es importante recalcar que investigar las causas u orígenes del crimen requiere varias investigaciones multidisciplinarias tales como: sociología, criminología, psicología o economía (Akpinar y Usul, 2004).

Autores como Block (1998) y Canter (1998) sugieren realizar los siguientes análisis para identificar patrones de incidentes (Block, 1998; Canter, 1998 citados en Akpinar y Usul, 2004): 

Identificar áreas donde hay más probabilidad de encontrar a delincuentes



Determinar si hay atributos comunes entre casos reportados



Explorar relaciones entre incidentes y entidades geográficas como lotes o edificaciones



Estudiar el movimiento de los delincuentes para predecir la ubicación de futuros objetivos



Detectar si existe agrupamiento en la ubicación de los incidentes



Determinar si los incidentes tienden a ubicarse cerca de lugares específicos como lugares de ocio, en la periferia o el centro de una ciudad.

Akpinar y Usul (2004) mencionan que los analistas deben interesarse particularmente en identificar patrones de incidentes y determinar si estos patrones están distribuidos al azar o si hay una tendencia a formar agrupamientos (clusters). En este caso se debe intentar identificar las áreas con más alta concentración de incidentes.

Eck, Chainey, Cameron y Leitner (2005) hacen notar que el crimen no se distribuye de manera uniforme, se agrupa en ciertas áreas y está ausente en otras. La gente usa esta información al realizar sus actividades diarias para evitar algunas zonas y buscar otras, pues saben que el peligro de ser víctima de un acto delincuencial es mayor en los lugares de más alta concentración.

También, es importante mencionar que el delito puede concentrarse de diferentes maneras y a distintos niveles. Puede encontrarse un parque problemático, una calle con alta tasa de índice delictivo o un barrio completo con problemas relativos al crimen.

También se puede dar un patrón de ocurrencia sucesiva de delitos no asociados a un lugar sino a un objetivo (Vozmediano Sanz y San Juan Guillén, 2010).

Finalmente, según Sepúlveda (2010), es importante considerar el concepto de “criminología ambiental”, enfoque que se basa en factores ambientales o del entorno que pueden influir en actividades delictuales. Dichos factores son el espacio (geografía), 17

el tiempo, el delito, el delincuente y la víctima u objetivo, los cuales son una condición necesaria y suficiente, pues sin uno de ellos, no se constituye un incidente delictivo (Brantingham y Brantingham, 1991, citado en Sepúlveda, 2010).

2.1.2 Triángulo del delito Según Sepúlveda (2010), el triángulo del delito tiene mucha importancia en el análisis delictivo, ya que es útil para elaborar acciones de prevención ante actos delictivos que puedan ocurrir en el futuro mediante el análisis y cambio en algunos de los aspectos que contiene (Figura 1).

Clarke y Eck (2005) mencionan que el triángulo “proviene de una de las principales teorías de la criminología ambiental, la teoría de las actividades rutinarias” (p. 35).

Otras características importantes de esta teoría de acuerdo a Sepúlveda (2010) son:

El triángulo interno representa la idea de un delito que ocurre cuando un delincuente y una víctima u objetivo se reúnen en un mismo tiempo y lugar. Con la aparición del análisis enfocado a los problemas se agrega a esta figura un triángulo externo que simboliza a las personas que podrían ejercer control sobre los tres elementos de la figura interna. De acuerdo a esta teoría, la ausencia de control en algunos de estos elementos genera la oportunidad para la realización de un delito. (p. 63)

Figura 1: Triangulo del delito. Fuente: Clarke y Eck (2005).

2.1.3 Tipos de análisis delictuales Según Sepúlveda (2010), el análisis de reportes policiales de los hechos tiene como uno de sus objetivos mejorar la eficiencia policial para identificar patrones delictivos; por 18

ello es importante hacer una breve reseña de los diferentes tipos de análisis que se centren en ello. A pesar de que existen varios tipos de análisis, se explican solamente los que contienen un enfoque espacial, siendo los principales:

2.1.3.1 Análisis delictual táctico A través del análisis de elementos en común que puedan tener los eventos delictivos, es posible detectar patrones, es decir crímenes con similares características y que ocurren de forma repetida. Es importante mencionar que la detección de patrones debe ser informada en publicaciones o mediante procesos de trabajo con el área operativa para la ejecución de acciones certeras e inmediatas.

La identificación de patrones puede realizarse mediante: 

Enfoque por deducción/inducción: mediante la observación de características que presentan los hechos.



Enfoque por tipo de delito: mediante la división de los casos en dos categorías: delitos contra las personas y delitos contra la propiedad.



Identificación de patrones geográficos: el más importante para esta investigación ya que es necesario la creación de mapas de puntos o mapas temáticos de varios tipos de delitos para la búsqueda de lugares o zonas de mayor ocurrencia de delitos (lugares calientes o hot spot) (Bruce, 2002).

2.1.3.2 Análisis delictual estratégico Este análisis concentra sus esfuerzos “en los problemas delictivos a largo plazo, sus causas, las variaciones o tendencias de la criminalidad (aumento, disminución, estabilidad) y los factores existentes detrás de estos cambios” (Sepúlveda, 2010, p. 66).

El resultado de estos análisis debe presentarse por medio de informes estadísticos (que incluyen gráficos) y mapas, generando una respuesta cuyo objetivo es diseñar políticas y estrategias que permitan solucionar problemas delictivos dentro de plazos medianos o largos.

2.2 Análisis espacial Vann y Garson (2001) indicaron de forma precisa qué “análisis espacial usando SIG no es un sinónimo de análisis estadístico” (Vann y Garson, 2001, p. 472). Sin embargo,

19

desde el punto de vista de Wilson (2007), actualmente hay una tricotomía de técnicas que componen este término y son: SIG, análisis espacial y análisis de datos espaciales.

SIG es simplemente una herramienta para visualizar y manipular datos geográficos; usada para preparar datos para análisis estadísticos y mostrar los resultados de estos análisis, aunque algunos SIG incluyen herramientas de análisis espacial (Wilson, 2007).

Análisis espacial es el análisis de objetos geográficos en relación a otros objetos de la misma clase a través del espacio, es decir su ubicación y proximidad entre ellos.

Análisis de datos espaciales es la combinación de análisis espacial asociando los atributos de los objetos; SIG se usa para crear la estructura espacial para este análisis (Wilson, 2007).

Es importante considerar al análisis espacial como el estudio cuantitativo formal de los fenómenos que se manifiestan a sí mismos en el espacio, haciendo uso de técnicas que consideran la importancia de la ubicación (posición) de los objetos a analizar (Bailey y Gatrell, 1995 citado en Pezzuchi, 2015). 

Problemas en el análisis espacial de datos: Existe una clasificación empleada para caracterizar los problemas de análisis espacial de datos que emplea tres tipos de datos (Cámara, Davis y Monteiro, 2010 citado en Pezzuchi, 2015).



Eventos o patrones puntuales: son fenómenos que se expresan a través de su ocurrencia y se identifican con puntos ubicados en el espacio.



Superficies continuas: se estiman a partir de un conjunto de muestras de campo, mediante levantamientos de datos, que pueden estar distribuidas de forma regular o irregular.



Áreas con conteos y tasas: son datos asociados a relevamientos poblacionales como censos y aunque se relacionan a puntos específicos en el espacio son agregados a unidades de análisis delimitadas por polígonos cerrados como divisiones administrativas o sectores censales.

En el caso de los patrones de puntos el objeto de interés es la propia localización espacial de los eventos analizados y en el caso de las superficies continuas el objetivo es construir dicha superficie con las muestras de datos tomadas en campo (Pezzuchi, 2015).

20

2.3 Importancia de SIG en el análisis delictivo.

Es importante resaltar que el crimen y la delincuencia poseen características geográficas inherentes y debido a ello surgió la necesidad de representarlas y enfrentarlas con variables que permitan explicar la dinámica de su actuación (Ruiz García, 2012).

Las aplicaciones de SIG para uso policial empezaron a usarse a finales de la década de 1980 e inicios de la década de 1990, debido a los abaratamientos del costo de computadores y la creación de programas más accesibles para los usuarios. Debido a esto, a lo largo del tiempo muchos departamentos de policía han adaptado esta innovación para su trabajo (Harries, 1999).

Foresman (1998, citado en Harries, 1999) reconoce cinco eras en el desarrollo de SIG que son: 

La Pioneer Age que surgió a mediados de la década de 1950 y se mantuvo hasta inicios de la década de 1970 y se caracterizó por las características primitivas de hardware y software.



Research and Development Age inició en la década de 1980.



Implementation and Vendor Age que estuvo vigente en la década de 1990 y es en la que inició el Crime Mapping.



Client Applications Age que también inició en la década de 1990.



Local and Global Network Age que es la era actual.

La iniciativa presentada por el gobierno estadounidense, mediante organismos como National Institute of Justice (NIJ), a más de producir investigaciones y publicaciones importantes, motivó a desarrollar la Geografía del Crimen en varios países como Australia, Inglaterra, Chile, y otros que actualmente han implementado el análisis del crimen y la delincuencia mediante SIG y lo han reconocido como una herramienta fundamental para reducir y prevenir el crimen (Osborne y Wernicke, 2003 citado en Ruiz García, 2012).

2.3.1 Procesos preventivos La adopción de SIG para combatir al crimen ha permitido implementar un conjunto de procedimientos que forman el Proceso Preventivo (Ekblom, 1988). Dicho proceso permite realizar un seguimiento continuo del crimen y está conformado por los siguientes procedimientos (Ekblom, 1988):

21



Obtención de datos a través de fuentes oficiales, generalmente instituciones estatales.



Análisis e interpretación de los datos mediante diferentes métodos para determinar zonas de alto índice delictivo.



Elaboración de estrategias preventivas para aplicarlas no solo en las zonas críticas sino en todo el conglomerado de análisis.



Implementación de las estrategias formuladas para prevenir el surgimiento o proliferación del crimen. Esta fase requiere un alto grado de coordinación y perseverancia por parte de las instituciones que apliquen dichas estrategias.



Evaluación útil para estimar el impacto de las estrategias de prevención y verificar si los objetivos se están cumpliendo o de lo contrario replantear estas estrategias.

Según Akpinar y Usul (2004), el primer paso para la prevención del crimen es analizar el estado actual de la actividad delictiva, determinando la densidad o patrón de los incidentes.

Lab (2000, citado en Akpinar y Usul, 2004) afirma que encontrar donde se concentran los incidentes en términos de ubicación y tiempo puede ser un punto de partida efectivo para el análisis del crimen.

Para recalcar aún más la importancia que tiene el análisis delictivo, Ruiz García (2012) menciona que, de manera general, el análisis del crimen permite evaluar, prevenir y reducir actividades delictivas, empero es importante detallar algunas actividades concretas que permitan determinar de mejor manera la utilidad del análisis criminal (Ekblom, 1988; Borne y Wernicke, 2003; Chainey y Ratcliffe, 2005 citados en Ruiz García, 2012). 

Identificar zonas críticas de alto índice delictivo para focalizar y asignar de mejor manera los recursos policiales (efectivos policiales, patrullas, etc.).



Obtener información concisa sobre los problemas generados por el crimen a nivel de barrio, parroquia, ciudad o cantón.



Comprender la distribución y los potenciales generadores de actividad delictiva.



Registrar los diferentes hechos delictivos, incidentes y situaciones relacionadas.



Utilizar cartografía como medio para comunicar los resultados de los análisis.



Realizar el seguimiento de las estrategias preventivas para la reducción del crimen.

22



Contribuir en la mejora de los diferentes procedimientos realizados por las instituciones competentes a nivel operativo y estratégico.



A través de la difusión por diferentes medios dar a conocer la realidad delictiva a la ciudadanía e involucrarla en procesos preventivos y de combate al delito.

En la actualidad la aplicación de SIG al análisis del crimen tiene como pionero a Estados Unidos, especialmente por el desarrollo de software basado en estadística espacial. Estos programas se han difundido en varios países y los han adaptado como parte de su metodología para análisis del crimen en sus instituciones policiales (Ruiz García, 2012).

Akpinar y Usul (2004) afirman que el análisis y mapeo del crimen realizado mediante SIG, tiene un mayor rol en la reducción del crimen y en mejorar la efectividad de las actividades policiales. Es inevitable que las operaciones policiales se realicen con SIG tanto para el mapeo de incidentes como para la elaboración de diversos análisis.

Es importante saber que el conocimiento derivado de un SIG puede proveer un inventario geográfico simple que indica la ubicación de todos los eventos que ocurren en un periodo de tiempo determinado; mostrar diferentes patrones espaciales como la ubicación de ciertos delitos y su variación en el tiempo o presentar los resultados mediante análisis más complejos (Wieczorek y Hanson, 1997 citado en Akpinar y Usul, 2004).

Desde un sentido más amplio, el uso de SIG para mapeo y análisis del crimen no implica solamente elaborar mapas, el objetivo es contribuir con estrategias de seguridad y prevención de crímenes. Es conveniente citar una definición de análisis del crimen realizada por Boba (2005, p. 6): “Estudio sistemático del crimen y problemas relacionados con asuntos policiales que incluyen aspectos socio demográficos, espaciales y temporales, para asistir a la policía en la detención de criminales, reducción del crimen e incidentes, prevención del crimen y evaluación”. Esta definición es útil porque aborda todos los aspectos relativos al análisis del crimen como un estudio sistemático que incluye el aspecto espacial.

2.4 Análisis de Hot Spots El uso de la técnica analítica de puntos calientes o hot spot proporciona dos vías distintas de investigación; por un lado una visión descriptiva del fenómeno analizado, que toma como referencia la definición de hot spot ofrecida por Eck et al. (2005, p. 2) 23

“área que supera el número medio de eventos delictivos o un área en el que el riesgo de ser víctima de un delito es superior a la media” y que ofrece una representación gráfica muy específica y fácilmente interpretable.

En segundo lugar, la técnica hot spot se presenta como un indicador útil para identificar patrones futuros, actuando, en consecuencia, como una técnica útil para predecir dónde y cuándo se producirán hechos futuros tal y como indica Sherman (1995, p. 36) al definir los hot spot como “lugares pequeños en los que la incidencia del delito es tan frecuente que es muy predecible, por lo menos durante un periodo de un año”.

Según Harries (1999), un hot spot, dentro del espacio geográfico, es una condición que indica la formación de agrupamientos en una distribución espacial; pero el mismo autor destaca un aspecto cualitativo de ellos para el análisis delictivo ya que pueden hacer referencia solo a cierto tipo de crímenes.

2.4.1 Hot spots y escala Harries (1999) menciona que cualquier conjunto de puntos en un espacio geográfico puede convertirse en hot spot si se modifica suficientemente la escala. En una escala extremadamente pequeña (que muestra áreas extensas) todos los incidentes de un sector determinado aparecerán como un hot spot. A medida que la escala va aumentando, los puntos se dispersan hasta que en una escala grande (que muestra áreas pequeñas) los puntos pueden estar aislados.

Debido a que no existen criterios absolutos sobre los niveles de resolución de mapas, es posible manipular la presencia o ausencia de hot spots, ya que es muy difícil implementar estos criterios para aplicarlos en ambientes urbanos (Brantingham y Brantingham, 1995 citado en Harries, 1999).

2.4.2 Consideraciones adicionales sobre hot spots Los hot spots también permiten verificar variación de crímenes en el tiempo, ya que por ejemplo un lugar que en un año tuvo alta incidencia delictiva, pudo haberse trasladado a otro sector cercano. Esta comparación permite incluir la variable tiempo para determinar cómo los hot spots van cambiado con el pasar de los años.

Dependiendo del tipo de hot spot, serán más adecuadas ciertos tipos de representaciones a través de mapas, ya que el patrón observado y su interpretación serán distintos. Es importante conocer los tipos de hot spots y sus características para escoger el tipo de

24

mapa más idóneo a un objetivo concreto y a la hora de interpretarlo saber qué información ofrece (Vozmediano Sanz y San Juan Guillén, 2010).

Adicionalmente es importante acotar que todos los métodos para determinación de hot spots deben producir resultados similares. Harries (1999) afirma que si un método produce hot spots y una inspección visual indica que estos no existen se estaría cometiendo un error, por lo tanto, es importante recordar que algunos análisis involucran criterios del usuario que pueden generar ciertas variaciones que afectan a los resultados.

Para el análisis de hot spots existen diversos métodos que ayudan a comprenderlos y describirlos. Estos métodos pueden dividirse en dos grandes grupos que son (Lederer, Leitner, Atzmanstorfer y Beltrán, 2014): 

Análisis de patrones de puntos: Usa datos de puntos como delitos georreferenciados para analizar la distribución espacial de la delincuencia.

Para realizar este análisis existen pruebas estadísticas globales que ayudan a comprender patrones generales en el conjunto de puntos (Eck et al. 2005): 

Media aritmética espacial - Mean Center (MC).



Standard Deviation Ellipse (SDE).



Pruebas de agrupamiento como Nearest Neighbor Index (NNI).



Análisis de Clusters - Nearest Neighbor Hierarchical Clustering (NNH).



Kernel Density Estimation (KDE).

El análisis de patrones de puntos permite caracterizar la estructura espacial de un conjunto de puntos en función de parámetros como la densidad o las distancias entre puntos y su configuración en el espacio (Olaya, 2011). Las dos primeras medidas también son consideradas como medidas centrográficas (Olaya, 2011) y son el equivalente espacial de las medidas de tendencia central como la media (momento de primer orden) o la mediana, así como de las de dispersión tales como la desviación típica (momento de segundo orden). 

Análisis de patrones de área: Usa datos de superficie (polígonos) para describir los patrones delictivos. Generalmente el conjunto de datos poligonales se origina de datos puntuales que se agregan a unidades administrativas como distritos, parroquias o barrios.

Para la realización de este análisis existen dos métodos principales (Lederer et al. 2014): 

Autocorrelación espacial 25



Local Indicator of Spatial Association (LISA)

Existe otro grupo de procedimientos con componente estadĂ­stica que son las tĂŠcnicas de interpolaciĂłn, las que permiten el cĂĄlculo de densidades y otras tĂŠcnicas estadĂ­sticas mĂĄs complejas tales como tĂŠcnicas de agrupaciĂłn o regresiones espaciales (Olaya, 2011).

De acuerdo a los mĂŠtodos antes descritos, Lu (2000) hizo una clasificaciĂłn general de las tĂŠcnicas para anĂĄlisis de hot spots, segĂşn algunos criterios (Tabla 1).

Existencia de Hot Spot Moran I, Geary C, NNI, Ripley’s K

Criterio Escala de observaciĂłn

Vista Global

UbicaciĂłn de Hot Spot

Getis and Ord G, LISA

Vista Local

Tabla 1: ClasificaciĂłn de tĂŠcnicas para anĂĄlisis de hot spots. Fuente: Lu (2000).

La Tabla 1 especifica que de acuerdo a los criterios de observaciĂłn es posible detectar la existencia de un hot spot de manera global con las tĂŠcnicas especificadas y la ubicaciĂłn de un hot spot de manera local con las tĂŠcnicas descritas.

A continuaciĂłn, se detallan los mĂŠtodos citados anteriormente, los cuales son Ăştiles para el anĂĄlisis de sucesos delictivos.

2.5 MĂŠtodos espaciales Ăştiles para el anĂĄlisis delictivo 2.5.1 Medidas centrogrĂĄficas Representan descriptores bĂĄsicos de los datos espaciales, extendiendo las medidas de tendencia central y dispersiĂłn de la estadĂ­stica clĂĄsica al ĂĄmbito espacial (Olaya, 2011).

2.5.1.1 Media aritmĂŠtica espacial – Mean Center (MC) La principal medida de tendencia central espacial es la media aritmĂŠtica espacial, tambiĂŠn conocida como centro medio (mean center). El centro medio es un punto cuyas coordenadas son la media en cada eje de las coordenadas de los puntos analizados; es decir, el punto (x; y) tal como (Olaya, 2011): ∑đ?‘›đ?‘–=1 đ?‘Ľđ?‘– đ?‘ đ?‘› ∑ đ?‘Śđ?‘– Ě… = đ?‘–=1 đ?’š đ?‘ Ě…= đ?’™

26

Donde Xi y Yi son las coordenadas de una entidad i y N es el nĂşmero total de entidades.

El centro medio es el centro de gravedad de un conjunto de puntos, tomando como masa de cada uno el valor asociado a este. TambiĂŠn es el punto que minimiza la suma de distancias al cuadrado (Olaya, 2011).

Respecto a las medidas de dispersiĂłn, el equivalente a la desviaciĂłn tĂ­pica es la distancia tĂ­pica (Sd ), cuya expresiĂłn es la siguiente (Bachi, 1963 citado en Olaya, 2011):

∑đ?‘ đ?‘Ľ 2 ∑đ?‘ đ?‘Ś 2 đ?‘şđ?’… = √( đ?‘–=0 đ?‘– − đ?‘ĽĚ… 2 ) + ( đ?‘–=0 đ?‘– − đ?‘ŚĚ… 2 ) đ?‘ đ?‘ Es importante mencionar que en el caso espacial esta distancia es siempre positiva.

Una forma de representar la distancia tĂ­pica es mediante un cĂ­rculo con un radio igual al valor de dicha distancia centrado en el centro medio.

2.5.1.2 Standard Deviational Ellipse (SDE) Esta es otra medida de distribuciĂłn espacial, que permite determinar la direcciĂłn de la dispersiĂłn (Levine, 1996). Esta medida es importante ya que la mayor parte de fenĂłmenos espaciales no se extienden de forma uniforme hacia una direcciĂłn. La SDE se deriva de la distribuciĂłn bivariada (Levine, 2013a), la cual se calcula mediante: đ?‘Šđ?’Šđ?’—đ?’‚đ?’“đ?’Šđ?’‚đ?’•đ?’† đ?‘Ťđ?’Šđ?’”đ?’•đ?’“đ?’Šđ?’ƒđ?’–đ?’•đ?’Šđ?’?đ?’? = √

(đ?‘ đ?‘Ľ2 + đ?‘ đ?‘Ś2 ) 2

2.5.2 Anålisis de vecino mås cercano – Nearest Neighbor Index (NNI) Este anålisis se basa en las distancias de cada punto a su vecino mås cercano.

Comparando estas distancias con el valor que se debe esperar en una distribuciĂłn aleatoria, se puede inferir el tipo de estructura en la distribuciĂłn observada (Olaya, 2011). Para entender de mejor manera este concepto, es importante aclarar los tĂŠrminos cercanĂ­a y vecindad.

2.5.2.1 CercanĂ­a y vecindad De acuerdo a la primera la ley de la GeografĂ­a de Tobler: “Todas las cosas estĂĄn relacionadas entre sĂ­, pero las cosas mĂĄs prĂłximas en el espacio tienen una relaciĂłn mayor que las distantesâ€? (Tobler, 1970, p. 236), es vĂĄlido preguntarse quĂŠ se considera 27

como cercano, pues la definición de “vecindad” que se utilice con los polígonos que conforman las unidades territoriales es fundamental, puesto que tendrá un alto peso en el cálculo de parámetros como I de Moran. Este cálculo requiere crear un ponderador espacial, que se origina como una matriz de contigüidad tomando valores de uno para unidades territoriales adyacentes y de cero para las no adyacentes. Dicho esto, se puede considerar la vecindad entre unidades territoriales definida en primer orden de contigüidad por un criterio denominado “dama” en el que, si cualquier parte de los bordes o vértices que conforman una unidad territorial se juntan, se consideran vecinas, o el criterio “torre” que exige que los bordes sean comunes entre ambas unidades para considerarse como vecinas (CEPAL y UNICEF, 2014). La Figura 2 ilustra los criterios explicados anteriormente.

Figura 2: Criterios de contigüidad. Fuente: CEPAL y UNICEF, 2014.

2.5.3 Análisis por agrupación (Cluster Analysis) Johnson (2000) menciona que, para realizar un análisis de agrupación, primeramente se debe poder medir la semejanza o desemejanza entre dos agrupamientos de observaciones, existiendo medidas sencillas para medir desemejanza basadas en la distancia.

Se tiene varios algoritmos para agrupar y se debe considerar que, si se aplican diferentes algoritmos al mismo conjunto de datos, pueden producirse agrupamientos distintos, lo cual es algo indeseable. Debido a ello es necesario evaluar los resultados de los algoritmos de agrupación, teniendo como opción los métodos gráficos (Johnson, 2000).

Según Johnson (2000), la mejor manera de identificar agrupamientos es representar gráficamente los datos y luego seleccionar visualmente los agrupamientos.

2.5.3.1 Métodos de agrupación Existen dos tipos básicos para buscar agrupamientos y se distinguen por su naturaleza jerárquica o no jerárquica (Johnson, 2000).

28

En los mĂŠtodos de agrupaciĂłn (cluster) jerĂĄrquica, los datos observados se concentran en agrupamientos anidados, siendo los mĂŠtodos mĂĄs eficientes para este tipo de agrupaciĂłn los mĂŠtodos de agrupaciĂłn de un solo enlace. El mĂŠtodo del vecino mĂĄs cercano descrito anteriormente es un tipo de mĂŠtodo de agrupaciĂłn de un solo enlace (Johnson, 2000). La rutina para encontrar clusters jerĂĄrquicos inicia calculando la distancia entre cada punto. Un promedio de la distancia mĂĄs cercana entre todos los puntos es calculado y usado como umbral para agrupar los puntos en el espacio. Este cĂĄlculo se conoce como random nearest neighbor distance d (ran) y matemĂĄticamente se expresa con: đ?’…(đ?’“đ?’‚đ?’?) = 0.5√

đ??´ đ?‘

Donde A es el tamaĂąo del ĂĄrea de estudio que serĂĄ definido por el usuario y N el nĂşmero de eventos espaciales analizados (Levine, 2004).

Dos o mĂĄs puntos que tengan una distancia menor al valor de nearest neighbor distance se agrupan en clusters de primer orden. Repitiendo el proceso una vez que se han generado los clusters de primer orden, se crearĂĄn con base en ellos un grupo de clusters de segundo orden. (Leitner, 2013). Los clusters de segundo orden pueden agruparse en grupos mĂĄs grandes, por lo que el proceso se repetirĂĄ hasta que no se pueda identificar mĂĄs grupos. (Levine, 2004).

La tĂŠcnica que implementa el cĂĄlculo explicado anteriormente, es conocida como Nearest Neighbor Hierarchical Cluster (NNH) y se ilustra en la Figura 3.

Figura 3: IlustraciĂłn de NNH. Fuente: Levine, 2004.

29

2.5.3.2 Contornos mínimos Dado un conjunto de puntos, una operación geométrica muy común que se puede realizar para la representación de clusters jerárquicos, es delimitar dicho conjunto con un contorno mínimo. Conocer el espacio ocupado por un contorno puede ser útil para evaluar diferentes parámetros como la zona de cobertura del fenómeno que se está representando con esos puntos (Olaya, 2011).

Los contornos mínimos más importantes son: envolvente convexa mínima, rectángulo mínimo y círculo mínimo. A continuación, se describe la envolvente convexa mínima. 

Envolvente convexa mínima (Convex Hull): Define el polígono convexo de menor área dentro del cual se contienen todos los puntos del conjunto. Es la más común de las envolventes y su significado tanto geográfico como geométrico es muy útil en varios aspectos (Olaya, 2011).

Se recalca nuevamente que los convex hull pueden utilizarse para la representación de clusters jerárquicos aplicados al análisis de agrupaciones de puntos relativos a crímenes (Figura 4).

Figura 4: Ilustración de Convex Hull aplicado al análisis delictivo. Fuente: Olaya, 2011.

2.5.4 Kernel Density Estimation Este método se encuentra dentro del grupo de los Continuos Surface Smoothing Methods cuyo objetivo es representar la densidad o volumen de eventos distribuidos a lo largo de una zona. También suelen denominarse como técnicas de interpolación e incluyen a otros métodos como Inverse Distance Weighting (IDW) y Kriging (Chainey y Ratcliffe, 2013). En este sentido, la generación de superficies raster para el análisis de hot spots permite una interpretación más fácil de los patrones espaciales del crimen en comparación a otras técnicas, mostrando con una mejor precisión la distribución y ubicación de las áreas con alto índice delictivo (Eck et al., 2005).

30

El propĂłsito de KDE es estimar la intensidad de puntos en un sector determinado. Esta intensidad se define como una densidad de puntos limitante, es decir nĂşmero de puntos por unidad de ĂĄrea. Generalmente esta estimaciĂłn se realiza en un grid de puntos que cubren el ĂĄrea de estudio y con base en las estimaciones de intensidad realizadas en estos puntos se genera una superficie de intensidad (Rogerson y Yamada, 2008).

Esta tĂŠcnica es popular debido a que permite representar de forma visualmente atractiva una distribuciĂłn espacial; ademĂĄs se considera como un mĂŠtodo preciso comparada con otras tĂŠcnicas de detecciĂłn de hot spots (Chainey, 2013) y es quizĂĄs la tĂŠcnica mĂĄs utilizada para la visualizaciĂłn de hot spots debido a sus altas capacidades de predicciĂłn (Elmes, Roedl y Conley, 2014).

La superficie de densidad resultante representa la densidad de puntos referentes al crimen en el ĂĄrea de estudio y puede representarse con una gama de colores, tal como en los mapas de coropletas (Elmes et al. 2014).

SegĂşn Chainey (2013), la manera mĂĄs usual de representar geogrĂĄficamente incidentes criminales es mediante puntos. KDE se aplica en dichos puntos para obtener una superficie de suavizado que representa la densidad de la distribuciĂłn de puntos. En tĂŠrminos matemĂĄticos KDE se expresa con: đ?‘›

1 đ?‘‘đ?‘– ∑đ?‘˜( ) đ?’‡(đ?’™, đ?’š) = 2 đ?‘›â„Ž â„Ž đ?‘–=1

Donde f(x,y) es el valor de la densidad en la ubicaciĂłn (x,y), n es el nĂşmero de incidentes/puntos, h es el valor de ancho de banda, di es la distancia geogrĂĄfica entre el incidente i y la ubicaciĂłn (x,y) y k es la funciĂłn de densidad conocida como Kernel (Chainey, 2013).

Evaluando los componentes de la ecuaciĂłn de KDE, se puede inferir que el valor de densidad para cada ubicaciĂłn es afectado por el nĂşmero de puntos, su distribuciĂłn espacial y el valor de ancho de banda (Chainey, 2013).

Moreno (2005) menciona que no existe un solo tipo de Kernel, pues varios investigadores han acumulado algunos de ellos, siendo los tipos mås importantes: 

Uniforme



Triangular



Epanechnikov



Quartic



Triweight

31



Gaussiano



Coseno

La mayorĂ­a de los tipos de kernel citados anteriormente ofrecen una similitud importante en los mapas finales. Autores como Silverman (1986 citado en Moreno, 2005) o Hardle (1991 citado en Moreno, 2005) afirman que la elecciĂłn del tipo de Kernel es casi irrelevante debido a la bondad que presenta la estimaciĂłn (Moreno, 2005), sin embargo Bailey y Gatrell (1995 citado en Chainey, 2013); Ratcliffe (2002 citado en Chainey, 2013) y Levine (2004) mencionan que una elecciĂłn comĂşn para el tipo de k es Quartic, coincidiendo con el criterio de Rogerson y Yamada (2008).

En tĂŠrminos matemĂĄticos, Quartic Kernel se expresa de la siguiente forma: 2

2 đ?&#x2018;&#x2018;đ?&#x2018;&#x2013;đ?&#x2018;&#x2014; 3 đ?&#x2018;&#x2DC;(đ?&#x2018;&#x2018;đ?&#x2018;&#x2013;đ?&#x2018;&#x2014; ) = (1 â&#x2C6;&#x2019; ) ; đ?&#x2018;&#x2018;đ?&#x2018;&#x2013;đ?&#x2018;&#x2014; < đ?&#x153;? đ?&#x153;&#x2039;đ?&#x153;? 2 đ?&#x153;?2

Donde đ?&#x2018;&#x2DC; es la funciĂłn kernel, (đ?&#x2018;&#x2018;đ?&#x2018;&#x2013;đ?&#x2018;&#x2014; ) es la distancia entre los puntos ij y đ?&#x153;? es el â&#x20AC;&#x153;ancho de bandaâ&#x20AC;? (bandwith) de la funciĂłn. Valores mĂĄs altos de đ?&#x153;? implican mayor suavizado.

Todos los puntos dentro de una distancia đ?&#x153;? al grid de puntos reciben un peso diferente de cero en el estimador de densidad (Rogerson y Yamada, 2008).

Chainey (2013) menciona que, como en otras tĂŠcnicas de anĂĄlisis espacial, KDE requiere que el investigador determine valores de entrada de algunos parĂĄmetros tĂŠcnicos para producir buenos resultados. Los dos parĂĄmetros son el valor de tamaĂąo de celda (referido tambiĂŠn como resoluciĂłn) y el ancho de banda (tambiĂŠn referido como radio de bĂşsqueda). A pesar de que el tamaĂąo de celda no forma parte de la ecuaciĂłn de KDE, es importante acotar que diferentes tamaĂąos de celda producen diferentes resultados en la distribuciĂłn generada (Chainey, 2013). Debido a la importancia que los valores antes mencionados tienen en la aplicaciĂłn de este mĂŠtodo, se los describe a continuaciĂłn.

2.5.4.1 ElecciĂłn de ancho de banda y tamaĂąo de celda Estos parĂĄmetros son muy importantes al aplicar este mĂŠtodo, recalcando la importancia que tienen en la realizaciĂłn de anĂĄlisis de este tipo, pues es necesario establecerlos de antemano, ya que estos serĂĄn determinantes para los resultados que se van a obtener (De Cos, 2004).

32

El ancho de banda que equivale al radio superficial se utilizarĂĄ como base para el cĂĄlculo de la densidad. Este tiende a pronunciar y exagerar los valores de densidad cuanto menor sea su tamaĂąo y a suavizarlos si tiene un tamaĂąo mĂĄs amplio (De Cos, 2004).

Un ancho de banda pequeĂąo utiliza sĂłlo informaciĂłn local en la proximidad de grid de puntos; la estimaciĂłn resultante de la intensidad tendrĂĄ poco sesgo, pero alto grado de incertidumbre, debido a que se basa en poca informaciĂłn. Por otra parte, un ancho de banda amplio tiene menos incertidumbre, pero mayor grado de sesgo debido a que usa mĂĄs informaciĂłn no local (Rogerson y Yamada, 2008). El ancho de banda es el parĂĄmetro que darĂĄ lugar a mayores diferencias en los resultados cuando varĂ­a (Chainey y Ratcliffe, 2013). La Figura 5 ilustra cĂłmo se aplica el ancho de banda entre varios puntos.

Figura 5: IlustraciĂłn del ancho de banda entre varios puntos al aplicar KDE. Fuente: Chainey y Ratcliffe, 2013

Chainey (2013) afirma que no existen guĂ­as para una correcta elecciĂłn del tamaĂąo de celda, sin embargo, Chainey y Ratcliffe (2005, citando en Chainey, 2013) recomiendan que un tamaĂąo de celda adecuado de KDE para aplicarlo en la detecciĂłn de hot spots se obtiene dividiendo el Minimum Bounding Rectangle (MBR) por 150. Shekhar y Xiong (2007) mencionan que MBR es muy Ăştil para aproximar una figura mĂĄs compleja, encerrĂĄndola dentro de un rectĂĄngulo.

De manera similar ocurre con la elecciĂłn del ancho de banda, por lo que Bailey y Gatrell (1995, citado en Chainey, 2013) sugieren elegir un valor que se derive de un cĂĄlculo conocido como rough choice que se obtiene mediante: đ?&#x2019;&#x2030; = 0.68đ?&#x2018;&#x203A;â&#x2C6;&#x2019;0.2 Donde n es el nĂşmero de eventos observados a lo largo del ĂĄrea de estudio. Sin embargo, luego de algunos experimentos realizados se ha encontrado que este cĂĄlculo puede producir valores demasiado amplios para la investigaciĂłn criminal, por lo que

33

Chainey (2013), recomienda como buen punto de partida aplicar el cálculo utilizado en la detección de tamaño de celda (MBR dividido para 150) y el valor resultante multiplicarlo por cinco.

Varios autores sugieren que la mejor forma de conocer el ancho de banda adecuado es experimentando con varios valores; en este sentido los investigadores eligen el que muestra de mejor manera los resultados (Chainey y Ratcliffe, 2005 citado en Chainey, 2013).

De acuerdo a diversos estudios, Chainey (2013) llegó a la conclusión de que el tamaño de celda tiene un impacto pequeño en el resultado final, ocurriendo lo contrario con el tamaño del ancho de banda. El mismo autor afirma que mientras más pequeño es el tamaño de la celda, se requiere más procesamiento computacional debido al mayor número de cálculos que se realizan. Mientras tanto con anchos de banda más pequeños mejor será la capacidad del KDE para predecir patrones espaciales del crimen (Chainey, 2013).

Shi (2010) brinda otro criterio para la elección del ancho de banda y afirma que el mismo puede ser fijo, es decir tendrá un valor constante; o adaptado a la superficie generada. Esto se ilustra de mejor manera en la Figura 6.

Figura 6: Ilustración de ancho de banda fijo y adaptado. Fuente: Shi, 2010.

Como se ha visto, el ancho de banda es un aspecto crítico, además de que varios autores tienen criterios diversos respecto a su elección; empero Moreno (2005) sugiere que dicha elección se realice según estos tres enfoques:

34



Elegirlos subjetivamente ensayando con varios valores de ancho de banda y escogiendo el valor que ayude a expresar de mejor forma el mensaje que se desea transmitir.



Asumiendo que una distribución conocida subyace a los datos



Mediante métodos automáticos de obtención, lo cual no es aconsejable.

2.5.4.2 Ventajas e inconvenientes de KDE Una de las grandes ventajas de esta técnica es su precisión a la hora de localizar y definir los límites de los hot spots, por lo que se puede considerarla como una excelente herramienta para la detección de zonas urbanas conflictivas que permita a las instituciones competentes ubicar las zonas de mayor incidencia delictiva y tomar las medidas respectivas (Ruiz García, 2012).

La generación de patrones espaciales que permiten comprender más fácilmente los fenómenos evolutivos es otra ventaja de este método en comparación a los mapas de coropletas (De Cos, 2004).

Es importante también destacar que este método está disponible en la mayoría de programas de SIG, lo cual significa otra ventaja (Chainey y Ratcliffe, 2013).

Un inconveniente de esta técnica es que el nivel de smoothing se determina por el ancho de banda, lo que puede generar superficies sobre zonas donde no existen puntos criminales, es decir donde no ha ocurrido ningún crimen, exagerando la distribución delictiva (Chainey y Ratcliffe, 2013).

Otra limitación de este método es que los resultados obtenidos pueden ser muy geometrizantes: con formas ovaladas o concéntricas que cubren de manera parcial el territorio analizado haciendo abstracción de la realidad espacial (De Cos, 2004).

Debido a la importancia que tiene este método en el análisis delictivo y recordando que cada crimen representa un punto, a manera de resumen Elmes et al. (2014) indican las etapas para generar una superficie mediante KDE: 

Seleccionar un tipo de crimen dentro de un periodo de tiempo determinado



Elegir el tipo de kernel y el ancho de banda



Se construirá un matriz de celdas de M columnas por N filas que cubrirán el área de estudio



Por cada fila, columna y crimen se debe calcular la distancia entre este último y la celda para calcular el valor de la función kernel 35



Sumar todos los valores de la función kernel para todos los crímenes.

2.5.5 Análisis de datos espaciales regionales (por área) En ocasiones los datos espaciales observados son áreas o zonas, que pueden denominarse como datos agregados o regionales. Estas áreas serán los datos que van a observarse y deben tener límites definidos. Sin embargo, por su propia definición, varias zonas pueden unirse y generar un nuevo dato, por lo que el interés se basa en analizar si existe autocorrelación espacial entre varias unidades ya que muchas veces lo que sucede en una zona tiene relación con lo que pasa en una zona adyacente (Cabrera y García, 2015).

2.5.5.1 Autocorrelación espacial Según Olaya (2011) la autocorrelación espacial indica la relación entre el valor de una variable existente en un punto dado y los de la misma variable en el entorno cercano de dicho punto. La autocorrelación espacial es la expresión formal de la primera ley de la geografía de Tobler que fue enunciada en el apartado 2.5.2.1.

Los valores de la autocorrelación pueden ser positivos, es decir los puntos cercanos tienen valores más parecidos que los puntos lejanos; o negativos en donde los puntos lejanos tienen valores más parecidos que los puntos cercanos. En este sentido, Pezzuchi (2015) menciona que cuando valores elevados en un lugar tienden a asociarse con valores elevados en ubicaciones cercanas o valores bajos con valores bajos en ubicaciones cercanas se habla de autocorrelación espacial positiva; caso contrario cuando valores elevados en una ubicación están rodeados por valores bajos o viceversa, se habla de autocorrelación espacial negativa.

Para identificar de mejor manera el tipo de autocorrelación se puede decir que cuando existe agrupamiento la autocorrelación espacial será positiva y cuando hay dispersión (outliers) la autocorrelación espacial será negativa (Pezzuchi, 2015).

2.5.5.2 Medidas de autocorrelación espacial Existen dos medidas principales para cuantificar la autocorrelación espacial de una variable y son: el parámetro (también conocido como estadístico o índice) I de Moran (Moran, 1948 citado en Olaya, 2011) y el parámetro C de Geary (Geary, 1954 citado en Olaya, 2011).

36

ď&#x201A;ˇ

ParĂĄmetro I de Moran: El estadĂ­stico o Ă­ndice I de Moran se define como el cociente del producto de la variable de interĂŠs y su retardo (lag) de la forma (Cabrera y GarcĂ­a, 2015): â&#x2C6;&#x2018;đ?&#x2018;&#x203A;đ?&#x2018;&#x2013;=1 â&#x2C6;&#x2018;đ?&#x2018;&#x203A;đ?&#x2018;&#x2014;=1 đ?&#x2018;¤đ?&#x2018;&#x2013;đ?&#x2018;&#x2014; (đ?&#x2018;Śđ?&#x2018;&#x2013; â&#x2C6;&#x2019; đ?&#x2018;ŚĚ&#x2026; )(đ?&#x2018;Śđ?&#x2018;&#x2014; â&#x2C6;&#x2019; đ?&#x2018;ŚĚ&#x2026; ) đ?&#x2018;&#x203A; đ?&#x2018;°= đ?&#x2018;&#x203A; â&#x2C6;&#x2018;đ?&#x2018;&#x2013;=1 â&#x2C6;&#x2018;đ?&#x2018;&#x203A;đ?&#x2018;&#x2014;=1 đ?&#x2018;¤đ?&#x2018;&#x2013;đ?&#x2018;&#x2014; â&#x2C6;&#x2018;đ?&#x2018;&#x203A;đ?&#x2018;&#x2013;=1(đ?&#x2018;Śđ?&#x2018;&#x2013; â&#x2C6;&#x2019; đ?&#x2018;ŚĚ&#x2026;)2

Donde đ?&#x2018;Ś es la variable de interĂŠs, đ?&#x2018;ŚĚ&#x2026; es la media de đ?&#x2018;Ś, đ?&#x2018;¤đ?&#x2018;&#x2013;đ?&#x2018;&#x2014; es un elemento de una matriz de pesos espaciales y n es el nĂşmero de unidades espaciales i, j.

Este Ă­ndice toma un valor comprendido entre -1 y 1. Si es igual a cero, se interpreta que los datos estĂĄn distribuidos al azar, si es positivo habrĂĄ concentraciĂłn y si es negativo habrĂĄ una dispersiĂłn mayor de la que se espera en una distribuciĂłn de datos al azar.

Para resumir, si el valor I de Moran es significativo y positivo habrĂĄ similitud; si es significativo y negativo habrĂĄ disimilitud y si se aproxima a cero, habrĂĄ aleatoriedad e independencia espacial (Pezzuchi, 2015). ď&#x201A;ˇ

ParĂĄmetro C de Geary: La expresiĂłn matemĂĄtica de este parĂĄmetro es la siguiente: đ?&#x2018;Ş=

(đ?&#x2018;&#x203A; â&#x2C6;&#x2019; 1) â&#x2C6;&#x2018;đ?&#x2018;&#x2013; â&#x2C6;&#x2018;đ?&#x2018;&#x2014; đ?&#x2018;¤đ?&#x2018;&#x2013;đ?&#x2018;&#x2014; (đ?&#x2018;Ľđ?&#x2018;&#x2013; â&#x2C6;&#x2019; đ?&#x2018;Ľđ?&#x2018;&#x2014; )2 2đ?&#x2018;&#x160; â&#x2C6;&#x2018;đ?&#x2018;&#x2013;(đ?&#x2018;Ľđ?&#x2018;&#x2013; â&#x2C6;&#x2019; đ?&#x2018;ĽĚ&#x2026; )2

Donde đ?&#x2018;Ľ es la variable de interĂŠs, đ?&#x2018;ĽĚ&#x2026; es la media de đ?&#x2018;Ľ, đ?&#x2018;¤đ?&#x2018;&#x2013;đ?&#x2018;&#x2014; es un elemento de una matriz de pesos espaciales, n es el nĂşmero de unidades espaciales i, j y W es la suma de đ?&#x2018;¤đ?&#x2018;&#x2013;đ?&#x2018;&#x2014; El valor esperado de C es 1; valores menores a 1 indican autocorrelaciĂłn espacial positiva y los superiores indican autocorrelaciĂłn espacial negativa.

Mientras que el parĂĄmetro I brinda una caracterizaciĂłn mĂĄs global, el parĂĄmetro C es mĂĄs sensible a las variaciones locales en distancias reducidas (Olaya, 2011).

Eck et al. (2005) mencionan que este parĂĄmetro es Ăştil para sectores no extensos como un vecindario pequeĂąo.

Los parĂĄmetros antes mencionados definen la autocorrelaciĂłn espacial para un conjunto completo de puntos, es decir para toda el ĂĄrea de estudio, pero ademĂĄs existen otros parĂĄmetros que miden la autocorrelaciĂłn espacial a nivel local.

Es importante mencionar dos parĂĄmetros adicionales que son Gi(d) y Gi*(d) que cuantifican si un punto dado i se encuentra rodeado por agrupaciones de puntos con valores altos o bajos. La diferencia entre estos parĂĄmetros es que Gi(d) no considera el 37

valor de i (Getis y Ord, 1992 citado en Olaya, 2011). Pezzuchi (2015) sugiere que estos estadísticos pueden utilizarse para identificar patrones espacialmente aglomerativos con agrupamientos de valores bajos o altos.

2.5.5.3 Local Indicator of Spatial Association (LISA) Los Indicadores Locales de Asociación Espacial son una versión local del parámetro I de Moran propuesta por Anselin (1995).

Pezzuchi (2015) menciona que el estadístico local de Moran permite identificar patrones espacialmente aglomerativos y el estadístico local de Geary permite identificar patrones espaciales de similitud o disimilitud. Estos indicadores locales pueden asociarse con las estadísticas globales correspondientes e interpretarse de manera similar (Olaya, 2011), respectivamente con I y C. Por otra parte, en ocasiones es útil trabajar con los valores de probabilidad asociados, es decir con un valor de p pequeño (menor a 0.05) la localización estará asociada con valores relativamente altos en ubicaciones vecinas, y con valores de p grandes (mayores a 0.95) la localización estará asociada con valores relativamente bajos en las ubicaciones vecinas. Además se debe recalcar que LISA es un indicador de similaridad (Pezzuchi, 2015).

2.6 Mapeo del Crimen (Crime Mapping) Los grandes avances tecnológicos producidos en la informática permiten utilizar los mapas del crimen como una herramienta valiosa para la localización y estudio de esos hechos, ampliando su investigación y contribuyendo a un combate más eficaz de ellos (Igarzábal de Nistal y Borthagaray, 2007).

2.6.1 Aspectos importantes para el mapeo Como es conocido, un mapa modela la superficie terrestre y puede representar distintos tipos de entidades, las cuales poseen atributos que se encuentran en una tabla de datos y que las describen. La capacidad de ver, consultar, relacionar y manipular los datos que están detrás de estas entidades representa el verdadero poder de un SIG, ya que con un simple clic en un punto, línea, polígono o imagen se puede ver los datos asociados con ellos, facilitando su identificación y permitiendo obtener información detallada de forma instantánea. En un análisis delictivo esta información puede incluir características

38

de las víctimas, datos referentes al crimen como los motivos, fecha u hora en la que se cometió y detalles espaciales como la dirección de ocurrencia (Hill y Paynich, 2014).

También es necesario contar con un plano base o de referencia que permita entender de mejor manera la distribución del delito en la zona de estudio. Igarzábal de Nistal y Borthagaray (2007) sugieren que este plano debe contar con algunas capas como: 

Ejes de calle con nombre, numeración y tipo de vía



División catastral y Manzanas



División barrial



División en circunscripciones policiales



Comisarías y destacamentos policiales



Entidades bancarias y otros edificios de interés



Espacios verdes y parques.

En lo posible se debe tratar de enriquecer al plano base añadiendo más capas útiles para contar con más referencias en cuanto a la ubicación de las zonas delictivas. Además, es importante mencionar que los mapas necesitan ser actualizados periódicamente con capas de nuevas calles u otras entidades geográficas que hayan surgido (Akpinar y Usul, 2004).

2.6.2 Presentación de mapas delictivos La manera en que se puede presentar los mapas delictivos es muy amplia, sin embargo, Igarzábal de Nistal y Borthagaray (2007) afirman que es posible mostrarlos con base en estos criterios: 

Según distintas formas de clasificación de las variables: Se debe seleccionar el método de clasificación adecuado, de forma que se facilite la lectura del mapa. El método más utilizado es Natural Breaks (Jenks).



Según distintos cortes temporales: El análisis en el tiempo requiere que dentro de los períodos considerados las variables se midan en forma homogénea. Estos análisis pueden realizarse de forma mensual, trimestral, anual o según el periodo de tiempo que se requiera.



Según distintos tipos de datos espaciales: Los mapas pueden expresarse según lo que se quiera visualizar, puede ser mediante puntos, áreas o líneas, que deben contar con una simbología, coloración y tamaño adecuados.



Según diferentes unidades de análisis: El análisis se puede realizar mediante diferentes divisiones administrativas como barrios, parroquias, unidades 39

censales u otras. El mapa ideal para este tipo de representación es el mapa de coropletas.

2.6.3 Tipos de mapas útiles en el análisis delictivo Olaya (2011), menciona que existen varias alternativas en función del tipo de elemento que se desea simbolizar o las características de las variables analizadas, y la elección de una de estas opciones supondrá una importante diferencia en el mapa obtenido y su uso.

En un mismo mapa se pueden combinar varias de estas formas, en especial cuando se pretende representar más de una variable, buscando que esta representación se exprese con claridad.

A continuación, se mencionan algunos tipos de mapas útiles para la representación de cualquier mapa temático, pero que pueden aplicarse en el análisis delictivo y son: 

Mapas de símbolos proporcionales,



Mapas de puntos,



Mapas de coropletas.

Es importante mencionar que, según Stewart y Kennelly (2010), los mapas de coropletas se utilizan comúnmente para mostrar la variación cuantitativa entre unidades de enumeración como provincias o estados cuyas áreas ya están definidas. Esta variación se muestra mediante variables visuales que generalmente usan gamas de colores. En este sentido estos mapas pueden denominarse “gráficos geográficos”.

2.6.4 Precauciones en la elaboración de mapas La elaboración de un buen mapa no es una tarea fácil, pues se debe considerar que, aunque los datos luzcan bien, no significa que lo estén (Harries, 1999).

Una “regla de oro” según Harries (1999) es no aceptar ciegamente las configuraciones por defecto de los programas de SIG. Estas configuraciones pueden ser la selección del tipo de clasificación, el número de intervalos de clase, tipos de símbolos y su tamaño, o gamas de colores.

Clarke y Eck (2003) mencionan que los mapas enfocados en la solución de problemas delictivos sirven para cuatro propósitos importantes que son: 

Mostrar dónde se localizan estos problemas, lo cual es importante al iniciar un análisis y realizar la búsqueda de los problemas.



Ayudar a probar hipótesis sobre los problemas, lo cual es importante durante el análisis.

40



Mostrar cómo manejar los problemas, algo que es importante al implementar y evaluar una acción.



Mostrar los cambios en los problemas, algo esencial en un periodo de evaluación.

Es importante mencionar que los mapas no relatan una historia completa ya que los aspectos no geográficos evidentemente no podrán mostrarse en ellos; debido a esto, los mapas a menudo son parte de una presentación, pero rara vez son el único componente (Clarke y Eck, 2003).

2.7 Software Libre En los últimos años la informática ha visto el crecimiento de esta corriente y es común identificar al software libre con ciertas tecnologías. Es importante aclarar que esta clase de software no es ni una tecnología determinada, ni un tipo de programa, ni un sistema operativo. El software libre se define por su tipo de licenciamiento, por lo que la única manera de determinar si un programa es libre o no es revisando la licencia correspondiente (Rosa y Heinz, 2009).

Los autores citados anteriormente, definen de forma simplificada al software libre como un programa de computación cuya licencia permite ejercer una serie de libertades: 

libertad de ejecución del programa para cualquier propósito



libertad de estudiar el funcionamiento del programa y adaptarlo a necesidades propias, para lo cual es necesario acceder al código fuente.



libertad de distribución de copias del programa para ayudar a otros usuarios



libertad de mejorar el programa y liberar esas mejoras al público para beneficiar a la comunidad

De acuerdo a lo expuesto, Rosa y Heinz (2009) mencionan que el software comercial priva de esas libertades.

El programador estadounidense Richard Stallman es el principal ideólogo de la filosofía del software libre. Inició el proyecto GNU (GNU’s not Unix) en 1984, dando el primer paso para la construcción de software libre, además es el fundador de la Free Software Foundation (FSF). Este tipo de software también suele denominarse con las siglas FOSS cuyo significado es Free and Open Source Software, siendo muy importante recalcar que ambos tipos de software no son lo mismo ya que presentan diferencias filosóficas (Mata, 2007).

41

2.7.1 Tipos de Licencias Dentro del ámbito del software libre existen varias clases de licencias, siendo GNU GPL (General Public License) la más difundida y utilizada. Esta licencia fue desarrollada por la FSF y en breves términos protege al programa para que no pueda convertirse en software privativo.

Otro tipo de licencia es la denominada Copyleft, cuyo objetivo es evitar que los programas derivados de alguna modificación de un programa libre se distribuyan bajo licencias privativas.

Finalmente, la licencia BSD (Berkeley Software Distribution) desarrollada por la Universidad de Berkeley, brinda las mismas libertades que la licencia GNU GPL, con la diferencia de que permite usar el código fuente de programas derivados de programas libres para distribuirlos como privativos (Rosa y Heinz, 2009).

Rosa y Heinz (2009) hacen algunas recomendaciones para la selección de software libre como: 

Saber si el proyecto está en actividad, ya que es importante conocer si existe una comunidad de desarrolladores que apoyan al proyecto de software y elaboran mejoras continuas del programa.



Saber si el proyecto ha sido aceptado e incluido por otras distribuciones de software libre



Saber si el proyecto es estable y confiable (así ya no esté en actividad)



Analizar su funcionalidad para determinar si se acopla a las necesidades. Esta funcionalidad puede determinarse comparando el programa libre con uno privativo usado para la misma función.

Algunas de las ventajas de utilizar software por parte de instituciones estatales según Rosa y Heinz (2009) son: 

Se cuenta con sistemas confiables y seguros,



Mediante el uso de formatos de estándar abierto, se evita quedar atado a un software específico,



Se ahorra dinero en pago de licencias, pudiendo invertir esos montos en otros aspectos relevantes como capacitación,



Se genera independencia tecnológica de proveedores.

42

2.7.2 Software SIG libre útil para análisis delictivo Wilson (2007) menciona que, a diferencia de otros instrumentos científicos, el software es muy maleable y puede ser escrito para estudiar muchos problemas, por ello el movimiento de software libre ha eliminado efectivamente el monopolio de programas SIG que estaban en manos de unos pocos vendedores comerciales (Anselin, 2012).

2.7.2.1 Open Source GIS Muchas de las herramientas desarrolladas antes del año 2000 han tenido que depender de SIG comerciales para realizar funciones como almacenamiento de datos, visualización o mapeo. Sin embargo, con la evaluación del movimiento Open Source, este empezó a ser aceptado entre los desarrolladores de SIG, llevando a cabo varios proyectos al respecto y como resultado se generaron varios Desktop SIG FOSS que existen hasta la actualidad, siendo alternativas viables a las opciones comerciales e incrementando su uso para la investigación y enseñanza (Anselin, 2012).

Algunos ejemplos de estas plataformas son: GRASS GIS, SAGA, uDig, gvSIG y QGIS. Una lista extensa de FOSS GIS se puede encontrar en el sitio web de la Open Source Geospatial Foundation (http://opensourcegis.org) Es importante destacar tres características que, según Anselin (2012), facilitaron en gran medida el desarrollo de software espacial open source y son: Primero la existencia de librerías de código abierto para manejar datos espaciales y que sirven como base para desarrollar otros software. El segundo aspecto de importancia es el enlace espacial de los sistemas de bases de datos relacionales, tales como PostGIS para PostgreSQL, que facilita las operaciones con información espacial. Esto también ha facilitado el crecimiento de Web Mapping y la difusión de SIG en Internet.

Finalmente, la tercera característica que ha facilitado la extensión del software con capacidades de análisis espacial es la implementación de una arquitectura abierta y bien documentada de Application Programming Interfaces (API) que permiten extender las funcionalidades y añadir operación especializadas entre diversos software (Anselin, 2012).

2.7.2.2 El impacto del software “geográfico” en Crime Mapping Wilson (2007) menciona que, si bien existen varias investigaciones que proveen aspectos relativos a Crime Mapping, ninguna ha examinado lo que respecta a la influencia del software para analizar el crimen geográficamente.

43

Además, Wilson (2007) resalta la capacidad de “automatizar la geografía” con software SIG y análisis de datos espaciales para estudiar problemas sociales, se continúa fomentando con los avances en el desarrollo de herramientas para desarrollo de software y así poder trasladar técnicas manuales directamente en instrumentos científicos plasmados en software.

Por ello se han creado instrumentos (software) que permitan entender la dimensión espacial del crimen que antes no se consideraba.

2.7.2.3 QGIS Es un proyecto de desarrollo dirigido por voluntarios que cuenta con licencia GNUGPL. Es un programa multiplataforma y puede instalarse en varios sistemas operativos, con un proceso de instalación sencillo de acuerdo a las normas de cada sistema. Los paquetes de instalación y el código fuente están disponibles en el sitio http://download.qgis.org En cuanto a características del computador es recomendable que cumpla con estos requisitos, para ejecutarlo sin problemas (Tabla 2):

Requisito Memoria RAM: Procesador: Espacio de almacenamiento: Sistema operativo: Tarjeta gráfica:

Descripción Mínimo 4 GB. Velocidad mínima de 2.5 GHz. No se especifica una cantidad exacta, sin embargo el trabajar con datos geográficos suele ocupar mucho espacio.

Se recomiendo al menos 1 TB. De preferencia con arquitectura de 64 bits.

Mínimo de 2 GB de RAM, debido a la posibilidad de trabajar con modelos 3D.

Tabla 2: Requerimientos de sistema para instalar un software de SIG. Fuente: Dempsey, 2013.

Lo detallado anteriormente, según Dempsey (2013) brinda al computador que cumpla con esos requisitos, la posibilidad de trabajar con cualquier software SIG. QGIS se compone de dos “programas” QGIS Desktop y QGIS Browser. El primero permite manejar, mostrar, analizar y estilizar los datos, mientras que el segundo permite manejar y visualizar previamente los datos (Menke, Smith, Pirelli y Van Hoesen, 2015).

44

QGIS Desktop tiene una interfaz dividida en cuatro sub interfaces: barra de menús, barra de herramientas, paneles y map display, dentro del cual se mostrarán los datos (capas) que se añadan al proyecto. Algunos archivos con los que comúnmente se trabaja en QGIS se muestran en la Tabla 3 (Menke et al., 2015): Formato Vector

Raster

Bases de datos

Servicios web

Tipos de archivo Shapefiles (.shp), AutoCAD DXF (.dxf), Comma Separated Values (.csv), GPS eXchange Format (.gpx), lenguaje de marcas Keyhole (.kml), SQLite (.sqlite / .db) entre otros.

Arc Info ASCII Grid (.asc), Erdas Imagine (.img), GeoTIFF (.tif / .tiff), JPEG (.jpg / .jpeg), Portable Network Graphics (.png), Raster Lite (.sqlite), USGS ASCII DEM (.dem) QGIS posibilita el trabajo con bases de datos ODBC (Open Database Connectiviy), ESRI Personal Geodatabase, MS-SQL (Microsoft SQL Server), MySQL o PostgreSQL. QGIS soporta varios servicios web del Open Geospatial Consortium (OGC) como WMS (Web Map Service), WMTS (Web Map Tile Service), WCS (Web Coverage Service) y WFS (Web Feature Service).

Tabla 3: Archivos comunes para trabajar con QGIS. Fuente: Menke et al. 2015.

Otra característica importante de QGIS es su capacidad de añadir funcionalidades al programa mediante plugins, los cuales pueden elegirse de acuerdo a las necesidades del análisis e instalarse de forma muy simple.

Adicionalmente, Montesinos y Sanz (2007) destacan algunas características adicionales de QGIS como poseer una interfaz simple y agradable y enfocar sus últimas mejoras hacia su utilización en el sistema operativo Microsoft Windows; mejorando ostensiblemente sus operaciones de visualización y análisis en dicho sistema.

2.7.2.4 CrimeStat Heraux (2007), define a CrimeStat como un programa de estadística espacial útil para el análisis de ubicación de incidentes criminales. Se publicó en el año 2004 y su versión actual es la IV que fue liberada en 2015. Tiene tres componentes principales que son: Spatial Description: el cual permite al usuario realizar análisis respecto a la distribución de los datos.

Spatial Modeling: que permite analizar el comportamiento espacial de los datos.

45

Crime Travel Demand Modeling: que permite analizar el comportamiento potencial de criminales seriales.

CrimeStat es bastante intuitivo una vez que el usuario se familiarice con el software. Es distribuido a través del National Archive of Criminal Justice Data - Interuniversity Consortium for Political and Social Research (NACJD - ICPSR) o del National Institute of Justice (NIJ) en un archivo liviano que contiene el programa ejecutable así como su manual de uso separado en capítulos.

Es importante mencionar que no se necesita un computador de grandes características para la ejecución de CrimeStat; además soporta y genera archivos de varios formatos, sin embargo, una de las desventajas de este software es su dependencia al sistema operativo Microsoft Windows.

2.7.2.5 GeoDa Es una aplicación multiplataforma e independiente, es decir no necesita de ningún software SIG específico para su ejecución. Leitner y Brecht (2007) consideran que tiene la capacidad de analizar objetos caracterizados por su ubicación en el espacio como puntos (mediante sus coordenadas) o polígonos (a través de las coordenadas de sus bordes).

Este software está disponible de forma gratuita y puede descargarse directamente desde el sitio web del Center for Spatial Data Science de la Universidad de Chicago mediante el enlace https://spatial.uchicago.edu/software. En este mismo sitio web están disponibles guías de usuario, tutoriales e información complementaria (Anselin, Syabri y Kho, 2006).

La versión más reciente de GeoDa es la 1.8.10, liberada en julio de 2016 y su funcionalidad se basa en diferentes menús o una barra de herramientas.

GeoDa provee varias aplicaciones estadísticas para análisis espacial exploratorio de datos (EDA) y análisis espacial de confirmación de datos (Leitner y Brecht, 2007). Las herramientas para análisis exploratorios son principalmente indicadores globales y locales de asociación espacial y las herramientas para análisis de confirmación incluyen Ordinary Least Squares (OLS) y varias aplicaciones de regresión espacial. Es importante mencionar que según Leitner y Brecht (2007), las aplicaciones para análisis espacial exploratorio son muy útiles para análisis delictivos mediante mapeo y modelado. Para análisis más rigurosos, GeoDa contiene herramientas que permiten detectar hot spots y clusters mediante diversos test que permiten determinar 46

autocorrelación espacial global aplicando el Índice de Moran o local mediante los indicadores locales de asociación espacial (LISA).

2.8 Breve enfoque delictivo en Ecuador Para enfocar de mejor manera este tema, es necesario definir y conceptualizar los indicadores de seguridad ciudadana manejados en el país. Estos indicadores están plasmados en un manual realizado en el año 2015 por los Ministerios Coordinador de Seguridad y del Interior, además del Instituto Nacional de Estadísticas y Censos (INEC) y Fiscalía General del Estado. El objetivo de este manual es coadyuvar a una convivencia pacífica desde el enfoque de prevención y también comprender a la violencia y delincuencia como un fenómeno social, sirviendo como guía para las instituciones involucradas en la temática de seguridad, las cuales tendrán acceso a la descripción de los indicadores y a partir de ellos construyan estudios y análisis útiles para las propuestas de políticas públicas de seguridad ciudadana (Ministerio Coordinador de Seguridad et al., 2015).

Un principio elemental utilizado en el manual antes mencionado es que “el delito debe clasificarse de una manera que resulte útil para la prevención” (Ministerio Coordinador de Seguridad et al., 2015, p. 6), lo que indica que en lugar de registrar delitos por categorías y por jurisdicción, se lo registre por episodios con una mayor desagregación, para ser analizado desde diferentes puntos de vista y necesidades de acuerdo a los cambios en los patrones delictuales, que se van identificando y presentando. En este sentido la clasificación realizada está centrada principalmente en los delitos contra el derecho a la propiedad que son (Ministerio Coordinador de Seguridad et al., 2015): 

Robo a personas,



Robo a instituciones públicas,



Robo a instituciones de salud,



Robo a establecimientos colectivos u organizaciones sociales,



Robo a embarcaciones en espacios acuáticos,



Robo de automóviles,



Robo de bienes, accesorios y autopartes de vehículos,



Robo a domicilios,



Robo de bienes patrimoniales,



Robo a entidades financieras,

47



Robo a unidades económicas,



Robos en ejes viales o carreteras,



Abigeato (robo de ganado),



Hurto (apoderarse ilegítimamente de algo sin ejercer violencia).

Para los delitos antes mencionados existen diferentes tipos de modalidades como: asalto, estruche, arranchamiento, carteristas, sacapintas, aturdimiento con sustancias o fingir ser un funcionario. También se incluyen los tipos de armas utilizadas (armas de fuego, armas blancas, etc.) y los lugares de ocurrencia.

Como se puede observar, el análisis delictivo se lo realiza desde varios puntos de vista, por ello la Policía Nacional en sus operaciones utiliza un Control o Cuadro de Mando Integral (CMI) como herramienta para el monitoreo y planificación estratégica de sus operaciones. Basados en la premisa de que “no se puede controlar lo que no se puede medir o evaluar” (Ministerio de Gobierno, Policía y Cultos y Policía Nacional del Ecuador, 2010, p. 3), la Policía Nacional utiliza esta herramienta para la medición de resultados respecto al control de niveles delictivos además de permitir evaluar su gestión (Ministerio de Gobierno, Policía y Cultos y Policía Nacional del Ecuador, 2010). El diseño del CMI considera los delitos de mayor conmoción social y permite medir de manera mensual el comportamiento respecto a la ocurrencia de estos delitos, los cuales son: 

Muertes violentas (homicidios y asesinatos),



Robo/hurto a personas,



Robo/hurto a domicilios,



Robo/hurto a unidades económicas (locales comerciales),



Robo/hurto de vehículos (automóviles),



Robo/hurto de motocicletas,



Delitos sexuales,



Accidentes de tránsito.

2.9 Ejemplos de aplicación de análisis delictual utilizando SIG El análisis espacial del delito ha sido utilizado en varios países y su aplicación se ha enfocado mediante diferentes metodologías de acuerdo a las características específicas de las zonas estudiadas. A continuación se describen algunos ejemplos de análisis delictuales aplicados en diferentes lugares y de acuerdo a diferentes temáticas.

48

Descripción del fenómeno delictivo en la ciudad de Murcia, España a partir de herramientas SIG En esta investigación, Albaladejo-Garcia y Campos-Cotanda (2017) mencionan la importancia que tienen los mapas del delito elaborados mediante herramientas SIG para representar fenómenos delictivos, pues permiten observar e interpretar diferentes conductas delictivas.

Debido a que, de acuerdo al criterio de los autores, la delincuencia tiene un carácter geográfico neto, los análisis delictuales no solo permiten la identificación de zonas críticas, sino también facilitan la generación de métodos para prevenir y predecir actos criminales. La aplicación de hot spots permite visualizar temporal y espacialmente los diferentes hechos ocurridos en la ciudad de Murcia y así determinar los sectores más vulnerables por acción de la delincuencia, permitiendo analizar también algunas características que inciden en dicha vulnerabilidad.

Retrato robot del perfil geográfico de la delincuencia juvenil. Un análisis de la movilidad criminal en la ciudad de Albacete, España Los autores de este estudio, Fernández, Vázquez, Planells-Struse y Belmonte (2014), reconocen que los estudios delincuenciales pueden mejorar si se comprende de mejor forma el componente geográfico. Es importante que se analicen los lugares que presentan características que los hacen más propensos a sufrir actos criminales y para ello, es importante estudiar la existencia de patrones en el desplazamiento de los delincuentes con el fin de encontrar objetivos vulnerables.

Aunque este estudio se enfoca en el análisis del desplazamiento de la delincuencia juvenil en Albacete, la metodología aplicada es útil para analizar patrones delictivos acoplados a la vida rutinaria de la ciudadanía.

SIG, Crimen y Seguridad. Análisis, Predicción y Prevención del fenómeno criminal en la ciudad de Madrid, España Esta investigación realizada por Ruiz García (2012) se efectuó con datos correspondientes a la ciudad de Madrid. Es una investigación bastante completa, pues se enfoca integralmente en aspectos esenciales como la recolección y georreferenciación de los datos, hasta la aplicación de diferentes técnicas de análisis espacial con el fin de detectar zonas de alta incidencia delictiva en la capital española. El estudio también se enfocó en un análisis temporal que permitió determinar horarios (horas y días de forma 49

semanal y anual) y una simulación en tres dimensiones de los diferentes hot spots.

Estos aspectos son muy destacables, ya que junto con los diferentes tipos de mapas presentados, hacen que este estudio muestre un completo análisis de patrones delictivos, con el cual es posible tomar diferentes acciones para disminuir las tasas delictivas; además de que la metodología aplicada puede ser de mucha utilidad para las instituciones encargadas de combatir el crimen. Adicionalmente, es importante mencionar que esta investigación se realizó utilizando software comercial.

Propuesta de una metodología para el análisis de la información delictiva de alto impacto en el Estado de Morelos, México 2012 – 2013 Esta metodología propuesta por Vázquez, Ortiz, López y Guzmán (2014) se enfocó en delitos específicos (catalogados como de “alto impacto”) con datos obtenidos de diferentes instituciones estatales, lo cual garantizó la fiabilidad de los análisis.

Los autores mencionan que la elaboración de esta metodología permitió detectar procedimientos para la elaboración idónea de mapas delictivos y se planteó la aplicación de esta misma metodología en los estados limítrofes con el estado en estudio. Es importante resaltar que los mapas presentados en este estudio son de coropletas, los cuales muestran la cantidad de delitos ocurridos en cada municipio que conforma el estado de Morelos. Finalmente se destaca una conclusión interesante que se obtuvo de esta investigación y es que la información estadística y geográfica debe actualizarse, monitorearse y seguirse con frecuencia preferentemente mensual, además de formar parte del sistema de información del estado con el fin de mejorar los análisis delictuales.

Si bien los trabajos mencionados anteriormente presentan particularidades importantes que son útiles en la elaboración de esta investigación; el trabajo realizado por Vázquez y Soto (2013) “El análisis geográfico del delito y los mapas de la delincuencia” resalta la importancia que tienen los mapas para el seguimiento delictual en una ciudad; empero no se enfoca en una población especifica, además de centrarse en aspectos inherentes a ramas como Derecho Penal y Criminología. Por otra parte, la investigación “Modelo geoestadístico espacio-temporal en El Salvador: Análisis Estructural y Predictivo” elaborado por Rosa Alvarado (2011), presenta un interesante estudio geoestadístico de la criminalidad, pero con un análisis a nivel del país en estudio, con el fin de construir un mapa predictivo del crimen.

50

3. Metodología En este capítulo se describen los procedimientos que se deben seguir para la detección de zonas de alto índice delincuencial en la zona urbana y parroquias rurales del cantón Cuenca, Ecuador. La Figura 7 muestra el flujo de trabajo a seguir en esta etapa.

Figura 7: Diagrama de flujo de la metodología.

El proceso metodológico inicia con la selección de datos delictivos, para con ellos elaborar las estadísticas globales (MC y SDE) y aplicar las técnicas de análisis espacial que permitan verificar la existencia de clusters, realizar pruebas de autocorrelación, implementar KDE y determinar las parroquias rurales con mayor índice delictivo; para finalmente elaborar los mapas que permitan verificar los resultados y plantear una metodología de trabajo que pueda ser utilizada por las instituciones involucradas en asuntos de seguridad ciudadana.

Como se mencionó, varios autores han enfocado investigaciones de análisis delincuencial mediante SIG, ya sea a nivel de ciudades como Madrid (Ruiz García, 2012), Murcia (Albaladejo-García y Campos-Cotanda, 2017) o Albacete (Fernández, et al., 2014); a nivel estatal con una metodología aplicada al estado de Morelos, México (Vázquez, et al., 2014) o incluso a nivel de país con modelos geoestadísticos y análisis estructural y predictivo aplicado en El Salvador (Rosa Alvarado, 2011). Debido a la complejidad del fenómeno delincuencial, se hace necesario la elaboración de varias metodologías, las cuales coinciden en la importancia del uso de SIG para análisis criminal, lo cual no es una tendencia nueva,

pues como se ha mencionado

anteriormente, diversas investigaciones han surgido con este fin coincidiendo en un aspecto esencial que es dar a conocer las ventajas que presenta el uso de la información geográfica para el análisis delictual.

51

Algunos aspectos destacables que se pueden mencionar engloban varios conceptos.

Vázquez y Soto (2013) afirman que “un mapa delincuencial es una herramienta fundamental en la descripción de comportamientos criminales y patrones de la delincuencia” (p. 426). Debido a esto, la elaboración de este tipo de herramientas podría ayudar a mejorar de manera ostensible el control delincuencial en diferentes zonas administrativas por parte de las instituciones a cargo de dicha labor.

Ruiz García (2012) aplicó diferentes herramientas y técnicas de SIG para el análisis delictivo mediante el uso de un software SIG específico, enfocado a una ciudad de gran extensión como Madrid mostrando un análisis general; empero en la ciudad de Albacete, Fernández et al. (2014) en su investigación enfocada en delincuencia juvenil, aplicaron técnicas especificas para conocer los lugares de residencia de los criminales y la relación que mantenía con los sectores de más alto índice delincuencial. Mientras que en Murcia, Albaladejo-García y Campos-Cotanda (2017) centraron su metodología en realizar un balance de criminalidad a nivel municipal, complementándolo con la elaboración de sendos mapas delictivos cuyo objetivo fue determinar las zonas más conflictivas para los delitos que fueron analizados. Los tres estudios antes mencionados se acoplaron a zonas urbanas, de manera similar a la metodología abordada en la presente investigación, además de tener un objetivo común que es determinar las zonas con mayores índices delictuales dentro de los núcleos urbanos analizados.

Al realizar investigaciones en niveles administrativos mas grandes como un estado, se ha propuesto la elaboración de mapas de coropletas, lo cual ha permitido detectar el índice de criminalidad de cada municipio que compone dicho estado, como se evidencia en la investigación realizada por Vázquez et al. (2014) aplicada al estado mexicano de Morelos. En el caso de Cuenca, los mapas de coropletas se utilizaron para determinar los índices delictivos a nivel cantonal, con el fin de determinar las parroquias rurales que han sufrido mayor incidencia criminal.

Por lo expuesto anteriormente, más todo lo descrito en el apartado 2.9, dichas investigaciones han servido para brindar un mejor enfoque en la elaboración de este trabajo.

52

3.1 Descripción de la zona de estudio.

El cantón Cuenca se ubica en la parte sur de la región andina (o sierra) de Ecuador, siendo el más grande de la provincia del Azuay con una extensión de 3,086 km2. Es la sede de la capital provincial que es la ciudad de Santa Ana de los Ríos de Cuenca, cuya área ocupa aproximadamente 72 km 2 (Universidad de Cuenca, 2013). La división administrativa parroquial del cantón en la actualidad es de 15 parroquias urbanas y 21 rurales (Municipio de Cuenca, s.f a) y de acuerdo a la extensión antes mencionada la zona urbana ocupa un pequeño porcentaje del área total del cantón.

La población del cantón es de aproximadamente 417,632 habitantes, de los cuales 331,028 pertenecen al área urbana y 86,604 al área rural (Municipio de Cuenca, s.f. b).

Según los resultados del Censo Nacional Económico realizado por el INEC (2011), las principales actividades económicas practicadas en el cantón Cuenca se basan en: 

Actividades productivas: como fabricación de muebles, prendas de vestir, industrias manufactureras.



Actividades de comercio: ventas al por mayor y menor de alimentos y otros, además de puestos de venta.



Servicios: servicios de comida, alojamiento y actividades profesionales.

De estas, las actividades productivas, específicamente las industrias manufactureras son las que poseen mayores ingresos al año (INEC, 2011).

La Figura 8 muestra la división parroquial correspondiente. Para entender mejor el contexto del análisis en las zonas rurales del cantón, es necesario describir algunas características de las parroquias. Según el documento de Análisis de Vulnerabilidad del Cantón Cuenca (Universidad de Cuenca, 2013) las parroquias rurales tienen una estructura común territorial y cuentan con una “cabecera” que está conformada por una plaza central, una iglesia, un mercado, una casa comunal, un centro de salud, una Unidad de Policía Comunitaria (UPC) y una oficina correspondiente a la Junta Parroquial. Por lo general alrededor de la plaza central se encuentran varias edificaciones que sirven como viviendas o locales comerciales. Debido a que varias parroquias rurales son muy extensas, los habitantes de las zonas alejadas concentran sus actividades en la cabecera parroquial. Las parroquias urbanas poseen varios elementos antes mencionados, los cuales se ubican de manera más dispersa, y todas ellas forman en conjunto un solo núcleo urbano que es la ciudad de Cuenca.

53

Figura 8: Mapa de parroquias urbanas y rurales del cantรณn Cuenca.

54

3.2 Selección de datos delictivos Para determinar el índice delictivo, es necesario basarse en datos que permitan conocer donde éstos se han cometido. El método más utilizado para registrar la ocurrencia de un delito es la denuncia, las cuales son receptadas por la Fiscalía General que cuenta con sedes en todas las provincias del país. Además, el Sistema Integrado de Seguridad (ECU-911) recepta la ocurrencia de incidentes en los que se involucra la perpetración de delitos.

Las entidades de seguridad son las encargadas de receptar todos estos datos para realizar análisis y formular políticas que permitan disminuir y prevenir el índice delictivo.

En la ciudad de Cuenca, el Consejo de Seguridad Ciudadana, institución a la que fue necesario solicitar la información correspondiente (ver Anexo 1), es la organización que realiza estas tareas, es decir receptar los datos, que son la base para cualquier análisis y con ellos elaborar reportes que permitan conocer donde existe mayor incidencia de actos contra la ley. Es importante mencionar que para ello la entidad antes mencionada trabaja conjuntamente con la Fiscalía Provincial del Azuay y el Sistema Integrado de Seguridad ECU-911 además de otras entidades encargadas de velar por la seguridad en varios ámbitos, no solo el delincuencial.

Para un análisis más exacto, es imprescindible contar con una categorización de delitos, pues como es obvio existen diferentes tipos de ellos y que además se enfocan en objetivos diferentes. Como se mencionó anteriormente, para la realización de este trabajo investigativo, se utilizaron especialmente delitos contra la propiedad (robos hurtos a personas, domicilios y vehículos) y muertes violentas, debido a que estos causan mayor conmoción social; pudiendo a futuro ampliar la problemática analizada.

Se hace necesario contar con datos de acuerdo al periodo (año 2015). Estos datos deben tener una estructura definida como se muestra en la Figura 9.

Figura 9: Estructura parcial de las bases de datos de delitos.

La figura anterior muestra la estructura de los datos, la cual contiene un código principal, útil para el proceso de georreferenciación de los delitos ya que con este procedimiento se obtiene la información espacial para los análisis (zona, parroquia, 55

coordenadas x-y). Además es importante contar con información de otro tipo referente a cada acto delictivo como su tipo, fecha en que ocurrió, etc. Esta estructura no es estática, es decir pueden incluirse más variables de ser necesario, pero contiene elementos que no pueden omitirse y que son necesarios para que puedan visualizarse en un software SIG, sin embargo, como ya se mencionó, de acuerdo a los análisis que se quieran realizar es posible aumentar la cantidad de variables.

Por la amplia cantidad de delitos descritos en el apartado 2.8 de la revisión de literatura, este trabajo de investigación se centró en los delitos que más conmoción causaron a nivel social y que abarcaron varias problemáticas, durante en el periodo 2015: 

Muertes violentas (homicidios y asesinatos),



Robo/hurto a personas,



Robo/hurto a domicilios,



Robo/hurto de vehículos (automóviles).

La Tabla 4 muestra la cantidad de delitos ocurridos a nivel cantonal de acuerdo al tipo de parroquia durante el periodo 2015.

Delito

Cantidad a nivel urbano

Cantidad a nivel rural

Muertes violentas

13

6

19

Robo hurto a domicilios

786

204

990

Robo hurto a personas

1171

89

1260

Robo hurto de vehículos

167

44

211

2137

343

2480

Total

Total Cantón

Tabla 4: Cantidad de delitos ocurridos en el cantón Cuenca a nivel urbano y rural durante 2015.

De acuerdo a los valores de la tabla anterior, el 86 % de los delitos se registró en la zona urbana del cantón en estudio.

3.2.1 Elementos cartográficos.

Para la realización de análisis espacial, es necesario contar con elementos cartográficos, ya que son necesarios para ubicar los diferentes actos delictivos en el espacio. Para ello, es de vital importancia conocer la localización de los delitos, es decir la dirección en 56

donde han ocurrido, la cual debe ser lo más precisa posible. El proceso anterior se conoce como georreferenciación, y consiste en la transformación de las direcciones en coordenadas geográficas para poderlas ubicar espacialmente y realizar los correspondientes análisis.

Además se necesita disponer de amplia información cartográfica del cantón, siendo idóneo contar con las siguientes capas con el fin de presentar análisis más completos (Tabla 5):

Capa Ejes viales

Predios y manzanas

Descripción Calles,

avenidas

carreteras del cantón.

Predios y manzanas de la zona urbana.

Bancos,

Instituciones

y

Fuente

Año de actualización

Municipio de Cuenca

2014

Municipio de Cuenca

2014

INEC

2010

Municipio de Cuenca

2010

Municipio de Cuenca

2010

Municipio de Cuenca

2010

SENPLADES

2012

SENPLADES

2012

Municipio de Cuenca

2010

Municipio de Cuenca

2010

centros

educativos,

de

comercio, etc. Áreas municipales

Cuencas hidrográficas

Áreas verdes, parques, edificios.

Ríos,

riachuelos,

quebradas.

División

División parroquial

administrativa

en

parroquias urbanas y rurales.

División por distritos

División por circuitos

Cabeceras parroquiales Límite de zona urbana

División por distritos en el cantón.

División por circuitos en el cantón.

Centros cantonales de las parroquias rurales.

-

Tabla 5: Descripción de capas geográficas principales.

57

La información anterior permitió enfocar de mejor manera los análisis realizados, pudiendo además emitir diferentes resultados. Como se vio en la tabla anterior, todas estas capas de información se obtuvieron de entidades gubernamentales como el Municipio de Cuenca mediante su Departamento de Geomática y a través del Consejo de Seguridad Ciudadana de Cuenca, que a su vez ha recopilado esta información de la Secretaría Nacional de Planificación y Desarrollo (SENPLADES) y el Instituto Nacional de Estadísticas y Censos (INEC).

3.2.2 Especificación de parámetros geográficos.

Para la realización de los diferentes mapas, es necesario que los elementos que lo forman cuenten con una especificación de parámetros uniforme. La Tabla 6 detalla estos parámetros, siendo importante mencionar que utilizarlos es importante con el fin de estandarizarlos en todos los mapas resultantes.

Parámetro geográfico

Descripción

Sistema de coordenadas

Proyectadas

Proyección

Transverse Mercator (UTM)

Projected Coordinate System

WGS_1984_UTM_Zone_17S

Identificador de Referencia Espacial

EPSG:32717

Datum

World Geodetic System 1984

Elipsoide

WGS 84

Meridiano principal

Greenwich

Unidad

Metros Tabla 6: Descripción de parámetros geográficos de las capas.

Además de los datos mencionados anteriormente, fue necesario conocer la longitud total de las calles de la zona urbana del lugar de estudio, además de su área, ya que los análisis se adaptan de mejor forma a la zona y producen mejores resultados, pues se centran netamente en la extensión específica del lugar en estudio.

58

Los valores antes mencionados, pueden obtenerse mediante una sumatoria simple en una hoja de cálculo tanto de la longitud de cada calle como del área de cada parroquia y deben estar en metros. También es indispensable conocer las coordenadas X-Y de los puntos inferior izquierdo y superior derecho, los cuales pueden detectarse mediante una simple visualización de coordenadas en un software SIG. Estos valores son necesarios porque permiten una mejor adaptación de los análisis a la zona urbana, con el fin de reflejar de manera más real los resultados de los análisis.

A continuación se detallan los valores usados específicamente en este trabajo de investigación, de acuerdo a la zona de estudio, especialmente para los análisis realizados con el software CrimeStat IV (Tabla 7):

Parámetro

Valor específico

Longitud de calles de la zona urbana

1,253,833.52319 m.

Área de la zona urbana

76,369,938.29107 m2

Punto inferior izquierdo (Coordenadas)

X: 714,265

Y: 9,675,306

Punto superior derecho (Coordenadas)

X: 734,271

Y: 9,687,848

Tabla 7: Definición de valores específicos para la realización de análisis de acuerdo a la zona urbana de Cuenca.

3.3 Aplicación de técnicas de análisis espacial con herramientas libres La metodología debe adaptarse al tipo de parroquia, es decir si es urbana o rural por las razones que se explican a continuación.

A nivel urbano: En la zona urbana se tiene más precisión en los procesos de georreferenciación ya que se cuenta con más entidades geográficas que permiten que los análisis detecten de forma más específica los sectores con más alta incidencia criminal.

También es importante aclarar la diferencia entre los análisis realizados a nivel de zona urbana (la ciudad como tal), que son más específicos que los realizados a nivel de parroquia, ya que estos análisis solamente indicaron cuál de ellas tiene mayor índice delictivo. Debido a que se utilizaron varios paquetes de software, es necesario que se especifiquen los procedimientos realizados, como se indica en la Tabla 8: 59

Procedimiento – Análisis

División administrativa

Software a utilizar

Estadísticas Globales: MC y SDE

Zona urbana

CrimeStat IV

Autocorrelación Espacial

Parroquias urbanas

GeoDa

Nearest Neighbor Hierarchical Clusters (NNH)

Zona urbana

CrimeStat IV

Kernel Density Estimation (KDE)

Zona urbana

QGIS (plugin HeatMap)

Tabla 8: Definición de análisis a nivel urbano.

A nivel rural: Como se mencionó en la descripción de la zona de estudio, la gran extensión de las parroquias rurales, impide que los análisis tengan una mayor precisión por el hecho de que los procesos de georreferenciación son más generales ya que las distintas comunidades no tienen una ubicación establecida de forma certera; además de que no se tienen todas las entidades geográficas necesarias como calles, predios, manzanas, edificios, entre otros. Empero, mediante procesos de clasificación de datos reflejados en mapas de coropletas se puede determinar la cantidad de delitos ocurridos a este nivel parroquial, para lo cual se utilizó el software QGIS. Los mapas finales aplicando las técnicas MC, SDE, NNH y KDE a nivel urbano y los de coropletas a nivel rural se elaboraron en QGIS mediante su herramienta “Diseñador de Impresión” (Print Composer). Los mapas que reflejan los resultados de autocorrelación espacial se elaboraron en GeoDa.

3.4 Aplicación de estadísticas globales Las estadísticas principales determinadas fueron MC y SDE, los cuales son los análisis más simples, pues no implicaron realizar procedimientos largos ni complejos.

Aunque ya se mencionó en el apartado 2.5.1.1 de la revisión de literatura, es válido recalcar que el MC es el punto en el que la distribución que se encuentra en equilibrio, es decir es el “centro de gravedad” de la distribución de datos y la SDE describe la distribución espacial del conjunto de datos, dando a conocer su dispersión y orientación

60

la cual se calcula alrededor del MC y abarca aproximadamente el 68 % de los casos. El procedimiento se realizó en CrimeStat IV.

3.5 Pruebas de autocorrelación espacial La autocorrelación espacial permite esencialmente a verificar si un punto, en este caso un delito, tiene relación con un similar cercano, siendo según Pezzuchi (2015) positiva cuando existe agrupamiento y negativa cuando hay dispersión.

Al realizar esta prueba, es posible tener una primera visión de las divisiones administrativas que presentan concentración de delitos, empero, es importante hacer algunas consideraciones para evitar que esta prueba sea contraproducente.

Es importante mencionar que la poca cantidad de datos es un factor negativo, por lo que se detectó únicamente la autocorrelación espacial local mediante el Local Indicator of Spatial Association (LISA) a través del software GeoDa. También es importante mencionar que, para la aplicación de LISA, fue imprescindible crear un archivo de pesos Weight File, cuya función permitió determinar el criterio de contigüidad que se estableció para el cálculo del indicador (Anselin, 2005) y que en el presente caso será vecindad por criterio de dama (Queen Contiguity), debido a que define criterios de vecindad de acuerdo bordes o vértices comunes (Eck et al, 2005), abarcando de mejor manera la distribución espacial de los datos analizados.

Al finalizar, LISA creará tres tipos de visualización: Significance Map, Cluster Map y Moran Scatter Plot, los cuales se definen brevemente a continuación. 

Significance Map: Representa los patrones significativos de la asociación espacial. Los clusters con valores significativos (la significancia va de 0.0001 a 0.05) y se visualizan en gamas de colores diferentes (Lederer y Leitner, 2014).



Cluster Map: Muestra los clusters significativos locales de divisiones administrativas con valores altos (hot spots) representados generalmente con color rojo y bajos (cold spots) representados con color azul. Los valores atípicos espaciales se visualizan con gamas de colores de acuerdo a sus valores (Lederer y Leitner, 2014). En este sentido es importante destacar los conglomerados espaciales, que se basan en el parámetro I de Moran Local y que según CEPAL y UNICEF (2014) son cinco y se analizan respecto a la variable de interés: o Alto – Alto: Área con valor de análisis encima del promedio, significativamente rodeado de áreas con valores similares (hot spot).

61

o Bajo – Bajo: Área con valor de análisis por debajo del promedio, significativamente rodeado de áreas con valores similares (cold spot). o Bajo – Alto: Área con valor de análisis bajo, significativamente rodeado de áreas vecinas con valores sobre el promedio. o Alto – Bajo: Área con valor de análisis alto, significativamente rodeado de áreas vecinas con valores por debajo el promedio. o Relación no significativa: No existe relación significativa entre el área con los valores de sus vecinos. 

Moran Scatter Plot: Brinda información sobre la autocorrelación global e identifica los diferentes tipos de asociación espacial entre una localización y sus vecinos, categorizando la asociación espacial positiva y negativa en cuatro cuadrantes (Lederer y Leitner, 2014).

3.6 Verificación de clusters mediante Nearest Neighbor Hierarchical Clustering Los agrupamientos o clusters fueron detectados aplicando la técnica NNH mediante Convex Hulls: polígonos que contienen un cierto número de puntos del conjunto de datos analizado. La razón por la que se utilizó esta técnica fue debido a que permitió detectar agrupaciones de delitos, e identificar los sectores más críticos.

Es importante mencionar que según la cantidad de datos, será la extensión del polígono generado; con muchos datos los polígonos serán pequeños, debido a que estos no están demasiado dispersos, pero con pocos datos, la dispersión entre ellos aumenta y se generan polígonos más grandes.

El procedimiento se realizó en CrimeStat IV con algunas consideraciones importantes como la elección del radio de búsqueda y la cantidad de puntos mínimos que se deben agrupar. Esta elección se hace con base en la cantidad total de datos.

A veces será necesario realizar varias pruebas para determinar el mejor polígono resultante. Además, si la cantidad de datos es grande, es recomendable seleccionar un radio de búsqueda amplio y una cantidad coherente de número mínimo de puntos a agrupar (Levine, 2013c), recordando que la unidad de salida es metros.

Si luego de realizar varias pruebas no se generan polígonos, es probable que los datos estén muy dispersos; sin embargo, es posible continuar formando clusters de orden superior hasta obtener el resultado esperado (Levine, 2013c).

62

En este sentido es importante añadir dos conceptos importantes que fueron de utilidad a la hora de interpretar los resultados de esta técnica, los cuales se explican a continuación: 

Nearest Neighbor Index (Índice de vecino más cercano): Si bien, en el apartado 2.5.2 de la revisión de literatura se hizo una breve alusión a este concepto, es necesario complementarlo para un mejor entendimiento de los resultados. Según Levine (2013b) este índice permite determinar la distancia media entre sucesos comparándola con la que se esperaría si dichos sucesos se distribuyeran de manera aleatoria. Los valores que puede tomar este índice varían entre -1 y 1 y su significado es: 

Valores menores a 1: indican que los sucesos se encuentran más concentrados de lo que se espera en una distribución aleatoria.



Valores cercanos a 1: indican que los hechos se distribuyen de manera aleatoria.



Valores mayores a 1: los sucesos se encuentran más dispersos de lo que se espera en una distribución aleatoria.



Average Density (Densidad promedio): Es el número de incidentes divididos para el área, es decir el número promedio de incidentes por unidad de área, en este caso metros cuadrados. Esta densidad también es conocida como Intensity (Levine, 2013b). Para obtener resultados más precisos, es importante ingresar el área de la zona de estudio (ver Tabla 7).

Los valores de Mean Nearest Neighbor y Minimum Distance también permitieron determinar qué tan agrupados estuvieron los eventos analizados.

3.7 Kernel Density Estimation La aplicación de esta técnica permitió detectar zonas de alta densidad delictiva. Esta detección se elaboró con base en una gama de colores. El procedimiento se realizó mediante el software QGIS, pero con la instalación de un complemento (plugin) llamado HeatMap (mapa de calor) que generó un archivo raster. Es muy importante mencionar que este raster debe ser lo más intuitivo posible, es decir que la superficie generada no sea demasiado extensa y se acople a la distribución de los datos; para esto los parámetros de cálculo de KDE influyen directamente.

63

Los parámetros más importantes que se deben considerar son el radio, que para este caso tiene un valor de 100 y el tamaño de las celdas que tiene un tamaño de 5, pues con ellos el raster generado se adaptó de la mejor forma posible a la realidad de los datos y permitió que los resultados sean más fáciles de interpretar.

Es importante mencionar que el Kernel utilizado por QGIS es de tipo Quartic, al cual se hace alusión en el apartado 2.5.4.

3.8 Determinación de parroquias rurales con mayor índice delictivo La determinación de parroquias rurales con mayor índice delictivo se realizó mediante mapas de coropletas elaborados en el software QGIS, los cuales reflejaron las parroquias con mayor cantidad de delitos registrados, pudiendo identificarlas según una gama de colores establecida. Ya que la cantidad de datos por delito es diferente para cada tipo, la gama de colores cambió según la cantidad de estos, pues el número de clases resultantes para cada conteo de datos es distinto.

La presentación de estos mapas puede ser muy general, debido a la dificultad que representa georreferenciar con certeza los datos en la zona rural; empero brindaron información que permitió saber dónde existió más concentración de los diferentes tipos de delitos. En este sentido es importante mencionar que esta determinación también puede realizarse a nivel de parroquias urbanas, sin embargo, no fue necesario, pues las técnicas descritas anteriormente permitieron analizar de manera más precisa la zona urbana.

A continuación, se detallan los resultados obtenidos con el análisis de los mismos para entender de mejor manera la utilidad que brindan estas técnicas para el tratamiento de los eventos criminales.

64

4. Resultados 4.1 Estadísticas globales.

Como se ha mencionado, MC y SDE permiten verificar la distribución de los datos.

Los resultados generados se incluyeron en un solo mapa donde se observa el resultado de ambas técnicas para todos los delitos analizados mostrados en la Figura 10, la cual muestra principalmente los MC y SDE para cada tipo de delito en un color específico.

La Tabla 9 contiene los que se obtienen al calcular estas medidas mediante el software CrimeStat. Estos valores son el área de la SDE (en kilómetros cuadrados) y la orientación que presenta la elipse.

Delito

Área SDE (Km2)

Orientación de la elipse

Muertes violentas

30.28

Sureste

Robo Hurto a domicilios

29.39

Noreste

Robo Hurto a personas

11.82

Noreste

Robo Hurto de vehículos

23.88

Noreste

Tabla 9: Características importantes obtenidas para MC y SDE.

Los valores presentados en la tabla anterior permiten vislumbrar que, tres de los cuatro tipos de delitos analizados tuvieron la misma orientación de elipse, noreste, siendo todos ellos robos y hurtos; mientras que el cuarto (muertes violentas) tuvo una elipse orientada hacia el sureste. El delito que presentó una elipse de menor extensión (11.82 km2) fue robo y hurto a personas; esto se debe a que estos actos delictuales estuvieron concentrados. Los robos y hurtos a domicilios y vehículos presentaron áreas mayores a 20 km2 y finalmente la extensión de la elipse correspondiente a muertes violentas tuvo una extensión mayor a 30 km2 debido a la dispersión de los diferentes crímenes de esta clase.

65

Figura 10: Mapa de MC y SDE de los delitos analizados ocurridos en la zona urbana de Cuenca durante 2015

66

4.2 Autocorrelación espacial La Tabla 10 muestra los diferentes valores obtenidos para cada tipo de delito analizado a nivel de parroquias urbanas.

LISA Significance

LISA – Cluster Significance

p = 0.05

Alto – Bajo

-

-

Totoracocha

p = 0.05

Alto – Bajo

El Vecino

p = 0.05

Alto – Bajo

Delito

Parroquia

Muertes Violentas

El Vecino

Robo Hurto a Domicilios

Ninguna

Robo Hurto a Personas Robo Hurto a Vehículos

Tabla 10: Parámetros de autocorrelación espacial obtenidos por delito.

Como se pudo ver en la tabla anterior, de acuerdo a los valores de probabilidad asociados; un valor de p pequeño (menor a 0.05) indica que la localización estará asociada con valores relativamente altos en ubicaciones vecinas. Con esta aclaración, se determinó que, en los casos de muertes violentas, solamente la parroquia El Vecino presentó significancia con un valor p = 0.05 (Figura 11) y un conglomerado espacial alto-bajo que indicó que las parroquias vecinas contienen valores bajos de agrupación (Figura 12).

En el caso de robos y hurtos a personas, la parroquia Totoracocha es la única que presentó significancia con un valor p = 0.05 (Figura 13) y un conglomerado espacial alto-bajo (Figura 14). Para robos y hurtos de vehículos, nuevamente la parroquia El Vecino presentó significancia con un valor p = 0.05 (Figura 15) y un conglomerado espacial alto-bajo (Figura 16). Finalmente, para los robos y hurtos a domicilios no existió ningún tipo de significancia por lo que no se elaboró ningún mapa.

A continuación, se muestran los resultados obtenidos en GeoDa con la aplicación del Local Indicator of Spatial Association (LISA). Los mapas muestran el nivel de significancia y agrupamiento (LISA Cluster Map) con el número de permutaciones por defecto definidas en el software.

67

Muertes Violentas

Figura 11: Mapa de Significancia de muertes violentas ocurridas en la zona urbana de Cuenca durante 2015.

Figura 12: LISA Cluster Map de muertes violentas ocurridas en la zona urbana de Cuenca durante 2015.

68

Robo - Hurto a Personas

Figura 13: Mapa de Significancia de robos y hurtos a personas ocurridos en la zona urbana de Cuenca durante 2015.

Figura 14: LISA Cluster Map de de robos y hurtos a personas ocurridos en la zona urbana de Cuenca durante 2015.

69

Robo – Hurto de Vehículos

Figura 15: Mapa de Significancia de robos y hurtos de vehículos ocurridos en la zona urbana de Cuenca durante 2015.

Figura 16: LISA Cluster Map de robos y hurtos de vehículos ocurridos en la zona urbana de Cuenca durante 2015.

70

4.3 Verificación de clusters mediante Nearest Neighbor Hierarchical Clustering Los parámetros explicados en el apartado 3.6 se reflejan en la Tabla 11:

Delito

Mean Nearest Neighbor Distance

Minimum Distance

Nearest Neighbor Index (NNI)

Densidad promedio

Muertes violentas

1160.67 metros

3.54 metros

0.95774 (aleatorio)

0.000000 p/m2

Robo Hurto a domicilios

107.52 metros

0.00 metros

0.68990 (concentración leve)

0.000010 p/m2

Robo Hurto a personas

63.08 metros

0.00 metros

0.49402 (concentración)

0.000015 p/m2

Robo Hurto de vehículos

285.41 metros

0.00 metros

0.84410 (concentración baja)

0.000002 p/m2

Tabla 11: Valores de análisis de cercanía obtenidos por delito.

Observando los valores de NNI reflejados en la tabla anterior, se determinó que las muertes violentas presentaron un valor de 0.95774, es decir estos delitos se distribuyeron aleatoriamente. Los valores correspondientes a robos y hurtos a domicilios presentaron un valor de 0.68990, lo cual indicó concentración; sin embargo, es importante notar que existió más concentración en los robos y hurtos a personas, con un valor de 0.49402 y una baja concentración en los delitos cuyo objetivo eran vehículos con un valor de 0.84410.

Además, se determinó que la minimum distance en todos los delitos correspondientes a robos y hurtos fue de cero metros; mientras que para muertes violentas esta distancia obtuvo un valor de 3.54 metros, lo cual indicó dispersión en los datos correspondientes a esta clase de delito. Finalmente, es importante recalcar que los valores de Mean Nearest Neighbor Distance mientras más amplios sean, más dispersión existirá en los datos (Levine, 2013b); como se observó en los delitos analizados para el caso de muertes violentas (el delito con mayor dispersión) se obtuvo una distancia de 1160.67 metros; mientras que para robos y hurtos a personas (el delito con menor dispersión) la distancia fue de 63.08 metros.

71

La Figura 17 muestra el mapa con los diferentes clusters para cada tipo de robo - hurto, en el que se observa la existencia de lugares donde estas concentraciones coincidieron, a mรกs de que estuvieron distribuidas a lo largo de una gran extensiรณn de la zona urbana.

Ademรกs, es importante mencionar que las agrupaciones detectadas se encontraron alrededor de centros de comercio (mercados), centros de transporte y zonas de afluencia masiva como parques, plazas o centros deportivos.

72

Figura 17: Mapa de clusters de robo y hurto a domicilios, personas y vehĂ­culos ocurridos en la zona urbana de Cuenca durante 2015.

73

La Tabla 12 contiene la cantidad de clusters por cada tipo de delito analizado.

Número de clusters jerárquicos de orden 1

Delito

Robo hurto a domicilios

Robo hurto a personas

Robo hurto de vehículos Muertes violentas

Detalle de clusters Número

Cantidad de puntos

1

10

2

9

3

9

4

8

1

53

2

51

3

42

4

24

5

26

6

22

1

7

2

6

4

6

2 0

0

Tabla 12: Cantidad de clusters por cada delito analizado.

Como se mencionó anteriormente, para el caso de muertes violentas no se formaron clusters jerárquicos de primer orden, ya que los datos presentaron dispersión. El delito que más clusters generó fue robo hurto a personas con seis agrupamientos, en donde cada polígono tuvo 22 o más delitos.

Los clusters generados en robo y hurto a domicilios presentaron poca variación en su contenido ya que cada polígono tuvo entre 8 y 10 delitos de este tipo.

Para el caso de robo y hurto de vehículos, solamente se generaron dos clusters, donde cada polígono tuvo entre seis y siete delitos, ya que los datos no presentaron demasiada concentración.

74

4.4 Kernel Density Estimation Las Figuras 18, 19, 20 y 21 presentan los mapas en donde se aplicó esta técnica, resaltando los lugares cercanos a las zonas críticas para una mejor ubicación.

También fue necesario ampliar los sectores con mayor presencia de “zonas rojas” (zonas con alta incidencia delictiva) para detectar de mejor manera lugares de referencia que permitan una ubicación más certera de dichas zonas.

En cuanto a muertes violentas, se presentó una alta densidad en un sector específico debido a la poca cantidad de delitos de esta clase suscitados en el año 2015; por esta razón no fue necesario realizar la ampliación del sector afectado (Figura 18).

En cuanto a robos y hurtos a domicilios, la concentración se presentó alrededor de varios sectores desperdigados por toda la ciudad (Figura 19), sin embargo la zona con mayor nivel de incidencia se ubicó entre los barrios Nueve de Octubre y El Vecino.

Los robos y hurtos a personas presentaron concentración en el centro de la ciudad, aunque se dispersaron por gran parte del área urbana (Figura 20). Los mayores niveles de concentración estuvieron alrededor de los sectores de La Merced, Parque Calderón y barrio Nueve de Octubre.

De manera similar a los delitos descritos anteriormente, los robos y hurtos de vehículos se expandieron por gran parte de la ciudad (Figura 21), sin embargo, la mayor concentración se presentó en sectores aledaños al Estadio Municipal y al Complejo Deportivo de la ciudad.

75

Figura 18: Mapa de densidad de muertes violentas ocurridas en la zona urbana de Cuenca durante 2015.

76

Figura 19: Mapa de densidad de robo y hurto a domicilios ocurridos en la zona urbana de Cuenca durante 2015.

77

Figura 20: Mapa de densidad de robo y hurto a personas ocurridos en la zona urbana de Cuenca durante 2015.

78

Figura 21: Mapa de densidad de robo y hurto de vehĂ­culos ocurridos en la zona urbana de Cuenca durante 2015.

79

4.5 Determinación de parroquias rurales con mayor índice delictivo Los resultados obtenidos permitieron detectar las parroquias rurales con más alto índice de los diferentes delitos analizados a través de sendos mapas de coropletas. En este sentido, se puede afirmar que para este caso la interpretación fue muy simple, ya que solamente se basó en la gama de colores, la cual indicó la cantidad de delitos ocurridos.

Para el caso de muertes violentas, delito que presentó una escasa cantidad de datos, se registró un solo caso en cada parroquia implicada (Figura 22).

Los robos y hurtos a domicilios presentaron un índice más elevado a este nivel parroquial ya que las parroquias que presentaron una incidencia más alta fueron Ricaurte y El Valle con 21 a 25 delitos de esta clase. Es importante mencionar que este fue el delito (de los analizados) con mayor índice a nivel de esta clase de parroquias (Figura 23).

En cuanto a robo y hurto a personas, la parroquia Baños con 16 casos, es la que mayor índice presentó (Figura 24); mientras que en robos y hurtos de vehículos la incidencia más alta se registró en El Valle con nueve casos (Figura 25).

80

Figura 22: Mapa de coropletas de muertes violentas suscitadas a nivel rural durante 2015.

81

Figura 23: Mapa de coropletas de robos y hurtos a domicilios suscitados a nivel rural durante 2015.

82

Figura 24: Mapa de coropletas de robos y hurtos a personas suscitados a nivel rural durante 2015.

83

Figura 25: Mapa de coropletas de robos y hurtos de vehĂ­culos suscitados a nivel rural durante 2015.

84

5. Discusión

Como se observó en el apartado anterior, los resultados reflejaron los sectores con mayor concentración de hechos delictivos a nivel urbano y rural. Es importante mencionar que la información obtenida para la realización de este trabajo se basó en las denuncias realizadas a las instituciones competentes, por lo que no reflejó la totalidad de actos delictivos ocurridos en el cantón.

Las estadísticas globales permitieron conocer los puntos centrales de distribución de cada uno de los delitos analizados, los mismos que se ubicaron en el centro de la ciudad, así como la orientación de su distribución dentro de la zona urbana, siendo la misma para todos los delitos de robos - hurtos y presentado diferente orientación para muertes violentas.

Respecto a la concentración reflejada en los diferentes clusters; en cuanto a robos - hurtos a domicilios presentaron cuatro agrupaciones; los robos - hurtos a personas, seis agrupaciones y los robos - hurtos a vehículos, dos agrupaciones. Se debe recalcar que esta técnica no se aplicó en el análisis de muertes violentas por la dispersión de los datos.

Con el fin de responder a la primera pregunta de investigación, es importante mencionar que las agrupaciones detectadas en la zona urbana, se encontraron alrededor de centros de comercio (mercados), centros de transporte y zonas de afluencia masiva como parques, plazas o centros deportivos. Finalmente se debe resaltar que este análisis no generó resultados para muertes violentas debido a la escasa cantidad de datos. En cuanto a los clusters jerárquicos, es preferible que estos sean de primer orden, para detectar de mejor manera los niveles de agrupamiento. Aumentar el nivel de jerarquía de los clusters solamente genera polígonos más grandes y complica la interpretación de los análisis, lo cual no tiene sentido.

Las pruebas de autocorrelación ayudaron a verificar la concentración de los delitos analizados. Para mejorar los análisis aplicando esta técnica será necesario contar con una mayor cantidad de datos y así obtener mejores resultados; sin embargo, su aplicación permitió conocer las parroquias urbanas que cumplieron con criterios de autocorrelación

85

analizando los diferentes delitos. Se debe recalcar que la poca cantidad de datos hizo que realizar un análisis con esta técnica a nivel rural no tenga sentido.

Respecto a Kernel Density Estimation (KDE) es una técnica que ha presentado mucha utilidad para análisis delictivos incluyendo sus altas capacidades de predicción (Elmes, et al. 2014). Con la aplicación de una simbología adecuada, los resultados mostraron zonas de alto índice delictivo con una gran precisión, ya que el análisis fue calculado con base en las características del cantón analizado. En este sentido se debe resaltar la importancia que tiene conocer el área de estudio, pues con ello se obtendrán mejores resultados.

Como se evidenció en las investigaciones realizadas por Ruiz García (2012), AlbaladejoGarcía y Campos-Cotanda (2017) y Fernández et al. (2014), el uso de esta técnica es de importancia trascendental para determinar altos índices delincuenciales, especialmente dentro de núcleos urbanos.

Los valores aplicados en este trabajo de investigación son idóneos para la zona de estudio, por lo que para aplicarlo en otros lugares es necesario hacer algunas pruebas.

Autores como Eck (2005) y Moreno (2005), consideran a KDE como la mejor técnica para visualizar fenómenos criminales, pues es evidente la facilidad de interpretación que presenta basada en la gama de colores correspondiente.

Los mapas de densidad elaborados mediante la técnica KDE, mostraron un acercamiento a las zonas más críticas dentro del área urbana, las cuales se ubicaron en zonas cercanas a las entidades descritas anteriormente (centros comerciales, plazas, parques, etc.) La densidad fue diferente para cada tipo de delito, sin embargo, los robos y hurtos a personas y domicilios presentaron amplia concentración en el centro de la ciudad y en sectores aledaños a este. Es válido mencionar que esta técnica elaborada correctamente, presenta la forma más intuitiva de analizar eventos criminales a nivel urbano, ya que según Eck, et al.

(2005) las ventajas que presenta sobre otros métodos de análisis, es su interpretación simple, además de reflejar la ubicación y distribución de las áreas afectadas. También se debe considerar que los parámetros críticos utilizados en esta técnica (radio y tamaño de celda) son esenciales para que los resultados se acoplen a la realidad de la zona de estudio.

Es posible realizar una comparación entre los métodos KDE y clusters jerárquicos para observar que las zonas de concentración se reflejan en ambos métodos, es decir una zona 86

con alta densidad detectada por KDE deberá coincidir en la mayoría de los casos con un polígono generado por la técnica de clusters.

Para la detección de alta incidencia delictiva a nivel rural fue necesario aplicar mapas de coropletas, principalmente por la gran extensión que poseen las parroquias de este tipo y porque sus caseríos o poblados se encuentran dispersos, lo cual imposibilita que la georreferenciación de los hechos ocurridos en estas zonas tenga un alto nivel de precisión.

No obstante, la aplicación de esta técnica cartográfica permitió determinar el nivel delictivo de cada parroquia y así detectar las mayormente afectadas por estos actos. En este análisis también es trascendental resaltar dos aspectos importantes: Primero, la parroquia Chaucha no presentó ningún caso en todos los delitos analizados, siendo una de las posibles razones, su infraestructura vial en mal estado; lo cual puede generar dificultad para los pobladores en el caso de querer realizar una denuncia, por lo que los casos que suceden en este sector raramente son registrados. El segundo aspecto es notar que, en todos los delitos de robos y hurtos analizados, las parroquias que más alta incidencia presentaron se ubicaron junto a la zona urbana, pues podría ser que esta cercanía las hace más propensas a delitos de este tipo, especialmente por la alta afluencia de personas; esta característica permite responder la segunda pregunta de investigación. Es importante mencionar que la investigación realizada por Vázquez et al. (2014) elaborando mapas de coropletas para determinar la cantidad de delito aplicada al estado de Morelos coincidió con el enfoque de la presente investigación para determinar la incidencia delictiva a nivel cantonal, es decir en las parroquias rurales.

Las herramientas investigadas son netamente libres (gratuitas), algo que es muy importante sobre todo para instituciones que no cuentan con presupuesto suficiente para la adquisición de software privativos que les permita realizar análisis de esta clase, pues sus licencias suelen ser bastante costosas. Todas las herramientas analizadas producen resultados que se pueden complementar y así generar información valiosa para la creación de medidas referentes al combate al delito. Respondiendo a la tercera pregunta de investigación las principales herramientas para análisis delictual aplicadas en este trabajo fueron GeoDa, CrimeStat y QGIS. Una primera aproximación sobre un paquete de software ideal y que podría acoplarse a las necesidades de una institución se puede realizar mediante el análisis de los parámetros presentados en el Anexo 2.

87

Es esencial que una vez conocidas las zonas con más alta incidencia delictiva, se aplique una nueva metodología que permita conocer las causas que por las que estas son más propensas a la ocurrencia de delitos. Esto puede conseguirse mediante análisis cualitativos que permitan detectar las diversas características de estos sectores y así determinar las razones por las que tienen alta incidencia delictiva. Al detectar esas causas, va a ser mucho más simple disminuir y erradicar los problemas relacionados con la criminalidad. Esta metodología debería ser aplicada por las diferentes unidades de policía, pues con ello lograrán detectar las zonas con más alta incidencia en sus jurisdicciones y así mejorar sus procesos operativos que permitan disminuir los índices delincuenciales. En este contexto y respondiendo a la cuarta pregunta de investigación, las instituciones en Ecuador encargadas del combate al crimen, todavía no han implementado formalmente metodologías que incluyan análisis espacial para detectar altas zonas delictivas.

Algo muy importante que se debe resaltar es que, en la verificación de resultados en los mapas, se debe evitar en lo posible que una zona sea estigmatizada como peligrosa manejando la información con cautela para evitar que esta sufra consecuencias negativas en su desarrollo y en la calidad de vida de sus habitantes (Vázquez y Soto, 2013).

Si se comparan las diferentes metodologías investigadas con la aplicada en este trabajo, se puede verificar que muchos aspectos coinciden y permiten destacar la importancia que tiene SIG para el análisis del crimen. Estos aspectos van desde la recolección de información idónea hasta la aplicación de diferentes técnicas de análisis, la detección de zonas con altos índices delincuenciales y la presentación de los mapas finales. Debido a esto es importante destacar la investigación realizada por Ruiz García (2012) que engloba todos los aspectos antes mencionados.

Un aspecto destacable en el uso de SIG para análisis delictual es la capacidad de realizar investigaciones en cualquier tipo de división administrativa. Diversos autores han enfocado sus estudios en ciudades, municipios, estados o países, aplicando técnicas de análisis espacial específicas para cada tipo de división, con el fin de obtener resultados útiles que permitan tomar decisiones correctas y que se adapten a la realidad.

88

6. Conclusiones y Recomendaciones Se ha demostrado la gran utilidad que tienen los SIG para el seguimiento y análisis de actos delictivos, ya que los resultados obtenidos permitieron detectar las zonas que presentaron altos índices de criminalidad. Akpinar y Usul (2004) mencionan que los resultados de utilizar SIG para este tipo de análisis brindan una idea acerca del estado actual de los patrones criminales.

Es importante considerar que los delitos no pueden desaparecer por sí solos, por ello las instituciones competentes, cuya tarea preponderante es proteger la seguridad de la ciudadanía y tomar medidas que ayuden a minimizar el riesgo criminal, deben identificar las ubicaciones y periodos de tiempo en los que la actividad delictiva es más propensa de ocurrir (Lab, 2000 citado en Akpinar y Usul, 2004). Precisamente, la identificación de lugares con alta incidencia delictiva en el cantón en estudio durante el periodo de tiempo establecido fue un objetivo cumplido con la realización de este trabajo.

Se ha confirmado que, en el cantón Cuenca, la cantidad de delitos varía según la zona, es decir a nivel urbano se presentó mucha más conflictividad que a nivel rural. Se observó que, de los delitos analizados, aproximadamente el 86 % ocurrieron en la zona urbana.

De ellos, el delito que presentó mayor incidencia en la zona urbana fue el robo - hurto a personas y en la zona rural el robo - hurto a domicilios. Las muertes violentas (homicidios y asesinatos) tuvieron una baja incidencia en ambos niveles administrativos y presentaron dispersión.

A nivel rural, fue muy complicado realizar análisis certeros, debido a que las parroquias de esta clase son muy extensas y presentan localidades, comunidades y caseríos desperdigados en toda su área. Esto hace que sea muy difícil ubicar con precisión los diferentes delitos ocurridos, razón por la cual no es posible aplicar varias de las técnicas investigadas. Empero, un conteo de eventos, mediante el método de clasificación Natural Breaks ha permitido detectar la frecuencia de delitos ocurridos en cada parroquia.

A nivel urbano ha sido posible detectar de mejor manera las zonas de concentración (hot spots) de los delitos aplicando las diferentes técnicas estudiadas. Kernel Density Estimation 89

(KDE) genera una superficie que permite identificar fácilmente las zonas de alta densidad con base en una gama de colores.

Las herramientas de análisis espacial utilizadas en este trabajo de investigación fueron en su totalidad software libre. Se logró demostrar que el hecho de no contar con presupuestos para la adquisición de herramientas SIG de alto costo, no es una razón para dejar de lado este tipo de análisis.

Las pautas generadas en la metodología final (Anexo 3), son recomendaciones que permitirán a cualquier institución competente contar con un procedimiento que permita aplicar las diferentes técnicas y adaptarlas a las diferentes zonas del país. Para realizar una primera aproximación es importante basarse en el Anexo 2, el cual permite saber algunos aspectos referentes al software SIG a utilizar pues es un elemento esencial para el análisis delictivo y debe acoplarse de la mejor manera a los requerimientos de la institución que adopte dichas pautas.

Se debe acotar que los mapas finales son el resultado de un largo proceso que inicia con la recolección de datos, los cuales son esenciales para la realización de los diferentes análisis.

Contar con datos de calidad permitirá crear análisis de calidad con resultados idóneos que se adapten a la realidad. Si bien el proceso antes descrito es aplicable a cualquier proceso de análisis espacial, es importante considerar que la información referente a hechos delictivos genera conmoción en la ciudadanía, por lo cual se hace necesario contar con información certera que ayude a conocer la situación real respecto a los crímenes que ocurran en un sector.

Es muy importante que los analistas usen las herramientas con conocimiento fundamentado y sepan lo que están haciendo, ya que manejarlas mecánicamente no tiene sentido para una metodología de este tipo; la cual se centra en los resultados obtenidos para un mejor entendimiento y aplicación,

además de que deben ser transmitidos a la

ciudadanía para que conozca la realidad en la que vive y pueda contribuir en el combate al crimen.

90

7. Referencias bibliográficas

Akpinar, E. y Usul, N. (2004). Geographic information systems technologies in crime analysis and crime mapping. [Archivo PDF]. Proceedings. ESRI. Consultado: [15 julio, 2016]. Recuperado de: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.94.1522&rep=rep1&type=pdf Albaladejo-García, J.A. y Campos-Cotanda, M. (2017). Descripción del fenómeno delictivo en la ciudad de Murcia a partir de herramientas SIG. Investigaciones Geográficas,

(67),

215-227.

Consultado:

[22

julio,

2017].

Recuperado

de:

https://doi.org/10.14198/INGEO2017.67.12 Anselin, L. (1995). Local indicators of spatial association - LISA. Geographical analysis, 27(2), 93-115. doi: 10.1111/j.1538-4632.1995.tb00338.x Anselin, L. (2005). Exploring Spatial Data with GeoDa: A Workbook. Spatial Analysis Laboratory, Department of Geography, University of Illinois, Urbana-Champaign.

[Archivo

PDF].

Consultado:

[17

julio,

2016].

Recuperado

de:

http://www.csiss.org/clearinghouse/GeoDa/geodaworkbook.pdf Anselin, L. (2012). From SpaceStat to CyberGIS twenty years of spatial data analysis software. [Archivo PDF]. International Regional Science Review, 35(2), 131-157. doi: 10.1177/0160017612438615 Anselin, L., Syabri, I. y Kho, Y. (2006). GeoDa: An Introduction to Spatial Data Analysis.

[Archivo PDF]. Geographical Analysis, 38, 5-22. doi: 10.1111/j.0016-7363.2005.00671.x Boba, R. (2005). Crime analysis and crime mapping. Thousand Oaks, CA: Sage Publications.

Bruce, C. (2002). Identifying Crime Patterns. International Association of Crime Analyst – IACA.

[Archivo

PDF].

Consultado:

[22

julio,

2017].

Recuperado

de:

http://www.iaca.net/Resources/Articles/identifyingcrimepatterns.pdf Cabrera, Y. y García, A. (2015). Análisis de datos espaciales agregados o regionales. En Cabrera, Y. y García, A. (2015). Análisis estadístico de datos espaciales con QGIS y R. (pp. 107-109). Madrid: UNED. 91

CEPAL - Comisión Económica para América Latina y el Caribe, y UNICEF - Fondo de las Naciones Unidas para la Infancia. (2014). Guía para estimar la pobreza infantil: información para avanzar en el ejercicio de los niños, niñas y adolescentes. La distribución espacial de la pobreza infantil. La autocorrelación espacial (territorial). Santiago de Chile.

LC/M.2/Rev.1.

Consultado:

[14

mayo,

2016].

Recuperado

de:

http://dds.cepal.org/infancia/guia-para-estimar-la-pobreza-infantil/guia-contenido-442.php Chainey, S. P. (2013). Examining the influence of cell size and bandwidth size on kernel density estimation crime hot spot maps for predicting spatial patterns of crime. [Archivo PDF]. Bulletin of the Geographical Society of Liege, 60, 7-19. Consultado: [19 mayo, 2016]. Recuperado de: http://popups.ulg.ac.be/0770-7576/index.php?id=422&file=1 Chainey, S. y Ratcliffe, J. (2013) GIS and Crime Mapping Mastering GIS: Technology, Applications & Management. John Wiley & Sons Clarke, R. y Eck, J. (2005). Como ser analista delictivo: En 55 pequeños pasos. [Archivo PDF]. Jill Dando Institute of Crime Science. [Archivo PDF]. Consultado: [1 agosto, 2016].

Recuperado de: http://www.popcenter.org/library/reading/pdfs/55pasos.pdf De Cos, O. (2004). Valoración del método de densidades focales (Kernel) para la identificación de los patrones espaciales de crecimiento de la población en España.

[Archivo PDF]. Geofocus: Revista Internacional de Ciencia y Tecnología de la Información Geográfica, (4), 16.

Dempsey, C. (2013). Computer Specs for GIS Work. . Consultado: [21 julio, 2016] Recuperado de: https://www.gislounge.com/computer-specs- for-gis- work/ Eck, J., Chainey, S., Cameron, J., y Leitner, M. (2005). Mapping Crime: Understanding Hot Spots. U.S. Dept. Of Justice, Office of Justice Programs, National Institute of Justice.

Washington D.C. Ekblom, P. (1988). Getting the Best Out of Crime Analysis. [Archivo PDF]. Home Office Crime Prevention Unit Paper 10. Home Office Crime Prevention Unit, Londres.

ISBN 0-86252-307-9.

92

Elmes, G., Roedl, G., y Conley, J. (2014). Forensic GIS: The Role of Geospatial Technologies for Investigating Crime and Providing Evidence (Vol. 11). United States of America: Springer.

Fernández, E., Vázquez, D., Planells-Struse, S., y Belmonte, M. (2014). Retrato robot del perfil geográfico de la delincuencia juvenil. Un análisis de la movilidad criminal en la ciudad de Albacete. [Archivo PDF]. XVI Congreso Nacional de Tecnologías de la Información Geográfica. Alicante, España (pp. 702-710). Consultado: [22 julio, 2017].

Recuperado de: https://rua.ua.es/dspace/bitstream/10045/46770/1/2014_FernandezMolina_etal_Congreso_ TIG.pdf Harries, K. D. (1999). Mapping crime: principle and practice. U.S. Dept. Of Justice, Office of Justice Programs, National Institute of Justice. Washington D.C. Heraux, C. G. (2007). Spatial data Analysis of Crime: A review of CrimeStat III. [Archivo PDF]. Social science computer review, 25(2), 259-264. doi: 10.1177/0894439307298922 Hill, B., y Paynich, R. (2014). Fundamentals of Crime Mapping. (2ª ed.) United States of America: Jones y Bartlett Learning.

Igarzábal de Nistal, M. A., y Borthagaray, J. M. (2007). Mapa del delito. Argentina: Editorial Nobuko.

IACA - International Association of Crime Analysts (2012). GIS Requirements for Crime Analysis.

[Archivo

PDF].

Consultado:

[17

julio,

2016].

Recuperado

de:

http://www.iaca.net/Publications/Whitepapers/iacawp_2012_07_gis_requirements_for_cri me_analysis.pdf INEC - Instituto Nacional de Estadísticas y Censos (2011). Resultados del Censo Nacional Económico.

Consultado:

[27

abril,

2017].

Recuperado

de:

http://www.ecuadorencifras.gob.ec/documentos/webinec/CENEC/Presentaciones_por_ciudades/Presentacion_Cuenca.pdf Johnson, D.E. (2000). Análisis por agrupación (Cluster Analysis). En D.E. Johnson Ed. Métodos multivariados aplicados al análisis de datos. (pp. 319-324). México: Thomson.

93

Lederer, D., y Leitner, M. (2014). UNIGIS MSc. Módulo Electivo: SIG y Servicios Comunales. Ejercicio 4a: Análisis de número de homicidios. pp. 2 - 6.

Lederer, D., Leitner, M., Atzmanstorfer, K. y Beltrán, R. (2014). UNIGIS MSc. Módulo Electivo: SIG y Servicios Comunales. Lección 4: SIG en Seguridad Pública. pp. 13 - 16.

Leitner, M., y Brecht, H. (2007). Software review: crime analysis and mapping with GeoDa 0.9. 5-i. [Archivo PDF]. Social Science Computer Review, 25(2), 265-271. doi: 10.1177/0894439307298921 Leitner, M. (2013). Crime Modeling and Mapping Using Geospatial Technologies. United States of America: Springer.

Levine, N. (1996). Spatial statistics and GIS: Software tools to quantify spatial patterns.

[Archivo PDF]. Journal of the American Planning Association, 62(3), 381-391. doi: 10.1080/01944369608975702 Levine, N. (2004). CrimeStat III: A Spatial Statistics Program for the Analysis of Crime Incident Locations. Houston (TX): Ned Levine and Associates. Washington (DC): National Institute of Justice.

Levine, N. (2013a). Chapter 4: Centrographic Statistics. CrimeStat IV: A Spatial Statistics Program for the Analysis of Crime Incident Locations, Version 4.0). The National Institute of Justice, Washington, DC. Levine, N. (2013b). Chapter 5: Distance Analysis I and II. CrimeStat IV: A Spatial Statistics Program for the Analysis of Crime Incident Locations, Version 4.0). The National Institute of Justice, Washington, DC. Levine, N. (2013c). Chapter 7: Hot Spot Analysis of Points: I. CrimeStat IV: A Spatial Statistics Program for the Analysis of Crime Incident Locations, Version 4.0). The National Institute of Justice, Washington, DC. Lu, Y. (2000). Spatial cluster analysis for point data: Location quotients versus kernel density. [Archivo PDF]. Presentation at Information Science Summer Assembly, Portland,

94

Oregon.

Consultado:

[26

julio,

2016].

Recuperado

de:

http://dusk.geo.orst.edu/ucgis/web/oregon/papers/lu.htm Mata, M. (2007). Diferencias entre free software y open source. Consultado: [27 abril, 2017]. Recuperado de: http://www.miguelangelmata.com/2007/10/23/diferencias-entrefree-software-y-open-source/ Menke, K., Smith, R., Pirelli, L., y Van Hoesen, J. (2015). Mastering QGIS. Birmingham, UK: Packt Publishing Ltd. Ministerio Coordinador de Seguridad, Ministerio del Interior, INEC - Instituto Nacional de Estadísticas y Censos y Fiscalía General del Estado (2015). Manual de conceptualización de indicadores de seguridad ciudadana y convivencia pacífica desde el enfoque de la prevención.

Ministerio de Gobierno, Policía y Cultos y Policía Nacional del Ecuador (2010). Control de Mando Integral (CMI) - Políticas de Uso. Consultado: [10 septiembre, 2016].

Recuperado de:

http://www.policiaecuador.gob.ec/wp

content/uploads/downloads/2013/11/Politicas_de_Uso_de_CMI.pdf Montesinos, M. y Sanz, J. (2007). Panorama actual del ecosistema de software libre para SIG. [Archivo PDF].

España.

2007.

I Jornadas de SIG Libre. Universidad de Girona.

Consultado:

[9

julio,

2016].

Recuperado

de:

http://www.sigte.udg.edu/jornadassiglibre2007/comun/1pdf/12.pdf Moreno, A. (2005). Modelización cartográfica de densidades mediante estimadores Kernel.

[Archivo PDF]. Treballs de la Societat Catalana de Geografía, (30), 155-170.

Consultado:

[24

julio,

2016].

Recuperado

de:

http://revistes.iec.cat/index.php/TSCG/article/view/36881/36874 Municipio de Cuenca. (s.f.a). División política territorial del cantón Cuenca. Consultado: [27 abril, 2017]. Recuperado de:

http://www.cuenca.gov.ec/?q=page_divisionpolitica

Municipio de Cuenca. (s.f.b). Breve descripción socioeconómica de la ciudad. Consultado: [27 abril, 2017]. Recuperado de:

http://www.cuenca.gob.ec/?q=page_socioeconomica

95

Olaya, V. (2011). Sistemas de Información Geográfica. (Versión 1.0.). [Archivo PDF].

España.

Consultado:

[18

febrero,

2016].

Recuperado

de:

ftp://ftp.ehu.es/cidira/profs/iipbaiza/Libro_SIG.pdf Pezzuchi, G. (2015). Análisis Espacial Exploratorio de Enfrentamientos Policiales Años 1999-2001 en el Área Metropolitana de Buenos Aires – República Argentina. (Tesis de maestría). Universidad de Salzburgo, Austria.

Rogerson, P., y Yamada, I. (2008). Statistical detection and surveillance of geographic clusters. United States of America: CRC Press.

Rosa Alvarado, W. (2011). Modelo geoestadístico espacio-temporal del crimen en El Salvador: análisis estructural y predictivo. [Archivo PDF]. Revista de Matemática: Teoría y Aplicaciones, 18(2). (pp. 325 – 342). Consultado: [22 julio, 2017] Recuperado de: http://www.scielo.sa.cr/pdf/rmta/v18n2/a07v18n2 Rosa, F. D., y Heinz, F. (2009). Guía práctica sobre software libre: su selección y aplicación local en América Latina y el Caribe. Montevideo, UY: UNESCO. Office Montevideo and Regional Bureau for Science in Latin America and the Caribbean.

Ruiz García, A. (2012). SIG, crimen y seguridad. Análisis, predicción y prevención del fenómeno criminal.(Tesis de maestría publicada). Universidad Complutense de Madrid, España. Consultado: [23 enero, 2016] Recuperado de: http://eprints.ucm.es/16701/ Salafranca, D. y Rodríguez, M. (2014). Sistemas de información geográfica aplicados a la investigación policial. [Archivo PDF]. XVI Congreso Nacional de Tecnologías de la Información Geográfica. Alicante, España 721-736. Consultado: [10 febrero, 2016] Recuperado de: https://rua.ua.es/dspace/bitstream/10045/46768/1/2014_Salafranca_Rodr%C3%ADguez_C ongreso_TIG.pdf Secretaría Nacional de la Administración Pública. (2008). Software Libre. Consultado: [30 junio, 2017]. Recuperado de: http://www.administracionpublica.gob.ec/software-libre/

96

Sepúlveda, M. (2010). Análisis delictual: conceptos básicos. En Tudela, P. (Ed.). (2010).

Análisis delictual: Enfoque y metodología para la reducción del delito. (pp. 62-70).

International Association of CrimeAnalysts y Fundación Paz Ciudadana. Santiago de Chile. Consultado: [23 enero, 2016]. Recuperado de: http://www.pazciudadana.cl/wpcontent/uploads/2010/12/analisis- delictual_2010.pdf Shekhar, S. y Xiong. H. (2007). Encyclopedia of GIS. Minimum Bounding Rectangle – MBR. Springer Science & Business, 660 – 661. ISBN 978-0-387-308056-6.

Sherman, L. W. (1995). Hot spots of crime and criminal careers of places. [Archivo PDF].

En Eck, J.; Weisburd, D. (Eds), Crime and Place. Criminal Justice Press, Monsey; & Police Executive Research Forum, Washington D.C., pp. 35-52. Consultado: [6 julio, 2016].

Recuperado

de:

http://169.226.63.17/library/CrimePrevention/Volume_04/02-

Sherman.pdf Shi, X. (2010). Selection of bandwidth type and adjustment side in kernel density estimation over inhomogeneous backgrounds. [Archivo PDF]. International Journal of Geographical Information Science, 24:5, 643-660, Consultado: [24 julio, 2016]. doi: 10.1080/13658810902950625 Stewart, J. y Kennelly, P. J. (2010). Illuminated choropleth maps. [Archivo PDF]. Annals of

the

Association

of

American

Geographers,

100(3),

513-534.

doi: 10.1080/00045608.2010.485449 Tobler, W. (1970). A computer model simulation of urban growth in the Detroit region.

Economic Geography 46(2).

Universidad de Cuenca (2013). Implementación de la Metodología de Análisis de Vulnerabilidades a nivel cantonal - Cuenca. Consultado: [25 septiembre, 2016].

Recuperado de: http://repositorio.cedia.org.ec/bitstream/123456789/842/1/Perfil%20territorial%20CUENCA.pdf

Vann, I. B., y Garson, G.D. (2001). Crime mapping and its extension to social science analysis.

[Archivo PDF].

Social

Science Computing Review, 19(4),

471-479.

doi: 10.1177/089443930101900406 97

Vázquez, L., Ortiz, C., López, J., y Guzmán, M. (2014). Propuesta de una metodología para el análisis de la información delictiva de alto impacto en el Estado de Morelos, México 2012 - 2013. [Archivo PDF]. GECONTEC: Revista Internacional de Gestión del Conocimiento y la Tecnología. Consultado: [22 julio, 2017]. Recuperado de: https://rio.upo.es/xmlui/bitstream/handle/10433/1100/propuestametodologia.pdf?sequence=1&isAllowed=y Vázquez, C. y Soto, C. (2013). El análisis geográfico del delito y los mapas de la delincuencia. [Archivo PDF]. Revista de Derecho Penal y Criminología (pp. 419 - 448).

Departamento de Derecho Penal y Criminología UNED. Consultado: [22 julio, 2017].

Recuperado de: http://e-spacio.uned.es/fez/eserv/bibliuned:revistaDerechoPenalyCriminologia-2013-97110/Documento.pdf Vozmediano Sanz, L., y San Juan Guillén, C. (2010). Criminología ambiental: ecología del delito y de la seguridad. España: Editorial UOC. Wilson, R. E. (2007). The Impact of Software on Crime Mapping An Introduction to a Special Journal Issue of Social Science Computing Review on Crime Mapping. [Archivo PDF]. Social Science Computer Review, 25(2), 135-142. doi: 10.1177/0894439307298977

98

8. Anexos Anexo 1. Oficio de solicitud de informaci贸n.

El siguiente documento es la solicitud realizada al Consejo de Seguridad Ciudadana de Cuenca para que autorice el uso de la informaci贸n procesada por esta instituci贸n para la realizaci贸n de este trabajo. Con esto se demuestra que los datos aplicados son reales.

99

Anexo 2. Lista de evaluación de un paquete de software para SIG. La siguiente lista elaborada por IACA (2012) detalla algunas cuestiones esenciales que se deben considerar al seleccionar un paquete de software para SIG. Con esta evaluación que ha sido adaptada al tratamiento espacial del delito se puede saber si el paquete se ajusta a las necesidades de la institución que lo adopte.

Nº 1

2

3

4

5

6 7 8 9

10

11

Parámetro a evaluar Si El proveedor de software ofrece entrenamiento formal Entrenamiento personal Multimedia – Formación online El programa incluye herramientas de geoprocesamiento Extracción y recorte Combinación de capas Edición espacial y de características de atributo de capas Digitalización Agregación de capas para crear nuevas El programa incluye una herramienta de creación de datos o un asistente que simplifica los pasos para su creación El programa permite trabajar con diversos tipos de datos Compilación y gestión de metadatos Capacidad para trabajar con capas de tipo punto, línea o polígono (formato vectorial) Capacidad para trabajar con imágenes aéreas, satelitales y otros datos en formato raster El programa permite que datos con diferentes proyecciones geográficas se muestren en un mismo mapa El programa cuenta con herramientas de geocodificación Tiene un localizador de direcciones compuesto Tiene un localizador de direcciones mediante Internet El programa permite importar datos con coordenadas X-Y con funcionalidad completa mediante un proceso simple El programa incluye acceso a repositorios en la web con datos de referencia El programa tiene una aplicación para automatización de tareas repetitivas El programa permite importar datos de diversos tipos GPS, GPX XML, KML, KMZ Directamente desde dispositivos móviles Otros tipos de datos El programa facilita la producción e impresión de mapas a color y en escala de grises.

El programa permite crear mapas en varios formatos electrónicos de imagen o documento portable (PDF) El programa cuenta con tutoriales y modelos de cartografía para referencia

No

100

Nº 12

13

14

15

16

17 18

Parámetro a evaluar El programa posee herramientas intuitivas para asignar simbología y clasificación El programa permite asignar diferentes símbolos a un mismo conjunto de datos relacionados de una manera simple.

El programa incluye herramientas que permiten al usuario crear informes tabulares basados en los datos tratados Posibilita crear informes basado solamente en un subconjunto de datos Posibilita crear informes bajo demanda o con herramientas automatizadas Posibilita la simple integración de mapas a los informes de datos El programa permite que los datos exportados se guarden en formatos como .shp y otros formatos estándar incluyendo geodatabases .mdb y .accdb .xls y .xlsz .dbf .kml, .kmz, .xml, .gml .dwg, .dxf, .dgn .pdf (incluyendo opciones de información georreferenciada) .csv y .txt Otros formatos El programa permite realizar combinaciones o uniones espaciales con procedimientos simples El programa posee una herramienta intuitiva para la creación de consultas El generador de consultas (Query Builder) es capaz de crear instrucciones SQL complejas similares a las realizadas en un Sistema Gestor de Bases de Datos (DBMS) común El programa permite crear análisis de densidad sin necesidad de instalar paquetes adicionales o extensiones El programa permite crear secuencias animadas de eventos Las animaciones pueden exportarse fácilmente a formatos de archivo multimedia como .avi, .mov o .MP4

Si

No

Fuente: IACA, 2012.

101

Anexo 3. Pautas para aplicar una metodología de trabajo útil a instituciones de seguridad utilizando SIG. Una vez que se han finalizado los análisis, es importante plantear un proceso metodológico útil para las instituciones de seguridad, que pueda aplicarse a cualquier sector del país. A continuación se describen algunas pautas generales que deben considerarse para enfocar el análisis delictivo mediante análisis espacial, destacando la utilidad que este presenta para una ubicación más certera de los diferentes eventos criminales. 

Ya que la fuente de estos análisis son los datos, las diferentes instituciones deben tratar de acceder a ellos, acudiendo a fuentes fiables que brinden datos verdaderos como Fiscalías, Consejos de Seguridad o similares.



Una vez que los datos son recolectados deben organizarse y depurarse. Con ello se conseguirá una mejor clasificación de los diferentes delitos y los análisis podrán ser más específicos. Además es muy importante que esta información (la cual mucha de las veces es confidencial) sea tratada con sigilo y profesionalismo.



Es esencial contar con herramientas informáticas que permitan manejar los datos de mejor manera, para iniciar con este proceso la hoja de cálculo Microsoft Excel o el paquete Libre Office Calc (u Open Office Calc) son necesarios y recomendables para el manejo de la información.



De manera imprescindible se debe contar con profesionales en el área de SIG, con experiencia en análisis espacial y manejo de herramientas relacionadas con la temática.



Se debe contar con la cartografía necesaria (ver apartado 3.2.1) para elaborar mapas más completos. Además se debe definir un marco de trabajo basado en un estándar de parámetros geográficos para todos los análisis (ver apartado 3.2.2)



El procedimiento de georreferenciación debe realizarse con mucha cautela ya que al ubicar incorrectamente los diferentes eventos, se generan análisis falsos. Además para la ubicación de lugares o direcciones se cuenta con herramientas alternas como Google Maps u OpenStreetMap, las cuales son gratuitas, fáciles de usar y están disponibles en línea.



Como se ha visto, la mejor técnica para identificar patrones criminales a nivel urbano es Kernel Density Estimation (KDE) sin embargo se la debe aplicar con los

102

parámetros necesarios (radio y tamaño de celda) de acuerdo a la zona de estudio y realizando diversas pruebas hasta obtener resultados satisfactorios. 

A nivel rural, por la extensión de las parroquias y por la ubicación diversa de los diferentes caseríos y comunidades, no es posible realizar análisis que presenten mayor exactitud, empero, un conteo de delitos aplicando el método de clasificación Natural Breaks y reflejándolo en un mapa de coropletas es suficiente para determinar las parroquias con mayores índices de conflictividad.



Los análisis de estadísticas globales, clusters jerárquicos y autocorrelación espacial presentan mayor complejidad y requieren que los analistas tengan mayores conocimientos, por lo que no es recomendable realizarlos al principio, sino cuando se cuente con un profesional con conocimientos al respecto.



Con la aplicación de análisis espacial es posible detectar las zonas que presentan niveles más críticos de inseguridad, pero no es suficiente detectarlas, ya que se debe buscar la manera de que los índices disminuyan o se erradiquen. Para ello se deben combinar los procesos de análisis espacial con análisis cualitativos que permitan detectar las causas que hacen de esas zonas propicias para el delito.



Con este trabajo de investigación se demostró que el software libre permite la elaboración de las diferentes técnicas de análisis. Si bien el software privativo presenta herramientas más fáciles de manejar, no es imprescindible para iniciar un enfoque de este tipo. Si las instituciones no cuentan con presupuesto para adquirir herramientas SIG costosas pueden optar por software libre, y con el realizar análisis útiles y de calidad para combatir el crimen.

103