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 espacial del hurto en la ciudad de Riohacha (Colombia) para el año 2017 Spatial analysis of theft in the city of Riohacha (Colombia) for the year 2017 by/por
Ing. Jonhatan Jose Rivadeneira Pacheco 01633703 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc
Riohacha – Colombia, Septiembre de 2018
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.
____________________________________________________________________ (Riohacha - Colombia, 09 de Septiembre de 2018) (Firma)
AGRADECIMIENTOS A Dios primero que todo, por darme sabiduría y aparejar las cosas para poder superarme académicamente y lograr este reconocimiento de gran importancia en mi vida profesional.
A mi hija Valery que es mi motivación para poder brindarle un mejor futuro a su vida y compartir con ella más tiempo.
A mi profesor de tesis Karl, pues sin su guía este proyecto no hubiese sido posible gracias a su acompañamiento y asesoría asertiva. También agradezco a toda la familia UNIGIS por su colaboración en este proyecto.
RESUMEN
La implementación de Sistemas de Información Geográfica (SIG) en el análisis del hurto se ha convertido en una herramienta fundamental que permite prevenir y minimizar el impacto delictivo en la sociedad. De esta manera, la delincuencia en la ciudad de Riohacha, Colombia en el año 2017 registró un total de 565 denuncias por hurtos a personas, motivo por el cual dentro del presente análisis se utilizó las metodologías de los SIG para encontrar respuestas a dicho fenómeno. Con el fin de cumplir este objetivo, primeramente se utilizó la Regresión Geográficamente Ponderada (RPG), la cual estableció un R2 cercano al 89% de predicción de hurtos a personas por medio de las variables escogidas para este efecto. Seguidamente con el análisis de Índice de Moran se determinó que existe una probabilidad mayor al 2% de que los hurtos fueran ejecutados al azar. Finalmente, con la metodología GetisOrd se obtuvieron áreas de puntos calientes ubicados en las zonas norte y este de las comunas urbanas de Riohacha, estableciendo así que en las mencionadas zonas son donde se ejecutaron la mayor cantidad de hurtos a personas durante el periodo de estudio.
Palabras claves: Hurto a personas, análisis espacial, regresión ponderada geográficamente (RPG), puntos calientes.
5
ABSTRACT
The implementation of a Geographic Information System (GIS) in the analysis of theft has become a fundamental tool that helps to prevent and minimize the impact of criminality on society. In the city of Riohacha a total of 565 incidents of thefts have been registered in 2017. In this investigation, GIS-based methodologies were used to find answers to this phenomenon. In order achieve this objective, a Geographically Weighted Regression (GWR) was applied and showed a R2 close to 89% prediction of thefts based on the chosen variables. Next, with the analysis of the Moran’s I Index, it was determined that with a probability higher than 2%, thefts were randomly executed. Finally, with the Getis-Ord methodology, areas of hot spots located in the northern and eastern areas of the urban communes of Riohacha were identified. These areas were the ones that showed the highest number of thefts during the study period.
Keywords: Theft, spatial analysis, Geographically Weighted Regression (GWR), hot spots.
6
TABLA DE CONTENIDO 1
2
INTRODUCCIÓN ................................................................................................ 10 1.1
ANTECEDENTES ........................................................................................ 10
1.2
OBJETIVOS ................................................................................................. 13
1.3
PREGUNTAS DE INVESTIGACIÓN ............................................................ 13
1.4
HIPÓTESIS .................................................................................................. 14
1.5
JUSTIFICACIÓN .......................................................................................... 14
1.6
ALCANCE .................................................................................................... 17
REVISIÓN DE LITERATURA ............................................................................. 19 2.1
Sistemas de Información Geográfica y Análisis del Delito ........................... 19
2.2
La Criminalidad en Colombia ....................................................................... 26
2.2.1 2.3
3
4
Análisis de la Criminalidad Urbana en Colombia ................................... 30
Metodologías SIG para el análisis del delito ................................................ 35
2.3.1
Métodos de evaluación preliminar estadística de delitos ....................... 36
2.3.2
Métodos de mapeo de delitos ................................................................ 40
2.3.3
Métodos de modelado de relaciones espaciales del delito .................... 44
DEFINICIÓN DE LA METODOLOGÍA ................................................................ 50 3.1
Área de Estudio ............................................................................................ 50
3.2
Fuente de Datos ........................................................................................... 56
3.3
Flujograma de Trabajo ................................................................................. 58
3.4
Estandarización de la información ............................................................... 61
3.5
Cálculo de la Regresión Ponderada Geográficamente. ............................... 66
3.6
Cálculo de la Autocorrelación espacial (I de Moran global).......................... 67
3.7
Cálculo de puntos calientes con la Metodología Getis-Ord. ......................... 68
RESULTADOS Y DISCUSIÓN ........................................................................... 70 4.1
Análisis de resultados de la Regresión Ponderada Geográficamente. ........ 70
4.2 Análisis de resultados del índice I de Moran y análisis de resultados de puntos calientes Gi* de Getis Ord. ......................................................................... 77 5
CONCLUSIONES ............................................................................................... 83
6
BIBLIOGRAFÍA .................................................................................................. 84
7
ANEXOS ............................................................................................................. 93
7
LISTA DE TABLAS
Tabla 1. Hurto Riohacha 2017................................................................................... 11 Tabla 2. Tasa de Criminalidad para los principales delitos en Colombia: 2003-2013. .................................................................................................................................. 28 Tabla 3. Campos de datos de las denuncias de hurto a personas. ........................... 61 Tabla 4. Campos de datos usados para el anรกlisis espacial. .................................... 62 Tabla 5. Anรกlisis de la Regresiรณn Ponderada Geogrรกficamente. .............................. 75
8
LISTA DE FIGURAS
Figura 1. Tasa de robos en Latinoamérica ................................................................ 15 Figura 2. Intersección de áreas de estudio para generar Mapas del Crimen ............ 22 Figura 3. Mapa del Delito – Buenos Aires ................................................................. 23 Figura 4. Relación del mapa de crímenes con el análisis de la delincuencia. ........... 24 Figura 5. Tendencia del Homicidio y el Hurto común en Colombia, 2000-2015. ....... 27 Figura 6. Mapa Hurto Común (Personas, Residencias y Comercio) 2015. ............... 29 Figura 7. Tasa de homicidios por país. ..................................................................... 30 Figura 8. Diagrama del Hurto a personas. ................................................................ 31 Figura 9. Ciclo delictivo. ............................................................................................ 32 Figura 10. Metodología de análisis del delito. ........................................................... 35 Figura 11. Cálculo de Índice de Moran. ..................................................................... 38 Figura 12. Cálculo de indicador Getis-Ord. ............................................................... 42 Figura 13. Variables de la Regresión Ponderada Geográficamente. ........................ 46 Figura 14. Modelo de Regresión Pondera Geográficamente. ................................... 47 Figura 15. Área Perímetro Urbano Riohacha – Colombia ......................................... 51 Figura 16. Organización Territorial Urbana Comunas Riohacha 2001 – 2009. ......... 53 Figura 17. Comunas Urbanas Riohacha de acuerdo al Concejo Municipal. ............. 54 Figura 18. Áreas para análisis de hurto a personas. ................................................. 55 Figura 19. Ubicación geográfica de los sitios de atención de la Policía Nacional. .... 57 Figura 20. Flujograma de trabajo. ............................................................................. 60 Figura 21. Georeferenciación hurto a personas año 2017. ....................................... 63 Figura 22. Proceso de unión entre datos de cobertura puntos y datos de cobertura polígono para crear áreas de análisis. ...................................................................... 64 Figura 23. Número total de denuncias por hurto a personas por áreas establecidas para el análisis espacial. ........................................................................................... 65 Figura 24. Configuración de la herramienta GWR en ArcGis. ................................... 67 Figura 25. Herramienta para el cálculo de Autocorrelación I de Moran. .................... 68 Figura 26. Herramienta para el cálculo de hot spot. .................................................. 69 Figura 27. Mapa de coeficiente de denuncias por hurto a personas. ........................ 72 Figura 28. Mapa de coeficiente medidas de protección. ........................................... 73 Figura 29. Mapa de coeficiente de nivel de dificultad. ............................................... 74 Figura 30. Mapa de coeficiente R2 local. .................................................................. 75 Figura 31. Mapa de coeficiente de predicción. .......................................................... 76 Figura 32. Resultado de cálculo de Índice de Moran. ............................................... 77 Figura 33. Mapa de Hot Spot de hurto a personas dentro del perímetro urbano de la ciudad de Riohacha 2017. ......................................................................................... 79 Figura 34. Áreas óptimas para patrullaje de la Policía Nacional. .............................. 82
9
ACRONIMOS
BID
Banco Interamericano de Desarrollo.
CICRI
Centro de Investigaciones Criminológicas de la Policía Nacional.
DANE
Departamento Administrativo Nacional de Estadística.
DISEC
Dirección de Seguridad Ciudadana.
ESRI
Environmental Systems Research Institute.
FARC
Fuerzas Armadas Revolucionarias de Colombia.
GPS
Sistema de Posicionamiento Global.
HTML
HyperText Markup Language.
MIMO
Map in – Map out.
OEA
Organización de los Estados Americanos.
ONU
Organización de las Naciones Unidas.
PONAL
Policía Nacional de Colombia.
POT
Plan de Ordenamiento Territorial.
SIG
Sistema de Información Geográfica.
SIGPONAL Sistema de Información Geográfica de la Policía Nacional de Colombia.
10
1 INTRODUCCIÓN Desde los principios de la humanidad ha existido la necesidad de representar a través de gráficos o figuras, los hechos, fenómenos y el entorno de su realidad, ya fuese para localizar puntos, ciudades, recursos, navegación y rutas. El análisis de la criminalidad tiene una gran importancia geográfica puesto que es inherente a ella, para poder determinar el comportamiento y dinámica de la criminalidad.
El estudio del crimen y la delincuencia ha sido afrontado por distintas disciplinas como la Sociología y la Psicología (Ruiz Garcia, 2012). Las autoridades siempre han reconocido la importancia del componente geográfico en la lucha contra la criminalidad (Ruiz Garcia, 2012). La Policía Nacional de Colombia (PONAL) ha registrado y almacenado información sobre los tipos de delitos que se presentan en Colombia cada año. La PONAL maneja una base de datos geográfica que les permite proyectar, evitar y combatir el crimen desde la perspectiva espacial. Esta base de datos es de uso exclusivo de la institución denominada SIGPONAL.
El siguiente análisis pretende analizar e identificar las zonas y puntos de mayor incidencia de hurtos a personas en la ciudad de Riohacha para el año 2017 para su planificación, prevención y a su vez mantener informados a los ciudadanos de los hechos delictivos que ocurren en esta ciudad, ya que la comunidad desconoce cuáles son las zonas y puntos de mayor incidencia y como se viene presentando este fenómeno en la ciudad. Convirtiéndose así en un insumo contra la lucha de los hechos delictivos en Colombia. 1.1 ANTECEDENTES De acuerdo con él (Programa de las Naciones Unidas para el Desarrollo, 2013), entre un tercio y la mitad de todos los robos en América Latina fueron perpetrados con armas de fuego, informa que 3 de cada 10 ciudadanos latinoamericanos afirman
11
sentirse inseguros en su barrio, y 5 de 10 perciben que la seguridad en Colombia se ha deteriorado.
Según (RCN Radio, 2017), la Dirección de Seguridad Ciudadana de la Policía Colombiana (DISEC) reveló que el hurto a personas se encuentra en el puesto número uno de las modalidades de hurto que se presentan en el país, indicando un aumento con respecto a 2016 pasando de 41,575 casos en el mismo periodo a 46458 en lo que va corrido del 2017.
El informe de la (Policia Nacional de Colombia, 2017) y La Dirección de Investigación Criminal e Interpol de la Policía en los consolidados de crímenes reporta que el hurto a personas es el delito con mayor denuncias en la ciudad de Riohacha. En el año 2016 se reportaron 539 hurtos a personas, 136 hurtos a residencias y 75 hurtos de automotores. Para el 2017 se reportan 565 hurtos a personas, 159 hurtos a residencias y 68 hurtos de automotores, manteniéndose el hurto a personas como el delito con mayores reportes para el 2017 en la ciudad de (Policia Nacional de Colombia, 2017)(ver Tabla 1).
HURTO EN RIOHACHA, 2017 Ítems Cantidad Hurtos a personas 565 Hurtos a residencias 159 Hurtos de automotores 68 Tabla 1. Hurto Riohacha 2017 Fuente: (Policia Nacional de Colombia, 2017).
En la ciudad de Riohacha según informe de la (Fundación Ideas para la Paz (FIP), 2013), la falta de empleo y el número alto de desmovilizados hacen de esta ciudad un sitio vulnerable a bandas delincuenciales como son Los Rastrojos y Los Urabeños.
12
El periódico El Heraldo informó que el 40.5% de los dueños de negocios creen que el alcalde debe darle prioridad a la seguridad según encuesta de Percepción de la Cámara de Comercio de La Guajira (El Heraldo; Encuesta de percepción de la Cámara de Comercio, 2016). El 86.7% de los empresarios encuestados perciben que el delito más concurrente es el robo.
Según (Vásquez González & Soto Urpina, 2013) el análisis de la delincuencia y su visualización sobre cartografía digital permite analizar los aspectos geográficos de la delincuencia e identificar configuraciones y tendencias entre datos que, en forma de estadísticas, pueden pasar desapercibidas.
La finalidad del presente estudio es el análisis espacial con técnicas geoestadísticas para la geoprevención del hurto a personas e identificar los patrones espacio-tiempo para mitigar el hurto a personas en la ciudad de Riohacha para el año 2017.
13
1.2 OBJETIVOS Objetivo general Analizar espacialmente el hurto a personas en la ciudad de Riohacha (Colombia) para el año 2017.
Objetivos específicos
Estandarizar la información estadística del hurto a personas en la ciudad de Riohacha – Colombia para el año 2017.
Aplicar un análisis de regresión ponderada espacial con los datos georeferenciados del hurto a personas que muestre un mapa del delito en la ciudad de Riohacha – Colombia para el año 2017.
Identificar los puntos calientes (Hot-Spots) del hurto a personas en la ciudad de Riohacha – Colombia para el año 2017 mediante la ejecución de métodos Getis-Ord y la estimación del índice I de Moran.
Producir la cartografía temática del hurto a personas en la ciudad de Riohacha – Colombia para el año 2017.
1.3 PREGUNTAS DE INVESTIGACIÓN ¿Cuál es el modelo de regresión ponderada espacial que permite obtener un mapa que muestre el hurto a personas en la ciudad de Riohacha – Colombia para el año 2017? ¿Cuál de los métodos de conseguir los Hot – Spots o la estimación de índice de I de Moran presentan mejores resultados para describir los hurtos a personas en la ciudad de Riohacha – Colombia para el año 2017?
¿Cuáles son las áreas óptimas que la Policía Nacional de Colombia debe incluir en sus patrullajes para reducir y neutralizar el hurto a personas en la ciudad de Riohacha?
14
1.4 HIPÓTESIS El análisis de regresión ponderada espacial, el Getis – Ord y la estimación de índice I de Moran permiten identificar los puntos calientes y áreas donde se debe reforzar la vigilancia y control en la ciudad de Riohacha - Colombia.
1.5 JUSTIFICACIÓN La privacidad de los datos SIG contra el delito por parte de la PONAL limita la aplicación del mismo para la geoprevención de los ciudadanos en Colombia, creando un desconocimiento del potencial de las herramientas SIG para el análisis, predicción y geoprevención del fenómeno delictivo.
Por lo cual, el presente trabajo se ha elaborado como una herramienta que sea útil para cubrir dicha necesidad, refutando la utilidad de los SIG en el análisis criminal, a través de un recorrido por la historia de la geografía del crimen, la evaluación de la situación actual, la aplicación de una metodología de análisis basada en diferentes técnicas, y el desarrollo, implementación y evaluación de las estrategias encaminadas a la mitigación y geoprevención del fenómeno delictivo (Ruiz Garcia, 2012).
Así pues, el análisis del crimen hace referencia al conjunto de procesos sistemáticos y analíticos que proporcionan información pertinente sobre las pautas y correlaciones del crimen, para asistir al personal operativo y administrativo en la implementación de recursos para la prevención y reducción de las actividades delictivas, para ayudar en el proceso de investigación, y para aumentar el esclarecimiento de los casos (Boba, 2005).
La PONAL tiene como una de sus tareas principales prevenir y reducir las actividades delictivas en Colombia, de tal forma que se pueda asegurar que los habitantes de Colombia convivan en paz, razón por la cual el procesamiento y
15
análisis de información sobre ocurrencia de delitos constituye un elemento fundamental para la planificación y empleo de recursos en el cumplimiento de esta labor (Suárez Vaca, 2016).
Los índices de criminalidad siguen en aumento en toda Colombia, viene desde hace muchos años volviéndose un reto para las entidades de orden público (Hernandez Montealegre, 2016). El análisis realizado por (Mejia, Ortega, y Ortiz, 2015) ubica a Colombia en el puesto número 14 (ver Figura 1).
Figura 1. Tasa de robos en Latinoamérica Fuente: Mejia, Ortega, y Ortiz, 2015.
16
La ciudad de Riohacha es una de las ciudades con mayor tasa de desempleo en el país, según el comunicado de prensa para el primer trimestre del año 2017 (Departamento Administrativo Nacional de Estadística, 2017), factor que incide en el fenómeno de el hurto a personas convirtiéndolo en el hecho delictivo más concurrente en la ciudad, presenta una cartografía urbana y dispone de información puntual de hechos delictivos por la PONAL.
La Policía Nacional de Colombia ha recopilado información histórica de los delitos ocurridos en el país, delitos tanto contra el patrimonio como contra la vida. Esta información se almacena en bases de datos gráficas y alfanuméricas para el uso exclusivo de la institución. Datos que les ha permitido gestionar a través de un SIG llamado SIGPONAL, operado por los distintos grupos de inteligencia criminalística de la policía (Policía Nacional de Colombia, 2010). Los datos estadísticos que tiene la policía permiten realizar un análisis espacial con resultados gráficos y numéricos, teniendo en cuenta el lugar de los hechos. Esta información puede ser divulgada para que la ciudadanía se mantenga informada sobre los sitios más incidentes o con mayor inseguridad en la ciudad de Riohacha.
Al obtener el análisis espacial del hurto en la ciudad, se podría replicar en otras ciudades de Colombia, en cuanto al análisis de distribución de los patrones espaciales, la identificación de los puntos calientes en las ciudades debido a su índice de criminalidad, la delimitación de las zonas inseguras de la ciudad y la forma de divulgación de esta información en la ciudadanía.
El presente trabajo da las pautas iniciales de posibles futuras investigaciones que integren herramientas SIG para realizar análisis espaciales en el campo de crimen.
17
1.6 ALCANCE La Policía Nacional de Colombia (PONAL), es la encargada de velar por la seguridad de los habitantes de la ciudad de Riohacha. Por lo cual, el presente estudio tiene la finalidad de aplicar técnicas geoestadísticas para apoyar al control y mitigación del hurto a personas dentro del perímetro urbano de la ciudad de Riohacha – La Guajira - Colombia. Para esto, se utilizaran los métodos Getis – Ord y la estimación del índice I de Moran para analizar las posibles áreas donde ocurre este delito y adicionalmente se aplica una regresión ponderada espacial con las variables dependientes inmersas en el hurto a personas en la ciudad de Riohacha, las cuales permiten comprender y analizar el comportamiento de este delito (Suárez Vaca, 2016).
Con los análisis y la cartografía generada, la PONAL puede mejorar el control y vigilancia del perímetro urbano de Riohacha, con el fin de reducir y neutralizar la ocurrencia de este delito. De esta manera, los beneficiarios directos serían los habitantes de la ciudad de Riohacha.
En relación con la escala y límites espaciales de la presente investigación, estos estarían delimitados por el perímetro urbano de Riohacha de acuerdo al Plan de Ordenamiento Territorial (POT) mediante el Decreto 078 del 2015 de la alcaldía de Riohacha.
Por último, se puede señalar que dentro de este estudio no se puede analizar o determinar los motivos de los hurtos a personas en Riohacha, ya que para esto se necesita un análisis más afondo de los componentes económicos y sociales del contexto nacional de Colombia en el área urbana. Los resultados de esta investigación podrían ser utilizados como guía o base como un insumo para las entidades encargadas de combatir la criminalidad, como la PONAL y sus subdivisiones contra el crimen organizado como el Grupo Gaula de la Policía
18
Nacional de Colombia, Centro de Investigaciones Criminológicas de la Policía Nacional (CICRI), Comando de Policía de La Guajira, entre otros. Así mismo para organismos no gubernamentales como la Organización de las Naciones Unidas (ONU), el Observatorio Nacional del Delito, el Banco Interamericano de Desarrollo (BID), entre otros. Los resultados podrían ser útiles para entidades enfocadas al análisis de la criminalidad, teniendo en cuenta las limitantes del estudio como fueron los registros de criminalidad delimitados por dirección, tipo de crimen, barrio y fecha.
19
2 REVISIÓN DE LITERATURA En el siguiente capítulo, el marco teórico demuestra como los Sistemas de Información Geográfica (SIG) son usados por entes policiales y la comunidad en general para el análisis e interpretación de las actividades delictivas. Para este fin, se han desarrollado métodos y herramientas de análisis espacial que permitan mejorar los esquemas de control y geoprevención del fenómeno delictivo en la sociedad (Suárez Vaca, 2016).
2.1 Sistemas de Información Geográfica y Análisis del Delito Los SIG originalmente fueron usados en el análisis de suelos en países como Inglaterra y Canadá en la década de 1970 (Harries, 1999). Posteriormente, entre las décadas de 1980 y 1990, esta herramienta fue adoptada por los cuerpos policiales de países que buscaban mejorar el análisis de los delitos en zonas críticas generando técnicas para la reducción de los índices delictivos en base a variables espacios temporales (Chainey & Ratcliffe, 2005).
Así mismo, el uso de los SIG en el análisis, control y geoprevención de actividades delictivas se desarrolló a los largo de los años en diferentes países, logrando de esta manera la generación de un sinnúmero de aplicaciones y casos de estudio, de los cuales a continuación se puede citar algunos de los ejemplos más relevantes (Suárez Vaca, 2016).
En el presente, después de la gran evolución que han sufrido los SIG y las actividades delictivas alrededor del mundo, se puede destacar la metodología de análisis delincuencial llamada Mapping and Analysis for Public Safety (MAPS) desarrollada por el National Institute of Justice (NIJ) de los Estados Unidos en el año 1997 (NIJ, 2017). El desarrollo de la mencionada metodología promovió varias publicaciones en el área de análisis del delito, las cuales fueron base fundamental
20
para el desarrollo del análisis delictivo en otros países del mundo. Como consecuencia de esto se logró que el uso de los SIG sea reconocido como una herramienta indispensable en la geoprevención y reducción de delitos (Osborne & Wernicke, 2003).
Así mismo, el estudio realizado por (Stangeland & Santos Garrido, 2004) sobre el uso de datos relacionados a denuncias de robos y llamas a la policía de Málaga, España usando herramientas SIG se generaron mapas de delitos y puntos de conflicto donde se determinó que existían diez veces más delitos por kilómetro cuadrado en el centro de la ciudad que en las periferias de las mismas, mostrando de esta manera la distribución espacial de la actividad delictiva dentro de esta urbe. De la misma forma, en el año 2007, con el apoyo de herramientas cartográficas, se generó un atlas de seguridad para la ciudad de Madrid, el mismo que contó con la colaboración de instituciones educativas de alto nivel, dando así una visión espacial de un tema que preocupa a la sociedad en general y como este está siendo combatido por las autoridades de control (Hernando Sanz F. J., 1999).
También, el Servicio de Inteligencia Criminal de Austria geo-codifica la ubicación de los crímenes que se reportan en Austria, por medio de un SIG el cual está vinculado a una base de datos de delitos llamada Security Monitor (SIMO), la misma que posibilita la visualización de información de delitos en una cartografía a escala catastral de 1:5,000 y 1:1,000 (Kounadi, Lampoltshammer, Leitner, & Heistracher, 2013).
En la misma línea de aplicación de SIG para análisis de delitos, la división de SIG del Departamento de Justicia de los Estados Unidos ha desarrollado el sistema RCAGIS, el cual permite realizar este tipo de análisis a nivel regional en donde este presenta las siguientes características (RCAGIS, 2018):
Análisis de crimen, consultas y reportes.
21
Consultas de incidentes.
Generación de mapas para impresión.
Interfaces para análisis estadístico externo.
Análisis geográfico de datos históricos de crimen.
Herramientas para vincular datos de recuperación de vehículos robados y la ubicación donde fueron encontrados.
Por otra parte, La Asociación Internacional del Análisis del Crimen Internacional (IACA; por sus siglas en inglés) ha desarrollado técnicas y metodologías que permiten evaluar y predecir el crimen, con el in de alcanzar este objetivo ha planteado los siguientes hitos a cumplir:
Técnicas apropiadas de procesamiento.
Conocimiento en elaboración y análisis de cartografía.
Acceso a internet.
Capacidades para capacitación continua.
Siendo los ítems nombrados anteriormente, una gran parte de todo el proceso conocido como análisis del crimen usando sistemas de información geográfica (IACA, 2011).
Todas estas iniciativas para plasmar la ubicación del crimen han hecho que la población en general tome conciencia de la importancia de realizar denuncias que identifiquen patrones delictivos que al final ayudaran a los cuerpos policiales a mejorar la toma de decisiones en temas de seguridad (Goodchild, 1987).
Es así que los elementos computacionales, la geografía y la ciencia del crimen (ver Figura 2) han dado el nacimiento de una nueva área de estudio conocida como Mapas del Crimen, en donde mediante el uso de datos visuales y matemáticos se
22
puede obtener información relevante en el campo de la criminología (Rocha Flores, 2012).
Figura 2. Intersección de áreas de estudio para generar Mapas del Crimen Fuente: (Rocha Flores, 2012).
En lo relacionado con las metodologías establecidas para el análisis del delito se puede mencionar lo establecido en el artículo de (Ratcliffe, 2007) donde se indica que los componentes temporales y espaciales de puntos calientes del delito, se utilizan para identificar categorías y generar una matriz que puede ser usada en las estrategias de prevención criminal por parte de los cuerpos policiales.
El uso de GPS (Sistema de Posicionamiento Global) como medio de captura y análisis de información de crímenes es una metodología que hoy en día la policía británica ha desarrollado usando un dispositivo móvil (Pocket PC) con GPS y un software SIG comercial propio del equipo, el mismo que sirve para registro de delitos y toma de decisiones en campo; logrando así recuperar valiosa información de ubicación y dar soluciones más dinámicas a denuncias a delitos (Broadbent & Royles, 2010).
23
Por otro lado se debe resaltar que la visualización de los crímenes ha tenido gran desarrollo con los portales webs como es el caso del portal mostrado en el Figura 3. El Mapa del Delito de Buenos Aires permite ingresar información sobre actividades delictivas en tiempo real en la ciudad por parte de la ciudadanía en general y así mismo sirve para geoprevenir a usuarios y autoridades (Infobae, 2017).
Figura 3. Mapa del Delito – Buenos Aires Fuente: (Infobae, 2017)
Así mismo, es importante resaltar la geoprevención como una alternativa importante para prevenir la delincuencia a partir de la integración de las estrategias preventivas, como por ejemplo el observatorio de la seguridad de Madrid y el atlas de la seguridad para la misma (Sanz, 2008).
Por lo antes citado no se debe olvidar que el análisis del delito y la generación de cartografía con fines de control es un proceso en donde interviene factores externos como la estrategia, la táctica y la parte administrativa de los cuerpos policiales y que al vincularse estos de forma adecuada permitirán que este tipo de análisis sea útil para la sociedad en general (Boba, 2005).
24
Figura 4. Relación del mapa de crímenes con el análisis de la delincuencia. Fuente: (Vásquez González & Soto Urpina, 2013)
De esta forma, el análisis delictivo dentro de su ciclo de ejecución presenta limitaciones, desafíos, oportunidades y peligros, por lo cual es fundamental citar cada de ellos para de esta manera saber hacia dónde se pretende llegar con los resultados obtenidos y como estos tendrían impacto tanto en la sociedad como en las autoridades de control (Suárez Vaca, 2016).
En lo relacionado con las limitaciones dentro del análisis delictivo se puede mencionar que la falta de información o información incompleta por parte de cuerpos policiales para análisis de los crímenes es un gran desafío dentro de la ejecución de este tipo de análisis juntamente con el acceso a información histórica relacionada con actividades delictivas (Ruiz Garcia, 2012).
Así mismo, la duplicidad de esfuerzos en la recopilación de información delincuencial por parte de organismos de control interno y el poco personal capacitado para
25
generar análisis de crímenes son limitaciones con las que debe lidiar al momento de ingresas en este campo de estudio (Rocha Flores, 2012).
De igual manera, debe ser parte de los desafíos de esta temática incrementar el personal y equipamiento de los cuerpos policiales en base a la información delictiva analizada, para que de este modo se pueda mejorar la supervisión y evaluación del control de delitos, verificando así si las acciones de control tomadas están siendo efectivas o en su defecto si el fenómeno criminal se ha desplazado a otra área geográfica (Vásquez González & Soto Urpina, 2013).
De igual manera, existen grandes desafíos a los cuales el análisis del fenómeno delictivo se enfrenta dentro de los cuales cabe desatacar el mejorar el acceso a la información de resultados de análisis de delitos a la población en general mediante el uso de intranet e internet, lo cual será posible una vez que el marco jurídico permite la institucionalización de sistemas de análisis de delitos a nivel de toma de decisiones (Formosa & Formosa Pace, 2012).
Adicionalmente, el uso comercial de los resultados de los análisis de delitos por parte de empresas que brindan seguridad privada con el fin de aprovechar la inseguridad de la zona y promocionar sus servicios, también se manifiesta como un peligro para este de análisis (Tello, 2007).
Así mismo, se debe tomar en consideración los peligros existentes en la ejecución del análisis delincuencial tales como las fuentes poco confiables de datos, la precisión poco fiable de la información base usada (Vozmediano Sanz & San Juan Guillén, 2006) y la falta de interés en la generación de denuncias de crímenes por parte de la población afectada (Florian Zakula, 2015).
Aunque, todo los resultados obtenidos en el análisis del fenómenos criminal muestra varias oportunidades dentro de las cuales se resalta que permite optimizar los recursos policiales y toma de decisiones relacionadas con el control de actividades
26
delictivas, ya que facilita ubicar grupos y áreas de la población vulnerable a sufrir hechos delictivos (Vásquez González & Soto Urpina, 2013).
Así mismo, se debe resaltar la gran oportunidad que este tipo de análisis presenta en la generación de perfiles geográficos con los delitos relacionados para así determinar el área más probable de la residencia del autor del crimen (Ocáriz, Vozmediano, & Germán, 2011). Finalmente, los resultados obtenidos en estos tipos de análisis debe ser una oportunidad para mejorar el proceso preventivo dentro de las zonas con mayor índice delictivo, lo cual puede ser alcanzado por medio del trabajo comunitario con la población (Tello, 2007).
2.2 La Criminalidad en Colombia De acuerdo a (INEGI, 2014) la seguridad pública es la principal función del estado que consiste en la protección de las personas y sus propiedad, de las instituciones políticas de la amenaza de violencia física tanto interna como transaccional, de la intimidación, la corrupción o actos de gobierno predatorios. En Colombia el cuerpo armado encargado de la seguridad pública es la PONAL que en conjunto con las fuerzas militares (ejército, armada y fuerza área) componen lo que en Colombia se conoce como fuerza publica (Hernandez Montealegre, 2016)
De acuerdo a la PONAL (Policia Nacional de Colombia, 2016), la Figura 5 indica los efectos de los cambios en la criminalidad del país, por el proceso de paz y el cese al fuego por parte de la guerrilla de las FARC (Fuerzas Armadas Revolucionarias de Colombia) relacionado con la tasa homicidios y el aumento de otros delitos como el hurto común que contienen un usufructo rentista en su organización criminal.
Teniendo en cuenta la trayectoria del conflicto, referenciada a las sociedades en posconflicto presentan características distintivas en cuanto al desarrollo de la
27
criminalidad, el crimen se constituye en reflejo de los procesos de reconstrucción y estabilización de las sociedades después del conflicto (Kalyvas, 2015) (Rettberg, 2012).
Por ejemplo, la criminalidad reportada (Policia Nacional de Colombia, 2016), registró un aumento en la totalidad de los delitos, equivalente al 15.9%, mientras los reportes del 2014 fueron de un total de 674,655 delitos denunciados, con respecto a 779,801 del 2015. Por otro lado Colombia presentó una tasa de 28 homicidios por cada 100,000 habitantes en 2015, al compararlo con otros países del continente, reflejan un menor índice en contraste con los demás territorios de la zona.
Figura 5. Tendencia del Homicidio y el Hurto común en Colombia, 2000-2015. Fuente: (Policia Nacional de Colombia, 2016).
Así mismo, la Tabla 2 presenta la evolución de las tasas de criminalidad en Colombia para los delitos más comunes durante los últimos 10 años. Como se puede apreciar en esta tabla, los delitos asociados a fenómenos urbanos han tenido aumentos muy pronunciados. Las tasas de hurtos a personas y a residencias aumentaron en 146% y 48% respectivamente durante el mismo lapso de tiempo (Mejia, Ortega, & Ortiz, 2015).
28
A pesar de ello y del conocimiento de las cifras mencionadas anteriormente, en Colombia se han tratado de desarrollar medidas de seguridad y programas culturales para su disminución, los cuales han arrojado resultados que demuestran que algunos hechos de criminalidad se han logrado disminuir, pero han sido varios los que han incrementado tal y como se muestra en la Tabla 2 (Hernandez Montealegre, 2016).
Tabla 2. Tasa de Criminalidad para los principales delitos en Colombia: 20032013. Fuente: (Mejia, Ortega, & Ortiz, 2015).
Así mismo, la Figura 6 muestra el área más vulnerable al delito del hurto en Colombia, por su ubicación podemos interpretar que está focalizada en el centro del país, ósea la ciudad de Bogotá como la única área con un nivel de hurto alto, esto basado en los informes policiales (Policia Nacional de Colombia, 2016).
29
Figura 6. Mapa Hurto ComĂşn (Personas, Residencias y Comercio) 2015. Fuente: (Policia Nacional de Colombia, 2016).
30
2.2.1 Análisis de la Criminalidad Urbana en Colombia La criminalidad en Colombia es una de las más altas en Latinoamérica (ver Figura 7). La tasa de criminalidad para los principales delitos en Colombia entre 2003 y 2013, el hurto a personas muestra una tasa de 145.77% en aumento, de todos los crimines en Colombia el hurto a personas se tipifica como el más creciente en la última década (Mejia, Ortega, & Ortiz, 2015). Esto mismo lo reitera (RCN Radio, 2017), la Dirección de Seguridad Ciudadana de la Policía Nacional que coloca en primer lugar de las modalidades de hurto en el país, mostrando un aumento significativo con respecto a 2016, pasando de 41,575 casos en el mismo periodo a 46,458 en lo corrido del 2016.
Figura 7. Tasa de homicidios por país. Fuente: (Mejia, Ortega, & Ortiz, 2015).
Aunque muchos de los indicadores de criminalidad asociados al conflicto armado como atentados, secuestros y ataques terroristas han descendido, algunos indicadores de criminalidad urbana han reflejado una fuerte creciente (Mejia, Ortega, & Ortiz, 2015). Este es el caso del hurto a personas y de algunos indicadores de
31
violencia como las lesiones personales. Los delitos urbanos han tenido aumentos muy pronunciados en Colombia entre 2003 y 2013 mientras que los delitos por parte de los grupos armados ilegales del conflicto armado ha mostrado una fuerte disminuciĂłn en este mismo intervalo de tiempo, segĂşn el anĂĄlisis realizado con datos de OEA (Mejia, Ortega, & Ortiz, 2015).
Por otro lado, una de las conductas delictivas con mayor cantidad de registros es el hurto, lo anterior se debe a que el delincuente en su aprendizaje social, capta otros victimarios y emplean las mismas modalidades, sitios y horas, es decir el modo tiempo y lugar, ya que los resultados obtenidos en estos sectores son los esperados por los victimarios (PONAL, 2016) (ver Figura 8).
Figura 8. Diagrama del Hurto a personas. Fuente: (PONAL, 2016).
32
Así mismo, es importante entender el ciclo y finalidad del hurto a personas, para ellos se hace necesario una planificación del mismo, selección del objetivo, evaluación de posibles riesgos de entorno, seguimiento de la víctima, intimidación de la misma, acción
delictiva,
huida,
distribución
de
elementos
hurtados
y
finalmente
comercialización de los mismos (PONAL, 2016) (ver Figura 9).
Figura 9. Ciclo delictivo. Fuente: (PONAL, 2016).
En lo relacionado al contexto social y afectación económica de hurto a personas, según (PONAL, 2016), existen los siguientes factores en la sociedad que influyen en esta conducta delictiva:
Nivel educativo: Los reclusos con poca escolaridad tienen más probabilidad de ser reincidentes en el delito.
33
Desempleo: Las personas que no cuentan con empleo tienen más probabilidades de ser reincidentes delincuenciales.
Pandillero: La pertenencia a las pandillas es un factor que aumenta la probabilidad de vivir en el circuito del delito.
Vivir en una comunidad con alto desempleo: Las personas que viven en comunidades con mucho desempleo tienen más probabilidad de sufrir por la violencia delincuencial de cualquier tipo.
Ya que fueron analizados los principales delitos en el área urbana de Colombia, se debe resaltar que la presente investigación centrará su atención en el hurto a personas en la ciudad de Riohacha – Colombia, por lo que es importante comprender que la percepción ciudadana de la criminalidad en Colombia difiere de los datos policiales como se refleja en el análisis espacial de índices y percepciones de criminalidad en Colombia realizado por (Hernandez Montealegre, 2016).
Con la finalidad de comprender mejor la aplicación de los SIG en el análisis del hurto a personas, se puede mencionar la información presentada por la PONAL, en donde se mapean los delitos en Colombia, entre los cuales se encuentra contemplado el hurto a personas (Policia Nacional de Colombia, 2016).
Así mismo, cabe resaltar la herramienta Crime Analyst, puesto que integra potentes herramientas de análisis ofreciendo capacidades de mapeo y análisis de delitos avanzados, flexibles y asequibles (ESRI, 2018), ya que la difusión de este tipo de información es relevante como lo concluye el análisis del delito en la ciudad de Manizales usando herramientas SIG (Estrada Restrepo & Gomez Quintero, 2015).
34
Por lo anteriormente citado, es de vital importancia realizar el análisis de este tipo de crimen con herramientas de SIG, añadiéndole al presente trabajo una gran importancia de investigación y utilidad para la toma de decisiones en el control y geoprevención del área urbana de la ciudad de Riohacha – Colombia.
35
2.3 Metodologías SIG para el análisis del delito El análisis espacial es un compendio de técnicas cuyos resultados están en función de la ubicación espacial de los objetos a ser analizados. Para un correcto análisis se debe contar con los atributos y localización de cada uno de los objetos antes citados, siendo así fundamental escoger el método que sea el más adecuado para el mapeo de un delito (Goodchild, 1987).
Por lo anteriormente citado entre los principales métodos usados para el análisis y mapeo de delitos se encuentran: Métodos de evaluación preliminar estadística de delitos, Métodos de mapeo de delitos y Métodos de modelado de relaciones espaciales del delito (ver Figura 10).
Figura 10. Metodología de análisis del delito. Fuente: (NIJ, 2005).
36
2.3.1 Métodos de evaluación preliminar estadística de delitos Existe un conjunto de pruebas estadísticas que son usadas para obtener un conocimiento general del comportamiento del crimen y como este se presenta, por lo cual a continuación se citan las estimaciones más conocidas para este efecto:
Centro Medio: El cálculo del punto de centro medio en el análisis de delitos suele ser aplicado como una medida para comparar la distribución espacial entre diferentes tipos de crímenes o a su vez para comparar el mismo crimen en diferentes periodos de tiempo (NIJ, 2005).
Distancia de Desviación Estándar: La medida de la distancia estándar ayuda a comprender el nivel de dispersión de los datos relacionados con los delitos en un área determinada; por lo cual mientras más grande es la distancia de desviación estándar más dispersión serán los datos relacionados a las actividades delictivas (NIJ, 2005).
Elipses de Desviación Estándar: Es otra manera de determinar la dispersión de los datos al momento de analizar información vinculada con crímenes es la aplicación de la elipse de dispersión estándar en donde el tamaño y la forma de la elipse ayuda a explicar el grado de la dispersión; mientras que la alineación indica la orientación que toman los datos del crimen analizado.
Evaluación de Clúster: Este tipo de análisis permite determinar si los datos relacionados con el cometimiento de algún delito en particular se encuentran agrupados o en su defecto presentan una distribución aleatoria. Uno de los métodos usados para este tipo de evaluación es Nearest Neighbor Index (NNI).
37
Test de Auto Correlación Espacial: El test de auto correlación espacial evalúa si la distribución de los eventos delictivos están relacionados unos con otros, mostrando una auto correlación espacial positiva cuando los datos están agrupados o en su defecto los datos que están juntos tienen similares valores a aquellos que están más lejanos. Dentro de este tipo de análisis se puede mencionar el test de Moran’s I y Geary’s C Statistic (Sawada, 2009).
Autocorrelación Espacial (I de Moran global): La aplicación de esta herramienta se puede medir la autocorrelación espacial de los datos a analizar, usando sus ubicaciones y los valores de las entidades presentes, actividad que es ejecutada simultáneamente. De esta forma, se evalúa si los patrones presentes en los datos se presentan agrupados, aleatorios o dispersos. De esta forma se obtiene el índice de Moran, la puntuación z y un valor p que permite evaluar la significancia del índice obtenido (ESRI, 2017).
De esta forma, el índice estadístico de Moran indica la correlación espacial entre todas las unidades geográficas analizadas dentro de una muestra, por lo cual es considerado un indicador global en donde los valores p obtenidos son las aproximaciones numéricas que se encuentran en el área bajo la curva de la distribución conocida (Aguayo Téllez & Medellín Mendoza, 2014).
Mencionado índice se calcula de la siguiente manera (ver Figura 11):
38
Figura 11. Cálculo de Índice de Moran. Fuente: (Ordóñez, Varela, & Reyes, 2011)
Los resultados obtenidos por medio de este tipo de índice varían entre -1 y +1, en donde valores positivos bajos o altos muestran un conglomerado espacial de datos con valores de análisis similares, mientras que valores negativos indican un conglomerado espacial de datos con valores de análisis distintos. Para valores del I de Moran cercanos a 0 se puede interpretar como falta de una relación espacial entre los valores analizados (Fuenzalida-Díaz, 2010).
39
Para poder comprender la aplicación de este tipo de análisis en las actividades cotidianas, es fundamental contar con ejemplos prácticos y conclusiones que permitan generar una visión más clara de donde y cuando se puede usar la autocorrelación espacial de Moran por lo cual a continuación se citan algunos ejemplos relacionados con este análisis espacial de crímenes.
La ciudad de México, por un largo periodo de tiempo, ha sido azotada por robos a sitios comerciales. Razón en el estudio de (Denegri de Dios, Ley García, & González Reyes, 2014) buscó una respuesta a este fenómeno dando lugar a la generación de la prueba de autocorrelación espacial con los datos de los robos, logrando así obtener un resultado de coeficiente I positivo de 0.06 (p > 0.001), el cual mostró la presencia de clústeres en la información usada. Así mismo, en este estudio con el resultado antes citado se logró rechazar la hipótesis de aleatoriedad espacial de este delito dentro de la ciudad, es decir no es algo que ocurría al azar y de esta manera dio a la policía una guía para mejorar la seguridad en las zonas expuestas en este análisis (Denegri de Dios, Ley García, & González Reyes, 2014).
Así mismo, se puede citar el estudio realizado con los robos en los sectores urbanos de la ciudad de Quito, Ecuador en donde se obtuvo un valor positivo de índice de Moran de 0.647753, el cual mostró que estos delitos tienen dependencia espacial descartando la hipótesis de que la distribución de robos sea algo aleatorio y concluyendo que los datos analizados poseen patrones geográficos no aleatorios (Coba Julio & Balseca Carrera, 2015).
Estadística C de Geary: Este método permite encontrar diferencias en datos no muy grandes, por lo cual es usado para analizar información a nivel de recintos o porciones de ciudad en donde se determina la desviación de los valores entre cada uno de los puntos evaluados obteniendo así un indicar de auto correlación (Levine & Associates, 2002).
40
2.3.2 Métodos de mapeo de delitos
Mapeo de puntos: Uno de los métodos más usados para el mapeo de delitos son los mapas de puntos, ya que son una forma fácil de representar los eventos dentro de un mapa por medio de puntos, los cuales muestran los acontecimientos criminales. Este método puede ser aplicado en papel como en formato digital dando una visión breve de lo que sucede dentro de una zona (Jefferis, 1999).
Mapeo temático de límites geográficos: Este tipo de mapeo de delitos muestra distribuciones del delito por distritos o áreas políticas definidas por límites geográficos de una zona. Para lograr este objetivo se usan varias técnicas de representación cartográfica en donde se generan rangos con la distribución de los datos y de esta forma se generan mapas con olores graduados con lo que se puede llegar a conocer a simple vista donde se concentra la mayor cantidad de delitos (Harries, 1999).
Cartografía temática cuadrática: Los limites o áreas políticas definidas suelen ser un problema al momento de analizar de forma puntual un delito, por lo cual se puede usar la metodología de la cartografía cuadrática, la cual permite generar cuadriculas de diferentes tamaños dentro de las zonas de análisis para posteriormente generar rangos de datos y colores con la información relacionada de un crimen, lo cual permite tener una perspectiva de acuerdo al objetivo que se persiga (NIJ, 2005).
Indicadores locales de asociación estadística espacial Getis-Ord: Cuando se ejecuta un análisis de patrones espaciales a puntos pertenecientes a un fenómeno cualquiera y se logra identificar la presencia de concentración de estos en una cantidad mayor a la que se podría encontrar en distribuciones aleatorias, se genera el interés de identificar con cuanta periodicidad, donde y con qué intensidad se da dicha concentración. En este afán inicia la labor de
41
analizar las concentraciones o aglomerados (clusters) del conjunto de punto (Getis & Ord, 1995).
A este tipo de análisis se le conoce como análisis de clusters, en el cual se trata de identificar la aparición de los llamadas puntos calientes (Hot – Spots) que son los lugares donde se identifica la mayor concentración de puntos comparado con una distribución aleatoria (IGN, 2012).
De esta forma se puede obtener un valor z que ayude a identificar cada punto y establecer si en su entorno se agrupan valores altos o bajos de un determinado atributo, como por ejemplo ver si existen agrupaciones de empresas con alto número de empleados o en su defectos con un número bajo de estos (Suárez Vaca, 2016).
Para alcanzar mencionado propósito se establece la aplicación del indicar Getis-Ord, el mismo que ejecuta su cálculo a partir de los datos de puntos vecinos de esta manera si el valor del atributo de un punto es alto y los valores de sus vecinos también lo son, se puede identificar en esa área un punto caliente (Getis & Ord, 1995).
Para determinar el indicador Getis-Ord se debe obtener la suma local de un atributo y sus vecinos. Seguidamente esta debe ser comparada de forma proporcional con la suma de todos los atributos para finalmente comparar este proporción con la esperada en una distribución aleatoria obteniendo así un valor z estadísticamente significativo (ESRI, 2016).
La fórmula del indicador Getis-Ord es la siguiente (ver Figura 12):
42
Figura 12. Cálculo de indicador Getis-Ord. Fuente: (Getis & Ord, 1995). Aplicando el método de Gestis-Ord, dentro del estado de Guerrero – México, se pudo identificar puntos calientes y fríos en la distribución de las variables relacionadas con el crimen. De esta manera una vez aplicado este análisis se pudo determinar que los municipios con presencia de la policía comunitaria coinciden con aquellos que muestran un clúster de baja cantidad de organización criminales (Shirk, Wood, & Olson, 2014). Según este estudio se logró estimar que los puntos menos críticos son aquellos en los que la comunidad forma parte del control. Por otra parte las zonas con más puntos calientes son áreas que el estado debería prestar mayor atención e intentar implementar las mismas iniciativas que en los municipios con menos cantidad de organizaciones criminales.
43
Así mismo, se puede tomar como ejemplo del uso de la metodología GetisOrd el análisis espacial de los homicidios en Honduras entre los años 2010 y2015, en donde se encontró que los puntos calientes han ido disminuyendo sustancialmente, mientras que los puntos fríos han ido en aumento durante los últimos tres años del análisis (BID, 2017). Por otro lado, dentro del mismo estudio se discriminó el análisis en el año 2013 donde se logró obtener como resultado que los puntos calientes se ubicaron en la franja noreste de la frontera de Honduras y los puntos calientes en la zona sur de Honduras.
Otro ejemplo de la metodología Getis-Ord fue la aplicada a determinar las zonas con mayor cantidad de denuncias de delitos vía telefónica, denuncias que fueron registradas por el sistema 911 en Guayaquil – Ecuador y que una vez analizadas mostraron que la mayor cantidad de delitos se cometieron en los horarios de 16:00 a 24:00, ya que la estadística Getis-Ord presentó el valor más elevado (1.34) en este periodo de tiempo. Con este análisis la Policía Nacional de Ecuador pudo reforzar el nivel de seguridad en los horarios identificados principalmente en el centro de la ciudad de Guayaquil y el circuito de la zona Garay; áreas que fueron identificadas como puntos calientes en los horarios antes citados (Borbor Precilla, 2014).
Una de las metodologías que integran los análisis de I-Moran y la G de GetisOrd es la ejecutada con los casos delictivos en Bolivia. Entre los años 2001 y 2009, en donde estos estadísticos fueron aplicados a las variables delictivas con el fin de encontrar o no dependencia espacial entre las diferentes zonas geográficas. Para este caso de estudio el índice de Moran mostró que los delitos en contra de la integridad de la población, el hurto, robo y violación tiene una auto correlación negativa mientras que el estadístico G de Getis-Ord mostró que existen áreas con valores altos, los cuales se encuentran agrupados, dando lugar de esta forma a rechazar la hipótesis de una distribución aleatoria (Celis, Sanjinés Tudela, & Aliaga Lordemann, 2012).
44
Elipses espaciales: Este tipo de método crea elipses de desviación estándar alrededor de los eventos delictivos agrupados, logrando de esta forma identificar puntos calientes en las zonas de crímenes. Cabe mencionar que este método ha sido ampliamente usado por el software STAC (The Spatial and Temporal Analysis of Crime) el cual es distribuido por Illinois Criminal Justice Information Authority (NIJ, 2005).
Otro tipo de método relacionado con la estimación de elipses espaciales son Hierarchical clustering y K means clustering (Levine & Associates, 2002).
Interpolación de superficies: Es una técnica que actualmente se ha popularizado por su capacidad de visualizar la distribución del crimen e identificar de primera mano las zonas con mayor grado de delitos en un solo pantallazo. De esta forma, este tipo de método agrupa puntos con un radio específico para crear una superficie continua que representa la densidad o volumen de un crimen analizado (NIJ, 2005).
Uno de los métodos más conocidos en la interpolación de crímenes es la Ponderación de Distancia Inversa (IDW, por sus siglas en inlgés), triangulación con suavizado, Kriging, Quartic Kernel Density Estimation. Para escoger que tipo de método usar, depende del resultado que se desee obtener y este a su vez puede ser comparado entre los métodos para estimar el método que mejor describa el fenómeno delictivo analizado (McGuire & Williamson, 1999).
2.3.3 Métodos de modelado de relaciones espaciales del delito Para establecer un modelado de los delitos, se puede hablar de las herramientas que presenta la regresión de datos espaciales, las cuales permiten modelar, predecir y explicar fenómenos complejos como lo es la actividad criminal dentro de un territorio.
45
Adicionalmente estas permiten responder la pregunta de porque existe en ciertas áreas alto índice de robo, logrando de esta manera establecer estrategias para enfrentar y prevenir delitos en base a datos analizados (ESRI, 2016).
De esta forma se pueden mencionar los siguientes métodos relacionados al modelado a través de regresiones:
Modelo de Regresión Lineal Múltiple (OLS): Este tipo de regresión es una de las técnicas de análisis de datos más utilizada, ya que permite explorar de manera inicial las relaciones espaciales que presentan los datos. Es así que la regresión OLS permite prever de manera global donde podría suscitarse un evento delictivo en base a las relaciones que los datos analizados muestren, creando para tal efecto una ecuación simple que describe como la actividad criminal se presenta en un espacio establecido (Mitchell, 2005).
Regresión Ponderada Geográficamente: El objetivo del análisis de RPG es usar variables explicativas de un fenómenos en particular, para en base a estas generar un modelo local, lo cual se diferencia de otro tipo de regresiones que permiten obtener un modelo global (Wheeler & Tiefelsdorf, 2005; Duque, Velásquez, & Agudelo, 2011; Yi-Ju Chen, Deng, Yang, & Matthews, 2012).
La RPG permite encontrar las variaciones de los procesos que se analizan en el espacio por medio de la relación espacial entre la variable dependiente y las variables independientes o explicativas (ver Figura 13). Por lo cual esta metodología ha sido usada para encontrar patrones espaciales en diversos fenómenos como deforestación, delincuencia entre otros (Clement, Orange, Williams, Mulley, & Epprecht, 2009); (Cahill & Mulligan, 2007).
46
Figura 13. Variables de la Regresión Ponderada Geográficamente. Fuente: (ESRI, 2016).
Las variables dependientes dentro del análisis RPG son analizadas de tal forma que se genera una ecuación para cada una de ellas, en donde la relación entre estas está condicionada por la ubicación espacial que tomen. Además, se debe tener en cuenta que la ponderación ejecutada dentro de este análisis usa un esquema llamado Kernel, el cual se basa en la distancia de análisis o en el número de datos vecinos (Fotheringham, Brunsdon, & Charlton, 2002).
De esta manera, este tipo de regresión tiene como finalidad el analizar la no estacionalidad de los datos, lo cual permite la estimación de los parámetros locales y verificar si estos a su vez presentan una asociación entre las variables de manera constante en toda la región analizada o en su defecto se puede encontrar variaciones por zonas, con lo que se puede determinar si las variables usadas dentro del análisis representa al fenómeno en estudio (Sánchez Peña, 2006).
A continuación, se muestra el modelo de regresión lineal simple, el cual se expresa según la siguiente ecuación (ver Figura 14):
47
Figura 14. Modelo de Regresión Pondera Geográficamente. Fuente: (ESRI, 2016). Dónde: o Variable Dependiente (Y): Es la que representa el fenómeno que se intenta comprender en base a valores conocidos u observados. o Variables Independientes/explicativas (X): Son las encargadas de modelar la variable dependiente, por lo cual se puede decir que esta última se encuentra en función de las variables explicativas. o Coeficientes de regresión (β): Son calculados uno por cada variable independiente y representa el tipo de relación y la fortaleza que posee la variable explicativa con la variable dependiente. o Valores P: Llamada también probabilidad, cuando los valores de P son pequeños indican que el coeficiente calculado no es 0. o R2/R cuadrado: R cuadrado ajustado y R cuadrado múltiple son estadísticas provenientes de la ecue4cion de regresión los cuales indican el rendimiento del modelo. R cuadrado va desde 0 a 100%, por otra parte el valor de cuadrado ajustado presenta valores más bajos que R cuadrado múltiple sin embargo estos permiten mostrar de mejor forma el rendimiento del modelo generado.
48
o Residuales (e): La diferencia entre los valores observados y los valores previstos se conoce como residual, este valor es usado como una medida de ajuste del modelo. En el caso de obtener valores grandes de residual significa que el modelo generado es muy pobre (ESRI, 2016).
Sin embargo, en este caso para la correlación ponderada geográficamente se introduce la variable espacial según la siguiente ecuación: Y(u,v) = b0(u,v) + b1(u,v)X1 + b2(u,v)X2 + b3(u,v)X3 … + e(u,v)
Dónde:
(u,v): Son las coordenadas geográficas usadas para la generación del modelo (Gutiérrez Puebla, García Palomares, & Cardozo, 2012).
Un ejemplo del uso de esta metodología es el análisis espacial del contexto sociodemográfico de los homicidios en México D.F, en donde se aplicó una RPG para la asociación espacial entre la tasa de homicidios y las características demográficas del área de estudio (variables independientes), en donde se concluyó que existe una alta tasa de homicidios en zonas de uso del suelo no residencial (Fuentes Flores & Sánchez Salinas, 2015).
Por otro lado en el análisis de (Cahill & Mulligan, 2007) relacionado con la tasa de delitos violentos donde se usan las características del lugar y el terreno para aplicar un modelo RPG, se obtuvo como resultado que en lugares con bajos niveles de ingresos económicos presenta parámetros negativos, mientras que cuando existen ingresos altos estos parámetros tienden a ser positivos.
Así mismo, el análisis del delito antes citado permitió demostrar que al aplicar un modelo RPG se puede explorar resultados de manera ponderada y descriptiva
49
usando las variables independientes y la variable dependiente del fenómeno delictivo (Martínez Barón & Sandoval, 2008). Finalmente, en lo relacionado a este modelo de regresión se puede mencionar que este permite profundizar el análisis mediante la generación de una ecuación de regresión para cada observación, la cual se ajusta localmente razón por la cual este ha sido usado en las salas de comunicaciones de varios cuerpos policiales en España con el fin de predecir llamadas sobre denuncias de robos (Salafranca Barreda & Rodríguez Herrera, 2014).
50
3 DEFINICIÓN DE LA METODOLOGÍA 3.1 Área de Estudio El municipio de Riohacha es la capital del departamento de La Guajira, la capital más septentrional del Caribe colombiano, de la Colombia continental y de Suramérica. El municipio de Riohacha está ubicado sobre la costa Caribe del departamento, limitando al Norte con la desembocadura del río Ranchería. Al Norte limita en Latitud 11º30’ – Longitud 72º54’, al Sur limita con el Cerro Oquí. Latitud 10º55’ – Longitud 73º22’, al Este limita con el Punto NP-7-CET-84.487. Latitud 11º12’ – Longitud 72º32’ y al Oeste limita con Boca de La Enea. Latitud 11º20’ – Longitud 73º13’ (Alcaldia de Riohacha, 2017).
Riohacha ocupa cerca de la cuarta parte del territorio departamental con una extensión de 491,383 hectáreas, de las cuales 133.980 (27%) pertenecen a zonas de resguardos indígenas, 134.444 (27%) al Parque Nacional Natural Sierra de Santa Marta y 4.784 (0.9%) al Santuario de Flora y Fauna de los Flamencos (Alcaldia de Riohacha, 2017).
Así pues, el perímetro urbano del municipio de Riohacha es la línea imaginaria que delimita y separa las distintas clases de suelo municipal y en colindancia con otros municipios o en la costa. Es línea limítrofe que separa el suelo de la jurisdicción del municipio de Riohacha, del suelo ubicado en jurisdicción de los municipios colindantes y de la zona de playa donde además del municipio y CORPOGUAJIRA ejerce jurisdicción la Dirección General Marítima (DIMAR) (Alcaldia de Riohacha, 2015).
De acuerdo a lo establecido en el Artículo 31 de la Ley 388 de 1997 de Colombia, el suelo urbano lo constituyen las áreas del territorio destinadas a usos urbanos, que cuenten con infraestructura vial y disponibilidad de redes primarias de energía, acueducto y alcantarillado, posibilitando su urbanización y edificación, según sea el
51
caso. Conforman el suelo urbano las áreas de la cabecera municipal y de las cabeceras de los corregimientos delimitadas por perímetros (Alcaldia de Riohacha, 2015).
Así mismo, se clasifica como suelo urbano de la cabecera municipal de Riohacha el delimitado por el perímetro urbano, con una superficie territorial aproximada de 1970.23 Hectáreas (ver Figura 15).
Figura 15. Área Perímetro Urbano Riohacha – Colombia
Por otro lado, en el 02 de febrero de 2002 fue aprobado por parte del Concejo Municipal de Riohacha, el Acuerdo No. 003 que adopta en el Libro Quinto Capítulo II
52
las delimitaciones del suelo urbano en comunas (Concejo Municipal, 2002) (ver Figura 16).
De esta forma el Concejo Municipal de Riohacha estableció que el suelo urbano está constituido por comunas que son los sectores mayores que pueden asumir funciones políticas y administrativas en que se subdivide el suelo urbano en razón de su homogeneidad territorial, funcional y la precisión de sus límites, teniendo en cuenta la percepción y el sentido de pertenencia expresado por sus habitantes.
53
Figura 16. Organización Territorial Urbana Comunas Riohacha 2001 – 2009. Fuente: (Concejo Municipal, 2002).
54
Figura 17. Comunas Urbanas Riohacha de acuerdo al Concejo Municipal.
Con la finalidad de generar áreas para el análisis del hurto a personas en la ciudad de Riohacha, se utilizó el perímetro urbano de la ciudad establecido por el Concejo Municipal y se los intersecó con las comunas urbanas establecidas también por el Concejo Municipal generando así 12 zonas para el análisis de este caso de estudio (ver Anexo 3) (ver Figura 18).
55
Figura 18. Áreas para análisis de hurto a personas.
En 2017 Riohacha contaba con una población estimada de 277913 habitantes, de los cuales 236927 vivían en la zona urbana (Departamento Administrativo Nacional de Estadística, 2005).
Según el censo 2005 (Departamento Administrativo Nacional de Estadística, 2005), la actividad económica predominante en los predios del casco urbano es el comercio (52%), el cual se ha visto impulsado por la construcción de centros comerciales que atraen clientes propios de la ciudad, turistas y poblaciones vecinas. El segundo renglón económico de la ciudad es el de los servicios (30%), otras actividades (10%) e industria (8%).
56
3.2 Fuente de Datos Para el análisis de los patrones espaciales del hurto a personas en la ciudad de Riohacha se consideró un total de 565 denuncias de hurtos a personas, los cuales fueron registrados únicamente dentro del perímetro urbano de la ciudad de Riohacha debiendo excluir los hurtos que se registraron en zona rural del municipio de Riohacha. Por otro lado también se excluyó denuncias de hurto a residencias y hurto de automotores en la ciudad de Riohacha, ya que el alcance de este estudio no considera las áreas antes citadas.
Todas las denuncias de hurtos a personas analizadas fueron recopiladas por los cuatro sitios de atención de la Policía Nacional de Riohacha en el perímetro urbano de la ciudad durante el año 2017, los cuales se mencionan a continuación:
Comando de Policía Guajira.
Inspección de Policía Mercado Nuevo.
Inspección de Policía Terminal Riohacha.
Unidad de Reacción Inmediata.
57
Figura 19. Ubicación geográfica de los sitios de atención de la Policía Nacional.
58
De igual forma a continuación se mencionan todos los datos espaciales usados en la elaboración del presente proyecto:
Cobertura tipo polígono de las comunas del perímetro urbano de Riohacha.
Cobertura tipo punto de los límites de los sitios de atención de la Policía Nacional.
Cobertura tipo polígono del perímetro urbano de la ciudad de Riohacha.
Mapa Base Open Street Maps.
3.3 Flujograma de Trabajo Con el fin de dar una perspectiva general de la metodología usada para la ejecución del presente estudio, se ilustra el flujograma de trabajo que se aplicó en esta investigación, el cual inicia con la estandarización de la información recopilada de las denuncias de los hurtos a personas, las mismas que fueron receptadas por cada uno de los sitios de atención de la Policía Nacional ubicados en el perímetro urbano de Riohacha en el año 2017.
Con toda esta información estandarizada se generó una base de datos espacial, la misma que contendrá la información base para la ejecución de los análisis que se realizaran en todo el proyecto propuesto.
Posteriormente, usando herramientas de un SIG (ArcGIS 10.6), se aplicarán los análisis de RPG, el análisis de Getis-Ord y la autocorrelación espacial de I-Moran, de donde se obtendrán los coeficientes de la regresión que mejor describa el hurto a personas, áreas de punto calientes de robos y si los datos analizados presentan una autocorrelación espacial entre sí correspondientemente.
59
Finalmente,
con
estos
resultados
se
lograrĂĄ
elaborar
conclusiones
y
recomendaciones enfocadas a prevenir y mejorar el control del hurto a personas dentro del perĂmetro urbano de la ciudad de Riohacha.
60
Estandarización de información de denuncias de hurto a personas.
Generación de Geodatabase.
Realizar la Regresión Ponderada Geográficamente
Realizar análisis Gi de Getis-Ord
Generar el Modelo Predictivo
Generación de zonas con Puntos Calientes
Análisis de Resultados
Análisis de Resultados
Cálculo de la autocorrelación espacial con el índice I de Moran
Obtención del índice de Moran
Análisis de Resultados
Generación de cartografía de la distribución espacial de los coeficientes de la regresión.
Generación de cartografía de Puntos Calientes.
Conclusiones y Recomendaciones
Figura 20. Flujograma de trabajo. Fuente: Elaboración Propia a partir de (Suárez Vaca, 2016).
61
3.4 Estandarización de la información Una vez recopilada la información de denuncias por hurto a personas se procedió a procesar la información obteniendo los siguientes campos dentro de cada una de las denuncias recibidas por los sitios de atención de la Policía Nacional (Tabla 3).
Tabla 3. Campos de datos de las denuncias de hurto a personas. TIPO DE
ORDEN
DESCRIPCIÓN
CODIFICACIÓN
1
Fecha de los hechos delictivos
FECHA_HECHO
Fecha
2
Municipio donde ocurrieron los hechos.
MUNICIPIO_HECHO
Texto
3
Barrio donde sucedieron los hechos.
BARRIOS_HECHO
Texto
4
Dirección donde sucedieron los hechos.
DIRECCION_HECHO
Texto
5
Medidas de protección
MED_PROT
Texto
6
Número de denuncia
NUM_DEN
Número
OBSERVACION_DIRECCION
Texto
DESCRIPCION_CONDUCTA
Texto
CuentaIntervinientes
Número
7
8
Observaciones sobre la dirección de los hechos. Descripción del delito según código penal colombiano.
DATO
Es el número de personas que intervienen 9
en el hecho (denunciante, testigo, victima, contraventor o indiciado).
Seguidamente con la información procesada se procedió a seleccionar la información que usara en el análisis espacial, por lo cual se escogió los siguientes ítems (Tabla 4):
62
Tabla 4. Campos de datos usados para el análisis espacial. ORDEN
DESCRIPCIÓN
CODIFICACIÓN
TIPO DE DATO
1
Es un identificador de los hechos.
Punto
Número
2
Número de hurtos a personas en la zona.
Num_Hurto_a_personas
Número
3
Número de denuncias por hurto a personas
Denuncias
Número
4
Posee medidas de protección
Med_Prot
Número
5
Nivel de dificultad.
Niv_Dif
Número
6
Dirección donde sucedieron los hechos.
Direcc_Hecho
Texto
Con la información seleccionada se procedió a espacializar los puntos de las denuncias de hurto a personas para el año 2017 basados en la ubicación geográfica del campo dirección de los hechos suministrado por la Policía Nacional, usando el software ArcGIS 10.6 para posteriormente crear una geodatabase con esta información (ver Figura 21).
63
Figura 21. Georeferenciación hurto a personas año 2017.
Con el número total de puntos espacializados de hurto a personas dentro del perímetro urbano de la ciudad de Riohacha y con las áreas de estudio establecidas en base al acuerdo del concejo municipal de Riohacha, se procedió a realizar un Spacial Join (ver Figura 22) con estas dos coberturas con el fin de obtener la cantidad de hurtos a personas por área establecida.
64
Figura 22. Proceso de unión entre datos de cobertura puntos y datos de cobertura polígono para crear áreas de análisis. Fuente: (Spatial Join, 2017)
Una vez ejecutada la operación espacial se obtuvo el número total de personas hurtadas por área de estudio (ver Figura 23).
65
Figura 23. NĂşmero total de denuncias por hurto a personas por ĂĄreas establecidas para el anĂĄlisis espacial.
66
3.5 Cálculo de la Regresión Ponderada Geográficamente. Para el uso de la Regresión Ponderada Geográficamente se usaron los datos de hurto a personas en la ciudad de Riohacha, los mismos se proyectaron en el sistema de coordenadas MAGNA_Colombia_Bogota.
De esta manera se usó la herramienta Geographically Weighted Regresssion (GRW) ubicada dentro del ArcTool Box en la sección Spatial Statistic, ubicando la cobertura de análisis como hurto a personas como cobertura de ingreso y a las siguientes variables para la generación del modelo:
Variable dependiente:
Número de Hurto a personas
Variable independiente:
Número de denuncias por hurto a personas.
Posee medidas de protección.
Nivel de dificultad de acceso (relacionado con la distancia desde el lugar de los hechos hasta los sitios de vigilancia).
Lo cual puede ser definido de la siguiente forma:
Número de Hurto a personas = f (Número de denuncias de hurto a personas, medidas de protección, nivel de dificultad)
Para la asignación de los pesos dentro del modelo GRW se usó la ponderación conocida como Kernel adaptativo, la cual medidas de variaciones de densidad más grandes donde se encuentras datos de forma dispersa y medidas menores cuando los datos se encuentran más concentrados (Rojas, Plata, Valdebenito, Muñiz, & de la Fuente, 2014). La selección adaptativa cambiara la distancia del ancho de banda de
67
acuerdo a la densidad espacial de las entidades de los datos de entrada (Denuncias, Med_Prot y Niv_Dif).
Lo cual dentro de la herramienta GRW fue configurado de la siguiente manera:
Figura 24. Configuración de la herramienta GWR en ArcGis. 3.6 Cálculo de la Autocorrelación espacial (I de Moran global)
Con el fin de estimar la autocorrelación de los hurtos a personas en la ciudad de Riohacha se procedió a ejecutar el cálculo usando la herramienta ubicada dentro del Spatial Statistic dentro del ArcTool Box llamada índice Global de Moran. Para tal efecto se colocó como cobertura de inicio la cobertura de Hurto a personas y como campo de ingreso el número de hurto a personas dejando los campos siguientes de acuerdo a lo establecido por la herramienta.
68
Figura 25. Herramienta para el cálculo de Autocorrelación I de Moran.
3.7 Cálculo de puntos calientes con la Metodología Getis-Ord.
Para determinar los puntos calientes donde se han producido la mayor cantidad de hurtos a personas en las áreas definidas para este estudio se procedió a utilizar la herramienta Hot Spot Analysis (Getis-Ord) la cual está ubicada en el ArcTool Box en la sección del Spatial Statistic.
Dentro de la herramienta antes citada se colocó como cobertura de entrada el hurto a personas, cobertura donde se seleccionó el campo de análisis como el número de hurto a personas el cual será el campo de análisis. Finalmente se dejó las características por defecto establecidas para esta herramienta.
69
Figura 26. Herramienta para el cรกlculo de hot spot.
70
4 RESULTADOS Y DISCUSIÓN
4.1 Análisis de resultados de la Regresión Ponderada Geográficamente.
Con la finalidad de responder una de las preguntas de investigación del presente estudio, la cual está relacionada con ¿Cuál es el modelo de regresión ponderada espacial que permitirá obtener un mapa que muestre el hurto a personas en la ciudad de Riohacha – Colombia para el año 2017? se procedió a escoger las variables con que se podría describir y obtener un mapa de este delito.
Seguidamente, una vez seleccionadas las variables independientes se ejecutó el análisis de regresión ponderada geográficamente (RPG), obteniendo un análisis de cada de las variables usadas para este estudio. Este análisis está representado a través de valores incluidos en coeficientes vinculados con las variables escogidas, los mismos que se citan a continuación:
Coeficiente de denuncias de hurtos a personas.
Coeficiente de medidas de protección.
Coeficiente de nivel de dificultad.
Además de estos coeficientes, se obtuvo un análisis estadístico de la RPG generada, el cual muestra el nivel de ajuste del modelo en base a las variables independientes seleccionadas, lo cual permite responder y generar el mapa de la pregunta de investigación previamente establecida.
Por lo antes mencionado, a continuación se presentan los valores obtenidos de cada uno de los coeficientes, los cuales están representados por medio de un mapa en donde se analizan las características y distribución espacial de la variable usada. Finalmente, después de estos análisis se presenta el mapa que describe el mejor
71
ajuste de predicción del modelo RPG para el hurto a personas en base a las variables seleccionadas.
Análisis del Coeficiente de Denuncias de Hurto a personas.
En la Figura 27 se muestra el coeficiente de número de denuncias de hurto a personas. Esta es una variable que, junto con el número de hurtos a personas, permite explicar en gran medida las dinámicas de la actividad delictiva en la ciudad.
Como se puede evidenciar, este indicador muestra valores positivos en la mayoría del área urbana. Está mostrando valores superiores a 23.2. Cabe resaltar que estas son las áreas donde más se ha identificado hurtos a personas en el año 2017.
La reducción de denuncias por hurto es una de las estrategias que a nivel nacional buscan mejorar los estándares de seguridad en los centros urbanos. Adicionalmente, se puede vincular este indicador con los bancos que se encuentran en esta área y que frecuentan los ciudadanos y delincuentes. Este último con fines delictivos.
72
Figura 27. Mapa de coeficiente de denuncias por hurto a personas.
Análisis del Coeficiente Medidas de Protección
En la Figura 28 se muestra el coeficiente de medidas de protección, la cual indica si la persona poseía alguna medida de protección (arma, navaja, gas pimienta, paralizador o tábano eléctrico, etc.), por lo cual podemos observar que esta explica que en mayor parte del área Noroeste hay valores superiores a 22.6. Esta área se ve afectada en gran parte debido al uso de medidas de protección como única forma de defensa personal como medidas de choque.
73
Es inusual que la zona Norte del área de estudio presenta valores más bajos indicando que en esta zona este coeficiente no tiene mayor incidencia en el hurto a personas.
Figura 28. Mapa de coeficiente medidas de protección.
Análisis del Coeficiente de Nivel de Dificultad
En la Figura 29 se muestran los coeficientes para el índice de nivel de dificultad, el cual fue significativo únicamente en las áreas internas de la ciudad Comuna 8, Comuna 6, Comuna 7 y Comuna 9. De igual forma que en el caso anterior, los coeficientes son negativos, demostrando que existe una relación directa entre la
74
cantidad de hurtos a personas y el nivel de dificultad. Este hecho es particularmente generalizado en casi toda la ciudad.
Figura 29. Mapa de coeficiente de nivel de dificultad.
Análisis del Coeficiente R2 Local
En la Figura 30 se refleja el ajuste de los modelos a través del R2 local, mostrando que las variables escogidas explican en más de un 72% del número de hurtos a personas, donde los mejores ajustes se dan en la zona centro y Norte de la ciudad, la cual está más cerca de los sitios de control de la Policía Nacional. Las zonas con un ajuste menor se dan en la zona Este. Esto indica que para estas zonas podría ser necesario evaluar otros factores que tengan relación con el hurto a personas, sin
75
embargo con el valor obtenido de R2 se indica que el porcentaje de predicción de este suceso esta sobre el 89% (Tabla 5).
Tabla 5. Análisis de la Regresión Ponderada Geográficamente. Estadístico
Valor
Residual Squares
903.10011856938127
Effective Number
7.6850656888640039
Sigma
14.467079078350345
AICc
139.17811941474497
R2
0.89046693528570264
R2 Adjusted
0.72076893297129596
Figura 30. Mapa de coeficiente R2 local.
76
Análisis de coeficiente de predicción
Finalmente, se generó la Figura 31 en donde se muestran los valores predichos en base a los coeficientes antes citados, en donde se puede evidenciar que las zonas de las Comunas 1, 6 y 7 son las áreas donde se ven valores altos de hurtos a personas, seguida de las zonas de las Comunas 2 y 8; mientras tanto en la zona Este y Oeste se evidencia que no existe gran aglomeración en el acontecimiento de este delito de acuerdo con el modelo GRW predicho con los datos obtenidos del año 2017.
Figura 31. Mapa de coeficiente de predicción.
77
4.2 Análisis de resultados del índice I de Moran y análisis de resultados de puntos calientes Gi* de Getis Ord.
Para poder responder la segunda pregunta que contempla esta investigación en donde se busca determinar ¿Cuál de los métodos de conseguir los Hot – Spots o la estimación del índice I de Moran presentan mejores resultados para describir los hurtos a personas en la ciudad de Riohacha – Colombia para el año 2017?, se ejecutó el correspondiente análisis de auto relación espacial de Moran.
Una vez ejecutado el análisis de I de Moran (ver Figura 32) se determinó que existe una autocorrelación espacial positiva para los hurtos a personas registrados en el año 2017, lo que significa que las unidades espaciales vecinas presentaron valores similares.
Figura 32. Resultado de cálculo de Índice de Moran.
78
Adicionalmente, se determina que el patrón espacial es aleatorio y no se puede rechazar la hipótesis nula, ya que la puntuación z de los datos estudiados muestra que existe una probabilidad mayor al 2% por tanto el patrón no parece ser significativamente diferente al azar.
Además, podemos descartar que el uso del índice de Moran presenta resultados que permitan determinar que los hurtos a personas estén agrupados o que presentan un patrón de autocorrelación espacial respondiendo de esta forma parte de la segunda pregunta de esta investigación, la misma que será solventada de forma íntegra al ejecutar el análisis de puntos calientes.
Seguidamente, se procedió a calcular los puntos caliente con la función Gi* de Getis - Ord dentro de ArcGIS 10.6, herramienta que identifica las agrupaciones espaciales de valores de z altos llamados puntos calientes (Hot - Spots) y valores de z bajo puntos fríos (cold spots).
En el análisis de puntos calientes se busca al igual que el índice de I de Moran valores z y valores p para cada entidad, donde estos valores representan la significancia estadística del agrupamiento espacial de valores. De esta manera se puede indicar que en el análisis de puntos calientes se determina que una puntuación z alta para una entidad muestra un agrupamiento espacial de valores altos y una puntuación z negativa baja muestran un agrupamiento espacial de valores bajos.
Es así que el indicador Getis-Ord resultante de distribución espacial de hot spots y cold spots para los hurtos a personas registrados en el año 2017 muestran una concentración de hot spots en las zonas centro y Norte de la ciudad de Riohacha. Por el contrario se puede subrayar que las zona Oeste y Este de la ciudad muestran áreas de cold spots lo cual está relacionado directamente con las pocas denuncias de hurtos a personas en estas áreas (ver Figura 33).
79
Figura 33. Mapa de Hot Spot de hurto a personas dentro del perĂmetro urbano de la ciudad de Riohacha 2017.
80
Por lo anteriormente citado a continuación se presenta el análisis de las áreas de hurto a personas de acuerdo a los datos obtenidos en donde la zona norte Comuna 3 y 2 presentan un agrupamiento de hurtos con un 95% de confianza de igual forma el área de la Comuna 6 presenta el mayor agrupamiento de datos con un 99% de confianza, motivos por el cual las zonas mencionadas son consideradas como puntos calientes dentro del sector.
En el sector Oeste se identifica que no existen agrupamientos de hurtos debido a que las áreas de las Comunas 12 y 5 se presenta con más del 99% de confianza y de igual forma el área de las Comunas 11 y 4 con un 95% de confianza como puntos fríos dentro del presente análisis.
Para el sector sur el área de la Comunas 7 presenta un agrupamiento de puntos calientes con 95% de confianza mientras que la Comuna 8 posee el 90% de confianza de que sean puntos calientes. De esta manera todas las áreas antes citadas se representan como los puntos calientes de hurto a personas en este sector.
Por otro lado, todas las áreas que no han sido mencionadas como puntos calientes o fríos son consideradas como áreas sin significancia estadística, es decir, presentan una distribución aleatoria y son consideradas áreas sin mayor importancia dentro del análisis espacial estadístico de Hot – Spot.
De esta manera, una vez realizado el último análisis planteado dentro del presente estudio se puede dar una respuesta global a la segunda pregunta de investigación la cual requiere establecer cuál de los métodos de obtención de Hot – Spots obtenidos de Getis – Ord o la estimación de índice de I de Moran presentan mejores resultados para describir los hurtos a personas en la ciudad de Riohacha. Por lo anteriormente citado, se puede mencionar que Hot – Spots obtenidos de Getis – Ord es un método de mapeo de delitos que presenta resultados de forma espacial con un valor de confiabilidad estadística, mientras que la estimación de índice de I de
81
Moran es un análisis preliminar de datos que determinan si los datos están agrupados o si presentan un patrón de autocorrelación espacial entre sí que finalmente tiene influencia en el mapeo de hurto a personas.
Por consiguiente, los dos análisis ejecutados son vinculante y es recomendable ejecutar el análisis del índice I de Moran previo al método Hot – Spot de Getis – Ord para de esta forma darles mayor confiabilidad estadística a los resultados al momentos de describir el hurto a personas en el presente estudio.
Finalmente, con los resultados obtenidos por medio del análisis de puntos calientes se da respuesta a la tercera pregunta de esta investigación la cual estaba encaminada a identificar ¿Cuáles son las áreas óptimas que la Policía Nacional de Colombia debe incluir en sus patrullajes para reducir y neutralizar el hurto a personas en la ciudad de Riohacha?, según el análisis de Hot Spots realizado anteriormente es evidente que las zonas calientes que requieren patrullaje constante de la Policía Nacional son las comunas 2, 3, 6, 7 y 8 para reducir y neutralizar el hurto a personas en la ciudad de Riohacha (ver Figura 34).
82
Figura 34. Áreas óptimas para patrullaje de la Policía Nacional.
83
5 CONCLUSIONES La metodología propuesta permitió responder a los objetivos de la investigación, demostrando así el amplio abanico de posibilidades que despliegan los SIG sobre la disciplina del análisis criminal con las diversas técnicas, procesos y metodologías que revelan patrones del fenómeno criminal, en base a factores geográficos, demográficos o temporales del fenómeno del hurto a personas.
La georeferenciación de las denuncias de hurtos a personas en el año 2017 realizados en el presente estudio permiten determinar la ubicación espacial de este delito dentro del perímetro urbano de la ciudad de Riohacha con el fin de contribuir a la gestión que realiza la Policía Nacional para prevenir y neutralizar este delito.
El ajuste del modelo de regresión ponderada geográficamente (RPG) muestra que las variables dependientes usadas para predecir el fenómeno delictivo del hurto a personas en la ciudad de Riohacha explican el 89% de este fenómeno.
El análisis espacial en base a las denuncias de hurtos a personas y a las áreas definidas para esa tarea, facilitó la identificación de puntos calientes de hurtos, los cuales se encuentran distribuidos en la zona Norte en las áreas de las Comunas 2 y 3 mientras que por el Centro en las Comunas 6 y 7.
La aplicación del análisis del índice de Moran demostró que las agrupaciones de datos de denuncias de hurtos a personas poseen una probabilidad mayor al 2% de ser al azar, lo que permite determinar que los hurtos no poseen características de autocorrelación espacial para determinar un patrones diferentes al azar.
El análisis espacial determinó que las zonas con mayor cantidad de hurtos a personas son al norte y al centro del perímetro urbano de la ciudad de Riohacha, lo que indica que probablemente en la zona sur existen otro tipo de delitos situación que dese ser analizada en un nuevo estudio.
84
6 BIBLIOGRAFÍA Aguayo Téllez, E., & Medellín Mendoza, S. E. (2014). Dependencia Espacial en la Delincuencia en Monterrey-México. Ecos de Economía, 18(38), 63-92. Alcaldia de Riohacha. (29 de Octubre de 2015). Plan de Ordenamiento Territorial Riohacha 2015 Decreto 078. Recuperado el 16 de Enero de 2018, de Alcaldía Distrital de Riohacha: www.riohacha-laguajira.gov.co/.../pot-riohacha-2015decreto-078-2015-parte_1.pdf Alcaldia de Riohacha. (30 de Agosto de 2017). Información del Municipio. Recuperado el 16 de Enero de 2018, de Alcaldía Distrital de Riohacha: http://www.riohacha-laguajira.gov.co/MiMunicipio/Paginas/Informacion-delMunicipio.aspx Arcgis. (2017). Spatial Join. Recuperado el 01 de Julio de 2018, de http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/h-howhot-spot-analysis-getis-ord-gi-spatial-stati.htm BID. (2017). Los costos del crimen y de la violencia Nueva evidencia y hallazgos en América Latina y el Caribe. Recuperado el 16 de Enero de 2018, de Banco Interamericano de Desarrollo: https://publications.iadb.org/bitstream/handle/11319/8133/Los-costos-delcrimen-y-de-la-violencia-nueva-evidencia-y-hallazgos-en-America-Latina-y-elCaribe.pdf?sequence=8 Boba, R. (2005). Crime Analysis and Crime Mapping. Thousand Oaks: Sage Publications, Inc. Borbor Precilla, J. R. (2014). Puntos calientes (hotspot) de robos en Circuitos de la ciudad de Guayaquil. Recuperado el 16 de Enero de 2018, de UNIVERSIDAD SAN FRANCISCO DE QUITO: http://repositorio.usfq.edu.ec/handle/23000/3211 Broadbent, I., & Royles, C. (27 de Abril de 2010). Crime Mapping Evolution - 10 Trends Driving More Effective Law Enforcement. Recuperado el 13 de Enero de 2018, de https://www.directionsmag.com/article/2176 Buenos Aires Ciudad | Mapa del Delito. (s.f.). Recuperado el 17 de Abril de 2018, de https://mapa.seguridadciudad.gob.ar/
85
Cahill, M., & Mulligan, G. (2007). Using Geographically Weighted Regression to Explore Local Crime Patterns. Social Science Computer Review, 25(2), 174193. Celis, R., Sanjinés Tudela, G. N., & Aliaga Lordemann, J. (2012). Delincuencia en Bolivia desde una perspectiva espacial. Revista Latinoamericana de Desarrollo Económico(18), 129-154. Chainey, S., & Ratcliffe, J. (2005). GIS and Crime Mapping. Chichester: Jhon Wiley & Sons Ltd. Clement, F., Orange, D., Williams, M., Mulley, C., & Epprecht, M. (2009). Drivers of afforestation in Northern Vietnam: Assessing local variations using geographically weighted regression. Applied Geography, 29(4), 561-576. Coba Julio, E. C., & Balseca Carrera, C. E. (Abril de 2015). ANÁLISIS GEOESTADÍSTICO DE LA DELINCUENCIA PARA QUITO URBANO USANDO GEODA. Recuperado el 15 de Enero de 2018, de Universidad San Francisco de Quito: http://repositorio.usfq.edu.ec/handle/23000/4909 Concejo Municipal. (2 de Febrero de 2002). Acuerdo 003. Acuerdo 003(3), 43-47. Riohacha, Colombia. Denegri de Dios, F. M., Ley García, J., & González Reyes, P. J. (2014). Análisis exploratorio del robo a microempresas. Recuperado el 15 de Enero de 2018, de XVI Simposio Internacional SELPER 2014: http://selper.org.co/papers-XVISimposio/Bases-de-Datos-Geoespaciales/BD5-Delito-y-lugar.pdf Departamento Administrativo Nacional de Estadística. (2005). Boletin Censo General 2005. Recuperado el 08 de Septiembre de 2018, de http://www.dane.gov.co/files/censo2005/perfiles/guajira/rioacha.pdf Departamento Administrativo Nacional de Estadística. (2005). Resultados y proyecciones (2005-2020) del censo 2005. Recuperado el 22 de Mayo de 2018, de http://www.dane.gov.co/files/investigaciones/poblacion/proyepobla06_20/Proy eccionMunicipios2005_2020.xls Departamento Administrativo Nacional de Estadística. (28 de Abril de 2017). Comunicado prensa empleo marzo de 2017. Recuperado el 05 de Agosto de 2017, de https://www.dane.gov.co/files/investigaciones/boletines/ech/ech/CP_empleo_ mar_17.pdf
86
Duque, J. C., Velásquez, H., & Agudelo, J. (2011). Infraestructura pública y precios de vivienda: una aplicación de regresión geográficamente ponderada en el contexto de precios hedónicos. Ecos de Economía, 15(33), 95-122. El Heraldo; Encuesta de percepción de la Cámara de Comercio. (2016). Periódico El Heraldo. Recuperado el 28 de Octubre de 2017, de https://www.elheraldo.co/la-guajira/riohacha-es-poco-o-nada-segura-opinanlos-empresarios-locales-284118 ESRI. (2016). Cómo funciona Análisis de puntos calientes (Gi* de Getis-Ord). Recuperado el 20 de Julio de 2017, de http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/h-howhot-spot-analysis-getis-ord-gi-spatial-stati.htm ESRI. (2016). Conceptos básicos del análisis de regresión. Recuperado el 16 de Enero de 2018, de Arcgis: http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statisticstoolbox/regression-analysis-basics.htm ESRI. (2016). Lo que no le cuentan sobre el análisis de regresión. Recuperado el 16 de Enero de 2018, de Arcgis: http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/whatthey-don-t-tell-you-about-regression-analysis.htm ESRI. (2016). Regresión ponderada geográficamente (GWR). Recuperado el 16 de Enero de 2018, de Arcgis: http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statisticstoolbox/geographically-weighted-regression.htm ESRI. (2017). Cómo funciona Autocorrelación espacial (I de Moran global). Recuperado el 15 de Enero de 2018, de https://pro.arcgis.com/es/pro-app/toolreference/spatial-statistics/h-how-spatial-autocorrelation-moran-s-i-spatialst.htm ESRI. (2018). CrimeAnalyst. Recuperado el 15 de Enero de 2018, de https://esri.ca/en/products/crimeanalyst Estrada Restrepo, V., & Gomez Quintero, M. S. (2015). ANÁLISIS DEL DELITO EN LA CIUDAD DE MANIZALES USANDO HERRAMIENTAS SIG. Recuperado el 15 de Enero de 2018, de http://ridum.umanizales.edu.co:8080/xmlui/bitstream/handle/6789/2442/Estrad a_Valeria_2015-1.pdf?sequence=2
87
Florian Zakula, B. (14 de Diciembre de 2015). La cifra oscura y las razones de la no denuncia en México. Recuperado el 14 de Enero de 2018, de CDEUNODC: https://cdeunodc.wordpress.com/2015/12/14/la-cifra-oscura-y-los-razones-dela-no-denuncia-en-mexico/ Formosa, S., & Formosa Pace, J. (2012). Sharing Cross-Thematic Spatial Information: A Multi-Domain Approach for Crime Socio-Technics. (MIOT, Ed.) Journal of Modern Internet of Things, 1(1), 6-11. Fotheringham, A., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: the analysis of spatially varying relationships. Newcastle: John Wiley & Sons Ltd. Fuentes Flores, C., & Sánchez Salinas, O. (2015). Contexto sociodemográfico de los homicidios en México D.F.: un análisis espacial. Revista Panamericana de Salud Pública, 38(6), 450-456. Fuenzalida-Díaz, M. (2010). AUTOCORRELACIÓN ESPACIAL. Recuperado el 15 de Enero de 2018, de Universidad Alberto Hurtado: http://files.especializaciontig.webnode.com/200000611-db3dfdd380/TEORIA_CLASE_04.pdf Fundación Ideas para la Paz (FIP). (Junio de 2013). Dinámicas del conflicto armado en la guajira y su impacto humanitario. Recuperado el 14 de Julio de 2017, de http://archive.ideaspaz.org/images/DocumentoMonitoreo_ConflictoArmado_Gu ajira_Mayo2013-REVISADO.pdf Getis, A., & Ord, J. (1995). Local Spatial Autocorrelation Statistics: Distributional Issues and an Application. Geographical Analysis, 25(4), 271–368. Goodchild, M. F. (1987). Towards an Enumeration and Classification of GIS Functions. International Geographic Information Systems (IGIS) Symposium. 2, págs. 67-77. Washington DC: NASA. Gutiérrez Puebla, J., García Palomares, J., & Cardozo, O. (2012). Regresión Geográficamente Ponderada (GWR) y estimación de la demanda de las estaciones del Metro de Madrid. XV Congreso Nacional de Tecnologías de la Información Geográfica, (págs. 1-12). Madrid. Harries, K. A. (1999). Mapping Crime: Principle and Practice. National Institute of Justice, 1-206. Hernandez Montealegre, J. J. (Noviembre de 2016). Análisis espacial de índices y percepciones de criminalidad en Colombia (Tesis Maestria). Recuperado el 07
88
de Agosto de 2017, de Universidad de Salzburgo: https://issuu.com/unigis_latina/docs/hernandez/8 Hernando Sanz, F. (2008). LA SEGURIDAD EN LAS CIUDADES: EL NUEVO ENFOQUE DE LA GEOPREVENCIÓN. REVISTA ELECTRÓNICA DE GEOGRAFÍA Y CIENCIAS SOCIALES, XII(270), 14. Hernando Sanz, F. J. (1999). Espacio y delincuencia: atlas criminológico de Madrid (1983-1997). Madrid: Universidad Complutense de Madrid. IACA. (2011). Asociación Internacional de Analistas Criminales (IACA). Recuperado el 13 de Enero de 2018, de https://www.iaca.net/iaca_es.asp IGN. (2012). Módulo 2: Exploración de datos y estadística espacial. Instituto Geogáfico Nacional - España. Madrid, España. INEGI. (2014). Encuesta Nacional de Victimización y Percepción sobre Seguridad Pública (ENVIPE) 2014. Recuperado el 13 de Enero de 2018, de Instituto Nacional de Estadística y Geografía: http://www.beta.inegi.org.mx/proyectos/enchogares/regulares/envipe/2014/ Infobae. (21 de Diciembre de 2017). Cómo funciona el nuevo mapa del delito de la Ciudad. Recuperado el 13 de Enero de 2018, de https://www.infobae.com/sociedad/policiales/2017/12/21/como-funciona-elnuevo-mapa-del-delito-de-la-ciudad/ Jefferis, E. (1999). A multi-method exploration of crime hot spots: a summary of findings. National Institute of Justice. Kalyvas, S. (2015). How Civil Wars Help Explain Organized Crime—and How They Do Not. Journal of Conflict Resolution, 59(8), 1517-1540. Kounadi, O., Lampoltshammer, T. J., Leitner, M., & Heistracher, T. (1 de Marzo de 2013). Accuracy and privacy aspects in free online reverse geocoding services. (T. &. Francis, Ed.) Cartography and Geographic Information Science, 40(2), 140-153. Levine, N., & Associates. (Mayo de 2002). CrimeStat II: A Spatial Statistics Program for the Analysis of Crime Incident Locations. Recuperado el 15 de Enero de 2018, de The National Institute of Justice: https://www.ncjrs.gov/pdffiles1/nij/grants/195772.pdf
89
Martínez Barón, D., & Sandoval, L. E. (2008). Una revisión al estudio de la delincuencia y criminalidad. Revista Facultad de Ciencias Económicas, XVI(1), 105-117. McGuire, P., & Williamson, D. (1999). Mapping Tools for Management and Accountability. Paper presented to the Third International Crime Mapping Research Center Conference. Orlando. Mejia, D., Ortega, D., & Ortiz, K. (Enero de 2015). Un análisis de la criminalidad urbana en Colombia. Recuperado el 20 de Julio de 2017, de CAF: http://scioteca.caf.com/bitstream/handle/123456789/810/Criminalidad%20urba na%20en%20Colombia%20%20Enero%202015.pdf?sequence=1&isAllowed=y Mitchell, A. (2005). The ESRI Guide to GIS Analysis, Volume 2: Spatial Measurements and Statistics (Vol. 2). ESRI. NIJ. (2005). Mapping Crime Understanding Hot Spots. Recuperado el 15 de Enero de 2018, de U.S. Department of Justice: http://discovery.ucl.ac.uk/11291/1/11291.pdf Ocáriz, E., Vozmediano, L., & Germán, I. (2011). La variable “lugar de residencia” de los menores infractores:Relevancia y propuestas para su análisis geográfico. International e-Journal of Criminal Science, 1(4), 1-24. Ordóñez, C., Varela, M. R., & Reyes, A. (2011). Desarrollo de un SIG para el análisis de patrones espaciales de incendios en viviendas. GeoFocus. Revista Internacional de Ciencia y Tecnología de la Información Geográfica(11), 1-18. Osborne, D., & Wernicke, S. (2003). Introduction to Crime Analysis: Basic Resources for Criminal Justice Practice. New York: The Haworth Press. Policía Nacional de Colombia. (15 de Octubre de 2010). Manual de SIGPONAL. Recuperado el 07 de Agosto de 2017, de http://www.policia.edu.co/documentos/normatividad_2014/Manuales/Manual% 20de%20Sistemas.pdf Policia Nacional de Colombia. (2016). Registros de la criminalidad en Colombia y actividad operativa de la Policía Nacional durante el año 2015. Revista Criminalidad, 58(2), 9-72.
90
Policia Nacional de Colombia. (1 de Mayo de 2017). Estudio criminologia. Recuperado el 14 de Julio de 2017, de https://www.policia.gov.co/observatorio/estudio_criminologia PONAL. (2016). ESTUDIO CRIMINLÓGICO: Hurto a personas y su afectación en la economía y contexto social. Recuperado el 14 de Enero de 2018, de Policia Nacional de Colombia: https://www.policia.gov.co/file/46589/download?token=r3Xch3wS Programa de las Naciones Unidas para el Desarrollo. (Noviembre de 2013). Informe Regional de Desarrollo Humano. Recuperado el 14 de Julio de 2017, de http://www.undp.org/content/dam/rblac/img/IDH/IDHAL%20Informe%20completo.pdf Ratcliffe, J. H. (2007). The Hotspot Matrix: A Framework for the Spatio‐Temporal Targeting of Crime Reduction. An International Journal, 5-23. RCAGIS. (2018). Regional Crime Analysis Geographic Information System (RCAGIS) (ICPSR 3372). Recuperado el 13 de Enero de 2018, de http://www.icpsr.umich.edu/icpsrweb/NACJD/studies/3372 RCN Radio. (25 de Abril de 2017). Hurto personas sigue siendo el delito que mas se comete en el pais. Recuperado el 14 de Julio de 2017, de http://www.rcnradio.com/nacional/hurto-personas-sigue-siendo-delito-mas-secomete-pais/ Rettberg, A. (2012). Construcción de paz en Colombia. Bogotá: Ediciones Uniandes. Rocha Flores, F. A. (Noviembre de 2012). Razonamiento Espacial Aplicado a la Toma de Decisiones. Recuperado el 13 de Enero de 2018, de http://tesis.ipn.mx/bitstream/handle/123456789/16038/XM%2012.46.pdf?sequ ence=1 Rojas, C., Plata, W., Valdebenito, P., Muñiz, I., & de la Fuente, H. (2014). La Dinámica de expansión urbana del Área Metropolitana de Concepción. En U. N. Colombia, Metropolizaciones Colombia -Chile: Experiencias de Bogotá, Medellín, Santiago y Concepción (págs. 39-56). Bogotá: Línea Editorial 1 Investigaciones. Ruiz Garcia, A. (2012). SIG, Crimen y Seguridad. Análisis, Predicción y Prevención del Fenómeno Criminal (Tesis Maestria). Recuperado el 20 de Julio de 2017, de Universidad Complutense de Madrid: http://eprints.ucm.es/16701/1/SIG%2C_Crimen_y_Seguridad._An%C3%A1lisi
91
s%2C_predicci%C3%B3n_y_prevenci%C3%B3n_del_fen%C3%B3meno_crim inal..pdf Salafranca Barreda, D., & Rodríguez Herrera, M. (2014). Sistemas de información geográfica aplicados a la investigación policial. Tecnologías de la información para nuevas formas de ver el territorio: XVI Congreso Nacional de Tecnologías de Información Geográfica (págs. 721-736). Alicante: AGE. Sánchez Peña, L. (2006). Métodos para el análisis espacial: una aplicación al estudio de la geografía de la pobreza. II Congreso de la Asociación Latinoamericana de Población, (págs. 1-17). Guadalajara. Sawada, M. (23 de Noviembre de 2009). Global Spatial Autocorrelation Indices Moran's I, Geary's C and the General Cross-Product Statistic. Recuperado el 15 de Enero de 2018, de University of Ottawa: http://www.lpc.uottawa.ca/publications/moransi/moran.htm Shirk, D. A., Wood, D., & Olson, E. L. (Marzo de 2014). Building Resilient Communities in Mexico: Civic Responses to Crime and Violence. Recuperado el 16 de Enero de 2018, de Woodrow Wilson International Center for Scholars: https://www.wilsoncenter.org/sites/default/files/Resilient_Communities_Mexico. pdf Stangeland, P., & Santos Garrido, M. J. (2004). El mapa del crimen: Herramientas geográficas para policías y criminólogos. Valencia: Tirant lo Blanch. Suárez Vaca, W. A. (DiCiembre de 2016). Análisis espacial del robo de motores fuera de borda a pescadores artesanales en los espacios acuáticos de Ecuador. Ecuador. Tello, B. (Mayo de 2007). La georeferenciación: un mecanismo de planificación en la Policía Comunitaria. 2-3. (J. Pontón Cevallos, Entrevistador) FLACSO Cede Ecuador. Vásquez González, C., & Soto Urpina, C. (Enero de 2013). El análisis geográfico del delito y los mapas de la delincuencia. Recuperado el 14 de Julio de 2017, de http://espacio.uned.es/fez/eserv.php?pid=bibliuned:revistaDerechoPenalyCriminologi a-2013-9-7110&dsID=Documento.pdf Vozmediano Sanz, L., & San Juan Guillén, C. (Julio de 2006). SISTEMAS DE INFORMACIÓN GEOGRÁFICA EN EL ESTUDIO DEL MIEDO AL DELITO: EL CASO DE DONOSTIA-SAN SEBASTIÁN. Boletín Criminológico, 88, 1-4.
92
Wheeler, D., & Tiefelsdorf, M. (2005). Multicollinearity and correlation among local regression coefficients in geographically weighted regression. Journal of Geographical Systems, 7(2), 161-187. Yi-Ju Chen, V., Deng, W.-S., Yang, T.-C., & Matthews, S. (2012). Geographically Weighted Quantile Regression (GWQR): An Application to U.S. Mortality Data. Geographical Analysis, 44(2), 87-173.
93
7 ANEXOS Anexo 1. Delitos registrados en Colombia 2015. En el que se destaca el hurto a personas con 101.346 como el delito con mayor ocurrencia en el país para el año 2015.
Anexo 2. Hurto Común (Personas, Residencias y Comercio) 2015. Comparación del hurto común por departamentos entre los años 2015 y 2014 y su variación porcentual.
Anexo 3. Delimitación de sectores urbanos o comunas. Definición de las nuevas comunas urbanas del municipio de Riohacha.
94
Anexo 1. Delitos registrados en Colombia 2015. Fuente: PONAL 2015.
95
DEPARTAMENTO
Amazonas
Antioquia
Arauca
Atlántico
Bolívar
Boyacá
Caldas
Caquetá
Casanare
Cauca
CONDUCTA
VARIACION TOTAL TOTAL PORCENTUAL 2015 2014 2015-2014
Personas
75
45
67%
Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias
38 51 12.455 2.539 3.366 277 155 121 5.573 695
44 31 7.213 1.221 2.297 292 191 122 5.432 693
-14% 65% 73% 108% 47% -5% -19% -1% 3% 0%
Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas
686 1.385 332 368 2.054 789 591 2.226 298 118 928 418 255 848 604 434 2.120 562 512 1.186
705 1.447 343 395 2.013 780 553 2.399 348 136 853 412 298 835 406 333 1.382 427 398 1.078
-3% -4% -3% -7% 2% 1% 7% -7% -14% -13% 9% 1% -14% 2% 49% 30% 53% 32% 29% 10%
DEPARTAMENTO
Magdalena
Meta
Nariño
Norte de Santander
Putumayo
Quindío
Risaralda
San Andrés
Santander
Sucre
CONDUCTA
TOTAL 2015
TOTAL 2014
VARIACION PORCENTUAL 2015-2014
Personas
1.234
1.374
-10%
Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias
418 574 3.258 1.270 826 2.443 305 209 2.096 620
410 610 3.124 1.217 900 2.141 401 227 1.748 432
2% -6% 4% 4% -8% 14% -24% -8% 20% 44%
Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas
690 271 186 127 1.876 702 519 2.283 558 805 235 100 57 6.479 981.000 1.087 1.978 445 157 3.291
513 226 150 111 1.852 685 549 2.510 635 1119 164 131 53 6.060 1.108 1.118 1.907 375 126 2.864
35% 20% 24% 14% 1% 2% -5% -9% -12% -28% 43% -24% 8% 7% -11% -3% 4% 19% 25% 15%
96
Cesar
Chocó
Córdoba
Cundinamarca
Guainía
Guajira
Guaviare
Huila
Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio
369 430 499 321 0 1.528 561 552 1.022 203 310 54 12 6 713 221 345 42 31 18 2.924 796 656
305 271 516 411 12 1.599 508 480 1.074 262 381 26 19 7 596 238 281 39 18 15 2.619 959 611
21% 59% -3% -22% -100% -4% 10% 15% -5% -23% -19% 108% -37% -14% 20% -7% 23% 8% 72% 20% 12% -17% 7%
Tolima
Valle
Vaupés
Vichada
Bogotá, D.C. TOTAL HURTO A TOTAL HURTO A TOTAL HURTO A
Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio Personas Residencias Comercio PERSONAS RESIDENCIAS COMERCIO
Anexo 2. Hurto Común (Personas, Residencias y Comercio) 2015. Fuente: PONAL 2015.
1.260 856 12.449 1.684 1.792 13 13 1 16 29 16 27.515 3.624 5.920 101.346 21.139 22.455
1.154 877 12.849 1.572 1.855 8 3 0 5 33 13 28.121 4.859 6.322 94.411 20.750 21.719
9% -2% -3% 7% -3% 63% 333% 100% 220% -12% 23% -2% -25% -6% 7% 2% 3%
97
COMUNA
BARRIOS
LIMITE NORTE
LIMITE OESTE
LIMITE SUR
LIMITE ESTE
Calle 12 desde la Carrera 15 hasta la Carrera 6, subiendo por ésta hasta la Calle 7 ó Ancha Carrera 16 Av. – COMUNA 1.
Arriba, Abajo y
Circunvalar con
CENTRO
Urbanización El
Avenida; La Marina 6
HISTORICO
Faro.
Calle 3 (Mar Caribe), hasta Carrera 15.
Carrera 15 ó Av. Los
y subiendo por
Estudiantes, bajando
ésta hasta la
por ésta hasta la
Carrera 1 ó Av.
calle 12 y colinda con
Circunvalar y
el siguiente Barrio:
colinda con los
José Antonio Galán.
siguientes Barrios: Libertador,
Carrera 1 ó Av. Circunvalar desde la Calle 7 hasta Av. “La Marina o Calle 1 (Mar Caribe) y colinda con los siguientes Barrios: Villa del Mar y Villa Fátima.
Acueducto, Arriba Sur “San Martin de Porras”. Arriba Sur, San Martin de COMUNA 2. NUEVO
Porras,
CENTRO
Remedios, El Tatual y El Acueducto.
Calle 7 ó Ancha
Carrera 1 desde la
Av. El Progreso
Carrera 1 ó Av.
desde la Av.
Calle 12 hasta la
(Troncal del
Circunvalar desde la
Circunvalar hasta la
Calle 14B, subiendo
Caribe) desde la
Calle 15 o Av.
Carrera 6, bajando
por ésta hasta la
Carrera 15 hasta
Troncal del Caribe
por ésta hasta la Calle
Carrera 15 ó Av. Los
la Carrera 1 ó
hasta la Calle 7 ó
12 y bajando por ésta
Estudiantes y por
Av. Circunvalar y
Ancha, colindando
hasta la Carrera 1 y
ésta hasta la Calle
colinda con los
con la zona de
98
colinda con estos
15 ó Av. El Progreso
siguientes
Barrios: Arriba, Abajo
y colinda con los
Barrios: 20 de
y José Antonio Galán.
siguientes Barrios:
Julio, Obrero,
Paraíso, José
San Francisco
Antonio Galán,
de Asís, El
Mercedes, Padilla y
Progreso,
Luis Antonio Robles.
Camilo Torres y
manglar.
Área de la Laguna Salada.
José Antonio Galán, Padilla, Paraíso, Luis
Colinda con el Mar
Antonio Robles,
Caribe desde la
COMUNA 3.
Guapuna, Las
intersección de la
COQUIVACOA
Mercedes, Sol
Calle 1 ó Av. La
Tropical y
Marina con Carrera 15
Coquivacoa con
hasta la Carrera 22ª.
todas sus etapas.
Tomando la Calle 22
Carrera 15 ó Av. Los
hacia el sur hasta la
Estudiantes desde la
Calle 12ª y bajando
Calle 15 hasta la
hasta la carrera 23,
Calle 14B, bajando
colindando con el
Calle 15 ó Av. El
por ésta hasta la
Barrio Marbella,
Progreso desde
Carrera 16,
tomando por la
la Carrera 18
subiendo por ésta
Carrera 22 desde la
hasta la Carrera
hasta la Calle 12,
Calle 12ª hasta la
15 ó Av. Los
subiendo por ésta
Calle 13, subiendo
Estudiantes.
hasta la carrera 15 ó
por la misma hasta la
Colindado con el
Av. Los Estudiantes
Carrera 20. Bajando
Barrio Che
y subiendo por ésta
por ésta hasta la
Guevara.
hasta llegar a la
Calle 14F subiendo
Calle 1 ó Av. La
por ésta hasta la
Marina. Colindando
Carrera 18 y bajando
con el Barrio
por ésta hasta la
Libertador.
99
Calle 15 ó Av. El Progreso colindando con los siguientes Barrios: Marbella, Cooperativo y Texas. Carrera 18 desde la Calle 15 ó Av. Troncal del Caribe hasta la Calle 14F, Desde el Punto
bajando por ésta
Marbella, San
No. 14 del
hasta la Carrera 20,
Tropel, Nuevo
Nuevo Perímetro
subiendo por ésta
Urbano sobre la
hasta la Calle 13,
Av. Troncal del
bajando por ésta la
Caribe y por ésta
Carrera 23,
hasta la Carrera
subiendo por ésta
18. Colinda con
hasta la Calle 12ª,
los siguientes
subiendo por ésta
Barrios: Las
hasta la Carrera 22ª
Deluque Pinto y
Tunas, San
y subiendo por ésta
Manantial.
Martin de Loba y
hasta el Mar Caribe.
che Guevara.
Colindando con los
Horizonte, Portal de Comfamiliar, COMUNA 4. COOPERATIVO
12 de Octubre, Cooperativo, Jorge Pérez, Nuevo faro, La Ñapa, Edinson
Desde la Carrera 22ª paralela a la línea del
Línea que une los
Mar Caribe hasta el
Puntos No. 15 y 14
Punto No. 15 del
del Nuevo Perímetro
Nuevo Perímetro
Urbano.
Urbano.
siguientes Barrios: José Antonio Galán, Coquivacoa y Paraíso.
100
Carrera 14C desde la Calle 36 hasta llegar a la Calle 34ª, siguiendo por ésta en dirección Oeste hasta llegar a la Cactus 1, Cactus 2, Che Guevara,
Troncal del Caribe salida a Santa Marta desde
COMUNA 5.
Las Tunas, San
su intersección con la Carrera 15 ó Av. Los
AEROPUERTO
Martin de Loba,
Estudiantes hasta el Punto No.13 del Nuevo
ALMIRANTE
Matajuna,
Perímetro Urbano. Colindando con los
PADILLA
Aeropuerto,
siguientes Barrios: Manantial, Portal de
Nazareth, y
Comfamiliar, Cooperativo y Paraíso.
Caribe.
La línea que une los Puntos No. 13 y 12 del Nuevo Perímetro Urbano y Calle 36 entre Carrera 14 y 14C.
Carrera 15 ó Av. Del Aeropuerto y subiendo por ésta hasta llegar a la Calle 15 ó Av. Troncal del Caribe. Colindando con los siguientes Barrios: 20 de Julio, Gustavo Rojas Pinilla, nuestra Señora de Los Remedios, Los Olivos y La Cosecha.
COMUNA 6. NUESTRA SEÑORA DE LOS REMEDIOS
20 de Julio,
Calle 15 ó Av. El
Carrera 15 desde la
Calle 28 desde
Carrera 7 desde la
Obrero, San
Progreso desde la
calle 15 hasta la
la Carrera 15
Calle 31ª hasta la
Francisco, Rojas
Carrera 1 hasta la
Calle 27ª.
hasta la Carrera
Calle 15. Colinda
Pinilla, Nuestra
Carrera 15.
Colindando con los
12B bajando por
con los Barrios: 7 de
Señora de Los
Colindando con los
Barrios: Che
ésta hasta la
Agosto, Villa Laura,
Remedios, José
Barrios: Acueducto y
Guevara, San Martin
Calle 33,
María Eugenia,
101
Arnoldo Marín,
Libertador.
de Loba y Matajuna.
subiendo por
Camilo Torres y
La Loma, Luis
ésta hasta la
Urbanización Villa
Eduardo Cuellar,
Carrera 11Bis,
Mareigua.
Las Villas, El
subiendo por
Calancala, El
ésta hasta la
Progreso,
Calle 28,
Entrerrios, Villa
subiendo por
Tatiana,
ésta hasta la
Médanos y
Carrera 10ª,
Kepiagua.
subiendo por ésta hasta la Calle 25, subiendo por ésta hasta la Carrera 7H, bajando por ésta hasta la Calle 32, subiendo por ésta hasta la Carrera 7C, subiendo por ésta hasta la Calle 31ª, subiendo por ésta hasta la Carrera 7.
102
Colindando con los Barrios: Olivos, Nogales, Boca Grande, Eurare y Simón Bolívar. Calle 31ª desde la
Carrera 15 desde la
Carrera 7C, bajando
Calle 27ª hasta la
por ésta hasta la Calle
Calle 34ª, subiendo
31B, bajando por ésta
por ésta hasta la
Los Nogales, EL
hasta la Carrera 7H,
Carrera 14ª, bajando
Comunitario, La
subiendo por ésta
por ésta hasta la
Esperanza, La
hasta la Calle 25,
Calle 36, bajando por
Cosecha, 15 de
bajando por ésta
ésta hasta la Carrera
Mayo, Los
hasta la Carrera 10ª,
14C, bajando por
COMUNA 7. BOCA
Olivos, Eurare,
bajando por ésta
ésta hasta la Calle
GRANDE
Simón Bolívar,
hasta la Calle 28,
37, subiendo por
Comfamiliar 200,
bajando por ésta
ésta hasta la Carrera
Bugan Villa, Los
hasta la Carrera
14, bajando por ésta
Nogales, San
11Bis, bajando por
hasta la Calle 40,
Judas y Boca
ésta hasta la Calle 33,
subiendo por ésta
Grande.
bajando por ésta la
hasta la Carrera 13 y
Carrera 12B,
bajando por ésta
subiendo por ésta
hasta la Calle 41.
hasta la calle 27ª,
Colindando con los
bajando por ésta
Barrios: Matajuna,
Calle 41 desde la Carrera 13 hasta la carrera 12ª, subiendo por ésta hasta la Calle 40, subiendo por ésta hasta la Carrera 7 ó salida a Valledupar. Colindando con los Barrios: Hugo Zúñiga, Villa Sharin, Los Loteros, y Los Almendros.
Carrera 7 ó salida a Valledupar desde la calle 40 hasta la Calle 31ª. Colindando con los Barrios: Buenos Aires y Urbanización Bella Vista.
103
hasta la Carrera 15.
Las Tunas, el
Colindando con los
Aeropuerto, y el
siguientes barrios:
Aeropuerto Almirante
Villa Tatiana,
Padilla.
Kepiagua, Los Médanos, Entrerrios, Luis Eduardo Cuellar, La Loma, José Arnoldo Marín y Nuestra Señora de Los Remedios. Camilo Torres,
Vía salida a
Intersección de
Partiendo del Punto
María Eugenia
Valledupar desde la
la vía Valledupar
9 del nuevo
Calle 15 hasta la
con la línea que
perímetro urbano en
intersección de la
une los Puntos 9
sentido Norte por la
línea que une los
y 10 del nuevo
línea que une dicho
Puntos 9 y 10 del
perímetro
punto con los Puntos
nuevo perímetro
urbano y de esta
8 y 7 del nuevo
urbano. Colinda con
intersección, en
perímetro urbano y
los siguientes
sentido Este, por
de este último ésta a
Barrios: El Progreso,
la línea del
los Puntos 8 y 7
Las Villas, Luis
perímetro
sobre la carretera
Eduardo Cuellar,
urbano hasta
Troncal del Caribe
Entrerrios, Villa
encontrar el
siguiendo por ésta
Urbanización
Tatiana, Simón
Punto 9 del
en dirección al
Villa Armando,
Bolívar, Buganvilla,
nuevo perímetro
centro hasta
Rojas, Villa Laura, Ranchería, 7 de COMUNA 8. ECOLOGICA LAGUNA SALADA Y EL PATRON
Agosto, Buenos Aires, Urbanización Villa Pareigua, Urbanización Claudia Catalina, Urbanización Pilar del Rio,
Calle 15 desde su intersección con la Av. Circunvalar hasta la vía salida a Valledupar. Colindando con los Barrios: Los Remedios, San Martin de Porras y Acueducto.
104
Urbanización
san Judas Tadeo.
urbano.
encontrar la
Bella Vista, Los
intersección con la
cerezos,
Avenida Circunvalar
urbanización Sol
punto de partida.
Mar y
Colinda con el
Urbanización
Barrio: Urbanización
Wuetapia.
Villa Comfamiliar. Intersección
Desembocadura del Brazo Riíto en el Mar Caribe, bajando por
Urbanización Villa
Mar Caribe desde el
Comfamiliar,
Punto 1 del nuevo
COMUNA 9. ECO-
Urbanización
perímetro urbano
TURISTICA RIO
Villa del Mar,
hasta la Avenida
RANCHERIA
Villa Tatiana,
Circunvalar
Nuestra Señora
(Desembocadura del
de Fátima, y
brazo Riíto)
Villa Fátima.
la Avenida Circunvalar hasta la intersección Troncal del Caribe. Colindando con los Barrios: Arriba, Arriba Sur (San Martin de Porras), Los Remedios y el área de la zona de la Laguna Salada.
Avenida
Partiendo del Punto
Circunvalar con
7 del nuevo
la carretera
perímetro urbano
Troncal del
sobre la carretera
Caribe hasta el
Troncal del Caribe
Punto 7 del
salida a Maicao y
nuevo perímetro
siguiendo por la
urbano.
línea del nuevo
Colindando con
perímetro urbano
los Barrios:
por los Puntos 6 y 5
Ranchería,
en el rio Ranchería y
Urbanización
por el cauce de este
Villa Catalina,
río aguas abajo
Urbanización
hasta el Punto 1 en
Villa Armando,
la desembocadura
Urbanización
del río Ranchería en
Pilar del Río y
el Mar Caribe.
área de la
105
Laguna Salada. Los Almendros, Los Loteros, Villa Sharin, Hugo Zúñiga, La Floresta, Urbanización Villa Aurora, Villa Jardín, Urbanización Taguaira, Urbanización COMUNA 10. EL
San Judas
DIVIDIVI
Tadeo, Urbanización La mano de Dios, Las Mercedes, Ciudadela el Dividivi, Urbanización San Isidro, Nuevo Milenio, 31 de Octubre y Fundación Casa del Abuelo.
Calle 40 desde la Carrera 7 salida a Valledupar hasta la Carrera 12ª, bajando
Partiendo de la
por ésta hasta llegar a
intersección de la
la Calle 41 bajando
línea que une los
por ésta hasta llegar a
La línea que une
Puntos 9 y 10 del
los Puntos 11,
nuevo perímetro
10 y 9 del nuevo
urbano con la vía
La línea que une los
perímetro
salida a Valledupar
Puntos 12 y 11 del
urbano desde el
en dirección Norte
nuevo perímetro
Punto 11 hasta
hasta la Calle 40
urbano.
la intersección
(Esquina Casa
de la Carrera 7
Indígena).
salida a
Colindando con los
Valledupar.
Barrios: Cerezos I,
la Carrera 13 subiendo por ésta hasta llegar a la Calle 40, bajando por ésta hasta llegar a la Carrera 14, subiendo por ésta hasta llegar a la Calle 37, bajando por ésta hasta llegar a la Carrera 14C. Colindando con los Barrios: La Esperanza, Comunitario, Divino Niño, La Cosecha y San Judas Tadeo.
Cerezos II, Urbanización Sol Mar.
106
COMUNA 11. SUBURBANA
Nazareth.
“NAZARETH”
COMUNA 12. SUBURBANA “NUEVO
Nuevo Horizonte.
HORIZONTE”
Anexo 3. Delimitación de sectores urbanos o comunas. Fuente: (Concejo Municipal, 2002).