GENERACION DEL MAPA DE CRIMEN DEL MUNICIPIO DE...
Transcript of GENERACION DEL MAPA DE CRIMEN DEL MUNICIPIO DE...
GENERACION DEL MAPA DE CRIMEN DEL MUNICIPIO DE
ZIPAQUIRA MEDIANTE HERRAMIENTAS
GEOESTADISTICAS Y SIG
LUIS ALEJANDRO RODRIGUEZ ROJAS
Código 20032025102
UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS
FACULTAD DE INGENIERIA
PROYECTO CURRICULAR DE INGENIERIA CATASTRAL Y GEODESIA
BOGOTA D.C.
2017
GENERACION DEL MAPA DE CRIMEN DEL MUNICIPIO DE
ZIPAQUIRA MEDIANTE HERRAMIENTAS
GEOESTADISTICAS Y SIG
LUIS ALEJANDRO RODRIGUEZ ROJAS
Código 20032025102
MONOGRAFIA
DIRECTOR:
INGENIERO JAVIER FELIPE MONCADA
UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS
FACULTAD DE INGENIERIA
PROYECTO CURRICULAR DE INGENIERIA CATASTRAL Y GEODESIA
BOGOTA D.C.
2017
CONTENIDO
1. INTRODUCCION ..................................................................................... 1
2. DELIMITACION DEL PROBLEMA DE INVESTIGACION ........................ 2
2.1 PROBLEMA ....................................................................................... 2
2.2 HIPOTESIS ........................................................................................ 3
2.3 PREGUNTAS DE INVESTIGACION .................................................. 3
2.3.1 OBJETIVO GENERAL .................................................................... 3
2.3.2 OBJETIVOS ESPECIFICOS ........................................................... 3
3. MARCO DE REFERENCIA ..................................................................... 5
3.1 CONTEXTO GEOGRAFICO: MUNICIPIO DE ZIPAQUIRA ............... 5
3.2 CONTEXTO SOCIOLOGICO: CRIMEN ............................................ 7
3.3 DELINCUENCIA Y ESPACIO GEOGRAFICO: CARTOGRAFIA DEL
CRIMEN ................................................................................................. 10
3.4 SISTEMAS DE INFORMACION GEOGRAFICA Y ANALISIS DEL
CRIMEN: DATOS, HOTSPOTS Y GEOESTADISTICA ......................... 17
4. METODOLOGIA .................................................................................... 34
4.1 ETAPA 1: LEVANTAMIENTO DE LA INFORMACION ............................... 34
4.2 ETAPA 2: ANALISIS EXPLORATORIO DE DATOS .................................. 34
4.3 ETAPA 3: ANALISIS ESTRUCTURAL DE LOS DATOS ............................ 34
4.4. ETAPA 4: GENERACION DE MAPA DE CRIMEN ................................... 34
4.5 ETAPA 5: MODELAMIENTO y CONSOLIDACION DE BASE DE DATOS
GEOGRAFICA DEL PROYECTO .................................................................... 35
5. CRONOGRAMA .................................................................................... 35
6. RESULTADOS ...................................................................................... 37
6.1 LEVANTAMIENTO DE LA INFORMACION ............................................... 37
6.1.1 INFORMACION GEOGRAFICA VOLUNTARIA: EL PAPEL DE LAS
REDES SOCIALES ............................................................................... 37
6.1.2 INFORMACION OFICIAL: AUTORIDADES LOCALES Y GOOGLE
EARTH ................................................................................................... 41
6.2 ANALISIS EXPLORATORIO DE DATOS .............................................. 44
6.3 ANALISIS ESTRUTURAL DE DATOS Y GENERACION MAPAS DE
CRIMEN: HOTSPOTS ..................................................................................... 52
6.3.4 TERCER PASO: MAPEO HOTSPOTS – TEST GETIS-ORD GI* E
INTERPOLACION ................................................................................. 58
6.3.5 POLIGONOS Y FISHNETS: OTRO PUNTOS DE VISTA DE HOT
SPOTS ................................................................................................... 59
6.4 CONSOLIDACION DE BASE DE DATOS GEOGRAFICA ......................... 66
6.4.1 BASES DE DATOS GEOGRAFICAS EN EL ANALISIS DEL
CRIMEN ................................................................................................. 67
6.4.2 COMPLEMENTANDO LA INFORMACION .................................. 68
6.4.3 MODELO UML .............................................................................. 69
7. CONCLUSIONES .................................................................................. 71
8. RECOMENDACIONES .......................................................................... 73
9. BIBLIOGRAFIA ...................................................................................... 75
ANEXO A UNIFICACION DE LA INFORMACION ........................................... 78
ANEXO B DELITOS POR BARRIO Y DIA CON MAS DELITOS ..................... 82
ANEXO C MAPA DE VICTIMIZACION REITERADA ....................................... 86
......................................................................................................................... 86
ANEXO D MAPA DE HOTSPOTS PATRON PUNTUAL .................................. 87
ANEXO E MAPA DE HOTSPOTS POR BARRIO ............................................ 88
ANEXO F MAPA DE HOTSPOTS FISHNET .................................................... 89
ANEXO G MODELO UML ................................................................................ 90
ANEXO H DICCIONARIO DE DATOS ............................................................. 91
LISTA DE FIGURAS
Figura 1. División geográfica y Limites del Municipio de Zipaquirá. ................... 5
Figura 2. Pin Map. ............................................................................................ 11
Figura 3. Teoría de la Hipótesis Zonal de Burgees. ......................................... 12
Figura 4 Modelo concéntrico de la distribución del Crimen en Madrid España. 13
Figura 5 Mapa de robos en la zona Urbana de Minneapolis. ........................... 15
Figura 6. Mapa temático Horas de sol en Enero. ............................................. 16
Figura 7. Mapa temático tipo de empresa. ....................................................... 16
Figura 8 Mapa obtenido a partir de SYMAP. .................................................... 18
Figura 9 Representación 3D lograda a partir de SYMUV. ................................ 18
Figura 10. Instagram City. ................................................................................ 20
Figura 11 Footprint de la ciudad de Paris en Flickr con la etiqueta #Paris. ...... 21
Figura 12. Valor de contaminación en varios puntos de muestreo ................... 23
Figura 13 Muestreo de parcela 20mx20m ........................................................ 24
Figura 14 Semivariograma empírico ................................................................ 25
Figura 15 Modelos de Semivariograma ............................................................ 27
Figura 16 Mapa de precipitación obtenido a partir de interpolación ................. 28
Figura 17Análisis del Índice de vecino más cercano. ....................................... 31
Figura 18 Mapa de Hotspots y Coldspots obtenido mediante Getis Ord. ......... 32
Figura 19 Análisis de Hotspot a través de grilla o células. ............................... 33
Figura 20 Cronograma de actividades. ............................................................ 36
Figura 21 Publicación en Facebook sobre un delito en el municipio de Zipaquirá
......................................................................................................................... 38
Figura 22 Resultado de la georeferenciacion de la IGV. .................................. 39
Figura 23 Concentración de hurtos en el parque de La Esperanza. ................ 40
Figura 24 Concentración de hurtos en el parque de La Independencia. .......... 40
Figura 25 Archivo Riñas. KMZ. ......................................................................... 42
Figura 26 Distribución Frecuencias relativas. ................................................... 45
Figura 27 Grafica de frecuencias relativas. ...................................................... 45
Figura 28 Distribución Urbana y Rural. ............................................................ 46
Figura 29 Actividad Criminal en el CPR Bolívar 83. ......................................... 48
Figura 30 Histograma de los crímenes en el municipio de Zipaquira. .............. 50
Figura 31 Diagrama de caja de los crímenes en el municipio de Zipaquira. F . 50
Figura 32 Cálculo del Índice ANN. ................................................................... 53
Figura 33 Sumario del cálculo de Índice Moran’s I para los crímenes en el
municipio de Zipaquira. .................................................................................... 56
Figura 34 Spatial Autocorrelation by Distance de los crímenes en patrón
puntual. ............................................................................................................ 57
Figura 35 Sumario del cálculo de Índice Moran’s I para los crímenes en el
municipio de Zipaquira por barrio. .................................................................... 60
Figura 36 Cálculo del Índice ANN por barrios. ................................................. 61
Figura 37 Spatial Autocorrelation by Distance de los crímenes por barrio. ...... 62
Figura 38 Sumario del cálculo de Índice Moran’s I para los crímenes en el
municipio de Zipaquira por Fishnet. ................................................................. 63
Figura 39 Cálculo del Índice ANN por Fishnet.................................................. 64
Figura 40 Spatial Autocorrelation by Distance de los crímenes por Fishnet. ... 65
Figura 41 Estructura de almacenamiento de una Geodatabase. ..................... 66
Figura 42Relación entre El Feature Class y La Tabla obtenida en la Etapa 1. 68
Figura 43 Relación entre La zonas urbana y rural con respecto a los barrios. . 69
Figura 44 Transformación inicial de los datos .................................................. 78
Figura 45 Análisis de Información repetida. ..................................................... 79
Figura 46 Información oficial organizada. ......................................................... 79
Figura 47 Análisis de Proximidad Información oficial Vs. Información Geografica
Voluntaria ......................................................................................................... 80
Figura 48 Mapa de Victimización reiterada. .................................................... 86
Figura 49 Mapa de Hotspots Patrón puntual. ................................................... 87
Figura 50 Mapa de Hotspots por barrio. ........................................................... 88
Figura 51 Mapa de Hotspots Fishnet. .............................................................. 89
Figura 52 Modelo UML Base de datos Geografica. .......................................... 90
LISTA DE TABLAS
Tabla 1 Categorización de las variables cualitativas ........................................ 44
Tabla 2 Crimen rural y Urbano ......................................................................... 47
Tabla 3 Totalidad de delitos en la Zona Urbana incluido el CPR Bolivar 83 .... 48
Tabla 4 Resumen estadístico de los crímenes en el municipio de Zipaquira ... 49
Tabla 5 Análisis Temporal ................................................................................ 81
Tabla 6 Distribución de delitos en los barrios del municipio de Zipaquira. ....... 84
Tabla 7 Delitos presentados el 29/10/2016 en el municipio de Zipaquira ........ 85
Tabla 8 Diccionario de datos. ........................................................................... 95
1
1. INTRODUCCION
La Universidad Distrital Francisco José de Caldas, como ente educativo debe estar a la vanguardia del conocimiento y la aplicación del mismo para que el egresado sea parte fundamental del desarrollo de la sociedad. Debido a esto, el futuro profesional debe contribuir y ser parte de los procesos de planificación con herramientas analíticas que le permitan ser parte de grupos de trabajo interdisciplinarios, siempre aplicando los mejores procedimientos y metodologías, siempre salvaguardando la calidad de la información.
La introducción de nuevas herramientas de análisis ha permitido ampliar el conocimiento y entendimiento de diferentes fenómenos espaciales, desde manejo de enfermedades, pasando por estudios sobre tráfico en grandes ciudades y en especial, el análisis de la criminalidad. La aplicación de técnicas geoestadisticas y de análisis espacial en el estudio del crimen son recientes, buscando analizar la dependencia de los hechos y su respectiva relación espacial y también, buscando la posibilidad de encontrar un modelo predictivo a mediano y largo plazo.
Pero está el crimen distribuido aleatoriamente en el espacio? (Sherman, Martin, Buerger 1998). Existen muchas evidencias que muestran lo contrario; un crimen debe cumplir con ciertos elementos como un perpetrador, una víctima y tal vez lo más importante: un espacio geográfico. Por esto el empleo de técnicas tales como el análisis de Hotspots, Análisis de auto correlación espacial e interpolación, permitirán inferir los lugares con mayor incidencia criminal en el municipio de Zipaquira, así como los lugares donde existe la probabilidad más alta que se presente cierto delito, y también posibles soluciones a esta problemática.
La presente monografía pretende como su título lo indica, analizar el crimen en el municipio de Zipaquirá aplicando técnicas geoestadisticas y de análisis espacial, generando así uno o varios mapas de crimen y mostrar las relaciones espaciales de las variables presentes en dicha problemática. Además de la generación de productos complementarios tales como estadísticas y bases de datos, como herramientas base en la toma de decisiones y para la creación de planes de acción.
2
2. DELIMITACION DEL PROBLEMA DE INVESTIGACION
2.1 PROBLEMA
La situación actual de seguridad en las grandes ciudades de nuestro país es crítica. La capacidad policial tanto en atención como respuesta es casi nula, y la ocupación carcelaria ha alcanzado niveles preocupantes. También lo es el aparato judicial, que en ciertos casos, omite procesos solo por descongestionar juzgados, dejando sin solución la mayoría de los delitos cometidos. Todo esto conjugado con la situación actual de seguridad a nivel nacional, donde grupos delictivos se han tomado las pequeñas poblaciones aumentando los niveles de inseguridad entre los pobladores.
El caso del municipio de Zipaquirá no es ajeno a la problemática nacional. Es necesario contextualizar la situación del municipio:
Numero de pobladores1: 118.267 (2014)
Estaciones de Policía2: 1
Sub Estaciones de Policía: 2
Total efectivos Policiales3: 50
Cámaras de seguridad4: 64
Numero de Barrios en Zipaquirá5: 83
En un análisis preliminar de estos indicadores, permite ver un escenario alarmante en el municipio. La relación Policía- Habitante es de un Efectivo policial por cada 2365 habitantes, lo cual es a grandes rasgos una evidencia del mínimo pie de fuerza en el municipio. Con respecto a las cámaras de seguridad, la relación es de 0,77 Cámaras-Barrio, lo cual también indica una gran carencia de recursos tecnológicos que ayudan a tener una mejor respuesta por parte de las autoridades. Otro problema evidenciado es la explotación demográfica del municipio. En el censo de población del año 1993 el total de habitantes era 69.6956 . En 20 años la ciudad casi duplico su cantidad de habitantes, lo cual pudo incluir población en situación de riesgo, falta de oportunidades laborales y otras problemáticas del contexto socio-económico. Este análisis básico indica a grandes rasgos, que la causa de los problemas van más allá de lo social y económico, también falta de infraestructura y de logística por parte de la administración municipal y los
1 http://www.zipaquira-cundinamarca.gov.co/indicadores.shtml
2 http://www.despachospublicos.com/cundinamarca/alcaldia-de-zipaquira-cundinamarca
3 http://chiquinquira.extra.com.co/noticias/judicial/en-zipaquira-pidieron-aumentar-pie-de-fuerza-
208022 4 http://www.aprecuz.com.co/noticias-de-zipaquira/nuevas-camaras-de-seguridad-en-zipaquira
5 http://www.zipaquira-cundinamarca.gov.co/territorios.shtml?apc=bbBarrio-1-
6 https://www.dane.gov.co/files/investigaciones/poblacion/.../poblacion_colombia.XLS
3
entes de control han ayudado que el problema se desborde alcanzando niveles críticos.
Por estas razones y muchas más, es necesario brindar nuevas herramientas de visualización y análisis de la situación de seguridad, tanto a la Policía Nacional como a los demás entes de control.
2.2 HIPOTESIS
Las herramientas Geoestadisticas y de análisis espacial aplicadas al estudio del crimen, permitirán visualizar los lugares más vulnerables del Municipio, así como también lograr un acercamiento a las variables que determinan el proceder criminal en lugares determinados todo esto visible de manera espacial. Los resultados obtenidos serán de gran utilidad como base en la implementación de planes locales de seguridad y asegurar el bienestar de la población del municipio.
2.3 PREGUNTAS DE INVESTIGACION
Puede un análisis geoestadístico y espacial mostrar la realidad del crimen en el municipio de Zipaquirá?
¿Las zonas donde más se presentan crímenes en el municipio son las más peligrosas según su entorno social y económico?
¿Hasta qué nivel de precisión se pueden predecir las conductas criminales?
¿Es posible recopilar información por medio del crowdsourcing en redes sociales y la información geografica voluntaria?
2.3.1 OBJETIVO GENERAL
Generar los mapas de crimen del municipio de Zipaquirá, a partir de técnicas geoestadisticas y de análisis espacial, para optimizar la acción policial y ayudar en la toma de decisiones por parte de la administración municipal.
2.3.2 OBJETIVOS ESPECIFICOS
Objetivos específicos:
Analizar el comportamiento criminal de acuerdo a su tipología y su distribución geográfica en el municipio.
Mostrar la relación espacial entre los crímenes y diferentes factores del entorno (físicos, sociales, etc.)
Encontrar puntos de concentración con alta actividad delictiva (Hot Spots).
Actualizar las estadísticas sobre la actividad criminal en el municipio.
4
Generar una base de datos geografica con la información levantada y generada a lo largo del proyecto.
5
3. MARCO DE REFERENCIA
3.1 CONTEXTO GEOGRAFICO: MUNICIPIO DE ZIPAQUIRA
Zipaquirá es un municipio perteneciente al departamento de Cundinamarca, ubicado en la región Sabana Centro ubicado a 25 kilómetros de Bogotá D.C. Creado como villa el 18 de Julio de 1600 es reconocido como eje turístico de la sabana, gracias a su estructura colonial y a la Catedral de Sal la cual es denominada la Primera Maravilla de Colombia.
3.1.1 Geografía
Zipaquirá tiene una extensión de 197 kilómetros cuadrados, de los cuales 8 son la parte urbana y 189 la parte rural, se encuentra dividido en cuatro comunas y 83 barrios. Está ubicada a 2650 metros sobre el nivel del mar, con una temperatura media de 14 º C lo cual lo denomina como clima frio de montaña.
Limita geográficamente con los municipios de: Cogua al norte, Tabio, Tocancipa y Cajica al sur, Subachoque y Pacho al Occidente, y Tocancipa, Nemocon y Cogua al oriente (Figura 1).
Figura 1
Figura 1. División geográfica y Limites del Municipio de Zipaquirá. Fuente Alcaldía de Zipaquirá
La topografía del municipio está marcada por dos regiones muy definidas:
Región Plana situada al oriente, rica en tierras de explotación agropecuaria.
6
Región montañosa ubicada al occidente, rica en minerales donde se ubica la catedral de Sal. Se distinguen dos alturas en particular, el Cerro del Zipa, y el Cerro del Calzón.
3.1.2 Hidrografía
La ramificación de la cordillera occidental, da nacimiento a importantes quebradas de apacible caudal. Al este, es poco rica la hidrografía por ser esta la parte plana del municipio y la más seca. Los Principales Ríos de Zipaquirá son7:
Al norte: El río Neusa, el cual nace en el Páramo de Guerrero y atraviesa la Vereda de Riofrío con dirección nordeste.
Al sur: El río Frío.
Al oriente: El río Tibitó
Al occidente: El Juratena. La parte plana del municipio la riegan los ríos Neusa y Tibitó (que después se llama Funza o Bogotá).
Entre las quebradas, merecen especial mención:
Al norte: Alizal, Versalles, Quiroga, Pescadero, La Calera, Los Coclíes y el Tejar.
Al oriente: Quebrada Honda, Del Mortiño, Los Laureles, (La Fuente), Chitagá, La Amarilla, La Toma y Susagua.
Al Occidente: Pantano largo, El Carrizal, Rodamontal, la Arteza, El Rionegro o Tosagua, llamado en su nacimiento La Tibia y El Tejar o Uricia.
Al sur: El Hornillo, El Gavilán o Chitagua, Aguaclara, Guabal, la Colorada y el Salitre.
Población:
Densidad de población: 610 (Hab/Km2) No. Habitantes Cabecera: 103.544 No. Habitantes Zona Rural: 14.723 Total: 118.267
7 http://www.zipaquira-cundinamarca.gov.co/
7
3.2 CONTEXTO SOCIOLOGICO: CRIMEN
El crimen como fenómeno social ha sido descrito desde mediados del siglo XV como la conjunción de diversos factores sociales, económicos y espaciales. Las consecuencias sociales de las guerras y diferentes pandemias derivaron en una nueva concepción del fenómeno criminal en la Europa del milenio anterior. Algunos escritores del siglo XVIII, como Bernard Mandeville. Henry Fielding y Patrick Colquhoun, enumeraban como causas de la criminalidad la corrupción de la policía, el contagio moral de las prisiones, la deficiente aplicación de la Ley, el juego, la bebida, el analfabetismo y la ignorancia8. La gama de factores sociales ha sido evaluada constantemente desde el inicio del estudio de conductas criminales. Como se mencionó anteriormente, estaba ligada a concepciones enteramente religiosas o políticas. El día de hoy, la sociología ha indicado más factores tanto genéticos como medio ambientales que propician conductas criminales. Algunos factores son de fácil prevención y otros no.
3.2.1 Factores Biológicos
La eterna cuestión de si el crimen nace o se hace, ha ocupado la mente de muchos investigadores por mucho tiempo. Recientemente, estudios elaborados por West y Farrington, apuntan a una relación genética en cuanto a criminales se refiere. Sugieren que características biológicas y cromosómicas pueden transmitirse genéticamente aportando así a la probabilidad de realizar conductas criminales. Simples rasgos físicos propios de cualquier individuo como su altura, peso, o algún defecto físico, puede desencadenar en problemas afectivos y de autoestima, lo cual es un potenciador para las conductas criminales.9
3.2.2 Factores Familiares
La concepción genérica de la familia como base de la sociedad es una verdad casi universal, ya que la familia juega un papel relevante en la socialización y comportamiento de sus miembros ante la comunidad. Existen varias conductas que impulsan conductas criminales dentro de cualquier núcleo familiar, entre las cuales se encuentran:
Falta de supervisión de los padres o adultos: Supervisión significa vigilancia. Es necesario mantener cierto grado de control entre las
8 SANZ, Hernando. “La Escuela Cartográfica de Criminología Británica: Antecedente de la Geografía del
Crimen”. Anales de Geografía de la Universidad Complutense. 1999 9 VASQUES, Carlos. “Factores de riesgo de la conducta delictiva en la infancia y adolescencia”. 2003
8
actividades familiares y sociales diferenciando los diferentes peligros y potenciales conductas anormales. La comunicación es base en la prevención de espacios que puedan incluir a cualquier persona en actividades delictivas, ya que se ha demostrado que la falta de supervisión adulta está ligada con un alto porcentaje de actitudes criminales10. Esto unido también al alto índice de niños dados por desaparecidos que fueron encontrados realizando actividades fuera del control del núcleo familiar. Solamente en Colombia, en el año 2016, se recibieron 2000 denuncias sobre jóvenes desparecidos, de las cuales, solo 6 resultaron ser ciertas.11
Actitudes crueles y violencia intrafamiliar: las altas tasas de violencia intrafamiliar y contra los niños convierten estos núcleos en grupos de riesgo para el desarrollo no solo de conductas criminales, sino también en conductas psicológicas tales como suicidio, abuso físico y verbal. En nuestro país, las cifras son alarmantes. Para Junio del año 2016, se habían reportado 44. 796 casos de violencia intrafamiliar, los cuales la gran mayoría fueron registrados en ciudades capitales, o ciudades intermedias.12 En estudios recientes, se encuentra que un historial de maltrato infantil incrementa significativamente la probabilidad de posteriores participaciones de estos jóvenes en delitos violentos, graves y de mediana gravedad (pero no en delitos leves). El maltrato también incrementa significativamente las posibilidades de ser detenido y la frecuencia de las detenciones. También se señala que mientras los jóvenes pertenecientes a familias no violentas representan una participación del 38% en delincuencia violenta, esta tasa o índice alcanza el 60% para jóvenes que han experimentado una forma de violencia, el 73% para aquellos expuestos a dos formas de violencia, y el 78% para los adolescentes expuestos a tres tipos de violencia familiar. 13
Disciplina Alterada y férrea: El exceso de disciplina mezclada con violencia física en la educación del núcleo familiar, lleva a situaciones tensas dentro de la familia ayudando a desarrollar conductas agresivas entre los integrantes de la misma. Esto conllevo a conductas agresivas futuras, con los descendientes de estas familias. Las variaciones comportamentales también se deben a una disciplina alterada, la cual consiste de periodos de acceso castigo y de libertades absolutas, lo cual genera inseguridades y frustración ya que no se sabe si los comportamientos serán castigados o premiados. Será la constancia en las prácticas disciplinarias, incluso siendo punitivas, las que supongan un menor riesgo en el desarrollo de la conducta antisocial14.
Falta de enseñanza de valores prosociales: La sociedad actual se caracteriza por la falta de valores humanos y éticos, en los que prima el
10
WILSON, H.: “Parental supervision: a neglected aspect of delinquency”, British Journal of Criminology, Vol. 20, 1980 11
http://www.semana.com/nacion/articulo/falsos-desaparecidos-en-colombia/514341 12
http://www.eltiempo.com/archivo/documento/CMS-16687620 13
VASQUES, Carlos. “Factores de riesgo de la conducta delictiva en la infancia y adolescencia”. 2003 14
RECHEA, María. FERNANDEZ, Esther. “Las ciencias psicosociales y el menor”. Universidad Complutense de Castilla La Mancha. 2001
9
individualismo sobre la colectividad15. La autocrítica, solidaridad, y empatía como valores fundamentales han dejado de ser impartidos por los líderes familiares, lo cual inicia comportamientos individualistas y egoístas en los integrantes de la familia.
3.2.3 Factores Sociambientales
La mayoría de la sociedad relaciona directamente la pobreza con la delincuencia como si fueran sinónimos. La evolución de la estructura familiar, sumada a otros fenómenos, en particular el desempleo y la desigualdad crecientes producidos por la crisis económica, acarreó un fuerte aumento de la pobreza infantil desde mediados de los años 60 hasta mediados los 90, mostrando alarmante estadísticas en países industrializados como Alemania (8.7%), Australia (14.1%), Canadá (13.9%), Estados Unidos (22.7%), Italia (19.5%), Reino Unido (17.9%)16.
Unido a esto, se observa también una férrea persecución de los entes oficiales a jóvenes en situación de pobreza, siendo más fuerte la acción policial y las sanciones judiciales comparadas a otros jóvenes delincuentes de otro estrato socioeconómico. El mecanismo de estigmatización o etiquetamiento promovido por las instancias oficiales de control social puede conducir a un joven que simplemente ha cometido un acto delictivo (delincuente primario), hacia una carrera criminal, organizada en el sentido de un verdadero y propio “estilo de vida” criminal.17
A esto, se añade términos propios de la teoría ecológica o macro ambiental, los cuales indican que un entorno social deteriorado, generalmente situado en barrios periféricos en las zonas más deprimidas económicamente de la ciudad, con proliferación de círculos de pobreza, inmigrantes, etc., y situados en zonas densamente pobladas en las que se observa una carencia de zonas verdes, deportivas o de ocio, servicios culturales y asistenciales, en los que el nivel de suciedad y degradación urbana es muy alto18. Estos espacios por lo general, están ocupados por viviendas que carecen de cualquier tipo de servicio público esencial, suelen ser espacios reducidos con gran cantidad de personas conviviendo.
La brecha social y la diferenciación de clases sociales, donde cada vez los ricos tienen más dinero y poder, y los pobres menos oportunidades y más miseria. Esto se ve reflejado también en la sociedad consumista y de mercado, en la cual los objetos tienen un valor adicional, ya sea por estatus, marca y otros, llevando a los jóvenes a delinquir solo por adquirirlos.
15
VASQUES, Carlos. “Factores de riesgo de la conducta delictiva en la infancia y adolescencia”. 2003 16
OIT, Informe sobre el trabajo en el mundo 2000. 17
VASQUES, Carlos. “Factores de riesgo de la conducta delictiva en la infancia y adolescencia”. 2003 18
VASQUES, Carlos. “Factores de riesgo de la conducta delictiva en la infancia y adolescencia”. 2003
10
3.2.4 Desempleo
Según estadísticas del DANE, para el primer trimestre del año 2016, el desempleo para jóvenes entre 14 y 28 años fue del 16,5%19 , a comparación de un 10% en mayores de 28 años para el mismo trimestre del año. La tasa de jóvenes en edad productiva sin empleo es la más alta de los últimos años. No obstante, no parece que el paro juvenil sea un factor criminógeno de primer orden. Es evidente que no afecta por la edad de los sujetos, en edad escolar, a la delincuencia infantil.
Respecto de la delincuencia juvenil, principalmente para los menores con edades comprendidas entre dieciocho y veintiuno o veinticinco años, a los que se conoce como jóvenes adultos, su influencia es mayor aunque quizás de cara a una criminalización secundaria. Como se cometen los primeros delitos cuando los jóvenes son alumnos) y, por tanto, todavía no se encuentran inmersos en el mundo laboral, el desempleo juvenil generalmente no puede desencadenar el inicio de una carrera criminal. Solamente puede contribuir a su ulterior desarrollo y a su intensificación.
Entre otros factores externos a los mencionados anteriormente, varios académicos también incluyen varias causas indirectas de la violencia y delincuencia juvenil:
Medios de comunicación y el manejo que dan a contenidos violentos y criminales, así como su exaltación
Drogas y alcohol, su fácil acceso y poca atención de los entes gubernamentales por una acción eficaz en su contra.
Las mafias y pandillas que controlan tanto la distribución de drogas y la distribución territorial.
3.3 DELINCUENCIA Y ESPACIO GEOGRAFICO: CARTOGRAFIA DEL CRIMEN
Todo delito se consuma en un espacio geográfico determinado, la esquina de un parque, una calle oscura o la propia casa, estos delitos poseen unas características geográficas inherentes, y por lo tanto en algún momento surgió la necesidad de representarlas y enfrentarlas con variables que pudieran determinar y explicar la dinámica de estas actuaciones20.
La necesidad de un análisis geográfico de los crímenes fue sugerida por los cuerpos policiales. Esto quedó plasmado en la geografía mediante el uso de Pin Maps (Figura 2). Estos mapas solían ser de dimensiones considerables y 19
http://www.portafolio.co/economia/empleo/desempleo-juvenil-sigue-aumento-llego-16-ciento-497379 20
RUIZ, Alberto. SIG: Crimen y Seguridad. Análisis, predicción y prevención del fenómeno criminal. Universidad Complutense de Madrid. 2012.
11
podían ocupar paredes enteras. Por ejemplo un mapa de 610 millas cuadradas del Condado de la Ciudad de Baltimore, se debían unir 12 mapas para cubrir solo 70 pies cuadrados21.
Figura 2. Pin Map. Fuente: https://irevolution.files.wordpress.com/2009/03/pinmap.png
A pesar de su aplicación y uso, tenían grandes restricciones, la más común era su constante desactualización, ya que no se podía tener un monitoreo diario, semanal o mensual para encontrar una tendencia espacial fija y también la mezcla de muchos delitos en un mapa, lo que llevo a generar una escala de colores para diferenciar un delito de otro.
La cartografía del crimen tiene una larga historia, representada en tres corrientes principales22
La escuela Cartográfica o Geografica que domino entre 1830 y 1890, la cual inicio en Francia y continúo en Inglaterra. Los trabajos de esta escuela se basaron en datos sociales que los gobiernos comenzaron a reunir. Estos datos mostraron tendencias centrales en la influencia de las variables tales como riqueza y la densidad de población en los niveles de delincuencia.
La Escuela Tipológica establecida entre el periodo cartográfico y ecológico que seguiría en el siglo XX. Esta escuela se centraba en la relación entre las características mentales y físicas de las personas y el crimen.
La escuela ecológica hace referencia a la Escuela Sociológica de Chicago surgida en la década de 1920, que en términos generales se
21
https://www.ncjrs.gov/html/nij/mapping/ch1_1.html 22
HARRIES, Keith. Mapping Crime: Principle and Practice. US Department of Justice. 1999
12
centró en el análisis de las variaciones geográficas de las condiciones sociales asumiendo que estas estaban relacionadas con determinados patrones criminales
Los ecologistas sociales reconocieron y clasificaron zonas urbanas con similares características sociales. Shaw y McKay (1942) produjeron un análisis clásico sobre la delincuencia en Chicago. Este trabajo es generalmente ha sido reconocido como el hito de la Investigación sobre la cartografía del delito en la primera mitad del siglo XX. Shaw y McKay mapearon miles de incidentes de delincuencia juvenil y analizaron relaciones entre delincuencia y diversas condiciones sociales. Este trabajo realizado por "escuela de Chicago" también delineó Un modelo urbano basado en la Zonas, el primer intento de desarrollar una teoría para explicar la disposición de las ciudades (Burgess, 1925). Otros contribuyentes La escuela ecológica incluía Lander (1954), Lottier (1938) y Boggs (1966).
3.3.1 Burgees y la Hipótesis Zonal
Ernest W Burgees, fue un sociólogo-urbanista nacido en Ontario, Canadá. Trabajo y estudio en la Universidad de Chicago, aportando en el área sociológica y del ordenamiento territorial, con sus modelos basados en zonas concéntricas aplicando conceptos darwinistas al paisaje urbano.
Estableció un modelo dividiendo la ciudad de Chicago (Figura 3), basándose en círculos concéntricos, Según Burguess, existía una zona central llamada “zona de transición” caracterizada por ser un área potencialmente delincuente, con graves carencias de integración, elevados niveles de inmigración. Las siguientes zonas que se alejaban de la parte central de la ciudad y la zona de transición, tenían menos probabilidad que tuvieran delitos, ya que disminuía de acuerdo a la distancia del centro.
Figura 3. Teoría de la Hipótesis Zonal de Burgees. Fuente: https://es.slideshare.net/pmartine/escuela-ecolgica-de-chicago-y-las-respuestas-marxistas
13
A pesar de la delimitación de las zonas, la practica ha llegado a la conclusión que el modelo es demostrable, pero la zona central o de negocios (Business District) se ha llego a perder dentro de la zona de transición (Transitional Zone) debido a la falta de elemento policial y el apoderamiento de estructuras criminales de esta parte de la ciudad (Figura 4)
Figura 4 Modelo concéntrico de la distribución del Crimen en Madrid España. Fuente: RUIZ, Alberto. SIG: Crimen y Seguridad. Análisis, predicción y prevención del fenómeno criminal. Universidad Complutense de
Madrid. 2012.
3.3.2 El Crimen como fenómeno Urbano
La delincuencia como fenómeno es inherente a la sociedad, sin este la sociedad como tal no podría fijar límites y leyes para regirse. La unión del territorio con los fenómenos espaciales que ocurren sobre este, son herramientas básicas o insumos de la nueva gestión del territorio y ordenamiento urbano, así como una gestión más apropiada de recursos y toma más eficaz de decisiones por parte de los entes de control.
No es hasta épocas recientes cuando la investigación sobre la delincuencia y el miedo y su incidencia en las ciudades ha entrado a formar parte de las políticas de la gestión urbana; baste decir que no es hasta el año 1986 que el Consejo de Europa organiza la primera sesión de trabajo sobre el rol de las colectividades locales en la prevención de la inseguridad, o incluso deberemos esperar hasta el décimo congreso de Naciones Unidas sobre Prevención del
14
Delito y Tratamiento del Delincuente, celebrado en Viena durante el mes de abril de 2000, que por primera vez, se concluye: "la necesidad de estudiar los efectos de la delincuencia en las zonas urbanas”. En la actualidad está aceptado que los impactos del delito y la delincuencia tienen, en el medio urbano, su principal teatro de operaciones, y que es en las ciudades donde emergen los principales problemas de seguridad y donde deben ponerse a disposición los recursos de análisis y de respuesta institucional a las disfunciones sociales que generan los nuevos fenómenos que inciden en la seguridad y en su percepción.23
La sensación de seguridad y su relativa asociación con el miedo, son parte de una gama amplia de sentimientos y situaciones que delimitan una sociedad en un espacio geográfico. La manera de vivir de una comunidad está basada en sus sentimientos y la aceptación de su entorno como tal, por eso es necesario diferenciar la percepción de la realidad. Sicológicamente es diferente sentir el miedo que percibirlo.
En nuestro país, el crimen también ha estado asociado al ámbito rural. La presencia de grupos al margen de la ley, como guerrilla y paramilitares tomando control de lejanas zonas, llevando a cabo diferentes actividades criminales como fabricación de drogas ilícitas, secuestro, masacres, incrementaron la estadística casi equiparándola al ámbito urbano. Últimamente bandas criminales se han hecho del dominio rural, debido a su facilidad para mantener sus actividades fuera del radar de las autoridades24 , pero aun así, su incidencia no es tan alta como en la zona urbana.
3.3.3 Primeros Análisis Computarizados
Lo más probable es que el primer análisis computarizado en cartografía del crimen Ocurrió a mediados de los años sesenta en St. Louis (McEwen y Gestión de la Investigación Associates, Inc., 1966; Pauly, MacEwen, Y Finch, 1967; Carnaghi y McEwen, 1970). Irónicamente, los geógrafos profesionales Comenzaron a aportar un poco tarde. Contribuciones tempranas de Lloyd Haring (quien organizó un seminario sobre la geografía del crimen en la Universidad de Arizona en 1970). Entre los más destacables y menos conocidos están los trabajos de Schmid y Schimd Crimen en el estado de Washington (1970) y de Frisbie Crimen en Minneapolis: Propuestas para prevención (1997). Estos trabajos se destacaban ya que utilizaron impresoras de puntos para mostrar lugares de alta concentración de conductas criminales, el primer caso sobre DUI (manejar bajo la influencia de) en Washington y el segundo caso sobre robos a establecimientos comerciales en Minneapolis (Figura 5)25.
23
LAHOSA, Joseph. Delincuencia y ciudad, hacia una reflexión geografica comprometida. Universidad de Barcelona. 2002 24
http://www.eluniversal.com.co/regional/cordoba/bandas-criminales-han-encontrado-su-guarida-en-zona-rural-de-monteria-alcalde 25
HARRIES, Keith. Mappin Crime: Principle and Practice. US Department of Justice. 1999
15
Estos primeros mapas utilizaban la estructura básica de la información vectorial de los Sistemas de Información Geografica modernos. Puntos que indicaban el lugar de los crímenes cometidos, líneas que indicaban las calles sobre los cuales se cometían, y polígonos que describían los barrios, condados, o suburbios donde había mayor concentración de delitos.
Figura 5 Mapa de robos en la zona Urbana de Minneapolis. Fuentes: HARRIES, Keith. Mapping Crime:
Principle and Practice. US Departament of Justice
3.3.4 Mapas de Crimen: Cartografía Temática
Un mapa temático es sencillamente una representación cartográfica sobre un tópico o tema en particular. Este tipo de mapas contienen una gran variedad de variables a representar así como medios físicos o digitales para hacerlo. Desde la dispersión de una plaga o enfermedad, hasta el valor de impuesto predial recolectado por un municipio en un periodo fiscal. Lo importante de estos mapas, es la facilidad con que pueden ser interpretados, analizados y comprendidos por la comunidad en general. La cartografía temática puede representar tanto variables cualitativas, como cuantitativas. El análisis de crimen utiliza los dos tipos de cartografía temática26.
26
HARRIES, Keith. Mappin Crime: Principle and Practice. US Department of Justice. 1999
16
Variable cuantitativa: Representa una variable numérica (Figura 6) por ejemplo, el número de robos por barrio, los ingresos per cápita de cada poblador de un municipio, temperatura media, etc.
Variable cualitativa: Representa características inherentes a la variable (Figura 7), por ejemplo: Tipo de delito, edad de la víctima, sexo de la víctima, etc.
Figura 6. Mapa temático Horas de sol en Enero. Fuente: https://geohistoriaymas.files.wordpress.com/
2011/05/horas20de20sol20en20enero.jpg
Figura 7. Mapa temático tipo de empresa. Fuente: https://geohistoriaymas.files.wordpress.com
/2011/05/mapa_industrias_espana_1974_cia.jpg
3.3.5 Tipos de mapas temáticos:
Mapas Estadísticos: Estos mapas usan símbolos proporcionales, gráficos circulares o histogramas para visualizar los aspectos cuantitativos de los datos. Normalmente, los símbolos estadísticos se colocan en cada subdivisión del mapa, como las áreas de patrulla, vías o barrios. Tales mapas pueden ser bastante difíciles de leer si contienen una gran cantidad de detalles, Particularmente cuando muchas subdivisiones y atributos a mostrar. Datos nominales, como la raza de las víctimas, gráficos de sectores, pueden representarse mapa estadístico27
Mapas de Puntos o Pin Maps: Utilizan puntos para representar Incidentes individuales o números, como cuando cinco incidentes son iguales a un punto. (Agregación de múltiples incidentes a puntos individuales). Mapas que muestran los lugares de los mercados de drogas, los de fármacos que prevalecen, cada uno es un ejemplo de un mapa de puntos con datos de escala nominal. Este tipo de mapas son los más usados por cuerpos policiales,
27
HARRIES, Keith. Mappin Crime: Principle and Practice. US Department of Justice. 1999
17
ya que pueden mostrar localizaciones con bastante precisión si se utilizan direcciones.
Mapa de coropletas: Estos mapas muestran distribuciones discretas de variables para áreas particulares como precintos, condados, barrios o áreas censales. A pesar que los datos tipo puntos dan más detalle en término de la ubicación exacta del hecho, y la información puede estar en forma de sumario lo cual es una herramienta social, política y de ordenamiento territorial. La representación tipo punto y polígono pueden ser usadas en el mismo mapa, si representa un complemento a la necesidad de visualización.
Mapa de Isolineas: Deriva del predijo griego “iso” que significa igual y se refiere a mapas de líneas que unen puntos con el mismo valor de una variable. Por ejemplo Mapa de Isobaras, que representan puntos con presiones barométricas iguales, mapa de Isoyetas que representan la precipitación e isotermas que representan la temperatura. También son llamados Isolineas. La manera más común de representar los crímenes es por un mapa de isopletas, en cuales se muestran los valores de crímenes por barrio, o distrito central y son utilizados como puntos de control para calcular las isolpletas. Mapas de superficie: Es un caso especial de un mapa de Isolineas o isopletas. Representa una superficie en formato imagen o raster, de valores interpolados mediantes métodos geoestadísticos para representar un valor Z. Este valor, es el mencionado anteriormente de crímenes por barrio o sector. Lo que se busca es encontrar picos de valores y distribución de fenómenos espaciales.
3.4 SISTEMAS DE INFORMACION GEOGRAFICA Y ANALISIS DEL CRIMEN: DATOS, HOTSPOTS Y GEOESTADISTICA
Un sistema de información geografica (SIG o GIS en inglés) es un sistema de mapeo computarizado que permite información en forma de layers o capas, producir descripciones detalladas de condiciones y análisis de relaciones entre diferentes variables28 presentes en un espacio geográfico determinado.
Los orígenes de los SIG, se remontan a la década de los 50, con trabajos tales como Elementos de Cartografía de John Wright29, en donde por primera vez se introduce el concepto de la informática unida a la cartografía, y los avances esperados en estos campos. La primera aproximación a un SIG como tal, la realizo Waldo Tobler (1959) con la metodología MiMo (Map in, Map ut) donde estableció los principios básicos de captura y representación de elementos geográficos en un sistema computarizado.
El primer SIG aparece en Canadá, financiado por el Departamento Federal de Energía y Recursos, y se denominó CGIS (Canadian Geographical Information
28
HARRIES, Keith. Mappin Crime: Principle and Practice. US Department of Justice. 1999 29
http://volaya.github.io/libro-sig/chapters/Historia.html
18
System) desarrollado por Roger Tomlinson a principio de los años 60. El CGIS consistía en un inventario geográfico de Canadá y su análisis para la gestión del suelo rural. Desde el inicio, se entendió el fin primario de los SIG, enfoque tecnológico, para toma de decisiones con respecto al territorio y las diferentes variables inherentes a él.
Paralelamente al trabajo Canadiense, se logran avances en Estados Unidos. En el Harvard Laboratory y en Inglaterra en la Experimental Cartography Unit. Ambos pioneros del desarrollo de software de análisis geográficos en esa época.
En los años 60 Harvard Laboratory tiene dos desarrollos principales, SYMAP que permitía ingreso de información vectorial (Figura 8) y SYMUV que permitía la visualización de superficies tridimensionales y fue el inicio del manejo de información raster (Figura 9) y algebra de mapas.
Figura 8 Mapa obtenido a partir de SYMAP. Fuente:http://volaya.github.io/libro-
sig/chapters/Historia.html
Figura 9 Representación 3D lograda a partir de SYMUV.
Fuente:http://volaya.github.io/libro-sig/chapters/Historia.html
La década de los 70 represento la etapa enfocada en la investigación y desarrollo. Todo esto enfocado en el desarrollo de una nueva ciencia, o área de conocimiento, que al pasar de los años ha tenido gran impacto en todos los estudios geográficos. Gracias a este desarrollo la evolución ha sido rápida y se distingue en cuatro elementos principales:
La evolución del SIG como disciplina. Cómo ha cambiado la presencia social de los SIG y su relación con otras disciplinas científicas, tanto influenciándolas como siendo influenciado por ellas. Los inicios de los ISG estuvieron marcados por el desarrollo rural o planificación urbana, el día de hoy se encuentra más ligado a otras disciplinas, como el estudio medio ambiental, y en este caso el estudio criminalística. También las universidades con proyectos curriculares con énfasis en ciencias de la tierra, acogieron a los SIG como parte de su estructura curricular, no
19
solo como herramienta, sino también como parte integra del desarrollo profesional.
La evolución de la tecnología. Cómo ha variado el software SIG, así como los ordenadores, periféricos y elementos informáticos de los que depende para su funcionamiento. La generación de salidas graficas más amigables y sencillas, la posibilidad de almacenar los datos en geodatabases estructuradas y una captura de datos a partir de Geocodificacion, subida de coordenadas o digitalización ha permitido un avance novedoso en este campo.
La evolución de los datos. Cómo ha cambiado la generación de datos, su almacenamiento, y cómo esto ha condicionado el desarrollo de nuevas soluciones para su manejo. La generación de productos cartográficos a partir de imágenes satelitales, también ha permitido un nuevo enfoque en la generación de información geografica. Todo esto unido a tendencias actuales de captación tales como Google Earth o Google Maps, que entregan información de primera mano en tiempo real.
La evolución de las técnicas y formulaciones. Desde los elementos básicos de la cartografía cuantitativa, cómo se han desarrollado nuevos conceptos, enfoques, teorías o ramas de conocimiento de nueva aparición, que han dejado su huella en la evolución de los SIG.
3.4.1 Recolección de datos geográficos: Crowdsourcing
“Etimológicamente, el término crowdsourcing proviene de crowd (multitud) y sourcing (abastecimiento). Esto ya da indicios sobre su significado, debido a que el crowdsourcing no es otra cosa que utilizar la fuerza de las multitudes como proveedoras de trabajo, generalmente intelectual”30. El término, acuñado por Jeff Howe de la revista Wired, es utilizado mayormente por empresas para tercerizar su mano de obra desde redes sociales, dejar la producción en manos de la población en general dado beneficios a esta nueva era de trabajadores de la web.
Pero como se relaciona el crowdsourcing con los Sistemas de Información Geografica?
La Big data Espacial contiene mucha información sobre: salud, tráfico, seguridad, clima, energía, política, etc. El uso de esta información permite realizar análisis espaciales sobre diferentes características de la población o el espacio Geográfico. Un estudio examinó y comparó los patrones espaciales de 19,8 millones de registros de Twitter y 4,3 millones de registros de Flickr en los 48 estados de los Estados Unidos para determinar cómo se comparan los patrones a diferentes escalas y los efectos de las variables sociales y
30
https://www.gestiopolis.com/que-es-crowdsourcing/
20
económicas en Twitter y Flickr. El modelo indico que las personas con mayor educación, relacionados con la ciencia y artes posteaban más fotos georeferenciadas31.
De esta manera es posible obtener información geografica de primera mano, en tiempo real, abarcando las cuatro dimensiones (las tres conocidas más el tiempo) con solamente acceder a redes sociales y buscar una palabra clave, o también a través de comunidades online que se unen para un solo beneficio, como por ejemplo indicar lugares peligrosos en su barrio, o decir cuál es el mejor lugar para comer después de cierta hora. Miles de millones de dispositivos, que están georeferenciados con ubicaciones (Figura 10), pueden conectarse digitalmente de manera que los flujos e interacciones entre ellos puedan ser monitoreados y controlados32.
Figura 10. Instagram City. Muestra de fotos georeferenciadas según su lugar de procedencia. Fuente: http://www.oscity.eu/blog/
3.4.2 Información Geografica Voluntaria
Michael F. Goodchild fue el primero en usar y definir el término Volunteered Geographic Information VGI (IGV en español) en 2007 en su artículo “Citizens as Voluntary Sensors: Spatial Data Infrastructure in the World of Web 2.0” y para él, la IGV combina elementos de la Web 2.0, la inteligencia colectiva y la neogeografía. Resumiendo podemos decir que es la información geográfica creada o recogida por voluntarios de forma organizada, no necesariamente especialistas y publicada online. Normalmente con el fin de usarla en proyectos
31
Li, L, Goodchild, M.F., and Xu, B. 2013. Spatial, temporal, and socioeconomic patterns in use of Twitter and Flickr. Cartography and Geographic Information Science 32
PICK, James B. Applications and Examples of Spatial Big Data and Analytics. 2013
21
de bien común (sentido de comunidad) y en muchos casos con licencia libre de uso33.
Como enuncia la definición, el bien común es lo que mueve la participación voluntaria. Resolución de conflictos y problemas ciudadanos es el principal enfoque de la IGV. Pero este tema abarca más allá de lo tecnológico, se trata de crear una herramienta de unión mutua, que ayude a los integrantes de una sociedad, a partir de su participación, en la solución de sus propias dificultades, y alejando dogmas individualistas.
A partir de los datos obtenidos mediante el crowdsourcing se pueden realizar varios tipos de análisis para estudiar su comportamiento espacial, ver su correlación y el tipo de uso que se puede dar a la big data. Un análisis espacial puede dar como resultado Hotspots, de acuerdo al tipo de información recolectada. También se pueden realizar modelos de regresión espacial o Geoestadistica para inferir lugares donde no tenemos información compilada.
Por ejemplo, a realizar una búsqueda general en Instagram con el hashtag #Zipaquira, el resultado fueron 61.842 publicaciones, lo cual podría llevar a un estudio regional sobre turismo en las ciudades de la sabana de Bogotá. Pero si buscamos por fotos georeferenciadas con el hashtag #catedraldesal se encuentran 31.961 resultados lo cual es un alto indicador del turismo en el municipio, lo cual es de vital importancia para restaurantes, empresas de transporte, hoteles y demás servicios. Y todo con solamente buscar en redes sociales.
Estos resultados numéricos entregan un Footprint o huella (Figura 11), que son los puntos georeferenciados de cada foto, y que al momento de integrarlos a un sistema de información geografica permitirá generarlos análisis mencionados anteriormente.
Figura 11 Footprint de la ciudad de Paris en Flickr con la etiqueta #Paris. Fuente: PICK, James B. Applications and Examples of Spatial Big Data and Analytics. 2013
33
http://www.nosolosig.com/articulos/420-la-importancia-de-la-informacion-geografica-voluntaria-o-colaborativa
22
3.4.3 Geoestadistica: Conceptos generales
Alrededor de los años 60, Georges Matheron formulo y generalizo
matemáticamente los conceptos desarrollados por D.G. Krige denominándolos
Geo estadística, los cuales exploraban la correlación espacial para hacer
predicciones de las reservas de oro en una mina Surafricana. La
Geoestadistica es una rama de la estadística aplicada que se especializa en el
análisis y la modelación de la variabilidad espacial en ciencias de la tierra. Su
objeto de estudio es el análisis y la predicción de fenómenos en espacio y/o
tiempo, tales como: ley de metales, porosidades, concentraciones de un
contaminante, etc. Aunque el prefijo geo- es usualmente asociado con
geología, sin embargo la Geoestadistica tiene sus orígenes en la minería.
Actualmente, la Geoestadistica es un conjunto de técnicas usadas para analizar y predecir valores de una propiedad distribuida en espacio o tiempo. En contraposición con la estadística clásica o convencional, tales valores no se consideran independientes, por el contrario se suponen de manera implícita que están correlacionados unos con otros, es decir que existe una dependencia espacial. Intuitivamente esto indica que mientras más cercanos estén situados dos puntos están más correlacionados y mientras más separados hay menos relación entre estos.
Campos de Aplicación
La Geoestadistica ha sido ampliamente aplicada en diversas ramas de las ciencias aplicadas y en las ingenierías, entre otras tenemos: petróleo, minería, pesca, geofísica marina, hidrogeología, medio ambiente, estudios forestales, salud pública, ingeniería civil, procesamiento de imágenes, cartografía, finanzas, ciencias de materiales, meteorología, edafología, etc. Concepto de Variable Regionalizada La Geoestadistica se define como el estudio de fenómenos regionalizados, es decir, que se extienden en el espacio y presentan una cierta continuidad. Por “espacio”, entenderemos en general el espacio geográfico, pero puede también tratarse del eje temporal o de espacios más abstractos. El objeto sobre el cual se trabaja será una descripción matemática del fenómeno regionalizado (Figura 12), a saber, una o varias funciones numéricas llamadas variables regionalizadas, que miden ciertas propiedades o atributos relacionados con este fenómeno34. Por ejemplo:
34
EMERY, Xavier. Apunte de Geoestadistica. Facultad de Matemáticas Universidad de Chile. 2007
23
la ley de un mineral, la potencia de una veta, la acumulación, la densidad de la roca o la recuperación metalúrgica, describen un fenómeno de mineralización;
la porosidad y la permeabilidad de la roca en un reservorio de petróleo o en un acuífero;
la concentración de un elemento contaminante en la atmósfera o en el suelo;
la altitud topográfica en un punto del espacio geográfico;
la conductividad eléctrica, el pH y la concentración en nutrientes medidas sobre una
muestra de suelo;
el número de árboles y su diámetro promedio en áreas de observación de un bosque.
Figura 12. Valor de contaminación en varios puntos de muestreo Fuente: MERY, Xavier. Apunte de Geoestadistica. Facultad de Matemáticas Universidad de Chile. 2007
Del punto de vista conceptual, una variable regionalizada es una función determinística. En general, esta función presenta dos aspectos complementarios: por una parte, tiene una cierta “continuidad” espacial (zonas de altos valores / zonas de bajos valores), pero por otro lado, varía irregularmente y escapa a toda representación simple. Dado que un fenómeno regionalizado nunca posee una extensión infinita, se estudia la variable regionalizada sólo dentro de un dominio limitado D llamado campo de la variable. Este campo puede representar una zona natural, fuera de la cual la variable no está definida. Puede tratarse también de un dominio particular, donde la variable interesa, por ejemplo, los sitios donde no se anula o donde es mayor que un límite de detección.
24
La Geoestadistica busca estudiar una o varias variables regionalizadas conocidas vía una toma de muestra. Previo al uso de métodos geoestadísticos propiamente tal, conviene realizar un estudio exploratorio de los datos disponibles, el cual tiene tres objetivos:
Analizar (mediante herramientas estadísticas simples) la cantidad, la calidad y la ubicación de los datos disponibles.
Definir la(s) zona(s) de estudio. Una división del campo en varias sub-zonas puede ser relevante si uno observa cambios abruptos en la distribución espacial de valores, si la geología del fenómeno lo indica.
Anticipar dificultades o problemas que puedan surgir en la fase de estimación local (por ejemplo, presencia de valores atípicos que se destacan de aquellos de los datos vecinos).
Semivariograma
La función básica que describe la variabilidad espacial de un fenómeno de interés se conoce como semivariograma. El semivariograma responde a la siguiente pregunta ¿Cómo de parecidos son los puntos en el espacio a medida
que estos se encuentran más alejados?
Figura 13 Muestreo de parcela 20mx20m Fuente: GALLARDO, A. Geoestadistica, Ecosistemas. Articulo revista
Ecosistemas. 2006
Se ha muestreado un cuadrado de 20 x 20 metros alrededor del tronco de árbol(Figura 13) , tomándose muestras de suelo cada 2 m, y en cuatro cuadrados aleatorios dentro de la parcela, muestras separadas por 0,5 m . Para cualquier variable analizada, podemos calcular la varianza encontrada entre todos los pares de puntos separados por 0.5 m, englobando tanto los separados por esta distancia en el eje N-S como en el eje E-O. En segundo
25
lugar podríamos calcular la varianza encontrada entre todos los pares de puntos separados por 2 m, 4 m, y así sucesivamente hasta calcular la varianza encontrada entre todos los pares separados 20 m (que serían tan solo 4). También podríamos intercalar las distancias entre muestras separadas en diagonal; la más pequeña sería la hipotenusa del cuadrado de 0,5 x 0,5 m, y la más grande la hipotenusa del cuadrado 20 x 20 m (del que sólo habría dos pares).La representación gráfica de todas estas varianzas en función de la distancia que separa a las muestras es el semivariograma (o variograma), y el cálculo de la varianza entre pares separados por intervalos de distancia se conoce como semivarianza (γ), estimada como35:
γ(h) = 𝑁(h)
2∑[𝑍𝑥 − 𝑍𝑥+h]2
Donde
γ(h) es la semivarianza para todas las muestras localizadas en el
espacio separados por la distancia h
N(h) todos los pares de muestras separados por la distancia h
𝑍𝑥 el valor de la muestra en una localización x
𝑍𝑥+h el valor de la muestra a la distancia de intervalo h desde x.
Figura 14 Semivariograma empírico de los valores tomados de la parcela 20m x 20m fuente: GALLARDO, A. Geoestadistica, Ecosistemas. Articulo revista Ecosistemas. 2006
35 GALLARDO, A. Geoestadistica, Ecosistemas. Articulo revista Ecosistemas. 2006
26
La Figura 14 da bastante información del comportamiento espacial de la variable, los valores de la muestra separados por intervalos de distancia entre 0 y 1 m son más parecidos que aquellos separados por 2 m, 3 m etc. La semivarianza aumenta a medida que aumenta la distancia que separa las muestras hasta que se llega a un intervalo de distancia aproximada de 8 m, a partir del cual la semivarianza alcanza un máximo y no aumenta más. Este nivel máximo de semivarianza debe coincidir con la varianza de la población. En este caso, los valores de semivarianza del eje Y se corresponden al logaritmo de la materia orgánica, transformación realizada para ajustar los valores a una distribución normal. Aunque la transformación de la variable no es imprescindible para construir un semivariograma, si lo es para el uso del semivariograma en la interpolación de valores de la variable, ya que todas las técnicas de interpolación son sensibles a valores extremos. Ajuste a Modelo de Semivariograma El semivariograma proporciona bastante información del comportamiento espacial de la variable. Sin embargo, es necesario ajustar una función para cuantificar el grado y escala de variación espacial. Existen numerosos modelos que se utilizan en Geoestadistica (Figura 15), siendo los más comúnmente usados el modelo esférico, el modelo exponencial, el modelo gaussiano y el modelo lineal. El ajuste a una función permite extraer una serie de parámetros que son los que van a ser usados para la interpolación Geoestadistica (kriging) y que definen el grado y escala de variación espacial. Estos parámetros son el rango, el nugget, el sill, y la proporción de la varianza explicada por el espacio, a menudo expresada en porcentaje. El rango es la distancia a la que la semivarianza deja de aumentar. El rango, por tanto, indica la distancia a partir de la cual las muestras son espacialmente independientes unas de otras, y representa el tamaño de grano o mancha que representa la variable. Por ejemplo, en el caso de la materia orgánica de la parcela, el rango es aproximadamente de unos 8 m. El nugget es la varianza no explicada por el modelo, y se calcula como la intercepción con el eje Y. Se conoce también como varianza error puesto que la varianza de dos puntos separados por 0 metros (la intercepción con el eje Y) debería ser cero. Es por ello que esta varianza está normalmente indicando variabilidad a una escala inferior a la muestreada. Además, los errores analíticos o de muestreo también contribuyen a la aparición de la varianza error. La máxima semivarianza encontrada entre pares de puntos se conoce como sill y debe coincidir con la varianza de la población
27
Figura 15 Modelos de Semivariograma fuente: GALLARDO, A. Geoestadistica, Ecosistemas. Articulo revista Ecosistemas. 2006
Kriging
Kriging es la técnica de interpolación utilizada en Geoestadistica. Su fortaleza estriba en el conocimiento del comportamiento de la variable en el espacio36. Así, la forma del semivariograma indica la capacidad predictora que tiene cada punto en función de la distancia que lo separa con otro punto. Los puntos más allá del rango, es decir cuando el semivariograma se vuelve plano, tienen la mínima capacidad predictora. A la hora de realizar un kriging hay que, además de suministrar los parámetros del semivariograma isotrópico o los anisotrópicos, decidir la estrategia adecuada para la selección de puntos para la interpolación. Si el número de valores en el espacio es suficiente, disminuir el radio de búsqueda de puntos puede ser la mejor estrategia, ya que evita problemas de estacionariedad, aunque hay que procurar que el radio de búsqueda no sea inferior al rango, ya que no se utilizaría toda la información que proporciona el semivariograma. Otra decisión a tomar es el tipo de interpolación: puntual o por bloques. Mientras que la interpolación puntual es la estima del valor de la variable en un punto del espacio, en la interpolación por bloques esta estima se corresponde con la media de un área predeterminada que rodea a ese punto. En la mayoría de los casos la interpolación por bloques (que produce un “suavizado” de las estimas) correlaciona mejor con los valores verdaderos, siendo generalmente más exacta que la interpolación puntual. El resultado final del kriging es un mapa con los valores interpolados de la
36
http://www.gitta.info/ContiSpatVar/en/html/Interpolatio_learningObject3.xhtml
28
variable (figura 16). Sin embargo, a diferencia de otras técnicas, la Geoestadistica permite que cada interpolación lleve asociado un grado de incertidumbre que puede también ser representado en el espacio (en forma de varianza o desviación estándar).
Figura 16 Mapa de precipitación obtenido a partir de interpolación Fuente:
http://www.gitta.info/ContiSpatVar/en/html/Interpolatio_learningObject3.xhtml
3.4.4 Geoestadistica en el análisis del crimen
La Geoestadistica es una rama de la estadística que trata de fenómenos espaciales. Su objetivo es la estimación, predicción y simulación de dichos comportamientos espaciales. Esta rama ofrece una forma de describir la continuidad espacial, que es un rasgo distintivo esencial de muchos sucesos naturales, y proporciona adaptaciones de las técnicas clásicas de regresión para tomar ventaja de esta continuidad (Berlanga, 1970). Actualmente, la Geoestadistica es un conjunto de técnicas usadas para analizar y predecir valores de una propiedad distribuida en espacio y tiempo. En contraposición con la estadística clásica, tales valores no se consideran independientes, por el contrario se supone de manera implícita que están correlacionados unos con otros, es decir, que existe una dependencia espacial.
29
En todo trabajo o estudio geoestadístico tiene que llevarse a cabo en tres fases37:
a) Análisis Exploratorio de Datos Espaciales: aquí se estudian los datos muéstrales sin tener en cuenta su distribución geografica. Sería una etapa de aplicación de la estadística. Se comprueba la consistencia de los datos geográficos y se identifica la distribución de los que provienen.
b) Análisis Estructural: esta etapa se encarga de la caracterización de la estructura espacial y espacio-temporal de una propiedad o fenómeno regionalizado en este caso el total de crímenes en un lugar específico. Es el proceso en el marco del cual se obtiene un modelo geoestadístico para la función aleatoria que se estudia. En pocas palabras consiste en estimar y modelar una función que refleje la correlación espacial y espacio-temporal de la variable regionalizada a partir de la adopción razonada de la hipótesis más adecuada acerca de su variabilidad. Esta variabilidad se realiza mediante un análisis de patrón de localizaciones de la población objeto de estudio, que permite definir el tipo de estructura espacial y espacio-temporal (en su caso) que organiza al conjunto de localizaciones; y un análisis de dependencia o auto correlación espacial y espacio-temporal de la distribución, que permite medir el grado de similitud de una variable regionalizada de tipo cuantitativa entre puntos o eventos vecinos sobre un área maestral de estudio.
c) Predicción: Estimación de la variable en los puntos muéstrales, considerando la estructura de correlación espacial relacionada e integrando la información obtenida de forma directa en los puntos muestrales, así como la conseguida indirectamente en forma de tendencias conocidas. En dicho proceso de estudio geoestadístico es importante también, el conocer el tipo de dato geográfico para su tratamiento. Generalmente son dos tipos de datos geográficos, un tipo de dato coordenado que consiste en un punto o evento georeferenciado y un dato geoestadístico o campo escalar que significa la intensidad o frecuencia en una zona geografica.
En el caso del análisis del crimen, la Geoestadistica ayuda a inferir en qué lugares se puede presentar un delito de acuerdo a la distribución espacial de esto. La falta de denuncias y de acceso a lugares de alta peligrosidad aporta vacíos a la recolección de información. Estudios como los de Alvarado (2011) describiendo la problemática en El Salvador, y de Rosero (2015) en Ecuador, dan referencia sobre el desarrollo del tema en América Latina.
37
ROSA ALVARADO, Welman. Modelo geoestadístico espacio-temporal del crimen en El Salvador: Análisis estructural y predictivo. Revista de Matemática: teoría y Aplicaciones. 2011
30
3.4.5 Análisis Espacial: Hotspots
El termino Hot Spot o Punto caliente, hace referencia a la agregación o clusterizacion de algún fenómeno en un espacio geográfico determinado. Sin embargo, no todos los fenómenos agregados ni indican un hot spot, más en términos de análisis del crimen. Según Sherman (1995) un hotspot es un lugar donde la incidencia del crimen es tan frecuente que se puede predecir por lo menos en el periodo de 1 año38.
De acuerdo con Gorr y Kurland39 los hotspot se pueden definir como zonas urbanas donde existe un gran número de delitos y que tienden a persistir en el tiempo, por lo que su identificación determina la ruta para la implementación de metodologías policiales y estrategias de prevención. La identificación de lugares con alta concentración de delitos, se ha convertido en campo de estudio con muchas aplicaciones en el mundo. El objetivo principal no es la identificación, si no la prevención mediante modelos que permiten una visualización extensa del territorio, indicando la variabilidad de un delito o más.
El análisis de hotspot se realiza mediante tres metodologías diferentes:
Agregación Espacial
Para realizar el análisis de la agregación espacial y determinar la existencia de clúster, aplicamos el índice de vecino más cercano (ANN su acrónimo en inglés), que consiste en un tipo de estadística espacial que calcula el valor promedio de la distancia entre cada uno de los puntos y su punto más próximo (su “vecino” más cercano) y posteriormente calcula índice o valor Z comparando dicha medida, con el valor de la distancia media entre los incidentes de una distribución aleatoria. De esta manera y como resumen del proceso estadístico, se obtiene el índice de vecino más cercano que nos evidencia la existencia de agregación espacial o clúster si su valor Z es inferior a 1(Figura 17).
38
RUIZ, Alberto. SIG: Crimen y Seguridad. Análisis, predicción y prevención del fenómeno criminal. Universidad Complutense de Madrid. 2012. 39
GORR, Wilpen. KURLAND, Kristen. GIS Tutorial, Basic Woorkbook. 2012
31
Figura 17Análisis del Índice de vecino más cercano. Fuente: http://www4.ncsu.edu/~emohler/gis520/NearestNeighbor_Result.html
Getis Ord
Este análisis genera Hotspots y los ColdSpots más significativos mediante estadística espacial. Este indicador opera con datos agregados, por lo que se ha realizado un conteo de los casos de robo a personas por barrio por ejemplo, de manera que un determinado barrio se configurará como hot spot siempre que tenga un número elevado de incidentes y esté rodeada por otras secciones con altos índices de criminalidad. El resultado que devuelve de este análisis es un valor denominado Z que hace referencia a las desviaciones estándar, de manera que cuanto más positivo sea el Z de una sección censal, mayor será la agregación de valores altos y por lo tanto existirá un hot spot. Si por el contrario el Z resulta negativo, la sección censal pasará a configurarse como un col spot
(Figura 18).
32
Figura 18 Mapa de Hotspots y Coldspots obtenido mediante Getis Ord. Fuente: http://ifs.sc.edu/MPR/GIS/Analysis.asp
Redes Celulares
Una red celular consiste en la creación de una grilla regular (denominados células) de un tamaño determinado que afecta en gran medida al resultado final del análisis (Figura 19). Este método de análisis tiene la ventaja de que soluciona el problema de los incidentes superpuestos que se da cuando varios actos delictivos han tenido lugar en la misma localización exacta. Por otro lado, como hemos dicho el tamaño de las células afecta al resultado del análisis, de manera que un tamaño relativamente pequeño de las células mejora la resolución del análisis, pero con el consiguiente aumento del coste de recursos informáticos para procesar la información. Por el contrario, si las células poseen un tamaño grande, la resolución del análisis se resiente en pos de una mejora en el procesamiento de los datos40.
40
HARRIES, Keith. Mapping Crime: Principle and Practice. US Department of Justice. 1999
33
Figura 19 Análisis de Hotspot a través de grilla o células. Fuente: https://glenbambrick.com/category/spatial-analysis/hotspot-analysis/
34
4. METODOLOGIA
El desarrollo de este proyecto, se basó en el modelamiento geoestadístico de
la criminalidad del municipio de Zipaquirá, el cual permitirá una visión más real
y científica del fenómeno. También se entenderá como una herramienta
temática para toma de decisiones de fondo y forma para combatir el problema
principal. La metodología que se utilizo fue:
4.1 ETAPA 1: LEVANTAMIENTO DE LA INFORMACION
4.1.1 Actividad 1 Obtención de la información: Se realizó mediante
crowdsourcing principalmente por redes sociales. Esto con el fin de
obtener información concreta del delito así como su ubicación espacial
con el mayor grado de precisión posible. También con los entes de
control y seguridad del municipio.
4.1.2 Actividad 2 Depuración de la Información: Se realizó una
depuración para evitar datos nulos o redundantes que puedan afectar la
muestra.
4.2 ETAPA 2: ANALISIS EXPLORATORIO DE DATOS
4.2.1 Actividad 1: Graficación de los datos obtenidos en la Etapa 1
(Grafica de Barras, Histograma de frecuencias, Grafica circular)
4.2.2 Actividad 2: Calculo de las medidas de tendencia central y de
dispersión para así determinar la distribución de los datos.
4.3 ETAPA 3: ANALISIS ESTRUCTURAL DE LOS DATOS
4.3.1 Actividad 1: Realizar el análisis estructural de los datos
coordenados utilizando el índice de vecino más cercano (NNI) para
conocer su relación espacial y la dispersión de los datos.
4.3.2 Actividad 2: Análisis de auto correlación espacial mediante el Test I
de Moran.
4.3.3 Actividad 3: Determinación de Hot spots o clúster donde los datos
muestran más asociación, mediante las diferentes metodologías.
4.3.4 Actividad 4: Interpolación de datos.
4.4. ETAPA 4: GENERACION DE MAPA DE CRIMEN
4.4.1 Actividad 1: A partir de los datos obtenidos de la interpolación de
datos y análisis espacial, se genera el mapa o mapas de crimen del
35
municipio, mostrando los datos resultados de la predicción y los clúster
de la etapa 4.
4.4.2 Actividad 2: Redacción del documento final (Esta actividad es
transversal desde el inicio del proyecto)
4.5 ETAPA 5: MODELAMIENTO y CONSOLIDACION DE BASE DE
DATOS GEOGRAFICA DEL PROYECTO
4.5.1 Actividad 1: Definición de las capas de información de la base de
datos geografica. De manera preliminar, las capas a utilizar son:
Base catastral urbana del municipio de Zipaquirá
Eje vial municipio Zipaquirá
Barrios
4.5.2 Actividad 2: Geocodificacion de la información obtenida en la Etapa
1
4.5.3 Actividad 3: Integración de resultados de análisis espacial y
geoestadístico
4.5.4 Actividad 4: Generación del diccionario de datos de la base de
datos geografica
5. CRONOGRAMA
Para el óptimo desarrollo del proyecto es necesario establecer un cronograma
de las etapas y sus respectivas actividades Las etapas 1 y 2 son paralelas ya
que su desarrollo no está ligado solamente hasta la actividad 3. Es necesario
aclarar que todas las actividades son críticas y por lo tanto cualquier retraso
influye en el desarrollo del proyecto.
36
Figura 20 Cronograma de actividades. Fuente: Creación Propia
1 2 3 4 5 6 7 8 9 10 11 12 13
Actividad 1 Obtención de la información
Actividad 2 Depuración de la Información
Actividad 1 Graficación de los datos obtenidos
en la Etapa 1 ( Grafica de Barras, Histograma
de frecuencias, Grafica circular)
Actividad 2 Calculo de las medidas de
tendencia central y de dispersión para así
determinar la distribución de los datos.
Actividad 1 Realizar el análisis estructural de
los datos coordenados utilizando el índice de
vecino más cercano (NNI) para conocer su
relación espacial y la dispersión de los datos
Actividad 2 Análisis de auto correlación
espacial mediante el Test I de Moran.
Actividad 3 Determinación de Hot spots o
clúster donde los datos muestran más
asociación, mediante diferentes
metodologias
Actividad 4 Interpolacion de los datos
obtenidos
Actividad 1 A partir de los datos obtenidos de
la interpolación de datos, se genera el mapa
de crimen del municipio, mostrando los datos
resultados de la predicción y los clúster de la
etapa 4.
Actividad 2 Redacción del documento final (
Esta actividad es transversal desde el inicio
del proyecto)
Actividad 1 Definición de las capas de
información de la base de datos geografica
Actividad 2 Geocodificacion de la información
obtenida en la Etapa 1
Actividad 3 Integrar la capa de puntos
obtenida en la actividad 2 a la base de datos
geografica
Actividad 4 Generación del diccionario de
datos de la base de datos geografica
ETAPA 4
GENERACION DE MAPA
DE CRIME Y ENTREGA
DE RESULTADOS
SEMANAS
ETAPAS Y ACTIVIDADESETAPA 1
LEVANTAMIENTO DE LA
INFORMACION
ETAPA 5
MODELAMIENTO DE LA
BASE DE DATOS DEL
PROYECTO
ETAPA 2
ANALISIS
EXPLORATORIO DE
DATOS
ETAPA 3
ANALISIS ESTRUCTURAL
DE LOS DATOS
37
6. RESULTADOS
6.1 LEVANTAMIENTO DE LA INFORMACION
El levantamiento de la información es una actividad vital en cualquier proyecto
de investigación; es la materia prima que describe el fenómeno y permite
inferir los hechos y encontrar opciones de mejora, también permite conocer
mejor el entorno de investigación y las necesidades de la población del
Municipio. El crimen es una realidad difícil de evadir, tanto a nivel global como
local, se puede evidenciar un aumento alarmante de todo tipo de delitos, pero
más aquellos que afectan al ciudadano común y corriente. Desde el robo de un
celular, hasta una riña por un choque automovilístico suceden en un espacio
geográfico el cual si es analizado a fondo, se encontraran no solo tendencias,
si no relaciones espaciales que pueden mostrar la realidad de otra manera,
ayudando así a la toma de acciones por parte de las autoridades municipales.
Por eso es importante que la información recopilada sea de fuentes oficiales, o
que sea fiable, esto con el fin de evitar sesgos, ruidos y otros inconvenientes
que pueden generar una mala interpretación o conclusiones equivocadas. En el
caso particular de la información geografica, es necesario tener precisión en los
datos, ya que esto permitirá realizar un análisis más detallado de la situación.
Los criterios planteados para la información en este proyecto son:
Ubicación geografica del hecho: Toda la información recopilada está
referida a una dirección exacta o un lugar descrito totalmente por la
víctima.
Fecha: Permitirá analizar en qué periodo de tiempo hubo más hechos, o
debido a que acontecimientos se dispararon los delitos.
6.1.1 INFORMACION GEOGRAFICA VOLUNTARIA: EL PAPEL DE LAS
REDES SOCIALES
Las redes sociales se han convertido no solamente en lugares virtuales de
conexión y amistad, donde se comparten desde experiencias mínimas hasta
los grandes acontecimientos personales lo cual hace pocos años parecía casi
imposible. También se han convertido en un foco informativo, un mural abierto
donde la palabra, voz o video de todos es leído, escuchado o visto ya sea para
denunciar, identificarse con otros o para opinar. La relación entre las redes
sociales y la denuncia ciudadana es cada vez más palpable. Este fenómeno es
38
mundial, las redes sociales como Twitter y Facebook, por mencionar algunas,
se han convertido en un medio en donde la sociedad y los individuos en
particular, pueden expresarse con temas que les interesan, les preocupan, les
indignan o les afectan.41
En este caso, la necesidad de los ciudadanos del municipio de Zipaquira de dar
a conocer sus experiencias relacionadas con el crimen, han generado
inconscientemente una nube de datos o big data a través de las redes sociales
conjugándolo a través de grupos o denuncias propias en sus muros o timelines
(Figura 21). Lo más importante, brindando información con precisión
geografica, indicando una dirección, o una descripción exacta con el fin de
Informar y dar a conocer la experiencia a sus seguidores.
Figura 21 Publicación en Facebook sobre un delito en el municipio de Zipaquirá. Fuente: www.facebook.com
Esta sinergia se vio reflejada en la creación de una comunidad online
denominada “Robos y Atracos Zipa” donde sus miembros publican sus
denuncias y vivencias a través de un mediador o Community Manager. Esta
sencilla tarea que pareciera no aportar mucho a la solución del problema de
seguridad y crimen en el municipio arrojo resultados impresionantes.
Esta Información geografica voluntaria, o más precisamente inconsciente en
este caso en particular, permitió concluir que el ejercicio de crowdsourcing es
viable y valido si se cumple con su principal premisa: el bien común. A partir de
estos, se recopilaron 142 denuncias que cumplían los parámetros establecidos
anteriormente, todos incluidos en la categoría de hurto, más específicamente
como:
Atraco : 99 casos
Robo a Vehículo: 19 Casos
Robo a Residencia: 15 Casos
Robo a establecimiento Comercial: 9
41
Palacios, Paola. El papel de las redes sociales en la denuncia ciudadana. Disponible en: http://www.tm.org.mx/el-papel-de-las-redes-sociales-en-la-denuncia-ciudadana/
39
Estos puntos se georeferenciaron uno a uno en un archivo Shapefile tipo punto,
asignado su Sistema de Coordenadas correspondiente a Magna Sirgas con
origen Bogotá (Figura 22). Con el fin de evitar redundancia en la información y
para tener un mayor nivel de detalle, ya que en algunos casos la descripción
del espacio geográfico era abierta por ejemplo en zonas comunes como
parques.
Figura 22 Resultado de la georeferenciacion de la IGV. Fuente: Creación propia
En una primera revisión a la información, se nota concentración y posible
clustering o agrupación de ciertos delitos en zonas determinadas, todos dentro
de la zona urbana, comprobando así una de las teorías principales: El delito es
un fenómeno enteramente urbano.
A pesar de notarse cierta concentración de delitos, aun no se puede inferir que
esas zonas sean, ciertamente Hotspots o ColdSpots. De manera gráfica se
muestran en la figura 23 y figura 24 cuales son las zonas con mayor número de
incidentes a priori
40
Parque de la Esperanza
Figura 23 Concentración de hurtos en el parque de La Esperanza. Fuente: Creación propia
El Centro – Parque de La Independencia
Figura 24 Concentración de hurtos en el parque de La Independencia. Fuente: Creación propia
41
También se puede identificar la huella o Footprint cercana a la parte central y
sur del municipio, lo cual establece que las personas sufrieron más robos en
estos sectores de la ciudad, los cuales incluyen El Centro, la Zona Histórica y
El Parque de La Independencia. A pesar de ser los ejes fundamentales del
desarrollo del municipio, se evidencia que son las zonas con más impacto no
solo para la comunidad local ya que también se han reportado robos a turistas.
6.1.2 INFORMACION OFICIAL: AUTORIDADES LOCALES Y GOOGLE
EARTH
Después del interesante y fructífero ejercicio de la Información Geografica
Voluntaria, fue necesario complementar con más datos. Las entidades locales
en su obligación de mantener la ley y el orden dentro del municipio, deben
tener un inventario o estadística de los delitos cometidos en el municipio, o por
lo menos como se mencionó anteriormente, un Pin Map para hacer un
seguimiento más detallado de la actividad delictiva.
Con sorpresa, se observó que la policía nacional tiene su propio Pin Map, pero
no uno que abarcaba una habitación completa, o que tenía pines de mil colores
diferentes. Los datos estaban georeferenciados y categorizados en Google
Earth, asignando a cada categoría delicitiva un archivo diferente. Esto
demuestra el interés de la policía por llevar un inventario delictivo ordenado,
sino también saber cómo se distribuye geográficamente, analizando a un nivel
muy primario sus tendencias e intentar atacar el problema de la criminalidad.
Software como Google Earth permiten a cualquier funcionario o persona, llevar
ese control permitiendo una consolidación de información importante para
diferentes proyectos de investigación.
Por medio del Comandante de Policía del municipio se pudo acceder a esta
información georeferenciada en Google Earth (Figura 25) de los delitos
presentados en el Municipio en el transcurso del año 2016. Estos datos han
sido recopilados por parte de la Estación del municipio con dos criterios
importantes: la llamada a la policía y la denuncia por parte del ciudadano sobre
el hecho delictivo.
42
Figura 25 Archivo Riñas. KMZ. Fuente: Policía Municipio de Zipaquira
En total fueron entregados cuatros archivos extensión KMZ con información
relativa a los delitos más representativos del municipio y aquellos que afectan
más a la comunidad en su diario vivir. Se observó también, que no solo se
llevaba un control geográfico sobre la ubicación espacial exacta de los hechos,
también se incluían atributos del mismo en el label de cada punto en Google
Earth, información que será de vital importancia en procesos posteriores.
La Información total entregada por la Policía se resumen en:
Hurto : 157 Casos
Consumo y expendio de estupefacientes: 124 Casos
Riñas: 476 Casos
Lesiones Personales: 59 Casos
Delitos tales como homicidio, extorsión, y estafa son excluidos del estudio
debido a que su recurrencia es baja, y la distribución espacial no es uniforme y
esto puede ayudar a sesgar la muestra.
Con esta primera mirada y análisis a la información, se llega a una conclusión
preocupante: Zipaquira es un municipio con altos índices de Violencia. El
municipio es muestra representativa de este fenómeno, el hecho que el número
de riñas dupliquen casi el número total de hurtos reportados y casos por
consumo y distribución de drogas juntos, es un gran indicativo de la
personalidad violenta recurrente en los últimos años.
“Las riñas son un hecho recurrente en las ciudades colombianas, y suelen ser
consecuencia de las agresiones verbales y de los efectos del consumo de licor
43
y sustancias psicoactivas. Según los expertos, no hay a la vista una posible
reducción del fenómeno, por la falta de políticas públicas que combatan su
ocurrencia. El 2014 cerró con 71.228 casos, apenas 268 menos que en el
2013, cuando se dio un salto de cerca de 10.000 reportes. Hasta mediados de
junio se contabilizaban más de 31.000 casos este año, según cifras de la
Policía Nacional42”.
Las herramientas utilizadas para unificar las dos fuentes de datos, pueden ser
consultadas en el Anexo A: Unificación de la Información.
La totalidad de la información obtenida en este primer aparte de la
investigación fue:
Hurto: 297 Casos
Consumo y expendio de estupefacientes: 120 Casos
Riñas: 473 Casos
Lesiones Personales: 58 Casos
42
http://www.eltiempo.com/archivo/documento/CMS-16205255
44
6.2 ANALISIS EXPLORATORIO DE DATOS
El análisis exploratorio de datos, permite analizar la información antes de
aplicar cualquier técnica estadística, así como la identificación de variables, las
relaciones entre ellas y la clasificación de la información. También permite
establecer la distribución de los datos y la evaluación de datos ausentes o
redundantes.
El tipo de análisis depende de la escala de medida de la variable a analizar43.
En este caso se entiende que es una variable cualitativa, debido a que se
puede clasificar en categorías no numéricas. Estas se representan a través de
atributos o características y se les puede dar un orden. Con respecto a la
muestra obtenida en el municipio de Zipaquirá se estableció la categorización
de las variables de acuerdo a su reiteración en el espacio geográfico (Tabla 1).
La jerarquización está definida de la siguiente manera:
Nombre de la Variable Alias Clasificación
Lesiones Personales LP 1 Consumo y distribución de droga
CCD 2
Hurto HTO 3 Riñas RN 4
Tabla 1 Categorización de las variables cualitativas. Fuente: Creación Propia
Debido a que es una escala nominal, los datos solo pueden tener
representación gráfica para su entendimiento. A partir de estas graficas se
puede determinar que crímenes tienen mayor incidencia en el municipio, así
como su distribución tanto por zona urbana y rural.
6.2.1 FRECUENCIAS RELATIVAS Y GRAFICO DE BARRAS
Utilizando el software estadístico R y su complemento RCommander, se
exporto la base de datos consolidada y se realizó la distribución de frecuencia
relativa por cada delito (Figura 26).
43
Salvador M, Gargallo P (2003) . Análisis Exploratorio de datos. www.5campus.com,Estadística.
45
Figura 26 Distribución Frecuencias relativas. Fuente: Creación Propia
Como se concluyó anteriormente, el delito más frecuente en el municipio de
Zipaquirá son las Riñas (Figura 27), con un total de 473 Casos y un 49,89% de
la distribución. En segundo lugar se encuentra el Hurto, con 297 casos y un
31,33%, en tercer lugar el Consumo y distribución de drogas con 120 casos y el
12,66%. Por último se encuentran las Lesiones Personales con 58 casos y el
6,12% de la distribución total.
Figura 27 Grafica de frecuencias relativas. Fuente: Creación propia
6.2.2 VARIABLE CUALITATIVA A CUANTITATIVA
Para la realización de cualquier análisis geoestadístico o de Hotspots es
necesario tener variables cuantitativas. En el entorno de los Sistemas de
46
Información Geografica, se puede realizar a través de cruces y complemento
de información. Esta transformación del tipo de variable se puede realizar
usando otra información geografica, como la delimitación de la Zona Urbana y
de los barrios catastrales del Municipio. Estos consolidados no solamente
mostraran información total, también por cada tipo de crimen, lo que permite
análisis detallado y desglosado de cada actividad criminal en el municipio y ver
en que barrios existe la mayor concentración de ellos. También es necesario
verificar la teoría de la criminalidad urbana, y así descartar los puntos que
generen sesgos a la muestra.
Entorno Urbano y rural
Según la información recopilada, se observa que la mayoría de los crímenes se
cometen en la zona urbana del municipio (Figura 28), pero también se observa
cierta incidencia criminal en los centros poblados rurales cercanos a la
cabecera municipal, tales como Barandillas, el sector del Bolívar 83, Santiago
Pérez, Portachuelo , San Jorge y San Miguel.
Figura 28 Distribución Urbana y Rural de los Crímenes en el municipio de Zipaquirá. Fuente: Creación propia
47
El análisis estadístico de la distribución geografica de los delitos (Tabla 2),
permite indicar que el 94,62% de los delitos tuvo lugar en la zona urbana, y el
5,37% en la zona rural. Esto valida la tesis presentada anteriormente y
demuestra que el sector urbano es el más vulnerable en cuanto a actividad
delictiva. A pesar de ser datos representativos en la zona rural, no hay indicios
que agrupación o concentración en el espacio geográfico, y son eventos que
tienen mucha distancia entre sí. La correlación espacial siempre se caracteriza
por la distancia entre los fenómenos, y entre más distancia, menor correlación.
Por esto es necesario excluirlos de la muestra y enfocarse en la zona urbana,
excepto por un caso particular.
ENTORNO
RIÑAS
HURTOS
CONSUMO Y DISTRIBUCION DROGAS
LESIONES PERSONAL
ES
TOTAL
PORCENTAJE
URBANO 448 290 109 50 897 94,62% RURAL 25 7 11 8 51 5,37%
Tabla 2 Crimen rural y Urbano. Fuente: Creación Propia
Caso excepcional
La ventaja de la información geografica es la fácil visualización de la
distribución de las variables. En este caso particular se encontró una alta
concentración de actividad criminal en un sector considerado rural según el
Plan de ordenamiento Territorial del Municipio, el CPR Bolívar 83(Figura 29).
Este sector tradicionalmente se considera de alto impacto y concentración
delictiva. Debido a su cercanía y su posible correlación espacial con los barrios
cercanos no se excluye de la muestra, ya que presenta una agrupación
importante de delitos y puede llegar a ser un pico o un hotspot en análisis
posteriores (Tabla 3).
48
Figura 29 Actividad Criminal en el CPR Bolívar 83. Fuente: Creación Propia
De acuerdo a esto, la muestra total queda conformada de la siguiente manera:
TIPO DELITO TOTAL
CONSUMO Y DISTRIBUCION DROGAS
120
HURTO 291
LESIONES PERSONALES 50
RINA 463
Total general 924
Tabla 3 Totalidad de delitos en la Zona Urbana incluido el CPR Bolivar 83. Fuente: Creación Propia
Con la lista de datos organizados, se comprueba en primera instancia y de
forma empírica la teoría de centralidad de Burgees ya que el Barrio El Centro
es el que tiene más delitos reportados. Sin embargo, es necesario analizar más
a profundidad las variables, encontrar sus medidas de tendencia central y
comprobar hipótesis de normalidad, ya que esto permitirá, un mejor desarrollo
geoestadístico. El listado consolidado por barrio y por día con más delitos
puede ser consultado en el Anexo B: Delitos por barrio.
49
El análisis estadístico de la información se realizó de acuerdo a cada crimen
presentado por barrio, eliminando aquellos que no tienen ningún delito
reportado. Esto con el fin de evitar sesgos de la información y probabilidad de
encontrar datos atípicos. El análisis de su distribución, así como de sus
estadísticos básicos ayuda a dar una idea general de su comportamiento como
variable en el espacio geográfico.
6.2.3 RESUMEN ESTADISTICO: NORMALIDAD Y DISPERSION
El objetivo de los análisis estadísticos es describir la variable y ajustarla a una
distribución de probabilidad. Existen las medidas de dispersión y tendencia
central que nos indican su distribución y ayudan a entender mejor su
representación sobre terreno. Mediante el uso del software Statgraphics se
generó el archivo un archivo extensión .da con la base de datos consolidada en
la unificación de la información, en la cual solo 59 de los 83 barrios del
Municipio tienen algún crimen reportado o denunciado. El resumen de
estadísticas (Tabla 4) deja concluir aspectos básicos de la distribución:
El promedio es mayor que la mediana, lo cual muestra una asimetría
positiva con cola a la derecha.
El coeficiente de variación es mayor a 100% lo cual indica
heterogeneidad de los datos, con valores muy altos de crímenes en
algunos barrios y valores muy bajos en otros.
Los indicadores de normalidad como la curtosis y el sesgo
estandarizado, cuyo valor deben estar en el rango (-2,2) , se encuentran
muy lejos de este intervalo, lo cual lleva a concluir que los crímenes en
el municipio de Zipaquira, no siguen una distribución normal.
Recuento 59
Promedio 15,661
Mediana 5,0
Desviación Estándar 24,663
Coeficiente de Variación 157,48%
Mínimo 1,0
Máximo 145,0
Rango 144,0
Sesgo Estandarizado 10,0339
Curtosis Estandarizada 20,3247
Tabla 4 Resumen estadístico de los crímenes en el municipio de Zipaquira. Fuente: Creación Propia
50
La variación de la asimetría puede verse reflejada también en el histograma
(Figura 30) y el diagrama de caja (Figura 31) reflejando la gran presencia de
barrios con pocos crímenes contrastada con otra realidad donde hay mayor
concentración en otros, generando así valores atípicos en la muestra.
Figura 30 Histograma de los crímenes en el municipio de Zipaquira. Fuente: Creación Propia
Figura 31 Diagrama de caja de los crímenes en el municipio de Zipaquira. Fuente: Creación Propia
Histograma Crimenes Municipio de Zipaquira
0 30 60 90 120 150 180
TOTAL
0
10
20
30
40
frecu
en
cia
Diagrama de Caja Crimenes municipio de Zipaquira
0 30 60 90 120 150
TOTAL
51
Tanto el Histograma como el Diagrama de Caja indican algo importante, la
mayoría de los barrios tiene un índice menor a diez delitos soportado también
por el valor de la mediana. Eso quiere decir que el 50% de los barrios del
municipio tienen un número relativamente bajo de delitos o de denuncias.
También tiene valores atípicos fuera del Diagrama de Caja mostrando barrios
con índice criminal muy elevado en comparación a otros. Esto prueba que el
municipio tiene barrios específicos con alta concentración de actividades
delictivas
52
6.3 ANALISIS ESTRUTURAL DE DATOS Y GENERACION
MAPAS DE CRIMEN: HOTSPOTS
El análisis del comportamiento espacial de los crímenes marca pauta en el
desarrollo de los sistemas de Información moderno, porque no solamente
permiten analizar la agregación de delitos en un espacio geográfico lo cual
puede ser tomado como una actividad repetitiva, también se puede analizar a
partir de diferentes patrones espaciales, siguiendo una metodología especifica.
Todo esto llevo a concluir cual es el mejor enfoque adoptar en el municipio de
Zipaquira con tal de tomar decisiones con respecto al flagelo criminal.
El análisis de Hotspots se realiza desde tres enfoques diferentes:
Análisis a través de los puntos integrados.
Análisis Poligonal con el consolidado por barrio.
Análisis Poligonal a través de redes celulares o una grilla de polígonos.
6.3.1 PRIMER PASO: AGREGACION ESPACIAL
Todos los fenómenos en el espacio se encuentran relacionados entre sí, pero
más aquellos que se encuentran más cerca. El análisis de patrones puntuales
por medio del Índice del Vecino más cercano o Average Nearest Neighbor
permite comprobarlo. Este análisis permite encontrar agregación espacial,
conjunción de eventos que establecen un punto caliente o clúster. El Índice
calcula el valor medio de la distancia entre cada uno de los incidentes y su
incidente más próximo (su “vecino” más cercano) y posteriormente calcula un
índice comparando dicha medida, con el valor de la distancia media entre los
incidentes de una distribución aleatoria. Como toda prueba estadística, consta
de una Hipótesis nula, un nivel de significancia alfa y un Valor p o p-Value. Si el
p Value es menor que el nivel de significancia se rechaza la Hipótesis Nula y se
establece que la muestra no se debe al azar, en este caso que los crímenes no
se distribuyen de manera aleatoria. Por lo general el nivel se significancia tiene
valores de 0.1, 0.05, y 0.01.
La hipótesis nula para este caso es:
𝐻𝑜 = 𝐿𝑜𝑠 𝑐𝑟𝑖𝑚𝑒𝑛𝑒𝑠 𝑒𝑛 𝑍𝑖𝑝𝑎𝑞𝑢𝑖𝑟𝑎 𝑠𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑦𝑒𝑛 𝑑𝑒 𝑚𝑎𝑛𝑒𝑟𝑎 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑒𝑛 𝑒𝑙 𝑒𝑠𝑝𝑎𝑐𝑖𝑜
Esta hipótesis se rechaza cuando los valores obtenidos del índice son:
P Value: muy cercano o igual a cero
53
Z Score: Lejano a cero ( Valor obtenido de una variable estandarizada o
normalizada)
A través de la herramienta Average Nearest Neighbor (ANN) de ArcGIS 10.1 es
posible calcular el índice. Se realiza primero para los datos totales (Figura 32).
El p Value es menor que el nivel de significancia y el Z Score lejano de cero
permiten determinar que, los datos se encuentran agregados, es decir hay
evidencia estadística indicando que existen Hotspots de crímenes en el
municipio de Zipaquira por lo cual, se rechaza la hipótesis nula. El índice
también provee una distancia promedio (Observed mean distance) entre los
puntos más cercanos, la cual en este caso promedia los 26 metros, esto
ayudara en dos pasos siguiente: la determinación visual de los Hotspots y los
lugares de victimización reiterada, o mejor dicho, los lugares donde más se
presentan delitos en ese radio de acción
Figura 32 Cálculo del Índice ANN. Fuente: Creación Propia
54
6.3.1.1 VICTIMIZACION REITERADA
Una de las prioridades de las autoridades siempre ha sido localizar esos
lugares donde se concentra la mayor cantidad de delitos, pero también hay
lugares puntuales donde la repetición es casi horaria. Estos puntos o lugares
conocidos popularmente como las esquinas o calles más peligrosas muestran
un patrón individual casi único, ya que pueden ser dominados por un solo
delincuente o una banda con objetivos comunes.
Este análisis es solo una visión general del territorio antes de entrar de lleno al
campo de los Hotspots. Es un análisis gráfico, generado a través de las
herramientas Integrate y Collect Events del Sistema de Información geografica.
La primera herramienta permite unir los puntos cercanos en un radio de 26
metros en una sola capa y la segunda los suma o genera una nueva variable
cuantitativa sobre el grupo de puntos.,
Los resultados mostrados en el mapa de victimización reiterada (Anexo C)
indican que los puntos con mayor reincidencia de delitos son:
El parque de la Independencia el cual es conocido como la zona rosa del
municipio
La Calle 1 con Carrera 10
La Carrera 15 con Calle 4
El parque de La Esperanza
La Carrera 10 con Calle 8,
Sectores de los Barrios La Concepción y el CPR Bolivar 83.
6.3.2 SEGUNDO PASO: AUTOCORRELACION ESPACIAL
El auto correlación es la propiedad de un conjunto de datos geográficamente
distribuidos que muestran un patrón de organización44 . Este patrón de
organización tiene referencia directa a la conformación de Hotspot, indicando
que las actividades criminales en un espacio geográfico están relacionadas con
aquellas más próximas o cercanas. Este tipo de auto correlación prueba la
primera ley geográfica de Tobler (1970) (en Miller, 2004) de que "todo está
relacionado con todo lo demás, pero que las cosas cercanas están más
relacionadas que las cosas distantes45.
44
Upton, G.J. y B. Fingleton, Spatial data analysis by example, volume 1: Point pattern and quantitative data. 1985. 45
http://dds.cepal.org/infancia/guia-para-estimar-la-pobreza-infantil/guia-contenido-442.php
55
La auto correlación espacial se mide a través de dos pruebas estadísticas, el
test I de Moran y el Test Getis-Ord GI, el primero indica la correlación espacial
global, indicando si hay evidencia de clúster en alta o baja escala, y el segundo
permite el mapeo de los clúster, indicando la significancia estadística de los
puntos de investigación mostrando Hotspots puntos de alta concentración de
fenómenos y ColdSpots, puntos de baja concentración de un fenómeno.
6.3.2.1 Test I de Moran
El I de Moran (Moran’s I) es una medida geográfico-estadística que indica el
grado de correlación entre valores de unidades territoriales. El valor de este
índice varía entre -1 y +1, donde los valores negativos indican un
conglomerado espacial de unidades territoriales con valores de análisis
distintos y los valores positivos indican un conglomerado espacial de unidades
territoriales con valores de análisis similares, sean estos altos o bajos. Los
valores del I de Moran cercanos a cero indican la falta de una relación espacial
entre los valores de análisis. El I de Moran global representa una estadística
resumen que indica la intensidad de auto correlación entre grupos de unidades
territoriales, pero no identifica el patrón de estas relaciones espaciales.
Mediante la herramienta Spatial Correlation (Moran’s I) del software ArcGIS
(figura 33), se realiza el análisis de la tendencia territorial de los crímenes en el
municipio, utilizando la información recopilada en la agregación de datos del
primer paso del análisis de Hotspots. Como toda prueba estadística, el test I de
Moran parte de una hipótesis nula, un nivel de significancia y un Valor p.
𝐻𝑜 = 𝐿𝑜𝑠 𝑐𝑟𝑖𝑚𝑒𝑛𝑒𝑠 𝑒𝑛 𝑍𝑖𝑝𝑎𝑞𝑢𝑖𝑟𝑎 𝑠𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑦𝑒𝑛 𝑑𝑒 𝑚𝑎𝑛𝑒𝑟𝑎 𝑎𝑙𝑒𝑎𝑡𝑟𝑜𝑟𝑖𝑎 𝑒𝑛 𝑒𝑙 𝑒𝑠𝑝𝑎𝑐𝑖𝑜
El cálculo entrega los Valores Z y p, los cuales rechazan la hipótesis nula en
los siguientes casos:
El valor de p es significativamente estadístico (Valor p <Nivel de
significancia) y el valor de Z positivo: Puede rechazar la hipótesis nula.
La distribución espacial de los valores altos y los valores bajos en el
dataset está más agrupada espacialmente de lo que se esperaría si los
procesos espaciales subyacentes fueran aleatorios.
El valor de p es significativamente estadístico (Valor p <Nivel de
significancia) y el valor de Z negativo: Puede rechazar la hipótesis nula.
La distribución espacial de los valores altos y los valores bajos en el
dataset está más dispersa espacialmente de lo que se esperaría si los
procesos espaciales subyacentes fueran aleatorios. Un patrón espacial
disperso suele reflejar algún tipo de proceso competitivo: una entidad
56
con un valor alto rechaza a otras entidades con valores altos; del mismo
modo, una entidad con un valor bajo rechaza a otras entidades con
valores bajos.
Figura 33 Sumario del cálculo de Índice Moran’s I para los crímenes en el municipio de Zipaquira. Fuente Creación propia
Con los Valores de p y Z se rechaza la hipótesis nula, y se concluye que
Zipaquira existen Hotspots, con alta concentración de crimen abarcando un
área geografica marcada y delimitada la cual no es parte de un proceso
aleatorio.
57
6.3.3 AUTO CORRELACION ESPACIAL INCREMENTAL: DETERMINANDO
LA ESCALA
Mide la auto correlación espacial de una serie de distancias (Spatial
Autocorrelation by Distance) y, de manera opcional, crea un gráfico de línea de
esas distancias y sus correspondientes Z scores (Figura 34). Los Z scores
reflejan la intensidad del clustering espacial y los Z scores pico
estadísticamente significativas indican las distancias donde los procesos
espaciales que promueven el clustering son más marcadas.
El resultado obtenido es:
Figura 34 Spatial Autocorrelation by Distance de los crímenes en patrón puntual. Fuente Creación propia
Las distancias donde la correlación es más alta son 801, 91 metros y 1757,17
metros. Estos Z score indican la medición del I de Moran en varias direcciones
y distancias diferentes encontrando su mayor punto de significancia estadística.
La prueba estadística muestra que la distancia en la cual hay mayor
significancia estadística y hay clustering más alto es a los 1757 metros.
58
6.3.4 TERCER PASO: MAPEO HOTSPOTS – TEST GETIS-ORD GI* E
INTERPOLACION
En este punto ya se tienen claras dos cosas, tenemos auto correlación
especial, y hay agrupación de fenómenos crimínales en el municipio. El test
Getis-Ord GI, entregara no solamente la delimitación de los Hotspots, si no la
significancia estadística de los puntos con respecto a los demás dependiendo
del ratio calculado anteriormente.
La herramienta Análisis de puntos calientes calcula la estadística Gi* de Getis-
Ord (que se pronuncia G-i-estrella) para cada entidad en un dataset. Las Z
score y los p Value resultantes indican dónde se agrupan espacialmente las
entidades con valores altos o bajos. Esta herramienta funciona mediante la
búsqueda de cada entidad dentro del contexto de entidades vecinas. Una
entidad con un valor alto es interesante, pero es posible que no sea un punto
caliente estadísticamente significativo. Para ser un punto caliente
estadísticamente significativo, una entidad debe tener un valor alto y también
estar rodeada por otras entidades con valores altos. La suma local para una
entidad y sus vecinos se compara proporcionalmente con la suma de todas las
entidades; cuando la suma local es muy diferente de la esperada, y esa
diferencia es demasiado grande como para ser el resultado de una opción
aleatoria, se obtiene como consecuencia una puntuación z estadísticamente
significativa46.
Así es que a cada punto se le asigna un valor Z y p, dentro de la tabla de
atributos. Esta herramienta se maneja a través de una variable cuantitativa,
como se menciona en el Análisis estructural de los datos.
La interpolación de los puntos obtenidos en este aparte se realizó mediante el
método de Distancia Inversa Ponderada o IDW por sus siglas en ingles. Este
método presupone que la variable que se representa cartográficamente
disminuye su influencia a mayor distancia desde su ubicación de muestra. En
este caso los valores Z fueron interpolados y se obtuvo una superficie
suavizada con respecto al patrón puntual. Es necesario indicar que este
método se basa en la asignación de pesos a cada punto en función de la
distancia inversa a la distancia que lo separar del punto a calcular. Se utilizó
este método debido a que la variable crimen no se considera continua en el
46
https://pro.arcgis.com/es/pro-app/tool-reference/spatial-statistics/h-how-hot-spot-analysis-getis-ord-gi-spatial-stati.htm
59
espacio y como se observó anteriormente tampoco tiene una distribución
normal.
El mapa de Hotspots de patrón puntual (Anexo D) muestra una tendencia
centralizada, indicando que la mayoría de fenómenos criminales en el
Municipio se concentran en el centro del mismo. Los crímenes presentados en
los barrios Algarra I y II, Casablanca, El Centro, Tejar, La Concepción, La
Esmeralda, La Floresta, Potosí III, Samaria, San Pablo, Terraplén, San Antonio
Reservado, Coclies, CPR Bolivar 83, San Pablo, Julio Caro y El Codito son
aquellos que tienen mayor significancia estadística, eso quiere decir que su Z
Score es más alto en estos lugares lo cual indica una alta concentración y
contigüidad de delitos. Esto comprueba de nuevo, la teoría de la centralidad de
Burgees, indicando mayores valores alrededor de la zona céntrica de la ciudad.
A pesar de esto, también encontramos significancia media en barrios contiguos
a la zona central, tales como la Floresta, Potosí I II y III, América 500 años, La
Esmeralda, Liberia, San Carlos, Algara III, Las Villas,
El resto de barrios se encuentran en la zona transicional y en la zona fría o de
ColdSpots. El hecho que no sean estadísticamente significativos no
necesariamente indican que san los más seguros, lo único que indican es que
en estos lugares, los delitos no presentan una alta agrupación y se distribuyen
separadamente en el espacio.
6.3.5 POLIGONOS Y FISHNETS: OTRO PUNTOS DE VISTA DE HOT SPOTS
Si bien el análisis anterior fue realizado enteramente sobre patrones puntuales
agregados en el espacio, entrego un resultado satisfactorio, indicando ya los
lugares con mayor concentración criminal en el municipio de Zipaquira. Pero
que sucede si cambia el patrón espacial? Cambian los resultados? La auto
correlación espacial disminuye o aumenta? El enfoque en el estudio criminal
debe abarcar todas las posibilidades existentes y revisar todos los escenarios.,
para sí encontrar la mejor manera de describir el fenómeno espacial como tal.
En este punto se analizaran los Hotspots del municipio de Zipaquira por medio
de patrones poligonales: Barrios y Fishnet.
6.3.5.1 Análisis por Barrio Catastral
Desde el punto de vista popular, por lo menos en ciudades medias y pequeñas
la zonificación criminal no se da muchas veces por fenómenos localizados en
un lugar en particular, por ejemplo un parque o una intersección vial, si no por
un barrio completo. Este enfoque social a parte de la estigma que trae a todos
los pobladores un barrio en particular, también infiere un rechazo a la
60
comunidad entera de ese espacio geográfico muchas veces llevado solamente
por la condición socioeconómica.
De acuerdo al análisis estadístico, en el municipio de Zipaquira el barrio con
más delitos es El Centro, que a su vez es el eje del turístico y económico ya
que se encuentran todas las actividades relacionadas con esos sectores
productivos.
El test Moran’s I para el caso de los barrios catastrales (Figura 35), indica que
existe evidencia de clusterizacion a gran escala o sea, los Hotspots serán la
conglomeración de barrios donde el índice de crímenes es más alto. En este
caso el Valor p se encuentra cercano a un nivel de significancia del 0.05, a
pesar de encontrarse en el espectro se rechaza la hipótesis nula ya que se
encuentra en el nivel de tolerancia evitando así incurrir en errores tipo I y II
Figura 35 Sumario del cálculo de Índice Moran’s I para los crímenes en el municipio de Zipaquira por barrio. Fuente Creación propia
Por otro lado, el Índice Average Nearest Neighbor, indica que no hay evidencia
de agrupamiento de datos (Figura 36), debido a la gran extensión de ciertos
barrios a comparación de otros, también porque entre un barrio y otro puede
existir una gran disminución de la actividad criminal. Pero esto no indica
61
necesariamente que no existan Hotspots, como se mencionó anteriormente el
Índice solo muestra la agrupación mas no la auto correlación espacial. La
distancia media calculada para la auto correlación espacial incremental es de
180 metros.
Figura 36 Cálculo del Índice ANN por barrios. Fuente: Creación Propia
Con respecto al auto correlación espacial incremental (Figura 37), se observa
una disminución de la distancia donde se encuentra la mayor significancia
estadística, indicando que un análisis regional tiende a reducir los umbrales
actuando ya como un compendio de fenómenos criminales más amplio, y no en
un pequeño radio determinado como en el caso del análisis puntual.
Para este caso la distancia o ratio es de 788 metros para el cálculo de los
Hotspots.
62
Figura 37 Spatial Autocorrelation by Distance de los crímenes por barrio. Fuente Creación propia
Los resultados del test Getis Ord-GI*, mostrados en el mapa de Hotspots por
Barrios (Anexo E) muestran una clara tendencia de agrupar aquellos barrios
con mayor índice delictivo que se encuentran cercanos al barrio El Centro.
Barrios como Algara I II y III, La Concepción, Altamira, Terraplén, La Floresta,
San Pablo, y La Esmeralda, son Hotspots identificados claramente.
Pero que pasa por ejemplo con el barrio San Rafael, donde su índice delictivo
es alto y no está incluido como Hotspot? Se debe a que su distancia con
respecto al mayor indicador de crimen del municipio, o sea El Centro
sobrepasa la distancia máxima de significancia estadística, y no tiene ningún
otro barrio circundante con también un numero alto de delitos, por lo cual se
encuentra en la zona de significancia nula.
6.3.5.2 Fishnet
Para este análisis en particular, es necesario crear una red poligonal o fishnet.
Esto se realiza con el fin de tener un polígono de tamaño promedio, con
distribución uniforme en el espacio, donde será relacionado espacialmente con
63
los delitos incluidos en su interior, esto con el fin de tener mayor refinamiento
en el cálculo poligonal, caso que no se dio con el polígono de barrios.
Se creó una fishnet, con polígonos de 100 metros cuadrados, ya que es el área
promedio de las manzanas catastrales en el municipio de Zipaquira. Después
se realizó un Spatial Join con respecto a los puntos de investigación en la zona
urbana, sumando los totales de delitos por cada polígono creado. De esta
intersección, se crearon 314 polígonos que serán utilizados en el análisis.
El índice Moran’s I indica clusterizacion a gran escala (Figura 38), rechazando
así la hipótesis nula. También hay presencia de Hotspots de gran escala, igual
que los dos métodos anteriores, lo cual lleva a concluir que el municipio de
Zipaquira tiene solamente un Hotspot generalizado en su territorio.
Figura 38 Sumario del cálculo de Índice Moran’s I para los crímenes en el municipio de Zipaquira por Fishnet. Fuente Creación propia
Igual que en el caso anterior con los barrios catastrales, el índice Average
Nearest Neighbor se muestra una dispersión de datos (Figura 39), teniendo
una distribución aleatoria del mismo en el espacio. Esto se debe a la
64
agrupación arbitraria de los datos dentro de las celdas del fishnet y su
consolidación como una variable cuantitativa dentro del espacio geográfico. La
distancia promedio en este caso son 87 metros para la auto correlación
espacial incremental.
Figura 39 Cálculo del Índice ANN por Fishnet. Fuente: Creación Propia
La auto correlación espacial, muestra una tendencia similar (Figura 40),
alcanzando su valor máximo a los 1039 metros, mostrando que su escala
disminuye con respecto al patrón puntual. Eso lleva a una conclusión general.
Entre más grande sea el espacio de análisis geográfico (barrio catastral por
ejemplo), más pequeña será la distancia donde la correlación espacial toma su
mayor valor, debido a que la consolidación de los totales de los delitos varía de
un patrón espacial a otro.
65
Figura 40 Spatial Autocorrelation by Distance de los crímenes por Fishnet. Fuente Creación propia
Los resultados del test Getis Ord-GI*, mostrados en el mapa de Hotspots
Fishnet (Anexo F) muestran una clara tendencia de agrupar los Hotspots muy
similar al patrón puntual, mostrando mayor refinamiento de los resultados, ya
que la distribución respeta su posición y no la sustrae a un solo punto donde se
pierde cada referencia geografica. Se puede decir que espacialmente esta es la
representación más exacta de los Hotspots y ColdSpots ya que se reduce la
zona de transición o de nula significancia estadística y se muestra más
fielmente lugares exactos de alto índice de criminalidad, ayudando así a una
acción más eficaz en ciertos casos.
A pesar de esto, la tendencia es la misma, el Hotspot más representativo
abarca la zona de los Barrio san Pablo, El Centro, La Concepción, Casablanca,
Terraplén, Altamira, La Esmeralda, La Floresta, Algarra I II y II.
Los tres métodos demostraron la distribución espacial agregada del crimen en
el municipio, indicando la gran extensión que tiene el Hotspot en Zipaquira y
también su incidencia en el eje de desarrollo municipal: El Centro Histórico. A
pesar de ser un municipio enteramente turístico y tradicional se ve el descuido
de su zona más importante en el tema de seguridad cuando debería ser lo
opuesto. También permite concluir que los barrios alejados del centro del
municipio, a pesar de tener delitos en su territorio, muestran una clara
tendencia a la dispersión por lo cual llevaría a pensar que las acciones contra
la delincuencia deberían tener enfoques diferentes y diferentes metodologías
de prevención y corrección.
66
6.4 CONSOLIDACION DE BASE DE DATOS GEOGRAFICA
Los resultados de cualquier investigación científica deben estar debidamente
organizados y consolidados dentro de algún de sistema para su posterior
consulta y mejora. En este caso, los Sistemas de Información Geografica no
solamente son herramientas de visualización y análisis, también ayudan al
investigador a organizar su información primaria y los resultados en una sola
base de datos o Geodatabase.
La ventaja de tener una Geodatabase en un proyecto es la capacidad de
almacenar no solo información alfa numérica como en este caso las
descripciones de los diferentes crímenes presentados en el municipio, también
permite el almacenamiento de información geografica en formato raster y
vector, con principios geométricos y topológicos establecidos.
La estructura de almacenamiento en una Geodatabase se basa en sus
relaciones y el tipo de información (Figura 41). El formato raster básicamente
son imágenes georeferenciadas y orto rectificadas que no poseen atributos a
parte de los valores de sus pixeles, y la información vector que tiene una parte
espacial y alfanumérica.
Figura 41 Estructura de almacenamiento de una Geodatabase. Fuente: http://gisgeography.com/geodatabase-personal-file/
La información vector se conforma de tres elementos geométricos elementales:
Punto, Línea y Polígono desplegados en forma de Feature Class o Shapefile
que pueden ser relacionados con Tablas para así acceder a más información.
67
Esto permite usar herramientas de análisis espacial y de bases de datos para
procesar la información y obtener nuevos Feature Classes.
6.4.1 BASES DE DATOS GEOGRAFICAS EN EL ANALISIS DEL CRIMEN
La organización y diferenciación de los crímenes para su análisis es una tarea
inicial y primordial para el proceso. Como se mencionó en la Etapa 1 , la
Información Geografica Voluntaria obtenida del crowdsourcing y la oficial
entrega por la policía nacional fue organizada, clasificada y geocodificada en
un shapefile, para su posterior análisis espacial y geoestadístico.
Paralelamente los demás datos relacionados al crimen como su localización,
denunciante y fecha entre otros, se encontraba consignado en una archivo
Excel.
La información primaria, organizada y depurada está ubicada en la
Geodatabase como:
Feature tipo punto denominado Ptos_Inv
Tabla denominada ENCUESTAS
Para un mejor manejo de la información se estableció una simple relación entre
el Feature y la tabla (Figura 42), unidos por la llave denominada ID_SIG. Esta
llave es un código asignado de acuerdo al tipo del delito y el orden dado por la
fuente de los datos. Primero se establecieron los códigos para la Información
Geografica Voluntaria y después para la información oficial, asignando a cada
tipo de delito un dominio:
Hurto: HTO
Lesiones Personales: LP
Consumo y distribución de drogas: CCD
Riñas: RN
68
Figura 42Relación entre El Feature Class y La Tabla obtenida en la Etapa 1. Fuente: Creación Propia
Claramente la relación de cardinalidad entre las entidades es 1:1, a pesar que
exista correlación espacial como se demostró en la etapa 3, cada evento es
independiente en su espacio y tiempo. Este punto inicial requería más
herramientas para llevar a cabo un análisis más preciso y cuyos resultados
estuvieran acorde a la realidad del municipio.
6.4.2 COMPLEMENTANDO LA INFORMACION
A pesar de tener bastante información con respecto a los crímenes aún faltaba
algo muy importante, la delimitación de la zona urbana y los barrios catastrales.
De acuerdo con los planos entregados por la Secretaria de Planeación
Municipal, se inició el proceso de digitalización de la información
complementaria, incluyéndola en como Feature Classes Tipo polígono (Figura
43). La necesidad de delimitar la zona urbana nace de la teoría mencionada
anteriormente del estudio del crimen como fenómeno urbano y la inclusión de
los barrios debido al análisis estadístico y espacial. La cardinalidad en este
caso se da de acuerdo a la cantidad de barrios en la zona urbana y los Centros
Poblado Rurales en el municipio.
Cada clase representa un Feature Class o tabla (Anexo G), y se muestran sus
respectivas operaciones de análisis espacial, también proveen una visión
general del flujo de procesos utilizados en el proyecto. Este procedimiento se
realizó paralelamente a las etapas de investigación, compilando sus resultados
a medida que se presentaban y comprobando a cada paso la veracidad del
modelo estructural de la base de datos.
69
Figura 43 Relación entre La zonas urbana y rural con respecto a los barrios. Fuente: Creación Propia
6.4.3 MODELO UML
La representación gráfica de sistemas o procesos en ingeniería es vital. Esta
representación debe ser orientada a describir los procesos de la manera más
sencilla y eficaz, utilizando un lenguaje de modelado estandarizado, evitando
así dificultades al momento de la implementación, en este caso de una
Geodatabase. Con este objetivo se creó el Lenguaje Unificado de Modelado
(UML: Unified Modeling Lenguage). UML se ha convertido en ese estándar tan
ansiado para representar y modelar la información con la que se trabaja en las
fases de análisis y, especialmente, de diseño47.
El objetivo de modelar un sistema o proceso, en si es entender y capturar lo
esencial en todo el procedimiento. Esta abstracción representa todas las
acciones involucradas para lograr un objetivo. Como todo lenguaje, el UML
proporciona una seria de vocabulario y reglas para su aplicación, pero esto
permite solo el modelamiento más no la construcción del sistema.
47
HERNANDEZ, Enrique. El Lenguaje Unificado de Modelado. Manuales formativos ACTA. 2002
70
En la construcción de una base de datos geografica que contiene el análisis del
crimen en el municipio de Zipaquira, se utilizó esta representación gráfica para
entender las relaciones y diferentes interacciones de la información geografica
y alfanumérica, así como su operaciones y sus resultados. Las relaciones
mostradas anteriormente hacen parte de ese modelo UML por medio de un
diagrama de clases.
Los atributos mostrados en cada clase con sus relaciones mostradas en el
modelo, se encuentran desglosadas debidamente en el diccionario de datos
(Anexo H) el cual es complementario a la base de datos y es el paso final de la
recopilación y organización de la información obtenida en el presente proyecto.
71
7. CONCLUSIONES
La situación actual de criminalidad en el municipio de Zipaquira, muestra no
solamente un problema social, también estructural e institucional. A partir de la
información recopilada y los procedimientos realizados, así como de las
estadísticas calculadas se concluye lo siguiente:
La denuncia es totalmente necesaria para combatir el delito, sin este
elemento la lucha en contra del crimen es infructuoso. A pesar del
levantamiento de bastante información, se evidencio una falta del
compromiso ciudadano en iniciar un procedimiento judicial y muchas
veces sus protestas se quedaban en solo replicas e insultos a través de
las redes sociales.
El compromiso de las autoridades municipales con respecto al uso de
elementos que aporten a la seguridad del municipio es bajo. Se solicitó
información de vital importancia para el desarrollo del proyecto, pero no
se pudo tener acceso a la misma, como por ejemplo la ubicación y el
estado de las cámaras de seguridad en el municipio.
A partir de los altos índices de delitos en ciertos sectores del municipio,
es necesario iniciar procedimiento efectivos que garanticen la seguridad
no solamente de los pobladores, pero también de los turistas que visitan
el municipio a diario. Como se evidencio en los Mapas de Hotspots, la
tendencia de concentración del crimen apunta a la zona histórica del
municipio, también como a barrios tradicionales, barrios de estrato
medio alto y otros barrios cuya percepción de seguridad es nula o baja.
Es necesario implementar más controles de seguridad en una zona
específica del municipio como lo es el Parque de la independencia, el
cual tuvo los índices más altos de delitos en sus cuatro denominaciones,
teniendo como punto más frecuente la esquina de la Calle 4 con Carrera
6 como se evidencia en el mapa de Victimización reiterada. El análisis
más profundo de la Victimización reiterada podría llevar a reconocer
individualmente a bandas que operen en este sector, incluso llegando al
nivel del detalle del modus operandi.
La Información Geografica Voluntaria es una herramienta válida de
recolección de datos, la cual ayudo al investigador a compilar
información verídica de primera mano, con detalle geográfico y con un
72
contexto social puntual, mostrando no solamente una ubicación espacial,
sino también la frustración de la ciudadanía Zipaquira con respecto al
flagelo del crimen y la respuesta institucional. Este tipo de consecución
de información es válido y hace parte de la geografía con un enfoque
digital y postmoderno el cual puede ayudar a los actores sociales a
combatir la mayoría de los problemas sociales.
La implementación de los Sistemas de Información Geografica en el
análisis del crimen es una necesidad básica por parte de los entes
locales. Estas herramientas no solamente ayudan a visualizar
puntualmente los crímenes, también como se mostró, se pueden realizar
diferentes análisis, mostrar una problemática conjugada en el espacio
geográfico y ayudar en la toma de decisiones.
Por último, la perspectiva a futuro debería incluir la constante
alimentación de la base de datos geografica resultante del presente
estudio. Esto puede ayudar a hacer análisis casi diarios sobre el
fenómeno criminal en el municipio, detallando las tendencias y los
patrones espaciales y determinar si el crimen en el municipio asciende o
desciende de acuerdo a las estrategias tomadas a partir del análisis de
la información.
73
8. RECOMENDACIONES
La organización de la información a través de Google Maps por parte de
la Policía demuestra su interés en un enfoque geográfico, lo cual ayudo
mucho en la parte investigativa. Aun así, se encontraron muchos datos
los cuales se encontrar georeferenciados de manera errónea. Por eso es
necesario encomendar esta tarea a personas idóneas que trabajen
mancomunadamente con el cuerpo de seguridad para no entrar en
errores que pueden llevar a una conclusión errónea en este tipo de
investigaciones.
El apoyo interinstitucional es primordial para entender fenómenos
espaciales y sociales, y así encontrar una manera de enfrentarlos. La
implementación de grupos de trabajos enfocados en el análisis espacial
del crimen es una tarea que se viene realizando desde hace varios años
en muchas partes del mundo. En el caso del municipio de Zipaquira y su
situación actual, es imperativo generar estos grupos que trabajen
directamente con la Policía nacional y la alcaldía municipal como apoyo
a sus laborales en prevención y mitigación del delito.
Impulsar mecanismos de participación ciudadana en la lucha contra las
actividades delictivas en el municipio. Es necesario generar
herramientas de apoyo en la lucha contra el delito, y así retomar la
confianza de la ciudadanía en general. El uso de la herramienta del
crowdsourcing puede ser vital para este fin. El uso de redes sociales
donde las entidades locales y del orden tengan contacto directo con la
ciudadanía puede ser un gran impulso para generar nuevamente
empatía y confianza.
La información debe ser más detallada y organizada. Como se mencionó
anteriormente el uso de la herramienta de Google Earth fue un gran
avance, a pesar de su falta de exactitud en unos casos. Pero si se
incluye más información, se puede llegar a un nivel de análisis mucho
más avanzado, no solamente espacial sino temporal unido a una
categorización más exacta de los crímenes en el municipio. Por ejemplo
, el crimen hurto puede ser más específico si se organiza de acuerdo al
modus operandi (Atraco, robo a residencia , robo a establecimiento
comercial, fleteo).
La implementación de herramientas SIG es una necesidad vital en la
generación de estrategias para combatir el crimen. La consolidación de
74
una base de datos geografica ayudara a los entes locales a tomar
decisiones radicales sobre cómo enfocar sus esfuerzos y distribuir
personal policial, así como encontrar los lugares más idóneos para la
instalación de nuevos recursos tecnológicos como cámaras de
seguridad, o la construcción de nuevos puntos de atención inmediata a
la ciudadanía como Subestaciones de policía.
75
9. BIBLIOGRAFIA
ArcGIS. Cómo funciona Análisis de puntos calientes (Gi* de Getis-Ord) (2017)
(https://pro.arcgis.com/es/pro-app/tool-reference/spatial-statistics/h-how-hot-
spot-analysis-getis-ord-gi-spatial-stati.htm) Consultado: 06-04-3017
Aprecuz, Noticias de Zipaquira. Nuevas cámaras de seguridad en Zipaquira.
(2014) (http://www.aprecuz.com.co/noticias-de-zipaquira/nuevas-camaras-de-
seguridad-en-zipaquira) Consultado: 06-02-2017
CEPAL. Guía para estimar la pobreza infantil. (2014)
(http://dds.cepal.org/infancia/guia-para-estimar-la-pobreza-infantil/guia-
contenido-442.php) Consultado: 06-05-2017
DANE. Población por municipio (2016) (https://www.dane.gov.co/files/investigaciones/poblacion/.../poblacion_colombia.XLS) Consultado: 06-02-2017 DPC Ltda Publicaciones. Despacho Publico Alcaldía de Cundinamarca (2016) (http://www.despachospublicos.com/cundinamarca/alcaldia-de-zipaquira-cundinamarca) Consultado: 06-02-2017 El Tiempo. Más de 44000 casos de violencia intrafamiliar en el país durante 2016. (http://www.eltiempo.com/archivo/documento/CMS-16687620) Consultado: 12-03-2017
El Tiempo. En el 2015, las riñas ya dejan en Colombia 1.725 muertos. (2015)
(http://www.eltiempo.com/archivo/documento/CMS-16205255) Consultado: 06-
05-2017
El Universal. Bandas criminales han encontrado su guarida en zona rural de Montería. (2016) (http://www.eluniversal.com.co/regional/cordoba/bandas-criminales-han-encontrado-su-guarida-en-zona-rural-de-monteria-alcalde) Consultado: 14-03-2017 EMERY, Xavier. Apunte de Geoestadistica. Facultad de Matemáticas
Universidad de Chile. 2007
Extra El Diario de Todos. En Zipaquira pidieron aumentar el pie de fuerza. (2016) (http://chiquinquira.extra.com.co/noticias/judicial/en-zipaquira-pidieron-aumentar-pie-de-fuerza-208022) Consultado: 06-02-2017
76
Escuela Ecológica de Chicago. (2010)
(https://es.slideshare.net/pmartine/escuela-ecolgica-de-chicago-y-las-
respuestas-marxistas) Consultado: 08_05_2017
GALLARDO, A. Geoestadistica, Ecosistemas. Articulo revista Ecosistemas.
2006
Gestiopolis. Que es el Crowdsourcing. (2016) (https://www.gestiopolis.com/que-es-crowdsourcing/) Consultado: Consultado: 13-03-2017 Geographic Information Technology Training Alliance. (2016) (http://www.gitta.info/ContiSpatVar/en/html/Interpolatio_learningObject3.xhtml) Consultado: 20-03-2017 GISGeography. What is a Geodatabase? Personal vs File Geodatabase (2017)
(http://gisgeography.com/geodatabase-personal-file/) Consultado: 02-05-2017
GORR, Wilpen. KURLAND, Kristen. GIS Tutorial, Basic Woorkbook. 2012
HARRIES, Keith. Mapping Crime: Principle and Practice. US Department of Justice. 1999 LAHOSA, Joseph. Delincuencia y ciudad, hacia una reflexión geografica comprometida. Universidad de Barcelona. 2002 LI, L. GOODCHILD, M.F., and XU, B. Spatial, temporal, and socioeconomic patterns in use of Twitter and Flickr. Cartography and Geographic Information Science. 2013 National Crime and Justice Reference Service. Mapping Crime (2016) (https://www.ncjrs.gov/html/nij/mapping/ch1_1.htm) Consultado: 13-03-2017 No solo SIG. La importancia de la Información Geográfica Voluntaria o colaborativa. (2014) (http://www.nosolosig.com/articulos/420-la-importancia-de-la-informacion-geografica-voluntaria-o-colaborativa) Consultado: 20-03-2017 OIT, Informe sobre el trabajo en el mundo. 2000.
OLAYA, Víctor. Historia de los SIG. Sistemas de información geografica. (2016) (http://volaya.github.io/libro-sig/chapters/Historia.html) Consultado: 16-03-2017 PICK, James B. Applications and Examples of Spatial Big Data and Analytics.
2013
RECHEA, María. FERNANDEZ, Esther. “Las ciencias psicosociales y el
menor”. Universidad Complutense de Castilla La Mancha. 2001
77
Revista Portafolio. Desempleo juvenil sigue en aumento y llega al 16,5%. 2016 (http://www.portafolio.co/economia/empleo/desempleo-juvenil-sigue-aumento-llego-16-ciento-497379) Consultado: 12-03-2017 Revista Semana. Los falsos desaparecidos que conmovieron a Bogotá. (2016) (http://www.semana.com/nacion/articulo/falsos-desaparecidos-en-colombia/514341) Consultado: 12-03-2017 ROSA ALVARADO, Welman. Modelo geoestadístico espacio-temporal del
crimen en El Salvador: Análisis estructural y predictivo. Revista de Matemática:
teoría y Aplicaciones. 2011
RUIZ, Alberto. SIG: Crimen y Seguridad. Análisis, predicción y prevención del fenómeno criminal. Universidad Complutense de Madrid. 2012. SALVADOR M, GARGALLO P (2003). Análisis Exploratorio de datos.
SANZ, Hernando. “La Escuela Cartográfica de Criminología Británica:
Antecedente de la Geografía del Crimen”. Anales de Geografía de la
Universidad Complutense. 1999
Transparencia mexicana. El papel de las redes sociales en la denuncia
ciudadana. (2013) (http://www.tm.org.mx/el-papel-de-las-redes-sociales-en-la-
denuncia-ciudadana/) Consultado: 06-05-2017
UPTON, G.J. y B. FINGLETON, Spatial data analysis by example, volume 1: Point pattern and quantitative data. 1985 VASQUES, Carlos. “Factores de riesgo de la conducta delictiva en la infancia y adolescencia”. 2003 WILSON, H.: “Parental supervision: a neglected aspect of delinquency”, British Journal of Criminology, Vol. 20, 1980.
Zipaquira Nuestra, un Gobierno Bonito. Nuestro Municipio (2016) (http://www.zipaquira-cundinamarca.gov.co/documentos_municipio.shtml) Consultado: 06-02-2017 Zipaquira Nuestra, un Gobierno Bonito. Nuestro Municipio (2016) (http://www.zipaquira-cundinamarca.gov.co/Territorios) Consultado: 06-02-2017
78
ANEXO A UNIFICACION DE LA INFORMACION
La metodología utilizada para organizar y depurar la información consistió en
transformar y proyectar los archivos KMZ para su visualización en el software
ArcGIS, con el fin de revisar si existía redundancia o duplicidad de puntos.
1. Conversión: A través de la herramienta KML to Layer (Figura 47) del
ArcTool Box se realizó la conversión de todos los archivos KMZ a formato
LYR. Después de exporto a formato SHP manipular más fácilmente la
información.
Figura 44 Transformación inicial de los datos Fuente: Creación propia
2. Transformación de sistema de coordenadas: Debido a que Google Earth
maneja el sistema coordenado WGS84, es necesario transformarlo al
sistema oficial local para su mejor manejo. Por medio de la Herramienta
Project de ArcTool Box se transformó al sistema GCS_Magna, con
proyección Magna Colombia Bogotá.
3. Depuración de información redundante: Para tener más certeza de la
información entregada por la policía, se realizó una depuración basado en la
posible duplicidad de la información; esto inferido al momento de revisar las
coordenadas de varios puntos al azar donde se encontraron coincidencias.
A través de la herramienta Find Identical (Figura 48) se realizó el análisis de
información repetida. Esta arrojo los siguientes resultados:
Hurto: Ningún dato repetido
Consumo y expendio de estupefacientes: Cuatro datos repetidos.
Riñas: Tres datos repetidos
79
Lesiones personales: Un dato repetido.
Figura 45 Análisis de Información repetida. Fuente: Creación propia
4. Organización de la información: Se exporto la información de la tabla de
atributos de los archivo SHP depurada a Excel y se inició el proceso de
organización de la información contenida en las etiquetas de los puntos
georeferenciados en Google Earth (Figura 49). La organización se
realizó registro a registro, ya que los campos no son uniformes y no son
fácilmente separables.
Figura 46 Información oficial organizada. Fuente: Creación propia
80
Después de consolidar dos fuentes de información importantes, es necesario
confrontar y revisar para descartar datos que puedan repetirse agregando así
información extra y desechable de la muestra. Tanto la información oficial de la
policía, como la no oficial de redes sociales, se consolidaron teniendo en
cuenta estándares preestablecidos para no incurrir en errores en el momento
de su procesamiento. Debido a que los datos provenientes de la Información
geografica Voluntaria se componen de denuncias de robos, solo fue
comparable con una fuente de información oficial, la información extraída del
archivo KMZ sobre el delito de Hurtos.
Las dos muestras fueron comparadas bajos los siguientes parámetros:
Análisis de Proximidad: Zona de Influencia de 20 Metros que es la
distancia promedio entre esquinas. Si hay uno o más puntos
coincidentes se hace la verificación (Figura 50).
Análisis Temporal: Si las fechas de ambos acontecimientos coinciden,
se procede a eliminar el punto de la base de datos no oficial.
Figura 47 Análisis de Proximidad Información oficial Vs. Información Geografica Voluntaria
Un total de 10 puntos cumplen el parámetro establecido de Análisis de
Proximidad. Esto indica que solo el 7.04% de los puntos obtenidos mediante
redes sociales tienen coincidencia espacial con aquellos suministrados por la
policía.
81
INFORMACION REDES SOCIALES INFORMACION OFICIAL
Dirección Fecha Dirección Fecha
Centro Comercial Alhambra
13/10/2016 Carrera 10 entre Calle 4 y Calle 5
13/10/2016
Calle 4 con carrera 6 10/01/2016 Calle 4 con carrera 6 05/11/2016
Calle 26 con carrera 17 12/03/2016 Calle 26 con carrera 17 07/11/2016
Diagonal 4 con calle 27 01/06/2016 Diagonal 4 con calle 27 02/11/2016
Carrera 5 7 46 15/03/2016 Calle 8 con carrera 5 15/08/2016
Carrera 9 con Calle 10 31/05/2016 Carrera 9 con Calle 10 01/11/2016
Carrera 7 con Calle 18 14/08/2016 Carrera 7 con Calle 18 28/10/2016
Carrera 10 con Calle 8 15/06/2016 Carrera 10 con Calle 8 25/10/2016
Calle 15 entre carrera 10 y 11
03/06/2016 Calle 15 entre carrera 10 y 11
28/07/2016
Calle 26 con carrera 17 19/08/2016 Calle 26 con carrera 17 19/08/2016
Tabla 5 Análisis Temporal
Después de los Análisis de Proximidad y Temporal, solo se encuentran
coincidencias en dos casos (Tabla 5) La razón más probable detrás de esta
coincidencia puede ser la falta de más información por parte de los ciudadanos
al momento de comentar su caso en las redes sociales o al momento de
redactarlo al Community manager de la comunidad online. Con los datos
totalmente depurados se tiene una base de datos unificada para el estudio así
como la definición de variables a utilizar en el análisis espacial y estadístico.
:
82
ANEXO B DELITOS POR BARRIO Y DIA CON MAS DELITOS
A pesar de la alta tasa de delitos en el municipio de Zipaquira, varios barrios o
urbanizaciones no tuvieron ningún incidente reportado. Esto necesariamente no
quiere decir que sean los lugares más seguros del municipio, la falta de
denuncia por parte de la ciudadanía y su concepción de la falta de operación
de las autoridades llevan a tener perdida de datos importantes para este tipo de
estudios. Sin embargo, la muestra obtenida indica, que 59 barrios tuvieron al
menos 1 incidente reportado en el año 2016 (Tabla 6).
BARRIO CONSUMO Y DISTRIBUCION
DE DROGA
HURTO LESIONES PERSONALE
S
RIÑAS TOTAL
BARRIO SAN ANTONIO
0 0 0 1 1
BARRIO VILLAS DEL ROSARIO
0 1 0 0 1
HACIENDA SAN RAFAEL
0 0 0 1 1
SANTA ISABEL I 0 1 0 0 1
URBANIZACION BOSQUES DEL ZIPA
0 0 0 1 1
URBANIZACION SAN ANTONIO RESERVADO
0 0 1 0 1
ZONA INDUSTRIAL 0 1 0 0 1
BARRIO AMERICA 500 AÑOS
0 1 0 1 2
BARRIO LOS CEDRALES
0 0 1 1 2
BARRIO POTOSI III 0 0 1 1 2
URBANIZACION ALCOPALVI
0 0 0 2 2
URBANIZACION CIUDADELA LA ARBOLEDA
1 0 1 0 2
URBANIZACION MOLINER
1 0 0 1 2
BARRIO EL CEDRO 0 0 0 3 3
BARRIO POTOSI II
0 0 0 3 3
BARRIO SANTA CLARA
1 1 0 1 3
BARRIO SANTA MONICA
0 1 0 2 3
83
BARRIO CONSUMO Y DISTRIBUCION
DE DROGA
HURTO LESIONES PERSONALE
S
RIÑAS TOTAL
URBANIZACION SANTA RITA I
0 1 0 2 3
URBANIZACION URICIA
1 1 0 1 3
URBANIZACION VILLA LUZ
0 0 0 3 3
BARRIO COMUNEROS I
2 0 0 2 4
BARRIO POTOSI I 0 2 0 2 4
BARRIO SAMARIA 0 1 1 2 4
BARRIO VILLA MARIA
0 2 0 2 4
URBANIZACION PRADOS DEL MIRADOR
1 1 0 2 4
URBANIZACION UNIVIVIR
0 0 0 4 4
BARRIO COCLIES 0 1 0 4 5
BARRIO EL RODEO 0 1 0 4 5
BARRIO LA PAZ 0 2 1 2 5
BARRIO PRIMERO DE MAYO
1 0 0 4 5
URBANIZACION VILLA MARINA
0 4 0 1 5
BARRIO EL TEJAR 1 3 1 2 7
BARRIO LA FLORIDA
0 1 0 6 7
BARRIO RINCON DEL ZIPA
0 1 1 5 7
BARRIO CASABLANCA
1 1 2 4 8
URBANIZACION ESTACION SALINAS
0 3 0 5 8
BARRIO LAS VILLAS DEL ZIPA
0 6 0 3 9
BARRIO EL CODITO 7 1 0 2 10
BARRIO ALGARRA I
0 6 0 5 11
BARRIO EL REPOSO
1 6 0 4 11
BARRIO SANTA ISABEL
3 5 0 4 12
BARRIO COMUNEROS II
0 5 1 7 13
84
BARRIO CONSUMO Y DISTRIBUCION
DE DROGA
HURTO LESIONES PERSONALE
S
RIÑAS TOTAL
BARRIO ALTAMIRA 3 3 0 8 14
BARRIO EL PRADO 3 4 1 8 16
BARRIO LIBERIA 5 5 1 8 19
BARRIO SAN JUANITO
1 1 1 16 19
BARRIO JULIO CARO
1 15 2 7 25
CPR BOLIVAR 83 11 1 0 15 27
BARRIO ALGARRA II
12 13 0 8 33
BARRIO ALGARRA III
3 17 1 19 40
BARRIO SAN CARLOS
5 10 3 26 44
BARRIO LA FLORESTA
4 10 8 23 45
BARRIO TERRAPLEN
8 12 1 24 45
BARRIO SAN PABLO
3 23 3 19 48
BARRIO SAN RAFAEL
4 14 3 28 49
BARRIO LA ESMERALDA
6 25 4 34 69
BARRIO LA CONCEPCION
18 18 1 44 81
BARRIO CENTRO 12 56 10 67 145
Tabla 6 Distribución de delitos en los barrios del municipio de Zipaquira.
ANALISIS TEMPORAL: EL DIA CON MAS DELITOS
Una parte importante de la información es que no solamente tiene un
componente geográfico, si no también claramente un componente temporal.
Haciendo un paralelo con la teoría de la relatividad planteada por Einstein, todo
objeto se mueve por el espacio en un tiempo determinado; todo delito o
actividad desarrollada en el espacio geográfico se realiza en un momento
temporal también.
Este tipo de análisis espacio temporal, ligado a la variable cualitativa inicial
permite inferir cual es el día con mayores incidentes reportados o denunciados,
lo cual es un indicador valido para la toma de medidas preventivas por parte de
las autoridades locales.
85
Para este análisis, se decidió calcular la Moda de la fecha de los datos
consolidados. Utilizando esta función se encontraron veintiuno registros (Tabla
7) encontrando que el día con más actividad criminal fue el 29 de Octubre de
2016, coincidiendo con la celebración de Halloween, el cual es festejado con
entusiasmo por los habitantes del municipio.
Tabla 7 Delitos presentados el 29/10/2016 en el municipio de Zipaquira
COD_SIG Denunciante Fecha Tipo Ubicación
HTO_135 SIN INFORMACION 29/10/2016 HURTO CALLE 16 CARRERA 7
HTO_136 SIN INFORMACION 29/10/2016 HURTO CALLE 3 CARRERA 19
LP_36 SIN INFORMACION 29/10/2016 LESIONES PERSONALES CALLE 9 CARRERA 3
LP_37 SIN INFORMACION 29/10/2016 LESIONES PERSONALES CALLE 3 CARRERA 6
LP_38 SIN INFORMACION 29/10/2016 LESIONES PERSONALES CALLE 7 CARRERA 16
LP_39 SIN INFORMACION 29/10/2016 LESIONES PERSONALES VEREDA SAN JORGE
CCD_108 SIN INFORMACION 29/10/2016 CONSUMO Y DISTRIBUCION DROGAS
CALLE 13 CARRERA 12
RN_346 SIN INFORMACION 29/10/2016 RINAS CARRERA 17 CALLE 16
RN_347 SIN INFORMACION 29/10/2016 RINAS CARRERA 10 CALLE 12
RN_348 SIN INFORMACION 29/10/2016 RINAS CALLE 4B CARRERA 17
RN_349 SIN INFORMACION 29/10/2016 RINAS CALLE 01 CARRERA 10
RN_350 SIN INFORMACION 29/10/2016 RINAS CARRERA 09 CALLE 12
RN_351 SIN INFORMACION 29/10/2016 RINAS CARRERA 06 CALLE 09
RN_352 SIN INFORMACION 29/10/2016 RINAS CALLE 3 BARANDILLAS
RN_353 SIN INFORMACION 29/10/2016 RINAS CALLE 23
RN_354 SIN INFORMACION 29/10/2016 RINAS DIAGONAL 4A CARRERA 28A
RN_355 SIN INFORMACION 29/10/2016 RINAS CARRERA 06 CALLE 03
RN_356 SIN INFORMACION 29/10/2016 RINAS CARRERA 16 CALLE 17
RN_357 SIN INFORMACION 29/10/2016 RINAS VEREDA SAN JORGE
RN_358 SIN INFORMACION 29/10/2016 RINAS CALLE 14 CARRERA 6B
RN_359 SIN INFORMACION 29/10/2016 RINAS CALLE 06 CARRERA 1A
86
ANEXO C MAPA DE VICTIMIZACION REITERADA
Figura 48 Mapa de Victimización reiterada. Fuente: Creación propia
87
ANEXO D MAPA DE HOTSPOTS PATRON PUNTUAL
Figura 49 Mapa de Hotspots Patrón puntual. Fuente: Creación Propia
88
ANEXO E MAPA DE HOTSPOTS POR BARRIO
Figura 50 Mapa de Hotspots por barrio. Fuente: Creación Propia
89
ANEXO F MAPA DE HOTSPOTS FISHNET
Figura 51 Mapa de Hotspots Fishnet. Fuente: Creación propia
90
ANEXO G MODELO UML
Figura 52 Modelo UML Base de datos Geografica. Fuente: Creación propia
91
ANEXO H DICCIONARIO DE DATOS
DICCIONARIO DE DATOS NOMBRE: Ptos_Inv
Descripción: Feature Class Geometría Punto, contiene la información geografica Tipo Punto de los crímenes cometidos en el municipio de Zipaquirá en el año 2016
Campo Tipo de dato
Tamaño Descripción
ID_SIG String 50 Clave única de cada delito cometido
TIPO_DELITO String 50 Tipificación del delito o crimen
VALOR Integer 1 Categorización de los delitos
RELACIONES: ENCUESTAS CAMPOS CLAVES: ID_SIG
NOMBRE: ENCUESTAS
Descripción: Tabla que contiene la información alfanumérica referente a cada delito cometido en el municipio de Zipaquirá en el año 2016
Campo Tipo de dato
Tamaño Descripción
ID_SIG String 50 Clave única de cada delito cometido
DENUNCIANTE String 50 Nombre de la víctima del delito
UBICACIÓN String 50 Dirección o ubicación geografica del delito
FECHA Date N/A Fecha en que se cometió el delito
DESCRIPCION String 255 Descripción del delito por la victima
COMENTARIOS String 100 Cita fuente de información
RELACIONES: Ptos_Inv CAMPOS CLAVES: ID_SIG
NOMBRE: BARRIOS
Descripción: Feature Class geometría polígono que contiene la información digitalizada de los barrios catastrales del municipio de Zipaquira
Campo Tipo de dato
Tamaño Descripción
NOMBRE_BAR String 50 Nombre de barrio Catastral
TIPO_SUELO String 50 Identifica si el barrio está en Zona Urbana o Rural
RELACIONES: ZONA_URBANA ZONA_RURAL
BARRIO_DELITOS CAMPOS CLAVES: TIPO_SUELO
92
NOMBRE: BARRIO_DELITOS
Descripción: Feature Class geometría polígono que contiene la cantidad de delitos por barrio en el municipio
Campo Tipo de dato
Tamaño Descripción
NOMBRE_BAR String 50 Nombre de barrio Catastral
TIPO_SUELO String 50 Identifica si el barrio está en Zona Urbana o Rural
CCD Short N/A Cantidad de sucesos de Comercio y Distribución de drogas por barrio
LP Short N/A Cantidad de sucesos de Lesiones Personales por barrio
RN Short N/A Cantidad de sucesos de Riñas por barrio
HTO Short N/A Cantidad de sucesos de Hurtos por barrio
RELACIONES: BARRIOS CAMPOS CLAVES: NOMBRE_BAR
NOMBRE: COLLECT_EVENTS
Descripción: Feature Class geometría punto que contiene la información compilada de delitos en 26 metros a la redonda.
Campo Tipo de dato
Tamaño Descripción
Icount Long N/A Numero de sucesos compilados en un radio de 26 metros
RELACIONES: ZONA_URBANA ZONA_RURAL
BARRIO_DELITOS CAMPOS CLAVES: TIPO_SUELO
NOMBRE: FISHNET
Descripción: Feature Class geometría polígono que contiene la información de la red celular generada
Campo Tipo de dato
Tamaño Descripción
ID Long N/A Identificador único
SHAPE_LENGHT Double N/A Longitud de cada celda
SHAPE AREA Double N/A Área de cada celda
RELACIONES: SpatialJoin con Ptos_Inv CAMPOS CLAVES: N/A
NOMBRE: HOTSPOTS_BARRIOS
Descripción: Feature Class geometría polígono que contiene la información calculada de Hotspots por barrio
Campo Tipo de dato
Tamaño Descripción
JOIN_COUNT Long N/A Conteo de delitos por barrio
GIZSCORE Double N/A Valor Z calculado por barrio
GIPVALUE Double N/A Valor P calculado por barrio
93
SHAPE_LENGHT Double N/A Longitud de cada barrio
SHAPE AREA Double N/A Área de cada barrio
RELACIONES: CAMPOS CLAVES: N/A
NOMBRE: HOTSPOTS_FISHNETS
Descripción: Feature Class geometría polígono que contiene la información calculada de Hotspots por celda del fishnet
Campo Tipo de dato
Tamaño Descripción
JOIN_COUNT Long N/A Conteo de delitos celda
GIZSCORE Double N/A Valor Z calculado por celda
GIPVALUE Double N/A Valor P calculado por celda
SHAPE_LENGHT Double N/A Longitud de cada celda
SHAPE AREA Double N/A Área de cada celda
RELACIONES: CAMPOS CLAVES: N/A
NOMBRE: HOTSPOTS_FISHNETS
Descripción: Feature Class geometría polígono que contiene la información calculada de Hotspots por celda del fishnet
Campo Tipo de dato
Tamaño Descripción
JOIN_COUNT Long N/A Conteo de delitos celda
GIZSCORE Double N/A Valor Z calculado por celda
GIPVALUE Double N/A Valor P calculado por celda
SHAPE_LENGHT Double N/A Longitud de cada celda
SHAPE AREA Double N/A Área de cada celda
RELACIONES: CAMPOS CLAVES: N/A
NOMBRE: HOTSPOTS_PATRONPUNTUAL
Descripción: Feature Class geometría punto que contiene la información calculada de Hotspots por punto agregado en Collect_Events
Campo Tipo de dato
Tamaño Descripción
ICOUNT Long N/A Numero de sucesos compilados en un radio de 26 metros
GIZSCORE Double N/A Valor Z calculado por punto
GIPVALUE Double N/A Valor P calculado por punto
RELACIONES: CAMPOS CLAVES: N/A
NOMBRE: INT_PTOS_BARRIO
Descripción: Feature Class geometría punto que contiene la cantidad de delitos por barrio en el municipio
Campo Tipo de dato
Tamaño Descripción
ID_SIG String 50 Clave única de cada delito cometido
94
TIPO_DELITO String 50 Tipificación del delito o crimen
VALOR Integer 1 Categorización de los delitos
NOMBRE_BAR String 50 Nombre de barrio Catastral
TIPO_SUELO String 50 Identifica si el barrio está en Zona Urbana o Rural
RELACIONES: Intersección con Ptos_Inv
CAMPOS CLAVES: ID_SIG
NOMBRE: PTOS_URB_AGREGADOS
Descripción: Feature Class geometría punto que contiene la cantidad de delitos por barrio en el municipio agregados en una sola ubicación
Campo Tipo de dato
Tamaño Descripción
ID_SIG String 50 Clave única de cada delito cometido
TIPO_DELITO String 50 Tipificación del delito o crimen
VALOR Integer 1 Categorización de los delitos
NOMBRE_BAR String 50 Nombre de barrio Catastral
TIPO_SUELO String 50 Identifica si el barrio está en Zona Urbana o Rural
RELACIONES: Agreggate de los Ptos_Inv
CAMPOS CLAVES: ID_SIG
NOMBRE: EJE VIAL
Descripción: Feature Class geometría línea que contiene la los ejes viales del municipio y su nomenclatura
Campo Tipo de dato
Tamaño Descripción
TEXTO String 255 Nomenclatura vial del municipio
REPORTE String 50 No Aplica
SHAPE_LENGHT Double N/A Longitud de cada vía
RELACIONES: N/A CAMPOS CLAVES: N/A
NOMBRE: ZONA RURAL
Descripción: Feature Class geometría polígono que contiene la delimitación de la zona rural del municipio
Campo Tipo de dato
Tamaño Descripción
TIPO_SUELO String 50 Identifica el suelo rural
SHAPE_AREA Double N/A Área de la zona rural
SHAPE_LENGHT Double N/A Longitud de la zona rural
RELACIONES: N/A
CAMPOS CLAVES: N/A
95
NOMBRE: ZONA URBANA
Descripción: Feature Class geometría polígono que contiene la delimitación de la zona urbana del municipio
Campo Tipo de dato
Tamaño Descripción
TIPO_SUELO String 50 Identifica el suelo urbano
SHAPE_AREA Double N/A Área de la zona urbana
SHAPE_LENGHT Double N/A Longitud de la zona urbana
RELACIONES: N/A CAMPOS CLAVES: N/A
Tabla 8 Diccionario de datos. Fuente: Creación Propia