Alternativas para la medición de la delincuencia urbana y la identificación de zonas criminógenas. Nuevos indicadores basados en la presencia de población
DOI:
https://doi.org/10.3989/estgeogr.2022127.127Palabras clave:
seguridad ciudadana, criminología ambiental, zonas atractoras y generadoras de crimen, redes sociales, unidades económicas, presencia de poblaciónResumen
El objetivo de este trabajo es proponer formas alternativas de medición de las tasas de delincuencia en los entornos urbanos, comparando la utilización de la presencia de población y la medición tradicional, es decir, la población residencial. El análisis se realiza para tres tipos de delitos: violencia intrafamiliar, robo a persona y robo a negocio. Para ello, se sigue una metodología de análisis espacial de los datos de la Zona Metropolitana de Guadalajara (ZMG) en México. En los resultados se comprueba que, para algunos tipos de delitos, la presencia de población puede identificar con mayor precisión a la población en riesgo, lo que puede constituir una herramienta de política pública muy útil de cara a la prevención del delito, pues además de lograr una estimación más precisa del fenómeno, se pueden identificar las zonas generadoras y atractoras del crimen.
Descargas
Citas
Asociación Mexicana del Internet (2016). Estudio de Hábitos de los Usuarios de Internet en México. Ciudad de México: AMIPCI.
Andresen, M. A. (2006). Crime measures and the spatial analysis of criminal activity. British Journal of Criminology, 46(2), 258-285. https://doi.org/10.1093/bjc/azi054
Andresen, M. A. (2011). The ambient population and crime analysis. The Professional Geographer, 63(2), 193-212. https://doi.org/10.1080/00330124.2010.547151
Andresen, M. A. & Jenion, G. W. (2008). Crime prevention and the science of where people are. Criminal Justice Policy Review, 19(2), 164-180. https://doi.org/10.1177/0887403407311591
Andresen, M. A. & Linning, S. J. (2012). The (in)appropriateness of aggregating across crime types. Applied Geography, 35(1-2), 275-282. https://doi.org/10.1016/j.apgeog.2012.07.007
Blank, G. (2017). The Digital Divide Among Twitter Users and Its Implications for Social Research. Social Science Computer Review, 35(6), 679-697. https://doi.org/10.1177/0894439316671698
Brantingham, P. & Brantingham, P. (Eds.). (1981). Environmental Criminology. Sage Publications.
Brantingham, P. & Brantingham, P. (1995). Criminality of place. European Journal on Criminal Policy and Research, 3(3), 5-26. https://doi.org/10.1007/BF02242925
Brantingham, P. & Brantingham, P. (2008). Crime pattern theory. En R. Wortley & L. Mazerolle (Eds.) Environmental Criminology and Crime Analysis (pp. 78-93). Willan Publishing.
Centro de Investigación e Innovación en Tecnologías de la Información y Comunicación & Centro de Investigación e Innovación en Tecnologías de la Información y Comunicación. (2020). Medición de Movilidad usando Facebook, Google y Twitter. Consejo Nacional de Ciencia y Tecnología.
Chan, J., & Bennett M. L. (2015). Is Big Data challenging criminology? Theoretical Criminology, 20(1), 21-39. https://doi.org/10.1177/1362480615586614
Cheng, T. & Chen, T. (2021). Urban Crime and Security. En W. Shi, M. F. Goodchild, M. Batty, K. Mei-Po & Z. Anshu Zhang (Eds.), Urban Informatics (pp. 213-228). Springer. https://doi.org/10.1007/978-981-15-8983-6_14
Fiscalía General del Estado de Jalisco (2021). Número de delitos registrados en carpetas de averiguación de la Fiscalía de Jalisco por año de 2016 a agosto 2021. https://datos.jalisco.gob.mx/dataset/numero-de-delitos-registrados-en-carpetas-de-averiguacion-de-la-fiscalia-de-jalisco-de-2016
Cohen, L. E., & Felson, M. (1979). Social change and crime rate trends: A routine activity approach. American Sociological Review, 588-608. https://doi.org/10.2307/2094589
Getis, A., & Ord, J. (1992). The analysis of spatial association by use of distance statistics. Geographical Analysis, 24(3), 189-206. https://doi.org/10.1111/j.1538-4632.1992.tb00261.x
Hawelka, B., Sitko, I., Beinat, E., Sobolevsky, S., Kazakopoulos, P., & Ratti, C. (2014). Geo-located Twitter as proxy for global mobility patterns. Cartography and Geographic Information Science, 41(3), 260-271. https://doi.org/10.1080/15230406.2014.890072 PMid:27019645 PMCid:PMC4786829
Instituto Nacional de Estadística y Geografía. (2010). Censo de Población y Vivienda. Aguascalientes: Instituto Nacional de Estadística y Geografía.
Instituto Nacional de Estadística y Geografía (2017). Directorio Estadístico Anual de Unidades Económicas (DENUE). Aguascalientes: Instituto Nacional de Estadística y Geografía.
Instituto Nacional de Estadística y Geografía. (2020a). Encuesta Nacional de Victimización y Percepción sobre Seguridad Pública (ENVIPE) 2020. Aguascalientes: Instituto Nacional de Estadística y Geografía.
Instituto Nacional de Estadística y Geografía. (2020b). Encuesta Nacional sobre Disponibilidad y Uso de Tecnologías de la Información en los Hogares (ENDUTIH) 2020. Aguascalientes: Instituto Nacional de Estadística y Geografía.
Kinney, J. B., Brantingham, P. L., Wuschke, K., Kirk, M. G., & Brantingham, P. J. (2008). Crime attractors, generators and detractors: Land use and urban crime opportunities. Built Environment, 34(1), 62-74. https://doi.org/10.2148/benv.34.1.62
Lubbe, S., Filzmoser, P., & Templ, M. (2021). Comparison of zero replacement strategies for compositional data with large numbers of zeros. Chemometrics and Intelligent Laboratory Systems, 210, 104248. https://doi.org/10.1016/j.chemolab.2021.104248
Malleson, N., & Andresen, M. A. (2014). The impact of using social media data in crime rate calculations: shifting hot spots and changing spatial patterns. Cartography and Geographic Information Science, 42(2), 112-121. https://doi.org/10.1080/15230406.2014.905756
Malleson, N., & Andresen, M. A. (2015). Spatio-temporal crime hotspots and the ambient population. Crime Science, 4(1), 1-8. https://doi.org/10.1186/s40163-015-0023-8
Malleson, N., & Andresen, M. A. (2016). Exploring the impact of ambient population measures on London crime hotspots. Journal of Criminal Justice, 46, 52-63. https://doi.org/10.1016/j.jcrimjus.2016.03.002
Maltz, M. D. (1999). Bridging gaps in police crime data. DIANE Publishing.
Osorio, J. (2020). Análisis de los patrones espacio-temporales de eventos a partir de datos de Twitter: el caso de la World Pride 2017 en Madrid. Estudios Geográficos, 81(288), e032. https://doi.org/10.3989/estgeogr.202047.027
Pramanik, M. I., Lau, R. Y. K., Yue, W. T., Ye, Y., & Li, C. (2017). Big data analytics for security and criminal investigations. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 7(4), e1208. https://doi.org/10.1002/widm.1208
Ristea, A., Langford, C., & Leitner, M. (2017, August). Relationships between crime and Twitter activity around stadiums. 2017 25th International Conference on Geoinformatics (pp. 1-5). IEEE. https://doi.org/10.1109/GEOINFORMATICS.2017.8090933
Secretariado Ejecutivo del Sistema Nacional de Seguridad Pública. (2017). Datos abiertos de incidencia delictiva. Ciudad de México: Secretariado Ejecutivo del Sistema Nacional de Seguridad Pública.
Snaphaan, T., & Hardyns, W. (2019). Environmental criminology in the big data era. European Journal of Criminology, 18(5), 147737081987775. https://doi.org/10.1177/1477370819877753
Traunmueller, M., Quattrone, G., & Capra, L. (2014, November). Mining mobile phone data to investigate urban crime theories at scale. En L. Aiello & D. McFarland (Eds.) Social Informatics (pp. 396-411). Springer. https://doi.org/10.1007/978-3-319-13734-6_29
Trinidad, A., San Juan, C., & Vozmediano, L. (2019). Escenarios de delincuencia juvenil en el ámbito urbano: una perspectiva situacional. Revista Criminalidad, 61(2), 9-24.
Wang, X., Gerber, M. S., & Brown, D. E. (2012). Automatic crime prediction using events extracted from twitter posts. En S. Yang; A. Greenberg & M. Ensley (Eds.) Social Computing, Behavioral-Cultural Modeling, and Prediction (pp. 231-238). Springer. https://doi.org/10.1007/978-3-642-29047-3_28
Wang, H., Kifer, D., Graif, C., & Li, Z. (2016, August). Crime rate inference with big data. En Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 635-644). https://doi.org/10.1145/2939672.2939736
Williams, M. L., Burnap, P., & Sloan, L. (2017). Crime sensing with big data: The affordances and limitations of using open-source communications to estimate crime patterns. The British Journal of Criminology, 57(2), 320-340. https://doi.org/10.1093/bjc/azw031
Wortley, R., & Mazerolle, L. (2008). Environmental criminology and crime analysis: situating the theory, analytic approach and application. En R. Wortley & L. Mazerolle (Eds.) Environmental criminology and crime analysis (pp. 1-18). Willan Publishing.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Consejo Superior de Investigaciones Científicas (CSIC)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
© CSIC. Los originales publicados en las ediciones impresa y electrónica de esta Revista son propiedad del Consejo Superior de Investigaciones Científicas, siendo necesario citar la procedencia en cualquier reproducción parcial o total.Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento 4.0 Internacional ” (CC BY 4.0). Puede consultar desde aquí la versión informativa y el texto legal de la licencia. Esta circunstancia ha de hacerse constar expresamente de esta forma cuando sea necesario.
No se autoriza el depósito en repositorios, páginas web personales o similares de cualquier otra versión distinta a la publicada por el editor.
