Puntos críticos de delincuencia

Las distancias al vecino más cercano, también conocidas como índice del vecino más cercano (NNI), fueron un área de interés para dos botánicos a principios de la década de 1950: Philip Clark y Francis Evans. Ambos comenzaron a diseñar una fórmula para distinguir patrones de plantas y animales y su distribución en su entorno. Clark y Evans (1954) propusieron una fórmula que mediría el espaciamiento entre plantas y animales en una población con distribución aleatoria . Si la distribución era aleatoria, se podía desarrollar una distancia media al vecino más cercano. Definieron una distribución aleatoria como "un conjunto de puntos en un área determinada que tienen la misma probabilidad de aparecer en cualquier subárea que cualquier otro punto". ^{[ 6 ]}

La metodología se ha adaptado a CrimeStat , un programa informático diseñado para analizar datos delictivos. Este programa utiliza el índice del vecino más cercano (NNI) para detectar agrupaciones y determinar si existe un foco de delincuencia. CrimeStat se basa en la teoría de Clark y Evans y asume que la distribución de la delincuencia utilizada para realizar estadísticas globales es aleatoria. ^{[ 7 ]} El NNI compara las distancias observadas entre cada punto de un mapa y su vecino más cercano, o dicho de otro modo, entre cada incidente delictivo. A continuación, se calculan las distancias para obtener una distancia media y determinar si un patrón delictivo se distribuye aleatoriamente. ^{[ 1 ]}

A continuación se explicarán en detalle los pasos para calcular el NNI según Eck et al. (2005) . Primero, se geocodifican los incidentes delictivos en un mapa y luego se calcula la distancia entre un incidente delictivo y su vecino. Posteriormente, se suman todas las distancias y se dividen por el número de incidentes delictivos en el mapa. Según Eck et al. (2005), este valor se denomina distancia promedio observada al vecino más cercano. A continuación, se debe crear un mapa de incidentes aleatorios que cubra la misma área que se está analizando. Se debe realizar el mismo proceso de cálculos para obtener la distancia promedio aleatoria al vecino más cercano. Estos dos valores crean una razón que compara los incidentes observados con los incidentes aleatorios, denominada índice del vecino más cercano.

Eck et al. (2005) explican además que si los resultados generados son menores que 1,0, los datos de incidentes delictivos se consideran agrupados. Si los resultados son iguales a 1,0, los datos de incidentes delictivos se distribuyen aleatoriamente en el mapa. Finalmente, un índice del vecino más cercano mayor que 1,0 indica que el conjunto de datos muestra un patrón delictivo uniforme significativo. El índice del vecino más cercano permite comprobar la aleatoriedad completa en un conjunto de puntos de datos. Esto resulta útil para los analistas, ya que es una técnica que permite medir los cambios de densidad a lo largo del tiempo. ^{[ 1 ]}

El desarrollo del análisis espacial y temporal de elipses delictivas, o elipses STAC, comenzó como un programa para determinar un "círculo crítico" de incidentes delictivos en mapas delictivos. ^{[ 4 ]} Samuel Bates creó una fórmula que utilizaba una cuadrícula, rectangular o triangular, para crear límites alrededor de un área. Luego se definía un radio y se creaba un círculo alrededor de un punto específico de cada incidente delictivo. Posteriormente, se creaba otra cuadrícula que generaba círculos con la mitad del radio original definido. Esta cuadrícula se combinaba con la primera para crear un círculo que contenía el mayor número de incidentes, creando así el "círculo crítico". ^{[ 4 ]} Este método sentó las bases de lo que ahora se utiliza para crear elipses de puntos críticos.

La fórmula original de Bate no respondía si el "círculo caliente" representaba un área con una densidad claramente mayor de incidentes delictivos o no. La fórmula presentaba otros problemas, ya que algunos "círculos calientes" se superponían y compartían los mismos incidentes delictivos. Además, en ocasiones, los "círculos calientes" se alargaban, creando óvalos. ^{[ 4 ]} Estos problemas llevaron a la creación de las elipses de puntos calientes.

Las elipses se crean ahora para mostrar diferentes niveles de dispersión de los incidentes delictivos. Siempre se utilizan en el análisis para examinar si existen tendencias direccionales en el conjunto de datos. Primero, el usuario establece el tamaño de las elipses; normalmente, para un conjunto de datos de delitos en un mapa, se utilizan millas. A continuación, el usuario define la desviación estándar que desea utilizar; esto determina la cantidad de puntos de datos que se incluirán en la elipse. Normalmente se utilizan una o dos desviaciones estándar; una desviación estándar incluye el 68 % de los datos y dos incluyen el 95 % de los datos. ^{[ 8 ]}

Las elipses STAC se han convertido en una herramienta esencial para los analistas debido a su eficiencia y rapidez. Los estudios suelen utilizar elipses STAC para comparar diferentes conjuntos de datos. Generalmente, se examinan las áreas de delincuencia a lo largo del tiempo mediante el uso de elipses. ^{[ 9 ]} Las elipses se denominan estadísticas de primer orden porque proporcionan al analista un punto de partida para examinar un conjunto de datos, al tiempo que se analizan las estadísticas globales. Las elipses crean un límite firme para el conjunto de datos que no necesariamente sigue los contornos de las calles o los barrios. Por lo tanto, al examinar estas elipses, se deben utilizar análisis estadísticos adicionales. ^{[ 7 ]}

Se completó un estudio que utiliza el índice del vecino más cercano (NNI) y las elipses STAC para la ciudad de Roanoke, Virginia. El estudio se centra en los datos reportados a la policía sobre robos que ocurrieron entre el 1 de enero de 2004 y el 31 de diciembre de 2007, con un total de 904 robos reportados. ^{[ 10 ]} El propósito de este estudio fue determinar si había áreas localizadas de robos utilizando análisis de puntos calientes. El proyecto comenzó primero geocodificando todos los datos en un mapa de puntos. Los registros de todos los datos de robos provinieron del sistema de registros y gestión de la ciudad. Después de recibir resultados satisfactorios de la geocodificación de los datos, los datos luego se probaron para agrupamiento global y espacial. ^{[ 10 ]} Para probar la aleatoriedad espacial, se empleó el NNI. Para cada año, 2004-2007, se calculó el NNI y se comparó con un conjunto de puntos aleatorios. Cada año presenta un valor de NNI menor que uno. ^{[ 10 ]} Un valor menor que uno, según Eck et al. (2005) significa que la agrupación en el conjunto de datos es consistente en su distribución. ( Van Patten, McKeldin-Coner y Cox 2009 ) concluyeron que el conjunto de datos tiene una agrupación espacial global significativa que se aplica a toda la población de estudio.

Tras la prueba de agrupamiento aleatorio, se empleó el análisis de puntos críticos NNI en el estudio. El estudio examinó los puntos críticos utilizando diversas técnicas de análisis espacial . Se utilizó el agrupamiento jerárquico del vecino más cercano (NNH) y otras estimaciones de densidad de kernel (KDE). A continuación, se analizarán con mayor detalle las elipses STAC para los fines de esta sección. Se desarrollaron elipses para cada año y luego se examinaron con diferentes técnicas. Para crear las elipses, se establecieron parámetros basados ​​en la distancia que una persona puede recorrer a pie en aproximadamente cinco minutos antes de buscar otro medio de transporte. Se estableció un radio de búsqueda de un cuarto de milla para los datos. ^{[ 10 ]} Se crearon elipses para el número total de incidentes de robo, 904. Se utilizaron quince delitos por elipse. Los delitos se redujeron a siete incidentes por elipse para un solo año, y para incrementos de dos años se evaluaron 7, 10 y 15 incidentes. ^{[ 10 ]}

Con todas las diferentes técnicas empleadas en este estudio, se concluyó que las elipses STAC tenían la mayor tasa de confiabilidad. Se determinó que las elipses tienden a ser menos precisas que otros métodos utilizados; pero, por mucho, fueron más consistentes. Van Patten, McKeldin-Coner y Cox (2009) concluyeron en este estudio que todos los métodos utilizados convergen alrededor de las mismas áreas de la ciudad. Esto indicó que existe una agrupación espacial aleatoria y concordancia entre los diferentes métodos empleados. Mediante el análisis de puntos críticos, se identificaron diferentes áreas de la ciudad como "áreas problemáticas". Hubo áreas que se determinaron como generadoras de delincuencia y otras como atractoras. Van Patten, McKeldin-Coner y Cox (2009) recomiendan que para las áreas atractoras se debería enfocar el aumento de la vigilancia y una mejor gestión del lugar. Las áreas que contienen generadores de delincuencia requerirían enfoques más estratégicos por parte de la policía para lograr un impacto. ^{[ 11 ]}

A principios de la década de 1990, la delincuencia comenzó a aumentar en Chicago, Illinois, a un ritmo significativo. Muchos grupos sociales solicitaron al Proyecto de Seguridad Comunitaria que analizara las relaciones entre los establecimientos que venden alcohol y la delincuencia en la ciudad. ^{[ 12 ]} Para analizar los datos de la ciudad, se utilizaron elipses STAC. Los datos de ubicación de los establecimientos con licencias de licor se obtuvieron del Departamento de Ingresos de la Ciudad de Chicago. Se utilizaron tres tipos de licencias de licor: tabernas, productos envasados ​​y consumo incidental. ^{[ 13 ]} En 1993, había un total de 5947 licencias de licor, y algunos establecimientos poseían varias. Estos datos se geocodificaron para crear un mapa detallado de las ubicaciones correspondientes. El período de estudio de los incidentes fue de seis meses, de enero a junio de 1993. Se reportaron 3364 incidentes delictivos a la policía durante este período que ocurrieron en o alrededor de los establecimientos de licor. Estos delitos incluían delitos contra la propiedad, delitos relacionados con drogas y delitos menores, pero no se limitaban a estas categorías. ^{[ 14 ]} Estos datos también se geocodificaron en un mapa detallado para su análisis.

Para examinar la concentración de establecimientos de venta de alcohol e incidentes delictivos, se utilizaron elipses STAC. Se generaron cinco elipses que contenían las áreas de mayor densidad de establecimientos de venta de alcohol. Se concluyó que todas las elipses estaban contenidas en el área norte de la ciudad, centradas en áreas de vida nocturna, un área de solteros de moda y centros comerciales. ^{[ 15 ]} Se generaron seis elipses para los puntos críticos de incidentes delictivos. Dos de las elipses se concentraron en áreas de puntos críticos de establecimientos de venta de alcohol, mientras que cuatro de ellas se ubicaron en áreas de distritos censales de bajos ingresos. C. Block y R. Block concluyeron a partir de estas elipses que los puntos críticos de establecimientos de venta de alcohol no necesariamente atraen la mayor cantidad de delitos.

Este estudio examinó además las estadísticas de delitos relacionados con establecimientos de venta de alcohol, analizando el número de cada categoría incluida en cada elipse. Se determinó que los homicidios se cometían típicamente en zonas de bajos ingresos de la ciudad que no se ubicaban cerca de los puntos críticos de establecimientos de venta de alcohol. También se determinó que las zonas críticas de delincuencia en los puntos críticos de establecimientos de venta de alcohol se ubicaban típicamente en las calles principales de la ciudad que atraían turismo, y también cerca del transporte público y de barrios de solteros. ^{[ 12 ]} Block y Block (1995) concluyeron el estudio afirmando que la densidad de licencias de venta de alcohol y la densidad de delincuencia no están fuertemente relacionadas. Estas áreas sí atraen la delincuencia, pero no necesariamente son siempre la causa de la misma.

• Block, Carolyn Rebecca (1995). "Áreas de alta concentración de delincuencia: una herramienta estadística para las fuerzas del orden". En Block, CR; Dabdoub, M.; Fregly, S. (eds.). Análisis del delito mediante ordenador (PDF) . Washington D. C.: Police Executive Research Forum . págs. 15-32 . 
• Block, Carolyn Rebecca; Block, Richard L. (1995). «Espacio, lugar y delincuencia: Zonas y lugares de alta incidencia de delitos relacionados con el alcohol». En Eck, John; Weisburd, David L. (eds.). Lugares de delincuencia en la teoría del delito (PDF) . Serie de estudios sobre prevención del delito de Rutgers. Newark, NJ: Criminal Justice Press. Archivado del original (PDF) el 28 de julio de 2012.
• Brantingham, Patricia L.; Brantingham, Paul J. (1999). "Modelo teórico de generación de focos de delincuencia". Estudios sobre delincuencia y prevención del delito . 8 : 7–26 .
• Clark, Philip J.; Evans, Francis C. (1954). "Distancia al vecino más cercano como medida de las relaciones espaciales en poblaciones" (PDF) . Ecology . 35 (4): 445– 53. Bibcode : 1954Ecol...35..445C . doi : 10.2307/1931034 . JSTOR 1931034 . 
• Eck, John; Chainey, Spencer; Cameron, James; Wilson, Ronald (2005). Mapeo del crimen: comprensión de los puntos críticos (PDF) . Washington DC: Instituto Nacional de Justicia .
• Levine, N. (2005). "Mapeo del crimen y el programa crimestat" . Análisis geográfico . 38 (1): 41– 56. doi : 10.1111/j.0016-7363.2005.00673.x .
• Mitchell, Andy (2005). Guía ESRI para el análisis SIG . Vol.  2: Mediciones espaciales y estadísticas. ESRI Press . ISBN 978-1-58948-116-9.
• Van Patten, Isaac T.; McKeldin-Coner, Jennifer M.; Cox, Deana (2009). "Análisis microespacial del robo: Identificación de puntos críticos en una ciudad pequeña". Crime Mapping: A Journal of Research and Practice . 1 (1): 7– 32.
• Ratcliffe, Jerry H. (2002). "Condenado si no lo haces, condenado si lo haces: Mapeo del crimen y sus implicaciones en el mundo real" . Policing and Society . 12 (3): 211– 225. doi : 10.1080/10439460290018463 . S2CID 18303955 . 
• Ratcliffe, Jerry H. (2004). "La matriz de puntos críticos: un marco para la focalización espacio-temporal de la reducción del delito". Police Practice and Research . 5 (1): 5– 23. doi : 10.1080/1561426042000191305 . S2CID 2653083 .