Análisis de densidad kernel en la zonificación de la percepción de miedo al delito
DOI:
https://doi.org/10.18004/ucsa/2409-8752/2023.010.01.069Palabras clave:
Algebra de mapas, análisis espacial, inseguridad ciudadana y policíaResumen
La victimización por el miedo a sufrir algún tipo de delito contra su salud mental y física se ha convertido en la principal preocupación de los ciudadanos de América latina, la inseguridad ciudadana es el principal problema de los gobiernos. Por tal motivo el objetivo del estudio es identificar patrones y zonas del miedo al delito producido por la precepción de la criminalidad en la ciudad de Juliaca. Se ha consultado a los 180 ciudadanos mayores de 18 años de edad, sobre la percepción de la criminalidad (haber sufrido o presenciado un delito) solicitándole ubicación, información general del delito y tomándose fotografía del lugar específico, para estructurar una base de datos espacial en coordenadas UTM WGS84, procediéndose a desarrollar el análisis espacial mediante el Kernel density para la obtención de los mapas parciales de tipo (delito) y frecuencia (delito), para luego sumar las resultantes con el álgebra de mapas para reclasificar los resultados en alto, medio y bajo. El 97,4% del total de las respuestas están asociada a delitos comunes los que ocurren cerca de mercados y calles principales, los puestos policiales no son efectivos ya que se encuentran dentro de la densidad alta y media de delitos. El 81,7% indican que han visto 5 delitos en 30 días con 125 repeticiones ocurridos por la tarde, noche y madrugada, categorizándolo como muy peligroso a la ciudad de Juliaca.
Descargas
Citas
Abdullah, A., Hedayati Marzbali, M., Woolley, H., Bahauddin, A., & Maliki, N. Z. (2014). Testing for Individual Factors for the Fear of Crime Using a Multiple Indicator-Multiple Cause Model. European Journal on Criminal Policy and Research, 20(1), 1–22. https://doi.org/10.1007/s10610-013-9208-4
Ambrey, C. L., Fleming, C. M., & Manning, M. (2014). Perception or Reality, What Matters Most When it Comes to Crime in Your Neighbourhood? Social Indicators Research, 119(2), 877–896. https://doi.org/10.1007/s11205-013-0521-6
Boivin, R. (2014). Prince George is Not (and never was) Canada’s Most Dangerous City: Using Police-Recorded Data for Comparison of Volume and Seriousness of Crimes. Social Indicators Research, 116(3), 899–907. https://doi.org/10.1007/s11205-013-0325-8
Castro Aniyar, D., Pihuave, P., Parrales, R. P., Ramírez, L., & Moncayo, J.K. (2020). El mapa de las víctimas. Pertinencia de los mapas cognitivos compuestos en el análisis de la situación delictual a partir de un pequeño territorio. Política criminal, 15(30), 840-870. https://dx.doi.org/10.4067/S0718-33992020000200840
Caudillo, C., & Coronel, C. (2017). Densidad de Kernel. Documento de trabajo. Centro de Investigación en Geografía y Geomática. México. Repositorio CENTROGEO: http://centrogeo.repositorioinstitucional.mx/jspui/handle/1012/168
Cruz-García, S., Martínez-Farías, F., Santillán-Hernández, A. S., & Rangel, E. (2021). Mathematical home burglary model with stochastic long crime trips and patrolling: Applied to Mexico City. Applied Mathematics and Computation, 396, 125865. https://doi.org/https://doi.org/10.1016/j.amc.2020.125865
Cuartas, D. E., Arango-Londoño, D., Guzmán-Escarria, G., Muñoz, E., Caicedo, D., Ortega, D., & Méndez, F. (2020). SARS-coV-2 spatio-temporal analysis in Cali, Colombia. Revista de Salud Pública, 22(2). 1-6. https://doi.org/10.15446/rsap.v22n2.86431
Dhiman, R., Kalbar, P., & Inamdar, A. B. (2019). Spatial planning of coastal urban areas in India: Current practice versus quantitative approach. Ocean & Coastal Management, 182(1), 1-9. https://doi.org/10.1016/j.ocecoaman.2019.104929
Enríquez, V., Marín, G., Marín, E., Bolívar, N., Gallegos., J.R., Laura, J.C., y Yunga, E., (2021). Análisis espacial en la identificación de zonas de riesgo de contagio al COVID-19 como herramienta para la gestión pública en Juliaca, Perú. Revista científica de la UCSA, 8(2), 30–34. https://revista.ucsa-ct.edu.py/ojs/index.php/ucsa/article/view/53
Espinoza-Ramírez, A., Nakano, M., Sánchez-Pérez, G., & Arista-Jalife, A. (2018). Sistemas de Información Geográfica y su Análisis Aplicado en Zonas de Delincuencia en la Ciudad de México. CIT Informacion Tecnologica, 29(5), 235–244. https://doi.org/10.4067/s0718-07642018000500235
Fenimore, D. M. (2019). Mapping harmspots: An exploration of the spatial distribution of crime harm. Applied Geography, 109, 102034. https://doi.org/https://doi.org/10.1016/j.apgeog.2019.06.002
Hart, T. C. (2017). Using typologies of victimization worry to create strategies for reducing fear of crime. Police Practice and
Research, 18(4), 407–419. https://doi.org/10.1080/15614263.2016.1230854
Helfgott, J. B., Parkin, W. S., Fisher, C., & Diaz, A. (2020). Misdemeanor arrests and community perceptions of fear of crime in Seattle. Journal of Criminal Justice, 69, 101695. https://doi.org/https://doi.org/10.1016/j.jcrimjus.2020.101695
Instituto Nacional de Estadística e Informática (2018). Perú: Anuario Estadístico de la Criminalidad y Seguridad Ciudadana, 2011-2017 - Visión Departamental, Provincial y Distrital. INEI Lima, Perú. https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1534/libro.pdf
Instituto Nacional de Estadística e Informática (2020) Perú: Estimaciones y proyecciones de población por departamento, provincia y distrito, 2018 – 2020. Boletín especial N° 26. INEI Lima, Perú. https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1715/libro.pdf
Jiménez, A. M., & Díaz, M. F. (2017). Medición y cartografía del impacto socialmente percibido ante industrias contaminantes con un estimador de densidad núcleo (Kernel) y SIG: aplicación al caso del complejo industrial Ventanas, Chile. Estudios Geográficos, 78(282), 225-256. https://dialnet.unirioja.es/servlet/articulo?codigo=6268752
Kerlinger, F., y Lee, H. (2002). Investigación del comportamiento. (Ed.) Mc Graw Hill. https://padron.entretemas.com.ve/INICC2018-2/lecturas/u2/kerlinger-investigacion.pdf
Kim, S.-K., & Kang, H.-B. (2018). An analysis of fear of crime using multimodal measurement. Biomedical Signal Processing and Control, 41, 186–197. https://doi.org/https://doi.org/10.1016/j.bspc.2017.12.003
Leyva López, H. P., Pérez Vera, M.G., & Pérez Vera, S. M. (2018). Google Forms en la evaluación diagnóstica como apoyo en las actividades docentes. Caso con estudiantes de la Licenciatura en Turismo. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 9(17), 84-111. https://doi.org/10.23913/ride.v9i17.374
Lisle, R. J. (2006). Google Earth: a new geological resource. Geology today, 22(1), 29-32. https://doi.org/10.1111/j.1365-2451.2006.00546.x
Marín Mamani, G., Marín Paucara, E., Lozada Vilca, RA, Bolívar Espinoza, N., Curro Pérez, F., (2019). Modelamiento kriging para mapas acústicos de las festividades culturales de la región de Puno. Campus, 24(27), 69–76. https://doi.org/10.24265/campus.2019.v24n27.06
Mejía, D., Ortega, D., & Ortiz, K. (2014). Un análisis de la criminalidad urbana en Colombia. Draft Paper for Igarapé Institute. https://igarape.org.br/wp-content/uploads/2015/01/Criminalidad-urbana-en-Colombia-diciembre-2014.pdf
Oh, G., Ren, L., & He, P. (2019). Social disorder and residence-based fear of crime: The differential mediating effects of police effectiveness. Journal of Criminal Justice, 63, 1–11. https://doi.org/https://doi.org/10.1016/j.jcrimjus.2019.05.001
Orona, M. O., Grance, L. A. O., & Weber, E. (2015). Evaluación de precisión de navegadores GNSS (GPS-GLONASS) No. 63 Silvicultura. Universidad Nacional de Misiones Facultad de Ciencias Forestales.
Patio, D. G. (2014). la criminalidad en la realidad peruana: ¿qué hacer? Archivos de Criminología, Seguridad Privada y Criminalística, 12(1), 1-7. https://dialnet.unirioja.es/servlet/articulo?codigo=4714173
Sánchez Aguilar, A. (2016). Criminalidad y seguridad ciudadana en el Perú del siglo XXI: hacia un sistema integrado de estadísticas de la criminalidad y seguridad ciudadana. Universidad del Pacífico. https://repositorio.up.edu.pe/handle/11354/1604
Sánchez Flores, F. A. (2019). Fundamentos epistémicos de la investigación cualitativa y cuantitativa: consensos y disensos. Revista Digital de Investigación en Docencia Universitaria, 13(1), 102-122. https://doi.org/10.19083/ridu.2019.644
Sarduy Domínguez, Y. (2007). El análisis de información y las investigaciones cuantitativa y cualitativa. Revista cubana de salud pública, 33(3), 1-8. https://doi.org/10.1590/s0864-34662007000300020
Silverman, B. W. (1986). Estimación de densidad para las estadísticas y el análisis de datos. Wildlife Ecology (pp.). New York: Conservation and Management.
Vásquez Alejandro, Joannon Rodrigo y Weber Richard. (2018). Análisis de redes sociales para mejorar la identificación de patrones de robo de vehículos. Revista Ingeniería de Sistemas, v17(2). 29-54. https://www.dii.uchile.cl/~ris/RIS2018/2_An%C3%A1lisis_redes_sociales_mejorar_identificaci%C3%B3n_patrones_de_robo_veh%C3%ADculos.pdf
Wang, H., & Ma, S. (2021). Preventing crimes against public health with artificial intelligence and machine learning capabilities. Socio-Economic Planning Sciences, 101043. https://doi.org/https://doi.org/10.1016/j.seps.2021.101043
Zeng, M., Mao, Y., & Wang, C. (2021). The relationship between street environment and street crime: A case study of Pudong New Area, Shanghai, China. Cities, 112, 103143. https://doi.org/https://doi.org/10.1016/j.cities.2021.103143
