Concentración
espacial de las denuncias por violencia familiar en Ciudad Victoria: un
acercamiento mediante la detección de hot
spots
Spatial
concentration of complaints of family violence in Ciudad Victoria: an approach
through the detection of hot spots
Concentración de
la violencia familiar en Ciudad Victoria
Víctor Daniel
Jurado-Flores*, Francisco Javier Fuentes-Ríos
*Correspondencia: v.jurado.flores@gmail.com/
Fecha de recepción: 12 de marzo
de 2021/Fecha de aceptación: 10 de noviembre de 2021/Fecha de publicación: 28 de enero de 2022.
El Colegio
de Tamaulipas, Coordinación General Académica, Calzada Luis Caballero núm.
1540, Tamatán, Ciudad Victoria, Tamaulipas, México.
C. P. 87060.
Resumen
La
violencia familiar es el principal delito cometido a nivel nacional en México.
Tamaulipas tiene una tasa de denuncias que se encuentra por encima de la media
nacional desde el año 2016 hasta el 2018, destacando el municipio de Vitoria
con la tasa más alta en ese período. El objetivo de este trabajo fue
identificar la concentración espacial de las denuncias por violencia familiar
en Ciudad Victoria y especificar la relación entre las desventajas del
vecindario y la ubicación en
un hot spot (punto caliente). El estudio se basa en la teoría de la desorganización social
y tiene como soporte los datos de la Fiscalía General del Estado de Tamaulipas
en el periodo 2016-2018. Para ello, se desarrolló el análisis exploratorio de
datos espaciales mediante las técnicas de estimación de densidad de kernel, promedio del vecino más cercano, análisis de hot spot Gi* de Getis-Ord
y un análisis confirmatorio mediante una regresión logística binaria, procesamientos
desarrollados en el software ArcMap 10.8.1 y en el paquete estadístico R. Los hallazgos
indicaron que las denuncias se producen desde un número reducido de unidades
geográficas. La prueba del promedio del vecino más cercano mostró que existe
agrupamiento estadísticamente significativo (z = - 10.825, P = 0.000). En el
análisis Gi* de Getis-Ord se detectó que 602 manzanas
(9.8 % del total) son hot spots (al 95
% y 99 % de confianza) de alta incidencia,
mientras que la regresión logística confirmó que la cantidad de
ocupantes por vivienda y los hogares con
jefatura femenina están asociados positivamente con la probabilidad de estar
dentro de un hot spot de violencia
familiar. El patrón de denuncias mostró poca dispersión geográfica y asociación estadística relevante con las
variables de desorganización social.
Palabras clave: violencia
familiar, desorganización social, hot spots.
Abstract
The
main crime committed in Mexico is domestic
violence. Tamaulipas had a reporting rate above the national average
from 2016 to 2018, with Ciudad Victoria having the highest rate during that
period. The objective of this work is to identify the spatial concentration of
complaints on family violence and to specify the relationship between the neighborhood characteristics and
its location in a hot spot. To that aim, the study uses the social
disorganization theory and data of complaints taken from the Fiscalia General del Estado de Tamaulipas during the 2016-2018
period. The exploratory analysis of spatial data was developed by using kernel
density estimation techniques, nearest neighbor average, Getis-Ord Gi* hot spot analysis and confirmatory analysis through
binary logistic regression, with the help of
the ArcMap 10.8.1 software and R statistical package. The findings indicated
that complaints of domestic violence are produced from a small number of
geographic units. The nearest neighbor mean test showed that there is a
statistically significant grouping of complaints (z = - 10.825, P = 0.000). In
the Gi * analysis of Getis-Ord, 602 blocks (9.8 % of
the total) were identified as hot spots (at 95 % and 99 % confidence), while
the logistic regression confirmed that the number of occupants per dwelling and
households headed by women are positively associated with the probability of being in a hot spot of family violence. The
pattern of the complaints showed little geographic dispersion and relevant
statistical associations with the social disorganization variables.
Keywords: domestic violence,
social disorganization, hot spots.
INTRODUCCIÓN
En el
año 2018, el Secretariado Ejecutivo del Sistema Nacional de Seguridad Pública
(SESNSP) reveló que el total de delitos denunciados en México ascendió a 1 989
930, lo que representó una tasa de 1 588 por cada 100 000 habitantes. Esta
cifra tuvo un incremento porcentual del 12.94 % con respecto a 2016. El principal delito en
2018 fue la violencia familiar, con
180 187 acusaciones, lo que representó el 9.05
% del total (SESNSP, 2019a).
En 2018, Tamaulipas se
ubicaba por encima de la media nacional con una tasa promedio de 196 denuncias de
violencia familiar por cada 100 000 habitantes, en contraste con la cifra a nivel nacional, que fue de 144. Esta condición se ha mantenido desde 2016 (SESNSP, 2019b), siendo el municipio de Victoria el que
ocupa el primer lugar desde 2015, al presentar una tasa promedio de 271 denuncias por cada 100 000 habitantes (SESNSP,
2019b).
La violencia familiar es
un concepto que engloba varios tipos de actos y de víctimas. El Código Penal de
Tamaulipas la define como “el ejercicio de maltrato físico, psicológico, patrimonial o sexual contra cualquier otro miembro
de la familia con el que se encuentre o haya estado unido por vínculo
matrimonial, de parentesco consanguíneo, afinidad civil” (POE, 2020: 95). La
Organización Mundial de la Salud (OMS) la ubica como una de las múltiples formas de violencia interpersonal que engloba
acciones contra la pareja y maltratos a niños y ancianos (OMS, 2002).
La violencia familiar es
un delito de características especiales, ya que al ocurrir en el ámbito privado
es difícil acceder al mismo (Gracia y col., 2015), por ello, los académicos han
favorecido la investigación en los determinantes
individuales y relacionales sobre los factores explicativos contextuales (Beyer y col., 2015;
Gracia y col. 2018; Lila y col., 2019; Hardesty y Ogolsky, 2020; Herrero y col., 2020; Gracia y
col., 2021). Aunque en
menor escala, dicho fenómeno social también se ha analizado a partir de la
influencia de estos últimos factores, abordándolo desde una perspectiva geográfica
(Pinchevsky y Wright, 2012; Gracia y col., 2015;
2018; Lila y col., 2019; Gracia y col., 2021).
Tomando como marco la teoría de la desorganización social, se ha
generado evidencia consistente que vincula una variedad de condiciones
negativas del vecindario con un riesgo elevado de ocurrencia de violencia familiar (Gracia y col., 2018; Lila y col., 2019; Gracia
y col., 2021).
La teoría de la
desorganización social fue desarrollada por académicos de la Escuela de Chicago
(Shaw y McKay, 1942). El trabajo de estos autores fue
fundamental e implicó un punto de inflexión en el análisis del crimen, ya que
se centraron en las características de los vecindarios en lugar de enfocarse en
los atributos individuales de los delincuentes.
Existen ciertas
características del vecindario que indican desorganización social (nivel económico o educativo bajo, concentración de migrantes,
hogares con jefatura femenina y hacinamiento, entre otros), las cuales están asociadas con el incremento del riesgo de casos
de violencia doméstica (Pinchevsky y Wright, 2012;
Gracia y col., 2015; 2018; 2021). La concentración de población migrante
presenta un mayor riesgo relativo de acumulación espacial de dicho suceso
(Gracia y col., 2015; Lila y col., 2019). La evidencia derivada de esta forma
de abordaje es consistente en distintas ciudades y contextos culturales (Pinchevsky y Wright, 2012; Beyer
y col., 2015; Voith, 2017; Gracia y col., 2021).
Las características de
desventaja social debilitan los lazos comunitarios y la confianza entre
vecinos, reduciendo la capacidad de la comunidad para la acción colectiva y los
controles sociales informales del crimen y la violencia,
incluida la familiar (Lila y col., 2019; Gracia y col., 2021). Por ello,
hay un consenso en la literatura en el sentido de que el riesgo de violencia
doméstica está determinado por la interacción de múltiples factores que operan
a nivel individual, relacional, comunitario y estructural (Hardesty
y Ogolsky, 2020).
Desde la perspectiva de la
eficacia colectiva, las comunidades donde existe mayor comunicación, redes
vecinales robustas y confianza, tienden a
presentar menores niveles de criminalidad, debido al fortalecimiento de
los controles informales (Pinchevsky
y Wright, 2012; Browning
y col., 2017), los cuales inhiben episodios de violencia familiar ante el efecto
del alto capital social de las comunidades (Kirst y
col., 2015). En contraparte, los vecindarios que tienen desventajas económicas, inestabilidad residencial y empleo masculino
informal son más proclives a presentar este delito (Benson
y col., 2003; Gracia y col., 2018; Hernández y col., 2018; Kovacs,
2018; Lila y col., 2019; Gracia y col., 2021).
Los vecindarios
caracterizados por tener bajos niveles de ingreso y de educación tienen mayor
riesgo relativo de la presencia de esta clase de eventos (Gracia y col., 2021)
y otros tipos de violencia y criminalidad (Lila y col., 2019).
Los
factores de riesgo no están igualmente distribuidos geográficamente, pero
tienden a agruparse. Las diferencias entre áreas residenciales pueden ser
mayores que las encontradas entre ciudades o países (Martín-Fernández, 2019; 2020).
Por ello, un marco analítico espacial es fundamental para entender el impacto
de las desventajas sociales presentes en el vecindario, relacionado con el
riesgo de sucesos de violencia familiar (Gracia y col., 2018; 2021). Entonces,
el análisis de los factores contextuales, incluidos los comunitarios y
estructurales, son clave para entenderla y definir la condición de riesgo de un
escenario particular (Kovacs, 2018).
El estudio de la
concentración de desventajas sociales a nivel territorial, medidas en formas
variadas (Pinchevsky y Wright, 2012), ha generado
evidencia robusta para evaluar el grado de amenaza independientemente del análisis
de otra clase de factores, sean estos micro o macro sociales (Pinchevsky y Wright, 2012; Voith,
2017).
Es
necesario considerar la importancia del lugar y la proximidad territorial para un mejor
entendimiento de la violencia (Anselin y col., 2000; Graif y Sampson, 2009), inclusive la familiar (Caetano
y col., 2010; Cunradi y col., 2011; Gracia y
col., 2014; Beyer y col., 2015; Gracia y col., 2015).
La literatura que aborda el tema de la
acumulación de los delitos coincide en que hay zonas específicas de las
ciudades en donde la incidencia es alta. Algunas de estas zonas o hot spots son considerados como “crónicos”
por la persistencia espacial y temporal de la conducta delictiva (Gorman y
col., 2009; Braga y col., 2010; 2012; Weisburd y Amram, 2014; Nogueira y col., 2015; Weisburd, 2015; Weisburd y col.,
2017; Favarin, 2018).
A
nivel nacional hay una amplia literatura sobre el tema, sin embargo, son pocos
los estudios que lo abordan desde una perspectiva del territorio. En Ciudad
Juárez, Chihuahua, México se identificaron zonas de alta recopilación de
carpetas de investigación abiertas por este hecho delictivo, encontrando
colonias de alta prevalencia, tanto en el tiempo como en el espacio (FICOSEC, 2021).
En Tamaulipas, Langle (2020) construyó un modelo de
factores predictores de violencia hacia la pareja en el hogar, y clasificó a los
municipios con mayores probabilidades de presentar este tipo de eventos en
función de ciertas características sociodemográficas. Por otra parte, Jurado (2020) examinó en
Ciudad Victoria la autocorrelación
espacial entre denuncias por violencia familiar y llamadas de emergencia por
maltrato infantil y actos violentos hacia la mujer; los resultados indicaron
una incidencia diferenciada de estos hechos en pocas colonias de la ciudad.
El objetivo de este
trabajo fue analizar el comportamiento espacial de las denuncias por violencia familiar en Ciudad Victoria en el periodo
2016-2018, para determinar la relación entre las variables sociodemográficas y
los hot spots, y así identificar la
posible asociación de los factores de desorganización social con el riesgo de
presentar actos de este delito a nivel de manzana.
MATERIALES Y MÉTODOS
Obtención de la población de estudio
La
Fiscalía General del Estado de Tamaulipas (FGETAM) en el contexto de una colaboración
interinstitucional, informó que en Ciudad Victoria,
Tamaulipas, México, se presentaron 1
534 denuncias por violencia familiar en el periodo del 1 de enero de 2016 al 31 de diciembre
de 2018. Por razones de confidencialidad, la
información solo contenía las coordenadas geográficas de la acusación
(latitud y longitud), las cuales se geocodificaron y
fueron agregadas a nivel de localidad y de manzana mediante el sistema de
información geográfica ArcMap 10.8.1.
Ubicación cartográfica
La cartografía a nivel de
manzana fue obtenida del Censo Nacional de Población y Vivienda 2020 del
Instituto Nacional de Geografía y Estadística (INEGI, 2020). Es importante aclarar
que el análisis confirmatorio mediante la regresión logística tiene como unidad
la manzana y no el hogar, ya que no existen datos ni cartografía oficial que
permita desarrollarlo. Los estadísticos descriptivos manejan un total de 6 109
unidades geográficas, las cuales responden a los usos habitacionales, y se excluyeron
las que no tuvieran usos residenciales (centros
comerciales, lotes baldíos, hoteles, comercios,
entre otros). La información a nivel de coordenada se geocodificó y cada evento se convirtió en un punto. Para
analizar el fenómeno se emplearon técnicas de análisis exploratorio de datos
espaciales: densidad de kernel, promedio del vecino más cercano (verifica si los sucesos se encuentran agrupados o
dispersos); indicadores locales de autocorrelación
espacial mediante el algoritmo Getis-Ord (identificar en qué manzanas se presenta
esta agrupación); regresión logística (analiza la relación entre las variables
identificadas en la teoría con la probabilidad de que una manzana sea considerada
como hot spot).
Densidad de kernel
La estimación o
suavización de kernel es un método para examinar patrones globales de gran escala en datos de
puntos. El objetivo de esta técnica es estimar cómo los niveles de eventos
varían de manera continua a lo largo de un área de estudio, basada en un patrón
de puntos observado para una muestra. La estimación crea un mapa suavizado de
valores usando datos espaciales, el cual aparece como un histograma territorial, con el nivel de cada localización a
lo largo del mapa reflejando la intensidad del patrón de puntos para los alrededores (Anselin
y col., 2000).
La
estimación de kernel ha sido aplicada a diferentes
campos, particularmente la epidemiología. En el análisis epidemiológico, una
distribución de puntos discretos, que representan la incidencia de las
enfermedades entre la población, es transformada en un mapa de superficie suavizada
continua que indica el riesgo de enfermedad. Al transformar los patrones de puntos
espaciales de actos criminales en un mapa suavizado, la estimación de kernel puede ser muy efectiva en la visualización de áreas de
criminalidad y riesgo (Anselin y col., 2000).
Desplegar datos de puntos
en un mapa puede ser un ejercicio confuso y poco informativo, mientras que una
imagen suavizada capta y señala hot spots
como áreas de alta densidad que pueden ser verificadas a través del análisis
del nivel de significancia estadística, observando si estas zonas de alta
densidad están distribuidas de manera aleatoria (Anselin
y col., 2000). El estimador kernel de densidad para
un conjunto de datos n es definido por:
Donde k es la
sumatoria de jorobas en cada observación, h es el parámetro de
suavización, distancia establecida.
Promedio de vecinos más cercanos
La
medida del promedio de vecinos más cercano (ANN, por sus siglas en inglés: Average nearest neighbor) es una herramienta que mide la distancia entre el
centroide de un suceso y el de su vecino más cercano
y promedia todas las distancias entre ellos. De acuerdo con el Environmental Systems Research Institute (ESRI, 2020):
“Si la distancia promedio es menor al promedio de una distribución hipotéticamente
aleatoria, los puntos se consideran como agrupados. Si la distancia promedio es
mayor al promedio de una distribución hipotéticamente aleatoria, los eventos se
consideran dispersos”. Se calcula dividiendo la distancia promedio observada
entre la distancia media esperada. La medida del vecino promedio más cercano es
dada por:
Donde 
es la distancia media observada entre cada evento
y su vecino cercano:
Y DE es la distancia media esperada para los
eventos dados en un patrón aleatorio:
En las
ecuaciones anteriores di equivale a la distancia entre el punto i y el
más cercano, n corresponde al total de eventos y A es el área total
de estudio. El valor ZANN es calculado de la siguiente manera:
Donde:
Si el índice es menor a 1,
el patrón presenta agrupamiento. Si el índice
es mayor que 1, la tendencia es hacia la dispersión (ESRI, 2020).
Análisis hot spot con el estadístico Gi* de Getis Ord
La prueba Gi* de Getis-Ord identifica agrupamientos de puntos que tienen
valores más altos que los esperados aleatoriamente. Requiere datos agregados de ubicaciones de puntos de delitos individuales
hasta recuentos de estos para áreas pequeñas representadas por puntos centroides. La agregación es requerida porque se espera que
haya variaciones en los datos. Si el conteo de casos de un área es alto y los
de las zonas vecinas también lo son, la prueba concluye que ambas son parte de un hot spot.
Una manzana es una unidad geográfica idónea para la realización de dicha
prueba, debido a su nivel de desagregación. Y también es útil esta escala, ya
que los procesos de toma de decisiones en seguridad pública precisan de áreas
pequeñas (Gorr y col., 2018) para una atención más eficiente.
Este estadístico es
aditivo en el sentido que se enfoca en la suma de los valores j en
vecindad de i. El estadístico Gi* permite hacer hipótesis en relación con el agrupamiento.
Entonces, el estadístico Gi* local es:
Donde xi es
el valor del atributo para el evento j, wi,j
es el peso espacial entre el evento i y j; n es igual al número total
de eventos y:
El estadístico Gi*
es un valor z, entonces, no se requieren cálculos adicionales. La puntuación
z alta y un P-valor pequeño (< 0.05) indican agrupamiento de valores
altos. Una puntuación z negativa y un P-valor pequeño son evidencia de valores bajos en este aspecto. Entre más alto sea el valor z, más intenso
será el agrupamiento (ESRI, 2018).
Para hacer el cálculo de
los hot spots, primero se obtuvieron
los centroides de los polígonos de las unidades
geográficas (manzanas), los cuales quedaron expresados en coordenadas
geográficas (latitud y longitud). El resultado de este procedimiento es una
tabla, en la cual aparecen las coordenadas de cada unidad geográfica y sus
respectivas claves de manzana. Las coordenadas obtenidas del cálculo de centroide se geocodificaron y el
resultado fue una capa de puntos.
El siguiente paso
consistió en asignar a cada evento un identificador, que consiste en la clave
geográfica de la manzana, con un radio de distancia
de 6 m. Este paso permitió hacer una sumatoria de puntos dentro del
polígono y entonces asignarle a cada centroide la cantidad de delitos que ocurrieron dentro de la
manzana. Por último, se crea una nueva capa en donde la sumatoria de denuncias
por manzana se agregó a la capa de puntos, lo
que permitió hacer el cálculo de hot
spot mediante el estadístico Gi* de Getis-Ord.
Regresión logística binomial
Una vez identificados los hot spots se realizó un análisis
confirmatorio mediante una regresión logística binaria. Se clasificaron el total
de unidades geográficas (manzanas) con usos habitacionales (6 109) y se
identificó si eran o no hot spots.
Entonces, se generó una variable dependiente Y, que responde a dos categorías (0 = no hot spot,
1 = hot spot), entonces
Y = 0, 1; y con esta variable dependiente se
desarrolló un modelo de regresión logística
binomial con las variables independientes identificadas con la revisión de la literatura.
La regresión logística
binomial presenta la siguiente forma:
Donde:
Pr (Y = 1| x)
= la manzana es hot spot
Pr (Y = 0| x)
= la manzana no es hot spot
a =
intercepto
b1 x1=
efecto marginal de x1
b2 x2
= efecto marginal de x2
Las variables
independientes que se utilizaron para el modelo de regresión son las
siguientes:
Nivel socioeconómico
• Tasa de desempleo: se
calculó mediante la división de la población económicamente activa desocupada
entre la población económicamente activa (INEGI, 2020).
• Población sin derechohabiencia: se refiere al
total de personas que no están afiliadas a servicios médicos en ninguna institución pública o privada
(INEGI, 2020). Se utiliza como variable
aproximada de la informalidad laboral.
• Viviendas particulares habitadas que disponen de automóvil o camioneta (INEGI, 2020). Se utiliza como
variable aproximada del ingreso.
Nivel educativo
• Grado promedio de escolaridad:
es el resultado de dividir el monto de grados escolares aprobados entre
las personas mayores de 15 años (INEGI, 2020).
Migración
• Población de 5 años y
más residente en otra entidad en marzo de 2015 (INEGI, 2020).
Características del hogar
• Hogares con jefatura femenina (INEGI, 2020).
Vivienda
• Número de personas
ocupantes en viviendas particulares habitadas (INEGI, 2020).
RESULTADOS
La aplicación de las tres
pruebas descriptivas arroja resultados que confirman la concentración de las
denuncias sobre violencia familiar en Ciudad Victoria. En cuanto a la estimación
de densidad de kernel, es importante mencionar
que el parámetro crítico para esta prueba es el radio de búsqueda, el cual fue de
300 m2, que permite establecer zonas que no sean muy amplias y que
impidan una visión detallada, pero tampoco muy focalizadas y demasiado
pequeñas, que son poco prácticas en el análisis.
En la Figura 1 se resaltan
los sectores de acumulación de los eventos de acuerdo con la intensidad del
color. Las denuncias por violencia familiar tienen un patrón: en primer lugar,
varias colonias alrededor del centro de la
ciudad (San José, Pedro J. Méndez, Morelos, Adolfo López Mateos, entre
otras) tienen densidades muy altas de
reportes por cada 300 m2. Por
otra parte, se identificó otra concentración en el norponiente (Mariano
Matamoros, Guadalupe Victoria, Cañón de la Peregrina, Naciones Unidas, entre
otras) y surponiente de la ciudad (Luis Echeverría, San Marcos
1 y 2, Estudiantil, entre otras). Por último,
un área de menor intensidad en el
oriente de la ciudad (América de
Juárez, Las Flores y Cuauhtémoc). En la Figura 2 se observan las
colonias que presentan mayor acumulación de acusaciones.
Para la prueba del
promedio de vecinos más cercanos, en
principio se especificó el parámetro del área total de la unidad de
análisis (Ciudad Victoria), la cual fue de 61.322 km2. Establecer
este parámetro es un paso importante
para la precisión
de la prueba. Los resultados del análisis (Tabla 1)
apuntan que la distancia media observada (de
los casos) a los vecinos cercanos es
menor que la distancia media esperada, bajo el supuesto de que las denuncias
están distribuidas de manera uniforme y aleatoria. Otro elemento que
permite confirmar este patrón es el estadístico z, el cual presenta un
valor de - 10.825 (muy por debajo de - 2 y -
3, que son considerados valores altamente significativos), lo que
implica un alto nivel de significancia estadística del agrupamiento de los
eventos. En otras palabras, hay pocas probabilidades de que lo anterior
ocurriera al azar, entonces, el fenómeno tiene bases causales.
La prueba de detección de hot spots de Getis-Ord
identificó en cuáles manzanas de la ciudad se focalizan unidades
geográficas con valores altos de denuncias por violencia familiar rodeadas de unidades con altos valores.
La evidencia del análisis hot spot indica que a nivel de manzana se
identifican conglomerados significativos (al 95 % y 99 % de confianza). En la
Figura 3 se presentan los resultados de la prueba Gi* de Getis-Ord: 602 unidades geográficas (9.8 %), y si solo se
consideran las unidades con un 99 % de
confianza, estas se reducen a 394 (6.4 %) que fueron identificadas como hot spots de alta incidencia, lo que muestra
la aglomeración del suceso en un número reducido de unidades geográficas.
En la Tabla 2 se presenta
la estadística descriptiva de las variables elegidas para modelar la violencia familiar. Para el aspecto socio-económico
y educativo, a nivel de manzana, el promedio
de escolaridad era de 10º cursados, es decir, al menos un grado cursado en nivel
medio superior. La tasa de desempleo era de 0.16 y la población sin derechohabiencia de 7.14
personas. Mientras que las viviendas que disponían de automóvil fueron
10.5, alcanzando un máximo de 162
automóviles por manzana.
Respecto
a las características del hogar por manzana, los hogares con jefatura femenina eran 5, y en algunas unidades se tiene la
cifra de 73 hogares con esta característica;
mientras que los ocupantes por
vivienda eran 53.8, con una
cifra máxima de 639 personas en la unidad
geográfica. La población migrante tenía un promedio de 0.48 personas por manzana, y en algunas unidades geográficas alcanzaron
una cifra de 99 personas migrantes.
Para
realizar la prueba de multicolinealidad se construyó la
matriz de correlación entre las
variables independientes con el objetivo de identificar posibles problemas de multicolinealidad en el modelo de regresión (Tabla 3). Los resultados
muestran que las siete variables en su
mayoría tienen un grado de correlación por debajo del nivel de riesgo de
0.7. Solo se encontraron 5 relaciones entre variables que están por encima de
este nivel, por lo que se considera que su número reducido no afecta al desempeño
del modelo de regresión.
En el
caso del grado promedio de escolaridad tiene una relación negativa y
estadísticamente significativa con la tasa de desempleo, lo que indica que
conforme incrementa el nivel educativo se reduce la tasa de desempleo.
Los
hogares con jefatura femenina tienen una relación positiva y estadísticamente
significativa con los ocupantes en viviendas particulares y viviendas que disponen de automóvil. Y
el número de ocupantes de viviendas particulares
habitadas presenta una relación positiva y estadísticamente
significativa con población sin derechohabiencia y
viviendas particulares habitadas que disponen de automóvil o camioneta. El
resto de las relaciones entre variables no tienen
niveles altos de correlación.
Los resultados de la
regresión logística destacan que existen asociaciones importantes entre los indicadores derivados de la teoría y las
unidades geográficas identificadas como hot spots.
Es decir, se interpretan como contribuciones a la probabilidad de que
ocurra el evento de interés (en este caso, ser considerado un hot spot). De acuerdo a lo obtenido en el
presente trabajo, de las variables seleccionadas para el nivel socioeconómico
(Tabla 4), la variable aproximada de ingreso tiene una relación negativa y
estadísticamente significativa (P < 0.001) con Y1 (- 0.055), toda vez que entre
mayor sea el ingreso de los habitantes de la manzana (medido de manera indirecta
por el número de autos en la vivienda), menor probabilidad de ser considerado
como hot
spot de violencia familiar. Lo anterior es porque un auto más en la manzana
reduce en 5 puntos porcentuales esa probabilidad.
Por otra parte, la variable aproximada de la informalidad laboral tiene una relación positiva y estadísticamente significativa
(P < 0.05) con Y1 (0.016), lo que destaca que las condiciones laborales
informales aumentan la expectativa de
contemplar a la manzana como hot
spot, incluso controlando el nivel de ingreso. La variable de tasa de desempleo no es estadísticamente significativa (P > 0.05), sin embargo, puede deberse a la
especificación del modelo; a pesar de ello, las variables de ingreso e informalidad laboral presentan asociación
estadística, la primera negativa, y la segunda positiva.
La
variable seleccionada para medir la vivienda, evidencia que, acerca de sus
ocupantes, existe una relación positiva y estadísticamente significativa con (P
< 0.01) Y1 (0.009); lo que implica que, a mayor población en la manzana, mayor
probabilidad de ser catalogado como hot spot.
Mientras que la variable de hogares con jefatura femenina tiene una relación
positiva y estadísticamente significativa (P < 0.001) con Y1 (0.035), esto
es, que tienen una mayor probabilidad de estar insertos en manzanas hot spot.
Las variables
seleccionadas para medir el nivel educativo, y la migración, no son estadísticamente significativas (P > 0.05; grado
de escolaridad y población residente en otra entidad). De presentarse la primera, su efecto está asociado directamente al
ingreso, en donde, a mayor educación, mayor ingreso; en cuanto a la segunda, es
necesario considerar el tipo de migración que recibe la ciudad, en términos de
nivel educativo y del empleo al que arriban.
DISCUSIÓN
Los resultados indican que
las denuncias por violencia familiar en Ciudad Victoria están espacialmente
agrupadas, lo que es consistente con la investigación previa sobre otro tipo de
delitos en el marco de la ley de la concentración del crimen (Gorman y col.,
2009; Braga y col., 2010; 2011; 2012; Nogueira y col., 2015; Weisburd, 2015; Favarin, 2018; Stanfield y Doherty, 2019), en la
cual se hace notar que un reducido porcentaje
de unidades geográficas acumulan una gran cantidad de hechos delictivos. La literatura advierte que los factores contextuales
tienen influencia en el crimen violento (Braga y col., 2010), crimen hacia la
propiedad (Hernández y col., 2018) y otras formas de victimización (Lauritsen, 2001), incluida la violencia familiar (Gracia y
col., 2014; Voith, 2017; Stanfield
y Doherty, 2019; Kelling y col., 2020).
Desde
la perspectiva de la desorganización social, este estudio es consistente con
otros que señalan que los vecindarios con bajos niveles de educación y de
ingresos tienen mayores probabilidades de presentar sucesos de violencia
familiar (Gracia y col., 2015; 2018; 2021). Un entorno con elevados niveles de
desventajas económicas e
inestabilidad residencial (Benson y col., 2003; Pinchevsky
y Wright, 2012; Lila y col., 2019), hombres con empleo informal y comunidades
con aislamiento social o desconexión urbana
(Pinchevsky y Wright, 2012; Stanfield y Doherty, 2019) son más
propensos a presentar estos
hechos. Contextos donde hay una alta percepción
de problemas comunitarios favorecen la creación de estresores, que propicien la
violencia doméstica (Kirst y col., 2015). Las situaciones de desventaja social
pueden traducirse en episodios de depresión, ira y estrés emocional (Copp y col., 2015), además de afectaciones negativas en la
salud física y mental de la población (Stanfield y Doherty, 2019) y consumo crónico de sustancias
psicotrópicas (Weisburd y col., 2017; Carter y col., 2019).
Respecto a la población
migrante, donde los resultados no son
estadísticamente significativos, es necesario considerar la cualidad y tipo de
migración que se analiza. En España tiene bajos niveles educativos y, por
consiguiente, también de ingreso (Gracia y col., 2018; Lila y col., 2019; Gracia
y col., 2021), mientras que en este estudio la migración tiene otras
características tanto educativas como de expectativas de ingreso, así como de inserción
laboral.
Los
resultados respecto al nivel de ingreso, medido a través de la posesión de auto
en el hogar tienen una relación negativa con la agrupación de denuncias,
mientras que los hogares con jefatura femenina y la cantidad de ocupantes en
relación con el riesgo y/o probabilidad de concentrar eventos de violencia
familiar tienen una relación positiva. Ambos resultados son consistentes con lo
reportado en ciudades estadounidenses
(Pinchevsky y Wright, 2012; Beyer y col., 2015; Voith, 2017) y españolas (Gracia
y col., 2015; 2018; Lila y col., 2019; Gracia y col., 2021). Lo anterior,
sugiere que existen mecanismos de estos vecindarios que influyen sobre la
probabilidad de presentar dicho delito y que estos factores de riesgo están
presentes en distintas ciudades y ámbitos culturales. De acuerdo a la teoría de
la desorganización social, dichas características de los vecindarios debilitan
los lazos sociales y de confianza entre los integrantes de la comunidad,
reduciendo la capacidad para la autorregulación y el fortalecimiento de los
controles sociales informales.
Los
vecindarios socialmente desorganizados pueden estar aislados de los valores y normas convencionales
respecto al crimen (por ejemplo, desaprobar conductas de violencia familiar),
lo que podría conducir a normas y valores que la faciliten, es decir, mayor
aprobación y tolerancia de actos violentos, no intervención y cinismo legal
(Gracia y col., 2021). Estas normas sociales ad hoc, pueden brindar las
bases para un mayor clima social de condescendencia hacia la violencia
familiar, por lo que no es señalada, ni condenada como una desviación, y sí
considerada como una estrategia permitida
en dichos contextos (Gracia y col., 2018).
Por otra parte, los
vecindarios que presentan desorganización social pueden convertirse en terrenos
fértiles para la socialización de actitudes que acepten la violencia en las
relaciones íntimas e internalizarlas como una forma de resolver conflictos. Además, se desestima la importancia de la
violencia familiar como un problema social, y
con ello se desmovilizan los mecanismos informales de control social (Pinchevsky y Wright,
2012; Gracia y col., 2018; Lila y col., 2019; Gracia y col., 2021).
En términos de política
pública, esta clase de análisis es un insumo importante en los procesos de
diseño de intervenciones y asignación de recursos públicos para atender dichos
eventos. El presente estudio ha identificado que los factores de desventaja de
vecindario juegan un rol importante en la reproducción de la violencia familiar
y que se concentran en el espacio, por lo
que dicho conocimiento debe ser incorporado a los esfuerzos de
prevención para detectar y reducir el riesgo de este hecho. El problema con la
políticas actuales es que se centran en los individuos y se enfocan a víctimas
y victimarios o, en el nivel macro, en intervenciones de la educación pública y
el reforzamiento de la ley (Gracia y col., 2018). Del presente trabajo se puede
enfatizar la importancia de incluir el nivel comunitario (vecindario),
apuntando a las áreas de alto riesgo (hot spot) para un enfoque más
holístico de la prevención de la violencia familiar.
CONCLUSIONES
Las denuncias por
violencia familiar en el periodo analizado presentan un patrón de agrupamiento
espacial. Este hallazgo es importante porque en el contexto latinoamericano pocos
estudios lo han abordado desde una perspectiva geográfica a nivel desagregado.
La presente investigación ilustra el vínculo entre las desventajas de
vecindario y el riesgo de concentrar violencia familiar. Los hallazgos mostrados
son un insumo para los tomadores de decisiones en el ámbito de la prevención y atención
de este delito para el diseño de políticas públicas, programas y acciones
focalizadas, y subrayan la importancia de los esfuerzos de actuación dirigidos
a los vecindarios (hot spots) con
desventajas sociales, para abocarse a atender y prevenir dicho fenómeno social.
Referencias
Anselin,
L., Cohen, J., Cook, D., Gorr, W., and Tita, G. (2000). Spatial Analyses of Crime. In D. Duffe (Ed.), Measurement and Analysis of Crime and
Justice (pp. 213-262). Estados Unidos: US Department of Justice.
Benson,
M., Fox, G., DeMaris, A., and van-Wyk,
J. (2003). Neigborhood Disadvantage, Individual
Economic Distress and Violence Against Women in Intimate Relationships. Journal
of Quantitative Criminology. 19(3): 207-235.
Beyer, K., Baber, A., and Hamberger,
K. (2015). Neighborhood Environment and Intimate Partner
Violence. Trauma, Violence & Abuse. 16(1): 16-47.
Braga,
A., Hureau, D., and Papachristos, A. (2010). The concentration and stability of gun violence
at micro places in Boston, 1980-2008. Journal of Quantitative Criminology. 26: 33-53.
Braga,
A., Hureau, D., and Papachristos, A. (2011). The
relevance of micro places to citywide robbery trends: a longitudinal analysis
of robbery incidents at street corners and block faces in Boston. Journal of
Research in Crime and Delinquency. 48(1): 7-32.
Braga,
A., Papachristos, A., and Hureau, D. (2012). The
effects of hot spots policing on crime: an up-dated systematic review and meta analysis. Justice Quarterly. 31(4): 633-663.
Browning,
C., Calder, C., Boettner, B., and Smith, A. (2017).
Ecological networks and urban crime: the structura of
shared routine activity locations and neighborhood-level informal control
capacity. Criminology. 55(4): 754-778.
Caetano,
R., Ramisetty-Mikler, S., and Harris, R. (2010). Neighborhood Characteristics as Predictors
of Male to Female and Female to Male Partner Violence. Journal of
Interpersonal Violence. 25(11):1986-2009.
Carter, J., Mohler, G., and Ray, B. (2019). Spatial
Concentration of Opioid Overdose Deaths in Indianapolis: An Application of the
Law of Crime Concentration at Place to a Public Health Epidemic. Journal of
Contemporary Criminal Justice. 35(2): 161-185.
Copp, J., Kulh,
D., Giordano, P., Longmore, M., and Manning, W. (2015). Intimate partner
violence in neighborhood context: The roles of structural disadvantage,
subjective disorder, and emotional distress. Social Science Research.
53: 59-72.
Cunradi,
C., Mair, C., Ponicki, W., and Remer, L. (2011).
Alcohol Outlets, Neigborhood Characteristics, and
Intimate Partner Violence: Ecological Analysis of a California City. Journal
of Urban Health. 88(2): 191-200.
ESRI,
Environmental Systems Research Institute (2018). Conjunto de
herramientas Asignación de clusters. [En línea].
Disponible en: https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/hot-spot-analysis.htm.
Fecha de consulta: 6 de marzo de 2021.
ESRI,
Environmental Systems Research Institute (2020). Cómo funciona vecino
más cercano promedio. [En línea]. Disponible en: https://desktop.arcgis.com/es/arcmap/latest/tools/spatial-statistics-toolbox/h-how-average-nearest-neighbor-distance-spatial-st.htm. Fecha
de consulta: 6 de marzo de 2021.
Favarin,
S. (2018). This must be the place (to commit a crime). Testing the law of crime
concentration in Milan, Italy. European
Journal of Criminology. 15(6): 702-729.
FICOSEC,
Fideicomiso para la Competitividad y Seguridad Ciudadana (2021). Violencia contra
las mujeres y niñas: reporte técnico especial. [En línea]. Disponible en:
http://observatoriochihuahua.org/wp-content/uploads/2021/03/violencia-mujeres-ninas-jrz2021-otro.pdf.
Fecha de consulta: 26 de abril de 2021.
Gorman,
D., Zhu, L., and Horel, S. (2009). Drug “hot-spots”,
alcohol availabity and violence. Drug and Alcohol Review.
24(6): 507-513.
Gorr, W., Surland, K., and
Dodson, Z. (2018). GIS Tutorial for Crime Analysis.
New York: Esri Press. 148 Pp.
Gracia, E., López-Quílez, A., Marco, M., and Lila, M.
(2018). Neighborhood characteristics and violence behind closed doors: The spatial overlap of
child maltreatment and intimate partner violence. PLoS One. 13(6): 1-13.
Gracia, E., López-Quílez, A., Marco, M., Lladosa,
S., and Lila, M. (2014). Exploring Neighborhood Influences on
Small-Area Variations in Intimate Partner Violence Risk: A Bayesian
Random-Effects Modeling Approach. International Journal of Environmental
Research and Public Health. 11(1): 866-882.
Gracia, E., López-Quílez, A., Marco, M., Lladosa,
S., and Lila, M. (2015). The Spatial Epidemiology of Intimate Partner Violence: Do Neighborhoods Matter? American
Journal of Epidemiology. 182(1): 58-66.
Gracia,
E., Marco, M., López-Quílez, A., and Lila, M. (2021). Chronic
hig risk of intimate partner violence against women
in disadvantaged neighborhoods: An eigth year
space-time analysis. Preventive Medicine. 148(1): 1-13.
Graif, C. and Sampson, R. (2009). Spatial Hetereogeneity in the Effects of Immigation
and Diversity on Neighborhood Homicide Rates. Homicide Studies. 13(3):
242-260.
Hardesty,
J. and Ogolsky, B. (2020). A socioecological
perspective on intimate partner violence research: a decade in review. Journal
of Marriage and Family. 82(2): 454-477.
Hernández, V., Maycotte, E. y Quezada, D. (2018). Geografía del robo a casa habitación en Ciudad Juárez, Chihuahua
(2007-2014). Investigaciones Geográficas. 96: 1-15.
Herrero, J.,
Rodríguez-Franco, L., Rejano-Hernández, L., Juarros-Basterretxea, J., and Rodríguez-Díaz, F. (2020). The
actor-partner interdependence model in the study of the aggression and
victimization within couples: an empirical examination in 361 dyads (2007-2014). Psychosocial Intervention.
29: 165-174.
INEGI, Instituto
Nacional de Estadística y Geografía (2020). Censos y Conteos de Población y
Vivienda 2020. [En línea]. Disponible en:
https://www.inegi.org.mx/programas/ccpv/2020/. Fecha de consulta: 23 de agosto
de 2021.
Jurado, V. (2020).
Análisis exploratorio de la violencia familiar en Ciudad Victoria 2018, En V.
Jurado (Ed.), Contribución al análisis de la violencia familiar. [En
línea]. Disponible en: http://www.coltam.edu.mx/wp-content/uploads/2020/11/2020-11-12-violencia_jurado-1.pdf. Fecha de consulta: 26 de abril de 2021.
Kelling,
C., Graif, C., Korkmaz, G., and Haran, M. (2020).
Modeling the Social and Spatial Proximity of Crime: Domestic and Sexual
Violence Across Neigborhoods, en
Journal of Quantitative Criminology. [En línea]. Disponible en:
https://link.springer.com/article/10.1007/s10940-020-09454-w. Fecha de
consulta: 15 de febrero de 2021.
Kirst, M., Palma, L., Zhang, Y., and O´Campo, P. (2015). The Effects of Social Capital and Neighborhood Characteristics
on Intimate Partner Violence: A Consideration of Social Resources and
Risks. American Journal of Community
Psychology. 55(3): 314-325.
Kovacs,
R. (2018). The macro-level drivers of intimate partner violence: new evidence
from a multilevel dataset. Global Public Health. 13(1): 944-956.
Langle, M. (2020). Análisis
de factores predictores de violencia de género dentro del hogar en los municipios del estado de Tamaulipas. En V. Jurado
(Ed.), Contribución al análisis de la violencia familiar. [En línea].
Disponible en: http://www.coltam.edu.mx/wp-content/uploads/2020/11/2020-11-12-violencia_jurado-1.pdf.
Fecha de consulta: 26 de abril de 2021.
Lauritsen, J. (2001). The Social Ecology of Violent Victimization:
Individual and Contextual Effects in the
NCVS. Journal of Quantitative Criminology. 17(1): 3-32.
Lila,
M., Martín-Fernández, M., Gracia, E., López-Osorio, J. J., and González, J.
(2019). Identifying key predictors of recividism
among offenders attending a batterer intervention program: a survival analysis.
Psycosocial Intervention. 28(1):
157-167.
Martín-Fernández, M., Gracia, E., and Lila, M. (2019).
Psychological intimate partner violence against women
in the European Union: a cross-national invariance study. BMC Public Health.
19: 1739.
Martín-Fernández, M., Gracia,
E., and Lila, M. (2020). Ensuring the comparability
of cross-national survey data on intimate partner violence against women: a
cross-sectional, population-based study in the European Union. BMJ Open.
10(1): 1-11.
Nogueira, S., Fonseca, L., and Andresen, M. (2015).
Crime concentrations and similarities in spatial crime patterns in a Brazilian
context. Applied Geography. 62: 314-324.
OMS, Organización
Mundial de la Salud (2002). Informe mundial
sobre la violencia y la salud (sinopsis), Ginebra, Suiza. [En línea].
Disponible en: http://apps.who.int/iris/bitstream/handle/10665/67411/a77102_spa.pdf;jsessionid=3CAB477F269C4209B975461E9BBC9F53?sequence=1.
Fecha
de consulta: 19 de mayo de 2021.
Pinchevsky, G. and Wright, E. (2012). The Impact of Neighborhoods on Intimate Partner Violence and
Victimization. Trauma, Violence
& Abuse. 13(2): 112-132.
POE, Periódico Oficial
del Estado (2020). Código Penal para el Estado de Tamaulipas, Ciudad Victoria,
Tamaulipas. [En línea]. Disponible en: http://po.tamaulipas.gob.mx/wp-content/uploads/2020/08/Codigo_Penal.pdf. Fecha de consulta: 19 de mayo de 2021.
SESNSP, Secretariado
Ejecutivo del Sistema Nacional de Seguridad Pública (2019a). Incidencia
delictiva del fuero común, nueva metodología, Estatal 2015-2021. [En línea]. Disponible en: https://www.gob.mx/sesnsp/acciones-y-programas/incidencia-delictiva-del-fuero-comun-nueva-metodologia?stte=published.
Fecha de consulta: 15 de febrero de 2021.
SESNSP, Secretariado
Ejecutivo del Sistema Nacional de Seguridad Pública (2019b). Incidencia delictiva
del fuero común, nueva metodología, Municipal 2015-2019. [En línea]. Disponible
en: https://www.gob.mx/sesnsp/acciones-y-programas/incidencia-delictiva-del-fuero-comun-nueva-metodologia?state=published.
Fecha de consulta: 15 de febrero de 2021.
Shaw, C. and McKay, H. (1942). Juvenile Delinquency
and Urban Areas, Chicago, University of Chicago Press. 451 Pp.
Stanfield, R. and Doherty, E. (2019). Neighborhood Health,
Social Structure and Family Violence. Social Science Research. 81:
12-22.
Voith,
L. (2017). Understanding the Relation Between Neighborhoods and Intimate
Partner Violence: An Integrative Review. Trauma, Violence, & Abuse.
20(3): 385-397.
Weisburd,
D. (2015). The law of concentration and the criminology of place. Criminology.
53(2): 133-157.
Weisburd, D. and Amram, S. (2014). The law of concentrations
of crime at place: the case of Tel-Aviv-Jaffa. Police Practice and Research. 15(2):
101-114.
Weisburd, D., Shy, M., Amram, S., and Zamir, R. (2017).
The relationship between social disorganization and crime at street segments:
findings from Tel-Aviv Jaffa census data. In D. Weisburd and J. Eck (Eds.),
Unraveling the crime-place connection (pp. 97-120). Oxford: Taylor &
Francis.