Análisis de los hurtos en Colombia durante el año 2017 mediante los modelos de regresión lineal múltiple y la regresión ponderada geográficamente

Autores/as

  • Nelson Ricardo López Herrera Universidad Industrial de Santander, Bucaramanga, Colombia.
  • Marlon Augusto Aceros Bueno Universidad Industrial de Santander, Bucaramanga, Colombia.
  • Marianela Luzardo Briceño Universidad Pontificia Bolivariana Seccional Bucaramanga, Bucaramanga, Colombia.

DOI:

https://doi.org/10.47741/17943108.66

Palabras clave:

factores de la criminalidad, hurto, estadísticas criminales, medición de la criminalidad, estadística, GWR, OLS

Resumen

Según información procedente del observatorio del delito de la Policía Nacional de Colombia, los hurtos a personas y de celulares han presentado una tendencia al alza desde el año 2003 (Norza, Peñalosa y Rodríguez, 2017). Esta tendencia motivó la realización del presente estudio para analizar la relación entre los factores socioeconómicos y el hurto en los diferentes municipios de Colombia durante el año 2017, mediante el uso de modelos de regresión lineal múltiple y regresión geográficamente ponderada utilizando fuentes de información secundaria segregada a nivel municipal. Se constató que las variables matriculados en instituciones de educación superior por cada mil personas, presupuesto percápita asignado por el sistema general de participaciones y la categoría del municipio explican el 69,5% de la variabilidad del logaritmo del hurto a personas y de celulares en 532 municipios mediante un modelo de regresión lineal múltiple estimado globalmente y el 50,16% utilizando el modelo de regresión ponderada geográficamente omitiendo en este último la categoría del municipio. En este modelo hubo ligeras variaciones en los coeficientes a nivel municipal, lo que refleja que la heterogeneidad social y económica tiene efectos en los indicadores de hurto a nivel nacional.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Nelson Ricardo López Herrera , Universidad Industrial de Santander, Bucaramanga, Colombia.

MSc Geographical Information Science & Systems Especialista en Estadística - Universidad Industrial de Santander, Bucaramanga, Colombia.

Marlon Augusto Aceros Bueno, Universidad Industrial de Santander, Bucaramanga, Colombia.

Economista Especialista en Estadística - Universidad Industrial de Santander, Bucaramanga, Colombia.

Marianela Luzardo Briceño, Universidad Pontificia Bolivariana Seccional Bucaramanga, Bucaramanga, Colombia.

Doctora en Estadística Docente de tiempo completo Universidad Pontificia Bolivariana Seccional Bucaramanga, Bucaramanga, Colombia.

Citas

Baron, S. W. (2003). Self-Control, Social Consequences, and Criminal Behavior: Street Youth and the General Theory of Crime. Journal of Research in Crime and Delinquency, 40(4): 403-425. https://doi.org/10.1177/0022427803256071.

Breusch, T. S. & Pagan, A. R. (1979). A Simple Test for Heteroscedasticity and Random Coefficient Variation. Econometrica, 47(5): 1287. https://doi.org/10.2307/1911963.

Brunsdon, C., Fotheringham, A. S. & Charlton, M. (1996). Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity. Geographical Analysis, 28(4), 281-298. https://doi.org/10.1111/j.1538-4632.1996.tb00936.x.

Brunsdon, C., Fotheringham, A. S. & Charlton, M. (1998). Geographically Weighted Regression. Journal of the Royal Statistical Society: Series D (The Statistician), 47(3): 431-443. https://doi.org/10.1111/1467-9884.00145.

Brunsdon, C., Fotheringham, A. S. & Charlton, M. (1999). Some Notes on Parametric Significance Tests for Geographically Weighted Regression. Journal of Regional Science, 39(3): 497-524. https://doi.org/10.1111/0022-4146.00146.

Castillo G, L. C. (2007). Etnicidad y nación: El desafío de la diversidad en Colombia (1. ed.). Colección Libros de investigación. Cali Colombia: Programa Editorial Universidad del Valle. Recuperado de https://books.google.es/books?id=HyYPkuRP89IC

Cahill, M. & Mulligan, G. (2007). Using Geographically Weighted Regression to Explore Local Crime Patterns. Social Science Computer Review, 25(2), 174-193. https://doi.org/10.1177/0894439307298925.

Charlton, M. & Fotheringham, A. S. (2009). Geographically weighted regression (White Paper). Recuperado de https://www.geos.ed.ac.uk/~gisteac/fspat/gwr/gwr_arcgis/GWR_WhitePaper.pdf.

Charlton, M., Fotheringham, A. S. & Brunsdon, C. (2006). Geographically weighted regression: NCRM Methods Review Papers/NCRM/006. Recuperado de http://eprints.ncrm.ac.uk/90/.

Chávez, S. M. (2018). Causas y factores que conllevan a cometer el delito de feminicidio en la provincia de Huánuco 2016-2017. Universidad de Huánuco, Huánuco - Perú.

Chen, X., Thrane, L., Whitbeck, L. B., Johnson, K. D. & Hoyt, D. R. (2007). Onset of conduct disorder, use of delinquent subsistence strategies, and street victimization among homeless and runaway adolescents in the Midwest. Journal of interpersonal violence, 22(9): 1156-1183. https://doi.org/10.1177/0886260507303731.

Dankhe, G. L. (1986). Investigación y comunicación. En C. Fernández-Collado y G. L. Dankhe (Eds.), La comunicación humana: ciencia social (pp. 385-454). México: McGraw-Hill.

Dong, G., Nakaya, T. & Brunsdon, C. (2018). Geographically weighted regression models for ordinal categorical response variables: An application to geo-referenced life satisfaction data. Computers, Environment and Urban Systems, 70, 35-42. https://doi.org/10.1016/j.compenvurbsys.2018.01.012.

Durbin, J. & Watson, G. S. (1950). Testing for Serial Correlation in Least Squares Regression: I . Biometrika, 37(3/4): 409. https://doi.org/10.2307/2332391.

Durbin, J. & Watson, G. S. (1951). Testing for Serial Correlation in Least Squares Regression. II. Biometrika, 38(1/2): 159. https://doi.org/10.2307/2332325.

Durbin, J. & Watson, G. S. (1971). Testing for Serial Correlation in Least Squares Regression. III. Biometrika, 58(1): 1. https://doi.org/10.2307/2334313.

Eisner, M. (2002). Crime, Problem Drinking, and Drug Use: Patterns of Problem Behavior in Cross-National Perspective. The ANNALS of the American Academy of Political and Social Science, 580(1): 201-225. https://doi.org/10.1177/000271620258000109.

Environmental Systems Research Institute (2016). Regresión ponderada geográficamente (GWR)-Ayuda. Recuperado de http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/geographically-weighted-regression.htm.

Estrada, L. & Durán, C. (2015). Estudio sobre las relaciones espaciales locales entre la pobreza multidimensional, la ruralidad y la capacidad institucional. Recuperado de https://www.researchgate.net/publication/317721631_Estudio_sobre_las_relaciones_espaciales_locales_entre_la_pobreza_multidimensional_la_ruralidad_y_la_capacidad_institucional.

Fajnzylber, P., Lederman, D. & Loayza, N. (2002). Inequality and violent crime. The journal of Law and Economics, 45(1): 1-39.

https://doi.org/10.1086/338347

Fotheringham, A. S., Charlton, M. & Brunsdon, C. (1998). Geographically Weighted Regression: A Natural Evolution of the Expansion Method for Spatial Data Analysis. Environment and Planning A, 30(11), 1905-1927. https://doi.org/10.1068/a301905.

Fotheringham, A. S., Charlton, M. & Brunsdon, C. (2001). Spatial Variations in School Performance: A Local Analysis Using Geographically Weighted Regression. Geographical and Environmental Modelling, 5(1): 43-66. https://doi.org/10.1080/13615930120032617.

Fowler, B. (2013). Understanding Colombian Violence Through Geographic Information Systems and Statistical Approaches (Master Thesis). Western Kentucky University, Bowling Green, Kentucky.

Gottfredson, M. R. & Hirschi, T. (1990). A general theory of crime. Stanford Calif.: Stanford University Press.

Gutiérrez-Puebla, J., García-Palomares, J. C. & Daniel-Cardozo, O. (2012). Regresión Geográficamente Ponderada (GWR) y estimación de la demanda de las estaciones del Metro de Madrid. En XV Congreso Nacional de Tecnologías de la Información Geográfica.Madrid.

Harrison, L. D. (1992). The Drug-Crime Nexus in the USA. Contemporary Drug Problems, 19, 203.

Mancero, X. & Feres, J. C. (2001). El método de las necesidades básicas insatisfechas (NBI) y sus aplicaciones en América Latina. Serie estudios estadísticos y perspectivas: Vol. 7. Santiago: Naciones Unidas, CEPAL. Recuperado de http://hdl.handle.net/11362/4784.

Moran, P. A. P. (1950). Notes on Continuous Stochastic Phenomena. Biometrika, 37(1/2): 17-23. https://doi.org/10.2307/2332142.

Nakaya, T. (2016). GWR4.09 User Manual: GWR4 Windows Application for Geographically Weighted Regression Modelling. Recuperado de https://raw.githubusercontent.com/gwrtools/gwr4/master/GWR4manual_409.pdf.

Norza, E., Peñalosa, M. J. & Rodríguez, J. D. (2017). Exégesis de los registros de criminalidad y actividad operativa de la Policía Nacional en Colombia, año 2016. Revista Criminalidad, 59(3): 9-40.

Öcal, N. & Yildirim, J. (2010). Regional effects of terrorism on economic growth in Turkey: A geographically weighted regression approach. Journal of Peace Research, 47(4): 477-489. https://doi.org/10.1177/0022343310364576

Ortiz-Yusty, C. E., Páez, V. & Zapata, F. A. (2013). Temperature and precipitation as predictors of species richness in northern Andean amphibians from Colombia. Caldasia, 35(1), 65-80.

R Core Team. (2018). Vienna, Austria: R Foundation for Statistical Computing. Recuperado de https://www.R-project.org/.

Ramírez, K. V., López, Y., Castro, J. & Ocampo, J. F. (2017). Factores geográficos que influyeron en la concentración del hurto de motocicletas en diez estaciones policiales del Valle del Cauca, entre el 2010 y el 2015. Revista Criminalidad, 59(2): 9-31.

Rincón-Ruiz, A., Pascual, U. y Flantua, S. (2013). Examining spatially varying relationships between coca crops and associated factors in Colombia, using geographically weight regression. Applied Geography, 37, 23-33. https://doi.org/10.1016/j.apgeog.2012.10.009

Sandoval, L. E. & Barón, D. M. (2008). Una revisión al estudio de la delincuencia y criminalidad. Revista Facultad de Ciencias Económicas: Investigación y Reflexión, 16(1): 105-117. Recuperado de https://dialnet.unirioja.es/descarga/articulo/4237385.pdf.

Shapiro, S. S. & Wilk, M. B. (1965). An Analysis of Variance Test for Normality (Complete Samples). Biometrika, 52(3/4): 591. https://doi.org/10.2307/2333709.

Tobler, W. R. (1970). A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography, 46(sup1): 234-240.

https://doi.org/10.2307/143141

Wheeler, D. & Tiefelsdorf, M. (2005). Multicollinearity and correlation among local regression coefficients in geographically weighted regression. Journal of Geographical Systems, 7(2), 161-187. https://doi.org/10.1007/s10109-005-0155-6.

Zhao, J., Wang, W. & Cheng, Q. (2014). Application of geographically weighted regression to identify spatially non-stationary relationships between Fe mineralization and its controlling factors in eastern Tianshan, China. Ore Geology Reviews, 57, 628-638. https://doi.org/10.1016/j.oregeorev.2013.08.005.

Descargas

Publicado

2019-11-11

Cómo citar

López Herrera , N. R. ., Aceros Bueno, M. A., & Luzardo Briceño, M. . (2019). Análisis de los hurtos en Colombia durante el año 2017 mediante los modelos de regresión lineal múltiple y la regresión ponderada geográficamente. Revista Criminalidad, 61(3), 141–163. https://doi.org/10.47741/17943108.66

Número

Sección

Estudios estadísticos