análisis de la percepción de seguridad en barrios urbanos
TRANSCRIPT
Universidad de los Andes
Análisis de la percepción de seguridad en barrios urbanos colombianos por presencia
de diferentes factores sociales y estructurales.
Pregrado en Ingeniería Industrial
Proyecto de grado presentado por:
Esteban Quiroga Filauri
Asesor:
Dra. María Elsa Correal Núñez
Bogotá, Colombia
10 de nov. de 2017
2
Análisis de la percepción de seguridad en barrios urbanos colombianos por presencia
de diferentes factores sociales y estructurales
Resumen
Este trabajo analiza la percepción de seguridad de 547 barrios urbanos colombianos, a
través de un estudio estadístico de diferentes factores sociales y estructurales de las
comunidades visitadas en la segunda ronda de la Encuesta longitudinal colombiana
(ELCA, 2013), de la facultad de economía de la Universidad de los Andes. Para este
análisis, se utilizan metodologías estadísticas de variables binarias, específicamente
modelos de regresión logística (Logit). Para esto se emplean herramientas informáticas
como STATA /IC 14.0 y MS Excel y diferentes libros de estadística.
Teniendo en cuenta lo anterior, el objetivo de este proyecto es identificar los factores que
influyen de manera significativa en la percepción de seguridad de los barrios urbanos
colombianos. Como aporte en busca de soluciones reales, se exploran propuestas de cambio
para generar un impacto positivo en la percepción de seguridad de estos barrios, al reforzar
aquellas variables que influyen positivamente (Barrio seguro) en la percepción de seguridad
y balancear aquellas que influyen de manera negativa (Barrio inseguro).
Introducción
La percepción de seguridad de una persona está influenciada por muchos elementos que,
vistos conjuntamente, constituyen una impresión comunal de lo que es la seguridad. Estos
factores varían dependiendo de las circunstancias. Antes de abordarlos, cabe aclarar que en
este proyecto la seguridad o la percepción de seguridad tendrá la siguiente definición: “El
término castellano seguridad proviene etimológicamente del vocablo latino secur – tas, el
cual deriva del securus –de secura-, formado a partir de sine (que significa sin) y cura
(cuidado, ansiedad, esfuerzo, preocupación). Etimológicamente significaría estar libre de
cuidados.” (Adalberto ,2013). Esta definición sugiere que la seguridad es la ausencia de
peligro, daño, preocupaciones, etc.
De acuerdo con esto, la seguridad es un componente social que afecta a toda la ciudadanía,
de ahí la importancia de su estudio, pues entenderla ofrece herramientas para mejorarla.
Ante todo, el objetivo de este trabajo es entender cómo se ve afectada la percepción de
3
seguridad y, para ello, se realizará un análisis de distintas variables que pueden influir sobre
esta. Las variables están categorizadas en tres grupos: oferta institucional y de
infraestructura, estado del barrio y organización de la comunidad. Todas las variables que
se abordarán están contenidas en los datos de la Encuesta longitudinal colombiana (ELCA)
(Diccionario de datos. ELCA, 2013).
Justificación del proyecto
Este proyecto nace de la necesidad de entender la situación actual de la percepción de
seguridad en los barrios urbanos de Colombia, con el objeto de generar soluciones para
mejorar la seguridad en el país. En índices de paz, Colombia ocupó el puesto 146 entre 163
países (Institute for Economics & Peace, 2017a) y el puesto 28 en índices de terrorismo a
nivel mundial (Institute for Economics & Peace, 2017b). Un reflejo de esta situación se
traduce, por ejemplo, en que el costo anual de la violencia en Colombia es de $4737 USD
per cápita (Institute for Economics & Peace, 2017c). Todo lo anterior demuestra que el país
actualmente se percibe como un país inseguro comparado con el resto del mundo.
Por otra parte, este proyecto tiene un alcance que va más allá de entender la percepción de
seguridad, pues da herramientas que otros conseguirán aplicar para mejorarla. Estas
herramientas podrían ser utilizadas en campañas de concientización, proyectos de
infraestructura y políticas de protección social.
Planteamiento del problema
La facultad de Economía de la Universidad de los Andes, experta en la toma de datos,
incluyó 547 comunidades (barrios) en su encuesta de 2013. Esta población es significativa
para dar cuenta de lo que ocurre en el país; por ejemplo, Bogotá, la ciudad más grande de
Colombia, tiene 1582 barrios (Guía de trámites y servicios de la Alcaldía mayor de
Bogotá). Esto representa el 34.57% del número de barrios de Bogotá; por otro lado,
Medellín, la segunda ciudad más grande del país, cuenta sólo con 333 barrios (Carvajal E.,
2017). Teniendo en cuenta la experiencia de la ELCA y que, al juntar los barrios de las
otras urbes secundarias diferentes a Bogotá y Medellín, se tiene un porcentaje grande de
comunidades colombianas, se asume que la muestra de 547 barrios urbanos colombianos es
significativa para representar a Colombia.
4
Siguiendo con la idea anterior, es importante aclarar que los datos de la encuesta proceden
de un cuestionario respondido en cada barrio de manera conjunta por sus líderes. Estos
líderes son personas importantes en sus comunidades por su carácter de liderazgo e
iniciativa dentro de esta.
Por otro lado, la encuesta se clasifica en 3 grandes categorías: la categoría de oferta
institucional y de infraestructura, la categoría del estado del barrio y la categoría de
organización dentro de la comunidad.
Contando con esta información, se realizará un análisis de la ELCA, donde se busca
entender la percepción de seguridad respondiendo a una serie de preguntas para cada
categoría de la encuesta.
Antes que nada, es importante señalar cómo se clasificó la percepción de seguridad en la
ELCA. En principio, los líderes podían clasificar la seguridad de su barrio en cuatro grupos
distintos, dependiendo de su opinión al respecto. La percepción de los líderes es el
resultado de la variable “seguridad”, la cual tuvo las siguientes respuestas (Tabla 1). Por lo
cual este proyecto analiza la percepción de seguridad del edil que responde a la encuesta,
pero se asumirá que esta es la percepción del barrio en general.
Tabla 1
Clasificación de barrio Número de barrios Porcentaje
Muy seguro 44 8%
Relativamente seguro 291 53%
Inseguro 168 31%
Muy inseguro 44 8%
Total 547 100%
Con estos resultados, a fin de simplificar la interpretación, se realizó una transformación de
los datos, donde se unificaron los barrios “Muy seguro” y “Relativamente seguro” en una
nueva clasificación de “Seguro” y los barrios “Inseguro” y “Muy Inseguro” en una de
“Inseguro”. Esta transformación se ejecutó para analizar los resultados con ayuda de un
modelo Logit. La transformación de la variable “seguridad” se puede ver en la tabla 2:
5
Tabla 2
Clasificación de barrio Número de barrios Porcentaje
Seguro 335 61%
Inseguro 212 39%
Total 547 100%
Continuando, es importante indicar que esta trasformación dio como resultado una nueva
variable de tipo dicotómico llamada “inseguro”. La variable “inseguro” se clasifica de la
siguiente manera:
𝑖𝑛𝑠𝑒𝑔𝑢𝑟𝑜 = {1 𝑠𝑖 𝑒𝑙 𝑏𝑎𝑟𝑟𝑖𝑜 𝑒𝑠 𝑖𝑛𝑠𝑒𝑔𝑢𝑟𝑜0 𝑠𝑖 𝑒𝑙 𝑏𝑎𝑟𝑟𝑖𝑜 𝑒𝑠 𝑠𝑒𝑔𝑢𝑟𝑜
Paso seguido, se realiza una descripción de la base de datos proporcionada por la ELCA
con la cual se hará el análisis de la variable “inseguro”.
Descripción base de datos (ELCA)
La ELCA tiene varias categorías, por lo cual se analizará cada una en un modelo individual,
para finalmente realizar un modelo conjunto.
A continuación, se enumeran las categorías y se exponen las variables que se incluyen en
cada una de ellas. Las variables se explican con el siguiente formato:
o 𝑁𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒: 𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒. (𝐶𝑜𝑑𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒
𝑢𝑠𝑎𝑑𝑎 𝑒𝑛 𝑆𝑇𝐴𝑇𝐴)
Además, todas las variables de carácter dicotómico tienen la siguiente estructura:
o 𝐶𝑜𝑑𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 {1 𝑠𝑖 𝑠𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑙𝑎 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑎 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 0 𝑠𝑖 𝑛𝑜 𝑠𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑙𝑎 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑎 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒
Las distintas categorías son:
1. Oferta institucional y de infraestructura: Se refiere a las instituciones de
estructura social gubernamentales y a la oferta de infraestructura presente en el
barrio. Todas las variables que se analizan en esta categoría son dicotómicas, estas
son:
6
o Hogares de madres comunitarias del ICBF: Son aquellos agentes educativos
comunitarios responsables del cuidado de los niños y las niñas de primera
infancia del programa de Hogares Comunitarios de Bienestar (ICBF, 2017).
(hog_icbf)
o Guardería, hogar infantil o jardín del ICBF. (guarderia_icbf)
o Preescolar o jardín. (preescolar)
o Escuela primaria. (esc_primaria)
o Escuela secundaria. (col_secundaria)
o Puesto de Salud. (puesto_salud)
o Canchas deportivas. (canchas_deportivas)
o Parques públicos. (parques_publicos)
o Salón comunal. (salon_comunal)
o Puesto de policía. (puesto_policia)
o Juzgado. (juzgado)
2. Estado del barrio: Incluye los distintos problemas de carácter social y ambiental
que la comunidad afronta con regularidad. Todas las variables que se analizan en
esta categoría son dicotómicas, estas son:
o El barrio está sucio: Unifica la presencia de basura en la calle,
contaminación ambiental, aguas negras, si barren las calles o si hay
derrumbes de tierra. (sucio)
o Obras: Unifica la presencia de cualquier tipo de obra de construcción en el
barrio. (obras)
o Cortes de agua: Se refiere a si existen o no cortes del suministro de agua en
el barrio. (cortes_agua)
o Transporte público: Si hay presencia de transporte público en el barrio.
(transp_publico)
o Se puede consumir el agua: Se refiere a si el agua es potable en el barrio.
(puede_consumir_agua)
o Presencia de pandillas. (pandillas)
o Atracos y robos. (atracos_robos)
o Homicidios o asesinatos. (homicidios)
7
o Expendio o consumo de drogas alucinógenas. (drogas_alucinogenas)
o Consumo de alcohol en lugares públicos. (alcohol_publicos)
o Prostíbulos o prostitución callejera. (prostibulos)
o Indigentes. (duermen_calles)
o Eventos naturales desastrosos: agrupa avalanchas, inundaciones,
desbordamientos, deslizamientos y vendavales en una sola variable. (END)
o Presencia de grupos armados: agrupa en una sola variable si existen delitos
de desalojo, masacres, secuestros o atentados por parte de grupos armados.
(GA)
3. Organización dentro de la comunidad: Se refiere a las organizaciones de la
comunidad presentes en el barrio y a la solidaridad de las personas. Todas las
variables a excepción de “solidaridad” son dicotómicas. Las variables son:
o Junta de acción comunal. (jac)
o Organización comunitaria. (org_comunitaria)
o Organización religiosa. (org_religiosa)
o Junta del edificio. (junta_edificio)
o Movimiento político. (part_promov_estado)
o Organización étnica. (org_etnica)
o Organización cultural. (org_cultural)
o Asociación de vigilancia y seguridad. (aso_vig_seguridad)
o Solidaridad: Variable categórica que clasifica la solidaridad del barrio. Esta
toma el valor: se ayudan mucho (mucha solidaridad), se ayudan poco
(solidaridad media) o no se ayudan (poca solidaridad). Para términos del
modelo, esta variable única se transformó en 3 variables binarias, las cuales
representan: si hay mucha solidaridad (solidaridad1), solidaridad normal
(solidaridad2), poca solidaridad (solidaridad3). (Puede ver una tabla
descriptiva de esta variable en el Anexo 4)
Contando con la anterior información y partiendo de las características dicotómicas de la
variable a estudiar “inseguro”, se realizará un análisis de esta por medio de una regresión
logística (Modelo Logit). Este tipo de análisis se centra en la interpretación de los Odds
(Chances) de que un evento ocurra considerando una variable con respecto a la variable
8
respuesta: “inseguro”. Dada la anterior explicación, una primera aproximación al
entendimiento de la variable respuesta es encontrar los Odds de todas las variables en
relación con esta.
Los Odds se hallan de la siguiente manera:
𝑂𝑑𝑑𝑠 =𝜋
1 − 𝜋 𝑑𝑜𝑛𝑑𝑒 𝜋 =
# 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑐𝑜𝑛 (𝐼𝑛𝑠𝑒𝑔𝑢𝑟𝑜 = 1)
𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠
Por otro lado, el indicador Odds Ratio compara los Odds de dos grupos o dos situaciones.
Este se halla así:
𝑂𝑅𝐴,𝐵 =𝑂𝑑𝑑𝑠(𝐴)
𝑂𝑑𝑑𝑠(𝐵)=
𝜋𝐴1 − 𝜋𝐴
𝜋𝐵1 − 𝜋𝐵
ó 𝑂𝑅𝑋 =𝑂𝑑𝑑𝑠(𝑋 = 1)
𝑂𝑑𝑑𝑠(𝑋 = 0)
Las tablas 3, 4 y 5 presentan la información referente al análisis descriptivo de las variables
y a los Odds Ratio de cada variable de manera individual.
Tabla 3. Descriptivas y Odds Ratios de la categoría Oferta institucional y de infraestructura.
Variable Se presenta n % Inseguro OR
hog_icbf Sí 310 57.42% 1.46
No 237 33.76% 1.00
guarderia_icbf Sí 205 59.02% 1.16
No 342 37.43% 1.00
preescolar Sí 318 55.66% 1.77
No 229 31.00% 1.00
esc_primaria Sí 318 58.18% 1.37
No 229 34.50% 1.00
col_secundaria Sí 239 57.32% 1.34
No 308 35.71% 1.00
puesto_salud Sí 133 54.89% 1.42
No 414 36.71% 1.00
canchas_deportivas Sí 333 63.06% 0.82
No 214 41.59% 1.00
parques_publicos Sí 324 61.42% 0.98
No 223 39.01% 1.00
salon_comunal Sí 276 63.04% 0.86
No 271 40.59% 1.00
9
Variable Se presenta n % Inseguro OR
puesto_policia Sí 100 58.00% 1.18
No 447 38.03% 1.00
juzgado Sí 40 67.50% 0.75
No 507 39.25% 1.00
Tabla 4. Descriptivas y Odds Ratio de la categoría estado de barrio
Variable Se presenta n % Inseguro OR
sucio Sí 443 57.34% 2.62
No 104 22.12% 1.00
obras Sí 380 61.84% 0.92
No 167 40.12% 1.00
cortes_agua Sí 190 53.68% 1.62
No 357 34.73% 1.00
transp_publico Sí 386 59.84% 1.22
No 161 35.40% 1.00
puede_consumir_agua Sí 364 59.07% 1.32
No 183 34.43% 1.00
pandillas Sí 316 47.15% 4.63
No 231 19.48% 1.00
atracos_robos Sí 447 53.24% 28.39
No 100 3.00% 1.00
homicidios Sí 174 36.78% 4.57
No 373 27.35% 1.00
drogas_alucinogenas Sí 448 56.70% 3.44
No 99 18.18% 1.00
alcohol_publicos Sí 393 55.47% 2.54
No 154 24.03% 1.00
prostibulos Sí 96 36.46% 3.46
No 451 33.48% 1.00
duermen_calles Sí 219 43.84% 3.44
No 328 27.13% 1.00
END Sí 194 48.45% 2.29
No 353 31.73% 1.00
GA Sí 208 49.04% 2.28
No 339 31.27% 1.00
10
Tabla 5. Descriptivas y Odds Ratios de la categoría Organización de la comunidad
Variable Se presenta n % Inseguro OR
jac Sí 263 65.02% 0.74
No 284 42.25% 1.00
org_comunitaria Sí 341 61.88% 0.93
No 206 39.81% 1.00
org_religiosas Sí 381 58.79% 1.41
No 166 33.13% 1.00
junta_edificio Sí 111 63.06% 0.91
No 436 39.22% 1.00
part_promov_estado Sí 67 65.67% 0.80
No 480 39.38% 1.00
org_etnica Sí 47 44.68% 2.09
No 500 37.20% 1.00
org_cultural Sí 229 60.70% 1.04
No 318 38.36% 1.00
aso_vig_seguridad Sí 77 64.94% 0.83
1 470 39.36% 1.00
Solidaridad
1 145 23.45% 1
2 329 41.34% 3.58
3 73 57.53% 8.08
Las tablas 3, 4 y 5 muestran, de izquierda a derecha: nombre codificado de las variables;
número de barrios en los que se presenta la variable (dentro de los 537); número de casos
en que la variable se presenta en un barrio inseguro; número de casos en que la variable se
presenta en un barrio seguro; el Odds Ratio de la variable.
Al tener claro el contenido de la encuesta, se hace posible analizar la variable “inseguro” a
través de modelos que representen las categorías anteriores; con los cuales será posible
responder algunas preguntas. Antes de abordar el análisis cuantitativo, vale la pena realizar
una serie de cuestionamientos que se tratarán de responder a lo largo del trabajo.
11
Preguntas de investigación.
Principal
¿Cuáles son los factores significativos para explicar la percepción de seguridad en los
barrios urbanos colombianos en 2013?
Por categoría
1. Oferta institucional y de infraestructura:
(a) ¿La oferta de infraestructura destinada para educación será determinante para
explicar la percepción de seguridad?
(b) ¿Será que la presencia de un puesto de policía es el factor más importante para
explicar la percepción de seguridad dentro de un barrio?
(c) ¿En qué medida, un barrio con espacios comunales como canchas deportivas,
parques públicos y salones comunales será percibido más seguro?
2. Estado del barrio:
(a) ¿Será que la presencia de obras afectará negativamente la percepción de
seguridad de un barrio? Partiendo de que las obras traen obreros que pueden ser
externos al barrio. Además, son espacios que atraen atención y pueden ser
objeto de robo por parte de ladrones y hasta de los mismos obreros que trabajan
en estas.
(b) ¿Será que el consumo de alcohol y drogas alucinógenas en el barrio lo hacen ser
percibido como inseguro?
(c) ¿Serán los conflictos sociales (robos, indigencia, prostíbulos, etc.) los únicos
elementos que forman la percepción de inseguridad o tendrá una influencia
fuerte el estado físico del barrio (si está sucio, si ocurren eventos naturales
desastrosos, etc.)?
3. Organización dentro de la comunidad:
(a) ¿Qué organizaciones serán negativas para entender la percepción de seguridad
de una comunidad?
(b) ¿Qué tan importante será la solidaridad de los habitantes de un barrio para
explicar la forma en que se percibe la seguridad dentro del este?
12
Análisis estadístico de datos
El análisis de los datos se realizará a través de 3 modelos de regresión logística (Logit).
Cabe recordar que el modelo inicialmente estima los coeficientes 𝛽′𝑠 por máxima
verosimilitud, lo que tiene propiedades asintóticas deseables pues estos estimadores son
consistentes, asintóticamente normales y asintóticamente eficientes (Enchautegui, 2000).
Ahora bien, para fines interpretativos, es importante tener en cuenta que el análisis de los
resultados de los modelos se realizará mediante la observación de los Odds Ratios. Por otro
lado, se realiza un modelo para cada categoría de la ELCA y se hace la explicación
pertinente de cada uno. (se usará una significancia cercana al 𝜶 = 𝟏𝟎%, pues una
confianza del 90% para asegurar que la precepción de seguridad mejore, es una ganancia
muy grande en términos sociales)
Modelos:
Llegado a este punto, es de alta importancia aclarar el formato de los modelos que se verá a
lo largo del análisis. Todos los modelos de este trabajo tendrán la misma estructura y
expondrán los mismos datos de interés para tener en cuenta. Las ilustraciones contienen, de
arriba hacia abajo y de izquierda a derecha: número de observaciones, estadístico de la
prueba de LR chi2(p), donde p es el número de variables explicativas; el p-valor de la
prueba LR chi2(p), logaritmo del Likelihood y el Pseudo 𝑅2 del modelo. Además, en la
tabla, nombre de la variable en su modo codificado; Odds Ratio de la variable, entendida
como los chances de más que tiene un barrio de ser inseguro por presencia de la variable;
desviación estándar; estadístico z (normal); p-valor asociado al valor del estadístico z, que
sirve para identificar si una variable es o no significativa para explicar la percepción de
inseguridad a un 𝜶 = 𝟏𝟎%; e Intervalo de confianza.
13
1. Oferta institucional y de infraestructura:
Ilustración 1. Oferta institucional y de infraestructura (Modelo Full)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
La ilustración 1 muestra el modelo de la categoría oferta institucional y de
infraestructura con todas sus variables. En la ilustración se evidencia la no significancia de
varias variables para explicar la percepción de inseguridad. Entre estas están la presencia de
una guardería del ICBF, las escuelas, tanto primarias como secundarias, si existe un
restaurante escolar, si existe un puesto de salud, si hay parques públicos y si hay puestos de
policía. Esto resulta inesperado para ciertas variables. Por ejemplo, se pensaría que la
presencia de un puesto de policía sería muy significativa para explicar la percepción de
seguridad de un barrio, pues la función de estos es precisamente ejercer vigilancia,
cobertura, control territorial y asistir a la comunidad en la jurisdicción de asuntos de
seguridad (Policía Nacional de Colombia Dirección General - Oficina de Planeación,
2014). Por esta razón, resulta extraño que los datos contradigan esta suposición. De manera
similar, al comparar la significancia de la oferta de infraestructura en educación se nota que
la presencia de un jardín o preescolar es significativa (con un 99.5% de confianza) pero, las
escuelas primarias y secundarias no lo son (a un 10% de significancia). Esto se podría deber
a que, para un niño que asiste a preescolar, la cercanía de su casa al lugar de estudio es más
importante que para un niño de mayor edad, quien puede asistir a una escuela fuera de su
14
barrio. Otra explicación puede ser la exclusividad de los jardines en términos de que un
jardín no se construye en una zona que en principio sea insegura.
Teniendo en cuenta lo anterior, se realizará un modelo sin las variables que no son
significativas, quitando una por una para ver cómo cambia el modelo. Esta secuencia sólo
se demostrará formalmente en esta categoría, en las siguientes categorías se pondrá cada
paso en los documentos anexos.
Inicio de secuencia.
Ilustración 2. Oferta institucional y de infraestructura. Refinamiento 1
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
La ilustración 2 muestra el modelo de la ilustración 1 sin la variable “esc_primaria”. En
primera medida se retira esta variable del modelo por el hecho de no ser significativa,
partiendo de que su efecto podría estar incluido entre el efecto de las variables “preescolar”
y “col_secundaria”, pues en Colombia, en general las escuelas primarias son el mismo
colegio o preescolar.
15
Continuando el refinamiento del modelo:
Ilustración 3. Oferta institucional y de infraestructura. Refinamiento 2
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
La ilustración 3 muestra el modelo de la ilustración 2 sin la variable “parques_publicos”.
En primera medida se retira esta variable del modelo por el hecho de no ser significativa,
partiendo de que su efecto podría estar contenido en la presencia de canchas deportivas.
Continuando con el refinamiento del modelo:
Ilustración 4. Oferta institucional y de infraestructura. Refinamiento 3
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
16
La ilustración 4 muestra el modelo de la ilustración 3 sin la variable “puesto_policía”. En
primera medida se retira esta variable del modelo por el hecho de no ser significativa.
Continuando con el refinamiento del modelo:
Ilustración 5. Oferta institucional y de infraestructura. Refinamiento 4
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
La ilustración 5 muestra el modelo de la ilustración 4 sin la variable “col_secundaria”. En
primera medida se retira esta variable del modelo por el hecho de no ser significativa.
Continuando con el refinamiento del modelo:
Ilustración 6. Oferta institucional y de infraestructura. Refinamiento 5
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
17
La ilustración 6 muestra el modelo de la ilustración 5 sin la variable “guarderia_icbf”. En
primera medida se retira esta variable del modelo por el hecho de no ser significativa.
Continuando con el refinamiento del modelo:
Ilustración 7. Oferta institucional y de infraestructura. Refinamiento 6
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
La ilustración 7 muestra el modelo de la ilustración 6 sin la variable “juzgado”. En primera
medida se retira esta variable del modelo por el hecho de no ser significativa.
Continuando con el refinamiento del modelo:
Ilustración 8. Oferta institucional y de infraestructura. Refinamiento 7
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
La ilustración 8 muestra el modelo de la ilustración 7 sin la variable “puesto_salud”. En
primera medida se retira esta variable del modelo por el hecho de no ser significativa.
18
Cabe señalar que, este modelo reducido seguirá con las variables “canchas_deportivas” y
“salon_colmunal” pues la significancia de estos es cercana al 10% y es interesante el
porqué de su significancia para explicar la percepción de seguridad en los barrios.
Para ver si el último modelo (Ilustración 8) es mejor que el modelo full (Ilustración 1),
vamos a utilizar la prueba del Likelihood ratio, que tiene la siguiente prueba de hipótesis:
𝐻0: 𝑀𝑜𝑑𝑒𝑙𝑜 𝑅𝑒𝑑𝑢𝑐𝑖𝑑𝑜 (𝑐𝑜𝑛 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠)𝑒𝑠 𝑚𝑒𝑗𝑜𝑟 − 𝑣𝑠 − 𝐻𝑎: 𝑀𝑜𝑑𝑒𝑙𝑜 𝑓𝑢𝑙𝑙 𝑒𝑠 𝑚𝑒𝑗𝑜𝑟
Dado que la Prob>chi2=0.8314 y que ese valor es mayor a 𝛼 = 10%, no rechazamos la
hipótesis nula 𝐻0, por lo que se concluye que el modelo refinado (Ilustración 8)
efectivamente es mejor que el modelo full (Ilustración 1).
Por otro lado, realizamos una prueba de goodness-of-fit, que tiene la siguiente hipótesis
nula:
𝐻0: 𝐸𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑡𝑖𝑒𝑛𝑒 𝑏𝑢𝑒𝑛 𝑓𝑖𝑡 − 𝑣𝑠 − 𝐻𝑎: 𝐸𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑡𝑖𝑒𝑛𝑒 𝑢𝑛 𝑚𝑎𝑙 𝑓𝑖𝑡
Dado que la Prob>chi2=0.6528 y que ese valor es mayor a 𝛼 = 10%, no rechazamos la
hipótesis nula 𝐻0, por lo que se concluye que efectivamente el modelo tiene un buen
goodness-of-fit, pues no rechazamos la hipótesis nula.
Sumado a lo anterior, se muestra una tabla de clasificación del modelo de la ilustración 8:
19
En este se puede ver por ejemplo que el modelo clasifica bien el 96.12% de los barrios
seguros, mientras que sólo clasifica bien el 9.43% de los barrios inseguros. Lo que es en
términos generales aceptable.
Al analizar los resultados de este modelo, se hace posible ver que la presencia de hogares
de madres del ICBF tiene una gran influencia en la percepción de inseguridad del barrio. El
análisis muestra que la presencia de estos hogares tiene un efecto negativo en términos de
percepción de seguridad. Concretamente, un barrio que tenga hogares de madres
comunitarios tiene 1.41 más chances de ser inseguro que uno que carezca de estos. Esto
podría estar relacionado con la falta de retribución que las personas que hacen parte de los
hogares sufren por parte del Estado. Por mencionar algunas razones, estas personas tienen
enormes problemas para adquirir salario y prestaciones como la pensión y la seguridad
social (El Espectador, 2016. El Tiempo, 2004). Esta puede ser una explicación del porqué
la presencia de esta variable hace más inseguro un barrio.
Igualmente, la presencia de jardines y preescolares dentro de un barrio es un factor que
aumenta la percepción de inseguridad. El modelo muestra que cuando un barrio tiene
jardines o preescolares, tiene 1.95 más chances de ser inseguro frente a un barrio sin su
presencia, esto es casi dos veces el chance de ser inseguro. Esta información es muy
20
interesante, pues va en contra de muchos estudios serios al respecto, que sugieren que a
largo plazo los jardines y preescolares son factores sustanciales para reducir el crimen
(Diamond & Steven Barnett & Thomas & Munro, 2007) (Dinero, 2010). Con certeza, el
componente de largo plazo es un factor crítico en este punto, puesto que la representación
actual que muestra la ELCA sólo es del 2013 y sugiere que su presencia da más chances al
barrio de ser percibido como inseguro. Por otro lado, sería atractivo realizar un análisis
sobre la siguiente ronda de la ELCA, para ver si efectivamente la presencia de los
preescolares tiene un efecto correctivo en la percepción de seguridad a largo plazo.
Contrariamente, la presencia de canchas deportivas y salones comunales tiene un efecto
positivo en la percepción de seguridad. Específicamente, un barrio que tenga canchas
deportivas tiene 1.341 (1/0.74) más chances de ser seguro que uno que carece de estas.
Igualmente, la presencia de salones comunales le da a un barrio un 1.33 más chances de ser
seguro frente a uno sin salones comunales. Esto, se puede explicar por el contexto público y
comunal de estos. Ambos son espacios de integración, donde la comunidad tiene la
posibilidad de conocerse y de esta forma crear lazos que orientan a los mismos intereses a
los habitantes, lo que genera, como llama Elinor Ostrom, premio Nobel de Economía en
2009, capital social (Ostrom, 2003), traducido en forma de conciencia social, que los hace
proteger los intereses comunes como propios (Spillman & Strand, 2013).
A continuación, se responde de manera formal a las preguntas planteadas anteriormente
para esta categoría:
(a) De la oferta de infraestructura destinada a la educación únicamente en la variable
“preescolar” afecta la percepción de seguridad.
(b) La presencia de un puesto de policía, al contrario de lo que se pensaría, no es el
factor más importante para explicar la percepción de inseguridad dentro de un
barrio, es más, ni siguiera es un factor significativo para explicar esta.
(c) Los espacios comunales llegan a ser importantes cuando crean un ambiente de
interacción social, es decir, un espacio en el cual las personas se relacionan. Las
variables que generan este tipo de comportamientos interpersonales son las canchas
deportivas, donde las personas hacen deportes en grupo y los salones comunales,
donde los ciudadanos se reúnen a compartir y celebrar.
21
2. Estado del barrio.
Ilustración 9. Estado de barrio (Modelo Full)
La Ilustración 9 muestra el modelo de Estado del barrio con todas las variables disponibles
para esta categoría. Lo primero que se nota en la ilustración 9 es que las variables
“pandillas”, “atracos_robos” y “homicidios” son muy significativas, algo indiscutible, pues
la precencia de estos es la definición misma de inseguridad. Esto causa una desorientación
del objeto de este trabajo, pues el modelo explica la mayoría del mismo a través de estas.
Por lo anterior, se realizará un nuevo modelo full sin incluir estas variables. Vale la pena
notar que la presencia de grupos armados “GA” no es significativa en este modelo, algo que
resulta extraño, pues esta también podría entrar a hacer parte de la definición misma de
inseguridad, además la información descriptiva de esta variable no muestra una gran
diferencia entre si el barrio es seguro o no cuando se presenta, por lo que es interesante
analizarla. Dado esto, esta variable de va a mantener para observar su comportamiento sin
las demás variables. El modelo sin las variables “pandillas”, “atracos_robos” y
“homicidios” se presenta en la ilustración 12 (los pasos efectuados para hallar este modelo
se pueden encontrar en la sección de anexos como “Anexo 1”).
22
Ilustración 10. Estado del barrio (Nuevo modelo Full)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
Al tener el nuevo modelo full (Ilustración 12) de la categoría estado de barrio se hace
posible evidenciar que, las variables “drogas_alucinogenas” y “GA” se tornan significativas
al retirar las variables obvias ya mencionadas.
Recapitulando, en el nuevo modelo full (Ilustración 12) vemos que, por ejemplo, el hecho
de que haya obras de tipo civil en el barrio, que existan cortes de agua por parte del
acueducto, el consumo de drogas alucinógenas, la presencia de prostíbulos, la indigencia,
los desastres naturales (variable “END”) y la presencia de grupos armados (variable “GA”),
son variables significativas para explicar la percepción de inseguridad del barrio con una
confianza del 90%.
Paso seguido, se refinará el modelo anterior y se verá qué ocurre con la significancia de las
variables de interés. Este proceso se realiza de manera secuencial, quitando una a una las
variables no significativas (encontrará el proceso en la sección de anexos con el nombre de
“Anexo 2”).
Como resultado, se obtiene el modelo que se ilustra a continuación:
23
Ilustración 11. Estado del barrio (Refinamiento 3)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
Para ver si el último modelo (Ilustración 15) es mejor que el modelo full (Ilustración 12),
vamos a utilizar la prueba del Likelihood ratio. La cual tiene la siguiente prueba de
hipótesis:
𝐻0: 𝑀𝑜𝑑𝑒𝑙𝑜 𝑅𝑒𝑑𝑢𝑐𝑖𝑑𝑜 (𝑐𝑜𝑛 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠)𝑒𝑠 𝑚𝑒𝑗𝑜𝑟 − 𝑣𝑠 − 𝐻𝑎: 𝑀𝑜𝑑𝑒𝑙𝑜 𝑓𝑢𝑙𝑙 𝑒𝑠 𝑚𝑒𝑗𝑜𝑟
Dado que la Prob>chi2=0.4298 y que ese valor es mayor a 𝛼 = 10%, no rechazamos la
hipótesis nula 𝐻0, por lo que se concluye que el modelo refinado (Ilustración 15)
efectivamente es mejor que el modelo full (Ilustración 12).
Por otro lado, realizamos una prueba de goodness-of-fit, esta tiene la siguiente hipótesis
nula:
𝐻0: 𝐸𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑡𝑖𝑒𝑛𝑒 𝑏𝑢𝑒𝑛 𝑓𝑖𝑡 − 𝑣𝑠 − 𝐻𝑎: 𝐸𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑡𝑖𝑒𝑛𝑒 𝑢𝑛 𝑚𝑎𝑙 𝑓𝑖𝑡
24
Dado que la Prob>chi2=0.3921 y que ese valor es mayor a 𝛼 = 10%, no rechazamos la
hipótesis nula 𝐻0, por lo que se concluye que efectivamente el modelo tiene un buen
goodness-of-fit, pues no rechazamos la hipótesis nula.
Sumado a esto, se realiza una tabla de clasificación del modelo encontrado en la ilustración
15:
En esta tabla se ve entre otras cosas que el modelo clasifica de forma adecuada el 43.87%
de los barrios inseguros, mientas que clasifica adecuadamente el 83.88% de los barrios
seguros.
La ilustración 15 deja ver que esta nueva restricción no cambia el resultado en términos de
significancia de variables de manera importante, mas se hace evidente que el consumo de
alcohol en áreas públicas empieza a explicar mucho más la percepción de seguridad,
teniendo un p-valor de 0.167, lo no está muy lejano de la significancia del 10% de
aceptación inicialmente propuesta. Igualmente, vemos que tanto obras como cortes de agua
se tornan significativos a un 10% de significancia.
De este modelo, es importante notar que la presencia de obras influye en el entendimiento
de la percepción de seguridad del barrio, pues un barrio en el que se estén efectuando obras
25
tiene 0.69 más chances de ser inseguro frente a uno donde no. Dicho en otras palabras, un
barrio con obras tiene 1.43 más chances de ser seguro frente a uno que no. Esto va en
contra de lo planteado en la pregunta (a) de esta categoría, donde se pensaba que la
presencia de obreros externos al barrio o la mayor facilidad de robar una obra por sus
características físicamente más vulnerables, por ser abierta por ejemplo, aumentaría la
percepción de inseguridad. Pero se evidenció lo contrario, esto podría deberse a que, al
haber obreros en el barrio, personas que por las características de su trabajo han adquirido
alta fuerza física, predispone a que los ladrones y atracadores de efectuar delitos por el
miedo a ser atrapados y reprendidos por el grupo de obreros (La Capital, 2015).
De forma contraria, se identificó un comportamiento relacionado al consumo de alcohol y
drogas. Donde se tiene como significativo el expendio o consumo de drogas de manera
muy clara y se sabe que un barrio donde se consumen o venden drogas tiene 1.91 más
chances de ser inseguro, casi dos chances más, algo a tener en cuenta, pues esta variable
será de alto cuidado. Paralelamente, un barrio donde haya consumo de alcohol en espacios
públicos tendrá 1.39 más chances de ser inseguro frente a uno que no (esto sin olvidar que
la significancia atada a esta variable indica que de cada 100 casos, se concluiría de manera
errónea 16.7 veces).
De manera similar, los cortes de agua entran a ser una variable significativa para entender
la percepción de inseguridad, donde un barrio tiene 1.46 más chances de ser inseguro
cuando existen cortes al suministro de agua. Esto permite advertir que la percepción de
seguridad no sólo se construye por el número de delitos y crímenes dentro de la comunidad,
sino que las circunstancias afines a la calidad de vida también son esenciales. Del mismo
modo, la presencia de eventos naturales desastrosos (“END”) se convierte en un factor de
alta importancia, pues una comunidad donde ocurren desastres es físicamente más
peligrosa, tanto desde el punto de vista de asegurar la vida misma, como de la seguridad
material, pues las personas pueden perder sus casas y pertenencias en un evento de este
tipo. Para esta variable los chances de ser un barrio inseguro son de 1.65 veces más, cuando
existen eventos naturales desastrosos. Entonces, se deben buscar formas de mitigar esta
vulnerabilidad, realizando, por ejemplo, programas permanentes de promoción,
26
capacitación y asistencia. Pues el derecho a un hábitat seguro es fundamental (Maskrey,
1993).
De manera similar, la existencia de prostíbulos causa una mala percepción de seguridad,
pues un barrio donde existe este tipo de establecimientos tiene 1.76 más chances de ser
percibido como inseguro frente a uno que no. Lo anterior es de esperarse, pues este tipo de
establecimientos fomentan la delincuencia, dado que alrededor de ellos suelen cometerse
delitos como la prostitución ilegal, la venta de sustancias ilícitas y la trata de personas
(Carrión, 2006); (Rivas, 2015).
Igualmente, la presencia de indigentes hace que las personas perciban como inseguro el
barrio en donde viven, pues estos son vistos como “males públicos” (Matallana, 2013).
Además, existe una atribución muy fuerte a la luz de la teoría de la economía monetaria de
producción, por parte de la llamada seguridad alimentaria, que se refleja en la percepción
de seguridad general (Matallana, 2013). Por otro lado, existen estudios que demuestran la
relación entre el crecimiento sostenido de delitos violentos y los altos niveles de pobreza e
indigencia, (Bouzart, 2010), lo que respaldan los resultados del modelo.
Conectando con lo anterior, es posible decir que al igual que los factores físicos de calidad
de vida dentro de la comunidad (“END” y “cortes_agua”), la seguridad dentro de esta,
también se ve afectada por componentes de conflicto o problemática social. Verbigracia,
tanto la presencia de prostíbulos, indigentes y grupos armados (“GA”) son influyentes en la
percepción de seguridad dentro de un barrio. Así, se afirma que la presencia de indigentes
(“duermen_calles”) es un elemento crítico para entender la percepción de inseguridad, pues
un barrio donde haya indigentes tiene 2.56 más chances de ser inseguro frente a uno que
uno sin indigencia, una medida sumamente alta comparada con el resto de las variables de
esta categoría.
Con el anterior análisis es posible responder concretamente a las preguntas planteadas para
esta categoría:
(a) La presencia de obras, al contrario de lo planteado, ayuda a percibir más seguro
el barrio.
27
(b) Efectivamente el consumo de alcohol y drogas alucinógenas en el barrio lo
hacen ser percibido como inseguro.
(c) Los conflictos sociales (robos, indigencia, prostíbulos, etc.) no son los únicos
elementos que forman la percepción de inseguridad, pues las variables
relacionadas con estado físico del barrio (si está obras, si ocurren eventos
naturales desastrosos, etc.) tienen una influencia fuerte en la explicación de la
percepción de inseguridad.
3. Organización de la comunidad
Ilustración 12. Organización de la comunidad (Modelo Full)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
La ilustración 16 muestra el modelo que representa la organización de la comunidad con
todas las variables disponibles en esta categoría. Este modelo se restringirá, eliminando
variables que no sean significativas para entenderlo. Esto se realizará de manera secuencial
(puede encontrar la secuencia completa con su respectiva explicación en la sección de
anexos con el nombre de “Anexo 3”).
Luego de este proceso en el cual refinamos el modelo de la ilustración 16, se obtiene el
modelo que se ve en la ilustración 23.
28
Ilustración 13. Organización de la comunidad (Refinamiento 6)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
La ilustración 23 muestra el modelo refinado de la categoría organización de la comunidad
de la ELCA. En este, se nota que sólo son significativas las variables junta de acción
comunal “jac”, organización étnica “org_etnica” y solidaridad con una confianza del 90%.
Como una prueba para mostrar que el modelo presentado en la ilustración 23 es mejor que
el modelo full (Ilustración 16), vemos la siguiente prueba del Likelihood Ratio.
𝐻0: 𝑀𝑜𝑑𝑒𝑙𝑜 𝑅𝑒𝑑𝑢𝑐𝑖𝑑𝑜 (𝑐𝑜𝑛 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠)𝑒𝑠 𝑚𝑒𝑗𝑜𝑟 − 𝑣𝑠 − 𝐻𝑎: 𝑀𝑜𝑑𝑒𝑙𝑜 𝑓𝑢𝑙𝑙 𝑒𝑠 𝑚𝑒𝑗𝑜𝑟
Dado que la Prob>chi2=0.293 y que ese valor es mayor a 𝛼 = 10%, no rechazamos la
hipótesis nula 𝐻0, por lo que se concluye que el modelo refinado (Ilustración 23)
efectivamente es mejor que el modelo full (Ilustración 16).
Por otro lado, realizamos una prueba de goodness-of-fit, esta tiene la siguiente hipótesis
nula:
𝐻0: 𝐸𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑡𝑖𝑒𝑛𝑒 𝑏𝑢𝑒𝑛 𝑓𝑖𝑡 − 𝑣𝑠 − 𝐻𝑎: 𝐸𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑡𝑖𝑒𝑛𝑒 𝑢𝑛 𝑚𝑎𝑙 𝑓𝑖𝑡
29
Dado que la Prob>chi2=0.4548 y que ese valor es mayor a 𝛼 = 10%, no rechazamos la
hipótesis nula 𝐻0, por lo que se concluye que efectivamente el modelo tiene un buen
goodness-of-fit, pues no rechazamos la hipótesis nula.
Adicionalmente, se realiza una tabla de clasificación del modelo presentado en la
ilustración 23:
En esta se puede apreciar que el 27.36% de los barrios inseguros se clasifican de forma
correcta, mientras que el 88.06% de los barrios seguros es clasificado de forma correcto,
algo que muestra una clasificación positiva del modelo.
Con respecto a este último modelo, se hace evidente la importancia de la junta de acción
comunal dentro de la comunidad. Pues, por medio de este tipo de órganos participativos las
comunidades presentan a las autoridades respectivas sus problemas, para que estas
intervengan y mejoren, entre otras cosas, la seguridad del barrio (El país, 2016). Lo anterior
se representa de manera muy clara en el Odds Ratio de esta variable, donde un barrio con
30
junta de acción comunal tiene 0.67 más chances de ser inseguro comparado con uno sin
JAC, que es lo mismo a decir 1.47 más chances de ser seguro.
Conjuntamente, las organizaciones étnicas son sumamente importantes para entender la
percepción de inseguridad, pues concorde al modelo, una comunidad que tenga
organizaciones de carácter étnico tiene 2.60 más chances de ser insegura. Esto se podría
deber al régimen judicial especial al que se enfrentan estas personas, donde la justicia
convencional es más flexible para ellos que para los demás colombianos (de Corte
constitucional de la república de Colombia) o también, se podría deber a que la presencia
de personas externas es seguramente vista de manera negativa en este tipo de comunidades.
En este punto, vale la pena entrar a ver de manera más puntual los datos de esta variable.
Tabla 6
Organización étnica
Inseguro No Sí Total
No 314 21 335
Sí 186 26 212
Total 500 47 547
La tabla 6 nos muestra que existen muy pocas comunidades con presencia de
organizaciones étnicas. De esta se puede concluir que el porcentaje de barrios con
organizaciones étnicas inseguros es del 12.26% (26/212) y el porcentaje de barrios con
organizaciones étnicas seguros es de 6.27% (21/335), casi la mitad del anterior, esto puede
estar causando una errónea conclusión acerca de esta variable. Por lo cual, se dejará abierto
este debate, dado que no existen muchos estudios que involucren formalmente la presencia
de organizaciones étnicas estén relacionadas con la percepción de inseguridad.
En tercer lugar, la solidaridad es sumamente significativa. Cabe aclarar que en el modelo se
tiene como base la “solidaridad1” (Mucha solidaridad), por lo que los resultados se
comparan contra esta. De acuerdo con esto, los resultados muestran que un barrio en el cual
se presenta solidaridad normal (“solidaridad2”), tiene 2.43 más Chances de ser inseguro
que uno con mucha solidaridad; igualmente, un barrio que presenta poca solidaridad
(“solidaridad3”) tiene 5.15 más Chances de ser inseguro frente a uno con mucha
solidaridad. Esto ciertamente es alarmante y a la vez muy revelador, pues no existe otra
variable que presente un cambio en los chances tan grande en todo el análisis, lo que
31
muestra que un barrio con mucha solidaridad tiene una influencia gigantesca en los chances
de este para ser seguro. Lo anterior tiene mucho sentido, pues los habitantes solidarios
cuidan unos de otros y se ayudan para obtener seguridad mutua (Spillman & Strand, 2013).
Con el anterior análisis es posible responder concretamente a las preguntas planteadas para
esta categoría:
(a) Las organizaciones étnicas son tienen una relación negativa para la percepción
de seguridad dentro de las comunidades.
(b) La solidaridad es la variable más importante para explicar la percepción de
seguridad dentro de un barrio, pues esta tiene los chances más altos de cambiar
la percepción de segura a insegura dependiendo del estado de solidaridad del
barrio. En conclusión, es la variable más importante del estudio.
4. Modelo combinado
En este apartado unificamos los tres modelos anteriores en uno solo y lo refinamos. El
modelo unificado de los 3 modelos anteriores es el siguiente:
Ilustración 14. Modelo Combinado
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
32
En la ilustración 24 se ve que las variables “canchas_deportivas”, “salon_comunal”,
“cortes_agua”, “alcohol_publicos” y “jac” dejan de ser significativas, comparativamente
con los modelos individuales. Por esto, se refina el modelo anterior y se halla el modelo
presentado en la siguiente ilustración:
Ilustración 15. Modelo combinado (Refinado)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
𝐻0: 𝑀𝑜𝑑𝑒𝑙𝑜 𝑅𝑒𝑑𝑢𝑐𝑖𝑑𝑜 (𝑐𝑜𝑛 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠)𝑒𝑠 𝑚𝑒𝑗𝑜𝑟 − 𝑣𝑠 − 𝐻𝑎: 𝑀𝑜𝑑𝑒𝑙𝑜 𝑓𝑢𝑙𝑙 𝑒𝑠 𝑚𝑒𝑗𝑜𝑟
La ilustración 15, muestra las variables que son significativas con una confianza estricta del
90%. Además, la prueba del Likelihood Ratio entre modelos, tiene un p-valor mayor al
10% escrito, pero muy cercano, por lo que no es muy exacto concluir que este sea un mejor
modelo, pero para términos académicos, teniendo una significancia fija, este sería el mejor
modelo sería el anterior (Ilustración 25).
Conclusiones:
En conclusión, se logró responder a la pregunta principal de investigación, identificando
como variables significativas (𝛼 = 10%) para explicar la percepción de seguridad:
33
“preescolar”, “obras”, “cortes_agua”, “drogas_alucinogenas”, “prostíbulos”,
“duermen_calles”, “END”, “org_etnica” y “solidaridad”.
Se encontró que, en la categoría de oferta institucional y de infraestructura, la variable
con mayor efecto para tener en cuenta es la presencia de jardines o preescolares, que genera
1.95 más chances de tener una percepción insegura del barrio. Por otro lado, se identificó
que la oferta de infraestructura comunal, en la que existe interacción social, como canchas
deportivas y salones comunales, tiene un efecto positivo para la percepción de seguridad,
por lo que se debería fomentar su construcción y uso.
Por otro lado, al analizar la categoría estado de barrio, se ve que la única variable que
tiene un efecto positivo para reducir la percepción de inseguridad en un barrio es la
presencia de obras de carácter constructivo. Contrariamente, problemas de carácter social,
como la presencia de prostíbulos, indigentes, grupos armados, consumo de alcohol en
lugares públicos y consumo de drogas alucinógenas, tienen un efecto negativo en la
percepción de seguridad de un barrio. De manera similar, los desastres naturales y cortes
del abastecimiento del agua también tienen un efecto negativo para la percepción de
seguridad.
Simultáneamente, al interpretar el modelo que representa la organización dentro de la
comunidad, se encontró que la presencia de una junta de acción comunal trae un aumento
en la percepción de la seguridad. Por otra parte, la existencia de organizaciones étnicas
debilita la percepción seguridad. Finalmente, se identificó la variable más importante de
todo el estudio. Esta es la solidaridad, pues incurre en los cambios más drásticos entre un
estado y otro. Un argumento de esto es que, un barrio que presenta poca solidaridad tiene
5.15 más chances de ser inseguro comparado con uno que presenta mucha solidaridad, por
lo que, si se busca aumentar la percepción de seguridad en una comunidad, la principal
tarea será fortalecer la solidaridad dentro de la misma.
Finalmente, si se utilizara este trabajo como apoyo para proyectos donde se busque mejorar
la percepción de seguridad de los barrios urbanos colombianos, a manera una herramienta
informativa, el implementador del plan debería tener en cuenta los siguientes factores de
más importante a menos importante dependiendo del Odds Ratios obtenidos de los modelos
individuales de cada categoría. El orden se puede ver en la tabla 7.
34
Tabla 7
Nombre variable Implementación Odds Ratio
solidaridad Aumentar 5.159162
jac Aumentar 1.474148738
obras Aumentar 1.428980729
canchas_deportivas Aumentar 1.344967481
salon_comunal Aumentar 1.334798943
En términos generales, lo primero que se debería hacer es fomentar la solidaridad, pues es
el factor que tiene mayor impacto en términos de chances para hacer la percepción de
seguridad favorable. Segundo, fomentar la participación en juntas de acción comunal
dentro de las comunidades. Tercero, fomentar las obras constructivas de cualquier tipo,
pues los obreros ayudan a cuidar la comunidad. Cuarto, promover la construcción y el uso
de canchas deportivas y, por último, promover la construcción y uso de salones comunales;
estos dos últimos son muy importantes, pues a la hora de construirlos, crean un doble
efecto, tanto por la presencia de estos como por la “obra” constructiva de los mismos.
Por otro lado, si se utilizara este proyecto como base para un estudio del mismo tema, sería
interesante que pudiera tenerse la información referente a la procedencia de los barrios,
algo que lastimosamente en este proyecto no se tuvo, pero que resulta muy interesante para
entender algunos resultados que contradicen varios estudios.
Referencias:
Libros:
DOUGLAS C, Montgomery. 2013. Design and analysis of experiments. Eighth
edition. Capítulos 1, 4, 11-15. John Wiley & Sons, Inc.
Kleinbaum, D & Klein, M. (2010). Logistic Regression. A Self‐Learning Text.
Tercera edición.
Hosmer D.W., Lemeshow S. (2000). Applied Logistic Regression. Wiley
Myers R.H., Montgomery D.C., Vining G. (2010). Generalized Linear Models with
Applications in Engineering and the Sciences. Wiley.
35
Hobbes, T. 1651. Leviatán. España: Alianza Editorial.
Artículos
Matallana, Eduardo. (2013). Dinero, trabajo asalariado e inseguridad alimentaria.
Universidad de los Andes–Facultad de Economía–CEDE. Cadena S.A. Bogotá, Colombia.
Ostrom, E. & Ahn, T. (2003). Una perspectiva del capital social desde las ciencias
sociales: capital social y acción colectiva. Instituto de Investigaciones Sociales. Revista
Maxicana de Sociología, año 65, núm. 1, enero-marzo, 2003, México, D.F., páginas 155-
233.
Diamond, A & W. Steven Barnett, W.S. & Thomas, J & Munro, S. (2007).
Preschool Program Improves Cognitive Control. Revista Science. Vol. 318.
Moscote, O. & Arley, W. (2012). Modelo Logit y Probit: un caso de aplicación.
Comunicaciones en Estadística, Vol. 5 No. 2.
Spillman, L. & Strand, M. (2013). Interest-Oriented Action. Annual Reviews.
Articulo 10.1146/annurev-soc-081309-150019.
Enchautegui, M. (2000). Módulo de estudio sobre Modelos Probit y Logit.
Univerisdad de Puerto Rico Recinto de Rio Piedras.
León, Julián. (2016). Percepción de los niños sobre la violencia e inseguridad
urbana y la probabilidad de ser víctimas. Caso Lima Metropolitana y Callao. Pensamiento
Crítico Vol. 21, Nº 2, pp. 105 – 126.
Publicación de la Policía Nacional de Colombia - Dirección General - Oficina de
Planeación. (2010). Manual del comandante de la policía nacional. Imprenta Nacional de
Colombia. Bogotá, D. C., Colombia, 2010. Página 49.
Articulos en línea
Institute for economics & Peace. (2017a). Global Peace Index 2017. Recuperado el
23 de noviembre de 2017 de a las 9:45 de:
http://visionofhumanity.org/app/uploads/2017/06/GPI17-Report.pdf
36
Institute for economics & Peace. (2017b). Global Terrorism Index 2017.
Recuperado el 23 de noviembre de 2017 de a las 9:45 de:
http://visionofhumanity.org/app/uploads/2017/11/Global-Terrorism-Index-2017.pdf
Institute for economics & Peace. (2017c) SDG16 progress report. Recuperado el 23
de noviembre de 2017 de a las 9:45 de:
http://visionofhumanity.org/app/uploads/2017/09/SDG16-Progress-Report-2017.pdf
Guía de trámites y servicios de la Alcaldía mayor de Bogotá D.C. Lista de barrios.
Recuperado el 23 de sept. de 16 a las 7:34 pm de:
http://portel.bogota.gov.co/guia/interfaz/usuario/anexos/Listado%20de%20Barrios.pdf
Encuesta longitudinal colombiana (ELCA). 2013. Bases de datos urbano.
DICCIONARIO DE DATOS – TABLA COMUNIDADES URBANO. Universidad de los
Andes. Recuperado el 23 de sept. de 16 a las 19:51 de:
https://datoscede.uniandes.edu.co/microdatos-detalle.php/301/elca-urbana-2013/
Bouzat, Gabriel. (2010). Desigualdad, delito y seguridad en la argentina. SELA
(Seminario en Latinoamérica de Teoría Constitucional y Política) Papers. Paper 92.
Recuperado el 27 de noviembre de 2017 a las 19:35 de:
http://digitalcommons.law.yale.edu/yls_sela/92
Agozino, A. (2013). En torno a la ciencia de la seguridad. Adalberto Agozino.
Recuperado el 20 de noviembre del 2017 de:
http://adalbertoagozino.blogspot.com.co/2013/11/en-torno-la-ciencia-de-la-seguridad.html
Carvajal, E. (2017). ¿Por qué los barrios de Medellín se llaman como se llaman? El
colombiano. Recuperado el 20 de noviembre de 2017 a las 15:28 de:
http://www.elcolombiano.com/antioquia/de-donde-vienen-los-nombres-de-los-barrios-de-
medellin-MB5982097
Maskrey, Andrew. (1993). Los Desastres No Son Naturales. Red de Estudios
Sociales en Prevención de Desastres en América Latina. La Red. Recuperado el 27 de
noviembre de 2017 a las 19:48 de:
http://repositorio.gestiondelriesgo.gov.co/bitstream/handle/20.500.11762/19762/LosDesastr
esNoSonNaturales%28Maskrey_1993%29.pdf?sequence=1&isAllowed=y
37
Código Nacional de Policía. (2017). Artículo 140. Comportamientos contrarios al
cuidado e integridad del espacio público. Recuperado el 27 de noviembre de 2017 a las
21:20 de: http://leyes.co/codigo_nacional_de_policia/140.htm
Instituto Colombiano de Bienestar Familiar (ICBF). 2017. Madres comunitarias.
Recuperado el 20 de noviembre de 2017 a las 16:23 de:
http://www.icbf.gov.co/portal/page/portal/PrimeraInfanciaICBF/Madres
Rivas, Miguel. (2015). Bares y lenocinios generan inseguridad en Villa Dolores. La
razón. Recuperado el 27 de noviembre de 2017 a las 18:51 de: http://www.la-
razon.com/ciudades/El_Alto-bares-lenocinios-inseguridad-
Villa_Dolores_0_2292370775.html
Carrión Mena, Fernando, & Núñez-Vega, Jorge. (2006). La inseguridad en la
ciudad: hacia una comprensión de la producción social del miedo. EURE (Santiago),
32(97), 7-16. https://dx.doi.org/10.4067/S0250-71612006000300001
Ministerio de Educación Nacional (2017). Grupos Étnicos. Recuperado el 19 de
noviembre de 2017 a las 16:20 de:
http://www.colombiaaprende.edu.co/html/mediateca/1607/article-84457.html
Corte constitucional de la República de Colombia. (2015). Sentencia T-208/15
Derecho de petición de las personas privadas de la libertad en centros penitenciarios y
carcelarios-Responsabilidad del Estado de garantizar su protección de manera eficaz.
Recuperado el 19 de noviembre de 2017 a las 16:56 de:
http://www.corteconstitucional.gov.co/relatoria/2015/t-208-15.htm
Artículos de periódicos
La Capital. (2015). Casi cincuenta obreros de la construcción advirtieron un robo y
persiguieron a los delincuentes. Recuperado el 24 de noviembre de 2017 a las 17:53 de:
https://www.lacapital.com.ar/policiales/casi-cincuenta-obreros-la-construccion-advirtieron
un-robo-y-persiguieron-los-delincuentes-n491085.html
El Espectador. (2016). El abuso con las madres comunitarias. El Espectador.
Recuperado el 20 de noviembre de 2017 a las 16:42 de:
38
https://www.elespectador.com/opinion/editorial/el-abuso-madres-comunitarias-articulo-
652236
El Tiempo. (2004). Problemas en hogares comunitarios. El tiempo. Recuperado el
20 de noviembre de 2017 a las 16:44 de:
http://www.eltiempo.com/archivo/documento/MAM-1557417
Dinero. (2010). Educación preescolar, la plata mejor gastada. Recuperado el 21 de
noviembre de 2017 a las 10:33 de: http://www.dinero.com/economia/articulo/educacion-
preescolar-plata-mejor-gastada/105967
El país. (2016). 16 preguntas para entender cómo funcionan las Juntas de Acción
Comunal. Recuperado el 17 de noviembre de 2017 a las 19:45 de:
http://www.elpais.com.co/cali/16-preguntas-para-entender-como-funcionan-las-juntas-de-
accion-comunal.html
Bases de datos
Encuesta Longitudinal Colombiana de la Universidad de los Andes – ELCA, datos
públicos. Producida y distribuida por el Centro de Estudios sobre Desarrollo Económico
(CEDE), Facultad de Economía, Universidad de los Andes. Bogotá, Colombia. Recuperado
el 23 de sept. de 16 a las 7:01pm de: https://datoscede.uniandes.edu.co/microdatos-
detalle.php/301/elca-urbana-2013/
Anexos
Anexo 1.
Para esto, se quitan cada una de las variables de forma sequiencial, observando los cambios
que estas restricciones generan en los resultados de la regresión logística en término de la
significancia de variables.
39
Ilustración 16. Estado de barrio (Modelo Full 1)
En la ilustración 10 se tiene el modelo sin la variable atracos, es posible ver que aumenta la
significancia (P>|z| disminuye) para varias variables como los “cortes_agua” y
“drogas_alucinogenas”, pero en general el modelo sigue teniendo la misma forma.
Continuando, se restringirá la variable “homicidios”, el modelo resultante se ve en la
ilustración 11.
Ilustración 17. Estado del barrio (Modelo Full 2)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
40
En este modelo, se ve cómo los cortes de agua se vuelven significativos, algo sorprendente
y bastante interesante. Además, se continúa reduciendo el p-valor de
“drogas_aluciongenas”. Siguiendo el proceso anterior, se retira la variable “pandillas” del
modelo, el modelo resultante se ve en la ilustración 12.
Anexo 2
Ilustración 18. Estado del barrio (Refinamiento 1)
En la ilustración 13 se ve el modelo de Estado del barrio sin la variable “transp_publico”
que no es significativa, esta restricción no cambia el resultado en términos de significancia
de variables, por lo anterior, se removerá la variable que se refiere a si el agua es confiable
para consumir del grifo “puede_consumir_a~a” y se obtiene como resultado el modelo que
se ilustra a continuación:
41
Ilustración 19. Estado del barrio (Refinamiento 2)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
La ilustración 14 deja ver que esta nueva restricción no cambia el resultado en términos de
significancia de variables de manera importante, pero conlleva a que la significancia de
“obras” y “cortes_agua” esté muy cerca del límite de significancia (Aproximadamente
10%). Por lo anterior, se removerá la variable que se refiere estado sanitario del barrio
llamada “sucio”.
Anexo 3
En primera instancia, las organizaciones de carácter cultural no son importantes para la
inseguridad, algo que realmente no es de extrañarse, pues estas no tienen cualidades que
ayuden a la seguridad de un lugar, por esto, se quita del modelo. El modelo resultante se ve
en la ilustración 17.
42
Ilustración 20. Organización de la comunidad (Refinamiento 1)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
En segunda instancia, vemos que sorprendentemente la presencia de una asociación de
vigilancia y seguridad es irrelevante para entender la inseguridad de una comunidad. Algo
que a primera vista sería muy difícil de deducir. Dado esto, se restringe esta variable del
modelo.
Ilustración 21. Organización de la comunidad (Refinamiento 2)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
La ilustración 18 muestra el modelo anterior refinado, en esta se puede ver que la
organización comunitaria pierde relevancia, al igual que la junta del edificio y la presencia
43
de la variable “part_promv_estado”, pero dándole más relevancia a las organizaciones
religiosas. Por lo anterior, se remueve la variable “part_promv_estado” del modelo. El
modelo resultante se ve en la ilustración 19.
Ilustración 22. Organización de la comunidad (Refinamiento 3)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
Con la restricción anterior no se cambia de manera importante la significancia de ninguna
variable, por lo anterior, se retira la junta del edificio del modelo.
Ilustración 23. Organización de la comunidad (Refinamiento 4)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
44
Con este cambio, vemos que las organizaciones comunitarias ganan significancia.
Paralelamente, las organizaciones religiosas la pierden. Si se quitan las organizaciones
comunitarias del modelo, la relación de este será:
Ilustración 24. Organización de la comunidad (Refinamiento 5)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
Como vemos en la ilustración 21, las organizaciones religiosas pierden significancia, para
comprobar que la solidaridad no está explicando todo el modelo, la quitaremos, para ver si
existe diferencia en el resultado anterior.
Ilustración 25.Organización de la comunidad (sin solidaridad)
(En este modelo no se incluye ninguna interacción pues estas no son significativas).
Como vemos, las organizaciones religiosas no tienen relevancia, ni siquiera quitando el
efecto de la solidaridad.
Anexo 4
45