Un indicador de criminalidad procesada en Colombia mediante análisis de componentes principales ponderados geográfica y temporalmente

Resumen (es)

El análisis de la criminalidad es esencial para desarrollar políticas de seguridad efectivas. Este trabajo se enfoca en la construcción de un indicador para la evaluación de la criminalidad procesada en Colombia a nivel municipal durante el período 2018-2023. Se integraron variables de los delitos tipificados penalmente, junto con la densidad poblacional, para identificar patrones espaciotemporales de criminalidad y focos de alto riesgo mediante el análisis de componentes principales ponderados geográfica y temporalmente. Se implementó una herramienta robusta para una mejor explicación del fenómeno criminal, subrayando la relevancia de la autocorrelación y la heterogeneidad espaciotemporal en su análisis. Se realizó una comparación de metodologías de análisis multivariado espacial, evaluando diversas funciones kernel y anchos de banda para optimizar los modelos. Los resultados evidencian una marcada heterogeneidad espacial en la criminalidad, lo que sugiere la presencia de patrones no aleatorios determinados por factores geográficos y temporales. Este hallazgo proporciona una comprensión más precisa de la distribución espacial del crimen. Finalmente, se construye un indicador espaciotemporal que permite el análisis y la comparación entre regiones y periodos, lo cual facilita la implementación de medidas preventivas y correctivas más eficaces en las áreas más afectadas.

Resumen (en)

Crime analysis is essential to put in place efective security policies. This study focuses on creating an index to assess borough prosecuted crime in Colombia from 2018 to 2023. The index integrates variables of criminal offences along with population density to identify spatiotemporal patterns of criminality and high-risk hotspots through geographically and temporally weighted principal component analysis. The implementation of a robust tool allowed a better explanation of the criminal phenomenon, highlighting the relevance of autocorrelation and spatial-temporal heterogeneity in its analysis. A comparison of spatial multivariate analysis methodologies was carried out by evaluating different kernel functions and bandwidths to optimise the models. The results signal a strong spatial heterogeneity in crime, which suggest the presence of non-random patterns determined by geographical and temporal elements. These findings provide a more precise understanding of the spatial distribution of crime. Finally, a spatiotemporal indicator is created to allow for analysis and comparison across regions and time periods, facilitating the implementation of more effective preventive and corrective measures in the most affected areas.