Para explicar el aumento en la percepción de seguridad
Según la más reciente edición de la ENSU (septiembre de 2020), la percepción de seguridad en la ciudad de Querétaro habría alcanzado un máximo histórico. En efecto, se pasó de un 40.6% de la población que considera que Querétaro es seguro, a un 53.7%; no sólo es la proporción más alta jamás lograda en la ciudad, sino que también es el cambio porcentual más importante que hayamos visto entre dos meses. Ahora, la ciudad ocupa el número 17 del ranking de las ciudades con mejor percepción de seguridad, cuando apenas en diciembre de 2019 ocupábamos la posición 26 y el pasado marzo la posición 23. Es un gran avance desde el mínimo histórico, en septiembre de 2017, cuando la proporción de residentes que consideraba segura a la ciudad de Querétaro fue de 33.4% y cuando, no obstante, ocupamos la posición 18 en percepción de seguridad.
Si bien el logro es de celebrarse, aún hay que explicarlo, y existen varias hipótesis:
- La de Juan Luis Ferruzca, secretario de seguridad local, que considera que es un logro de la estrategia y coordinación de las autoridades estatales.
- La de que se deba a una reacción a eventos en el escenario nacional.
- La de que se deba a una disminución del delito.
- La de que se deba a la jornada nacional de sana distancia.
La primera hipótesis no tiene sustento, debido a que:
El aumento en la percepción de seguridad es un fenómeno nacional. En el agregado de las 87 ciudades consideradas, se pasó de un 26.2% a un 31.8%. También es el máximo alcanzado a nivel nacional. La SSPM no tendría tal influencia.
La ENSU proporciona dos indicadores de interés sobre las policías locales: confianza y percepción de su eficacia. Querétaro es la ciudad número 12 en efectividad de percibida la policía, y la ciudad número 13 en confianza hacia la policía. Según un modelo de regresión, no obstante, ninguno de estos indicadores tiene efectos de importancia sobre la percepción de seguridad.
Entre marzo y septiembre, en Querétaro, la percepción de la eficacia de la policía municipal bajó de 62.3% a 60.9%, mientras que a nivel nacional aumentó de 39.9% a 43.7%. No puede ser la gestión de la policía local la que explica el aumento de la percepción de seguridad, porque la aprobación de la policía local va a la baja.
La segunda hipótesis sugiere que la percepción de seguridad en la ciudad responde a evento, como delitos de alto impacto en el escenario nacional; es posible que ocurra una mezcla de efectos de dotación (si a todos les va bien, a mí me va bien) y de contraste (no estoy como ellos, entonces estoy mejor) frente a distintos delitos. La hipótesis apuntaría a un cambio en el escenario nacional, y en favor de esta hipótesis observamos una estrecha correlación entre la percepción de seguridad a nivel nacional y la percepción de seguridad local; como ya anotábamos, en 2017 se registró el nivel más bajo de percepción de seguridad en Querétaro, que coincide con la dramática alza de la violencia en Guanajuato, lo que en Querétaro se resintió también como un aumento en los homicidios dolosos con arma de fuego, que alcanzó entonces su máximo histórico. Sin embargo, con apenas 20 ediciones de la ENSU, no existe fuerte evidencia para seguir en esta dirección.
La tercera hipótesis apuntaría a una reducción en el delito; efectivamente, hay reducciones en el delito respecto de la medición de la ENSU en diciembre del año pasado. Sin embargo, si bien existe una relación entre victimización y percepción de la eficacia de la policía, la victimización personal o en el hogar apenas si tiene alguna influencia en la percepción de seguridad. Son fenómenos casi independientes. Los datos de SESNSP y del Global mobility report, nos indican que cuando dejamos de salir también se redujeron los delitos, pero esto no abona nada a la percepción de seguridad. Concretamente:
- La inseguridad objetiva y subjetiva son cosas independientes. Ni la victimización individual o en el hogar ni la observancia de desorden (vandalismo, bandas, disparos, drogas) o delitos afectan la percepción de seguridad.
- No existe relación de causa-efecto entre la disminución de delito y la disminución de la percepción de inseguridad; más bien, ambas parecen ser efectos de otra causa.
La cuarta hipótesis apunta precisamente hacia la Jornada Nacional de Sana Distancia, pero en una forma diferente. La percepción de seguridad en el estado se descompone en la percepción de seguridad en los lugares que visitamos, en particular, por la percepción de seguridad en nuestras casas, en las calles que frecuentamos y en los mercados. Entre diciembre de 2019 y septiembre de 2020, la percepción de seguridad en nuestras casas se mantuvo casi igual, con una ligera disminución en Querétaro; pero la percepción de seguridad en la calle aumentó casi 7 puntos, pasando en la ciudad de 44.4% a 51.5%, y la seguridad en el mercado pasó de 46.8% a 58%. La percepción de seguridad en calles y mercados tampoco está afectada por la confianza o la eficacia percibida de la policía municipal, y apenas resiente efectos del desorden social percibido, como son las bandas violentas o los disparos.
En suma, la percepción de inseguridad en la ciudad habría disminuido porque disminuyó la percepción de seguridad en espacios concretos, y la percepción de inseguridad en tales espacios disminuyó porque dejamos de usarlos, y porque esperamos que también otros hayan dejado de usarlos (o tal vez, inversamente, porque nos dio gusto volver a usarlos! En un efecto de contraste, al dejar de usar estos espacios y extrañarlos, los recordamos mejor de lo que nos parecían entonces).
En cualquier caso, parece que esta alta percepción de seguridad es un fenómeno transitorio. En Querétaro, la proporción de personas que tiene expectativas favorables sobre la situación de seguridad es de 33.89, por debajo de la media nacional, de 37.2%, lo que nos ubica en la posición 43 entre 87 ciudades.
Preparación de los datos
Hay que descargar las bases de datos correspondientes a los periodos bajo estudio, en este caso septiembre 2020, disponibles en la página de INEGI.
# Cargamos librerías
library(knitr) # La usaremos para generar las tablas
library(foreign) #para leer archivos DBF
library(dplyr) #para hacer queries
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(survey) # para analizar la encuesta, utilizando factores de expansión
## Loading required package: grid
## Loading required package: Matrix
## Loading required package: survival
##
## Attaching package: 'survey'
## The following object is masked from 'package:graphics':
##
## dotchart
library(plotly)
## Loading required package: ggplot2
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
library(rsq)
setwd("D:/Google Drive/ENSU") # indico la ruta a mis carpetas
#Leo los archivos
sepViv<-read.dbf(file ="ensu_bd_2020_dbf/ensu_bd_2020_dbf/ensu_bd_septiembre_2020_dbf/ensu_bd_septiembre_2020_dbf/ENSU_VIV_0920.dbf",as.is = TRUE )
sepDem<-read.dbf(file ="ensu_bd_2020_dbf/ensu_bd_2020_dbf/ensu_bd_septiembre_2020_dbf/ensu_bd_septiembre_2020_dbf/ENSU_CS_0920.dbf",as.is = TRUE )
sepCB1<-read.dbf(file ="ensu_bd_2020_dbf/ensu_bd_2020_dbf/ensu_bd_septiembre_2020_dbf/ensu_bd_septiembre_2020_dbf/ENSU_CB_sec1_2_3_0920.dbf",as.is = FALSE )
sepCB2<-read.dbf(file ="ensu_bd_2020_dbf/ensu_bd_2020_dbf/ensu_bd_septiembre_2020_dbf/ensu_bd_septiembre_2020_dbf/ENSU_CB_sec4_0920.dbf",as.is = FALSE )
# hago las consultas
sepVD<-left_join(x = sepViv,y = sepDem,c("CVE_ENT","UPM","VIV_SEL"))
sepC<-inner_join(x = sepCB1, y = sepCB2,c("CVE_ENT","UPM","VIV_SEL","R_SEL"))
sep20<-inner_join(sepVD,y = sepC, by=c("CVE_ENT","UPM","VIV_SEL", "N_REN"="R_SEL"))
# indico los factores de expansion para personas y para viviendas
facPer<-svydesign(ids = sep20$ID_PER,weights = sep20$FAC_SEL.y)
facViv<-svydesign(ids = sep20$ID_VIV.y.y,weights = sep20$FAC_VIV.y)
#Creo una nueva variable, que indica la ciudad y el estado
sep20$ciudad<-NA
sep20$ciudad<-paste0(sep20$NOM_CD.x.x,", ",sep20$NOM_ENT.y.y)
Victimización en hogares
#RV
#Robo total de vehículo (automóvil, camioneta o camión)
sep20$BP1_6_1<-as.numeric(sep20$BP1_6_1)
sep20$BP1_6_1[sep20$BP1_6_1==9]<-NA
sep20$BP1_6_1<-factor(x = sep20$BP1_6_1, levels=c(1,2), labels=c("Sí", "No"))
colnames(sep20)[109]<-c("RV")
rv20<-svytable(formula = ~sep20$ciudad+sep20$RV, facViv)
rv20<-as.data.frame(rv20)
rv20<-cbind(rv20[1:87,c(1,3)],rv20[88:174,3])
rv20$tasa<-round(as.numeric(rv20[,2])/(as.numeric(rv20[,2])+as.numeric(rv20[,3]))*100000,2)
names(rv20)<-c("Estado","Sí", "No", "Tasa")
#RAV
#Robo de accesorios,refacciones o herramientas de vehículos (automóvil, camioneta o camión)
sep20$BP1_6_2<-as.numeric(sep20$BP1_6_2)
sep20$BP1_6_2[sep20$BP1_6_2==9]<-NA
sep20$BP1_6_2<-factor(x = sep20$BP1_6_2, levels=c(1,2), labels=c("Sí", "No"))
colnames(sep20)[110]<-c("RaV")
rav20<-svytable(formula = ~sep20$ciudad+sep20$RaV, facViv)
rav20<-as.data.frame(rav20)
rav20<-cbind(rav20[1:87,c(1,3)],rav20[88:174,3])
rav20$tasa<-round(as.numeric(rav20[,2])/(as.numeric(rav20[,2])+as.numeric(rav20[,3]))*100000,2)
names(rav20)<-c("Estado","Sí", "No", "Tasa")
#RCH
#Alguien entró a su casa o departamento sin permiso mediante el uso de la fuerza o engaños y robó o intentó robar algo
sep20$BP1_6_3<-as.numeric(sep20$BP1_6_3)
sep20$BP1_6_3[sep20$BP1_6_3==9]<-NA
sep20$BP1_6_3<-factor(x = sep20$BP1_6_3, levels=c(1,2), labels=c("Sí", "No"))
colnames(sep20)[111]<-c("rch")
rch20<-svytable(formula = ~sep20$ciudad+sep20$rch, facViv)
rch20<-as.data.frame(rch20)
rch20<-cbind(rch20[1:87,c(1,3)],rch20[88:174,3])
rch20$tasa<-round(as.numeric(rch20[,2])/(as.numeric(rch20[,2])+as.numeric(rch20[,3]))*100000,2)
names(rch20)<-c("Estado","Sí", "No", "Tasa")
#RAT
#Robo o asalto en la calle o en el transporte público (incluye robo en banco o cajero automático)
sep20$BP1_6_4<-as.numeric(sep20$BP1_6_4)
sep20$BP1_6_4[sep20$BP1_6_4==9]<-NA
sep20$BP1_6_4<-factor(x = sep20$BP1_6_4, levels=c(1,2), labels=c("Sí", "No"))
colnames(sep20)[112]<-c("rat")
rat20<-svytable(formula = ~sep20$ciudad+sep20$rat, facViv)
rat20<-as.data.frame(rat20)
rat20<-cbind(rat20[1:87,c(1,3)],rat20[88:174,3])
rat20$tasa<-round(as.numeric(rat20[,2])/(as.numeric(rat20[,2])+as.numeric(rat20[,3]))*100000,2)
names(rat20)<-c("Estado","Sí", "No", "Tasa")
#RD
#Robo en forma distinta a las anteriores
sep20$BP1_6_5<-as.numeric(sep20$BP1_6_5)
sep20$BP1_6_5[sep20$BP1_6_5==9]<-NA
sep20$BP1_6_5<-factor(x = sep20$BP1_6_5, levels=c(1,2), labels=c("Sí", "No"))
colnames(sep20)[113]<-c("rd")
rd20<-svytable(formula = ~sep20$ciudad+sep20$rd, facViv)
rd20<-as.data.frame(rd20)
rd20<-cbind(rd20[1:87,c(1,3)],rd20[88:174,3])
rd20$tasa<-round(as.numeric(rd20[,2])/(as.numeric(rd20[,2])+as.numeric(rd20[,3]))*100000,2)
names(rd20)<-c("Estado","Sí", "No", "Tasa")
#exto
#Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión)
sep20$BP1_6_6<-as.numeric(sep20$BP1_6_6)
sep20$BP1_6_6[sep20$BP1_6_6==9]<-NA
sep20$BP1_6_6<-factor(x = sep20$BP1_6_6, levels=c(1,2), labels=c("Sí", "No"))
colnames(sep20)[114]<-c("exto")
exto20<-svytable(formula = ~sep20$ciudad+sep20$exto, facViv)
exto20<-as.data.frame(exto20)
exto20<-cbind(exto20[1:87,c(1,3)],exto20[88:174,3])
exto20$tasa<-round(as.numeric(exto20[,2])/(as.numeric(exto20[,2])+as.numeric(exto20[,3]))*100000,2)
names(exto20)<-c("Estado","Sí", "No", "Tasa")
COn la pregunta “Durante este año 2020, es decir, de enero a la fecha, ¿algún integrante de este hogar incluido usted, sufrieron la situación…” la ENSU aproxima niveles de victimización por hogares (número de hogares en los que al menos uno de sus miembros ha sido víctima de al menos un delito al menos una vez), no de incidencia delictiva (los delitos totales,que pueden implicar victimización repetida y victimización múltiple.)
La ENSU contempla 87 áreas urbanas o ciudades de interés, en arreglo con inegi, porque la mayor parte de los casos de victimización en el país, cerca del 66.8%, ocurren en éstas.
Los delitos considerados y los niveles de victimización en cada ciudad son los siguientes:
Robo total de vehículo (automóvil, camioneta o camión)
kable(rv20,caption="Robo total de vehículo (automóvil, camioneta o camión)")
Robo total de vehículo (automóvil, camioneta o camión)
| Acapulco, Guerrero |
2542 |
220182 |
1141.32 |
| Aguascalientes, Aguascalientes |
4893 |
252146 |
1903.60 |
| alvaro Obregon, Ciudad de Mexico |
4100 |
289007 |
1398.81 |
| Apodaca, Nuevo Leon |
540 |
147873 |
363.85 |
| Atizapan de Zaragoza, Mexico |
7473 |
163551 |
4369.56 |
| Azcapotzalco, Ciudad de Mexico |
10187 |
167407 |
5736.12 |
| Benito Juarez, Ciudad de Mexico |
3065 |
222801 |
1357.00 |
| Campeche, Campeche |
1195 |
81131 |
1451.55 |
| Cancun, Quintana Roo |
2698 |
278389 |
959.85 |
| Chihuahua, Chihuahua |
6071 |
291510 |
2040.12 |
| Chilpancingo de los Bravo, Guerrero |
856 |
58615 |
1439.36 |
| Chimalhuacan, Mexico |
10154 |
180160 |
5335.39 |
| Ciudad del Carmen, Campeche |
156 |
56938 |
273.23 |
| Ciudad Juarez, Chihuahua |
7467 |
448550 |
1637.44 |
| Ciudad Nezahualcoyotl, Mexico |
21155 |
391340 |
5128.55 |
| Coatzacoalcos, Veracruz de Ignacio de la Llave |
3400 |
91734 |
3573.91 |
| Colima, Colima |
341 |
99107 |
342.89 |
| Coyoacan, Ciudad de Mexico |
7072 |
208573 |
3279.46 |
| Cuajimalpa de Morelos, Ciudad de Mexico |
322 |
94872 |
338.26 |
| Cuauhtemoc, Ciudad de Mexico |
6513 |
204528 |
3086.13 |
| Cuautitlan Izcalli, Mexico |
14706 |
164150 |
8222.26 |
| Cuernavaca, Morelos |
18887 |
255746 |
6877.18 |
| Culiacan, Sinaloa |
8534 |
222470 |
3694.31 |
| Durango, Durango |
2347 |
166518 |
1389.87 |
| Ecatepec de Morelos, Mexico |
54764 |
479904 |
10242.62 |
| Fresnillo, Zacatecas |
713 |
35704 |
1957.88 |
| Gral. Escobedo, Nuevo Leon |
1658 |
108932 |
1499.23 |
| Guadalajara, Jalisco |
44158 |
490142 |
8264.65 |
| Guadalupe, Nuevo Leon |
2419 |
237158 |
1009.70 |
| Guanajuato, Guanajuato |
938 |
36512 |
2504.67 |
| Gustavo A. Madero, Ciudad de Mexico |
12718 |
405438 |
3041.45 |
| Hermosillo, Sonora |
1937 |
260538 |
737.98 |
| Ixtapa-Zihuatanejo, Guerrero |
258 |
31075 |
823.41 |
| Iztacalco, Ciudad de Mexico |
11877 |
187348 |
5961.60 |
| Iztapalapa, Ciudad de Mexico |
21711 |
557621 |
3747.59 |
| La Laguna, Coahuila de Zaragoza |
0 |
210304 |
0.00 |
| La Laguna, Durango |
0 |
123687 |
0.00 |
| La Magdalena Contreras, Ciudad de Mexico |
3388 |
94527 |
3460.14 |
| La Paz, Baja California Sur |
1228 |
96941 |
1250.90 |
| Lazaro Cardenas, Michoacan de Ocampo |
1290 |
86496 |
1469.48 |
| Leon, Guanajuato |
32284 |
393062 |
7590.06 |
| Los Cabos, Baja California Sur |
409 |
63570 |
639.27 |
| Los Mochis, Sinaloa |
0 |
92689 |
0.00 |
| Manzanillo, Colima |
1063 |
47670 |
2181.27 |
| Mazatlan, Sinaloa |
1665 |
136452 |
1205.50 |
| Merida, Yucatan |
0 |
347608 |
0.00 |
| Mexicali, Baja California |
3922 |
274279 |
1409.77 |
| Miguel Hidalgo, Ciudad de Mexico |
10328 |
200570 |
4897.15 |
| Milpa Alta, Ciudad de Mexico |
509 |
48292 |
1043.01 |
| Monterrey, Nuevo Leon |
3532 |
422082 |
829.86 |
| Morelia, Michoacan de Ocampo |
7884 |
213746 |
3557.28 |
| Naucalpan de Juarez, Mexico |
14937 |
311925 |
4569.82 |
| Nogales, Sonora |
277 |
79595 |
346.80 |
| Nuevo Laredo, Tamaulipas |
934 |
115806 |
800.07 |
| Oaxaca, Oaxaca |
2258 |
163520 |
1362.06 |
| Pachuca, Hidalgo |
1737 |
120777 |
1417.80 |
| Piedras Negras, Coahuila de Zaragoza |
1008 |
51574 |
1917.01 |
| Puebla, Puebla |
11866 |
630841 |
1846.25 |
| Puerto Vallarta, Jalisco |
661 |
74374 |
880.92 |
| Queretaro, Queretaro |
8855 |
271663 |
3156.66 |
| Reynosa, Tamaulipas |
6619 |
201044 |
3187.38 |
| Saltillo, Coahuila de Zaragoza |
1351 |
257368 |
522.19 |
| San Luis Potosi, San Luis Potosi |
18528 |
305518 |
5717.71 |
| San Nicolas de los Garza, Nuevo Leon |
3379 |
152139 |
2172.74 |
| San Pedro Garza Garcia, Nuevo Leon |
0 |
44337 |
0.00 |
| San Pedro Tlaquepaque, Jalisco |
4497 |
181651 |
2415.82 |
| Santa Catarina, Nuevo Leon |
905 |
91634 |
977.97 |
| Tampico, Tamaulipas |
0 |
247760 |
0.00 |
| Tampico, Veracruz de Ignacio de la Llave |
0 |
21031 |
0.00 |
| Tapachula, Chiapas |
0 |
70594 |
0.00 |
| Tepic, Nayarit |
2851 |
150021 |
1864.96 |
| Tijuana, Baja California |
10976 |
532311 |
2020.29 |
| Tlahuac, Ciudad de Mexico |
5837 |
148527 |
3781.32 |
| Tlajomulco de Zuñiga, Jalisco |
940 |
25983 |
3491.44 |
| Tlalnepantla de Baz, Mexico |
17372 |
231877 |
6969.74 |
| Tlalpan, Ciudad de Mexico |
7569 |
263765 |
2789.55 |
| Tlaxcala, Tlaxcala |
8259 |
189138 |
4183.95 |
| Toluca, Mexico |
16181 |
379726 |
4087.07 |
| Tonala, Jalisco |
10416 |
124019 |
7747.98 |
| Tuxtla Gutierrez, Chiapas |
2579 |
207893 |
1225.34 |
| Uruapan, Michoacan de Ocampo |
6385 |
83061 |
7138.39 |
| Venustiano Carranza, Ciudad de Mexico |
4539 |
161098 |
2740.33 |
| Veracruz, Veracruz de Ignacio de la Llave |
0 |
257278 |
0.00 |
| Villahermosa, Tabasco |
4067 |
139962 |
2823.74 |
| Xochimilco, Ciudad de Mexico |
333 |
213940 |
155.41 |
| Zacatecas, Zacatecas |
3169 |
78615 |
3874.84 |
| Zapopan, Jalisco |
14691 |
382078 |
3702.66 |
Robo de accesorios,refacciones o herramientas de vehículos (automóvil, camioneta o camión)
kable(rav20,caption="Robo de accesorios,refacciones o herramientas de vehículos (automóvil, camioneta o camión)")
Robo de accesorios,refacciones o herramientas de vehículos (automóvil, camioneta o camión)
| Acapulco, Guerrero |
8103 |
214621 |
3638.14 |
| Aguascalientes, Aguascalientes |
55260 |
201779 |
21498.68 |
| alvaro Obregon, Ciudad de Mexico |
31375 |
261732 |
10704.28 |
| Apodaca, Nuevo Leon |
14305 |
134108 |
9638.64 |
| Atizapan de Zaragoza, Mexico |
16651 |
154373 |
9736.06 |
| Azcapotzalco, Ciudad de Mexico |
24905 |
152689 |
14023.56 |
| Benito Juarez, Ciudad de Mexico |
32707 |
193159 |
14480.71 |
| Campeche, Campeche |
3704 |
78622 |
4499.19 |
| Cancun, Quintana Roo |
26953 |
254134 |
9588.85 |
| Chihuahua, Chihuahua |
23457 |
274124 |
7882.56 |
| Chilpancingo de los Bravo, Guerrero |
1942 |
57529 |
3265.46 |
| Chimalhuacan, Mexico |
17004 |
173310 |
8934.71 |
| Ciudad del Carmen, Campeche |
6161 |
50933 |
10790.98 |
| Ciudad Juarez, Chihuahua |
27224 |
428793 |
5969.95 |
| Ciudad Nezahualcoyotl, Mexico |
45879 |
366616 |
11122.32 |
| Coatzacoalcos, Veracruz de Ignacio de la Llave |
2872 |
92262 |
3018.90 |
| Colima, Colima |
8917 |
90531 |
8966.50 |
| Coyoacan, Ciudad de Mexico |
28634 |
187011 |
13278.30 |
| Cuajimalpa de Morelos, Ciudad de Mexico |
3010 |
92184 |
3161.96 |
| Cuauhtemoc, Ciudad de Mexico |
47210 |
163831 |
22370.06 |
| Cuautitlan Izcalli, Mexico |
24252 |
154604 |
13559.51 |
| Cuernavaca, Morelos |
36920 |
236632 |
13496.52 |
| Culiacan, Sinaloa |
7703 |
223301 |
3334.57 |
| Durango, Durango |
13619 |
155246 |
8065.02 |
| Ecatepec de Morelos, Mexico |
60612 |
474056 |
11336.38 |
| Fresnillo, Zacatecas |
4153 |
32264 |
11404.01 |
| Gral. Escobedo, Nuevo Leon |
9255 |
101335 |
8368.75 |
| Guadalajara, Jalisco |
81842 |
452458 |
15317.61 |
| Guadalupe, Nuevo Leon |
23985 |
215592 |
10011.40 |
| Guanajuato, Guanajuato |
3046 |
34404 |
8133.51 |
| Gustavo A. Madero, Ciudad de Mexico |
52598 |
365558 |
12578.56 |
| Hermosillo, Sonora |
17209 |
245266 |
6556.43 |
| Ixtapa-Zihuatanejo, Guerrero |
1151 |
30182 |
3673.44 |
| Iztacalco, Ciudad de Mexico |
26906 |
172319 |
13505.33 |
| Iztapalapa, Ciudad de Mexico |
50176 |
529156 |
8661.01 |
| La Laguna, Coahuila de Zaragoza |
17552 |
192752 |
8346.01 |
| La Laguna, Durango |
5206 |
118481 |
4209.01 |
| La Magdalena Contreras, Ciudad de Mexico |
12805 |
85110 |
13077.67 |
| La Paz, Baja California Sur |
4416 |
93753 |
4498.37 |
| Lazaro Cardenas, Michoacan de Ocampo |
5477 |
82309 |
6239.04 |
| Leon, Guanajuato |
76610 |
348736 |
18011.22 |
| Los Cabos, Baja California Sur |
1869 |
62110 |
2921.27 |
| Los Mochis, Sinaloa |
3233 |
89456 |
3488.01 |
| Manzanillo, Colima |
3727 |
45006 |
7647.80 |
| Mazatlan, Sinaloa |
6067 |
131574 |
4407.84 |
| Merida, Yucatan |
6088 |
341520 |
1751.40 |
| Mexicali, Baja California |
17863 |
260338 |
6420.90 |
| Miguel Hidalgo, Ciudad de Mexico |
36841 |
173237 |
17536.82 |
| Milpa Alta, Ciudad de Mexico |
2925 |
45876 |
5993.73 |
| Monterrey, Nuevo Leon |
47960 |
377654 |
11268.43 |
| Morelia, Michoacan de Ocampo |
23324 |
198306 |
10523.85 |
| Naucalpan de Juarez, Mexico |
19494 |
307368 |
5963.98 |
| Nogales, Sonora |
3923 |
75949 |
4911.61 |
| Nuevo Laredo, Tamaulipas |
5178 |
111562 |
4435.50 |
| Oaxaca, Oaxaca |
15061 |
150717 |
9085.04 |
| Pachuca, Hidalgo |
12477 |
110037 |
10184.14 |
| Piedras Negras, Coahuila de Zaragoza |
3332 |
49250 |
6336.77 |
| Puebla, Puebla |
93227 |
549480 |
14505.37 |
| Puerto Vallarta, Jalisco |
3566 |
71469 |
4752.45 |
| Queretaro, Queretaro |
27719 |
252799 |
9881.36 |
| Reynosa, Tamaulipas |
15186 |
192477 |
7312.81 |
| Saltillo, Coahuila de Zaragoza |
13748 |
244971 |
5313.87 |
| San Luis Potosi, San Luis Potosi |
40796 |
283250 |
12589.57 |
| San Nicolas de los Garza, Nuevo Leon |
16522 |
138996 |
10623.85 |
| San Pedro Garza Garcia, Nuevo Leon |
2249 |
42088 |
5072.51 |
| San Pedro Tlaquepaque, Jalisco |
19663 |
166485 |
10563.10 |
| Santa Catarina, Nuevo Leon |
8481 |
84058 |
9164.78 |
| Tampico, Tamaulipas |
5520 |
242240 |
2227.96 |
| Tampico, Veracruz de Ignacio de la Llave |
0 |
21031 |
0.00 |
| Tapachula, Chiapas |
4146 |
66448 |
5873.02 |
| Tepic, Nayarit |
9922 |
142950 |
6490.40 |
| Tijuana, Baja California |
26770 |
516517 |
4927.41 |
| Tlahuac, Ciudad de Mexico |
22983 |
131381 |
14888.83 |
| Tlajomulco de Zuñiga, Jalisco |
3450 |
23473 |
12814.32 |
| Tlalnepantla de Baz, Mexico |
32611 |
216638 |
13083.70 |
| Tlalpan, Ciudad de Mexico |
26295 |
245039 |
9691.01 |
| Tlaxcala, Tlaxcala |
19537 |
177860 |
9897.31 |
| Toluca, Mexico |
52736 |
343171 |
13320.30 |
| Tonala, Jalisco |
17604 |
116831 |
13094.80 |
| Tuxtla Gutierrez, Chiapas |
17019 |
193453 |
8086.11 |
| Uruapan, Michoacan de Ocampo |
7079 |
82367 |
7914.27 |
| Venustiano Carranza, Ciudad de Mexico |
19072 |
146565 |
11514.34 |
| Veracruz, Veracruz de Ignacio de la Llave |
8111 |
249167 |
3152.62 |
| Villahermosa, Tabasco |
14327 |
129702 |
9947.30 |
| Xochimilco, Ciudad de Mexico |
13699 |
200574 |
6393.25 |
| Zacatecas, Zacatecas |
7352 |
74432 |
8989.53 |
| Zapopan, Jalisco |
54270 |
342499 |
13677.98 |
Robo o asalto en la calle o en el transporte público (incluye robo en banco o cajero automático)
kable(rat20, caption="Robo o asalto en la calle o en el transporte público (incluye robo en banco o cajero automático)")
Robo o asalto en la calle o en el transporte público (incluye robo en banco o cajero automático)
| Acapulco, Guerrero |
22649 |
200075 |
10169.09 |
| Aguascalientes, Aguascalientes |
25971 |
232173 |
10060.66 |
| alvaro Obregon, Ciudad de Mexico |
30274 |
264236 |
10279.45 |
| Apodaca, Nuevo Leon |
11458 |
136955 |
7720.35 |
| Atizapan de Zaragoza, Mexico |
45187 |
125837 |
26421.44 |
| Azcapotzalco, Ciudad de Mexico |
28094 |
149500 |
15819.23 |
| Benito Juarez, Ciudad de Mexico |
21046 |
204820 |
9317.91 |
| Campeche, Campeche |
2872 |
79752 |
3475.99 |
| Cancun, Quintana Roo |
26403 |
254684 |
9393.18 |
| Chihuahua, Chihuahua |
6529 |
291052 |
2194.02 |
| Chilpancingo de los Bravo, Guerrero |
3091 |
56380 |
5197.49 |
| Chimalhuacan, Mexico |
55126 |
135188 |
28965.81 |
| Ciudad del Carmen, Campeche |
2943 |
54151 |
5154.66 |
| Ciudad Juarez, Chihuahua |
30037 |
425980 |
6586.82 |
| Ciudad Nezahualcoyotl, Mexico |
74029 |
338466 |
17946.64 |
| Coatzacoalcos, Veracruz de Ignacio de la Llave |
7298 |
87836 |
7671.28 |
| Colima, Colima |
1469 |
97979 |
1477.15 |
| Coyoacan, Ciudad de Mexico |
30051 |
185594 |
13935.40 |
| Cuajimalpa de Morelos, Ciudad de Mexico |
8805 |
87335 |
9158.52 |
| Cuauhtemoc, Ciudad de Mexico |
41801 |
169240 |
19807.05 |
| Cuautitlan Izcalli, Mexico |
42771 |
136085 |
23913.65 |
| Cuernavaca, Morelos |
46496 |
228137 |
16930.23 |
| Culiacan, Sinaloa |
14972 |
216032 |
6481.27 |
| Durango, Durango |
5916 |
162949 |
3503.39 |
| Ecatepec de Morelos, Mexico |
134639 |
400029 |
25181.80 |
| Fresnillo, Zacatecas |
3027 |
33390 |
8312.05 |
| Gral. Escobedo, Nuevo Leon |
5415 |
105175 |
4896.46 |
| Guadalajara, Jalisco |
89603 |
444697 |
16770.17 |
| Guadalupe, Nuevo Leon |
15128 |
224449 |
6314.46 |
| Guanajuato, Guanajuato |
2967 |
34483 |
7922.56 |
| Gustavo A. Madero, Ciudad de Mexico |
99026 |
319130 |
23681.59 |
| Hermosillo, Sonora |
7921 |
254554 |
3017.81 |
| Ixtapa-Zihuatanejo, Guerrero |
1701 |
29484 |
5454.55 |
| Iztacalco, Ciudad de Mexico |
36445 |
162780 |
18293.39 |
| Iztapalapa, Ciudad de Mexico |
158331 |
423174 |
27227.80 |
| La Laguna, Coahuila de Zaragoza |
18711 |
191593 |
8897.12 |
| La Laguna, Durango |
5371 |
118316 |
4342.41 |
| La Magdalena Contreras, Ciudad de Mexico |
23790 |
75901 |
23863.74 |
| La Paz, Baja California Sur |
1007 |
97162 |
1025.78 |
| Lazaro Cardenas, Michoacan de Ocampo |
7333 |
80453 |
8353.27 |
| Leon, Guanajuato |
66909 |
358437 |
15730.49 |
| Los Cabos, Baja California Sur |
1704 |
62275 |
2663.37 |
| Los Mochis, Sinaloa |
705 |
91984 |
760.61 |
| Manzanillo, Colima |
1402 |
47331 |
2876.90 |
| Mazatlan, Sinaloa |
5007 |
133110 |
3625.19 |
| Merida, Yucatan |
7631 |
339977 |
2195.29 |
| Mexicali, Baja California |
6801 |
271400 |
2444.64 |
| Miguel Hidalgo, Ciudad de Mexico |
45731 |
165614 |
21638.08 |
| Milpa Alta, Ciudad de Mexico |
9850 |
38792 |
20249.99 |
| Monterrey, Nuevo Leon |
19994 |
405620 |
4697.68 |
| Morelia, Michoacan de Ocampo |
24591 |
197678 |
11063.62 |
| Naucalpan de Juarez, Mexico |
43315 |
283547 |
13251.77 |
| Nogales, Sonora |
3640 |
76232 |
4557.29 |
| Nuevo Laredo, Tamaulipas |
2869 |
113871 |
2457.60 |
| Oaxaca, Oaxaca |
21120 |
144658 |
12739.93 |
| Pachuca, Hidalgo |
6506 |
116008 |
5310.41 |
| Piedras Negras, Coahuila de Zaragoza |
1567 |
50833 |
2990.46 |
| Puebla, Puebla |
123803 |
518904 |
19262.74 |
| Puerto Vallarta, Jalisco |
2286 |
72749 |
3046.58 |
| Queretaro, Queretaro |
25278 |
254275 |
9042.29 |
| Reynosa, Tamaulipas |
8037 |
199626 |
3870.21 |
| Saltillo, Coahuila de Zaragoza |
3941 |
254778 |
1523.27 |
| San Luis Potosi, San Luis Potosi |
36153 |
287893 |
11156.75 |
| San Nicolas de los Garza, Nuevo Leon |
5885 |
149633 |
3784.13 |
| San Pedro Garza Garcia, Nuevo Leon |
1486 |
42140 |
3406.23 |
| San Pedro Tlaquepaque, Jalisco |
25067 |
161081 |
13466.17 |
| Santa Catarina, Nuevo Leon |
5018 |
87521 |
5422.58 |
| Tampico, Tamaulipas |
3764 |
243996 |
1519.21 |
| Tampico, Veracruz de Ignacio de la Llave |
0 |
21031 |
0.00 |
| Tapachula, Chiapas |
7008 |
63586 |
9927.19 |
| Tepic, Nayarit |
3670 |
149202 |
2400.70 |
| Tijuana, Baja California |
24029 |
519258 |
4422.89 |
| Tlahuac, Ciudad de Mexico |
45225 |
110023 |
29130.81 |
| Tlajomulco de Zuñiga, Jalisco |
3072 |
23706 |
11472.10 |
| Tlalnepantla de Baz, Mexico |
39041 |
210208 |
15663.45 |
| Tlalpan, Ciudad de Mexico |
50723 |
220611 |
18693.93 |
| Tlaxcala, Tlaxcala |
25038 |
172450 |
12678.24 |
| Toluca, Mexico |
63985 |
331922 |
16161.62 |
| Tonala, Jalisco |
24397 |
110038 |
18147.80 |
| Tuxtla Gutierrez, Chiapas |
28226 |
182994 |
13363.32 |
| Uruapan, Michoacan de Ocampo |
7442 |
82004 |
8320.10 |
| Venustiano Carranza, Ciudad de Mexico |
30335 |
137136 |
18113.58 |
| Veracruz, Veracruz de Ignacio de la Llave |
8278 |
249000 |
3217.53 |
| Villahermosa, Tabasco |
10342 |
132606 |
7234.80 |
| Xochimilco, Ciudad de Mexico |
18896 |
197494 |
8732.38 |
| Zacatecas, Zacatecas |
3992 |
77172 |
4918.44 |
| Zapopan, Jalisco |
49032 |
347737 |
12357.82 |
### Robo en forma distinta a las anteriores
kable(rd20, caption="Robo en forma distinta a las anteriores")
Robo en forma distinta a las anteriores
| Acapulco, Guerrero |
764 |
221960 |
343.03 |
| Aguascalientes, Aguascalientes |
4640 |
253504 |
1797.45 |
| alvaro Obregon, Ciudad de Mexico |
1518 |
291693 |
517.72 |
| Apodaca, Nuevo Leon |
4662 |
143751 |
3141.23 |
| Atizapan de Zaragoza, Mexico |
0 |
171024 |
0.00 |
| Azcapotzalco, Ciudad de Mexico |
1179 |
176415 |
663.87 |
| Benito Juarez, Ciudad de Mexico |
700 |
225166 |
309.92 |
| Campeche, Campeche |
0 |
82624 |
0.00 |
| Cancun, Quintana Roo |
6179 |
274908 |
2198.25 |
| Chihuahua, Chihuahua |
0 |
297581 |
0.00 |
| Chilpancingo de los Bravo, Guerrero |
197 |
59274 |
331.25 |
| Chimalhuacan, Mexico |
836 |
189478 |
439.27 |
| Ciudad del Carmen, Campeche |
1715 |
55379 |
3003.82 |
| Ciudad Juarez, Chihuahua |
2929 |
451808 |
644.11 |
| Ciudad Nezahualcoyotl, Mexico |
0 |
412495 |
0.00 |
| Coatzacoalcos, Veracruz de Ignacio de la Llave |
1626 |
93508 |
1709.17 |
| Colima, Colima |
1973 |
97475 |
1983.95 |
| Coyoacan, Ciudad de Mexico |
1372 |
214273 |
636.23 |
| Cuajimalpa de Morelos, Ciudad de Mexico |
2662 |
93478 |
2768.88 |
| Cuauhtemoc, Ciudad de Mexico |
4048 |
206993 |
1918.11 |
| Cuautitlan Izcalli, Mexico |
5591 |
173265 |
3125.98 |
| Cuernavaca, Morelos |
2139 |
272494 |
778.86 |
| Culiacan, Sinaloa |
6384 |
224620 |
2763.59 |
| Durango, Durango |
2032 |
166833 |
1203.33 |
| Ecatepec de Morelos, Mexico |
16121 |
518547 |
3015.14 |
| Fresnillo, Zacatecas |
0 |
36417 |
0.00 |
| Gral. Escobedo, Nuevo Leon |
1959 |
108631 |
1771.41 |
| Guadalajara, Jalisco |
10654 |
523646 |
1994.01 |
| Guadalupe, Nuevo Leon |
2532 |
237045 |
1056.86 |
| Guanajuato, Guanajuato |
97 |
37353 |
259.01 |
| Gustavo A. Madero, Ciudad de Mexico |
2868 |
412054 |
691.21 |
| Hermosillo, Sonora |
6230 |
256245 |
2373.56 |
| Ixtapa-Zihuatanejo, Guerrero |
288 |
31045 |
919.16 |
| Iztacalco, Ciudad de Mexico |
394 |
198831 |
197.77 |
| Iztapalapa, Ciudad de Mexico |
8444 |
573061 |
1452.09 |
| La Laguna, Coahuila de Zaragoza |
2096 |
208208 |
996.65 |
| La Laguna, Durango |
0 |
123687 |
0.00 |
| La Magdalena Contreras, Ciudad de Mexico |
437 |
99254 |
438.35 |
| La Paz, Baja California Sur |
289 |
97880 |
294.39 |
| Lazaro Cardenas, Michoacan de Ocampo |
809 |
86666 |
924.84 |
| Leon, Guanajuato |
6098 |
419248 |
1433.66 |
| Los Cabos, Baja California Sur |
0 |
63979 |
0.00 |
| Los Mochis, Sinaloa |
982 |
91707 |
1059.46 |
| Manzanillo, Colima |
186 |
48547 |
381.67 |
| Mazatlan, Sinaloa |
0 |
138117 |
0.00 |
| Merida, Yucatan |
8350 |
339258 |
2402.13 |
| Mexicali, Baja California |
3264 |
274937 |
1173.25 |
| Miguel Hidalgo, Ciudad de Mexico |
3549 |
207796 |
1679.24 |
| Milpa Alta, Ciudad de Mexico |
567 |
48075 |
1165.66 |
| Monterrey, Nuevo Leon |
1583 |
424031 |
371.93 |
| Morelia, Michoacan de Ocampo |
1965 |
220304 |
884.06 |
| Naucalpan de Juarez, Mexico |
0 |
326862 |
0.00 |
| Nogales, Sonora |
2172 |
77700 |
2719.35 |
| Nuevo Laredo, Tamaulipas |
501 |
116239 |
429.16 |
| Oaxaca, Oaxaca |
1424 |
164354 |
858.98 |
| Pachuca, Hidalgo |
2129 |
120385 |
1737.76 |
| Piedras Negras, Coahuila de Zaragoza |
599 |
51801 |
1143.13 |
| Puebla, Puebla |
3395 |
639312 |
528.23 |
| Puerto Vallarta, Jalisco |
1548 |
73487 |
2063.04 |
| Queretaro, Queretaro |
8732 |
270821 |
3123.56 |
| Reynosa, Tamaulipas |
1892 |
205771 |
911.09 |
| Saltillo, Coahuila de Zaragoza |
2460 |
256259 |
950.84 |
| San Luis Potosi, San Luis Potosi |
4929 |
319117 |
1521.08 |
| San Nicolas de los Garza, Nuevo Leon |
1283 |
154235 |
824.98 |
| San Pedro Garza Garcia, Nuevo Leon |
200 |
43928 |
453.23 |
| San Pedro Tlaquepaque, Jalisco |
1559 |
184589 |
837.51 |
| Santa Catarina, Nuevo Leon |
0 |
92539 |
0.00 |
| Tampico, Tamaulipas |
0 |
247760 |
0.00 |
| Tampico, Veracruz de Ignacio de la Llave |
0 |
21031 |
0.00 |
| Tapachula, Chiapas |
605 |
69989 |
857.01 |
| Tepic, Nayarit |
2161 |
150711 |
1413.60 |
| Tijuana, Baja California |
1885 |
541402 |
346.96 |
| Tlahuac, Ciudad de Mexico |
1294 |
153559 |
835.63 |
| Tlajomulco de Zuñiga, Jalisco |
653 |
26270 |
2425.44 |
| Tlalnepantla de Baz, Mexico |
835 |
248414 |
335.01 |
| Tlalpan, Ciudad de Mexico |
2671 |
268663 |
984.40 |
| Tlaxcala, Tlaxcala |
3975 |
193513 |
2012.78 |
| Toluca, Mexico |
8715 |
387192 |
2201.27 |
| Tonala, Jalisco |
4344 |
130091 |
3231.30 |
| Tuxtla Gutierrez, Chiapas |
534 |
210686 |
252.82 |
| Uruapan, Michoacan de Ocampo |
682 |
88764 |
762.47 |
| Venustiano Carranza, Ciudad de Mexico |
2971 |
164500 |
1774.04 |
| Veracruz, Veracruz de Ignacio de la Llave |
646 |
256632 |
251.09 |
| Villahermosa, Tabasco |
1640 |
141929 |
1142.31 |
| Xochimilco, Ciudad de Mexico |
2655 |
213735 |
1226.95 |
| Zacatecas, Zacatecas |
280 |
81504 |
342.37 |
| Zapopan, Jalisco |
11847 |
384922 |
2985.87 |
### Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión)
kable(exto20,caption="Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión)")
Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión)
| Acapulco, Guerrero |
12992 |
209732 |
5833.23 |
| Aguascalientes, Aguascalientes |
32376 |
225768 |
12541.84 |
| alvaro Obregon, Ciudad de Mexico |
35385 |
259125 |
12014.87 |
| Apodaca, Nuevo Leon |
13011 |
135402 |
8766.75 |
| Atizapan de Zaragoza, Mexico |
21357 |
149667 |
12487.72 |
| Azcapotzalco, Ciudad de Mexico |
20063 |
157531 |
11297.12 |
| Benito Juarez, Ciudad de Mexico |
40201 |
185665 |
17798.61 |
| Campeche, Campeche |
7707 |
75175 |
9298.76 |
| Cancun, Quintana Roo |
29820 |
251267 |
10608.82 |
| Chihuahua, Chihuahua |
33213 |
264368 |
11160.99 |
| Chilpancingo de los Bravo, Guerrero |
7802 |
51669 |
13119.00 |
| Chimalhuacan, Mexico |
15063 |
175251 |
7914.81 |
| Ciudad del Carmen, Campeche |
3958 |
53136 |
6932.43 |
| Ciudad Juarez, Chihuahua |
17637 |
438380 |
3867.62 |
| Ciudad Nezahualcoyotl, Mexico |
55300 |
357195 |
13406.22 |
| Coatzacoalcos, Veracruz de Ignacio de la Llave |
7656 |
87478 |
8047.60 |
| Colima, Colima |
15146 |
84302 |
15230.07 |
| Coyoacan, Ciudad de Mexico |
26715 |
188930 |
12388.42 |
| Cuajimalpa de Morelos, Ciudad de Mexico |
8801 |
87339 |
9154.36 |
| Cuauhtemoc, Ciudad de Mexico |
30852 |
179473 |
14668.73 |
| Cuautitlan Izcalli, Mexico |
26607 |
151561 |
14933.66 |
| Cuernavaca, Morelos |
55276 |
219357 |
20127.22 |
| Culiacan, Sinaloa |
24140 |
206864 |
10450.04 |
| Durango, Durango |
16365 |
152500 |
9691.17 |
| Ecatepec de Morelos, Mexico |
58153 |
476515 |
10876.47 |
| Fresnillo, Zacatecas |
5573 |
30844 |
15303.29 |
| Gral. Escobedo, Nuevo Leon |
10286 |
100304 |
9301.02 |
| Guadalajara, Jalisco |
68020 |
466280 |
12730.68 |
| Guadalupe, Nuevo Leon |
18791 |
220786 |
7843.41 |
| Guanajuato, Guanajuato |
1319 |
36131 |
3522.03 |
| Gustavo A. Madero, Ciudad de Mexico |
50949 |
367207 |
12184.21 |
| Hermosillo, Sonora |
25063 |
237412 |
9548.72 |
| Ixtapa-Zihuatanejo, Guerrero |
4558 |
26775 |
14546.96 |
| Iztacalco, Ciudad de Mexico |
18522 |
180703 |
9297.03 |
| Iztapalapa, Ciudad de Mexico |
84055 |
497450 |
14454.73 |
| La Laguna, Coahuila de Zaragoza |
5914 |
204390 |
2812.12 |
| La Laguna, Durango |
3433 |
120254 |
2775.55 |
| La Magdalena Contreras, Ciudad de Mexico |
15510 |
85541 |
15348.69 |
| La Paz, Baja California Sur |
4904 |
93265 |
4995.47 |
| Lazaro Cardenas, Michoacan de Ocampo |
10970 |
76177 |
12587.93 |
| Leon, Guanajuato |
61247 |
364099 |
14399.34 |
| Los Cabos, Baja California Sur |
1834 |
62145 |
2866.57 |
| Los Mochis, Sinaloa |
6085 |
86604 |
6564.96 |
| Manzanillo, Colima |
6645 |
42088 |
13635.52 |
| Mazatlan, Sinaloa |
4723 |
133394 |
3419.56 |
| Merida, Yucatan |
28473 |
319135 |
8191.12 |
| Mexicali, Baja California |
20672 |
257529 |
7430.60 |
| Miguel Hidalgo, Ciudad de Mexico |
37742 |
173603 |
17858.00 |
| Milpa Alta, Ciudad de Mexico |
4984 |
42713 |
10449.29 |
| Monterrey, Nuevo Leon |
40491 |
385123 |
9513.55 |
| Morelia, Michoacan de Ocampo |
28738 |
193531 |
12929.38 |
| Naucalpan de Juarez, Mexico |
20884 |
305978 |
6389.24 |
| Nogales, Sonora |
2492 |
77380 |
3119.99 |
| Nuevo Laredo, Tamaulipas |
9463 |
107277 |
8106.05 |
| Oaxaca, Oaxaca |
17506 |
148272 |
10559.91 |
| Pachuca, Hidalgo |
10544 |
111970 |
8606.36 |
| Piedras Negras, Coahuila de Zaragoza |
5307 |
47275 |
10092.81 |
| Puebla, Puebla |
40950 |
601757 |
6371.49 |
| Puerto Vallarta, Jalisco |
6578 |
68457 |
8766.58 |
| Queretaro, Queretaro |
35578 |
243975 |
12726.75 |
| Reynosa, Tamaulipas |
21547 |
186116 |
10375.95 |
| Saltillo, Coahuila de Zaragoza |
11194 |
247525 |
4326.70 |
| San Luis Potosi, San Luis Potosi |
35366 |
288680 |
10913.88 |
| San Nicolas de los Garza, Nuevo Leon |
8399 |
147119 |
5400.66 |
| San Pedro Garza Garcia, Nuevo Leon |
3790 |
40547 |
8548.17 |
| San Pedro Tlaquepaque, Jalisco |
14712 |
171436 |
7903.39 |
| Santa Catarina, Nuevo Leon |
5349 |
87190 |
5780.27 |
| Tampico, Tamaulipas |
12432 |
235328 |
5017.76 |
| Tampico, Veracruz de Ignacio de la Llave |
0 |
21031 |
0.00 |
| Tapachula, Chiapas |
9274 |
61320 |
13137.09 |
| Tepic, Nayarit |
17045 |
135827 |
11149.85 |
| Tijuana, Baja California |
28528 |
514759 |
5251.00 |
| Tlahuac, Ciudad de Mexico |
18545 |
136703 |
11945.40 |
| Tlajomulco de Zuñiga, Jalisco |
4358 |
22565 |
16186.90 |
| Tlalnepantla de Baz, Mexico |
14321 |
234928 |
5745.66 |
| Tlalpan, Ciudad de Mexico |
35232 |
236102 |
12984.73 |
| Tlaxcala, Tlaxcala |
18136 |
179352 |
9183.34 |
| Toluca, Mexico |
51350 |
344557 |
12970.22 |
| Tonala, Jalisco |
19914 |
114521 |
14813.11 |
| Tuxtla Gutierrez, Chiapas |
21293 |
189927 |
10080.96 |
| Uruapan, Michoacan de Ocampo |
18815 |
70631 |
21035.04 |
| Venustiano Carranza, Ciudad de Mexico |
12469 |
155002 |
7445.47 |
| Veracruz, Veracruz de Ignacio de la Llave |
9977 |
247301 |
3877.91 |
| Villahermosa, Tabasco |
14261 |
129308 |
9933.20 |
| Xochimilco, Ciudad de Mexico |
15843 |
200547 |
7321.50 |
| Zacatecas, Zacatecas |
11630 |
70154 |
14220.39 |
| Zapopan, Jalisco |
46683 |
350086 |
11765.79 |
Resumen para Querétaro
qroDelSep20<-rbind(rv20[60,],rav20[60,],rch20[60,],rat20[60,],rd20[60,],exto20[60,])
names(qroDelSep20)[1]<-c("Delito")
qroDelSep20[,1]<-c("Robo total de vehículo (automóvil, camioneta o camión)","Robo de accesorios,refacciones o herramientas de vehículos (automóvil, camioneta o camión)","Alguien entró a su casa o departamento sin permiso mediante el uso de la fuerza o engaños y robó o intentó robar algo","Robo o asalto en la calle o en el transporte público (incluye robo en banco o cajero automático)","Robo en forma distinta a las anteriores","Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión)")
qroDelSep20$posicionNacional<-NA
qroDelSep20$posicionNacional<-c(
length(rv20$Tasa[rv20$Tasa>rv20$Tasa[60]])+1,
length(rav20$Tasa[rav20$Tasa>rav20$Tasa[60]])+1,
length(rch20$Tasa[rch20$Tasa>rch20$Tasa[60]])+1,
length(rat20$Tasa[rat20$Tasa>rat20$Tasa[60]])+1,
length(rd20$Tasa[rd20$Tasa>rd20$Tasa[60]])+1,
length(exto20$Tasa[exto20$Tasa>exto20$Tasa[60]])+1
)
kable(qroDelSep20)
| 60 |
Robo total de vehículo (automóvil, camioneta o camión) |
8855 |
271663 |
3156.66 |
30 |
| 601 |
Robo de accesorios,refacciones o herramientas de vehículos (automóvil, camioneta o camión) |
27719 |
252799 |
9881.36 |
36 |
| 602 |
Alguien entró a su casa o departamento sin permiso mediante el uso de la fuerza o engaños y robó o intentó robar algo |
12283 |
268235 |
4378.69 |
56 |
| 603 |
Robo o asalto en la calle o en el transporte público (incluye robo en banco o cajero automático) |
25278 |
254275 |
9042.29 |
41 |
| 604 |
Robo en forma distinta a las anteriores |
8732 |
270821 |
3123.56 |
4 |
| 605 |
Amenazas, presiones o engaños para exigir dinero o bienes; o para que hiciera algo o dejara de hacerlo (extorsión) |
35578 |
243975 |
12726.75 |
24 |
Aprobación de la Policía Preventiva Municipal (suma de quienes consideran el desempeño Muy efectivo y Algo efectivo )
facIndSep20<-svydesign(ids = sepCB1$ID_PER,weights = sepCB1$FAC_SEL)
sepCB1$ciudad<-paste0(sepCB1$NOM_CD,", ",sepCB1$NOM_ENT)
sepCB1$BP1_8_1<-as.numeric(sepCB1$BP1_8_1)
#sep20$BP1_8_1[sep20$BP1_8_1==9]<-NA
sepCB1$BP1_8_1<-factor(x = sepCB1$BP1_8_1,levels = c(1,2,3,9), labels = c("Sí", "No","No aplica","NS"))
reconocenPM_2020<-svytable(formula = ~sepCB1$ciudad + sepCB1$BP1_8_1,facIndSep20)
#mayores<-svytable(formula = ~sep20$ciudad + ,facPer)
reconocenPM_2020<-as.data.frame(reconocenPM_2020)
x<-as.data.frame(reconocenPM_2020$sepCB1.ciudad[1:87])
reconocenPM_2020<-cbind(x,reconocenPM_2020[1:87,3],reconocenPM_2020[88:174,3],reconocenPM_2020[175:261,3])
names(reconocenPM_2020)<-c("ciudad", "si","no","no_aplica")
reconocenPM_2020$total<-reconocenPM_2020$si+reconocenPM_2020$no
reconocenPM_2020$porcentaje<-reconocenPM_2020$si/(reconocenPM_2020$si+reconocenPM_2020$no)*100
posicionPM<-length(reconocenPM_2020$porcentaje[!is.na(reconocenPM_2020$porcentaje) & reconocenPM_2020$porcentaje>reconocenPM_2020$porcentaje[60]])+1
reconocenPM<-subset(x = sepCB1, subset = sepCB1$BP1_8_1=="Sí")
#reconocenPM$miID<-1:nrow(reconocenPM)
factIndR<-svydesign(ids = reconocenPM$ID_PER, data = reconocenPM, weights = reconocenPM$FAC_SEL)
#factR<-svydesign(ids = reconocenPM$miID,weights = reconocenPM$FAC_SEL)
reconocenPM$BP1_9_1[reconocenPM$BP1_9_1==9]<-NA
reconocenPM$BP1_9_1<-factor(reconocenPM$BP1_9_1,levels = c(1,2,3,4))
byCD<-svytable(~reconocenPM$ciudad+reconocenPM$BP1_9_1, factIndR)
byCD<-as.data.frame(byCD)
cd<-byCD[1:71,1]
byCD<-cbind(byCD[1:71,3],byCD[72:142,3],byCD[143:213,3],byCD[214:284,3])
byCD<-cbind(byCD,as.data.frame(aggregate(reconocenPM$FAC_SEL~reconocenPM$ciudad,reconocenPM,sum ))[2])
byCD$p<-round((byCD[1]+byCD[2])/byCD[5]*100,2)
byCD<-cbind(cd,byCD)
posicionEvaluacionPM<-length(byCD$p[byCD$p>byCD$p[48,1]])+1
names(byCD)<-c("Ciudad","Muy efectivo","Algo efectivo", "Poco efectivo", "Nada efectivo","Población", "Porcentaje que aprueba")
kable(byCD, caption="¿Qué tan efectivo considera el desempeño de la Policía Preventiva Municipal")
¿Qué tan efectivo considera el desempeño de la Policía Preventiva Municipal
| Acapulco, Guerrero |
29269 |
63200 |
183221 |
110152 |
390415 |
23.68 |
| Aguascalientes, Aguascalientes |
63975 |
174443 |
187017 |
67953 |
496911 |
47.98 |
| Apodaca, Nuevo Leon |
49243 |
136040 |
81781 |
21860 |
293599 |
63.11 |
| Atizapan de Zaragoza, Mexico |
4522 |
92392 |
114583 |
103167 |
319961 |
30.29 |
| Campeche, Campeche |
0 |
916 |
0 |
0 |
916 |
100.00 |
| Cancun, Quintana Roo |
12841 |
127409 |
191422 |
191687 |
527425 |
26.59 |
| Chihuahua, Chihuahua |
56485 |
282758 |
199429 |
36176 |
588743 |
57.62 |
| Chilpancingo de los Bravo, Guerrero |
5763 |
25691 |
59570 |
25664 |
118159 |
26.62 |
| Chimalhuacan, Mexico |
16719 |
103742 |
169023 |
130227 |
421035 |
28.61 |
| Ciudad del Carmen, Campeche |
7415 |
29428 |
62372 |
18240 |
117455 |
31.37 |
| Ciudad Juarez, Chihuahua |
72616 |
319032 |
421723 |
112825 |
926196 |
42.29 |
| Ciudad Nezahualcoyotl, Mexico |
90827 |
405897 |
291841 |
96388 |
900104 |
55.19 |
| Coatzacoalcos, Veracruz de Ignacio de la Llave |
2962 |
30296 |
54905 |
35521 |
127124 |
26.16 |
| Colima, Colima |
15257 |
84901 |
63054 |
11390 |
175892 |
56.94 |
| Cuautitlan Izcalli, Mexico |
6545 |
61276 |
129582 |
152545 |
349948 |
19.38 |
| Cuernavaca, Morelos |
10572 |
103334 |
183590 |
120917 |
422892 |
26.94 |
| Culiacan, Sinaloa |
44743 |
139955 |
173479 |
76425 |
437544 |
42.21 |
| Durango, Durango |
22665 |
121469 |
135705 |
52316 |
332155 |
43.39 |
| Ecatepec de Morelos, Mexico |
6788 |
311295 |
258340 |
291483 |
880882 |
36.11 |
| Fresnillo, Zacatecas |
4496 |
33744 |
25698 |
16614 |
80552 |
47.47 |
| Gral. Escobedo, Nuevo Leon |
50454 |
98633 |
43891 |
15747 |
211199 |
70.59 |
| Guadalajara, Jalisco |
33243 |
384704 |
382043 |
159177 |
959167 |
43.57 |
| Guadalupe, Nuevo Leon |
69273 |
244477 |
147519 |
48238 |
509507 |
61.58 |
| Guanajuato, Guanajuato |
4721 |
30062 |
31301 |
17014 |
83098 |
41.86 |
| Hermosillo, Sonora |
46092 |
191336 |
158013 |
75710 |
475951 |
49.88 |
| Ixtapa-Zihuatanejo, Guerrero |
2646 |
14806 |
25698 |
8126 |
52051 |
33.53 |
| La Laguna, Coahuila de Zaragoza |
27455 |
191547 |
138035 |
60898 |
421595 |
51.95 |
| La Laguna, Durango |
27090 |
73442 |
81374 |
32880 |
218027 |
46.11 |
| La Paz, Baja California Sur |
14015 |
108805 |
54441 |
11280 |
189461 |
64.83 |
| Lazaro Cardenas, Michoacan de Ocampo |
3611 |
37179 |
63566 |
28669 |
144575 |
28.21 |
| Leon, Guanajuato |
95721 |
336357 |
323658 |
162462 |
918198 |
47.06 |
| Los Cabos, Baja California Sur |
5963 |
48641 |
33694 |
22237 |
113203 |
48.24 |
| Los Mochis, Sinaloa |
8344 |
82227 |
65741 |
45960 |
204306 |
44.33 |
| Manzanillo, Colima |
10524 |
29553 |
30343 |
15204 |
86671 |
46.24 |
| Mazatlan, Sinaloa |
37069 |
66269 |
81684 |
46290 |
238679 |
43.30 |
| Merida, Yucatan |
116731 |
283707 |
83432 |
59951 |
546021 |
73.34 |
| Mexicali, Baja California |
22346 |
166537 |
242419 |
72273 |
509490 |
37.07 |
| Monterrey, Nuevo Leon |
46939 |
206106 |
180133 |
64154 |
509567 |
49.66 |
| Morelia, Michoacan de Ocampo |
7866 |
101471 |
124844 |
39257 |
279234 |
39.16 |
| Naucalpan de Juarez, Mexico |
20407 |
101765 |
232804 |
134125 |
489101 |
24.98 |
| Nogales, Sonora |
4510 |
40601 |
83392 |
43650 |
172153 |
26.20 |
| Nuevo Laredo, Tamaulipas |
9211 |
24282 |
25520 |
10007 |
71537 |
46.82 |
| Oaxaca, Oaxaca |
19941 |
158938 |
113345 |
44248 |
343704 |
52.04 |
| Pachuca, Hidalgo |
10513 |
93800 |
83817 |
47824 |
236308 |
44.14 |
| Piedras Negras, Coahuila de Zaragoza |
9047 |
35003 |
24080 |
25069 |
93199 |
47.26 |
| Puebla, Puebla |
42902 |
377624 |
399131 |
203934 |
1023591 |
41.08 |
| Puerto Vallarta, Jalisco |
18239 |
66898 |
47180 |
14524 |
148700 |
57.25 |
| Queretaro, Queretaro |
101216 |
224218 |
148095 |
49492 |
534399 |
60.90 |
| Reynosa, Tamaulipas |
18760 |
88663 |
57709 |
41702 |
206834 |
51.94 |
| Saltillo, Coahuila de Zaragoza |
54583 |
292771 |
159802 |
29358 |
541682 |
64.13 |
| San Luis Potosi, San Luis Potosi |
26744 |
123316 |
228067 |
175297 |
558977 |
26.85 |
| San Nicolas de los Garza, Nuevo Leon |
86111 |
174044 |
72061 |
28601 |
364809 |
71.31 |
| San Pedro Garza Garcia, Nuevo Leon |
35539 |
45765 |
11670 |
1853 |
97235 |
83.62 |
| San Pedro Tlaquepaque, Jalisco |
12215 |
103026 |
133896 |
141236 |
391522 |
29.43 |
| Santa Catarina, Nuevo Leon |
25053 |
92330 |
54186 |
16928 |
190449 |
61.63 |
| Tampico, Tamaulipas |
35466 |
105751 |
69750 |
17223 |
228190 |
61.89 |
| Tampico, Veracruz de Ignacio de la Llave |
3517 |
5981 |
792 |
6665 |
16955 |
56.02 |
| Tapachula, Chiapas |
4641 |
31496 |
74836 |
50362 |
162105 |
22.29 |
| Tepic, Nayarit |
13803 |
120614 |
68797 |
28223 |
233189 |
57.64 |
| Tijuana, Baja California |
77621 |
359886 |
376610 |
259503 |
1082111 |
40.43 |
| Tlajomulco de Zuñiga, Jalisco |
2251 |
12992 |
17563 |
12418 |
46808 |
32.56 |
| Tlalnepantla de Baz, Mexico |
12115 |
134170 |
231009 |
74832 |
465030 |
31.46 |
| Tlaxcala, Tlaxcala |
30006 |
203830 |
181833 |
100475 |
520712 |
44.91 |
| Toluca, Mexico |
12314 |
183970 |
240485 |
196748 |
637009 |
30.81 |
| Tonala, Jalisco |
14820 |
56842 |
120047 |
82829 |
278106 |
25.77 |
| Tuxtla Gutierrez, Chiapas |
26221 |
123142 |
151676 |
76099 |
381534 |
39.15 |
| Uruapan, Michoacan de Ocampo |
3833 |
16688 |
59920 |
45293 |
128883 |
15.92 |
| Veracruz, Veracruz de Ignacio de la Llave |
19285 |
113049 |
141637 |
42824 |
320149 |
41.34 |
| Villahermosa, Tabasco |
6075 |
55920 |
55264 |
37901 |
156728 |
39.56 |
| Zacatecas, Zacatecas |
15545 |
54120 |
66283 |
41358 |
178791 |
38.96 |
| Zapopan, Jalisco |
72895 |
225511 |
308308 |
125996 |
734265 |
40.64 |
Querétaro es la ciudad número 12 en efectividad de percibida la policía, entre las 71 consideradas por la ENSU y que cuentan con policía municipal.
Histórico Aprobación
Gráfico
tiempo<-c('Marzo-2016','Junio-2016','Septiembre-2016','Diciembre-2016','Marzo-2017','Junio-2017','Septiembre-2017','Diciembre-2017','Marzo-2018','Junio-2018','Septiembre-2018','Diciembre-2018','Marzo-2019','Junio-2019','Septiembre-2019','Diciembre-2019','Marzo-2020','Septiembre-2020')
aprobacionQro<-c(42.6,40.2,53.7,50.4,52.1,52.1,49.2,56.5,55.3,48.7,55.1,56.1,52.7,59.4,53.6,51.9,62.3,60.9)
aprobacionNacional<-c(38.5,42.8,41.7,39.8,38.5,37.3,40.3,38.5,38.8,39.6,38.6,39.4,39.1,41.4,41.7,40.4,39.9,43.7)
orden<-1:18
historicoAprobacion<-data.frame(tiempo,aprobacionNacional,aprobacionQro,orden)
historicoAprobacion$orden<-factor(x = historicoAprobacion$orden, levels = 1:18, labels = tiempo)
#plot.new()
#plot.window(xlim = c(1,19), ylim = c(25,65))
#axis(2)
#title(main="Histórico de aprobación de eficacia de Policía municipal",ylab = "porcentaje de aprobación")
#lines(x = historicoAprobacion$aprobacionNacional, lty=2, col="red",lwd=2)
#lines(x = historicoAprobacion$aprobacionQro,type = "l", lty=2, col="green", lwd=2, )
#legend(inset=.025,"bottomright",legend = c("Nacional","Querétaro"),lty = c(1,2),col = c("red","green"))
#axis(side = 1,labels = tiempo, at = 1:18,las=2, cex=.7)
miplotly<-plot_ly(data = historicoAprobacion, y= historicoAprobacion$aprobacionNacional, x= historicoAprobacion$orden, type = "scatter",name = "Porcentaje de aprobación nacional de policías municipales",mode="lines")
add_trace(p=miplotly,y=historicoAprobacion$aprobacionQro, name="Porcentaje de aprobación de la policía municipal en Querétaro",mode="lines+markers", type = "scatter")
## Warning: `arrange_()` is deprecated as of dplyr 0.7.0.
## Please use `arrange()` instead.
## See vignette('programming') for more help
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_warnings()` to see where this warning was generated.
#miplotly%>%layout(xaxis=list(type="category"))
Tabla
kable(historicoAprobacion[,1:3])
| Marzo-2016 |
38.5 |
42.6 |
| Junio-2016 |
42.8 |
40.2 |
| Septiembre-2016 |
41.7 |
53.7 |
| Diciembre-2016 |
39.8 |
50.4 |
| Marzo-2017 |
38.5 |
52.1 |
| Junio-2017 |
37.3 |
52.1 |
| Septiembre-2017 |
40.3 |
49.2 |
| Diciembre-2017 |
38.5 |
56.5 |
| Marzo-2018 |
38.8 |
55.3 |
| Junio-2018 |
39.6 |
48.7 |
| Septiembre-2018 |
38.6 |
55.1 |
| Diciembre-2018 |
39.4 |
56.1 |
| Marzo-2019 |
39.1 |
52.7 |
| Junio-2019 |
41.4 |
59.4 |
| Septiembre-2019 |
41.7 |
53.6 |
| Diciembre-2019 |
40.4 |
51.9 |
| Marzo-2020 |
39.9 |
62.3 |
| Septiembre-2020 |
43.7 |
60.9 |
Confianza en la policía municipal
reconocenPM$BP1_10_1<-as.numeric(reconocenPM$BP1_10_1)
reconocenPM$BP1_10_1[reconocenPM$BP1_10_1==9]<-NA
reconocenPM$BP1_10_1<-factor(reconocenPM$BP1_10_1,levels = c(1,2,3,4))
confianzaPM<-svytable(~reconocenPM$ciudad+reconocenPM$BP1_10_1, factIndR)
confianzaPM<-as.data.frame(confianzaPM)
cd<-confianzaPM[1:71,1]
confianzaPM<-cbind(confianzaPM[1:71,3],confianzaPM[72:142,3],confianzaPM[143:213,3],confianzaPM[214:284,3])
confianzaPM<-cbind(confianzaPM,as.data.frame(aggregate(reconocenPM$FAC_SEL~reconocenPM$ciudad,reconocenPM,sum ))[2])
confianzaPM$p1<-round((confianzaPM[1]+confianzaPM[2])/confianzaPM[5]*100,2)
confianzaPM<-cbind(cd,confianzaPM)
posicionConfianzaPM<-length(confianzaPM$p[confianzaPM$p1>confianzaPM$p[48,1]])+1
names(confianzaPM)<-c("Ciudad","Mucha confianza","Algo de confianza","Algo de desconfianza","Mucha desconfianza","Población", "Porcentaje que confía")
kable(confianzaPM, caption="¿Cuánta confianza le inspira la Policía Preventiva Municipal")
¿Cuánta confianza le inspira la Policía Preventiva Municipal
| Acapulco, Guerrero |
25859 |
144743 |
80935 |
138158 |
390415 |
43.70 |
| Aguascalientes, Aguascalientes |
49097 |
216829 |
148909 |
76513 |
496911 |
53.52 |
| Apodaca, Nuevo Leon |
36999 |
164678 |
55598 |
36324 |
293599 |
68.69 |
| Atizapan de Zaragoza, Mexico |
8499 |
84776 |
85741 |
138211 |
319961 |
29.15 |
| Campeche, Campeche |
0 |
916 |
0 |
0 |
916 |
100.00 |
| Cancun, Quintana Roo |
9894 |
151349 |
115912 |
250270 |
527425 |
30.57 |
| Chihuahua, Chihuahua |
47737 |
311224 |
112096 |
112266 |
588743 |
60.97 |
| Chilpancingo de los Bravo, Guerrero |
1850 |
37690 |
43465 |
34395 |
118159 |
33.46 |
| Chimalhuacan, Mexico |
12604 |
107987 |
160398 |
137865 |
421035 |
28.64 |
| Ciudad del Carmen, Campeche |
8154 |
36334 |
45041 |
27164 |
117455 |
37.88 |
| Ciudad Juarez, Chihuahua |
54409 |
301431 |
342638 |
227718 |
926196 |
38.42 |
| Ciudad Nezahualcoyotl, Mexico |
58841 |
465323 |
199069 |
173614 |
900104 |
58.23 |
| Coatzacoalcos, Veracruz de Ignacio de la Llave |
2595 |
39710 |
35401 |
48583 |
127124 |
33.28 |
| Colima, Colima |
14778 |
94022 |
53594 |
13498 |
175892 |
61.86 |
| Cuautitlan Izcalli, Mexico |
5142 |
73080 |
116725 |
153571 |
349948 |
22.35 |
| Cuernavaca, Morelos |
5656 |
120183 |
138295 |
154279 |
422892 |
29.76 |
| Culiacan, Sinaloa |
40271 |
187702 |
105864 |
95678 |
437544 |
52.10 |
| Durango, Durango |
23645 |
142838 |
100473 |
65199 |
332155 |
50.12 |
| Ecatepec de Morelos, Mexico |
41193 |
407322 |
172384 |
247572 |
880882 |
50.92 |
| Fresnillo, Zacatecas |
2920 |
31618 |
24584 |
21430 |
80552 |
42.88 |
| Gral. Escobedo, Nuevo Leon |
28398 |
115393 |
47113 |
17383 |
211199 |
68.08 |
| Guadalajara, Jalisco |
42929 |
450546 |
236929 |
228763 |
959167 |
51.45 |
| Guadalupe, Nuevo Leon |
61308 |
257498 |
124830 |
65871 |
509507 |
62.57 |
| Guanajuato, Guanajuato |
2818 |
45054 |
23196 |
12030 |
83098 |
57.61 |
| Hermosillo, Sonora |
24949 |
207796 |
123709 |
115279 |
475951 |
48.90 |
| Ixtapa-Zihuatanejo, Guerrero |
2213 |
17717 |
18036 |
14085 |
52051 |
38.29 |
| La Laguna, Coahuila de Zaragoza |
16733 |
189770 |
134643 |
77841 |
421595 |
48.98 |
| La Laguna, Durango |
17911 |
71598 |
84509 |
40768 |
218027 |
41.05 |
| La Paz, Baja California Sur |
11219 |
108987 |
47696 |
19544 |
189461 |
63.45 |
| Lazaro Cardenas, Michoacan de Ocampo |
1342 |
58634 |
36672 |
43658 |
144575 |
41.48 |
| Leon, Guanajuato |
75705 |
406190 |
214222 |
222081 |
918198 |
52.48 |
| Los Cabos, Baja California Sur |
5524 |
43480 |
37526 |
24005 |
113203 |
43.29 |
| Los Mochis, Sinaloa |
7571 |
87914 |
53405 |
54502 |
204306 |
46.74 |
| Manzanillo, Colima |
7996 |
41761 |
19976 |
16588 |
86671 |
57.41 |
| Mazatlan, Sinaloa |
24217 |
83201 |
66054 |
58024 |
238679 |
45.01 |
| Merida, Yucatan |
76532 |
322129 |
97185 |
50175 |
546021 |
73.01 |
| Mexicali, Baja California |
16329 |
191430 |
211174 |
90557 |
509490 |
40.78 |
| Monterrey, Nuevo Leon |
16322 |
232080 |
159927 |
92528 |
509567 |
48.75 |
| Morelia, Michoacan de Ocampo |
8849 |
89424 |
136520 |
41513 |
279234 |
35.19 |
| Naucalpan de Juarez, Mexico |
16788 |
113232 |
196500 |
157731 |
489101 |
26.58 |
| Nogales, Sonora |
1063 |
54539 |
68672 |
47879 |
172153 |
32.30 |
| Nuevo Laredo, Tamaulipas |
8668 |
21123 |
10470 |
27001 |
71537 |
41.64 |
| Oaxaca, Oaxaca |
11892 |
176505 |
106897 |
43436 |
343704 |
54.81 |
| Pachuca, Hidalgo |
10847 |
97439 |
73036 |
54632 |
236308 |
45.82 |
| Piedras Negras, Coahuila de Zaragoza |
8252 |
36274 |
21854 |
26819 |
93199 |
47.78 |
| Puebla, Puebla |
58509 |
347731 |
298199 |
319152 |
1023591 |
39.69 |
| Puerto Vallarta, Jalisco |
12907 |
63271 |
47482 |
24512 |
148700 |
51.23 |
| Queretaro, Queretaro |
94883 |
231124 |
151293 |
47166 |
534399 |
61.00 |
| Reynosa, Tamaulipas |
10049 |
91862 |
68087 |
35311 |
206834 |
49.27 |
| Saltillo, Coahuila de Zaragoza |
61868 |
295051 |
115470 |
66217 |
541682 |
65.89 |
| San Luis Potosi, San Luis Potosi |
22955 |
135435 |
153898 |
246689 |
558977 |
28.34 |
| San Nicolas de los Garza, Nuevo Leon |
62729 |
169309 |
95265 |
37506 |
364809 |
63.61 |
| San Pedro Garza Garcia, Nuevo Leon |
32091 |
50644 |
9895 |
2736 |
97235 |
85.09 |
| San Pedro Tlaquepaque, Jalisco |
16633 |
95398 |
85287 |
193055 |
391522 |
28.61 |
| Santa Catarina, Nuevo Leon |
16833 |
116218 |
31010 |
24791 |
190449 |
69.86 |
| Tampico, Tamaulipas |
35466 |
103716 |
59072 |
29936 |
228190 |
60.99 |
| Tampico, Veracruz de Ignacio de la Llave |
3517 |
5981 |
792 |
6665 |
16955 |
56.02 |
| Tapachula, Chiapas |
3856 |
54796 |
43059 |
59849 |
162105 |
36.18 |
| Tepic, Nayarit |
14402 |
131083 |
67528 |
18243 |
233189 |
62.39 |
| Tijuana, Baja California |
65504 |
372000 |
336804 |
302964 |
1082111 |
40.43 |
| Tlajomulco de Zuñiga, Jalisco |
2274 |
14793 |
15257 |
13759 |
46808 |
36.46 |
| Tlalnepantla de Baz, Mexico |
7875 |
156224 |
191465 |
94258 |
465030 |
35.29 |
| Tlaxcala, Tlaxcala |
23279 |
255670 |
136235 |
103985 |
520712 |
53.57 |
| Toluca, Mexico |
11628 |
232227 |
201766 |
187896 |
637009 |
38.28 |
| Tonala, Jalisco |
13392 |
81813 |
94379 |
84093 |
278106 |
34.23 |
| Tuxtla Gutierrez, Chiapas |
18254 |
177024 |
106631 |
79625 |
381534 |
51.18 |
| Uruapan, Michoacan de Ocampo |
2958 |
26009 |
39475 |
57932 |
128883 |
22.48 |
| Veracruz, Veracruz de Ignacio de la Llave |
11684 |
94308 |
154468 |
59689 |
320149 |
33.11 |
| Villahermosa, Tabasco |
5208 |
51812 |
49555 |
46858 |
156728 |
36.38 |
| Zacatecas, Zacatecas |
7000 |
63099 |
54927 |
53765 |
178791 |
39.21 |
| Zapopan, Jalisco |
36929 |
339344 |
189580 |
166526 |
734265 |
51.24 |
Querétaro es la ciudad número 13 en confianza hacia la policía, entre las 71 consideradas por la ENSU y que cuentan con policía municipal.
Percepción de seguridad
Septiembre 2020
#Agrego variables de ciudad y de grupo Etario
sepCB1$ciudad<-paste0(sepCB1$NOM_CD,", ",sepCB1$NOM_ENT)
sepCB1$EDAD<-as.numeric(sepCB1$EDAD)
sepCB1$EDAD[sepCB1$EDAD>=98]<-NA
sepCB1$grupoEdad<-NA
grupoEdad<-seq(17,100,5)
for(i in 1:(length(grupoEdad)-1)){
sepCB1$grupoEdad[sepCB1$EDAD>=grupoEdad[i]+1 & sepCB1$EDAD<grupoEdad[i+1]]<-paste(grupoEdad[i]+1, " a ",grupoEdad[i+1])
}
sepCB1$BP1_1<-as.numeric(sepCB1$BP1_1)
sepCB1$BP1_1[sepCB1$BP1_1==9]<-NA
sepCB1$BP1_1<-factor(x = sepCB1$BP1_1, levels = c(1,2), labels = c("seguro?","inseguro?"))
facPer<-svydesign(ids = sepCB1$ID_PER, data = sepCB1,weights = sepCB1$FAC_SEL )
percepcion<-svytable(~sepCB1$ciudad+sepCB1$BP1_1,facPer)
percepcion<-as.data.frame(percepcion)
cd<-percepcion[1:87,1]
percepcion<-cbind(percepcion[1:87,3],percepcion[88:174,3])
percepcion<-cbind(percepcion,as.data.frame(aggregate(sepCB1$FAC_SEL~sepCB1$ciudad,sepCB1,sum))[2])
percepcion$porcentaje<-round(percepcion[,1]/percepcion[,3]*100,2)
posicionPercepcion<-length(percepcion$porcentaje[percepcion$porcentaje>percepcion$porcentaje[60]])+1
percepcion<-cbind(cd,percepcion)
names(percepcion)<-c("Ciudad", "La considera segura","La considera insegura","Población","Porcentaje segura")
kable(percepcion[order(percepcion[5], decreasing = TRUE),], caption= "En términos de la delincuencia, ¿considera que vivir actualmente en (CIUDAD), es...")
En términos de la delincuencia, ¿considera que vivir actualmente en (CIUDAD), es…
| 65 |
San Pedro Garza Garcia, Nuevo Leon |
96289 |
19145 |
115434 |
83.41 |
| 39 |
La Paz, Baja California Sur |
171249 |
47626 |
218875 |
78.24 |
| 46 |
Merida, Yucatan |
631873 |
183488 |
815361 |
77.50 |
| 42 |
Los Cabos, Baja California Sur |
96919 |
37222 |
138418 |
70.02 |
| 62 |
Saltillo, Coahuila de Zaragoza |
438982 |
189054 |
628036 |
69.90 |
| 19 |
Cuajimalpa de Morelos, Ciudad de Mexico |
93521 |
39204 |
134566 |
69.50 |
| 59 |
Puerto Vallarta, Jalisco |
116977 |
56519 |
174422 |
67.07 |
| 64 |
San Nicolas de los Garza, Nuevo Leon |
262857 |
148417 |
411274 |
63.91 |
| 7 |
Benito Juarez, Ciudad de Mexico |
199486 |
129040 |
328526 |
60.72 |
| 24 |
Durango, Durango |
241468 |
157589 |
399687 |
60.41 |
| 68 |
Tampico, Tamaulipas |
345896 |
229249 |
575145 |
60.14 |
| 8 |
Campeche, Campeche |
115689 |
80799 |
197021 |
58.72 |
| 43 |
Los Mochis, Sinaloa |
125591 |
94360 |
220240 |
57.02 |
| 71 |
Tepic, Nayarit |
183169 |
142217 |
326193 |
56.15 |
| 29 |
Guadalupe, Nuevo Leon |
335522 |
267823 |
604908 |
55.47 |
| 69 |
Tampico, Veracruz de Ignacio de la Llave |
27587 |
22683 |
50270 |
54.88 |
| 60 |
Queretaro, Queretaro |
379377 |
326668 |
706045 |
53.73 |
| 67 |
Santa Catarina, Nuevo Leon |
125075 |
109360 |
235052 |
53.21 |
| 4 |
Apodaca, Nuevo Leon |
200392 |
178013 |
378405 |
52.96 |
| 27 |
Gral. Escobedo, Nuevo Leon |
144954 |
129746 |
282287 |
51.35 |
| 37 |
La Laguna, Durango |
149749 |
142003 |
291752 |
51.33 |
| 53 |
Nogales, Sonora |
89662 |
89994 |
179656 |
49.91 |
| 2 |
Aguascalientes, Aguascalientes |
297751 |
314611 |
612362 |
48.62 |
| 77 |
Tlaxcala, Tlaxcala |
255449 |
274779 |
530228 |
48.18 |
| 56 |
Pachuca, Hidalgo |
139586 |
154223 |
293809 |
47.51 |
| 49 |
Milpa Alta, Ciudad de Mexico |
39059 |
42016 |
82666 |
47.25 |
| 45 |
Mazatlan, Sinaloa |
145478 |
163236 |
312043 |
46.62 |
| 17 |
Colima, Colima |
99422 |
118048 |
217470 |
45.72 |
| 10 |
Chihuahua, Chihuahua |
295473 |
356592 |
652065 |
45.31 |
| 36 |
La Laguna, Coahuila de Zaragoza |
215757 |
285469 |
501226 |
43.05 |
| 87 |
Zapopan, Jalisco |
388211 |
544794 |
933005 |
41.61 |
| 83 |
Veracruz, Veracruz de Ignacio de la Llave |
228724 |
333025 |
561749 |
40.72 |
| 32 |
Hermosillo, Sonora |
249233 |
363567 |
613801 |
40.60 |
| 47 |
Mexicali, Baja California |
234235 |
346973 |
581208 |
40.30 |
| 48 |
Miguel Hidalgo, Ciudad de Mexico |
116878 |
192942 |
309820 |
37.72 |
| 40 |
Lazaro Cardenas, Michoacan de Ocampo |
75735 |
119206 |
202835 |
37.34 |
| 54 |
Nuevo Laredo, Tamaulipas |
101944 |
179043 |
281791 |
36.18 |
| 57 |
Piedras Negras, Coahuila de Zaragoza |
41539 |
75395 |
116934 |
35.52 |
| 20 |
Cuauhtemoc, Ciudad de Mexico |
148080 |
280321 |
428401 |
34.57 |
| 23 |
Culiacan, Sinaloa |
181598 |
342224 |
525461 |
34.56 |
| 73 |
Tlahuac, Ciudad de Mexico |
92761 |
174823 |
270745 |
34.26 |
| 38 |
La Magdalena Contreras, Ciudad de Mexico |
61962 |
121835 |
183797 |
33.71 |
| 82 |
Venustiano Carranza, Ciudad de Mexico |
112280 |
225410 |
337690 |
33.25 |
| 18 |
Coyoacan, Ciudad de Mexico |
165468 |
334901 |
500369 |
33.07 |
| 5 |
Atizapan de Zaragoza, Mexico |
149842 |
299316 |
455260 |
32.91 |
| 50 |
Monterrey, Nuevo Leon |
323769 |
673522 |
1014627 |
31.91 |
| 13 |
Ciudad del Carmen, Campeche |
44501 |
99813 |
144686 |
30.76 |
| 44 |
Manzanillo, Colima |
33076 |
74490 |
108225 |
30.56 |
| 33 |
Ixtapa-Zihuatanejo, Guerrero |
21923 |
50502 |
72425 |
30.27 |
| 74 |
Tlajomulco de Zuñiga, Jalisco |
19218 |
45475 |
64693 |
29.71 |
| 66 |
San Pedro Tlaquepaque, Jalisco |
137066 |
334974 |
472621 |
29.00 |
| 14 |
Ciudad Juarez, Chihuahua |
287435 |
737644 |
1025079 |
28.04 |
| 15 |
Ciudad Nezahualcoyotl, Mexico |
273369 |
711764 |
1004968 |
27.20 |
| 76 |
Tlalpan, Ciudad de Mexico |
129169 |
343709 |
480146 |
26.90 |
| 51 |
Morelia, Michoacan de Ocampo |
136091 |
373093 |
509942 |
26.69 |
| 72 |
Tijuana, Baja California |
308505 |
861713 |
1170218 |
26.36 |
| 80 |
Tuxtla Gutierrez, Chiapas |
125537 |
362598 |
491355 |
25.55 |
| 1 |
Acapulco, Guerrero |
130474 |
377249 |
515261 |
25.32 |
| 55 |
Oaxaca, Oaxaca |
99905 |
315473 |
415378 |
24.05 |
| 6 |
Azcapotzalco, Ciudad de Mexico |
74493 |
258040 |
335298 |
22.22 |
| 58 |
Puebla, Puebla |
330658 |
1213044 |
1551406 |
21.31 |
| 79 |
Tonala, Jalisco |
71995 |
269289 |
341284 |
21.10 |
| 61 |
Reynosa, Tamaulipas |
99378 |
375126 |
474504 |
20.94 |
| 85 |
Xochimilco, Ciudad de Mexico |
64516 |
248868 |
313384 |
20.59 |
| 30 |
Guanajuato, Guanajuato |
18123 |
72817 |
90940 |
19.93 |
| 12 |
Chimalhuacan, Mexico |
98862 |
420997 |
519859 |
19.02 |
| 86 |
Zacatecas, Zacatecas |
36508 |
155517 |
194016 |
18.82 |
| 81 |
Uruapan, Michoacan de Ocampo |
37248 |
164178 |
201426 |
18.49 |
| 3 |
alvaro Obregon, Ciudad de Mexico |
107699 |
485697 |
597841 |
18.01 |
| 9 |
Cancun, Quintana Roo |
108734 |
492662 |
604525 |
17.99 |
| 22 |
Cuernavaca, Morelos |
113730 |
511642 |
633124 |
17.96 |
| 41 |
Leon, Guanajuato |
196514 |
915252 |
1111766 |
17.68 |
| 28 |
Guadalajara, Jalisco |
216753 |
1080968 |
1297721 |
16.70 |
| 21 |
Cuautitlan Izcalli, Mexico |
77578 |
389345 |
467619 |
16.59 |
| 75 |
Tlalnepantla de Baz, Mexico |
102328 |
506566 |
617480 |
16.57 |
| 63 |
San Luis Potosi, San Luis Potosi |
125841 |
643239 |
769080 |
16.36 |
| 34 |
Iztacalco, Ciudad de Mexico |
50380 |
258092 |
308968 |
16.31 |
| 70 |
Tapachula, Chiapas |
27986 |
146176 |
174162 |
16.07 |
| 11 |
Chilpancingo de los Bravo, Guerrero |
22466 |
118933 |
143165 |
15.69 |
| 31 |
Gustavo A. Madero, Ciudad de Mexico |
140096 |
796977 |
943942 |
14.84 |
| 35 |
Iztapalapa, Ciudad de Mexico |
171393 |
1165558 |
1336951 |
12.82 |
| 78 |
Toluca, Mexico |
110402 |
882405 |
992807 |
11.12 |
| 52 |
Naucalpan de Juarez, Mexico |
80521 |
644533 |
732601 |
10.99 |
| 84 |
Villahermosa, Tabasco |
30820 |
290221 |
321041 |
9.60 |
| 26 |
Fresnillo, Zacatecas |
7207 |
80424 |
87631 |
8.22 |
| 16 |
Coatzacoalcos, Veracruz de Ignacio de la Llave |
18416 |
205369 |
225491 |
8.17 |
| 25 |
Ecatepec de Morelos, Mexico |
95038 |
1346483 |
1450948 |
6.55 |
Querétaro es la 17 ciudad con mejor percepción de seguridad
Marzo 2020
mar20CB1<-read.dbf(file ="ensu_bd_2020_dbf/ensu_bd_2020_dbf/ensu_bd_marzo_2020_dbf/ENSU_CB_0320.dbf",as.is = FALSE )
mar20CB1$id<-1:nrow(mar20CB1)
fac12_0320<-svydesign(ids = mar20CB1$id,weights = mar20CB1$FAC_SEL)
mar20CB1$BP1_1[mar20CB1$BP1_1==9]<-NA
perCD0320<-svytable(~mar20CB1$CD+mar20CB1$BP1_1,fac12_0320)
pobcd0320<-aggregate(mar20CB1$FAC_SEL~mar20CB1$CD, data = mar20CB1,FUN = sum)
percepcion0320<-cbind(perCD0320,pobcd0320)
percepcion0320<-data.frame(percepcion0320[1:85,1],percepcion0320[1:85,3],percepcion0320[86:170,3],percepcion0320[1:85,5])
percepcion0320$porcentajeSeguro<-round(percepcion0320[2]/percepcion0320[4]*100,2)
valorQueretaro<-percepcion0320[percepcion0320[1]=="37",5][1,1]
posicionQUeretaro0320<-nrow(percepcion0320[percepcion0320[,5]>valorQueretaro,5])+1
names(percepcion0320)<-c("Clave Ciudad", "Seguro", "Inseguro","Población", "Porcentaje que se siente seguro")
percepcion0320$Ciudad<-NA
for(i in 1:nrow(percepcion0320)){
percepcion0320$Ciudad[i]<-unique(sepCB1$ciudad[sepCB1$CD==percepcion0320[i,1]])[1]
}
kable(percepcion0320[order(percepcion0320[5],decreasing = TRUE),c(6,2,3,4,5)])
| 59 |
San Pedro Garza Garcia, Nuevo Leon |
88034 |
27753 |
115787 |
76.03 |
| 46 |
Merida, Yucatan |
632760 |
209209 |
841969 |
75.15 |
| 20 |
Puerto Vallarta, Jalisco |
115618 |
54737 |
172119 |
67.17 |
| 6 |
Saltillo, Coahuila de Zaragoza |
391941 |
215931 |
607872 |
64.48 |
| 63 |
San Nicolas de los Garza, Nuevo Leon |
253792 |
146420 |
400741 |
63.33 |
| 8 |
Piedras Negras, Coahuila de Zaragoza |
67620 |
46529 |
114149 |
59.24 |
| 49 |
Los Cabos, Baja California Sur |
78141 |
53014 |
133582 |
58.50 |
| 40 |
Tampico, Tamaulipas |
342575 |
253853 |
596428 |
57.44 |
| 5 |
Campeche, Campeche |
109408 |
83996 |
194734 |
56.18 |
| 62 |
Gral. Escobedo, Nuevo Leon |
160074 |
124427 |
285428 |
56.08 |
| 15 |
Durango, Durango |
225556 |
176354 |
404215 |
55.80 |
| 4 |
La Paz, Baja California Sur |
120365 |
91432 |
215947 |
55.74 |
| 28 |
Tepic, Nayarit |
164227 |
145408 |
310081 |
52.96 |
| 67 |
Cuajimalpa de Morelos, Ciudad de Mexico |
72575 |
66083 |
138976 |
52.22 |
| 77 |
Benito Juarez, Ciudad de Mexico |
170973 |
164426 |
335399 |
50.98 |
| 36 |
Los Mochis, Sinaloa |
105605 |
102853 |
209179 |
50.49 |
| 7 |
La Laguna, Coahuila de Zaragoza |
376899 |
389450 |
766349 |
49.18 |
| 60 |
Apodaca, Nuevo Leon |
187775 |
195312 |
384195 |
48.87 |
| 38 |
Nogales, Sonora |
83785 |
89095 |
172880 |
48.46 |
| 61 |
Guadalupe, Nuevo Leon |
290512 |
317095 |
609118 |
47.69 |
| 64 |
Santa Catarina, Nuevo Leon |
106293 |
126307 |
232903 |
45.64 |
| 35 |
Mazatlan, Sinaloa |
135092 |
183205 |
318297 |
42.44 |
| 31 |
Queretaro, Queretaro |
277037 |
404076 |
682667 |
40.58 |
| 43 |
Tlaxcala, Tlaxcala |
212549 |
308516 |
531335 |
40.00 |
| 1 |
Aguascalientes, Aguascalientes |
233126 |
353793 |
588818 |
39.59 |
| 2 |
Mexicali, Baja California |
226843 |
363482 |
590325 |
38.43 |
| 80 |
Venustiano Carranza, Ciudad de Mexico |
127689 |
213904 |
342088 |
37.33 |
| 19 |
Pachuca, Hidalgo |
104237 |
188570 |
292807 |
35.60 |
| 26 |
Lazaro Cardenas, Michoacan de Ocampo |
69045 |
128425 |
204344 |
33.79 |
| 79 |
Miguel Hidalgo, Ciudad de Mexico |
102296 |
204807 |
309737 |
33.03 |
| 10 |
Manzanillo, Colima |
35393 |
75007 |
110576 |
32.01 |
| 66 |
Coyoacan, Ciudad de Mexico |
162459 |
347651 |
510110 |
31.85 |
| 9 |
Colima, Colima |
68670 |
147755 |
217280 |
31.60 |
| 78 |
Cuauhtemoc, Ciudad de Mexico |
135167 |
298739 |
436195 |
30.99 |
| 13 |
Chihuahua, Chihuahua |
198242 |
449805 |
648047 |
30.59 |
| 57 |
Zapopan, Jalisco |
271842 |
659818 |
931660 |
29.18 |
| 37 |
Hermosillo, Sonora |
155190 |
446537 |
601727 |
25.79 |
| 29 |
Oaxaca, Oaxaca |
104593 |
303123 |
407716 |
25.65 |
| 11 |
Tuxtla Gutierrez, Chiapas |
124651 |
370187 |
496894 |
25.09 |
| 55 |
Tlajomulco de Zuñiga, Jalisco |
14813 |
46319 |
61132 |
24.23 |
| 72 |
Milpa Alta, Ciudad de Mexico |
19483 |
62849 |
83377 |
23.37 |
| 71 |
La Magdalena Contreras, Ciudad de Mexico |
42583 |
140189 |
182772 |
23.30 |
| 44 |
Veracruz, Veracruz de Ignacio de la Llave |
128376 |
423072 |
554513 |
23.15 |
| 42 |
Nuevo Laredo, Tamaulipas |
64841 |
215118 |
284416 |
22.80 |
| 50 |
Ciudad del Carmen, Campeche |
32222 |
108911 |
141727 |
22.74 |
| 58 |
Monterrey, Nuevo Leon |
226061 |
763762 |
1000934 |
22.59 |
| 34 |
Culiacan, Sinaloa |
119593 |
418645 |
538238 |
22.22 |
| 56 |
San Pedro Tlaquepaque, Jalisco |
100493 |
361641 |
462134 |
21.75 |
| 23 |
Ciudad Nezahualcoyotl, Mexico |
206989 |
773934 |
991495 |
20.88 |
| 47 |
Zacatecas, Zacatecas |
39899 |
152413 |
192312 |
20.75 |
| 76 |
Xochimilco, Ciudad de Mexico |
62881 |
240411 |
303292 |
20.73 |
| 51 |
Guanajuato, Guanajuato |
18166 |
70214 |
88380 |
20.55 |
| 68 |
Gustavo A. Madero, Ciudad de Mexico |
189229 |
734592 |
927734 |
20.40 |
| 52 |
Ixtapa-Zihuatanejo, Guerrero |
14457 |
57032 |
71705 |
20.16 |
| 54 |
Tonala, Jalisco |
69156 |
273661 |
343321 |
20.14 |
| 65 |
Azcapotzalco, Ciudad de Mexico |
65059 |
265389 |
331408 |
19.63 |
| 75 |
Tlalpan, Ciudad de Mexico |
95943 |
397192 |
493135 |
19.46 |
| 73 |
alvaro Obregon, Ciudad de Mexico |
112377 |
483283 |
599336 |
18.75 |
| 17 |
Acapulco, Guerrero |
94731 |
430385 |
528164 |
17.94 |
| 14 |
Ciudad Juarez, Chihuahua |
182873 |
851167 |
1034040 |
17.69 |
| 85 |
Chimalhuacan, Mexico |
87012 |
416986 |
506030 |
17.20 |
| 84 |
Atizapan de Zaragoza, Mexico |
75672 |
360334 |
443093 |
17.08 |
| 53 |
Guadalajara, Jalisco |
204592 |
1063079 |
1267671 |
16.14 |
| 41 |
Reynosa, Tamaulipas |
76369 |
392570 |
475226 |
16.07 |
| 81 |
Tlalnepantla de Baz, Mexico |
100000 |
518539 |
627524 |
15.94 |
| 69 |
Iztacalco, Ciudad de Mexico |
49658 |
263590 |
314361 |
15.80 |
| 32 |
Cancun, Quintana Roo |
86821 |
514364 |
601185 |
14.44 |
| 3 |
Tijuana, Baja California |
163405 |
970871 |
1134276 |
14.41 |
| 24 |
Morelia, Michoacan de Ocampo |
73437 |
439954 |
517683 |
14.19 |
| 12 |
Tapachula, Chiapas |
24112 |
155325 |
179437 |
13.44 |
| 33 |
San Luis Potosi, San Luis Potosi |
96945 |
646705 |
743650 |
13.04 |
| 74 |
Tlahuac, Ciudad de Mexico |
33262 |
227941 |
264701 |
12.57 |
| 83 |
Cuautitlan Izcalli, Mexico |
54799 |
392347 |
447146 |
12.26 |
| 30 |
Puebla, Puebla |
188491 |
1381095 |
1590953 |
11.85 |
| 21 |
Toluca, Mexico |
113646 |
868052 |
981698 |
11.58 |
| 82 |
Naucalpan de Juarez, Mexico |
82285 |
661831 |
748089 |
11.00 |
| 27 |
Cuernavaca, Morelos |
67462 |
553646 |
621108 |
10.86 |
| 16 |
Leon, Guanajuato |
114077 |
978155 |
1092232 |
10.44 |
| 39 |
Villahermosa, Tabasco |
28622 |
291953 |
320575 |
8.93 |
| 18 |
Chilpancingo de los Bravo, Guerrero |
12143 |
126083 |
139641 |
8.70 |
| 48 |
Fresnillo, Zacatecas |
7707 |
84256 |
92209 |
8.36 |
| 70 |
Iztapalapa, Ciudad de Mexico |
109431 |
1258692 |
1378116 |
7.94 |
| 45 |
Coatzacoalcos, Veracruz de Ignacio de la Llave |
17080 |
198285 |
215365 |
7.93 |
| 25 |
Uruapan, Michoacan de Ocampo |
11854 |
190306 |
202160 |
5.86 |
| 22 |
Ecatepec de Morelos, Mexico |
76608 |
1336770 |
1416696 |
5.41 |
Querétaro es la 23 ciudad con mejor percepción de seguridad
Diciembre 2019
dicCB1<-read.dbf(file ="ensu_bd_2019_dbf/ensu_bd_2019_dbf/ensu_bd_diciembre_2019_dbf/ENSU_CB_1219.dbf",as.is = TRUE )
dicCB1$id<-1:nrow(dicCB1)
fac12_19<-svydesign(ids = dicCB1$id,weights = dicCB1$FAC_SEL)
dicCB1$BP1_1[dicCB1$BP1_1==9]<-NA
perCD19<-svytable(~dicCB1$CD+dicCB1$BP1_1,fac12_19)
pobcd19<-aggregate(dicCB1$FAC_SEL~dicCB1$CD, data = dicCB1,FUN = sum)
percepcion19<-cbind(perCD19,pobcd19)
percepcion19<-data.frame(percepcion19[1:85,1],percepcion19[1:85,3],percepcion19[86:170,3],percepcion19[1:85,5])
percepcion19$porcentajeSeguro<-round(percepcion19[2]/percepcion19[4]*100,2)
valorQueretaro<-percepcion19[percepcion19[1]=="37",5][1,1]
posicionQUeretaroDic19<-nrow(percepcion19[percepcion19[,5]>valorQueretaro,5])+1
names(percepcion19)<-c("Clave Ciudad", "Seguro", "Inseguro","Población", "Porcentaje que se siente seguro")
percepcion19$Ciudad<-NA
for(i in 1:nrow(percepcion19)){
percepcion19$Ciudad[i]<-unique(sepCB1$ciudad[sepCB1$CD==percepcion19[i,1]])[1]
}
kable(percepcion19[order(percepcion19[5],decreasing = TRUE),c(6,2,3,4,5)])
| 59 |
San Pedro Garza Garcia, Nuevo Leon |
93163 |
21848 |
115328 |
80.78 |
| 46 |
Merida, Yucatan |
645680 |
152704 |
806633 |
80.05 |
| 6 |
Saltillo, Coahuila de Zaragoza |
407231 |
192322 |
599553 |
67.92 |
| 63 |
San Nicolas de los Garza, Nuevo Leon |
270613 |
127260 |
400863 |
67.51 |
| 49 |
Los Cabos, Baja California Sur |
88125 |
43067 |
131809 |
66.86 |
| 20 |
Puerto Vallarta, Jalisco |
111028 |
57607 |
168635 |
65.84 |
| 15 |
Durango, Durango |
237743 |
153629 |
391372 |
60.75 |
| 40 |
Tampico, Tamaulipas |
350547 |
256362 |
606909 |
57.76 |
| 4 |
La Paz, Baja California Sur |
120017 |
95550 |
215567 |
55.68 |
| 5 |
Campeche, Campeche |
104144 |
86546 |
192595 |
54.07 |
| 38 |
Nogales, Sonora |
91810 |
78085 |
169895 |
54.04 |
| 62 |
Gral. Escobedo, Nuevo Leon |
155210 |
132534 |
287744 |
53.94 |
| 8 |
Piedras Negras, Coahuila de Zaragoza |
62880 |
53779 |
116659 |
53.90 |
| 28 |
Tepic, Nayarit |
163405 |
139400 |
305640 |
53.46 |
| 67 |
Cuajimalpa de Morelos, Ciudad de Mexico |
75977 |
66445 |
142422 |
53.35 |
| 64 |
Santa Catarina, Nuevo Leon |
117839 |
109729 |
228816 |
51.50 |
| 60 |
Apodaca, Nuevo Leon |
184772 |
193331 |
378780 |
48.78 |
| 77 |
Benito Juarez, Ciudad de Mexico |
164621 |
176550 |
341947 |
48.14 |
| 7 |
La Laguna, Coahuila de Zaragoza |
363283 |
401071 |
768225 |
47.29 |
| 2 |
Mexicali, Baja California |
270624 |
314588 |
585212 |
46.24 |
| 61 |
Guadalupe, Nuevo Leon |
267264 |
328913 |
596177 |
44.83 |
| 36 |
Los Mochis, Sinaloa |
89942 |
116520 |
206462 |
43.56 |
| 1 |
Aguascalientes, Aguascalientes |
244658 |
332468 |
577126 |
42.39 |
| 43 |
Tlaxcala, Tlaxcala |
225845 |
304435 |
533329 |
42.35 |
| 9 |
Colima, Colima |
86830 |
127591 |
214421 |
40.50 |
| 31 |
Queretaro, Queretaro |
266667 |
392884 |
659551 |
40.43 |
| 35 |
Mazatlan, Sinaloa |
123966 |
191136 |
315102 |
39.34 |
| 80 |
Venustiano Carranza, Ciudad de Mexico |
130106 |
217443 |
348648 |
37.32 |
| 72 |
Milpa Alta, Ciudad de Mexico |
34516 |
60433 |
94949 |
36.35 |
| 37 |
Hermosillo, Sonora |
211245 |
398208 |
609453 |
34.66 |
| 34 |
Culiacan, Sinaloa |
185552 |
362630 |
548182 |
33.85 |
| 66 |
Coyoacan, Ciudad de Mexico |
156971 |
351767 |
508738 |
30.85 |
| 29 |
Oaxaca, Oaxaca |
125847 |
286858 |
412705 |
30.49 |
| 57 |
Zapopan, Jalisco |
272395 |
626082 |
903633 |
30.14 |
| 56 |
San Pedro Tlaquepaque, Jalisco |
129756 |
314466 |
445400 |
29.13 |
| 79 |
Miguel Hidalgo, Ciudad de Mexico |
92549 |
228443 |
322535 |
28.69 |
| 3 |
Tijuana, Baja California |
317196 |
795505 |
1112701 |
28.51 |
| 19 |
Pachuca, Hidalgo |
79659 |
205969 |
285628 |
27.89 |
| 26 |
Lazaro Cardenas, Michoacan de Ocampo |
26964 |
74136 |
101100 |
26.67 |
| 13 |
Chihuahua, Chihuahua |
166245 |
463945 |
634978 |
26.18 |
| 10 |
Manzanillo, Colima |
28058 |
81766 |
109824 |
25.55 |
| 71 |
La Magdalena Contreras, Ciudad de Mexico |
43332 |
140322 |
184133 |
23.53 |
| 52 |
Ixtapa-Zihuatanejo, Guerrero |
15690 |
56246 |
72041 |
21.78 |
| 47 |
Zacatecas, Zacatecas |
40039 |
147283 |
189268 |
21.15 |
| 58 |
Monterrey, Nuevo Leon |
208794 |
784884 |
995747 |
20.97 |
| 85 |
Chimalhuacan, Mexico |
104317 |
395724 |
500041 |
20.86 |
| 23 |
Ciudad Nezahualcoyotl, Mexico |
205913 |
772653 |
988043 |
20.84 |
| 16 |
Leon, Guanajuato |
213228 |
856843 |
1070071 |
19.93 |
| 84 |
Atizapan de Zaragoza, Mexico |
87304 |
357179 |
445847 |
19.58 |
| 69 |
Iztacalco, Ciudad de Mexico |
61122 |
251800 |
313759 |
19.48 |
| 78 |
Cuauhtemoc, Ciudad de Mexico |
84814 |
353480 |
438294 |
19.35 |
| 55 |
Tlajomulco de Zuñiga, Jalisco |
11388 |
47662 |
59193 |
19.24 |
| 75 |
Tlalpan, Ciudad de Mexico |
93416 |
389587 |
492451 |
18.97 |
| 33 |
San Luis Potosi, San Luis Potosi |
140719 |
606415 |
747134 |
18.83 |
| 24 |
Morelia, Michoacan de Ocampo |
97290 |
418184 |
517084 |
18.82 |
| 42 |
Nuevo Laredo, Tamaulipas |
51129 |
223372 |
277749 |
18.41 |
| 50 |
Ciudad del Carmen, Campeche |
26316 |
117721 |
144037 |
18.27 |
| 73 |
alvaro Obregon, Ciudad de Mexico |
109801 |
492215 |
602016 |
18.24 |
| 11 |
Tuxtla Gutierrez, Chiapas |
88462 |
401517 |
493907 |
17.91 |
| 54 |
Tonala, Jalisco |
57039 |
269297 |
328040 |
17.39 |
| 44 |
Veracruz, Veracruz de Ignacio de la Llave |
94356 |
447772 |
544246 |
17.34 |
| 65 |
Azcapotzalco, Ciudad de Mexico |
58401 |
277952 |
339251 |
17.21 |
| 53 |
Guadalajara, Jalisco |
219243 |
1053799 |
1280298 |
17.12 |
| 41 |
Reynosa, Tamaulipas |
78686 |
377881 |
463249 |
16.99 |
| 76 |
Xochimilco, Ciudad de Mexico |
53539 |
261554 |
315093 |
16.99 |
| 51 |
Guanajuato, Guanajuato |
14657 |
74024 |
88681 |
16.53 |
| 74 |
Tlahuac, Ciudad de Mexico |
42582 |
221897 |
267336 |
15.93 |
| 21 |
Toluca, Mexico |
147717 |
816356 |
964073 |
15.32 |
| 17 |
Acapulco, Guerrero |
78886 |
449267 |
530422 |
14.87 |
| 83 |
Cuautitlan Izcalli, Mexico |
64483 |
382706 |
447189 |
14.42 |
| 68 |
Gustavo A. Madero, Ciudad de Mexico |
127292 |
807415 |
936530 |
13.59 |
| 70 |
Iztapalapa, Ciudad de Mexico |
151771 |
1201168 |
1360679 |
11.15 |
| 18 |
Chilpancingo de los Bravo, Guerrero |
15426 |
123885 |
139311 |
11.07 |
| 45 |
Coatzacoalcos, Veracruz de Ignacio de la Llave |
23178 |
196460 |
219638 |
10.55 |
| 27 |
Cuernavaca, Morelos |
63592 |
549596 |
613188 |
10.37 |
| 39 |
Villahermosa, Tabasco |
32757 |
285319 |
318545 |
10.28 |
| 82 |
Naucalpan de Juarez, Mexico |
71243 |
647652 |
723072 |
9.85 |
| 32 |
Cancun, Quintana Roo |
60171 |
549900 |
613432 |
9.81 |
| 14 |
Ciudad Juarez, Chihuahua |
98950 |
947985 |
1046935 |
9.45 |
| 81 |
Tlalnepantla de Baz, Mexico |
48635 |
543768 |
597888 |
8.13 |
| 48 |
Fresnillo, Zacatecas |
7473 |
84546 |
92019 |
8.12 |
| 25 |
Uruapan, Michoacan de Ocampo |
15823 |
182050 |
197873 |
8.00 |
| 12 |
Tapachula, Chiapas |
14039 |
163528 |
177567 |
7.91 |
| 22 |
Ecatepec de Morelos, Mexico |
103914 |
1301508 |
1413966 |
7.35 |
| 30 |
Puebla, Puebla |
117784 |
1485404 |
1603188 |
7.35 |
En diciembre de 2019, la ciudad de Querétaro ocupaba el lugar 26.
Septiembre de 2017 (Mínimo histórico)
sep17CB1<-read.dbf(file ="ensu_bd_sep_2017_dbf/ensu_bd_Sep_2017/ENSU_CB_0917.dbf",as.is = FALSE )
sep17CB1$id<-1:nrow(sep17CB1)
fac12_0917<-svydesign(ids = sep17CB1$id,weights = sep17CB1$FAC_SEL)
sep17CB1$BP1_1[sep17CB1$BP1_1==9]<-NA
perCD0917<-svytable(~sep17CB1$CD+sep17CB1$BP1_1,fac12_0917)
pobcd0917<-aggregate(sep17CB1$FAC_SEL~sep17CB1$CD, data = sep17CB1,FUN = sum)
percepcion0917<-cbind(perCD0917,pobcd0917)
percepcion0917<-data.frame(percepcion0917[1:58,1],percepcion0917[1:58,3],percepcion0917[59:116,3],percepcion0917[1:58,5])
percepcion0917$porcentajeSeguro<-round(percepcion0917[2]/percepcion0917[4]*100,2)
valorQueretaro<-percepcion0917[percepcion0917[1]=="37",5][1,1]
posicionQUeretaroDic0917<-nrow(percepcion0917[percepcion0917[,5]>valorQueretaro,5])+1
names(percepcion0917)<-c("Clave Ciudad", "Seguro", "Inseguro","Población", "Porcentaje que se siente seguro")
percepcion0917$Ciudad<-NA
x=c('01 Aguascalientes','02 Mexicali','03 Tijuana','04 La Paz','05 Campeche','06 Saltillo','07 Torreón','08 Piedras Negras','09 Colima','10 Manzanillo','11 Tuxtla Gutiérrez','12 Tapachula','13 Chihuahua','14 Ciudad Juárez','15 DF Norte','16 DF Sur','17 DF Oriente','18 DF Poniente','19 Durango','20 León','21 Acapulco','22 Chilpancingo de los Bravo','23 Pachuca','24 Guadalajara','25 Puerto Vallarta','26 Toluca','27 Ecatepec de Morelos','28 Ciudad Nezahualcóyotl','29 Morelia','30 Uruapan','31 Lázaro Cárdenas','32 Cuernavaca','33 Tepic','34 Monterrey','35 Oaxaca','36 Puebla','37 Querétaro','38 Cancún','39 San Luis Potosí','40 Culiacán','41 Mazatlán','42 Los Mochis','43 Hermosillo','44 Nogales','45 Villahermosa','46 Tampico','47 Reynosa','48 Nuevo Laredo','49 Tlaxcala','50 Veracruz','51 Coatzacoalcos','52 Mérida','53 Zacatecas','54 Fresnillo','55 Los Cabos','56 Ciudad del Carmen','57 Guanajuato','58 Ixtapa-Zihuatanejo')
percepcion0917<-percepcion0917[order(percepcion0917[1],decreasing = FALSE),]
percepcion0917$Ciudad <-x
kable(percepcion0917[order(percepcion0917[5],decreasing = TRUE),c(6,2,3,4,5)])
| 52 |
52 Mérida |
543366 |
205210 |
748576 |
72.59 |
| 25 |
25 Puerto Vallarta |
112869 |
45901 |
158770 |
71.09 |
| 8 |
08 Piedras Negras |
75327 |
39374 |
114701 |
65.67 |
| 6 |
06 Saltillo |
326443 |
238314 |
564757 |
57.80 |
| 19 |
19 Durango |
201703 |
160074 |
361777 |
55.75 |
| 5 |
05 Campeche |
96669 |
77677 |
175110 |
55.20 |
| 7 |
07 Torreón |
385431 |
372680 |
759120 |
50.77 |
| 42 |
42 Los Mochis |
92966 |
104503 |
197469 |
47.08 |
| 57 |
57 Guanajuato |
37429 |
46484 |
84605 |
44.24 |
| 46 |
46 Tampico |
258492 |
328804 |
587296 |
44.01 |
| 49 |
49 Tlaxcala |
214422 |
285607 |
502827 |
42.64 |
| 44 |
44 Nogales |
66352 |
91368 |
157720 |
42.07 |
| 1 |
01 Aguascalientes |
231792 |
330354 |
562146 |
41.23 |
| 41 |
41 Mazatlán |
116482 |
178613 |
295095 |
39.47 |
| 23 |
23 Pachuca |
106967 |
167377 |
274344 |
38.99 |
| 14 |
14 Ciudad Juárez |
362507 |
569186 |
931693 |
38.91 |
| 55 |
55 Los Cabos |
41057 |
81182 |
122693 |
33.46 |
| 37 |
37 Querétaro |
211617 |
422392 |
634009 |
33.38 |
| 48 |
48 Nuevo Laredo |
88381 |
179419 |
267800 |
33.00 |
| 13 |
13 Chihuahua |
178699 |
428628 |
607327 |
29.42 |
| 24 |
24 Guadalajara |
837699 |
2030623 |
2875854 |
29.13 |
| 9 |
09 Colima |
60210 |
146809 |
207019 |
29.08 |
| 4 |
04 La Paz |
53674 |
146899 |
200845 |
26.72 |
| 43 |
43 Hermosillo |
143627 |
410066 |
553693 |
25.94 |
| 34 |
34 Monterrey |
723522 |
2148146 |
2871668 |
25.20 |
| 36 |
36 Puebla |
374625 |
1145315 |
1519940 |
24.65 |
| 10 |
10 Manzanillo |
24866 |
78720 |
103586 |
24.01 |
| 3 |
03 Tijuana |
248595 |
830578 |
1079173 |
23.04 |
| 40 |
40 Culiacán |
118096 |
398220 |
519286 |
22.74 |
| 35 |
35 Oaxaca |
89288 |
315510 |
404798 |
22.06 |
| 20 |
20 León |
212113 |
751490 |
963603 |
22.01 |
| 31 |
31 Lázaro Cárdenas |
21759 |
77438 |
99197 |
21.94 |
| 29 |
29 Morelia |
106674 |
379737 |
489763 |
21.78 |
| 33 |
33 Tepic |
65115 |
237308 |
302423 |
21.53 |
| 28 |
28 Ciudad Nezahualcóyotl |
202136 |
739092 |
958017 |
21.10 |
| 11 |
11 Tuxtla Gutiérrez |
94974 |
356181 |
454994 |
20.87 |
| 32 |
32 Cuernavaca |
127966 |
487414 |
615380 |
20.79 |
| 58 |
58 Ixtapa-Zihuatanejo |
13441 |
53649 |
67699 |
19.85 |
| 38 |
38 Cancún |
104718 |
450961 |
555679 |
18.85 |
| 56 |
56 Ciudad del Carmen |
23587 |
112603 |
136190 |
17.32 |
| 50 |
50 Veracruz |
90614 |
430784 |
524471 |
17.28 |
| 39 |
39 San Luis Potosí |
108530 |
633106 |
741636 |
14.63 |
| 21 |
21 Acapulco |
69487 |
423376 |
492863 |
14.10 |
| 26 |
26 Toluca |
123267 |
773061 |
897489 |
13.73 |
| 53 |
53 Zacatecas |
23865 |
157256 |
181121 |
13.18 |
| 16 |
16 DF Sur |
193886 |
1314166 |
1508052 |
12.86 |
| 18 |
18 DF Poniente |
211282 |
1541899 |
1753181 |
12.05 |
| 12 |
12 Tapachula |
17292 |
143341 |
162175 |
10.66 |
| 30 |
30 Uruapan |
20225 |
172280 |
192505 |
10.51 |
| 54 |
54 Fresnillo |
7410 |
75990 |
83682 |
8.85 |
| 2 |
02 Mexicali |
44716 |
518099 |
562815 |
7.95 |
| 22 |
22 Chilpancingo de los Bravo |
10001 |
126243 |
136661 |
7.32 |
| 17 |
17 DF Oriente |
141532 |
1890517 |
2032049 |
6.96 |
| 27 |
27 Ecatepec de Morelos |
95115 |
1371150 |
1466265 |
6.49 |
| 47 |
47 Reynosa |
25761 |
384003 |
410449 |
6.28 |
| 15 |
15 DF Norte |
79225 |
1535427 |
1619521 |
4.89 |
| 51 |
51 Coatzacoalcos |
6151 |
198558 |
204709 |
3.00 |
| 45 |
45 Villahermosa |
4943 |
309024 |
313967 |
1.57 |
Histórico percepción de seguridad (Nacional y Querétaro)
percepcionSNacional<-c(29.5,29.8,27.8,25.9,26.9,25.0,23.8,23.9,23.0,24.0,24.8,26.0,25.3,26.0,28.5,26.8,26.2,31.8)
percepcionSQueretaro<-c(43.1,43.9,47.8,34.5,42.4,39.7,33.4,39.3,38.0,36.4,39.5,48.2,42.9,41.4,35.7,40.4,40.6,53.7)
historicoAprobacion<-cbind(historicoAprobacion,data.frame(percepcionSNacional,percepcionSQueretaro))
Gráfico
miplotly2<-plot_ly(data = historicoAprobacion, y= historicoAprobacion$percepcionSNacional, x= historicoAprobacion$orden, type = "scatter",name = "Porcentaje que considera segura su ciudad (NACIONAL)",mode="lines")
add_trace(p=miplotly2,y=historicoAprobacion$percepcionSQueretaro, name="Porcentaje que considera segura su ciudad ( Querétaro)",mode="lines+markers", type = "scatter")
Tabla
names(historicoAprobacion)[c(5,6)]<-c("Porcentaje que considera segura su ciudad (Nacional)","Porcentaje que considera segura su ciudad (Querétaro)")
kable(historicoAprobacion[c(1,5,6)])
| Marzo-2016 |
29.5 |
43.1 |
| Junio-2016 |
29.8 |
43.9 |
| Septiembre-2016 |
27.8 |
47.8 |
| Diciembre-2016 |
25.9 |
34.5 |
| Marzo-2017 |
26.9 |
42.4 |
| Junio-2017 |
25.0 |
39.7 |
| Septiembre-2017 |
23.8 |
33.4 |
| Diciembre-2017 |
23.9 |
39.3 |
| Marzo-2018 |
23.0 |
38.0 |
| Junio-2018 |
24.0 |
36.4 |
| Septiembre-2018 |
24.8 |
39.5 |
| Diciembre-2018 |
26.0 |
48.2 |
| Marzo-2019 |
25.3 |
42.9 |
| Junio-2019 |
26.0 |
41.4 |
| Septiembre-2019 |
28.5 |
35.7 |
| Diciembre-2019 |
26.8 |
40.4 |
| Marzo-2020 |
26.2 |
40.6 |
| Septiembre-2020 |
31.8 |
53.7 |
Relación entre confianza en la policía municipal y percepción de seguridad
reconocenPM$BP1_1<-as.numeric(reconocenPM$BP1_1)
reconocenPM$BP1_1[reconocenPM$BP1_1==9]<-NA
reconocenPM$BP1_1<-factor(x = reconocenPM$BP1_1, levels = c(1,2), labels = c("seguro?","inseguro?"))
reconocenPM$BP1_10_1<-as.numeric(reconocenPM$BP1_10_1)
reconocenPM$BP1_10_1[reconocenPM$BP1_10_1==9]<-NA
reconocenPM$BP1_10_1<-factor(reconocenPM$BP1_10_1,levels = c(1,2,3,4), labels = c("Mucha confianza","Algo de confianza","Algo de desconfianza","Mucha desconfianza"))
percepcionYconfianza<-svytable(~reconocenPM$BP1_1+reconocenPM$BP1_10_1,factIndR)
ppercepcionYconfianza<-round(prop.table(percepcionYconfianza,margin = 1)*100,2)
chipercepcionYconfianza<-chisq.test(percepcionYconfianza)
Absolutos
kable(percepcionYconfianza)
| seguro? |
1086232 |
4654114 |
1946278 |
1085447 |
| inseguro? |
521846 |
5692810 |
5316884 |
5062820 |
Relativos
kable(ppercepcionYconfianza)
| seguro? |
12.38 |
53.06 |
22.19 |
12.37 |
| inseguro? |
3.14 |
34.31 |
32.04 |
30.51 |
pruebas de asociación
print(chipercepcionYconfianza)
##
## Pearson's Chi-squared test
##
## data: percepcionYconfianza
## X-squared = 2240424, df = 3, p-value < 2.2e-16
Relación entre confianza en la policía municipal y percepción de seguridad EN QUERÉTARO
reconocenPMQ<-subset(x = reconocenPM, subset = reconocenPM$CVE_ENT=="22")
#reconocenPM$miID<-1:nrow(reconocenPM)
factIndRQ<-svydesign(ids = reconocenPMQ$ID_PER, data = reconocenPMQ, weights = reconocenPMQ$FAC_SEL)
reconocenPMQ$BP1_1<-as.numeric(reconocenPMQ$BP1_1)
reconocenPMQ$BP1_1[reconocenPMQ$BP1_1==9]<-NA
reconocenPMQ$BP1_1<-factor(x = reconocenPMQ$BP1_1, levels = c(1,2), labels = c("seguro?","inseguro?"))
reconocenPMQ$BP1_10_1<-as.numeric(reconocenPMQ$BP1_10_1)
reconocenPMQ$BP1_10_1[reconocenPMQ$BP1_10_1==9]<-NA
reconocenPMQ$BP1_10_1<-factor(reconocenPMQ$BP1_10_1,levels = c(1,2,3,4), labels = c("Mucha confianza","Algo de confianza","Algo de desconfianza","Mucha desconfianza"))
percepcionYconfianzaQ<-svytable(~reconocenPMQ$BP1_1+reconocenPMQ$BP1_10_1,factIndRQ)
ppercepcionYconfianzaQ<-round(prop.table(percepcionYconfianzaQ,margin = 1)*100,2)
chipercepcionYconfianzaQ<-chisq.test(percepcionYconfianzaQ)
Absolutos
kable(percepcionYconfianzaQ)
| seguro? |
83340 |
149221 |
47714 |
6898 |
| inseguro? |
11543 |
81903 |
103579 |
40268 |
Relativos
kable(ppercepcionYconfianzaQ)
| seguro? |
29.02 |
51.96 |
16.62 |
2.40 |
| inseguro? |
4.86 |
34.52 |
43.65 |
16.97 |
Pruebas de asociación
print(chipercepcionYconfianzaQ)
##
## Pearson's Chi-squared test
##
## data: percepcionYconfianzaQ
## X-squared = 114464, df = 3, p-value < 2.2e-16
Victimización y percepcion de inseguridad(NACIONAL)
General (Nacional)
sepCB1$vic<-NA
sepCB1$vic[(is.na(sepCB1$BP1_6_1) & sepCB1$BP1_6_1==1) | (!is.na(sepCB1$BP1_6_2) & sepCB1$BP1_6_2==1) | (!is.na(sepCB1$BP1_6_3) & sepCB1$BP1_6_3==1) | (!is.na(sepCB1$BP1_6_4) & sepCB1$BP1_6_4==1) | (!is.na(sepCB1$BP1_6_5) & sepCB1$BP1_6_5==1) | (!is.na(sepCB1$BP1_6_6) & sepCB1$BP1_6_6==1)]<-1
sepCB1$vic[sepCB1$BP1_6_1==2 & sepCB1$BP1_6_2==2 & sepCB1$BP1_6_3==2 & sepCB1$BP1_6_4==2 & sepCB1$BP1_6_5==2 & sepCB1$BP1_6_6==2]<-0
sepCB1$vic<-factor(sepCB1$vic,levels = c(0,1),labels = c("No es miembro de hogar con víctima","Miembro de hogar con Víctima de delito"))
percepcionyVictimizacion<-svytable(~sepCB1$vic+sepCB1$BP1_1,facPer)
kable(round(prop.table(percepcionyVictimizacion,1)*100,2))
| No es miembro de hogar con víctima |
37.85 |
62.15 |
| Miembro de hogar con Víctima de delito |
18.61 |
81.39 |
General (Querétaro)
#Preparo variables que usaré hacia el final del documento
sepCB1$BP1_2_02[sepCB1$BP1_2_02==3 | sepCB1$BP1_2_02==9]<-NA
sepCB1$BP1_2_01[sepCB1$BP1_2_01==3 | sepCB1$BP1_2_01==9]<-NA
sepCB1$BP1_2_03[sepCB1$BP1_2_03==3 | sepCB1$BP1_2_03==9]<-NA
sepCB1$BP1_2_04[sepCB1$BP1_2_04==3 | sepCB1$BP1_2_04==9]<-NA
sepCB1$BP1_2_05[sepCB1$BP1_2_05==3 | sepCB1$BP1_2_05==9]<-NA
sepCB1$BP1_2_06[sepCB1$BP1_2_06==3 | sepCB1$BP1_2_06==9]<-NA
sepCB1$BP1_2_07[sepCB1$BP1_2_07==3 | sepCB1$BP1_2_07==9]<-NA
sepCB1$BP1_2_08[sepCB1$BP1_2_08==3 | sepCB1$BP1_2_08==9]<-NA
sepCB1$BP1_2_09[sepCB1$BP1_2_09==3 | sepCB1$BP1_2_09==9]<-NA
sepCB1$BP1_2_10[sepCB1$BP1_2_10==3 | sepCB1$BP1_2_10==9]<-NA
sepCB1$BP1_2_11[sepCB1$BP1_2_11==3 | sepCB1$BP1_2_11==9]<-NA
sepCB1$BP1_2_12[sepCB1$BP1_2_12==3 | sepCB1$BP1_2_12==9]<-NA
sepCB1$BP1_4_1[sepCB1$BP1_4_1==9]<-NA
sepCB1$BP1_4_2[sepCB1$BP1_4_2==9]<-NA
sepCB1$BP1_4_3[sepCB1$BP1_4_3==9]<-NA
sepCB1$BP1_4_4[sepCB1$BP1_4_4==9]<-NA
sepCB1$BP1_4_5[sepCB1$BP1_4_5==9]<-NA
sepCB1$BP1_4_6[sepCB1$BP1_4_6==9]<-NA
sepCB1$BP1_4_7[sepCB1$BP1_4_7==9]<-NA
sepCB1$BP1_4_8[sepCB1$BP1_4_8==9]<-NA
sepCB1$BP1_6_1<-factor(sepCB1$BP1_6_1, levels = c(1,2), labels = c("Sí", "No"))
sepCB1$BP1_6_2[sepCB1$BP1_6_2==9]<-NA
sepCB1$BP1_6_2<-factor(sepCB1$BP1_6_2, levels = c(1,2), labels = c("Sí", "No"))
sepCB1$BP1_6_3[sepCB1$BP1_6_3==9]<-NA
sepCB1$BP1_6_3<-factor(sepCB1$BP1_6_3, levels = c(1,2), labels = c("Sí", "No"))
sepCB1$BP1_6_4[sepCB1$BP1_6_4==9]<-NA
sepCB1$BP1_6_4<-factor(sepCB1$BP1_6_4, levels = c(1,2), labels = c("Sí", "No"))
sepCB1$BP1_6_5[sepCB1$BP1_6_5==9]<-NA
sepCB1$BP1_6_5<-factor(sepCB1$BP1_6_5, levels = c(1,2), labels = c("Sí", "No"))
sepCB1$BP1_6_6[sepCB1$BP1_6_6==9]<-NA
sepCB1$BP1_6_6<-factor(sepCB1$BP1_6_6, levels = c(1,2), labels = c("Sí", "No"))
sepCB1Q<-subset(sepCB1,sepCB1$CVE_ENT==22)
facPerQ<-svydesign(ids = sepCB1Q$ID_PER,data = sepCB1Q,weights = sepCB1Q$FAC_SEL)
percepcionyVictimizacionQ<-svytable(~sepCB1Q$vic+sepCB1Q$BP1_1,facPerQ)
kable(round(prop.table(percepcionyVictimizacionQ,1)*100,2))
| No es miembro de hogar con víctima |
62.26 |
37.74 |
| Miembro de hogar con Víctima de delito |
33.87 |
66.13 |
Victimas de robo de vehículo
#RV y percepcion
#sepCB1$BP1_6_1[sepCB1$BP1_6_1==9]<-NA
percepcionyVictimizacionRV<-svytable(~sepCB1$BP1_6_1+sepCB1$BP1_1,facPer)
ppercepcionyVictimizacionRV<-round(prop.table(percepcionyVictimizacionRV,1)*100,2)
chisqpercepcionyVictimizacionRV<-chisq.test(percepcionyVictimizacionRV)
kable(ppercepcionyVictimizacionRV)
| Sí |
12.94 |
87.06 |
| No |
32.59 |
67.41 |
print(chisqpercepcionyVictimizacionRV)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: percepcionyVictimizacionRV
## X-squared = 239396, df = 1, p-value < 2.2e-16
Victimas de robo de vehículo (Querétaro)
percepcionyVictimizacionRVQ<-svytable(~sepCB1Q$BP1_6_1+sepCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionRVQ<-round(prop.table(percepcionyVictimizacionRVQ,1)*100,2)
chisqpercepcionyVictimizacionRVQ<-chisq.test(percepcionyVictimizacionRVQ)
kable(ppercepcionyVictimizacionRVQ)
| Sí |
22.67 |
77.33 |
| No |
54.74 |
45.26 |
print(chisqpercepcionyVictimizacionRVQ)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: percepcionyVictimizacionRVQ
## X-squared = 8901.7, df = 1, p-value < 2.2e-16
Robo a vehículo
#RaV y percepcion
percepcionyVictimizacionRaV<-svytable(~sepCB1$BP1_6_2+sepCB1$BP1_1,facPer)
ppercepcionyVictimizacionRaV<-round(prop.table(percepcionyVictimizacionRaV,1)*100,2)
chisqpercepcionyVictimizacionRaV<-chisq.test(percepcionyVictimizacionRaV)
kable(ppercepcionyVictimizacionRaV)
| Sí |
17.13 |
82.87 |
| No |
33.65 |
66.35 |
print(chisqpercepcionyVictimizacionRaV)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: percepcionyVictimizacionRaV
## X-squared = 482454, df = 1, p-value < 2.2e-16
Robo a vehículo (Querétaro)
#RaV y percepcion
percepcionyVictimizacionRaVQ<-svytable(~sepCB1Q$BP1_6_2+sepCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionRaVQ<-round(prop.table(percepcionyVictimizacionRaVQ,1)*100,2)
chisqpercepcionyVictimizacionRaVQ<-chisq.test(percepcionyVictimizacionRaVQ)
kable(ppercepcionyVictimizacionRaVQ)
| Sí |
31.24 |
68.76 |
| No |
56.15 |
43.85 |
print(chisqpercepcionyVictimizacionRaVQ)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: percepcionyVictimizacionRaVQ
## X-squared = 15456, df = 1, p-value < 2.2e-16
Robo a casa-habitación
#Rch y percepcion
percepcionyVictimizacionRCH<-svytable(~sepCB1$BP1_6_3+sepCB1$BP1_1,facPer)
ppercepcionyVictimizacionRCH<-round(prop.table(percepcionyVictimizacionRCH,1)*100,2)
chisqpercepcionyVictimizacionRCH<-chisq.test(percepcionyVictimizacionRCH)
kable(ppercepcionyVictimizacionRCH)
| Sí |
17.47 |
82.53 |
| No |
32.73 |
67.27 |
print(chisqpercepcionyVictimizacionRCH)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: percepcionyVictimizacionRCH
## X-squared = 221115, df = 1, p-value < 2.2e-16
Robo a casa-habitación (Querétaro)
#Rch y percepcion
percepcionyVictimizacionRCHQ<-svytable(~sepCB1Q$BP1_6_3+sepCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionRCHQ<-round(prop.table(percepcionyVictimizacionRCHQ,1)*100,2)
chisqpercepcionyVictimizacionRCHQ<-chisq.test(percepcionyVictimizacionRCHQ)
kable(ppercepcionyVictimizacionRCHQ)
| Sí |
19.30 |
80.70 |
| No |
55.57 |
44.43 |
print(chisqpercepcionyVictimizacionRCHQ)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: percepcionyVictimizacionRCHQ
## X-squared = 17918, df = 1, p-value < 2.2e-16
Robo a transeúnte
#RaT y percepcion
percepcionyVictimizacionRAT<-svytable(~sepCB1$BP1_6_4+sepCB1$BP1_1,facPer)
ppercepcionyVictimizacionRAT<-round(prop.table(percepcionyVictimizacionRAT,1)*100,2)
chisqpercepcionyVictimizacionRAT<-chisq.test(percepcionyVictimizacionRAT)
kable(ppercepcionyVictimizacionRAT)
| Sí |
13.21 |
86.79 |
| No |
34.70 |
65.30 |
print(chisqpercepcionyVictimizacionRAT)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: percepcionyVictimizacionRAT
## X-squared = 982779, df = 1, p-value < 2.2e-16
Robo a transeúnte (Querétaro)
#RaT y percepcion
percepcionyVictimizacionRATQ<-svytable(~sepCB1Q$BP1_6_4+sepCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionRATQ<-round(prop.table(percepcionyVictimizacionRATQ,1)*100,2)
chisqpercepcionyVictimizacionRATQ<-chisq.test(percepcionyVictimizacionRATQ)
kable(ppercepcionyVictimizacionRATQ)
| Sí |
26.99 |
73.01 |
| No |
55.85 |
44.15 |
print(chisqpercepcionyVictimizacionRATQ)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: percepcionyVictimizacionRATQ
## X-squared = 17696, df = 1, p-value < 2.2e-16
Amenazas y extorsión
#EXTO
percepcionyVictimizacionEXTO<-svytable(~sepCB1$BP1_6_6+sepCB1$BP1_1,facPer)
ppercepcionyVictimizacionEXTO<-round(prop.table(percepcionyVictimizacionEXTO,1)*100,2)
chisqpercepcionyVictimizacionEXTO<-chisq.test(percepcionyVictimizacionEXTO)
kable(ppercepcionyVictimizacionEXTO)
| Sí |
18.52 |
81.48 |
| No |
33.45 |
66.55 |
print(chisqpercepcionyVictimizacionEXTO)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: percepcionyVictimizacionEXTO
## X-squared = 387021, df = 1, p-value < 2.2e-16
Amenazas y extorsión (Querétaro)
#EXTO
percepcionyVictimizacionEXTOQ<-svytable(~sepCB1Q$BP1_6_6+sepCB1Q$BP1_1,facPerQ)
ppercepcionyVictimizacionEXTOQ<-round(prop.table(percepcionyVictimizacionEXTOQ,1)*100,2)
chisqpercepcionyVictimizacionEXTOQ<-chisq.test(percepcionyVictimizacionEXTOQ)
kable(ppercepcionyVictimizacionEXTOQ)
| Sí |
31.60 |
68.40 |
| No |
56.68 |
43.32 |
print(chisqpercepcionyVictimizacionEXTOQ)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: percepcionyVictimizacionEXTOQ
## X-squared = 19745, df = 1, p-value < 2.2e-16
Demográficos de percepción
Por sexo (Nacional)
sepCB1$SEX=factor(sepCB1$SEX,levels = c(1,2),labels = c("Hombre","Mujer"))
porSexo=svytable(~sepCB1$SEX+sepCB1$BP1_1,facPer)
pporSexo=round(prop.table(porSexo,1)*100,2)
kable(pporSexo)
| Hombre |
37.81 |
62.19 |
| Mujer |
26.96 |
73.04 |
Por sexo (Querétaro)
porSexoQ=svytable(~sepCB1Q$SEX+sepCB1Q$BP1_1,facPerQ)
pporSexoQ=round(prop.table(porSexoQ,1)*100,2)
kable(pporSexoQ)
Por edad (Nacional)
porEdad=svytable(~sepCB1$grupoEdad+sepCB1$BP1_1,facPer)
pporEdad=round(prop.table(porEdad,1)*100,2)
kable(pporEdad, caption="Percpeción de seguridad por grupó de edad (NACIONAL")
Percpeción de seguridad por grupó de edad (NACIONAL
| 18 a 22 |
32.73 |
67.27 |
| 23 a 27 |
32.45 |
67.55 |
| 28 a 32 |
30.35 |
69.65 |
| 33 a 37 |
26.98 |
73.02 |
| 38 a 42 |
30.11 |
69.89 |
| 43 a 47 |
25.12 |
74.88 |
| 48 a 52 |
32.84 |
67.16 |
| 53 a 57 |
30.44 |
69.56 |
| 58 a 62 |
30.22 |
69.78 |
| 63 a 67 |
37.81 |
62.19 |
| 68 a 72 |
45.79 |
54.21 |
| 73 a 77 |
40.77 |
59.23 |
| 78 a 82 |
29.03 |
70.97 |
Por edad (Querétaro)
porEdadQ=svytable(~sepCB1Q$grupoEdad+sepCB1Q$BP1_1,facPerQ)
pporEdadQ=round(prop.table(porEdad,1)*100,2)
kable(pporEdadQ, caption="Percpeción de seguridad por grupó de edad (Querétaro")
Percpeción de seguridad por grupó de edad (Querétaro
| 18 a 22 |
32.73 |
67.27 |
| 23 a 27 |
32.45 |
67.55 |
| 28 a 32 |
30.35 |
69.65 |
| 33 a 37 |
26.98 |
73.02 |
| 38 a 42 |
30.11 |
69.89 |
| 43 a 47 |
25.12 |
74.88 |
| 48 a 52 |
32.84 |
67.16 |
| 53 a 57 |
30.44 |
69.56 |
| 58 a 62 |
30.22 |
69.78 |
| 63 a 67 |
37.81 |
62.19 |
| 68 a 72 |
45.79 |
54.21 |
| 73 a 77 |
40.77 |
59.23 |
| 78 a 82 |
29.03 |
70.97 |
Expectativas sobre la delincuencia (por ciudad)
sepCB1$BP1_3[sepCB1$BP1_3==9]<-NA
#sepCB1$BP1_3=factor(sepCB1$BP1_3,levels = c(1,2,3,4),labels = c("mejorará?","seguirá igual de bien?","seguirá igual de mal?","empeorará?"))
futuro=svytable(~sepCB1$ciudad+sepCB1$BP1_3,facPer)
futuro2<-as.data.frame(futuro)
cd<-futuro2[1:87,1]
futuro2<-cbind(futuro2[1:87,3],futuro2[88:174,3],futuro2[175:261,3],futuro2[262:348,3])
futuro2<-as.data.frame(futuro2)
futuro2$porcentajeBienMejor<-round((futuro2[,1]+futuro2[,2])/as.data.frame(aggregate(sepCB1$FAC_SEL~sepCB1$ciudad,sepCB1,sum))[2]*100,2)
futuro2<-cbind(cd, futuro2)
x=futuro2[60,6][1,1]
posicionBienMejor<-length(futuro2$porcentajeBienMejor[futuro2$porcentajeBienMejor>x])+1
names(futuro2)<-c("Ciudad","mejorará?","seguirá igual de bien?","seguirá igual de mal?","empeorará?","Porcentaje positivo")
#futuro<-cbind(futuro, porcentajeBienMejor)
kable(futuro2, caption="Pensando en las condiciones de delincuencia en (CIUDAD), ¿considera que en los próximos 12 meses…")
Pensando en las condiciones de delincuencia en (CIUDAD), ¿considera que en los próximos 12 meses…
| Acapulco, Guerrero |
153544 |
39801 |
201361 |
106520 |
37.52 |
| Aguascalientes, Aguascalientes |
138302 |
97245 |
158220 |
214831 |
38.47 |
| alvaro Obregon, Ciudad de Mexico |
65513 |
46401 |
224799 |
251459 |
18.72 |
| Apodaca, Nuevo Leon |
117318 |
109448 |
98978 |
47504 |
59.93 |
| Atizapan de Zaragoza, Mexico |
95802 |
57098 |
127927 |
168253 |
33.59 |
| Azcapotzalco, Ciudad de Mexico |
58515 |
29466 |
106348 |
133665 |
26.24 |
| Benito Juarez, Ciudad de Mexico |
66655 |
79984 |
66459 |
115428 |
44.64 |
| Campeche, Campeche |
27370 |
62341 |
41393 |
65104 |
45.53 |
| Cancun, Quintana Roo |
120276 |
40536 |
206480 |
231356 |
26.60 |
| Chihuahua, Chihuahua |
115425 |
117953 |
209578 |
209109 |
35.79 |
| Chilpancingo de los Bravo, Guerrero |
30486 |
4404 |
65445 |
34918 |
24.37 |
| Chimalhuacan, Mexico |
101218 |
41810 |
129859 |
242927 |
27.51 |
| Ciudad del Carmen, Campeche |
30285 |
22271 |
44521 |
45881 |
36.32 |
| Ciudad Juarez, Chihuahua |
153948 |
66409 |
626006 |
174318 |
21.50 |
| Ciudad Nezahualcoyotl, Mexico |
244423 |
109976 |
365511 |
270027 |
35.26 |
| Coatzacoalcos, Veracruz de Ignacio de la Llave |
62847 |
5863 |
86244 |
69764 |
30.47 |
| Colima, Colima |
39066 |
26756 |
73115 |
78035 |
30.27 |
| Coyoacan, Ciudad de Mexico |
104239 |
71454 |
138470 |
179844 |
35.11 |
| Cuajimalpa de Morelos, Ciudad de Mexico |
38965 |
43546 |
14537 |
32124 |
61.32 |
| Cuauhtemoc, Ciudad de Mexico |
69634 |
69261 |
121917 |
162602 |
32.42 |
| Cuautitlan Izcalli, Mexico |
79577 |
32484 |
187516 |
159432 |
23.96 |
| Cuernavaca, Morelos |
49491 |
54413 |
236916 |
284328 |
16.41 |
| Culiacan, Sinaloa |
118152 |
63015 |
218881 |
114505 |
34.48 |
| Durango, Durango |
83160 |
110396 |
109229 |
95714 |
48.43 |
| Ecatepec de Morelos, Mexico |
218515 |
28409 |
556197 |
622051 |
17.02 |
| Fresnillo, Zacatecas |
9515 |
2089 |
41687 |
34124 |
13.24 |
| Gral. Escobedo, Nuevo Leon |
101694 |
64104 |
72933 |
34285 |
58.73 |
| Guadalajara, Jalisco |
252013 |
67187 |
525107 |
448009 |
24.60 |
| Guadalupe, Nuevo Leon |
156608 |
143331 |
193286 |
105685 |
49.58 |
| Guanajuato, Guanajuato |
19707 |
7675 |
32307 |
30533 |
30.11 |
| Gustavo A. Madero, Ciudad de Mexico |
152908 |
51144 |
387236 |
341892 |
21.62 |
| Hermosillo, Sonora |
80651 |
61359 |
225518 |
233945 |
23.14 |
| Ixtapa-Zihuatanejo, Guerrero |
25393 |
6431 |
21660 |
15692 |
43.94 |
| Iztacalco, Ciudad de Mexico |
64062 |
24397 |
129618 |
88576 |
28.63 |
| Iztapalapa, Ciudad de Mexico |
233917 |
98839 |
523739 |
469618 |
24.89 |
| La Laguna, Coahuila de Zaragoza |
90210 |
143763 |
158886 |
95755 |
46.68 |
| La Laguna, Durango |
74432 |
54939 |
76755 |
83004 |
44.34 |
| La Magdalena Contreras, Ciudad de Mexico |
32426 |
22615 |
54263 |
69766 |
29.95 |
| La Paz, Baja California Sur |
44887 |
82630 |
31019 |
57459 |
58.26 |
| Lazaro Cardenas, Michoacan de Ocampo |
46419 |
30178 |
58099 |
49111 |
37.76 |
| Leon, Guanajuato |
222802 |
45808 |
363178 |
471652 |
24.16 |
| Los Cabos, Baja California Sur |
30424 |
44591 |
25756 |
34564 |
54.19 |
| Los Mochis, Sinaloa |
51585 |
61888 |
57951 |
45078 |
51.52 |
| Manzanillo, Colima |
37026 |
11118 |
30907 |
27107 |
44.49 |
| Mazatlan, Sinaloa |
81389 |
56103 |
109073 |
54438 |
44.06 |
| Merida, Yucatan |
191062 |
264873 |
56180 |
303246 |
55.92 |
| Mexicali, Baja California |
152476 |
70404 |
207909 |
141419 |
38.35 |
| Miguel Hidalgo, Ciudad de Mexico |
45786 |
75706 |
81541 |
106787 |
39.21 |
| Milpa Alta, Ciudad de Mexico |
12040 |
15452 |
23330 |
28942 |
33.26 |
| Monterrey, Nuevo Leon |
196645 |
122371 |
420687 |
263834 |
31.44 |
| Morelia, Michoacan de Ocampo |
59812 |
55912 |
174156 |
212048 |
22.69 |
| Naucalpan de Juarez, Mexico |
108889 |
22911 |
255757 |
321602 |
17.99 |
| Nogales, Sonora |
56471 |
36343 |
49101 |
37741 |
51.66 |
| Nuevo Laredo, Tamaulipas |
99199 |
39529 |
83915 |
50885 |
49.23 |
| Oaxaca, Oaxaca |
64903 |
13285 |
130443 |
198757 |
18.82 |
| Pachuca, Hidalgo |
55592 |
47692 |
64011 |
124804 |
35.15 |
| Piedras Negras, Coahuila de Zaragoza |
35652 |
12601 |
24354 |
44327 |
41.27 |
| Puebla, Puebla |
262808 |
78159 |
513141 |
697298 |
21.98 |
| Puerto Vallarta, Jalisco |
48133 |
54334 |
34774 |
33889 |
58.75 |
| Queretaro, Queretaro |
105000 |
134281 |
143929 |
300223 |
33.89 |
| Reynosa, Tamaulipas |
112321 |
52672 |
231644 |
67240 |
34.77 |
| Saltillo, Coahuila de Zaragoza |
166275 |
245524 |
93936 |
107139 |
65.57 |
| San Luis Potosi, San Luis Potosi |
102596 |
32019 |
238297 |
386506 |
17.50 |
| San Nicolas de los Garza, Nuevo Leon |
115932 |
127544 |
90013 |
74338 |
59.20 |
| San Pedro Garza Garcia, Nuevo Leon |
39701 |
45379 |
6884 |
21588 |
73.70 |
| San Pedro Tlaquepaque, Jalisco |
96521 |
41704 |
169301 |
163873 |
29.25 |
| Santa Catarina, Nuevo Leon |
78317 |
61197 |
50983 |
37531 |
59.35 |
| Tampico, Tamaulipas |
153080 |
159927 |
162883 |
99255 |
54.42 |
| Tampico, Veracruz de Ignacio de la Llave |
8174 |
22840 |
8722 |
10534 |
61.69 |
| Tapachula, Chiapas |
34501 |
8262 |
58618 |
71609 |
24.55 |
| Tepic, Nayarit |
72835 |
65712 |
114731 |
70380 |
42.47 |
| Tijuana, Baja California |
292766 |
51937 |
373418 |
428534 |
29.46 |
| Tlahuac, Ciudad de Mexico |
53978 |
57674 |
74137 |
79521 |
41.24 |
| Tlajomulco de Zuñiga, Jalisco |
9444 |
10913 |
21658 |
21833 |
31.47 |
| Tlalnepantla de Baz, Mexico |
107940 |
45908 |
273021 |
162973 |
24.92 |
| Tlalpan, Ciudad de Mexico |
52779 |
56828 |
161630 |
196631 |
22.83 |
| Tlaxcala, Tlaxcala |
93324 |
109491 |
153924 |
166639 |
38.25 |
| Toluca, Mexico |
75488 |
58014 |
318859 |
539353 |
13.45 |
| Tonala, Jalisco |
58843 |
20856 |
134226 |
124761 |
23.35 |
| Tuxtla Gutierrez, Chiapas |
95531 |
42769 |
125941 |
211721 |
28.15 |
| Uruapan, Michoacan de Ocampo |
33327 |
9978 |
80871 |
76883 |
21.50 |
| Venustiano Carranza, Ciudad de Mexico |
85139 |
40105 |
103619 |
108224 |
37.09 |
| Veracruz, Veracruz de Ignacio de la Llave |
124779 |
59129 |
211079 |
163108 |
32.74 |
| Villahermosa, Tabasco |
77684 |
12694 |
114819 |
114035 |
28.15 |
| Xochimilco, Ciudad de Mexico |
71281 |
20032 |
102017 |
120054 |
29.14 |
| Zacatecas, Zacatecas |
29071 |
14661 |
92048 |
56283 |
22.54 |
| Zapopan, Jalisco |
168172 |
109237 |
329964 |
315795 |
29.73 |
Querétaro es la ciudad número 43 con la mejor expectativa en seguridad, de las 87 consideradas. Está por debajo de la media nacional de 37.2%.
Modelos (Nacional)
La percepcion no se explica por la policia
sepCB1$pseguridad<-NA
sepCB1$pseguridad[sepCB1$BP1_1=="inseguro?"]<-0
sepCB1$pseguridad[sepCB1$BP1_1=="seguro?"]<-1
#sepCB1$pseguridad[as.numeric(sepCB1$BP1_1)[sepCB1$BP1_1==9]]<-NA
m1<-glm(sepCB1$pseguridad~sepCB1$BP1_9_1, family = binomial(logit))
print(summary(m1))
##
## Call:
## glm(formula = sepCB1$pseguridad ~ sepCB1$BP1_9_1, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.5527 -0.8352 -0.6362 1.1816 1.8423
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 0.84942 0.06509 13.050 < 2e-16 ***
## sepCB1$BP1_9_12 -0.85918 0.07131 -12.048 < 2e-16 ***
## sepCB1$BP1_9_13 -1.72334 0.07241 -23.800 < 2e-16 ***
## sepCB1$BP1_9_14 -2.34402 0.08229 -28.486 < 2e-16 ***
## sepCB1$BP1_9_19 -1.11411 0.17611 -6.326 2.51e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 17800 on 13405 degrees of freedom
## Residual deviance: 16420 on 13401 degrees of freedom
## (8716 observations deleted due to missingness)
## AIC: 16430
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m1,type = "kl"))
## [1] "R^2= 0.0775266876135264"
Pero sí por la percepción de seguridad en lugares específicos
m0=glm(sepCB1$pseguridad~1)
print(summary(m0))
##
## Call:
## glm(formula = sepCB1$pseguridad ~ 1)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -0.3592 -0.3592 -0.3592 0.6408 0.6408
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.359157 0.003233 111.1 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.2301737)
##
## Null deviance: 5068.4 on 22020 degrees of freedom
## Residual deviance: 5068.4 on 22020 degrees of freedom
## (101 observations deleted due to missingness)
## AIC: 30149
##
## Number of Fisher Scoring iterations: 2
paste("R^2=",rsq(m0,type = "kl"))
## [1] "R^2= -2.22044604925031e-16"
m8=glm(sepCB1$pseguridad~sepCB1$BP1_2_01+sepCB1$BP1_2_02+sepCB1$BP1_2_03+sepCB1$BP1_2_05+sepCB1$BP1_2_06+sepCB1$BP1_2_08+sepCB1$BP1_2_09+sepCB1$SEX, family = binomial(logit))
print(summary(m8))
##
## Call:
## glm(formula = sepCB1$pseguridad ~ sepCB1$BP1_2_01 + sepCB1$BP1_2_02 +
## sepCB1$BP1_2_03 + sepCB1$BP1_2_05 + sepCB1$BP1_2_06 + sepCB1$BP1_2_08 +
## sepCB1$BP1_2_09 + sepCB1$SEX, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -2.0175 -0.5730 -0.3071 0.5727 2.7641
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.89517 0.06363 29.782 < 2e-16 ***
## sepCB1$BP1_2_012 -1.13634 0.09995 -11.369 < 2e-16 ***
## sepCB1$BP1_2_022 -0.51633 0.07386 -6.991 2.74e-12 ***
## sepCB1$BP1_2_032 -1.52868 0.06152 -24.847 < 2e-16 ***
## sepCB1$BP1_2_052 -0.70419 0.07308 -9.636 < 2e-16 ***
## sepCB1$BP1_2_062 -0.25132 0.07949 -3.162 0.00157 **
## sepCB1$BP1_2_082 -0.71566 0.07195 -9.947 < 2e-16 ***
## sepCB1$BP1_2_092 -0.67033 0.06626 -10.116 < 2e-16 ***
## sepCB1$SEXMujer -0.17040 0.05753 -2.962 0.00306 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 12103.0 on 9395 degrees of freedom
## Residual deviance: 7830.3 on 9387 degrees of freedom
## (12726 observations deleted due to missingness)
## AIC: 7848.3
##
## Number of Fisher Scoring iterations: 5
paste("R^2=",rsq(m8,type = "kl"))
## [1] "R^2= 0.353023907620621"
AIC(m0)
## [1] 30148.79
AIC(m8)
## [1] 7848.332
Pero la percepción en estos lugares no se explica tampoco por la policía
#seguridad en mercadp
sepCB1$BP1_9_1[sepCB1$BP1_9_1==9]<-NA
sepCB1$segMer<-NA
sepCB1$segMer[sepCB1$BP1_2_05==9]<-NA
sepCB1$segMer[sepCB1$BP1_2_05==2]<-0
sepCB1$segMer[sepCB1$BP1_2_05==1]<-1
m9=glm(sepCB1$segMer~sepCB1$BP1_9_1, family = binomial(logit))
summary(m9)
##
## Call:
## glm(formula = sepCB1$segMer ~ sepCB1$BP1_9_1, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.7062 -1.0737 0.7288 0.9683 1.4702
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.18999 0.07771 15.314 < 2e-16 ***
## sepCB1$BP1_9_12 -0.67598 0.08426 -8.023 1.03e-15 ***
## sepCB1$BP1_9_13 -1.43892 0.08375 -17.180 < 2e-16 ***
## sepCB1$BP1_9_14 -1.85622 0.08944 -20.755 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 15776 on 11383 degrees of freedom
## Residual deviance: 14944 on 11380 degrees of freedom
## (10738 observations deleted due to missingness)
## AIC: 14952
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m9,type = "kl"))
## [1] "R^2= 0.0527450847056671"
#seguridad en la calle
sepCB1$segCalle<-NA
sepCB1$segCalle[sepCB1$BP1_2_03==9]<-NA
sepCB1$segCalle[sepCB1$BP1_2_03==2]<-0
sepCB1$segCalle[sepCB1$BP1_2_03==1]<-1
m10=glm(sepCB1$segCalle~sepCB1$BP1_9_1, family = binomial(logit))
summary(m10)
##
## Call:
## glm(formula = sepCB1$segCalle ~ sepCB1$BP1_9_1, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.6733 -0.9657 -0.7818 1.0621 1.6336
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.11676 0.06973 16.02 <2e-16 ***
## sepCB1$BP1_9_12 -0.83934 0.07575 -11.08 <2e-16 ***
## sepCB1$BP1_9_13 -1.63760 0.07592 -21.57 <2e-16 ***
## sepCB1$BP1_9_14 -2.14544 0.08271 -25.94 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 18067 on 13116 degrees of freedom
## Residual deviance: 16878 on 13113 degrees of freedom
## (9005 observations deleted due to missingness)
## AIC: 16886
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m10,type = "kl"))
## [1] "R^2= 0.0657803509716568"
Sólo las bandas violentas y los disparos muestan algún efecto, pero bastante limitado
m11=glm(sepCB1$segMer~sepCB1$BP1_4_1+sepCB1$BP1_4_2+sepCB1$BP1_4_3+sepCB1$BP1_4_4+sepCB1$BP1_4_5+sepCB1$BP1_4_6+sepCB1$BP1_4_7+sepCB1$BP1_4_8, family = binomial(logit))
summary(m11)
##
## Call:
## glm(formula = sepCB1$segMer ~ sepCB1$BP1_4_1 + sepCB1$BP1_4_2 +
## sepCB1$BP1_4_3 + sepCB1$BP1_4_4 + sepCB1$BP1_4_5 + sepCB1$BP1_4_6 +
## sepCB1$BP1_4_7 + sepCB1$BP1_4_8, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.6101 -1.0343 0.7995 1.0108 1.7337
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.13249 0.08658 -13.081 < 2e-16 ***
## sepCB1$BP1_4_12 0.27792 0.03810 7.295 2.98e-13 ***
## sepCB1$BP1_4_22 0.17454 0.03713 4.701 2.59e-06 ***
## sepCB1$BP1_4_32 0.75286 0.03708 20.301 < 2e-16 ***
## sepCB1$BP1_4_42 0.34960 0.04194 8.336 < 2e-16 ***
## sepCB1$BP1_4_52 -0.11877 0.03904 -3.042 0.00235 **
## sepCB1$BP1_4_62 0.39560 0.03602 10.984 < 2e-16 ***
## sepCB1$BP1_4_72 0.07752 0.08688 0.892 0.37229
## sepCB1$BP1_4_82 0.08113 0.04780 1.697 0.08968 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 24869 on 17939 degrees of freedom
## Residual deviance: 23029 on 17931 degrees of freedom
## (4182 observations deleted due to missingness)
## AIC: 23047
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m11,type = "kl"))
## [1] "R^2= 0.0739978843516448"
m12=glm(sepCB1$segCalle~sepCB1$BP1_4_1+sepCB1$BP1_4_2+sepCB1$BP1_4_3+sepCB1$BP1_4_4+sepCB1$BP1_4_5+sepCB1$BP1_4_6+sepCB1$BP1_4_7+sepCB1$BP1_4_8, family = binomial(logit))
summary(m12)
##
## Call:
## glm(formula = sepCB1$segCalle ~ sepCB1$BP1_4_1 + sepCB1$BP1_4_2 +
## sepCB1$BP1_4_3 + sepCB1$BP1_4_4 + sepCB1$BP1_4_5 + sepCB1$BP1_4_6 +
## sepCB1$BP1_4_7 + sepCB1$BP1_4_8, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.6293 -0.9301 -0.5342 0.9118 2.0531
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.83523 0.09189 -19.971 < 2e-16 ***
## sepCB1$BP1_4_12 0.40104 0.03722 10.776 < 2e-16 ***
## sepCB1$BP1_4_22 0.21346 0.03513 6.076 1.24e-09 ***
## sepCB1$BP1_4_32 0.87581 0.03503 25.000 < 2e-16 ***
## sepCB1$BP1_4_42 0.43960 0.04309 10.203 < 2e-16 ***
## sepCB1$BP1_4_52 0.17212 0.03823 4.502 6.74e-06 ***
## sepCB1$BP1_4_62 0.64897 0.03585 18.102 < 2e-16 ***
## sepCB1$BP1_4_72 -0.14288 0.09100 -1.570 0.1164
## sepCB1$BP1_4_82 0.10334 0.04947 2.089 0.0367 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 28406 on 20713 degrees of freedom
## Residual deviance: 24626 on 20705 degrees of freedom
## (1408 observations deleted due to missingness)
## AIC: 24644
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m12,type = "kl"))
## [1] "R^2= 0.133082857159814"
Modelos (Querétaro)
La percepcion no se explica por la policia
sepCB1Q$pseguridad<-NA
sepCB1Q$pseguridad[sepCB1Q$BP1_1=="inseguro?"]<-0
sepCB1Q$pseguridad[sepCB1Q$BP1_1=="seguro?"]<-1
#sepCB1Q$pseguridad[as.numeric(sepCB1Q$BP1_1)[sepCB1Q$BP1_1==9]]<-NA
m1Q<-glm(sepCB1Q$pseguridad~sepCB1Q$BP1_9_1, family = binomial(logit))
print(summary(m1Q))
##
## Call:
## glm(formula = sepCB1Q$pseguridad ~ sepCB1Q$BP1_9_1, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.8930 -0.9297 -0.7815 1.1774 1.6651
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.6094 0.4899 3.285 0.001019 **
## sepCB1Q$BP1_9_12 -1.6094 0.5353 -3.007 0.002640 **
## sepCB1Q$BP1_9_13 -2.2246 0.5631 -3.951 7.78e-05 ***
## sepCB1Q$BP1_9_14 -2.6391 0.7151 -3.690 0.000224 ***
## sepCB1Q$BP1_9_19 -2.7081 1.2543 -2.159 0.030852 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 271.39 on 195 degrees of freedom
## Residual deviance: 246.52 on 191 degrees of freedom
## (58 observations deleted due to missingness)
## AIC: 256.52
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m1Q,type = "kl"))
## [1] "R^2= 0.0916111422368741"
Pero sí por la percepción de seguridad en lugares específicos
m0Q=glm(sepCB1Q$pseguridad~1)
print(summary(m0Q))
##
## Call:
## glm(formula = sepCB1Q$pseguridad ~ 1)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -0.4685 -0.4685 -0.4685 0.5315 0.5315
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.46850 0.03137 14.93 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.2499922)
##
## Null deviance: 63.248 on 253 degrees of freedom
## Residual deviance: 63.248 on 253 degrees of freedom
## AIC: 371.69
##
## Number of Fisher Scoring iterations: 2
paste("R^2=",rsq(m0Q,type = "kl"))
## [1] "R^2= -2.22044604925031e-16"
m8Q=glm(sepCB1Q$pseguridad~sepCB1Q$BP1_2_01+sepCB1Q$BP1_2_02+sepCB1Q$BP1_2_03+sepCB1Q$BP1_2_05+sepCB1Q$BP1_2_06+sepCB1Q$BP1_2_08+sepCB1Q$BP1_2_09+sepCB1Q$SEX, family = binomial(logit))
print(summary(m8Q))
##
## Call:
## glm(formula = sepCB1Q$pseguridad ~ sepCB1Q$BP1_2_01 + sepCB1Q$BP1_2_02 +
## sepCB1Q$BP1_2_03 + sepCB1Q$BP1_2_05 + sepCB1Q$BP1_2_06 +
## sepCB1Q$BP1_2_08 + sepCB1Q$BP1_2_09 + sepCB1Q$SEX, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -2.4317 -0.4319 -0.1280 0.3336 2.6856
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 2.9031 0.7987 3.635 0.000278 ***
## sepCB1Q$BP1_2_012 -1.6195 1.2245 -1.323 0.185999
## sepCB1Q$BP1_2_022 -1.6964 1.3593 -1.248 0.212013
## sepCB1Q$BP1_2_032 -0.2356 0.7290 -0.323 0.746502
## sepCB1Q$BP1_2_052 -1.2522 0.9284 -1.349 0.177414
## sepCB1Q$BP1_2_062 -0.7104 0.9249 -0.768 0.442426
## sepCB1Q$BP1_2_082 -2.0261 0.8014 -2.528 0.011470 *
## sepCB1Q$BP1_2_092 -0.1633 0.7392 -0.221 0.825210
## sepCB1Q$SEX2 -0.9767 0.6787 -1.439 0.150162
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 133.750 on 99 degrees of freedom
## Residual deviance: 67.653 on 91 degrees of freedom
## (154 observations deleted due to missingness)
## AIC: 85.653
##
## Number of Fisher Scoring iterations: 6
paste("R^2=",rsq(m8Q,type = "kl"))
## [1] "R^2= 0.494180305702516"
AIC(m0Q)
## [1] 371.6921
AIC(m8Q)
## [1] 85.65319
Pero la percepción en estos lugares no se explica tampoco por la policía
#seguridad en mercadp
sepCB1Q$BP1_9_1[sepCB1Q$BP1_9_1==9]<-NA
sepCB1Q$segMer<-NA
sepCB1Q$segMer[sepCB1Q$BP1_2_05==9]<-NA
sepCB1Q$segMer[sepCB1Q$BP1_2_05==2]<-0
sepCB1Q$segMer[sepCB1Q$BP1_2_05==1]<-1
m9Q=glm(sepCB1Q$segMer~sepCB1Q$BP1_9_1, family = binomial(logit))
summary(m9Q)
##
## Call:
## glm(formula = sepCB1Q$segMer ~ sepCB1Q$BP1_9_1, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.9728 -0.9331 0.5553 1.0063 1.4432
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.7918 0.6236 2.873 0.004063 **
## sepCB1Q$BP1_9_12 -1.3749 0.6679 -2.058 0.039545 *
## sepCB1Q$BP1_9_13 -2.3979 0.6890 -3.480 0.000501 ***
## sepCB1Q$BP1_9_14 -1.5404 0.8018 -1.921 0.054697 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 221.40 on 160 degrees of freedom
## Residual deviance: 203.47 on 157 degrees of freedom
## (93 observations deleted due to missingness)
## AIC: 211.47
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m9Q,type = "kl"))
## [1] "R^2= 0.0809481019759049"
#seguridad en la calle
sepCB1Q$segCalle<-NA
sepCB1Q$segCalle[sepCB1Q$BP1_2_03==9]<-NA
sepCB1Q$segCalle[sepCB1Q$BP1_2_03==2]<-0
sepCB1Q$segCalle[sepCB1Q$BP1_2_03==1]<-1
m10Q=glm(sepCB1Q$segCalle~sepCB1Q$BP1_9_1, family = binomial(logit))
summary(m10Q)
##
## Call:
## glm(formula = sepCB1Q$segCalle ~ sepCB1Q$BP1_9_1, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.7751 -0.9587 -0.8712 1.0974 1.5183
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.3437 0.4584 2.931 0.00338 **
## sepCB1Q$BP1_9_12 -1.1527 0.5081 -2.268 0.02330 *
## sepCB1Q$BP1_9_13 -2.1169 0.5398 -3.922 8.78e-05 ***
## sepCB1Q$BP1_9_14 -1.8827 0.6606 -2.850 0.00437 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 262.00 on 188 degrees of freedom
## Residual deviance: 241.36 on 185 degrees of freedom
## (65 observations deleted due to missingness)
## AIC: 249.36
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m10Q,type = "kl"))
## [1] "R^2= 0.0787946276966819"
Sólo las bandas violentas y los disparos muestan algún efecto, pero bastante limitado
m11Q=glm(sepCB1Q$segMer~sepCB1Q$BP1_4_1+sepCB1Q$BP1_4_2+sepCB1Q$BP1_4_3+sepCB1Q$BP1_4_4+sepCB1Q$BP1_4_5+sepCB1Q$BP1_4_6+sepCB1Q$BP1_4_7+sepCB1Q$BP1_4_8, family = binomial(logit))
summary(m11Q)
##
## Call:
## glm(formula = sepCB1Q$segMer ~ sepCB1Q$BP1_4_1 + sepCB1Q$BP1_4_2 +
## sepCB1Q$BP1_4_3 + sepCB1Q$BP1_4_4 + sepCB1Q$BP1_4_5 + sepCB1Q$BP1_4_6 +
## sepCB1Q$BP1_4_7 + sepCB1Q$BP1_4_8, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.7251 -1.1132 0.7155 0.9869 1.6966
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.272028 0.858396 -1.482 0.1384
## sepCB1Q$BP1_4_12 -0.553878 0.405179 -1.367 0.1716
## sepCB1Q$BP1_4_22 0.765743 0.388344 1.972 0.0486 *
## sepCB1Q$BP1_4_32 1.191751 0.381801 3.121 0.0018 **
## sepCB1Q$BP1_4_42 0.002946 0.371514 0.008 0.9937
## sepCB1Q$BP1_4_52 -0.122055 0.383429 -0.318 0.7502
## sepCB1Q$BP1_4_62 0.100538 0.376825 0.267 0.7896
## sepCB1Q$BP1_4_72 0.842294 0.874198 0.964 0.3353
## sepCB1Q$BP1_4_82 0.276686 0.484269 0.571 0.5678
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 278.85 on 204 degrees of freedom
## Residual deviance: 256.01 on 196 degrees of freedom
## (49 observations deleted due to missingness)
## AIC: 274.01
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m11Q,type = "kl"))
## [1] "R^2= 0.0819164243127005"
m12Q=glm(sepCB1Q$segCalle~sepCB1Q$BP1_4_1+sepCB1Q$BP1_4_2+sepCB1Q$BP1_4_3+sepCB1Q$BP1_4_4+sepCB1Q$BP1_4_5+sepCB1Q$BP1_4_6+sepCB1Q$BP1_4_7+sepCB1Q$BP1_4_8, family = binomial(logit))
summary(m12Q)
##
## Call:
## glm(formula = sepCB1Q$segCalle ~ sepCB1Q$BP1_4_1 + sepCB1Q$BP1_4_2 +
## sepCB1Q$BP1_4_3 + sepCB1Q$BP1_4_4 + sepCB1Q$BP1_4_5 + sepCB1Q$BP1_4_6 +
## sepCB1Q$BP1_4_7 + sepCB1Q$BP1_4_8, family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.8116 -0.9799 -0.3593 0.8083 2.3547
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.4988 0.8638 -1.735 0.082739 .
## sepCB1Q$BP1_4_12 0.1914 0.3721 0.514 0.606920
## sepCB1Q$BP1_4_22 0.2830 0.3668 0.772 0.440323
## sepCB1Q$BP1_4_32 1.1866 0.3441 3.448 0.000564 ***
## sepCB1Q$BP1_4_42 0.5317 0.3561 1.493 0.135394
## sepCB1Q$BP1_4_52 0.2459 0.3664 0.671 0.502177
## sepCB1Q$BP1_4_62 0.5744 0.3832 1.499 0.133863
## sepCB1Q$BP1_4_72 -1.2090 0.8900 -1.358 0.174318
## sepCB1Q$BP1_4_82 1.1203 0.5667 1.977 0.048030 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 327.15 on 235 degrees of freedom
## Residual deviance: 270.08 on 227 degrees of freedom
## (18 observations deleted due to missingness)
## AIC: 288.08
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m12Q,type = "kl"))
## [1] "R^2= 0.174435500039514"
Victimización y percepción de inseguridad en QUerétaro
#tampoco se explica por delitos
m14Q=glm(sepCB1Q$pseguridad~sepCB1Q$BP1_6_1+sepCB1Q$BP1_6_2+sepCB1Q$BP1_6_3+sepCB1Q$BP1_6_4+sepCB1Q$BP1_6_5+sepCB1Q$BP1_6_6,family = binomial(logit))
summary(m14Q)
##
## Call:
## glm(formula = sepCB1Q$pseguridad ~ sepCB1Q$BP1_6_1 + sepCB1Q$BP1_6_2 +
## sepCB1Q$BP1_6_3 + sepCB1Q$BP1_6_4 + sepCB1Q$BP1_6_5 + sepCB1Q$BP1_6_6,
## family = binomial(logit))
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.5098 -1.2659 -0.4262 1.0914 2.1345
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -5.1146 1.5556 -3.288 0.00101 **
## sepCB1Q$BP1_6_1No 1.5984 1.1045 1.447 0.14786
## sepCB1Q$BP1_6_2No 0.6637 0.5252 1.264 0.20637
## sepCB1Q$BP1_6_3No 1.7119 0.8112 2.110 0.03484 *
## sepCB1Q$BP1_6_4No 0.8338 0.4934 1.690 0.09108 .
## sepCB1Q$BP1_6_5No -0.5485 0.7101 -0.773 0.43981
## sepCB1Q$BP1_6_6No 1.0610 0.4648 2.283 0.02244 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 349.59 on 252 degrees of freedom
## Residual deviance: 324.87 on 246 degrees of freedom
## (1 observation deleted due to missingness)
## AIC: 338.87
##
## Number of Fisher Scoring iterations: 4
paste("R^2=",rsq(m14Q,type = "kl"))
## [1] "R^2= 0.0707216076950979"