Querétaro: Delitos en la pandemia

Este documento hace públicos los procedimientos y los datos utilizados para analizar la relación entre incidencia delictiva en Querétaro durante la jornada nacional de sana distancia y la movilidad reportada por google durante este periodo.

Te indicamos dónde descargar los datos, y como procesarlos en R. La base de datos es demasiado grande para abrirse en excel, así que necesitarás un software estadístico.

Haz click en los botones code para ver las instrucciones; copia y pega el código en R para reproducir los resultados.

Pasos preliminares:

Descargar los archivos con los datos de población (son dos tablas, ocuparemos ambas) y de incidencia delictiva del fuero común.
Leer los archivos en R.

#plotly nos ayudará con los gráficos

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

#Cargo kintr para ver las tablas

library(knitr)

#instalo una reshape para transformar la estructura de las bases de datos

library(reshape2)

#indico el directorio de trabajo; si quieres trabajar en C:/, descargas o alguna otra carpeta, deberás modificar esta línea.

setwd("D:/")

#la base de datos de población de CONAPO viene en dos partes, las descomprimimos 

elzip<-unzip("Municipal-Delitos-2015-2020_jun2020.zip", list = TRUE)

elzip<-unzip("Municipal-Delitos-2015-2020_jun2020.zip", elzip$Name[9])

#las leemos

pop1<-read.table("base_municipios_final_datos_01.csv",TRUE,",")

pop2<-read.table(file = "base_municipios_final_datos_02.csv",header = TRUE,sep = ",")

#Las fusionamos

pop<-rbind(pop1,pop2)

#cambiamos los nombres para evitar problemas de codificacipon

names(pop)<-names(pop)<-c(names(pop[1:6]),"ANO",names(pop[8:9]))







 ### AHORA LOS DATOS DE SESNSP

#DELITOS

ruta<-"D:/Municipal-Delitos-2015-2020_jun2020/Municipal-Delitos-2015-2020_jun2020.csv"

#+Municipal-Delitos-2015-2020_mar2020/

#+Municipal-Delitos-2015-2020_mar2020.csv"



delitos<-read.csv(file = ruta,header = TRUE,sep = ",")

names(delitos)<-c("Ano",names(delitos[2:21]))



delitos2<-melt(

  data = delitos,

  id.vars = names(delitos[1:9]),

  measure.vars = names(delitos[10:21]),

  variable.name = "meses")



delitos2$value[is.na(delitos2$value)]<-0

Movilidad y delito en Querétaro

Cuando se prohibieron las concentraciones de personas, uno de cada 5 delitos dejó de cometerse.

“We argue that structural changes in routine activity patterns can influence crime rates by affecting the convergence in space and time of the three minimal elements of direct-contact predatory violations: (1) motivated offenders, (2) suitable targets, and (3) the absence of capable guardians against a violation (Cohen & Felson 1979:589)”.

El delito sigue los ritmos de la vida social. Cuando la vida social se paralizó, los delincuentes encontraron menos oportunidades para cometer ilícitos. Conforme volvemos a la actividad, el delito vuelve a aumentar.

En esta sección comparamos las variaciones en la incidencia delictiva en Querétaro respecto de sus niveles en enero, con la variación en la asistencia a tiendas, espacios dedicados al ocio, parques, supermercados, farmacias, estaciones de transporte, sitios de trabajo y las propias residencias de los queretanos.

Los datos de movilidad se obtienen del Global mobility report de google, una instrumento creado para facilitar el monitoreo de las medidas tomadas durante la pandemia. Los datos de movilidad corresponden a Querétaro, y son presentados como promedios mensuales (google reporta variaciones en la movilidad por dia), con respecto a la asistencia promedio en enero. Los datos deben leerse como porcentajes.

#creo un filtro, sólo para querétaro en 2020

delQro2020<-subset(delitos2, delitos2$Clave_Ent==22 & delitos2$Ano==2020)



#INCIDENCIA TOTAL

meses<-unique(delQro2020$meses)



incidencia<- aggregate(delQro2020$value~delQro2020$meses, delQro2020,sum)[1:6,]

incidencia$variacionEnero<-NA

incidencia$variacionEnero<-(incidencia$`delQro2020$value`-incidencia$`delQro2020$value`[1])/incidencia$`delQro2020$value`[1]*100








## AHORA PROCESO LOS DATOS DEL  GLOBAL MOVILITY REPORT DE GOOGLE

#https://www.google.com/covid19/mobility/



gmr<-read.csv("Global_Mobility_Report.csv",header = TRUE)

#soloQuerétaro

gmrQro<-subset(gmr,gmr$iso_3166_2_code=="MX-QUE")

gmrQro$mes<-substr(gmrQro$date,6,7)

rubros<-names(gmrQro)[9:14]

variacionMensual<-as.data.frame(unique(gmrQro$mes))



for (i in 9:14) {

  a<-aggregate(gmrQro[,i]~gmrQro$mes,gmrQro,mean)[2]

  variacionMensual<-cbind(variacionMensual,a)

}

names(variacionMensual)<-c("Mes",names(gmrQro)[9:14])







incidencia2<-incidencia[2:6,]

variacionMensual2<-variacionMensual[1:5,]

incidencia3<-cbind(incidencia2,variacionMensual2)





#Tiendas y ocio

#Supermercados y farmacia

#Parques

#Estaciones de transporte

#Lugares de trabajo

#Zonas residenciales

Movilidad y delito

Los gráficos muestran una estrecha relación entre movilidad y carpetas de investigación. Es posible que al disminuir la movilidad hayan disminuidos los delitos (lo que tiene sentido teórico), pero también es posible que lo que haya disminuido sea simplemente la denuncia.

Sin embargo, si bien es posible que lo que haya variado sea la denuncia y no el delito (y es probable que ello sea parte importante de la explicación en los reusltados que presentamos a continuación), si sólo hubiera bajado la denuncia, el comportamiento debería ser más o menos homogéneo en todos los delitos.