Análisis de la violencia armada en Rosario, Argentina, mediante el ajuste de modelos jerárquicos bayesianos

Autores/as

DOI:

https://doi.org/10.35305/s.v15i2.263

Palabras clave:

Estructura espacial, INLA, Exceso de ceros

Resumen

La ciudad de Rosario, Argentina, padece desde hace años altos niveles de violencia armada, por lo que conocer su distribución espacial aporta elementos importantes para diseñar y ejecutar políticas públicas. El objetivo del presente trabajo es obtener estimaciones suavizadas de las tasas de heridos por arma de fuego según áreas de la ciudad para su posterior georreferenciamiento. Se ajustaron modelos jerárquicos bayesianos que tienen en cuenta la supuesta correlación espacial y la gran cantidad de conteos nulos presente en los datos. El mapeo de las tasas estimadas permitió una clara visualización de las variaciones zonales facilitando la identificación de la zona centro de la ciudad como la de menor riesgo de violencia armada y la zona sur, la de mayor riesgo

Citas

Assunção, R. M. y Reis, E. A. (1999). A new proposal to adjust Moran´s I for population density. Statistics in Medicine, (18), 2147-2162. https://doi.org/10.1002/(sici)1097-0258(19990830)18:16<2147::aid-sim179>3.0.co,2-i

Beltrame, S. (2015). Muertes por homicidios y su relación con las desigualdades sociales. Argentina 2001-2010 (Tesis de Maestría). Rio de Janeiro, Brasil: Escola Nacional de Saúde Pública Sergio Arouca.

Besag, J., York, J. y Mollié, A. (1991). Bayesian image restoration, with two applications in spatial statistics. Annals of the Institute of Statistical Mathematics, 43(1), 1-20. https://doi.org/10.1007/BF00116466

Blangiardo, M. y Cameletti, M. (2015). Spatial and spatio-temporal Bayesian models with RINLA. John Wiley & Sons.

Bonat, W. H. y Ribeiro, P. J. (2015). Practical likelihood analysis for spatial generalized linear mixed models. Environmetrics, 27(2), 83–89. https://doi.org/10.1002/env.2375

Cardona, O. D. (2001). Estimación holística del riesgo sísmico utilizando sistemas dinámicos complejos (Tesis Doctoral). Barcelona, España: Universidad Politécnica de Catalunya.

Dirección General de Estadística de la Municipalidad de Rosario. (2018). Anuario de Población y Estadísticas Vitales. https://www.rosario.gob.ar/ArchivosWeb/anuario_2018.pdf.

Gómez-Rubio, V. (2020). Bayesian Inference with INLA. CRC Press.

Hu, T., Zhu, X., Duan, L. y Guo, W. (2018). Urban crime prediction based on spatio-temporal Bayesian model. PLOS ONE, 13(10), 1-18. https://doi.org/10.1371/journal.pone.0206215

Iazzetta, M. (2020). Crimen desorganizado y mercados ilegales de droga en la ciudad de Rosario. Revista de la Escuela de Antropología, (27), 1-13. https://doi.org/10.35305/revistadeantropologia.v0iXXVII.119

INDEC [Instituto Nacional de Estadística y Censos].(2010). Censo Nacional de Población, Hogares y Viviendas 2010. Buenos Aires, Argentina: Instituto Nacional de Estadística y Censos. Recuperado de Base de datos REDATAM en https://www.indec.gob.ar/indec/web/Nivel4-Tema-2-41-135

Khana, D., Rossen, L. M., Hedegaard, H. y Warner, M. (2018). A Bayesian spatial and temporal modeling approach to mapping geographic variation in mortality rates for subnational areas with R-INLA. Journal of Data Science, 16(1), 147-182.

Law, J., Quick, M. y Chan, P. (2014). Bayesian spatio-temporal modeling for analyzing local patterns of crime over time at the small-area level. Journal of Quantitative Criminology, 30(1), 57-78. https://doi.org/10.1007/s10940-013-9194-1

Luan, H., Quick, M. y Law, J. (2016). Analyzing local spatio-temporal patterns of police calls-for-service using Bayesian integrated nested Laplace approximation. International Journal of Geo-Information, 5(9), 162-177. https://doi.org/10.3390/ijgi5090162

Madden, J. M., McGrath, G., Sweeney, J., Murray, G., Tratalos, J. A. y More, S. J. (2021). Spatio-temporal models of bovine tuberculosis in the Irish cattle population, 2012-2019. Spatial and Spatio-temporal Epidemiology, 39, 100441. https://doi.org/10.1016/j.sste.2021.100441

McNeish, D. (2016). On using Bayesian methods to address small sample problems. Structural Equation Modeling: A Multidisciplinary Journal, 23(5), 750-773. https://doi.org/10.1080/10705511.2016.1186549

Militino, A. F., Ugarte, M. D. y Dean, C. B. (2001). The use of mixture models for identifying high risks in disease mapping. Statistics in Medicine, 20(13), 2035-2049. https://doi.org/10.1002/sim.821

Ministerio de Seguridad de la Nación, Sistema Nacional de Información Criminal. (2020). Estadísticas Criminales. República Argentina 2020. https://estadisticascriminales.minseg.gob.ar/reports/InformeSNIC2020.pdf

Moran, P. A. (1950). Notes on continuous stochastic phenomena. Biometrika, 37(1), 17-23. https://doi.org/10.1093/biomet/37.1-2.17

Observatorio de Seguridad Pública (2020). Reporte anual Homicidios Provincia de Santa Fe Año 2020. https://www.santafe.gob.ar/ms/osp/informes/informe-anual-sobre-homicidios-en-provincia-de-santa-fe-2020/

ONU-Habitat y Universidad Alberto Hurtado (2009). Guía para la prevención local hacia políticas de cohesión social y seguridad ciudadana. Santiago de Chile, Chile: UN-HABITAT y Universidad Alberto Hurtado.

PNUD [Programa de las Naciones Unidas para el Desarrollo]. (2013). Informe Regional de Desarrollo Humano 2013-2014. Seguridad Ciudadana con Rostro Humano: diagnóstico y propuestas para América Latina. Nueva York, EEUU: Programa de las Naciones Unidas para el Desarrollo.

Rettberg, A. (2020). Violencia en América Latina hoy: manifestaciones e impactos. Revista de Estudios Sociales, (73), 2-17. https://doi.org/10.7440/res73.2020.01

RStudio Team (2020). RStudio: Integrated Development Environment for R. RStudio. Boston, EEUU: PBC. URL http://www.rstudio.com/.

Rue, H., Martino, S. y Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society. Series B: statistical methodology, 71(2), 319-392. https://doi.org/10.1111/j.1467-9868.2008.00700.x

Ruiz, L. (2019). Elaboración de índices de vulnerabilidad ante amenaza de inundaciones para la ciudad de Rosario, provincia de Santa Fe, Argentina, aplicando distintas metodologías multivariadas (Tesina de grado). Rosario, Argentina: Universidad Nacional de Rosario. https://fcecon.unr.edu.ar/web-nueva/practicas-profesionales-aprobadas.

Schmidt Strano, E., Borra, V. L. y Boggio, G. S. (26-30 de abril de 2021). Estudio de la violencia armada en Rosario mediante modelos jerárquicos Bayesianos. Vigesimoquintas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística. Rosario, Argentina: Universidad Nacional de Rosario. [http://hdl.handle.net/2133/20811]

Secretaría de Integración Socio Urbana del Ministerio de Desarrollo Social. (2021). Mapa de los barrios populares de Argentina. Registro Nacional de Barrios Populares. https://datos.gob.ar/dataset/desarrollo-social-registro-nacional-barrios-populares

Spiegelhalter, D. J., Best, N. G., Carlin, B. P. y Van Der Linde, A. (2002). Bayesian measures of model complexity and fit. Journal of the Royal Statistical Society. Series B: statistical methodology, 64(4), 583-639. https://doi.org/10.1111/1467-9868.00353.

Vilalta, C., Lopez-Ramirez, P. y Fondevila, G. (2021). The spatial diffusion of homicide in Mexico City: a test of theories in context. Global Crime, 22(3), 222-239. https://doi.org/10.1080/17440572.2021.1909480.

Walder, A. y Hanks, E. M. (2019). Bayesian analysis of spatial generalized linear mixed models with Laplace moving average random fields. Computational Statistics & Data Analysis. https://doi.org/10.1016/j.csda.2019.106861

Watanabe, S. y Opper, M. (2010). Asymptotic equivalence of Bayes cross validation and widely applicable information criterion in singular learning theory. Journal of Machine Learning Research, 11(12), 3571-3594.

Zeileis, A., Kleiber, C. y Jackman, S. (2008). Regression models for count data in R. Journal of Statistical Software, 27(8), 1-25. https://doi.org/10.18637/jss.v027.i08.

Descargas

Publicado

2023-12-29

Cómo citar

Schmidt Strano, E., Borra, V., & Boggio, G. (2023). Análisis de la violencia armada en Rosario, Argentina, mediante el ajuste de modelos jerárquicos bayesianos. SaberEs, 15(2), 177–194. https://doi.org/10.35305/s.v15i2.263

Número

Sección

Artículos