David Buil-Gil
Investigador predoctoral en la Universidad de Manchester
Tratar de comprender un hecho desviado sin contemplar el ambiente en el que ocurre tiene el mismo sentido que querer crear lejía a partir de sodio y oxígeno, olvidando el cloro. El espacio es parte indispensable de la etiología de los comportamientos desviados, así como de las emociones y actitudes que los ciudadanos tenemos respecto a la criminalidad, siendo ésta la base para el creciente uso de las técnicas de análisis espacial en criminología, las cuales hacen uso de los denominados Sistemas de Información Geográfica (Vozmediano Sanz & San Juan Guillén, 2011; Wortley & Mazerolle, 2008).
Conociendo las coordenadas geográficas de los diferentes delitos cometidos en una ciudad, podemos reflejar tales incidentes sobre el mapa y conocer en qué zonas existe una mayor concentración de eventos criminales, así como a qué horas y en qué días de la semana se concentran los mismos[1]. Ya vemos, aquí, que el tamaño sí importa al realizar análisis espaciales en criminología: tener información acerca del número de crímenes cometidos en un barrio entero no permite el mismo nivel de precisión en el análisis que conocer las coordenadas exactas de dichos hechos, y por ende tampoco en las intervenciones que se puedan derivar de ello. Mejor pequeño. Sin embargo, no siempre es posible tal nivel de precisión al realizar análisis espaciales. Ya sea por la naturaleza del fenómeno de interés criminológico, o por la metodología de recolección de los datos, muy frecuentemente trabajamos con datos provenientes de encuestas por muestreo. Éstas se caracterizan, entre otros, por estar diseñadas para recoger muestras representativas de territorios definidos y, a menudo, grandes, ya sea un país, una región o una ciudad. En otras palabras, cuando trabajamos con datos recogidos a partir de encuestas, las técnicas tradicionales de análisis espacial únicamente nos permiten georreferenciar los datos al nivel espacial para el que ha sido diseñada la encuesta. Por ejemplo, si la muestra de la Encuesta de Seguridad Pública de Catalunya está diseñada para ser representativa de toda la población de Catalunya, las muestras recogidas en cada una de las comarcas catalanas raramente serán representativas de la población de las mismas, pudiendo incluso existir comarcas con menos de 5 personas encuestadas. Pese a ello, frecuentemente precisamos conocer la distribución de ciertas variables a niveles geográficos bajos. Es aquí donde entran en juego las técnicas de estimación en áreas pequeñas, o small area estimation techniques (Rao & Molina, 2015).
Se trata, en última instancia, de un conjunto de metodologías estadísticas que buscan producir estimaciones fiables de las medias o de los totales de variables específicas a un nivel geográfico más bajo que el originalmente planeado por la encuesta (Rao & Molina, 2015). Gracias a estas técnicas podemos asumir, en determinadas circunstancias, que no es necesario incrementar la muestra –ni el coste de recogida de datos– para poder producir estimaciones fiables a nivel geográfico pequeño. Por ejemplo, podemos tener estimaciones de la victimización no detectada, de la preocupación por el crimen, de la tasa de denuncia, o de las percepciones de desórdenes, a nivel de barrio cuando la encuesta está diseñada para ser representativa de toda la ciudad, o a nivel de región en muestras representativas de todo un país.
Durante las últimas décadas del Siglo XX e inicios del XXI, se han desarrollado diferentes aproximaciones metodológicas a la estimación en áreas pequeñas con el fin de lograr estimaciones con el mínimo sesgo y la mínima variabilidad posible. Pese a que no es el objetivo de este artículo introducirlas todas ellas, sí que cabe hacer una breve mención a aquellas que son más aplicables a las variables de interés criminológico: (a) la estimación directa en áreas pequeñas hace uso únicamente de los datos recogidos por la encuesta en el área en cuestión, así como los pesos muestrales, para obtener estimaciones sin sesgo, aunque las mismas son poco fiables en las áreas con muestras más pequeñas; (b) la estimación sintética basada en regresiones parte de un modelo ajustado a partir de covariables a nivel de área que permite obtener estimaciones incluso para aquellas áreas con ningún sujeto encuestado, aunque pueden estar altamente sesgadas por el modelo seleccionado; (c) la estimación Empirical Best Linear Unbiased Predictor (EBLUP) basada en el modelo Fay-Herriot combina las estimaciones directas y las sintéticas, dando un mayor peso –a través del shrinkage factor– a la estimación directa o a la parte sintética dependiendo del nivel de fiabilidad de las mismas, logrando así reducir el sesgo y la variabilidad en las estimaciones obtenidas en las diferentes áreas; y (d) la estimación EBLUP espacial añade un efecto aleatorio derivado de una matriz de contigüidad espacial a la estimación EBLUP, con el fin de obtener fortaleza en la estimación a partir de las zonas contiguas e incrementar todavía más su nivel de fiabilidad (Pfeffermann, 2013; Rao & Molina, 2015). También existen aproximaciones bayesianas a la estimación en áreas pequeñas.
A pesar de que la mayoría de las publicaciones científicas sobre estimación en áreas pequeñas se centran en la parte metodológica, o estadística si se prefiere, un importante grupo de investigadores de diferentes rincones del Planeta se encuentra actualmente aplicando dichas técnicas para producir estimaciones fiables de fenómenos sociales (e.g. desempleo, pobreza, crimen). Ha sido especialmente durante los últimos 5 años que dichas técnicas han empezado a aplicarse, con mayor o menor fortuna, en criminología (e.g. Buil-Gil & Moretti, 2016; Taylor, 2013; Whitworth, 2012). En la actualidad, me encuentro realizando la tesis doctoral en la Universidad de Manchester sobre la aplicación de las técnicas EBLUP y EBLUP espacial a nivel de área para el estudio espacial de fenómenos como las percepciones de desórdenes o la preocupación por el crimen, logrando desarrollar estimaciones con un alto nivel de fiabilidad al nivel deseado.
Las pasadas líneas han tratado de mostrar que en análisis espacial, el tamaño sí importa, y las técnicas de estimación en áreas pequeñas pueden ser la herramienta adecuada para una visión algo más micro, y algo menos macro, de la desviación y las actitudes ciudadanas respecto al crimen.
Referencias
Buil-Gil, D. & Moretti, A. (2016). Small Area Estimation for targeting hot-spot policing interventions. Retrieved from British Society of Criminology Policing Network: https://bscpolicingnetwork.com/2016/12/20/small-area-estimation-for-targeting-hot-spot-policing-interventions/
Pfeffermann, D. (2013). New important developments in Small Area Estimation. Statistical Science, 28 (1), 40-68.
Rao, J.N.K. & Molina, I. (2015). Small Area Estimation. Second edition. Hoboken: Wiley.
Rattcliffe, J. H. (2002). Damned if you don’t, damned if you do: Crime mapping and its implications in the real world. Policing and Society, 12(3), 211-225.
Taylor, J. (2013). Small Area Synthetic Estimation of perceptions of alcohol and drug-related anti-social behaviour. PhD thesis, University of Portsmouth.
Vozmediano Sanz, L. & San Juan Guillén, C. (2011). Criminología Ambiental. Ecología del delito y de la seguridad. Barcelona: Editorial UOC.
Whitworth, A. (2012). Sustaining evidence-based policing in an era of cuts: Estimating fear of crime at small area level in England. Crime Prevention & Community Safety, 14 (1), 48-68.
Wortley, R. & Mazerolle, L. (2008). Environmental Criminology and Crime Analysis: Situating the theory, analytic approach and application. En R. Wortley & L. Mazerolle (Eds.) Environmental Criminology and Crime Analysis (pp. 1-18). New York: Routledge.
[1] Ver Rattcliffe (2002) para profundizar en algunas de las principales limitaciones que el crime mapping tiene al ser aplicado con datos reales.
Red Española de Jóvenes Investigadores en Criminología 