Dinámica de la denuncia de delitos de alto impacto en municipios: un enfoque multifactorial

Abstract

Este artículo presenta un modelo analítico para reportar crímenes de alto impacto en municipios colombianos, utilizando técnicas de minería de datos y aprendizaje automático. Se empleó la metodología CRISP-DM para integrar datos oficiales de criminalidad, demográficos y judiciales. Se usó análisis de clústeres (K-means) para identificar patrones geográficos relevantes, y se empleó una red neuronal para clasificar los niveles de criminalidad (Alto, Medio, Bajo) con un 91.8% de precisión, superando el rendimiento de otros modelos evaluados como Random Forest, Naive Bayes y Regresión Logística. Con un f1-score promedio ponderado del 0.92, el modelo clasifica los niveles de criminalidad eficazmente, destacando su alta capacidad para iden-tificar correctamente las clases de alto y bajo nivel de criminalidad (recall 0.93 y 0.97 respectivamente) y ofreciendo un rendimiento prometedor en todas las categorías. Los resultados revelaron que la incorporación de tasas normalizadas y variables procedimentales mejora el rendimiento predictivo del modelo, apoyando el diseño de políticas de seguridad pública con base empírica y enfoque territorial.