Dinámica de la denuncia de delitos de alto impacto en municipios: un enfoque multifactorial
| dc.date.created | 2012 | |
| dc.description.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. | |
| dc.description.abstractenglish | This paper presents an analytical model for reporting high-impact crimes in Colombian municipalities, using data mining and machine learning tech-niques. The CRISP-DM methodology was employed to integrate official crime, demographic, and judicial data. Cluster analysis (K-means) was used to identify relevant geographic patterns, and a neural network was employed to classify crime levels (High, Medium, Low) with 91.8% accuracy. outper-forming other evaluated models such as Random Forest, Naive Bayes, and Logistic Regression. With a weighted average F1-score of 0.92, the model ef-fectively classifies crime levels, highlighting its high capacity to correctly identify high- and low-level criminality classes (recall of 0.93 and 0.97, re-spectively) and offering promising performance across all categories. The re-sults revealed that incorporating normalized rates and procedural variables improves the model’s predictive performance, supporting the design of em-pirically grounded, territorially focused public security policies. | |
| dc.format.extent | 18 páginas | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12010/38699 | |
| dc.language.iso | es | |
| dc.relation.references | 1. Akpinar, N.-J., De-Arteaga, M., & Chouldechova, A. (2021). The effect of differential victim crime reporting on predictive policing systems. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency. | |
| dc.relation.references | 2. Barragán, J. (2021). Estrategias de prevención de delitos de alto impacto en la ciudad de Bogotá, Estrategias de prevención de delitos de alto impacto en la ciudad de Bogotá, el caso del cuadrante empresarial de Santa Bárbara. Universidad Militar Nueva Grana-da, 7. | |
| dc.relation.references | 3. Céspedes, E., & Peñalosa, M. (2016). Microextorsión en Colombia: caracterizando el delito desde Medellín, Cartagena y Bogotá*, 2011-2014. Revista Criminalidad. | |
| dc.relation.references | 4. Chaparro, R. (2013). La Delincuencia Común y su Incidencia en la Sociedad de Co-lombia. Universidad Militar Nueva Granada, 8. | |
| dc.relation.references | 5. Chavarro, M. C. A. (2023). Crimen y Factores Económicos en Medellín: Un Estudio de Predicción con Machine Learning (Doctoral dissertation, Universidad del Rosario Bogo-tá). | |
| dc.relation.references | 6. Departamento Administrativo Nacional de Estadística [DANE]. (2023). Proyecciones de población. https://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-y-poblacion/proyecciones-de-poblacion | |
| dc.relation.references | 7. Estupiñán, L., & León, M. (2020). Una apuesta hacia el acceso a la justicia. Caso Puer-to Toledo. Revista Entornos, 32-41. | |
| dc.relation.references | 8. Fiscalía General de la Nación. (2025). Conteo de Procesos V2. Datos.gov.co. https://www.datos.gov.co/Justicia-y-Derecho/Conteo-de-Procesos-V2/6d52-qyqg/about_data | |
| dc.relation.references | 9. Fontalvo Herrera, T. J., Vega Hernández, M. A., & Mejía Zambrano, F. (2023). Método de clustering e inteligencia artificial para clasificar y proyectar delitos violentos en Co-lombia. Revista científica General José María Córdova, 21(42), 551–572. https://doi.org/10.21830/19006586.1117 | |
| dc.relation.references | 10. Fraile, P., & Bonastra, Q. (2011). Espacio, Delincuencia y Seguridad: Hacia el Diseño de un Modelo de Análisis territorial. Boletín de la asociación de geografos españoles, 132. | |
| dc.relation.references | 11. Giraldo Alegría, S. A., Ordoñez Palacios, L. E., Bucheli Guerrero, V., & Ordoñez Era-zo, H. (2020). Modelo de redes neuronales para predecir la tendencia de víctimas de secuestro en Colombia. Investigación e Innovación en Ingenierías, 8(3), 38–49. https://doi.org/10.17081/invinno.8.3.4702 | |
| dc.relation.references | 12. Gómez, O., & Zapata, S. (2020). Efectividad de la política criminal colombiana hacia la prevención del delito. Revista Criminalidad, 103-118. | |
| dc.relation.references | 13. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Luxemburgo: Springer. | |
| dc.relation.references | 14. IBM. (2020). Mercado de análisis geoespacial. https://www.ibm.com/mx-es/topics/geospatial-data | |
| dc.relation.references | 15. Jenga, K., Catal, C., & Kar, G. (2023). Machine learning in crime prediction. Journal of Ambient Intelligence and Humanized Computing, 14(3), 2887–2913. https://doi.org/10.1007/s12652-023-04530-y | |
| dc.relation.references | 16. López Sotelo, J. A. (2023). Deep Learning : teoría y aplicaciones / Jesús Alfonso López Sotelo. Marcombo. | |
| dc.relation.references | 17. Mandalapu, V., Elluri, L., Vyas, P., & Roy, N. (2023). Crime prediction using machine learning and deep learning: A systematic review and future directions. IEEE access: practical innovations, open solutions, 11, 60153–60170. https://doi.org/10.1109/access.2023.3286344 | |
| dc.relation.references | 18. Mohor, A., & Covarrubias, V. (2006). Impacto de la reforma procesal penal en indica-dores de seguridad ciudadana. Revista Electrónica Agenda Pública. | |
| dc.relation.references | 19. Policía Nacional de Colombia. (2008). Criminalidad. https://www.policia.gov.co/sites/default/files/Criminalidad.html#:~:text=En%20especial%20los%20delitos%20de,la%20extorsi%C3%B3n%20y%20el%20homicidio. | |
| dc.relation.references | 20. Pulido, A. (2021). Impacto del delito en el municipio de Sopó durante 2018, 2019 y 2020, como minimizar su incidencia. Universidad Militar Nueva Granada, 4. | |
| dc.relation.references | 21. Reyes, M. (2019). El populismo punitivo en los delitos sexuales en Colombia. Pontifi-cia Universidad Javeriana, 57-78. | |
| dc.relation.references | 22. Salazar Isairias, S. (2024). Predicción geoespacial de crímenes en Bogotá: un enfoque basado en Machine learning para mejorar la seguridad ciudadana. Universidad de los Andes. Disponible en: https://hdl.handle.net/1992/73858 | |
| dc.relation.references | 23. Sandoval, L., & Martinez, D. (2008). Una revisión al estudio de la delincuencia y cri-minalidad. Revista Facultad de Ciencias Económicas: Investigación y Reflexión. | |
| dc.relation.references | 24. Suárez Ruiz, Y. M., & Bedoya Cruz, A. F. (2023). Modelo de clasificación y predic-ción de delitos de alto Impacto en la ciudad de Bogotá. Universidad de La Sabana. | |
| dc.relation.references | 25. Tamarit, J., Abad, J., & Hernadez, P. (2015). Las víctimas de abuso sexual infantil ante el sistema de justicia penal: estudio sobre sus actitudes, necesidades y experiencia. Re-vista De Victimología, 37. | |
| dc.relation.references | 26. Wheeler, A. P., & Steenbeek, W. (2021). Mapping the risk terrain for crime using ma-chine learning. Journal of Quantitative Criminology, 37(2), 445–480. https://doi.org/10.1007/s10940-020-09457-7 | |
| dc.relation.references | 27. Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a Standard Process Model for Data Mining. 1-11. https://bit.ly/4acfOGU | |
| dc.relation.references | 28. Zhang, X., Liu, L., Xiao, L., & Ji, J. (2020). Comparison of machine learning algo-rithms for predicting crime hotspots. IEEE access: practical innovations, open solutions, 8, 181302–181310. https://doi.org/10.1109/access.2020.3028420 | |
| dc.subject | Criminalidad | |
| dc.subject | Delincuencia | |
| dc.subject | Modelo estadístico | |
| dc.subject | Política criminal | |
| dc.subject | Prevención del crimen | |
| dc.subject | Procedimientos legales | |
| dc.subject.keyword | Criminality | |
| dc.subject.keyword | Delinquency | |
| dc.subject.keyword | Statistical model | |
| dc.subject.keyword | Criminal policy | |
| dc.subject.keyword | Crime prevention | |
| dc.subject.keyword | Legal proceedings | |
| dc.subject.keyword | Crime rates | |
| dc.subject.keyword | Offending | |
| dc.title | Dinámica de la denuncia de delitos de alto impacto en municipios: un enfoque multifactorial | |
| dc.type.coar | http://purl.org/coar/resource_type/c_2df8fbb1 |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- Dinámica de la denuncia de delitos de alto impacto en municipios, un enfoque multifactorial.pdf
- Tamaño:
- 311.27 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Tesis