1. Introducción

El robo a casa habitación es distinto de todos los demás robos. Al ocurrir en el espacio donde nos sentimos más seguros, mina nuestra seguridad ontológica, nuestra confianza en los vecinos y en las autoridades. Nos muestra, más que ningún otro delito, que somos vulnerables.

Así, lo único peor que sufrir un robo a casa habitación es sufrir dos. La victimización repetida es común en este delito. En el curso de un año, en el estado de Querétaro, en México, se registraron 58.297 robos en 44.355 viviendas, lo que indica que muchos hogares víctimas lo fueron al menos dos veces, según datos de la Encuesta Nacional de Victimización y Percepción sobre Seguridad Pública (ENVIPE) 2021, realizada por el Instituto Nacional de Estadística y Geografía (inegi).

Junto al fenómeno de la victimización múltiple, ocurre el near-repeat: el mismo delito ocurre a solo unas casas. En ambos casos, se forman hotspots: lugares donde la ocurrencia del delito es tan común que es predecible (^{Sherman, 1995}). Los hotspots se forman porque quien sabe robar en una casa, sabe robar en todas las de la zona, y cada vez que un robo sale bien muestra a otros ofensores que la zona es vulnerable. Cuando roban al vecino, yo soy vulnerable.

Para evitar ser víctimas de robo a casa habitación reforzamos puertas o ventanas. Cambiamos cerraduras y candados. Colocamos rejas y bardas. Compramos armas. A nivel nacional, en 2020 gastamos 92.379 millones de pesos en medidas para protegernos del delito, de acuerdo con la ENVIPE 2021. Aun así, solo en robo a casa habitación se perdieron 19.100 millones de pesos. ¿Deberíamos invertir más? ¿Algo de esto sirve? La cuestión es si los esfuerzos individuales pueden prevenir el delito o solo lo haría la movilización de recursos externos.

En este artículo intentamos contribuir al estudio de la geografía del delito a micronivel en sociedades en desarrollo y, en particular, fuera del contexto de los países de habla inglesa. Sometemos a prueba empírica la teoría de las incivilidades y la teoría del control público para explicar la formación de hotspots de robo a casa habitación en la Zona Metropolitana de Querétaro (ZMQ), en México.

La ZMQ es la octava más importante en México. Se compone de 38 localidades comprendidas en los municipios de Querétaro, Corregidora, Huimilpan y El Marqués. El caso de Querétaro es relevante por su acelerado crecimiento, motivado más por la inmigración que por el crecimiento natural de la población (^{Cruz & Elías, 2018}), que sigue al capital inmobiliario y la inversión extranjera (^{García Estrada, 2022}). El rápido crecimiento detonó el proceso de metropolización (^{Rojas Navarrete, 2019}). Estas condiciones de rápido crecimiento asemejan a las condiciones propicias para el desorden y el delito estipuladas por las teorías de la geografía del delito (^{Cohen & Felson, 1979}; ^{Sanz, 2006}).

En el marco de estas teorías, se habla de hotspot cuando los delitos se concentran en un periodo de tiempo y una región. ^{Ratcliffe (2004}) habla de áreas con alta intensidad criminal, en tanto Martin ^{Short et al. (2008}) los definen como agregados espaciotemporales de eventos criminales y ^{Anselin et al. (2000}) como lugares específicos o áreas pequeñas con un límite identificable en las que se concentran los incidentes delictivos.

Explicar un hotspot es distinto de explicar la incidencia delictiva: el problema no es por qué hay tal cantidad de delito, sino por qué los ofensores deciden actuar siempre en el mismo lugar. En este artículo aplicamos una metodología innovadora sobre un problema no resuelto. Acorde con la naturaleza del problema, utilizamos modelos de procesos de puntos Poisson. A diferencia de un modelo de regresión tradicional, los procesos de puntos no parten de unidades discretas en lugares fijos para investigar porqué toman (o no) cierto valor. En cambio, parten de un espacio continuo, pero inhomogéneo, en el que un proceso subyacente genera una distribución contingente de puntos. No se investiga si un punto tomará un cierto valor; más bien, la pregunta es si en una región aparecerá un punto.

El artículo comienza por exponer la teoría, con sus variables y evidencia; después presentamos los métodos y los materiales; en la tercera parte se da cuenta de los hotspots de robo a casa habitación que localizamos en la Zona Metropolitana de Querétaro y también se muestran los resultados del modelo de proceso de puntos que los explica; por último, la discusión expone la manera como nuestros hallazgos afectan nuestra capacidad colectiva de explicar la geografía del delito. El estudio muestra que el precio de la vivienda guarda una relación negativa con el robo a casa habitación; las viviendas de bajo costo configuran un dispositivo territorial que favorece el delito, aunque los esfuerzos privados por controlar el territorio pueden tener efectos paliativos. Nuestros hallazgos también apuntan a que el delito es un fenómeno que debe analizarse (y prevenirse) a varias escalas, y que los rasgos físicos interactúan con la dinámica social para crear entornos seguros e inseguros.

2. Métodos y materiales

2.2. Variables

La variable dependiente, el robo a casa habitación, fue definida a la usanza del Inegi en la Encuesta Nacional de Victimización (ENVIPE): es un delito contra el patrimonio, consistente en el apoderamiento, sin el consentimiento del dueño, de los objetos que se encuentren dentro de casas, apartamentos o cualquier otro tipo de vivienda. Este tipo de robo puede implicar allanamiento con engaño o violencia; en la encuesta, se capta mediante el reactivo: "¿Durante el año 2016, alguien entró a su casa o departamento sin permiso mediante el uso de la fuerza o por engaños y robó o intentó robar?", que solo admite dos repuestas: sí (1) o no (0). Las variables relativas a las incivilidades se operacionalizaron en la forma descrita en la Tabla 1.

TABLA 1 Operacionalización de variables de la EMICT: territorialidad, espacio defendible e incivilidades físicas 

FUENTE: elaboración propia con base en revisión bibliográfica.

En calidad de variables de control, se proponen variables propias de la teoría de la desorganización social. Se ha incluido el nivel socioeconómico de la vivienda, medido por la norma de la Asociación Mexicana de Agencias de Inteligencia de Mercado y Opinión AC (AMAI, 2020), que pondera rasgos de la vivienda para estimar hábitos de consumo, con base en modelos logísticos aplicados a la Encuesta Nacional de Ingreso y Gasto de los Hogares del Inegi. También se consideran el ingreso, los años de residencia en la vivienda y el número de menores de edad. Además, la presencia de personas separadas y en situación de desempleo se incluye en la forma de dos variables dummy con valores 0 y 1 que indican de forma respectiva ausencia y presencia. Por último, se considera el número de viviendas en la manzana que incluye al punto. Esta medida se obtiene del censo nacional de población y vivienda 2010.

Para el estatus, observado mediante el precio de la vivienda, se procedió mediante web scraping, recolección automatizada de datos de un sitio web sin uso de una API del proveedor (^{Mitchell, 2015}, p. 9). Un webscraperr accesa a páginas web, encuentra los elementos o nodos con el contenido requerido, los extrae y los almacena en un conjunto de datos estructurado (^{Boeing & Waddell, 2016}).

El precio de la vivienda funciona como un proxy del estatus y del control público. Para la generación de esta variable se siguieron varios procedimientos: 1) los datos se obtuvieron mediante web scraping del sitio Me-troscubicos.com, dedicado a anunciar inmuebles; se seleccionaron los casos en Querétaro y mediante la librería Beautiful Soup de Python se obtuvieron 29.763 registros aproximadamente; 2) tras eliminar duplicados, la base de datos consta realmente de aproximadamente 3.000 registros, de los cuales se conservaron 2.730 puntos tras eliminar los errores más evidentes (viviendas con precios inferiores a 100.000 pesos o superiores al billón), que podrían deberse a rentas clasificadas como ventas o simples errores de captura; 3) los registros obtenidos se geocodificaron mediante herramientas de Awesome Tables y de Doogal.co.uk (este paso es innecesario cuando es posible extraer directamente las coordenadas).

Sobre los datos de vivienda pesa un sesgo de auto-selección: solo es posible recuperar información de las viviendas que se ofertan en línea. Es probable que los precios extremos, altos y bajos, no figuren. En las localidades más alejadas y pobres hay muy pocos registros. Sin embargo, la variabilidad en los precios y en las localizaciones es suficiente para dar cuenta de la distribución de los precios y es adecuada para el modelo en la medida en que el análisis no procede caso por caso, sino a partir de la intensidad del proceso en el lugar. Aunque la calidad de los datos obtenidos por este medio dista de tener calidad experimental, su utilidad para explorar y generar hipótesis ha sido ampliamente discutida (^{Boeing & Waddell, 2016}; ^{Chen et al., 2014}; ^{Chow, 2011}; ^{Meneses Rocha, 2018}).

2.3. El proceso de puntos Poisson

De forma típica, la detección de hotspots se realiza mediante el uso de distribuciones Poisson. Al menos desde Sherman (^{Díaz Román, 2021}; Sherman et al., 1989), se ha utilizado para probar que la distribución del delito no es aleatoria; los procesos de puntos Poisson extienden estos métodos para explicar y no meramente para describir. Más aún, permiten trabajar con un espacio continuo, restringido a puntos fijos y no fragmentado en polígonos arbitrarios, que suelen acompañarse de los problemas de cambio de soporte y de unidad de área modificable (^{Baddeley et al., 2010}; ^{Wong, 2004}), con las consecuentes falacias ecológicas (^{Weisburd et al., 2009}). El creador del método, Adrian Baddeley et al. (Baddeley et al., 2016), considera que si bien los lugares (casas) donde ocurre un delito son fijos y por lo tanto más aptos para un análisis geoestadístico, el ofensor no está fijo en ningún lado. El proceso de selección de blancos de un ofensor móvil puede ser modelado mediante un proceso de puntos, en la medida en que cualquier lugar con viviendas es, en principio, un blanco potencial.

Un proceso de puntos analiza la intensidad de un proceso en una región del espacio observable. Las ubicaciones muestreadas sirven para modelar el proceso generador subyacente que hace que surjan puntos (eventos). Los puntos observados se conciben como realizaciones aleatorias de este proceso. Es decir, no se modela el valor que toma una unidad localizada en un punto XY, sino la intensidad del proceso en ese punto.

La región de análisis es definida como una ventana de observación. La ventana debería estar definida por el problema de investigación. En este caso, al acotar el estudio a la Zona Metropolitana de Querétaro (ZMQ), la ventana se circunscribe desde el inicio.

Un tema más sensible es el de inhomogeneidad: la intensidad del proceso no es homogénea en la ventana, sino condicional al lugar. Existen motivos teóricos para asumir inhomogeneidad y es que, con la excepción de las contribuciones de Martin ^{Short y sus colaboradores (2010)}, la investigación revisada concede poca relevancia a la interacción entre ofensores (por más que la investigación de las redes criminales cobre importancia en otros nichos) como la fuerza principal en la geografía del delito; en principio, considerando la posibilidad de asimetrías espaciales o de variables que hacen más atractivo o menos riesgoso un blanco, cabe esperar que la distribución espacial del delito no sea homogénea. Esto no descarta la posibilidad de interacciones, sino que indica una decisión metodológica: buscar evidencia de interacciones solo tras controlar por inhomogeneidad. Las explicaciones no son excluyentes: Baddeley sugiere la posibilidad de que interacción e inhomogeneidad ocurran al mismo tiempo.

Para representar la intensidad del proceso se utiliza un mapa de calor, que a su vez necesita un ancho de banda; el ancho de banda óptimo en cada caso es reportado como sigma y ha sido calculado mediante un algoritmo de likelihood cross-validation (bw.ppl en Spatstat) que asume inhomogeneidad, generando hotspots pequeños, con un valor de 216,26 para el bandwidth y un alisamiento de tipo gaussiano. Los mapas de densidad muestran un claro alejamiento de un patrón completamente aleatorio (CSR)¹. Esto significa que los eventos criminales se concentran y que la intensidad del proceso no es homogénea.

En el ejercicio de modelado de los patrones de puntos que configuran hotspots, se ha generado un modelo de proceso de puntos log-lineal que considera al logaritmo de la intensidad del proceso de puntos como una función de la suma de los logaritmos de las covariables, esto es, considera que existe una relación no lineal entre el patrón observado y los valores de los potenciales predictores. Ello permite modelar procesos inhomogéneos y lidiar con situaciones de información incompleta (^{Diggle et al., 2013}), como cuando los datos se originan en un proceso de muestreo.

La estimación de la intensidad del proceso en cada punto está basada en un quadrature scheme. La información captada a nivel de punto con coordenadas X y Y se utiliza para calcular la intensidad variable del proceso en la ventana. La función de verosimilitud se calcula mediante una integral, aproximada mediante el cálculo en cuadratura: el quadrature scheme. Este método genera una cuadrícula a partir de los puntos y aproxima integrales por sumas finitas. El método crea teselas que se ponderan dividiendo el área entre el número de puntos (^{Baddeley & Turner, 1998}). La aproximación incluye una corrección por discontinuidad a partir de dummy points, es decir, puntos de muestreo donde no hubo delito. Cuadrículas pequeñas minimizan el peso de cada tesela y aumentan el valor de los coeficientes beta, pero a costa de contar con muchos espacios sin puntos, lo que genera errores en la estimación. Una cuadrícula de 10 x 10 reduce el espacio sin información, con un error de 2,1%, por debajo del 5% recomendado (Baddeley, 2023). Una estrategia alternativa a la cuadrícula es la creación de polígonos Dirichlet. Estos polígonos encierran solo un punto cada uno y se ponderan con su propia área al estimar la intensidad. En nuestro estudio, esta solución no produce resultados diferentes. En todos los casos, la cuadrícula sirve para estimar la intensidad del proceso en distintas zonas de la ventana, pero la unidad de análisis sigue siendo el punto.

Así, la intensidad λ del proceso en el punto u es función de las covariables Z en el mismo punto u, con parámetros β para el intercepto y θ para cada covariable (ecuación 1).

La intensidad de un proceso se explica por la intensidad de otros procesos. Cada uno funciona a diferente amplitud. Por ello, de forma similar a lo que ocurre con los modelos MGWR, la amplitud de los hotspots permite pensar en variables que operan a diferentes escalas (^{Fotheringham et al., 2017}).

En suma, en los modelos de proceso de puntos Poisson los datos se asocian a un espacio continuo, de manera que predicen la probabilidad de que aparezca un punto o un evento en una región; la localización específica del delito se considera una realización contingente. El modelo no predice si en una ubicación prefijada habrá o no un delito, sino la probabilidad de que ocurra cierta cantidad de delitos en alguna región del área de estudio: la intensidad del proceso en ese lugar.

FUENTE: elaboración propia con datos de EMICT (UNAM & UAQ, 2017).

FIGURA 1 Mapa de densidad para robo a casa habitación 

Como todo modelo de regresión, los procesos de puntos no bastan para establecer ni la existencia de relaciones causales ni su dirección. En el largo plazo, es posible que sea el delito el que devalúe las viviendas (^{Hipp, 2013}), aunque este tipo de relación solo se ha encontrado en el caso del vandalismo (^{Ceccato & Wilhelmsson, 2020}) y delitos violentos (^{Schwartz et al., 2003}). También es posible que ambos fenómenos sean independientes. Sin embargo, las relaciones propuestas tienen un sólido fundamento teórico y el método no se utiliza para establecer el vínculo causal, sino para medir la fuerza de la asociación entre nuestras variables.

3. Resultados

El punto de partida es la dimensión del problema. La estimación de la incidencia de robo a casa habitación es de 8.208 robos por cada 100.000 habitantes. Los resultados son confiables y válidos. Esto lo sabemos porque su coeficiente de variación es bajo, de 0,19, y el error estándar es bajo, de 540.000 robos, para un nivel de confianza del 90%. Los resultados de la encuesta EMICT están disponibles para consulta y descarga en el sitio web del proyecto, en delitoenqueretaro.com/antecedentes.html.

El delito se aglomera. Los datos muestran la formación de cuatro hotspots de robo a casa habitación: el mayor al noroeste de la ciudad, en la región que corresponde a la delegación Félix Osores, y tres menores al este.

En lo tocante a las incivilidades físicas, estas fueron registradas mediante una batería específica que acompañaba el cuestionario y se aplicó en las mismas viviendas donde se aplicó el cuestionario. Los resultados se describen en la Tabla 2.

TABLA 2 Incivilidades reportadas en la ZMQ 

FUENTE: elaboración propia con datos de EMICT (UNAM & UAQ, 2017).

El precio de la vivienda en Querétaro tiene un importante rango de variabilidad y las viviendas forman clústeres muy compactos en función de su precio, en rangos medios de 500 metros. De acuerdo con el análisis de los anuncios de venta de casas, el precio de las viviendas en Querétaro registradas en las ofertas de bienes raíces va de los 347.000 pesos hasta los 29 millones, con una mediana de 3 millones. El análisis muestra que las viviendas de precio bajo se concentran hacia el noroeste de la ciudad. Las anomalías se concentran al sur, con viviendas de muy bajo costo en la cercanía de viviendas más caras. Estas inferencias se validan con el coeficiente de autocorrelación espacial I de Moran, que aunque es bajo (I = 0,29), es significativo para p <0,005 cuando se consideran como vecinas las viviendas a 500 metros de cada observación. La Figura 2 muestra las concentraciones y se destacan en rojo las zonas de vivienda de alto valor.

FUENTE: elaboración propia con base en datos de Metroscubicos.com.

FIGURA 2 Clúster de precios: I de Moran local 

Para evaluar el efecto de las variables sugeridas por la teoría de las incivilidades, se han generado dos modelos de proceso de puntos Poisson. Un primer modelo (control), solo con variables de control, se describe en la Tabla 3.

TABLA 3 Coeficientes de modelo de proceso de puntos Poisson (modelo control) 

FUENTE: elaboración propia con datos de EMICT (UNAM & UAQ, 2017).

El número de viviendas (con signo negativo), y en menor medida las variables de desorganización social (personas separadas y en desempleo), con signo positivo, son las únicas variables significativas. Esto indica que la formación de hotspots no se explica por la aglomeración de viviendas y también sugiere que los delitos se concentran donde hay más personas separadas o en desempleo.

Para el modelo de tratamiento se han incluido las variables de incivilidades. No se incluyen todas las formas de incivilidades, sino aquellas con menos valores perdidos y que no generan colinealidad. Estas son: grafiti en el segmento de calle, casas abandonadas, si la vivienda cuenta con protecciones, grafiti en portones o paredes y césped descuidado. También incluimos medidas del apego al hogar y el precio de la vivienda; se ha incluido una interacción entre estas dos variables, lo cual sugiere que los valores de una pueden potenciar los efectos de la otra. En la Tabla 4 se presenta los resultados.

TABLA 4 Coeficientes de modelo de proceso de puntos Poisson (modelo de tratamiento) 

FUENTE: elaboración propia con datos de EMICT (UNAM & UAQ, 2017).

El precio de la vivienda muestra un coeficiente importante y con signo negativo, lo que sugiere que esta variable es importante en la explicación de las aglomeraciones; el signo negativo apunta a que el delito se concentra en las zonas de viviendas más baratas. La evidencia sobre el efecto de esta variable es fuerte, con un valor p menor a 0,001.

En cuanto a las incivilidades, el grafiti y el césped descuidado tienen signo positivo, y aunque su evidencia no es tan sólida como en el caso anterior, aún alcanza significancia estadística. Los datos sugieren que donde hay más descuido, hay más delito. En cuanto a las medidas de autocuidado, como las protecciones en puertas y ventanas, el modelo no encuentra ningún efecto. La existencia de viviendas abandonadas tampoco produce ningún cambio según el modelo.

El desempleo deja de ser significativo cuando se controla por incivilidades. Esto indica que la varianza explicada por aquella variable es mejor explicada por estas.

Los modelos de proceso de puntos Poisson se evalúan con referencia unos a otros; la disminución en el valor del criterio de información de Akaike (AIC) constituye el principal mecanismo de comparación: un modelo es mejor que otro si su .AIC es menor. El .AIC recompensa el ajuste del modelo a la distribución observada, pero penaliza la falta de parsimonia. La disminución del AIC en el modelo de tratamiento indica que la inclusión de las incivilidades y del precio de la vivienda aumenta nuestra capacidad de explicar el problema.

La Figura 3 muestra mapas de calor y gráficos de los errores del modelo. Estas herramientas permiten observar no solo el ajuste del modelo, sino también dónde falla.

FUENTE: elaboración propia con datos de EMICT (UNAM & UAQ, 2017).

FIGURA 3 Diagnóstico de modelos 

El modelo subestima el delito al norte de la ciudad. Mientras que esto puede deberse a una subrepresentación de las viviendas de bajo costo, también es posible que otro tipo de variables sean necesarias. Pese a ello, el modelo con las variables utilizadas es mucho mejor que sin ellas. Esto lo sabemos porque el AIC del modelo de tratamiento es considerablemente mejor que el del modelo de control. El diagnóstico del modelo muestra un ajuste mejor hacia el sur, mientras que el noreste de la ciudad requiere variables adicionales. Una investigación cualitativa será necesaria para dar cuenta de estas anomalías y detectar los

4. Discusión

En este documento investigamos si la seguridad puede gestionarse internamente o solo externamente. Comparamos el efecto de las medidas individuales de autocuidado y de mantenimiento de las viviendas con el efecto general del precio de la vivienda, como proxy del estatus del vecindario y, con él, de la disponibilidad de bienes y servicios que determinan su valor de mercado y su capacidad de atraer recursos externos. Utilizamos modelos de procesos de puntos Poisson para evaluar el efecto de las condiciones generales de los vecindarios en la Zona Metropolitana de Querétaro sobre la probabilidad de robos a casa habitación en esas zonas y obtuvimos coeficientes significativos para el precio de la vivienda, pero también para algunas características físicas de las viviendas.

De los resultados, se sigue la futilidad de las medidas de autocuidado. No encontramos evidencia de que ponerle protecciones a la vivienda ayude a prevenir el delito. En cambio, la desatención y el descuido de la vivienda sí aumenta el delito. Hay más delito donde el espacio está más descuidado. Esto es consistente con la hipótesis de ^{Brown et al. (2004a}, 2004b) y sugiere que cuidar la casa reduce el riesgo de robo en la zona. Esperar que la casa se cuide sola, ya sea con rejas o con protecciones, no tiene efectos. De ahí que las inversiones en mecanismos de seguridad no sustituyen la preocupación permanente por el buen estado del inmueble. Los marcadores territoriales importan. Las medidas de seguridad, no.

El precio de la vivienda se asocia negativamente con la incidencia de robo a casa habitación. Esto es consistente con la hipótesis de ^{Taylor (2000)}, en el sentido de que zonas más caras indican mejor capacidad para atraer recursos y servicios, incluida la seguridad. Por otra parte, viviendas en zonas más baratas atraen a gente más pobre. Con ello, los más pobres son más expuestos al delito. Esto sugiere que ^{Ihlanfeldt y Mayock (2010)} tienen razón al señalar que los barrios más pobres son preferidos por los ofensores, mientras que los barrios más ricos pueden pagar por mejor seguridad. Aún es necesaria una triangulación cualitativa y mejorar la calidad de los datos sobre vivienda. Sin embargo, los hallazgos sugieren que la inclusión en la seguridad pública requiere la inclusión en el mercado.

La hipótesis de ^{Ihlanfeldt y Mayock (2010)}, según la cual los vecindarios con viviendas más caras atraen a criminales por ofrecer mayores ganancias, es rechazada. Al contrario, nuestros hallazgos son consistentes con ^{Vandeviver et al. (2015)}, que sugieren que los ofensores no buscan el blanco que maximiza la recompensa, sino el que minimiza el esfuerzo y el riesgo de ser atrapados. Es decir, habrá menos robos donde los ofensores esperen seguridad, largas distancias o donde hagan falta conocimientos especiales. Otros estudios confirman que zonas donde la vivienda es más cara son menos vulnerables al robo (^{Zhang & McCord, 2014}).

En la medida en que el delito pueda asociarse al estatus de una zona, el mercado inmobiliario forma parte de un dispositivo socioterritorial de producción de delitos. Aquello que favorezca la devaluación del territorio aumentará la inseguridad. De ello se sigue que políticas urbanísticas que favorecen la construcción de viviendas baratas generan terreno fértil para el robo. Desde el principio, estos desarrollos fueron concebidos como trampas. Aquello de lo que las inmobiliarias se sirven para bajar precios (lejanía, viviendas pequeñas, falta de servicios) favorece dinámicas que dificultan el control social, aumentan las oportunidades delictivas o la vulnerabilidad de los residentes, y también favorece la emergencia de subculturas que promueven la ilegalidad. Todo esto produce trampas de inseguridad. En cambio, como han sugerido ^{Baird et al. (2020)}, de una inversión a gran escala en dignificar las viviendas cabe esperar una reducción en el delito.

Contrario a Taylor, los resultados no sugieren que la gestión territorial sea irrelevante y que solo la gestión de recursos externos reduzca el delito. Más bien, en la medida en que los coeficientes son comparables, concluimos que se trata de esfuerzos concurrentes que no se intercambian ni se sustituyen. Lo que sí es inútil es poner protecciones. Nuestros resultados sugieren que invertir en la dignidad y habitabilidad de las viviendas y los vecindarios tiene efectos positivos sobre la seguridad. Una inversión directa en la seguridad no tiene ningún efecto. También sugieren que la seguridad pública requiere trabajar en varias escalas: los esfuerzos individuales no sustituyen el control público ni viceversa.

Contra ^{Perkins et al. (1993)}, el apego no tuvo ningún efecto. Es probable que la explicación esté en el método: los sentimientos tienen menor poder predictivo que las acciones. Al controlar por conductas propias del funcionamiento territorial, como arreglar el césped o borrar el grafiti, lo que uno sienta carece de interés. No es el apego en sí, sino su manifestación en actos de cuidado y control.

También cabe anotar que las variables de desempleo y de personas separadas dejan de ser significativas cuando se controla para incivilidades; las incivilidades dan cuenta del mecanismo que transforma una variable estructural en un delito: el debilitamiento del funcionamiento territorial.

El número de viviendas tuvo signo negativo: donde hay menos viviendas, hay más robos. Esto es consistente con hallazgos previos, cuando se analiza el robo a nivel de manzana o de AGEB (^{Fuentes Flores, 2016}; Fuentes Flores & Sánchez Salinas, 2017; Sánchez Salinas & Fuentes Flores, 2016; ^{Vilalta & Fondevila, 2019}). A microescala, este resultado solo contradice a Aguayo y Medellín (2014), que encontraron que esta variable no es significativa. El resultado sugiere que donde hay menos viviendas hay menos vigilancia y se requiere menos esfuerzo (^{Smith et al., 2000}).

Por lo demás, el ejercicio es indicativo de la utilidad del web scraping para acceder a información sobre la que normalmente un informante recelaría en brindar, para la que una encuesta sería demasiado invasiva y para datos sobre los que podrían pesar sesgos de deseabilidad social o sobre los que el informante podría no tener información confiable. Mediante las tecnologías de adquisición de datos en la web es posible acceder, a prácticamente ningún costo, a un importante conjunto de observaciones que resulta suficiente para generar hipótesis y comenzar una exploración (^{Kitchin, 2014}; ^{Monroe et al., 2015}), al tiempo que es manejable cuando el área de estudio es pequeña.

Por último, el modelado mediante procesos de puntos Poisson muestra dimensiones diferentes de un problema viejo: mientras que los modelos clásicos (regresión espacial y regresión geográficamente ponderada) dependen de unidades fijas (viviendas, manzanas o segmentos de calle) para predecir robo y requieren variables de escala para detectar aglomeraciones, los procesos de puntos funcionan en un espacio continuo y explican la intensidad de un proceso generador subyacente, proceso del cual los puntos observables son realizaciones más bien contingentes; la hipótesis de Baddeley, según la cual se simula el proceso de decisión de un ofensor, resulta plausible.