Por: Alejandra Cervantes, Asesora técnica de la Iniciativa Agenda 2030, GIZ México; Daniela Torres, Asesora técnica de la Iniciativa Agenda 2030, GIZ México; Gabriela Ríos, Jefa de Exploración, Laboratrio de Aceleración PNUD México.

En la primera entrega de esta serie narramos nuestros primeros pasos para aplicar el método de desviación positiva basada en datos con el fin de encontrar espacios públicos que fueran más seguros para las mujeres en comparación con espacios de características similares. Esto incluyó la agrupación de las AGEB (áreas geoestadísticas básicas) en 3 grupos homogéneos y la identificación de desviaciones positivas, para lo cual se utilizó como medida de desempeño el número de mujeres víctimas de delitos (cometidos en el espacio público) en carpetas de investigación. En esta segunda entrega, compartiremos los avances más recientes de nuestro piloto. 

Desde la GIZ y el Programa de las Naciones Unidas para el Desarrollo (PNUD) en México estamos colaborando con el Gobierno de la Ciudad de México para la realización de este proyecto, especialmente a través de la Secretaría de las Mujeres, la Agencia Digital de Innovación Pública (ADIP) y el Centro de Comando, Control, Cómputo, Comunicaciones y Contacto Ciudadano (C5).  

Encontrando desviaciones positivas: ¿Qué espacios públicos son más seguros para las mujeres?

Una de las ventajas del método de desviación positiva basada en datos es que nos permite buscar características inusuales u outliers a escala, mediante el uso de datos digitales de grandes zonas geográficas y por amplios periodos de tiempo, para identificar espacios o comunidades en donde potencialmente existan soluciones de base poco comunes. Decimos potencialmente porque es necesario hacer investigación de campo para confirmar si un valor atípico en los datos es, efectivamente, una desviación positiva. 

En nuestro caso, pudimos analizar la presencia de delitos contra mujeres (medidos a través de las víctimas de delitos en carpetas de investigación de la Fiscalía General de Justicia de la Ciudad de México) en 2,414 AGEB (áreas geoestadísticas básicas), para encontrar aquellas que presentaban un número de víctimas mujeres menor al número de víctimas predicho por nuestros modelos estadísticos. Estas son las desviaciones positivas potenciales. Como resultado del análisis identificamos 32 AGEB que cumplen con esta condición; estas son las AGEB en donde podría haber espacios públicos más seguros para las mujeres.

Validación: ¿Cómo podemos saber si una AGEB es una desviación positiva de la que podamos aprender en campo?

El método tradicional de desviación positiva asume que en cada comunidad hay individuos o grupos que desarrollan prácticas poco comunes para hacer frente a desafíos, a diferencia de sus pares que tienen los mismos recursos o condiciones. Esas prácticas son las que queremos descubrir con el trabajo de campo en las AGEB outliers que identificamos mediante el análisis cuantitativo. Si las descubrimos, entonces podríamos confirmar su desviación positiva. Antes de ir a campo, hay un paso intermedio para empezar a validar las desviaciones positivas. Este paso es una forma de identificar si la desviación encontrada en los datos se debe a ruido aleatorio o a señales de un posible rendimiento superior que se podría confirmar con la investigación cualitativa.

Hay 2 preguntas clave que guiaron la validación intermedia de desviaciones positivas:

1. ¿Existen factores estructurales (no transferibles) que nos estén llevando a identificar desviaciones positivas falsas?

Para responder a esta pregunta, nos propusimos descartar las AGEB cuya desviación positiva se explicara por características estructurales obvias (e.g. usos específicos de suelo, instalaciones). Para identificar si la desviación positiva de las AGEB se podría explicar antes de ir a campo usamos OpenStreetMap. De esta forma descartamos lugares como el Heroico Colegio Militar, fraccionamientos con entradas restringidas y clubs deportivos. Si bien estos lugares tienen bajos índices de delincuencia, no contienen espacios públicos de libre acceso para las mujeres y, por lo tanto, no son útiles para nuestro análisis. Este paso nos permitió reducir la lista de potenciales desviaciones positivas de 32 a 22.

2. ¿Existen factores transferibles (no estructurales) que podamos identificar usando datos secundarios que están impulsando el rendimiento superior observado (de alguna manera validando que la desviación que estamos encontrando no es solo ruido aleatorio)?

Para responderla, buscamos identificar variables que podrían explicar de forma lógica la desviación de las AGEB (presentar menos víctimas mujeres de lo predicho por el modelo), y que podrían ofrecer oportunidades interesantes para aprender más de estas en  campo.

Esto es, comparar si en las AGEB desviaciones positivas existían variables transferibles (aquellas condiciones o características que contribuyen a la seguridad de las mujeres y que se podrían replicar en otras zonas de la ciudad mediante intervenciones) frente a las AGEB que no son outliers. Este análisis incluyó datos de alumbrado público, programas públicos para promover la seguridad de las mujeres (Senderos Seguros) y la seguridad vial (Intersecciones Seguras, Pasos Seguros), tótems con cámaras y botones de pánico, entre otros.

Encontramos, por ejemplo, que en las AGEB desviaciones positivas del grupo homogéneo 1^[1] hay más alumbrado público que en aquellas que no son desviaciones positivas, lo cual está alineado con prácticas conocidas para incrementar la seguridad, lo que indica que el rendimiento superior podría no deberse a ruido aleatorio.

Usando los hallazgos cuantitativos para afinar la mirada en campo

El análisis de datos secundarios para comparar las AGEB desviaciones positivas y las que no lo son develó algunas pistas sobre aspectos a los que se les tendría que prestar atención en el trabajo cualitativo.

Por ejemplo, en las AGEB desviaciones positivas para el grupo homogéneo 1, encontramos mayor presencia de calles con alumbrado público, pero también de Intersecciones Seguras, las cuales incluyen un diseño urbano de intersecciones de calles mejorado a través de elementos como semáforos para automóviles y peatones, y señales para pasos peatonales. Esto nos lleva a preguntarnos: ¿Qué características particulares debe de tener el alumbrado público para contribuir a la seguridad de las mujeres en los espacios públicos? ¿Podrían las Intersecciones Seguras jugar un rol en la seguridad de transeúntes mujeres?

Adicionalmente, para las desviaciones positivas del grupo homogéneo 2^[2]   encontramos que ocurrieron más delitos de lunes a viernes, mientras que en las AGEB que no son desviaciones positivas ocurrieron más delitos durante el fin de semana. De aquí surgen preguntas como: ¿Qué lugares frecuenta la gente entre semana y fines de semana en las AGEB que parecen ser desviaciones positivas y en aquellas que no lo son? ¿Puede haber alguna relación entre el uso del espacio y la ocurrencia de delitos?

Por otra parte, en nuestro análisis de regresión lineal para el grupo homogéneo 1 encontramos que variables como la presencia de comercio informal, de servicios financieros, y de bares y restaurantes son significativas y predicen la ocurrencia de delitos. Es decir, a mayor presencia de estas variables, hay más delitos contra las mujeres. Excepto en las AGEB que resultaron ser desviaciones positivas y que, en realidad, tienen un mayor número de estos predictores de delincuencia en comparación con las AGEB que no son desviaciones positivas. En otras palabras, a pesar de que las AGEB desviaciones positivas tienen más comercio informal, servicios financieros, bares y restaurantes, tienen menos delitos de lo predicho por el modelo.

Hallazgos como este nos ayudaron a formular algunas preguntas preliminares para el trabajo de campo, como por ejemplo: ¿Qué características particulares tiene el comercio informal en las AGEB desviaciones positivas? ¿Podrían estas características tener alguna relación con la seguridad en espacios públicos? ¿Hay condiciones específicas que los bares y restaurantes de las AGEB desviaciones positivas están detonando y que puedan estar ligadas a la seguridad de las mujeres?

Lo anterior sirve para ilustrar otra de las ventajas de buscar desviaciones positivas mediante modelado estadístico: además de abarcar grandes extensiones geográficas para encontrar outliers y decidir en dónde hacer trabajo de campo, es posible identificar variables significativas que nos ayudan a perfilar elementos a explorar en el trabajo cualitativo. Además, la fase cualitativa también sirve para indagar acerca de elementos para los que no se cuenta con datos digitales, pero que juegan un rol importante en la seguridad de las mujeres en los espacios públicos (ocupación del espacio público por hora del día, interacción entre las personas, percepción de seguridad, etc.), complementando así el análisis cuantitativo. 

En el método de desviación positiva basada en datos, el análisis cuantitativo sirve para encuadrar la fotografía y el análisis cualitativo para darle nitidez, complementándose entre sí para generar una imagen más detallada.

Diseño del trabajo de campo

Actualmente nos encontramos en la fase del trabajo cualitativo; ya finalizamos el levantamiento de datos y estamos en el proceso de analizar y generar recomendaciones. Para esta etapa contamos con la colaboración de Cohesión Comunitaria e Innovación Social A.C. (CCIS). A continuación, compartimos el diseño de esta fase; y próximamente narraremos los hallazgos que encontramos en un nuevo blog.

a. Selección de la muestra

A partir de la validación antes descrita, obtuvimos una lista de 22 AGEB (potenciales) desviaciones positivas. Sin embargo, fue necesario reducir el número de AGEB por visitar durante el trabajo de campo para identificar de manera más precisa los factores, tangibles e intangibles, que hacen que un espacio público sea más o menos seguro para las mujeres. De esa lista seleccionamos 10 AGEB.

Adicionalmente, elegimos 3 desviaciones negativas, es decir, AGEB que presentaron un mayor número de víctimas en carpetas de investigación de lo que se esperaría, y 3 AGEB que no son desviaciones positivas pero colindan con outliers que identificamos en el análisis de datos cuantitativo. Esto nos permitirá tener un análisis más completo, pues podremos comparar las condiciones entre AGEB con desempeños contrastantes en términos de los delitos que reportan. 

La selección de la muestra total de 16 AGEB se realizó buscando distribución entre alcaldías, grupos homogéneos, tipos de severidad de delitos y coincidencia con intervenciones del Gobierno de la Ciudad de México en el espacio público. Esto último fue posible gracias a datos proporcionados por la Secretaría de las Mujeres. Al elegir AGEB que coincidieran con la presencia de programas públicos buscamos también generar aprendizajes que puedan sumar a los esfuerzos actuales del gobierno. La definición final de la muestra también estuvo informada por visitas exploratorias iniciales, en donde indagamos aspectos comunitarios que podrían contribuir a una mejor selección de las AGEB al ofrecer oportunidades interesantes de aprendizaje. Por ejemplo, en la visita exploratoria a una AGEB ubicada dentro de la colonia Emiliano Zapata encontramos un trabajo reciente de murales con mujeres, aspecto que sería interesante explorar en campo, por lo que esta AGEB se incluyó en la muestra.

b. Diseño de técnicas de investigación cualitativa

Para la recolección de datos en campo, diseñamos un conjunto de seis técnicas e instrumentos para identificar y analizar las características o condiciones, tanto tangibles (infraestructura urbana como alumbrado público, áreas verdes, etc.) como intangibles (quién ocupa el espacio, a qué hora, etc.), que hacen a los espacios públicos más seguros para las mujeres que habitan, trabajan, estudian, visitan y transitan las 16 AGEB de la muestra. 

Estas técnicas incluyen: observación participante, interacciones informales, cartografías feministas participativas, marchas exploratorias, entrevistas semi-estructuradas y preguntas en redes sociales.

Las técnicas iniciales están diseñadas para identificar características generales que podrían contribuir a la seguridad de las mujeres en espacios públicos, mientras que las últimas están hechas para profundizar en las especificidades. 

Siguientes pasos

En las siguientes semanas finalizaremos el análisis del levantamiento de campo. Con estos resultados, esperamos tener un mejor entendimiento de las características que contribuyen a que los espacios públicos sean más seguros para las mujeres en contextos específicos. Posteriormente, compartiremos esta información con aliados estratégicos para generar ideas de intervenciones que permitan crear espacios públicos más seguros para las mujeres.

Entre los aliados que contactaremos se encuentran la Secretaría de las Mujeres de la CDMX, la Secretaría de Obras y Servicios de la CDMX, la Secretaría de Seguridad Ciudadana de la CDMX, el Centro de Comando, Control, Cómputo, Comunicaciones y Contacto Ciudadano de la CDMX (C5) y la Agencia Digital de Innovación Pública (ADIP), con quienes hemos compartido los avances de este piloto en ocasiones anteriores, y a quienes agradecemos su retroalimentación y apoyo continuo.

Próximamente, compartiremos los resultados de la investigación de campo en este espacio. Si deseas conocer más acerca de nuestro trabajo, ponte en contacto con nosotras.

[1] Grupo homogéneo 1: AGEB que en promedio están menos densamente pobladas que el grupo 2, pero mucho más pobladas que el grupo 3. En promedio reciben más viajes diarios y tienen menores condiciones de marginación.

[2] Grupo homogéneo 2: AGEB que en promedio son las más densamente pobladas, las que menos viajes diarios reciben y en todos los indicadores de marginación muestran peores condiciones que el grupo 1, pero mejores que el grupo 3.

Este piloto no sería posible sin la valiosa colaboración de los equipos de Codeando México y Cohesión Comunitaria e Innovación Social A.C., además de los socios de la iniciativa global Data Powered Positive Deviance. Agradecemos especialmente a Andreas Pawelke del GIZ Data Lab, Basma Albanna de la Universidad de Mánchester y Adriana Alvarado, pasante del Laboratorio de Aceleración del PNUD, por sus valiosos comentarios y contribuciones a este artículo.

Acerca de

La iniciativa de desviación positiva basada en datos (Data Powered Positive Deviance) se creó con la convicción de que la mejor manera de abordar los complejos retos del desarrollo sostenible es aprender de las personas que se enfrentan a esos retos cada día. Con esta mentalidad, el Laboratorio de Datos GIZ, el Centro de Desarrollo Digital de la Universidad de Mánchester y los Laboratorios de Aceleración del Programa de las Naciones Unidas para el Desarrollo están llevando a cabo una serie de proyectos piloto en diferentes países y ámbitos para descubrir prácticas e innovaciones eficaces y desarrolladas localmente como respuesta a los retos del desarrollo.

Contacto:

• Laboratorio de Aceleración PNUD México | Gabriela Ríos: gabriela.rios@undp.org
• GIZ Data Lab | Catherine Vogel: datalab@giz.de
• Universidad de Mánchester | Basma Albanna: basma.albanna@manchester.ac.uk
• Laboratorio de Aceleración PNUD | Jeremy Boy: jeremy.boy@undp.org
• Iniciativa Agenda 2030 de la GIZ México | Alejandra Cervantes: alejandra.cervantes@giz.de