Introducción
A causa de su magnitud, intensidad e impacto, el delito en México se ha posicionado como la principal preocupación de la población y en un problema público de primer orden dentro de la agenda del Estado. Es un fenómeno que perjudica la reproducción y pervivencia de los sistemas funcionales de la sociedad, reduciendo la calidad de vida y limitando el pleno ejercicio de los derechos humanos.
Las ciencias sociales pueden contribuir a contrarrestar este escenario aportando evidencia empírica para el diseño de políticas públicas en la materia, y en este marco, el objetivo del presente artículo es identificar las configuraciones causales vinculadas con los altos niveles de homicidio doloso en las alcaldías de la Ciudad de México (CDMX). Es por ello que para formular una hipótesis empírica recurrimos a la teoría de la desorganización social y para fundamentarla utilizamos el análisis cualitativo comparado desarrollado por Charles Ragin (1987).
Por una parte, la teoría de la desorganización social (TDS) plantea que en determinados contextos existen condiciones vinculadas a las desventajas sociales y a la incapacidad de la comunidad para resolver problemas comunes. Cuando estas condiciones se combinan devienen en la formación de motivaciones delictivas, lo que se traducirá en altos niveles delictivos (Shaw y Mckay, 1942; Sampson, 1986; Kornhauser, 1978; Vilalta y Fondevila, 2014). Desde esta perspectiva, para explicar los altos niveles delictivos resulta necesario identificar las combinaciones de las condiciones o configuraciones causales que las producen.
En la actualidad contamos con técnicas de investigación que permiten visualizar y comprender cómo múltiples condiciones se combinan para producir un fenómeno y cómo éste puede ser ocasionado por distintas combinaciones de condiciones dependiendo del contexto de los casos. Una de estas técnicas es el análisis cualitativo comparado (QCA) desarrollado por Ragin (1987). No obstante, la agenda de investigación continúa centrándose en el análisis del efecto neto, aislado o sumatorio, más no combinatorio, que diversas variables independientes producen sobre una variable dependiente.
Aunque los métodos cuantitativos permiten identificar las variables con mayor impacto sobre un objeto de estudio, detrás de los mismos subyace una lógica lineal y sumatoria de la causalidad que no permite observar la manera en cómo distintas combinaciones de condiciones producen un fenómeno social, principalmente en estudios con una N intermedia (Ragin, 2000; Medina, et al., 2017). Así, nuestra comprensión sobre la complejidad causal del delito en términos de equifinalidad, multifinalidad y asimetría continúa siendo escasa, pero para contribuir a reducir esta laguna en el campo del conocimiento utilizamos el QCA como estrategia metodológica.
Con respecto al resultado de interés, el estudio del homicidio doloso (HD) es socialmente relevante porque su magnitud e intensidad revelan la existencia de entornos extremadamente peligros para el bienestar físico y emocional de la población. Asimismo, en términos metodológicos, representa el mejor observable empírico del delito debido a su bajo nivel de subreporte.1
Finalmente, en cuanto a las unidades de análisis, la selección de las alcaldías de la CDMX responde ante un criterio instrumental (Gundermann, 2004), ya que proporcionan diversidad empírica, permitiéndonos comparar casos similares, en su estructura política, administración e integración socioeconómica, con resultados diferentes.2 También consideramos relevante que esta ciudad es el principal centro de operaciones políticas del Estado mexicano.
Este artículo está organizado de la siguiente manera. Primero se presenta la evolución de los HD para el periodo 2015-2018 a nivel nacional en México. En la segunda parte se expone un panorama de los estudios recientes sobre homicidio, adscritos a la TDS, que nos permite desbrozar el camino para nuestra propia propuesta de investigación. En un tercer punto se resumen los supuestos de la TDS. Un cuarto apartado expone las condiciones explicativas e hipótesis formuladas para responder a la pregunta: ¿por qué en determinadas alcaldías de la CDMX se producen altos niveles de homicidio doloso? En la quinta parte se presentan las premisas de QCA. En la sexta, se enlistan los resultados, y por último, están las conclusiones.
Homicidio doloso en México, 2015-2018
Para aproximarnos al contexto del homicidio doloso en México utilizamos la tasa por cada 100,000 habitantes; coeficiente que expresa la relación entre la incidencia delictiva en un territorio y la poblacional que lo habita. Al considerar el factor poblacional, este indicador nos permite comparar unidades espaciales con las diferentes prevalencias delictivas (Frissard, 2019).3
La fórmula es:
En donde:
TCMH del DH: tasa por cada 100,000 habitantes de homicidio doloso.
Phd: promedio de homicidios dolosos registrados en la unidad de análisis para el periodo 2015-2018.
Ppt: promedio de población total en la unidad de análisis para el periodo 2015-2018.
Se utilizaron los datos de incidencia delictiva reportada por el Secretariado Ejecutivo del Sistema Nacional de Seguridad Pública (SESNSP) y las proyecciones de crecimiento poblacional a mitad de año, proporcionadas por el Consejo Nacional de Población (CONAPO).4
De 2015 A 2018, a nivel nacional se registraron anualmente, en promedio, 30.87 asesinatos por cada 100,000 habitantes. El registro aumentó 37.48 por ciento en dicho periodo. El promedio de HD fue de 18.28, aumentando 74.77 por ciento. Éstos representaron el 59.18 por ciento de los asesinatos totales registrados en el país (gráfica 1). Finalmente, se registró un promedio anual de 12.60 homicidios culposos, que disminuyeron 2.04 por ciento en el mismo periodo (tabla 1).
2015 | 2016 | 2017 | 2018 | Promedio | Cambio porcentual | |
---|---|---|---|---|---|---|
Homicidios | 25.82 | 28.86 | 33.32 | 35.50 | 30.87 | 37.48 |
Dolosos | 13.28 | 16.42 | 20.18 | 23.22 | 18.28 | 74.77 |
Culposos | 12.54 | 12.44 | 13.13 | 12.28 | 12.60 | -2.04 |
Fuente: Elaboración propia con base en los datos del SESNSP y el Conapo.
A nivel subnacional, observamos que el promedio más alto de la tasa por cada 100,000 habitantes de los HD se registró en Colima (66.29), mientras que en Yucatán (2.16) encontramos el más bajo (véase gráfica 2).
La tabla 2 también muestra que la tasa por cada 100,000 habitantes de HD presentó un comportamiento hacia la alza en la mayoría de las entidades federativas, ya que once de éstas registraron incrementos por encima del 100 por ciento: Colima (260.92 por ciento); Baja California (224 por ciento); Zacatecas (135.82 por ciento); Quintana Roo (210.17 por ciento); Guanajuato (193.10 por ciento); Oaxaca (379.77 por ciento); Veracruz (178.62 por ciento); Nayarit (278.38 por ciento); Tabasco (110.26 por ciento); Puebla (117.07 por ciento), y Tlaxcala (101.95 por ciento). Únicamente Durango (-26.01 por ciento), Coahuila (-21.08 por ciento) y Yucatán (-11 por ciento) mostraron una tendencia decreciente.
Entidad Federativa | 2015 | 2016 | 2017 | 2018 | Promedio | Cambio porcentual |
---|---|---|---|---|---|---|
Colima | 22.45 | 68.33 | 93.37 | 81.02 | 66.29 | 260.92 |
Guerrero | 56.37 | 61.52 | 63.91 | 61.22 | 60.75 | 8.60 |
Baja California | 24.45 | 34.32 | 60.18 | 79.43 | 49.60 | 224.87 |
Baja California sur | 20.98 | 29.31 | 80.87 | 21.00 | 38.04 | 0.13 |
Chihuahua | 26.13 | 33.76 | 42.45 | 48.47 | 37.7 | 85.5 |
Sinaloa | 27.89 | 30.24 | 40.62 | 31.02 | 32.44 | 11.23 |
Morelos | 24.86 | 29.98 | 29.07 | 34.64 | 29.64 | 39.32 |
Zacatecas | 14.48 | 27.77 | 33.81 | 34.16 | 27.56 | 135.82 |
Michoacán | 16.49 | 26.96 | 26.45 | 28.12 | 24.51 | 70.53 |
Quintana Roo | 14.95 | 10.54 | 22.36 | 46.38 | 23.56 | 210.17 |
Sonora | 20.42 | 21.56 | 24.55 | 24.83 | 22.84 | 21.62 |
Guanajuato | 14.55 | 15.79 | 17.89 | 42.65 | 22.72 | 193.10 |
Tamaulipas | 15.25 | 16.84 | 22.50 | 23.70 | 19.57 | 55.40 |
Oaxaca | 5.00 | 18.24 | 21.00 | 23.99 | 17.06 | 379.77 |
Jalisco | 12.02 | 13.72 | 16.47 | 23.79 | 16.50 | 97.95 |
Veracruz | 6.37 | 14.43 | 20.56 | 17.75 | 14.78 | 178.62 |
Nayarit | 6.94 | 3.29 | 20.26 | 26.27 | 14.19 | 278.38 |
Tabasco | 9.60 | 11.23 | 15.60 | 20.19 | 14.16 | 110.26 |
San Luis Potosí | 8.74 | 11.00 | 16.09 | 16.18 | 13.00 | 85.13 |
Estado de México | 12.29 | 12.32 | 12.05 | 13.77 | 12.61 | 12.06 |
Durango | 13.25 | 13.10 | 11.87 | 9.80 | 12.00 | -26.01 |
Puebla | 7.86 | 9.16 | 13.94 | 17.06 | 12.00 | 117.07 |
Nuevo León | 8.64 | 12.11 | 11.40 | 13.68 | 11.46 | 58.20 |
Ciudad de México | 8.81 | 10.01 | 11.58 | 15.12 | 11.38 | 71.63 |
Chiapas | 9.46 | 8.68 | 8.67 | 10.10 | 9.23 | 6.80 |
Coahuila | 9.26 | 6.97 | 7.19 | 7.31 | 7.68 | -21.08 |
Tlaxcala | 4.56 | 5.86 | 9.01 | 9.20 | 7.16 | 101.95 |
Querétaro | 6.33 | 5.58 | 8.12 | 8.19 | 7.05 | 29.38 |
Campeche | 5.34 | 8.68 | 6.94 | 7.13 | 7.02 | 33.47 |
Hidalgo | 5.04 | 4.59 | 6.18 | 6.73 | 5.64 | 33.75 |
Aguascalientes | 2.85 | 2.88 | 5.96 | 5.37 | 4.27 | 88.32 |
Yucatán | 2.44 | 2.32 | 1.70 | 2.17 | 2.16 | -11.01 |
Fuente: Elaboración propia con base en datos del SESNSP y el Conapo.
La distribución territorial de los HD tampoco es homogénea al interior de las entidades federativas, como lo evidencia el caso de la CDMX, donde observamos que el promedio más alto de la tasa por cada 100,000 habitantes se presentó en la alcaldía de Cuauhtémoc (20.50), Cuajimalpa registró la tasa más baja (4.82), y cinco alcaldías superaron el promedio local. La mayoría de las demarcaciones registró un aumento de HD (véase tabla 3); siete de ellas presentaron aumentos por arriba del 100 por ciento: Miguel Hidalgo (102.40 por ciento), Tláhuac (128.46 por ciento), Xochimilco (145.15 por ciento), Tlalpan (135.75 por ciento), Iztacalco (156.72 por ciento), Magdalena Contreras (132.71 por ciento) y Coyoacán (121.46 por ciento). Y sólo dos alcaldías presentaron una reducción: Benito Juárez (12.06 por ciento) y Azcapotzalco (16.55 por ciento).
2015 | 2016 | 2017 | 2018 | Promedio | Cambio porcentual | |
---|---|---|---|---|---|---|
Cuauhtémoc | 20.23 | 17.99 | 20.16 | 23.60 | 20.50 | 16.61 |
Venustiano Carranza | 14.75 | 19.38 | 20.37 | 24.80 | 19.82 | 68.07 |
Gustavo A. Madero | 11.93 | 12.23 | 16.48 | 20.59 | 15.31 | 72.62 |
Iztapalapa | 8.92 | 11.18 | 12.41 | 17.21 | 12.43 | 92.80 |
Miguel Hidalgo | 6.67 | 12.51 | 11.15 | 13.50 | 10.96 | 102.40 |
Álvaro Obregón | 8.38 | 7.57 | 12.72 | 12.45 | 10.28 | 48.59 |
Tláhuac | 6.55 | 9.53 | 9.79 | 14.95 | 10.20 | 128.46 |
Xochimilco | 6.40 | 7.83 | 8.07 | 15.70 | 9.50 | 145.15 |
Milpa Alta | 6.65 | 13.18 | 5.81 | 10.83 | 9.12 | 62.85 |
Tlalpan | 6.23 | 5.32 | 10.02 | 14.69 | 9.07 | 135.75 |
Azcapotzalco | 10.77 | 7.22 | 8.23 | 8.99 | 8.80 | -16.55 |
Iztcalco | 5.03 | 9.58 | 7.07 | 12.91 | 8.65 | 156.72 |
Magdalena Contreras | 3.68 | 4.90 | 5.30 | 8.56 | 5.61 | 132.71 |
Coyoacán | 3.32 | 5.08 | 6.05 | 7.35 | 5.45 | 121.46 |
Benito Juárez | 5.06 | 6.21 | 4.97 | 4.45 | 5.17 | -12.06 |
Cuajimalpa de Morelos | 4.62 | 3.57 | 3.54 | 7.55 | 4.82 | 63.48 |
Fuente: Elaboración propia con base en datos del SESNSP y el Conapo
Diversas cuestiones aparecen frente a este contexto: ¿por qué determinadas demarcaciones cuentan con mayores niveles de HD?, ¿por qué en ciertas demarcaciones los niveles de HD aumentaron descomunalmente?, ¿por qué en pocos casos se presentó una reducción de HD?, ¿estos fenómenos se explican por las condiciones axiológicas, socioeconómicas o físico-ambientales del entorno o son producto de la presencia de estructuras criminales, de la impunidad o de la existencia de asimetrías sociales?
Y como nos interesa responder por qué en determinas alcaldías de la CDMX se presentan altos niveles de HD, recurrimos a la TDS, como marco teórico, y al QCA, como estrategia metodológica.
Homicidio y desorganización social en México: estudios recientes
La producción de estudios que intentan explicar los altos niveles de HD en México tomó fuerza a partir del sexenio del presidente Felipe Calderón (2006-2012), cuando comenzaron a registrarse los máximos históricos de violencia homicida.5 El propósito de estos trabajos ha sido aportar evidencia relevante para el diseño de políticas efectivas para la contención, reducción y prevención de este flagelo social.6
Dentro de la literatura nacional reciente, adscrita a la TDS, encontramos principalmente estudios cuantitativos (México Evalúa, 2018; Vázquez y Corrales, 2017; Díaz, 2018; Romero 2012; Sánchez, 2014; Fuentes y Sánchez, 2015; Vilalta y Muggah, 2016), que si bien emplean diversas técnicas estadísticas, la mayoría analizan el impacto individual de variables independientes sobre los niveles de homicidio con la intención de encontrar la variable explicativa fundamental.
En términos generales, dichos análisis han permitido conocer que variables como la presencia de jóvenes, la disrupción familiar, la densidad poblacional y la movilidad residencial cuentan con un impacto positivo y estadísticamente significativo sobre los niveles de homicidio en México, mientras que la evidencia es mixta para variables como el estatus socioeconómico y la eficacia colectiva.7
No obstante, el análisis centrado en el impacto de variables independientes no permite visualizar y comprender cómo distintas condiciones explicativas se combinan para producir un resultado de interés. El análisis de configuraciones causales es fundamental puesto que la TDS sostiene que la combinación de factores detona los procesos que devienen en la concentración territorial del delito.
En suma, en la literatura todavía existe una laguna importante en cuanto a la naturaleza configuracional del fenómeno delictivo; no obstante, nosotros intentamos abonar al respecto.
Teoría de la desorganización social
La teoría de la desorganización social tiene por objeto “la explicación de la distribución espacial del crimen entre áreas urbanas y permite entender la relación entre las características de las comunidades con los niveles de delincuencia” (Kubrin y Wo, 2016: 121). En su concepción clásica, la TDS plantea que el delito no se distribuye de forma aleatoria sino que se concentra en territorios socialmente desorganizados y con un alto grado de personas en situación de pobreza (Shaw y Mackay, 1942; Sampson, 1986; Sampson y Groves, 1989; Cid y Larrauri, 2014; Díaz, 2018; Kornhauser, 1978; Vilalta y Fondevila, 2014; Sánchez, 2014).
Esta teoría apunta que es posible que las personas en situación de pobreza intenten satisfacer sus necesidades, materiales e inmateriales, por medios ilegales, no obstante, lo que conduce hacia la actividad delictiva es la combinación de condiciones vinculadas a las desventajas socioeconómicas con la desorganización social. Este proceso combinatorio lleva a la formación de motivaciones delictivas; y es posible que, en espacios socialmente desorganizados, ellas interactúen con personas con valores delictivos, accedan a técnicas delictivas, encuentren redes de complicidad, carezcan de la supervisión por parte de la comunidad, no cuenten con el apoyo de instituciones formales e informales o carezcan de reconocimiento social, propiciando su incursión en actividades delincuenciales.
Así, la desorganización social puede entenderse como la incapacidad de las instituciones sociales para canalizar la conducta de los individuos hacia estilos de vida convencionales, al mismo tiempo que es producto de la combinación de condiciones ecológicas (Shaw y Mckay, 1942; Sampson, 1986; Kornhauser, 1978; Vilalta y Fondevila, 2014). En un principio, Shaw y Mckay (1942) encontraron que la desorganización social era ocasionada por condiciones como alta movilidad residencial, heterogeneidad étnica y delincuencia adulta. Estos factores impiden que los residentes de una localidad resuelvan sus problemas colectivos de desorden e incivilidad, puesto que deterioran los vínculos sociales, resquebrajan el compromiso de los residentes con la comunidad y minimizan la capacidad de supervisión (Cid y Larrauri, 2014; Díaz, 2018; Shaw y Mckay, 1942), produciendo “un debilitamiento de las comunidad para autorregularse, socializar y supervisar el comportamiento de sus miembros” (Vilalta y Fondevila, 2014: 32).
En este orden de ideas, la explicación al objeto de estudio no se encuentra en la relación directa entre la pobreza y el delito, sino en los procesos sociales que se detonan cuando la pobreza se combina con los factores que producen desorganización social; procesos que dificultan que las personas en desventaja socioeconómica adopten un tipo de vida convencional debido a la falta de redes informales de contención o de regulación de comportamiento.
El principal soporte empírico de la TDS es Juvenile delinquency and urban areas de Clifford Shaw y Henry Mckay (1942), un estudio cuantitativo-correlacional,8 en el que se fundamentó que las áreas con mayor desorganización social y altos niveles de pobreza presentaban las tasas delictivas más altas dentro de la ciudad de Chicago, a principios del siglo XX. Y para llegar a este resultado, los autores definieron la tasa juvenil por áreas y después analizaron las características de las áreas que presentan mayor delincuencia. En su análisis descriptivo llegaron a tres conclusiones: a) existe alta variación de las tasas delictivas entre las áreas de la ciudad; b) las tasas delictivas se concentran en las áreas centrales de la ciudad, y c) las tasas delictivas no presentan variaciones significativas a lo largo del tiempo. Por otro lado, también encontraron que los espacios con la mayor actividad delictiva: a) se ubicaron en las zonas de transición; b) contaron con población mayoritariamente migrante; c) mostraron una población decreciente; d) contaron con las rentas más bajas de la ciudad, y e) experimentaron otros problemas sociales como alta delincuencia adulta, mayores porcentajes de mortalidad infantil y de contaminación.
La conclusión del estudio es que los delincuentes concentran sus actividades “cerca del área de la ciudad zonificada para la industria […] caracterizada por el deterioro físico, malas condiciones de vivienda, familias incompletas y rotas; altas tasas de nacimientos ilegítimos y mortandad infantil; y una población inestable y heterogénea” (Akers y Sellers, 2013: 163).
La combinación de estos factores puede “tener un efecto en la producción de comunidades desorganizadas […] hecho que podría impactar negativamente en la efectividad de las instituciones sociales de ejercer control social informal sobre la conducta de los individuos, lo cual se traduciría, eventualmente, en una mayor ocurrencia de delitos” (Díaz, 2018: 24).
Durante la década de 1980, Robert Sampson (1986) refinó la teoría con la inclusión de la condición de eficacia colectiva, la cual se define “como el grado de cohesión social entre los vecinos de una comunidad con voluntad para intervenir en favor del bien colectivo” (Vilalta y Fondevila, 2014: 34). La hipótesis es que a mayor grado de eficacia colectiva se presentarán menores niveles delictivos, “pues los habitantes estarán en mayores condiciones de involucrarse en la vida colectiva, situación que debería impactar en un fortalecimiento del control social” (Díaz, 2018: 109).
Con respecto a la vigencia de la teoría, se ha mencionado que actualmente los planteamientos de la Escuela de Chicago son anacrónicos, pues se concibieron a principios del siglo XX para explicar la desorganización social en el marco del crecimiento de las grandes ciudades de Estados Unidos en la época de la industrialización. Empero, de acuerdo con José Cid Moliné y Elena Larrauri Pioján (2014), la TDS continuará siendo vigente siempre que se fundamente que las zonas urbanas, independientemente del modelo de crecimiento, siguen caracterizándose por contar con condiciones desorganizadoras como la pobreza o la disrupción familiar. Recientemente, la TDS ha sido fundamentada en contextos latinoamericanos desde una perspectiva cuantitativa-correlacional, aunque con ajustes contextuales (Escobar, 2012; Díaz, 2018; Sánchez, 2014; Vilalta y Muggah, 2016; De Oliveira y Corenni, 2013; México Evalúa, 2018).
Condiciones explicativas e hipótesis
Para responder a la interrogante de por qué determinadas alcaldías de la CDMX cuentan con altos niveles de homicidios dolosos, empleamos condiciones utilizadas en la bibliografía reciente adscrita a la teoría de la desorganización social.
La primera condición explicativa es el alto grado de población joven masculina (PJM), 9 cuya presencia puede explicar los niveles de HD porque durante esta etapa del ciclo de vida es más probable experimentar situaciones sociales que pueden propiciar su integración a la actividad delictiva, principalmente en América Latina. Por ejemplo, la ausencia de canales legales para satisfacer las expectativas sociales (Jiménez, 2005), la carencia de supervisión por parte de las instituciones sociales como la familia para regular el comportamiento individual (Tenenbaum, 2018) o la exposición ante valores delictivos (Benda, 2003).
La segunda condición es el alto grado de pobreza (PB), y aunque ello no implica que se conviertan en delincuentes, puede suscitar situaciones criminogénicas más allá de su relación directa con el delito; provoca que las personas perciban más necesidades aumentando las probabilidades de desarrollar motivaciones para cometer delitos, en comparación con las más favorecidas (Merton, 1968); propicia que perciban que la desigualdad es injusta (Quinney, 1969); incrementa la posibilidad de que establezcan asociaciones diferenciales con delincuentes (Sutherland, 1947) y reduce el control social informal, deteriorando las redes sociales de contención (Wilson, 1987). De tal suerte que, por ejemplo, las oportunidades económicas para satisfacer las necesidades que aportan las estructuras criminales representan una vía alterna para escapar de la marginalidad y la pobreza (Jiménez, 2005).
La tercera condición explicativa es alto grado de disrupción familiar (DF), que explica las altas tasas delictivas porque los padres solteros, al cumplir la doble función de mantener el hogar y buscar los recursos para subsistir, cuentan con menos tiempo para corregir el comportamiento de los miembros de la comunidad (Sampson, 1986; Díaz, 2018). La falta de supervisión aumenta la probabilidad de iniciar procesos de asociación diferencial con delincuentes, especialmente entre los jóvenes (Reiss, 1986).
La cuarta condición es alto número de estructuras criminales (EC). En América Latina se ha encontrado que la presencia de éstas incide positivamente en el aumento de los HD (Cubides, 2014; Llorente et al., 2002; Núñez et al., 2003). Los vacíos de control formal e informal instaurados por dichas estructuras, por mediación o cooptación, producen geografías de impunidad que son aprovechadas para la comisión de una amplia variedad de delitos (Escobar, 2012). Asimismo, en espacios con presencia de estructuras criminales es más probable establecer procesos de asociación diferencial con delincuentes, cuyo comportamiento puede ser reconocido como un modelo de vida aspiracional, principalmente cuando la sociedad tradicional no le ha permitido cubrir sus necesidades (Jiménez, 2005). Además, la presencia de tales estructuras puede suscitar disputas violentas por el control de los territorios que son clave para la producción y distribución de las drogas y otras actividades ilícitas como la extorsión o el secuestro (Alvarado, 2014). Esta ha sido una de las principales explicaciones sobre el incremento de la violencia homicida en México (Zepeda, 2018).
La quinta condición explicativa es el alto grado de la densidad de la población (DP, la cual ocasiona múltiples efectos desorganizadores que contribuyen con la formación de motivaciones delictivas: el control social es más impersonal y abstracto conforme aumenta el número de personas en la localidad (Sampson, 1986); en territorios densamente poblados en más probable establecer procesos de asociación diferencial porque se incrementa la exposición ante tales motivaciones (Stark, 1987; Akers, 1994); una mayor densidad poblacional provoca que los actos desviados sean más visibles ante los demás, propiciando su normalización y fomentando la impunidad por la no denuncia (Vilalta y Muggah, 2016); asimismo, una mayor cantidad de personas facilita el anonimato de los delincuentes (Entorf y Spengler, 2000).
La sexta condición explicativa es el bajo número de organizaciones de la sociedad civil dedicadas a la construcción de la seguridad ciudadana (SC). Esta condición se relaciona con el entramado asociativo, y la consideramos un proxy de participación ciudadana. Suponemos que la presencia de este tipo de agrupaciones incentiva la participación de la población en la construcción de entornos más seguros. No obstante, la ausencia de éstas puede indicar un involucramiento débil de la población en la solución de sus problemas de inseguridad, lo que se traduciría en una mayor cantidad de delitos (Sampson, 1986; Díaz, 2018; Vilalta y Fondevila, 2014).
De tal suerte que nuestra hipótesis es que los altos niveles de homicidio dolosos se producen en contextos en donde se combinan un alto grado de población joven masculina, un alto grado de pobreza, un alto grado de disrupción familiar, el alto número de estructuras criminales, un alto grado de densidad poblacional y un bajo número de asociaciones de la sociedad civil.
El cuadro 1 resume las condiciones explicativas, la operacionalización y las fuentes de datos correspondientes. Procuramos utilizar mediciones válidas y comparables de acuerdo con la revisión de la literatura.
Condición explicativa | Medición | Fuentes de datos |
---|---|---|
Alto grado de población joven masculina | Número de hombres entre 15 y 29 años de edad por cada 1,000 habitantes, promedio 2015-2018. | |
Alto grado de pobreza | Número de personas en situación de pobreza por cada 1,000 habitantes, promedio 2015-2018. | |
Alto grado de disrupción familiar | Número de hogares con jefatura femenina por cada 1,000 hogares, 2015. | |
Alto número de estructuras criminales | Número de estructuras criminales registradas entre 2015 y 2018. | |
Alto grado de densidad poblacional | Número de habitantes por kilómetro cuadrado, promedio 2015-2018. | |
Bajo número de asociaciones de la sociedad civil dedicadas a la construcción de la seguridad ciudadana | Número de organizaciones de la sociedad civil dedicadas a la construcción de la seguridad ciudadana registradas hasta 2018 por cada 1,000 habitantes. |
Fuente: Elaboración propia.
Metodología: análisis cualitativo comparado
Para fundamentar empíricamente la hipótesis utilizamos el análisis cualitativo comparado (QCA) desarrollado por Ragin (1987), que parte de un supuesto epistemológico fundamental: los fenómenos sociales cuentan con una causalidad múltiple coyuntural; son producto de combinaciones de condiciones (equifinalidad), distintas combinaciones pueden producir el resultado (multifinalidad) y la presencia y ausencia del resultado requieren de explicaciones diferenciadas, pues las relaciones causales son asimétricas (Ragin, 1987). En consecuencia, en el QCA lo más importante no es encontrar la variable explicativa fundamental, sino las “combinaciones de condiciones que conducen a un resultado, con una particular atención a cómo las condiciones se combinan y a cómo y por qué las combinaciones conducen al resultado de interés” (Medina et al., 2017: 22).
Específicamente, el QCA permite explicar la variación de un resultado estableciendo relaciones causales en términos de necesidad y suficiencia, con base en la teoría de conjuntos y el álgebra booleana, conjuntando el análisis complejo de los casos con cierto grado de parsimonia (Ariza y Gandini, 2012; Medina et al., 2017). Por una parte, la teoría de conjuntos permite identificar las condiciones que están presentes (1) o ausentes (0) cuando también se presenta un resultado y, por otro lado, el álgebra booleana permite visualizar y comprender cómo distintas condiciones se combinan para producirlo y cómo el mismo puede ser ocasionado por distintas configuraciones causales.
Estos fundamentos devienen en una serie de premisas epistemológicas que diferencian claramente al análisis configuracional del análisis estadístico correlacional y del análisis cualitativo convencional. De acuerdo con Medina et al., (2017), las asunciones epistemológicas del QCA se resumen cuatro puntos:
Está basado en relaciones causales de necesidad y suficiencia. Desde esta perspectiva se plantea que una condición puede ser necesaria (pero no suficiente) o suficiente (pero no necesaria) para producir un resultado.
Plantea que un resultado puede ser producto de combinaciones de condiciones y no de variables independientes aisladas. En los estudios configuracionales tiene poco sentido tratar de estimar el efecto neto de una condición individual sobre el resultado.
Parte del supuesto de equifinalidad, considera que la combinación de condiciones produce un resultado y que distintas combinaciones pueden conducir al mismo resultado.
Pone énfasis en la asimetría causal, es decir, que la presencia y ausencia de un fenómeno debe explicarse por separado. Ragin (2007) señala que los coeficientes de correlación son simétricos; cuando valoran relaciones positivas entre causa y efecto también valoran la relación inversa.
Seleccionamos el QCA porque permite proveer evidencia empírica a favor de los planteamientos configuracionales que subyacen de la TDS. Específicamente, utilizamos la técnica de los conjuntos nítidos (csQCA) para examinar la existencia de condiciones individualmente necesarias para la ocurrencia de un fenómeno y las configuraciones causales que lo producen, ubicando a los casos claramente dentro de un conjunto teórico determinado.
Resultados
Los resultados se presentan en cuatro secciones: a) calibración de los datos; b) análisis de condiciones necesarias; c) construcción de la tabla de la verdad, y d) minimización booleana. De esta manera se expone el proceso que atendimos para identificar las configuraciones causales, cumpliendo con los principios de transparencia y replicabilidad que exige todo trabajo científico (King, Keohane y Verba, 2012). La base de datos utilizada se encuentra disponible en: <https://drive.google.com/file/d/1SZ4OMM5FVVBkznSA6oLg-_CCTeo6HMvo/view?usp=sharing>.
Calibración de los datos
Para analizar los fenómenos sociales con la csQCA necesitamos transformar los datos continuos en valores dicotómicos, en donde (1) indica total pertenencia a un conjunto teórico y (0) expresa total exclusión al mismo. ¿Cuándo podemos decir que un caso cuenta con una HD o que presenta determinada condición X? Definimos la inclusión a los conjuntos con base en el contexto de la CDMX, utilizando, respectivamente, los promedios del resultado y de las condiciones explicativas registrados entre las alcaldías.10
Los casos se codifican con 1 cuando están sobre o por encima del promedio registrado y con 0 cuando se encuentran por debajo de este parámetro, excepto en el caso de SC en donde la calibración es inversa puesto que buscamos captar un bajo número de organizaciones de la sociedad civil. Optamos por redondear los datos para maximizar las diferencias en los valores del resultado y las condiciones explicativas (tabla 4).11
Municipio | HD | DP | PJM | PB | DF | EC | SC |
---|---|---|---|---|---|---|---|
Cuauhtémoc | 20 | 16,761 | 119 | 137 | 412 | 6 | 0.26 |
Venustiano Carranza | 20 | 12,933 | 114 | 219 | 396 | 3 | 0.06 |
Gustavo A. Madero | 15 | 13,555 | 121 | 288 | 350 | 4 | 0.04 |
Iztapalapa | 12 | 16,261 | 129 | 360 | 346 | 9 | 0.04 |
Miguel Hidalgo | 11 | 8,104 | 105 | 54 | 378 | 4 | 0.17 |
Álvaro Obregón | 10 | 7,862 | 121 | 277 | 334 | 1 | 0.09 |
Tláhuac | 10 | 4,280 | 129 | 422 | 300 | 3 | 0.02 |
Xochimilco | 10 | 3,691 | 133 | 444 | 318 | 3 | 0.06 |
Milpa Alta | 9 | 459 | 133 | 567 | 259 | 2 | 0.01 |
Tlalpan | 9 | 2,154 | 124 | 322 | 334 | 5 | 0.09 |
Azcapotzalco | 9 | 12,364 | 113 | 186 | 365 | 3 | 0.06 |
Iztacalco | 9 | 17,165 | 116 | 154 | 370 | 3 | 0.05 |
Magdalena Contreras | 6 | 3,866 | 122 | 350 | 326 | 4 | 0.06 |
Coyoacán | 5 | 11,665 | 115 | 179 | 372 | 4 | 0.14 |
Benito Juárez | 5 | 15,760 | 100 | 40 | 398 | 3 | 0.29 |
Cuajimalpa de Morelos | 5 | 2,767 | 125 | 287 | 272 | 2 | 0.04 |
Promedio o puntos de corte | 10 | 9,353 | 120 | 268 | 346 | 4 | 0.09 |
Fuente: Elaboración propia.
Con los puntos de corte elaboramos una tabla de datos dicotómicos, en donde observamos ocho casos que pertenecen al conjunto de alcaldías de la CDMX con HD (tabla 5). La comparación es plausible porque contamos con casos positivos y negativos.
Municipio | HD | DP | PJM | PB | DF | EC | SC |
---|---|---|---|---|---|---|---|
Cuauhtémoc | 1 | 1 | 0 | 0 | 1 | 1 | 0 |
Venustiano Carranza | 1 | 1 | 0 | 0 | 1 | 0 | 1 |
Gustavo A. Madero | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
Iztapalapa | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
Miguel Hidalgo | 1 | 0 | 0 | 0 | 1 | 1 | 0 |
Álvaro Obregón | 1 | 0 | 1 | 1 | 0 | 0 | 1 |
Tláhuac | 1 | 0 | 1 | 1 | 0 | 0 | 1 |
Xochimilco | 1 | 0 | 1 | 1 | 0 | 0 | 1 |
Milpa Alta | 0 | 0 | 1 | 1 | 0 | 0 | 1 |
Tlalpan | 0 | 0 | 1 | 1 | 0 | 1 | 1 |
Azcapotzalco | 0 | 1 | 0 | 0 | 1 | 0 | 1 |
Iztacalco | 0 | 1 | 0 | 0 | 1 | 0 | 1 |
Magdalena Contreras | 0 | 0 | 1 | 1 | 0 | 1 | 1 |
Coyoacán | 0 | 1 | 0 | 0 | 1 | 1 | 0 |
Benito Juárez | 0 | 1 | 0 | 0 | 1 | 0 | 0 |
Cuajimalpa de Morelos | 0 | 0 | 1 | 1 | 0 | 1 | 1 |
HD = homicidios dolosos, DP =densidad poblacional, PJM = población joven masculina, PB = grado de pobreza, DF = disrupción familiar, EC = estructuras criminales, SC = sociedad civil
Fuente: Elaboración propia con base en los datos de la tabla 4
Con los datos calibrados podemos realizar un análisis de necesidad, construir la tabla de la verdad y proceder con la minimización booleana.
Análisis de condiciones necesarias
Las condiciones necesarias son aquellas que están presentes siempre que el resultado aparece, aunque la presencia de esta condición no garantiza la producción del resultado. En dicho caso hablaríamos de una condición suficiente (Ragin, 1987; Wagemann, 2012; Ariza y Gandini, 2012; Vilalta, 2016).
La tabla número 6 ejemplifica la explicación anterior: observamos que X es una condición necesaria porque está presente en todos los casos que cuentan con Y, no obstante, aunque X está presente en el caso número 10, éste no cuenta con el resultado.
Resultado | Condiciones | |||
---|---|---|---|---|
Y | X | Z | R | |
Caso 1 | 1 | 1 | 0 | 0 |
Caso 2 | 1 | 1 | 1 | 0 |
Caso 3 | 1 | 1 | 1 | 0 |
Caso 4 | 1 | 1 | 0 | 0 |
Caso 5 | 1 | 1 | 0 | 1 |
Caso 6 | 0 | 0 | 1 | 0 |
Caso 7 | 0 | 0 | 0 | 1 |
Caso 8 | 0 | 0 | 1 | 1 |
Caso 9 | 0 | 0 | 0 | 0 |
Caso 10 | 0 | 1 | 0 | 0 |
Fuente: Elaboración propia.
Para examinar si una condición es necesaria para un resultado utilizamos el índice de consistencia desarrollado por Ragin (1987). La consistencia se define como “la proporción de casos que presentan una condición determinada y también el resultado de interés dentro del total de casos que presentan el resultado” (Bol y Luppi, citados en Medina, et. al., 2017: 31). El índice oscila entre 1 y 0, donde 1 indica que la condición se encuentra presente en el 100 por ciento de los casos con el resultado, considerándose entonces necesaria. Utilizamos el programa fsQCA 3.0 para obtener el índice de consistencia para examinar la existencia de condiciones individualmente necesarias para la presencia de HD.12
En la tabla número 7 observamos que ninguna de las condiciones incluidas dentro del estudio es necesaria para la producción de HD, de acuerdo con los datos utilizados. Esto evidencia que no existe una condición universal asociada con altos niveles de violencia homicida.
Presencia de alta tasa de homicidio doloso (HD) | |
---|---|
Condicion explicativa | Consistencia |
DP | 0.50 |
PJM | 0.75 |
PB | 0.62 |
DF | 0.50 |
EC | 0.62 |
SC | 0.62 |
DP =densidad poblacional, PJM = población joven masculina,
PB = grado de pobreza, DF = disrupción familiar,
EC = estructuras criminales, SC = sociedad civil.
Fuente: Elaboración propia.
En términos de política pública, lo anterior supone un importante cuestionamiento para las estrategias que buscan afrontar el delito desde una visión unidireccional.
Construcción de la tabla de la verdad
La tabla de la verdad muestra las combinaciones de condiciones o configuraciones causales vinculadas con la presencia o ausencia de un resultado. Cada fila representa una configuración.13 Las primeras columnas informan la presencia (1) o ausencia (0) de las condiciones en cada configuración. La columna casos presenta aquellos con membresía de 1 en cada una de las filas, y se encuentran acompañados de dos números entre paréntesis. El primero indica si el caso está dentro de la configuración (1) y el segundo número señala si el caso presenta el resultado (1). La columna resultado indica si la configuración es suficiente para producir un resultado. Para evaluar si una configuración cumple con dicho criterio existe el parámetro de consistencia bruta, que se define como el “porcentaje de casos dentro de una cierta configuración de condiciones que muestra el resultado de interés de entre el número total de casos en dicha configuración” (Medina, et. al., 2017: 28). El valor para determinar que una configuración contribuye a la ocurrencia del fenómeno en conjuntos nítidos es de 1 (Ragin, 2007). Parámetros menos altos indican la existencia de configuraciones causales vinculadas con casos positivos y negativos. Estas configuraciones son conocidas como contradicciones lógicas y no contribuyen con la explicación del resultado.
La tabla de la verdad número 1 muestra que existen dos configuraciones que son suficientes para la producción de HD. Todos los casos dentro de estas configuraciones cuentan con el resultado de interés. Por otro lado, hay cinco configuraciones que no son consistentes (X < 1). Los casos dentro de estas configuraciones no siempre cuentan con el resultado o ningún caso cuenta con el resultado.
DP | PJM | PB | DF | EC | SC | Casos dentro de la configuración | Resultado(HD) | Consistencia Bruta |
---|---|---|---|---|---|---|---|---|
1 | 1 | 1 | 1 | 1 | 1 | Gustavo A. Madero (1,1) Iztapalapa (1,1) |
1 | 1.0 |
0 | 0 | 0 | 1 | 1 | 0 | Miguel Hidalgo (1,1) | 1 | 1.0 |
0 | 1 | 1 | 0 | 0 | 1 | Álvaro Obregón (1,1) Tláhuac (1,1) Xochimilco (1,1) Milpa Alta (1,0) |
1 | 0.75 |
1 | 0 | 0 | 1 | 1 | 0 | Cuauhtémoc (1,1) Coyoacán (1,0) |
0 | 0.5 |
1 | 0 | 0 | 1 | 0 | 1 | Venustiano Carranza (1,1) Azcapotzalco (1,0) Iztacalco (1,0) |
0 | 0.333333 |
0 | 1 | 1 | 0 | 1 | 1 | Tlalpan (1,1) Magdalena Contreras (1,0) Cuajimalpa de Morelos (1,0) |
0 | 0.0 |
1 | 0 | 0 | 1 | 0 | 0 | Benito Juárez (1,0) | 0 | 0.0 |
DP =densidad poblacional, PJM = población joven masculina, PB = grado de pobreza
DF = disrupción familiar, EC = estructuras criminales, SC = sociedad civil, HD = homicidios dolosos.
Fuente: Elaboración propia
Podemos anticipar que la minimización booleana arrojará una solución con dos rutas causales vinculadas con resultado, puesto que su composición difiere en más de una condición. No obstante, es pertinente realizar el procedimiento para obtener las medidas de consistencia que brindan robustez al análisis. Dicho lo anterior, minimizamos las dos primeras filas, excluyendo el resto por no contribuir con la explicación del resultado.14
Minimización booleana
La minimización booleana sigue la lógica de un experimento: cuando dos filas en la tabla de la verdad son idénticas excepto en una condición, que en una parece presente y en otra ausente, entonces dicha condición se considera irrelevante en términos lógicos para la explicación y es posible eliminarla sin que ello implique la pérdida de información (Medina et al., 2017). Utilizamos el programa fsQCA 3.0 para obtener una solución compleja que favorece la verosimilitud empírica de los resultados (véase cuadro 2). Esta solución minimiza únicamente las configuraciones que cuentan con evidencia empírica (Ragin, 2007).
Configuraciones causales | Cabertura bruta | Cobertura única | Consistencia |
---|---|---|---|
dp*pjm*pb*DF*EC*sc | 0.12 | 0.12 | 1 |
DP*PJM*PB*DF*EC*SC | 0.25 | 0.25 | 1 |
Cobertura de la solución: 0.37 | |||
Consistencia de la solución: 1 |
Nota: Las letras minúsculas indican ausencia, las letras mayúsculas presencia y
el signo * conjunción o combinación.
Fuente: Elaboración propia.
De acuerdo con la cobertura de la solución, la minimización explica el 37 por ciento de los casos con HD. Observando la consistencia de la solución, se puede afirmar que el 100 por ciento de éstos quedan cubiertos por las configuraciones resultantes. En otras palabras, de acuerdo con los datos utilizados, este modelo basado en desorganización social explicó 3 de los 8 casos con HD.
Poniendo el foco de atención en las dos rutas causales obtenidas, encontramos que la primera explicó el 12 por ciento de los casos con HD, tratándose de la alcaldía Miguel Hidalgo. El índice de cobertura única confirma que la configuración se presentó únicamente en este caso, ya que el HD se dio cuando se combinaron la ausencia de un alto grado de densidad poblacional (dp), la ausencia de un alto grado de población joven masculina (pjm), la ausencia de un alto grado de pobreza (pb), la presencia de un alto grado de disrupción familiar (DF), la presencia de un alto número de estructuras criminales (EC) y la ausencia de un bajo grado de organizaciones de la sociedad civil (sc).
La segunda ruta causal explicó el 25 por ciento de los casos con HD, tratándose de las alcaldías Gustavo A. Madero e Iztapalapa. La cobertura única confirma que esta configuración se presentó exclusivamente en estos casos, ya que el HD se presentó cuando se combinaron la presencia de un alto grado de densidad poblacional (DP), de un alto grado de población joven masculina (PJM), de un alto grado de pobreza (PB), de un alto grado de disrupción familiar (DF), de un alto número de estructuras criminales (EC) y de un bajo grado de organizaciones de la sociedad civil (SC).
Análisis de los resultados
Encontramos dos configuraciones causales asociadas con la presencia altos niveles de homicidio doloso en la CDMX, las cuales están compuestas por condiciones necesarias para una configuración que es innecesaria pero suficiente para el resultado (Medina et al., 2017).
La primera configuración (dp*pjm*pb*DF*EC*sc) se presentó en Miguel Hidalgo, con base en la cual podemos plantear que las estructuras criminales desempeñan un rol importante en la reproducción de la violencia letal en esta demarcación, probablemente por las violentas disputas por el control del territorio. Esto es plausible porque en esta alcaldía se registró la presencia de carteles rivales como Tepito y Jalisco Nueva Generación.15
La disputa territorial puede responder al alto nivel económico de Miguel Hidalgo, representado por la ausencia de un alto grado de pobreza dentro de la configuración y la ausencia de un alto grado de densidad poblacional, condición que da nota de exclusividad residencial. Este contexto económico se convierte en un espacio atractivo para el desarrollo de actividades ilícitas pecuniarias como el secuestro, la extorsión y la distribución de drogas.
Asimismo, la presencia de un alto grado de disrupción familiar puede estar facilitando la incursión de las estructuras criminales, considerando que esta condición indica bajos niveles de eficacia colectiva y relaciones endebles con las autoridades (Sampson, 1986; Díaz, 2018). También puede dificultar la operación de las asociaciones civiles dedicadas a la construcción de seguridad ciudadana, debido al poco involucramiento de la comunidad en los asuntos públicos. Así, este tipo de organizaciones quedarían rebasadas por el despliegue del crimen organizado, y no se descarta la posibilidad de que éstas realmente operen en otros territorios.
Por último, también contamos con la ausencia de un alto grado de población joven masculina, condición que puede indicar que muchos delitos son responsabilidad de pocos individuos, pero esta hipótesis es más plausible para aquellos de alta frecuencia como el robo.
En conclusión, parece que la TDS no ofrece el mejor soporte teórico para esta configuración. Los modelos basados en la elección racional pueden resultar más apropiados para interpretarla, principalmente si pensamos en los incentivos que tienen las estructuras criminales para hacerse de territorios que suponen cuantiosas ganancias económicas.
La segunda combinación (DP*PJM*PB*DF*EC*SC) se produjo en Iztapalapa y Gustavo A. Madero, y nuestra hipótesis se fundamenta empíricamente en estos dos casos.
De acuerdo con la TDS, posiblemente las personas en situación de pobreza busquen resolver sus necesidades por medios ilegales cuando existen factores ecológicos que dificultan su integración a un tipo de vida convencional. Esta situación puede facilitar su incorporación, especialmente de las juventudes, a las filas del crimen organizado en la búsqueda de oportunidades de desarrollo. Esta lectura es plausible considerando que la configuración se compone de la presencia de un alto número de estructuras criminales y tres condiciones que facilitan el establecimiento de procesos de asociación diferencial: disrupción familiar, densidad poblacional y ausencia de organizaciones de la sociedad civil dedicadas a la construcción de la seguridad ciudadana.
Las estructuras del crimen organizado pueden representar un modelo de vida aspiracional cuando la sociedad tradicional no permite la satisfacción de necesidades como el reconocimiento (Shaw y Mckay, 1942; Sutherland, 1947; Jiménez, 2005; Tenenbaum, 2018).
Asimismo, las disputas entre dichas estructuras se encuentran relacionadas con la ejecución de miembros de los carteles rivales, aunque la violencia letal también se ejerce contra la población en el marco de actividades como el secuestro o la extorsión (Zepeda, 2018; Cubides, 2014; Llorente et al., 2002; Núñez et al., 2003). En este orden de ideas, los jóvenes pueden pasar a formar parte de la primera línea de combate del crimen organizado cuando existen mayores posibilidades de establecer contacto con los delincuentes. La disrupción familiar facilita dicho proceso porque implica la ausencia de supervisión dentro del hogar y un vacío emocional que puede llenarse mediante grupos de pares en la calle (Reiss, 1986). El establecimiento de procesos de asociación diferencial es más probable en entornos con alta densidad poblacional, ya que es más fácil conocer a delincuentes en ambientes donde existe una vigilancia impersonal y abstracta (Stark, 1987; Akers, 1994; Sampson, 1986; Fuentes, 2015).
Finalmente, un entramado asociativo endeble puede facilitar la apropiación de las estructuras del crimen organizado ese territorio y la incursión de los jóvenes a sus filas a causa de la falta de involucramiento en la solución de los problemas comunitarios (Vilalta y Muggah, 2016; Sampson, 1986).
Estas lecturas deben tomarse con cautela, ya que un análisis más robusto debe profundizar en los contextos de Iztapalapa y Gustavo A. Madero para comprender cuál es la función de las condiciones dentro de la configuración causal y cómo ésta conduce al resultado. Aunque dicho ejercicio rebasa los alcances del presente trabajo. No obstante, lo anterior permitiría ajustar el modelo teórico en función del contexto de las unidades de análisis, y con este estudio buscamos detonar esta línea de investigación.
Resulta importante considerar también la existencia de posibles errores en la codificación de los datos que pudieran llevar a resultados erróneos o explorar mejores alternativas para la operacionalización y calibración de los mismos y condiciones explicativas.
Conclusiones
¿Por qué se producen altos niveles de homicidio doloso en las alcaldías de la Ciudad de México? El análisis empírico permite concluir que en Iztapalapa y Gustavo A. Madero esta situación se explica por la combinación de condiciones vinculadas con la formación de motivaciones delictivas, derivadas de la teoría de la desorganización social.
Aunque no identificamos condiciones individualmente necesarias, encontramos que éstas se vuelven determinantes en la producción del resultado cuando alcanzan cierta magnitud, de acuerdo con los criterios de calibración establecidos, y se combinan o interactúan en este nivel de agregación de los datos. Lo anterior constituye evidencia empírica a favor de la hipótesis del trabajo.
Para reducir los altos niveles de homicidio doloso en estas alcaldías de la CDMX es necesario romper la combinación entre densidad poblacional, población joven masculina, pobreza, estructuras criminales, disrupción familiar y bajo grado de eficacia colectiva. Intervenir de manera aislada y territorialmente homogénea sobre cada uno de estos factores puede conducir, en el mejor de los escenarios, a un despilfarro de recursos públicos o, en la peor de las situaciones, en la aparición de nuevos problemas para la población.
Asimismo, la naturaleza de la intervención gubernamental dependerá de la función específica de las condiciones dentro de la configuración causal en los contextos particulares de Iztapalapa y Gustavo A. Madero, pero de manera general, las políticas públicas deberán combinar acciones orientadas al fortalecimiento del control social informal, la ampliación de las oportunidades para el desarrollo social y humano, la reducción de la impunidad y el desmantelamiento de las estructuras criminales, de modo que sea posible reducir las condiciones presentes en el contexto que favorecen la formación de motivaciones delictivas en los individuos, asociadas con la debilidad del control social informal y la operación del crimen organizado.
Lo anterior implica, por ejemplo, la instrumentación de acciones para reconstruir los vínculos de los jóvenes con la sociedad, reducir la pobreza individual y colectiva y rehabilitar los espacios públicos a favor de la cohesión social, las cuales deberán combinarse con estrategias para fortalecer la operación de las instituciones formales como la policía y el sistema de procuración de justicia, intentando reducir la corrupción e impunidad que alimentan al crimen organizado.
Por otro lado, a nivel teórico, también es importante poner énfasis en que la configuración identificada no explicó todas las alcaldías con altos niveles de homicidio doloso. Esto evidencia que los altos niveles de violencia letal pueden estar produciéndose en el marco de otras combinaciones de condiciones explicativas que no necesariamente se desprenden de la teoría de la desorganización social, incluso en una misma entidad federativa como la CDMX. Estos resultados, en última instancia, representan un llamado a evitar el uso acrítico de teorías de base empírica extranjera como insumos para el diseño de políticas públicas territorialmente homogéneas.
En los casos no explicados será necesario incluir nuevas condiciones explicativas o recurrir a otros marcos teóricos como anomia institucional, actividades rutinarias o patrones delictivos, lo cual ilustra que un mismo fenómeno criminal, como el homicidio, responde ante dinámicas contextuales diferenciadas.
En este sentido, nuestro trabajo sugiere que la cantidad de homicidios dolosos se puede explicar por las operaciones y disputas del crimen organizado en los contextos de alta debilidad del control social informal, lo que se traduciría en una participación más intensa de los jóvenes dentro de las estructuras criminales, eventualmente, en la construcción de redes delictivas más amplias y una mayor capacidad para iniciar y sostener violentas disputas territoriales con los carteles rivales, la comunidad y las autoridades, por ejemplo. Empero, en otros casos, como puede ser Miguel Hidalgo y Benito Juárez, es posible que los homicidios dolosos dependan más de las actividades económicas de las víctimas debido a la intensa actividad económica que se registra en estas demarcaciones.
Por otro lado, los resultados también ilustran cómo los supuestos de teorías de base empírica extranjera no siempre se corresponden con los hechos en el ámbito de los contextos locales en América Latina. En este orden de ideas, además de sumarse a la escasa literatura configuracional sobre temas de inseguridad pública en Latinoamérica (Cubides, 2014), nuestro trabajo dialoga con los estudios empíricos que establecen límites contextuales a los supuestos de teorías estadounidenses en contextos latinoamericanos. (Díaz, 2018; Escobar, 2012; Oliveira y Correni, 2013; Sánchez, 2014). Es fundamental considerar con mayor ahínco el papel del contexto en el estudio de las tasas delictivas para explicar más unidades de análisis dentro de una misma población de casos.
De acuerdo con las condiciones, datos, calibraciones y metodología empleados, es evidente que las alcaldías de la Ciudad de México cuentan con dificultades distintas, por lo que requieren de políticas diferenciadas para enfrentar una misma problemática: la violencia letal. Aquí se encuentra la relevancia de los estudios locales de tipo configuracional como el que hemos desarrollado.