Una Comparación De Diferentes Modelos Para La Predicción Del Crimen En Bogotá (A Comparison of Different Crime Prediction Models for Bogotá)

El uso del mapeo de puntos calientes (hotspots) es una técnica descriptiva utilizada para identificar el lugar hacia dónde deberían dirigirse los recursos de prevención del crimen. Consiste en la identificación de áreas geográficas donde, en el pasado, ha habido delitos con mayor frecuencia, con el objetivo de prevenirlos en el futuro, de acuerdo con la existencia de determinantes fijos de crimen, así como la existencia de fenómenos temporales que, sin embargo, tienen cierta persistencia. Hay diferentes técnicas para la identificación de los puntos calientes basadas en modelos como el método de estimación de puntos, estimación de densidad por Kernel, el método de elipses espaciales y modelos espacio-temporales. Este trabajo compara la capacidad descriptiva y predictiva de los principales modelos de predicción de crimen existentes en la literatura académica al caso de crímenes en la ciudad de Bogotá durante el período 2011 – 2012. En términos generales encontramos que el modelo espacio temporal basado en Mohler et. al (2012) es el que mejor desempeño tiene en la predicción del crimen en ciertas zonas de la ciudad. The use hotspots are a common descriptive technique to identify places where policing resources should be optimally deployed for preventing crimes. These consists of the identifications of small geographical regions with the purpose of predicting future crimes based on the existence on time independent regularities and/or temporal phenomena that tend to persist over time. There are several techniques used in the specialized literature to identify hotspots based on point estimates, Kernel density estimation, spatial ellipsoids and spatial‐temporal models. This paper compares the descriptive and predictive capacity of the main crime prediction models reported in the academic literature using data from the city of Bogotá during the period 2011 – 2012. In general terms, we find that the spatial‐temporal model based on the work of Mohler et. al (2012) has the best predictive performance with our data