100
Vol.13-N°2, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Revista Económica
DOI: 10.54753/rve.v13i2.2478
https://revistas.unl.edu.ec/index.php/economica
ARTÍCULO DE INVESTIGACIÓN
Análisis del crimen en contextos locales: Estudio de caso para la Zona
Metropolitana de Monterrey
Crime Analysis in Local Contexts: A Case Study for the Monterrey
Metropolitan Area
Antonio Petz-Cantú
1
|
Miguel Flores-Treviño
1
|
Uriel Zavala-Arrambide 1
1 Tecnológico de Monterrey, México
Correspondencia
Antonio Ludovico Petz Cantú, Tecnológico de
Monterrey, México.
Correo electrónico: apetz@tec.mx
Fecha de recepción
Mayo 2025
Fecha de aceptación
Julio 2025
Resumen
El trabajo emplea análisis de regresión ponderada geográficamente para
comparar modelos globales sobre los determinantes del crimen en la
Zona Metropolitana de Monterrey-México con modelos locales que
incorporan el factor espacial. Los resultados muestran que las relaciones
entre las variables del modelo son no-estacionarias en el territorio:
mientras que las variables de actividad económica y capital social
presentan relaciones tanto positivas como negativas con el crimen,
dependiendo de la zona analizada, las variables de población y desarrollo
social exhiben una relación homogénea a lo largo del territorio, en línea
con lo esperado teóricamente.
Palabras clave: Crimen, Modelos espaciales, Patrones de uso de suelo
urbano.
Códigos JEL: K42. R14. C21.
Abstract
The paper employs geographically weighted regression to compare global
models of crime determinants in the Monterrey-Mexico Metropolitan
Area with local models that incorporate spatial factors. The results
indicate that the relationships between model variables are not spatially
stationary: economic activity and social capital show both positive and
negative associations with crime, depending on the area, while population
and social development exhibit a consistent relationship across the
territory, aligning with theoretical expectations.
Key words: Crime, Spatial models, Urban land use patterns.
JEL codes: K42. R14. C21.
101
Vol.13-N°1, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Petz, A., Flores, M. y Zavala, U.
1 | INTRODUCCIÓN
Con el término del sexenio del presidente Andrés Manuel López Obrador en 2024, México ha tenido tres
administraciones federales marcadas por la seguridad pública como el principal problema en el país. De acuerdo con
la Encuesta Nacional de Victimización y Percepción sobre Seguridad Pública (ENVIPE) 2022, el 61.2% de la población
mayor de 18 años considera la inseguridad como el problema más importante que los aqueja. Esto es, incluso por
delante de otros problemas que se viven a nivel mundial, como lo es el aumento de precios, el desempleo, la escasez
de agua y la corrupción, entre otros problemas (INEGI, 2022b).
Aunque la percepción de inseguridad a nivel nacional es alta, resulta particularmente interesante el contraste que se
presenta al analizar esta percepción en escalas territoriales más reducidas. De acuerdo con la ENVIPE, los espacios
identificados como más inseguros por la población son de carácter local, como los cajeros automáticos en la vía pública,
el transporte público y las calles o banquetas. No obstante, los niveles de percepción de inseguridad son
significativamente mayores en los ámbitos estatal (75.9%) y municipal (64.9%), en comparación con las colonias
(42.1%), que corresponden al entorno inmediato de residencia de las personas (INEGI, 2022b). Dichas diferencias de
percepción enfatizan la necesidad de analizar el fenómeno del crimen en contextos locales.
Desde un lado de vista teórico, la necesidad de estudiar el fenómeno bajo un contexto local se consolida con la
etiología del crimen en donde se considera el lugar o sitio como factor para la ocurrencia de un delito. Como uno de
los principales impulsores de este paradigma criminológico, Anselin et al. (2000) sostienen que el lugar puede
constituir un factor determinante en la ocurrencia del delito, ya sea al influir en el comportamiento criminal de quienes
lo habitan o transitan, o bien al atraer a individuos con propensión a conductas delictivas, generando así una
concentración espacial del crimen. Aunque el análisis espacial del crimen cuenta con un respaldo metodológico
consolidado, todavía enfrenta desafíos importantes. Uno de ellos es la necesidad de incorporar técnicas capaces de
capturar relaciones espaciales complejas y no estacionarias entre variables geográficas. Sin embargo, el principal
obstáculo radica en la limitada disponibilidad de datos criminológicos georreferenciados de acceso público, lo que
restringe su aplicación práctica en contextos reales.
En México, como en la mayor parte del mundo, los datos abiertos sobre incidencia criminal son agrupados según
características globales del lugar en donde ocurren. Esto podría ser por colonias, municipios, estados o cualquier otra
región geográfica mayor. Sin embargo, como mencionan Wang et. al (2019), las autoridades pueden omitir publicar la
ubicación exacta con latitud y longitud del incidente criminal por cuestiones de confidencialidad. Esto es, ya que
pudieran llevar a revelar las ubicaciones de las víctimas y dotar de experiencia e información sobre oportunidades
criminales a posibles delincuentes. Esta escasez de información tiende a limitar las técnicas de análisis y dejar un vacío
de información; de ahí la necesidad de modelos que incorporan el factor espacial en su desarrollo.
El objetivo del presente trabajo es el de analizar los determinantes del crimen incorporando explícitamente la
dimensión espacial mediante modelos locales, con un enfoque específico en la Zona Metropolitana de Monterrey.
Particularmente, la pregunta de investigación es: ¿Cómo varía espacialmente la relación entre los determinantes
socioeconómicos y el crimen en la Zona Metropolitana de Monterrey?
Para lograr el objetivo, se desarrollan una serie de índices que incorporan diversas variables de carácter
socioeconómicas. Posteriormente, estas se integran posteriormente en un modelo econométrico espacial, una
Regresión Ponderada Geográficamente (GWR), para explicar los determinantes del crimen en una zona en específico.
Los resultados muestran que el incorporar el factor espacial en el análisis del fenómeno delictivo permite obtenenr
modelos con un mayor grado de fiabilidad y explicación. Además, la posibilidad de que los coeficientes estimados
varíen espacialmente contribuye a una comprensión más precisa del fenómeno, facilitando la toma de decisiones
estratégicas por parte de las autoridades responsables.
La relevancia de esta investigación radica en dos factores principales. En primer lugar, el enfoque metodológico
representa una innovación en el análisis del crimen en contextos urbanos de México, al incorporar técnicas
geoespaciales a pesar de la limitada disponibilidad de datos abiertos y las restricciones derivadas de la
confidencialidad de los registros oficiales. Las bases de datos empleadas y el enfoque analítico adoptado permiten
superar parcialmente estas limitaciones mediante el uso de modelos locales que capturan la variación espacial del
fenómeno delictivo. En segundo lugar, el estudio tiene importantes implicaciones para el diseño de políticas de
seguridad pública, al identificar patrones territoriales específicos que requieren intervenciones diferenciadas. Así, el
trabajo contribuye a la discusión de políticas públicas más efectivas y contextualizadas en la Zona Metropolitana de
Monterrey.
102
Vol.13-N°2, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Análisis del crimen en contextos locales ….
La investigación se organiza en cinco secciones, incluyendo la introducción. En la segunda sección se abordan los
antecedentes del área de estudio y se realiza una revisión crítica de la literatura sobre las principales teorías
relacionadas con la etiología del crimen, así como la aplicación de técnicas geoestadísticas para su análisis. La tercera
sección describe las fuentes de datos y la metodología empleada, detallando el tratamiento aplicado a las variables. En
la cuarta sección se presentan y discuten los resultados en relación con investigaciones previas. Finalmente, la quinta
sección concluye con los principales hallazgos y propone recomendaciones para la formulación de políticas públicas.
2 | REVISIÓN DE LITERATURA PREVIA
Con un estimado de 5.3 millones de habitantes, la Zona Metropolitana de Monterrey (ZMM), ubicada en el estado de
Nuevo León, representa la segunda aglomeración urbana más poblada del país, únicamente superada por la Zona
Metropolitana del Valle de México. Esta concentración demográfica ha sido impulsada en gran medida por su posición
estratégica dentro del corredor comercial hacia Estados Unidos y Canadá, lo cual ha fortalecido su vocación industrial
a lo largo de las últimas décadas. Los términos de referencia para el Programa de Ordenación Metropolitana hacia
2050, publicados por el Gobierno de Nuevo León en 2022, señalan que el dinamismo económico de la ZMM ha
provocado una duplicación de su población y una expansión territorial cinco veces mayor en tan solo 30 años. Este
crecimiento urbano de carácter horizontal ha planteado una serie de retos en materia de movilidad, provisión de
servicios y, particularmente, en temas de seguridad pública.
A pesar de contar con indicadores positivos en términos de escolaridad, ingreso y cobertura de servicios, la ZMM no
ha estado exenta de problemáticas relacionadas con la criminalidad. De acuerdo con datos del Observatorio de
Seguridad y Justicia (2023), en 2022 el estado de Nuevo León se ubicó en la posición 11 de 32 en incidencia de
homicidios, con una tasa de 24.82 por cada cien mil habitantes, cifra superior al promedio nacional de 20.92. Esta
situación evidencia que el desarrollo económico no garantiza, por sí solo, entornos seguros y libres de violencia.
Figura 1. Ubicación de la zona metropolita de monterrey en el estado de nuevo león. Fuente: Staff AFP (2012).
La ZMM está conformada por 11 municipios, cada uno con su propio cuerpo de seguridad pública y estrategias para el
combate y prevención del delito. Estas diferencias administrativas se suman a las particularidades sociodemográficas
de cada municipio, las cuales inciden en la distribución territorial de los incidentes delictivos. Con el fin de familiarizar
al lector con la cartografía a utilizar en el presente trabajo y para ilustrar las diferencias en incidencia delictiva hacia
dentro del área de estudio, se presenta el siguiente mapa con la sumatoria de delitos ocurridos a nivel AGEB entre
enero del año 2015 y febrero del año 2021, esto para 5 tipos de delitos entre los que se encuentra el robo a persona,
robo a casa, robo a vehículo, robo a comercio y violencia familiar.
El mapa revela una clara diferenciación espacial entre zonas de alta y baja criminalidad, lo que sugiere la existencia de
factores estructurales que inciden en la concentración geográfica del delito. Ante esta evidencia visual, resulta
pertinente explorar los determinantes sociales del crimen mediante herramientas de análisis geoestadístico, capaces
de capturar la variabilidad espacial de las relaciones causales. Diversas teorías explican el crimen como resultado de
decisiones individuales y condiciones estructurales. La economía del delito, iniciada por Becker (1968), lo modela
como una elección racional: los individuos comparan beneficios esperados y costos, influenciados por factores como
la probabilidad de captura, el castigo y su ingreso legal. En este enfoque, el desarrollo económico reduce la propensión
a delinquir, aunque su visión individualista deja fuera aspectos sociales y territoriales clave.
103
Vol.13-N°1, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Petz, A., Flores, M. y Zavala, U.
Modelos recientes han ampliado la comprensión de este fenómeno al analizar cómo distintos factores
socioeconómicos como pobreza, desempleo, desigualdad o rezago educativo impactan en la incidencia del crimen.
Esto parte del reconocimiento de que la criminalidad no solo depende de decisiones individuales, sino también de
condiciones estructurales del entorno donde estas decisiones se toman. En este contexto, factores como la pobreza,
desempleo, desigualdad, educación, edad y densidad poblacional interactúan también como determinantes
sistemáticos de la incidencia del crimen (Calderón et al., 2025).
Figura 2. Mapa de incidencia delictiva 2015-2021, zona metropolitana de monterrey. Fuente: Elaboración propia a
través del software ArcMap.
A partir de este enfoque, se distinguen dos dimensiones clave para el análisis: por un lado, la oportunidad criminal,
entendida como los factores inmediatos que facilitan la comisión de un delito —como la presencia de blancos
vulnerables, la baja vigilancia o el escaso control social—, en línea con la noción de cálculo racional propuesta por
Becker (1968). Por otro lado, el contexto socioeconómico, que engloba características más profundas del territorio,
como el nivel de desarrollo, la exclusión social o la cohesión comunitaria.
Ambas dimensiones —oportunidad criminal y contexto socioeconómico— se manifiestan espacialmente y cobran
sentido en el entorno urbano. Según Anselin et al. (2000), la localización geográfica influye en la oferta y demanda de
oportunidades criminales, ya que la organización del territorio, incluida la segregación socioespacial, la distribución
desigual de recursos y la concentración económica, moldea los patrones delictivos y su persistencia. Sin embargo,
muchas investigaciones usan regresiones globales que asumen relaciones uniformes en todo el territorio, lo que, como
señalan Chen et al. (2012), puede ocultar dinámicas locales clave y promediar efectos, impidiendo captar variaciones
espaciales. En ciudades latinoamericanas complejas, esta limitación conduce a interpretaciones imprecisas, por lo que
es esencial emplear metodologías que identifiquen cómo varían las relaciones según el lugar.
En este marco, el factor espacial emerge como un elemento fundamental para comprender la complejidad del
fenómeno criminal. La evidencia internacional ha demostrado que la relación entre crimen y sus determinantes
socioeconómicos no es homogénea, sino que varía significativamente según el contexto local. Así, el comportamiento
delictivo se modula por características espaciales que reflejan diferencias en la estructura social y las oportunidades
criminales a nivel territorial. Por ejemplo, Johnson (2019) utiliza regresiones por cuantil con rezagos espaciales en
más de 6,000 zonas censales en Estados Unidos para mostrar que la influencia de variables como la desventaja
estructural, la violencia vecina y la inestabilidad residencial cambia dependiendo del nivel de violencia en cada
vecindario, destacando así la importancia de analizar estas relaciones desde una perspectiva espacialmente
diferenciada.
Más recientemente, Cueva et al. (2024) confirman la importancia del componente espacial al analizar el crimen en
Quito entre 2014 y 2020 mediante el estadístico Getis-Ord Gi*, con el que identifican patrones geográficos
diferenciados asociados a factores socioeconómicos y demográficos. En conjunto, estos estudios evidencian la
necesidad de abandonar supuestos de homogeneidad espacial y adoptar enfoques metodológicos que permitan
capturar la variabilidad local para diseñar intervenciones públicas más eficaces y sensibles al territorio.
104
Vol.13-N°2, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Análisis del crimen en contextos locales ….
En México, los estudios recientes han avanzado en el análisis espacial del crimen, revelando patrones consistentes
entre el entorno urbano y la actividad delictiva. Peña (2023) muestra que, en la Zona Metropolitana del Valle de
México, los delitos violentos presentan una marcada concentración en las zonas fronterizas entre la Ciudad de México
y el Estado de México. A partir de un enfoque espacial y temporal, el autor identifica cómo estas áreas funcionan como
nodos críticos dentro de la dinámica metropolitana de la violencia, en parte por su conexión con rutas estratégicas,
mercados ilegales y la débil coordinación institucional entre demarcaciones.
De forma complementaria, Mancha-Torres y Aguayo-Téllez (2021) analizan 47 ciudades mexicanas y confirman la
existencia de correlación espacial entre ellas, encontrando que factores como el consumo de drogas, el acoso escolar
y la exposición a entornos violentos en barrios, escuelas o centros de trabajo elevan significativamente la probabilidad
de conductas agresivas entre jóvenes de 14 a 24 años. Ambos trabajos refuerzan la importancia de entender el crimen
desde una perspectiva territorial y multiescalar, en la que las dinámicas locales no solo están condicionadas por
características internas, sino también por influencias externas y patrones regionales compartidos que deben ser
considerados en el diseño de políticas públicas más eficaces.
En el caso específico de Monterrey, la evidencia empírica sobre la dimensión espacial del crimen es aún limitada,
aunque comienza a consolidarse. Aguayo y Medellín (2014) muestran que existe autocorrelación espacial en los
delitos violentos y en los robos de vehículos entre vecindarios. Además, mediante un modelo Tobit espacial,
identifican que variables como la densidad poblacional, la proporción de mujeres y la presencia de centros
comerciales, aumentan la incidencia delictiva, mientras que mayores niveles educativos tienen un efecto inverso en
los delitos violentos.
Por otro lado, el trabajo de Quintero (2024) aporta un análisis descriptivo valioso sobre patrones delictivos en la
colonia Las Colinas de San Bernabé (Fomerrey 25), aunque se limita a una sola zona y no incorpora herramientas
econométricas espaciales. La escasez de estudios aplicados a nivel intraurbano en Monterrey revela una brecha
importante en la literatura local, particularmente en lo que respecta a entender cómo las características del entorno
físico y social de los barrios interactúan con dinámicas espaciales del crimen. Esta escasez de literatura representa una
oportunidad para contribuir con evidencia empírica más robusta que pueda informar intervenciones públicas más
precisas y eficaces.
La heterogeneidad territorial es una característica fundamental en el análisis de fenómenos urbanos complejos como
la criminalidad. En literatura pasada se ha encontrado que los patrones delictivos no se distribuyen de manera
uniforme ni responden de igual forma a sus determinantes sociales, económicos y demográficos en todo el territorio.
Por ello, resulta indispensable adoptar un marco conceptual que reconozca estas diferencias locales y permita
comprender cómo factores estructurales interactúan con las particularidades del entorno en distintas áreas
geográficas. Abordar la criminalidad desde esta perspectiva territorial contribuye a entender mejor las dinámicas
espaciales del delito y a diseñar políticas públicas que respondan eficazmente a las necesidades específicas de cada
contexto.
3 | DATOS Y METODOLOGÍA
a. Fuente de los datos
Como se mencionó anteriormente, uno de los principales retos al abordar el análisis del crimen desde una perspectiva
espacial es la disponibilidad de datos. Wang et. al (2019) mencionan que las autoridades omiten publicar la ubicación
exacta con latitud y longitud del incidente criminal ya que pudieran llevar a revelar las ubicaciones de las víctimas y
dotar de experiencia e información sobre oportunidades criminales a posibles delincuentes.
Para resolver la brecha de información y obtener datos de utilidad se firmó un convenio de colaboración entre el grupo
de investigadores y el Secretariado Ejecutivo del Consejo de Coordinación del Sistema Integral de Seguridad Pública
del Estado de Nuevo León. Derivado del convenio, se logró el acceso a información confidencial sobre la estadística
de la incidencia delictiva, la cual se genera través de las llamadas de emergencia al número 9-1-1. En específico, el
gobierno del estado de Nuevo León proporcionó estadísticas delictivas diarias desde el mes de enero del año 2015 al
mes de febrero del año 2021, para 5 tipos de delitos distintos entre los que se encuentra el robo a persona, robo a casa,
robo a vehículo, robo a comercio y violencia familiar.
Con el fin de asegurar la confidencialidad de la información respecto a la ubicación de las víctimas, las ubicaciones en
latitud y longitud de la incidencia delictiva fueron agregadas a una escala de Áreas Geoestadística Básicas (AGEBS)
urbanos pertenecientes a la zona metropolitana de Monterrey, dichos datos cartográficos fueron obtenidos a través
105
Vol.13-N°1, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Petz, A., Flores, M. y Zavala, U.
del Marco Geoestadístico Nacional para el Censo de Población y Vivienda 2020 del Instituto Nacional de Estadística
y Geografía (INEGI, 2021).
La escala seleccionada permite analizar espacialmente lo que sucede hacia adentro de la zona metropolitana de
Monterrey, al dividir en 1629 AGEBS una superficie cercana a los 5 mil kilómetros cuadrados que comprende los
municipios de Monterrey, Guadalupe, San Nicolás de los Garza, San Pedro Garza García, Santa Catarina, Apodaca,
General Escobedo, Santiago, Juárez, Cadereyta Jiménez y García.
Manteniendo la unidad de análisis del AGEB a la base de datos proporcionada por el gobierno del estado de Nuevo
León, se le vincularon variables originadas en el Censo de Población y Vivienda 2020 de INEGI, el cual contempla
diversas características demográficas, socioeconómicas y culturales. De la misma manera, del INEGI también se
integró información proveniente del Directorio Estadístico Nacional de Unidades Económicas (DENUE) sobre
establecimientos, empleos y la actividad económica que realizan.
b. Diseño de la metodología
El objetivo central de esta investigación es desarrollar una metodología que integre los principales enfoques teóricos
sobre la etiología del crimen, incorporando de manera explícita el componente espacial como una dimensión
estructural clave. Para ello, se construyen dos índices que sintetizan los factores más relevantes identificados en la
literatura: uno relacionado con la oportunidad del crimen y otro con el desarrollo social. Posteriormente, se emplea
una regresión ponderada geográficamente (GWR) para capturar patrones y correlaciones que varían en magnitud y
dirección a lo largo del territorio. Complementariamente, se aplican métricas espaciales, como el índice I de Moran,
para cuantificar el impacto y la autocorrelación espacial en
Para la creación de los índices, se toma como referencia el trabajo de Plerhoples et al. (2017), quienes desarrollaron
un índice de nivel socioeconómico a nivel de barrio en Washington, D.C., el cual fue correlacionado con la incidencia
delictiva local. Inspirados en esta aproximación, se integraron datos provenientes del Directorio Estadístico Nacional
de Unidades Económicas (DENUE) y del Censo de Población y Vivienda 2020, ambos publicados por el Instituto
Nacional de Estadística y Geografía (INEGI), para construir indicadores comparables a nivel de AGEB en la Zona
Metropolitana de Monterrey.
En particular, para capturar empíricamente la dimensión de oportunidad criminal teóricamente construida se elaboró
el denominado “Índice de Actividad Económica Vulnerable”. Este índice refleja la presencia de unidades económicas
potencialmente desprotegidas —es decir, susceptibles de ser blanco de delitos— cuya concentración podría aumentar
el riesgo de criminalidad en determinadas áreas urbanas. Las variables específicas que componen este índice se
detallan en la Tabla 1, y fueron seleccionadas en función de su relevancia teórica y disponibilidad estadística.
Tabla 1. Resultados del índice de actividad económica vulnerable utilizando el método de componentes principales.
Índice de Actividad Económica Vulnerable
Componente 1
Componente 2
Varianza explicada componentes extraídos
37.11%
23.09%
Autovalores iniciales (Eigenvalues)
1.855
1.154
Acumulado de la varianza explicada al 2do componente
60.19%
Loadings
% Población Ocupada
-0.236
0.747
% de unidades económicas de 0 a 5 empleados
-0.721
-0.312
% de unidades económicas orientadas a servicios
0.716
-0.098
% Viviendas con servicios de streaming
0.742
0.392
% Unidades económicas relativo al total
0.465
-0.580
Medida de Adecuación Muestral KMO = 0.621 Prueba de esfericidad de Bartlett p-value = 0.000
Fuente: Elaboración propia.
Para capturar el nivel de desarrollo social en las microrregiones del área metropolitana, también se construyó un
índice que integra múltiples dimensiones socioeconómicas. El objetivo de este índice es cuantificar el nivel
socioeconómico para más adelante medir cómo las condiciones estructurales influyen en la propensión al delit, como
106
Vol.13-N°2, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Análisis del crimen en contextos locales ….
mencionado por Calderón et al. (2025). Este “Índice de Desarrollo Social” se elaboró mediante componentes
principales, usando variables a nivel AGEB del Censo 2020 (INEGI, 2021).
Los resultados obtenidos a partir del análisis de componentes principales respaldan la validez estadística de los índices
construidos. La medida de adecuación muestral KMO, junto con la prueba de esfericidad de Bartlett, indican una
correlación significativa entre las variables utilizadas, lo cual justifica su agrupación bajo una estructura latente
común. Esta evidencia sugiere que las variables seleccionadas no sólo comparten una dimensión subyacente, sino que
dicha dimensión puede ser representada con eficacia mediante un índice compuesto.
Tabla 2. Resultados del índice de desarrollo social la metodología de componentes principales.
Índice de Desarrollo Social
Componente 1
Componente 2
Varianza explicada componentes extraídos
50.91%
27.21%
Autovalores iniciales (Eigenvalues)
2.645
1.361
Acumulado de la varianza explicada al 2do componente
80.12%
Loadings
Viviendas habitadas
0.359
0.853
Grado promedio escolaridad
0.884
-0.323
Viviendas con dos o más dormitorios
0.704
0.547
Viviendas con disponibilidad de automóvil
0.800
-0.478
Población con acceso a servicios de salud
0.774
-0.030
Medida de Adecuación Muestral KMO = .628 Prueba de esfericidad de Bartlett p-value = 0.000
Fuente: Elaboración propia.
En términos de varianza explicada, el “Índice de Actividad Económica Vulnerable” logró captar el 60.19% de la
variabilidad de las variables originales en los dos primeros componentes principales. Esta proporción aumenta
significativamente en el caso del “Índice de Desarrollo Social”, donde los dos primeros componentes explican el
80.12% de la varianza, lo cual evidencia una mayor coherencia interna en las dimensiones sociales capturadas. Ambos
resultados reflejan un buen nivel de síntesis de información, sin sacrificar precisión en la representación de los
conceptos teóricos de Van Dijk (1994) y Becker (1968).
Una vez obtenidas las variables representativas de las teorías en cuestión, se procedió a estimar un modelo
econométrico que permita evaluar empíricamente su relación con la incidencia delictiva. Para ello, se aplicó en
primera instancia el método de mínimos cuadrados ordinarios (MCO), con el objetivo de verificar si la dirección de los
coeficientes estimados es congruente con lo planteado en los marcos teóricos. En particular, se espera que el índice
de desarrollo social muestre una relación negativa con el crimen, mientras que la vulnerabilidad económica se asocie
positivamente con una mayor incidencia delictiva.
Además de las variables principales, se incorporaron variables de control relacionadas con la estructura poblacional
de las AGEBs. La población total se introdujo bajo la premisa de que un mayor número de habitantes tiende a generar
más incidentes delictivos, en línea con lo argumentado por Hoch (1974), donde una mayor densidad poblacional
podría aumentar la oportunidad del crimen. De manera complementaria, se incorporó la proporción de población
nacida en otra entidad federativa como un indicador proxy del arraigo territorial, partiendo de la hipótesis de que una
menor integración social puede debilitar los lazos comunitarios y, en consecuencia, reducir el capital social que actúa
como factor protector frente al crimen.
Tomando en consideración los teorías e hipótesis planteadas, el modelo se especifica de la siguiente manera:
(1).
El modelo de MCO utiliza varias variables clave: CRIMEN, que es la sumatoria de los cinco principales delitos ocurridos
entre 2015 y 2021 por AGEB; IAEV, el Índice de Actividad Económica Vulnerable, que mide la vulnerabilidad
económica; IDS, el Índice de Desarrollo Social, que evalúa el bienestar social; POB, que indica la población total por
AGEB; PNE, que refleja la proporción de población no nacida en la entidad, y ε, el término de error que captura las
107
Vol.13-N°1, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Petz, A., Flores, M. y Zavala, U.
variaciones no explicadas entre las observaciones. Estas variables permiten analizar las relaciones entre los delitos y
factores socioeconómicos en cada área geográfica
Tabla 3. Resultados del modelo de mínimos cuadrados ordinarios.
Regresión MCO Estimadores
1.634**
(0.697)
7.938***
(0.938)
-12.334
(0.718)
0.008***
(0.0004)
0.005***
(0.002)
Observaciones
1,629
Error Est. Resid
13.952
R2
0.556
AICc
13216.88
R2 ajustada
0.555
*p<0.1; **p<0.05; ***p<0.01
Fuente: Elaboración propia a través del software ArcMap.
Como se puede apreciar en los resultados de la tabla 3, las variables generadas coinciden con la expectativa teórica en
cuanto a su relación con la incidencia delictiva. Por un lado, la actividad económica guarda una relación directa,
encontrando evidencia de la relación que plantea Becker (1994), donde una mayor cantidad de unidades económicas
(sin protección) brinda un universo más amplio para cometer una ofensa. Por otro lado, el factor socioeconómico
muestra una relación inversa, sugiriendo que un mayor nivel de desarrollo social reduce la propensión al delito.
Ahora bien, es necesario notar que, aunque este índice no resulta estadísticamente significativo en este modelo, su
signo negativo es consistente con la teoría que vincula mejores condiciones socioeconómicas con menor criminalidad.
Una vez teniendo un modelo formal que incorpora ambas teorías a estudiar, es necesario introducir el componente
geográfico en la ecuación. Si bien con la ecuación original se obtenían coeficientes a partir del análisis de variables a
nivel AGEB y en cierta medida se obtenía un resultado basado en geografía, el método queda corto en explicar las
asociaciones y variaciones entre variables a nivel espacial.
Ante esto, Fotheringham et. al (1998) proponen una regresión ponderada geográficamente, GWR por sus siglas en
inglés, que resulta adecuada para investigar variaciones espaciales del modelo propuesto anteriormente, permitiendo
representar a través de un mapa, las relaciones locales entre variables.
La razón para utilizar GWR y no otra técnica de análisis espacial como lo son el análisis de clústers, la técnica de análisis
espacio-temporal a través de zonas calientes o hotspots o la interpolación geoestadística tipo kriging, entre otras,
obedece a dos razones primordiales. La primera de ellas es debido al tipo de datos a tratar, dentro del espectro de
datos vectoriales que existen se encuentran los puntos de coordenadas, las redes lineales y los polígonos y debido a
que la unidad geográfica de análisis es el AGEB de INEGI, se descartan las técnicas de análisis que no contemplen los
datos vectoriales tipo polígono. Como segundo motivo, tiene que ver con el tipo de relaciones que se busca encontrar
entre las variables. En este caso, deseamos comprender de mejor manera la variación regional entre los coeficientes
de las variables explicativas del modelo planteado, por lo que, al tener un modelo de regresión local, podemos analizar
los cambios entre regiones al comparar los valores estimados de sus variables independientes.
Por lo que siguiendo el trabajo de Fotheringham et. al (1998), la notación científica del modelo original (2), podría ser
reescrita para permitir el uso de parámetros locales en sustitución de parámetros globales. Siendo el modelo (3) una
ecuación que reconoce y cuantifica las variaciones en las relaciones espaciales, en donde indican las
coordenadas espaciales del punto i, asumiendo que los coeficientes son funciones determinísticas de su ubicación en
el espacio.
(2).
(3).
Los autores reconocen que la metodología empleada no garantiza la obtención de estimadores insesgados; sin
embargo, aceptan la presencia de un sesgo menor como contrapartida a la reducción del error estándar. Asimismo,
parten del supuesto de que los parámetros presentan cierto grado de consistencia espacial, lo que implica que las
estimaciones obtenidas en puntos cercanos deben mostrar signos y magnitudes similares.
En este sentido, Fotheringham et. al (1998) plantean una calibración o ponderación final con el objetivo de reducir el
sesgo introducido por la no estacionariedad. Por un sentido espacial, se asume que datos cercanos al punto tienen
108
Vol.13-N°2, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Análisis del crimen en contextos locales ….
mayor influencia en la estimación del ponderador que datos provenientes de puntos lejanos. En otras palabras, datos
colindantes al punto tienen un mayor peso o ponderación que observaciones distantes.
Formalmente, este planteamiento se traduce en la introducción de una matriz de ponderación espacial de dimensión
n x n cuya función es asignar un peso a cada observación en función de su proximidad geográfica respecto al punto de
análisis , cuyas coordenadas están representadas como . En esta matriz, los elementos ubicados en la
diagonal indican el peso asignado a la observación correspondiente al punto i mientras que los elementos fuera de la
diagonal toman el valor de cero, reflejando que solo se considera una observación a la vez en la estimación local.
Lo anterior se expresa de la siguiente manera, en dónde â y las letras resaltadas en negro son matrices:
(4).
Para efectos del modelo formal propuesto por Fotheringham et al. (1998), la ponderación de cada punto en la matriz
se define como una función de la distancia entre los puntos y . Siguiendo el razonamiento previamente expuesto, los
puntos cercanos a tienen un mayor peso en la estimación, mientras que a medida que la distancia entre y aumenta,
el peso o ponderación de las observaciones en la estimación tiende a disminuir progresivamente hacia cero. En su
formulación, los autores establecen que la ponderación será de 1 en el punto de origen y se reducirá de acuerdo con
una función de tipo Gaussiana conforme la distancia entre y crece.
En este contexto, al volver al análisis de la relación entre la actividad económica, el desarrollo social y la incidencia
delictiva, el modelo se ajusta para incorporar las variaciones espaciales, lo que lleva a su reescritura de la siguiente
manera:
(5).
Tomando como insumo para el análisis la misma base de datos del modelo original (1), se añadió una capa de datos
geográficos en formato “shape” definida previamente por el INEGI para los polígonos de sus AGEBs y se utilizó el
software ArcMap para realizar los cálculos de la regresión ponderada geográficamente (GWR).
4 | RESULTADOS
La premisa central de este trabajo parte de la hipótesis de que el plano espacial constituye un factor relevante para el
análisis del fenómeno delictivo. En este marco, se busca confirmar que el crimen no se distribuye aleatoriamente en el
espacio, sino que, por el contrario, existen patrones geográficos específicos en su distribución, en línea de la literatura
encontrada.
Para ello, primero se recurre al cálculo del Índice Moran I global, una medida que evalúa el grado de dispersión o
agrupamiento de los datos a nivel espacial. Este índice permite poner a prueba la hipótesis nula, que postula que no
existe autocorrelación espacial en los datos de criminalidad. El valor del índice se normaliza entre -1 y 1, donde valores
cercanos a los extremos indican autocorrelación positiva o negativa, y valores cercanos a cero sugieren distribuciones
espaciales aleatorias.
Como se observa en la figura 3, el Índice Moran I presenta un valor de 0.373, acompañado de un p-valor obtenido
mediante 999 permutaciones. Estos resultados, con un nivel de confianza del 95%, permiten rechazar la hipótesis nula
de que no existe autocorrelación espacial. De esta manera, se confirma que el crimen (conceptualizado a través de la
variable que suma los incidentes de los cinco tipos de delitos ocurridos entre 2015 y 2021) no sigue una distribución
aleatoria, sino que exhibe patrones específicos en su distribución geográfica, lo que habilita la incorporación de
efectos espaciales en el modelo econométrico.
Los resultados obtenidos hasta este punto parecen apoyar la hipótesis central de que el componente espacial es
fundamental para comprender la distribución del fenómeno delictivo. La evidencia del índice Moran I global, con un
valor positivo y significativo, reafirma que el crimen no se distribuye de manera aleatoria, sino que sigue patrones
geográficos específicos, lo cual es consistente con la literatura internacional que destaca la variabilidad espacial del
crimen en contextos urbanos (Johnson, 2019; Cueva y Cabrera-Barona, 2024).
109
Vol.13-N°1, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Petz, A., Flores, M. y Zavala, U.
Figura 3. Índice moran I global y p-valor. Fuente: Elaboración propia a través del software GeoDa.e Compañías y
Seguros
Tras validar estadísticamente el análisis del fenómeno delictivo desde una perspectiva espacial, se integraron al
modelo original los conceptos de Fotheringham et al. (1998) para estimar una regresión ponderada geográficamente
(GWR) utilizando la base de datos, cuyos resultados se presentan en la Tabla 3.
Tabla 3. Coeficientes de la regresión ponderada geográficamente.
Regresión Ponderada Geográficamente
Valores estimados promedio
7.17
6.768
-14.006
0.008195
-11.445
Observaciones
1,629
Desviación Estándar
11.62
R2
0.730
AICc
12733.53
R2 ajustada
0.691
***Coeficientes estimados en mapas
Fuente: Elaboración propia a través del software ArcMap.
Como se puede observar en los resultados, al incorporar el componente geográfico en el modelo, se incrementa
significativamente su capacidad explicativa, evidenciado por el aumento en el valor de R². De igual forma, al comparar
los valores del criterio de información Akaike corregido (AICc), se observa que el modelo espacial ofrece un mejor
desempeño, ajustándose de manera más precisa a los datos observados al presentar valores más bajos que el modelo
original, lo cual es deseable según el indicador AICc.
Otro de los beneficios de abordar el fenómeno delictivo desde una perspectiva espacial es que la regresión ponderada
geográficamente permite identificar las diferencias en el ajuste del modelo a lo largo del territorio. En línea con lo
encontrado por Malczewski y Poetz (2005), quienes descubrieron que su modelo no era estadísticamente significativo
en todas las ubicaciones y que presentaba variaciones en su ajuste en diferentes puntos, este enfoque también revela
patrones espaciales en el ajuste de nuestro modelo. En particular, la figura 4 ilustra las variaciones en los valores
locales de R², con un rango que va desde 0.14 hasta 0.90. Esto indica que aproximadamente el 18% de las AGEBs
presentan valores de R² por debajo de 0.40, lo que sugiere un ajuste deficiente del modelo en esas áreas.
Figura 4. Cuantiles de coeficientes locales de R2, regresión ponderada geográficamente. Fuente: Elaboración propia
a través del software ArcMap.
110
Vol.13-N°2, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Análisis del crimen en contextos locales ….
De manera similar, el mapa presentado en la figura 5 revela que las ubicaciones en la periferia de la zona metropolitana
presentan un mejor ajuste al modelo, mientras que las zonas con coeficientes bajos de R² se pueden clasificar en dos
grupos distintos. Con el respaldo del anexo cartográfico de este trabajo, podemos confirmar que la zona céntrica de la
metrópoli se caracteriza por una baja densidad poblacional y valores bajos en el Índice de Actividad Económica
Vulnerable. En contraste, las dos áreas periféricas se distinguen por tener también una baja densidad poblacional, pero
con altos niveles en el Índice de Desarrollo Social.
Figura 5. Mapa de coeficientes locales de R2, regresión ponderada geográficamente. Fuente: Elaboración propia a
través del software ArcMap.
Al profundizar en los resultados del modelo, se retoman los métodos propuestos por Andresen (2022) para validar si
los coeficientes estimados de la regresión cumplen con la expectativa teórica global a nivel local. En una primera
observación, la figura 6 muestra que el Índice de Actividad Económica Vulnerable presenta una considerable
variabilidad en los coeficientes estimados a lo largo del territorio. Este patrón es consistente con lo señalado por
Malczewski y Poetz (2005), quienes documentaron signos opuestos a nivel local y distintas intensidades en los valores
estimados de las variables. Esto indica que la relación entre la actividad económica vulnerable y la incidencia delictiva
no es homogénea en todo el territorio.
Figura 6. Mapa de coeficientes estimados variable IAEV, regresión ponderada geográficamente. Fuente: Elaboración
propia a través del software ArcMap.
111
Vol.13-N°1, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Petz, A., Flores, M. y Zavala, U.
A través de las figuras 7 y 8 se puede observar el contraste entre el 89% de las zonas que cumplen con la expectativa
teórica y presentan una relación positiva con el crimen, y el resto de las unidades que presentan una relación inversa.
Figura 7. Clasificación de coeficientes estimados de la variable IAEV, regresión ponderada geográficamente. Fuente:
Elaboración propia a través del software ArcMap.
Figura 8. Mapa de coeficientes estimados variable IAEV, regresión ponderada geográficamente. Fuente: Elaboración
propia a través del software ArcMap.
Al analizar las zonas que no cumplen con la expectativa teórica, se observa, de acuerdo con el anexo cartográfico, que
presentan altos niveles de desarrollo social y, característicamente, no cuentan con unidades económicas vulnerables.
Esto se refiere, al menos en el contexto de cómo se construyó la variable en el modelo, a que se trata de áreas de alto
poder adquisitivo, donde los negocios están adecuadamente protegidos y, por lo tanto, no son considerados
vulnerables.
En las zonas que muestran signos opuestos a la expectativa teórica, se encuentran áreas industriales de los municipios
de General Escobedo y Apodaca, donde los negocios no están orientados al sector de servicios y generalmente se
tratan de empresas medianas o grandes en términos de personal empleado.
De manera similar, el municipio de San Pedro Garza García no cumple con la expectativa teórica de presentar una
relación directa entre el crimen y el índice de actividad económica vulnerable. Esta anomalía puede explicarse por
varios factores, como el alto desarrollo social de la zona, las características particulares de las unidades económicas
presentes en el municipio, y otro factor que podría influir en la resistencia a la relación teórica: la labor de las
112
Vol.13-N°2, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Análisis del crimen en contextos locales ….
autoridades en la prevención del delito. En particular, de acuerdo con la Encuesta Nacional de Seguridad Pública
Urbana 2023 del Instituto Nacional de Estadística y Geografía (INEGI), San Pedro Garza García es considerado el
municipio más seguro de México, tomando en cuenta la percepción social sobre la inseguridad (INEGI, 2022b).
Figura 9. Mapa de coeficientes estimados variable IDS, regresión ponderada geográficamente. Fuente: Elaboración
propia a través del software ArcMap.
Continuando con el análisis de los coeficientes locales de las variables explicativas del modelo ponderado
geográficamente, se observa en la figura 9 que el Índice de Desarrollo Social presenta coeficientes estimados en la
misma dirección en el 97.5% del territorio. En otras palabras, los coeficientes estimados de esta variable muestran una
relación inversa con el crimen, lo cual coincide con los hallazgos teóricos previos. Esto indica que, a mayor desarrollo
social en una zona, menor es la incidencia del crimen, reflejando cómo las condiciones sociales favorables actúan como
un factor protector frente a conductas delictivas.
De manera similar, como se observa en la figura 10, los coeficientes estimados para la variable de población muestran
una relación positiva con la incidencia delictiva, tal como predice la teoría criminológica y espacial revisada. Este
hallazgo refuerza la validez del modelo, evidenciando que áreas con mayor concentración poblacional tienden a
experimentar mayores niveles de criminalidad, probablemente debido a factores como la densidad, la anonimidad y la
competencia por recursos, que debilitan los lazos sociales y el control informal. Así, este resultado se alinea con la
perspectiva territorial y multiescalar que enfatiza cómo la estructura social y demográfica de un espacio influye
directamente en la dinámica del crimen.
Figura 10. Mapa de coeficientes estimados variable población, regresión ponderada geográficamente. Fuente:
Elaboración propia a través del software ArcMap.
113
Vol.13-N°1, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Petz, A., Flores, M. y Zavala, U.
Por último, al analizar los coeficientes estimados de la variable que mide el capital social, definido como el porcentaje
de población nacida en otra entidad federativa, se observa que es la variable con mayor variabilidad local en su
relación con el crimen. La Figura 11 muestra que la influencia de esta variable sobre el crimen varía en ambas
direcciones a nivel local. Según el anexo cartográfico, en zonas con bajos niveles de desarrollo social se observa una
relación negativa entre esta variable y el crimen, lo que implica que un mayor porcentaje de población foránea (menor
arraigo territorial) se asocia con menores índices de criminalidad, un resultado inesperado pero que podría reflejar
dinámicas específicas locales. Por otro lado, en áreas con altos niveles de desarrollo social, se registra una relación
positiva, donde un mayor porcentaje de población nacida fuera se asocia con mayores niveles de crimen, lo cual estaría
más alineado con la hipótesis de que menor arraigo reduce el capital social protector.
Figura 11. Mapa de coeficientes estimados variable capital social, regresión ponderada geográficamente. Fuente:
Elaboración propia a través del software ArcMap.
Además de confirmar la presencia de autocorrelación espacial, los resultados del modelo GWR revelan que la relación
entre crimen y vulnerabilidad económica varía significativamente entre zonas, lo que respalda la hipótesis de que los
determinantes del delito no operan de manera homogénea en el territorio. Esta evidencia empírica complementa el
hallazgo del índice Moran I, al mostrar que no solo existe agrupamiento espacial del crimen, sino también
heterogeneidad en sus factores explicativos. Así, al igual que en los estudios de Johnson (2019) y Cueva et al. (2024),
se observa que el factor espacial toma un rol esencial en cómo se configura el crimen en distintas regiones. Estos
hallazgos también amplían la evidencia disponible para el caso mexicano: mientras que Valenzuela Aguilera (2020) y
Mancha-Torres et al. (2021) habían mostrado correlaciones espaciales entre crimen y entorno urbano a escalas
metropolitanas o nacionales, este estudio aporta evidencia a nivel intraurbano para Monterrey, fortaleciendo las
contribuciones recientes de Aguayo et al. (2014). En conjunto, los resultados subrayan la importancia de adoptar
enfoques espaciales que reconozcan la variabilidad local del fenómeno delictivo y permitan diseñar respuestas
diferenciadas, eficaces y sensibles al territorio.
5 | CONCLUSIONES
Los resultados obtenidos muestran que la relación entre los determinantes socioeconómicos y el crimen en la Zona
Metropolitana de Monterrey no es homogénea a lo largo del territorio, sino que varía de manera significativa entre
diferentes áreas. Esto implica que un análisis global, que asume relaciones constantes en todo el espacio, puede pasar
por alto dinámicas locales importantes que influyen en la ocurrencia delictiva. La variabilidad espacial detectada
subraya la necesidad de considerar cómo las condiciones socioeconómicas, como la vulnerabilidad económica o el
desarrollo social, impactan de forma distinta en distintos contextos urbanos dentro de la misma zona metropolitana.
Este hallazgo coincide con la literatura nacional e internacional revisada, que subraya la influencia decisiva de la
localización geográfica en la dinámica delictiva y advierte que sus determinantes no actúan de forma uniforme en el
territorio. Para capturar esta heterogeneidad, se construyeron dos índices: uno sobre vulnerabilidad económica
asociada a la oportunidad criminal, y otro sobre condiciones sociodemográficas estructurales. Luego, se aplicó el
modelo de Regresión Geográficamente Ponderada (GWR), que estima relaciones específicas por ubicación. Esta
114
Vol.13-N°2, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Análisis del crimen en contextos locales ….
metodología permitió responder con precisión a la pregunta de investigación, al revelar que la relación entre crimen
y factores socioeconómicos varía significativamente dentro de la Zona Metropolitana de Monterrey.
Ante la evidencia de que las relaciones entre el crimen y sus determinantes varían espacialmente, se vuelve
indispensable replantear la lógica con la que se diseñan las estrategias de seguridad pública en México. En lugar de
enfoques homogéneos y centralizados, se propone una estrategia nacional de seguridad basada en diagnósticos
locales, que logre identificar zonas críticas y diseñar intervenciones diferenciadas. Esta propuesta no implica
abandonar la coordinación nacional, sino complementar la estrategia con análisis espaciales que permitan reconocer
las distintas lógicas territoriales del crimen. Al identificar zonas locales vulnerables ante el crimen, los gobiernos
locales podrían implementar programas más específicos, con mayor eficiencia en el uso de recursos y una mayor
legitimidad social.
Este trabajo presenta algunas limitaciones que deben considerarse al interpretar los resultados. En primer lugar, el
modelo no incorpora explícitamente el factor temporal, lo que impide analizar cómo evolucionan o persisten las
dinámicas delictivas a lo largo del tiempo. En segundo lugar, aunque los índices compuestos utilizados permiten
simplificar el análisis y capturan una gran proporción de la variabilidad original (60.19% y 80.12%, respectivamente),
esta reducción también implica perder detalles y matices importantes que podrían influir en el fenómeno delictivo.
Finalmente, la información de delitos proviene de reportes al número de emergencia 911, lo que no incluye aquellos
crímenes que no son denunciados, generando un subregistro que limita la cobertura total del fenómeno y puede
sesgar la interpretación espacial del crimen.
Referencias
[1] Aguayo-Téllez, E., & Medellín-Mendoza, S. E. (2014). Dependencia espacial de la delincuencia en Monterrey,
México [Spatial dependence of crime in Monterrey, Mexico]. Ecos de Economía, 18(38), 1–??. https://doi.org/si-
cuentas-con-el-doi-o-enlace
[2] Andresen, M.A. (2022), “Theorizing globally, but analyzing locally: the importance of geographically weighted
regression in crime analysis”, Crime Science, 11(1). doi:https://doi.org/10.1186/s40163-022-00173-0.
[3] Anselin, L., Cohen, J., Cook, D., Gorr, W. and Tita, G. (2000), “Spatial Analyses of Crime”, Criminal Justice.
[4] Becker, G.S. (1968), “Crime and Punishment: An Economic Approach”, Journal of Political Economy, [en línea]
76(2), pp.169–217, http://www.jstor.org/stable/1830482.
[5] Buonanno, P. (2003), “The Socioeconomic Determinants of Crime”, A Review of the Literature, [en línea] RePEc –
Econpapers, https://econpapers.repec.org/RePEc:mib:wpaper:63.
[6] Cahill, M. and Mulligan, G. (2007), “Using Geographically Weighted Regression to Explore Local Crime Patterns”,
Social Science Computer Review, 25(2), pp.174–193, doi:https://doi.org/10.1177/0894439307298925.
[7] Calderón, M. G., Gutierrez, C. & Valiño, A. (2025). La economía de la delincuencia: una revisión de la literatura
teórica y empírica. Revista ECA Sinergia, 16(1), 94- 115. https://doi.org/10.33936/ecasinergia. v16i1.6871
[8] Chen, V.Y.-J., Deng, W.-S., Yang, T.-C. and Matthews, S.A. (2012), “Geographically Weighted Quantile Regression
(GWQR): An Application to U.S. Mortality Data”, Geographical analysis, [en línea] 44(2), pp.134–150,
doi:https://doi.org/10.1111/j.1538-4632.2012.00841.x.
[9] Cueva, D., & Cabrera-Barona, P. (2024). Spatial, temporal, and explanatory analyses of urban crime. Social
Indicators Research, 174(2), 611–629. https://doi.org/10.1007/s11205-023-03188-3
[10] ESRI Inc. (2015), “ArcMap para Windows”, [Software], Versión 10.4.1. Redlands, CA: ESRI Inc
[11] Fotheringham, A.S. and Sachdeva, M. (2022), “On the importance of thinking locally for statistics and
society”, Spatial Statistics, p.100601. doi:https://doi.org/10.1016/j.spasta.2022.100601.
[12] Fotheringham, A.S., Charlton, M.E. and Brunsdon, C. (1998), “Geographically Weighted Regression: A Natural
Evolution of the Expansion Method for Spatial Data Analysis”, Environment and Planning A: Economy and Space,
30(11), pp.1905–1927, doi:https://doi.org/10.1068/a301905.
[13] Glaeser, Edward L. and Sacerdote, B. (1999), “Why is There More Crime in Cities?”, Journal of Political Economy,
107(S6), pp.S225–S258, doi:https://doi.org/10.1086/250109.
[14] Hoch, I. (1974). Factors in urban crime. Journal of Urban Economics, 1(2), 184–229. https://doi.org/10.1016/0094-
1190(74)90016-3
[15] IBM Corp, (2013), “IBM SPSS Statistics para Windows”, [Software], Versión 22.0. Armonk, NY: IBM Corp.
[16] Instituto Nacional de Estadística y Geografía (2021), “Censo Población y Vivienda 2020”, [en línea],
https://www.inegi.org.mx/programas/ccpv/2020/.
[17] Instituto Nacional de Estadística y Geografía (2022a), “Directorio Estadístico Nacional de Unidades Económicas
DENUE”, [en línea], https://www.inegi.org.mx/temas/directorio/#Informacion_general.
[18] Instituto Nacional de Estadística y Geografía (2022b). “Encuesta Nacional de Seguridad Pública Urbana. Primer
Trimestre”. 2023. [en línea],
https://www.inegi.org.mx/contenidos/saladeprensa/boletines/2023/ensu/ensu2023_04.pdf.
115
Vol.13-N°1, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Petz, A., Flores, M. y Zavala, U.
[19] Instituto Nacional de Estadística y Geografía (2022c), “Encuesta Nacional de Victimización y Percepción sobre
Seguridad Pública (ENVIPE) 2022”, [en línea], https://www.inegi.org.mx/programas/envipe/2022/.
[20] Johnson, L. T. (2019). Modeling urban neighborhood violence: The systemic model and variable effects of social
structure. Urban Affairs Review, 57(1), 265–299. https://doi.org/10.1177/1078087419844018
[21] Malczewski, J. and Poetz, A. (2005), “Residential Burglaries and Neighborhood Socioeconomic Context in
London, Ontario: Global and Local Regression Analysis”, The Professional Geographer, 57(4), pp.516–529,
doi:https://doi.org/10.1111/j.1467-9272.2005.00496.x.
[22] Mancha-Torres, G. L., Martinez, J. N., & Aguayo-Téllez, E. (2021). The effect of city conditions on youth violence in
Mexico: A spatial econometric analysis by metropolitan area. Global Journal of Human-Social Science: Economics, 21(1),
45–59. https://doi.org/10.34257/GJHSSEVOL21IS1PG45
[23] Observatorio de Seguridad y Justicia. (2023),” Reporte sobre incidencia delictiva estatal enero 2023”. Consejo
Nuevo León para la Planeación Estratégica. [en línea]. https://conl-
mx.s3.amazonaws.com/observatory_documents/observatory_document_files/000/000/074/original/REPORT
E-A-estatal_%28Ene%29.pdf?1677082694.
[24] Ord, J.K. and Getis, A. (1995), “Local Spatial Autocorrelation Statistics: Distributional Issues and an Application”.
Geographical Analysis, 27(4), pp.286–306, doi:https://doi.org/10.1111/j.1538-4632.1995.tb00912.x.
[25] Peña, R. (2024). Análisis de la tendencia del crimen violento en la Zona Metropolitana del Valle de México.
Estudios Demográficos y Urbanos, 39(2), [sin número de páginas]. https://doi.org/10.24201/edu.v39i2.2215
[26] Plerhoples, C., Ho, H. and Pendall, R. (2017), “Neighborhoodlevel economic activity and crime, Journal of Urban
Affairs, 39(2), pp.225–240, doi:https://doi.org/10.1111/juaf.12314.
[27] Quintero, O. (2022). El análisis y mapeo delictivo como apoyo para el diseño de una política pública de seguridad, y de
la prevención social de violencia y la delincuencia en la colonia Colinas de San Bernabé (Fomerrey 25) en Monterrey,
Nuevo León [Tesis doctoral, Universidad Autónoma de Nuevo León]. Repositorio Institucional UANL.
http://eprints.uanl.mx/id/eprint/23380
[28] Roh, S. & Lee, J.-L. (2013), “Social capital and crime: A cross-national multilevel study”, International Journal of
Law, Crime and Justice, [en línea] 41(1), pp.58–80, doi:https://doi.org/10.1016/j.ijlcj.2012.11.004.
[29] Secretaría de Movilidad y Planeación Urbana (2022), “Términos de referencia para la elaboración del Programa
de Ordenación de la Zona Metropolitana de Monterrey 2050”. Gobierno de Nuevo León. [en línea].
https://subasta.nl.gob.mx/docs/2_1063.pdf.
[30] Secretaría de Seguridad y Protección Ciudadana (2018), “Estrategia Nacional de Seguridad 2018-2024”, [en
línea] Gobierno de México, https://infosen.senado.gob.mx/sgsp/gaceta/64/1/2019-02-01-
1/assets/documentos/Estrategia_Seguridad.pdf.
[31] Staff AFP (2012), “Balacera entre militares y sicarios deja 6 muertos en NL”, El Economista, 13 de marzo,
Monterrey, < https://www.eleconomista.com.mx/noticia/Balacera-entre-militares-y-sicarios-deja-6-muertos-
en-NL-20120313-0165.html>, 19 julio 2023.
[32] Van Dijk, J. (1994), “Understanding Crime Rates: On the Interactions between the Rational Choices of Victims
and Offenders”, The British Journal of Criminology, 34(2), pp.105–121,
doi:https://doi.org/10.1093/oxfordjournals.bjc.a048398.
[33] Wang, Z., Liu, L., Zhou, H. & Lan, M. (2019). “How Is the Confidentiality of Crime Locations Affected by
Parameters in Kernel Density Estimation?”, ISPRS Int. J. Geo-Inf, 8(12), pp.544–544,
doi:https://doi.org/10.3390/ijgi8120544.
116
Vol.13-N°2, Julio-Diciembre 2025
p-ISSN: 2602-8204 | e-ISSN: 2737-6257
Análisis del crimen en contextos locales ….
Anexo Cartográfico
Figuras 12 y 13. Población total e índice de desarrollo social por AGEB en la ZMM. Fuente: Elaboración propia a través
del software ArcMap
Figuras 14 y 15. Índice actividad económica vulnerable y población no nacida en la entidad por AGEB en la ZMM.
Fuente: Elaboración propia a través del software ArcMap
Publicado por Revista Económica, este es un artículo de acceso abierto distribuido bajo los términos de la Licencia
Internacional Commons Atribución 4.0 Internacional. Para ver una copia de esta licencia, visite:
https://creativecommons.org/licenses/by-nc-nd/4.0/
© Autor(es) 2025
