INTRODUCCIÓN
Uno de los delitos de mayor incidencia en México es el robo.1 Según estadísticas oficiales basadas en las denuncias presentadas ante el ministerio público, el robo en sus diferentes modalidades constituye la actividad delincuencial más significativa ya que representa en promedio 39.1 por ciento del total de delitos del fuero común (SESNSP, 2020). Entre 1997 y 2019 los robos muestran una tendencia creciente, aunque fluctuante. Su periodo de más alto crecimiento ocurrió entre julio de 2005 y noviembre de 2011, que resultó en el aumento de su participación en el total de delitos del fuero común al llegar a ser casi la mitad de estos, 44.8 por ciento. En la actualidad, los robos representan cerca de 34 por ciento; no obstante, siguen siendo el más frecuente de los delitos del fuero común.
Estas estadísticas palidecen a la luz de los resultados que arrojan las encuestas de victimización. En efecto, según la última Encuesta Nacional de Victimización y Seguridad Pública (INEGI, 2019), en 2018, hubo más de 17.1 millones de robos a nivel nacional; es decir 21 veces más de lo que las estadísticas oficiales indican.
A pesar de no existir estadísticas oficiales acerca del costo monetario del robo a las familias en México, estimaciones basadas en las encuestas de victimización indican que, en el año 2018, este llegó a ser de aproximadamente 92.7 mil millones de pesos, que representa cerca de 0.4 por ciento del producto interno bruto (PIB) de ese año (INEGI, 2019). Estos montos representan las pérdidas económicas de las familias víctimas de la delincuencia, pero no incluyen los gastos en seguridad por parte del Estado ni del sector empresarial.2 Vilalta y Fondevila (2018), a su vez, calcularon que, en el año 2013, 33.6 por ciento de las empresas en el país fueron víctimas de un delito. Asimismo, estos montos no distinguen adecuadamente entre los costos por anticipación, a consecuencia o como respuesta a la inseguridad (Soria, 2018).
Dos de los sospechosos habituales que se asume tienen incidencia sobre la delincuencia y la violencia son la pobreza y la desigualdad en el ingreso. La relación entre estas variables y la delincuencia, sin embargo, ha demostrado ser bastante más compleja de lo que inicialmente se pensaba. Diversos estudios han identificado que el tipo de relación entre las condiciones económicas y la delincuencia es condicional al tipo de delito analizado (Patterson, 1991; Cao y Maume, 1993; Cherry y List, 2002), el tamaño de la unidad de observación (Levitt, 1999), la muestra seleccionada (Neumayer, 2005), las técnicas de análisis empírico y la calidad de los datos (Ehrlich, 2010).
Por otro lado, Glaeser y Sacerdote (1999) introducen una dimensión adicional al estudio de los determinantes de la delincuencia: el tamaño del área urbana. Ellos encuentran que la tasa de delincuencia en ciudades grandes es mayor que en ciudades pequeñas por una serie de factores que hacen que la delincuencia sea más rentable en el primer tipo de urbes.3
Así, el análisis de la relación que pueda existir entre pobreza y desigualdad y delincuencia, está condicionado al control del efecto que otras variables puedan tener sobre esta última; particularmente, de las variables socioeconómicas y de la estructura familiar. Buonanno y Montolio (2008), por ejemplo, encuentran que la proporción de personas con educación media superior y universitaria está negativamente relacionada con la tasa de delitos contra la propiedad en España. Solomon (2012), por su parte, argumenta que el ciclo entre pobreza y delincuencia en ciudades marginadas en Estados Unidos está muy asociado con una serie de problemas que enfrentan dichas ciudades: la falta de un buen sistema de educación, el colapso de las familias biparentales, el consumo de drogas y la falta de oportunidades laborales, entre otros.
En el caso de México los diversos trabajos apuntan a que los delitos violentos dependen de la desigualdad en el ingreso (Ramírez de Garay, 2014; Enamorado et al., 2016). Pero, aún no se llega a un consenso acerca del tipo de relación que existe entre pobreza y desigualdad, por un lado, y delitos contra la propiedad, por el otro. Navarro y Cortez (2015), por ejemplo, en un estudio sobre victimización a nivel municipal encuentran que la probabilidad de ser víctima de un delito a la propiedad aumenta si las víctimas viven en municipios menos marginados. Calderón y Valero (2012), a su vez, en un análisis para 2000 y 2005 a nivel municipal, encuentran lo contrario: la desigualdad está positivamente relacionada con delitos a la propiedad.4 A un nivel más desagregado de análisis, a nivel hogar, Caamal et al. (2012) encuentran que las familias pobres en tres grandes zonas metropolitanas mexicanas (Monterrey, Guadalajara y León) son las más propensas a sufrir robo a casa habitación. Vilalta (2009), utilizando técnicas de análisis espacial, encuentra que los robos en la zona metropolitana del Valle de México (ZMVM) están focalizados en áreas que exhiben mayor flujo de transacciones comerciales, donde la estructura familiar no es la tradicional y que presentan menores niveles de marginación. Sin embargo, no encuentra evidencia de que los robos estén asociados con el nivel de ingreso de las familias. Este último trabajo se complementa con el de Fuentes y Sánchez (2017), quienes evidencian que el robo a transeúnte en la Ciudad de México se concentra en tres delegaciones y se relaciona con zonas de uso comercial, áreas de transporte público, mayor proporción de población joven y baja densidad de población.
Según Bergman (2018), las altas tasas de delincuencia alcanzadas por los países de América Latina se deben al crecimiento acelerado de la demanda por productos robados (carros, celulares, computadoras, etc.) que combinados con un obsoleto sistema de justicia criminal hicieron que otras actividades ilegales crecieran de manera paralela. Si esto es así, un punto de partida para la implementación de políticas públicas adecuadas es el análisis de los determinantes de los robos. La intención de este trabajo es, por consiguiente, aportar a un campo de investigación que no es nuevo, pero que, como señalan Draca y Machin (2015) cada vez adquiere mayor expansión en el mundo para entender el fenómeno criminal, pero que en América Latina y particularmente en México ha sido poco desarrollado, a pesar de ser la región que cuenta con los mayores niveles de delincuencia en el mundo. Asimismo, los resultados pretenden servir como una herramienta a los tomadores de decisiones para utilizar recursos de una manera más eficiente, que permita prevenir el delito desde sus causas y no solo utilizando el delito como eje rector de las medidas gubernamentales (Simon, 2007), por lo que con este trabajo se señalan algunas líneas de acción estratégicas para prevenir el delito de robo.
A diferencia de estudios previos, el análisis de la relación entre pobreza y desigualdad y robos se hace controlando por la interacción entre desigualdad y tamaño de municipio, además, se controla por el problema de endogeneidad que está presente en este tipo de estudios. El análisis incorpora las covariables que han sido identificadas en estudios previos sobre delincuencia; a saber, estructura familiar, nivel de educación, desempleo y densidad poblacional, entre otros. Nuestros resultados indican que la naturaleza de la relación entre pobreza y desigualdad, por un lado, y robos, por el otro, depende del tamaño del municipio. Desde un punto de vista metodológico, nuestros estimados son robustos a diferentes especificaciones del modelo empírico.
El resto del documento está compuesto por cinco secciones adicionales. En la siguiente sección se presentan, de manera resumida, las principales perspectivas teóricas que explican la delincuencia. También se incluye la revisión de algunos trabajos empíricos realizados en algunos países, incluyendo México. En la tercera sección “Algunos hechos estilizados del robo en México (1997-2020)”, se describen algunas características de la tasa de robos en México a nivel municipal. El análisis abarca el periodo 1997:01-2020:03. El modelo empírico, así como la definición y descripción de variables utilizadas en el análisis se discuten en la cuarta sección, “Metodología”. La estimación de los parámetros mediante variables instrumentales se realiza en la quinta sección, “Resultados”. La última sección presenta las principales conclusiones del estudio.
ANTECEDENTES
Perspectivas teóricas sobre delincuencia
Desde el punto de vista de los incentivos económicos, la explicación de la delincuencia ha sido considerada a través de dos perspectivas. Por un lado, está la visión individual, la cual se centra en la decisión de las personas de cometer o no un delito y las variables que influyen en su resolución. Por otro lado, está la visión agregada en la que se considera que las diferencias que existen en la incidencia criminal en un nivel agregado se deben a la influencia estructural de factores sociales y económicos del entorno.
En la perspectiva individual hay que mencionar la visión económica moderna de la criminalidad, cuyo origen puede establecerse en Becker (1968). En su propuesta, este autor sostiene que un individuo decide cometer un delito si la utilidad esperada de ese delito es mayor que la utilidad que podría obtener usando su tiempo y recursos en actividades legales alternativas. Este modelo inicial fue probado empíricamente por primera vez por Ehrlich (1973), quien además incorporó nuevas variables y condiciones relevantes para mejorar el modelo original de Becker.
Concretamente, en relación con la desigualdad económica, la idea que permanece desde entonces es que este fenómeno proporciona las condiciones para que un grupo de individuos cometan crímenes por dos razones: la reducción de opciones legítimas para obtener ingresos y el aumento de las oportunidades que proporciona el hecho de que existan, en el mismo contexto del individuo, personas con altos niveles de ingresos y recursos disponibles; por eso desde esta perspectiva, variables como la pobreza y la desigualdad son especialmente relevantes para explicar delitos en cuya comisión subyacen motivaciones económicas.
Por otro lado, si bien hay cierta claridad sobre la existencia de una relación entre estas variables desde la perspectiva económica, el signo esperado de esta relación es ambiguo. En principio se espera que exista una relación positiva puesto que la pobreza y la desigualdad en el ingreso generan incentivos en los individuos para asumir conductas delictivas. Sin embargo, Block y Heineke (1975) demuestran que el impacto de la riqueza en la decisión de delinquir puede ser negativo o no significativo. Corvalán y Pazzona (2019), a su vez, utilizando las técnicas de metaanálisis, luego de controlar por sesgo de publicación, encuentran que la desigualdad —en el mejor de los casos—, no afecta a la delincuencia.
Esta incertidumbre acerca del tipo de relación entre condiciones económicas y delincuencia se tradujo en la falta de consenso acerca de si los delitos contra la propiedad estaban relacionados con el ciclo económico del país, o no. Este enigma fue explicado por Cantor y Land (1985), quienes sostienen que los periodos de caídas económicas inducen dos tipos de reacciones en las personas que en general no se identifican claramente. Por un lado, está el efecto incentivo o motivacional, que empuja a los individuos a cometer delitos; por el otro, está el efecto oportunidad que induce a las potenciales víctimas a aumentar sus actividades de autoprotección.5 A priori, el efecto neto es incierto ya que se desconoce cuál de estos dos efectos es más poderoso. En el caso de Estados Unidos, por ejemplo, Bushway et al. (2012) encuentran que las recesiones están asociadas con aumentos en robos a casa-habitación y con reducciones en robos a vehículos.
Por otro lado, mayor delincuencia puede inducir mayor emigración de las personas de mayor ingreso a otros lugares, lo que ocasionaría una disminución en la desigualdad y un aumento en la pobreza (Chintrakarn y Herzer, 2012; Enamorado et al., 2016). Este último efecto significaría que puede existir una relación bidireccional entre desigualdad y pobreza y crimen. Esta bidireccionalidad entre delitos y condiciones económicas ha sido reconocida por los investigadores, por lo que ya es frecuente que los análisis empíricos corrijan por este problema.
La idea de la influencia a nivel individual de la pobreza y la desigualdad no es exclusiva de la economía. Desde la teoría de la anomia-tensión (Merton, 1938)6 se considera que existen metas materiales socialmente impuestas y, a la vez, limitaciones estructurales en relación con los medios para alcanzar dichas metas. Por lo tanto, es de esperar que aquellos individuos que se encuentran desprovistos de los medios, pero que han internalizado las metas, tengan una mayor propensión a cometer hechos delictivos.
Esta segunda perspectiva parte de la influencia de los factores sociales y económicos en el desarrollo de la criminalidad como un fenómeno agregado. Así se entiende, por ejemplo, que la modificación de los incentivos económicos pueda afectar los comportamientos individuales (Draca y Machin, 2015). De igual forma, existen teorías como la de la desorganización social (Shaw y Mckay, 1972), en la que se considera que algunos factores del entorno influyen en que en una zona geográfica exista más criminalidad que en otras; entre estos factores se encuentran la heterogeneidad social, la movilidad y la pobreza.
Evidentemente, los trabajos sobre delincuencia han identificado otras variables que inciden sobre esta última. La educación ha sido vista como un mecanismo que puede permitir a los individuos alcanzar sus metas materiales. Esta variable se ha relacionado con la criminalidad desde dos perspectivas: a) como un problema individual determinado por los rasgos psicológicos y biológicos de los estudiantes que eventualmente determinan la tasa de abandono escolar, y b) como un problema de las instituciones sociales donde el sistema educativo falla en otorgar a los jóvenes de bajo ingreso la educación necesaria para alcanzar sus metas materiales y sociales. Un deficiente sistema escolar y un pobre nivel educativo pueden afectar la tasa de delincuencia a través de diferentes canales: la participación en pandillas, la falta de estructuras de oportunidad, entre otras expresiones.
Así, la variable educación como variable explicativa de la delincuencia capta dos efectos que muchas veces son mal interpretados en la literatura. Por un lado, mide el nivel de ingreso promedio de las potenciales víctimas,7 por lo que se debería de esperar una relación positiva entre educación y robo, ceteris paribus. Por otro lado, también es un indicador del nivel sociocultural de las personas y por consiguiente del nivel de valores sociales que pueden impedir que una persona cometa delitos. En este último caso, educación y robo están inversamente correlacionados. Estos dos efectos son opuestos: desde el punto de vista del ingreso, a mayor nivel educativo de las personas, mayor es la probabilidad de que sea una víctima de robo, mientras que, desde el punto de vista del valor social, a mayor nivel de educativo de las personas, mayor es la barrera normativa y social que el individuo debe cruzar para cometer un delito.
La proporción de hogares con jefatura femenina es otra variable que puede influir en el incremento de los delitos por diversas vías. En primer lugar, la mayor proporción de hogares no convencionales puede relacionarse con menores vínculos sociales de los individuos y, en consecuencia, con un menor control social tanto externo como interno, es decir, un menor autocontrol (Hirschi, 1969; Gottfredson y Hirschi, 1990). Por otro lado, algunos autores vinculan esta variable con la teoría de las actividades rutinarias de Cohen y Felson (1979) según la cual una ausencia de guardianes capaces, combinada con ofensores motivados y objetivos adecuados aumentan las oportunidades delictivas. En otras palabras, el hecho de que la mujer cuente con trabajo fuera de casa aumenta las probabilidades de victimización en su hogar y en el vecindario a través de la disminución del control social informal.
Por lo que hace a la densidad poblacional, Felson (2002) señala que las viviendas ubicadas en zonas de alta densidad poblacional pueden ser las más difíciles de robar, mientras que aquellas que están en zonas con menos densidad son más cómodas para ejecutar un robo y conllevan menos riesgos para los sujetos con motivaciones delictivas. La teoría de Felson (2002) es, hasta cierto punto, contraria a la propuesta por Glaeser y Sacerdote (1999), quienes encuentran que las grandes ciudades presentan mayores tasas de delincuencia debido a que concentran un mayor número de personas ricas, presentan una menor probabilidad de arresto y son atractores de individuos que tienen tendencias delictivas. Es decir, presentan economías de aglomeración que inducen mayor delincuencia, ceteris paribus.
Adicionalmente, Ehrlich (1975), y Bourguignon (1999) han notado que, en muchas sociedades, la probabilidad de descubrimiento y castigo de los delitos puede verse afectada tanto por acciones deliberadas de los delincuentes,8 como por decisiones de las autoridades encargadas de la seguridad pública que, a su vez, responden al grado de descomposición social y económica de esa sociedad.
Ehrlich (2010) en su análisis acerca de las tendencias en los estudios en economía del crimen, argumenta que el avance en los estudios depende de la capacidad de los investigadores de eliminar los problemas asociados con los datos, como pueden ser: subregistro, error de medición de variables y el problema de la simultaneidad de los datos. El uso de series de tiempo, así como los datos de panel son particularmente importantes para identificar no solo el comportamiento dinámico de la delincuencia, sino también para evaluar los posibles efectos de determinadas políticas públicas. La fase del ciclo económico en el que se encuentra la economía también se ha considerado como importante en el análisis de los determinantes del crimen (Cook, 2010). Esto último es particularmente importante para el análisis de delitos a la propiedad, entre ellos, el robo (Phillips y Land, 2012).
El análisis de Ehrlich (2010) está muy ligado a lo que otros autores han identificado sobre la relevancia de determinadas variables según el tipo de delito. Patterson (1991), Cao y Maume (1993) y Cherry y List (2002), por ejemplo, han señalado que analizar la criminalidad de una manera agregada sin tener en cuenta la heterogeneidad que existe entre los distintos tipos de delito introduce un sesgo de agregación que afecta la inferencia estadística; en otras palabras, la naturaleza del impacto de las variables y su tamaño va a depender del tipo de delito analizado.
Evidencia empírica
En esta sección se presentan algunos resultados de trabajos empíricos a nivel internacional y en México que tratan de identificar los principales determinantes de la tasa de delitos, en particular, de los delitos de propiedad.
El primer elemento a considerar es que la unidad de análisis afecta la relación entre desigualdad y criminalidad (Wenger, 2019). Otro aspecto es que no todos los tipos de delito responden de la misma manera a diferentes factores. Algunos análisis usando técnicas de series de tiempo sugieren que el coeficiente de respuesta de los delitos no es constante en el tiempo, ya que este puede variar según la fase del ciclo en el que se encuentra la economía. Es más, la magnitud del coeficiente no es simétrica.
Un resultado que se mantiene inalterable en los estudios de sección cruzada es que la desigualdad está positivamente asociada con delitos contra el patrimonio, y en particular al robo (Choe, 2008; Kawachi et al., 1999). Este resultado es contrario al encontrado por Chintrakarn y Herzer (2012), quienes, por medio de un análisis temporal, encuentran una relación negativa entre desigualdad y crimen. Según estos últimos, el aumento en la desigualdad trajo consigo un aumento en la demanda por protección contra el crimen, lo que redujo la tasa de delincuencia. La evidencia acerca de la relación entre pobreza y delitos es menos clara. Kawachi et al. (1999), por ejemplo, no encuentran relación entre estos.
A un nivel de agregación menor, —i.e., nivel municipal—, Hooghe et al. (2010) encuentran que, en los municipios de Bélgica, tanto los delitos de propiedad como los delitos violentos tienden a concentrarse en los entornos urbanos y que la desigualdad tiene un efecto positivo en los delitos de propiedad y negativo en los delitos violentos. Blau y Blau (1982), por otra parte, encuentran que la desigualdad en las zonas metropolitanas de Estados Unidos se asocia con mayores crímenes violentos.
Fajnzylber et al. (2002), en uno de los primeros trabajos comparativos entre países latinoamericanos, hallaron un efecto positivo de la desigualdad sobre el crimen violento en 39 países durante un periodo de cinco años, controlando otros posibles determinantes de la criminalidad. Sin embargo, sus resultados son cuestionados por Neumayer (2005), quien sostiene que esta es una relación espuria pues cuando se controla por efectos fijos de país o se cambia el número de países, resulta no significativa.
Otro estudio en la región es el de Briceño (2012), quien en un estudio de análisis de trayectorias para Colombia, Venezuela y Brasil concluye que la pobreza y la desigualdad influyen en la criminalidad, pero no de manera directa, sino que la influencia es mediada por factores institucionales. Por otro lado, Sachsida et al. (2007) en su estudio a nivel estatal en Brasil, encuentran que la desigualdad afecta la criminalidad total; sin embargo, no encuentran evidencia de que la pobreza tenga algún efecto sobre la delincuencia.
Hojman (2002), en su estudio a nivel municipal de 1985 a 1997 para Argentina, halla evidencia de que la desigualdad contribuye en la explicación de los índices de criminalidad en el Gran Buenos Aires, mientras que Núñez et al. (2003) con datos de 1988 a 2000 sobre las trece regiones de Chile, proporciona evidencia de la relación positiva entre pobreza y robo.
Para el caso de México, la mayoría de los trabajos encuentra una relación positiva entre desigualdad y pobreza, por un lado, y delincuencia, por el otro. Blanco y Villa (2008), por ejemplo, analizan los municipios del estado de Veracruz y encuentran que la desigualdad en el ingreso tiene un importante efecto positivo sobre la criminalidad violenta, incluso después de controlar por la influencia de otras variables. En el caso de la pobreza, medida a través del índice de marginación, encuentran una relación significativa pero no lineal. Asimismo, Calderón y Valero (2012) al analizar la relación de la desigualdad y la marginación con los delitos de propiedad en los municipios de México en los años 2000 y 2005 hallan evidencia de una relación positiva.
A un nivel más desagregado, Aguayo y Chapa (2012), en un estudio para el área metropolitana de Monterrey, encuentran que la mayor desigualdad del ingreso entre Ageb9 adyacentes, incrementa la probabilidad de robo en las viviendas. Cárdenas (2012), por otro lado, en su estudio para León, Guanajuato, identifica que las actividades de riesgo y de autoprotección son variables más significativas para explicar la probabilidad de ser víctima de un crimen y no encuentra que las características personales, como edad y género, tengan mayor incidencia sobre la probabilidad de ser víctima. En cambio, sí encuentra una relación positiva entre el nivel educativo de las personas y la probabilidad de ser víctima de delitos. El estudio geográfico del robo en la Zona Metropolitana del Valle de México realizado por Vilalta (2009) encuentra una relación negativa con los niveles de marginación y una relación positiva con la proporción de hogares con estructura familiar no tradicional, además de una concentración en áreas comerciales.
Una característica central de los trabajos revisados hasta ahora es que la relación entre las covariables y la delincuencia es invariable en el tiempo. Sin embargo, trabajos recientes indican que esta relación varía según la fase del ciclo económico en la que se encuentra la economía. Para el caso de México, Cortez e Islas-Camargo (2017) descubren que, en efecto, en el caso de robos, éstos son procíclicos y son más sensibles cuando la economía se encuentra en su fase de expansión que en su fase recesiva. Por otro lado, también encuentran que los robos están positivamente asociados con el número de trabajadores que ganan menos de lo que cuesta la canasta básica.
Basados en esta breve revisión bibliográfica se considera que la tasa de robo en el municipio “i” y tiempo “t” depende de un conjunto de variables explicativas, entre las que destacan: el nivel de marginación o pobreza
En la sección “Metodología”, se describen con mayor detalle las variables y el modelo econométrico utilizado para evaluar el impacto de cada una de ellas sobre la tasa de robos.
ALGUNOS HECHOS ESTILIZADOS DEL ROBO EN MÉXICO (1997-2020)
Evolución de los robos: 1997M01-2020M0310
Durante las últimas dos décadas los delitos totales del fuero común en general y los robos en particular muestran una tendencia creciente con marcadas fluctuaciones cíclicas. Como se observa en la gráfica 1, hasta finales del año 2005 la incidencia delictiva del fuero común se mantenía más o menos estable. Es a partir del año 2006 cuando la delincuencia en general, incluyendo el robo, comienza su tendencia ascendente. Según los datos oficiales, la delincuencia muestra una tendencia creciente a partir de 2016, luego de mostrar una tendencia decreciente entre 2011-2015. Por su parte, los robos muestran un patrón de comportamiento muy similar al de los delitos totales hasta 2017, año en el que comienza una nueva fase decreciente que continúa hasta principios del presente año (2020). El punto más alto se alcanza a finales de 2017. A partir de ese momento y hasta marzo 2020, los robos muestran una tendencia decreciente.
Fuente: Estimaciones propias con información del Secretariado Ejecutivo del SNSP (varios años), “Incidencia delictiva del fuero comun”, (1997, 1998, …, 2020).
Con el propósito de evaluar la importancia relativa de los robos en el total de delitos del fuero común, estimamos el cociente de robos sobre el total de delitos del fuero común (gráfica 2). Según se observa, durante el periodo 1997M01-2020M03 los robos, como proporción del total de delitos, muestra un marcado comportamiento cíclico, que fluctúa alrededor de 39.1 por ciento. Aún más, la duración promedio del ciclo es de diez años; es decir, cada diez años la proporción de robos completa su ciclo de expansión y contracción. En la actualidad, estaríamos en plena fase de contracción.
Fuente: Estimaciones propias con información del Secretariado Ejecutivo del SNSP (varios años), “Incidencia delictiva del fuero comun”, (1997, 1998, …, 2020).
El hecho de que el robo pierda importancia en el total de delitos significa que otro tipo de delitos adquieren mayor relevancia. Entre los delitos del fuero común que han crecido significativamente durante el periodo de análisis están: lesiones, amenazas, violencia familiar, daño a la propiedad y fraude.
Robo y tamaño de municipios
Con el propósito de identificar patrones de comportamiento de la tasa de robos a nivel municipal, nos concentramos en dos años, 2000 y 2010. El análisis se limita a estos dos años porque son los años para los cuales se cuenta con información sociodemográfica y económica a nivel municipal. Entre las relaciones que nos interesa analizar está la que existe entre la tasa de robos y la pobreza absoluta (medida por el índice de marginación), así como la relación entre la tasa de robos y el tamaño del municipio.
La gráfica 3 muestra la relación entre el logaritmo de la tasa de robos y el índice de marginación para los años 2000 y 2010. Como se puede observar la relación entre ambas variables es estrictamente negativa. Este comportamiento no cambia en los dos años considerados; es decir, en promedio, los municipios que tienen un mayor índice de marginación presentan una tasa de robos menor. Esta relación negativa es un resultado interesante dado que la tasa de robos en 2000 fue mucho menor que en el año 2010.
Fuente: Elaboración propia con base en información del Secretariado Ejecutivo del SNSP y el Consejo Nacional de Evaluación de la Política de Desarrollo Social (Coneval, 2020a; 2020b). *Por cada 1000 habitantes.
La tasa de robo promedio en el año 2000 fue de 2.16 (por cada 1000 habitantes), mientras que en el año 2010 fue de 2.85. Estos promedios, sin embargo, ocultan la dinámica que ocurre a nivel municipal. En el cuadro 1, se desagrega la tasa de robo, la desigualdad y tres indicadores de pobreza por tamaño de municipio para los años 2000 y 2010. Según se observa, la tasa de robo muestra una tendencia creciente conforme el tamaño del municipio aumenta (los municipios se agruparon en siete tamaños).11 Este patrón es similar en ambos años. Los municipios con 500 000 o más habitantes (Tam 6 y Tam 7) son los que presentan las tasas de robos más altas. La tasa de robos en estos últimos municipios puede llegar a ser hasta seis veces mayor a la de los municipios con menos de 50 000 habitantes (Tam 1, Tam 2 y Tam 3).
Tasa robo | Gini | IM | IDH | Rezago social | ||||||
2000 | 2010 | 2000 | 2010 | 2000 | 2010 | 2000 | 2010 | 2000 | 2010 | |
Tam 1 | 1.286 | 2.396 | 0.466 | 0.386 | 0.288 | 0.363 | 0.753 | 0.815 | 0.352 | 0.392 |
N | 109 | 67 | 382 | 370 | 382 | 370 | 382 | 370 | 382 | 370 |
Tam 2 | 1.324 | 1.614 | 0.448 | 0.405 | 0.243 | 0.258 | 0.746 | 0.806 | 0.211 | 0.2 |
N | 424 | 513 | 1024 | 969 | 1024 | 970 | 1025 | 970 | 1024 | 970 |
Tam 3 | 1.701 | 2.203 | 0.471 | 0.424 | -0.041 | -0.034 | 0.765 | 0.819 | -0.04 | -0.037 |
N | 409 | 614 | 683 | 712 | 683 | 713 | 683 | 713 | 683 | 713 |
Tam 4 | 2.817 | 3.546 | 0.473 | 0.427 | -0.566 | -0.518 | 0.801 | 0.843 | -0.54 | -0.469 |
N | 152 | 185 | 185 | 198 | 185 | 198 | 185 | 198 | 185 | 198 |
Tam 5 | 5.133 | 6.82 | 0.477 | 0.435 | -1.234 | -1.141 | 0.843 | 0.864 | -1.218 | -0.978 |
N | 120 | 155 | 136 | 163 | 136 | 163 | 136 | 163 | 136 | 163 |
Tam 6 | 9.052 | 10.552 | 0.481 | 0.44 | -1.805 | -1.692 | 0.877 | 0.886 | -1.811 | -1.432 |
N | 18 | 29 | 21 | 31 | 21 | 31 | 21 | 31 | 21 | 31 |
Tam 7 | 9.045 | 10.737 | 0.461 | 0.429 | -1.827 | -1.743 | 0.878 | 0.883 | -1.792 | -1.433 |
N | 8 | 11 | 11 | 11 | 11 | 11 | 11 | 11 | 11 | 11 |
Fuente: Elaboración propia con base en información del Sistema Estatal y Municipal de Bases de Datos, Simbad (2016) [fecha de consulta: 14 de septiembre de 2016], de Coneval (2020a; 2020b) y Censo de Población (2000; 2010).
Los tres indicadores de pobreza miden diferentes aspectos de esta: el índice de marginación (IM), el índice de desarrollo humano (IDH) y el índice de rezago social (rez soc).12 En los tres indicadores se identifica un patrón definido: los municipios pequeños presentan los mayores índices de pobreza o de marginación y conforme aumenta el tamaño del municipio los índices de pobreza, marginación y rezago social son menores. Sin embargo, en lo que respecta a la desigualdad, medida por el coeficiente de Gini, no se observa un patrón definido.
Un último punto que se infiere del cuadro 1 es que el aumento de robos observado durante el periodo analizado significó un aumento generalizado en todos los tamaños de municipios. Aunque los mayores aumentos en términos absolutos ocurrieron en los municipios de 100 000 y más habitantes.
Una descomposición de los municipios por tasa de robo indica que la mayoría de éstos presentan tasas menores a dos por cada 1000 habitantes. La gráfica 4 muestra la distribución de los municipios por tasa de robo. Los datos sugieren que, en efecto, más de 60 por ciento de municipios presentan tasas menores a dos por cada 1000 habitantes. El porcentaje de municipios con dos o más robos cae significativamente: aproximadamente 12 por ciento de los municipios tienen esta tasa. El porcentaje continúa cayendo en tasas mayores. Un hecho que es importante hacer notar es que la proporción de municipios con las tasas de robos más bajas (1 y 2), cae en 2010, mientras que la proporción de municipios con tasas altas aumenta. En consecuencia, en los municipios pequeños existe una gran heterogeneidad en lo que se refiere a la tasa de robos, mientras que en los municipios grandes es bastante pequeña.
Fuente: Elaboración propia con base en información del Sistema Estatal y Municipal de Bases de Datos, Simbad (2016) [fecha de consulta: 14 de septiembre de 2016].
Aunque en términos porcentuales el número de municipios con altas tasas de robos es minúsculo, en términos de población sí representan un número significativo de personas. El cuadro 2 presenta los diez municipios con las tasas de robos más altas durante el periodo 1998-2015. El criterio utilizado para la confección del cuadro fue el número de veces que los municipios se ubicaron en los primeros diez lugares durante el periodo 1998-2015. Con la excepción de Tijuana y Mexicali, los municipios con la mayor incidencia de robos son de tamaño mediano, entre 100 000 y 500 000 habitantes. El hecho de que estos municipios aparezcan en la lista de los municipios con las tasas de robos más altas refleja dos características. Primero, que no existe una relación lineal entre tamaño de municipio y tasa de robo, lo cual sugiere la existencia de otros elementos que afectan esta relación. Segundo, que existe una alta persistencia de los delitos en los municipios.
Municipio | Tasa robo* | Población |
Cuauhtémoc, Ciudad de México | 28 | 521 348 |
Benito Juárez, Ciudad de México | 23 | 385 439 |
Mexicali, Baja California | 20 | 936 826 |
Tecate, Baja California | 21 | 101 079 |
Miguel Hidalgo, Ciudad de México | 19 | 353 534 |
Playas de Rosarito, Baja California | 22 | 90 668 |
Tijuana, Baja California | 20 | 1 559 683 |
Oaxaca de Juárez, Oaxaca | 18 | 263 357 |
Cuernavaca, Morelos | 20 | 365 168 |
La Paz, Baja California Sur | 16 | 253 845 |
Fuente: Estimación propia con datos del Simbad (2016) [fecha de consulta: 14 de septiembre de 2016]. * Promedio del periodo, por cada 1000 habitantes.
Por último, para tener una mejor idea de la distribución espacial de la tasa de robos a nivel nacional durante los años 2000 y 2010, se presentan dos mapas que muestran los municipios según los niveles de la tasa de robo. En ambos casos, las áreas más oscuras son los municipios con tasas de robos más altas. Los municipios sin color no presentan información sobre robos. No queda claro si es porque no se presentaron denuncias o porque la información no existe. Se definieron tres tipos de municipios según el valor de su tasa de robos: grupo 1 son los municipios que presentan tasas menores a uno, grupo 2 son aquellos municipios que tienen tasas entre uno y menores de dos, y grupo 3 son los municipios que presentan tasas mayores de dos.
En el año 2000, los municipios localizados en la región norte del país son los que en general presentaban las mayores tasas de robos, con algunos municipios ubicados en la zona conurbada de la ciudad de México, el estado de Veracruz y el estado de Quintana Roo (mapa 1). En el año 2010, el número de municipios con una tasa de robos mayores a 2 aumenta considerablemente en todo el país como se puede ver en la mapa 2. Hasta cierto punto, esto era de esperar dado el aumento de la tasa de delitos observado y, como se mencionó antes, 2010 fue el año en que la tasa de robos alcanzó su máximo del periodo 1997-2016.
Fuente: Estimaciones propias con base en datos del Simbad (2016) [fecha de consulta: 14 de septiembre de 2016].
METODOLOGÍA
En esta sección se define la técnica econométrica utilizada, así como las variables consideradas en el análisis empírico.
Modelo econométrico
Para la estimación de los parámetros se propone un modelo panel que nos permite controlar por variaciones temporales y municipales de los datos. Nuestro interés es evaluar la magnitud del impacto que tienen la pobreza,
Donde:
Descripción de variables
La pobreza es medida por tres indicadores: el índice de desarrollo humano (IDH), el índice de marginación (IM) y el índice de rezago social (rez_social), mientras que la desigualdad en la distribución del ingreso es medida por el índice de Gini (gini). Aun cuando a nivel teórico existen otros indicadores de desigualdad, no se tiene información para los dos años de estudio a nivel municipal. En la medida en que los robos tienen en última instancia una motivación económica, también se considera la tasa de desempleo como variable explicativa. Se espera que, a mayor tasa de desempleo, mayor sea la necesidad de obtener ingresos y, por lo tanto, mayor sea la propensión a cometer robos.
Las características de la estructura familiar son medidas básicamente por la proporción de hogares uniparentales cuyo género es femenino y la edad del jefe del hogar. La hipótesis en este último caso es que las familias con jefes de hogar relativamente jóvenes (menores de 30 años) pueden reflejar cierto grado de desviación social que tiene consecuencias en la incidencia delictiva.
La variable educación se mide por las proporciones de personas que viven en el municipio con diferente nivel educativo. Se definieron cuatro categorías educativas: a) personas mayores de 18 con educación primaria (t_prim), b) personas mayores de 18 con educación secundaria y preparatoria (t_secpre), c) proporción de personas con estudios de licenciatura (t_lic), y d) proporción de personas con estudios de posgrado (t_pos).
El crecimiento poblacional se calcula como la tasa de crecimiento promedio anual de la población municipal (g_pob). Muy asociado con el acelerado crecimiento de la población está la densidad poblacional del municipio. La densidad poblacional (densidad) se estima como el cociente entre la población del municipio y el área del municipio en km2 (en miles de personas). En ambos casos se espera una relación positiva entre ellas y la tasa de robos (Glaeser y Sacerdote, 1999). Como se mencionó, se incluye el número de agentes en el ministerio público en el municipio (lt_agtesfc) para controlar el hecho de que el número de denuncias están en proporción directa del número de agencias del ministerio público: municipios con un mayor número de agentes del ministerio público presentan el mayor número de denuncias.
Se debe hacer notar que para algunas variables no todos los municipios cuentan con información en ambos años, por lo que el número de observaciones del análisis se reduce a 716.
RESULTADOS
Existen algunos problemas econométricos que se deben resolver para poder obtener estimadores eficientes e insesgados que nos permitan realizar inferencias sobre la significancia de las variables consideradas. Se hicieron algunas pruebas para detectar la presencia de heteroscedasticidad. Primero, se estimó el modelo mediante mínimos cuadrados ordinarios (MCO) para cada año de manera independiente, y luego se estimó con los dos años juntos controlando por municipio (regresión panel). Las pruebas arrojaron los mismos resultados: sí hay evidencia de heteroscedasticidad. La solución que se dio fue la de transformar la tasa de robos a logaritmos. Los resultados indican que luego de hacer la transformación el problema de heteroscedasticidad disminuye significativamente.
Diversos autores (García-Hombrados, 2015; Enamorado et al., 2016, entre otros) han notado que uno de los problemas comunes cuando se analiza el impacto de la desigualdad y la pobreza sobre la delincuencia es la probable endogeneidad que existe entre estas variables y la delincuencia. Para lidiar con el problema de simultaneidad se estimaron los parámetros mediante la técnica de variables instrumentales. Luego de diversas pruebas de exogeneidad se determinó que las variables que miden la pobreza absoluta, —IDH, IM y rez soc—, son endógenas, mientras que la de desigualdad (índice de Gini) y la tasa de desempleo no lo son.
Adicionalmente, el presente estudio controla por el número de agentes del ministerio público que atienden las denuncias de robos. Encontramos evidencia de una alta correlación entre estas dos variables. Es posible que la tasa de denuncia en determinado municipio no solo dependa del número de agentes del ministerio público, sino que también es posible que el número de agentes dependa del clima de delincuencia existente en el municipio; es decir, que exista una relación bidireccional.
Como existen dos variables que están correlacionadas con el error (pobreza y agentes del MP), se decidió utilizar la técnica de variables instrumentales en dos etapas. En la primera etapa se estima una regresión auxiliar para obtener los valores pronosticados de pobreza y agentes del ministerio público. En la segunda etapa los valores pronosticados son utilizados como instrumentos en la ecuación principal.
Se estiman tres modelos, uno para cada indicador de pobreza absoluta. Por lo tanto, los instrumentos utilizados van a variar según el indicador de pobreza utilizado. Así, se tiene que en el caso de IDH se utiliza el promedio de escolaridad en el municipio, el logaritmo del número de agencias del ministerio público y el índice de marginación. En el caso del IM se considera el número de viviendas sin drenaje, el número de viviendas sin agua entubada y el número de oficinas del ministerio público. Finalmente, en el caso de rezago social, rez soc, se incluye el promedio de escolaridad, número de oficinas del ministerio público y el índice de marginación. En los tres modelos se hicieron las pruebas de exogeneidad y de sobreidentificación que se presentan más adelante.
Debido a la falta de espacio, los resultados se presentan en dos cuadros. En el cuadro 3 se presenta la significancia del tamaño del municipio y su interacción con el indicador de desigualdad, mientras que en el cuadro 4 se muestra la significancia estadística de las variables sociodemográficas, económicas y urbanas.13
IDH | IM | REZ SOC | ||||||
b/p | b/p | b/p | ||||||
CONST | -2.75835 | *** | 3.15094 | ** | 7.04287 | *** | ||
(0.005) | (0.011) | (0.000) | ||||||
tam2 | -5.61814 | *** | -7.49456 | *** | -7.25057 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
tam3 | -5.66498 | *** | -6.50409 | *** | -6.67011 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
tam4 | -5.55083 | *** | -6.31625 | *** | -6.47097 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
tam5 | -4.77108 | *** | -5.91460 | *** | -5.98771 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
tam6 | -5.80207 | *** | -6.58871 | *** | -6.50101 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
tam7 | -4.51722 | *** | -5.99686 | *** | -5.64980 | *** | ||
(0.009) | (0.000) | (0.001) | ||||||
FN_Gini | 0.97471 | *** | 0.1068 | 0.11407 | ||||
(0.000) | (0.460) | (0.448) | ||||||
tam2*Gini | 11.05785 | *** | 13.31980 | *** | 13.19592 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
tam3*Gini | 11.61693 | *** | 11.54361 | *** | 12.44308 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
tam4*Gini | 11.75895 | *** | 11.64498 | *** | 12.46109 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
tam5*Gini | 10.46663 | *** | 11.08821 | *** | 11.61907 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
tam6*Gini | 12.96327 | *** | 12.85089 | *** | 12.94442 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
tam7*Gini | 9.97401 | *** | 11.51072 | *** | 11.01670 | *** | ||
(0.000) | (0.002) | (0.003) | ||||||
GINI | -10.43379 | *** | -11.00903 | *** | -11.93359 | *** | ||
(0.000) | (0.001) | (0.000) | ||||||
IDH | 12.81360 | *** | IM | -0.34734 | *** | REZ SOC | -0.72973 | *** |
(0.000) | (0.001) | (0.000) |
Fuente: Elaboración propia con base en información de INEGI (2010; 2020) y Coneval (2020a; 2020b). Nota: p-value en paréntesis. * Significancia al 90%, ** Significancia al 95%, *** Significancia al 99%.
IDH | IM | REZ SOC | ||||||
b/p | b/p | b/p | ||||||
jefe_m | 2.75265 | *** | 2.86497 | *** | 2.55350 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
jef_men30 | 2.56129 | * | 5.92442 | *** | 2.84559 | ** | ||
(0.059) | (0.000) | (0.013) | ||||||
jef_may60 | -0.15304 | 1.28831 | * | 0.09732 | ||||
(0.852) | (0.065) | (0.89) | ||||||
t_prim | -3.25853 | *** | 2.44441** | -0.11137 | ||||
(0.002) | (0.025) | (0.885) | ||||||
t_secpre | -3.01720 | ** | 5.02610 | *** | 0.4332 | |||
(0.012) | (0.000) | (0.598) | ||||||
t_lic | -1.42748 | -6.66444 | *** | -4.74946 | *** | |||
(0.449) | (0.000) | (0.005) | ||||||
t_pos | 17.63438 | ** | 33.25911 | *** | 30.92878 | *** | ||
(0.045) | (0.000) | (0.000) | ||||||
g_pob | -2.84663 | *** | -1.67348 | * | -0.20543 | |||
(0.004) | (0.084) | (0.849) | ||||||
Ltu | -0.07407 | * | 0.0095 | 0.09796 | ** | |||
(0.086) | (0.816) | (0.013) | ||||||
lt_agtesfc | 0.25927 | *** | 0.20589 | *** | 0.27718 | *** | ||
(0.000) | (0.000) | (0.000) | ||||||
densidad | 0.00004 | *** | 0.00003 | *** | 0.00003 | *** | ||
(0.000) | (0.000) | (0.000) |
Fuente: Elaboración propia con base en información del censo de población (2000 y 2010) y Coneval (2020a; 2020b). Nota: p-value en paréntesis. * Significancia al 90%, ** significancia al 95%, *** significancia al 99%.
Nuestros resultados indican que la pobreza14 está negativamente asociada a la tasa de robo; es decir, municipios más pobres y marginados presentan tasas de robos menores, mientras que municipios con mayor nivel de desarrollo humano enfrentan tasas mayores. Es evidente que para los delincuentes es más rentable cometer sus robos en zonas con alto nivel de bienestar económico y que los mecanismos de autoprotección y de disuasión por parte de las autoridades públicas en estos municipios no son lo suficientemente fuertes como para desmotivar a los delincuentes. Alternativamente, se puede considerar que los retornos esperados de cometer fechorías en los municipios con alta marginación no superan los costos esperados, por lo que no hay incentivos. Este resultado coincide con los hallazgos de Vilalta (2009), quien encuentra una relación negativa entre delincuencia y pobreza en los municipios de la Zona Metropolitana del Valle de México.
En lo que respecta a la relación entre desigualdad, medida por el índice de Gini, y la tasa de robos, los resultados indican que existe una relación positiva, excepto en los municipios más grandes, donde la relación se vuelve negativa en dos de los modelos propuestos.15 En resumen, los resultados nos indican que la relación entre la desigualdad y la tasa de robo varía entre los municipios de diferente tamaño, pero sin presentar un patrón de comportamiento definido; es decir, la repercusión de la desigualdad sobre la tasa de robos no aumenta o disminuye de forma monotónica conforme aumenta el tamaño del municipio.16 Este es un resultado particularmente interesante pues la omisión de esta variable podría explicar las discrepancias encontradas en trabajos previos sobre la significancia estadística y el sentido de la relación.
En el cuadro 4 se presenta el resto de los resultados para cada uno de los modelos considerados. Los números entre paréntesis representan el valor del estadístico p de cada parámetro estimado. Nuestros resultados indican que los municipios con una mayor proporción de familias cuyas cabezas son mujeres están asociados a una mayor tasa de robos. De igual manera, municipios con una mayor proporción de jefes de hogar menores de 30 años también están positivamente asociados con una mayor tasa de robos. Estos dos hallazgos apuntan a que es necesario prestar mayor atención a la estructura familiar en discusiones sobre la delincuencia, ya que se corroboran las teorías que enfatizan los factores sociales y familiares como determinantes importantes de la delincuencia (Bergman, 2018), o bien que se necesitan estrategias para fomentar el control social informal que disminuye con la incursión de la mujer en el mundo laboral.
En términos generales, la relación entre educación y delincuencia no es concluyente en el sentido de que el signo de la relación no muestra un patrón de comportamiento estable según nivel educativo, con la excepción de los niveles altos de educación. En el caso de municipios con una mayor proporción de personas con grado de licenciatura, por ejemplo, éstos presentan menores tasas de robos. En este caso, los mecanismos de autoprotección parecen ser más efectivos que los incentivos que reciben los delincuentes de cometer el delito.
En el caso de los municipios con una mayor proporción de personas con grado de posgrados, por otro lado, presentan mayores tasas de robos. Lo cual estaría indicando que los incentivos existentes en estos municipios son más fuertes que los mecanismos de autoprotección, ceteris paribus. Otra posibilidad es que personas con mayores niveles educativos tengan una mayor propensión a denunciar que personas con menores grados educativos.
Por lo que se refiere al crecimiento demográfico, nuestros resultados sugieren que los municipios que crecieron a una mayor velocidad presentan una menor tasa de robo, mientras que los municipios con una mayor densidad poblacional presentan tasas de robos más altas, confirmando así lo propuesto por Glaeser y Sacerdote (1999) en el sentido de la existencia de economías de aglomeración que inducen la conducta delictiva, mientras que se descarta, al menos con nuestros datos, lo sostenido por Felson (2002) sobre la dificultad de robar en zonas con alta densidad poblacional.17
Como se esperaba, encontramos una relación positiva y altamente significativa entre la tasa de robo y el número de agentes del ministerio público del fuero común. Finalmente, la evidencia acerca de la relación entre tasa de robos y tasa de desempleo no es concluyente: para el modelo IDH resulta negativa al 10 por ciento de confianza, mientras que para el modelo rez soc resulta positiva y altamente significativa.
En el cuadro 5 presentamos los estadísticos de las diferentes pruebas realizadas para comprobar la robustez de nuestros resultados para los tres modelos estimados. En los tres casos se rechaza la hipótesis nula de que los parámetros no son significativos en el agregado, también se rechaza la hipótesis nula de que las variables de pobreza son exógenas; en cambio, se acepta la hipótesis nula de que los modelos están correctamente especificados.
Pruebas | IDH | IM | REZ SOC |
Wald Chi2 | 1.17e+11 | 6448.29 | 4.42e+10 |
R2 | 0.3853 | 0.5382 | 0.5362 |
N de Obs | 1627 | 1626 | 1627 |
Pruebas de endogeneidad | |||
Robust Chi2 (2)7 | 128.619 (p=0.000) |
10.0156 (p=0.0067) |
44.9616 (p=0.000) |
Robust F | 108.292 (p=0.000) |
5.17428 (p=0.0058) |
24.2526 (p=0.000) |
Primera etapa R2 | |||
IDH, IM, REZ_SOC | 0.4327 | 0.0766 | 0.8358 |
lt-agtesfc | 0.3338 | 0.2968 | 0.3345 |
Identificación Chi2 | 1.07921 (p=0.2989) |
0.52282 (P=0.4696) |
1.5878 (p=0.2076) |
Fuente: Elaboración propia.
CONCLUSIONES
El presente trabajo tuvo por objetivo evaluar el efecto de la pobreza y de la desigualdad sobre la tasa de robos para diferentes tamaños de municipio. Los resultados son robustos a diferentes especificaciones y se mantienen luego de corregir por el problema de endogeneidad entre la tasa de delitos y nuestras variables de interés, controlando por las especificidades municipales y algunas características sociodemográficas de la estructura familiar.
Si bien no se observó un patrón claro en relación con el tamaño del impacto de la desigualdad, los resultados del análisis mostraron que, en general, el efecto es positivo, ie., mayor desigualdad está asociada con mayor tasa de robo. La introducción del tamaño de municipios en el análisis permite inferir que la magnitud del impacto no es constante entre los municipios de diferente tamaño. Se encontró evidencia de que esta relación se torna negativa en municipios con poblaciones mayores de un millón de habitantes.
La pobreza, por otro lado, está negativamente relacionada con la delincuencia. Debido al problema de endogeneidad, no fue posible estimar el impacto de la pobreza sobre la tasa de robo para los diferentes tamaños de municipios. Sin embargo, este resultado es consistente con trabajos previos que han encontrado también esta relación inversa y, particularmente, apunta a la idea de que el enfoque punitivo no debe centrarse en los sectores más desfavorecidos de nuestras comunidades, sino que el problema parece encontrarse más relacionado con las enormes brechas sociales que existen en nuestro país.
Por lo que respecta a la relación entre las variables sociodemográficas y la tasa de robos, entre los resultados más importantes se deben mencionar cuatro. En primer lugar, se encontró evidencia de que la estructura familiar es un determinante poderoso de la tasa de robos. En específico, existe una relación positiva entre la tasa de robos y la proporción de hogares cuya cabeza tiene menos de 30 años y hogares uniparentales donde el jefe de familia es de sexo femenino. Segundo, los resultados no son concluyentes con respecto a la relación que existe entre nivel educativo (de las personas mayores de 18 años) y la tasa de robos. Sólo encontramos evidencia sólida acerca de una relación positiva entre personas con estudios de posgrado y tasa de robos, lo que puede explicarse desde una perspectiva del aumento de las oportunidades delictivas.
Tercero, aunque no se reporta en nuestros resultados, no encontramos evidencia de que la falta de algunos bienes públicos, como agua entubada, acceso a energía eléctrica y viviendas con drenaje, tengan algún tipo de incidencia sobre la tasa de robos. En cambio, sí se encontró cierta evidencia de que la densidad poblacional de los municipios es un pronosticador importante de la tasa de robos, lo mismo que el número de agentes del ministerio público. Este último hallazgo tiene sentido si se considera que la mayor densidad poblacional aumenta las oportunidades criminales y dificulta las tareas de control y disuasión policial. Precisamente por eso nuestros resultados cobran relevancia, pues sobre todo en contextos con alta densidad poblacional y en los que las políticas disuasorias no son del todo efectivas, es en los que deben buscarse soluciones alternativas.
En el presente estudio no se incluyeron medidas relacionadas con la disuasión del delito, por lo que, hasta cierto punto, los resultados deben tomarse con cautela. Variables como el tamaño de la policía, su capacidad para enfrentar a la delincuencia y para mantener la paz social (Fondevila y Meneses, 2017; Sumano, 2020), así como la eficacia del sistema penal juegan un papel importante en la decisión de los delincuentes.18 Ello limita nuestras recomendaciones de política pública; sin embargo, nuestros hallazgos nos permiten señalar algunas líneas estratégicas de acción para la prevención del delito de robo.
En general, nuestros resultados sugieren que las medidas tendientes al fortalecimiento de la estructura familiar y a la reducción de las brechas sociales y económicas entre los miembros de la sociedad son favorables para la reducción de la delincuencia. Dado que la desigualdad económica suele convertirse con el tiempo en desigualdad social y desigualdad en derechos, aumentando así la tensión social y resquebrajando el tejido social, la disminución de las brechas económicas parece ser un asunto prioritario en la prevención no solo del delito robo, sino también de conductas más violentas derivadas del descontento social.
Asimismo, el presente trabajo pretende ser una contribución al campo de estudio específico de la economía del crimen, pero también aporta evidencia a otras perspectivas teóricas que desde la criminología han abordado la relación entre estas variables, como la teoría de la anomia y la teoría de la desorganización social. Por ello, sugerimos que en futuros trabajos se explore esta relación entre desigualdad y el delito de robo en otras unidades de análisis, incluso sería pertinente realizar análisis multinivel, puesto que como ya se ha señalado en la literatura, existe una relación dinámica entre estos fenómenos que puede ocultarse al utilizar solo una unidad. Sería particularmente interesante entender los mecanismos específicos que propician esta conducta a nivel individual. Bergman (2018), por ejemplo, enfatiza el papel que juega el mercado de productos robados en la dinámica de la delincuencia, por lo que la agenda de investigación debe profundizar en el análisis de las variables que hacen más atractivos estos delitos de motivación económical.