Examen Final: Analista de Dades UB
La Situación del la Delincuencia y la Criminalidad en España y Barcelona
Este breve informe tiene como objetivo presentar algunos datos objetivo sobre la situación de la delincuencia y la criminalidad en España, con un enfoque particular en la ciudad de Barcelona. El informe presenta dados descriptivos como la evolución de la taxa de criminalidad en el territorio Español, tanto la evolución de los delitos a lo lardo del tiempo como su distribución territorial. Los datos objectivos de hechos conocidos también es comparado con la percepción de seguridad de los ciudadanos.
Depués de presentar la situación a nivel territorial nacional, nos centramos en presentar la situación de la criminalidad y la deliencuencia en una gran ciudad: Barcelona. Al centrarnos en esta ciudad podemos además de presentar las tendencies como en el caso de España, centrarnos en tratar de encontrar factores que pueden explicar o estar relacionar como mayor o menor delicuencias en barrios de la ciudad, incluídos factores demográficos, sociales y contextuales.
La Situación de la Delincuencia y la Criminalidad en España
Para analizar los datos de criminalidad en España se utilizó los datos del INE y Ministerio de Interior.
Se cargó los datos de “hecho conocidos en España” disponible en el Portal Estadístico de criminalidade del Ministerio del Interior (https://estadisticasdecriminalidad.ses.mir.es/publico/portalestadistico/).
La Evolución Total de Delitos en España
El siguiente gráfico muestra la evolución de la criminalidad en España entre 2010 y 2023. Aunque se registran picos de aumento y descenso a lo largo del periodo, estas fluctuaciones no resultan especialmente pronunciadas en términos absolutos. Para facilitar la interpretación de la tendencia general, se ha incorporado una línea de suavizado (loess), que permite observar con mayor claridad la trayectoria del fenómeno delictivo.
Destacan tres momentos clave: una caída acusada en 2020–2021, coincidente con las restricciones derivadas de la pandemia de la COVID-19; una disminución significativa en 2016, que podría relacionarse con la entrada en vigor de la Ley de Seguridad Ciudadana de 2015 (conocida como “Ley Mordaza”); y, finalmente, una tendencia creciente hacia el año 2023.
Gráfico 1
Además de este gráfico, con estos datos también podemos conocer las 10 provincias con mayor número de delitos:
# A tibble: 10 × 2
provincias total
<chr> <dbl>
1 Palmas (Las) 113222.
2 Ciudad Real 113128.
3 Zaragoza 112747.
4 Badajoz 110465.
5 Jaén 108984.
6 Navarra 107023.
7 Castellón/Castelló 106827.
8 Albacete 106529.
9 Asturias 104504.
10 Santa Cruz de Tenerife 100877.Llama la atención que en esta primera visualización no figuren entre las provincias con mayor número de delitos aquellas con mayor población, como Madrid, Barcelona o Sevilla. Esto sugiere que la distribución territorial de la criminalidad no se alinea de forma directa con el tamaño poblacional, y que otros factores pueden estar en juego.
Para profundizar en estas dinámicas, es necesario examinar la evolución por tipología penal. Este enfoque nos permitirá identificar qué tipos de delitos han aumentado o disminuido a lo largo del tiempo, así como comprender mejor la estructura delictiva en el ámbito nacional.
Hemos agrupados los más de 100 tipos de delictos en 7 grupos de delito:
[1] "Violencia interpersonal" "Delitos sexuales"
[3] "Delitos patrimoniales" "Ciberdelincuencia"
[5] "Drogas y seguridad" "Administración y orden público"
[7] "Otros" Así podemos ver la evolución del crimen por macrogrupo de delicto:
Como se puede observar en los gráficos, la mayoría de las tipologías delictivas experimentan una caída notable en torno al año 2020, coincidiendo con la pandemia de la COVID-19 y las restricciones asociadas. Sin embargo, la ciberdelincuencia representa una excepción clara: muestra un crecimiento sostenido desde 2011, con un aumento particularmente marcado en los últimos años.
En cambio, la violencia interpersonal presenta una tendencia descendente desde aproximadamente 2016. Tras la caída general en 2020, la mayoría de los delitos muestran una recuperación progresiva, lo que sugiere una reactivación de ciertos patrones delictivos en el contexto postpandémico.
Distribución territorial del delito
También podemos observar como varia la evolución de la criminalidad de forma comparativa entre las provincias de España. Para ello preparamos un mapa interactivo que presenta la evolución en la diferente provincias en comparación con el Total de España.
Como se puede ver en gráfico, se confirma la tendencia decreciente durante el pico de la pandemia, y una ascendiente no pospandemia. Sin embargo, queda claro que hay una gran variabilidad entre provincias que queda suavizada en la media nacional y que las grandes provincias no son necesariamente las que comportan el mayor número de delitos.
Distribución Territorial de Delitos en España
Percepción de seguridad
Después de haber visto como se distribuye la criminalidad territorialmente, es interesante verificar también la percepción de inseguridad, ahora agrupado por Comunidades Autónomas.
Como se puede observar, apesar de que la mayoría de los ciudadanos en las CCAA españolas se sienten seguro, en algunas Comunidades o Cuidades Autónomas los ciudadanos tienen mayor percepción de inseguridad, como en Ceuta, en Murcia y las Islas Baleares.
En el gráfico a seguir se puede observar el percentual de personas que se sienten “Muy Inseguras” por cada CCAA, destancado Ceuta, Murcia y Madrid.
Seguiremos explorando los hechos conocidos por comunidad autónomas para luego comparar con las percepciones.
Delitos vs Percepción
Una pregunta clave en el análisis del crimen es si las personas que viven en zonas con mayor número de delitos realmente se sienten menos seguras.
Aunque los datos disponibles sobre percepción ciudadana corresponden al año 2013, ofrecen indicios interesantes. La relación entre criminalidad registrada y percepción de inseguridad no es siempre directa:
Por ejemplo, Ceuta presenta una percepción de inseguridad elevada en relación con el número total de delitos. Esto puede explicarse, en parte, por su tamaño poblacional reducido: aunque los delitos absolutos no sean tan altos, la incidencia relativa por habitante puede ser significativa.
En el caso opuesto, comunidades como Navarra o Cantabria presentan un número notable de delitos, pero una percepción de inseguridad baja. Esto sugiere que el tipo de delitos cometidos o la respuesta institucional puede influir más en la percepción pública que la cantidad total.
Por último, también podemos mirar la percepción desde una perspectiva de género. Los datos demuestran que en general, en España, los hombres se sientan bastante o muy seguros en andar por la calle. Sin embargo, aunque muchas mujeres también se siente muy o bastante seguras, una propoción mucho más grande de mujeres que hombres se siente un poco o muy insegura al andar por la calle.
La Criminalidad y la Delincuencia en Barcelona
En esta sesión nos centraremos en el caso de la ciudad de Barcelona, una ciudad diversa, con gran población extranjera, actividad económica y turismo.
Empezamos por explorar la base de datos de delitos conocidos en Catalunya y extraer los datos sobre Barcelona, desagregado por ABP. También creamos un objeto llamado “abp_barrios_map” que hace la equivalencia entre los ABP y los barrios de Barcelona, ya que los datos socio-demográficos están por barrios, y luego se podrá unir las bases de datos y analizarlos en conjunto. En este primer gráfica se ve la evolución de los delitos a lo largo de los años, que se comporta similar a las tendencias a nivel de Estado con destaque para dos areas basicas policiales, Eixample y Ciutat Vella.
En este otro gráfico podemos ver cada ABP por separado.
Otro factor interesante de observar son los tipos de delitos más frecuentes en la ciudad. Como se puede ver en el gráfico, en este caso son lo hurtos.
Por último, podemos ver un mapa de los delitos registrados en Barcelona por Barrio. Una vez más, se ve que hay una presión mayor en los barrios del Eixample y Ciutat Vella.
Análisis socio-demográfico de la criminalidad en Barcelona
Tras presentar la distribución geográfica de los delitos en Barcelona, abordaremos el análisis de las características socio-demográficas de la ciudad y sus barrios con el objetivo de comprender mejor los factores que inciden en la mayor concentración de criminalidad en determinadas zonas.
Para ello, cruzaremos los datos de criminalidad con una serie de indicadores clave del contexto socio-demográfico, económico y estructural de los distintos barrios de la ciudad. Este enfoque nos permitirá identificar correlaciones relevantes y, en la medida de lo posible, explorar relaciones de causalidad que ayuden a explicar los patrones espaciales del delito en Barcelona.
Empezamos usando una base de datos que tiene los siguientes indicadores sobre los barrios de la ciudad de Barcelona:
- “extranjeros de países de renta baja o media (%)”
- “población con estudios bajos (%)”
- “población joven sin estudios postobligatorios (%)” 4.”población ocupada (%)” 5.”renta media por persona (€)“
- “trabajadores de baja calificación (%)”
Estos datos han sido organizados en 4 clusters para poder calificar los dintistos barrios de Barcelona.
FALSE
73 Gráfico: Delitos Estimaods por Clúster Social
Esto uniremos con la base de datos de crímines en Barcelona y analizaremos la correlación.
Simple feature collection with 4 features and 3 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: 420812.5 ymin: 4574282 xmax: 435480.4 ymax: 4591066
Projected CRS: ETRS89 / UTM zone 31N
# A tibble: 4 × 4
cluster promedio_delitos total_delitos geometry
<fct> <dbl> <dbl> <MULTIPOLYGON [m]>
1 Clase media trabajad… 2245. 53871. (((428285.4 4580430, 428…
2 Alta vulnerabilidad … 1741 26114. (((430996 4577921, 43099…
3 Vulnerabilidad inter… 1696. 30522. (((428168 4579734, 42817…
4 Alta renta y formaci… 2307. 25381. (((426873.4 4582179, 426…
Con base en estos gráficos las diferencias entre los cluster existen, pero no sabemos si es significativa. Para evaluar si existen diferencias significativas en los niveles de criminalidad entre los distintos clusters de barrios de Barcelona, se aplicaron dos pruebas estadísticas complementarias. En primer lugar, se realizó un análisis de varianza (ANOVA), que no arrojó resultados significativos (F = 0.722, p = 0.542), lo que en principio indicaría que no existen diferencias en la media de delitos estimados entre los grupos. Sin embargo, dado que el ANOVA asume normalidad y homogeneidad de varianzas —condiciones que no siempre se cumplen en datos sociales y espaciales—, se aplicó también el test no paramétrico de Kruskal-Wallis, que no requiere dichos supuestos. En este caso, el resultado fue significativo (χ² = 10.49, p = 0.0148), lo que indica que al menos uno de los clusters presenta una distribución de delitos estimados significativamente diferente respecto a los demás. Este hallazgo sugiere que las diferencias observadas entre clusters en los gráficos no son aleatorias, sino que reflejan patrones reales en la distribución del delito. A continuación, será necesario realizar comparaciones por pares para identificar qué grupos difieren entre sí de forma significativa.
| term | df | sumsq | meansq | statistic | p.value |
|---|---|---|---|---|---|
| cluster | 3 | 5148555 | 1716185 | 0.722 | 0.542 |
| Residuals | 64 | 152030133 | 2375471 | NA | NA |
| statistic | p.value | parameter | method |
|---|---|---|---|
| 10.488 | 0.015 | 3 | Kruskal-Wallis rank sum test |
Después de confirmar con el test de Kruskal-Wallis que hay diferencias en los niveles de criminalidad entre los distintos grupos de barrios (clusters), se realizaron comparaciones entre ellos para ver exactamente cuáles son diferentes entre sí.
| Grupo1 | Grupo2 | p_ajustado |
|---|---|---|
| Alta vulnerabilidad social | Clase media trabajadora estable | 0.0957 |
| Vulnerabilidad intermedia | Clase media trabajadora estable | 0.2268 |
| Vulnerabilidad intermedia | Alta vulnerabilidad social | 1.0000 |
| Alta renta y formación elevada | Clase media trabajadora estable | 1.0000 |
| Alta renta y formación elevada | Alta vulnerabilidad social | 0.0816 |
| Alta renta y formación elevada | Vulnerabilidad intermedia | 0.3183 |
Aunque ninguna de las comparaciones fue significativa al nivel habitual (p < 0.05), sí hubo algunas diferencias que estuvieron cerca de serlo. Por ejemplo, los barrios con alta vulnerabilidad social mostraron niveles de criminalidad algo más altos que los barrios de renta alta y formación elevada (p = 0.082), y también que los barrios de clase media trabajadora estable (p = 0.096). Aunque estos resultados no son concluyentes, apuntan a una posible tendencia: los barrios con mayor vulnerabilidad social tienden a tener más delitos que aquellos con mejores condiciones socioeconómicas. Es posible que estas diferencias no hayan sido estadísticamente significativas por el tamaño limitado de la muestra o porque la prueba que se usó es bastante conservadora. Aun así, los datos sugieren que el contexto social y económico de los barrios influye en los niveles de criminalidad.
Para poder profundizar en el análisis, se amplió la base de datos incorporando nuevos indicadores y registros que permiten una visión más completa de la relación entre criminalidad y características socio-demográficas en los barrios de Barcelona disponibles en Open Data Barcelona. En particular ampliamos la base de datos para tener más información a diferentes niveles de población, renta, migración…
Para enriquecer el análisis e identificar factores que puedan estar asociados a los niveles de criminalidad, se incorporaron múltiples variables socio-demográficas y estructurales relevantes. Entre ellas se incluyen indicadores como la renta bruta media por barrio, el índice de Gini (que mide la desigualdad), el total de población, la distribución por sexo, y el origen de la población (España, resto de la UE, y resto del mundo), así como los porcentajes correspondientes a cada uno de estos grupos. Estas variables permiten explorar posibles relaciones entre desigualdad económica, composición demográfica y criminalidad.
Dado que frecuentemente se asocia la inmigración con la criminalidad en el debate público, en este análisis también se consideran explícitamente variables relacionadas con el origen de la población. No obstante, además de estos factores demográficos, se incorporó un aspecto estructural adicional de gran relevancia en el caso de Barcelona: la presión turística.
Aunque no se dispone de esta información desglosada por año, se ha considerado como una variable estructural utilizando el dato más reciente disponible, correspondiente al año 2023. Este indicador sintetiza distintos elementos, como el número de plazas turísticas (en viviendas de uso turístico – HUT), el número de hoteles, y un índice estandarizado de presión turística por barrio. Además, los barrios se han clasificado en categorías de presión turística (nula, baja, media o alta), lo que permitirá estudiar si existe alguna relación entre esta presión y la criminalidad registrada.
Atenció al client Centraleta Informació
1 94 4
Informació i reserves Reserves Tel.
5 8 332
Alta Baja Media <NA>
126 126 120 66 Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
-0.50320 -0.48076 -0.39783 0.01139 0.12405 6.28922 66 
[1] "ano" "municipio" "barrios_de_barcelona"
[4] "concepto" "valor" Preparar bases de datos para análisis uniendo con la base de datos de delitos en Barcelona
Rows: 401,921
Columns: 6
$ area_basica_policial_abp <chr> "ABP Sant Martí", "ABP Sant Martí", "ABP Sant…
$ coneguts <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, …
$ tipus_de_fet <chr> "Homicidi Consumat", "Homicidi Consumat", "Ho…
$ any <int> 2011, 2011, 2011, 2011, 2011, 2011, 2011, 201…
$ nombre_barrio <chr> "el Clot", "el Camp de l'Arpa del Clot", "el …
$ nom_barri_limpio <chr> "el clot", "el camp de larpa del clot", "el p…[1] 2015 2016 2018 2019 2020 2021Con la base de datos ya depurada y enriquecida, procedemos a contestar la siguiente pregunta?
¿Qué variables explican los delitos en Barcelona?
Lo primero que haremos para tratar de contestar la pregunta es estimar un primer modelo de regresión lineal múltiple con controles para analizar qué variables socioeconómicas y estructurales se asocian con los niveles totales de delitos registrados en los barrios. Este modelo base incluye variables de renta, desigualdad, composición poblacional, nivel educativo y presión turística.
Modelo base: regresión lineal de delitos totales
===============================================================================
Dependent variable:
---------------------------
delitos_totales
-------------------------------------------------------------------------------
renda_bruta -0.217***
(0.080)
index_gini 608.285
(425.507)
pct_estrangera 380.750**
(185.301)
indicador_presion 4,510.280***
(696.346)
`extranjeros de países de renta baja o media (%)` -87.376
(256.883)
`trabajadores de baja calificación (%)` -1,165.822**
(467.658)
`población joven sin estudios postobligatorios (%)` 348.250*
(199.971)
Constant 5,704.330
(9,160.757)
-------------------------------------------------------------------------------
Observations 236
R2 0.437
Adjusted R2 0.420
Residual Std. Error 9,543.141 (df = 228)
F Statistic 25.275*** (df = 7; 228)
===============================================================================
Note: *p<0.1; **p<0.05; ***p<0.01| (1) | |
|---|---|
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001 | |
| (Intercept) | 5704.330 |
| (9160.757) | |
| renda_bruta | -0.217** |
| (0.080) | |
| index_gini | 608.285 |
| (425.507) | |
| pct_estrangera | 380.750* |
| (185.301) | |
| indicador_presion | 4510.280*** |
| (696.346) | |
| extranjeros de países de renta baja o media (%) | -87.376 |
| (256.883) | |
| trabajadores de baja calificación (%) | -1165.822* |
| (467.658) | |
| población joven sin estudios postobligatorios (%) | 348.250+ |
| (199.971) | |
| Num.Obs. | 236 |
| R2 | 0.437 |
| R2 Adj. | 0.420 |
| AIC | 5004.8 |
| BIC | 5036.0 |
| Log.Lik. | -2493.405 |
| RMSE | 9380.00 |
Con base en este modelo podemos hacer algunas interpretaciones preliminares. La renta bruta tiene un efecto negativo y significativo: los barrios con mayor renta tienden a registrar menos delitos. El índice de Gini, que mide la desigualdad, muestra un coeficiente positivo, pero no significativo. El porcentaje de población extranjera total presenta una asociación positiva y significativa con los delitos, mientras que el porcentaje específico de extranjeros de países de renta baja/media no resulta significativo. Ya la presión turística aparece como una de las variables más relevantes del modelo, con un efecto positivo claro y altamente significativo. El porcentaje de trabajadores de baja calificación aparece con un efecto negativo y significativo, un resultado que podría requerir más análisis para entender la lógica por detrás. Por último, el porcentaje de jóvenes sin estudios postobligatorios también se asocia positivamente con los delitos, aunque con una significancia más débil (p < 0.1).
Este modelo explica alrededor del 43.7% de la variación total (R2) en los delitos registrados por barrio, lo que constituye un punto de partida sólido para profundizar en relaciones más complejas y modelos alternativos de regresión múltiples agrupados por variables temáticas.
Se han estimado tres modelos de regresión para analizar los factores asociados al total de delitos registrados por barrio. Cada modelo se centra en un grupo de variables distinto:
Modelo 1: Socioeconómico
Modelo 2: Composición poblacional
Modelo 3: Presión turística
| Modelo Socio-Económico | Modelo Población | Modelo Turismo | |
|---|---|---|---|
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001 | |||
| (Intercept) | -20810.258 | -3028046.217 | 247291.567*** |
| (15024.775) | (12520231.860) | (42660.469) | |
| renda_bruta | -0.541** | ||
| (0.184) | |||
| index_gini | 2196.836*** | ||
| (258.989) | |||
| renta media por persona (€) | 0.260 | ||
| (0.968) | |||
| población con estudios bajos (%) | -176.996 | ||
| (305.184) | |||
| trabajadores de baja calificación (%) | -774.357** | ||
| (272.856) | |||
| pct_espanya | 30362.326 | ||
| (125203.908) | |||
| pct_resta_ue | 32047.979 | ||
| (125204.345) | |||
| pct_resta_mon | 29807.714 | ||
| (125196.520) | |||
| extranjeros de países de renta baja o media (%) | 786.515* | ||
| (333.564) | |||
| pct_home | -48.552 | ||
| (464.836) | |||
| población joven sin estudios postobligatorios (%) | -27.236 | ||
| (84.658) | |||
| indicador_presion | 449434.547*** | ||
| (84698.864) | |||
| total_plazas | -245.445*** | ||
| (46.631) | |||
| categoria_presionBaja | -9082.471*** | ||
| (1414.580) | |||
| categoria_presionMedia | -6880.217*** | ||
| (1429.788) | |||
| Num.Obs. | 268 | 268 | 354 |
| R2 | 0.330 | 0.365 | 0.409 |
| R2 Adj. | 0.317 | 0.351 | 0.403 |
| F | 25.821 | ||
Modelo socioeconómico
Este modelo muestra que una mayor renta bruta se asocia significativamente con menos delitos, a la vez, mayores niveles de desigualdad (índice Gini) están claramente asociados a más delitos. A su vez, la proporción de trabajadores de baja cualificación también muestra un efecto negativo significativo: a mayor proporción, menos delitos, lo cual es contraintuitivo y debería ser más explorado para entender la lógica por detrás.
Modelo Poblaciónn
La proporción de población extranjera de países de renta baja o media tiene un efecto positivo y significativo: a mayor porcentaje, más delitos. En lo que se refiere a las las variables de origen geográfico general (% España, % UE, % resto del mundo) resultó significativa. El modelo en general explica un 36.5% de la variabilidad de los delitos.
Modelo Presión turística
Este modelo tiene el mayor poder explicativo (R² = 0.409) e incluye un fuerte efecto positivo y significativo del indicador de presión turística. La clasificación estructural de presión turística (baja y media) muestra efectos negativos significativos respecto a la categoría de referencia (alta presión), lo cual indica que los barrios con menor presión turística tienden a tener menos delitos, reforzando el valor del indicador principal.
Los tres modelos ofrecen explicaciones relevantes desde distintas dimensiones y con distintas variables. El modelo de presión turística destaca por su capacidad predictiva y por la significancia estadística de sus variables. Esto sugiere que el turismo masivo no solo tiene un impacto urbano y social, sino también una relación directa con la criminalidad registrada en los barrios de Barcelona.
#Los efectos del turismo en barrios de alta vulnerabilidad
Por este motivo nos centraremos en explorar un poco más esta variable. Lo haremos a través de modelos interactivos, tratando de contestar preguntas como:
¿El efecto del turismo (indicador_presion) sobre los delitos es igual en todos los barrios, o depende del contexto social?
- ¿el turismo tiene más impacto en barrios de baja renta?
- ¿el turismo aumenta el efecto de concentración de población extranjera en el delito?
- ¿el turismo agrava problemas sociales en barrios con más jóvenes sin estudios?
| Modelo Interaccion Renta | Modelo Interaccion Migración | Modelo Interaccion Educación | |
|---|---|---|---|
| + p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001 | |||
| (Intercept) | 26797.436*** | 9928.280*** | 11397.534*** |
| (1641.053) | (1022.559) | (1521.694) | |
| indicador_presion | 21365.000*** | -2067.068 | -1055.329 |
| (2815.103) | (1604.547) | (1365.535) | |
| renda_bruta | -0.186*** | ||
| (0.031) | |||
| indicador_presion × renda_bruta | -0.245*** | ||
| (0.045) | |||
| extranjeros de países de renta baja o media (%) | 580.308*** | ||
| (72.411) | |||
| indicador_presion × extranjeros de países de renta baja o media (%) | 769.378*** | ||
| (146.212) | |||
| población joven sin estudios postobligatorios (%) | 478.595*** | ||
| (85.579) | |||
| indicador_presion × población joven sin estudios postobligatorios (%) | 873.726*** | ||
| (137.111) | |||
| Num.Obs. | 354 | 354 | 236 |
| R2 | 0.364 | 0.423 | 0.383 |
| R2 Adj. | 0.358 | 0.418 | 0.375 |
En el primer modelo, se observa que el turismo tiene un efecto claramente positivo sobre los delitos, pero este efecto no es homogéneo, si no es más fuerte en barrios con menor renta. En otras palabras, los barrios más vulnerables desde el punto de vista económico parecen ser también los más expuestos a los efectos negativos del turismo intensivo.
El segundo modelo incorpora una variable que mide el porcentaje de extranjeros procedentes de países de renta baja o media, como aproximación a formas estructurales de vulnerabilidad migratoria. Aquí, el turismo también se asocia con un aumento significativo de los delitos, y este efecto se amplifica en barrios con mayor concentración de migración vulnerable. Este patrón podría reflejar una interacción entre estigmatización, precariedad residencial y saturación de servicios, que contribuye a aumentar la inseguridad percibida y registrada.
El tercer modelo examina la interacción entre turismo y el nivel educativo, en concreto el porcentaje de jóvenes sin estudios postobligatorios. Los resultados muestran que en barrios con menor capital educativo, la presencia turística agrava aún más los niveles de criminalidad. Como en el caso de la inmigración, esto sugiere un posible efecto multiplicador, en el que el turismo opera como un factor de presión adicional en contextos ya marcados por la exclusión educativa y social.
Estos resultados coinciden con la literatura reciente sobre los efectos territoriales del turismo. Por ejemplo, González-Pérez et al. (2023), en su estudio sobre la ciudad de Málaga, concluyen que la relación entre turismo y criminalidad depende fuertemente de las condiciones estructurales del barrio, y que el crecimiento de plataformas como Airbnb puede intensificar dinámicas delictivas allí donde ya existen déficits de cohesión social o saturación del espacio público. Del mismo modo, nuestro análisis sugiere que el turismo no genera criminalidad por sí solo, sino que interactúa con factores de vulnerabilidad local que condicionan su impacto.
En conjunto, los modelos interactivos presentados muestran que el turismo actúa como un amplificador de desigualdades urbanas. Su impacto en la criminalidad es mayor allí donde ya existen condiciones sociales desfavorables, como baja renta, alta concentración de migración vulnerable o bajo nivel educativo.
Esto es importante de destacar porque especialmente en el debate público y mediático es habitual asociar los niveles de criminalidad con la presencia de población inmigrante, especialmente en contextos urbanos con alta diversidad social. Esta percepción, sin embargo, no siempre se corresponde con la evidencia empírica. De hecho, diversos estudios han mostrado que la relación entre inmigración y delitos es más compleja de lo que suele afirmarse.
En este análisis se ha incluido una variable que mide el porcentaje de extranjeros provenientes de países de renta baja o media, con el fin de capturar dimensiones estructurales de vulnerabilidad asociadas a ciertos perfiles migratorios. Los resultados del modelo con interacción muestran que, cuando esta variable se combina con la presión turística, el efecto sobre la criminalidad es claramente amplificado. Es decir, en barrios con una mayor proporción de población inmigrante vulnerable, la presencia de turismo intensivo parece contribuir de forma significativa al aumento de los delitos. El gráfico a seguir ilustra la interacción entre turismo y imnmigración vulnerable.
El gráfico anterior muestra cómo varía el efecto del turismo sobre la criminalidad según el porcentaje de población extranjera procedente de países de renta baja o media. Como se observa, en barrios con mayor presencia de esta población (línea sólida), el aumento de la presión turística se asocia con un crecimiento mucho más acentuado de los delitos totales. En cambio, en barrios con bajo porcentaje de migrantes vulnerables (línea punteada), la relación entre turismo y criminalidad es mucho más débil. Como mencionado anteriormente, esta interacción sugiere que el turismo puede tener un efecto amplificador de la inseguridad en contextos donde ya existen condiciones sociales de vulnerabilidad.
Como análisis de concluisón, se estimó un modelo que combina la presión turística con una versión categorizada del porcentaje de población extranjera procedente de países de renta baja o media. Esta aproximación permite observar si los niveles de migración vulnerable, agrupados en bajo, medio y alto, se asocian con diferencias claras en los niveles de criminalidad.
Call:
lm(formula = delitos_totales ~ grupo_migracion + indicador_presion,
data = datos_modelo)
Residuals:
Min 1Q Median 3Q Max
-28945 -6487 -940 3386 32385
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 11992.6 856.0 14.010 < 2e-16 ***
grupo_migracionMedio 6639.0 1220.3 5.440 1.00e-07 ***
grupo_migracionAlto 9095.7 1210.5 7.514 4.84e-13 ***
indicador_presion 5976.9 476.6 12.542 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 9337 on 350 degrees of freedom
(84 observations deleted due to missingness)
Multiple R-squared: 0.3877, Adjusted R-squared: 0.3825
F-statistic: 73.87 on 3 and 350 DF, p-value: < 2.2e-16
================================================
Dependent variable:
---------------------------
delitos_totales
------------------------------------------------
grupo_migracionMedio 6,638.952***
(1,220.319)
grupo_migracionAlto 9,095.700***
(1,210.492)
indicador_presion 5,976.869***
(476.560)
Constant 11,992.620***
(855.977)
------------------------------------------------
Observations 354
R2 0.388
Adjusted R2 0.382
Residual Std. Error 9,337.278 (df = 350)
F Statistic 73.873*** (df = 3; 350)
================================================
Note: *p<0.1; **p<0.05; ***p<0.01
Los resultados muestran que, en comparación con los barrios con baja proporción de migración vulnerable, aquellos con niveles medios presentan en promedio 6.600 delitos más, y los de nivel alto más de 9.000 delitos adicionales, incluso controlando por la presión turística. Este efecto es progresivo y altamente significativo. Por su parte, la presión turística mantiene un efecto robusto, sumando aproximadamente 6.000 delitos más por cada unidad adicional.
Estos resultados refuerzan la hipótesis central del informe: ni el turismo ni la migración explican por sí solos la criminalidad urbana, pero su presencia combinada en entornos de vulnerabilidad estructural sí contribuye a agravarla.
Por lo tanto, los resultados de los modelos de regresión linear múltiples y de interacción sugieren que las políticas públicas en Barcelona de combate a la criminalidad deben ir más allá del control policial o el ataque a las poblaciones migrantes vulnerables. La política de ataque a la criminalidad debe involucrar también la regulación turística y adoptar enfoques territoriales más integrales, que tomen en cuenta la capacidad real de absorción de cada barrio y refuercen los mecanismos de protección y cohesión social, urbana y comunitaria en las zonas más expuestas.
Referencias
González-Pérez, J. M., Navarro-Varas, L., & García-Pérez, S. (2023). Home sharing or crime sharing? Evidences of the relationship between Airbnb, crime and structural factors in Málaga, Spain. Urban Studies. https://doi.org/10.1177/00420980231156959
Datos
INE Ministerio del Interior Opendata Barcelona