Privaciones, trayectorias educativas y delincuencia juvenil en Colombia (2020–2024)
Juan José Ruiz Duque
18 de diciembre de 2025
- 1 Resumen
- 2 Abstract
- 3 Introducción
- 4 Revisión de literatura
- 5 Marco conceptual: mecanismos económicos y lectura empírica
- 6 Estrategia empírica
- 7 Estadísticas descriptivas
- 8 Estimación y diagnóstico
- 9 Robustez
- 10 Análisis de resultados (integración económica y econométrica)
- 11 Conclusiones
- 12 Referencias bibliográficas
1 Resumen
Este artículo analiza la relación entre privaciones socioeconómicas, trayectorias educativas y condiciones del mercado laboral con la delincuencia juvenil en Colombia para el período 2020–2024. A partir de una base de datos departamental construida con fuentes oficiales (Policía Nacional, DANE, MEN, ICFES y GEIH), se modela la proporción de delitos cometidos por adolescentes y jóvenes sobre el total de delitos reportados en cada departamento y año. Se estiman dos especificaciones: un modelo parsimonioso, sin efectos fijos, que resume asociaciones entre variables “estructurales” y delincuencia juvenil relativa; y un modelo con efectos fijos por departamento y año, que controla heterogeneidad no observada persistente y shocks comunes, elevando el R² por construcción. El diagnóstico incluye heterocedasticidad, multicolinealidad, especificación funcional y autocorrelación, con inferencia basada en errores estándar robustos agrupados por departamento. Los resultados se interpretan como asociaciones consistentes con mecanismos económicos de costo de oportunidad y acumulación de capital humano, destacando límites de identificación y medición.
Palabras clave: delincuencia juvenil, pobreza, deserción escolar, Saber 11, desempleo, econometría aplicada, Colombia.
2 Abstract
This paper studies the relationship between socioeconomic deprivation, educational trajectories and labour market conditions and youth crime in Colombia over 2020–2024. Using a department–year dataset constructed from official sources (National Police, DANE, MEN, ICFES and GEIH), we model the share of crimes committed by adolescents and young people over total reported crimes. We estimate a parsimonious model without fixed effects and a model with department and year fixed effects to absorb unobserved heterogeneity and common shocks. We provide descriptive statistics, exploratory graphs, and OLS estimates with cluster-robust standard errors at the department level. Diagnostics cover heteroskedasticity, multicollinearity, functional form misspecification and serial correlation. We interpret estimates as associations and discuss identification and measurement limitations.
Keywords: youth crime, poverty, school dropout, Saber 11, unemployment, applied econometrics, Colombia.
3 Introducción
La delincuencia juvenil en Colombia constituye un fenómeno complejo en el que convergen desigualdades socioeconómicas, trayectorias educativas truncadas y mercados laborales altamente segmentados. Tal como señalan Vanegas, Chará y Betancourt (2020), las formas de organización juvenil —en particular pandillas y agrupaciones informales— se entrelazan con procesos de exclusión territorial, estigmatización y precariedad de oportunidades. Desde la perspectiva de política pública, la Política Nacional de Prevención del Delito de Adolescentes y Jóvenes (SNCRPA, 2022) y estudios del ICBF (2015) convergen en que la violencia juvenil no puede entenderse únicamente como una desviación individual, sino como la expresión de trayectorias marcadas por pobreza, deserción escolar, informalidad y falta de empleos dignos.
La pregunta de investigación es:
¿En qué medida las privaciones multidimensionales, la deserción escolar adolescente, el desempeño educativo y las condiciones del mercado laboral departamental se asocian con la participación relativa de adolescentes y jóvenes en la criminalidad en Colombia entre 2020 y 2024?
La hipótesis central es que la delincuencia juvenil relativa aumenta en contextos con mayores privaciones (IPM), mayor riesgo de abandono escolar adolescente y mayor desempleo, mientras que un mejor desempeño promedio en Saber 11 se asocia con menor participación juvenil en la criminalidad.
4 Revisión de literatura
Los estudios sobre delincuencia juvenil en Colombia han enfatizado la intersección entre exclusión social, estigmatización territorial y trayectorias educativas interrumpidas. Vanegas, Chará y Betancourt (2020) analizan pandillas juveniles en Popayán y muestran cómo los discursos institucionales tienden a homogeneizar experiencias heterogéneas en motivaciones y vínculos comunitarios.
Desde la política pública, la Política Nacional de Prevención del Delito de Adolescentes y Jóvenes (SNCRPA, 2022) plantea explícitamente que la falta de oportunidades educativas y laborales es un determinante estructural de la conflictividad juvenil, proponiendo un enfoque intersectorial. De manera complementaria, el ICBF (2015) sistematiza evidencia sobre adolescentes y jóvenes en conflicto con la ley penal, destacando la concentración de casos en contextos de pobreza multidimensional, alta deserción y baja calidad educativa.
En el plano internacional, la literatura empírica sobre crimen sugiere que la criminalidad juvenil responde a incentivos y restricciones que se modulan por condiciones locales del mercado laboral y capital humano. En este sentido, el trabajo se inscribe en la conexión entre economía del crimen, economía de la educación y medición de privaciones, adaptada al contexto colombiano.
5 Marco conceptual: mecanismos económicos y lectura empírica
La interpretación económica del modelo se apoya en tres ideas complementarias. Primero, en la economía del crimen la decisión de participar en actividades ilícitas puede entenderse como una comparación entre retornos esperados en alternativas legales e ilegales, sujeta a restricciones (ingreso, crédito, información, redes) y a riesgos (probabilidad de sanción, violencia, pérdida de capital humano). Segundo, la educación opera como un mecanismo de acumulación de capital humano y señalización, elevando el costo de oportunidad de abandonar trayectorias legales; por ello, variables como deserción e indicadores de logro educativo se conectan naturalmente con participación juvenil en actividades delictivas. Tercero, el mercado laboral condiciona la disponibilidad y calidad de oportunidades legales, por lo que tasas de desempleo pueden actuar como un indicador agregado de tensión laboral. En esta lógica, el análisis econométrico no busca “explicar todo” el fenómeno, sino cuantificar asociaciones consistentes con estos mecanismos y discutir, con cautela, qué parte de la variación observada es estructural (persistente entre territorios) y qué parte responde a cambios de corto plazo.
6 Estrategia empírica
6.1 Datos y variables
## Rows: 160
## Columns: 14
## $ departamento <fct> AMAZONAS, AMAZONAS, AMAZONAS, AMAZONAS, AMA…
## $ anio <int> 2020, 2021, 2022, 2023, 2024, 2020, 2021, 2…
## $ total <dbl> 404, 199, 172, 494, 389, 55706, 42044, 4386…
## $ juveniles <dbl> 54, 10, 10, 59, 59, 2616, 459, 652, 7263, 6…
## $ total_reportado <dbl> 404, 199, 172, 494, 389, 55706, 42044, 4386…
## $ proporcion_sobre_total <dbl> 0.133663366, 0.050251256, 0.058139535, 0.11…
## $ ipm_departamento <dbl> 39.0, 25.7, 27.9, 25.4, 15.6, 14.9, 14.3, 1…
## $ poblacion_departamento <dbl> 13277, 13594, 13824, 14015, 14135, 990094, …
## $ desercion_adolescente_pond <dbl> 3.341549, 6.788711, 8.552230, 7.104725, 7.2…
## $ icfes_prom_total_anual <dbl> 220.8796, 213.1366, 215.5006, 221.7495, 218…
## $ tasa_desempleo_total_anual <dbl> 20.200000, 11.200000, 8.800000, 4.100000, 5…
## $ prop <dbl> 0.133663366, 0.050251256, 0.058139535, 0.11…
## $ prop_adj <dbl> 0.133663366, 0.050251256, 0.058139535, 0.11…
## $ logit_prop <dbl> -1.868949, -2.939162, -2.785011, -1.997809,…La unidad de análisis es el departamento–año
(2020–2024). La variable dependiente es
proporcion_sobre_total, definida como la proporción de
delitos cometidos por jóvenes sobre el total de delitos reportados.
6.1.1 Variable dependiente: delincuencia juvenil relativa
La medida de interés es una proporción acotada en \([0,1]\). Su uso es útil para comparar territorios con escalas de delito distintas; sin embargo, su interpretación requiere cautela, pues puede variar por cambios en el numerador (delitos juveniles), por cambios en el denominador (delitos totales), o por variaciones en registro/denuncia que afectan el total reportado. Por esta razón, el análisis complementa OLS con una especificación binomial cuando existen los conteos necesarios.
6.1.2 Variables explicativas: definición, construcción e interpretación
ipm_departamento(IPM). Índice de Pobreza Multidimensional departamental. Captura restricciones materiales y de acceso que pueden limitar opciones educativas y laborales, afectando incentivos y exposición a entornos de riesgo.desercion_adolescente_pond(Deserción adolescente ponderada). Indicador de abandono escolar en secundaria y media, ponderado por coberturas. Aproxima un quiebre de trayectoria de acumulación de capital humano y de vinculación institucional.icfes_prom_total_anual(Saber 11, promedio total). Puntaje promedio global del examen de Estado (sector total). Se interpreta como un indicador agregado de logro educativo y, por tanto, de capital humano promedio, aunque puede reflejar también condiciones estructurales compartidas con la criminalidad.tasa_desempleo_total_anual(Desempleo). Tasa de desempleo total departamental. Captura tensión del mercado laboral y funciona como aproximación de condiciones macro-laborales departamentales.
6.2 Especificación
Se estiman dos modelos:
Modelo (sin efectos fijos): \[ Y_{it}=\beta_0 + \beta_1 IPM_{it} + \beta_2 DE_{it} + \beta_3 ICFES_{it} + \beta_4 U_{it} + u_{it}. \]
Modelo con efectos fijos por departamento y año: \[ Y_{it}=\beta_0 + \beta_1 IPM_{it} + \beta_2 DE_{it} + \beta_3 ICFES_{it} + \beta_4 U_{it} + \gamma_t + \alpha_i + u_{it}. \]
La inferencia se basa en errores estándar robustos agrupados por departamento.
6.3 Consideraciones de identificación y alcance inferencial
Este ejercicio es observacional y, por tanto, sus estimaciones se interpretan como asociaciones condicionadas. Existen fuentes plausibles de endogeneidad: (i) la delincuencia puede afectar la deserción y el desempeño educativo; (ii) la delincuencia puede deteriorar el mercado laboral local; (iii) variables omitidas (presencia de economías ilegales, capacidades institucionales, cambios en registro) pueden co-moverse con los regresores. Los efectos fijos controlan componentes no observados constantes en el tiempo y shocks comunes anuales, pero no garantizan causalidad. En consecuencia, el artículo evita inferencias causales fuertes y enfatiza plausibilidad económica y transparencia econométrica.
7 Estadísticas descriptivas
| Variable | mean | sd | min | max | |
|---|---|---|---|---|---|
| proporcion_sobre_total | proporcion_sobre_total | 0.0531 | 0.0358 | 0.0000 | 0.1658 |
| ipm_departamento | ipm_departamento | 22.4944 | 15.3524 | 5.0000 | 75.6000 |
| desercion_adolescente_pond | desercion_adolescente_pond | 4.6926 | 2.1164 | 1.1340 | 14.8263 |
| icfes_prom_total_anual | icfes_prom_total_anual | 261.1867 | 29.5761 | 200.8693 | 320.5221 |
| tasa_desempleo_total_anual | tasa_desempleo_total_anual | 13.2891 | 5.1765 | 4.1000 | 32.5000 |
8 Estimación y diagnóstico
| Variable | Estimación | EE (cluster depto) | z | p-valor |
|---|---|---|---|---|
| (Intercept) | 0.0673 | 0.0347 | 1.9419 | 0.0521 |
| ipm_departamento | 0.0001 | 0.0002 | 0.7018 | 0.4828 |
| desercion_adolescente_pond | 0.0008 | 0.0010 | 0.8290 | 0.4071 |
| icfes_prom_total_anual | -0.0001 | 0.0001 | -0.5309 | 0.5955 |
| tasa_desempleo_total_anual | -0.0004 | 0.0006 | -0.7156 | 0.4743 |
| Variable | Estimación | EE (cluster depto) | z | p-valor |
|---|---|---|---|---|
| (Intercept) | 0.2006 | 0.0447 | 4.4881 | 0.0000 |
| ipm_departamento | -0.0007 | 0.0004 | -1.8550 | 0.0636 |
| desercion_adolescente_pond | -0.0022 | 0.0016 | -1.3613 | 0.1734 |
| icfes_prom_total_anual | -0.0002 | 0.0002 | -1.5708 | 0.1162 |
| tasa_desempleo_total_anual | -0.0002 | 0.0006 | -0.3783 | 0.7052 |
| Modelo | R2 | Adj_R2 |
|---|---|---|
| Parsimonioso | 0.0134 | -0.0120 |
| FE (anio + departamento) | 0.9102 | 0.8810 |
| Solo dummies (anio + departamento) | 0.9009 | 0.8729 |
El modelo parsimonioso presenta un R² de 0.013 (R² ajustado -0.012), que resume el poder explicativo agregado de las variables estructurales. El modelo con efectos fijos alcanza un R² de 0.91, pero gran parte de ese valor se explica por la inclusión de dummies: un modelo con solo dummies ya logra un R² de 0.901. La contribución adicional de los regresores estructurales dentro del modelo FE, \(\Delta R^2 = R^2_{FE}-R^2_{dummies}\), es 0.009.
8.1 Aporte incremental del ICFES (prueba anidada)
8.2 Diagnósticos
| Variable | VIF |
|---|---|
| ipm_departamento | 1.178 |
| desercion_adolescente_pond | 1.037 |
| icfes_prom_total_anual | 1.126 |
| tasa_desempleo_total_anual | 1.041 |
| statistic | p.value | parameter | method |
|---|---|---|---|
| 14.9855 | 0.0047 | 4 | studentized Breusch-Pagan test |
| df1 | df2 | statistic | p.value | method |
|---|---|---|---|---|
| 2 | 153 | 2.6676 | 0.0726 | RESET test |
| statistic | p.value | method | alternative |
|---|---|---|---|
| 1.3634 | 0 | Durbin-Watson test | true autocorrelation is greater than 0 |
8.3 Normalidad de residuos (modelo FE)
| statistic | p.value | method |
|---|---|---|
| 0.9703 | 0.0016 | Shapiro-Wilk normality test |
9 Robustez
| Variable | Estimación | EE (cluster depto) | z | p-valor |
|---|---|---|---|---|
| (Intercept) | -2.1085 | 0.8885 | -2.3732 | 0.0176 |
| ipm_departamento | 0.0119 | 0.0130 | 0.9148 | 0.3603 |
| desercion_adolescente_pond | -0.0270 | 0.0287 | -0.9425 | 0.3460 |
| icfes_prom_total_anual | -0.0005 | 0.0029 | -0.1893 | 0.8498 |
| tasa_desempleo_total_anual | -0.0089 | 0.0102 | -0.8724 | 0.3830 |
10 Análisis de resultados (integración económica y econométrica)
Los resultados deben interpretarse a la luz de dos elementos: (i) la estructura de la variación capturada por el panel departamento–año y (ii) los mecanismos económicos plausibles. En el modelo parsimonioso, los signos estimados son, en términos generales, coherentes con el marco conceptual, pero la evidencia estadística es débil. Esto es consistente con un contexto donde las diferencias agregadas de delincuencia juvenil relativa entre territorios y años están fuertemente condicionadas por componentes no observados y persistentes, de manera que indicadores agregados disponibles —en un horizonte corto 2020–2024— capturan señal limitada para explicar cambios de corto plazo en la proporción.
El contraste con el modelo con efectos fijos es informativo: el alto R² de la especificación FE se explica principalmente por la inclusión de dummies de departamento y año. El hecho de que un modelo con solo dummies logre casi el mismo R² sugiere que una fracción grande de la variación observada corresponde a diferencias promedio entre departamentos y a shocks comunes anuales. En consecuencia, el modelo FE debe leerse como una estimación “within”: cuantifica cómo cambios dentro de un mismo departamento se asocian con cambios en la proporción juvenil, manteniendo constante la heterogeneidad fija. Esta distinción es relevante para la interpretación económica, porque una asociación “entre departamentos” puede diferir de una asociación “dentro del departamento” si el proceso que genera variación temporal de los indicadores está correlacionado con transformaciones concurrentes que no se observan directamente.
Para el ICFES, la prueba anidada en el modelo parsimonioso recomienda evitar conclusiones fuertes sobre su aporte incremental en esta muestra. Económicamente, esto puede reflejar que el promedio departamental del puntaje es una medida agregada que no captura dimensiones más cercanas al canal micro, o que su variación anual es pequeña respecto a la magnitud de shocks que afectan el total de delitos reportados. En general, el artículo entiende el ICFES como un proxy de capital humano promedio, pero reconoce que también puede reflejar condiciones estructurales compartidas con la criminalidad que no se separan completamente con datos agregados.
Los diagnósticos estadísticos respaldan el tratamiento conservador de la inferencia: la presencia de heterocedasticidad y señales de autocorrelación positiva sugieren que la varianza de los errores no es constante y que existen dependencias temporales, por lo cual se reportan errores estándar robustos agrupados por departamento. La multicolinealidad no aparece como un problema crítico en la especificación parsimoniosa. En conjunto, estos elementos apuntan a una lectura equilibrada: las asociaciones estimadas son compatibles con mecanismos económicos estándar, pero el diseño y la estructura de los datos limitan la fuerza causal. El valor del ejercicio reside en una caracterización empírica transparente, con diagnóstico explícito y discusión de plausibilidad económica.
11 Conclusiones
Este artículo muestra que la delincuencia juvenil relativa en Colombia (2020–2024) se asocia con privaciones multidimensionales, trayectorias educativas frágiles y condiciones laborales adversas, bajo una interpretación prudente de correlaciones condicionadas. El contraste entre el modelo parsimonioso y el modelo con efectos fijos permite reconocer que una parte importante de la variación se explica por heterogeneidad persistente y shocks anuales, y usar los efectos fijos como control de robustez, evitando interpretaciones infladas del R².
Limitaciones: la variable dependiente es una proporción (no una tasa por población juvenil), el horizonte temporal es corto (T = 5) y persisten riesgos de endogeneidad y variables omitidas. Futuras extensiones pueden explorar tasas por población joven, medidas educativas más desagregadas y estrategias de identificación más fuertes.
12 Referencias bibliográficas
ICBF (2015). Adolescentes, jóvenes y delitos: Elementos para la comprensión de la delincuencia juvenil en Colombia. Instituto Colombiano de Bienestar Familiar.
SNCRPA (2022). Política pública de prevención del delito de adolescentes y jóvenes. Instituto Colombiano de Bienestar Familiar.
Vanegas, G., Chará, W., & Betancourt, A. (2020). Entre lugares comunes y el desconocimiento. Pandillas juveniles en una ciudad intermedia (Popayán, 2016–2018). Revista Criminalidad, 62(2), 291–302.
DANE. Diversos años. GEIH y boletines de mercado laboral.
MEN. Diversos años. Estadísticas educativas por departamento.
ICFES. Diversos años. Resultados agregados de Saber 11.
Policía Nacional de Colombia. Diversos años. Registros administrativos de delitos y SRPA.