Tabulados ENSU

Introducción

La Encuesta Nacional de Seguridad Pública Urbana (ENSU) 2024 es un proyecto estadístico destinado para enriquecer la oferta de información de interés nacional vinculada al Subsistema Nacional de Información de Gobierno, Seguridad Pública e Impartición de Justicia.

La encuesta se llevó a cabo con la finalidad de obtener información que permita realizar estimaciones sobre la percepción de la población acerca de la seguridad pública en su ciudad, tanto a nivel nacional como en cada una de las áreas urbanas (ciudades) de interés.

Para mayor información y descarga de datos, cuestionarios, etcétera visite el enlace: ENSU

Puedes ir al repositorio en este enlace: Tabluados ENSU

Carga de bibliotecas

library(readr)
library(tidyr)
library(dplyr)

Adjuntando el paquete: 'dplyr'
The following objects are masked from 'package:stats':

    filter, lag
The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union
library(janitor)

Adjuntando el paquete: 'janitor'
The following objects are masked from 'package:stats':

    chisq.test, fisher.test
library(srvyr)

Adjuntando el paquete: 'srvyr'
The following object is masked from 'package:stats':

    filter
suppressPackageStartupMessages(library(here))
  • Como nota: elimino los mensajes de la biblioteca here para que no muestre la ruta en la que se inicia el proyecto.

Carga de datos

ensu <- read_csv(here( 'datos/datos-originales/ENSU_CB_0924.csv') )
Warning: One or more parsing issues, call `problems()` on your data frame for details,
e.g.:
  dat <- vroom(...)
  problems(dat)
Rows: 24096 Columns: 245
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr  (35): ID_VIV, ID_PER, UPM, VIV_SEL, R_SEL, ID_VIVT, ID_PERT, CVE_ENT, N...
dbl (207): H_MUD, S_MUD, N_ENT, SEXO, EDAD, BP1_1, BP1_2_01, BP1_2_02, BP1_2...
lgl   (3): BP4_4_5_3, BP4_4_6_2, BP4_4_6_3

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Limpieza de datos y recodificación de variables

ensu <- clean_names(ensu)

ensu <- ensu |> #filter(bp1_1 != 9) |>
  mutate(bp1_1_dis = ifelse( bp1_1 == 2, 1,0),
         sexo = ifelse( sexo == 1, 'Hombres','Mujeres'))

Trabajar con el Diseño muestral

# Hay problemas con UPM únicas, en mi caso decido removerlas, pero hay otros métodos
options(survey.lonely.psu="remove")
  
# Crear un objeto que guarde el diseño muestral.
dis_m <- ensu |>
  as_survey_design(ids = upm,
                   strata=est_dis,
                   weights= fac_sel)

Comencemos a Calcular un Tabulado.

Con esta pregunta se puede calcular la percepción de seguridad de las personas en cuánto a la Ciudad
# Cálculo de la estimación para percepción de seguridad
dis_m |>
  summarise( percepcion =  survey_mean (bp1_1_dis,  
                          vartype = c("cv", "ci"), 
                          level=0.9, # El diseño muestral está definido al 90 % de confianza
                          proportion = T) )  |> knitr::kable()
percepcion percepcion_cv percepcion_low percepcion_upp
0.5863314 0.0075711 0.5790098 0.5936151

Agreguemos la variable Sexo

# Cálculo de la estimación para percepción de seguridad
dis_m |>
  group_by(sexo) |>
  summarise( percepcion =  survey_mean (bp1_1_dis,  
                          vartype = c("cv", "ci"), 
                          level=0.9, # El diseño muestral está definido al 90 % de confianza
                          proportion = T) ) |> knitr::kable()
sexo percepcion percepcion_cv percepcion_low percepcion_upp
Hombres 0.5223602 0.0129891 0.5111883 0.5335097
Mujeres 0.6398314 0.0089746 0.6303313 0.6492232

En la imagen se pueden contrastar los resultados por sexo.

Gráfica del reporte de INEGI, tercer trimestre ENSU.

Ahora por Ciudad, Top 15 Ciudades en las que se sienten seguras

# Por ciudad 
dis_m |>
  group_by( nom_ent, nom_cd) |>
  summarise( perc_ciudad = survey_mean(bp1_1_dis,  
                          name = 'perc_ciudad',
                vartype = c("cv", "ci"), level=0.9,
               proportion = T) ) |>
  select(nom_ent, nom_cd, perc_ciudad) |> 
  arrange(perc_ciudad) |> 
  head(15) |> 
  knitr::kable(caption = "Top 15 de Ciudades con mejor percepción de seguridad")
Top 15 de Ciudades con mejor percepción de seguridad
nom_ent nom_cd perc_ciudad
NUEVO LEON SAN PEDRO GARZA GARCIA 0.1369015
CIUDAD DE MEXICO BENITO JUAREZ 0.1753425
TAMAULIPAS TAMPICO 0.1925714
COAHUILA DE ZARAGOZA PIEDRAS NEGRAS 0.2022170
JALISCO PUERTO VALLARTA 0.2126129
COAHUILA DE ZARAGOZA SALTILLO 0.2167097
BAJA CALIFORNIA SUR LOS CABOS 0.2289039
SINALOA LOS MOCHIS 0.2345692
NAYARIT TEPIC 0.2369827
YUCATAN MERIDA 0.2460187
BAJA CALIFORNIA SUR LA PAZ 0.2590390
NUEVO LEON SAN NICOLAS DE LOS GARZA 0.2857975
COAHUILA DE ZARAGOZA LA LAGUNA 0.3081418
CIUDAD DE MEXICO CUAJIMALPA DE MORELOS 0.3157562
VERACRUZ DE IGNACIO DE LA LLAVE TAMPICO 0.3251895

Ahora por Ciudad, Top 15 Ciudades en las que se sienten inseguras

# Por ciudad 
dis_m |> 
  group_by(nom_ent, nom_cd) |>
  summarise( perc_ciudad = survey_mean(bp1_1_dis,  
                          name = 'perc_ciudad',
                vartype = c("cv", "ci"), level=0.9,
               proportion = T) ) |>
  select(nom_ent,nom_cd, perc_ciudad) |> 
  arrange(-perc_ciudad) |> 
  head(15) |> 
  knitr::kable(caption = "Top 15 de Ciudades con menor percepción de seguridad")
Top 15 de Ciudades con menor percepción de seguridad
nom_ent nom_cd perc_ciudad
CHIAPAS TAPACHULA 0.9189024
MEXICO NAUCALPAN DE JUAREZ 0.8799448
ZACATECAS FRESNILLO 0.8792162
MEXICO ECATEPEC DE MORELOS 0.8702599
GUANAJUATO IRAPUATO 0.8641934
CHIAPAS TUXTLA GUTIERREZ 0.8585895
MICHOACAN DE OCAMPO URUAPAN 0.8554566
MORELOS CUERNAVACA 0.8347550
COLIMA COLIMA 0.8142759
MEXICO CUAUTITLAN IZCALLI 0.8051667
GUERRERO CHILPANCINGO DE LOS BRAVO 0.7956852
GUANAJUATO LEON DE LOS ALDAMA 0.7907319
TABASCO VILLAHERMOSA 0.7874809
ZACATECAS ZACATECAS 0.7854928
VERACRUZ DE IGNACIO DE LA LLAVE COATZACOALCOS 0.7787854

En la imagen se pueden contrastar los resultados.

Mapa del reporte de INEGI, tercer trimestre ENSU.