1. Nuestro indicador

✍️ ¿Qué queremos medir y por qué? ¿Qué encontraron en su taller de EDA que los llevó a este concepto? ¿Qué significa que una UPZ tenga un valor alto en el índice? (3 a 5 líneas)

Queremos medir las condiciones del entorno asociadas con la percepción de inseguridad en las UPZ de Bogotá. En el taller de EDA encontramos que la seguridad no se explica únicamente por los delitos denunciados, sino que también existen diferencias territoriales en la percepción de inseguridad y en la cercanía de las viviendas a lugares como ollas, bares, lotes oscuros y basureros. Por ello, construimos un índice que reúne estas cinco variables. Un valor alto indica una mayor presencia conjunta de estas condiciones en la UPZ, lo que refleja un entorno con mayores factores asociados a la percepción de inseguridad.

# ── AQUÍ HAGAN SU INDICADOR (PCA) ───────────────────────────────────────────────
#
# 1. Elijan de 4 a 6 variables que midan el MISMO concepto.
#    → vars_indice <- c("variable_1", "variable_2", "variable_3", "variable_4")

# 1. Selección de variables del indicador
vars_indice <- c(
  "pct_percibe_inseguridad",
  "pct_cerca_ollas",
  "pct_cerca_bares",
  "pct_cerca_lotes_oscuros",
  "pct_cerca_basureros"
)
#___
# 2. Oriéntenlas: TODAS deben crecer con el concepto. Las que van en contra se
#    multiplican por -1. Si alguna tasa tiene una cola muy larga, primero log1p().
#    → X <- upz_ok |> select(all_of(vars_indice)) |> mutate(variable_2 = -variable_2)

# 2. Construcción de la matriz de análisis
X <- upz_ok |>
  select(all_of(vars_indice))

# a. Revisar dimensiones y datos faltantes
cat("Número de UPZ:", nrow(X), "\n")

## Número de UPZ: 104

cat("Número de variables:", ncol(X), "\n")

## Número de variables: 5

cat("Valores faltantes:", sum(is.na(X)), "\n")

## Valores faltantes: 0

# b. Verificar que no existan datos faltantes
if (anyNA(X)) {
  stop("Hay valores faltantes. Deben revisarse antes de continuar con el PCA.")
}

# c. Verificar que todas las variables tengan variabilidad
if (any(sapply(X, sd) == 0)) {
  stop("Hay variables sin variabilidad. Revise la selección de variables.")
}

#___
# 3. Estandaricen y revisen si vale la pena el PCA (KMO > 0,8 muy bueno; < 0,5 no).
#    → Z <- scale(X)
#    → kmo(Z)

# 3. Estandarización y evaluación de pertinencia del PCA
Z <- scale(X)

resultado_kmo <- kmo(Z)

cat("Resultado KMO:", resultado_kmo, "\n")

## Resultado KMO: 0.75

if (resultado_kmo < 0.5) {
  stop("El KMO es inferior a 0.5. No se recomienda continuar con el PCA.")
} else if (resultado_kmo < 0.6) {
  warning("El KMO es débil. La pertinencia del PCA debe evaluarse con cautela.")
} else if (resultado_kmo < 0.8) {
  cat("KMO aceptable para continuar con el PCA.\n")
} else {
  cat("KMO muy bueno para continuar con el PCA.\n")
}

## KMO aceptable para continuar con el PCA.

#___
# 4. El PCA. orientar_pc1() deja PC1 de modo que alto = más del concepto.
#    → pca <- orientar_pc1(prcomp(Z))
#    → grafico_cargas(pca, titulo = "El hallazgo: ¿qué variables pesan más?")

# 4. Construcción del PCA
pca <- orientar_pc1(prcomp(Z))

# Porcentaje de varianza explicada por cada componente
varianza_explicada <- (pca$sdev^2 / sum(pca$sdev^2)) * 100

cat(
  "Varianza explicada por PC1:",
  round(varianza_explicada[1], 2),
  "%\n"
)

## Varianza explicada por PC1: 62.74 %

# Revisar las cargas de las variables en PC1
cargas_pc1 <- pca$rotation[, 1]

print(round(cargas_pc1, 3))

## pct_percibe_inseguridad         pct_cerca_ollas         pct_cerca_bares 
##                   0.397                   0.530                   0.367 
## pct_cerca_lotes_oscuros     pct_cerca_basureros 
##                   0.441                   0.481

# Verificar que las cargas tengan una orientación coherente
if (any(cargas_pc1 <= 0)) {
  stop(
    "PC1 presenta cargas con signos mixtos o nulos. ",
    "No debe interpretarse automáticamente como un índice unidimensional."
  )
}

# Visualización de las cargas del componente principal
grafico_cargas(
  pca,
  titulo = "Entorno de riesgo e inseguridad: contribución de las variables"
)

#___
# 5. El índice de 0 a 100 y las UPZ de los extremos.
#    → upz_ok <- upz_ok |> mutate(indice = rescale(pca$x[, 1], to = c(0, 100)))
#    → grafico_ranking(upz_ok, "indice", titulo = "El hallazgo: ¿quién está arriba y abajo?")

# 5. Construcción del índice de 0 a 100
upz_ok <- upz_ok |>
  mutate(
    indice = scales::rescale(pca$x[, 1], to = c(0, 100))
  )

# Ranking de las UPZ según el índice
grafico_ranking(
  upz_ok,
  variable = "indice",
  titulo = "Entorno de riesgo e inseguridad: UPZ con valores más altos y más bajos"
)

#___
# Apoyo: guía 01_indice_PCA de «Las múltiples Colombias» (mismos pasos, otros datos).
# ─────────────────────────────────────────────────────────────────────────────────

✍️ ¿Qué nos dice el índice? ¿PC1 sirve como índice (cuánta información guarda y si todas las cargas tienen el mismo signo)? ¿Qué variables pesan más? ¿Qué UPZ quedan arriba y cuáles abajo?

El índice construido mediante el primer componente principal (PC1) es adecuado para representar sintéticamente las condiciones del entorno asociadas con la inseguridad, ya que explica el 62,74 % de la variabilidad conjunta de las cinco variables y presenta cargas positivas en todas ellas.

El KMO de 0,75 respalda una adecuación aceptable de los datos para aplicar y continuar con el PCA. Las variables que más contribuyen al índice son:

la cercanía a ollas (28,1 %),
la cercanía a basureros (23,2 %) y
la cercanía a lotes oscuros (19,5 %).

En el ranking, Corabastos (Kennedy), La Sabana (Los Mártires) y Las Cruces (Santa Fe) presentan los valores más altos,

Mientras que Casa Blanca (Suba), La Esmeralda (Teusaquillo) y La Alhambra (Suba) se encuentran entre los más bajos.

En conjunto, el índice permite identificar diferencias territoriales en la presencia de las condiciones analizadas, sin que sus valores deban interpretarse como una medición directa de delitos o como una relación causal.

2. Nuestro K-Means

✍️ ¿Por qué segmentar? ¿Qué no alcanza a contar un solo número? ¿Con qué variables van a cruzar su índice y por qué esas?

El índice resume las condiciones del entorno asociadas con la inseguridad, pero un mismo valor puede representar realidades territoriales diferentes. Por ejemplo, dos UPZ pueden obtener puntuaciones similares y presentar distintas condiciones socioeconómicas, de infraestructura o de accesibilidad a los servicios de seguridad.Por esta razón, utilizaremos K-Means para identificar perfiles territoriales que permitan ampliar la interpretación del indicador.

Para la segmentación incorporaremos tres variables adicionales:

el porcentaje de pobreza (pct_pobreza), como dimensión socioeconómica;
las luminarias por kilómetro cuadrado (luminarias_km2), como característica de infraestructura; y
el tiempo promedio de desplazamiento hasta un CAI o estación de policía (min_cai_policia), como dimensión de accesibilidad.

Esta selección permitirá explorar cómo se combinan las condiciones del entorno con otras características de las UPZ y reconocer grupos con perfiles diferenciados.

# ── AQUÍ HAGAN SU K-MEANS ───────────────────────────────────────────────────────
#
# 1. Su índice + 2 a 4 variables de OTROS temas (delitos, entorno, accesibilidad...).
#    → vars_segmento <- c("indice", "variable_a", "variable_b")

# 1. Selección de variables para la segmentación
vars_segmento <- c(
  "indice",
  "pct_pobreza",
  "luminarias_km2",
  "min_cai_policia"
)

#
# 2. Estandaricen (log1p() a las tasas con cola larga).
#    → Z_seg <- upz_ok |> select(all_of(vars_segmento)) |> mutate(variable_a = log1p(variable_a)) |> scale()

# 2. Construcción de la matriz de análisis
X_seg <- upz_ok |>
  select(all_of(vars_segmento))

# Validaciones
if (anyNA(X_seg)) {
  stop("Hay valores faltantes en las variables de segmentación.")
}

if (!all(sapply(X_seg, is.numeric))) {
  stop("Todas las variables deben ser numéricas.")
}

if (any(sapply(X_seg, sd) == 0)) {
  stop("Hay variables sin variabilidad.")
}

# Estandarización
Z_seg <- scale(X_seg)


#
# 3. ¿Cuántos grupos? Miren el codo y la silhouette, y elijan K entre 3 y 6.
#    → evaluar_k(Z_seg)
#    → K <- 4

# 3. Evaluación del número de segmentos
evaluar_k(Z_seg)

# Selección de K según el codo y silhouette
K <- 4

#
# 4. El K-Means.
#    → set.seed(2026)
#    → km <- kmeans(Z_seg, centers = K, nstart = 50)
#    → upz_ok <- upz_ok |> mutate(segmento = factor(km$cluster))

# 4. Construcción del modelo K-Means
set.seed(2026)

km <- kmeans(
  Z_seg,
  centers = K,
  nstart = 50
)

# Incorporar el segmento asignado a cada UPZ
upz_ok <- upz_ok |>
  mutate(
    segmento = factor(km$cluster)
  )

# Revisar cuántas UPZ quedaron en cada segmento
cat("Número de UPZ por segmento:\n")

## Número de UPZ por segmento:

print(
  upz_ok |>
    count(segmento, name = "numero_upz")
)

## # A tibble: 4 × 2
##   segmento numero_upz
##   <fct>         <int>
## 1 1                27
## 2 2                28
## 3 3                43
## 4 4                 6

#
# 5. El perfil: ¿cómo es cada grupo en valores reales?
#    → grafico_perfil(upz_ok, vars_segmento)

# 5. Analizar los perfiles de los segmentos
grafico_perfil(
  upz_ok,
  vars_segmento
)

# 6. Los nombres, DESPUÉS de mirar el perfil (en el orden 1, 2, ..., K).
#    → upz_ok <- upz_ok |> mutate(segmento_nombre = factor(segmento, labels = c("Nombre 1", "Nombre 2", ...)))
#    → ejemplos(upz_ok)
#

# 6. Consultar ejemplos de UPZ por segmento
upz_ok <- upz_ok |>
  mutate(
    segmento_nombre = factor(
      segmento,
      labels = c(
        "Entornos iluminados, pero con alertas",
        "Entornos tranquilos, pero poco iluminados",
        "Entornos con mejores condiciones",
        "Entornos con mayores desafios"
      )
    )
  )

ejemplos(upz_ok)

Segmento	UPZ más pobladas
Entornos iluminados, pero con alertas	El Rincon, Bosa Central, Bosa Occidental, Ismael Perdomo
Entornos tranquilos, pero poco iluminados	Tibabuyes, Suba, Castilla, Los Cedros
Entornos con mejores condiciones	Garces Navas, Venecia, Timiza, Fontibon
Entornos con mayores desafios	El Tesoro, Alfonso Lopez, Ciudad Usme, La Flora

#---
  
knitr::kable(
  data.frame(
    Segmento = c(
      "1. Entornos iluminados, pero con alertas",
      "2. Entornos tranquilos, pero poco iluminados",
      "3. Entornos con mejores condiciones",
      "4. Entornos con mayores desafios"
    ),
    Caracteristicas = c(
      "Indice de riesgo relativamente alto, buena disponibilidad de iluminacion y tiempos de acceso relativamente bajos.",
      "Bajos niveles de pobreza e indice de riesgo, pero menor disponibilidad de luminarias y tiempos de acceso relativamente altos.",
      "Menor indice de riesgo, mayor disponibilidad de luminarias y menores tiempos de acceso a servicios de seguridad.",
      "Mayores valores del indice y de pobreza, menor disponibilidad de iluminacion y mayores tiempos de acceso a servicios de seguridad."
    )
  ),
  caption = "Caracterizacion de los segmentos territoriales",
  col.names = c("Segmento", "Caracteristicas principales"),
  align = c("l", "l")
) |>
  kableExtra::kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = TRUE
  )

Caracterizacion de los segmentos territoriales
Segmento	Caracteristicas principales
Entornos iluminados, pero con alertas	Indice de riesgo relativamente alto, buena disponibilidad de iluminacion y tiempos de acceso relativamente bajos.
Entornos tranquilos, pero poco iluminados	Bajos niveles de pobreza e indice de riesgo, pero menor disponibilidad de luminarias y tiempos de acceso relativamente altos.
Entornos con mejores condiciones	Menor indice de riesgo, mayor disponibilidad de luminarias y menores tiempos de acceso a servicios de seguridad.
Entornos con mayores desafios	Mayores valores del indice y de pobreza, menor disponibilidad de iluminacion y mayores tiempos de acceso a servicios de seguridad.

#---

# Apoyo: guía 02_perfiles_kmeans de «Las múltiples Colombias».
# ─────────────────────────────────────────────────────────────────────────────────

✍️ ¿Qué grupos aparecieron? ¿Por qué ese K? Y un párrafo corto por segmento: nombre (n UPZ), qué lo caracteriza, qué lo hace diferente de los demás y 2 o 3 UPZ de ejemplo.

1. Entornos iluminados, pero con alertas (27 UPZ). Se caracterizan por un índice de riesgo relativamente alto (mediana de 52,7), acompañado de una alta densidad de luminarias (1.110,9 por km²) y un tiempo de acceso a un CAI o estación de policía de 17,5 minutos. Se diferencian porque, aunque cuentan con buena iluminación, mantienen condiciones del entorno asociadas con la inseguridad. Entre las UPZ más pobladas del segmento se encuentran El Rincón, Bosa Central y Bosa Occidental.

2. Entornos tranquilos, pero poco iluminados (28 UPZ). Presentan un índice relativamente bajo (31,8) y el menor porcentaje de pobreza de los cuatro grupos (1,1 %). Sin embargo, registran una menor densidad de luminarias (632,8 por km²) y un tiempo de acceso a servicios de seguridad de 21,4 minutos. Su principal diferencia es que muestran condiciones favorables en el índice y en pobreza, pero mayores limitaciones relativas en iluminación y accesibilidad. Algunos ejemplos son Tibabuyes, Suba y Castilla.

3. Entornos con mejores condiciones (43 UPZ). Es el segmento más numeroso y presenta el menor índice de riesgo (29,2), una densidad alta de luminarias (1.161,9 por km²) y el menor tiempo de acceso a un CAI o estación de policía (15,5 minutos). Se diferencia por combinar mejores resultados relativos en las dimensiones analizadas, especialmente en el índice, la iluminación y la accesibilidad. Entre sus UPZ más pobladas están Garcés Navas, Venecia y Timiza.

4. Entornos con mayores desafíos (6 UPZ). Es el grupo más pequeño y concentra las condiciones menos favorables en varias dimensiones: registra el mayor índice de riesgo (57,9), el porcentaje de pobreza más alto (14,0 %), una menor densidad de luminarias (684,6 por km²) y el mayor tiempo de acceso a servicios de seguridad (26,2 minutos). Se diferencia por la combinación de mayores dificultades socioeconómicas, condiciones del entorno asociadas con la inseguridad y limitaciones de infraestructura y accesibilidad. Algunos ejemplos son El Tesoro, Alfonso López y Ciudad Usme.

3. Nuestros mapas

✍️ ¿Dónde pasa lo que encontramos? ¿Qué esperan ver en el mapa, según lo que ya saben de Bogotá?

Antes de observar los mapas, esperamos encontrar una distribución territorial desigual de las condiciones asociadas con la inseguridad en Bogotá. Según los resultados del análisis, esperamos identificar valores más altos del índice en sectores como Corabastos, La Sabana, Las Cruces, Zona Industrial y Puente Aranda, mientras que zonas como Casa Blanca, La Esmeralda, La Alhambra, Chico Lago y El Refugio presentan valores más bajos.

También esperamos que los segmentos identificados mediante K-Means permitan reconocer patrones geográficos y diferencias territoriales entre las UPZ. En particular, buscamos observar si las zonas con mayores desafíos tienden a concentrarse en determinados sectores de la ciudad o si se encuentran dispersas, y si las UPZ con mejores condiciones relativas comparten alguna distribución espacial.

Con los mapas buscamos pasar de los resultados estadísticos a una lectura territorial, identificando dónde se localizan las condiciones analizadas y cómo se distribuyen los diferentes perfiles en Bogotá. Estas expectativas deberán contrastarse con los mapas, sin asumir que todas las UPZ de una misma localidad presentan las mismas características.

# ── AQUÍ HAGAN EL MAPA DEL ÍNDICE ───────────────────────────────────────────────
# Variable numérica → escala secuencial (un solo color, de claro a oscuro).
#    → mapa_continuo(upz_ok, "indice", titulo = "El hallazgo: ¿qué patrón se ve?",
#                    subtitulo = "Nombre de su índice (0–100)")
# ─────────────────────────────────────────────────────────────────────────────────


# Mapa del índice de Entorno de Riesgo e Inseguridad
mapa_continuo(
  upz_ok,
  "indice",
  titulo = "Condiciones del entorno asociadas con la inseguridad en Bogotá",
  subtitulo = "Índice de Entorno de Riesgo e Inseguridad (escala relativa de 0 a 100)"
)

# Mapa del índice de Entorno de Riesgo e Inseguridad
mapa_continuo(
  upz_ok,
  "indice",
  titulo = "Condiciones del entorno asociadas con la inseguridad en Bogotá",
  subtitulo = "Índice de Entorno de Riesgo e Inseguridad (0–100)"
) +
  ggplot2::geom_sf_text(
    ggplot2::aes(label = upz_nombre),
    size = 1.8,
    check_overlap = TRUE
  )

✍️ ¿Qué patrón muestra? ¿Dónde se concentran los valores altos y los bajos?

El mapa muestra una distribución territorial desigual del índice de Entorno de Riesgo e Inseguridad en Bogotá. Los valores más altos se observan principalmente en sectores del centro, centro-occidente y suroccidente de la ciudad. Se destacan UPZ como Corabastos, La Sabana, Las Cruces, Zona Industrial y Puente Aranda, que ya habían aparecido entre las puntuaciones más altas del ranking.

Por otro lado, los valores más bajos se concentran principalmente en algunas zonas del norte y nororiente, como Casa Blanca, La Alhambra, Chico Lago y El Refugio, donde se observan tonalidades más claras. Esto evidencia diferencias territoriales en las condiciones del entorno analizadas.

En general, el mapa permite reconocer que las condiciones asociadas con la inseguridad no se distribuyen de manera homogénea en Bogotá, sino que presentan concentraciones en determinados sectores. Sin embargo, también se observan diferencias entre UPZ cercanas, lo que demuestra que no es adecuado generalizar las condiciones de una localidad a todo su territorio. Es importante recordar que el índice representa una combinación de variables de percepción y características del entorno, y no una medición directa de la cantidad de delitos.

# ── AQUÍ HAGAN EL MAPA DE LOS SEGMENTOS ─────────────────────────────────────────
# Variable categórica → un color distinto por grupo.
#    → mapa_categorico(upz_ok, "segmento_nombre", titulo = "El hallazgo: ¿dónde está cada grupo?")
#
# Opcional: la versión interactiva (zoom y clic sobre cada UPZ).
#    → mapa_interactivo(upz_ok, "segmento_nombre")
#
# Apoyo: guía 03_mapas_conclusiones de «Las múltiples Colombias».
# ─────────────────────────────────────────────────────────────────────────────────


# Mapa de los segmentos identificados mediante K-Means
mapa_categorico(
  upz_ok,
  "segmento_nombre",
  titulo = "Segmentación territorial de las UPZ de Bogotá",
  subtitulo = "Perfiles identificados mediante K-Means (4 segmentos)"
)

# Adicional comparativo segun guias estudiadas
# Mapa 1: Índice de Entorno de Riesgo e Inseguridad
p1 <- mapa_continuo(
  upz_ok,
  "indice",
  titulo = "Índice de Entorno de Riesgo e Inseguridad",
  subtitulo = "Escala relativa de 0 a 100"
)

# Mapa 2: Segmentación K-Means
p2 <- mapa_categorico(
  upz_ok,
  "segmento_nombre",
  titulo = "Segmentación territorial",
  subtitulo = "Cuatro perfiles identificados mediante K-Means"
)

# Presentación de los mapas lado a lado
gridExtra::grid.arrange(p1, p2, ncol = 2)

✍️ ¿Dónde está cada segmento? ¿Hay UPZ con un índice parecido que quedaron en segmentos distintos? ¿Qué muestra la segmentación que el índice solo no mostraba?

¿Dónde está cada segmento? ¿Hay UPZ con un índice parecido que quedaron en segmentos distintos? ¿Qué muestra la segmentación que el índice solo no mostraba?

El mapa de segmentación permite reconocer que los cuatro perfiles identificados mediante K-Means presentan distribuciones territoriales diferentes en Bogotá. A diferencia del mapa del índice, que representa una escala continua de condiciones del entorno asociadas con la inseguridad, este mapa clasifica las UPZ según la combinación de cuatro dimensiones: el índice construido mediante PCA, el porcentaje de pobreza, la densidad de luminarias y el tiempo de acceso a un CAI o estación de policía.

Entornos de actividad económica y urbana (verde). Este segmento reúne UPZ con un índice relativamente bajo, buenas condiciones de iluminación y menor tiempo de acceso a servicios de seguridad. Su distribución incluye territorios con dinámicas urbanas diversas. Por ejemplo, Venecia se caracteriza por su actividad comercial y textil, Timiza cuenta con una importante presencia de parques y espacios recreativos, y Garcés Navas se relaciona con corredores de actividad económica y conexión hacia la Calle 80. Esto permite reconocer que las condiciones favorables identificadas por el modelo pueden presentarse en territorios con diferentes usos y dinámicas urbanas.

Periferias con barreras geográficas y de acceso (amarillo). Este es el segmento más pequeño, con seis UPZ, y presenta los valores menos favorables en varias de las dimensiones analizadas: mayor índice, mayor pobreza, menor densidad de luminarias y mayor tiempo de acceso a servicios de seguridad. Su presencia se observa principalmente en el sur y suroriente de Bogotá, en sectores como El Tesoro, Alfonso López, Ciudad Usme y La Flora. Su localización permite plantear una posible relación con condiciones de periferia, pendientes, laderas y dificultades de conexión territorial. Estas características constituyen una interpretación geográfica que complementa los resultados estadísticos, aunque no fueron variables incorporadas directamente al modelo.

Territorios de transición: centro y bordes urbanos (morado). Este segmento presenta una distribución dispersa, con presencia en sectores periféricos y en zonas centrales de Bogotá. Entre sus ejemplos se encuentran El Rincón, Bosa Central y Bosa Occidental. La lectura territorial también permite relacionarlo con sectores centrales como La Sabana y Las Cruces, donde existen dinámicas comerciales y urbanas particulares. Esta distribución sugiere que las condiciones asociadas con la inseguridad pueden aparecer tanto en zonas de borde como en sectores centrales de intensa actividad urbana, sin que necesariamente exista continuidad geográfica entre las UPZ del grupo.

Entornos residenciales con dinámicas diferenciadas (fucsia). Este segmento reúne UPZ con un índice relativamente bajo y el menor porcentaje de pobreza, aunque presenta una menor densidad de luminarias y mayores tiempos de acceso a servicios de seguridad que otros grupos. Su distribución tiene una presencia importante en sectores del norte y noroccidente de Bogotá. Esta localización permite plantear preguntas sobre las características residenciales, la conectividad y las dinámicas de movilidad de estos territorios. En particular, resulta interesante contrastar su distribución con la red de transporte masivo, especialmente las troncales de TransMilenio, para determinar si existen diferencias de cobertura y proximidad frente a otros segmentos.

Al comparar los dos mapas, se observa que UPZ con valores similares del índice pueden quedar clasificadas en segmentos distintos. Esto sucede porque el índice resume cinco variables relacionadas con las condiciones del entorno, mientras que K-Means incorpora tres dimensiones adicionales: pobreza, iluminación y accesibilidad a servicios de seguridad. Por tanto, dos UPZ pueden presentar puntuaciones parecidas en el índice, pero tener condiciones socioeconómicas, de infraestructura y acceso diferentes.

La principal contribución de la segmentación es que permite reconocer diferentes realidades territoriales detrás de una misma puntuación. El índice muestra dónde se concentran los valores altos y bajos de las condiciones analizadas, mientras que K-Means amplía esa lectura al identificar perfiles que combinan características del entorno, condiciones socioeconómicas e infraestructura. De esta manera, el análisis permite comprender no solamente dónde se presentan determinadas condiciones, sino también qué otras características diferencian a los territorios.

4. Conclusiones

✍️ Volvamos a la pregunta del inicio.

Tres hallazgos, cada uno sustentado en un gráfico o un mapa de este informe.

I. Las condiciones asociadas con la inseguridad presentan diferencias territoriales importantes.

El mapa del índice de Entorno de Riesgo e Inseguridad evidencia que las condiciones analizadas no se distribuyen de manera homogénea en Bogotá. Se destacan valores altos en UPZ como Corabastos, La Sabana y Las Cruces, mientras que sectores como Casa Blanca, La Esmeralda y La Alhambra presentan valores bajos. El primer componente principal explica el 62,74 % de la variabilidad conjunta de las cinco variables, lo que permite resumirlas en un indicador sintético y comparar las diferencias entre territorios.

II. Un índice similar puede representar realidades territoriales diferentes.

La segmentación mediante K-Means identificó cuatro perfiles de UPZ con características diferenciadas. Aunque algunas pueden presentar valores cercanos en el índice, sus condiciones de pobreza, iluminación y accesibilidad a servicios de seguridad son distintas. Esto demuestra que el índice por sí solo no permite describir completamente las características de cada territorio y que la incorporación de otras dimensiones amplía la interpretación de los resultados.

III. Las diferencias territoriales no siempre siguen una distribución geográfica continua.

El mapa de los segmentos muestra que algunos perfiles se concentran en determinados sectores, mientras que otros aparecen dispersos entre zonas centrales y periféricas. Se destacan las condiciones particulares del segmento de mayores desafíos, localizado principalmente en el sur y suroriente, y la distribución dispersa del grupo de entornos de transición. Esto evidencia que las características de las UPZ responden a distintas dinámicas urbanas y que la cercanía geográfica no necesariamente implica condiciones similares.

Una recomendación: si ustedes fueran la Alcaldía, ¿qué harían con esto y en qué UPZ?

Una recomendación: ¿qué haríamos si fuéramos la Alcaldía?

Si fuéramos la Alcaldía de Bogotá, utilizaríamos los resultados de este análisis para orientar intervenciones diferenciadas según las condiciones identificadas en cada segmento. La idea sería evitar que todas las UPZ reciban las mismas estrategias, reconociendo que las necesidades varían según las condiciones del entorno, la situación socioeconómica, la infraestructura y la accesibilidad a los servicios de seguridad.

Priorizar intervenciones integrales en el segmento «Entornos con mayores desafíos» (6 UPZ). Este grupo presenta el mayor índice de riesgo (57,9), el porcentaje de pobreza más alto (14,0 %), una menor densidad de luminarias (684,6 por km²) y el mayor tiempo de acceso a servicios de seguridad (26,2 minutos). Se recomienda priorizar acciones de mejoramiento del alumbrado público, recuperación del entorno, fortalecimiento de la presencia institucional y evaluación de las barreras de acceso a los servicios de seguridad.
Fortalecer la prevención en el segmento «Entornos iluminados, pero con alertas» (27 UPZ). Aunque presenta una densidad de luminarias relativamente alta (1.110,9 por km²), registra un índice elevado (52,7). Esto sugiere que contar con iluminación no es suficiente para garantizar condiciones favorables del entorno. Se recomienda identificar puntos críticos, fortalecer las estrategias de prevención y mejorar las condiciones de los espacios públicos.
Mantener y mejorar las condiciones de infraestructura y accesibilidad en el segmento «Entornos tranquilos, pero poco iluminados» (28 UPZ). Este grupo presenta un índice relativamente bajo (31,8) y el menor porcentaje de pobreza (1,1 %), pero también registra la menor densidad de luminarias (632,8 por km²) y un tiempo de acceso a servicios de seguridad de 21,4 minutos. Se recomienda evaluar las necesidades de iluminación y accesibilidad para prevenir el deterioro de las condiciones existentes.
Consolidar las condiciones favorables del segmento «Entornos con mejores condiciones» (43 UPZ). Este grupo presenta el menor índice (29,2), una alta densidad de luminarias (1.161,9 por km²) y el menor tiempo de acceso a servicios de seguridad (15,5 minutos). Se recomienda mantener las condiciones favorables identificadas, fortalecer las acciones preventivas y utilizar sus resultados como referencia para analizar oportunidades de mejora en otros territorios.

En conclusión, el análisis permitiría orientar una estrategia de gestión territorial diferenciada: priorizar las UPZ con mayores desafíos, intervenir las condiciones del entorno que mantienen alertas, atender las oportunidades de mejora en infraestructura y accesibilidad, y conservar las condiciones favorables de los territorios mejor posicionados. La segmentación constituye una herramienta de apoyo para la toma de decisiones, pero las intervenciones y la asignación de recursos deberían complementarse con diagnósticos específicos en cada UPZ.

Una limitación de su análisis (denuncias no son delitos, la encuesta es de 2021, el K elegido…).

Una de las principales limitaciones de este análisis está relacionada con la disponibilidad, naturaleza y temporalidad de los datos utilizados. El índice se construyó a partir de variables de percepción y características del entorno asociadas con la inseguridad, por lo que sus resultados no representan una medición directa de los delitos ocurridos en cada UPZ. Asimismo, es importante diferenciar las denuncias de los delitos reales, ya que no todos los hechos delictivos son denunciados y los registros administrativos dependen de los niveles de reporte de la ciudadanía.

Por otra parte, algunas variables provienen de la Encuesta Multipropósito de 2021, por lo que pueden no reflejar completamente las condiciones actuales de los territorios. Además, parte de la información presenta estimaciones agrupadas para algunas UPZ, lo que limita la precisión de las comparaciones territoriales.

Finalmente, la selección de cuatro segmentos en K-Means responde a criterios estadísticos, como el método del codo y el coeficiente de silueta. Sin embargo, el valor de silueta obtenido (0,29) indica una separación moderada entre los grupos, por lo que los perfiles identificados deben interpretarse como aproximaciones exploratorias y no como categorías territoriales completamente definidas.

En consecuencia, los resultados permiten identificar patrones y diferencias entre las UPZ, pero no deben interpretarse como un diagnóstico definitivo de inseguridad. Para fortalecer el análisis sería necesario incorporar información más reciente, mejorar la desagregación territorial y contrastar los resultados con otras fuentes de información.

Taller final · Indicador de Entorno de Riesgo e Inseguridad y Segmentación Territorial de las UPZ de Bogotá

Jerson David Cuellar Vanegas

Jose Efrain Castillo