Examinar las disparidades raciales en los controles policiales

En los Estados Unidos, los departamentos de policía realizan controles frecuentes a conductores y peatones. Si el agente de policía lo considera necesario, el control puede acabar en cacheo. Un gran volumen de evidencias demuestra cómo esta táctica se dirige de manera desproporcionada a personas negras y otras personas de color.

Los departamentos de policía reconocen que efectúan "controles bajo ciertos pretextos", utilizando infracciones de tráfico menores/comunes como excusa para dar el alto a alguien a fin de indagar sobre otros incumplimientos de la legislación. Los datos disponibles sobre disparidades raciales en los controles de tráfico sugieren que esta práctica oprime a los conductores negros. Cuando se preguntó a los conductores acerca de sus interacciones con la policía en el último año, los conductores negros fueron informaron de haber sido parados, multados y registrados más que los conductores blancos — Pathways to Police Reform Community Mobilization Toolkit," NAACP Criminal Justice Department, 2016.

Varios estudios han confirmado que existen disparidades raciales en la práctica de los controles policiales. Estas disparidades pudieron deberse a numerosos factores, como el racismo institucional, el sesgo racial individual o la aplicación de políticas discriminatorias. En este tutorial, aprenderá a analizar las disparidades raciales en los datos de controles policiales utilizando datos de cuatro ciudades diferentes. Completar este tutorial le proporciona técnicas que pueden aplicarse a los datos de controles policiales de otras ubicaciones. Los SIG se han utilizado durante mucho tiempo para ayudar a los departamentos de policía a comprender los patrones de delincuencia; ahora utilizará estas mismas técnicas para examinar patrones en el mantenimiento del orden público.

Al sacar conclusiones de su análisis, considere que las desigualdades raciales van más allá del mantenimiento del orden público. Están interconectadas con las desigualdades raciales de otros sistemas sociales, como las oportunidades económicas y la justicia ambiental. A pesar de que las disparidades en el mantenimiento del orden público se ven influidas por las disparidades en otros aspectos de la sociedad, también las refuerzan. Algunos estudios han mostrado, por ejemplo, que el contacto con la policía es perjudicial para el rendimiento escolar y la salud de los jóvenes.

Este tutorial se probó por última vez el 8 de mayo de 2024 con ArcGIS Pro 3.3. Si está utilizando otra versión de ArcGIS Pro, puede que las funciones y los resultados sean diferentes.

Requisitos

• ArcGIS Pro (consulte las opciones de acceso a software)

Explorar datos de controles policiales con gráficos

Aunque a muchos estadounidenses los han parado alguna vez por exceso de velocidad o cruzar indebidamente, seguramente pocos sepan lo humillante que puede ser un control cuando el agente está buscando algo más. Este Tribunal [Supremo] ha permitido que un agente le dé el alto por la razón que quiera, siempre y cuando pueda señalar una justificación como pretexto posteriormente. … Esa justificación debe proporcionar razones concretas por las que el agente sospechó que estaba incumpliendo la legislación … pero puede tener en cuenta su etnia … dónde vive … qué llevaba puesto … y cómo se comportó. … El agente ni siquiera necesita saber qué ley podría haber incumplido, siempre que después pueda señalar cualquier posible infracción, aunque sea menor, no relacionada o ambigua. … — "Dissent of Justice Sonia Sotomayor in Utah v. Strieff," Tribunal Supremo de los Estados Unidos, 2016.

Para comenzar su análisis, explorará los datos de controles policiales de vehículos de Nashville (Tennessee). Utilizará la vista Ingeniería de datos para explorar los campos y atributos de los datos y crear gráficos para identificar disparidades en los índices de cacheos y tendencias en los datos a lo largo del tiempo. Por último, comparará un vecindario específico con la ciudad en su conjunto.

Examinar los datos de controles policiales con la vista Ingeniería de datos

Es importante familiarizarse con los datos antes de comenzar cualquier análisis. Comenzará explorando los campos disponibles en el dataset de controles policiales de Nashville.

1. Descargue el archivo police_stops .zip y descomprímalo en una ubicación de su equipo, por ejemplo, en la unidad C.
2. Abra la carpeta descomprimida police_stops y haga doble clic en Police Stops.aprx para abrir el proyecto en ArcGIS Pro.

   

3. Si se le pide, inicie sesión en su cuenta de ArcGIS.

   Nota:

   Si no tiene acceso a ArcGIS Pro o una cuenta de organización de ArcGIS, consulte las opciones de acceso a software.

   Aparecen un gráfico y un mapa de Nashville (Tennessee).

   

   Los puntos del mapa representan los controles policiales de vehículos en Nashville durante el intervalo de tiempo del dataset. Estos datos provienen del Stanford Open Policing Project. El gráfico de la parte inferior se derivó de los mismos datos, así como de los recuentos de población de la Encuesta sobre la Comunidad Estadounidense (ACS), realizada por la Oficina del Censo de los Estados Unidos. El gráfico muestra dos barras para cada raza: la barra azul claro muestra el porcentaje de controles policiales efectuados a esa raza y la barra azul oscuro muestra el porcentaje de residentes de Nashville de esa raza.

   Si los controles fueran proporcionales, se debería observar la misma altura de barra para el Porcentaje de controles y el Porcentaje de población de cada raza, pero no es lo que se ve. Por ejemplo, pese a que solo el 26,93 por ciento de los residentes de Nashville son negros, el 37,04 por ciento de los controles de vehículos se efectuaron a personas negras. Esta es una evidencia de disparidad, lo que significa que los resultados son diferentes entre los distintos grupos. La presencia de una disparidad por sí sola no significa necesariamente que haya habido discriminación, pero la disparidad sigue siendo significativa dado que tiene un impacto perjudicial (Pryor et al. 2020, 11).

   A continuación, explorará el dataset de controles policiales en la vista Ingeniería de datos para ver qué campos y atributos se incluyen en cada control de tráfico.

4. Cierra la ventana del gráfico.
5. En el panel Contenido, haga clic con el botón derecho en Police Stops (2017-2019) y haga clic en Ingeniería de datos.

   

   Aparece la vista Ingeniería de datos. Consta de dos secciones: el panel de campos, que muestra una lista de los campos de la capa, y el panel de estadísticas, que está vacío en este momento. Explorará los campos agregándolos al panel de estadísticas.

6. Haga clic en cualquier campo del panel de campos y pulse Ctrl+A para seleccionar todos los campos. Arrastre los campos al panel de estadísticas.

   

   Los campos se muestran ahora como filas en el panel de estadísticas.

7. Encima del panel de estadísticas, haga clic en el botón Calcular.

   

   Tras unos momentos, el panel de estadísticas se rellena con métricas de calidad de datos y estadísticas sobre los atributos de cada campo.

   

   El panel de estadísticas muestra los nombres de los campos, los tipos de datos, el número de valores nulos, una vista previa del gráfico que muestra la distribución del campo, valores de distribución generales como el mínimo, el máximo, el valor medio y el modo, así como otras métricas que pueden ayudarle a familiarizarse con cada campo de los datos.

   En la parte inferior de la vista Ingeniería de datos, el recuento de registros indica que hubo 422.535 controles durante el intervalo de los datos.

   

   La segunda fila de la tabla de estadísticas muestra las estadísticas de resumen del campo de fecha date. El valor Mínimo del 1 de enero de 2017 y el valor Máximo del 24 de marzo de 2019 le indican que los 422.535 controles de vehículos abarcan dos años y tres meses de datos recopilados.

Explorar los índices de cacheos por raza y etnia

Algunos controles policiales acaban en cacheo:

Un cacheo es una inspección mediante la cual la policía palpa o pasa las manos por fuera de la ropa de una persona para comprobar si tiene armas. La policía puede cachearle legítimamente si usted da su consentimiento, o incluso sin su consentimiento si tiene una "sospecha razonable" de que tiene un arma (es decir, una razón concreta basada en hechos para creerlo) — "Know Your Rights: Stop-And-Frisk," ACLU del Distrito de Columbia, 2021.

La decisión de proceder al cacheo queda sujeta al criterio del agente, lo que deja abierta la posibilidad de un sesgo racial a nivel individual. Explorará el índice de cacheos: el porcentaje de controles que acabaron en cacheo. Cuando se da el alto a una persona, ¿es más o menos propensa a ser cacheada según su raza? Para responder a esta pregunta, utilizará dos campos, subject_race y frisk_performed, para crear un gráfico que visualice los índices de cacheos de cada raza.

1. En la vista Ingeniería de datos, en la tabla de estadísticas, desplácese hacia abajo para buscar el campo subject_race.
2. En la fila subject_race, apunte a la celda Chart Preview.

   

   Aparece una ventana con una lista de los valores que se muestran en la vista previa del gráfico.

3. En la fila subject_race, haga clic con el botón derecho en la celda Chart Preview y haga clic en Abrir gráfico de barras.

   Aparece un gráfico de barras que muestra los recuentos de controles de vehículos por la raza de la persona a la que se dio el alto.

   

   Cambiará este gráfico para que muestre el índice de cacheos por cada raza en lugar del número de controles.

4. Si es necesario, en la barra de herramientas situada sobre el gráfico, haga clic en el botón Propiedades para abrir el panel Propiedades de gráfico.

   Empezará dividiendo cada columna para mostrar cuántos controles incluyeron un cacheo.

5. En el panel Propiedades de gráfico, en Dividir por (opcional), elija el campo frisk_performed.

   

   El gráfico muestra ahora siete grupos de columnas. Muestra cuántos controles policiales incluyeron y no incluyeron un cacheo por cada raza. Etiquetará y apilará las barras para que su lectura sea más sencilla. También quitará la columna de los datos que no sean aplicables.

6. En el panel Propiedades de gráfico, en Etiquetas de datos, active la casilla Etiquetar barras.
7. Haga clic en la pestaña Series. En Mostrar varias series como, elija 100% apilado.
8. En la tabla, haga clic en la fila NA y luego en el botón Borrar la fila seleccionada.

   

9. Arrastre la fila TRUE sobre la fila FALSE.

   

   Editará el texto que aparece en la leyenda del gráfico para facilitar su comprensión.

10. En la columna Label, haga doble clic en TRUE y escriba Con cacheo. Cambie la etiqueta FALSE a Sin cacheo.

    

    El gráfico muestra ahora el índice de cacheos por cada raza.

    

    Una comparación del 2,58 por ciento de población negra y del 2,49 por ciento de población hispana cacheada frente al 0,92 por ciento de población blanca cacheada muestra una disparidad en la decisión de cachear. Dicho de otro modo, los datos reflejan que la población negra e hispana de Nashville tuvo más del doble de probabilidades que la población blanca de ser cacheada al ser parada por la policía. Los resultados parecen coincidir con los informes de los activistas y las conclusiones del NYU School of Law’s Policing Project:

    Las autoridades municipales han prestado más atención a los controles de tráfico desde que dos informes independientes hallaran que se estaba parando y registrando a conductores de raza negra de manera desproporcionada, pese a que la policía rara vez encontró pruebas de un delito…

    …esas tendencias se señalaron en dos análisis separados de datos del MNPD (Departamento de Policía Metropolitana de Nashville).

    —"Nashville Police Report Major Drop In Traffic Stops Following Accusations Of Racial Bias," Samantha Max, Nashville Public Radio, 2021.

Explorar tendencias en controles de tráfico a lo largo del tiempo y en distintos vecindarios

Aunque las disparidades raciales en los controles policiales son un problema común en todas las ciudades de los Estados Unidos, los informes de los analistas y activistas pueden promover cambios: los controles de tráfico del Departamento de Policía Metropolitana de Nashville (MNPD) han disminuido casi un 90 por ciento entre 2016 y 2021, tras un cambio en las políticas de formación como resultado de unos informes independientes.

Después de que unos investigadores de la NYU hallaran que los controles de tráfico del MNPD rara vez detectaban casos de contrabando, el departamento reescribió completamente su formación. El foco se cambió a los controles por conducción insegura, sin registros.

En la primera diapositiva, se animaba a los agentes a pensar en "por qué el MNPD realiza controles de tráfico" y se les pedía que interactuasen con los miembros de la comunidad "de una manera que mantenga la dignidad, el respeto y la justicia procesal del ciudadano".

— "Nashville Police Report Major Drop In Traffic Stops Following Accusations Of Racial Bias", Samantha Max, Nashville Public Radio, 2021

Creará un gráfico de cómo han cambiado los controles de tráfico a lo largo del tiempo para confirmar la caída reportada en el informe de la Nashville Public Radio.

1. Encima de la ventana del gráfico, haga clic en la pestaña Police Stops (2017-2019) para volver a abrir la vista Ingeniería de datos.
2. Si es necesario, desplácese hasta la parte superior de la tabla de estadísticas y busque la fila date.

   En la fila date, la celda Chart Preview muestra una tendencia a la baja en el número de controles a lo largo del tiempo. Para seguir investigando este patrón, verá el gráfico completo en lugar de la vista previa del gráfico.

3. En la fila date, haga clic con el botón derecho en la celda Chart Preview y haga clic en Abrir gráfico de líneas.

   

   Aparece un gráfico de líneas. El gráfico se agrega también al panel Contenido, debajo de la capa Nashville Police Stops.

   

   El gráfico muestra el recuento de controles de tráfico en Nashville a lo largo del intervalo de tiempo de los datos. El espacio entre cada punto representa seis días. Cambiará el intervalo a una semana.

4. Si es necesario, en la barra de herramientas situada sobre el gráfico, haga clic en Propiedades para abrir el panel Propiedades de gráfico.
5. En el panel Propiedades de gráfico, cambie Tamaño del intervalo a 7 días.

   

   El gráfico muestra que los controles policiales han disminuido desde principios de 2017 (con aproximadamente 4.500 controles por semana) hasta principios de 2019 (con aproximadamente 1.000 controles por semana). La tendencia parece coherente con las conclusiones de la Nashville Public Radio sobre que los controles de tráfico del Departamento de Policía Metropolitana de Nashville han disminuido casi en un 90 por ciento en los últimos cinco años. Seguirá explorando los datos para examinar si esta tendencia se mantiene en distintas categorías de raza y etnia, y en distintos vecindarios.

6. En el panel Propiedades de gráfico, en Dividir por (opcional), elija subject_race.

   El gráfico se actualiza para mostrar una línea para cada categoría en el campo subject_race.

   

   Se puede ver una tendencia a la baja similar de los recuentos de controles policiales de vehículos a la población negra y blanca.

   Sugerencia:

   Puede hacer clic en elementos de la leyenda del gráfico para desactivar categorías y facilitar la exploración de tendencias de una categoría concreta.

   Ahora explorará los gráficos junto con el mapa para examinar si esta tendencia se mantiene en distintos vecindarios de Nashville.

7. Haga clic en la pestaña del gráfico de líneas y arrástrela junto al mapa. Acople el gráfico a la derecha del mapa.

   

   El gráfico se muestra ahora junto al mapa.

8. En la vista Ingeniería de datos, en el panel de campos, apunte al campo subject_race y haga clic en el botón Actualizar simbología.

   

   El mapa se actualiza para mostrar los controles de tráfico por raza y etnia de la persona a la que se dio el alto. El gráfico de líneas se actualiza para usar los mismos colores que el mapa.

   

   Nota:

   Los colores de su mapa y su gráfico pueden diferir de los que aparecen en el tutorial.

9. En la barra de herramientas situada sobre el gráfico de líneas, haga clic en el botón Filtrar por extensión.

   

10. En el mapa, acérquese y desplácese para visitar distintos vecindarios. Observe los cambios en el gráfico de líneas.

    El gráfico de líneas se actualiza dinámicamente para reflejar los cambios a lo largo del tiempo en los controles de policía para la vista de mapa actual. Algunos vecindarios muestran que se dio el alto a más personas negras que personas blancas. La mayoría muestran la misma tendencia a la baja presente en la ciudad en su conjunto.

Comparar índices de cacheos por raza, tiempo y vecindarios

A continuación, explorará cómo influyó el descenso de los controles policiales en los índices de cacheos después de 2018.

1. En el panel Contenido, haga clic con el botón derecho en Police Stops (2017-2019) y haga clic en Zoom a capa.
2. En la cinta, haga clic en la pestaña Mapa. En el grupo Selección, haga clic en Seleccionar por atributos.

   

3. En la ventana Seleccionar por atributos, en Filas de entrada, elija Police Stops (2017-2019).
4. En Expresión, utilice los menús desplegables para crear la expresión Donde date es anterior a 1/12/2018.

   

5. Haga clic en Aceptar.

   Se seleccionan la mayoría de los puntos del mapa. En el gráfico de líneas, se seleccionan todos los puntos anteriores al descenso pronunciado de finales de 2018.

   

6. Encima de la vista Ingeniería de datos, haga clic en la pestaña Police Stops (2017-2...frisk_performed para mostrar el gráfico de barras.
7. En la barra de herramientas situada sobre el gráfico de barras, haga clic en el botón Filtrar por selección.

   

   El gráfico de barras se actualiza para mostrar los índices de cacheos solo para los controles policiales que se realizaron antes de diciembre de 2018.

   El índice de cacheos de la población negra fue del 2,56 por ciento y el índice de cacheos de la población blanca fue del 0,9 por ciento. El ratio entre estos dos valores (2,56 dividido entre 0,9) es de 2,84. Esto significa que, una vez parada, la probabilidad de la población negra de ser cacheada fue 2,84 veces mayor que la de la población blanca.

   A continuación, verá cómo cambiaron estas cifras a partir de diciembre de 2018.

8. En la barra de herramientas situada sobre cualquiera de los gráficos, haga clic en el botón Cambiar selección.

   

   El gráfico de barras cambia para mostrar los índices de cacheos de la última parte del intervalo de tiempo. La nueva selección también está visible en el gráfico de líneas.

   

   Durante este periodo, el índice de cacheos de la población negra fue del 3,21 por ciento y el índice de cacheos de la población blanca fue del 1,48 por ciento. Ambos valores son mayores que antes. Significa que la probabilidad de que los controles acabaran en cacheo fue mayor en 2019. Sin embargo, como se efectuaron menos controles en general, también se efectuaron menos cacheos.

   El ratio entre los índices de cacheos de la población negra y la población blanca es de 2,16. Es menor que el ratio anterior de 2,84, lo que significa que, desde diciembre de 2018, la disparidad racial en los índices de cacheos disminuyó. Sin embargo, la disminución no fue grande y la población negra seguía teniendo más del doble de probabilidades de ser cacheada que la población blanca una vez parada.

   A continuación, explorará cómo cambiaron los índices de cacheos de un vecindario concreto, en lugar de los de toda la ciudad. No borre la selección.

9. En la cinta, haga clic en la pestaña Mapa. En el grupo Navegar, haga clic en Marcadores y haga clic en el marcador Tennessee State University.

   El mapa se acerca al vecindario de la Universidad Estatal de Tennessee, una Facultad y universidad históricamente negra.

10. En la barra de herramientas situada sobre el gráfico de barras, haga clic en el botón Filtrar por extensión.

    Ahora el gráfico refleja los datos de la selección actual y la vista de mapa actual: solo refleja los controles que se efectuaron en el vecindario de la Universidad Estatal de Tennessee después de diciembre de 2018.

    

    El índice de cacheos en este vecindario y periodo de tiempo fue del 3,15 por ciento. Para la población blanca, fue del 0,6 por ciento.

    Nota:

    Sus cifras pueden variar debido a una extensión de mapa ligeramente diferente. Estas cifras no afectarán al resto del tutorial.

    El ratio entre estos dos valores es de 3,25, que es superior a los otros ratios que ha visto hasta el momento. Es de esperar que se efectuaran más controles a la población negra que a la población blanca en un vecindario predominantemente negro; sin embargo, esta cifra refleja la probabilidad de que una persona sea cacheada después de haber sido parada. En este vecindario, la disparidad racial entre qué controles acaban en cacheo es mayor que en la ciudad en su conjunto.

11. En la barra de herramientas situada sobre cualquiera de los gráficos, haga clic en el botón Borrar selección.

    

12. Cierre ambos gráficos, la vista Ingeniería de datos y el panel Propiedades de gráfico.
13. En la barra de herramientas de acceso rápido, haga clic en el botón Guardar.

    

    Nota:

    Puede aparecer un mensaje que le avisa que guardar este archivo de proyecto con la versión actual de ArcGIS Pro le impedirá volver a abrirlo en una versión anterior. Si ve este mensaje, haga clic en Sí para continuar.

Hasta ahora en este tutorial, ha explorado los datos de controles de tráfico de Nashville. Ha examinado las disparidades raciales en los índices de controles y los índices de cacheos, y ha creado un gráfico de los controles a lo largo del tiempo. Ha comprobado que los controles policiales descendieron en Nashville de 2017 a 2019, lo cual puede ser un resultado de los cambios en la formación policial promovidos por el análisis de los activistas. Sin embargo, también ha descubierto que todavía existen disparidades raciales. Cuando la policía da el alto a una persona negra, sigue teniendo más probabilidades de ser cacheada que una persona blanca, y estas disparidades varían de un vecindario a otro.

A continuación, seguirá explorando los controles policiales utilizando herramientas de análisis espacial.

Buscar puntos calientes de cacheos

En el módulo anterior, preparó, visualizó y exploró los datos de controles policiales de Nashville. A continuación, cambiará el foco a la ciudad de Nueva Orleans (Luisiana) utilizando un dataset de controles de peatones en los que el agente de policía tomó la decisión de cachear. Los cacheos han sido ampliamente criticados por su impacto en los individuos y las comunidades, y por ir dirigidos de manera desproporcionada a las comunidades negra y latina (Center for Constitutional Rights, 2012).

La humillación del control no se limita a que un agente le diga que tiene aspecto de delincuente. El agente puede pedirle a continuación su "consentimiento" para inspeccionar su bolsa o bolso sin indicarle que puede negarse. Independientemente de su respuesta, puede ordenarle que se ponga en una posición "de indefensión, tal vez mirando a una pared con las manos levantadas". Si el agente cree que puede suponer un peligro, puede "cachearle" para ver si lleva armas. Esto implica algo más que solo palparle. Ante la mirada de los espectadores que pasan por el lugar, el agente puede "tocar con dedos sensibles cada parte [de su] cuerpo. Un registro minucioso [puede comprender] los brazos y axilas, la cintura y la espalda, la ingle y el área alrededor de los testículos, y toda la superficie de las piernas hasta los pies” — "Dissent of Justice Sonia Sotomayor in Utah v. Strieff," Tribunal Supremo de los Estados Unidos, 2016.

Dada la gravedad de los incidentes en los cacheos, ahora analizará cómo se producen en el espacio y el tiempo en la ciudad de Nueva Orleans. Para ayudarle a cuantificar algunos de los patrones que se pueden observar utilizando mapas y gráficos, ejecutará pruebas para determinar la importancia estadística de las tendencias de cacheo.

Crear un cubo de espacio-tiempo de ubicaciones de cacheos

En primer lugar, utilizará un gráfico de líneas para observar cómo han cambiado las tendencias de cacheo de cada raza a lo largo del tiempo. A continuación, creará un cubo de espacio-tiempo. Esta estructura de datos es necesaria para realizar un análisis de puntos calientes emergentes, el cual puede mostrar patrones espaciales y temporales juntos en un solo mapa.

1. Si es necesario, abra el proyecto Police Stops en ArcGIS Pro. Debajo de la cinta, haga clic en la pestaña del mapa New Orleans.

   

   Aparece un mapa que muestra las ubicaciones de cacheos de 2011 a 2018 dentro de los límites de la ciudad de Nueva Orleans. Estos datos provienen del Stanford Open Policing Project. Las ubicaciones se simbolizan según la raza de la persona cacheada.

2. En el panel Contenido, debajo de Frisk Locations (2011-2018), haga clic con el botón derecho en el gráfico Change in frisks over time y haga clic en Abrir.

   

   El gráfico muestra que, en general, los cacheos en Nueva Orleans disminuyeron de 2011 a 2013, pero también parece que aumentaron gradualmente para la población negra entre 2014 y 2018.

   

   Nota:

   Si desea explorar cómo varían estos patrones por vecindario, puede repetir los pasos que siguió anteriormente en el tutorial para filtrar el gráfico por extensión y, a continuación, desplazarse y aplicar zoom por el mapa.

   Visualizar el mapa y el gráfico a la vez es una forma de visualizar las tendencias espaciales y temporales de un dataset. Sin embargo, puede cuantificar estos patrones de forma más concreta con un cubo de espacio-tiempo. Esta estructura de datos agrega datos en bins definidos por espacio y tiempo. Para definir los límites espaciales de sus bins, utilizará distritos censales.

3. Cierre la vista de gráfico y el panel Propiedades de gráfico.
4. En el panel Contenido, active la casilla situada junto a la capa Race/Ethnicity by Tract (2015-2019) para activarla.

   Esta capa muestra los distritos censales con variables de raza y etnia, tal y como define la Encuesta sobre la Comunidad Estadounidense (ACS). La Oficina del Censo de los Estados Unidos utiliza los distritos censales para organizar y analizar los datos de población, que generalmente corresponden a vecindarios con una población de entre 2500 y 8000 personas (Censo de EE. UU., 2021). Los datos se han derivado de la capa ACS Race and Hispanic Origin Variables – Boundaries de ArcGIS Living Atlas of the World.

   Creará un cubo de espacio-tiempo con los datos de cacheos y los distritos censales. Los resultados mostrarán qué distritos censales son puntos calientes de cacheos.

5. En la cinta, haga clic en la pestaña Análisis. En el grupo Geoprocesamiento, haga clic en Herramientas.

   

   Se abre el panel Geoprocesamiento.

6. En la barra de búsqueda, escriba crear cubo de espacio-tiempo. En los resultados de la búsqueda, haga clic en Crear cubo de espacio-tiempo agregando puntos.

   

   Un cubo de espacio-tiempo agrega datos en un espacio tridimensional. Los bins espaciales se representan en los ejes x e y, y los bins temporales, en el eje z. Para este análisis, definirá cada bin como un distrito censal con un intervalo de tiempo de cuatro semanas. Cada distrito tendrá una pila de bins, cada uno de los cuales representará cuatro semanas. Cada bin contará el número de cacheos que se produjeron en esa área durante ese tiempo.

   

7. En el panel Geoprocesamiento, defina los siguientes parámetros:
   • En Entidades de entrada, elija Frisk Locations (2011–2018).
   • En Cubo de espacio-tiempo de salida, escriba Distritos_Cacheos_4semanas.
   • En Campo de tiempo, elija fecha.
   • Deje el parámetro Cubo de plantilla en blanco.
   • En Intervalo de periodo de tiempo, escriba 4 y elija Semanas.
   • En Alineación de periodo de tiempo, elija Hora de finalización.
   • En Tipo de forma de agregación, elija Ubicaciones definidas.
   • En Ubicaciones de polígonos definidas, elija Race/Ethnicity by Tract (2015-2019).
   • En Id. de ubicación, elija Id. numérico de distrito.

   

   Eligió Hora de finalización para el parámetro Alineación de periodo de tiempo porque, para este análisis, le interesan más las tendencias de cacheo recientes que las antiguas. Esta opción garantiza que la herramienta empiece al final (los datos más recientes) y cuente hacia atrás en el tiempo a medida que crea bins. El último bin puede estar incompleto, lo que da lugar a un sesgo temporal, pero es preferible que el sesgo esté presente en el bin más antiguo y no en el más reciente.

8. Haga clic en Ejecutar.

   Cuando la herramienta haya finalizado, aparece una advertencia en la parte inferior del panel Geoprocesamiento.

9. En la advertencia, haga clic en el vínculo Ver detalles.

   

   Aparece una ventana con más información. Sugiere que algunas ubicaciones no coincidieron con la capa Distritos censales. Faltaron estas pocas entidades porque estaban ubicadas en los límites de los distritos, lo cual no supone un problema sistémico que vaya a afectar a este análisis.

10. Si es necesario, haga clic en la pestaña Mensajes. En el cuadro de diálogo, debajo de Características de cubo de espacio-tiempo, desplácese para buscar la entrada Sesgo temporal del primer periodo de tiempo.

    

    El sesgo temporal del 28,57 por ciento afectará a los resultados.

    Al crear el cubo de espacio-tiempo, designó un intervalo de periodo de tiempo de cuatro semanas. Dado que la herramienta cuenta hacia atrás en el tiempo (utilizando el valor de Hora de finalización de Alineación de periodo de tiempo), el bin de tiempo más antiguo es el último en contarse y no contiene cuatro semanas completas de datos. El bin afectado abarca del 2 de mayo de 2011 al 30 de mayo de 2011, pero los primeros cacheos de los datos empiezan el 10 de mayo de 2011. Del 2 al 10 de mayo, el bin está vacío, lo que da como resultado un sesgo temporal del 28,57 por ciento en ese primer periodo de tiempo.

    Para corregir este sesgo temporal, filtrará los datos para que empiece el 31 de mayo de 2011 y volverá a ejecutar la herramienta.

    Nota:

    Para obtener más información sobre la alineación de periodos de tiempo, consulte Cómo funciona Crear cubo de espacio-tiempo.

11. Cierre la ventana Crear cubo de espacio-tiempo agregando puntos.
12. En la cinta, haga clic en la pestaña Mapa. En el grupo Selección, haga clic en Seleccionar por atributos.
13. En la ventana Seleccionar por atributos, en Filas de entrada, elija Frisk Locations (2011-2018).
14. Debajo de Expresión, utilice los menús desplegables para crear la consulta Donde date es posterior a 29/5/2011.

    

15. Haga clic en Aceptar.

    Se seleccionan la mayoría de los puntos del mapa. Al volver a ejecutar la herramienta Crear cubo de espacio-tiempo agregando puntos, se ejecutará utilizando solamente estas entidades seleccionadas.

16. En el panel Geoprocesamiento, haga clic en Ejecutar.
17. Cuando la herramienta haya finalizado, haga clic en el vínculo Ver detalles y, si es necesario, haga clic en la pestaña Mensajes.

    El Sesgo temporal del primer periodo de tiempo se ha reducido al 3,57 por ciento.

18. Desplácese hasta la parte inferior de la pestaña Mensajes.

    Los mensajes de diagnóstico también sugieren que el cubo de espacio-tiempo tiene un valor de Dirección de tendencia No significativo.

    

    Aunque la ciudad de Nueva Orleans en su conjunto no tiene una tendencia temporal estadísticamente significativa en el intervalo de los datos, los vecindarios individuales y las categorías de cacheos pueden haber experimentado tendencias estadísticamente significativas.

19. Cierre la ventana Crear cubo de espacio-tiempo agregando puntos.

    Ha creado un cubo de espacio-tiempo y lo ha corregido para evitar un sesgo temporal. El cubo no aparece en el mapa. A continuación, visualizará el cubo en el mapa con la herramienta Visualizar cubo de espacio-tiempo en 3D.

20. Haga clic con el botón derecho en cualquier lugar del mapa y haga clic en Borrar para borrar la selección.

    

    Nota:

    Si al hacer clic con el botón derecho no tiene la opción de borrar las entidades seleccionadas, haga clic en la pestaña Mapa en la cinta de opciones. En el grupo Selección, haga clic en Borrar.

Visualizar patrones de cacheo en 3D

Mostrará el cubo de espacio-tiempo en tres dimensiones para comprender y explorar cómo ha agregado los cacheos por espacio y tiempo.

1. Debajo de la cinta, haga clic en la pestaña New Orleans 3D.
2. En el panel Geoprocesamiento, haga clic en el botón Atrás. Busque y abra la herramienta Visualizar cubo de espacio-tiempo en 3D.
3. En Cubo de espacio-tiempo de entrada, haga clic en el botón Examinar. Vaya a la carpeta que contiene el proyecto Police Stops y seleccione Distritos_Cacheos_4semanas.nc.

   

   Este es el cubo de espacio-tiempo que creó anteriormente.

4. Haga clic en Aceptar.
5. En Variable de cubo, elija COUNT. En Tema de visualización, elija Valor.
6. En Entidades de salida, borre el texto existente y escriba Cacheos3D.

   

7. Haga clic en Ejecutar.

   Aparece una nueva capa en la escena que muestra el cubo de espacio-tiempo en tres dimensiones.

   

   Cada columna representa un distrito censal. Cada columna se compone de una pila de bins y cada bin representa un periodo de tiempo de 4 semanas. Los bins de abajo son más antiguos (junio de 2011) y los bins de arriba son más recientes (junio de 2018). Cuanto más oscuro es el color del bin, más cacheos se produjeron en ese espacio y tiempo.

8. En la cinta, haga clic en la pestaña Mapa. En el grupo Navegar, haga clic en Marcadores y haga clic en New Orleans.

   El mapa se acerca al área del centro de la ciudad, que presenta más cacheos. Muchas áreas muestran un patrón con bandas, donde los periodos de cacheos están separados por periodos de ausencia de cacheos.

Analizar tendencias en los cacheos en el espacio y el tiempo

Ahora que ha visualizado y comprendido la estructura tridimensional de un cubo de espacio-tiempo, aplicará una visualización 2D que resumirá las tendencias presentes en los datos.

1. Debajo de la cinta, haga clic en la pestaña New Orleans para volver al mapa 2D.
2. En el panel Geoprocesamiento, haga clic en el botón Atrás. Busque y abra la herramienta Visualizar cubo de espacio-tiempo en 2D.
3. En Cubo de espacio-tiempo de entrada, haga clic en el botón Examinar. Busque y seleccione Distritos_Cacheos_4semanas.nc. Haga clic en Aceptar.
4. En Variable de cubo, elija COUNT. En Tema de visualización, elija Tendencias.

   El parámetro Tema de visualización determina cómo se simbolizará el cubo de espacio-tiempo en el mapa. La opción Tendencias muestra dónde han aumentado o disminuido los valores a lo largo del tiempo, calculados utilizando la estadística de Mann-Kendall.

5. Marque la casilla Habilitar series temporales emergentes. En Entidades de salida, escriba Tendencias_Cacheos.

   

6. Haga clic en Ejecutar.

   Aparece una nueva capa en el mapa.

7. En el panel Contenido, lea la leyenda para entender los símbolos del mapa.

   

   Las áreas verdes experimentaron tendencias a la baja, lo que significa que la mayoría de los periodos de tiempo presentaron un descenso en el número de cacheos en comparación con el periodo de tiempo anterior. Las áreas moradas experimentaron tendencias al alza, lo que significa que la mayoría de periodos de tiempo presentaron un aumento en comparación con el periodo de tiempo anterior. Las áreas blancas no experimentaron tendencias significativas. Los distintos tonos de verde y morado se relacionan con la importancia de la tendencia.

   

   Anteriormente, había tantos puntos en el mapa que era imposible detectar patrones espaciales o temporales. Ahora puede observar que hay incrementos de incidentes de cacheos cerca del centro de Nueva Orleans y descensos en muchas otras partes de la ciudad.

8. Arrastre la capa Neighborhoods a la parte superior del panel Contenido.

   

9. Acérquese al marcador Treme-Lafitte.

   El mapa se acerca al vecindario de Treme-Lafitte, que muestra una tendencia al alza de cacheos en el intervalo de los datos.

   

10. Haga clic en el distrito censal situado más al norte del vecindario de Treme-Lafitte.

    Aparece una ventana emergente que muestra un gráfico de serie temporal, que ilustra la tendencia al alza de cacheos en esta área.

    

11. Cierre la ventana emergente.

    La estadística de Mann-Kendall evalúa las tendencias de cada ubicación. Aunque una ubicación puede mostrar una tendencia al alza, no significa necesariamente que una ubicación tenga valores altos. A continuación, utilizará la herramienta Análisis de puntos calientes emergentes para evaluar dónde existe clustering en recuentos elevados de cacheos considerando tanto el espacio como el tiempo.

Buscar puntos calientes de cacheos

El análisis de puntos calientes emergentes le permitirá interpretar patrones de cacheos policiales en el espacio y el tiempo. Para cada bin de espacio-tiempo, la herramienta creará una vecindad local en el espacio y el tiempo de otros bins cercanos. Comparará el recuento promedio de cacheos en la vecindad local con el recuento promedio de cacheos de toda Nueva Orleans. La herramienta utilizará estas comparaciones para identificar áreas de la ciudad donde se agrupan en clústeres recuentos de cacheos particularmente altos (puntos calientes) o bajos (puntos fríos).

1. En el panel Geoprocesamiento, haga clic en el botón Atrás. Busque y abra la herramienta Análisis de puntos calientes emergentes.

   En Cubo de espacio-tiempo de entrada, haga clic en el botón Examinar. Busque y seleccione Distritos_Cacheos_4semanas.nc. Haga clic en Aceptar.

2. En Variable de análisis, elija COUNT. En Entidades de salida, escriba PuntosCalientes_Cacheos.
3. En Conceptualización de relaciones espaciales, elija Vecinos K más cercanos.

   El método predeterminado para este parámetro es definir la vecindad de cada bin en función de una distancia fija. Sin embargo, los distritos censales tienen formas y tamaños desiguales, así que en su lugar utilizará el método Vecinos K más cercanos, lo que garantiza que cada vecindad contenga un número determinado (k) de vecinos.

   Para este análisis, definirá la vecindad espacial de cada bin como su propio distrito, además de sus ocho distritos más cercanos en el espacio.

4. En Número de vecinos espaciales, acepte el valor predeterminado de 8.

   Las vecindades también pueden comparar datos a lo largo de periodos de tiempo. Para este análisis, definirá la vecindad temporal de cada bin como su propio periodo de tiempo, además de un periodo de tiempo anterior, para un total de ocho semanas.

5. En Periodo de tiempo de vecindad, escriba 4.
6. En Definir ventana global, elija Periodo de tiempo de vecindad.

   Para cada distrito de cada periodo de tiempo, el análisis creará una vecindad compuesta de los ocho distritos vecinos más cercanos, incluidos los distritos de los cuatro periodos de tiempo anteriores. A continuación, el recuento promedio de cacheos de cada vecindad se comparará con el recuento promedio de cacheos de toda Nueva Orleans para cada periodo de tiempo de vecindad.

   

   Nota:

   Estos parámetros son solo un punto de partida. Se recomienda y es necesario experimentar para determinar la mejor combinación de parámetros para cada dataset y pregunta de análisis.

7. Haga clic en Ejecutar.

   Aparece una nueva capa en el mapa.

8. En el panel Contenido, haga clic con el botón derecho en PuntosCalientes_Cacheos y haga clic en Zoom a capa.

   

9. En el panel Contenido, lea la leyenda para entender los símbolos del mapa.

   

   Las áreas rojas son puntos calientes o áreas que presentaron muchos más cacheos que el promedio de la ciudad. Las áreas azules son puntos fríos o áreas con muchos menos cacheos. Los distintos patrones de símbolos están relacionados con cómo cambiaron los recuentos de cacheos en ese distrito a lo largo del tiempo.

   Nota:

   Para obtener más información sobre las clases de símbolos, consulte Cómo funciona la herramienta Análisis de puntos calientes emergentes.

   Hay áreas con puntos calientes estadísticamente significativos de incidentes de cacheos cerca del centro de Nueva Orleans.

10. En el panel Contenido, arrastre la capa Neighborhoods a la parte superior.
11. Acérquese al marcador Puntos calientes.

    El mapa se acerca a los vecindarios en los que la herramienta Análisis de puntos calientes emergentes ha detectado puntos calientes y fríos espaciotemporales estadísticamente significativos de cacheos.

    El mapa muestra dónde se produjo un clustering estadísticamente significativo de recuentos de cacheos altos y bajos en Nueva Orleans de 2011 a 2018. Los vecindarios de French Quarter y Central Business District (CBD) son puntos calientes crecientes de recuentos de cacheos. Los vecindarios adyacentes son puntos calientes esporádicos.

    

    • Un punto caliente creciente es una ubicación que ha sido un punto caliente significativo desde el punto de vista estadístico en el 90 por ciento de los intervalos de tiempo, incluido el último periodo de tiempo. Además, la intensidad del clustering de los recuentos altos en cada período de tiempo está aumentando y este aumento es significativo desde el punto de vista estadístico.
    • Un punto caliente esporádico es una ubicación que vuelve a ser y a dejar de ser un punto caliente. Menos del 90 por ciento de los intervalos de periodo de tiempo han sido puntos calientes estadísticamente significativos y ninguno de los intervalos de periodo de tiempo han sido puntos fríos estadísticamente significativos.

    Anteriormente, identificó las áreas de Nueva Orleans en las que aumentaron o disminuyeron los cacheos. Este nuevo mapa muestra dónde es significativamente mayor o menor el número de cacheos en comparación con el resto de la ciudad y proporciona información sobre cómo han cambiado los patrones de cacheo a lo largo del tiempo. Se ha detectado que el vecindario de Treme-Lafitte, que mostraba una tendencia al alza de cacheos en el análisis anterior, también es un punto caliente estadísticamente significativo de cacheos.

Buscar puntos calientes de índices de cacheos

El análisis de puntos calientes emergentes que realizó muestra que el área del centro de Nueva Orleans es un punto caliente de recuentos de cacheos. Sin embargo, no es sorprendente que se produzcan más controles y cacheos en vecindarios del centro densos y concurridos. A continuación, buscará puntos calientes de índices de cacheos en lugar de recuentos de cacheos, de modo que pueda detectar los vecindarios en los que es más probable que un control policial acabe en cacheo.

1. En el panel Contenido, desactive y contraiga las dos capas RLOS.
   • PuntosCalientes_Cacheos
   • Tendencias_Cacheos
   • Race/Ethnicity by Tract (2015-2019)
   • Frisk Locations (2011-2018)
2. Active y expanda la capa All Stop Locations (2011-2018).

   

   Antes, analizó las ubicaciones de cacheos. A continuación, analizará los cacheos en comparación con todos los controles policiales.

3. En el panel Geoprocesamiento, busque y abra la herramienta Codificar campo.

   Esta herramienta codifica valores de categorías en campos numéricos. Convertirá el campo frisk_performed (con valores TRUE y FALSE) en un campo numérico (con valores de 0 y 1). Codificar los datos de esta forma le permitirá utilizarlos con la herramienta Análisis de puntos calientes emergentes.

4. En Tabla de entrada, elija All Stop Locations (2011-2018). En Campo a codificar, elija frisk_performed.
5. En Método de codificación, elija One-hot.

   Este método garantizará que los controles en los que se realizó un cacheo reciban un valor de 1 y que los controles en los que no se realizó ningún cacheo reciban un valor de 0.

   

6. Haga clic en Ejecutar.

   No hay cambios visibles en el mapa. Se han agregado dos nuevos campos a la capa All Stop Locations (2011-2018). Le permitirán crear un cubo de espacio-tiempo que modele los índices de cacheos en lugar de los recuentos de cacheos.

7. En el panel Geoprocesamiento, busque y abra la herramienta Crear cubo de espacio-tiempo agregando puntos.
8. Introduzca los siguientes parámetros:
   • En Entidades de entrada, elija All Stop Locations (2011-2018).
   • En Cubo de espacio-tiempo de salida, escriba Distritos_IndicesCacheos_4semanas.
   • En Campo de tiempo, elija fecha.
   • Deje el parámetro Cubo de plantilla en blanco.
   • En Intervalo de periodo de tiempo, escriba 4 y elija Semanas.
   • En Alineación de periodo de tiempo, elija Hora de finalización.
   • En Tipo de forma de agregación, elija Ubicaciones definidas.
   • En Ubicaciones de polígonos definidas, elija Race/Ethnicity by Tract (2015-2019).
   • En Id. de ubicación, elija Id. numérico de distrito.

   

   Salvo el nombre de Entidades de entrada y Salida, estos parámetros son idénticos a los que utilizó para crear el último cubo de espacio-tiempo.

9. En Campos de resumen, defina los siguientes parámetros:
   • En Campo, elija TRUE (frisk_performed_One-hot).
   • En Estadística, elija Valor medio.
   • En Rellenar bins vacíos con, elija Ceros.

   

   Estos parámetros calcularán el índice promedio de cacheos para cada bin del cubo de espacio-tiempo, en lugar del recuento de cacheos.

10. Haga clic en Ejecutar.

    El cubo de espacio-tiempo se crea, pero no aparece en el mapa. A continuación, lo visualizará con la herramienta Análisis de puntos calientes emergentes.

11. En el panel Geoprocesamiento, busque y abra la herramienta Análisis de puntos calientes emergentes. Introduzca los siguientes parámetros:
    • En Cubo de espacio-tiempo de entrada, haga clic en el botón Examinar. Busque y seleccione Distritos_IndicesCacheos_4semanas.nc. Haga clic en Aceptar.
    • En Variable de análisis, elija ONEHOT_FRISK_PERFORMED_TRUE_MEAN_ZEROS.
    • En Entidades de salida, escriba PuntosCalientes_IndicesCacheos.
    • En Conceptualización de relaciones espaciales, elija Vecinos K más cercanos.
    • En Número de vecinos espaciales, acepte el valor predeterminado de 8.
    • En Periodo de tiempo de vecindad, escriba 4.
    • En Definir ventana global, elija Cubo completo.

    

    Estos parámetros son prácticamente los mismos que definió la última vez que ejecutó la herramienta Análisis de puntos calientes emergentes. Esta vez, ha elegido Cubo completo para el parámetro Definir ventana global (en lugar del periodo de tiempo de vecindad) porque está analizando índices de cacheos en lugar de recuentos de cacheos, que son menos susceptibles a los cambios de población. La herramienta comparará los vecindarios en todo el intervalo de tiempo de los datos y toda la ciudad.

12. Haga clic en Ejecutar.

    La capa PuntosCalientes_IndicesCacheos aparece en el mapa.

    Esta capa muestra la proporción de controles de peatones y de tráfico que acabaron en cacheo, es decir, las áreas de la ciudad en las que una mayor proporción de controles acabaron en cacheo.

13. En el panel Contenido, arrastre la capa Neighborhoods a la parte superior de la lista. Desactive y contraiga la capa All Stop Locations (2011-2018).
14. Active la capa PuntosCalientes_Cacheos. Desactive y active la capa PuntosCalientes_IndicesCacheos para compararla con la capa de debajo.

    

    CBD era un punto caliente de cacheos, pero no de índices de cacheos. Esto significa que CBD presentaba cifras elevadas de cacheos, pero el número de cacheos en relación con el número de controles no es significativamente alto en comparación con el resto de la ciudad. En cambio, Gert Town no era un punto caliente de cacheos, pero sí un punto caliente de índices de cacheos: en esta ubicación, los cacheos no son elevados, pero la proporción de cacheos respecto a los controles es elevada.

    Comparará estos resultados con la raza y la etnia predominantes de cada distrito.

15. En el panel Contenido, desactive la capa PuntosCalientes_Cacheos. Active la capa Race/Ethnicity by Tract (2015-2019).
16. Desactive y active la capa PuntosCalientes_IndicesCacheos para compararla con la capa de debajo.

    

    Las áreas amarillas de la capa Race/Ethnicity by Tract (2015-2019) corresponden a los distritos predominantemente negros o afroamericanos. Una comparación visual entre estas dos capas sugiere que la decisión de cachear se dio en una mayor proporción de controles en los vecindarios predominantemente negros.

17. Guarde el proyecto.

En este módulo, ha creado un cubo de espacio-tiempo a partir de datos de incidentes de cacheos. Ha usado el cubo de espacio-tiempo para buscar tendencias y puntos calientes y fríos estadísticamente significativos de recuentos de cacheos en Nueva Orleans. Después, ha creado un segundo cubo de espacio-tiempo utilizando índices de cacheos, ha realizado un segundo análisis de puntos calientes emergentes y ha utilizado los resultados para analizar patrones en la decisión de cachear durante un control en Nueva Orleans. Ha encontrado puntos calientes de recuentos de cacheos en algunas de las áreas más concurridas de la ciudad, como CBD y French Quarter. También ha detectado puntos calientes de índices de cacheos en vecindarios predominantemente negros cerca del centro.

Analizar desproporciones raciales en controles policiales

Ha explorado controles y cacheos de la policía de Nashville mediante gráficos, y cacheos en Nueva Orleans mediante un análisis de puntos calientes emergentes. A continuación, explorará la distribución de controles a peatones por raza en cada vecindario de San Antonio (Texas). Creará un índice de disparidad para encontrar los vecindarios donde la proporción de personas de una determinada raza a las que se dio el alto sea mayor que la proporción del vecindario que representa esa raza.

Un análisis del índice de disparidad supone que las personas a las que se da el alto en un vecindario también viven allí. Esta suposición no siempre será cierta, pero es más probable que lo sea en controles de peatones (Hannon, 2019), así que excluirá los controles de vehículos de su análisis. Además, Hannon (2019) observa que las disparidades raciales demostradas por esta métrica son reducidas, pero persisten aun cuando se eliminan los no residentes. La Unión Estadounidense por las Libertades Civiles (ACLU) también utiliza con frecuencia esta métrica en sus investigaciones de disparidades en el mantenimiento del orden público en Estados Unidos, por ejemplo, en la ciudad de Nueva York (Nueva York), Washington D. C. y Filadelfia (Pensilvania). Aunque se dé el alto a no residentes de un vecindario, sigue afectando a la comunidad, lo que hace que el índice de disparidad sea una métrica útil a pesar de esta suposición.

Medir el porcentaje de controles en cada distrito por raza

Primero, calculará el porcentaje de controles en cada distrito que se hayan efectuado a la población negra, a la población blanca y a la población hispana. Necesitará estos valores más adelante para calcular un índice de disparidad. Se puede crear un índice de disparidad para cada raza y etnia, pero, para este tutorial, solo medirá la disparidad en la población negra, blanca e hispana.

1. Si es necesario, abra el proyecto Police Stops en ArcGIS Pro. Debajo de la cinta, haga clic en la pestaña del mapa de San Antonio.

   

   El mapa muestra los límites de la ciudad de San Antonio y los bloques censales simbolizados por raza y etnia predominantes. A diferencia de Nashville y Nueva Orleans, San Antonio tiene una mayoría de distritos que son predominantemente hispanos o latinos, representados en el mapa con el color verde.

2. En el panel Contenido, active la capa Pedestrian Stops (2012-2018).

   Los datos de puntos aparecen en el mapa, agrupados en clústeres principalmente en el centro de la ciudad. Esta capa contiene solamente controles de peatones. Procede del Stanford Open Policing Project.

   

3. En el panel Geoprocesamiento, busque y abra la herramienta Resumir dentro de (Herramientas de análisis).

   Utilizará esta herramienta para contar los controles policiales a peatones que se produjeron en cada distrito, con los resultados agrupados por raza y etnia de la persona a la que se dio el alto.

4. En Polígonos de entrada, elija Race/Ethnicity by Tract (2015-2019).

   Esta capa se deriva del mismo dataset ACS que la capa Race/Ethnicity by Tract (2015-2019) que utilizó en Nueva Orleans. Sin embargo, en San Antonio, los límites de distrito no coinciden con los límites de la ciudad y, para este análisis, es importante que los distritos estén predominantemente dentro de la ciudad. Por tanto, se han eliminado los distritos con más del 10 por ciento de su área fuera de la ciudad.

5. En Entidades de resumen de entrada, elija Pedestrian Stops (2012-2018). En Clase de entidad de salida, escriba DisparidadRacialPorDistrito.
6. Deje la sección Campos de resumen vacía. En Campo de grupo, elija subject_race.

   Aparecen más parámetros.

7. Active la casilla Agregar porcentajes de grupo. En Tabla agrupada de salida, acepte el nombre predeterminado, subject_race_Summary.

   

8. Haga clic en Ejecutar.

   La herramienta puede tardar unos minutos en ejecutarse. Cuando se completa, una nueva capa de entidades (DisparityByTract) se agrega al mapa. Esta capa es idéntica a la capa Race/Ethnicity by Tract (2015-2019), con un campo adicional que cuenta el número de controles en cada distrito. Ya no necesita la capa original, de modo que la eliminará.

9. En el panel Contenido, haga clic con el botón derecho en Race/Ethnicity by Tract (2015-2019) y haga clic en Eliminar.

   La herramienta también ha creado una nueva tabla denominad subject_race_Summary. Esta tabla cuenta el número de controles de cada raza en cada distrito. Unirá la información de raza de la tabla a la capa de entidades, pero primero deberá dinamizar la tabla.

10. En el panel Contenido, haga clic con el botón derecho en la tabla subject_race_Summary y haga clic en Abrir.

    

    La nueva tabla contiene los recuentos y porcentajes de controles en cada distrito, divididos por raza. El campo Join ID indica el distrito. Cada distrito tiene varias filas, una para cada raza. Dinamizará esta tabla para que solo tenga una fila para cada distrito.

    Nota:

    La herramienta Tabla pivote requiere una licencia Advanced. Si no tiene una licencia Advanced, puede continuar en el paso 14 y usar subject_race_Summary_ready en lugar de subject_race_Summary_Pivot.

11. En el panel Geoprocesamiento, busque y abra la herramienta Tabla pivote.
12. En la herramienta Tabla pivote, rellene los siguientes parámetros:
    • En Tabla de entrada, elija subject_race_Summary.
    • En Campos de entrada, elija Join_ID.
    • En Campo Pivote, elija subject_race.
    • En Campo de valor, elija Porcentaje de recuento de puntos.
    • En Tabla de salida, cambie el nombre a subject_race_Summary_Pivot.

    

13. Haga clic en Ejecutar.
14. Cierre la tabla subject_race_Summary y abra la tabla subject_race_Summary_Pivot.

    

    La tabla tiene 260 filas (una por cada distrito) y un campo para cada categoría de raza. Los valores representan el porcentaje de controles en el distrito que se realizaron a personas de esa raza. Por ejemplo, en el distrito con OBJECTID 1, el 28 por ciento de las personas a las que se les dio el alto eran hispanas.

Unir valores de resumen a una capa espacial

Unirá los campos black, white e hispanic de la tabla de resumen a la capa DisparidadRacialPorDistrito para poder visualizar estos valores en el mapa.

1. En el panel Contenido, desactive la capa Pedestrian Stops (2012-2028).
2. En el panel Geoprocesamiento, busque y abra la herramienta Campo de unión.
3. Introduzca los siguientes parámetros:
   • En Tabla de entrada, elija DisparidadRacialPorDistrito.
   • En Campo de unión de entrada, elija Join_ID.
   • En Tabla de unión, elija subject_race_Summary_Pivot.
   • En Campo de tabla de unión, elija Join_ID.
   • En Campos de transferencia, elija black, hispanic y white.

   

   Nota:

   En este tutorial, solo analizará tres grupos raciales. Es práctica recomendada tener en cuenta los datos de todos los grupos raciales y étnicos de una población determinada a la hora de llevar a cabo un análisis de equidad racial. Le animamos a usar el flujo de trabajo de este tutorial para analizar por su cuenta la desigualdad entre otros grupos raciales y étnicos.

4. Haga clic en Ejecutar.

   Los campos black, white e hispanic se agregan a la capa DisparidadRacialPorDistrito. Cambiará el nombre de estos campos para que resulte más claro a qué se refieren.

5. En el panel Contenido, haga clic con el botón derecho en DisparidadRacialPorDistrito, señale Diseño de datos y haga clic en Campos.

   

   Aparece la tabla Campos.

6. Desplácese hasta el final de la tabla. En la columna Nombre de campo, cambie black a PorcentajeControlesPobNegra, hispanic a PorcentajeControlesPobHispana y white a PorcentajeControlesPobBlanca.
7. En la columna Alias, cambie black a Porcentaje de controles a población negra. Cambie hispanic a Porcentaje de controles a población hispana. Cambie white a Porcentaje de controles a población blanca.

   

   También ocultará algunos de los campos. Esto facilitará más adelante la búsqueda y comparación de los campos que le interesen.

8. Desactive la casilla del encabezado de la columna Visible para desactivar todas las filas.

   

9. Active la casilla de verificación Visible de los siguientes alias de campos:
   • NAME
   • Población total
   • Porcentaje de población solo blanca, no hispana
   • Porcentaje de población solo negra o afroamericana, no hispana
   • Porcentaje de población hispana o latina
   • Recuento de puntos
   • Porcentaje de controles a población negra
   • Porcentaje de controles a población hispana
   • Porcentaje de controles a población blanca

   

10. En la cinta, en la pestaña Campos, en el grupo Administrar ediciones, haga clic en Guardar.

    

11. Cierre la vista Campos y la tabla subject_race_Summary_pivot.
12. En el panel Contenido, haga clic con el botón derecho en DisparidadRacialPorDistrito y haga clic en Tabla de atributos.

    Se abre la tabla de atributos.

13. Desplácese al final de la tabla.

    Los tres campos unidos muestran sus nombres actualizados. Estos campos muestran el porcentaje de controles en cada distrito donde la persona a la que se dio el alto era negra, hispana y blanca. A continuación, simbolizará uno de estos campos en el mapa.

14. Cierre la tabla de atributos.
15. En el panel Contenido, haga clic con el botón derecho en la capa DisparidadRacialPorDistrito y haga clic en Simbología.

    Aparece el panel Simbología.

16. En el panel Simbología, para Simbología principal, seleccione Colores sin clasificar.
17. En Campo, elija Porcentaje de controles a población hispana.

    

    El mapa muestra que los porcentajes más altos de controles se efectúan a personas hispanas en la mitad sur de la ciudad.

18. En la barra de herramientas de acceso rápido, haga clic dos veces en el botón Deshacer o hasta que el mapa vuelva a estar verde. Cierre el panel Simbología.

    

    La capa DisparidadRacialPorDistrito vuelve a su simbología original. Muestra que en la parte sur de la ciudad viven más personas hispanas, así que es posible que se espere que allí se dé el alto a más personas hispanas. A continuación, aprenderá a calcular un índice de disparidad que tiene en cuenta la información demográfica de cada vecindario.

Calcular un índice de disparidad

A continuación, agregará tres campos más para calcular los valores de índice de disparidad de cada distrito. Le ayudarán a identificar los vecindarios en los que se dio el alto a una determinada raza de manera desproporcional en comparación con la población local.

1. Vuelva a abrir la tabla de atributos de la capa DisparidadRacialPorDistrito.
2. En la barra de herramientas situada sobre la tabla, haga clic en el botón Calcular.

   

   Aparece la ventana Calcular campo.

3. En Nombre de campo (existente o nuevo), escriba DisparidadPobNegra y pulse la tecla Tab.

   Aparece un nuevo parámetro con el nombre Tipo de campo, dado que está creando un campo nuevo en lugar de elegir uno existente.

4. En Tipo de campo, elija Flotante (punto flotante de 32 bits). En Tipo de expresión, elija Arcade.
5. En DisparidadPobNegra =, escriba o copie y pegue $feature.PorcentajeControlesPobNegra - $feature.B03002_calc_pctBlackE.

   Sugerencia:

   Puede crear también esta expresión haciendo doble clic en los nombres de campo en la lista Campos.

   

   Esta expresión restará el valor de Porcentaje de población negra o afroamericana del valor de Porcentaje de controles a población negra.

6. Haga clic en Aplicar.

   Aparece un nuevo campo llamado DisparidadPobNegra al final de la tabla de atributos.

7. En el cuadro de diálogo Calcular campo, actualice los siguientes parámetros:
   • En Nombre de campo, escriba DisparidadPobBlanca y pulse la tecla Tab.
   • En Expresión, escriba o copie y pegue $feature.PorcentajeControlesPobBlanca - $feature.B03002_calc_pctNHWhiteE.
8. Haga clic en Aplicar.

   Aparece un nuevo campo llamado DisparidadPobBlanca en la tabla de atributos.

9. En el cuadro de diálogo Calcular campo, actualice los siguientes parámetros:
   • En Nombre de campo, escriba DisparidadPobHispana y pulse la tecla Tab.
   • En Expresión, escriba o copie y pegue $feature.PorcentajeControlesPobHispana- $feature.B03002_calc_pctHispLatE.
10. Haga clic en Aceptar.
11. Desplácese al final de la tabla de atributos DisparidadRacialPorDistrito.

    Los tres nuevos campos están disponibles.

    

    Los valores almacenados en estos campos representan la diferencia entre el porcentaje de población que es negra, blanca o hispana y el porcentaje de controles policiales de peatones en los que el sujeto era negro, blanco o hispano. Estos tres índices de disparidad miden la diferencia entre quién vive en un vecindario y quién recibió el alto de la policía en ese vecindario.

12. Cierre la tabla de atributos.

Visualizar un índice de disparidad

A continuación, visualizará el índice de disparidad de la población negra en un mapa para ver si hay patrones espaciales.

1. En el panel Contenido, haga clic con el botón derecho en DisparidadRacialPorDistrito y haga clic en Simbología.
2. En el panel Simbología, para Simbología principal, seleccione Colores sin clasificar. En Campo, elija DisparidadPobNegra.
3. Haga clic en el menú Esquema de color y active las casillas Mostrar nombres y Mostrar todo. Desplácese más de la mitad hacia abajo en la lista y elija el esquema de color Morado-Verde (continuo).

   

4. Haga clic en el botón Más y haga clic en Invertir esquema de colores.

   

   Se trata de un esquema de color divergente, lo que significa que tiene dos colores (verde y morado) que divergen de un color central y neutro (blanco). Este tipo de esquema de color resulta útil para representar cartográficamente la disparidad, pero solo si el color blanco central se alinea con un valor de disparidad de cero. Una disparidad cero significa que el porcentaje de población negra a la que se dio el alto es igual al porcentaje de población negra que vive en ese vecindario.

   El histograma de simbología muestra un valor mínimo de -20 y un valor máximo de 31. Estos números deben estar a una misma distancia de cero para garantizar que un valor de disparidad de cero se alinee con el color blanco.

5. En el panel Simbología, haga doble clic en la etiqueta -20 situada sobre el histograma y escriba -31. Pulse Intro.

   

   El rango de colores posible ahora se extiende más allá del rango de datos.

6. Arrastre el manipulador de -20 a la parte superior del histograma para que ponga también -31.

   

   Ahora la simbología está distribuida de manera uniforme. En los distritos morados, los controles son desproporcionadamente altos para la población negra, lo que significa que el porcentaje de población negra a la que se dio el alto es mayor que el porcentaje de población negra que viven en el distrito. Esto sucede en 208 de los 260 distritos (80 por ciento) de la ciudad. Ahora el mapa es en su mayor parte morado. Este patrón no era evidente antes de ajustar el histograma de simbología.

   

   En los distritos verdes, sucede lo contrario: el porcentaje de población negra a la que se dio el alto es menor que el porcentaje de población negra que vive en el distrito. Esto sucede en 50 de los distritos (19 por ciento) de la ciudad.

7. En el mapa, haga clic en uno de los polígonos de distrito para visualizar su ventana emergente. Compare los valores de Porcentaje de población negra o afroamericana y Porcentaje de controles a población negra y DisparidadNegra.

   

   En este distrito de ejemplo, el 13,2 por ciento de las personas a las que se dio el alto eran negras, pero solo el 3,9 por ciento de las personas que viven en el distrito son negras. El índice de disparidad de la población negra (el campo DisparidadPobNegra) representa la diferencia entre estos dos valores.

8. Cierre la ventana emergente.

Comparar la disparidad en tres categorías de raza

Hará dos copias de la capa DisparidadRacialPorDistrito para poder visualizar la disparidad de la población blanca e hispana, así como de la población negra. Configurará propiedades de simbología uniformes para las tres capas a fin de poder comparar visualmente la disparidad racial de las tres categorías de raza.

1. En el panel Contenido, haga clic con el botón derecho en DisparidadRacialPorDistrito y haga clic en Copiar. Haga clic con el botón derecho en el mapa de San Antonio y haga clic en Pegar. Haga clic de nuevo con el botón derecho en San Antonio y haga clic de nuevo en Pegar.

   

   Ahora hay tres capas DisparidadRacialPorDistrito idénticas en el panel Contenido.

2. Cambie el nombre de las capas a Disparidad de población negra, Disparidad de población blanca y Disparidad de población hispana.
3. Reordene las capas en el panel Contenido para que la capa de líneas de San Antonio esté encima, con las tres capas de Disparidad justo debajo de ella.

   No importa en qué orden estén las tres capas de Disparidad.

   

4. Abra el panel Simbología de la capa Disparidad de población blanca. Cambie Campo a DisparidadPobBlanca.

   

5. Abra el panel Simbología de la capa Disparidad de población hispana. Cambie Campo a DisparidadPobHispana.
6. En el panel Contenido, compare los rangos de datos de las tres capas de Disparidad.

   

   Actualmente, un color morado oscuro en una capa representa un valor de disparidad de 13, mientras que en otra capa representa un valor de disparidad mucho mayor de 63. Para hacer una comparación visual justa, utilizará un rango de simbología uniforme en todas las capas. De este modo, se asegurará de que un color morado oscuro o verde oscuro signifique lo mismo en todos los mapas.

7. Abra el panel Simbología de la capa Disparidad de población negra.
8. Edite las etiquetas de mínimo y máximo del histograma a -64 y 64. Arrastre los manipuladores del histograma a -64 y 64.

   

   Sugerencia:

   Los valores del histograma de simbología no pueden cruzarse entre sí, por lo que se deben editar en un orden específico.

9. Edite los histogramas de las capas Disparidad de población blanca y Disparidad de población hispana para que sus valores vayan también de -64 a 64.

   

   Ahora que la simbología está alineada, puede realizar comparaciones visuales entre las tres capas de Disparidad.

10. En el panel Contenido, pulse la tecla Alt y haga clic en la casilla de verificación de la capa Disparidad de población negra.

    Todas las capas desaparecen del mapa excepto Disparidad de población negra.

11. Desactive la capa Disparidad de población negra. Desactive las capas Disparidad de población blanca y Disparidad de población hispana para ver cada una de ellas por separado.

    

    La imagen muestra, de izquierda a derecha, el índice de disparidad de la población negra, blanca e hispana, donde el morado indica una mayor disparidad, el verde indica una menor disparidad y el blanco indica que no existe disparidad.

    Al igual que antes, la mayoría de los distritos del mapa Disparidad de población negra aparecen en morado. Los colores son más claros porque el rango de valores es mayor.

    En el mapa Disparidad de población blanca, casi todos los distritos son morados. Este mapa muestra que, en la mayor parte de la ciudad, los controles policiales de peatones fueron desproporcionadamente altos para la población blanca. Los tonos de morado también son más oscuros que en el mapa anterior, lo que significa que la magnitud de la disparidad es mayor.

    En el mapa Disparidad de población hispana, casi todos los distritos son verdes, lo que muestra que los controles policiales de peatones fueron desproporcionadamente bajos para la población hispana.

12. En el mapa, haga clic en el distrito verde más oscuro del sur de la ciudad.

    

13. En la ventana emergente del distrito, compare los valores relacionados con las poblaciones blanca e hispana.

    

    En este distrito, el 8,4 por ciento de la población es blanca y el 91,6 por ciento es hispana o latina. Sin embargo, el 72,2 por ciento de los controles se efectuaron a personas blancas y solo el 27,8 por ciento de los controles se efectuaron a personas hispanas. Si suponemos que todas las personas a las que se dio el alto en este distrito eran residentes, significaría que la policía habría estado dando el alto al óctuple de personas blancas que el total de su población. Los mapas morado y verde muestran que este patrón se repite en toda la ciudad: los controles policiales de peatones son desproporcionadamente bajos para la población hispana o latina y desproporcionadamente altos para la población blanca. Este patrón parece inusual.

    No tiene suficiente información para sacar conclusiones sobre este patrón. Sin embargo, una posible explicación puede ser que muchas personas hispanas se hayan clasificado como blancas u otra categoría de raza.

    El campo DisparidadPobHispana se calculó utilizando datos recopilados de dos formas distintas. Para los datos de población, el censo de EE. UU. preguntó primero a los encuestados si eran de origen hispano, latino o español; después, en una pregunta aparte, les preguntaron por su raza. No sabe cómo se recopilaron los datos de la policía, pero las categorías de raza disponibles sugieren que fue una única pregunta. Tampoco sabe si la raza registrada en la citación fue identificada por el agente de policía o la persona a la que dio el alto. Es posible que muchas de las personas de San Antonio que se contabilizaron como hispanas en el censo se contabilizaran como blancas en los datos de los controles de policía. Esta incoherencia y la falta de conocimiento sobre los datos hacen que sus resultados sean poco fiables.

    Nota:

    La raza y la etnia, su intersección y cómo se codifican en datos son un tema complicado y que evoluciona continuamente. Un analista que trate de realizar un análisis equitativo con datos de raza y etnia debe asegurarse de comprender cómo se recopilaron los datos para que quede claro si los resultados se están interpretando correctamente. Puede obtener más información sobre este tema en los siguientes artículos:

    • We Need to Fill in the Blanks in our Social Identity Data
    • On The Census, Who Checks 'Hispanic,' Who Checks 'White,' And Why
    • 2020 Census Illuminated Racial and Ethnic Composition of the Country
14. Cierre la ventana emergente y guarde el proyecto.

En este módulo, ha medido la disparidad racial de los controles policiales en cada distrito de San Antonio. Descubrió que, en la mayoría de los distritos, el porcentaje de controles que se efectuaron a la población negra fue mayor que el porcentaje de personas negras que viven en el distrito. Sin embargo, no pudo sacar conclusiones fiables sobre las disparidades en la población blanca e hispana, debido a las probables diferencias en el modo en que se registró la raza en los datos policiales frente a los datos de población derivados del censo.

Medir la colocación de controles y delitos

Desde una perspectiva de mantenimiento del orden público, el uso de controles de peatones se justifica como una forma de mantenimiento proactivo del orden público en áreas con un alto nivel de delitos para evitar delitos y disuadir a posibles delincuentes.

Las evaluaciones de usos específicos del SQF [alto-pregunta-cacheo] dirigidos a lugares con violencia o delitos graves con armas de fuego y centrados en delincuentes reincidentes de alto riesgo hallan sistemáticamente efectos de reducción de la delincuencia a corto plazo — "A Number of Proactive Policing Practices Are Successful at Reducing Crime; Insufficient Evidence on Role of Racial Bias," The National Academies of Sciences, Engineering, Medicine, 2017.

Sin embargo, un amplio conjunto de investigaciones (Carvalho, Mizael y Sampaio 2021) hallaron que los controles policiales todavía se dirigen desproporcionadamente a la población y las comunidades negras.

En este módulo, usará datos de la ciudad de Nueva York y análisis de colocación para probar la justificación de la policía de que los controles se efectúan en vecindarios con un alto nivel de delitos violentos. A continuación, identificará distritos en los que los controles estuvieran en su mayoría aislados de los delitos violentos y explorará la disparidad racial en los controles policiales de esas zonas.

Explorar el índice de disparidad en la ciudad de Nueva York

Primero, explorará el índice de disparidad de la ciudad de Nueva York, que ya está calculado. Lo usará para obtener contexto de a quién se está dando el alto en la ciudad de Nueva York antes de realizar el análisis de colocación. Más adelante, comparará los resultados del análisis de colocación con el índice de disparidad.

1. Si es necesario, abra el proyecto Police Stops en ArcGIS Pro. Debajo de la cinta, haga clic en la pestaña del mapa New York City.

   

   El mapa muestra el índice de disparidad de la población negra no hispana. Se creó utilizando los mismos métodos descritos en el módulo anterior.

   Nota:

   Si el mapa no muestra la capa de índice de disparidad, en el panel Contenido, arrastre la capa Ciudad de Nueva York al final de la lista de contenidos.

   

   La mayoría de los distritos son morados, lo que significa que presentan una alta disparidad para la población negra no hispana. Quiere decir que se está dando el alto a personas negras no hispanas más de lo esperado, dado el porcentaje que vive en el distrito en el que se les dio el alto. Los colores varían de -100 a 100, lo que significa que, al menos en uno de los distritos morados oscuros, el 100 por cien de las personas a las que se dio el alto y el 0 por ciento de las personas que viven allí eran negras y no hispanas.

   Faltan algunos de los distritos. Son distritos en los que no viven personas negras no hispanas o no fueron paradas de acuerdo con los datasets utilizados.

2. Abra el panel Simbología de la capa Racial Disparity by Tract.
3. En el panel Simbología, cambie Campo a Disparity White Not Hispanic.

   

   En este mapa, la mayoría de los distritos son verdes, lo que significa que se dio el alto a menos personas blancas no hispanas que el porcentaje que vive en el distrito.

   Nota:

   Se incluyen otros tres índices de disparidad como campos en la capa, los cuales se pueden explorar: Disparity API (población asiática y de las islas del Pacífico), Disparity Black Hispanic y Disparity White Hispanic. Para realizar comparaciones justas entre campos, el histograma de simbología debe usar un rango de valores uniforme (de -100 a 100).

   A continuación, explorará los datos de controles policiales que se usaron para crear estos índices de disparidad.

4. En el panel Contenido, desactive la capa Racial Disparity by Tract y active Pedestrian Stops (2017-2020).

   Esta capa representa todos los controles policiales de peatones entre el 1 de enero de 2017 y el 31 de diciembre de 2020. Esta capa proviene de The Stop, Question and Frisk Data, proporcionada por el Departamento de Policía de Nueva York (NYPD) a través de NYC OpenData.

5. En el panel Contenido, haga clic con el botón derecho en Pedestrian Stops (2017-2020) y haga clic en Ingeniería de datos.

   Aparece la vista Ingeniería de datos.

6. Sobre el panel de campos, en la barra de búsqueda, escriba race. En el panel de campos, haga clic con el botón derecho en SUSPECT_RACE_DESCRIPTION y haga clic en Agregar a estadísticas y calcular.

   

   Aparece una fila de tabla en el panel de estadísticas. La columna Number of Unique Values indica que hay 11 categorías de raza diferentes en este dataset. La columna Mode indica que el valor de raza más común es BLACK.

7. Apunte a la celda Chart Preview.

   

   Aparece una ventana emergente, que muestra el desglose de las 10 primeras categorías de este campo. Los datos sobre controles policiales de la ciudad de Nueva York codifican la raza y la etnia de forma diferente a los datos de San Antonio: hay categorías separadas para BLACK y BLACK HISPANIC.

   Los datos demográficos del censo utilizados para calcular el índice de disparidad se codificaron del mismo modo. En San Antonio, no pudo hacer comparaciones adecuadas sobre la disparidad racial porque los datos de los controles policiales y los datos demográficos se recopilaron de forma distinta. En la ciudad de Nueva York, sí puede hacerlo.

   Nota:

   Los datos demográficos utilizados para calcular los índices de disparidad se han agregado mediante la herramienta de geoprocesamiento Enriquecer, utilizando variables de la categoría 2015-2019 Race and Hispanic Origin (ACS). Para aprender a enriquecer capas en ArcGIS Pro, pruebe el tutorial Comparar emplazamientos para una librería minorista.

8. Cierre la vista Ingeniería de datos.

Realizar un análisis de colocación de controles y delitos

Utilizará el análisis de colocación para medir si cada control de peatones de la ciudad de Nueva York de 2017 a 2020 estaba ubicado (cerca) o aislado (lejos) de delitos violentos. Medirá la colocación tanto en el espacio como en el tiempo.

1. En el panel Contenido, active la capa Pedestrian Stops (2017-2020) y active la capa Violent Crime (2017-2020) layer.

   Los puntos morados representan delitos violentos de la parte 1 denunciados del mismo periodo de tiempo. Esta capa proviene del dataset NYPD Complaint Data Historic de NYC OpenData. Los delitos violentos de la parte 1 se definen en el programa Uniform Crime Reporting (UCR) como homicidios, violación con agravantes, robo y agresión con agravantes.

   Todos los datos contienen sesgo. Pensar de forma crítica sobre qué datos se deben utilizar ayuda a limitar el efecto de sesgo en su análisis. Los datos de delitos pueden estar especialmente sesgados, a menudo debido a que no se denuncian todos los casos (por ejemplo, una víctima podría no denunciar un delito por miedo) o debido a variaciones en los patrones y prácticas policiales (por ejemplo, es posible que se denuncien más delitos en un vecindario con mucha policía). Para este análisis, solo evaluará las ubicaciones de los delitos violentos de la parte 1 en lugar de todos los delitos de la ciudad de Nueva York. Estos tipos de delitos se eligieron por dos razones: en primer lugar, porque son los más graves y los que con mayor probabilidad se denuncian de modo sistemático. En segundo lugar, porque la justificación de la práctica de controles policiales de peatones es centrarse específicamente en las áreas con índices elevados de delitos violentos.

   Medirá dónde están ubicados conjuntamente los datos de controles policiales con los datos de delitos violentos y dónde no lo están.

2. Abra el panel Geoprocesamiento. Busque y abra la herramienta Análisis de colocación.

   Para cada entidad de control policial, el análisis de colocación evaluará las entidades de delito dentro de su vecindario. Si un control tiene más delitos ubicados cerca (más concretamente, si la proporción de delitos en el vecindario de un control es mayor que la proporción de delitos en toda el área), el control se considera ubicado conjuntamente con los delitos. Si un control tiene menos delitos ubicados cerca, se considera aislado de los delitos.

3. En el panel Geoprocesamiento, cambie los siguientes parámetros:
   • En Tipo de entrada, elija Datasets sin categorías.
   • En Entidades de entrada de interés, elija Pedestrian Stops (2017-2020).
   • En Campo de tiempo de interés, elija STOP_FRISK_DATE_Converted.
   • En Entidades vecinas de entrada, elija Violent Crime (2017-2020).
   • En Campo de tiempo de las entidades vecinas, elija CMPLNT_FR_DT.

   Eligió el campo CMPLNT_FR_DT (fecha inicial de denuncia) porque el otro campo de fecha (CMPLNT_TO_DT) contiene valores nulos.

   

   Se le pidió que eligiera campos de tiempo porque esta herramienta buscará entidades de delitos cercanas tanto en el espacio como en el tiempo. Definirá la vecindad espacial de cada control en media milla y la vecindad temporal como un año antes de que se efectuara el control.

4. Defina los siguientes parámetros:
   • En Banda de distancia, escriba0,5 y elija Millas de agrimensura de EE. UU..
   • En Tipo de relación temporal, elija Antes.
   • En Intervalo de periodo de tiempo, escriba 1 y elija Años.
   • En Número de permutaciones, acepte el valor predeterminado de 99.
   • En Entidades de salida, escriba UbicaciónConjunta_Controles_Delitos.

   

   Esta definición de vecindad se eligió sobre la base de las suposiciones de hace cuánto tiempo y a qué distancia pudo haber un delito para influir en un futuro control. Son solo valores iniciales de parámetros: puede iterar el análisis con otros valores posteriormente.

5. Haga clic en Ejecutar.

   Se agrega una nueva capa, denominada UbicaciónConjunta_Controles_Delitos, al panel Contenido.

6. Desactive las capas de puntos Violent Crime (2017-2020).
7. En el panel Contenido, lea la leyenda de la capa UbicaciónConjunta_Controles_Delitos.

   

   Cada control se clasifica en función de si está ubicado conjuntamente o aislado del delito y si esta relación es significativa desde el punto de vista estadístico. La categoría Sin definir significa que no había entidades de delito en la vecindad del control, por lo que no se pudo evaluar la ubicación conjunta.

   Una ubicación conjunta significativa no implica necesariamente un alto recuento de controles o delitos. Solo significa que la proporción de delitos de la vecindad del control era superior a la proporción general entre delitos y controles.

   Algunos de los resultados no son fiables. Por ejemplo, un control del 1 de enero de 2017 puede aparecer aislado porque no hay delitos antes de él; sin embargo, no es posible determinar si está aislado o ubicado conjuntamente porque no tiene datos de delitos para 2016. Eliminará todos los controles de 2017 para limitar los datos a únicamente los resultados fiables.

8. En el panel Contenido, haga clic con el botón derecho en UbicaciónConjunta_Controles_Delitos y haga clic en Tabla de atributos.

   La tabla de atributos no contiene ningún campo de fecha porque este campo no forma parte de la salida de la herramienta Análisis de colocación. Volverá a agregar el campo de fecha del dataset original mediante una unión y, a continuación, eliminará los controles de 2017.

9. En el panel Geoprocesamiento, busque y abra la herramienta Campo de unión.
10. Introduzca los siguientes parámetros:
    • En Tabla de entrada, elija UbicaciónConjunta_Controles_Delitos.
    • En Campo de unión de entrada, elija Id. de origen.
    • En Tabla de unión, elija Pedestrian Stops (2017-2020).
    • En Campo de tabla de unión, elija OBJECTID.
    • En Campos de transferencia, elija STOP_FRISK_DATE_Converted.

    

    Nota:

    Si no ve los alias de campos de cualquier entrada de campo de atributos, haga clic en el botón Configuración de listas de campos y elija Mostrar alias.

11. Haga clic en Ejecutar.

    Cuando la herramienta finaliza, aparece un nuevo campo llamado STOP_FRISK_DATE_Converted en la tabla de atributos. Ahora puede filtrar los datos por fecha.

12. En el panel Contenido, haga clic con el botón derecho en UbicaciónConjunta_Controles_Delitos y haga clic en Propiedades.
13. En la ventana Propiedades de capa, haga clic en la pestaña Consulta de definición. Haga clic en Nueva consulta de definición.
14. Utilice los menús para crear la expresión Donde STOP_FRISK_DATE_Converted es el o después del 1/1/2018.

    

15. Haga clic en Aplicar y haga clic en Aceptar.

    El mapa se vuelve a dibujar y muestra solamente los resultados de ubicación conjunta que son fiables. Ha excluido los controles de 2017 después de ejecutar la herramienta Análisis de colocación y no antes porque la herramienta compara una proporción global con una proporción local. Es importante asegurarse de que la proporción global no se vea afectada.

Identificar las áreas en las que los controles están aislados de los delitos

El mapa muestra los resultados de ubicación conjunta de los controles individuales, y sus símbolos se superponen entre sí en el mapa. A continuación, se centrará en los controles aislados para poder identificar las vecindades en las que los controles policiales de peatones presentaron menos delitos violentos cerca. Agregará los resultados en polígonos de distritos censales para visualizar mejor los patrones en el mapa.

1. Si es necesario, abra la tabla de atributos de la capa UbicaciónConjunta_Controles_Delitos.

   El campo LCLQ (Cociente de ubicación conjunta local) Type de la tabla identifica si los controles están ubicados conjuntamente o aislados. Creará un nuevo campo para identificar solamente los controles aislados y significativos.

2. En la barra de herramientas situada sobre la tabla, haga clic en el botón Calcular. En la ventana Calcular campo, defina estos parámetros:
   • En Nombre de campo (existente o nuevo), escriba AisladoSignificativo.
   • En Tipo de campo, elija Corto (entero de 16 bits).
   • En Tipo de expresión, elija Arcade.
   • En Expresión, escriba o copie y pegue el siguiente texto:

     if ($feature.LCLQTYPE == "Aislado - Significativo") {return 1}

     else {return 0}

   

   Esta expresión asignará un valor de 1 a todos los controles significativamente aislados y un valor de 0 al resto de controles.

3. Haga clic en Aceptar.

   Se agrega un nuevo campo a la tabla de atributos que identifica todos los controles significativamente aislados.

4. En el panel Geoprocesamiento, busque y abra la herramienta Resumir dentro de (Herramientas de análisis).

   Utilizará la herramienta Resumir dentro de para contar el número de controles significativamente aislados que existen en cada distrito censal.

5. En el panel de la herramienta Resumir dentro de, defina los siguientes parámetros:
   • En Polígonos de entrada, elija Racial Disparity by Tract.
   • En Entidades de resumen de entrada, elija UbicaciónConjunta_Controles_Delitos.
   • En Clase de entidad de salida, escriba ControlesAisladosPorDistrito.
   • Debajo de Campos de resumen, en Campo, elija AisladoSignificativo. Para Estadística, elija Suma.

   

6. Haga clic en Ejecutar.

   Cuando la herramienta finaliza, aparece una nueva capa en el mapa, pero puede que no esté visible debido a todas las entidades en la capa de ubicación conjunta.

7. En el panel Contenido, desactive la capa UbicaciónConjunta_Controles_Delitos y cierre su tabla de atributos.
8. Abra la tabla de atributos de la capa ControlesAisladosPorDistrito. Desplácese al final de la tabla.

   Los campos Sum aisladosignificativo y Count of Points se crearon con la herramienta Resumir dentro de. Usará estos campos para determinar el porcentaje de controles de cada distrito que están aislados de los delitos.

   

9. En la barra de herramientas de la tabla de atributos, haga clic en Calcular. En la ventana Calcular campo, defina estos parámetros:
   • En Nombre de campo (existente o nuevo), escriba PorcentajeControlesAislados.
   • En Tipo de campo, elija Flotante (punto flotante de 32 bits).
   • En Tipo de expresión, elija Arcade.
   • En Expresión, escriba o copie y pegue $feature.SUM_AisladoSignificativo / $feature.Point_Count * 100.

   

   Esta expresión calculará el porcentaje de controles de cada distrito que están significativamente aislados.

10. Haga clic en Aceptar.

    Cuando la herramienta finaliza, aparecen unos mensajes de advertencia que le indican que el cálculo falló para algunos registros. Ha ocurrido porque algunos distritos no presentan controles.

11. Cierre la ventana Calcular campo. Compruebe que se ha agregado un nuevo campo a la tabla de atributos y, a continuación, cierre la tabla.
12. Abra el panel Simbología de la capa ControlesAisladosPorDistrito. Cambie Campo a PorcentajeControlesAislados.

    Los valores de este campo varían entre cero y 100 por cien, por lo que el esquema de color divergente actual no es apropiado. Elegirá un esquema de color lineal que va de un color claro (que representa menos) a un color oscuro (que representa más).

13. Haga clic en el menú Esquema de color y desactive Mostrar todo. Elija el esquema de color Azules (continuo).

    

    En el mapa, los distritos en azul oscuro son aquellos en los que la mayoría de los controles policiales estaban aislados (tanto espacial como temporalmente) de los incidentes de delitos violentos. En estas áreas, los resultados contrastan con la justificación de la policía de que los controles se efectúan en áreas con delitos violentos.

Investigar la disparidad en las áreas en las que los controles están aislados de los delitos

Ha representado cartográficamente el porcentaje de controles aislados de cada distrito censal de la ciudad de Nueva York. A continuación, seleccionará los distritos con un predominio de controles aislados e investigará los valores de índice de disparidad de esos distritos.

1. En el panel Geoprocesamiento, busque y abra la herramienta Seleccionar capa por atributo.
2. En Filas de entrada, elija ControlesAisladosPorDistrito. Para la expresión, cree la consulta Donde PorcentajeControlesAislados es mayor que 50.

   

3. Haga clic en Ejecutar.

   Se seleccionan los distritos en azul más oscuro del mapa. A continuación, recopilará estadísticas para este grupo de distritos.

4. En el panel Geoprocesamiento, busque y abra la herramienta Estadísticas de resumen.
5. En Tabla de entrada, elija ControlesAisladosPorDistrito. En Tabla de salida, escriba ControlesMayormenteAislados_Resumen.

   La herramienta solo considerará las entidades seleccionadas, de modo que las salidas resumirán solamente los distritos en los que los controles estuvieran en su mayoría aislados de los delitos.

6. En Campos de estadísticas, elija los siguientes campos:
   • Percent Population Black Not Hispanic
   • Percent Population White Not Hispanic
   • Percent Stops Black Not Hispanic
   • Percent Stops White Not Hispanic
   • Disparity Black Not Hispanic
   • Disparity White Not Hispanic

   Nota:

   Si no ve los alias de campos de cualquier entrada de campo de atributos, haga clic en el botón Configuración de listas de campos y elija Mostrar alias.

7. En todos los campos, cambie el Tipo de estadística a Mediana.

   Eligió la mediana porque es un valor promedio que se ve menos afectado por los valores atípicos que el valor medio.

   

8. Haga clic en Ejecutar.
9. En la parte inferior del panel Contenido, haga clic con el botón derecho en la tabla ControlesMayormenteAislados_Resumen y haga clic en Abrir.

   La tabla de resumen proporciona la mediana de todos los campos que agregó a la lista para los distritos seleccionados. Puede ver que la mediana del porcentaje de la población que es negra y no hispana es del 4,61. A continuación, creará la misma tabla, pero para todos los distritos.

10. Haga clic con el botón derecho en cualquier lugar del mapa y haga clic en Borrar para borrar la selección.
11. En el panel Geoprocesamiento, cambie Tabla de salida a TodosControles_Resumen.

    

    No cambie el ajuste de Campos de estadísticas.

12. Haga clic en Ejecutar.
13. Abra la tabla TodosControles_Resumen. Arrastre y acople la tabla de modo que quede encima de la otra.

    

    A continuación, investigará las estadísticas que ha resumido. Estos valores pueden ayudarle a hacer evaluaciones sobre la desproporción racial en aquellos controles policiales que no se explican por la presencia de delitos violentos en el área.

14. Compare los valores de MEDIAN_Pct_Pop_BlackNotHispanic y MEDIAN_Pct_Pop_WhiteNotHispanic de ambas tablas.

    

    Estos campos representan el porcentaje de la población que es negra y el porcentaje que es blanca.

    En los distritos en los que los controles policiales estaban en su mayoría aislados de los delitos violentos (en la tabla ControlesMayormenteAislados_Resumen), residen menos personas negras y más personas blancas en comparación con la ciudad en su conjunto.

15. Compare los valores de MEDIAN_PercentStopsBlackNotHispanic y MEDIAN_PercentStopsWhiteNotHispanic.

    

    El porcentaje de controles que se efectuaron a la población negra y a la población blanca fue muy similar entre los distritos en los que los controles están en su mayoría aislados de los delitos violentos y la ciudad en su conjunto. Sin embargo, recuerde que en los distritos mayormente aislados residen más personas blancas, por lo que, bajo la suposición de que los controles se efectúan a los residentes de un distrito, se esperaría ver un mayor porcentaje de personas blancas a las que se da el alto.

16. Finalmente, compare los valores de MEDIAN_DisparityBlackNotHispanic y MEDIAN_DisparityWhiteNotHispanic de ambas tablas.

    

    Estos números confirman lo que vio en el último paso: los distritos en los que los controles policiales estaban en su mayoría aislados de los delitos violentos (las áreas de color azul más oscuro del mapa) presentaban un mayor índice de disparidad para la población negra y un menor índice para la población blanca en comparación con la ciudad en su conjunto.

    En los distritos de color azul oscuro, hubo menos delitos anteriores cerca de cada control en comparación con la ciudad en su conjunto. O los delitos estaban alejados de los controles o hubo una mayor densidad de controles en esa área en comparación con los delitos. El índice de disparidad de la población negra fue mayor en los distritos de color azul oscuro que en toda la ciudad de Nueva York. Esto significa que, en las áreas en las que se efectuaron controles a pesar de la ausencia de delitos graves cercanos que los justificasen, se dio el alto a la población negra de manera más desproporcionada que en otras partes de la ciudad.

    [La] explicación de estos índices elevados de desproporcionalidad coincide con el conocido caso del profesor de Harvard Henry Louis Gates Jr.; independientemente de las designaciones y recursos de las clases sociales, los residentes de minorías se consideran más peligrosos y "fuera de lugar" en áreas de mayoría blanca y, por tanto, están sujetos a un escrutinio adicional de la policía. (Ogletree 2010) — "Neighborhood Residence and Assessments of Racial Profiling Using Census Data," Socius: Sociological Research for a Dynamic World, 2019.

17. Cierre ambas tablas y guarde el proyecto.
18. Cierre ArcGIS Pro.

En este módulo, ha usado análisis de colocación para buscar los controles de peatones que estaban aislados de los delitos violentos de la parte 1 en la ciudad de Nueva York. Ha resumido esta información en distritos para identificar las áreas en las que los controles estaban en su mayoría aislados. Ha descubierto que una mayor proporción de población blanca vive en los distritos en los que los controles estaban menos ubicados conjuntamente con delitos y que la disparidad de los controles era aún mayor para la población negra en estos vecindarios.

Los SIG se han utilizado durante mucho tiempo para analizar datos de delitos. Ahora los ha utilizado para analizar problemas de igualdad racial en el mantenimiento del orden público. El Dr. Phillip Atiba Goff del Center for Policing Equity explica la importancia de este trabajo:

Si el mantenimiento del orden público es una cuestión de justicia, debemos medir la justicia, no solo hablar de ella. Supone medir no solo los delitos, sino también el coste de combatirlos y si el mantenimiento del orden público genera resultados equitativos o no. Debemos preguntar por el coste del uso generalizado de controles de tráfico y de peatones, con especial énfasis en las comunidades asoladas por generaciones de abandono y desinversión por parte del Gobierno. Debemos medir el impacto en estos vecinos y determinar si las prácticas les aportan realmente una mayor seguridad. Debemos estar dispuestos a considerar si, a la hora de intentar resolver los problemas de delincuencia y seguridad, estamos generando más daño. — "Collecting, Analyzing, and Responding to Stop Data: A Guidebook for Law Enforcement Agencies, Government, and Communities," Center for Policing Equity and Policing Project at NYU School of Law, 2020.

En este tutorial, ha utilizado varias técnicas para examinar la disparidad racial en los controles policiales:

• Ha visualizado datos de controles policiales de Nashville (Tennessee) con gráficos y la vista Ingeniería de datos.
• Ha utilizado el análisis de puntos calientes emergentes para comprender mejor qué vecindarios de Nueva Orleans (Luisiana) experimentaron más cacheos.
• Ha explorado la carga desproporcionada de controles de peatones por raza en cada vecindario de San Antonio (Texas).
• Ha usado análisis de colocación en la ciudad de Nueva York (Nueva York) para probar la justificación de la policía de que los controles de peatones se efectúan en los vecindarios con mayores niveles de delitos violentos.

Mediante la exploración de varias ciudades, ha visto que la ubicación es importante. Cada ciudad, e incluso cada uno de sus vecindarios, arrojaron resultados e historias diferentes. Ha aprendido la importancia de comprender los datos y reconocer que, en algunos casos, es posible que los datos no admitan la capacidad de descubrir patrones.

Hay muchas maneras de llevar este análisis un paso más allá. Por ejemplo, puede probar lo siguiente:

• Repita el análisis para otra ciudad. Puede buscar datos de controles de otras ubicaciones en ArcGIS Hub, el Stanford Open Policing Project y la Police Data Initiative. La guía Center For Policing Equity Stop Guidebook reúne prácticas recomendadas para recopilar sus propios datos de controles.
• Centre el análisis en un grupo demográfico concreto, por ejemplo, hombres jóvenes negros e hispanos.
• Investigue cómo afecta la modificación de los datos o los métodos a los resultados.

Además, puede explorar cómo se superponen las disparidades raciales en el mantenimiento del orden público con las disparidades raciales en otros dominios examinando los resultados de otros aspectos de la sociedad, como la educación, la sanidad o la inseguridad alimentaria y de la vivienda. Los SIG pueden desempeñar un papel importante a la hora de respaldar el enfoque holístico necesario para examinar el impacto de las prácticas racistas. El Racial Equity GIS Hub tiene datos y otros recursos que le ayudan a explorar estos problemas.

Encontrará más tutoriales en la galería de tutoriales.

Agradecimientos

• Imagen de la portada de Caleb Wright en Unsplash.
• Lona gris claro, fuentes: Esri, HERE, Garmin, FAO, NOAA, USGS, colaboradores de © OpenStreetMap y la comunidad de usuarios de SIG.
• Mapa topográfico mundial, fuentes: Esri, HERE, Garmin, FAO, NOAA, USGS, colaboradores de © OpenStreetMap y la comunidad de usuarios de SIG
• Límites del condado de Davidson: derivado de USA Counties. Esri, Oficina del Censo de EE. UU.
• Límites de San Antonio y de la ciudad de Nueva York: derivados de USA Census Populated Places. Esri; Departamento de Comercio de EE. UU., Oficinal del Censo; Departamento de Comercio (DOC) de EE. UU., Administración Atmosférica y Oceánica Nacional (NOAA), Servicio Oceánico Nacional (NOS), Levantamiento geodésico nacional (NGS).
• Controles policiales de Nashville, Nueva Orleans y San Antonio: The Stanford Open Policing Project. E. Pierson, C. Simoiu, J. Overgoor, S. Corbett-Davies, D. Jenson, A. Shoemaker, V. Ramachandran, P. Barghouty, C. Phillips, R. Shroff, and S. Goel. "A large-scale analysis of racial disparities in police stops across the United States." Nature Human Behaviour, Vol. 4, 2020.
• Límites de vecindarios de Nueva Orleans: Neighborhood Statistical Areas. Comisión de Planificación de la Ciudad de Nueva Orleans, City of New Orleans Open Data.
• Información demográfica de Nueva Orleans y San Antonio: derivados de ACS Race and Hispanic Origin Variables - Boundaries. Estimaciones quinquenales de la Encuesta sobre la Comunidad Estadounidense (ACS) de la Oficina del Censo de EE. UU. 2015-2019, Tabla(s) B03002.
• Controles policiales de la ciudad de Nueva York: The Stop, Question and Frisk Data. Departamento de Policía de Nueva York (NYPD), NYC OpenData.
• Delitos violentos de la ciudad de Nueva York: NYPD Complaint Data Historic: Departamento de Policía de Nueva York (NYPD), NYC OpenData.
• Información demográfica de la ciudad de Nueva York: USA Tracts (Esri, Censo de EE. UU.) enriquecidos con variables de 2015-2019 Race and Hispanic Origin (ACS) de la Encuesta sobre la Comunidad Estadounidense a través de ArcGIS Business Analyst.