La hipótesis centrípeta

Según ^{Dell (2015}), cuando el Gobierno ataca a un grupo criminal, crea incentivos para que grupos rivales intenten conquistar su territorio. Estos incentivos son más fuertes cuando el territorio objetivo está cerca, ya que su control implica dominar toda una región. La intervención estatal perturba el equilibrio militar entre GCO, lo que de manera indirecta fortalece la posición de los rivales (^{Osorio-Beristain 2021}).

^{Osorio (2015}) propone una formalización más elaborada, en dos etapas. Primera etapa: sean dos municipios j e i, cada uno con dos organizaciones rivales: a _j y b _j , en el primero, y c _i y d _i , en el segundo. Los dos grupos en cada municipio tienen una relación militar estable. Cuando las autoridades intervienen en el municipio j, minan la posición del grupo a _j . Esto incita a b _j a atacar a a _j ; más aún: crea incentivos para que c _i , que está en otro municipio, también ataque. En la formulación de Bullock (2021), la represión estatal debilita a los grupos criminales, lo que hace que los territorios bajo su dominio se vuelvan objetivos atractivos para sus rivales, que se ven atraídos desde lejos con la perspectiva de la conquista territorial. Así, los GCO invaden a los vecinos debilitados por la aplicación de la ley. Al alterar el equilibrio militar entre organizaciones rivales de tráfico de drogas, el Gobierno causa un desequilibrio en la estabilidad territorial y atrae a organizaciones rivales que luego intentan reclamar el dominio sobre el territorio (^{De Schutter, Duquet y Auweele 2023}).

Considerada solo la primera etapa, la hipótesis centrípeta es una teoría sobre el aumento de los homicidios en el municipio j, no una teoría sobre su propagación hacia (o desde) otras regiones. Es una teoría de la difusión de los homicidas, no de los homicidios. Sin embargo, la segunda etapa añade complejidad a la teoría.

Segunda etapa: el momento espacial se inicia al terminar la batalla en el municipio j. La organización c _i , que ha enviado grupos armados desde el municipio i para atacar a a _j , pudo ganar o pudo perder. Como resultado, puede tener más recursos o menos recursos. En cualquiera de los dos casos, esto altera el equilibrio de poder en su municipio de origen i: si c _i es ahora más fuerte que su rival original d _i , puede atacarlo; si es más débil, será atacado. La intervención del grupo c _i en el municipio j afecta el equilibrio militar en su propio municipio, i. La violencia en el municipio j retroalimenta la violencia en el municipio i, pero solo porque desde el municipio i se enviaron sicarios al municipio j. La violencia se propaga desde los municipios j hacia los municipios i que enviaron sicarios. El mecanismo no es ya el envío de grupos armados, sino que el resultado de las batallas en j crea incentivos para una guerra interna en i.

La hipótesis centrífuga

De acuerdo con ^{Dell (2015}), los ataques del Gobierno tienen dos efectos: a) reducen las rentas de los GCO locales y, con ello, b) disminuyen, para otras organizaciones, los costos de tomar el control del municipio atacado. Cuando un lugar se vuelve menos propicio para las actividades ilícitas, el crimen organizado se desplaza a otro lugar. Esto afecta a los niveles de violencia en la zona de destino. Así, cuando las autoridades atacan un lugar, parte de la violencia se desvía a otro lugar, sin que se la reduzca de manera sustancial. Los ataques del Estado en un municipio afectan a la violencia en otros municipios, al motivar a los traficantes a relocalizar sus actividades.

^{Lopez-Cruz y Torrens (2023}) agregan que, cuando el Gobierno ataca un lugar j, la organización dominante no puede proteger sus ganancias, y esto induce a los otros a invertir en armas para apoderarse de ese lugar. Las pérdidas de la primera la obligan a diversificarse y expandirse hacia lugares i con otra estructura de oportunidad. Pero estos sitios i están en disputa, entonces, aumentan los homicidios, porque hay más armas y lugares en disputa. La violencia en j ocasiona la conquista de i y, por lo tanto, el aumento de la violencia en i. El número de homicidios en cada municipio es función de la inversión en armas (o del número de sicarios movilizados para conquistarla o protegerla) y del valor de la región en disputa. Toda vez que los lugares valiosos para el tráfico de drogas no coinciden con los lugares valiosos para otros delitos, como el robo de hidrocarburos, hay un cambio en el patrón espacial de la violencia.

En esta hipótesis, la violencia en el municipio j causa la violencia en el municipio i, porque desde el municipio j se enviaron sicarios al municipio i (al revés que en la hipótesis centrípeta). La violencia se propaga desde los municipios j hacia los municipios i a los que se enviaron grupos armados.

Comentario sobre las hipótesis

No solo la intervención del Gobierno puede debilitar a un GCO: que no intervenga puede tener el mismo efecto. Si el poder público se redistribuye, por un proceso electoral, y la organización a en el territorio i ya no cuenta con la protección de las autoridades, el efecto es el mismo que si el Gobierno la hubiera atacado: es vulnerable. Si el equilibrio de poder se rompe, otros pueden atacar. Esto puede alterar el equilibrio de poder en otros municipios o motivar que la organización atacada explore nuevos territorios. En este sentido, las hipótesis pueden ser consistentes con las aportaciones de ^{Trejo y Ley (2022}) sobre los procesos electorales como motores de la violencia. Por lo demás, una vez que el mecanismo se ha puesto en marcha, son dos problemas distintos saber cómo empezó y saber cómo opera. Aquí nos ocupamos del segundo tipo de problema.

Ninguna de las hipótesis requiere simetría en el contagio ni que los municipios i y j sean contiguos. Lo que ambas hipótesis requieren es seguir el flujo de sicarios desde i a j (centrípeta) o desde j hacia i (centrífuga) para explicar el contagio de municipios j a municipios i. Ambas hipótesis trabajan con el mismo conjunto de municipios i y j, la dirección del contagio de los homicidios es distinta, según la dirección del flujo de sicarios, que pretendemos mapear a través de los AOM. Además, las hipótesis plantean mecanismos distintos. En el caso de la hipótesis centrífuga, el contagio obedece a la invasión y la conquista (^{Lessing 2015}). En el caso de la hipótesis centrípeta, es más bien un caso de difusión (^{Elkins y Simmons 2005}): una interdependencia no coordinada. Los agentes en los diferentes municipios se observan entre sí, y reaccionan a lo que ocurre en su entorno mediante un reajuste estructural interno, de manera que el resultado de las incursiones en otros territorios altera el equilibrio militar local, creando incentivos para el conflicto. En este marco, nuestro objetivo no es explicar el patrón espacial, sino determinar cuál de las dos hipótesis cuenta con mayor soporte empírico.

Datos

El estudio se basa en los datos de mortalidad publicados por el Instituto Nacional de Estadística y Geografía (INEGI). En México, los registros de mortalidad son generados por las Oficialías del Registro Civil, los Servicios Médicos Forenses, las Fiscalías y las Agencias del Ministerio Público (INEGI 2022). A través del Subsistema de Información Demográfica y Social, INEGI a) recopila estos registros, b) los clasifica y c) los coteja con la Secretaría de Salud (SSA) para asignar a cada caso un tipo de muerte (INEGI 2016).

En cada caso, la presunción del tipo de defunción se origina en el motivo de la lesión, que es registrado por un médico en el certificado de defunción. Todas las causas de muerte se asocian a una categoría de la Clasificación Estadística Internacional de Enfermedades y Problemas Relacionados con la Salud Décima Revisión (OPS 1995). De este modo, INEGI distingue las muertes como homicidios cuando no se deben a eventos ambientales, sino a agresiones: como envenenamientos, disparos, traumatismos, ahorcamientos o agresiones de otro tipo. La clasificación se ratifica o rectifica durante el cotejo con la SSA.

Aquí analizamos los casos que INEGI ya clasificó y publicó como homicidios, y nos enfocamos en aquellos cometidos con armas de fuego o explosivos. De manera adicional, los registros contienen información sobre el año de la defunción, el lugar de la defunción, y el lugar donde la víctima residía. Cuando el municipio de residencia no es igual al municipio en que ocurrió el homicidio, hablamos de personas AOM.

Nuestro universo de estudio lo conforman los homicidios que fueron cometidos con arma de fuego o explosivos, y que ocurrieron entre 2016 y 2022, por ser este el periodo donde se registra el aumento de los AOM; nuestra unidad de análisis es el municipio. Las unidades de observación son los 2471 municipios que conforman el territorio nacional.

Este trabajo se construye a partir de dos variables: el número de homicidios registrados por municipio en un año, y el número de personas asesinadas en otra entidad. Esta variable, a su vez, se crea con las variables municipio de residencia y municipio donde ocurrió el deceso.

La variable dependiente es entonces el número de homicidios en un municipio, y la variable independiente es el número de homicidios en los municipios conectados por relaciones de vecindad definidas por los AOM. Como control, utilizamos el número de homicidios en el año anterior. Todas las variables han sido transformadas a su logaritmo +1.

Sobre la unidad de análisis

Se ha destacado con mucha frecuencia que la actividad criminal no respeta fronteras (^{Wong 2004}). La consecuencia de ello es que todo estudio que parta de unidades geográficas prestablecidas introducirá un sesgo en sus estimaciones. Si bien ello es cierto, no necesariamente aplica igual para toda clase delitos.

Sostenemos que el municipio es una unidad de análisis adecuada cuando se trata de dinámicas de crimen organizado. Esto se debe a que los GCO tienen acuerdos con autoridades locales, y tales acuerdos regulan su propia conducta (^{Trejo y Ley 2022}). Ya en 2011 Fernando ^{Escalante Gonzalbo (2011}, 50) escribía: “La policía municipal, corrupta, ineficiente y abusiva como puede ser, tiene que organizar los mercados informales y los mercados ilegales. Se dirá que eso significa complicidad con los delincuentes: es verdad y es trivial”. También Blazquez y Le Cour Grandmaison (2021) han mostrado que las fronteras internas sustentan las modalidades de acumulación de actores locales.

Los municipios fungen como enclaves geográficos donde actores locales pueden fungir como intermediarios entre los GCO locales y poderes externos, y de esta manera administrar los accesos, el tráfico y los contactos políticos. En este marco, la violencia se usa para asegurar una posición de intermediario político, y el municipio se convierte en la unidad geográfica de administración de la violencia. Si los grupos criminales y las autoridades en un municipio están estructuralmente acoplados (^{Luhmann 2007}), entonces el municipio es una unidad de análisis adecuada.

Procedimientos

El objetivo de este trabajo es poner a prueba dos hipótesis sobre la asociación entre los homicidios ocurridos en un municipio y los homicidios ocurridos en otro. Cuando se trata de evaluar el grado de asociación espacial entre dos regiones respecto a una variable de interés, dos técnicas son comunes: los coeficientes de autocorrelación i de moran y los modelos de regresión espacial sustantiva.

Análisis espacial

La autocorrelación espacial se refiere a la relación estadística entre observaciones en diferentes ubicaciones. El coeficiente de autocorrelación espacial I de Moran mide en qué grado el valor de una variable y en la región i está asociado con el valor de la misma variable y en la región j (^{Vilalta 2005}); es decir, indica el grado en que y_i es función de y_j. El coeficiente puede tomar valores entre 1 (concentración total) y -1 (dispersión total), donde 0 indica la falta de asociación espacial. El coeficiente se obtiene mediante la expresión:

El componente crítico de esta fórmula es la matriz de pesos espaciales, representada por W. Cada elemento w_ij de la matriz W indica qué unidad espacial puede ejercer influencia sobre otra y con qué intensidad. El uso común es considerar que, si la unidad j es vecina de la unidad i, w_ij toma el valor de 1, y si no, toma el valor de cero. Luego, el peso se estandariza por filas, dividiendo 1 entre la suma de w_ij en i. El coeficiente I de Moran indica si hay patrones de concentración o dispersión estadísticamente significativos, pero no nos dice dónde están. Por ello, en el análisis exploratorio de datos espaciales (ESDA), un paso adicional implica analizar los indicadores locales de asociación espacial (LISA): estos muestran cómo cada unidad espacial contribuye al patrón global (^{Anselin 1995}).

El modelo de regresión espacial sustantiva, por su parte, es una forma de modelar la influencia social a través del espacio. El modelo multivariado toma la forma:

En este modelo, el valor de la variable y se explica por tres componentes: a) la influencia del valor de y en los vecinos (definidos, como antes, por W), que toma un coeficiente 𝜌; b) la influencia de factores locales x, que toma un coeficiente 𝛽, y c) un término de error aleatorio 𝜖. En este modelo, las relaciones espaciales son sustantivas, lo que significa que tienen importancia desde el punto de vista teórico.

En su forma estándar, estos modelos conciben la vecindad como colindancia (en el caso de polígonos) o proximidad (en el caso de puntos), y asignan a todos los vecinos el mismo peso. Esto ignora relaciones especiales entre las regiones. El uso acrítico del modelo omite la discusión acerca de los mecanismos que producen el patrón espacial y sus consecuencias empíricas. En cambio, un ejercicio dirigido por la teoría requiere identificar el proceso por el que la influencia entre regiones ocurre, y determinar qué unidades serán tratadas como vecinos (^{Tita y Radil 2011}). De este modo, un modelo de regresión espacial pone a prueba teorías sobre la influencia social en el espacio (^{Leenders 2002}).

En este orden, la tarea más importante en el análisis espacial consiste en especificar la matriz de pesos espaciales W. Al indicar los mecanismos de la interdependencia, W refleja la forma como las unidades se conectan y el proceso espacial que las vincula (^{Franzese y Hays 2008}): W representa la teoría (^{Leenders 2002}). Diferentes maneras de especificar de W indican distintos mecanismos de influencia y llevan a diferentes resultados empíricos.

Según ^{Leenders (2002}), especificar la estructura de W implica cuatro pasos:

Decidir si la influencia social ocurre a través de la autocorrelación de la variable dependiente (regresión espacial sustantiva) o de la autocorrelación de las perturbaciones.

Decidir cuál es el mecanismo que gobierna esta influencia.

Decidir, para cada unidad, cuáles otras unidades ejercen influencia sobre ella y cuáles no.

Decidir cuánta influencia ejerce cada una de estas unidades. Cada entrada w_ij en la matriz W indica la influencia que la entidad j tiene en la entidad i.

Matrices modificadas con el flujo de personas AOM

En este artículo intentamos decidir cuál de las dos hipótesis rivales, la centrípeta y la centrífuga, tiene mayor soporte empírico. Ponemos a prueba la hipótesis según la cual el número de personas AOM constituye el vector o vehículo por el que el número de homicidios en una entidad afecta al número de homicidios en otra entidad. Esto puede implicar dos hipótesis opuestas:

H₁ El número de homicidios en la zona de origen de los AOM afecta al número de homicidios en el destino: hipótesis centrífuga.

H₂ El número de homicidios en la zona de destino de los AOM afecta al número de homicidios en la zona de origen: hipótesis centrípeta.

Se trata de dos relaciones distintas y de tipo asimétrico (^{Leenders 2002}), porque el flujo de personas AOM es distinto en cada caso. Cada hipótesis implica una matriz W diferente, donde las relaciones de vecindad V son asimétricas, irreflexivas e intransitivas.

W ₁ Hipótesis centrífuga

En el primer caso, asumimos que el número de homicidios en la región de origen (j) de las personas AOM influencia el número de homicidios en la región de destino (i). En tal caso, definimos como vecino (V) de i a toda entidad j de la que provenga (L) al menos una persona (x) muerta (M) en i.

Cada j es vecino de aquellos i a los que envía grupos armados. Cada i tiene como vecinos a los j, de donde provienen las personas asesinadas.

En este caso, el peso de cada vecino se decide como función del número de personas AOM muertas en la entidad i y del total de personas AOM originarias de j.

Esto enfatiza la influencia de la región de origen sobre la región de destino (^{Leenders 2002}).

En este caso, el flujo de los AOM y el del contagio del homicidio doloso van en la misma dirección, de j hacia i.

W ₂ Hipótesis centrípeta

En el segundo caso, si alguien de i muere en j, entonces j es vecino de i, y el número de homicidios en j afecta a los homicidios en i. Esto sucede porque, al participar los AOM de i en los conflictos en j, el resultado de los enfrentamientos en j afecta el balance de poder en i. En tal caso, definimos como vecino (V) de i a toda entidad j en la que muera (M) al menos una persona (x) residente en (L) en i.

Cada unidad espacial j es vecina de aquellas unidades i de las que provienen las personas AOM que fallecen en j. Por su parte, cada unidad i tiene como vecinos a aquellos j donde ocurren las muertes de los AOM. En este contexto, el flujo de AOM se dirige de i a j, mientras que el contagio de homicidios se produce en sentido opuesto, de j a i. Esta dinámica se explica porque, desde la unidad i, una organización invade la unidad j, y el resultado del conflicto en j afecta el equilibrio militar en i. Por lo tanto, la violencia en j desencadena violencia en i, no debido a una invasión como en la hipótesis centrífuga, sino a un ajuste interno entre los grupos en i.

En este caso, el peso de cada vecino se decide como función del número de personas AOM muertas en la entidad j pero originadas en i, y del total de personas AOM que mueren en i.

Esto enfatiza la influencia que la región de destino acepta de la región de origen (^{Leenders 2002}). En W₁, si en un municipio i no muere nadie proveniente de otros lugares, entonces existe al menos un municipio de destino i que no tiene vecinos. En W₂, si hay un municipio i que no tiene muertos en otras entidades, entonces ese municipio i no tiene vecinos. En ambos casos se cumple que:

En tales casos, el valor de la variable de rezago espacial es cero. Esto se conoce como la zero policy, que permite observaciones sin vecinos (^{Pebesma y Bivand 2023}).

Controles

Nuestra estrategia consiste en comparar los estadísticos de autocorrelación espacial i de Moran, y los coeficientes de modelos de regresión espacial, considerando tres tipos de matrices de pesos espaciales: una matriz W₀, sin modificar, contra las matrices W₁ (hipótesis centrífuga) y W₂ (hipótesis centrípeta) antes descritas. Comparamos estos resultados en siete periodos, en los años que van de 2016 a 2022.

En el caso de los modelos de regresión espacial, como variable de control se incluye el número de homicidios en i en el periodo anterior. Esta variable constituye un control adecuado, en la medida en que captura todas las otras variables locales que afecten al número de homicidios en ese municipio. La variable de tratamiento es el logaritmo del número de homicidios en las entidades vecinas, de acuerdo con las definiciones de vecindad W ₀ , W ₁ y W ₂ .

Aparato

Todos los procedimientos indicados se realizan en R, mediante las librerías sf, spdep y spatialreg.

Autocorrelación espacial

El análisis LISA se efectuó de manera separada para cada una de nuestras matrices de pesos espaciales ( 𝑊 0 , 𝑊 1 y 𝑊 2 ) y para cada periodo. Los resultados se muestran en los mapas 1 y 2.

En todos los casos se observa interacción espacial: el número de homicidios en los lugares i están asociados con el número de homicidios en los lugares j. Esto es válido (p <0.001) para cada periodo y para las tres formas de definir la relación de vecindad. Además, los resultados indican que la interacción es más fuerte cuando se utilizan matrices modificadas por el flujo de personas AOM en contraste con la matriz W estándar, que a) solo considera como vecinas a las entidades colindantes, y b) asigna el mismo peso a todos los vecinos.

Los coeficientes i de Moran son muy similares cuando se calculan con las matrices 𝑊 1 y 𝑊 2 . Las hipótesis centrífuga y centrípeta representan mejor la realidad que la matriz W_0. Sin embargo, es importante destacar que el patrón espacial resultante en cada caso es diferente. Esto sugiere que la influencia del flujo de personas AOM afecta a la dinámica espacial de los homicidios de manera única en cada situación. Es posible que la variación en los patrones espaciales refleje diferencias en los mecanismos de difusión o en los factores locales que influyen en la relación entre los lugares i y j.

Mapa 1 Autocorrelación espacial del número de homicidios por municipio 2016-2019 

Mapa 2 Autocorrelación espacial del número de homicidios por municipio 2020-2022 

Los indicadores locales de asociación espacial clasifican a cada municipio en una de cinco categorías. En rojo oscuro, municipios con muchos homicidios que están conectados con municipios que también tienen muchos homicidios, de acuerdo con alguna de nuestras definiciones de vecindad, W ₀ , W ₁ o W ₂ . En azul oscuro, figuran municipios con pocos homicidios, vinculados con municipios que también tienen pocos homicidios. Entre unos y otros se encuentran dos tipos de anomalías: en rojo claro, municipios con muchos homicidios, conectados con municipios con pocos homicidios, es decir, que no contagian; en azul claro, municipios con pocos homicidios, conectados con municipios con muchos homicidios, es decir, municipios que han escapado al contagio. En gris figuran los municipios que no forman parte de ningún patrón espacial reconocible.

En cada caso, las relaciones de vecindad están definidas por la matriz de pesos espaciales W. En W ₀ , la conexión es por contigüidad espacial. En W ₁ , es la hipótesis centrífuga: son municipios con muchos homicidios, invadidos por municipios con muchos homicidios. En W ₂ es la hipótesis centrípeta: municipios con muchos homicidios, que reaccionan a los muchos homicidios en otras zonas a las que enviaron grupos armados.

La presencia de personas AOM indica relaciones de vecindad no contiguas ni simétricas, en las que el contagio de homicidios es más fuerte. Esto respalda la idea de que considerar el flujo de personas entre lugares mejora la captura de patrones espaciales. Los AOM pueden actuar como vehículos a través de los cuales los eventos en un lugar afectan a otros.

Regresión espacial

Donde el índice de Moran revela patrones espaciales, la regresión espacial se utiliza para evaluar el impacto de estos patrones. La regresión examina cómo las relaciones de vecindad y los factores no espaciales afectan a los valores de la variable dependiente.

En esta sección analizamos los modelos de regresión realizados para cada periodo, con las tres matrices de pesos espaciales. Los resultados se detallan en las tablas 1, 2 y 3.

Tabla 1 Modelos de regresión espacial con matrices W0, W1 y W2 (2016-2018) 

Fuente: elaboración propia con base en INEGI, Defunciones registradas.

Tabla 2 Modelos de regresión espacial con matrices W0, W1 y W2 (2019-2021) 

Fuente: elaboración propia con base en INEGI, Defunciones registradas.

Tabla 3 Modelos de regresión espacial con matrices W0, W1 y W2 (2022) 

Fuente: elaboración propia con base en INEGI, Defunciones registradas.

Los homicidios en las regiones vecinas j juegan un papel en la explicación del número de homicidios en cada región i. En todos nuestros modelos, el coeficiente 𝜌 asociado al rezago espacial es significativo y positivo. El coeficiente alcanza sus valores más altos en los modelos creados con la matriz 𝑊 1 , esto es, cuando el contagio y los AOM van en la misma dirección (hipótesis centrífuga). En todos los casos, el coeficiente alcanza su valor más bajo con la matriz 𝑊 2 (hipótesis centrípeta), cuando el contagio y los AOM se mueven en direcciones opuestas.

En cada año, el modelo que mejor se ajusta al número de homicidios es el creado con la matriz 𝑊 1 , como muestran los superiores 𝑅 2 de Nagelkerke y Log likelihood, y los menores valores del AIC y de la varianza residual. El peor ajuste corresponde a los modelos 𝑊 2 , que tienen los valores menores en el 𝑅 2 y mayores AIC (excepto en 2017 y 2018).

La variable de control, constituida por el número de homicidios en la misma región, pero en el periodo anterior, es significativa y positiva en todos los casos, además de contar con el coeficiente más importante. Sin embargo, el valor de este coeficiente es menor en los modelos 𝑊 1 .

De esto se sigue que los modelos 𝑊 1 son superiores a los modelos 𝑊 0 , que a su vez son superiores a los modelos 𝑊 2 . Sin embargo, todos los modelos muestran heterocedasticidad, lo que indica que la estructura espacial no ha sido del todo capturada por estas variables. Existe un remanente de heterogeneidad espacial que no se explica por la interacción entre municipios, pero tampoco por sus características no espaciales. El estadístico Breusch-Pagan alcanza sus valores más altos en los modelos 𝑊 1 , lo que indica que estos modelos hacen un pobre trabajo capturando esta heterogeneidad espacial; en cambio, los modelos 𝑊 2 la capturan mejor en varios casos (2016, 2017, 2021, 2022).

En resumen, los resultados revelan patrones significativos de autocorrelación espacial en el número de homicidios, destacando la influencia del flujo de personas AOM en la dinámica espacial. La interacción entre regiones vecinas, en especial si el contagio y los AOM van en la misma dirección (matriz 𝑊 1 ), se presenta como un factor de peso en la explicación de los homicidios, lo que es consistente con la hipótesis centrífuga. Los modelos W ₁ tienen un mejor ajuste. Tienen los mayores valores de 𝑅 2 de Nagelkerke y Log likelihood, así como los menores valores en AIC y varianza residual, en contraste con las matrices 𝑊 0 y 𝑊 2 .

Estos hallazgos subrayan la importancia de incorporar el flujo de personas AOM en los modelos espaciales, y dan cuenta de su papel como vectores para la propagación de homicidios entre regiones. Aunque los modelos 𝑊 1 se destacan como los más efectivos, se sugiere cautela, debido a la presencia de heterocedasticidad. La relevancia teórica de estos hallazgos se discutirá en la siguiente sección.