DO POLICE REDUCE CRIME? ESTIMATE USING THE ALLOCATION OF POLICE FORCES AFTER TERRORIST ATTACK (Di Tella Rafael, Schargrodsky Ernesto)

Hacer una aproximación diferente para la estimación del efecto que tiene la policía sobre el crimen, teniendo como caso de estudio el atentado contra la AMIA en Buenos Aires, Argentina.

Recolectaron datos de hurto a vehículos de 3 barrios de Buenos Aires antes y después del ataque terrorista. También colectaron información de las instituciones judías presentes en esos barrios.

El interés del trabajo es identificar el mecanismo por el cual la presencia de la policía reduce el crimen. Esto es, que la presencia de la policía hace la actividad menos atractiva (disuasión) o los oficiales de policía están aprehendiendo a los criminales evitando que cometan crímenes.

Mediante una estimación de diferencias en diferencias, encontraron que en las cuadras que recibieron la protección policial experimentaron una significativa reducción (75%) en el hurto de vehículos y no hubo evidencia que el robo se redujera en una o dos cuadras que estuvieran fuera del cuadrante protegido por la policía.

Usaron para la estimación de diferencias en diferencias el siguiente modelo:

Car Theft(it) : número de carros robados en la cuadra i en el mes t
Same Block Police(it) : variable dummy = 1 para los meses después del ataque terrorista si hay institución protegida en la cuadra;de lo contrario =0
One Block Police(it) : variable dummy = 1 para los meses después del ataque terrorista si la cuadra es vecina a la de la institución protegida; de lo contrario =0
Two Blocks Police(it) : variable dummy = 1 para los meses después del ataque terrorista si la cuadra está a dos cuadras de la institución protegida; de lo contrario =0
M(t): mes de efecto fijo
F(i) : cuadra de efecto fijo
(it) : término de error

La clave del experimento está en que la distribución de la policía es exógena a la distribución del crimen.

Encontraron como resultado que la presencia de un guardia de policía, tiene un gran efecto sobre el área de su vigilancia, pero poca o ninguna fuera de ésta.

SPATIAL ECONOMETRICS (Luc Anselin) April 26, 1999

La econometría espaciasl es un subgrupo de la econometría que trabaja con el tema de interacciones espaciales (autocorrelación espacial) y estructura espacial (heterogeneidad espacial) en modelos de regresión para datos de sección- cruzada y panel.

El foco en las interacciones espaciales y la localización ha ganado recientemente un espacio central no solo en estudios aplicados sino también en la teoría econométrica.

El uso de GIS junto a técnicos modelos de análisis de datos espaciales es ahora un lugar común para la economía aplicada análisis de política, especialmente en real estate y economías del hogar

Efectos Espaciales

Hay tres razones por las cuales es importante considerar la heterogeneidad espacial:

1. La "estructura" detrás de la inestabilidad es espacial (o geográfica), en este sentido la localización de las observaciones es crucial en determinar la forma de la inestabilidad.

2. Siendo la estructura espacial, la heterogenenidad ocurre a menudo en colaboración con la autocorrelaciòn espacial, por lo tanto, las técnicas econométricas estándar ya no son apropiadas.

3. En una sola sección-cruzada, la autocorrelación espacial y la heterogeneidad espacial pueden ser equivalentes.

Ponderaciones espaciales y orden de los rezagos

En una conjunto de datos cross section con N observaciones, hay insuficiente información para estimar la matriz de covarianzas NXN directamente de los datos. Hay tres principales aproximaciones que siguen en la literatura dirigidas a este hecho:

1. Basados en la especificación de un proceso estocástico espacial

2. La representación paramétrica directa de la estructura de covarianzas

3. La covarianza gneralmente se deja sin especificar y es tratada en una estructura no paramétrica.

Paralelo al análisis de series de tiempo, los procesos estocásticos espaciales son categorizados como modelo autorregresivo espacial (SAR) y promedio móvil espacial (SMA), in embargo hay importantes diferencias entre los cross section y las series de tiempo.

Más importante aún, en contraste con la noción ambigua de un "cambio" a lo largo del eje del tiempo, no existe el concepto correspondiente en el espacio. En lugar de la noción de cambio, se utiliza un operador de rezago espacial, el cual es un promedio ponderado de las variables aleatorias en las ubicaciones "vecinas" basadas en la especificación de un proceso estocástico espacial.