Los costos sociales del crimen sobre la confianza: una aproximación con Machine Learning
Resumen
En el Perú, el 55% de la población considera la inseguridad como el principal problema del país. El presente estudio busca contribuir sobre los costos sociales del crimen en Perú al medir los impactos del crimen patrimonial sobre la confianza en instituciones públicas, utilizando encuestas de victimización, censos de comisarías y municipalidades; empleando Machine Learning y emparejamiento. Resultados: reducción de 3 puntos porcentuales (pp.) en la probabilidad de confiar en la Policía y Serenazgo en el corto plazo y de 2 pp. sobre Poder Judicial en el largo plazo. Las mujeres víctimas perderían más la confianza en: Serenazgo y Ministerio Público. Robustez ante la presencia de no observables, distintos emparejamientos y pruebas de falsificación; lo cual sugeriría potencial carácter causal.
Este estudio se desarrolló como resultado del XX Concurso Anual de Investigación CIES 2018, con el auspicio de Global Affairs Canada (GAC), el Centro Internacional de Investigaciones para el Desarrollo (IDRC, por sus siglas en inglés), la Fundación Manuel J. Bustamante De la Fuente, la Superintendencia Nacional de Aduanas y de Administración Tributaria (SUNAT) y el Consorcio de Investigación Económica y Social (CIES).
Esta investigación también se encuentra dentro de:
- - Repositorio REPEC
- - Academia.edu
- - ResearchGate
Abstract
In Peru, 55% of the population considers insecurity as the country’s main problem. The present study seeks to contribute to the social costs of crime in Peru by measuring the impact of patrimonial crime on trust in public institutions, using victimization surveys, censuses of police stations and municipalities; using Machine Learning and Propensity Score Matching. Results: reduction of 3 percentage points (pp.) in the probability of trusting in the Police and Serenazgo in the short term and 2 pp. on Judicial Power in the long term. Women victims would lose more confidence in: Serenazgo and Public Ministry. Robustness in the presence of unobservables, different pairings and falsification tests; which would suggest potential causal character.
