Abstract(resumo):

Analizamos los cambios geográficos del homicidio tras el inicio de la pandemia en el Gran Buenos Aires. Para cada homicidio se utilizó el mes y el radio censal en el que ocurrió la muerte. Se utilizó el modelo de Bernoulli para detectar tanto la concentración espacial como la concentración espacio-temporal de homicidios durante cada uno de los años 2019 y 2020. Con respecto a los conglomerados de riesgo bajo de homicidio, los conglomerados de riesgo alto de homicidio tendieron a ubicarse en áreas de alta pobreza estructural en ambos años. Durante 2020, hubo una similitud general con el patrón geográfico encontrado en 2019. Sin embargo, hubo algunas diferencias en los conglomerados de alto riesgo entre ambos años. En comparación con 2019, durante 2020 se hizo evidente una menor difusión espacial de los homicidios. No encontramos evidencia de cambios abruptos en la geografía de los homicidios con el inicio de la pandemia.

Keywords(palavra-chave):

análisis espacial; agrupamiento espacio-temporal; heridas y lesiones; América Latina.

Content(conteúdo):

INTRODUCCIÓN
La Ciudad de Buenos Aires (CABA) confirmó su primer caso de COVID-19 el 3 de marzo de 2020 –también fue el primer caso en el país– y el Gobierno Nacional impuso estrictas medidas de confinamiento a partir del 20 de marzo de 2020. Como resultado de estas medidas, la movilidad de la población cayó drásticamente en el Gran Buenos Aires (GBA) y luego comenzó a recuperarse lentamente, aunque a lo largo de 2020 no se alcanzaron los niveles de movilidad previos a la pandemia 1. Si bien no hubo cambios en el número de homicidios en 24 de los municipios del GBA entre 2019 y 2020, en la CABA el número de homicidios pasó de 102 en 2019 a 125 en 2020 2. Estas variaciones en los homicidios a nivel de ciudad pueden enmascarar heterogeneidades dentro de la ciudad relacionadas con diferentes procesos locales desencadenados por las políticas en respuesta a la pandemia de COVID-19.
Las zonas urbanas de América del Sur presentan las tasas de homicidio más altas, en comparación con el resto de cada país. En Argentina, GBA es la ciudad más poblada del país y con una de las tasas de homicidios más altas del país, en comparación con las tasas provinciales 2. Sin embargo, durante los años pre-pandémicos, las tasas de homicidio han descendido de manera constante en el GBA. Desde 2014 a 2018 la tasa bruta de homicidio (cada 100.000 habitantes) pasó de 10,6 a 6,4, respectivamente3. Entre los municipios que componen el GBA existen diferencias en el riesgo de homicidio. En 2020, los municipios de Cañuelas, Moreno y General San Martín, y las comunas 1 y 4 (CABA) tuvieron tasas superiores a 8 homicidios por cada 100.000 habitantes, mientras que la comuna 10 no registró homicidios 2.
Este estudio amplía la literatura contemporánea sobre la pandemia y el homicidio de COVID-19 incorporando la dimensión espacial del análisis de dos maneras. Primero, aunque puede que no haya cambios importantes en el número de homicidios de un año a otro, esta estabilidad temporal puede enmascarar cambios en la distribución geográfica dentro de una ciudad (por ejemplo, en algunas áreas hay aumentos en los homicidios y en otras áreas hay descensos). En segundo lugar, puede haber cambios en la distribución espacio-temporal de los homicidios con el inicio de la pandemia y las medidas de distanciamiento social aplicadas. En otras palabras, los homicidios pueden aumentar o disminuir en algunas zonas y meses del año como resultado del confinamiento.
A nuestro conocimiento, no existen en Argentina estudios que analicen los patrones espaciales y espacio-temporales del homicidio considerando los años pre-pandémicos y durante la pandemia de COVID-19. Este estudio propone el abordaje geográfico y temporal del homicidio considerando la interacción entre áreas pequeñas –radios censales– y una escala temporal breve –meses–, evitando la agregación de homicidios en áreas de mayor extensión geográfica, como ciudades o municipios, que encierran variaciones geográficas grandes en términos de sus características sociodemográficas. De manera general, este análisis espacial cuantitativo intenta contribuir como una herramienta para la organización del territorio, cuya finalidad es lograr mayor equidad en los habitantes que lo habitan4.
Diversas teorías han intentado dar cuenta de las variaciones espaciales de los homicidios. La teoría de la actividad rutinaria postula que los patrones estructurales de la actividad diaria de las personas brindan mayores oportunidades delictivas en ausencia de guardianes capaces y, por lo tanto, podrían influir en las tendencias observadas en las tasas de ciertos tipos de delitos 5. Según esta teoría, las políticas estrictas de confinamiento cambiaron abruptamente los patrones espacio-temporales de las rutinas diarias, alterando las condiciones ambientales en las que pueden ocurrir los delitos 6. Por el contrario, la teoría general de la tensión –strain– sugiere que algunos factores generadores de estrés, exacerbados por la pandemia y el confinamiento –restricciones de movimiento, incertidumbre económica y aislamiento social– conducen a un aumento de la delincuencia y el crimen 7.
Considerando la literatura que estudia explícitamente los homicidios –sin agruparlos con otras formas de violencia– y la pandemia de COVID-19, encontramos un número limitado de investigaciones realizadas mayoritariamente en áreas urbanas, principalmente en Estados Unidos y en algunos países de América Latina. Estos estudios analizaron los cambios en los homicidios desde el inicio de la pandemia de COVID-19 centrándose en las variaciones temporales. En Estados Unidos, la mayoría de los estudios no encontraron un aumento de los homicidios con el inicio de la pandemia. Campedelli et al. 8, utilizando datos de Los Ángeles, no encontró asociación entre las políticas de contención de COVID-19 y los homicidios. Utilizando datos de 25 ciudades grandes de Estados Unidos, Abrams 9 no encontró ninguna disminución en los homicidios desde el inicio de la pandemia de COVID-19. Se encontraron hallazgos similares al analizar las variaciones temporales en la tasa de homicidios en 10 ciudades de EEUU 10. A pesar de estos hallazgos, Rosenfeld y López 11 encontraron un aumento en la tasa promedio de homicidios semanal de 22 ciudades de EEUU en junio de 2020, justo después de la muerte de George Floyd.
En América Latina no se encontraron aumentos en los homicidios luego del inicio de la propagación de casos de COVID-19 y la implementación inmediata de medidas de distanciamiento social. Pérez-Vincent et al. 12 no encontraron cambios significativos en los homicidios luego de las restricciones de cuarentena en la Ciudad Autónoma de Buenos Aires (Argentina). Asimismo, Balmori de la Miyar et al. 13,14 no encontraron cambios en la tasa de homicidios en la Ciudad de México y en todo el país después de las órdenes de confinamiento. En cambio, Calderón-Anyosa y Kaufman 15 mostraron una reducción de los homicidios después de las medidas de confinamiento en Perú. Un análisis global en 27 ciudades de 23 países no encontró ninguna asociación global entre las políticas de confinamiento y la variación temporal de los homicidios 6. Sólo tres ciudades latinoamericanas (Cali, Lima y Río de Janeiro) experimentaron una disminución estadísticamente significativa en los homicidios. Además, Ceccato et al. 16 no encontraron variaciones en los homicidios después de las restricciones pandémicas en Nueva York, São Paulo y Estocolmo. Si bien la gran mayoría de los estudios no parecen respaldar la teoría general del estrés, en América Latina algunos estudios de caso parecen mostrar apoyo a la teoría de la actividad rutinaria. Por otro lado, la falta de asociación entre los homicidios y las medidas de confinamiento a nivel de ciudad podría ocultar patrones geográficos heterogéneos, con aumentos y disminuciones de los homicidios al mismo tiempo en diferentes partes de la ciudad. Si bien los homicidios asociados con la violencia de género podrían aumentar como consecuencia de las medidas de cuarentena, la falta simultánea de movilidad poblacional en áreas de violencia endémica –además del despliegue de fuerzas de seguridad en estas áreas– podría disminuir el riesgo de homicidio.
Los homicidios tienden a concentrarse en el espacio urbano, principalmente en zonas con altos niveles de pobreza. Tres factores interrelacionados podrían estar asociados a esta concentración de homicidios: primero, la desindustrialización, la creciente informalidad laboral y el deterioro de las condiciones de vida 17,18; en segundo lugar, la ambivalencia del Estado, que actúa como garante del Estado de derecho y como parte de actos criminales 19; y tercero, la creciente dependencia económica del tráfico ilícito de drogas 18,19. Estos factores podrían dar lugar a diversas formas de violencia como "repertorio de acción" 17, en el que el homicidio es una forma de violencia extrema, con una difusión espacial mayormente limitada a la comunidad-barrio.
La concentración de homicidios en algunas áreas urbanas puede estar asociada con la presencia de grupos criminales jóvenes y mercados de drogas ilícitas 20,21. Introducir la dimensión temporal en la distribución espacial no aleatoria de los homicidios conduce a la noción de procesos de difusión espacial. Considerando la concentración espacial de los homicidios dentro de las ciudades, estos procesos de difusión consisten en la propagación de los homicidios a áreas vecinas 22,23. Pero esta difusión espacial de los homicidios puede depender de la capacidad del Estado para regular –legal e ilegalmente– este tipo de violencia asociada al crimen organizado 24. En esta línea, Durán-Martínez 25 sostiene que el aumento de la violencia letal asociada al narcotráfico está determinado por la pérdida de cohesión del Estado, particularmente de su aparato de seguridad. En el corto plazo, la cohesión estatal depende de las relaciones verticales entre los niveles de gobierno (gobiernos federal, provincial y municipal) y de las relaciones horizontales entre los organismos encargados de hacer cumplir la ley 25. Es posible que durante los primeros meses de la pandemia la cohesión estatal haya aumentado como resultado de estrictos controles sobre la movilidad de la población, lo que podría implicar una mayor coordinación entre los organismos encargados de hacer cumplir la ley con respecto al período pre-pandemia. Además, políticas destinadas a prevenir la propagación del COVID-19 dentro de barrios con altos niveles de pobreza estructural 26 originaron una mayor colaboración entre los gobiernos nacional, provincial y municipal, lo que podría mejorar la cohesión estatal. Estas políticas implementadas a nivel barrial, además de la cohesión del aparato de seguridad, podrían actuar como barreras a la difusión espacial de los homicidios. El aumento de la cohesión estatal, como resultado de medidas estrictas para restringir la movilidad de la población, conduciría a un desplazamiento temporal de la violencia letal en áreas de alto riesgo de homicidio, una vez que se relajaran las medidas de distanciamiento social. Lamentablemente, no hay datos disponibles sobre políticas específicas de contención de la COVID-19 para cada uno de los 34 municipios –más la Ciudad Autónoma de Buenos Aires– que conforman el Gran Buenos Aires. Por lo tanto, esta es una investigación exploratoria que no prueba explícitamente las variaciones geográficas intermunicipales en el efecto de estas políticas en la geografía del homicidio.
Con base en estos supuestos, proponemos tres hipótesis: (1) la pandemia de COVID-19 y las medidas de restricción a la movilidad poblacional se asociaron con cambios en la geografía de los homicidios en GBA entre 2019 y 2020; (2) ambos fenómenos también se asociaron con cambios en la distribución espaciotemporal intra-anual de los homicidios entre 2019 y 2020; (3) los homicidios están concentrados espacialmente en el GBA, asociados con concentraciones geográficas de pobreza estructural. Por lo tanto, nos proponemos explorar los cambios espaciales y espacio-temporales en los homicidios tras el inicio de la pandemia en una mega-ciudad. Nuestros objetivos son: analizar las variaciones geográficas y espacio-temporales de los homicidios en el GBA durante 2019 y 2020, y analizar la asociación entre el nivel de pobreza y la concentración geográfica de los homicidios.

MÉTODOS
El diseño de estudio utilizado fue un análisis ecológico retrospectivo. Se emplearon datos de homicidios ocurridos durante 2019 y 2020 y recopilados por el Ministerio de Seguridad de la Nación 2. Estos datos consideran al homicidio según el Código Penal, tomando aquellos delitos que se configuran cuando se quita la vida a una o más personas con intención de provocar la muerte de la o las víctimas2. Estos hechos son registrados por las 24 policías de jurisdicciones y las Fuerzas Federales (Policía Federal Argentina, Gendarmería Nacional Argentina, Policía de Seguridad Aeroportuaria y Prefectura Naval Argentina)2. Además, se realiza una actualización de los hechos que originalmente son caratulados como lesiones dolosas o tentativas de homicidio doloso y la víctima fallece con posterioridad a la fecha de ocurrencia del hecho, aunque dentro del periodo de procesamiento de los datos para su posterior publicación2. Para cada homicidio se utilizó el mes y el radio censal en el que ocurrieron las muertes. El área de estudio fue el Gran Buenos Aires (GBA), una mega-ciudad argentina de 14.452.962 habitantes (Censo 2010), compuesta por la CABA y 34 municipios de la provincia de Buenos Aires (Figura 1). Las unidades espaciales fueron los 14.602 radios censales –áreas con un promedio de 300 viviendas– que conforman el GBA. Estas unidades espaciales son similares a los sectores censales –setores censitários– delimitados por el Instituto Brasileiro de Geografía e Estadística27. Como indicador del nivel de pobreza estructural de cada radio censal se utilizó el porcentaje de hogares con Necesidades Básicas Insatisfechas (NBI), obtenido del Censo de 2010.
Se utilizó el modelo de Bernoulli para detectar tanto la concentración espacial como la concentración espacio-temporal de homicidios durante cada uno de los años 2019 y 2020. Debido a la baja frecuencia de homicidios (el 5% de todos los radios censales tuvo al menos un homicidio en ambos años), clasificamos los radios censales en dos categorías: con o sin homicidio en cada año. Esta técnica detecta un conglomerado espacio-temporal si, durante un período de tiempo específico, un área tiene una mayor o menor proporción de radios censales con homicidios con respecto a las otras áreas durante ese mismo período – el análisis espacial no considera la dimensión temporal 28. Para realizar el análisis espacio-temporal es necesario tener tanto la dimensión temporal como la dimensión espacial de cada muerte. Se consideró el tiempo como el mes de ocurrencia del homicidio y el espacio geográfico como el radio censal de ocurrencia del homicidio. Cuando se trabaja con las variaciones mensuales del homicidio, es posible evaluar las variaciones espacio-temporales de la mortalidad sin tener en cuenta la población residente en cada radio censal, ya que los cambios repentinos en el tamaño de la población o la estructura demográfica son muy poco probables en esta escala de tiempo28. Las estadísticas de escaneo espacio-temporal exploraron la concentración de radios censales con homicidios dentro de una ventana de tiempo que variaba entre radios censales para comparar el número esperado de radios censales con homicidios y el número observado de radios censales con homicidios tanto dentro como fuera de esta ventana 28. El tamaño de la ventana temporal y geográfica puede variar dentro de límites preestablecidos. La ventana de exploración variable se fijó en un límite máximo del 10% de los radios censales con homicidios y el 50% del período de estudio. Si bien el programa SaTScan, utilizado para la detección de conglomerados espaciales y espacio-temporales, fija un límite máximo preestablecido del 50% de los radios censales, nuestra elección del 10% buscó detectar conglomerados de menor extensión geográfica. El resultado del modelo espacio-temporal de Bernoulli es un conjunto de cilindros donde la base representa el área y la altura representa el período de tiempo en el que se concentran los radios censales con homicidios. Se calcularon las máximas verosimilitudes para determinar los conglomerados con menor probabilidad de ser explicados por el azar, con un valor p asignado por la prueba de hipótesis de Monte Carlo, realizando 9999 repeticiones 28.
Utilizamos modelos de regresión logística para examinar las asociaciones entre la pobreza estructural comunitaria y la agrupación de homicidios. La agrupación de homicidios se construyó como una variable dependiente binaria que indicaba si un grupo de radios censales pertenecía a un conglomerado espacial de homicidios (0 = conglomerado de bajo riesgo, 1 = conglomerado de alto riesgo). Estimamos los odds ratios (OR) para evaluar la pobreza estructural asociada con la probabilidad de que un radio censal esté incluido en un conglomerado de alto riesgo de homicidio en comparación con estar incluido en un conglomerado de bajo riesgo. Este análisis se realizó durante cada uno de los años 2019 y 2020.
Se utilizó el índice I de Moran como medida de concentración espacial de la pobreza estructural 29. El rango de valores posibles que arroja este índice es de -1 a 1, donde los valores positivos indican concentración espacial de valores similares (concentración máxima) y los valores negativos indican agrupación de valores diferentes (dispersión máxima). La relación entre unidades geográficas vecinas se midió mediante la contigüidad tipo "Reina", que considera unidades vecinas aquellas que tienen límites comunes. El nivel de significancia de la prueba fue inferior a 0,05, utilizando 9999 permutaciones. Dado que el índice I de Moran —como medida de autocorrelación global— no muestra la ubicación de los conglomerados, se calcularon versiones locales denominadas Indicadores Locales de Asociación Espacial (LISA). Estos indicadores presentan cuatro situaciones: i) conglomerados de radios censales con porcentajes de pobreza estructural “alta-alta” (área con un valor alto de porcentaje de hogares con NBI rodeada por otras áreas con valores altos de la misma variable); ii) grupos de radios censales con valores “altos-bajos” (área con un valor alto de porcentaje de hogares con NBI rodeada por áreas con valores bajos de la misma variable); iii) grupos de radios censales con valores “bajos-altos” (área con un valor bajo de porcentaje de hogares con NBI rodeada por áreas con valores altos de la misma variable), y iv) grupos con radios censales con valores “bajos-bajos” pobreza estructural 29.
Los análisis espaciales y espacio-temporales del homicidio se realizaron con el programa SaTScan v9.4.4 28. Para el cálculo del índice Moran I y los LISA se utilizó el programa Geoda, desarrollado por el Centro de Análisis y Computación Geoespacial, de la Universidad Estatal de Arizona (Estados Unidos). Utilizamos el programa Stata versión 13.1 (StataCorp, College Station, TX) para el análisis de regresión, mientras que el programa QGIS (versión 2.14.3) fue empleado para visualizaciones cartográficas de conglomerados espaciales.

RESULTADOS
Fueron notificados 900 y 944 homicidios en el GBA en 2019 y 2020, respectivamente. En ambos años, la mayoría de los homicidios ocurrieron en hombres (2019: 84%, 2020: 87%). Con respecto a los grupos de edad, los grupos de 30-59 años (2019: 47%, 2020: 50%) y de 15-29 años (2019: 38%, 2020: 39%) mostraron las mayores frecuencias de homicidios, mientras que los grupos de 0-14 años (2019: 3%, 2020: 2%) y de 60+ años (2019: 9%, 2020: 7%) mostraron las menores frecuencias. De todos los homicidios ocurridos en 2019 y 2020, el 92% y el 95% respectivamente tenían datos geocodificados disponibles.
Durante 2019, los conglomerados de homicidio de alto riesgo se ubicaron principalmente en la zona oeste del GBA, mientras que los conglomerados de homicidio de bajo riesgo se ubicaron principalmente en la CABA así como gran parte del municipio de Morón (Figura 2, Mapa A). Durante 2020, hubo una similitud general con el patrón geográfico encontrado en 2019 (Figura 2, Mapa B). Sin embargo, hubo algunas diferencias en los grupos de alto riesgo de homicidio entre ambos años. En primer lugar, los conglomerados 3, 4 y 5 encontrados en 2019 desaparecieron en 2020. En segundo lugar, el conglomerado 2 y tres de los cuatro conglomerados que surgieron en 2020 tienen una superficie menor en comparación con los conglomerados de 2019 (Tabla 1).
El nivel de pobreza estructural mostró una alta concentración espacial (índice I de Moran=0,57; P?0.001) y los conglomerados espaciales de alta pobreza estructural coincidieron con los conglomerados espaciales de alto riesgo de homicidio, tanto en 2019 como en 2020 (Figura 3). Durante 2019, los radios censales con la proporción más alta del indicador de pobreza estructural tenían más probabilidades de ser incluidos en un conglomerado de homicidio (OR=1,23; IC 95%=1,21-1,24) en comparación con los conglomerados de bajo riesgo de homicidio. Un valor muy similar se registró en 2020 (OR=1,20; IC 95%=1,19-1,22).
El análisis espacio-temporal detectó un aumento de homicidios entre julio y diciembre de 2019 en los dos conglomerados en la periferia occidental del GBA detectados previamente con el análisis espacial (Figura 4). Durante 2020, uno de estos conglomerados espacio-temporales pareció disminuir en área y solo surgió entre abril y julio de 2020. En 2019, solo surgió un conglomerado espacio-temporal con bajo riesgo de homicidio en el noroeste de la CABA entre julio y diciembre. En 2020 surgieron dos conglomerados principalmente en la mitad norte de la CABA, durante enero-junio y febrero-julio.

DISCUSIÓN
A pesar de las similitudes geográficas de los homicidios durante 2019-2020, los primeros meses de la pandemia parecen haber restringido la propagación espacial de los homicidios en las áreas de alta incidencia (oeste de GBA) de 2019. Durante 2020 se produjo un aparente desplazamiento temporal de los conglomerados espacio-temporales de bajo riesgo de homicidio localizados en la CABA, hacia los primeros meses de la pandemia caracterizados por una caída abrupta de la movilidad poblacional.
Con respecto a la hipótesis 1 –la pandemia de COVID-19 y las medidas de restricción a la movilidad poblacional se asociaron con cambios en la geografía de los homicidios en GBA entre 2019 y 2020–, se cumple parcialmente. Esto implica que el lugar importa, ya que si bien algunos grupos espaciales de homicidios permanecieron en 2020, otros grupos detectados en 2019 no surgieron durante 2020. Por lo tanto, es necesario considerar las intersecciones entre las condiciones socioeconómicas y las diferentes combinaciones de políticas sociales y de seguridad aplicadas desde diferentes niveles de gobierno. Esto se vuelve imperativo en megaciudades como el GBA, caracterizada por “mosaicos” de gobiernos locales (municipios de la Provincia de Buenos Aires), dos gobiernos subnacionales (Provincia de Buenos Aires y Ciudad de Buenos Aires) y el gobierno nacional.
La hipótesis 2 –la pandemia de COVID-19 y las medidas de restricción a la movilidad poblacional se asociaron con cambios en la distribución espaciotemporal intra-anual de los homicidios entre 2019 y 2020– pareció cumplirse. Considerar la interacción entre el tiempo y el espacio puede arrojar luz sobre el diferente peso explicativo que las teorías podrían tener en el espacio-tiempo. ¿Podría la teoría de la rutina de actividad explicar el desplazamiento temporal ocurrido en conglomerados de bajo riesgo de homicidio hacia los primeros meses de la pandemia? ¿Puede un mayor nivel de cohesión estatal y despliegue de fuerzas de seguridad explicar mejor la no aparición de conglomerados de homicidios en áreas de violencia endémica durante 2020?
Más allá de estas indagaciones, nuestros resultados exploratorios parecen confirmar la hipótesis 3: tanto en 2019 como en 2020 las concentraciones espaciales de homicidios están asociadas con concentraciones geográficas de pobreza estructural. Algunas investigaciones sugirieron que, debido a la brutalidad diaria de las fuerzas de seguridad hacia los jóvenes que viven en barrios con altos niveles de pobreza estructural, se esperaban niveles similares o mayores de violencia durante los primeros meses de la pandemia debido a la aplicación de las medidas de distanciamiento social 30–32. Por otro lado, con el inicio de estas medidas, se intensificó la presencia y actividad del Estado y organizaciones no gubernamentales en estos barrios, principalmente con el fin de asegurar la provisión de alimentos y prevenir la propagación del COVID-19 26,33–35.
La presencia del Estado en los municipios de la provincia de Buenos Aires se dio en tres niveles de gobierno –nacional, provincial y municipal–, mientras que en la CABA estuvieron involucrados dos niveles –el gobierno de la CABA y el nacional–. Si bien las políticas sociales desplegadas por el gobierno de la provincia de Buenos Aires pudieron ser homogéneas en todo el GBA, los gobiernos municipales pudieron implementar políticas diferentes en sus territorios. Esta combinación de políticas a diferentes niveles, sumada a la acción coordinada de organizaciones no gubernamentales con presencia permanente en barrios con altos niveles de pobreza estructural, podría haber tenido un impacto más intenso en estas zonas, bajando los altos niveles de violencia letal registrados durante 2019. Varios informes e investigaciones 26,33–36 reconocen el impacto positivo de las políticas nacionales, provinciales y municipales que incrementaron los niveles de organización e interacción entre las diferentes organizaciones sociales que trabajan permanentemente en estos barrios. Esta respuesta de política pública comunitaria multinivel, centrada en áreas de alta pobreza estructural en respuesta a la pandemia de COVID-19, podría no solo aumentar la cohesión estatal, sino también el nivel de cohesión social, disminuyendo los niveles de violencia prevalentes el año anterior. Más específicamente, un estudio encontró que la implementación de "DetectAR" –un programa nacional de prueba y rastreo de casos de COVID-19– en barrios carenciados de CABA redujo el número de delitos contra la propiedad reportados 12.
Otra posible explicación es una disminución en la exposición a eventos violentos fuera del hogar, debido al mayor temor a la represión tanto por parte de las fuerzas de seguridad como de los perpetradores de crímenes 30. Sin embargo, la teoría de la actividad rutinaria no parece explicar completamente los cambios en los grupos de alto riesgo de homicidio entre 2019 y 2020, ya que algunos indicios sugieren que dentro de algunos barrios con alta pobreza estructural, los niveles de movilidad poblacional fueron mayores en comparación con los barrios con mayor nivel socioeconómico 36. De hecho, una estrategia gubernamental para un enfoque comunitario para contener el COVID-19 consistió en permitir la libre circulación dentro del barrio, asumiendo que todos los residentes eran casos sospechosos de COVID-19 o eran contactos cercanos de un caso 26.
Además, una mayor coordinación entre los diferentes niveles de gobierno durante los primeros meses de la pandemia permitió desplegar otras fuerzas de seguridad –por ejemplo, Gendarmería, una fuerza de seguridad nacional– posiblemente con menos probabilidades de colusión con bandas criminales 37. Durante 2019, detectamos tres conglomerados espaciales de alto riesgo de homicidios en áreas expuestas a violencia de largo plazo vinculada al tráfico de drogas y la colusión policial-criminal 38,39. Durante 2020, en estas mismas zonas no detectamos concentración espacial de homicidios.
En zonas de alta densidad poblacional de la CABA, en cambio, el impacto de las medidas de confinamiento fue más pronunciado al limitar el ingreso de residentes provenientes de municipios del GBA. Esto podría estar asociado al desplazamiento temporal de los conglomerados de baja mortalidad en la CABA hacia los meses de menor movilidad poblacional en 2020. Esta posible asociación entre la disminución abrupta de la movilidad poblacional y el surgimiento de conglomerados con bajo riesgo de homicidio da más sustento para la teoría de la actividad rutinaria en áreas de alta densidad de población.
Este estudio tiene varias limitaciones. En primer lugar, los análisis espacial y espaciotemporal fueron exploratorios y no permiten establecer relaciones causales. Diseños de estudio cuasi-experimentales, utilizando partidos o agregados de partidos como unidades de análisis, podrían poner a prueba el efecto de la pandemia sobre la ocurrencia de homicidios considerando más años en el periodo pre-pandémico. En segundo lugar, el bajo número de homicidios hizo imposible estimar el riesgo de mortalidad a nivel de radio censal y analizar las diferencias geográficas por sexo o grupos de edad. Un análisis utilizando los partidos como unidades espaciales posibilitaría una mayor agregación de homicidios, aunque no permitiría detectar concentraciones espaciales de homicidios al interior de estos territorios, como tampoco detectar estas concentraciones en áreas pequeñas que compartan territorios de diferentes partidos. En tercer lugar, nuestro período prepandémico fue 2019, mientras que un período más largo podría haber estimado diferentes tendencias espaciales y espacio-temporales en el homicidio. Cuarto, los homicidios están sujetos a problemas de sub-registro evidenciados a través del análisis de las estadísticas vitales recopiladas por el Ministerio de Salud de la Nación40. Sin embargo, estas defunciones están disponibles a nivel de partidos en la Provincia de Buenos Aires, por lo que no es posible analizar variaciones temporales en el sub-registro de homicidios a nivel de fracciones o radios censales. Por ejemplo, no es posible detectar aumentos de muertes por lesión de intención indeterminada por arma de fuego durante 2020 en aquellos conglomerados de alta concentración de homicidios que solo emergieron en 2019. Quinto, utilizamos datos agregados de homicidios que están sujetos al “problema de unidad de área modificable”, lo que significa que los resultados de los análisis espaciales y espacio-temporales pueden diferir según la escala y el patrón de las unidades de área utilizadas. Sin embargo, hemos utilizado radios censales como unidades espaciales, los cuales constituyen las áreas de mayor homogeneidad interna en cuanto a características socio-demográficas de la población.
Dentro del GBA, una mega-ciudad latinoamericana, el primer año de la pandemia no pareció alterar el patrón socio-espacial de concentración de homicidios en algunas áreas de alta pobreza estructural. Sin embargo, el primer año de la pandemia mostró un escenario más heterogéneo respecto al año anterior, sugiriendo una menor difusión espacial de los homicidios durante 2020 en zonas de alto riesgo de homicidio ya detectadas durante 2019, y simultáneamente el surgimiento de conglomerados de alto riesgo de homicidio en el sur de CABA durante 2020. Los resultados de este análisis geográfico exploratorio enfatizan la necesidad de considerar procesos locales determinados por las características de los lugares así como las diferentes combinaciones de políticas públicas que se aplican en cada lugar en los diferentes niveles de gobierno. La ausencia de emergencia de tres conglomerados espaciales de riesgo alto de homicidio durante 2020 sugiere la importancia de un aumento de la cohesión estatal, particularmente en las fuerzas de seguridad, y la capacidad del Estado para regular –legal e ilegalmente– la violencia letal asociada al crimen organizado24,25. Con respecto a la persistencia de riesgo alto de homicidio en zonas de pobreza estructural alta, políticas tendientes a ampliar y mejorar la calidad y accesibilidad espacial de los servicios provistos por el Estado18, como también mejorar las condiciones de inserción laboral de los jóvenes residentes en esas zonas, podrían aumentar la cohesión social y disminuir los niveles de violencia en esas comunidades.

CONTRIBUCIONES DE LOS AUTORES
CML: conceptualización, metodología, software, análisis formal, investigación, redacción - borrador original, redacción - revisión y edición, visualización, adquisición de fondos. GAV: conceptualización, metodología, redacción - revisión y edición.

?
REFERENCIAS
1. Data Driven Argentina. Reporte de movilidad de Google [Internet]. Data Driven Argentina. 2022 [citado el 1 de noviembre de 2022]. Disponible en: https://datadriven.com.ar/movilidad-google-argentina/
2. Secretaría de Seguridad y Política Criminal. Homicidios Dolosos (Sistema de Alerta Temprana - Homicidios Dolosos). República Argentina (2017-2020) [Internet]. Buenos Aires: Ministerio de Seguridad de la Nación; 2022 [citado el 2 de noviembre de 2022] p. 72. Disponible en: https://estadisticascriminales.minseg.gob.ar/reports/Informe_Homicidios_Dolosos.pdf
3. Oyhandy Á, Cabral P. Homicidios y violencias en la Argentina del siglo XXI. Inf FaHCE 10 [Internet]. 2024 [citado el 28 de abril de 2025]; Disponible en: https://sedici.unlp.edu.ar/handle/10915/177891
4. Buzai GD, Baxendale CA. Análisis socioespacial con Sistemas de Información Geográfica: Perspectiva científica, temáticas de bases raster. Buenos Aires: Lugar Editorial; 2011.
5. Cohen LE, Felson M. Social Change and Crime Rates Trends: A Routine Activities Approach. Am Sociol Rev. 1979;44:588–608.
6. Nivette AE, Zahnow R, Aguilar R, Ahven A, Amram S, Ariel B, et al. A global analysis of the impact of COVID-19 stay-at-home restrictions on crime. Nat Hum Behav. 2021;5:868–77.
7. Agnew R. Foundation for a general strain theory of crime and delinquency. Criminology. 1992;30:47–88.
8. Campedelli GM, Aziani A, Favarin S. Exploring the Immediate Effects of COVID-19 Containment Policies on Crime: an Empirical Analysis of the Short-Term Aftermath in Los Angeles. Am J Crim Justice. 2021;46:704–27.
9. Abrams DS. COVID and crime: An early empirical look. J Public Econ. 2021;194:104344.
10. Murray GR, Davies K. Assessing the Effects of COVID-19-Related Stay-at-Home Orders on Homicide Rates in Selected U.S. Cities. Homicide Stud. 2022;26:419–44.
11. Rosenfeld R, Lopez E. Pandemic, social unrest, and crime in US cities. Washington, D.C.: Council on Criminal Justice; 2021 p. 19.
12. Perez-Vincent SM, Schargrodsky E, García Mejía M. Crime under lockdown: The impact of COVID?19 on citizen security in the city of Buenos Aires. Criminol Public Policy. 2021;20:463–92.
13. Balmori de la Miyar JR, Hoehn-Velasco L, Silverio-Murillo A. Druglords don’t stay at home: COVID-19 pandemic and crime patterns in Mexico City. J Crim Justice. 2021;72:101745.
14. Balmori de la Miyar JR, Hoehn-Velasco L, Silverio-Murillo A. The U-shaped crime recovery during COVID-19: evidence from national crime rates in Mexico. Crime Sci. 2021;10:14.
15. Calderon-Anyosa RJ, Kaufman JS. Impact of COVID-19 lockdown policy on homicide, suicide, and motor vehicle deaths in Peru. Prev Med. 2021;143:106331.
16. Ceccato V, Kahn T, Herrmann C, Östlund A. Pandemic Restrictions and Spatiotemporal Crime Patterns in New York, São Paulo, and Stockholm. J Contemp Crim Justice. 2022;38:120–49.
17. Auyero J, De Lara AB, Berti MF. Uses and Forms of Violence among the Urban Poor. J Lat Am Stud. 2014;46:443–69.
18. Wacquant LJ. Los condenados de la ciudad: Gueto, periferias y Estado. Buenos Aires: Siglo Ventiuno Editores; 2007. 373 p.
19. Sobering K, Auyero J. Collusion and Cynicism at the Urban Margins. Lat Am Res Rev. 2022;54:222–36.
20. Cohen J, Tita G. Diffusion in Homicide: Exploring a General Method for Detecting Spatial Diffusion Processes. J Quant Criminol. 1999;15:451–93.
21. Vilalta C, Lopez-Ramirez P, Fondevila G. The spatial diffusion of homicide in Mexico City: a test of theories in context. Glob Crime. 2021;22:222–39.
22. Messner SF, Anselin L, Baller RD, Hawkins DF, Deane G, Tolnay SE. The spatial patterning of county homicide rates: An application of exploratory spatial data analysis. J Quant Criminol. 1999;15:423–50.
23. Zeoli AM, Pizarro JM, Grady SC, Melde C. Homicide as infectious disease: Using public health methods to investigate the diffusion of homicide. Justice Q. 2014;31:609–32.
24. Saín MF. Ciudad de pobres corazones. Estado, crimen y violencia narco en Rosario. Rosario: Prohistoria; 2023. 184 p.
25. Durán-Martínez A. To kill and tell? State power, criminal competition, and drug violence. J Confl Resolut. 2015;59:1377–402.
26. Esposito M, Bustos S, Cardonetti L, Pueyo Alvarado MJ, Latorre B, Parrilla L, et al. Aislamiento comunitario como estrategia para la mitigación de un brote de COVID-19: el caso de Villa Azul. Glob Health Promot. 2021;28:114–21.
27. Instituto Brasileiro de Geografia e Estatística. Malha de Setores Censitários | IBGE [Internet]. IBGE. 2025 [citado el 17 de abril de 2025]. Disponible en: https://www.ibge.gov.br/geociencias/organizacao-do-territorio/estrutura-territorial/26565-malhas-de-setores-censitarios-divisoes-intramunicipais.html?=&t=o-que-e
28. Kulldorff M. SaTScan user guide for version 9.0. 2010. 2013; Disponible en: http://www. satscan. org
29. Anselin L. Exploring spatial data with GeoDaTM: a workbook. Cent Spatially Integr Soc Sci. 2005;
30. Cabral P, Lio V. Fuerzas de seguridad, vulnerabilidad y violencias. Apuntes teóricos y metodológicos de un estudio en pandemia. Cuest Sociol. 2022;e136.
31. Kessler G, Bermúdez N, Binstock G, Cerrutti M, Pecheny M, Piovani JI, et al. Comisión de Ciencias Sociales de la Unidad Coronavirus COVID-19. Buenos Aires: Comisión Ciencias Sociales Unidad Covid19; 2020 p. 138.
32. Sirimarco M. Entre el cuidado y la violencia. Fuerzas de seguridad argentinas en pandemia y aislamiento. Rev Estud Soc. 2021;93–109.
33. Zapata MC, Bidinost A, Davenport O, Rodríguez MC. Dimensiones de la pobreza estructural situada en un asentamiento periférico del conurbano bonaerense (Quilmes, GBA) [Internet]. Buenos Aires: Instituto de Investigaciones Gino Germani, Universidad de Buenos Aires; 2021 [citado el 2 de noviembre de 2022] p. 103. (Informes de coyuntura). Report No.: 13. Disponible en: http://iigg.sociales.uba.ar/2021/12/03/30176/
34. Behrend J, Simpson X. Policy Paper #5 La respuesta a la pandemia provocada por el covid-19 en los municipios de San Martín, Tres de Febrero, Avellaneda y Quilmes. [Internet]. Colabora.lat. 2021 [citado el 2 de noviembre de 2022]. Disponible en: https://colabora.lat/documento/policy-paper-5-la-respuesta-a-la-pandemia-provocada-por-el-covid-19-en-los-municipios-de-san-martin-tres-de-febrero-avellaneda-y-quilmes/
35. Bustos S, Buey F, L’Arco G, Napoli N, Cardonetti L, Gallastegui M, et al. Abordaje comunitario de la pandemia de COVID en Quilmes: la experiencia de Villa Itatí [Internet]. 2020 oct [citado el 2 de noviembre de 2022]. Disponible en: https://preprints.scielo.org/index.php/scielo/preprint/view/1294/version/1388
36. Marin GH, Fonseca J, Etchegoyen G, Marin L, Aramburu IK, Rodriguez R, et al. Management model of the COVID-19 pandemic in socially vulnerable communities. BMJ Innov. 2022;8.
37. Auyero J, Servián S. Cómo hacen los pobres para sobrevivir. Buenos Aires: Siglo XXI Editores; 2023.
38. Auyero J, Sobering K. Entre narcos y policías: Las relaciones clandestinas entre el Estado y el delito, y su impacto violento en la vida de las personas. Buenos Aires: Siglo XXI Editores; 2021.
39. Garriga Zucal J, Caravaca E, Mancini I. Quem governa o bairro? Violência e mercados de drogas ilegais em bairros segregados na Grande Buenos Aires (Argentina). Contemp-Rev Sociol UFSCar. 2023;13:805–28.
40. Santoro A. Recálculo de las tendencias de mortalidad por accidentes, suicidios y homicidios en Argentina, 1997-2018. Rev Panam Salud Pública. 2020;44:e74.

?