Revista invi Nº 64, November 2008, Volumen 23:
61 a 94
Un acercamiento basado en evidencias reales sobre crimen y
diseño urbano. O como obtenemos vitalidad, sostenibilidad
medio ambiental y
seguridad a la vez?
Bill Hillier (1), Ozlem
Sahbaz (2)
Traducción.
Space Syntax / Christian Beros
1 MA DSc. Profesor de morfología arquitectónica y
urbana en la
Universidad de Londres, Director de la Escuela Bartlett de estudios de
Postgrado y Director del Laboratorio de Sintáxis Espacial en
la
Universidad College London. E-mail: b.hillier@ucl.ac.uk
2 BS c MSc. Grupo de Investigación Espacio, Escuela Bartlett
de estudios de Postgrado, Universidad College London.
3 www.spacesyntax.com
4 BA rch MSc AAS. Asociado a Sintaxis Espacial, Representante en
Chile.E-mail: c.beros@spacesyntax.com
Resumen
El siguiente artículo cuestiona algunos de las creencias
más enraizadas que se han hecho a lo largo del tiempo entre
el diseño espacial y la seguridad. La mas importante de
estas es quizás el argumento sobre la
‘seguridad en números’ que se contrapone
a la creencia de diseñar para grupos pequeños, en
comunidades de bajo riesgo. En base a la evidencia que aquí
se presenta se puede argumentar que los beneficios de una cultura
residencial son mas aparentes con grupos grandes más que con
grupos pequeños.
Otra implicancia importante de esta investigación es que la
relación entre criminalidad y diseño espacial no
pasaría a través de la variable de
‘formación de comunidad’. Nuevamente la
evidencia sugiere que el simple factor de co-presencia de usuarios en
el espacio, junto a simples variables físicas de edificios o
espacios es suficiente para explicar las diferencias en proporciones de
delincuencia en distintos tipos de áreas y lugares, aunque
con algunas diferencias dadas ciertas variables sociales.
Palabras Claves: Espacio, Delincuencia, Seguridad, Space Syntax,
Análisis Espacial
Abstract
The following research calls into question some of the most deeply held
assumption that have been made on all sides about the relation between
spatial design and security. The most important of these is perhaps the
‘safety in numbers’ argument that challenges long
held beliefs that small is somehow beautiful in designing for
well-working, low-risk communities. On the basis of the evidence we
have presented we can argue that the benefits of a residential culture
become more apparent with larger rather than smaller numbers.
A no less challenging implication of this body of evidence is that the
relation between crime and spatial design may not pass through the
intervening variable of community formation. Again, the evidence
suggests that the simple fact of human co-presence in space, coupled to
simple physical features of buildings or spaces is enough to explain
differences in victimization rates in different types of location and
area, albeit with variations due to social factors.
Keywords: Space, Crime, Safety, Space Syntax, Spatial Analysis
Diseño y
crimen: soluciones abiertas y cerradas.
De manera general, reconocemos que la clave prioritaria en el
diseño de las ciudades, es en la medida de lo posible,
impedir la criminalidad. Pero eso es esto realmente posible? Distintos
crímenes, están facilitados por diferentes tipos
de espacios: por ejemplo, el hurto callejero es más
fácil en una calle principal llena de gente, el asalto
callejero es mas fácil cuando las victimas vienen de a una
en ves de a grupos, por otro lado el robo es más
fácil en espacios aislados, etc. Al parecer al tratar de
disminuir uno aumentamos la posibilidad de que ocurra el otro.
Sin embargo, el hecho de que algunos espacios son seguros y otros
peligrosos persiste, y la inspección de los mapas de crimen,
confirman de que los miedos de la gente no son errados. Entonces, es
posible hacer entornos de manera general mas seguros? De una manera
extraña, aunque ahora extensamente se crea que es,
hay dos escuelas de pensamiento bastante diferentes a
propósito de la manera de actuar. La primera basada en el
libro de Jane Jacobs “The Death and Life of the Great
American Cities” (Muerte y Vida de las Grandes Ciudades
Americanas) de 1962, en el cual se defienden medioambientes abiertos,
permeables y de usos mixtos, en los cuales todo tipo de gente pueda
pasar a través de los espacios mientras que al mismo tiempo
los habitantes del lugar puedan también ocuparlos. Esto como
parte de una cultura de ‘ojos que miran a la calle’
como mecanismo que inhibe el crimen.
La segunda, basada en el libro de Oscar Newman
“Defensible Space” en 1972, defiende que tener
demasiada gente en los espacios públicos genera el anonimato
que necesitan los criminales para acceder a sus victimas, y
así reduce la capacidad de los habitantes a vigilar su
entorno propio. Se puede pensar entonces, que existen menor cantidad
de crímenes en zonas de baja densidad, con
entornos de usos únicos, con restricciones en el acceso de
los visitantes, donde los habitantes pueden reconocer los que no viven
en el área como intrusos y desafiarlos.
Podemos llamar estas opciones la ‘solución
abierta’ y la ‘solución
cerrada’, y destacar que cada una parece tener como base un
cierto tipo de intuición y sentimiento común, y
que cada una propone un mecanismo bastante preciso para maximizar el
control social del crimen por medio del diseño. Pero cada
una parece proponer soluciones de diseño y
planificación opuestas. El problema es aun más
complicado debido a la sostenibilidad medio ambiental. Para minimizar
el consumo de energía, necesitamos supuestamente entornos
densos, donde es mas fácil moverse a pie, y con una mayor
mezcla de usos para que todo sea de mas fácil de acceso.
Esto implica entornos permeables en los cuales se puede caminar
fácilmente en todas las direcciones sin necesidad de
desvíos demasiado largos. Desde este punto de vista, la
manera en que las ciudades ha crecido durante la última
parte del siglo XX, con grandes áreas de calles sin salida
ordenadas jerárquicamente en zonas relativamente cerradas,
producen rutas mas largos y más dependientes de los
vehículos. Entones si lo analizáramos totalmente
neutro a nivel criminológico, la solución abierta
seria la preferible. Pero sus críticos dicen que no.
Según ellos, la solución abierta
facilitaría el crimen y crearía una nueva
dimensión en contra de la sostenibilidad medio ambiental.
Entonces, ¿qué dice la evidencia? El hecho es que
la mayoría de las estrategias de diseño y de
planificación dicen muy poco. El punto en debate fue
recientemente resumido por Stephen Town and Randall O’Toole
(5) en una tabla de seis puntos en la cual la solución
abierta, que esta referida a la posición de
Zelinka and Brennan en sus libro “New Urbanist Book
Safescape” (6), es contrastada con la posición
del ‘espacio defendible’, que ha dominado
la mayor parte del pensamiento contemporáneo.
En algunas de los aspectos mas detallados en la tabla, por ejemplo los
peligros de un aparcamiento subterráneo o trasero, o el
riesgo al introducir senderos y pasajes, hay una clara evidencia que
quienes apoyan el ‘espacio defendible’ tienen
razón (7). Pero en las cuestiones más importantes
como la relación entre un trazado de grilla o uno
jerárquico o arbóreo, la relación
entre el espacio publico y el espacio privado, la escala del
desarrollo, la permeabilidad, la mezcla de usos y densidad de viviendas
en las áreas residenciales, la prueba concreta es
esporádica e inconcluyente (8)
La pregunta abierta es: Pueden ser los espacios mixtos, permeables,
densos y abiertos, que parecen ser preferibles para la sostenibilidad
medio ambiental, ser construidos de tal modo que lo sean
también para la seguridad? O existen algunos espacios que
sean naturalmente criminógenos? El
objetivo del ;UCL Vivacity Crime Study’ era de intentar
proponer una metodología y un cuerpo de evidencias que
respondiera a esta pregunta. Hay una solución correcta y
otra incorrecta? O es posible que, como lo vamos a mostrar
aquí a través de una base de evidencias reales,
que ambas tengan razón en algunas cosas y en otras no, y
ambas necesitan de ser vistas como una parte de un modelo mas complejo
que incorpora ideas subyacentes y mecanismos de ambas?
Preguntas de
Investigación
El primer paso en la investigación fue de desglosar los dos
modelos en un número de preguntas claves, a las cuales se
pudiera contestar con evidencias que hasta ahora no han sido utilizadas:
-Existe un tipo de viviendas mas seguro que otro?
- Es la densidad positiva o negativa?
- Es el movimiento en la calle bueno o malo?
- Son las calles o pasajes sin salida seguros o no?
- Importa o no como organizamos las viviendas?
- Es el uso mixto positivo o no?
- Debieran las áreas residenciales permeables o no?
Mientras revisamos estas preguntas, tendremos también en
mente otra cuestión mas importante y aun no resuelta, que
implica todas las anteriores: Existe alguna interacción
entre los factores sociales y los factores espaciales y
físicos?
La base de evidencias
existente
Algunas de estas preguntas han sido establecidas anteriormente a
través de otras investigaciones, pero en términos
de investigaciones empíricas la base de evidencias es
sorprendentemente pobre y mezclada con anécdotas y
prejuicios. Por ejemplo, el trabajo de Oscar Newman sobre proyectos de
vivienda social en Nueva-York en los años 60, dio una mala
reputación a los apartamentos (9), pero el
análisis multivariable de Tracey Budd del British Crime
Survey en 1999 (10) sugirió que al tomar en cuenta factores
sociales y económicos, los apartamentos eran el tipo mas
seguro de viviendas, seguido por casas adosadas, casas
semi-adosadas y finalmente casas individuales, a pesar de que los datos
duros citados a menudo dijeran lo contrario. Pruebas subsecuentes (11)
sugirieron que el análisis multivariable de
seguridad en apartamentos (mas seguros) y casas individuales (menos
seguras) puede a veces ser el caso aún sin tomar otros
factores en consideración.
Así mismo, la densidad ha siempre sido asumida como factor
de aumento de las tasas de crimen, y el trabajo de Newman ha sido
interpretado inculpando la densidad, aunque lo que Newman en realidad
dijera no era que la densidad facilitara el crimen, sino la forma del
edificio (pasillos dobles) que era necesaria para alcanzar aquella
densidad (12). Una serie de estudios recientes tampoco
consiguió encontrar un vinculo entre alta densidad y crimen
(13), aunque ninguno hasta ahora haya demostrado tampoco que esta
relación sea beneficiosa.
En temas de flujos de movimiento, la cercanía a las
vías principales es generalmente interpretada como un factor
de aumento de vulnerabilidad al robo. Sin embargo,
estudios recientes (14) han sugerido que también puede ser
el caso que sean mas seguras aquellas áreas que se
encuentran alejadas de las vías principales, y cercanas a
vías de áreas residenciales con alto potencial de
movimiento; a no ser que otros factores de vulnerabilidad relacionados
con la vivienda, como entradas de sótano o callejones
traseros, estén en juego. La determinación de los
callejones sin salida como espacios ‘seguros’ es
también parte importante del “Defendible
Space”, pero es difícil de encontrar una pruebas
concluyentes en pro o en contra de tal pensamiento. Antes del final del
siglo, el British Crime Survey reporto porcentajes de robos mas bajo en
los callejones sin salidas que en vías secundarias, y menos
vías secundarias que en vías principales, pero no
existe ningún informe que muestre que estas cifras fueron
testeadas por un análisis multivariable, el cual seria
necesario para excluir las derivaciones posibles debido a variables
sociales. La prueba mas clara en el tema de los callejones sin salida,
en realidad viene de los estudios de Space Syntax (15), en el cual se
sugiere que un callejón sin salida linear con una buena
ínter-visibilidad de las viviendas y dispuesto en un layout
de calles permeables puede ser muy seguro, sin embargo un modelo basado
en callejones sin salida o ínter-vinculados puede ser muy
vulnerable, especialmente si están conectados por senderos
poco usados.
Al hablar sobre grupos de viviendas, nuevamente encontramos una
creencia ampliamente reconocida en la que se argumenta que un
número pequeño de viviendas enfrentadas a un
espacio común pueden promover el sentido de comunidad e
impedir el crimen (16), pero encontrar pruebas de que esto es
así, es difícil. Igual es el caso con el uso
mixto, la permeabilidad y los factores sociales. Las creencias
apasionadas abundan, pero existen muy pocas pruebas que
permitan un juicio razonable. Tenemos que decir también que
la posición polémica que actualmente marca este
debate es a menudo caracterizada por la proclamación de que
una base de pruebas existe cuando el examen al detalle demuestra que no.
Oscar Newman, por ejemplo, cuyo “Defendible Space”
es a menudo referido por quienes apoyan la idea del callejón
sin salida, no presenta prueba alguna en aquella
investigación, y de hecho expresa la opinión que
‘…las calles crean seguridad en la forma de
vías con movimiento concentrado de peatones y
automóviles (17), añadiendo además,
‘que el layout de calles, con su constante flujo de peatones
y vehículos, provee un elemento de seguridad para cada
unidad de vivienda’ (18)
Metodología
Entonces, por qué después de todo este tiempo e
interés, la base de pruebas o evidencias es tan escasa? Una
de las razones es ciertamente metodológica. Para examinar la
distribución espacial de patrones de crimen en un entorno
urbano de manera sistemática, sería necesario
tener una forma rigurosa, consistente, y precisa para describir las
diferencias entre un entorno urbano y otro y entre las distintas
locaciones que crean este entorno donde los crímenes pueden
o no ocurrir. El alto número de
variables implicadas hace el análisis mas
difícil aun, y el énfasis en los
softwares de “análisis de crimen” sobre
“hot spots” independientes de los datos espaciales
y físicos de los lugares ha tal vez distraído la
atención sobre este problema clave.
Es precisamente aquí que las técnicas de Space
Syntax pueden tener un papel predominante. Space Syntax es una set de
técnicas para representar y analizar las redes de calles de
la ciudad con el fin de descubrir los patrones subyacentes y las
estructuras que influyen los patrones de actividad en el espacio,
principalmente flujos de movimiento y usos de suelo. El modelo trabaja
a la escala del segmento de la calle entre intersecciones, y se ha
demostrado que es posible analizar las redes permitiendo obtener una
variable de movimiento potencial a lo largo de cada segmento de calle,
aproximándolo desde el análisis espacial, por
medio de la relación entre las redes de calles y los datos
de flujo de movimiento.
Como consecuencia de esta investigación, Space Syntax ve la
ciudad compuesta por una red de centros de actividad interconectados a
distintas escalas (usualmente representados en colores rojo, naranja y
amarillo) en conjunto con una red de base con una red de bajo nivel de
actividad (usualmente representados en azul y verde)
Entonces si los flujos de movimiento, el uso del suelo y los patrones
de de actividad están todos vinculados de alguna manera con
los patrones de crimen, Space Syntax no solo ofrece una forma para
describir y comparar entornos urbanos desde el punto de vista de la
distribución del crimen, sino también para ligar
el crimen con los modelos de vida urbana en estos entornos.
Prueba de esto puede ser vista en figuras 1 y 2.
La figura 1 nos muestra que el patrón de asalto callejero en
cinco años en un distrito municipal de Londres esta
claramente relacionado con las líneas mas rojas del primer
plano de la red, mientras que la figura 2 muestra un modelo mucho
más difuso de robo residencial que no sigue la
misma lógica. Pero más importante aún,
ya que los colores significan valores numéricos
describiendo cada segmento en la red, es posible realizar
comparaciones estadísticas con otras cifras que representen
la ubicación de los crímenes. De hecho, Space
Syntax puede hacer más que eso, ya que provee de un
método para categorizar de manera numérica un
gran numero de propiedades de los lugares y zonas que configuran el
entorno urbano, puede ser utilizado como una descripción
espacial básica a la cual es posible agregar bases de datos
sociales, económicas, demográficas y otros tipos
de información. En este sentido, variables espaciales pueden
ser agregadas al análisis estadístico de patrones
de crimen en una base numérica común.
El patron de asaltos
callejeros durante 5 anos en un distrito municipal de Londres mapeado
en conjunto con el análisis de Space Syntax de las redes de
calles en lo cual el movimiento potencial a través de cada
segmentos de calle esta indicado por la coloración desde
rojo para alto hasta azul para bajo. Es claro que el modelo del robo
esta relacionado con la red de calles rojas y naranjas.
El patrón de
robo residencial durante 5 años en un distrito municipal de
Londres sobre el modelo espacial de Space Syntax. A diferencia del
patrón de asaltos, el del robo aparece difuso en la red de
forma que no sugiere un patron evidente.
La base de datos
La base de datos para el estudio UCL esta compuesta por 5
años de recopilación de datos sobre crimen
realizada po la policía en un distrito municipal de Londres
con una población de 263000 hab, 101849 viviendas en 65459
edificios residenciales, 536 Km. de vías, compuestas por
7102 segmentos de calles, y muchos centros y sub-centros a diferentes
escalas. La base de datos de crimen cubre 5 anos y tiene mas de 13000
robos y 6000 asaltos, todos georeferenciados, a los cuales es posible
añadir los datos sociales y demográficos del
censo de 2001, ademas de datos municipales sobre cada uno de los
edificios, y datos espaciales del análisis de Space Syntax.
Debido a que los datos se encuentran a escalas diferentes, las tablas
de datos fueron creadas a cuatro niveles:
- Los 21 distritos electorales (aproximamente12000 personas) que
componen el distrito. A este nivel, los datos espaciales son
numéricamente exactos, pero solo reflejan
características espaciales generales de las
áreas. Los datos sociales del Censo de 2001 están
también disponibles pero a este nivel los modelos son
demasiado amplios.
- Las 800 Unidades censales de área (mas o menos 125
viviendas) según el censo de 2001. A este nivel, los datos
sociales son abundantes e incluyen informaciones
demográficas, ocupación, privación
social, desempleo, densidad de población y
distribución étnica, como también los
tipos y las formas de tenencia, pero lamentablemente los datos
espaciales son bastante inadecuados en este nivel debido a la forma
arbitraria de las unidades censales.
- Los 7102 segmentos de calles (entre intersecciones), que componen el
distrito. Aquí tenemos los datos espaciales y
físicos óptimos, además de los datos
del “Council Tax Band” (impuesto a la propiedad)
que nos indican los valores de propiedad que pueden actuar como un
sustituto para datos sociales.
- Finalmente, las 65459 edificios de residencia individual, que
incluyen 101849 viviendas. Aquí los valores espaciales
están tomados del segmento asociado. En este caso tenemos
buenos datos espaciales y físicos, pero ningún
dato social, aunque la cinta del “Council Tax Band”
pueda ser usada como un sustituto.
Entonces los datos más ricos al nivel demográfico
y socio-económico no se superponen con los datos espaciales
más ricos, pero la utilidad de crear tablas de datos a
diferentes niveles con diferentes contenidos será mas claro
luego, cuando cambiamos entre niveles para buscar respuestas a
preguntas especificas.
Con esta metodología y esta base de datos, podemos
enfocarnos en nuestras preguntas de investigación. Pero
tenemos primero que ofrecer una advertencia. Aunque la base de datos
sea amplia, esta concentrada en un único barrio de Londres,
y tendríamos que reproducir los resultados en otros estudios
y análisis para estar seguros que pueden ser considerados
como patrones generales, incluso en un país determinado.
El área a analizar es sumamente diferenciada en cuanto a la
composición social y los tipos urbanos, de centro de la
ciudad a la periferia, y esto permitirá testear
correlaciones y patrones subdividiendo los datos. Como por ejemplo con
los tipos de viviendas o con el “Council Taxe Band”
(una tasa local en el Reino Unido basada en el valor de la propiedad)
para ver si los patrones se mantienen en cada una de las subdivisiones.
Algunos patrones generales
Las preguntas de investigación estarán dirigidas
en gran parte por la base de datos de alta
resolución (segmentos y edificios), pero antes de comenzar
es necesario observar algunos patrones provenientes de las tablas de
baja resolución identificados a través de
análisis multivariable .El análisis multivariable
es un set de técnicas estadísticas en el cual los
efectos de distintos factores sobre un resultado ( en este caso , el
crimen) puede ser considerado simultáneamente permitiendo
permitiendo demostrar que una relación aparente entre las
variables desaparece cuando la influencia de otro factor es tenido en
cuenta ( como en el estudio de Budd, de los tipos de viviendas en el
Britsih Crime Survey).
Por ejemplo, a nivel de los distritos electorales encontramos que un
porcentaje alto de robos están asociados con factores
sociales como pequeños tamaño de vivienda y bajos
porcentajes de ocupación pero también encontramos
que los factores físicos están también
representados, incluyendo una alta proporción de pisos
convertidos, menor cantidad de residencias a nivel de calle y una alto
numero de viviendas en medio piso. Se debe tener gran cuidado al tratar
de interpretar estas figuras a esta escala, ya que a menudo
habrá un doble efecto, en el cual una alta
proporción de crímenes será realizada
por los criminales que también viven en el distrito,
entonces la figura indicara tanto la cantidad de criminales como la
vulnerabilidad de víctimas. A lo mas, los patrones a nivel
de distrito sugieren un proceso interactivo que implica las
circunstancias físicas y sociales bajo cual distintos grupos
sociales conviven, más que simplemente un proceso social o
espacial.
La interacción entre factores sociales y espaciales
también es sugerida por un análisis multivariable
de las 800 unidades censales, donde el doble efecto que notamos
será menos notorio.
Los factores de privación social son asociados con la
incidencia de robo residencial, aunque de modo interesante esto sea la
privación de empleo más bien que la
privación de ingreso que es la más fuerte, pero
aun mas fuertes son las variables como el tipo de vivienda,
apartamentos construidos con ese propósito, casas
aterrazadas, apartamentos reconvertidos y apartamentos en edificios
comerciales. Inesperadamente, hay una disminución en el robo
residencial cuando densidad de viviendas aumenta (y lo mismo con la
densidad de población, pero el caso de la vivienda es mas
fuerte, con una correlación estrecha entre ambos). Contra
esto entonces, podemos proseguir con nuestras preguntas
específicas a través de las tablas de
alta resolución con alguna expectativa de que puedan darnos
alguna respuesta.
¿Son algunas
viviendas más seguras que otras?
La tabla 2 resume las relaciones entre los números de robos
en casas y tipos de casas, agregados de una base de datos de 65450
edificios residenciales. Las tipologías están
ordenadas en el eje horizontal según el número de
caras expuestas al acceso exterior, que es cero en departamentos en
altura y todos los cuatro lados en casas/chalets individuales. El eje
vertical muestra las bandas de impuestos de A el mas bajo a H el mas
alto. Puesto que los impuestos están basados en el valor de
la propiedad, se puede suponer que indican el bienestar de los
habitantes. Los índices de robos de casas están
mostrando todo el periodo de cinco años. Lo más
obvio es un aumento constante de los índices promedios de
robos de los departamentos en altura (los más bajos) a las
viviendas individuales (los más altos).
También puede haber un problema en los edificios altos.
Todos pertenecen al gobierno y por lo tanto los índices
bajos pueden ser debidos a delitos no denunciados. Sin embargo, el
análisis indica que no hay una correlación fuerte
entre los incidentes y las bandas de impuestos. En los dos grupos
más altos, todas las viviendas están en la
segunda mas baja clase de impuestos B, así que los podemos
comparar a otros tipos de viviendas en la misma clase B, para ver
cuanto coinciden con los patrones generales.
Examinando los patrones generales de los índices,
descubrimos que para la mayoría de los tipos de apartamentos
los índices son mas bajos que para casas individuales, y
bajan mas aun con el incremento del nivel de ingreso (o mayor
posición social), mientras que los índices de
casas individuales son mas altos y tienen los mayores valores a los dos
extremos del grafico, de los mas pobres y los mas acomodados.
Esto demuestra que el tipo de residencia es un factor
crítico para la vulnerabilidad al robo, pero
también que hay dos factores que influyen el
patrón del riesgo: el nivel de exposición (el
numero de caras expuestas) y el bienestar social, con los pobres y los
acomodados con mayor riesgo. Pero, en general, las casas
están mas expuestas a riesgo que los apartamentos, y el
riesgo crece mientras menos adosada sea la vivienda. También
mientras mas alto el nivel de ingreso, mas se esta en riesgo en una
casa individual y mas seguro en un apartamento. Además, en
todos los tipos de residencias, el patrón de vulnerabilidad
con la banda de impuestos toma en el grafico una forma de U, con los
que tienen los menores y los mayores niveles de ingreso siendo los mas
vulnerables, viendo los índices generales por bandas de
impuestos, la tendencia de las clases de impuestos bajos hacia
departamentos, significa que hay un simple aumento lineal en
vulnerabilidad con el aumento de nivel de impuestos.
Aunque estos resultados son compatibles con los resultados del
análisis multivariable de British Crime Survey, los
resultados básicos están invertidos.
¿Es esto un problema? Nosotros creemos que no. El BCS cubre
todo el país, y representa todas las circunstancias sociales
y espaciales. Y en muchos de los casos los tipos de residencias como
casas individuales se encuentran en áreas con niveles bajos
de criminalidad, y al revés para los departamentos. Nuestra
base de datos es para un solo barrio donde la distribución
de todos los tipos de objetivos de crimen esta mucho mas comprimida.
Lo que se puede extraer de los resultados básicos de BCS por
el análisis multivariable es la influencia de
áreas y ámbitos sociales muy diferentes, y la
separación entre ellos en medios urbanos es mucho menor.
Al parecer las dos bases de datos pueden ser correctas, pero el hecho
demostrado es que los departamentos son más seguros que las
casas.
¿Es la
densidad buena o mala?
Hemos visto que los datos de alta resolución sugieren que
las densidades más altas pueden ser asociadas con niveles
más bajos de robos.
Pero la arbitrariedad de la forma de las Unidades de área
(unidades que se usan para el Censo) puede significar que factores como
la presencia de un parque, de otros espacios públicos
abiertos o de usos de suelo no residenciales puede tener una influencia
importante. Para comprobar eso, hemos desarrollado una medida que
llamamos ‘densidad centrada en un edificio’ en la
cual tomamos como referencia el centro de cada edificio y calculamos la
densidad de residencias que están, enteras o en parte,
dentro de un radio de 30 metros. Hacemos la distinción entre
edificios que son casas individuales o los que tienen varias
residencias, y también entre residencias en el primer piso o
en altura dentro del radio de 30 metros.
La medida indica la densidad alrededor de cada edificio y por lo tanto
evita problemas de la densidad medida por área. Junto con
esto podemos usar otra técnica multivariable llamada
regresión logística, para medir en cuanto cada
una de los variables puede disminuir o aumentar el riesgo de un
incidente de robo para cada edificio.
Los resultados están resumidos en la tabla 3 para todo el
área y después distribuidos por distrito
electoral. En la parte izquierda de la tabla están las casas
individuales y en la parte derecha los edificios con
múltiples residencias. En cada uno de los lados, la primera
columna indica el numero de edificios de la muestra, y la
segunda columna el promedio del aumento (signo +) o la
reducción (signo -) en el riesgo con el aumento de la
densidad. Los valores entre paréntesis son el valor
estadístico de cada uno de los números, con **
‘significando ‘de mayor importancia’, y *
‘importante’. La primera columna de riesgo mide la
variación del riesgo con la densidad de residencias en el
nivel de calle y los niveles superior, y la segunda con la densidad del
nivel de suelo solamente. La tabla demuestra que para viviendas
individuales en todos los barrios el riesgo baja con el aumento de la
densidad, con un promedio de 27.2% reducción para densidades
de residencias en todos los niveles y 38.9% para el nivel de la calle
solamente.
Para interpretar los resultados para edificios de residencias
múltiples es importante entender que la técnica
de la regresión logística solo puede mostrar si
un robo puede pasar o no en el edificio, sin implicar el
número de viviendas que contiene.
Un factor importante para el análisis es que mientras mas
residencias en un edificio mas grande la densidad calculada por todos
los niveles. En este caso, el hecho de que la primera columna muestre
resultados neutros, puede significar que aumentando el numero de
residencias por edificio el riesgo de robo para el edifico no sube. Y
eso significa que el riesgo para cada vivienda será menor
para edificios con más viviendas.
Esto puede ser comprobado añadiendo el número de
viviendas en un edificio en la ecuación. Encontramos que en
16 de los 21 distritos electorales, el riesgo es reducido aumentando la
densidad al nivel de suelo, aunque el puro numero de viviendas esta
asociada con mayor riesgo habiendo mas objetivos de crimen. En la
última columna de la tabla se puede ver que considerando
solo la densidad al nivel de suelo sin el efecto de la cantidad de
viviendas, en 18 de los 21 distritos electorales aparece una
reducción del riesgo con el aumento de la densidad al nivel
de suelo para edificios con múltiples viviendas, con un
promedio de 16%.
Tabla 3. El efecto de la
densidad alrededor de un edificio sobre el riesgo de robos por
distritos electorales.
La tabla 3 tiene un base de datos de 65459 edificios y muestra la
reducción del riesgo de robos con el aumento de la densidad
alrededor de un edificio (el numero de viviendas en un radio de 30
metros de cada edificio).
Estos resultados son remarcables, y el hecho de ser tan coherentes
sobre una variedad de circunstancias sociales, espaciales y
físicas que se encuentran en el barrio sugiere que pueden
ser encontradas en otras partes también.
¿Cómo se podrán explicar? Puede ser un
efecto de la vigilancia: tener mayor cantidad de viviendas alrededor
puede impedir el accionar del ladrón. También
puede ser que los ladrones evitan ir a objetivos en el mismo
área muy seguido, o que la gente este mas vigilante, y eso
podrá resultar en que tener mas viviendas en un
área de riesgo significa que el numero de robos va ser
proporcionalmente menor.
En el caso de los efectos negativos de la densidad en altura puede ser
simplemente por vivir “al lado de los edificios de viviendas
sociales” en este caso.
Pero puede ser también el efecto estadístico de
tener más viviendas en altura, que son menos vulnerables, lo
que significa que hay un número más
pequeño de casas más fáciles de robar
en el nivel de suelo, que podrían ser objetivo de robos.
Independiente del mecanismo, cabe poca duda que en este área
urbana la densidad en el nivel de suelo es una ventaja, y la densidad
en los pisos altos en una desventaja, aunque no esta claro el grado de
los efectos negativos de lo último.
¿Es el
movimiento en tu calle bueno o malo?
El análisis multivariable de la base de datos de alta
resolución también nos permite acercarnos al tema
de una nueva manera. Space Syntax puede hacer las distinción
entre dos aspectos de la movilidad: la accesibilidad de cada segmento
de calle como potencial destino; y el grado de probabilidad de tener
movimiento atravesando cada segmento como parte de rutas entre otros
destinos.
El primero lo podemos llamar potencial de movimiento-hacia un segmento
o movimiento de destino: ¿qué tan
fácil es llegar a? y el segundo lo podemos llamar potencial
de movimiento-a través de un segmento o movimiento de
travesía: ¿Cuánto movimiento va a
pasar a través de? También podemos limitar cada
medida a un radio conveniente alrededor a 400 o 800 metros, o podemos
medir el potencial en la escala de la ciudad completa. Entre este
movimiento potencial y el movimiento real obtenemos una
correlación de 60-80%.
Entonces, tomando la base de datos de alta resolución
(edificios) le asignamos a cada edificio valores de cada tipo de
movimiento en distintos radios. Luego aplicamos la misma
técnica de regresión logística
multivariable, para entender que tipos de de movimiento potenciales
influyen el riesgo de robos. Los antecedentes de esto es que algunos
estudios han mostrado mas robos cerca de las calles principales, por
estar cerca de los caminos recorridos por los potenciales ladrones,
mientras otros estudios han encontrado que dentro de áreas
residenciales hay menos robos en las calles mas importantes,
explicándolo por la mejor vigilancia como efecto del
movimiento mas intenso.
Con el análisis de Space Syntax, hemos encontrado una
reconciliación de estos dos puntos de vista que se relaciona
con la intuición común. En la tabla 4 la parte de
arriba se refiere a casas individuales, y la parte de abajo a edificios
de viviendas. Los valores claves están en
‘Exp.coeff’: mayor que 1.0 indica un porcentaje de
aumento del riesgo, menor que 1.0 un porcentaje de
reducción. Los valores de la izquierda indican significancia
estadística que debería ser bajo 0.5 para que el
valor de Exp.coeff. sea importante. Como se puede observar los valores
son más altos para casas individuales que para
departamentos, lo cual es una buena base porque nos
esperaríamos que una casa expuesta al espacio publico sea
mas afectada por el movimiento que los apartamentos.
Para las casas encontramos un aumento del riesgo en un 18.7% por el
movimiento de destino y10.2% por el movimiento de travesía
en una calle principal al nivel de la ciudad. Esto al parecer confirma
la hipótesis de “los caminos más
recorridos”. Pero para movimiento local a un radio de 300
metros, encontramos que el movimiento de destino es mas o menos neutro
mientras el movimiento de travesía reduce el riesgo en un
15.3%.
El patrón es el mismo para las viviendas en altura, aunque
los valores son menores y menos importantes. Estos resultados sugieren
entonces que las dos hipótesis del camino más
recorrido y de la vigilancia pueden ser correctas en distintas
circunstancias. Estar en una calle importante al nivel global
aumenta el riesgo, mientras estar en una calle importante al nivel
local disminuye el riesgo.
Figura 3. Conectividad
de segmentos.
¿Calles sin
salida versus grillas?
El área de estudio tiene pocas calles sin salida, y la
mayoría siguen la formula identificada en estudios previos
como segura (19), cuando son lineales y simples, y conectadas
directamente a la red que se puede atravesar. No existen sistemas
jerárquicos de calles sin salida en la tipología
construida en la segunda mitad del siglo XX, porque casi toda el
área fue construida debido a la segunda guerra mundial. El
tamaño pequeño y la tipología de las
calles sin salida deberían mantenerse presente en lo
siguiente.
También aparece un problema
metodológico para una base de datos de este
tamaño ya que la identificación de las calles sin
salida en el análisis espacial no es automática
sino manual. Contar el número de conexiones por ejemplo no
es suficiente, ya que un segmento con una sola conexión es
seguramente una calle sin salida, pero un segmento con 2 conexiones
puede ser un segmento conectado en cada lado o una calle sin salida.
También un segmento con 3 conexiones puede ser una calle sin
salida.
Aun así, parece útil examinar la conectividad del
segmento en relación a robos de casas. Si agrupamos los
segmentos con una o dos conexiones y asumimos que van a representar
todas las calles sin salidas, descubrimos que tienen en promedio un
índice de robos un 30% menor a 0.088 comparado a 0.123, y en
general una conectividad mas alta esta asociada con índices
de robos mas altos, el punto mas alto es a 5 conexiones bajando a 6
conexiones. Sin embargo este patrón claro se vuelve mucho
mas complejo en cuanto tomamos en cuenta otros variables. Primero,
juntando la conectividad de segmentos a la regresión
logística presentada en la Tabla 4, descubrimos que junto
con otras variables espaciales relacionadas a movimiento, una mejor
conectividad de los segmentos tiene un beneficio marginal. Una baja
conectividad no debería por lo tanto ser considerada
positiva de manera inmediata.
Más importante aun, la conectividad de los segmentos es
dramáticamente afectada por otras dos variables. La primera
es la banda de impuestos, que hemos usado anteriormente para aproximar
el nivel de ingreso. La Figura 4 muestra los índices de
robos para 1-2 hasta 6 conexiones por segmentos con casas individuales
en bandas de impuestos de B a H (A tenia muy pocos casos). Esto muestra
que hay una variación importante en la dirección
del cambio, donde las bandas D y G crecen con la conectividad, mientras
que las bandas B, C y H tiene tendencia de bajar con fluctuaciones, y
bandas E y F suben y bajan. Más sorprendente aun es la
variación de los índices de robos con las bandas
de impuestos, que es mas alta que la variación con la
conectividad. Los más sorprendente de todo son los
índices muy altos para la banda H y el hecho de que los mas
altos de todos están entre los que tienen poca conectividad.
Ya hemos visto en nuestro análisis de tipologías
que aumentando el nivel de vida se aumenta la vulnerabilidad de las
casas. Ahora podemos ver que esto se enfoca solo en las casas que se
encuentran sobre segmentos de calles con pocas conexiones.
Figura 4
El segundo factor que afecta la conectividad de los segmentos es el
número de viviendas que se encuentran en un segmento. Los
segmentos con 1 o 2 conexiones con menos de 10 viviendas, por ejemplo,
tienen un índice de robos de 0.209, dos veces mas alto que
el promedio, mientras segmentos con 6 conexiones (como en una grilla)
con mas de 100 viviendas (que cubren 3000 viviendas de la muestra)
tienen un índice de 0.086, mucho bajo que el promedio. En
general hemos encontrado que en segmentos con baja o alta conectividad,
mientras más viviendas tiene el segmento, mas bajo es el
índice de robos. En mayor riesgo están los grupos
pequeños de casas en locaciones con poca conectividad.
Podemos decir que en el caso de objetivos muy atractivos, la
aislación beneficia a los ladrones, mientras para objetivos
menos atractivos, las calles sin salida están fuera del
camino del oportunista y así se explican los
índices más bajos.
Entonces podemos mencionar nuevamente que las calles sin salida no
están más seguras en si, pero se vuelven seguras
mientras más habitantes menos ricos.
¿Es importante
la forma de agrupar las viviendas?
Para la mayor parte de la historia urbana la manera mas
común de agrupar las viviendas a sido lineal, a lo largo de
una calle, con edificios abriéndose hacia la calle en los
dos lados, y en los últimos años se ha vuelto a
esa formula alejándose de la preferencia de finales de siglo
XX para los edificios organizados a través de patios
cerrados o plazas (20). ¿Pero que tan largo
debería ser cada segmento, que tan seguidas
deberían ser las intersecciones y cual debería
ser la escala de las manzanas en general? La nueva tendencia de
aumentar la permeabilidad resulta en manzanas más
pequeñas y menos viviendas en cada segmento. ¿Es
eso importante o hay un efecto de escala en los sistemas de calles?
Se ha demostrado que es en realidad un efecto de escala, y entenderlo
es una clave para diseñar ambientes seguros. Por ejemplo si
tomamos los 328 segmentos de nuestra muestra con una sola vivienda,
encontramos 197 robos de residencias sobre 5 años,
más de 60%, o 12% por año. Pero si consideramos
los 34 segmentos con mas de 90 viviendas, encontramos 3708 viviendas y
419 en 5 años, 11.3% por cinco años, o 2.26% por
año.
Figura 5 Los datos por segmento agrupados en bandas por el
número de viviendas en un segmento. Los índices
de robos bajan con los números más altos de
viviendas por segmento. Crear bandas evita el problema
estadístico que aparecería si dividimos los robos
por el número de viviendas en cada segmento.
Para seguir explorando dividimos los 4439 segmentos que tienen por lo
menos una vivienda en bandas según su numero de viviendas.
Esto resulta en un promedio de 94 segmentos por banda, y un tramo de
9.3 km por banda con un promedio de 1600 viviendas (21). Luego
Calculamos los índices para cada banda, y los introducimos
en un grafico que muestra en el eje horizontal viviendas por segmento y
los índices de robos en el eje vertical. Se puede ver en la
Figura 5 que el riesgo de robos se disminuye constantemente con el
aumento de vecinos por un segmento de calle.
Este es un efecto notable, pero no inesperado para cualquiera que sea
familiar con la historia de las ciudades. En general notamos que las
áreas residenciales tienen manzanas mas grandes, y por lo
tanto mas edificios por segmentos de calle, que las áreas
centrales con actividad intensa. No es sorprendente entonces, que esto
tenga sentido en relación a la seguridad. Esto puede sugerir
que el enfoque actual sobre una máxima permeabilidad puede
ser exagerado. Este resultado, tal como en el caso de la densidad,
puede ser explicado por el aumento de la vigilancia, pero
también se puede explicar por el argumento de la 'seguridad
en números' que enunciamos en el caso de la
densidad.
Figura 5
La mayor importancia de la escala de las manzanas en los barrios
residenciales puede ser demostrada por otro resultado notable. Hemos
observado anteriormente que la mayor accesibilidad para el movimiento
de destino a escala global esta asociado a mayor riesgo de robos.
Juntando el factor de la seguridad en números en la
ecuación, podemos demostrar que es más complejo.
Si consideramos las bandas de viviendas por segmento y graficamos los
índices de robos contra la accesibilidad a escala global,
encontramos una bifurcación en los datos, con un ramo
subiendo y otro bajando con el valor integración
espacial. (Figura 6ª).
Si dividimos la primera banda de riesgo por la mitad de los que tienen
menos de 25 viviendas por segmento hacia la izquierda (Figura
6b) y los con mas hacia la derecha (Figura 6c), entonces parece que los
efectos negativos de la accesibilidad a escala global sobre la
criminalidad es eliminado y se convierte en ventaja con el aumento de
viviendas. Al parecer, más residencias cancelan el efecto
negativo de estar cerca de movimiento en escala global y lo convierten
en ventaja. Ojos de la calle y ojos hacia la calle conspiran para crear
mejor seguridad. Este resultado también ayuda a entender los
resultados divergentes de los estudios mencionados previamente.
Figure 6a
Figure 6b
Figure 6c
¿Es el uso
mixto una ventaja o no?
Usando los datos al nivel de segmentos de calles también
podemos comprobar los efectos sobre los asaltos callejeros. Nuevamente,
hay que tener atención porque si los asaltos son aleatorios,
entonces los segmentos más largos van a tener más
asaltos y los segmentos más largos tienen más
viviendas. Podemos superar ese problema, como antes,
añadiendo todos los segmentos en una banda de un cierto
tramo, y calculando los índices de asaltos, sobre todo el
largo de una banda. Nuevamente, el tamaño de un segmento no
esta involucrado en el calculo del índice, por lo tanto
tenemos una medida independiente de eso.
Graficando esta medida contra las bandas de viviendas/segmento no
encontramos una reducción lineal, como en el caso de los
robos, sino fluctuaciones dentro de una reducción general.
(Figura 7) Estas fluctuaciones se deben a la presencia de usos de suelo
non-residenciales. Esto se puede demostrar dividiendo el
índice de asaltos por la proporción entre usos
residenciales y no-residenciales (Figura 8). La dependencia lineal de
la relación muestra no solo que los asaltos están
fuertemente afectados por la presencia de usos de suelo
no-residenciales en la calle, lo cual es bien conocido, pero
también un nuevo fenómeno. Las fluctuaciones en
el patrón debidas a la presencia de usos no-residenciales
están superadas mientras haya una alta proporción
de usos residenciales por sobre los no-residenciales. Tal como en el
caso de los robos, los números de residencias parecen ser la
clave para un ambiente seguro.
Podemos usar una técnica similar para ver si un
patrón similar se encuentra en el caso de los robos. En la
Figura 9 usamos las bandas de viviendas por segmento para graficar
primero en azul, la proporción de robos por segmento sin
contar usos no residenciales, luego en rojo la proporción
para segmentos entre 1 y 2 usos no residenciales, y luego en verde
aquellos con 4 o 10. En el eje vertical se encuentra la
proporción de robos por banda. Podemos ver que al lado
izquierdo de la figura cuando el numero de viviendas por segmento es
bajo, la proporción de robos con 4 a 10 usos
no-residenciales es (sizetime) para la banda sin usos no-residenciales,
y para 1 a 2 es el doble de alto. Entonces, cuando el uso residencial
es bajo, existe un (penalty) sobre el uso de suelo mixto. Pero cuando
nos movemos hacia la derecha e incrementamos los números de
vivienda por segmento, todos las proporciones no solo caen sino que
también convergen, entonces cuando alcanzamos alrededor de
15 viviendas por segmento el (penalty) para el rango de 4 a 10 usos no
residenciales se vuelve muy pequeño, y para el rango de 1-2
desaparece.
La implicancia de esto es importante. Significa que el uso mixto
actúa en pro de los niveles de seguridad cuando el
número de residencias es alto, pero no cuando es bajo.
Figure 7
Figure 8
Figure 9
Figure 10
Pero, en relación al nivel de asaltos en y alrededor de la
red de centros de usos de suelo mixto, podemos ver en la figura 1 que
tiende a ser concentrado. Hay relativamente pocos residentes en estas
áreas, entonces ?cuales son las características
del espacio donde esto ocurre? Podemos tomar los primeros pasos hacia
una respuesta usando la técnica de las bandas nuevamente
pero esta ves agrupando todos los segmentos de acuerdo a la
proporción de densidad de asaltos (asaltos por unidad de
largo de calle) y preguntando cuando las bandas con alta densidad de
asaltos tienen características diferentes de
aquellas con baja proporción. Podemos comenzar con la
variable espacial más simple, conectividad por segmento.
Comenzando con los niveles más bajos en la izquierda, la
figura 10 muestra un aumento de la proporción, pero en las 3
bandas más altas hay una caída aguda hacia
segmentos menos conectados.
Utilizando la misma técnica, podemos ver que los niveles de
asalto crecen al incrementarse la distancia desde los edificios (figura
11), con la proporción en unidades no-residenciales a
residenciales (figura 12), y el numero de conexiones para las
línea de vista en las cuales el nivel de segmentos decae es
mas bajo para las proporciones de asaltos mas altos, pero el largo de
segmentos se incrementa hasta su nivel mas alto con las proporciones
mas altas (figura 14). De esta forma, construimos un perfil de los
segmentos de calle con altos niveles de asaltos que son largos (a pesar
del hecho que los segmentos en áreas de uso mixto tienden a
ser más cortos) y pobremente conectados, en
líneas mal conectadas y con bajas proporciones de residencia
a no-residencia.
Figure 11
Figure 12
Figure 13
Figure 14
Figure 15
Figure 16
Encontramos patrones igualmente informativos al dividir los datos en
periodos de tiempo, La figura15 grafica el número de asaltos
callejeros en 8 periodos de 3 horas cada uno para completar un
día, empezando en el lado izquierdo con el periodo de 6 a 9
am. La figura 16 grafica el promedio del movimiento potencial en los
segmentos en que este ocurre. Una vez más vemos que los
niveles mas altos ocurren en los espacios mas aislados. Esto muestra
que no es en la calle principal donde radica el peligro, pero en
segmentos mucho más insignificantes cercanos a la calle
principal. Sin embargo la situación cambia
después de media noche. Como muestra la figura 16 los
niveles más altos están asociados con segmentos
con menos potencial de movimiento y los niveles más bajos
con mayor potencial de movimiento.
La conclusión parece ser: No vayas por el la calle principal
después de medianoche, pero no la dejes hasta antes de
medianoche.
La pregunta final acerca de las áreas de uso de suelo mixto
es lo que llamaríamos la pregunta de Newman: Es la calle
principal mas o menos segura? esto es, Es el incremento en la
proporción de asaltos en y alrededor de las áreas
de uso de suelo mixto menos que o mas alto que el incremento de
peatones. Será esto lo que gobierne el riesgo de victimas
potenciales?
No podemos por supuesto observar movimiento pedestre en todos los
segmentos relevantes, pero podemos hacer uso de nuestra extensa base de
datos sobre flujo de peatones y vehículos en más
de 367 segmentos en 5 áreas de Londres para determinar la
diferencia promedio en flujos peatonales en segmentos con y sin uso de
suelo comercial.
El promedio de movimiento peatonal en el total de 367 segmentos es
224.176 por hora. Para segmentos sin áreas comerciales es
158.476 para 317 segmentos, y para aquellos con locales comerciales
(sin especificar un numero) es 640.714 para 50 segmentos. Esto
significa que la proporción de movimiento en segmentos con
retail es 4.042 veces mas alto que en segmentos sin áreas
comerciales. El promedio de asaltos en segmentos sin usos
no-residenciales, como se muestra en la figura superior, es 0.0074,
mientras que la proporción para segmentos con usos
no-residenciales es 0.0176 o 2.4 veces mas alto. La
proporción de incremento en asaltos es sustancialmente menor
que el incremento de movimiento, y dividiendo el uno con el otro,
(2.4/4.042), obtenemos 1.68, entonces podemos decir que en
términos de inseguridad peatonal estas 68% mas seguro en
calles comerciales con alto flujo de movimiento con usos
no-residenciales que en aquellos sin usos no-residenciales.
Esto por supuesto es una figura provisional, pero probablemente
también bastante conservadora. La conclusión es
que la proporción aparentemente alta de asaltos en y
alrededor de de centros con altos niveles de actividad no son una
razón para evitarlos. El usuario esta en realidad en menor
riesgo en los centros con altos niveles de actividad, a pesar de la
concentración de asaltos en estas áreas.
¿Qué
tan permeables debieran ser las áreas residenciales?
No podemos contestar directamente esta pregunta con la base de datos
que poseemos, ya que no tenemos el adecuado nivel de
resolución de los datos que reflejen áreas
convincentes.
Sin embargo, ciertos resultados que hemos presentado están
directamente relacionados con esto. Primero, los altos niveles de
integración espacial –y por ende mayor potencial
de movimiento- con mas de 25 unidades residenciales por segmento que se
muestran en las figuras 6,a,b,c, con segmentos asociados con altos
niveles de integración y bajos niveles de robo, serian en la
mayoría de los casos los alineamientos
estratégicos en áreas residenciales. Esto
refuerza anteriores descubrimientos donde los lineamientos principales
que estructuran el movimiento en las áreas residenciales,
tienden a ser seguros. Ya que los valores de integración
reflejan la permeabilidad a nivel global es confiable inferir que las
áreas bien estructuradas con suficiente permeabilidad para
conectarlas en todas las direcciones pueden de hecho ser relativamente
seguras – aunque otros factores también
estarían en juego.
Los descubrimientos en tablas 4 y 5 también tienen una
relación directa con esto, ya que muestran como el
movimiento a nivel local es positivo hasta cierto radio de influencia.
Esto implica que las áreas residenciales deberían
ser estructuradas en orden de recibir buenos niveles de
integración local, especial cuidado debiera tenerse
en asegurar que aquellas calles que también serian
representativas a nivel de movimiento global estén sobre el
promedio de 25 unidades residenciales por segmento para hacerlas mas
seguras.
Esto nuevamente demuestra que las áreas pueden ser
estructuradas para buenos niveles de permeabilidad para facilitar el
movimiento en todas las direcciones, tomando en cuenta las reglas sobre
el número de unidades residenciales por segmento.
De hecho, aunque los distritos de los barrios son bastante alejados de
lo que llamaríamos ‘áreas
naturales’, es interesante examinarlas desde el punto de
vista de la variable de ‘potencial de
movimiento’ A primera vista pareciera que existe una
asociación débil pero consistente entre varias
escalas de integración espacial y proporciones de robos. Si
embargo los patrones de integración espacial reflejan el
orden el que los barrios fueron construidos, desde los mas urbanos y
por lo tanto mas integrados y cercanos a los centros de las
ciudades que fueron construidos a principios del 1900, hasta
aquellas mas suburbanos construidos especialmente en las
época entre las dos guerras mundiales.
Es esto lo que produce la aparente asociación entre las
variables de movimiento potencial y altos niveles de robos, y de hecho
bajo un análisis de multivariable con el rango completo de
variables físicas y sociales, la asociación
desaparece.
Como muestra la tabla 6, las únicas variables que
están relacionadas con el índice de robos son las
proporciones de departamentos reconvertidos, que son excepcionalmente
vulnerables, y la proporción de viviendas con
‘medio piso’ a nivel de calle. Incluso el
índice de privaciones (deprivation index) esta excluido en
la presencia de estas dos variables. A este nivel pareciera que hemos
encontrado variables físicas simples y que solo necesitamos
incluir variables sociales para explicar el proceso
histórico que toma en cuenta el alto número de
casas divididas en departamentos y la alta frecuencia de
‘basements’ construidos en un tiempo determinado.
Tabla 5
Tabla 6
Las respuestas a las
preguntas.
Basados en las evidencias de este estudio podemos entonces sugerir las
siguientes respuestas a las preguntas.
¿Qué
tipos de viviendas?
En esta área, la relativa seguridad de diferentes tipos de
viviendas esta afectada por dos factores interrelacionados: el numero
de caras que la vivienda tiene expuesta a al espacio publico (por lo
tanto los departamentos presentan menor riesgo que casas familiares
individuales) y la clase social de los habitantes. Todas las clase
sociales tienden a tener igual nivel de seguridad en departamentos,
pero al incrementarse el nivel socioeconómico el nivel de
seguridad aumenta en los habitantes de departamentos por sobre los
habitantes de casas individuales, esto a pesar de la
inversión extra que la gente hace en alarmas de seguridad.
Al mismo tiempo edificios de departamentos diseñados como
tal, aparecen más seguros que casas reconvertidas en
departamentos
¿Densidad,
Alta o Baja?
Alta densidad a nivel de calle de viviendas y habitantes reduce el
factor de riesgo, aunque sobre el nivel de calle, la alta densidad
podría incrementarla. Pero tomando ambas en conjunto, la
densidad seria beneficiosa.
¿Movimiento o
no movimiento?
Movimiento a nivel local es benéfico, mientras que el
movimiento a escala global no lo es tanto, pero cuando hay patrones de
movimiento a gran escala, los segmentos de calle altamente integrados
poseen menor factor de riesgo, ya que están alineados con un
alto número de viviendas por segmento, y alto nivel de
riesgo cuando los niveles de vivienda por segmento son bajos.
¿Cul de sacs o
grillas?
El principio de que un alto numero de viviendas por segmento de calle
reduce el riesgo de robos, se aplica a ambos cul de sacs y grillas. Un
bajo número de viviendas en un cul de sac es vulnerable, en
especial si las viviendas son de mayor nivel socioeconómico.
Un nivel económico promedio y un alto número de
vecinos tendría un mejor efecto que estar en un cul de sac o
en una calle con salida. El primer descubrimiento que cul de sac
simples y lineares con un buen número de habitantes
insertado en una grilla de calles con salida es seguro, ha sido
confirmado por este estudio.
¿Puede el uso
de suelo mixto ser una buena mezcla?
Los segmentos de calle con uso de suelos mixtos son relativamente
seguros con un buen número de residentes, y vulnerables con
bajos números de residentes. El incremento de los niveles
residenciales neutraliza el riesgo que se encuentra en residencia
esparcida en segmentos de uso mixto.
¿Cómo
deberíamos agrupar las viviendas?
Las viviendas debieran ser agrupadas linealmente en ambos lados de la
calle. Los bloques residenciales debieran tender a ser más
grandes que pequeños.
¿Qué
tan permeables debieran ser las áreas residenciales?
El movimiento local reduce el riesgo, entonces las áreas
residenciales debieran ser diseñadas para estructurar
movimiento local de travesía, teniendo cuidado con los
patrones de movimiento a escala global. Donde hay mayor cantidad de
movimiento a escala global, las viviendas debieran ser
diseñadas para equilibrar las vistas desde la calle con las
vistas (control) hacia la calle. Las áreas residenciales
debieran ser lo suficientemente permeables para permitir el movimiento
en todas las direcciones, pero no en exceso, controlando la redundancia
de permeabilidad en espacios de bajo uso que pueden ser objetivos
potenciales de delito.
¿Existe
relación entre los factores sociales y físicos?
Los factores sociales interactúan entre ellos y con los
factores físicos en distintas maneras: por ejemplo, el
riesgo de robo tiene en el grafico una forma de U con los menos y mas
acomodados con mayor nivel de vulnerabilidad, mientras que los asaltos
se incrementan en áreas menos acomodadas; la ventaja de
vivir en un departamento es mas alta para aquellos de mejor
situación y estos mismos están en mayor riesgo en
áreas de cul de sacs.
¿Necesitamos
cambiar el paradigma?
Entonces, adonde nos lleva todo esto en relación al debate
entre soluciones ‘abiertas’ y soluciones
‘cerradas’? En cierto sentido ambas soluciones
tienen razón sobre algunas cosas y están
equivocadas en otras y cada una de las partes podría
reclamar cierta reivindicación a través de los
datos que hemos mostrado en este analizas. Pero esto
malinterpretaría la situación global.
Sin lugar a dudas, la evidencia presentada aquí sugiere que
ciertos principios presentados en cada argumento forman parte de una
situación mucho más grande y complicada. Aquellos
que defienden la solución ‘cerrada’
parecen haber sido demasiado conservadores al exagerar y sobre
simplificar el caso para cul de sacs y áreas cerradas, al
insistir en pequeños grupos de residentes por sobre grandes
grupos y en sobrestimar el potencial, y la importancia de la vida fuera
del cul de sac y en las áreas encerradas. Aquellos que
apoyan la opción de las áreas abiertas han sido a
su ves demasiado optimistas sobre la exposición de las
viviendas al espacio publico, y en no relacionar la permeabilidad a un
entendimiento real sobre lo que son los patrones de movimiento, y
quizás en no apreciar la interdependencia entre el numero de
residencias y la seguridad de áreas de uso mixto.
Pero quien tiene la razón y quien esta equivocado no es el
debate mas importante. A través del análisis
hemos presentado evidencia que cuestiona algunos de las creencias
más enraizadas que se han hecho a lo largo del tiempo entre
el diseño espacial y la seguridad. La más
importante de estas es quizás es el argumento sobre
la ‘seguridad en números’ que
reaparece una y otra ves en nuestra evidencia. Esta se contrapone a la
creencia de diseñar para grupos pequeños, en
comunidades de bajo riesgo. En base a la evidencia que hemos presentado
se puede argumentar lo contrario. Los beneficios de una cultura
residencial son mas aparentes con grupos grandes más que con
grupos pequeños.
Otra implicancia de esta investigación es que la
relación entre criminalidad y diseño espacial no
pasaría a través de la variable de
‘formación de comunidad’. Nuevamente la
evidencia sugiere que el simple factor de co-presencia de usuarios en
el espacio, junto a simples variables físicas de edificios o
espacios es suficiente para explicar las diferencias en proporciones de
crímenes en distintos tipos de áreas y lugares,
aunque con algunas diferencias dadas ciertas variables sociales.
No está claro a través de nuestra evidencia donde
deberíamos buscar por una clarificación sobre
variables como formación de comunidades. Sin embargo, existe
un argumento alternativo convincente: que la simple co-presencia
humana, junto a factores como, la presencia de entradas y salidas hacia
el espacio público es suficiente para crear la
sensación de que el espacio es civilizado y seguro. La idea
de que la formación de comunidad es la variable
intermediaria entre el diseño espacial y la seguridad urbana
es una hipótesis innecesaria.
Otros factores que la evidencia sugiere, son ciertas
modificaciones a los paradigmas existentes. Una es que las
características del medioambiente que se relacionan con el
riego de actividad criminal raramente tienen un efecto independiente
sino interdependiente con otras características, sociales
como también espaciales y físicas. No es posible
por lo tanto introducir una variable a la vez y esperar resultados
positivos.
El buen diseño debe reflejar la interdependencia de
distintas características como lo hemos presentado en este
texto. De la misma manera, las áreas locales raramente
funcionan de forma independiente. Cada área, ya sea cerrada
o abierta, se interrelaciona con su contexto, y ambos el
diseño y la investigación deben reflejar estas
relaciones. Quizás aun más importante que todo lo
anterior es la necesidad de reconocer que el medioambiente urbano es un
todo continuo. No es un set de áreas que de cierta forma
están unidas para crear un todo, sino una estructura
continua en la que el tejido conector entre las áreas mas
reconocibles juega un rol tan critico como las mismas áreas.
Aquí es quizás donde Space Syntax puede hacer su
contribución más importante. Nos dice que el
patrón completo del espacio urbano esta involucrado en el
sentido de una existencia civilizada y segura, que es el objetivo de
cualquier diseño urbano. Este elemento básico del
diseño urbano debe ser reflejado en futuras investigaciones
como también en diseño espacial y
planificación urbana.
NOTAS
5 Town & O’Toole, 2005
6 Zelimka & Brennan, 2001
7 Por ejemplo, Hillier & Shu, 2002, Hillier, 2004
8 Para una revisión reciente ver: Shu “Crime in
Urban layouts” PhD thesis. 2002.
9 Newman, 1972
10 Budd, 1999
11 Hillier & Shu, 2002
12 Newman, 1972, p. 195-197
13 Haughey 2005, Harries 2006, Li & Rainwater 2006
14 Hillier 2004
15 Hillier 2004
16 Ver Hillier 1989
17 p. 25
18 P. 103
19 Hillier & Shu, 2002; Hillier, 2004.
20 Hillier, 1989
21 La división por bandas es necesaria ya que si calculamos
índices de robos por cada segmento, un robo aleatorio en un
segmento con más viviendas va a aparecer como un
índice menor que
uno ocurrido en un segmento con menos viviendas. Los índices
serán por lo tanto afectados por la forma de calcular. Esto
se puede evitar usando bandas porque el número de viviendas
por cada segmento no está implicado en el cálculo
por cada banda.
Bibliografía
ALFORD, V. Crime and space in the Inner City. En: Urban Design Studies.
1996. 2, pp. 45-76.
BOWERS, K.J.; JOHNSON, S.D.; PEASE, K. Prospective Hotspotting: The
Future of Crime Mapping?. En: The British Journal of
Criminology, advance access. 2004.
BRANTINGHAM, P. NODES, paths, and edges: consideproporcionns on the
complexity of crime and physical environment. En: Journal of
Environmental Psychology. 1993. 13, pp. 3-28.
BUDD, T. British Crime Survey. The 2001 British Crime Survey Home Offi
ce Statistical Bulletin. 1999.
HARRIES, K. Property crimes and violence in United States: an analysis
of the infl uence of population density. En: International Journal of
Criminal Justice Sciences. 2006. 1, p. 2.
HAUGHEY, R. M. Higher-Density Development: Myth and Fact. Washington,
D.C., Urban Land Institute. 2005. pp. 1-36.
HILLIER, B.; SHU, S. Crime and Urban Layout: The Need for Evidence. En:
BALLINTYNE, S.; PEASE, K.; MCLAREN, V. Secure Foundations: Key Issues
in Crime Prevention, Crime Reduction and Community Safety London. IPPR.
2000.
HILLIER, B. Can Streets Be Made Safe? En: Urban Design International.
2004. 9(1), pp. 31-45.
JACOBS, J. The Death and Life of the Great American Cities. Random
House. 1961.
LI, J.; RAINWATER, J. The Real Picture of Land-Use Density and Crime: A
GIS Application. En línea. 2006. Disponible en:
http://gis.esri.com/library/userconf/proc00/professional/papers/PAP508/p508.htm.
NEWMAN, O. Defensible Space: Crime Prevention through Urban Design, New
York, Macmillan. 1972.
SHU, S. Crime and Urban Layout. PhD Thesis, Bartlett School of Graduate
Studies, University College London, University of London. 2002.
TOWN, S.; O’TOOLE, R. Crime-Friendly Neighborhoods. En
línea. 2005. Disponible en:
http:==www:reason:com=0502=fe:st:crime:shtml:
ZELIMKA, A.; BRENNAN, D. SafeScape: Creating Safer, More Livable
Communities Through Planning and Design APA Planners Press, 2000.