Análisis de la Tendencia de Feminicidios con Python. Caso Perú 2009-2017

TendenciaFemenicidio.png

En los últimos tiempos existe un mayor interés de la sociedad civil y los estados a problemas como el femenicidio. Casos de feminicidio tienen gran cobertura por los medios y se demanda una participación drástica de las autoridades y los casos de encubrimiento y liberación de condenados son públicamente criticados. Sin embargo cabe preguntarse si las medidas actuales se enfocan o adaptan a las tendencias crecientes en la ocurrencia de femenicidios y si los esfuerzos del gobierno son efectivos para el control del problema.

En Perú desde el 2009 se tienen registros de feminicidio con valiosa información sobre lugar, vinculo, fecha entre otros que nos pueden dar una idea de la magnitud del problema y las tendencias en la ocurrencia de femenicidio. Con un análisis temporal, espacial tanto de causa como de tendencia se pueden adoptar mejores medidas de control y prevención del feminicidio.

Este tutorial muestra el análisis con Python de los datos publicados del Ministerio de la Mujer y Poblaciones Vulnerables publicados en esta página: https://www.mimp.gob.pe/contigo/contenidos/pncontigo-articulos.php?codigo=39

El tutorial muestran los códigos que generan los análisis así como una discusión de los datos obtenidos. 

 

Preparación de los datos

Para empezar el análisis se preparan los datos y los paquetes

import pandas as pd
import datetime as datetime
%pylab inline

#Cargamos los datos de feminicidio por region incluyendo todas las pestañas
datospaisxregion = pd.read_excel('Casos de feminicidio y tentativa por region.xlsx', sheetname=None)
#Obtenemos los años del registro
years = list(datospaisxregion.keys())

#Insertamos la fecha dentro del registro
for year in years:
    datospaisxregion[year]['Fecha']= datetime.datetime.strptime('01/01/'+year, '%d/%M/%Y')
    
#Generamos un dataframe para todos los años
datospaisxregioncomp = [datospaisxregion[year] for year in list(datospaisxregion.keys())]
datospaisxregioncomp = pd.concat(datospaisxregion)
datospaisxregioncomp = datospaisxregioncomp.set_index('Region')

 

Analisis de la tendencia global de los feminicidios

En Perú la tasa de feminicidios no ha variado considerablemente en los últimos 9 años. Se han tenido años más altos y bajos pero con un promedio de 109 muertes por año con algunos picos como el 2009, 2013 o 2016. Las tentativas de feminicidio han aumentado desde 50 en el 2010 hasta 250 en el 2016 evidenciado una tendencia a denunciar estos casos. Sin embargo debido a que las denuncias no han dismuido la tasa de muertes, se evidencia una falla en el sistema de protección de una potencial víctima de femenicidio que denuncia pero que luego es asesinada.

#Analisis de la tendencia global de los feminicidios
datosxyear = datospaisxregioncomp.groupby(['Fecha']).sum()
datosxyear.plot();
download (1).png
#Calculado el promedio de tentativas y de feminicidios
datosxyear = datospaisxregioncomp.groupby(['Fecha']).sum().mean()
datosxyear

Feminicidio    109.333333
Tentativa      146.555556

 

Cuáles son los departamentos donde mueren más y menos mujeres?

Por lo general los departamentos más habitados son los que tienen una mayor cantidad de feminicidio. Se hizo una selección para la selección de los departamentos con más de 50 femenicidios desde el 2009 al 2017, siendo Lima el departamento con más feminicidios con una brecha de 5 veces respecto del segundo departamento con feminicidios que es Arequipa.

#Departamentos donde mueren más mujeres
for region in list(datospaisxregioncomp.index.unique()):
    datoregional = datospaisxregioncomp.loc[region].sum()
    if  datoregional['Feminicidio']>50:
        print(region + ' ' + str(datoregional['Feminicidio']) + ' feminicidios');

Arequipa 71 feminicidios
Ayacucho 54 feminicidios
Junín 66 feminicidios
Lima 346 feminicidios

En departamentos pocos habitados, la taza de feminicidios es menor llegando a tener años con ausencia de feminicidio.

#Departamentos donde mueren menos mujeres
for region in list(datospaisxregioncomp.index.unique()):
    datoregional = datospaisxregioncomp.loc[region].sum()
    if  datoregional['Feminicidio']<10:
        print(region + ' ' + str(datoregional['Feminicidio']) + ' feminicidios');

Amazonas 6 feminicidios
Apurímac 9 feminicidios
Madre de Dios 8 feminicidios
Moquegua 9 feminicidios
Tumbes 7 feminicidios

Pero podemos enteder mejor la situación de feminicidios por departamentos si lo comparamos directamente con la población en un ratio de numero de femenicidios / habitantes para el periodo 2009 -2017. En promedio para el país murieron 3.15 mujeres de cada 100000 a causa de feminicidio desde el 2009 al 2017.

#Cargamos los datos de poblacion por region 
datospoblacionxregion = pd.read_excel('Poblacion.xlsx','Poblacion', index_col=0)
listaregiones = list(datospaisxregioncomp.index.unique())

print("El numero de muertes promedio cada 100000 mujeres es de: " +\
      str(datospaisxregioncomp.sum()["Feminicidio"]/datospoblacionxregion['Poblacion'].sum()*100000));

El numero de muertes promedio cada 100000 mujeres es de: 3.15874190007

El departamento de Ayacucho es el que mayor tasa de feminicios registra en el país, siendo más del doble que el promedio nacional quizá un rezago de la violencia del conflicto interno con Sendero Luminoso. Departamentos de interés para el análisis particular de causas de feminicidio son Arequipa, Madre de Diós y Tacna. Analizando la correspondencia geográfica de los departamentos no hay correlación entre los departamentos con mayor taza de feminicidio ya que quedan en Costa, Sierra y Selva y no son contiguos. Existe la necesidad de correlacionar estas tasas respecto de otros factores demográficos.

download (2).png

 

Cuál es la tendencia del vinculo de la víctima con su agresor?

La mayor cantidad de personas que comenten feminicidio tienen un vínculo de esposo, conviviente o exconviviente. Sin embargo son los convivientes y los exconvivientes los más numerosos agresores.

#Cargamos los datos de vinculo del agresor incluyendo todas las pestañas
vinculosagresorxyear = pd.read_excel('Vinculo_del_agresor_con_la_victima.xlsx', sheetname=None)

#Obtenemos los años del registro
years = list(vinculosagresorxyear.keys())

#Insertamos la fecha dentro del registro
for year in years:
    vinculosagresorxyear[year]['Fecha']= datetime.datetime.strptime('01/01/'+year, '%d/%M/%Y')
    
#Generamos un dataframe para todos los años
vinculosagresorxyearcomp = pd.concat(vinculosagresorxyear)
vinculosagresorxyearcomp = vinculosagresorxyearcomp.set_index('Vínculo con la victima')

for vinculo in list(vinculosagresorxyearcomp.index.unique()):
    datovinculo = vinculosagresorxyearcomp.loc[vinculo].sum()
    if  datovinculo['Feminicidio']>100:
        print(vinculo + ' ' + str(datovinculo['Feminicidio']) + ' feminicidios');

Esposo 118 feminicidios
Conviviente 241 feminicidios
Ex conviviente 136 feminicidios

Analizando las tendencias, son los convivientes los que tienen una tendencia creciente como agresores. Los exconvivientes muestran una ligera tendencia creciente, mientras que los esposos se mantienen con oscilación pero sin tendencia.

download (3).png

 

Datos de entrada

Descargue los datos de entrada de este enlace.

Smiley face

Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros cursos en recursos hídricos.

Posted on November 5, 2017 and filed under Tutorial.