Abstract
Esta investigación busca identificar las variables individuales y contextuales que afectan y explican la cohesión barrial entendida como sentido de pertenencia al barrio. Para ello se utilizan los datos del Estudio Longitudinal Social de Chile (ELSOC, 2016), cuya muestra incluye 2927 casos a nivel nacional y 720 para el Gran Santiago. Se operacionaliza cohesión barrial como variable dependiente, y, como variables independientes de nivel individual, conflicto meso-social, conflicto micro-social, calidad de relaciones sociales en el barrio y reputación barrial. Asimismo, se operacionalizan indicadores territoriales referidos a conflictividad macro-social como variables independientes de nivel contextual, agrupándolos en 184 zonas censales del Gran Santiago. Se elaboran y comparan modelos de regresión lineal múltiple para dar cuenta de las diferentes relaciones en el nivel individual, así como modelos multinivel para incorporar el efecto de las variables de contexto. El resultado principal indica que la cohesión barrial aumenta en la medida en que se percibe una alta calidad de relaciones sociales en el barrio, además, su presencia explica en buena medida la cohesión barrial. Por otro lado, la cohesión disminuye a mayor conflictividad en los niveles meso y micro-social, teniendo poca capacidad explicativa. Finalmente, se constata que el contexto sí influye en la cohesión, pues al agrupar por zonas, el 17% de la variación de la cohesión barrial se atribuye a la zona de residencia. Entre las variables de contexto que dan cuenta de dicha variación destaca la densidad poblacional, el score de violencia urbana y el nivel de accesibilidad a servicios públicos.
I. Introducción:
La población chilena reside mayoritariamente en sectores urbanos (Cepal, 2015), de los cuales destaca la zona metropolitana del Gran Santiago, que concentra al 35% de la población equivalente a 6 millones de habitantes en 37 comunas (Méndez, 2018). El desarrollo urbano de la metrópoli ha sido fuertemente moldeado por el desenvolvimiento del mercado inmobiliario y por el rol subsidiario del Estado, siendo considerada por algunos enfoques como la ciudad neoliberal por excelencia (De Mattos 2007).
Como consecuencia, esta ciudad se caracteriza por la segregación socioespacial (OECD, 2015) y una marcada distribución desigual de la riqueza (COES, 2017), que ha propiciado la acumulación progresiva de las desigualdades socioespaciales (Garretón, 2018). Este escenario conlleva a distintas manifestaciones de conflictos urbanos que los sujetos y sus comunidades deben enfrentar (SUR, 2011).
En este contexto, estudios señalan la falta de cohesión en barrios urbanos: Persisten dificultades para la acción colectiva de los sujetos (Özler, 2012) y prima la desconfianza entre vecinos (Brain et al., 2010). Además, se indica que se ha erosionando la calidad de las relaciones sociales en los barrios populares latinoamericanos a partir de los procesos de “guetización”, mientras que en los barrios de elite se percibe una alta cohesión barrial, situación que contrasta con la reproducción de las desigualdades estructurales que ella produce (Kaztman, 2007; Sabatini et al., 2001).
Sobre esto, estudios cualitativos de ciudades chilenas concluyen un surgimiento de cohesión frente al desplazamiento territorial en barrios de clase media y baja, producto de procesos de gentrificación (Angelcos y Méndez, 2017; Canteros, 2011) y en barrios patrimonializados (Uribe, 2014).
Considerando estos antecedentes, la presente investigación busca contribuir desde un análisis multinivel a la discusión sobre la cohesión barrial en las ciudades neoliberales, considerando esta como el sentido de pertenencia que tienen los sujetos con su barrio y cómo afectan en ella percepciones individuales en torno al barrio, como lo son la calidad de las relaciones sociales, la reputación barrial y las conflictividades micro y meso sociales; así como el efecto que tienen factores contextuales relativos a la desigualdad socio-espacial, como lo son la accesibilidad, la densidad poblacional y las tasas de violencia y sustracción por cada zona censal.
Ahora bien, el concepto cohesión barrial se enmarca en el de cohesión social, a saber, aquello que mantiene unidas a las sociedades e integra a los individuos (Somma y Valenzuela, 2015). Vergolini (2011) la define como estado de cosas acerca de las interacciones sociales, esto es, como un resultado de las relaciones sociales que, a nivel societal, se expresa en un sentido de pertenencia a la sociedad y en la confianza a las instituciones. No obstante, estos autores reconocen que es un concepto multidimensional que se expresa tanto a nivel sistémico como individual.
Bajo esta acepción de cohesión social, tomamos una de las definiciones de cohesión barrial esbozadas por Smith (1975), a saber, aquella de nivel psicológico o percibido, que entiende cohesión barrial como la identificación personal del individuo al barrio y a los otros residentes. Sobre esto, Henning y Lieberg (1996) (citado en González, 2019) y Scanell y Gifford (2010) sitúan al barrio como espacio de socialización, que produce un sentido de hogar y pertenencia que se expresa en el surgimiento de lazos con el entorno. La identidad se forma vinculada a estos sentimientos respecto a los lugares, así como al significado que los sujetos le otorgan su espacio (Crow, 1994).
Turner (1990) (citado en Forrest y Kearns, 2001) señala que la identidad conlleva un sentimiento de integración al colectivo, de tener un lugar dentro del barrio que se corresponde con un equilibrio de deberes y expectativas entre los vecinos. De esta manera, surge un entrelazamiento de identidades que conlleva la adhesión a valores comunes y a la disposición de construir comunidad.
A partir de la conceptualización esbozada, la cohesión estará medida por el sentido de pertenencia al barrio y la confianza depositada en vecinos, es decir, por los vínculos simbólicos con el barrio (Kearns y Forrest, 2000). Ahora bien, es importante mencionar que este aspecto o dimensión de la cohesión barrial no incluye un segundo aspecto que se entiende como la objetivación del primero (Novy et al., 2010), es decir, a los comportamientos de participación local y apoyo social que expresan cohesión barrial.
Un aspecto relacionado a la cohesión barrial es la sociabilidad dentro del barrio, pues esta propicia el mantenimiento del sentido de pertenencia en el tiempo y la disposición de construir capital social para mantener al barrio unido (Kearns y Forrest, 2000). Para esto, es clave que se perciba compromiso y reciprocidad (Putnam, 2000, citado en González, 2019). Además, implica una convivencia armoniosa en donde persiste el respeto, según Giddens (1994) y Wrong (1994) (citados en Kearns y Forrest, 2000). De esta manera, se operacionaliza este aspecto como calidad de las relaciones sociales en el barrio.
Lewicka (2005) concluyó la existencia del impacto positivo de los lazos sociales entre vecinos en el sentido de pertenencia al barrio, sin embargo, esta relación está mediada en tanto los lazos son más importantes para personas con menos capital cultural. Al mismo tiempo que situaciones de pobreza y desesperanza pueden trastocar negativamente el sentido de pertenencia al barrio. A pesar de esta aparente contradicción, la autora enfatiza en no confundir ambos conceptos, pues son esencialmente distintos.
Conflicto barrial es conceptualizado como desorden e inestabilidad de un supuesto equilibrio territorial (Routledge, 2010). Tiene diferentes niveles de impacto en la vida barrial (Méndez y Otero, 2018). El nivel macro refiere, por sobre todo, a las consecuencias de la desigualdad estructural que es específica del contexto chileno. En este sentido, se expresa en los efectos de la segregación socio-espacial, concentración de la pobreza y densificación (Musterd et al., 2017; Rodríguez; 2001), lo que a su vez tiende a reproducir la desigualdad de accesibilidad a servicios y equipamientos (Agostini, 2016), entendiendo esta accesibilidad como una dimensión de bienestar territorial (CIT, 2018).
Sobre este nivel de conflictividad, adscribimos a una postura crítica para afirmar que las desigualdades y vulnerabilidades estructurales se expresan y se reproducen en el territorio a nivel meso y micro social, afectando no solo la cantidad de recursos disponibles de cada municipio para mejorar el bienestar territorial, sino que repercutiendo en conflictos meso y micro-sociales que dificultan la cohesión barrial de personas de barrios vulnerables (Agostini, 2016; Peck et al., 2013).
Para la conflictividad meso y micro, seguimos el informe del COES (2017) que indica la existencia de dimensiones de conflictividad urbana relacionadas con las tensiones estructurales, en donde los procesos de estigmatización territorial y exclusión social se cristalizan a nivel meso-social (López-Morales, 2016), profundizando prácticas de auto-segregación de individuos de barrios con mala reputación, sentimientos de inseguridad y experiencias de criminalidad. Así mismo, a nivel micro, la conflictividad implica problemas de convivencia entre vecinos que afectan la armonía cotidiana y doméstica.
En concordancia con esto, una línea de autores ha indicado que los conflictos meso-sociales aparecen como un detonador de mayor cohesión en tanto esta es un mecanismo de defensa frente a la inseguridad o la estigmatización (Biskupovic, 2011; Casgrain y Janoschka, 2013; Forrest y Kearns, 2001).
Sin embargo, otra línea de autores afirman que esa relación está sujeta al contexto, en tanto la mala reputación barrial y la tasa de violencia y delitos afecta la inclusión social de sus habitantes (Arthurson, 2013) y la calidad de las relaciones sociales (Kaztman, 2007) trayendo baja cohesión barrial (Cassiers y Kesteloot, 2012). Mientras que ocurre el caso contrario para los barrios homogéneos cuyo capital social facilita la cohesión dentro del barrio, usualmente, cuando tienen buen acceso a servicios y menor conflictividad (Rodríguez, 2001).
Asimismo, se ha afirmado que los conflictos entre los vecinos afectan de manera negativa la cohesión barrial, pues debilita la calidad de los lazos y la convivencia armoniosa (Forrest y Kearns, 2001), poniendo en riesgo aspectos esenciales de la cohesión como lo son la seguridad y la ausencia de odio.
Se indica que esto también varía según el barrio, en tanto la conflictividad micro tiende a disminuir en lugares donde se concentra la riqueza —y por ende, tiene mayor acceso a equipamiento— y a aumentar en lugares donde hay mayor estigmatización y densidad de habitantes, repercutiendo en la cohesión barrial (Méndez y Otero, 2018).
II. Objetivos e hipótesis:
Objetivos generales:
Elaborar un modelo multinivel para explicar cohesión barrial, entendida como sentido de pertenencia al barrio, incorporando: (a) variables de nivel individual sobre percepciones y sentimientos en torno al barrio de residencia, y, (b) variables de nivel contextual sobre indicadores territoriales de desigualdad socio-espacial agrupados por zona censal.
Objetivos específicos:
2. Evaluar el efecto de la conflictividad entre vecinos en la cohesión barrial.
4. Evaluar el efecto de reputación barrial en la cohesión barrial.
Hipótesis:
4. Existe una relación positiva entre la reputación barrial y la cohesión barrial. La presencia de una alta reputación barrial explica altos niveles de cohesión barrial.
5. Existe una relación negativa entre la densidad de la población del barrio y la cohesión barrial.
6. Existe una relación negativa entre los indicadores de criminalidad del barrio y la cohesión barrial.
7. Existe una relación positiva entre bienestar territorial medido por nivel de accesibilidad y la cohesión Barrial (barrios con mejor equipamiento y accesibilidad tienen mayor cohesión barrial).
III. Metodología:
Para dar cuenta de la cohesión barrial y los fenómenos de nivel individual y contextual que la explican se hizo uso del Estudio Longitudinal Social de Chile (ELSOC) del Centro de estudios de Conflicto y Cohesión Social (COES), cuyos datos fueron producidos en el 2016. La muestra obtenida a través de un muestreo probabilístico, estratificado y por conglomerados incluye un total de 2927 casos a nivel nacional, de los cuales se seleccionaron 720 casos pertenecientes al Gran Santiago. Luego de restar los valores perdidos se obtuvo una muestra final de 651 casos. La identificación de las unidades de nivel 2 se realizó por zonas censales, cuyo número de casos es de 184 en el Gran Santiago.
Se evalúan modelos multinivel que incorporan indicadores territoriales e individuales en la explicación de cohesión barrial según zona. Para esto, se parte por la construcción de un modelo nulo para la variable dependiente. Luego, un modelo para cohesión barrial con las variables independientes de nivel 1 por zona. Estas corresponden a los sentimientos o percepción de los sujetos sobre el barrio: Índice de conflictos mesosociales, Índice de conflictos microsociales, Calidad de las Relaciones Sociales en el barrio y Reputación Barrial.
Luego, se elabora otro modelo con las variables de nivel 2. Estas dan cuenta de la conflictividad macrosocial. Sus indicadores territoriales agrupados por zona son: Nivel Socioeconómico del barrio, Score de violencia y Score de sustracción, Subindicador de bienestar territorial en su dimensión de accesibilidad, densidad y tasa de hacinamiento.
Posterior a eso, se comparan modelos con las variables de ambos niveles, luego se evalúan modelos con aleatorización de pendientes de las variables de nivel individual y, finalmente, modelos con interacción entre niveles.
La variable explicada, cohesión barrial, se construyó como un índice sumatorio simple a partir de cinco ítems que miden nivel de identificación y apego al barrio y uno que mide nivel de confianza en vecinos. Los cuatro primeros ítems miden la identificación y apego que siente la persona en escalas de Likert que responden a la pregunta ¿qué tan de acuerdo o en desacuerdo está con las siguientes afirmaciones?: (i) Este barrio es ideal para mí, (ii) Me siento integrado/a a este barrio, (iii) Me identifico con la gente de este barrio y (iv) Este barrio es parte de mí; puntuado de 1 a 5, siendo 1 totalmente en desacuerdo y 5 totalmente de acuerdo. El nivel de confianza en vecinos también está medido en escala Likert siendo 1 “muy poco” y 5 “mucho”. Se opta por dividir la totalidad de puntuación por la cantidad de indicadores para facilitar el análisis. En consecuencia, el índice construido oscila entre valores 1 y 5, siendo 1 muy poco cohesionado y 5 muy cohesionado.
Para las variables explicativas de nivel individual se procedió de igual manera. Tanto el índice de conflictividad meso-social como el índice de conflictividad micro-social oscilan entre valores de 1 a 5, siendo 1 nulo nivel de conflicto y 5 alto nivel de conflicto. Luego, la calidad de relaciones sociales en el barrio oscila entre 1 y 5, siendo 1 muy baja calidad y 5 muy alta calidad. Por último, se recodifica la variable “Nivel del sentimiento de Seguridad en el barrio”, invirtiendo sus valores de modo que 1 indique mucha seguridad y 5 mucha inseguridad en el barrio. El resto de variables conservan sus valores originales.
Por su parte, las variables de nivel 2 pertenecen a una base de datos ELSOC ampliada que incorpora indicadores territoriales elaborados por el Centro de Inteligencia Territorial (CIT, 2018). Entre ellos se utilizan: (a) Densidad de la población por hectárea; (b) Accesibilidad a servicios y equipamientos públicos (incluye equipamientos deportivos, culturales, de salud y otros servicios públicos) considerando el ajuste entre oferta (número y tamaño de equipamientos) y demanda (población) en un radio de 15 minutos a pie (aprox. 1 km)); (c) Tasa de hacinamiento (número de viviendas con condición de hacinamiento, definida por un número mayor a dos personas por dormitorio (Censo 2012), dividido por el número de viviendas); (d) Score de violencia urbana ((Catastro Ministerio del Interior 2012), incluye delitos de alta violencia, armas, drogas y agresiones); y (e) Score de sustracción ((Catastro Ministerio del Interior 2012), incluye robos en lugar habitado, de vehículos y hurtos).
El detalle de la operacionalización y medición de las variables se adjunta en la siguiente tabla:
Tabla de operacionalización. Fuente: elaboración propia en base en base a datos de ELSOC 2016, COES (2017)
IV. Análisis:
Análisis descriptivo univariado:
Previo al análisis univariado, se calcula el alpha de cronbach para los índices de cohesión barrial, calidad de relaciones sociales en el barrio, conflicto meso social y conflicto micro social. Los resultados se detallan en la siguiente tabla:
| Indice conflicto meso | Indice conflicto micro | Indice relaciones barriales | Indice cohesión barrial |
|---|---|---|---|
| 0.78 | 0.67 | 0,81 | 0.85 |
Fuente: elaboración propia en base a los datos de ELSOC (2015)
La tabla de alpha de cronbach arroja que 3 de los índices (conflicto meso socia, calidad de las relaciones y cohesión) son buenos, mientras que el de conflicto micro social es aceptable. Por lo tanto, los índices miden el constructo teórico.
Si bien se afirma la existencia de conflicto meso-social en la población, al observar la composición de los cuartiles y el promedio, resalta la tendencia hacia niveles de conflictos bajos y medios, en donde el 75% de la población no supera el 3,2 de índice conflictividad.
Para el índice de conflicto micro-social en los barrios la tendencia hacia menor conflictividad se ve incrementada. Un 75% de la población no supera el 2,2 de conflictividad y se mantiene un promedio bajo. Se intuye que los casos de mayor conflictividad intra-barrial no representan la realidad de la población, sino, por el contrario, se tiende a una baja existencia de conflictos que afecten la convivencia armoniosa del barrio.
Del índice de calidad de relaciones, resalta al análisis la similitud de los datos con los de cohesión barrial, por lo que se puede afirmar una tendencia hacia mayor cohesión en la mayoría de la población, aunque los niveles más altos están reservados sólo para un 25% de los sujetos. Al observar el promedio de la cohesión barrial, se intuye que es un fenómeno mayoritario en relación a los de conflicto. Además, un 75% la población se sitúa a partir del nivel 3 de cohesión. Sin embargo, no es común que éste alcance sus niveles más altos, mientras que la mitad de los sujetos se distribuyen entre el nivel 3 y 4. Los resultados se presentan en la siguiente tabla:
##
## ================================================================
## Statistic N Mean St. Dev. Min Pctl(25) Pctl(75) Max
## ----------------------------------------------------------------
## COHESION_BARRIAL 651 3.43 0.85 1 3 4 5
## CONFLIC_MESO 651 2.52 0.98 1 1.8 3.2 5
## CONFLIC_MICRO 651 1.91 0.83 1 1.2 2.5 5
## CALIDAD_RSBARRIO 651 3.38 0.77 1.00 3.00 4.00 5.00
## REPUTACION_BARRIAL 651 3.19 1.07 1 2 4 5
## SEXO 651 1.61 0.49 1 1 2 2
## ----------------------------------------------------------------Análisis bivariado:
En lo que respecta al análisis bivariado tenemos que, en primer lugar, existe una correlación negativa baja entre cohesión barrial y conflicto meso-social, es decir, que a una mayor percepción de conflictividad en el barrio menor será el sentido de pertenencia al mismo. En segundo lugar, existe una correlación negativa aún más baja entre conflictos micro-sociales y la cohesión barrial. En ambos casos el efecto es bajo, por lo que no se puede descartar la posibilidad de que en ciertos barrios una alta conflictividad, ya sea meso o micro social, se asocie una mayor cohesión. En tercer lugar, tenemos que existe una correlación positiva moderada entre la calidad de las relaciones sociales en el barrio y la cohesión barrial. En cuarto lugar, existe una correlación positiva baja entre la reputación del barrio y la cohesión. Finalmente, tenemos que existe asociación entre las variables independientes, por lo que existe la necesidad de controlar los efectos de la regresión lineal múltiple. Los resultados descritos se presentan en los siguiente gráficos (nube de puntos) y matrices de correlación:
Análisis de los modelos de explicación:
El primer modelo de regresión lineal múltiple arroja que existe una relación negativa baja y significativa entre conflictos meso-sociales y cohesión barrial, por lo que se descarta definitivamente que los conflictos meso sociales puedan estar asociados positivamente a la cohesión barrial, además la varianza explicada por este modelo es bastante baja, alcanzando tan sólo 14% de capacidad explicativa. El segundo modelo arroja una relación negativa baja y significativa entre conflicto meso-social y cohesión, así como entre conflicto micro-social y cohesión; por su parte, la varianza explicada por el modelo alcanza un 16%, mejorando en dos puntos porcentuales la predicción.
El modelo 3 arroja una relación negativa muy baja y significativa entre conflictos meso-sociales y cohesión, lo mismo ocurre entre conflictos micro sociales y cohesión barrial, no obstante, arroja una relación positiva moderada entre calidad de las relaciones sociales y cohesión barrial con un alto nivel de significancia. Por su parte, la varianza explicada del modelo 3 asciende a 43%, por lo que mejora considerablemente la capacidad explicativa respecto a los dos modelos antes descritos. Finalmente, el modelo 4 incorpora reputación barrial, la que se relaciona positiva y significativamente con la cohesión, alcanzado a explicar el 46% de la varianza.
##
## ==================================================================
## Model 1 Model 2 Model 3 Model 4
## ------------------------------------------------------------------
## (Intercept) 4.25 *** 4.40 *** 2.10 *** 1.39 ***
## (0.09) (0.09) (0.15) (0.19)
## CONFLIC_MESO -0.32 *** -0.25 *** -0.16 *** -0.09 **
## (0.03) (0.04) (0.03) (0.03)
## CONFLIC_MICRO -0.17 *** -0.12 *** -0.09 **
## (0.04) (0.04) (0.03)
## CALIDAD_RSBARRIO 0.59 *** 0.57 ***
## (0.03) (0.03)
## REPUTACION_BARRIAL 0.16 ***
## (0.03)
## ------------------------------------------------------------------
## R^2 0.14 0.16 0.43 0.46
## Adj. R^2 0.14 0.16 0.42 0.45
## Num. obs. 651 651 651 651
## RMSE 0.79 0.78 0.64 0.63
## ==================================================================
## *** p < 0.001, ** p < 0.01, * p < 0.05A continuación se presentan los coeficientes beta en conjunto a los errores estándar asociados en intervalos de confianza. Este gráfico nos indica que a nivel poblacional no es posible que los beta sean iguales a cero, por lo que se concluye que los coeficientes dan cuenta de una asociación significativa a nivel poblacional entre cohesión barrial y sus variables predictoras.
Finalmente, al estandarizar los coeficientes beta, tenemos que el coeficiente beta asociado al calidad de las relaciones sociales en el barrio sigue siendo el mejor coeficiente de regresión, manteniendo un efecto moderado. Por su parte, los coeficientes beta asociados a conflictos micro y meso sociales disminuyen su valor y explican en menor medida la desviación estándar de la cohesión barrial. Finalmente el beta asociado a reputación barrial mejora un punto porcentual.
| Model 1 | Model 2 | Model 3 | Model 4 | |
| (Intercept) | 3.43 *** | 3.43 *** | 3.43 *** | 3.43 *** |
| (0.03) | (0.03) | (0.03) | (0.02) | |
| CONFLIC_MESO | -0.32 *** | -0.25 *** | -0.16 *** | -0.08 ** |
| (0.03) | (0.03) | (0.03) | (0.03) | |
| CONFLIC_MICRO | -0.14 *** | -0.10 *** | -0.08 ** | |
| (0.03) | (0.03) | (0.03) | ||
| CALIDAD_RSBARRIO | 0.45 *** | 0.44 *** | ||
| (0.03) | (0.03) | |||
| REPUTACION_BARRIAL | 0.17 *** | |||
| (0.03) | ||||
| N | 651 | 651 | 651 | 651 |
| R2 | 0.14 | 0.16 | 0.43 | 0.46 |
| *** p < 0.001; ** p < 0.01; * p < 0.05. | ||||
En lo que respecta a las hipótesis de nivel 1, en base a los modelos podemos concluir que:
La cohesión barrial disminuye en la medida que los individuos se enfrentan a una mayor conflictividad meso-social, por lo que la primera hipótesis se descarta. Existe capacidad explicativa por parte de este tipo de conflictividad, no obstante es muy baja.
La cohesión barrial disminuye en la medida que los individuos experimentan una mayor conflictividad al interior de su barrio, por lo que la segunda hipótesis se corrobora. Existe capacidad explicativa por parte de este tipo de conflictividad, no obstante es muy baja.
La cohesión barrial aumenta en la medida que se percibe mejor calidad de las relaciones sociales en el barrio, por lo que se corrobora la tercera hipótesis. Además, la presencia de calidad de las relaciones sociales explica en una buena medida las manifestaciones de cohesión barrial.
La cohesión barrial aumenta en la medida que se percibe mejor reputación barrial, por lo que la cuarta hipótesis se corrobora. Existe capacidad explicativa por parte de esta variable, no obstante es baja.
Diagnóstico de supuestos nivel 1:
Primero extraemos las estimaciones del modelo de regresión lineal en formato de base de datos. La nueva base tiene las siguientes variables:
1).fitted = Valores predichos de reg4 (Modelo 4)
2).resid = Residuos de reg4 (Modelo 4)
3).hat = Hat values para análisis de casos influyentes
4)cooksd = Distancia de Cook para análisis de casos influyentes
Para analizar los supuestos elegimos el modelo 4 ya que resulta ser el que mejor explica la cohesión barrial y presenta sólo resultados estadíticamente significativos. En primer lugar generamos gráficos de residuos (.resid) y valores predictores (.fitted) tanto para el modelo como para las variables predictoras con el objetivo de analizar linealidad:
Linealidad del modelo
Si analizamos la linealidad del modelo tenemos que, en primer lugar, existe un patrón de asociación sitemático entre los valores predichos y los residuos, por que, al parecer, no se cumple el supuesto de linealidad del modelo.
El análisis gráfico nos indican que, para las variables predictoras, los residuos tienen un comportamiento sistemático, esto es, los residuos se ven distribuidos de manera no aleatoria. Por otra parte, existe un patrón asociado a los escasos outlier hallados. No obstante estos resultados, hay que especificar estadísticamente la linealidad del modelo; para esto hacemos uso del Test d la especificación del errer de Ramsey también denominado RESET.
| Res.Df | RSS | Df | Sum of Sq | F | Pr(>F) |
| 647 | 268 | ||||
| 645 | 254 | 2 | 14.4 | 18.3 | 1.86e-08 |
Multicolinealidad del modelo:
## REPUTACION_BARRIAL CALIDAD_RSBARRIO CONFLIC_MICRO
## 1.425364 1.074786 1.347030
## CONFLIC_MESO
## 1.623164Luego de calcular el factor de inflación de la varianza, podemos observar que todos los valores estan entre 1 y 1,6, lo que indica que existe ausencia de multicolinealidad entre predictores, por lo que se mantienen los índices elaborados.
Observaciones Influyente:
A continuación se grafican los casos influyentes, poteriormente estos se quitan y se estima un nuevo modelo sin éstos.
| StudRes | Hat | CookD |
| -2.62 | 0.0171 | 0.0238 |
| 4.08 | 0.0202 | 0.0672 |
| -1.57 | 0.0276 | 0.0139 |
| 0.512 | 0.031 | 0.00168 |
| 3.03 | 0.00438 | 0.00796 |
##
## Call:
## lm(formula = COHESION_BARRIAL ~ REPUTACION_BARRIAL + CALIDAD_RSBARRIO +
## CONFLIC_MICRO + CONFLIC_MESO, data = base_reg[base_reg$.cooksd <
## 0.002, ])
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.07076 -0.25167 0.02669 0.29466 0.97486
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.43397 0.14614 9.812 < 2e-16 ***
## REPUTACION_BARRIAL 0.14356 0.02093 6.858 2.06e-11 ***
## CALIDAD_RSBARRIO 0.58326 0.02627 22.199 < 2e-16 ***
## CONFLIC_MICRO -0.11205 0.02620 -4.276 2.28e-05 ***
## CONFLIC_MESO -0.07041 0.02378 -2.961 0.00321 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3867 on 502 degrees of freedom
## Multiple R-squared: 0.654, Adjusted R-squared: 0.6512
## F-statistic: 237.2 on 4 and 502 DF, p-value: < 2.2e-16Luego de estimar un modelo de regresión sin los casos influyentes que sobrepasan el punto de corte, podemos observar que mejora en dos puntos porcentuales el coeficiente beta parcializado de apego barrial, además, mejora el coeficiente beta parcializado de conflicto meso social en un punto porcentual, y empeora un punto el de conflicto micro social. Finalmente, mejora notoriamente la varianza explicada por el modelo, pasando de un 36% a un 42%.
Comparación de modelos:
Finalmente, comparamos el modelo 3 con el modelo que toma las mismas variables pero que excluye las variables influyentes. El resumen de esta comparación se muestra en la siguiente tabla:
##
## =====================================================================
## Dependent variable:
## -------------------------------------------------
## COHESION_BARRIAL
## OLS Sin Influyentes
## (1) (2)
## ---------------------------------------------------------------------
## CALIDAD_RSBARRIO 0.568*** 0.583***
## (0.033) (0.026)
##
## CONFLIC_MICRO -0.095*** -0.112***
## (0.035) (0.026)
##
## CONFLIC_MESO -0.085*** -0.070***
## (0.032) (0.024)
##
## REPUTACION_BARRIAL 0.163*** 0.144***
## (0.027) (0.021)
##
## Constant 1.391*** 1.434***
## (0.191) (0.146)
##
## ---------------------------------------------------------------------
## Observations 651 507
## R2 0.457 0.654
## Adjusted R2 0.454 0.651
## Residual Std. Error 0.627 (df = 646) 0.387 (df = 502)
## F Statistic 135.867*** (df = 4; 646) 237.214*** (df = 4; 502)
## =====================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01Como se puede observar, el modelo sin casos influyentes mejora en dos puntos porcentuales el beta parcializado de calidad de relaciones; también mejora en un punto porcentual el beta parcializado de conflicto micro, no obstante, empeora el beta de conflicto meso social. Finalmente, mejora considerablemente la varianza explicada por el modelo sin casos influyentes (46% versus 65%)
Modelos Multinivel:
La siguiente tabla resume los estadísticos que serán incorporados al análisis multinivel:
##
## ======================================================================
## Statistic N Mean St. Dev. Min Pctl(25) Pctl(75) Max
## ----------------------------------------------------------------------
## ZONA 651 389.93 216.15 7 215.5 569 766
## DISTRITO 651 221.26 140.74 3 90 355 455
## COHESION_BARRIAL 651 3.43 0.85 1 3 4 5
## CONFLIC_MESO 651 2.52 0.98 1 1.8 3.2 5
## CONFLIC_MICRO 651 1.91 0.83 1 1.2 2.5 5
## CALIDAD_RSBARRIO 651 3.38 0.77 1.00 3.00 4.00 5.00
## REPUTACION_BARRIAL 651 3.19 1.07 1 2 4 5
## COLEGIOS 651 0.16 0.22 0 0 0.2 1
## SERVICIOS_PUBLICOS 651 0.58 0.10 0.39 0.48 0.65 0.82
## DENSIDAD_POB 651 0.37 0.22 0.02 0.22 0.49 1.00
## SCORE_VIOLENCIA 651 0.10 0.08 0.00 0.05 0.12 0.54
## SCORE_SUSTRACCION 651 0.35 0.14 0.0002 0.25 0.45 0.76
## DIVERSIDAD_CREENCIAS 651 1.90 0.10 1.50 1.84 1.97 2.14
## TASA_HACIN 651 0.09 0.05 0.001 0.05 0.13 0.20
## MEAN_CB 651 3.43 0.52 2 3.1 3.8 5
## ----------------------------------------------------------------------Estadísticos por comuna
Para tener un panorama general se visualiza, en primer lugar, el promedio del nivel de cohesión barrial de los sujetos agrupados por comuna. Los resultados arrojan que existen diferentes niveles de cohesión barrial según la comuna de procedencia, en esto destaca la comuna de San Bernardo, La Granja y Maipú con baja cohesión y, en el otro extremo, la comuna de Lo Espejo y La Reina y Vitacura con los niveles de cohesión más altos. No obstante, como lo indica el segundo gráfico, al interior de cada comuna la cohesión fluctúa de manera desigual, esto es, existen diferentes varianzas para la cohesión según la comuna que se analice. Lo anterior nos permite suponer que existen diferencias internas del nivel de cohesión en cada comuna, razón por la cual se agrupan las variables en unidades territoriales más pequeñas, en este caso, según zona censal. 
Modelo multinivel para Cohesión Barrial agrupando por zona censal
Modelo Nulo
A partir del modelo nulo podemos determinar que la correlación intraclase es de 0.17, es decir, que un 17% de la varianza de la cohesión barrial se debe a la influencia del contexto de cada zona censal. Por ende, es pertinente continuar con la construcción de modelos multinivel para explicar ese 17% a partir de variables de conflictividad macrosocial expresada en indicadores territoriales. Los resultados se adjuntan en la siguiente tabla:
##
## ==================================
## Model 1
## ----------------------------------
## (Intercept) 3.45 ***
## (0.04)
## ----------------------------------
## AIC 1616.27
## BIC 1629.70
## Log Likelihood -805.13
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.12
## Var: Residual 0.60
## ==================================
## *** p < 0.001, ** p < 0.01, * p < 0.05## [1] 0.1666667Modelo 1: variables de nivel 1
## Warning in checkConv(attr(opt, "derivs"), opt$par, ctrl =
## control$checkConv, : Model failed to converge with max|grad| = 0.00302235
## (tol = 0.002, component 1)##
## ==================================
## Model 1
## ----------------------------------
## (Intercept) 1.45 ***
## (0.19)
## CALIDAD_RSBARRIO 0.56 ***
## (0.03)
## CONFLIC_MICRO -0.09 **
## (0.03)
## CONFLIC_MESO -0.09 **
## (0.03)
## REPUTACION_BARRIAL 0.16 ***
## (0.03)
## ----------------------------------
## AIC 1268.40
## BIC 1299.75
## Log Likelihood -627.20
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.03
## Var: Residual 0.36
## ==================================
## *** p < 0.001, ** p < 0.01, * p < 0.05## [1] 0.07692308Modelo 2: variables de nivel 2
Al incorporar variables de nivel 2 vamos que la correlación intraclase desciende a 6.3%, por lo que se desciende un poco más de 10 puntos porcentuales con respecto al modelo nulo. Esto indica que una vez incorporadas estas variables, ya va quedando menos influencia del contexto, por tanto, las variables incluidas apuntan hacia la explicación del modelo multinivel. Entre ellas destaca la densidad de la población que se correlaciona negativamente con la cohesión barrial, alcanzado un beta de -0.71 estadísticamente significativo, mismo caso la puntuación de violencia urbana. Destaca de igual manera la accesibilidad a servicios públicos con una correlación positiva y significativa. No obstante, no todos los predictores contextuales son buenos, la tasa de hacinamiento y el nivel de sustracción en el barrio presentan bajas correlaciones no significativas, razón por la cual se eliminan de los análisis posteriores. Los resultados se adjuntan en la siguiente tabla:
##
## ==================================
## Model 1
## ----------------------------------
## (Intercept) 2.98 ***
## (0.24)
## DENSIDAD_POB -0.71 ***
## (0.16)
## TASA_HACIN -0.37
## (0.83)
## SCORE_VIOLENCIA -1.64 **
## (0.54)
## SCORE_SUSTRACCION 0.09
## (0.31)
## SERVICIOS_PUBLICOS 1.53 ***
## (0.35)
## ----------------------------------
## AIC 1566.03
## BIC 1601.86
## Log Likelihood -775.02
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.04
## Var: Residual 0.60
## ==================================
## *** p < 0.001, ** p < 0.01, * p < 0.05## [1] 0.0625Modelo 3: Multinivel
El modelo multinivel destaca por tener buenos predictores, todos ellos con significación estadística al 5%, a excepción del nivel de violencia urbana que no presenta significación estadística. La correlación intraclase desciende a 5,3%, por lo que se reduce con respecto al modelo 2. De los predictores destaca, tal y como en el modelo de nivel 1, la calidad de la relaciones sociales, así como los predictores contextuales de densidad de la zona y el nivel de accesibilidad a servicios públicos del barrio.Los resultados del modelo multinivel se detallan en la siguiente tabla:
##
## ==================================
## Model 1
## ----------------------------------
## (Intercept) 1.38 ***
## (0.24)
## CALIDAD_RSBARRIO 0.55 ***
## (0.03)
## CONFLIC_MICRO -0.09 **
## (0.03)
## CONFLIC_MESO -0.08 *
## (0.03)
## REPUTACION_BARRIAL 0.13 ***
## (0.03)
## DENSIDAD_POB -0.42 ***
## (0.13)
## SCORE_VIOLENCIA -0.31
## (0.36)
## SERVICIOS_PUBLICOS 0.62 *
## (0.26)
## ----------------------------------
## AIC 1259.87
## BIC 1304.66
## Log Likelihood -619.94
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.02
## Var: Residual 0.36
## ==================================
## *** p < 0.001, ** p < 0.01, * p < 0.05## [1] 0.05263158Calculando R2L2
(0.12-0.04)/0.12## [1] 0.6666667#R2L2 = 0.67 -> 67%; el modelo 2 está dando cuenta de 66% de la correlación intra-clase (17%)R2L2 = 67%
Finalmente al calcular el R2L2, tenemos que el modelo 2 (que incorpora sólo variables contextuales) está dando cuenta de 66% de la correlación intra-clase del modelo nulo (17%). Ello quiere decir que se han hallado buenos predictores de nivel 2, no obstante resta incorporar nuevos indicadores de desigualdad socio-espacial (por ejemplo, nivel de segregación) que, como se intuye a partir de la literatura, podrían dar cuenta de un R2L2 más alta, así como de un descenso de la correlación intraclase del modelo 2 y 3.
Nota: de aquí en adelante son resultados preliminares sin analizar. Se recomienda al lector saltar hasta la sección de gráficos con efecto aleatorio y Al punto V. Discusión de resultados multinivel
Estimación de coeficientes
#Estimador empirical bayes del intercepto para la zona 120 modelo nulo
#frq(elsoc_barrio_cluster$ZONA) #me arroja las zonas y su frecuencia
#tomaremos la zona 120 que tiene 7 casos
#gama_j
varcomp=as.data.frame(VarCorr(model_0)) # entrega matriz componentes varianza como base de datos
tau00=varcomp[1,4]
sigma2=varcomp[2,4]
gama_j=tau00/(tau00+(sigma2/7)) #7 es el número de casos para la zona 120
gama_j #0.5742169## [1] 0.5742169#beta_0j
mean_j = elsoc_barrio_cluster %>% filter(ZONA==120) %>% summarise(mean(COHESION_BARRIAL))
mean_j #2.971429| mean(COHESION_BARRIAL) |
| 2.97 |
gama_00= model_0@beta # beta es el nombre del estimador gama00 en el objeto
gama_00 #3.447703## [1] 3.447703int_eb=gama_j*(mean_j)+((1-gama_j)*(gama_00))
int_eb #3.174218| mean(COHESION_BARRIAL) |
| 3.17 |
#head(ranef(model_0))
#head(coef(model_0))
mu_0j = -0.2734848174 #(zona 120)
coef_zona120=gama_00+mu_0j
coef_zona120 #3.174218## [1] 3.174218Modelos con pendiente aleatoria
model_4.1 = lmer(COHESION_BARRIAL ~ 1 + CALIDAD_RSBARRIO + CONFLIC_MICRO + CONFLIC_MESO + REPUTACION_BARRIAL + DENSIDAD_POB + SCORE_VIOLENCIA + SERVICIOS_PUBLICOS + (1 + CALIDAD_RSBARRIO | ZONA), data = elsoc_barrio_cluster)## boundary (singular) fit: see ?isSingularscreenreg(model_4.1)##
## ===================================================
## Model 1
## ---------------------------------------------------
## (Intercept) 1.55 ***
## (0.25)
## CALIDAD_RSBARRIO 0.54 ***
## (0.04)
## CONFLIC_MICRO -0.10 **
## (0.03)
## CONFLIC_MESO -0.08 *
## (0.03)
## REPUTACION_BARRIAL 0.12 ***
## (0.03)
## DENSIDAD_POB -0.41 ***
## (0.12)
## SCORE_VIOLENCIA -0.55
## (0.36)
## SERVICIOS_PUBLICOS 0.44
## (0.25)
## ---------------------------------------------------
## AIC 1243.85
## BIC 1297.59
## Log Likelihood -609.92
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.82
## Var: ZONA CALIDAD_RSBARRIO 0.05
## Cov: ZONA (Intercept) CALIDAD_RSBARRIO -0.20
## Var: Residual 0.33
## ===================================================
## *** p < 0.001, ** p < 0.01, * p < 0.050.05/(0.05+0.33)## [1] 0.1315789#ICC_CALIDAD_RSBARRIO = 0.132 -> 13.2% model_4.2 = lmer(COHESION_BARRIAL ~ 1 + CALIDAD_RSBARRIO + CONFLIC_MICRO + CONFLIC_MESO + REPUTACION_BARRIAL + DENSIDAD_POB + SCORE_VIOLENCIA + SERVICIOS_PUBLICOS + (1 + CONFLIC_MICRO | ZONA), data = elsoc_barrio_cluster)
screenreg(model_4.2)##
## ================================================
## Model 1
## ------------------------------------------------
## (Intercept) 1.41 ***
## (0.24)
## CALIDAD_RSBARRIO 0.55 ***
## (0.03)
## CONFLIC_MICRO -0.10 **
## (0.04)
## CONFLIC_MESO -0.08 *
## (0.03)
## REPUTACION_BARRIAL 0.12 ***
## (0.03)
## DENSIDAD_POB -0.39 **
## (0.13)
## SCORE_VIOLENCIA -0.38
## (0.37)
## SERVICIOS_PUBLICOS 0.57 *
## (0.26)
## ------------------------------------------------
## AIC 1258.38
## BIC 1312.13
## Log Likelihood -617.19
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.01
## Var: ZONA CONFLIC_MICRO 0.02
## Cov: ZONA (Intercept) CONFLIC_MICRO -0.01
## Var: Residual 0.35
## ================================================
## *** p < 0.001, ** p < 0.01, * p < 0.050.02/(0.02+0.35)## [1] 0.05405405#ICC_CONFLIC_MICRO = 0.054 -> 5,4%model_4.3 = lmer(COHESION_BARRIAL ~ 1 + CALIDAD_RSBARRIO + CONFLIC_MICRO + CONFLIC_MESO + REPUTACION_BARRIAL + DENSIDAD_POB + SCORE_VIOLENCIA + SERVICIOS_PUBLICOS + (1 + CONFLIC_MESO | ZONA), data = elsoc_barrio_cluster)## boundary (singular) fit: see ?isSingularscreenreg(model_4.3)##
## ===============================================
## Model 1
## -----------------------------------------------
## (Intercept) 1.34 ***
## (0.23)
## CALIDAD_RSBARRIO 0.54 ***
## (0.03)
## CONFLIC_MICRO -0.09 **
## (0.03)
## CONFLIC_MESO -0.07 *
## (0.03)
## REPUTACION_BARRIAL 0.14 ***
## (0.03)
## DENSIDAD_POB -0.42 ***
## (0.13)
## SCORE_VIOLENCIA -0.45
## (0.37)
## SERVICIOS_PUBLICOS 0.64 *
## (0.26)
## -----------------------------------------------
## AIC 1256.74
## BIC 1310.48
## Log Likelihood -616.37
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.01
## Var: ZONA CONFLIC_MESO 0.01
## Cov: ZONA (Intercept) CONFLIC_MESO -0.01
## Var: Residual 0.35
## ===============================================
## *** p < 0.001, ** p < 0.01, * p < 0.050.01/(0.01+ 0.35)## [1] 0.02777778#ICC_CONFLIC_MESO = 0.03 -> 3%model_4.4 = lmer(COHESION_BARRIAL ~ 1 + CALIDAD_RSBARRIO + CONFLIC_MICRO + CONFLIC_MESO + REPUTACION_BARRIAL + DENSIDAD_POB + SCORE_VIOLENCIA + SERVICIOS_PUBLICOS + (1 + REPUTACION_BARRIAL | ZONA), data = elsoc_barrio_cluster)## boundary (singular) fit: see ?isSingularscreenreg(model_4.4)##
## =====================================================
## Model 1
## -----------------------------------------------------
## (Intercept) 1.43 ***
## (0.24)
## CALIDAD_RSBARRIO 0.54 ***
## (0.03)
## CONFLIC_MICRO -0.09 **
## (0.03)
## CONFLIC_MESO -0.09 **
## (0.03)
## REPUTACION_BARRIAL 0.13 ***
## (0.03)
## DENSIDAD_POB -0.43 ***
## (0.12)
## SCORE_VIOLENCIA -0.56
## (0.37)
## SERVICIOS_PUBLICOS 0.63 *
## (0.25)
## -----------------------------------------------------
## AIC 1251.54
## BIC 1305.28
## Log Likelihood -613.77
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.31
## Var: ZONA REPUTACION_BARRIAL 0.02
## Cov: ZONA (Intercept) REPUTACION_BARRIAL -0.07
## Var: Residual 0.34
## =====================================================
## *** p < 0.001, ** p < 0.01, * p < 0.050.02/(0.02+0.34)## [1] 0.05555556#ICC_REP_BARRIAL = 0.056-> 5,6%Modelos con interacción entre niveles
model_5.1 = lmer(COHESION_BARRIAL ~ 1 + CALIDAD_RSBARRIO*SCORE_VIOLENCIA + CONFLIC_MICRO + CONFLIC_MESO + REPUTACION_BARRIAL + DENSIDAD_POB + SCORE_SUSTRACCION + (1 + CALIDAD_RSBARRIO | ZONA), data = elsoc_barrio_cluster)## boundary (singular) fit: see ?isSingularscreenreg(model_5.1)##
## ===================================================
## Model 1
## ---------------------------------------------------
## (Intercept) 1.63 ***
## (0.27)
## CALIDAD_RSBARRIO 0.59 ***
## (0.06)
## SCORE_VIOLENCIA 0.84
## (1.57)
## CONFLIC_MICRO -0.09 **
## (0.03)
## CONFLIC_MESO -0.08 **
## (0.03)
## REPUTACION_BARRIAL 0.12 ***
## (0.03)
## DENSIDAD_POB -0.41 **
## (0.12)
## SCORE_SUSTRACCION -0.01
## (0.20)
## CALIDAD_RSBARRIO:SCORE_VIOLENCIA -0.38
## (0.44)
## ---------------------------------------------------
## AIC 1248.22
## BIC 1306.44
## Log Likelihood -611.11
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.89
## Var: ZONA CALIDAD_RSBARRIO 0.05
## Cov: ZONA (Intercept) CALIDAD_RSBARRIO -0.22
## Var: Residual 0.33
## ===================================================
## *** p < 0.001, ** p < 0.01, * p < 0.05model_5.2 = lmer(COHESION_BARRIAL ~ 1 + CALIDAD_RSBARRIO + CONFLIC_MICRO*DENSIDAD_POB + CONFLIC_MESO + REPUTACION_BARRIAL + SCORE_VIOLENCIA + SCORE_SUSTRACCION + (1 + CONFLIC_MICRO | ZONA), data = elsoc_barrio_cluster)
screenreg(model_5.2)##
## ================================================
## Model 1
## ------------------------------------------------
## (Intercept) 1.59 ***
## (0.23)
## CALIDAD_RSBARRIO 0.56 ***
## (0.03)
## CONFLIC_MICRO -0.05
## (0.07)
## DENSIDAD_POB -0.21
## (0.28)
## CONFLIC_MESO -0.09 **
## (0.03)
## REPUTACION_BARRIAL 0.13 ***
## (0.03)
## SCORE_VIOLENCIA -0.28
## (0.40)
## SCORE_SUSTRACCION 0.05
## (0.21)
## CONFLIC_MICRO:DENSIDAD_POB -0.11
## (0.14)
## ------------------------------------------------
## AIC 1266.94
## BIC 1325.16
## Log Likelihood -620.47
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.01
## Var: ZONA CONFLIC_MICRO 0.02
## Cov: ZONA (Intercept) CONFLIC_MICRO -0.01
## Var: Residual 0.35
## ================================================
## *** p < 0.001, ** p < 0.01, * p < 0.05model_5.3 = lmer(COHESION_BARRIAL ~ 1 + CALIDAD_RSBARRIO + CONFLIC_MICRO + CONFLIC_MESO*SCORE_VIOLENCIA + REPUTACION_BARRIAL + DENSIDAD_POB + SCORE_SUSTRACCION + (1 + CONFLIC_MESO | ZONA), data = elsoc_barrio_cluster)## Warning in checkConv(attr(opt, "derivs"), opt$par, ctrl =
## control$checkConv, : Model failed to converge with max|grad| = 0.00277843
## (tol = 0.002, component 1)screenreg(model_5.3)##
## ===============================================
## Model 1
## -----------------------------------------------
## (Intercept) 1.70 ***
## (0.22)
## CALIDAD_RSBARRIO 0.55 ***
## (0.03)
## CONFLIC_MICRO -0.09 **
## (0.03)
## CONFLIC_MESO -0.11 *
## (0.05)
## SCORE_VIOLENCIA -1.16
## (0.85)
## REPUTACION_BARRIAL 0.15 ***
## (0.03)
## DENSIDAD_POB -0.41 **
## (0.13)
## SCORE_SUSTRACCION 0.06
## (0.21)
## CONFLIC_MESO:SCORE_VIOLENCIA 0.31
## (0.30)
## -----------------------------------------------
## AIC 1264.44
## BIC 1322.66
## Log Likelihood -619.22
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.01
## Var: ZONA CONFLIC_MESO 0.01
## Cov: ZONA (Intercept) CONFLIC_MESO -0.01
## Var: Residual 0.35
## ===============================================
## *** p < 0.001, ** p < 0.01, * p < 0.05model_5.4 = lmer(COHESION_BARRIAL ~ 1 + CALIDAD_RSBARRIO + CONFLIC_MICRO + CONFLIC_MESO + REPUTACION_BARRIAL*SCORE_VIOLENCIA + DENSIDAD_POB + SCORE_SUSTRACCION + (1 + REPUTACION_BARRIAL | ZONA), data = elsoc_barrio_cluster)## boundary (singular) fit: see ?isSingularscreenreg(model_5.4)##
## =====================================================
## Model 1
## -----------------------------------------------------
## (Intercept) 1.50 ***
## (0.23)
## CALIDAD_RSBARRIO 0.55 ***
## (0.03)
## CONFLIC_MICRO -0.09 **
## (0.03)
## CONFLIC_MESO -0.10 **
## (0.03)
## REPUTACION_BARRIAL 0.20 ***
## (0.05)
## SCORE_VIOLENCIA 1.53
## (1.03)
## DENSIDAD_POB -0.43 ***
## (0.12)
## SCORE_SUSTRACCION 0.06
## (0.20)
## REPUTACION_BARRIAL:SCORE_VIOLENCIA -0.64 *
## (0.30)
## -----------------------------------------------------
## AIC 1255.85
## BIC 1314.07
## Log Likelihood -614.93
## Num. obs. 651
## Num. groups: ZONA 184
## Var: ZONA (Intercept) 0.29
## Var: ZONA REPUTACION_BARRIAL 0.02
## Cov: ZONA (Intercept) REPUTACION_BARRIAL -0.07
## Var: Residual 0.35
## =====================================================
## *** p < 0.001, ** p < 0.01, * p < 0.05Graficos de efecto y pendiente aleatoria
Para ilustrar la aleatorización tanto del efecto de la zona, como de la pendientes de los predictores en la cohesión barrial, veremos el efecto de la reputación barrial en la cohesión según la zona censal de residencia. En el primer gráfico, se puede observar que varía el intercepto según la zona, de lo cual se puede deducir que existen diferencias en el efecto de la reputación sobre la cohesión entre zonas. No obstante todos estos efectos son positivos. Al aleatorizar la pendiente, en el gráfico dos, podemos observar que además que haber diferencia entre zonas, la reputación barrial incide de manera diferente al interior de cada zona, en donde vemos personas cuya cohesión se asocia en menor medida a la reputación que percibe, mientras que hay otras en los que la cohesión aumenta de manera pronunciada junto con el aumento de la reputación.
#model_3 = lmer(COHESION_BARRIAL ~ 1 + CALIDAD_RSBARRIO + CONFLIC_MICRO + CONFLIC_MESO + REPUTACION_BARRIAL + DENSIDAD_POB + SCORE_VIOLENCIA + SCORE_SUSTRACCION + (1 | ZONA), data = elsoc_barrio_cluster)
#efecto aleatorio
graf1=ggpredict(model_3, terms = c("REPUTACION_BARRIAL","ZONA [sample=9]"), type="re")
plot(graf1)
#coeficiente aleatorio
graf2=ggpredict(model_4.4, terms = c("REPUTACION_BARRIAL","ZONA [sample=9]"), type="re")
plot(graf2)
V. Discusión de los resultados multinivel:
En primer lugar, se concluye que podemos hallar un modelo con predictores individuales que explica en buena medida la cohesión barrial, por lo que se corrobora la discusión teórica referente a la operacionalización de la cohesión social en su aspecto barrial. En segundo lugar, queda de manifiesto que el contexto territorial influye en el nivel de cohesión barrial, en particular, si agrupamos por zonas censales, podemos constatar que el 17% de la variación de la cohesión se atribuye a unidades de nivel contextual.
El modelo multinivel presenta buenos predictores, todos ellos con significación estadística al 5%, a excepción del nivel de sustracción urbana que no presenta significación estadística. Dichos predictores dan cuenta del 66% de la correlación intra-clase del modelo nulo (17%). La correlación intraclase del modelo multinivel es de 5,3%, por lo que queda poca varianza asociada a unidades de nivel 2 por explicar. Posiblemente, esta varianza venga a ser explicada por el promedio de los ingresos mensuales de cada zona, hipótesis que será trabajada en investigaciones posteriores.
Respecto a las hipótesis relativas al contexto de cada zona, podemos afirmar la existencia de una relación negativa con alta significación entre la densidad de la población y la cohesión barrial, así como también observamos una relación negativa entre los indicadores de criminalidad y la cohesión, sin embargo, solo el score de violencia urbana arroja significación estadística. Finalmente, constatamos una relación positiva y significativa entre el bienestar territorial en su dimensión de accesibilidad y la cohesión barrial.
Por el momento, resta evaluar el comportamiento de la variación de la cohesión al aleatorizar variables predictivas y observar la interacción entre niveles. Sin embargo, la aproximación a la literatura y los resultados preliminares permiten intuir que nos acercamos a un buen modelo para explicar la cohesión barrial en diferentes zonas del Gran Santiago. En línea con esto, se presume que la densidad es mediadora del efecto del conflicto microsocial en la cohesión barrial, así como el score de violencia media el efecto de la conflictividad mesosocial y el de la calidad de las relaciones sociales en la cohesión.
Respecto a las limitaciones del estudio, no ha sido posible complejizar el modelo con aspectos macrosociales que la literatura indicaba como relevantes, pues en la base de datos a la accedimos no está la información de la segregación socioespacial y el índice de Gini por zona censal, por lo que se proyecta recurrir a otras fuentes.
Finalmente, se espera contribuir al debate sobre la cohesión barrial y los factores que la propician, con miras a incidir en la elaboración de políticas públicas que fomenten el bienestar territorial, para la cual también se sugiere estudiar la cohesión a partir de su manifestación política para fomentar la participación y organización local. En ello sería posible plantear modelos de ecuaciones estructurales que den cuenta de la participación en juntas de vecinos y conductas de apoyo social.
VI. Referencias
Angelcos, N., & Méndez, M. L. (2017). Struggles against territorial disqualification: Mobilization for dignified housing and defense of heritage in Santiago. Latin American Perspectives, 44(3), 100-112.
Arthurson, K. (2013). Mixed tenure communities and the effects on neighbourhood reputation and stigma: Residents’ experiences from within. Cities, 35, 432-438.
Biskupovic, C. (2011). Acción colectiva en espacios cerrados. Etnografía y nuevas formas de participación. Polis. Revista Latinoamericana, (28).
Brain I., Prieto J., & Sabatini F. (2010). Vivir en campamentos: ¿Camino hacia la vivienda formal o estrategia de localización para enfrentar la vulnerabilidad? EURE, 36(109), 111–141.
Canteros Gormaz, E. (2011). Las agrupaciones vecinales en defensa de los barrios. La construcción política desde lo local. Polis. Revista Latinoamericana, (28).
Casgrain, A., & Janoschka, M. (2013). Gentrificación y resistencia en las ciudades latinoamericanas: El ejemplo de Santiago de Chile. Andamios, 10(22), 19-44.
Cassiers, T., & Kesteloot, C. (2012). Socio-spatial Inequalities and Social Cohesion in European Cities. Urban Studies, 49(9), 1909–1924. https://doi.org/10.1177/0042098012444888
Centro de Estudios de Conflicto y Cohesión Social - COES (2017). Resultados Primera Ola, Estudio Longitudinal Social de Chile (ELSOC). Módulo 3: Territorio. Ciudad, conflicto y cohesión social: sobre la desigualdad socio-espacial en el Chile actual. Notas COES de Política Pública N°10. ISSN: 0719-8795. Santiago, Chile: COES. Recuperado de: http://www.elsoc.cl/publicaciones-elsoc/informes.
Centro de Estudios de Conflicto y Cohesión Social - COES (2017). Resultados Primera Ola, Estudio Longitudinal Social de Chile (ELSOC). Módulo 3: Territorio. Notas COES de Política Pública N°10. ISSN: 0719-8795 . Santiago, Chile. [Presentación]. Recuperado de: http://www.elsoc.cl/wp-content/uploads/2017/09/Presentacion_territorio.pdf
Centro de Inteligencia Territorial - CIT (2018). Indicador de Bienestar Territorial - IBT. Chile. Recuperado en: https://www.bienestarterritorial.cl/
CEPAL(2015) .Proyecciones de Población. Observatorio Demográfico, 2014. (LC/G.2649-P). Recuperado de https://www.cepal.org/es/publicaciones/40124-observatorio-demografico-america-latina-2015-proyecciones-poblacion-demographic
Crow, D. (1994). My friends in low places: building identity for place and community. Environment and Planning D: Society and Space, 12(4), 403-419.
De Mattos, C. (2007). Modernización capitalista y revolución urbana en América Latina: cinco tendencias genéricas. La globalización neoliberal y la planeación urbano-regional. Medellín: Perspectivas para América Latina.
Forrest, R., & Kearns, A. (2001). Social cohesion, social capital and the neighbourhood. Urban studies, 38(12), 2125-2143.
Garreton, M. (2017). City profile: Actually existing neoliberalism in Greater Santiago. Cities, 65, 32-50.
González, F. J. G. (2019). Confianza y capital social en la regeneración urbana de barrios y conjuntos de viviendas. Nuevos enfoques en la rehabilitación energética de la vivienda hacia la convergencia europea: La vivienda social en Zaragoza, 1939-1979, 2, 281.
Kaztman, R. (2007). La calidad de las relaciones sociales en las grandes ciudades de América Latina: viejos y nuevos determinantes. Pensamiento iberoamericano, (1), 177-205.
Kearns, A., & Forrest, R. (2000). Social cohesion and multilevel urban governance. Urban studies, 37(5-6), 995-1017.
Lewicka, M. (2005). Ways to make people active: The role of place attachment, cultural capital, and neighborhood ties. Journal of environmental psychology, 25(4), 381-395.
López-Morales, E. (2016). Gentrification in Santiago, Chile: a property-led process of dispossession and exclusion. Urban Geography, 37(8), 1109-1131.
Mendez, M. L. (2018). Neighborhoods as Arenas of Conflict in the Neoliberal City: Practices of Boundary Making Between “Us” and “Them”. City & Community, 17(3), 737-753.
Méndez, M. L., & Otero, G. (2018). Neighbourhood conflicts, socio-spatial inequalities, and residential stigmatisation in Santiago, Chile. Cities, 74, 75-82.
Musterd, S., Marcińczak, S., van Ham, M., & Tammaru, T. (2017). Socioeconomic segregation in European capital cities. Increasing separation between poor and rich. Urban Geography, 38(7), 1062–1083.
Novy, A., Swiatek, D. C., & Moulaert, F. (2012). Social cohesion: a conceptual and political elucidation. Urban Studies, 49(9), 1873-1889.
OECD. (2015). Todos Juntos: ¿Por qué reducir la desigualdad nos beneficia?…en Chile. Recuperado en: https://www.oecd.org/chile/OECD2015-In-It-Together-Highlights-Chile.pdf
ONU (2014). World Urbanization Prospects: The 2014 Revision
Özler, Ş. İ. (2012). The Concertación and homelessness in Chile: market-based housing policies and limited popular participation. Latin American Perspectives, 39(4), 53-70.
Peck, J., Theodore, N., & Brenner, N. (2013). Neoliberal urbanism redux?. International Journal of Urban and Regional Research, 37(3), 1091-1099.
Routledge, P. (2010). Introduction: cities, justice and conflict.
Sabatini, F., Cáceres, G., & Cerda, J. (2001). Segregación residencial en las principales ciudades chilenas: tendencias de las tres últimas décadas y posibles cursos de acción. Revista EURE - Revista De Estudios Urbano Regionales, 27(82).
Scannell, L., & Gifford, R. (2010). Defining place attachment: A tripartite organizing framework. Journal of environmental psychology, 30(1), 1-10.
Smith, R. A. (1975). Measuring neighborhood cohesion: A review and some suggestions. Human Ecology, 3(3), 143-160.
Somma, N. & Valenzuela, E. (2015). Las paradojas de la cohesión social en América Latina. Revista del CLAD Reforma y Democracia, 61, pp. 43.74
SUR Corporación de Estudios Sociales y Educación (2011) “Mapa de los conflictos urbanos en Santiago”. SUR Corporación de Estudios Sociales y Educación. http://mapadeconflictos.sitiosur.cl/index1.php (consultado el 21 de mayo de 2019).
Uribe Carrasco, N. (2014). Patrimonialización comunitaria en barrios de Santiago: Los casos de las zonas típicas de Viel y Yungay. Apuntes: Revista de Estudios sobre Patrimonio Cultural-Journal of Cultural Heritage Studies, 27(1), 80-93.
Vergolini, L. (2011). Social cohesion in Europe: How do the different dimensions of inequality affect social cohesion?. International Journal of Comparative Sociology, 52(3), 197-214.