Factores Determinantes de la Inseguridad Ciudadana en la Región Norte, Periodo del 2004-2013.
Bibliographic record
Abstract
En los últimos 10 años el Perú ha vivido un boom económico asociado a los altos\nprecios de las materias primas, esto ha originado que el producto bruto interno del\npaís se incremente, así como las exportaciones y la inversión formando un círculo\nvirtuoso, paralelamente a este crecimiento económico se ha ido gestando en las\nciudades más importantes del país la inseguridad ciudadana en sus diferentes\nmodalidades. Es decir, habría una correlación positiva entre crecimiento económico\ne inseguridad ciudadana.\nEl presente trabajo de investigación tiene como objetivo determinar los factores que\ninciden en la inseguridad ciudadana en la región norte que implica a los\ndepartamentos de Ancash, La Libertad, Lambayeque, Piura y Tumbes para el\nperíodo 2004-2013, teniendo como hipótesis de investigación que los factores\nsociales, demográficos y económicos y en particular el factor socioeconómico incide\nsignificativamente en la variable dependiente.\nCon el fin de probar la hipótesis planteada se procedió a utilizar un modelo\neconométrico de datos de panel con efectos fijos para los departamentos de la\nregión norte durante el período 2004-2013.\nLos resultados encontrados en el período de estudio muestran que efectivamente\nhay una relación positiva entre crecimiento económico y delincuencia (tasa de\ndelitos), así como una relación positiva entre tasa de desempleo y tasa de delitos y\na su vez se halla una relación directa entre tasa de delitos y denuncias por violencia\nfamilia.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".