Gonzalo Vicente
Facultad de Ciencias Económicas.
Universidad Nacional.
0000-0003-3575-7399
gonzalo.vicente@fce.uncu.edu.ar

Tomás Goicoa
Departamento de Estadística, Informática y Matemáticas. INAMAT^2
Universidad Pública de Navarra.
0000-0002-0588-0137
tomas.goicoa@unavarra.es

Paloma Fernández-Rasines
Departamento de Estadística, Informática y Matemáticas. INAMAT^2
Universidad Pública de Navarra.
0000-0002-1555-217X
paloma.fernandez@unavarra.es

María Dolores Ugarte
Departamento de Sociología y Trabajo Social.
Universidad Pública de Navarra.
0000-0002-3505-8400
lola@unavarra.es

Abstract

In recent years, there has been a steady escalation in the incidence of crimes against women in India, as documented by the National Crime Records Bureau. The issue of gender-based violence has reached a critical dimension to the extent that the World Health Organization has declared it as a high-impact health concern. Despite the general aware about this matter, there exists a notable dearth of spatiotemporal studies that afford a comprehensive elucidation of the geographical and temporal dynamics underpinning crimes against women. This article endeavors to fill this gap by focusing on an in-depth examination of the evolving geographic distribution of dowry deaths in the districts of Uttar Pradesh spanning the timeframe of 2001 to 2014. The core objective of this research lies in the identification of specific regions characterized by elevated risks and the formulation of hypotheses regarding potential risk factors. Our findings underscore the presence of several districts marked by exceptionally high risks of dowry death incidence. Notably, statistically significant associations are found between dowry deaths, female-to-male ratio, and certain manifestations of general criminality.

Keywords: Análisis espacio-temporal, Áreas pequeñas, Epidemiología espacial, INLA, Violencia de género.

MSC Subject classifications: 62-07, 62P25.

Introduction

Los premios Sociedad de Estadística e Investigación Operativa-Fundación BBVA, en su edición de 2021, otorgaron el premio a la mejor contribución aplicada con un impacto en el ámbito social, la innovación o la transferencia del conocimiento en el campo de la Estadística, al trabajo titulado ‘‘Crime against women in India: unveiling spatial patterns and temporal trends of dowry deaths in the districts of Uttar Pradesh” y publicado en la revista Journal of the Royal Statistical Society, Series A (Vicente et al. 2020). El trabajo fue fruto de la colaboración entre los miembros del grupo de Estadística Espacial (Departamento de Estadística, Informática y Matemáticas) de la Universidad Pública de Navarra (UPNA), Lola Ugarte, Tomás Goicoa y Gonzalo Vicente y Paloma Fernández-Rasines, antropóloga social del Departamento de Sociología y Trabajo Social de la citada universidad. El grupo de investigación“Estadística Espacial» de la UPNA ha venido trabajando con datos de conteo a nivel de área, fundamentalmente relacionados con mortalidad y/o incidencia de determinados tipos de cáncer. Sin embargo, ante la relevancia que está cobrando la violencia contra las mujeres en todas sus formas y la participación de la responsable del grupo en una conferencia en la India, el grupo se embarcó en el estudio de ciertas formas de crímenes contra las mujeres en dicho país en colaboración con investigadores de la Universidad de Manipal. De esta primera colaboración se elaboró un estudio sobre la distribución espacio-temporal de la violación (Vicente et al. 2018) del que también se hizo eco BEIO, Boletín de Estadística e Investigación Operativa, (Goicoa, Ugarte, and Vicente 2019) de la Sociedad Española de Estadística e Investigación Operativa (SEIO). En el presente artículo se pretende dar a conocer el trabajo galardonado en los premios SEIO-Fundación BBVA que intenta desentrañar las dinámicas que afectan a un crimen muy específico de la India y particularmente horrendo, la muerte por dote. El objetivo es comprender en qué consiste este crimen y transmitir la magnitud del problema desde un punto de vista más divulgativo sin perder el rigor académico.

Según la Asamblea de las Naciones Unidas de 1993 ((United Nations General Assembly 1993)) el término violencia contra las mujeres se define como cualquier acto de violencia de género que resulte en daño físico, sexual o psicológico a las mujeres. Ese mismo año, la Conferencia Mundial de Derechos Humanos de Viena reconoció por primera vez la ‘‘violencia de género” como una violación de los derechos humanos, mientras que la Organización Mundial de la Salud (OMS) declaró la violencia contra las mujeres como un “problema de salud pública de proporciones epidémicas” con más de 1.6 millones de fallecidas debido a la violencia doméstica (Ellsberg, Heise, and World Health Organization and others 2005). Sin embargo, la inversión en prevención sigue siendo escasa (Garcia-Moreno and Watts 2011). La OMS en su informe de 2013 (World Health Organization 2013) también estima que la prevalencia mundial a lo largo de la vida de la violencia dentro de la pareja entre mujeres que han tenido alguna vez una pareja, es del 30.0% (con un intervalo de confianza al 95% del 27.8% al 32.2%), pero esta tasa es más alta en el sudeste asiático, con una estimación del 37.7% (con un intervalo de confianza al 95% del 32.8% al 42.6%). El último informe de 2021 (World Health Organization 2021) muestra una ligera reducción con una prevalencia mundial del 27% (con un intervalo de confianza al 95% del 23% al 31%) y una estimación para el sudeste asiático del 35% (con un intervalo de confianza al 95% del 26% al 46%).

En muchos países, las tradiciones culturales se basan en una desigualdad de género que no ha sido corregida en los procesos post-coloniales, contribuyendo a aumentar la violencia contra las mujeres. Este es el caso de la India, uno de los países más poblados del mundo (alrededor de 1,210 millones de personas, según el último censo disponible de 2011), donde la violencia de género está profundamente institucionalizada y se desarrolla bajo el manto de prácticas religiosas, culturales o sociales (Johnson, Ollus, and Nevala 2007). En estas sociedades, la estructura patriarcal perpetúa la desigualdad de género legitimando así la violencia contra las mujeres (Russo and Pirlott 2006). En la India, el sistema sexo-género opera exponiendo a las niñas y mujeres jóvenes a diferentes formas de violencia, incluidos abortos selectivos y prácticas de infanticidio, acoso, violación, secuestro, muerte por dote y asesinato, lo que les impide tener una vida digna (Patel 2015). Basta echar un vistazo a los periódicos para encontrar titulares como ‘‘Era una niña. La enterraron viva al nacer”, publicado en el diario El País el 10 de Octubre de 2019, para hacerse una idea del horror detrás de los crímenes contra las mujeres.

Este trabajo se centra en la muerte por dote, una forma de delito contra las mujeres muy específica de la India. A pesar de que esta forma de violencia se encuentra tipificada en el Código Penal indio y la dote está prohibida (Ley de Prohibición de la Dote, 1961), esta práctica sigue siendo generalizada en la India, país que lidera las estadísticas mundiales con el mayor número de muertes por dote. Según la National Crime Records Bureau (2015), el número de muertes por dote en 2014 fue de 8,455, si bien esta cifra se ha reducido a 6,966 según el último informe de 2021 ((National Crime Records Bureau 2021)).

Para comprender bien la naturaleza de este crimen, en primer lugar es necesario definir el concepto de dote. Una definición sencilla y resumida de dote es cualquier propiedad o garantía de valor que una parte del matrimonio entrega o acuerda entregar a la otra parte. Aunque la definición no lo dice expresamente, es la familia de la novia la que entrega la dote a la familia del novio. Sin embargo, esta práctica es mucho más compleja y se recomienda consultar la Ley de Prohibición de la Dote de 1961 (Dowry Prohibition Act, 1961) para una mejor comprensión de la misma.

Históricamente, la dote reemplazó al denominado precio de la novia en el Sur (Bloch and Rao 2002), pero también se convirtió en una práctica cultural que las castas altas transferían a las castas medias y bajas en todo el país (Shenk 2007). Desde una perspectiva estructural, el sistema de dote se relaciona con los parientes y la propiedad como una regla construida y desplegada para preservar las ventajas sociales y económicas de los grupos socialmente poderosos (K. Banerjee 1999). Existen posiciones encontradas sobre la dote. Algunos autores explican las terribles consecuencias que la dote tenía para las niñas. Por ejemplo, (Shenk 2007) explica que durante el Raj británico (1858-1947), las bodas representaban una gran carga financiera para los campesinos del noroeste de la India, lo que llevó al infanticidio femenino en esa región. Sin embargo, otros autores afirman que la violencia relacionada con la dote puede utilizarse como instrumento para redistribuir recursos (Bloch and Rao 2002). La entrega de una dote sustancial a la familia del novio es un símbolo de riqueza y estatus social e históricamente se concibió como una forma de herencia para las hijas en una cultura donde a las mujeres no se les permitía poseer propiedades (ver, por ejemplo, P. R. Banerjee 2014). De ahí que el primer propósito de la dote fuera proteger a las mujeres de tradiciones injustas. Sin embargo, no está claro por qué se ha convertido en un medio de extorsión y un instrumento de explotación femenina.

Una de las principales razones de la falta de efectividad de la política de dote en la India puede deberse a las posiciones enfrentadas entre aquellos que ven la dote como un mal social y aquellos que la ven como una forma de inversión positiva (Shenk 2007). Organizaciones no gubernamentales (ONGs) y entornos académicos señalan que el sistema de dote está relacionado con la discriminación contra las mujeres, lo que conduce al infanticidio femenino y al aborto selectivo por sexo, impidiendo así el nacimiento de niñas (ver P. R. Banerjee 2014, y las referencias allí contenidas). La dote también está relacionada con la violencia contra las mujeres por parte de los maridos y sus familiares, y es una forma de chantajear a la familia de la novia si la dote parece insatisfactoria. Lamentablemente, esta forma de violencia contra las novias no se detiene una vez que se ha celebrado el matrimonio, sino que continúa en el tiempo y suele conducir a la muerte, es lo que se denomina “muerte por dote”. El artículo 304B del Código Penal de la India considera “muerte por dote” el fallecimiento de una mujer joven dentro de los siete años de matrimonio, ya sea asesinada o inducida al suicidio por el esposo y los familiares políticos para forzar una aumento en la dote (Mohanty, Sen, and Sahu 2013). También se considera muerte por dote el suicidio cometido por una mujer que ha sufrido violencia física o mental en relación con su dote. Las formas más comunes de muerte por dote son la quema, el ahogamiento y el envenenamiento de la novia, ya que fácilmente pueden considerarse accidentes. Para obtener más información sobre la dote y la violencia relacionada con la dote, ver P. R. Banerjee (2014).

Algunos estudios han intentado identificar factores relacionados con las muertes por dote (ver, por ejemplo, Jeyaseelan et al. 2015), pero sus conclusiones son bastante limitadas. En relación a la razón de sexos, la educación de las mujeres y su participación en la fuerza laboral, los resultados son incluso contradictorios (Dang, Kulkarni, and Gaiha 2018; Belur et al. 2014; Sharma et al. 2002).

El objetivo principal en este trabajo es analizar los patrones espaciales de incidencia de muertes relacionadas con la dote y cómo estos patrones evolucionan con el paso del tiempo. La intención es identificar las regiones con riesgo más alto de incidencia de muerte por dote y determinar si este exceso de riesgo se mantiene a lo largo de los años. Este enfoque resulta de gran utilidad para identificar posibles factores de riesgo y para evaluar los efectos de diversas acciones políticas y legales a lo largo del periodo de estudio. Asimismo, se han considerado ciertas variables explicativas a nivel de distrito para evaluar su posible relación con la muerte por dote que ayudan a comprender mejor este problema. En este artículo analizamos específicamente la incidencia de muerte por dote en Uttar Pradesh, el estado más poblado de la India y con la tasa más alta de muerte por dote. El resto del artículo está organizado de la siguiente manera: la Sección 2 presenta los datos, proporciona cifras descriptivas y discute algunas variables explicativas que podrían estar asociadas con la muerte por dote. En la Sección 3 se expone la metodología a utilizar en el análisis de datos reales. Los resultados se proporcionan en la Sección 4 y el artículo termina con una discusión (ver Sección 5).

Muerte por dote en Uttar Pradesh: algunas cifras

Uttar Pradesh es el estado más poblado de la India y está situado al norte del país. Limita al norte con Nepal y Uttarakhand, al sur con Madhya Pradesh y Chhattisgarh, al este con Bihar y Jharkhand y al oeste con Haryana, Delhi & NCR y Rajasthan. Aunque actualmente Uttar Pradesh consta de 75 distritos, al inicio del período de estudio estaba compuesto por 70. Debido a la falta de datos para los 75 distritos actuales a lo largo de todo el período, conservamos los 70 distritos originales La Figura [fig:f_dist_num] muestra un mapa de la India con Uttar Pradesh sombreado (esquina superior derecha) y un mapa de Uttar Pradesh con su división en 70 distritos (mapa central principal). Los nombres correspondientes a la numeración de distritos se hallan en la Tabla 1.

La población femenina total de Uttar Pradesh es de 95,331,831 (datos del último censo disponible de 2011), pero aquí nos centramos en 47,282,080 mujeres de entre 15 y 49 años. En Uttar Pradesh, la tasa de alfabetización masculina es del 77.28%, mientras que la femenina es del 57.18%, notablemente inferior. Los datos sobre el número de muertes por dote se obtuvieron de la National Crime Records Bureau (2015) de la India. Durante 2014 se registraron en la India un total de 8455 muertes por dote, un 2.50% de todos los delitos contra las mujeres (CCM) en el país. En Uttar Pradesh, este porcentaje es 3 veces mayor, un 6.42% con un total de 2469 casos registrados. Pero lo realmente preocupante es que un 29.2% de todas las muertes por dote de la India se producen en este estado. Esto supone prácticamente un tercio del total. Estas cifras podrían ser incluso mayores ya que, según varios estudios, un problema grave en este contexto es la incorrecta notificación y clasificación de las muertes por dote desde una perspectiva criminal y forense, especialmente cuando se trata de muertes no naturales relacionadas con lesiones por incendios y accidentes en la cocina. Además, según algunos estudios (ver Verma et al. 2015), los padres de la novia pueden mostrarse reacios a denunciar el caso y exigir justicia para evitar el escándalo y desprestigio social que podría arruinar las posibilidades de matrimonio para otras hijas.

El fenómeno de la muerte por dote en India presenta importantes aristas y la identificación de posibles factores de riesgo podría ayudar a comprender y combatir esta forma de violencia contra las mujeres. Sin embargo, no está claro qué indicadores socio-económicos u otras covariables pueden estar asociados con la muerte por dote. South, Trent, and Bose (2014) encuentran un exceso de delincuentes masculinos correlacionado con la violencia de género y se espera que el crimen en general esté asociado con los crímenes contra las mujeres (Mukherjee, Rustagi, and Krishnaji 2001). Estos autores también señalan que la muerte por dote es el único crimen contra las mujeres que parece estar claramente asociado con la proporción de mujeres respecto de hombres, siendo esta relación negativa. Es decir, cuanto menor es la proporción de mujeres respecto de hombres, mayor es la tasa de muertes por dote. La literatura también muestra resultados contradictorios sobre otros posibles factores de riesgo, como la educación de las mujeres y su participación en la fuerza laboral (Mukherjee, Rustagi, and Krishnaji 2001; Dang, Kulkarni, and Gaiha 2018; Belur et al. 2014; Sharma et al. 2002). Dado que las muertes por dote suelen registrarse como recuentos a nivel de área (distrito, estado), la mayoría de las variables explicativas que se han contemplado para estudiar este fenómeno se han considerado a nivel de área. En general, estas variables suelen estar basadas en la población (disponibles en la Oficina del Censo de la India) u otras variables que recopilan información sobre algún tipo de crimen o privación, medidas a nivel de área y generalmente disponibles en registros oficiales.

El número de muertes por dote registradas en Uttar Pradesh desde 2001 a 2014 varía ampliamente, con valores mínimos entre 1 y 7, y valores máximos que oscilan entre 55 y 98. En general, el promedio anual de casos aumenta de 2003 a 2008, y luego permanece bastante estable hasta el final del período, donde muestra un ligero aumento. La Figura [fig:f_ratio] muestra la evolución temporal de las tasas brutas (por cada 100,000 mujeres entre 15 y 49 años) en India (marrón), Uttar Pradesh (verde) y los distritos de Uttar Pradesh (gris). Se destacan dos distritos: Aligarth (naranja) y Kheri (azul), que muestran una tendencia creciente y decreciente, respectivamente. Las tasas brutas en Uttar Pradesh casi duplican las tasas brutas en la India, mientras que las tasas en Aligarth son aproximadamente cuatro veces más altas que las tasas brutas en la India a partir de 2008 en adelante. La mayoría de los distritos presentan tasas brutas superiores a las tasas globales para toda la India. Claramente, las tasas brutas son altamente variables y se requieren modelos para suavizarlas. Dado que la evolución temporal de las tasas por distrito es diferente, algunas tendencias aumentan (por ejemplo Aligarh), mientras que otras disminuyen (como se puede observar en Kheri), se consideran modelos que incluyen interacciones espacio-temporales.

En este trabajo se consideraron algunas variables explicativas a nivel de distrito para evaluar su asociación con la incidencia de muerte por dote. En particular, la razón de sexos (\(x_1\)), la densidad de población (\(x_2\)) y la tasa de alfabetización femenina (\(x_3\)) como variables poblacionales obtenidas de la Oficina del Censo de la India. Estas variables solo están disponibles para 2001 y 2011 y por ello se imputaron los valores para los años restantes mediante interpolación lineal. Aunque las variables son espacio-temporales, la variación en el tiempo no es muy pronunciada, por lo que principalmente capturan variabilidad espacial. En este artículo, la razón de sexos se define como el número de mujeres por cada 1,000 hombres, ya que así es como la registra la Oficina del Censo de la India. Aunque la razón de sexos y la tasa de alfabetización femenina se han estudiado previamente a nivel estatal (ver, por ejemplo, Mukherjee, Rustagi, and Krishnaji 2001) el objetivo del presente artículo es estudiar la relación de estas variables con la muerte por dote a nivel de distrito en el estado de Uttar Pradesh. Además de estas variables, se ha considerado una variable ficticia (en inglés, variable dummy) que indica el partido político del Ministro Principal o Ministro Jefe de Uttar Pradesh durante el período de estudio (\(x_0\)): el Partido Bharatiya Janata (BJP), un partido de centro derecha (2001), el Partido Bahujan Partido Samaj (BSP), partido defensor de la igualdad y la justicia social (2002-2003 y 2007-2011), y el Partido Samajwadi (SP), de ideología socialista (2004-2006 y 2012-2014). También se han tenido en cuenta tres variables espacio-temporales adicionales: el ingreso per cápita (\(x_4\)), y el número de asesinatos (\(x_5\)) y el número de robos por cada 100,000 personas (\(x_6\)). Aquí, el término “robo” se refiere a entrar en un edificio o residencia con la intención de cometer un robo u otro delito. Estas dos últimas covariables se han incluido para evaluar las relaciones de las muertes por dote con cualquier otra forma de delito (Mukherjee, Rustagi, and Krishnaji 2001). Recientemente, desde la sociología y algunas organizaciones de mujeres se ha asociado un aumento de las muertes por dote con el incremento del consumismo en la India (Verma et al. 2015), y por ello se ha incluido el ingreso per cápita como un indicador proxy del consumismo.

Como enfoque descriptivo inicial, en la Tabla 2 se proporcionan correlaciones entre el logaritmo de las tasas brutas de muerte por dote y las covariables estandarizadas en los años censales 2001 y 2011. A primera vista, la razón de sexos (\(x_1\)) y el número de asesinatos por cada 100,000 habitantes (\(x_5\)) exhiben las correlaciones más fuertes, lo que sugiere una posible asociación negativa entre la razón de sexos y la muerte por dote, y una asociación positiva entre los asesinatos y la muerte por dote. La correlación entre la tasa de alfabetización femenina y la muerte por dote en 2011 es prácticamente insignificante. Estos resultados preliminares están en línea con los observados por Mukherjee, Rustagi, and Krishnaji (2001). Para el resto de variables se observan correlaciones de moderadas a bajas. El cálculo de las correlaciones en todos los años del período de estudio (que no se muestran aquí para ahorrar espacio) revelan correlaciones de moderadas a altas entre la razón de sexos y la muerte por dote y entre los asesinatos y la muerte por dote.

Modelos espacio-temporales

Tradicionalmente, los modelos espaciales y espacio-temporales para datos de conteo a nivel de área se han utilizado para estudiar los patrones geográficos y tendencias temporales de riesgos de incidencia/mortalidad de enfermedades crónicas como el cáncer (ver, por ejemplo, Aragonés et al. 2013; Marí-Dell’Olmo et al. 2014; Goicoa et al. 2016; Ugarte et al. 2012). Sin embargo, estos métodos no se habían aplicado al estudio de los crímenes contra las mujeres en la India. En ese sentido, el grupo de investigación Estadística Espacial de la UPNA ha realizado varias contribuciones. En el ámbito univariante (estudio individual de un crímen), Vicente et al. (2018) y Goicoa, Ugarte, and Vicente (2019) han estudiado patrones espacio-temporales de violaciones y Vicente, Goicoa, and Ugarte (2020) y Vicente, Goicoa, and Ugarte (2023) han analizado la modelización conjunta de varios crímenes.

Los modelos que incorporan efectos fijos, efectos aleatorios espaciales y temporales e interacciones espacio-temporales son herramientas valiosas para esclarecer patrones geográficos de riesgo, tendencias temporales globales y tendencias temporales específicas de cada región. A continuación se describe el modelo espacio-temporal que incluye variables explicativas considerado en este trabajo.

La región de estudio es el estado de Uttar Pradesh, que se divide a su vez en \(S=70\) distritos denotados por \(i=1,\ldots,S\). Para cada distrito se dispone del número de muertes por dote durante \(T=14\) años, indicados por \(t=1,\ldots, T\). En esta situación, condicionado a la tasa \(p_{it}\), se asume que el número de muertes por dote \(O_{it}\) en el distrito \(i\) y en el año \(t\) sigue una distribución de Poisson con media \(\mu_{it}=n_{it}\cdot p_{it}\), donde \(n_{it}\) es la población en riesgo en el área \(i\) y el período de tiempo \(t\). Es decir,

\[\begin{aligned}
\label{poisson_model}
O_{it}|p_{it} \sim Poisson (\mu_{it}), \nonumber\\
\log\mu_{it}=\log(n_{it})+\log p_{it}.
\end{aligned}\qquad(1)\]

Es importante señalar que, en este caso, la tasa específica de una región y año particular, \(p_{it}\), y el riesgo relativo, denotado como \(R_{it}\), están relacionados a través de la tasa global \(R=\sum_i\sum_t O_{it}/\sum_i\sum_t n_{it}\), es decir, \(p_{it}=R\times R_{it}\). Las distribuciones a posteriori de los riesgos pueden después obtenerse muy fácilmente. Para modelizar el \(\log p_{it}\), consideramos el siguiente modelo espacio-temporal

\[\begin{aligned}
\label{knorr_models}
\log(p_{it})
= \alpha + {\boldsymbol x}_{it}'{\boldsymbol \beta} + \xi_{i} + \gamma_{t} + \delta_{it},
\end{aligned}\qquad(2)\]

donde \(\alpha\) representa una tasa global, \({\boldsymbol x}_{it}' = (x_{0_{it}},x_{1_{it}},x_{2_{it}},x_{3_ {it}},x_{4_{it}},x_{5_{it}},x_{6_{it}})\) es el vector de variables explicativas descrito en la Sección 2, \({\boldsymbol \beta}\) es el vector de coeficientes o efectos fijos, \(\xi_{i}\) y \(\gamma_{t}\) son los efectos aleatorios espaciales y temporales, que capturan patrones espaciales y temporales globales que pueden estar asociados con variables no observadas y desconocidas, y \(\delta_{it}\) es el término de interacción espacio-temporal que permite tendencias temporales específicas en cada distrito o patrones geográficos diferentes en cada año.

En este artículo consideramos una distribución condicional autorregresiva intrínseca (ICAR) para el vector de efectos aleatorios espaciales \({\boldsymbol\xi}=( \xi_{1},\ldots,\xi_{S})'\) (Besag 1974). Esto es, una distribución impropia con kernel gaussiano

\[p({\boldsymbol\xi}) \propto \exp\left(-\frac{1}{2\sigma_\xi^2} {\boldsymbol\xi}^{'} {\boldsymbol Q} {\boldsymbol \xi}\right),\qquad(3)\]

donde \(\sigma_{\xi}^2\) es el componente de varianza espacial y \(\boldsymbol{Q} _{\xi}\) es la matriz de vecindad definida por contigüidad, es decir, dos distritos son vecinos si comparten una frontera común. Los elementos diagonales son iguales al número de vecinos de cada distrito, y los elementos de fuera de la diagonal \((\boldsymbol{Q}_{\xi})_{ij}=-1\) si los distritos \(i\) y \(j\) son vecinos y \((\boldsymbol{Q}_{\xi})_{ij}=0\) en caso contrario. Para el vector de efectos aleatorios temporales \(\boldsymbol{\gamma}=( \gamma_{1},\ldots,\gamma_{T} )'\), se consideran paseos aleatorios de primer o segundo orden. Es decir, \(\boldsymbol{\gamma}\) sigue una distribución impropia con kernel gaussiano

\[p({\boldsymbol\gamma}) \propto \exp\left(-\frac{1}{2\sigma_\gamma^2} {\boldsymbol\gamma}^{'} {\boldsymbol R}_{\gamma} {\boldsymbol\gamma}\right),\qquad(4)\]

donde \(\boldsymbol{R}_{\gamma}\) es la matriz de estructura (la forma de estas matrices puede verse en Rue and Held 2005, 95 y 110) y \(\sigma_{\gamma}^2\) es el componente de varianza temporal. Finalmente, para el término de interacción \(\boldsymbol{\delta} = (\delta_{11}, \ldots\delta_{S1}, \ldots, \delta_{1T}, \ldots\delta_{ST})'\) también se asume una distribución con kernel gaussiano \(p({\boldsymbol\delta}) \propto \exp\left(-\frac{1}{2\sigma_\delta^2} {\boldsymbol\delta}^{'} {\boldsymbol R}_{\delta} {\boldsymbol\delta}\right),\) con matriz de estructura \(\boldsymbol{R}_{\delta}\) y parámetro de varianza \(\sigma_{\delta}^2\) . Dependiendo de la forma de esta matriz se pueden obtener cuatro tipos diferentes de interacción (Knorr-Held 2000): Tipo I (interacciones independientes, \(\boldsymbol{R}_{\delta} = \boldsymbol{ I}_T \otimes \boldsymbol{I}_S\)), Tipo II (interacciones estructuradas en el tiempo y no en el espacio, \(\boldsymbol{R}_{\delta} = \boldsymbol{R}_{\gamma} \otimes\ \boldsymbol{I}_S\)), Tipo III (intreacciones estructuradas en el espacio y no en el tiempo, \(\boldsymbol{R}_{\delta} = \boldsymbol{I}_T \otimes\boldsymbol{Q}_{\xi}\) ), Tipo IV (interacciones estructuradas en el espacio y en el tiempo, \(\boldsymbol{R}_{\delta} = \boldsymbol{R}_{\gamma} \otimes \boldsymbol{Q}_{\xi}\)). Estos modelos, si bien son muy utilizados en la literatura, presentan problemas de identificación. Para resolverlos se introducen las restricciones propuestas por Goicoa et al. (2018).

Análisis y resultados

Originalmente se ajustó el Modelo [knorr_models] incluyendo el conjunto completo de variables explicativas descrito en la Sección 2 y los cuatro tipos de interacción espacio-temporal. Sin embargo, solamente tres variables resultaron ser estadísticamente significativas (ver Vicente et al. 2020). Por tanto, se ajustó de nuevo el Modelo [knorr_models] incluyendo solamente las variables significativas: razón de sexos, número de asesinatos y número de robos. Se consideraron los cuatro tipos de interacción espacio-temporal, una distribución ICAR para el efecto espacial, y paseos aleatorios de orden 1 y 2 (RW1 y RW2) respectivamente para el tiempo. El ajuste y la inferencia se han realizado desde una perspectiva completamente bayesiana utilizando INLA, un procedimiento basado en aproximaciones de Laplace anidadas e integración numérica (Rue, Martino, and Chopin 2009). En cuanto a las distribuciones a priori de los hiperparámetros, se ha considerado una distribución uniforme sobre la recta real positiva para las desviaciones estándar (Ugarte, Adin, and Goicoa 2017; Goicoa et al. 2019). Para los efectos fijos se han considerado distribuciones normales de media cero y varianza grande.

Para seleccionar el modelo más adecuado en términos de ajuste y complejidad, se consideraron diferentes criterios propuestos en la literatura: el criterio de información de la deviance or DIC (Spiegelhalter et al. 2002), el criterio de información de Watanabe-Akaike o WAIC (Watanabe 2010) y el denominado Logaritmic Score o LS (Gneiting and Raftery 2007). Los resultados se presentan en la Tabla 3, con los valores más bajos de los tres criterios anteriores resaltados en negrita. Claramente, un modelo con interacción de Tipo II y una distribución RW1 para el tiempo es el más apropiado.

En la Tabla 4 se muestran la media, la desviación estándar y la mediana a posteriori de los efectos fijos junto con intervalos de credibilidad al 95%. Los resultados muestran una asociación negativa entre la muerte por dote y la razón de sexos y una asociación positiva con los asesinatos y los robos. Estos resultados concuerdan con otros autores como Mukherjee, Rustagi, and Krishnaji (2001). Por tanto, los distritos con una razón de sexos baja tienden a tener un mayor riesgo de muerte por dote, y las áreas con un alto número de asesinatos y robos también tienen un mayor riesgo de muerte por dote.

El modelo espacial ajustado es muy interesante porque, una vez descontado el efecto de las variables explicativas, permite dividir el riesgo final en diferentes componentes con una interpretación muy útil. Concretamente, el término \({\zeta_i} =\exp ( \xi_{i})\) indica un patrón espacial global constante a lo largo del tiempo que podría asociarse a alguna variable no observada con distribución espacial. El término temporal exp\((\gamma_t)\) indica una evolución temporal del riesgo común a todos los distritos que puede recoger el efecto de políticas o programas de intervención o prevención del estado a lo largo del tiempo. Finalmente, el componente espacio-temporal exp\((\delta_{it})\) está relacionado con la idiosincrasia de cada distrito.

En nuestro análisis, después de descontar el efecto de las variables explicativas, la mayor parte de la variabilidad se explica mediante el efecto espacial, un 78%. El efecto temporal representa un 13% de la variabilidad y el 9% restante es capturado por el efecto de la interacción espacio-temporal.

La Figura 1 muestra las medias a posteriori de los riesgos relativos específicos del distrito \(\zeta_i=\) exp\(( \xi_i)\) (izquierda) y las probabilidades a posteriori de que estos riesgos específicos del distrito sean mayores que 1, \(P(\zeta_i> 1 | \textbf{O})\) (derecha). El patrón espacial \((\zeta_i)\) se puede interpretar como el riesgo básico asociado a un distrito, y en este caso, el patrón espacial es muy marcado. Los distritos con riesgo alto se concentran en el medio oeste y en el norte. Además, la mayoría de los distritos orientales presentan un riesgo específico del distrito bajo. El mapa de probabilidades a posteriori está claramente dividido en dos grupos: uno con distritos cuyas probabilidades son mayores que 0.9 y otro grupo de distritos con probabilidades menores que 0.1. Los distritos con probabilidades a posteriori superiores a 0.9 se clasifican como distritos de alto riesgo (ver Richardson et al. 2004; Ugarte et al. 2009; Ugarte, Goicoa, and Militino 2009).

La Figura 2 presenta la tendencia temporal general común a todos los distritos, es decir, la media a posteriori de exp\((\gamma_t)\). Este patrón temporal común puede capturar el efecto de políticas públicas o leyes contra los CCM que afectan a todo el estado. Se observa una caída abrupta de 2001 a 2003. A partir de entonces, el riesgo “temporal” aumenta hasta 2008, momento en el que parece estabilizarse alrededor de 1.1. La tendencia temporal plana alrededor de 1.1 a partir de 2008 indica que el componente temporal tiende a aumentar ligeramente los riesgos finales en esta parte del período.

Las tendencias temporales específicas de cada área, es decir, las medias a posteriori de exp\((\delta_{it})\), (con intervalos de credibilidad del 95%) se muestran en la Figura 3 para Aligarh (distrito 2), Kheri (distrito 43), Shrawasti (distrito 64) y Varanasi (distrito 70). La evolución temporal específica en cada área es claramente diferente, lo que indica que en algunos distritos (Aligarh y Shrawasti) esta tendencia aumenta, mientras que en otros distritos, la tendencia temporal específica del área disminuye (Kheri) o permanece constante (Varanasi). Esto puede indicar que posiblemente las políticas específicas de cada distrito están afectando la incidencia de muertes por dote con el tiempo.

Los patrones geográficos de la incidencia de muertes por dote (media a posteriori del riesgo relativo exp\((R_{it})\)) a lo largo del período de estudio se muestran en la Figura 4. Las probabilidades a posteriori de que estos riesgos relativos sean mayores que 1, \(P(R_{it}> 1|\textbf{O})\), se muestran en la Figura 5. De 2001 a 2003, los mapas se vuelven más claros (Figura 4), indicando una disminución en el riesgo. Sin embargo, desde 2003 hasta 2008, los mapas vuelven a oscurecerse y a partir de 2008 en adelante, el patrón geográfico parece estabilizarse. Al observar la Figura 5, la mayoría de los distritos con riesgo estimado bajo se encuentran en la parte oriental de Uttar Pradesh, así como en la esquina noroeste. Los distritos con riesgo estimado alto se encuentran en la parte central y occidental del estado.

Por último, la información presentada en forma de mapas en la Figura 4, puede expresarse como una tendencia temporal del riesgo final (medias a posteriori de exp\((R_{it})\)) para cada distrito con los correspondientes intervalos de credibilidad al 95%. La Figura 6 muestra dichas tendencias para varios distritos: Aligarh, Kanpur Dehat, Kheri, Shrawasti, Sitapur y Varanasi. Los colores en las bandas del intervalo de credibilidad corresponden a las probabilidades a posteriori en la Figura 5 e indican si el riesgo es significativamente alto. Claramente, Aligarh es un distrito con riesgo alto y el riesgo aumentó de 2003 a 2008, para posteriormente estabilizarse alrededor de 2. Esto indica que el riesgo de muerte por dote de este estado es el doble que el de todo Uttar Pradesh. Otros distritos, como Kheri o Sitapur, muestran una disminución del riesgo con un comportamiento similar a Uttar Pradesh al final del período (un riesgo alrededor de uno). Estas diferencias en la evolución del riesgo requieren de una inspección exhaustiva de los distritos para formular hipótesis sobre potenciales factores de riesgo y posibles factores de protección que podrían estar relacionados con los distritos con tendencias de riesgo crecientes y decrecientes, respectivamente. Para tener una idea de la magnitud de las cifras de muertes por dote, la Tabla [tasas] proporciona las tasas estimadas (por cada 100,000 mujeres de 15 a 49 años) para estos 6 distritos desde 2003 (año en que comienzan a crecer) hasta 2014.

[tasas]

Discusión

En este trabajo se muestra cómo los modelos estadísticos espacio-temporales constituyen una herramienta sumamente efectiva para desentrañar los patrones espaciales y las tendencias temporales latentes de crímenes contra las mujeres. En particular, este artículo analiza la muerte por dote en Uttar Pradesh, el estado indio más poblado.

Dada la complejidad demográfica y en la interpretación de la diversidad sociocultural de la India, realizar conjeturas sobre factores asociados al riesgo específico de cada distrito es extremadamente complicado. En estudios realizados a nivel individual, factores como la edad del hombre y la mujer al contraer matrimonio o la influencia de la madre del novio pueden estar relacionadas con la dote y por tanto con la muerte por dote (Jeyaseelan et al. 2015), pero estos factores son individuales y no pueden definirse a nivel de área. En términos generales, se anticipa que los delitos dirigidos contra mujeres tienen vínculos con la delincuencia en su conjunto (Mukherjee, Rustagi, and Krishnaji 2001), aunque hasta la fecha, no contamos con investigaciones específicas que indiquen que determinados delincuentes tengan una mayor predisposición a cometer asesinatos relacionados con la dote.

En nuestro estudio se consideraron varias variables explicativas (partido político del Ministro Principal de Uttar Pradesh durante el período de estudio, razón de sexos, densidad de población, tasa de alfabetización femenina, ingreso per cápita, número de asesinatos por 100,000 habitantes y número de robos por 100,000 habitantes), pero solo resultaron significativas la razón de sexos, el número de asesinatos y el número de robos. Esto está de acuerdo con la literatura que relaciona la baja razón de sexo con la dote y la violencia contra las mujeres en el estado de Maharashtra (Barakade 2012; More, Ingale, and Shinde 2012). Además, Mukherjee, Rustagi, and Krishnaji (2001) indican que la muerte por dote es el único delito contra las mujeres que parece estar asociado con la razón de sexos y esta asociación es negativa. Más aún, estos autores también concluyen que se espera que los delitos contra las mujeres estén positivamente asociados con la delincuencia en general y que no existe una relación con la tasa de alfabetización femenina. Nuestro análisis va en esta dirección, ya que la tasa de alfabetización femenina no es significativa mientras que los asesinatos y los robos sí lo son (con tasas más altas en los distritos occidentales). Algunos trabajos (Verma et al. 2015) apuntan a una asociación entre las muertes por dote y el aumento del consumismo en la India, ya que la dote se convierte en una forma de obtener ciertos bienes aún inasequibles para muchas familias. Sin embargo, la renta per cápita no resultó significativa en nuestro estudio.

La literatura existente y nuestro propio análisis revelan la complejidad del problema y la dificultad para encontrar los factores de riesgo subyacentes a la muerte por dote. Un enfoque diferente sería utilizar indicadores más generales que incluyan diferentes covariables. Este es el enfoque seguido por Tanwar et al. (2016) y Kumar et al. (2018), que construyen índices compuestos de desarrollo agrícola, social e industrial (una puntuación baja en un índice indica un mayor grado de desarrollo) para 28 distritos del este y 25 distritos del oeste de Uttar Pradesh, respectivamente. Sus hallazgos podrían dar una explicación al patrón espacial persistente que hemos encontrado en nuestro análisis de datos, donde los distritos del este muestran bajos riesgos de muertes por dote, mientras que los distritos del oeste tienen altos riesgos. Las comparaciones con respecto al índice de desarrollo agrícola no son tan claras, con algunos distritos del oeste mostrando mejores puntuaciones que algunos distritos del este.

Aunque la utilidad y el beneficio de nuestra investigación son claros, el estudio puede tener algunas limitaciones. La primera es el problema de posibles casos no denunciados. Algunos trabajos sugieren que la falta de denuncia podría estar relacionado con el miedo de los familiares al escándalo social, lo que podría dificultar el matrimonio de otras hijas (Verma et al. 2015). La segunda limitación es que no se dispone de datos desagregados por diferentes grupos de edad, lo que nos impide estudiar patrones espacio-temporales específicos por edad. Algunos estudios afirman que a medida que aumenta la edad de la novia en el matrimonio, también aumenta el riesgo de demanda de dote (Jeyaseelan et al. 2015). Finalmente, la tercera limitación es la dificultad para evaluar la significación estadística de las covariables en modelos espacio-temporales, ya que podría haber problemas de confusión espacial y espacio-temporal (Hodges and Reich 2010). Este es un tema complejo que la comunidad científica está abordando actualmente.

Agradecimientos

Este trabajo fue financiado por el Proyecto MTM2017-82553-R (AEI/FEDER, UE). También fue parcialmente financiado por la Fundación “la Caixa” (ID 1000010434), la Fundación Caja Navarra y la UNED Pamplona, en virtud del acuerdo LCF/PR/PR15/51100007. Los autores agradecen a Amitha Puranik y los Dres. Binu VS y Seena Biju por proporcionar los datos y ayudar a comprender algunos resultados.

Referencias