Xác định (r) không gian công cộng an toàn cho phụ nữ ở Thành phố Mexico

Mar 22 2022
Phần 2: Từ phân tích định lượng đến định tính Bởi: Alejandra Cervantes, Cố vấn Kỹ thuật, Sáng kiến ​​Chương trình Nghị sự 2030, GIZ Mexico; Daniela Torres, Cố vấn Kỹ thuật, Sáng kiến ​​Chương trình Nghị sự 2030, GIZ Mexico; Gabriela Ríos, Trưởng phòng Khám phá, Phòng thí nghiệm Máy gia tốc UNDP Mexico. Trong phần đầu tiên của loạt bài này, chúng tôi đã kể lại các bước đầu tiên của mình trong việc sử dụng phương pháp Độ lệch tích cực được hỗ trợ bởi dữ liệu (DPPD) để tìm không gian công cộng ở Thành phố Mexico an toàn hơn cho phụ nữ so với các không gian khác có đặc điểm tương tự.

Phần 2: Từ phân tích định lượng đến định tính

Bởi: Alejandra Cervantes, Cố vấn Kỹ thuật, Sáng kiến ​​Chương trình Nghị sự 2030, GIZ Mexico; Daniela Torres, Cố vấn Kỹ thuật, Sáng kiến ​​Chương trình Nghị sự 2030, GIZ Mexico; Gabriela Ríos, Trưởng phòng Khám phá, Phòng thí nghiệm Máy gia tốc UNDP Mexico.

Thành phố Mexico. GIZ-UNDP.

Trong phần đầu tiên của loạt bài này , chúng tôi đã kể lại các bước đầu tiên của mình trong việc sử dụng phương pháp Độ lệch tích cực được hỗ trợ bởi dữ liệu (DPPD) để tìm không gian công cộng ở Thành phố Mexico an toàn hơn cho phụ nữ so với các không gian khác có đặc điểm tương tự. Điều này bao gồm nhóm các AGEB - các khu vực địa lý cơ bản được sử dụng ở Thành phố Mexico - thành ba nhóm đồng nhất và sử dụng số lượng nữ nạn nhân của tội phạm - diễn ra trong không gian công cộng - trong các hồ sơ điều tra làm thước đo hiệu suất của chúng tôi để xác định những hành vi lệch lạc tích cực. Trong phần thứ hai này, chúng tôi chia sẻ tiến trình mới nhất của chúng tôi.

GIZ và Chương trình Phát triển Liên hợp quốc (UNDP) tại Mexico đang hợp tác với Chính phủ Thành phố Mexico để thực hiện dự án này, đặc biệt thông qua Bộ Phụ nữ , Cơ quan Kỹ thuật số về Đổi mới Công (ADIP) và Trung tâm Chỉ huy, Kiểm soát. , Máy tính, Truyền thông và Liên lạc với công dân (C5).

Bản tóm tắt các bước đầu tiên của phi công, được kể lại trong bài đăng blog đầu tiên của loạt bài này.

Tìm ra những hành vi lệch lạc tích cực: Không gian công cộng nào là an toàn (r) cho phụ nữ?

Một trong những điểm mạnh của phương pháp DPPD là nó khuyến khích sự tập trung vào những người ngoại lai - cộng đồng, hoặc trong trường hợp của chúng ta là không gian công cộng, nơi có thể tìm thấy các giải pháp cơ sở không phổ biến - trên quy mô lớn - bằng cách sử dụng dữ liệu kỹ thuật số bao gồm các khu vực địa lý và khung thời gian rộng lớn. Chúng tôi nói " có thể được tìm thấy " bởi vì nghiên cứu thực địa là cần thiết để xác nhận xem một giá trị ngoại lai trong dữ liệu có thực sự là một sai lệch tích cực hay không.

Chúng tôi đã phân tích sự xuất hiện của tội ác chống lại phụ nữ (được đo lường thông qua các nạn nhân nữ trong hồ sơ điều tra của Văn phòng Tổng chưởng lý Thành phố Mexico) trong 2.414 AGEBs (theo từ viết tắt của nó trong tiếng Tây Ban Nha, có nghĩa là Khu vực thống kê cơ bản). Chúng tôi đã xác định là các khu vực ngoại lai có số lượng nạn nhân thực tế thấp hơn những gì chúng tôi có thể dự đoán bằng cách sử dụng mô hình thống kê. 32 TUỔI đáp ứng điều kiện này, ngụ ý rằng họ có thể bao gồm không gian an toàn hơn cho phụ nữ.

Xác thực: Làm cách nào để biết AGEB lệch dương có phải là AGEB mà chúng ta có thể học hỏi từ thực địa?

Phương pháp tiếp cận lệch lạc tích cực thông thường giả định rằng trong mỗi cộng đồng đều có những cá nhân hoặc nhóm phát triển các giải pháp bất thường để đối phó với những thách thức mà họ phải đối mặt, không giống như các đồng nghiệp của họ, những người sống trong điều kiện tương tự và có khả năng tiếp cận các nguồn lực tương tự. Những giải pháp này là những giải pháp chúng tôi tìm kiếm trong các AGEB bên ngoài của chúng tôi ; và việc tìm kiếm chúng về mặt chất lượng trong lĩnh vực này cuối cùng sẽ xác nhận bản chất lệch lạc tích cực của các TUỔI THỌ đó. Tuy nhiên, trước khi đi thực địa, phương pháp DPPD quy định một bước xác nhận ban đầu để giúp điều tra mục tiêu tốt hơn. Bước này là một cách hữu ích để đánh giá xem độ lệch được tìm thấy trong dữ liệu là do nhiễu ngẫu nhiên hay thực sự là do các tín hiệu về hoạt động tốt có thể được xác nhận thông qua nghiên cứu định tính.

Trong trường hợp của chúng tôi, hai câu hỏi chính thúc đẩy bước xác thực ban đầu này:

1. Có những yếu tố cấu trúc (không thể chuyển nhượng) có thể dẫn chúng ta đến việc xác định những sai lệch dương tính “giả” không?

Để trả lời câu hỏi này, chúng tôi đã tìm kiếm các đặc điểm cấu trúc rõ ràng (ví dụ như sử dụng đất và cơ sở cụ thể) có thể giải thích độ lệch đo được của các AGEB sử dụng OpenStreetMap. Những đặc điểm như vậy thực sự thường khó chuyển từ vị trí này sang vị trí khác, và do đó ít phù hợp hơn trong cách tiếp cận theo độ lệch tích cực. Chúng tôi đã loại bỏ những địa điểm như Học viện Quân sự Anh hùng, các cộng đồng bị hạn chế ra vào và các câu lạc bộ thể thao - những nơi đều có tỷ lệ tội phạm thấp, nhưng không phải là không gian công cộng . Việc loại bỏ chúng đã làm giảm danh sách các AGEB được đánh dấu cho chuyến thăm thực địa của chúng tôi từ 32 xuống 22.

2. Có các yếu tố có thể chuyển giao (phi cấu trúc) mà chúng ta có thể xác định bằng cách sử dụng dữ liệu thứ cấp có thể thúc đẩy hiệu suất quan sát được không (bằng cách nào đó xác nhận rằng độ lệch mà chúng ta đang tìm thấy không chỉ là nhiễu ngẫu nhiên)?

Để trả lời câu hỏi này, chúng tôi đã tìm kiếm các giải thích hợp lý khác cho độ lệch đo được của AGEB có thể được xác định trong dữ liệu hiện có và điều đó có thể mang lại cơ hội học tập thú vị trong lĩnh vực này.

Chúng tôi đã so sánh sự tồn tại của các biến có thể chuyển giao - các điều kiện hoặc đặc điểm góp phần vào sự an toàn của phụ nữ và có thể được nhân rộng ở các khu vực khác của thành phố thông qua các biện pháp can thiệp - trong các AGEB lệch lạc tích cực so với các AGEB không ngoại lệ. Phân tích này bao gồm dữ liệu về ánh sáng đường phố, các chương trình công cộng nhằm thúc đẩy sự an toàn của phụ nữ ( Lối đi an toàn ) và an toàn giao thông đường bộ ( Giao lộ an toàn , Đoạn đường an toàn) , và các vật dụng có camera và nút hoảng sợ.

Ví dụ, chúng tôi nhận thấy rằng có nhiều ánh sáng đường phố ở các AGEB ngoại lệ hơn là ở các khu vực không ngoại lệ ở một trong các nhóm đồng nhất của chúng tôi (nhóm 1) ¹, điều này khiến chúng tôi tin rằng sự phân biệt giữa các trường hợp ngoại lệ và không ngoại lệ thực sự là do bằng các tín hiệu về độ lệch dương - vì đèn đường được biết là có tác dụng tăng cường an toàn công cộng.

Sử dụng các phát hiện định lượng để tinh chỉnh trọng tâm trong lĩnh vực này

Những phân tích thứ cấp này - so sánh những điểm khác biệt với những điểm không ngoại lệ - cũng giúp chúng tôi đưa ra những câu hỏi nghiên cứu tinh tế hơn cho công việc định tính của mình.

Ví dụ: như đã đề cập ở trên, chúng tôi nhận thấy sự hiện diện nhiều hơn của hệ thống chiếu sáng đường phố ở những điểm khác biệt tích cực của nhóm 1 đồng nhất của chúng tôi, nhưng chúng tôi cũng tìm thấy các Giao lộ An toàn - bao gồm đèn giao thông dành cho xe hơi và người đi bộ hoặc các tín hiệu dành cho người đi bộ qua đường. Điều này đặt ra câu hỏi: Chiếu sáng đường phố cần có những đặc điểm cụ thể nào để góp phần đảm bảo an toàn cho phụ nữ trong không gian công cộng? Các nút giao thông an toàn có thể đóng một vai trò nào đó đối với sự an toàn của người đi bộ nữ không?

Chúng tôi cũng phát hiện thêm rằng tội phạm ở các AGEB ngoại lai tích cực của nhóm 2 đồng nhất của chúng tôi xảy ra nhiều hơn vào các ngày trong tuần², trong khi ở các AGEB khác, chúng xảy ra nhiều hơn vào các ngày cuối tuần. Điều này đặt ra những câu hỏi như: Những nơi nào mà mọi người thường đến vào các ngày trong tuần so với cuối tuần ở những TUỔI có vẻ là những người lệch lạc tích cực và ở những nơi nào thì không? Có thể có động lực giữa việc sử dụng không gian và sự xuất hiện của tội phạm?

Mặt khác, trong phân tích hồi quy tuyến tính cho nhóm 1, chúng tôi nhận thấy rằng các biến số như sự hiện diện của thương mại phi chính thức, dịch vụ tài chính, quán bar và nhà hàng là có ý nghĩa và dự đoán sự xuất hiện của tội phạm. Điều này có nghĩa là, sự hiện diện của các biến số này càng nhiều, thì càng có nhiều tội ác đối với phụ nữ. Ngoại trừ những AGEB hóa ra là những người lệch lạc tích cực, những AGEB thực sự có số lượng các yếu tố dự báo tội phạm này nhiều hơn so với những AGEB không phải là những người lệch lạc tích cực. Nói cách khác, mặc dù những kẻ lệch lạc tích cực có nhiều thương mại phi chính thức, dịch vụ tài chính, quán bar và nhà hàng hơn, nhưng họ lại có ít tội phạm hơn những gì mô hình dự đoán.

Những hiểu biết này đã giúp chúng tôi hình thành một số câu hỏi sơ bộ cho quá trình nghiên cứu thực địa của chúng tôi, chẳng hạn như: Các đặc điểm cụ thể của thương mại phi chính thức trong các TUỔI THỌ lệch lạc tích cực là gì? Những đặc điểm này có thể liên quan đến an toàn trong không gian công cộng không? Có những điều kiện cụ thể nào mà các quán bar và nhà hàng trong các AGEB lệch lạc tích cực có thể liên quan đến sự an toàn của phụ nữ không?

Trong suốt quá trình này, chúng tôi đánh giá cao cách thành phần được cung cấp dữ liệu của phương pháp DPPD không chỉ cung cấp khả năng bao phủ các khu vực địa lý rộng lớn và lọc chúng xuống những khu vực phù hợp nhất để điều tra định tính, mà còn cách nó giúp tinh chỉnh các biến mà chúng tôi cần thiết để nghiên cứu trong lĩnh vực này.

Trong Độ lệch tích cực được hỗ trợ dữ liệu, phân tích định lượng đóng vai trò định khung cho bức ảnh và phân tích định tính để lấy nét, bổ sung cho nhau để tạo ra hình ảnh chi tiết hơn.

Sự bổ sung của các giai đoạn định lượng và định tính của phương pháp Độ lệch Tích cực Hỗ trợ Dữ liệu. Ảnh của Paul Skorupskas trên Unsplash, được điều chỉnh bởi nhóm phi công.

Thiết kế điền dã

Giai đoạn định tính của phương pháp DPPD phục vụ để điều tra các khía cạnh của sự hoạt động tốt mà dữ liệu kỹ thuật số không có sẵn. Ví dụ, điều cần thiết là phải hiểu việc chiếm dụng không gian công cộng theo thời gian trong ngày, tương tác giữa mọi người hoặc nhận thức về an toàn tác động đến an toàn thực tế của phụ nữ trong không gian công cộng như thế nào.

Thí điểm của chúng tôi hiện đang trong giai đoạn này. Chúng tôi đang làm việc với Cohesión Comunitaria e Innovación Social AC (CCIS); chúng tôi đã hoàn thành việc thu thập dữ liệu; và chúng tôi đang trong quá trình phân tích nó và đưa ra các đề xuất. Trong phần này, chúng tôi chia sẻ thiết kế nghiên cứu của chúng tôi, nhưng không chia sẻ những phát hiện của chúng tôi. Chúng tôi sẽ báo cáo về những điều này trong bài đăng blog tiếp theo của chúng tôi.

Nhóm nghiên cứu thực địa

Một. Chọn mẫu

Chúng tôi đã kết thúc bước xác thực ban đầu với danh sách 22 AGEB (tiềm năng) lệch lạc dương tính. Chúng tôi tiếp tục thu hẹp những điều này xuống còn 10. Chúng tôi tin rằng điều này là cần thiết để tăng cường sự tập trung của chúng tôi vào các yếu tố hữu hình và vô hình đã làm cho không gian công cộng trở nên an toàn hơn hoặc ít hơn đối với phụ nữ.

Sau đó, chúng tôi thêm 3 AGEB lệch tiêu cực (tiềm năng) vào danh sách - AGEB trong đó số lượng nạn nhân được báo cáo cao hơn những gì chúng tôi có thể dự đoán bằng cách sử dụng mô hình thống kê; và 3 AGEB không có giá trị ngoại lai tích cực và tiêu cực . Chúng tôi hy vọng điều này sẽ cho phép phân tích đầy đủ hơn, vì chúng tôi sẽ có thể so sánh các điều kiện giữa các AGEB với các hoạt động tương phản về tội phạm mà họ báo cáo.

Chúng tôi đã chọn mẫu 16 AGEB dựa trên sự phân bổ giữa các quận, các nhóm đồng nhất, mức độ nghiêm trọng của tội phạm và các biện pháp can thiệp trong không gian công cộng của Chính phủ Thành phố Mexico. Điều này đã được thực hiện nhờ vào dữ liệu do Bộ Phụ nữ cung cấp. Bằng cách chọn các AGEB có các chương trình công cộng, chúng tôi tìm cách tạo ra các kiến ​​thức bổ sung cho các nỗ lực hiện tại của chính phủ. Mẫu cuối cùng cũng được thông báo qua các chuyến thăm khám phá ban đầu, nơi chúng tôi hỏi về các khía cạnh cộng đồng có thể góp phần vào việc lựa chọn tốt hơn các AGEB bằng cách cung cấp các cơ hội học tập thú vị. Ví dụ, trong chuyến thăm khám phá tới AGEB ở khu vực lân cận Emiliano Zapata, chúng tôi đã tìm thấy tác phẩm tranh tường gần đây với phụ nữ, một khía cạnh có thể thú vị để khám phá trong lĩnh vực này; do đó, AGEB đó đã được đưa vào mẫu.

b. Thiết kế các kỹ thuật nghiên cứu định tính

Để thu thập dữ liệu tại hiện trường, chúng tôi đã thiết kế một bộ sáu công cụ và kỹ thuật để xác định và phân tích các đặc điểm hoặc điều kiện, cả hữu hình (cơ sở hạ tầng đô thị như tia chớp, khu vực cây xanh, v.v.) và vô hình (người chiếm giữ không gian, tại mấy giờ, v.v.), điều đó làm cho không gian công cộng an toàn hơn cho những phụ nữ sống, làm việc, học tập, thăm viếng hoặc quá cảnh qua 16 TUỔI trong mẫu của chúng tôi.

Các kỹ thuật này bao gồm: quan sát người tham gia, tương tác không chính thức, lập bản đồ nữ quyền có sự tham gia, đi bộ khám phá, phỏng vấn bán cấu trúc và khảo sát trên mạng xã hội. Các kỹ thuật ban đầu được thiết kế để xác định các đặc điểm chung có thể góp phần vào sự an toàn của phụ nữ trong không gian công cộng, trong khi các kỹ thuật sau được thiết kế để nghiên cứu sâu hơn về các đặc điểm cụ thể.

Bước tiếp theo

Trong những tuần tới, chúng tôi sẽ hoàn thành việc phân tích các kết quả điều tra thực địa. Với những kết quả này, chúng tôi hy vọng sẽ hiểu rõ hơn về các đặc điểm góp phần làm cho không gian công cộng an toàn hơn cho phụ nữ trong các bối cảnh cụ thể. Sau đó, chúng tôi sẽ chia sẻ thông tin này với các đồng minh chiến lược để đưa ra ý tưởng về các biện pháp can thiệp nhằm tạo ra không gian công cộng an toàn hơn cho phụ nữ.

Trong số các bên liên quan mà chúng tôi sẽ tiếp cận có Bộ Phụ nữ của Thành phố Mexico; Bộ Công trình và Dịch vụ; Bộ An ninh công dân; Trung tâm Chỉ huy, Điều khiển, Điện toán, Truyền thông và Tiếp xúc công dân; và Cơ quan Kỹ thuật số về Đổi mới Công cộng, cơ quan mà chúng tôi đã chia sẻ tiến trình của thí điểm này trong những dịp trước đó và chúng tôi rất biết ơn vì họ đã phản hồi và hỗ trợ liên tục.

We will soon share the results of the fieldwork research in this space. If you want to learn more about our work, please contact us.

This pilot would not be possible without the valuable collaboration of Codeando México and Cohesión Comunitaria e Innovación Social A.C., as well as the partners of the Data Powered Positive Deviance global initiative. With special thanks to Andreas Pawelke, GIZ Data Lab, Basma Albanna, University of Manchester, Adriana Alvarado, intern of UNDP Mexico Accelerator Lab and Jeremy Boy, Data Scientist, UNDP Accelerator Labs for their comments and contributions to this blogpost.

[1] Homogeneous group 1: AGEBs that are on average less densely populated than group 2, but much more densely populated than group 3, on average receive more daily trips and have lower marginalization conditions.

[2] Homogeneous group 2: AGEBs that on average are the most densely populated, those that receive the fewest daily trips and in all marginalization indicators show worse conditions than group 1, but better than group 3.

About

The Data Powered Positive Deviance initiative was established on the belief that lessons on how to tackle complex sustainable development challenges are best learned from the people who face those challenges every day. It is with this mindset that the GIZ Data Lab, the University of Manchester Centre for Digital Development, and the United Nations Development Programme Accelerator Labs are conducting a series of pilots in different countries and domains to uncover effective, locally developed practices and innovations as a response to development challenges.

Contact

UNDP Mexico Accelerator Lab: Gabriela Ríos: [email protected]
GIZ Data Lab: Catherine Vogel: [email protected]
University of Manchester: Basma Albanna: [email protected]
UNDP Accelerator Labs: Jeremy Boy: [email protected]
GIZ 2030 Agenda Initiative in Mexico: Alejandra Cervantes: [email protected]

© Copyright 2021 - 2023 | vngogo.com | All Rights Reserved