Fuero común, crimen invisible
reportesEl sistema que nombra lo que no ve
Enero de 2019. Centro de la Ciudad de México. Trece jóvenes desaparecen del Bar Heaven, un antro de la calle Bolívar en pleno corazón de la colonia Centro. La Fiscalía General de la Ciudad de México abre carpetas de investigación. La pregunta no es si las abrió, sino cómo las clasificó.
Nosotros descargamos 1,967,411 carpetas de investigación de la FGJ-CDMX correspondientes al periodo 2016-2025, disponibles como datos abiertos en datos.gob.mx. Cada carpeta tiene un campo de “delito”, uno de “alcaldía”, uno de “colonia” y una fecha de inicio. Con eso basta para empezar a formular preguntas incómodas. Si encontrás el patrón correcto, los datos hablan.
El sistema clasificatorio de la Fiscalía distingue entre homicidio doloso, robo a negocio, extorsión, secuestro, narcomenudeo y decenas de categorías más. Lo que no distingue es si el delito fue cometido por un individuo actuando solo, por una pandilla local o por una estructura criminal que opera de forma sistemática en un territorio. La diferencia no es académica. Es la diferencia entre diagnosticar una migraña y diagnosticar un tumor. Ambos producen dolor de cabeza, pero uno es pasajero y el otro se expande si no se trata.
Lo que sigue es lo que encontramos cuando dejamos de preguntar “cuántos delitos hubo” y empezamos a preguntar “cómo se comportan entre sí”.
Construyendo proxies: el método
Si el crimen organizado no aparece como categoría en la base de datos de la Fiscalía, no podemos medirlo directamente. Lo que podemos hacer es construir indicadores indirectos —proxies— cuya conducta estadística cambie cuando el crimen organizado está presente versus cuando no lo está. La lógica es similar al diagnóstico diferencial en medicina: no se trata de ver el patógeno, sino de observar cómo reacciona el organismo.
Construimos series mensuales a partir de las carpetas de la FGJ, filtradas por tipo de delito y agrupadas por alcaldía y mes. Cada serie representa la frecuencia mensual de un tipo de delito en una zona específica durante un periodo determinado. El cruce de múltiples series a lo largo del tiempo y el espacio es lo que permite identificar patrones.
Los proxies que construimos son los siguientes. El proxy de narcomenudeo se construyó filtrando las carpetas que contienen “NARCOMENUDEO” en el campo de delito. El proxy de homicidio doloso corresponde a la categoría “HOMICIDIO DOLOSO”. El proxy de extorsión a la categoría “EXTORSIÓN”. El proxy de robo de vehículos a “ROBO DE VEHÍCULO”. Y el proxy de robo a negocio a “ROBO A NEGOCIO”. Cinco indicadores que, observados en conjunto, nos permiten distinguir dinámicas delictivas distintas.
Además de la fuente de la FGJ, incorporamos datos federales. Del SESNSP descargamos el CSV “2012-2026 Fuero Federal”, lo filtramos a la CDMX y seleccionamos las carpetas donde CONCEPTO es “CONTRA LA SALUD”. Esta serie federal nos da una medida independiente del narcotráfico, clasificada bajo una lógica jurídica completamente distinta a la del fuero común.
El resultado es un panel dual mensual por alcaldía que cubre el periodo 2016-2024 para los datos de la FGJ y 2016-2025 para la comparación inter-fueros. Cada proxy es una hipótesis operacionalizada: si el narcomenudeo crece antes que los homicidios, si resiste al confinamiento de manera diferente al robo a negocio, si se correlaciona de forma distinta en distintos subperiodos, entonces estamos viendo la huella de algo que trasciende el delito individual.
Ningún proxy por sí solo prueba nada. La fuerza del método está en la convergencia: cuando múltiples indicadores independientes apuntan en la misma dirección, en las mismas zonas y en los mismos periodos, la probabilidad de que sea coincidencia disminuye de forma dramática.
Hallazgo A: El narcomenudeo es el indicador líder
Con el panel construido, lo primero que hicimos fue medir el crecimiento de cada proxy entre los primeros y los últimos doce meses del periodo 2016-2019. La fórmula es directa: crecimiento porcentual igual a (último periodo menos primer periodo) dividido entre primer periodo. Un cálculo simple que, aplicado a cuatro alcaldías y cuatro proxies, revela una asimetría difícil de ignorar.
Tabla 1. Crecimiento porcentual de proxies delictivos por alcaldía, 2016-2019
| Proxy | Cuauhtémoc | GAM | Iztapalapa | Tláhuac |
|---|---|---|---|---|
| Narcomenudeo | +211% | +154% | +138% | +487% |
| Homicidio doloso | +24% | +48% | +46% | +36% |
| Extorsión | +82% | +44% | +44% | +37% |
| Robo de vehículos | -10% | +12% | +17% | +5% |
Fuente: FGJ-CDMX, carpetas de investigación, 2016-2019. Método: series mensuales, filtro por tipo de delito, agrupación por alcaldía y mes. Crecimiento porcentual calculado como (últimos 12 meses - primeros 12 meses) / primeros 12 meses.
Mirá la tabla con calma. El narcomenudeo crece 211% en Cuauhtémoc, 154% en la GAM, 138% en Iztapalapa. Nada de eso es una variación normal. Pero el número que detona todas las alarmas es Tláhuac: +487%. Esa alcaldía pasó de 22 carpetas de narcomenudeo en 2016 a 208 en 2018. Eso no es una fluctuación estadística ni un efecto estacional: es una explosión sistemática que anticipa con años de anticipación lo que vendría después en homicidios y extorsión en la zona, donde La Mano con Ojos había establecido operaciones.
Los demás proxies se mueven, pero a un ritmo radicalmente distinto. El homicidio doloso oscila entre 24 y 48 por ciento de crecimiento. La extorsión entre 37 y 82. El robo de vehículos —que debería ser, en teoría, el delito más sensible a las condiciones económicas y por tanto más volátil— casi no se mueve: -10% en Cuauhtémoc, +5% en Tláhuac. Solo el narcomenudeo crece en todas direcciones, en todas las alcaldías, con la magnitud y la velocidad de una epidemia.
La interpretación tiene una lógica territorial clara. El narcomenudeo es la actividad con menor barrera de entrada para un grupo criminal que busca expandirse a un nuevo territorio. No requiere infraestructura pesada ni contactos institucionales sofisticados. Se instala, genera ingresos rápidos y establece presencia. Los homicidios, las extorsiones, el cobro de piso vienen después, una vez que la red está asentada y necesita defender su territorio o expandir su control. Si hubiéramos estado mirando únicamente las cifras de homicidios dolosos —como hace la mayoría del debate público y mediático— habríamos llegado tarde a Tláhuac. El narcomenudeo ya nos estaba gritando.
Hallazgo B: COVID-2020 como experimento natural
En marzo de 2020, la pandemia de COVID-19 obligó a millones de personas en la Ciudad de México a quedarse en casa. Las calles se vaciaron. Los negocios cerraron. El transporte público redujo su servicio. Fue un shock exógeno masivo, abrupto, simultáneo e inesperado que afectó a toda la actividad delictiva al mismo tiempo. Nadie lo planeó como experimento científico, pero funciona exactamente como uno: si diferentes tipos de delito responden de forma distinta al mismo estrés externo, entonces tienen naturalezas distintas.
Esto es crucial. En condiciones normales, es difícil separar la señal del ruido porque demasiados factores cambian al mismo tiempo: la economía, las políticas de seguridad, las dinámicas entre grupos criminales. Pero un confinamiento generalizado es un evento único que permite comparar cómo responden los distintos delitos cuando se elimina la variable de la actividad callejera. Si el robo a negocio cae más que la extorsión, es porque uno depende de la calle y el otro no.
Construimos un panel mensual con cinco proxies para 2019-2021 y medimos la elasticidad de cada uno al confinamiento: cuánto cayó cada delito entre el promedio mensual de 2019 y el promedio mensual de 2020.
Tabla 2. Elasticidad al confinamiento COVID-19, 2019 vs 2020
| Proxy | Promedio 2019 | Promedio 2020 | Cambio YoY | Clasificación |
|---|---|---|---|---|
| Narcomenudeo | 505 | 451 | -10.7% | Sistémico |
| Homicidio doloso | 111 | 94 | -15.6% | Sistémico |
| Extorsión | 263 | 223 | -15.3% | Sistémico |
| Robo de vehículos | 1,069 | 831 | -22.3% | Sistémico |
| Robo a negocio | 1,738 | 1,294 | -25.6% | Mixto |
Fuente: FGJ-CDMX, carpetas de investigación, 2019-2021. Método: panel mensual de 5 proxies. Elasticidad = (promedio 2020 - promedio 2019) / promedio 2019.
La lógica de clasificación que aplicamos es la siguiente. Establecimos umbrales de resistencia al confinamiento: sistémico cuando la caída es menor a -25%, mixto cuando está entre -25% y -50%, y oportunista cuando supera el -50%. Pensá en estos umbrales como niveles de resistencia: cuanto menos cae un delito cuando la ciudad se paraliza, más arraigado está en el territorio. Un delito que apenas cede cuando toda la ciudad está encerrada en sus casas es un delito que no depende de la circulación callejera: depende de las redes que lo producen.
Los resultados son elocuentes. Narcomenudeo cae solo 10.7%. Extorsión, 15.3%. Homicidio doloso, 15.6%. Robo de vehículos, 22.3%. Estos cuatro delitos son sistémicos: las redes que los generan están arraigadas en el territorio y no necesitan la presencia de víctimas potenciales en la calle para operar. En cambio, el robo a negocio cae 25.6% porque los negocios cerraron físicamente. No había que robar porque no había a quién robarle. Las vitrinas estaban bajas, las puertas cerradas, los cajeros vacíos.
2020 fue el experimento que nadie planeó. El confinamiento separó lo sistémico de lo oportunista de una manera que ningún filtro estadístico artificial podría haber replicado. La conclusión es directa: los delitos que resisten al confinamiento son los delitos que dependen de infraestructura criminal, no de oportunidad. Y esa infraestructura es precisamente lo que distingue al crimen organizado del delito común.
Hallazgo C: La paz fiscal es una fase, no un mito
Aquí las cosas se ponen genuinamente interesantes porque los datos nos obligaron a cambiar de idea. Eso, por cierto, es una de las cosas que más nos gusta de la ciencia de datos: cuando los números te corrigen, no te quedas con la hipótesis original por orgullo.
La hipótesis original era intuitiva y razonable. Si el narcomenudeo y el robo a negocio están correlacionados negativamente en una zona determinada, debería significar que el crimen organizado ha consolidado control territorial. La lógica es que el CO, al establecer su presencia, desplaza al delito común —incluido el robo a negocio— a través del miedo, la regulación informal y la violencia disuasoria. A eso algunos analistas llaman “paz fiscal”: la zona se calma no porque desaparezca la criminalidad, sino porque un solo actor la monopoliza y impone su orden.
Calculamos las correlaciones Pearson mensuales entre narcomenudeo y robo a negocio por alcaldía para el periodo completo 2016-2024. El resultado fue inequívoco: predominaron las correlaciones positivas. La hipótesis de la paz fiscal, al menos en su formulación simple, no se sostenía en el periodo completo. Lo que crecía, crecía junto.
Pero algo no cuadraba. Sabíamos por la literatura y por los datos del Hallazgo A que el crimen organizado había penetrado varias alcaldías en ese periodo. La correlación positiva podría estar ocultando una dinámica más compleja, una que solo se revelaría al dividir el tiempo.
Dividimos el panel en dos subperiodos —pre-COVID (2016-2019) y post-COVID (2022-2024)— y aplicamos el Fisher z-test para medir si la diferencia entre las correlaciones de cada subperiodo era estadísticamente significativa. El test de Fisher (Steiger, 1980) permite comparar dos correlaciones Pearson provenientes de muestras independientes. Convierte cada correlación a la escala z de Fisher, donde la distribución es aproximadamente normal, y luego calcula la diferencia ponderada. Lo implementamos sin depender de scipy, usando la aproximación de la función de distribución acumulada normal de Abramowitz & Stegun, como corresponde cuando uno quiere entender lo que está haciendo en lugar de delegarlo en una caja negra.
Tabla 3. Fisher z-test: cambio estructural en correlaciones narcomenudeo vs robo a negocio (top 3)
| Alcaldía | Pre-COVID r | Post-COVID r | z-stat | p-value | Sig. |
|---|---|---|---|---|---|
| Cuauhtémoc | +0.735 | -0.167 | 4.838 | 0.000001 | *** |
| GAM | +0.407 | -0.354 | 3.498 | 0.0005 | *** |
| Iztapalapa | +0.428 | -0.237 | 3.048 | 0.002 | ** |
Fuente: FGJ-CDMX, carpetas de investigación, 2016-2024. Método: Steiger (1980). Implementación propia sin scipy (CDF normal: Abramowitz & Stegun).
Ocho de quince alcaldías mostraron un cambio significativo en la correlación entre subperiodos. Los breakpoints temporales —el punto exacto donde la relación se invierte— confirmaron que no se trataba de ruido: Álvaro Obregón en 2019 (z=4.06), Cuauhtémoc en 2020 (z=3.22), Xochimilco en 2019 (z=2.24). En cada caso, la correlación pasó de positiva a negativa.
La historia que cuentan los datos tiene dos actos. El primero, 2016-2019, es la fase de acumulación. Todo crece junto: narcomenudeo, robo a negocio, homicidios. El crimen organizado expande su portafolio delictivo y convive con el delito común en un territorio donde aún no ejerce control exclusivo. La correlación entre narcomenudeo y robo a negocio es positiva porque ambos prosperan en un entorno de expansión criminal general.
El segundo acto, 2022-2024, es la fase de consolidación. El narcomenudeo no solo deja de crecer al mismo ritmo que el robo a negocio: comienza a desplazarlo. El CO ha establecido control territorial suficiente para regular —a su manera— la actividad delictiva en la zona. Los robos a negocio disminuyen no porque haya menos criminales, sino porque un solo actor decide quién puede operar y quién no. La correlación se vuelve negativa.
La “paz fiscal” no es un mito, pero tampoco es un estado permanente al que se arriba y se permanece. Es una fase que aparece después de la consolidación territorial y que, como toda fase, puede revertirse si cambian las condiciones. Decir que una zona “está en paz fiscal” solo tiene sentido si se especifica el momento temporal y los indicadores que lo sustentan. De lo contrario, es una etiqueta que oculta más de lo que revela.
Hallazgo D: El fuero federal confirma el patrón
Un solo termómetro puede fallar. Dos termómetros que marcan lo mismo son difíciles de ignorar. Tres termómetros que convergen prácticamente no dejan margen para la duda.
Hasta aquí, todos nuestros hallazgos provienen de una sola fuente: las carpetas de investigación de la FGJ-CDMX. Es una fuente robusta —1,967,411 registros—, pero es una sola fuente. Cualquier crítico razonable podría argumentar que los patrones que detectamos son artefactos de la lógica clasificatoria de la Fiscalía o del subregistro variable. Si registrás el mismo fenómeno con dos instrumentos distintos y ambos te dan el mismo resultado, el margen para la coincidencia se reduce. Para responder a esa objeción, necesitábamos una fuente independiente que midiera lo mismo con otra regla.
El fuero federal del SESNSP ofrece exactamente eso. Opera bajo una lógica de clasificación completamente distinta al fuero común. Mientras la FGJ clasifica por tipología delictiva individual (homicidio, robo, extorsión), el fuero federal clasifica por competencia jurisdiccional e incluye categorías como “contra la salud” (narcotráfico) y “delincuencia organizada” que simplemente no existen en el esquema de la FGJ. Son dos sistemas jurídicos distintos, dos bases de datos distintas, dos formas de nombrar la violencia.
Descargamos el CSV del SESNSP “2012-2026 Fuero Federal”, lo filtramos a CDMX, seleccionamos CONCEPTO == “CONTRA LA SALUD”, agrupamos mensualmente y lo cruzamos con nuestra serie de narcomenudeo de la FGJ por year_month. El ejercicio es simple en su ejecución pero poderoso en sus implicaciones.
Tabla 4. Convergencia inter-fueros
| Métrica | Valor |
|---|---|
| Correlación Pearson (narcomenudeo FGJ vs salud federal SESNSP, 2016-2025) | r = 0.406 |
| Elasticidad COVID salud federal | -13.7% (sistémico) |
| Elasticidad COVID narcomenudeo FGJ | -10.7% (sistémico) |
| Total salud federal CDMX | 4,005 carpetas |
| Total narcomenudeo FGJ CDMX | 40,579 carpetas |
| Delincuencia organizada federal CDMX | 1,326 carpetas (2012-2026) |
Fuentes: SESNSP, Incidencia Delictiva del Fuero Federal, 2012-2026; FGJ-CDMX, carpetas de investigación, 2016-2025. Método: join por year_month.
Los números hablan con claridad. La correlación entre el narcomenudeo de la FGJ y los delitos contra la salud del fuero federal es r = 0.406, una correlación moderada y estadísticamente significativa que indica que ambas series se mueven en la misma dirección. No son idénticas —la escala es muy distinta, 40,579 carpetas de narcomenudeo contra 4,005 de salud federal—, pero su comportamiento temporal es consistente.
Pero lo más contundente es la prueba del COVID. La serie federal de delitos contra la salud cayó 13.7% durante el confinamiento, clasificada como sistémica bajo nuestros umbrales. La serie de narcomenudeo de la FGJ cayó 10.7%. Ambas resistieron el confinamiento con la misma lógica: son delitos que dependen de redes arraigadas, no de la oportunidad callejera. La diferencia de tres puntos porcentuales es mínima y perfectamente consistente con dos mediciones del mismo fenómeno hechas con instrumentos distintos.
La señal no es un artefacto de la FGJ. El fuero federal, con su propia lógica de clasificación, sus propios operadores, sus propios filtros jurisdiccionales y sus propias reglas de registro, converge hacia el mismo patrón. Cuando dos termómetros distintos marcan la misma fiebre, el paciente está enfermo.
Lo que los datos permiten ver
Los cuatro hallazgos no son cuatro descubrimientos aislados. Forman un argumento concatenado que se refuerza pieza por pieza. El narcomenudeo crece primero y más rápido que cualquier otro indicador, señalando la penetración del crimen organizado antes de que los homicidios y las extorsiones se manifiesten. Los delitos sistémicos resisten al confinamiento de 2020 porque dependen de redes arraigadas en el territorio, no de la oportunidad callejera. La relación entre narcomenudeo y robo a negocio cambia de fase: positiva durante la acumulación criminal, negativa durante la consolidación territorial. Y el fuero federal converge con el fuero común, confirmando que la señal no es un artefacto de una sola base de datos.
Las categorías con las que el Estado nombra la violencia producen la realidad que luego miden. Si “narcomenudeo” y “robo a negocio” existen como categorías separadas pero “crimen organizado” no aparece como campo en ningún formulario de la FGJ, entonces el sistema institucional está diseñado para ver componentes aislados y no el sistema que los articula. Las categorías no son neutras: son actos de clasificación que hacen visible ciertas cosas y otras invisibles. La violencia sistemática —esa que no tiene un autor identificable en un expediente individual— desaparece por defecto del radar.
Los proxies que construimos funcionan como un diagnóstico diferencial. No prueban crimen organizado por sí solos, pero la convergencia de múltiples indicadores independientes en las mismas zonas y en los mismos periodos apunta a estructuras, no a oportunidades aleatorias. Es la diferencia entre ver manchas en una radiografía y diagnosticar una patología: cada mancha por sí sola puede ser ruido, pero el patrón que forman todas juntas es difícil de explicar de otra manera.
Como señalan Aguilar Camín y de Mauleón en “Nuestra violencia” (Nexos, febrero 2026), el desafío de México no es únicamente la cantidad de violencia sino la invisibilidad de sus mecanismos sistemáticos. Los datos abiertos permiten asomarse a esa invisibilidad, pero no la eliminan. Nuestras limitaciones son reales: las carpetas de investigación registran denuncias, no hechos; las series están sujetas a subregistro variable por alcaldía y periodo; la correlación no es causalidad; y los proxies son aproximaciones, no pruebas.
Pero lo que los datos permiten ver ya es suficiente para formular preguntas más precisas que las que el sistema clasificatorio permite responder. Y en un país donde las preguntas sobre seguridad se responden con retórica más que con evidencia, eso no es poco.
La pregunta abierta
Este artículo no pretende resolver el problema del crimen organizado en la Ciudad de México. Pretende algo más modesto y, quizás, más urgente: mostrar que los datos abiertos que el propio Estado publica contienen patrones que sus sistemas de clasificación no están diseñados para detectar.
No se necesitan algoritmos de inteligencia artificial ni acceso a bases de datos confidenciales. Se necesitan series de tiempo, correlaciones, un experimento natural que la vida imprevista te regala y la disposición a cambiar de hipótesis cuando los datos te lo exigen. Eso hicimos. Con datos públicos, con herramientas de análisis accesibles y con la disciplina de dejar que los números guíen la interpretación en lugar de al revés.
Si nosotros, con datos abiertos y herramientas de análisis básico, podemos detectar estos patrones en la Ciudad de México, ¿qué debería ver el Estado con los datos que no publica?