En el módulo 1 limpiamos y exploramos los reportes SAR. Ahora los convertimos en una red cronológica — el objeto sobre el que trabajan todos los módulos siguientes.
library(igraph); library(ggraph); library(dplyr); library(readr); library(lubridate); library(tidyr)
tx <- read_csv("../outputs/tx_limpio.csv", show_col_types = FALSE)
geo <- read_csv("../data/bancos_geo.csv", show_col_types = FALSE)
knitr::opts_chunk$set(message = FALSE, warning = FALSE)begin_date–end_date) — 534 eventos con fechas imprecisas no alcanzan la resolución de un día.data/bancos_geo.csv).bancos <- geo %>% select(bank_id, bank_name, country, iso, lat, lon)
cat("Vértices disponibles (entidades georreferenciadas):", nrow(bancos), "\n")Vértices disponibles (entidades georreferenciadas): 2275 head(bancos, 5)# A tibble: 5 × 6
bank_id bank_name country iso lat lon
<chr> <chr> <chr> <chr> <dbl> <dbl>
1 banco-de-credito-del-peru Banco De Credito Del Pe… United… USA -12.0 -77.0
2 banco-de-comercio Banco De Comercio Peru PER -12.0 -77.0
3 ukranian-post-international Ukranian Post Internati… United… USA 40.7 -74.0
4 rietumu-banka Rietumu Banka Latvia LVA 56.9 24.1
5 city-national-bank City National Bank United… USA 40.7 -74.0select() elige columnas; head() muestra las primeras filas.bank_id (slug en minúsculas), no el nombre — los nombres vienen con variantes.eventos_dual <- bind_rows(
tx %>% transmute(t = fecha, node = originator_bank_id, rol = "origen"),
tx %>% transmute(t = fecha, node = beneficiary_bank_id, rol = "destino")
) %>% arrange(t)
cat("Eventos totales N_E =", nrow(eventos_dual), "\n")Eventos totales N_E = 9002 head(eventos_dual, 5)# A tibble: 5 × 3
t node rol
<date> <chr> <chr>
1 2000-02-08 banco-de-credito-del-peru origen
2 2000-02-08 banco-de-comercio-lima-peru-per destino
3 2000-02-29 banco-de-credito-del-peru origen
4 2000-02-29 banco-de-comercio-lima-peru-per destino
5 2000-03-07 banco-de-credito-del-peru origen bind_rows() apila las dos tablas; transmute() crea columnas nuevas; arrange(t) ordena cronológicamente.conteo_ventanas <- eventos_dual %>%
mutate(ventana = as.Date(t)) %>%
count(ventana, node, name = "n") %>%
arrange(ventana)
cat("Ventanas activas (días con al menos un evento):", n_distinct(conteo_ventanas$ventana), "\n")Ventanas activas (días con al menos un evento): 1762 head(conteo_ventanas, 5)# A tibble: 5 × 3
ventana node n
<date> <chr> <int>
1 2000-02-08 banco-de-comercio-lima-peru-per 1
2 2000-02-08 banco-de-credito-del-peru 1
3 2000-02-29 banco-de-comercio-lima-peru-per 1
4 2000-02-29 banco-de-credito-del-peru 1
5 2000-03-07 banco-de-comercio-lima-peru-per 1count(ventana, node) = cuántos eventos tuvo cada banco en cada día.\[w_{ij} = \sum_{k=1}^{K-1} n_i^{(k)} \cdot n_j^{(k+1)}\]
\[w_{ij} = \sum_{a=1}^{N_E-1} \mathbb{I}\bigl(\kappa(l_a)=i\bigr)\,\mathbb{I}\bigl(\kappa(l_{a+1})=j\bigr)\]
\[\sum_{i,j} w_{ij} = \sum_{k=1}^{K-1} N^{(k)} N^{(k+1)}, \qquad N^{(k)} = \sum_m n_m^{(k)}\]
# Función completa en R/03_chronnet.R (pipeline)
chronnet_create <- function(dataset, self_loops = TRUE, mode = "directed", dt_days = 1) {
d <- dataset %>%
mutate(ventana = floor(as.numeric(difftime(t, min(t, na.rm = TRUE),
units = "days")) / dt_days)) %>%
count(ventana, node, name = "n") %>%
arrange(ventana)
ventanas <- sort(unique(d$ventana))
pesos <- list()
for (k in seq_len(length(ventanas) - 1)) {
a <- d %>% filter(ventana == ventanas[k]) %>% transmute(from = node, n_i = n)
b <- d %>% filter(ventana == ventanas[k + 1]) %>% transmute(to = node, n_j = n)
par <- crossing(a, b) # parejas: entidades del día k × entidades del día k+1
if (!self_loops) par <- par %>% filter(from != to)
pesos[[k]] <- par %>% mutate(w = n_i * n_j) %>% select(from, to, w)
}
el <- bind_rows(pesos) %>%
group_by(from, to) %>%
summarise(weight = sum(w), .groups = "drop")
g <- graph_from_data_frame(el, directed = (mode == "directed"))
attr(g, "Nk") <- d %>% group_by(ventana) %>%
summarise(N = sum(n), .groups = "drop") %>% pull(N)
g
}crossing(a, b) produce el producto cartesiano “quienes actuaron hoy” × “quienes actuaron mañana”.n_i * n_j y sumar implementa la fórmula de \(w_{ij}\).# Construcción inline (la función chronnet_create se definió arriba en este módulo;
# el pipeline equivalente vive en R/03_chronnet.R)
eventos_dual <- bind_rows(
tx %>% transmute(t = fecha, node = originator_bank_id, rol = "origen"),
tx %>% transmute(t = fecha, node = beneficiary_bank_id, rol = "destino")
) %>% arrange(t)
chronnet <- chronnet_create(eventos_dual, self_loops = TRUE, mode = "directed", dt_days = 1)
Nk <- attr(chronnet, "Nk")
identidad <- sum(Nk[-length(Nk)] * Nk[-1])
cat("sum(w_ij) =", sum(E(chronnet)$weight), "\n")sum(w_ij) = 51944 cat("sum_k N^(k) * N^(k+1) =", identidad, "\n")sum_k N^(k) * N^(k+1) = 51944 cat("¿Coinciden?", sum(E(chronnet)$weight) == identidad, "✓\n")¿Coinciden? TRUE ✓comp_c <- components(chronnet)
tibble(
componente = seq_len(comp_c$no),
n_nodos = sort(comp_c$csize, decreasing = TRUE)
) %>%
mutate(acumulado = cumsum(n_nodos) / sum(n_nodos)) %>%
slice_head(n = 10) %>%
knitr::kable(caption = "Los 10 componentes más grandes del chronnet",
col.names = c("Ranking", "Nº de nodos", "% acumulado de nodos"))| Ranking | Nº de nodos | % acumulado de nodos |
|---|---|---|
| 1 | 2275 | 1 |
cat("Total:", comp_c$no, "componentes | LCC =", max(comp_c$csize), "nodos (",
round(100 * max(comp_c$csize) / vcount(chronnet), 1), "% de la red )\n")Total: 1 componentes | LCC = 2275 nodos ( 100 % de la red )Aclaración de vocabulario:
V(chronnet)$actividad <- strength(chronnet, mode = "all", weights = E(chronnet)$weight)
ggraph(chronnet, layout = "stress") +
geom_edge_link(aes(width = weight), alpha = 0.15, color = "grey55") +
geom_node_point(aes(size = actividad), color = "#0D9488", alpha = 0.8) +
scale_size(range = c(0.5, 7)) +
scale_edge_width(range = c(0.1, 2), guide = "none") +
theme_graph() +
theme(legend.position = "none")
Cómo leer esta figura:
Lectura criminal