Amaç: Suçla ilişkili göstergelerin tespit edilmesi, suçun nedenlerinin ortaya çıkarılması üzerine yapılan kriminolojik analizler suçla mücadele sürecinin önemli destek noktalarıdır. Suçun gelecekte hangi düzeyde gerçekleşeceği, hangi suç tipinin daha yoğun meydana geleceği üzerine birçok araştırma yapılmaktadır. Bu çalışmada ekonomik göstergelerle suç arasındaki ilişkinin yapay zekanın alt dallarından makine öğrenmesi yöntemleri ile ortaya konulması amaçlanmıştır. Gereç ve Yöntemler: Çalışmada; işsizlik, gayrisafi yurt içi hasıla, nüfus, 15 ayrı suç tipine ait hükümlü sayıları kullanılarak KEn Yakın Komşu, Rastgele Orman, Naive Bayes isimli makine öğrenmesi yöntemleri kullanılarak suç oranları tahmin edilmiştir. Ayrıca veri bölgesel açıdan Türkiye geneli ve İstatistiki Bölge Birimleri Sınıflandırması-2 (26 Bölge) coğrafi bölümleme seviyelerini içermektedir. Bulgular: Çalışmada suç oranı tahminiyle ilgili farklı eğitim ve test oranlarına ilişkin sonuçlar, aynı yıl, 1 yıl sonraki ve 2 yıl sonraki suç oranına ilişkin sonuçlar ve ayrıca her suç türünün hangi yöntemle daha başarılı tahmin edildiğine olduğuna ilişkin sonuçlar olmak üzere birçok bulgu edinilmiştir. Hırsızlık, Sahtecilik, Yaralama ve Uyuşturucu İmal ve Ticareti suçlarına ilişkin suç oranlarının tüm yöntemlerle başarılı bir şekilde tahmin edilebildiği diğer suçlarda ise başarılı olan yöntemin değiştiği hesaplanmıştır. Sonuç: Sosyal bilimler alanında yapılan çalışmalarla ortaya konulmuş olan ekonomik göstergelerle suç arasındaki ilişkinin makine öğrenmesi algoritmalarının katkısı da eklenerek ileri boyutlara taşınabilmesi suçla etkin mücadeleye önemli katkılar sağlayacaktır. Türkiye'deki bölgelerin ayrı ayrı suç oranının ilerleyen yıllar için doğru tahmin edilebilmesi; suçla ilgili öncesinde önlem alınabilmesi, kolluk birimlerinin karar mekanizmalarını güçlendirmesi, kamu kaynaklarının verimli kullanılabilmesi gibi birçok açıdan güvenlik hizmetlerini destekleyecektir.
Anahtar Kelimeler: Suç tahminleme; kriminolojik analiz; makine öğrenmesi; sınıflandırma
Objective: Criminological analyses that identify crimerelated indicators and reveal the root causes of criminal activity are crucial instruments in combating against crime. Numerous studies have been conducted regarding the future crime rate and the kind of crimes that will occur more frequently. In this study, it is aimed to reveal the relationship between economic indicators and crime using machine learning methods, one of the sub-branches of artificial intelligence. Material and Methods: In this study, crime rates were predicted with three machine learning methods [K-Nearest Neighbor (KNN), Random Forest (RF), Naive Bayes (NB)] by using unemployment, gross domestic product, population, number of convicted criminals of 15 different crime types datas. Data is available both at the Turkey country level and at the Nomenclature of Territorial Units for Statistics-2 (NUTS-2) geographical grouping level (26 distinct regions). Results: In the study, many findings were obtained on crime rate prediction, including results for different training and test rates, results for crime rates in the same year, 1 year later and 2 years later, as well as results on which method predicts each type of crime more successfully. As a result of the prediction study; theft, counterfeiting, injury, production and trade of narcotics and psychotropic substanctes crime rates predicted more succesfully with all three methods. Conclusion: Which has been demonstrated by studies in the field of social sciences, the ability to carry the relationship between economic indicators and crime, to advanced dimensions by adding the contribution of machine learning algorithms will make significant contributions to the effective fight against crime. The ability to accurately predict the crime rates of individual regions in Turkey for the coming years will support security services in many ways, such as taking precautions against crime in advance, strengthening the decision-making mechanisms of law enforcement units, and using public resources efficiently.
Keywords: Crime prediction; criminological analysis; machine learning; classification
- Gökulu G. Suç kuramları: biyolojik ve psikolojik yaklaşımlar: eleştirel bir değerlendirme [Criminological theories:biological and psychological approaches: a critical evaluation]. Social Sciences. 2019;14(4):1471-88. [Crossref]
- Emsley C. Crime and Society in England, 1750-1900. 5th ed. London: Routledge; 2018. [Crossref]
- Nagin DS, Paternoster R. Enduring individual differences and rational choice theories of crime. Law and Society Review. 199327(3):467-96. [Crossref]
- Raphael S, Winter-Ebmer R. Identifying the effect of unemployment on crime. The Journal of Law and Economics. 2001;44(1):259-83. [Crossref]
- Wang H, Kifer D, Graif C, Li Z. Crime rate inference with big data. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 1st ed. New York, NY: ACM; 2016. p.635-44. [Crossref]
- Türk Ceza Kanunu, (2004) [cited 2023 22/12/2023]. Available from: [Link]
- Federal Bureau of Investigation Crime Data Explorer [Internet] [Cited: November 22, 2023]. Available from: [Link]
- Government C. Incident-based crime statistics, by detailed violations, Canada, provinces, territories, Census Metropolitan Areas and Canadian Forces Military Polic.e Canada: Canadian Government; 2023. Cited: November 22, 2023. Available from: [Link]
- Wang B, Yin P, Bertozzi AL, Brantingham PJ, Osher SJ, Xin J. Deep learning for real-time crime forecasting and its ternarization. Chinese Annals of Mathematics, Series B. 2019;40(6):949-66. [Crossref]
- Zhang X, Liu L, Xiao L, Ji J. Comparison of machine learning algorithms for predicting crime hotspots. IEEE Access. 2020;8:181302-10. [Crossref]
- Safat W, Asghar S, Gillani SA. Empirical analysis for crime prediction and forecasting using machine learning and deep learning techniques. IEEE Access. 2021;9:70080-94. [Crossref]
- Gerber MS. Predicting crime using Twitter and kernel density estimation. Decision Support Systems. 2014;61:115-25. [Crossref]
- Kang HW, Kang HB. Prediction of crime occurrence from multi-modal data using deep learning. PLoS One. 2017;12(4):e0176244. [Crossref] [PubMed] [PMC]
- Özcan SE, Şirin FÖ. Ekonomik suçlar, gelir ve işsizliğin mekânsal ilişkisi: 2014 Türkiye incelemesi [The spatial interactions between economic crimes, per capita income and unemployment: 2014 Turkey case]. Manisa Celal Bayar Üniversitesi Sosyal Bilimler Dergisi. 2021;19(4):79-100. [Crossref]
- Eren M, Özkılbaç S. Türkiye'de genç işsizliği ile suç düzeyi arasındaki ilişki: düzey 1 bölgeleri üzerine bir uygulama [The relationship of youth unemployment and crime level in Turkey: an application on the nuts-1 regions]. Küresel İktisat ve İşletme Çalışmaları Dergisi. 2020;9(17):13-20. [Link]
- Costantini M, Meco I, Paradiso A. Do inequality, unemployment and deterrence affect crime over the long run? Regional Studies. 2018;52(4):558-71. [Crossref]
- Dikkaya M, Aytekin İ. İktisadi büyüme işsizlik ve suç arasında nedensellik ilişkisi: Türkiye örneği [The causality among economic growth, unemployment and crime: evidence from Turkey]. Ekonomi İşletme Siyaset ve Uluslararası İlişkiler Dergisi. 2020;6(2):261-74. [Link]
- Jawadi F, Mallick SK, Cheffou AI, Augustine A. Does higher unemployment lead to greater criminality? Revisiting the debate over the business cycle. Journal of Economic Behavior & Organization. 2021;182:448-71. [Crossref]
- Nordin M, Almén D. Long-term unemployment and violent crime. Empirical Economics. 2017;52(1):1-29. [Crossref]
- Andresen MA. Unemployment, GDP, and crime: the importance of multiple measurements of the economy. Canadian Journal of Criminology and Criminal Justice. 2015;57(1):35-58. [Crossref]
- Buonanno P, Drago F, Galbiati R. Response of crime to unemployment: an international comparison. Journal of Contemporary Criminal Justice. 2014;30(1):29-40. [Crossref]
- Entorf H, Sieger P. Does the link between unemployment and crime depend on the crime level? A quantile regression approach. IZA. 2014:1-32. [Link]
- Speziale N. Does unemployment increase crime? Evidence from Italian provinces. Applied Economics Letters. 2014;21(15):1083-9. [Crossref]
- Aaltonen M, Macdonald JM, Martikainen P, Kivivuori J. Examining the generality of the unemployment-crime association. Criminology. 2013;51(3):561-94. [Crossref]
- Lastauskas P, Tatsi E. Spatial nexus in crime and unemployment in times of crisis: evidence from Germany. Cambridge Working Papers in Economics. 2013:1-50. [Crossref]
- Utku A, Akçayol MA. Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini [Prediction of the next time of an event with deep learning based model]. Politeknik Dergisi. 2021;24(1):1-15. [Crossref]
- Farjami Y, Abdi K. A genetic-fuzzy algorithm for spatio-temporal crime prediction. Journal of Ambient Intelligence and Humanized Computing. 2021:1-13. [Crossref]
- Deniz Başar O, Güneren Genç E. Ülkelerin güvenli olmalarının tahmininde lojistik regresyon, yapay sinir ağları ve moora yöntemlerinin karşılaştırılması [A comparison of logistic regression, artificial neural networks and moora methods in estimation of the safety of countries]. Journal of Life Economics. 2020;7(2):123-34. [Crossref]
- Rumi SK, Luong P, Salim FD. Crime rate prediction with region risk and movement patterns. arxiv. 2019. [Link]
- Stalidis P, Semertzidis T, Daras P. Examining deep learning architectures for crime classification and prediction. Forecasting. 2021;3(4):741-62. [Crossref]
- Wang B, Luo X, Zhang F, Yuan B, Bertozzi AL, Brantingham PJ. Graph-based deep modeling and real time forecasting of sparse spatio-temporal data. arXiv preprint arXiv. 2018. [Link]
- Mohd F, Noor NMM. A comparative study to evaluate filtering methods for crime data feature selection. Procedia Computer Science. 2017;116:113-20. [Crossref]
- Al Bataineh A. A comparative analysis of nonlinear machine learning algorithms for breast cancer detection. International Journal of Machine Learning and Computing. 2019;9(3):248-54. [Crossref]
- Xing W, Bei Y. Medical health big data classification based on KNN classification algorithm. IEEE Access. 2019;8:28808-19. [Crossref]
- Breiman L. Random forests. Machine Learning. 2001;45:5-32. [Crossref]
.: Process List