Amaç: Suçla ilişkili göstergelerin tespit edilmesi, suçun ne- denlerinin ortaya çıkarılması üzerine yapılan kriminolojik analizler suçla mücadele sürecinin önemli destek noktalarıdır. Suçun gelecekte hangi düzeyde gerçekle şeceği, hangi suç tipinin daha yo ğun mey- dana geleceği üzerine birçok araştırma yapılmaktadır. Bu çalışmada ekonomik göstergelerle suç aras ındaki ilişkinin yapay zekan ın alt dallarından makine öğrenmesi yöntemleri ile ortaya konulması amaç- lanmıştır. Gereç ve Yöntemler: Çalışmada; işsizlik, gayrisafi yurt içi hasıla, nüfus, 15 ayrı suç tipine ait hükümlü say ıları kullanılarak K- En Yakın Komşu, Rastgele Orman, Naive Bayes isimli makine ö ğ- renmesi yöntemleri kullanılarak suç oranları tahmin edilmiştir. Ayrıca veri bölgesel açıdan Türkiye geneli ve İstatistiki Bölge Birimleri Sı- nıflandırması-2 (26 Bölge) coğrafi bölümleme seviyelerini içermek- tedir. Bulgular: Çalışmada suç oran ı tahminiyle ilgili farkl ı eğitim ve test oranlarına ilişkin sonuçlar, aynı yıl, 1 yıl sonraki ve 2 yıl son- raki suç oranına ilişkin sonuçlar ve ayrıca her suç türünün hangi yön- temle daha başarılı tahmin edildiğine olduğuna ilişkin sonuçlar olmak üzere birçok bulgu edinilmi ştir. Hırsızlık, Sahtecilik, Yaralama ve Uyuşturucu İmal ve Ticareti suçlar ına ilişkin suç oranlar ının tüm yöntemlerle başarılı bir şekilde tahmin edilebildiği diğer suçlarda ise başarılı olan yöntemin de ğiştiği hesaplanmıştır. Sonuç: Sosyal bi- limler alanında yapılan çalışmalarla ortaya konulmuş olan ekonomik göstergelerle suç aras ındaki ilişkinin makine ö ğrenmesi algoritma- larının katkısı da eklenerek ileri boyutlara taşınabilmesi suçla etkin mücadeleye önemli katk ılar sağlayacaktır. Türkiye’deki bölgelerin ayrı ayrı suç oranının ilerleyen yıllar için doğru tahmin edilebilmesi; suçla ilgili öncesinde önlem al ınabilmesi, kolluk birimlerinin karar mekanizmalarını güçlendirmesi, kamu kaynaklar ının verimli kulla- nılabilmesi gibi birçok açıdan güvenlik hizmetlerini destekleyecek- tir.
Objective: Criminological analyses that identify crime- related indicators and reveal the root causes of criminal activity are cru- cial 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.Ma- terial and Methods: In this study, crime rates were predicted with three machine learning methods [K-Nearest Neighbor (KNN), Random For- est (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 pre- diction study; theft, counterfeiting, injury, production and trade of nar- cotics 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 ad- vanced dimensions by adding the contribution of machine learning al- gorithms will make significant contributions to the effective fight against crime. The ability to accurately predict the crime rates of indi- vidual regions in Turkey for the coming years will support security ser- vices in many ways, such as taking precautions against crime in advance, strengthening the decision-making mechanisms of law en- forcement units, and using public resources efficiently.
