최근, 범죄가 증가함에 따라 범죄를 예측하고 예방하는 것은 사회의 중요한 이슈이며 정부 및 지자체는 다양한 방법론을 활용하여 범죄를 사전에 막고자 노력하고 있다. 데이터마이닝은 범죄예측 및 예방에 활용되는 대표적인 방법론이며, 범죄 패턴 분석, 범죄 발생 예측 등 다양한 분야에서 연구되고 있다. 그러나 데이터마이닝의 결과가 범죄학에서의 범죄 환경요소와 어떤 관련이 있는지 혹은, 사건해결에 어떤 도움을 줄 수 있는지에 대한 연구는 이루어지고 있지 않다. 따라서 본 논문에서는, 범죄학에서 범죄의 발생과 범죄 환경요소들의 상호 관련성을 보이고 범죄 발생과 관련된 환경요소와 데이터마이닝에 활용되는 변수 간의 관계를 정의하고자 하였다. 또한, 국내 보호관찰소에서 보관되고 있는 절도범죄 데이터를 사용하여 실제로 데이터마이닝의 결과가 범죄 환경요소와 어떤 관련이 있는지를 보이기 위해 군집분석을 적용하였다. 그 결과 각 군집별로 범죄가 발생하는 환경에 차이가 있었으며, 이를 활용하여 데이터마이닝이 범죄학관점에서 범죄 예측 및 예방 활용에 유의미함을 보였다.
최근, 범죄가 증가함에 따라 범죄를 예측하고 예방하는 것은 사회의 중요한 이슈이며 정부 및 지자체는 다양한 방법론을 활용하여 범죄를 사전에 막고자 노력하고 있다. 데이터마이닝은 범죄예측 및 예방에 활용되는 대표적인 방법론이며, 범죄 패턴 분석, 범죄 발생 예측 등 다양한 분야에서 연구되고 있다. 그러나 데이터마이닝의 결과가 범죄학에서의 범죄 환경요소와 어떤 관련이 있는지 혹은, 사건해결에 어떤 도움을 줄 수 있는지에 대한 연구는 이루어지고 있지 않다. 따라서 본 논문에서는, 범죄학에서 범죄의 발생과 범죄 환경요소들의 상호 관련성을 보이고 범죄 발생과 관련된 환경요소와 데이터마이닝에 활용되는 변수 간의 관계를 정의하고자 하였다. 또한, 국내 보호관찰소에서 보관되고 있는 절도범죄 데이터를 사용하여 실제로 데이터마이닝의 결과가 범죄 환경요소와 어떤 관련이 있는지를 보이기 위해 군집분석을 적용하였다. 그 결과 각 군집별로 범죄가 발생하는 환경에 차이가 있었으며, 이를 활용하여 데이터마이닝이 범죄학관점에서 범죄 예측 및 예방 활용에 유의미함을 보였다.
Recently, crime prediction and prevention are the most important social issues, and global and local governments have tried to prevent crime using various methodologies. One of the methodologies, data mining can be applied at various crime fields such as crime pattern analysis, crime prediction, etc...
Recently, crime prediction and prevention are the most important social issues, and global and local governments have tried to prevent crime using various methodologies. One of the methodologies, data mining can be applied at various crime fields such as crime pattern analysis, crime prediction, etc. However, there is few researches to find the relationships between the results of data mining and crime components in terms of criminology. In this study, we introduced environmental criminology, and identified relationships between environment factors related with crime and variables using at data mining. Then, using real burglary data occurred in South Korea, we applied clustering to show relations of results of data mining and crime environment factors. As a result, there were differences in the crime environment caused by each cluster. Finally, we showed the meaning of data mining use at crime prediction and prevention area in terms of criminology.
Recently, crime prediction and prevention are the most important social issues, and global and local governments have tried to prevent crime using various methodologies. One of the methodologies, data mining can be applied at various crime fields such as crime pattern analysis, crime prediction, etc. However, there is few researches to find the relationships between the results of data mining and crime components in terms of criminology. In this study, we introduced environmental criminology, and identified relationships between environment factors related with crime and variables using at data mining. Then, using real burglary data occurred in South Korea, we applied clustering to show relations of results of data mining and crime environment factors. As a result, there were differences in the crime environment caused by each cluster. Finally, we showed the meaning of data mining use at crime prediction and prevention area in terms of criminology.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
연관성분석을 통해 범행 특징간의 관계를 분석할 수 있으며 분류분석을 통해 새로운 범죄의 유형을 분류 할 수 있다. 그러나 본 장에서는 군집분석을 통해 주위 환경 및 시공간적 요소와 범죄 특성이 어떤 관계가 있는지 알아보고, 이를 통해 데이터마이닝의 결과가 갖는 의미에 대해 살펴보고자 한다.
따라서, 본 연구에는 범죄예측에 활용되고 있는 데이터마이닝이 실제로 범죄 해결에 도움을 줄 수 있는지 알아보고, 어떤 의미가 있는지 알아보고자 한다. 이를 위해, 범죄학에서의 범죄 발생을 위한 구성 요소와 데이터마이닝에 활용되는 변수를 비교하고자 한다.
본 연구는 범죄예측에서 데이터마이닝을 활용한다는 것이 어떤 의미인지 알아보았다는 점에서 의의를 가진다. 그러나 데이터마이닝에서 활용되는 변수와 범죄 환경요소 간의 관계를 체계적인 방법론을 활용하여 보이지 못한 점에 한계가 있다.
제안 방법
본 연구에서는 데이터마이닝 기법 중 군집분석을 적용하였다. 각 변수의 값이 이분형 혹은 명목형임을 고려하여 유사성 척도를 선정하였다. 또한, 사건정보는 군집분석에 따른 군집간 비교분석을 위해 활용하였으며, 유사성 척도 계산에서는 제외하였다.
또한, “가해자출생연도”는 가해자의 “나이”로 변환하였으며, “발생날짜”의 경우 140302와 같이 년/월/일로 입력된 데이터를 요일 별 특성을 도출하기 위해 “범행요일”로 변환하여 사용하였다.
이를 위해, 범죄학에서의 범죄 발생을 위한 구성 요소와 데이터마이닝에 활용되는 변수를 비교하고자 한다. 또한, 대표적인 데이터마이닝 기법과 그 특성에 대해 알아보고, 국내 범죄 사건 기록에 데이터마이닝 기법을 적용하여 새롭게 얻은 결과가 어떤 의미가 있는지 분석하였다.
데이터는 2010년부터 2013년까지 발생한 범죄를 대상으로 보호관찰소에 보관되고 있는 범죄 기록을 활용하였다. 범죄 기록은 평문으로 작성되어있었으며, 전문가 의견을 기반으로 정의한 변수를 활용하여 평문 기록을 데이터베이스화하였다. 이를 위해 일반특성, 범행예비, 범행방법, 피해자관계 등으로 구분하고 표 4에 정의된 변수를 포함한 총 65개의 변수를 활용하였으며, 발생한 범죄 건수가 가장 많은 절도 범죄 755건의 데이터를 수집하였다.
본 장에서는 실제로 우리나라에서 발생한 절도범죄 기록을 활용하여 앞 장에서 소개한 데이터마이닝 기법을 적용하였다. 연관성분석을 통해 범행 특징간의 관계를 분석할 수 있으며 분류분석을 통해 새로운 범죄의 유형을 분류 할 수 있다.
따라서, 본 연구에는 범죄예측에 활용되고 있는 데이터마이닝이 실제로 범죄 해결에 도움을 줄 수 있는지 알아보고, 어떤 의미가 있는지 알아보고자 한다. 이를 위해, 범죄학에서의 범죄 발생을 위한 구성 요소와 데이터마이닝에 활용되는 변수를 비교하고자 한다. 또한, 대표적인 데이터마이닝 기법과 그 특성에 대해 알아보고, 국내 범죄 사건 기록에 데이터마이닝 기법을 적용하여 새롭게 얻은 결과가 어떤 의미가 있는지 분석하였다.
대상 데이터
본 연구를 위해 국내에서 발생했던 절도범죄와 관련된 데이터를 수집하고 활용하였다. 데이터는 2010년부터 2013년까지 발생한 범죄를 대상으로 보호관찰소에 보관되고 있는 범죄 기록을 활용하였다. 범죄 기록은 평문으로 작성되어있었으며, 전문가 의견을 기반으로 정의한 변수를 활용하여 평문 기록을 데이터베이스화하였다.
본 연구를 위해 국내에서 발생했던 절도범죄와 관련된 데이터를 수집하고 활용하였다. 데이터는 2010년부터 2013년까지 발생한 범죄를 대상으로 보호관찰소에 보관되고 있는 범죄 기록을 활용하였다.
범죄 기록은 평문으로 작성되어있었으며, 전문가 의견을 기반으로 정의한 변수를 활용하여 평문 기록을 데이터베이스화하였다. 이를 위해 일반특성, 범행예비, 범행방법, 피해자관계 등으로 구분하고 표 4에 정의된 변수를 포함한 총 65개의 변수를 활용하였으며, 발생한 범죄 건수가 가장 많은 절도 범죄 755건의 데이터를 수집하였다.
이론/모형
본 연구에서는 데이터마이닝 기법 중 군집분석을 적용하였다. 각 변수의 값이 이분형 혹은 명목형임을 고려하여 유사성 척도를 선정하였다.
성능/효과
데이터마이닝이 범죄 해결에 실제로 도움을 줄 수 있는지 알아보기 위해 먼저, 범죄학의 범죄 발생 환경에 대해 알아보고 범죄 환경요소와 데이터마이닝에 활용되는 변수가 실제로 유사함을 보였다. 또한, 국내에서 실제로 발생한 절도 범죄 데이터를 활용하여 주위 환경정보와 범죄 특성 간의 관계를 보임으로, 주위 환경과 범죄의 특징이 실제로 관계가 있음을 보였다.
다양한 범죄학 이론들은 가해자의 행동이 주위 환경과 같은 시공간 요소들에 영향을 받는다고 주장하며 요소에 따라 가해자의 특성이 변할 수 있음을 염두에 두고 있다. 실제로 군집 분석을 통해서 시간대 및 장소의 특징에 따라 피해자의 성별과 가해자의 범행예비 특성에 차이가 있음을 보였으며, 시간대 및 장소에 따라 다른 특성이 있는 범죄가 발생한다는 정보를 얻을 수 있었다. 즉, 군집분석을 통해 얻은 정보는 가해자와 주위 환경과의 관계에 관한 정보이며 데이터마이닝을 범죄예측에 활용한다는 것은 범죄를 구성하고 있는 다양한 요소들을 활용하여 새로운 정보를 추출하는 것이다.
군집 1의 경우, 평균 전과횟수가 가장 많았으며 군집 3의 경우가 평균 전과횟수가 가장 적었다. 평균 전과횟수가 많을수록 봉사시간과 보호관찰기간이 긴 것을 알 수 있으며, 수강 시간은 전과횟수와 관련성이 없는 것으로 보인다. 또한, 각각의 군집의 속성을 비교하였으며 그 결과는 그림 3와 같다.
후속연구
또한, 충분한 수의 데이터를 수집하지 못했기 때문에 데이터마이닝을 통해 추출된 정보가 구체적으로 범죄 환경요소와 어떤 관계가 있는지 보이지 못하였다. 앞으로 충분한 수의 데이터를 수집하고 절도 범죄가 아닌 5대 범죄 중 범죄의 특성이 뚜렷한 강도 및 살인을 대상으로 사례연구를 진행한다면, 가해자와 주위 환경요소들 간의 관계를 더 명확히 보일 수 있을 것으로 예상된다.
질의응답
핵심어
질문
논문에서 추출한 답변
데이터마이닝이 범죄 환경요소와 어떤 관련이 있는지를 보이기 위해 어떤 분석법을 적용하였는가?
따라서 본 논문에서는, 범죄학에서 범죄의 발생과 범죄 환경요소들의 상호 관련성을 보이고 범죄 발생과 관련된 환경요소와 데이터마이닝에 활용되는 변수 간의 관계를 정의하고자 하였다. 또한, 국내 보호관찰소에서 보관되고 있는 절도범죄 데이터를 사용하여 실제로 데이터마이닝의 결과가 범죄 환경요소와 어떤 관련이 있는지를 보이기 위해 군집분석을 적용하였다. 그 결과 각 군집별로 범죄가 발생하는 환경에 차이가 있었으며, 이를 활용하여 데이터마이닝이 범죄학관점에서 범죄 예측 및 예방 활용에 유의미함을 보였다.
데이터마이닝은 어디에 활용되는 대표적인 방법론인가?
최근, 범죄가 증가함에 따라 범죄를 예측하고 예방하는 것은 사회의 중요한 이슈이며 정부 및 지자체는 다양한 방법론을 활용하여 범죄를 사전에 막고자 노력하고 있다. 데이터마이닝은 범죄예측 및 예방에 활용되는 대표적인 방법론이며, 범죄 패턴 분석, 범죄 발생 예측 등 다양한 분야에서 연구되고 있다. 그러나 데이터마이닝의 결과가 범죄학에서의 범죄 환경요소와 어떤 관련이 있는지 혹은, 사건해결에 어떤 도움을 줄 수 있는지에 대한 연구는 이루어지고 있지 않다.
데이터마이닝의 파급효과는 무엇인가?
데이터마이닝은 일반적으로 방대한 양의 데이터로부터 유용한 정보를 추출하는 과정을 의미한다. 이를 통해 기존에 모르던 새로운 정보를 발견할 수 있으며 사건 해결을 위한 의사결정에 도움을 줄 수 있다. 데이터마이닝에 사용될 수 있는 데이터의 종류는 일반적으로 시공간 요소, 범죄 환경요소 및 가해자 프로파일로 구분되며[7], 어떤 데이터마이닝 기법을 적용하느냐에 따라 다양한 특성의 정보(범죄 지역 특징, 가해자의 행동 정보 등)를 얻을 수 있다[8].
참고문헌 (23)
C. Shu, A. Hampapur, M. Lu, L. Brown, J. Connell, A. Senior, and Y. Tian, "IBM Smart Surveillance System(S3): A Open and Extensible Framework for Event based Surveillance," IEEE Conference on Advanced Video and Signal Based Surveillance, pp. 318-323, Como, Italy, September 2005.
S. Chainey, L. Tompson, and S. Uhlig, "The Utility of Hotspot Mapping for Predicting Spatial Patterns of Crime," Security Journal, Vol. 21, pp. 4-28, February 2008.
D. Brown, and R. Oxford, "Data Mining Time Series with Applications to Crime Analysis," IEEE International Conference on Systems, Man, and Cybernetics, Vol. 3, pp. 1453-1459, Tucson, USA, October 2001.
S. Nath, "Advances and Innovation in Systems, Computing Science and Software Engineering," Springer, pp. 405-409, 2007.
H. Chen, W. Chung, J. Xu, G. Wang, Y. Qin, and M. Chau, "Crime Data Mining: A General Framework and Some Examples," Computer, Vol. 37, No. 4, pp. 50-56, April 2004.
V. Grover, R. Adderley, and M. Bramer, "Applications and Innovations in Intelligent Systems XIV," Springer London, pp. 233-237, 2007.
M. Keyvanpour, M. Javideh, and M. Ebrahimi, "Detecting and Investigating Crime by Means of Data Mining: A General Crime Matching Framework," Procedia Computer Science, Vol. 3, pp. 872-880, February 2011.
P. Thongatae, and S. Srisuk, "An Analysis of Data Mining Application in Crime Domain," IEEE International Conference on Computer and Information Technology Workshops, pp. 122-126, Sydney, Australia, July 2008.
L. Cohen, and M. Felson, "Social Change and Crime Rate Trends: A Route Activity Approach," American Sociological Review, Vol. 44, No. 4, pp. 588-608, August 1979.
M. Felson, and R. Clarke, "Opportunity Makes the Thief: Practical Theory for Crime Prevention," Police Research Series Paper 98, Home Office, pp. 4-8, 1998.
P. Brantingham, and P. Brantingham, "Environmental Criminology," Wavelend Press Inc, pp. 27-54, 1991.
A. Buczak, and C. Gifford, "Fuzzy Association Rule Mining for Community Crime Pattern Discovery," ACM SIGKDD Workshops on Intelligence and Security Informatics Article, No. 2, New York, USA, July 2010.
D. Dzemydiene, and V. Rudzkiene, "Multiple Regression Analysis in Crime Pattern Warehouse for Decision Support," Proceedings of the 13th International Conference on Database and Expert Systems Applications, pp. 249-258, Aix-en-Provence, France, September 2002.
V. Ng, S. Chan, D. Lau, and C. Ying, "Incremental Mining for Temporal Association Rules for Crime Pattern Discoveries," Proceedings of the Eighteenth Conference on Australasian database, Vol. 63, pp. 123-132, Darlinghurst, Australia, March 2007.
B. R. Mednick, R. L. Baker, and L. E. Carothers, "Patterns of Family Instability and Crime: The Association of Timing of the Family's Disruption with Subsequent Adolescent and Young Adult Criminality", Journal of Youth and Adolescence, Vol. 19, No. 3, June 1990.
H. Liu and D. E. Brown, "Criminal Incident Prediction Using a Point-pattern-based Density Model", International Journal of Forecasting, Vol. 19, No. 4, pp. 603-622, December 2003.
T. Nakaya, and K. Yano, "Visualising Crime Clusters in a Space-time Cube: An Exploratory Data-analysis Approach Using Space-time Kernel Density Estimation and Scan Statistics," Transaction in GIS, Vol. 14, No. 3, pp. 223-239, June 2010.
B. Chandra, M. Gupta, and M. Gupta, "A Multivariate Time Series Clustering Approach for Crime Trends Prediction," IEEE International Conference on Systems, Man and Cybernetics, pp. 892-896, Singapore, October 2008.
M. Carglia, R. Haining, and P. Wiles, "A Comparative Evaluation of Approaches to Urban Crime Pattern Analysis", Urban Studies, Vol. 37, No. 4, pp. 711-729, April 2000.
R. Jamieson, L. Land, D. Winchester, G. Stephens, A. Steel, A. Maurushat, and R. Sarre, "Addressing Identity Crime in Crime Management Information Systems: Definitions, classification, and empirics," Computer Law & Security Review, Vol. 28, No. 4, pp. 381-395, August 2012.
J. E. Douglas, R. K. Ressler, and C. R. Hartman, "Criminal Profiling from Crime Scene Analysis", Behavioral Science and the Law, Vol. 4, No. 4, pp. 401-421, Autumn 1986.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.