CBS destekli makine öğrenmesi yöntemleri ile hırsızlık suçlarını etkileyen mekânsal faktörlerin belirlenmesi ve suç tahmin modeli geliştirilmesi

Suç olayları mekânsal ve mekânsal olmayan faktörlere bağlı olarak gelişmektedir. Suçla etkili mücadele edebilmek için suç analizlerinin yapılması ve suça neden olan etkenlerin incelenmesi gerekmektedir. Ülkemizde mekânsal faktörlere dayalı suç dağılımını inceleyen çalışma sayısının az olduğu gözlemlenmiştir. Coğrafi Bilgi Sistemleri'nin (CBS) mekânsal analiz yöntemleri ve makine öğrenmesi entegrasyonu ile suç ve suça neden olan etkenler arasında matematiksel ilişkiler kurulabilmektedir. Bu tez çalışmasında araştırılan hipotezi ele almak için çalışma alanı olarak Kilis il merkezi belirlenmiş ve konumsal veriler elde edilmiştir. Çalışmada 2018-2019-2020 yıllarında gerçekleşen hırsızlık suç olayları kullanılmıştır. Hırsızlık suçunun kent içerisindeki yoğunluk haritası Kernel Yoğunluk Analizi yöntemi ile üretilmiştir. Ardından suç yoğunluğu ile suça etki eden çevresel ve kentsel tasarım ölçütlerinin ilişkisi makine öğrenmesi ve CBS tabanlı analizlerle incelenmiştir. Hırsızlık suçlarının mekânsal dağılımı ve suçu etkileyen mekânsal faktörler CBS ile düzenlenerek makine öğrenmesi için girdi veriler (26 faktör) elde edilmiştir. Makine öğrenmesi modeli için Rastgele Orman Regresyon, Gradyan Artırma Regresyon ve Destek Vektör Regresyon algoritmaları ile analizler yapılarak suç tahmin modeli oluşturulmuştur. Analizler sonucunda, mekânsal faktörlerin suç oluşumunda önem sırası ve suç oluşumuna etki katsayıları elde edilmiş, elde edilen değerler ile mekânsal faktörlere bağlı hırsızlık suçu risk potansiyeli haritaları oluşturulmuştur. Tahmin modeli ve haritalar, mekân kurgusunun suç potansiyeli üzerindeki etkisini göstererek arazi yönetim sürecinde teknolojinin avantajı ile dinamik bir yaklaşım sunarak literatüre katkı sağlayacaktır.