استخراج الگوهاي جرائم مواد مخدر و شناسايي افراد در معرض خطر با استفاده از تكنيك‌هاي داده‌كاوي

Extraction of Drug Crime Patterns and Identifying People at Risk Using Data Mining Techniques

مقدمه: رشد فناوري اطلاعات در سازمان ­ها، منبع عظيمي از داده­هاي ذخيره شده در حوزه جرائم مرتبط با مواد مخدر را فراهم آورده است. تحليل اين داده­ها و كشف الگوهاي پنهان موجود در آن به كمك داده كاوي مي­تواند به كشف و پيشگيري از وقوع جرائم در اين حوزه كمك نمايد. هدف اين مقاله بكارگيري تكنيك­هاي داده ­كاوي جهت شناسايي افراد مستعد به قاچاق مواد مخدر در استان سيستان و بلوچستان و نيز كشف الگوهاي جرم است. روش‌: پژوهش حاضر بر روي داده ­هاي 467 مجرم حوزه مواد مخدر در استان سيستان و بلوچستان كه در ﻃﻲ ﺳﺎل­هاي 1392 الي 1399 ﻣﺮﺗﻜﺐ جرم قاچاق مواد مخدر شده­اند با نمونه گيري در دسترس انجام گرفته است. براي انجام اين تحقيق از متدولوژي استاندارد CRISP-DM و الگوريتم­ هاي طبقه ­بندي ماشين بردار پشتيبان، بيزين ساده، رگرسيون لجستيك، درخت تصميم و نزديك ترين همسايه و براي استخراج الگوهاي جرائم از الگوريتم الگوكاوي اپريوري استفاده شده است. يافته‌ها: الگوريتم الگوكاوي بالغ بر 20 الگوي جرم با دقت بالاي 80 درصد استخراج كرده است. به علاوه نتايج نشان مي­دهد در ميان الگوريتم ­هاي طبقه ­بندي، طبقه­ بند نزديكترين همسايه قادر است با دقت 84 درصد افراد در معرض خطر را شناسايي كند. نتيجه‌گيري: با بكارگيري مدل ساخته شده با اين الگوريتم مي­توان سامانه ­اي براي شناسايي افراد مستعد به قاچاق مواد مخدر طراحي كرد. نتايج حاصل از پيش­بيني­هاي انجام گرفته توسط سامانه مذكور و كشف الگوهاي پنهان موجود در داده­ها مي توانند كمك شاياني به پليس، دستگاه­هاي قضايي و مددكارهاي اجتماعي در شناسايي افراد در معرض خطر و كاهش جرائم مرتبط با قاچاق مواد مخدر نمايند.

Introduction: In recent years, technology advancement and the growth of information technology in organizations have provided a huge source of data stored in the field of drug-related offenses. Analyzing these data and discovering hidden patterns in it can help detect and prevent the occurrence of crimes in this area. This paper aimed to identify the susceptible people to drug trafficking in Sistan and Baluchestan province and discover patterns of crime using data mining techniques. Method: The present study was conducted on data of 467 drug offenders in Sistan and Baluchestan province who have committed drug trafficking in the years 2011 to 2020 by available sampling. CRISP-DM methodology was used to build a prediction model. Also, Support Vector Machine (SVM), Naïve Bayes, Logistic Regression nad Decision Trees have been used to predict people at risk and Apriori Algorithm has been used to extract crime patterns. Findings: The pattern mining algorithm extracted over 20 crime patterns with a precision of over 80%. The results of the evaluations show that the IBK classifier can accurately identify 84 % of the people at risk. Discussion: A system for identifying people susceptible to drug trafficking can be designed using the model made by the IBK classifier. In addition, the results of the predictions by the above mentioned system as well as the extracted hidden patterns can help police, judiciary and social workers to identify people at risk and reduce drug-related crimes.