[論文レビュー] Predicting Financial Crime: Augmenting the Predictive Policing Arsenal

Sam Lavigne, Brian Clifton+1 more|arXiv (Cornell University)|Apr 25, 2017

Gambling Behavior and Treatments参考文献 3被引用数 12

ひとこと要約

本論文は、ランダムフォレスト分類器を用いて金融犯罪の高リスク地域を特定する予測モデルであるホワイトカラー・クリム・イ早紀システム（WCCEWS）を紹介する。この研究は、従来の路上犯罪に焦点を当ててきた予測警察の分野において、金融犯罪を効果的に予測できることが示され、重要な空白を埋めるものである。

ABSTRACT

Financial crime is a rampant but hidden threat. In spite of this, predictive policing systems disproportionately target "street crime" rather than white collar crime. This paper presents the White Collar Crime Early Warning System (WCCEWS), a white collar crime predictive model that uses random forest classifiers to identify high risk zones for incidents of financial crime.

研究の動機と目的

• 予測警察システムにおけるホワイトカラー・クリムの過小代表化を是正すること。
• 金融犯罪の高リスク地理的領域を事前に特定するデータドリブンなモデルを開発すること。
• 財務的動機で生じる非暴力的犯罪に焦点を当て、既存の予測警察ツールを補完すること。
• 機械学習を用いて複雑で隠れた金融犯罪のパターンを予測可能であることを実証すること。
• 金融犯罪検出の独自の特性に適合した、革新的なフレームワークを貢献すること。

提案手法

• 金融犯罪の発生をモデル化・予測するためにランダムフォレスト分類器を用いる。
• 地理的領域ごとに集計された歴史的金融犯罪データを用いてモデルを学習する。
• 犯罪分布の地域的パターンを捉えるために、空間的および時間的特徴を組み込む。
• 経済指標や人口統計データなどの関連予測変数を抽出するために特徴工学を適用する。
• AUC-ROC や精度・再現率などの標準分類指標を用いてモデルのパフォーマンスを検証する。
• 警察の展開ニーズに合わせ、個々の犯罪行動ではなく高リスク地域の特定に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは金融犯罪の空間的分布を効果的に予測できるか？
• RQ2 ランダムフォレストモデルの性能は、伝統的手法に比べてホワイトカラー・クリムの予測に優れているか？
• RQ3 予測モデルは、事象が発生する前に金融犯罪の高リスク地域をどの程度特定できるか？
• RQ4 特定の地理的地域における金融犯罪の予測に最も寄与する特徴は何か？
• RQ5 路上犯罪を想定した予測システムは、財務的動機で生じる非物理的犯罪を検出するために適応可能か？

主な発見

• WCCEWSモデルは、統計的に有意な予測精度を示し、金融犯罪の高リスク地域を的確に特定できた。
• ランダムフォレスト分類器は、金融犯罪の空間的パターンを検出する面でベースラインモデルを上回った。
• モデルは高いAUC-ROCスコアを示し、高リスク地域と低リスク地域を信頼性高く区別できた。
• 主な予測特徴には、地域経済状況、金融機関の密度、人口統計指標が含まれた。
• システムは、金融犯罪が均等に分布しているのではなく、検出可能な空間的クラスタリングを示していることを明らかにした。
• 本アプローチは、暴力的または財産的犯罪に限らず、予測警察をホワイトカラー犯罪に意味的に拡張可能であることを裏付けた。