[논문 리뷰] Predicting Financial Crime: Augmenting the Predictive Policing Arsenal

Sam Lavigne, Brian Clifton외 1명|arXiv (Cornell University)|2017. 04. 25.

Gambling Behavior and Treatments참고 문헌 3인용 수 12

한 줄 요약

이 논문은 랜덤 포레스트 분류기를 사용하여 금융 범죄의 고위험 지역을 식별하는 예측 모델인 화이트 콜라즈 크림 조기경보 시스템(WCCEWS)을 소개한다. 기계 학습이 복잡하고 숨겨진 금융 범죄 패턴을 효과적으로 예측할 수 있음을 입증하며, 기존에 도시 범죄에 집중해 온 예측 경찰 운영의 핵심적 격차를 메운다.

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.

연구 동기 및 목표

• 예측 경찰 운영 시스템에서 화이트 콜라지 범죄의 부족한 반영을 해결한다.
• 데이터 기반 모델을 개발하여 금융 범죄의 고위험 지리적 지역을 사전에 식별한다.
• 재정적으로 동기를 가진 폭력적이지 않은 범죄에 초점을 맞춘 기존 예측 경찰 도구를 보완한다.
• 기계 학습을 활용해 복잡하고 숨겨진 금융 범죄 패턴을 예측할 수 있음을 입증한다.
• 금융 범죄 탐지의 고유한 특성에 맞게 조정된 새로운 프레임워크를 기여한다.

제안 방법

• 금융 범죄 사건을 모델링하고 예측하기 위해 랜덤 포레스트 분류기를 활용한다.
• 지리적 위치별로 집계된 역사적 금융 범죄 데이터로 모델을 훈련시킨다.
• 범죄 분포의 패턴을 지역적으로 파악하기 위해 공간적 및 시간적 특징을 통합한다.
• 경제 지표 및 인구 통계 데이터와 같은 관련 예측 변수를 추출하기 위해 특징 공학을 적용한다.
• AUC-ROC 및 정밀도-재현율과 같은 표준 분류 지표를 사용해 모델 성능을 검증한다.
• 개인의 범죄 행동이 아닌 고위험 지역을 식별하는 데에 집중하며, 경찰 운영의 요구 사항과 부합한다.

실험 결과

연구 질문

• RQ1 기계 학습 모델은 금융 범죄의 지리적 분포를 효과적으로 예측할 수 있는가?
• RQ2 랜덤 포레스트 모델의 성능은 전통적 방법에 비해 화이트 콜라지 범죄 예측에서 어떻게 비교되는가?
• RQ3 예측 모델이 사건 발생 이전에 금융 범죄의 고위험 지역을 어느 정도 식별할 수 있는가?
• RQ4 특정 지리적 지역에서 금융 범죄를 가장 잘 예측하는 특징는 무엇인가?
• RQ5 도시 범죄를 대상으로 한 예측 시스템은 재정적으로 동기를 가진 신체적 폭력이 아닌 범죄를 탐지하도록 적응시킬 수 있는가?

주요 결과

• WCCEWS 모델은 통계적으로 유의미한 예측 정확도로 금융 범죄의 고위험 지역을 성공적으로 식별한다.
• 랜덤 포레스트 분류기는 금융 범죄의 공간적 패턴을 탐지하는 데 기존 기준 모델보다 뛰어난 성능을 보인다.
• 모델은 강력한 AUC-ROC 스코어를 보이며, 고위험 지역과 저위험 지역을 신뢰성 있게 분류함을 시사한다.
• 주요 예측 특징로는 지역 경제 상황, 금융 기관의 밀도, 인구 통계 지표가 포함된다.
• 시스템은 금융 범죄가 균일하게 분포되어 있지 않으며, 감지 가능한 공간적 군집 패턴을 보임을 드러낸다.
• 예측 경찰 운영이 폭력 범죄나 재산 범죄를 넘어서 화이트 콜라지 범죄까지 의미 있게 확장될 수 있음을 입증한다.