[论文解读] 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 12

一句话总结

本文提出了白领犯罪早期预警系统（WCCEWS），一种基于随机森林分类器的预测模型，用于识别金融犯罪的高风险区域。研究证明，机器学习能够有效预测白领犯罪，填补了传统预测警务主要关注街头犯罪而忽视金融犯罪的空白。

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.

研究动机与目标

• 解决预测警务系统中白领犯罪代表性不足的问题。
• 开发一种数据驱动模型，主动识别金融犯罪的高风险地理区域。
• 通过聚焦于以经济动机驱动、非暴力的犯罪，增强现有预测警务工具。
• 证明利用机器学习预测复杂且隐蔽的金融犯罪模式的可行性。
• 提供一种针对金融犯罪检测独特特征量身定制的新型框架。

提出的方法

• 采用随机森林分类器对金融犯罪事件进行建模与预测。
• 基于按地理位置聚合的历史金融犯罪数据训练模型。
• 引入空间与时间特征，捕捉犯罪分布的区域模式。
• 通过特征工程提取相关预测因子，如经济指标与人口统计数据。
• 使用AUC-ROC与精确率-召回率等标准分类指标验证模型性能。
• 聚焦于识别高风险区域而非个体犯罪行为，与警务部署需求保持一致。

实验结果

研究问题

• RQ1 机器学习模型能否有效预测金融犯罪的空间分布？
• RQ2 随机森林模型在预测白领犯罪方面的性能与传统方法相比如何？
• RQ3 预测模型在犯罪发生前多大程度上能够识别出金融犯罪的高风险区域？
• RQ4 哪些特征在特定地理区域内对金融犯罪最具预测力？
• RQ5 专为街头犯罪设计的预测系统能否被调整以检测以经济动机驱动、非身体暴力的犯罪？

主要发现

• WCCEWS模型成功识别出金融犯罪的高风险区域，预测准确率达到统计显著水平。
• 随机森林分类器在识别金融犯罪空间模式方面优于基线模型。
• 模型展现出优异的AUC-ROC得分，表明其在高风险与低风险区域之间具有可靠的区分能力。
• 关键预测特征包括当地经济状况、金融机构密度以及人口统计指标。
• 系统揭示金融犯罪并非均匀分布，而是表现出可检测的空间聚类特征。
• 该方法验证了预测警务可有意义地拓展至暴力或财产犯罪之外，涵盖白领犯罪。