Criminality Analysis in the Czech Republic using Self-Organizing Maps

Abstract

Kriminalita je jeden z nepolevujı́cı́ch společenských problémůna celém světě. K pochopenı́ důvodůke kriminálnı́mu jednánı́je potřeba důkladná analýza jeho možných klı́čových fak- torů. Tato bakalářská práce si klade za cı́l zjistit, zda metoda samoorganizujı́cı́ch se map může pomoci ve vyšetřovánı́ české zločinnosti. Žádná akademická práce se doposud nepo- kusila odhalit možné vzorce v české zločinnosti s použitı́m tohoto druhu umělé neuronové sı́tě. Samoorganizujı́cı́ se mapy představujı́ vizualizačnı́ metodu, která mapuje pozorovánı́ na základě jejich mnohadimenzionálnı́ch znaků do dvoudimenzionálnı́ mřı́žky a zároveň umist'uje podobná pozorovánı́ blı́zko sebe. K analýze byl použit dataset skládajı́cı́ se ze 75 okresů s 18 proměnnými. Vhodná volba parametrů modelu se nicméně ukázala jako určitý problém této metody. Výsledkem modelu je šest skupin okresů, které vykazujı́různé úrovně kriminality a jiných charakteristik. Naše výsledky prokázaly, že samoorganizujı́cı́ se mapy mohou poskytnout zajı́mavý vhled do kriminálnı́ tematiky a společenské vědy mohou profitovat z jejich použitı́ v mnoha oblastech výzkumu. 1

Crime represents one of the most persistent social problems all around the world. To understand the motivation for criminal behaviour, a thorough analysis of its plausible determinants is necessary. This bachelor thesis aims at exploring whether the method of self-organizing maps, a data mining tool, can help in the investigation of the Czech criminal phenomena. To date, no academic study has tried to uncover potential pat- terns in the Czech crime data employing this type of artificial neural network. It is a visualisation method which maps observations based on their multi-dimensional features into a two-dimensional grid, and at the same time, the similarity between observations is preserved by locating similar observations close to each other. For the analysis, the dataset consisting of 75 Czech districts and 18 variables was used. However, the optimal choice of parameters of the model can be seen as a possible limitation of this method. The final outcome of the model consists of six clusters of districts with various levels of crime rates and other characteristics. Our results showed that self-organizing maps can provide an interesting insight into the crime problem, and social sciences can benefit from its application in many research areas. 1