Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, yabancı uyrukluların suç profillerinin göçle ilişkili ve sosyo-ekonomik etmenlerce şekillendiğine işaret ederek, hedefe yönelik önleme ve uyum politikaları için veri temelli ipuçları sağlar.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, Türkiye’de uyruklar ile suç türleri arasındaki yapısal ilişkileri Bimax ikili kümeleme algoritmasıyla incelemektedir. Resmî 2019–2023 adli kayıtları (yıllara göre değişen uyruk ve suç türü yapıları) ikili forma dönüştürülerek R ortamında analiz edilmiştir. Bimax, uyruklar arasında yıllar boyunca yinelenen birlikte-görülme örüntülerini açığa çıkaran kompakt ikili kümeler belirlemiş; örneğin kasten yaralama, nitelikli hırsızlık ve uyuşturucu bağlantılı suçların birlikte ortaya çıkması gibi yapıları görünür kılmıştır. İş akışı; ikili dönüşüm, satır/sütun alt sınırlarıyla kümeleme ve üyeliklerin ısı haritalarıyla yorumlanması adımlarından oluşur. Yöntemsel olarak çalışma, seyrek ve yüksek boyutlu idari veriler için Bimax’ın açıklanabilir gücünü göstermekte; il düzeyli analizlere alternatif bir çerçeve sunmaktadır. Bulgular, yabancı uyrukluların suç profillerinin göçle ilişkili ve sosyo-ekonomik etmenlerce şekillendiğine işaret ederek, hedefe yönelik önleme ve uyum politikaları için veri temelli ipuçları sağlar. Yaklaşım, farklı eşik değerleri ve algoritma ayarları altında tutarlı sonuçlar üretebilmesi nedeniyle, benzer idari veri setlerine ve farklı bağlamsal analizlere kolaylıkla uyarlanabilir.
Abstract
This study examines structural relations between nationalities and crime types in Türkiye using the Bimax biclustering algorithm. Official judicial records from 2019–2023 (with varying nationality and crime type structures by year) were converted to binary format and analyzed in the R environment. Bimax identified compact biclusters that uncover recurring co-occurrence patterns across nationalities over the years—for example, the joint appearance of assault, qualified theft, and drug-related offenses—and highlight overlaps between groups rather than single-variable frequencies. The workflow comprises data binarization, biclustering with minimum row/column constraints, and heat-map visualization to interpret membership. Methodologically, the paper demonstrates the utility of Bimax for sparse, high-dimensional administrative data, offering an interpretable alternative to province-level analyses. Substantively, the findings provide policy-relevant signals for targeted prevention and integration strategies, indicating that crime profiles among foreign nationals are shaped by migration-related and socio-economic factors. Because the approach can produce consistent results under different threshold values and algorithm settings, it can be easily adapted to similar administrative datasets and different contextual analyses.