عوامل موثر بر جرم یابی سرقت اینترنتی با استفاده از استنباط بیزی (مورد مطالعه: استان ایلام)

زمینه و هدف: امروزه سرقت‌های اینترنتی در بسیاری از نقاط جهان افزایش یافته‌است. قربانیان این نوع سرقت‌ها فقط کاربران اینترنت نیستند، بلکه شرکت‌ها، سازمان‌ها را نیز شامل می‌شود که با سرقت مبالغ مالی از آنان همراه است. پژوهش حاضر با هدف بررسی عوامل موثر بر جرم یابی سرقت اینترنتی با استفاده از استنباط بیزی مدل توام زمان تا وقوع پیشامد و متغیرهای طولی انجام شد.روش‌: پژوهش حاضر از نظر نوع و هدف کاربردی و از نظر روش و ماهیت توصیفی – تحلیلی از نوع پیمایشی است برای گرداوری اطلاعات استفاده از روش‌های استنباط بیزی مدل توام زمان تا وقوع پیشامد ومتغیرهای طولی موجود به تحلیل و تفسیر نتایج این روشها روی داده‌های مربوط به کلاهبرداری اینترنتی با استفاده از اطلاعات 2808 پرونده کلاهبرداران اینترنتی ثبت شده از فروردین 1390 تا آذر سال 1399 با استفاده از نرم افزارهای آماری spss , r انجام انجام شد. یافته‌‌ها و نتایج: براساس یافته های پژوهش، داده‌ها بر اساس استنباط بیزی مدل توام زمان تا وقوع پیشامد و متغیرهای طولی جهت تعیین عوامل موثر بر زمان تا دستگیری مجرمان سرقت اینترنتی مقایسه گردید. بر اساس یافته های این مطالعه تغییرات مبالغ کلاه‌برداری با مدت زمان دستگیری کلاه‌برداران رابطه معنی‌داری داری دارد در نتیجه، کاهش در طول مدت زمان پیگیری تا دستگیری مجرمان سرقت اینترنتی فوایدی را برای تسریع در جرم یابی پلیس و رفع خطر افراد و سازمان‌هایی که به نحوی در خطر سرقت‌های اینترنتی هستند به ارمغان ‌آورد.

factors influencing the detection of cyber theft using bayesian inference (case study: ilam province)

background and objective :cyber theft has become increasingly prevalent worldwide in recent years. victims of such crimes extend beyond individual internet users to include corporations and organizations that suffer significant financial losses. this study examines factors influencing the detection of cyber theft using bayesian inference through joint modeling of time-to-event and longitudinal variables.method :this applied research employs a descriptive-analytical approach. data collection and analysis utilized bayesian inference methods for joint modeling of time-to-event and longitudinal variables. the study analyzed 2,808 registered cyber theft cases from april 2011 to december 2020 using spss and r statistical software.findings and results :the bayesian joint modeling approach compared factors affecting the time-to-arrest of cyber criminals. key findings reveal a significant correlation between theft amounts and arrest timelines. reducing investigation duration provides substantial benefits, including faster crime detection by law enforcement and enhanced protection for individuals and organizations vulnerable to cyber theft.