De toenemende aandacht voor georganiseerde en ondermijnende criminaliteit en de doorwerking ervan binnen de verschillende geledingen van de maatschappij hebben Arnout de Vries, Selmar Smit en Jerôme Lam ertoe aangezet om te onderzoeken in welke mate het gebruik van technologieën zoals predictive policing, maar ook apps die burgerparticipatie dienen te faciliteren, kunnen bijdragen tot het versterken van een preventieve en proactieve aanpak van deze fenomenen. De auteurs stellen hierbij niet enkel vast dat de nieuwe technologieën kritiek krijgen en dilemma’s opwerpen, maar ook dat het proactief betrekken van burgers evenzeer op kritiek stuit en dilemma’s met zich meebrengt. Desalniettemin bespeuren de auteurs kansen bij het combineren van technologieën en menselijke intelligentie in de aanpak van ondermijnende criminaliteit indien aan een aantal randvoorwaarden kan worden voldaan op het gebied van informatiedeling, verwachtingen en een gedegen voeding van de voorspellingsalgoritmes.

Arnout de Vries is Senior Scientist bij TNO.
Selmar Smit is Senior Scientist bij TNO.
Jerôme Lam is wetenschappelijk onderzoeker aan de afdeling Kennis en Onderzoek van de Politieacademie.

De aanpak van diep gewortelde criminaliteit die de fundamenten van de samenleving systematisch aantast, ook wel aangeduid als ondermijning, vraagt om een aanpak waarin diezelfde samenleving ook heel gericht betrokken wordt. De politie, overheid of welke veiligheidsinstantie dan ook kan dit niet alleen. Het heel gericht benaderen en betrekken van de actoren in deze samenleving, zoals overheden, bedrijfsleven en burgers, is niet alleen noodzakelijk voor een integrale benadering, maar biedt ook innovatieve kansen. Deze kansen liggen onder andere op het  raakvlak van trends zoals predictive policing en apps die gericht ingezet kunnen worden om verdergaande burgerparticipatie te stimuleren. Innovaties met als ambitie om zwakke signalen en vroegtijdige betrokkenheid van de samenleving te verbinden met de kracht van big data analyses. Dit artikel gaat in op de lessen uit deze huidige trends en nodigt uit om zo ook proactiever en preventiever op te treden tegen zwaardere criminaliteit Want voorkomen is nog altijd beter dan genezen.

1. Inleiding

1.1 Ondermijning: onzichtbare en verweven problematiek

In de Nederland wordt de discussie over criminaliteit de laatste jaren voor een groot deel gedomineerd door ondermijning. Gedurende het laatste decennium verschijnt er een aanzienlijk aantal (wetenschappelijke) publicaties die het probleem beschrijven, agenderen en prioriteren. De berichtgeving rondom de ondermijningsproblematiek wordt ook steeds urgenter van toon. Recent onderzoek van de politieacademie berekende bijvoorbeeld dat er in Nederland bijna 19 miljard euro omgaat bij de handel in synthetische drugs (Tops, Valkenhoef, van der Torre, van Spijk, 2018). Een volgend rapport van dezelfde onderzoeksgroep zoomt in op de drugscriminaliteit in Amsterdam, waarin misdaadbestrijders opperen dat de strijd tegen de onderwereld verloren is (Tops
& Tromp, 2019 en Voskuil, 2019).

Ondanks alle recente onderzoeksrapporten en mediaberichtgeving is de onderliggende problematiek echter niet nieuw. Nederland kent een lange geschiedenis op het gebied van onder andere smokkel in de grensstreken. In de jaren ’70 deed de handel in harddrugs zijn intrede in Nederland. De toenmalige handel in heroïne werd de jaren daarop opgevolgd door de handel in cannabis. De recherche ziet met lede ogen hoe er vanaf eind jaren ’70 een ware cannabis-industrie ontstaat (Lam, Van Wal & Kop, 2018). Midden jaren ’80 doet vervolgens de xtc-industrie zijn intrede in Nederland. Hoewel harde cijfers ontbreken, is Nederland inmiddels waarschijnlijk de grootste producent van XTC ter wereld (Tops, et al., 2018).

Rond 2007 komt de term ondermijning op, een directe verwijzing naar de wijze waarop criminaliteit deze fundamenten van de samenleving aantast (Lam et al., 2018). Tegenwoordig wordt het begrip ondermijning bijna als synoniem gebruikt voor de georganiseerde handel en productie van drugs. De term ondermijning verwijst echter niet naar een specifieke vorm van criminaliteit, maar naar respectievelijk een (criminele) activiteit of een effect daarvan (Faber, 2013). In de kern gaat het om alle vormen van criminaliteit waardoor de samenleving wordt aangetast.
Deze aantasting kan door twee mechanismen worden veroorzaakt. Ten eerste doordat criminaliteit sterk verweven raakt met de legale wereld. Bijvoorbeeld door zich te nestelen in het bestuur, het financiële stelsel of sterk gebruik te maken van legale dienstverlening zoals transport of woningverhuur. Ten tweede kan de samenleving worden aangetast doordat criminelen zich kunnen afschermen van de overheid. Hierdoor kan de overheid haar controlerende of toezichthoudende functie niet langer uitoefenen. Hierbij valt te denken aan criminele vrijplaatsen of Outlaw  Motorcycle Gangs (Lam.et al., 2018; Lam & Kop, 2018).

Het is met name het systematische en cumulatieve effect van criminaliteit dat zorgt voor de aantasting van de maatschappij (Politie Amsterdam-Amstelland, 2009; Faber, 2013; Lam & Kop, 2018). Ondermijning vindt plaats op vijf maatschappelijke domeinen, namelijk het financieel-economisch stelsel, de leefomgeving, de ecologische omgeving, moraliteits- en rechtsgevoel. En uiteindelijk op de rechtstaat zelf, zoals wanneer de politie en het openbaar bestuur onder druk komen door corruptie en intimidatie (Lam et al., 2018). Naast de handel in drugs zijn er meer vormen van criminaliteit die als ondermijnend voor de samenleving kunnen worden gezien. Grootschalige fraude, mensenhandel en milieucriminaliteit tasten de samenleving systematisch aan doordat
zij naast het directe leed voor de slachtoffers ook vergaande economische of ecologische gevolgen hebben.

De laatste jaren is de focus van de aanpak meer verschoven van daders en criminaliteitsvormen naar het maatschappelijke effect van zowel criminaliteit als aanpak. Het besef is gegroeid dat er naast een strafrechtelijk probleem ook sprake is van een breder maatschappelijk probleem. Waar vroeger de aanpak vooral een taak was voor gespecialiseerde rechercheteams, is er nu sprake van een meer integrale benadering. De politie kan niet alles alleen, bijvoorbeeld vanwege de beperkte opsporingscapaciteit. Daarnaast is de aanpak effectiever samen met partners. Hierdoor wordt de informatiepositie versterkt, kunnen onder andere fiscale of bestuurlijke interventies worden gedaan en kunnen preventieve barrières worden opgeworpen. Strafrecht is een belangrijk, maar niet het enige wapen. Daarom wordt intensief samengewerkt met onder andere gemeenten en  belastingdienst. Maar ook met niet-overheidspartijen, zoals woningbouwverenigingen. De Regionale Expertise en Informatie Centra (RIEC’s) hebben een belangrijke aanjagende en verbindende functie binnen deze integrale aanpak (Lam et al., 2018).

1.2 Nieuwe ontwikkelingen, nieuwe kansen

Ondanks de toenemende inspanningen van de overheid de laatste jaren blijft ondermijning een hardnekkig probleem. Voor een groot deel heeft dit te maken met de ondermijningsparadox: hoewel ondermijning uiteindelijk iedereen raakt, lijken er geen directe slachtoffers te zijn. Daardoor blijven de effecten van ondermijning onderschat en raken verschillende vormen van criminaliteit genormaliseerd. Het gebruik van XTC op een festival wordt door een groot deel van de bevolking normaal gevonden. En er zijn talloze wijken in Nederland waar hennepteelt een publiek geheim is. Het gevolg is onder andere een lage meldingsbereidheid. Bovendien blijft ondermijning door zijn belangrijkste kenmerken, verwevenheid en afscherming, vaak onzichtbaar.

Dit artikel gaat in op innovaties en trends die kansen bieden om het onzichtbare zichtbaar te maken. Hiervoor worden twee trends op het gebied van veiligheid onder de loep genomen, namelijk predictive policing en burgerparticipatie. Predictive policing maakt het mogelijk om op basis van veel kleine datapunten richting te geven aan een informatievraagstuk, zoals ondermijning. Niet alleen kan door middel van artificial intelligence een beeld worden opgebouwd, ook kan deze richting geven aan het handelen van overheid en burgers. De toenemende rol van technologie gaat hand in hand met een tweede trend op het gebied van veiligheid, namelijk die van de participerende burgers. Onder andere door de opkomst van internet en smartphones zijn burgers steeds beter in staat te worden om informatie te vinden en te delen. Het gevolg is dat burgers de laatste jaren gevraagd en ongevraagd een steeds grotere rol zijn gaan spelen op het gebied van veiligheid. Burgers melden en signaleren via WhatsApp-buurtgroepen, zoeken gestolen goederen op online marktplaatsen en onderzoeken zelfs oorlogsmisdaden in Syrië op basis van open source intelligence. En het is juist van deze signalen van burgers waar de overheid grotendeels afhankelijk is om ondermijning zichtbaar te maken.

Voorspellen van veilige routes
Pizzakoeriers moeten vaak ’s avonds laat maaltijden bezorgen en zijn kwetsbaar op hun scooters. Ze schijnen hun routes dusdanig te kiezen dat ze onveilige plekken mijden. Dit menselijke gedrag wordt steeds vaker door computers benut. Er zijn al apps, zoals Safe And the City in Londen of Red Zone Map uit de VS, waarin eindgebruikers worden gewaarschuwd door informatie van historische incidenten en waarmee ze zelf ook gevaarlijke plekken kunnen aanmerken, bijvoorbeeld plaatsen waar ze zijn lastig gevallen. De apps bieden een routenavigatiesysteem dat slim
onveilige plekken vermijdt. Ze gebruiken voorspellingen op basis van gedeelde informatie uit het verleden om de meest veilige route te berekenen en te tonen aan bestuurders.

2. Predictive policing

Al enige tijd zijn er veel mooie verhalen over predictive policing, oftewel politiewerk aan de hand van voorspellingen. Net zoals het voorspellen van beurskoersen een complexe aangelegenheid is, is dat ook met criminaliteit het geval. Maar de politie heeft inmiddels een goudmijn aan gegevens (big data) over misdaden uit het verleden tot haar beschikking. Door hier een diepe analyse op los te laten is de hoop dat de politie straks in combinatie met verfijnde algoritmen toekomstige misdaden kan voorspellen. Computermodellen dus, op basis van misdaadgegevens. Er lonken toepassingen op allerlei criminaliteitsvormen: van eenvoudig zakkenrollen tot complexere fenomenen als ondermijning. Maar werkt het nu echt en hoe dan precies? En is het alleen een
exclusief speeltje van politie, of is er meer mogelijk?

2.1 Hot of hype?
Tijd om de mythes te doorbreken en de diverse oplossingen die er zijn eens op een rijtje te zetten. Ook geven we iets meer theoretische achtergrond, want voor een deel is het oude wijn in nieuwe zakken.

Door de huidige ontwikkelingen neemt predictive policing een enorme vlucht, ook bij de Nederlandse politie die sinds de vorming van de Nationale Politie in 2013 nu landelijk betere beschikbaarheid heeft over alle databronnen. Maar ook de complexere ‘Big Data’- ontwikkelingen waarin nieuwe databronnen gebruikt kunnen worden, gecombineerd met verbeterde analysecapaciteiten, visualisatietools en krachtigere smartphones op straat, maken dat predictive policing echt ‘hot’ is. Steeds meer toepassingen zijn denkbaar: van preventie tot handhaving en opsporing waarin door het huidige economische klimaat slimmer gewerkt moet worden (meer met minder). Rechercheren verandert in prechercheren. Het heeft de belofte van proactief zijn, in plaats van achter de feiten aan te lopen, zeker in een organisatie die toch al vooral een informatie organisatie is geworden. De vraag is, lossen de huidige oplossingen die belofte ook in? En hoeveel
verschillen ze van elkaar? Sommige softwarepakketten kosten namelijk tonnen aan licentiekosten, anderen worden in-house ontwikkeld, en weer anderen worden op een zolderkamertje gebouwd en open-source op het internet gezet.

2.2 Theorie
Als we weten hoe criminelen denken en doen, dan kunnen we misschien ook voorspellen waar ze gaan toeslaan. En in een vakgebied wat al jaren bestaat, zoals dat van criminologie, is er aan dergelijke theorieën geen gebrek. De ratio, die ook bij criminelen aanwezig is, in combinatie met gelegenheid maakt dat er al snel patronen ontstaan. Zo zegt de immens populaire routine activity theory dat de kans op criminaliteit toeneemt wanneer een gemotiveerde dader, een aantrekkelijk doelwit en een gebrek aan toezicht in tijd en plaats samenkomen (Cohen & Felson, 1979). Kortom, zolang er geen grote volksverhuizingen zijn en de gelegenheid niet afneemt, zullen steeds dezelfde gebieden worden getroffen.

De rational choice theory zegt daarentegen juist dat criminelen op zoek zullen gaan naar die locatie waar de afweging tussen risico (pakkans) en buit zo gunstig mogelijk is (Cornish & Clarke, 1987).

De crime pattern theory ten slotte is een derde populaire theorie over crimineel gedrag, die zegt dat criminelen bepaalde plaatsen hebben die voor hen bekend of vertrouwd zijn, zogeheten nodes of anchor points (Brantingham & Brangtingham, 1981). Gevolg: 1) criminelen altijd zullen toeslaan in een buurt die ze kennen; vlak bij huis/werk/ sportschool, of op de weg daarnaartoe; en 2) criminelen zullen nooit te dicht bij hun eigen huis toeslaan.

Naast deze drie basistheorieën bestaat er nog een vierde belangrijke, de zogenaamde blended theory, die, zoals de naam al zegt, hun combinatie is (Perry, McInnis, Pice,
Smith & Hollywood, 2013). Volgens deze benadering zal een crimineel toeslaan op een locatie (routine activity theory) langs zijn activiteiten-routes, maar niet te dicht bij huis (crime pattern theory) daar waar de afweging tussen buit en pakkans positief is (rational crime theory).

2.3 Implementatie
In de praktijk worden deze theorieën vaak overboord gegooid en wordt voornamelijk gekeken naar near repeats. Een methode die ervan uitgaat dat er in de buurt van een incident vaak nog een tweede, derde, etc. incident zal volgen. Hoewel dat niet lijkt op de drie eerdere theorieën, zal, zolang de pakkans, buit en activiteiten van criminelen niet veranderen, het effect hetzelfde zijn. Want daar waar al een keer een incident is geweest, was blijkbaar de afweging tussen buit en pakkans positief, en was er blijkbaar ook een crimineel aanwezig. Zolang er niets verandert, zal er dus (volgens de drie theorieën) zich nog een tweede, derde, etc. incident zich in de buurt gaan voordoen.

In bijna alle huidige oplossingen (o.a. Predpol, Daily Crime Forecast, HunchLab, PreCobs en het Nederlandse Criminaliteits Anticipatie Systeem) wordt voor deze versimpelde weg gekozen. Vaak wordt er naast dit trekken van cirkels rond incidenten ook nog gekeken naar tijdsaspecten (spatiotemporele analyse), zowel naar trends zoals verplaatsingen, als naar seizoen, weekdag, of zelfs het specifieke tijdstip. Zo is er al jaren een duidelijke piek van inbraken rond kerst, is een werkdag populairder voor het dievengilde dan een weekend, en is het aantal inbraken rond 08:00 uur ’s ochtends minimaal. Door dit soort aspecten mee te nemen, kun je dus ook inbouwen dat de pakkans, buit of activiteiten van criminelen (uit de basistheorieën) veranderen gedurende het jaar/maand/dag/uur.

Voeg bij die tijdaspecten ook nog andere kenmerken zoals omgevingsfactoren (demografie etc.) en weersvoorspellingen (een regressie-analyse/ data-mining), en afstanden tot vluchtwegen (aantrekkende werking) en politiebureaus (afstotende werking) en je krijgt een complexe formule met tientallen parameters die zo goed mogelijk moeten worden bepaald uit de historische data. Het bepalen van hoe zwaar elk van de parameters wordt meegenomen in de formule, wordt veelal gedaan met behulp van zelflerende algoritmes. Een zelflerend algoritme is een geavanceerd computerprogramma dat in staat is om zelf te bedenken wat een goede oplossing is. Het probeert op een slimme manier een heleboel verschillende oplossingen uit, waarbij het steeds controleert hoe goed de oplossing is, en op basis daarvan een nieuwe oplossing kiest om opnieuw te proberen. Dit proces blijft zich herhalen tot het niet meer beter kan. Hoewel het algoritme dus niet precies weet welke waarden correct zijn, zal het een patroon ontdekken door verschillende dingen te proberen en conclusies te trekken uit de ‘juistheid’. Dan blijkt onder welke omstandigheden (dat wil zeggen: bij welke van de aanwezige objecten) een hoge voorspelling gepast is.

Hoewel het bepalen van de juiste waarde voor al die parameters nog een hele klus is, is een dergelijk voorspelmodel is dus niet echt rocket science. Toch levert het al behoorlijk goede voorspellingen op en dat is dan ook de reden dat vrijwel alle oplossingen in de praktijk ook (in meer of minder mate) kiezen voor deze aanpak. Een effectief model is echter meer dan alleen correct, het moet tot directe actie kunnen leiden. Voorspellen dat er vandaag een inbraak zal zijn in Amsterdam zal altijd correct zijn. Net zoals een voorspelling dat er binnen 10 jaar een inbraak zal plaatsvinden op de Pythagorasstraat. In beide gevallen biedt het niet voldoende handvatten, de vraag is dus hoe effectief dergelijke systemen in praktijk zijn.

2.4 Praktijk

2.4.1 Criminaliteits Anticipatie Systeem en meer…

Een landelijk virtueel raster met vakken van 125 bij 125 meter. Per vlak worden meldingen van bijvoorbeeld inbraken en roofovervallen bijgehouden. Dat is, in het kort,de gedachte achter CAS, het Criminaliteits Anticipatie Systeem.

De agenten gaan nog steeds op pad, maar gerichter. CAS geeft aan waar en wanneer het risico op een misdaad groot is, maar schrijft niet voor wat de agenten moeten doen. Stuur je er extra agenten naartoe, rij je een extra rondje, of plaats je een waarschuwing op Facebook? De leidinggevende bepaalde altijd al waar de agenten naartoe gaan, maar die beslissing is nu deels gebaseerd op de risicobepaling van CAS. In samenwerking met de Universiteit Twente is zelfs informatiegestuurde luchtsteun opgezet: politiehelikopters vliegen preventief naar plekken waar high impact crime als overvallen en inbraken verwacht wordt.

“Het gaat om zichtbaar zijn en contact met burgers maken “in the box”. Dat is waar agenten hun professionaliteit, kennis en expertise kwijt kunnen.” –  (Fons van Gessel, beleidsadviseur, Directoraat-Generaal Politie, ministerie van Justitie en Veiligheid)

De ontwikkeling van dit soort systemen is vooral ingezet door het (commerciële) succes van PredPol, het systeem dat in 2008 bij de politie van Los Angeles is ontwikkeld. Topchef Bill Bratton en Jeff Brantingham van de universiteit UCLA hadden het idee om de algoritmes die aardbevingen konden voorspellen op basis van het verleden toe te passen op oude misdaadstatistieken. Het bleek, zeker commercieel gezien, een gouden greep. Waar voorheen intelligence gestuurde politie (ook wel Intelligence-Led Policing) nog bleef steken bij het maken van hotspotkaartjes, kon men nu ineens veel meer dan alleen een lijntje in een grafiek doortrekken. Een veelvoud aan invloedsfactoren (zoals variaties in criminaliteitstypen, plaatsen en tijden) kon ineens worden meegewogen en
de voorspellingen leken beter te zijn. Het kon, volgens eigen cijfers, al snel anderhalf tot twee keer beter risicogebieden inschatten dan politieanalisten deden. En niet met complexe hoeveelheden data waar analisten en agenten zich doorheen moeten werken, maar alle complexiteit van de oplossing werd teruggebracht tot eenvoudige blokjes op een kaart. Een ontwikkeling die mogelijk ook kan aansluiten bij de wensen van burgers. Ook zij willen weten hoe het zit in hun buurt en misdaadkaarten op maat inzien op het web of in een app, zodat ook zij kunnen meedenken en meedoen. Want niemand wil criminaliteit in de eigen straat.

Het is niet alleen het voorspellen van inbraken op een kaart, maar in principe kan elk soort criminaliteit worden voorspeld op locatie, tijd of doelwit. Hoe betrouwbaar die voorspelling is, verschilt natuurlijk van delict tot delict. Een crime passionele zal, in tegenstelling tot de belofte uit de film Minority Report, waarschijnlijk niet met een goede betrouwbaarheid te voorspellen zijn, maar andere soorten risico’s en delicten wel. Prokid, een signaleringsinstrument dat in 2013 landelijk werd ingevoerd, voorspelt van kinderen tot twaalf jaar wie de grootste kans maakt op te groeien tot delinquent. Risicotaxatie-instrument RTI-Geweld schat van elke persoon die bij de politie bekend is (bijvoorbeeld vanwege betrokkenheid bij een incident) hoe groot de kans is op toekomstig
geweld. ‘Bepaalde vroeger het aantal delicten dat iemand had gepleegd of hij boven aan de lijst kwam’, schrijft politiemedewerker Remco van der Hoorn in het boek van Rutger Rienks, ‘nu is dat het feit of hij het grootste risico laat zien in de toekomst weer over de schreef te gaan.’ (Rienks, 2015).

QUIN

De QUIN-software (Question & Investigate) is vergelijkbaar met het personage Mr. Quin uit de Agatha Christie-boeken, een mystiek individu dat komt en gaat en de hoofdinspecteur in het oor fluistert: “Heb je daar wel aan gedacht?” Een systeem dat gebaseerd is op het feit dat je een misdaad maar op een aantal manieren kunt begaan. Elke misdaad lijkt op een andere misdaad. Dat  maakt dat je kunt inschatten wat een verdachte mogelijk gaat doen. QUIN kan analisten helpen om beschikbare data te verwerken en volgende stappen van verdachten te voorspellen. Zo werd
QUIN onder andere gedemonstreerd in het televisieprogramma ‘Hunted’ waarin voortvluchtigen getraceerd werden.

Op basis van gegevens die bekend zijn van een huidige casus en dezelfde informatie van oude zaken, kan QUIN voorspellingen doen. Denk aan persoonsgegevens, aan de casus gerelateerde gebeurtenissen zoals tijdstippen, locaties en vervoersmiddelen, en woonplaatsen van familie en vrienden. QUIN berekent de afstanden tussen twee casussen, het model vergelijkt verschillende zaken die op elkaar lijken. En kan aan de hand daarvan voorspellingen doen over waar een verdachte zich bevindt of zal gaan slapen. QUIN kan bijvoorbeeld uitspraken doen over of een verdachte waarschijnlijk in een hotel, bij vrienden of ergens anders zal gaan slapen en inschatten hoe groot de kans is dat diegene nog op een al bekende plek zit. Tijdens de opnames van het nieuwe seizoen is gebleken dat QUIN een aantal keer goede voorspellingen heeft gedaan. De tool lijkt dus echt te werken en lijkt de stap te kunnen zetten van ruwe data naar voorspellingen.

Dit is de opmaat naar een fundamenteel andere werkwijze in het veld van data-analyse en predictie. Uiteraard roept dit ook vragen op. Maak je criminelen dan bijvoorbeeld niet onnodig wijzer? Dit vormt waarschijnlijk geen belemmering. Ze kunnen hooguit hun gedrag gaan aanpassen, maar dan wordt het gedrag onnatuurlijk, gaan ze fouten maken én zullen ze juist eerder gepakt kunnen worden.

2.5 Meer dan een voorspelling

En voorspellen is nog maar een klein deel van het hele verhaal, want het handelen op basis van goede voorspellingen is waar de crux zit (Mali, Bronkhorst-Giesen & den Hengst 2017). Want een algoritme doet niet meer dan het uitrekenen van de kans op een delict. Het vangt dus geen boeven, het vertelt zelfs niet wat je er aan kan doen. Stel dat er een groter risico op inbraken in een bepaald postcodegebied, ga je daar staan posten? En als er niet gebeurt, wat dan? Moet je nog langer wachten? En hoeveel langer dan?  ijf minuten? Tien minuten? Waar moet je op letten? En wat moet je eigenlijk doen?

Als je antwoord op dit soort vragen zou kunnen geven, dan haal je waarschijnlijk nog meer rendement uit de voorspellingen. Waar predictive policing je vertelt wat er kan gebeuren als je niets doet (dan zal in dit vakje waarschijnlijk een incident plaatsvinden), is het veel effectiever om te vertellen wat je zou moeten doen om het incident te voorkomen (Smit, de Vries, Kleij & Van Vliet, 2016). Wat is het effect als je hier vijf minuten rondrijdt? En wat als je daar langer blijft?

En als de kans op een heterdaad maar klein is, welke (tijdelijke) preventieve maatregelen kun je dan nemen? Ga je mobiel cameratoezicht plaatsen als een vakje bijna altijd rood is of ga je meer verlichting aanbrengen? Evidence-based policing kan en zal een deel van het antwoord zijn. Big data helpt bij het beantwoorden van de vraag: wat werkt waar en wanneer? Want immers: meten is weten.

Slimme, effectieve en proactieve aanpak tegen misdaad is duidelijk beter dan achter criminelen aanhollen. Predictive policing, tezamen met de ontwikkelingen op het gebied van Big Data, is daarom een enorme vlucht aan het nemen. Maar ondanks deze ontwikkelingen moet het verschil uiteindelijk op straat gemaakt worden: door agenten en burgers die met deze uiterst relevante informatie op de juiste tijden en plaatsen iets slims kunnen doen.

2.6 Risico’s en kritiek

Er zijn bij het maken van predictive policing nog een heel aantal aandachtspunten, zoals op het gebied van privacy, transparantie en rechtmatigheid. Allereerst is het van belang om te bekijken wat de toepassing van de analytische software betekent voor de privacy van individuele burgers. De Nederlandse politie kreeg in oktober van 2015 een Big Brother Award uitgereikt vanwege haar activiteiten rondom predictive policing. Met de prijs zet privacy-voorvechter Bits of Freedom jaarlijks ‘de grofste privacy-schenders’ in de schijnwerpers. Uit het juryrapport: “De politie van de toekomst houdt iedere burger non-stop en nauwlettend in de gaten. Daar zijn ze nu al mee begonnen.” Is er een gevaar dat de politie (of andere partijen) straks allerlei mensen gaat aanpakken,
omdat dat moest van de algoritmen? Straks worden we door Facebook bij de politie aangegeven voordat we ook maar iets hebben gedaan. Of een privédetective koopt onze data. Of mensen worden op grond van de Nederlandse versie van PredPol staande gehouden, terwijl ze totaal onschuldig met een gereedschapskist door een buurt lopen waar statistisch op dat moment veel wordt ingebroken. Dan heb je als burger ineens veel uit te leggen.

“Juridisch kunnen we er moeilijk mee omgaan dat er achter iedere burger een waarschijnlijkheidspercentage of getal staat.” – Rutger Rienks, voormalig politiemedewerker

Of het zo ver komt, is natuurlijk maar de vraag, rechters zullen niet accepteren dat acties worden ondernomen ‘omdat de computer dat zegt’, en de professionaliteit van agenten zal het klakkeloos overnemen van voorspellingen ook tegengaan. Daarentegen zijn mensen vaak intrinsiek lui, en verleren wij snel die dingen die een computer voor ons overneemt. Transparantie van zowel proces als algoritme is daarom in deze gevallen vereist, zodat beslissingen, zoals preventief ingrijpen, te verantwoorden zijn. Algoritmen die tot een advies leiden zullen niet altijd even doorgrondelijk zijn. Bovendien geven voorspellingen vaak een probabiliteit aan. Het zijn dus geen harde, feitelijke waarheden, ook al zullen ze in een groot deel van de gevallen juist zijn. Juist daarom is het van belang
om de systemen als hulpmiddel te gebruiken om efficiënter en gerichter te kunnen werken. Een verkeerd advies over welke serie te kijken is namelijk van een hele andere orde dan met een arrestatieteam de verkeerde woning instappen. De systemen mogen nooit leidend zijn, dat is de kennis en kunde van de ervaren politieagent. Rutger Rienks voormalig politiemedewerker gaf het volgende praktijkvoorbeeld, dat deze potentiële risico’s goed weergeeft (Rienks, 2015):

Herken de drugsrunner
In 2011 is in Driebergen een systeem ontwikkeld dat op vergelijkbare wijze drugsrunners kon detecteren die heroïne over de weg vervoerden (Schakel et al., 2012). Het systeem kon op basis van een tweetal waarnemingen een drugsrunner onderkennen. Enerzijds aan het bewegingspatroon van een voertuig dat op en neer reed tussen twee steden binnen een bepaald (kort) tijdsbestek. Anderzijds aan het feit dat het waargenomen voertuig eerder in verband was gebracht met drugsgerelateerde feiten. Meerdere camera’s konden langs een route voertuigen herkennen met behulp van een referentiebestand met voertuigen die met drugs in aanraking waren geweest. Dit ging op eenzelfde wijze als de herkenning van een gestolen voertuig. Zo reikte het systeem ons op een presenteerblaadje aan welke voertuigen ‘controlewaardig’ waren.

Door de controleploeg te richten op de door het systeem aangewezen voertuigen ging het aantal gevonden grammen heroïne per gecontroleerd voertuig omhoog van 5 naar 1027 gram. Bovendien was de afhandelcapaciteit vele malen kleiner. Metingen hadden van tevoren aangegeven hoeveel voertuigen de politie gemiddeld op een avond kon verwachten. Hierop werd de capaciteit ingericht. Ook hier ging niet alles goed. Een dame, die in haar nieuwe tweedehands auto met een klein poedelhondje een spuitje haalde bij een dokter, werd door het systeem aangewezen als drugsrunner.
Aangezien de politie de voertuigen niet heel vriendelijk tot stoppen maande, was in dit geval een bosje bloemen achteraf gerechtvaardigd.

Wat als in predictive policing ook real-time data, zoals camerabeelden of sociale media, worden gebruikt? Dit impliceert namelijk dat in meer of mindere mate bewegingen van individuen of groepen gevolgd of in kaart gebracht kunnen worden. Indien gegevens herleidbaar zijn tot individuele personen, is er sprake van persoonsgegevens en is de dataprotectiewetgeving van toepassing. Vanuit een breder perspectief zou een analyse op grond van artikel 8 EVRM aangaande het recht op eerbiediging van de persoonlijke levenssfeer van belang zijn. Ook al gaat het om de publieke ruimte, dan nog is de bewegingsvrijheid van het individu een recht dat door dit artikel beschermd wordt, omdat er ook de vrijheid is om jezelf vrij te bewegen. Een inbreuk op het recht op privacy is wel toegestaan, maar in die gevallen moet er een wettelijke basis voor bestaan en dient tevens aan proportionaliteit en subsidiariteit te zijn voldaan. Die toets is niet altijd eenvoudig.
In het bijzonder wanneer, zoals in dit overzicht aangegeven, het causale verband tussen predictive policing en een daling van criminaliteit niet altijd eenduidig vast te stellen is.

Daarnaast moet de rechtmatigheid van de systemen bekeken worden. Welke waarborgen worden ingebouwd in het systeem of in de organisatie die een systeem gebruikt om te zorgen dat er geen vergissingen worden gemaakt? En in het geval dat er toch iets misgaat, hoe wordt dat dan opgelost? De voorspellingen zijn gebaseerd op patronen, en wanneer het om specifieke groepen of personen gaat, om profielen. Die profielen zijn ook gemiddelden en geen harde waarheden. Het gevolg kan echter wel zijn dat mensen doordat ze aan een profiel voldoen of daarbij worden ingedeeld een ‘stempel’ krijgen en verdacht zijn. Of op zijn minst extra aandacht krijgen. Dergelijke extra aandacht kan op zichzelf al schadelijk zijn. ‘Daar waar rook is, is vuur’ is in sommige gevallen al genoeg reden om uitgestoten te worden door de omgeving, en voor je het weet geef je iemand het beslissende zetje de negatieve (criminele) spiraal in. Paradoxaal genoeg krijgt het
algoritme dan gelijk, niet omdat de voorspelling daadwerkelijk juist was, maar omdat er wat met de onjuiste voorspelling is gedaan. Een zogeheten self-fulfilling prophecy.

Een gelijkend risico treedt op als dit soort systemen gevoed worden door zogenaamde ‘dirty data’. Denk bijvoorbeeld aan een systeem dat voorspelt waar drugdealers gevonden kunnen worden. De gegevens die worden gebruikt zijn data van aanhoudingen en hoewel dat een mooie objectieve bron lijkt is dat niet zo. Aanhoudingen zullen alleen plaatsvinden in gebieden waar politie aanwezig is, dus van een postcodegebied waar de politie veel aanwezig is, zullen ook veel aanhoudingen zijn. Van een postcodegebied waar geen politie aanwezig is, zullen er ook geen aanhoudingen volgen, terwijl er in principe in beide gebieden evenveel dealers aanwezig zouden kunnen zijn. Nog erger, door het voorspelalgoritme zal er zelfs nog meer aandacht komen voor het eerste gebied; en opnieuw heeft het systeem zijn eigen waarheid gecreëerd.

Voor elk van de benoemde risico’s zijn oplossingen te verzinnen. Sommige zullen technisch van aard zijn (bijvoorbeeld het geautomatiseerd compenseren voor eventuele menselijke vooroordelen), anderen sociaal (bijvoorbeeld extra training en coaching op het gebruik), of iets daartussenin. Zo had het systeem voor het detecteren van drugrunners zonder problemen uitgebreid kunnen worden met zo nu en dan een (blinde) willekeurige steekproef. De beambten hadden dan niet geweten of de melding een echte detectie betrof, of een steekproef, en hadden waarschijnlijk een keer extra gekeken naar wie er achter het stuur zat.

2.7 Predictive policing en ondermijning

Voor het voorspellen van ondermijnende criminaliteit of fenomenen die met ondermijning te maken hebben, is al het nodige onderzoek uitgevoerd. Zo heeft The New Inquiry een website (en app) gepresenteerd waarbij niet de gebruikelijke criminaliteit zoals straatroven en inbraken worden voorspeld, maar juist de onzichtbare ‘white collar crime’ zoals fraude, handel met voorkennis, maar ook leeftijdsdiscriminatie. Hiervoor gebruiken ze precies dezelfde technologieën als CAS en PredPol. Hoewel voornamelijk opgezet als activistische boodschap tegen traditionele predictive policing, laat de voorspelde hoeveelheid criminaliteit (volgens de makers met een 90% betrouwbaarheid) zien hoe groot het probleem van de onzichtbare criminaliteit is.

Dichter bij de meer typische ondermijning-problematiek ligt het onderzoek van (Burnum & Lu, 2008). Op basis van geografische analyse en historische data hebben zij een aanpak ontwikkeld waarmee de locaties van meth-labs (voornamelijk van het productietype ‘shake-and-bake’) konden worden voorspeld. Speciaal daaraan was dat de voorspelling niet enkel aangaf of een bepaalde locatie een lab zou bevatten, maar ook de ‘aantrekkelijkheid’ van de locatie en waargenomen trends en verschuivingen. Daarmee bied het niet enkel de mogelijkheid om tot ‘heterdaadjes’ over te gaan, maar juist ook preventief handelen.

In Nederland hebben zowel de gemeente Tilburg, als het RIEC Rotterdam onderzoek laten uitvoeren naar de mogelijkheid tot het voorspellen van (hotspots van) ondermijning. Het in Tilburg uitgevoerde onderzoek (Bolsius, Höcük, Prüfer & Kolthoff, 2018) gebruikt een 15-tal indicatoren om van een bedrijfsterrein te bepalen of deze valt binnen het hoge of lage risicoprofiel. Bouwjaar, het aantal hoge capaciteit aansluitingen, de WOZ-waarde, bedrijfsgrootte, en historische informatie bleken daarbij allemaal een bepaalde voorspellende waarde te hebben. De vraag is vooral, wat te doen met dergelijke informatie? Wie kan er, op welke wijze, een bijdrage leveren om de ondermijnende criminaliteit die plaatsvindt op een dergelijk bedrijfsterrein terug te dringen?

3. Burgerparticipatie

Veiligheid is niet een exclusieve taak van politie of overheid. Ook private organisaties en burgers spelen hierin een belangrijke rol. Participerende burgers en bedrijven worden steeds belangrijker als de overheid zich terugtrekt of met schaarste kampt. Vormen van burgerparticipatie zijn niet nieuw. Wat wel nieuw is, is dat door de technologische ontwikkelingen het aantal mogelijkheden een vlucht heeft genomen. Burgerparticipatie draagt bij aan veiligheid: burgers worden alerter, voelen zich veiliger, het vertrouwen van burgers in de politie kan worden vergroot, en heterdaadkracht is grotendeels afhankelijk van de inbreng van burgers. Verschillende praktijkvoorbeelden laten zien dat burgerparticipatie op diverse fronten nu al resultaat oplevert (Cornelissens & Ferwerda, 2010), zoals de zoektocht naar Anne Faber waarbij de jas door burgerzoekteams die samenwerkten met de familie is gevonden en dit de sleutel tot de zaak was (Lam & Kop, 2020).

Burgers zijn de laatste jaren gevraagd en ongevraagd een steeds grotere rol zijn gaan spelen op het gebied van veiligheid. Burgers melden en signaleren via moderne sociale media kanalen in hun buurt, middels apps of op internet en het is juist van deze signalen van burgers dat de overheid grotendeels afhankelijk is om ondermijning zichtbaar te maken.

Ondermijning kent relatief weinig geregistreerde slachtoffers, en burgers lijken in hun normale leven niet veel last te ondervinden van ondermijnende activiteiten, waardoor meldingsbereidheid laag ligt. Maar wat nu als burgers op de hoogte zijn van de mogelijke dreigingen en risico’s, en liefst in een fase waarin ze het verschil kunnen maken?

Er is in Nederland de afgelopen jaren een sterke groei geweest in duizenden buurten waarin bewoners elkaar op de hoogte houden van verdachte omstandigheden met een Whatsapp-groep. En het lijkt effect te hebben: in Tilburg daalde het aantal inbraken met minstens 50% (Akkermans, & Vollaard, 2015). Als zo’n simpele interventie al zorgt voor 50%, wat doet een op maat gemaakte interventie dan wel niet? En hoe is deze vorm van burgerparticipatie toepasbaar op andere criminele activiteiten? De gedeelde informatie onder burgers heeft in potentie grote impact op de effectiviteit van de aanpak. Niet alleen biedt dit handvatten en handelingsperspectief, maar het kan ook helpen om inzet en interventies te evalueren. Pas dan zal kunnen blijken wat beter werkt: meer controleren en bonnen schrijven of elkaar aanspreken op gedrag.

3.1 Hot of hype?

De politie maakt steeds meer gebruik van de capaciteit, kennis en kunde van burgers. Zelfs in de opsporing van criminaliteit. In de zomer van 2019 is een app gelanceerd waarmee burgers zelf onderzoek kunnen doen als zij slachtoffer zijn geworden van een misdrijf of iets vermoeden. Technologische ontwikkelingen zorgen ervoor dat mensen steeds beter in staat zijn om zelf onderzoekshandelingen te verrichten en met deze app “Mijn onderzoek” proberen politie en justitie op die beweging in te spelen en burgers te faciliteren. Met de app leggen ze – afhankelijk van het misdrijf – de locatie, zichtbare sporen, het mogelijke motief, getuigenverklaringen en gestolen goederen vast. Een andere mogelijkheid is het samenstellen van een compositiefoto van een verdachte. Veel mensen vinden het moeilijk om de juiste ogen, oren of neus op een gezicht te plakken. Daarom bevat de app een trainingsspel, waarmee gezichten van bekende personen ‘bij
elkaar geklikt’ moeten worden. Is het dossier met aanwijzingen compleet? Dan deelt die burger eenvoudig via diverse sociale mediakanalen of e-mail een getuige oproep, en stuurt het complete dossier naar de politie zodat die actie kan ondernemen. Vervolgens wisselen de burger en politie updates uit via de app.

“Vooral technologische ontwikkelingen zorgen ervoor dat mensen steeds beter in staat zijn om zelf onderzoekshandelingen te verrichten. Met de app ‘Mijn onderzoek’ proberen we op die beweging in te spelen en mensen te faciliteren.”  – Oscar Dros, portefeuillehouder burgerparticipatie, politiechef Eenheid Oost-Nederland.

Maar wat als misdaadanalyses in deze dossiers al door software gedaan kunnen worden? Wat als algoritmes de aanwijzingen in het dossier aan elkaar kunnen knopen en mogelijke scenario’s kunnen schetsen? Een foto of schets van een gezicht kan misschien al online gezocht worden. Open source speurwerk dat nu handmatig door burgeronderzoekers zoals Bellingcat wordt gedaan (Bellingcat is een burgerjournalistiek netwerk dat onderzoek doet op basis van open bronnen. De organisatie werd onder andere bekend door haar onderzoek naar de MH17-ramp). Wat als burgers gericht kunnen opletten op basis van slimme software?

Sarea: Samen zoeken met een algoritme als gids
De politie experimenteert sinds kort met diverse apps om burgers actief te laten meezoeken of onderzoek te plegen na een misdrijf. Zo is er de app Sarea waarmee burgers zelf een zoekactie kunnen opzetten naar een vermist persoon. Een slim algoritme berekent op basis van een aantal kenmerken een zoekgebied waarin de vermiste persoon zich kan begeven. Want buurtonderzoek kost veel tijd en mankracht. En wie kun je nu het beste om hulp vragen en waar kun je het beste zoeken? Jaarlijks worden meer dan 40.000 mensen als vermist opgegeven. Gelukkig zijn 70%
van de personen binnen 24 uur teruggevonden. In sommige gevallen helaas niet. Burgers starten vaak zelf een zoekactie voordat de politie in beeld komt. Dat is goed, want juist de eerste 24 uur zijn cruciaal.

Burgers willen graag, maar weten niet altijd hoe ze een zoekactie moeten leiden. Hoe weet je wie waar zoekt? Hoe stuur je mensen aan? De vermissingsapp Sarea (Search Area) helpt door de zoekactie te structureren en te organiseren. Doordat Sarea een afgebakend zoekgebied bepaalt en doordat de coördinator overzicht behoudt van waar wel en niet gezocht is, zorgt Sarea voor cruciale afstemming en samenwerking tussen alle partijen die betrokken zijn bij het zoeken naar een vermiste persoon.

Een zoekactie met Sarea begint doordat iemand (de coördinator) een opsporingsbericht aanmaakt. De coördinator kan naam, geslacht, leeftijd, laatst bekende locatie, datum en tijd van vermissing, mobiliteit, foto en een (korte) omschrijving van de vermiste ingeven. Deze gegevens zijn onder andere nodig om een zoekgebied te bepalen. De coördinator stuurt vervolgens het opsporingsbericht naar mensen in zijn of haar netwerk.

Vooraf en tijdens de zoektocht krijgen de deelnemers via de coördinator aanwijzingen. Bijvoorbeeld over waar te zoeken, of hoe om te gaan met bewijsmateriaal. Op deze manier biedt de app overzicht en coördinatie tijdens de zoekactie naar een vermiste persoon.

3.2 Risico’s en kritiek

De angst voor represailles is legitiem, zeker in het geval van ondermijning. Bovendien zijn burgers zelf soms onbewust of onbedoeld een schakel in criminele handel. Als burgers te actief worden, zoals het zelf opsporen van daders, brengt dat zo mogelijk nog meer risico’s met zich mee. Hoogoplopende emoties kunnen bovendien leiden tot eigenhandig optreden. De ontwikkeling van burgers die een grotere rol spelen in opsporing is nu nog relatief klein, maar het is wel een trend die steeds belangrijker wordt. Daar moet je wat mee. Daarom helpt de app ‘Mijn Onderzoek’ niet alleen bij de opsporing, maar geeft het burgers ook informatie over preventie en over wat volgens de wet wel en niet mag. Daarnaast maakt de app inzichtelijk wat de consequenties zijn van sommige handelingen, zoals het online delen van namen en foto’s van verdachten personen of slachtoffers. Het kost tijd om een meer open houding te realiseren richting goedwillende burgers, en politieprocessen te veranderen naar cocreatie van veiligheid.

3.3 Burgerparticipatie en ondermijning

Burgers kunnen op allerlei manieren betrokken worden in de aanpak van ondermijning, uiteraard op een veilige en verantwoorde manier. De participatie begint al bij het waarnemen. Zo lanceerde het openbaar ministerie onlangs een campagne rondom speciaal ontwikkeld ‘parfum’: XTACY. Onder het motto ‘eens geroken wordt later herkend’ hoopt men dat burgers de geur van een drugslab waar xtc wordt geproduceerd gaan herkennen op basis van de parfum die doet denken aan de geur van anijsblokjes.

Naast het vergroten van bewustwording en het beter signaleren, zijn er ook nieuwe mogelijkheden om vroege of zwakke signalen te delen. Hieronder een voorbeeld van het anoniem delen van signalen ten aanzien van ondermijning in de stad Milaan:

MafiaMaps

“Maffiosi zijn bang van kennis, veel banger dan dat ze van alle speurders en wetten bij elkaar zijn. Dus hoe meer details we kennen, hoe sterker we staan.” Zo klinkt het in een filmpje van Mafiamaps van vijf jonge onderzoekers aan de universiteit van Milaan die via crowdfunding heel Italië willen bedienen met een app. Er was al een online anonieme Wikimafia waarop beschreven wordt wie de maffiosi zijn, maar het was nog moeilijk om het reilen en zeilen van ze vast te leggen. Mafiamaps biedt een simpele kaart waarop iedereen een digitale punaise kan drukken met iets
dat ze hebben waargenomen, van een maffiabaas die een cappuccino drinkt in een café tot het uitladen van een vrachtwagen of een schietpartij.

Crime mapping, zoals in het voorbeeld van MafiaMaps, is internationaal gezien enorm in ontwikkeling. Niet alleen misdaad in brede zin wordt in kaart gebracht. Er zijn ook thematische kaarten, zoals drugsgerelateerde misdaad, illegale handel en moord. Bij ondermijning hangen veel fenomenen vaak samen, waardoor deze toepassingen aan populariteit winnen. Aangezien het vaak publiek-private samenwerkingen zijn die crime mapping mogelijk maken, en data steeds vaker uit meerdere bronnen zal komen (ook van burgers), is er enerzijds steeds meer mogelijk maar zijn er ook risico’s. Er is meer mogelijk als meersoortige informatie bij elkaar komt en geavanceerde analyses, waaronder voorspellingen, bieden allerlei nieuwe inzichten waarop gerichtere interventies mogelijk zijn. Anderzijds zijn er discussies over de betrouwbaarheid van de data (ook maffiosi delen valse gegevens op MafiaMap), ethische afwegingen zoals de verborgen vooroordelen in de data waardoor bepaalde buurten meer opvallen dan andere, en juridische dilemma’s rondom eigendom en verantwoordelijkheden in het publiek-private domein.

4. Proactieve participatie

Predictive policing kan helpen om op de juiste tijden en plaatsen aanwezig te zijn, zodat burgers zich veiliger voelen en de politie meer gaan waarderen, omdat ze er zijn wanneer het er in hun ogen toe doet (legitimiteit). Maar wat als je ook burgers een rol hierin geeft? Op dat moment creëer je proactieve participatie. Daarmee wordt burgerparticipatie niet alleen een passieve stroom van informatie van burgers naar politie of vice versa, maar kunnen burgers optimaal en daar waar nodig worden ingezet. Optimaal betekend daarin niet enkel kostenefficiënt (extra ogen en oren), maar vooral ook betere mogelijkheden tot het ‘doseren’ van de interventie, en een groter gevoel van betrokkenheid. Het stopzetten van toeslagen, staande houden van auto’s, en het binnenvallen in een pand hebben allemaal potentieel veel grotere negatieve bijeffecten dan een extra stel ogen of iemand aanspreken.

Proactieve participatie in het (opsporings)proces rond ondermijning kan op drie verschillende wijzen.

4.1 De burger als proactief interventiemiddel

De wijze die het meest al daadwerkelijk wordt beproeft is het inzetten van de burger als proactief interventiemiddel. Kortom: waarom de voorspelkaartjes van CAS (of vergelijkbare producten) enkel gebruiken voor het sturen van politie, als dezelfde kaartjes ook kunnen worden gebruikt om burgers in de ‘hot-spots’ en ‘hot-moments’ extra te attenderen op gevaar of zelfs de buurtwacht te vragen een extra rondje te lopen. De Zwitserse politie doet dat al met hun app ‘KAPO Aargau’, maar ook Interpolis heeft een InbraakBarometer beschikbaar gesteld waarin burgers kunnen zien wat die dag het risico is op een inbraak.

Op het gebied van ondermijning gaat het dan vooral om het – zichtbaar – aanwezig zijn in de buurt van locaties die gebruikt kunnen worden als drugspand, illegaal bordeel of samenkomstlocatie, waardoor de aantrekkelijkheid afneemt. Ook het eventueel aanspreken van potentiële (kleine) criminelen valt binnen deze categorie.

4.2 De burger als proactieve barrière

Door de vermenging van boven- en onderwereld worden burgers en bedrijven vaak gewild, of ongewild, onderdeel van de keten van ondermijnende criminaliteit. Denk bijvoorbeeld aan een boer die zijn leegstaande schuur verhuurt voor drugsproductie, (noodlijdende) bedrijven en clubs die worden ingezet voor het witwassen met geld, en hotels die kamers gebruikt zien worden voor (gedwongen) prostitutie. Elk van deze schakels binnen de keten kan worden ingezet als barrière.

Als personen en bedrijven gericht aangesproken kunnen worden op hun (mogelijke) rol kan dat zowel de bewustwording verbeteren, als ook een afschrikkend effect hebben. Een algemeen bericht dat boeren moeten oppassen voor huurders die ‘te veel’ betalen voor het huren van een schuur, zal minder effect hebben dan als een specifieke boer (die voldoet aan de kenmerken van aantrekkelijkheid voor criminelen) persoonlijk op precies hetzelfde risico wordt gewezen.

4.3 De burger als informatiebron

Tenslotte kunnen burgers ook de doorslaggevende informatiebron vormen voor voorspellende algoritmes. Niet alleen door informatie te delen over de daadwerkelijke criminaliteit die ze zien, maar ook door zogenaamde ‘zwakke signalen’ vroegtijdiger te delen. Signalen die niet direct een indicatie van criminaliteit vormen, maar samen met andere trends en gesloten bronnen gecombineerd kunnen worden tot een accurate voorspelling. Zo is de aanwezigheid van bepaalde personen, nachtelijke activiteit of de aankoop van bepaalde grondstoffen niet noodzakelijk strafbaar, maar kan wel degelijke leiden tot een beter beeld, en daarmee ook betere voorspellingen op het gebied van ondermijning.

4.4 Dilemma’s

Net zoals burgerparticipatie en predictive policing los van elkaar behoorlijke kritiek krijgen en dilemma’s oproepen, brengt proactieve participatie ook zijn eigen risico’s met zich mee.

Welke informatie kun je burgers geven? En de vraag is natuurlijk of dat ook altijd handig is. Als je op huisniveau kunt bepalen wat de dreiging is van een inbraak, wil je dan echt naar de bewoners communiceren dat er een grote dreiging is? Zelfs als die dreiging een kans van 1 op 100 is?

Door burgerparticipatie kunnen preventie en heterdaadkracht worden vergroot. Dit zou betekenen dat data of voorspellingen beschikbaar moeten komen voor burgers om ze te activeren. Er is echter nog weinig onderzoek gedaan naar het effect dat dit heeft dit op burgers. Vergroot dit de angst? Crime maps in Engeland laten zien dat dit zeker in het begin een negatief effect heeft op het gevoel van onveiligheid, maar vervolgens juist weer een positief gevoel van samenredzaamheid teweegbrengt (1, 2). Eerst schrikt men, dan besluit men er iets aan te doen. De politie moet dus goed nadenken over het effect van de informatie die wordt gedeeld. Niets delen betekent ook verwachtingsmanagement. Want wat hoort de burger te weten?

Daarnaast worden niet alleen eerlijke burgers wijzer, maar ook criminelen. Als de politie exact zou handelen naar de eigen (publieke) misdaadkaarten, dan betekent dat ook dat criminelen precies weten waar ze vooral niet moeten komen. Nog erger: precies dezelfde informatie kan worden gebruikt door criminelen om te voorspellen waar ze de grootste buit kunnen vinden met de laagste pakkans.

Tenslotte is het maar de vraag hoe betrouwbaar voorspelalgoritmes worden als ze worden gevoed door de vaak subjectieve of onjuiste informatie van burgers. Het zal niet de eerste keer zijn dat iemand uit wraak zijn buurman van dingen beschuldigd of dat iemand met een lekke band wordt aangezien voor fietsendief. Een menselijke analist is vaak nog in staat om de brede context te zien van dergelijke meldingen, maar voor een algoritme zijn het gewoon cijfers waarover statistiek berekend kan worden. In een tijd waarin er al twijfels zijn over de legitimiteit en effectiviteit van predictive policing methoden op basis van politiegegevens, is het maar de vraag of burgers wel de juiste bron vormen.

Deze ontwikkeling heeft nog een aantal uitdagingen in zich, die in dit artikel kort benoemd zijn. Het begint al bij de startinformatie. Want zonder deze informatie kan een algoritme en mens niet aan de slag. En “Garbage In is Garbage Out”. Validatieslagen op data zijn van belang, zoals het opwerken van een enkel zwak signaal naar het combineren van een veelheid van bronnen waarin zwakke signalen te vinden zijn.

Maar een belangrijke schakel voordat er informatie binnenkomt is bewustwording. Eén van problemen bij de aanpak van ondermijning is dat veel mensen zich niet bewust zijn van ondermijning: wat is het, hoe herken je het, wat zijn de effecten? Met als gevolg dat mensen het of niet belangrijk vinden en/of niet weten welke signalen zij moeten melden. Het belangrijkste is dus: hoe wordt iedereen bewuster welke informatie hij of zij moet aanleveren en hoe wakker je de urgentie aan? En ook: hoe groot is de kans op criminele contra-strategieën? Criminelen die bewust desinformatie in het systeem voeden om zelf buitenschot te blijven of de concurrent een hak te zetten?

Bij de verwerking van vroege en zwakke signalen hebben we laten zien dat computersystemen en algoritmes simpelweg verwerken wat aan ze gevoed wordt. Een reëel risico dat dan ontstaat is dat zo’n systeem selectieve informatie gebruikt (bijvoorbeeld van bepaalde mensen of buurten) wat kan leiden tot een bias; vooroordelen in de informatie en daardoor (te) selectieve inzet. Dit kan vervolgens leiden tot criminalisering van bepaalde gebieden, personen of sectoren en dat bestaande blinde vlekken in stand blijven of worden versterkt. Voor predictive policing is in de verwerking van deze informatie en het handelen op dit moment nog expertkennis nodig over veel specifieke details van crimineel handelen. Wat voor soort panden worden nu precies gebruikt, welke
vervoersmiddelen, welke witwaspraktijken, etc. Mensen en computers moeten beiden nog beter gaan leren hoe het dagelijks leven van een crimineel, die zich in de onder- en bovenwereld beweegt, er nu precies uitziet.

Naast betere bewustwording, een beter begrip en gericht voorspellen van het fenomeen ondermijning, is het ook nodig de effecten van interventies te kunnen inschatten. Hoe voorkom je bijvoorbeeld tweede-orde-effecten? Het onderscheppen van een lading drugs kan bijvoorbeeld leiden tot strijd in een crimineel netwerk. Een interventie heeft dan mogelijk niet tot gevolg dat Nederland veiliger wordt, maar dat er liquidaties plaatsvinden op straat.

Tenslotte is de vraag wat je met elkaar mag en wilt delen om tot handelen of nieuwe informatie te komen. Met wie deel je wat, en hoe deel je informatie op zo’n manier dat het tot gewenst handelen leidt? En wat is het doel? De aanpak van criminaliteit, het veiligheidsgevoel, of ook de legitimiteit van bijvoorbeeld de politie? Een belangrijk aandachtspunt met betrekking tot het delen van informatie is wederkerigheid, zodat burgers weten dat hun bijdrage daadwerkelijk effect had.

Het risico van enkel een technologie is dat het anoniem wordt en onder de motorkap verdwijnt, waardoor burgers geen zicht meer hebben op het effect van hun handelen. Vanuit motivatiepsychologie is bekend dat dit belangrijk is. Er zullen de komende tijd meer ondersteunende middelen ontwikkeld moeten worden om alle partners in veiligheid optimaal gericht tot handelen aan te zetten. Ondanks de genoemde dilemma’s zit er toekomst in, zij het stapje voor stapje.

5. Toekomst

De kenmerken van ondermijning maken dat het per definitie gaat om een diepgeworteld probleem. Het zit zo diep verankerd in de samenleving, dat het noodzakelijk is om diezelfde samenleving aan te spreken en te benutten om deze problematiek te beheersen. De laatste jaren wordt deze beweging ook zichtbaar in de aanpak. Er is een verschuiving van een strafrechtelijke aanpak, naar een integrale aanpak en in toenemende mate een maatschappelijk georiënteerde aanpak. Deze partijen zijn allemaal in de eerste plaats afhankelijk van informatie om effectief op te kunnen treden.

Tegelijkertijd is informatie vaak het knelpunt in de aanpak. Niet alleen de informatiedeling tussen de verschillende partijen, maar vooral ook het krijgen van informatie en signalen van mensen die met ondermijning te maken krijgen. Hierbij gaat het om informatie van professionals, maar vooral ook van burgers. Een fundamenteel probleem bij de aanpak van ondermijning is dat burgers, overheid en bedrijfsleven ondermijning niet goed herkennen, het niet altijd als last ervaren of onvoldoende bewust zijn van de gevolgen. In sommige gevallen wordt ook bewust weggekeken. En als men al bewust wordt van het fenomeen en de gevolgen is er vaak onvoldoende handelingsperspectief om een waardevolle bijdrage te leveren in de aanpak ervan.

De kernopgave is dus om de juiste informatie en signalen uit de samenleving te verzamelen, deze te duiden en hier betekenisvolle patronen in te herkennen en dit om te zetten naar een handelingsperspectief. Dat is waar de kracht van predictive policing om de hoek komt kijken.

Predictive policing kan ten eerste worden ingezet om de aandacht van burgers en buurten, bedrijven en bedrijfstakken, ambtenaren en overheidsorganen veel meer te richten op die aspecten die van belang zijn voor de aanpak van ondermijning. Bijvoorbeeld het signaleren van criminele ontmoetingsplaatsen, drugskwekerijen en laboratoria, maar ook verdachte transacties of transporten. Het benutten van predictive policing voor de aanpak van ondermijning kan vervolgens een zelfversterkend mechanisme worden. Door de integrale aandacht vanuit verschillende gezichtspunten te richten kunnen meer vroegtijdige signalen worden verzameld. Als men weet waar en waarnaar men moet kijken, ziet men immers meer. Als er meer informatie binnenkomt, is het mogelijk om
op basis van algoritmen steeds beter patronen en kritieke indicatoren te herkennen. Meer en betere informatie houdt in dat partners in de integrale samenwerking meer mogelijkheden hebben en beter in positie te komen om interventies toe te passen.

Toepassingsmogelijkheden van predictive policing blijven echter niet beperkt tot de integrale samenwerkingspartners. Burgers kunnen vervolgens met voorspellend advies op maat gericht worden geprikkeld om te kunnen participeren in de aanpak. De huidige rol van burgers als ogen en oren kan door het bieden van handelingsperspectieven op basis van geanalyseerde informatie worden uitgebreid naar die van preventive guardian. Met handelingen die zodanig zijn afgestemd op spelers uit zowel het publieke als het private domein, zodat eenieder bewust of onbewust een steentje bijdraagt. De eerder genoemde theorieën, zoals de routine activity theory, kunnen hierbij handvatten bieden. Het voorspellen van waar de kans op criminaliteit aannemelijk is, geeft namelijk ook
aanknopingspunten voor eventuele interventies die gericht zijn op de aanpak van verdachten, de aantrekkelijkheid van kwetsbare doelwitten of het verbeteren van toezicht. Deze knooppunten kunnen scherper in beeld worden gebracht door de kracht van big data en de bewustwording van burgers. Er ontstaat een integrale aanpak, inclusief burgers en publiek-private partijen, die door moderne technologie beter gericht en gestimuleerd kan worden met de hoop ondermijning vroegtijdig te signaleren en te voorkomen. Bijvoorbeeld door een looproute die een handhaver of de postbode neemt, tot de looproute bij een buurtschouw van een buurtpreventieteam om verdachte bewegingen rond gebouwen en op straat te signaleren.

Afsluitend kan worden gesteld dat zowel predictive policing als burgerparticipatie kansen biedt voor een innovatieve aanpak. En mogelijk is het raakvlak van beide, ‘human intelligence x artificial intelligence’, daarmee dé formule voor de toekomst op het gebied van ondermijning.

Bibliografie
Akkermans, M., & Vollaard, B. (2015). “Effect van het WhatsApp-project in Tilburg op het aantal woninginbraken – een evaluatie”, Tilburg universiteit, Tilburg. Bolsius, Y., Höcük, S., Prüfer, P., & Kolthoff, E. (2018). “Indicatoren van (georganiseerde) criminaliteit en ondermijning op bedrijventerreinen. Een verkennend onderzoek in de gemeente Tilburg”, Tilburg University – CentERdata, Avans hogeschool, WODC, Tilburg.
Brantingham, P.J., & Brantingham, P.L. (1981). “Environmental Criminology”. Beverly Hills, CA: Sage Publications.
Cohen, L.E., & Felson, M. (1979). “Social Change and Crime Rate Trends: A Routine Activity Approach”. American Sociological Review. 44(4): 588-608.
Cornelissens, A., & Ferwerda, H. (2010). “Burgerparticipatie in de opsporing. Een onderzoek naar de aard, werkwijzen en opbrengsten”. Politie en Wetenschap, Apeldoorn.
Cornish, D.B., & Clarke, R.V. (1987). “Understanding Crime Displacement: An Application of Rational Choice Theory”. Criminology, 25(4), 933-947.
Faber, W. (2013). Ondermijning als activiteit en als gevolg. Een poging tot duiding van een lastig te definiëren fenomeen. Finecscience. Geraadpleegd van .
Lam, J., & Kop, N. (2018, 30 april). In het schemergebied van de wet. Secondant.
Lam, J., Wal, R. van, & Kop, N. (2018). “Sluipend gif. Een onderzoek naar ondermijnende criminaliteit”. Apeldoorn/Den Haag: Politieacademie/Boom Criminologie.
Lam, J., & Kop, N. (2020). “Schouder aan schouder. Burger- en politieparticipatie tijdens de vermissing van Anne Faber”. Politieacademie, Apeldoorn.
Lu M., & Burnum J. (2008). “Spatial Patterns of Clandestine Methamphetamine Labs in Colorado Springs, Colorado”. In: Thomas Y.F., Richardson D., & Cheung I. (eds), Geography and Drug Addiction. Springer, Dordrecht.
Mali, B., Bronkhorst-Giesen, C., & den Hengst, M. (2017) “Predictive policing: lessen voor de toekomst. Een evaluatie van de landelijke pilot”. Politieacademie, Apeldoorn.
Perry, W., McInnis, B., Price, C., Smith, S., & Hollywood, J. (2013). “Predictive policing: The Role of Crime Forecasting in Law Enforcement Operations”. Santa Monica:RAND.
Politie Amsterdam-Amstelland (2009). Over ondermijning. Een verkenning naar het fenomeen, de aanpak en mogelijke verbeteringen. Amsterdam: Politie Amsterdam-Amstelland.
Rienks, R. (2015): “Predictive Policing. Kansen voor een veiligere toekomst”. Politieacademie, Apeldoorn.
Smit, S., de Vries, A., van der Kleij, R., & van Vliet, H., (2016). “Van predictive naar prescriptive policing; Verder dan vakjes voorspellen”, TNO, Den Haag.
Tops, P., Valkenhoef, J. van, Torre, E. van der, Spijk, L. van (2018). “Waar een klein land groot in kan zijn. Nederland en synthetische drugs in de afgelopen 50 jaar”, Politieacademie,
Boom criminologie, Den Haag.
Tops, P., & Tromp, J. (2019). “De achterkant van Amsterdam. Een verkenning van drugsgerelateerde criminaliteit”, Gemeente Amsterdam, Amsterdam.
Voskuil, K. (2019). “Drugseconomie Amsterdam is onbeheersbaar geworden”, Algemeen Dagblad.

Bron: Cahier Politiestudies