Tagarchief: big data

Predictive Policing: te vroeg, te snel of precies op tijd?

pp1

Onderstaand onderzoek naar de invloed van de fasen van technologie?n op predictive policing op beleidsvorming bij de Nationale Politie is gedaan door Melissa Kont,?Erasmus Universiteit Rotterdam.

In dit onderzoek is onderzocht of predictive policing zich bevindt in de laatste fase van technologische ontwikkelingen. Filosoof, Alan Drengson, stelt dat technologische ontwikkelingen bepaalde fasen doormaken en dat de menselijke houding tegenover technologie, de fasen onderscheidt. De theorie stelt dat de laatste fase, appropiate technology, leidt tot succesvolle implementatie van technologie?n. Mocht predictive policing zich in deze fase bevinden, dan zou dat kunnen leiden tot een versterkend effect op de Advocacy Coalition Framework van Sabatier en Smith. In dit onderzoek zou dat betekenen dat predictive policing een versterkend effect heeft op advocacy coalities, die betrokken zijn bij predictive policing, invloed uitoefenen op beleidsvorming bij de Nationale Politie. Hiertoe is een documentenonderzoek uitgevoerd en zijn interviews afgenomen met de politie en betrokken actoren. Uit de voortgekomen data blijkt dat predictive policing zich niet in de fase van appropiate technology bevindt. Hierdoor is er geen sprake van een versterkend effect van advocacy coalities op beleidsvorming bij de politie. De betrokken actoren spreken van verschillende voordelen en mogelijkheden rondom predictive policing, maar niet van een systeem dat de menselijke ontwikkeling kan bevorderen en een onmisbaar systeem is in de samenleving. Om vast te stellen in welke fase predictive policing zich dan wel bevindt, vereist vervolgonderzoek.

Hoofdstuk 1: Probleemstelling

1.1.De glazen bol van de politie

?De organisatieontwikkeling bij de politie is een beetje als surfen. Soms is het even wachten op de juiste golf. In sommige coalities zijn die golven klein en is het surfen niet spectaculair. Maar die juiste golf waar op gewacht wordt komt, en dan wordt ervoor gegaan. Dat is niet eenvoudig, maar al die andere, kleine golfjes in de windstille periodes hebben de organisaties gelouterd. Nu staat het getij, de wind en de stroming goed? (Spelier, 2011).

Henk Pethke, senior-adviseur Ministerie Veiligheid en Justitie, doet deze uitspraak op 08 april 2011 over de ontwikkeling van de reorganisatie bij de politie (Spelier, 2011). De politie staat in de huidige, steeds verder globaliserende, informatiesamenleving voor een grote uitdaging. Sinds de invoering van de reorganisatie, kampt de Nationale Politie met moeilijkheden om het nieuwe beleid succesvol uit te voeren. Daarnaast is er sprake van financi?le druk bij de politie; de effectiviteit moet omhoog (Jonker, 2015). De politie moet meer zien te realiseren met dezelfde middelen. Ook zijn er nieuwe vormen van criminaliteit ontstaan door ontwikkeling van nieuwe technologie?n. Criminelen weten elkaar digitaal makkelijker te vinden en kunnen in groten getale criminele activiteiten uitvoeren (Prins, 2004). De aanslagen in Parijs en Brussel zijn hier een treurend voorbeeld van.

?L? o? il n’y a pas de gendarmes, une certaine race d’honn?tes gens est capable de tout.? (Mauriac, 1968). Vertaalt stelt Frans schrijver en Nobelprijswinnaar Mauriac dat waar geen politie is, een bepaald slag ?nette mensen? tot alles in staat is.

Mocht de uitspraak van Francois Mauriac juist zijn, dan is het de vraag of de politie door alle bezuinigingen en nieuwe vormen van criminaliteit wel is opgewassen tegen de huidige criminelen. Nieuwe vormen van criminaliteit vragen om nieuwe vormen van aanpak in de huidige informatiesamenleving. Als altijd en overal aanwezig door de bezuinigingen niet realistisch is, is altijd op de juiste locatie dat dan wel; is criminaliteit voorspelbaar?

Het bepalen waar en wanneer politie inzet ertoe doet is het terrein van predictive policing. Dit wordt bepaald aan de hand van statistische voorspellingen om te kunnen anticiperen op criminele incidenten. De informatie die resulteert vanuit de statistische voorspellingen, kan misdaad voorkomen of de heterdaadkracht vergroten, dat is gebaseerd op harde feiten afkomstig uit data analyses (Noort, 2016). Een voorwaarde voor het succesvol kunnen inzetten van predictive policing is dat gegevens over criminele activiteiten ontgrendeld worden in een datawarehouse, en dat andere data hieraan gekoppeld kunnen worden (Doeleman, 2014).

Momenteel wordt het Criminaliteits Anticipatie Systeem ingezet om criminaliteit te voorspellen en de politie inzet erop te baseren. De toegepaste technologie kan leiden tot verandering in beleid bij de politie. Zo zou succesvolle resultaten van CAS kunnen leiden tot uitbreiding van het systeem naar meerdere Nederlandse steden (Rienks, 2015). Om tot beleidsvorming rondom predictive policing te kunnen komen, moeten verschillende betrokken actoren tot een gezamenlijk besluit komen. In dit onderzoek zal onderzocht worden welke actoren betrokken zijn bij dit proces en wat de invloed is van deze actoren op beleidsvorming. Daarbij wordt onderzocht wat de invloed is van predictive policing op de invloed van de betrokken actoren. Als predictive policing uitgebreid wordt naar andere steden in Nederland, is het van grote waarde om te weten welke actoren die uitbreiding kunnen voorkomen of ondersteunen. Het is daarom interessant onderzoek te doen naar de invloed van predictive policing op beleidsvorming bij de Nationale Politie.

Doelstelling in dit onderzoek is:

Het toetsen van de theorie over de fasen van technologie op predictive policing door interviews en bureauonderzoek bij betrokken actoren.

Vraagstelling in het onderzoek is:

Wat is de invloed van de fasen van technologie op predictive policing op beleidsvorming bij de Nationale Politie?

1.2.Relevantie

Predictive policing is ontstaan door de politie in Los Angeles. De succesvolle resultaten hebben geleid tot uitbreiding naar andere steden en landen. Er is al veel onderzoek gedaan naar de toepassing van dit nieuwe systeem en de voordelen ervan. Echter, betreft dit onderzoek een toetsing door gebruik te maken van al bestaande theorie over technologie. Er is nog geen wetenschappelijke literatuur bekend over de toetsing van de theorie van Drengson op predictive policing. Veelal baseert literatuur over predictive policing zich op de invloed ervan op criminaliteit. Dit onderzoek is wetenschappelijk relevant, omdat het een basis betreft om te kijken of predictive policing zich in de juiste ontwikkelingsfase bevindt van technologie?n. De resultaten kunnen een basis vormen voor verdere wetenschappelijk onderzoek.

Daarnaast is dit onderzoek maatschappelijk relevant, omdat wordt onderzocht in welke fase van technologie predictive policing zich bevindt. Hierdoor kan gekeken of predictive policing wel past in de huidige maatschappij. Predictive policing staat in lijn met het alom bekende dilemma van de rechtstaat: aan de ene kant wil de burger zich zo veilig mogelijk voelen, maar aan de andere kant daar zo weinig mogelijk privacy voor opgeven. Daarom wordt onderzocht of de samenleving klaar is voor dit systeem. Ook biedt predicitive policing kansen voor een veiligere samenleving en kan de effectiviteit van de politie vergoot worden. Dit is een belangrijke kans in tijden van financi?le druk; er kan immers meer met minder worden gerealiseerd.

1.3.????? Structuur

Het onderzoek bestaat uit vijf hoofdstukken, waarbij in het laatste hoofdstuk de hoofdvraag wordt beantwoord. Hiertoe zal in hoofdstuk twee alle gebruikte theorie?n voor het onderzoek worden toegelicht. Het theoretisch kader wordt vervolgens gebruikt om in hoofdstuk drie het conceptueel model te schetsen. De verwachtingen van het onderzoek zullen worden besproken aan de hand van het conceptueel model. Vervolgens zal in hoofdstuk drie, de operationalisatie plaatsvinden. De variabelen zullen in dit gedeelte van het onderzoek meetbaar worden gemaakt aan de hand van indicatoren in het codeerschema. Daarnaast wordt in hoofdstuk drie de methodologie besproken waarbij belangrijke keuzes omtrent het onderzoek worden toegelicht. In hoofdstuk vier worden de resultaten gepresenteerd waaruit vervolgens de analyse volgt in hoofdstuk vijf. Tot slot wordt in hoofdstuk zes aan de hand van de conclusie antwoord gegeven op de hoofdvraag en zal de discussie een kritische reflectie schetsen op het onderzoek.?

pp5

Hoofdstuk 2: Theoretisch Kader
Om in kaart te brengen welke theorie al bestaat omtrent de opgestelde probleemstelling, zullen een aantal theorie?n worden toegelicht. Deze theorie?n zijn zo gekozen om een sterke ondersteuning mogelijk te maken voor het onderzoek.

Het begrip technologie zal allereerst met de theorie van Val Dusek?(Dusek, 2006) worden toegelicht aan de hand van drie karakteristieken over technologie. Vervolgens volgt de theorie van Alan Drengson (Drengson, 1982) waarin vier fasen over technologische ontwikkeling worden toegelicht. Hierin is het meest kenmerkende onderscheid de menselijke houding tegenover technologie. Om beleidsvorming toe te kunnen lichten zal gebruik worden gemaakt The Advocacy Coalition Framework van Sabatier en Smith (Sabatier, 2014).

2.1.????? Val Dusek
Val Dusek noemt drie karakteristieken om technologie te omschrijven, namelijk technologie als hardware, technologie als regels en technologie als systeem. De drie karakteristieken zullen hieronder worden toegelicht:

  • Technology as hardware bevat alle technologie als machines en gereedschap. Hierbij kan gedacht worden aan computers, energiecentrales en fabrieken. Technologie als hardware is concreet en grijpbaar, het is om ons heen (Dusek, 2006).
  • Technology as rules wordt door Jacques Ellul, Frans filosoof en socioloog, omschreven als organisatorische methodes, managementtechnieken en het denken op een mechanistische wijze (Ellul, 1964). Hierbij wordt technologie beschreven als regels in plaats van grijpbare middelen (Dusek, 2006).
  • Technology as system houdt in dat technologie moet dienen als technologisch middel om het begrip technologie eraan toe te schrijven. Zo zijn technologische middelen die honderden jaren geleden werden gebruikt als technologie, maar nu enkel dienen als museumstukken om te bezichtigen, niet als technologie. Binnen technology as system is een samenleving van gebruikers, onderhouders en reparateurs van technologie dan ook een vereiste. Technologie moet immers onderhouden worden om de oorspronkelijke doel te kunnen realiseren (Dusek, 2006).

Dusek licht drie karakteristieken van technologie toe om het begrip technologie te omschrijven. Alan Drengson neemt deze karakteristieken op in zijn theorie. Hierin maakt hij onderscheid in verschillende fasen van technologie, waarin ook de drie karakteristieken van Dusek zijn opgenomen.

2.2.????? Alan Drengson
Alan Drengson beschrijft vier stages van technologie (Drengson, 1982) welke hieronder zullen worden toegelicht:

  1. Technological anarchy houdt in dat technologie en technologische kennis enkel dienen als instrumenten en nagestreefd moeten worden om macht en welvaart te realiseren en om de natuur te kunnen temmen. Technologie dient hierbij als middel en moet ingezet worden waar mogelijk om de doelen na te kunnen streven (Drengson, 1982). De overheid behoort een kleine rol te spelen en zou technologische ontwikkelingen de vrijheid moeten geven om plaats te vinden. Alleen de marktsector bepaalt welke technologie?n blijven bestaan (Drengson, 1982). Technologie krijgt in deze fase zekere autonome kenmerken op een grote schaal. Technologie, oorspronkelijk bedoeld om bepaalde wensen en doelen na te streven, wordt in dit proces een doel op zichzelf. Technolgische anarchie verliest in dit proces haar machtspositie en maakt hierdoor de weg vrij voor technophilia, een structuur met technocratische kenmerken (Drengson, 1982).
  2. Technophilia is de liefde voor technologie, waarbij mensen verliefd worden op hun eigen mechanische kennis, op hun technieken en trucs en de technische apparatuur en processen (Drengson, 1982). Drengson beschrijft technophilia als volgt:

?It is like the love of adolescence (Drengson, 1982).? De producten van technologie worden niet meer enkel gebruikt als productieve instrumenten, maar ook als speelgoed van de mens; technologie wordt een spel van het leven. Als gevolg hiervan, heeft technologie de neiging om de mens te controleren, aangezien de mens niet in staat is om zichzelf van technologie te distanti?ren. De mens kan niet objectief kijken naar technologie (Drengson, 1982). De liefde voor technologie verandert in dit proces naar het streven van technologie in alle vormen van het alledaagse leven, zoals onderwijs, overheid, zorg en seks. In dit geval wordt gesproken van technocratie, aangezien technologie nu een regerende kracht is, waarbij het in de samenleving louter draait om mechanisme (Drengson, 1982).

  1. Technophobia ontstaat wanneer men zich realiseert dat alleen mensen en menselijke waarden de gevaren van technologie kan tegenhouden. Een reactie hierop is dat technophobia tracht om het menselijk leven van alle technologie te ontdoen (Drengson, 1982). Er heerst een onbewust verlangen om terug te keren naar de menselijke controle over technologie, complexe technologie?n worden wantrouwt te en een ?do-it-yourself? houding tegenover technologie is ontstaan (Drengson, 1982). Uiteindelijk is het doel van deze fase om technologie?n op grote schaal te be?indigen en technologie opnieuw onder menselijke controle te houden. De fase technophobia zet de basis voor de volgende fase.

Hoewel in de eerste fase werd gedacht dat maximale ontwikkeling van technologie het leven gemakkelijker zou maken, is onvoldoende rekening gehouden met de innovatie en planning van de technologie. Dit werd namelijk vaak gedaan door personeel dat onvoldoende begrip had van verantwoordelijkheid over complexe en machtige technologie?n. Of omdat personeel in situaties werd gebracht waarbij verantwoordelijkheid uitdragen in moeilijkheden werd gebracht (Drengson, 1982). Hierdoor wordt in de fase van technophobia de autonomie van de mens boven technologische autonomie geplaatst. In de fase van technophobia is het een vereiste de relatie tussen technologie en mens te begrijpen (Drengson, 1982). Vanuit dit gezichtspunt kan technophobia worden gezien als een van de fases, waarin groei inhoudt dat men zich bewust wordt van het gebruik van technologie op een reflectieve, kritische wijze (Drengson, 1982).

  1. Appropiate technology is de laatste fase van technologische ontwikkeling. Deze fase omvat een rijpingsproces van de wederzijdse relatie tussen technologie, mens en wereld. Appropiate technology vereist dat men nadenkt over eigen doelen en waarden, voordat men zich inzet voor de ontwikkeling van nieuwe technologie?n, of zelfs voor de voortzetting en het gebruik van bepaalde oudere technologie?n (Drengson, 1982). In de fase van appropiate technology wordt men steeds beter in het beheersen van technologie als instrument, om eigen doeleinden te bereiken. In deze fase behoren technologie?n volgens Drengson (1982) aan bepaalde eisen te voldoen. Allereerst moet er behoud van diversiteit zijn. Ten tweede moeten technologie?n goedaardige interactie tussen mensen, hun machines en de biosfeer promoten. Tot slot, moet de menselijke ontwikkeling bevorderd worden door het gebruik van technologie, technologie is in deze fase een onmisbaar systeem. Wanneer wordt voldaan aan de bovengenoemde vereisten, worden de technologische processen een leven verbeterend deel van een significante reeks van waarden. Arbeid wordt in dit geval zinvol werk, waarbij technologie wordt ontworpen om individuele personen, ecologische integriteit en culturele gezondheid te verbeteren (Drengson, 1982).

Volgens Drengson (1982) is appropiate technology de meest complete fase, aangezien meer relevante waarden worden aangehaald. Ook brengt deze fase het object en subject samen in een verantwoordelijke, wederzijdse interactie. In deze fase is er de mogelijkheid tot verdere technologische ontwikkeling, op een manier dat de negatieve gevolgen van de moderne geschiedenis van de mensheid kan oplossen (Drengson, 1982). Daarnaast brengt approtiate technology volgens Dengson (1982), technologie dichterbij. De meeste systemen zijn te centraal volgens Drengson (1982), door appropiate technology kan technologie veel meer toegepast worden op een lokaal probleem of situatie.

Dusek en Drengson zijn van belangrijke waarde geweest in theorie over technologie. De theorie van Sabatier en Smith wat hieronder zal worden toegelicht, is een theorie over beleidsvorming wat van groot belang is in de publieke sector.

2.3.????? Sabatier & Smith

Advocacy Coalition Framework is een beleidsvorming model, gebaseerd op het gebruik van diverse instrumenten door concurrerende coalities binnen een beleidssubsysteem (Cairney, 2013). Tijdens dit proces spelen externe actoren een belangrijkere rol dan interne actoren, doordat de externe actoren meer invloed hebben op het beleidsvorming proces. Het model is afkomstig van Sabatier en Smith en volgens het model is beleidsevolutie het product van verschillende coalities om juridische en politieke instrumenten in te zetten om doelen te bereiken en om tot een gewenst beleid te komen (Sabatier, 2014).

Binnen het ACF beleidsmodel is het van belang de belangrijkste concepten van het model te beschrijven om tot een beleidsproces te kunnen komen. Een eerste concept is ?advocacy coalitions?. Dit zijn coalities bestaande uit hele diverse leden met verschillende functies die een gezamenlijk doel willen bereiken binnen het politiek systeem?(Sabtier, 2007). Leden kunnen journalisten of onderzoekers zijn, maar ook vakbonden, ambtenaren of belangenorganisaties. Daarnaast spelen de belangen van de coalities een belangrijke rol binnen het proces, doordat deze belangen diep geworteld zijn binnen de leden van de coalitie. Ieder coalitie binnen het politiek systeem wil de eigen belangen vertalen in beleid en gelijke belangen tussen coalities zorgt ervoor dat er samenwerking plaatsvindt. Om overtuiging van de eigen standpunten te realiseren worden politieke instrumenten en sturende mechanismen ingezet (Cairney, 2013). Voorbeelden hiervan zijn publicaties van evaluatierapporten, technische informatie dat wordt gepolitiseerd, wijziging in wetgeving of participatie in agentschappen. De instrumenten worden bewust en rationeel ingezet door coalities om de eigen belangen te realiseren in subsystemen?(Cairney, 2013) .Subsystemen zijn issue-specifieke netwerken en zijn actief in de regering omdat verkozen ambtenaren verantwoordelijkheid over beleidsvorming overdragen aan bureaucraten, die op hun beurt, regelmatig overleggen met leden van advocacy coalitions zoals belangengroepen. Hierdoor stelt ACF dat externe actoren meer invloed uitoefenen op politieke kwesties dan interne actoren binnen het politiek systeem. Hieronder vallen ook veranderingen in de omgeving zoals veranderingen in de publieke opinie en veranderingen in sociaaleconomische condities (Sabtier, 2007).

m1

Zoals bovenstaand schema toont ontstaat beleid volgens Sabatier doordat coalities, eigen waarden en instrumenten omzetten naar strategie?n. Deze strategie?n be?nvloeden keuzes die gemaakt worden door beleidsmakers. De veranderingen in het beleidsproces komt volgens ACF tot stand, doordat advocacy coalitions invloed uitoefenen op beleid (Sabtier, 2007). Volgens het ACF is bijna altijd sprake van een dominante coalitie die de meeste instrumenten en sturingsmechanismen in bezit heeft. Externe veranderingen kunnen openingen bieden voor coalities om beleidsveranderingen door te duwen in het subsysteem, aangezien actoren dan eerder geneigd zullen zijn om de eigen beleidsvisie aan te passen. Bemiddeling tussen coalities om tot nieuw beleid te komen versoepelt in dit geval. De overheid kan de bemiddelde strategie overnemen, waardoor een beleidsverandering in werking treedt (Sabtier, 2007).

Hoofdstuk 3: Operationalisatie, onderzoeksontwerp en methodologische verantwoording
Om tot een succesvolle analyse te komen van de invloed van de fasen van technologie voor predictive policing op veranderingen van beleidsvorming bij de Nationale Politie zal in dit hoofdstuk allereerst het conceptueel model worden getoond. In dit model worden de variabelen in vereenvoudigde vorm geschetst. Daarnaast blijkt uit dit model wat de verwachte uitkomsten zijn. Vervolgens zullen de variabelen in het conceptueel model meetbaar worden gemaakt, door deze te operationaliseren. Ook zal de strategie van het onderzoek en de methodes die hiertoe worden toegepast, worden beschreven. Tot slot zal beargumenteerd worden in hoeverre dit onderzoek valide en betrouwbaar is.

3.2. ? ? ?Conceptueel model

m2

Bovenstaand conceptueel model toont de concepten die onderzocht zullen worden binnen dit onderzoek. Daarnaast worden verwachte richtingen getoond in het model. De verwachtingen zijn:

Advocacy coalities zoals beschreven in de theorie van Sabatier hebben veel invloed op beleidsvorming. In dit onderzoek is de verwachting dat advocacy coalities invloed uitoefenen op beleidsvorming. De verwachte invloed is sterker wanneer predicitive polcicing zich bevindt in de fase van approtiate technology. Drensgon stelt namelijk dat de fase appropiate technology de beste fase is om technologische ontwikkelingen toe te passen in de samenleving, omdat in deze fase de meeste acceptatie aanwezig is voor technologie. Hierdoor heeft de variabel approtiate technology een medi?rend effect op beleidsvorming.

De verwachting van dit onderzoek volgens de toegelichte theorie?n is:

De invloed van advocacy coalities die predicitive policing nastreven op beleidsvorming, is groter wanneer de fase van appropiate technology van toepassing is op predicitive policing.

 

3.2.????? Operationalisatie
De variabelen in het conceptueel model zullen worden geoperationaliseerd aan de hand van het operationalisatieschema. In dit schema worden de variabelen weergegeven en als subcode worden meetbare indicatoren gepresenteerd. Daarnaast is gebruik gemaakt van subsubcodes, waardoor een variabel verder kan worden gespecifieerd.

m3

3.3. ? ? ?Strategie

In dit onderzoek is gekozen voor het gebruik van kwalitatief onderzoek. Om de hoofdvraag te beantwoorden is namelijk kennis vereist over verschillende inzichten. Daarnaast zijn de uitkomsten van de hoofdvraag minder goed te voorspellen, vergeleken met kwantitatief onderzoek. Er is ook geen sprake van cijfers, waardoor de data ook niet statistisch verwerkt kan worden, wat wel gebeurt bij kwantitatief onderzoek (Doorewaard, 2015).

Tijdens dit onderzoek is er sprake van een deductieve nadruk. In het onderzoek wordt immers empirie getoetst aan wetenschappelijke theorie, waarbij van theorie naar data wordt gewerkt. Daarnaast worden de belangrijkste concepten in de theorie geoperationaliseerd om de betrouwbaarheid en validiteit te garanderen (Doorewaard, 2015).

Het onderzoek betreft een enkelvoudige casestudy, waarbij getracht wordt om diepgaand inzicht te verkrijgen in predictive policing bij de Nationale Politie door middel van methodentriangulatie. Er is sprake van een smal domein, er zullen acht individuele interviews worden afgenomen bij de Nationale politie en betrokken actoren. De respondenten zijn werkzaam bij de politie en zijn selectief gekozen om verschillende inzichten mogelijk te maken, ofwel een strategische steekproef (Doorewaard, 2015). Doordat het afnemen van acht interviews met belangrijke sleutelfiguren bij politie-eenheden niet werd toegestaan door de communicatieafdeling van de Nationale Politie, vanwege de drukte door de reorganisatie en kwesties bij de politie rondom publicaties met gevoelige informatie, is gekozen om vijf interviews af te nemen met betrokken actoren. Hierbij is gekozen voor TNO en Risbo vanwege de kennis over technologie?n, die worden ingezet bij de politie en vanwege kennis over samenwerkingen. Daarnaast is ook gekozen voor een interview met een ICT-jurist vanwege de juridische aspecten rondom predictive policing.

De interviews zijn semi-gestructureerd, waarbij gebruik wordt gemaakt van een vragenlijst dat flexibel wordt gehanteerd. Het is de bedoeling om de respondent zoveel mogelijk aan het woord te laten en als interviewer enkel te sturen in het gesprek, wanneer te veel van de vragenlijst wordt afgeweken. Op basis van de operationalisering zijn interviewvragen en ?topics opgesteld en zijn te raadplegen in bijlage 8.1. Daarnaast zal een bureauonderzoek worden uitgevoerd, wat bestaat uit het boek Predictive policing: kansen voor een veiligere toekomst (Rienks, 2015) en de publicatie van het Inrichtingsplan Nationale Politie (Justitie, 2012) en mogelijk andere relevante literatuur. Rutger Rienks is zelf werkzaam als intelligenceprofessional bij de politie en geeft weer welke kansen en mogelijkheden de auteur ziet omtrent predictive policing. In het Inrichtingsplan van de Nationale Politie gebruikt (Justitie, 2012) wordt beleidsvorming bij de Nationale Politie beschreven en verschillende samenwerkingen met hun doelen beschreven.

  • Validiteit en betrouwbaarheid

Om de kwaliteit van het onderzoek te meten wordt gebruik gemaakt van de indicatoren validiteit en betrouwbaarheid. De validiteit wordt onderverdeeld in interne validiteit en externe validiteit. Vervolgens wordt de betrouwbaarheid van dit onderzoek beoordeeld.

De interne validiteit meet of er wordt gemeten wat gemeten wilt worden. In dit onderzoek wordt voldaan aan de interne validiteit, omdat alle stappen in het onderzoek op elkaar zijn gebaseerd. De belangrijkste concepten in het theoretisch kader leidt tot het conceptueel model. Vervolgens worden de variabelen in het conceptueel model geoperationaliseerd, waaruit de interviewvragen worden opgesteld. De data afkomstig van de interviews, leiden mede tot een antwoord op de hoofdvraag.

De externe validiteit meet of de uitkomsten uit het onderzoek generaliseerbaar zijn over andere organisaties, dan wel andere sectoren. Dit onderzoek betreft een casestudy waarbij wordt getracht diepgaand informatie te verkrijgen over de Nationale politie. De verkregen informatie is daarom niet te betrekken op andere organisaties. De resultaten zijn gebaseerd op data verkregen van de Nationale Politie en betrokken actoren en daarom zijn de resultaten enkel te betrekken op politie in Nederland. Predictive policing wordt in iedere samenleving anders, of niet uitgevoerd. De resultaten zijn daarom niet extern valide.

De betrouwbaarheid meet of dezelfde resultaten verkregen worden, wanneer hetzelfde onderzoek opnieuw wordt uitgevoerd. De betrouwbaarheid is in dit onderzoek gering. Immers worden medewerkers ge?nterviewd en kunnen medewerkers na verloop van tijd van mening veranderen. Ook kunnen ontwikkelingen omtrent predictive policing optreden waardoor het beeld van predictive policing verandert. Om de betrouwbaarheid toch te kunnen waarborgen, worden twee soorten methoden van onderzoek toegepast. Hierdoor wordt uit meerdere bronnen data verkregen, namelijk documenten over predictive policing.

pp3

Hoofdstuk 4: Context en Bevindingen
In dit deel van het onderzoek worden de bevindingen uit het onderzoek gepresenteerd. Allereerst zal er een context beschrijving plaatsvinden en vervolgens zullen de resultaten verkregen uit interviews worden besproken.

4.1.????? Context
Predictive policing is de toepassing van verschillende analytische technieken, met name kwantitatieve technieken om risico?s van criminele activiteiten te kunnen bepalen en criminele activiteiten te kunnen voorkomen door het doen van statistische voorspellingen. De term is in 2008 geintroduceerd door politiechef William Bratton van de Los Angeles Police Department (Perry, 2013, p.1). Inmiddels zijn er vele ontwikkelingen geweest rondom de voorspellingstool. In Amsterdam wordt het Criminaliteits Anticipatie Systeem (CAS) gebruikt om High Impact Crimes mee te voorspellen. Onder High Impact Crimes vallen woninginbraak, straatroof en overvallen (De Vries, 2016). CAS doet voorspellingen op basis van criminaliteitsgegevens, maar ook andere variabelen, zoals de dichtstbijzijnde snelwegenoprit en bekende criminele bedrijven in het gebied, worden gebruikt als input voor de voorspelling (Rienks, 2015, p.23). Daarnaast worden in vier grote steden in Nederland pilots uitgerold, waarbij predictive policing systemen worden gebruikt bij de politie. Het predictive policing model kan een goede duiding kan geven van het risico, maar ook maatregelen voorstellen om deze risico?s zo goed en effici?nt mogelijk te neutraliseren. De komst van predictive policing zou de ?pre-recherche? introduceren, waarbij niet wordt gericht op waarheidsvinding, maar op waarheidsvinding in de toekomst (Rienks, 2015, p.24).

De reorganisatie van de Nationale Politie heeft ertoe geleid dat de politie voor grote problemen is komen te staan?(Lieshout, 2014). In het Inrichtingsplan van de Nationale Politie wordt verwezen naar het doel van de Nationale Politie; bijdragen aan een veiliger samenleving. Hiertoe zijn strategische doelen opgesteld waarbij samenwerking met interne partijen, maar ook met externe partijen van groot belang is, om de doelen te realiseren (Justitie, 2012). In het plan wordt gesproken van samenwerkingen met de gemeente, burgers en politieacademie maar ook van internationale samenwerkingen. Rienks (2015) sluit aan op de voordelen van samenwerkingen door te stellen dat criminaliteit verandert en de ingevoerde data dus moet mee veranderen om de voorspelling up-to-date te houden. Zoveel mogelijk data zou de voorspelling sterker kunnen maken qua impact. Samenerkingen op verschillende gebieden, met verschillende actoren kan dus een grote bijdrage leveren aan predictive policing. Door het volgen van soortgelijke delicten zouden er ook geografische patronen kunnen ontstaan, waaruit verwachtingen kunnen worden afgeleid over een eventueel volgend delict (Rienks, 2015, p.64). Een uitdaging is hierbij het interpreteren van data naar concrete beleidsstappen.

Juridische aspecten om de bevoegdheden van de politie te garanderen zijn vastgelegd in wetten, zoals de Wet Politie Gegevens, die bepaalde vormen van verwerking en verstrekking van politiegegevens mogelijk maakt en hierover waarden en condities vaststelt. Rienks (2015, p.79) stelt het volgende over inbeslagname van gegevens in juridische zin:

?De inbeslagname van gegevens in juridische zin is trouwens nog een lastig geval. Want volgens artikel 94 van het Wetboek van Strafvordering zijn alleen voorwerpen (onder andere die de ?waarheid aan de dag kunnen brengen?) vatbaar voor inbeslagname. Een gegeven is in deze context geen voorwerp. Gegevens zijn een abstract begrip. Gegevensdragers kunnen daarentegen wel in beslag worden genomen. Dus bij het vermoeden dat de gegevens, vastgelegd op een gegevensdrager, kunnen worden gebruikt voor waarheidsvinding, is slechts deze drager vatbaar voor inbeslagname.

?4.2.???? Bevindingen interviews

Om een helder overzicht te bieden van de bevindingen, zullen per actor de bevindingen worden gepresenteerd. Hierbij wordt onderscheid gemaakt tussen de actor politie en onderzoeksinstelling TNO, Risbo en een ICT-jurist als actor.

De medewerkers van de politie zijn te spreken over de voordelen van predictive policing. Het programma CAS zou volgens de innovatiemakelaar ertoe kunnen leiden dat politie inzet wordt gebaseerd op het programma en dit op een effectieve en effici?nte wijze kan gebeuren. De generalist spreekt ook van voordelen voor capaciteitsmanagement. De projectleider zegt hierover kort:

?Ja de voordelen zijn denk ik dat je anders dan gebaseerd op trends, intelligenter met je informatie omgaat.?

De projectleider voegt hier wel aan toe dat tijdens de pilot, dat de echte concrete voorspelling redelijk laat werd gedaan door het programma CAS. De aard van de interventie naar aanleiding van het predictive signaal, wordt daardoor moeilijk om op aan te passen. Daarnaast spreekt de innovatiemakelaar van bepaalde aannames intern bij de politie:

?Dus je kunt bij wijze van spreken uitrekenen waar en wanneer het zal plaatsvinden. Dat is best een gek idee voor politiemensen die uit de praktijk komen. En zeggen: ?Ja het is toch een beetje je instinct want je kijkt naar de omgeving en je denkt dit is mogelijk en dat niet.? Dus die eigen subjectieve invulling maakt ook wel dat ze het lastig vinden om te doorleven, om te denken, ja misschien zit er wel een systeem in, misschien zit er wel een patroon in.??

Ook de andere medewerkers spreken hierover, en stellen dat dit ook voor een deel uit onwetendheid komt. Zo stelt de projectleider dat in de beginfase van de pilot in Hoorn de medewerkers nogal sceptisch waren over de voorspellingen, omdat de variabelen waarmee werd gewerkt, nog onbekend waren. Over andere actoren, betrokken bij predictive policing, stelt de innovatiemakelaar dat het heel goed mogelijk is dat er andere belangen invloed uitoefenen op de samenwerking:

?Een gemeente heeft naast veiligheid natuurlijk ook leefbaarheid. Die moeten ook hun budget rondkrijgen dus die willen ook dingen doen waarvan politie zegt: ?Hey dat vraagt best wel veel inzet van ons voor de veiligheid.? Belangen zijn niet altijd helemaal gelijk. Er kan dan weleens gebeuren dat de gemeente zegt: ?Ik zie hier dat een tool een bepaalde verhoogde onveiligheid voorspelt, maar ik ga het toch doen, want ik wil mijn gemeente die kermis gunnen of die feestweek.??

De projectleider is het hier volkomen mee eens, en voegt eraan toe dat de beste resultaten wellicht ook behaald kunnen worden als het samen wordt gedaan met de gemeente, besturing, handhavers, maar misschien ook wel nog meer als de maatschappij er ook bij wordt betrokken. De innovatiemakelaar bespreekt tevens een ander voordeel van predicitive policing en stelt dat predictive policing niet een totaal nieuw systeem is:

?We weten niet tot op huishoudniveau hoe het zit met de beveiliging, sloten en honden. Dat weten we gelukkig niet, dat hoeft ook helemaal niet. Maar we weten wel: waar zijn de mensen gemiddeld wel thuis en waar zijn ze gemiddeld niet thuis overdag? Maar dat weet een inbreker ook als hij vier keer op een dag rondfietst door een wijk. Zo doen ze die dingen. Predictive policing is dus niet nieuw in die zin, maar het systematisch onderbouwen met data wat we nu op grote schaal kunnen verzamelen en die combineren en naast elkaar leggen. Ja, voor een deel zeggen mensen ja ik herken dit van mijn onderbuik gevoel maar dat is niet overal waar. Want er zijn ook mythes in de criminaliteitsbestrijding en die kunnen we nu mooi ontkrachten.?

Het onderbuik gevoel wordt ook besproken door de andere medewerkers. Er wordt door alle politiemedewerkers veel waarde gehecht aan de inzichten van ervaren agenten. Volgens de generalist, wordt hier zelfs onvoldoende aandacht aan besteedt. De projectleider zegt het volgende erover:

?Wat we gezien hebben bij die pilots van CAS wel hebben gezien dat het wel heel belangrijk is om al die verschillende bronnen van informatie, van onderbuik gevoel tot gewoon de klassieke manier van hotspots, die trendanalyses, te bundelen met de informatie die CAS oplevert. Maar je niet verlaten op 1 bron, dus als in we hebben nu CAS dus we gaan nu alleen daarmee plannen. Ten eerste, stuit je dan ook echt op weerstand, want mensen zeggen dan krijg je: ?Mijn gevoel zegt wat anders en ik vertrouw mijn gevoel meer dan een vaag kaartje wat ik uit de computer krijg.? Dus dat soort weerstanden, maar tegelijkertijd, en ten tweede zie je dat je ondanks het gebruik van big data en intelligentie systemen dat je niet volledig daarop kunt vertrouwen.?

Tot slot zou predictive policing volgens alle politiemedewerkers nog veel meer kunnen bieden dan dat het nu doet en kan het effect van predictive policing veel groter en uitgebreider zijn dan op dit moment. Er zullen hier nog wel een aantal ontwikkelingen vooraf moeten gaan volgens de projectleider. Zo zal data beter aangeleverd moeten worden en is het ook vrijwel onmogelijk om van een causaal verband te spreken tussen predictive policing en het effect op de buitenwereld, omdat vele andere factoren ook van invloed kunnen zijn en het niet altijd duidelijk is welke factor, wat voor invloed speelt. De innovatiemakelaar zegt over de toekomst van predictive policing dat er verwacht wordt, dat intelligenter gestuurd zal worden op de inzet van de capaciteit en dat dit iets vraagt van de operationale medewerker, maar voegt daaraan toe:

?Daarnaast is er een leidinggevende laag, die moet daarop gaan sturen. Dit is wat we zien, daarom verwachten we dat en daarom vragen we jou: ?wil je vooral op die fiets in die wijk?? Daar gaat gewoon ingebroken worden, we kunnen het gewoon uittellen en de meeste inbraken zijn overdag dus fiets vooral overdag als burger. Of met een scootertje, jij ziet er heel jong uit, dus trek lekker kleding aan waarbij je tussen die jongeren in blendt. Ga op dat pleintje zitten en kijk dan of je die kerel te pakken kan krijgen.?

pp4

Maar de innovatiemakelaar ziet hierin ook meer schakels waaronder:

?Welke ketenpartners zijn hier van belang? Want misschien hoef je er niet als politie te zijn. Misschien kun je bij een wijk wat geteisterd wordt door inbraken, de groenvoorziening vragen om juist daar te gaan schoffelen, want ja er moet toch iemand wat zien. Het kan ook zo zijn en nu ben ik misschien wat achterdochtig, dat als wij het patroon weten van de groenvoorziening en we denken nou dat is toch ook toevallig die zijn altijd in de wijk aan het schoffelen waar wordt ingebroken. Dan moet je een andere vraag stellen natuurlijk haha.?

De generalist deelt in het interview ook mee dat de komende vijf jaar predictive policing zich zeker zal uitbreiden naar meerdere delen van het land. Echter, moet er dan nog het een en ander gebeuren. De projectleider spreekt ook over positieve effecten in de toekomst, maar stelt ook dat het programma CAS tegenwoordig ook kaarten aanbiedt in heel veel andere teams in het land. Echter, wordt dit gedaan zonder begeleidende methode van gebruik. Hierdoor gaat ieder team er op zijn eigen manier mee om en dan wordt het vaak gebruikt als een hotspot kaart, terwijl CAS meer zou kunnen bieden. De projectleider zegt het volgende hierover:

?Daarmee doe je iets als predictive policing te kort, want het wordt dan gebruikt als een soort trendanalyse. En dat vind ik te kort en dat is jammer. Er zit meer in.?

De actor onderzoeksinstellingen wijst ook op bepaalde voordelen, die ook worden gedeeld door de politiemedewerkers. Alle respondenten die werkzaam zijn bij TNO wijzen op de voordelen voor politie inzet en de onderzoeker bij Risbo stelt daarnaast:

?Ik denk natuurlijk meteen aan de preventie. Kijk van oudsher is de politie heel erg reactief van aard. Er gebeurt een bepaald incident, mensen doen daar al dan niet aangifte op en de politie gaat dan rechercheren om te kijken kan ik het misdrijf, incident, ect. opsporen. Je loopt daarmee achter de feiten aan. Het grote voordeel van predictive policing is dat je aan die preventieve sfeer wijkt. Dus je probeert incidenten voor te zijn, erop te anticiperen, op gedragingen van burgers, groepen, terroristen.?

Echter, hebben de vier respondenten wel hun bedenkingen van de effectiviteit op dit moment. Volgens de program manager bij TNO, is predictive policing slechts een signaal, waarvan de impact op het moment nog relatief bescheiden ligt. Het signaal is niet dwingend, slechts suggestief en de overige respondenten sluiten zich ook hierbij aan. Daarnaast spreekt de program manager van TNO van belangen die een negatieve invloed kunnen hebben op de ontwikkeling van predictive policing:

?Uh ja, ten eerste kan het natuurlijk stigmatiserend zijn. Als je in een bepaalde wijk, bepaalde tijdsstip veel aanwezig gaat zijn met politiemensen. Dat is het lastige van je baseren op historische data, je bevestigt het, je typeert het. Dus dat kan een effect zijn. Wat ook een effect kan zijn, is dat politiemensen op straat zich heel erg gestuurd voelen. Dat hangt heel erg van de implementatie af, van hoe je dat doet. Als je het ?rescriptief? (voortschrijvend) gaat gebruiken, dan kunnen agenten het als lastig ervaren, het is verlies van vrijheid. Omdat je als een marionet van de ene naar de andere kant moet hollen. Door het systeem geregeerd worden. Dus dat kan een effect zijn.?

Ook is predictive policing volgens een medewerker bij TNO momenteel een hype, doordat heel veel mensen nog niet precies zouden weten hoe die voorspellingen werken. Echter, is volgens de TNO medewerker, men wel al heel snel blij met het programma, zonder echt een goede effectmeting te doen.

Een andere medewerker van TNO spreekt over belangrijke aspecten bij het gebruik van predictive policing:

?Dan liggen er wel maatschappelijk / ethische vragen. Als je nou eigenlijk niet echt begrijpt wat een tool doet en je laat je politiemensen erop inzetten. Je levert je dus over naar artificial intelligence, dus daarmee is een stapje gezet naar een moeilijk te controleren overheidsoptreden. En daarmee verlies je ook als het ware de regie, want machines doen dan het werk. Zo ver is het natuurlijk nog niet. De huidige tool is redelijk eenvoudig. Maar dat zet wel aan het denken.?

De respondenten van TNO en Risbo spreken over samenwerkingen met de politie en de TNO medewerkers stellen dat er sprake is van nauwe contacten. Zo zitten medewerkers van TNO ook bij de politie aan tafel om te overleggen. Echter, door de drukte van de reorganisatie medewerkers er ook voor kiezen om via het ministerie te helpen. Tijdens de interviews spreken de respondenten van verschillende belangen om mee te werken aan predictive policing. Hierbij speelt financieel belang een rol, maar stelt een respondent ook over samenwerkingen met de gemeente en de private beveiliging:

?Zeker, gemeentes zijn heel erg ge?nteresseerd in dit soort ontwikkelingen. Want heel veel dingen die je kunt veranderen om criminaliteit terug te dringen is niet iets wat de politie alleen kan. Dus de gemeente is een hele interessante. Het andere is, heel veel dingen die je doet voor de politie, kun je een op een kopi?ren naar private beveiligers. Ook als je een bedrijventerrein wilt bewaken, is het interessant om te weten of het nu op vrijdagavond populaire tijd is in dat bepaalde gebied. Dus moet ik daar nu een mannetje extra heen sturen? Dus ook met dat soort partners, zijn we ook bezig om te kijken: hoe kunnen we dit voor jullie inzetten??

Belangen kunnen volgens de onderzoeker bij Risbo ook hele andere doelen hebben:

?Maar daarnaast, informatie kan ook een politieke perspectief hebben. Informatie is ook een potentiele bron van macht, er komen allemaal strategische gedragingen uit. Op het moment dat je met verschillende actoren, data, kennis deelt. Dat kan gevoelig liggen, want iedereen heeft een bepaald kennismonopolie. En om dat te delen, ja dat kan bepaalde weestanden oproepen.?

De respondenten spreken allen van bepaalde barri?res. Zo wordt gesproken over juridische barri?res zoals etnisch profileren en het invoegen van bepaalde variabelen aan de voorspellingstool die in een rechtszaak in twijfel getrokken kunnen worden. Zo licht de ICT-jurist toe dat dit soort zaken nieuw zijn en nog vrij onbekend terrein. Een medewerker van TNO vertelt hierover dat er ook geen jurisprudentie bekend is over predictive policing en dat uiteindelijk juridisch zal blijken of wat de politie doet ook wettelijk mag. Tot slot bespreekt de onderzoeker bij Risbo van nog andere mogelijke belemmeringen:

?Dus als je puur uitgaat van de techniek dan denk ik dat je heel weinig barri?res hebt. Maar je hebt natuurlijk ook een andere kant en dat is natuurlijk wat wel een rem kan zijn. Als je kijkt naar de politie, de Nationale Politie, de reorganisatie, heeft geleid tot bepaalde knelpunten, onzekerheden, dingen die niet helemaal goed lopen. Mensen die onzeker zijn over hun baan. Dus zijn er wel een aantal organisatorische belemmeringen om dit soort dingen in de organisatie in te voeren uit te rollen, over alle politie-eenheden. Dat is een barri?re. Je hebt natuurlijk ook een financi?le barri?re, je kan bijvoorbeeld inzetten op predictive policing, maar dat is een aspect en je kunt ook op tal van andere dingen inzetten. En uiteindelijk is er een budget kwestie, waar ga je op investeren??

pp2

Hoofdstuk 5: Analyse
In dit deel van het onderzoek worden de resultaten getoetst aan de theoretische concepten die eerder in het onderzoek zijn behandeld. Hiertoe worden de bevindingen gebruikt om te kunnen reflecteren op het conceptueel model in dit onderzoek.

Uit de bevindingen blijkt dat de verschillende actoren bepaalde belangen delen maar er ook grote verschillen bestaan in een aantal aspecten rondom predictive policing. De interviews tonen aan dat alle respondenten te spreken zijn over de voordelen. Veiligheid wordt tijdens de meeste interviews aangehaald als een gedeeld belang om samen te werken, maar autonomie en kennismonopolie zijn belangen die kunnen leiden tot barri?res in het samenwerkingsproces. Uit de interviews blijkt dus dat er wel degelijk advocacy coalities zijn die predictive policing nastreven. Ook worden verschillende instrumenten aangehaald tijdens de interviews om beleidsvorming bij de politie te be?nvloeden. Hoewel het bij de meeste respondenten blijft bij een adviserende taak, worden verschillende actoren genoemd die wel degelijk politieke en juridische invloed uitoefenen op beleidsvorming bij de politie. Daarnaast wordt gesproken van andere wegen die bewandeld kunnen worden om alsnog enige invloed te kunnen uitoefenen. Het gebruik van gepolitiseerde technische informatie en publicaties van evaluatierapporten is tevens een instrument, dat ingezet kan worden bij onderzoeksorganisaties.

Verschillende actoren proberen dus op verschillende manieren invloed uit te oefenen op beleidsvorming bij de politie. Hiertoe hebben actoren verschillende belangen. Dit kunnen belangen zijn om samenwerkingen omtrent predictive policing met de politie te realiseren, zoals financi?le belangen of het stimuleren van het maatschappelijk debat rondom ethische kwesties. Maar ook kan er sprake zijn van tegenstrijdige belangen waardoor er barri?res optreden in de ontwikkeling van predictive policing.

Daarnaast zou de onderzochte data, getoetst worden aan de laatste fase van de theorie van Drengson. Uit de toetsing blijkt dat predictive policing zich niet bevindt in de fase van appropiate technology, de laatste fase. Om te kunnen spreken van appropitate technology moet sprake zijn van het gebruik van het systeem als instrument om bepaalde doelen te bereiken. Interviews tonen aan dit het geval is; alle respondenten stellen dat predictve policing belangrijke doelen kan realiseren bij de Nationale Politie. Het vergroten van efficiency en effectiviteit is een van de meest genoemde voordelen. De mogelijkheden en diversiteit zijn groot, er worden voorbeelden aangehaald waarbij mogelijke toekomstige terroristische aanslagen voorkomen kunnen worden. Ook blijkt het voorspelbare tool bruikbaar in meerdere organisaties, zoals de Belasting om belastingontduiking effectiever op te sporen. Het systeem zou dus ook, indien verdere ontwikkeling plaatsvindt, lokale en specifieke criminaliteitsproblemen kunnen oplossen. Er is daardoor ook sprake van diversiteit in het gebruik van predictive policing op het gebied van criminaliteit. Hoewel het systeem nu nog vrij simpel wordt gebruikt, tonen de interviews klaarblijkelijk aan dat er grote mogelijkheden denkbaar zijn. De menselijke attitude is kenmerkend voor scheiding tussen verschillende fasen. Wanneer de menselijke attitudes over mogelijke barri?res en gevaren worden besproken in de ontwikkeling van predictive policing, blijkt uit de interviews dat er een bepaalde angst heerst om gestuurd te worden door een technologisch systeem. Verlies van de eigen menselijke autonomie en onvoldoende kennis van het daadwerkelijke programma, heeft hier invloed op. Respondenten zijn momenteel kritisch over de daadwerkelijke effecten van het voorspellende programma en zien predictive policing merendeels als een signaal dat genegeerd kan worden als de politiecapaciteit ontoereikend. In de toekomst is de kans groot, dat predicive policing grote invloed kan hebben op beleid, vanwege de diversiteit en effectiviteit. Echter, kan er aan de interviews momenteel nog niet vastgesteld worden dat predictive policing een onmisbaar systeem is in de samenleving. Het technologisch systeem, wat in dit onderzoek predictive policing voorstelt, is daardoor niet een systeem dat menselijke ontwikkeling bevordert. De data in dit onderzoek toont aan dat de menselijke houding tegenover predictive policing niet overeenkomt met de fase van appropiate technology. Predictive policing bevindt zich dus niet in de laatste fase. Drengson stelt over de fasen waarin technologie?n kunnen worden geplaatst, dat appropiate technology de beste fase is voor implementatie van beleidsvorming. Uit de data in dit onderzoek blijkt dat de implementatie nog niet volledig succesvol is. De belangen van de actoren wegen mee in deze implementatie.

Aan het eind van het conceptueel model werd een verwachting geschetst aan de hand van de theoretische concepten. De verwachting was het volgende:

De invloed van advocacy coalities die predicitive policing nastreven op beleidsvorming, is groter wanneer de fase van appropiate technology van toepassing is op predicitive policing.

Deze verwachting is niet uitgekomen in dit onderzoek. Dit onderzoek heeft namelijk geleid tot resultaten waaruit blijkt dat predictive policing zich niet in de gestelde fase bevindt. Hierdoor kan de verwachting niet worden bevestigd. De fase waarin predictive policing zich bevindt, zorgt er juist voor dat respondenten kritisch kijken naar de toepassing. Een deel van de respondenten geven aan juist door middel van onderzoek, de politie te adviseren een meer terughoudende positie aan te nemen in de ontwikkelingen rondom predictive policing. Er zijn momenteel nog juridische barri?res waaruit moet blijken of de voorspellende technologie wel is toegestaan in de samenleving. Daarnaast zijn er barri?res in de samenleving en intern bij de politie zelf. Draagvlak en sturing door technologie zijn veel aangehaalde argumenten. Een deel van de actoren wenst dat de experimenteerfase wordt verlengd in plaats van uitbreiding plaatsvindt naar meerdere steden, zoals de politie dat wenst. Verschillende instrumenten worden ingezet om de eigen belangen van de coalities te realiseren in dit proces. Zo blijkt uit de interviews dat er sprake is van een eigen website van de onderzoeksinstelling waarin verschillende kritische onderzoeken van de politie aan het licht worden gebracht. Als achterliggende belang van de website wordt gesproken van het stimuleren van het maatschappelijk debat en de zin en onzin rondom predictive policing te onderscheiden. De actoren onderling proberen dus het beleid te be?nvloeden. Echter, bevindt predictive policing zich mogelijk in een fase waardoor actoren niet meewerken aan verdere uitbreiding zoals de politie dat wenst. Er wordt juist invloed uitgeoefend door actoren om een meer terughoudende positie te realiseren bij de politie. De actoren geven verschillende argumenten om het debat te stimuleren, van juridische tot aan organisatorische argumenten.

pp7

Hoofdstuk 6: Conclusie
In dit deel van het onderzoek, wordt antwoord gegeven op de hoofdvraag. De hoofdvraag zal allereerst herhaald worden, waarna aan de hand van de analyse een antwoord gegeven zal worden op de hoofdvraag.

Om tot de conclusie te komen zal allereerst de hoofdvraag hieronder worden geformuleerd:

Wat is de invloed van de fasen van technologie op predictive policing op beleidsvorming bij de Nationale Politie?

Het onderzoek heeft aangetoond dat predictive policing zich niet in de fase appropiate technology bevindt. Er wordt niet voldaan aan alle vereisten om te kunnen spreken van deze fase. Bij de toepassing van het systeem ontbreekt de bevordering van de menselijke ontwikkeling en het ervaren van een onmisbaar systeem tijdens het gebruik. De menselijke houding tegenover het voorspellingstool wijst op een meer terughouding en meer experimenten om effecten te verduidelijken van preditcive policing op de criminaliteit en samenleving. Hierdoor heeft predictive policing niet een versterkend invloed op beleidsvorming bij de politie. Uit de interviews blijkt wel enthousiasme voor voorspelbare programma?s, maar wordt ook gewezen op de gevaren. Predictive policing wordt op dit moment gezien als een programma met veel mogelijkheden maar tevens serieuze ethische kwestie in de huidige informatiesamenleving. De menselijke houding is kritisch naar deze vorm van technologie. Overgeleverd worden aan een technologisch systeem, waarbij de eigen autonomie wordt ingekort, stuit tot veel weerstand bij betrokken actoren. Dit wordt versterkt, doordat er onvoldoende kennis is over de technologie. De totstandkoming van de voorspelling is voor veel gebruikers nog een raadsel en daardoor wordt het enkel als een voorspellend signaal gezien onder de meeste respondenten. Verschillende inzichten zijn hierop mogelijk, de discussie blijven voeren tussen betrokken actoren is dan ook van groot belang om tot gezamenlijk beleid te kunnen komen. De betrokken actoren zijn in staat om invloed uit te oefenen op beleidsvorming bij de politie, door de inzet van verschillende instrumenten.

Uit dit onderzoek blijkt dan ook dat de Advocacy Coalition Framework van toepassing is op beleidsvorming bij de Nationale Politie. Echter, kan er geen versterkend invloed van predictive policing vastgesteld worden op beleidsvorming bij de politie. Er is in dit onderzoek sprake van invloed vanuit de betrokken actoren om de experimenteerfase te verlengen. De theorie van Drengson benoemt vier fasen waarin de laatste fase is getoetst in dit onderzoek. Echter, blijkt uit de analyse dat er sprake is van een andere fase. De eerste fase stelt dat ontwikkelingen worden gediend als instrument om macht en welvaart te realiseren. De tweede fase stelt dat er een liefde ontstaat voor technologie, waarin technologie een spel van het leven wordt. De derde fase technophobia benoemt de angst voor bepaalde technolgische ontwikkelingen en stelt als belangrijk kenmerk dat de mens de behoefte heeft om de technologie zelf te sturen in plaats van dat de mens wordt gestuurd door de technologie. Dit is een overeenkomst met de data en zou kunnen verklaren waarom actoren een verlening van de experimenteerfase wensen. Doordat er geen onderzoek is gedaan naar de eerste drie fasen, kunnen hieruit geen conclusies over worden getrokken.

Om tot deze conclusie te komen zijn er acht interviews afgenomen met betrokken actoren die voldoende kennis hebben van predictive policing om een eigen inzicht te bieden aan de onderzoeker met betrekking tot het onderwerp predictive policing, beleidsvorming bij de politie en betrokken actoren in dit proces. In dit onderzoek is gekozen om enkel de laatste fase te toetsen door gebrek aan tijd en data. Hierdoor kan in dit onderzoek niet worden getoetst in welke fase predictive policing zich dan wel bevindt. De toetsing op andere fasen binnen de theorie van Drengson vereist vervolgonderzoek.

pp6

Hoofdstuk 7: Discussie

In dit afsluitend deel van het hoofdstuk zal een kritische reflectie plaatsvinden op het onderzoek dat is uitgevoerd. Hierbij zullen kanttekeningen worden geplaatst op het onderzoek.

Allereerst kan kanttekeningen worden geplaatst bij het lage aantal respondenten met een functie binnen de politie. Het afnemen van interviews met sleutelfiguren bij de politie bleek een lastige taak. Hierdoor is gekozen betrokken actoren te benaderen. Meer sleutelfiguren binnen de politie op het gebied van predictive policing en beleid, had meer diepgaand inzicht kunnen bieden. Daarnaast kunnen acht respondenten weinig zijn om te onderzoeken welke actoren er zijn betrokken bij samenwerking omtrent predictive policing. Om de belangen van de betrokken actoren allemaal afzonderlijk te meten, zijn meer interviews vereist. Doordat kennisinstellingen veel informatie tot beschikking hadden over de politie en betrokken actoren, is gekozen om deze actor te interviewen. In de samenleving spelen veel meer actoren een rol bij beleidsvorming omtrent predictive policing.

Daarnaast kunnen er bedenkingen worden geplaatst bij de toetsing op louter de laatste fase van de theorie van Drengson. Door beperkte tijd en enkel acht interviews is gekozen om de overige fasen niet toetsen. Echter, had het veel waarde kunnen toevoegen aan het onderzoek als wel gesteld kon worden in welke fase predictive policing zich dan wel bevindt. De invloed op beleidsvorming zou in dat geval beter onderzocht kunnen worden.

Literatuurlijst

Cairney, P. (2013, Oktober 30). Paul Cairney. Opgehaald van Policy Concepts in 1000 words: The Advocacy Coalition Framework: https://paulcairney.wordpress.com/2013/10/30/policy-concepts-in-1000-words-the-advocacy-coalition-framework/

De Vries, A. & Smit. S. (2016, april 25). Predictive policing: een overzicht. Opgehaald van socialmediadna: http://socialmediadna.nl/predictive-policing-overzicht/

Doeleman, D. W. (2014). Predictive policing – wens of werkelijkheid? het Tijdschrift voor de Politie, 29-42.

Doorewaard, P. V. (2015). Het ontwerpen van een onderzoek. Amsterdam: Boom Lemma uitgevers.

Drengson, A. R. (1982, Summer). Four Philosophies of Technology. Philosophy Today, 103-117.

Dusek, V. (2006). Philosophy of Technology: An Introduction. In V. Dusek, Philsophy of Technology: An Introduction (pp. 26-37). USA, UK, Australia: Blackwell Publishing.

Ellul, J. (1964). In The Technological Society (J. Wilkinson, Vert., pp. 333-343). New York: Alfred A. Knopf, Inc. and Random House, Inc.

Jonker, J. (2015, augustus 31). Rem op reorganisatie politie. De Telegraaf.

Justitie, M. V. (2012). Inrichtingsplan Nationale Politie. kwartiermaker Nationale Politie.

Lieshout, L. v. (2014, november 15). De vijf grootste problemen van de politie. Opgehaald van nrcreader: http://www.nrcreader.nl/artikel/7368/de-vijf-grootste-problemen-van-de-politie

Mauriac, F. (1968). Le nouveau bloc-notes 1961-1964. Frankrijk: Flammarion.

Noort, W. (2016, april 15). Slimme stad of dataslurper. NRC.nl.

Paul A. Sabatier, C. M. (2014). Theories of the policy process. Boulder: Westview Press.

Prins, J. (2004). Tehcnologie en de nieuwe dilemma’s rond identificatie. Justiti?le Verkenningen, 1-47.

Rienks, R. (2015). Predictive Policing: Kansen voor een veiligere toekomst. Apeldoorn: Politieacademie Apeldoorn.

Sabtier, W. (2007). The Advocacy Coalition Framework: Innovations and Clarifications. Boulder: Wetsview Press. Opgehaald van The Advocacy Coalition Framework: Innovations and Clarifications: http://collectivememory.fsv.cuni.cz/CVKP-29-version1-priloha_2_FF.pdf

Spelier, R. (2011). Onderweg naar nationale politie?! Utrecht: Department Bestuurs- en Organisatiewetenschap.

Walter L. Perry, B. M. (2013). Predictive Policing: The Role of Crimecasting in Law Enforcement Operations. RAND Corporation.

Bijlage

Bijlage 8.1.: Kwalitatieve vragenlijst

Appropiate technology

  1. Wat is predicitive policing en wat is het doel van het gebruik ervan?
  2. Wat zijn de voordelen van predictive policing?
  3. Hoe wordt predicitive policing gebruikt in het dagelijks leven?

Advocacy coalition framework

  1. Welke coalities zijn betrokken bij beleidsvorming omtrent preventief opsoringsbeleid?
  2. Wat zijn de belangen van die coalities?
  3. Welke instrumenten hebben zij om beleidsvorming te be?nvloeden (zowel meewerken als beleid hinderen)?
  4. Wat is het belang voor de desbetreffende organisatie om mee te werken met de politie?
  5. Op wat voor manier komen de coalities tot een gezamenlijk standpunt?

Veranderingen in beleidsvorming

  1. Hoe is beleid omtrent predictiev policing ontstaan?
  2. Hoe ziet u predictive policing over vijf jaar?
  3. Wat voor invloed heeft predictive policing gehad op beleidsvorming?
  4. Wat voor effect kan het nog hebben op beleidsvorming?

Bekijk, download of print het onderzoek hier:

[slideshare id=69627654&doc=bachelorscriptiemelissakont-161129090425&type=d]

Of bekijk het onderzoek uit Chicago naar de effecten van Predictive Policing daar:

[slideshare id=65229286&doc=predictionsputintopractice-aquasi-experimentalevaluationofchicagospredictivepolicingpilot-160822101738&type=d]

Bronnen: The Verge, Mic

Predictive policing predicts police harassment, not crime

 

Predictive policing: politiewerk aan de hand van voorspellingen

knightscope

Afbeelding: Knightscope

De opkomst van nieuwe technologie?n stelt de politie en andere rechtshandhavingsinstanties in staat proactiever en effectiever te opereren. De toepassing van deze technologie?n in het publieke veiligheidsdomein roept echter ook allerlei vragen op met betrekking tot privacy en andere grondrechten van burgers. Het nieuwe?themanummer van Justiti?le verkenningen beoogt enerzijds die nieuwe technologische toepassingen te beschrijven en anderzijds de (mogelijke) consequenties daarvan nader te beschouwen en aan discussie te onderwerpen.

Naast afzonderlijke artikelen over concrete technologische toepassingen (beeldtechnologie, drones) gaat de aandacht uit naar enkele belangrijke trends die alle voortvloeien uit de groeiende beschikbaarheid van ? onderling koppelbare ? grote hoeveelheden data afkomstig uit allerlei bronnen. Bij politiekorpsen wereldwijd heeft dit geleid tot een de groeiende populariteit van predictive policing: politiewerk doen aan de hand van voorspellingen die gebaseerd zijn op een enorme verzameling historische gegevens over o.a. delicten, de plegers ervan en criminaliteitspatronen, gecombineerd met realtime data. Het politieoptreden wordt aldus datagestuurd en meer op preventie gericht. Een stap verder is prescriptive policing, waarbij de data aangeven wat de meest effectieve interventie zou zijn. Met de film Minority Report in gedachten doemen de zwartste scenario?s op: krijgen we een ?gedachtenpolitie? , staat de onschuldpresumptie op het spel? Deze vragen zijn des te prangender wanneer de rechtshandhaving steeds meer wordt overgelaten aan drones en robots. De grote uitdaging in dit verband is hoe ethische, maatschappelijke en juridische waarden al in het ontwerpproces van articifici?le intelligentie toepassingen kunnen worden ingebouwd. Iets soortgelijks speelt met betrekking tot de bescherming van persoonlijke gegevens en priv?-communicatie bij het gebruik van computers en smartphones e.d. Nieuwe Europese wetgeving schrijft voor dat gegevensbescherming wordt ingebouwd in producten en diensten, een principe dat wordt aangeduid met de term Data Protection by Design and Default.

Predictive policing: politiewerk aan de hand van voorspellingen

Door A. de Vries* en S. Smit**

* Ir. Arnout de Vries is senior onderzoeker en adviseur op het gebied van social media en veiligheid en onder andere auteur van het boek ?Social Media: Het Nieuwe DNA?.
** Dr. Selmar Smit is aan de Vrije Universiteit gepromoveerd op het onderwerp machine learning, en sindsdien werkzaam als data scientist bij TNO.

George Orwell waarschuwt in zijn boek 1984 (Orwell 1949) voor een?overheid die haar onderdanen monitort en alles in de gaten houdt. In?de film Minority Report is de ?pre-crime squad? in staat om moorden te?voorspellen en daders preventief op te pakken. De Nederlandse politie?heeft dankzij de omvorming tot Nationale Politie toegang tot alle landelijke,?regionale en lokale databronnen met betrekking tot criminaliteit?en is daarmee een ?informatieorganisatie? geworden. Door verbeterde?analysetechnieken, visualisatietools en computerkracht kan zij?deze ?Big Data? inzetten om criminaliteit te voorspellen en op basis?daarvan op te treden. Moeten we nu vrezen voor onze toekomst? Pakt?de politie voortaan burgers preventief op? Worden systemen leidend?

Het antwoord op al deze vragen is nee. Maar welke kant gaat het dan?wel op?

pred1

Interessante patronen
Politieorganisaties over de hele wereld, en dus ook in Nederland, houden?zich momenteel bezig met de ontwikkeling van predictive policing?? ofwel: politiewerk doen aan de hand van voorspellingen. De reden?daarvoor is dat zij beschikken over ongelofelijk veel digitale gegevens?over misdaden uit het verleden, die met verfijnde algoritmen en diepe?analyse een goudmijn vormen voor het voorspellen van criminaliteit.

Het gevolg daarvan is dat de politie aanwezig kan zijn op plaatsen?waar de kans op een volgend incident het grootst is. Daar komt bij dat deze hoeveelheid beschikbare data exponentieel blijft groeien als?gevolg van databasekoppelingen met veiligheidspartners en het ontstaan?van het ?Internet of Things?, waarbij alles en iedereen aan het?internet gekoppeld is (?Big Data?). Het effect van Big Data-analyses is?al te zien bij commerci?le bedrijven, die verbanden weten te leggen?tussen bijvoorbeeld iemands aankopen, inkomen, leeftijd en postcodegebied.?Ook de politie is op zoek naar dergelijke verbanden, zodat?zij misdaden kan voorspellen.

In de criminologie zijn er voldoende theorie?n over het denken en?doen van criminelen die inzicht geven in dergelijke patronen. Zo zegt?de routine activity theory dat criminelen zullen toeslaan op die locatie?waar de virtuele cirkels rond criminelen en geschikte slachtoffers?elkaar overlappen. Dit leidt tot de gedachte dat steeds dezelfde gebieden?worden getroffen, als er geen maatregelen worden genomen. De?rational choice theory gaat ervan uit dat criminelen een locatie kiezen?waar de afweging tussen risico (pakkans) en buit zo gunstig mogelijk?is. Volgens de crime pattern theory zullen criminelen nooit te dicht bij?hun eigen huis toeslaan, maar altijd in een buurt die ze kennen, vlak?bij huis, werk, sportschool of op de weg daarnaartoe. De blended theory
is een combinatie van de vorige drie: een crimineel zal toeslaan op?een locatie langs zijn ?activiteitenroutes?, maar niet te dicht bij huis en?daar waar de afweging tussen buit en pakkans positief is. Bij predictive?policing worden deze theorie?n vaak overboord gegooid en wordt?voornamelijk gekeken naar de simpele theorie van near repeats: in de?buurt van een incident zal vaak nog een incident volgen zolang er?niets verandert. Hoewel dit op het eerste gezicht niet lijkt op de voorgaande?theorie?n zal, zolang de pakkans, buit en activiteitenroutes?van criminelen niet veranderen, het effect hetzelfde zijn en zullen incidenten?zich in dezelfde buurt blijven voordoen.

Doorontwikkeling informatiegestuurd optreden
Een slimme, effectieve en proactieve aanpak tegen misdaad is duidelijk?beter dan achter criminelen aan hollen; rechercheren verandert in??prerechercheren?. Predictive policing in combinatie met Big Data?neemt daarom logischerwijs een enorme vlucht. En het geeft de Nationale?Politie de mogelijkheid om invulling te geven aan ?meer doen met?minder middelen?. Maar is predictive policing eigenlijk wel nieuw? Nu?al beschikt de politie over slimme analyseteams die een enorme bijdrage?leveren aan het dagelijkse politiewerk door misdaadstatistieken?en andere gegevens, zoals jaargetijden, tijdstippen en locaties, te interpreteren.?Dit leidt onder andere tot hotspotkaarten, waarop locaties te?zien zijn waar specifieke politie-inzet nodig is. Op die manier kan de
politie bijvoorbeeld haar surveillanceteams effectief inzetten. De?gemeente Eindhoven gebruikt dergelijke hotspot- of inzetkaarten om?de effectiviteit van de BOA?s (buitengewoon opsporingsambtenaren)?van Stadstoezicht te verhogen (Van Weerdt & De Vries 2014). Brandweer?Rotterdam-Rijnmond heeft de brandweerradar die voorspelt?waar de volgende brand zich zal voordoen en zorgt vervolgens dat er?een voertuig in de buurt is (Littooij 2015). Een nieuw computermodel?van TNO wordt gebruikt om overlastsituaties in wijken te voorspellen?en interventies te berekenen die het beste zouden moeten werken in?de betreffende specifieke situatie (Smit 2014). De beweging die wij bij?de politie zien, past dan ook in de huidige tijd waarin nieuwe mogelijkheden?ontstaan door het analyseren van Big Data. Het huidige?informatiegestuurd optreden van de politie (intelligence-led policing)?professionaliseert en ontwikkelt zich door naar predictive policing,?waarbij niet alleen gehandeld en gestuurd wordt op basis van informatie?uit het verleden, maar ook gehandeld, gestuurd ?n geanticipeerd?wordt op basis van voorspellingen. Hiervoor is sinds enige tijd het Criminaliteits?Anticipatie Systeem in gebruik bij basisteams, flexteams en?districten door heel Nederland.

pred3

Criminaliteits Anticipatie Systeem (CAS)
Het CAS vindt zijn oorsprong bij de politie Amsterdam. Via het programma?Politie en Wetenschap ontwikkelt zij een geavanceerd plannings-?en voorspellingssysteem. Diverse politiekorpsen in het land?gebruiken het CAS inmiddels voor het voorspellen van high impact?crimes (woninginbraak, straatroof en overvallen). Als voorbeeld?gebruiken we het operationele gebied van de politie Amsterdam. Het?systeem deelt dit gebied op in vakjes van 125 bij 125 meter. Gebiedjes?waarvan de kans op een incident vooraf al laag kan worden ingeschat,?zoals weilanden en open water, worden verwijderd. Van de overblijvende?vakjes wordt een grote hoeveelheid gegevens verzameld: criminaliteitshistorie, afstand tot bekende verdachten, afstand tot de?dichtstbijzijnde snelwegoprit, soort en aantal bedrijven zoals bekend?bij de politie, en demografische en socio-economische gegevens van?het CBS. Van elk vakje wordt op verschillende peilmomenten geregistreerd?welke gegevens er op dat moment bekend zijn. Vervolgens?wordt bepaald wat er in de twee weken na de peiling aan incidenten?kan plaatsvinden. Er wordt kunstmatige neurale netwerktechnologie?toegepast om te bepalen welke combinatie van kenmerken indicatief?is voor criminaliteit in de nabije toekomst. Het resultaat is dat de vakjes?op de kaart indicatief worden ingekleurd, een zogenoemde heat?map, waarin hoge scores een warmere kleur krijgen.

Betrouwbaarheid
Naast het door de politie zelf ontwikkelde CAS zijn er nog diverse?andere softwarepakketten op de markt. Vrijwel alle pakketten kijken?naast near repeats vaak ook naar tijdsaspecten spatiotemporele analyse)?en trends zoals verplaatsingen, seizoenen, weekdagen of weekend?en zelfs specifieke tijdstippen. Verder wordt er gekeken naar kenmerken?als omgevingsfactoren (bijvoorbeeld demografie), weersvoorspellingen,?afstanden tot vluchtwegen (aantrekkende werking) en?locaties van politiebureaus (afstotende werking). Dat levert complexe?formules op met tientallen parameters. Hoe betrouwbaar zijn de voorspellingen?die deze formules opleveren? Kloppen ze wel? Daar is niet?een direct antwoord op te geven. De betrouwbaarheid van de voorspellingen?is logischerwijs ook afhankelijk van de voorspelbaarheid?van de criminelen. Crimineel gedrag blijkt voor veelvoorkomende criminaliteit?zoals inbraken goed te voorspellen. De mens, en dus ook de?crimineel, is een gewoontedier dat succes op succes en ervaring op?ervaring bouwt. Als een bepaald type woning goed te kraken valt, dan?gaan ze daarmee verder. Een bekende omgeving is voor criminelen?prettig, omdat zij dan een betere risico-inschatting kunnen maken en?daarmee de kans op succes vergroten. Grote veranderingen in gedrag?(de modus operandi) of omgeving (nieuwe ?markten?) zonder directe?aanleiding zijn eerder uitzondering dan regel. Rondtrekkend mobiel?banditisme is echter veel lastiger te voorspellen, laat staan impulsieve?misdaden zoals een crime passionnel. Toch kan in algemene zin wel?de betrouwbaarheid van de voorspellingen worden geduid.

Ten eerste is de betrouwbaarheid van een voorspelmodel afhankelijk?van de hoeveelheid incidenten binnen een vakje op de kaart. Het?gedrag van een individu valt moeilijk te voorspellen, maar het gemiddelde?gedrag van een groep is goed mogelijk. Bedrijven als Amazon en?Bol.com gebruiken ditzelfde principe om aanbevelingen te doen. Zij?kunnen niet voorspellen of een individu ge?nteresseerd is in een product,?maar wel dat mensen met een bepaald profiel er gemiddeld vaak?in ge?nteresseerd zijn. Dit geldt ook voor incidenten. Doordat inbraken?relatief vaak voorkomen, levert dit voldoende input op om profielen te?maken en voorspellingen te doen.

Vaak weten analisten zelf al wel wat de kans is op een inbraak in een?specifiek vakje. Maar als dat 80% is, wat is dan de meerwaarde van een?systeem dat voorspelt dat de kans op inbraak de ene dag 75% is en de?andere dag 85%? Daarom is het belangrijk een detailleringsniveau te?kiezen dat klein genoeg is om meerwaarde te hebben ten opzichte van?de intu?tie van een analist. Ook moet de datahoeveelheid groot genoeg?zijn om een bepaald niveau van betrouwbaarheid te halen. Blijkbaar?kan het. Tijdens een test in de Verenigde Staten moesten ervaren analisten?en een predictive policing-systeem aangeven in welke twintig?vakjes een incident zou kunnen plaatsvinden tijdens een dienst. Het?voorspelmodel had twee keer zo vaak gelijk als de analisten (Mohler?e.a. 2015).

Ten tweede zijn de betrouwbaarheid en validiteit van een voorspelmodel?afhankelijk van de hoeveelheid informatie die het herbergt. Met?informatie bedoelen we hier niet alleen databronnen, maar ook kennis?en expertise over gedrag. Zo zullen bijvoorbeeld modellen die uitgaan?van near repeats (een incident zorgt voor een verhoogde kans op nog?een incident in de buurt) beter werken dan modellen die dergelijke?kennis niet meenemen.

Vooral dit tweede aspect lijkt een grenzeloze groei aan voorspelkracht?te bevatten. Er is immers altijd wel een informatiebron te vinden die?we extra kunnen toevoegen. Het eindeloos toevoegen van bronnen?heeft echter niet zoveel zin, omdat de voorspelkracht op een gegeven?moment niet veel meer zal verbeteren. Het gaat daarom met name om?de kwaliteit van bronnen en minder om de hoeveelheid bronnen die?door data-experts en analisten aan het systeem worden toegevoegd.?Goede bronnen leveren continu kwalitatieve en actuele data aan het?predictive policing-systeem, waardoor dit systeem voorspellingen kan?doen op basis van ?verse? data en daarmee een accurate ondersteuning?biedt voor het politiewerk.

Voorspelkracht en effectiviteit
Zelfs als we ervan uitgaan dat gedrag, met genoeg data, is te voorspellen,?betekent dit echter niet dat de voorspellingen van predictive policing?altijd uitkomen. Naast dat voorspellingen enkel een kans aangeven?en geen vaststaand feit, komen voorspellingen niet uit omdat de?politie acteert op de voorspellingen en haar surveillanceteams op?basis daarvan gericht inzet. Die plotselinge aanwezigheid van ??n of?meer agenten be?nvloedt uiteraard het gedrag van een crimineel op?dat moment. Door deze effici?nte en effectieve inzet van agenten op?plekken waar het ertoe doet, zullen minder misdaden worden?gepleegd. Niet meer blauw op straat, maar gerichter blauw op straat is?de theorie achter predictive policing. Dat dit werkt, laten de cijfers?zien. In Los Angeles daalt de misdaad met 13%(*1)?en in Santa Cruz daalt?het aantal inbraken met 27% (*2)?. In Kent ligt de hitscore van de software?? waarbij daadwerkelijk een misdrijf plaatsvond in een geselecteerd?vakje op de kaart ? bijna 60% hoger dan wanneer de vakjes handmatig?gekozen werden door analisten (Kent Police 2013). In Amsterdam ligt?de hitscore volgens de politie-eenheid Amsterdam-Amstelland in 2015?op 15% en het aantal near hits (een inbraak of straatroof die niet in het?voorspelde vakje valt maar er net naast) ligt voor woninginbraken op?40% en voor straatroof op 60%. Een pilot in Londen richt zich niet op?de locatie van een misdrijf maar op de dader. Dat levert een heat list?op van driehonderd namen, waarvan er zes nieuw zijn voor de politie?en waarvan er vijf in de weken daarna een misdaad plegen (Basulto?2014). In Memphis loopt de algemene criminaliteit terug met 30% en?het aantal geweldsmisdrijven met 15% (Greenburg 2009). Als gevolg
daarvan behoort Memphis niet meer tot de top 3 van gevaarlijkste steden?in de Verenigde Staten. Volgens de politie komt dat door de juiste?politie-inzet (bijvoorbeeld surveillance, auto?s staande houden en?undercoveroperaties) op de juiste tijd en plek (Williams 2006). Autodiefstallen?daalden met 75% en inbraken in bedrijven met 67% (Perry?e.a. 2013). Inmiddels heeft de politie van Memphis een Real Time?Crime Center van $ 3 miljoen neergezet om predictive policing een?vaste plaats te geven in haar manier van werken. Volgens onderzoek?van Nucleus Research levert dit centrum jaarlijks meer dan $ 7 miljoen?op (Nucleus Research 2010). Ook New York heeft een Real Time Crime?Center, waar alle databases ?n meer dan 3.000 politiecamera?s worden?geanalyseerd. In Zwitserland en Duitsland is een aantal politiekorpsen?Precobs software aan het testen, het zogenoemde Pre Crime Observation?System (*3).?De politie in Noordrijn-Westfalen is daarentegen zeer kritisch?over de effecten van predictive policing, omdat de positieve cijfers?en gemeten effecten veelal worden geleverd door softwareleveranciers?of politiekorpsen die baat hebben bij het presenteren van gunstige?cijfers. In het Amerikaanse Richmond is men gestopt met deze?werkwijze vanwege gebrek aan bewijs dat het zou werken (Aldax 2015).

Ondanks deze kritische geluiden lijkt het erop dat criminaliteit wel?degelijk goed te voorspellen is. Het staat echter nog wel in de kinderschoenen?en het zijn vooral wiskundigen die zich op dit moment?bezighouden met het ontwikkelen van voorspellende algoritmen. Predictive?policing richt zich om die reden nu nog vooral op veelvoorkomende?delicten waar een klein aantal mensen een rol in speelt (zoals?veelplegers uit een buurt of rondtrekkende dadergroepen) en vermogensdelicten?zoals woninginbraken en straatroof, waar vaak aangifte?van wordt gedaan. Maar op termijn, als de politie beschikt over meer?informatie en betere databronnen, valt te verwachten dat het systeem?ook andere delicten kan voorspellen, zoals liquidaties in de onderwereld?of een radicaliseringsproces. De maatschappij zal echter nooit?helemaal zonder misdaad zijn en voorspellend politiewerk is geen?oplossing voor alle misdaad. Het is geen panacee voor een veilige
maatschappij en veiligheid kan niet volledig worden ?gedataficeerd?.

pred4

Risico?s
Technologisch gezien zou predictive policing exponentieel verder kunnen?groeien. Maar vanuit maatschappelijk en organisatorisch oogpunt?zit er nog een rem op. Wil de politie wel zoveel gaan vertrouwen op?technologie? Is de organisatie er wel klaar voor? Nemen algoritmen en?robots het werk van agenten op diverse vlakken zo meteen over? En?wat zijn eigenlijk de juridische en ethische haken en ogen? 100%?betrouwbare voorspellingen zijn immers een illusie; of nemen we een?foutmarge voor lief en worden onschuldige burgers opgesloten? (*4).?Dit?zijn relevante vragen die beantwoord moeten worden. Wij zien de?voordelen van predictive policing, omdat de politie hiermee effici?nter?en effectiever op de juiste plaats ingezet kan worden. Maar wij zien
ook risico?s. We benoemen er een aantal.

Ten eerste kan predictive policing het risico in zich hebben dat de politie?straks allerlei mensen gaat oppakken om vervolgens te zeggen: ja,?dat moest van onze algoritmen. Straks worden we door Facebook bij?de politie aangegeven voordat we ook maar iets hebben gedaan. Of je?wordt staande gehouden terwijl je geheel onschuldig met een gereedschapskist?door een buurt loopt waar statistisch gezien op dat?moment veel wordt ingebroken. Dan heb je als burger ineens veel uit?te leggen. De rechter zal hier vanuit de onschuldpresumptie geen?genoegen mee nemen en om bewijs vragen op basis waarvan het algoritme?tot de voorspelling is gekomen en vragen naar de reden waarom?de politie dat advies heeft opgevolgd. Daarom zijn en blijven de kennis?en kunde van de ervaren politieagent leidend. Hij zal moeten beoordelen?hoeveel waarde en bewijswaarde kan worden toegekend aan een?voorspelling van het systeem en hoeveel aanvullend bewijs is vereist.

Dat brengt ons bij een tweede risico, dat het systeem te complex wordt?en niet meer door mensen wordt begrepen. Algoritmen vangen echter?geen boeven. Dat doen mensen van vlees en bloed. Zonder mensen?sta je nergens met intelligence, en al helemaal in de huidige fase van?predictive policing waarin alles nog in de kinderschoenen staat.?Human in the loop by design is de essentie van het principe dat wij?voorstellen, omdat we de mens als belangrijkste schakel in elke toepassing?van predictive policing zien. Alle menselijke schakeltjes moeten?ingebakken zitten in het ontwerp van predictive policing: denk aan?de analisten, de leiding, de beleidsmakers en de agenten op straat.?Hoewel de menselijke schakel onder druk staat in de huidige informatiemaatschappij,
zijn veel data die de politie nu gebruikt nog steeds?door mensen verzameld, verwerkt en in context geplaatst. Analisten?doen vervolgens diverse interpretatieslagen en mensen nemen besluiten op basis van deze adviezen, waarna maatregelen door mensen?worden genomen, die vervolgens weer door mensen worden beoordeeld?op hun effectiviteit. Politiemensen zijn daarom in onze visie de
belangrijkste schakel: het systeem doet de basiszaken, de mens?bepaalt wat ermee gebeurt. Een voorspelling is derhalve dus geen bindend?advies, want mensen zijn slimmer dan een systeem dat alleen?met data werkt. Totdat het moment van singularity aanbreekt, waarbij?computers niet alleen sneller of accurater kunnen rekenen, maar ook?creatiever, slimmer en bewuster zijn dan mensen. Dat duurt nog minstens?twee decennia en zelfs dan is het de vraag of je iets dergelijks in?handen van een machine wilt leggen, want dan komt de ?gedachtepolitie??uit Minority Report wel heel dichtbij.

De menselijke factor levert een derde risico op: dat de data in systemen?een gekleurd beeld geven (zogenoemde bias) en algoritmen dus?gekleurde voorspellingen zullen doen. De voorspelling is zo goed als?de data eronder. Wordt het systeem gevoed met vooroordelen ten aanzien?van bevolkingsgroepen of etnische afkomst, dan zal dat zijn effect?hebben op de resultaten. Daarom is het van belang dat de politie niet?alleen op voorspellingen gaat varen en belangrijke beslissingen alleen?daarop gaat baseren. Tunnelvisie ligt dan op de loer, een bekend?dilemma in het politiewerk. Dit risico zal alleen maar toenemen als het?systeem complexer wordt en kennis over de werking afneemt. Wij pleiten?daarom voor transparantie. Het moet inzichtelijk zijn hoe de systemen?en hun algoritmen werken.

Een vierde risico is dat leveranciers die transparantie niet geven omdat?hun concurrentiepositie dan gevaar loopt. Toch zal de maatschappij of?de wet wellicht gaan eisen dat algoritmen volledig transparant zijn,?want waarom ben je aangehouden, of kwam de politie eigenlijk zelf op?jouw spoor? Dat dit belangrijk is, bewijst het grappige voorbeeld van?de Miss America-verkiezingen (Hiltzik 2014). Zo kun je het aantal?moorden met behulp van stoom of hete vloeistoffen al jarenlang perfect?voorspellen door middel van de leeftijd van de Miss America van?dat jaar. Algoritmen zijn dom, voeren uit wat er van ze wordt gevraagd?en leggen verbanden tussen gebeurtenissen, hoe vreemd een dergelijke?relatie ook is. Dergelijke ?fouten? kunnen desastreuze gevolgen?hebben, dat hoeft geen betoog.

Een vijfde risico is dat de predictive policing-systemen informatie platslaan?tot vakjes en cirkeltjes op een kaart, terwijl academici al honderden?jaren onderzoek doen naar waarom mensen crimineel worden en?hoe ze zich dan gedragen. Om deze kennis, maar ook die van analisten?en politiemensen op straat, toe te kunnen voegen moet v??r de implementatie?expliciet worden nagedacht over hoe dit ingebakken kan?worden in het systeem of in aanvullende processen.?Privacy is een zesde risico. Enerzijds omdat voorspellend politiewerk?inbreuk kan maken op de persoonlijke leefomgeving van mensen. Zo?kreeg de politie van Chicago veel kritiek op de preventieve huisbezoeken?die zij aflegde bij veelplegers (Stroud 2014). Anderzijds zijn er veel?gegevens bekend die ertoe doen en voorspellingen beter maken, maar?die niet gebruikt of gekoppeld mogen worden om redenen van privacy.?Als laatste risico noemen we de valkuil om vooral te blijven werken?aan technologische ontwikkeling en betere computervoorspellingen,?terwijl het veel belangrijker is om na te denken over de vraag hoe de?politie effectief aan de slag kan gaan met enigszins betrouwbare voorspellingen.?De crux zit in het slim regelen van de operationele inzet en?slimme interventies.

Prescriptive policing
Het zo goed mogelijk voorspellen van misdrijven is geen doel op zich.?Het gaat erom dat ze worden voorkomen. Om daar inzicht in te krijgen?zal de politie het effect van een voorspelling en de daaropvolgende?inzet moeten gaan meten. Op die manier leert de politie welke inzet?het beste werkt in welke situatie. Daarmee verschuift het politiewerk?van predictive policing naar effect-led policing. Als die kennis over de?effectiviteit van interventies wordt toegevoegd aan het systeem, verschuift?het politiewerk van effect-led policing naar prescriptive policing.?Het systeem kan dan niet alleen voorspellingen doen, maar op?basis van data uit het verleden ook adviseren over welke politie-inzet?in de gegeven situatie het meest effectief zal zijn.

Prescriptive policing werkt alleen als het is toegespitst op een specifiek?gebied. Als het systeem kan bepalen waarom iets op sommige plaatsen?wel werkt en op andere plaatsen niet, dan kan dat ge?xtrapoleerd worden?naar andere gebieden. Zonder de effectiviteit van elke interventie?in dat specifieke vakje te bepalen kan het systeem inschatten wat?waarschijnlijk wel of niet zal werken. Daarvoor moeten wel de relevante?kenmerken van een gebied bekend zijn, en de kenmerken van?interventies. Misschien werkt patrouilleren met de auto niet, maar met?de fiets wel. Of zijn er specifieke agenten die naast patrouilleren ook?andere acties ondernemen die zorgen dat er wel of geen effect is. Dat?maakt prescriptive policing moeilijker, maar tegelijkertijd ook veel
waardevoller. Het biedt de mogelijkheid om de jarenlange kennis en?ervaring in een context te plaatsen en deze te herhalen daar waar de?context gelijk is. Daarbij is het van belang dat een dergelijk systeem?niet dicteert wat er moet gebeuren. Zelfs als het systeem denkt dat de?context gelijk is, dan nog moeten agenten, analisten, leiding of?beleidsmakers vertrouwen op hun jarenlange ervaring en kennis, helemaal?aangezien een dergelijk systeem niet de creativiteit heeft om iets?nieuws te verzinnen. Het kan enkel de lessen uit het verleden zo goed?mogelijk vertalen. De uitkomst mag daarom hoogstens worden gezien?als een suggestie die de basis moet vormen voor een beslissing of discussie.?De mens blijft wat ons betreft de belangrijkste schakel in het?hele proces. Eerder in dit artikel haalden we al het principe ?human in?de loop by design? aan. Ook is er een juridisch argument om dit principe?toe te passen: de Wet bescherming persoonsgegevens stelt in artikel
42 lid 1 dat ?niemand kan worden onderworpen aan een besluit?waaraan voor hem rechtsgevolgen zijn verbonden of dat hem in aanmerkelijke?mate treft, indien dat besluit alleen wordt genomen op?grond van een geautomatiseerde verwerking van persoonsgegevens?bestemd om een beeld te krijgen van bepaalde aspecten van zijn persoonlijkheid?.

Implementatie
Het doel van predictive en prescriptive policing is niet m??r boeven?vangen, maar misdrijven voorkomen door agenten effectief preventief?in te zetten. Dat vergt een cultuuromslag, waarbij het voorkomen van?slachtoffers voortaan centraal staat. Het ?reactief en op heterdaad?oppakken? verandert in ?proactief voorkomen?. Deze omslag vraagt om?sterk intern leiderschap en sturing. Ook zullen de prestatie-indicatoren?van de politie moeten worden aangepast: het gaat niet meer om?het behalen van bepaalde streefcijfers, maar om de effectiviteit van?politieoptreden. De politie wordt niet meer beloond voor haar inzet,?maar voor het effect dat zij bereikt.

De implementatie van beide vormen van policing gaat echter niet?alleen over de organisatiecultuur, maar ook over politiemensen, hun?competenties en hun samenwerking met de voorspellende software.?Daarnaast gaat het over processen, taken, besluitvorming en manier?van leidinggeven. Verder zal tijdens de implementatie veel aandacht?uitgaan naar de juiste informatiebronnen en integriteit van data. Tot?slot speelt techniek een rol in de implementatie, waarbij de ICT-architectuur?ingericht moet worden op deze nieuwe werkwijze, de juiste?software geselecteerd en aangeschaft moet worden en agenten op?straat de juiste tools krijgen aangereikt.

Alles hangt met elkaar samen. Daarom vraagt de implementatie om?een integrale benadering van doel, mens en organisatie, proces, informatie?en techniek. Daarbij onderscheiden we vier implementatieniveaus:?intelligence-led policing (informatiegestuurd optreden), predictive?policing (voorspellen), effect-led policing (effectmeting) en prescriptive?policing (contextgestuurde adviezen). Deze vier niveaus hebben?we in dit artikel toegelicht.

Discussie
In dit artikel hebben we laten zien wat predictive policing inhoudt en?welke mogelijkheden het biedt. De technologie staat nog in de kinderschoenen,?maar de ontwikkelingen gaan razendsnel. De Verenigde?Staten lopen hierin voorop. De Nederlandse politie heeft inmiddels de?eerste stappen gezet om van informatiegestuurd politiewerk te komen?tot voorspellend politiewerk. We hebben ook laten zien dat er risico?s?verbonden zijn aan deze nieuwe werkwijze. In ons boek Van predictive?naar prescriptive policing (Smit e.a. 2016) gaan we daar verder op in.

Wij bevelen daarom aan om niet klakkeloos voorspellende software te?implementeren in het politieproces, maar eerst te discussi?ren over?het doel en de mate waarin de software het politiewerk kan gaan?ondersteunen. Zorg er vervolgens voor dat deze nieuwe werkwijze?gepaard gaat met juridische, ethische en organisatorische waarborgen?en start daarna met kleinschalige experimenten die opgeschaald kunnen?worden tot landelijk niveau. Onderschat de veranderingen niet?die predictive policing met zich meebrengt. Dat vraagt om een goede?overdenking en om draagvlak binnen en buiten de politieorganisatie.

(*1) Scientifically Proven Field Results, 2013-2014, www.predpol.com/results.
(*2) Scientifically Proven Field Results, 2011-2012, www.predpol.com/results.
(*3) Zie IfmPt. 2015-2016, www. ifmpt. de.
(*4) Zie voor een overzicht van de risico?s van predictive policing het recente artikel van Kaya Bouma, ?Buienradar voor boeven? in De Groene Amsterdammer, www.groene.nl/artikel/buienradar-voor-boeven. Over de risico’s van etnisch profileren verscheen recent een artikel van Marc Schuilenburg op www.socialevraagstukken.nl/etnisch-profileren-is-onderdeel-van-vooringenomen-criminaliteitsbeleid.

Literatuur

Aldax 2015
M. Aldax, ?Richmond police chief?says department plans to discontinue??predictive policing? software?,?24 juni 2015.

Basulto 2014
D. Basulto, ?Relax, the futuristic?pre-crime system of ?Minority?Report? is still a long way from?becoming reality?, 6 november?2014.

Greenburg 2009
Z.O. Greenburg, ?America?s most?dangerous cities?, Forbes Magazine?23 april 2009.

Hiltzik 2014
M. Hiltzik, ?See some hilarious?charts showing that correlation is?not causation?, Los Angeles Times?12 mei 2014.

Kent Police 2013
Kent Police, PredPol operational?review ? Initial findings, Kent:?Corporate Services, Analysis?Department, Kent Police 2013.

Littooij 2015
A. Littooij, ?Brandweerradar??(J. D. Award, interviewer), 2015.

Mohler e.a. 2015
G. Mohler, M. Short, S. Malinowski,?M. Johnson, G. Tita,?A. Bertozzi & P. Brantingham,??Randomized controlled field?trials of predictive policing?, Journal?of the American Statistical?Association (110) 2015, afl. 512,?p. 1399-1411.

Nucleus Research 2010
Nucleus Research, IBM SPSS ROI?Case Study: Memphis Police?Department (Document K31),?Boston, MA: Nucleus Research,?Inc. 2010.

Orwell 1949
G. Orwell, Nineteen Eighty-Four,?New York: New American Library?1949.

Perry e.a. 2013
Q. Perry, B. McInnis, C. Price,?S. Smith & J. Hollywood, Predictive?policing ? The role of crime?forecasting in law enforcement?operations, Santa Monica, CA:?Rand Corporation 2013.

Smit 2014
S. Smit, ?Computermodel voorspelt?overlast in woonwijken ? en?wanneer die uitblijft?, Secondant?30 april 2014.

Smit e.a. 2016
S. Smit, A. de Vries, R. van Kleij &?H. van Vliet, Van predictive policing?naar prescriptive policing,?Den Haag: TNO 2016.

Stroud 2014
M. Stroud, ?The minority report:?Chicago?s new police computer?predicts crimes, but is it racist??,?The Verge 19 februari 2014.

Van Weerdt & De Vries 2014
C. van Weerdt & A. de Vries,?Dienstverlening verbeteren met?Big Data. Een verkenning voor?gemeenten. Den Haag: TNO 2014.

Willems & Doeleman 2014
D. Willems & R. Doeleman, ?Criminaliteits?Anticipatie Systeem?,?het Tijdschrift voor de Politie?2014, p. 39-42.

Williams 2006
A. Williams, ?Blue C.R.U.S.H.?walks its beat among community?organizations?, Memphis Daily?News 16 november 2006.

[slideshare id=64129657&doc=jv1603-volledige-teksttcm44-643006-160718154218&type=d]

Bronnen:?Justiti?le verkenningen,?jrg. 42, nr. 3, 2016

Dit artikel is gebaseerd op het boek Van?predictive naar prescriptive policing, uitgegeven door TNO en geschreven door Selmar?Smit, Arnout de Vries, Rick van der Kleij en Hans van Vliet. Dit boek is te downloaden via?www.tno.nl/prescriptive-policing.

 

Buienradar voor boeven

ProKidx

Onderstaand artikel van Kaya Bouma is eerder gepubliceerd in De Groene Amsterdammer

‘Kijk me aan!’ Howard Marks, de man die net nog op het punt stond zijn vrouw en haar minnaar te lijf te gaan met de keukenschaar, ligt gevangen in de houdgreep van een politieagent. Het is exact vier minuten over acht ’s morgens. De vloer is bezaaid met glas. ‘Mr. Marks, bij volmacht van de afdeling PreCrime van Washington D.C. arresteer ik u voor de toekomstige moord op mrs. Marks en mr. Dubin, die vanmorgen plaats zou vinden om vier minuten over acht.’

precogs

We schrijven het jaar 2054. Misdaad bestaat niet meer. Drie helderzienden op sterk water, gekoppeld aan een ingenieus computersysteem, voorspellen wie wanneer een moord gaat plegen. Aan politieagent en protagonist Tom Cruise de taak om de criminelen in spe in de kraag te vatten v??r ze de fout in gaan. ‘Is er eigenlijk wel sprake van moord als de daad zelf niet gepleegd is?’ vraagt Colin Farrell in de hoedanigheid van kritisch inspecteur. ‘Het feit dat je iets voorkomt wil niet zeggen dat het niet zou gebeuren wanneer je niet had ingegrepen’, kaatst Cruise terug. Kort daarna rolt de politieagent zelf als toekomstig moordenaar uit het systeem en heeft hij een groot probleem.

Steven Spielbergs Minority Report gaat wellicht niet de geschiedenis in als zijn grootste meesterwerk, maar de film uit 2002 haalt nog zeker wekelijks het nieuws. Zodra het over iets nieuws en futuristisch gaat, gaat het over Tom Cruise en zijn drie telepaten in een badkuip. Meestal is dat niet in positieve zin. De actiefilm geldt voor velen als schrikbeeld van een toekomst waarin privacy non-existent is en de politie in de hoofden van burgers kruipt. Des te opvallender dat het omgekeerde geluid ook steeds vaker te horen is: veiligheidsorganisaties mogen graag naar de film verwijzen als inspiratiebron voor het optuigen van een vergelijkbaar voorspellend systeem – minus de helderzienden weliswaar.

Predictive policing heet dat: het voorspellen van misdaad op basis van grote hoeveel?heden data. En dat is niet iets van een verre toekomst. Politiekorpsen overal ter wereld, inclusief Nederland, maken er al gebruik van.

De kristallen bol is de misdaadbestrijding binnengedrongen. Daarbij wordt de blik steeds verder op de toekomst gericht. De allernieuwste ontwikkeling: preventief straffen. De Amerikaanse staat Pennsylvania werkt momenteel aan een systeem dat rechters helpt bij het bepalen van de strafmaat. Op basis van onder meer iemands criminele verleden (eerdere arrestaties en veroordelingen), geslacht, leeftijd en postcode wordt een voorspelling gedaan over zijn toekomstige wandaden. Is de kans statistisch gezien groot dat een dader ooit opnieuw een vergrijp pleegt, dan kan hij bij voorbaat extra zwaar gestraft worden. Andersom kan een dader aan wie een hemelsblauwe toekomst wordt toegedicht strafvermindering krijgen.

De techniek voor dit soort orakelwerk is al ruimschoots voorhanden. Grote techbedrijven buitelen de laatste jaren over elkaar heen in een wedloop van voorspellende software, waarbij de mogelijkheden duizelingwekkende proporties aannemen. Zo belooft IBM?politiekorpsen preventief naar de crime scene te leiden. In een bijbehorend reclamefilmpje staat een politieagent op z’n dooie gemak, koffie erbij, een overvaller op te wachten die op het punt staat toe te slaan.

Het Amerikaanse veiligheidsbedrijf Intrado ontwikkelde Beware, een systeem dat op basis van onder andere iemands adres, uitingen op sociale media en een eventueel strafblad voorspelt hoe groot de kans is dat hij een misdaad begaat. Een 42-jarige Afghanistanveteraan met PTSS?en een strafblad, die op Facebook schrijft over zijn oorlogservaringen? Het levert een dreigingsscore op van 67 van de 100 punten. Microsoft werkt aan een programma dat niet alleen criminaliteit van ver kan zien aankomen, maar ook van elke individuele gevangene kan voorspellen hoe groot de kans is dat hij of zij, eenmaal op vrije voeten, opnieuw de fout in zal gaan.

Politiekorpsen zijn er blij mee. In onder andere de Verenigde Staten, China, Brazili?, het Verenigd Koninkrijk, Duitsland, Zwitserland en Belgi? wordt met predictive policing gewerkt. Amerika loopt voorop: minstens zestig steden gebruiken een of meer vormen van voorspellende software. ‘Minority Report uit 2002 is de realiteit van vandaag‘, zei William Bratton, hoofd van de politie in New York, vorig jaar tijdens een debatavond over big data en veiligheid.

In Nederland neemt predictive policing ook ‘een enorme vlucht’, schrijven onderzoekers van TNO?in een recente publicatie over het onderwerp. Zo heeft de politie een systeem ontwikkeld dat inbraak en straatroof kan voorspellen. In samenwerking met de Universiteit Twente is informatiegestuurde luchtsteun opgezet: politiehelikopters vliegen preventief naar plekken waar high impact crime als overvallen en inbraken verwacht wordt. De politie werkt ook samen met commerci?le aanbieders van voorspellende software, maar noemt geen namen.

Volgens oud-politiemedewerker Rutger Rienks behoort Nederland internationaal tot de voorhoede. Als afdelingshoofd business intelligence bij de politie was Rienks de afgelopen jaren betrokken bij de eerste stappen naar voorspellend politiewerk. ‘Als je als overheids- of politieorganisatie criminaliteit op deze manier kunt uitbannen, dan lijkt mij dat een droom waar je je hard voor moet maken.’

Het is een omstreden droom. De Nationale Politie kreeg in oktober 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.’ Criminoloog Marc Schuilenburg waarschuwt voor een politie die al te diep in de kristallen bol probeert te kijken: ‘Het gevaar is dat je uitkomt bij een gedachtenpolitie die steeds meer in de stoel van de psychiater gaat zitten en probeert criminele intentie te lezen in bepaald gedrag.’

Ook onderzoekers die zelf met voorspellings?modellen werken zijn kritisch. ‘Wij krijgen wel eens de vraag of we niet met heel evil technologie bezig zijn’, zegt Arnout de Vries. Als onderzoeker bij TNO?werkt hij aan verschillende experimenten rond predictive policing. ‘Misschien is dat wel zo, ja. Maar als je als overheid stil blijft staan en denkt: we houden deze enge technologie liever buiten de deur word je links en rechts door bedrijven ingehaald en sta je nergens. Je ziet politiewerk nu al privatiseren.’

In de VS ligt predictive policing al langer onder vuur. Tegenstanders waarschuwen behalve voor privacy-schending voor de groeiende macht van bedrijven die dit soort veiligheidssystemen aanbieden. De techniek zou bovendien leiden tot etnisch profileren, omdat de voorspellingen vooroordelen in de gebruikte data reflecteren.

Een alomtegenwoordige gedachtenpolitie, nog racistisch ook. Het klinkt nogal onheilspellend. Maar is het dat ook? Er is in Nederland nog weinig bekend over predictive policing. De politie geeft maar mondjesmaat informatie prijs. Wat gebeurt er al? Hoe werkt het precies? En wat kunnen we ervan verwachten?

Mark Jules klapt zijn laptop open en weet wat de toekomst in petto heeft. Jules is vice-president Public Safety Visualization bij multinational Hitachi en zodoende binnen de multinational de man met de glazen bol. Hij is vanmorgen overgevlogen uit Philadelphia en zit nu, zonnebril nog in het schouderlange stroblonde haar, in de bedrijfskantine van Hitachi Data Systems in Zaltbommel. Jules is in Nederland om te praten met ‘ge?nteresseerde partijen’ over de predictive-policingsoftware die het bedrijf sinds kort aanbiedt.

‘Even kijken’, hij zoomt in op de kaart van Washington D.C. en beweegt met zijn muis langs een rijtje delicten: diefstal, fraude, gewelddadige overvallen. De keuze valt op ‘sex crimes’. De kaart van de Amerikaanse hoofdstad, in rasters opgedeeld, kleurt hier en daar donkerrood. In die dieprode vierkantjes, elk goed voor twee huizenblokken, gaat het de komende 24 uur gebeuren. Om erachter te komen wat precies klikt Jules op een van de gekleurde vierkantjes. ‘In dit blok is de kans op een zedendelict vandaag 47 procent.’ Het is dat dit een demo-versie is, zegt Jules, anders kon hij per adres een gedetailleerde voorspelling geven.

Dit is predictive policing in de praktijk: een zo precies mogelijke kansberekening, uitgezet op een kaart. Buienradar, maar dan voor boeven. Het systeem van Hitachi is exemplarisch voor de meeste vormen van voorspellende software. Vertrekpunt: een flinke berg data van een stad of buurt. Historische criminaliteitscijfers, sociaal-geografische informatie over inwoners, adressen van bekende overtreders, data afkomstig van sociale media, het weer, het nieuws. Hoe meer hoe beter, liefst gecombineerd met een netwerk van slimme camera’s die in staat zijn gezichten te herkennen en geluidssensoren die geweerschoten detecteren. Zelflerende algoritmes zoeken vervolgens naar patronen. Blijkt er als het regent stelselmatig minder te worden ingebroken, dan wordt die informatie meegenomen in een voorspelling.

‘Ons systeem vindt correlaties die je als mens nooit gezien zou hebben’, zegt Jules. ‘In een van de steden waar wij werken blijkt rond fietsenrekken meer criminaliteit gepleegd te worden. Geen flauw idee waarom dat zo is. Maar zolang het een betrouwbare voorspelling oplevert, zijn wij tevreden.’ Een voorspelling van Hitachi komt volgens Jules in ongeveer 75 procent van de gevallen uit. ‘Dat is vijftien procent beter dan de meeste andere voorspellingsproducten.’ Of dat waar is, valt niet te controleren. Onafhankelijk onderzoek naar verschillende predictive systemen is nog niet gedaan.

Wordt er in Nederland al met de voorspellende software van Hitachi gewerkt? vraag ik.

‘Nee’, zegt Jules. ‘We werken alleen in de VS.’

‘Jawel hoor’, zegt persvoorlichter Bastiaan van Amstel even later, als Jules door is naar zijn volgende afspraak. ‘We mogen alleen niet alles zeggen. Niet alle partijen voor wie wij werken willen publiekelijk bekendmaken dat ze hiermee bezig zijn.’ Volgens de persvoorlichter zegt Jules daarom voor alle zekerheid niks. ‘Maar ik kan je vertellen dat deze software al op meerdere plekken in Nederland wordt uitgeprobeerd.’ Waar precies? Op hoeveel plekken? En voor wie?

‘Het aantal pilots is op ??n hand te tellen’, zegt Van Amstel. ‘We werken nog niet voor private bedrijven, het gaat om overheidspartijen.’ Met een mysterieuze glimlach: ‘Meer kan ik ?cht niet zeggen.’ Het is typerend voor het onderwerp. Predictive policing is in Nederland in nevelen gehuld. De politie maakt niet bekend met welke commerci?le instellingen wordt samen?gewerkt. Bedrijven kunnen op hun beurt vanwege geheimhoudingsovereenkomsten niet zeggen aan wie ze hun diensten verkopen.

Volgens de Amsterdamse korpschef Pieter-Jaap Aalbersberg moet het debat over predictive policing in alle openheid worden gevoerd. ‘Stel dat wij huiselijk geweld jegens kinderen kunnen voorspellen’, zei hij in oktober bij de uitreiking van de Big Brother Award. ‘Willen we dat? Het dilemma van het kind dat klappen krijgt tegen de methodiek die erachter zit. Dit zijn de debatten waar wij als politie zelf ook mee worstelen.’ Daarom is maatschappelijke discussie over het onderwerp ook zo belangrijk, zegt de korpschef. ‘Het gaat om openheid, want zonder maatschappelijk debat en democratisch besluit ben je niet een democratische samenleving.’

Toch wijst de politie meerdere interview?verzoeken af. Dat is niet uit onwil, zegt een persvoorlichter. ‘Het is nog te vroeg om naar buiten te treden. We zijn momenteel een belangrijke pilot rond predictive policing aan het afronden.’ Pas als er duidelijke cijfers en definitieve plannen zijn, is het tijd voor de pers. Om dezelfde reden wil de politie niet zeggen welke projecten er al lopen of hoeveel er al in wordt ge?nvesteerd.

Toch valt er op basis van gesprekken met betrokkenen en publicaties die recent over het onderwerp zijn verschenen een beeld te vormen van wat er al gebeurt. De politie werkt, zo blijkt, aan minstens acht projecten rond predictive policing. Daarbij gaat het deels om pilots en deels om systemen met voorspelcapaciteiten die al in gebruik werden genomen voor de bijbehorende allitererende modeterm kwam overwaaien uit de VS. De politie opereert zowel zelfstandig als met hulp van buitenaf. Zo wordt er bijvoorbeeld samengewerkt met TNO, dat ook voor de AIVD?en MIVD?de mogelijkheden van voorspellingen op basis van big data verkent.

Een rondgang langs grote spelers levert een rijtje bedrijven op die in Nederland al actief zijn. Zo is volgens een woordvoerder behalve Hitachi ook IBM, een van de marktleiders in de voorspellingsindustrie, ‘betrokken’ bij predictive-?policingprojecten. ‘We kunnen geen uitspraken doen over welke korpsen of over de aard van de projecten.’ Zakelijk dienstverlener Deloitte heeft net een pilot voor de politie afgerond, vertelt medewerker Maurice Fransen. ‘We hebben een soort buienradarkaart van Nederland gemaakt, waarmee je twee weken vooruit kunt zien in welke wijk we inbraken kunnen verwachten.’ De politie wil het model volgens hem ook inzetten voor andere vormen van criminaliteit.

Ook het Franse consultancybedrijf Cap?gemini werkt aan voorspellende projecten, valt af te leiden uit de Nationale Innovatieagenda Veiligheid 2015. Daarin wordt het ‘herkennen en voorspellen van afwijkend gedrag’ een landelijk innovatiespeerpunt genoemd. Cap?gemini gaat een voortrekkersrol vervullen, staat te lezen. Wat dat in de praktijk betekent wil het bedrijf niet zeggen. ‘Vraag maar na bij de politie.’

Met kop en schouders het opvallendste initiatief is de samenwerking met de Nederlandse start-up Pandora Intelligence uit het Gelderse Elst. Mede-oprichter Peter de Kock, ooit filmmaker en nu recherchekundige bij de politie, deed een paar jaar geleden promotieonderzoek naar het voorspellen van terrorisme en kwam met een onorthodoxe aanpak. De Kock legde een database aan van zo’n tweehonderdduizend terroristische incidenten die wereldwijd plaatsvonden en combineerde die met een database van filmscenario’s, boeken en theaterstukken waarin terrorisme voorkomt, opgebroken in scenario-elementen. Fictie kan volgens De Kock een krachtige voorspeller zijn. ‘Neem bijvoorbeeld de aanslagen van 11 september. Een vliegtuig dat zich in een wolkenkrabber boort, zoiets had de Amerikaanse schrijver Tom Clancy al jaren eerder beschreven in een van zijn boeken.’

Zie hieronder het interview dat hij gaf op de dag van zijn promotie in De Wereld Draait Door, met de kern van zijn onderzoek: ??wij zijn [?] nu voor de eerste keer in staat om heel veel data te genereren, heel veel data te wassen [?] Tot voor kort was het belangrijk wie dat opsporingsonderzoek leidde en of die de juiste kennis had. Nu kun je die kennis apart in een database zetten en iedereen heeft daar toegang toe die je daar toegang toe verleent. En dat gaat diegene helpen die de interpretatie moet maken.?

De aanpak is veelbelovend. De Kock liet zijn algoritmes voorspellingen doen op basis van terroristische incidenten die gepleegd waren voor 2007 en vergeleek de uitkomsten met aanslagen die werkelijk plaatsvonden na 2007. Zijn systeem bleek in sommige gevallen vijftig tot zeventig procent beter te kunnen voorspellen dan gangbare methodiek. Dat zijn bijzondere scores bij een ongrijpbaar verschijnsel als terrorisme. Niet gek dus dat veiligheidsorganisaties wereldwijd De Kock weten te vinden. ‘Telkens als er een klap is ergens in het Westen gaat bij mij de telefoon: je moet n? komen praten.’ Ook grote softwarebedrijven als IBM?en Oracle hebben interesse getoond. Toch heeft de politiemedewerker ervoor gekozen zijn voorspeller vooralsnog alleen in te zetten voor zijn eigen werkgever. Dit jaar nog koppelt hij zijn databases aan die van de politie en kan het betere orakelwerk beginnen.

Dat betekent overigens niet dat er straks spontaan een naam, een moordwapen en een locatie uit het systeem komt rollen, zegt De Kock: ‘Het werkt eerder zo: stel, een omstreden politicus houdt een boeksigneersessie, of Obama bezoekt Nederland. Dan kan mijn systeem straks alle potenti?le scenario’s bedenken van mogelijke daders en hun werkwijze.’ Daar kan de politie zich dan alvast op voorbereiden.

Maar dat is later. Wat de politie op dit moment zonder hulp van buitenstaanders onderneemt weet Rutger Rienks, een van de grondleggers van predictive policing in Nederland. Rienks, een jongensachtige dertiger, werkte tot een half jaar geleden bij de politie. Hij schreef voor de politieacademie het boek Predictive Policing: Kansen voor een veiligere toekomst, dat vorig jaar verscheen. Inmiddels werkt Rienks voor de gemeente Amsterdam, maar hij wil best nog eens vertellen over zijn ervaringen bij de politie. Want ja, hij is enthousiast. ‘Ik zie kansen, nou en of. Predictive policing kan ons een hele hoop ellende besparen. Er zitten natuurlijk allerlei haken en ogen aan, maar als je vertrouwen hebt in de modellen die die voorspellingen doen en ze goed toetst, dan kun je een hoop narigheid voorkomen.’

Die haken en ogen, daar heeft de oud-?politiemedewerker nog een leuk verhaal over met een poedel in de hoofdrol. Maar dat komt straks, eerst de voorspellende systemen. Rienks noemt in zijn boek een aantal voorbeelden. Het absolute paradepaardje van de politie is het zogenoemde Criminaliteits Anticipatie Systeem (CAS), dat in 2012 door de Amsterdamse politiemedewerker Dick Willems is ontwikkeld. Door het combineren van onder meer historische criminaliteitscijfers met CBS-data (denk aan inkomensgegevens, uitkeringen, gezinssamenstelling) en adressen van bekende verdachten kan de politie woninginbraken en straatroven voorspellen. Het systeem is in staat ongeveer veertig procent van de woninginbraken en zestig procent van de straatroven te voorspellen. Het cas wordt inmiddels uitgetest in vier steden, het streven is het systeem over heel Nederland uit te rollen. Ook internationaal is de belangstelling gewekt. Vertegenwoordigers uit onder andere Canada en Turkije zijn al op bezoek geweest om er meer over te weten te komen.

In onderstaande uitzending van Factchecker legt Dick Willems van de politie Amsterdam uit hoe het globaal werkt (na ongeveer 9 minuten in de uitzending). Zie ook?hier.

Een vergelijkbaar systeem in samenwerking met de Universiteit Twente stuurt helikopters preventief af op plekken waar veel misdaad wordt verwacht op basis van historische cijfers. Net als bij de meeste vormen van predictive policing gaat het daarbij om high impact crimes als inbraak, overvallen en straatroof. Deze vormen van criminaliteit hebben prioriteit binnen de politie, bovendien laten ze zich makkelijk voorspellen omdat ze relatief veel voorkomen.

protective_20policiagente

Twee andere projecten van de politie vallen op omdat ze voorspellingen doen over individuen. 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 Rienks, ‘nu is dat het feit of hij het grootste risico laat zien in de toekomst weer over de schreef te gaan.’

Tijd voor het verhaal met de poedel. Daarvoor moeten we nog ??n vorm van predictive policing leren kennen: het voorspellen van drugssmokkel. Door gegevens over kentekens en reis?patronen te combineren kan de politie sinds 2011 auto’s opsporen waarvan de kans statistisch gezien groot is dat er drugs mee gesmokkeld wordt. Die aanpak werpt zijn vruchten af: door de controle te focussen op de voertuigen die de computer aanwijst, is het aantal gevonden grammen hero??ne per gecontroleerd voertuig van 5 naar 1027 gestegen. Rienks: ‘Het werkt erg goed. Maar het gaat ook wel eens mis.’

Zo kon het dat een poos geleden een verdachte auto op de snelweg in de buurt van Rotterdam met veel toeters en bellen werd klemgereden. De bestuurder bleek geen drugssmokkelaar, maar een geschokte oudere dame die net een spuitje voor haar poedel had gehaald. Haar pas aangeschafte tweedehands auto was, zo werd later duidelijk, van een smokkelaar geweest. Het nummerbord stond daarom nog in het systeem. De route die ze die dag reed paste toevallig precies in een verdacht reispatroon. ‘De mevrouw heeft een bosje bloemen gekregen als excuses. Maar zo zijn er natuurlijk wel meer verhalen.’

Het incident met de poedel is een goed voorbeeld van een van de nadelen van predictive policing: de kans op foute positieven. Dat zijn personen, plekken of situaties die ten onrechte als risico worden aangemerkt. Bij de ingebruikname van een nieuw systeem kan dat veel voorkomen. Zo bleek bij de evaluatie van de eerste pilots met ProKid dat meer dan ??n op de drie kinderen (36 procent, in totaal 902 kinderen) ten onrechte als risicokind werd aangemerkt door systeem- of registratiefouten. Ze werden door de computer geselecteerd op basis van incidenten die volgens de betrokken wetenschappers ‘irrelevant’ waren, staat te lezen in een evaluatie uit 2011. Dit soort fouten zijn, ook als een systeem al verder ontwikkeld is, moeilijk helemaal uit te sluiten, zegt Rienks. ‘Er bestaan altijd uitzonderingscategorie?n. Een jongeman in een veel te dure auto kan bijvoorbeeld een crimineel lijken, maar het kan ook een professioneel voetballer zijn.’

De uitzondering op de regel: het is ook een van de bezwaren van universitair docent criminologie Marc Schuilenburg van de Vrije Universiteit. Schuilenburg schreef een aantal artikelen over predictive policing en is, zacht gezegd, geen fan. De lijst met problemen die hij voorziet is lang. Om met de basis te beginnen: wetenschappelijk bewijs dat voorspellend politiewerk werkt is dun gezaaid. ‘Bij voorspellingen over plaatsen lijkt het er inmiddels wel op dat het effect kan hebben’, zegt hij. ‘Je ziet in internationale literatuur dat de criminaliteit afneemt als de politie extra gaat surveilleren in een wijk waar veel misdaad wordt verwacht. Hoewel het risico bestaat dat de criminaliteit zich verplaatst naar een andere wijk.’

Een stuk ingewikkelder wordt het als het om personen gaat. ‘Het is nog maar helemaal de vraag of je op basis van algoritmes kunt bepalen wie een misdaad gaat plegen.’ Daarbij zijn de risicoprofielen die veiligheidsorganisaties gebruiken volgens Schuilenburg te breed: ‘Je ziet dat er te veel personen aan de criteria voldoen. Dat levert een enorm lange lijst individuen op, die de politie onmogelijk allemaal in de gaten kan houden. Neem de aanslagen in Parijs en Brussel: alle daders bleken achteraf al in de kaartenbakken te zitten.’

Belangrijker nog: de gegevens waar voorspellingen op gebaseerd zijn, zijn niet altijd van goede kwaliteit. ‘De politiedata die gebruikt worden zijn vaak vuil. Het zijn haastig gemaakte notities of halve verwijzingen.’ Hoe slechter de data, hoe onbetrouwbaarder de voorspelling, wil de criminoloog maar zeggen. Zo staat in een verantwoordingsrapport uit 2014 over het eerder genoemde RTI-Geweld te lezen dat de gegevens waarop de voorspellingen zijn gebaseerd ‘soms erg vervuild’ zijn. ‘Als voorbeeld: iemand die als verdachte aan een incident is gekoppeld, hoeft dit in werkelijkheid niet geweest te zijn.’

boeven buienradar

Bovendien kunnen de data gekleurd zijn. Daarmee komt Schuilenburg op een vaak gehoorde klacht in de VS: predictive policing zou leiden tot etnisch profileren. ‘Er mogen allerlei slimme algoritmes aan te pas komen, daarmee zijn voorspellende modellen nog niet neutraal.’ De historische criminaliteitscijfers die bij predictive policing standaard worden gebruikt, kunnen bepaalde vooroordelen bevatten, bijvoorbeeld omdat sommige bevolkingsgroepen vaker worden opgepakt voor hetzelfde delict dan andere. Als een algoritme daar patronen in gaat zoeken, kunnen diezelfde vooroordelen weer uit het systeem rollen. Een voorspelling die zichzelf waarmaakt. Schuilenburg: ‘Dat zie je nu ook al gebeuren bij zo’n inbraakvoorspeller van de politie. Daar komen altijd wijken uit waar mensen wonen die al veel met de politie in aanraking zijn gekomen.’

De Wetenschappelijke Raad voor het Regeringsbeleid (WRR) waarschuwt ook voor dit zelfversterkende effect. De raad deed de afgelopen twee jaar in opdracht van de regering onderzoek naar het gebruik van big data door veiligheids?instellingen; eind april verscheen het onderzoeksrapport. Predictive policing komt daarin ook aan bod. ‘Een wijk waarin veel gesurveilleerd wordt, zal prominenter terugkomen in de criminaliteitscijfers. De extra aandacht vergroot de bestaande problemen verder uit, hetgeen weer de basis voor nieuw beleid kan zijn, dat op zijn beurt het (negatieve) beeld verder versterkt.’

Nonsens, vindt Jeffrey Brantingham. ‘Burgers doen aangifte van misdaad bij de politie. Als de politie die gegevens vervolgens gebruikt om preventief in bepaalde buurten te surveilleren en daarmee een buurt veiliger te maken, doet ze toch precies wat de maatschappij vraagt?’

Het is niet de eerste en zeker niet de laatste keer dat Brantingham gevraagd wordt naar de schaduwkant van zijn voorspellingsmodellen. De hoogleraar antropologie in Los Angeles stond hoogstpersoonlijk aan de wieg van predictive policing. ‘Dat was niet gepland: ik deed onderzoek naar iets anders, maar er kwam een techniek uit waar de politie naar smachtte.’ Brantingham onderzocht voor het Amerikaanse leger modellen om aanvallen van rebellen en mogelijke burgerslachtoffers in Irak te voorspellen. Dezelfde software bleek inbraken en straatroof te kunnen voorzien.

Inmiddels staat Brantingham aan het hoofd van een indrukwekkend voorspellings?imperium: PredPol, een bedrijf dat in de VS alleen al in zestig steden actief is en ook in het Verenigd Koninkrijk software verkoopt. De Nederlandse politie heeft ook interesse, zegt Brantingham tijdens een flitsbezoek aan Den Haag. ‘Er zijn gesprekken geweest, maar nog niets formeels.’ Wat betreft die kwestie rond etnische profilering, daar kan de hoogleraar kort over zijn. ‘PredPol maakt geen gebruik van persoonsgegevens. We kijken alleen waar en wanneer iets gebeurd is.’ Racisme, met andere woorden, is uitgesloten. ‘Gemeenschappen krijgen meer politiesurveillance als ze vaker aangifte doen. Ze krijgen dus precies de aandacht waar ze om vragen.’

Toch kan die manier van werken indirect hetzelfde effect hebben, zegt Schuilenburg. Buurten met een slechte reputatie en veel politieaandacht komen eerder als risicolocatie uit de bus. Het gevolg is nog meer politieaandacht, die mogelijk gepaard gaat met etnisch profileren. ‘De politie pakt nu eenmaal eerder een Marokkaan in een hoody op dan iemand zoals ik in een maatpak.’ Dat werd vorige week duidelijk toen Typhoon werd aangehouden. De politie vond de dure auto waarin de rapper van Surinaamse afkomst reed in combinatie met zijn huidskleur verdacht.

De WRR?benoemt daarbij nog een probleem: bij wie ligt de verantwoordelijkheid als een voorspelling de plank volledig misslaat? ‘Aangezien de discriminatie in veel gevallen niet intentioneel is en niet met opzet in het algoritme ingeschreven wordt door de computerprogrammeurs zal het zeer moeilijk te achterhalen zijn wie verantwoordelijk is voor het probleem en om dit te bewijzen in een rechtszaak.’

Op naar Den Haag. Daar wordt op een zogeheten ‘verboden plaats’ gewerkt aan voorspellende modellen. Die verboden plek is een locatie van onderzoeksinstituut TNO?waar aan staats?geheimen wordt gesleuteld. Onderzoekers werken er bijvoorbeeld in opdracht van defensie. Bezoekers moeten hun telefoon bij de receptie achterlaten en mogen alleen onder begeleiding door het gebouw lopen. Het is ook de plek waar Selmar Smit en Arnout de Vries onderzoek doen naar verschillende modellen voor politie en veiligheidsdiensten. De Vries: ‘We proberen uit te zoeken hoe ver we kunnen gaan met voorspellen. Meer kunnen we er niet over zeggen.’

Toch heeft het duo een hoop te vertellen. De onderzoekers publiceerden eind april samen met twee andere collega’s een uitgebreid rapport over predictive policing. ‘Criminelen zijn gewoontedieren’, zegt De Vries. ‘Daardoor kun je makkelijk patronen zien in veel voorkomende vormen van misdaad.’ Hoewel er volgens collega Smit nog meer wetenschappelijk onderzoek moet komen, ‘is het aannemelijk dat predictive policing werkt’. Op dit moment doet tno alleen onderzoek voor overheidspartijen. ‘Maar vanuit de private sector bestaat veel interesse.’ Met name verzekeraars en particuliere beveiligingsbedrijven zien wel brood in een kijkje in de toekomst.

De technologie is veelbelovend, vinden de onderzoekers. Maar ze maken zich ook zorgen. Zo is er de privacy-kwestie. ‘Een goede voorspeller voor inbraken zijn de adressen van bekende inbrekers die net uit de gevangenis komen’, zegt Smit. ‘Maar ja, ze hebben hun straf al uitgezeten. Mag je die gegevens toch gebruiken?’ Andere kwestie: voor het doen van goede voorspellingen zijn data nodig, v??l data. Dat vereist al snel dat meerdere datasets aan elkaar worden gekoppeld. De Vries: ‘Dat is een enorm probleem. Die informatie heb je ooit verzameld met een bepaald doel en nu ga je het ineens voor een ander doel gebruiken, het voorspellen van misdaad.’

Privacy en het verzamelen van grote hoeveelheden data staan per definitie met elkaar op gespannen voet, staat te lezen in het eerder genoemde wrr-rapport. De wet schrijft voor dat gegevens niet voor een ander doel gebruikt mogen worden dan waarvoor ze verzameld zijn, ?n dat er niet meer gebruikt mag worden dan strikt noodzakelijk is. Het grote voordeel van big data-onderzoek zit ‘m nou juist in het ongericht verzamelen en combineren van eindeloze hoeveelheden gegevens, waardoor onverwachte patronen kunnen opduiken. ‘Spanningen met privacy en het gegevensbeschermingsrecht zijn daardoor nooit ver weg.’ Wetgeving schiet daarbij te kort. Of, zoals de wrr het formuleert: er is een ‘mismatch’ tussen wetgeving en het gebruik van big data door veiligheidsorganisaties. Regels over het verzamelen van data zijn er al, maar wat er vervolgens met die gegevens gebeurt, de analyse van die data, moet beter gereguleerd worden, vindt de raad.

Een fundamenteler probleem is dat predictive policing ingaat tegen het idee dat een individu onschuldig is tenzij anders bewezen. ‘De politie is eigenlijk van jou de kans aan het berekenen dat jij verdachte zou kunnen zijn’, zegt De Vries. Dat is in strijd met de onschuldpresumptie – een grondbeginsel van het strafrecht. ‘Het is heel moeilijk daar juridisch mee om te gaan.’

Het gevolg kan zijn dat de politie meer vrijheid krijgt om te handelen zonder rechterlijke controle, zegt Marc Schuilenburg. ‘Normaal gesproken heeft de politie toestemming van de rechter-commissaris nodig om bijvoorbeeld een telefoon te mogen aftappen.’ Bij predictive policing ontbreekt die controle. ‘De politie kan mensen op basis van een voorspelling alvast in de gaten gaan houden, zonder dat daar een zuiver juridische grond voor is’, zegt de criminoloog. ‘Het steeds vroeger willen ingrijpen van de politie schept zo een bijna ongebreidelde vrijheid voor de politie zelf.’

De politie zet met voorspellend politiewerk mogelijk te ruim opsporingsbevoegdheden in, zegt ook Bart Schellekens. Hij is onderzoeker Recht en ICT?bij de Raad voor de Rechtspraak, maar reageert op persoonlijke titel. ‘We moeten ons afvragen of dat past binnen de taak van de politie, en of toezicht en transparantie wel goed geregeld zijn.’ Voor Schuilenburg is dat al niet meer de vraag, maar een zorgwekkende constatering. ‘Met predictive policing rolt de politie een digitaal vangnet uit waarin de rechten van burgers volledig ondergesneeuwd raken aan die van onduidelijke opsporingsbelangen.’

Zo mogelijk nog ingewikkelder wordt het als het voorspellend model afkomstig is van een bedrijf dat het niet wil prijsgeven, zegt De Vries. ‘Mijn grootste zorg is uiteindelijk dat bedrijven de markt overnemen. Daar zit veel meer geld en kan veel meer snelheid gemaakt worden met technologie die al voor het oprapen ligt.’ Alle eerder genoemde risico’s, van etnisch profileren tot privacy-schending, nemen volgens de tno-?onderzoekers alleen maar toe als private partijen de boel overnemen, omdat er veel minder druk is om transparant te opereren. Smit: ‘Dan kan er anarchie ontstaan.’

Zo ver is het nog niet. De Vries: ‘Predictive policing groeit hard, maar staat nog in de kinderschoenen. Of de overheid uiteindelijk de overhand gaat krijgen of het bedrijfsleven gaan we zien. Maar dat de geest uit de fles is als het gaat om het voorspellen van misdaad, is wel duidelijk.’

Het is een veel gehoord geluid als het over voorspellend politiewerk gaat: de opmars van de kristallen bol lijkt onomkeerbaar. Sander Klous, hoogleraar big data aan de Universiteit van Amsterdam en adviseur ‘big data analytics’ bij KPMG, publiceerde onlangs een rapport met de veelzeggende titel Iedereen wil uiteindelijk die voorspellende glazen bol. ‘Het werkt met big data net als met tandpasta’, licht de hoogleraar toe. ‘Eenmaal uit de tube kun je proberen het terug te duwen, maar dat gaat niet lukken.’ Minder kleurrijk gezegd: als data eenmaal beschikbaar zijn, is het vrijwel onmogelijk deze weer terug te trekken. En er wordt steeds meer gemeten en gedeeld, niet in de laatste plaats dankzij smartphones en sociale media. Het valt te verwachten dat daar, nu voorspellingstechniek ?royaal voorhanden is, alleen maar meer gebruik van gemaakt zal worden.

Het sluipende gevaar is wat de WRR?’data?determinisme’ noemt. Het risico dat individuen worden beoordeeld op basis van wat statistisch gezien aannemelijk is dat ze gaan doen, in plaats van wat ze feitelijk gedaan hebben. Marc Schuilenburg heeft er een andere, meer dramatische term voor: ‘de gedachtenpolitie’ – een politieorganisatie meer gericht op intentie dan op de daad zelf. De verschuiving naar intentie is volgens Schuilenburg deel van een bredere ontwikkeling. ‘Het klassieke strafrecht in Nederland was een daadstrafrecht. Er moest een fysieke handeling hebben plaatsgevonden voordat iemand strafbaar was.’ Dat wordt de laatste twintig jaar steeds verder losgelaten. Voorbereidingshandelingen zijn bijvoorbeeld strafbaar geworden. ‘Als ik met een kalasjnikov in m’n hand en een plattegrond van een bank in m’n zak over straat loop, is dat genoeg voor een veroordeling.’ De daad zelf is daarmee opgerekt tot de voorbereiding ervan. ‘Het gevaar is dat de politie steeds eerder in het hoofd van mensen probeert te kruipen, aan bepaalde gedragingen conclusies gaat verbinden en al ingrijpt voor er iets gebeurd is. Terwijl: het is altijd de vraag of die persoon wel tot die daad was gekomen als je niets had gedaan.’

Daarmee raakt Schuilenburg aan de kern van veel vraagstukken rond voorspellend politiewerk: wat als iemand iets anders doet dan verwacht? Het is het klassieke thema van veel sciencefictionfilms en -boeken: predestinatie versus vrije wil. Tom Cruise krijgt er halverwege Minority Report mee te maken. Volgens de helderzienden staat hij deze keer zelf op het punt een man te vermoorden. De daad lijkt onontkoombaar, de politieagent gelooft heilig in zijn voorspellingsmethode. Hij zal ook bijna wel moeten: als hij de moord niet pleegt is hij het levende bewijs dat zijn methodiek niet werkt. ‘Je hebt w?l een keuze’, fluistert een van de helderzienden hem in.

Dat dit soort onwerkelijke dilemma’s geen volslagen fictie meer zijn, bewijst het voorbeeld uit Pennsylvania. Als de staat inderdaad een rekenmodel invoert dat rechters de strafmaat helpt bepalen, dan worden daders preventief afgerekend op een statistisch gegeven. De kans op recidive wordt met behulp van een punten?systeem berekend, aan de hand van onder andere historische criminaliteitsgegevens. Man-zijn alleen al levert daarbij meer punten op, omdat er nu eenmaal vaker mannen dan vrouwen worden veroordeeld. Hetzelfde geldt voor leeftijd: een jongere is een groter risico dan iemand van boven de veertig. Zelfs de woonplek telt mee: een stadsmens gaat vaker de fout in dan een plattelandsbewoner en kan dus strenger worden gestraft. Cijfermatige voorbestemming gaat zo zwaarder wegen dan vrije wil – de kans dat iemand iets anders doet dan wat statistisch voor de hand ligt.

Dezelfde kwestie in een andere vorm speelde bij de Amerikaan Robert McDaniel. In de zomer van 2013 stonden er drie agenten op de stoep van de toen 22-jarige inwoner van Chicago. De stad had net een voorspellend model in gebruik genomen dat moest bepalen welke inwoners de grootste kans maakten betrokken te raken bij een gewelddadig incident. McDaniel stond op de lijst en kreeg prompt bezoek van de politie. De boodschap: we houden je in de gaten, nog ??n misstap en de gevolgen zijn groot. Het incident haalde de krant omdat niet duidelijk was hoe de jongen op de lijst was beland, aangezien hij behalve een aantal arrestaties voor kleine vergrijpen (waaronder het roken van wiet) een schone lei had. ‘Ik heb niets m??r gedaan dan elke andere jongere die in deze buurt opgroeit’, zei McDaniel destijds in de Chicago Tribune. De doorslaggevende factor was waarschijnlijk dat hij wel vrienden had met een uitgebreid strafblad. Omdat sociale netwerken een goede voorspeller van gedrag zijn, telden die mee.

‘Zien we in de Nederlandse rechtbanken binnenkort ook Pennsylvaniaanse toestanden?’ vroeg de minister van Veiligheid en Justitie Ard van der Steur onlangs retorisch bij de ontvangst van het WRR-rapport over big data en veiligheid. ‘Ik zal het nog eens navragen bij de Raad voor de Rechtspraak, maar ik vermoed van niet.’ Tegelijkertijd moeten we ons door dit soort ‘dystopische’ voorbeelden niet laten afschrikken van de mogelijkheden die big data bieden op het gebied van veiligheid, vindt de minister. ‘Als de negentiende-eeuwse boer die zo’n nieuwerwetse trein langs zijn wei vol koeien ziet denderen en denkt: verdomd, straks wordt de melk zuur.’

Dat Nederland die behoudende boer in elk geval niet is, blijkt uit het WRR-onderzoek. Wat de gevolgen daarvan zijn, zal moeten blijken. Volgens Van der Steur moeten we vooral realistisch zijn. ‘Wat geldt voor de zelfrijdende auto’s en drones geldt ook voor big data: het is niet de vraag of het onderdeel wordt van ons dagelijks leven, maar hoe we het vormgeven.’

Dit artikel kwam tot stand met steun van Fonds 1877

[slideshare id=61354641&doc=104tnorpredictivepolicingweb-160426065651&type=d]
[slideshare id=46552302&doc=predictivepolicing-kansenvooreenveiligeretoekomst-150401143504-conversion-gate01&type=d]

Bronnen: De Groene Amsterdammer

Big Data in een vrije en veilige samenleving

WRR Big Data

Big Data-toepassingen bieden vele kansen voor opsporing en surveillance. Ze maken snelle en precieze reconstructies van misdaden mogelijk, evenals gerichte inspecties en het realtime volgen van ontwikkelingen bij crisissituaties. Tegelijkertijd ontstaan er nieuwe risico?s voor burgers, op het gebied van privacy, discriminatie en de vrije meningsuiting. Aan de horizon dreigt (semi-)automatische besluitvorming, waarbij de uitkomsten van data-analyses sturend zijn voor het handelen van veiligheidsorganisaties.

De WRR analyseert in dit rapport hoe de Nederlandse overheid Big Data kan gebruiken en richt zich daarbij specifiek op het veiligheidsdomein. Big Data kan volgens de raad uitsluitend vruchten afwerpen als de huidige wet-en regelgeving wordt versterkt om fundamentele rechten en vrijheden te waarborgen. Hiertoe moet de aandacht worden verlegd van het reguleren van het verzamelen van data ? het zwaartepunt in de huidige juridische kaders ? naar de regulering van en het toezicht op de fases van de analyse en het gebruik van Big Data. Voor de vrijheid en de veiligheid van de burgers doen zich in deze twee fasen van Big Data-processen de grootste kansen ?n de grootste risico?s voor.

[slideshare id=61479991&doc=bigdataineenvrijeenveiligesamenleving-160428204125&type=d]
[slideshare id=61480471&doc=factsheetaanbevelingenr95-160428205914&type=d]

Download de complete publicatie als pdf bestand

Download de samenvatting als pdf bestand

Bronnen: WRR

Terrorisme voorspellen met big data: handlezen voor gevorderden

?knmi
In Vrij Nederland het volgende?artikel?van Gerard Janssen over big data en de voorspelmogelijkheden van terrorisme.
Als je veel data slim gebruikt, kun je tegenwoordig ?voorspellen wie wat gaat doen en wat waar gebeuren gaat. Terrorismebestrijders kunnen daar hun voordeel mee doen. Maar er schuilen ook gevaren: het is program, or be programmed.

Donderdagmorgen 11 maart 2004 parkeert een gestolen witte Renault Kangoo in de Calle Infantado in Alcal? de Henares. De straat ligt langs het metrostation dat het stadje verbindt met Madrid. Aan de andere kant van een witte blinde muur liggen de rails. Jonge mannen springen uit het busje. Uit de bagageruimte trekken ze rugzakken en sporttassen. De tassen en rugzakken zijn zwaar. Ze staan bol van spijkers, schroeven en 10 kg Goma 2 ECO ? een vloeibaar explosief dat mijnbouwers gebruiken. Koperdraad koppelt de industri?le ontstekers aan mobiele telefoons. De mannen laten dertien rugzakken en tassen achter in verschillende treinstellen van vier verschillende treinen. Tussen 7.37 en 7.40 uur, als de treinen richting station Atocha in Madrid rijden, brengen de terroristen de bommen tot ontploffing. Tien van de dertien gaan af. Het resultaat: 191 doden en 1.824 gewonden.

Meteen begon een klopjacht op de daders. De sleutel is een blauwe sporttas die is gevonden in het Azor?npark, met naast de explosieven een intacte mobiele telefoon, een Mitsubishi Trium T-110. Via het simkaartje in die telefoon weet de politie verschillende terroristen op te sporen. Uiteindelijk eindigt de achtervolging op 3 april 2004 bij een appartement in het zuiden van Madrid. Tussen half zes en half zeven arriveert een zwaar bewapende speciale eenheid. De politie sluit het gebied af en speciale eenheden richten een veldhospitaal in. Vanaf de eerste verdieping klinken Arabische gezangen. De speciale eenheden bestormen het pand en schieten rookbommen naar binnen. De terroristen bellen hun geliefden en gaan in een kring op de grond zitten. Drie minuten over negen blazen ze zichzelf en het pand op. Ook een lid van de speciale eenheid komt daarbij om.

Iedere terroristische aanslag is te vertellen als een verhaal.

Diep morele zielen

Iedere terroristische aanslag is te vertellen als een verhaal. Vanuit een neutraal perspectief is het een donkere tragedie. Maar vanuit het perspectief van een terrorist een hero?sch verhaal. ?De ogen van de terrorist zijn niet leeg,? schrijft de antropoloog Scott Atran in zijn boek Talking to the Enemy, waarvoor hij tientallen extremisten uit Afghanistan, Indonesi? en Marokko interviewde. ?Hun voldoening ligt niet in de rustige anticipatie van maagden in de hemel. Het is lichamelijk als bloed en verscheurd vlees. Terroristen zijn geen nihilisten, wreed of onzeker, maar vaak diep morele zielen met een gruwelijk misplaatst gevoel van rechtvaardigheid.?

Een terrorist is in zijn eigen ogen een klassieke held die zijn leven op het spel zet om een monster te overwinnen. Het is het verhaal dat in iedere cultuur opduikt. David tegen Goliath. De strijd van de rebellen tegen de Galactic Empire. Een onmogelijke opdracht, maar de held heeft een geheim wapen, en de ster des doods heeft een achilleshiel.
Het is geen toeval dat het een filmmaker was die zich realiseerde dat dit een vruchtbaar perspectief is om een terroristische aanslag uit te analyseren. Peter de Kock (48) maakte in 2006 de veel geprezen documentaire De handen van Che Guevara. Een zoektocht naar de handen van Che Guevara, die van zijn lijk waren afgehakt en opdoken in een pot met water en formaldehyde. In 2008 maakte de filmmaker de overstap naar de politie. Een overstap die kleiner is dan die lijkt. De Kock zag de overeenkomst tussen het plannen van filmopnamen, het opdelen van een verhaal in elementaire bouwblokjes en het voorbereiden van een liquidatie of terroristische aanslag. Net als een terrorist maak je als filmmaker een scenario van iets wat nog moet gaan gebeuren.

Zeven lagen diep

De Kock begon in Tilburg aan een promotieonderzoek. Met behulp van databases die vrij op internet staan, zoals de Global Terrorism Database en WikiLeaks wist De Kock 35.000 terroristische aanslagen bij elkaar te schrapen. Hij bedacht een methode om iedere aanslag als een patholoog anatoom uit elkaar te snijden en de organen naast elkaar op de snijtafel te leggen: een held, een vijand, een symbolisch doelwit, een wapen en een valse aanwijzing: ?the red herring?.

Toen De Kock vlak na de aanslag op de marathon van Boston zijn database raadpleegde, rolde eruit dat de verdachten waarschijnlijk uit Tsjetsjeni? kwamen. Daar waren al eerder aanslagen met snelkookpannen gepleegd. Hij realiseerde zich dat hij wat goeds had bedacht en vroeg een patent aan op zijn idee. 10 september 2014 promoveerde De Kock. Nog in rokkostuum zat hij aan tafel bij De Wereld Draait Door. ?En in de weken na mijn promotie belden veiligheidsdiensten, overheidsinstanties en softwarebedrijven me helemaal suf. En dan moest ik zeggen, ja, ik heb alleen maar een schets gemaakt. Maar er belden ook bedrijven die zeiden: wij kunnen van jouw idee werkelijkheid maken. We kunnen de software in no time voor je bouwen. In de afgelopen maanden is alles bij elkaar gekomen. Het is nu niet meer alleen maar Peter die een plannetje heeft.? In Elst, Gelderland hangt nu op een bedrijventerrein, tussen verfgroothandels en smederijen een bordje met ?Pandora Intelligence?.

?Introducing the human dimension in big data?, staat als ondertitel op de website. De Kock: ?We hebben inmiddels een enorme dataset van meer dan 500.000 terroristische incidenten die zijn opgebouwd uit twaalf verhaalcomponenten met onderliggende subcomponenten. Een verhaalcomponent is ?het middel?. Een middel kan een schoen zijn. Als de Amerikaanse president een persconferentie geeft en iemand gooit een schoen naar zijn hoofd, dan kun je dat zien als een terroristische aanslag. Een middel kan natuurlijk ook een vuurwapen zijn. Dat kun je weer een laag dieper onderverdelen in een vuistvuurwapen of automatisch vuurwapen. En vuistvuurwapen kun je weer een niveau lager onderverdelen in revolver of pistool. Zo heb je een hele taxonomie, een verdere vertakking die onder die twaalf basiscomponenten ligt. De tweede laag heeft 198 componenten, de derde laag meer dan zestienhonderd. Het model is zeven lagen diep. We hebben waanzinnig veel subcomponenten en al die subcomponenten zijn onderling met elkaar verbonden. Dat kun je visualiseren als een soort koolstofatoom: allemaal grote en kleine bolletjes die op verschillende afstanden van elkaar liggen. Een driedimensionale puntenwolk; het dna van een aanslag. Op deze manier hebben we van die 500.000 incidenten automatisch dna-structuren gemaakt.?

?Creativiteit? in het model

De Kock heeft nu een verzameling van honderdduizenden enorme puntenwolken die allemaal een terroristische aanslag representeren. ?Zo kun je bijvoorbeeld ontdekken dat er gelijkenis is in de molecuulstructuur van de aanslagen op Anna Lindh en de aanslagen in Dubai.?

En De Kock ging verder. Hij voegde ook romans en computerspellen aan zijn database toe. Het idee hierachter is dat aanslagen soms eerder beschreven zijn in fictie. De ?Oklahoma-bomber? Timothy McVeigh haalde het idee voor zijn aanslag uit de romanThe Turner Diaries van William Luther Pierce. Tom Clancy beschreef in de jaren negentig al een gekaapt vliegtuig dat het Capitool in vloog. De acties van Anders Breivik zijn exact na te spelen op het computerspel GTA. ?Elk spel van Modern Warfare en GTA dat gespeeld wordt, kun je zien als een terroristische aanslag. En de scenario?s uit deAnarchist Cookbook staan natuurlijk ook in de database. Elke aanslag is uniek, maar je ziet ook dat er overeenkomsten zijn. Bovendien wordt hiermee ?creativiteit? in het model ge?ntroduceerd. Gegevens uit aanslagen die eerder bedacht zijn maar nog niet uitgevoerd, worden in het model gekoppeld aan daadwerkelijk gebeurde aanslagen.?

Illustratie: Zenk One

De Kock legt uit wat je hier in de praktijk aan hebt: ?Neem bijvoorbeeld de schietpartij in de Thalys. Het Franse persbureau AFP maakte die schietpartij als eerste bekend, ook voor de veiligheidsdiensten: ?Schietpartij Thalys?. Ons model gaat dan vanzelf lopen, want dat triggert op woorden als ?schietpartij?. Het model zet zichzelf aan en begint te analyseren: ?schietpartij betekent een vuurwapen?, en ?de Thalys is een strategisch object dat rijdt?. Dus op dat moment zegt het model: denk aan de aanslagen in Madrid, of: denk aan de aanslagen op het openbaar vervoer van 2007 in Londen. Maar daar heb je nog weinig aan. Op het moment dat er sprake is van een kalasjnikov ? die informatie kwam als eerste via Twitter binnen ? wordt het aantal scenario?s weer kleiner. Dat duidt erop dat er een criminele organisatie bezig is of dat er sprake is van terrorisme.?

Op de wc

Het model van De Kock voorspelt op basis van een paar feiten die via de persbureaus of social media binnenkomen hoe de hele wolk aan punten er naar verwachting uit gaat zien. Terwijl de rechercheurs nog op weg zijn, geeft het model zo verschillende scenario?s waar de politie rekening mee kan houden. Als een schaakprogramma dat voorspelt wat de volgende zet van een schaker zou kunnen zijn, op basis van honderdduizenden schaakpartijen die eerder zijn gespeeld.

De Kock: ?Dit is wat we de adapt-fase noemen. Het aanpassen aan een situatie die zich ontwikkelt.?

Toen een jongen zich opsloot op de wc van een Thalys in Rotterdam Centraal, moest iedereen meteen aan de schietpartij in de Thalys denken, maar het model van De Kock zag meteen dat het een heel ander verhaal was. Iemand die zich opsloot in een wc om daar een uur te blijven zitten, dat was nooit eerder gebeurd bij een terroristische aanslag.

Een ander doel waar analisten het programma voor kunnen gebruiken, is anticipatie. De Kock: ?Op een dag als Prinsjesdag weten we veel. We weten waar en wanneer politici aanwezig zijn en we weten ook uit welke hoek die politici bedreigd worden. Zo kan het model berekeningen maken van scenario?s waar we op Prinsjesdag mogelijk rekening moeten houden. Hier kunnen we de beveiliging van politici of leden van het koningshuis op afstemmen.?

Een andere voorzichtige conclusie is dat veel hedendaagse terroristen veel gamen, oefenen met computerspellen.

Het model werkt beter dan iedereen verwachtte. ?De eerste voorzichtige conclusie die we nu trekken is dat terroristen vaker de kunst volgen dan we dachten. Het lijkt erop dat terroristen zich veel meer door fictie, computerspellen en andere aanslagen laten inspireren dan tot nu toe werd verondersteld.? Een andere voorzichtige conclusie is dat veel hedendaagse terroristen veel gamen, of net als Anders Breivik, oefenen met computerspellen.

Interessant is dat dergelijke conclusies moeilijk te bewijzen zijn. Het model van De Kock werkt niet op basis van analytische logica, maar met machine learning of deep learning. Dit lijkt misschien een onbelangrijk detail, maar is kenmerkend voor een stormachtige ontwikkeling in de wereld van ?big data?. Het model van Peter de Kock vergelijkt niet analytisch de verschillende datawolkjes met elkaar om er razendsnel verbanden tussen te vinden. De computer simuleert een machine die zijn eigen bedradingen en schakelingen steeds opnieuw verandert, net zoals een brein dat doet. Als een voorspelling uitkomt, dan is de machine tevreden en zal hij zichzelf maar weinig aanpassen, heeft hij het fout gedaan, dan verandert hij meer aan zichzelf, net zolang tot de gesimuleerde machine bij een bepaalde input een output geeft die dicht bij de werkelijkheid ligt. Het resultaat is een voor mensen ondoorgrondelijke algoritme dat soms verrassend goed presteert.

Verboden gebied

Het principe is al oud en gebaseerd op een idee van computerwetenschapper Arthur Samuel. Al in 1956 leerde hij een computer schaken door het partijen tegen zichzelf te laten spelen. Hij programmeerde welke zetten de stukken mochten zetten en definieerde een gewenste uitkomst (winst) en een ongewenste uitkomst (verlies). Het programma speelde steeds weer andere partijen tegen zichzelf. Achter de zet van de computer zat geen gedachte en leek geen logica schuil te gaan, maar de computer leerde de zetten die niet tot winst leidden te vermijden. Het resultaat was dat de computer beter leerde schaken dan Arthur Samuel. Het was de eerste weerlegging van het argument dat computers nooit slimmer zullen worden dan mensen omdat mensen de computers programmeren.

Het idee van Samuel is in de loop van de jaren verfijnd. En de laatste jaren zijn computers zo krachtig dat de principes van deep learning zijn toe te passen op enorme databases. Op dit moment speelt zich daarom een revolutie af in de wereld van beeldherkenning en automatische vertaalprogramma?s.

?Het is niet meer zo dat als je in de programmatuur kijkt, dat er dan iets logisch te zien is,? zegt Selmar Smit van TNO, ?het is niet ?als dit dan dat?. Een uitkomst ?is? er gewoon.?

Telefoontjes moeten in een deurtjeskluis buiten de sluisdeur. Voor de deur pakt een man in duur pak een slick James Bond-achtig reiskoffertje in.

De computerwetenschapper zit in een soort klein schoollokaaltje samen met collega Arnout de Vries achter een tafel. Dertigers in overhemd. De onderzoekers werken in ?verboden gebied? in een kantoorgebouw aan de rand van het natuurgebied Meijendel aan digitale opsporingstechnieken voor de politie. Telefoontjes moeten in een deurtjeskluis buiten de sluisdeur. Voor de deur pakt een man in duur pak een slick James Bond-achtig reiskoffertje in. Ook in de wereld van de veiligheidsdiensten lijkt werkelijkheid be?nvloed door fictie.

TNO onderzoekt de big data mogelijkheden voor de AIVD, de MIVD en werkt samen met bedrijven als AGT, het internationale beveiligingsbedrijf waarvan prins Pieter-Christiaan in Nederland de baas is.

Smit: ?Op een gegeven moment heeft het model verzonnen dat bepaalde input ertoe doet, en dat leidt tot een output met een onbegrijpelijke complexe formule. Als je die zou uitschrijven, zou je kilometers papier nodig hebben. Het is net als bij onze hersenen. Als je ze opensnijdt, kun je zien dat er iets gebeurt, maar je weet niet wat. Tot vijf jaar geleden kon je weinig data slim gebruiken of heel veel data dom gebruiken. Dat is nu anders. Nu kun je heel veel data heel slim gebruiken. Ik werk nu zelf ook met zo?npredictive policing algoritme waarbij ik zelf niet meer begrijp waarop de voorspelling gebaseerd is. Het is een model dat brandhaarden voorspelt. Ik stop er data in en het model voorspelt vrij accuraat wat potenti?le brandhaarden zijn. Maar het model is zo complex dat ik het zelf niet kan lezen of begrijpen.?

Bij het voorspellen van brandhaarden is dit niet zo?n probleem. Bij het voorspellen van aanslagen wordt het al iets dubieuzer. ?Met het model van De Kock kun je voorkomen dat er een delict gepleegd wordt en daar zijn we allemaal heel blij mee,? zegt strafjurist Ybo Buruma, ?juridisch gezien kun je iemand niet in de gevangenis stoppen op basis van zo?n programma. Maar de inlichtingendienst en de politie kunnen verstoren. Dat wil zeggen dat ze een aanslag kunnen voorkomen, terwijl de terrorist vrijuit zal gaan omdat die nog niks heeft gedaan. Die afweging is, denk ik, in het verleden ook wel gemaakt door de AIVD. Sindsdien zijn er nieuwe anti-terrorismewetten gekomen die ook het voorbereiden van aanslagen strafbaar maken. Omdat die wetten heel ruim zijn, moeten we wel oppassen dat we niet in de verleiding komen de programma?s van De Kock te gebruiken om mensen te veroordelen voordat ze iets gedaan hebben ? dat zou net zoiets zijn als dat Amazon me alvast boeken stuurt omdat ik die vast heel mooi zal gaan vinden, maar dan erger.?

Fout positieven

Helemaal griezelig wordt het als dergelijke algoritmes gebruikt worden om te voorspellen of iemand een aanslag gaat plegen. Zoals iedere aanslag een verhaal is, zo is het leven van iedere terrorist te beschrijven als biografie. Het is niet ondenkbaar dat een model dat gevoed wordt met levensverhalen zoals mensen zelf via Facebook en Instagram schrijven, goede voorspellingen kan doen. Om nog maar te zwijgen over de data die scholen bijhouden. Misschien dat zo?n model redelijk kan voorspellen of iemand radicaliseert of het criminele pad op gaat. Net als dat Amazon nu al redelijk kan voorspellen welk boek je leuk gaat vinden. Dit gaat op de film Minority Report lijken. Wat moet je met een deep learning algoritme dat het opmerkelijk goed doet, en dat als output geeft dat een jongen met 90 procent zekerheid iets gevaarlijks gaat doen? Zonder dat iemand begrijpt waarom.

Buruma: ?Je kunt het het gevaar van ?digitale vooroordelen? noemen. Het menselijk brein heeft ook vooroordelen ? ?Noord-Afrikaan met lange baard zal wel fundamentalist zijn en dus terrorist? ? waar de computer misschien juist niet intrapt. Maar door foute input of verouderde gegevens kunnen ook verkeerde verbanden worden gelegd. Ik heb bij Amazon gezocht naar een titel van Plato en daarbij heel veel verschillende zoektermen ingetikt: nu denkt die computer van Amazon dat ik geweldig ge?nteresseerd ben in klassieke filosofie. Ik ben blij dat ze mij niet alvast de nieuwste wetenschappelijke teksten over Plato toesturen. Een winkel wil mij niet boos maken, maar als ik door de politie ?fout-positief? als terrorist wordt aangewezen, nemen ze denk ik al gauw het zekere voor het onzekere. Waar ik bezorgd over ben, is dat we ons over een jaar of vijf realiseren dat die neurale netwerken heel erg veel hebben opgeleverd, maar dat we te weinig de nadelen ervan hebben gezien. Ik denk dat we dankzij programma?s als die van Peter de Kock steeds beter de groep ?fout negatieven? ? mensen van wie we nu nog ten onrechte niet zien dat het terroristen of boeven zijn ? kleiner kunnen maken. Het gevaar is dat de techniek ook een grotere groep ?fout positieven? oplevert ? mensen van wie ten onrechte wordt gedacht dat het terroristen of boeven zijn. Dat zijn onschuldige mensen die er niks mee te maken hebben, maar bij wie wel het arrestatieteam binnenstormt.?

Veiligheidsbutler

Arnout de Vries van TNO is het helemaal met Buruma eens. Maar hij ziet ook dat bedrijven minder terughoudend zijn. De overheid kan en mag volgens De Vries niet achterblijven bij deze bedrijven. En dat is wel wat er nu gebeurt. Om de eenvoudige reden dat ?alle big sisters? zoals Google en Facebook meer mogen dan de overheid en veel grotere innovatiebudgetten hebben. Google kocht begin 2014 het vijftig man tellende bedrijf Deep Mind voor vierhonderd miljoen dollar en haalde daarmee een groot deel van de beste deep learning wetenschappers binnen.

De Vries: ?Verschillende bedrijven willen het KNMI van de terrorismevoorspelling worden. Juist omdat de data die je buiten de politie om kunt krijgen, steeds rijker worden. Waar ik me echt zorgen over maak, is dat de overheid buitenspel komt te staan. Dat de bedrijven de burgers en de criminelen het allemaal wel zelf kunnen. Dan leven we echt in het wilde westen. Ik ben zeker geen voorstander van een grote overheid, maar er moet wel een bepaalde balans zijn.?

Op dit moment rijdt in Silicon Valley al de Knightscope rond, een R2D2-achtige robot. De Vries: ?Hij heeft 360-graden camera?s, kan in het donker kijken en heeft ook voorspellende software, scant social media, is volledig geautomatiseerd. Dat ding kost nu nog een paar duizend dollar. Maar straks zit dat in de grasmaaier in je voortuin, als een veiligheidsbutler. De straat is dan veilig en het kost niks. Maar als we zo?n ding zelflerend maken en toestaan om iemand te taseren, dan kom je in een wereld waar sciencefiction schrijvers over schrijven. Is het erg als het werkt en iedereen zich daardoor juist veiliger voelt? En is het dan erg als er een bedrijf als Google achter zit??
Werken wij mee aan de nieuwe atoombom? Tja. Het is program, or be programmed.

Het zijn vragen waar nu over nagedacht moet worden. De snelheid waarmee deep learning de laatste paar jaar beter wordt, lijkt de mensen die weten wat nu in de onderzoekslaboratoria ontwikkeld wordt, angst aan te jagen. Elon Musk en Bill Gates hebben onafhankelijk van elkaar hun grote zorg uitgesproken over de snelle ontwikkelingen. Musk investeerde 10 miljoen dollar in onderzoek naar de veiligheid en juridische consequenties van kunstmatig intelligente systemen.

De intelligente computer HAL uit 2001: A Space Odyssey begint langzaam maar zeker realiteit te worden. Denk aan een zelflerende schoonmaakrobot die je de opdracht geeft om het huis zo effici?nt mogelijk schoon te houden, een robot die in contact staat met de cloud en andere schoonmaakrobots. Zo?n robot leert misschien dat het huis het beste schoon blijft als hij mensen buiten de deur houdt.

?Wij proberen nu uit te vinden hoe de techniek goed gebruikt kan worden. Maar kun je specificeren wat goed is?? zegt De Vries van TNO. ?Werken wij mee aan de nieuwe atoombom? Tja. Als je er niet door overvallen wilt worden, moet je zelf achter het stuur gaan zitten. Het is program, or be programmed. Als wij niks doen, weten we zeker dat het voor het slechte gebruikt gaat worden.?

Bron: Vrij Nederland

Rechercheur of Prechercheur?

Wouter Taal, student veiligheidskunde aan de hogeschool Utrecht, deed onderzoek naar de voor- en nadelen van het gebruik van Big Data bij het voorspellen van (potenti?le verdachten van) misdaden. Hieronder de samenvatting van zijn zojuist afgeronde onderzoek en aan het einde de volledige scriptie.?

prechercheur

Het voorspellen van (potenti?le daders van) misdaden is niet meer louter toekomst muziek. Voorspellingen doen op basis van Big Data wordt al op verschillende manieren toegepast door de overheid, maar beslissingen nemen op basis van computer berekeningen (datamining) roept nog vele vragen op. De aanleiding voor dit onderzoek is dat er een gebrek aan inzicht is wat de voor- en nadelen zijn voor het voorspellen van (potenti?le verdachten van) misdaden doormiddel van Big Data.

De volgende hoofd- en deelvragen zijn geformuleerd voor het onderzoek:

Wat zijn de voor- en nadelen van Big Data gebruik bij het voorspellen van (potenti?le verdachten van) misdaden?

  1. Op welke manier kan Big Data gebruikt worden om aan de hand van datamining voorspellingen te doen over (potenti?le verdachten van) misdaden?
  2. In hoeverre bestaan er ethische en juridische bezwaren tegen het gebruik van Big Data bij het voorspellen van (potenti?le verdachten van) misdaden?
  3. Op welke wijze wordt er rekening gehouden met mogelijke valkuilen in relatie tot het gebruik van Big Data bij het voorspellen van (potenti?le verdachten van) misdaden?

Het benutten van Big Data voor voorspellingen is een nieuwe stap binnen het intelligencegestuurd politiewerk. Als het lukt om tot goede voorspellingen te komen, kan niet alleen de politie effici?nter en effectiever ingezet worden, maar kunnen ook acties ingezet worden die leiden tot het voorkomen van misdrijven. Dit kan veel persoonlijk leed en maatschappelijke schade voorkomen. Het is uiteraard wel de kunst om te komen tot juiste voorspellingen. Dat is nog geen eenvoudige opgave.

prechercheur2

Onderzoeksmodel (Cb = confirmation bias, Spur. Corr = Spurious correlation, Funct. creep = function creep, Corr.?? caus. =?Correlatie ? causaliteit).

Uit het onderzoek is gebleken dat het grootste voordeel van Big Data gebruik is, dat er aan de hand van die data verschillende voorspelmodellen zijn ontwikkeld, of nog in ontwikkeling zijn. De ge?nterviewde noemen Criminaliteits Anticipatie Systeem (CAS) als voorbeeld waarbij Big Data wordt gebruikt bij het voorspellen van misdaden. Daarnaast is er nog een verzekeringsmaatschappij bezig met het ontwikkelen van een geografisch voorspelmodel van woninginbraken. Waar het gaat over het voorspellen van potenti?le verdachten van misdaden worden Top600 en Prokid-plus genoemd.

Technisch gezien is er met Big Data dus al veel mogelijk, maar de vraag is moeten we dat ook willen? Hierbij gaat het over de balans vrijwillig/verplicht en de rol van de staat in de bescherming van de maatschappij ten opzichte van de vrijheid van het individu. De bezwaren spelen overigens meer waar het gaat over het voorspellen van potenti?le verdachten, dan waar het gaat om het voorspellen van mogelijke misdaden als woninginbraak.

Ook ziet men het bezwaar van een overheid die allerlei priv?gegevens van mensen gebruikt waarmee een beeld ontstaat van een Orwelliaanse samenleving. Dit kan leiden tot een vertrouwensbreuk tussen de overheid en haar burgers (sociaal contract). De burger laat zogenaamd vrijwillig overal sporen achter, maar hoe vrijwillig is dat? De burger is onwetend over wat er met die gegevens mogelijk is en wordt gedaan.

Daarnaast wordt de complexiteit van de materie in relatie tot onvoldoende kennis in de organisatie als risicofactor beschouwd. Mensen met kennis van Big Data zijn schaars en de private sector is bereid om veel te betalen voor deze kennis. Dit zou de overheid op achterstand kunnen plaatsen.

Wettelijke kaders voorkomen dat men doorslaat in het verzamelen van gegevens en het respecteert op deze manier de privacy van betrokkenen. Er worden echter ook belemmeringen ondervonden. Er wordt zoveel gewicht aan de kant van de privacybescherming gelegd (bewaartermijn/bewaarplicht), dat dit ten koste gaat van een effici?nte en effectieve uitvoer van de politietaken. De wetgeving loopt doorgaans achter de maatschappelijke ontwikkelingen aan, dit geldt in het bijzonder bij een terrein als Big Data waar de ontwikkelingen zo snel gaan. Ook noemt men het risico van ‘de glijdende schaal’: een eerste stap kan leiden tot vervolgstappen waarbij grenzen vervagen (proportionaliteit).

Naast de voor- en nadelen zijn er ook mogelijke valkuilen naar voren gekomen die, wanneer er onvoldoende bij stilgestaan wordt, om kunnen slaan in nadelen. Bij confirmation bias en interpretatiefouten lijk de menselijke factor het ?keyword? te zijn. Een voorspelmodel moet louter als hulpmiddel dienen voor de mens en niet andersom. Zo kan bijvoorbeeld het onderbuikgevoel van een wijkagent niet vervangen worden door een voorspelsysteem.

Function creep wordt niet als iets negatief beschouwd; het is inherent aan het gebruik van Big Data. Waar nodig wordt toestemming gevraagd om de desbetreffende gegevens te mogen gebruiken. Als toestemming wordt gegeven is er in feite geen sprake meer van function creep.

Op basis van de resultaten zijn volgende aanbevelingen geformuleerd:

  • Kennis over het gebruiken van Big Data is schaars. Er zijn nu twee soorten kennisniveaus. Het kennisniveau van het puur bij elkaar zoeken van data en het bij elkaar voegen, en het kennisniveau om er echt informatie uit te halen. En de laatste soort is vele malen schaarser. De schaarse hoeveelheid kennis die er nu is, lekt snel weg naar de private sector, vooral omdat daar beter wordt betaald. Vooral bij de publieke sector moet hoger worden ingezet op het vergaren en verbeteren van kennis omtrent (het gebruik van) Big Data.
  • Onderzoeken of voorspellingen op basis van een voorspelmodel effectiever zijn dan voorspellingen op basis van expertise en ervaring, de menselijke interpretatie van gegevens.
  • Het geven van voorlichting en het voeren van een maatschappelijke discussie over de voor- en nadelen van Big Data gebruik door de politie om de burgers bewust te maken en draagvlak te cre?ren en te blijven houden.
  • Onderzoek naar de mogelijkheid van een nationale databank, waarbij de burger zelf aangeeft wat er met hun persoonlijke data wel of niet mag gebeuren. Laten we nou eens aan Nederland vragen wij zij vinden wat er met hun data mag gebeuren.

CityPulse: Het misdrijf is al ontdekt voor het gepleegd is

eindhoven

Er ontstaat een complete industrie rond technologie die met camera’s, sensoren, big data en emotieherkenning misdaad voorspelt. Maar dat gaat ook wel eens mis en er is juridisch veel onduidelijk. ,,Je ziet partijen de grens opzoeken.”

“Het is net Minority Report”, vinden de bandleden van The Hilbilly Moonshiners. Toen de muzikanten het drukke uitgaansgebied Stratumseind in Eindhoven op kwamen lopen, kregen ze zonder het te weten een visuele tag toegewezen door een slimme camera op het centrale Catharinaplein. Nu zitten ze op een terras van het caf? waar ze straks gaan optreden, en de camera’s houden ieder van hen nog steeds in de gaten.

In het ‘Living Lab Stratumseind‘, waar het Franse IT-bedrijf Atos technologie test die criminaliteit en opstootjes kan voorspellen voordat ze plaatsvinden. Wat inderdaad klinkt als het scenario van sciencefictionfilm Minority Report, waarin de politie moorden voorkomt doordat zij ze ziet aankomen.

De gemeente Eindhoven is blij met de komst van Atos (in 2014 11 miljard euro omzet, 93.000 werknemers in 72 landen) omdat het bedrijven en onderzoeksinstellingen de mogelijkheid wil bieden om nieuwe technologie te testen in echte straten en op echte mensen. Ook het Dutch Institute of Safety & Security (DITSS) en chipfabrikant Intel zijn bij het project aangesloten. Zij ontwikkelen een systeem – CityPulse genaamd – dat op elk moment van de dag weet hoeveel mensen op het Stratumseind rondlopen (meer dan 5.000 op een drukke avond), voor welk caf? de meeste mensen staan, waar individuen zich bevinden, hoe snel ze bewegen en wie een verdacht looppatroon volgt.

CityPulse is geprogrammeerd om afwijkend gedrag eruit te pikken. Iemand die in zijn eentje rondjes door de straat loopt zou weleens een zakkenroller kunnen zijn. Beginnen mensen zomaar te rennen, dan gaat er een lampje branden omdat de software dat gedrag associeert met een opstootje. Een ander programma analyseert berichten en de stemming op social media: soms kondigen relschoppers hun komst al aan op Facebook of Twitter.

Ondertussen analyseren microfoons het geluid op straat. Als dat in een straathoek aanzwelt tot een abnormaal hoog niveau, voorspelt het systeem dat er een vechtpartij in de maak is. De palen die boven het Stratumseind uittorenen zien er indrukwekkend uit: die zitten vol met sensoren, camera’s en andere meettechnologie. Het project voldoet volgens Atos aan strenge privacynormen; de camera’s registreren bijvoorbeeld geen gezichten.

De slimme camera’s vervangen de agent achter de monitor in het controlecentrum niet – die schat nog steeds in of bij een situatie echt ingegrepen moet worden. CityPulse is eerder een soort supercollega die met eindeloos veel ogen elke bezoeker in de straat observeert. Na een succesvolle proef in Eindhoven hoopt Atos het systeem aan steden over de hele wereld te kunnen verkopen.

Atos is niet het enige bedrijf dat zich bezighoudt met predictive policing, de verzamelnaam voor technologie die misdaad voorspelt. TNO test op Schiphol camera’s die kwade intenties van personen moeten opmerken. Die registreren afwijkend gedrag zoals mensen die opvallend lang op de wc blijven, of rondhangen op verdachte plekken. Het Japanse NEC levert al camerasystemen die op basis van gezichts- en emotieherkenning een seintje geven als er onrust dreigt te ontstaan.

Ook allerlei jongere Amerikaanse techbedrijven duiken op het voorspellen van misdaad. Palantir bijvoorbeeld, geeft geen omzetcijfers, maar investeerders verwachten er bijzonder veel van: het is inmiddels 18 miljard euro waard. Het is ontstaan uit een project van de geheime dienst CIA. Palantirs geavanceerde zoekmachine kan gebruikt worden om verdachte patronen te herkennen in uiteenlopende bronnen als betaalgegevens, vluchtdata en camerabeelden.

Het is onduidelijk wat er in Nederland precies gebeurt op het gebied van misdaadvoorspelling. De politie wil daarover geen duidelijkheid geven. ,,Dat zou te veel prijsgeven over onze tactiek bij politiewerk. Dat zou door kwaadwillenden verkeerd gebruikt kunnen worden”, zegt een woordvoerder van de Nationale Politie. Maar wie kijkt naar het aanbod van technologiebedrijven, kan toch een aardig beeld krijgen van wat er wordt gebruikt.

IBM is een van die spelers. Dat bedrijf probeert uit grote hoeveelheden digitale data patronen te halen die misdaad voorspellen. Met behulp van die patronen kunnen agenten volgens IBM betere beslissingen nemen over waar ze bijvoorbeeld patrouilleren. Het levert die diensten onder meer aan een aantal Amerikaanse politiekorpsen en de Spaanse Guardia Civil. Het bedrijf geeft aan dat het wel predictive policing-diensten verkoopt in Nederland, maar mag vanwege geheimhoudingsovereenkomsten niet vertellen met welke korpsen het precies samenwerkt.

IBM combineert digitale gegevens met informatie die in het verleden gerelateerd bleek te zijn aan criminaliteit. Dat kan het weer zijn (bij mooi weer zijn meer mensen buiten en is er vaak meer gedoe), of andere omstandigheden. ,,De dag waarop veel salarissen worden uitbetaald hebben mensen meer geld op zak en dat kan een indicator zijn voor grotere kans op straatroof”, zegt Jaap Vink, die bij IBM politiekorpsen adviseert.

Die informatie kan IBM vervolgens ook koppelen aan notities over verdachte groepjes jongeren van wijkagenten, informatie uit camera’s en nog veel meer. ,,Technologie kan veel meer factoren meenemen, beter patronen ontdekken en veel consistenter oordelen dan mensen”, zegt Vink.

IBM gebruikt voor zijn analyses ook berichten op sociale media. ,,Je kunt sentiment meten van berichten die rondom een bepaald evenement worden verstuurd. En je kunt berichten van individuen analyseren; van mensen die vaker bij criminaliteit betrokken zijn geweest.”
Priv?-informatie

De controle ligt gevoelig. Als mensen berichten alleen beschikbaar maken voor vrienden en kennissen, dan geldt dat als priv?-informatie, ook al is die misschien wel makkelijk online te achterhalen. Daar mag de politie alleen in rondneuzen bij een gerede verdenking, en alleen na toestemming van een officier van justitie.

,,Wij houden ons natuurlijk aan de wet. Maar het is nog niet helemaal duidelijk wat wel en niet mag”, zegt Vink. ,,Het is vaak de vraag hoe ver je kunt gaan voordat je de privacy van mensen raakt. Je ziet wel eens dat partijen daarin de grens opzoeken. Zo van: dan moet er maar een rechtszaak over komen. Maar het blijven morele beslissingen. En er is nog geen computer uitgevonden die d??rbij kan helpen.”

Ook het gebruik van gezichtsherkenningssoftware bevindt zich in een grijs gebied. Vorige maand presenteerde de Haagse denktank Rathenau Instituut een rapport waaruit blijkt dat er veel onduidelijk is over wat er mag met automatische gezichtsherkenning. Mag je herkende gezichten opslaan als je er geen naam aan koppelt? Op dat soort vragen is volgens de onderzoekers geen helder antwoord.

Privacyorganisaties wijzen al langer op de bezwaren die geautomatiseerde surveillance oproept. Wat voor samenleving cre?er je als burgers niet langer onbespied over straat kunnen?

En dan is er nog het probleem dat de software er weleens naast zit. Afgelopen april bleek hoe dat kan misgaan. Een Nederlandse vrouw werd op een snelweg bij Rotterdam klemgereden door de politie. ‘Het systeem’ had haar aangewezen als drugsrunner – onterecht. ,,Ze had net een tweedehands auto gekocht die daarvoor van een drugsrunner was geweest”, zei Rutger Rienks van de politie destijds in deze krant. ,,Ze was vanuit Maastricht naar Rotterdam gereden en vervolgens al snel weer terug naar Maastricht. Net als een bende drugsrunners vaak deed. De combinatie van kenteken en reispatroon zorgde ervoor dat een systeem van kentekencamera’s haar als drugsrunner aanwees.”

Ook op het Stratumseind in Eindhoven ging het wel eens mis: daar werd een paar maanden geleden bij de opening van een nieuw caf? een ingestudeerde dans gedaan, vertelt Albert Seubers, hoofd Smart Cities bij Atos. Twee groepen stelden zich tegenover elkaar op en bewogen in elkaars richting – wat door de slimme camera’s werd geregistreerd als het begin van een vechtpartij. ,,De politie kwam met toeters en bellen aangereden. Maar dat was in de aanloopfase van het CityPulse-project. Inmiddels zou het systeem na een gedegen geluids- en social media-analyse de situatie niet zo snel bedreigend vinden.”

Toch is niet uit te sluiten dat CityPulse onschuldige burgers als verdachte aanmerkt, erkent Seubers. Als iemand in zijn eentje rondjes loopt om zijn vrienden te zoeken, kan de politie een seintje krijgen omdat de software denkt dat hij een zakkenroller is. Seubers: ,,Je moet het niet in extremen trekken. Wat ons project doet verschilt niet erg van een oplettende kroegbaas die de politie waarschuwt omdat hij een verdachte situatie ziet.”

Ter nuance van de Minority Report-vergelijking: het gaat bij dit systeem niet om het preventief opsluiten van potenti?le moordenaars, zoals in die film gebeurt, maar vooral over het voorkomen van onrust. Zanger Maarten Bouwman van de Hillbilly Moonshiners heeft weinig moeite met het intelligente cameratoezicht. Net als veel andere bezoekers van het Stratumseind vindt hij het juist geruststellend dat de politie dankzij het systeem kan ingrijpen voordat een situatie uit de hand loopt. Dat laatste gebeurt regelmatig in de uitgaansstraat, zegt Bouwman. ,,Vooral op zaterdagavond is het hier vaak raak.”

Bedrijven en overheden verwachten veel van predictive policing, toch is het vaak moeilijk te bewijzen of de techniek werkt. ,,We kunnen helaas niet met zekerheid zeggen dat het Stratumseind in de pilotperiode veiliger is geworden”, zegt Seubers. ,,We weten dat de techniek werkt en dat we incidenten seconden van tevoren kunnen identificeren. Maar we hebben meer tijd nodig om te kunnen aantonen dat het aantal incidenten is afgenomen, en dat die afname komt door ons systeem.” Atos wil niet zeggen hoe vaak de politie is uitgerukt na een melding van het systeem of hoe vaak het vals alarm was. Ook de politie Eindhoven zwijgt daarover.

Zonder specifieke resultaten te hoeven laten zien werd de samenwerking met Atos vorige maand met drie jaar verlengd. Wethouder Bianca van Kaathoven, bij de gemeente verantwoordelijk voor ‘Stratumseind 2.0’: ,,Wij zijn ook benieuwd naar tastbare resultaten. Maar waar het ons vooral om gaat is dat we Eindhoven openstellen als laboratorium voor innovatieve bedrijven.”

De gemeente hoeft niet mee te betalen aan het moderne surveillancesysteem. In ruil voor de mogelijkheid om het systeem in een echte straat met echte opstootjes te testen, nemen de betrokken bedrijven de financiering op zich. Tegelijk gebruiken ze het project om hun technologie in de etalage te zetten. Delegaties uit uiteenlopende plaatsen als Lee County (Florida), Boekarest en Singapore zijn al in het Eindhovense commandocentrum komen kijken.

Bronnen: NRC (22 aug 2015), ATOS, DITTS

Global Pulse, de digitale rooksignalen uit de wereld

De VN-organisatie Global Pulse, vrij vertaald de ‘polsslag van de wereld’, is opgericht na de wereldwijde economische crisis, op verzoek?van Ban Ki-moon (VN-secretaris-generaal). Deze organisatie laat zien dat Big Data enorme kansen biedt om wereldwijd oplossingen aan te reiken. Via analyse van sociale media en van radiogesprekken is deze organisatie sneller in staat om op epidemie?n te reageren, voedselschaarste op te sporen of sneller te weten waar de grootste problemen in Nepal zijn. Robert Kirkpatrick is de directeur van Global Pulse, dat pas sinds?2010 bestaat.

Uit alle uithoeken van de wereld kreeg de VN-secretaris-generaal de vraag wat er elders leefde, of?welk regime?als volgende zou vallen. Naast het hoofdkantoor in New York zijn er ook laboratoria in Jakarta (Indonesi?) en Kampala (Oeganda). In deze laboratoria worden gegevens van digitale gebruikers verwerkt, met het doel die informatie te gebruiken bij wereldwijde ontwikkelingsvraagstukken. Global Pulse werkt samen met priv?bedrijven en universiteiten om informatie te verwerken die via Facebook en Twitter, en via telefoon- en sms-verkeer wordt verspreid. Er wordt alleen gewerkt met gegevens die gebruikers publiek beschikbaar stellen, hun namen worden niet gebruikt. Tevens geeft het sms-verkeer een beeld van het aantal inwoners van een regio.

Als aanvulling op?offici?le data worden deze nieuwe digitale rooksignalen opgevangen, waarmee landen en ontwikkelingsorganisaties aan de slag kunnen gaan. Het laboratorium van Global Pulse heeft al vele vernieuwende projecten rond big data uitgewerkt, in samenwerking met andere VN-organisaties, regeringen en universiteiten. Zo heeft Global Pulse samen met UNAids in Brazili? via sociale media onderzocht in welke mate er een stigma rust op hiv en aids. In Oeganda was het VN-Bevolkingsfonds een partner om de houding van jongeren tegenover anticonceptie en tienerzwangerschappen te onderzoeken. Behalve sociale media is daarbij ook een gratis sms-systeem (‘U-report’, een project van Unicef dat in Oeganda veel succes kent) gebruikt. Uit de verzamelde gegevens blijkt dat Oegandese jongeren erg vaak praten over condooms, het veel minder vaak hebben over geheelonthouding of de pil, en dat sterilisatie van de man al helemaal bitter weinig gespreksstof oplevert.

In gebieden waar sociale media of mobiele telefoons te weinig worden gebruikt, kunnen radiogolven de digitale kloof dichten. Daarom peilt het laboratorium in Kampala via de radio naar wat er onder de bevolking echt leeft. Als je bedenkt dat Afrikanen voortdurend naar radioprogramma’s bellen om hun mening te geven, en Oeganda alleen al 216 FM-radiostations telt, die vanuit 299 radiomasten uitzenden, dan kan dat een schat aan informatie opleveren. Er hoeft overigens niet naar al die uren radio te worden geluisterd om relevante informatie te detecteren. Via spraaktechnologie en vertaalprogramma’s is er een programma ontwikkeld dat gesproken taal omzet in geschreven tekst. Het computerprogramma kan nu al het gesproken woord herkennen, in het Engels en in de lokale talen. Daarnaast wordt net als elders via Twitter en Facebook geanalyseerd welke thema’s prominent opduiken. Zo kunnen terugkerende thema’s een indruk geven van wat er onder (een deel van) de bevolking leeft.

Jaarverslag 2014

Bronnen:?The New york Times, www.scidev.net, Deccan Herald, De Standaard,

Future Crimes – Social Media onderwereld

gold

De exponenti?le groei van het internet die exponenti?le groei van criminaliteit mogelijk maakt gaat in dit derde deel verder. Het probleem is volgens Marc Goodman niet dat technologie slecht is, maar dat zo weinig mensen er iets van weten. Als computer code onze planeet draaiende houdt (software rules the world) kan het ook misbruikt worden. Vooral vanwege de asymmetrische verhoudingen: een aanval is duizenden keren eenvoudiger dan een goede verdediging over alle linies van internetdingen. Perfecte beveiliging is een illusie en is ook niet nodig. Toch moet er wel wat wijzigen in de huidige manier van werken en doen.

De wereld is kapot

everything is broken

Facebook ontwikkelaars (en vele app ontwikkelaars ook) hebben lange tijd gewerkt volgens het mantra “move fast and break things“. De time to market was veel belangrijker dan de kwaliteit van de software, in een cultuur van b?ta producten die nooit af zijn. Zuckerberg stelde ook: “If you never break anything, you’re probably not moving fast enough“. Facebook noemde bijvoorbeeld de commotie rondom het tracken van niet-Facebookgebruikers een “bug”. Andere adagia bij Facebook zijn “Just ship it” en “Done is better than perfect“. Onderzoek onder app ontwikkelaars wijst uit dat de helft $0 dollar besteedt aan veiligheid. Deze duct?tape programmeerstijl zit dicht op het randje van een crash. Quinn Norton spreekt in “Everything is broken” zelfs over “Software is bullshit“. Het feit dat een Heartbleed?virus zo lang zijn werk kon?doen is een vorm van?bewijs. Klanten willen alles hebben en liefst snel. Mensen slapen niet voor niets op de stoep bij een Apple Store voor een nieuwe iPhone. Driekwart van alle systemen die we gebruiken kan in luttele minuten worden binnengedrongen. Een hacker heeft je wachtwoord in 90 seconden. Dat terwijl 97% van alle kraken voorkomen hadden kunnen worden met relatief eenvoudige maatregelen. Met het design is niets mis, maar waar is de Steve Jobs van security? Pas als veiligheid?echt een Unique Selling Point wordt en klanten dit hard gaan eisen, zal dit kunnen veranderen. Security onderzoeker?Dan Kaminsky: We are truly living through Code in the Age of Cholera“. En het is logisch dat hackers die zwakheden vinden dit nu op de zwarte markt verkopen in plaats van het netjes te melden, omdat je bij legitieme meldingen (responsible disclosure) nog steeds risico’s loopt op strafmaatregelen. De bounty programs van bedrijven als Google en vele anderen zijn een goed begin, maar de prijzen op de zwarte markt zijn vele malen hoger. Voorlopig verandert er dus niet zomaar iets.

Data is?het nieuwe goud

De beruchte bankrover Willie Sutton,?die begin 19e eeuw zijn carri?re begon en dat decennia volhield en $2 miljoen dollar buit maakte, werd gevraagd: “Hey Willie, waarom roof jij eigenlijk banken?”. Zijn antwoord was simpel: “Omdat daar het geld zit”. ?Vandaag de dag is geld alleen vervangen door data, en om die reden?introduceert Marc?zijn eigen “Goodman-wet”: “The more data you produce and store, the more organized crime is happy to consume“.

Facebook geeft toe dat er?elke dag 600.000 keer?een account gehackt wordt. Elke dag! Dat is elke 140 milliseconde; knipperen met je ogen duurt al 2 keer zo lang. In het jaarrapport van Facebook stellen ze dat?11.2% accounts vals zijn, ofwel:?140 miljoen mensen die niet eens echt bestaan. Volgers of fans krijgen?is trouwens ook niet heel moeilijk, want op sites zoals SocialMediaCorp.org?zijn ze gewoon te koop: voor $5 dollar heb je 4.000 Twitter volgers en 100.000 fans op Facebook kosten iets meer: 1500 dollar. Tel daar clickfraude?of?complete?clickfarms bij op en je beseft: alle?social media partijen hebben?met heel veel?misbruik te maken. Van LinkedIn is ook bekend dat er 6.5 miljoen accounts gekraakt zijn, van Snapchat 4.6 miljoen (incl. telefoonnummers), maar ook Google en Twitter blijven niet gespaard en ondervinden dagelijks ellende. Georganiseerde misdaad is verantwoordelijk voor 85% van deze hacks. Dropbox maakte het in 2011 nog bonter en had per ongeluk de beveiliging even helemaal uitgezet voor al haar gebruikers. Een roofdier op de Serengeti loopt ook niet gewoon voorbij als er een dood dier ligt dat door kan gaan als gratis maaltje voor onderweg. In dit geval?werd dus heel wat Big data snel weggeloodst.

Social Media gebruikers zijn gewillige targets van allerlei?vervelende software. Koobface?is bijvoorbeeld bekende malware die zich specifiek richt op (de naam doet het al vermoeden) Facebookgebruikers. Deze software werd door?oplichters slim ingezet tijdens de vermiste MH370, waarbij ??n klik op “brekend nieuws van CNN”, met de eerste foto’s of filmpjes van het gevonden vliegtuig, genoeg was om een virus binnen te halen. Firesheep is een andere tool waarmee je aan zgn. ‘sidejacking‘ kun doen; je kunt hiermee via een open Wifi (bijvoorbeeld in een hotel, restaurant of de trein) eenvoudig iemands Facebook sessie en ook account overnemen.

Wie is er aansprakelijk?

Maar denk maar niet dat social media partijen ook opdraven voor de geleden schade. Identiteitsfraude alleen al kostte in de VS 21 miljard (2012), en elke 2 seconden is er weer een?Amerikaan aan de beurt. Kinderen zijn de snelst groeiende groep slachtoffers. Zij maken?51 keer meer kans op deze vorm van fraude dan volwassenen. Reden: hun identiteit heeft nog?een ‘clean-sheet‘ bij de meeste instanties en social media partijen krijgen steeds jongere kinderen onder hun leden (ook al is 13 officieel de minimum leeftijd).

Facebook maakt goed?duidelijk?dat zij niet aansprakelijk zijn voor welke schade dan ook:

“We try to keep Facebook up, bug-free, and safe, but you use it at your own risk. We are providing Facebook as is without any express or implied warranties… We do not guarantee that Facebook will always be safe, secure of error-free.. [Y]ou release us, our directors, officers, employers, and agents from any claims and damages, known and unknown, arising out of or in any way connected with any claim you have.”

Marc vraagt zich af: Als?er op het etiket staat “Wij garanderen niet dat het product altijd veilig zal zijn” zou je het dan?kopen? Hoe kan het zijn dat wij dit klakkeloos overal maar accepteren als het over technologie gaat? Waar is de verantwoordelijkheid van software makers? Security expert?Mikko Hypponen?zegt erover: “Nuclear scientists lost their innocence when we used the atom bomb for the very first time. So we could argue computer scientists lost their innocence in 2009 when we started using malware as an offensive weapon.” In de automobiel industrie is het gelukt om integrale veiligheid te organiseren (in de VS de National Traffic And Motor Vehicle Safety Act?uit 1966), dus waarom niet met onze smartphones en?andere kritische spullen? Voordat we allemaal weer 50 miljard nieuwe spullen toevoegen vraag je je af of we het nu eindelijk goed gaan regelen. Er is uitgerekend dat Facebook?$8 dollar per jaar aan elke gebruiker?verdient. Maar voor dat bedrag?versnijden ze je data in kleine stukjes en verkopen die door aan een schimmige wereld van data dealers met mogelijk grote persoonlijke consequenties. Er zijn inmiddels heel wat mensen die Facebook best $10 dollar?willen betalen?om dat men hun persoonsgegevens niet meer te doen.

Treiteren, trollen of?erger

trolling

Stalken of cyberpesten is een net zo populaire vorm van misbruik met behulp van deze identiteiten, omdat het zo makkelijk is: je kunt er altijd en overal bij. Facebook stalking is zelfs een alledaags begrip geworden. Onderzoek?toont aan?dat zelfs 20% van de middelbare scholieren door het cyberpesten “serieus nadenkt over een zelfmoordpoging”. Sexting, sextortion (wraakporno)?zijn allemaal groeiende problemen. 67% van de studenten geeft aan ermee te maken te hebben. De website van Hunter Moore maakt het wel heel bond: alle wraakporno plaatjes (meestal van exen) worden automatisch voorzien van de echte social media profielen van Facebook of Twitter. 74% van de ouders geven aan niet mee te kijken met hun kinderen. Reden: ze snappen het toch niet, hebben geen tijd, geen energie?of zien geen mogelijkheden.?In de huiselijke kring kan?social media andersom ook een?grote?negatieve impact op je?leven hebben: 45% van de slachtoffers van huiselijk geweld geeft aan dat de daders hen online volgt of ook digitaal aanvalt. Neem bijvoorbeeld Paul Bristol die het vliegtuig uit Trinidad pakte na een Facebook update van zijn ex en haar na het zien van een foto met haar nieuwe vriend doodstak. Hate crime (haat gericht op?huidskleur, geloof, geaardheid, sexe, uiterlijk of anderszins) en vele andere vormen van digitale pesterijen nemen toe.?Zo maakte Channel 4 een documentaire?over de heftige jacht op homo’s in Rusland met daarin een voorval?van?1500 jonge?mannen die op Instagram, YouTube en Twitter voor de hele wereld werden vernederd en?de autoriteiten slechts toekeken,?terwijl sommigen voor het leven verminkt waren of zelfs stierven. Nooit iemand voor veroordeeld.

Censuur en?propaganda

Websites die antisemitisch zijn en de holocaust ontkennen of nazisme aanhangen worden in landen als Frankrijk en Duitsland openlijk gecensureerd. In Syri? worden diensten als?YouTube en Facebook geblokkeerd. Saoedi Arabi? blokkeert zelfs 400.000 websites en de Verenigde Arabische Emiraten blokkeren alle sites eindigend op .il omdat ze de Joodse staat niet erkennen. Maar China spant natuurlijk de kroon op het gebied van internet censuur, met 2 miljoen moderators en propaganda werkers. Er zijn volgens Freedom House?wereldwijd maar liefst 4 miljard mensen die in een land wonen die aan enige vorm van internet filtering (censuur)?doen. De overheid (maar ook?Facebook of Google) bepaalt dus was je in je gefilterde bubbel ziet. Andersom?gebruikt de VS zelf ook de online propaganda machine in haar strijd met Al-Qaida, en Rusland vertelt met wat hulp van internettrollen?online graag hun verhaal over Oekra?ne of de MH17. Lees en bekijk bijvoorbeeld wat alleen al Bellingcat hierover tegenkomt:

Broadcast live streaming video on Ustream

Broadcast live streaming video on Ustream

Naar internet content kijken is volgens Marc net als een dating site: “What you see is not always what you get“. En toch vertrouwen we erop. Volgens Nielsen vertrouwt 70% van de mensen online reviews net zoveel als het advies van hun vrienden. Toch blijkt uit ander onderzoek?dat 25% van de reviews complete onzin zijn. Sterker nog, het is bekend dat diensten flink rommelen met deze informatie, een fenomeen dat bekend staat als?astroturfing.

Social Engineering

Als je niet op Facebook zit, doet iemand anders dat wel voor je. Daar kwam ook Ron Noble?in 2010 achter, toenmalig?secretaris generaal van Interpol, toen de penoze een Facebook account voor hem aanmaakte. Maar?wat kun je met zo’n vals account? Een voorbeeldje:

Robin Sage, een jonge aantrekkelijke 25 jarige vrouw, werkte als cybersecurity analist bij de Amerikaans marine. Bij MIT afgestudeerd en stage gelopen bij de NSA. Net als iedereen van haar leeftijd was ze flink actief op Facebook, LinkedIn en Twitter. Toen ze net haar baan bij de marine had, sloeg ze lekker aan het netwerken met andere cybernerds die bij de overheid werkten. Al snel had ze 300 connecties, waaronder militairen en mensen op diverse plekken bij de inlichtingendiensten. Een hele reeks hooggeplaatste mensen hoorden daar ook bij. Hoewel sommigen twijfelden over haar uitnodiging, verzekerde zij ze dat ze elkaar toch echt op de laatste Defcon hadden ontmoet. De twijfelaars keken nog even naar haar profiel, maar zagen ook andere bekenden al in haar netwerk, waaronder veel van haar collega’s bij de marine. Lockheed Martin en andere bedrijven raakten zelfs zo onder de indruk?dat ze haar?benaderde voor een baan. Er was alleen ??n detail: Robin Sage bestond helemaal niet. Het was een experiment van security adviseur Thomas Ryan.

Crime Inc.

Data broker Experian verkocht?in 2013 per ongeluk bijna twee derde van alle gegevens over Amerikanen aan een malafide club uit Vietnam. Van 200 miljoen Amerikanen waren de zgn. ‘fullz‘ (alle persoonsgegevens) in criminele handen, waarmee je eenvoudig?een lening kunt aangaan uit hun namen. Op allerlei sites zoals SuperSet.info of FindGet.me kon je ze voor gemiddeld 20 set per setje kopen. Schattingen zijn dat 20% van alle Europeanen en Amerikanen al een keer digitaal over de toonbank zijn geweest. Medische identiteitsfraude of belastingfraude met valse identiteiten kost de Amerikaanse maatschappij?jaarlijks respectievelijk 5.6 miljard en?4 miljard per jaar.

Inbrekers kunnen ook een slaatje slaan uit de gratis Facebookgegevens. Zo werd in 2010 bekend dat een criminele groep uit Nashua, New Hampshire, Facebook gebruikte om meer dan 50 inbraken te plegen waarin ze zo’n $200.000 buit maakten. Online marktplaatsen?zijn ook populaire manieren om mensen op te lichten, of om gewilde?spullen te vinden.

Of neem de terroristische?Lashkar-e-Taiba aanval?in Mumbai uit 2008 die als gijzelnemers in de ene hand een vuurwapen en een smartphone wapen in de ander hadden. Tien mannen kregen via hun eigen social media ops centrum voor die tijd geavanceerde real-time contra-intelligence via hun smartphone binnen en be?nvloedden met hun actie het leven van 12 miljoen inwoners in die stad terwijl het?live over de hele wereld werd uitgezonden. 164 mensen overleefden die aanslag niet en 9 van de 10 gijzelnemers kwamen om. De enige overlevende werd in 2012?in India ge?xecuteerd. Marc beschrijft hoe criminelen?over een aantal jaar “Siri & Clyde” worden (of Bonnie & Cortana) waarin ze?met hun?smartphone een IBM Watson (Don Watson noemt hij het) aan de lijn hebben als criminele infocel.

Marc Goodman gebruikte deze casus al?in 2012 in zijn TED talk:

Dit is deel 3 van een vierluik als boekbespreking van Future Crimes van Marc Goodman. In het volgende en laatste artikel gaan we in op het Dark Web, cloud crime, crime sourcing, internetdingen en wat we kunnen doen om deze ontwikkelingen veilig te houden. Heb je artikel 1 en 2 al gelezen, of heb je het boek zelf gelezen? Misschien wil je dan je idee?n erover?hieronder delen?

Computermodel voorspelt overlast in woonwijken – en wanneer die uitblijft

Computermodel_hoofdfoto

Misschien wel de beste oplossing tegen overlast in woonwijken: een computermodel om overlastsituaties te voorspellen.?Selmar Smit?van TNO ziet re?le kansen voor zo?n model. Daarmee kan een wijk overlastbestendig worden ontworpen. Bijvoorbeeld door een buurthuis te bouwen, of een park aanleggen.

Welke wetenschappelijk onderbouwde handvatten hebben gemeenten om overlast te voorkomen of bestrijden? Modellen om overlast te voorspellen kijken doorgaans naar de sociale en economische eigenschappen van een buurt. Maar ze leveren maar mondjesmaat praktisch bruikbare informatie. De modellen geven bijvoorbeeld geen antwoord op de vraag of ergens een buurthuis moet worden gebouwd, een uitgaansdistrict moet worden verplaatst, of een park moet worden aangelegd.

Het effect van dit soort ingrepen is namelijk zeer wisselend en sterk afhankelijk van de omgeving. Wat in de ene buurt tot overlast leidt, heeft niet noodzakelijk hetzelfde effect in een andere buurt. Zo zijn er nauwelijks meldingen van problemen bij caf? De Uylenburg aan de rand van Delft. Terwijl de caf?s in het centrum een paar kilometer verderop een hotspot van overlast vormen.

Overlastkaart belangrijk
Om te kunnen bepalen welke overlast een buurt kan verwachten, is het dan ook van belang om te weten welke gebouwen van een bepaald type op welke locatie(s) staan. Er kunnen 3 typen panden worden onderscheiden. Gebouwen die overlast cre?ren, die overlast aantrekken en die er geen enkel effect op lijken te hebben.

De 4 grootste bronnen van overlast blijken bars, caf?s, fastfoodrestaurants en supermarkten

Dit artikel laat zien hoe een computer met een voorspelmodel een zogenoemde overlast-heatmap?kan maken. En hoe die kaart in de praktijk werkt om overlastgevende locaties te identificeren en voorkomen.

2 theoretische verklaringen voor overlast
Op dit moment zijn er 2 theorie?n gangbaar die verklaren waarom op de ene locatie wel overlast plaatsvindt, en op de andere locatie niet.

  1. Patricia L. en Paul J. Brantingham introduceerden zogenoemde?crime attractors. Dit zijn plaatsen die potenti?le overlastveroorzakers aantrekken, maar niet noodzakelijk zelf overlast veroorzaken. Een voorbeeld hiervan is een bankje in een park.
  2. De theorie van Richard Wortley geeft juist een verklaring voor de hoeveelheid criminaliteit in een gebied. Hij doet dit met het begrip vancrime precipitators. Dan gaat het om omgevingsfactoren die aanmoedigend werken op personen om overlast te veroorzaken. Een caf? en discotheek zijn daar logische voorbeelden van.

Niet viswinkels trekken overlast aan, maar de pleinen in de directe omgeving

Nieuw voorspelmodel voor overlast
Een nieuw model van TNO gebruikt een wiskundige uitwerking van bovenstaande theorie?n. Ieder object, gebouw of gebied in een omgeving kan fungeren als precipitator, attractor, of allebei. Want precipitators cre?ren een bepaald niveau van overlast, terwijl attractors bepalen waar de overlast.

2 stappen naar overlastvoorspelling
In 2 stappen kan het computermodel een overlastvoorspelling voor een specifieke locatie maken.

pic1

Figuur 1 – Hoeveelheid overlast

Stap 1: Hoeveelheid overlast bepalen
Het caf? is rood gemarkeerd (zie figuur 1). Dit is een precipitator die een bepaalde hoeveelheid overlast kan veroorzaken in alle objecten binnen een bepaalde straal. Daarop duidt de rode balk. In hetzelfde gebied zijn ook 3 attractors aanwezig, namelijk parken. De afstand tussen de precipitator en de attractor ? en de hoogte van de aantrekkingskracht van de attractor ? bepalen hoeveel overlast er daadwerkelijk wordt aangetrokken. Dit is weergegeven in de blauwe balk. Het park dichtbij het caf? trekt een groot gedeelte van de overlast aan, terwijl het park rechtsonder ver genoeg weg ligt om overlastvrij te blijven.

pic2

Figuur 2 – Reikwijdte overlast

Stap 2: Reikwijdte van overlast bepalen
Overlast vindt meestal plaats in een gebied rond de attractor. Voor elk punt binnen de straal van dit gebied kan de hoeveelheid overlast worden voorspeld. De punten zijn aangegeven met een X (zie figuur 2). Vervolgens kan de hoeveelheid overlast in het gebied worden berekend door de effecten van alle attractors in een buurt op te tellen. Het punt in het midden, dat is weergegeven in de gele balk, trekt de meeste problemen aan. Voor de 2 buitenste punten wordt juist geen overlast voorspeld.

Beperkingen van bestaande overlastberekeningen
Maar er is een probleem bij dit soort berekeningen. Hoe weten we welke objecten een precipitator zijn? En welke een attractor? Hoe sterk is het effect van deze objecten? En hoe groot is de straal van verspreiding?

Een antwoord op deze vragen is afhankelijk van gegevens uit het verleden. Deze informatie laat zien waar overlast was, en welke objecten er in de buurt stonden. Deze gebouwen zijn niet noodzakelijkerwijs een precipitator of attractor. Maar met een zogenoemd zelflerend algoritme is dat wel te bepalen.

Oplossing: zelflerend algoritme
Een zelflerend algoritme is een geavanceerd computerprogramma dat in staat is om zelf te bedenken wat een goede oplossing is. Want het rekenmodel wordt ?beloond? bij goed gedrag. Goed gedrag betekent in dit geval: het kiezen van de juiste parameterwaarden om de overlast te voorspellen.

Buurthuizen blijken een effectief middel om overlast te verminderen

Hoewel het algoritme niet precies weet welke waarden correct zijn, zal het een patroon ontdekken door verschillende dingen te proberen en conclusies te trekken uit de beloningen. Dan blijkt onder welke omstandigheden (dat wil zeggen: bij welke van de aanwezige objecten) een hoge voorspelling gepast is.

Voorbeeld: overlast in haaglanden
TNO heeft de beschreven methode toegepast op data over overlastcijfers en omgevingskarakteristieken van de regio Haaglanden. Om zo een voorspelmodel voor de regio te ontwikkelen.

De input over overlast bestaat uit cijfers van hoeveiligismijnwijk.nl. Deze tonen het aantal meldingen op buurtniveau voor diverse vormen van overlast. Het gaat hierbij om jeugdoverlast, overlast van personen, drugsoverlast, geluidsoverlast en een aantal andere soorten overlast in 438 buurten in de periode van 2010 tot en met 2012.

OpenStreetMap dient als databron voor de omgevingskarakteristieken. De regio Haaglanden wordt daarin beschreven in 128 objecttypen met in totaal 10. 545 objecten. Denk aan de functie van gebouwen, en de aanwezigheid van pinautomaten, speeltuinen, bossen, parken en sportfaciliteiten. Met deze gegevens heeft het zelflerende algoritme de effecten van specifieke objecten op overlast in kaart gebracht.

4 grootste bronnen van overlast
De 4 grootste bronnen van overlast blijken bars, caf?s, fastfoodrestaurants en supermarkten. Dit zijn dus de grootste bronnen van overlast. Zolang er geen attractors in de buurt zijn, zoals in woonwijken, hebben ze weinig tot geen effect op de overlastcijfers. Maar in stadskernen en uitgaansgebieden zorgen deze objecten wel voor overlastplegers.

Viswinkels en gebedshuizen: 2 aantrekkers van overlast?
Viswinkels blijken verrassend genoeg de grootste aantrekkers van overlast te zijn. Toch is dit verband te verklaren. Pleinen zijn een notoire aantrekker van overlast, maar zijn niet opgenomen in de gegevens van OpenStreetMap. De viswinkels op de kaart blijken stuk voor stuk op of vlakbij pleinen te liggen.

Niet alle ‘groene’ oplossingen helpen: parkjes en speeltuinen trekken juist ook overlast aan

Daarmee fungeren ze in het rekenmodel als een vervanging van pleinen. Niet viswinkels trekken overlast aan, maar de pleinen in de directe omgeving. Een vergelijkbaar verband is te zien bij gebedshuizen. Ook deze liggen vaak op of bij een plein en worden daarom ten onrechte aangewezen als attractors.

3 effectiefste middelen tegen overlast
Hotels en rechtbanken hebben volgens het zelflerend algoritme van TNO een positieve invloed op overlast. Het ontmoedigende effect op overlastveroorzakers is merkwaardigerwijs het grootst in gebieden waar de overlast juist zeer hoog is. En buurthuizen? Die blijken inderdaad een effectief middel om overlast te verminderen.

Niet al het groen helpt tegen overlast
Het rekenmodel van TNO laat zien dat er verschillende mogelijkheden zijn om in woonwijken de overlast te verminderen. Bijvoorbeeld door kunst te plaatsen en plantsoenen aan te leggen. Maar niet alle ‘groene’ oplossingen helpen. Want parkjes en speeltuinen trekken juist ook overlast aan.

Conclusie: voorspellen ?n aanpakken
Het hier beschreven zelflerende algoritme vormt nog geen eindpunt. Er is behoefte aan extra gegevens om het inzetbaar te maken voor interventies en stadsontwerp. Die data zouden gedetailleerder moeten zijn dan nu beschikbaar is, en afkomstig zijn van verschillende stedelijke gebieden.

Natuurlijk kan het model ook voorspellingen doen over andere onderwerpen dan overlast. Zoals criminaliteit, zorg en welzijn. De voorspellingen daarover zouden dan kunnen worden meegenomen als kwantitatieve onderbouwing van de Veiligheidseffectrapportage. Dan kunnen ze worden gebruikt om concrete interventies te kiezen om overlast effectief te verminderen.

Bronnen: CCV Secondant