Tagarchief: ccv

Amper beleid bij forse groei buurtpreventie door burgers

Gemeenten stimuleren buurtpreventie, zonder te weten waarom. Terwijl het regelmatig tot problemen leidt, blijkt uit onderzoek.

Buurtpreventie blijft in Nederland groeien. Vooral het aantal buurtappgroepen is de afgelopen jaren fors gegroeid. Hoewel veel gemeenten de groei van buurtpreventie actief stimuleren, ontwikkelen ze nauwelijks beleid op dat gebied, terwijl in een op de vijf gemeenten de controlecultuur die met de buurtapps gepaard gaat tot problemen leidt.

Dat blijkt uit onderzoek van de aan de Erasmus Universiteit verbonden socioloog Vasco Lub, in opdracht van het Centrum voor Criminaliteitspreventie en Veiligheid, onder meer dan tweehonderd gemeenten.

Politie en bestuurders omarmen buurtpreventie als manier om burgers te betrekken bij het voorkomen en opsporen van criminaliteit. Dat kan via patrouilleteams die door de wijk lopen of via appgroepen, waarin buurtbewoners elkaar op de hoogte houden van verdachte situaties. Van de gemeenten stimuleert 65 procent buurtpreventie actief, bijvoorbeeld via informatieavonden, de eigen website of brieven aan inwoners.

In het merendeel van de gemeenten is er dan ook nauwelijks beleid over hoe om te gaan met de patrouilleteams en buurtappgroepen, constateert Lub. Van de 187 gemeenten die aangaven dat ze buurtpreventie hebben, hebben 109 er niets op papier over vastgelegd in officiële documenten zoals een collegeakkoord, veiligheidsplan of verordening. „En zelfs als er iets is vastgelegd, dan is dat minimaal”, zegt Lub. „Meestal wordt er alleen gemeld: we hebben het. Er staat vrijwel nooit in wat de reden is en welke strategie wordt gevolgd. Bijvoorbeeld: we kampen met overlast van een jeugdsoos of periodieke inbraak, en vragen daarom hulp van burgers. Of: we kunnen beperkter politie inzetten.”

Lub noemt dat een risico. „Als je geen prioriteiten of grenzen stelt, blijft vaag waarop het kan worden afgerekend.”

Rotonde afgezet

Ruim een vijfde van de gemeenten met buurtpreventie gaf in het onderzoek aan negatieve effecten van buurtpreventie te ondervinden. Door een overdaad aan meldingen worden ambtenaren en politiemensen overvraagd, en ook een doorgeslagen controlecultuur waarin burgers elkaar wantrouwen en eigenrichting zijn een probleem.

Bij het extreemste voorbeeld dat Lub van ambtenaren hoorde, hadden burgers na berichten in de appgroep een verdacht persoon staande gehouden en met tie-wraps vastgebonden. Elders zetten burgers na meldingen over een inbreker een rotonde af om een mogelijke verdachte te kunnen aanhouden.

Vaak zijn de negatieve effecten subtieler en zien ambtenaren dat de appgroepen voor een dreigende sfeer in de buurt zorgen. Maar, merkte Lub in zijn gesprekken: praten doen ze daarover liever niet. „Gemeenten zijn huiverig om het over de schaduwkanten te hebben. Ze hebben het nu eenmaal omarmd, actieve burgers zijn per definitie goed. Ik vermoed dat het werkelijke aantal plekken waar negatieve effecten zijn veel groter is.”

Appgroepen professionaliseren

Lub volgt de opkomst van buurtpreventie al langer: drie jaar geleden leidde hij een vergelijkbaar onderzoek en onlangs publiceerde hij voor het onderzoeksprogramma Politie en Wetenschap een rapport over de samenwerking tussen burgers en politie. Het verbaast hem hoe weinig aandacht er vanuit de overheid is voor het fenomeen. „Er wordt nergens bijgehouden hoe groot dit is, of wat werkt en wat niet. Er wordt overal ingezet op burgermoed en burgerkracht, maar een landelijke richtlijn is er niet.”

Een deel van de buurtpreventiegroepen is de afgelopen jaren geprofessionaliseerd. Ze nemen de vorm aan van een vereniging, heffen contributie en betalen daarvan particuliere beveiligers of camera’s. Verschillende gemeenten experimenteren ondertussen met preventieteams die in opdracht van de politie na een misdrijf buurtonderzoek doen.

Zorgelijk, vindt Lub, die in zijn aanbevelingen voor duidelijker beleid pleit. „Het wordt nu klakkeloos gestimuleerd. Men bekijkt het praktisch: burgers kunnen een handje helpen. Maar er is een reden waarom buurtonderzoeken altijd door de politie zijn gedaan: omdat die onpartijdig is en weet hoe je objectieve informatie kunt verzamelen die standhoudt in de rechtbank.”

Cursussen worden wel aangeboden, maar richten zich volgens Lub louter op praktische zaken, zoals hoe je omgaat met een agressief persoon. „Niet op vragen als: wanneer vind ik een situatie verdacht? Wat is etnisch profileren? Wat mag ik wel en niet?” Groei van apps is door de overheid niet tegen te houden, erkent Lub. „Maar je kunt wel proberen ze beter te reguleren. En als mensen voor burgerwacht gaan spelen moet je dat proberen te bestrijden.”

Lees het volledige rapport:

[slideshare id=143055413&doc=de-burger-kijkt-mee-jh09-190501074916&type=d]

Bronnen: NRC, NOS, Volkskrant, RTL Nieuws, Hart van Nederland

Burgers zetten steeds vaker de politiepet op

De rol van burgers in de opsporing van daders en in handhavingstaken groeit. Denk aan burgers die iemand staande houden of online sporen veiligstellen. Er zijn echter ook dilemma?s rondom de bevoegdheden van burgers die via het internet de politie helpen. Welke grenzen stel je daarbij? En wat doe je met het delen van opsporingsbeelden?

Kunnen politie en justitie aan slagkracht winnen door burgers intensiever te betrekken bij politiewerk? In menig beleidsstuk en ook vanuit de wetenschap wordt de potenti?le rol van burgers onderstreept. Er lijkt echter een verschuiving gaande van participerende burgers naar een participerende politie. Burgers gaan steeds meer zelf aan de slag en lossen veiligheidszaken op. Het geweldsmonopolie en vervolgingsmonopolie zijn evident en eenduidig in wetgeving vastgelegd, maar een monopolie op andere veiligheidstaken is er niet. Als het de politie lukt om?DIY-policing?(doe-het-zelf) in goede banen te leiden, kan dit gepaard gaan met grote maatschappelijke winsten:

  • toegenomen politiecapaciteit, zonder of met een minimaal financieel prijskaartje;
  • sterkere binding tussen politie en burgers, en tussen burgers onderling;
  • beter beeld van de werkelijke criminaliteit;
  • dalende criminaliteitscijfers door hogere pakkans en meer, met politie samenwerkende ogen op straat.

Informatiepositie van burgers

Door sociale media wordt de informatiepositie van burgers gedemocratiseerd en ook kennis en kunde zijn door het internet steeds meer openbaar. YouTube is een doe-het-zelf-academie. Instructievideo?s en allerlei tools worden door vrijwilligers gratis aangeboden als apps. De adoptie van sociale media is zo groot in Nederland dat burgers elkaar weten te vinden en te mobiliseren. Het?rapport?over de MH17 laat zien dat burgers niet schromen hun krachten te bundelen na een ramp. Ook in opsporing laten burgers van zich horen, getuige de?zaak?waarin een vrouw haar eigen aanrander opspoort en in de val lokt. En vanuit hun emoties startten burgers een massale klopjacht op de?‘kopschoppers‘.

Doe-het-zelf-politie

Deze doe-het-zelf-politie verandert het werk van de politie radicaal. Zaken die nu op de plank blijven liggen kunnen worden opgelost door burgers, of met hun hulp. Burgers en politie komen bovendien nader tot elkaar door nieuwe samenwerkingsmogelijkheden. Maar het kan ook helemaal misgaan. Als burgers het recht in eigen hand nemen bijvoorbeeld. Of als zij in gevaarlijke situaties belanden, omdat zij onrecht bestrijden.

Burgers hebben niet de autoriteit of de bevoegdheden die de politie geniet

Burgers hebben niet de autoriteit of de bevoegdheden die bijvoorbeeld de politie geniet. Nu ontbreekt het bij burgers meestal aan de kennis en middelen om rechtmatig bewijsmateriaal op te bouwen tegen een verdachte. Het zijn processen die in goede banen kunnen worden geleid, als de overheid een faciliterende rol inneemt. Tijdens de eerste internationale?workshop?Do It Yourself Policing in Berlijn zijn niet alleen de sterktes en zwaktes benoemd van burgers die veiligheidstaken op zich nemen, maar ook de kansen en bedreigingen werden ge?nventariseerd. Hier hebben verschillende experts uit wetenschap, politie en bedrijfsleven uit verschillende Europese landen aan bijgedragen. Vanuit Nederland waren onder andere de politie, het Nederlands Genootschap van Burgemeesters, Privacy Company en Universiteit Utrecht vertegenwoordigd.? In figuur 1 is deze SWOT-analyse (Strengths, Weaknesses, Opportunities & Threats) weergegeven.

Figuur 1>? SWOT-analyse van Do It Yourself Policing

Dilemma’s rondom Doe-het-zelf-politie

Uit bovenstaande analyse zijn verschillende praktische en oplosbare vraagstukken af te leiden, maar ook lastig te slechten dilemma?s. Een praktisch en oplosbaar vraagstuk is bijvoorbeeld het gebrek aan kennis over sociale media, of de wijze waarop politie en burger laagdrempelig en snel met elkaar kunnen samenwerken. In het Europese onderzoeksproject?INSPEC2T?wordt bijvoorbeeld een nieuwe community-policing oplossing ontwikkeld en in meerdere experimenten getest, zoals in?Buurtlab Groningen. Met een online-community-policing-platform kunnen burgers, gemeente en politie op moderne manieren met elkaar contact zoeken en samenwerken. In Den Haag loopt een onderzoek naar een publiek-privaat samenwerkingsconcept genaamd BART!: Burger Alert Real Time.

Project BART! in Den Haag
Lees ook:?Met BART! werken aan een veilige buurt

Lastigere dilemma?s komen om de hoek kijken als het gaat om de bevoegdheden van burgers die via internet van over de hele wereld kunnen meedoen. Welke grenzen stel je wanneer en voor wie? Nieuw beleid moet vastleggen wat burgers (niet) mogen en wat tot de taak van de politie en het OM behoort. Echter, het opstellen van regels en richtlijnen, maar ook het toetsen van praktijksituaties zal niet makkelijk zijn. De vraag is of van een burger, die ook nog persoonlijk betrokken is door een relatie met het slachtoffer, dezelfde zelfbeheersing kan worden verwacht als van een niet-betrokken politiebeambte. Denk aan het voorbeeld van de??wraakvader?, die de vermeende online belager van zijn dochter via Facebook opspoorde.

Burgers bieden een overschot aan denkkracht en capaciteiten

Een ander voorbeeld van een lastig dilemma is het delen van beelden. Het gebeurt steeds vaker dat mensen beelden van mogelijke misdrijven online zetten in de hoop de dader(s) op te sporen. ?Zolang het in een neutrale context gebeurt? heeft het OM er geen problemen mee dat mensen op eigen houtje opsporingsbeelden op sociale media zetten, en: ?Het is niet strafbaar?. Het OM stelt dat het online zetten van opsporingsbeelden alleen strafbaar is ?als er een belediging wordt geuit aan het adres van de gefilmde persoon? of wanneer deze wordt beschuldigd van iets wat hij/zij niet heeft gedaan. Toch ligt?naming & shaming?op de loer, een online fenomeen waar niemand momenteel vat op lijkt te hebben.

Groeiende rol van burgers

Niet gehinderd door de uitdagingen en (ethische) dilemma?s zetten burgers steeds vaker de ?Sherlock?-pet op bij opsporing of de politiepet bij handhavingstaken. Burgers wachten niet tot beleid of draaiboeken om met burgers samen te werken zijn uitgekristalliseerd. De duizenden WhatsApp-buurtgroepen in Nederland zijn een goed voorbeeld van Do It Yourself Policing. Buurtbewoners vormen samen met de wijkagent en soms ook gemeente een barri?re tegen criminelen. In het rapport?Worldwide Mapping of Best Practices and Lessons Learnt?zijn vele internationale voorbeelden van Do It Yourself Policing te vinden.

Burgeropsporing, burgerhandhaving, burgerhulpverlening, burgertoezicht ? ? Burgers die eerste hulp verlenen, iemand staande houden of eerste hulp bij opsporing leveren door alvast online sporen veilig te stellen. Het zijn voorbeelden van werkvoorbereiding door burgers die zeer waardevol kunnen zijn. Daarna nemen professionals de zaak over. Burgers bieden een overschot aan denkkracht en capaciteiten die door de politie nog onvoldoende worden benut.

In het in oktober 2017 gepresenteerde programma ter verbetering en vernieuwing van opsporing en vervolging, omarmt de politie deze toenemende rol van burgers (zie ook het rapport?Handelen naar Waarheid,?dat een belangrijke start betekende voor het Programma Herijking Opsporing). Onderzocht wordt hoe de nieuwe, gerechtvaardigde, verwachtingen van burgers waargemaakt kunnen worden. Samenwerking wordt gefaciliteerd door sociale media en webcare, maar ook met apps waarmee burgers zelf kunnen opsporen in geval van bijvoorbeeld een vermissing, autodiefstal of woninginbraak. <<

Europees project
Het onderzoeksproject MEDI@4SEC brengt de kansen en bedreigingen in kaart die nieuwe communicatietechnologie?n teweegbrengen voor de veiligheid en veiligheidsinstanties. Dit artikel is het eerste van 6 artikelen over specifieke thema’s binnen dit onderwerp: ) Do It Yourself (DIY) Policing; 2) Rellen en massabijeenkomsten; 3) Dagelijks politiewerk; 4) Dark Web; 5)?Trolling?en; 6) Innovatieve marktoplossingen. Lees ook het inleidende?artikel?in Secondant over de kansen van nieuwe communicatietechnieken voor justitie en politie.
Meer informatie over MEDI@4SEC is te vinden op de?projectwebsite. Hier zijn ook de volledige onderzoeksrapporten te downloaden zodra deze openbaar zijn.

Arnout de Vries en Carlijn Broekman zijn werkzaam bij TNO. Zij zijn bereikbaar voor vragen en discussie via e-mail:?arnout.devries(at)tno.nl?en?carlijn.broekman(at)tno.nl.

Bron: Secondant.nl

Wat kunnen politie en justitie in het digitale domein?

Nieuwe communicatiemiddelen zoals sociale media bieden politie en justitie grote kansen. Maar zij zien zich ook voor uitdagingen gesteld. Zo kunnen criminelen via het Dark Web terrorisme financieren en op verzoek misdaden plegen. Hoe gaan veiligheidsinstanties met deze kansen en uitdagingen om?

Rechter geeft stalker ?digitaal straatverbod? kopte de?NRC. EenVandaag maakte een uitgebreide?reportage?onder de titel??Politiewerk onder vergrootglas door social media?. Burgers kijken steeds meer mee met de politie en nemen bijvoorbeeld opsporingstaken (deels) op zich. Digitale burgeropsporing lijkt onvermijdelijk, maar het resultaat kan 2 kanten op rollen. Denk aan de ?kopschoppers van Eindhoven? voor een ongewenste wending van?burgeropsporing?waardoor de daders strafvermindering kregen.?Bellingcats rapport?over de MH17-ramp leverde juist een gewenst resultaat op, dat het Joint Investigation Team dankbaar in ontvangst nam. Om ??n ding kunnen we in ieder geval niet heen: sociale media hebben het veiligheidslandschap flink veranderd.

Nieuwe communicatiemiddelen

Wat doen veiligheidshandhavers in Nederland, maar ook ver daarbuiten nu met deze nieuwe communicatiemiddelen? Wat voor kansen bieden sociale media of het?Dark Web?en worden ze wel voldoende benut? Wat mag nu precies wel en niet? En welke bedreigingen moeten in de gaten gehouden worden? Kortom: wat moeten, mogen en kunnen veiligheidshandhavers, en wat juist n?et?

Het Dark Web is voor criminelen interessant, omdat anonimiteit daar de norm is

Dit is een eerste artikel van een reeks waarin we antwoorden op deze vragen zoeken, als onderdeel van het Europese onderzoeksproject?MEDI@4SEC. Dat buigt zich over de kansen en bedreigingen die sociale media bieden voor veiligheidsinstanties.

Criminele handelingen op het Clear Web

Nieuwe communicatietechnieken zoals sociale media worden voor steeds meer criminele ? en ongewenste ? handelingen gebruikt. Denk bij ongewenste handelingen bijvoorbeeld aan cyberpesten, stalken, of het versturen van (doods)bedreigingen. In het 3-jarige onderzoeksproject wordt niet alleen gekeken naar wat er op het?Clear Web?gebeurt. Dat is het normale web, dat met een normale webbrowser toegankelijk is en via gebruikelijke zoekmachines als Google kan worden doorzocht.

Figuur 1: Metafoor voor het Clear Web versus het Deep web. Slechts een deel van de content op internet wordt ge?ndexeerd en getoond na een zoekopdracht

Illustratie: het CCV

Anonimiteit van het Dark Web

Juist het Dark Web (onderdeel van het Deep Web) is voor criminelen interessant, omdat anonimiteit daar de norm is. Voor dit deel van het web heb je een speciale TOR-browser nodig en de webpagina?s worden niet door Google doorzoekbaar gemaakt (figuur 1). Criminelen maken handig gebruik (of eigenlijk misbruik) van deze nieuwe technologische mogelijkheden. Voorbeelden van nieuwe criminele toepassingen zijn:

  • IS-strijders werven, door middel van versleutelde berichten;
  • terrorisme financieren, door anonieme crowdfunding (concept waarbij vele mensen bijdragen aan de financiering. Betaling met Bitcoins waarborgt een bepaalde anonimiteit);
  • criminele cyberaanvallen aanbieden, zoals een DDoS (al vanaf 10 euro per uur);
  • misdaden op verzoek plegen, via?crimesourcing, of?crime as a service;
  • beeldmateriaal anoniem delen, door en voor pedofiel-netwerken.

Maar wat zijn nu eigenlijk de taken van de politie en het OM in deze digitale domeinen? Waar kan of moet het bedrijfsleven de handschoen oppakken? Wat kan, moet en mag men online doen om veiligheid te handhaven?

Internettrollen plaatsten een gerucht dat er haaien in de straten van Manhattan zwommen

Hebben politie en justitie eigenlijk wel voldoende middelen, kennis en mogelijkheden om de verwachtingen in de digitale samenleving waar te maken? Of is er behoefte aan meer (nieuwe) middelen, zoals technische tools of kennis gericht op gedragsbe?nvloeding?

Kansen voor veiligheidsinstanties

Sociale media bieden voor verschillende operationele processen kansen voor de veiligheidsinstanties, waaronder de politie. Maar deze gaan vaak ook gepaard met uitdagingen en/of bedreigingen. Een aantal van deze kansen beschrijven we hierna.

Crisismanagement en alarmering

Sociale media worden hierbij bijvoorbeeld ingezet om snel een indruk te krijgen van de situatie (situational awareness), om hulpvragen te signaleren en eventueel uit te zetten. Toepassingen zoals Twitter of NL Alert worden hierbij gebruikt om mensen te informeren. De grote hoeveelheden berichten die moeten worden geanalyseerd en de interpretatie hiervan, vormen hierbij grote uitdagingen. Opruiende nepberichten die veel paniek kunnen veroorzaken zijn zelfs een bedreiging. Deze worden ook wel hoaxes genoemd. Een voorbeeld van een hoax is het bericht tijdens Project X Haren. Daarin werd met een foto als ?bewijs? aangekondigd dat er Hell?s Angels onderweg waren die ?wel even zouden komen helpen?. Een ander voorbeeld zijn internettrollen die een gerucht plaatsten dat er haaien in de straten van Manhattan zwommen, terwijl de orkanen Irene en Sandy over New York raasden.

Surveillance

Analyse van berichten op sociale media kan de effectiviteit en effici?ntie van surveillance vergroten. Capaciteit kan op basis van verkregen inzichten worden ingepland en opgeschaald bij potenti?le incidenten en vermoedens van criminele activiteiten. Men experimenteert door soms vroegtijdig reacties op berichten te plaatsen met als doel gedragsbe?nvloeding. Tijdens grote evenementen gebeurt dit al. Bijvoorbeeld tijdens de Olympische spelen van 2012 in Londen of tijdens diverse evenementen in Nederland.

Voorkomen moet worden dan burgers voor eigen rechters gaan spelen

Er is grote behoefte aan het monitoren van online berichtenverkeer, maar partijen als Twitter en Facebook willen surveillancetoepassingen momenteel juist weer blokkeren om de privacy van hun klanten te beschermen. Wetgeving loopt achter op deze ontwikkelingen, maar er zijn ook kansen voor samenwerking doordat bedrijven, burgers en politie andere wettelijke kaders hebben.

Opsporing na een delict

Het?rapport?van Bellingcat over de MH17-ramp is misschien wel het beste recente voorbeeld van hoe sociale media het mogelijk maken om bij te dragen in een belangrijk politieonderzoek. Met meerdere gemotiveerde speurneuzen zijn vele beelden en inzichten samengebracht tot een serieus onderzoeksrapport met waardevolle informatie. Onderzoek van?Julian Foster?liet zien dat 54 procent van de bevraagde politieorganisaties waardevolle informatie ontvangen via sociale media. In het Verenigd Koninkrijk is zelfs het aantal zaken dat opgelost kon worden door Facebook te gebruiken, met 540 procent?gestegen. Achterblijvende wet- en regelgeving over wat wel en niet mag, ook in de samenwerking met burgers die digitaal sporen veilig proberen te stellen, vormt hierbij nog wel een uitdaging.

Community Policing

Sociale media faciliteren en stimuleren een?Community Policing-strategie?waarin iedereen mee kan werken aan veiligheid. Bekende voorbeelden in Nederland zijn de WhatsApp-buurtgroepen. Een van de uitdagingen bij deze moderne vorm van Community Policing is om de groepsdynamiek en samenwerking in goede banen te leiden. Voorkomen moet worden dat burgers voor eigen rechter gaan spelen. Juridisch ligt het lastig om als wijkagent onderdeel te worden van een WhatsApp-buurtgroep, terwijl men wel op nieuwe manieren met elkaar in contact wil staan.

Intelligence

Sociale media en Dark Web vormen rijke bronnen van informatie die met behulp van (complexe) analyses tot politionele intelligence kunnen worden veredeld. Sociale media bieden bovendien toegang tot een ?wisdom of the crowd?. Zo beschikt de Nederlandse politie over nieuwe organisatieonderdelen zoals Real-Time Intelligence Centers (RTIC), die collega?s van relevante informatie ten tijde van incidenten kunnen voorzien. Ook wordt er ge?xperimenteerd met nieuwe technologie zoals Predictive Policing. De politie van de Australische staat?Victoria?gebruikt sociale media intelligence zelfs om te kijken naar de prestaties van hun eigen medewerkers. De politie moet leren omgaan met blijvende uitdagingen, zoals de overmaat aan berichten die uit verschillende sociale media en fora op het Dark Web moeten worden gedestilleerd en geanalyseerd. Dat geldt ook voor de interpretatie van deze berichten in combinatie met de relatieve anonimiteit van de afzenders.

Europees project
Het onderzoeksproject MEDI@4SEC brengt de kansen en bedreigingen in kaart die nieuwe communicatietechnologie?n teweegbrengen voor de veiligheid en veiligheidsinstanties. Dit artikel ging in op algemene kansen en bedreigingen voor veiligheidsinstanties, en in het bijzonder een aantal operationele taakstellingen van de politie. In volgende artikelen zullen 6 specifieke thema?s centraal staan: 1)?Do It Yourself (DIY) Policing; 2) Rellen en massabijeenkomsten; 3) Dagelijks politiewerk; 4) Dark Web; 5)?Trolling?en; 6) Innovatieve marktoplossingen.
Meer informatie over MEDI@4SEC is te vinden op de?projectwebsite. Hier zijn ook de volledige onderzoeksrapporten te downloaden zodra deze openbaar zijn.

Carlijn Broekman, Arnout de Vries en Marcel van Berlo zijn werkzaam bij TNO. Zij zijn bereikbaar voor vragen en discussie via e-mail:?carlijn.broekman(at)tno.nl,?arnout.devries(at)tno.nl?en?marcel.vanberlo(at)tno.nl.

Bronnen: Secondant

App: 360? CCV

360ccv 360ccv2

Met het in gebruik nemen van een nieuwe virtuele training tegen overvallen opende minister Ard van der Steur van Veiligheid en Justitie in Amsterdam de Week van de Veiligheid 2016. De door het CCV ontwikkelde app “360? CCV” is nu ook voor u te downloaden via de app store of play store.

De training tegen overvallen is gemaakt voor horeca- en winkelpersoneel. Het CCV ontwikkelde de training samen met Koninklijke Horeca Nederland en Detailhandel Nederland. Het gaat om een aantal 360-gradenvideo?s waarbij de overvallen zo natuurlijk mogelijk worden nagebootst.

“Deze vorm van trainen is een mooie manier om horeca- en winkelpersoneel te helpen”, vertelt CCV-directeur Patrick van den Brink. “Daarom roepen we ondernemers op in deze Week van de Veiligheid om voorbereid te zijn op een eventuele overval. De Week van de Veiligheid is belangrijk omdat we aandacht moeten blijven geven aan preventie. Als je slachtoffer bent geweest van een misdrijf heeft dat grote impact. En we kunnen heel veel doen aan de voorkant om de kans op slachtofferschap te verkleinen.”

Is met Predictive Policing de heilige graal gevonden?

Opinie_en_debat_05

Het politiewerk gaat ingrijpend veranderen door de invoering van?Predictive Policing. Door verfijnde algoritmen los te laten op big data over eerdere incidenten ? en die hoeveelheid gegevens neemt alleen maar toe ? kan de politie straks misdaden voorspellen.

Predictive Policing is de heilige graal waar criminaliteits- en terrorismebestrijders naar op zoek zijn. Het biedt de politie de mogelijkheid om d??r aanwezig te zijn waar de kans op een volgend incident het grootst is. De methode werkt preventief. Ook de nationale politie is al aan de slag met deze ontwikkeling.
Algoritmen die aardbevingen voorspellen

Predictive policing komt uit de Verenigde Staten, waar het in de praktijk beter lijkt te kunnen voorspellen dan menselijke analisten. De ontwikkeling begon in 2008 bij de politie van Los Angeles. Samen met Jeff Brantingham (UCLA en PredPol) werkte de politie het idee uit om algoritmen die aardbevingen konden voorspellen, toe te passen op oude misdaadstatistieken. Het bleek een gouden greep. Ineens kon men een veelvoud aan invloedsfactoren (zoals variaties in plaatsen en tijden) meewegen. PredPol claimt hiermee 1,5 tot 2 keer beter risicogebieden in te schatten dan de politieanalisten.

Naast PredPol zijn er meer ontwikkelingen, zoals HunchLab en het?Amsterdamse Criminaliteits Anticipatie Systeem (CAS). En er komen er meer. Invoering van Predictive Policing bij de nationale politie is mogelijk onontkoombaar, maar dat zal niet gemakkelijk zijn. Het vraagt namelijk om een wezenlijke verandering.

Integrale benadering

De ontwikkeling naar Predictive Policing vraagt om een integrale benadering, waarin doel (in welke context en met welk doel gebruiken we het?), proces, informatie, techniek, en mens en organisatie in samenhang met elkaar worden aangepakt.

Predictive policing is in essentie niets anders dan vakjes op een kaart

De politie zal dus tal van vragen moeten oplossen. Hoe betrouwbaar is de informatie die het systeem aanlevert eigenlijk? Wat zijn de juridische en ethische gevolgen van Predictive Policing? En hoe past het in het politieproces? De organisatie bestaat immers traditioneel uit medewerkers, die in hun werk informatie gebruiken, verwerken en leveren. Hoe past een computer daartussen? Is het als een collega die af en toe kritisch met je mee kijkt, of wordt hij de baas die je oplegt wat je moet doen? Technici, analisten, teamleiders, wijkagenten en andere deskundigen moeten samen aan tafel komen om duidelijkheid te krijgen over de (on)mogelijkheden.

Van Predictive Policing naar Prescriptive Policing

Predictive Policing lijkt de heilige graal, maar is in essentie niets anders dan vakjes op een kaart. Om eenvoudiger, effici?nt en effectief te inzet te plegen is handelingsperspectief en dus Prescriptive Policing onontbeerlijk. Prescriptive Policing voorspelt voor een specifieke situatie wat de effecten zijn van bepaalde interventies en een bepaalde inzet van politiemiddelen. Het systeem doet deze suggestie op basis van gegevens uit soortgelijke situaties in het verleden en daarbij gemeten effectiviteit. Daarbij wordt de menselijke factor expliciet meegenomen, want juist het praatje op straat is een hele effectieve ‘interventie’.

Ook de acceptatie door gebruikers is essentieel

Misschien nog wel meer dan bij Predictive Policing is hier een integrale benadering nodig, waarin doel, proces, informatie, techniek en mens en organisatie in samenhang met elkaar worden aangepakt. In feite zijn er 4 opeenvolgende implementatieniveaus, inclusief bijbehorende uitdagingen:

  • Intelligence-led Policing: informatie delen en deze gebruiken om te sturen.
  • Predictive Policing: analisten en wijkteams?trainen in?de omgang met voorspellende informatie.
  • Effect-led Policing: daadwerkelijke?het effect?registreren van verschillende interventies. Dus ook registreren wat er is gedaan, in plaats van alleen wat daar de resultaten van waren.
  • Prescriptive Policing:?de adviezen?accepteren van een systeem. Dit vraagt om aanpassing van de aansturing (cultuur en organisatie-inrichting) op door een systeem voorgestelde interventies.

Tot besluit: een wezenlijke verandering

De komst van Predictive, Prescriptive, en andere vormen van politieoptreden op basis van computeralgoritmen, vraagt om een wezenlijke verandering in het proces van politieoptreden. Niet alleen moeten ze hun plaats vinden in de informatieketen, ook de acceptatie door gebruikers is essentieel. Om te hoge, of te lage, verwachtingen te voorkomen is een integrale benadering nodig, waarin doel, proces, informatie, techniek en mens en organisatie in samenhang met elkaar worden aangepakt.

Publicatie over Predictive Policing
In Van Predictive naar Prescriptive Policing. Verder dan vakjes voorspellen houden Selmar Smit en Arnout de Vries alle aspecten van Predictive Policing en Prescriptive Policing tegen het licht, inclusief de mythen rond dit thema. De publicatie bevat een stappenplan voor een geleidelijke invoering van deze nieuwe ontwikkelingen.

Bronnen: Secondant

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