Probleem 7 – Voorspellen is beter dan genezen?
Leerdoelen:
Leerdoel 1: Wat wordt er verstaan onder ‘predictive policing’?
Leerdoel 2: Wat zijn de voor- en nadelen van deze nieuwe ontwikkeling in het veiligheidsbeleid in
Nederland?
Artikel 1: Predictive policing: een balans na zes jaar empirisch evaluatieonderzoek in België
(Hardyns & Rummens)
Leerdoel 1: Wat wordt er verstaan onder ‘predictive policing’?
Definitie Hardyns & Rummens: het gebruik van complexe statistische modellen op basis van
criminaliteits- en andere (big) data om te voorspellen waar en wanneer er een hoog risico is
op nieuwe criminele feiten, wat toelaat proactief de politie-inzet te gaan bepalen.
Definitie van de conferentie: de beginnende tendens om predictieve analysetechnieken toe
te passen op criminaliteit, waarbij niet retrospectief maar prospectief ‘voorspellingen’ van
criminaliteit gemaakt werden. Prospectief betekent dat er niet alleen wordt gekeken naar
bepaalde clusters van criminele feiten, maar meer geavanceerde statistische modellen de
onderliggende patronen van criminaliteit in beeld brengen om vervolgens te kunnen
inschatten hoe deze patronen zich zullen verderzetten in de toekomst. Deze acties waren
vooral gericht op tijd en plaats.
Definitie Ratcliffe: het gebruik van historische gegevens om een ruimtelijke prognose te
maken van gebieden van criminaliteit of misdaadhotspots, die de basis zullen vormen voor
beslissingen over de toewijzing van middelen door de politie, met de verwachting dat het
hebben van agenten op de voorgestelde plaats en tijd criminele activiteiten zal afschrikken of
opsporen.
Definitie Perry et al.: predictive policing is de toepassing van analytische technieken – met
name kwantitatieve technieken – om waarschijnlijke doelen voor politie-interventie te
identificeren en misdaden te voorkomen of op te lossen uit het verleden op door statistische
voorspellingen te doen.
Machine-learningmodellen: een computeralgoritme leert op basis van de beschikbare data
patronen en trends voorspellen.
Bredere toepassing van predictive policing: voorspellen van dader- of slachtofferschap op
individueel niveau, bijvoorbeeld voor het voorspellen van de recidivekans of de escalering
van familiaal geweld.
Drie belangrijke kenmerken van predictive policing:
1. Het gebruik van big data: gevolg van de toenemende digitalisering, er wordt namelijk
steeds meer en steeds sneller erg veel data verzameld en opgeslagen in databases.
Deze data vereisen aangepaste complexe statistische methoden, wat weer leidt tot
het tweede kenmerk van het gebruik van complexe statistische modellen. Doordat er
steeds meer mensen telefoons gebruiken, is er steeds meer koppeling aan antennes,
waardoor mobiliteitsstromen kunnen worden vastgelegd. Voor criminologen is dit
zeer relevant, omdat het gebruikt kan worden als een weergave van de mobiele
populatie. Criminaliteit is namelijk erg gecorreleerd met bevolkingsdichtheid,
waardoor dit een goede voorspeller is voor criminaliteit. Normaal wordt hier de
residentiële populatie voor gebruikt, dit is het aantal mensen dat woont in een
bepaald gebied. Deze mensen zijn alleen geen goede afspiegeling van mobiele
delicten, vechtpartijen, diefstal met geweld etc. het zijn delicten die niet gebonden
, zijn aan een bepaalde plaats. Hierdoor is het belangrijk om het verschil te bekijken
tussen de mobiele populatie en de residentiële populatie.
2. Het gebruik van complexe statistische modellen: machine-learning, waarbij
computeralgoritmes leren om historische patronen en trends te herkennen en
hiermee de toekomst te voorspellen.
3. Het gebruik van het micro-geografische niveau: wordt in omgevingscriminologisch
onderzoek gezien als een efficiënter standaardanalyseniveau. Het is beter in staat om
op de variabiliteit van criminaliteitspatronen te reflecteren en het houdt rekening
met de concentratie van criminaliteit op kleine specifieke ruimten, die relatief gezien
slechts een klein deel uitmaken van de oppervlakte van een dorp of stad. Dit heet de
law of crime concentration.
Drie soorten modellen achter predictive policing:
1. Near-repeatmodellen: de empirische vaststelling dat er een bepaald strafbaar feit
plaats heeft gevonden en er voor een korte tijd hierna een risico is in dat bepaalde
gebied. Als er hierna een tijdje in dit gebied geen delict plaatsvindt, neemt het risico
af. Deze modellen zijn alleen gebaseerd op criminaliteitsdata.
2. Risk-terrainmodellen: geografische modellen, gebaseerd op ruimtelijke risico- of
beschermingsfactoren, die samen één grote risicokaart vormen.
3. Machine-learningmodellen: modellen waarbij computeralgoritmes leren historische
patronen en trends te herkennen, om deze vervolgens te kunnen voorspellen voor
de toekomst. Deze modellen kwamen uit onderzoeken als de best voorspellende
modellen voor criminaliteit.
Voordat predictive policing in de praktijk kan worden gebracht:
Beter dat de voorspellingen zich focussen op kleinere gebieden en specifieke tijdstippen.
Niet te lang geleden historische data gebruiken, maximaal vier tot vijf jaar geleden, het
beste is één tot twee jaar geleden en het allerbeste is één tot twee maanden geleden, in
combinatie met een oppervlakte van 200x200m of 250x250m.
Leerdoel 2: Wat zijn de voor- en nadelen van deze nieuwe ontwikkeling in het veiligheidsbeleid in
Nederland?
Er werden te vaak dezelfde buurten uitgelicht, door gebrek aan data.
De vraag bestaat ook nog steeds of het gebruik van privacygevoelige politiedata wel
tegenover de nog niet bewezen effectiviteit van predictive policing staat.
Nadeel van near-repeatmodellen: als er sprake is van vooroordelen of een dark number in de
criminaliteitscijfers, is dit meteen terug te zien in de cijfers.
Voordeel van near-repeatmodellen: er is maar één databron nodig, dus de informatie is
makkelijk op te zoeken.
Nadeel van risk-terrainmodellen: deze modellen focussen zich alleen op ruimtelijke factoren,
waardoor er geen aandacht is voor de tijdsdimensie, die ook erg van belang is.
Voordeel van risk-terrainmodellen: de modellen baseren zich op een relatief eenvoudige
methode, als er wel wat kennis is van geografische informatiesystemen en gerelateerde
software.
Nadeel van machine-learningmodellen: de modellen zijn dermate complex, dat het erg veel
gespecialiseerde statistische kennis vereist om ze af te kunnen lezen en ze te kunnen
gebruiken.
Voordeel van machine-learningmodellen: er wordt een mooie combinatie gebruikt van
meerdere bronnen, waardoor er een goed beeld ontstaat van de criminaliteit in bepaalde
gebieden.
Leerdoelen:
Leerdoel 1: Wat wordt er verstaan onder ‘predictive policing’?
Leerdoel 2: Wat zijn de voor- en nadelen van deze nieuwe ontwikkeling in het veiligheidsbeleid in
Nederland?
Artikel 1: Predictive policing: een balans na zes jaar empirisch evaluatieonderzoek in België
(Hardyns & Rummens)
Leerdoel 1: Wat wordt er verstaan onder ‘predictive policing’?
Definitie Hardyns & Rummens: het gebruik van complexe statistische modellen op basis van
criminaliteits- en andere (big) data om te voorspellen waar en wanneer er een hoog risico is
op nieuwe criminele feiten, wat toelaat proactief de politie-inzet te gaan bepalen.
Definitie van de conferentie: de beginnende tendens om predictieve analysetechnieken toe
te passen op criminaliteit, waarbij niet retrospectief maar prospectief ‘voorspellingen’ van
criminaliteit gemaakt werden. Prospectief betekent dat er niet alleen wordt gekeken naar
bepaalde clusters van criminele feiten, maar meer geavanceerde statistische modellen de
onderliggende patronen van criminaliteit in beeld brengen om vervolgens te kunnen
inschatten hoe deze patronen zich zullen verderzetten in de toekomst. Deze acties waren
vooral gericht op tijd en plaats.
Definitie Ratcliffe: het gebruik van historische gegevens om een ruimtelijke prognose te
maken van gebieden van criminaliteit of misdaadhotspots, die de basis zullen vormen voor
beslissingen over de toewijzing van middelen door de politie, met de verwachting dat het
hebben van agenten op de voorgestelde plaats en tijd criminele activiteiten zal afschrikken of
opsporen.
Definitie Perry et al.: predictive policing is de toepassing van analytische technieken – met
name kwantitatieve technieken – om waarschijnlijke doelen voor politie-interventie te
identificeren en misdaden te voorkomen of op te lossen uit het verleden op door statistische
voorspellingen te doen.
Machine-learningmodellen: een computeralgoritme leert op basis van de beschikbare data
patronen en trends voorspellen.
Bredere toepassing van predictive policing: voorspellen van dader- of slachtofferschap op
individueel niveau, bijvoorbeeld voor het voorspellen van de recidivekans of de escalering
van familiaal geweld.
Drie belangrijke kenmerken van predictive policing:
1. Het gebruik van big data: gevolg van de toenemende digitalisering, er wordt namelijk
steeds meer en steeds sneller erg veel data verzameld en opgeslagen in databases.
Deze data vereisen aangepaste complexe statistische methoden, wat weer leidt tot
het tweede kenmerk van het gebruik van complexe statistische modellen. Doordat er
steeds meer mensen telefoons gebruiken, is er steeds meer koppeling aan antennes,
waardoor mobiliteitsstromen kunnen worden vastgelegd. Voor criminologen is dit
zeer relevant, omdat het gebruikt kan worden als een weergave van de mobiele
populatie. Criminaliteit is namelijk erg gecorreleerd met bevolkingsdichtheid,
waardoor dit een goede voorspeller is voor criminaliteit. Normaal wordt hier de
residentiële populatie voor gebruikt, dit is het aantal mensen dat woont in een
bepaald gebied. Deze mensen zijn alleen geen goede afspiegeling van mobiele
delicten, vechtpartijen, diefstal met geweld etc. het zijn delicten die niet gebonden
, zijn aan een bepaalde plaats. Hierdoor is het belangrijk om het verschil te bekijken
tussen de mobiele populatie en de residentiële populatie.
2. Het gebruik van complexe statistische modellen: machine-learning, waarbij
computeralgoritmes leren om historische patronen en trends te herkennen en
hiermee de toekomst te voorspellen.
3. Het gebruik van het micro-geografische niveau: wordt in omgevingscriminologisch
onderzoek gezien als een efficiënter standaardanalyseniveau. Het is beter in staat om
op de variabiliteit van criminaliteitspatronen te reflecteren en het houdt rekening
met de concentratie van criminaliteit op kleine specifieke ruimten, die relatief gezien
slechts een klein deel uitmaken van de oppervlakte van een dorp of stad. Dit heet de
law of crime concentration.
Drie soorten modellen achter predictive policing:
1. Near-repeatmodellen: de empirische vaststelling dat er een bepaald strafbaar feit
plaats heeft gevonden en er voor een korte tijd hierna een risico is in dat bepaalde
gebied. Als er hierna een tijdje in dit gebied geen delict plaatsvindt, neemt het risico
af. Deze modellen zijn alleen gebaseerd op criminaliteitsdata.
2. Risk-terrainmodellen: geografische modellen, gebaseerd op ruimtelijke risico- of
beschermingsfactoren, die samen één grote risicokaart vormen.
3. Machine-learningmodellen: modellen waarbij computeralgoritmes leren historische
patronen en trends te herkennen, om deze vervolgens te kunnen voorspellen voor
de toekomst. Deze modellen kwamen uit onderzoeken als de best voorspellende
modellen voor criminaliteit.
Voordat predictive policing in de praktijk kan worden gebracht:
Beter dat de voorspellingen zich focussen op kleinere gebieden en specifieke tijdstippen.
Niet te lang geleden historische data gebruiken, maximaal vier tot vijf jaar geleden, het
beste is één tot twee jaar geleden en het allerbeste is één tot twee maanden geleden, in
combinatie met een oppervlakte van 200x200m of 250x250m.
Leerdoel 2: Wat zijn de voor- en nadelen van deze nieuwe ontwikkeling in het veiligheidsbeleid in
Nederland?
Er werden te vaak dezelfde buurten uitgelicht, door gebrek aan data.
De vraag bestaat ook nog steeds of het gebruik van privacygevoelige politiedata wel
tegenover de nog niet bewezen effectiviteit van predictive policing staat.
Nadeel van near-repeatmodellen: als er sprake is van vooroordelen of een dark number in de
criminaliteitscijfers, is dit meteen terug te zien in de cijfers.
Voordeel van near-repeatmodellen: er is maar één databron nodig, dus de informatie is
makkelijk op te zoeken.
Nadeel van risk-terrainmodellen: deze modellen focussen zich alleen op ruimtelijke factoren,
waardoor er geen aandacht is voor de tijdsdimensie, die ook erg van belang is.
Voordeel van risk-terrainmodellen: de modellen baseren zich op een relatief eenvoudige
methode, als er wel wat kennis is van geografische informatiesystemen en gerelateerde
software.
Nadeel van machine-learningmodellen: de modellen zijn dermate complex, dat het erg veel
gespecialiseerde statistische kennis vereist om ze af te kunnen lezen en ze te kunnen
gebruiken.
Voordeel van machine-learningmodellen: er wordt een mooie combinatie gebruikt van
meerdere bronnen, waardoor er een goed beeld ontstaat van de criminaliteit in bepaalde
gebieden.
