Met datascience op zoek naar indicatoren van georganiseerde criminaliteit en ondermijning

Patricia Prüfer, Emile Kolthoff

    Research output: Contribution to journalArticleAcademicpeer-review

    Abstract

    De toenemende digitalisering en datafication waardoor data steeds belangrijker worden in onze maatschappij leiden tot veranderingen in de manier waarop (overheids)instellingen werken en beslissingen genomen worden. Het analyseren van zogeheten big data door middel van datasciencetechnieken kan helpen om nieuwe vormen van criminaliteit te herkennen én meer zicht te krijgen op de daadwerkelijke omvang van al bekende verschijningsvormen van criminaliteit (het zogenoemde dark number). Datascience helpt tot nieuwe inzichten te komen door op een innovatieve manier grote hoeveelheden data uit uiteenlopende bronnen te analyseren en interpreteren. De kunst van datascience is het transformeren van beschikbare data in waardevolle acties.
    In Nederland zijn al verschillende datasciencetoepassingen voor datagedreven (veiligheids)beleid waar te nemen.1 In deze bijdrage wordt een onderzoek beschreven waarbij gebruik werd gemaakt van machine learning-methoden. Machine learning houdt zich bezig met technieken waarmee computers kunnen leren, zonder dat ze er speciaal voor geprogrammeerd zijn.2 De vraag die centraal stond in het onderzoek was of er indicatoren kunnen worden gevonden waarmee het voor bestuurders inzichtelijk wordt in welk stadium een bedrijventerrein verkeert in de ontwikkeling of aanwezigheid van (georganiseerde) criminaliteit en ondermijning.3 , 4 Doel was om verder te exploreren of datascience een bijdrage kan leveren aan de bestrijding van criminaliteit door het ontwikkelen van voorspellende indicatoren.
    Het onderzoek is gestart met een – cruciale – voorbereidende fase. Om te komen tot goede voorspellende indicatoren voor (georganiseerde) criminaliteit en ondermijning is het belangrijk om eerst te kijken naar bestaande inzichten over potentiële risicofactoren uit ander onderzoek en uit het veld. Tijdens het vooronderzoek is daarom deskresearch gedaan en heeft een expertmeeting plaatsgevonden. Inzichten uit dit expertpanel zijn vervolgens geverifieerd en met een literatuurstudie uitgebreid. Ten slotte hebben er nog interviews en gesprekken met andere zowel inhoudelijke als datadeskundigen plaatsgevonden om de inzichten uit te breiden en databronnen te identificeren die mogelijkerwijs voor dit onderzoek gebruikt zouden kunnen worden.
    We beginnen deze bijdrage in paragraaf 2 met een korte theoretische beschouwing van de verschijningsvormen van georganiseerde criminaliteit en mogelijke indicatoren die daar op kunnen wijzen. Eerst meer algemeen, vervolgens toegespitst op bedrijventerreinen. Na in paragraaf 3 en 4 respectievelijk in te gaan op het conceptuele model voor ons onderzoek, de dataverzameling en de datapreparatie starten we paragraaf 5 met een korte inleiding in datasciencemethoden, aangezien deze voor veel lezers van PROCES relatief onbekend zullen zijn. Paragraaf 5 vervolgt met de toegepaste onderzoeksmethodiek en in paragraaf 6 worden de resultaten gepresenteerd. In paragraaf 7 sluiten we deze bijdrage af met een korte reflectie op het onderzoek.
    Original languageDutch
    Pages (from-to)85-101
    Number of pages17
    JournalProces: tijdschrift voor strafrechtpleging
    Volume99
    Issue number2
    DOIs
    Publication statusPublished - May 2020

    Keywords

    • Georganiseerde criminaliteit Organized crime, Ondermijning Drugs, Datascience Data science, Voorspellende indicatoren Indicators

    Cite this