Wat is Zicht op Ondermijning?

Het dashboard Zicht op Ondermijning komt voort uit een samenwerkingsverband tussen verschillende lokale en landelijke overheden, geïnitieerd door het ministerie van Binnenlandse Zaken en Koninkrijksrelaties (BZK). Via dit dashboard krijgt elke gemeente in Nederland extra inzichten in lokale criminele fenomenen. Samen met andere partijen kunnen zij hiermee de preventieve bestrijding van ondermijnende criminaliteit versterken.

Lees meer over het dashboard

Bekijk ook de folder

Analyses met CBS-data

In dit dashboard worden CBS-data gecombineerd met data van andere betrouwbare landelijke bronnen. Er worden analyses uitgevoerd binnen onderstaande vier thema’s, die in de praktijk sterk met elkaar samenhangen. De getoonde gegevens zijn nooit herleidbaar naar individuele adressen, personen en bedrijven. Het dashboard wordt regelmatig geactualiseerd en aangevuld met extra data(bronnen) en nieuwe functionaliteiten.

Dit dashboard...

...maakt gemeenten bewust van lokale problemen en risico’s.
...helpt (preventief) toezicht efficiënter in te zetten.
...kan via kansrijke zoekgebieden criminele activiteiten blootleggen.
...geeft handvatten voor preventiemaatregelen en beleid.
...kan gelegenheidsstructuren in kaart helpen brengen.

Bekijk ook de voorbeeldcases

Mogelijk misbruik van vastgoed

Op het dashboard Zicht op Ondermijning worden analyses gepresenteerd die inzicht geven in het risico dat vastgoed mogelijk gebruikt wordt voor het witwassen van (crimineel) geld of andere vormen van misbruik.

Om de analyses in het dashboard goed te kunnen interpreteren, is de context belangrijk. Het CBS publiceert per regio en per gemeente twee belangrijke kengetallen van de woningmarkt die gebruikt kunnen worden voor die context: de gemiddelde verkoopprijs en het aantal verkochte woningen.

Risico-indicatoren naar locatie

Eigenschappen van woningen en woningeigenaren kunnen voorspelkracht hebben voor de kans dat een woning gebruikt wordt voor vastgoedfraude of witwaspraktijken. Voorbeelden van die eigenschappen zijn snelle wisselingen van eigenaar (doorsluishuizen), onverklaarbaar woningeigendom en eerdere veroordelingen van een woningeigenaar. Op dit dashboard is een aantal van deze risico-indicatoren bepaald. De analyses laten zien in welke gemeenten en wijken deze risico-indicatoren vaak voorkomen en wat het landelijke beeld is. Dit helpt kansrijke zoekgebieden identificeren en kan zo richting geven aan bestaande en toekomstige interventies en beleidskeuzes van gemeenten en haar veiligheidspartners.
(bekijk analyse)

Hieronder wordt per risico-indicator beschreven waarom er sprake kan zijn van een verhoogd risico dat vastgoed gebruikt wordt voor het witwassen van geld of andere vormen van misbruik.

Bestuurders van stichtingen - algemeen

Stichtingen hebben een aantal (juridische) kenmerken die misbruik van deze rechtsvorm (makkelijker) mogelijk maken:

  • Stichtingen die een omzet hebben van minder dan 6 miljoen euro hoeven geen jaarrekening te deponeren. Informatie over hun bedrijfsvoering is daardoor niet te vinden in belangrijke registers en databronnen. Illegale activiteiten kunnen zo (langer) buiten beeld blijven.
  • Certificaathouders van een stichting worden niet bij de Kamer van Koophandel geregistreerd. De juridische eigenaar (de bestuurder) kan daardoor een andere persoon zijn dan degene die dividend ontvangt (de economische eigenaar). Eventuele witwaspraktijken kunnen daardoor verborgen blijven voor de buitenwereld.
  • Voor de oprichting van een stichting is geen Verklaring Omtrent het Gedrag (VOG) nodig. Personen met een strafblad kunnen daardoor een stichting oprichten en besturen, zonder dat dat strafblad bekend hoeft te worden.

NB: Een stichting met de status van Algemeen Nut Beogende Instelling (ANBI) moet als zodanig goedgekeurd worden door de Belastingdienst.

Alleenbestuurders van stichtingen

Wanneer een stichting slechts één bestuurder heeft, is de continuïteit van die stichting minder of niet gewaarborgd. Bovendien zijn er geen andere bestuurders die toezicht houden en medeverantwoordelijk zijn. Daardoor kunnen stichtingen met één bestuurder vrijer te werk gaan, zonder dat er veel controle op is. Dit hoeft geen probleem te zijn, maar biedt wel extra ruimte om de stichting te misbruiken als dekmantel voor (het faciliteren van) criminele activiteiten.

NB: Een stichting met ANBI-status dient altijd minimaal drie bestuursleden te hebben. Voor alle andere stichtingen geldt geen minimum aantal bestuursleden.

Beroepsbestuurders

Onder beroepsbestuurders verstaan we personen die betrokken zijn bij een groot aantal verschillende stichtingen. Wanneer het bijvoorbeeld gaat om vijf of meer stichtingen, kun je je afvragen of die bestuurder voor elk van die stichtingen voldoende kennis en tijd heeft om zijn of haar bestuurders- en controlerol goed te vervullen. De mogelijkheid bestaat dat deze persoon naar voren is geschoven door een crimineel netwerk. Binnen de besturen van die verschillende stichtingen kan die persoon dan fungeren als stroman. Het betreffende criminele netwerk blijft dan buiten beeld, maar krijgt wel invloed in het functioneren van meerdere stichtingen.

Doorsluishuizen

Onder doorsluishuizen verstaan we woningen die binnen een bepaald tijdsbestek veelvuldig van eigenaar zijn gewisseld (zijn verkocht). Met dit soort transacties is relatief snel veel geld te verdienen. Hoewel dit op zichzelf niet illegaal is, kunnen doorsluishuizen op verschillende manieren een rol spelen in het illegale circuit.

Ten eerste kan er bij doorsluishuizen sprake zijn van onvolledige of onjuiste voorlichting en misleiding van kopers. Het gaat dan om kopers die makkelijk akkoord gaan met een relatief hoge koopprijs en bereid zijn om snel te tekenen en te betalen. Een verkoper kan daar misbruik van maken en in korte tijd veel winst maken en de prijs van een woning opdrijven. (zie ook Gestel, B. van, et al. Vastgoed & fout , Boom Juridische uitgevers, 2008).

Ten tweede kunnen doorsluishuizen gebruikt worden bij witwaspraktijken. Voor de aankoop van een woning wordt dan zwart geld ingezet. Wanneer de woning snel na de aankoop weer verkocht wordt, is dat geld witgewassen, zelfs als het verkoopbedrag lager ligt dan het oorspronkelijke aankoopbedrag.

Eigenaar met buitenlands adres

Mensen die in het buitenland wonen, kunnen in Nederland onroerend goed in eigendom hebben. Ons land kent hiervoor geen beperkingen. Dit zorgt ervoor dat die eigenaar van onroerend goed zich kan onttrekken aan het zicht van de Nederlandse overheid, zeker als die persoon ook van buitenlandse afkomst is en nooit in Nederland ingeschreven heeft gestaan. Ook diens achtergrond blijft daarmee onbekend. Het valt bijvoorbeeld niet meteen te achterhalen of de persoon in kwestie antecedenten en/of veroordelingen heeft en hoe het onroerende goed is gefinancierd. Buitenlandse documenten zijn bovendien moeilijker op echtheid te controleren en buitenlandse eigenaren die via een Nederlandse bemiddelaar verhuren hebben zelf ook weer weinig zicht op die huurders (Kruize et al., Criminele gebouwen, WODC, 2020).

Bij eigenaren met een buitenlands adres kan daarom sprake zijn van een verhoogd risico dat vastgoed gebruikt wordt voor het witwassen van geld (Unger et al., Money Laundering in the Dutch Real Estate Sector, 2012). Vastgoed leent zich in het algemeen goed voor het witwassen van crimineel verkregen geld (Unger et al., Aard en omvang van criminele bestedingen, WODC, 2018). Als crimineel geld vanuit het buitenland afkomstig is, maakt dat het risico op witwassen nog groter.

Laag inkomen en vermogen

Wanneer een persoon met weinig inkomen en/of een laag vermogen één of meerdere woningen in bezit heeft, kunnen daar legitieme redenen voor zijn. Er kan bijvoorbeeld sprake zijn van een erfenis of een faillissement. Het kan echter ook een indicatie zijn van illegale geldstromen. Dat wil zeggen dat de aankoop van het pand (deels) gefinancierd is met zwart geld, of in ieder geval met middelen die niet bekend zijn bij de Nederlandse overheid. Hoe meer panden de persoon met laag inkomen en/of vermogen in bezit heeft, hoe opvallender het is.

Naast de mogelijkheid dat er criminele gelden zijn ingezet bij de aankoop van hun woning, speelt bij personen met dit profiel nog een ander risico. Namelijk dat de juridisch eigenaar van de woning geen feitelijke beschikkingsmacht heeft over het pand, maar de woning geleend heeft van een persoon die het geld met criminele activiteiten heeft verdiend. Delen van het pand worden dan bijvoorbeeld benut voor de productie van drugs, en daarmee voor het vergaren van nieuwe criminele gelden.

Veroordeelde eigenaar

Eén van de sterke voorspellers van crimineel gedrag is of er sprake is van eerder gepleegde delicten: recidive. Belangrijk hierbij zijn ook het aantal gepleegde delicten, de leeftijd ten tijde van het eerste delict en de aard van het eerste delict. (zie onder andere Farrington, D. (1987), Predicting Individual Crime Rates Crime and Justice, 9, 53-101). Wanneer iemand eerder veroordeeld is voor een strafbaar feit, maakt dat de kans groter dat die persoon later in zijn of haar leven opnieuw (vergelijkbare) strafbare feiten pleegt.

Het is bekend dat bij criminaliteit ook een vorm van specialisatie optreedt. Het is bijvoorbeeld waarschijnlijker dat vermogensdelicten gevolgd worden door andere vermogensdelicten, dan door geweldsdelicten, al is enige mate van diversiteit ook aangetoond (zie onder andere Guerette, R., V. Stenius & J. McGloin (2005), Understand Offense Specialization and Versatility: a Reapplication of the Rational Choice Perspective , Journal of Criminal Justice, 33, (1), 77-87). Voor de (preventieve) aanpak van ondermijning is het daarom relevant om te weten waar mensen wonen die eerder veroordeeld zijn voor een ondermijning-gerelateerd delict, zoals witwassen.

Op een hoger abstractieniveau is het voor gemeenten ook belangrijk om te weten of er concentraties van veroordeelde woningeigenaren zijn. Dergelijke concentraties kunnen een negatieve invloed uitoefenen op de leefbaarheid van een buurt of wijk. Ook kan zo'n concentratie weer nieuwe gelegenheden bieden voor criminelen, zoals het vormen van netwerken.

Onverklaarbare woningaankopen

Voor de aankoop van een woning is (veel) geld nodig en wordt meestal een hypotheek afgesloten. Als zekerstelling voor de hypotheekverstrekker is een bepaald inkomen nodig. Soms wordt een woning gekocht voor een bedrag waar de koper niet voldoende (geregistreerd) geld voor heeft en/of dat niet gedekt is door een hypotheek. We spreken dan van een onverklaarbare woningaankoop. Vanaf 1 januari 2014 is het verboden om onroerende goederen te financieren met contant geld. De aankoop van een woning misbruiken voor het witwassen van geld is echter nog steeds mogelijk. Per RIEC-regio, gemeente en wijk is daarom geanalyseerd welk percentage woningen gekocht is met een onverklaarbare som geld. Deze analyse levert een extra bijdrage aan de bewustwording en het identificeren van kansrijke zoekgebieden.
(bekijk analyse)

Risico-indicatoren naar locatie

Er wordt getoond in welke gemeenten en wijken de risico-indicatoren op misbruik van vastgoed vaak voorkomen en wat het landelijke beeld is. Voorbeelden van risico-indicatoren zijn doorsluishuizen, onverklaarbaar woningeigendom en eerdere veroordelingen. Lees meer in een korte uitleg of extra verdiepende informatie.
Loading...
Loading...
Loading...
Loading...
Loading...

Onverklaarbare woningaankopen

Voor elke RIEC-regio, gemeente en wijk kun je het percentage woningen zien dat gekocht is met een onverklaarbare som geld. Daarbij kun je ook zien wat per regio, gemeente of wijk als onverklaarbare som geld wordt beschouwd. Lees meer in een korte uitleg of extra verdiepende informatie.
Klik op categorieën in de legenda om ze toe te voegen of juist weg te laten in een kaart. In de categorie onbekend zijn gegevens onbekend, onvoldoende betrouwbaar of geheim. Zie de uitleg over onthullingsrisico’s en onderdrukking. Vanwege diezelfde risico’s worden uitkomsten voor bepaalde wijken of buurten soms onderdrukt, terwijl de uitkomsten van andere wijken of buurten in die gemeente wel worden getoond. Dit kan (opvallende) verschillen veroorzaken tussen de uitkomsten van enerzijds wijken of buurten en anderzijds de betreffende gemeente.
Loading...
Loading...
De volgende tabellen tonen hoe de berekening voor onverklaarbare woningaankopen is uitgevoerd. Deze tabel is op het niveau van huishoudens. De cijfers bovenaan de pagina op het niveau van aankopen. Klik op een titel om de tabel uit te klappen. De tabellen bevatten gemiddelde bedragen voor heel Nederland en veranderen dus niet als in de kaartjes een gemeente, wijk of buurt wordt geselecteerd.

Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.
Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.

Drugsproblematiek

Op het dashboard Zicht op Ondermijning worden analyses gepresenteerd met data over locaties en verdachten van drugsdelicten. De inzichten uit die analyses helpen risico's met betrekking tot drugsdelicten te voorspellen en dragen bij aan een preventieve aanpak.

Delicten en verdachten

Data over delicten en verdachten over een langere periode en in verschillende gebieden laten zien hoe de aard en omvang van drugs- en gerelateerde problematiek in Nederland verandert. Op deze manier kunnen deze gegevens bijdragen aan bewustwording en inzicht geven in de effectiviteit van de aanpak van (drugs)criminaliteit. Daarnaast bieden ze een referentiebeeld dat kan helpen bij de interpretatie van verschillende analyses die op dit dashboard te vinden zijn.
(bekijk analyse)

Persoonskenmerken per delict

Persoonskenmerken en combinaties hiervan kunnen een grote voorspelkracht hebben voor het plaatsvinden van een drugsdelict. Daarom is een analyse gemaakt van de persoonskenmerken van verdachten per drugsdelict. Deze analyse draagt bij aan bewustwording en maakt het mogelijk om gemeenten onderling met elkaar te vergelijken. Vervolgens kunnen er preventieve maatregelen worden getroffen voor personen die aan (combinaties van) de betreffende persoonskenmerken voldoen.
(bekijk analyse)

Profielclusters

Drugsdelicten worden gepleegd door verschillende typen personen met verschillende combinaties van kenmerken. Om beter onderscheid te kunnen maken in de groep van verdachten, zijn per type drugsdelict profielclusters samengesteld: profielen van veelvoorkomende combinaties van persoonskenmerken. Deze profielclusters helpen focus aan te brengen in een preventieve aanpak.
(bekijk analyse)

Hennepkwekerijen

Deze pagina toont de regionale spreiding van geruimde hennepkwekerijen in Nederland. Het percentage en aantal kwekerijen wordt per gemeente en, waar mogelijk, per wijk getoond.
(bekijk analyse)

Synthetische drugslabs

Bij ruimingen van synthetische drugslabs worden verschillende typen drugs aangetroffen. Dit kan variëren per regio. Per type drugs kunnen de benodigde materialen en grondstoffen verschillen (samplers, gasgeneratiesystemen, vaten, chemicaliën). Daarom is een analyse gemaakt van de regionale spreiding van geruimde synthetische drugslabs in Nederland en, per regio, het percentage labs waar verschillende typen synthetische drugs werden geproduceerd. Deze analyse draagt bij aan bewustwording en alertheid om vroegtijdig signalen van de aanwezigheid van synthetische drugslabs te kunnen oppikken en gevaarlijke situaties voor mens en omgeving te voorkomen.
(bekijk analyse)

Kenmerken drugspanden

Panden die gebruikt worden als synthetisch drugslab of als hennepkwekerij, hebben mogelijk bepaalde gedeelde kenmerken, bijvoorbeeld vanwege de activiteiten die er plaatsvinden. Ook komen ze in bepaalde buurten misschien vaker voor, mogelijk vanwege de benodigde logistiek. Daarom wordt onderzocht in hoeverre drugspanden en hun locaties afwijken ten opzichte van een gemiddeld pand en buurt in Nederland.
Deze analyse draagt bij aan de bewustwording over drugspanden en de relatie tot hun omgeving. Uit de analyse kan blijken dat bepaalde typen panden en buurten (met bepaalde eigenschappen) kwetsbaar z ijn om misbruikt te worden als drugspand. Daar kunnen dan preventieve maatregelen tegen worden ingezet.
(bekijk analyse)

Woon- versus pleeggemeente

Drugscriminelen plegen drugsfeiten niet altijd in hun eigen woonplaats: in de meeste gemeenten is meer dan een kwart van de verdachten afkomstig uit een andere gemeente. Daarom is een analyse gemaakt van de 'import en export' van drugsverdachten. Gemeenten krijgen hiermee inzicht in de herkomst van verdachten van drugsdelicten in hun gemeente (import) én inzicht in de andere gemeenten waar hun inwoners delicten plegen (export). Gemeenten kunnen hierover met elkaar in overleg gaan en mogelijk preventieve maatregelen nemen.
(bekijk analyse)

Familienetwerken

Wetenschappelijk onderzoek toont aan dat vertrouwensbanden in ondermijnende en georganiseerde (drugs)criminaliteit een belangrijke rol kunnen spelen. Daarom is een analyse gemaakt van de omvang van familierelaties tussen verdachten van drugsdelicten. Ook is geanalyseerd of familieleden van de verdachten in de betreffende gemeente in vastgoed hebben geïnvesteerd. Dit kan namelijk een indicatie zijn van witwassen van (crimineel) geld binnen de familie. Gemeenten kunnen met deze analyses inzicht krijgen in de mogelijke aanwezigheid, aard en omvang van familieverbanden in georganiseerde (drugs)criminaliteit binnen de gemeentegrenzen.
(bekijk analyse)

Risicoscores jonge aanwas

Jonge kinderen en jongeren kunnen vrijwillig of gedwongen (bewust of onbewust) betrokken raken bij georganiseerde drugshandel. Ze worden bijvoorbeeld betaald om pakketjes te bezorgen, te helpen bij de productie (hennepteelt) of worden gevraagd of gedwongen om drugs te dealen. Voor deze 'jonge aanwas' is een aantal risico-indicatoren onderzocht, zoals voortijdig schoolverlaten, haltregistraties en schuldsanering bij de ouders. Voor drie leeftijdscategorieën is een analyse gemaakt van de belangrijkste risico-indicatoren. De inzichten die deze analyse oplevert, kunnen aanleiding en onderbouwing zijn om per leeftijdsgroep gerichte, preventieve maatregelen te nemen.
(bekijk analyse)

Jonge aanwas: sociaal netwerk

Aangenomen wordt dat de sociale omgeving van jongeren een rol kan spelen in het al dan niet betrokken raken bij criminele activiteiten. Mogelijk hebben familieleden en klasgenoten bijvoorbeeld een belangrijke invloed op het risico om in de drugscriminaliteit te belanden. Om hier meer zicht op te krijgen, wordt een vergelijking gemaakt tussen de sociale netwerken van verdachte en niet-verdachte jongeren. Zo ontstaan risico-indicatoren in de sociale omgeving van jongeren om in de drugscriminaliteit te belanden, en daarmee aanknopingspunten voor een preventieve aanpak.
(bekijk analyse)

Tijdlijn verdenkingen

Ongeveer driekwart van de verdachten van drugsdelicten is eerder verdacht geweest van (verschillende) andere strafbare feiten. Bijna een kwart van de drugsverdachten is bijvoorbeeld minimaal één keer verdacht geweest van mishandeling, diefstal of inbraak. De tijdlijn verdenkingen brengt in beeld wat (in chronologische volgorde) de meest voorkomende verdenkingen waren voorafgaand aan het drugsdelict. Hiermee ontstaat de mogelijkheid om preventieve maatregelen te nemen richting verdachten van bepaalde delicten, om zo het plaatsvinden van drugsdelicten te helpen voorkomen.
(bekijk analyse)

Persoonskenmerken per delict

Door de koppeling van politiegegevens over drugsdelicten aan gegevens uit de Basisregistratie Personen, ontstaat een beeld van de persoonskenmerken per delict. Gemeenten kunnen hierbij ook onderling met elkaar worden vergeleken. Lees meer in een korte uitleg of extra verdiepende informatie.
Loading...
Loading...

Delicten en verdachten

Per gemeente en wijk wordt het aandeel inwoners getoond dat in een bepaalde periode werd verdacht van, of veroordeeld voor, drugs- of vermogensdelicten. Daarbij wordt ook een onderscheid gemaakt naar jonge verdachten van 18 tot en met 23 jaar. Daarnaast wordt per RIEC-regio en voor aan Zicht op Ondermijning deelnemende gemeenten getoond hoe het aantal drugsdelicten dat in het betreffende gebied gepleegd wordt zich over de tijd ontwikkelt. Lees meer in een korte uitleg of extra verdiepende informatie.
Loading...
Loading...

Drugsdelicten naar pleeggemeente of -regio

Loading...
Loading...
Loading...

Profielclusters

Op basis van persoonskenmerken zijn met een clusteranalyse data-gedreven profielen gemaakt van verschillende typen drugsverdachten. Voor elk type drugsdelict worden drie profielen van veelvoorkomende combinaties van kenmerken getoond en wordt per gemeente gevisualiseerd welk percentage van de verdachten in die gemeente in de verschillende profielen valt. Lees meer in een korte uitleg of extra verdiepende informatie.
Loading...

Kenmerken profiel 1

Kenmerken profiel 2

Kenmerken profiel 3

Geslacht

Loading...
Loading...
Loading...

Leeftijd

Loading...
Loading...
Loading...

Opleidingsniveau

Loading...
Loading...
Loading...

Plaats in het huishouden

Loading...
Loading...
Loading...

Sociaaleconomische categorie

Loading...
Loading...
Loading...

Type woning

Loading...
Loading...
Loading...

Woongemeente t.o.v. pleeggemeente

Loading...
Loading...
Loading...

Totaal aantal keer verdachte

Loading...
Loading...
Loading...

Familienetwerken

Van personen die in de periode 2012-2018 verdacht zijn geweest van drugsdelicten, wordt getoond hoeveel van hun familieleden in dezelfde periode óók verdacht zijn geweest van drugsdelicten. Daarnaast kun je per gemeente zien welk percentage van de particuliere woningen in het bezit is van die familieleden. Lees meer in een korte uitleg of extra verdiepende informatie.
Loading...
Loading...

Familieleden van drugsverdachten

Het aandeel drugsverdachten per relatie in het familienetwerk van een drugsverdachte.
Loading...

Woningen van familieleden van drugsverdachten

Het aandeel woningen in een gemeente dat in bezit is van familieleden van drugsverdachten, exclusief de eigen woning van die familieleden.
Loading...

Vastgoed van familie

Vastgoed (niet eigen woning) in bezit van familieleden van drugsverdachten, per gemeente

Familieleden van drugsverdachten

Het aandeel drugsverdachten per relatie in het familienetwerk van een drugsverdachte.
Loading...

Woningen van familieleden van drugsverdachten

Het aandeel woningen in een gemeente dat in bezit is van familieleden van drugsverdachten, exclusief de eigen woning van die familieleden.
Loading...

Risicoscores jonge aanwas

De analyse op deze pagina laat zien welke gemeenten, wijken of buurten relatief grote risico’s kennen op jonge aanwas in de drugscriminaliteit. Voor deze jonge aanwas is een aantal risico-indicatoren onderzocht, zoals voortijdig schoolverlaten, Halt-registraties en schulden bij de ouders. Op basis daarvan wordt per gemeente, wijk en buurt een risicoscore getoond. Voor de tien belangrijkste indicatoren kun je in de tabellen zien hoe vaak ze voorkomen in een gemeente of wijk. Lees meer in een korte uitleg of extra verdiepende informatie.
Klik op categorieën in de legenda om ze toe te voegen of juist weg te laten in een kaart. In de categorie onbekend zijn gegevens onbekend, onvoldoende betrouwbaar of geheim. Zie de uitleg over onthullingsrisico’s en onderdrukking. Vanwege diezelfde risico’s worden uitkomsten voor bepaalde wijken of buurten soms onderdrukt, terwijl de uitkomsten van andere wijken of buurten in die gemeente wel worden getoond. Dit kan (opvallende) verschillen veroorzaken tussen de uitkomsten van enerzijds wijken of buurten en anderzijds de betreffende gemeente.
Loading...
Loading...

De rest van de pagina bestaat uit tabellen met verdiepende achtergrondinformatie. Ze zijn bedoeld voor de bezoekers die graag meer details bij de analyses willen hebben om de uitkomsten zo zelf beter te kunnen interpreteren en duiden.

Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.
Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.

Tijdlijn verdenkingen

Voor alle drugsverdachten in Nederland is het directe verleden aan voorgaande verdenkingen bepaald. Per type drugsdelict is gevisualiseerd wat de meest voorkomende verdenkingen van feiten en gevolgde paden waren, voordat zij verdacht zijn geraakt van het betreffende drugsdelict. Lees meer in een korte uitleg of extra verdiepende informatie.

De stroomdiagram laat zien van welke delicten personen verdacht zijn geweest vóórdat zij voor het eerst verdacht werden van het gekozen drugsdelict. De figuur is in chronologische volgorde en werkt terug vanaf het gekozen drugsdelict in de rechterkolom. De middelste kolom bevat de direct voorgaande verdenkingen. De linker kolom de verdenkingen die dáár weer voor kwamen. Er wordt maximaal 15 jaar teruggekeken. Beweeg je muis over de figuur om te zien wat de codes betekenen.

Loading...

De volgende figuur laat zien wat de leeftijdsverdeling van verdachten was toen zij voor het eerst verdacht werden van het geselecteerde drugsdelict. Klik op een balkje om een specifieke leeftijdscategorie te kiezen voor de rest van de pagina. Deze keuze kun je ook maken in het filtermenu onder de figuur.

Loading...

De rest van de pagina bestaat uit tabellen met verdiepende achtergrondinformatie. Ze zijn bedoeld voor de bezoekers die graag meer details bij de analyses willen hebben om de uitkomsten zo zelf beter te kunnen interpreteren en duiden.

De tabel geeft een overzicht van de meest voorkomende delicten die verdachten hebben gepleegd in een periode vóórdat zij voor het eerst verdacht werden van het geselecteerde drugsfeit. Personen kunnen van meerdere delicten verdacht zijn geweest waardoor de uitkomsten op kunnen tellen tot meer dan 100 procent. Kies in het filtermenu onder de tabel hoeveel jaar je terug wil kijken.

Loading...

De volgende tabel geeft een overzicht van verschillende eigenschappen die de volledige tijdlijn van verdenkingen (de stroomdiagram) beschrijft van het eerste delict tot aan het geselecteerde drugsdelict. Beweeg je muis over een eigenschap voor een beschrijving. Klik op een eigenschap voor meer informatie over de verdeling in de laatste figuur op deze pagina. Tussen haakjes staat of de indicator gebaseerd is op verdenkingen, veroordelingen of een combinatie.

Loading...
De gegevens van verdenkingen die gebruikt zijn om deze tabel te maken, gaan maximaal 15 jaar terug. De leeftijd waarop iemand verdacht werd van zijn of haar eerste delict is daarom alleen bekend voor de twee jongste leeftijdsgroepen: jonger dan 18 jaar en 18 tot 25 jaar.

Kies een eigenschap uit de tabel met het samengevat pad. Deze figuur laat dan de verdeling van die eigenschap zien.

Loading...

Hennepkwekerijen

Deze pagina toont de locaties van geruimde hennepkwekerijen in Nederland. Het percentage en aantal kwekerijen wordt per gemeente en, waar mogelijk, per wijk getoond. Lees meer in een korte uitleg of extra verdiepende informatie.
Klik op categorieën in de legenda om ze toe te voegen of juist weg te laten in een kaart. In de categorie onbekend zijn gegevens onbekend, onvoldoende betrouwbaar of geheim. Zie de uitleg over onthullingsrisico’s en onderdrukking. Vanwege diezelfde risico’s worden uitkomsten voor bepaalde wijken of buurten soms onderdrukt, terwijl de uitkomsten van andere wijken of buurten in die gemeente wel worden getoond. Dit kan (opvallende) verschillen veroorzaken tussen de uitkomsten van enerzijds wijken of buurten en anderzijds de betreffende gemeente.
Loading...
Loading...
Voor de gemeenten die aanvullende gegevens over geruimde hennepkwekerijen hebben aangeleverd, toont de volgende figuur de jaarlijkse ontwikkeling van het aandeel geruimde hennepkwekerijen ten opzichte van alle panden in die gemeente. Deze figuur is altijd alleen gebaseerd op gegevens uit die aanvullende gemeentelijke bron. Klik in de legenda op de naam van een gemeente om deze uit de figuur te verwijderen of weer toe te voegen.
Loading...

Synthetische drugslabs

Deze pagina toont de regionale spreiding van geruimde synthetische drugslabs in Nederland en, per regio, het percentage labs waar verschillende typen synthetische drugs werden geproduceerd. Lees meer in een korte uitleg of extra verdiepende informatie.
Op dit dashboard wordt zoveel mogelijk geprobeerd om uitkomsten zo vergelijkbaar mogelijk te maken door ze te relateren aan een passende eenheid. Woningen met een risico-indicator worden bijvoorbeeld uitgedrukt als aandeel van alle woningen in een gemeente, wijk of buurt. In de kaartjes met aantallen synthetische drugslabs op deze pagina gebeurt dat niet. Drugslabs kunnen ook in de open lucht aangetroffen worden en de uitkomstmaat zou dan erg klein worden. In de rechterkaart worden aantallen drugslabs naar drugstype daarom gepresenteerd als aandeel van de aangetroffen drugslabs in de betreffende regio.
Loading...
Loading...

Pand- en buurtkenmerken van hennepkwekerijen en synthetische drugslabs

Er wordt getoond wat de pand- en buurtkenmerken zijn van (geïdentificeerde en geruimde) synthetische drugslabs en hennepkwekerijen. Die worden vergeleken met de kenmerken van gemiddelde panden en buurten in Nederland. Lees meer in een korte uitleg of extra verdiepende informatie.

De twee balkendiagrammen laten zien welke functies de panden hebben waar drugslabs of hennepkwekerijen in zijn aangetroffen en hoe dit verschil van een gemiddeld pand. Dat gebeurt voor panden in buurten met verschillende maten van stedelijkheid. Dat geeft een idee van hoe een typisch drugspand op het platteland verschilt van een drugspand in een dichtbevolkt gebied. In beide figuren staan gebruiksfuncties van woningen en niet-woningen opgenomen. De functies in de linkerfiguur zijn afkomstig uit de Basis Administratie Gebouwen (BAG), die in de rechterfiguur uit de registratie van de Waardering Onroerende Zaken (WOZ).

Sommige kenmerken bevatten geen waarde in verband met onthullingsrisico’s. Ze zijn dan onderdrukt waardoor niet alle balken optellen tot honderd procent. Zie de uitleg over onthullingsrisico’s en onderdrukking

Loading...
Loading...

De twee bollenfiguren laten zien hoe panden (links) en buurten (rechts) waarin drugslabs of hennepkwekerijen zijn aangetroffen op verschillende kenmerken afwijken of juist lijken op een gemiddeld pand of buurt. Dat gebeurt voor panden in buurten met verschillende maten van stedelijkheid. Standaard laten de figuren de uitkomsten zien voor álle drugslabs, hennepkwekerijen of gemiddelde panden. Maar de kenmerken van een drugspand verschillen enorm met de functie van het pand: een drugslab in een industriepand ziet er heel anders uit dan in een woning. Bekijk daarom de uitkomsten voor de verschillende pandfuncties om een goed beeld te krijgen van hoe drugspanden verschillen van gemiddelde panden.

Het gemiddelde pand heeft altijd een waarde van 1. In panden met een woonfunctie (eigen woning) waar een hennepkwekerij is aangetroffen, wonen gemiddeld minder inwoners: 72 procent van het gemiddelde pand.

Pandkenmerken

Loading...

Buurtkenmerken

Loading...

Woon- versus pleeggemeente

Voor alle gemeenten wordt de import en export van drugsverdachten getoond: het aandeel drugsdelicten gepleegd door een verdachte uit een andere gemeente (import) én het aantal verdachten dat in een andere gemeente een delict pleegt (export). Lees meer in een korte uitleg of extra verdiepende informatie.
Loading...
Loading...
Loading...
Loading...

Sociaal netwerk

Er wordt getoond in welke mate bepaalde kenmerken voorkomen in vijf typen sociale netwerken van jonge drugsverdachten en hoe ze samenhangen met dat type netwerk. Vervolgens wordt steeds een vergelijking gemaakt tussen de netwerken van jonge drugsverdachten en die van niet-verdachte jongeren. Lees meer in een korte uitleg of extra verdiepende informatie.

De resultaten van deze analyse wijzen op risico-indicatoren om in de drugscriminaliteit te belanden. De aanwezigheid van verdachten in het netwerk en lage inkomens zijn bijvoorbeeld oververtegenwoordigd in de sociale netwerken van verdachte jongeren. Tegelijkertijd lijkt er sprake van beschermende factoren: het hebben van werk en een hoog opleidingsniveau komen juist minder vaak voor in de netwerken van verdachten. Met name in het huisgenotennetwerk zijn grote verschillen te zien tussen de netwerken van verdachte en niet-verdachte jongeren. De verschillen tussen ‘verdacht’ en ‘niet-verdacht’ zijn over het algemeen groter in zeer stedelijke gemeenten en worden kleiner naarmate de stedelijkheid afneemt.

Klik op categorieën in de legenda onder de figuur om ze toe te voegen of juist weg te laten. Klik op een bolletje om in een tweede figuur meer informatie te krijgen over de mate waarin personen met dat kenmerk voorkomen in de netwerken van jonge verdachten van drugsdelicten en van niet-verdachte jongeren.

Loading...
De volgende figuur laat zien welk aandeel van de personen in de netwerken het hierboven geselecteerde kenmerk bezit. Hierbij wordt een uitsplitsing gemaakt naar het type netwerk (familie, huisgenoten, collega’s, klasgenoten en buren), first offenders versus herhaalde verdachten, minder- en meerderjarige jongeren en de mate van stedelijkheid van de gemeente waarin de jongere woont.
Loading...

Verdachte transacties

Ongebruikelijke transacties moeten in Nederland worden gemeld aan de Financial Intelligence Unit (FIU), mede omdat ze te maken kunnen hebben met het witwassen van (crimineel) geld. Sommigen van deze transacties worden daarna door de FIU als 'verdachte transacties' aangemerkt. Met deze transacties worden in het dashboard verschillende analyses uitgevoerd.

Verdachte transacties naar locatie

Verdachte transacties blijken vaak een indicatie voor het witwassen van (crimineel) geld. Het doel van witwassen is het versluieren van de herkomst van geld, wat sinds 2001 strafbaar is. De FIU-data zijn gebruikt om in kaart te brengen waar in Nederland de als verdacht aangemerkte transacties het meest voorkomen en wat de bijbehorende financiële waarde is. Ook wordt getoond wat de belangrijkste herkomst- en bestemmingslanden zijn van verdachte transacties. Deze pagina helpt zo inzicht te geven in illegale geldstromen.
(bekijk analyse)

Betrokken personen en bedrijven

De FIU legt vast welke personen bij de verdachte transacties betrokken zijn (inclusief opdrachtgevers, begunstigden en uitvoerders) en wat hun kenmerken zijn (onder andere geslacht, leeftijd en sociaaleconomische omstandigheid). Daarnaast legt de FIU vast welke bedrijfstakken betrokken zijn bij één of meerdere verdachte transacties. Informatie over betrokken personen en bedrijven kan bijdragen aan bewustwording en (door kenmerken met elkaar te verbinden) aan meer focus bij een preventieve aanpak van ondermijning.
(bekijk analyse persoonskenmerken)
(bekijk analyse bedrijfskenmerken)

Groepsanalyse

Mensen kunnen op verschillende manieren betrokken raken bij verdachte transacties. Soms is hierbij sprake van onderliggende (sociale) problematiek, zoals armoede. Soms is er ook een verband met vastgoedbezit. Daarom wordt onderzocht of er verbanden bestaan tussen inkomenskenmerken, woonsituatie en vastgoedbezit en het betrokken raken bij verdachte transacties. Zo kunnen subgroepen worden bepaald op basis van kenmerken die met een verhoogde kans voorkomen bij personen die betrokken zijn bij verdachte transacties.
(bekijk analyse)

Verdachte transacties naar locatie

Voor de verdachte transacties is in kaart gebracht waar in Nederland die het meest geregistreerd en om welke soort transacties het gaat. Ook kun je zien wat de belangrijkste herkomst- en bestemmingslanden zijn van verdachte transacties. Lees meer in een korte uitleg of extra verdiepende informatie.
De kaartjes van Nederland laten verdachte transacties per gemeente zien, in aantal en bedrag. In het linker kaartje worden gemeenten uitgelicht op basis van twee absolute maten, in het rechter kaartje op basis van twee relatieve maten. In de tooltips staan altijd alle vier de maten.
Klik op categorieën in de legenda om ze toe te voegen of juist weg te laten in een kaart. In de categorie onbekend zijn gegevens onbekend, onvoldoende betrouwbaar of geheim. Zie de uitleg over onthullingsrisico’s en onderdrukking.
Loading...
Loading...
De gegevens op de rest van deze pagina hebben altijd betrekking op de totale periode 2011-2016 en op het totaal van de verdachte transacties. Die gegevens veranderen dus niet als er individuele jaren of specifieke transactiesoorten worden gekozen.

Verdachte transacties naar en van een gemeente

De volgende figuur en tabel geven meer informatie over de verdachte transacties tussen gemeenten en landen. Klik op een land in de figuur om meer informatie over dat land te zien.
Loading...

Persoonskenmerken betrokkenen bij verdachte transacties

De personen die betrokken zijn bij verdachte transacties worden aan de hand van algemene persoonskenmerken in beeld gebracht. Hierbij is een verdeling gemaakt in frequentie van betrokkenheid en de rol van de betrokkenen in de transactie. Als referentie zijn de persoonskenmerken van de gehele Nederlandse bevolking opgenomen te zien in de benchmark. Lees meer in een korte uitleg of extra verdiepende informatie.

Geslacht

Loading...
Loading...
Loading...

Leeftijd

Loading...
Loading...
Loading...

Sociaaleconomische categorie

Loading...
Loading...
Loading...

Soort uitkering

Uitsplitsing van de sociaaleconomische categorie Ontvanger uitkering
Loading...
Loading...
Loading...

Verdachte van misdrijf

Loading...
Loading...
Loading...

Bedrijfskenmerken betrokkenen bij verdachte transacties

De bedrijven die betrokken zijn bij verdachte transacties worden hier aan de hand van algemene bedrijfskenmerken in beeld gebracht. Hierbij is er een verdeling gemaakt in frequentie van betrokkenheid. Als referentie zijn de bedrijfskenmerken van alle actieve bedrijven in Nederland ook opgenomen. Lees meer in een korte uitleg of extra verdiepende informatie.

Actief in mogelijk kwetsbare branche *

Loading...
*: Klik hier voor een toelichting op de mogelijk kwetsbare branches
Loading...
Loading...

Rechtsvorm

Loading...
Loading...
Loading...

Aandeel meest betrokken bedrijfstakken bij verdachte transacties

Top 5 bij betrokkenen
Loading...
Loading...
Loading...

Groepsanalyse

Regionale spreiding en kenmerken van subgroepen

Voor subgroepen waarbinnen het aandeel betrokkenen bij verdachte transacties hoger is dan gemiddeld, wordt de regionale spreiding getoond. Daarnaast worden deze subgroepen beschreven aan de hand van kenmerken op het gebied van huishouden, inkomen en vastgoedbezit. Lees meer in een korte uitleg of de extra verdiepende informatie.

Binnen de gekozen subgroep is de kans dat iemand betrokken is bij een verdachte transactie hoger dan gemiddeld. Let op: De kaarten laten alleen zien hoe vaak de gekozen groep in algemene zin voorkomt in gemeenten en wijken. Dit zijn niet aantallen personen die daadwerkelijk betrokken zijn bij een verdachte transactie.

Klik op categorieën in de legenda om ze toe te voegen of juist weg te laten in een kaart. In de categorie onbekend zijn gegevens onbekend, onvoldoende betrouwbaar of geheim. Zie de uitleg over onthullingsrisico’s en onderdrukking. Vanwege diezelfde risico's worden uitkomsten voor bepaalde wijken of buurten soms onderdrukt, terwijl de uitkomsten van andere wijken of buurten in die gemeente wel worden getoond. Dit kan (opvallende) verschillen veroorzaken tussen de uitkomsten van enerzijds wijken of buurten en anderzijds de betreffende gemeente.

Loading...
Loading...

De volgende figuur geeft extra informatie over de gekozen subgroep. Per groep is het mogelijk om te zien hoe bepaalde kenmerken verdeeld zijn binnen die groep en in heel Nederland. Zo kun je bijvoorbeeld zien of de inkomens van personen in een bepaalde subgroep afwijkend is. Kies een kenmerk in het filtermenu.

Loading...

Brancheanalyses

Op dashboard Zicht op Ondermijning worden analyses gepresenteerd die inzicht kunnen geven in het risico dat een branche (via gelegenheidsstructuren) wordt misbruikt voor witwaspraktijken. De geanalyseerde branches zijn geselecteerd op basis van inzichten en ervaringen van meerdere RIEC's (Regionaal Informatie- en Expertise Centra) en van deelnemende gemeenten. Niet-geanalyseerde branches kunnen ook risico's bevatten, maar blijven hier buiten beeld.

Concentraties en trends

Sommige branches zijn er gevoelig voor om misbruikt te worden voor het witwassen van crimineel geld. Het is daarom interessant om te kijken naar opvallend hoge concentraties van bepaalde typen branches en soorten winkels. Die concentraties kunnen niet alleen zorgen voor verschraling van het winkelaanbod en/of oneerlijke concurrentie, maar ook een indicatie zijn van criminele activiteiten. Per branche is daarom geanalyseerd in welke gemeenten en wijken hoge concentraties van bedrijfsvestigingen voorkomen ten opzichte van het landelijke beeld. Daarnaast is geanalyseerd wat per gemeente en wijk de branches met de hoogste concentraties zijn.

De uitkomsten kunnen aanleiding zijn om extra aandacht te besteden aan een bepaalde branche of aan een bepaalde winkel uit één van die branches. Er kan bijvoorbeeld besloten worden tot preventief onderzoek bij een vergunningsaanvraag, extra toezicht of (extra) controles. Dit kan helpen voorkomen dat crimineel verkregen geld via de betreffende branche wordt witgewassen.
(bekijk analyse)

Financiële uitschieters

Financiële kengetallen van bedrijven kunnen iets zeggen over de kans dat deze bedrijven zich bezighouden met criminele activiteiten. Een opvallend hoge omzet per fte en een opvallend hoog uurloon kunnen bijvoorbeeld risico-indicatoren zijn voor het witwassen van zwart geld . Daarom is onderzocht welke afwijkingen er op deze indicatoren zijn binnen een wijk of gemeente.

Het referentiepunt is een gesimuleerde verwachting van de top 20 van de omzet per fte en van het gemiddeld uurloon per branche. In die verwachting is alleen gecorrigeerd voor het aantal vestigingen in de betreffende wijk of gemeente en niet ook voor kenmerken van die vestigingen, zoals grootte, type vestiging en of het een high-traffic locatie is. Voor elke gemeente en wijk is berekend wat de afwijking is van die verwachte waarde. Als de waarde van de top 20 bedrijven veel hoger is dan verwacht, kan dat een aanleiding zijn om lokaal in te zoomen op deze branche.
(bekijk analyse)

Afwijkingen in omzetverwachting

Een opvallend hoge omzet kan een aanwijzing zijn voor witwassen. Het is daarom interessant om bedrijven binnen dezelfde branche met elkaar te vergelijken en daarbij te kijken naar de gemiddelde omzet per inwoner. Soms kan een hoge omzet per inwoner heel goed verklaarbaar zijn, bijvoorbeeld vanwege het inkomensniveau in een bepaalde gemeente. Daarom wordt in deze analyse een verwachte brancheomzet per inwoner berekend op basis van kenmerken van de gemeente, de (woon)wijk en de inwoners van de wijk. Naast het inkomen van de inwoners, wordt bijvoorbeeld ook gekeken naar de nabijheid van voorzieningen.

Per gemeente en per woonwijk kan zo (voor verschillende branches) een vergelijking worden gemaakt tussen de voorspelde en de gerealiseerde omzet per inwoner. Een omzet die opvallend veel hoger is dan voorspeld, kan een eerste indicatie zijn van criminele activiteiten en aanleiding zijn voor nader onderzoek.
(bekijk analyse)

Veroordelingen

Wanneer iemand in het verleden veroordeeld is voor een delict, is de kans groter dat die persoon opnieuw verdacht wordt van een delict. Daarom is het interessant om te kijken naar eerdere veroordelingen van bedrijven en van eigenaren of bestuurders van bedrijven. Dit kan informatie geven over de kans dat bedrijven in een bepaalde regio of in een bepaalde branche misbruikt worden voor criminele doeleinden. Er is daarom geanalyseerd in welke gemeenten en wijken hoge concentraties van bedrijven met veroordelingen voorkomen. Daarnaast is geanalyseerd in welke branches hoge concentraties van bedrijven met veroordelingen voorkomen.

De uitkomsten kunnen aanleiding zijn om extra aandacht te besteden aan een bepaalde branche of aan een bepaalde wijk of bedrijventerrein. Er kan bijvoorbeeld besloten worden tot preventief onderzoek bij een vergunningsaanvraag, extra toezicht of (extra) controles.De uitkomsten kunnen aanleiding zijn om extra aandacht te besteden aan een bepaalde branche of aan een bepaalde wijk of bedrijventerrein. Er kan bijvoorbeeld besloten worden tot preventief onderzoek bij een vergunningsaanvraag, extra toezicht of (extra) controles.
(bekijk analyse)

Concentraties en trends

Per branche wordt getoond in welke gemeenten en wijken hoge concentraties van bedrijfsvestigingen voorkomen ten opzichte van het landelijke beeld. Je kunt ook zien wat per gemeente en wijk de branches met de hoogste concentraties zijn. Lees meer in een korte uitleg of extra verdiepende informatie.
Klik op categorieën in de legenda om ze toe te voegen of juist weg te laten in een kaart. In de categorie onbekend zijn gegevens onbekend, onvoldoende betrouwbaar of geheim. Zie de uitleg over onthullingsrisico’s en onderdrukking. Vanwege diezelfde risico’s worden uitkomsten voor bepaalde wijken of buurten soms onderdrukt, terwijl de uitkomsten van andere wijken of buurten in die gemeente wel worden getoond. Dit kan (opvallende) verschillen veroorzaken tussen de uitkomsten van enerzijds wijken of buurten en anderzijds de betreffende gemeente.
Loading...
Loading...
Kies in de kaartjes hierboven een gemeente en wijk waarvan je de ontwikkeling wil zien.
Loading...
De volgende tabellen tonen meer informatie naar gemeente of wijk. Klik op een titel om de tabel open te klappen. De tabel is standaard gesorteerd op de kolom met de afwijkingsscore. Klik op een andere kolom om op die kolom te sorteren. Selecteer een wijk om meer informatie over een wijk te zien.

Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.
Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.

Financiële uitschieters

Afwijkingen van de top-20 bedrijven

Per branche wordt getoond in hoeverre de top 20 bedrijven in een gemeente of wijk afwijken van de verwachte waarde voor gemiddeld uurloon en omzet per fte. De verwachte waarde is gesimuleerd op basis van duizenden steekproeven ter grootte van het aantal vestigingen in die gemeente of wijk. Voor iedere steekproef is een top 20 berekend die weer zijn uitgemiddeld om zo tot een verwachte top 20 te komen. Lees meer in een korte uitleg of extra verdiepende informatie.
Klik op categorieën in de legenda om ze toe te voegen of juist weg te laten in een kaart. In de categorie onbekend zijn gegevens onbekend, onvoldoende betrouwbaar of geheim. Zie de uitleg over onthullingsrisico’s en onderdrukking. Vanwege diezelfde risico’s worden uitkomsten voor bepaalde wijken of buurten soms onderdrukt, terwijl de uitkomsten van andere wijken of buurten in die gemeente wel worden getoond. Dit kan (opvallende) verschillen veroorzaken tussen de uitkomsten van enerzijds wijken of buurten en anderzijds de betreffende gemeente.
Loading...
Loading...

De rest van de pagina bestaat uit tabellen met verdiepende achtergrondinformatie. Ze zijn bedoeld voor de bezoekers die graag meer details bij de analyses willen hebben om de uitkomsten zo zelf beter te kunnen interpreteren en duiden.



Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.
De volgende tabellen tonen meer informatie naar gemeente of wijk. Klik op een titel om de tabel open te klappen. De tabel is standaard gesorteerd op de kolom met de afwijkingsscore. Klik op een andere kolom om op die kolom te sorteren. Selecteer een wijk om meer informatie over een wijk te zien.

Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.
Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.

Afwijkingen omzetverwachting

Verschil tussen de voorspelde en de gerealiseerde brancheomzet per inwoner

Per branche wordt getoond in welke gemeenten en woonwijken grote afwijkingen voorkomen van de voorspelde omzet per inwoner. De voorspelde omzet is gebaseerd op het gemiddelde van de branche in combinatie met wijk-, gemeenten- en inwonerkenmerken. Lees meer in een korte uitleg of extra verdiepende informatie.
Klik op categorieën in de legenda om ze toe te voegen of juist weg te laten in een kaart. In de categorie onbekend zijn gegevens onbekend, onvoldoende betrouwbaar of geheim. Zie de uitleg over onthullingsrisico’s en onderdrukking. Vanwege diezelfde risico’s worden uitkomsten voor bepaalde wijken of buurten soms onderdrukt, terwijl de uitkomsten van andere wijken of buurten in die gemeente wel worden getoond. Dit kan (opvallende) verschillen veroorzaken tussen de uitkomsten van enerzijds wijken of buurten en anderzijds de betreffende gemeente.
Loading...
Loading...

De rest van de pagina bestaat uit tabellen met verdiepende achtergrondinformatie. Ze zijn bedoeld voor de bezoekers die graag meer details bij de analyses willen hebben om de uitkomsten zo zelf beter te kunnen interpreteren en duiden.

Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.
Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.

Veroordelingen

Veroordeelde eigenaren, bestuurders en bedrijven

Per branche wordt getoond in welke gemeenten en wijken relatief veel bedrijven, bedrijfseigenaren en bedrijfsbestuurders voorkomen met een veroordeling op hun naam. Ook kun je zien wat per gemeente en wijk de branches zijn waarin de meeste veroordelingen voorkomen. Lees meer in een korte uitleg of extra verdiepende informatie.
Vanwege lage aantallen is een aantal combinaties van branche, indicator en type delict uitgesloten. Het delict witwassen wordt alleen getoond in combinatie met alle branches bij elkaar. Voor veroordeelde bedrijven wordt alleen over alle delicten gezamenlijk gerapporteerd. Voor sommige branches zijn bijna geen resultaten naar gemeente of wijk beschikbaar. Deze hebben toch een plek in dit dashboard gekregen om een zo compleet mogelijk beeld te geven.

Klik op categorieën in de legenda om ze toe te voegen of juist weg te laten in een kaart. In de categorie onbekend zijn gegevens onbekend, onvoldoende betrouwbaar of geheim. Zie de uitleg over onthullingsrisico's en onderdrukking. Vanwege diezelfde risico's worden uitkomsten voor bepaalde wijken of buurten soms onderdrukt, terwijl de uitkomsten van andere wijken of buurten in die gemeente wel worden getoond. Dit kan (opvallende) verschillen veroorzaken tussen de uitkomsten van enerzijds wijken of buurten en anderzijds de betreffende gemeente.
Loading...
Loading...

De rest van de pagina bestaat uit tabellen met verdiepende achtergrondinformatie. Ze zijn bedoeld voor de bezoekers die graag meer details bij de analyses willen hebben om de uitkomsten zo zelf beter te kunnen interpreteren en duiden. De benchmark branches zijn exclusief de onderliggende niet-benchmark branches. Benchmark vervoer en opslag is bijvoorbeeld exclusief de taxibranche.

Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.
Loading...
Lege velden: waarde onderdrukt. Lees meer over het risico op onthulling en onderdrukking.

Barrièremodellen CCV

Het Centrum voor Criminaliteitspreventie en Veiligheid (het CCV) werkt samen met andere partijen aan een veilig en leefbaar Nederland. Door middel van kennis, instrumenten, advies en voorlichtingsmateriaal maakt het CCV veiligheidsbeleid effectief en uitvoerbaar. Een van de instrumenten die het CCV samen met partners ontwikkelt is het barrièremodel.

Wat is een barrièremodel?

Een barrièremodel belicht het proces van een bepaald delict. Daarmee maakt het model inzichtelijk welke barrières mogelijk kunnen worden opgeworpen om het werk van criminelen te voorkomen of te verstoren. In een eenvoudig stappenplan wordt uitgelegd hoe het proces van het delict eruit ziet. Bij hennepteelt loopt dat proces bijvoorbeeld van verwerving van een locatie tot verkoop van de opbrengst. En bij malafide stichtingen van de oriëntatiefase (voorafgaand aan de oprichting) tot het uiteindelijke materiële of immateriële voordeel.

Per procestap worden in het barrièremodel verschillende onderdelen beschreven:

Dienstverleners die mogelijk een rol kunnen spelen. Dit kan bijvoorbeeld de KvK of de Belastingdienst zijn, maar ook een autoverhuurder of woningcorporatie.

Gelegenheden die criminele activiteiten mogelijk maken. Voorbeelden hiervan zijn 'onvoldoende toezicht' en 'onduidelijke regelgeving'.

Indicatoren die mogelijk wijzen op criminele activiteiten, zoals panden die snel van eigenaar wisselen, contante betaling van hoge geldbedragen of een opvallende geur.

Partners voor een preventieve aanpak. Het kan dan gaan om het Openbaar Ministerie of de wijkagent, maar bijvoorbeeld ook om commerciële bedrijven die actief zijn in opslag of transport.

Barrières waarmee preventief kan worden opgetreden. Voorbeelden hiervan zijn voorlichting, gericht toezicht, controles en de inzet van specifieke wet- en regelgeving.

Beschikbaar met een wachtwoord

Het CCV heeft ongeveer 40 barrièremodellen beschikbaar. Bij de preventieve aanpak van ondermijning kunnen met name de volgende barrièremodellen waardevol zijn:

  • Hennepteelt
  • Synthetische drugs
  • Drugsproductie in het buitenland
  • Malafide stichtingen zonder signalen
  • Vastgoedfraude
  • Malafide autoverhuurbedrijven
  • Malafide doorstarters in de uitzendbranche

De barrièremodellen zijn te vinden op www.barrieremodellen.nl. Om toegang te krijgen heb je een wachtwoord nodig: deze kan worden aangevraagd bij het CCV. Op basis van de gegevens van de aanvrager bepaalt het CCV of de toegang kan worden verstrekt.

Voorbeeldcases

Via het dashboard Zicht op Ondermijning krijgt elke gemeente in Nederland extra inzichten in lokale patronen en fenomenen van ondermijnende criminaliteit. De grootste meerwaarde ontstaat wanneer inzichten uit verschillende analyses worden gecombineerd en besproken met andere partijen. Om dit te illustreren wordt op deze pagina een aantal (fictieve) voorbeeldcases uitgewerkt.

Verkleinen van zoekgebied vastgoedfraude

Een gemeente verdiept zich in de diverse analyses van haar eigen wijken en buurten en merkt op dat in een bepaalde wijk veel verdachte transacties plaatsvinden: een mogelijke indicatie voor witwaspraktijken. Een andere analyse in het dashboard toont aan dat veel vastgoed in diezelfde wijk in handen is van alleenbestuurders van stichtingen. Voor de gemeente is dit aanleiding om bij de Kamer van Koophandel data over de stichtingen in deze wijk op te vragen. Die informatie wordt vervolgens gedeeld met de politie, die de informatie goed kan gebruiken in een lopend onderzoek naar vastgoedfraude. Gemeente en politie kunnen hun schaarse capaciteit zo toespitsen op een potentiële risicogroep.

Voorkomen dat jeugd in drugscriminaliteit belandt

Een gemeente merkt dat de overlast door drugscriminaliteit de laatste tijd snel toeneemt. Het dashboard toont aan dat bepaalde kenmerken van jongeren van 13 tot 18 jaar voorspellende waarde hebben voor het plegen van drugsdelicten: voortijdig schoolverlaten, haltregistraties en schuldsanering bij de ouders. Het dashboard laat ook zien in welke wijken in de gemeente vooral sprake is van jongeren met deze kenmerken. Dit inzicht wordt door de gemeente ingebracht in het lokale Zorg- en Veiligheidshuis en gecombineerd met ervaringen en inzichten van de politie en jeugdzorg. Samen besluiten deze partijen om extra voorlichting te geven op middelbare scholen in de betreffende wijk.

Verstoren van gelegenheidsstructuur ondermijning

Een gemeente heeft het onderbuikgevoel dat de onderwereld er steeds meer voet aan de grond krijgt. Het dashboard wordt ingezet om data over de eigen gemeente te vergelijken met data van andere, soortgelijke gemeenten. Daaruit blijkt dat het aantal verdachte transacties (per 10.000 inwoners) in de betreffende gemeente opvallend hoog is. Ook constateert de gemeente dat er opvallend veel kapperszaken gevestigd zijn, met een opvallend hoge totaalomzet per inwoner. De gemeente besluit daarom een preventieve maatregel in te voeren: bij iedere ondernemer die een nieuwe kapperszaak wil starten, wordt een integriteitsonderzoek uitgevoerd. Zo verkleint de gemeente het risico dat kapperszaken misbruikt worden om crimineel geld wit te wassen.

Verdiepende informatie algemeen

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • In grafieken worden onderdrukte categorieën samengenomen tot één categorie 'overig' die groot genoeg is om in de grafiek op te nemen;
  • In kaarten zijn onderdrukte gemeenten, wijken of buurten grijs gemaakt en wordt er geen tooltip met uitkomsten getoond als de bezoeker het gebied selecteert. Als de kaart voor een wijk of buurt door onderdrukking niet getoond kan worden, verschijnt een toelichting;
  • In tabellen worden onderdrukte categorieën vervangen door een leeg veld of een sterretje.
  • Als een categorie onderdrukt wordt, kan het beeld ontstaan dat die categorie niet relevant is. Dit is niet per definitie het geval. Het gekozen gebied of de gemaakte selectie kan zo specifiek zijn dat de onderzoekspopulatie simpelweg te klein wordt voor de gewenste mate van detail;
  • Als een gebied onderdrukt wordt, kan het beeld ontstaan dat een fenomeen in dat gebied geheel niet speelt. Ook dat is niet per definitie het geval. Uitkomsten kunnen onderdrukt zijn, omdat de aantallen waarnemingen te klein zijn, maar ook vanwege dominantie.

De analyse

Privacy is een groot goed. Ook als je niks te verbergen hebt, heb je heel wat te beschermen. Het CBS is het Statistisch Bureau van Nederland dat onafhankelijk onderzoek uitvoert. Het CBS werkt bij elk onderzoek met strenge eisen om data op een veilige manier te verwerven, te verwerken en te publiceren en is transparant over de manier van werken en de methodieken. Voor meer informatie, zie onze website: www.cbs.nl/privacy

Het CBS verzamelt gegevens van natuurlijke personen, bedrijven en instellingen. Dit is wettelijk vastgelegd in de CBS-wet en de Algemene Verordening Gegevensbescherming (AVG). Identificerende persoonskenmerken worden na ontvangst direct gepseudonimiseerd. Hierdoor kan het onderzoek alleen worden uitgevoerd op gegevens met een pseudosleutel. Bij publicatie zorgt het CBS er bovendien voor dat natuurlijke personen of bedrijven niet herkenbaar of herleidbaar zijn. Ook hanteert het CBS diverse maatregelen tegen diefstal, verlies of misbruik van persoonsgegevens. Het CBS levert geen herkenbare gegevens aan derden, ook niet aan andere overheidsinstellingen. Wel kunnen sommige (wetenschappelijke) instellingen onder strenge voorwaarden toegang krijgen tot gegevens met pseudosleutel op persoons- of bedrijfsniveau. Dit noemen we microdata.

Voor het dashboard Zicht op Ondermijning worden analyses uitgevoerd op die microdata in een beveiligde onderzoeksomgeving van het CBS. Die microdata bestaan uit gegevens op het niveau van individuele adressen, bedrijven, huishouden en personen. Alleen onderzoekers werkzaam bij een geaccrediteerde instelling mogen onderzoek uitvoeren op die microdata. Uitkomsten op basis van dat onderzoek moeten altijd gepubliceerd worden en zo dat er geen herkenbare gegevens over individuele adressen, bedrijven, huishoudens of personen aan kunnen worden ontleend. Om die reden gelden strenge richtlijnen voor output op basis van onderzoek op microdata van het CBS.

Methode

Uitkomsten moeten aan de volgende voorwaarden voldoen:

  • Het mogen geen microdata zijn, dus geen uitkomsten over individuele adressen, bedrijven, huishoudens of personen;
  • Iedere uitkomst is op ten minste 10 ongewogen waarnemingen gebaseerd;
  • Maxima en minima zijn herkenbare microdata en mogen dus niet als uitkomst gepubliceerd worden;
  • Er mag geen groepsonthulling plaatsvinden: uitkomsten die voor ten minste 90 procent van een groep gelden mogen niet gepubliceerd worden, omdat de informatie geldig is voor vrijwel elk lid van de groep en de groep als zodanig herkenbaar is;
  • Er mag geen sprake zijn van dominantie: een uitkomst mag niet voor meer dan 50 procent door één bijdrager bepaald worden.

Uitkomsten die niet aan deze voorwaarden voldoen worden niet gepubliceerd in een grafiek, kaartje of tabel. Die uitkomsten worden dus onderdrukt.

Als één categorie onderdrukt wordt, wordt ook altijd een tweede categorie onderdrukt om secundaire onthulling te voorkomen. Neem als voorbeeld een analyse met uitkomsten naar gemeente en wijken. Als één wijk onderdrukt wordt, kan de uitkomst voor die wijk teruggerekend worden door de uitkomst van de overige wijken van die van de gemeente af te trekken. Dit is secundaire onderdrukking.

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • De waarden voor de geselecteerde indicatoren hebben steeds betrekking op het meest recente verslagjaar van de Leefbaarometer ten opzichte van het in het dashboard gekozen peiljaar. Als dat een jaar is waarin de Leefbaarometer niet is uitgevoerd, worden de uitkomsten uit de monitor uit het voorgaande beschikbare verslagjaar getoond.
  • De scores meten afwijkingen in de gemeente, wijk of buurt ten opzichte van het landelijk gemiddelde.

De analyse

Alle kaartjes op het dashboard bieden de mogelijkheid om ook een aantal indicatoren uit de Leefbaarometer en de Veiligheidsmonitor in de tooltip te tonen. Op deze manier kunnen de resultaten in het dashboard in de context van laag-regionale leefbaarheid en veiligheid geplaatst worden.

De Leefbaarometer is voor het ministerie van Binnenlandse Zaken en Koninkrijksrelaties (BZK) ontwikkeld en geeft informatie over de leefbaarheid in alle buurten en wijken. Leefbaarheid is gedefinieerd als de mate waarin de leefomgeving aansluit bij de voorwaarden en behoeften die er door de mens aan worden gesteld. Het geeft de situatie in de wijk weer, maar ook ontwikkelingen en achtergronden van de buurt.

De populatie

De indicatoren uit de Leefbaarometer hebben betrekking op alle gemeenten, wijken en buurten in heel Nederland. De Leefbaarometer bevat informatie over 2002, 2008, 2012, 2014, 2016 en 2018 en wordt tweejaarlijks geactualiseerd.

Methode

Om leefbaarheid in beeld te brengen wordt gebruik gemaakt van 100 indicatoren, die zijn onderverdeeld in vijf dimensies. Deze 100 indicatoren zijn in de Leefbaarometer opgenomen, omdat uit uitvoerig statistisch onderzoek gebleken is dat met deze indicatoren het oordeel over leefbaarheid het beste ingeschat kan worden. De vijf dimensies zijn:

  1. Woningen;
  2. Bewoners;
  3. Voorzieningen;
  4. Veiligheid;
  5. Fysieke omgeving.

Waarbij de dimensies Voorzieningen en Veiligheid het zwaarst wegen. Twee samengestelde indicatoren uit de Leefbaarometer zijn in het dashboard opgenomen (zie Leefbaarometer 2.0: instrumentontwikkeling ):

  1. Score totaal. Dit is de totale leefbaarheidsscore op basis van alle 100 indicatoren. Aan de score liggen twee modellen ten grondslag: een oordelen- en een gedragsmodel. Voor beide modellen worden totaalscores, gemiddelden, standaardafwijkingen en gestandaardiseerde indices berekend en samengevoegd tot één Leefbaarometer;
  2. Score dimensie Veiligheid. De totale leefbaarheidsscore wordt weer uitgeklapt naar vijf dimensiescores die aangeven wat deze dimensie bijdraagt aan de totaalscore. De dimensie Veiligheid is aan het dashboard toegevoegd gezien de directe link met het thema van dit dashboard.

Allebei de scores meten afwijkingen in de gekozen gemeente, wijk of buurt ten opzichte van het landelijk gemiddelde.

Bronbestanden

Voor de indicatoren uit de Leefbaarometer is gebruik gemaakt van openbare gegevens uit de Leefbaarometer die op de website als open data beschikbaar worden gesteld.

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • De waarden voor de geselecteerde indicatoren hebben steeds betrekking op het meest recente verslagjaar van de Veiligheidsmonitor ten opzichte van het in het dashboard gekozen peiljaar. Als dat een jaar is waarin de Veiligheidsmonitor niet is uitgevoerd, worden de uitkomsten uit de monitor uit het voorgaande beschikbare verslagjaar getoond. De indicatoren uit de Veiligheidsmonitor zijn beschikbaar voor de 52 gemeenten met ten minste 70 000 inwoners.

De analyse

Alle kaartjes op het dashboard bieden de mogelijkheid om ook een aantal indicatoren uit de Leefbaarometer en de Veiligheidsmonitor in de tooltip te tonen. Op deze manier kunnen de resultaten in het dashboard in de context van laag-regionale leefbaarheid en veiligheid geplaatst worden.

De Veiligheidsmonitor is een bevolkingsonderzoek naar leefbaarheid, veiligheid en slachtofferschap van criminaliteit, uitgevoerd in samenwerking tussen het ministerie van Justitie en Veiligheid (J&V) en het Centraal Bureau voor de Statistiek (CBS). De monitor bevat trends en ontwikkelingen, uitsplitsingen naar politieregio's en (middel-)grote gemeenten en uitsplitsingen naar persoonskenmerken

De populatie

De indicatoren uit de Veiligheidsmonitor kunnen geregionaliseerd worden naar 10 RIEC's, 43 districten en 167 basisteams van politie. Daarnaast zijn ook uitkomsten van de 52 grootste (70 000+ inwoners) gemeenten van ons land in de monitor opgenomen. Die uitkomsten naar gemeenten zijn in het dashboard verwerkt.

Tussen 2012 en 2017 is de Veiligheidsmonitor jaarlijks uitgevoerd. Daarna is de frequentie van het onderzoek verlaagd naar eens in de twee jaar en was de eerstvolgende monitor die over verslagjaar 2019. De Veiligheidsmonitor kent twee voorgangers die qua methode en wijze van dataverzameling te sterk afwijken om goede vergelijkingen door de tijd mogelijk te maken. In de periode 2005-2007 was dit de Veiligheidsmonitor Rijk en in de periode 2008-2011 de Integrale Veiligheidsmonitor.

Methode

Het onderzoeksontwerp van de Veiligheidsmonitor is er op gericht om ook op laagregionaal niveau betrouwbare uitspraken te kunnen doen. Het streven is om voor elk politiedistrict minimaal 750 responsen te behalen en voor elk basisteam van politie en voor elke 70 000+ gemeente minstens 300 responsen. Daarnaast kiezen sommige gemeenten er voor om onder hun inwoners extra vragenlijsten uit te laten zetten, een zogenaamde oversampling . In totaal deden in 2019 ruim 135 000 personen mee aan het onderzoek.

Voor de Veiligheidsmonitor is een gestandaardiseerde vragenlijst ontwikkeld die geheel moet worden afgenomen. De vragenlijst is modulair opgebouwd en bevat onder andere vragen over leefbaarheid in de buurt, beleving overlast, slachtofferschap en het functioneren van politie en gemeente. In het dashboard zijn zeven indicatoren uit de Veiligheidsmonitor opgenomen die het sterkst verband houden tot ondermijnende criminaliteit en de thema's vastgoed en drugs:

  1. Fysieke verloedering in de buurt. Deze indicator bestaat uit vier overlastvormen, te weten:
    1. Rommel op straat;
    2. Straatmeubilair, zoals vuilnisbakken, bankjes of bushokjes, dat vernield is;
    3. bekladde muren of gebouwen; en
    4. hondenpoep op de stoep, straat of in de perken.
  2. Drugsgebruik of drugshandel in de buurt. Deze indicator is een vorm van sociale overlast en heeft betrekking op de situatie op straat of in coffeeshops;
  3. Voelt zich wel eens onveilig in het algemeen;
  4. Voelt zich vaak onveilig in het algemeen;
  5. Veel buurtcriminaliteit. Indicatie van de ervaren mate waarin criminaliteit in de buurt voorkomt;
  6. Rapportcijfer veiligheid in buurt;
  7. Aantal delicten. Het aantal gewelds-, vermogens- en vandalismedelicten.

Bronbestanden

Voor de indicatoren uit de Veiligheidsmonitor is gebruik gemaakt van openbare gegevens uit de Veiligheidsmonitor die door het CBS op StatLine beschikbaar worden gesteld.

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten van de analyses is het belangrijk om rekening te houden met de volgende punten:

  • In de analyses die voor het dashboard Zicht op Ondermijning worden uitgevoerd, worden regelmatig algoritmen toegepast. Soms zijn dit heel eenvoudige algoritmen. Waar rekenregels worden toegepast, is in strikte zin immers al sprake van een algoritme. Er worden ook methodologisch ingewikkeldere algoritmen gebruikt, zoals een beslisboomalgoritme bij de analyse naar Jonge aanwas en subgroup discovery bij de groepsanalyse naar betrokkenen bij verdachte transacties.
  • Voor het dashboard Zicht op Ondermijning worden algoritmen nooit toegepast om op het niveau van individuele adressen, bedrijven, huishoudens of personen inzichten te bieden of conclusies te trekken. Individuele gegevens zijn gepseudonimiseerd en uitkomsten zijn altijd geaggregeerd.
  • Iedere analyse op het dashboard wordt in het onderdeel Verdiepende informatie in detail beschreven. Daar staat uitgelegd welke analysemethoden worden toegepast, of dit algoritmen zijn, welke keuzes daarbij gemaakt zijn en welke kenmerken van adressen, bedrijven, huishoudens of personen zijn beschouwd.
  • Migratieachtergrond wordt in dit dashboard alleen gebruikt als kenmerk in beschrijvende statistieken van groepen huishoudens of personen, mits daar voldoende onderbouwing voor bestaat. Het wordt niet gebruikt als kenmerk in classificeringsalgoritmen die worden toegepast op huishoudens of personen.

Algoritmen en risico’s

In de Nederlandse samenleving worden steeds meer beslissingen genomen op basis van algoritmen. Gemeenten zetten algoritmen bijvoorbeeld in om de kans in te schatten dat een leerling van school gaat voordat zijn of haar opleiding is afgerond. Dit levert praktische en positieve toepassingen op. Wanneer algoritmen en de resultaten van algoritmen echter incorrect gebruikt worden, kan dat ook risico’s opleveren.
Als het gaat over het correct en ethisch toepassen van algoritmen, gaat het vaak over wat je classificeringsalgoritmen zou kunnen noemen: algoritmen die individuele adressen, bedrijven, huishoudens of personen in groepen indelen. Toepassing hiervan kan leiden tot conclusies met nadelige gevolgen voor het individu. In strikte zin zijn algoritmen berekeningen of rekenregels waarbij stappen worden gevolgd om een doel te bereiken. Alle code die geschreven wordt voor analyses in Zicht op Ondermijning zijn daarmee ook algoritmen.

Algoritmen en Zicht op Ondermijning

Algoritmen kunnen een waardevolle bijdrage leveren aan een preventieve aanpak van ondermijning. Ze kunnen bijvoorbeeld risico-indicatoren voor een bepaald fenomeen helpen bepalen, waarna maatregelen kunnen worden genomen om achterliggende problematiek weg te nemen. Denk bijvoorbeeld aan een lokale aanpak van schuldenproblematiek als blijkt dat vooral jongeren uit huishoudens met schulden op jonge leeftijd in de drugscriminaliteit belanden.

Voor het dashboard Zicht op Ondermijning worden algoritmen nooit toegepast om inzichten te bieden of conclusies te trekken op het niveau van individuele adressen, bedrijven, huishoudens of personen. Bovendien zijn individuele gegevens altijd gepseudonimiseerd en worden de uitkomsten zonder uitzondering geaggregeerd weergegeven, bijvoorbeeld op het niveau van een hele gemeente, wijk of branche. Ook onderzoekers krijgen nooit inzicht in gegevens die herleidbaar zijn naar in individuele adressen, bedrijven, huishoudens of personen. Dit helpt voorkomen dat er vooringenomen keuzes in algoritmen terecht gekomen.

Er gelden strenge richtlijnen voor het publiceren van resultaten op basis van onderzoek op microdata van het CBS. Zie ook de Verdiepende informatie over het Risico op onthulling en onderdrukking.

Gezien de rol van algoritmen in het dashboard Zicht op Ondermijning, is het belangrijk transparant te zijn over de toegepaste algoritmen. Zo kan worden voorkomen dat er sprake is van een black box. Daarom wordt iedere analyse per pagina in detail beschreven in het dashboardonderdeel Verdiepende informatie. Daar staat uitgelegd welke algoritmen worden toegepast, welke aannames daarbij gedaan worden en welke kenmerken beschouwd worden.

Migratieachtergrond

Als het gaat over ethische of wettelijke bezwaren van algoritmen, gaat het vaak over migratieachtergrond. Migratieachtergrond is gerelateerd aan het land waarin iemands beide ouders zijn geboren, ongeacht het land waar de persoon zelf is geboren. Voor statistische informatie ten aanzien van migratie, integratie en aanpalende terreinen, heeft het CBS een afwegingskader ontwikkeld. Dit afwegingskader gaat in op het publiceren van informatie uitgesplitst naar migratieachtergrond en het toegang geven tot de bijbehorende microdata aan externe onderzoekers, zoals ook gebeurt in Zicht op Ondermijning. Daarnaast onderzoekt het CBS momenteel welke indeling beter recht doet aan de huidige maatschappij dan de huidige verdeling in westers en niet-westers.

Wanneer er verschillen bestaan tussen demografische groepen, dan kan het zinvol zijn om hier statistiek over te maken. Het volgen van groepen zoals generaties immigranten en het uitlichten daarvan in statistieken kan bijvoorbeeld inzicht geven in integratie. Dit gaat dan om een nadere karakterisering van de bevolking door middel van een feitelijke omschrijving en is geenszins bedoeld als een kwalificatie van een groep. Tegelijkertijd is bekend dat deze statistieken risico’s met zich meebrengen: ze kunnen bepaalde vooroordelen of stereotyperingen versterken die in de samenleving bestaan over migranten. Statistieken kunnen bovendien op een negatieve manier gebruikt of uitgelegd worden. In het dashboard Zicht op Ondermijning wordt bijvoorbeeld veel gebruik gemaakt van data over verdenkingen van personen. Onder andere door etnische profilering bestaat daarin een oververtegenwoordiging van bepaalde etnische groepen.

Om bovenstaande redenen worden er voor het dashboard Zicht op Ondermijning grenzen gesteld aan het gebruik van migratiekenmerken. Allereerst neemt met iedere volgende generatie de complexiteit van mogelijke intergenerationele invloeden toe. Er worden daarom nooit cijfers gepubliceerd over de derde generatie migratieachtergrond of verder. Daarnaast worden uitkomsten in principe niet uitgesplitst naar migratieachtergrond. Dit kenmerk wordt pas beschouwd wanneer hiervoor voldoende onderbouwing gegeven kan worden op basis van bestaand wetenschappelijk onderzoek en in de context van ondermijning. Of er voldoende onderbouwing is, wordt altijd bepaald in samenspraak tussen de partijen die bij Zicht op Ondermijning betrokken zijn. Tot slot: Als waargenomen verschillen naar migratieachtergrond feitelijk terug te voeren zijn op verschillen naar bijvoorbeeld opleiding of inkomen, worden ook die kenmerken expliciet beschouwd.

Verdiepende informatie afwijikingen per gemeente

Aandachtspunten

  • Het doel van de gemeentepagina is om de gebruiker niet alle selecties in dit dashboard zelf af te laten gaan, maar te leiden naar de voor hen meest interessante pagina: de pagina met grote afwijkingen van het gemiddelde. Dit moet dus niet worden geïnterpreteerd als een ondermijningsscore of mate waarin iets verdacht is. Het is een suggestie van welke pagina het meeste interessant zou kunnen zijn op basis van de mate van afwijking.
  • Bij de landkaart die aangeeft hoe vaak een gemeente of wijk scoort, is het doel om de gebruiker van het dashboard het werk gemakkelijker te maken. De gebruiker hoeft niet meer alle wijken af te gaan om te kijken of er hoog gescoord wordt. Als een wijk op meerdere indicatoren scoort, moet dat niet geïnterpreteerd worden als een ondermijningsscore of iets dergelijks, maar als een suggestie om met meer aandacht naar de betreffende analyses voor deze wijk te kijken.
  • Bij kleine gemeenten en wijken kan de spreiding (en uitschieters) groter zijn vanwege lage aantallen waarnemingen waarop deze indicatoren berekend zijn.
  • De uitkomsten van de analyses die zijn gebaseerd op minder dan tien subjecten worden niet weergegeven om het risico op herleidbaarheid uit te sluiten. Dit betekent dus ook dat als resultaten voor een analyse moeten worden onderdrukt voor een gemeente, deze niet kunnen meetellen als ‘gescoord’ en ook niet kunnen voorkomen in de tabel met afwijkingsscores.

De analyse

Het doel van deze “gemeentepagina” is om gebruikers te leiden naar de dashboardpagina die voor hun gemeente de meest interessante resultaten bevat. Om dit te doen is voor alle analyses per gemeente of wijk bepaald of deze “hoog scoort” in vergelijking tot de andere gemeenten of wijken op die pagina. Een analyse is een pagina op het dashboard in combinatie met mogelijke selectiefilters, exclusief het filter peiljaar of periode.

Een voorbeeld van wat telt als één analyse: Onder het thema Misbruik van vastgoed staat de pagina “Risico-indicatoren naar locatie”. De combinatie van de selectiefilters “risico-indicator = veroordeelde eigenaar, eigenaar = iedereen, selectie bestuurder = bestuurder van stichting en periode veroordeling = 1 jaar” wordt beschouwd als één analyse.

Er zijn enorm veel mogelijkheden van combinaties van selectiefilters in dit dashboard. Het doel van de gemeentepagina is om de gebruiker niet zelf één voor één alle selecties af te laten gaan, maar hen te leiden naar de meest interessante pagina. Deze uitkomst moet dus niet worden geïnterpreteerd als een ‘ondermijningsscore’ of iets dergelijks. Het is een suggestie voor welke pagina de meest interessante resultaten bevat.

Daarnaast is het doel om de gebruiker op een pagina te leiden naar de meest interessante gemeente en wijken: gemeenten en wijken die op verschillende indicatoren hoog scoren in analyses op dit dashboard. Ook hier is weer het doel om de gebruiker het gebruik van het dashboard te vergemakkelijken. Die gebruiker hoeft zo niet meer alle wijken af te gaan om te kijken of er hoog gescoord wordt. Als een wijk op meerdere indicatoren scoort, moet dat niet geïnterpreteerd worden als een ‘ondermijningsscore’ of iets dergelijks, maar als een suggestie om met meer aandacht naar de analyses voor deze wijk te kijken. De landkaart geeft aan voor hoeveel analyses een gemeente of wijk hoog scoort. Voor een geselecteerde gemeente of wijk wordt weergegeven welke analyses dit zijn.

De tabel geeft aan op welke analyses wordt gescoord boven de drempelwaarde. De tabel is aflopend gesorteerd: de analyse waarop het hoogst wordt gescoord staat bovenaan deze lijst. Zie het onderdeel Methode voor een uitleg over de berekening van de drempelwaarde en de afwijkingsscore.

De populatie

De gemeentepagina is een samenvoeging van alle andere analyses op het dashboard die resultaten naar gemeente of wijk bevatten. Iedere pagina heeft een eigen populatie (woningen, personen). Bekijk de beschrijvingen of Verdiepende informatie van die analyses voor meer informatie over de populatie per analyse.

Methode

In deze paragraaf beschrijven we hoe de drempelwaarde wordt bepaald en hoe we tot de afwijkingsscore zijn gekomen.

Bepalen van de drempelwaarde

Om te bepalen of een analyse hoog scoort, zijn de analyses onderverdeeld in de volgende drie categorieën:

  1. Harde cijfers over ondermijning, met menselijke beoordeling
    1. Uitleg in woorden: “Tellen als gescoord zodra het niet onderdrukt is én niet ver onder gemiddeld scoort“
    2. Gehanteerde drempelwaarde = gemiddelde – 0,5 standaarddeviatie
  2. Patronen die ondermijning proberen te vatten, maar wel (veel) false positives bevatten
    1. Tellen als gescoord, zodra het “een beetje afwijkt van het gemiddelde”
    2. Drempelwaarde = gemiddelde + 0,5 standaarddeviatie
  3. Patronen die een algemeen beeld geven, en alleen interessant zijn bij grote afwijkingen
    1. Tellen als gescoord, zodra het “erg van het gemiddelde afwijkt”
    2. Drempelwaarde = gemiddelde + 3 standaarddeviaties

Een analyse ‘scoort’ als de gemeten waarde voor een gemeente of wijk hoger is dan de drempelwaarde.

De gedachte achter de categorieën is dat categorie 1 meer zegt over ondermijning, en daarom überhaupt al interessant is zodra er een waarde bekend is (niet onderdrukt), terwijl analyses in categorie 3 minder zeggen over ondermijning, en alleen bij grote afwijkingen interessant zijn. Er is gekozen om toch een drempelwaarde te hanteren voor categorie 1, omdat sommige gemeenten vooral door hun grootte niet onderdrukt werden. Als ze dan toch een lage waarde ver onder het gemiddelde hebben, is dat niet altijd interessant.

De afwijkingsscore

Voor elke analyse wordt een afwijkingsscore berekend. De afwijkingsscore wordt berekend aan de hand van het gemiddelde en de standaarddeviatie van de betreffende indicator in heel Nederland, voor de betreffende analyse.

De berekening van de uiteindelijke afwijkingsscore is ook weer afhankelijk van de categorie waarin een analyse valt. Als drempelwaarde wordt dezelfde definitie gebruikt als om te bepalen of een variabele heeft ‘gescoord’. Daarnaast definiëren we een plafond: de drempelwaarde + 4 standaarddeviaties.

De afwijkingsscore wordt dan per categorie als volgt gedefinieerd:

  1. Harde cijfers over ondermijning, met menselijke beoordeling
    1. Afwijkingsscore = 0 als percentage onder de drempelwaarde (gemiddelde – 0,5 standaarddeviatie)
    2. Afwijkingsscore loopt lineair op tussen 0 en 100, tussen de drempelwaarde en plafond (drempelwaarde + 4 standaarddeviaties = gemiddelde + 3,5 standaarddeviaties)
    3. Afwijkingsscore = 100 als percentage boven het plafond = +3,5 standaarddeviaties)
  2. Patronen die ondermijning proberen te vatten, maar wel (veel) false positives bevatten
    1. Afwijkingsscore = 0 als percentage onder de drempelwaarde (= gemiddelde + 0,5 standaarddeviatie)
    2. Afwijkingsscore loopt lineair op tussen 0 en 100, tussen de drempelwaarde en het plafond (drempelwaarde + 4 standaarddeviaties = gemiddelde + 4,5 standaarddeviaties)
    3. Afwijkingsscore = 100 als percentage boven het plafond (=gemiddelde +4,5 standaarddeviaties)
  3. Patronen die een algemeen beeld geven en alleen interessant zijn bij grote afwijkingen
    1. Afwijkingsscore = 0 als percentage onder de drempelwaarde (= gemiddelde + 3 standaarddeviaties)
    2. Afwijkingsscore loopt lineair op tussen 0 en 100, tussen de drempelwaarde en het plafond (drempelwaarde + 4 standaarddeviaties = gemiddelde + 7 standaarddeviaties)
    3. Afwijkingsscore = 100 als percentage boven het plafond ( = gemiddelde +7 standaarddeviaties)

Bij de berekening van het gemiddelde en de standaarddeviatie worden alle perioden van de analyse meegenomen. Het gemiddelde en de standaarddeviaties worden dus niet per afzonderlijk jaar bepaald. Dit gebeurt zo voor de uitkomsten op gemeenteniveau en voor de uitkomsten op wijkniveau. Op die manier geldt voor een analyse en voor elk jaar altijd dezelfde drempelwaarde. De afwijkingsscores tussen verschillende jaren kunnen daardoor goed met elkaar vergeleken worden.

Een voorbeeld van de berekening van het gemiddelde en de standaarddeviatie voor de analyse “Onverklaarbare woningaankopen” in combinatie met het selectiefilter “selecteer een variabele = percentage”.

De uitkomst in deze analyse is het percentage onverklaarbare woningaankopen. Deze analyse gaat over 355 gemeenten en is uitgerekend over 1 periode en zou dus normaal gesproken uit 355 waarnemingen bestaan. Er zijn echter gemeenten onderdrukt, waardoor er in totaal 286 waarnemingen overblijven. Het gemiddelde percentage onverklaarbare woningaankopen voor deze niet-onderdrukte gemeenten is 12,31% en de standaarddeviatie is 2,91%.

Deze analyse valt in categorie 2: patronen die ondermijning proberen te vatten, maar wel veel false positives bevatten. De drempelwaarde in deze categorie is gezet op 0,5 standaarddeviaties van het gemiddelde. De drempelwaarde voor deze analyse is dus: 12,31% + (0,5*2,91%) = 13,77%. Gemeenten die een percentage onverklaarbare woningaankopen hebben dat groter is dan 13,77% zullen dus ‘scoren’. Het plafond in deze categorie is gezet op 4,5 standaarddeviaties van het gemiddelde: 12,31% + (4,5*2,91%) = 25,41%. Gemeenten met een percentage onverklaarbare woningaankopen van 25,41% of meer krijgen een score van 100.

Als voorbeeld hoe de afwijkingsscore wordt berekend nemen we gemeente Laren met een percentage van 23% onverklaarbare woningaankopen. Zoals je ziet ligt dit tussen de drempelwaarde (13,77%) en het plafond in (25,41%). De afwijkingsscore loopt lineair op van 0 bij 13,77% tot 100 bij 25,41%. De afwijkingsscore voor gemeente Laren kunnen we bepalen door interpolatie: (23%-13,77%) / ((25,41%-13,77%)/100) = 79,28. In het dashboard wordt deze score afgerond naar 79.

Significantie

Kleinere gemeenten hebben een grotere spreiding in gemiddelde meetwaarden dan grotere gemeenten. Dit is een bekend statistisch verschijnsel: hoe groter de populatie waarover het gemiddelde wordt berekend, hoe dichter dit bij het ‘echte’ gemiddelde ligt, mits de onderliggende verdeling hetzelfde is.

Bij het opzetten van deze gemeentepagina is besloten om statistische significantie niet mee te laten wegen in de afwijkingsscore, omdat de argumenten tegen zwaarder wegen dan de argumenten voor. Gebruikers van het dashboard moeten wel in hun achterhoofd houden dat bij kleine gemeenten en wijken de spreiding (en uitschieters) groter kunnen zijn vanwege de lage aantallen.

Argumenten voor het gebruik van significantie

  • Afwijkingen in de ‘kleine’ wijken en buurten (met weinig inwoners en weinig woningen) zouden kunnen leiden tot te sterke conclusies, als je hier geen disclaimer bij zet.
  • Afwijkingen in kleine wijken zouden de aandacht kunnen afleiden van grote wijken die net iets lager scoren qua percentage, maar qua aantallen veel interessanter zijn.

Argumenten tegen het gebruik van significantie

  • Kleine wijken met een hoog percentage bieden concretere aanknopingspunten voor een handelingsperspectief.
  • Significantie is niet altijd makkelijk uit te rekenen voor onze indicatoren. Het kan…
    • …wel voor: percentages;
    • …wel voor: afwijkingen van het gemiddelde waarbij we de waarde van onderliggende bedrijven, woningen of personen weten;
    • …niet voor: ratio’s waarbij we bijvoorbeeld euro’s door personen delen (bijvoorbeeld euro’s per 10.000 inwoners).
  • Bij de indicatoren die specifiek gericht zijn op ondermijning is elk individueel geval al interessant. Daarom zijn afwijkingen van het gemiddelde (en de significantie daarvan) dus niet het allerbelangrijkst.
  • Significantie is moeilijk uit te leggen voor mensen die niet statistisch onderlegd zijn.
  • Het is lastig om een p-waarde in te stellen die laag genoeg is: we kijken naar duizenden verschillende patronen, waardoor er altijd wel een keer een willekeurig patroon als ‘significant’ zal worden bestempeld. Dit heet ook wel het multiple comparisons problem.

Verdiepende informatie misbruik van vastgoed

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

Beperkingen bij het bepalen van woningeigenaren:

  • Wanneer een woning twee of meerdere eigenaren heeft, staat alleen degene geregistreerd die de WOZ-aanslag op zijn/haar naam heeft. Dit is standaard de oudste persoon (man, wanneer eigenaren even oud zijn), maar kan op verzoek van de eigenaren aangepast zijn. Om een goede indicatie te krijgen van het aantal eigenaren dat tot een profiel behoort, moet eigenlijk naar alle eigenaren van een woning worden gekeken. In theorie zouden personen die aan een profiel voldoen mede-eigenaar kunnen zijn van een woning, maar om voorgenoemde niet als eigenaar te boek staan. Een deel van de gehele groep eigenaren is dus niet meegenomen in de analyses. Dit kan effect hebben op de profielen laag inkomen en vermogen en veroordeelde eigenaar.
  • Bij 3 procent van de woningen is de eigenaar onbekend. Van een deel hiervan is ook onbekend of de eigenaar een natuurlijk persoon of een rechtspersoon is. Aangezien de meeste analyses zijn gedaan met particuliere woningdata (waarbij de eigenaar een natuurlijk persoon is), zal het daadwerkelijke aantal particuliere eigenaren iets hoger liggen. Dit kan dan ook weer effect hebben op de uitkomsten.

Beperkingen bij het bepalen van bestuurders van stichtingen:

  • Het werkelijke aantal stichtingen kan afwijken van het aantal dat ingeschreven staat bij de Kamer van Koophandel. Dit komt doordat de op dat moment verantwoordelijke functionaris zorg moet dragen voor de uitschrijving van zijn/haar stichting wanneer deze stopt met haar activiteiten. Wanneer dit niet gebeurt, staat de stichting nog steeds als actief in het register, terwijl deze niet meer actief is.
  • De oprichtingsdatum is niet altijd bekend, waardoor niet duidelijk is of de stichting voor of na 1 januari van het verslagjaar is opgericht. Voor de huidige analyse zijn de stichtingen met onbekende oprichtingsdatum niet meegenomen.
  • Een deel van de stichtingen heeft een onbekende bestuurder. Deze onbekende bestuurders zijn niet meegenomen in de analyses waar de profielen worden gekruist met bestuurders van stichtingen, en niet in de analyses van de beroepsbestuurders.
  • Een deel van de stichtingen heeft een onbekende postcode, waardoor analyses naar gemeente niet mogelijk zijn. Het aantal stichtingen op gemeenteniveau valt in werkelijkheid dus hoger uit.

Beperkingen bij het bepalen van delicten:

  • Het oorspronkelijke OM-uitstroombestand bevat meerdere delicten per feit en meerdere feiten per zaak. Om een voor deze analyses geschikt microdatabestand te maken, heeft het CBS een aantal keuzes gemaakt wat betreft selecties van feiten, delicten en afdoeningen. Dit betekent dat voor de huidige analyse per zaak beschikbaar is:
    1. het zwaarste delict in de zaak (oftewel het delict met de zwaarste strafdreiging);
    2. de laatst bekende afdoening in de zaak binnen een jaar, behalve in het geval van strafbeschikkingen. Deze zijn per definitie de afdoening horende bij de zaak, ook al is er na de strafbeschikking een andere beslissing genomen door het OM.

    Door bovengenoemde selecties kan het voorkomen dat de laatste afdoening niet persé gaat over het zwaarste delict. Dus zaken waarin een zwaar vermogensdelict niet het zwaarste delict is, worden dus niet meegenomen met de telling van het aantal zware vermogensdelicten en de telling van de afdoeningen van zware vermogensdelicten kloppen door bovengenoemde keuzes ook niet altijd. Bijvoorbeeld: levens- en zedendelicten kennen in de regel een zwaardere strafdreiging. Deze factoren kunnen effect hebben op het percentage woningeigenaren dat veroordeeld is voor een zwaar vermogensdelict.

Beperkingen bij het bepalen van personen met buitenlands adres:

  • Woningeigenaren die nog nooit een relatie hebben gehad met de Nederlandse staat komen niet voor in de bestanden. Daardoor blijven deze personen buiten beschouwing in deze indicator.
  • Woningeigenaren die voor aanvang van de BRP in 1995 zijn geëmigreerd en geen pensioen of AOW-uitkering krijgen, kunnen niet geïdentificeerd worden. Als geëmigreerde personen wél een AOW-uitkering krijgen vanuit Nederland is dat wel mogelijk.
  • Eigenaren van vastgoedobjecten zijn bij het Kadaster altijd bekend. Ook als die eigenaar een natuurlijke persoon is, is het BSN van die eigenaren niet altijd bekend. Buitenlandse eigenaren registreren zich niet altijd in het Register Niet-Ingezetenen (RNI) binnen de BRP. Voor de risico-indicator eigenaren met een buitenlands adres zijn gegevens uit de BRP nodig. Als de BSN ontbreekt, kunnen we voor die eigenaren dus niet bepalen of zij binnen de gehanteerde definitie van een eigenaar met een buitenlands adres vallen.

De analyse

Voor deze analyse zijn er 7 profielen van particuliere woningeigenaren afgeleid:

  1. laag inkomen en vermogen (minstens 1 woning);
  2. laag inkomen en vermogen (minstens 2 woningen);
  3. veroordeelde eigenaren;
  4. beroepsbestuurders van stichtingen;
  5. alleenbestuurders van stichtingen;
  6. doorsluishuizen;
  7. buitenlands adres.

De resultaten van deze analyses worden in het dashboard over drie verschillende pagina's in het onderdeel Vastgoed weergegeven:

  • Omvang per profiel , geeft voor de bovengenoemde profielen het voorkomen (percentage woningen) in de particuliere woningmarkt van Nederland en, wanneer beschikbaar, de totale WOZ-waarde van deze woningen per gemeente. Hierbij kan (voor profielen 1 tot en met 6) tevens worden gekeken of de woningeigenaren tegelijkertijd bestuurder van (een) stichting(en) zijn;
  • Profiel naar wijk , geeft voor de bovengenoemde profielen het voorkomen (percentage woningen) in de particuliere woningmarkt van Nederland per gemeente en per wijk.

Verdere uitleg van de profielen wordt gegeven op de begrippenpagina. De resultaten van de analyses geven inzicht in trends en patronen en lenen zich niet voor opsporingsdoeleinden. Wel kunnen de resultaten kansrijke zoekgebieden identificeren en zo richting geven aan bestaande interventies en beleidskeuzes van alle veiligheidspartners.

De populatie

De getoonde aantallen en percentages in het vastgoeddeel van dit dashboard zijn woningen die in bezit zijn van een natuurlijk persoon (op 1 januari van het peiljaar). Voor het profiel doorsluishuis wordt ook het percentages van transacties (verkopen) getoond over de periode (1995-peiljaar). Ook voor de transacties is een selectie gemaakt op woningtransacties waarvan de koper een natuurlijk persoon is. Verder zijn voor de analyses van de profielen in combinatie met stichtingen alleen woningeigenaren geselecteerd die vóór 1 januari van het peiljaar bestuurder waren van een stichting.

Methode

Bij het interpreteren van de uitkomsten in de tabellen en grafieken is het belangrijk om rekening te houden met de manier waarop de percentages van de profielen berekend zijn. De percentages zijn namelijk berekend over het aantal particuliere woningen in een bepaalde gemeente of wijk (en niet over het aantal particuliere eigenaren). Voorbeeld: 5,5 procent van alle particuliere woningen in Amsterdam heeft een veroordeelde eigenaar. Daarnaast gaat het om het aantal particuliere woningen. Dit betekent dat woningen in het bezit van niet-natuurlijke personen (bijvoorbeeld bedrijven, stichtingen, woningbouwverenigingen), buiten beschouwing worden gelaten. Bij de profielen die betrekking hebben op bestuurders van stichtingen, gaat het dus nadrukkelijk niet om panden in eigendom van de stichting.

Onbekende eigenaren

Sinds de update van juli 2020 bevatte het dashboard Zicht op Ondermijning een risico-indicator Onbekende eigenaar. Met dat profiel werd geprobeerd inzicht te geven in de aantallen woningen in gemeenten en wijken waarvan de eigenaar niet bekend was. Dat gebeurde op drie manieren:

  1. Het fiscaalnummer van de eigenaar ontbrak in de gebruikte eigendomsbestanden;
  2. Het fiscaalnummer van de eigenaar die een natuurlijk persoon was, kwam niet voor in de Basisregistratie Personen (BRP);
  3. Het fiscaalnummer van de eigenaar die een rechtspersoon was (het RSIN), kwam niet voor in het Algemeen Bedrijven Register (ABR).

Een nadere analyse in samenwerking met de Belastingdienst heeft uitgewezen dat het profiel geen juist beeld gaf van onbekende woningeigenaren in de context van ondermijnende criminaliteit. De grote omvang van en dynamiek in het profiel hingen grotendeels samen met ontwikkelingen in de kwaliteit van de gebruikte administraties, een correctie op overleden woningeigenaren en de effecten van nieuwe of gefuseerde gemeenten.

Het profiel is om die reden eind januari 2021 van het dashboard verwijderd. De eerder gepubliceerde resultaten lenen zich niet voor conclusies over de aantallen woningen waarvan de eigenaar onbekend zou zijn. Neem voor verdere vragen contact op met zichtopondermijning@ictu.nl .

Bronbestanden

Om de profielen in beeld te brengen, zijn verschillende aanvullende bronnen gebruikt:

  • Voor de analyses van de profielen beroepsbestuurder en alleenbestuurder is gebruik gemaakt van gegevens van de Kamer van Koophandel. Het gaat hier dan om gegevens van alle bestuurders (natuurlijke personen) in Nederland die volgens dit register bestuurder zijn van een vereniging of stichting in het gekozen peiljaar.
  • Voor de analyses van de profielen geldt dat de eigenaar van de woning een natuurlijk persoon is (geen rechtspersoon). De profielen veroordeelde eigenaar en laag inkomen en vermogen zijn berekend met een woningvoorraad microdatabestand (met gegevens afkomstig van onder andere het Kadaster) en het profiel doorsluishuis is berekend met een transactiebestand geleverd door het Kadaster. Om te bepalen of een eigenaar veroordeeld is geweest, is gebruik gemaakt van een OM-uitstroom bestand.
  • Het profiel buitenlands adres is berekend met behulp van het register van niet-ingezetenen. Verder wordt het Algemeen Bedrijven Register van het CBS gebruikt om woningen die in het bezit zijn van rechtspersonen te identificeren.

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

Beperkingen bij het bepalen van het inkomen en vermogen van de koper

  • Transacties door natuurlijke personen waarbij het inkomen en/of het vermogen onbekend zijn bij het CBS zijn buiten beschouwing gelaten.

Beperkingen bij het bepalen van de identiteit van de koper

  • Bij het bepalen van de koper kent deze analyse een aantal beperkingen. Ten eerste kan alleen de identiteit van de laatste koper van een woning in het desbetreffende peiljaar worden achterhaald aan de hand van de CBS-woningvoorraad. Ten tweede is gebleken dat er soms wél een woningtransactie is, maar er volgens de CBS-woningvoorraad geen sprake is van een andere eigenaar. Deze gevallen zijn buiten beschouwing gelaten in de analyse. Daarnaast kan het zijn dat de koper onbekend is omdat de woning niet voorkomt in de woningvoorraad (CBS microdata) of omdat de eigenaar (laatste koper) in de woningvoorraad onbekend is.

Beperkingen inzicht in inkomsten en vermogen

  • De hoogte van het spaardeel in spaar- en beleggingshypotheken is niet bekend bij de Belastingdienst en het CBS. Hierdoor kan er bij de verkoop van een vorig huis geld vrijkomen waar we geen zicht op hebben. Inkomsten uit verhuurd vastgoed vallen in box 3 en neemt de Belastingdienst niet waar. Deze inkomsten zijn voor deze analyse geschat op 5,3 procent: (het hoogste percentage in box 3) van de waarde van het vastgoed, maar kunnen in de praktijk hoger zijn. Hetzelfde geldt voor het rendement op effecten (aandelen en opties) in box 3. Dit rendement is ook geschat op 5,3 procent, maar kan in de praktijk anders zijn.

Gemeentelijke indeling

  • In de analyse en de kaartjes is de gemeentelijke indeling van 2019 aangehouden.

De analyse

Dit onderdeel van het dashboard geeft weer hoeveel woningen in een gemeente, wijk of buurt zijn gekocht door een huishouden (natuurlijke personen) met een onverklaarbare som geld. Deze woningaankopen worden gedefinieerd als 'onverklaarbare woningaankopen'. Voor elke gemeente, wijk en buurt is het absolute aantal en het percentage onverklaarbare woningaankopen berekend, alsmede de gemiddelde onverklaarbare som geld die hiermee gemoeid is. Op de dashboardpagina onder 'kies een variabele' kan gekozen worden voor 'percentage' of 'onverklaarbare som'. Wanneer men klikt op 'percentage' worden de gemeenten, wijken en buurten op de kaart donkerder van kleur naarmate het percentage onverklaarbare woningaankopen hoger ligt. Wanneer men klikt op 'onverklaarbare som' worden de gemeenten, wijken en buurten op de kaart donkerder van kleur naarmate de gemiddelde onverklaarbare som geld hoger ligt.

De populatie

De getoonde aantallen en percentages hebben betrekking op particuliere woningen die gekocht zijn door een huishouden (één of meer natuurlijke personen) met een onverklaarbare som geld in het desbetreffende peiljaar.

Er is een selectie gemaakt van woningtransacties waarbij het huishouden van de koper gelijk is gebleven tussen 1 januari van het peiljaar t en 1 januari van het daaropvolgende jaar t+1. Er zijn dus geen personen in het huishouden bijgekomen (bijvoorbeeld bij samenwonen), of weggegaan. Op die manier kunnen veranderingen in het huishouden ook niet het maximaal te besteden bedrag beïnvloeden.

Ten slotte is steeds alleen de laatste transactie geselecteerd als er in het peiljaar meerdere transacties van één woning zijn. De reden hierachter is dat alleen bij deze transacties de koper kan worden achterhaald.

Methode

Bij het interpreteren van de uitkomsten in de tabellen en grafieken is het belangrijk om rekening te houden met de manier waarop de percentages berekend zijn. De percentages zijn namelijk berekend over het aantal particuliere woningaankopen in een bepaalde gemeente, wijk of buurt (en niet over het aantal particuliere eigenaren). Bijvoorbeeld: 5,5 procent van alle woningaankopen in Amsterdam is gedaan door huishoudens met een onverklaarbare som geld.

Daarnaast gaat het om het aantal particuliere woningen. Dit betekent dat woningen gekocht door niet-natuurlijke personen (bedrijven, stichtingen, woningbouwverenigingen) buiten beschouwing worden gelaten.

Definitie onverklaarbare som geld

Uitgegeven bedrag dat aan de hand van de financiële gegevens van de Belastingdienst en de transactiegegevens van het Kadaster niet herleidbaar is. De herkomst van het geld waarmee de uitgaven zijn gedaan is daardoor onbekend. Zie de tabel met gemiddelde waarden op de dashboardpagina voor meer informatie over de berekening en de gebruikte gegevens.

Berekening onverklaarbare som geld

Om tot de onverklaarbare som geld te komen wordt eerst het maximaal te besteden bedrag per huishouden berekend (zie formule hieronder), daarna wordt dit bedrag afgetrokken van de aankoopprijs van de woning. Het maximaal besteedbaar bedrag is een bedrag dat een huishouden maximaal te besteden heeft volgens de financiële gegevens van de belastingdienst en de transactiegegevens van het kadaster.

Maximaal besteedbaar bedrag * bestaat uit:

  • Huishoudinkomen
  • Geschatte inkomsten uit onroerend goed
  • Geschatte waardestijging effecten en aanmerkelijk belang
  • Verkrijgingen (erfenissen)
  • Schenkingen (netto schenkbedrag)
  • Verkochte woningen
  • Verkocht overig onroerend goed (niet woningen)
  • Mogelijk gebruikt ondernemingsvermogen
  • Ingelegde bank- en spaartegoeden
  • Mogelijk verkocht aanmerkelijk belang
  • Mogelijk verkochte overige bezittingen
  • Mogelijk verkochte effecten
  • Toegenomen schulden

* Het maximaal besteedbaar bedrag kan ook negatief zijn. De schulden kunnen bijvoorbeeld zijn afgenomen in plaats van toegenomen en het spaargeld kan juist zijn toegenomen in plaats van afgenomen. Een negatief maximaal besteedbaar bedrag betekent dat er per definitie sprake is van een onverklaarbare som geld, omdat er niet genoeg geld is geweest om te besteden aan de woning(en).

Bronbestanden

Er is voor deze analyse gebruik gemaakt van de volgende bestanden:

  • Eigendom en eigenaar van woningen (EIGENDOMTAB). Dit bestand geeft informatie over de jaarlijks vastgestelde eigendomssituatie van de woningvoorraad;
  • Bestaande Koopwoningen (BKW) transactiebestand 1995-2016 samengesteld door het Kadaster. Bevat gegevens over alle woningtransacties tussen natuurlijke personen vanaf 1995 tot en met 2016;
  • Inkomen van personen (INPATAB). Dit bestand bevat het inkomen op jaarbasis van personen op 1 januari van het peiljaar. Dit bestand vervangt vanaf 2011 het bestand Integraal persoonlijk inkomen;
  • Vermogens van huishoudens (VEHTAB). Bevat gegevens over de vermogens op 1 januari van het peiljaar van huishoudens die behoren tot de bevolking van Nederland aan het einde van het jaar voorafgaande aan het peiljaar. Dit bestand vervangt vanaf 2011 het Integraal Vermogensbestand (SCHTAB);
  • Verkrijgingen uit nalatenschappen van overledenen (VRKTAB). Verkrijgers van nalatenschappen van in het verslagjaar overleden personen waarvoor belastingaangifte successierecht is gedaan.

Verdiepende informatie drugsproblematiek

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • De gegevens in het kaartje betreffen de woongemeente van personen; de lijngrafieken de gemeenten waarin zij delicten plegen.
  • De gegevens geven niet per se een indicatie van de omvang van drugsproblematiek in de gemeente, maar van het aantal delicten dat door de politie wordt geregistreerd. Dit kan een vertekening van de werkelijkheid zijn. Patronen over de jaren hoeven geen indicatie te zijn van een toe- of afname van criminaliteit, maar kunnen ook veroorzaakt worden door veranderingen in beleid of focus van de politie;
  • De aantallen delicten, verdachten en veroordeelden zijn afgerond op het dichtstbijzijnde tiental. Vanwege risico op herleidbaarheid zijn aantallen kleiner dan tien ook naar tien afgerond;
  • De afgebeelde aantallen verdachten hebben betrekking op de door de politie geregistreerde verdachten - personen tegen wie een redelijk vermoeden van schuld aan een misdrijf bestaat. Het gaat hier dus niet om aangehouden verdachten - personen tegen wie een proces-verbaal van misdrijf is opgemaakt. Een deel van de geregistreerde verdachten blijkt later niet bij het misdrijf betrokken te zijn of wordt om een andere reden niet officieel door de politie aangehouden.

De analyse

De regionale inzichten op deze pagina zijn gebaseerd op frequentietabellen van het aantal unieke geregistreerde verdachten en veroordeelden van drugs- en vermogensdelicten in een gemeente of wijk. Dit aantal wordt afgezet tegen alle inwoners van de gemeente of wijk. Omdat de aantallen verdachten per jaar op gemeente- en wijkniveau te klein zijn om te kunnen tonen, zijn deze aantallen samengevoegd in twee periodes. Het aantal inwoners van de gemeente of wijk betreft het gemiddelde aantal in deze periode.

Voor drugsdelicten is, naast het totale aantal verdachten, het aantal jonge verdachten (12 tot en met 23 jaar) berekend. Binnen de vermogensdelicten worden verdachten van witwassen apart getoond. Het aantal veroordeelden voor dit type delict is, ook per periode, te klein om op dit dashboard te kunnen laten zien en is daarom buiten beschouwing gelaten.

Daarnaast is een overzicht gemaakt van de aantallen geregistreerde drugsdelicten en de daarbij betrokken verdachten die over de jaren gepleegd werden in aan Zicht op Ondermijning deelnemende gemeenten en de tien RIEC-regio's in Nederland. Er worden vijf verschillende drugsdelicten getoond, namelijk bezit van en handel in softdrugs en harddrugs en vervaardiging van softdrugs. Omdat het aantal registraties van vervaardiging van harddrugs per gemeente te klein is om te kunnen tonen, is dit type delict buiten beschouwing gelaten.

De populatie

De populatie voor de regionale analyse betreft alle personen die in een verslagjaar volgens de BRP in een Nederlandse gemeente ingeschreven stonden. Verdachten betreffen personen die in dat jaar door de politie als verdachte van een misdrijf in de betreffende categorieën werden geregistreerd. Veroordeelden zijn personen die in het verslagjaar door de rechter schuldig werden verklaard aan een misdrijf (met of zonder straf) of door het Openbaar Ministerie (OM) een strafbeschikking, transactie of voorwaardelijk sepot opgelegd kregen. Wanneer een persoon in een periode meerdere keren als verdachte of veroordeelde geregistreerd werd, is de persoon maar één keer meegeteld.

De populatie van de analyse van het aantal drugsdelicten en -verdachten per jaar betreft alle drugsdelicten in een bepaald jaar en de verdachten (dus niet veroordeelden) die daarbij geregistreerd werden. Wanneer personen in een jaar meerdere keren als verdachte van een bepaald type drugsmisdrijf geregistreerd werden, zijn ze hierbij maar één keer meegenomen. Ook delicten waarbij meerdere verdachten geregistreerd werden, zijn slechts één keer meegeteld.

Methode

De analyse bestaat uit frequentietabellen van het aantal delicten, verdachten en veroordeelden in een bepaalde periode en een bepaald gebied. De periode refereert in dit geval aan het jaar waarin het delict of de verdachte door de politie is geregistreerd of waarin de persoon werd veroordeeld. De gemeentecode van de woonplaats van de verdachte/veroordeelde of pleeglocatie van het delict is gebruikt om resultaten uit te splitsen naar gemeente of RIEC-regio.

Bronbestanden

Er is voor deze analyse gebruik gemaakt van een maatwerkbestand met persoonskenmerken van alle verdachten van drugsdelicten in de periode 2012 tot en met 2016 (maatwerkbestand Analysebestand CD Drugs Persoonskenmerken 2012-2016). Dit bestand is samengesteld uit de volgende bronnen:

  • Basisvoorziening Handhaving (BVH) van de politie;
  • Uitstroom OM;
  • Uitstroom rechter;
  • Basisregistratie Personen (BRP) van gemeenten;

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Deze analyse is uitgevoerd voor de periode 2012 tot en met 2018 en bevat alleen verdachten uit politie registraties. Dit betekent dat de persoonskenmerken niet de gehele groep van mensen betrokken bij drugscriminaliteit beschrijft.
  • De data bevatten voor een aantal verdachten onbekende gegevens. Niet alle kenmerken zijn altijd beschikbaar, bijvoorbeeld als een verdachte niet in Nederland woont.
  • In verband met het risico op onthulling worden voor sommige categorieën geen resultaten in de figuren getoond. Deze categorieën worden onderdrukt. Zie de verdiepende informatie over dit onderwerp.
  • De hier afgebeelde aantallen verdachten hebben betrekking op de door de politie geregistreerde verdachten - personen tegen wie een redelijk vermoeden van schuld aan een misdrijf bestaat. Het gaat hier dus niet om aangehouden verdachten - personen tegen wie een proces-verbaal van misdrijf is opgemaakt. Een deel van de geregistreerde verdachten blijkt later niet bij het misdrijf betrokken te zijn of wordt om een andere reden niet officieel door de politie aangehouden.
  • De uit de BRP afgeleide woonadressen hoeven niet feitelijk aan te sluiten op de werkelijkheid. Personen kunnen zich inschrijven op een adres, maar daar niet daadwerkelijk woonachtig zijn. Hierdoor kunnen de aantallen en percentages die betrekking hebben op het huishouden, woonplaats en huishoudsamenstelling bij sommige verdachten niet correct zijn en kan het daadwerkelijke aantal licht afwijken.
  • De percentages in de tabellen tellen niet altijd op tot 100 procent als gevolg van afronding.

De analyse

Deze analyse beschrijft de persoonskenmerken van verdachten van drugsdelicten. Van elk van de zes gehanteerde delicten wordt een aantal frequentietabellen gegenereerd over verschillende persoonskenmerken. Elk kenmerk kan tussen gemeenten of RIEC-regio's worden vergeleken op een drugsfeit, of kan binnen een gemeente of RIEC-regio tussen de drugsfeiten worden vergeleken. De volgende kenmerken zijn geanalyseerd:

  • Leeftijd
  • Geslacht
  • Migratie achtergrond
  • Generatie migratieachtergrond
  • Plaats in huishouden
  • Sociaaleconomische status
  • Type woning (koop of huurwoning)
  • Woonplaats

De populatie

De populatie voor deze analyse bestaat uit verdachten van de zes drugsdelicten die tussen 2012 en 2014 of tussen 2015 en 2018 in de politiesystemen zijn geregistreerd. Persoonskenmerken uit de BRP en SSB zijn gekoppeld aan de Basisvoorziening Handhaving (BVH) van de politie zodat een beeld kan worden geschetst van kenmerken van verdachten. Voor deze analyse is een filtering gemaakt op unieke verdachten in de periode 2012-2018. Als een verdachte meerdere keren voor hetzelfde drugsfeit in dezelfde stad staat geregistreerd, worden de kenmerken gebruikt van het meest recente delict.

Methode

De frequentietabellen zijn opgenomen voor elke gemeente-drugsfeit combinatie (bijvoorbeeld verdachten van bezit van harddrugs in Amsterdam) en voor elk van de kenmerken die hierboven zijn genoemd. Voor de meeste kenmerken hier genoemd, worden bestaande CBS categorieën gebruikt. De variabele leeftijd is in een aantal discrete categorieën opgedeeld. Voor woonplaats is de codering aangepast om weer te geven of de woonplaats van de verdachte overeenkomt met de gemeente waar het delict is gepleegd of dat de verdachte een andere woonplaats heeft.

Bronbestanden

Er wordt voor deze analyse gebruik gemaakt van een maatwerkbestand met persoonskenmerken van alle verdachten van drugsdelicten in de periode 2012 tot en met 2018. Dit bestand is samengesteld uit de volgende bronnen:

  • Basisvoorziening Handhaving (BVH) van de politie;
  • Basisregistratie Personen (BRP) van gemeenten;
  • Stelsel van Sociaal Statistische Bestanden (SSB);

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Een clusteranalyse is een unsupervised vorm van machine learning. Dit betekent dat er weinig sturing is op wat de uitkomst van het model is. De clusters die hier zijn geformuleerd zijn zo gekozen omdat ze uitlegbare profielen weergeven van verdachten. Er zijn meerdere profielen te formuleren vanuit de data en er is geen oplossing die als correct kan worden bestempeld. Interpretatie en bruikbaarheid zijn belangrijk bij een clusteranalyse.
  • Deze analyse is uitgevoerd op data die alleen verdachten uit politie registraties bevat. Dit betekent dat de persoonskenmerken niet de gehele groep van mensen betrokken bij drugscriminaliteit beschrijft. Niet-geregistreerde drugsdelicten blijven buiten beschouwing.
  • Omdat een aantal gegevens soms ontbreekt in de dataset is er bij de meeste drugsfeiten een cluster 'onbekend' gemaakt. Dit profiel bevat de verdachten waarbij veel gegevens onbekend zijn. De redenen dat de gegevens onbekend zijn, kunnen verschillen tussen bronnen en tussen verdachten, bijvoorbeeld omdat iemand in het buitenland woont. Deze onbekend-categorie wordt alleen gemaakt als deze minstens 5% van de groep verdachten omvat.

De analyse

Om profielen van verdachten te bepalen op basis van kenmerken is een clusteranalyse uitgevoerd op de verdachtenpopulatie in Nederland. Een clusteranalyse classificeert groepen op basis van gelijke kenmerken. Deze kenmerken worden niet vooraf meegegeven, maar door de data bepaald. De statistische analyse gaat op zoek naar groepen van verdachten waarbij de verschillen binnen de groep zo klein mogelijk zijn en de verschillen tussen de groepen zo groot mogelijk. Het doel van het uitvoeren van de clusteranalyse is om subgroepen van verdachten te identificeren binnen een type drugsdelict. De analyse is uitgevoerd op hetzelfde databestand als waarop de beschrijvende analyse van persoonskenmerken is gedaan, op basis van persoonskenmerken van verdachten van verschillende drugsdelicten. De analyse is per drugsfeit uitgevoerd. De volgende kenmerken zijn meegenomen in de analyse:

  • Geslacht
  • Leeftijd
  • Plaats in huishouden
  • Sociaaleconomische status
  • Opleidingsniveau
  • Type woning
  • Woonplaats (ten opzichte van de pleegplaats van het delict)
  • Totaal keer verdacht van drugsdelicten in de gekozen periode

Daarnaast is per gemeente nagegaan welk percentage van de drugsverdachten in de gemeente in de verschillende profielen valt.

De populatie

De clusteranalyse is uitgevoerd op verdachten van bezit, handel in en vervaardiging van softdrugs of harddrugs. Deze populatie is op dezelfde manier tot stand gekomen als voor de beschrijvende analyse op persoonskenmerken. In deze analyse zijn unieke verdachten per drugsfeit meegenomen en de data voor heel Nederland is gebruikt. Verdachten die voor hetzelfde drugsfeit meerdere keren verdacht zijn geweest (onafhankelijk van de pleegplaats) zijn in deze analyse maar een keer meegenomen. Het meest recente delict is hierbij het uitgangspunt geweest.

Methode

Voor de clusteranalyse wordt er gebruik gemaakt van een k-prototypes algoritme. Dit algoritme combineert de methode om numerieke variabelen te clusteren ( k-means ) en de methode om categorische variabelen te clusteren ( k-modes ). De clusteranalyse berekent voor elke verdachte de afstand tussen de data van de verdachte en de andere verdachten in de dataset. Deze afstand geeft aan in hoeverre de verdachte op de verschillende variabelen veel lijkt op andere verdachten in de dataset. Op basis van deze afstanden worden er groepen gemaakt die dicht bij elkaar liggen en een grote afstand hebben tot de andere groepen. Voor de numerieke variabelen wordt de Euclidean distance maat gebruikt. Voor de categorische variabelen wordt de simple matching techniek gebruikt.

De analyse is uitgevoerd voor elk drugsfeit apart. Voor elk van deze drugsfeiten zijn drie clusters geselecteerd op basis van het aantal verdachten in het cluster, waarbij de grootste clusters zijn gekozen. Deze drie profielen worden gevisualiseerd in dit dashboard door de kenmerken van verdachten in elk profiel weer te geven. Het meest voorkomende kenmerk wordt in elk diagram uitgelicht.

Bronbestanden

Er wordt voor deze analyse gebruik gemaakt van een maatwerkbestand met persoonskenmerken van alle verdachten van drugsdelicten in de periode 2012 tot en met 2019. Dit bestand is samengesteld uit de volgende bronnen:

  • Basisvoorziening Handhaving (BVH) van de politie;
  • Basisregistratie Personen (BRP) gemeenten;
  • Hoogst behaalde opleiding in 2018 (HOOGSTEOPLTAB);
  • Huishoudenskenmerken (GBAHUISHOUDENSBUS);
  • Sociaaleconomische categorie (SECMBUS);
  • Eigendom van woningen (EIGENDOMTAB)

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Bij de duiding van de aantallen is het belangrijk om de periode van levering in acht te nemen. Deze verschilt per databron. Het aantal hennepruimingen kan in een bepaalde gemeente dus groter zijn dan in andere gemeenten, omdat er voor een langere periode data beschikbaar zijn.
  • De periode geeft per bron aan voor welke jaren er gegevens aangeleverd zijn. Dit wil niet zeggen dat er in iedere gemeente binnen de aangegeven periode ook daadwerkelijk ieder jaar hennepkwekerijen zijn geruimd.
  • Wanneer een locatie zowel in de landelijke als in de gemeentelijke dataset voorkomt, is deze in beide datasets behouden. De aantallen vanuit de beide bronnen kunnen daarom niet bij elkaar opgeteld worden om tot een totaal aantal ruimingen te komen.
  • Als voor een gemeente alleen geruimde hennepkwekerijen bekend zijn vanuit de landelijke bron is er sowieso sprake van een onderschatting van het aantal hennepruimingen. Deze aantallen kunnen verschillen van wat er lokaal bekend is. De onderschatting is bovendien niet voor alle gemeenten even groot.
  • De aantallen geruimde hennepkwekerijen uit de landelijke bron op deze pagina zijn lager dan de aantallen die Domeinen Roerende Zaken zelf registreert. DRZ registreert namelijk alleen adressen. Om de ruimingen naar locatie te plotten, zijn ook postcodes benodigd. Die zijn voor ongeveer twee derde van de locaties beschikbaar. De kaarten op deze pagina bevatten alleen de locaties van geruimde hennepkwekerijen waarvan ook die postcode bekend is. Ze geven dus een onderschatting van het daadwerkelijk aantal geruimde hennepkwekerijen in een gemeente of wijk.

De analyse

Het doel van deze analyse is om kenmerken van geruimde hennepkwekerijen van de afgelopen jaren in beeld te brengen. Als eerste stap in deze analyse is, per gemeente en wijk, in kaart gebracht hoeveel hennepkwekerijen er de afgelopen jaren werden geruimd.

De percentages die worden gevisualiseerd, geven aan in welke gemeenten in Nederland relatief veel hennepkwekerijen zijn aangetroffen, ten opzichte van het aantal panden in de gemeente. Daarnaast is er binnen een gemeente te zien in welke wijken de kwekerijen voorkomen. Aantallen kleiner dan tien worden niet getoond, waardoor er op wijkniveau niet altijd gegevens kunnen worden gevisualiseerd.

De populatie

De populatie voor deze analyse bestaat uit een combinatie van meerdere datasets:

  • Een landelijke dataset met geruimde hennepkwekerijen in de periode 2015-2019, aangeleverd door Domeinen Roerende Zaken (DRZ).
  • Verschillende gemeentelijke datasets met locaties van geruimde hennepkwekerijen. Deze gemeenten hebben voor verschillende periodes data geleverd. Daarom verandert de aangegeven periode met de geselecteerde gemeente.
  • Almere
  • Arnhem
  • Beesel
  • Breda
  • Brunssum
  • Coevorden
  • Dalfsen
  • Deventer
  • Echt-Susteren
  • Eindhoven
  • Groningen
  • Hardenberg
  • Harderwijk
  • Heerlen
  • Helmond
  • 's-Hertogenbosch
  • Kampen
  • Landgraaf
  • Lelystad
  • Leudal
  • Maastricht
  • Meerssum
  • Mook en Middelaar
  • Nederweerd
  • Olst-Wijhe
  • Ommen
  • Peel en Maas
  • Putten
  • Raalte
  • Rotterdam
  • Sittard-Geleen
  • Staphorst
  • Steenwijkerland
  • Tilburg
  • Venray
  • Voerendaal
  • Voorst
  • Weesp
  • Westerveld
  • Zutphen
  • Zwartewaterland
  • Zwolle

De verschillende gemeentelijke databronnen zijn gecombineerd. Daarbij zijn dubbele ruimingen op hetzelfde adres, waarbij de ruimingsdata minder dan 2 maanden van elkaar verschillen, verwijderd. Deze registraties betreffen dan hoogstwaarschijnlijk dezelfde hennepkwekerij, waarbij er een strafrechtelijke én bestuursrechtelijke ruiming is geweest. Ook in de landelijke dataset zijn dubbele registraties op deze manier verwijderd.

Ruimingen die zowel in de landelijke als in de gemeentelijke gegevens voorkomen zijn niet ontdubbeld en dus in beide databronnen behouden. De landelijke en gemeentelijke gegevens kunnen daardoor deels overlappen. De aantallen vanuit beide bronnen kunnen daarom niet bij elkaar opgeteld worden om tot een totaal aantal ruimingen te komen.

Methode

Aan de adressen van geruimde hennepkwekerijen zijn eerst gemeente- en wijkcodes gekoppeld, zodat de aantallen kwekerijen per gemeente en wijk konden worden bepaald. De periode is per dataset bepaald door te kijken naar het jaargang van de eerste en laatste ruiming (in de onderzoeksperiode) in de desbetreffende dataset. Deze periode geeft dus aan voor welke jaren er gegevens beschikbaar zijn.

Vervolgens zijn de percentages per gemeente berekend ten opzichte van het gemiddelde aantal panden in de gemeente in de betreffende periode. Daarnaast zijn ook percentages per wijk berekend ten opzichte van het gemiddelde aantal panden in de wijk.

Tot slot is voor de aan Zicht op Ondermijning deelnemende gemeenten die zelf aanvullende gegevens hebben aangeleverd per jaar bepaald hoeveel hennepkwekerijen er zijn geruimd. Hierbij zijn alleen gegevens uit de gemeentelijke dataset meegenomen. Ook hier zijn de aantallen afgezet tegen het aantal panden in de betreffende gemeente in dat jaar.

Bronbestanden

  • Bestand met adressen van strafrechtelijk geruimde hennepkwekerijen in Nederland (2015-2019), afkomstig van het DRZ;
  • Bestand met adressen van geruimde hennepkwekerijen in verschillende gemeenten in Nederland, afkomstig van 42 gemeenten.

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Omdat in een drugslab meerdere typen drugs geproduceerd kunnen worden, tellen de aantallen en percentages per type drugs op tot meer dan het totaal.

De analyse

Het doel van deze analyse is om de kenmerken van synthetische drugslabs die de afgelopen jaren zijn geruimd in kaart te brengen. Als eerste stap in deze analyse is de spreiding van synthetische drugslabs over de tien RIEC-regio's in Nederland gevisualiseerd.

De populatie

De basis voor deze analyse vormt een bestand met de adressen van alle synthetische drugslabs die de afgelopen jaren in Nederland werden geruimd. Deze gegevens zijn afkomstig van de Landelijke Faciliteit Ondersteuning Ontmantelen (LFO). Ook bevat het bestand informatie over het type synthetische drugs dat in het betreffende lab werd geproduceerd: amfetamine, MDMA, methamfetamine, cocaïne, heroïne en/of overige drugs (bijv. GHB of LSD). Hoewel cocaïne en heroïne strikt genomen geen synthetische drugs zijn, komen er bij de vervaardiging van deze drugs wel degelijk chemische processen kijken. Om deze reden worden ook labs waarin cocaïne en/of heroïne geproduceerd werden hier tot de synthetische drugslabs gerekend.

Omdat aantallen kleiner dan 10 en daarop gebaseerde uitkomsten in het dashboard niet worden getoond, worden de drugslabs hier niet per gemeente, maar per RIEC-regio gevisualiseerd. Om dezelfde reden zijn methamfetamine, heroïne en overige drugs samengevoegd in de categorie overige drugs.

Methode

Aan de adressen van synthetische drugslabs zijn allereerst de regiocodes van de tien RIEC-regio's gekoppeld, zodat het aantal labs per RIEC-regio bepaald kon worden. Vervolgens zijn per regio percentages berekend voor het aantal drugslabs per regio ten opzichte van het totale aantal labs in Nederland en per type drugs ten opzichte van het totale aantal labs in de specifieke RIEC-regio.

Bronbestanden

  • Bestand met adressen van alle geruimde synthetische drugslabs in Nederland (2015-2020), afkomstig van de LFO.
  • Stelsel van Sociaal Statistische Bestanden (SSB).

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Dit betreft puur een visualisatie van rekenkundige gemiddelden voor de betreffende kenmerken, het aantal waarop deze gemiddelden zijn gebaseerd en de afwijking ten opzichte van een gemiddeld pand en buurt. Het betreft niet een toets op significantie.
  • De pand- en buurtkenmerken zijn niet geselecteerd op basis van risico. Het doel is om een algemeen beeld te geven van hoe een pand en buurt eruitzien en door middel van afwijkingen van een gemiddeld pand en buurt te laten zien wat opvalt.
  • Deze pand- en buurtkenmerken zijn gebaseerd op geruimde locaties (synthetische drugslabs en hennepkwekerijen) en betreffen dus niet alle panden betrokken bij drugscriminaliteit.
  • Er is geen uitsplitsing gedaan naar type drugs. Verschillende productiestadia voor verschillende type drugs zouden zich ook in andere typerende panden en buurten kunnen voordoen.
  • De verschillende stedelijkheidscategorieën bevatten allemaal genoeg synthetische drugslabs en hennepkwekerijen om een vergelijking naar mate van stedelijkheid te kunnen maken.
  • Vanwege het risico op herleidbaarheid zijn waarden gebaseerd op lage aantallen waarnemingen onderdrukt.
  • Pand- en buurtkenmerken zijn berekend voor heel Nederland als geheel en niet uitgesplitst naar regio. De enige uitsplitsing die is gedaan is naar mate van stedelijkheid.

De analyse

In deze analyse zijn pand- en buurtkenmerken van synthetische drugslabs, hennepkwekerijen en een gemiddeld pand geanalyseerd voor verschillende stedelijkheidscategorieën: 1) stedelijk (omgevingsadressendichtheid van 2500 adressen per km² of meer), (2) matig-stedelijk (omgevingsadressendichtheid van 500 tot 2500 adressen per km²), en (3) niet-stedelijk (omgevingsadressendichtheid van minder dan 500 adressen per km²).

De volgende kenmerken zijn meegenomen:

Voor deze kenmerken zijn rekenkundige gemiddelden berekend die zijn geaggregeerd voor heel Nederland en uitgesplitst naar mate van stedelijkheid (stedelijk, matig-stedelijk, niet-stedelijk). Deze uitsplitsing naar mate van stedelijkheid maakt de resultaten specifieker toepasbaar voor verschillende soorten gemeentes. De ene gemeente bestaat hoofdzakelijk uit buitengebied, terwijl de andere gemeente alleen maar hoog-stedelijke buurten bevat.

Histogrammen pandfunctie en het gebruik volgens de WOZ-registratie

Pandfunctie en het gebruik volgens de WOZ-registratie zijn categorische variabelen en worden in een histogram getoond. Een pand kan meerdere functies hebben. Er is één functie per pand geselecteerd behorende bij de kleinst voorkomende categorie in heel Nederland (volgorde van klein naar groot: cel, sport, onderwijs, gezondheidszorg, bijeenkomst, kantoor, logies, winkel, industrie, overige gebruikersfunctie, woon).

Pandkenmerken

Hier worden de rekenkundige gemiddelden van numerieke pandkenmerken getoond (zoals aantal bewoners, oppervlakte) en de afwijking van deze gemiddelden voor drugspanden ten opzichte van een gemiddeld pand. Deze kenmerken zijn uitgesplitst naar functie van het pand en de mate van stedelijkheid. Bijvoorbeeld de gemiddelde oppervlakte van industriepanden in niet-stedelijk gebied voor synthetische drugslabs. De afstand tot een weg is alleen beschikbaar voor bewoonde woningen. Het kan voorkomen dat deze soms gevuld is voor niet-woningen door de manier van selecteren van één functie per pand.

Buurtkenmerken

Hier worden de rekenkundige gemiddelden van numerieke buurtkenmerken getoond en de afwijking van deze gemiddelden voor synthetische drugslabs en hennepkwekerijen ten opzichte van een gemiddelde buurt. Zie StatLine (klik): Kerncijfers wijken en buurten (klik), Nabijheid voorzieningen (klik).

Stedelijkheid

Op deze pagina wordt getoond wat de pand- en buurtkenmerken zijn van synthetische drugslabs en hennepkwekerijen en hoe dit zich verhoudt tot de kenmerken van een gemiddeld pand en een gemiddelde buurt in Nederland. De kenmerken worden getoond op drie niveaus van ‘stedelijkheid’:

  1. Stedelijk: omgevingsadressendichtheid van 2 500 adressen per km² of meer;
  2. Matig-stedelijk: omgevingsadressendichtheid van 500 tot 2 500 adressen per km²
  3. Niet-stedelijk: omgevingsadressendichtheid van minder dan 500 adressen per km².

De volgende kaart laat voor iedere buurt in Nederland zien wat de mate van stedelijkheid is. Die kan verschillen binnen een gemeente: een buurt in het centrum zal dichter bevolkt zijn dan aan de gemeenterand. Kies onderin de kaart een RIEC-regio om in te zoomen op de gemeenten in dat gebied.

Loading...

Populatie

Per jaar in de periode 2015-2020 is een uniek pandenstandbestand opgezet: ergens in dat jaar moet dat pand bestaan volgens het bronbestand. Hieraan is een stedelijkheidscategorie gekoppeld op basis van de buurtcode van het pand. Op deze manier kan informatie aan een synthetische drugslab of hennepkwekerij worden gekoppeld voor het jaar van ruiming. Als pand- en/of buurtkenmerken niet beschikbaar zijn voor een specifiek jaar, is dit zoveel mogelijk opgevuld door een nabijgelegen beschikbaar jaar. Niet alle pand- en buurtkenmerken zijn voor elk pand en elke buurt beschikbaar. In totaal kijken we in deze analyse naar 12 populaties:

Aan dit pandenstandbestand zijn synthetische drugslabs en hennepkwekerijen gekoppeld. Synthetische drugslabs en hennepkwekerijen zijn uniek gemaakt per jaar. Dat wil zeggen dat een pand waar een drugslab in is aangetroffen maximaal één keer voorkomt binnen de drugslabpopulatie en zo ook voor panden waar een hennepkwekerij is aangetroffen. In de populatie kunnen ze dus wel over meerdere jaren voorkomen, maar niet meerdere keren per jaar. Recidiverende panden tellen hierdoor zwaarder mee. De verschillende jaren zijn geaggregeerd zodat de uiteindelijke kenmerken zijn berekend over de periode 2015-2020.

Elk pand in het pandenstandbestand bevat een buurtcode. Middels deze buurtcode zijn buurtkenmerken toegevoegd. Buurten zijn per jaar uniek gemaakt, analoog aan de aanpak voor panden.

Naast synthetische drugslabs en hennepkwekerijen worden de eigenschappen van een gemiddeld pand en gemiddelde buurt ter referentie getoond. Hiervoor zijn informatie uit het pandenstandbestand van 2019 en bijhorende buurtkenmerken van 2019 gebruikt. De gemiddelden zijn berekend inclusief de panden en buurten waar drugspanden zijn geruimd.

Methode

Voor de pandkenmerken pandfunctie en het gebruik volgens de WOZ-registratie zijn frequentietabellen berekend. Voor de verdere pand- en buurtkenmerken worden rekenkundige gemiddelde waarden berekend die horen bij de drie subpopulaties en vier stedelijkheidscategorieën.

Bronbestanden

  • Gebruiksfunctie en status van panden (LEVCYCLWONNIETWOONBUS);
  • WOZ-waarde en eigendom van panden (EIGENDOMWOZBAGTAB);
  • Eigendom en eigenaar van woningen (EIGENDOMTAB);
  • Nabijheid van verkeersvoorzieningen (NABIJVERHEIDVERKEERTAB);
  • Buurtkenmerken StatLine (link): Kerncijfers wijken en buurten (link), Nabijheid voorzieningen (link).
  • Bestand met adressen van alle geruimde synthetische drugslabs in Nederland, afkomstig van de LFO;
  • Bestand met adressen van strafrechtelijk geruimde hennepkwekerijen in Nederland, afkomstig van de DRZ;
  • Bestand met adressen van geruimde hennepkwekerijen in verschillende gemeenten in Nederland, afkomstig van 42 gemeenten.

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Een belangrijk aandachtspunt in deze analyse is de populatie. De statistieken geven niet persé een indicatie van de grootte of patronen van een woon-pleegrelatie tussen gemeentes, alleen van het aantal delicten dat door de politie wordt geregistreerd. Dit kan een vertekening van de werkelijkheid zijn.
  • In de analyse en de kaartjes is de gemeentelijke indeling van 2019 aangehouden.
  • De hier afgebeelde aantallen verdachten hebben betrekking op de door de politie geregistreerde verdachten - personen tegen wie een redelijk vermoeden van schuld aan een misdrijf bestaat. Het gaat hier dus niet om aangehouden verdachten - personen tegen wie een proces-verbaal van misdrijf is opgemaakt. Een deel van de geregistreerde verdachten blijkt later niet bij het misdrijf betrokken te zijn of wordt om een andere reden niet officieel door de politie aangehouden.
  • De hier afgebeelde woon-pleeg aantallen hebben betrekking op de door politie geregistreerde verdachten. De statistieken geven niet persé een indicatie van de daadwerkelijk grootte of patronen van een woon-pleegrelatie tussen gemeentes, alleen van het aantal delicten dat door de politie wordt geregistreerd. Dit kan een vertekening van de werkelijkheid zijn;
  • De uit de BRP afgeleide woonadressen hoeven niet persé feitelijk waar te zijn. Het kan voorkomen dat personen zich inschrijven op een adres, maar daar niet daadwerkelijk woonachtig zijn. Dit zou, zeker voor de groep verdachten, van invloed kunnen zijn op het beeld;
  • De percentages per gemeente in de tabellen tellen niet altijd op tot 100 procent. Dit komt door onderdrukking om onthulling te voorkomen en omdat er maximaal een top tien wordt getoond. De onderliggende aantallen zijn afgerond op tientallen maar de percentages zijn gebaseerd op de daadwerkelijke aantallen.

De analyse

Voor deze analyse is een overzicht gemaakt van de woon- en pleeggemeenten van verdachten van drugsdelicten. Dat gebeurt op twee manieren:

  1. Per gemeente toont de linkse kaart welk aandeel van alle drugsdelicten in die gemeente gepleegd is door verdachten die buiten de gemeente wonen. Door op een gemeente te klikken, verschijnt een tabel met de meest voorkomende woongemeenten van de verdachten die deze delicten plegen;
  2. Per gemeente toont de rechtse kaart welk aandeel van de verdachten van drugsdelicten uit een gemeente de delicten pleegt in een andere gemeente. Door op een gemeente te klikken, verschijnt een tabel met de meest voorkomende pleeggemeenten.

Onder drugsdelicten worden bezit, handel en vervaardiging van harddrugs en/of softdrugs verstaan. De analyse is uitgevoerd op verdachten van deze delicten, niet op veroordeelden.

De percentages per gemeente in de tabellen tellen niet altijd op tot 100 procent. Dit komt door onderdrukking om onthulling te voorkomen en omdat er maximaal een top tien wordt getoond. De onderliggende aantallen zijn afgerond op tientallen maar de percentages zijn gebaseerd op de daadwerkelijke aantallen.

De populatie

De populatie voor deze analyse bestaat uit verdachten van de zes drugsdelicten die van 2012 tot en met 2018 in de politiesystemen zijn geregistreerd. De analyse is uitgevoerd op twee populaties:

  1. Uniek per delict. Een delict wordt één keer geteld, ook al zijn er meerdere verdachten betrokken bij datzelfde delict. Voor het bepalen van de woongemeente is willekeurig een verdachte geselecteerd;
  2. Uniek per verdachte-pleeglocatie combinatie. Elke verdachte wordt één keer geteld per pleeglocatie, ook al als hij of zij meerdere delicten in dezelfde gemeente pleegt. Hierbij wordt elke verdachte van hetzelfde delict meegenomen. Het plegen van delicten door eenzelfde verdachte in verschillende gemeentes wordt wel apart geteld.

Methode

Per kaartje wordt een top tien weergegeven die het aantal verdachten toont per woon-pleeggemeente combinatie. Ook is het percentage berekend ten opzichte van het totaal per woongemeente en pleeggemeente.

Bronbestanden

Er is voor deze analyse gebruik gemaakt van een maatwerkbestand met persoonskenmerken van alle verdachten van drugsdelicten in de periode 2012 tot en met 2018. Dit bestand is samengesteld uit de volgende bronnen:

  • Basisvoorziening Handhaving (BVH) van de politie;
  • Basisregistratie Personen (BRP) van gemeenten;
  • Stelsel van Sociaal Statistische Bestanden (SSB).

Familienetwerken

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Binnen het familienetwerk kunnen personen onder meerdere familierelaties voorkomen. Iemand kan bijvoorbeeld zowel een oom als een kind van verschillende verdachten zijn. Per familierelatie zijn personen echter maar een keer meegeteld.
  • In de analyse zijn alleen biologische verwanten van verdachten meegenomen. Aangetrouwde familieleden zijn buiten beschouwing gelaten. Ook overleden personen en personen die niet in Nederland geregistreerd staan ontbreken in deze gegevens. Voor een deel van de verdachten waren om die reden geen familierelaties vast te stellen.
  • Vanwege het risico op herleidbaarheid zijn percentages gebaseerd op aantallen kleiner dan 10 niet in de figuren opgenomen.
  • De hier afgebeelde aantallen verdachten hebben betrekking op de door de politie geregistreerde verdachten - personen tegen wie een redelijk vermoeden van schuld aan een misdrijf bestaat. Het gaat hier dus niet om aangehouden verdachten - personen tegen wie een proces-verbaal van misdrijf is opgemaakt. Een deel van de geregistreerde verdachten blijkt later niet bij het misdrijf betrokken te zijn of wordt om een andere reden niet officieel door de politie aangehouden.
  • Het uit de BRP afgeleide familienetwerk zegt niets over daadwerkelijke contacten tussen personen. Wanneer personen familie van elkaar zijn, betekent dit niet dat zij ook daadwerkelijk (frequent) contact met elkaar hebben. In het extreme geval kennen de personen elkaar helemaal niet;
  • In deze analyse zijn alleen biologische familieleden van drugsverdachten meegenomen. Het familienetwerk van personen is in werkelijkheid groter dan hier in kaart gebracht, omdat ook aangetrouwde familieleden in dit netwerk vallen. Hierdoor wordt waarschijnlijk ook een deel van de particuliere woningen in het bezit van dit familienetwerk over het hoofd gezien;
  • Binnen sommige familierelaties in dit netwerk worden verdachten dubbel geteld, omdat verdachten die het uitgangspunt vormen voor deze analyse zelf ook in het familienetwerk voorkomen als familielid van andere verdachten. Verdachten met een broer of partner die ook drugsverdachte is, zijn logischerwijze zelf ook broer of partner van een drugsverdachte. Hierdoor valt het percentage verdachten onder deze familierelaties hoger uit dan wanneer unieke relaties tussen specifieke personen geteld zouden worden;
  • Alleen verdachten van drugsmisdrijven zijn in het familienetwerk meegenomen. Verdachten van andere type misdrijven die mogelijk ook relevant zijn in het kader van drugscriminaliteit, zoals vermogens- en geweldsmisdrijven, zijn niet meegeteld. Het aandeel personen binnen het familienetwerk dat betrokken is bij (drugs)criminaliteit, zou dus in werkelijkheid hoger kunnen liggen dan hier afgebeeld;
  • Alleen particuliere woningen in bezit van personen in het familienetwerk worden hier in kaart gebracht. Overig vastgoed, al dan niet in handen van rechtspersonen waarachter de natuurlijke personen in het netwerk schuilgaan, vallen buiten de hier afgebeelde aantallen en percentages.

De analyse

Het doel van de analyse is het in kaart brengen van de familierelaties tussen drugsverdachten voor alle gemeenten in Nederland in de periode 2012-2018. Bij deze analyse wordt gekeken naar het aantal verdachten van vervaardiging van softdrugs en/of harddrugs en handel in harddrugs wiens familieleden ook verdacht zijn geweest van een van deze delicten in dezelfde periode.

De populatie

De analyse is uitgevoerd op basis van een bestand met daarin alle verdachten van druggerelateerde delicten die door de politie zijn geregistreerd in de periode 2012-2018. Dit bestand is samengesteld vanuit de Basisvoorziening Handhaving (BVH) van de politie, de Basisregistratie Personen (BRP) en het Stelsel van Sociaal Statistische Bestanden (SSB). Hierin zijn vervolgens de verdachten van vervaardiging van softdrugs, vervaardiging van harddrugs en handel in harddrugs geselecteerd. Om de familieleden van deze verdachten te identificeren is gebruikgemaakt van gegevens vanuit de BRP.

Methode

De basis voor deze analyse zijn alle verdachten van vervaardiging van softdrugs en/of harddrugs en handel in harddrugs in de periode 2012-2018. Voor deze personen zijn eerst de ouders geïdentificeerd op basis van gegevens over ouder-kindrelaties uit de BRP. Vervolgens zijn broers en zussen van de verdachten geïdentificeerd door te kijken welke andere kinderen van deze ouders in de BRP geregistreerd staan. Op dezelfde manier zijn vervolgens ook de kinderen, grootouders, ooms en tantes, en neven en nichten van verdachten geïdentificeerd. Binnen dit familienetwerk is gekeken welke personen zelf ook verdacht zijn geweest van vervaardiging van harddrugs en/of softdrugs en handel in harddrugs in dezelfde periode. De gegevens zijn vervolgens uitgesplitst naar de gemeente waar verdachten ten tijde van het plegen van het delict woonden. De familieleden van deze verdachten kunnen ook in andere gemeenten woonachtig zijn.

Bronbestanden

Er is voor deze analyse gebruikgemaakt van een microdatabestand met persoonskenmerken van alle verdachten van drugsdelicten in de periode 2012-2018. Dit bestand is samengesteld uit de volgende bronnen:

  • Basisvoorziening Handhaving (BVH) van de politie;
  • Basisregistratie Personen (BRP) van gemeenten;
  • Stelsel van Sociaal Statistische Bestanden (SSB);

Daarnaast is gebruikgemaakt van gegevens vanuit de BRP over ouder-kindrelaties.

Vastgoed van familie

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Binnen het familienetwerk kunnen personen onder meerdere familierelaties voorkomen. Iemand kan bijvoorbeeld zowel een oom als een kind van een verschillende verdachten zijn. Per familierelatie zijn personen echter maar een keer meegeteld.
  • In het geval dat een woning twee of meer eigenaren heeft, staat alleen degene die de WOZ-aanslag op zijn/haar naam heeft staan als eigenaar geregistreerd. Dit is standaard de oudste persoon (en wanneer eigenaren even oud zijn: de man), maar kan op verzoek van de eigenaren aangepast zijn. In theorie zouden personen in het familienetwerk dan ook mede-eigenaar van een woning kunnen zijn, terwijl zij in het gebruikte woningvoorraadbestand niet als eigenaar te boek staan. De woningen die zij bezitten zijn in dat geval niet meegenomen in het hier getoonde percentage woningen per gemeente.
  • Vanwege het risico op herleidbaarheid zijn percentages gebaseerd op aantallen kleiner dan 10 niet in het kaartje opgenomen. De aantallen verdachten en familieleden zijn afgerond op het dichtstbijzijnde tiental.

De analyse

Het doel van deze analyse is om per gemeente in kaart te brengen welk percentage van de particuliere woningen in bezit is van familieleden van drugsverdachten (ouders, kinderen, grootouders, broers en zussen, ooms en tantes en neven en nichten). Met particuliere woningen worden woningen bedoeld die in eigendom zijn van natuurlijke personen en niet in eigendom van rechtspersonen zoals bedrijven, stichtingen en woningbouwverenigingen. Woningen waar de eigenaar zelf als bewoner geregistreerd staat zijn hierbij buiten beschouwing gelaten.

Ook is nagegaan welk percentage van de familieleden van drugsverdachten zelf ook verdacht werd van een drugsdelict in de periode 2012-2018.

De populatie

De basis voor deze analyse vormen personen die tussen 2012 en 2018 door de politie zijn geregistreerd als verdachte van vervaardiging van softdrugs of harddrugs of handel in harddrugs. Voor deze verdachten is, aan de hand van gegevens uit de Basisregistratie Personen (BRP), vastgesteld wie hun familieleden zijn. Hierbij zijn alleen biologische verwanten meegenomen; aangetrouwde familieleden, zoals bijvoorbeeld stiefouders, zijn buiten beschouwing gelaten. Ook overleden personen en personen die niet in Nederland geregistreerd staan ontbreken in deze gegevens. Voor een deel van de verdachten waren om die reden geen familierelaties vast te stellen.

Methode

Voor verdachten van vervaardiging van softdrugs of harddrugs en handel in harddrugs is nagegaan hoeveel familieleden (ouders, kinderen, grootouders, broers en zussen, ooms en tantes en neven en nichten) konden worden geïdentificeerd. Hiervoor is gebruikgemaakt van gegevens over ouder-kindrelaties vanuit de BRP. Vervolgens is gekeken welke van deze familieleden eigenaar zijn van één of meerdere particuliere woningen. Per gemeente is het aantal particuliere woningen in bezit van familieleden van drugsverdachten (exclusief de woningen waar zij zelf als bewoner geregistreerd staan) afgezet tegen het totale aantal particuliere woningen in de betreffende gemeente.

Bronbestanden

Er is voor deze analyse gebruikgemaakt van een microdatabestand met persoonskenmerken van alle verdachten van drugsdelicten in de periode 2012-2018. Dit bestand is samengesteld uit de volgende bronnen:

  • Basisvoorziening Handhaving (BVH) van de politie;
  • Basisregistratie Personen (BRP) van gemeenten;
  • Stelsel van Sociaal Statistische Bestanden (SSB);

Om de eigenaren van particuliere woningen na te gaan, is gebruikgemaakt van een CBS-microdatabestand met daarin de woningvoorraad in Nederland in 2016 (op basis van gegevens van onder andere het Kadaster).

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Het model is gebouwd met verdachten uit politieregistraties (BVH) als targetgroep, deze doelgroep bevat dus niet álle personen die bij drugscriminaliteit betrokken zijn;
  • Het model geeft een risicoscore aan ieder individu, dit is geen bevestiging van criminaliteit maar een indicatie van kwetsbaarheid voor jonge aanwas. De scores worden vervolgens geaggregeerd per gebied en zijn dus nooit herleidbaar tot individuen;
  • Voor de specificatie van risicoscores naar leeftijdsgroep op buurtniveau is de groep jongeren vaak niet groot genoeg om het risico op herleidbaarheid naar een individu uit te sluiten. De scores voor die buurten worden onderdrukt en dus niet weergegeven op het dashboard.
  • De risicoscores illustreren de gemiddelde waarschijnlijkheid van alle jongeren in een gebied om verdacht te worden van een drugsdelict, zoals bepaald in het model. De scores zijn dus niet gelijk aan het percentage drugsverdachten in een gebied en geven geen zekerheid dat een bepaald percentage jongeren verdacht wordt van drugscriminaliteit. De scores zijn een aanduiding op gebiedsniveau van de kwetsbaarheid van jongeren om drugsverdachte te worden. Een hogere score geeft aan dat er in dat gebied meer jongeren zijn met een hoog risico om jonge aanwas te worden. Deze scores zijn voornamelijk geschikt om vergelijkingen te maken tussen gemeentes, wijken en buurten. Er kunnen geen conclusies worden getrokken over het aantal drugsverdachten in een gebied (zie hiervoor het referentiebeeld);
  • De risicoscores vallen gemiddeld vrij laag uit voor de groep 8 tot 12-jarigen. Dit komt omdat er voor deze jongeren nog weinig risico-indicatoren van toepassing zijn, zoals voortijdig schoolverlaten, Halt-registraties of wanbetalers van zorgverzekeringen. Deze leeftijdscategorie zal daardoor minder voorkomen in de hoog-risico groep. Dit betekent niet direct dat deze jonge kinderen geen risico lopen om in de drugscriminaliteit te belanden. Het is ook mogelijk dat we nog geen zicht hebben op sterke indicatoren om drugscriminaliteit te voorspellen voor deze groep;
  • De procentuele afwijkingen op indicatoren per gemeente of wijk geven alleen een beschrijving van de situatie van jongeren in het gebied ten opzichte van de Nederlandse situatie. Er worden hiermee geen causale verbanden gelegd tussen bepaalde afwijkingen en drugscriminaliteit in een gebied;
  • In de analyse is niet gecorrigeerd voor jeugdinstellingen. Hoge scores in een buurt of wijk zouden kunnen worden verklaard door het bestaan van een jeugdinstelling in de buurt. Nader onderzoek door gemeentes naar verklaringen voor hoge buurt- of wijkscores wordt aangeraden.

De analyse

In deze analyse is een risicomodel samengesteld dat voor jongeren tussen de 8 en 23 jaar bepaalt wie een verhoogd risico loopt om door de politie verdacht te worden van een drugsdelict. Het model is gemaakt op basis van risicofactoren die vanuit wetenschappelijke literatuur en kennis van domeinexperts zijn bepaald. De volgende kenmerken zijn meegenomen:

De resultaten van het model zijn geaggregeerd naar gemeente-, wijk- en buurtniveau om zo gebieden te identificeren waar een hoog risico bestaat op jonge aanwas. Individuen zijn mede daardoor nooit te herleiden vanuit de gepubliceerde scores. Daarnaast is er een uitsplitsing gemaakt in leeftijdsgroepen, zodat er kan worden bepaald welk preventief beleid voor welke doelgroepen het meest kansrijk is.

Tabellen met belangrijkste risicofactoren

Op basis van de tien belangrijkste risicofactoren uit het model is ook bepaald in hoeverre gemeenten en wijken afwijken ten opzichte van het landelijk beeld. Per gebied is het percentage jongeren bepaald dat aan een risicofactor voldoet. Dit percentage is afgezet tegen het percentage jongeren in heel Nederland dat aan de risicofactor voldoet. Procentuele afwijkingen op gemeente- of wijkniveau kunnen l aten zien welke risicofactoren opvallend veel voorkomen binnen een gebied.

Resultaten voor de hoog-risico groep

Naast de resultaten voor de gehele populatie van Nederlandse jongeren tussen 8 en 23 jaar oud, hebben we ook gekeken naar de groep jongeren met de hoogste risicoscores. De hoog-risico jongeren zijn geselecteerd vanuit het risicomodel; de jongeren die door het model worden aangewezen als potentiële jonge drugsverdachten. Deze jongeren hebben een risicoscore hoger dan 0,5. Op de pagina kan je met een uitklapmenu de doelgroep kiezen: totale populatie of hoog-risico jongeren. Ook voor de hoog-risico jongeren zijn de gemiddelde risicoscores per gemeente, wijk en buurt te zien. In de tooltip is daarnaast het percentage hoog-risico jongeren ten opzichte van alle jongeren in het gebied te zien. Omdat deze groep veel kleiner is, is er geen uitsplitsing naar leeftijd gemaakt vanwege het risico op onthulling.

De resultaten van de procentuele afwijkingen per gemeente en wijk op de belangrijkste risicofactoren zijn ook voor de hoog-risico groep bepaald. Voor deze groep wordt het percentage hoog-risico jongeren dat op de kenmerken scoort, afgezet tegen twee andere groepen. Ten eerste ten opzichte van alle jongeren in de gemeente, ten tweede ten opzichte van alle hoog-risico jongeren in Nederland. Deze twee vergelijkingen laten dus verschillende typen afwijkingen zien; binnen een gemeente en in relatie tot de Nederlandse situatie.

De populatie

In het risicomodel worden alle jongeren tussen 8 en 23 jaar meegenomen die op 1 januari 2018 woonachtig waren in Nederland. Voor deze jongeren zijn kenmerken gekoppeld van de afgelopen 10 jaar, waar mogelijk en relevant. Voor andere kenmerken nemen we de stand op 1 januari 2018 mee. Voor elke variabele staat de periode gespecificeerd in de tabel hierboven.

Methode

Voor het risicomodel is gekozen om een beslisboom algoritme te gebruiken. Een beslisboom algoritme plaatst observaties in de doelgroepen (drugsverdachte of controle) op basis van splitsingen in kenmerken. Bijvoorbeeld of iemand man of vrouw is en of iemand schulden heeft of niet. Op basis van de data wordt bepaald welke splitsingen het meest onderscheidend zijn voor deze twee doelgroepen. Hierbij worden alle kenmerken in combinaties meegenomen, aangezien één kenmerk op zichzelf vaak niet bepalend is. Daardoor ontstaat er een boomstructuur van aftakkingen met kenmerken (de splitsingen) die bepalen of iemand een hoge of lage kans heeft om in een bepaalde doelgroep te belanden.

Trainen van het model

Om het algoritme te trainen is een groep gekozen van jongeren tussen de 18 en 23 jaar. Van deze groep is ongeveer 1 procent drugsverdachte geweest in de periode 2015-2018. De resterende personen (99 procent) dienen als controlegroep om te bepalen welke kenmerken een verhoogd risico geven op drugscriminaliteit.

Het beslisboom algoritme is getraind op een subset van 18 tot 23-jarigen waarbij de verdeling handmatig is bepaald zodat de trainingset voor 30 procent bestond uit verdachten en voor 70 procent uit controlepersonen. Dit is gedaan, omdat de werkelijk verdeling (respectievelijk 1 en 99 procent) te scheef is om het model te trainen. Daarna is het model getest op een andere subset van 18 tot 23-jarigen waarbij wel die originele verdeling van verdachten en controlepersonen (1 procent verdachten) is aangehouden.

Sensitiviteit als uitkomstmaat

Voor het kiezen van een goed model is er gericht op sensitiviteit als uitkomstmaat. Dit betekent dat het model er vooral op gericht is om geen verdachten te missen in het classificeren van personen. Hierdoor wordt wel een groter aandeel personen incorrect geclassificeerd als verdachten (foutpositieven) , maar zorgen we ervoor dat het model ook geen verdachten mist door ze onterecht in de controlegroep te plaatsen. Een groter aandeel foutpositieven is in deze context geen probleem, omdat deze groep mogelijk wel een hoger risico (kwetsbaarheid) heeft om in drugscriminaliteit te belanden. Ook is niet uitgesloten dat deze personen wel betrokken zijn bij drugscriminaliteit maar niet als verdachte zijn aangemerkt in de politiedata. Op de testset heeft het gekozen model een sensitiviteit van 62 procent behaald. Dit betekent dat 62 procent van alle verdachten in de testset correct wordt geclassificeerd. Hieruit concluderen we dat het model vrij goed in staat is om op basis van risico indicatoren een onderscheid te maken tussen jonge drugsverdachten en andere jongeren.

Van individuele gegevens naar geaggregeerde inzichten in kwetsbaarheid

Het model is gebaseerd op data van individuele personen, maar de resultaten worden geaggregeerd naar gemeente-, wijk- en buurtniveau om zo iets te kunnen zeggen over concentraties van kwetsbare jongeren in een gebied. De classificatie van het model dient daarom ook nadrukkelijk niet als een verdenking geïnterpreteerd te worden, maar juist als een aanwijzing voor kwetsbaarheid op basis van aanwezige risicofactoren.

Belangrijkste modelkenmerken per gemeente en wijk

Het model laat ook zien welke kenmerken het meest bepalend zijn voor de doelgroep. Voor de tien belangrijkste kenmerken hebben we het aandeel jongeren in een gebied bepaald dat aan die kenmerken voldoet. Om dit te berekenen, is voor elke variabele een binaire codering (0 of 1) gebruikt. Twee van de tien kenmerken zijn percentages en deze zijn eerst omgezet naar een binaire waarde om te zien welke jongeren er aan voldoen. Het gaat om de kenmerken percentage verdachte familieleden en percentage familieleden wanbetalers zorgverzekering . Dit is gedaan met een grenswaarde vanuit het beslisboom model en deze zijn respectievelijk 18,98 procent en 5,99 procent. Een percentage groter of gelijk aan deze waardes betekent dat een jongere voldoet aan dit kenmerk.

Bronbestanden

  • Basisvoorziening Handhaving (BVH) van de politie;
  • Basisregistratie Personen (BRP) van gemeenten;
  • Voortijdig schoolverlaters (VSVTAB);
  • Hoogste opleiding in 2018 (HOOGSTEOPLTAB);
  • Haltjongeren van 12 tot 18 jaar (HALTTAB);
  • Inschrijvingen van leerlingen in het speciaal onderwijs (INSCHRWECTAB);
  • Personen en hun juridische ouders (KINDOUDERTAB);
  • Huishoudenskenmerken (GBAHUISHOUDENSBUS);
  • Wanbetalers Zorgverzekeringswet (WANBZVWTAB);
  • Personen met schuldsanering via de Wet Schuldsanering (WSNPTAB).

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • De sociale netwerken in dit bestand bevatten de formele sociale relaties van personen die via registerdata kunnen worden vastgesteld. Meer informele maar net zo goed belangrijke sociale contacten, zoals die via sociale media, in vriendengroepen en via sportverenigingen, kunnen in dit bestand niet geïdentificeerd worden.
  • Het sociaal netwerkbestand brengt het potentiële netwerk van personen in beeld. De gebruikte bronnen zeggen niets over daadwerkelijke contacten. Wanneer twee personen familie van elkaar zijn of bij hetzelfde bedrijf werken, betekent dit nog niet dat deze personen ook daadwerkelijk (frequent) contact hebben. In het meest extreme geval kennen de personen elkaar helemaal niet. Desondanks geven de netwerken die zijn afgeleid een veel uitgebreider beeld van de sociale omgeving van de personen dan bijvoorbeeld een analyse die alleen de geografische omgeving van personen laat zien.
  • De jongeren in de doel- en referentiegroep zijn gematcht op leeftijd, geslacht en de risicoscore van de jongere die is berekend in het kader van de analyse Jonge aanwas. Op andere kenmerken kunnen ze echter van elkaar verschillen en deze verschillen kunnen ten grondslag liggen aan verschillen in kenmerken die in de netwerken van de groepen te zien zijn. Sommige kenmerken van personen in het netwerk hangen namelijk (sterk) samen met het kenmerk van de jongere in de doel- of referentiegroep zelf. Bijvoorbeeld, het huishoudinkomen van huisgenoten zal hetzelfde zijn als dat van de jongere zelf. Voor specifieke gevallen, zie de aanvullende informatie bij de betreffende kenmerken op de dashboardpagina.
  • De verdachte jongeren die hier zijn meegenomen zijn door de politie geregistreerd omdat tegen hen een redelijk vermoeden van schuld aan een misdrijf bestaat. Het gaat hier niet om aangehouden verdachten - personen tegen wie een proces-verbaal van misdrijf is opgemaakt. Een deel van de geregistreerde verdachten blijkt later niet bij het misdrijf betrokken te zijn of wordt om een andere reden niet officieel door de politie aangehouden.

De analyse

Het doel van deze analyse is het in kaart brengen van mogelijke risico-indicatoren voor het belanden in de drugscriminaliteit in de sociale omgeving van jongeren. Dit is gedaan door kenmerken van het sociaal netwerk van jonge drugsverdachten te vergelijken met kenmerken van het netwerk van jongeren die (nog) nooit als verdachte van een misdrijf werden geregistreerd. Naast de algemene samenhang tussen het al dan niet verdacht zijn en de aanwezigheid van een bepaald kenmerk in een netwerk, wordt ook het percentage contacten in het netwerk met een bepaald kenmerk getoond. Hierbij worden aanvullende uitsplitsingen gemaakt naar leeftijdsgroep, stedelijkheidscategorie van de woongemeente van de jongere en voor first offenders ten opzichte van verdachten die al eerder in beeld kwamen bij de politie.

Sociaal netwerkbestand

De basis voor deze analyse vormt een sociaal netwerkbestand dat de afgelopen jaren bij het CBS ontwikkeld is. Het bestand bevat alle inwoners van Nederland op 1 oktober 2018 en bijna 800 miljoen sociale relaties, die vanuit verschillende administratieve bronnen aan personen gekoppeld zijn. Hierbij worden vijf typen relaties onderscheiden:

  • Huisgenoten: personen die samen een huishouden vormen volgens de Basisregistratie Personen (BRP) en inkomensgegevens van de Belastingdienst. Vaak is dit een gezin, maar het kan ook gaan om vrienden die samen een huis huren of om een samenwonend stel. Studenten in studentenhuizen worden gezien als éénpersoonshuishoudens en zijn dus geen huisgenoten van elkaar. In de analyse zijn huisgenoten in een institutioneel huishouden niet meegenomen. Dit zijn instellingen zoals verpleeg-, verzorgings- en kindertehuizen, gezinsvervangende tehuizen, revalidatiecentra en penitentiaire inrichtingen;
  • Familieleden: de BRP bevat informatie over kinderen en wie hun ouders zijn. Op basis hiervan kunnen ook (uitwonende) broers, zussen, ooms, tantes, neven, nichten en grootouders geïdentificeerd worden. In de analyse zijn familieleden die ook huisgenoot zijn van de jongere hier buiten beschouwing gelaten: zij worden tot het huisgenotennetwerk gerekend;
  • Klasgenoten: met behulp van het onderwijsnummer is informatie over de opleidingen van jongeren (van basisonderwijs tot hoger onderwijs) gekoppeld. Klasgenoten zijn hier personen die op dezelfde school en schoollocatie zitten, hetzelfde type opleiding volgen en in hetzelfde leerjaar zitten. Klasgenoten zitten dus niet per definitie in dezelfde klas. Als een persoon meer dan honderd klasgenoten heeft, is een willekeurige selectie gemaakt van honderd klasgenoten;
  • Buren: met behulp van (gepseudonimiseerde) adresgegevens van huishoudens kan worden afgeleid wie iemands buren zijn. Buren zijn in dit geval de tien dichtstbijzijnde huishoudens binnen een straal van 50 meter. Wanneer er meer dan tien huishoudens binnen deze straal vallen, zijn de tien dichtstbijzijnde huishoudens geselecteerd;
  • Collega's: via de Polisadministratie kunnen personen worden geïdentificeerd die werknemer zijn bij hetzelfde bedrijf. Personen die als zelfstandig ondernemer voor een bedrijf werken of er gedetacheerd zijn, zijn geen werknemers van het bedrijf en blijven daardoor buiten beschouwing. Sommige bedrijven hebben veel werknemers, waardoor een netwerk kan bestaan uit heel veel collega's. In zulke gevallen is een selectie gemaakt van de honderd collega's die het dichtst bij de betreffende persoon wonen.

Kenmerken van het netwerk

In deze analyse zijn de volgende achtergrondgegevens van personen in het netwerk meegenomen, waarbij peilmoment 1 oktober 2018 is aangehouden tenzij anders aangegeven:

Stedelijkheid woongemeente

Het totale aantal jonge drugsverdachten is te klein om de resultaten van deze analyse te kunnen laten zien op gemeente- of wijkniveau. Om toch regionale inzichten te kunnen bieden, zijn de resultaten uitgesplitst naar de stedelijkheid van de woongemeente van de jongere in de doel- of referentiegroep. Hierbij worden vier categorieën onderscheiden: niet/weinig stedelijk, matig stedelijk, sterk stedelijk en zeer sterk stedelijk. In onderstaande kaart is te zien welke Nederlandse gemeenten in de verschillende categorieën vallen.

First offenders versus herhaalde verdachten

In het kader van preventieve maatregelen gericht op kwetsbare jongeren zijn first offenders, die dus voor het eerst in aanraking komen met de politie, een bijzonder interessante groep binnen de jonge drugsverdachten. Daarom is in deze analyse een aanvullend onderscheid gemaakt tussen personen die in 2019 of 2020 voor het eerst verdacht werden van een misdrijf en personen die al eerder door de politie als verdachte geregistreerd werden. Hierbij is het belangrijk om op te merken dat deze first offenders gemiddeld jonger zijn dan de overige verdachten en dat dit verschil in leeftijd samen kan hangen met verschillen die in de netwerken van deze jongeren te zien zijn.

De populatie

De doelpopulatie omvat alle jongeren van 12 tot en met 22 jaar die op 1 oktober 2018 ingeschreven stonden in de BRP en in 2019 of 2020 door de politie werden geregistreerd als verdachte van een drugsmisdrijf (bezit van, handel in of vervaardiging van soft-/harddrugs; N = 8 250). Deze groep wordt steeds vergeleken met een referentiepopulatie. Die referentiepopulatie bestaat uit een groep jongeren in dezelfde leeftijdsgroep die nog nooit verdacht werd (N = 46 330). Om deze groepen zo goed mogelijk te kunnen vergelijken, zijn de doel- en referentiepopulatie gematcht op leeftijd, geslacht en de risicoscore van de jongere die is berekend in het kader van de analyse Jonge aanwas, die elders op dit dashboard te vinden is (zie Methode).

Methode

Allereerst is de doelgroep samengesteld door alle jongeren van 12 tot en met 22 jaar te selecteren die in 2019 of 2020 als verdachte van een drugsmisdrijf werden geregistreerd. Daarnaast werd een referentiegroep samengesteld met jongeren die sinds 2010 niet verdacht zijn geweest. Deze groep had wat betreft leeftijd, geslacht en risicoscore uit de analyse jonge aanwas een vergelijkbare samenstelling als de doelgroep. Bijvoorbeeld, als de doelgroep voor 5 procent uit mannen van 12 tot en met 15 jaar met een lage risicoscore bestaat, dan bevat de referentiegroep ook 5 procent mannen van 12 tot en met 15 jaar met een lage risicoscore.

Voor de personen in de doel- en referentiegroep zijn daarna alle contacten afgeleid vanuit het sociaal netwerkbestand, om vervolgens de verschillende achtergrondgegevens van deze contacten in beeld te brengen. Vervolgens is per persoon berekend welk percentage van zijn of haar netwerk een bepaald kenmerk bezit. Daarna zijn de percentages gemiddeld over de gehele doel- of referentiegroep.

Die gemiddelde percentages zijn ook berekend per type netwerk, leeftijdsgroep (minder- of meerderjarige jongeren), stedelijkheidscategorie en type verdachte (first offenders versus herhaalde verdachten). Om de samenhang tussen het al dan niet verdacht zijn en de aanwezigheid van een kenmerk in het netwerk te bepalen, is tot slot de assortativity berekend. Deze maat geeft een indicatie van de sterkte van een eventuele samenhang door de geobserveerde verdeling van een kenmerk over de netwerken van verdachte en niet-verdachte jongeren te vergelijken met de verwachte verdeling wanneer er geen samenhang zou zijn.

De assoritivity score heeft een waarde tussen -1 en 1, waarbij een waarde rond de nul aangeeft dat er geen sprake is van samenhang. Een positieve waarde geeft aan dat een kenmerk vaker voorkomt in het netwerk van verdachte jongeren, terwijl een negatieve waarde erop duidt dat een kenmerk vaker voorkomt in het netwerk van niet-verdachte jongeren. Hoe dichter bij de waarden -1 en 1, hoe sterker het verband.

Bronbestanden

  • Sociaal netwerkbestand CBS;
  • Basisregistratie Personen (BRP) van gemeenten;
  • Basisvoorziening Handhaving (BVH) van de politie;
  • Voortijdig schoolverlaters (VSVTAB);
  • Hoogst behaalde opleiding in 2018 (HOOGSTEOPLTAB);
  • Haltjongeren van 12 tot 18 jaar (HALTTAB);
  • Inschrijvingen van leerlingen in het speciaal onderwijs (INSCHRWECTAB);
  • Huishoudenskenmerken (GBAHUISHOUDENSBUS);
  • Sociaaleconomische categorie (SECMBUS);
  • Inkomen van huishoudens (INHATAB).

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • De uitkomsten van de analyses die zijn gebaseerd op minder dan tien personen worden niet weergegeven om het risico op herleidbaarheid uit te sluiten. Om diezelfde reden zijn de aantallen delicten en verdachten afgerond op het dichtstbijzijnde tiental en de percentages afgerond op één decimaal achter de komma.
  • De afgebeelde aantallen verdachten hebben betrekking op de door de politie geregistreerde verdachten - personen tegen wie een redelijk vermoeden van schuld aan een misdrijf bestaat. Het gaat hier dus niet om aangehouden verdachten - personen tegen wie een proces-verbaal van misdrijf is opgemaakt. Een deel van de geregistreerde verdachten blijkt later niet bij het misdrijf betrokken te zijn of wordt om een andere reden niet officieel door de politie aangehouden.
  • Bij alle geanalyseerde drugsfeiten blijkt dat een relatief grote groep verdachten geen eerdere verdenkingen heeft. Dit betekent niet per definitie dat zij geen eerder delict hebben gepleegd. Het kan ook betekenen dat eerdere delicten niet zijn geregistreerd. Dit kan meerdere oorzaken hebben zoals:
    • Eerdere verdenkingen/delicten zijn in het buitenland gepleegd;
    • Eerdere verdenkingen/delicten zijn gepleegd vóór 2005;
  • Bij de analyse zijn ook door Bureau Halt-geregistreerde verdenkingen gebruikt. Niet alle Halt-verdenkingen staan geregistreerd in de gebruikte data. Ze zijn beschikbaar vanaf 2005. Bij de oudere leeftijdsgroepen komen om die reden nooit Halt-delicten voor. Zij waren in 2005 al ouder dan 18 jaar. Dit betekent niet per sè dat deze groepen nooit Halt-delicten gepleegd hebben.
  • Bij de analyse zijn alle verdenkingen van verdachten die niet bekend zijn in de BRP verwijderd. Zij kunnen immers niet gekoppeld worden aan eerdere verdenkingen, waardoor het ook niet mogelijk is om een tijdlijn verdenkingen op te stellen.

De analyse

Het overzicht bestaat uit vier delen:

  • Tijdlijn verdenkingen
    • Hierin worden veel voorkomende criminele paden van verdachten van het geselecteerde drugsfeit weergegeven.
    • Geeft een overzicht van verdenkingen van delicten die het vaakst worden gepleegd vóórdat de verdachten voor het eerst worden verdacht van het geselecteerde drugsdelict.
    • Er wordt tot twee delicten voorafgaand aan het drugsdelict teruggekeken.
  • Leeftijdsverdeling
    • Geeft de leeftijd van de verdachten op het moment van de eerste verdenking van het geselecteerde drugsdelict.
  • Delicten vóór drugsdelict
    • Geeft voor de gekozen leeftijdsgroep de meest voorkomende eerdere verdenkingen onder verdachten van het geselecteerde drugsdelict.
  • Samengevat pad vóór drugsdelict
    • De gemiddelde waarden van zes beschrijvende indicatoren worden getoond:
    • Totaaldelicten: Het aantal, al dan niet druggerelateerde, delicten waarvan iemand verdacht is geweest vóórdat hij of zij verdacht werd van het geselecteerde drugsdelict.
    • Frequentie: Het aantal Haltdelicten waarvan iemand verdacht is geweest vóórdat hij of zij verdacht werd van het geselecteerde drugsdelict.
    • Drugsdelicten: Het aantal druggerelateerde delicten waarvan iemand verdacht is geweest vóórdat hij of zij verdacht werd van het geselecteerde drugsdelict.
    • Haltdelicten: Het aantal Haltdelicten waarvan iemand verdacht is geweest vóórdat hij of zij verdacht werd van het geselecteerde drugsdelict.
    • Carriëre: Aantal jaren dat iemand verdacht wordt van delicten voordat hij of zij verdacht werd van het geselecteerde drugsdelict.
    • Leeftijd tijdens eerste delict: De leeftijd waarop iemand verdacht is geweest van zijn of haar eerste delict
    • Om verdere informatie over de verdeling van een indicator te krijgen, kan in de tabel op een indicator worden geklikt.

De populatie

De gebruikte populatie bestaat uit alle in Nederland wonende verdachten (dus niet veroordeelden) van drugsdelicten in de periode 2015 tot en met 2019 waarvan de specifieke feitcode is geregistreerd. In deze populatie is ook gekeken hoe vaak eenzelfde verdachte voorkwam. De analyse is alleen uitgevoerd op de eerste geregistreerde verdenking van het drugsfeit en alle delicten of verdenkingen die daarvoor hebben plaatsgevonden. Latere verdenkingen van drugsfeiten van dezelfde persoon zijn dus niet meegenomen.

Methode

De tijdlijn verdenkingen is een stroomdiagram waarin wordt weergegeven wat de meest voorkomende verdenkingen van delicten zijn vóórdat de persoon van één van de zes drugsdelicten werd verdacht. Deze verdenkingen staan in chronologische volgorde. Bijvoorbeeld: stel dat 10 verdachten van de handel in harddrugs verdacht zijn geweest van inbraak en daarvóór van een seksueel misdrijf. Daarnaast zijn 20 andere verdachten eerst van een inbraak verdacht geweest en daarná van een seksueel misdrijf. Op basis van deze gegevens zijn de uitkomsten van de criminele aanloop van verdachten van handel in harddrugs:

  • 33,3% is direct ervoor beschuldigd van inbraak;
  • 66,6% is direct ervoor beschuldigd van seksueel misbruik;
  • 33,3% is éérst beschuldigd van een seksueel misdrijf, daarna van inbraak en daarna van het handelen in harddrugs;
  • 66,6% is éérst beschuldigd van inbraak, daarna van een seksueel misdrijf en daarna van het handelen in harddrugs.
Tijdlijn verdenkingen
Dit is vervolgens in balken gevisualiseerd waar een dikkere balk een groter deel van de verdachten vertegenwoordigt. De balken verbinden drie kolommen:
  1. De meest rechter kolom is het bovenaan de pagina geselecteerde drugsdelict. In bovengenoemd voorbeeld zou de rechter balk dus de handel in harddrugs weergeven.
  2. De middelste kolom bevat de direct voorafgaande verdenkingen. Dit zijn dus de delicten waarvan die personen verdacht zijn geweest vóór de verdenking van het betreffende drugsdelict.
  3. De meest linker kolom bevat de voor-voorafgaande verdenkingen. Er wordt twee verdenkingen teruggekeken. Dit zijn dus de delicten waarvan die personen verdacht zijn geweest vóór het voorafgaande feit. Voor de voorafgaande delicten worden verdenkingen in de periode 2005 tot en met 2019 beschouwd.
Leeftijdsverdeling
Naast de tijdlijn verdenkingen is ook de leeftijdsverdeling van verdachten bepaald op het moment dat ze voor het eerst voor een van de zes drugsdelicten werden verdacht. In deze figuur kan een specifieke leeftijdscategorie worden geselecteerd. De rest van de pagina past zich dan aan door uitkomsten voor die specifieke leeftijdsgroep te tonen. Er worden sowieso uitkomsten voor de totaalgroep getoond. De leeftijdscategorieën die zijn gehanteerd zijn:
  • Jonger dan 18 jaar
  • 18 tot 25 jaar
  • 25 tot 35 jaar
  • 35 tot 45 jaar
  • 45 tot 55 jaar
  • 55 tot 65 jaar
  • Ouder dan 65 jaar
  • Onbekend
Delicten vóór drugsdelict
Onder de leeftijdsverdeling zijn in een tabel alle delicten voorafgaand aan het geselecteerde drugsdelict voor de verdachten bepaald. Hier wordt gekeken naar de meest voorkomende criminele delicten en verdenkingen onder verdachten van het geselecteerde drugsfeit en geselecteerde leeftijdscategorie.

Omdat delicten die verder in het verleden liggen mogelijk een minder voorspellende waarde hebben, kan in een selectiemenu gekozen worden hoeveel jaar wordt teruggekeken. Wanneer bijvoorbeeld een periode van 10 jaar is geselecteerd, worden alleen de verdenkingen uit de 10 jaar voorafgaand aan het geselecteerde drugsdelict beschouwd.

Samengevat pad vóór drugsdelict
Ten slotte worden verschillende eigenschappen van de criminele carriëre in kaart gebracht:
  • Totaaldelicten: Het aantal, al dan niet druggerelateerde, delicten waarvan iemand verdacht is geweest vóórdat hij of zij verdacht werd van het geselecteerde drugsdelict.
  • Frequentie: Het aantal Haltdelicten waarvan iemand verdacht is geweest vóórdat hij of zij verdacht werd van het geselecteerde drugsdelict.
  • Drugsdelicten: Het aantal druggerelateerde delicten waarvan iemand verdacht is geweest vóórdat hij of zij verdacht werd van het geselecteerde drugsdelict.
  • Haltdelicten: Het aantal Haltdelicten waarvan iemand verdacht is geweest vóórdat hij of zij verdacht werd van het geselecteerde drugsdelict.
  • Carriëre: Aantal jaren dat iemand verdacht wordt van delicten voordat hij of zij verdacht werd van het geselecteerde drugsdelict.
  • Leeftijd tijdens eerste delict: De leeftijd waarop iemand verdacht is geweest van zijn of haar eerste delict

In een tabel zijn de gemiddelden van deze eigenschappen opgenomen. Hier kun je bijvoorbeeld zien dat een verdachte die verdacht is geweest van de handel in harddrugs een gemiddelde carriëreduur heeft van 6,4 jaar.

Wanneer vervolgens een specifieke eigenschap wordt geselecteerd door in de tabel op een indicator te klikken, wordt de distributie van deze eigenschap in de laatste figuur op de pagina getoond. Bij de carriëreduur blijkt bijvoorbeeld dat een groot deel (23,6 procent) 0 jaar actief is, maar tegelijk zie je dat ook een bijna even groot deel (22,2 procent) een carriëreduur heeft van meer dan 11 jaar.

Bronbestanden

Voor deze analyse is gebruik gemaakt van:

  • Een maatwerkbestand met persoonskenmerken van alle verdachten van drugsdelicten in de periode 2015 tot en met 2019 (maatwerkbestand Analysebestand CD Drugs 2015-2019). Dit bestand is samengesteld op basis van de volgende bronnen:
    • Basisvoorziening Handhaving (BVH) van de politie;
    • Basisregistratie Personen (BRP) van gemeenten.
  • Delict kenmerken van personen die door de politie zijn geregistreerd als verdachte van een misdrijf (VERDTAB);
  • Delict kenmerken van Haltjongeren van 12 tot 18 jaar (HALTTAB);
  • Maatwerkbestand misdrijf verdenkingen van personen die door de politie zijn geregistreerd inclusief datum van verdenking. (VERDEIND);
    • In deze bron bevinden zich alle geregistreerde verdenkingen. De registraties zijn verdenkingen van personen tegen wie een redelijk vermoeden van schuld bestaat. Bij elke verdenking is de exacte datum geregistreerd.
  • Basisregistratie Personen (BRP).

Verdiepende informatie analyses verdachte transacties

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • De locatie van de transactie betreft de locatie waarop de ongebruikelijke transactie is gemeld aan de FIU. Dit kan bijvoorbeeld bij een notariskantoor of autohandelaar zijn. Verdachte transacties zonder herleidbare locatie (in of buiten Nederland) zijn niet meegeteld in de analyses.
  • In verband met het risico op herleidbaarheid worden gemeenten waarin minder dan tien verdachte transacties gedaan zijn, onderdrukt en worden deze transacties niet op de kaart getoond.
  • Daarnaast worden bedragen onderdrukt wanneer één transactie voor meer dan 50 procent bijdraagt aan het totale bedrag aan verdachte transacties in die gemeente. Dit om dominantie (en daarmee herkenbaarheid) van één bepaalde transactie te voorkomen.
  • Een hoog aantal geregistreerde verdachte transacties in een bepaalde gemeente hoeft niet direct te betekenen dat er veel verdachte transactie in die gemeente plaatsvinden. Bij sommige meld-plichtige instellingen wordt een melding aan de FIU door het hoofdkantoor gedaan. Het kan dus bijvoorbeeld voorkomen dat een regionale vestiging van een bank in Groningen een ongebruikelijke transactie opmerkt en vervolgens doorspeelt naar het hoofdkantoor in Utrecht. Daar wordt de transactie dan gemeld en dus geregistreerd.
  • De transactiesoort kan in een aantallen gevallen samenhangen met waarom bepaalde verdachte transacties voornamelijk in een regio geregistreerd worden.
    Ter illustratie: douanetransacties worden grotendeels geregistreerd in havengebieden en op luchthavens en girale overboekingen voornamelijk in gebieden met hoofdvestigingen van banken.
  • De afwezigheid van mogelijk interessante transactiesoorten zoals cryptocurrencies kan verklaard worden door de periode waarop de dataset betrekking heeft. De huidige analyses zijn gebaseerd op de ongebruikelijke transacties die tussen 2011 en 2016 aan de FIU gemeld en vervolgens verdacht zijn verklaard. Cryptocurrencies komen pas in latere jaren voor. Daarnaast bevat de groep overige transactiesoorten ook transactiesoorten die tegenwoordig minder vaak voorkomen, zoals steekpenningen.
  • De grote variantie in het bedrag van de verdachte transacties heeft deels te maken met het bestaan van meldplicht voor bepaalde transactiesoorten. Als er een aanleiding is om te veronderstellen dat een transactie in verband gebracht kan worden met witwassen of de financiering van terrorisme geldt altijd die meldplicht. Hierdoor kan een transactie ook een relatief lage waarde vertegenwoordigen.
    Ter verduidelijking: Money transfers met een waarde van 2 000 euro of hoger dienen bijvoorbeeld altijd gemeld te worden. Bij een contante betaling ligt deze grens op 10 000 euro en enkel als er aanleiding is om te veronderstellen dat de transactie in verband gebracht kan houden met witwassen of de financiering van terrorisme. Bij contante betalingen groter dan 20 000 euro dient altijd een melding gemaakt te worden.
  • Het kan voorkomen dat één verdachte transactie feitelijk verwijst naar een samenstelling van transacties. In dat geval heeft de oorspronkelijke melder van een verdachte transactie er voor gekozen om in één melding te verwijzen naar meerdere transacties. Dat betekent dat één transactie op dit dashboard soms in werkelijkheid meerdere transacties vertegenwoordigd. De aantallen kunnen daardoor niet altijd zonder meer met elkaar vergeleken worden.

De analyse

De analyse naar verdachte transacties bestaat uit twee onderdelen: het in kaart brengen van de regionale spreiding van verdachte transacties binnen Nederland inclusief een uitsplitsing naar transactiesoort, en het geven van inzicht in de meest voorkomende herkomst- en bestemmingslanden van die verdachte transacties.

In de analyse naar de regionale spreiding van verdachte transacties binnen Nederland wordt er op gemeenteniveau getoond waar deze transacties geregistreerd worden. Daarnaast wordt in de analyse per gemeente ook inzicht gegeven in de verdeling van verdachte transactie naar transactiesoort. De variabelen die getoond worden in de gemeentekaartjes zijn het absolute aantal geregistreerde verdachte transacties, het relatieve aantal verdachte transacties (het aantal verdachte transacties per 10 000 inwoners) en het bedrag van de verdachte transacties (som en mediaan van de verdachte transacties).

In de analyses naar herkomst- en bestemmingslanden wordt per gemeente een overzicht gegeven van de landen van waar de meeste verdachte transacties vandaan komen of naartoe gaan. Naast het aantal wordt per combinatie van gemeente en herkomst- of bestemmingsland ook het totaalbedrag en het mediane bedrag van de verdachte transacties getoond.

De populatie

De populatie betreft alle transacties die in de onderzoeksperiode gemeld zijn aan de Financial Intelligence Unit (FIU) en middels een daarop volgend onderzoek door de FIU als verdacht zijn verklaard.

Methode

Om tot een regionale verdeling te komen van verdachte transacties zijn de transacties geaggregeerd op gemeenteniveau, zowel voor het totaal van de jaren in de onderzoeksperiode, als voor ieder afzonderlijk jaar. De bedragen van de transacties zijn geaggregeerd om een totaalbedrag per gemeente weer te kunnen geven. Hierbij is ook de mediane transactiewaarde bepaald. Er is gekozen voor een mediaan bedrag omdat de verdacht verklaarde transacties bedragen van nul tot miljoenen euro's kunnen omvatten. Een gemiddelde zal dus een vertekende beeld kunnen geven.

Inwoneraantallen per gemeente (peildatum 1 januari 2019) zijn aangekoppeld om het aantal transacties per 10 000 inwoners te berekenen. Ter vergelijking van de uitkomsten per gemeente is ook het totaal van Nederland berekend, zowel voor alle jaren samen als voor ieder jaar apart.

Voor de totale periode, dus niet per jaar, is een keuze te maken in het soort transactie dat wordt getoond in kaarten. Hieronder in het kort de transactiesoorten die zijn meegenomen. Zie voor een uitgebreidere beschrijving de begrippenlijst.

  • Money transfer: Transactie waarbij contant geld door middel van een betaaldienstverlener (tussenpersoon) elders beschikbaar wordt gesteld.
  • Girale overboeking: Overboeken van geld van bank tot bank.
  • Contante stortingen/opnamen: Transacties waarbij contant geld op rekening wordt gestort of van een rekening wordt opgenomen.
  • Douanetransacties: Douanemeldingen hebben betrekking op de invoer, uitvoer en doorvoer van contante geldbedragen van 10 000 euro, waarbij het geld wordt vervoerd vanuit of naar een land buiten de EU.
  • Contante betalingen: Alle vormen van betaling met contante geldbedragen.
  • Vastgoed verkoop/inkoop: Transacties waarbij sprake is van de aankoop of verkoop van vastgoed.

Voor het bepalen van de belangrijkste herkomst- en bestemmingslanden van verdachte geldstromen zijn de transacties op gemeenteniveau nogmaals geaggregeerd, nu op herkomst- en bestemmingsland. Dit levert per gemeente en per herkomst- en bestemmingsland het aantal transacties, totaalbedrag en mediane transactiewaarde op. Alleen de landen met de grootste bijdrage aan verdachte transacties (qua aantal) worden getoond in de visualisatie. Deze analyse is alleen gedaan op het totaal aantal transacties over de gehele onderzoeksperiode en kon niet uitgesplitst worden naar jaar.

Bronbestanden

Voor de uitsplitsing van verdachte transacties naar gemeente is gebruik gemaakt van een maatwerkbestand dat is aangeleverd door de FIU (Financial Intelligence Unit), waarin verdachte transacties met een aantal kenmerken is opgenomen.

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • In verband met het risico op herleidbaarheid worden categorieën met minder dan tien personen onderdrukt. Dit leidt er toe dat een verdere uitsplitsing naar soort uitkering voor betrokkenen met een uitkering niet altijd gemaakt kan worden. In deze gevallen wordt de figuur dan ook niet getoond.
  • Vanwege te kleine aantallen kan niet voor alle onderscheiden rollen een uitsplitsing worden gemaakt naar de frequentie van betrokkenheid bij verdachte transacties. Voor deze rollen worden de verschillende persoonskenmerken alleen getoond voor het totaal unieke personen in deze rol.
  • De frequentie van betrokkenheid is bepaald op basis van alle rollen die een persoon gehad heeft. Als in het dashboard gekozen wordt om opdrachtgevers te laten zien, tonen de figuren bij de groep 'tien keer of vaker betrokken' de persoonskenmerken van personen die tien keer of vaker voorkomen, waarvan minstens één keer als opdrachtgever (en dus niet tien keer of vaker als opdrachtgever).
  • Als referentie kan de verdeling naar de persoonskenmerken ook getoond worden voor alle inwoners van Nederland. Deze kenmerken hebben als peiljaar 2016.
  • De frequentie waarin betrokkenen voorkomen in de dataset kan samenhangen met het bestaan van een meldgrens voor bepaalde transactiesoorten. Money transfers met een waarde van 2 000 euro of hoger dienen bijvoorbeeld altijd gemeld te worden. Om onder de meldgrens te blijven kan het voorkomen dat betrokkenen de transactie in meerdere delen splitsen. Als hier een patroon in is te ontdekken en indien een vermoeden bestaat dat de transactie in verband kan worden gebracht met witwassen of de financiering van terrorisme worden deze losse transacties allemaal gemeld aan de FIU.
  • Het kan voorkomen dat één verdachte transactie feitelijk verwijst naar een samenstelling van transacties. In dat geval heeft de oorspronkelijke melder van een verdachte transactie er voor gekozen om in één melding te verwijzen naar meerdere transacties. Dat betekent dat één transactie op dit dashboard soms in werkelijkheid meerdere transacties vertegenwoordigd. De aantallen kunnen daardoor niet altijd zonder meer met elkaar vergeleken worden.

De analyse

De analyse naar personen betrokken bij verdachte transacties heeft als doel om een aantal kenmerken van deze personen in kaart te brengen. De kenmerken die weergegeven worden zijn geslacht, leeftijd, sociaaleconomische categorie en of de persoon verdacht is geweest van een misdrijf in het jaar van transactie. Op basis van de frequentie waarin iemand betrokken is geweest bij verdachte transacties worden verschillende groepen onderscheiden. Daarnaast is een uitsplitsing gemaakt naar de rol die iemand heeft gehad in de verdachte transactie.

Populatie

De populatie betreft personen die in de onderzoeksperiode betrokken zijn bij een door de Financial Intelligence Unit (FIU) verdacht verklaarde transactie. Alleen de personen die terug te vinden zijn in de Basisregistratie Personen (BRP) zijn meegenomen in de analyse.

Methode

Voor het in kaart brengen van de persoonskenmerken zijn de betrokken personen gekoppeld aan de BRP en aan andere relevante bronnen zoals de inkomens- en verdachtenstatistiek. Aan de hand van de frequentie waarin personen in de onderzoeksperiode betrokken zijn bij een verdachte transactie is een indeling gemaakt in drie groepen: personen die eenmaal voorkomen als betrokkene, tussen de twee tot tien keer en tien keer of vaker. De dataset is uniek gemaakt, waarbij de persoonskenmerken behorend bij de meest recente transactie behouden zijn voor de analyse. Ook bij de figuren over personen die vaker dan eenmaal betrokken zijn bij een verdachte transactie tellen dezelfde personen dus maar één keer mee.

De data is tevens geaggregeerd naar de rol van de persoon in de transactie. Deze rol is bepaald door degene die de ongebruikelijke transactie aan de FIU heeft gemeld. De rollen die onderscheiden worden zijn: opdrachtgever, begunstigde, eigenaar, (ver)koper, rekeninghouder, uitvoerder of een overige rol (zie begrippen voor meer uitleg over de verschillende rollen). Een persoon kan bij verschillende transacties verschillende rollen hebben gehad waardoor personen dus bij meerdere categorieën mee kunnen tellen.

Bronbestanden

  • Verdachte transacties (FIU)
  • Basisregistratie Personen (BRP) van gemeenten
  • Inkomen van personen
  • Delict kenmerken van personen die door de politie zijn geregistreerd als verdachte van een misdrijf (VERDTAB)

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Door een koppeling te maken met het ABR zijn alleen bedrijfskenmerken in beeld van bedrijven die economisch actief zijn: bedrijven met omzet of werkgelegenheid.
  • In verband met het risico op herleidbaarheid worden categorieën met minder dan tien bedrijven onderdrukt. Bij het kenmerk 'bedrijfstak' is daarom gekozen om per gekozen groep een top vijf te laten zien en de overige categorieën buiten beschouwing te laten.
  • Als referentie kan de verdeling naar bedrijfskenmerken ook getoond worden voor alle actieve bedrijven van Nederland. Het peilmoment hiervoor is het vierde kwartaal van 2016.
  • In de pagina over persoonskenmerken wordt ook een uitsplitsing gemaakt naar de rol die een betrokkene heeft tijdens de transactie. Deze informatie is ook bekend voor bedrijven, maar vanwege te kleine aantallen waarnemingen kan deze informatie niet getoond worden in het dashboard.
  • Het kan voorkomen dat één verdachte transactie feitelijk verwijst naar een samenstelling van transacties. In dat geval heeft de oorspronkelijke melder van een verdachte transactie er voor gekozen om in één melding te verwijzen naar meerdere transacties. Dat betekent dat één transactie op dit dashboard soms in werkelijkheid meerdere transacties vertegenwoordigd. De aantallen kunnen daardoor niet altijd zonder meer met elkaar vergeleken worden.

De analyse

De analyse naar bedrijven die betrokken zijn geweest bij verdachte transacties heeft als doel om een aantal kenmerken van deze bedrijven in kaart te brengen. Het gaat om bedrijven die betrokken zijn bij de verdachte transacties als de ontvanger, zender en zijn opgegeven door de melder. De kenmerken die worden weergegeven zijn rechtsvorm, bedrijfstak (op basis van SBI-code) en of het bedrijf actief is in een branche die mogelijk gelegenheidsstructuren kan bieden voor ondermijnende criminaliteit (zie technische toelichting van het onderdeel brancheanalyses). Op basis van de frequentie waarin een bedrijf betrokken is geweest bij verdachte transacties worden verschillende groepen onderscheiden.

Populatie

De populatie betreft bedrijven die in de onderzoeksperiode betrokken zijn bij een door de Financial Intelligence Unit (FIU) verdacht verklaarde transactie. Alleen de bedrijven die terug te vinden zijn in het Algemeen Bedrijven Register (ABR) zijn meegenomen in de analyse. Het ABR is een statistisch kader en bevat alleen economisch actieve bedrijven: bedrijven met omzet of werkgelegenheid.

Methode

Voor het in kaart brengen van de bedrijfskenmerken zijn de betrokken bedrijven gekoppeld aan het ABR. Het gaat hier om bedrijven die door een melder zijn geregistreerd als betrokkenen, het bedrijf zelf is dus geen melder. Aan de hand van de frequentie waarin bedrijven voorkomen als betrokkene bij een verdachte transactie is een indeling gemaakt in drie groepen: bedrijven die eenmaal voorkomen als betrokkene, tussen de twee tot vijf keer en vijf keer of vaker. De dataset is uniek gemaakt, waarbij de bedrijfskenmerken behorend bij de meest recente transactie behouden zijn voor de analyse. Ook bij de figuren over bedrijven die vaker dan eenmaal betrokken zijn bij een verdachte transactie tellen dezelfde bedrijven dus maar één keer mee.

Bronbestanden

  • Verdachte transacties (FIU)
  • Algemeen Bedrijvenregister (ABR)

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Instellingen die op basis van de Wet ter voorkoming van witwassen en financiering van terrorisme (Wwft) verplicht zijn melding te maken van ongebruikelijke transacties doen dit bij de Financial Intelligence Unit (FIU). Een deel van deze transacties wordt als verdacht bestempeld door de FIU. Deze analyse heeft betrekking op die verdachte transacties. De overige ongebruikelijke transacties blijven buiten beschouwing.
  • De pagina laat zien welke kenmerken nadrukkelijk typerend zijn voor betrokkenen bij verdachte transacties en waar zij onder- of oververtegenwoordigd zijn. Het hoeft echter niet te betekenen dat er ook daadwerkelijk meer of minder personen betrokken zijn bij een verdachte transactie op deze plekken. De kaarten laten alleen het voorkomen van de betreffende subgroepen zien en zeggen niets over de feitelijke regionale spreiding van betrokkenen.
  • Voor deze analyse is een voor het dashboard Zicht op Ondermijning samengesteld doelgroepenbestand gebruikt. Dat bestand bevat voor de Nederlandse bevolking een set basiskenmerken. Het doelgroepenbestand kent per verslagjaar geen specifiek peilmoment, maar bevat gegevens voor de hele Nederlandse bevolking in een bepaald jaar, in dit geval 2016. Dit betekent dat de gepresenteerde aantallen af kunnen wijken van aantallen die het CBS publiceert op StatLine.
  • In de analyse zijn alle bij verdachte transacties in 2016 betrokken personen meegenomen. Daarbij is geen onderscheid gemaakt naar de omvang of de soort transactie, noch of personen eenmaal of vaker betrokken zijn geweest bij een verdachte transactie. De onderscheiden subgroepen zijn dus gebaseerd op een breed scala aan typen betrokkenen bij verdachte transacties.
  • Als referentie kan de verdeling naar kenmerken ook getoond worden voor alle inwoners van Nederland. Hierbij is een leeftijdselectie van 16 tot 95 jaar aangehouden. Deze selectie is gebaseerd op het leeftijdsbereik van betrokkenen bij verdachte transacties.
  • In verband met risico op herleidbaarheid worden gemeenten, wijken en categorieën met minder dan tien personen onderdrukt. Dit leidt ertoe dat voor een aantal groepen geen uitsplitsing op wijkniveau zichtbaar wordt.

De analyse

De pagina groepsanalyse heeft als doel om een aantal onderscheidende kenmerken van betrokkenen bij verdachte transacties in kaart te brengen. Door middel van subgroup discovery (zie methode) zijn er veertien groepen in de Nederlandse bevolking geïdentificeerd waarbinnen het aandeel betrokkenen hoger ligt dan gemiddeld. Deze groepen zijn vervolgens regionaal geplot op de kaart: op gemeenteniveau en waar mogelijk ook op wijkniveau. Daarnaast zijn voor de onderscheiden groepen een aantal kenmerken op het gebied van huishouden, inkomen en woonsituatie in beeld gebracht.

Populatie

De populatie betreft personen tussen de 16 en 95 jaar die ergens gedurende het jaar 2016 ingeschreven hebben gestaan in de Basisregistratie Personen (BRP).

Methode

Subgroup discovery is een methode voor dataverkenning waarbij verbanden in kenmerken ten opzichte van een doelvariabele worden blootgelegd. In deze analyse is die doelvariabele de betrokkenheid bij een verdachte transactie. De kenmerken die onderzocht zijn, bestaan onder andere uit demografische variabelen, inkomensvariabelen en variabelen over woonsituatie.

Het doel van de analyse is om die subgroepen te identificeren die het meest interessant zijn. Dat wil zeggen: groepen met een aandeel betrokkenen bij een verdachte transacties dat hoger ligt dan het aandeel betrokkenen in de totaalpopulatie. Het resultaat is een ranglijst van groepen op basis van kenmerken: hoe hoger een groep op deze lijst staat, hoe groter de kans is dat er binnen deze groep personen worden gevonden die betrokken zijn bij een verdachte transactie. Die groepen kunnen worden gevonden aan de hand van één kenmerk (diepte 1) of voor twee kenmerken (diepte 2). Theoretisch gezien kunnen ook groepen gemaakt worden met meer kenmerken, maar dan worden de groepen te klein om uitspraken over te kunnen doen. De techniek wordt verderop in meer detail uitgelegd.

Het grote voordeel van de techniek is dat groepen volgens relatief simpele regels worden afgebakend en daarom ook weer makkelijker te interpreteren zijn. Het is bovendien geen voorspellingstechniek, maar geeft puur een beschrijving van de data.

Subgroup discovery vraagt erg veel rekenkracht. Daarom is een voorselectie gemaakt op voor deze analyse relevante kenmerken. Van deze kenmerken zijn de waarden uit het peiljaar 2016 gebruikt. Dit is het meest recente jaar waarvoor ten tijde van de analyse gegevens over verdachte transacties beschikbaar waren. Om de techniek toe te kunnen passen, zijn alle kenmerken bovendien omgezet naar categorische variabelen. Ten slotte is de analyse, met het oog op de benodigde rekenkracht, steeds uitgevoerd op een willekeurige steekproef van één miljoen personen. Om de uitkomsten op deze steekproef te valideren is de analyse enkele keren herhaald op andere willekeurige steekproeven met dezelfde omvang en op gegevens uit eerdere peiljaren.

De techniek uitgelegd

Subgroup discovery is een data-analyse techniek die wordt gebruikt om associaties in data naar voren te halen, rekening houdend met een vooraf bekende doelvariabele: in dit geval het betrokken zijn bij een verdachte transactie. De data worden middels deze techniek ingedeeld in (sub)groepen die op een kenmerk het sterkst afwijken ten opzichte van de aanwezigheid van de doelvariabele. Hierdoor ontstaan er dus groepen van personen met bepaalde kenmerken waarbij het doelkenmerk veel meer voorkomt dan gemiddeld in de onderzochte populatie. De groepsanalyse zorgt ervoor dat er aan de hand van statistisch logische regels een set aan subgroepen ontstaat die interessant zijn om verder te onderzoeken of in beeld te brengen.

Ter illustratie: De doelvariabele is betrokkenheid bij een verdachte transactie. Op voorhand is bekend hoe groot de groep betrokkenen is. Voor alle categorieën van de verschillende kenmerken wordt ook bekeken hoe groot de groep betrokkenen is. Neem de volgende twee kenmerken met bijbehorende kenmerken als voorbeeld:

  1. Sociaalecononomische categorie: werknemer, zelfstandige, directeur-grootaandeelhouder, ontvanger uitkering , overig;
  2. Woonsituatie: huurwoning koopwoning .
Voor deze twee kenmerken wordt per categorie bekeken wat de verhouding is tussen personen die wél betrokken zijn bij een verdachte transactie en personen die dat níet zijn. Daarmee kan bepaald worden voor welke kenmerken een verhoogde kans bestaat dat er personen voorkomen die betrokken zijn bij een verdachte transactie, ten opzichte van het gemiddelde van de gehele populatie. In de twee kenmerken hierboven zouden dat bijvoorbeeld ontvanger van een uitkering en wonend in een koopwoning kunnen zijn. Binnen die categorieën is het aandeel betrokkenen duidelijk hoger dan gemiddeld. Het kan ook voorkomen dat binnen een kenmerk geen enkele categorie een hoger aandeel dan gemiddeld laat zien. In dat geval staan de categorieën van dat kenmerk onderaan de ranglijst en worden dus niet gezien als interessante subgroepen.

Als subgroup discovery wordt toegepast op diepte 1 kan dus een groep ontstaan met als meest bepalende kenmerk dat zij een uitkering ontvangen. Als het wordt toegepast op diepte 2 kan dat een kenmerkencombinatie zoals bijvoorbeeld: ontvangt een uitkering én woont in koopwoning.

Subgroup discovery, clusteranalyses en voorspelmodellen

Er zijn verschillende data science technieken waar subgroup discovery op het eerste gezicht op lijkt: voorspelmodellen en clusteranalyses zijn ook manieren om typerende kenmerken van groepen te onderscheiden.

Een voorspelmodel (bijvoorbeeld een beslisboom) heeft echter als doel om kenmerken te bepalen die bepalend zijn voor de kans dat iemand in een bepaalde groep valt, waarna die kenmerken ook toegepast kunnen worden om een score te berekenen voor de populatie die níet tot die groep behoort. Zie afbeelding (a). In dit geval bijvoorbeeld het risico op het doen van een verdachte transactie. Bij subgroup discovery zijn we echter niet geïnteresseerd in een voorspelling, maar juist in een verdere verdeling van een afgebakende groep naar typerende kenmerken.

Bij een clusteranalyse wordt binnen een bepaalde populatie gezocht wordt naar groepjes (clusters) van individuen die op een set kenmerken zoveel mogelijk op elkaar lijken en juist van andere clusters verschillen. Zie afbeelding (b). Een clusteranalyse geeft niet zozeer aan welk kenmerk meer of minder belangrijk is ten aanzien van de doelvariabele. Bij subgroup discovery staat juist de relatie tot de doelvariabele centraal.

Subgroup discovery zoekt in de data naar subgroepen waarbinnen het gekozen kenmerk vaker voorkomt dan gemiddeld. Zie afbeelding (c).

Uitkomsten

De analyse is uitgevoerd met behulp van de data science tool Cortana, ontwikkeld door het Leiden Institute of Advanced Computer Sciences (LIACS). Deze tool maakt het mogelijk om snelle statistische regels te formuleren en bijbehorende aantallen te berekenen. Daaruit volgen groepen in een rangorde op basis van de verhoogde kans. Voor de groepen gebaseerd op associaties op één kenmerk (diepte 1) is een top-10 samengesteld, voor de groepen gebaseerd op twee kenmerken (diepte 2) een top-5. Daarbij is er rekening mee gehouden of de resulterende groepen voldoende groot zijn, om zo de relevantie van de uitkomsten te borgen.

Hieronder worden de resultaten uit de analyse weergegeven. Zoals hierboven aangegeven zijn de analyses om deze groepen te vinden gedraaid om een selectie van één miljoen personen. De bijbehorende (berekende) verhoogde kans dat iemand uit de groep betrokken is bij een verdachte transactie is echter berekend op de gehele Nederlandse bevolking. Het getal dient als volgt te worden geïnterpreteerd: voor veroordeelden is de berekende kans dat er binnen deze groep iemand een verdachte transactie heeft gedaan 14 keer hoger dan gemiddeld.

De dashboardpagina toont de regionale spreiding van deze geïdentificeerde groepen. Voor een gekozen groep wordt het aantal personen met het betreffende kenmerk getoond per 1 000 inwoners in een regio. Voor diepte 1 zijn deze uitkomsten beschikbaar gemeente- en wijkniveau, voor diepte 2 alleen op gemeenteniveau. Daarnaast zijn er per geselecteerde groep ook een aantal basis statistieken te vinden met de uitkomsten voor heel Nederland als referentie.

Bronbestanden

  • Verdachte transacties (FIU);
  • Doelgroepenbestand.

Verdiepende informatie brancheanalyses

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Omdat de gegevens van omzet niet per bedrijfsvestiging bekend zijn, zijn deze gegevens geschat aan de hand van het aantal werkzame personen bij de betreffende lokale bedrijfseenheid. Hiervoor is een verdeelsleutel gebruikt, die het CBS heeft afgeleid op basis van de Polisadministratie van het UWV en een regio enquête werkzame personen.
  • Alleen data van bedrijven die gedurende het volledige kalenderjaar (peiljaar) actief waren zijn meegenomen.
  • Alleen wanneer er voldoende vestigingen van een bepaalde branche zijn in een gemeente of wijk kunnen een concentratie en afwijking getoond worden. Aantallen kleiner dan 10 worden niet weergegeven in verband met het risico op onthulling. Dit kan er bijvoorbeeld toe leiden dat een branche waarop een gemeente afwijkend scoort niet naar boven komt in de top 10 op wijkniveau, omdat de aantallen onderdrukt worden. Door de tabel uit te klappen worden de concentraties en afwijkingen van alle branches in het geselecteerde gebied getoond, zodat duidelijk wordt voor welke branches dit geldt.

De analyse

Deze analyse laat de concentraties en verandering van concentraties van vestigingen in een bepaalde branche per gemeente en wijk zien. De visualisaties geven een beeld van de hoeveelheid en verandering in vestigingen en de omzet van vestigingen in een bepaald gebied ten opzichte van het aantal vestigingen en het aantal inwoners van het gebied. De pagina bevat zes selectievelden:

Branche: Hier kan de gewenste branche geselecteerd worden. Er is een selectie gemaakt met potentieel interessante branches voor dit overzicht:

Analyse: Er zijn twee verschillende analyses waarmee concentraties in een gebied kan worden geanalyseerd
  • Concentratie: Deze analyse laat de concentratie van vestigingen in een bepaalde branche zien.
  • Trends: Deze analyse laat de verandering van de concentratie van vestigingen in een bepaalde branche zien

Maat: Er zijn vier verschillende maten gemaakt waarmee de concentraties van vestigingen kunnen worden bekeken. Dit zijn:
  1. Het aantal branchevestigingen per 1 000 totaalvestigingen. Dit geeft aan hoeveel vestigingen er in de gekozen branche zijn ten opzichte van het totaal aantal vestigingen (in alle branches) in het betreffende gebied.
    Voorbeeld: In de gemeente Assen zijn 40 000 bedrijfsvestigingen. In de branche Bakkerijen zijn dat er 80. Het aantal vestigingen per 1 000 vestigingen bedraagt in dit geval:
    (80 / 40 000) x 1 000 = 2
  2. Het aantal branchevestigingen per 10 000 inwoners. Dit geeft het aantal vestigingen in een branche weer ten opzichte van het aantal inwoners in het gekozen gebied.
    Voorbeeld: In de gemeente Opsterland wonen 30 000 mensen en zijn er 240 restaurants. Het aantal vestigingen per 10 000 inwoners is in dit geval:
    (240 / 30 000) x 10 000 = 80
  3. Promillage van de omzet. Dit geeft aan welk deel van de totale omzet is gedraaid in de gekozen branche in het betreffende gebied.
    Voorbeeld: In de gemeente Emmen draaien bedrijven in de branche Autobedrijven gezamenlijk een omzet van 10 miljoen euro. De totale omzet van alle bedrijven in de gemeente Emmen is 500 miljoen euro. Het promillage van de omzet in Autobedrijven is:
    (10 000 000 / 500 000 000) x 1 000 = 20 ‰
  4. Omzet per inwoner. Dit geeft aan hoeveel omzet er in deze branche is gedraaid in verhouding tot het aantal inwoners van de gemeente of wijk.
    Voorbeeld: In de gemeente Vlieland draaien de Vishandelaren samen 400 000 euro aan omzet. Vlieland heeft 1 000 inwoners. De brancheomzet per inwoner is:
    400 000 / 1 000 = 400 euro

Eenheid: Er zijn drie eenheden waarin de stand en verandering van concentraties in vestigingen weergegeven kan worden. Dit zijn:
  • Concentraties per jaar;
  • Absolute ontwikkeling;
  • Relatieve ontwikkeling.

Periode: Het jaar of de periode waarvoor de informatie getoond wordt in het dashboard.

Regio: De regio die op de betreffende kaart getoond moet worden. Standaard is dit Nederland, maar er kan ook gekozen worden voor een RIEC-regio.

Navigeer naar (gemeente): Geeft de kaart van de gekozen gemeente weer en de top 10 hoogste concentraties voor de gekozen gemeente. De tabel kan verder uitgeklapt worden zodat de concentraties van alle branches te zien zijn.

Navigeer naar (wijk): Geeft de top 10 hoogste concentraties voor de gekozen wijk. De tabel kan verder uitgeklapt worden zodat de concentraties van alle branches te zien zijn.

De populatie

Voor deze analyse is gekeken naar alle bedrijfsvestigingen in de uitgelichte branches die in Nederland actief waren gedurende het volledige peiljaar. Hier is voor gekozen om zo de gegevens over de omzet van het bedrijf goed met elkaar te kunnen vergelijken. De gegevens van de bedrijven zijn afkomstig uit het Algemene Bedrijvenregister (ABR) van het CBS.

Methode

Concentraties en trends

De gegevens van bedrijfseenheden en onderliggende lokale bedrijfseenheden (bedrijfsvestigingen) zijn afkomstig uit het ABR. Het bestand met alle lokale bedrijfseenheden is aangevuld met gegevens over het personeel (Polisadministratie) en de omzet (btw) van de bedrijfseenheid. De omzet wordt vastgelegd op het niveau van de bedrijfseenheid. Om dit te verdelen onder de lokale bedrijfseenheden, is gebruik gemaakt van gegevens over de hoeveelheid personeel van de betreffende vestiging. De hoeveelheid omzet is zodoende een schatting van wat het betreffende bedrijf heeft omgezet op de lokale bedrijfseenheid.

De gegevens over de lokale bedrijfseenheden zijn na het koppelen met andere bronnen, voor de analyse geaggregeerd op gemeente- en wijkniveau en aangevuld met andere kenmerken van de betreffende gebieden.

Het aantal inwoners van een gebied is bepaald aan de hand van de stand van de bevolkingsadministratie (BRP) op 1 januari van het gekozen peiljaar.

Bronbestanden

  • Algemeen Bedrijven Register (ABR)
  • Aangifte omzetbelasting (BTW)
  • Basisregistratie Personen (BRP)

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Uitzendkrachten en flexwerkers staan op de loonlijst van het uitlenende bedrijf. Ze worden daarom niet meegerekend als werknemers bij het bedrijf dat ze inhuurt. Hierdoor valt het aantal fte waar mee gerekend wordt lager uit dan het werkelijke aantal - en de omzet per fte dus hoger. In branches waar meer gebruik wordt gemaakt van uitzendkrachten en flexwerkers zal dit effect tot een grotere overschatting van omzet per fte leiden.
  • Het aantal fte is afgeleid van de loonlijst. Eigenaren van bedrijven zonder rechtspersoonlijkheid zijn zelfstandige ondernemers en dus resultaatgenieters die niet op de loonlijst van hun bedrijf staan. Het gaat hierbij onder andere om eenmanszaken, maatschappen en vof’s.
    Dit zorgt voor een onderschatting van het werkelijke aantal fte en dus een overschatting van de omzet per fte. Voor deze rechtsvormen is daarom standaard 1 extra fte gerekend. In werkelijkheid kan dit cijfer hoger liggen wanneer er meerdere eigenaren zijn die werken in het bedrijf. Andersom kan de eigenaar ook minder werken dan 1 fte.
  • Er wordt altijd een ondergrens van 1 fte gehanteerd.
  • Er zijn alleen data met betrekking tot salaris en omzet beschikbaar op het niveau van de bedrijfseenheid (BE). Een BE kan uit meerdere juridische eenheden en meerdere vestigingen bestaan. Wanneer een BE uit meerdere vestigingen (lokale bedrijfseenheden, LBE) bestaat, is de exacte data van de individuele vestiging met betrekking tot de omzet, aantal werknemers en salarisspecificaties onbekend. Door middel van een verdeelsleutel op basis van werkgelegenheid worden deze waarden verdeeld over de vestigingen. Voor uitleg over bedrijfseenheden en lokale bedrijfseenheden verwijzen wij naar de documentatie van het ABR van het CBS.
  • Grotere bedrijven die uit meerdere juridische eenheden bestaan (meerdere KVK-inschrijvingen) kunnen ervoor kiezen om alle werknemers onder één juridische eenheid in te delen en de omzet onder een andere. Hierdoor kan een vertekend beeld ontstaan van de omzet per fte.
  • Het kan voorkomen dat het loon teruggeboekt wordt van een ander jaar, waardoor het uurloon een afwijking lijkt te vertonen van de werkelijkheid.
  • De omzetgegevens die in deze analyse gebruikt worden, zijn de gegevens die bedrijven voor hun btw-aangifte rechtstreeks doorgeven aan de Belastingdienst. Ondernemers kunnen achteraf hun aangifte corrigeren (suppletie), maar die correcties zitten niet in deze data. De ruwe data kunnen dus nog onvolmaaktheden bevatten.

De analyse

Dit onderdeel van het dashboard richt zich op de top 20 bedrijven met de hoogste waarden voor de indicatoren omzet per fte en het uurloon van een branche per gemeente of wijk. Wanneer er in een wijk of gemeente minder dan 20 maar meer dan 10 bedrijven van een branche zitten, wordt gekeken naar al die bedrijven.

Voor de indicator uurloon is het gemiddelde uurloon gebruikt om de top 20 bedrijven te beschrijven. Voor omzet per fte is gekozen voor de mediaan. De mediaan van een reeks getallen is de middelste waarneming van de getallen, wanneer je ze in volgorde van klein naar groot plaatst. De mediaan van de omzet per fte geeft een betere representatie van de populatie bedrijven dan het gemiddelde, omdat de top 20 vaak hoge uitschieters bevat die het gemiddelde aanzienlijk beïnvloeden.

Voor elke gemeente en wijk is een verwacht bedrag voor de top-20 bedrijven berekend. Hierbij is gecontroleerd voor de grootte van de populatie bedrijven voor de desbetreffende branche in de gemeente of wijk.

Uitkomsten naar vijf groepen in kaarten

De afwijking van de verwachte waarde van de top 20 bedrijven en de echte waarde is ingedeeld in vijf groepen met kwalitatieve grenzen.

  1. Lager dan verwachting;
  2. Iets lager dan verwachting;
  3. Gelijk aan verwachting;
  4. Iets hoger dan verachting;
  5. Hoger dan verwachting.

De daadwerkelijke waarde van de top 20 ten opzichte van de verwachte waarde kan negatief of positief zijn, daarom is de verdeling tussen de vijf groepen als volgt gemaakt:

De wijken of gemeenten met een lagere waarde dan verwacht, zijn verdeeld in twee even grote groepen; groepen 1 en 2. De wijken of gemeenten met een hogere waarde dan verwacht, zijn ook verdeeld in twee evenredige groepen; groepen 4 en 5. Wijken of gemeenten met een waarde van maximaal 5 procent hoger of lager dan de verwachte waarde zijn in groep 3 ingedeeld. Deze indeling is per branche gemaakt.

De pagina bevat drie filtermenu’s:

Branche: Hier kan de gewenste branche geselecteerd worden. Er is een selectie gemaakt met potentieel interessante branches voor dit overzicht:

Indicator: De gebruiker kan kiezen tussen twee indicatoren waarover de afwijking is berekend:

  1. Mediaan van de omzet per fte;
  2. Gemiddelde uurloon.

Van deze indicator wordt de uitkomst voor de top 20 van bedrijven in de gekozen branche en gemeente of wijk weergegeven: de 20 bedrijven met de hoogste omzet per fte of het hoogste gemiddeld uurloon.

Peiljaar: Het jaar waarvoor de informatie getoond wordt in het dashboard.

De twee kaarten bevatten ook drie selectievelden:

Regio: De regio die op de betreffende kaart getoond moet worden. Standaard is dit Nederland, maar er kan ook gekozen worden voor een RIEC-regio.

Navigeer naar (gemeente): Geeft de kaart van de gekozen gemeente weer en een tabel met de top-10 grootste afwijkingen voor de gekozen gemeente. De tabel kan verder uitgeklapt worden zodat de afwijkingen van alle branches te zien zijn.

Navigeer naar (wijk): Geeft een tabel met de top-10 grootste afwijkingen voor de gekozen wijk. De tabel kan verder uitgeklapt worden zodat de afwijkingen van alle branches te zien zijn.

De populatie

De getoonde uitkomsten hebben betrekking op alle bedrijven die in het Algemeen Bedrijven Register (ABR) voorkomen, binnen een bepaalde branche. Branches worden geselecteerd op basis van SBI-code. Alleen bedrijven die het volledige jaar actief waren in het desbetreffende peiljaar zijn geselecteerd. Verder zijn alleen de bedrijven geselecteerd waarover informatie over de omzet, fte en salaris bekend is.

Methode

De verschillende maten van afwijking worden berekend door het waargenomen bedrag te vergelijken met het verwachte bedrag. Dat verwachte bedrag wordt bepaald door een simulatie op basis van steekproeftrekkingen. Zo wordt gecorrigeerd voor het aantal vestigingen van een branche in een wijk of gemeente. Het idee is dat in een gemeente met veel vestigingen de mediaan van de omzet per fte van de top-20 anders zal uitvallen dan in een gemeente met weinig vestigingen. Voor een gedetailleerde omschrijving, zie het onderstaande stappenplan.

Het berekenen van de verwachting gebeurt op de volgende manier:

Stap 1. Eerst worden 1 000 000 samples ter grootte van het aantal bedrijven in de geselecteerde gemeente of wijk getrokken uit de volledige populatie bedrijven van de gekozen branche. Bijvoorbeeld:

Gemeente X:
Aantal bedrijven van branche A = 30
Mediaan omzet per fte van de top-20 bedrijven in branche A = 40 000 euro

1 000 000 samples ter grootte van 30.

Stap 2. Van elke sample wordt de mediaan van het bedrag van de top 20 waarden berekend.

Stap 3. De verwachte omzet wordt berekend door het totaal van de medianen van de top 20 van alle samples te delen door het aantal samples.

Stap 4. De afwijkende omzet wordt berekend door de echte score af te trekken van de verwachte score.

Afwijkende omzet in euro = echte mediaan - verwachte mediaan

Bijvoorbeeld:
Gemeente Y:
Mediaan van omzet per fte van de top 20 voor branche B = 45 000 euro
Verwachte mediaan van omzet per fte = 40 000 euro
Afwijkende omzet = 5 000 euro

Stap 5. De procentuele afwijking wordt berekend doormiddel van de volgende berekening:

(gemeten mediaan omzet per fte - verwachte mediaan van omzet per fte)/(verwachte mediaan van omzet per fte)*100

Bijvoorbeeld:
Voor gemeente Y
(45 000 - 40 000) / 40 000 * 100 = 12,5%

De berekening voor het gemiddelde uurloon is hetzelfde, alleen wordt daar gekeken naar het gemiddelde van het uurloon van de top 20 bedrijven in plaats van naar de mediaan.

Wanneer een gemeente of wijk minder dan 20 maar meer dan 10 bedrijven heeft binnen een branche dan wordt de gemiddelde omzet per fte van het totaal aantal bedrijven binnen deze gemeente genomen.

Berekening en interpretatie van de p-waarde

Niet alle vestigingen zullen een omzet hebben die exact gelijk is aan het Nederlands gemiddelde; er is een natuurlijke variatie in de data aanwezig. Deze natuurlijke variatie vertaalt zich ook door naar gemiddelden voor gemeenten: die zullen ook nooit exact gelijk zijn aan het Nederlands gemiddelde. Dit geldt ook voor andere statistieken, zoals de mediaan; ook die zal niet voor elke gemeente exact gelijk zijn. Om een idee te krijgen of de afwijking van een gemeente nog valt binnen deze natuurlijke variatie, kunnen we een p-waarde berekenen.

Voor de 1 000 000 samples meten wij hoe vaak de gesimuleerde mediaan van de top 20 (zie Stap 2 hierboven) groter is dan de gemeten mediaan. Dit aantal delen we door het totaal aantal simulaties. We weten nu het percentage waarbij er 'door toeval' een omzet kan ontstaan die hoger is dan de gemeten omzet.

Hoe lager de p-waarde is, hoe kleiner de kans dat de hoge mediaan door 'natuurlijke fluctuatie' (toeval) is veroorzaakt. In veel wetenschappelijke studies wordt een grens van 5 procent gehanteerd, waarbij een p-waarde kleiner dan 5 procent een statistisch significante afwijking wordt genoemd. Omdat in onze simulatie heel veel branches en heel veel gemeenten bekijken, kan de p-waarde niet op deze manier geïnterpreteerd worden. We raden aan om de p-waarde niet te interpreteren als 'wel of niet statistich significant'. Daarvoor zou deze p-waarde gecorrigeerd (verlaagd) moeten worden door bijvoorbeeld een Bonferroni correctie toe te passen. Er is voor gekozen deze keuze niet te maken voor de gebruiker. We geven de p-waarde als hulpmiddel om te kijken of het geconstateerde verschil door toeval zou kunnen zijn ontstaan.

Berekening van het uurloon

Voor het berekenen van het uurloon is het basisloon en reguliere loon door elkaar gedeeld. Onderstaand de toelichting bij het uurloon (op jaarbasis) uit CBS StatLine-publicatie:
Het gemiddeld uurloon per jaar is het overeengekomen bruto loon (exclusief bijzondere beloning en overwerkloon, maar inclusief de fiscale waarde van niet in geld uitgekeerde belaste vergoedingen) per verloond uur (exclusief overwerkuren en verlofuren in verband met vakantie, ADV en algemeen erkende feestdagen). Het gehanteerde loonbegrip komt overeen met dat van het maandloon exclusief overwerkloon en het arbeidsduurbegrip met dat van de jaarlijkse arbeidsduur. Het uurloon wordt bepaald door de desbetreffende jaarloonsom te delen door de bijbehorende jaarsom van de uren.

Bronbestanden

  1. Algemeen Bedrijven Register (ABR). Dit bestand bevat alle bedrijven die ingeschreven staan in het Basis Bedrijvenregister (BBR), een samenwerkingsverband tussen de Kamer van Koophandel, de Belastingdienst en het CBS.
  2. Banen en lonen volgens de Polisadministratie van het UWV (SPOLISBUS): In dit bestand zijn kwantitatieve en kwalitatieve gegevens opgenomen over banen en lonen van werknemers bij Nederlandse bedrijven over een bepaald verslagjaar of deel van een verslagjaar.
  3. Aangifte omzetbelasting (btw): Uit dit bestand wordt informatie opgehaald over de omzet van de bedrijven.
  4. Financiën van niet-financiële ondernemingen (NFO): In dit bestand staat de balans en resultaatrekening op het niveau van een ondernemingengroep (OG).

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • De afwijkende omzetten per inwoner die worden gevisualiseerd, zijn geen weergave van criminele activiteit. Sowieso wordt slechts een deel van de variantie van de brancheomzet per inwoner verklaard door het model: tussen de 10 en 60 procent, afhankelijk van de branche. Het resterende percentage kan dus niet verklaard worden door het model;
  • Het model is gebaseerd op wijk- en gemeentekenmerken. Er kunnen nog andere relevante kenmerken zijn die niet in het model zitten, maar wel een hoge omzet per inwoner kunnen helpen verklaren;
  • Voor deze analyse zijn alleen woonwijken (wijken met 30 procent of minder niet-woningen) meegenomen in de analyse;
  • Omdat de omzet niet per bedrijfsvestiging bekend is, zijn deze gegevens geschat aan de hand van het aantal werkzame personen bij de betreffende vestiging (lokale bedrijfseenheid). Hiervoor is een verdeelsleutel gebruikt, die het CBS heeft afgeleid van de Polisadministratie van het UWV en een regio enquête werkzame personen;
  • Alleen wanneer er voldoende vestigingen van een bepaalde branche zijn in een gemeente of wijk, kan een afwijking getoond worden. Als dit er minder dan 10 zijn, worden uitkomsten niet weergegeven in verband met het risico op onthulling. Dit kan er bijvoorbeeld toe leiden dat een branche waarop een gemeente afwijkend scoort niet naar boven komt in de top 10 op wijkniveau, omdat de aantallen op dat niveau onderdrukt worden. Door de tabel uit te klappen worden de voorspelde omzet en afwijkingen van alle branches in het geselecteerde gebied getoond, zodat duidelijk wordt voor welke branches dit geldt.

De analyse

Deze analyse laat afwijkingen zien van de voorspelde omzet per inwoner in een bepaalde branche per gemeente en wijk. Voor het berekenen van de verwachting zijn verschillende beschrijvende kenmerken van een wijk of gemeente meegenomen, zoals inkomen en nabijheid van voorzieningen. De afwijking van de voorspelde omzet per inwoner is ingedeeld in vijf groepen met kwalitatieve grenzen.

  1. Gerealiseerde omzet lager dan voorspelde omzet;
  2. Gerealiseerde omzet iets lager dan voorspelde omzet;
  3. Gerealiseerde omzet gelijk aan voorspelde omzet;
  4. Gerealiseerde omzet iets hoger dan voorspelde omzet;
  5. Gerealiseerde omzet hoger dan voorspelde omzet.

De gerealiseerde omzet ten opzichte van de voorspelde omzet kan negatief of positief zijn, daarom is de verdeling tussen de vijf groepen als volgt gemaakt:

De wijken of gemeenten met een lagere omzet dan voorspeld, zijn verdeeld in twee ongeveer even grote groepen; groepen 1 en 2. De wijken of gemeenten met een hogere omzet dan verwacht, zijn ook verdeeld in twee evenredige groepen; groepen 4 en 5. Wijken of gemeenten met een gerealiseerde omzet die maximaal 5 procent hoger of lager is dan de voorspelde omzet, zijn in groep 3 ingedeeld. Deze indeling is per branche gemaakt.

De pagina bevat twee filtermenu's:

Branche: Hier kan de gewenste branche geselecteerd worden. Er is een selectie gemaakt met potentieel interessante branches voor dit overzicht:

Peiljaar: Het jaar waarvoor de informatie getoond wordt in het dashboard.

De twee kaarten bevatten ook drie selectievelden:

Regio: De regio die op de betreffende kaart getoond moet worden. Standaard is dit Nederland, maar er kan ook gekozen worden voor een RIEC-regio.

Navigeer naar (gemeente): Geeft de kaart van de gekozen gemeente weer en in de tabel de top 10 hoogste concentraties voor de gekozen gemeente. Die tabel kan verder uitgeklapt worden zodat de concentraties van alle branches te zien zijn.

Navigeer naar (wijk): Geeft in de tabel de top 10 hoogste concentraties voor de gekozen wijk. Die tabel kan verder uitgeklapt worden zodat de concentraties van alle branches te zien zijn.

Populatie

Voor deze analyse zijn alleen woonwijken meegenomen (wijken met meer dan 70 procent woningen). Hierdoor blijven 305 van de 3 551 wijken buiten beschouwing. Hiervoor is gekozen, omdat de voorspelkracht van het model sterk afnam voor wijken met veel niet-woningen.

Methode

Voor het voorspellen van de brancheomzet per inwoner zijn verschillende kenmerken op wijk- en gemeenteniveau gebruikt. De volgende kenmerken per onderwerp zijn meegenomen (klik op de titel van de tabel 'Modelkenmerken' om de tabel uit te klappen):

Voor elke branche is een indicator-selectie model gebruikt die uit bovenstaande lijst steeds de beste kenmerken op wijk- en gemeenteniveau selecteert om mee te nemen in het gebruikte regressiemodel. Verschillende typen regressiemodellen zijn getest, bijvoorbeeld een random forest, gradient boost model en een support vector machine.

Voor het kiezen van het beste model is de R2 gebruikt als een zogenaamde goodness-of-fit maat. Hierdoor kan het gekozen regressiemodel verschillen per branche. De R2 geeft aan hoe goed de geobserveerde data (gerealiseerde omzet) clusteren rond de geschatte regressielijn (voorspelde omzet). De R2 wordt vaak in het percentage 'verklaarde variantie' uitgedrukt. Wanneer die verklaarde variantie 60 procent is, betekent dit dat 60 procent van de totale variantie in de brancheomzet per inwoner verklaard kan worden door de kenmerken die meegenomen zijn in het regressiemodel. De overige 40 procent van de variantie kan niet verklaard worden door het model.

De volgende tabel geeft een overzicht van de verklaarde variantie R2 per branche. Wanneer de verklaarde variantie (of voorspellingskracht) van het model bijvoorbeeld 21 procent is, betekent dit dat 79 procent van de omzetten in deze branche niet goed door het model verklaard kan worden.

Bronbestanden

  • Inkomen van personen (INPATAB). Dit bestand bevat het inkomen op jaarbasis van personen op 1 januari van het peiljaar. Dit bestand vervangt vanaf 2011 het bestand Integraal persoonlijk inkomen;
  • Vermogens van huishoudens (VEHTAB). Bevat gegevens over de vermogens op 1 januari van het peiljaar van huishoudens die behoren tot de bevolking van Nederland aan het einde van het jaar voorafgaande aan het peiljaar. Dit bestand vervangt vanaf 2011 het Integraal Vermogensbestand (SCHTAB);
  • Algemeen Bedrijven Register (ABR);
  • Aangifte omzetbelasting (BTW);
  • Basisregistratie Personen (BRP);
  • WOZ-waarden van woningen (EIGENDOMWOZBAG);
  • WOZ-waarden van niet-woningen (VSLGWBTAB);
  • Gegevens over logiesaccomodaties (LOGIESINVENT);

Geaggregeerde wijk- en gemeentekenmerken uit de volgende StatLine tabellen:

Aandachtspunten

Voor een juiste interpretatie van de uitkomsten is het belangrijk om rekening te houden met de volgende punten:

  • Bij eigenaren en bestuurders wordt er alleen gekeken naar veroordelingen van natuurlijke personen: mensen en bedrijven zonder rechtspersoonlijkheid (zoals eenmanszaken). Als er geen natuurlijk persoon aangewezen kon worden als eigenaar, zijn de veroordelingen onbekend. Deze bedrijven zijn buiten beschouwing gelaten. Dit kan voorkomen bij onvolledige registratie, maar ook doordat aandeelhouders of bestuurders niet economisch actieve bedrijven zijn.
  • Inschrijvingen van bedrijven bij de Kamer van Koophandel (KVK) zijn juridische eenheden. Voor statistiekdoeleinden worden deze door het CBS vertaald naar bedrijfseenheden. Die relatie is vaak één op één, maar soms worden meerdere juridische eenheden gebundeld tot één bedrijfseenheid. Een bedrijfseenheid is de feitelijke actor in het productieproces en is autonoom, beschrijfbaar en marktgericht. Lees meer in de documentatie van het Algemeen Bedrijven Register (ABR) van het CBS, hier . Gebundelde juridische eenheden kunnen (deels) dezelfde aandeelhouders hebben. Dit betekent dat personen dubbel kunnen worden geteld als zij (veroordeeld) eigenaar zijn van verschillende juridische eenheden. In de aandelen wordt hiervoor gecorrigeerd.
  • Het komt voor dat bestuurders en aandeelhouders dezelfde rechtspersonen zijn. Hierdoor kan er overlap ontstaan tussen beide indicatoren.
  • De gegevens over eigenaren en bestuurders is er op het niveau van juridische eenheden (inschrijvingen bij de KVK) en bedrijfseenheden. In de kaarten worden de gegevens getoond op het niveau van lokale bedrijfseenheden (vestigingen). Hiervoor zijn de gegevens van de bedrijfseenheden geprojecteerd op elke vestiging behorend bij deze bedrijfseenheid. Als een bedrijf meerdere vestigingen heeft, worden de veroordeelde eigenaren van dat bedrijf getoond voor elke vestiging.
  • Bedrijven worden voor specifieke soorten delicten veroordeeld, bijvoorbeeld economische of milieudelicten. In sommige branches zal hier meer kans op zijn dan in andere branches.

De analyse

Deze analyse laat het aandeel veroordelingen van bedrijven, eigenaren en bestuurders van bedrijven zien voor een bepaalde branche per gemeente en wijk.

De pagina bevat 3 selectievelden:

Branche: Hier kan de gewenste branche geselecteerd worden. Er is een selectie gemaakt met potentieel interessante branches voor dit overzicht:

Daarnaast zijn alle overige branches toegevoegd als benchmark, samengevat per hoofdgroep (1-digit SBI).


Indicator: Er zijn drie verschillende indicatoren waaruit gekozen kan worden:
  • Veroordeeld bedrijf
  • Veroordeelde eigenaar
  • Veroordeelde bestuurder
Type: Er wordt onderscheid gemaakt tussen een aantal delicten:
  • Alle delicten
  • Drugsdelict
  • Vermogensdelict
  • Witwassen

Vanwege lage aantallen zijn een aantal combinaties van branche, indicator en type delict uitgesloten. Witwassen wordt alleen getoond in combinatie met het totaal aan branches. Voor veroordeelde bedrijven wordt alleen over alle delicten gezamenlijk gerapporteerd.

Populatie

Voor deze analyse is gekeken naar alle bedrijfseenheden en de onderliggende lokale bedrijfseenheden (bedrijfsvestigingen) die in Nederland economisch actief waren op 1 januari van het peiljaar.

Methode

Het uitgangspunt in deze analyse zijn economisch actieve bedrijfseenheden: bedrijfseenheden met omzet of werkgelegenheid. Daaraan zijn gegevens over veroordelingen van eigenaren, bestuurders en van de bedrijven zelf toegevoegd. De gegevens over aandeelhouders, vennoten en bestuurders is beschikbaar op het niveau van de juridische eenheid (zie de aandachtspunten). Het is mogelijk dat meerdere juridische eenheden tot dezelfde bedrijfseenheid behoren. Daarom is de analyse zoveel mogelijk op het niveau van de juridische eenheid uitgevoerd, voordat de gegevens worden samengevat per bedrijfseenheid.

Informatie over de eigenaren van eenmanszaken is beschikbaar op het niveau van de bedrijfseenheid. Uiteindelijk zijn de gegevens geprojecteerd op elke vestiging behorend bij deze bedrijfseenheid.


Definitie en berekening indicatoren

Bij het interpreteren van de uitkomsten in de figuren en tabellen is het belangrijk om rekening te houden met de manier waarop de aandelen en percentages berekend zijn. Dit verschilt namelijk per indicator.

  • Veroordeeld bedrijf

    Voor deze indicator wordt het percentage bedrijven weergegeven dat een veroordeling heeft gehad voor een delict in de afgelopen 10 jaar. Hiervoor wordt het aantal veroordeelde bedrijven afgezet tegen het totaal aantal bedrijven in een bepaalde branche en gebied.

    Rechtspersonen worden voornamelijk voor specifieke misdrijven veroordeeld, zoals de wet op economische delicten en milieumisdrijven. Deze delicten vallen niet onder de drugs- of vermogensdelicten. Daarom worden er voor bedrijven alleen gegevens over het totaal aan delicten getoond.

  • Veroordeelde eigenaar

    Voor deze indicator is het aandeel bepaald van een bedrijf dat in handen is van een natuurlijk persoon die is veroordeeld voor een delict in de afgelopen 10 jaar. Hier is vervolgens een gemiddelde van alle bedrijven in een gebied van genomen om tot een score te komen voor een bepaalde branche en gebied.

    Er zijn verschillende vormen van eigenaarschap, afhankelijk van de rechtsvorm van het bedrijf. Zo zijn er zelfstandige ondernemers (bijvoorbeeld eigenaren van een eenmanszaak), vennoten en aandeelhouders. Bij aandeelhouders is gekeken naar het percentage aandelen dat een eigenaar in bezit heeft. Als deze informatie ontbreekt, is aangenomen dat de eigenaren een gelijk aandeel in het bedrijf bezitten. Ook van vennoten was soms een aandeelbezit bekend dat gebruikt kon worden.

    Bij sommige rechtsvormen is het gebruikelijk dat een rechtspersoon aandelen bezit in een bedrijf. In deze situaties is vervolgens gekeken naar de eigenaren of aandeelhouders van deze rechtspersoon. En als dit een rechtspersoon is naar de eigenaren of aandeelhouders van deze rechtspersoon. In totaal zijn acht stappen doorlopen om de natuurlijk personen te vinden die als eigenaar konden worden aangemerkt van het oorspronkelijke bedrijf. In een deel van de bedrijven kon geen natuurlijk persoon gevonden worden als eigenaar. Deze bedrijven zijn niet meegenomen in de analyse.

    Stichtingen, coöperaties en verenigingen kunnen ook aandelen bezitten in een bedrijf. Deze rechtsvormen kennen echter geen aandeelhouders. In deze situaties worden de bestuurders gezien als eigenaar. Zo is het toch mogelijk om de natuurlijk personen die invloed hebben in een bedrijf te achterhalen.

  • Veroordeelde bestuurder

    Voor deze indicator is het aandeel bepaald van bestuurders van een bedrijf die als natuurlijk persoon zijn veroordeeld voor een delict in de afgelopen 10 jaar. Hier is vervolgens een gemiddelde van alle bedrijven in een gebied van genomen om tot een score te komen voor een bepaalde branche en een bepaald gebied.

    Er is maar een aantal rechtsvormen die bestuurders kennen, het gaat hier dus om een selectie van bedrijven. Er is aangenomen dat elke bestuurder een gelijk aandeel heeft in het bestuur.

    Ook bij bestuurders is het mogelijk dat dit een rechtspersoon is. Er is in deze situaties voor gekozen om dan te kijken naar de eigenaren of aandeelhouders van deze rechtspersoon, net zoals we dat bij de eigenaren hebben gedaan. Ook hier zijn acht stappen doorlopen om de natuurlijk personen te vinden die als eigenaar van de bestuurder konden worden aangemerkt. De bestuurders die uiteindelijk niet aan een natuurlijk persoon konden worden gekoppeld, zijn buiten beschouwing gelaten.


Definitie veroordeling

Als veroordeling worden de volgende categorieën meegenomen:

  • Schuldigverklaringen met en zonder straf (rechtbank)
  • Strafbeschikkingen (OM)
  • Transacties (OM)
  • Voorwaardelijke sepots (OM)
Voorbeeldberekening indicator veroordeelde eigenaar

Een bv heeft twee aandeelhouders, een natuurlijk persoon (NP) en een rechtspersoon, beide bezitten 50 procent van de aandelen. De rechtspersoon (bv) heeft zelf ook weer twee aandeelhouders, natuurlijk personen die respectievelijk 90 en 10 procent in bezit hebben. Van de eerste bv kunnen dan drie natuurlijk personen als eigenaar worden aangewezen, met respectievelijk 50 procent, 50%*90%=45 procent en 50%*10%=5 procent in bezit. Als de derde persoon is veroordeeld voor een delict is 5 procent van het bedrijf in handen van een eigenaar met een veroordeling.

Bronbestanden

Er is voor deze analyse gebruik gemaakt van de volgende bestanden:Er is voor deze analyse gebruik gemaakt van de volgende bestanden:

  • Algemeen Bedrijven Register (ABR)
  • Uitstroom OM
  • Uitstroom Rechter
  • Bedrijven van ondernemers (INPBEIDTAB)
  • Maatwerkbestand met aandeelhouders en vennoten
  • Maatwerkbestand met bestuurders
  • Maatwerkbestand met instellingsgegevens

Geraadpleegde bronbestanden

Begrippen

Afkortingen

Algemeen

De kern van het dashboard wordt gevormd door data van het CBS. Hierbij gaat het bijvoorbeeld om locatie- en inkomenskenmerken, maar ook om gegevens over veroordelingen door het Openbaar Ministerie en om inschrijvingen bij de Kamer van Koophandel. In een beveiligde omgeving worden deze gegevens gecombineerd met data van andere betrouwbare landelijke bronnen, zoals gemeenten, het Kadaster en de Financial Intelligence Unit (FIU).

Aandacht voor privacy
Binnen Zicht op Ondermijning wordt veel aandacht besteed aan privacy: het CBS bewaakt streng of gegevens niet herleidbaar zijn naar individuele adressen, personen en bedrijven. Dat is een wettelijke verplichting en een kerntaak van het CBS. De gegevens in het dashboard zijn daarom altijd geaggregeerd naar gemeenten, wijken, buurten of branches. Bij een risico op onthulling worden de uitkomsten in het dashboard onderdrukt.

Samenwerking en kennisdeling
De City Deal Zicht op Ondermijning ging van start in de zomer van 2017. Op 30 juni 2021 werd het convenant afgerond en vanaf 1 juli 2021 is het samenwerkingsverband voortgezet onder de titel Zicht op Ondermijning. De afgelopen jaren hebben steeds meer gemeenten zich bij het initiatief aangesloten. Het dashboard is voor iedereen vrij toegankelijk. Gemeenten kunnen de inzichten naast andere gegevensbronnen leggen en eventueel toepassen in lopende onderzoeken of programma’s. Kennisdeling en samenwerking zijn hierbij essentieel.

Releasekalender

Toegevoegde analyse Actualisatie analyse Toegevoegde functionaliteit
  • RIEC-indelingen bij kaartjes
  • Downloaden achterliggende data bij kaartjes
Lancering dashboard

Contactgegevens

Heeft u vragen of opmerkingen over Zicht op Ondermijning, neem dan contact op met:
zichtopondermijning@ictu.nl

Afwijkingen per gemeente

Het dashboard Zicht op Ondermijning bevat een groot aantal verschillende analyses. Deze pagina toont per gemeente en wijk welke van die analyses het meeste afwijken. Deze afwijkingen moeten niet worden geïnterpreteerd als een ondermijningsscore of de mate waarin er sprake is van een verdachte situatie. Ze helpen de bezoeker snel naar (mogelijk) de meest interessante pagina’s te navigeren. Daarmee draagt deze pagina bij aan een effectief en efficiënt gebruik van het dashboard. Lees meer in een korte uitleg of extra verdiepende informatie.

Klik op categorieën in de legenda om ze toe te voegen of juist weg te laten in een kaart. In de categorie onbekend zijn gegevens onbekend, onvoldoende betrouwbaar of geheim. Zie de uitleg over onthullingsrisico’s en onderdrukking. Vanwege diezelfde risico’s worden uitkomsten voor bepaalde wijken of buurten soms onderdrukt, terwijl de uitkomsten van andere wijken of buurten in die gemeente wel worden getoond. Dit kan (opvallende) verschillen veroorzaken tussen de uitkomsten van enerzijds wijken of buurten en anderzijds de betreffende gemeente.

Loading...
Loading...

Op de rest van de pagina staan drie tabellen die laten zien op welke analyses een gemeente of wijk het meest afwijkend scoort. Voor elke analyse wordt een aparte afwijkingsscore berekend, zie de verdiepende informatie voor een uitleg in detail. Per analyse is voor die score een landelijk gemiddelde en een standaarddeviatie bepaald. Vervolgens zijn er per analyse twee andere indicatoren van belang: de drempelwaarde (het nulpunt) en het plafond. Als de uitkomst van een gemeente onder de drempelwaarde valt, krijg de score de waarde 0. Als de uitkomst op of boven het plafond valt, krijgt de score de waarde 100. Alle uitkomsten die tussen die onder- en bovengrens vallen, worden lineair verdeeld op een schaal van 0 tot 100.

De eerste tabel bevat de indicatoren op gemeenteniveau per gemeente, de tweede op wijkniveau per wijk. De derde tabel bevat indicatoren op wijkniveau per gemeente.

Klik op een regel in de tabel om naar de bijbehorende pagina te gaan.

Loading...
Loading...