Wat is Zicht op Ondermijning?

Het dashboard Zicht op Ondermijning is het resultaat van de City Deal Zicht op Ondermijning: 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

In de City Deal Zicht op Ondermijning zijn analyses uitgevoerd die inzicht geven in het risico dat vastgoed mogelijk gebruikt wordt voor het witwassen van (crimineel) geld of andere vormen van misbruik.

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. In de City Deal 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

Bij woningen in het bezit van natuurlijke personen die niet in Nederland woonachtig zijn, gelden voor de Nederlandse overheid een aantal beperkingen:

  • Het is niet eenvoudig om inzage te krijgen in de vermogenspositie van de eigenaar. Daardoor is het bijvoorbeeld niet altijd duidelijk hoe het pand gefinancierd is.
  • Het is niet altijd eenvoudig na te gaan of het pand wel in handen is van de persoon die als eigenaar bekend staat.

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.

Risico-indicatoren gecombineerd

Door risico-indicatoren met elkaar te combineren, kunnen extra inzichten ontstaan in het risico op vastgoedfraude of witwaspraktijken. Daarom is ook geanalyseerd welke gemeenten of wijken het hoogst scoren op combinaties van risico-indicatoren. Een andere analyse toont waar in Nederland de verschillende risico-indicatoren procentueel het meest voorkomen.
(bekijk analyse)

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)

Referentiebeeld woningmarkt

dOm de analyses in het dashboard goed te kunnen interpreteren, is de context belangrijk. Die context wordt gegeven met het referentiebeeld van de Nederlandse vastgoedmarkt. Per regio en per gemeente wordt een beeld gegeven van (de ontwikkeling van) twee belangrijke kengetallen van de woningmarkt: de gemiddelde verkoopprijs en het aantal verkochte woningen. Gemeenten kunnen ook met elkaar worden vergeleken.
(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.
Vanwege het risico op herleidbaarheid 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...

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

Risico-indicatoren gecombineerd

Voor de verschillende risico-indicatoren wordt getoond waar in Nederland ze procentueel het meest voorkomen. Je kunt ook zien welke gemeenten of wijken het hoogst scoren op combinaties van risico-indicatoren. Lees meer in een korte uitleg of extra verdiepende informatie.

Vanwege het risico op herleidbaarheid 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...

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.
Vanwege het risico op herleidbaarheid 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.

Drugsproblematiek

In de City Deal Zicht op Ondermijning zijn analyses uitgevoerd 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 drugsdelicten en -verdachten over een langere periode laten zien hoe de aard en omvang van drugsproblematiek in een gemeente verandert. Data over drugsgebruik op basis van afvalwatermetingen (alleen beschikbaar in Utrecht) kunnen aanvullende informatie geven over de omvang van drugsgebruik. Deze data kunnen bijdragen aan bewustwording en inzicht geven in de effectiviteit van de aanpak van drugscriminaliteit.
(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)

Kenmerken bewoners hennepkwekerijen

Hennepkwekerijen zorgen voor onveilige situaties, waaronder lekkages, brand en kortsluiting als gevolg van illegaal afgetapte stroom. Van panden waar hennepkwekerijen zijn aangetroffen, is per gemeente onderzocht wat op het moment van ruiming de eigenschappen van het huishouden en de bewoner(s) waren. (Het inkomen van de bewoner is bijvoorbeeld relevant omdat een laag inkomen voor deze persoon aanleiding kan zijn om op zoek te gaan naar aanvullende inkomensbronnen. En de huwelijkse status en samenstelling van het huishouden zeggen iets over de mate waarin de persoon verantwoording moet afleggen aan zijn of haar omgeving.) De analyses helpen niet alleen de bewustwording te vergroten, maar ook de alertheid om nieuwe hennepkwekerijen te voorkomen en ontdekken en zo gevaarlijke situaties te vermijden.
(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)

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)

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)

Crimineel CV

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. Het crimineel cv 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

Voor verschillende drugsdelicten wordt de ontwikkeling van het aantal delicten en verdachten getoond, voor alle RIEC-regio’s en voor deelnemers aan de City Deal. Voor Utrecht wordt ook informatie over drugsgebruik op basis van afvalwatermetingen getoond. Lees meer in een korte uitleg of extra verdiepende informatie.
Loading...
Loading...
Loading...

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

Referentiebeeld woningmarkt

Per regio en per gemeente wordt ingegaan op (de ontwikkeling van) twee belangrijke kengetallen van de woningmarkt: de gemiddelde verkoopprijs en het aantal verkochte woningen. Je kunt ook verschillende gemeenten met elkaar vergelijken. Lees meer in een korte uitleg of extra verdiepende informatie.
Loading...
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. Lees meer in een korte uitleg of extra verdiepende informatie.

Kenmerken profiel 1

Kenmerken profiel 2

Kenmerken profiel 3

Geslacht

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

Leeftijd

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

Migratieachtergrond

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...

Kenmerken bewoners hennepkwekerijen

Van panden waar hennepkwekerijen zijn aangetroffen, is per gemeente onderzocht wat op het moment van ruiming de eigenschappen van het huishouden en de bewoner(s) waren. Deze zijn vergeleken met informatie van panden zonder hennepkwekerij. Lees meer in een korte uitleg of extra verdiepende informatie.

Op dit moment wordt er gewerkt aan een uitbreiding van de analyses van geruimde hennepkwekerijen. Het eerste onderdeel van die uitbreiding geeft inzicht in de regionale spreiding van hennepkwekerijen. Die pagina wordt later uitgebreid met pand- en persoonskenmerken. Op dat moment zal deze pagina komen te vervallen. De twee pagina's verschillen nu al van elkaar in gebruikte methode, bronnen en beschreven gemeenten en kunnen dus niet met elkaar vergeleken worden.

Loading...

Jonge aanwas

Voor het voorspellen van jonge aanwas in de drugscriminaliteit zijn verschillende risico-indicatoren bepaald, zoals voortijdig schoolverlaten, haltregistraties en schuldsanering. Op basis daarvan wordt per gemeente, wijk en buurt een risicoscore getoond. Lees meer in een korte uitleg of extra verdiepende informatie.
Vanwege het risico op herleidbaarheid 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...

Belangrijkste kenmerken en indicatoren

De risicoscore's die hierboven worden getoond zijn vastgesteld aan de hand van een voorspelmodel. In de tabel hieronder worden de belangrijkste kenmerken en indicatoren van het model weergegeven: de factoren die een belangrijk beslispunt in het model waren om een hoge of lage score toe te wijzen. De tabel verandert niet als in de kaartjes een gemeente, wijk of buurt wordt geselecteerd.

Loading...

Crimineel cv

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.
Loading...

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. Lees meer in een korte uitleg of extra verdiepende informatie.
Vanwege het risico op herleidbaarheid 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...

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.
Loading...
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...

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)

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.
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...

Brancheanalyses

In de City Deal Zicht op Ondermijning zijn analyses uitgevoerd 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)

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.
Vanwege het risico op herleidbaarheid 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
Loading...
lege velden: waarde onderdrukt

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.

In de City Deal 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.

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.

De analyse

Voor deze analyse zijn er 8 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. onbekende woningeigenaren;
  8. 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;
  • Profielcombinaties , geeft de gebruiker de mogelijkheid om bovengenoemde profielen te combineren op gemeente- en wijkniveau.

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.

Het combineren van de vastgoedprofielen gebeurt op gemeente- en wijkniveau. Per profiel worden de gemeenten met het hoogste aandeel uitgelicht. De gebruiker kan zelf de grens bepalen en zo bijvoorbeeld kiezen voor de 25 of 50 procent gemeenten met het hoogste aandeel woningen in bezit van een natuurlijk persoon die voldoet aan het gekozen profiel. Als meerdere profielen worden aangevinkt, worden de overlappende gemeenten uitgelicht. Dus de 25 of 50 procent gemeenten met de hoogste aandelen in al de gekozen profielen.

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.

Aandachtspunten

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

  • De getoonde aantallen en percentages hebben betrekking op particuliere woningen die in bezit zijn van een natuurlijk persoon.

De analyse

Voor dit onderdeel van het dashboard is een beschrijvende analyse van de totale particuliere woningtransacties en -voorraad in Nederland uitgevoerd.

De populatie

Aantallen en gemiddelde verkoopprijzen op dit deel van het dashboard kunnen afwijken van wat bijvoorbeeld op CBS StatLine gepubliceerd wordt, omdat voor de analyses binnen deze City Deal met een specifiek maatwerkbestand gewerkt wordt. De gehanteerde populatie kan afwijken, omdat voor de profielen op andere plekken in het dashboard (laag inkomen en vermogen, veroordeelde eigenaren, etc.) extra kenmerken van panden en hun eigenaren nodig zijn.

Methode

Voor het referentiebeeld vastgoedfraude is gebruik gemaakt van openbare StatLine-gegevens en aanvullende gegevens uit het microdatabestand met transacties, omdat op StatLine alleen G4 gemeenten geselecteerd kunnen worden. In het microdatabestand staan alle gemeenten in Nederland.

Bronbestanden

Voor het referentiebeeld is gebruik gemaakt van openbare StatLine-gegevens en aanvullende gegevens uit het microdatabestand met transacties.

  • Het gaat om gegevens over de particuliere woningtransacties in de jaren 1995 tot en met het gekozen peiljaar ( link StatLine ). Hierbij geldt dat dit transacties zijn van bestaande koopwoningen in Nederland, gekocht door particulieren. Er zijn dus geen nieuwbouwwoningen meegenomen in de analyses.

Verdiepende informatie drugsproblematiek

Referentiebeeld drugsdelicten en -verdachten

Aandachtspunten

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

  • Een belangrijk aandachtspunt voor deze analyse is de populatie. De statistieken geven niet persé een indicatie van de grootte van een drugsprobleem in de gemeente, alleen 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 en verdachten zijn afgerond op het dichtstbijzijnde tiental. Vanwege risico op herleidbaarheid zijn aantallen kleiner dan tien ook naar tien afgerond;
  • 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 analyse

Voor deze analyse is een overzicht gemaakt van de aantallen drugsdelicten en aantallen verdachten betrokken bij deze delicten die over de jaren in politiebestanden terecht komen. Deze analyse is dus een beschrijving van registraties van drugsdelicten. Er worden zes verschillende drugsdelicten gehanteerd, namelijk bezit, handel in en vervaardiging van softdrugs en harddrugs. De analyse is uitgevoerd voor de gemeenten die deelnemen aan de City Deal en de RIEC-regio's betrokken bij de eerste fase van de City Deal Zicht op Ondermijning en is gebaseerd op de politieregistraties van 2012 tot en met 2016. Voor elk jaar is er weergegeven hoeveel delicten er zijn gemeld voor dat type drugs in de specifieke gemeente en hoeveel verdachten er zijn geregistreerd.

De populatie

De populatie van de analyse zijn de verdachten (dus niet veroordelingen) van drugsdelicten in 2012 tot en met 2016. Voor de beschrijving van aantallen is de populatie opgesplitst naar gemeente waarin het delict is gepleegd (gemeenten die deelnemen aan de City Deal en de RIEC-regio's) en de specifieke feitcode die is geregistreerd. Daarnaast is er in de populatie van verdachten ook gekeken hoe vaak eenzelfde verdachte voorkwam in het bestand. De analyse is uitgevoerd op het aantal unieke delicten per jaar en op het aantal unieke verdachten per jaar. Voor deze filtering zijn herhalingen van delicten met dezelfde verdachte geregistreerd in een specifiek jaar en in een specifieke gemeente verwijderd. Bijvoorbeeld, als een persoon in 2012 in Utrecht meerdere keren verdacht is geweest van bezit van harddrugs, dan is deze persoon in de analyse van aantallen verdachten maar één keer meegenomen.

Methode

De analyse bestaat uit beschrijvende frequentietabellen van het aantal delicten en het aantal unieke verdachten dat per drugsfeit, gemeente en jaar van plegen is geregistreerd. Het jaartal refereert in dit geval aan het jaar waarin het incident is gepleegd. De gemeentecode van de pleeglocatie van het delict is gebruikt om resultaten voor elke gemeente op te vragen. De feitcode waaronder het delict door de politie is geregistreerd, is gebruikt om onderscheid te maken tussen verschillende drugsdelicten.

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;
  • Basisregistratie Personen (BRP) van gemeenten;
  • Stelsel van Sociaal Statistische Bestanden (SSB);


Referentiebeeld drugsgebruik in Utrecht

Aandachtspunten

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

  • De metingen betreffen niet de gehele gemeente Utrecht maar zijn zonder de wijken Leidsche Rijn en Vleuten-de Meern. Dit komt omdat deze wijken afzonderlijke waterzuiveringsstations hebben die niet zijn meegenomen in de meting.
  • De hoge waarde van XTC in 2012 is hoogstwaarschijnlijk veroorzaakt door een grote lozing van XTC in het afvalwater onder druk van een politie-inval.

De analyse

Het doel van deze analyse is om een beeld te krijgen van de omvang van het harddrugsgebruik in Utrecht en de hoeveelheid geld die daarbij in omloop is. Vanuit metingen uit afvalwater in Utrecht van het KWR is het mogelijk een schatting te maken van het gebruik van cocaïne en XTC in Utrecht. Het KWR doet jaarlijks een week lang afvalwatermetingen in Utrecht, Amsterdam en Eindhoven. Dit doen zij in een 'gemiddelde' week, rekening houdend met evenementen en andere gebeurtenissen in de stad. Uit de afvalwatermeting kan drugsconsumptie worden afgeleid. Deze data worden met een aantal berekeningen omgezet naar drugsgebruik en waarde van de drugs in de stad. Deze analyse is uitgevoerd voor de periode 2012-2017.

Methode

De data van het KWR zijn aangeleverd in milligrammen cocaïne en XTC per dag per 1 000 inwoners (mg/dag/1 000 inwoners). Op deze data zijn de volgende berekeningen uitgevoerd:

  1. Een correctiefactor wordt toegepast waarbij de werkzame stoffen die door het lichaam zijn uitgescheiden worden teruggerekend naar de hoeveelheid werkzame stof die is ingenomen (bron: Refining correction factors for back-calculation of illicit drugs use. Gracia-Lor, Zuccato & Castiglioni, 2016).
  2. Deze waarde wordt gedeeld door 1 000 en vermenigvuldigd met het aantal inwoners van Utrecht in het desbetreffende jaar (bron: Utrecht Monitor). Dit gaat over het totaal aantal inwoners, exclusief de inwoners uit Leidsche Rijn en Vleuten-De Meern. Deze wijken hebben namelijk een eigen waterzuivering en daar zijn geen metingen verricht.
  3. De hoeveelheid ingenomen werkzame stof voor heel Utrecht wordt vermenigvuldigd met de straatkwaliteit van de drug (bron: Trimbos Instituut) om tot de verhouding werkzame stof - versnijdingsmiddel te komen, om zo de totale hoeveelheid geconsumeerde drugs uit te rekenen. De meting uit het afvalwater betreft namelijk alleen de hoeveelheid werkzame stof (in een gram cocaïne of een XTC pil zit een bepaald percentage werkzame stof). Zo wordt het aantal gebruikte grammen cocaïne of XTC pillen berekend.
  4. Vanuit het aantal grammen cocaïne wordt het aantal gebruikte lijntjes cocaïne berekend door het te delen door het aantal lijntjes dat uit een gram gehaald kan worden (bron: Trimbos Instituut). Deze waarde is afhankelijk van de gebruiker, daarom wordt er een bovengrens (20 lijntjes per gram) en een ondergrens (10 lijntjes per gram) gehanteerd.
  5. Van het aantal grammen cocaïne en het aantal XTC pillen wordt de omvang van de straatwaarde berekend met behulp van data over de gemiddelde prijs van een pil of een gram van de drugs (bron: Trimbos Instituut).

Bronbestanden

  • De afvalwatermeting van drugsgebruik van het KWR is op basis van een Europees onderzoek naar geografische verschillen en tijdtrends in drugsgebruik van stadsbewoners. Het Europese Agentschap voor verdovende middelen - EMCDDA in Lissabon - publiceert de resultaten voor heel Europa. Het KWR heeft voor de City Deal Zicht op Ondermijning alleen de data voor Utrecht gedeeld.
  • Het Trimbos Instituut brengt de drugsmarkt in beeld door middel van een landelijk netwerk van testlocaties, het Drugs Informatie en Monitoring Systeem (DIMS). In jaarberichten wordt een overzicht gemaakt van de gemiddelde prijs en kwaliteit (hoeveelheid werkzame stof) van een aantal verschillende harddrugs. Deze DIMS jaarberichten zijn gebruikt in de berekeningen van het drugsgebruik en de straatwaarde van harddrugs in Utrecht.
  • De Utrecht Monitor is een product van de afdeling onderzoek van de gemeente Utrecht. Hierin wordt jaarlijks onder andere het aantal inwoners van de stad en per wijk gerapporteerd op 1 januari van het desbetreffende jaar.

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 voor alle deelnemende gemeenten aan de eerste fase van de City Deal Zicht op Ondermijning (gemeenten die deelnemen aan de City Deal en de RIEC-regio's) 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
  • Migratieachtergrond
  • Type woning
  • Woonplaats (ten opzichte van de pleegplaats van het delict)
  • Totaal keer verdacht van drugsdelicten in de gekozen periode

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. In de beschrijvende analyse is er gefocust op de verschillende steden van de City Deal, in deze analyse is breder gekeken naar heel Nederland. 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 2018 (maatwerkbestand Analysebestand CD Drugs Persoonskenmerken 2012-2018 ). Dit bestand is samengesteld uit de volgende bronnen:

  • Basisvoorziening Handhaving (BVH) van de politie;
  • Basisregistratie Personen (BRP) 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:

  • De lijst met hennepruimingen is niet volledig aangezien niet alle gemeenten zelf aanvullende data hebben aangeleverd. Hierdoor kunnen vergelijkingen tussen gemeenten niet zomaar gemaakt worden.
  • De gemeenten die zelf data hebben aangeleverd over geruimde hennepkwekerijen bevatten soms hogere aantallen ruimingen dan de gemeenten waarvoor alleen de landelijke dataset van DRZ beschikbaar is. Dit betekent dat een lager aantal hennepkwekerijen in een gemeente in vergelijking met andere gemeentes niet altijd direct te duiden is als minder hennepproductie in de gemeente. Het kan ook komen doordat de beschikbare data niet volledig zijn voor de gemeente.
  • Bij de duiding van de aantallen is het belangrijk om de periode van levering mee te nemen, deze verschilt per gemeente. Aantallen hennepruimingen kunnen ook hoger uitvallen omdat er voor een langere periode data beschikbaar zijn.

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 de regionale spreiding van hennepkwekerijen over gemeenten en binnen gemeenten in kaart gebracht.

De percentages die worden gevisualiseerd, geven aan in welke gemeenten in Nederland veel van de hennepkwekerijen zijn aangetroffen (ten opzichte van alle geruimde kwekerijen in Nederland). Daarnaast is er binnen een gemeente te zien in welke wijken de kwekerijen voorkomen. Aangezien aantallen kleiner dan tien niet worden getoond, kunnen er op wijkniveau niet altijd gegevens worden gevisualiseerd.

De populatie

De populatie voor deze analyse bestaat uit geruimde panden uit een combinatie van meerdere datasets. De basis wordt gevormd door een landelijke dataset met strafrechtelijk geruimde hennepkwekerijen in de periode 2015-2018, aangeleverd door Domeinen Roerende Zaken (DRZ). De dataset met ruimingen van DRZ is aangevuld met gemeentelijke data over locaties van geruimde hennepkwekerijen. Deze gemeenten hebben voor verschillende perioden 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 twee databronnen zijn gecombineerd. Daarbij zijn dubbele ruimingen op hetzelfde adres, waarbij de ruimingsdata minder dan 2 maanden van elkaar verschillen, verwijderd. Deze twee of meerdere registraties betreffen dan hoogstwaarschijnlijk dezelfde hennepkwekerij, waarbij er een strafrechtelijke één bestuursrechtelijke ruiming is geweest.

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 gemeente bepaald door te kijken naar het jaargang van de eerste en laatste ruiming (in de onderzoeksperiode) binnen de desbetreffende gemeente. Deze periode geeft dus aan in welke jaren er ruimingen zijn geweest, niet voor welke jaren er data beschikbaar is. De beschikbaarheid van jaargangen verschilt namelijk per gemeente, afhankelijk van de beschikbare databronnen.

Vervolgens zijn de percentages per gemeente berekend ten opzichte van het totaal aantal geruimde kwekerijen in Nederland. Daarnaast zijn ook percentages per wijk berekend ten opzichte van het totaal aantal ruimingen binnen de gemeente.

Bronbestanden

  • Bestand met adressen van strafrechtelijk geruimde hennepkwekerijen in Nederland (2015-2018), 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:

  • Nieuwbouwwoningen in de woningvoorraad op 1 januari 2019, kunnen toebedeeld zijn aan een jaar waarin ze nog niet bestonden, aangezien voor alle controlepanden bewoners/huishoudens en kenmerken uit 2015 zijn aangekoppeld. Hierdoor vallen deze woningen buiten de analyse.
  • Bij alle kenmerken behalve leeftijd worden alle bewoners vanaf 16 jaar meegerekend. Dit kan invloed hebben op de verdeling van categorieën binnen de kenmerken Huwelijkse status en Opleidingsniveau. Deze selectie van bewoners wordt in een aankomende uitbreiding van de analyse veranderd, waarbij alleen gegevens over de hoofdbewoner zullen worden getoond.
  • Wanneer er in een woning meer dan één keer een hennepkwekerij is aangetroffen in de periode 2012-2019 wordt deze per jaar één keer meegenomen. Hetzelfde pand kan dus wel meerdere keren voorkomen, mogelijk met verschillende bewoners/huishoudens en bijbehorende kenmerken.
  • 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.
  • Bij het kenmerk leeftijd worden alle bewoners op een adres meegerekend. De verdeling van leeftijden wordt dus beïnvloed door de aanwezigheid van thuiswonende kinderen.
  • De bron voor het opleidingsniveau is een combinatie van register- en steekproefdata en heeft om die reden een lage dekkingsgraad. Gegevens van oudere personen ontbreken vaker dan van jongere personen. Dit zou een verklaring kunnen zijn voor het grotere percentage onbekend opleidingsniveau bij algemene bewoners.

De analyse

Het doel van de analyse is om de kenmerken van bewoners en huishoudens te identificeren die panden waarin een hennepkwekerij wordt aangetroffen onderscheiden van andere panden. De volgende kenmerken zijn geanalyseerd:

  • Leeftijd
  • Huwelijkse status
  • Opleidingsniveau
  • Huishoudsamenstelling
  • Bruto inkomen
  • Uitkering

De populatie

De analyse is gedaan met behulp van een bestand met de locaties van alle aangetroffen kwekerijen (hennepruimingen) in een aantal Nederlandse gemeenten over de periode 2012-2019. Iedere gemeente heeft eigen beschikbare data aangeleverd van hennepruimingen en de periodes verschillen daarom tussen gemeenten. Voor een aantal kleine Limburgse gemeenten zijn de gegevens samengevoegd zodat de aantallen groot genoeg zijn om in het dashboard te tonen. Aantallen kleiner dan 10 worden namelijk niet getoond in het dashboard. Hieronder staan alle Limburgse gemeenten genoemd die zijn meegenomen in de categorie 'overig Limburg':

  • Beesel
  • Landgraaf
  • Leudal
  • Meerssen
  • Mook en Middelaar
  • Nederweert
  • Peel en Maas
  • Venray
  • Voerendaal
  • Brunssum
  • Echt-Susteren

Naast de panden waar hennepkwekerijen zijn aangetroffen zijn alle overige woningen en hun bewoners in de desbetreffende gemeenten als controlegroep meegenomen in de analyse. Deze personen en huishoudens staan aangeduid als 'Bewoners algemeen' en worden vergeleken met bewoners van panden waar wel een hennepkwekerij is aangetroffen.

Leeftijd, huwelijkse status en opleidingsniveau zijn per bewoner geanalyseerd; huishoudsamenstelling, bruto inkomen en uitkeringen zijn op huishoudensniveau bepaald. Voor het kenmerk Leeftijd zijn alle bewoners van een pand meegenomen, ongeacht hun leeftijd; voor alle overige kenmerken zijn bewoners vanaf 16 jaar meegenomen.

Methode

Voor bewoners van de panden waar een hennepkwekerij is aangetroffen zijn de kenmerken meegenomen die in het jaar van aantreffen van toepassing waren. Hierdoor is voor deze groep telkens de stand van zaken op een bepaald moment tussen 2012 en 2019 beschikbaar. Om die panden/bewoners te vergelijken met bewoners van panden waar geen hennepkwekerij is aangetroffen, is er een controlegroep samengesteld van alle overige panden in de desbetreffende gemeenten. Voor deze panden zijn kenmerken van de bewoners in 2015 aangekoppeld. Aan deze bestanden zijn vervolgens de bestanden met de variabelen van de specifieke kenmerken gekoppeld.

Bronbestanden

  • Maatwerkbestanden met locaties van alle hennepruimingen in verschillende gemeenten in Nederland;
  • Basisregistratie Personen (BRP) 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:

  • 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, cocaïne, 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 (2015-2019), 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:

  • 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 geven de gemiddelde waarschijnlijkheid van alle jongeren in een gebied aan om verdacht te worden van een drugsdelict, zoals voorspeld vanuit het model. De scores betekenen dus niet het percentage drugsverdachten in een gebied en geven geen zekerheid dat een bepaald percentage jongeren verdacht wordt van drugscriminaliteit. De scores zijn een aanduiding van de kwetsbaarheid van jongeren om drugsverdachte te worden. Een hogere score geeft aan dat er 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. 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;
  • 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 worden aangeraden.

De analyse

In deze analyse is een voorspelmodel gebouwd dat voor jongeren tussen de 8 en 23 jaar bepaalt wie een verhoogd risico loopt om in de drugscriminaliteit te belanden. Het model is gemaakt op basis van kenmerken en indicatoren die vanuit wetenschappelijke literatuur en kennis van domeinexperts zijn bepaald. De volgende kenmerken zijn meegenomen:

De resultaten van het model zijn geaggregeerd naar buurt, wijk en gemeenteniveau 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 voor welke doelgroepen preventief beleid het meest kansrijk is.

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 variabelen nemen we de stand op 1 januari 2018 mee. Voor elke variabele staat de periode gespecificeerd in de tabel hierboven.

Methode

Voor het voorspelmodel is gekozen om een decision-tree algoritme te gebruiken. 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 voorspellend zijn voor drugscriminaliteit.

Een decision-tree algoritme plaatst observaties in de target groepen (drugsverdachte of controle) op basis van splitsingen in kenmerken. Bijvoorbeeld of iemand man of vrouw is en of iemand schulden heeft. Op basis van de data wordt bepaald welke splitsingen het meest onderscheidend zijn voor deze target groepen. Hierbij worden alle kenmerken in combinaties meegenomen, aangezien één kenmerk op zichzelf vaak niet voorspellend 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 target groep te belanden.

Het decision-tree algoritme is getraind op een subset van 18 tot 23-jarigen waarbij de verdeling zo is gesampled dat de trainingset voor 30 procent bestond uit verdachten en voor 70 procent uit controlepersonen. Daarna is het model getest op een andere subset van 18 tot 23-jarigen waarbij wel de originele verdeling van verdachten en controlepersonen is aangehouden.

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 (false positives) , maar worden wel alle drugsverdachten correct aangewezen als zodanig. Een groter aandeel false positives is in deze context niet problematisch, 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 69 Procent behaald. Dit betekent dat 69 procent van alle verdachten in de testset als zodanig worden geclassificeerd door het model.

Bronbestanden

  • Basisvoorziening Handhaving (BVH) van de politie;
  • Basisregistratie Personen (BRP) van gemeenten;
  • Stelsel van Sociaal Statistische Bestanden (SSB);
  • Haltjongeren van 12 tot 18 jaar (HALTTAB);
  • Wanbetalers Zorgverzekeringswet;
  • Personen met schuldsanering via de Wet Schuldsanering Natuurlijke Personen (WSNP).

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 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.
  • 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 voor 2005;
  • Bij de analyse zijn door Bureau Halt-geregistreerde verdenkingen gebruikt. Niet alle Halt-verdenkingen staan geregistreerd in de gebruikte data. Ze zijn bijvoorbeeld beschikbaar vanaf 2005. Mocht een persoon dus ouder zijn geweest dan 18, dan zijn er geen Halt-verdenkingen bekend;
  • 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 crimineel cv op te stellen.

De analyse

Voor de analyse is een overzicht gemaakt van verdachten die betrokken zijn geweest bij drugsdelicten. Daarbij worden zes verschillende drugsdelicten onderscheiden, namelijk bezit van, handel in en vervaardiging van softdrugs en harddrugs. Verder bestaat het overzicht uit twee delen: enerzijds de criminele aanloop (het 'crimineel cv') en anderzijds de top delicten onder verdachten.

Bij het bepalen van de criminele aanloop is een overzicht gemaakt van de delicten in aanloop tot het bewuste drugsdelict die het vaakst worden gepleegd vóórdat de verdachten worden verdacht van dat drugsdelict. Hierbij wordt tot twee delicten voorafgaand aan het drugsdelict teruggekeken. Bij het bepalen van de top delicten worden de meest voorkomende delicten waarvan de drugsverdachten verdacht zijn geweest weergegeven.

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/verdenkingen die daarvoor hebben plaatsgevonden. Latere verdenkingen van drugsfeiten van dezelfde persoon zijn dus niet meegenomen.

Methode

De criminele aanloop 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 delicten staan in chronologische volgorde. Bijvoorbeeld, stel dat 10 verdachten van de handel in harddrugs verdacht zijn geweest van inbraak en daarvoor van een seksueel misdrijf. Daarnaast zijn 20 andere verdachten eerst van een seksueel misdrijf verdacht geweest en daarna van een inbraak. Op basis van deze gegevens zijn de uitkomsten van de criminele aanloop van verdachten van handel in harddrugs:

  • 33,3% is daarvoor beschuldigd van inbraak
  • 66,6% is daarvoor beschuldigd van seksueel misbruik
  • 33,3% is eerst beschuldigd van een seksueel misdrijf, daarna van inbraak en daarna van het handelen in harddrugs.
  • 66,6% is eerst beschuldigd van inbraak, daarna van een seksueel misdrijf en daarna van het handelen in harddrugs.

Voor de voorafgaande delicten in het crimineel cv worden verdenkingen van delicten in de periode 2005 tot 2019 beschouwd.

Naast de criminele aanloop zijn ook de top delicten onder verdachten bepaald. Hier wordt gekeken naar de meest voorkomende criminele delicten/verdenkingen onder verdachten van het geselecteerde drugsfeit. De lengte van de periode voorafgaand aan het drugsdelict wordt hierbij niet meegenomen.

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;
    • Stelsel van Sociaal Statistische Bestanden (SSB).
  • 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.
  • Persoonskenmerken van alle in de Gemeentelijke Basis Administratie (GBA) ingeschreven personen, gecoördineerd (GBAPERSOONTAB).

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)

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)

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 en is tussentijds verlengd tot de zomer van 2021. 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