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.

Aandachtspunten

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

Beperkingen bij het bepalen van woningeigenaren:

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

Beperkingen bij het bepalen van bestuurders van stichtingen:

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

Beperkingen bij het bepalen van delicten:

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

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

Beperkingen bij het bepalen van personen met buitenlands adres:

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

De analyse

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

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

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

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

Onbekende eigenaren

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

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

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

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

Bronbestanden

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

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

Aandachtspunten

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

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

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

Beperkingen bij het bepalen van de identiteit van de koper

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

Beperkingen inzicht in inkomsten en vermogen

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

Gemeentelijke indeling

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

De analyse

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

De populatie

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

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

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

Methode

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

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

Definitie onverklaarbare som geld

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

Berekening onverklaarbare som geld

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

Maximaal besteedbaar bedrag ^* bestaat uit:

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

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

Bronbestanden

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

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

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.

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
• Opleidingsniveau
• 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:

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

De analyse

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

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

De populatie

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

• Een landelijke dataset met geruimde hennepkwekerijen in de periode 2015-2018, aangeleverd door Domeinen Roerende Zaken (DRZ).
• Verschillende gemeentelijke datasets met locaties van geruimde hennepkwekerijen. Deze gemeenten hebben voor verschillende periodes data geleverd. Daarom verandert de aangegeven periode met de geselecteerde gemeente.

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

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

Methode

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

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

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

Bronbestanden

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