De analyse

Naast een beschrijvende analyse van particuliere woningtransacties en -voorraad in Nederland (referentiebeeld) zijn er 6 profielen van particuliere woningeigenaren afgeleid:

1. onverklaarbaar woningeigendom (minstens 1 woning);
2. onverklaarbaar woningeigendom (minstens 2 woningen);
3. veroordeelde eigenaren;
4. beroepsbestuurders van stichtingen;
5. alleenbestuurders van stichtingen;
6. doorsluishuizen.

Verdere uitleg van deze profielen wordt gegeven op de begrippen-pagina van het dashboard. De resultaten van deze analyses worden in het dashboard over 3 verschillende pagina’s in het onderdeel Vastgoed weergegeven:

• Referentiebeelden, geeft een algemeen beeld van totale particuliere woningmarkt in Nederland.
• Wijkcijfers, geeft voor de bovengenoemde profielen het voorkomen (percentage woningen) in de particuliere woningmarkt van Nederland per gemeente en per wijk.
• Profielen, geeft voor de bovengenoemde profielen het voorkomen (percentage woningen) in de particuliere woningmarkt van Nederland en de totale WOZ-waarde van deze woningen per gemeente. Hierbij kan tevens worden gekeken of de woningeigenaren tegelijkertijd bestuurder van (een) stichting(en) zijn.

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.

Verder geven de resultaten van de analyses inzicht in trends en patronen en zijn ze nadrukkelijk niet bedoeld voor opsporingsdoeleinden. Wel kunnen de resultaten kansrijke zoekgebieden identificeren en zo richting geven aan bestaande interventies en beleidskeuzes van alle veiligheidspartners.

Populatie

De getoonde aantallen en percentages in het vastgoeddeel van dit dashboard zijn woningen die in bezit zijn van een natuurlijk persoon (op 1-1-2016). Voor het profiel doorsluishuis wordt ook het percentages van transacties (verkopen) getoond over de periode (1995-2016). 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 voor peildatum 1-1-2016 bestuurder waren van een stichting.

Aantallen en gemiddelde verkoopprijzen op dit 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 (onverklaarbaar woningeigendom, veroordeelde eigenaren, etc.) extra kenmerken van panden en hun eigenaren nodig zijn.

Gebruikte bronnen

• Voor het referentiebeeld vastgoedfraude is gebruik gemaakt van Statline-gegevens en gegevens uit het transacties microdatabestand (op Statline kunnen alleen G4 gemeentes geselecteerd worden, in het microdatabestand staan alle gemeentes in Nederland). Het gaat hier om gegevens over de particuliere woningtransacties in de jaren 1995 t/m 2016 (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.
• Voor de analyses van de profielen beroepsbestuurder en alleenbestuurder is tevens gebruik gemaakt van gegevens van het KvK-register. 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 2016.
• Voor de analyses van de profielen geldt dat de eigenaar van de woning een natuurlijk persoon is (geen rechtspersoon). De profielen veroordeelde eigenaar en onverklaarbaar woningeigendom zijn berekend met het woningvoorraad bestand (CBS microdatabestand, peiljaar 2016, met gegevens afkomstig van oa Kadaster) en het profiel doorsluishuis is berekend met een transactie-bestand geleverd door het Kadaster. Om te bepalen of een eigenaar veroordeeld is geweest, is gebruik gemaakt van een OM-uitstroom bestand (CBS microdatabestand, peiljaar 2016)

Aandachtspunten

De voor dit onderzoek gebruikte data hebben enige beperkingen waar rekening mee gehouden dient te worden bij het trekken van conclusies:

Beperkingen bij het bepalen van woningeigenaren:

• In het geval van 2 of meerdere eigenaren per woning staat alleen degene geregistreerd die de WOZ-aanslag op zijn/haar naam heeft, wat standaard de oudste (man, wanneer eigenaren even oud zijn) persoon is, maar op verzoek van de eigenaren aangepast kan zijn. Om een goede indicatie te krijgen van het aantal eigenaren met een profiel moet eigenlijk worden gekeken naar alle eigenaren van een woning. In theorie zouden er personen met een profiel mede-eigenaar kunnen zijn van een woning, maar niet in het woningvoorraadbestand als eigenaar te boek staan, omdat hij/zij niet de oudste is van de eigenaren. Een deel van de gehele groep eigenaren is dus niet meegenomen in de analyses, wat effect kan hebben op de percentages van de profielen onverklaarbaar woningeigendom 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 is of een rechtspersoon. Aangezien de meeste analyses zijn gedaan met de 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 percentages van de profielen.

Beperkingen bij het bepalen van bestuurders van stichtingen:

• Het werkelijke aantal stichtingen kan wat afwijken van het aantal dat ingeschreven staat bij de KVK. 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.
• Verder is niet altijd een oprichtingsdatum bekend, waardoor niet duidelijk is of de stichting voor of na 1 januari van het verslagjaar (2016) is opgericht. Voor de huidige analyse zijn de stichtingen met onbekende oprichtingsdatum niet meegenomen.
• Een deel van de stichtingen hebben een onbekende bestuurder. Deze onbekende bestuurders zijn dus 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 hebben een onbekende postcode, waardoor deze niet meegenomen kunnen worden in de analyses per gemeente. Het aantal stichtingen op gemeenteniveau is dus waarschijnlijk iets hoger in werkelijkheid.

Beperkingen bij het bepalen van delicten:

• In het oorspronkelijke OM-uitstroom-bestand staan 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.

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 G4 en B5 gemeenten 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 (G4 en B5 gemeenten) 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.

Aandachtspunten

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.

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) gemeenten;
• Stelsel van Sociaal Statistische Bestanden (SSB).

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).

Aandachtspunten

• 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.

Bronnen

• 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.

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 (G4 en B5) een aantal frequentietabellen gegenereerd over verschillende persoonskenmerken. Elk kenmerk kan tussen gemeenten worden vergeleken op een drugsfeit, of kan binnen een gemeente 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 2016 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 2012-2016. 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.

Aandachtspunten

• Deze analyse is uitgevoerd voor de periode 2012 tot en met 2016 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 risico op herleidbaarheid zijn sommige lage frequenties onderdrukt en worden deze niet in de grafiek getoond.

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 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) gemeenten;
• Stelsel van Sociaal Statistische Bestanden (SSB).

De analyse

Het doel van de analyse is om de kenmerken van bewoners en huishoudens te identificeren die samenhangen met het risico op panden waarin een hennepkwekerij wordt aangetroffen. De volgende kenmerken zijn geanalyseerd:

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

Populatie

De analyse is gedaan met behulp van een bestand met de locaties van alle aangetroffen kwekerijen (hennepruimingen) in de B5-steden (Breda, Eindhoven, Helmond, 's-Hertogenbosch en Tilburg) over de periode 2012-2016. Verder zijn alle woningen en bewoners in de B5-steden meegenomen in de analyse. Er is een vergelijking gemaakt tussen bewoners van panden waar wel een hennepkwekerij is aangetroffen en bewoners van panden waar deze niet is aangetroffen.

Leeftijd, huwelijkse status en opleidingsniveau zijn per bewoner geanalyseerd, huishoudsamenstelling, bruto inkomen en uitkeringen zijn op huishoudensniveau bepaald. Voor leeftijd zijn alle bewoners meegenomen, voor alle overige kenmerken zijn bewoners vanaf 16 jaar meegenomen.

Methode

Van de panden/bewoners 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 in 2012, 2013, 2014, 2015 of 2016 beschikbaar. Om die panden/bewoners te vergelijken met panden/bewoners waarbij geen kwekerij is aangetroffen, is er een controlegroep samengesteld van alle overige panden in de B5-steden, over diezelfde jaren, met dezelfde verdeling als de hennepkwekerijen. Dit wil zeggen dat als 22 procent van alle hennepkwekerijen in de B5 in 2012 is aangetroffen ook 22 procent van de overige woningen wordt toebedeeld aan 2012. Het totaal van de woningen over de jaren telt dus op tot 100 procent zodanig dat iedere woning in de voorraad op 1 januari 2016 is toebedeeld aan een specifiek jaar in de periode 2012-2016. Aan deze bestanden zijn vervolgens de bestanden met de variabelen van de specifieke kenmerken gekoppeld.

Aandachtspunten

• Nieuwbouwwoningen in de voorraad van 1 januari 2016 die zijn meegenomen, kunnen toebedeeld zijn aan een jaar waarin ze nog niet bestonden. Hierdoor vallen deze buiten de analyse.
• Bewoners vanaf 16 jaar worden meegenomen in huwelijkse status. Het kan dus zijn dat zowel de ouders als hun oudere thuiswonende kinderen mee worden genomen op een adres. Hierdoor kan het percentage ongehuwden hoger uitvallen dan gedacht.
• Wanneer er in een woning meer dan één keer een hennepkwekerij is aangetroffen in de periode 2012-2016 wordt deze slechts één keer meegenomen met het jaar van de eerste ruiming.

Bronbestanden

• Maatwerkbestand met de locaties van alle hennepruimingen in de B5 in de periode 2012-2016, 8165TilburgCBKV1;
• Basisregistratie Personen (BRP) gemeenten;
• Stelsel van Sociaal Statistische Bestanden (SSB).

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 periode 2012-2016

De populatie

De clusteranalyse is uitgevoerd op verdachten van bezit, handel in en vervaardiging van softdrugs of harddrugs in de periode 2012 tot en met 2016. 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.

Om te bepalen hoeveel clusters een passende oplossing voor de data is, worden de clusteroplossingen voor 2 clusters tot en met 8 clusters getest. Er wordt dan een plot gemaakt van de within-cluster sum of squares voor elke clusteroplossing. De elbow methode wordt gebruikt om het passende aantal clusters te kiezen door de knik in de plot te zoeken. Daarnaast wordt het aantal clusters ook gekozen op basis van inspectie van de clusteroplossingen. De clusteroplossing die uitlegbare profielen maakt en binnen de elbow-plot op een knik zit, wordt gekozen. De analyse is uitgevoerd voor elk drugsfeit apart, daarom verschilt het aantal gekozen clusters per drugsfeit.

Het k-prototypes algoritme geeft naast een verdeling van elke verdachte in een passend cluster ook de prototypes van elk cluster weer. Deze prototypes zijn in dit dashboard gevisualiseerd als de profielen. Prototypes beschrijven het centrum van een cluster. Het is niet gebaseerd op een daadwerkelijke observatie in de dataset, maar beschrijft een gemiddelde van de verdachten in het cluster.

Aandachtspunten

• 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 voor de periode 2012 tot en met 2016 en bevat alleen verdachten uit politie registraties. 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.

Bronbestanden

Er wordt voor deze analyse gebruik gemaakt van een maatwerkbestand met persoonskenmerken van alle verdachten van drugsdelicten in de periode 2012 tot 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) gemeenten;
• Stelsel van Sociaal Statistische Bestanden (SSB).

De analyse

Het doel van de netwerkanalyse is het in kaart brengen van het aantal familierelaties tussen verdachten van vervaardiging softdrugs voor alle gemeenten in Nederland. Bij deze analyse wordt gekeken naar het aantal verdachten van vervaardiging van softdrugs waarbij familieleden ook verdacht zijn geweest van vervaardiging van softdrugs.

Populatie

De analyse is uitgevoerd met behulp van een maatwerkbestand van verdachten van druggerelateerde delicten die hebben plaatsgevonden in de periode 2012-2016. Dit maatwerkbestand is samengesteld uit de Basisvoorziening Handhaving (BVH) van de politie, de Basisregistratie Personen (BRP) en het Stelsel van Sociaal Statistische Bestanden (SSB). Hieruit zijn vervolgens de verdachten van feitcode F45 (vervaardiging van softdrugs) gefilterd. Om de familienetwerken rondom deze verdachten te bepalen zijn de kind-ouder relaties afkomstig uit het bestand kindoudertab2016 van het CBS hieraan toegevoegd. Dit bestand met kind-ouder relaties komt ook voort uit de BRP en bestaat uit personen van wie tenminste één van de juridische ouders bekend is. Om uiteindelijk per gemeente de relaties weer te geven is gekozen voor de locatie waarop het delict is geregistreerd.

Methode

De netwerkanalyse is uitgevoerd met behulp van het igraph package in R. Er is gestart vanuit de verdachten van delicten in vervaardiging van softdrugs. Hieraan zijn eerst de ouders gekoppeld op basis van kind-ouder relaties. Vervolgens zijn de broers en zussen van de verdachten toegevoegd door te kijken welke kinderen de ouders nog meer hadden. Daarna zijn de kinderen van de verdachten toegevoegd en ook de neefjes en nichtjes (kinderen van de broers en zussen). Vervolgens zijn de grootouders toegevoegd (ouders van de ouders van verdachten) en daarna de ooms en tantes van de verdachten. Als laatste zijn de neven en nichten (kinderen van de ooms en tantes) toegevoegd. Op dit bestand met gekoppelde relaties is het netwerk gebaseerd. Om te bepalen hoeveel andere verdachten van vervaardiging van softdrugs er in een familienetwerk voorkomen is vanuit de verdachte gezien iedereen meegenomen die maximaal 4 kind-ouder-relaties van de verdachte verwijderd zijn. Een voorbeeld is de neef of nicht van een verdachte. Die relatie loopt van één van de ouders van de verdachte (1), door naar één van de grootouders van de verdachte (2), naar een oom of tante van de verdachte (3) en uiteindelijk de neef of nicht (4).

Aandachtspunten

• Partners die niet samen een kind hebben, kunnen met deze methode niet aan elkaar gekoppeld worden. Door in een vervolganalyse te kijken naar huishoudens, ingeschrevenen op adres en door gehuwden mee te nemen kan het netwerk rondom een verdachte vergroot worden en kunnen wellicht meer links tussen verdachten worden waargenomen.
• Ook familieleden die vóór 1 januari 2016 overleden zijn, of niet geregistreerd staan in Nederland, zijn niet meegenomen in deze analyse. Dit houdt bijvoorbeeld in dat wanneer de ouders van een verdachte beiden overleden zijn, deze link ontbreekt. Hierdoor kunnen de eventuele broers en zussen van de verdachten ook niet gevonden worden.

Daarnaast is in deze analyse uitgegaan van een familierelatie wanneer een persoon maximaal 4 kind-ouderrelaties verwijderd is van een verdachte. In sommige families is het echter gebruikelijk dat er ook nauw contact is met familieleden die meer dan vijf kind-ouderrelaties van elkaar zijn verwijderd zoals bijvoorbeeld achterneven en nichten. Deze worden in deze aanpak buiten beschouwing gelaten.

Bronbestanden

• Kind met bijbehorende vader en moeder indien levend en ingeschreven in Nederland: BRP;
• Verdachten van feitcode F45 en locatie van delict. Dit bestand is samengesteld uit de volgende bronnen:
• Basisvoorziening Handhaving (BVH) van de politie;
• Basisregistratie Personen (BRP) gemeenten;
• Stelsel van Sociaal Statistische Bestanden (SSB).