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.

Aandachtspunten

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.

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.

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.

Aandachtspunten

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.

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.

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.

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:

• 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.

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.

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).

Aandachtspunten

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.

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.

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.

Aandachtspunten

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

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

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.

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

Referentiebeeld drugsgebruik in Utrecht

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.

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.

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.

Aandachtspunten

• 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 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 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);

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.

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 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.

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).

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.

Aandachtspunten

• 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.
• Bewoners vanaf 16 jaar worden meegenomen in de aantallen bij het kenmerk Huwelijkse status. Het is dus mogelijk dat zowel de ouders als hun oudere thuiswonende kinderen mee worden geteld op een adres. Hierdoor kan het percentage ongehuwden hoger uitvallen dan verwacht.
• 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.

Bronbestanden

• Maatwerkbestanden met locaties van alle hennepruimingen in verschillende gemeenten in Nederland;
• Basisregistratie Personen (BRP) gemeenten;
• Stelsel van Sociaal Statistische Bestanden (SSB).

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.

Aandachtspunten

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

Bronbestanden

• Bestand met adressen van alle geruimde synthetische drugslabs in Nederland (2015-2019), afkomstig van de LFO.
• Stelsel van Sociaal Statistische Bestanden (SSB).

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.

Aandachtspunten

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.

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).

Familierelaties

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.

Aandachtspunten

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.

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

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.

Aandachtspunten

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.

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).

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.

Aandachtspunten

• 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.

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).

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.

Aandachtspunten

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.

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).

De analyse

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

Bij de analyse naar de regionale spreiding van verdachte transacties binnen Nederland is inzichtelijk gemaakt hoe zij over gemeenten verdeeld zijn. Naast het absolute aantal verdachte transacties is ook het relatieve aantal verdachte transacties per gemeente berekend (het aantal verdachte transacties per 10 000 inwoners), alsmede 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 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.

Aandachtspunten

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.

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.

De analyse

Deze analyse laat de concentraties van vestigingen in een bepaalde branche per gemeente en wijk van die gemeente zien. De visualisaties geven een beeld van de hoeveelheid 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:
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

Peiljaar: Het jaar 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

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.

Afwijkingen

De afwijkingen die op het dashboard getoond worden zijn de procentuele afwijking van de waarde van de concentratie van het Nederlands gemiddelde voor de gekozen branche. Voorbeeld: In de gemeente Leeuwarden is in de branche hotels het aantal per 10 000 inwoners 3 en het gemiddelde voor Nederland is 2,4. De procentuele afwijking is dan (3 / 2,4) - 1 = 25 procent.

Aandachtspunten

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.

Bronbestanden

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