Inleiding en context
Goede morgen allemaal, het is vandaag woensdag 27 maart 2024. Dit deuntje zat gisteren in mijn hoofd: https://www.youtube.com/watch?v=UPGUat8bOmc Maar nu naar de ´kennisparel´ die in jullie mailbox zit. In veel landen waaronder het Verenigd Koninkrijk, Australië, Duitsland en Nederland zijn nationale en regionale strategieën ontwikkeld voor de bestrijding van georganiseerde misdaad. Als onderdeel van deze strategische focus worden regelmatig rapporten vervaardigd die de verschillende dreigingen beschrijven betreffende de omvang en ernst van georganiseerde misdaad. De resultaten van deze exercities worden vervolgens gebruikt om te beslissen over preventieve en repressieve interventies die gericht zijn op het tegengaan en mitigeren van deze georganiseerde misdaadactiviteiten.
De inschatting van de schade die wordt veroorzaakt door georganiseerde misdaad is een belangrijk doel om dat beleid meer handen en voeten te geven. Dat is trouwens geen eenvoudige opgave, want veel landen hebben grote moeite om beredeneerde uitspraken te doen over die schade. Daarom vandaag een mooie ´kennisparel´ waarin een methode en de toepassing wordt beschreven om de schade in kaart te brengen van de harde kern leden van zogenaamde outlaw motorcyvle gangs (OMG´s). Onder de verzamelnaam ´harm´ is de laatste jaren op verschillende manieren geprobeerd om die schade te bepalen. In bijgesloten ´kennisparel´ introduceren de auteurs een methode en de toepassing daarvan om te voorspellen welke leden van OMG´s de meeste schade veroorzaken.
Bijgesloten ´kennisparel´ onderstreept het belang van de praktische toepassing van risicobeoordelingsmodellen gebruikt door rechtshandhavingsinstanties om individuen met een hoog risico te identificeren, in dit geval leden van OMG´s. Deze methode ligt in het verlengede van het zogenaamde ´predictive policing´, zie voor een overzicht: https://www.researchgate.net/publication/331354468_Cutting_Crime_Impact_Practice-based_innovation_in_preventing_investigating_mitigating_high-impact_petty_crime_A_selection_of_major_knowledge_sources_on_predictive_policing De beschikbare politiegegevens zijn echter vaak beperkt qua volledigheid, kwaliteit en toegankelijkheid. Door een risicobeoordelingsmodel in de praktijk te brengen dat oorspronkelijk was ontwikkeld om misdrijven met veel schade onder OMCG’s te voorspellen laten de auteurs zien dat het mogelijk is om te voorspellen welke daders de meeste schade zullen aanrichten. Er is sprake van een relatief hoge mate van nauwkeurigheid, inclusief een laag aantal valse positieven, waarbij gebruik wordt gemaakt van politiedata die direct beschikbaar zijn voor misdaadanalisten. Een mooi voorbeeld voor onze Nederlandse misdaadanalisten werkzaam binnen de politie en de Regionale Informatie- en Expertisecentra (RIEC’s).
Bron
Cubitt, Timothy & Anthony Morgan (March 2024). Predicting high-harm offending using national police information systems: An application to outlaw motorcycle gangs. Canberra: Australian Institute of Criminology, 47 pp. https://www.aic.gov.au/publications/rr/rr30
Summary
There have been significant advancements in the data available to law enforcement, including the development of national information systems that can connect databases across jurisdictional borders. This is especially important in the area of serious and organised crime, which is increasingly borderless in nature, requiring agencies to work together to share information about potential targets. Risk assessment is a growing feature of law enforcement and an important strategy for identifying high-risk individuals, places and problems. Prediction models must be developed in a transparent way, using robust methods and the best available data. But attention must also be given to implementation. In practice, the data available to law enforcement from police information systems can be limited in their completeness, quality and accessibility. Prediction models need to be tested in as close to real-world settings as possible, including using less than optimal data, before they can be implemented and used.
In this paper we replicate a prediction model that was developed in New South Wales to predict high-harm offending among outlaw motorcycle gangs nationally and in other states. We find that, even with a limited pool of data from a national police information system, high-harm offending can be predicted with a relatively high degree of accuracy. However, it was not possible to reproduce the same prediction accuracy achieved in the original model. Model accuracy varied between jurisdictions, as did the power of different predictive factors, highlighting the importance of considering context. There are trade-offs in real-world applications of prediction models and consideration needs to be given to what data can be readily accessed by law enforcement agencies to identify targets for prioritisation.
The sample for this study was drawn from the National Gangs List (NGL), maintained by the Australian Criminal Intelligence Commission (ACIC), which brings together information from state and territory databases into a nationally agreed, secure and validated list of OMCG members. The recorded criminal history for these individuals was extracted from the National Police Reference System, which records the offence history of individuals who have been arrested and subject to some form of legal action by police. Data were available for 5,534 affiliates of OMCGs nationally.
The findings demonstrate that there are trade-offs in real-world applications of prediction models and consideration needs to be given to what data can be readily accessed by law enforcement agencies to identify targets for prioritisation. The models presented in this report may perform an important role in helping to guide other intelligence activity by law enforcement agencies in their efforts to reduce gang-related crime.
Afsluitend
Daders reageren op interventies en maatregelen en passen zich aan, er is sprake van een crimineel adaptievermogen. Naast een beschrijving van criminaliteitsfenomenen is het voor een effectieve aanpak van (georganiseerde) criminaliteit noodzakelijk om inzicht te verkrijgen welke actieve daders binnen de georganiseerde misdaad de meeste schade veroorzaken. Wat kunnen wij leren van bijgesloten ´kennisparel´? In het kader van de aanpak van criminele machtsstructuren binnen de georganiseerde misdaad lijkt mij dit evident. Meer aandacht in beleid, praktijk en onderzoek naar deze risicobeoordelingsmodellen kan mogelijkerwijs nieuwe inzichten bieden om een meer effectief criminaliteitsbeleid ten opzicht van de georganiseerde misdaad te voeren.
Een prima bijdrage om verder te komen met het bepalen welke schade de kernleden (hardcore leden) actief binnen de georganiseerde misdaad veroorzaken in de maatschappij. Het inschatten van de omvang en ernst van de incidentie van misdaden en het systematisch beredeneren van (ernst)gewichten voor misdaadschade (HARM) blijkt dus mogelijk. Naar mijn mening biedt die methode een waardevolle stap voorwaarts in de wijze waarop de schadelijke gevolgen van de activiteiten van de georganiseerde misdaad kan worden gekwantificeerd. Dat is eigenlijk best wel een replicatie waard binnen de Nederlandse situatie van georganiseerde misdaad. Dat vraagt naar mijn mening om nader onderzoek bijvoorbeeld via de zogenaamde kennisagenda ondermijning: https://www.wodc.nl/onderzoek-in-uitvoering/kennisagenda-ondermijning