2 Big Data en de AVG, Wet justitiële en strafvorderlijke gegevens en Politiewet: het juridische kader

2.1  Inleiding

In dit hoofdstuk staat de Nederlandse wet- en regelgeving die relevant is voor de inzet van Big Data-analyses voor strafrechtelijke doeleinden centraal. Het huidige juridische kader voor de inzet van Big Data-analyses in het veiligheidsdomein zal worden besproken onder 2.2. Eerst worden de wettelijke regimes voor gegevensverzameling en -verwerking binnen het veiligheidsdomein toegelicht (2.2.1), waarna nader zal worden ingegaan op de concrete bevoegdheidsgrondslagen voor het verzamelen en verwerken van gegevens in het kader van Big Data-analyses voor strafvorderlijke doeleinden (2.2.2). Daarna inventariseer ik welke knelpunten de nationale regelgeving ten aanzien van Big Data-analyses kent (2.3). Ten slotte gaat aandacht uit naar de betekenis van het te moderniseren Boek 2 van het Wetboek van Strafvordering en de wijziging van de Wet politiegegevens (2.4).[1] Aan de hand van een analyse op hoofdlijnen zal ik beschouwen in hoeverre deze toekomstige wetten bestaande knelpunten van de huidige wetgeving ten opzichte van Big Data-analyses kunnen oplossen. Ik bediscussieer of de door de Commissie-Koops aangedragen aanbevelingen inzake de operatie-Modernisering Wetboek van Strafvordering, welke volgens de wetgever grotendeels direct in Boek 2 Sv zullen worden opgenomen,[2] oplossingen bieden voor bestaande uitdagingen. 

2.2  Regulering van de inzet van Big Data-analyses in het veiligheidsdomein: het huidige juridische kader

2.2.1 Algemene wettelijke regimes voor gegevensverzameling en -verwerking binnen het veiligheidsdomein

Voor de verzameling en verwerking van persoonsgegevens door de overheid gelden verschillende wettelijke regimes. De nationale, Europese en internationale grondwettelijke kaders (te bespreken in hoofdstuk 4) zijn van toepassing op alle gegevensverwerkende overheidsinstanties; op gegevensverwerking door inlichtingen- en veiligheidsdiensten is de Wet op de inlichtingen en veiligheidsdiensten (Wiv 2017) van toepassing; op politie en justitie zijn het Wetboek van Strafvordering (Sv), de Wet justitiële en strafvorderlijke gegevens (Wjsg), Wet politiegegevens (Wpg) en de Wet op de bijzondere opsporingsdiensten (Wet BOD) van toepassing. Voor overige gegevensverwerkende overheidsinstanties is de Algemene verordening gegevensbescherming, de AVG, van toepassing (artikel 2 AVG). Met het oog op hun relevantie ten aanzien van Big Data-analyses voor strafvorderlijke doeleinden, worden de AVG, Wpg en Wjsg op deze plaats uitgelicht. De Wiv 2017 is, zoals gezegd, van toepassing op gegevensverwerking door inlichtingen- en veiligheidsdiensten en in zoverre niet direct van betekenis voor gegevensverwerking door politie en justitie. Zonder op de zaken vooruit te lopen, merk ik op dat enkele bepalingen uit de Wiv 2017 wel van betekenis zouden kunnen zijn voor de inzet van Big Data-analyses door politie en justitie. Daarover volgt meer onder 4.4. 

Algemene Verordening Gegevensbescherming: relevant voor strafvorderlijke gegevensverzameling en -verwerking

De AVG, die de Wet bescherming persoonsgegevens per 25 mei 2018 heeft vervangen,[3] is niet van toepassing op de verwerking van persoonsgegevens door overheidsinstanties met het oog op de voorkoming, het onderzoek, de opsporing en vervolging van strafbare feiten (artikel 2 lid 2 onder d AVG). Wel is de AVG van belang voor de invulling van het begrip ‘persoonsgegeven’ bij het verzamelen en verwerken van gegevens voor strafvorderlijke doeleinden. In de AVG worden ‘persoonsgegevens’ gedefinieerd als ‘alle informatie over een geïdentificeerde of identificeerbare natuurlijke persoon; als identificeerbaar worden beschouwd alle natuurlijke personen die direct of indirect kunnen worden geïdentificeerd aan de hand van onder meer namen, identificatienummers, locatiegegevens, fysieke, genetische, economische, sociale en culturele kenmerken en online identificatoren (artikel 4 onder 1 AVG).

De ‘verwerking’ van persoonsgegevens in de zin van de AVG is een gehele of gedeeltelijke bewerking met betrekking tot persoonsgegevens, al dan niet uitgevoerd via geautomatiseerde processen, waaronder het verzamelen, vastleggen, opslaan, wijzigen, gebruiken, opslaan, raadplegen en verstrekken wordt begrepen (artikel 4 onder 2 AVG). ‘Profilering’ van personen is elke vorm van geautomatiseerde verwerking van persoonsgegevens, waarbij persoonlijke aspecten van een natuurlijke persoon worden geëvalueerd met de bedoeling om sociaal-economische aspecten, persoonlijke voorkeuren, locaties of verplaatsingen te voorspellen of te analyseren (artikel 4 onder 4 AVG).

Wet justitiële en strafvorderlijke gegevens

De Wet justitiële en strafvorderlijke gegevens is enerzijds van toepassing op de verwerking van justitiële gegevens, persoonsgegevens inzake de toepassing van het strafrecht of de strafvordering (artikel 1 onder 1 Wjsg) en anderzijds op de verwerking van strafvorderlijke gegevens, persoonsgegevens die zijn verkregen in het kader van een strafvorderlijk onderzoek en die het openbaar ministerie in een strafdossier of langs geautomatiseerde weg verwerkt (artikel 1 onder b Wjsg). Voor de definities van ‘persoonsgegevens’ en ‘verwerking’ wordt aangesloten bij artikel 4 AVG (artikel 1 onder g Wjsg).

Wet politiegegevens

De Wet politiegegevens is van toepassing op de verwerking van politiegegevens die in een bestand zijn opgenomen of die bestemd zijn daarin te worden opgenomen (artikel 2 lid 1 Wpg). Een ‘politiegegeven’ is elk persoonsgegeven dat in het kader van de politietaak wordt verwerkt (artikel 1 onder a Wpg). De ‘politietaak’ is de algemene politietaak als bedoeld in artt. 3 en 4 lid 1 van de Politiewet 2012 (artikel 1 onder b Wpg). Onder ‘verwerking’ van politiegegevens wordt in ieder geval begrepen het verzamelen, vastleggen, bewaren, bijwerken, gebruiken, vergelijken en verstrekken van politiegegevens (artikel 1 onder c Wpg). Voor het begrip ‘persoonsgegeven’ wordt aangesloten bij artikel 4 AVG (artikel 1 onder m Wpg). 

---

[1] Ter implementatie van Richtlijn (EU) 2016/680.

[2] Kamerstukken II 2018/19, 29 279, nr. 459.

[3] Verordening (EU) 2016/679 betreffende de bescherming van natuurlijke personen in verband met de verwerking van persoonsgegevens en tot intrekking van Richtlijn 95/46/EG.

1 Predictive policing in de strafrechtelijke praktijk

1.4 Predictive Policing

Algoritmen construeren uit de analyse van Big Data (waaronder historische gegevens over gepleegde delicten, tijdstippen, locaties en slachtoffers)[1] patronen, op grond waarvan formules kunnen worden ontwikkeld die weergeven hoe groot de kans op een bepaald type delict op een bepaalde locatie is.[2] In de evaluatie van de Nederlandse pilot Criminaliteits Anticipatie Systeem (CAS) wordt predictive policing nadrukkelijk niet getypeerd als een voorspeller, maar als een risicotaxatiemiddel.[3] Het taxeren van het risico op incidentie van delicten heeft tot doel om de inzet van een bepaalde strategie ter preventie van misdrijven te ondersteunen of om aanhoudingen op heterdaad te bespoedigen.[4] Het National Intelligence Model voor een landelijk informatiegestuurde politie is overigens sinds 2008 een vast begrip, waarbij CAS als voornaamste succes wordt geciteerd.[5]

De gemene deler van alle predictive policing-instrumenten is dat zij draaien op (Big) Data-analyse en daarbij gebruikmaken van een digitaal warenhuis voor opslag en verversing van data. De data in dit Warehouse dienen als referentiepunt om patronen te kunnen vormen met nieuwe data.

Eerder heb ik aangegeven dat een onderzoek naar de oorzaak van een bepaald resultaat, of het causaal verband tussen oorzaak en gevolg, buiten beschouwing blijft bij de inzet van een door algoritmen gedreven analyse. Opmerkelijk zijn enkele praktijksituaties die zich voor hebben gedaan als gevolg van het kritiekloos op predictive policing-systemen leunen. Zo werden bij gebreke van actuele informatie over de omgeving, viswinkels als trekpleisters voor crimineel gedrag aangewezen[6] en door onvoldoende variabelen toe te voegen aan het systeem is een vrouw met medicijnen voor haar hondje als drugsrunner uit een heroïnedetectiesysteem gerold.[7] Deze beperkingen van actuele predictive policing-systemen worden in de evaluatie van de landelijke pilot onderkend, waarbij het belang van de menselijke waarneming wordt benadrukt. De aanbeveling in de pilotevaluatie is dat geautomatiseerde predictive policing wordt verrijkt met het ‘Wandelgangeninformatiesysteem’, de kennis uit de dagelijkse praktijk van menselijke interventies door opsporingsambtenaren. Gepleegde interventies, inclusief resultaten, moeten als variabelen worden toegevoegd aan het predictive policing-instrument.[8]

1.4.1 PredPol

In 2008 is korpschef Bratton van de Los Angeles Police Department een samenwerkingsverband aangegaan met Jeffrey Brantingham, onderzoeker aan de Californische Universiteit, met het doel het statistiekprogramma COMPSTAT te gebruiken voor het doen van voorspellingen over de kans dat bepaalde misdrijven zich op een bepaalde plaats en tijd voordoen (‘de kans op criminaliteit’ is geen accurate term, want te aspecifiek).[9] Het resultaat van dit samenwerkingsverband is het systeem PredPol. PredPol dient ertoe om de politiecapaciteit zo efficiënt en effectief mogelijk te benutten, door te anticiperen op mogelijke delicten.[10] PredPol analyseert historische gegevens over inbraken en projecteert vervolgens op een landkaart op welke locaties (coördinaten) de kans op prevalentie van misdrijven het hoogst is.[11] Volgens de evaluatie van de Nederlandse landelijke pilot ‘Predictive Policing’ draait PredPol op een ontoereikend systeem, omdat PredPol alleen zogeheten ‘near-repeat-gegevens’[12] gebruikt: locaties en tijd van vorige inbraken. Door deze beperking is het beeld ontstaan dat PredPol niet meer voorstelt dan het handmatig inkleuren van vakjes op een landkaart waar de meeste inbraken hebben plaatsgevonden; dat PredPol nog in gebruik is, zou vooral komen door het gebruiksgemak van een dergelijk weinig complex systeem.[13] In een aanbeveling om PredPol te verbeteren, wordt in de Nederlandse pilotevaluatie gewezen op het belang van het meewegen van geografische data (waaronder uitvalswegen), omgevingsfactoren (aanwezigheid straatverlichting), demografische en economische data in de analyse.[14]

1.4.2 Criminaliteits Anticipatie Systeem (CAS)

Een Nederlandse vinding is het Amsterdamse CAS[15], ontworpen door dataminer Willems.[16] CAS dient het risico op de incidentie van high impact crimes, zoals woninginbraken, straatroven en overvallen te voorspellen.[17] Een belangrijk doel van CAS is het bewerkstelligen van prescriptive policing, het vinden van de meest geschikte strategie om opsporingsambtenaren en middelen efficiënt in te zetten ter preventie van delicten of om delicten op heterdaad te ontdekken (artikel 128 Sv) in het kader van de handhaving van de openbare orde. CAS verdeelt een gebied in vlakken van 125 bij 125 meter en verwijdert weilanden en open water van de kaart, omdat het risico op delictsincidentie op deze locaties laag wordt ingeschat. Na deze verwijdering worden data van ieder deelgebied verzameld: historische gegevens over gepleegde delicten, afstanden tot bij de politie bekende verdachten, uitvalswegen, soorten bedrijven bekend bij de politie en sociaal-economische gegevens die worden betrokken van het Centraal Bureau voor de Statistiek.[18] 

CAS maakt gebruik van een Warehouse, een database met historische gegevens die regelmatig wordt ververst. Algoritmen die door feedback zijn getraind, leggen per vlak van 125 bij 125 meter patronen tussen peilmomenten tot drie jaar terug en peilmomenten tot een halfjaar terug.[19] De algoritmen kunnen een formule met een voorspelling van delictsincidentie op een bepaalde locatie geven. Vervolgens krijgen de algoritmen informatie aangevoerd over de daadwerkelijke prevalentie van delicten op de gegeven locatie. Met deze feedback worden de algoritmen getraind om fouten op te sporen en verbeteringen aan te brengen. CAS geeft voor twee weken een risicotaxatie weer in ‘heat maps’, locaties waar de hoogste delictsincidentie wordt verwacht.[20] Anders dan het eenvoudige PredPol, dat slechts historische gegevens over data en locaties van inbraken gebruikt om te taxeren, werkt CAS met data uit een variatie aan bronnen. 

De politiekorpsen hebben CAS in de praktijk verrijkt, zoals blijkt uit de pilotevaluatie. Adressen, aangiften, gegevens over gestolen goederen, getuigenissen en signalementen worden aan CAS gekoppeld door het systeem Cognos. Over de werking van Cognos geeft de pilotstudie geen uitleg, maar via een drie jaar oude vacature op Linkedin verneem ik dat het om IBM Cognos gaat, een systeem dat gebruikmaakt van een Warehouse met nieuw te ontsluiten databronnen.[21] Het verdient opmerking dat een van de onderzoekers die de pilotevaluatie voor de Politieacademie heeft geschreven, de aanbeveling doet dat ook particulieren in predictive policing worden betrokken. Het is volgens hem de bedoeling dat particuliere beveiligingsbedrijven een bijdrage leveren aan het toezicht, het analyseren en verrijken van data. Daarbij zouden prognoses uit CAS moeten worden gedeeld met particulieren. Welke informatie precies gedeeld zal worden met particulieren en hoe een eventuele verspreiding van persoonsgegevens voorkomen of beperkt zal worden, is niet bekend.[22]

1.5 Deelconclusie

Over de verschillende begrippen die nauw samenhangen met Big Data-analyses en predictive policing voor strafvorderlijke doeleinden is uitleg gegeven: het fenomeen Big Data, de inzet van dataminingtechnieken om patronen in data te ontdekken, predictive policing en belangrijke predictive policing-instrumenten die in de strafrechtspraktijk worden toegepast, PredPol en CAS. De essentie van Big Data-analyses en predictive policing binnen het strafrecht is gelegen in het verhogen van de efficiëntie van de inzet van opsporingsambtenaren om idealiter delicten te voorkomen of op heterdaad te ontdekken (artikel 128 Sv) en in het vergaren van bewijs ten behoeve van de strafvordering. Hansken is een voorbeeld van een data-analysetechniek die wordt ingezet om strafvorderlijk bewijs te verzamelen. Ook iColumbo kan worden ingezet voor de strafrechtelijke bewijsgaring. 

In hoofdstuk 2 ga ik in op de nationale wettelijke grondslagen voor de inzet van Big Data-analyses. In het navolgende zal in overweging worden genomen wat in dit hoofdstuk duidelijk is geworden over Big Data-analyses voor strafvorderlijke doeleinden: datamininginstrumenten, bijvoorbeeld crawlers die het internet afspeuren, worden continu ingezet om data van betrokkenen in een Warehouse op te slaan; in iColumbo wordt gericht naar gegevens over bepaalde personen gezocht, waarbij relaties met derden in kaart worden gebracht; bovendien worden persoonsgegevens in de digitale database, het Warehouse, voor onbekende duur bewaard.

---

[1] R. Rienks, ‘Predictive Policing. Kansen voor een veiligere toekomst’, Politieacademie 2015, p. 18-20.

[2] A.R. Lodder en M.D. Schuilenburg, ‘Politie-webcrawlers en Predictive policing’, Computerrecht 2016/81-3, p. 153.

[3] B. Mali, C. Bronkhorst-Giesen, M. den Hengst, ‘Predictive policing: lessen voor de toekomst. Een evaluatie van de landelijke pilot’ (2017), p. 60.

[4] D. Willems en R. Doeleman, ‘Predictive Policing- wens of werkelijkheid?’, Tijdschrift voor de Politie 2014/76-4/5, p. 40; B. Mali, C. Bronkhorst-Giesen, M. den Hengst, ‘Predictive policing: lessen voor de toekomst. Een evaluatie van de landelijke pilot’ (2017), p. 67.

[5] S. den Hengst en I. Walraven, ‘Datagovernance bij de Rijksoverheid’, RADIO-Module 2 oktober 2018, presentatie via https://www.it-academieoverheid.nl/documenten/presentaties/2018/10/02/presentatie-politie-over-data-governance-bij-de-rijksoverheid.

[6] B. Mali, C. Bronkhorst-Giesen, M. den Hengst, ‘Predictive policing: lessen voor de toekomst. Een evaluatie van de landelijke pilot’ (2017), p. 68.

[7] R. Rienks, ‘Predictive Policing. Kansen voor een veiligere toekomst’, Politieacademie 2015, p. 48.

[8] B. Mali, C. Bronkhorst-Giesen, M. den Hengst, ‘Predictive policing: lessen voor de toekomst. Een evaluatie van de landelijke pilot’ (2017), p. 68 en 74.

[9] S. Smit, A. de Vries, R. van der Kleij, H. van Vliet, ‘Van predictive naar prescriptive policing: verder dan vakjes voorspellen’, (TNO) 2016, p. 15; vgl. https://www.predpol.com/about/ (geraadpleegd op 21 mei 2019).

[10] D. Willems en R. Doeleman, ‘Predictive Policing- wens of werkelijkheid?’, Tijdschrift voor de Politie 2014/76-4/5, p. 40-41.

[11] S. Smit, A. de Vries, R. van der Kleij, H. van Vliet, ‘Van predictive naar prescriptive policing: verder dan vakjes voorspellen’, (TNO) 2016, p. 16-17.

[12] A. de Vries en S. Smit, ‘Predictive policing: politiewerk aan de hand van voorspellingen’, Justitiële Verkenningen 2016/42-3, p. 10.

[13] S. Smit, A. de Vries, R. van der Kleij, H. van Vliet, ‘Van predictive naar prescriptive policing: verder dan vakjes voorspellen’, (TNO) 2016, p. 14 en 28.

[14] B. Mali, C. Bronkhorst-Giesen, M. den Hengst, ‘Predictive policing: lessen voor de toekomst. Een evaluatie van de landelijke pilot’ (2017), p. 66.

[15] ‘Criminaliteits Anticipatie Systeem verder uitgerold bij Nationale Politie’, Politie, 16 mei 2017, via https://www.politie.nl/nieuws/2017/mei/15/05-cas.html (laatstelijk geraadpleegd op 18 mei 2019).

[16] D. Willems en R. Doeleman, ‘Predictive Policing- wens of werkelijkheid?’, Tijdschrift voor de Politie 2014/76-4/5, p. 39.

[17] A. de Vries, ‘Predictive policing: een overzicht’, 25 april 2016, via https://socialmediadna.nl/predictive-policing-overzicht/ (laatstelijk geraadpleegd op 19 mei 2019).

[18] D. Willems en R. Doeleman, ‘Predictive Policing- wens of werkelijkheid?’, Tijdschrift voor de Politie 2014/76-4/5, p. 41.

[19] B. Mali, C. Bronkhorst-Giesen, M. den Hengst, ‘Predictive policing: lessen voor de toekomst. Een evaluatie van de landelijke pilot’ (2017), p. 93.

[20] D. Willems en R. Doeleman, ‘Predictive Policing- wens of werkelijkheid?’, Tijdschrift voor de Politie 2014/76-4/5, p. 41.

[21] ‘Politie zoekt senior Cognos developer’, Linkedin, mei 2016, via https://nl.linkedin.com/jobs/view/senior-cognos-developer-at-politie-ict-132384637 (geraadpleegd op 22 mei 2019).

[22] ‘Predictive Policing: niet alleen een zaak van de politie’, Security Management 2017/9, p. 28-31.