B1. Fietsdiefstal en -tracking beknopte versie (AMS, nov 2022).pdf

Fietsendiefstal en -tracking Samenvatting

Inhoud Context 1. Uitvoering van het Project

1 2

a. Fase 1

2

b. Fase 2

8

c. Fase 3

9

2. Conclusies

15

3. Aanbevelingen

18

Colofon Datum 28 November 2022

Hoofdauteur Titus Venverloo (Technische Universiteit Delft) t.venverloo@tudelft.nl

Supervisie Serge Hoogendoorn (Technische Universiteit Delft) Fabio Duarte (Massachussets Institute of Technology)

Context Fietsdiefstal in Amsterdam blijft een complex probleem waar veel Amsterdammers jaarlijks mee te maken hebben (Figuur 1). Naast de financiële gevolgen voor de inwoners, zijn ook de oplopende cijfers van het aantal (elektrische) fietsdiefstallen zorgelijk. Om inzicht te krijgen hoe fietsdiefstal kan worden verminderd, wordt er ingezet op een data gedreven methode om meer inzicht te krijgen in het netwerk van gestolen fietsen in Amsterdam. Hiervoor is in samenspraak met de Gemeente Amsterdam een project ontwikkeld waarbij 100 fietsen zijn ingezet met locatiesensoren. Dit met het doel om deze fietsen te traceren wanneer ze gestolen worden om zo inzicht te genereren in het netwerk van de gestolen fietsen. De hoofdvragen bij dit project zijn: Waar gaan gestolen fietsen naartoe? Hoe groot is de schaal van het netwerk? Blijven de gestolen fietsen in Amsterdam/Nederland? Langs welke plekken gaan de gestolen fietsen en wat kunnen we met deze informatie? Tot hoever zijn tweedehands fietsenwinkels betrokken bij het verhandelen van gestolen fietsen, en kunnen we dit vaststellen met deze methode?

Gerapporteerde diefstallen Schatting laag Schatting hoog

Figuur 1: Gerapporteerde en geschatte gestolen fietsen in Amsterdam. Data can Centraal Bureau voor de Statistiek (2021)

1

1 Uitvoering van het project Het onderzoek over fietsdiefstal wat uitgevoerd is voor de Gemeente Amsterdam bestond uit drie fases. Hierna volgt een toelichting over elke fase waarbij kort beschreven staat wat er in de fase is uitgevoerd.

1.1 Fase 1 In fase 1 werden 100 fietsen klaargemaakt met locatie sensoren. Deze gebruikte fietsen zijn opgehaald bij het Fietsdepot in Amsterdam, waarna ze op locatie bij het AMS Institute rijklaar zijn gemaakt en voorzien zijn van de locatie sensor. Voor het bepalen van de uitzet locaties zijn twee vooronderzoeken uitgevoerd en een aantal gesprekken met de Gemeente Amsterdam en de Politie Amsterdam. Na deze stap werden de fietsen op de geselecteerde locaties uitgezet in Amsterdam. In de twee vooronderzoeken stonden twee vragen centraal: 1.Hoe beïnvloeden verschillende voorzieningen, zoals scholen, restaurants, of cafés, de frequentie van fietsdiefstal in Amsterdam? 2.Is er een relatie tussen het aantal fietsen in een buurt en het aantal fietsdiefstallen vanuit die buurt?

1.1.1 Vooronderzoek 1 Voor de beantwoording van het eerste vooronderzoek is er data verzameld van de Politie Amsterdam over het aantal gerapporteerde gestolen fietsen per buurt (Figuur 2). Daarnaast is data verzameld van OpenStreetMap over de locatie van verschillende voorzieningen. Uit de OpenStreetMap data zijn 20 type voorzieningen geselecteerd voor de analyse gebaseerd op literatuur en een ander onderzoek over fietsdiefstal uit London (Figuur 3). De relaties tussen het aantal fietsdiefstallen en deze 20 type voorzieningen is onderzocht met een “Multiple Lineaire Regressie” model. Hierdoor kan worden uitgevonden of er een correlatie is tussen de aanwezigheid van bepaalde voorzieningen en fietsdiefstal. De resultaten van dit vooronderzoek zijn te vinden in Figuur 4a en 4b. Uit deze resultaten kan worden opgemaakt dat een aantal voorzieningen, zoals treinstations, tram/bus haltes, en cafés, significant correleren met fietsdiefstal op buurtniveau. Correlatie betekent echter niet causatie, hierom zijn deze resultaten specifiek bedoeld voor het plaatsen van de fietsen. Fietsdiefstallen

Figuur 2: Het aantal gerapporteerde fietsdiefstallen per buurt (2019). Data van Centraal Bureau voor de Statistiek (2021)

2

Figuur 3: OpenStreetMap data van alle voorzieningen in Amsterdam. Aantal gestolen fietsen

Aantal fietsen Fietswinkels Daklozen opvang Universiteiten Supermarkten Camera toezicht Politie stations Cafe Restaurants Fast-food Scholen Trein stations Taxi wachtplek Tram haltes Bus haltes Bus stations Nachtclubs Pubs Hostels Trein hallen Pondje

Figuur 4a: Resultaten van de multiple lineare regressie.

3

Variablen

Figuur 4b: Correlatie coefficient met fietsdiefstal van verschillende voorzieningen.

4

Cafe

Tram haltes

Restaurants

Daklozen Opv.

Fietswinkels

Aantal fietsen

Fast-food

Trein stations

Supermarkten

Taxi wachtplek

Pubs

Pondje

Bus stations

Bus haltes

Politie stations

Scholen

Hostels

Nachtclubs

Camera toezicht

Trein hallen

Universiteiten

Correlatie met gestolen fietsen

1.1.2 Vooronderzoek 2 Om te onderzoeken of er een relatie is tussen het aantal fietsen en het aantal fietsdiefstallen per buurt was er data nodig over het aantal fietsen per buurt. Deze data is gegenereerd door het analyseren van ongeveer 80.000 afbeelding van straten in Amsterdam. Concreet is er voor elke weg in Amsterdam om de 50 meter een afbeelding van het straatbeeld geanalyseerd met behulp van computer visie (AI). De afbeeldingen van het straatbeeld zijn afkomstig uit het Panoramabeeld Portal van de gemeente Amsterdam. Op de afbeeldingen van het straatbeeld waren vaak een aantal fietsen te zien, welke door AI geteld werden. Dit proces is gevisualiseerd in afbeelding 5.

Creëer een punt elke 50 meter op het wegennetwerk van Amsterdam

Computer vision Panoptic Segmentation Automatisch tellen van het aantal fietsen

Verkrijg afbeelding van panorama beelden toegankelijk door Gem. Amsterdam

Voeg het aantal fietsen toe aan het punt op het wegennetwerk

Figuur 5: Overzicht van de gebruikte computer visie methode.

5

Dit resulteerde in het volgende beeld (Figuur 6a) over de spreiding van het aantal fietsen in Amsterdam. Als we de aantallen fietsen optellen per buurt, en delen over het aantal afbeeldingen per buurt, zien we de volgende spreiding per buurt (Figuur 6b). Deze data is vergeleken met het aantal fietsdiefstallen met een simpele regressie, waarbij een sterk positieve relatie gevonden werd. Deze resultaten geven aan dat beleid rondom fietsdiefstal het meest effectief zou zijn in gebieden met veel (geparkeerde) fietsen. Hierbij kan worden gedacht aan verbeterde parkeer infrastructuur of het meer actief monitoren van deze plekken door politie in te zetten of door camera surveillance.

Aantal zichtbare fietsen

Figuur 6a: Aantal fietsen per punt op het wegennetwerk. Diameter van het punt is bepaald door het aantal fietsen.

Figuur 6b: Gemiddelde aantal fietsen per punt per buurt.

Gemiddeld aantal fietsen

6

1.1.3 Bepalen Uitzet Locaties Vanuit de combinatie van deze twee vooronderzoeken en de gesprekken met de Gemeente Amsterdam en Politie Amsterdam, is er gekozen voor de volgende aanpak. Eerst is er gebruik gemaakt van de resultaten van de vooronderzoeken. De significante relaties tussen voorzieningen en het aantal fietsdiefstallen zijn gebruik om te voorspellen waar fietsdiefstal het meest voorkomt. Voor dit doel is er gebruikt gemaakt van gebruikelijke tools binnen het kwantitatieve criminologie veld, specifiek een Weighted Kernel Density Estimation met een quartic kernel distributie. Deze methode resulteert in een “gestolen fiets kans indicator”, welke gevisualiseerd is in Figuur 7. Om een goede spreiding over Amsterdam te verzekeren, zodat er niet 1 doelgroep fietsendieven in het onderzoek vertegenwoordigd is, zijn de 20 buurten met de hoogste kans dat er een fiets gestolen wordt geselecteerd. Deze locaties komen grotendeels overeen met de locaties zoals besproken met de Gemeente Amsterdam en de Politie Amsterdam. Dit geeft aan dat de methode tot herkenbare resultaten komt.

Inzet Locaties Indicator Zeer Laag Laag Gemiddeld Hoog Erg Hoog

Figuur 7: Uitzet lokaties en gestolen fiets kans indicator.

7

1.2 Fase 2 Aan de hand van de resultaten in Fase 1 zijn de locaties voor het uitzetten van de fietsen bepaald. Tijdens de praktische uitvoering zijn kleine aanpassingen gemaakt in de plaatsing van de fietsen ten opzichte van de genoemde plekken. Zo zijn alle fietsen geplaatst in delen van de openbare ruimte die bedoeld is voor fiets parkeren. De plaatsing van een aantal fietsen is geïllustreerd in Figuur 8, de fietsen stonden allemaal op slot. Na de plaatsing zijn de trackers actief, en elke beweging van de fietsen kon met een dashboard worden gevolgd door de onderzoekers. De fietsen zijn regelmatig opgezocht om te voorkomen dat de fietsen door het Fietsdepot werden meegenomen. De traceerperiode liep vanaf 1 Juni 2021 tot 29 November 2021 voor een test met 5 fietsen en vanaf 1 Juli 2021 tot 29 November 2021 voor de overige 95 fietsen.

Figuur 8: Een aantal fietsen op de uitzetlocaties.

8

1.3 Fase 3 In fase 3 is de data verwerkt tot antwoorden op de gestelde hoofdvragen. De methodes worden hieronder toegelicht. In totaal zijn er 70 fietsen gestolen van de 100.

1.3.1 Onderzoeksvraag 1-3 1. Waar gaan gestolen fietsen naartoe? 2. Blijven de gestolen fietsen in Amsterdam/Nederland? 3. Hoe groot is de schaal van het netwerk? De eerste drie vragen zijn erg exploratief aangezien er tot heden nog geen data was over wat er gebeurt met een gestolen fiets. Hierdoor zijn deze vragen te beantwoorden door te kijken naar hoeveel keer een fiets een 4-cijferige postcodegebied heeft bezocht. Dit resulteert in afbeelding 9. Veel van de gestolen fietsen blijven dichtbij de Gemeente Amsterdam, 2 fietsen verplaatsen zich naar andere gemeentes zoals Den Haag. Geen enkele fiets verplaatste zich buiten Nederland in de onderzoeksperiode. Dit betekent dat gestolen fietsen niet ver reizen, en veelal in Amsterdam blijven, in ieder geval voor het segment tweedehands niet-elektrische fietsen wat is onderzocht.

Bezocht door gestolen fiets 1 2-3 4-7 8 - 17

Figuur 9: Aantal fietsen die een 4-cijferig postcode gebied hebben bezocht. 9

1.3.2 Onderzoeksvraag 4 4. Langs welke plekken gaan de gestolen fietsen en wat kunnen we met deze informatie? Het idee is dat als er plekken zijn in het gestolen fietsen netwerk die vaak bezocht worden, hier bijvoorbeeld acties kunnen worden opgezet om de gestolen fietsen uit de circulatie te houden, of de inwoners van Amsterdam te waarschuwen voor het kopen van een gestolen fiets. Er zijn een aantal manieren waarop deze locaties kunnen worden bepaald. Eerst kan er gebruik gemaakt worden van activiteit zones, hierbij wordt er gekeken naar hoeveel en hoe vaak fietsen dezelfde locaties bezoeken. Om het aantal bezoeken aan een locatie vast te stellen, wordt er gebruik gemaakt van “proximity analysis”. Hierbij worden rondom al de datapunten van de fietsen een buffer van 50 meter geplaatst, waarna er geteld wordt hoeveel van deze buffers overlappen. Uit deze analyse komen daarom locaties welke vaak bezocht zijn door gestolen fietsen. De locaties met meer dan 4 bezoeken van een gestolen fiets zijn daarna verder handmatig onderzocht. Daarnaast is er gekeken naar het netwerk van de gestolen fietsen en welke locaties daarbij belangrijk zijn. Met het netwerk wordt hier specifiek bedoeld welke locaties door welke fietsen bezocht zijn, en of dezelfde locaties door meerdere fietsen zijn bezocht. Voor deze analyse is Amsterdam opgedeeld in een raster van blokken van 500 bij 500 meter.

Elk blok van 500 bij 500 meter heeft een uniek ID-nummer, waardoor alle trips van fietsen makkelijk kunnen worden beschreven als bijvoorbeeld: van blok 20 naar blok 23. Dit is gedaan voor elke fiets, waarna een netwerk is gecreëerd waarop verschillende analyses zijn uitgevoerd (Figuur 10). Als we kijken naar de plekken, deze anonimiseren, en gebruiken voor netwerkanalyses zien we dat bepaalde locaties erg belangrijk zijn voor de verplaatsingen van de gestolen fietsen. Sommige locaties, zoals treinstations, winkelcentra, e.d., zijn van nature belangrijk in een transportnetwerk. Echter, zijn een aantal plekken ongewoon belangrijk. Plekken waar alles eigenlijk gericht is op wonen of werken, en dus geen duidelijke verklaring kan worden gevonden voor waarom deze locaties belangrijk zijn. Dit kan duiden op een georganiseerde misdaad, waarbij meerdere gestolen fietsen op eenzelfde plek samenkomen. Dit veroorzaakt dat locaties zonder voorzieningen belangrijk worden in het netwerk, terwijl deze plekken niet belangrijk zouden moeten zijn.

Figuur 10: Netwerk van bezochte locaties en fietsen, de lijnen geven aan van waar en waar naartoe de fietsen zich bewegen. Des te belangrijker de locatie, des te groter het oranje rondje. 10

1.3.3 Onderzoeksvraag 5 5. Tot hoever zijn tweedehands fietsenwinkels betrokken bij het verhandelen van gestolen fietsen, en kunnen we dit vaststellen met deze methode? Tweedehands fietsenwinkels moeten gebruik maken van een register om een gestolen fiets te identificeren, helaas gebeurt het dat een gestolen fiets niet in dit register staat, omdat de gestolen fiets niet aangegeven wordt. Vandaar dat in dit onderzoek gekeken wordt of dit vaak gebeurt om te zien of er extra tools nodig zijn voor fietsenwinkels om gestolen fietsen te identificeren. Om vast te stellen of en tot hoever tweedehands fietsenwinkels betrokken zijn, is er eerst gekeken naar de afstand van de fietsen tot de dichtstbijzijnde fietsenwinkel. Als fietsen dichtbij een tweedehands winkel waren, werd er gekeken naar hoe lang deze fietsen daar bleven staan. Uit deze analyse kwamen 10 locatie punten naar voren. Er moet wel aangegeven worden dat er grote onzekerheid is over of deze punten fietsenwinkels zijn waar gestolen fietsen worden verhandeld. Het is natuurlijk moeilijk om te onderscheiden of een fiets naast of in een fietsenwinkel staat, of het een bezoek is aan de winkel ernaast, of dat het de thuis locatie is van iemand die boven de fietsenwinkel woont. Hierdoor moet er ook gekeken worden naar wat er voor en na het bezoek aan de fietsenwinkel gebeurt met de fiets.

Hiervoor is de data van de fietsen die op een gegeven moment dichtbij een fietsenwinkel zijn handmatig onderzocht. Uit deze handmatige analyse kan worden opgemaakt dat minstens 3 tot 6 fietsen een patroon laten zien waarbij logischerwijs kan worden aangenomen dat deze verhandeld zijn bij een fietsenwinkel. Uit een totaal van 70 gestolen fietsen zou dit betekenen dat, in dit onderzoek, tussen de 4.3% en 8.6% van de gestolen fietsen verhandeld wordt door fietsenwinkels. Uit deze percentages kunnen we niet opmaken of de juiste procedure is gehanteerd, e.g. waarbij de framenummers van de fietsen zijn gecontroleerd in het fietsdiefstal register en of het redelijkerwijs kan worden aangenomen door de medewerkers in de fietsenwinkel dat het geen gestolen fiets betreft.

11

1.3.4 Overige bevindingen Met dit onderzoek hebben we ook een aantal vragen kunnen beantwoorden die initieel niet gesteld werden. De eerste vraag is of fietsparkeerplaatsen met aanbindt mogelijkheid belangrijk is in het voorkomen van fietsdiefstal. Eerder onderzoek wijst uit dat dit het geval is, en dit onderzoekt bevestigd deze conclusie. Van de eerste 44 gestolen fietsen bleek dat er disproportioneel veel (60%) al gestolen was van locaties zonder infrastructuur, met alleen de witte vlakken op de grond. Dit terwijl van de fietsen die op plekken staan met infrastructuur ongeveer 30% gestolen was (Figuur 12).

Aantal

Type stalling

Aangewezen plek zonder fietsenrek

tulp

Fietsnietje

Inzetstuk voor het voorwiel Gestolen

Gestapelde fietsenrekken

Wild parkeren

Totaal

Figuur 12: Aantal fietsen geparkeerd bij bepaalde parkeerinfrastructuur en het aantal gestolen fietsen van deze locaties.

Een andere bevinding is dat gemiddeld op donderdag minder fietsen worden gestolen. Woensdag en maandag blijken de dagen waarop de meeste fietsen worden gestolen (Figuur 13).

Figuur 13: Aantal gestolen fietsen per dag.

12

Daarnaast is gekeken naar wanneer de gestolen fietsen beginnen met bewegen, deze bewegingen geven namelijk aan of het reguliere mobiliteit is of niet, zoals reizen overdag, of reizen gedurende de avonduren. Als we alle starttijden van bewegingen visualiseren zien we afbeelding 14. Dit lijkt al erg op een normaal mobiliteitspatroon, waarbij de paarse balkjes de tijden laten zien waarop de fietsen gestolen zijn. Figuur 14: Aantal bewegingen van de gestolen fietsen startend op dezelfde tijd. De balkjes in paars geven de tijden weer waarop de fietsen gestolen zijn.

Legenda Diefstal

Aantal Fietsen startend op

Overige start-momenten

Tijd (uur)

Vandaar dat de vraag kan worden gesteld: Hoe snel zijn de fietsen weer normaal in gebruik? Voor de beantwoording zijn de tijden waarop de eerste 5 bewegingen plaatsvinden van elke fiets onderzocht (Figuur 15). Hieruit blijkt dat de eerste trip, het moment waarop de fietsen gestolen zijn, natuurlijk voornamelijk gedurende de nacht plaatsvindt. Daarna schuiven de trips langzamerhand op naar 12:00 uur, en tegen de tijd dat de fiets voor een vierde keer beweegt is het bijna al een normaal mobiliteitspatroon. Dit is een indicatie dat fietsen snel verkocht of in gebruik genomen worden. Starttijd van trip trip nummer

Aantal fietsen welke een trip beginnen op

Figuur 15: Start tijd van de eerste 5 bewegingen van de gestolen fietsen. In rood de tijden waarop de fietsen gestolen zijn, in geel de start tijd van de tweede beweging van de gestolen fiets, daarna de start tijd van de volgende beweging van de gestolen fiets.

Tijd (uur)

13

Om te onderzoeken of er verschil zit in hoe lang de gestolen fietsen op locaties blijven, zijn de eerste 5 parkeerplekken onderzocht en is er gekeken naar hoe lang ze op die parkeerplekken blijven. Het gemiddelde ligt daarbij rond 2 uur (Figuur 16). Dit geeft weinig tijd om de fiets te achterhalen, aangezien de fiets snel weer verplaatst wordt naar een andere locatie.

Fiets geparkeerd

Diefstal P1

P2

P4

P3

P5

Iets

Fiets in gebruik

Tijd

Parkeerplek nummer

Parkeerplek en aantal uur geparkeerd

Tijd (uur)

Figuur 16: Het aantal uur wat gestolen fietsen doorbrengen op de eerste 5 plekken die de fietsen bezoeken. Gemiddelde is aangegeven door de zwarte streep, de box geeft de gemiddelde afwijking (standart deviation) weer, en de zwarte punten zijn outliers in de data.

14

2. Conclusies 1.3.1 Onderzoeksvraag 1-3 1. Waar gaan gestolen fietsen naartoe? 2. Blijven de gestolen fietsen in Amsterdam/Nederland? 3. Hoe groot is de schaal van het netwerk? Uit de analyse kunnen de volgende antwoorden worden gehaald: De gestolen fietsen blijven grotendeels in Amsterdam, van de 70 fietsen zijn er maar 2 fietsen die zich buiten de metropoolregio bevinden. Hieruit blijkt dus dat gestolen fietsen, die behoren tot de onderzochte prijsklasse, niet ver reizen en vaak in Amsterdam blijven. De schaal van het netwerk is dan ook klein, en lokale oplossingen kunnen een belangrijke rol spelen. Geen enkele fiets is naar het buitenland gebracht. 4. Langs welke plekken gaan de gestolen fietsen en wat kunnen we met deze informatie? Als we kijken naar de netwerkanalyse en de proximity analysis zien we dat beide methodes dezelfde gebieden identificeren. Vanwege anonimiteit gaan we in op de netwerkanalyse. Uit deze analyse zien we dat de volgende blokken van 500 bij 500 meter belangrijk zijn voor de bewegingen in het netwerk (Figuur 17). Dit betekend dat veel fietsen deze locaties hebben bezocht. Als we dit corrigeren met bestaande data over waar winkelcentra en transport hubs zijn, en corrigeren voor de uitzet locaties (deze zijn natuurlijk bezocht), dan zien we dat de plekken in Figuur 18 ongewoon belangrijk zijn.

Vanuit deze conclusie is er een vervolgonderzoek ingezet op het netwerk om uit te vinden hoeveel fietsen deze buitengewoon belangrijke locaties bezoeken.

Figuur 17: Belangrijke locaties in het netwerk

15

Figuur 18: Buitengewoon belangrijke locaties in het netwerk

Een aantal punten in het centrum zijn nog steeds belangrijk na het corrigeren. Na een verdere analyse is dit omdat deze plekken voorzieningen hebben die niet zijn meegenomen bij het corrigeren, zoals aanmeerplekken van de veerdiensten, bepaalde winkeltypes (drogisterij, etc.). Er blijven daarnaast wel andere plekken over die echt ongewoon belangrijk zijn. Dit betekent dat er een bepaalde mate van organisatie in het netwerk zit. Vandaar dat er een andere vraag gesteld moest worden: zijn er binnen dit netwerk fietsen die op eenzelfde manier, dezelfde locaties bezoeken, en daardoor gelinkt zijn in het netwerk? Hiervoor zijn er binnen de netwerkwetenschapen een aantal opties, waarvan uiteindelijk gekozen is voor een heuristische methode voor modularity optimalisatie genaamd multi-level modularity optimization algorithm. Dit detecteert "communities" binnen een netwerk, en kan daardoor locaties en fietsen aan elkaar koppelen als deze veel overlap hebben. Hieruit blijkt dat er 13 "communities" van fietsen in de data te vinden zijn. Deze communities zijn verder onderzocht, waaruit blijkt dat minstens 22 van de 70 fietsen aan elkaar gelinkt zijn met betrekking tot locaties. Hieruit kan worden opgemaakt dat van alle fietsen, 30.1% door georganiseerde fietsdiefstal of door veelplegers wordt gestolen.

Daarnaast blijkt dat 12 fietsen langs bekende informele fietsverkoopplekken komen, waaronder het Leidseplein, Waterlooplein, toegang tot Vondelpark, en nabij het Rijksmuseum. Uit de data kan worden geconcludeerd dat deze locaties bezocht worden door 17.1% van de gestolen fietsen. Er is veel overlap tussen de 22 fietsen welke georganiseerd zijn gestolen en de 12 fietsen die langs de informele fiets verkoopplekken komen. Daarom is het aannemelijk dat deze locaties belangrijk zijn voor de verkoop van gestolen fietsen voor zowel georganiseerde groepen als de incidentele fietsendief. Voor de overige fietsen (+- 60%) is het aannemelijk dat deze direct in gebruik zijn genomen, bijna direct zijn verkocht en in gebruik genomen, op een thuislocatie zijn verkocht, of dat er alleen voor 1 reis gebruik van is gemaakt.

16

5. Tot hoever zijn tweedehands fietsenwinkels betrokken bij het verhandelen van gestolen fietsen, en kunnen we dit vaststellen met deze methode? Uit de handmatige analyse kwam naar voren dat minstens 3 tot 6 fietsen een patroon laten zien waarbij logischerwijs kan worden aangenomen dat deze verhandeld zijn bij een fietsenwinkel. Uit een totaal van 70 gestolen fietsen zou dit betekenen dat tussen de 4.3% en 8.6% van de gestolen fietsen verhandeld wordt door fietsenwinkels. De zekerheid dat deze percentages ook toepasbaar zijn op een alle gestolen fietsen in Amsterdam is onduidelijk, hiervoor is het aantal gestolen fietsen in dit onderzoek te klein. Dit betekent dat voor het tweede deel van de vraag er geen definitief antwoord kan worden gegeven. De methode is nuttig in het krijgen van een schatting, en aan de hand van de locatie data kan het aannemelijk worden gemaakt dat de fietsen zijn verhandeld in een fietsenwinkel, maar vaststellen is een groot woord aangezien dit onderzoek geen zicht heeft op de gehanteerde procedure door de fietsenwinkel.

17

3. Aanbevelingen Ten eerste laat dit onderzoek zien dat gestolen fietsen van deze prijscategorie voor 97% dichtbij Amsterdam blijven. Daarom is er voldoende bewijs dat lokale interventies erg belangrijk zijn in het reduceren van fietsdiefstal. Dit maakt het weerleggen van argumenten zoals gestolen fietsen gaan allemaal naar het buitenland of naar andere steden makkelijk; het is namelijk een lokaal probleem. Een aantal interventies kunnen hierop worden bedacht, bijvoorbeeld: De inwoner van Amsterdam er bewust van maken dat als je een gestolen fiets koopt, je de fiets eigenlijk steelt van de buren. Een andere aanpak is het installeren van borden op hotspots van fietsdiefstal/fietsverkoop waarop aangegeven wordt dat er specifiek op fietsdiefstal gecontroleerd/gemonitord wordt (Nettle et al., 2012). Dit zou door de Gemeente Amsterdam kunnen worden gefaciliteerd. Daarnaast zien we dat het onderzoek inzicht genereert in het netwerk van fietsdiefstal. De analyses geven aan welke plekken belangrijk zijn in het netwerk van gestolen fietsen. De precieze locaties die van belang zijn kunnen niet gedeeld worden vanwege dataprivacy. Maar een inzet van lokfietsen met eenzelfde aanpak door de politie zou deze plekken wel kunnen identificeren en aanpakken. Immers blijkt uit dit onderzoek dat ongeveer 30% van alle gestolen fietsen via bepaalde locaties komt.

Het oprollen van deze netwerken zou dus een grote impact kunnen hebben. Dit onderzoek kan ook aanleiding zijn tot intensievere gesprekken en werksessies tussen de probleemeigenaren: de gemeente Amsterdam, de politie eenheid Amsterdam, kennisinstellingen, en inwoners van Amsterdam om gezamelijk oplossingen te vinden met behulp van de nieuwe inzichten door dit onderzoek.

18