B2. Fietsdiefstal en -tracking volledige versie (AMS, nov 2022).pdf
Tekst van het document
SigFox SigFox is in wezen een volwassener versie van LoRa. Het gebruikt een gelijkaardige architectuur en communicatietechnologie, maar vertrouwt op een ander communicatieprotocol.
21
Het belangrijkste voordeel van SigFox ten opzichte van LoRa is de grote verspreiding, met dekking in vele gebieden in de wereld. Trackers zijn geconfigureerd voor specifieke geografische gebieden, Europa heeft zijn eigen configuratie, wat betekent dat deze trackers dekking hebben in heel Europa.
Sensortests Na een onderzoek naar de huidige technologieën die door commerciële partijen worden aangeboden, werden verschillende NB-IoT, LoRa en SigFox-trackers geselecteerd voor verder onderzoek. Dit onderzoek resulteerde in de conclusie dat LoRa of SigFox de beste opties bieden. Na een eerste verkenning van lokale leveranciers werd een LoRa-tracker getest die zich baseerde op Wifilokalisatie. Deze aanpak werkt op basis van het verzenden van MAC-adressen van Wifi-punten en vervolgens trianguleren waar de trackers zich bevinden ten opzichte van de positie van het Wifi-punt, wat resulteert in een locatie voor de tracker. Het resultaat van deze tests liet afwisselende dekking zien, vooral in de buitenwijken van Amsterdam waar Wifi-punten schaars kunnen zijn. In combinatie met de beperkte dekking (alleen in Nederland) gaf dit aan dat een andere optie moest worden onderzocht. Verschillende SigFox-apparaten werden geselecteerd en op basis van praktische beperkingen, zoals budget en levertijd, werd één apparaat geselecteerd om te testen. Het geteste apparaat toonde de gewenste resultaten, vertrouwend op GPS en Wifi-lokalisatie gecommuniceerd via SigFox. Deze trackers zijn ook uiterst configureerbaar, zodat verschillende instellingen op afstand kunnen worden toegepast op basis van de gebruiksscenario.
Voor deze gebruiksscenario stuurt de tracker een locatieupdate wanneer hij begint te bewegen, vervolgens elke 5 minuten een locatie-update tijdens het reizen, en een laatste locatie-update zodra de tracker stopt met bewegen. Daarnaast vindt elke 24 uur een periodieke locatie-update plaats. De doelnauwkeurigheid van deze trackers kan ook worden ingesteld en de signaalsterkte kan worden verhoogd om dekking in dichtbevolkte stedelijke gebieden te garanderen. De levensduur van deze trackers varieert van 24 maanden tot 5 jaar, afhankelijk van het gebruik.
Bovendien is de locatienauwkeurigheid van de LoRatracker op sommige locaties slecht, waardoor de fiets bij het eindpunt lijkt te verspringen en over het water lijkt te gaan bij het Centraal Station van Amsterdam. Dit gedrag werd niet waargenomen met de SigFox-tracker. Bovendien bevestigden verdere tests dat de algemene nauwkeurigheid van de SigFox-tracker veel hoger was. Dit komt waarschijnlijk door de manier waarop de LoRatracker zichzelf positioneert, de LoRa-tracker vertrouwt op Wifi-punten, terwijl de SigFox-tracker vertrouwt op zowel GPS als Wifi. Voor de onderzoeksvragen is de nauwkeurigheid van de locatie bepalend voor de nauwkeurigheid van de antwoorden. De nauwkeurigheid is het belangrijkst om de invloed van tweedehands fietsenwinkels te beoordelen, omdat er enige zekerheid moet zijn over de vraag of de fiets naast of in een fietsenwinkel staat. Daarom moeten de gegevens van goede kwaliteit zijn, met een gemiddelde locatienauwkeurigheid van ongeveer 5 meter. Er zijn echter
Figuur 10: Een vergelijking van de door de LoRa (onder) en SigFox (boven) teruggezonde n gegevens
Een vergelijking van de verzamelde gegevens van de LoRa-tracker en de SigFox-tracker van dezelfde rit staat in Figuur 10. De LoRa-tracker vertoont nogal wat ruis als de fiets stilstaat, waardoor veel datapunten op bijna dezelfde locatie liggen.
22
verschillende beperkingen met betrekking tot de nauwkeurigheid van de locatie op basis van de technologie van de trackers en het gebruik. Ten eerste moeten de sensoren verborgen of onherkenbaar zijn om dit onderzoek te laten slagen. Dit bemoeilijkt de plaatsing van de trackers op de fietsen, wat kan leiden tot een verlaagde nauwkeurigheid omdat de tracker niet in zijn optimale positie kan worden geplaatst. Ten tweede moet de batterij van de tracker lang genoeg meegaan om de hele route van de fiets te kunnen volgen. Aangezien het onbekend is hoe lang een fiets onderweg blijft wanneer hij wordt gestolen, biedt een langere tijdspanne meer zekerheid dat relevante informatie wordt verzameld. Daarom kunnen in een bepaalde periode minder puntgegevens worden verzonden, om het stroomverbruik te beperken. Bovendien is het logistiek gezien bijna onmogelijk om de trackers op alle honderd fietsen op te laden als de fiets een paar weken niet is verplaatst. Ten derde moeten de trackers absoluut betaalbaar zijn binnen het onderzoeksbudget. Dit beperkt de trackeropties. Binnen deze beperkingen lijken de SigFox-trackers goed te presteren, hoewel er altijd enige onzekerheid zal zijn in de locatienauwkeurigheid. Ondanks deze onzekerheid laat de sensortest zien dat met deze gegevens in ieder geval het geografische gebied en de typologieën van gestolen fietsroutes kunnen worden vastgesteld.
Als de locatienauwkeurigheid even goed blijft als bij de sensortesten, kunnen we in ieder geval speculeren over de invloed van tweedehands fietsenwinkels
3.c.ii Keuze van de fietsen Het Fietsdepot van de gemeente Amsterdam schonk honderd fietsen om in dit onderzoek te gebruiken. De fietsen zijn oorspronkelijk door het Fietsdepot verwijderd uit de openbare ruimte in Amsterdam en omdat de fietsen niet zijn opgehaald door de oorspronkelijke eigenaar, kunnen ze worden gedoneerd, verkocht of gerecycled. Daarom zijn deze fietsen representatief voor de fietsen gebruikt door burgers in Amsterdam. Als ze in Amsterdam aan het publiek zouden worden doorverkocht, zou de prijs tussen de 90 en 350 euro liggen. Dat wijst op een goed bereik tussen nieuwere en oudere fietsen. Enkele van de fietsen zijn afgebeeld in Figuur 11.
Figuur 11: Twee van de in het onderzoek gebruikte fietsen, bovenaan een ouder model Batavus, onderaan een nieuwere fiets van het merk Lekker.
Alle fietsen waren oorspronkelijk gesloten met verschillende soorten sloten. Deze sloten zijn verwijderd en gestandaardiseerd voor de inzet van de fietsen in Amsterdam. Dit moet voorkomen dat het slot een bepalende factor is voor het al dan niet stelen van een fiets. Verder waren sommige fietsen aan vervanging toe, zoals zadels, remkabels of banden. Deze vervangingen werden uitgevoerd om ervoor te zorgen dat alle fietsen bruikbaar zijn en door hun “nieuwe eigenaar” kunnen worden weggefietst van hun inzetlocatie.
23
De kwaliteit en de prijs van de fiets kunnen van invloed zijn op het type dief dat de fiets steelt. Terwijl duurdere fietsen meestal worden gestolen door de georganiseerde misdaad (Kuppens et al., 2020), worden minder dure fietsen wellicht eerder gestolen door de lokale professional of de opportunist. Daarom werden verschillende kenmerken van alle fietsen gedocumenteerd. Figuur 12 toont de merken van de fietsen en de staat van de fietsen. De staat van de fietsen werd door twee onderzoekers beoordeeld op een schaal van 1 tot en met 10. Bij deze beoordeling werd gelet op roest, deuken, kapotte onderdelen, kapotte kabels en of de fiets soepel liep. Zoals te zien is, zijn de meeste fietsen zeker gebruikt, met een gemiddelde conditie van 6,2. In Figuur 13 is één fiets te zien met
de laagste score van 2 en een andere met de hoogste score van 8. Bovendien werd het aantal versnellingen op elke fiets genoteerd, evenals de kleur, de aanwezigheid van handremmen, achterremmen, verlichting, het zadel achteraan en de mand vooraan.
Merk fietsen en kwaliteit
Aantal
Kwaliteit rating
Merk
Figuur 12: De merken van de fietsen en de staat van elke fiets.
24
Figuur 13: Fiets met een score van 8 links en een fiets met een score van 2 rechts.
De documentatie van het type verlichting op de fietsen werd gebruikt om de plaatsing van de sensor te bepalen. Indien er een plaats was voor een achtergrondverlichting en een reflector, werd de reflector vervangen door de “reflector-tracker”, zoals getoond in Figuur 14a. Indien er geen plaats was om de tracker in het zicht te verbergen, werd hij geïnstalleerd onder het zadel, bedekt met een stuk leer, zoals getoond in Figuur 14b.
Figuur 14a: Plaatsing van de tracker als reflector
Figuur 14b: Plaatsing van de tracker onder het zadel
25
3.c.iii Plaatsing van de fietsen Het strategisch plaatsen van de fietsen in Amsterdam is belangrijk voor het succes van deel drie van het onderzoek. Daarom gebruikt dit onderzoek de gevonden antwoorden op de onderzoeksvraag van 3.b om de optimale locaties te bepalen voor de inzet van de honderd met sensoren uitgeruste fietsen. In 3.b worden verscheidene omgevingsvoorzieningen geïdentificeerd die een sterke en significante positieve correlatie hebben met fietsendiefstal. Deze voorzieningen zijn te vinden in specifieke gebieden in de stad, wat betekent dat we kunnen aannemen dat hoe meer voorzieningen een bepaald gebied heeft met een positief effect op fietsendiefstal, hoe meer fietsendiefstallen er zullen plaatsvinden. Aangezien de specifieke locaties van deze voorzieningen bekend zijn, werden deze locaties gebruikt om de meest waarschijnlijke fietsendiefstallocaties te bepalen. Dit gebeurde door de significantie van de correlatie tussen een voorziening en fietsendiefstal te gebruiken als gewichtsfactor in een gewogen schatting van de kerneldichtheid (kernel density estimation) interpolatie. Op basis van de significantie tussen de specifieke voorzieningen werden gewichten toegekend zoals aangegeven in Tabel 1. Deze gewichten werden vermenigvuldigd met de correlatiecoëfficiënt. Dit om ervoor te zorgen dat als de correlatie negatief is, bijv.
fietsendiefstal afneemt bij een toenemend aantal voorzieningen, de score hiermee rekening houdt.
Kernel density estimation (KDE) wordt vaak gebruikt bij het in kaart brengen van hotspots van criminaliteit (Chainey en Ratcliffe, 2005). Het wordt zelfs beschouwd als een van de meest geschikte instrumenten om criminaliteitsgegevens te visualiseren (Eck et al., 2005). Gewoonlijk is deze methode echter gebaseerd op puntgegevens van de plaatsen waar misdrijven hebben plaatsgevonden. Aangezien deze gegevens voor fietsendiefstallen niet openbaar zijn vanwege de privacy, is de methode aangepast om de locaties van de voorzieningen te gebruiken waarvan is vastgesteld dat ze een significant verband hebben met fietsendiefstal. Hiervoor is het KDE-interpolatiealgoritme met een kwartische kernel van QGIS gebruikt. Naast het identificeren van hotspots van fietsendiefstal in Amsterdam met behulp van deze methodologie, is er ook behoefte aan een zekere ruimtelijke dekking van de stad. Daar zijn twee belangrijke redenen voor. De eerste is het simpele feit dat het hebben van honderd officiële fietsenstallingen een vereiste is om ervoor te zorgen dat de fietsen niet worden meegenomen door het Fietsdepot. De tweede reden is dat een bepaald type dief actief kan zijn in een bepaald gebied; door meer plaatsen te bestrijken wordt dit risico beperkt.
Daarom werden de meest waarschijnlijke locaties van fietsendiefstal geselecteerd in 20 verschillende buurten waar de kans op fietsendiefstal het grootst is. Op basis van de antwoorden van punt 3.b zijn de plaatsingslocaties, zoals weergegeven in Figuur 15, bepaald aan de hand van bovengenoemde methode.
Significantie Gewichtsfactor Tabel 1: toegekende gewichtsfactor op basis van de significantie tussen specifieke voorzieningen en fietsendiefstal.
Inzetlocaties Waarschijnlijkheidsindicator
Buurten van Amsterdam
Figuur 15: Inzetlocaties en waarschijnlijkheidsindicator 26
3.c.iv Tracking van gestolen fietsen Criminaliteitsanalyses hebben zich gericht op hotspots, voorspellingen van criminaliteitscijfers en criminele individuele netwerken (Zhao & Tang, 2018). In de huidige literatuur over stedelijke criminaliteit ontbreekt echter één factor die vooral van toepassing is op diefstal van eigendommen. Deze factor is het faciliterende ruimtelijke netwerk. Dit netwerk bestaat uit de route die gestolen goederen afleggen binnen een stad, waar de goederen terechtkomen en welke aandachtspunten de gestolen goederen bezoeken. De onderzoeksvragen van dit deel gebruiken een vergelijkbare methodologie, aangezien ze allemaal afhankelijk zijn van het verzamelen van locatiegegevens over gestolen fietsen en waar ze naartoe gaan. Deze gegevens worden onderzocht en aangevuld met gegevens over de stad Amsterdam, zoals locaties van fietsenwinkels en informele tweedehands fietsmarkten. De methodologie voor het beantwoorden van de onderzoeksvragen wordt hieronder uiteengezet. Waar gaan gestolen fietsen heen? Om deze verkennende vraag te beantwoorden werden verschillende deelvragen gedefinieerd: a. Wat is het geografische gebied van de gestolenfietsenmarkt van Amsterdam? b. In hoeverre dragen tweedehandswinkels bij aan de hercirculatie van gestolen fietsen in Amsterdam? c.
Kunnen we typologieën van gestolen fietsroutes identificeren die aangeven welk type dader verantwoordelijk is voor welk percentage van de gestolen fietsen? Om vraag a te beantwoorden worden de gegevens van de trackers gevisualiseerd en wordt het aantal keren geteld dat een fiets een bepaalde regio bezoekt. Hiertoe wordt het aantal keren dat een gestolen fiets een 4-cijferige postcode in Nederland bezoekt gevisualiseerd
Voor vraag b werden locaties van tweedehands fietsenwinkels verzameld uit de OSM-gegevens. Deze locaties werden gebruikt om het verschil te berekenen tussen de locatie-informatie die de trackers op de fietsen terugstuurden en de fietsenwinkels. Hiervoor werd de afstand tot het dichtstbijzijnde knooppunt algoritme van QGIS gebruikt. Daarna werden drie modellen opgesteld, elk gebaseerd op verschillende regels die de kans moeten vergroten dat een fiets bij een fietsenwinkel staat. Het eerste model classificeert de locatie van een fiets als mogelijk bij een tweedehands fietsenwinkel wanneer de fiets meer dan 100 meter verwijderd is van zijn plaats van plaatsing, binnen 50 meter van een fietsenwinkel staat, en daar langer dan een uur geparkeerd staat. Model 2 gebruikt dezelfde afstandsparameters, maar de fiets moet 5 uur geparkeerd staan. Model 3 classificeert de locatie als mogelijk bij een fietsenwinkel wanneer de afstand tot een fietsenwinkel kleiner is dan 100 meter, de afstand tot de plaats waar de fiets wordt ingezet groter is dan 100 meter en de fiets daar een hele dag geparkeerd staat. Voor vraag c werden in eerste instantie de eerste 48 uur van elke gestolen fiets geanalyseerd. Dit werd gedaan door handmatig na te gaan wanneer de fiets werd gestolen, wat wordt aangegeven door een aanzienlijke beweging binnen een redelijk tijdsbestek en het volgende traject van de fiets.
De datum en tijd van de diefstal is vervolgens gebruikt om de gegevens op te splitsen zodat ze alleen gegevens bevatten vanaf het moment dat de fiets werd gestolen tot 48 uur later. Deze puntgegevens werden vervolgens omgezet in lijnen met behulp van QGIS’s algoritme Points To Path. Vervolgens werden enkele kenmerken van de ritten berekend, zoals de totale afgelegde afstand, het aantal begin- en eindpunten en de gemiddelde afstand tussen de begin- en eindpunten. Daarnaast werden enkele kenmerken van de fietsen aan de lijnen toegevoegd op basis van het ID-nummer van de fietsen. Dit omdat het type fiets van invloed kan zijn op het type dader, en dus op het type reis. Deze kenmerken werden iteratief geclassificeerd door een algoritme voor hiërarchische clustering zonder toezicht met behulp van R en het hcutalgoritme van factoextra. Het proces van het classificatiealgoritme wordt grafisch weergegeven in Figuur 16.
27
Hiërarchische agglomeratieve clustering
ID 5
ID 5
ID 5 ID 6 ID 2
ID 3
ID 3
ID 4
ID 1
ID 3
ID 5
ID 4
ID 6
ID 2
ID 1
ID 3
ID 4
ID 5
ID 4
ID 6
ID 2
ID 1
ID 4
ID 3
ID 5
ID 4
ID 6
ID 2
ID 3
ID 1
N klassen met elk 1 waarneming
ID 5
ID 4
ID 6
ID 2
ID 1
ID 3
ID 4
ID 3
ID 2
ID 1
ID 1
ID 3
ID 6
ID 2
ID 2
ID 1
ID 1
ID 5 ID 6
ID 6
ID 2
ID 2
ID 1
ID 5
ID 5 ID 6
ID 6
ID 1
ID 3
ID 4
ID 3
ID 5
ID 4
ID 6
ID 2
ID 1
ID 4
ID 3
ID 5
ID 4
ID 6
ID 2
1 klasse met N waarnemingen
Figuur 16: Visuele voorstelling van hiërarchische agglomeratieve clustering
Nadat deze analyse dubbelzinnige, maar indicatieve resultaten opleverde, werd verdere analyse uitgevoerd. Ten eerste werden voor elk van de 70 gestolen fietsen de datum en het tijdstip bepaald waarop de gestolen fiets residentieel werd en deze gegevens werden uit de analyse weggelaten. Ten tweede werden uit de resterende gegevens activiteitszones bepaald door het R recurse-pakket te gebruiken en te kijken naar de meest bezochte plaatsen van de gestolen fietsen in Amsterdam. Na deze analyse werden de fietsen opnieuw geclusterd met behulp van verschillende clusteringstechnieken en verschillende ritkenmerken. Na deze analyse werd een netwerkanalyse uitgevoerd. In deze analyse werd Amsterdam verdeeld in blokken van 500 bij 500 meter. Dit maakt het mogelijk om ritten van gestolen fietsen te beschrijven als gaande van bijvoorbeeld blok 2 naar blok 8. Zo ontstaat een gekoppeld netwerk van locaties en fietsen. Op dit netwerk werden verschillende analyses uitgevoerd, zoals tussenafstand, centraliteit, en het identificeren van gemeenschapsstructuren door optimalisatie van modulariteit.
28 28 Figuur 16: visualisatie van het netwerk
Hoofdstuk 4
Resultaten In dit hoofdstuk worden de antwoorden op de onderzoeksvragen gepresenteerd. Eerst wordt ingegaan op de invloed van het aantal beschikbare fietsen en specifieke voorzieningen in de bebouwde omgeving op fietsendiefstal. Daarna volgt het een overzicht van de inzet van de 100 fietsen en de gegevens die 70 gestolen fietsen opleverden over de kenmerken en ruimtelijke schaal van het stedelijke fietsendiefstalnetwerk.
4 Resultaten 4.a De stedelijke omgeving en fietsendiefstal
Om deze vraag te beantwoorden zijn gegevens van OpenStreetMap verzameld met puntgegevens over specifieke voorzieningen. Deze gegevens zijn gevisualiseerd in Figuur 17. De tweede stap was het tellen hoeveel voorzieningen of aandachtslocaties (Points of Interest - POI’s) tot een specifieke categorie behoren, deze resultaten worden geïllustreerd in Figuren 18 en 19.
1.a In hoeverre beïnvloeden specifieke ruimtelijke kenmerken het aantal fietsendiefstallen in Amsterdam?
Figuur 17: OpenStreetMap-gegevens met punten die de locaties van specifieke voorzieningen aangeven.
30
Figuur 18: Aantal supermarkten per buurt.
Supermarkten Aantal per buurt
Figuur 19: Aantal restaurants per buurt.
Restaurants Aantal per buurt
31
Vervolgens werden deze gegevens geanalyseerd met behulp van meervoudige lineaire regressie (MLR). De resultaten van de MLR staan in Tabel 2. De laatste kolom van de tabel geeft de significantie aan van de relatie tussen de aandachtslocaties en het aantal gestolen fietsen.
Op basis van deze MLR en ANOVA type II test zijn de volgende kenmerken (aangegeven met een of meerdere *) duidelijk van invloed op het voorkomen van fietsendiefstal in Amsterdam: het aantal geparkeerde fietsen in een buurt (gemeten met behulp van de beeldanalyse), fietsenwinkels, opvangcentra voor daklozen, supermarkten, cafés, scholen, treinstations, taxi’s, tramhaltes en bushaltes.
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
Tabel 2: Resultaten van het meervoudige lineaire regressiemodel dat het aantal gemelde diefstallen voorspelt.
32
Daklozen Opv.
Fietswinkels
Cafe
Tram haltes
Restaurants
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
De correlatiecoëfficiënt tussen de voorzieningen en fietsendiefstal is weergegeven in Figuur 20. Het model heeft een meervoudige R-kwadraatwaarde van 0,65, wat aangeeft dat de voorspellende variabelen een groot deel van de variantie in fietsendiefstallen kunnen verklaren. Dit resultaat kan worden gebruikt om de fietsen strategisch te plaatsen voor de inzet in deel twee.
Variablen
Figuur 20: Correlatiecoëfficiënt van voorzieningen met fietsendiefstal.
33
1.b In hoeverre is de gelegenheidstheorie (Crime Opportunity Theory) van toepassing op fietsendiefstal in Amsterdam? Om deze vraag te beantwoorden, genereerde de computer vision-verwerking beschreven in het hoofdstuk
Methodologie gegevens die zijn weergegeven in Figuur 21. Deze puntgegevens werden vervolgens geaggregeerd tot op buurtniveau, zoals weergegeven in Figuur 22.
Aantal zichtbare fietsen
Figuur 21: Aantal fietsen per beeld, de diameter van het punt is evenredig met het aantal fietsen per locatie.
Figuur 22: Gemiddeld aantal geparkeerde fietsen per buurt.
Gemiddeld aantal fietsen
34
Gestolen fietsen
Dit werd gebruikt als input in een lineair regressiemodel, wat resulteerde in Figuur 23. De gemarkeerde uitschieters met de rode cirkels zijn gebieden met openbaarvervoervoorzieningen met fietsenstallingen, die mogelijk niet zichtbaar zijn vanaf de weg. Daarom zou het werkelijke aantal fietsen hoger moeten zijn dan de hier gepresenteerde schatting.
Gemiddeld aantal zichtbare fietsen
Figuur 23: Gestolen fietsen en gemiddeld aantal fietsen in de beelden. Het lineaire model wordt weergegeven door de rode lijn.
De regressieanalyse leverde significante resultaten op (P < 2e-16). Het aantal fietsen per buurt blijkt dus een aanzienlijke invloed te hebben op het aantal gestolen fietsen. Op basis van de analyse met lineaire regressie zijn er sterke aanwijzingen ten gunste van de gelegenheidstheorie.
35
4.b Fietsendiefstal en -tracking In dit deel worden de antwoorden op de onderzoeksvragen van deel twee gegeven. Ten eerste worden de effecten van de plaatsing en de kenmerken van fietsen op fietsendiefstal weergegeven. Ten tweede worden de tijdstippen en data waarop de fietsen zijn gestolen weergegeven. Ten derde worden de antwoorden op de onderzoeksvragen over waar gestolen fietsen naartoe gaan gedetailleerd.
De 20 geplande inzetlocaties, samen met de gerealiseerde fietsenstallingen van de 100 fietsen zijn weergegeven in Figuur 24. Als eerste pilot zijn begin juni 2021 5 fietsen ingezet. De overige 95 fietsen zijn ingezet op 30 juni en 1 juli 2021.
4.b.i Plaatsing en kenmerken De plaatsing van de fietsen werd gestuurd door de plaatsingsstrategie die in het hoofdstuk Methodologie wordt beschreven. Praktische beperkingen leidden echter tot kleine afwijkingen van de geplande aanpak. Dit was te wijten aan gebieden die niet bereikbaar waren met een busje of een beperkt aantal beschikbare fietsenstallingen.
Legenda Geplande inzetlocaties Inzetlocaties
Figuur 24: Geplande inzetlocaties en gerealiseerde fietsenstallingen van de 100 fietsen. 36
De fietsenstallingen waren op elke locatie anders. Daarom is deze informatie per inzetlocatie geregistreerd, samen met enkele algemene kenmerken van het gebied. Het type stallingen is weergegeven in Figuur 25, en de tellingen per type parkeerplaats in Figuur 26.
Bovendien verschilde de grootte van de stallingen aanzienlijk. Om het effect van de grootte van de stalingen te kunnen onderzoeken, is per locatie geschat hoeveel fietsen er gestald konden worden. Dit resulteerde in Figuur 27, waarin het aantal ingezette fietsen per grootte van de fietsenstalling is weergegeven
Voorwiel en lus voor ketting -tulp
Gestapelde fietsenrekken
Inzetstuk voor het voorwiel
Fietsnietje
Aangewezen plek zonder fietsenrek
Wild parkeren
Figuur 25: Type stalling.
Aantal
Type stalling
Aangewezen plek zonder fietsenrek
tulp
Inzetstuk voor het voorwiel
Fietsnietje
Gestapelde fietsenrekken
Wild parkeren
Type stalling
Figuur 26: Telling van het aantal gestalde fietsen per specifieke types stallingen. 37
Aantal
Omvang van de stallingen
Omvang
Figuur 27: Telling van het aantal gestalde fietsen per specifieke omvang van de stallingen.
Na 26 november 2021 werd de locatie van elke fiets handmatig geïnspecteerd. Op basis van deze inspectie bleken 70 fietsen aanzienlijk te zijn verplaatst. Andere fietsen leken kleine afstanden te zijn verplaatst, dit werd toegeschreven aan fietsen die werden aangeraakt of één of twee meter werden verplaatst. Dit resulteert automatisch in een nieuwe locatie-update, die door onnauwkeurigheden of ruis enkele meters van het oorspronkelijke punt verwijderd kan zijn.
vergelijking met bijvoorbeeld het type “metalen boog” (36,4 procent van de 44 fietsen die geparkeerd werden bij dit type fietsenrek). Dit wordt weergegeven in Figuur 28.
Als we kijken naar de plaatsen waar deze fietsen zijn gestolen, kunnen we twee conclusies trekken. De eerste conclusie is dat het type fietsenrek van invloed lijkt te zijn op het al dan niet stelen van fietsen. Bij het type “aangewezen plek zonder fietsenrek” lijken onevenredig veel fietsen te worden gestolen (62,5 procent van de 22 fietsen die geparkeerd werden bij dit type fietsenrek) in
Deze bevinding ondersteunt de beweringen in het rapport van Sidebottom, Thorpe en Johnson (2009). Zij vinden dat fly-parking (parkeren op niet-aangewezen plaatsen) het risico vergroot dat een fiets wordt gestolen. Stallingen zonder fietsenrek lijken dat probleem niet op te lossen, aangezien de manier waarop de fiets op slot staat hetzelfde blijft. Daarom levert dit resultaat verder bewijs voor het belang van goede fietsenrek om burgers tegen fietsendiefstal te beschermen.
Aantal
Type stalling
Aangewezen plek zonder fietsenrek
tulp
Inzetstuk voor het voorwiel Gestolen
Fietsnietje
Gestapelde fietsenrekken
Wild parkeren
Totaal
Figuur 28: Telling van het aantal geparkeerde fietsen en het aantal gestolen fietsen bij specifieke types stallingen
38
Aantal
Omvang van de stallingen
Omvang Gestolen
Totaal
Figuur 29: Telling van het aantal geparkeerde en gestolen fietsen bij specifieke groottes fietsenstallingen.
De tweede conclusie is dat de omvang van de stalling geen lineair effect lijkt te hebben op het aantal gestolen fietsen (Figuur 29). Dit lijkt in tegenspraak met de eerdere bevinding die de gelegenheidstheorie ondersteunt, maar kan ook het gevolg zijn van de manier waarop de grootte van de stalling is geschat. Vaak zijn er meerdere kleine stallingen in hetzelfde gebied. Een manier om dit te bekijken is elk als een afzonderlijke stalling te beschouwen, zoals de gegevens werden gedocumenteerd. Een andere manier om dit te bekijken is het gebied te zien als een verspreide grotere stalling; dit zou aanzienlijk andere resultaten kunnen opleveren. Daarom is het eerder gevonden bewijs ter ondersteuning van COT veel sterker dan de hier weergegeven gegevens.
In Figuur 30 worden de kleuren van de fietsen gevisualiseerd. De meest voorkomende kleur is zwart, waarvan ook een groter deel wordt gestolen. Er is gespeculeerd dat minder herkenbare fietsen gemakkelijker worden gestolen en verkocht (Kuppens, et al., 2020). Dit resultaat zou die hypothese ondersteunen.
Figuur 30: Kleur van gestolen fietsen (links) en kleur van alle ingezette fietsen (rechts)
39
4.b.ii Tijdstippen en data van diefstal
Aantal Gestolen Fietsen
De tijdstippen en data van de diefstallen zijn weergegeven in de Figuren 31a en 31b. De meeste fietsen worden ‘s nachts gestolen, waarbij 01.00 uur het meest voorkomende tijdstip is. Daarnaast kunnen maandag, woensdag en zaterdag worden geïdentificeerd als tijdelijke hotspots. Hoewel men zou verwachten dat fietsendiefstallen in het weekend een piek bereiken, zijn de midweekse dagen een verrassing. Dit kan te wijten zijn aan de COVID-regelgeving of gewoon toeval.
Tijd
Aantal Gestolen Fietsen
Figuur 31a: Frequentie van fietsendiefstal per uur.
Datum
Figuur 31b: Data waarop de fietsen zijn gestolen, merk op dat de x-as niet-continu is.
40
4.b.iii Waar gaan gestolen fietsen heen? De 70 gestolen fietsen zijn verder onderzocht met behulp van QGIS met als doel de eerder gestelde onderzoeksvragen te beantwoorden. Eerst wordt het geografisch gebied gedefinieerd, waarna de rol van tweedehands fietsenwinkels wordt gepresenteerd. Tot slot worden “soorten” fietsroutes van gestolen fietsen besproken. Het geografische gebied wordt bepaald door na te gaan hoeveel buurten werden “bezocht” door een gestolen fiets. Het aantal fietsen met een eindpunt van een rit in een bepaalde buurt is weergegeven in Figuur 32. Hieruit kunnen we concluderen dat de markt voor gestolen fietsen zeer lokaal is voor de in het onderzoek gebruikte typen fietsen. Slechts één fiets reisde een flink stuk buiten de grenzen van Amsterdam naar een andere stad. Andere fietsen bleven dicht bij de gemeentegrenzen van Amsterdam en staken alleen over naar locaties in aangrenzende gemeenten.
Dit heeft drie implicaties: 1. De kosten om een gestolen fiets te vervoeren zijn zeer waarschijnlijk van invloed op hoe ver de fietsen reizen. De verkoopprijs van dit type gestolen fiets is gewoon te laag om vervoer te regelen. 2. Het risico om in dezelfde stad gepakt te worden met een gestolen fiets wordt als zeer laag ervaren. 3. Beleid om dit type fietsendiefstal terug te dringen moet zich richten op het lokale niveau, aangezien de hercirculatie van gestolen fietsen zeer lokaal is. Het is zelfs een circulaire markt kunnen noemen, slechts weinig fietsen verlaten de kringloop.
Bezocht door gestolen fiets 1 2-3 4-7 8 - 17
Figuur 32: Aantal keren dat een gestolen fiets een buurt in Nederland bezocht. 41
b: In hoeverre dragen tweedehands fietsenwinkels bij aan de hercirculatie van gestolen fietsen in Amsterdam? De drie voorgestelde regel-gebaseerde modellen laten dubbelzinnige resultaten zien. De eenvoudige criteria van nabijheid van een fietsenwinkel, afstand van de herkomst en een bepaalde hoeveelheid tijd die op de locatie wordt doorgebracht, blijken onvoldoende om met een redelijke mate van zekerheid verkooppunten vast te stellen.
De punten die voor de modellen 1, 2 en 3 een verkoopargument in een tweedehandswinkel zouden kunnen zijn, worden echter weergegeven in Figuur 33. Eén locatiepunt zou aan de criteria van alle modellen kunnen voldoen en daarom op alle drie de weergaven worden getoond.
Figuur 33: De locaties van de gestolen fietsen die als mogelijk verkooppunt bij tweedehands fietsenwinkels zijn geïdentificeerd. Boven: model 1, midden: model 2, onder: model 3. De diameter van het punt geeft de nauwkeurigheid van de locatie aan.
42
c: Kunnen we soorten fietsroutes van gestolen fietsen vaststellen die aangeven welk type dader verantwoordelijk is voor welk percentage van de gestolen fietsen? De analyse van de routes die de gestolen fietsen gedurende de eerste 48 uur aflegden, gaf inzicht in hoe de fietsen zich direct na hun diefstal verplaatsen. Het doel van deze analyse is het blootleggen van soorten ritten die niet naar voren komen uit de handmatige inspectie van elke route. Zoals beschreven in het hoofdstuk Methodologie, werden de kenmerken van de rit en de fiets gebruikt als input in een hiërarchisch clusteralgoritme. De gebruikte variabelen werden iteratief al dan niet geselecteerd voor verwerking door het algoritme om te zien of het al dan niet opnemen ervan resultaten opleverde die op een onderliggend patroon zouden kunnen wijzen. De uiteindelijk opgenomen variabelen waren: De gemiddelde afstand tussen het begin- en het eindpunt De staat van de fiets De totale afgelegde afstand Het gemiddelde aantal begin- en eindpunten Het aantal begin- en eindpunten.
Op basis van een hoofdcomponentenanalyse (Principal Component Analysis) en de resulterende screeplot, weergegeven in Figuur 34a, werd het aantal te identificeren clusters vastgesteld op drie, zoals weergegeven in Figuur 34b. Dit ook omdat in het onderzoek van Kuppens et al. (2020) drie soorten dieven werden geïdentificeerd. Daarom moeten er ook drie soorten routes worden geïdentificeerd.
3 clusters
Figuur 34b: Cluster dendrogram met de gevisualiseerde scheidingslijn op drie clusters.
Figuur 34a: Screeplot die aangeeft welke hoofdcomponent welk deel van de variantie verklaart; met behulp van de elbow rule werden drie clusters geselecteerd als input voor het hiërarchische clusteralgoritme.
43
De gevonden soorten routes zijn weergegeven in Figuur 35. Omdat de visualisatie niet veel inzicht geeft in de verschillen tussen de clusters, is de afwijking van de clustermiddelen van het z-score gestandaardiseerde gemiddelde in kaart gebracht in Figuur 36. Hieruit blijkt dat het aantal begin- en eindpunten en de totale afgelegde afstand mede bepalend zijn voor cluster 1. Cluster 2 wordt geïdentificeerd met kleinere afgelegde afstanden. Terwijl voor cluster 3 de gemiddelde afstand tussen begin- en eindpunten een belangrijk kenmerk is,
samen met de hoogste gemiddelde staat van de fiets. De clusters worden individueel in kaart gebracht met de individuele fietsroutes op de volgende pagina.
Figuur 35: Routes van de gestolen fietsen die tot de geïdentificeerde clusters behoren
Figuur 36: Standaardafwijking van de clustergemiddelen met het totale steekproefgemiddelde voor de gebruikte variabelen.
44
45
Cluster 1 heeft enkele kenmerken die zouden kunnen wijzen op pogingen om de fiets te verkopen op plekken die bekend staan om hun illegale fietsmarkten in Amsterdam. De fietsen maken veel kortere ritten, hoppen door Amsterdam tot ze terugkeren naar een locatie verder weg van het centrum. Dit patroon kan in verband worden gebracht met lokale professionals die proberen de fiets te verkopen. Een andere bevinding is dat dit cluster een zekere mate van organisatie vertoont, aangezien verschillende fietsen vanaf dezelfde locatie het centrum van de stad in- en uitgaan. In het geval van fiets 3, 24, 51 en 99 herhaalt dit patroon zich verschillende keren. Bij nader onderzoek bleek fiets 24 pas na 48 uur op dezelfde locatie als de andere fietsen aangekomen. Dit verklaart waarom nummer 24 momenteel niet in cluster 1 zit, terwijl de fietsnummers 3, 51 en 99 dat wel zijn. Het verschil in clusters kan dus worden verklaard door het beperkte tijdsbestek dat is gebruikt om de routes te analyseren. De routes van de vier fietsen zouden in verband kunnen worden gebracht met georganiseerde misdaad, aangezien er enige communicatie en organisatie nodig is om deze vier fietsen op dezelfde locatie te laten belanden. Deze routes zijn weergegeven in Figuur 37.
Cluster 2 toont veel eenrichtingsverkeer voor de fietsen. Deze fietsen gaan rechtstreeks van hun plaats van inzet naar een andere plaats, waarna de fiets een tijdlang niet verplaatst wordt. Daarom zou dit cluster eerder geassocieerd kunnen worden met joy-riders of opportunistische dieven. Cluster 3 heeft enkele kenmerken van de clusters 1 en 2. Daarom is dit cluster moeilijker te associëren met een specifiek type dader, omdat dit de buitenbeentjes lijken te zijn. Een analyse van meer gestolen fietsen zou voor dit clustertype meer inzichtelijke resultaten kunnen opleveren. Als cluster 1 de professionele dieven en cluster 2 het opportunistische type zou zijn, zou ongeveer 30% professionele fietsendiefstal zijn en 57% opportunistische. Bij verdere analyse, waarbij meer tijdspatronen en een langer tijdsbestek in aanmerking worden genomen, zouden deze percentages echter aanzienlijk kunnen verschillen.
Figuur 37: Routes van de gestolen fietsen 3, 24, 51 en 99.
46
De analyse van de activiteitszones en de netwerkanalyse brachten vergelijkbare aandachtsgebieden aan het licht. De activiteitszones zijn zeer lokaal en kunnen daarom niet worden weergegeven. Aangezien beide methoden dezelfde gebieden aanwezen, wordt de netwerkanalyse hier nader toegelicht.
Eerst werd de tussenafstand van locaties berekend, zoals getoond in Figuur 38. Deze belangrijke locaties werden gevisualiseerd op de kaart, zoals weergegeven in Figuur 39. Na correctie voor gebieden met meer voorzieningen en correctie voor waar de fietsen werden ingezet, waardoor die gebieden automatisch belangrijker zouden moeten worden in het netwerk, werd het gewogen belang berekend (Figuur 40). Op basis van de geïdentificeerde gebieden werd een andere onderzoeksvraag onderzocht: Welke fietsen waren verantwoordelijk voor waarom deze gebieden belangrijk zijn, zijn dat dezelfde fietsen en wat zijn de verbanden tussen deze locaties?
Figuur 38: Netwerk van aangesloten locaties. Figuur 39: Belangrijke blokken voor de stroom gestolen fietsen in het netwerk.
Figuur 40: Gewogen belangrijke blokken voor de stroom gestolen fietsen in het netwerk.
47
Om deze vragen te onderzoeken werd een ander netwerk van fietsen en locaties gecreëerd, met de onderlinge verbanden (Figuur 41).
Deze analyse bracht 13 gemeenschappen van fietsen of verbonden fietsen aan het licht. Deze gemeenschappen werden handmatig verder onderzocht. Hieruit bleek dat 22 van de 70 gestolen fietsen gekoppeld waren in een subnetwerk. Hieruit kan worden geconcludeerd dat ongeveer 30,1% van de gestolen fietsen wordt gestolen door de georganiseerde misdaad of door daders met veel kennis over het totale fietsendiefstalsysteem. Daarnaast bezochten 12 fietsen bekende gestolen fietslocaties. Dit wijst erop dat ongeveer 17,1% van de gestolen fietsen op deze plaatsen wordt doorverkocht.
Figuur 41: Netwerk van locaties (cirkels) en fietsen (vierkanten)
Om gemeenschappen of gekoppelde fietsen/locaties in het netwerk te identificeren, werd een gemeenschapsanalyse uitgevoerd. Meer bepaald werd het Louvain-algoritme gebruikt, dat het modulariteitsoptimalisatie-algoritme op meerdere niveaus voor het vinden van gemeenschapsstructuren implementeert (Blondel et al., 2008). De geïdentificeerde gemeenschappen zijn weergegeven in Figuur 42.
Figuur 42: Netwerk van locaties (cirkels) en fietsen (vierkanten) met geïdentificeerde gemeenschappen.
48
Hoofdstuk 5
Discussie In dit hoofdstuk worden de beperkingen van de in het vorige hoofdstuk gepresenteerde resultaten besproken. Het schetst ook enkele aanbevelingen en mogelijke toekomstige richtingen van ander onderzoek. Bovendien wordt het ethische debat over het opsporen van diefstal onderstreept.
5 Discussie In dit deel worden de beperkingen van de twee delen van dit onderzoek besproken. Eerst wordt de methodologie van deel één geanalyseerd, waarna de theoretische en praktische beperkingen van deel twee worden besproken.
5.a De stedelijke omgeving en fietsendiefstal De belangrijkste beperking bij het onderzoek naar deze specifieke stedelijke criminaliteit is de bereidheid, of het gebrek daaraan, van burgers om aangifte te doen. Helaas zijn de enige beschikbare gegevens de gemelde fietsendiefstallen, niet de werkelijke fietsendiefstallen. Daarom kan de ruimtelijke spreiding van dit misdrijf aanzienlijk verschillen van de gevisualiseerde kaart in Figuur 4. Hoewel aan deze beperking weinig kan worden gedaan, blijkt hieruit wel hoe belangrijk het is om over nauwkeurige gegevens over misdrijven in de stad te beschikken. Zonder die gegevens zullen beleid en maatregelen waarschijnlijk niet effectief zijn of niet passen bij de omvang van het probleem. Verder onderzoek wordt aanbevolen om overeenstemming te bereiken over hoe hoog het aantal fietsendiefstallen in Amsterdam is. Deze gegevens zouden bij voorkeur op een zeer fijnkorrelige ruimtelijke schaal moeten zijn, zodat lokale verschillen niet in de gegevens verdwijnen. Een andere beperking van de gebruikte aanpak om voorzieningen of aandachtslocaties (POIs) te identificeren die verband houden met fietsendiefstal is de selectie van de opgenomen voorzieningen. In een ideaal scenario zou men alle voorzieningen opnemen en de methode aanpassen om rekening te houden met specifieke combinaties van voorzieningen.
Dit zou de resultaten op verschillende manieren kunnen beïnvloeden. Met meer type voorzieningen kunnen we misschien een groter deel van de variatie in fietsendiefstal voorspellen, of specifieke voorzieningen worden meer of minder belangrijk om fietsendiefstal te voorspellen. Een ander effect zou bijvoorbeeld kunnen zijn dat fietsendiefstal vaker voorkomt wanneer er een universiteitsgebouw,
een daklozenopvang en een fietsenwinkel die verder van elkaar verwijderd zijn. Dit kan alleen worden onderzocht met behulp van meer geavanceerde en complexe modellen. Er is al enig onderzoek gedaan op dit gebied, zoals Salvanelli Porter, & Marino (2020) die ook kijken naar de temporele component van fietsendiefstal. Hoewel dit niet de hoofdfocus van dit onderzoek is, steunt het onderzoek wel op deze analyse om de fietsen te plaatsen. Gelukkig zijn de 70 fietsen die gestolen tijdens het onderzoek een goede indicatie dat de aanpak enige waarde heeft.
Zoals hierboven aangegeven, is de meervoudige lineaire regressiebenadering mogelijk minder effectief dan andere voorspellende modellen zoals negatieve binomiale regressiemodellen (Mburu en Helbich, 2016). Als er meer gedetailleerde gegevens over fietsendiefstallen beschikbaar waren, zou men bovendien tijdreeksen kunnen onderzoeken met behulp van autoregressieve/bewegende gemiddelde modellen of LSTM-architecturen (Long Short Term Memory).
5.a.i Gelegenheidstheorie (COT) Dit deel van het onderzoek biedt een nieuwe methode om de beschikbaarheid van potentieel te stelen doelen in de stedelijke omgeving te kwantificeren. De aanpak heeft momenteel verschillende beperkingen die in toekomstig onderzoek moeten worden aangepakt. De belangrijkste beperking is de temporele component van het tijdstip waarop de beelden worden genomen. Momenteel houdt de aanpak geen rekening met verschillende tijdstippen van de dag, weersomstandigheden of zelfs verschillende seizoenen. Men kan redelijkerwijs aannemen dat dit een aanzienlijk effect zou hebben op de resultaten. Als de weersomstandigheden slechter zijn, wordt er minder gefietst, wat leidt tot minder fietsen in de beelden. Een soortgelijk effect zou kunnen optreden wanneer rekening wordt gehouden met spitsuren of verschillende seizoenen. Naast de temporele component van wanneer de beelden zijn genomen, is het gebruikte computer vision model het meest geschikt voor semantische segmentatietaken waarbij ook een classificatie van de instanties nodig is. Dit betekent dat het tellen van fietsen complexer is dan nodig.
49
Dit onderzoek is niet geïnteresseerd in de oppervlakte die de fietsen innemen op de beelden of waar zij zich in het beeld bevinden, maar gewoon in het aantal fietsen dat zichtbaar is in het beeld. Daarom zouden snellere R-CNN, vergelijkbaar met You Only Look Once (YOLO)architecturen, ook geschikt kunnen zijn. De reden voor het gebruik van de panoptische segmentatie-aanpak is dat de verwerking van de beelden plaatsvond in het kader van een ander project waarbij de taak van het toekennen van elke pixel in een beeld belangrijk was. Aangezien de gegevens over het aantal fietsen beschikbaar waren via deze beeldverwerking, werden ze gebruikt in dit onderzoekskader. Naast de beperking over welke computer visiontechnieken zijn gebruikt, moet worden opgemerkt dat elk model een misclassificatiepercentage heeft. Dit kan resulteren in fout-positieven, objecten die ten onrechte als fiets worden geclassificeerd, of foutnegatieven, fietsen die verkeerd worden geclassificeerd als andere objecten. De modellen zijn ontworpen om deze misclassificatie te minimaliseren. Als fietsen echter dicht op elkaar geparkeerd staan, zal de gebruikte methode ertoe leiden dat niet alle fietsen worden geteld, omdat het onderscheid tussen één fiets en vele fietsen moeilijk kan zijn.
Bovendien, aangezien alle beelden vanaf de weg zijn genomen, kan de hoek van waaruit de fietsen zijn gefotografeerd, en dus moeten worden geclassificeerd, aanzienlijk verschillen van de beelden en hoeken waarmee het model is getraind. Dit zal het percentage misclassificaties doen toenemen. Bovendien was het aantal fietsen in de beelden gecorreleerd met de gerapporteerde fietsendiefstallen, niet met de werkelijke fietsendiefstallen. Dit zou de resultaten op onbekende wijze kunnen beïnvloeden
5.b Fietsendiefstal en -tracking 5.b.i Trackers SigFox-trackers werden geselecteerd vanwege hun lange batterijduur en hun GPS-nauwkeurigheid. Er zijn echter enkele beperkingen met betrekking tot de updatefrequentie en de nauwkeurigheid van de locatie in dichte stedelijke omgevingen. De updatefrequentie wordt beperkt door het SigFox-netwerk, aangezien het een open bandbreedte-frequentie betreft.
Daarom werd de updatefrequentie beperkt tot één update om de 5 minuten wanneer de fiets in beweging was. Als er echter te veel trillingen of schokken zijn, wordt de locatie niet verworven omdat dit mogelijk leidt tot gegevensverlies[Ma1] . De GPS-nauwkeurigheid in stedelijke omgevingen is over het algemeen vrij goed, maar er moet altijd rekening worden gehouden met signaalreflecties van gebouwen. Bovendien, als fietsen ondergronds of in gebouwen geparkeerd staan, zal de communicatie met de SigFox-gateways beperkt zijn, waardoor de trackers mogelijk geen locatiegegevens kunnen versturen. Desondanks was de gemiddelde locatienauwkeurigheid ongeveer 27 meter, wat zeer redelijk is voor stedelijke omgevingen en omgevingen binnen.
5.b.ii Inzet De inzetlocaties waren gebaseerd op een aangepaste KDE-interpolatie. Deze aanpak is niet gedocumenteerd in andere onderzoekspapers. Daarom zijn de betrouwbaarheid en de nauwkeurigheid van de waarschijnlijkheidsindicator voor fietsendiefstal twijfelachtig. Als er puntgegevens beschikbaar waren van waar gestolen fietsen werden meegenomen, zou dat een duidelijker beeld geven van waar de fietsen hadden moeten staan. Aangezien dit echter slechts een klein deel van het onderzoek betreft, is dit slechts een kleine beperking. Bovendien, aangezien er 70 fietsen werden gestolen, heeft het aantal geïdentificeerde fietsendiefstal hotspots enige geldigheid. Tijdens de inzet van de fietsen moesten kleine afwijkingen van het inzetplan worden genomen. Dit kwam door wegafsluitingen en onbereikbaarheid van bepaalde gebieden. Dit is vooral merkbaar bij de locaties 1 t/m 4, omdat deze allemaal binnen een voetgangersgebied vallen. De fietsen werden zo dicht mogelijk bij de inzetlocatie geplaatst binnen een redelijke tijd.
5.b.iii Resultaten en onderzoeksvragen Wanneer we rekening houden met de algemene nauwkeurigheid van de locatiepunten, zullen de resultaten altijd enigszins dubbelzinnig zijn. Ten eerste zal de onderzoeksopzet altijd leiden tot enige onnauwkeurigheden in de locatiegegevens. GPS-signalen in de stedelijke omgeving kunnen afketsen op gebouwen of interferentie ondervinden. Daarom is deze beperking inherent aan de onderzoeksmethode. Tenzij duurdere lokalisatie-technologieën worden gebruikt,
50
die vaak meer energie verbruiken, zullen vragen als: was een fiets echt bij een fietsenwinkel, wat was de route die de fiets aflegde, en zijn er echt maar drie soorten fietsendieven, altijd een probleem blijven. Met deze gegevens kunnen we echter speculeren, patronen herkennen en enkele logische conclusies trekken, ook al hangen die af van aannames die in de loop van het onderzoek zijn gemaakt. Een andere beperking die de resultaten van dit onderzoek in een context plaatst, is het inconsistente tijdsverschil tussen de gerapporteerde locatiepunten. De verschillen ontstaan doordat de trackers te veel trillingen ondervinden, waardoor de GPS-acquisitie niet kan worden geactiveerd. Daarom wordt geen locatie verkregen of verzonden. Helaas geeft dit een minder gedetailleerd overzicht van welke straten de fietsen hebben bezocht. De begin- en eindlocaties blijven echter goed gedocumenteerd. Aangezien deze locaties van overwegend belang zijn, doen de trackers waarvoor ze bedoeld zijn. Naast de meer praktische beperkingen en problemen met de kwaliteit van de gegevens, zou de analyse van de verzamelde gegevens op verschillende manieren kunnen worden verbeterd. De analyse over de effecten van het type fietsenrek, het effect van de kleur van de fietsen, of een van de kenmerken van de bebouwde omgeving mist momenteel de hoeveelheid om een hypothese statistisch te bevestigen.
Dit is ook niet waar dit onderzoek voor bedoeld is. Een kwantitatief onderzoek zou nauwkeuriger resultaten kunnen opleveren over de effecten van het type fietsenstalling. Dit zou een richting kunnen zijn voor verder onderzoek.
De analyse van het effect van tweedehands fietsenwinkels leverde enige goede resultaten op, maar alleen na handmatige inspectie. Verder onderzoek zou zich kunnen richten op het automatiseren van dit proces, waarvoor meer gegevens nodig zijn. De gecreëerde typologieën van routes relateren de soorten ritten aan potentiële dadertypes. Momenteel berust deze analyse op een beperkt aantal variabelen om de ene rit van de andere te onderscheiden. Het opnemen van meer verfijnde indicatoren over de rit kan nuttig zijn om meer zinvolle clusters uit de gegevens te halen, aangezien er meer dan drie soorten routes kunnen zijn. De netwerkanalyse heeft een aantal waardevolle inzichten opgeleverd in het netwerk van fietsendiefstal. Er zouden meer analyses op de gegevens kunnen worden uitgevoerd, maar er zijn ook meer gegevens nodig om de resultaten verder te onderbouwen.
Bovendien kan de analyse van de routes en locatiegegevens van gestolen fietsen op verschillende manieren worden verbeterd en herhaald. Meer gestolen fietsen zullen meer bewijs leveren voor de bewering dat de markt voor gestolen fietsen zeer lokaal is voor dit type fiets. Voorts zou verder onderzoek kunnen worden gedaan naar de reden waarom de meeste fietsen zich lokaal verplaatsen. Kenmerken van de omgeving waarnaar de gestolen fietsen zich verplaatsen zouden hier licht op kunnen werpen. Eventuele vragen zijn bijvoorbeeld: verplaatsen fietsen zich van stedelijke omgevingen met hoge dichtheid naar lage dichtheid, of van commerciële wijken naar woonwijken?
51
Hiërarchische clustering staat erom bekend dat het traag is bij de verwerking van grotere datasets, maar bij deze kleinere dataset is dat geen beperking. Naast het wijzigen van het clusteralgoritme zou de ongelijkheidsmatrix anders kunnen worden berekend. Momenteel wordt het “verschil” tussen de gegevens berekend op basis van de Euclidische afstand; andere afstandsmaten zouden leiden tot andere classificaties. Verder onderzoek zou ook de beperking van de soorten fietsen die voor deze studie werden gebruikt kunnen aanpakken. Duurdere en elektrische fietsen zouden na de diefstal heel andere routes kunnen volgen. Gezien de tijd waarin dit onderzoek plaatsvond, moet bovendien rekening worden gehouden met de invloed van coronagerelateerde beperkingen op beweging en activiteiten. Onderzoek heeft aangetoond dat het effect van coronabeperkingen het aantal misdrijven in meerdere steden in verschillende landen verminderde (Nivette et al., 2021). Daarom zou het aantal gestolen fietsen lager kunnen zijn dan vóór corona en zouden de soorten ritten meer lokaal kunnen zijn, aangezien internationale reizen ingewikkelder zijn.
5.c De ethiek van het opsporen van diefstal In het verleden werden lokfietsen effectief gebruikt door politiediensten over de hele wereld. Van San Francisco tot Amsterdam nemen alomtegenwoordige opsporingstechnologieën de praktische beperkingen weg die in het verleden de privacy van burgers beschermden. Voor sommigen is gerechtigheid gemakkelijker te bereiken, voor anderen ligt de dystopische toekomst van volledig traceerbare interacties om de hoek. Dit onderzoek bevindt zich op het snijvlak van beide argumenten. Hoewel het doel van het onderzoek is knelpunten in de fietsendiefstalketen op te sporen om beter beleid te ontwerpen om fietsendiefstallen terug te dringen, toont het ook de toepasbaarheid van GPStracking van criminaliteit op schaal. Echter, zonder het aspect van politie betrokkenheid, vervolging, of nadelige gevolgen
voor de dieven, blijft dit onderzoek uit de buurt van het argument van oneerlijke verlokking, waarmee de Nederlandse politie wel wordt geconfronteerd. Toch betekent dit niet dat we het ethische debat over privacy en het bepalen van juiste wettelijke grenzen voor zowel onderzoek als politietactiek moeten verwaarlozen. Dit onderzoek heeft aangetoond hoe trackingtechnologieën kunnen worden gebruikt om ruimtelijke patronen binnen de stedelijke criminaliteit bloot te leggen. Het doet dit op beperkte schaal en met een duidelijk doel, waardoor de kans op onbedoelt gebruik van deze gegevensverzameling wordt beperkt. Hoewel de gebruikte fietsen in dit onderzoek juridisch gezien eigendom is van de onderzoekers, wordt in werkelijkheid het eigendom van de fiets overgedragen, zij het illegaal. Dit roept de vraag op of de middelen het doel rechtvaardigen. Concreet wordt de vraag: moet onderzoek gericht zijn op het opsporen van personen die een misdrijf hebben begaan? Helaas is er weinig literatuur over het gebruik van opsporingstechnologieën zonder het doel van vervolging. Om deze vraag voor dit onderzoek uit te werken, moeten we daarom de voorspelde uitkomst van het onderzoek vergelijken met de bezorgdheid over de privacy en de risico’s voor de personen indien zij als criminelen zouden worden ontmaskerd.
Daartoe moet rekening worden gehouden met het soort misdrijf dat wordt bestudeerd, bijvoorbeeld inbraak, moord of diefstal. Om de ernst van verschillende misdrijven te kunnen vergelijken moeten de toepasselijke wetgevingsstructuren leidend zijn. Bij fietsendiefstal is het risico voor de personen die kunnen worden ontmaskerd als personen die een gestolen fiets hebben gekocht of gestolen, redelijk laag. Ten eerste kunnen de geproduceerde gegevens niet als bewijs tegen hen worden gebruikt, aangezien de politie de gegevens niet verzamelt en derhalve de betrouwbaarheid ervan niet kan garanderen. Ten tweede is fietsendiefstal een (bijna) maatschappelijk geaccepteerd fenomeen in Amsterdam, zoals blijkt uit het onderzoek van Nello-Deakin en Nikolaeva (2021). Dit zou uiteraard wezenlijk anders zijn in het geval van inbraken, waarbij de vraag over hoe men überhaupt locatieinformatie over dergelijke personen zou verzamelen buiten beschouwing wordt gelaten. De middelen kunnen op verschillende manieren worden aangepast om de potentiële impact van datalekken te minimaliseren. Een van de manieren om dit te doen, is
52
Sensorminimalisatie, ofwel het minimaliseren van de mogelijkheden van de sensor om er impliciet voor te zorgen dat de gegevens alleen kunnen worden gebruikt voor het doel van de aanvankelijke studie. Bijvoorbeeld, in plaats van een tracker die kan lokaliseren, temperatuur, licht en vochtigheid kan waarnemen, kan men een eenvoudiger tracker kiezen die de andere, enigszins irrelevante informatie niet verzamelt. Of in plaats van een camera om mensen te tellen, kan men LiDAR gebruiken die veel minder inbreuk maakt op de privacy. Een andere manier is het uitvoeren van gegevensbeschermings-effectbeoordelingen en het opstellen van gegevensbeheersplannen die zijn toegesneden op de detectieactiviteit. De huidige praktijken voor de beoordeling van de gevolgen van gegevens zijn meestal gestandaardiseerd. De toepasbaarheid van de sensortechnologieën op zeer uiteenlopende gebieden moet in deze processen echter explicieter aan bod komen. Een vuistregel zou kunnen zijn dat het opsporen van stedelijke criminaliteit aan de hand van andere en strengere criteria moet worden beoordeeld dan bijvoorbeeld het opsporen van stedelijke mobiliteit.
Ondanks de beperkingen van dit onderzoek is het een eerste weergave van hoe een dergelijke gegevensverzameling en -analyse kan bijdragen tot meer geavanceerde en gerichte maatregelen voor misdaadpreventie. Het is zowel een veelbelovende manier om het vakgebied van de stedelijke criminologie verder te ontwikkelen, als een waarschuwing voor een toekomst die de stad misschien niet wil.
Nadat het soort criminaliteit en de manieren om de effecten van de middelen te minimaliseren zijn bekeken, kan men gaan vergelijken of het doel het volgen van personen die betrokken zijn bij criminaliteit voor onderzoeksdoeleinden rechtvaardigt. Voor dit onderzoek werden de middelen, in combinatie met de inspanningen om de mogelijke effecten te minimaliseren, waaronder effectbeoordelingen voor gegevensbescherming en plannen voor gegevensbeheer die werden ontwikkeld in samenwerking met juridische afdelingen en ethische commissies van de TUD en de gemeente Amsterdam, geschikt geacht voor het doel. Met een steeds groter wordende digitale stad zullen ook de mogelijkheden om criminaliteit in de gaten te houden, op te sporen en te voorkomen toenemen (Anderez et al., 2021). De huidige literatuur schiet nog tekort om duidelijk te maken hoe onderzoek hierbij betrokken kan en moet worden. Mijn argument zou zijn dat het totaal aan misdaden ons veel meer zou kunnen vertellen over waarom die misdaden plaatsvinden. Dit is waar onderzoek met behulp van actieve opsporingstechnologieën gemeenten en wetshandhavers over de hele wereld kan helpen. Door nauwkeurige, op feiten gebaseerde theorieën te verschaffen, blijft het potentieel van dit gebied om de dagelijkse routines in steden te veranderen zeer groot.
53
Hoofdstuk 6
Conclusie In dit hoofdstuk worden de belangrijkste onderzoeksresultaten samengevat en worden aanbevelingen gedaan voor zowel beleidsmaatregelen ter vermindering van fietsendiefstal als verdere onderzoeksrichtingen.
6 Conclusie In deel één zijn de volgende twee onderzoeksvragen en hypothesen geformuleerd: Onderzoeksvragen: 1 In hoeverre hebben ruimtelijke kenmerken, zoals de aanwezigheid van winkels, treinstations of andere bezienswaardigheden, invloed op fietsendiefstal. 2 In hoeverre leidt de beschikbaarheid van fietsen tot meer fietsendiefstallen. Hypotheses: 1 Specifieke kenmerken hebben een statistisch significante invloed op fietsendiefstal. 2 Hoe meer fietsen er in een bepaald gebied in Amsterdam geparkeerd staan, hoe meer fietsen er op die locatie gestolen zullen worden.
Daarom moeten de inspanningen om fietsendiefstal te voorkomen in eerste instantie gericht zijn op gebieden waar zich dergelijke voorzieningen bevinden. Deze gebieden zijn aangegeven in Figuur 38. De tweede onderzoeksvraag van deel één onderzocht of de gelegenheidstheorie (COT) geldt voor fietsendiefstal. Met de ontwikkelde methode om potentiële diefstaldoelen in de stedelijke omgeving te kwantificeren, werd sterk bewijs gevonden ten gunste van deze theorie. Daarom kunnen we de hypothese met significante (P<0,0001) zekerheid bevestigen. Dit betekent dat plaatsen met meer fietsen de eerste prioriteit zouden moeten zijn bij het ontwerpen van beleid of het actualiseren van infrastructuur zoals fietsenstallingen of bewaking.
Uit de resultaten blijkt dat fietsenwinkels, opvangcentra voor daklozen, cafés, treinstations en tramhaltes een groot en zeer significant (P<0,001) effect hebben op fietsendiefstal. Bovendien hebben supermarkten, restaurants, scholen, wachtruimtes voor taxi’s en bushaltes een significant effect op fietsendiefstal (P<0,05).
Inzet Locaties Indicator Zeer Laag Laag Gemiddeld Hoog Erg Hoog
Figuur 38: Indicator voor de waarschijnlijkheid van gestolen fietsen op basis van voorzieningen
55
In deel twee van dit onderzoek werden honderd fietsen uitgerust met GPS-trackers. De gegenereerde gegevens over de routes die gestolen fietsen afleggen in de stad en daarbuiten werpen licht op het ruimtelijke netwerk dat achter fietsendiefstallen schuilgaat. Deze aanpak breidt de literatuur over stedelijke criminaliteit uit met een meer gedetailleerd perspectief over wat er gebeurt na een diefstal, iets wat eerder alleen is bestudeerd op basis van autodiefstallocaties en terughaalpunten door Lu (2003). De toevoeging van goedkope en gemakkelijk beschikbare digitale technologieën maakt nieuw onderzoek op dit gebied mogelijk, wat mogelijkheden biedt voor de ontwikkeling van meer verfijnde theorieën over stedelijke diefstal. Dit onderzoek is opgezet om drie hypothesen te onderzoeken: 1.a De markt voor gestolen fietsen beperkt zich voornamelijk tot de grootstedelijke regio voor tweedehands fietsen. 1.b Tweedehands fietsenwinkels brengen minstens 25% van de gestolen fietsen terug op de markt. 1.c Er zijn drie “typen” routes die gestolen fietsen afleggen, die betrekking hebben op de drie typen dieven die Kuppens et al. (2020) hebben vastgesteld Het onderzoek toonde de circulaire kringloop van fietsendiefstallen in Amsterdam aan.
97% van de fietsen is in de buurt van de stad gebleven, wat erop wijst dat maatregelen ter vermindering van fietsendiefstal voor dit fietssegment lokaal moeten worden genomen. We kunnen dus de eerste hypothese bevestigen. Met betrekking tot de tweede hypothese is de conclusie dat verder onderzoek nodig is om een schatting te maken van de invloed die tweedehands fietsenwinkels spelen in deze circulaire kringloop. Bovendien tonen de resultaten verschillende typen routes die gestolen fietsen afleggen op basis van beperkte, maar relevante kenmerken. Op basis van de analyse wordt gespeculeerd dat ongeveer 30% van de fietsendiefstallen professioneel wordt uitgevoerd, 57% van de fietsdiefstallen lijkt opportunistisch of de route heeft geen duidelijke karakteristieken om deze te classificeren. Daarnaast toont de netwerkanalyse ook aan dat ongeveer 30,1% van de fietsen professioneel werd uitgevoerd.