Hoe zijn criminele netwerken het best aan te pakken?

Door Peter Sloot, hoogleraar Computational Sciences en Paul van Duijn, strategisch analist bij de Nationale Politie eenheid Den Haag en docent op de cursus Big Data in het veiligheidsdomein.

Hoe zitten criminele netwerken in elkaar? En hoe kun je ze het beste aanpakken?

De belangrijkste ontdekking van het onderzoeksteam is dat het aanpakken van willekeurige criminele ondernemers in de georganiseerde hennepteelt volkomen averechts kan uitpakken. De onderzoekers laten met computermodellen zien dat een alternatieve interventie door het verwijderen van zeer gespecialiseerde personen in plaats van de meest zichtbare en schijnbaar invloedrijke criminelen, het netwerk effectiever in elkaar doet storten.

De bestrijding van illegale hennepteelt is een belangrijk onderdeel van de dagelijkse politiepraktijk. Deze kenmerkt zich voornamelijk door het oprollen van illegale hennepkwekerijen. Veel van deze hennepkwekerijen zijn te herleiden naar misdaadondernemers. Zij hebben een netwerk van professionals en freelancers die hennepkwekerijen inrichten, onderhouden en de oogst (internationaal) verhandelen.

De structuur van criminele netwerken

Het effectief aanpakken van deze complexe netwerkstructuren is een van de grote uitdagingen in de bestrijding van deze vormen van georganiseerde misdaad. Over de effectiviteit van verschillende interventiestrategieën om deze criminele netwerkstructuren te frustreren is echter in de politiepraktijk, maar ook de wetenschap nog weinig bekend. Wat gebeurt er als de centrale criminele topondernemers structureel worden aangepakt? En wat als de intermediairs eruit worden gehaald? Wat is het effect van de aanpak van faciliterende specialisten in het netwerk?

‘Om dergelijke complexe vraagstukken beter te begrijpen is het noodzakelijk deze netwerken niet te beschouwen als een statisch geheel, maar als een dynamisch fenomeen. Dan wordt duidelijk hoe netwerkstructuren veranderen als gevolg van interventies en hoe verwijderde personen worden vervangen,’ vertelt Sloot. ‘Door een combinatie van datamining en computersimulaties van complexe netwerken zijn we erin geslaagd deze dynamiek te vangen en te bestuderen’.

Computermodellen

Voor hun onderzoek combineerden de onderzoekers inlichtingeninformatie, informatie uit afgeronde strafrechtelijke onderzoeken, arrestatie-records, rapportages van agenten op straat en informatie uit sociale netwerken. Daarmee bouwden ze met nieuwe computeralgoritmes vele honderdduizenden mogelijke productienetwerken voor de hennepteelt. Door vervolgens de effecten van het verwijderen van hoofdrolspelers uit die netwerken in de computer na te bootsen, ontdekten de onderzoekers dat de zo afgedwongen dynamische reorganisatie leidde tot beter functionerende netwerken. De oorzaak hiervan bleek te liggen in de verknoping van verschillende subnetwerken waar de criminelen deel van uit maken. Die verknoping ontstaat als gevolg van de zoektocht naar de juiste vervanger.

Sloot: ‘Criminelen kunnen onderdeel uitmaken van meerdere criminele netwerken, maar ook van sociale netwerken zoals familie, woonwijken of verenigingen. Doordat elk illegaal hennepteeltnetwerk onderdeel is van een aantal andere netwerken die veel sneller van structuur veranderen dan het illegale hennepteeltnetwerk, is er een grote kans op vervanging met een beter verbonden vervanger’.

 

Meer weten?

Op de cursus Big Data in het veiligheidsdomein leert u hoe u aan de hand van Big Data veiligheidsproblemen voorspelt en waar mogelijk voorkomt

Op de cursus Bestuurlijke aanpak van georganiseerde misdaad leert u hoe u voorkomt dat criminele organisaties zich vestigen in uw gemeente.

Op de cursus Informatie uitwisseling in de veiligheidsketen leert u hoe u informatie verzamelt, analyseert en uitwisselt in samenwerking met uw veiligheidspartners.

Op de opleiding bibob coördinator leert u hoe u de wet Bibob toepast in uw gemeente.

 

Bron: Universiteit van Amsterdam