Predictive Policing

aus Wikipedia, der freien Enzyklopädie
Zur Navigation springen Zur Suche springen

Predictive Policing [prɪˈdɪktɪv pəˈliːsɪŋ] oder deutsch Vorhersagende Polizeiarbeit bezeichnet die Analyse von Falldaten zur Berechnung der Wahrscheinlichkeit zukünftiger Straftaten zur Steuerung des Einsatzes von Polizeikräften.[1] Es kommen sowohl orts- als auch personenbezogene Systeme zum Einsatz, bisweilen auch in Mischformen.[2]

Predictive Policing basiert auf verschiedenen Aspekten der Statistik und/oder der Sozialforschung und gilt als bekanntes Beispiel für die Anwendung von Algorithmen im Alltag.[3][4]

Theoretische Grundlagen[Bearbeiten | Quelltext bearbeiten]

Repeat-Victimisation[Bearbeiten | Quelltext bearbeiten]

Grundlage der Theorie sind statistische Erhebungen, z. B. 4 % (2 %) der Bürger erleiden 44 % (41 %) der Straftaten und Befragungen von Straftätern[5] (z. B. zwei Drittel der Einbrecher dringen erneut in ein bereits angegangenes Gebäude ein[6]). Daraus folgt, dass eine vorherige Viktimisierung ein guter Prädiktor für weitere Opferwerdungen ist:[7]

  • Je häufiger eine Viktimisierung in der Vergangenheit festgestellt wurde, desto höher ist die Chance auf eine weitere zukünftige Viktimisierung.
  • Re-Viktimisierungen finden in der Regel sehr bald nach den vorherigen Ereignissen statt.

Routine-Activity-Ansatz[Bearbeiten | Quelltext bearbeiten]

Nach dieser Theorie bedarf es

  • eines motivierten Täters
  • eines tauglichen Tatobjekts und
  • fehlender Schutzmechanismen,

damit eine Straftat geschehen kann. Wenn man einen dieser Faktoren eliminiert, werden Straftaten verhindert.

Rational-Choice-Theorie (Theorie der rationalen Entscheidung)[Bearbeiten | Quelltext bearbeiten]

Bei der Rational-Choice-Theorie wird von rational denkenden und handelnden Tätern ausgegangen, die Vorteile und Nachteile abwägen.

Boost-Hypothese[Bearbeiten | Quelltext bearbeiten]

Die Boost-Hypothese ist täterorientiert. Sie geht davon aus, dass ein Täter den Aufwand bei der Suche nach dem nächsten Tatobjekt möglichst gering halten will und somit bekannte Gegenden bevorzugt werden.

Flag-Hypothese[Bearbeiten | Quelltext bearbeiten]

Die Flag-Hypothese ist objektorientiert. Der Grund für Reviktimisierung liegt demnach in dem Objekt selbst und seinen Eigenschaften, z. B. die Einsehbarkeit eines Hauses, die Abwesenheitszeiten der Bewohner, eine nicht vorhandene Alarmanlage oder auch Einstiegs- und Fluchtmöglichkeiten.

Near-Repeat-Victimisation[Bearbeiten | Quelltext bearbeiten]

  • Bei einer Deliktsart in einem Gebiet steigt die Wahrscheinlichkeit in diesem Gebiet für Folgetaten.
  • Getestet wurde die Hypothese hauptsächlich am Delikt des Wohnungseinbruchs.
  • Gebäude, die auf derselben Straßenseite liegen wie das zunächst angegangene, sind gefährdeter als diejenigen auf der anderen Seite.
  • Das Risiko einer Viktimisierung ist nicht dauerhaft, sondern nur für ca. einen Monat erhöht.
  • Sie ist 48 Stunden nach der ersten Tat am höchsten.

Funktionsweise[Bearbeiten | Quelltext bearbeiten]

Pro Deliktsgruppe, z. B. Einbruchsdiebstahl, wiederholen sich Muster in der ihrer zeitlichen Wiederkehr und in der Art der angegriffenen Objekte (z. B. Villenviertel). Diese Daten werden in eine Formel als Parameter für einen geographisch bestimmten Bereich automatisiert eingespeist. Hierdurch entstehen Algorithmen und so wird durch Wahrscheinlichkeitsrechnung eine Prognose getroffen, ob ein Bezirk wieder von dem Deliktsbereich betroffen sein wird und wann: In seiner Gesamtheit entsteht eine Operatorprognose. Ab einer vordefinierten Wahrscheinlichkeit innerhalb eines Bezirks für das Eintreten eines sogenannten Triggerdelikts (z. B. Einbruchsdiebstahl[8]) wird ein Alarm bei der Leitstelle ausgelöst. Sodann werden polizeiliche Maßnahmen getroffen, wie zum Beispiel uniformierte Streifen, Präventionsbeamte oder Zivilstreifen in die Gebiete beordert, um die Taten aufzudecken. Kommerzielle Anbieter von Prognosesoftware sprechen häufig von Erfolgsquoten von 85 %, wobei diese Aussagen wissenschaftlich nicht haltbar sind und auch keinen Vergleich unterschiedlicher Prognoselösungen ermöglichen[9].

Echtbetrieb[Bearbeiten | Quelltext bearbeiten]

Predictive Policing wird in einigen deutschen Bundesländern bereits von den Polizeibehörden eingesetzt. Teilweise handelt es sich um zeitlich befristete Pilotprojekte bzw. Testbetriebe.[10]

Ort Stand Software Status
Berlin Jan 19 KrimPro Das Im Januar 2016 in zwei Polizeibezirken gestartete Projekt wurde bereits im Oktober 2016 auf ganz Berlin ausgeweitet. Das Projekt endete im Juni 2017 mit der Überführung in die Alltagsorganisation.[11]
Stuttgart/Karlsruhe Sep 15 PRECOBS 6-monatiger Testbetrieb ab Oktober 2015 (Kosten 220.000 €)
Hamburg Mai 16 Sachstandsbewertung Aktuell Forschungsprojekt[12]
Niedersachsen Jan 19 PreMAP Nach dem Ende des ersten Projektes in 2014 (in Kooperation mit IBM) wurde im November 2016 ein neues Projekt gestartet. Testbezirke waren Salzgitter, Peine, Wolfenbüttel, Wolfsburg, Hannover und Osnabrück. PreMAP wird auch weiterhin in Niedersachsen angewendet.[13]
Hessen Okt 17 KLB-operativ Nach erfolgreichem Test in 5 ausgewählten Polizeidirektionen, wird KLB-operativ seit Oktober 2017 flächendeckend in ganz Hessen eingesetzt.
Nordrhein-Westfalen Jan 18 SKALA nach erfolgreichem 2-jährigem Test in Duisburg, Köln, Essen, Gelsenkirchen, Düsseldorf und Bonn, wird SKALA flächendeckend in NRW eingesetzt.[14]
Nürnberg Apr 17 PRECOBS operativ im Einsatz seit 2016
München Apr 17 Precobs operativ im Einsatz seit 2016
Zürich, Baselland und Aargau Jan 16 Precobs 80 % richtige Vorhersagen, Senkung der Quote im Test um 15 % (8,7 % Stadtdurchschnitt), statistisch nicht aussagekräftig, vorerst keine Ausweitung des Testgebiets.

Zumeist wird in der polizeilichen Praxis in Deutschland nur das Delikt Wohnungseinbruch für Prognosen herangezogen. Teilweise erfolgen schon Prognosen für andere Delikte, wie zum Beispiel Gewerbeeinbrüche oder KFZ-Delikte in NRW[14], wobei je nach gewähltem Vorgehen unterschiedliche Aspekte bei der Prognoseerstellung beachtet werden müssen (Prognoseraum, Prognosezeit, Art und Auftreten eines Delikts etc.)[15]

Kritik[Bearbeiten | Quelltext bearbeiten]

Ein Nachweis der Wirksamkeit von Predictive Policing dürfte aufgrund der Komplexität der Einflussfaktoren schwierig sein.[16] Eine materialreiche wissenschaftliche Evaluation des baden-württembergischen Pilotprojektes zum Wohnungseinbruchsdiebstahl kommt für die Prognosesoftware precobs zum Ergebnis: „Inwieweit Predictive Policing zu einer Verminderung von Wohnungseinbrüchen und zu einer Trendwende in der Fallentwicklung beitragen kann, ist auch nach dem Pilotprojekt trotz einiger positiver Hinweise schwer zu beurteilen.“[17]

Bei einem längerfristigen Einsatz der Technologie kann es zudem zu Problemen mit den zugrunde liegenden Datensätzen kommen. Denn mehr Polizeieinsätze in einer bestimmten Gegend, führen in der Regel dazu, dass dort auch mehr Straftaten dokumentiert werden. Durch den Einsatz der Software verändern sich also die Fallzahlen – was sich dann wiederum auf die zukünftige Prognose auswirkt. Im schlimmsten Fall entstehen so sich selbst erfüllende Prophezeiungen, die keinen Mehrwert für die Verbrechensbekämpfung mit sich bringen.[18] Dieser Aspekt muss bei der Wahl des Prognosedelikts und der entsprechenden Methode bedacht werden. In diesem Zusammenhang ist insbesondere die Prognose von Kontrollkriminalität kritisch zu betrachten, welche durch polizeiliche Kontrollaktivitäten stark beeinflussbar ist. Dieses Phänomen lässt sich beispielsweise beim Wohnungseinbruchdiebstahl nicht zwangsläufig beobachten.[19]

Der internationale Generalsekretär von Amnesty International, Salil Shetty, sieht durch Predictive Policing die Unschuldsvermutung bedroht. Er warnt davor, dass die Diskriminierung ethnischer und religiöser Minderheiten durch Predictive Policing verstärkt werden kann.[20]

Rezeption[Bearbeiten | Quelltext bearbeiten]

In Philip K. Dicks Kurzgeschichte Der Minderheiten-Bericht von 1956 sowie im auf dieser Geschichte basierenden Spielfilm Minority Report von 2002 wurden Präverbrechen thematisiert.

2017 erschien Pre-Crime, ein eher kritischer Dokumentarfilm von Monika Hielscher und Matthias Heeder.[21]

Siehe auch[Bearbeiten | Quelltext bearbeiten]

Einzelnachweise[Bearbeiten | Quelltext bearbeiten]

  1. ÖFIT-Trendschau: Öffentliche Informationstechnologie in der digitalisierten Gesellschaft. Vorhersagende Polizeiarbeit (PDF). Öffentliche IT. März 2015. Abgerufen am 25. Februar 2016.
  2. Tobias Knobloch: Vor die Lage kommen: Predictive Policing in Deutschland. Stiftung Neue Verantwortung / Bertelsmann Stiftung, Berlin / Gütersloh 2018 (bertelsmann-stiftung.de [PDF; abgerufen am 22. Juli 2019]).
  3. Pollich, Daniela/Bode, Felix: Predictive Policing - Zur Bedeutung eines (sozial-)wissenschaftlich geleiteten Vorgehens. In: Polizei & Wissenschaft. Nr. 3. Verlag für Polizeiwissenschaft, Wiesbaden 2017, S. 2–12.
  4. Catrin Bialek et al.: Zurück in die Zukunft. In: Handelsblatt. 17. August 2018, S. 42.
  5. G. Farrell, K. Pease: Once bitten, twice bitten: repeat victimisation and ist implications for crime prevention. 1993. (PDF)
  6. I. Hearndon, C. Magill: Decision Making by House Burglars: Offenders’ Perspective. 2004. (PDF)
  7. S. Cronje, J. M. Zietsman: Criminology. Pearson Education South Africa, Cape Town 2009, ISBN 978-1-77025-358-2.
  8. strafrechtlich „Besonders schwerer Diebstahl
  9. Bode/Stoffel/Keim: Variabilität und Validität von Qualitätsmetriken im Bereich von Predictive Policing. (PDF) In: DBVIS. Universität Konstanz, 2017, abgerufen am 1. Januar 2018.
  10. Wo Predictive Policing eingesetzt wird. Februar 2016.
  11. Florian Stoffel, Felix Bode, Kai Seidensticker: Predictive Policing in Germany. 2018 (uni-konstanz.de [abgerufen am 1. Mai 2019]).
  12. Polizeiwissenschaftliche Analyse im Landeskriminalamt Hamburg. (Memento vom 20. Juni 2016 im Internet Archive) auf: hamburg.de
  13. Florian Stoffel, Felix Bode, Kai Seidensticker: Predictive Policing in Germany. 2018 (uni-konstanz.de [abgerufen am 1. Mai 2019]).
  14. a b LKA NRW: Projekt SKALA (Predictive Policing in NRW) - Ergebnisse. In: Polizei Nordrhein-Westfalen - Landeskriminalamt. LKA NRW, abgerufen am 8. Juni 2018.
  15. Kai Seidensticker: Prädiktive Analysen in Raum und Zeit. In: Monatsschrift für Kriminologie und Strafrechtsreform / Journal of Criminology an Penal Reform. Band 100, Nr. 4, 28. August 2017, ISSN 2366-1968, S. 291–306, doi:10.1515/mkr-2017-1000405.
  16. A. Gluba: Predictive Policing – eine Bestandsaufnahme. (Memento vom 28. März 2016 im Internet Archive) (PDF) 2014.
  17. Dominik Gerstner:Predictive Policing als Instrument zur Prävention von Wohnungseinbruchdiebstahl, Freiburg 2017, S. 85
  18. https://www.trendsderzukunft.de/predictive-policing-so-funktioniert-die-verbrecherjagd-mit-big-data/
  19. Kai Seidensticker: Predictive Policing. Umsetzung und Wirkung von Kriminalitätsprognosen. In: Polizei Info Report. Nr. 1/2019, 2019.
  20. Salil Shetty: Technology: force for progress, or tool of repression? Amnesty International’s Secretary General Salil Shetty addresses Techfest in IIT Bombay on 16 December 2016. Abgerufen am 1. April 2017 (englisch).
  21. Badische Zeitung: Im Dokufilm "Pre-Crime" sagen Computer Verbrechen voraus - Computer & Medien - Badische Zeitung. (badische-zeitung.de [abgerufen am 3. November 2017]).