Deze studie gebruikt het model van Unger et al. (2006) om de attractiviteit van landen voor witwassers te schatten. Prof. dr. Peter Bergeijk merkte echter op dat de onderliggende assumpties mogelijk onze uitkomsten drijven. Daarom doen wij een extra sensitiviteitsanalyse om de
gevoeligheid van het model vast te stellen.
Het bbp per hoofd van de bevolking is een factor voor witwassers. Immers, het is makkelijker om witwastransacties te verbergen bij een hoog bbp per hoofd van de bevolking. Wij gebruiken net als Unger et al. (2006) GDP per capita prorated. Dit is het bbp per hoofd van de bevolking van een land gedeeld door het Nederlandse bbp per hoofd van de bevolking. In het model wordt er dus gemultipliceerd met het genormaliseerde bbp per hoofd van de bevolking. Het bbp per hoofd van de bevolking wordt vermenigvuldigd met het gehele andere deel van de formule. Een laag (of hoog) bbp per hoofd van de bevolking kan een hoge score (lage score) op de andere witwasindicatoren in het andere deel van de formule makkelijk te niet doen. Hierdoor heeft de hoogte van het bbp per hoofd van de bevolking grote invloed op onze resultaten.
De landen in de attractiviteitsindex hebben vaak een hoger bbp per hoofd van de bevolking dan Nederland. De top-10 van de attractiviteitsindex bestaat bijvoorbeeld uit Luxemburg, Noorwegen, Zwitserland en Qatar. Om de sensitiviteit van onze schattingen te checken, nemen wij het bbp per hoofd van de bevolking niet mee. Hiermee vervalt de multiplicatie met het bbp per hoofd in het Unger et al. (2006) model.
Tabel III.1 Attractiviteitsindex 2004 en 2014
2004 2014
1 Luxemburg Hong Kong
2 Frankrijk België 3 België Maleisië 4 Barbados Australië 5 Finland Nederland 6 Cyprus Frankrijk 7 Duitsland Luxemburg 8 Nederland Canada 9 Malta Duitsland 10 Grenada Nieuw-Zeeland
Er is overlap tussen onze uitkomsten van onze sensitiviteitsanalyse en de uitkomsten van het gewone Unger et al. (2006) model in 2014 (zie tabel III.1). Luxemburg, Australië, België en Canada staan bij beide modellen in de top-10. In onze sensitiviteitsanalyse komt naar voren dat de rijkste landen dalen in de index. Dit is logisch want er wordt niet meer gemultipliceerd met het bbp per hoofd van de bevolking. In het nieuwe model zonder het bbp per hoofd van de bevolking komen er ook een aantal andere landen naar voren. Het gaat om een opkomende economieën in Azië, zoals Hong Kong en Maleisië. Verder komt Nederland en haar buurlanden hoger uit qua attractiviteit.
In 2004 vinden we ook kleine eilandstaten zoals Malta, Grenada, Cyprus en Barbados terug in de top-10 bij ons aangepaste model. Deze eilandstaten staan bekend als belangrijke off-shore centra. Over de onderzoeksperiode neemt de attractiviteit van deze landen af. Er moet worden opgemerkt
126 Aard en omvang van criminele bestedingen
dat over het geheel genomen de fluctuaties in attractiviteitscores toenemen. Dit komt omdat multiplicatie met het bbp per hoofd van de bevolking ervoor zorgt dat de score relatief constant blijft. Het bbp per hoofd van de bevolking verandert maar langzaam over de tijd, waar andere factoren sneller veranderen.
De uitkomsten van het Unger et al. (2006) attractiviteitsindex zijn gevoelig voor het meenemen van het bbp per hoofd van de bevolking. Er moet echter worden opgemerkt, dat dit model veelvuldig is getest en dat wijzigingen van het model grondig dienen te worden onderbouwd. Verder is de attractiviteitsindex slechts een tussenresultaat voor de schattingen van de stromen van witwasgeld.
De Kernel dichtheidsfunctie geeft inzicht in de verdeling van de attractiviteitsindex in 2014. De normale attractiviteitsindex (figuur III.1) heeft een hele andere verdeling dan de verdeling van de aangepaste attractiviteitsindex (figuur III.2). De normale attractiviteitsindex heeft een hele scheve verdeling, waarbij de meeste landen een lage attractiviteit hebben. Er zijn slechts een beperkt aantal landen met een hoge attractiviteit. Wanneer wij het bbp per hoofd van de bevolking niet meenemen, is de verdeling totaal anders. De aangepaste index geeft een hogere
attractiviteitsindex. De hoogste dichtheid ligt hierbij niet dichtbij nul, maar bij een attractiviteitsindex van rond 30. Een hoge attractiviteit is dus vaak voorkomend, en dit maakt een hoge attractiviteit minder uitzonderlijk.
127 Aard en omvang van criminele bestedingen
Figuur III.2 Dichtheid van de Attractiviteitsindex (het aangepaste Unger et al. (2006) model)
De attractiviteitsindex is slechts een tussenstap om de stromen van witwasgeld te berekenen. Wij gebruiken nu het aangepaste Unger at al. (2006) model om de witwasstromen te berekenen. De resultaten voor de instroom en uitstroom van witwasgeld worden bepaald door de
attractiviteitsindex. Daardoor veranderen deze stromen ook door een verandering in de
attractiviteitsscore (tabel III.2). De instroom naar Nederland is minder. Dat is logisch want andere landen hebben een relatief hogere attractiviteitsindex gekregen. Dus Nederland is relatief minder attractief geworden ten opzichte van andere landen.
De landen waaruit een grote hoeveelheid witwasgeld naar Nederland stroomt in 2014, is
vergelijkbaar met de landen bij het normale model. Het zijn precies dezelfde landen in de top-20 in het aangepaste en normale model. Verder is de rangschikking van de top-3 hetzelfde in beide modellen. Het model is dus erg robuust waar het gaat om de geïdentificeerde landen van waaruit witwasgeld naar Nederland stroomt. De enige verandering is de omvang van de instroom.
De landen waarnaar witwasgeld vanuit Nederland stroomt, is minder vergelijkbaar met de landen van het normale model. Er zijn 12 landen die hetzelfde zijn in het aangepaste en normale model. Opvallend zijn de nieuwe landen in het aangepaste model. Er is een groter aantal Oost-Europese landen waarnaar Nederlands witwasgeld stroomt, zoals Tsjechië, Hongarije, Slovenië en Wit-Rusland. Verder komt ook Suriname naar voren als een belangrijk land voor de uitstroom van witwasgeld uit Nederland.
128 Aard en omvang van criminele bestedingen
Tabel III.2 Instroom naar Nederland en uitstroom vanuit Nederland in 2014 voor het aangepaste Unger et al. (2006) in miljoenen Euro’s
Land van herkomst Omvang instroom
Land van
bestemming Omvang uitstoom
Verenigde Staten 1100 België 147
Duitsland 514 Frankrijk 93
Verenigd Koninkrijk 370 Duitsland 93
Frankrijk 239 Luxemburg 92 China 164 Zwitserland 84 Canada 142 Tsjechië 82 Italië 130 Italië 82 Australië 129 Hongarije 81 Zweden 129 Ierland 80 Zwitserland 125 Slovenië 79 Noorwegen 117 Malta 78 Rusland 107 Noorwegen 78 België 105 Suriname 78 Brazilië 69 Oostenrijk 77 Japan 61 Zweden 77 Spanje 55 Griekenland 75 Denemarken 54 Finland 75 Israël 37 Tunesië 75 Polen 36 IJsland 74 Mexico 34 Wit-Rusland 74
129 Aard en omvang van criminele bestedingen