Abstract
In deze scriptie is onderzocht onder welke voorwaarden en waarborgen de Nederlandse politie bij het voorspellen en in kaart brengen van groepen of individuen als potentiële misdadigers gebruik mag maken van (persoons)gegevens uit het verleden met als doeleinde het voorkomen van criminaliteit, bezien vanuit het privacyrecht. Dit onderwerp is zeer actueel, zo is er in Roermond momenteel een pilot gaande gericht op predictive identification. Voor het scriptie onderzoek is gebruik gemaakt van literatuur, jurisprudentie, kamerstukken en vrijgegeven informatie door de politie.
Predictive identification brengt op zichzelf al meerdere problemen met zich mee. Ten eerste is het lastig wetenschappelijk te bewijzen dat predictive identification effectief is. Daarnaast zijn er andere haken en ogen: de kans op chilling effects, het gebrek aan toetsbaarheid en transparantie en de invloed van een bias. Ook bespreek ik de steeds grotere drang naar totale controle over onze veiligheid door de overheid.
Vervolgens heb ik een privacytoets uitgevoerd om te bezien in hoeverre het mogelijk is om dergelijke systemen te gebruiken in Nederland. Hierbij is de pilot in Roermond als voorbeeld gebruikt. Er is echter weinig transparantie over de werkwijze, wat het
lastig maakt om harde conclusies te trekken. Voor de privacytoets heb ik eerst het grondrechtelijk kader
Naam: Anouk van Rijn Studentnummer: 10677739
E-mail: anoukvanrijn@hotmail.com Scriptiebegeleider: Ot van Daalen Universiteit: UvA
Mastertrack: Informatierecht
Een onderzoek naar de privacy gerelateerde voorwaarden en waarborgen voor
datagedreven politiewerk bij het voorspellen en in kaart brengen van personen
als potentiële misdadigers.
Predictive identification:
de juridische mogelijkheden en
uiteengezet en vervolgens heb ik gekeken hoe predictive identification zich tot dit kader verhoudt. Er blijken diverse pijnpunten te zitten.
De werkwijze van predictive identification botst met de eisen die het (privacy)recht stelt aan vooraf vastgestelde voorwaarden en waarborgen zoals doelbinding, transparantie en effectieve controle, wat leidt tot problemen met de verantwoordingsplicht en de rechtszekerheid van burgers. Belangrijke waarden die het EHRM blijft herhalen, die er zijn om de burgers vrijheid te geven hun eigen beslissingen te maken en vrij te kunnen leven zonder teveel invloed vanuit de overheid, kunnen moeilijk in overeenstemming worden gebracht met de handelswijze van de politie. Ook lijkt predictive identification al snel niet te voldoen aan de vereisten van proportionaliteit en subsidiariteit. De reikwijdte en de duur van de gegevensverzameling zijn groot en de routinematige inzet van sensoren is problematisch omdat minder ingrijpende middelen vooralsnog lijken te volstaan.
Al met al concludeer ik dat er te weinig transparantie is om volledig te kunnen zeggen of predictive identification momenteel privacybestendig is of niet, maar dat op basis van de informatie die bekend en de waarborgen en vereisten waar het aan dient te voldoen, het zeer moeilijk, of zelfs bijna onmogelijk, is om binnen het grondrechtelijk kader te passen.
Afkortingenlijst
AP Autoriteit Persoonsgegevens
ANPR Automatic Number Plate Recognition
AVG Algemene Verordening Gegevensbescherming
CAS Criminaliteits Anticipatie Systeem
DAS Domain Awareness System
DITSS Dutch Institute for Technology, Safety & Security
EHRM Europees Hof voor de Rechten van de Mens
EU-Handvest Handvest van de grondrechten van de Europese Unie
EVRM Europees Verdrag voor de Rechten van de Mens en de fundamentele vrijheden
Gw Grondwet voor het Koninkrijk der Nederlanden
HICs High Impact Crimes
HvJ Hof van Justitie van de Europese Unie
IGP Informatiegestuurd politiewerk
IVBPR Internationaal verdrag inzake burgerrechten en politieke rechten
LAPD Los Angeles Police Department
MvT Memorie van Toelichting
NYPD New York Police Department
OM Openbaar Ministerie
SyRI Systeem Risico Indicatie
UAVG Uitvoeringswet Algemene Verordening Gegevensbescherming
UVRM Universele Verklaring van de Rechten van de Mens
Wiv Wet op de inlichtingen- en veiligheidsdiensten
Wjsg Wet justitiële en strafvorderlijke gegevens
Wob Wet openbaarheid van bestuur
Wpg Wet politiegegevens
WvSr Wetboek van Strafrecht
Inhoudsopgave ABSTRACT...2 AFKORTINGENLIJST...3 INHOUDSOPGAVE...4 HOOFDSTUK 1: INLEIDING...5 1.1 INTRODUCTIE...5 1.2 DOELONDERZOEK...6 1.3 METHODOLOGISCHEVERANTWOORDING...6 1.4 OPZET...7
HOOFDSTUK 2: VAN INFORMATIEGESTUURD NAAR DATAGESTUURD POLITIEWERK...8
2.1 INTRODUCTIE...8
2.2 DETECHNOLOGISCHEONTWIKKELINGENINVOGELVLUCHT...8
2.2.1 Informatiegestuurd politiewerk...8
2.2.2 Datagestuurd politiewerk...8
2.3 PREDICTIVEPOLICINGENPREDICTIVEIDENTIFICATION...9
2.3.1 Het voorspellen van criminaliteit...9
2.3.2 Predictive identification in Nederland: Operationele ProefTuin Sensing Roermond...10
2.3.3 Onderzoeksresultaten onder de loep...12
2.3.4 Haken en ogen...13
2.4 TUSSENCONCLUSIE...16
HOOFDSTUK 3: HET SPANNINGSVELD TUSSEN PRIVACY EN VEILIGHEID: HET GRONDRECHTELIJK KADER...17
3.1 INTRODUCTIE...17
3.2 GRONDRECHTELIJKKADER...17
3.2.1 Het concept privacy...17
3.2.2 De Grondwet en het Europeesrechtelijk kader...17
3.2.3 Specifieke wetgeving...20
3.3 TUSSENCONCLUSIE...21
HOOFDSTUK 4: PREDICTIVE POLICING: EEN PRIVACY TOETS...22
4.1 INTRODUCTIE...22
4.2 INMENGINGVANHETRECHTOPGEGEVENSBESCHERMING...22
4.2.1 Persoonsgegeven...22
4.2.2 Data direct verzameld door de politie...23
4.2.3 Data verzameld door private partijen...27
4.3 INMENGINGVANHETRECHTOPDEPERSOONLIJKELEVENSSFEER...31
4.4 EHRM-TOETS...34
4.4.1 Legitimiteit beoogde doel...34
4.4.2 Noodzaak in democratische samenleving...35
4.5 TUSSENCONCLUSIE...40
HOOFDSTUK 5: CONCLUSIE EN AANBEVELING...41
5.1 CONCLUSIE...41 5.2 AANBEVELING...43 HOOFDSTUK 6: LITERATUURLIJST...44 6.1 LITERATUUR...44 6.2 INTERNET...49 6.3 KRANTENARTIKELEN...52 6.4 JURISPRUDENTIE...53 6.5 PARLEMENTAIRESTUKKEN...53
Hoofdstuk 1: Inleiding
1.1 IntroductieHoe heeft dit kunnen gebeuren? Wie is verantwoordelijk? Hoe valt dit in de toekomst te voorkomen? Deze vragen duiken steeds vaker op in de media na een ramp, misdrijf of incident. Er is sprake van een zogenaamd ‘preventiereflex’.1 We focussen niet alleen op
causale relaties tussen de gebeurtenis en de oorzaak in het verleden, maar gaan er daarnaast vanuit dat deze gebeurtenis voorkomen hadden kunnen en moeten worden. Waar bij criminaliteit de focus eerst vooral lag op opsporing en een strafrechtelijke reactie, ligt deze steeds meer op interventie, het voorkomen dat criminelen hun slag kunnen slaan.2 Maar wat
als de politie dit kan bewerkstelligen op basis van kunstmatige intelligentie? Dat er op basis van big data en algoritmen een voorspelling kan worden gedaan over potentiële daders, nog voordat de criminaliteit daadwerkelijk heeft plaatsgevonden?
Met predictive policing hoopt de Nationale Politie misdaad op te sporen voordat het plaatsvindt.3 Door middel van algoritmes en grote hoeveelheden data probeert ze erachter te
komen wie, wanneer en waar, een misdaad gaat plegen.4 Op dit moment wordt in Nederland
gebruik gemaakt van het Criminaliteits Anticipatie Systeem (CAS).5 Daarmee worden High
Impact Crimes (HICs) in kaart gebracht.6 Daarbij gaat het enkel nog om plaatsen, wat
predictive mapping wordt genoemd.7 Maar deze ontwikkeling gaat verder. In Roermond is er
de ‘Operationele ProefTuin Sensing’ gaande die zich richt op het voorspellen en in kaart brengen van groepen of individuen als potentiële misdadigers, predictive identification
1 Peeters 2015, p. 13.
2 Idem.
3 Drenth en Van Steden 2017, p. 6.
4 Idem.
5 Idem.
6 De term 'High Impact Crimes' is een verzamelnaam voor ingrijpende delicten die vaak grote gevolgen hebben voor
het veiligheidsgevoel van mensen, zowel van het slachtoffer, diens omgeving en van de maatschappij. Voorbeelden zijn delicten als woninginbraak, overvallen, straatroof en geweldsmisdrijven.
genoemd.8 Voor dit project worden camera’s en andere sensoren ingezet in het
winkelcentrum, met als doel rondreizende winkeldieven en zakkenrollers op te sporen.9
Er zijn meerdere mensenrechten die hierbij een grote rol spelen, met name het recht op privacy (onder meer vastgelegd in art. 8 EVRM) en het recht op een eerlijk proces (vastgelegd in art. 6 EVRM). Uiteindelijk is het de vraag hoe ver de politie hierin mag en kan gaan. 1.2 Doel onderzoek
In deze scriptie zal onderzocht worden hoe ver de politie hierin ‘mag’ gaan, meer specifiek is de onderzoeksvraag die centraal staat: ‘Onder welke voorwaarden en waarborgen mag de Nederlandse politie bij het voorspellen en in kaart brengen van groepen of individuen als potentiële misdadigers gebruik maken van (persoons)gegevens uit het verleden, met als doeleinde het voorkomen van criminaliteit, bezien vanuit het privacyrecht?’. Het zal hierbij gaan om een adviserend onderzoek, waarbij door mij zal worden getracht onderbouwd aan te geven aan de Nederlandse overheid en de politie wat het juridisch kader is waarmee ze te maken hebben en wat de grenzen van predictive identification zijn.
1.3 Methodologische verantwoording
In de Nederland is het onderwerp tot nu toe vooral belicht vanuit het strafrecht, om deze reden kies ik ervoor de focus te leggen op het privacyrecht en waar noodzakelijk zal informatie worden aangevuld vanuit het strafrecht.
Voor het onderzoek wordt gebruik gemaakt van literatuur, jurisprudentie, kamerstukken en vrijgegeven informatie door de Nederlandse politie. De literatuur zal zowel nationaal als internationaal zijn, aangezien ook in andere landen predictive policing in ontwikkeling is. Wat betreft het jurisprudentieonderzoek zal gekeken worden naar het spanningsveld tussen veiligheid in de samenleving en bescherming van de privacy van ieder individu. Er zal gekeken worden naar de risico’s die eraan gekoppeld zijn en de waarborgen die noodzakelijk zijn om predictive identifcation op een wettelijke manier te kunnen uitvoeren. De kamerstukken zullen helderheid verschaffen over de kijk van de Nederlandse overheid ten aanzien van het gebruik van kunstmatige intelligentie en predictive identification en tot slot laat de informatie die is vrijgegeven door de politie naar aanleiding van een WOB-verzoek tot op zekere hoogte zien hoe de proeftuin in Roermond is opgezet.
8 Van Rijswijk, NOS, 17 september 2018.
1.4 Opzet
Voor beantwoording van de onderzoeksvraag zal eerst een introductie worden gegeven in informatiegestuurd- en datagestuurd politiewerk. Door razendsnelle ontwikkelingen op het gebied van data en technologie is het politiewerk veranderd. Predictive identification is hier een gevolg van. Voordat we kijken in hoeverre dit past binnen het juridisch kader, wordt eerst uitgelegd wat het inhoudt en wat er in de literatuur over te vinden is. Daarbij zal de proeftuin in Roermond als voorbeeld worden genomen om te zien hoe predictive identification werkt. Vervolgens wordt het grondwettelijk kader geschetst. Daarbij wordt geanalyseerd hoe het privacyrecht in het geding komt bij predictive identification en met welke wetten er rekening gehouden dient te worden. Dit kader wordt toegepast op predictive identification, om de kunnen zien onder welke voorwaarden en waarborgen de Nederlandse politie data mag verzamelen, analyseren en toepassen voor predictive identification met als doeleinde het voorkomen van criminaliteit. Er wordt geëindigd met een conclusie en aanbeveling.
Hoofdstuk 2: Van informatiegestuurd naar datagestuurd politiewerk
2.1 IntroductieOm inzicht te krijgen in de voorwaarden en waarborgen voor datagestuurd politiewerk bij opsporing en handhaving is het startpunt te inventariseren welke technologieën reeds worden gebruikt. De werkwijze van predictive identification zal vervolgens worden geanalyseerd, met als voorbeeld de proeftuin in Roermond. Daarna onderzoek ik aan de hand van internationale literatuur de bevindingen over de (potentiële) gevolgen van predictive identification.
2.2 De technologische ontwikkelingen in vogelvlucht 2.2.1 Informatiegestuurd politiewerk
Opsporing en handhaving vallen onder de kerntaken van de Nederlandse politie.10 Er wordt
constant gekeken hoe de prestaties verbeterd kunnen worden. Met de opgekomen informatiemaatschappij is de focus komen te liggen op het zo optimaal mogelijk gebruiken van beschikbare technologieën.11 In de informatiemaatschappij wordt via sociale media en
andere netwerken alles in toenemende mate met elkaar verbonden, het Internet of Things.12
Traditionele hiërarchische structuren worden vervangen door interactieve netwerken. Daarmee kunnen makkelijker grote groepen mensen worden betrokken om het waarnemend vermogen te vergroten (crowdsourcing).13 Door deze snelgroeiende technologische
ontwikkelingen heeft er de laatste jaren bij de opsporings- en handhaving door de politie een verschuiving plaatsgevonden naar informatiegestuurd politiewerk (IGP), wat inhoudt dat informatiesystemen de politie steeds meer ondersteunen.14
2.2.2 Datagestuurd politiewerk
Ook de informatiemaatschappij verandert in een rap tempo. Er is steeds meer ruwe data beschikbaar, zowel inhoudelijke data als metadata.15 Voor de laatste categorie is er is een
extra stap nodig om de data inhoudelijk te kunnen begrijpen, te archiveren en doorzoekbaar te maken. De uitdaging is om deze data op zo’n manier te analyseren en aan te passen dat er
10 Van Steden 2017, p. 1.
11 Den Hengst, Ten Brink & Ter Mors 2017, p. 56. 12 Koops e.a. 2018, p. 16.
13 Den Hengst, Ten Brink & Ter Mors 2017, p. 297. 14 Brayne 2017, p. 980.
uiteindelijk bruikbare informatie voor de opsporing uitkomt. Door ontwikkelingen op het gebied van kunstmatige intelligentie en dataanalysetechnologie is de politie steeds beter in staat om deze uitdaging aan te gaan.16
Door deze ontwikkelingen is IGP aan het veranderen. De data uit allerlei mogelijke bronnen kunnen worden gecombineerd om tot conclusies te komen (data analytics).17 Ook worden er
voorspellende modellen mee gemaakt (predictive analytics), die weer als basis voor geautomatiseerde beslissingen kunnen dienen.18 Predictive analytics omvatten allerlei
statistische technieken en kunstmatige intelligentie om data te analyseren.19 Daarmee kan een
voorspelling worden gedaan over de toekomst. Predictive policing is hiervan een voorbeeld. We kunnen spreken van een ontwikkeling naar datagestuurd politiewerk. Waar de kerntaken van de politie met name bestaan uit opsporing en handhaving, wordt hier een belangrijke taak aan toegevoegd: het voorkomen van criminaliteit.
2.3 Predictive policing en predictive identification 2.3.1 Het voorspellen van criminaliteit
Het politieoptreden is aldus steeds meer datagestuurd en op preventie gericht. Het idee achter predictive policing is niet zozeer het vervangen van conventionele politiemethoden, maar het verbeteren van deze traditionele werkwijzen door algoritmen en geavanceerde statistische modellen te gebruiken.20 Deze modellen kunnen op verschillende manieren worden ingericht,
met als kern dat het een voorspelling doet over waar of door wie criminaliteit in de toekomst plaats zal (kunnen) vinden. Dit kan omdat criminaliteit tot op zekere hoogte voorspelbaar is. Criminelen plegen vaak dezelfde vormen van criminaliteit, dicht bij goede uitvalswegen, rond dezelfde locaties, op dezelfde tijdstippen, met vaak een relatief duidelijk daderprofiel.21 De
predictive analytics herkennen patronen in menselijk gedrag op basis van de dataverzamelingen, waaronder politiedata en openbare bronnen die via algoritmen worden ontsloten.22 Een voorbeeld waar dit gebeurt in Nederland is de proeftuin in Roermond.
16 Koops e.a. 2018, p. 16.
17 Den Hengst, Ten Brink & Ter Mors 2017, p. 300.
18 Idem.
19 Idem.
20 Idem.
21 Schuilenburg 2016, p. 931. 22 Schuilenburg 2016, p. 931.
2.3.2 Predictive identification in Nederland: Operationele ProefTuin Sensing Roermond
In Roermond is in 2018 de Operationele Proeftuin gestart om “mobiele bandieten te detecteren ten einde hen middels interventies te weerhouden van het plegen van criminaliteit, dan wel na het strafbare feit sneller op te sporen”.23 Oftewel: het voorkomen van criminaliteit
en sneller opsporen van strafbare feiten. Op basis van de kenmerken van auto’s die rondom Roermond rijden zouden winkeldieven en zakkenrollers uit met name Oost-Europese landen kunnen worden opgespoord.24 Voor de proeftuin wordt onder andere samengewerkt met de
politie, de gemeente Roermond en het Openbaar Ministerie.25 Er is daarmee sprake van een
driehoeksoverleg.26
De proeftuin is gebaseerd op de sensing techniek.27 Dit is het geautomatiseerd waarnemen van
gegevens op basis van sensoren.28 Er bestaan verschillende soorten sensoren en afhankelijk
van hun functie zijn ze geschikt om bijvoorbeeld een beweging of gebeurtenis te herkennen.29
De sensoren die in Roermond worden ingezet zijn camera’s die auto’s scoren op zeventien kenmerken.30 Onder meer het aantal inzittenden, het land waar de auto vandaan komt en de
richting waarin de auto rijdt.31 Dit gebeurt door ANPR.32 Met deze techniek worden kentekens
met behulp van camera’s automatisch gelezen en vergeleken met referentiebestanden.33
Opvallende verbanden en feiten die naar voren komen, kunnen aanleiding geven tot verdieping. De gegevens waar uiteindelijk niets mee wordt gedaan, worden direct verwijderd.34
23 Plan van Aanpak Operationele ProefTuin Sensing Roermond, Politie.nl, p. 5. 24 Hoving 2019, p. 1.
25 Plan van Aanpak Operationele ProefTuin Sensing Roermond, Politie.nl, p. 4. 26 Art. 13 Politiewet.
27 Engberts & Copini 2016, p. 18
28 Idem.
29 Idem.
30 Van Teeffelen, Trouw, 17 september 2018.
31 Idem.
32 Plan van Aanpak Operationele ProefTuin Sensing Roermond, Politie.nl, p. 8. 33 Griffioen 2011, p. 550.
Volgens projectleider Elle de Jonge wordt er gewerkt met een puntensysteem. “Komt een auto uit de richting Duitsland? Tien punten. Roemeens kenteken? Tien punten. Rijdt hij naar de outlet? Tien punten. Zitten er vier mensen in? Tien punten. Bij een bepaalde score vinden we dat er genoeg reden is om de auto te controleren en sturen we er iemand op af.”35 Vervolgens is het aan de politie om verschillende signalen van het systeem te bekijken en, indien nodig, actie te ondernemen.36 Als verdachte personen in beeld zijn, kunnen politie en beveiligers die
rondlopen het winkelcentrum en de binnenstad er veel gerichter op inzetten. Volgens De Jonge kunnen automobilisten niet zomaar door de computer als verdacht worden gezien. “Voor je aan een profiel voldoet, moet er echt wel wat aan de hand zijn.”.37 De vraag is wat er
dan precies aan de hand moet zijn.
Door een Nederlandse burger is in samenwerking met burgerrechtenorganisatie Bits of Freedom een Wob-verzoek ingediend met betrekking tot de proeftuin. Naar aanleiding hiervan is besloten dat de politie openheid van zaken moet geven over een deel van de documenten.38 Helaas is op de plekken waar de werkwijze is uitgelicht de relevante informatie
geblokt op grond van art. 10 lid 2 onderdeel c Wob. Dit blijkt uit de toelichting die is gegeven bij het verzoek.39 Daarin wordt aangegeven dat bij de afweging het belang van de
openbaarmaking tegenover het belang van opsporing en vervolging van strafbare feiten, de politie weigert om de documenten openbaar te maken, omdat openbaarmaking “de beschrijving en/of vastlegging van opsporingsgerelateerde structuren en/of (inrichting van) werkprocessen in algemene en/of specifieke zin op het gebied van de opsporing en/of vervolging van (toekomstige) strafbare feiten kan bemoeilijken dan wel in gevaar kan brengen”.40 Dit heeft tot gevolg dat er niet volledig bestudeerd kan worden hoe predictive
identification in zijn werk gaat en op basis van welke kenmerken de politie uiteindelijk beslist wanneer er ‘echt iets aan de hand is’.
35 Nouwt e.a. 2018, p. 185.
36 Idem.
37 Andringa, NOS, 17 september 2018.
38 Bijlage 1 bij besluit op Wob-verzoek Sensing MB – proeftuin Roermond, Politie.nl, p. 1. 39 Idem, p. 2.
Al met al zien we dat er niet veel bekend is over wat er precies gebeurt in Roermond. En dat terwijl bekend is dat de Nationale Politie in de toekomst meer proeven gaat uittesten.41
2.3.3 Onderzoeksresultaten onder de loep
Het gebruik van voorspellende algoritmes bij de opsporing van strafbare feiten zoals de proeftuin in Roermond wint aldus aan populariteit, maar leidt tegelijkertijd tot vragen. Vooral het spanningsveld tussen wat we over hebben voor veiligheid en de privacy die we daarvoor als samenleving bereid zijn op te geven is vaak het onderwerp van discussie.42 Er moet echter
een stap terug worden genomen, voordat we bij die discussie aankomen. Daarbij draait het om de vraag of de veronderstelling waarop predictive policing gestoeld is wel juist is. Er wordt een voorspelling gedaan op basis van de veronderstelling dat je iets kan 'voorkomen', maar in
hoeverre is te toetsen is of die veronderstelling klopt? Is het inderdaad zo dat predictive
policing zorgt voor meer veiligheid in de samenleving?
De onderzoeken naar predictive policing zijn schaars, dit komt met name doordat er weinig transparantie is over de gebruikte technieken en data.43 Ook in Roermond komt deze
ontbrekende transparantie naar voren. Daarnaast richten de meeste onderzoeken naar dit onderwerp zich alleen op het voorspellen van de locaties en timing van toekomstige criminaliteit. Er zijn desalniettemin enkele onderzoeken die mede gericht zijn op de voorspelling van een individueel profiel. Hierin worden gemengde resultaten gevonden over de bestaande evaluaties en beoordelingen over predictive policing.44
In een grootschalig onderzoek naar de voorspellende politietechnieken door de New York Police Department (NYPD) werd geconcludeerd dat het de politie helpt bij het doen van betere en nauwkeurige voorspellingen. In het onderzoek beoordeelden ze het Domain Awareness System (DAS), waarbij ze onder andere gebruik maken van video-analyses van camera's, omgevingssensoren, kentekenlezers en de 911-feed om criminele activiteiten in de stad bij te houden.45 Voor de evaluatie werd het traditionele politiebeleid vergeleken met de
voorspellende politie-software van NYPD en de nauwkeurigheid van het voorspellen van bepaalde soorten crimineel gedrag. Naar voren kwam dat de nauwkeurigheid van de
41 Van Rijswijk, NOS, 17 september 2018. 42 Rienks 2015, p. 135.
43 Bennett Moses en Chan 2018, p. 815. 44 Meijer en Wessels 2019, p. 1035.
voorspellingen van verschillende soorten crimineel gedrag was toegenomen. Bovendien kon er beter worden gereageerd op criminele activiteiten en verdachten konden makkelijker worden gevonden via kentekenherkenning. Het belangrijkste is dat de onderzoekers veel nadruk leggen op de gedaalde criminaliteitsindex van New York met zes procent sinds de implementatie van DAS.46 De onderzoekers erkennen dat dit niet volledig aan dit systeem kan
worden toegeschreven, maar zien het systeem wel als een factor van dit succes.
Er is daarnaast een onderzoek uit 2016 dat zich specifiek richtte op profileringssystemen.47 In
het onderzoek werd in Chicago getest of de ‘Strategic Subject List’, die een inschatting maakt van het risico van personen die mogelijk betrokken zijn bij wapengeweld, als dader of slachtoffer, kan helpen bij het voorkomen van criminele activiteiten. Wanneer iemand volgens het systeem een risico loopt wordt er een preventieve interventie uitgevoerd. In dit onderzoek werden echter geen aanwijzingen gevonden dat personen op deze lijst een verhoogde kans hebben slachtoffer te worden van geweld door wapens.48
2.3.4 Haken en ogen
Sommige studies tonen een positief significant effect, andere geven geen significante resultaten.49 Deze gemengde bevindingen kunnen volgens de meeste onderzoekers worden
toegeschreven aan het type evaluatie of het type predictive policing dat werd gebruikt.50
Uiteindelijk kleven er aan predictive policing en identification verschillende haken en ogen. a) Chilling effects
Voorspellingen kunnen zelfbevestigend worden.51 Zo kan de aanwezigheid van meer agenten
in een bepaalde buurt de registratie van criminaliteit in die buurt stimuleren. Uit een onderzoek uit 2015 blijkt dat stigmatisering van mensen met een strafblad kan leiden tot afkeer jegens deze personen vanuit de samenleving en uiteindelijk terugval in crimineel
46 Meijer en Wessels 2019, p. 1035.
47 Idem.
48 Idem.
49 Idem.
50 Idem.
gedrag, omdat hun re-integratie niet lukt vanwege de behandelwijze door officieren.52 Het
profileren kan individuen zelfs naar crimineel gedrag drijven, de self fulfilling prophecy. 53
b) Bias
Daarnaast is het maken van juiste voorspellingen over criminaliteit lastig omdat de algoritmen waarmee wordt gewerkt nooit helemaal neutraal kunnen zijn. Uiteindelijk zullen de algoritmen op een bepaalde manier zijn gebaseerd op veronderstellingen, omdat de elementen waarop algoritmen zijn opgesteld altijd keuzes zijn van de analisten, ontwikkelaars en beleidsmakers.54 Een zogenaamde bias. In een onderzoek naar risicoprofielen van de
Amerikaanse justitie werden personen met een donkere huidskleur ten onrechte twee keer zo vaak als toekomstige criminelen bestempeld als blanke personen, hebben ze 77% meer kans om te worden gelabeld als iemand die een hoger risico heeft op het plegen van een toekomstig geweldsmisdrijf en tot 45% meer kans dan blanke verdachten te worden gelabeld als iemand die überhaupt strafbare feiten begaat.55 Cathy O’Neil noemt dit de dark side van big data.56
Algoritmen nemen steeds meer ons leven over. Er wordt nu vooral gekeken naar wat de fouten betekenen in termen van geld, maar het effect op een mensenleven kan veel meer omvatten dan economisch valt uit te drukken.57 Bij predictive identification, waarbij
individuen in verband worden gebracht met potentieel toekomstig crimineel gedrag, kan dit grote impact hebben op iemand zijn leven. Onder andere de onschuldpresumptie en daarmee het recht op een eerlijk proces komen hierbij ook in het geding.58 Deze bredere kijk op welke
negatieve effecten van big data, algoritmen en de bijkomende bias kunnen opspelen in onze samenleving mogen we bij predictive identification niet uit het oog verliezen.
c) Toetsbaarheid
De vraag blijft daarnaast in hoeverre je de gevonden resultaten daadwerkelijk kan verklaren door predictive identification. In principe kun je de vraag of een voorspelling die je doet klopt namelijk simpelweg niet controleren. Je voorkomt het potentiele criminele gedrag immers
52 Meijer en Wessels 2019, p 1036. 53 Idem. 54 Schuilenburg, p. 934. 55 Idem. 56 O’Neil, p. 206. 57 Idem.
voordat het zich kan voordoen. In vrijwel alle onderzoeken naar predictive policing wordt de werking ervan ‘bewezen’ door gedaalde criminaliteitscijfers aan te halen.59 Dit kan echter met
tal van factoren te maken hebben en is daarmee indirect bewijs. Zoals veel criminologisch onderzoek heeft aangetoond kunnen fluctuaties in misdaadcijfers het gevolg zijn van allerlei variabelen die in zo’n kort proeftraject nooit uitgesloten kunnen worden.60
d) Transparantie
Naast de overweging hoe doeltreffend een voorspellende techniek is, is ook van belang hoe transparant deze is. Algoritmen zijn meestal vrij ondoorgrondelijk voor de politieofficieren. Het zal dan ook lastig kunnen zijn voor de politie om de koppeling te kunnen leggen tussen de voorspelling en de verklaring hiervan.61 Ook dit zal van invloed zijn op het eerlijke proces van
de verdachte.
e) Totale controle
Een laatste punt waar ik bij stil wil staan is de vraag in hoeverre het wenselijk is dat de overheid door de grote hoeveelheden data waarover ze beschikking krijgt meer macht in handen krijgt. Zoals in de inleiding genoemd is er sprake van een preventiereflex, de overheid wil een zo veilig mogelijke samenleving, met zoveel mogelijk controle over onze veiligheid. Maar de vraag is of dit wel opweegt tegen een belangrijk goed van ons wat daarbij wordt ingeleverd: onze vrijheid.62 Zeker gezien de snelgroeiende mogelijkheden op het gebied van
technologie, maakt dit dat de overheid een machtig instrument in handen krijgt.63 Door
slimme algoritmen valt er nog veel meer informatie uit de gegevens te halen dan in eerste instantie lijkt, waarbij de rol van de bias uiteraard ook een grote rol speelt. Wat gaat dit uiteindelijk voor invloed hebben op onze samenleving? In een brief van de Minister van Justitie en Veiligheid Grapperhaus stipt hij aan dat kunstmatige intelligentie en algoritmes kansen bieden voor een betere uitvoering van de politietaak. Daarbij wordt aandacht besteedt aan de richtlijnen waaronder dit moet gebeuren, maar de vraag hoe ver we hierin daadwerkelijk willen gaan blijft onbeantwoord.64
59 Meijer en Wessels 2019, p 1034. 60 Van Brakel 2015, p. 37. 61 Schuilenburg, p. 931. 62 Wijnberg 2014.
63 Vlaskamp, De Volkskrant, 9 augustus 2018. 64 Kamerstukken II 2019/20, 26643, nr. 652
Deze tendens is ook zichtbaar wanneer je kijkt naar de commotie rondom het Systeem Risico Indicatie (SyRI). SyRI maakt het mogelijk dat de overheid geautomatiseerd en ongericht persoonsgegevens van burgers om hen in te delen in een risicoprofiel met betrekking tot het frauderen met sociale voorzieningen.65 Dit lijkt daarmee sterk op wat de politie doet bij
predictive identification. Er is veel kritiek hierop gekomen vanuit de maatschappij.66
Verschillende partijen zijn gezamenlijk een bodemprocedure gestart tegen de staat, waarbij ze stellen dat SyRI een bedreiging voor de rechtsstaat is en onrechtmatig moet worden verklaard.67 De AP maakt zich zorgen over de toenemende populariteit van algoritmes. Er
moet volgens hen meer bewustwording komen over de risico’s.68Volgens de VN-rapporteur
voor mensenrechten is het te onduidelijk hoe de overheid discriminatie voorkomt.69 De staat
verdedigde zich in de rechtbank door te stellen dat SyRI een transparant middel is om gerichter fraude met overheidsgeld te bestrijden. Er wordt, volgens de landsadvocate Bitter, zorgvuldig omgegaan met de data zodat de privacy niet wordt geschaad.70 De beslissing van
de rechtbank zal gezien de overeenkomsten ook relevant zijn voor predictive identification. 2.4 Tussenconclusie
Het politiewerk wordt meer datagestuurd, met de focus op het voorkomen van criminaliteit. Dit kan door nieuwe technieken onder andere via predictive identification, wat we terugzien in Roermond. Wetenschappelijk is het bewijzen dat predictive identification werkt heel lastig. Dat wil niet zeggen dat er direct een streep doorheen moet worden gezet. Deze aanpak kan de politie helpen als opsporingsmethode bij de al bestaande methoden. Het is daarmee nog steeds interessant om te onderzoeken onder welke voorwaarden en waarborgen dit binnen de juridische kaders kan.
65 Huisman, De Volkskrant, 27 juni 2019.
66 Idem.
67 Privacy First 2019.
68 Huisman, De Volkskrant, 27 juni 2019. 69 NRC, 2 november 2019.
Hoofdstuk 3: Het spanningsveld tussen privacy en veiligheid: het
grondrechtelijk kader
3.1 Introductie
De conclusies die binnen het veiligheidsdomein aan big data-analyses worden verbonden kunnen grote consequenties hebben. Het vaak dwingende karakter van overheidshandelen zorgt ervoor dat er veel op het spel kan staan.71 De basisgedachte is dat de overheid niet mag
ingrijpen in grondrechten, behalve als dit noodzakelijk is ter bescherming van de nationale veiligheid, de opsporing van strafbare feiten en de bescherming van de openbare orde.72 Deze
beperkingen dienen bij wet te zijn voorzien, welke onder meer terug te vinden zijn in aparte wetten.73 Voordat we toekomen aan de vraag of, en zo ja hoe, predictive identification past
binnen dit grondrechtelijk kader dat geldt in Nederland wordt in dit hoofdstuk eerst het kader uiteengezet.
3.2 Grondrechtelijk kader 3.2.1 Het concept privacy
Privacy is een containerbegrip waaronder verschillende dimensies van het recht op privacy vallen. Naast de bescherming van persoonsgegevens omvat het ook de bescherming van de woning, het lichaam, de vertrouwelijke communicatie, het intieme leven en het gezinsleven.74
Een afbakening van dit begrip is door de wetgever bewust niet gegeven, omdat de terreinen waarover het zich uitstrijkt onderhevig zijn aan (technologische) veranderingen.75 Om te zien
hoe dit begrip wordt ingevuld, is het van belang naar het Europeesrechtelijke kader te kijken.
3.2.2 De Grondwet en het Europeesrechtelijk kader
Het recht op eerbiediging van de persoonlijke levenssfeer wordt onder meer gewaarborgd door art. 8 EVRM, art. 17 IVBPR, art. 12 UVRM en art. 7 en 8 van het EU-Handvest.76
Artikel 8 EVRM wordt in dit onderzoek als de belangrijkste bron van het recht op privéleven
71 Wetenschappelijke Raad voor Regeringsbeleid 2016, p. 99.
72 Idem.
73 Vetzo, Gerards, Nehmelman 2018, p. 61.
74 Cuijpers en Koops 2008, p. 13.
75 De Jong, in: Sdu Commentaar Strafvordering.
beschouwd. De Nederlandse rechter moet de door het EHRM gegeven interpretatie van artikel 8 EVRM te volgen, omdat op grond van art. 94 Gw eenieder verbindende verdragsbepalingen voorrang hebben boven nationaal recht. Dit geeft grote betekenis aan art. 8 EVRM in Nederland.
Om te zien of een inmenging in de persoonlijke levenssfeer door de Nederlandse politie gerechtvaardigd is, zal dus gekeken worden naar de systematiek van art. 8 EVRM. Daarvoor dient ten eerste vastgesteld te worden of er sprake is van een inmenging in het privéleven.77
Dit zal al snel het geval zijn. Uit de jurisprudentie blijkt dat als het EHRM vindt dat een bepaalde situatie valt onder het begrip ‘privéleven’, redelijk snel geconcludeerd wordt dat er ook sprake is van inmenging in het privéleven.78 Het begrip persoonsgegeven wordt door het
EHRM tevens ruim uitgelegd.79
Vervolgens wordt bekeken of de inmenging gerechtvaardigd is op grond van art. 8 lid 2 EVRM. Daarvoor moet de inmenging in het privéleven noodzakelijk zijn in een democratische samenleving om de in art. 8 lid 2 EVRM genoemde legitieme doeleinden te bereiken.80 De inbreuk moet bij wet zijn voorzien en deze wet dient te voldoen aan
verschillende kwaliteitsvereisten: het moet voor iedereen toegankelijk zijn en moet zo duidelijk zijn omschreven dat de inbreuk voorzienbaar is.81 Een maatregel is noodzakelijk
wanneer er een pressing social need is.82 Van belang is ook dat de maatregel proportioneel is;
de inbreuk moet in verhouding staan met het doel. Er vindt daarbij een belangenafweging plaats, waarbij gekeken moet worden naar het algemeen belang, de omstandigheden van het geval en de belangen van de betrokkene. Nederland heeft volgens vaste rechtspraak hierbij een margin of appreciation.83 Het subsidiariteitsvereiste is ook van belang bij de
77 Wetenschappelijke Raad voor Regeringsbeleid 2016, p. 55. 78 Van der Jagt 2013, p. 164.
79 Idem.
80 EHRM 7 december 1976, ECLI:CE:ECHR:1976:1207JUD000549372 (Handyside t. het Verenigd Koninkrijk), par.
49.
81 EHRM 26 april 1979, ECLI:CE:ECHR:1979:0426JUD000653874 (Sunday Times t. het Verenigd Koninkrijk), par.
49.
82 Van der Jagt 2013, p. 165. 83 Idem, p. 166.
beoordeling.84 De wet moet geschikt zijn om het gestelde doel te bereiken en er mag niet een
minder ingrijpend alternatief aanwezig zijn.85
De wet moet tevens waarborgen bieden tegen misbruik van bevoegdheid door de overheid.86
Daarbij moet worden omschreven in welke gevallen en voor welke doelen een verwerking van persoonsgegevens mag. Ook moet er een autoriteit worden aangewezen en dienen er voorzieningen te zijn voor de transparantie en controleerbaarheid van de informatie.87 Er moet
duidelijk worden aangeven van wie gegevens mogen worden opgeslagen, onder welke
omstandigheden deze mogen worden verzameld en hoe lang ze bewaard mogen worden.88
De EU-wetgever heeft verder de AVG opgesteld.89 Wanneer de overheid gebruikt maakt van
crowdsourcing, kan de AVG relevant zijn. In dat geval worden er burgers gebruikt bij opsporing, op hen is de AVG van toepassing. De AVG is echter niet van toepassing op de verwerking van persoonsgegevens door bevoegde autoriteiten voor de voorkoming, de opsporing, het onderzoek en de vervolging van strafbare feiten of de uitvoering van straffen, met inbegrip van de bescherming tegen en de voorkoming van gevaren voor de openbare veiligheid.90
Ook de EU heeft regelgeving vastgesteld voor de bescherming van privacy. Deze vindt binnen het Unierecht bescherming op verdragsniveau, via secundair Unierecht en via de algemene beginselen van het Unierecht.91 Art. 7 EU-Handvest correspondeert met de rechten
in art. 8 EVRM. Volgens art. 52 EU-Handvest moeten beperkingen op het uitoefenen van de erkende vrijheden en rechten in het Handvest bij wet worden gesteld en deze dienen de wezenlijke inhoud van die vrijheden en rechten te eerbiedigen. Beperkingen mogen alleen wanneer deze noodzakelijk zijn en beantwoorden aan in het Handvest vastgestelde doelstellingen van algemeen belang of aan de eisen van de bescherming van de vrijheden en
84 Idem.
85 Oerlemans 2017, p. 77.
86 Idem.
87 Idem.
88 EHRM 4 mei 2000, ECLI:NL:XX:2000:AP0773 (Rotaru t. Roemenië), par. 26. 89 Overweging 15 AVG.
90 Overweging 19 AVG. 91 Van Beelen e.a. 2015, p. 43.
rechten van anderen.92 Het artikel introduceert daarnaast een nieuwe toets: maatregelen mogen
niet de wezenlijke inhoud van de artikelen aantasten.93 Los van de proportionaliteitstoets van
art. 8 EVRM kan een toetsing aan dit artikel een onrechtmatigheidsoordeel tot gevolg hebben.94 Daarnaast voorziet art. 16 van het VWEU in lid 2 in een afzonderlijke rechtsbasis
voor het vaststellen van secundair Unierecht ter bescherming van persoonsgegevens. De algemene beginselen van het recht van de Unie gelden als derde relevante bron binnen de EU-rechtsorde. Denk daarbij aan de grondrechten die zijn gewaarborgd in het EVRM.95
Er is een algemene rechtsbasis voor de bescherming van persoonsgegevens in art. 8 EU-Handvest gecreëerd. Daarbij wordt het recht op bescherming van de persoonsgegevens als een fundamenteel recht erkend.96 Hierdoor kan een schending van het recht op bescherming van
de persoonsgegevens zonder schending van het recht op privéleven ook los worden gesanctioneerd. Een verwerking van persoonsgegevens kan ook een aantasting van de beide fundamentele rechten opleveren.97
3.2.3 Specifieke wetgeving
Tot slot is er op deelterreinen specifieke EU-wetgeving relevant. Het is afhankelijk van de instantie die de data gebruikt, welke wet van toepassing is. Voor de verwerking van data in het kader van strafrechtelijke opsporing is Richtlijn 2016/680/eu van toepassing. Deze richtlijn is inmiddels geïmplementeerd in de wet tot wijziging van de Wet politiegegevens (Wpg) en de Wet op de inlichtingen- en veiligheidsdiensten (Wjsg). Beide zijn op 1 januari 2019 in werking getreden.98 Waar de Wpg de verwerking regelt van persoonsgegevens voor
de uitoefening van de politietaak door onder meer de Nationale Politie , regelt de Wjsg de verwerking van justitiële gegevens door justitie.99 De Wpg is daarmee relevant in dit
92 Art. 52 EU-Handvest.
93 HvJEU 17 januari 2019, C-310/16, ECLI: :EU:C:2019:30 (Petar Dzivev, Galina Angelova, Georgi Dimov, Milko
Velkov), par. 56.
94 HvJEU, 6 October 2015, C-310/16, ECLI:EU:C:2015:650, (Schrems/Data Protection Commissioner Ireland), par.
94-95.
95 Art. 6 lid 3 VEU. 96 Art. 8 EU-Handvest.
97 ‘Infopagina’s over de Europese Unie: Bescherming van persoonsgegevens’, Europees Parlement.
98 De Jong, in: Sdu Commentaar Strafvordering. 99 ‘Wetten’, Autoriteit Persoonsgegevens.
onderzoek. De politie mag enkel persoonsgegevens verwerken voor een bepaald doel, waaronder de opsporing van daders van strafbare feiten.100 De gegevens die de politie
verwerkt dienen noodzakelijk te zijn voor het bereiken van dat doel. Alleen als het onvermijdelijk is voor het onderzoek, de hulpverlening of een andere taak van de politie mag de politie bijzondere persoonsgegevens vastleggen.101 De gegevens moeten tevens
beveiligd zijn.102 De AP houdt toezicht op de Wpg.103
In Nederland zijn verder het Wetboek van Strafvordering (WvSv) en het Wetboek van Strafrecht (WvSr) van belang. Om camera’s te gebruiken als opsporingsmiddel, gelden speciale bevoegdheden.104 Deze mag de politie alleen inzetten met toestemming van de
Officier van Justitie.105 Cameratoezicht mag enkel ingezet worden op openbare plaatsen
wanneer dit nodig is voor de handhaving van de openbare orde en om strafbare feiten op te sporen.106 Er is vastgesteld aan welke voorwaarden cameratoezicht op openbare plaatsen moet
voldoen in art. 151c van de Gemeentewet.
Tot slot kent Nederland een scheiding in de inlichtingen- en veiligheidsdiensten en de politiediensten.107 Predictive identification is een opsporingsmiddel van de politie.108 Daardoor
is de Wet op de inlichtingen- en veiligheidsdiensten (Wiv) niet relevant.109 Wanneer geheime
surveillance aan het EHRM wordt voorgelegd, wordt bij de toetsing echter geen onderscheid tussen autoriteit of het gediende belang gemaakt, enkel de methoden die worden gebruikt zijn van belang.110 Dit maakt dat de jurisprudentie omtrent de Wiv wel interessant kan zijn.
Hierover meer in paragraaf 4.3.
100 ‘Politie en justitie’, Autoriteit Persoonsgegevens.
101 ‘Politie en justitie’, Autoriteit Persoonsgegevens.
102 Idem.
103 Idem.
104 ‘Wetten’, Autoriteit Persoonsgegevens. 105 Art. 126g WvSv.
106 ‘Cameratoezicht’, Politie.
107 Eskens, Van Daalen en Van Eijk 2016, p. 12.
108 Schuilenburg 2016, p. 932. 109 Art. 1 onderdeel a Wiv 2017.
3.3 Tussenconclusie
Het recht op privacy en gegevensbescherming is opgebouwd uit een scala aan nationale- en internationale wetten, verdragen en richtlijnen.
Hoofdstuk 4: Predictive policing: een privacy toets
4.1 Introductie
Om te kunnen concluderen onder welke voorwaarden predictive identifiction in Nederland aan de privacy vereisten van het grondrechtelijk kader voldoet, wordt eerst onderzocht hoe het zich verhoudt tot het recht op privacy. Deze beoordeling moet per situatie beoordeeld worden, maar op basis van kernelementen is het mogelijk om in meer algemeen te zien in welke mate het huidige privacyrechtelijke kader toereikend is voor de toepassing van predictive identification. Vervolgens wordt bekeken of het verzamelen, analyseren en toepassen van data kan plaatsvinden op grond van een wettelijke basis en of een inbreuk gerechtvaardigd is.
4.2 Inmenging van het recht op gegevensbescherming
Bij een privacy inbreuk kan er zowel sprake zijn van een inbreuk op de persoonlijke levenssfeer als van een inbreuk op het recht op gegevensbescherming.111
4.2.1 Persoonsgegeven
Om als persoonsgegeven in de zin van de AVG te worden aangemerkt moeten de gegevens dermate kenmerkend zijn voor een persoon dat deze daarmee geïdentificeerd kan worden.112
Bij predictive identification zal er vrijwel direct sprake zijn van een persoonsgegeven, nu deze data er specifiek op is gericht een beeld van een individu te verkrijgen. In Roermond kunnen we onder meer afleiden welke nationaliteit de persoon heeft door middel van het nummerbord, bij welke winkels de persoon naar binnen gaat en spullen koopt, met wie de persoon omgaat, wellicht zelfs waar de persoon woont door de camera’s.
In Roermond blijkt de data vooral voort te komen uit netwerken van private partijen, wat vervolgens voortvloeit naar de politie.113 Het netwerk van sensoren wordt daarnaast vergroot
111 Cuijpers en Koops 2008, p. 15.
112 Art. 4 lid 1 AVG.
113 Zenger 2017: “Dat zo’n landelijk dekkend netwerk van sensoren voor de politie onbetaalbaar zou zijn hoeft geen belemmering te zijn volgens de visionairs van de politie. Door het koppelen met de netwerken van private bedrijven wordt de
doordat netwerken van andere overheidsdiensten zich aansluiten.114 Hieruit blijkt dat zowel de
overheid als private bedrijven informatie verzamelen. Om deze reden maak ik in onderstaande paragrafen een onderscheid hiertussen.
4.2.2 Data direct verzameld door de politie a) De verzameling
De politie heeft volgens art. 3 Politiewet tot taak om te zorgen voor de handhaving van de rechtsorde en het verlenen van hulp. Dit artikel is vrij algemeen opgesteld om de politie de vrijheid te geven op terreinen waar de wet nog niet in voorziet, toch op te kunnen treden wanneer dit voor de rechtsorde en veiligheid vereist is.115 De vraag is in welke mate deze taak
terugkomt binnen predictive identification. Uit jurisprudentie blijkt dat het artikel voldoende grondslag biedt voor een niet specifiek in de wet geregelde wijze van opsporing, zoals predictive identification, zolang er een beperkte inbreuk op grondrechten wordt gemaakt.116 Is
er sprake van een meer dan beperkte inbreuk, dan moet er een specifieke wettelijke grondslag komen.117 Ten aanzien van opsporingshandelingen op grond van artikel 141 Sv geldt
hetzelfde.118 Het verschil tussen de toepassing van een algemene taakstelling of een specifiek
in de wet geregelde opsporingsmethode, vinden we in het verschil tussen ‘een beperkte inbreuk op de persoonlijke levenssfeer’ en het ‘stelselmatig’ in beeld brengen ervan.119 Bij een
stelselmatige observatie (art. 126g Sv) draait het om het waarnemen van personen waardoor een min of meer volledig beeld wordt verkregen van bepaalde aspecten van iemands leven.120
Hierbij zijn een aantal elementen van belang: de plaats, de duur, frequentie of intensiteit en de toepassing van een technisch hulpmiddel wat meer is dan enkel versterking van de zintuigen.121
financiering van het sensorweb […] (deels) overgenomen door private bedrijven.” 114 Zenger 2017.
115 Unk 2013, p. 17.
116 Idem.
117 Sackers, in: T&C Strafvordering.
118 Gritter 2018, p. 114. 119 Stol en Strikwerda 2018.
120 Idem.
Als we de werkwijze van predictive identification aan de hand hiervan meten, zijn er een aantal problemen. Met name wat betreft de duur, frequentie en de intensiteit waarop data wordt verzameld. Deze zijn enorm, hoe meer data hoe beter het systeem werkt. Daarmee is het idealiter juist de bedoeling om zo compleet mogelijk beeld te krijgen van aspecten van het persoonlijk leven, immers hoe beter de voorspelling in dat geval wordt. Uiteraard is het onvermijdelijk dat er bij opsporingsonderzoek inbreuk wordt gemaakt op de privacy van burgers.122 Daarmee is de kans groot dat er bij predictive identification sprake is van
stelselmatige observatie.123 Hiervoor ontbreek een specifieke wettelijke grondslag.
Daarnaast is het de vraag of de bij de analyse gebruikte gegevens vallen te kwalificeren als politiegegevens.124 Onder deze algemene definitie vallen alle gegevens die nodig zijn voor het
goed functioneren van de politie, maar voor grote gegevensverzamelingen moet er wel een aanwijsbare reden zijn waarom gezocht wordt.125 Of dat voldoende aantoonbaar is bij
predictive identification ligt eraan. Bij Roermond zien we wel een reden, maar als je kijkt naar het idee achter predictive identification zie je dit hier het pijnpunt zit: in feite is er namelijk (nog) geen probleem. Het gaat juist om een probleem wat zich in de toekomst kan gaan voordoen. De nadruk van predictive identification ligt vooral op de fase voorafgaand aan het ontstaan van de verdenking, waar nog niet sprake is van het redelijke vermoeden dat er sprake is van een strafbaar feit. Deze fase is een schemergebied.126 Dit maakt het lastig om keuzes die
worden gemaakt te verantwoorden. Het (privacy)recht is zo ingericht dat er verwacht wordt van tevoren duidelijke doelen op te stellen, zodat alle partijen weten waar ze aan toe zijn. Wanneer dat niet kan, of erg algemeen wordt verwoord zoals ‘het voorkomen van criminaliteit’, dan is het lastig te bepalen of dit voldoende basis biedt om als ‘aanwijsbare reden’ te worden beschouwd.
Daarbij komt dat dit schemergebied problematisch kan zijn wanneer de voorspelling op basis waarvan de politie vervolgens tot handelingen overgaat niet volgens alle kwaliteitsvereisten is gemaakt, bijvoorbeeld wanneer er sprake is geweest van discriminatie. In dat geval wordt de integriteit van de strafvordering en de legitimiteit van de verdenking in het verdere proces
122 Gritter 2018, p. 114
123 Idem.
124 Elk persoonsgegeven dat in het kader van de uitoefening van de politietaak wordt verwerkt. 125 Lodder e.a. 2014, p. 63.
aangetast. Als op basis van die informatie verder wordt gehandeld en wellicht iets wordt gevonden, is de strafvordering uiteindelijk namelijk gebaseerd op overheidshandelen zonder dat de kwaliteit daarvan is gewaarborgd.127 Dit is zorgelijk.
Dat discriminatie al bij de verzameling een grote rol kan spelen is duidelijk. Daarbij is het relevant te benoemen dat het automatische verzamelen van gegevens lijkt op een ‘repressieve controle’, een onderzoeksvorm dat als opsporing kan worden gezien, hoewel op het moment van het uitvoeren van de opsporingsmethode er nog geen concrete verdenking bestaat.128 Op
welke gronden mag je besluiten om een controle te starten? Ook hiervoor wordt vaak art. 3 Politiewet als grondslag aangewezen.129 In een arrest van de HR stond de vraag centraal of
een verkeerscontrole onrechtmatig was.130 In dit traject moesten voertuigen worden
gecontroleerd uit Oost- en Midden-Europa. Het Hof oordeelde dat "het weliswaar een project betreft waarbij er scherper gelet werd op auto's met een kenteken uit Oost-Europese landen", maar dat dit geen discriminatoir optreden van de politie was omdat het ging om de controle van een voertuig en niet die van een persoon. Volgens de HR klopt deze overweging niet. Door als selectiecriterium voor de controle het kenteken van bepaalde landen te kiezen, wordt indirect onderscheid gemaakt naar afkomst of nationaliteit van de inzittenden van dat voertuig.131 Met Roermond in ons achterhoofd, waarbij extra ‘punten’ worden toegeschreven
aan auto’s uit Oost-Europese landen, kan dit als discriminatie worden gezien. De politie moet dit dus goed in ogenschouw nemen bij de dataverzameling.
De conclusie is dat het lastig blijkt om een wettelijke basis te vinden voor de dataverzameling van de politie. Mocht uiteindelijk blijken dat art. 3 Politiewet als voldoende wettelijke basis gezien kan worden volgens de rechter, dan is het relevant te bezien wat de regels zijn waaraan de politie gebonden is met betrekking tot die verzameling.
b) Mogelijkheden met betrekking tot de verzameling
Zoals gezegd regelt de Wpg de verwerking van persoonsgegevens voor de uitoefening van de politietaak. Politiegegevens worden alleen verwerkt wanneer dit rechtmatig en behoorlijk is,
127 Idem.
128 Gritter 2018, p. 113. 129 Idem.
130 HR 9 oktober 2018, ECLI:NL:HR:2018:1872, r.o. 2.5.1. 131 Idem, r.o. 2.5.2.
de gegevens rechtmatig zijn verkregen en ze toereikend, terzake dienend en niet bovenmatig zijn.132 Een van de doeleinden genoemd binnen de Wpg is het voorkomen en opsporen van
strafbare feiten.133 De data-analyse voor predictive identification kan dan ook wellicht worden
geschaard onder deze categorie.134 De politie heeft krachtens de art. 8, 9 en 10 van de Wpg
ruime mogelijkheden met betrekking tot persoonsgegevens.135 Het verschil tussen deze
artikelen zit in het doel van de verwerking. Art. 8 ziet op de verwerking gericht op de dagelijkse uitvoering van de politietaak. Art. 9 geldt als basis bij extra inspanningen die gericht zijn op het verzamelen van grote hoeveelheden gegevens voor de handhaving van de rechtsorde. Naast opsporingsonderzoeken geldt dit ook bij een verkennend onderzoek, bijvoorbeeld omdat er veel drugsmisdaad wordt gesignaleerd.136 Art. 10 regelt de permanente
gerichte gegevensverwerking om zicht te krijgen op verschijnselen en ontwikkelingen die een ernstige bedreiging van de rechtsorde kunnen vormen. In art. 10 worden, in tegenstelling tot artikel 9, de categorieën van personen over wie gegevens kunnen worden verwerkt wettelijk ingekaderd. De personen moeten zijn betrokken bij handelingen waarbij permanente aandacht van de politie essentieel is.137
Voor een onderzoek genoemd in artikel 9 lid 1 Wpg kunnen op grond van art. 11 Wpg politiegegevens die voor dat onderzoek zijn verwerkt geautomatiseerd worden vergeleken met andere politiegegevens om te kijken of er verbanden zijn tussen de gegevens.138 Gegevens die
zijn verwerkt voor de dagelijkse politietaak moeten op grond van art. 8 lid 1 Wpg na één jaar worden verwijderd. Wanneer gegevens die worden verwerkt voor opsporingsonderzoeken niet meer van belang zijn, dienen deze te worden verwijderd op grond van art. 9 lid 4 Wpg en art. 10 lid 4 Wpg.139
Terugkomend op Roermond zien we dat er diverse sensoren worden gebruikt. In het Plan van Aanpak staat dat “de juridische basis voor het plaatsen van de ANPR-camera’s is gelegen in
132 Art. 3 lid 2 Wpg. 133 Art. 19 onderdeel a Wpg. 134 Lodder e.a. 2014, p. 36. 135 Kamerstukken II 2005/2006, 30327, 3, p. 2 (MvT). 136 Idem. 137 Idem. 138 Lodder en Schuilenburg 2016, p. 152.
artikel 3 Politiewet”.140 Verder is er geen informatie vrijgegeven over de juridische grondslag
voor overige sensoren. Ik zou op basis van de informatie die we bezitten echter concluderen dat er een ‘meer dan beperkte’ inbreuk op grondrechten van individuen wordt gemaakt. Dit maakt art. 3 Politiewet mijns inziens niet specifiek genoeg voor de impact die predictive identification kan hebben op een burger. Wanneer dit desalniettemin wel wordt goedgekeurd, zal de politie de regels die zij hebben met betrekking tot de verwerking van de persoonsgegevens terugvinden in de artikelen 8 en 9 Wpg.141 De beginselen die in acht
moeten worden genomen door de politie zijn in echter zeer algemeen van aard en niet toegespitst, zeker niet voor big datatoepassingen.142
4.2.3 Data verzameld door private partijen
De tweede categorie is de data afkomstig van private partijen. Voor deze categorie is de AVG van toepassing. Private actoren zijn soms aan minder restricties verbonden wanneer het gaat om het verzamelen van gegevens dan de politie. De Wpg is namelijk een stuk specifieker omdat het gaat om politiegegevens. Zo gelden er voor deze gegevens specifieke bewaartermijnen, en de politie moet voorzieningen treffen om deze gegevens goed te beschermen.143 De AVG kent enkele uitgangspunten voor gegevensbescherming.
a. Doelbinding
Dit beginsel geeft aan dat gegevens slechts verwerkt mogen worden voor uitdrukkelijk omschreven, gerechtvaardigde en welbepaalde doeleinden.144 Het doel moet legitiem en
rechtvaardig zijn.145 De spanning die dit beginsel met predictive identification oproept ligt in
het feit dat hierbij het doeleinde vaak niet van tevoren welbepaald en uitdrukkelijk omschreven is. Voor predictive identification kan worden gezegd dat gegevens met een doel gebruikt gaan worden, maar de vraag is in hoeverre dat doel concreet genoeg is. Dit haalde ik in paragraaf 4.2.2 tevens aan. Het ideaalbeeld bij predictive analytics is dat er eerst gegevens worden verzameld en achteraf wordt gekeken welke data nuttig is, welke interessante
140 Plan van Aanpak Operationele ProefTuin Sensing Roermond, Politie.nl, p. 9. 141 Gritter 2018, p. 115.
142 Idem.
143 Franken 2018.
144 Art. 5 lid 1 onderdeel b AVG.
uitkomsten er uit de analyses komen en pas dan wordt bepaald wat er met de data gaat gebeuren.146
b. Grondslagvereiste en verdere verwerking
Het gebruik maken van gegevens van private partijen is gebaseerd op vrijwilligheid, het is niet zo dat bedrijven voor de wet verplicht kunnen worden om informatie te overhandigen aan de politie.147 De politie mag enkel gegevens vorderen in specifieke situaties, welke in het
WvSv staan aangegeven.148 Dit betekent dat wanneer private partijen besluiten dat ze data
willen delen met de politie, er een geldige grondslag moet zijn. Dit kan op basis van toestemming van de betrokkene zijn, een wettelijke bepaling die in een democratische samenleving een evenredige en noodzakelijke maatregel vormt voor de doelen die staan in art. 23 lid 1 AVG of op het moment dat de verwerking voor een ander doel verenigbaar is met het doel waarvoor de persoonsgegevens in eerste instantie waren verzameld, rekening houdend met de factoren die uiteen zijn gezet in art. 6 lid 4 sub a t/m e AVG.149 Dit geldt overigens
alleen als het gaat om gewone persoonsgegevens, dus geen strafrechtelijke of bijzondere persoonsgegevens, daarvoor gelden strengere regels.150 Bij predictive identification zal het
over het algemeen gaan om gewone persoonsgegevens.
De informatie afkomstig vanuit de private partijen zal in eerste instantie vaak niet zijn verzameld voor een big data-analyse. Wanneer er voor de oorspronkelijke verwerking een geldige grondslag aanwezig is, moet het bedrijf dat de data overlevert aan de politie voor predictive identification ook een geldige grondslag hebben voor deze nieuwe verwerking.151
De vraag is dus eerst of er een geldige grondslag is bij het verzamelen van de data door de private partijen. Met betrekking tot predictive identification in Roermond zien we dat er vooral cameragegevens worden verzameld van private partijen.152 Vanzelfsprekend gelden er
andere regels met betrekking tot het gebruik van camera’s voor private partijen dan voor de politie. Er wordt bij deze regels onderscheid gemaakt tussen het plaatsen van camera’s in
146 Van der Sloot 2018.
147 Autoriteit Persoonsgegevens: Politie en justitie.
148 Idem.
149 Art. 6 AVG. 150 Art. 9 AVG. 151 Art. 6 lid 4 AVG.
openbare ruimten en privéruimten.153 De openbare ruimte omvat alle voor het publiek
opengestelde ruimtes, waaronder ook horeca, winkels en bedrijfsparkeerplaatsen.154
Private organisaties mogen alleen camera’s richten op openbare ruimten wanneer het in beeld brengen ervan noodzakelijk is om goederen en personen die aan hun zorg zijn toevertrouwd te beveiligen.155 Het HvJ concludeert dat wanneer het continue vastleggen van de openbare
ruimte gebeurt ter beveiliging, de verantwoordelijke een grondslag dient te hebben.156 De
vraag is welke grondslag mogelijk is. Toestemming zal niet het geval zijn, gezien het feit dat de politie zo min mogelijk wil prijsgeven om te voorkomen dat het onderzoek in gevaar te komt en het simpelweg onmogelijk is om dit bij alle burgers te regelen. Voor de noodzakelijkheid voor een democratische samenleving kan dit wellicht vallen onder de bescherming tegen en de voorkoming van gevaren voor de openbare veiligheid.157 Dan moet
dat uiteraard wel aantoonbaar en noodzakelijk zijn, het lijkt me dat het bij predictive identification hierop stuk zal lopen. De aantoonbaarheid is zeer lastig zoals we hebben gezien in paragraaf 2.4. Wat betreft de noodzakelijkheid, is het maar de vraag of minder ingrijpende onderdelen niet volstaan. Deze overweging komt terug bij het gerechtvaardigd belang.
Voor een beroep op artikel 6 lid 1 sub f AVG moet er aan drie cumulatieve voorwaarden worden voldaan. Ten eerste dient het een gerechtvaardigd belang te betreffen. De AP zegt hierover dat het belang steeds concreet, echt en rechtstreeks moet zijn. Dus niet toekomstig, speculatief of afgeleid.158 Is predictive identification wel in overeenstemming met het recht?
En voldoende specifiek? Hier wordt het lastig. Daarna wordt beoordeeld of de verwerking van de persoonsgegevens noodzakelijk is voor de behartiging van het gerechtvaardigde belang waarbij ook de proportionaliteit en subsidiariteit worden meegenomen. Is de hoeveelheid data die wordt verzameld niet te veel? En zijn er minder ingrijpende manieren om hetzelfde doel te bereiken? Tot slot vindt een afweging plaats tussen de belangen van de betrokkenen en de politie. Bij die afweging worden mede gekeken naar de gevolgen voor de betrokkene evenals de waarborgen die de politie heeft getroffen ter voorkoming en beperking van de ongewenste
153 Autoriteit Persoonsgegevens: Cameratoezicht, p. 40.
154 ICTRecht: Factsheets cameratoezicht.
155 Autoriteit Persoonsgegevens: Cameratoezicht, p. 40.
156 HvJEU, 11 december 2014, C-212/13 (Ryneš t. Úřad pro ochranu osobních údajů), par. 33-35. 157 Art. 23 AVG.
gevolgen voor betrokkenen.159 Gezien de ingrijpendheid van predictive identification, de toch
lastig te omschrijven doelen, mijn vraagtekens over de rechtmatigheid, proportionaliteit en subsidiariteit (zie ook de volgende paragraaf), is mijn conclusie dat dit gerechtvaardigd belang er niet is.
Voor de beelden van privéruimten geldt dat in principe de AVG niet van toepassing is, aangezien het enkel voor persoonlijk gebruik.160 Het is niet de bedoeling dat privébeelden aan
derden worden verstrekt. Het kan zijn dat er eerst de intentie was om enkel een beeldopname te maken voor huishoudelijk gebruik, maar dat deze intentie door bepaalde omstandigheden verandert. Op dat moment kan vervolgens de AVG van toepassing zijn.161 Bijvoorbeeld
wanneer beelden relevant worden voor een strafonderzoek. De AVG is dan van toepassing op de verdere verwerking van de beeldopnames, ook dan is er dus een geldige grondslag vereist. Voor een gerechtvaardigd belang zal in de belangenafweging meegenomen worden dat mensen niet kunnen vermoeden dat ze worden gefilmd, waardoor er een redelijke verwachting van privacy bestaat.162 In de meeste gevallen zal dit dus betekenen dat er toestemming
vereist, wat voor predictive identification vrijwel onmogelijk is. c. Dataminimalisatie
Dit beginsel lijkt inherent tegenstrijdig met big data-analyses, waar immers geldt: hoe meer data hoe beter. Dataminimalisatie past bij de eis dat gegevens slechts worden verwerkt voor zover zij toereiken, niet bovenmatig en ter zake dienend zijn.163 Deze eis geldt zowel binnen
de AVG als de Wpg. De AVG eist verder dat gegevens niet langer mogen worden bewaard op een manier waarbij je betrokkenen kan identificeren dan noodzakelijk is voor de verwezenlijking van de doeleinden.164
d. Transparantie
159 Artikel 29 werkgroep 9 april 2014, p. 21. 160 Art. 1 lid 2 onder c AVG.
161 Autoriteit Persoonsgegevens: Cameratoezicht.
162 EHRM 28 november 2017, nr. 70838/13, ECLI:CE:ECHR:2017:1128JUD007083813 (Antovic en Mirkovic t.
Montenegro), par. 43.
163 Art. 5 lid 1 onderdeel c AVG. 164 Art. 5 lid 1 onderdeel e AVG.
Ook staat transparantie over het verwerken van gegevens centraal, onder meer door het verstrekken van informatie aan individuen over wie de data gaat.165 Bedrijven zullen dus
moeten delen dat ze de informatie verder doorgeven. Dit zal de politie bij predictive identification juist willen voorkomen, zo zagen we terug in de hoeveelheid geblokte informatie in de vrijgegeven documenten na het Wob-verzoek (paragraaf 2.3.2). Vanuit de politiek en de maatschappij lijkt het erop dat transparantie als harde eis wordt gesteld.166 Transparantie is ook moeilijk te bewerkstelligen omdat predictive identification
vaak beschouwd wordt als een puur technische ontwikkeling.167
e. Veiligheid en vertrouwelijkheid
Tot slot is vereist dat data veilig en vertrouwelijk wordt verwerkt, terwijl big data juist uitgaat van het koppelen van data, het openbaar maken of het verrijken van datasets met online-informatie.168 De AVG geeft richtlijnen voor het verzamelen en hanteren van data die direct
dan wel indirect tot personen zijn te herleiden. Zo is in de AVG de verplichting tot een Privacy Impact Assessment opgenomen.169 Daarbij is het de vraag hoe de informatie die wordt
verzameld wordt versleuteld, nu hierover niet iets bekend is.
Er zijn veel elementen waar private partijen rekening mee dienen te houden voordat de data uiteindelijk bij de politie terechtkomt. Hierbij kan bij elke stap sprake zijn van een privacy inbreuk. Er wordt op veel problemen gestuit wanneer we predictive identification via de regels van het gegevensbeschermingsrecht willen laten verlopen. Het is naar mijn mening dan ook zeer lastig om geen inbreuk te maken. Maar zelfs als de regels omtrent gegevensbescherming gevolgd worden, kan deze de nog steeds ervaren worden als een inbreuk op iemand zijn privacy. Om die reden is de enkele vaststelling dat aan de eisen van gegevensbescherming voldaan wordt niet voldoende om predictive identification ‘privacybestendig’ te kunnen noemen. Naast die toets, blijft daarom een zelfstandige privacytoets aan artikel 8 EVRM noodzakelijk.
4.3 Inmenging van het recht op de persoonlijke levenssfeer
165 Art. 5 lid 1 onderdeel a AVG.
166 Wetenschappelijke Raad voor Regeringsbeleid 2016, p. 119. 167 Clavell 2016, p. 110.
168 Van der Sloot 2018.
