Die Arbeit setzt sich mit folgender Fragestellung auseinander: Welche Möglichkeiten bietet der Einsatz von „Big Data“ und raumbezogenen Planungsdaten in der Kriminalitätsbekämpfung? Der Fokus liegt dabei auf der Erprobung und Einführung softwaregestützter Prognosebasierter Polizeiarbeit "Predictive-Policing". Die Einführung dieser Methode ist politisch und wissenschaftlich umstritten und stellt Fragen nach den Auswirkungen der Datenerfassung auf unsere Gesellschaft.
Die derzeitigen politischen Umbrüche und terroristischen Anschläge in vielen Teilen der Welt verstärken die Erwartungen der Bürgerinnen und Bürger an den Staat, sie umfassend zu schützen. Die Gewährleistung von Sicherheit nach innen und außen zählt von jeher zu den Kernfunktionen moderner Staaten. Die regierenden Politiker versuchen sich vor diesem Hintergrund gerade im Wahlkampf mit dem Versprechen für mehr Sicherheit zu profilieren. Die heutige Technik, das wird nicht nur im Wahlkampf immer wieder besonders betont, bietet in diesem Zusammenhang vielfältige Möglichkeiten, um große Datenmengen auch für die Kriminalitätsbekämpfung zu nutzen. Das Sammeln von Daten wird in diesen Diskursen zumeist gleichbedeutend mit einem Zugewinn an Sicherheit verstanden.
In "Minority Report", einer Science-Fiction-Kurzgeschichte von 1956, hat deren Autor, Philip K. Dick, diese Entwicklung bereits vorweggenommen. In seiner Erzählung verhindern Polizisten, Verbrechen bevor diese überhaupt begangen wurden durch das nun so genannte "Predictive-Policing". Bei dieser Ermittlungsmethode wird der Ansatz verfolgt, Verbrechen aufgrund von Prognosen vorauszusagen, die auf gesammelten Daten beruhen. Nun, über 60 Jahre später, soll Dicks Fiktion zur real existierenden Praxis avancieren. Durch die automatisierte Verwertung polizeilicher Datenbestände sollen mittels Algorithmen Verbrechen verhindert werden.
Inhaltsverzeichnis
A bkürzungsverzeichnis
A bbildungsverzeichnis
1. Einleitung
2. Begriffsbestimmungen
2.1 Big Data
2.2 Big Data und raumbezogene Daten
3. Anwendungen in der Kriminalitätsbekämpfung
3.1 Anwendung in der Jugendkriminalitätsprävention
3.2 Einsatz von „Predictive-Policing“
4. Auswirkungen der Datenerfassung auf die Gesellschaft
5 Fazit
Literaturverzeichn
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Abbildungsverzeichnis
Abb. 1 Dimensionen von Big Data - Vs
Abb. 2 Big Data kombiniert Daten, Algorithmen und Systeme
Abb. 3 Geodaten-Anwendungen, Polizei Bremen
Abb. 4 Zusammenhang Tatort - Wohnort (Jugendkriminalitätspräv.)
Abb. 5 Predictive-Policing Prozess
Abb. 6 Veranschaulichung Near Repeat Prediction
Abb. 7 Sreenshot „Precobs“, LKA Bayern
Abb. 8 Wohnquartiere und Gitternetzlinien
1 Einleitung
Die derzeitigen politischen Umbrüche und terroristischen Anschläge in vielen Teilen der Welt verstärken die Erwartungen der Bürgerinnen und Bürger an den Staat, sie umfassend zu schützen. Die Gewährleistung von Sicherheit nach innen und außen zählt von jeher zu den Kernfunktionen moderner Staaten.1
Die regierenden Politiker versuchen sich vor diesem Hintergrund gerade im Wahlkampf mit dem Versprechen für mehr Sicherheit zu profilieren. Die heutige Technik, das wird nicht nur im Wahlkampf immer wieder besonders betont, bietet in diesem Zusammenhang vielfältige Möglichkeiten, um große Datenmengen auch für die Kriminalitätsbekämpfung zu nutzen. Das Sammeln von Daten wird in diesen Diskursen zumeist gleichbedeutend mit einem Zugewinn an Sicherheit verstanden.
In „Minority Report“, einer Science-Fiction-Kurzgeschichte von 1956, hat deren Autor, Philip K. Dick, diese Entwicklung bereits vorweggenommen. In seiner Erzählung verhindern Polizisten Verbrechen bevor diese überhaupt begangen wurden durch das nun so genannte „Predictive-Policing“. Bei dieser Ermittlungsmethode wird der Ansatz verfolgt, Verbrechen aufgrund von Prognosen vorauszusagen, die auf gesammelten Daten beruhen. Nun, über 60 Jahre später, soll Dicks Fiktion zur real existierenden Praxis avancieren. Durch die automatisierte Verwertung polizeilicher Datenbestände sollen mittles Algorithmen Verbrechen verhindert werden.2
Die vorliegende Arbeit setzt sich im Hinblick darauf mit folgender Fragestellung auseinander: Welche Möglichkeiten bietet der Einsatz von „Big Data“ und raumbezogenen Planungsdaten in der Kriminalitätsbekämpfung? Zur Untersuchung der Fragestellung werden die folgenden drei Thesen aufgestellt:
1 Die Feststellung von raum- und ortsbezogenen Problemkonstellationen ermöglicht einen gezielten Einsatz in der Kriminalitätsprävention.
2 Durch den Einsatz von „Predictive-Policing“ lassen sich Verbrechen vorhersagen und verhindern.
3 Durch den Einsatz von „Predictive-Policing“ wird die Überwachung der Gesellschaft ausgebaut und die Privatsphäre der Bürger eingeschränkt.
Zur Überprüfung der Thesen werden ausgehend von der Bezeichnung „Big Data“, die Entwicklungen in der Datennutzung und damit zusammenhängender Begrifflichkeiten näher erläutert (Kapitel 2).
Anschließend (Kapitel 3) werden Anwendungen von Big Data und raumbezogenen Planungsdaten in der Kriminalitätsbekämpfung vorgestellt Der Focus liegt dabei auf der Erprobung und Einführung softwaregestützter Prognosebasierter Polizeiarbeit „Predictive-Policing“. Die Einführung dieser Methode ist politisch und wissenschaftlich umstritten und stellt Fragen nach den Auswirkungen der Datenerfassung auf unsere Gesellschaft (Kapitel 4).
Die Arbeit schließt mit einem Fazit (Kapitel 5) ab.
2 Begriffsbestimmungen
Ausgehend vom Begriff „Big Data“ werden im Folgenden die Entwicklungen in der Datennutzung und die begrifflichen Zusammenhänge für die Nutzung raumbezogener Anwendungen erläutert.
2.1 Big Data
Das Voranschreiten der Digitalisierung im 21. Jahrhundert ist der Auslöser für tiefgreifende soziale, wirtschaftliche und politische Umwälzungs- prozesse.3 Unter dem Begriff Digitalisierung wird die Umwandlung von analogen Daten wie beispielsweise Texten, Bildern und gesprochener Sprache in digitale Werte verstanden. Dabei werden mittels moderner Computertechnik die Inhalte traditioneller Medien digital kodiert, d.h. diese werden basierend auf einem Binärsystem (0 und 1) verschlüsselt und dann gespeichert.4
Die große Menge der Daten und der damit verbundenen Optionen, diese für verschiedenste Zwecke und Anwendungen beispielsweise mittels neuer Datenbanktechnologien zu nutzen, wird durch den Begriff „Big Data" beschrieben. Nicht der bloße Umfang eines Datenbestandes ist dabei entscheidend, sondern die Kombination verschiedener technischer Herausforderungen für die Datenverarbeitung. Die globale Datenmenge ist immens. Im Jahr 2020 sind wahrscheinlich weltweit Daten im Umfang von mehr als 100 Zettabyte (das heißt: 100.000.000.000.000.000.000.000 Byte) im Umlauf, prognostiziert der Branchenverband Bitkom.5
Big Data wird nach Doug Laney durch die drei Herausforderungen und Eigenschaften Volumen (Volume), Datenrate (Velocity), Beschaffenheit (Variety) charakterisiert, welche kurz als die „3 V’s“ bezeichnet werden.6 7
Die Eigenschaft Volume steht für große Datenmengen, welche mit herkömmlichen Ansätzen der Datenverarbeitung nicht zu erschließen sind. Velocity steht für die hohe Datenentstehungsrate und die Notwendigkeit die Daten zeitnah weiterzuverarbeiten. Variety bedeutet, dass unterschiedliche Datenquellen und Datenformate, die teilweise keine einfach zu verarbeitende Struktur aufweisen, gemeinsam betrachtet werden müssen. In der Literatur werden entsprechend der Anwendungen weitere Aspekte hinzugefügt und mit einem „V“ beschrieben. Beispielsweise steht die Eigenschaft „Veracity“ (Wahrhaftigkeit) für Vertrauenswürdigkeit der Daten oder der gezogenen Schlüsse Value (Wert) betont, dass Big Data letztendlich immer eine Wertschöpfung der Daten beabsichtigt und Visualization (Veranschaulichung) stellt die intuitive Darstellung der Ergebnisse heraus. Je nach Anwendung treffen die oben genannten Eigenschaften mehr oder weniger zu. Gemeinsam ist allen Big-Data-Lösungen letztendlich, dass durch eine Verarbeitung von Daten neue Zusammenhänge erkannt und so neue Erkenntnisse gewonnen werden sollen.8
Big Data stellt demnach eine neue Herangehensweise an den Umgang mit großen Datenmengen dar. Durch neue Algorithmen, die selbstständig Muster und Zusammenhänge in Daten erkennen können, und durch neue HardwareLösungen, die in der Lage sind, eine große Datenmenge zeitnah zu verarbeiten, werden die Möglichkeiten für Datenanalysen erheblich vervielfältigt. Die unstrukturierten Daten müssen dazu erst bereinigt werden. Bilder, Musik, Kontaktnetze, Blutbilder - all das muss in Zahlen umgewandelt werden, um es mathematisch nutzbar zu machen. Unter dem Begriff Algorithmen sind fest definierte bzw. programmierte Abfolgen von Handlungsschritten zur Lösung von Problemen zu verstehen. Durch automatische Extraktion werden diese komplexen Zusammenhänge zwischen Planungsobjekten, Daten und einer hierfür aufgebauten Datenbasis ermöglicht. In Kombination mit stetig wachsenden Datenvolumina und Computerressourcen können so Erkenntnisse gewonnen werden, die von hohem Wert für Industrie und Behörden sind.9
Die Anwendung von Methoden und Algorithmen zur möglichst automatischen Gewinnung von Erkenntnissen wird als „Data Mining“ (Daten-Bergbau) bezeichnet. Dabei werden intelligente Konzepte und Verfahren eingesetzt, mit denen große Datensätze unter anderem selbstständig automatisch klassifiziert oder hinsichtlich ihrer Ähnlichkeit gruppiert werden. In diesen Prozessen ist oftmals der Mensch involviert, insbesondere wenn die Erkenntnisse visualisiert und ausgewertet werden sollen. Ziel ist es neue Muster, also implizites Wissen, in Daten ausfindig zu machen. In Data Mining Prozessen sollten Datenquellen, die als Basis für die Analysen dienen, möglichst aktuell sein und als kontinuierlicher Fluss von Informationen dem System zugeführt werden. In diesem Prozess wird Smart Data statt Big Data angestrebt. Die Daten sollen heute immer schlauer werden und alle möglichen Rückschlüsse und Erkenntnisse liefern. Das Konzept von Smart Data weist den Weg von einmalig ausgewerteten Daten, hin zu ständig verfügbaren Zusatzinformationen, die einen Mehrwert bieten.10
Im Zusammenspiel von Big Data, Algorithmen und neuen IT-Architekturen wird das Potential erschlossen, aus der großen zu verarbeiteten Datenmenge möglichst in Echtzeit neue Erkenntnisse, Muster, und Zusammenhänge zu gewinnen. Im Zusammenspiel der drei primären Hauptkriterien Volume, Variety und Velocity kommt damit Value (Nutzen)
Durch dieses Zusammenspiel entstehen verschiedene neue Anwendungsmöglichkeiten. So kann durch Big Data Analysen die Gesundheit und die Sicherheit der Bevölkerung verbessert, sowie kritische Ereignisse frühzeitig erkannt und Sicherheitsmaßnahmen entwickelt werden.11 12 13
2.2 Big Data und raumbezogene Daten
Werden Data Mining Analysen in der integrierten Betrachtung von Zeit und Raum eingesetzt, kommen raumbezogene Daten bzw. Geodaten zum Einsatz. Diese digitalen Informationen ermöglichen einen direkten oder indirekten Bezug zu einem bestimmten Standort oder geografischen Gebiet auf der Erdoberfläche. Als Geodatensatz wird eine identifizierbare Sammlung von Geodaten bezeichnet.14
Die Erfassung der Sachdaten (z.B. Adressen), Verwaltung, Verarbeitung und grafische Darstellung der raumbezogenen digitalen Daten erfolgt mittels eines Geographischen Informationssystems (GIS). Es vereint eine Datenbank und die zur Bearbeitung und Darstellung dieser Daten nützlichen Methoden. Eine allgemeingültige Definition lässt sich in der Literatur nicht finden. Die jeweilige Interpretation des Begriffs hängt vom fachlichen Hintergrund des Anwenders ab und kann darüber hinaus unterschiedlich weit gefasst werden. Die Entwicklung von GIS reicht zurück in die späten 1960er Jahre; die ersten GIS wurden in den USA entwickelt. In Deutschland hat sich GIS erst in den 1980er Jahren durchgesetzt.15
Auch von Geoinformationssystemen wird zunehmend erwartet, dass diese die rapide anwachsende Datenflut bewältigen und beispielsweise der Präzisionslandwirtschaft, Smart Cities, Industrie 4.0, Katastrophenschutz und der Kriminalitätsbekämpfung nutzen. Derzeit sind die GIS Systeme noch nicht in der Lage in Echtzeit Analysen auf Basis von Big Data durchzuführen. Das BMBF fördert aktuell das Forschungsprojekt „BigGIS“, welches praxistaugliche Lösungsansätze für GIS-Architekturen entwickelt. Die steigenden Datenmengen im Tera- bis Petabytebereich, sollen in Kombination mit Archivdaten und aktuellen Fernerkundungsdaten zusammen mit vielfältigen Geodaten, historischen und aktuellen Sensordaten und Meldungen von Bürgern, integriert und zeitnah nutzbar gemacht werden.16
Für aktuelle Anwendungen werden daher die Daten im GIS-System auf das Wesentliche reduziert. Durch das Data Mining Verfahren werden Muster gefunden, welche dann weiterverarbeitet werden können. Die Verwendung mit Geodaten ist als ein Anwendungsverfahren mit raumbezogen Methoden und mathematischer Statistik zu verstehen. Damit wird es möglich eine große, heterogene Geodatenmenge an der Grenze der technischen und algorithmischen Verarbeitbarkeit mit den aktuell verfügbaren Computern die Kapazitäten über auffällige Muster derart zu reduzieren, dass in angemessener Zeit die wesentlichen Erkenntnisse extrahierbar werden.17 Geodaten haben für die Polizei eine enorme Bedeutung, insbesondere zur Unterstützung der Einsatzleitung im Ereignisfall. Erforderlich sind in der zentralen Einsatzsteuerung detaillierte Lagebilder, auch in kritischen Situationen, um die dezentral eingesetzten Kräfte vor Ort organisieren und lokalisieren zu können. Zur Erstellung des Lagebildes werden Informationen aus Luftbildern bzw. Stadtplänen wie Adressen, Straßennamen, Beschilderungen, Bauten, Wanderwege, regionale Benennungen oder auch die Nähe zu gefährdeten Einrichtungen benötigt. Diese Geodaten müssen mit polizeilichen Fachinformationen etwa über den Bereitschaftszustand der vorhandenen Einsatzmittel kombiniert werden. Eine besondere Hilfe zur Lagebilderstellung bietet zudem die Einschaltung von Live-Bildern der Überwachungskameras.18
Für eine aktuelle und zeitnahe Auswertung der Datenbestände ist es von Bedeutung, die verschiedenen Fachanwendungen in den Behörden zusammenzuführen und zentral zu pflegen. So wurden beispielsweise bei der Polizei Bremen die GIS Anwendungen ab dem Jahr 2015 umgestellt, so dass diese in einem einheitlichen Frontend verfügbar sind. Hintergrund war, dass die Geodaten entweder über Desktop-GIS-Anwendungen (ArcGIS, MapPoint) erschlossen oder über GIS-Module in Fachanwendungen (PIER, EUSKA, Celios und @rtus) bearbeitet wurden. Darüber hinaus wurden Hostingdienste von ArcGIS-Online (AGOL) für den Internetauftritt sowie interne Web-GIS als Anwendung im Browser (MapBender) genutzt. Für eine aktuelle und effektiviere Nutzung der Geodateninfrastruktur, wurden die Daten standardisiert und in einer gemeinsamen Datenbank im Backend gebündelt, damit diese dann einheitlich gepflegt werden können.19 20
Die stärkere vernetzte Zusammenarbeit, der richtige Algorithmus und die Korrelation der Daten unter der Nutzung von Data Mining Prozessen sind also ein Muss, damit ein Big Data Vorhersage-Modell beispielsweise in der Kriminalitätsbekämpfung am Ende funktioniert.21
[...]
1 Im Interesse einer besseren Lesbarkeit wird in der Hausarbeit nicht ausdrücklich in geschlechtsspezifischen Personenbezeichnungen differenziert. Die gewählte männliche Form schließt eine adäquate weibliche Form gleichberechtigt ein.
2 Vgl. Voss, Oliver, Computer auf Ganovenjagd, Seit einem Jahr werden in Berlin Verbrechen per Software vorhergesagt. Die Polizei lobt die Algorithmen, Experten zweifeln an deren Nutzen, Der Tagesspiegel, 14.10.2017, Nr. 23 264, Berlin, 2017, S 11.
3 Vgl. Frieling, Jens, Zielgruppe Digital Natives: wie das Internet die Lebensweise von Jugendlichen verändert: neue Herausforderungen an die Medienbranche, Diplomica, Hamburg, 2010, S. 13.
4 Vgl. Precht, Manfred / Meier, Nikolaus / Tremel, Dieter, EDV-Grundwissen, Eine Einführung in Theorie und Praxis der modernen EDV, Addison-Wesley, München, 2004, S. 25-27.
5 Vgl. Starke, Katrin, Wie Big Data die Welt von Groß und Klein verändert, Die Welt, 27.02.2013, Springer, Berlin, 2013 unter: https://www.welt.de. (Im Interesse einer besseren Lesbarkeit werden die URLs in der Hausarbeit in den Fußnoten in Kurzform und im Quellenverzeichnis ausführlich angegeben.)
6 Vgl. Laney, Doug, 3D data management: Controlling data volume, velocity and variety. Research note, META Group, 06.02.2001, Stamford, 2001, unter: https://blogs.gartner.com.
7 Vgl. Steinebach, Martin / Schäfer, Marcel / Halvani, Oren, Begleitpapier Bürgerdialog, Chancen durch Big Data und die Frage des Privatsphärenschutzes, Fraunhofer-Institut für sichere Informationstechnologie SIT, März 2015, Darmstadt, 2015, S. 21, unter: https://www.sit.fraunhofer.de.
8 Vgl. Steinebach, Martin / Schäfer, Marcel / Halvani, Oren, 2015, S. 21.
9 Vgl. Lorenzen, Meike, Big Data schafft den Zufall ab, WirtschaftsWoche Online, 01.03.2013, Düsseldorf, 2013, unter: http://www.wiwo.de.
10 Vgl. Steinebach, Martin / Schäfer, Marcel / Halvani, Oren, 2015, S. 21.
11 Vgl. Redaktion Intel, Einführung in Big Data: Die Analyse unstrukturierter Daten, Intel IT Center, Juni 2012, Santa Clara, 2012, unter: https://www.intel.de.
12 Vgl. Steinebach, Martin / Schäfer, Marcel / Halvani, Oren, 2015, S. 8.
13 Vgl. ebenda.
14 Vgl. Richtlinie 2007/2/EG des Europäischen Parlaments und des Rates vom 14. März 2007 zur Schaffung einer Geodateninfrastruktur in der Europäischen Gemeinschaft (INSPIRE), Art 3, Nr.2-3, Amtsblatt der Europäischen Union, L 108/14, 25.04.2007.
15 Vgl. Christiansen, Thomas / Erb, Wolf-Dieter Erb, GIS, Lexikon der Geographie, Spektrum, 2011, unter: http://www.spektrum.de.
16 Vgl. About BigGIS, FZI Forschungszentrum Informatik am Karlsruher Institut für Technologie, Karlsruhe 2017, unter: http://biggis-project.eu.
17 Vgl. Bernsdorf, Bodo / Bruns, Julian, Big-Data und Data-Mining im Umfeld städtischer Nutzungskartierung, Vortrag zum 8. Dresdner Flächennutzungssymposium, 12.05.2016, Dresden, 2016, unter: https://amazonas.fzi.de.
18 Vgl. Redaktion Behördenspiegel, Präventionskarte durch GIS, Kriminalitätsvorhersagen durch räumlich-zeitliches Denken, Behörden Spiegel Heft 11/2014, Bonn 2014.
19 Vgl. Elfert, Simon, Geodaten und Oracle, Polizei Bremen, 2015 in: DOAG Deutsche ORACLE-Anwendergruppe e.V. unter: https://www.doag.org.
20 Vgl. ebenda.
21 Vgl. Steinebach, Martin / Schäfer, Marcel / Halvani, Oren, 2015, S. 21.
-
-
-
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X.