De spreiding en aanpak van sociale en fysieke overlast in de publieke ruimte

Transcriptie

1 De spreiding en aanpak van sociale en fysieke overlast in de publieke ruimte & Colloquium over overlast (AD Veiligheid en Preventie, FOD Binnenlandse Zaken) 29 maart 2019

2 Inhoud 2 I. Het concept overlast II. Meten van overlast III. Een empirische toepassing IV. De toekomst: innovatieve meetmethoden V. Preventie en aanpak van overlast

3 Inhoud 3 I. Het concept overlast II. Meten van overlast III. Een empirische toepassing IV. De toekomst: innovatieve meetmethoden V. Preventie en aanpak van overlast

4 I. H e t c o n c e p t o v e r l a s t Wat is overlast? 4 Enkele voorbeelden: Zwerfvuil Graffiti Vandalisme Stank Geluidshinder Hondenpoep Druggebruik Burenruzie Hangjongeren Openbaar dronkenschap Sommige vormen zijn gecriminaliseerd (bv. GAS), andere niet

5 I. H e t c o n c e p t o v e r l a s t Een overzicht 5 Overlast = inherent subjectief? Overlast en gepercipieerde overlast Samenhang (R) gepercipieerde sociale overlast en SSO sociale overlast: 0.56 Samenhang (R) gepercipieerde fysieke overlast en SSO fysieke overlast: 0.55 (Sampson & Raudenbush, 1999) Innes (2004): Whilst such things may be temporarily unsettling, unpleasant and damaging to an urban aesthetic, physical and social disorders only rarely pose an objective threat to security. Rather, their significance lies in how they encode messages about levels of unwanted risk and social control in an area. (p. 341) Signal crimes en signal disorder

6 I. H e t c o n c e p t o v e r l a s t Oorzaken overlast en criminaliteit 6 1. Overlast Criminaliteit 2. Sociale desorganisatie Collectieve weerbaarheid Opportuniteiten Overlast Criminaliteit

7 I. H e t c o n c e p t o v e r l a s t Welke effecten heeft overlast? 7 Enkele voorbeelden: Mentale gezondheidsproblemen Afname informele sociale controle Erosie van sociale banden Afname onderling sociaal vertrouwen Angst voor criminaliteit Afname vertrouwen in overheidsinstellingen Residentiële mobiliteit Afname gemeenschapstrots

8 Inhoud 8 I. Het concept overlast II. Meten van overlast III. Een empirische toepassing IV. De toekomst: innovatieve meetmethoden V. Preventie en aanpak van overlast

9 I I. M e t e n v a n o v e r l a s t Verschillende databronnen 9 Surveys (buurtbewoners of key informants) Pro: lokale kennis Con: hoge kostprijs om valide meting te verkrijgen Geregistreerde criminaliteitsdata Pro: spatio-temporele schaal en reikwijdte Con: selectiemechanismen politiestatistieken Veldobservaties Pro: onafhankelijke metingen Con: momentopname (Skogan, 2012)

10 I I. M e t e n v a n o v e r l a s t SWING- en SCAN-studie 10 SCIF: Social Cohesion in Flanders Relatie sociale cohesie, veiligheid en criminaliteit Criminologische Wetenschappen + Politieke Wetenschappen + Sociaal Beleid + Economie SWING: Social capital and Well-being in Neighborhoods in Ghent Relatie sociaal kapitaal, veiligheid en gezondheid Criminologische Wetenschappen + Gezondheidswetenschappen SCAN: Social Capital in Neighborhoods 2016 heden Relatie sociaal kapitaal, veiligheid en risicogedrag: online + offline Criminologische Wetenschappen + Communicatiewetenschappen

11 Inhoud 11 I. Het concept overlast II. Meten van overlast III. Een empirische toepassing IV. De toekomst: innovatieve meetmethoden V. Preventie en aanpak van overlast

12 I I I. E e n e m p i r i s c h e t o e p a s s i n g SWING-studie 12 L1: buurtbewoners L2: 142 buurten key informants observatiechecklists Externe data

13 I I I. E e n e m p i r i s c h e t o e p a s s i n g Theoretisch macro-model 13 Economische achterstelling Sociaal vertrouwen Angst voor criminaliteit Overlast

14 I I I. E e n e m p i r i s c h e t o e p a s s i n g Empirische toetsing macro -model (N=142 buurten) 14 (1) (2) (3) (4) Economische achterstelling (1) 1 Sociaal vertrouwen (2) -.52*** 1 Overlast (3).73*** -.57*** 1 Angst voor criminaliteit (4).57*** -.42***.54*** 1

15 I I I. E e n e m p i r i s c h e t o e p a s s i n g Empirische toetsing macro -model (N=142 buurten) 15 Diefstal uit voertuigen Bedreigingen met geweld Economische achterstelling.29***.50*** Sociaal vertrouwen -.34*** -.36*** Overlast.30***.43*** Angst voor criminaliteit.27**.36***

16 I I I. E e n e m p i r i s c h e t o e p a s s i n g Theoretisch cross-level model 16 H3 Collectieve weerbaarheid: Sociaal vertrouwen Informele sociale controle Overlast H4 Gender Leeftijd Opleidingsniveau Eigen woning Individueel sociaal kapitaal: Individuele sociale steun Grootte sociaal netwerk H5 Angst voor criminaliteit H1 H2

17 I I I. E e n e m p i r i s c h e t o e p a s s i n g Empirische toetsing cross-level model 17 N=142 buurten Overlast Informele sociale controle (ns) Sociaal vertrouwen (ns) + +/- 8% Vrouwen Ouderen Laag opgeleiden Sociale huurders N=2.730 buurtbewoners + Grootte sociaal netwerk Individuele sociale steun - Angst voor criminaliteit +/- 92%

18 I I I. E e n e m p i r i s c h e t o e p a s s i n g SCAN-studie 18 Empirisch belang van gepercipieerde sociale overlast SCAN dataverzameling (L1) eind 2018 (N=1.753) x =1,66 x =1,64 x =1,66 x =1, : x =1, : x =1, : x =1, : x =1, : x =1,58 65+: x =1,46 Laag: x =1,79 Midden: x =1,68 Hoog: x =1,61 Buurten met verhoogd armoederisico: x =2,18 Buurten zonder verhoogd armoederisico : x =1,48

19 Inhoud 19 I. Het concept overlast II. Meten van overlast III. Een empirische toepassing IV. De toekomst: innovatieve meetmethoden V. Preventie en aanpak van overlast

20 I V. D e t o e k o m s t : i n n o v a t i e v e m e e t m e t h o d e n Dataverzameling: drones 20 Grubesic, Wallace, Chamberlain, & Nelson (2018): Using Unmanned Aerial Systems (UAS) for Remotely Sensing Physical Disorder in Neighborhoods

21 I V. D e t o e k o m s t : i n n o v a t i e v e m e e t m e t h o d e n Dataverzameling: user-generated content 21 Solymosi, Bowers, & Fujiyama (2017): Crowdsourcing Subjective Perceptions of Neighbourhood Disorder: Interpreting Bias in Open Data Crowdsourcing: Fix My Street Conceptualiseren van de bias van wat wordt gerapporteerd Assumptie: weerspiegeling van signal disorders : die signalen waar het publiek voldoende belang aan hecht om te rapporteren Maar: (1) individuele geneigdheid om te rapporteren (bias van wie rapporteert) en (2) digital divide

22 I V. D e t o e k o m s t : i n n o v a t i e v e m e e t m e t h o d e n Data-analyse: Systematische Sociale Observatie Primair materiaal Manuele codering Bv. Project on Human Development in Chicago Neighborhoods Sampson & Raudenbush (1999): Systematic Social Observation of Public Spaces: A New Look at Disorder in Urban Neighborhoods 2. Secundair (open source) materiaal Manuele codering Bv. Google Street View Cfr. SWING-studie Kronkvist (2013): Systematic Social Observation of Physical Disorder in Inner-City Urban Neighborhoods Through Google Street View: The Correlation Between Virtually Observed Physical Disorder, Self-Reported Disorder and Victimization of Property Crimes

23 I V. D e t o e k o m s t : i n n o v a t i e v e m e e t m e t h o d e n Data-analyse: Systematische Sociale Observatie Secundair (open-source) materiaal Codering m.b.v. artificiële intelligentie Objectdetectie en categorisering ( computer vision ) op basis van convolutionele neurale netwerken (Gebru et al., 2018)

24 Inhoud 24 I. Het concept overlast II. Meten van overlast III. Een empirische toepassing IV. De toekomst: innovatieve meetmethoden V. Preventie en aanpak van overlast

25 V. P r e v e n t i e e n a a n p a k v a n o v e r l a s t Beleidsaanbevelingen 25 Zicht op de (spatio-temporele spreiding van de) problemen: uniform, gecentraliseerd en laagdrempelig meldpunt voor overlast Distributie naar bevoegde diensten (zodat burger de drempel van uitzoeken bevoegde dienst niet ervaart) Sensibilisering Analyse van de patronen Nudging (gedragseconomische benadering) Anticiperen op overlast én perceptie van overlast Evaluatieonderzoek van preventieprojecten

26 Contact t. t. IRCP Ghent University Universiteitstraat 4 B 9000 Ghent

27 Bibliografie 27 Gau, J. M., & Pratt, T. C. (2008). Broken windows or window dressing? Citizens (in)ability to tell the difference between disorder and crime. Criminology & Public Policy, 7(2), Gebru, T., Krause, J., Wang, Y., Chen, D., Deng, J., Lieberman Aiden, E., & Fei-Fei, L. (2017). Using deep learning and Google Street View to estimate the demographic makeup of neighborhoods across the United States. PNAS, 114(50), Hardyns, W., & Pauwels, L. (2014). De relatie tussen economische achtergesteldheid en onveiligheidsbeleving: Een Gentse buurtanalyse. In: L. Pauwels, S. De Keulenaer, S. Deltenre, E. Devroe, J. Forceville, W. Hardyns, R. Kerkab, E. Maes, D. Moons, J. Plessers, S. Pleysier, P. Ponsaers, E. Van Dael & A. Verhage (Eds.), Criminografische Ontwikkelingen III: van (victim)survey tot penitentiaire statistiek (Panopticion Libri n 9) (pp ). Antwerpen: Maklu. Hardyns, W., Snaphaan, T., Pauwels, L., Vyncke, V., & Willems, S. (2018). A multilevel analysis of collective efficacy, neighborhood disorder, and individual social capital on avoidance behavior. Crime & Delinquency. doi: / Innes, M. (2004), Signal crimes and signal disorders: Notes on deviance as communicative action. British Journal of Sociology, 55(3), Sampson, R.J., & Raudenbush, S.W. (1999). Systematic social observation of public spaces: A new look at disorder in urban neighborhoods. American Journal of Sociology, 105(3), Skogan, W. G. (2012). Disorder and crime. In: D. P. Farrington & B. C. Welsh (Eds.), The Oxford Handbook of Crime Prevention. Oxford University Press. Weisburd, D., Groff, E. R., & Yang, S. M. (2012). The criminology of place: Street segments and our understanding of the crime problem. Oxford University Press. Wilson, J.Q., & Kelling, G.L. (1982). The police and neighbourhood safety: Broken windows. The Atlantic Monthly, 3(2),