«Predictive Policing»: Mit Big Data und schlauer Software auf Verbrecherjagd

Nr. 13 –

Wenn der Computer hilft, Einbrüche zu verhindern: Mit Precobs, einem Programm, das vorhersagt, wo Delikte stattfinden werden, hat die Zürcher Stadtpolizei angeblich grossen Erfolg. Wie funktionieren solche lernfähigen Maschinen – und wann wird der letzte Dieb gefasst?

«Können Wohnungseinbrüche in Zukunft dank Big Data vorhergesagt werden?» Mit dieser Frage beschäftigt sich der 8. Schweizer Polizeiinformatikkongress am Erscheinungstag dieser WOZ in Bern. Auch die «mobile Anwendung eines Prognosesystems für Kriminalitätsgeschehen» wird europaweit erstmals vorgestellt. Auf Interesse stossen dürften aber vor allem die neusten technischen Gadgets an den rund dreissig Messeständen.

«Predictive Policing» ist das neue grosse Ding in der Verbrechensbekämpfung, das zeigte bereits der Polizeikongress in Berlin Ende Februar: Programme errechnen automatisch, wie wahrscheinlich es ist, dass innerhalb eines bestimmten Umkreises oder von einer bestimmten Person eine Straftat begangen wird.

In den USA und Britannien kommt Predictive Policing schon seit rund sieben Jahren zum Einsatz. Nun verbreitet es sich in Deutschland, Österreich und auch in der Schweiz. Die Stadtpolizei Zürich arbeitet seit November 2014 mit Precobs, dem Precrime Observation System. Jeden Morgen wird das Computerprogramm mit den neusten Einbruchsanzeigen gefüttert. Dann sucht es in den eingespeisten Merkmalen – Adresse, Vorgehensweise, Beute, Datum und Uhrzeit – nach Regelmässigkeiten und leitet aus ihnen eine Prognose darüber ab, wo es bald zu einem weiteren Einbruch kommen wird.

Zauberei? – Statistik!

Die Trefferquote der Vorhersagen liegt laut Precobs-Entwickler Thomas Schweer vom Institut für musterbasierte Prognosetechnik im deutschen Oberhausen bei etwa achtzig Prozent. Die Zürcher Precobs-NutzerInnen zeigen sich begeistert. Marco Cortesi, Pressesprecher der Stadtpolizei, sagt, die Zahl der Einbrüche sei in den Gebieten, in denen das Programm bislang eingesetzt wurde, um dreissig Prozent gefallen. Denn die Stadtpolizei hat dort ihre Streifenpatrouillen erhöht. In Zukunft will sie laut Cortesi von präventiven auf repressive Massnahmen wechseln und verstärkt mit verdeckten Ermittlern statt offen und abschreckend gegen Einbrüche vorgehen.

Die Ausdrücke «Predictive Policing» oder «Predictive Analytics» wurden von Firmen wie IBM oder Predpol lanciert. Mit welchen Daten die Computerprogramme gefüttert werden, ist frei wählbar. Einträge in den polizeilichen Vorgangsdatenbanken sind die wichtigste Quelle. Sie werden unter anderem angereichert mit Informationen zu Wetterlage, Bevölkerungsdichte, Altersstruktur, lokalem Durchschnittseinkommen, Zahltagen grosser ortsansässiger Firmen, Schulferien oder Stromverbrauch.

In die automatischen Verbrechensprognosen fliessen grosse Datenmengen ein. Hunderte von Terabytes, das Fassungsvermögen Tausender handelsüblicher Festplatten, können in wenigen Minuten verarbeitet werden – Big Data für die Polizei. Der eigentliche Clou beim Predictive Policing ist aber nicht die riesige Datenmenge, die ohne technische Hilfsmittel niemals zu durchdringen wäre. Entscheidend ist, dass die Software gerade nicht nach einer fertigen Formel rechnet, sondern diese Formel selbst entwickelt.

Die Maschinen lernen und gewichten anhand von Daten aus der Vergangenheit, wie wichtig die verschiedenen Variablen sind, also beispielsweise welchen Einfluss Arbeitslosigkeit auf die Zahl von Körperverletzungen in einem Stadtgebiet hat. In einer Trainingsphase entwickelt das Programm ein Kriminalitätsmodell. Dann erhält es aktuelle Daten, wendet das Modell an und malt schliesslich rote und gelbe Vierecke auf einen Stadtplan auf dem Bildschirm – Orte, an denen es wahrscheinlich zu Straftaten kommen wird.

Das wirkt wie Zauberei, aber es handelt sich lediglich um Statistik. Zum Einsatz kommen Verfahren wie Regressionsanalysen, Kerndichteschätzungen oder Künstliche Neuronale Netze (KNN). Oft nutzen die Systeme gleich mehrere Methoden und bilden aus abweichenden Ergebnissen die Mittelwerte. Banken arbeiten schon lange mit solchen Verfahren, die einschätzen, wie wahrscheinlich es ist, dass ein Kreditnehmer in Zukunft seine Raten bezahlen wird.

Automatische Modellbildung wirkt ebenso faszinierend wie unheimlich, vor allem, weil sich die einzelnen Rechenschritte nicht nachvollziehen lassen. Die Metapher vom Data Mining trifft die Sache aber eigentlich ganz gut: So wie ein Goldschürfer mit einem Sieb in einem Fluss nach glänzenden Nuggets sucht, so suchen die Programme nach Personen oder Orten, die einem Raster entsprechen, die also bestimmte Merkmale aufweisen. Auch ein Goldsucher kann mit seinem Werkzeug nur solche Klumpen aus dem Fluss ziehen, die nicht durch die Löcher des Siebs passen.

Das Computerprogramm tut im Prinzip das Gleiche, wenn es Daten durchsucht – mit zwei wichtigen Unterschieden: Erstens begutachtet das Programm die Fälle nicht nur anhand eines Kriteriums (Grösse des Goldnuggets), sondern anhand beliebig vieler Kriterien (Grösse, Farbe, Form, Gewicht …). Zweitens kann der Computer sozusagen die Maschenweite seines Siebes eigenständig anpassen, wenn ihm gesagt wird, wonach er suchen soll.

Weltweit planen immer mehr Polizeibehörden ihre Einsätze mit computergenerierten Prognosen. Dank Predictive Policing sei es in der US-amerikanischen Stadt Memphis gelungen, die Kriminalitätsrate um 28 Prozent zu senken, wirbt beispielsweise IBM. Unabhängige ExpertInnen beurteilen die Wirksamkeit zurückhaltender. «Wir haben nach wie vor keinen Nachweis, dass sich auf diese Art die Kriminalitätsraten senken lassen», betont der Kriminologe Alexander Globa vom niedersächsischen Landeskriminalamt. Er hat die vorhandenen Studien über Predictive Policing ausgewertet. Die kursierenden Erfolgsmeldungen hält er für wenig aussagekräftig. In den USA beispielsweise gehe die Kriminalität ohnehin seit längerem zurück, auch in Regionen, in denen die Polizei nicht mit computergenerierten Prognosen arbeite.

Auch Kommissar Computer irrt

Stefan Strauss, Informatikexperte beim österreichischen Institut für Technikfolgenabschätzung, warnt ebenfalls vor übertriebenem Enthusiasmus: «Big Data ist ein neuer Marketingbegriff, keine neue Technik.» Viel zu wenig würde über nach wie vor bestehende Fehlerraten und Unsicherheiten gesprochen. In einigen US-amerikanischen und britischen Städten nutzt die Polizei Vorhersage-Software bereits für eine breite Palette an Delikten vom Drogenhandel bis zur Körperverletzung.

Das Programm Precobs hingegen, das in Zürich und mittlerweile auch in anderen Schweizer Städten eingesetzt wird, sucht ausschliesslich nach professionellen EinbrecherInnen; GelegenheitstäterInnen sollen durch einen vorgeschalteten Filter ausgesiebt werden. Mittlerweile prüft die Stadtpolizei Zürich, ob Precobs auch gegen andere Vermögensdelikte wie Raub oder Diebstahl taugt. Andere Verbrechen hingegen seien schwer vorherzusehen, betont Marco Cortesi: «Prognostizierbar sind nur musterhafte Delikte. Das ist bei meist spontanen Gewaltdelikten kaum gegeben.»

Der Algorithmus von Precobs beruht auf dem Prinzip «Near Repeat»: Nach einem erfolgreichen Einbruch liegt die Wahrscheinlichkeit, dass es in der Nähe innerhalb von sieben Tagen zu einer Folgetat kommt, bei über sechzig Prozent. Diese zeitliche und räumliche Häufung hat einleuchtende Ursachen. «Serieneinbrecher kunden die Tatorte vorher aus», sagt Cortesi. «Sie wollen wissen, wo es sich lohnt, wo Fluchtwege sind.» Nach einem erfolgreichen Diebstahl kommen viele Täter noch einmal.

Prognose-Software kann für die Einsatzplanung der Polizei nützlich sein, aber ein neues Kapitel der Verbrechensbekämpfung wird sie nicht aufschlagen. Nicht zuletzt, weil mithilfe von Predictive Policing nicht ein Gewitter vorhergesagt werden soll, sondern menschliches Verhalten. Ein Platzregen lässt sich von einer Wetterprognose nicht beeindrucken. VerbrecherInnen hingegen sind lernfähig und reagieren unter Umständen auf die Vorhersage, indem sie ihr Verhalten ändern.

Sobald EinbrecherInnen begriffen haben, dass die Zürcher Polizei von dem Prinzip «Near Repeat» ausgeht, werden sie ihr Vorgehen entsprechend anpassen und sich anders(wo) bedienen.

Bedrohte Persönlichkeitsrechte

«Vor den Tätern am Tatort sein», wie es die Hersteller der Prognose-Software versprechen, war schon immer ein Wunschtraum von PolizistInnen. «Vor die Lage kommen» ist ihr geflügeltes Wort dafür – vorbeugend eingreifen statt den TäterInnen hinterherlaufen. Aber gerade weil Predictive Policing nicht hält, was die Werbung verspricht, will die Polizei dann schnell mehr – neuere, bessere Daten, mehr Daten.

Dieser Datenhunger bedroht die Persönlichkeitsrechte: Je mehr Datenquellen verarbeitet werden, umso mehr Menschen werden routinemässig polizeilich in Augenschein genommen. Gegenwärtig entstehen beispielsweise Anwendungen, die das Internet der Dinge – die totale Vernetzung unserer Umwelt – für polizeiliche Ermittlungen erschliessen sollen. Informatiker haben ausserdem wiederholt vorgeführt, dass angeblich anonymisierte oder pseudonymisierte Daten mit nur wenig (Rechen-)Aufwand zurück auf Personen bezogen werden können.

Je enger digitale Spuren mit bestimmten Personen verbunden sind, umso nützlicher sind sie aber für Verhaltensprognosen. Die Londoner Polizei untersuchte vergangenes Jahr in einem Pilotprojekt mit 3000 ehemaligen Straftätern, wie gut sich kriminelle Rückfälle vorhersagen lassen. Analysiert wurden nicht nur die Fallgeschichten und soziodemografische Daten, sondern auch, was die Verdächtigen auf Facebook schrieben: Äusserten sich Gangmitglieder negativ über andere Gangmitglieder, wurde das als Hinweis auf eine bevorstehende Auseinandersetzung gewertet.

Wer neben StraftäterInnen wohnt …

In britischen und US-amerikanischen Städten arbeitet die Polizei bereits mit sogenannten «Heat lists»: Wer auf einer solchen Liste steht, auch mögliche Opfer sind darunter, gilt als gefährlich oder gefährdet und wird besonders scharf beobachtet. In Chicago etwa nutzt die Polizei eine Datenbank mit über 400 Personen, um Rückfälle zu prognostizieren. Voraussetzung dazu sind frühere Straftaten oder Anzeigen, aber auch wer in der Nähe von StraftäterInnen wohnt oder diese kennt, gerät in den Kreis der Verdächtigen.

Predictive Policing schafft das Erfahrungswissen und die eingeschliffenen Gewohnheiten von PolizistInnen nicht ab, aber es verändert doch ihre Arbeit. Die automatisierten Verfahren verteilen Verdacht und Risiko neu. «Objektiver» wird die Polizeiarbeit dadurch nicht unbedingt. Schwarze zum Beispiel werden besonders häufig kontrolliert, daher überproportional häufig in die polizeilichen Datenbanken eingetragen, und landen schliesslich häufiger in den Mühlen der Justiz. Auf einer solchen Datengrundlage können die Computeralgorithmen gar nicht anders, als bestehende Diskriminierungen zu reproduzieren. Diese scheinen nun aber objektiv begründet – mit den Weihen mathematischer Präzision.