Van data naar handhavingsinformatie Eric Cornelisse – RotterdamDaan Hillemans - ’s-Hertogenbosch

Het 1x inrichten van het werkproces, in plaats van in iedere gemeente afzonderlijk, heeft voordelen:

– Besparing in de uitvoeringskosten én programmakosten door verhoging van de effectiviteit van ons handelen

– Gemeenten kunnen meer tijd vrij maken voor gericht en persoonlijk cliëntgebonden contact

Vertrekpunt: Technische realisatie is mogelijk, met behoud van ruimte voor lokaal beleid én met behoud van eigen gemeentelijk IT-omgeving en systemen.

Ook voor InformatieGestuurd Handhaven

DATA samenbrengen op basis van een combinatie van:

- Mensmodel (inbreng van experts)

- Machinemodel (inbreng van big data en statistiek)

Dit resulteert in: potentiele (risico-) PROFIELEN

met een verhoogde kans op ‘ONRECHTMATIGHEID’

Na validatie van het profiel, kan deze aan de werkstromen toegevoegde worden.

VALIDATIE = een profiel leidt tot hoger aandeel fraudeurs, dan bij een willekeurige selectie.

IGH = het ontwerp en de bouw van een zelflerend model (machine learning)

door aanvankelijk 12 en inmiddels 14 gemeentes.

Ervaringen (resultaten) zijn weer input voor betere selectie van gevalideerde risicoprofielen.

Hoe leert het model?

- via uniforme werkwijze

- via uniforme verslaglegging / registratie van de uitkomsten

• Informatiemodel (signalen en afhandeling daarvan)

• Gericht op uniforme definitie, registratie en aanpak (filteren, afhandelen, evalueren)

• Doel is om de verbetercyclus te kunnen managen: hoe goed doen we het?

• Benchmarking• Verschil in de tijd• Verschil in regio

• Doorlopend verbeteren richting het handhavingsoptimum (PDCA)

• Verbeteren van selectiecriteria, uitvoeringspraktijk, afhandeling van signalen, …

= LEM

DATA

PROFIELEN

WERKSTROMEN

UNIFORME WERKWIJZE UNIFORME REGISTRATIE

RESULTATEN

INPUT VOOR VERBETERING MODEL

Doel:

– met gelijke middelen een groter handhavingseffect te bereiken

of

– het huidige handhavings-effect te borgen met inzet van minder middelen

Door middel van slimme software,

die beschikbare databestanden analyseert en

gekwalificeerde signalen oplevert.

Bovendien ondersteunt het machinemodel de mensgerichte aanpak en omgekeerd

Signalen (databronnen):

• Tips (o.a. burgers)

• Systematische rechtmatigheidscontrole

• Justitie

• Inkomsten

• Vermogen

• Woon- en leefsituatie

• Studie

• Ondernemerschap

Werkproces signalen:• Filtering, van bruto naar

onderzoekswaardige (netto) signalen• Administratief onderzoek (netto signalen)• Persoonlijk gesprek (confrontatie)• Bijzonder onderzoek (speuren)• Mogelijke resultaten:

• Ongewijzigd• Terugvorderen• Beëindigen• Boete• Informeren• Bezwaar

VOORBEELD-GEMEENTE

Wat is de impact van het implementeren van het LEM in iedere deelnemende gemeente?

In termen van registratie, betekenis van velden, categorisatie, systeemtechnisch, …

1. Wat hebben we al? (IST)

2. Waar willen we naartoe? (SOLL)

3. Wat is het verschil en hoe overbruggen we dat? (impact en actie)

Leer- en evalueermodelInventarisatie signaalcategorieën

Aantallen signalen:Signaalcategorie Bruto Gefilterd Netto Geen vervolg Terugvordering Aanpassing Beëindiging

TipsSystematisch rechtmatigsheidsonderzoek

JustitieInkomstenVermogen

Woon- en leefsituatieStudie

Geen fraudemeldpunt

Gaat nog handmatig

TV in ander systeem

Geen bestuurlijke prioriteit

Geen DATA

VOORBEELD-GEMEENTE

• Om tot een groter handhavingseffect te komen: IGH

• Het leer- en evalueermodel helpt bij de evaluatie van de handhavingsinspanningen:• Benchmarking• Verschil in de tijd

• Daarvoor: informatiemodel bestaande uit signaalcategorieën en afhandelingscategorieën (resultaten/uitkomsten).

• Impactanalyse: wat is de impact van het implementeren van het Lem? • Ist• Soll• Verschil• Actie