Meine Merkliste Geteilte Merkliste PDF oder EPUB erstellen

Siegeszug der Algorithmen? Predictive Policing im deutschsprachigen Raum | Innere Sicherheit | bpb.de

APuZ Editorial Innere Sicherheit als Thema parteipolitischer Auseinandersetzung Soziale Tatsachen. Eine wissenssoziologische Perspektive auf den "Gefährder" Siegeszug der Algorithmen? Predictive Policing im deutschsprachigen Raum Ausnahmefall Deutschland. Die Debatte um einen Einsatz der Bundeswehr im Innern Autonome und Gewalt. Das Gefahrenpotenzial im Linksextremismus Objektive und subjektive Sicherheit in Deutschland Streit um die streitbare Demokratie.

Siegeszug der Algorithmen? Predictive Policing im deutschsprachigen Raum

Simon Egbert

/ 16 Minuten zu lesen

In zahlreichen Polizeibehörden im deutschsprachigen Raum werden derzeit softwaregestützte Prognosetechnologien zur Umsetzung vorhersagebasierter Polizeiarbeit (Predictive Policing) erprobt oder eingeführt. Gegenwärtig werden in sechs deutschen Bundesländern sowie in der Schweiz Systeme pilotiert beziehungsweise bereits im Regelbetrieb verwendet, die Verbrechen – meistens handelt es sich einzig um das Delikt des Wohnungseinbruchdiebstahls – vorhersagen sollen. Mit ihrer fest implementierten polizeilichen Nutzung in Bayern (München und Mittelfranken), Zürich, Aargau und Basel-Landschaft sowie ihrer derzeitigen Erprobung in Baden-Württemberg ist dabei die kommerzielle Prognosesoftware "PRECOBS" (Pre Crime Observation System) hiesiger Marktführer. Daneben entwickeln die Landeskriminalämter sowohl in Nordrhein-Westfalen mit dem Programm "SKALA" (System zur Kriminalitätsauswertung und Lageantizipation) als auch in Berlin mit dem System "Krim Pro", in Niedersachsen mit dem Programm "PreMAP" und in Hessen mit der Software "KLB-operativ" (Kriminalitätslagebild-operativ) prognosebasierte Eigenkreationen.

Seien sie nun käuflich erworben oder selbst entwickelt, mit den Prognosesystemen ist die Erwartung verbunden, durch eine intelligentere Verknüpfung und Nutzung polizeilichen Wissens effizienter operieren zu können: Die systematische Auswertung der durchaus üppigen und lange Zeit weitgehend unangetasteten landespolizeilichen Datenbestände verspricht die Möglichkeit, potenzielle Taten im Vorfeld zu erkennen und Streifenkräfte gezielt in die als riskant identifizierten Räume zu senden. Relevante Lageinformationen für die strategische Einsatzplanung könnten künftig durch die algorithmische Analyse in Echtzeit vorliegen, sodass die Polizei mit den Prognoseprogrammen letztlich "vor die Lage kommt" und fähig ist, einzugreifen, bevor ein Verbrechen geschehen kann. Zudem besteht die Hoffnung, auf diesem Wege deutlich weniger personelle Ressourcen für die Lageanalyse einsetzen zu müssen als bisher, denn stetigen Budgetkürzungen stehen mindestens gleichbleibende Anforderungen gegenüber.So sagt etwa Günter Okon vom Bayerischen Landeskriminalamt: "Diese Arbeit müssten sich sonst 25 Kollegen in allen Präsidien machen, so rechnet ein Programm für alle."

Über die neuen technischen Möglichkeiten und den ökonomischen Druck hinaus ist ein weiterer Grund für das aktuell starke Interesse an polizeilichen Prognoseverfahren ein genuin politischer: Das derzeit hauptsächlich prognostizierte Delikt, der Wohnungseinbruchdiebstahl, ist aufgrund anhaltend steigender Fallzahlen in den vergangenen Jahren und gleichzeitiger Stagnation ohnehin niedriger Aufklärungs- und Verurteilungsquoten zu einem Politikum geworden. Die deutschen Sicherheitsbehörden, so der einschlägige Tenor, müssten neue, kreative Maßnahmen gegen die zunehmende Bedrohung durch professionelle Einbrecherinnen und Einbrecher und insbesondere reisende Serientäterinnen und Serientäter einsetzen. Zugleich eignet sich die Einführung vielversprechender Technologien hervorragend, um Entschlossenheit und Aktionsfähigkeit gegen kriminelle Auswüchse zu demonstrieren und damit Handlungsstärke beim Einsatz für die Sicherheit der Bürgerinnen und Bürger zu beweisen. So versuchten sich etwa im nordrhein-westfälischen Landtagswahlkampf 2017 sowohl die CDU als auch die SPD mit dem Versprechen eines landesweiten Einsatzes von Predictive Policing beziehungsweise des Prognoseprogramms "SKALA" zu profilieren.

Zwar ist die Kontextualisierung von Predictive Policing als wirksames techno-fix für Kriminalitätsprobleme durchaus keine gewagte politisch-rhetorische Strategie, wird die Pilotierung und Einführung von Predictive Policing in Deutschland doch durchaus von einem insgesamt eher wohlwollenden medialen Diskurs begleitet. Gleichzeitig ist dieser Prozess aber auch von erheblichen Missverständnissen über Methodik und Erfolgsaussichten von polizeilicher Prognosesoftware geprägt. Ziel dieses Beitrags ist es, einen grundlegenden Überblick über die Funktionsweise und den möglichen Nutzen der derzeit im Rahmen von Predictive Policing genutzten Prognosetechnologien zu geben.

"This ist not Minority Report": Grundlagen des Predictive Policing

Insbesondere die gleichsam unvermeidbare mediale Referenz zu Philip K. Dicks Kurzgeschichte "Minority Report" von 1956 beziehungsweise deren Verfilmung von Steven Spielberg aus dem Jahr 2002, in der die Polizeieinheit "Precrime" im Washington, D.C. des Jahres 2054 zukünftige Morde voraussieht und die Täter präventiv in Gewahrsam nimmt, hat in den Köpfen vieler Menschen falsche Vorstellungen von der tatsächlichen Präzision und den Gegenständen polizeilicher Prognosen geschaffen. Diese werden zum Teil auch von einschlägigen Anbietern selbst provoziert: Als "deutungsleitend" gilt beispielsweise der für den US-Markt produzierte Werbespot des IT-Unternehmens IBM von 2012, in dem ein Polizist unter Rückgriff auf eine Prognosesoftware den genauen Ort und Zeitpunkt eines Raubüberfalls vorhersieht und diesen durch seine Präsenz vor ebenjenem Supermarkt, den der Täter anvisiert hatte, verhindert. Auch der Anbieter von "PRECOBS" spielt nicht zuletzt durch den Namen seiner Software mit der Assoziation "Minority Report", der jenem der hellseherischen Instanzen aus Dicks Erzählung – der "Precognitives" ("Precogs") – auffällig ähnlich ist.

Schaut man sich aber die genaue Funktionsweise und die hinter den Programmen liegenden Methodiken an, wird schnell augenfällig, dass es im Gegensatz zu der Polizeieinheit "Precrime" aus "Minority Report" bei der gegenwärtigen Nutzung von polizeilicher Prognosesoftware nicht um die präzise Vorhersage konkreter Taten samt Täter, Tatort und Tatzeit geht, sondern deutlich abstrakter um die Prognose von möglichen Risikogebieten (zum Beispiel einer Wohnquartiersebene mit rund 400 Haushalten) in einem spezifischen Zeitraum (zum Beispiel für sieben Tage). Deshalb gilt: "This is not Minority Report." Weil es sich stets um statistisch fundierte Analysen handelt, operieren die Systeme mit Wahrscheinlichkeiten und eben nicht mit festen Gewissheiten. Derzeitige Verfahren des Predictive Policing arbeiten folglich mit probabilistisch hergeleiteten Risikoerwartungen. Im Falle von "PRECOBS" wird beispielsweise ein Hochrisikogebiet für einen Einbruch mit einer Eintrittswahrscheinlichkeit desselben von mindestens 75 Prozent verbunden.

Predictive Policing ist also zu verstehen als die polizeiliche Anwendung von analytisch-technischen Verfahren, um wahrscheinliche Ursprünge beziehungsweise Zeiten und/oder Orte zukünftiger Kriminalität zu prognostizieren. Aus Gründen terminologischer Präzision macht es zunächst Sinn, die Begriffskombination "Predictive Policing" mit "vorhersagebasierter Polizeiarbeit" und nicht mit "vorausschauender Polizeiarbeit" zu übersetzen. Denn auch viele andere polizeiliche Praktiken, wie etwa alle kriminalpräventiven Maßnahmen, sind vorausschauend motiviert, operieren aber nicht mit technisch generierten Prognosen. Zudem eignet sich eine solche Begriffsverwendung besser, um das probabilistische Fundament der Prognosen zu unterstreichen, als die gängige Bezeichnung "vorhersagende Polizeiarbeit".

Gleichzeitig sollte die Definition nicht per se auf die Nutzung einer eigenständigen Prognosesoftware limitiert werden, da auch weitere technische Möglichkeiten für vorhersagebasierte Polizeiarbeit existieren, etwa per intelligenter Videoüberwachung mit Kameras, die verdächtiges Verhalten registrieren und mögliche Risikopersonen vorab identifizieren sollen. Eine technologisch offene Begriffsbestimmung scheint auch gerade deshalb sinnvoll, da in Zukunft mit einer substanziellen Erweiterung des technologischen Prognoseportfolios von vorhersagebasierter Polizeiarbeit zu rechnen ist. Denn eine Erweiterung der jeweils adressierten Prädiktionsreferenzen und der dabei genutzten Daten ist technisch relativ problemlos möglich.

So wird bereits jetzt an einem Ausbau der prognostischen Deliktspalette gearbeitet, damit in Zukunft – so die Hoffnung – neben Wohnungseinbruchdiebstählen auch zum Beispiel Kfz-Einbrüche, -Diebstähle und Raubdelikte vorhergesagt werden können.

Gleichermaßen gibt es international bereits Bestrebungen, nicht nur räumlich gebundene Prognosen zu erstellen, sondern auch personenbezogene Vorhersagen zu generieren (Predictive Profiling). Dies gilt zum Beispiel für die "Strategic Subject List" der Polizei Chicago, in deren Rahmen Personen etwa gemäß ihrer Vorstrafen, Gangmitgliedschaften und gewaltsamer Todesfälle im Bekanntenkreis ein Risikoscore bezüglich der Wahrscheinlichkeit zugeordnet wird, dass sie Opfer oder Täter eines Tötungsdeliktes werden.

Auch in Deutschland gibt es bereits ähnliche Bemühungen: So hat Anfang 2017 das Bundeskriminalamt sein Prognosesystem "RADAR-iTE" (Regelbasierte Analyse potenziell destruktiver Täter zur Einschätzung des aktuellen Risikos – islamistischer Terrorismus) vorgestellt, das die individuellen Risikopotenziale islamistischer "Gefährder" beziehungsweise "Relevanter Personen" auf Basis ihres beobachtbaren Verhaltens konkretisieren soll. Noch einen Schritt früher will das Projekt "X-Sonar" (Analyse extremistischer Bestrebungen in sozialen Netzwerken) ansetzen, das aktuell vom Bundesministerium für Bildung und Forschung gefördert wird und die Programmierung eines softwaregestützten Instruments zur Identifizierung von Radikalisierungsmustern in sozialen Medien zum Ziel hat.

Varianten des Predictive Policing

Trotz dieser Bestrebungen, die Möglichkeiten des Predictive Policing weiter auszubauen und auf Personen zu beziehen, sind raumbezogene Verfahren die derzeitige Hauptform vorhersagebasierter Polizeiarbeit. Dabei wird spezielle Prognosesoftware genutzt, um auf Grundlage von statistisch fundierten, algorithmisch prozessierenden Analysen polizeilicher und zunehmend auch weiterer Daten – wie beispielsweise zur örtlichen Infrastruktur und zu sozioökonomischen Aspekten – zukünftige Risikoorte und -zeiträume von Wohnungseinbruchdiebstählen zu prognostizieren. In allen Regelanwendungen im deutschsprachigen Raum wird (bislang) rein auf polizeiliche Daten zurückgegriffen, während im baden-württembergischen Modellversuch mit "PRECOBS" bereits mit sozioökonomischen und infrastrukturellen Daten experimentiert wurde. Dies wird auch im nordrhein-westfälischen Projekt "SKALA" getan, in dessen Rahmen das dortige Landeskriminalamt zusätzlich zu den polizeilichen Daten öffentlich zugängliche infra- und soziostrukturelle sowie sozioökonomische Daten käuflich erworben hat.

Bei den raumbezogenen Verfahren des Predictive Policing können drei Varianten unterschieden werden. Die Strategie des Hotspot-Policing ist eine altbekannte Methode, räumlich zuordenbare Kriminalitätsschwerpunkte gezielt mit polizeilichen Interventionen zu bedenken. Dabei werden geocodierte polizeiliche Falldaten genutzt, um vergangene und zeitlich stabile, also mindestens mehrere Wochen andauernde, Kriminalitätscluster zu dokumentieren. Sobald ein robustes Muster aus der Vergangenheit extrahiert werden kann, ist dieses problemlos auf die Zukunft übertragbar, indem die sogenannten Hotspots schlicht in die Zukunft fortgeschrieben werden. Damit haben wir es hier also mit einer denkbar einfachen Variante des Predictive Policing zu tun. Tatsächlich ist es so, dass in einigen Polizeibehörden diese prognostizierten räumlichen Ballungen von Kriminalität gar nicht an die örtlichen Kräfte weitergeleitet werden, da die Stärke von Predictive Policing – wie mehrere Anwenderinnen und Anwender berichten – gerade in der Vorhersage bisher unbekannter Tatorte gesehen und davon ausgegangen wird, dass sich die örtlichen Polizeikräfte ohnehin in die bekannten Brennpunkte begeben.

Beim Near-repeat-Ansatz basiert die Prognose auf der Annahme, dass vorherige beziehungsweise gegenwärtige Viktimisierung ein guter Prädiktor für Wiederholungstaten ist, die im unmittelbaren zeitlichen und räumlichen Kontext der Ersttat auftreten. Die wesentlichen kriminologischen Thesen, auf denen diese Methodik fußt, der zum Beispiel die Software "PRECOBS" bis dato im Wesentlichen folgt, beruhen auf der Rational-choice-Theorie und dem verwandten Routine-activity-Approach sowie auf dem Postulat der near repeats. Während die ersten beiden Ansätze von streng rational denkenden Täterinnen und Tätern ausgehen, die ihr Handeln an Kosten-Nutzen-Kalkulationen orientieren, besagt letzterer, "dass geografische Bezirke, in denen ein Einbruch erfolgt ist, häufig in kurzer Zeit und im direkten Umfeld mit Folgedelikten rechnen müssen". Dieser Gedankengang basiert auf der These, dass bestimmte Tätertypen überdurchschnittlich häufig nach spezifischen Wiederholungsmustern vorgehen, die sich aus der (statistisch erhobenen) Vergangenheit in die Zukunft fortschreiben lassen. Auf den Wohnungseinbruchdiebstahl bezogen, sind mit diesen Tätertypen insbesondere professionelle und/oder reisende Täterinnen und Täter sowie organisierte Diebesbanden gemeint. Diese würden, so die These, wenn sie denn einmal erfolgreich eingebrochen sind und dabei ein Gebiet ausgekundschaftet haben, im dortigen Umfeld abermals zuschlagen, da sie mögliche Risiken besser einschätzen könnten (auch als Boost-Hypothese bezeichnet). Die alleinige Fokussierung auf rationales, hochgradig kalkulierendes Vorgehen impliziert, dass Gelegenheits- und Affekttaten auf Basis dieser Methodik nicht vorhersagbar sind.

Bei der Risk-terrain-Analyse werden zukunftsbezogene räumliche Risikoprofile nicht nur auf Basis polizeilicher Falldaten kreiert, sondern zusätzlich mit Rückgriff auf etwa sozioökonomische und infrastrukturelle Daten wie Einkommensverteilung, Bausubstanz, Hauptverkehrsstraßen, Bars, Klubs oder Einkaufsmöglichkeiten erstellt. Gleichzeitig ist hierbei keine alleinige Fokussierung auf die Annahme der near repeats gegeben, sondern es lassen sich prinzipiell alle als brauchbar wahrgenommenen (kriminologischen) Theorien beziehungsweise Thesen integrieren, um auf dieser Basis bislang unbekannte Risikozusammenhänge zwischen unterschiedlichen räumlichen Variablen abzuleiten. Tendenziell folgt diese Herangehensweise der klassischen Data-Mining-Maxime, wonach es nur genug Daten benötige, um bis dato "hidden patterns and relationships" zu entdecken. Hierbei ist allerdings zwischen rein datengetriebenen und zumindest partiell theoriegestützten Ansätzen zu unterscheiden. Beispielhaft für letztere ist das Vorgehen des Landeskriminalamts in Nordrhein-Westfalen mit dem Projekt "SKALA". Hier wurden zahlreiche kriminologische Theorien in algorithmische Befehle übersetzt und neben den eigenen polizeilichen Daten weitere Informationen unter anderem zur Sozialstruktur und zur Einkommensverteilung in das System importiert, um daraus multifaktorielle Risikozusammenhänge für Wohnquartiere vorherzusagen. International gibt es bereits Bestrebungen, Daten aus sozialen Netzwerken in solche Analysen zu integrieren.

Die Unterteilung verschiedener Varianten des Predictive Policing gemäß der Art der Prognoseerstellung soll nicht überdecken, dass Predictive Policing als ganzheitliche polizeiliche Praxis zu verstehen ist und keineswegs nur die Prognoseerstellung selbst umfasst. So muss die Polizei etwa streng darauf achten, dass die in die jeweiligen Vorgangsbearbeitungssysteme eingepflegten Falldaten zu den Einbruchsdelikten korrekt sind. Denn auch der beste Algorithmus generiert keine nutzbaren Prognosen, wenn die zugrunde liegenden Daten fehlerhaft sind.

Und auch wenn die Prognose noch so präzise ist – wird sie nicht adäquat vor Ort umgesetzt, indem beispielsweise nicht die geeignete Interventionsstrategie gewählt oder zu wenige Kräfte in das prognostizierte Risikogebiet geschickt werden, ist der gewünschte Effekt nicht erzielbar. Die Polizei hat hierbei insbesondere zwei operative Möglichkeiten: Zum einen kann sie einem präventiven Ansatz folgen und uniformierte Streifenkräfte in den prognostizierten Risikogebieten patrouillieren lassen, um geneigte Täterinnen und Täter durch erhöhte polizeiliche Präsenz abzuschrecken. Zum anderen kann ein repressives Vorgehen gewählt werden, was die Entsendung von zivilen Kräften impliziert und die Festnahme in flagranti zum Ziel hat. Derzeit dominiert an den meisten Anwendungsorten ein präventiver Ansatz, da weniger die Steigerung der Aufklärungsquote als die Reduktion der Fallzahlen im Zentrum der Nutzung steht.

Welche Wirkung hat Predictive Policing?

Versuche, die erhofften präventiven und effizienzsteigernden Effekte von Predictive Policing empirisch zu untermauern, sind bislang ebenso vereinzelt wie umstritten. So gibt es mit Blick auf den tatsächlichen Nutzen der Prognosetechnologien derzeit noch "(m)ehr Fragen als Antworten". Viele Verantwortliche in den Sicherheitsbehörden warten deshalb gespannt auf den Evaluationsbericht des Max-Planck-Instituts für ausländisches und internationales Strafrecht zum "PRECOBS"-Modellversuch in Baden-Württemberg, von dem konkrete, in politische Entscheidungen übersetzbare Aussagen über die Wirksamkeit von Predictive Policing erwartet werden. Allerdings ist fraglich, ob solche aus dem Bericht hervorgehen werden, da aufgrund der Kontextbedingungen des Evaluationsprojekts – es handelte sich zum Beispiel nicht um ein experimentelles Forschungsdesign und auch der Bewertungszeitraum war mit sechs Monaten recht kurz – eine eindeutige Bewertung zur Effektivität erschwert wird.

Die grundsätzliche Frage, wie erfolgreich Predictive Policing als polizeiliche Strategie wirklich ist, ist ohnehin sehr schwer zu beantworten, da über die Treffergenauigkeit der generierten Prognosen keine Aussage getroffen werden kann: Prognostiziert die Software einen Einbruch in einem klar definierten Gebiet und Zeitraum und findet dieser nicht statt, ist hinterher unklar, ob die Software fehlging oder die Streifenkräfte die Tat erfolgreich verhindert haben. Die von den Anbietern kommerzieller Prognosesoftware oft prominent herausgestellten Trefferquoten sind ohne mitgelieferte Kontextinformationen nur sehr eingeschränkt aussagekräftig, da es beispielsweise erheblich auf die Größe des Referenzraumes und den Zeitraum der Vorhersagen ankommt, mit welcher Wahrscheinlichkeit sie tatsächlich einzutreffen vermögen.

Ohnehin gilt für die bislang genutzten polizeilichen Prognosesysteme, die allesamt nach statistischen Maßgaben operieren, die Maxime, dass eine hinreichend große Anzahl an Fällen notwendig ist, um robuste Prognosen generieren zu können. Eine solche findet sich vor allem in dicht besiedelten Gebieten und kaum im ländlichen Raum, wo die Systeme also (derzeit) kaum sinnvoll einsetzbar sind.

Ferner gilt es bei der Verarbeitung polizeilicher Daten stets zu berücksichtigen, dass die polizeilich registrierte Kriminalität ("Hellfeld") von der tatsächlich existierenden Kriminalität abweicht und dabei durchaus strukturelle und raumbezogene Verzerrungen zum Tragen kommen können. Denn an jenen Orten, die die Polizei stark kontrolliert, werden auch zahlreiche Straftaten dokumentiert. Diese Verzerrungen werden sodann durch die Prognosen reproduziert, was prinzipiell die Gefahr einer nachhaltigen räumlichen Stigmatisierung birgt. Jedoch ist eine wesentliche und freilich unumgängliche Arbeitshypothese vorhersagebasierter Polizeiarbeit, dass das registrierte und folglich in die Prognosesoftware importierte Bild der Einbruchskriminalität eine Repräsentation der tatsächlichen Kriminalitätswirklichkeit sei.

Gleichermaßen kann zwischen der (kurzfristigen) Senkung der Deliktzahlen, wie sie in zahlreichen Polizeibehörden vermeldet werden, und dem Einsatz einer Prognosesoftware kein kausaler Zusammenhang hergestellt werden: Zum einen sind die Fallzahlen beim Wohnungseinbruchdiebstahl ohnehin recht schwankend; zum anderen ist kriminelles Verhalten immer multifaktoriell bedingt und kann nicht per se einigen wenigen (Kontroll-)Faktoren zugerechnet werden; und schließlich stellt der Einsatz von polizeilicher Prognosesoftware oft nur eine Einzelmaßnahme in einem entsprechenden Bündel dar, sodass eine exklusive Erfolgszuschreibung ausgeschlossen ist. Zudem bleibt unklar, ob eine Reduktion der Fallzahlen des Wohnungseinbruchdiebstahls auf eine tatsächlich geringere Kriminalitätsbelastung hindeutet oder lediglich räumliche oder deliktische Verdrängungseffekte markiert.

Unstrittig ist jedoch, dass polizeiliche Prognosesoftware nicht als exklusives Allheilmittel zu begreifen ist, sondern – wenn überhaupt – als zusätzliches Hilfsmittel für die alltägliche polizeiliche Arbeit. Zu beachten ist hierbei auch, dass die meisten Vorhersagesysteme nicht nur Kriminalitätsprognosen erstellen, sondern gleichzeitig Werkzeuge für die erweiterte statistische Analyse von Kriminalitätsdaten sind – eine Tätigkeit, die in deutschen Polizeibehörden bisweilen erstaunlich wenig verbreitet ist.

Letztlich darf bei der Wirkungsfrage nicht vergessen werden, dass wir es hier mit einer kommerziell vertriebenen und politisch instrumentalisierbaren, symbolisch durchaus leicht aufladbaren Sicherheitstechnologie zu tun haben, deren Einsatz auch schlicht dadurch legitimiert werden kann, dass sich daraus politisches und/oder kommerzielles Kapital schlagen lässt.

Polizeiarbeit der Zukunft?

Obgleich Predictive-Policing-Software bereits in mehreren deutschsprachigen Städten von den dortigen Polizeien eingesetzt wird, ist bislang noch weitestgehend unklar, was diese Technologien tatsächlich für praktische Effekte haben, inwieweit sie in die polizeilichen Routinen eingreifen und diese wirklich zu verbessern helfen. Trotzdem – oder gerade deshalb? – verspricht man sich von ihrer Einführung weitreichende Sicherheitsgewinne, da die Hoffnung aufkeimt, Straftaten bereits vor ihrem Begehen detektieren und abwenden zu können. Die Faszination gegenüber Predictive Policing lässt sich auch damit erklären, dass entsprechende Softwarepakete als avancierte Technologien wahrgenommen werden und mit dieser Attribuierung diskursiv wirkmächtige Zuschreibungen verbunden sind.

Der wesentliche Neuigkeitswert, den die vorhersagebasierte Polizeiarbeit mit sich bringt, ist deshalb vor allem mit Bezug auf den Faktor Zeit und die erheblichen Ressourcen- beziehungsweise Kostenersparnisse zu sehen. In diesem Sinne ist Predictive Policing vor allem ein Mittel zur Effektivitätssteigerung polizeilicher Arbeit und eine Ergänzung bisheriger kriminalistischer Strategien.

Mit dem Aufkommen von Predictive Policing ist letztlich das Potenzial einer technologischen Zäsur verbunden, das sich auf die Türöffnerfähigkeit der Prognosetechnologien bezieht: Wird ein solches Programm einmal implementiert, ist es aufgrund technischer und organisationaler Parameter etwa mit Blick auf institutionelle Pfadabhängigkeiten ein Leichtes, das prognostische Deliktportfolio sukzessive zu erweitern. Hierbei ist ebenso zu bedenken, dass die meisten Prognosepakete zusätzlich die Möglichkeit bieten, mit dem üppigen polizeilichen Datenfundus zu "spielen", deskriptive und explorative Datenanalysen durchzuführen und damit die Programme noch stärker in den polizeilichen Alltag zu integrieren.

So ist es in der Tat nicht unwahrscheinlich, dass die algorithmisch mediatisierte (Prognose-)Arbeit hiesiger Polizeien mit den gegenwärtig bereits genutzten und entwickelten Systemen einen qualitativen Sprung macht und deren Einführung retrospektiv als Meilenstein zu betrachten sein wird.

Für Anregungen und Kommentare danke ich den Teilnehmerinnen und Teilnehmern des Workshops "Der Einsatz von Prognosetechnologien durch die Polizei, Gerichte und im Strafvollzug" am 16./17. März 2017 an der Albert-Ludwigs-Universität Freiburg.

Fussnoten

Fußnoten

  1. Vgl. Thomas Schweer, Musterbasierte Tatortvorhersagen am Beispiel des Wohnungseinbruchs, in: Die Kriminalpolizei 1/2015, S. 13–16; ders., Predictive Policing – Straftaten erkennen und verhindern, bevor sie passieren, in: Deutsches Polizeiblatt 1/2016, S. 25ff.; Dominik Balogh, Near Repeat-Prediction mit PRECOBS bei der Stadtpolizei Zürich, in: Kriminalistik 5/2016, S. 335–341.

  2. Vgl. Lucia Sommerer, Geospatial Predictive Policing – Research Outlook & A Call for Legal Debate, in: Neue Kriminalpolitik 2/2017, S. 147–164, hier S. 153ff. Die Gründe für die Entwicklung eigener Prognosesoftware sind neben finanzieller vor allem operativer Art: Man sorgt sich um die Hoheit über die eigenen Kriminalitätsdaten und fürchtet eine mangelnde Nachvollziehbarkeit der prognostischen Entscheidungsfindung, da die Algorithmen bei externen Produkten etwa aufgrund von anbieterseitig gepflegten Geschäftsgeheimnissen nicht vollends nachvollziehbar sind. Vgl. Alexander Gluba, Predictive Policing – eine Bestandsaufnahme, in: Kriminalistik 6/2014, S. 347–352, hier S. 352.

  3. Vgl. etwa Charlie Beck/Colleen McCue, Predictive Policing: What Can We Learn from Wal-Mart and Amazon about Fighting Crime in a Recession?, in: Police Chief 11/2009, S. 18–24.

  4. Vgl. Balogh (Anm. 1), S. 337.

  5. Dieter Schürmann, "SKALA" Predictive Policing als praxisorientiertes Projekt der Polizei NRW, 24.6.2015, Externer Link: http://www.bka.de/SharedDocs/Downloads/DE/Publikationen/ForumKI/ForumKI2015/kiforum2015
    SchuermannPositionspapier.html
    .

  6. Zit. nach Daniel Wolf, Kommissar Computer. So will Bayerns Polizei Einbrüche vorhersagen, 9.9.2014, Externer Link: http://www.focus.de/_id_4118919.html.

  7. Vgl. Tillman Bartsch et al., Phänomen Wohnungseinbruch – Taten, Täter, Opfer, in: Kriminalistik 8–9/2014, S. 483–490, hier S. 483. Exemplarisch für die korrespondierende mediale Debatte vgl. Torsten Krauel, Der Staat versagt bei seinem Kernauftrag, 15.5.2013, Externer Link: http://www.welt.de/article116223952.html.

  8. Vgl. Landtag Nordrhein-Westfalen, Drucksache 16/122344, 28.6.2016, S. 5; CDU Nordrhein-Westfalen, Zuhören. Entscheiden. Handeln. Regierungsprogramm der CDU für Nordrhein-Westfalen 2017–2022, 1.4.2017, Externer Link: http://www.cdu-nrw.de/sites/default/files/media/docs/2017-04-01_regierungsprogramm_cdu_fuer_nrw_2017-2022.pdf., S. 5; Vgl. Ministerium für Inneres und Kommunales des Landes Nordrhein-Westfalen, NRW-Einbruchszahlen gehen im ersten Quartal 2017 30% zurück, 2017, Externer Link: http://www.mik.nrw.de/startseite/kampf-gegen-einbrueche/skala.html.

  9. Vgl. Gluba (Anm. 2), S. 347. Für den Werbesport siehe Externer Link: http://www.youtube.com/watch?v=iY3WRvXVogo.

  10. Ein erster, bewusst in Anlehnung an "Minority Report" gewählter Arbeitstitel der Software war in der Tat "PRECOGS". Vgl. Balogh (Anm. 1), S. 336.

  11. Vgl. Schweer 2015 (Anm. 1), S. 15.

  12. Walter L. Perry et al., The Role of Crime Forecasting in Law Enforcement Operations, Santa Monica 2013, S. 8.

  13. Vgl. etwa Kai Biermann, Noch hat niemand bewiesen, dass Data Mining der Polizei hilft, 29.3.2015, Externer Link: http://www.zeit.de/digital/datenschutz/2015-03/predictive-policing-software-polizei-precobs/komplettansicht.

  14. Vgl. Joseph Scheppach, Kamera mit Blick fürs Böse, in: Technology Review 6/2015, S. 76f., hier S. 76.

  15. Vgl. etwa Balogh (Anm. 1), S. 340.

  16. Zu den beiden raum- beziehungsweise personenbezogenen Grundformen des Predictive Policing vgl. Sommerer (Anm. 2), S. 149.

  17. Vgl. Chicago Data Portal, Strategic Subject List, 2.5.2017, Externer Link: https://data.cityofchicago.org/Public-Safety/Strategic-Subject-List/4aki-r3np.

  18. Vgl. Bundeskriminalamt, Neues Instrument zur Risikobewertung von potenziellen Gewaltstraftätern, Pressemitteilung 2.2.2017, Externer Link: http://www.bka.de/DE/Presse/Listenseite_Pressemitteilungen/2017/Presse2017/170202_Radar.html. Siehe auch den Beitrag von Andrea Kretschmann in dieser Ausgabe (Anm. d. Red.).

  19. Vgl. Bundesministerium für Bildung und Forschung, Analyse extremistischer Bestrebungen in sozialen Netzwerken (X-SONAR), o.D., Externer Link: http://www.sifo.de/files/Projektumriss_X-SONAR.pdf.

  20. Vgl. Balogh (Anm. 1), S. 340.

  21. Vgl. Schürmann (Anm. 5), S. 5.

  22. Vgl. Cody W. Telep/David Weisburd, Hot Spots and Place-Based-Policing, in: Gerben Bruinsma/David Weisburd (Hrsg.), Encyclopedia of Criminology and Criminal Justice, New York 2013, S. 2352–2363.

  23. Vgl. Schweer 2015 (Anm. 1), S. 13; Balogh (Anm. 1), S. 335f.

  24. Vgl. Lawrence E. Cohen/Marcus Felson, Social Change and Crime Rate Trends: A Routine Activity Approach, in: American Sociological Review 4/1979, S. 588–608; Michael Townsley/Ross Homel/Janet Chaseling, Infectious Burglaries. A Test of the Near Repeat Hypothesis, in: British Journal of Criminology 3/2003, S. 615–633.

  25. Schweer 2015 (Anm. 1), S. 14.

  26. Vgl. Gluba (Anm. 2), S. 348.

  27. Vgl. Perry et al. (Anm. 12), S. 50ff.

  28. Colleen McCue/Andre Parker, Connecting the Dots: Data Mining and Predictive Analytics in Law Enforcement and Intelligences Analysis, in: The Police Chief 10/2003, S. 115–122.

  29. Vgl. Schürmann (Anm. 5), S. 2, S. 4, S. 7.

  30. Vgl. Bernd Belina, Predictive Policing, in: Monatsschrift für Kriminologie und Strafrechtsreform 2/2016, S. 85–100, hier S. 90.

  31. Vgl. Alexander Gluba, Mehr offene Fragen als Antworten, in: Die Polizei 2/2016, S. 53–57, hier S. 56.

  32. Vgl. Perry et al. (Anm. 12), S. 14.

  33. Vgl. etwa Balogh (Anm. 1), S. 340.

  34. Gluba (Anm. 31).

  35. Vgl. Dominik Gerstner, Predictive Policing als Instrument zur Prävention von Wohnungseinbruchdiebstahl. Evaluationsergebnisse zum Baden-Württembergischen Pilotprojekt P4, Freiburg/Br. (i.E.).

  36. Vgl. Karl-Ludwig Kunz/Tobias Singelnstein, Kriminologie. Eine Grundlegung, Bern 20167, S. 199f.

  37. Vgl. Kristian Lum/William Isaac, To Predict and Serve?, in: Significance 13/2016, S. 14–19.

  38. Vgl. Lyria Bennett Moses/Janet Chan, Algorithmic Prediction in Policing: Assumptions, Evaluation, and Accountability, in: Policing and Society, 8.11.2016 (online), Externer Link: http://www.tandfonline.com/doi/full/10.1080/10439463.2016.1253695. Erleichternd kommt bei diesem Punkt allerdings zum Tragen, dass die Anzeigebereitschaft bei den Opfern von Wohnungseinbrüchen aufgrund von Auflagen seitens der Hausratversicherungsgeber recht hoch ist.

  39. So sind etwa in der Stadt München die Einbruchszahlen 2015 – im Jahr der "PRECOBS"-Einführung – im Vorjahresvergleich um 17 Prozent zurückgegangen, in den "PRECOBS"-Bezirken um 58 Prozent. Auch in Nürnberg, wo 2014 noch ein Anstieg der Einbruchsdelikte von 24,3 Prozent zu verzeichnen war, gingen die Taten 2015 um 19,1 Prozent zurück.

  40. Vgl. etwa Felix Bode/Florian Stoffel/Daniel Keim, Variabilität und Validität von Qualitätsmetriken im Bereich von Predictive Policing, 4.4.2017, Externer Link: https://bib.dbvis.de/uploadedFiles/Bode_0402496.pdf; Balogh (Anm. 1), S. 340.

  41. Vgl. Belina (Anm. 30), S. 93.

  42. Vgl. Aldo Legnaro/Andrea Kretschmann, Das Polizieren der Zukunft, in: Kriminologisches Journal 2/2015, S. 94–111, hier S. 105ff.

Lizenz

Dieser Text ist unter der Creative Commons Lizenz "CC BY-NC-ND 3.0 DE - Namensnennung - Nicht-kommerziell - Keine Bearbeitung 3.0 Deutschland" veröffentlicht. Autor/-in: Simon Egbert für Aus Politik und Zeitgeschichte/bpb.de

Sie dürfen den Text unter Nennung der Lizenz CC BY-NC-ND 3.0 DE und des/der Autors/-in teilen.
Urheberrechtliche Angaben zu Bildern / Grafiken / Videos finden sich direkt bei den Abbildungen.
Sie wollen einen Inhalt von bpb.de nutzen?

ist wissenschaftlicher Mitarbeiter am Institut für Kriminologische Sozialforschung der Universität Hamburg und arbeitet dort im Forschungsprojekt "Predictive Policing. Eine ethnografische Studie neuer Technologien zur Vorhersage von Straftaten und ihrer Folgen für die polizeiliche Praxis", das von der Fritz Thyssen Stiftung gefördert wird. E-Mail Link: simon.egbert@wiso.uni-hamburg.de