Hanthavenjen fan yllegale fakânsjeferhier

Gemeente Amsterdam

Yn Amsterdam is der beheinde wen- en akkommodaasjeromte, sawol foar Amsterdammers as besikers. It ferhieren fan in hûs of wenboat oan toeristen moat oan bepaalde betingsten foldwaan.

Lêst feroare op 3 juny 2025 om 10:05 | Publikaasjestandaard 1.0

• Publicatiecategorie: Ympaktfolle algoritmes
• Impacttoetsen: Fjild net ynfierd.
• Status: Bûten gebrûk

Algemene ynformaasje

Tema

• Ekonomy
• Romte en ynfrastruktuer

Begjindatum

Fjild net ynfierd.

Kontaktgegevens

[e-mail]

Ferantwurde gebrûk

Doel en impact

Bygelyks, it kin wêze foar maksimaal 30 nachten yn 't jier en foar 4 persoanen tagelyk. It moat meld wurde oan 'e gemeente. Net elkenien hâldt him oan dizze betingsten. De gemeente krijt soms meldingen fan buorlju dy't fermoedzje dat in hûs yllegaal ferhierd is. Meiwurkers fan Tafersjoch & Hanthavening ûndersykje dit. It algoritme helpt om de meldingen te prioritearjen, sadat de beheinde hanthaveningskapasiteit effisjint en effektyf ynset wurde kin. Troch gegevens te analysearjen, skat it algoritme it risiko dat de hûs op it meldde adres yllegaal ferhierd wurdt. It algoritme brûkt hjirfoar gegevens fan yllegale fakânsjeferhier fan 'e ôfrûne 5 jier. It giet hjirby om meldingen, gegevens dy't de gemeente sammele hat tidens it wurkproses, persoanlike gegevens (Basisregistraasje Persoanen) en gegevens oer gebouwen (Basisregistraasje Adressen en Gebouwen).

Afwagings

Fjild net ynfierd.

Minskele tuskenkomst

Der is gjin automatisearre beslútfoarming. As wy in adres ûndersykje op fertinking fan yllegale fakânsjeferhier, is dit basearre op in melding fan bygelyks in lokale ynwenner of in ferhierplatfoarm. It algoritme helpt de meiwurkers fan Tafersjoch & Hanthavening om te bepalen hokker meldingen de grutste kâns hawwe op yllegale ferhier, sadat dizze meldingen earst ûndersocht wurde kinne. De meiwurker krijt in oersjoch te sjen, dat de kritearia sjen lit op basis wêrfan it algoritme it risiko op yllegale fakânsjeferhier heech of leech skat. Op dizze wize jouwe wy ynsjoch yn 'e basis wêrop it algoritme syn risikobeoardieling basearre hat. Oft der eins sprake is fan yllegale fakânsjeferhier wurdt bepaald troch de ferantwurdlike tafersjochhâlder en de projekthanthavener. Hjirfoar wurdt in foarôfgeand oan tsjinst en fjildûndersyk útfierd. It dossier wurdt dan yntinsyf besprutsen yn in debriefing mei de meiwurkers dy't besluten nimme kinne. It algoritme hat in wichtige ynfloed op 'e folchoarder wêryn't wy meldingen behannelje, mar beslút net selsstannich oft der sprake is fan yllegale fakânsjeferhier. Om te foarkommen dat meiwurkers tefolle fertrouwen hawwe yn it algoritme, is der ien oansteld om it algoritme en de wurking dêrfan te kontrolearjen. Derneist is in wurkynstruksje opsteld foar de meiwurkers dy't mei dit ynstrumint wurkje sille. Derneist folgje de meiwurkers in workshop oer de kânsen en risiko's fan it brûken fan algoritmen.

Risikobehear

It systeem hat fansels gefolgen foar de potinsjele dieder. In melding kin mear of minder prioriteit krije as sûnder it algoritme. Wy hawwe ferskate maatregels nommen om te soargjen dat alle risikobeoardielingen fan it algoritme net basearre binne op tafal. In wichtige maatregel is dat wy dit algoritme yn in pilotfaze wiidweidich en kontinu evaluearje op bygelyks betrouberens, foardat it yn 'e bedriuwsfiering ymplementearre wurdt.

Taljochting op impacttoetsen

skema fan fraude mei fakânsjehúskes: https://open.amsterdam/woo-zoeken/detail/34945e09-3564-4492-9850-af5cc0790811

Wurking

Gegevens

Identiteits- en wengegevens (BRP) In beheinde set gegevens út 'e Gemeentlike Basis Persoanlike Registers (BRP) oer de identiteit en wensituaasje fan 'e bewenners, nammentlik: namme fan 'e registrearre bewenners; bertedatum; datum fan fertrek út Amsterdam; datum fan fertrek fan adres; datum fan fêstiging fan adres; datum fan ferstjerren. Gegevens oer gebouwen (BAG) In beheinde set gegevens út 'e Gemeentlike Basis Persoanlike Registers (BAG) oer it gebou, nammentlik: adres, strjitkoade, postkoade; ID-adres; beskriuwing fan it gebou; Amsterdamse BAG-koade, nasjonale BAG-koade; type hûs (hier, sosjale hierwenten / partikuliere sektor, oankeap); adressearber BAG ID-nûmer fan keamers; ferdjippingsoerflak; ferdjippingsnivo fan appartemintefoardoar; oantal ferdjippings; beskriuwing fan ferdjippingsnivo fan wenning. Gegevens út gefal fan yllegale fakânsjeferhier Gegevens út 'e melding en elke relatearre gefal fan yllegale fakânsjeferhier, nammentlik: saak-ID; datum fan begjin ûndersyk / melding; stadium fan ôfhanneling fan 'e melding; stadiumnûmer, beskriuwing en ID; (meldings)koade; oertredingskoade; koade (ôfhanneling) meiwurker; anonime melder/net; datum fan melding; situaasjebeskriuwing; befiningen fan ûndersyk; brûker dy't rapport oanmakke hat (mei datum), of it oanpast hat (mei datum fan wiziging); behannelingkoade (type saak, teamtaakstelling); resultaat; datum wêrop saak sletten is; reden wêrom't saak sletten is.

Technyske wurking

Arsjitektuer fan it model De gemeente Amsterdam hat in algoritme ûntwikkele dat ferbiningen en patroanen fine kin yn in grutte hoemannichte ynformaasje oer yllegale fakânsjeferhier. It algoritme berekkent hokker ynformaasje faker assosjeare wurde kin mei yllegale fakânsjeferhier en hokker ynformaasje net. It algoritme docht dit troch wiskundige berekkeningen út te fieren neffens it kânsbeamprinsipe. Dit betsjut dat it algoritme in gemiddelde nimt op basis fan in grut oantal kânsberekkeningen. Dit gemiddelde wurdt brûkt om de wiskundige ferwachting fan yllegale fakânsjeferhier op in adres te generearjen. It algoritme berekkent dizze ferwachting allinich as wy in nij rapport ûntfange (bygelyks fan in ynwenner- of ferhierplatfoarm) fan mooglike yllegale fakânsjeferhier. Dit algoritme wurdt in 'random forest regression algorithm' neamd. Om de oerwagings dy't it algoritme makket transparant te meitsjen foar minsken, tapasse wy de "SHAP"-metoade (SHapley Additive exPlanations; https://github.com/slundberg/shap). SHAP berekkent foar elk yndividueel gefal hokker yndikatoaren bydroegen hawwe oan dy foarsizzing en oft dit derfoar soarge hat dat de foarsizzing heger of leger wie. Op dizze manier kin in meiwurker altyd sjen wêr't it algoritme syn risikobeoardieling op basearre hat en in lykwichtige beslút nimme. Prestaasjes It foardiel fan in 'random forest regression' is dat it in frij kompleks algoritme is dat de werklikheid goed benaderje kin. Der is lykwols in kâns op overfitting. In 'beam' mei in protte lagen komprimearret de gegevens om spesifike antwurden te jaan. Der is ûndersyk dien nei hoefolle lagen it model nedich hat om generyk fan tapassing te bliuwen en dus net overfit te wêzen. Derneist wurde gegevenspunten kontinu kategorisearre (groepearre), sadat it model in dúdlik oantal mooglikheden hat ynstee fan in ûneinich oantal mei trochgeande wearden. Dit makket it model better yn steat om ta in konklúzje te kommen.