Waarom leeft een ondertoezichtstaande organisatie wetten of regels niet na? Is het bijvoorbeeld uit onwetendheid, onkunde of onwil? En welke oorzaak zit daarachter? Misschien is er een verband tussen de mate van naleving en financiële bedrijfskenmerken. Naar dit soort hypotheses doet het Innovatie- en Datalab (ID-lab) van de Inspectie Leefomgeving en Transport (ILT) onderzoek.
De ILT ontwikkelt zich naar een informatie- en risicogestuurde organisatie. Data-onderzoek moet inspecteurs helpen efficiënter hun werk te doen. Dat onderzoek gebeurt in het ID-lab, dat enkele jaren geleden is opgericht. Onderzoekers van het ID-lab houden zich onder meer bezig met de ontwikkeling van voorspelmodellen en risicoanalyses.
“In bepaalde branches worden er meer overtredingen begaan als de markt aantrekt, omdat de focus dan minder op onderhoud van materieel ligt.”
Gedrag onder de loep
“Binnen de ILT is er steeds meer aandacht voor de gedragscomponent achter het ‘niet naleven'”, vertelt Noortje Groot, datascientist bij het ID-lab. “Het liefst ontwikkelen we oplossingen die onze inspecteurs direct in praktijk kunnen brengen, maar we hebben ook de vrijheid om aan de slag te gaan met onze eigen ideeën. De afgelopen periode hebben we ons bijvoorbeeld beziggehouden met de samenhang tussen naleving en financiële bedrijfskenmerken.
Zo onderzochten we in hoeverre een verslechterde financiële situatie van ondertoezichtstaanden een groter risico op overtredingen met zich meebrengt. Het kan zijn dat bedrijven te weinig middelen hebben om voldoende veiligheidsmaatregelen te nemen. Maar ook dat zij juist meer overtredingen begaan als de markt aantrekt, omdat de focus dan minder op onderhoud van materieel ligt.”
Microdata
Voor dit onderzoek hadden de onderzoekers flink wat financiële data nodig. Dit soort data heeft het lab niet zelf voorhanden, maar het Centraal Bureau voor de Statistiek (CBS) wel. “Het CBS heeft zogeheten microdata beschikbaar”, legt Groot uit. “Openbare data op bedrijfsniveau, waarmee je statistisch onderzoek kunt doen. In die data zochten we naar balansgegevens, gegevens uit de resultatenrekening van niet-financiële ondernemingen en gegevens uit de omzetbelasting over 2015 t/m 2017. Dat zijn variabelen als winst(uitkeringen) ten opzichte van omzet, vaste en variabele (loon)kosten en schulden.”
“Een enkele overtreding kan toevallig zijn, maar bij hoeveel overtredingen en van welke zwaarte spreken we ‘echt’ van een overtreding die we kunnen modelleren?”
Van overtreding tot model
Na die eerste analyse keken de onderzoekers of zij door koppelingen te maken een voorspellend model konden creëren. Zijn er verbindingen te leggen tussen die financiële variabelen en de mate van naleving? En is er onderscheid te maken in lichte, middelmatige en zware overtredingen? Groot: “Die laatste classificatie bleek lastig. De CBS-bestanden bevatten een beperkt aantal bedrijven met voldoende nalevingsgegevens. Daardoor waren we genoodzaakt om verschillende handhavingsgebieden samen te voegen. Een enkele overtreding kan toevallig zijn, maar bij hoeveel overtredingen en van welke zwaarte spreken we ‘echt’ van een overtreding die we kunnen modelleren? Die vraag is een studie op zich en toont de behoefte aan een eenduidig inspectieoordeel. Om tot een antwoord te komen, hebben we gesprekken gevoerd met inspecteurs. Hun antwoorden hebben we gemiddeld en gewogen. Tot op zekere hoogte konden we ons model daardoor gebruiken, maar de data waren helaas niet toereikend genoeg om écht betrouwbare uitspraken te kunnen doen.”
“Een inspectie richt zich in principe natuurlijk liever op het voorspellen van overtreders, maar het herkennen van karakteristieken van nalevers kan daaraan bijdragen.”
Toch heeft het onderzoek wel degelijk relevante informatie opgeleverd, stelt Groot. “We konden namelijk wel diverse patronen afleiden waarmee we vrij zeker tot een top 100 van regelnalevende bedrijven kwamen. Een inspectie richt zich in principe natuurlijk liever op het voorspellen van overtreders, maar ook het herkennen van karakteristieken van nalevers kan daaraan bijdragen. De nauwkeurigheid van die modellen verbeterde als we het oordeel baseerden op data van minimaal twee inspecties. De kans op een ’toevallig’ oordeel nam daarmee dus af.”
Vervolg
Hoewel het onderzoek voor nu is afgerond, blijft het thema relevant voor de onderzoekers in het ID-lab. “Beter zicht op subgroepen van ondertoezichtstaanden draagt bij aan de ondersteuning van naleving”, aldus Groot. “Misschien zijn er wel andere inspectiediensten op zoek naar vergelijkbare verbanden. Of hebben zij in eerdere onderzoeken al aanvullende inzichten opgedaan. In beide gevallen gaan we graag in gesprek om te zien wat we voor elkaar kunnen betekenen.”
Heb je vragen over dit onderzoek? Neem dan contact op via idlab@ilent.nl.
Verantwoording
Resultaten zijn gebaseerd op eigen berekeningen [ILT – Innovatie- en Datalab] op basis van niet-openbare microdata van Centraal Bureau voor de Statistiek betreffende het Algemeen Bedrijven Register (ABR), de aangifte omzetbelasting (BTW) en de Statistiek Financiën van niet-financiële ondernemingen (NFO).
