Ortsbezogene Prognose von Kriminalitätsschwerpunkten

Polizeien und kommunale Präventionsteams wollen ihre begrenzten Streifen- und Präventionskräfte dorthin lenken, wo in den kommenden Tagen am ehesten Straftaten zu erwarten sind. Ortsbezogene Prognosemodelle (Near-Repeat-Regeln, Kerndichteschätzung, Gradient Boosting, selbsterregende Punktprozesse) machen aus historischen Falldaten Risikokarten für kleine Gebiete und kurze Zeitfenster. Die Belege für einen Rückgang der Kriminalität sind gemischt, und Verzerrung, Transparenz und rechtliche Grenzen sind die zentralen Gestaltungsthemen – nicht allein die Modellgenauigkeit. Der Umfang ist strikt ortsbezogen: Das kriminelle Risiko einzelner Personen vorherzusagen ist ein anderer Anwendungsfall (PRED-045) und in der EU weitgehend verboten.

Problem & Nutzen

• Wer: Landespolizeien (in Deutschland die Landeskriminalämter und Polizeipräsidien), kommunale Präventionsräte und, in anderer Form, Versicherer und Sicherheitsdienstleister.
• Heute: Analysten zeichnen Schwerpunktkarten von Hand oder mit GIS-Kerndichte; die Streifenplanung folgt der Erfahrung, und kurzfristige Häufungen lassen sich nur begrenzt vorhersehen.
• Warum KI/Statistik hilft: Einbrüche zeigen Near-Repeat-Muster – nach einer Tat sind benachbarte Objekte für kurze Zeit einem erhöhten Risiko ausgesetzt. Modelle formalisieren dies zusammen mit saisonalen, Wetter- und Kontexteffekten. Zu den in öffentlichen Quellen dokumentierten Einsätzen der deutschen Polizei gehören PRECOBS (Nürnberg 2016 bis Oktober 2021, München seit 2017, ein Pilot in Stuttgart/Karlsruhe 2015 für 220.000 EUR), SKALA (Nordrhein-Westfalen, landesweit seit Januar 2018, mit IBM SPSS Modeler gebaut), KrimPro (Berlin, stadtweit im Oktober 2016) und PreMAP (Niedersachsen) [1].
• Ehrliche Nutzenaussage: Eine Evaluation des baden-württembergischen PRECOBS-Piloten (Freiburg, 2017) kam zu dem Schluss, dass die Wirkung auf die Einbruchszahlen trotz positiver Hinweise schwer zu beurteilen war [1]. Nürnberg hat PRECOBS 2021 eingestellt [1]. Eine journalistische Prüfung des US-Anbieters Geolitica (früher PredPol) ergab, dass weniger als 0,5 % von rund 23.600 Vorhersagen in Plainfield, NJ einer gemeldeten Straftat der vorhergesagten Art entsprachen; das Unternehmen stellte Ende 2023 den Betrieb ein [2]. Begegnen Sie Anbieterversprechen zur Kriminalitätsreduktion mit Skepsis und verlangen Sie eine kontrollierte Evaluation.

Varianten

• Near-Repeat-Prognose bei Wohnungseinbrüchen (die häufigste deutsche Anwendung; geringes Volumen, gehäuft).
• Schwerpunkte bei Fahrzeugkriminalität / Diebstahl aus Fahrzeugen, Fahrraddiebstahl, Vandalismus für die kommunale Prävention.
• Kommunale Sicherheit und nicht polizeiliche Prävention: Beleuchtung, Straßengestaltung und Einsatz von Sozialarbeit auf Basis aggregierter Falldaten statt Streifensteuerung.
• Varianten im privaten Sektor: Standortrisiko von Versicherern für Einbruch bei Haushalt/Gewerbe (siehe PRED-010, PRED-036); Handelsketten und Logistikbetreiber, die Diebstahl- und Frachtkriminalitätsrisiko nach Standort oder Route prognostizieren.
• Nicht im Umfang / in der EU nicht umsetzbar: Prognose, welche Personen Straftaten begehen werden (PRED-045), personenbezogene „Heat Lists“ oder Schwerpunktsysteme, die stillschweigend Personenprofile aggregieren.

So funktioniert es

Falldaten (Zeit, Ort, Deliktart; de-identifiziert)
  -> Bereinigung, Geokodierung, Aggregation auf Rasterzellen / Straßenabschnitte (z. B. 200 m, Stunden-Tages-Fenster)
  -> Merkmalsbildung (jüngste Vorfälle in der Nähe = Near-Repeat, Saisonalität, Wetter, Kontextdaten)
  -> Modell: Near-Repeat-Regeln | Kerndichte | Gradient Boosting | selbsterregender Punktprozess
  -> Risikoprognose je Zelle und Fenster + Unsicherheit
  -> Prüfung durch menschliche Analysten -> Einsatzplanung (Streife, Prävention, Informationskampagnen)
  -> Rückkopplung: ergriffene Maßnahmen, neue Vorfälle -> Evaluation und Verzerrungsprüfung

• Kernmodelle: Statistik und tabellarisches ML (Gradient Boosting, Punktprozessmodelle) dominieren die operativen Systeme; sie sind transparent genug für Prüfungen. Tiefe raum-zeitliche Modelle gibt es in der Forschung, sie bringen bei dünnen Daten aber wenig.
• LLMs spielen nur eine unterstützende Rolle: Entwurf von Analysten-Briefings, Dokumentation und Prüfberichten aus Modellergebnissen – nie die Prognose selbst.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten validieren die Karten; Einsatzleiter entscheiden über den Einsatz; aus einer Kartenzelle folgt keine automatisierte Maßnahme gegen Einzelne. Streifenpräsenz ist eine vorbeugende Maßnahme, keine Intervention gegen eine namentlich bekannte Person.

Datenaufbereitung

Benötigt werden historische Falldaten mit Zeit und Ort, dazu offene Kontextdaten (Zählbezirke, Flächennutzung, Straßennetz, Wetter, Feiertage, Veranstaltungen) und Einsatzaufzeichnungen der Streifen. Falldaten liegen typischerweise im polizeilichen Vorgangsbearbeitungssystem oder in einer Statistikdatenbank, Kontextdaten in öffentlichen Portalen und GIS-Ebenen und Streifenaufzeichnungen in Einsatzplanungswerkzeugen, mitunter in Excel.

Typische Lücken: ungenaue oder fehlende Koordinaten, uneinheitliche Deliktkodierung, verzögerte Anzeige (Anzeigedatum ist nicht Tatdatum), je nach Gebiet unterschiedliche Dunkelziffer, im Zeitverlauf geänderte Erfassungspraxis und personenbezogene Daten in Freitextfeldern. Die Zugriffsrechte sind streng, weil die Quelldaten Einzelpersonen betreffen.

Schritte der Aufbereitung: (1) Quellen und Verantwortliche erfassen (PREP-001, PREP-004); (2) Export aus dem Vorgangssystem (PREP-005); (3) geokodieren und auf Rasterzellen oder Straßenabschnitte aggregieren und dabei Personenbezüge entfernen, sodass nur de-identifizierte Aggregate ins Modell gelangen (PREP-022, PREP-025); (4) Deliktcodes und Zeitfenster vereinheitlichen (PREP-019); (5) Kontextebenen verknüpfen; (6) Rückvergleichsmengen per Zeitaufteilung bilden (PREP-018). Werkzeuge: PostGIS, QGIS, Python (geopandas, scikit-learn, LightGBM).

Grober Aufwandsanteil: etwa 30 bis 40 Prozent; Evaluationsdesign und Verzerrungsprüfung brauchen mindestens ebenso viel. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Öffentliche Hand (Polizei, kommunale Prävention): Weg C, weil Falldaten sensibel sind, eine gesetzliche Grundlage und Prüfrechte erforderlich sind und einfache raum-zeitliche Open-Source-Modelle (Near-Repeat, Kerndichte, Gradient Boosting) auf HW1 unter der eigenen Kontrolle der Behörde laufen.
• Enterprise: Weg B, weil Sicherheitsdienstleister oder Versorger, die mit aggregierten, nicht personenbezogenen Daten arbeiten, Cloud-Analytik in EU-Regionen und verwaltete Zeitreihenwerkzeuge nutzen können.
• Entwickler: Weg C, weil Open-Source-Bibliotheken für Geodaten und Prognose auf einem Rechner in Laptop-Klasse transparente, prüfbare Modelle liefern und volle Kontrolle über Verzerrungsprüfungen geben.

Weg A — Kaufen (Standardsoftware)

• Polizeispezifische Produkte: PRECOBS (Institut für musterbasierte Prognosetechnik, Oberhausen, deutsch), IBM-basierte SKALA-Komponenten in NRW (landeseigene Konfiguration), KrimPro in Berlin (hauseigenes System mit polizeieigenen Modellen) [1]. Kommerzielle Anbieter außerhalb der EU (Geolitica/PredPol, inzwischen geschlossen) sind ein warnendes Beispiel [2].
• GIS-basierte Kriminalitätsanalyse: Esri ArcGIS / Crime-Analysis-Lösungen, Analyseplattformen vom Typ Palantir (USA; beachten Sie die Grenzen des Bundesverfassungsgerichts für automatisierte Datenanalyse [3]) sowie Angebote von Hexagon und Motorola Solutions. Bevorzugen Sie EU-gehostete, prüfbare Modelle mit offener Dokumentation.
• Wählen Sie A, wenn: Sie eine Polizeibehörde mit gesetzlicher Grundlage und Vergabeverfahren sind; der Anbieter muss Logikdokumentation, Prüfrechte und Unterstützung bei der Datenschutz-Folgenabschätzung liefern.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Sinnvoll für Analyse und Berichtswesen, nicht für das Modell selbst: Cloud in EU-Regionen (z. B. STACKIT, Azure EU, IONOS) für die Geodatenverarbeitung, mit verwalteter Prognose (Zeitreihendienste von Azure/Google/AWS) nur auf aggregierten, nicht personenbezogenen Daten. Nutzen Sie ein EU-gehostetes LLM (Mistral, ein Anbieter der Klasse Aleph Alpha oder ein Frontier-Modell in einer EU-Region) ausschließlich zum Entwurf von Analystenberichten.
• Bei Polizeidaten schließen Anforderungen an Souveränitäts- oder Behörden-Clouds öffentliche SaaS normalerweise aus; für die kommunale Prävention auf öffentlichen Statistiken ist dieser Weg realistisch.

Weg C — Selbst betreiben (Open Source)

• Stack: PostGIS, H3 oder quadratische Rasterung, Python (GeoPandas, PySAL, scikit-learn, LightGBM/XGBoost, statsmodels), Punktprozess-Bibliotheken, Zeitreihenwerkzeuge (Nixtla StatsForecast; Foundation-Modelle wie Chronos/TimesFM für Basislinien), MLflow für Experimente und Prüfspuren.
• Hardware: HW1 – ein CPU-Server genügt; die Datenmengen sind klein.
• Betriebsaufwand: ein Data Scientist plus ein Kriminalanalyst; der größte Aufwand liegt in Datenqualität und Evaluationsdesign.

Weg D — Eigenes Training

• Dies ist der Standard für den operativen Einsatz: Modelle werden auf den eigenen historischen Falldaten der Behörde trainiert und kalibriert (typischerweise mehrere Jahre Einbruchsdaten je Region; bei seltenen Delikten dünn). Nutzen Sie Rolling-Origin-Rückvergleiche, berichten Sie die Trefferquote gegen den Anteil der abgedeckten Fläche, vergleichen Sie mit einer naiven Basislinie „Schwerpunkte des Vormonats“ und führen Sie einen randomisierten oder gestaffelten Rollout durch, um die reale Wirkung zu messen. Die Verzerrungsprüfung (siehe unten) ist vor jeder Freigabe Pflicht.

Stand der Technik (2026)

• Methoden: Near-Repeat-Regeln und Risk-Terrain-/Gradient-Boosting-Modelle bleiben die praktischen Arbeitspferde; selbsterregende (Hawkes-artige) Punktprozesse und raum-zeitliche Graphnetze sind aktive Forschung. Zeitreihen-Foundation-Modelle helfen als Basislinien, beheben aber keine dünnen, verrauschten Kriminalitätsdaten.
• Belege: Die Reduktionseffekte sind zwischen den Evaluationen uneinheitlich [1][2]; die stärksten Belege in der Literatur stützen gezielte, sichtbare, problemorientierte Polizeiarbeit an Schwerpunkten, nicht den konkreten Algorithmus.
• Zentrales Fehlerbild – Rückkopplungsschleifen und Verzerrung: Eine Studie von 2016 wandte PredPol-artige Logik auf Drogendelikte in Oakland an und fand, dass Streifen unverhältnismäßig in Stadtteile mit überwiegend schwarzer und einkommensschwacher Bevölkerung gelenkt wurden, obwohl Befragungsdaten einen gleichmäßigeren Drogenkonsum nahelegten; die Autoren führten dies auf Verzerrung in den erfassten Festnahmen zurück, nicht auf den Algorithmus [4]. Gemeldete Kriminalität spiegelt die Kontrollintensität und das Anzeigeverhalten wider. Mindern Sie dies, indem Sie nur Deliktarten mit hoher Anzeigequote modellieren (Einbruch, Fahrzeugdiebstahl), durch proaktive Polizeiarbeit geprägte Kategorien (Drogendelikte) ausschließen und Verdrängung beobachten.
• Rechtliche Verschiebung: Das Bundesverfassungsgericht (1 BvR 1547/19, 16. Februar 2023) entschied, dass die automatisierte Auswertung gespeicherter Polizeidaten eine hinreichend hohe Eingriffsschwelle braucht; niedrigere Schwellen können nur akzeptabel sein, wenn das Gesetz Daten und Methoden streng begrenzt, etwa indem es auf Orte statt auf Personen zielt [3]. Ortsbezogene, aggregierte Prognosen sind daher die rechtlich besser aufgestellte Variante – brauchen aber weiterhin eine gesetzliche Grundlage und veröffentlichte Regeln [3].
• Grenzen: niedrige Basisraten, kleine Zahlen, nicht beobachtete Kriminalität, Verdrängung und eine Trefferquote, die an einer naiven Basislinie gemessen werden muss.

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine (tabular-ml + time-series): PRED-001 Bedarfsprognose, PRED-019 Verkehrs- und Mobilitätsbedarf, PRED-017 Wetterauswirkung (Wettermerkmale), PRED-036 Klima- und Naturgefahrenrisiko (räumliche Risikobewertung), PRED-010 Risikobepreisung in der Versicherung. Ein Stack aus GIS, Feature Store und MLflow bedient alle.
• Abgrenzung zu Nachbarn: PRED-045 (Rückfälligkeit, personenbezogen – Hochrisiko oder verboten), PRED-029 (Klientenprofiling in öffentlichen Diensten), PRED-028 (risikobasierte Prüfauswahl; ebenfalls personen-/unternehmensbezogen). Verknüpfen Sie ortsbezogene Prognosen nicht mit Daten auf Personenebene.
• Vor-/Nachgelagert: CONV-021 (Notruf-Triage) als Quelle für Vorfälle; VIS-051 (Analyse von Geobildern) nur für Kontextdaten. Kommunale Dashboards und Berichte nutzen eine gemeinsame BI-Schicht.
• Hardware: HW1-CPU-Server; keine GPU erforderlich.

Aufwand, Kosten & Kennzahlen

• Weg A: Monate für Vergabe, Rechtsgrundlage und Datenschutz-Folgenabschätzung; der PRECOBS-Pilot in Baden-Württemberg kostete 220.000 EUR für sechs Monate [1].
• Weg C/D: 3–6 Monate für ein erstes prüfbares Modell; die Kosten entfallen überwiegend auf Dateningenieurwesen, Evaluation und Governance, nicht auf Rechenleistung.
• Kennzahlen: Predictive Accuracy Index / Trefferquote vs. abgedeckte Fläche gegenüber einer Basislinie; Wirkung auf die Deliktzahlen im kontrollierten Vergleich; Verdrängung; Nutzung durch Analysten; Prüfkennzahlen – Disparität der Streifenverteilung im Verhältnis zur Bevölkerung und zur befragungsbasierten Viktimisierung; Anteil der Prognosen mit dokumentierter Begründung.

Menschen & Veränderung

Beginnen Sie mit der Leitung der Behörde und der Leitung der Präventions- oder Analyseeinheit, die Zweck und Rechtsgrundlage verantworten. IT und IT-Sicherheit stellen die isolierte Umgebung bereit; die bzw. der Datenschutzbeauftragte wird von Anfang an einbezogen, weil selbst aggregierte Ortsdaten indirekte Rückschlüsse auf Personen erlauben können und eine DSFA wahrscheinlich ist (GUIDE-005). Eine rechtliche Prüfung der gesetzlichen Grundlage und der Grenzen des Bundesverfassungsgerichts für automatisierte Analyse ist unerlässlich. Streifenbeamte und Analysten sind die Endnutzer und sollten helfen, nützliche Ergebnisse zu definieren.

Betriebsrat: ja. Bei öffentlichen Stellen ist der Personalrat nach BPersVG oder Landesrecht das Gegenüber. Werkzeuge zur Streifenplanung und Rückkopplungsschleifen können Tätigkeit und Leistung der Beamten protokollieren und eignen sich zur Verhaltenskontrolle, was eine Mitbestimmung analog § 87 Abs. 1 Nr. 6 BetrVG auslöst; Entsprechungen zu § 90 Abs. 1 Nr. 3 BetrVG verlangen eine rechtzeitige Unterrichtung, wenn Arbeitsverfahren mit KI geplant werden (GUIDE-004).

Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) mit einer kurzen Schulung zu Trefferquote gegenüber abgedeckter Fläche, Verzerrung durch Rückkopplungsschleifen und Verdrängung (GUIDE-006). Führen Sie einen Pilot in einem Revier mit dokumentierter Evaluation durch (GUIDE-009). Typische Sorgen: Diskriminierung, übermäßige Kontrolle bestimmter Gebiete und Verlust des professionellen Urteils. Begegnen Sie ihnen mit rein ortsbezogener Modellierung, regelmäßigen Verzerrungsprüfungen, öffentlicher Transparenz und der Regel, dass Karten informieren, aber die Entscheidungen der Beamten nie ersetzen (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Art. 5 Abs. 1 Buchst. d verbietet KI-Risikobewertungen natürlicher Personen, die allein auf Profiling oder Persönlichkeitsmerkmalen beruhend das Risiko einer Straftat vorhersagen; eine Ausnahme gilt für Systeme, die die menschliche Beurteilung der Beteiligung an einer kriminellen Aktivität unterstützen, die bereits auf objektiven, überprüfbaren Tatsachen beruht [5]. Reine ortsbezogene Prognosen ohne Daten auf Personenebene fallen nicht unter diesen Wortlaut, doch jede Version, die Personen bewertet oder listet oder personenbezogene Merkmale nutzt (z. B. Profile bekannter Täter), rückt in den verbotenen oder Hochrisiko-Bereich. Anhang III Nummer 6 führt Hochrisikosysteme der Strafverfolgung auf (z. B. Risiko der Begehung oder Wiederholung von Straftaten, Profiling bei Ermittlungen) [6]. Daher eu_ai_act_risk: depends – ortsbezogene, aggregierte, nicht personenbezogene Systeme sind typischerweise nicht aufgeführt, müssen aber im Einzelfall bewertet werden; prüfen Sie die aktuellen Anwendungstermine der Hochrisiko-Pflichten (vorbehaltlich Änderungsvorschlägen im EU Digital Omnibus); die KI-Kompetenz (Art. 4) gilt in jedem Fall.
• Polizeirecht und Verfassung: gesetzliche Grundlage im Polizeigesetz des Landes; Anforderungen des BVerfG an Schwellen, Datenbegrenzung und veröffentlichte Verwaltungsvorschriften [3]. Stimmen Sie sich mit der bzw. dem Datenschutzbeauftragten und der bzw. dem Landesdatenschutzbeauftragten ab; die Richtlinie (EU) 2016/680 (Strafverfolgung) gilt für die polizeiliche Verarbeitung, die DSGVO für kommunale und private Akteure.
• DSGVO: Falldaten können personenbezogene Daten enthalten (Adressen von Geschädigten); aggregieren und de-identifizieren Sie früh; unterdrücken Sie kleine Zellen; eine DSFA ist erforderlich.
• Diskriminierung: Verwenden Sie weder Ethnie, Staatsangehörigkeit noch Proxys auf Gebietsebene, um Stadtteile zu ranken; führen Sie Disparitätsprüfungen durch; veröffentlichen Sie die Modelldokumentation.
• In der EU nicht umsetzbar: personenbezogene „Heat Lists“, die Vorhersage, wer Straftaten begehen wird, oder verdecktes Profiling – hier nur als Grenzen dokumentiert.
• Gegenmaßnahmen: veröffentlichte Methodik, unabhängige Evaluation, Verfallsklauseln, Übersteuerung durch Analysten, Protokollierung jeder Prognose und der daraus folgenden Maßnahme.

Erste Schritte

1. Klären Sie Rechtsgrundlage und Zweck; beziehen Sie die bzw. den Datenschutzbeauftragten vor jeder Datenarbeit ein.
2. Wählen Sie ein Delikt mit hoher Anzeigequote (z. B. Wohnungseinbruch) und stellen Sie 3–5 Jahre de-identifizierter, geokodierter Falldaten zusammen, aggregiert auf Rasterzellen.
3. Bauen Sie zuerst Basislinien (Schwerpunkte der letzten Periode, Kerndichte), dann Near-Repeat- und Gradient-Boosting-Modelle; evaluieren Sie mit Rolling-Origin-Rückvergleichen und Trefferquote vs. abgedeckte Fläche.
4. Gestalten Sie den Pilot als kontrollierten oder gestaffelten Rollout mit Verzerrungs- und Verdrängungsprüfung.
5. Veröffentlichen Sie die Methodik und legen Sie vorab fest, bei welcher Beleglage das System gestoppt wird.

Quellen

1. German Wikipedia - Predictive Policing (German deployments PRECOBS, SKALA, KrimPro, PreMAP; Baden-Wuerttemberg evaluation) - https://de.wikipedia.org/wiki/Predictive_Policing
2. The Markup - Predictive policing software terrible at predicting crimes (Geolitica, Plainfield NJ; shutdown) - https://themarkup.org/prediction-bias/2023/10/02/predictive-policing-software-terrible-at-predicting-crimes
3. Bundesverfassungsgericht - Press release on judgment of 16 Feb 2023, 1 BvR 1547/19 and 1 BvR 2634/20 (automated data analysis) - https://www.bundesverfassungsgericht.de/SharedDocs/Pressemitteilungen/DE/2023/bvg23-018.html
4. Wikipedia - Predictive policing (Lum & Isaac 2016 feedback-loop study, Santa Cruz ban) - https://en.wikipedia.org/wiki/Predictive_policing
5. EU AI Act, Article 5 (prohibited practices) - https://artificialintelligenceact.eu/article/5/
6. EU AI Act, Annex III (high-risk systems, point 6 law enforcement) - https://artificialintelligenceact.eu/annex/3/
7. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj