Amsterdam, 10 januari 2018 – Elk jaar gaat er een duizelingwekkend bedrag van 1 biljoen dollar verloren aan corruptie en omkoping. Naast het werk van Transparency International met wereldwijd 100 nationaal gevestigde, onafhankelijke organisaties die corruptie bestrijden in hun respectievelijke landen, zijn er verschillende crowdsourcing projecten ontstaan om te proberen het probleem op te lossen. Zo heeft een Spaans onderzoeksteam een kunstmatig algoritme ontwikkeld dat corruptie nauwkeurig zou kunnen voorspellen op basis van economische en politieke factoren.
‘I paid a bribe’
Één van de pioniers ontstond in India. Het project, genaamd I Paid A Bribe, is een website die zicht richt op crowdsourced-meldingen over corruptie en omkoping in India en de rest van de wereld. Het vraagt burgers om situaties te delen waarin ze zijn gedwongen ambtenaren om te kopen om toegang te krijgen tot bepaalde diensten. Op de website kan de melder zijn of haar ervaring gedetailleerd melden, inclusief waar het plaatsvond, de dienst die hij of zij zocht, hoeveel er is betaald en de naam van de desbetreffende betrokken ambtenaar. Het benadrukt de verschillende soorten ‘retail corruption’ waarmee gewone burgers in hun dagelijkse leven te maken krijgen wanneer zij niet in staat zijn overheidsdiensten te gebruiken waar zij wettelijk recht op hebben – het verkrijgen van een rijbewijs, een geboorteakte, registratie van een aankoop van onroerend goed.
De site biedt gebruikers ook de mogelijkheid om de personen die als corruptievrij en eerlijk worden beschouwd te markeren, zodat de lezer weet wie hij of zij het beste kan bezoeken. Het is een laagdrempelige manier om corruptie onder de aandacht te brengen en er zijn in andere landen al soortgelijke initiatieven, waaronder de Afrikaanse website Not In My Country.
Kunstmatige Hulp
Een team van Spaanse onderzoekers heeft een AI-algoritme (Artificial Intelligence) ontwikkeld om hetzelfde werk te doen. Het team van de Universiteit van Valladolid maakt gebruik van een neuraal netwerk waarvan zij geloven dat het publieke corruptie nauwkeurig kan voorspellen op basis van economische en politieke factoren.
Het werk, dat werd gedocumenteerd in een onlangs gepubliceerd artikel, omvat het gebruik van zelf-organiserende kaarten om te zoeken naar patronen in gegevens die zijn verzameld uit bestaande corruptiezaken in Spanje. Nadat hierop was getraind, werd het vervolgens op andere scenario’s getest om te voorspellen of er inderdaad sprake was van corruptie. Het model wordt toegepast op Spaanse provincies waar feitelijke gevallen van corruptie tussen 2000 en 2012 door de media werden gemeld of voor de rechter kwamen. De onderzoekers stellen dat de belasting van onroerend goed, economische groei, de stijging van vastgoedprijzen, het groeiend aantal financiële instellingen en niet-financiële bedrijven, en dezelfde politieke partijen die lange tijd aan de macht blijven, veroorzakers zijn van publieke corruptie.
Detectie latente corruptie
Het team gelooft dat door echte corruptiegegevens te gebruiken in plaats van alleen de perceptie van corruptie, hun werk nauwkeuriger is dan wat er eerder is geweest. “In sommige regio’s kunnen we latente corruptie detecteren lang voordat deze optreedt (tot drie jaar), en in andere regio’s biedt ons model kortetermijnwaarschuwingen en onderstreept het de noodzaak om dringende preventieve of corrigerende maatregelen te nemen”, aldus het onderzoeksteam.
Het team hoopt door te gaan met werken aan hun aanpak, en mogelijk internationaal te kijken om hun model zo in te stellen dat rekening wordt gehouden met landspecifieke factoren. Ze geloven ook dat het model kan werken aan het detecteren van patronen van corruptie in de verschillende landen van de EU. Gezien de enorme omvang van het probleem, is het werk dat zeer welkom is.