Deze bijdrage verkent de consequenties van de COVID-19-crisis voor het fiscale toezicht door de Belastingdienst. De crisis en de lockdownmaatregelen hebben korte- en langetermijngevolgen voor burgers en bedrijven en consequenties voor het werk van de Belastingdienst als uitvoerder en toezichthouder. De psychologische en economische impact van de crisis en de gewijzigde werkwijze van de Belastingdienst kunnen van invloed zijn op de mogelijkheden en motivatie om belastingverplichtingen na te komen. Dit zal verschillen in de opeenvolgende fasen van de crisis. Onze belangrijkste conclusie is dat de Belastingdienst in de verschillende fasen sterk rekening zal moeten houden met de veranderingen in de context van burgers en bedrijven en meer dan voor de crisis zal moeten handelen vanuit zijn maatschappelijke rol.

De Inspectie Justitie en Veiligheid (Inspectie JenV) houdt toezicht op de politie. In dit artikel kijken we of dat toezicht voldoet aan daaraan te stellen eisen van selectiviteit, responsiviteit en prudentie. Aan de hand van de zaak Hümeyra concluderen we dat de Inspectie JenV kennelijk niet heeft overwogen om de evaluatie over te laten aan interne of (andere) externe toezichthouders en zich ook niet heeft gebaseerd op een voorafgaande risicoanalyse (selectiviteit). Daarnaast heeft de Inspectie JenV haar onderzoek maar zeer beperkt in dialoog en interactie met de politie uitgevoerd en niet (ook) het perspectief vanuit de politie in beeld gebracht (responsiviteit). Bovendien heeft de Inspectie JenV geen rekening gehouden met de bijzondere positie van de politie (prudentie).

Artificiële intelligentie (AI) is een revolutionaire technologie die een grote impact heeft op ons leven. Naast de aanzienlijke voordelen die AI ons oplevert, gaan ook significante risico’s met deze ontwikkeling gepaard. Tegen deze achtergrond zien we dat steeds meer toezichthouders zich aantoonbaar bezighouden met AI. De hamvraag voor veel toezichthouders is hoe zij zich moeten verhouden tot AI. Dit is geen eenvoudige zoektocht. Met onze bijdrage hopen wij deze zoektocht te faciliteren door de risico’s die gepaard gaan met AI-toepassingen overzichtelijk op een rijtje te zetten en vervolgens een zestal handvatten aan te reiken die toezichthouders kunnen gebruiken bij het inrichten van hun toezicht op AI.

Het gebruik van data levert belangrijke voordelen voor ondernemingen en consumenten. Het roept echter ook de maatschappelijke vraag op of verzameling en gebruik van data kunnen leiden tot marktmacht (‘datamacht’). Het risico daarop wordt bepaald door: (1) het belang van data als input, (2) de beschikbaarheid en repliceerbaarheid van data, (3) het belang van schaal- en netwerkeffecten en (4) de concurrentiesituatie op de markt waarvoor data een input vormen. Het mededingingstoezicht beschikt over de instrumenten om in specifieke situaties het ontstaan van datamacht als gevolg van concentraties te voorkomen en misbruik van datamacht te beëindigen of te bestraffen. Tot nu toe hebben die situaties zich in de praktijk nog weinig voorgedaan.

Toezichthouders hebben te maken met een steeds grotere stroom aan data. Dit vraagt om toenemende discipline in de verwerking ervan. Uit de principes van goed toezicht volgen niet-functionele eisen – als traceerbaarheid, uitwisselbaarheid en betrouwbaarheid – waaraan de gegevensverwerking moet voldoen. Voor het realiseren hiervan is een datavoorzieningsfunctie nodig, vergelijkbaar met andere bedrijfsfuncties als Finance en HR. Binnen DNB is het datakwadrantenmodel gebruikt om deze realisatie vorm te geven. Het model is een begripsvormend kader, dat de gegevensverwerking vanuit twee perspectieven beschouwt: de aanbod- en vraagzijde van gegevens en een opportunistische versus een systematische manier van werken. Op basis van het model zijn keuzes gemaakt ten aanzien van de technische voortbrenging van data, inrichting van de organisatie, besturing en benodigde kennis en competenties.

In dit artikel gaan wij in op de vraag hoe een mededingingsautoriteit datagedreven technieken kan inzetten om effectiever te worden. Machine learning is in de laatste jaren enorm populair geworden, levert vaak snel goede resultaten op en vormt de basis voor succes van vele e-commerce-bedrijven die (bijna) dagelijks machine learning-algoritmes toepassen om de optimale prijzen te bepalen van al hun producten, gegeven historische transacties die concurrenten aanbieden en gelet op de omvang van de eigen voorraad. Machine learning is echter alleen geschikt voor specifieke vraagstukken. Het verschil tussen causaliteit en voorspelkracht speelt daarbij een belangrijke rol. Vaak past een ‘ouderwetse’ statistische analyse beter bij de onderzoeksvraag over oorzaak en gevolg. Voorbeelden van nuttige toepassingen van machine learning-technieken zijn voorspellingsmodellen en verkennende data-analyse, die op nieuwe inzichten kan wijzen of bepaalde gebeurtenissen kan signaleren. Wij bespreken een simpel algoritme toegepast op detectie van veranderingen in prijsdata en laten zien hoe dit tijdrovende handmatige analyses kan vervangen. Een mededingingsautoriteit kan soortgelijke algoritmes als een belangrijke en noodzakelijke aanvulling gebruiken op de ‘ouderwetse’ maar eveneens nuttige statistische analyses voor o.a. opsporing van kartels. De methode is flexibel qua inzet in verschillende markten en toepassingen van diverse aannames over het gedrag van ondernemingen.

Diverse toezichthouders hebben vertrouwen in ondertoezichtstaanden gekozen als uitgangspunt. Inspecteurs van de Inspectie Gezondheidszorg en Jeugd (IGJ) vinden vertrouwen een lastig te hanteren begrip. Tegelijk geven zij aan dat vertrouwen wel een grote rol speelt bij hun oordeel en handhaving. Ze missen echter handvatten om de afweging van vertrouwen in de zorgaanbieder te kunnen expliciteren en te onderbouwen. Dit is voor de IGJ aanleiding om vanuit het perspectief van de IGJ praktijkonderzoek te doen naar het begrip vertrouwen. Dit leidt tot het afwegingskader.

In 2011 blijkt dat 60% van de shoarmaondernemers de voedselveiligheidswetgeving naleeft. Dit naleefniveau is voor de NVWA onvoldoende en er wordt vastgesteld dat de reguliere werkwijze onvoldoende effect heeft op de doelgroep. Een gestructureerde aanpak van het probleem, via risico- en doelgroepanalyse, leidt tot een andere, meer overwogen en op de doelgroep afgestemde interventie, die nog effectief blijkt ook. Voor andere toezichthouders kan deze casus gebruikt worden als een ‘best practice’ om op een andere wijze het toezicht in te richten.