Anssi Keinänen

Tilastolliselle ennustamiselle tarvetta rikosseuraamusalalla

Kriminaalipoliittisessa päätöksenteossa joudutaan usein tukeutumaan ennusteisiin. Niiden taso vaihtelee rikollisuuden määrän ennustamisesta yksittäistä henkilöä koskeviin ennusteisiin. Yleensä ennusteet perustuvat päätöksentekijän omiin kokemuksiin. Tähän liittyy monia ongelmia.

Yksilön tekemästä ennusteesta käytetään termiä clinical prediction. Arvio yhdyskuntapalveluun soveltumisesta on esimerkki päätöksentekijän omasta ennustuksesta. Vastaavasti tilastollisten menetelmien ja aineistojen avulla tehdystä ennusteesta käytetään kriminologiassa termiä actuarial prediction.

Ennusteisiin, jotka perustuvat päätöksentekijän omiin kokemuksiin, liittyy monia ongelmia. Ensinnäkin yksilön tekemät ennusteet ovat subjektiivisia ja usein oikeaksi todistamattomia. Esimerkiksi jokin tekijä, jonka päätöksentekijä kokee merkittäväksi, ei tilastollisesti tarkasteltuna ennusta lainkaan kyseistä ilmiötä. Toiseksi yksilön päätöksentekosäännöt eivät ole muiden havaittavissa. Silloin ei voida olla varmoja, että samanlaisia yksilöitä kohdellaan samalla tavoin eri päätöksentekijöiden ratkaisuissa. Tämä voi vaarantaa päätöksen kohteena olevien yhdenvertaisen kohtelun. Kolmanneksi riskiarvioissa on vaikea erottaa eri riskitasoja, sillä yleensä ennusteet ovat kyllä/ei riskiä tai korkea/matala riski -tyyppisiä. Neljänneksi yksilön tekemissä päätöksissä ja ennusteissa ei osata käsitellä kaikkea relevanttia informaatiota.

Näitä ongelmia voidaan vähentää tilastollisten ennusteiden käytöllä. Tällöin esimerkiksi päätöksenteon läpinäkyvyys ja yhdenvertaisuus paranevat. On syytä korostaa, että tilastolliset ennusteet voivat olla ainoastaan apuvälineenä yksilön päätöksenteossa, koska viime kädessä päätöksen tekee esimerkiksi kriminaalihuoltolaitoksen työntekijä. Tällöin puhutaan sopeutetusta tilastollisesta ennusteesta, jossa päätöksentekijä ottaa päätöksenteossa huomioon tekijät, jotka eivät sisälly tilastolliseen ennusteeseen.

Apua oikeanlaisten tukitoimien valintaan

Tilastollisessa ennustamisessa yksilön taustatekijöiden avulla ennustetaan kiinnostuksen kohteena olevaa ilmiötä tilastollisin menetelmin. Yksilötason ennusteissa taustatekijät jaetaan staattisiin ja dynaamisiin tekijöihin. Dynaamisilla tekijöillä tarkoitetaan tekijöitä, joihin voidaan vaikuttaa, kuten päihdeongelma, toimeentulo-ongelma ja asenteet. Toisiin dynaamisiin tekijöihin, kuten asunnottomuuteen, voidaan vaikuttaa nopeastikin. Vastaavasti osa dynaamisista tekijöistä on sellaisia, joiden muuttaminen kestää kauan (esim. persoonallisuushäiriöt, päihdeongelma). Staattiset tekijät ovat ominaisuuksia, joihin ei voida enää vaikuttaa toimenpideohjelmin. Tällaisia ominaisuuksia ovat ikä, sukupuoli ja aikaisempi rikoshistoria. Dynaamisten tekijöiden sisällyttäminen tilastolliseen ennustemalliin auttaa mm. pohdittaessa, mihin tekijään kannattaa keskittyä, jotta tarkasteltua riskiä voitaisiin pienentää esimerkiksi tukitoimien avulla.

Tilastollisten ennusteiden avulla rikollisia voidaan luokitella monella tapaa. Riskiperiaatteen mukaan intensiivistä interventiota tarjotaan korkean riskin rikollisille. Vastaavasti matalan riskin rikollisille osoitetaan vähemmän intensiivistä toimenpidettä. Esimerkiksi yhdyskuntapalvelussa riskiperiaatteen mukainen toiminta tarkoittaisi sitä, että korkean keskeytymisriskin tuomittuja valvottaisiin tuomion aikana toisia enemmän.

Tarveperiaatteen mukaan toimenpideohjelmia suunnataan niille, jotka kyseistä ohjelmaa tai toimenpidettä tarvitsevat. Vastaavuusperiaatteen mukaan tuomitun persoonallisuustekijät sekä hänen kykynsä ja oppimistyylinsä on otettava huomioon toimenpideohjelmaa ja intensiteettiä valittaessa. Jollei toimenpide pureudu oikeisiin tarpeisiin (tarveperiaate) oikeanlaisella intensiteetillä (riskiperiaate), toimenpiteen vaikutus voi olla vähäinen.

Ammatillisen harkinnan periaatteen mukaan tilastolliset ennusteet kuvaavat aina keskimääräistä käyttäytymistä, eivätkä ota huomioon yksilökohtaisia eroja. Sen vuoksi empiiristen mallien tuottamat ennusteet voivat olla vain apuvälineenä yksilöä koskevassa päätöksenteossa. Lopullisessa päätöksenteossa on huomioitava yksilökohtaiset tekijät, joita ei ole kontrolloitu empiirisessä ennustemallissa.

Tilastomalli toimi YKP:n keskeytymisen ennustamisessa

Väitöskirjatutkimuksessani selvitin, kuinka hyvin olemassa olevien tilastoaineistojen perusteella voidaan ennustaa yhdyskuntapalvelun keskeytymistä ja voiko tieto auttaa Kriminaalihuoltolaitoksen työntekijää arvioimaan, soveltuuko tuomittu yhdyskuntapalveluun vai ei. Tilastollisen mallin kykyä ennustaa haluttua ilmiötä tutkittiin kahden tilastoaineiston avulla. Tutkimuksessa ennustettiin vuonna 2005 yhdyskuntapalveluun tuomittujen palvelun keskeytymistä tilastollisella mallilla. Se pohjautui puolestaan malliin, joka selitti vuosina 2003–2004 yhdyskuntapalveluun tuomittujen palvelun keskeytymistä. Aineisto sisälsi yli 8000 yhdyskuntapalvelun tiedot.

Yhdyskuntapalveluun tuomittujen palvelun keskeytymistä selitettäessä havaittiin, että päihdeongelma, pitkät tuomiot ja seksuaalirikos olivat voimakkaimpia keskeytymisriskiin vaikuttavia tekijöitä.

Taulukossa on tarkasteltu yhdyskuntapalvelun todellista keskeytymistä tuomituilla, joiden ennustettu keskeytymisen todennäköisyys oli alle 20 tai yli 50 prosenttia. Suurimmalla osalla vuonna 2005 tuomituista ennustettu palvelun keskeytymisen todennäköisyys oli alle 20 prosenttia (keskimäärin 11,3 %). Todellisuudessa 15,5 prosentilla yhdyskuntapalvelu keskeytyi. Niillä, joiden ennustettu keskeytymisen todennäköisyys oli alle viisi prosenttia (keskimäärin 3,9 %), palvelun keskeytymisaste oli 6,5 prosenttia.

Yhteensä 122 yhdyskuntapalveluun vuonna 2005 tuomitulla ennustettu keskeytymisen todennäköisyys oli suurempaa kuin suorittamisen todennäköisyys. Näistä 69 tuomitulla yhdyskuntapalvelu keskeytyi todellisuudessa (57 %). Tilastollinen malli ennusti palvelun keskeytymistä 59 prosentille tuomituista. Ainoastaan 15 tuomitulla ennustettu keskeytymisen todennäköisyys oli suurempaa kuin 70 prosenttia. Tässä joukossa keskeytymisten osuus oli sama kuin ennuste, 73 %. Kaiken kaikkiaan empiirisen mallin avulla voidaan löytää melko hyvin erilaisia riskitasoja yhdyskuntapalvelun keskeytymiselle.

Tilastollista ennustamista käytettävä enemmän

Tilastollisen ennustemallin avulla voitaisiin tulevaisuudessa paremmin ennustaa, millä todennäköisyydellä tuomittu tulee suorittamaan yhdyskuntapalvelun loppuun saakka. Tämä tieto auttaisi esimerkiksi hahmottamaan, mitä tukipalveluja tuomittu tarvitsee rangaistuksen aikana. Lisäksi pienemmän keskeytymisriskin tuomituille voitaisiin valita palvelupaikkoja, joissa valvonnan tarve on vähäisempää. Suomessa tulisikin käydä keskustelua siitä, voitaisiinko tilastollista ennustamista käyttää hyväksi entistä enemmän päätöksenteossa rikosseuraamusalalla. Esimerkiksi Yhdysvalloissa ja Isossa-Britanniassa ennusteiden käyttö alkaa olla arkipäivää. Omien kokemusteni perusteella jo nykyisin olemassa olevien tilastoaineistojen avulla voi tuottaa lisäinformaatiota päätöksentekijöiden tueksi.

Kirjoittaja on oikeustaloustieteen ja lainsäädäntötutkimuksen professori Joensuun yliopistossa.

Anssi Keinänen: Yhdyskuntapalvelu empiirisen kriminologisen tutkimuksen kohteena. Joensuun yliopisto 2008.

 
Julkaistu 1.6.2009