Privacy en Corruptie

Dit is een artikel over onderzoek naar het verband tussen privacy en corruptie, uitgevoerd door het Wetenschappelijk Bureau van de Piratenpartij Utrecht. Uit dit onderzoek blijkt dat er een samenhang bestaat tussen de mate van online privacy in een land en de mate van corruptie in een land.

In het onderzoek ‘Corruptie in het digitale tijdperk’ (Boeken et al., 2018) is onderzocht wat de oorzaken zijn van corruptie. In dit artikel wordt gekeken naar het verband tussen online privacy en corruptie. Eerst volgt er een zeer korte samenvatting, waarna er uitgebreider op in wordt gegaan.

In het onderzoek worden een aantal klassieke oorzaken meegenomen, zoals inkomensongelijkheid, masculiniteit, persvrijheid, internettoegang en internetvrijheid. Nieuw in dit onderzoek is echter dat ook het verband tussen corruptie en online privacy wordt onderzocht. Hier is nog vrijwel geen onderzoek naar gedaan.

 

Privacy

 

Er is nog niet veel onderzoek gedaan naar de relatie tussen online privacy en corruptie. Het belangrijkste onderzoek is dat van Swire, deze is echter vooral gericht op de Verenigde Staten, en niet wereldwijd. Ook gaat het enkel over de privacy van financiën. Swire kijkt naar de privacywetgeving van de Verenigde Staten, waar er door wetgeving nog enige bescherming is van de online privacy (1999, p. 504). Maar hij ziet ook dat dit in andere landen niet het geval is, en dat er in deze landen een grotere kans is op corrupte ambtenaren (ibid.). Online privacy wordt in dit onderzoek gedefinieerd als ‘het recht van het individu om zelf te bepalen welke informatie hij of zijn deelt met anderen’ (Westin, 2003, p. 431). Swire beschrijft in zijn artikel wat voor effect privacy kan hebben op corruptie. Swire bekijkt de voordelen en nadelen van minder privacy (1999). Als voordeel ziet hij dat wanneer ambtenaren minder privacy hebben met betrekking tot hun financiën dit corruptie zou kunnen verminderen (Swire, 1999, p. 500). Maar hij betwijfelt of dit opweegt tegen de gevaren van het verzamelen van data over burgers, aangezien de data waarschijnlijk in handen ligt van de ambtenaren (ibid.). In dit onderzoek wordt gekeken naar de privacy van alle inwoners in een land, dus ook die van de ambtenaren, uit de resultaten zullen we kunnen concluderen of de bovenstaande redenering klopt. Corrupte ambtenaren kunnen de data gebruiken voor corrupte bezigheden, door bijvoorbeeld mensen te chanteren (Swire, 1999, pp. 500-501). Door te kijken naar de geschiedenis van tirannie concludeert Swire dat de verzamelde data niet gebruikt zal kunnen worden om corruptie te bestrijden, omdat de geschiedenis ons laat zien dat zulke krachtige middelen meestal in handen van de staat komen te liggen (1999, p. 501). De theorie verwacht hier een direct effect, de volgende hypothese zal daarom worden getest: ‘naarmate privacy op het internet in een land lager is zal de corruptie in dat land hoger zijn’.

 

Voor het meten van privacy wordt er gebruik gemaakt van twee verschillende datasets. De eerste dataset is die van Freedom on the Net van Freedom House uit 2017. Deze dataset heeft in eerste instantie onze voorkeur omdat de definitie van online privacy hierbij scherper is, de vraag die wordt gesteld is: “To what extent is there state surveillance of internet and ICT activities without judicial or other independent oversight, including systematic retention of user traffic data?” (Freedom House, 2017b). Hierbij is een score mogelijk tussen de nul en de zes, waarbij nul volledige privacy is en zes helemaal geen privacy, er is hier sprake van een ratio meetniveau. In het onderzoek zal er naar deze dataset verwezen worden als de dataset ‘internetprivacy A’. Omdat deze variabele slechts 50 cases bevat, zal er in dit onderzoek ook gebruik gemaakt worden van een andere dataset van online privacy, beiden zullen worden getest.

 

De andere dataset die in dit onderzoek gebruikt wordt komt ook van Freedom House, maar dan uit het onderzoek Freedom of the World (Freedom House, 2017c). Deze dataset is wat betreft definitie iets minder scherp, maar heeft veel meer landen, namelijk 147, in de dataset waardoor deze beter generaliseerbaar is.Op deze variabele is een score van nul tot vier mogelijk, waarbij vier staat voor de beste privacybescherming en nul voor totaal geen online privacy. Deze variabele zal daarom ook gemeten worden op een ordinaal meetniveau. Deze dataset zal voortaan ‘internetprivacy B’ genoemd worden.

 

Corruptie

Het te verklaren fenomeen is corruptie. Een algemene definitie voor corruptie is het “misbruiken van toevertrouwde macht voor privaat gewin” (Transparency International, z.j.). Deze definitie is beknopt, en geeft een goed beeld van corruptie, hoewel dit beeld wellicht iets te beperkt is, zo stelt Heywood (2009, p. 365). Hij stelt dat de definitie van corruptie afhankelijk is van ons beeld van een niet-corrupt systeem – en daarbij van hoe men ‘politiek’ definieert. Corruptie wordt daarmee afhankelijk gemaakt van de staatsvorm waarin zij opereert. Volgens hem is er niet zoiets als een eenduidige definitie (ibid.). Een veelgenoemd onderscheid in de literatuur is het onderscheid tussen corruptie op ‘hoog’ en ‘laag’ niveau. Corruptie op laag niveau, ook wel ‘petty’ of bureaucratische corruptie, betreft de omgang van ambtenaren in hun omgang met burgers, bijvoorbeeld door het aannemen van steekpenningen. Deze vorm van corruptie is wijdverspreid en moeilijk uit te roeien, omdat deze te maken heeft met de sociale norm in een staat. Corruptie op hoog niveau betreft handelingen van politici (en, doch in mindere mate, hooggeplaatste ambtenaren). Hier heeft corruptie invloed op beleid, het centraal functioneren van de staat, instituties en procedurele regels in de herverdeling van goederen en financiering door politieke besluitnemers, die hun positie gebruiken om hun macht, status en weelde te waarborgen (Transparency International z.j.). Dit onderzoek is hoofdzakelijk gericht op corruptie op hoog niveau.

Vanwege de ondoorzichtige aard van het concept ‘corruptie’ is het lastig om een operationalisatie op te stellen op basis van objectieve criteria. De beste optie is hier om de Corruption Perception Index (2017) van Transparency International te gebruiken. In deze index worden dertien databronnen (waar telkens een deel van de landen in voorkomt) samengevoegd om zo een score voor (waargenomen) corruptie te determineren (op basis van zowel kwantitatieve als kwalitatieve data), per land in de publieke sector, voor 129 landen en territoria. Een voordeel aan deze dataset is dat deze recent is, en dat deze op basis van verschillende bronnen de score per land bepaalt. Er is namelijk geen dataset te vinden die zo grootschalig is, en waar ook nog eens dezelfde vragen worden gesteld aan respondenten. Door verschillende datasets te combineren en te wegen, wordt dit probleem ondervangen, en wordt de betrouwbaarheid van de data ook vergroot. De schaal loopt van 1-100 en het meetniveau is dan ook ‘ratio’. Een hogere score is een lagere hoeveelheid ervaren corruptie.

 

 

Analyse

 

Tabel 1: OLS-analyse hypothese: privacy

Model 1 2
b b
Intercept -42.733*** -32.694***
(5.346) (12.903)
Internetprivacy B  3.676***

(0.865)

Internetprivacy A  -2.657

(1.491)

GDPlog 8.915***

(0.663)

9.882***

(1.276)

R2 0.661 0.589

N = 147
b ongestandaardiseerde coëfficiënt
Standaardfouten tussen haakjes
* p < 0.05; ** p < 0.01; *** p < 0.001; (twee-staartig)

Bronnen: Freedom House (2017b; 2017c).

 

In bovenstaande tabel zijn de resultaten van de regressieanalyse te zien. Model 1 gaat over de dataset van Freedom of the World, de definitie van deze variabele sluit minder goed aan op de operationalisatie van online privacy maar er zijn wel meer cases beschikbaar van deze variabele. Daarom zal er in het kader van een grotere generaliseerbaarheid worden gewerkt met deze variabele. De getoetste hypothese was: “naarmate privacy op het internet in een land lager is zal de corruptie in dat land hoger zijn.” Een hogere score op de variabele privacy betekent dat er meer privacy is in een land. De regressieanalyse bevestigt de hypothese, want er is sprake van een positief, significant effect van 3.676. Wanneer de online privacy met 1 toeneemt dan neemt corruptie met 3.676 punten toe, en is het land dus bij meer privacy minder corrupt, omdat een hogere score op corruptie betekent dat er minder corruptie is in een land. De verklaarde variantie van dit model, waarin GPD als controlevariabele is gebruikt,  is 0.661. De GDP zelf vertegenwoordigt per procent stijging respectievelijk 0.08915% voor model 1 en 0.09882% stijging van de score op de corruptie-index in model 2. De VIF-score van 1.161 zorgt niet voor problemen betreffende multicollineariteit.

Model 2 is de dataset van Freedom of the Net, een goede definitie maar helaas maar 50 landen.  Deze regressieanalyse geeft geen bewijs dat onze hypothese klopt, want er is sprake van een negatief en niet significant effect van -2.657. De verklaarde variantie van dit model, waarin GPD als controlevariabele is gebruikt, is 0.589. De VIF-score van 1.015 zorgt niet voor problemen betreffende multicollineariteit. De assumpties van lineariteit en additiviteit worden eveneens niet geschonden. Betreffende de heteroscedasticiteit, zien we dat de waardes in een V-vorm lopen en zodoende wordt deze assumptie geschonden.

Model B geeft significante resultaten die aansluiten bij de hypothese. Model A geeft helaas geen significante verbanden. Dit is interessant omdat er nu verder onderzocht kan worden wat dit verschil veroorzaakt. Het kan zijn dat model A niet significant is omdat deze slechts 50 cases heeft, het kan echter ook zo zijn dat een subtiel verschil in de definitie van online privacy het verschil in significantie veroorzaakt.

 

Aan dit onderzoek hebben onder andere bijgedragen: Dennis Uenk, Jasmijn Boeken, Stijn Bennink en Toine Fiselier.

 

 

Omdat het onderzoek niet openbaar is, zullen hieronder de gebruikte bronnen voor dit deel worden weergegeven.

 

Boeken, J., Uenk, D., Bennink, S., & Fisselier, T. (2018). Corruptie in het digitale tijdperk.

 

Freedom House. (2017a). Freedom of the Press. Geraadpleegd op 16 maart 2018, van https://freedomhouse.org/report/freedom-press/freedom-press-2017.

Freedom House (2017b). Freedom on the Net: Manipulating Social Media to Undermine Democracy. Geraadpleegd op 15 maart 2018, van https://freedomhouse.org/report/freedom-net/freedom-net-2017.

Heywood, P. (2009). Corruption. In Landman  & Robinson (Eds.) Handbook of Comparative Politics (362-377). London, United Kingdom: Sage Publications.

 

Transparency International (z.j.). What is corruption? Geraadpleegd op 19 maart 2018, van https://www.transparency.org/what-is-corruption#define.

 

Swire, P. P. (1999). Financial privacy and the theory of high-tech government surveillance. Wash. ULQ, 77, 461- 512.

 

Westin, A. F. (2003). Social and Political Dimensions of Privacy. Journal of Social Issues, 59: 431–453.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Deze website gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.