3 Resultaten slachtofferstudie
3.1 Victimisatiescreening
Aan het begin van de vragenlijst is respondenten voor elke fraudecategorie gevraagd of zij hiervan slachtoffer waren in 2020 en/of in de laatste 5 jaar (2016 t/m 2020). Ook werd per fraudecateogrie gevraagd of zij in 2020 een mislukte fraudepoging hadden meegemaakt en, zo ja, of zij gereageerd hebben op een mislukte fraudepoging. In deze sectie worden de antwoorden op deze vragen geanalyseerd.
3.1.1 Prevalentie van fraude
Figuur 3.1 en 3.2 tonen de gemeten victimisatiefase over alle fraudecategorieën samen en per fraudecategorie.
De percentages voor 2020 zijn cumulatief: onder het pogingpercentage valt het contactpercentage, en onder het contactpercentage valt het slachtofferpercentage (bij slachtofferschap is er contact geweest, en bij contact is er een poging geweest. Met uitzondering van identiteitsfraude: daarbij is contact niet nodig en daarom niet bevraagd). In het slachtofferpercentage van de laatste 5 jaar zit ook het slachtofferpercentage van 2020.
15.7% is slachtoffer geworden van tenminste één van de fraudecategorieën. 41.7% heeft een fraudepoging meegemaakt, en 20.6% heeft op een fraudepoging gereageerd. Van aankoopfraude zijn bij verre de meeste personen slachtoffer geworden: 10.5% in 2020 en 18.8% in de laatste 5 jaar. Phishing toont het hoogste pogingpercentage: 18.8%, gevolgd door aankoopfraude (17.3%), spoofing (14.5%) en vriend-in-noodfraude (12.9%).

Figuur 3.1: Victimisatiefase per fraudecategorie (95% betrouwbaarheidsinterval)
Figuur 3.2: Victimisatiefase per fraudecategorie (interactief)
3.1.2 Risico- en preventiefactoren voor slachtofferschap
3.1.2.1 Algemene slachtofferkans
De invloed van demografische kenmerken op de kans om slachtoffer te zijn geweest in 2020 is getest met multivariabele binaire logistische regressieanalyses (afhankelijke variabele: slachtoffer in 2020 [nee = 0, ja = 1]; voorspellers: geslacht [man = 0, vrouw = 1], leeftijd [in jaren], opleidingsniveau [laag = 0, hoog = 1; hoog heeft hbo/wo-diploma], persoonlijk netto inkomen [in euro’s](Zie noot 1.), zelfcontrole [score op basis van de afgenomen dysfunctionele impulsiviteitsschaal], cyberveiligheid [score op basis van de afgenomen cyberveiligheidsschaal], woonvorm van alleenstaandheid [0 = nee, 1 = ja] en fraudekennis [het aantal fraudevormen uit de taxonomie waarvan een respondent aangaf ze te kennen]). Deze analyses zijn uitgevoerd voor alle fraudecategorieën samen en per fraudecategorie.
Noot 1: Voor 138 deelnemers was het inkomen niet beschikbaar; deze deelnemers zijn niet opgenomen in de modellen. Daarnaast zijn met de methode van Leys, Ley, Klein, Bernard, & Licata (2013) (gemiddelde ± 2.5 * mediaan absolute afwijking) 32 uitschieters met hoge inkomens gevonden. Om disproportionele invloed van deze observaties te voorkomen zijn hun inkomens voor deze modellen gehercodeerd naar 4583 euro (de grenswaarde voor uitschieters aan de bovenzijde).
Noot 2: Statistieken over de socio-demografische variabelen staan in Tabel 2.1. De effectgrafieken tonen daarnaast de verdeling van continue variabelen met een ‘rug’ (rechtopstaande streepjes op de horizontale as die staan voor respondenten).
Effectgrafieken van alle significante voorspellers (p < .05) zijn te zien in Figuur 3.3.
Gekeken naar fraudecategorieën is gebleken:
• Investeringsfraude. Mannen zijn vaker slachtoffer van investeringsfraude dan vrouwen (p < .001, Figuur 3.3c). Personen met een hoog opleidingsniveau zijn opvallend genoeg juist vaker slachtoffer van investeringsfraude dan personen met een laag opleidingsniveau (p < .001, Figuur 3.3d); ook alleenstaanden zijn vaker slachtoffer van investeringsfraude (p < .01, Figuur 3.3f). Personen met minder zelfcontrole zijn ook vaker slachtoffer van investeringsfraude (p < .001, Figuur 3.3e);
• Baanfraude. Een hoger netto inkomen vermindert de slachtofferkans bij baanfraude (p < .05, Figuur 3.3i). Wellicht omdat vooral personen met geen of een lager inkomen op zoek zijn naar mogelijkheden om geld te verdienen;
• Datingfraude. Alleenstaanden (p < .05, Figuur 3.3o) zijn vaker het slachtoffer van datingfraude. Waarschijnlijk omdat zij vaker op zoek zijn naar een romantische partner.
• Identiteitsfraude. Personen met een hoger inkomen (p < .05, Figuur 3.3r) zijn minder vaker slachtoffer van identiteitsfraude. Personen met een hoger opleidingsniveau (p < .05, Figuur 3.3s) zijn daarentegen vaker slachtoffer van identiteitsfraude.
Gekeken naar risico- en preventiefactoren is gebleken:
• Leeftijd. Hogere leeftijd vermindert slachtofferkans bij de fraudecategorieën samen (p < .001, Figuur 3.3a). Specifiek bij aankoopfraude (p < .001, Figuur 3.3g) en schuldfraude (p < .05, Figuur 3.3j) vermindert hogere leeftijd ook de slachtofferkans;
• Zelfcontrole. Een hogere mate van zelfcontrole vermindert de slachtofferkans bij de fraudecategorieën samen (p < .001, Figuur 3.3b). Dit geldt specifiek ook voor investeringsfraude (p < .001; Figuur 3.3e), aankoopfraude (p < .001, Figuur 3.3h), schuldfraude (p < .05, Figuur 3.3k), goede-doelenfraude (p < .001, Figuur 3.3m), datingfraude (p < .01, Figuur 3.3n), vriend-in-noodfraude (p < .001, Figuur 3.3p), phishing (p <.001, Figuur 3.3q), identiteitsfraude (p < .05, Figuur 3.3t), spoofing (p < .001, Figuur 3.3u) en overige fraude (p < .001, Figuur 3.3v). Zelfcontrole speelt daarmee een zeer belangrijke rol in het voorkomen van slachtofferschap van fraude;
• Cyberveilig gedrag. Cyberveilig gedrag vermindert de kans op slachtofferschap bij schuldfraude (p <.01, Figuur 3.3m).


Figuur 3.3: Significante voorspellers van slachtofferschap (95% betrouwbaarheidsinterval)
Figuur 3.4 en 3.5 tonen alle effectgrafieken voor elk model (totaal en per fraudecategorie; ook niet-significante voorspellers getoond).