MINDER IS MEER De impact van de eigenrisicobeoordeling op niet-financieel risicomanagement bij Nederlandse pensioenfondsen
Inleiding
Niet-financiële risico’s krijgen steeds meer aandacht bij het risicomanagement van pensioenfondsen. Deze risico’s zijn doorgaans kwalitatiever van aard, ze zijn divers, complex, context afhankelijk, en er is vaak nog weinig over bekend. En omdat er nog weinig over bekend is, is er vaker sprake van onzekerheid dan over risico. Want bij risico’s zijn de kansen en consequenties bekend.
Hoe gaat men om met die risico’s en onzekerheden? De mens is hierbij minder perfect en rationeel gebleken dan in de traditionele economie werd verondersteld. Bij het verwerken van informatie en het nemen van besluiten spelen biases een rol; tekortkomingen die leiden tot onjuiste of sub-optimale uitkomsten. En deze biases spelen vooral een rol bij onzekerheid.
Nieuwe wetgeving (IORP II1 ) eist meer aandacht voor risicomanagement, waaronder het uitvoeren van een eigenrisicobeoordeling (ERB). Er dient vooral gekeken te worden naar niet-financiële, nieuwe en opkomende risico’s en onzekerheden. Om dat goed te kunnen doen zal men zich bewust moeten zijn van de eigen biases. Effectieve debiasing zal de kwaliteit van besluitvorming rondom risico’s en onzekerheden verbeteren. Hoe speelt de nieuwe wetgeving hierop in? En in hoeverre zal deze ERB impact hebben op het niet-financiële risicomanagement? Dat heb ik voor mijn slot-essay onderzocht. Dit artikel vat de belangrijkste uitkomsten van dat essay samen.
Biases
Traditionele financiële studies en modellen gaan uit van het principe van de homo economicus. Die handelt op een niet-emotionele wijze. Hij neemt beslissingen die gericht zijn op maximalisatie van het eigen belang, kan alle alternatieven overwegen, kan alle consequenties overzien en weegt deze allemaal mee in de besluitvorming. En toch worden er nog grote verliezen geleden. Dat heeft grotendeels te maken met het feit dat de gedragscomponent onvoldoende in ogenschouw wordt genomen in de besluitvorming. Mensen blijken minder rationeel en kunnen niet alle informatie goed verwerken. Zo versimpelen mensen vaak complexe taken door simpelere besluitvorming. Dit soort besluitvormingsheuristieken worden ook wel biases genoemd. Grote risico’s worden vaak genegeerd vanwege cognitieve biases die resulteren in onjuiste beslissingen.
Enkele veel voorkomende biases: affect heuristiek, beschikbaarheidsheuristiek, confirmatiebias, groepsdenken, kansweging, onzekerheidsaversie (ambiguity aversion), overmoed, status quo bias en verliesaversie.
Er is weinig bekend over het verschil tussen biases bij financiële of niet-financiële risico’s. Het verschil komt meer naar voren bij het onderscheid tussen risico en onzekerheid. Bij risico zijn doorgaans de opties, consequenties en kansen bekend. Bij situaties van onzekerheid niet. Het omgaan met onzekerheid vereist een afweging, een beoordeling in plaats van berekening.
Debiasing
Herkennen van en omgaan met biases is onder andere moeilijk omdat men informatie buiten beschouwing laat die inconsistent is met de eigen voorkeuren en gekozen historische besluitvorming en daarmee beleid. Zo ziet men ook niet snel van zichzelf in dat men beïnvloed wordt door biases. Onzekerheid is nog moeilijker te adresseren dan risico vanwege biases zoals optimisme, overconfidence en het (misplaatste) geloof van zekerheid op basis van modellen. Hierdoor worden onzekerheden nog meer onderschat dan risico’s.
Er is geen one size fits all oplossing voor debiasen. Er zijn veel verschillende maatregelen te noemen, maar de toepassing is bias en situatie specifiek.
Een van de meest voor de hand liggende methoden voor debiasen van besluitvorming is het gebruik van kwantitatieve modellen. Voor gebruik van kwantitatieve modellen geldt echter dat deze vooral werken bij bekende soorten risico’s. Ze gaan er immers vanuit dat je vooraf een goed overzicht kan maken van wat er speelt en belangrijk is, en wat de kansverdelingen zijn. Bij nieuwere risico’s en onzekerheden zal dit echter niet zomaar kunnen. Daar ontbreekt juist de informatie om vooraf een model of lijst te maken. Daarnaast zijn de modellen doorgaans gebaseerd op historische gegevens over verliezen. Dat betekent eigenlijk dat je probeert te voorspellen op basis van wat er in het verleden al is gebeurd. In veel gevallen heeft het geen zin om historische kansverdelingen te extrapoleren naar een onzekere toekomst van heterogene, unieke gebeurtenissen.
Er is ook een andere manier om tegen biases aan te kijken. Heuristieken hoeven helemaal niet slecht te zijn. Ze worden snel en automatisch toegepast, met acceptabele nauwkeurigheid. Heuristieken kunnen heel instrumenteel zijn aangezien zij helpen twee doelen te bereiken: 1) een resultaat dat we wensen, en 2) om daar te komen op een manier die niet te veel tijd en energie kost. Wanneer gebruik gemaakt wordt van de juiste heuristieken in de juiste situatie, kunnen deze tot betere resultaten leiden dan complexe modellen. Zeker in situaties van onzekerheid. Er wordt wel gesproken van een adaptive toolbox waarin verschillende heuristieken aanwezig zijn waaruit de mens put afhankelijk van de situatie. Voorbeelden zijn recognition, fluency, takethe-best en tallying. De theorie waarbij men ervan uitgaat dat heuristieken geen tekortkomingen zijn, maar juist nuttige wijzen van besluitvorming, leidt tot de term homo heuristicus. Er wordt ook wel gesproken over het less is more principe. Het is niet altijd beter om over meer informatie te beschikken en nog complexere modellen te maken voor besluitvorming.
Eigenrisicobeoordeling
Met ingang van 2017 is er nieuwe pensioenwetgeving in de EU (IORP II). Deze heeft onder andere als doel om het risicobeheer van pensioenfondsen te verbeteren. Eén van de wijzen waarop men dit beoogt te doen is het voorschrijven van een eigenrisicobeoordeling (ERB). Daarin moeten alle relevante risico’s van het pensioenfonds worden belicht, inclusief de beheersing daarvan.
De wetgeving noemt welke typen risico’s in ieder geval behandeld moeten worden. Daarbij wordt vooral aandacht gevraagd voor niet-financiële risico’s, en nieuwe en opkomende risico’s. En omdat dat om nieuwe en onbekende gebeurtenissen gaat, betreft dat vooral ook onzekerheden. Maar er zijn geen inhoudelijke of kwantitatieve criteria gesteld, oftewel vooral principle based in plaats van rules based in dit gedeelte van de wetgeving. De wetgeving geeft daarom weinig expliciete handvatten om de besluitvorming over niet-financiële risico’s en onzekerheden te debiasen. Of dat wel gewenst zou zijn, daarover verschillen de meningen. Zo kun je ervan uitgaan dat debiasing in de financiële sector afgedwongen moet worden middels wetgeving met nauwgezette voorschriften over bijvoorbeeld hoe risicocommissies vormgegeven moeten worden, wat zij moeten doen, en op welke wijze een organisatie te werk gaat, het gebruik van pre-mortems en scenario-analyse.
Anderzijds wordt gesteld dat door te veel reguleren de wetgeving te complex wordt. Dat leidt tot extra kosten en sub-optimale beheersing. Men is meer bezig met het interpreteren van en voldoen aan wetgeving dan dat er nog zelf kritisch naar risico’s en vooral onzekerheden wordt gekeken. En het effectief debiasen is juist bias-specifiek en contextafhankelijk. Er is geen one size fits all maatregel die voorgeschreven kan worden. Voor regulering geldt dan: less may be more.
Conclusie
De werkelijke impact van de ERB moet nog gaan blijken. Pensioenfondsen staan nog aan het begin van het traject. Maar de principle based regelgeving kan een prima trigger zijn voor de pensioenfondsen om de biases aan te pakken. Wellicht dat het less may be more principe hier een goede oplossing is geweest. Pensioenfondsen worden hierdoor zelf aan het denken gezet en moeten zoeken naar voor hun specifieke oplossingen.
En nu moet er gekeken worden naar minder bekende risico’s. Daarover is minder informatie bekend en er is minder ervaring mee. Hierbij zullen de conventionele methoden zoals kwantitatieve modellen zich minder goed lenen voor met managen van de (niet-financiële) risico’s en onzekerheden. Een goed moment om ook te kijken naar minder conventionele methoden. Nieuwe methoden die steeds verder onderbouwd worden zoals gebruik maken van de adaptive toolbox, de homo heuristicus: het less is more principe. Minder is meer.
Noten
- De Institutions for Occupational Retirement Provision (IORP)-richtlijn is een richtlijn van de Europese Unie voor pensioenuitvoerders.
in VBA Journaal door Renze Munnik, Risk Management Consultant bij Probability & Partners