Zo’n tien jaar geleden moesten veel gemeenten miljoenenbedragen van de balans afschrijven omdat de waarde van hun grondposities flink was gedaald als gevolg van de financiële crisis. Een dergelijke klap kun je opvangen door van tevoren voldoende reserves aan te leggen, maar het voelt wrang om als overheidsorganisatie een grote hoeveelheid publiek geld ongebruikt op de bank te laten staan. 
De manier waarop een gemeente risico’s inschat, kan grote gevolgen hebben voor de begroting en zo indirect op de activiteiten die de gemeente zich kan veroorloven. Juist als het aankomt op risico’s is de toekomst echter zeer onzeker. Hoe kun je als ambtelijke organisatie bestuurders meer inzicht geven in de risico’s die de gemeente loopt, en bijdragen aan objectieve besluitvorming?

In een recente bijeenkomst van het VNG-leernetwerk Toekomstgerichte gemeenten vormde deze vraag het onderwerp van gesprek. Alexander Beelen (gemeente Almere) en Fred Schulte Fischedick (Asset Mechanics, gespecialiseerd in datagedreven beslissingen op het gebied van financieel risicomanagement) lichtten toe hoe zij met een datagedreven aanpak verbeteringen aanbrengen in het risicomanagementsysteem van de gemeente Almere en hoe Asset Mecha-nics deze aanpak ook beschikbaar maakt voor andere gemeenten. Menno van Hoeve (Waterschap Schieland) en Freija van Duijne (Future Motions) vertelden vervolgens over het RisicoLAB, een initiatief dat uitwisseling van kennis en data tussen gemeenten op gang wil brengen.

Zoals gebruikelijk gingen deelnemers en sprekers ten slotte aan de hand van stellingen met elkaar in gesprek over het thema.
Uit deze leerzame bijeenkomst kwamen verschillende inzichten naar voren over hoe gemeenten toekomstgericht met risico’s kunnen omgaan. Dit artikel vat enkele van deze inzichten samen.

Gebruik data om risico’s objectief af te wegen

Veel gemeenten hanteren bij hun risicomanagement een overwegend kwalitatieve aanpak, bijvoorbeeld door binnen de organisatie risicodialogen te voeren. Dat is nuttig en nodig, maar het kan veel inzicht opleveren om dit soort kwalitatief risicomanagement aan te vullen met een kwantitatief deel, gebaseerd op data-analyse.
Door data te verzamelen en terug te kijken naar het verleden kun je immers meer zicht krijgen op de bandbreedte waarin zaken als grondwaarden, rentepercentages en andere risicovaria-belen zich bewegen. Daarmee kun je een objectievere inschatting maken van het risico dat de gemeente loopt. Deze datagedreven methode wordt al veel gebruikt in de financiële sector, waar het vaak de core business van een organisatie is om risico’s zo accuraat mogelijk in te schatten. De onderliggende principes vallen echter ook goed te vertalen naar een werkwijze voor gemeenten. De eerste stap is om te inventariseren wat de belangrijkste factoren zijn die bijdragen aan een bepaald risico. Vervolgens is het zaak om zo veel mogelijk relevante historische data te vinden. Die kunnen afkomstig zijn van openbaar beschikbare bronnen, zoals het CBS, maar ook uit databases die gemeenten over de loop der jaren zelf hebben opgebouwd. 
Laten we als voorbeeld de residuele waarde van grondposities nemen, waarop veel gemeenten na de financiële crisis onverwachts grote verliezen leden. Als je naar historische data kijkt, dan blijkt dat de grondprijzen in Nederland in de afgelopen eeuw vier keer naar nul zijn gedaald: tijdens de Eerste en Tweede Wereldoorlog, in de jaren ’70 en in de jaren ’80. In de meeste jaren gingen de grondprijzen echter omhoog: op een vierjaarshorizon was de gemid-delde prijsverandering een stijging van 36%. Voor één op de vijf jaren gold zelfs dat de grondwaarde vier jaar later was verdubbeld.
Normaal gesproken hoef je je als gemeente dus weinig zorgen te maken over je grondposities, maar toch is het niet uit te sluiten dat ze plotseling veel van hun waarde verliezen. Hoe groot moet dan de reserve zijn die je voor een dergelijke waardedaling aanhoudt? Eén manier om dat te bepalen is met de Value at Risk-methode, ook wel de VaR-methode genoemd. Uit de data van de afgelopen vijftig jaar blijkt dat de kans zo’n 20% is dat de grondprijzen met meer dan 26% dalen op een vierjaarshorizon. Dat betekent dat je met een ‘buffer’ van 25% van de totale waarde van je grondposities in 80% van de gevallen genoeg geld hebt om een daling op te vangen. In 10% van de jaren daalden de prijzen zelfs met meer dan 50%. Met een buffer van 50% zit je dus in negen van de tien gevallen goed. 
Het hangt uiteindelijk af van de risicobereidheid van bestuurders hoeveel zekerheid je als gemeente wilt hebben, en hoeveel risico je accepteert. Met historische data kun je hen als gemeentelijke organisatie echter meer inzicht bieden in de risico’s van bepaalde beslissingen. Zo kun je de besluitvorming vaak al een flink stuk objectiever maken.

Gebruik data om reserves te optimaliseren

Hoe meer data je ter beschikking hebt, hoe meer analyses je erop toe kunt passen en hoe beter je besluiten kunt nemen over de aan te houden reserves. Asset Mechanics laat zien hoe je door gegevens te verzamelen over de ‘weersomstandigheden’ van de economie beter kunt inschatten hoeveel reserves je dient aan te houden in bepaalde situaties.
Zo wordt het gedrag van de grondprijzen beïnvloed door een aantal macro-economische variabelen. Denk aan de woningprijzen en de economische groei, die ervoor zorgt dat mensen en organisaties meer te besteden hebben en de vraag naar grond toeneemt, of naar de rente-standen, bouwkosten en de werkloosheid, die juist een tegengesteld effect hebben. Door deze gegevens in kaart te brengen, kun je naar jaren in het verleden zoeken die een vergelijkba-re economische situatie kenden als het heden. Vervolgens kun je uit de data afleiden hoe groot de kans op waardedaling of waardestijging is in de specifieke economische omstandig-heden waar je op dit moment mee te maken hebt. Risico is immers niet constant in de tijd, maar stijgt en daalt mee met andere economische factoren.
Door de hoogte van je reserve op deze specifiekere risicoberekening af te stemmen, kun je de waarde in het bezit van de gemeente beter beschermen in tijden van hoog risico, door hogere reserves aan te houden. Als de omstandigheden zich verbeteren en het risico weer afneemt, bouw je de buffer snel weer af om het vrijgekomen geld te investeren in de gemeenschap. Terugkijkend op de laatste 70 jaar zou een dergelijke strategie veel beter hebben uitgepakt dan het kiezen van een vaste buffer van bijvoorbeeld 20%: per saldo zou er aan het eind van de periode meer dan drie keer zoveel waarde zijn gecreëerd. Dat komt doordat in moeilijke perioden minder waarde verloren gaat en er in betere perioden meer overblijft voor investeringen. Data stellen je dus in staat objectiever in te schatten op welke momenten het risico hoog of juist laag is en wanneer je dus beter voorzichtig, dan wel optimistisch kunt zijn.

Wissel kennis uit met andere gemeenten

De meerwaarde van data bij toekomstgericht risicobeheer is dus groot. Het verzamelen ervan, en het samenbrengen van data in bruikbare analyse-instrumenten, is echter veel werk, waarvoor ook specifieke kennis en capaciteiten nodig zijn. Daarom is het verstandig om de handen ineen te slaan met andere overheden en elkaar vooruit te helpen via het delen van kennis, ervaring en data. Er bestaan verschillende netwerken waarbij gemeenten en andere lagere overheden zich kunnen aansluiten om precies dat te doen. 
Veel gemeenten gebruiken bijvoorbeeld kwalitatieve GRC-risicoplatformen om risico’s in vast te leggen. Asset Mechanics werkt met dit soort platformen samen om daar datagedreven risicomodellen aan toe te voegen. Met behulp van een plug-in kunnen gemeenten dan hun risico’s op bijvoorbeeld rente, inflatie, grondprijzen, werkloosheid en jeugzorg op een eenvoudige, toegankelijke en robuuste manier doorrekenen.
Daarnaast kunnen gemeenten zich aansluiten bij het RisicoLAB, opgezet door VNG en het Risicoplatform Overheden (RPO). Als kenniscentrum van het RPO beoogt het RisicoLAB ruwe data beschikbaar te stellen voor gemeenten, maar anderzijds ook bruikbaar onderzoek uit te voeren naar deze data. Zo wordt momenteel gekeken naar data over vastgoed, brandschadeverzekering en cyberaanvallen. Hoe hoog kan de financiële schade van een cyberaanval bijvoorbeeld uitvallen? Gaat het vaker om duizenden, honderdduizenden of miljoenen euro’s? Door hierover data bijeen te brengen en deze beschikbaar te stellen, helpt het RisicoLAB ge-meenten risico’s beter in te schatten en te kwantificeren.
Samenwerking met andere gemeenten kan met name een uitkomst bieden wanneer er niet veel historische data beschikbaar zijn voor een bepaald risico. Neem bijvoorbeeld de jeugdzorg, die pas in 2015 bij gemeenten werd ondergebracht. Sindsdien zijn in de meeste gemeenten de kosten van de jeugdzorg flink gestegen, maar zeven jaar aan data zijn niet voldoende om objectief de risico’s van stijging of daling vast te stellen. Onderzoek van Asset Mechanics heeft laten zien dat het nuttig is om niet alleen de variatie over tijd, maar ook de variatie over ruimte te bekijken: in welke gemeenten zijn de jeugdzorgkosten op dit moment relatief hoog, en welke factoren lijken daaraan bij te dragen? Zo laten regressieanalyses op honderd verschillende variabelen zien dat bijvoorbeeld het aantal gescheiden ouders en het aantal arbeidsongeschikte mensen in een gemeente tot op zekere hoogte gecorreleerd zijn aan het aantal jongeren in de jeugdzorg. Een model met zes verschillende variabelen blijkt bijna de helft van het aantal jongeren in de jeugdzorg te kunnen verklaren; een waardevol inzicht. Waarschijnlijk is een nog een groter deel te verklaren door de data van het CBS aan te vullen met jeugdzorgdata per gemeente.
Ook op deze manier kan uitwisseling en samenwerking met andere gemeenten dus bijdragen aan betere beslissingen op het gebied van risico’s. Dat leidt er uiteindelijk toe dat gemeenten de publieke waarde die aan hen wordt toevertrouwd beter kunnen beheren en beschermen, en daarmee kunnen bijdragen aan een hoger welvaartsniveau.