De ANBI-regeling en het toezicht daarop zijn de laatste tijd regelmatig in het nieuws. Politiek en media kijken kritisch naar de ANBI-regeling en de potentiële risico’s voor witwassen en terrorismefinanciering bij stichtingen en verenigingen. Dit kan negatieve gevolgen gaan hebben voor de hele sector filantropie, waaronder de Erkende Goede Doelen. Naar onze mening ontbreekt in de discussies een goed inzicht in het volledige ANBI-bestand en de omvang van de daadwerkelijke risico’s. Met dit inzicht kunnen we gericht kijken welke acties nodig zijn om mogelijke misstanden te voorkomen. Voor de sector kan dit belangrijke informatie zijn in de gesprekken over het behouden van de ANBI-voordelen voor alle betrouwbare ANBI''s en de Erkende Goede Doelen.
Om meer inzicht in het ANBI-bestand te krijgen is onder leiding van het CBF een eerste analyse van het bestand uitgevoerd. Daarbij is samengewerkt met het ANBI-team van de Belastingdienst, brancheverenigingen Goede Doelen Nederland en Partin, SBF (Samenwerkende Brancheorganisaties Filantropie) en de Vrije Universiteit Amsterdam.
Figuur 1: ANBI’s ingedeeld naar werkgebied (n = 44.518)
Door voor elke ANBI het werkgebied vast te stellen, wordt duidelijk dat de ANBI-populatie geen homogene groep organisaties is. ANBI’s zijn actief in zeer diverse werkgebieden: religie, welzijn, internationale hulp, gezondheid, cultuur, natuur, etc. Een belangrijke uitkomst van het onderzoek is dat veel groepen ANBI''s, die op verschillende terreinen actief zijn, onder een vorm van toezicht of controle vallen. Zo vallen de zorgaanbieders, woningcorporaties en onderwijsinstellingen in het ANBI-bestand onder Rijkstoezicht. Ook alle gemeentes bezitten de ANBI-status en worden al gecontroleerd. Door middel van zelfregulering is ook veel geregeld, zoals bijvoorbeeld bij vermogensfondsen en kerken. En voor goededoelenorganisaties is er de Erkenningsregeling. Deze resultaten laten zien dat door het segmenteren van het ANBI-bestand er meer inzicht komt in de manier waarop veel subgroepen in het bestand onder toezicht staan, en zich dus goed aan de regels houden.
Machine learning geeft nieuwe inzichten in ANBI’s
Voor deze eerste analyse hebben we verschillende databestanden aan elkaar gekoppeld. Met de toepassing van een machine learning-algoritme zijn de ANBI’s in een werkgebied geplaatst, gebruikmakend van de sectorindeling die de CBF-Erkenning ook hanteert. Deze systematiek van segmentatie kan in de toekomst breder worden toegepast, om ook op aspecten als financiën en activiteiten meer grip te krijgen op het ANBI-bestand van ruim 44 duizend organisaties.
Onze analyse heeft een aantal gegevens inzichtelijk gemaakt, maar op verschillende aspecten is er nog een gebrek aan informatie. Door het ontbreken van uniforme financiële gegevens van de ANBI’s hebben we geen inzicht in de herkomst van de inkomsten en het soort bestedingen. Uit het huidige ANBI-bestand kunnen we bijvoorbeeld niet opmaken of een ANBI een fondsenwerver of vermogensfonds is. Daarnaast hebben we weinig zicht op de precieze activiteiten van de ANBI’s. Informatie over bijvoorbeeld doelstellingen, beleid en de landen waarin de activiteiten plaatsvinden ontbreekt nu vaak of is zeer moeilijk te vinden. Dit is allemaal belangrijke informatie voor het bepalen van risicogroepen, die nu nog ontbreekt.
Naar de toekomst
Om het ANBI-bestand op meer dan werkgebieden te kunnen analyseren, is het belangrijk dat gestandaardiseerde informatie van ANBI’s beschikbaar komt. De standaardformulieren voor de ANBI-publicatieplicht, die per 1 januari jl. verplicht zijn geworden voor niet-erkende goede doelen, zijn een belangrijke stap hierin. Met de betere informatie die daarmee beschikbaar komt, kunnen we beter inzicht krijgen in de aard en omvang van het ANBI-bestand en meer grip krijgen op de mogelijke risicogroepen.
We zien twee belangrijke vervolgstappen. Ten eerste is het belangrijk dat de informatie uit de standaardformulieren voor de ANBI-publicatieplicht beschikbaar komt in een centrale database, zodat deze informatie op uniforme wijze voor het algemene publiek inzichtelijk wordt en door ons gebruikt kan worden voor een vervolganalyse. Ten tweede is het goed om na te denken hoe we de systematiek met machine learning die we nu ontwikkelen, structureel kunnen uitvoeren, zodat het inzicht dat we nu creëren ook in de toekomst actueel blijft.