Subadditivitätseffekt: Warum Teile größer wirken als das Ganze

Stellen Sie sich vor, Sie sollen die Wahrscheinlichkeit schätzen, dass ein 45-jähriger Mann in den nächsten zehn Jahren stirbt. Dann stellen Sie sich vor, Sie sollen die Wahrscheinlichkeit schätzen, dass er an Herzinfarkt stirbt — plus die Wahrscheinlichkeit, dass er an Krebs stirbt — plus Schlaganfall — plus Unfall — plus allen anderen Ursachen. Addieren Sie diese Einzelschätzungen. Das Ergebnis ist fast immer größer als Ihre erste Schätzung. Manchmal weit mehr als 100 %. Das ist der Subadditivitätseffekt — und er verrät einiges über das Innenleben unseres Urteilsvermögens.

Was Subadditivität bedeutet

In der Mathematik und Wahrscheinlichkeitstheorie gilt: Wenn eine Menge A vollständig aus Teilmengen B₁, B₂, B₃... zusammengesetzt ist, dann muss die Wahrscheinlichkeit von A gleich der Summe der Wahrscheinlichkeiten aller Teilmengen sein. P(A) = P(B₁) + P(B₂) + P(B₃) + ... Das ist keine Theorie, das ist Axiom.

Der Subadditivitätseffekt (englisch: subadditivity effect) beschreibt das beobachtete Phänomen, dass Menschen die Wahrscheinlichkeit eines Oberbegriffs (z. B. "stirbt an irgendeiner Krankheit") systematisch niedriger einschätzen als die Summe der Wahrscheinlichkeiten der Unterkategorien (einzelne Krankheiten). Die Teile erscheinen zusammengenommen größer als das Ganze — was logisch unmöglich, aber psychologisch sehr real ist.

Der Begriff und die systematische Erforschung gehen auf Amos Tversky und Derek Koehler zurück, die das Phänomen 1994 im Rahmen der Support Theory beschrieben. Ihre Grundbeobachtung: Wenn eine Hypothese explizit in Unterkategorien aufgeteilt wird, erhält sie insgesamt mehr "Unterstützung" — also eine höhere eingeschätzte Wahrscheinlichkeit — als wenn sie als Ganzes formuliert wird.

Das Todesursachen-Experiment

Ein Kernexperiment der Support Theory lädt zur Einschätzung von Todesursachen ein. Einer Gruppe von Probanden wird die Frage gestellt: "Wie groß ist die Wahrscheinlichkeit, dass ein 45-jähriger Amerikaner in den nächsten zehn Jahren stirbt?" Eine zweite Gruppe bekommt dieselbe Frage, aber aufgeteilt: Herzinfarkt? Krebs? Unfall? Schlaganfall? Andere Krankheiten? Sonstige Ursachen?

Die zweite Gruppe schätzt für jede Kategorie eine Zahl — und die Summe überschreitet regelmäßig 100 %, manchmal erheblich. Die erste Gruppe schätzt typischerweise deutlich geringer als die Summe der Einzelschätzungen der zweiten Gruppe.

Das Ergebnis ist mathematisch inkoherent. Die Wahrscheinlichkeit, an irgendetwas zu sterben, kann nicht kleiner sein als die Wahrscheinlichkeit, an einem spezifischen Ding zu sterben — geschweige denn kleiner als die Summe mehrerer spezifischer Todesursachen. Trotzdem passiert es, verlässlich und über viele Experimentgruppen hinweg.

Warum Teile größer wirken: Verfügbarkeit und mentale Simulation

Der Mechanismus dahinter ist eng mit der Verfügbarkeitsheuristik verbunden. Wenn wir konkrete Kategorien vor uns haben — Herzinfarkt, Krebs, Unfall — können wir leichter Beispiele abrufen, uns Szenarien vorstellen, Bilder aktivieren. Der Herzinfarkt hat ein Gesicht: vielleicht der Onkel, der mit 52 ins Krankenhaus kam. Der Krebs auch. Der Unfall sowieso.

Der abstrakte Oberbegriff "stirbt irgendwie" hat kein Gesicht. Er ist kognitive Leerstelle. Deshalb wird er schwächer bewertet — obwohl er logisch alle Einzelkategorien umfasst und mehr.

Tversky und Koehler nennen diesen Mechanismus Unpacking: Das explizite Auseinandernehmen einer Kategorie in ihre Bestandteile erhöht die gefühlte Wahrscheinlichkeit des Ganzen, weil jeder Bestandteil eigene kognitive Unterstützung aktiviert. Je mehr man aufpackt, desto mehr Evidenz wird mobilisiert — die Summe übersteigt das Ganze.

Versicherungen und der Wert des Auspackens

Der Subadditivitätseffekt ist für die Versicherungsbranche und für das Marketing von Risikoabsicherungen von erheblicher praktischer Bedeutung — und wird, wer hätte es gedacht, durchaus strategisch genutzt.

Stellen Sie sich vor, ein Versicherungsvertreter fragt Sie: "Möchten Sie eine Lebensversicherung abschließen?" Verglichen mit der Frage: "Möchten Sie abgesichert sein, falls Sie durch einen Herzinfarkt sterben? Falls ein Krebsleiden Sie ereilt? Falls ein Unfall Sie aus dem Leben reißt?" — Die zweite Formulierung ist emotionaler, konkreter, und erzeugt eine höhere subjektive Risikowahrnehmung.

Empirisch belegt ist, dass die Zahlungsbereitschaft für Versicherungen steigt, wenn Risiken spezifisch und disaggregiert dargestellt werden. Rottenstreich und Tversky (1997) zeigten: Probanden zahlten mehr für eine Versicherung gegen "Tod durch Terroranschlag auf Reisen" als für eine Versicherung gegen "Tod auf Reisen" — obwohl letztere Erstere umfasst und damit per definitionem wertvoller ist.

Das ist aus Kundensicht kein rationaler Entscheid. Es ist Subadditivitätseffekt plus emotionale Salienz. Wer das weiß, kann es beim Lesen von Versicherungsangeboten besser einordnen.

Risikoeinschätzung in der Praxis

Über Versicherungen hinaus hat der Effekt Konsequenzen überall dort, wo Menschen Wahrscheinlichkeiten und Risiken abwägen müssen.

Projektplanung: Wenn ein Projektteam einzelne Risiken auflistet — Lieferausfall, Personalwechsel, technische Probleme, regulatorische Änderungen — und jedes mit einer Eintrittswahrscheinlichkeit bewertet, wird die Summe oft 100 % überschreiten. Das ist nicht Pessimismus, das ist Subadditivität. Gute Risikoanalyse berücksichtigt, dass sich Einzelwahrscheinlichkeiten nicht einfach addieren lassen.

Medizinische Diagnose: Ärzte, die eine Differenzialdiagnose erstellen, neigen dazu, die Wahrscheinlichkeit einer spezifischen Diagnose (Herzinfarkt) höher einzuschätzen als die Wahrscheinlichkeit eines unspezifischen Oberbegriffs (kardiovaskuläres Ereignis) — was bei der Entscheidung für Behandlungen zu Verzerrungen führen kann.

Juristische Wahrscheinlichkeitsurteile: Wenn Geschworene oder Richter Wahrscheinlichkeiten für Szenarien bewerten — Täter X hat das Verbrechen mit Motiv A begangen, mit Motiv B, mit einem anderen Motiv — neigen spezifische Szenarien zur Überschätzung gegenüber der allgemeinen Schuldwahrscheinlichkeit. Die Spezifität des Narrativs wirkt überzeugend.

Subadditivität, Kahneman und der Zusammenhang mit anderen Biases

Der Subadditivitätseffekt steht in enger Verbindung mit anderen kognitiven Verzerrungen. Er ist verwandt mit dem Repräsentativitätsfehler — auch dort werden konkrete, narrative Szenarien überbewertet. Er profitiert von der Verfügbarkeitsheuristik. Und er teilt mit dem Planungsfehlschluss das Merkmal, dass Details und Konkretheit die Wahrnehmung systematisch verzerren.

Daniel Kahneman, dessen Zusammenarbeit mit Tversky die Kognitionswissenschaft revolutionierte, beschreibt in "Thinking, Fast and Slow" das zugrunde liegende Prinzip: Das intuitive System urteilt nach Mustern, Assoziationen und Ähnlichkeit — nicht nach logischen Mengenrelationen. "Was Sie sehen, ist alles, was es gibt" (WYSIATI) gilt auch hier: Wenn wir spezifische Kategorien vor Augen haben, ist das die Realität, auf die wir reagieren — nicht die abstraktere logische Wahrheit, dass diese Kategorien nur Teile eines Ganzen sind.

Drei Konsequenzen für den Alltag

Was bedeutet der Effekt praktisch — jenseits von Versicherungsgesprächen und Psychologielabors?

• Disaggregierte Fragen erzeugen höhere Zahlen: Wenn Sie jemanden nach seiner Meinung fragen ("Wie gut ist unser Produkt?") oder nach einzelnen Aspekten ("Wie gut ist die Lieferung? Das Verpackungsdesign? Die Qualität? Der Kundenservice?"), werden die Summen der Einzelbewertungen fast immer höher ausfallen als die Gesamtbewertung. Das ist kein Widerspruch — das ist Subadditivitätseffekt. Beide Fragen messen etwas Reales, aber Verschiedenes.
• Risikolisten mit Vorsicht lesen: Wenn Risiken aufgelistet und einzeln bewertet werden, ist die Summe kein valider Gesamtindikator. Korrekte Risikoaggregation erfordert mathematisches Handwerkszeug (Unabhängigkeitsannahmen, Korrelationen), nicht einfache Addition.
• Konkretheit schlägt Abstraktion: Wenn Sie jemanden überzeugen wollen, ein Risiko ernstzunehmen, hilft das Auspackieren in konkrete Szenarien — nicht wegen Manipulation, sondern weil abstrakte Risiken kognitiv unterbewertet werden. Das Gleiche gilt in die andere Richtung: Wer manipulativ Angst erzeugen will, nutzt exakt diese Mechanik.

Fazit

Der Subadditivitätseffekt ist ein elegantes Beispiel dafür, wie unser Verstand mit Wahrscheinlichkeiten umgeht — nämlich nicht nach den Regeln der Wahrscheinlichkeitsrechnung, sondern nach den Regeln der assoziativen Verfügbarkeit und narrativen Überzeugungskraft. Einzeln präsentierte Teile bekommen mehr kognitive Unterstützung als ihr abstraktes Ganzes.

Das ist kein Systemfehler, den man einfach repariert. Es ist ein Grundmerkmal intuitiver Bewertung. Wer es kennt, kann besser einordnen, warum spezifische Risiken überzeugender wirken als generelle, warum Versicherungswerbung so funktioniert, wie sie es tut — und warum Risikolisten niemals einfach addiert werden sollten.

Die Summe der Teile ist manchmal größer als das Ganze. Aber nur im Kopf.

Quellen & Weiterführendes

• Tversky, Amos & Derek J. Koehler. "Support Theory: A Nonextensional Representation of Subjective Probability." Psychological Review, 101(4), 1994, S. 547–567.
• Rottenstreich, Yuval & Amos Tversky. "Unpacking, Repacking, and Anchoring: Advances in Support Theory." Psychological Review, 104(2), 1997, S. 406–415.
• Kahneman, Daniel. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011.
• Fox, Craig R. & Amos Tversky. "A Belief-Based Account of Decision under Uncertainty." Management Science, 44(7), 1998, S. 879–895.
• Fischhoff, Baruch, Paul Slovic & Sarah Lichtenstein. "Fault Trees: Sensitivity of Estimated Failure Probabilities to Problem Representation." Journal of Experimental Psychology: Human Perception and Performance, 4(2), 1978, S. 330–344.
• Wikipedia: Subadditivitätseffekt