Versicherungskriminalität stellt für die Versicherungswirtschaft weltweit eine enorme Herausforderung dar. Jährlich entstehen durch betrügerische Schadensmeldungen Schäden in Milliardenhöhe. Dabei sind die Verstrickungen und Methoden der Täter oft komplex und schwer zu durchschauen. In einer Welt, in der Daten zunehmend das Fundament für Entscheidungsprozesse bilden, ergeben sich jedoch neue Möglichkeiten, solche Betrugsfälle zu identifizieren und einzudämmen. Ein besonders vielversprechender Ansatz liegt in der Analyse von Fahrzeugunfalldaten, insbesondere durch die gezielte Untersuchung von Fahrzeug-Identifikationsnummern (VINs).
Im Folgenden wird aufgezeigt, wie die vergleichende Betrachtung von VINs und Unfallzeitpunkten unerwartete Einblicke in mögliche Versicherungskriminalität ermöglicht und warum diese Erkenntnisse für Versicherer und Risikomanager von großer Bedeutung sind. Die Bedeutung der Fahrzeug-Identifikationsnummer VINs sind weltweit einmalige Kennungen für jedes Fahrzeug. Sie bieten damit eine unverwechselbare Möglichkeit, ein Fahrzeug eindeutig zu identifizieren – unabhängig von Jahresmodell, Kennzeichen oder ziviler Registrierung. Diese Identifikatoren ermöglichen es, Unfallberichte präzise auf einzelne Fahrzeuge zu beziehen, was in der Unfallforschung und der Unfallstatistik von unschätzbarem Wert ist. Darüber hinaus erlaubt die Auswertung von VINs über mehrere Schadensmeldungen hinweg die Ermittlung von auffälligen Mustern, die zum Beispiel bei häufiger Unfallhäufigkeit oder unregelmäßigen Versicherungswechseln auftreten.
Oftmals geben öffentliche Unfallstatistiken lediglich an, dass ein Fahrzeug an mehreren Unfällen beteiligt war, ohne dieses Fahrzeug eindeutig identifizieren zu können. Die Einbeziehung von VINs in den Datensatz verändert diese Perspektive erheblich. Plötzlich kann analysiert werden, ob ein und dasselbe Fahrzeug innerhalb relativ kurzer Zeit immer wieder in Unfälle verwickelt ist – ein potenzieller Hinweis auf betrügerische Aktivitäten. Entstehung eines Verdachts: Die Datenerhebung Ein Unternehmen im Bereich der künstlichen Intelligenz und Risikobewertung, spezialisiert auf die Auswertung geospatialer Unfallrisiken, erhöhte seine Datengrundlage durch die Nutzung von VIN-Angaben, die einige Bundesstaaten in ihrer öffentlichen Unfallberichterstattung bereitstellen. Die Datenanalyse fokussierte sich zunächst darauf, Unfallschwerpunkte zu identifizieren sowie Risikofaktoren wie Straßenbedingungen und Unfallfolgen zu bewerten.
Die Integration von VINs eröffnete jedoch eine gänzlich neue Ebene der Untersuchung. Nach der Reinigung der Daten – unter anderem durch Entfernen von Fahrten unter Einfluss von Drogen und Alkohol – ließ sich ein Datensatz mit etwa 15 Millionen Unfällen bilden. Im weiteren Verlauf wurden Algorithmen entwickelt, die auffällige Fälle erkannten: Fahrzeuge, die in einem Zeitraum von sechs bis zwölf Monaten ungewöhnlich häufig verunglückten, überraschend häufig den Versicherer wechselten oder deren Unfallcharakteristiken auf Auffälligkeiten wie nächtliche Einzelfahrzeugunfälle ohne Zeugen hinwiesen. Besondere Risikomuster und deren Indikatoren Im Rahmen der Analysen zeigten sich gewisse „Signale“, die in der Literatur und Vorgängigen Untersuchungen als potenzielle Anzeichen für Versicherungsbetrug gelten. So fällt eine hohe Anzahl von Unfällen eines Fahrzeugs im Vergleich zum Durchschnitt auf, etwa mehr als zwei Unfälle innerhalb eines halben Jahres.
Ebenso ungewöhnlich sind wiederholte Versicherungswechsel innerhalb kurzer Zeitspannen – möglicherweise um mehrfach Leistungen von unterschiedlichen Versicherern zu erschleichen, was „double dipping“ genannt wird. Unfälle, die typischerweise nachts stattfinden, in Gebieten mit geringer Verkehrsdichte und ohne Zeugen, werfen weitere Fragen auf – vor allem wenn es sich dabei um Einzelfahrzeugzusammenstöße handelt, die häufig auf Phantomunfälle wie beispielsweise Wildwechsel zurückzuführen sind. Auch der häufige Vermerk von Verletzungen kann auf eine absichtliche Aufwertung von Schadenssummen durch falsche oder übertriebene Angaben hinweisen. Ein Algorithmus kombinierte diese Variablen zu einem sogenannten Propensity Score, der als Maß für die Wahrscheinlichkeit von Versicherungsbetrug gilt. Dabei bleibt zu betonen, dass es sich nicht um einen Beweis für Betrug handelt, sondern um eine Priorisierung von Verdachtsfällen, die näher betrachtet werden sollten.
Analyse eines Fallbeispiels Ein besonderer Fall aus den untersuchten Daten zieht die Aufmerksamkeit auf sich: Ein Fahrzeug mit der Kennung VIN1 verzeichnete in einem Zeitraum von weniger als einem Jahr gleich mehrere Unfälle mit vergleichbaren Auffälligkeiten. Die Unfälle ereigneten sich zu ungünstigen Tageszeiten, oftmals nachts oder in den frühen Morgenstunden, an abgelegenen Orten ohne Zeugen. Sämtliche Unfälle waren Einzelfahrzeugunfälle mit geringem bis mittlerem Schadensausmaß – stets Eigentums- oder Personenschaden, letzteres mit leichter Verletzung. Bemerkenswert ist auch der schnelle Wechsel der Versicherungsgesellschaften innerhalb des gleichen Zeitraumes. So deckte zunächst ein Anbieter den ersten Unfall ab, ein weiterer übernahm gerade vor einem der Unfälle den Versicherungsschutz und wiederum ein anderer trat später als Versicherer auf.
Ein solches Muster von sogenannten „back to back“-Versicherungen ohne zeitliche Lücken wirkt verdächtig und stützt den Verdacht möglicher krimineller Absichten. Warum solche Erkenntnisse wichtig sind Die Versicherungsbranche ist in mehrfacher Hinsicht betroffen, wenn es um betrügerische Schadensfälle geht. Neben den finanziellen Verlusten bedeutet Versicherungsbetrug auch eine Verzerrung der Risikobewertung, die wiederum dazu führen kann, dass ehrliche Versicherungsnehmer mit höheren Beiträgen belastet werden. Das Aufdecken und Verhindern von solchen Fällen ist somit ein wichtiges Ziel im Risikomanagement. Die Einbindung von VIN-Daten und deren zeitliche Analyse ermöglichen es, die Effizienz bei der Erkennung potenzieller Betrugsfälle zu steigern und Ressourcen zielgerichteter einzusetzen.
Spezielle Ermittlungsabteilungen (Special Investigations Units, SIUs) können gezielter und schneller tätig werden und dadurch Kosteneinsparungen erzielen. Von einer systematischen und datengetriebenen Vorgehensweise profitiert auch die Kundenbetreuung – denn vermiedene Betrugsfälle sichern eine faire Prämiengestaltung. Zudem tragen Erkenntnisse über Unfallszenarien und deren geographische Verteilung zu einem verbesserten Verständnis von Unfallrisiken bei. So wird etwa deutlich, dass nicht nur der Ort des Unfalls, sondern auch dessen Zeitpunkt und der Unfalltyp wichtige Hinweise auf die Plausibilität einer Schadensmeldung liefern können. Grenzen und Ausblick Es ist wichtig klarzustellen, dass die untersuchte Methodik keine strafrechtlichen Beweise liefert, sondern vielmehr eine Verdachtslage generiert.
Eine Vielzahl von Unfallszenarien kann durch unglückliche Umstände oder fahrerisches Fehlverhalten entstehen. Dennoch liefert die Kombination von Fahrzeugidentifikation, Unfallcharakteristiken und Versicherungsdaten ein fundiertes Werkzeug für die Identifikation von Auffälligkeiten. Zukünftig ist davon auszugehen, dass fortgeschrittene Analysemethoden, wie maschinelles Lernen und künstliche Intelligenz, diese Ansätze noch verfeinern und präzisieren werden. Zusätzlich könnten die Integration weiterer Datenquellen, etwa Telematikdaten aus dem Fahrzeug oder regionale Verkehrsüberwachungsinformationen, zu noch aussagekräftigeren Bewertungen führen. Für Versicherer, Flottenmanager und Risikobewirtschafter bringt die regelmäßige Analyse von Unfall- und Versicherungsdaten daher einen entscheidenden Mehrwert.
