Aufdeckung von Versicherungsbetrug bei Kfz-Schäden mit Hilfe des Benford-Tests

Zusammenfassung

Laut Schätzungen des Gesamtverbandes der Deutschen Versicherungswirtschaft entstehen Kfz-Versicherern jährliche Schadensvolumina von 1,5 Mrd. Euro in der Folge des systematischen Betrugs durch Versicherungsnehmer. Hierbei wird davon ausgegangen, dass bei rund 10 % der eingereichten Anträge Manipulationen vorgenommen wurden, was die Versicherer zu umfassenden und vor allem kostspieligen Überprüfungen einzelner Schadenfälle zwingt. Eine alternative Methode zur Betrugserkennung bietet die digitale Ziffernanalyse, welche Haufigkeitsverteilungen der Ziffern empirischer Datensätze mit theoretisch zu erwartenden Verteilungen vergleicht, wobei hierbei insbesondere die Benford-Verteilung unterstellt wird. Weichen empirische Zahlen von dieser Verteilung ab, so ist dies ein Indiz dafür, dass systematische Manipulationen an dem betrachteten Datensatz vorgenommen wurden. Bislang ungeklärt ist jedoch, ob und inwieweit dieses auch als „Benford-Test“ bezeichnete Verfahren auf Versicherungsdaten angewendet werden kann. Der vorliegende Beitrag geht dieser Fragestellung mit einer Analyse von mehr als 120.000 Schadensfällen nach und ermittelt zudem, ob bestimmte Kriterien eines Schadenfalles wie z.B. die Reparatur in einer Vertragswerkstatt oder einer freien Werkstatt, der Kfz-Hersteller oder die Prüfung durch einen Sachbearbeiter Einfluss auf die Manipulationswahrscheinlichkeiten haben. In diesem Kontext konnte gezeigt werden, dass eine Anwendung des Benford-Testes auf Versicherungsschäden zwar lediglich auf die zweiten Ziffern der Zahlen möglich ist, Manipulationen hier jedoch sehr effizient aufgedeckt werden: Die für sämtliche Untersuchungskriterien gebildeten effizienten Prüfreihenfolgen konnten stets durch plausible Erklärungen verifiziert werden. Dies belegt, dass der Benford-Test die Eignung besitzt, um Versicherungen Auskunft darüber zu geben, welche Kriterien eines Schadensfalles tendenziell für einen höheren Anteil fraudulenter Zahlen sprechen und somit einer weitergehenden Prüfung bedürfen. Somit können deren Ressourcen deutlich effizienter eingesetzt werden, was im Umkehrschluss auch mit einer Reduzierung der Revisionsaufwendungen einhergeht.

Abstract

The German Insurance Association estimates a yearly amount of damage of € 1.5 bn to German motor vehicle insurance companies because of systematic fraud by insurance holders. It is supposed that about 10% of submitted claim applications contain manipulated data, therefore insurance companies are forced to complete a detailed and cost intensive case-by-case review of each single application. An alternative method to detect fraud in empiric data is the method of digital analysis based on Benford’s law. The Benford method uses a mathematical law of specific logarithmic distribution attributes of first digits. According to this approach, the data of a Benford set confirm with the expected digit distribution, if the data is not manipulated, whereas fraudulent interventions lead to a deviation from Benford’s law. Hence, until now there has not been any investigation whether the Benford method can also be applied on insurance data. The present article analyses a dataset consisting of more than 120,000 damage claim applications to answer this question as well as to identify the impact of specific characteristics on the probability of fraud contained in claim applications, such as the repair of the vehicle in a franchised or an independent workshop, the vehicle brand or the examination by insurance companies experts. Indeed it could be shown that Benford’s Law is only applicable on second digits of insurance data, but delivers very strong results here: All results of the considered characteristics could be verified by plausible arguments. For this reason insurance companies can benefit from making use of the Benford method to identify those claim applications with a high probability of fraud, which should then be reviewed in more detail so that resources can be allocated in a much more cost efficient way.

This is a preview of subscription content, log in to check access.

Abb. 1
Abb. 2
Abb. 3
Abb. 4

Notes

  1. 1.

    Die Angaben beziehen sich hierbei auf die auf den Internetseiten des GDV unter der Rubrik „Versicherungsbetrug“ veröffentlichten Zahlen.

  2. 2.

    Vgl.Watrin und Struffert (2006), S. 1748.

  3. 3.

    Vgl. Blenkers (2003), S. 261 ff. und Odenthal und Roger (2005), S. 1023.

  4. 4.

    Unter Earnings Management versteht man die gezielte Einflussnahme auf Gewinngrößen des Unternehmens. Vgl. hierzu: Healy und Wahlen (1999), S. 368.

  5. 5.

    Vgl. Carslaw und Charles (1988), S. 322–324.

  6. 6.

    Vgl. Thomas (1989), S. 787.

  7. 7.

    Vgl. Niskanen und Keloharju (2000) S. 449–451.

  8. 8.

    Vgl. Van Caneghem (2002), S. 174–176.

  9. 9.

    Vgl. Skousen et al. (2004), S. 229.

  10. 10.

    Vgl. Rodriguez (2004), S. 68, 69.

  11. 11.

    Vgl. Watrin und Ullmann (2009), S. 104, 105.

  12. 12.

    Vgl. Mollat (2014), S. 14–17.

  13. 13.

    Dieser bezeichnet ein statistisches Testverfahren, welches die Abweichung von der Benford-Verteilung ermitteln kann. Eine genaue Erläuterung erfolgt in Abschnitt III.1.

  14. 14.

    Vgl. Watrin und Struffert (2006), S. 1748.

  15. 15.

    BGH (1990), S. 1549.

  16. 16.

    FG Münster 8 V 5774/02 vom 05.12.2002 (2002), sowie FG Münster 6 V 4562/03 E, U vom 10.11.2003 (2003), EFG 2004, 236.

  17. 17.

    FG Münster 8 V 2651/03 E,U vom 14.08.2003, openJur 2011, 26048.

  18. 18.

    Vgl. Nigrini (1996), S. 72–91.

  19. 19.

    Vgl. Nye und Moul (2007), S. 5–10.

  20. 20.

    Vgl. Gonzalez-Garcia und Pastor (2009), S. 7–10.

  21. 21.

    Vgl. Rauch et al. (2011), S. 253.

  22. 22.

    Vgl. Rauch et al. (2014b), S. 147–151.

  23. 23.

    Vgl. Rauch et al. (2014a), S. 755–762.

  24. 24.

    Vgl. Mebane (2010), S. 6–15 sowie Deckert et al. (2011), S. 269–272.

  25. 25.

    Vgl. Deckert et al. (2011), S. 245–268.

  26. 26.

    Vgl. Rauch et al. (2014c), S. 175–191.

  27. 27.

    Vgl. Schäfer et al. (2005), S. 186–188.

  28. 28.

    Vgl. Ley und Varian (1994), S. 223.

  29. 29.

    Vgl. Newcomb (1881), S. 39 f.

  30. 30.

    Vgl. Benford (1938), S. 553.

  31. 31.

    Vgl. Posch (2005), S. 6.

  32. 32.

    Vgl. Pinkham (1961), S. 1223–1230.

  33. 33.

    Vgl. Boyle (1994), S. 879, 883 sowie Schatte 1988, S. 443–455.

  34. 34.

    Vgl. Watrin (2006), S. 1749.

  35. 35.

    Vgl. Mochty (2002), S. 729.

  36. 36.

    Vgl. Hill (1995), S. 888, 889.

  37. 37.

    Vgl. Watrin et al. (2008), S. 235, 236.

  38. 38.

    Dieses besagt im Wesentlichen, dass sich empirische Verteilungen mit Zunahme des Stichprobenumfanges \(\mathrm{n}\) zunehmend der hypothetischen Verteilung annähern.

  39. 39.

    Vgl. Nirgini (2000), S. 78.

  40. 40.

    Vgl. Cho et al. (2007), S. 221.

  41. 41.

    Vgl. Judge (2009), S. 6.

  42. 42.

    Vgl. Rauch et al. (2011), S. 245.

  43. 43.

    Vgl. Nigrini (2000), S. 24.

Literatur

  1. Benford, F.: The law of anomalous numbers. Proc. Am. Philos. Soc. 78(4), 551–572 (1938)

    Google Scholar 

  2. BGH: 4 StR 419/89 vom 14.12.1989, abgedruckt in: Neue Juristische Wochenschrift, 1990, S. 1549.

  3. Blenkers, M.: Chi-Test – oder „Jeder Mensch hat seine Lieblingszahl“. Steuerliche Betriebsprüfung ​43(9), 261–264 (2003)

    Google Scholar 

  4. Boyle, J.: An application of Fourier series to the most significant digit problem. Am. Math. Mon., 101(9), 879–886 (1994)

    Article  Google Scholar 

  5. Carslaw, C.A.P.: Anomalies in income numbers: evidence of goal oriented behaviour. Account. Rev. 63(2), 321–327 (1988)

    Google Scholar 

  6. Cho, T., Wendy, K., Gaines, B.J.: Breaking the (Benford) law: Staistical fraud detection in campaign finance. Am. Stat. 61, 221–223 (2007). https://doi.org/10.1198/000313007X223496

    Google Scholar 

  7. Deckert, J., Myagkov, M., Ordeshook, P.: Benford’s law and the detection of election fraud. Polit. Anal. 19, 245–268 (2011)

    Article  Google Scholar 

  8. FG Münster: 6 V 4562/03 E, U vom 10.11.2003, EFG 2004, S. 236.

  9. FG Münster: 8 V 5774/02 vom 05.12.2002, EFG 2004, S. 236.

  10. Gonzalez-Garcia, J., Pastor, G.: Benford’s law and macroeconomic data quality. In: International monetary fund Working Paper. S. 7–10. (2009)

    Google Scholar 

  11. Healy, P.M., Wahlen, J.M.: A review of the earnings management literature and its applications for standard setting. Account. Horiz., 13​(4), 365–383 (1999)

    Article  Google Scholar 

  12. Hill, T.P.: Base-invariance implies Benford’s law. Proc. Am. Math. Soc. 123(3), 887–895 (1995)

    Google Scholar 

  13. Judge, G., Schechter, L.: Detecting problems in survey data using Benford’s law. J. Hum. Resour. 44(1), 1–24 (2009)

    Google Scholar 

  14. Ley, E., Varian, H.R.: Are there psychological barriers in the Dow-Jones index? Appl. Financ. Econ. 4(3), 223 (1994)

    Article  Google Scholar 

  15. Mebane, W.: Fraud in the 2009 presidential election in Iran? Chance 23(1), 6–15 (2010)

    Article  Google Scholar 

  16. Mochty, L.: Die Aufdeckung von Manipulationen im Rechnungswesen – Was leistet Benford’s Law? Wirtschaftsprüfung ​55(14), 725–736 (2002)

    Google Scholar 

  17. Mollat, I.: Benford reloaded – IT-Forensik: EY und Fraunhofer SIT gelingt der Durchbruch. Z. Risk Fraud Compliance 1, 14–17 (2014)

    Google Scholar 

  18. Newcomb, S.: Note on the frequency of use of the different digits in natural numbers. Am. J. Math. 4(1), 39–40 (1881)

    Article  Google Scholar 

  19. Nigrini, M.J.: A taxpayer compliance application of Benford’s law: tests and statistics for auditors. J. Am. Tax. Assoc. 18(1), 72–91 (1996)

    Google Scholar 

  20. Nigrini, M.J.: Digital analysis using Benford’s law: test & statistics for auditors. Global Audit Publications, 2. Aufl., Vancouver (2000)

    Google Scholar 

  21. Niskanen, J., Keloharju, M.: Earnings cosmetics in a tax-driven accounting environment: evidence from Finnish public firms. Eur. Account. Rev. 9(3), 443–452 (2000)

    Article  Google Scholar 

  22. Nye, J., Moul, C.: The political economy of numbers: on the application of Benford’s law to international macroeconomic statistics. J. Macroecon. 7(1), 17 (2007)

    Google Scholar 

  23. Odenthal, R.: Defraudanten auf der Spur. Betr. Wirtsch. ​24, 1019–1023 (2005)

    Google Scholar 

  24. Pinkham, R.S.: On the distribution of first significant digits. Ann. Math. Statist. 32(4), 1223–1230 (1961)

    Article  Google Scholar 

  25. Posch. Peter, N.: Ziffernanalyse in Theorie und Praxis – Testverfahren zur Fälschungsaufspürung mit Benfords Gesetz. Shaker, Aachen (2005)

    Google Scholar 

  26. Rauch, B., Göttsche, M., Brähler, G., Engel, S.: Fact and fiction in EU-governmental economic data. Ger. Econ. Rev. 12(3), 243–255 (2011)

    Article  Google Scholar 

  27. Rauch, B., Göttsche, M., Brähler, G., Brinkert, D., Kronfeld, T.: European Integration and Statistical Credibility: Application of Benford’s Law on Governmental Economic Data of EU Membership Aspirants. Empir. Econ. Lett. 13(7), 755–762 (2014a)

    Google Scholar 

  28. Rauch, B., Göttsche, M., Brähler, G., Geidel, F., Pietras, T.: Überprüfung der Rechenschaftsberichte deutscher Parteien mit Hilfe des Benford’s Law. BFuP 66(2), 175–191 (2014b)

    Google Scholar 

  29. Rauch, B., Göttsche, M., Brähler, G., Kronfeld, T.: Deficit versus social statistics: empirical evidence for the effectiveness of Benford’s law. Appl. Econ. Lett. 21(3), 147–151 (2014c)

    Article  Google Scholar 

  30. Rodriguez, R.J.: First significant digit patterns from mixtures of uniform distributions. Am. Stat. ​58​(1), 64–71 (2004)

    Article  Google Scholar 

  31. Schäfer, C., Schräpler, J.-P., Müller, K.-R., Wagner, G.G.: Automatic identification of faked and fraudulent interviews in the German SOEP. Schmollers Jahrb. ​125​(1), 186–188 (2005)

    Google Scholar 

  32. Schatte, P.: On mantissa distributions in computing and Benford’s Law. J. Inf. Process. Cybern. ​24​(9), 443–455 (1988)

    Google Scholar 

  33. Skousen, C.J., Guan, Liming, Wetzel, T.S.: Anomalies and unusual patterns in reported earnings: Japanese managers round earnings. J. Int. Financ. Manag. Account. 15(3), 212–234 (2004)

    Article  Google Scholar 

  34. Thomas, J.K.: Unusual patterns in reported earnings. Account. Rev. 64(4), 773–787 (1989)

    Google Scholar 

  35. Van Caneghem, T.: Earnings management induced by cognitive reference points. Br. Account. Rev. 34(2), 167–178 (2002)

    Article  Google Scholar 

  36. Watrin, C., Struffert, R.: Benford’s Law und Chi-Quadrat-Test – Chancen und Risiken des Einsatzes bei steuerlichen Prüfungen – Zugleich Anmerkungen zum Urteil des FG Münster vom 07.12.2005 1 K 6384/03 E. Betrieb ​59(33), 1748–1750 (2006)

    Google Scholar 

  37. Watrin, C., Ullmann, R.: Ziffernanalyse in der steuerlichen Betriebsprüfung: Voraussetzungen, Funktionsweise, Anwendungsmöglichkeiten. Wirtschaftsprüfung ​62​(2), 98–106 (2009)

    Google Scholar 

  38. Watrin, C., Struffert, R., Ullmann, R.: Benford’s Law: an instrument for selecting tax audit targets? Rev. Manag. Sci. 2(3), 219–237 (2008)

    Article  Google Scholar 

Download references

Author information

Affiliations

Authors

Corresponding author

Correspondence to Daniel Brinkert.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Hartmann, S., Brinkert, D. Aufdeckung von Versicherungsbetrug bei Kfz-Schäden mit Hilfe des Benford-Tests. ZVersWiss 107, 41–59 (2018). https://doi.org/10.1007/s12297-017-0396-8

Download citation