Zollrisikoanalyse & Erkennung von Handelsbetrug (Unterbewertung, Falschanmeldung, Ursprungsbetrug)

Zollbehörden können nur einen kleinen Bruchteil der Sendungen kontrollieren und setzen daher auf Risikoauswahl. Modelle des maschinellen Lernens ordnen Anmeldungen und Vorab-Frachtdaten nach der Wahrscheinlichkeit eines Betrugs (Unterbewertung, falsche Tarifnummer, falscher Ursprung, Zollumgehung, Missbrauch bei Kleinsendungen) und lernen aus den Ergebnissen früherer Kontrollen. Richtig eingesetzt, lenkt dies knappe Kontrollkapazität auf die wichtigen Fälle und beschleunigt den legalen Handel. In der EU bewegt sich das Thema schnell: Die Zollreform 2026, das Ende der 150-EUR-Zollfreigrenze und der geplante EU-Zolldatenhub erhöhen allesamt die Datenmengen und den Bedarf an automatisierter Risikoauswahl.

Problem & Nutzen

• Wer: nationale Zollverwaltungen (in Deutschland der Zoll), die neue EU-Zollbehörde (EUCA) und, als Spiegelbild auf der Compliance-Seite, große Importeure, Zollagenten und Spediteure, die ihre eigenen riskanten Anmeldungen und Lieferanten finden müssen, bevor es ein Prüfer tut.
• Heute: regelbasierte Profile und manuelle Auswahl durch Beamte, teils mit nationalen Risikoregeln und gemeinsamen EU-Risikokriterien, die über das Customs Risk Management System (CRMS2) ausgetauscht werden [1]. Die Regeln sind starr, leicht zu umgehen und erzeugen viele ergebnislose Kontrollen.
• Warum KI hilft: Betrugsmuster sind subtil (Preis geringfügig unter vergleichbaren Sendungen, wechselnde HS-Codes, Umschlag über ein Drittland) und stecken in hochdimensionalen, extrem unausgewogenen Tabellendaten; Betrugslabels gibt es nur dort, wo kontrolliert wurde. Modelle müssen daher mit knappen Labels und Auswahlverzerrung umgehen.
• Treiber des Volumens: Die EU-Reform trat am 21. Sep 2026 in Kraft; die 150-EUR-Zollfreigrenze für Kleinsendungen entfällt, ab 1. Jul 2026 gilt ein befristeter Zoll von 3 EUR je Artikel und ab 1. Nov 2026 eine Unions-Bearbeitungsgebühr; Plattformen außerhalb der EU werden zu „Importeuren beim Fernabsatz“, und der EU-Zolldatenhub wird schrittweise zur einheitlichen Schnittstelle (verpflichtend für den E-Commerce ab 1. Jul 2028, für alle Händler ab 1. Mär 2034) [2].
• Belege (Forschung, kein Einsatz-ROI): Eine Studie mit über 8 Millionen Einfuhranmeldungen berichtet, dass der länderübergreifende Austausch von Betrugswissen die Erkennung „um das 2- bis 11-Fache“ verbessern könnte [4]; GraphFC, ein halbüberwachtes Graphmodell, das auf realen Daten aus drei Ländern evaluiert wurde, berichtet eine relative Verbesserung des Recalls um bis zu 252 % gegenüber dem bisherigen Stand der Technik [5]. Das sind akademische Benchmarks; die Gewinne im Produktivbetrieb hängen stark von Datenqualität und Kontrollkapazität ab.

Varianten

• Bewertungs- und Tarifbetrug bei der Einfuhr (Kern): Unterbewertung, falsche Einreihung von HS-/KN-Codes, Präferenz- und Ursprungsbetrug, Umgehung von Antidumpingzöllen durch Umschlag oder Umetikettierung.
• Kleinsendungen im E-Commerce: sehr hohes Volumen, ICS2 und die Zollregeln nach Juli 2026; Schwerpunkt auf Sendungsaufteilung, unterbewerteten Rechnungen und Plattform-/Verkäuferrisiko.
• Sicherheits- und Gefahrenabwehr-Risikoanalyse auf Vorab-Daten: ICS2-Vorabinformationen zur Fracht für Waren mit Sicherheits- oder Produktsicherheitsrisiko (Drogen, Waffenvorprodukte, nicht konforme Produkte) [3].
• Ausfuhr- und Dual-Use-Kontrolle: mögliche Umleitungen erkennen; Verbindung zum Sanktionsscreening (ANOM-016).
• Compliance-Überwachung auf Exporteur-/Importeurseite: unternehmensinterne Prüfung der eigenen Zollanmeldungen und Lieferantenpreise auf Fehler und Risiken (Weg A/B, keine hoheitlichen Befugnisse).
• Risikobewertung von Reisenden (PNR/API, ETIAS): unterliegt der PNR-Richtlinie und den einschlägigen Anhang-III-Regeln der KI-Verordnung (AI Act); hier nur auf Grundsatzebene dokumentiert (siehe Risiken). Kein Anwendungsfall auf Kundenseite.
• Auswahl für nachträgliche Prüfungen: Rangfolge von Importeuren für Betriebsprüfungen; überschneidet sich mit PRED-028 und ANOM-018.

So funktioniert es

1. declaration / ENS (ICS2) / manifest / invoice data
2. ingestion + normalisation (HS codes, units, currency, EORI, ports, routes)
3. enrichment (price references per HS+origin, trade statistics, company registers, vessel data)
4. feature building (price vs. peer distribution, weight/value ratio, code-switch history, route graph)
5. models: supervised ranking (gradient boosting) + anomaly detection + graph models for trader networks
6. risk score + reason codes + selection rules (capacity-aware thresholds, random control share)
7. officer review (document check / scan / physical inspection / audit)
8. control result feedback
9. retraining, drift monitoring

• Überwachter Kern: Gradient-Boosting-Bäume (XGBoost, LightGBM) auf tabellarischen Anmeldemerkmalen bleiben die Referenz-Baseline; dafür gibt es Benchmark-Code mit einem öffentlichen synthetischen Datensatz von 54.000 Anmeldungen mit 22 Attributen, erzeugt aus 24,7 Millionen realen Anmeldungen [6][7].
• Graphmodelle: Anmeldungen, Importeure, Empfänger, Produkte und Routen bilden einen Graphen; GNN-Ansätze (etwa GraphFC [5]) begegnen knappen Labels und abgestimmt handelnden Netzwerken.
• Text und Klassifikation: Produktbeschreibungen werden mit dem angemeldeten HS-Code abgeglichen (Embedding-Ähnlichkeit, Textklassifikatoren); siehe LANG-031. LLMs helfen, Warnungen zu erklären und Fallakten zusammenzufassen, sollten aber nicht über das Risiko entscheiden.
• Zufällige Kontrollstichprobe: Ein Anteil der Sendungen wird zufällig ausgewählt, damit das Modell weiterhin unverzerrte Labels erhält (sonst lernt es nur aus dem, was es ohnehin markiert).
• Mensch-in-der-Schleife (Human-in-the-Loop): Beamte entscheiden über Kontrollen; das Modell ordnet nur. Jedes Kontrollergebnis wird zurückgespielt. Nach EU-Recht dürfen nachteilige Entscheidungen gegenüber einer Person im PNR-Kontext nicht allein auf automatisierter Verarbeitung beruhen [8].

Datenaufbereitung

Die Kerndaten sind Zollanmeldungen (ATLAS oder nationale Systeme), ICS2-Vorabanmeldungen, Manifeste und Rechnungen, Tarif- und Preisreferenzen (TARIC, Handelsstatistik) und, am wertvollsten, die Ergebnisse früherer Kontrollen. In einer Behörde liegen diese in mehreren Altsystemen und Archiven; in einem Handelsunternehmen im ERP, im Portal des Spediteurs, in E-Mail-Anhängen und eingescannten Rechnungen.

Typische Lücken: uneinheitliche HS-Codes und freie Produktbeschreibungen, Einheiten- und Währungsfehler, doppelte Händlerdatensätze unter unterschiedlichen EORI-Nummern oder Namensschreibweisen, Kontrollergebnisse, die nicht strukturiert gespeichert sind, sowie eine Verzerrung, weil bisher nur markierte Sendungen kontrolliert wurden. Die Zugriffsrechte sind eng (Steuer- und Zollgeheimnis).

Schritte der Aufbereitung: einen Auszug der Anmeldungen mit Ergebnissen aufbauen (siehe PREP-005), HS-Codes, Einheiten und Währungen normalisieren, Händler deduplizieren, Preisreferenzen zuordnen (PREP-011, PREP-012), Ergebniskategorien wie „kein Befund“, „Zollkorrektur“ oder „Beschlagnahme“ festlegen (PREP-019, PREP-020) und eine zufällige Kontrollstichprobe für unverzerrte Labels vorhalten (PREP-018). Personenbezogene Daten von Händlern und Fahrern für die Entwicklung pseudonymisieren (PREP-022). Werkzeuge: Python mit pandas, dbt oder Spark, PostgreSQL oder ClickHouse, OCR für Rechnungen (DOC-014). Planen Sie 60 bis 70 Prozent des Gesamtaufwands für die Datenarbeit ein; eine Bereitschaftsprüfung finden Sie in GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• public (Zollbehörden): C, weil Anmelde- und Kontrolldaten vertrauliche staatliche Daten sind, die in souveräner Infrastruktur bleiben müssen, und Behörden selten ein fertiges Produkt finden.
• enterprise (Importeure, Spediteure): C, weil die Prüfung an Ihre eigenen Zoll- und ERP-Daten gebunden ist und Open-Source-Modelle sie nachvollziehbar halten; A (GTM-Software) genügt für einfache Compliance-Prüfungen.
• developer: C, weil der Open-Source-Stack für Tabellen- und Graphdaten sowie öffentliche synthetische Datensätze reproduzierbare Entwicklung erlauben.

Weg A — Kaufen (Standardsoftware)

• Für Behörden: Große Integratoren und nationale IT-Dienstleister passen Risikoanalyse-Plattformen an; die deutsche Zoll-IT ist staatlich entwickelt (ATLAS), Käufe sind daher Projekte, keine Produkte. Die Beschaffung erfolgt in der Regel per Ausschreibung, und souveränes Hosting ist Pflicht.
• Für Unternehmen (Compliance-Seite): Global-Trade-Management-/Zollsoftware (z. B. SAP GTS, Thomson Reuters ONESOURCE, Descartes, Livingston, Customs Support, Werkzeuge vom Typ Zonos) und Anbieter von Handelsdaten/Risikoinformation (z. B. S&P Panjiva, Sayari, Altana). Prüfen Sie EU-Hosting und welche Prüfungen Regeln und welche ML sind.
• A wählen, wenn: Sie Importeur oder Zollagent sind und schnell eine Compliance-Prüfung wollen; Behörden kaufen selten ein fertiges Produkt.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Verwaltete ML-Plattformen in EU-Regionen (Azure ML, Vertex AI, AWS SageMaker, Frankfurt/EU-Regionen) für Tabellen- und Graphmodellierung; Neo4j / Amazon Neptune für Händlernetzwerke; LLM-APIs mit EU-Datenresidenz für Fallzusammenfassungen und Dokumentenvergleich (Rechnung gegenüber Anmeldung).
• Zolldaten sind vertraulich und oft als sensible Regierungsdaten eingestuft; die meisten Behörden dürfen keine öffentlichen Clouds nutzen. Weg B passt vor allem für Importeure und Zollagenten.

Weg C — Selbst betreiben (Open Source)

• Stack: Python mit scikit-learn, XGBoost/LightGBM, PyOD oder Ähnlichem zur Anomalieerkennung, PyTorch Geometric für Graphmodelle, PostgreSQL/ClickHouse für Anmeldungen, Neo4j oder Memgraph für Netzwerke, MLflow zur Modellverfolgung, Kafka/Flink für Streaming; Textmodelle über sentence-transformers.
• Hardware: Die Last durch Tabellen- und Anomaliemodelle läuft auf CPU-Servern (HW1); GNN-Training und ein optionales lokales LLM für Erklärungen profitieren von einer GPU (HW2).
• Warum empfohlen: Datensouveränität, Nachvollziehbarkeit und kein Zugriff von Anbietern auf Anmeldungen. Betriebsaufwand: ein kleines Team für Data Science und MLOps plus enge Zusammenarbeit mit der Risikoanalyse-Einheit.

Weg D — Eigenes Training

Fast immer Teil der Lösung: Die Modelle werden auf den eigenen Anmeldungen und Kontrollergebnissen der Verwaltung trainiert. Wesentliche Anforderungen sind jahrelange Historie mit gelabelten Ergebnissen, der Umgang mit knappen Labels (halbüberwacht, Domain Adaptation), länderübergreifender Wissensaustausch ohne Weitergabe von Rohdaten [4] und synthetische Daten für Entwicklung und Anbieter-Benchmarks [6].

Stand der Technik (2026)

• Forschung: Halbüberwachte und graphbasierte Modelle sowie Domain Adaptation zwischen Ländern sind die prominenten Richtungen [4][5]; ein öffentlicher synthetischer Benchmark-Datensatz (mit CTGAN erzeugt) ermöglicht Vergleiche, ohne reale Handelsdaten offenzulegen [6][7].
• Institutionen: Die WZO unterstützt ihre Mitglieder mit dem Aufbau von Datenanalysekapazitäten (BACUDA) und dem Customs Enforcement Network für Aufgriffsinformationen [9]; die EU ergänzt eine Risikoanalyse auf EU-Ebene durch den geplanten Datenhub und die EUCA, mit früheren, gezielteren Kontrollen, auch bevor Waren in die EU versandt werden [2].
• Was sich 2025-2026 geändert hat: Verabschiedung der Reform (Sep 2026), Wegfall der Freigrenze für Kleinsendungen und ICS2-Vorabdaten, die die Risikoanalyse vor Ankunft zum Standard machen [2][3].
• Grenzen und Fehlerbilder: extremes Klassenungleichgewicht; Auswahlverzerrung (nur kontrollierte Waren haben Labels); lernende Gegner, die die Profile durchschauen; Konzeptdrift (neue Routen, Tarife und Handelskriege verändern Preisverteilungen); schlechte Datenqualität in freien Beschreibungstexten; Risiko einer unfairen Belastung kleiner Händler oder bestimmter Länder/Staatsangehörigkeiten, wenn Merkmale geschützte Eigenschaften abbilden; Erklärungspflichten bei Rechtsbehelfen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (tabular-ml + anomaly-detection + graph-ml): ANOM-018 (Auswahl bei Steuerbetrug und Umsatzsteuerkarussell), ANOM-020 (Absprachen bei Vergaben und Betrug mit EU-Mitteln), ANOM-002 (Geldwäscheüberwachung, einschließlich handelsbasierter Geldwäsche), PRED-028 (risikobasierte Auswahl von Prüfungen und Kontrollen) — ein Feature Store und eine MLOps-Plattform auf HW1/HW2 bedienen alle.
• Dateneingaben: DOC-006 (Datenextraktion aus Konnossementen und Zolldokumenten), DOC-022 (Handelsfinanzierungsdokumente), LANG-031 (HS-/KN-/TARIC-Klassifikation) liefern strukturierte Merkmale und Klassifikationsprüfungen.
• Entitäts- und Risikokontext: ANOM-016 (Sanktionen und negative Medienberichte zu Händlern und Empfängern), ANOM-011 (Lieferantenrisiko).
• Körperliche Kontrolle: VIS-045 (KI-gestützte Röntgen- und CT-Prüfung) schließt den Kreis zwischen Risikowert und Scan.
• Gemeinsame Bausteine: Graphdatenbank, Entity-Resolution-Pipeline (EORI, Firmennamen), Data Lake für Preisreferenzen, Workflow für das Fallmanagement.

Aufwand, Kosten & Kennzahlen

• Weg A (Importeurseite): Wochen; Lizenzen und Datenabonnements.
• Weg B: 2-4 Monate für einen Piloten auf einer Teilmenge der Warenströme; die Cloud-Kosten sind im Vergleich zur Datenarbeit gering.
• Weg C/D (Behörde): 6-18 Monate bis zur Produktion, einschließlich Datenintegration, rechtlicher Bewertung und Schulung der Beamten; Hauptkosten sind Personal und Dateningenieurwesen, nicht GPUs.
• Kennzahlen: Trefferquote (Anteil der Kontrollen mit festgestellter Unregelmäßigkeit), zusätzlich erhobene Abgaben je Kontrolle, Precision/Recall bei der Kontrollkapazität, Anteil regelkonformer Händler, die ohne Kontrolle freigegeben werden, Abfertigungszeit für Sendungen mit geringem Risiko, Trefferquote in der zufälligen Kontrollstichprobe (Verzerrungsprüfung), Drift-Indikatoren, Fairness-Kennzahlen über Händlergruppen und Ursprungsländer.

Menschen & Veränderung

Beginnen Sie mit der Leitung und dem Leiter der Risikoanalyse-Einheit, die die Auswahlpolitik und die Rechtsgrundlage verantworten. Beziehen Sie IT-Sicherheit und die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten früh ein: Zolldaten enthalten Händler- und personenbezogene Daten, daher sind eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) und klare Auftragsverarbeitungsverträge (AVV, Art. 28) nötig, und in öffentlichen Stellen ist die Rechtsgrundlage für Profiling zu prüfen. In Behörden ist der Personalrat (BPersVG oder Landesrecht) beteiligt; in Unternehmen greift der Betriebsrat, sobald das protokollierte Verhalten von Beamten oder Sachbearbeitern messbar ist (§87 Abs. 1 Nr. 6 BetrVG), dazu kommen Informationspflichten nach §90 Abs. 1 Nr. 3 und bei Bedarf ein Sachverständiger nach §80 Abs. 3. Betriebsrat: ja.

Maßnahmen zur KI-Kompetenz (AI Act Art. 4) sollten Beamte und Analysten abdecken: wie Risikowerte entstehen, was Begründungscodes bedeuten und wo die Grenzen des Modells liegen. Wählen Sie eine Pilotgruppe in einer Dienststelle oder auf einer Handelsroute, betreiben Sie das Modell zunächst im Schattenmodus und vergleichen Sie es mit der bestehenden Auswahl. Typische Bedenken sind die Angst, überstimmt zu werden, und die Sorge vor Diskriminierung bestimmter Händlergruppen; begegnen Sie ihnen mit Begründungscodes, Fairness-Kennzahlen, einem zufälligen Kontrollanteil und der Regel, dass Beamte entscheiden und abweichen dürfen. Dokumentieren Sie Abweichungen als Rückmeldung. Siehe GUIDE-005, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt von der Nutzung ab. Reine Betrugsprüfung von Waren/Handel bei Unternehmen und Sendungen ist nicht in Anhang III aufgeführt (der Punkt Grenzkontrolle betrifft Risiken, die von Personen ausgehen) und daher in der Regel kein Hochrisiko-System; Profiling natürlicher Personen (Einzelunternehmer, Reisende, Fahrer) kann dagegen unter Anhang III Nr. 6 fallen (Strafverfolgung, wenn der Zoll nach nationalem Recht als Strafverfolgungsbehörde handelt) oder unter Nr. 7 (Migration, Asyl und Grenzkontrolle, z. B. Risikobewertung von einreisenden Personen) [10]. Art. 5 Abs. 1 Buchst. d verbietet, das Risiko einer Person für eine Straftat allein auf Grundlage von Profiling oder Persönlichkeitsmerkmalen zu bewerten; die Unterstützung einer menschlichen Bewertung auf Grundlage objektiver, überprüfbarer Tatsachen bleibt erlaubt [11]. Social Scoring und biometrische Kategorisierung nach sensiblen Merkmalen sind als Merkmale nicht zulässig. Prüfen Sie die aktuellen Anwendungstermine der Hochrisiko-Pflichten, die Gegenstand von Verschiebungsvorschlägen waren.
• PNR-Variante: Die PNR-Richtlinie verlangt, dass nachteilige Entscheidungen nicht allein auf automatisierter Verarbeitung beruhen dürfen, verbietet die Verarbeitung sensibler Daten und begrenzt die Speicherdauer [8]. Einzelheiten der Passagier-Risikoanalyse werden hier bewusst nicht behandelt.
• Zollrecht: Risikomanagement-Vorschriften des Unionszollkodex, gemeinsame Risikokriterien und EU-Risikoinformationsaustausch (CRMS2) [1]; nationales Verfahrensrecht und Anspruch auf rechtliches Gehör vor belastenden Zollentscheidungen; Vertraulichkeit von Handelsdaten.
• DSGVO: Anmeldungen von Einzelunternehmern und Privatpersonen sind personenbezogene Daten; Zweckbindung auf die Zollüberwachung; Datenschutz-Folgenabschätzung; Schutzvorkehrungen nach Art. 22 gegen ausschließlich automatisierte Entscheidungen; die Verarbeitung zur Strafverfolgung kann stattdessen unter die Richtlinie (EU) 2016/680 fallen.
• Gegenmaßnahmen: menschliche Entscheidung bei jeder Kontrolle, Begründungscodes, regelmäßige Verzerrungsprüfungen, zufällige Kontrollstichprobe, Modelldokumentation und Protokollierung, Beschwerdeverfahren, keine proprietären Black-Box-Modelle ohne Erklärbarkeit.

Erste Schritte

1. Daten erfassen: Anmeldungen, ICS2-Anmeldungen, Kontrollergebnisse (mit einheitlichen Labels), Preisreferenzen.
2. Eine Baseline mit Gradient Boosting auf dem öffentlichen synthetischen Zolldatensatz [6][7] aufbauen, um Pipeline und Kennzahlen einzurichten, bevor Sie reale Daten anfassen.
3. Rechtsgrundlage und Einstufung nach AI Act festlegen (Personen gegenüber Waren) und eine DSFA durchführen.
4. Pilot auf einem Warenstrom (z. B. Kleinsendungen im E-Commerce oder eine Warengruppe) mit festem zufälligem Kontrollanteil und Parallelvergleich mit den bestehenden Profilen.
5. Rückkopplungsschleifen, Drift-Überwachung und Fairness-Berichte ergänzen, bevor Sie skalieren.

Quellen

1. European Commission, Customs risk management (CRMF, CRMS2, common risk criteria, ICS2) — https://taxation-customs.ec.europa.eu/customs/customs-risk-management_en
2. European Commission, EU Customs Reform (EUCA, Data Hub, timeline, e-commerce duty and handling fee) — https://taxation-customs.ec.europa.eu/customs/eu-customs-reform_en
3. European Commission, customs risk management page referring to ICS2 as advance cargo information system — https://taxation-customs.ec.europa.eu/customs/customs-risk-management_en
4. Park, Kim, Cha — Knowledge Sharing via Domain Adaptation in Customs Fraud Detection (arXiv 2201.06759) — https://arxiv.org/abs/2201.06759
5. Singh et al. — GraphFC: Customs Fraud Detection with Label Scarcity (arXiv 2305.11377) — https://arxiv.org/abs/2305.11377
6. Jeong et al. — Customs Import Declaration Datasets (arXiv 2208.02484) — https://arxiv.org/abs/2208.02484
7. Customs Import Declaration Datasets repository (MIT) — https://github.com/Seondong/Customs-Declaration-Datasets
8. Directive (EU) 2016/681 (PNR Directive) — https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=CELEX:32016L0681
9. World Customs Organization, Customs Enforcement Network and data analytics (BACUDA) — https://www.wcoomd.org/en/topics/enforcement-and-compliance/instruments-and-tools/cen-suite/cen.aspx
10. AI Act Annex III (points 6 and 7) — https://artificialintelligenceact.eu/annex/3/
11. AI Act Article 5 (prohibited practices, 5(1)(d)) — https://artificialintelligenceact.eu/article/5/