Submissionsabsprachen kommen vor allem im Baugewerbe immer wieder vor. In solchen Fällen stimmen Bauunternehmen ihre Angebote bei Ausschreibungsverfahren untereinander ab. Dies schränkt den Wettbewerb ein und führt dazu, dass Kunden ungerechtfertigte Preisaufschläge zahlen müssen.

In der Schweiz wurden in der Vergangenheit immer wieder Submissionsabsprachen aufgedeckt. Der bisher grösste Fall betraf den Kanton Graubünden, wo die Wettbewerbskommission (WEKO) zwischen 2017 und 2019 mehrere viel beachtete Verfahren führte. Allein im grössten Einzelfall («Strassenbau») sprachen zwölf Unternehmen von 2004 bis 2010 rund 650 Strassenbauprojekte mit einem Gesamtvolumen von mindestens CHF 190 Mio. ab. [1] Zuletzt eröffnete die WEKO verschiedene Untersuchungen in der Westschweiz. So wird aktuell gegen 22 Bauunternehmen im Kanton Neuenburg ermittelt. [2] Im November 2025 eröffnete die WEKO zudem eine Untersuchung im benachbarten Kanton Jura; im Februar 2026 dehnte sie diese auf insgesamt 20 Bauunternehmen aus, wobei potenziell mehr als 150 Ausschreibungen aus den Jahren 2016 bis 2025 betroffen sind. [3]

Oft werden Wettbewerbsbehörden durch Whistleblower auf solche Absprachen aufmerksam. Die WEKO gehörte jedoch auch zu einer der weltweit ersten Behörden, die statistische Methoden einsetzte, um anhand des Bieterverhaltens Absprachen zu erkennen. In der Wissenschaft ist heute etabliert, dass die im Rahmen von Ausschreibungsverfahren anfallenden Daten systematisch auf Indizien für Kollusion ausgewertet werden können, wodurch Submissionsabsprachen frühzeitig erkennbar werden. Dieser Beitrag gibt einen Überblick über die wissenschaftlich Literatur zur datenbasierten Erkennung von Submissionsabsprachen und diskutiert, wie diese in der Praxis angewendet werden können.

Dreissig Jahre Forschung: ein kurzer Überblick

In der akademischen Literatur zur Erkennung von Submissionsabsprachen werden grob drei methodische Ansätze unterschieden.

Ökonometrische Tests

Frühe Beiträge nutzten die Tatsache, dass Kartellmitglieder oft Scheingebote einreichen, die sich systematisch von den Geboten kompetitiver Bieter unterscheiden und entsprechend mit ökonometrischen Methoden identifiziert werden können. Porter & Zona (1993) sowie Bajari & Ye (2003) zeigen, dass solche Angebote aufgrund ihrer strategischen Natur oft keinen Bezug zur Kostenstruktur des Unternehmens aufweisen. Dies im Gegensatz zu kompetitiven Angeboten, die stark mit der Kostenstruktur des bietenden Unternehmen korrelieren.

Statistische Screening-Marker

Weiter wurden in der Literatur Indikatoren entwickelt, die sich aus der statistischen Verteilung von Angebotspreisen ableiten lassen. Für ihre Ermittlung sind somit keine Informationen über die zugrundeliegenden Kostenstrukturen der Unternehmen notwendig. Diese sogenannten Marker nutzen vielmehr die Tatsache, dass Submissionsabsprachen in der Regel einem bestimmten strategischen Verhalten zugrunde liegen.

So können sich Unternehmen beispielsweise darauf einigen, dass nicht alle möglichen Bieter ein Angebot einreichen («Bid Suppression»). In solchen Fällen wäre zu erwarten, dass gegeben der Anzahl Unternehmen im Markt auffallend wenig Angebote eingereicht werden. Alternativ können Scheingebote abgegeben werden, die das Gebot des vorbestimmten Gewinner stützen («Cover Bidding»). In solchen Fällen ist zu erwarten, dass die Streuung der Gebote besonders gering ist. Zudem kann der normierten Abstand zwischen günstigstem und zweitgünstigstem Gebot aufschlussreich sein, weil bei strategischen Stützangeboten in der Regel eine Sicherheitsmarge einplant wird. Solche Muster hat die Literatur bei Submissionsabsprachen empirisch dokumentiert, u. a. auch für die Schweiz (Imhof, Karagök & Rutz, 2018).

Machine Learning

«Machine Learning»-Methoden stellen die jüngste Entwicklungsstufe dar. Huber & Imhof (2019) kombinieren beispielsweise die erwähnten Screening-Marker mit «Supervised Learning»-Methoden (LASSO-Regression und Ensemble-Methoden). Dadurch können sie die Modelle trainieren, die einzelne Firmengruppen als mögliche Bieterkartelle identifizieren. In weiteren Arbeiten werden Angebotsinteraktionen zwischen Firmen als Streudiagramme visualisiert und mithilfe «Convolutional Neural Networks» auf visuelle Muster kollektiver Koordination untersucht (Huber & Imhof, 2023). Zuletzt wurden «Graph Attention Networks» eingesetzt, die das gesamte Netzwerk von Firmeninteraktionen über viele Ausschreibungen hinweg auswerten, um darin kollusive Muster zu identifizieren (Imhof, Viklund & Huber, 2025). Solche Ansätze erlauben insbesondere die Identifizierung von unvollständigen Kartellen sowie von Kartellen, die Zuschläge im Rotationsprinzip unter sich aufteilen («Bid Rotation»).

Was die Praxis von der Theorie unterscheidet

Die Literatur bietet somit eine breite Palette methodischer Ansätze, die bereits anhand historischer Daten zu bekannten Bieterkartellen in verschiedenen Ländern – unter anderem in der Schweiz – validiert wurden. Doch in der Praxis stossen viele dieser Ansätze an Grenzen:

• Ökonometrische Tests sind analytisch elegant und auf auktionstheoretischen Ergebnissen abgestützt, scheitern aber in der Praxis oft an der Datenverfügbarkeit. Vergabestellen verfügen selten über die notwendigen unternehmensspezifischen Kostendaten – diese stellen regelmässig Geschäftsgeheimnisse dar.
• Statistische Marker sind einfach anwendbar und kommen mit relativ kleinen Datensätzen und Vorinformationen aus. Deshalb finden sie relativ breite Anwendung in der Praxis. So hat Swiss Economics für einen Kanton ein Tool entwickelt, das es erlaubt, Offertendaten mittels etablierten Markern wie etwa dem Variationskoeffizienten und dem relativen Distanzmass auf Hinweise für Submissionsabsprachen zu prüfen. Es ist seit einigen Jahren erfolgreich im Einsatz. Die Erfahrung zeigt allerdings, dass die Kalibrierung und Interpretation dieser Marker spezifische Marktkenntnisse voraussetzen. Was in einem Markt als auffällig gilt, kann in einem anderen dem normalen Wettbewerbsverhalten entsprechen. Ein berechtigter Einwand ist zudem, dass Anbieter ihr Bietverhalten anpassen könnten, sobald die verwendeten Marker bekannt sind. Eine solche Anpassung schränkt jedoch gleichzeitig den Spielraum für eigentliche Preisabsprachen ein, da sich Kollusion und statistische Unauffälligkeit nur schwer gleichzeitig optimieren lassen.
• Bei «Machine Learning»-Ansätzen besteht die Herausforderung darin, dass die Modelle auf grossen Datensätzen trainiert werden müssen, um zuverlässige Ergebnisse zu liefern. Erste vielversprechende Ansätze stammen aus Brasilien [4], Spanien [5] und dem Vereinigten Königreich [6], wo die Wettbewerbsbehörden ihre KI-Modelle auf grossen, zentral verfügbaren Beschaffungsdatensätzen der öffentlichen Hand trainieren. In der Schweiz, wo ein grosser Teil der öffentlichen Beschaffungen dezentral durch kantonale Stellen erfolgt und folglich die Daten nicht zentral verfügbar sind, gibt es unseres Wissens bislang keine vergleichbaren Projekte.

Allen diesen Ansätzen ist gemeinsam, dass ein datengestütztes Screening keine abschliessende Beweis für Submissionsabsprachen liefern kann. Es können lediglich Märkte, Ausschreibungen oder Bieterkonstellationen identifiziert werden, die eine erhöhte Wahrscheinlichkeit für Kollusion aufweisen. Die klassische Beweisführung in Kartellrechtsverfahren kann damit nicht ersetzt werden. Datenbasiertes Screening kann jedoch die Aufmerksamkeit von ausschreibenden Stellen und Wettbewerbsbehörden gezielt auf verdächtige Konstellationen lenken und vertiefte Abklärungen anstossen.

Ganzheitliche Bewertung statt Einzelmethode

Die erwähnten Limitationen stellen aber datenbasiertes Screening nicht grundsätzlich in Frage. Vielmehr legen sie nahe, dass insbesondere bei eingeschränkter Datenverfügbarkeit ein Methodenmix angebracht ist, der die Stärken verschiedener Ansätze gezielt kombiniert und durch qualitative Analysen ergänzt. Einen solchen integrierten Ansatz verfolgt Swiss Economics in der Praxis erfolgreich.

Abbildung 1: Exemplarisches Screeningverfahren Swiss Economics

Quelle: Eigene Darstellung Swiss Economics

Im Zentrum des Ansatzes von Swiss Economics steht ein proaktives Screening im laufenden Vergabeprozess. Dazu werden die erhaltenen Offertdaten jeder Ausschreibung zeitnah in ein  Screening-Tool eingespeist. Dieses identifiziert anhand der oben erwähnten sowie weiterer statistischen Screening-Marker auffällige Offerten und empfiehlt diese vertieft zu prüfen. Die Ergebnisse werden in einer Datenbank gespeichert und dienen als Grundlage für weitere Analysen.

Zusätzlich können periodische Marktanalysen auf Basis der kumulierten Screening-Daten einen Mehrwert bieten. Damit lassen sich strukturelle Risikofaktoren identifizieren, wie etwa auffällige Preisentwicklungen in einzelnen Regionen, Veränderungen in der Anbieteranzahl, eine hohe Marktkonzentration oder die zunehmende Prävalenz stabiler Bieterkonstellationen. So lassen sich zeitliche und räumliche Muster identifizieren, die auf ein die Bildung eines Bieterkartellen hindeuten.

Ergänzend können «Machine Learning»-gestützte Analysen durchgeführt werden. Diese können auffälliges Verhalten in wiederkehrenden Bieterkonstellationen erkennen, die auf einen Rollenwechsel zwischen Gewinnern und Verlierern hindeuten. Solche Koordinationsmechanismen sind im klassischen Einzelscreening oder in aggregierten Marktdaten kaum sichtbar. «Machine Learning»-Methoden machen sie greifbar.

Die Kombination dieser drei Elemente erlaubt eine umfassende Beurteilung der Kollusionsrisiken in einem Ausschreibungsmarkt: Auffällige Offerten werden zeitnah erkannt, Marktentwicklungen ganzheitlich nachvollzogen und moderne «Machine Learning»-Methoden gezielt dort eingesetzt, wo sie ihren grössten Mehrwert entfalten.

Fazit

Datenbasiertes Submissionsscreening hat sich in den letzten dreissig Jahren von mehrheitlich akademisch geprägtem Forschungsfeld zu einem zunehmend praxistauglichen Instrument entwickelt. Die Methoden sind vielfältig und leistungsfähig, doch keine von ihnen funktioniert universell. Für ausschreibende Stellen in der Schweiz, wo dezentrale Beschaffungsstrukturen die Verfügbarkeit grosser, zentral verwalteter Datensätze einschränken, sind vor allem niederschwellige, robuste Ansätze gefragt: statistische Marker, die ohne Kostendaten auskommen und in kleinen Datensätzen bereits gute Ergebnisse liefern. Ergänzt werden diese periodische Marktanalysen und, wo die Datenlage es erlaubt, «Machine-Learning»-Methoden. Letztlich stellt sich die Frage, welche Kombination von Methoden im konkreten institutionellen Kontext umsetzbar und wirkungsvoll ist. Swiss Economics unterstützt ausschreibende Stellen bei der Beantwortung genau dieser Frage.

Quellen

[1] Vgl. WEKO Medienmitteilung vom 3.9.2019

[2] Vgl. WEKO Medienmitteilung vom 14.03.2024

[3] Vgl. WEKO Medienmitteilung vom 17.02.2026

[4] Vgl. Antitrust regulator uses AI to uncover cartel in outsourcing

[5] Vgl. Premio a BRAVA, el proyecto de IA de la CNMC contra el fraude en contratación pública - CNMC Blog

[6] Vgl. UK uses AI to tackle 'bid-rigging' collusion in public procurement contracts | TechCrunch

Literatur

• Bajari, P. & Ye, L. (2003). Deciding Between Competition and Collusion. The Review of Economics and Statistics, 85(4), 971–989.

• Huber, M. & Imhof, D. (2019). Machine Learning with Screens for Detecting Bid-Rigging Cartels. International Journal of Industrial Organization, 65, 277–301.

• Huber, M. & Imhof, D. (2023). Flagging Cartel Participants with Deep Learning Based on Convolutional Neural Networks. International Journal of Industrial Organization, 89.

• Imhof, D., Karagök, Y. & Rutz, S. (2018). Screening for Bid Rigging – Does It Work? Journal of Competition Law & Economics, 14(2), 235–261.

• Imhof, D., Viklund, E.W. & Huber, M. (2025). Catching Bid-Rigging Cartels with Graph Attention Neural Networks. arXiv:2507.12369.

• Porter, R.H. & Zona, J.D. (1993). Detection of Bid Rigging in Procurement Auctions. Journal of Political Economy, 101(3), 518–538.

Haben Sie Feedback oder Fragen? Bitte wenden Sie sich direkt per Mail an die Autorin oder kommentieren Sie auf Linkedin.