Spiking Neural Networks (SNNs), die sich am Verhalten des realen Gehirns orientieren, bieten eine energiesparende Alternative zu herkömmlichen künstlichen neuronalen Netzen und integrieren gleichzeitig die neuronale gemeinsame Aktivität, auch als Populationscoding bezeichnet. Dieser Populationscoding wird in SNNs durch die Zuweisung mehrerer Neuronen pro Klasse in der Ausgabeschicht nachgebildet. In dieser Studie wird ein SNN-Ansatz zur Betrugserkennung anhand realer Datensätze, insbesondere der Bankkontobetrugs-Datensatz-Suite, eingesetzt, um die in klassischen maschinellen Lernalgorithmen inhärenten Probleme bezüglich Fairness und Bias zu adressieren. Verschiedene Konfigurationen von Zeitschritten und Populationsgrößen wurden innerhalb eines 1D-Convolutional Spiking Neural Network verglichen, wobei die Hyperparameter mittels Bayesianischer Optimierung optimiert wurden. Unser vorgeschlagener SNN-Ansatz mit neuronaler gemeinsamer Aktivität ermöglicht eine genauere und fairere Klassifizierung von betrügerischen Eröffnungen von Bankkonten im Vergleich zu herkömmlichen SNNs. Die Ergebnisse zeigen das Potenzial von SNNs, Baseline-Modelle ohne Populationscoding zu übertreffen, indem sie im Durchschnitt eine Recall-Rate von 47,08 % bei einer Geschäftsbeschränkung von 5 % Falsch-Positiv-Rate erzielen und somit eine robuste Lösung für die Betrugserkennung darstellen. Zudem erreicht der vorgeschlagene Ansatz Ergebnisse, die mit denen von Gradient-Boosting-Maschinen vergleichbar sind, während gleichzeitig die Vorhersagegleichheit bezüglich sensibler Merkmale über 90 % aufrechterhalten wird.