ecpolicyЭкономическая политикаEconomic Policy1994-51242411-2658Economic Policy10.18288/1994-5124-2025-2-56-81ecpolicy-308Research ArticleАнтимонопольное регулированиеAntimonopoly RegulationsРиски внедрения ГИС «Антикартель»Risks From Introducing the Anticartel Government IT Systemhttps://orcid.org/0000-0002-6713-069XШаститкоА. Е.ShastitkoA. E.

Андрей Евгеньевич Шаститко, Доктор экономических наук, профессор, заведующий кафедрой конкурентной и промышленной политики экономического факультета, директор Центра исследований конкуренции и экономического регулирования

119234, Москва, Ленинские Горы, 1, стр. 46

119571, Москва, пр. Вернадского, 82

Andrey E. Shastitko, Dr. Sci. (Econ.), Professor, Faculty Head, Department of Competition and Industrial Policy, Economics Faculty; Director of the Center for Research in Competition and Economic Regulation

1–46, Leninskie Gory, Moscow, 119234 

82, Vernadskogo pr., Moscow, 119571 

aes99@yandex.ruhttps://orcid.org/0000-0002-9416-4086ПавловаН. С.PavlovaN. S.

Наталья Сергеевна Павлова, Кандидат экономических наук, старший научный сотрудник кафедры конкурентной и промышленной политики экономического факультета; старший научный сотрудник Центра исследований конкуренции и экономического регулирования

119234, Москва, Ленинские Горы, 1, стр. 46

119571, Москва, пр. Вернадского, 82

Natalia S. Pavlova, Cand. Sci. (Econ.), Senior Researcher, Department of Competition and Industrial Policy, Economics Faculty; Senior Researcher, Centerfor Research in Competition and Economic

1–46, Leninskie Gory, Moscow, 119234 

82, Vernadskogo pr., Moscow, 119571 

pavl.ns@yandex.ruМГУ им. М. В. Ломоносова ; Российская академия народного хозяйства и государственной службы при Президенте Российской ФедерацииРоссияLomonosov Moscow State University ; RANEPARussian FederationМГУ им. М.В. Ломоносова ; Российская академия народного хозяйства и государственной службы при Президенте Российской ФедерацииРоссияLomonosov Moscow State University ; RANEPARussian Federation2025070520252025681Copyright © Шаститко А.Е., Павлова Н.С., 20252025Шаститко А.Е., Павлова Н.С.Shastitko A.E., Pavlova N.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.ecpolicy.ru/jour/article/view/308

Настоящая статья посвящена попытке ex ante оценить риски внедрения государственной информационной системы (ГИС) «Антикартель», подразумевающей автоматизированный скрининг закупок в России на предмет выявления признаков сговора, иными словами – использование программных средств для анализа данных о закупках с помощью алгоритмов, которые выявляют сговор по определенным формальным признакам. Эта система, в частности, предполагает использование технологий искусственного интеллекта. Сложность оценки заключается в отсутствии общедоступной информации о конкретных критериях, которые будут использоваться в этой системе скрининга. Недоступность информации объясняется необходимостью ограничить возможности стратегической подстройки со стороны нарушителей, однако заставляет экспертов «восстанавливать слона по его хвосту». В статье предпринята попытка реконструировать принципы работы ГИС «Антикартель» на основе внешних источников: публичных выступлений представителей ФАС России, а также технического задания, разработанного для конкурсной процедуры по разработке и внедрению системы. На основании предполагаемого содержания принципов и критериев работы ГИС «Антикартель» предложены ключевые вопросы для анализа в рамках процедуры «усеченной» оценки регулирующего воздействия, которая уже не подразумевает возможности отказа от регуляторной опции в принципе, но позволяет структурировать обсуждение рисков создания системы, сопутствующих выгод и издержек разных вариантов ее реализации. Показано, что ключевые риски связаны с вероятностью ошибок I рода в правоприменении и масштабами их последствий, усугубляемых распространением применения системы автоматизированного скрининга на всю массу регулируемых закупок и использованием искусственного интеллекта. Объяснены основные последствия ошибок данного вида и механизмы их возникновения в случае ГИС «Антикартель», исходя из реконструированных принципов работы. Дополнительно обозначены некоторые риски использования цифровых инструментов выявления сговоров на товарных рынках.

The paper provides an ex ante assessment of risks incurred by developing and implementing the Anticartel state information system (GIS), which will conduct automated screening of Russia’s state procurement in order to detect bid rigging (in other words, software analysis of procurement data using algorithms that identify collusion based on certain formal characteristics). The system will also apply artificial intelligence. Determining the risks of implementing this system is difficult because there is no publicly available information on the specific criteria that will be used in this screening process. This forces specialists to make do with partial data. This paper attempts to reconstruct the operating principles of the Anticartel GIS from external sources including public speeches by representatives of the Federal Antimonopoly Service of Russia together with the technical specifications provided to developers entering the competition to build and implement the system. Key questions prompted by examining Anticartel’s reconstructed features are put forward in order to facilitate analysis during an “expedited” regulatory impact assessment based on the assumption that the decision to employ such a digital screening system is irreversible. The questions and analysis will structure discussion of the risks, associated benefits, and costs of different options for implementation. The principal risks result from probable Type I errors in law enforcement and from the extent of their consequences, which will be amplified as the automated screening system rolls out to include the entire body of regulated procurement, as well as by the use of artificial intelligence. The main consequences of this type of error and how it would arise are explained in the article. In addition, certain risks from using digital tools for identifying collusion especially in commodity markets are identified.

картелисогласованные действиясговор на торгахискусственный интеллектошибки I и II рода в правопримененииcollusionconcerted actionsbid riggingartificial intelligencetype I and type II enforcement errorsСтатья подготовлена в рамках выполнения научно-исследовательской работы государственного задания РАНХиГС. Материалы статьи легли в основу доклада на VIII Международной научно-практической конференции «Современное антимонопольное регулирование экономики: инструменты совершенствования законодательства» 31 января 2025 года в Санкт-Петербурге, в рамках которого также обсуждались некоторые смежные вопросы. С записью можно ознакомиться по ссылке: https://rutube.ru/video/a37625a986ca84ca281e1d3815e309f8/.This article has been prepared as part of the state assignment by the Karelian Research Center RAS on the topic of “Comprehensive research and development of the fundamentals for sustainable development management of the northern and border zones of Russia in the context of global challenges.” A presentation entitled “Current Antimonopoly Regulation: Ways to Improve Legislation” at the Seventh International Scientific and Practical Conference held in St. Petersburg on 31 January 2025 was based on materials from this article. Some related issues also came under discussion at the conference, and a video recording of it can be accessed at: https://rutube.ru/video/a37625a986ca84ca281e1d3815e309f8/.ReferencesАвдашева С. Б., Кокорев Р. А., Крючкова П. В., Плаксин С. М., Шаститко А. Е. Использование оценок регулирующего воздействия для совершенствования корпоративного законодательства. М.: ТЕИС, 2006.Avdasheva S. B., Kokorev R. A., Kryuchkova P. V., Plaksin S. M., Shastitko A. E. Ispol’zovanie otsenok reguliruyushchego vozdeystviya dlya sovershenstvovaniya korporativnogo zakonodatel’stva [Using Regulatory Impact Assessment For Improving Corporate Law]. Moscow, TEIS, 2006. (In Russ.)Ефимов К. Д. Идентификация картелей на электронных аукционах госзакупок. Препринт Cornell University. Серия Computer Science “arxiv.org”. 2024. DOI: 10.48550/arXiv.2411.10811.Efimov K. D. Identifikatsiya karteley na elektronnykh auktsionakh goszakupok [Detecting Collusion in Procurement Auctions]. Cornell University Preprint, Computer Science Series “arxiv.org”, 2024. DOI: 10.48550/arXiv.2411.10811. (In Russ.)Павлова Н. С., Плеханова Л. С. Критерии эффективности государственных закупок: неучтенные эффекты // Закон. 2021. № 8. С. 41–51.Pavlova N. S., Plekhanova L. S. Kriterii effektivnosti gosudarstvennykh zakupok: neuchtennye effekty [Criteria for the Effectiveness of Public Procurement: Unrecorded Effects]. Zakon [Law], 2021, no. 8, pp. 41-51. (In Russ.)Тесленко А. В. Большой цифровой кот: промежуточные итоги и перспективы. V Международная научно-практическая конференция «Антимонопольная политика: наука, практика, образование». М.: Инновационный центр «Сколково», 2019.Teslenko A. V. Bol’shoy tsifrovoy kot: promezhutochnyye itogi i perspektivy. V Mezhdunarodnaya nauchno-prakticheskaya konferentsiya «Antimonopolnaya politika: nauka, praktika, obrazovaniye» [The Big Digital Cat: Interim Results and Prospects. V Anniversary International Conference Antimonopoly Policy: Science, Practice, Education]. Moscow, Skolkovo Innovation Center, 2019. (In Russ.)Шаститко А. Е. Картель: организация, стимулы, политика противодействия // Российский журнал менеджмента. 2013. Т. 11. № 4. С. 31–56.Shastitko A. E. Kartel’: organizatsiya, stimuly, politika protivodeystviya [Cartel: Organization, Incentives and Deterrence Policy]. Rossiyskiy zhurnal menedzhmenta [Russian Management Journal], 2013, vol. 11, no. 4, pp. 31-56. (In Russ.)Шаститко А. Е., Морозов А. Н., Моросанова А. А. Оценка эффектов проектируемых институциональных изменений: пример реформы цифровой наружной рекламы // Вестник Санкт-Петербургского университета. Экономика. 2023. Т. 39. № 3. С. 328– 351. DOI: 10.21638/spbu05.2023.303.Shastitko A. E., Morozov A. N., Morosanova A. A. Otsenka effektov proektiruemykh institutsional’nykh izmeneniy: primer reformy tsifrovoy naruzhnoy reklamy [Expected Effects of Projected Institutional Changes in Digital Out-Of-Home Advertising]. Vestnik Sankt-Peterburgskogo universiteta. Ekonomika [St. Petersburg University Journal of Economic Studies], 2023, vol. 39, no. 3, pp. 328-351. DOI: 10.21638/spbu05.2023.303. (In Russ.)Шаститко А. Е. Новая институциональная экономическая теория. 5-е изд. М.: МАКС Пресс, 2024.Shastitko A. E. Novaya institutsional’naya ekonomicheskaya teoriya [New Institutional Economic Theory], 5th ed. Moscow, MAKS Press, 2024. (In Russ.)Шаститко А. Е., Шаститко А. А. Моделирование и эмпирическая оценка параллелизма в поведении на торгах // Вопросы государственного и муниципального управления. 2017. № 4. С. 7–28.Shastitko A. E., Shastitko A. A. Modelirovanie i empiricheskaya otsenka parallelizma v povedenii na torgakh [Modeling and Empirical Assessment of the Parallelism at an Auction]. Voprosy gosudarstvennogo i munitsipal’nogo upravleniya [Public Administration Issues], 2017, no. 4, pp. 7-28. (In Russ.)Эзрахи А., Стаки М. Виртуальная конкуренция: посулы и опасности алгоритмической экономики. М.: Дело РАНХиГС, 2022.Ezrachi A., Stucke M. Virtual’naya konkurentsiya: posuly i opasnosti algoritmicheskoy ekonomiki [Virtual Competition: The Promise and Perils of the Algorithm-Driven Economy]. Moscow, Delo RANEPA, 2022. (In Russ.)Avdasheva S., Golovanova S., Katsoulacos Y. The Impact of Performance Measurement on the Selection of Enforcement Targets by Competition Authorities: The Russian Experience in an International Context // Public Performance & Management Review. 2019. Vol. 42. No 2. P. 329–356. DOI: 10.1080/15309576.2018.1441036.Avdasheva S., Golovanova S., Katsoulacos Y. The Impact of Performance Measurement on the Selection of Enforcement Targets by Competition Authorities: The Russian Experience in an International Context. Public Performance & Management Review, 2019, vol. 42, no. 2, pp. 329-356. DOI: 10.1080/15309576.2018.1441036.Avdasheva S., Golovanova S., Korneeva D. Distorting Effects of Competition Authority’s Performance Measurement: The Case of Russia // International Journal of Public Sector Management. 2016. Vol. 29. No 3. P. 288–306.Avdasheva S., Golovanova S., Korneeva D. Distorting Effects of Competition Authority’s Performance Measurement: The Case of Russia. International Journal of Public Sector Management, 2016, vol. 29, no. 3, pp. 288-306.Becker G. Crime and Punishment: An Economic Approach // Journal of Political Economy. 1968. Vol. 76. No 2. P. 169–217.Becker G. Crime and Punishment: An Economic Approach. Journal of Political Economy, 1968, vol. 76, no. 2, pp. 169-217.Easterbrook F. H. The Limits of Antitrust // Texas Law Review. 1984. Vol. 63. No 1. P. 1–40.Easterbrook F. H. The Limits of Antitrust. Texas Law Review, 1984, vol. 63, no. 1, pp. 1-40.Garoupa N., Rizzolli M. Wrongful Convictions Do Lower Deterrence // Journal of Institutional and Theoretical Economics. 2012. Vol. 168. No 2. P. 224–231.Garoupa N., Rizzolli M. Wrongful Convictions Do Lower Deterrence. Journal of Institutional and Theoretical Economics, 2012, vol. 168, no. 2, pp. 224-231.Harrington J. How Do Cartels Operate? // Foundations and Trends in Microeconomics. 2006. Vol. 2. No 1. P. 1–105.Harrington J. How Do Cartels Operate? Foundations and Trends in Microeconomics, 2006, vol. 2, no. 1, pp. 1-105.Harrington J. How Do Hub-And-Spoke Cartels Operate? Lessons From Nine Case Studies. 2018. August 24. SSRN. https://ssrn.com/abstract=3238244 or http://dx.doi.org/10.2139/ssrn.3238244.Harrington J. How Do Hub-And-Spoke Cartels Operate? Lessons From Nine Case Studies. SSRN. 24 August 2018. https://ssrn.com/abstract=3238244 or http://dx.doi.org/10.2139/ssrn.3238244.Harrington J., Wei Y. What Can the Duration of Discovered Cartels Tell Us About the Duration of All Cartels? // The Economic Journal. 2017. Vol. 127. No 604. P. 1977–2005. DOI: 10.1111/ecoj.12359.Harrington J., Wei Y. What Can the Duration of Discovered Cartels Tell Us About the Duration of All Cartels? The Economic Journal, 2017, vol. 127, no. 604, pp. 1977-2005. DOI: 10.1111/ecoj.12359.Computational Competition Law and Economics: An Inception Report. Hellenic Competition Commission; BRICS Competition Law and Policy Centre, 2021. https://ild.hse.ru/data/2021/05/24/1438611719/Project%20Computational%20competition%20law%20and%20economics%20FINAL23.5.2021BIS2.pdf?ysclid=m65fhzjkc2463757711.Computational Competition Law and Economics: An Inception Report. Hellenic Competition Commission; BRICS Competition Law and Policy Centre, 2021. https://ild.hse.ru/data/2021/05/24/1438611719/Project%20Computational%20competition%20law%20and%20economics%20FINAL23.5.2021BIS2.pdf?ysclid=m65fhzjkc2463757711.Huber M., Imhof D. Machine Learning With Screens for Detecting Bid-Rigging Cartels // International Journal of Industrial Organization. 2019. Vol. 65. P. 277–301. DOI: 10.1016/j.ijindorg.2019.04.002.Huber M., Imhof D. Machine Learning With Screens for Detecting Bid-Rigging Cartels. International Journal of Industrial Organization, 2019, vol. 65, pp. 277-301. DOI: 10.1016/j.ijindorg.2019.04.002.Katsoulacos Y., Avdasheva S., Golovanova S. Determinants of the (Slow) Development of Effect-Based Competition Enforcement: Testing the Impact of Judicial Review on the Choice of Legal Standards by Competition Authorities // Journal of Industry, Competition and Trade. 2021. Vol. 21. No 1. P. 103–122.Katsoulacos Y., Avdasheva S., Golovanova S. Determinants of the (Slow) Development of Effect-Based Competition Enforcement: Testing the Impact of Judicial Review on the Choice of Legal Standards by Competition Authorities. Journal of Industry, Competition and Trade, 2021, vol. 21, no. 1, pp. 103-122.Massarotto G., Ittoo A. Gleaning Insight From Antitrust Cases Using Machine Learning // Stanford Computational Antitrust. 2021. No 1. P. 16–37.Massarotto G., Ittoo A. Gleaning Insight From Antitrust Cases Using Machine Learning. Stanford Computational Antitrust, 2021, no. 1, pp. 16-37.Data Screening Tools in Competition Investigations. OECD Competition Policy Roundtable Background Note. OECD, 2022. https://web-archive.oecd.org/2022-10-18/643539-datascreening-tools-in-competition-investigations-2022.pdf.Data Screening Tools in Competition Investigations. OECD Competition Policy Roundtable Background Note. OECD, 2022. https://web-archive.oecd.org/2022-10-18/643539-datascreening-tools-in-competition-investigations-2022.pdf.Rodríguez M., Rodríguez-Montequín V., Ballesteros-Pérez P., Love P., Signor R. Collusion Detection in Public Procurement Auctions With Machine Learning Algorithms // Automation in Construction. 2022. Vol. 133. Article 104047. DOI: 10.1016/j.autcon.2021.104047.Rodríguez M., Rodríguez-Montequín V., Ballesteros-Pérez P., Love P., Signor R. Collusion Detection in Public Procurement Auctions With Machine Learning Algorithms. Automation in Construction, 2022, vol. 133, article 104047. DOI: 10.1016/j.autcon.2021.104047.Silveira D., De Moraes L., Fiuza E., Cajueiro D. Who Are You? Cartel Detection Using Unlabeled Data // International Journal of Industrial Organization. 2023. Vol. 88. Article 102931. DOI: 10.1016/j.ijindorg.2023.102931.Silveira D., De Moraes L., Fiuza E., Cajueiro D. Who Are You? Cartel Detection Using Unlabeled Data. International Journal of Industrial Organization, 2023, vol. 88, article 102931. DOI: 10.1016/j.ijindorg.2023.102931.

The authors declare that there are no conflicts of interest present.