Риски внедрения ГИС «Антикартель»

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.

1. Авдашева 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.

2. Ефимов К. Д. Идентификация картелей на электронных аукционах госзакупок. Препринт Cornell University. Серия Computer Science “arxiv.org”. 2024. DOI: 10.48550/arXiv.2411.10811.

3. Павлова Н. С., Плеханова Л. С. Критерии эффективности государственных закупок: неучтенные эффекты // Закон. 2021. № 8. С. 41–51.

4. 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.

5. Шаститко А. Е. Картель: организация, стимулы, политика противодействия // Российский журнал менеджмента. 2013. Т. 11. № 4. С. 31–56.

6. 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.

7. Шаститко А. Е. Новая институциональная экономическая теория. 5-е изд. М.: МАКС Пресс, 2024.

8. 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.

9. Эзрахи А., Стаки М. Виртуальная конкуренция: посулы и опасности алгоритмической экономики. М.: Дело РАНХиГС, 2022.

10. 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.

11. 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.

12. Becker G. Crime and Punishment: An Economic Approach // Journal of Political Economy. 1968. Vol. 76. No 2. P. 169–217.

13. Easterbrook F. H. The Limits of Antitrust // Texas Law Review. 1984. Vol. 63. No 1. P. 1–40.

14. Garoupa N., Rizzolli M. Wrongful Convictions Do Lower Deterrence // Journal of Institutional and Theoretical Economics. 2012. Vol. 168. No 2. P. 224–231.

15. Harrington J. How Do Cartels Operate? // Foundations and Trends in Microeconomics. 2006. Vol. 2. No 1. P. 1–105.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.

21. Massarotto G., Ittoo A. Gleaning Insight From Antitrust Cases Using Machine Learning // Stanford Computational Antitrust. 2021. No 1. P. 16–37.

22. 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.

23. 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.

24. 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.