Обнаружение признаков горизонтального сговора при государственных закупках с использованием методов машинного обучения

Совершенствование закупочных процедур и их цифровизация помогают предотвращать и выявлять картели, но в то же время приводят к появлению новых антиконкурентных схем поведения. В нашем исследовании мы концентрируем внимание на электронных аукционах, которые стали в последние годы основным способом осуществления государственных закупок в России. Тот факт, что электронные аукционы дают доступ к большему числу крупных государственных заказов, усиливает стимулы участников торгов заключать антиконкурентные соглашения. Поэтому улучшение методов выявления картелей на электронных аукционах становится особенно актуальной проблемой. Цель данной работы состояла в разработке метода для обнаружения признаков горизонтального сговора на торгах. С помощью методов машинного обучения мы тренируем классификаторы, которые предсказывают наличие или отсутствие картеля в электронных аукционах в зависимости от распределения ставок участников аукциона, времени подачи заявок, длительности проведения торгов и числа участников. Переменные для модели были отобраны на основании графиков распределений, построенных для выборки по картелям и случайной выборки. Исследование проводится на основе данных с сайта государственных закупок и информации о сговорах на торгах из дел Федеральной антимонопольной службы (ФАС). Результаты показали, что модель случайного леса наиболее точно предсказывает выявление картеля на электронном аукционе. Правильность предсказания – 84%, а полнота и точность модели – 83 и 87%. Наиболее значимыми для классификации переменными оказались уровень снижения цены, разница во времени подачи заявок и начальная (максимальная) цена контракта.

выявление картелей, сговоры на торгах, государственные закупки, машинное обучение

1. Abrantes-Metz R.M., Froeb L. M., Geweke J. F., Taylor C. T. A variance screen for collusion // International Journal of Industrial Organization. 2006. No. 24. P. 467–486.

2. Abrantes-Metz R.M., Kraten M., Metz A. D., Seow G. Libor manipulation // Journal of Banking and Finance. 2012. No. 36. P. 136–150.

3. Andreyanov P., Davidson A., Korovkin V. Corruption vs Collusion: Evidence from Russian Procurement Auctions // Technical Report. 2016. mimeo: UCLA.

4. Aryal G., Gabrielli M. F. Testing for collusion in asymmetric first-price auctions // International Journal of Industrial Organization. 2013. Vol. 31. P. 26–35.

5. Bajari P., Ye L. Deciding between competition and collusion // The Review of Economics and Statistics. 2003. No. 85. P. 971–989.

6. Balsevich A., Podkolzina E. A. Indicators of corruption in public procurement: The example of Russian regions // Higher School of Economics. 2014. Research Paper No. WP BRP 76/EC/2014. URL: Available at SSRN: https://ssrn.com/abstract=2530518 or http://dx.doi.org/10.2139/ssrn.2530518.

7. Bolotova Y., Connor J., Miller D. The Impact of collusion on price behavior: Empirical results from two recent cases // International Journal of Industrial Organization. 2008. No. 26. P. 1290–1307.

8. Chawla N. V., Bowyer K. W., Hall L. O., Kegelmeyer W. P. SMOTE: Synthetic minority over-sampling technique // Journal of Artificial Intelligence Research. 2002. Vol. 16. P. 321–357.

9. Chotibhongs R., Arditi D. Analysis of collusive bidding behavior // Construction Management and Economics. 2012. No. 30. P. 221–231.

10. Connor J. M. Global price fixing: Our customers are the enemy. Boston: Kluwer Academic Publishers, 2001.

11. Grout P., Sonderegger S. Structural approaches to cartel detection. In: E. C-D, Atanasiu I. (eds.). European Competition Law Annual: 2006. Enforcement of Prohibition of Cartels. Hart Publishing, 2007. P. 83–103.

12. Harrington J. E. Detecting cartels. In: Handbook of Antitrust Economics, Buccirossi P. (ed.). Cambridge: The MIT Press, 2008.

13. Huber M., Imhof D. Machine learning with screens for detecting bid-rigging cartels // International Journal of Industrial Organization. 2019. Vol. 65. P. 277–301.

14. Imhof D., Karagoek Y., Rutz S. Screening for bid rigging, does it work? // Journal of Competition Law and Economics. 2018. No. 14 (2). P. 235–261.

15. Ivanov D. I., Nesterov A. S. Identifying bid leakage in procurement auctions: Machine learning approach. 2019. arXiv:1903.00261 [econGN].

16. Jakobsson M. Bid rigging in Swedish procurement auctions. Working Paper. Mimeo: Uppsala University. Department of Economics (Sweden), 2007.

17. Levenstein M. C., Suslow V. Y., Oswald L. J. Contemporary international cartels and developing countries: Economic effects and implications for competition policy // Antitrust Law Journal. 2004. No. 71. P. 801–852.

18. Morozov I., Podkolzina E. Collusion detection in procurement auctions // SSRN Electronic Journal. 2013. 10.2139/ssrn.2221809.

19. OECD, 2016. Fighting bid rigging in public procurement: Report on implementing the OECD Recommendation. URL: http://www.oecd.org/daf/competition/Fighting-bid-rigging-in-public-procurement-report‑2016.pdf.

20. Pesendorfer M. A study of collusion in first-price auction // The Review of Economic Studies. 2000. No. 67. P. 381–411.

21. Porter R. H., Zona J. D. Detection of bid rigging in procurement auctions // The Journal of Political Economy. 1993. No. 101. P. 518–538.

22. Porter R. H., Zona J. D. Ohio school milk markets: An analysis of bidding // RAND Journal of Economics. 1999. No. 30. P. 263–288.

23. Symeonidis G. In which industries is collusion more likely? Evidence from the UK // Journal of Industrial Economics. 2003. No. 51. P. 45–74.