Картели в цифровой экономике

Н.М. Розанова

Цифровая экономика, ставшая реальностью XXI в., оказывает влияние на все стороны экономических взаимодействий. И это влияние не всегда является положительным.

В условиях цифровизации у фирм появились новые инструменты осуществления рыночной власти, координации рыночных действий и манипулирования поведением потребителей. Виртуальная реальность помогает компаниям как развивать новые ценовые стратегии по извлечению прибыли, так и возрождать старые форматы ценовой дискриминации. Ценовые механизмы цифровой экономики пока еще недостаточно хорошо изучены и по большей части находятся вне юридического поля антимонопольного регулирования, хотя могут приводить к антиконкурентным последствиям. Цель статьи - привлечь внимание к наиболее одиозным монопольным эффектам ценовой политики современных цифровых фирм.

Новые формы картелизации

Нарушение конкуренции в цифровой экономике с помощью новейших технологий замечается и исследователями, и практиками. Однако в настоящее время в России опасность цифровых картелей понимается довольно узко, только как робо-практика (использование аукционных роботов) в сфере госзакупок¹. Но опыт зарубежных исследований свидетельствует о том, что цифровые картели и картелеобразные практики и инструменты охватывают едва ли не все области экономических взаимодействий.

Формирование информационного и цифрового капитала и цифрового пространства помогают организовывать более сложные версии картелей и тайных соглашений. Обмен важной информацией может осуществляться посредством третьих лиц, через цифровые платформы и/или цифровых агентов. Агрегированные данные распространяются также через торговые ассоциации, торговые ярмарки и выставки. Все эти способы не являются, как правило, незаконными.

Как фирмы используют агрегированные данные для картелизации отрасли? Хотя индивидуальные объемы продаж подвержены значительным колебаниям, агрегированные отраслевые объемы менее вариабельны. В отличие от индивидуальных данных по фирмам агрегированные сведения по отраслям и рынкам собираются многими консалтинговыми компаниями, а также статистическими органами государства, поэтому они оказываются доступными любому участнику рынка. Когда фирма-участник картеля снижает свою цену по сравнению с согласованной величиной, это обычно вызывает рост совокупного отраслевого объема продаж. Такой рост хорошо виден всем рыночным агентам. И хотя неизвестно, какая именно фирма оказалась нарушителем тайного сговора, компании могут в любом случае применить стратегию наказания путем резкого снижения отраслевой цены. Агрегированные данные весьма чувствительны к отдельным падениям цен, но практически не реагируют на шоки спроса. Таким образом, колебание совокупного объема продаж в отрасли является мощным сигналом для выявления ситуации ценового нарушения, что поддерживает картельную дисциплину [2].

Особой сферой картельных соглашений в цифровой экономике становятся тайные и явные сговоры и договоры между специалистами, между индивидами-профессионалами, а не между фирмами. В исследовании [3] показано, что врачи, юристы, бухгалтеры, налоговые и финансовые консультанты действуют согласованно в ценовой и продуктовой областях как в отношениях с клиентами-индивидуальными потребителями, так и при обсуждении контрактов со страховыми компаниями. Специалисты формируют вертикальные картели, но, так как речь не идет о юридических лицах (работодатели данных профессионалов могут и не подозревать о подобных действиях), эта активность не подпадает под антимонопольные законодательные процедуры.

В цифровой экономике картели функционируют в децентрализованной, хотя и иерархической манере. Цифровая сеть включает разрозненных и разнородных участников, которые ранжируются по степени рыночной власти и близости к организатору кооперативных взаимодействий. Причем плотность картельной сети остается весьма низкой, что затрудняет антимонопольную активность и выявление подлинных инициаторов картеля. Как показывает исследование картеля на мировом рынке графитных электродов [4], функционировавшего с 1992 по 1998 гг. в США, Европе, Австралии и Азии и способствовавшего 45% росту мировых цен на электроды, коммуникации между членами картеля происходили в рамках «малого мира» соцсетей. Вовлеченные в картель компании SGL Carbon AG, UCAR International Inc, VAW Aluminium AG, Showa Denko, Tokai Carbon, Nippon Carbon, SEC Corporation, Carbide Grapite Group осуществляли традиционную практику - фиксирование высоких цен, распределение долей рынка и квот выпуска, соглашение о нераспространении технологии вне участников картеля. Опираясь на информацию из социальных сетей и мессенджеров, инициаторы картеля поддерживали необходимую ценовую дисциплину путем неявной координации цифровых посланий, сами оставаясь «за кадром» подобных взаимодействий.

Расследование Европейской Комиссии вследствие жалоб покупателей показало, что организаторы картеля в целях сокрытия координационных действий перенесли взаимодействия и переговоры с высшего уровня топ-менеджмента (что является обычной практикой картельной активности) на более низкий уровень. Повседневную координацию осуществляли не высшее руководство компаний, а менеджеры низшего звена. Наибольшую межфирменную активность по согласованию действий проявляли менеджеры по продажам, которые передавали информацию и получали соответствующие инструкции от менеджеров среднего звена. Менеджеры среднего звена в свою очередь тесно общались с высшим руководством своих фирм. Таким образом, формально руководство компаний разрабатывало самостоятельную рыночную стратегию, а действия на нижних уровнях управления, как правило, не входят в круг антимонопольных расследований, так же, как и социальные сети и социальные мессенджеры индивидуальных работников.

Обмен важной рыночной информацией осуществляется в цифровом мире через третьих лиц, посредством социальных сетей и социальных менеджеров. Картели активно используют социальные сети для формирования стратегий единой цены и единообразия ценовых и неценовых действий. Проблема ценовой координации при отсутствии тайных сговоров решается, как моделируется в [5], за счет ценового лидерства. На примере фармацевтической отрасли Чили автор показывает, как фирмы учатся картельному ценообразованию. У каждой фирмы имеется свое представление об уровне конкурентной цены. Когда фирма наблюдает на рынке более высокий уровень цены, она понимает, что рынок движется в сторону картеля, и присоединяется к нему.

Алгоритмическое ценообразование как новая форма ценовой координации

В цифровом мире отмечается легкость достижения сознательного параллелизма, что проявляется через устойчивость цен при формально высокой степени рыночной конкуренции [6]. Алгоритмический процесс облегчает сознательный параллелизм и ускоряет понимание участниками рынка общих интересов ценообразования, что, в итоге, приводит к формированию неявного и не обговоренного тайного сговора, который сложно вычислить и еще труднее привлечь к ответственности.

Алгоритмическое ценообразование облегчает формирование картеля в нескольких аспектах. Многочисленные исследования [7-9] демонстрируют поразительную ценовую дисциплину на рынках, где действуют ценовые алгоритмы, которые лучше контролируют поведение участников, чем обычные решения менеджеров-людей. Алгоритмы способствуют росту и координации рыночных цен даже при отсутствии картельного намерения самих фирм. Машинное обучение и искусственный интеллект работают как эффективный картельный механизм, отыскивая наиболее прибыльные ценовые и количественные решения для участников рынка [10-12]. Стабильная картельная цена удерживается при всех традиционных факторах нестабильности картеля.

Исследование [13] электронной торговли платформы Amazon.com подтверждает «эффективность» координационной активности с помощью алгоритмического ценообразования. Ценовой алгоритм составлен таким образом, чтобы периодически повышать цены (например, в ночные часы или при падении ценовой маржи до критического значения), причем повышательные циклы с каждым разом поднимают ценовой уровень все выше и выше, а падение цены оказывается все меньшим и меньшим. Так создается асимметричный ценовой цикл. В итоге ценовые колебания устанавливаются в области монопольной цены. К аналогичным результатам приходит автор работы [14]. На примере австралийского рынка бензина (штат Новый Южный Уэльс, наиболее густонаселенная часть Австралии со столицей г. Сидней) он выявляет постепенную монопольную синхронизацию розничных цен под действием ценовых алгоритмов.

Компьютерное моделирование активности искусственного интеллекта в сфере ценовой политики на примере повторяющейся ценовой конкуренции олигополистов наглядно продемонстрировало, что алгоритм «учится» оптимальному с точки зрения максимизации прибыли фирм поведению, выбирая такие цены, которые максимизируют совокупную отраслевую прибыль, и отбрасывая более конкурентные варианты. Следует отметить, что алгоритмы разных фирм не сотрудничали друг с другом, однако при этом достигался устойчивый кооперативный результат. Различия в издержках компаний, колебания спроса, изменение числа продавцов и другие обычные факторы краха картеля не оказывают существенного влияния на стабильность алгоритмического картеля. Особые опасения вызывают алгоритмы, позволяющие небольшим компаниям использовать стратегию прикрепления индивидуальной цены к уровню цены фирмы-лидера или преобладающей величине рыночной цены [15].

Со ссылкой на многочисленные эмпирические исследования розничного рынка бензина в Германии в работе [9, с. 549] показано, что применение алгоритмического ценообразования сопровождается значимым повышением цен в условиях формально большой конкуренции на рынке. Внедрение алгоритмического ценообразования даже двумя бензозаправками приводит к повышению розничных цен на 28%, причем это повышение достигается плавным волнообразным и постепенным образом, по мере того как программа «обучается» узнавать цены. К аналогичному результату приходят авторы исследования [16]. На примере розничного рынка бензина в г. Перт (Австралия) за период с 2005 по 2015 гг. они показывают, что лидеры рынка - компании BP, Caltex, Mobil и Shell с помощью искусственного интеллекта находят ценовой уровень, который становится фокальной точкой для прочих фирм.

Еще в 2017 г. Европейская Комиссия утверждала, что подавляющее большинство розничных торговцев отслеживают онлайн цены конкурентов. А две трети из них используют соответствующие компьютерные программы для того, чтобы автоматически в автономном режиме корректировать свои цены в соответствии с наблюдаемыми ценами конкурентов [17, с. 461]. Многие поставщики программного обеспечения даже рекламируют свои ИТ продукты как инструменты для снижения риска ценовой войны и оптимизации межфирменной ценовой политики [18]. Этой же цели служат цифровые платформы, через которые продавцы рекламируют и показывают свою продукцию потенциальным клиентам. Цифровые платформы действуют в качестве координаторов цен и объемов для производителей однородных или схожих товаров. Это явление получило название «узловой, логистический картель - хаб» (hub-and-spoke cartel).

Как работает цифровой картель?

Например, с 2008 по 2015 гг. пять крупнейших автомобильных компаний Франции с помощью программы Partneo поддерживали цены на запасные части для автомобилей на 20-300% выше рынка. Partneo - это программное обеспечение, поставляемое фирмой Accenture французским автопроизводителям. Программа разработана таким образом, чтобы идентифицировать максимальную сумму, которую покупатель готов уплатить за запасные части к автомобилю. Вместо традиционной схемы цены «затраты плюс» (издержки производства плюс целевая норма прибыли) Partneo использует сложный алгоритм. Запасные части взвешиваются, измеряются, фотографируются и анализируются в специальной лаборатории для создания базы данных. Затем алгоритм увеличивает цену схожих изделий до уровня наиболее дорогостоящего товара в своем классе, что означает рост от 20 до 300% от исходной цены. Так, цена зеркала заднего вида для модели Renault Clio III при издержках производства в 10 евро возросла с первоначального уровня в 79 евро до 165 евро благодаря применению программы Partneo [19, с. 13].

Система была построена таким образом, чтобы завлечь потребителей более низкой базовой ценой автомобилей, а затем увеличивать цены на уникальные запасные части. Покупатели оказывались в инвестиционной ловушке, они могли либо приобретать запасные части по высоким ценам, либо покупать новую машину у продавца с аналогичной ценовой стратегией на основе программы Partneo. В итоге рыночные цены на запасные части возросли на 15%, и автопроизводители получили миллиардные прибыли [19, с.12].

Картельное поведение распространяется и на межвременное ценообразование. В частности, речь идет о межвременном разбросе цен, когда цена на один и тот же товар различается в разные периоды времени (дни недели, времени покупки, сезона или обычной рекламной стратегии) [20-21]. Ценовые скидки и ценовые надбавки изменяются во времени нерегулярным образом. Подобный ценовой разброс затрудняет для потребителей сравнение цен, понимание истинных затрат на поиск и приобретение товара. Поэтому фирмы охотно присоединяются к коллективному (тайному) сговору в отношении разброса цен.

Межвременной разброс цен может касаться как монопольного уровня, так и колебаться в рамках цикла, описываемого моделью Эджуорта. Чем ниже межвременная внимательность потребителей к цене, тем выше уровень цен, вокруг которого наблюдаются ценовые колебания. Авторы работы [22] обнаружили, что из 1,4 млн товаров на 54 географических рынках США за период 2004-2009 гг. (база данных по 50 тыс. потребителей) почти 50% ценовых изменений касалось межвременного ценообразования.

Исследование розничного рынка бензина в Канаде [23] показало, что межвременное ценообразование в картельных взаимодействиях играет решающую роль. Взяв за основу документы Канадского бюро по конкуренции (Canadian Competition Bureau) за 2005 и 2006 гг., авторы проанализировали динамику розничных цен бензина в четырех крупнейших городах Квебека, где действовали 64 фирмы, обслуживающие 128 бензоколонок. Было установлено, что поддержание картельной дисциплины базировалось на асимметричности изменения цен. Снижающееся движение цены фирмы-лидера сопровождалось быстрой аналогичной реакцией других участников рынка, в то время как повышающаяся тенденция происходила неравномерно, фирмы повышали свои розничные цены с определенным лагом.

Организаторы координационных действий позволяли наиболее эффективным компаниями (фирмам с низкими издержками) последними присоединяться к росту цен, что помогало этим фирмам с низкими издержками расширять и удерживать значительную долю рынка. В периоды предполагаемого снижения цен именно наиболее эффективные компании выступали лидерами рынка. Прочие фирмы, включая организаторов картеля, лишь следовали за трендом, устанавливаемым участниками с низкими издержками. Таким образом, с одной стороны, разброс цен вводил в заблуждение антимонопольные органы, как бы «свидетельствуя» о наличии конкуренции на рынке, а с другой, тем самым поддерживалась заинтересованность эффективных компаний в координационных действиях.

Аналогичные результаты для розничного рынка бензина в Австралии (городской округ Перт) в цикле межвременного ценообразования получены в работе [24]. Здесь также стратегия межвременного ценообразования картелей сопровождалась асимметричными ценовыми циклами «рост цены» - «падение цены». Например, средний размер повышения цены составлял 6,9 центов за литр, а средний размер падения цены составлял не более 0,2 цента за литр [24, с. 46].

От алгоритмического ценообразования могут пострадать и поставщики услуг. Так, в 2016 г. состоялось разбирательство ЕС по делу платформы E-Turas (Литва). Алгоритм E-turas, обслуживающий платформу, на которой туристические агентства предоставляли свои туристические услуги, был составлен таким образом, чтобы ограничивать возможные скидки с пакетных туров тремя процентами вне зависимости от желаний самих турагентств [25, с. 6].

Алгоритмическое ценообразование преобладает в электронной торговле, в сфере страхования и кредита, в гостиничном бизнесе и авиаперевозках. Алгоритмическое ценообразование из цифровой сферы переходит в обычную нецифровую реальность. Многие магазины оснащаются программами по электронному ценообразованию, которые помогают быстрее корректировать цены.

В какой степени сами фирмы «виновны» в картельных сговорах? Проблема координации между людьми остается. Кто составляет задания для программистов таким образом, чтобы программы отслеживали цены конкурентов и поддерживали ценовую дисциплину путем наказания, применяя автоматически стратегию «курка» (a tit-for-tat strategy)? Как считают авторы работы [26], проблема тайного сговора между людьми - руководителями компаний остается. Только теперь договоренности касаются стадии программирования, а не стадии ценообразования.

Последствия ценовой координации: теория и практика

Алгоритмы, используемые компаниями в ценообразовании, изменяют конкурентный ландшафт отраслей и рынков. Неконкурентные последствия ценовых алгоритмов выявляются как с помощью теоретического моделирования рыночных процессов, так и при обращении к отраслевой практике.

Результаты алгоритмических взаимодействий могут приводить к множественным нестабильным равновесиям динамического и стохастического характера. Примером подобного моделирования может служить работа [27]. В ней показано, что различные виды равновесия (устойчивое и неустойчивое, с монопольными и с конкурентными ценами, способствующее повышению благосостояния потребителей и ведущее к уменьшению потребительского излишка) возникают как ответ на угрозу входа потенциального конкурента на рынки цифровых платформ в условиях горизонтальной или вертикальной продуктовой дифференциации цифровых продуктов и потребителей.

Разработанная в [28] модель динамической ценовой конкуренции с множественными равновесными состояниями показывает, что при наличии даже небольшого числа недальновидных наивных потребителей рынок демонстрирует устойчивое монопольное равновесие, которое сосуществует с равновесными состояниями более конкурентного типа.

Авторы [29] проводят игровое моделирование стратегических рыночных взаимодействий на формально конкурентном рынке (рынке со многими участниками). Игроки подготавливают и пересматривают свои стратегии перед каждым раундом игры в соответствии с процессом Пуассона на основе информации об альтернативных возможностях прошлого периода. Когда появляется возможность пересмотра, ревизия стратегий осуществляется одновременно всеми игроками. Если первоначальные и пересмотренные стратегии доступны и известны всем игрокам, это стимулирует их к выбору стратегии кооперации (сотрудничества). Возможность пересмотра служит триггерным сигналом для сговора и поддержки картельного поведения.

Конкуренция ценовых алгоритмов представлена в статье [30]. Алгоритмы смягчают ценовую конкуренцию, позволяя фирмам уходить от ценового равновесия Бертрана даже при небольшом числе участников рынка, однородном продукте и одинаковых издержках фирм.

Монопольные последствия алгоритмического ценообразования были выявлены на розничном рынке бензина в Роттердаме, где ряд автозаправок использовали ПО одного и того же поставщика - Датской компании a2i Systems для определения оптимального уровня цен. Ценовой алгоритм помог избежать ценовой войны и увеличил прибыль компаний. С 2007 по 2021 гг. на рынке бензина преобладала высокая ценовая волатильность, цены колебались 10-20 раз в день с пиком разницы в ценовых уровнях вплоть до 15 евроцентов. Использование одного и того же алгоритмического ПО позволило компаниям увеличить прибыльность в среднем на 5% [6, с. 247-248].

Неоднозначные с точки зрения влияния на конкуренцию результаты цифровых картелей и алгоритмического ценообразования вызывают обеспокоенность антимонопольных властей по всему миру.

Антимонопольная Комиссия ФРГ в 2018 г. рекомендовала властям систематически исследовать рынки с алгоритмическим ценообразованием на предмет выявления негативных последствий для конкуренции [6, с. 247].

Озабоченность алгоритмической структурой цен выражает Управление по конкуренции и рынкам Великобритании (The UK Competition and Markets Authority). В частности, Управление отмечает, что в 2018 г. антиконкурентные последствия наблюдались как результат алгоритмического ценообразования в виде вертикальной фиксации цен. Онлайн ритейлеры использовали ценовой алгоритм для того, чтобы автоматически корректировать розничные цены в соответствии с ценами конкурентов. Контроль уровня розничных цен перебазировался от менеджеров к алгоритмам. Теперь нет потребности заключать вертикальные ограничительные контракты, ибо ценовые алгоритмы поддерживают розничные цены на нужном уровне автоматически [6, с. 250].

Проблема алгоритмической координации на формально конкурентных рынках обсуждалась на заседании Комиссии по конкуренции ЕС 14-16 июля 2023 г. [31].

Совместное исследование антимонопольных властей Франции (Autorite de la Concurrence) и Германии (Bundeskartallamt) указало на риски неконкурентных последствий при использовании ценовых алгоритмов, поставив перед глобальным регулированием задачи по ограничению подобных практик [32].

В США Федеральная торговая комиссия наблюдает за рынками, в наибольшей степени подверженными подобному риску применения алгоритмического ценообразования, ведущего к картельным результатам².

Заключение

Новые ценовые явления цифрового мира заставляют пересматривать традиционные подходы к антиконкурентному поведению и антимонопольной политике. Формальная конкуренция на рынках с доминированием алгоритмического ценообразования становится фикцией, иллюзорным соперничеством.

Искусственный интеллект, машинное обучение, алгоритмы выбора оптимального рыночного поведения меняют конкурентный ландшафт, природу конкуренции и конкурентных ограничений. Вместо «невидимой руки» Адама Смита и «видимой руки» крупных корпораций Альфреда Чандлера, координирующую роль на рынке теперь выполняет цифровая рука искусственного интеллекта. Генеративные модели сопровождаются злоупотреблением ценовыми алгоритмами в пользу динамического согласованного действия. Происходит цифровая картелизация отраслей и рынков. Исследования промежуточных рынков показывают, что склонность к соглашениям в наиболее яркой форме выражена именно среди посредников, высокая степень рыночной власти проявляется на инфраструктурной стадии цепочки создания ценности.

Новые картели цифрового мира ставят новые вопросы перед антимонопольными властями, задают новые вызовы конкурентной политике государства. Требует пересмотра нейтральный статус сознательного параллелизма. В эпоху машинного обучения сознательный параллелизм оборачивается алгоритмическим картелем, координирующим ценовые и количественные величины участников рынка вне сознательного сговора самих фирм. Возникает вопрос о конкурентной ответственности ИТ-провайдеров, разрабатывающих ценовые алгоритмы.

¹ Примером может служить статья члена Ассоциации антимонопольных экспертов Акимовой И. [1].

² United States: FTC expanding scope of unfair competition. November 22. 2022. URL: https://www.globalcompliancenews.com/ 2022/11/22/https-insightplus-bakermckenzie-com- bm-antitrust-competition_1-united-states- federal-trade-commission- expanding-scope-of-unfair-competition- under-5-of-the-ftc-act_11152022/

Литература / References

1. Акимова И. В чем угроза цифровых картелей // РБК. 14.04.2020. URL: https://pro.rbc.ru/demo/ 5e6a9b6d9a794748f20a9d0a [Akimova I. Where lies the threat of digital cartels. RBC. 14.04.2020. (In Russ.)]
2. Yu A., Krishna V. Information Exchange in Cartels. The RAND Journal of Economics. 2020. Vol. 51. No. 2. Pp. 421-446.
3. Ale-Chilet J., Atal J.P. Trade Associations and Collusion among Many Agents: Evidence from Physicians. The RAND Journal of Economics. 2020. Vol. 51. No. 4. Pp. 1197-1221.
4. Ponce C., Roldan F. Cartels as Small World Networks: Evidence from Graphite Electrode Cartel. Review of Network Economics. 2017. Vol. 16. No. 1. Pp. 27-61.
5. Hao Yu. Trust Building Dynamics in Cartel Formation: A Structural Analysis. Working Paper. 2023. URL: https://ssrn.com/abstract=4666555 or http://dx.doi.org/10.2139/ssrn.4666555
6. Ezrachi A., Stucke M. Sustainable and Unchallenged Algorithmic Tacit Collusion. Northwestern Journal of Technology and Intellectual Property. 2020. Vol. 17. No. 2. Pp. 217-260.
7. Calvano E., Calzolari G., Denicolo V., Pastorello S. Algorithmic Pricing. What Implications for Competition Policy? Review of Industrial Organization. 2019. Vol. 55. No. 2. Pp. 1-17.
8. Ittoo A., Petit N. Algorithmic Pricing Agents and Tacit Collusion: A Technological Perspective. Chapter in L'in-telligence Artificielle et le Droit. Jacquemin H. and de Streel A. (eds). Bruxelles. Larcier. 2017. Pp. 241-256. URL: https://ssrn.com/abstract=3046405 or http://dx.doi.org/10.2139/ssrn.3046405
9. Klein T. Autonomous Algorithmic Collusion: Q-learning under Sequential Pricing. The RAND Journal of Economics. 2021. Vol. 52. No. 3. Pp. 538-558.
10. Mehra S. Antitrust and the Robo-Seller: Competition in the Time of Algorithms. Minnesota Law Review. 2016. Vol. 100. Pp. 1323-1375.
11. Ezrachi A., Stucke M.E. Artificial Intelligence & Collusion: When Computers Inhibit Competition. University of Illinois Law Review. 2017. Vol. 2017. Pp. 1775-1810.
12. Calvano E., Calzolari G., Denicolo V., Pastorello S. Artificial Intelligence, Algorithmic Pricing and Collusion. American Economic Review. 2020. Vol. 110. Pp. 3267-3297.
13. Musolff L. Algorithmic Pricing, Price Wars and Tacit Collusion: Evidence from e-Commerce. Working paper. March 4. 2024. URL: https://lmusolff.github.io/papers/Algorithmic_Pricing.pdf
14. Leisten M. Algorithmic Competition, with Humans. Preprint. May 2024. URL: https://www.researchgate.net/pub-lication/349681786
15. Miklos-Thal J., Tucker C. AI, Algorithmic Pricing, and Collusion. CPI Antitrust Chronicle, February 2024. URL: https://simon.rochester.edu/sites /default/files/2024-03/2-AI- ALGORITHMIC-PRICING-AND-COLLUSION -Jeanine-Miklos-Thal-Catherine-Tucker.pdf
16. Byrne D., De Roos N. Learning to Coordinate: A Study in Retail Gasoline. American Economic Review. 2019. Vol. 109. No. 2. Pp. 591-619.
17. Assad S., Calvano E., Calzolari G., Clark R., Denicolo V., Ershov D., Johnson J., Partorello S., Rhodes A., Xu L., Wildenbeest M. Autonomous Algorithmic Collusion: Economic Research and Policy Implications. Oxford Review of Economic Policy. 2021. Vol. 37. No. 3. Pp. 459-478.
18. Decarolis F., Rovigatti G. From Mad Men to Maths Men: Concentration and Buyer Power in Online Advertising. American Economic Review. 2021. Vol. 111. No. 10. Pp. 3299-3327.
19. Correia de Matos C.C. Algorithms: The End of Traditional Competitive Markets? The Case of Partneo. A Work Project. Nova School of Business & Economics (NOVA SBE), Lisboa. Portugal. 2019. January. No. 22203. 27p. URL: https://core.ac.uk/download/pdf/303764817.pdf
20. Roos N., Smirnov V. Collusion with Intertemporal Price Dispersion. The RAND Journal of Economics. 2020. Vol. 51. No. 1. Pp. 158-188.
21. Roos N., Kayayama H. Gasoline Price Cycles under Discrete Time Pricing. Economic Record. 2013. Vol. 89. No. 285. Pp. 175-193.
22. Kaplan G., Menzio G. The Morphology ofPrice Dispersion. International Economic Review. 2015. Vol. 56. No. 4. Pp. 1165-1206.
23. Clark R., Houde J-F. Collusion with Asymmetric Retailers: Evidence from a Galosine Price-Fixing Case. American Economic Journal: Microeconomics. 2013. Vol. 5. No. 3. Pp. 1-30.
24. Wang Z. Collusive Communication and Pricing Coordination in a Retail Gasoline Market. Review ofIndustrial Organization. 2008. Vol. 32. No. 1. Pp. 35-52.
25. Van Roozandaal M. Algorithms: Teenage Troublemakers ofEU Competition Law. A Closer Look at Algorithms as the New Price-Fixing Tool in EU Competition Law. 2018. European Law Institute. URL: https://www.euro-peanlawinstitute.eu/fileadmin/user_upload/p_eli/Award/Winner_2018_ELI_Young_Law-yers_Award_Manon_van__Roozendaal_FINAL. pdf
26. Calvano E., Calzolari G., Denicolo V., Pastorello S. Algorithmic Collusion: a Real Problem for Competition Policy? CPI Antitrust Chronicle, July 2020. URL: https://pymnts.com/cpi_posts/algorithmic-collusion-a-real-prob-lem-for-competition-policy/
27. Biglaiser G., Cremer J. The Value of Incumbency When Platforms Face Heterogeneous Customers. American Economic Journal: Microeconomic. 2020. Vol. 12. No. 4. Pp. 229-269.
28. Sweeting A., Jia D., Hui S., Yao X. Dynamic Price Competition, learning-By-Doing and Strategic Buyers. NBER Working Paper 28272. December 2020. URL: http://www.bver.org/papers/w28272
29. Kamada Y., Kandori M. Revision Games. Econometrica. 2020. Vol. 88. No. 4. Pp. 1599-1630.
30. Brown Z.Y., MacKay A. Competition in Pricing Algorithms. American Economic Journal: Microeconomics. 2023. Vol. 15. No. 2. Pp. 109-156.
31. Algorithmic Competition. OECS Competition Policy Roundtable Background Note. 2023. DAF/COMP. 2023. No. 3. 56 p. URL: https://www.oecd.org/daf/competition/algorithmic-competition-2023.pdf
32. Algorithms and Competition. Autorite de la Concurrence. Bundeskartallamt. November 2019. URL: https://www.autoritedelaconcurrence. fr/sites/default/files/algorithms-and-competition.pdf