Искусственный интеллект против картелей - чего (не) ждать?

С. Б. Авдашева
Д. В. Корнеева
Г. Ф. Юсупова

В декабре 2024 г. правительственная комиссия по законопроектной деятельности, а в начале 2025 г. — профильный комитет Государственной думы РФ одобрили законопроект № 801033-8 о создании государственной информационной системы (ГИС, также известной как ГИС «Антикартель») по предупреждению, выявлению и пресечению ограничивающих конкуренцию соглашений.

Создание этой системы включено в национальный проект «Экономика данных и цифровизация госуправления». Представляя законопроект, вице-премьер, руководитель аппарата правительства Д. Григоренко отметил: «Основная задача системы — не только фиксировать нарушения, но и выявлять риски таких нарушений. ГИС будет применять риск-ориентированный подход, который обеспечит приоритизацию мониторинга, улучшит точность выявления подозрительных сделок и адаптируется к изменениям на рынке»¹. Функционал системы в соответствии с паспортом законопроекта предполагает ежедневное автоматическое сканирование сведений о всех проводимых торгах с помощью элементов искусственного интеллекта (ИИ).

Перспективы выявления нарушений законодательства, в том числе о конкуренции, на основе алгоритмической обработки данных представляют большой интерес и для специалистов в области компьютерных наук, и для юристов, и для экономистов. Цель данной статьи — оценить возможности и ограничения применения ИИ для раскрытия картельных соглашений (в первую очередь в закупках в секторе государственного и муниципального заказа, как говорится в пояснительной записке к законопроекту).

Искусственный интеллект ищет картели вслед за интеллектом естественным

Использование ИИ в целях раскрытия картельных соглашений заключается в создании алгоритма, предсказывающего наличие картеля или его отсутствие в зависимости от некоторого набора параметров с учетом ex-post данных об обнаруженных картелях. Подобные алгоритмы относятся к методам машинного обучения и представляют собой классификаторы, разделяющие закупки на конкурентные и картели или ранжирующие их по вероятности соглашения между участниками торгов. Начало поиску признаков сговора в аукционе было положено исследованием Р. Портера и Дж. Зоны, которое показало, что ненаблюдаемый сговор ведет к изменению наблюдаемых характеристик поведения участников торгов (Porter, Zona, 1993).

В общем случае выбор модели, предсказывающей наличие картеля при проведении закупок, основан на следующем алгоритме. Сбор и анализ информации о проведенных закупках и вынесенных антимонопольным органом решениях формируют перечень параметров закупок и действий потенциальных поставщиков, характерных для выявленных картелей. К ним могут относиться число участников электронного аукциона или конкурса, начальная (максимальная) цена контракта (НМЦК), разница между НМЦК и ценовым предложением победителя, разница между последним и остальными ценовыми предложениями, время подачи заявок, характеристики их текстов и т. д. Далее весь массив данных разделяется на обучающую и тестовую выборки. На первой оцениваются параметры модели, предсказывающей наличие сговора, а на второй проводится прогнозирование и оценивается эффективность моделей². Как правило, все имеющиеся данные делятся в соотношении 3:1, так что 75% наблюдений приходится на обучающую выборку и 25% — на тестовую (см.: Aaltio et al., 2025).

Точность показывает, сколько правильных предсказаний сделала модель относительно их общего числа (см.: Esteves et al., 2020; Гмурман, 2022). Алгоритм присваивает наблюдениям вероятности попасть в ту или иную группу в соответствии с классификацией обучающей выборки. Точность оценивается как адекватность их присвоения. Пользователь алгоритма самостоятельно определяет граничное значение вероятности, которое достаточно высоко, чтобы разделить выборку на две группы. Безусловно, точность предсказания модели ограничена. Алгоритм будет сопровождаться как присвоением относительно высокой вероятности картельного соглашения в закупках, где его не было обнаружено (ошибка I рода), так и пропуском закупок, где участники фактически заключили такое соглашение (ошибка II рода). Параллельно существует проблема ошибок I и II рода в самой исходной выборке (см.: Шаститко, 2013b).

Применяющий запреты антимонопольный орган может делать ошибки, поэтому в обучающей и тестовой выборках далеко не все наблюдения будут отмечены корректно. Ошибки II рода можно считать «ошибками» только в смысле математической статистики. Этот пропуск события естественный, когда действие скрытое. Несмотря на все усилия антимонопольных органов разных стран, они раскрывают лишь небольшую долю картелей. Классическая оценка вероятности раскрытия картеля в 1970 —1980-е годы составляла в США от 13 до 17% (см.: Bryant, Eckard, 1991), а в ЕС - 12,9-13,3% (см.: Combe et al., 2008). Более поздние оценки (обзор см. в: Connor, Lande, 2012) незначительно отличаются от приведенных. Нет оснований предполагать, что в России показатели раскрытия картелей выше. В свою очередь, алгоритм будет реплицировать ошибки, сделанные в обучающей и тестовой выборках.

Тренировка классификатора на обучающей выборке осуществляется с помощью моделей машинного обучения: простых классификаторов (линейная регрессия, логистическая регрессия, метод ближайших соседей) или ансамблевых (бустинг, случайный лес, стекинг). Линейная регрессия проводит классификацию наблюдения в зависимости от линейной связи с некоторым набором переменных. Логистическая регрессия представляет собой бинарный классификатор, прогнозирующий вероятность принадлежности наблюдения к некоторому классу. Метод ближайших соседей относит наблюдение к классу, к которому принадлежит большинство ближайших к нему по характеристикам наблюдений в обучающей выборке. Метод случайного леса и бустинг основаны на обучении классификатора на основе деревьев принятия решений. Стекинг позволяет объединять алгоритмы разной природы для улучшения предсказательной способности.

Выбор классификатора, который лучше остальных определяет наличие картеля или его отсутствие, основан на нескольких критериях качества. Правильность классификации (accuracy) анализируется исходя из оценки доли правильных предсказаний в тестовой выборке, то есть из ее разделения на закупки с картелями и без них. Точность классификации (precision) оценивается как доля закупок, обозначенных классификатором как свободные от картеля, в числе тех, в которых антимонопольный орган не выявил картель. Полнота классификации (recall) рассчитывается как доля наблюдений тестовой выборки, в которых был обнаружен картель, верно обозначенных классификатором (см.: Молчанова и др., 2020). В терминах экономического анализа права критерий точности классификации нацелен на исключение ошибок I рода, а критерий ее полноты — ошибок II рода, но это дополнительные ошибки по отношению к сделанным антимонопольным органом.

Отметим, что истинное число картелей неизвестно, а обучение классификатора проводится на данных, выявленных антимонопольным органом. Качество его работы и проведенного анализа влияет на точность классификатора, который разрабатывает и применяет ИИ. Высокие результаты здесь возможны, если для тренировки в роли обучающей выборки используются хорошо классифицированные закупки. Чем больше в обучающей и тестовой выборках дел, которые прошли дополнительные доказательные фильтры, тем гипотетически ниже вероятность ошибок при последующем использовании алгоритма. Если изначально они классифицированы не лучшим образом, то классификатор дальше будет лишь масштабировать эти неточности.

Поэтому для предсказания эффектов работы ИИ необходимо в первую очередь оценить, располагают ли антимонопольные органы набором критериев для отделения закупок, участники которых заключили картельные соглашения, от тех, где их не было. В идеале отнесение закупок к числу процедур, где участники заключили сговор или он отсутствовал, должно быть подкреплено прямыми доказательствами, что существенно понизило бы (вплоть до полного исключения) вероятность ошибок I рода со стороны органа конкурентной политики. При этом вероятность ошибок II рода осталась бы высокой и реплицировалась в работе алгоритма. Использовать такой подход или не предъявлять требований к наличию прямых доказательств нужно исходя из результатов сопоставления ожидаемых издержек и выгод двух вариантов.

Доказательства сговоров на торгах в решениях ФАС России: потенциальный состав обучающей выборки

Для количественного представления отдельных свидетельств сговора участников торгов как нарушения и. 2 ч. 1 ст. И закона «О защите конкуренции» (ФЗ № 135 от 26.07.2006) использован фрагмент базы данных, собранной лабораторией конкурентной и антимонопольной политики Института анализа предприятий и рынков НИУ ВШЭ на основе картотеки арбитражных судов «Электронное правосудие»³. Наблюдения отражают информацию, содержащуюся в исках об отмене решений антимонопольных органов (ФАС России и ее территориальных управлений), поданных в 2015—2018 гг. Первый иск в выборке был подан 12 января 2015 г., а последний — 29 декабря 2018 г. Обращение к ранним искам об отмене решений антимонопольных органов определяется как длительностью судебных процедур (в нашей выборке максимальная продолжительность рассмотрения дела превышала четыре года — 1512 дней), так и тем, что в модели, подобной ГИС «Антикартель», обучение должно использовать данные о решениях, принятых ранее.

Всего в использованной выборке 183 решения. Это не так мало, учитывая, что число всех решений о нарушениях по всем пунктам ст. И в годы, о которых идет речь, колебалось в пределах 300 — 450 в год. При этом далеко не во всех (хотя и в большинстве, по данным ФАС России) решениях предметом были соглашения, заключенные в отношении торгов. Традиционное замечание состоит в том, что выборка охватывает дела, в отношении которых истцы (компании, обвиненные в сговорах на торгах), при прочих равных условиях, оценивали вероятность выиграть как более высокую. Иными словами, выборка несколько смещена в отношении более слабых (с точки зрения судей, рассматривавших иски) наборов доказательств. Тем не менее число дел в выборке достаточное, чтобы оценить убедительность типичных доказательств, от которых зависит точность работы классифицирующего алгоритма.

В среднем убедительность доказательств, представленных ФАС России в рассматриваемых решениях, не очень высокая. Из 183 оспариваемых решений суды первой инстанции полностью или частично отменили ¹/₃, а ³/₄ решений судов первой инстанции были предметом апелляции. В среднем иск выборки прошел три инстанции — первую, апелляционную и кассационную. Апелляционные и кассационные инстанции по сравнению с судами первой инстанции чаще разделяли точку зрения ФАС России. Тем не менее 28,4% решений ФАС России из выборки было отменено.

Для оценки набора свидетельств важна структура решений в разрезе процедуры торгов. Из 183 оспариваемых решений в 96% случаев признаки нарушения ст. И были обнаружены при проведении электронного аукциона. По данным Единой информационной системы в сфере закупок, форма электронного аукциона охватывала 52% общего объема закупок в соответствии с законом 44-ФЗ в 2014 г. и 63% — в 2018 г. При этом другие формы закупок по этому закону, а также закупки в соответствии с 223-ФЗ присутствуют в исках об отмене решений антимонопольных органов эпизодически. Другими словами, это означает, что антимонопольный орган выработал критерии поиска участников незаконных соглашений только в отношении электронных аукционов. Отметим, что сами правила их проведения в соответствии с 44-ФЗ слишком уязвимы для ограничивающих конкуренцию соглашений (см. ниже).

Предметом нашего анализа стала зависимость решений судебных инстанций от представленных свидетельств. Последние выделены нами вручную на базе изучения судебных решений и аргументации ФАС. Основные группы свидетельств следующие⁴.

Клонирование компании на несколько юридических лиц

Так мы назвали свидетельства того, что участники электронного конкурса используют один IР-адрес, зарегистрированы по одному почтовому адресу, объединены родственными связями, имеют одного бухгалтера и демонстрируют прочие признаки того, что перед нами одна компания, искусственно клонированная на несколько юридических лиц. Это свидетельство заключения между клонированными компаниями ограничивающего конкуренцию соглашения встречается в 72% решений выборки, то есть количественно преобладает. В течение четырех рассматриваемых лет доля решений, указывающих на клонирование, остается приблизительно одинаковой.

При оценке клонирования как признака ограничения конкуренции важно установить, по сравнению с каким бенчмарком она ограничивается. Нельзя ожидать, чтобы клонированные компании на самом деле конкурировали друг с другом. Клонирование порождено особенностями правил проведения закупок. В некоторых случаях в соответствии с законодательством о закупках после признания электронного аукциона несостоявшимся необходимо провести специальную процедуру, чтобы заключить договор поставки с единственной согласной ее осуществить компанией. В этом случае введение в состав участников электронного аукциона клона (насколько можно судить, с полной поддержкой заказчика, который также стремится избежать дополнительной бумажной работы) не напоминает классические картельные соглашения. Такого рода примеров в проанализированных решений немало:

«На рассмотрении дела, ООО... и ООО ... признали тот факт, что приняли участие в электронных аукционах совместно с ООО... по той причине, чтобы избежать признания электронного аукциона несостоявшимся. Поскольку, в силу действующего законодательства, после признания аукциона несостоявшимся, необходимо пройти процедуру согласования заключения контракта, что может привести к увеличению сроков подписания контракта, а следовательно, сроки на исполнение контракта уменьшатся»⁵.

ФАС России, конечно, учитывает этот мотив появления клонов в составе участников электронных аукционов. Разъяснение Президиума ФАС России от 30 мая 2018 г. № 14 «О квалификации соглашений хозяйствующих субъектов, участвующих в торгах», указывает:

«В случаях, когда регламентированная законодательством процедура проведения торгов предусматривает признание их несостоявшимися при наличии лишь одного участника и не создает оснований для заключения договора с единственным участником, соглашения двух хозяйствующих субъектов о совместном (согласованном) участии в таких торгах не могут быть квалифицированы по пункту 2 части 1 статьи 11 Закона о защите конкуренции только лишь на том основании, что один из участников осуществляет пассивное поведение при проведении торгов или такое пассивное поведение является предметом их договоренности».

Использование единого IP-адреса в ряде случаев не рассматривалось в качестве доказательства нарушения антимонопольного законодательства, поскольку могло объясняться иными причинами, нежели согласованность действий. Вот пример:

«Данные IP-адреса не присваиваются конкретным абонентам, а используются для преобразования и трансляции внутренних IP-адресов любого из абонентов в публичную сеть Интернет (технология NAT Network Address Translation) и являются адресами маршрутизатора, выполняющего трансляцию... Техническая возможность определить, какие именно абоненты использовали данные IP-адреса в определенный момент времени, отсутствует... Таким образом, в материалах дела отсутствуют надлежащие и бесспорные доказательства того, что Заявитель подавал свои ценовые предложения с того же IP-адреса, что и ООО П и ООО С»⁶.

С точки зрения надежности свидетельств о соглашениях, ограничивающих конкуренцию, это создает две проблемы. Первая: клонирование может быть свидетельством не ограничения конкуренции, а стремления обойти несовершенства законодательства о закупках. Вторая: клонирование может использоваться для ограничения конкуренции в рамках применения стратегии тарана (см. ниже). В целом свидетельство о клонировании заявок статистически значимо снижает вероятность отмены судом решения антимонопольного органа (табл. 1).

Применение стратегии тарана

Это вторая по распространенности группа свидетельств в выборке (37% наблюдений). Со временем указаний на таран в ней становится меньше: с 60% исков в 2015 г. до 25% в 2018 г. Стратегия состоит в следующем. Участники А и В регистрируются на электронном аукционе. Его правила предусматривают, что при отсутствии новых предложений с более низкой ценой торги останавливаются. Если участник В, предложивший самую низкую цену, признается не соответствующим условиям проведения аукциона, то победителем признается участник, предложивший предпоследнюю цену. Исходя из этих правил В достаточно подать заявку с заведомо не соответствующей требованиям аукциона второй частью и после заранее оговоренного ценового предложения А предложить намного более низкую цену — такую, что никакой рациональный участник аукциона не предложит ниже. В нашей выборке среднее снижение цены заявки по сравнению с НМЦК составило 60%. Отсюда и термин «таран»: участник В «таранит» минимальную цену потенциальных конкурентов, предопределяя выигрыш А после того, как заявка В будет отклонена в связи с несоответствием ее второй части правилам закупки. Участники А и В не обязательно должны быть реально независимыми. Из 67 решений, указывающих на таран в нашей выборке, в 49 случаях стратегия реализована с помощью клона участника, обеспечивающего заключение договора по достаточно высокой цене.

В отличие от клонирования, таран гораздо ближе к классическому представлению о сговоре. Однако далеко не всегда данные о нем выглядят для судей достаточно убедительными. Вот пример объяснения решения суда о признании решения антимонопольного органа недействительным:

«Рассматриваемый электронный аукцион предусматривал такой порядок определения победителя, при котором победителем признавался участник, предложивший наименьшую цену. Аукцион проводился путем снижения начальной максимальной цены контракта. Следовательно, осуществление участниками действий, направленных на снижение начальной цены аукциона, соответствовало цели аукциона и являлось оправданным... Доказательств целенаправленности представления двумя обществами заведомо неполного комплекта документов для участия в аукционе антимонопольный орган не представил. При этом одно лишь это обстоятельство при отсутствии совокупности иных доказательств само по себе доказательством сговора являться не может»⁷.

С точки зрения предотвращения ограничения конкуренции в делах о таране важно, что такой нехитрый способ прямо предусмотрен правилами проведения электронных аукционов. Судя по многочисленным экспертным публикациям, эта практика активно применяется в разных типах конкурсных торгов⁸. Такая стратегия становится возможной благодаря тому, что, во-первых, достаточно не менее 2 — 3 участников для сговора на аукционе (см.: Klemperer, 2000, 2002а), во-вторых, при рассмотрении вторых частей заявок на участие в электронном аукционе обнаруживается, что участники-«тараны» не соответствуют требованиям документации⁹, и их заявки отклоняются. Такое несоответствие может быть связано, например, с отсутствием некоторых документов или их заполнением в порядке, отличающемся от установленных требованиями нормативных актов. Это могут быть сведения о нахождении участников закупок в реестре лицензий, которые ведут уполномоченные органы власти (например, отсутствие копии свидетельства о включении в реестр членов СРО — сведения о членах саморегулируемых организаций)¹⁰. В-третьих, вероятность использования данной стратегии поведения выросла из-за возможности наблюдать параметры заявок (цены) в реальном времени. Информация о последовательно поданных заявках упрощает сговор при проведении аукционов (см.: Klemperer, 2002b).

В итоге такое поведение участников свидетельствует о том, что единственной целью их участия в аукционе было снижение цены контракта на его первой стадии. Следовало бы просто изменить правила проведения аукционов. Решения, где таран представлен в качестве свидетельства, отменяются и судами первой инстанции, и в результате всего процесса оспаривания реже всего (см. табл. 1).

Мы рассматриваем представленные свидетельства как аргументы в пользу вывода о сговоре, которые оспариваются истцами в арбитражных судах. Но авторы исследований, ориентированных на прогнозирование обнаружения сговора, применяют аналогичные индикаторы, хотя в ряде случаев и несколько в другой форме. Так, подача заявок с одного IP-адреса (как и создание документов в одной учетной записи, «копи-паст» в наших терминах) повышает вероятность обнаружения сговора (см.: Молчанова и др., 2020). Вероятность обнаружения сговора выше в аукционе, где разница между временем подачи заявок i-м и (i - 1)-м участником ниже, поскольку это может указывать на таран.

Копи-паст заявок

Копи-паст заявок на участие в электронных торгах часто сопровождает клонирование юридических лиц. Однако он может встречаться и в случае, когда единый контроль и имущественные связи между участниками конкурса не установлены. Нередко копи-паст документов сопровождается забавными ошибками, например:

«Из документов, представленных указанными участниками во вторых частях заявок, следует, что ООО Д... и ООО П представили декларацию о соответствии участника закупки требованиям [нормативных документов], однако, несмотря на то что декларации были подписаны генеральными директорами участников [ООО Д и ООО П.], в тексте обеих деклараций указано: „Настоящей заявкой общество с ограниченной ответственностью JI [третий участник электронного аукциона] подтверждает соответствие следующим требованиям, установленным п. 3-9 ч. 1 ст. 31 Федерального закона № 44-ФЗ“...»¹¹.

Незначительное снижение начальной (максимальной) цены контракта

Само по себе незначительное снижение начальной (максимальной) цены контракта нередко рассматривалось антимонопольными органами как признак устной договоренности между компаниями. Так, после регистрации на аукционе и допуска к нему четырех участников после подачи первой заявки на уровне ниже 0,5% от НМЦК второй заявитель подал аналогичную заявку, и первый был признан победителем¹². С точки зрения антимонопольного органа:

«Такое поведение участников не отвечает признакам экономической обоснованности, разумности и добросовестности... [и] выглядит неестественным с точки зрения реальной конкуренции. Действия участников свидетельствуют о достижении договоренности в устной форме, в соответствии с которой хозяйствующие субъекты должны совершить обусловленные действия, направленные на достижение одной цели — поддержание цены на торгах».

Суд, однако, отклонил подобную трактовку результатов электронного аукциона, указав на отсутствие прямых улик, которые давали бы основания именно для такой интерпретации косвенных свидетельств:

«Обеспечение победы заранее определенного участника означает, что стороны заранее договорились (прямо выразили свою волю) о порядке действий... В деле о нарушении антимонопольного законодательства отсутствовали какие-либо доказательства формирования договоренности о победе в Аукционе заранее определенного участника».

В работе: Молчанова и др., 2020, также была подтверждена гипотеза о том, что в наблюдениях, где ФАС обнаружил сговор, цена в ходе торгов снижается намного меньше.

Пассивное поведение в процессе аукционов

Свидетельства пассивного поведения, как правило, отражают указанное выше незначительное снижение НМЦК, но применительно не к одному, а к нескольким аукционам. Например:

«Общества совместно участвовали в 4 аукционах, результатом которых явилось снижение цены на 1%... Проанализировав электронные аукционы, Управление сделало вывод о том, что... отсутствие обоснованных расчетов снижения максимальной цены контракта, пассивное поведение участников, направленное на дальнейшее понижение цены контракта, свидетельствуют об отсутствии самостоятельности каждого из участников торгов в результате достигнутых между участниками договоренностей. В свою очередь, действия конкурирующих компаний должны быть направлены на независимую и честную борьбу за контракт. Действия участников торгов свидетельствуют об отказе одного от реальной борьбы за контракт в пользу заранее определенного победителем торгов и создании видимости конкуренции»¹³.

Пассивность нередко рассматривалась как недостаточный признак заключения картельного соглашения по следующей логике:

«Заключение контракта на наиболее выгодных условиях является обычным поведением участников хозяйственного оборота, основной целью которых является получение прибыли. Участники аукциона вправе руководствоваться, в том числе собственными экономическими ожиданиями в отношении оптимальных для них цен, то есть отказ участников аукциона от дальнейшего снижения начальной цены еще не свидетельствует о безусловной доказанности направленности их действий на поддержание цены»¹⁴.

В работе: Молчанова и др., 2020, также рассматривалась активность торгов в виде максимального количества ценовых предложений, которые сделал участник. На графике распределения данной величины заметно, что в наблюдениях, где ФАС обнаружил сговор, действительно подается меньше ценовых предложений.

Различие поведения предполагаемых участников картельного соглашения при участии в конкурсе независимых компаний

Такое свидетельство сговора встречается со временем все чаще: его представленность в оспариваемых решениях выросла с 10% в 2015 г. до 25% в 2018 г. Выявление этого свидетельства требует анализа нескольких аукционов или конкурсов, в которых принимали участие конкретные компании. Например, в одном из решений антимонопольный орган проанализировал все процедуры закупок, в которых принимали участие три рассматриваемые компании на протяжении трех лет. Было установлено:

«В указанных аукционах один участник соглашения предлагает практически всегда один шаг аукциона (0,5% шага аукциона), другой участник соглашения также предлагает один шаг аукциона (1% шаг аукциона), и на этом соперничество между указанными хозяйствующими субъектами —  конкурентами прекращается, то есть дальнейшее ценовое предложение участниками соглашения не предлагается... При этом в случаях проведения аукционов с участием иных конкурентов, кроме ООО..., 000... и ООО..., наблюдается значительное снижение начальной (максимальной) цены контракта»¹⁵.

Заметим, что такого рода свидетельства — действительно предмет работы ИИ как алгоритма, способного быстро собрать и сравнить данные о поведении участников и результатах конкурса в зависимости от состава его участников. Сбор и убедительный анализ подобных данных на имеющейся технологической базе более десяти лет назад стали результатом большого кропотливого труда сотрудников антимонопольных органов.

Само по себе различие стратегий в разных конкурсах далеко не всегда выглядело для судов убедительным признаком соглашения. Однако среди группы исков, где это свидетельство дополнялось данными о клонировании юридического лица или копи-паста документов, итоговая доля отмен решений антимонопольного органа минимальна (см. табл. 1). Тем не менее и свидетельства о различии исходов аукционов в зависимости от состава их участников не всегда рассматривались судами как достаточные. В одном из решений¹⁶ при оценке подобных свидетельств указано:

«Только при участии в деле всех участников аукционов возможно всестороннее и полное изучение стратегии и характера поведения участников аукциона. Однако при рассмотрении дела [управление Федеральной антимонопольной службы] не провело полного анализа поведения всех участников аукционов, не исследовало тактику каждого из участников на аукционах».

Похожий момент анализируется в исследовании: Молчанова и др., 2020. Авторы тестировали гипотезу о том, что с ростом числа участников аукциона снижается вероятность наличия картельного соглашения.

Признательные показания

Участники антиконкурентного соглашения дают признательные показания под воздействием стимулов, сформулированных примечанием к статье 14.32 Кодекса об административных правонарушениях РФ:

«Лицо... добровольно заявившее в федеральный антимонопольный орган или его территориальный орган о заключении им недопустимого в соответствии с антимонопольным законодательством Российской Федерации соглашения... освобождается от административной ответственности за административные правонарушения».

Действенность программы требует, чтобы от ответственности освобождался один участник соглашения, а именно первый, подавший заявление (см.: Юсупова, 2013). В одном из проанализированных решений¹⁷ в заключении соглашения признались сразу три его участника. Тем не менее суд удовлетворил иск одного из них об отмене решения антимонопольного органа на том основании, что дополнительные свидетельства о действиях участников были собраны уже после вынесения решения о нарушении закона:

«Закон No 135-ФЗ, в случае добровольного сообщения лицами о заключенном ими антиконкурентном соглашении, не исключает обязанности антимонопольного органа надлежащим образом собирать и исследовать необходимые доказательства для того, чтобы прийти к выводу о наличии нарушения антимонопольного законодательства. Суд критически относится к дополнительно представленным... в ходе судебного разбирательства документам о порядке подачи ценовых предложений участниками закупок, поскольку... обстоятельства, подтвержденные данными документами, должны были быть проанализированы в оспариваемом решении, чего сделано не было».

В некоторых случаях суды исходят из того, что признательные показания могут быть и самооговором, и требуют дополнительных свидетельств¹⁸.

Финансовые трансакции между участниками торгов

Финансовые трансакции между участниками, а также между ними и третьими лицами использовались в решениях, как правило (хотя и не исключительно), в качестве дополнительного свидетельства клонирования юридических лиц. Они принимали разные формы, например:

«Денежные средства в качестве обеспечения заявок за указанные организации были внесены одной организацией»¹⁹, «[между участниками] осуществлялись многочисленные перечисления денежных средств по договорам займа»²⁰.

В некоторых случаях описанные в решениях финансовые трансакции намекали на централизованные решения участников торгов под руководством одного из них²¹:

«По информации кредитных организаций ответчики... в 2015—2017 годах регулярно проводили операции по переводу денежных средств ООО... При этом усматривалась определенная тенденция — чем больше аукционов выигрывал какой-либо участник антиконкурентного соглашения, тем больше он переводил денежных средств ООО...».

Однако, как легко видеть из данных таблицы 1, финансовые трансакции, как и другие косвенные свидетельства, не всегда выглядели достаточно убедительными для отказа в отмене решений антимонопольных органов. Например, отмена решения в последнем из упомянутых дел мотивировалась тем, что:

«Сама по себе совокупность этих обстоятельств при отсутствии доказательств устного соглашения может свидетельствовать лишь о согласованных действиях [представляющих собой другой состав нарушения]».

Таблица 1

Влияние типа свидетельств на вероятность отмены решения антимонопольного органа: доля отмененных решений в числе поданных исков (в %)

Примечание. В качестве показателя статистической значимости использовался критерий x²; ***р < 0,01, **р < 0,05, *р < 0,1.

Источник: расчеты авторов.

Подведем промежуточные итоги: «золотого набора» свидетельств картельного соглашения в нашей выборке не обнаружено. Это важно, поскольку проанализированные решения должны были входить в обучающую и тестовую выборки для алгоритма, который призван предсказывать картельные соглашения в торгах. Другой особенностью выборки принятых ФАС России решений о нарушении ст. 11 Закона о конкуренции является серьезное смещение в сторону электронных аукционов. Хотя мы не можем привести точной статистики, но наблюдения за применением законодательства со стороны ФАС России свидетельствуют о немногочисленности решений (как оспариваемых, так и не оспариваемых в судах), где рассматриваются картели, реализованные при других формах закупок. Признаки картельных соглашений в электронных аукционах, однако, могут быть мало полезны для раскрытия ненаблюдаемого сговора за пределами этой формы государственных закупок. В этом случае половина объема закупок представляет собой слепое пятно для алгоритма.

Повторим, что значительная часть признаков картельных соглашений в рассмотренной выборке отражает в первую очередь недостатки правил электронных аукционов как формы закупок по состоянию на середину прошлого десятилетия. Адекватные правила должны исключить как потребность в клонировании без умысла на ограничение конкуренции, так и возможность реализации стратегии тарана. Наконец, и сам по себе открытый аукцион с торговлей на повышение/ понижение более уязвим для картельного соглашения (см.: Klemperer, 2002b).

Метрики признаков картелей в академических исследованиях и практике антимонопольных органов

В последние годы появилось немало исследований, применяющих методы машинного обучения в целях выявления картелей. Ключевым аспектом данного подхода выступает выбор перечня признаков картеля для скрининга.

М. Хубер и Д. Имхоф (Huber, Imhof, 2019) на основании данных о рынке дорожных работ в Швейцарии и о четырех раскрытых картелях на закрытых аукционах первой цены применяют методы скрининга и машинного обучения (LASSO для логит-моделей и ансамблевый классификатор). Авторы используют различные показатели и доказывают, что наибольшее влияние на результаты классификации оказывают два параметра: коэффициент вариации ценовых предложений и отношение разницы между ценовым предложением победителя и следующим после него к среднему значению разницы между всеми ценовыми предложениями в закупке. Наименьшее значение имеют число ценовых предложений и коэффициент их асимметрии. Классификатор корректно выявляет наличие либо отсутствие картеля в 84% закупок, об оспаривании принятых решений и результатах оспаривания авторы статьи не упоминают. При этом доля ошибочно негативных оценок составляет 14 — 17%, а ошибочно положительных — 15 — 18%. Авторы предлагают органу конкурентной политики использовать двухшаговый метод: на первом шаге применять предложенную методику скрининга и машинного обучения, а если вероятность неконкурентного поведения выше некоторого порогового значения, то на втором проводить более углубленное исследование его специалистами.

Данная методика была применена также в работе: Aaltio et al., 2025, на примере картелей на рынке асфальтобетона в Финляндии и Швеции в 1990-е и 2000-е годы. Для обучения модели авторы применяют данные о распределении ценовых предложений и различные статистические показатели этой величины (стандартное отклонение ценовых предложений и разница между ценовыми предложениями победителя и следующего после него). Если модель обучается на данных той же страны, где был обнаружен картель, то в результате корректно классифицируются около 90% закупок на данных Финляндии и около 74% — на данных Швеции. Если модель обучается на данных об обнаруженных картелях в других странах — в Швейцарии и Японии, то эти значения снижаются.

Еще одно исследование, применяющее машинное обучение для обнаружения картелей, проведено на данных рынка дорожных работ в Бразилии в 2 012—2 02 0 гг. (см.: Silveira et al., 2 023). Авторы обращают внимание на то, что методика Хубера и Имхофа (Huber, Imhof, 2019) для оценки параметров модели требует предварительного сбора так называемых маркированных данных (labeled data), то есть данных для формирования обучающей выборки. Однако их нередко сложно собрать, так как доказательства, используемые антимонопольным органом при обнаружении картеля, не находятся в открытом доступе.

В случае с закупками дорожных работ в Бразилии открытых данных недостаточно для тренировки модели машинного обучения. Поэтому авторы предлагают методику выявления картелей без маркированных данных с помощью смешанных гауссовских моделей кластеризации (The Gaussian Mixture Clustering Model) и квадратичного дискриминантного анализа (Quadratic Discriminant Analysis). В модели используются следующие показатели: базовые (количество участников в рассматриваемой закупке; общее количество ценовых предложений, поданных одним участником в закупке; среднее число всех ценовых предложений на одного участника; среднее значение величины ценового предложения как отношение всех ценовых предложений к общему числу участников закупки; число фирм, подавших единственное ценовое предложение), а также коэффициент вариации величины ценового предложения и асимметрия величины ценового предложения. Тем не менее полученная модель демонстрирует точность на уровне 80,25%.

Потенциал методов машинного обучения для классификации процедур закупок оценивался и на российских данных. В работе: Молчанова и др., 2020, используются методы эконометрики и машинного обучения для прогнозирования вероятности горизонтального соглашения в государственных закупках в России в 2014—2016 гг. Исследуемая выборка включает 214 выявленных ФАС России картелей из более чем 5000 закупок. Авторы формируют гипотезы на основании таких показателей, как характеристики ценовых предложений участников, их число и поведение на торгах. Наибольшее влияние на результаты классификации оказывают относительное снижение цены, медиана разницы во времени подачи ценовых предложений, начальная (максимальная) цена и количество участников. Самые высокие показатели точности и полноты на уровне 75% были получены на основе метода случайного леса, а наибольшую правильность продемонстрировал метод градиентного бустинга (79%). Авторы подчеркивают, что используемые данные характеризуются несбалансированностью, так как выборка аукционов, где не обнаружен сговор, намного больше, чем выборка по делам ФАС. Следовательно, в стандартных классификаторах класс преобладающих наблюдений будет классифицироваться лучше, а класс меньшинства — хуже. Для решения проблемы непропорционального представительства авторы применили метод синтетического меньшинства, позволяющий искусственно расширить число наблюдений, отмеченных как картельные, для обучения алгоритма. Искусственное выравнивание числа наблюдений, относимых к разному типу, позволило повысить правильность прогнозирования для случайного леса и градиентного бустинга до 84%.

В работе: Huber, Imhof, 2023, предлагается подход, основанный на иной форме ИИ — deep learning, которая с помощью нейронной сети выявляет участников картеля. В отличие от стандартного машинного обучения, сверточная нейронная сеть (Convolutional Neural Networks) не требует предварительного определения конкретных переменных, которые будут использоваться в модели. В данном случае ИИ справляется с задачей фиксации различий в виде графического отображения соотношения ценовых заявок. Обучение нейронной сети происходило на данных о закупках в Швейцарии и Японии, включающих раскрытые картели. Точность обнаружения картеля составляет 90 — 91% для данных по странам в отдельности или для смешанного набора данных, то есть модель правильно классифицирует 9 из 10 компаний как участников картеля. При обучении модели на данных одной страны, а тестировании на данных другой правильность классификации (accuracy) обученной модели ожидаемо снижается до 79 — 86%.

Результатам академических исследований соответствуют обобщение практики и рекомендации по применению ИИ для раскрытия картелей международными организациями. Опыт органов конкурентной политики Великобритании, Кореи, России и Бразилии обобщен в докладе «Право и экономика вычислительной конкурентной политики» Международного центра конкурентного права и политики БРИКС НИУ ВШЭ (см.: Lianos, 2021). Показано, что практически все алгоритмы в разной степени используют четыре группы показателей: число участников торгов, подозрительное распределение ценовых заявок (большая разница между ценовым предложением победителя и всех остальных, небольшое снижение цены победителя по сравнению со стартовой, заявки с совпадающими ценами), пассивность заявителей, отражаемая в текстах заявок (копи-паст, одинаковое количество слов, сходство метаданных, одинаковый шрифт, халтурно составленные заявки проигравших) и, наконец, история участия (выигрыши участников по очереди, отзыв заявок для обеспечения победы предопределенного участника, стабильные доли участников в выигранных тендерах). Алгоритмы комбинируют результаты применения отдельных критериев.

В докладе ОЭСР «Инструменты скрининга данных в расследованиях для целей конкурентной политики» (OECD, 2022) расширяется перечень стран, использующих алгоритмы для оценки вероятности сговора и набор критериев, но одновременно содержатся критические оценки создания подобных систем. В частности, рассмотрены недостатки программного продукта, разработанного органом конкурентной политики Великобритании, которые привели в конечном счете к отказу от его применения (подробнее см.: Sanchez-Graells, 2019). Значительную часть из перечня косвенных доказательств, которые приводят международные организации и аналитические агентства, мы обнаруживаем и в изученных решениях ФАС России. История их оспаривания подтверждает справедливость тезиса о принципиальной роли качественных данных для применения инструментов ИИ.

Несмотря на активную разработку методов скрининга картелей за рубежом с использованием разных наборов характеристик, результаты демонстрируют ограниченные точность и полноту предсказаний (табл. 2). Эффективность ИИ зависит от качества классификации картелей в подвыборке, на которой происходит обучение алгоритма. Ошибки и I, и II рода («обвинение невиновных», «оправдание виноватых»), неизбежные в традиционной практике расследования картелей, сохраняются и с привлечением методов машинного обучения и прочих методов ИИ. Кроме того, участники действующих/ потенциальных картелей могут использовать обнародование классификатора для корректировки своего поведения в закупках, что потребует пересмотра первого.

Таблица 2

Предсказание картелей в государственных закупках: некоторые результаты

Источник: составлено авторами.

Один из важных выводов современной литературы, посвященной алгоритмическому поиску картелей, — зависимость предсказательной способности модели от включения в нее особенностей страны и отрасли. Как пишут авторы одного из последних обзоров работы алгоритмов (см.: Wallimann et а1., 2025; перевод наш. — Авт.), «при отсутствии сопоставимых обучающих данных в той же самой отрасли предсказательная сила алгоритмов ограничена... и применяющие этот подход специалисты должны с осторожностью использовать данные из другой отрасли для обучения модели».

Заключение

Главный вывод нашей работы: на данный момент не существует алгоритма, который позволял бы идентифицировать картельные соглашения с достаточным уровнем надежности. Большинство зарубежных разработок в лучшем случае обеспечивает двузначные показатели неверно классифицированных закупок — как при отсутствии, так и при наличии сговора. И если для ошибок II рода это можно считать приемлемым — показатели раскрытия картелей низкие во всем мире, то для ошибок I рода — нет (см.: Шаститко, 2011). Неверно рассчитывать, что информационная система будет фиксировать нарушения.

Указывать на повышенную вероятность антиконкурентного соглашения между участниками торгов ИИ будет лишь в степени, в какой такие же наблюдаемые действия безошибочно служили признаком ненаблюдаемого соглашения между продавцами. Проблемы возникают именно здесь, поскольку ни российская, ни зарубежная практика не может служить источником хорошей обучающей выборки: зарубежная — как из-за невысокой предсказательной силы, так и благодаря разнице в правилах и процедурах торгов; российская — в первую очередь из-за смещения в сторону конкретной процедуры закупок, но и в силу (по крайней мере, в недавнем прошлом) недостаточной убедительности регистрируемых признаков. Конкретные правила закупок порождают специфические формы реализации сговора. Гипотетическое изменение правил исключило бы их, но одновременно снизило бы ценность накопленных ранее косвенных признаков сговора.

Может сложиться впечатление, что мы противники применения ИИ в попытках идентифицировать картели. Это не так. Даже если информационная система не сможет идентифицировать соглашения между участниками за пределами электронных аукционов, а для последних (оговоримся, что мы не поклонники этого метода закупок в применяемом варианте) продемонстрирует ограниченную предсказательную силу, то все равно возникнут дополнительные препятствия на пути, по крайней мере, самых примитивных форм соглашений, ограничивающих конкуренцию.

Мы противники завышенных ожиданий от результатов применения ИИ. Нельзя использовать предсказания алгоритма в качестве достаточной доказательной базы вместо работы по раскрытию и поиску доказательств картельных соглашений, на который ИИ не указал. По не меньшей ошибкой был бы и отказ от использования алгоритмов для целей правоприменения в результате неисполнения завышенных ожиданий.

¹ https: tass.ru ekonomika 22619963

² Данные пояснения представлены для применения ИИ в целях антимонопольного законодательства в целом. Общее описание для случая ГИС «Антикартель» см. в техническом задании (https: zakupki.gov.ru epz order notice ok20 view documents.html?regNumber= 0173100012024000007).

³ Эта база данных использовалась во многих работах сотрудников ИАПР НИУ ВШЭ (например, см.: АуйазЬеуа е! а1., 2019).

⁴ Подготовленная нами кодировка групп свидетельств представлена в базе, доступной по адресу: https: doi.org 10.13140 RG.2.2.34465.11363

⁵ Из решения Арбитражного суда г. Москвы по делу А40-33900 2017.

⁶ Из решения Арбитражного суда по г. Санкт-Петербург и Ленинградской области по делу А56-13994 2015.

⁷ Решение Арбитражного суда Смоленской области по делу А62-5045 2016. Справедливости ради отметим, что апелляционная инстанция согласилась с антимонопольным органом в том, что свидетельства следует трактовать в совокупности и отменила решение первой инстанции. Кассационная инстанция также подтвердила законность решения антимонопольного органа.

⁸ Например, см.: https: vc.ru legal 1616734-snova-pro-taran-na-torgah-on-do-sih-por-s-nami

⁹ Федеральный закон «О контрактной системе в сфере закупок товаров, работ, услуг для обеспечения государственных и муниципальных нужд» от 05.04.2013 № 44-ФЗ (последняя редакция).

¹⁰ https: reestr.nostroy.ru sro all member list

¹¹ Решение Арбитражного суда Владимирской области по делу АН-14724 2017.

¹² Решение Арбитражного суда Республики Башкортостан по делу А07-27468 2017.

¹³    Решение Арбитражного суда Тюменской области по делу А70-2869 2016.

¹⁴    Решение Арбитражного суда Республики Татарстан по делу А65-19723 2018.

¹⁵    Решение Арбитражного суда Тюменской области по делу А70-17843 2 017.

¹⁶ Решение Арбитражного суда Костромской области по делу А31-4000 2018. Это решение забавно тем, что истцы в качестве доказательств отсутствия сговора представляли свидетельства, что они не являются клонами: «У каждого участника свой 1Р-адрес (учетная запись); сертификаты электронных цифровых подписей оформлены сторонами на разные лица». Иными словами, истцы не понимали или делали вид, что не понимали, что именно противоречит требованиям законодательства о конкуренции: клонирование компании или сговор как таковой.

¹⁷ Решение Арбитражного суда Курганской области по делу А34-975 2016.

¹⁸ Риск оговора и самооговора благодаря признательным показаниям действительно может возникнуть (см.: Шаститко, 2013а).

¹⁹ Решение Арбитражного суда Воронежской области по делу А14-3561 2018.

²⁰ Решение Арбитражного суда г. Москвы по делу А40-253778 2018.

²¹ Решение Арбитражного суда Республики Карелия по делу А26-14318 2018.

Список литературы / References

Гмурман В. (2022). Теория вероятностей и математическая статистика. М.: Юрайт. [Gmurman V. (2022). Probability theory and mathematical statistics. Moscow: Yurait. (In Russian).]

Молчанова Г. О., Рей А. И., Шагаров Д. Ю. (2020). Обнаружение признаков горизонтального сговора при государственных закупках с использованием методов машинного обучения. Экономическая наука современной России. № 1. С. 109 — 127. [Molchanova G. О., Rey А. I., Shagarov D. Y. (2020). Detecting indicators of horizontal collusion in public procurement with machine learning methods. Economics of Contemporary Russia, Vol. 1, pp. 109 — 127. (In Russian).] https: doi.org 10.33293 1609-1442-2020-l(88)-109-127

Шаститко A. E. (2011). Координационные и распределительные эффекты ошибок первого и второго рода. Экономическая политика. № 1. С. 114 — 124. [Shastitko А. Е. (2011). Coordination and distribution effects of errors of I and II types. Ekonomicheskaya Politika, Vol. 1, pp. 114 — 124. (In Russian).]

Шаститко А. Е. (2013а). Картель: организация, стимулы, политика противодействия. Российский журнал менеджмента. Т. И, № 4. С. 31—56. [Shastitko А. Е. (2013а). Cartel: Organization, incentives and deterrence policy. Russian Management Journal, Vol. 11, No. 4, pp. 31 — 56. (In Russian).]

Шаститко A. E. (2013b). Экономические эффекты ошибок в правоприменении и право-установлении. М.: Дело. [Shastitko А. Е. (2013b). Economic consequences of errors in law enforcement and legal establishment. Moscow: Delo. (In Russian).]

Юсупова Г. Ф. (2013). Программа освобождения от наказания в антимонопольной политике: проблемы эмпирической оценки. Экономическая политика. № 6. С. 143 — 160. [Yusupova G. F. (2013). Leniency program in antitrust: Problems of empirical estimation. EkonomicheskayaPolitika, No. 6, pp. 143 — 160. (In Russian).]

Aaltio A., Buri R., Jokelainen A., Lundberg J. (2025). Complementary bidding and cartel detection: Evidence from Nordic asphalt markets. International Journal of Industrial Organization, Vol. 98, pp. 1 — 38. https: doi.org 10.1016 j.ijindorg. 2024.103129

Avdasheva S., Golovanova S., Katsoulacos Y. (2019). 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, Vol. 42, No. 2, pp. 329-356. https: doi.org 10.1080 15309576.2018.1441036

Bryant P., Eckard E. (1991). Price fixing: The probability of getting caught. Review of Economics and Statistics, Vol. 73, No. 3, pp. 531 — 536. https: doi.org 10.2307 2109581

Combe E., Monnier C., Legal R. (2008). Cartels: The probability of getting caught in the European Union. Bruges European Economic Research Papers, Vol. 12. European Economic Studies Department, College of Europe.

Connor J., Lande R. (2012). Cartels as rational business strategy: Crime pays. Cardozo Law Review, Vol. 34, No. 2, pp. 427—490. https: doi.org 10.2139 ssrn.1917657

Esteves G., Figueiredo E., Veloso A., Viggiato M., ZivianiN. (2020). Understanding machine learning software defect predictions. Automated Software Engineering, Vol. 27, No. 3, pp. 369-392. https: doi.org 10.1007 S10515-020-00277-4

Huber M., Imhof D. (2019). Machine learning with screens for detecting bid-rigging cartels. International Journal of Industrial Organization, Vol. 65, pp. 277—301. https: doi.org 10.1016 j.ijindorg.2019.04.002

Huber M., Imhof D. (2023). A machine learning approach for flagging incomplete bid-rigging cartels. Computational Economics, Vol. 62, No. 4, pp. 1669 — 1720. https: doi.org 10.1007 sl0614-022-10315-w

Klemperer P. (2000). The economic theory of auctions. Cheltenham: Edward Elgar.

Klemperer P. (2002a). What really matters in auction design. Journal of Economic Perspectives, Nq\. 16, No. 1, pp. 169 —189. https: doi.org 10.1257 0895330027166

Klemperer P. (2002b). How (not) to run auctions: The European 3G telecom auctions. European Economic Review, Vol. 46, No. 4 — 5, pp. 829 — 845. https: doi.org 10.1016 S0014-2921(01)00218-5

Lianos I. (ed.) (2021). Computational competition law and economics. An inception report. BRICS Competition Law&Policy Centre.

OECD (2022). Data screening tools in competition investigations — Background note by the Secretariat (No. DAF COMP WP3(2022)5). Directorate for Financial and Enterprise Affairs Competition Committee.

Porter R. H., Zona J. D. (1993). Detection of bid rigging in procurement auctions. Journal of Political Economy, Vol. 101, No. 3, pp. 518 — 538. https: doi.org 10.1086 261885

Sanchez-Graells A. (2019). 'Screening for cartels’ in public procurement: Cheating at solitaire to sell fool’s gold? Journal of European Competition Law & Practice, Vol. 10, No. 4, pp. 199—211. https: doi.org 10.1093 jeclap lpz024

Silveira D., de Moraes L. B., Fiuza E. P. S., Cajueiro D. O. (2023). Who are you? Cartel detection using unlabeled data. International Journal of Industrial Organization, Vol. 88, article V102931. https: doi.org 10.1016 j.ijindorg.2023.102931

Wallimann Н., Emmenegger S., Pouly М., Wegelin Р. (2025). Where is the limit? Assessing the potential of algorithm-based cartel detection. Journal of Competition Law & Economics, article nhae023. https: doi.org 10.1093 joclec nhae023