Противодействие цифровой картелизации в мировой практике

Впервые алгоритмический анализ цен был проведен в отношении опционов - в начале 70-х годов прошлого века Томасом Питерфи. В настоящее время алгоритмический анализ цен используется для технического анализа рынка (одна из наиболее распространенных моделей - волны Элиота), а его эффективность (прибыльность) оценивается более, чем на 80%. При этом подъем цен до этого уровня сопровождается индивидуализацией их применения: индивидуальные скидки достигают более, чем 60% от заявленной цены, что также дезориентирует антикартельные программы [1].

Прежде всего, на первой стадии картелизации осуществляется сбор информации, который сам по себе преступным не является: ее собирают различные консалтинговые фирмы, органы публичной власти (в первую очередь -органы статистики), при этом сбор проходит на собирающихся в той или иной сфере торговли мероприятиях (выставках, ярмарках) и для повышения объективности данных включает различного рода скидки или наценки. При таких условиях картелизация происходит почти автоматически: в случаях, когда один из производителей снижает цену (и на горизонтальном уровне не ясно, какой из них, но ясно, что объемы продаж выросли, что обязательно свидетельствует о снижении одним из участников картеля согласованной (на основе агрегирования ценовых данных) продажной цены), картель еще больше снижает цены. Так происходит принуждение производителей-одиночек к картельному поведению. В то же время эти принудительные действия, выражающиеся в резких общеотраслевых скачках (падениях) цен, достаточно хорошо могут быть заметны государственным контролирующим органам, на чем и основано выявление картелей в зарубежных государствах. С другой стороны, затруднения при выявлении картеля может быть обусловлено низкой плотностью картелизации. Так, в 90-х годах прошлого века на международном рынке действовал электротехнический картель (с такими участниками, как SGL Carbon AG, Nippon Carbon, VAW Aluminium AG), деятельность которого привела к росту цен на 45%. Помимо типичных манипуляций с рынком (цены, распределение долей рынка), его участники согласились не распространять карбоновую технологию. Цифровой характер картеля обусловлен цифровым характером взаимодействия между ними: исходя из получаемой информации, они неявно координировали ценовую дисциплину посредством цифровой переписки. Еще одной трудностью выявления картеля стала необходимость анализа переписки не высших, а низших менеджерских эшелонов (менеджеров по продажам): выяснилось, что взаимодействие шло между ними.

Однако в настоящее время цифровой характер картеля обусловлен еще одним обстоятельством, именуемым «алгоритмическое образование цены», что можно рассматривать как вторую стадию картелизации. Эти программы позволяют координировать цены картеля, повысить дисциплину его участников (что специально подчеркивалось в западных исследованиях [2, p. 555]), усложнить его выявление на формально высококонкурентном рынке и, напротив, упростить учёт быстро меняющейся ценовой реальности при управлении картелем. Так, наиболее известен случай программной координации цен на запасные части для автомобилей, предпринятой автопроизводителями Франции. Участники картеля установили единую для всех них программу Partneo, что позволило им внести в единую для них базу данных все запчасти, аналогичные производимым ими самими, затем - поднять цены на них, а затем - поднять «автоматически» цены на запчасти, производимые участниками картеля. Так как цены поднимались ими не инициативно, а «вслед» за аналогами, то это позволило им в течение длительного времени (с 2008 по 2014) год избегать претензий европейских контролирующих органов. С другой стороны, потребитель автомобилей завлекался изначально низкой ценой новых автомобилей, что позволило им создать клиентскую базу именно для удорожания запчастей к этим новым автомобилям [3].

Еще один способ образования цифрового картеля был исследован китайскими авторами на примере чилийского фармацевтического картеля. Этот способ отличается тем, что он никак заранее не согласуется, его участники лишь пользуются сложившейся объективно ситуацией: специальная программа отслеживает динамику цены и, в случае, когда она может определить ее картельный характер, показывает цену присоединения к картелю [4].

Проблема выявления картелей для зарубежных контролирующих властей состоит в спонтанности самого механизма повышения картельной цены. Так, по одному из исследований, проведенных в 2023 г. для товаров на крупнейшей в мире американской платформе Амазон было установлено, что цена на товар повышалась в ночные часы, но дневное паде- ние происходило не столь значительно, как повышение. Затем следовало новое «ночное» повышение, которое по своему уровню превосходило предшествующее ночное повышение, но понижение - уже было не столько значительным, как предшествующее [5]. Таким, асимметричным циклическим (волнообразным повышательным) движением, алгоритм приводил цену к значению, которое не показывало наличие монополии, но было максимально возможным для данного рынка.

При том показательно, что алгоритмические программы членов такого картеля - не взаимодействуют между собой, а отталкиваются от уже полученных на основе мониторинга рынка и цен, выставляемых другими программами (программным обеспечением конкурирующих фирм). Тем самым даже на самых открытых площадках свободная конкуренция приводила к картелизации. Данная форма, с точки зрения российского права, отражает ситуацию, когда продавец не участвовал в картельном сговоре, но воспользовался складывающейся ситуацией и посредством собственных цифровых программ влиял на ее развитие (картельное повышение цен).

Аналогичные цифровые алгоритмы используются и мелкими производителями (продавцами) - для формирования «стратегии следования». При избрании такой стратегии (и соответствующих настройках алгоритмической цифровой программы) цена товара производителя, занимающего незначительную долю на рынке, автоматически повышается (или понижается) вслед за ценой основного продавца, при этом отслеживается не только цена, но и количество продаваемых товаров, что позволяет организовать ценовую политику для получения наибольшей прибыли даже при невысокой цене.

Третий этап картелизации связан с развитием самообучающихся программ. С момента образования больших баз данных (BIG DATES) и самообучающихся программ (искусственного интеллекта) образование максимально высокой цены, не отрывающейся от «административно-контролируемой реальности», стало возлагаться на такие самообучающиеся программы. В романо-германском праве правовой основой противодействия картелизации следует признать статью 102 TFEU, согласно которой «несовместимо с внутренним рынком и запрещается в той мере, в какой оно способно затрагивать торговлю между государствами-членами, злоупотребление со стороны одного или нескольких предприятий доминирующим положением на внутреннем рынке или на существенной части такового» [6]. Это положение TFEU стало предметом многих исследований. В романогерманской теории антимонопольного регулирования был поставлен вопрос, что понимать под «коллективным доминированием», о котором идет речь. В частности, европейская наука вышла на ту же проблему соотношения субъективного, волевого, осознанного доминирования и, как следствие, злоупотребления доминирующим положением – с одной стороны и объективным поведением «следования за рынком» – с другой, что и российская. Так, Ф.Е. Мезанотте отмечал, что данная норма «может запретить злоупотребление коллективным доминированием (неправомерное поведение фирм, связанных «молчаливым сговором»), но не обеспечивает возможность соблюдения этой нормы, так как антимонопольный орган не в состоянии отличить «молчаливый» сговор от «неосознанного» параллелизма экономического поведения или от необнаруженного открытого сговора» [7].

Характерным, например, является дело, возбужденное в 2018 году Еврокомиссией в отношении таких крупных производителей бытовой техники, как Asus, Philips и ряда других. В основе претензий Еврокомиссии было то, что рекомендованные продавцам этими производителями цены были не в полной мере «рекомендательными»: их несоблюдение приводило к санкциям для дилеров их техники, в том числе – прекращение поставок [8]. С учётом этого обстоятельства Еврокомиссия сочла, что посредством алгоритмических (цифровых) программ, используемых производителями, имело место принудительное картелирование производителя и дилеров.

Для борьбы с цифровой картелизацией на рынке цифровых технологий в Европе в 2024 году (вступил в силу с 6 марта) действует Акт о цифровых рынках» (Digital Markets Act, далее – DMA). Как отмечается, в перечень регулируемых данным законом производителей вошли «пять американских компаний – Alphabet, Amazon, Apple, Meta (признана экстремистской и запрещена в РФ), Microsoft, а также китайская ByteDance» [9]. В частности, для борьбы с картелизацией названным цифровым платформам данным законом запрещается объединять данные, собранные одной из программ (сервисов), с данными, собранными другими программами этой платформы. Такой подход направлен на ограничение цифровой картелизации с точки зрения формирования единой базы данных, что ограничивает действия соответствующих ценовых алгоритмов. Кроме того, поскольку цифровая картелизация в Европе затронула прежде всего торговые платформы, а не публичные закупки, то для быстрого выявления картелей на этих крупных платформах Еврокомиссии данным Актом было разрешено получать доступ ко всем программам (составным этих программ), а также получать от маркетплейсов пояснения по этим программам.

Еще один европейский законодательный акт, принятый недавно – Акт об искусственном интеллекте (Artificial Intelligence Act 13.06.2024 № (EU) 2024/1689, далее – AI Act) [10]. Закон начал своё действие с 01.08.2024, но в полной мере вступит в силу 2 августа 2026 года. Его текст в настоящее время опубликован для подготовки цифровых компаний к установленным им правилам. В частности, он регулирует правила, связанные с предиктивной аналитикой (в том числе собиранием данных) и генеративным (к этой категории ИИ относятся, например, такие, как известный ChatGPT) искусственным интеллектом (в том числе – теми цифровыми обобщениями, которые необходимы для формирования картельной цены), запрещая их использование для построения ценовой политики.

В англо-американском праве цифровой картелизации противостоит закон Шермана. При этом первоначально Верховный Суд США не усмотрел угрозы в конклюдентном соглашении. Он назвал это «oligopolistic price coordination or conscious parallelism» [11], т.е. «сознательным параллелизмом», концентрируя внимание на признаке «сознательности», но не счёл это поведение противоправным (нарушающим закон Шермана). Следующее знаковое дело было рассмотрено им уже в 2015 г. По фабуле данного дела, ряд продавцов на крупнейшем американском маркет-плейсе Amazon заранее согласились о приобретении единого программного обеспечения, которое выявляло самую низкую цену на продаваемый товар – для того, чтобы картельно установить её еще ниже. В этом деле Верховный Суд США признал нарушение закона Шермана по той причине, что продавцы не следовали за рынком молчаливо, а сговорились на основе цифровой программы (дело Топкинса [12]).

Поэтому в 2024 году в Конгресс США был внесен специальный закон – Preventing Algorithmic Collusion Act of 2024 (дословно – предотвращающий (препятствующий) алгоритмический сговор закон) [13], однако данных после 30 августа 2024 года о его принятии или какой-либо реакции на него Комитета по правосудию (куда он был передан) пока нет. Этот Акт предполагает, прежде всего, возможность проверки Генеральным прокурором США или Федеральной торговой комиссией тех компьютерных программ, которые используются продавцами для определения цены их товаров. Проверке также будут подлежать разработчики этих программ, которые, в свою очередь, обязаны будут объяс- нить принципы, на основе которых программа рекомендует ту или иную цену (принципы генерации ценовых рекомендаций), представить те данные, на основе которых программа генерирует свои ценовые рекомендации, объяснить технологический процесс сбора и указать на источники этих данных и т.д. Важное значение имеет и то, как окончательно определяется «рекомендованная цена»: автоматически или с опосредованием данного решения человеком. В это же время свои собственные, аналогичные акты принимают отдельные штаты США. Так, в Калифорнии был создан аналогичный акт, последние данные о котором, датируемые 6-м марта 2025 года, указывают, что «Preventing Algorithmic Collusion Act of 2025» был передан в Сенат Калифорнии [14]. Как и в случае с федеральным актом, данных о его принятии калифорнийским Сенатом пока нет. Можно лишь предположить, что противодействующее такому акту лоббирование, традиционное для правотворческой практики США, будет со стороны американских монополий достаточно сильным.