Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
En abril de este año, la plataforma especializada en derecho y economía de la competencia Concurrences, otorgó los “Antitrust Writing Awards” a los mejores artículos académicos sobre libre competencia publicados durante el año 2023.
En particular, el Comité Editorial de Premios de Concurrences revisó los artículos académicos que se nominaron para la categoría “Best Academic Articles”, seleccionando a un conjunto de ganadores por cada subcategoría (i.e., antitrust general, prácticas concertadas, conductas unilaterales, fusiones, enforcement privado, temas de fronteras y digital).
En CeCo, con miras a difundir las discusiones y análisis que ofrecen estos artículos entre los practicantes y académicos de nuestra región, asumimos la tarea de revisar y resumir la mayoría de los artículos que ganaron el primer lugar, y que tienen o pueden tener un impacto en Latinoamérica.
Esta nota se refiere al artículo “Platform Design When Sellers Use Pricing Algorithms” (2022), de Justin Johnson (Cornell University), Andrew Rhodes (Toulouse School of Economics) y Matthijs Wildenbeest (University of Arizona), que fue el ganador de la categoría “Digital”. En su paper, los autores sostienen que es posible fomentar la competencia y mejorar el bienestar (excedente) del consumidor en mercados digitales, mediante el establecimiento de reglas que afectan al diseño y funcionamiento de las plataformas (sobre todo cuando existe la presencia de algoritmos de precios por parte de los vendedores).
El ilícito de la colusión en los mercados digitales ha tenido una particular presencia en la discusión académica. Esto, pues ha habido un vertiginoso crecimiento en el uso de algoritmos que optimizan precios, haciendo presente la amenaza de lo que se ha denominado como “colusión algorítmica”.
Desde la perspectiva de los vendedores, el uso de algoritmos para fijar los precios podría optimizar el excedente que capta el vendedor. Esto, por la capacidad de los actuales modelos de inteligencia artificial (IA) para procesar grandes volúmenes de datos, perfilar a los consumidores y responder de forma instantánea a los cambios de ciertas variables competitivas (como precios o cantidad producida). Sin embargo, bajo ciertas condiciones (p. ej., cuando un mismo algoritmo es utilizado por más de un competidor), estas tecnologías podrían conducir a esquemas colusorios o paralelismo consciente (para más información, ver notas de CeCo: Competencia Algorítmica, Algoritmo y Colusión: Los Hoteles en Las Vegas, y Ezrachi y Stucke: Colusión tácita algorítmica en mercados secundarios).
De acuerdo a los autores (Johnson et al), las empresas que administran plataformas digitales (tales como Amazon, eBay o Booking) diseñan las reglas que modelan la interacción entre vendedores y consumidores (dentro de la plataforma), lo que les da la capacidad para actuar como una especie de “mano invisible” (incidiendo en la formación de la demanda y la oferta). Un ejemplo de este tipo de reglas es el botón “Buy box” de Amazon, que otorgaba exposición a un vendedor entre varios que ofrecían un producto homogéneo -y que fue revisado como un posible caso de abuso de posición dominante– (ver nota CeCo: El Acuerdo entre la Comisión Europea y Amazon).
En este marco, los autores exploran cómo las plataformas podrían establecer reglas de diseño para modelar la competencia en la dirección contraria. Es decir, que estas logren incrementar el bienestar del consumidor, sobre todo cuando existe sospecha de colusión (expresa o tácita). Como veremos más adelante, estas reglas se centran en recompensar a aquellos vendedores que bajen precios otorgándoles una mayor exposición (visibilidad) a los consumidores -es decir, conducir mayor demanda hacia ellos- (para más información, ver nota CeCo: Algoritmos, rentas y el “mercado de la atención”).
Para llevar a cabo el estudio, los autores modelan el comportamiento de vendedores que usan algoritmos en una plataforma digital donde venden productos con cierto grado de diferenciación, basándose en teoría de juegos. Este ejercicio lo realizan a través de una simulación (utilizando herramientas de IA), en la cual, a través de múltiples repeticiones, se registra cómo los algoritmos de precios que utilizan los vendedores de forma individual se adaptan y se comportan en un mercado sin reglas especiales de diseño de plataforma. Posteriormente, se comparan estos comportamientos con los efectos de dos reglas que, según los autores, incentivarían la competencia en precios y dirigirían la demanda hacia aquellos que ofrecen precios bajos. Estas reglas son la “Prominencia Dirigida a Precios” y “Prominencia Dinámica Dirigida en Precios”.
El “mercado simulado” (sin reglas especiales) es uno en el que dos firmas compiten a través de precios (es decir, una competencia a lo Bertrand). Lo que es relevante sobre este mercado es que, sin intervención por parte de la plataforma, el escenario de equilibrio es uno donde los vendedores cobran un precio superior al precio competitivo derivado del modelo de Bertrand (en este modelo, el precio debería ser equivalente a los costos marginales). Es decir, el algoritmo “aprende” a cobrar precios más altos en beneficio de los vendedores, provocando efectos nocivos sobre la competencia y el bienestar de los consumidores, como es posible observar en la Figura N°1.
Figura N°1: Condiciones del mercado sin reglas especiales
Fuente: Johnson, Rhodes y Wildenbeest (p. 17)
Los autores realizan esta simulación mediante un algoritmo de “Q-learning”. Este es un tipo de algoritmo de IA, de aprendizaje por refuerzo, que tiene por objeto encontrar la solución óptima a un problema complejo, maximizando una recompensa. Así, los autores “entrenaron” a un algoritmo de Q-learning para que este, a través de la memoria de sus propias decisiones (tomadas en la misma simulación), aprendiese a encontrar la decisión (en este caso, el precio del producto) que optimice la renta de los vendedores.
Adicionalmente, un supuesto que será importante en las conclusiones de este modelo es que los autores consideran que los consumidores valoran dos cosas: (i) precios bajos; y (ii) diversidad de productos.
Pues bien, luego de obtener los resultados de este ejercicio, los autores evaluaron cómo cambiaría este escenario si en la plataforma digital se introdujesen dos reglas especiales.
La primera regla, llamada Prominencia Dirigida a Precios (“PDP”), establece que los consumidores solo podrán observar en la pantalla de la plataforma digital una cantidad de firmas específicas (k), que serán aquellas que ofrezcan los precios más bajos. En cambio, en el escenario sin esta regla, se muestran todos los productos ofrecidos por los vendedores.
Luego de introducir gradualmente la regla PDP en la simulación, los autores observaron que solo estas k firmas se repartirían la demanda del mercado De acuerdo a los autores, en principio, esta regla podría reducir la probabilidad de que el mercado llegue a estructuras colusivas, pues provoca que el valor de estar en el cartel sea menor al que se obtendría fuera de él. En efecto, la regla permitiría que la empresa cuyo algoritmo se desvíe del cartel (fijando un precio más bajo) absorba toda la demanda cuando esta se encuentra aplicada en su totalidad.
Sin embargo, los autores notaron que resultados de la implementación de esta regla no son tan eficientes como podría parecer. Si bien el esquema colusivo es “desmantelado” y los precios logran reducirse, el bienestar del consumidor no aumenta, sino que se reduce (ver Figura N°2). Esto, pues la regla PDP genera una reducción considerable en la variabilidad de productos, que no logra ser contrarrestada por la baja de los precios (recordemos que los consumidores aprecian la existencia de productos variados). En la misma línea, la plataforma también reduce su excedente, puesto que esta pondera parte de su bienestar en función del bienestar de los consumidores (debido a la relevancia que tienen los efectos de red en la competencia inter-plataformas).
Figura N°2: Efecto de regla PDP sobre precios (izquierda), excedente del consumidor (medio), y producción total (derecha)
Fuente: Johnson, Rhodes y Wildenbeest (p. 18)
En la Figura N°2 es posible observar que, a medida que se implementa la regla PDP (medido a través del símbolo γ), bajan los precios, pero también bajan el bienestar de consumidor y la producción total.
La Prominencia Dinámica Dirigida en Precios (“DPDP”) es una extensión de PDP, pues agrega un elemento de “recompensa temporal”.
Técnicamente, la regla DPDP mantiene la premisa de que las k firmas que ofrezcan el precio más bajo en el primer periodo, obtendrán la exposición a consumidores (i.e., visibilidad en pantalla). Sin embargo, agrega que estas firmas seguirán obteniendo el mismo beneficio de exposición, siempre y cuando: (i) no suban el precio y; (ii) ninguna otra firma rebaje el precio en más de un valor fijo igual a ADV. En este caso, ADV corresponde a un monto definido por la plataforma digital, que puede tomar cualquier valor.
En otras palabras, las firmas que ofrecieron precios bajos en el pasado obtendrán una ventaja en precios para los periodos futuros, equivalente al valor de ADV. Esto, pues una firma competidora debería reducir su precio igual a ADV para poder reemplazarla y obtener la exposición de su producto. Por ejemplo, si la firma A cobra el menor precio en el primer periodo (igual a $100) y el valor de ADV es ($20), entonces para que la firma B logre obtener exposición en el segundo periodo tendría que cobrar un precio menor a $80 ($100 – $20).
Esta regla, implica una profundización a los desincentivos para la colusión, puesto que el beneficio de desviarse de un acuerdo colusivo también se traduce en beneficios futuros. Cuando el precio es suficientemente bajo o cuando ADV es suficientemente alto, entonces los competidores no podrán rebajar el precio sin incurrir en pérdidas.
Luego de la implementación de esta regla en el modelo de los autores, encontraron que sus resultados sobre el mercado son más efectivos que los obtenidos por la regla PDP. Esto pues, a la vez que esta regla reduce los precios a niveles similares a los de equilibrio competitivo (al igual que PDP), también lograría aumentar el bienestar del consumidor y la producción total (a diferencia de PDP). Cabe notar que, de forma similar a la regla PDP, la regla DPDP también provocaría una pérdida para los consumidores en términos de una baja en la disponibilidad de varianza de producto (mayor homogeneidad). Sin embargo, la caída de precios es tan grande que este impacto terminaría siendo compensado.
Figura N°3: Efecto de regla DPDP sobre precios (izquierda), excedente del consumidor (medio) y producción total (derecha)
Fuente: Johnson, Rhodes y Wildenbeest (p. 21)
De acuerdo a los autores, lo que resulta particularmente interesante en estos resultados, es que alcanzan su punto óptimo cuando el DPDP está siendo empleado prácticamente en su totalidad (γ=1). En términos numéricos, cuando el DPDP tiene la mayor incidencia en la exposición de los productos (γ=1), los precios se reducen en 19%, el bienestar del consumidor aumenta en 27% y la producción total aumenta en 3.9% (esto, en comparación a un escenario en que la plataforma no tiene ninguna regla especial de diseño).
Adicionalmente, los autores exploran la robustez de estos resultados, sobre todo para la regla DPDP, revisando la dinámica entre esta regla y otros parámetros del modelo, y extendiendo el modelo agregando nuevos elementos. En este sentido, encuentran que la efectividad de DPDP es cada vez mayor a medida que aumenta el valor del ADV (hasta un punto crítico en el que pasa a ser inefectivo). Esto resulta intuitivo, pues incrementos en el ADV implican una mayor ventaja en precios para quien inicialmente ofreció los precios más bajos.
Por último, los autores profundizan el análisis de la regla DPDP al “mejorar” el algoritmo de precios usado en las simulaciones (es decir, el algoritmo que supuestamente usarían los vendedores que participan en la plataforma), habilitándolo para que pueda rastrear cuál es la firma con la ventaja de precios. Según los autores, esta modificación en el algoritmo de los vendedores iría en línea con una aproximación más realista sobre la forma en la que estas herramientas se comportan en la realidad.
Como muestra la Figura N°4, los resultados muestran que agregar esta nueva función al algoritmo profundiza los beneficios reportados cuando se utiliza la regla DPDP. Una observación similar a la Figura N°3, es que la DPDP reporta su mejor rendimiento a medida que más se implementa (es decir, a medida que aumenta γ).
Figura N°4: Efecto de regla DPDP sobre precios (izquierda), excedente del consumidor (medio) y producción total (derecha), para algoritmos que permiten identificar firmas
Fuente: Johnson, Rhodes y Wildenbeest (p. 23)
Los resultados reportados por los autores en este documento son prometedores en cuanto a mostrar cómo podrían activarse diseños de plataformas que presentan bajos costos informacionales y son fáciles de implementar. Estos diseños podrían ser efectivos para mejorar la competencia intra-plataforma, especialmente en mercados en donde existe el riesgo de prácticas concertadas inducidas por algoritmos.
Sin embargo, los autores sugieren que, debido a los supuestos y la naturaleza del modelo utilizado, estas reglas pueden no ser las ideales. En estricto rigor, plantean preocupaciones sobre la eficacia de estas reglas en situaciones donde exista asimetría en los costos entre los vendedores, o cuando la calidad de los productos difiera entre ellos. En la misma línea, sugieren que podría ser valioso explorar cómo estas reglas funcionan cuando los algoritmos están diseñados específicamente para coludir, en lugar de llegar a la colusión de manera «accidental».
