Newsletter
Suscríbete a nuestro Newsletter y entérate de las últimas novedades.
Uno de los objetivos en el diseño de licitaciones públicas es obtener bienes y servicios al precio más bajo posible o, de manera más general, lograr la mejor relación calidad-precio. La competencia “por el mercado” entre los proveedores ayuda a los gobiernos a lograr este objetivo. Así, la existencia de prácticas bid-riggingpensadas para manipular los resultados de las licitaciones -por ejemplo, cuando uno o más participantes se coordinan para aumentar los precios ofertados- presentan un obstáculo importante por parte de las autoridades responsables de la contratación pública (para más información ver glosario CeCo sobre bid-rigging).
¿Qué herramientas tienen las autoridades para detectar y evitar el surgimiento de esta clase de conductas en el contexto de subastas públicas? En el reciente artículo denominado “Transnational machine learning with screens for flagging bid-rigging cartels”, los economistas Martin Huber (University of Fribourg), David Imhof (University of Fribourg) y Rieko Ishii (Shiga University) intentan responder a esta interrogante al proponer la aplicación de machine learning para implementar un método de detección de carteles en Okinawa, Japón.
Con anterioridad, el mecanismo de predicción de los autores había sido utilizado con éxito para analizar un cartel en Suiza (para más información ver Huber e Imnof, 2019), logrando una precisión del 84% a la hora de destapar licitaciones manipuladas en el sector de la construcción.
En esta oportunidad, los economistas pretenden evaluar la transnacionalidad de sus algoritmos de predicción de carteles bid-rigging, con el fin de que sea implementado como política pública en materia de licitaciones en diversos contextos.
A continuación, les compartimos algunos detalles del cartel en Okinawa (Japón), el tipo de datos utilizados, el método de predicción planteado y las principales conclusiones de los autores a partir de sus resultados.
El cartel estudiado por los autores corresponde al de las licitaciones de ingeniería civil y construcción de edificios en Okinawa, Japón. En junio del 2005, la Japanese Fair Trade Commision (JFTC) inició una investigación por presunta colusión en este mercado. En marzo del 2006, se sancionó a 152 empresas involucradas a este cartel tipo bid-rigging, en donde la mayoría eran empresas tipo A+ (de mayor cualificación). La investigación de la JFTC reveló que en el 94% y 98% de las licitaciones de ingeniería civil y construcción, respectivamente, existió coordinación de ofertas para contratos tipo A+.
El mercado de construcción en Okinawa tiene características que facilitan la colusión. Por ejemplo, en cuanto a las condiciones geográficas, la prefectura consta de 47 islas, y considerando el tipo de mercado, parece inevitable que siempre los mismos oferentes compitan en las licitaciones del mercado.
Por otro lado, en materia institucional, el Okinawa Prefectural Government (OPG) utilizaba un mecanismo de invitación directa para limitar las ofertas en torno a una licitación. Esto implicaba que el OPG seleccionaba aquellas empresas que podían presentar ofertas por una licitación, y posterior a aquel proceso, el mismo ente publicaba las empresas seleccionadas para competir en la licitación. Esto permitía conocer con anterioridad al planteamiento de las ofertas las posibles empresas competidoras por una licitación, lo que hacía más fácil al cartel coordinar sus ofertas y si un externo al cartel fue invitado a la licitación.
Además, el OPG establecía distintos rangos tanto a los oferentes como a las licitaciones. Los rangos iban desde el D hasta el A+, siendo este último el rango de mayor cualificación. Habitualmente, las empresas invitadas a licitaciones rango A+ eran del tipo A+, y así sucesivamente con el resto de los rangos. Así, los participantes de los distintos tipos de licitaciones habitualmente eran los mismos, lo que facilitaba aún más el desempeño del cartel.
A modo de respuesta al cartel, en enero del 2006, el OPG: (1) aumentó el número de participantes de las licitaciones A+ y (2) dejó de anunciar la identidad de los postores invitados de cada licitación. Junto a ello, se modificó la Ley Antimonopolio, de modo tal que se aumentaron las multas en un 50% y se introdujo el mecanismo de delación compensada a modo de reducir los incentivos de participar en carteles.
Los datos utilizados por los autores fueron recolectados directamente de la página del OPG. La información incluyó:
La información contiene 645, 307 y 455 ofertas para los períodos de preinspección, postinspección y postmodificación de la ley antimonopolio, respectivamente. De las 1767 empresas que fueron invitadas al menos una vez a licitar por el OPG, se identificaron 150 empresas que fueron parte del cartel tipo bid-rigging.
En el estudio, los autores utilizaron distintas “pantallas” estadísticas (screenings) a modo de describir la distribución en las ofertas de licitaciones. En particular, consideraron aquellas con mejor desempeño del estudio para el caso suizo. Ellas corresponden al coeficiente de variación (CV) y la distancia normalizada de las ofertas, para probar la existencia de patrones en la distribución de las ofertas ante la apertura de la investigación en 2005 y la enmienda de la ley antimonopolio en 2006.
La primera pantalla utilizada, es decir, el coeficiente de variación (CV), es igual a la desviación estándar de las ofertas en una licitación, dividido por la media de las ofertas en la misma licitación.
Esta pantalla es útil, ya que se espera que, en una presunta colusión, exista menor dispersión de las ofertas en la licitación debido a la coordinación del cartel. Por ende, en un periodo colusorio, se esperarían bajos valores para el CV, mientras que en períodos competitivos se esperarían altos valores.
En la siguiente figura, se refleja un notorio cambio en la distribución de las ofertas en base al CV. Tras la enmienda de ley y la aplicación de sanciones a las empresas involucradas en el cartel, se evidencia un significativo cambio de los valores del coeficiente de variación.
Figura 1: Evolución del Coeficiente de Variación para contratos tipo A+. Fuente: Huber et al. (2022)
Por otro lado, la pantalla de distancia normalizada aumenta a valores mayores que 1 en los presuntos casos de colusión. Un valor superior a 1 refleja que la diferencia entre la segunda y la primera oferta más baja es mayor que la diferencia media entre las ofertas perdedoras. Por lo tanto, esta pantalla sirve para observar cambios de la simetría en la distribución de las ofertas. En la siguiente figura se refleja que las colusiones en licitaciones en Japón producían gran asimetría en la distribución de las ofertas.
Figura 2: Evolución de la Distancia Normalizada para contratos tipo A+. Fuente: Huber et al. (2022)
Los autores estimaron distintos modelos para predecir si es que en una licitación existió o no colusión. Para ello consideraron una serie de pantallas estadísticas además de las anteriormente mencionadas y aplicaron dos tipos de algoritmos de aprendizaje automático (random forest y métodos de ensamblaje) para estimar el nivel de predicción de sus modelos.
Los resultados de los autores reflejan que la tasa de clasificación correcta para una licitación (ya sea competitiva o con colusión) en el caso japonés varía entre un 88% y 97% según el modelo y el tipo de aprendizaje automático considerado.
A juicio de los autores, estos resultados significarían que su método podría ser considerado como una herramienta eficaz para promover la competencia en el mercado de licitaciones de construcción en Japón.
Ahora bien, al utilizar el modelo predictivo desarrollado para el caso japonés y evaluarlo con los datos suizos, los resultados dejan de ser tan favorables. Este análisis transnacional refleja bajas sustanciales y significativas de la tasa de clasificación correcta al menos para el aprendizaje automático tipo bosque aleatorio (random forest). Para el caso de método de ensamblaje, las tasas de correcta predicción rondan entre un 82% y un 87%.
Lo anterior ocurre debido a un desequilibrio en cuanto a la sensibilidad (la capacidad de clasificar correctamente los casos de no-colusión) y especificidad (la capacidad de clasificar correctamente los casos de colusión) de las licitaciones competitivas y colusorias. Por ejemplo, el coeficiente de variación de las licitaciones colusorias en Suiza es similar al coeficiente de variación de las licitaciones competitivas en Japón. Lo cual se podría explicar por la existencia de un precio de reserva en las licitaciones japonesas, que elimina aquellas ofertas que tengan menor precio que el de reserva en un proceso de licitación, generando una menor varianza de las ofertas.
Figura 3: Densidad del Coeficiente de Variación por país. Fuente: Huber et al. (2022)
De manera preliminar, aquellos resultados de los autores sugieren que las particularidades de un país en términos de instituciones, por ejemplo, en materia judicial y legislativa, implican que un modelo predictivo desarrollado para un país no necesariamente funcione bien al aplicarlo a otro país cuyo contexto institucional es diferente.
Sin embargo, los autores corrigieron las particularidades de los países en la estimación, normalizando todas las pantallas estadísticas de modo que sus medias fueran igual a cero. Al realizar este proceso, los resultados fueron más alentadores; las tasas de predicción correctas subieron a un rango de 85% a 90%, y se eliminó el desequilibrio entre las licitaciones competitivas japonesas y las colusorias suizas al menos para el caso de método de ensamblaje.
Los resultados de los autores reflejan que el metodo de predicción desarrollado para los carteles tipo bid-rigging tiene mucho potencial. Al corregir por las particularidades institucionales de cada país, el metodo de predicción muestra favorables tasas de acierto. Ello implica que el mecanismo expuesto en este paper podría resultar una buena herramienta para supervisar ex ante la existencia de colusiones en otros mercados y economías.
Martin Huber, David Imhof y Rieko Ishii. Transnational machine learning with screens for flagging bid-rigging cartels
Martin Huber y David Imhof. Machine learning with screens for flagging bid-rigging cartels. Ver aquí.
