OCDE: Herramientas de data screening para Investigaciones sobre Competencia

30.11.2022

CeCo Perú

La detección de cárteles es uno de los retos más difíciles que enfrentan las Autoridades de Competencia en el mundo. En aras de detectarlos, interrumpirlos o disuadirlos, las autoridades de competencia han desarrollado una serie de instrumentos, tales como: monitoreo de los mercados, programas de clemencia, abogacías de la competencia y análisis de datos. En particular, el uso de datos viene alcanzando mucha relevancia considerando que, por ejemplo, en los últimos años la cantidad de aplicaciones a programas de clemencia (pese a las mejoras que cada país ha implementado) viene decreciendo.

La OCDE ha desarrollado, recientemente, una serie de background papers que aspiran a motivar el debate sobre temas de frontera. Uno de estos temas es el uso de abundantes datos que, a través de diferentes tecnologías digitales y mediante la combinación de herramientas de data screening, permite identificar a las empresas que pudieran estar embarcadas en acuerdos colusorios.

El background paper “Data Screening Tools in Competition Investigations”, preparado por Despina Panchnou and Daniel Westrik de la División de Competencia de la OCDE y su equipo, explora, específicamente, el creciente interés en el uso de la tecnología y la inteligencia artificial por parte de las autoridades de competencia en la detección y persecución de cárteles.

El documento empieza con un desarrollo conceptual de los screens digitales, así como sus bondades y potenciales riesgos; luego, da cuenta de las condiciones mínimas necesarias para su efectividad, en términos de requerimientos de datos y habilidades específicas del personal a cargo del análisis; y, culmina mostrando su utilidad o valor en las investigaciones de cárteles. Asimismo, es bastante valioso el complemento ofrecido por los autores al final del paper: literatura académica reciente sobre screening en cárteles y métodos de machine-learning.

El desarrollo de los screening digitales

Los screening digitales son considerados como herramientas de detección de empresas que pudieran operar bajo la probable existencia de un cartel (al respecto, ver Investigación CeCo de J. Harrington sobre “Cartel Screening”). La academia los agrupa en dos tipos de enfoques de detección (OECD, 2013): estructurales y conductuales.

Los screening estructurales tienen como objetivo identificar mercados en base a rasgos estructurales que conducen a la colusión en función a factores que pueden determinar el éxito de un cártel, es decir, en las condiciones de la racionalidad y estabilidad de los cárteles (en términos de ganancias y costos potenciales). Los factores relacionados con la demanda incluyen sus determinantes y su elasticidad. Por su parte, los factores relacionados con la oferta consideran la madurez de la industria, la homogeneidad del producto, el ritmo de innovación, la simetría en costos y capacidades, el exceso de capacidad, los contactos en múltiples mercados, los vínculos estructurales (por ejemplo, las conexiones estructurales entre competidores, ya sea propiedad compartida o miembros en juntas), y el historial de conducta anticompetitiva en los mercados (OECD, 2013; Zlatcu y Suciu, 2017).

Los screening conductuales (o “de comportamiento) indagan sobre patrones de comportamiento extraños o inusuales que podrían indicar que un cártel está en funcionamiento. Su implementación comprende dos etapas. En la primera, se eligen marcadores (banderillas) que permiten distinguir el comportamiento de la firma consistente con un proceso competitivo de un comportamiento consistente con la colusión. En la segunda, se identifican shocks exógenos (como, por ejemplo, una repentina variación de los precios de los insumos) que pueden explicar un cambio en el comportamiento de las empresas (OECD, 2013).

Los principales indicadores (o marcadores) que emplea el screening de comportamiento se basan en lo que la teoría económica y el análisis de cárteles detectados señalan sobre la implementación, duración y desbaratamiento de cárteles. Dichos indicadores se basan en precios (o bids en el caso de manipulación de licitaciones; ver nota CeCo “Modelos de detección de bid-rigging”), costos, márgenes y participaciones de mercado.

Una manera de distinguir entre screening estructural y conductual es que el primero intenta identificar mercados para los que es más probable que se conforme un cartel, mientras que el segundo busca identificar mercados en los cuales un cártel se ha formado (Harrington e Imhof, 2022). Ambas pueden emplearse juntas y de forma complementaria: con el screening estructural se identifican mercados con riesgos dignos de investigarse y, luego, se implementa el screening de comportamiento en dichos mercados.

Desde el año 2013, el interés en el screening ha sido creciente. Al año 2016, 15 de 27 autoridades de competencia encuestadas por la International Competition Network reportaron que estuvieron realizando algún tipo de screening (Harrington e Imhof, 2022). No obstante ello, en los últimos años, la cantidad de solicitudes de clemencia, el método de detección de cárteles más importante, ha disminuido 64% entre los años 2015 y 2020, en todo el mundo (OECD, 2022).

Sumado a esto, las prácticas colusorias tienden a crecer más. Entre los años 2010 y 2016, se han descubierto un récord de 75 nuevos cárteles internacionales cada año (Connor, 2016). En ese sentido, la actividad de los cárteles, combinada con la disminución en el número de solicitudes de clemencia, significa que se necesita una mayor y mejor proactividad a través de investigaciones de oficio, tanto para descubrir nuevos casos como para impulsar los programas de clemencia mediante la creación de una amenaza creíble de descubrimiento de cárteles. El screening de cárteles resulta ser un complemento importante de los programas de clemencia (Abrantes-Metz y Metz, 2019).

Los desafíos de los screening digitales

El background paper también sugiere que los desarrollos de screening digitales por parte de las autoridades de competencia en algunos países ponen sobre la mesa algunos desafíos con los que hay que lidiar. En primer lugar, algunas autoridades de competencia utilizan el screening en base a información pública (como en Brasil, Colombia, Singapur y España); mientras que otras, no. Las primeras consideran que el screening, al hacerse público, se constituye en una forma de disuación, lo que hace que las empresas se preocupen por la detección y, con suerte, las postergue y haga que desistan de sus actividades o soliciten clemencia (OCDE, 2013). Las segundas tienen la preocupación de que, al hacerlo público, las empresas involucradas en actividades ilegales usarían esta información para ajustar su comportamiento y así evitar ser detectadas.

Ahora bien, un screening de cártel efectivo induciría a las empresas a adaptar su comportamiento para evitar la detección, y probablemente reduciría la eficiencia del cártel, aumentando los costos de coordinación y reduciendo los incentivos para la colusión (Kawai, 2022); pero, dado que ya existe una gran cantidad de información pública sobre screening de cárteles, y la mayoría de los métodos de detección de cárteles provienen de la literatura académica (véase el Anexo A del background paper), es posible que los cárteles ya estén adaptando su conducta para evadir screening potenciales. Esto resultaría en un juego del gato y el ratón (Lianos, 2021), ya que, a su vez, requeriría la sofisticación de las herramientas de detección.

En segundo lugar, el screening conlleva un riesgo inherente de falsos positivos o falsos negativos, ya que solo brindan evidencia económica que frecuentemente es ambigua, en tanto que puede ser consistente con una acción coordinada o independiente por parte de las firmas.

El riesgo de falsos positivos puede inducir a la autoridad de competencia a investigar un caso en donde, en realidad, no hay actividad ilegal. Bajo un screening estructural, aquellas industrias concentradas con pocas empresas y elevadas barreras de entrada serían sospechosas, pero no necesariamente estarían involucradas en una colusión. El problema central en este caso es el de variables omitidas (Harrington, 2006), problema también presente bajo un screening de comportamiento cuando no se capturan las circunstancias que pueden explicar la conducta sospechosa. Por ejemplo, las correlaciones de precios pueden ser el resultado de una colusión (y por lo tanto ilegal), de una colusión tácita (y por lo tanto, en la mayoría de jurisdicciones, no sería una violación) o de una mera coincidencia.

Por otro lado, el screening también puede producir falsos negativos. Ciertamente, es menos probable que un screening estructural arroje falsos negativos, dado que la colusión es difícil de sostenerse en mercados con características de poca propensión a la colusión, pero es más probable que arroje falsos negativos cuando se aplican en un contexto diferente de aquel para el que fue diseñado, ya que el modelo podría no reconocer indicios de actividad ilegal no incorporados previamente en su diseño.

Con la finalidad de no arribar a conclusiones precipitadas (y distinguir casos de, por ejemplo, colusión tácita o shocks exógenos causantes de cambios en los precios) los resultados del screening deben analizarse con cuidado. Por otra parte, para evitar el desperdicio de tiempo y de recursos, una forma de minimizar los riesgos de error de detección podría ser la ejecución de múltiples tests o pruebas en lugar de una sola. Así, el enfoque de screening múltiple, posibilitado gracias al empleo de machine-learning (véase el Anexo B del background paper) y la mayor disponibilidad de datos, debería ser de ayuda.

En tercer lugar, para que el screening sea efectivo se requiere la existencia o potencial disponibilidad de datos, los cuales deben ser accesibles, robustos y utilizables, ya que  incluso los screening bien diseñados en teoría fallarían en la práctica si se probaran con datos defectuosos o incompletos.

Entonces, el primer paso para una autoridad de competencia que desee examinar un mercado es buscar fuentes de datos disponibles o potencialmente disponibles. Dichos datos pueden provenir de:

1. Información pública disponible, incluidos los registros de empresas, cámaras de comercio, plataformas de contratación electrónica, y entidades de adquisiciones (procurement). El screening de cárteles identifica el comportamiento colusorio al comparar los resultados del mercado colusorio y competitivo (como bids o precios). Por lo tanto, las autoridades necesitarían datos sobre bids/precios colusorios y competitivos probados de casos anteriores, posiblemente, combinando varios conjuntos de datos. La detección de cárteles puede ser rentable si es posible utilizar datos fácilmente disponibles (Harrington, 2021);
2. Información almacenada por otras entidades del sector público, tales como organismos reguladores y gubernamentales. Si la información no es pública, puede haber problemas de privacidad y confidencialidad de los datos;
3. Uso de web-scraping, para rastrear sitios web y extraer automáticamente datos estructurados de ellos. El uso de algoritmos puede facilitar enormemente el proceso de recopilación de datos, así como el análisis de datos. Tales herramientas ya han sido utilizadas en investigaciones de derecho de la competencia” (Lianos, 2021);
4. Adquisición de datos a proveedores de datos comerciales; y
5. Cooperación internacional entre autoridades de competencia, ya que estas, a menudo, construyen conjuntos de datos y desarrollan screening de datos en paralelo. La cooperación podría ahorrar tiempo y recursos, lo que esencial a medida que los cárteles se vuelven más sofisticados (Lianos, 2021). Incluso, la cooperación internacional puede apoyar el desarrollo conjunto de softwares para screening.

En cuarto lugar, el screening requiere habilidades y conocimientos específicos. Ejemplos mencionados como los de “the Competition and Markets Authority’s DaTA team” (de Reino Unido) y “the Hellenic Competition Commission’s foresinc IT unit”, en Grecia, evidencian que las autoridades de competencia han comenzado a invertir en habilidades y conocimientos digitales, incluso para el desarrollo de screening digitales en bases de datos. Si bien el desarrollo inicial del screening fue realizado por economistas, la mayoría de las autoridades decCompetencia ahora emplean especialistas en tecnología, como científicos informáticos y científicos de datos, que trabajen en conjunto con los economistas para analizar datos y desarrollar screening. Esta complementariedad entre economistas y expertos en datos contribuirá al conocimiento y a una mayor experiencia en el reconocimiento y manejo de conductas ilegales para ayudar a elegir el método de detección correcto, establecer los parámetros para las herramientas de detección y evaluar los resultados de la detección (Abrantes-Metz y Metz, 2018).

La utilidad del screening

La puesta en valor del screening puede verse reflejado en tres aspectos cruciales para la identificación de conductas sospechosas: (i) el apoyo en la apertura o el cierre de un caso; (ii) la priorización de los casos a analizar; y, (iii) la provisión de pruebas para decidir una sanción, una vez identificada la infracción.

Con respecto al primero, las autoridades de competencia pueden confiar en los resultados del screening como un punto de inicio de una investigación, y emplear herramientas de investigación estándar, como las redadas sorpresa y las solicitudes de información (Heijnen, Haan and Soetevent, 2015) para encontrar mejor evidencia e idealmente directa de la conducta sospechosa (OCDE, 2013). Al respecto, en el background paper se presentan dos casos exitosos: uno de la Autoridad de Competencia de Suiza (COMCO) y otro de la Autoridad de Competencia de Brasil (CADE). La primera agencia abrió una investigación en base a los resultados del screening; y, en la segunda, el juez competente emitió una orden de allanamiento sorpresa sobre la base de las conclusiones de la investigación (mientras que los jueces en Brasil, generalmente, emiten órdenes judiciales solo si se ha presentado una solicitud de clemencia).

En cuanto al segundo aspecto, el screening puede ayudar a priorizar casos para centrarse en aquellos que parecen estar mejor fundados o tienen una mayor probabilidad de éxito, así como también cerrar casos que probablemente fracasen. Por ejemplo, la Autoridad de Competencia de Brasil (CADE), habiendo recibido una gran cantidad de denuncias de comportamiento anticompetitivo en el mercado minorista de combustible, desarrolló un screening para separar los casos que parecían merecer una mayor investigación de aquellos que no (Ragazzo, 2012).

Respecto del tercer aspecto (provisión de pruebas), los resultados obtenidos del screening y la identificación de las infracciones que éste puede señalar no son evidencia directa de una actividad ilícita. Son solo indicios que deben ser interpretados para arribar a una conclusión y que pueden servir como evidencia indirecta. En la mayoría de las jurisdicciones y en la mayoría de los casos, al menos en casos de colusión, se requiere evidencia directa de coordinación explícita para llegar a una conclusión adversa definitiva.

Mas aún, en los países donde los cárteles se procesan como delitos penales, el estándar de la prueba para una decisión determinante de una infracción de la ley de competencia debe ser una que vaya más allá de toda duda razonable, o un estándar similarmente alto. Por lo tanto, es más importante que exista evidencia directa de un acuerdo de cártel para casos de ejecución penal, para cumplir con el estándar requerido y convencer al tribunal. De este modo, si bien incluso en los sistemas penales, la prueba indirecta es admisible y útil (OECD, 2006), es difícil confiar únicamente en la evidencia económica obtenida a través del screening (Harrington, 2006).

De hecho, son pocos los casos que se hayan basado casi por completo en pruebas económicas derivadas del screening. Uno de dichos casos es el de la Autoridad de Competencia de México (COFECE), en el que se consideraron juntos varios factores de evidencia económica basada en screening, lo que ayudó a visualizar la imagen de la conducta, que fue convincentemente consistente con la colusión. Las pruebas se consideraron lo suficientemente amplias, claras y decisivas para que los jueces que conocieron del caso en apelación consideraran probados los hechos en que se basó la decisión.

Adicionalmente, en este último aspecto, las autoridades de competencia pueden usar el screening siempre que los supuestos, metodología y resultados de este sean explicados suficientemente a las partes investigadas; en particular, si dichos resultados se utilizan en su contra. Las partes también deben tener oportunidades para presentar sus propios argumentos sobre el proceso y la interpretación del screening antes de que se tome una decisión final en su contra.

* Julio Aguirre Montoya, Ph.D. en economía de la Universidad de San Andrés (Argentina) y Profesor asociado del Departamento Académico de Economía de la Universidad del Pacífico (Lima, Perú). Sus áreas de especialización son la organización industrial, las políticas de competencia y regulación económica, y el desarrollo económico.

Enlaces relacionados

Abrantes-Metz, R. and A. Metz (2019), “The Future of Cartel Deterrence and Detection”, CPI Antitrust Chronicle, January, https://papers.ssrn.com/abstract=3360615.

Abrantes-Metz, R. and A. Metz (2018), “Can Machine Learning Aide in Cartel Detection?”, Antitrust Chronicle, Competition Policy International, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3291633.

Connor, J. (2016), The Private International Cartels (PIC) Data Set: Guide and Summary Statistics, 1990- July 2016, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2821254.

Harrington, J. (2021), “Cartel screening is for companies, law firms, and economic consultancies, not just competition authorities” (Investigación CeCo).

Harrington, J. (2006), “Behavioral screening and the detection of cartels”, European competition law annual, pp. 51-68, https://joeharrington5201922.github.io/pdf/Florence.pdf.

Harrington, J. and D. Imhof (2022), “Cartel Screening and Machine Learning”, Stanford Computational Antitrust, https://law.stanford.edu/wp-content/uploads/2022/08/harrington-imhof-2022.pdf

Heijnen, P., M. Haan and A. Soetevent (2015), “Screening for collusion: a spatial statistics approach”, Journal of Economic Geography 15(2), pp. 417-448, https://academic.oup.com/joeg/article/15/2/417/928498.

Kawai, K. (2022), Detecting Large-Scale Collusion in Procurement Auctions, http://www.journals.uchicago.edu/doi/10.1086/718913.

Kawai, K. (2022), Using Bid Rotation and Incumbency to Detect Collusion: A Regression Discontinuity Approach, https://doi.org/10.1093/restud/rdac013.

OECD (2022), “OECD Competition Trends 2022”, https://www.oecd.org/daf/competition/oecd-competition-trends-2022.pdf.

OECD (2006), Prosecuting cartels without direct evidence, http://www.oecd.org/daf/competition/prosecutionandlawenforcement/37391162.pdf.

Lianos, I. (2021), “Computational competition law and economics – an inception report”, https://www.epant.gr/en/enimerosi/publications/research-publications/item/1414-computational-competition-law-and-economics-inception-report.html.

OECD (2013), “Ex officio cartel investigations and the use of screens to detect cartels”, http://www.oecd.org/daf/competition/exofficio-cartel-investigations.htm.

Ragazzo, C. (2012), Screens in the gas retail market: the Brazilian experience, https://www.competitionpolicyinternational.com/screens-in-the-gas-retail-market-the-brazilian-experience/

Zlatcu, I. and M. Suciu (2017), “The role of economics in cartel detection: A review of cartel screens”, Journal of Economic Development, Environment and People 6(3), pp. 15-26, http://jedep.spiruharet.ro/RePEc/sph/rjedep/JEDEP22_2Zlatcu_p16-26.pdf.

También te puede interesar

OCDE: Competencia e inflación, ¿el huevo o la gallina?

OCDE: Competencia y regulación en la industria energética

OCDE: Interacciones entre las autoridades de competencia y los reguladores sectoriales

OCDE: La relación entre la inversión extranjera y las fusiones

OCDE: Las sanciones de inhabilitación para ser director de una empresa y para participar en licitaciones

OCDE: Subsidios, competencia y comercio