Algoritmi di prezzo: strategia collusiva nell’era digitale

Strumenti tecnologici avanzati come gli algoritmi di calcolo dei prezzi sono sempre più presenti nella nostra vita quotidiana. Essi modificano il panorama competitivo in cui operano molte aziende e le modalità con cui prendono decisioni commerciali e strategiche. Al giorno d’oggi un numero crescente di imprese utilizza algoritmi informatici per migliorare i propri modelli di fissazione dei prezzi e prevedere l’evoluzione del mercato. Gli algoritmi possono avere un impatto positivo anche sui consumatori e sul benessere sociale generale. Infatti questi consentono l’accesso in modo più rapido ed efficiente a molteplici informazioni, tenendo conto delle preferenze dei consumatori.

Tuttavia, quando i nuovi strumenti tecnologici rivoluzionano radicalmente il modo di agire e l’interazione degli operatori, esiste il pericolo che alcuni attori del mercato utilizzino il loro maggiore potere al servizio di interessi privati, che non corrispondono ai comuni obiettivi della società.

Algoritmi di prezzo quali facilitatori di accordi anticoncorrenziali.

In situazioni in cui la comunicazione esplicita sarebbe necessaria per raggiungere un accordo, gli algoritmi possono creare meccanismi automatici. Questo favorisce l’attuazione di una politica comune e il monitoraggio del comportamento delle varie imprese, senza la necessità di passare attraverso un’interazione umana. In altre parole, gli algoritmi consentono alle aziende di sostituire a un cartello esplicito un coordinamento tacito.

La nostra analisi si soffermerà su come l’uso di algoritmi accresca il rischio di un accordo anticoncorrenziale, presentando una lista non esaustiva dei ruoli che questi possono giocare nel mantenimento di un risultato di collusione^[1]. Le tipologie di algoritmi qui analizzate sono: monitoring algorithms, parallel algorithms, signalling algorithm, self-learning algorithm.

Monitoring algorithms

La maniera più evidente con cui gli algoritmi facilitano gli accordi anticoncorrenziali è attraverso il monitoraggio del comportamento dei concorrenti. Ciò può includere la raccolta di informazioni e il filtraggio dei dati per rilevare eventuali deviazioni rispetto alla politica concordata e, eventualmente, la pianificazione di ritorsioni immediate. I dati raccolti possono essere analizzati ed associati ad un algoritmo di calcolo di prezzo, il quale attiva una risposta automatica in caso di deviazioni dal prezzo concordato. L’innesco di una possibile guerra di prezzi è quindi altamente probabile (vedi grafico 1). Data la rapidità con cui gli algoritmi sono in grado di rilevare e sanzionare eventuali discrepanze, le aziende naturalmente non hanno alcun interesse a deviare dall’accordo.

Grafico 1

     

Parallel algorithms

Una delle difficoltà nel mantenere un cartello in un mercato altamente dinamico deriva dal fatto che i continui cambiamenti nell’offerta e nella domanda richiedono frequenti adeguamenti dei prezzi, della produzione e di altri fattori commerciali. L’algoritmo permette di automatizzare i processi decisionali delle aziende, superando le classiche modalità di negoziazione (riunioni, telefonate, e-mail), in modo che i prezzi reagiscano simultaneamente a qualsiasi cambiamento del mercato, applicando così una forma di parallelismo consapevole. In questo modo si riducono i rischi collegati all’individuazione delle parti facenti “cartello”.

Oggi vengono utilizzati questi processi, in particolare dalle compagnie aeree, dai servizi di prenotazione alberghiera e dai gestori dei sistemi di trasmissione, per adeguare in modo efficiente l’offerta alle fluttuazioni della domanda. Tuttavia, potrebbe sorgere un problema nel caso in cui diverse società iniziassero ad utilizzare lo stesso algoritmo di determinazione del prezzo dinamico, programmandolo in modo tale da evitare la concorrenza e fissare i prezzi a un livello anti-concorrenziale. Un tale algoritmo consentirebbe alle società interessate non solo di agire in collusione, ma anche di garantire che i loro prezzi reagiscano automaticamente agli sviluppi del mercato, senza bisogno di ulteriori comunicazioni (vedi grafico 2).

Nel 2015, il Dipartimento di Giustizia degli Stati Uniti ha incolpato David Topkins, un venditore del mercato Amazon, per aver coordinato il prezzo dei poster venduti online con altri venditori, tra settembre 2013 e gennaio 2014. Secondo le informazioni pubblicate sull’inchiesta dal ministero della Giustizia, David Topkins e il suo partner avevano progettato e scambiato tra loro algoritmi di prezzi dinamici programmati per agire in conformità con un accordo di cartello. Il vice ministro della giustizia, ha dichiarato in questa occasione: « We will not tolerate anticompetitive conduct, whether it occurs in a smoke-filled room or over the Internet using complex pricing algorithms. American consumers have the right to a free and fair marketplace online, as well as in brick and mortar businesses»^[2].

Il caso Topkins rimane, a nostra conoscenza, l’unico caso di accordo algoritmico rilevato da un’autorità garante della concorrenza e che ha dato luogo a un procedimento penale. Pertanto rappresenta un caso simbolo tra gli accademici e i professionisti sui rischi legati all’uso di algoritmi.

Grafico 2

         

Signalling algorithm

Per evitare una divulgazione esplicita, le aziende possono rendere noto il loro desiderio di raggiungere un cartello o mettere in atto un metodo di coordinamento più complesso inviando segnali o annunci di prezzi unilaterali. Come dichiarato dal giudice Posner: “If a firm raises price in the expectation that its competitors will do likewise, and they do, the firm’s behaviour can be conceptualized as the offer of a unilateral contract that the offerees accept by raising their prices”^[3].

Gli algoritmi possono ridurre o addirittura eliminare completamente il costo della segnalazione, consentendo alle aziende di attivare automaticamente e molto rapidamente determinate misure. Ad esempio, una società può pianificare modifiche di prezzo overnight le quali, pur non avendo particolare impatto sulle vendite, possono comunque lanciare un segnale alla concorrenza. In alternativa, un’azienda può utilizzare algoritmi per divulgare una grande quantità di dati. Tale procedimento  rappresenta un modo codificato di proporre e negoziare aumenti di prezzo, come avvenuto nel caso delle compagnie aeree statunitensi^[4].

Questi esempi mostrano che il signalling algorithm può essere molto efficace, non solo per stabilire una comprensione informale, ma soprattutto per supportare il processo di negoziazione tra aziende, i cui interessi non necessariamente coincidono. Utilizzando algoritmi tecnologicamente avanzati, il processo di negoziazione informale può essere accelerato e reso più efficiente. Il grafico 3 mostra come un signalling algorithm può essere utilizzato per definire e negoziare i termini di un accordo prima di iniziare un coordinamento effettivo dei prezzi.

Come possiamo vedere, ogni azienda invia costantemente nuovi segnali (ad esempio, proposte di aumenti di prezzo) e monitora quelli inviati dai concorrenti. Una volta che tutti i partecipanti raggiungono un accordo e inviano lo stesso segnale, il prezzo concordato viene mantenuto fino al momento in cui si effettua la negoziazione successiva e si ottiene un nuovo risultato.

Grafico 3

     

Self-learning algorithm

Infine, il modo più complesso e sofisticato per ottenere risultati collusivi, consiste nell’utilizzazione del self-learning algorithm, il quale permette di raggiungere un risultato monopolistico, senza nemmeno che i concorrenti debbano programmare esplicitamente i propri algoritmi per conseguire questo obiettivo. In altre parole, alcuni algoritmi con potenti capacità predittive, adattandosi costantemente alle decisioni prese da altri operatori di mercato, riescono a stabilire accordi senza che sia necessario alcun intervento umano.

Il modo in cui questo tipo di algoritmo riuscirà effettivamente a ottenere un risultato collusivo non è ancora del tutto chiaro. Tuttavia, quando le condizioni del mercato sono favorevoli all’accordo commerciale, è molto probabile che gli algoritmi (che imparano più velocemente degli umani), attraverso ripetuti tentativi ed errori, raggiungano un equilibrio. Per analizzare l’attitudine  dell’ ”apprendimento automatico” a ottenere risultati di cooperazione è stata utilizzata anche la teoria dei giochi. Hingston et Kendall, in particolare, hanno concepito uno scenario di gioco evolutivo, nel quale un gruppo di agenti adattativi e non adattativi gioca al dilemma del prigioniero. In questo esercizio di simulazione i primi ottengono un risultato migliore rispetto ai secondi, determinando un’interpretazione del ruolo positivo svolto dalle modalità di auto-adattamento, rispetto a quelle disadattive^[5].

La modalità operativa di questo tipo di algoritmo può essere descritta usando il concetto di “black box” (vedi grafico 4), poiché elabora i dati grezzi in modo complesso, accurato e veloce (non diversamente dal cervello umano), raggiungendo risultati ottimali senza rivelare i criteri che sono alla base del processo decisionale. Pertanto le aziende potranno effettivamente ottenere risultati collusivi senza esserne a conoscenza. Ma ciò non esclude possibili imputazioni responsabilità in caso di violazioni  risultanti dal funzionamento di un algoritmo self-learning.

  Grafico 4

Quali possibili contrasti agli “accordi algoritmici”?

Riconoscendo il ruolo cruciale degli algoritmi nell’organizzazione e nell’elaborazione delle informazioni a livello globale, le cui conseguenze superano di gran lunga i limiti dell’economia digitale, accademici e politici stanno discutendo sempre più la necessità di nuove forme di intervento normativo. Poiché l’accordo attraverso gli algoritmi è molto difficile da rilevare, è importante cercare di anticipare il tipo di regolamentazione che potrebbe essere previsto in futuro.

Di seguito sono discussi tre potenziali tipi di intervento normativo, i quali, tuttavia, non permettono di rispondere in modo adeguato alle esigenze poste dal diritto della concorrenza.

1. Regolamentazione dei prezzi: I policy makers potrebbero essere tentati di mettere in atto limiti di prezzo, in quanto gli algoritmi potrebbero portare alla fissazione di prezzi anti-concorrenziali. I massimali di prezzo, tuttavia, ostacolano in modo significativo la concorrenza. Inoltre, la regolamentazione dei prezzi può ridurre l’incentivo a innovare e a fornire prodotti di alta qualità^[6].
2. Misure per rendere più difficili gli accordi taciti: i governi potrebbero anche prendere in considerazione l’adozione di politiche per modificare le caratteristiche strutturali dei mercati digitali. Sarebbe paradossalmente utile ridurre la trasparenza del mercato, per impedire alle aziende di coordinarsi. Sfortunatamente è probabile che tali misure pongano forti restrizioni alla concorrenza, riducendo la quantità di informazioni disponibili anche per il consumatore^[7] e impedendo un adeguamento efficiente e rapido dei prezzi in linea con l’evoluzione del mercato.
3. Standard per la progettazione di algoritmi: Un’altra possibilità che si offre ai policy makers è quella di creare una sorta di “standard” per la progettazione degli algoritmi, adattando, per esempio, le tre leggi della robotica di Asimov. La regolamentazione potrebbe proibire agli algoritmi di reagire a particolari attributi o variabili di mercato che sono necessari per mantenere il coordinamento tacito^[8]. Tale misura da una parte restringerebbe la capacità delle imprese di sviluppare algoritmi innovativi, ma dall’altra avrebbe un’incidenza sulla concorrenza probabilmente inferiore a quella delle due precedenti forme di intervento.

In conclusione, i tre potenziali tipi di intervento normativo, che abbiamo appena esaminato, non intendono guidare le politiche in alcun senso particolare, ma semplicemente fornire un quadro per la discussione e per i futuri confronti. I policy makers dovranno comunque essere cauti nell’introduzione di nuove regole che tutelino la libera concorrenza, senza compromettere lo stesso il buon funzionamento dei mercati digitali. Sarebbe allora più auspicabile une ridefinizione giuridica della nozione stessa di “accordo”^[9], per includervi il  meetings of minds risultante dall’utilizzazione di algoritmi.

 

^[1] A. Ezrachi, A. et M. Stucke, Virtual Competition: The Promise and Perils of the Algorithm-Driven Economy, Harvard University Press, 2016.

^[2] United States v. Topkins, Case No. 3:15-cr-00201-WHO (N.D. Cal. filed April 6, 2015)

^[3] High Fructose Corn Syrup Antitrust Litigation, Appeal of A & W Bottling Inc. et al., United States Court of Appeals, Seventh Circuit, 295 F3d 651, 2002, p. 2.

^[4] United States v. Airline Tariff Publishing Co., 1994-2 Trade Cas. (CCH) ¶70,687 (D.D.C. 10 août 1994).

^[5] P. Hingston and G. Kendall, Learning Versus Evolution in Iterated Prisoner’s Dilemma, in Proceedings of the Congress on Evolutionary Computation (CEC’04), http://www.cs.nott.ac.uk/~pszgxk/papers/cec2004ph.pdf

^[6] Per un’analisi dettagliata degli ostacoli alla concorrenza derivanti dalla regolamentazione dei prezzi vedi OCDE (2016c), Manuel pour l’évaluation d’impact de la concurence, Volume I: Principes, OCDE, Paris,

^[7] Ibidem

^[8]M. Vestager (2017), Algorithms and Competition, Speech at the Bundeskartellamt 18th Conference on Competition, Berlin, announcements/bundeskartellamt-18th-conference-competition-berlin-16-march-2017_en

^[9] Posner, R. (1968), Oligopoly and the Antitrust Laws: A Suggested Approach, Stanford Law Review, vol. 21, pp. 1562-1606, http://chicagounbound.uchicago.edu/cgi/viewcontent.cgi?article=2862&context=journal_articles

Turner, D. F. (1962), The Definition of Agreement Under the Sherman Act: Conscious Parallelism and Refusals to Deal, Harvard Law Review, vol. 75, n° 4, pp. 655-706,