Морис Е. Стаки
Виртуальная конкуренция. Посулы и опасности алгоритмической экономики
Рост использования больших данных и аналитики больших данных
Как показывает рассмотренный пример компании Amazon, сегодня наш мир онлайновой торговли во всевозрастающей степени зависит от больших данных и аналитики больших данных. Существуют различные определения понятия больших данных. Многие из них являются широкими и полными38. Хотя цифровые данные могут быть разными, здесь мы главным образом сосредоточиваем внимание на персональных данных, которые обычно означают «любую информацию, относящуюся к определенному или потенциально устанавливаемому лицу (субъекту данных)»39. Большие данные обычно характеризуют четырьмя свойствами: объемом цифровых данных; скоростью их сбора, использования и распространения; многообразием собранной информации; наконец, ценностью этих данных40.
Использование больших данных и их ценность возросли с ростом использования аналитики больших данных – способности разрабатывать алгоритмы, которые могут получать доступ к огромному количеству информации и анализировать ее. Кроме того, внедрение машинного обучения дополнительно стимулировало активность в данной области.
В недавние годы имели место прорывные исследования и грандиозный прогресс в деле разработки и развития умных самообучающихся алгоритмов, помогающих в принятии ценовых решений, планировании, торговле и логистике. Эта область привлекла значительные инвестиции в технологии глубокого обучения со стороны ведущих игроков рынка41.
В 2011 г. созданный компанией International Business Machines (IBM) компьютер Watson, победивший в телевизионной игре Jeopardy!42, продемонстрировал возможности подхода глубокого обучения, которые позволили ему оптимизировать свою стратегию методом проб и ошибок43. С тех пор IBM осуществляла инвестиции в расширение мощности и функциональности данной технологии. Цель компании – создать «эквивалент вычислительной операционной системы для перспективного класса приложений искусственного интеллекта, работающих за счет больших данных»44.
Недавний запуск компанией Google сети Deep Q показал достоинства усовершенствованной способности к самообучению. Компьютер настроили для прохождения старых игр компании Atari. Важно, что он не был запрограммирован, как реагировать на все возможные действия в игре. Лучше сказать, что он опирался на модели, которые позволяли ему «изучать» положения игры методом проб и ошибок, с течением времени улучшая свои результаты. Эта технология имитирует обучение человека за счет «изменения силы моделируемых нейронных связей на основе жизненного опыта. Сеть Google Brain, включающая 1 млн моделируемых нейронов и 1 млрд моделируемых нейронных связей, была в десять раз больше, чем любая прежняя глубокая нейронная сеть»45.
Методы глубокого обучения были также задействованы в технологиях, связанных с повседневной жизнью. Умные алгоритмы всё активнее используются для осуществления автоматической поддержки клиентов, электронной коммерции, онлайнового общения и для создания интерактивного контента для интернет-пользователей. Уже в 2015 г. Европейская инспекция по защите данных (European Data Protection Supervisor) отметила, что «алгоритмы способны понимать и переводить языки, распознавать образы, писать новостные заметки и анализировать медицинские данные»46. Например, компания Microsoft использовала данную технологию в своей операционной системе Windows Phone и в голосовом поиске Bing47; Google, Toyota, Apple, Audi и Jaguar – при разработке «беспилотных» автомобилей48; их также применяют при анализе фондовых рынков и в других операциях49.
Большие данные повышают роль аналитики больших данных, и наоборот. Ценность больших данных была бы ниже, если бы компании не могли быстро анализировать цифровые данные и принимать соответствующие решения. Машинное обучение, в свою очередь, основано на доступе к большим наборам данных. Как отметила Европейская инспекция по защите данных, «компьютеры, использующие глубокое обучение, учатся выполнять задачи, перерабатывая большие наборы данных с использованием (в числе прочего) нейронных сетей, которые имитируют биологические нейронные сети мозга»50. Способность алгоритмов к обучению увеличивается по мере того, как они обрабатывают большие количества релевантных данных. Считается, что простые алгоритмы, обрабатывающие большие массивы данных51, в итоге должны превосходить по эффективности сложные алгоритмы с малым объемом данных52. Это происходит, с одной стороны, благодаря способности алгоритмов обучаться методом проб и ошибок. Другой действующий фактор – выявление корреляций на основе наборов больших данных.
Таким образом, единственное, что необходимо компьютеру Watson, созданному IBM, и вообще искусственному интеллекту (ИИ) для «выполнения осмысленной работы» – это цифровые данные53. Именно по этой причине компания IBM приобрела цифровые активы у Weather Co., собственника телеканала Weather Channel. Watson получил возможность анализировать накопленный объем погодных данных для совершенствования своих алгоритмов54. Доступ к сервисам Watson, в свою очередь, можно продавать другим сторонам, таким как поставщики страховых приложений. Например, компания Octo Telematics получает от IBM данные о погоде в реальном времени и использует их «как ключевой входной ресурс для своего приложения, которое оценивает в баллах поведение водителя за рулем»55. Бесплатное мобильное приложение этой компании предлагает индивидуальные страховые тарифы, основанные на стиле вождения конкретного автомобилиста56. Алгоритм компании Octo учитывает не только скорость вождения, торможение и набор скорости, но и «внешние переменные, на которые зачастую непосредственно влияет погода (такие как состояние дороги и дорожная обстановка), чтобы выставить оценку водителю»57. Водители с высокими баллами по статистике алгоритма Octo получают в награду возможность воспользоваться льготным предложением со стороны ряда страховщиков, которых они могут выбирать по своему усмотрению. Здесь мы видим, как использующий большие данные алгоритм компании IBM помогает пользователю «создавать более четкую и надежную систему балльного оценивания конкретного водителя, основанную на точно известных погодных условиях в конкретном месте и в конкретное время его поездки»58. Мы также видим, как меняются подходы к установлению индивидуальных страховых тарифов. Мы видим, как страховщики переходят от данных прошлых периодов (например, о количестве штрафов за превышение скорости, полученных водителем за последние несколько лет) к данным в почти реальном времени (о том, как данный водитель вел себя на обледеневших дорогах вчерашним вечером).
Другой пример – компания Facebook, для которой сочетание умных алгоритмов и огромной базы пользователей может расширить адресность рекламы и продвижения. В 2016 г. на ежегодной конференции разработчиков компании обсуждалось, каким образом искусственный интеллект (ИИ) мог бы взаимодействовать с обильным потоком данных от ее пользователей. Главный исполнительный директор Facebook Марк Цукерберг обозначил, каким образом «ИИ и обработка естественного языка (natural language processing) при участии пользователей дадут людям возможность общаться с ботами Messenger59 точно так же, как они общаются с друзьями»60. Дэвид Маркус, вице-президент Facebook по коммуникационным продуктам, рассказал, каким образом компания в настоящее время «проверяет, способны ли бизнес-боты вернуть пользователей к обсуждениям, содержащим спонсируемые сообщения»61. Неудивительно, что Apple, Amazon, Google и Microsoft также инвестируют в разработку голосовых помощников, которые «обучаются» принимать решения, а не просто следовать инструкциям62. Будущее средств мгновенного и онлайнового общения будет весьма серьезно зависеть от развития усиливающих и дополняющих друг друга больших данных и аналитики больших данных.
Другое недавнее значимое событие связано со способностью компьютеров действовать в условиях ограниченной информации. Компьютерные алгоритмы давно находили решения в играх с полной информацией (таких, как настольные шашки), когда игроки знают всё, что происходило ранее. В 2015 году произошло знаменательное событие. Несколько специалистов по информатике объявили о появлении нового компьютерного алгоритма, способного находить решения в «играх с неполной информацией», допускающих развернутую форму представления, – значительно более сложных, чем прежде. Их новый алгоритм «слабо решает» одну из популярных разновидностей покера.
Посмотрим на ценность таких достижений. В шашках оба игрока знают все прошлые ходы и текущее состояние партии (зависящее от положения на доске каждой шашки). В покере игроки не обладают полным знанием о прошлых событиях (ненаблюдаемых картах соперника в предыдущих раундах) и текущем раунде (ненаблюдаемых картах)63. Таким образом, найти решение игры в покер намного сложнее: в ней 3,16 х 1017 состояний и 3,19 х 1014 точек принятия решений (в которых тот или иной игрок должен принять решение). Обсуждаемый алгоритм, однако, вычислил стратегию для одной из разновидностей покера – лимитного техасского холдема с двумя игроками (two-player limit Texas Hold ’Em poker). В итоге эта стратегия оказывается беспроигрышной при сохранении статистического уровня значимости в течение человеческой жизни64. Для поклонников покера мы упомянем, что этот алгоритм подтвердил, что дилер обладает существенным преимуществом, а оптимальная стратегия второго игрока чаще состоит в том, чтобы играть (play), а не пасовать (fold)65. В результате достигнутого прогресса компьютер стал способен справляться со свойственной реальному миру проблемой неполной информации, тем самым получив техническую возможность сложного «человекоподобного» взаимодействия и принятия решений.
Облачные вычисления и интернет вещей
По мере роста в следующем десятилетии широты охвата (breadth) и качества данных положительная обратная связь между машинным обучением и большими данными будет усиливаться. Свой вклад внесут разработки в области облачных вычислений.
Например, в 2015 г. облачное подразделение компании Amazon ввело службу машинного обучения – Amazon Machine Learning. Алгоритмы компании Amazon помогают клиенту находить закономерности (patterns) в существующих данных66. Затем Amazon создает модели, которые обрабатывают клиентские входные данные и генерируют прогнозы. Эти модели могут вычислять для своих клиентов вероятные мошеннические покупки, предпочтения потребителя и тенденции покупательского поведения. По мере роста обработки данных эти прогностические модели совершенствуются. Аналогично, компании Google and Microsoft в составе своих услуг по облачным вычислениям предоставляют алгоритмы машинного обучения для анализа данных и прогнозирования будущих результатов67. В результате может возникнуть положительная обратная связь: клиенты будут иметь еще больший стимул собирать данные и использовать службы облачных вычислений, если они смогут получить конкурентное преимущество при помощи указанных прогностических моделей. А доступ к данным большого числа клиентов, естественно, улучшает алгоритмы компаний Amazon, Microsoft и Google.
Будет способствовать прогрессу и другой фактор – «интернет вещей» (т. е. интеграция программного обеспечения и датчиков, встроенных в предметы быта). Эта технология позволяет осуществлять, помимо межмашинного взаимодействия (M2M), сбор и анализ информации, собранной датчиками.
Например, в 2015 г. компания Amazon запустила свою «технологическую платформу интернета вещей», которая «позволяет подсоединенным устройствам легко и безопасно взаимодействовать с облачными приложениями и другими устройствами»68. Данная платформа предназначена для обработки триллионов сообщений от миллиардов устройств «и способна надежно и безопасно обрабатывать и направлять эти сообщения к конечным точкам [в Amazon Web Service] и другим устройствам»69. Исследовательская компания International Data Corp оценила, что «мировой рынок интернета вещей к 2020 г. почти утроится – до уровня 1,7 трлн долл.70 Эта компания, кроме того, отмечает, что высокотехнологичные компании (наподобие Google, Intel Corp, Cisco Systems, Samsung Electronics), а также крупные телекоммуникационные компании (такие как Vodafone и Verizon) «осуществляют крупные инвестиции в этой сфере, чтобы в будущем наращивать выручку и прибыль»71. Поскольку традиционные цифровые данные массово собираются посредством нашего взаимодействия с онлайновыми продавцами и цифровой средой, интернет вещей будет расширять диапазон (scope) доступных алгоритмам данных. По мере того как всё больше товаров будет снабжаться датчиками, интернет-системы обмена данными будут охватывать всё, что угодно (начиная с бытовой техники, одежды, автомобилей и велосипедов и кончая уличными фонарями, аэропортами, «умными» строительными материалами и датчиками, вживленными в человека).
Новые тенденции
Данные, поступающие в режиме реального времени, становятся все более функциональными и востребованными. «Реальное» и «онлайновое» пространства переплетаются, а «цифровизация», кажется, будет постоянно сопутствовать человеку от рождения и до смерти72.
Эти процессы могут повысить наше благосостояние в областях, далеких от онлайновой коммерции. Например, система здравоохранения могла бы обеспечивать более оперативный отклик и мониторинг за счет автоматического сбора данных. Умные счетчики и бытовые приборы способны помочь нам оптимизировать использование электроэнергии. Даже местные власти могут оптимизировать свои услуги за счет тщательного сбора и использования данных из различных источников73.
Мы заметили одну явную тенденцию в рассматриваемой нами области – переход от офлайновых магазинов к сайтам. Это стало очевидным на примере «раскидистой» платформы компании Amazon. Доля электронной коммерции (в процентах от совокупной розницы) сейчас увеличивается74. В недавнем докладе Белого дома отмечалось:
Сегодня всё большее число американцев использует интернет для покупок. Это говорит о том, что потребители уверены в том, что приобретение товаров через интернет выгодно и удобно, несмотря на различия приемов ценообразования онлайновых и офлайновых розничных компаний. Американское Бюро переписей оценивает, что в США электронная торговля увеличилась с 2 % общих розничных продаж в 2004 г. до 6 % в 2014 г. Кроме того, в настоящее время в США выручка электронной торговли ежегодно растет на 16 %, более чем троекратно превышая 5-процентный темп роста общих розничных продаж75.
Эти изменения можно буквально увидеть, зайдя в любой крупный американский универмаг в «черную пятницу». В 2015 г. в этот день больших покупок, следующий за Днем благодарения76, во многих магазинах покупателей было не так много. Люди купили подарки онлайн еще в четверг77. Продажи компании Amazon в День благодарения выросли на 29 % по сравнению с предыдущим годом78. Как сообщила газета Wall Street Journal, компания Walmart «сделала большинство своих приуроченных к «черной пятнице» товарных предложений доступными через интернет в первые утренние часы Дня благодарения – примерно за 15 часов до того, как открылись ее магазины. На сайт компании Walmart, когда рано в четверг выставили на распродажу резко подешевевшие товары, зашло столько покупателей, что он оказался перегруженным, и заказы оформлялись со сбоями»79.
Так как онлайновые рынки захватывают самые разнообразные сферы коммерческой деятельности, стоит отметить и то, каким образом большие данные и аналитика больших данных способны предоставить компаниям «дополнительные возможности достичь конкурентного преимущества (онлайновые предприятия всегда знали, что конкурируют за счет умения понимать свои цифровые данные)»80.
В деловой литературе особо выделяются следующие способы преобразования рынков с помощью больших данных и аналитики больших данных.
• Ныне компании всё активнее используют бизнес-модели, которые опираются на персональные данные как на ключевой ресурс. Например, модели ведения бизнеса на основе использования больших данных объединяют участников многосторонних рынков81; компании предлагают индивидам бесплатные услуги с целью получить ценные персональные данные, помогающие рекламодателям более адресно работать с аудиторией с помощью поведенческой рекламы82.
• Объем, скорость, многообразие и ценность больших данных будут возрастать по мере того, как компании станут применять их в своих
стратегиях, чтобы добиться конкурентного преимущества и удержать его. Компании будут предлагать продукцию и услуги для сбора большего объема защищенных в иных обстоятельствах данных. Датчики, микрофоны и камеры, подключенные к интернету вещей, будут собирать данные о поведении людей в их домах, автомобилях и на рабочих местах в значительно большем количестве83. Кроме того, ценность данных может заключаться в их многообразии. Слияние данных «происходит тогда, когда данные из различных источников соединяются, и всплывают новые факты»84. Слияние данных позволяет компаниям выявлять и уточнять характеристики отдельных пользователей; лучше отслеживать их действия, предпочтения и уязвимые места; использовать поведенческую рекламу для работы с конкретным покупателем.
• По мере роста конкурентной ценности данных компании будут стараться достичь «информационного преимущества» (data advantage), а тем самым и конкурентного преимущества перед соперниками. Компании будут всё больше инвестировать в компьютерные алгоритмы для анализа всего объема и многообразия данных. Даже в случае общедоступной информации скорость ее обработки будет иметь решающее значение (быстрота получения и анализа данных для получения тактического преимущества перед конкурентами)85. Скорость генерирования, получения, обработки и анализа данных будет нарастать86, а для некоторых приложений она уже сейчас приближается к режиму реального времени87.
• По мере того как скорость генерирования, получения, обработки и анализа данных растет, цены также будут корректироваться быстрее. С помощью онлайновых торговых платформ компьютеры способны анализировать и корректировать цены – даже для конкретных индивидов в конкретные минуты – в течение миллисекунд88.
• По мере роста числа онлайновых продавцов, использующих ИИ и алгоритмы ценообразования, их конкурентам, чтобы не оказаться в невыгодном положении, всё чаще придется самим разрабатывать «умные» алгоритмы ценообразования.
• Все большее число компаний будет переходить на алгоритмы ценообразования, которые станут в значительной степени определять отраслевые цены на продукты и услуги, разница между онлайновым и офлайновым ценообразованием будет размываться и во многих отраслях в итоге исчезнет.
• По мере общеотраслевого роста использования алгоритмов они, обучаясь на опыте, будут предугадывать действия других алгоритмов и реагировать на них. Онлайновые торговые платформы создают возможности для лучшей сегментации рынка с помощью динамического и дифференцированного ценообразования89.
• Обучаясь на основе всего объема и многообразия наших персональных данных, компьютеры, используя ИИ, будут всё чаще принимать решения за нас – используя личных цифровых помощников, предугадывающих наши нужды и желания.
Если «созидательное разрушение» из-за больших данных и аналитики больших данных создаст угрозы традиционным торговым гигантам наподобие Walmart, то по логике вещей ветра конкуренции в мире онлайновой торговли перерастут в ураганы. Можно предположить, что рыночная власть будет носить преходящий характер: цены снижаются под действием цифровой руки, качество растет под действием потоков информации. Поэтому, как показано в следующей главе, в отдельных кругах звучат призывы к исключительно мягкому регулированию (или его отсутствию).
3
Мягкое антимонопольное регулирование
В 1998 г. в США существенно увеличился уровень рыночной концентрации, обусловленный волной банковских слияний. У многих финансовых учреждений сократилось количество собственников. Алан Гринспен, глава Федеральной резервной системы, сообщил американскому Сенату, что беспокоиться не стоит. Подход антимонопольных ведомств к величине компаний уже поменялся:
В 1970-х и 1980-х гг. произошло значительное смещение акцентов. На смену почти детерминированной реализации стратегии антимонопольного правоприменения (antitrust enforcement)1 пришла, при поддержке так называемой чикагской школы, вера в то, что те несовершенства рынка, которые не являются следствием государственных субсидий, квот и привилегий (franchises), будут смягчены усилением конкуренции. Антимонопольные начинания не рассматривались как безусловно эффективные меры воздействия. Сдержанная антимонопольная политика, как в последнее время считают ее влиятельные сторонники, повышает эффективность рынка2.
В 1998 г. многие антимонопольные правоприменители согласились бы с этим. Стоит отметить, что некоторые теоретики и практики антимонопольной деятельности согласились бы с этим даже сегодня – несмотря на экономический кризис и предпринятые в США меры экстренной помощи тем финансовым организациям, которые, из-за упомянутых слияний, были признаны системно значимыми (too big to fail).
Национальные юрисдикции демонстрируют различные уровни вмешательства государства. Однако, как мы увидим в данной главе, в антимонопольной политике на протяжении последних 35 лет часто преобладали сторонники более мягкого (если хоть какого-то) вмешательства государства в процессы слияния и деятельности монополий. Единственное исключение – судебное преследование картелей, которые фиксируют цены, распределяют между собой рынки и конкурсные заявки или снижают выпуск3.
После прочтения первых двух глав может показаться, что мягкий подход оправдан. Государственное вмешательство в виртуальную экономику выглядит излишним: рынки являются динамичными и конкурентными. Часто утверждают, что новые механизмы онлайнового бизнеса изменили рынки к лучшему. Алгоритмы компаний, используя нарастающий поток данных, казалось бы, обеспечивают совершенные стратегии для максимизации рентабельности. Эти процессы порождают новые формы конкуренции и торговли. Недостаточная конкуренция в привычном виде (сговор, монополия и ценовая дискриминация) по логике вещей должна редко встречаться в цифровом мире, где до конкурентов – один щелчок мыши. При наличии ценовых алгоритмов, анализирующих гораздо больше данных о состоянии рынка, чем смогли бы люди за всю свою жизнь, и реагирующих в реальном времени, мы оказываемся на пути к более динамичному миру торговли.
Прежде чем нанести американскому Министерству юстиции чувствительное поражение, Апелляционный суд по девятому округу4 сначала воздал хвалу невидимой руке, при этом порицая страны с централизованной плановой экономикой (и регулирование цен):
Конкуренция является двигателем нашей системы свободного предпринимательства. В отличие от стран с централизованной плановой экономикой, где решения о производстве и распределении принимаются государственными чиновниками, которые, казалось бы, видят общую картину и знают, как правильно поступать, капитализм опирается на децентрализованное планирование – на миллионы производителей и потребителей, ежегодно принимающих сотни миллионов отдельных решений, – с целью определить, что и в каком количестве будет производиться. Конкуренция играет ключевую роль в данном процессе: она задает базовые рамки для производителей и продавцов товаров, чтобы предоставить потребителю более качественный товар по более низкой цене; она вытесняет неэффективных и предельных производителей, высвобождая ресурсы для более рентабельных направлений использования; она способствует товарному разнообразию, предоставляя потребителям возможности выбора, соответствующие широкому ряду личных предпочтений; она не позволяет увековечивать концентрацию экономического влияния, так как даже крупнейшая компания способна уступить долю рынка более энергичному и целеустремленному конкуренту. Если, как говорят, рыночной экономикой управляет невидимая рука, то конкуренция, несомненно, – это тот кастет, которым она подкрепляет свои решения5.
Почему суд отступил от темы, неизвестно. Но для регулирования наступили тяжелые времена. Теперь даже социалистические страны превозносят свободный рынок. Например, Китай в 2007 г. ввел в действие антимонопольный закон с «целью предотвращения и ограничения проявлений монопольного поведения, защиты честной рыночной конкуренции, повышения экономической эффективности, соблюдения интересов потребителей и общества в целом и содействия полноценному развитию социалистической рыночной экономики»6.
С 1980 г. США и другие страны стремились сокращать регулирование, считая, что мягкое применение антимонопольного права более продуктивно. Как предупреждал антимонопольный департамент Министерства юстиции США, «государственное регулирование может оказаться несовершенным и очень дорогостоящим заменителем обычного “регулирования” силами свободного рынка. Соответственно, исключения из общего правила свободной рыночной конкуренции (которое защищает антимонопольное правоприменение) должны допускаться лишь при убедительных доказательствах того, что конкуренция невозможна или не согласуется с какой-то более важной общественной задачей»7. Таким образом, современная интерпретация «невидимой руки»8 Адама Смита стала ключевой для смены подходов к антимонопольному правоприменению.
Многие приверженцы неоклассической экономической теории исходят из того, что конкуренция является «самопроизвольным процессом»9, в котором без вмешательства государственного регулятора происходит эффективное размещение ресурсов там, где они выше ценятся. Попытка любой компании добиться рыночной власти или сохранить ее, скорее всего, окажется безуспешной благодаря другим информированным «максимизаторам прибыли» – новым игрокам или нынешним конкурентам. Главными поборниками этой точки зрения были экономисты и юристы, связанные с Чикагским университетом10. Они исходили из общих предположений, что участники рынка рациональны, эгоистичны и настойчиво преследуют свои цели; что большинство рынков являются конкурентными; что слияния и вертикальные схемы организации бизнеса зачастую обеспечивают эффективность и что рыночные силы во многих случаях обрекают любую попытку воспользоваться рыночной властью на провал.
Государство, согласно данной теории, действует за рамками свободного рынка и обязано подтверждать необходимость своего вмешательства и «вытеснения» конкуренции. Любое предложение улучшить действие конкуренции или регулировать ее попахивает социализмом и промышленной политикой. Государственное вмешательство следует ограничивать явными и затяжными эпизодами провала рынка, среди которых «лишь явная фиксация цен и очень крупные горизонтальные слияния (слияния в монополию) заслуживают серьезного беспокойства»11. Некоторые считают, что даже в этом случае государство обязано действовать осторожно. Стихийные силы свободного рынка в конечном итоге возьмут верх над этой недолговечной рыночной властью – за счет расширения деятельности старых компаний или появления новых.
Согласно теории чикагской школы, государство чаще приносит больше вреда, чем пользы. В попытке предотвратить негативные проявления рыночной власти государство может помешать полезной деятельности. Проблема в том, что рыночным силам, возможно, будет трудно преодолеть эти препоны со стороны государства, в отличие от помех, созданных самим рынком. Большая проблема, связанная с государственным вмешательством, связана с риском ошибочного воздействия, которое способно ухудшить проконкурентную среду, и силы рынка не смогут быстро преодолеть такие последствия. Напротив, ошибочное бездействие в конце концов будет исправлено приходом новых игроков или расширением деятельности старых12.
В администрации Рейгана придерживались неоклассических воззрений чикагской школы на экономику (об устранении или минимизации ограничений свободного рынка со стороны государства). Разделяя взгляды администрации Рейгана о том, что государственные учреждения – неизбежное зло13, апологеты конкуренции подчеркивали, что государственное вмешательство, скорее всего, принесет больше вреда, чем пользы, так как оно мешает рынкам эффективно распределять редкие ресурсы. Как следствие, споры отдельных экономистов неоклассического направления затрагивают необходимость вмешательства государства в работу отдельных рынков и его сроки.