Скорость в нашем сценарии «Предсказуемый агент» имеет ключевое значение. Когда мы взрослели, именно люди отслеживали рыночную активность, определяли, надо ли (и на сколько) поднимать или снижать цены, и механическим образом снабжали товары ценниками. Требовались недели, если не месяцы, чтобы реализовать ценовые решения.
Поэтому на фоне того, что цены участников рынка перемещаются в интернет, их алгоритмы способны исчислять и корректировать цены – даже для конкретных людей в конкретные моменты времени и для тысяч товаров – в течение миллисекунд24. Иными словами, они способны в ответ на скидку конкурента быстро дать аналогичную скидку. Тем самым, прежде всего, устраняется стимул конкурента снижать цену. С другой стороны, они будут воспроизводить повышения цен (в случае их устойчивости). В среде, где доминируют аналогичные алгоритмы ценообразования, которые обладают возможностями обеспечивать взаимосвязанность, есть риск повышения цен25.
Вернувшись к нашему примеру с автозаправочными станциями, представим себе, что прозрачность нашего олигополистического рынка ограничена (т. е. что водители будут вынуждены заезжать на станцию, чтобы узнать цену бензина). Водители не захотят разыскивать самые низкие на острове цены на бензин. Вместо этого они, возможно, спросят у друзей, посетят несколько автозаправочных станций и сделают выбор в пользу той из них, где цены ниже всего. Таким образом недорогая точка выигрывает от того, что ее цены считают самыми низкими. В итоге снизят цену и другие станции. В таких рыночных условиях осознанное подражание труднее осуществлять. Компании на рынке будут, как и ожидается, конкурировать.
Теперь вспомним основные условия для молчаливого сговора (осознанного подражания). Предположим, что некоторые собственники автозаправочных станций хотят, чтобы ценовые решения принимали компьютеры, а не люди. Компьютеры должны обладать способностью получать доступ к данным о состоянии рынка, которых крайне мало. Поэтому алгоритмы ценообразования первоначально используют предварительные данные (возможно, дневные объемы продаж прошлых периодов). Если фактические продажи падают и иные возможные объяснения этого процесса не найдены, то можно предположить, что на других заправочных станциях бензин дешевле. Компьютер продолжает снижать выставленную цену бензина, пока средние продажи не достигнут среднего значения прошлых периодов. Когда вторая и третья заправочная станция внедряют подобный алгоритм ценообразования, качество данных о состоянии рынка улучшается. Алгоритм ценообразования может использовать появившиеся данные о ценах конкурентов, а не определять их уровень сравнением прошлых и нынешних продаж.
Теперь предположим (во многих местах так уже происходит26), что некое приложение для смартфона сообщает вам цену бензина на каждой местной заправочной станции. Это, по видимости, способствует конкуренции. Увеличение ценовой прозрачности снижает издержки поиска более дешевого бензина. Бесспорно, что на рынках с большим числом продавцов такое приложение может содействовать конкуренции.
Однако на олигополистическом рынке такие приложения могут привести к обратному результату. Во-первых, из-за них возникает конкурентное давление на каждую автозаправочную станцию, которая еще не использует алгоритмы ценообразования. Ирония ситуации в том, что даже если в отдельных компаниях тоскуют по временам бумажных прайс-листов и негласных скидок, они могут перейти на алгоритмы ценообразования, чтобы избежать невыгодного положения относительно конкурентов. Во-вторых, такие приложения показывают цены на бензин в реальном времени для каждой станции. Конкурентам более не приходится объезжать остров для сбора информации. Алгоритмы ценообразования способны быстро обнаружить все те условия сделки, которые значимы с точки зрения конкуренции. При этом цены являются реальными – они отражают те суммы, которые действительно уплачивают потребители. Передавая принятие ценовых решений компьютерным алгоритмам, конкуренты увеличивают прозрачность, снижают стратегическую неопределенность (strategic uncertainty)27 (в случае, когда алгоритм ценообразования не может предоставлять негласные скидки) и тем самым стабилизируют рынок28. Когда одна заправочная станция в 11:33 уменьшает цену на один цент, другие окрестные станции в течение миллисекунд реагируют снижением своих цен.
Итак, когда алгоритм каждой компании в реальном времени получает доступ к ценам ее конкурентов, маловероятно, что кто-то из них сможет выиграть за счет скидок. При той скорости, с которой алгоритмы ценообразования способны корректировать цены, ни одна заправочная станция, скорее всего, не сможет создать себе репутацию дешевого поставщика у потребителей. Соответственно, у конкурентов будет меньше стимулов для снижения цен. Мы видим, что на таком рынке приложение, которое было предназначено для содействия ценовой конкуренции, может в итоге подорвать ее.
С другой стороны, быстрота принятия алгоритмами ценовых решений способна ускорить сигнализирование о повышении цен. Компаниям не придется более использовать заблаговременные (например, 30-дневные) ценовые оповещения, когда им приходится ждать и следить за реакцией конкурентов, чтобы принять решение, поднимать ли цены (и на сколько). Компьютеры способны осуществлять многоэтапное взаимодействие, в ходе которого одна из компаний увеличивает цены, а компьютеры конкурентов немедленно отвечают, – при этом той компании, которая первой повысила цены, не грозит потеря большого числа клиентов. По сути, компаниям сейчас нужны считанные секунды, а не дни, чтобы сигнализировать о повышении цен для содействия сговору.
Поэтому общеотраслевое использование алгоритмов ценообразования увеличивает как прозрачность рынка, так и риск осознанного подражания. Кроме того, в процессе программирования своего алгоритма ценообразования каждая компания будет, скорее всего, использовать ретроспективные данные о ценах и реакции конкурентов, чтобы настроить (calibrate) свою доминирующую стратегию. По сути, когда алгоритмы будут действовать в условиях большей прозрачности цифровой среды, компьютеры будут уже запрограммированы на то, чтобы предугадывать ходы конкурентов и отвечать на них. При таком сценарии компьютеры способны быстро рассчитать изменение прибыли в результате великого множества решений и ответных действий. С учетом того, что компьютеры могут выявлять попытки уклонения от стратегии высоких цен и задействовать испытанные стратегии для наказания нарушителей, цены пойдут в гору вследствие осознанного подражания между компьютерами.
Наш сценарий напоминает использование компьютеров за шахматным или карточным столом. Представим себе, что вы играете против других людей, но один из игроков использует компьютер. В случае игры в блэкджек этот компьютер пересчитывает все карты в многочисленных колодах для того, чтобы предсказать вероятность получения нужной карты, оценить стратегии, применяемые другими игроками в сходных обстоятельствах, и вычислить неприятие риска у других игроков. В случае шахмат компьютер просчитывает вашу возможную тактику и ответные ходы противника29. Компьютер дает своему владельцу безусловное преимущество. Проиграв несколько раз, вы, скорее всего, тоже захотите иметь компьютер.
Этим объясняется наличие металлоискателей на первенстве мира по шахматам. Проблема в том, что игроки для получения конкурентного преимущества украдкой подсматривают свои ходы в шахматных приложениях на смартфонах. Такое приложение может выиграть у самого сильного игрока. Сейчас на шахматных турнирах, помимо металлоискателей, используют также и алгоритмы – для того, чтобы выявить, не слишком ли напоминают ходы шахматиста тактические маневры компьютера, учитывая позицию на доске и уровень мастерства человека 30.
Рыночные игроки, в отличие от шахматистов, могут беспрепятственно использовать алгоритмы для получения конкурентного преимущества. Такие конкуренты, как высокочастотные трейдеры, захотят инвестировать в технические инструменты для того, чтобы иметь возможность увидеть условия, значимые с точки зрения конкуренции, за несколько минут или секунд до того, как их увидят клиенты. Майкл Льюис в книге «Flash Boys. Высокочастотная революция на Уолл-стрит» описал, как трейдеры с Уолл-стрит строили свои бизнес-модели на незначительном сравнительном преимуществе – возможности видеть заявки раньше других игроков с более медленными подключениями и системами – и последующей торговле на опережение31. Таким образом, алгоритмическая гонка может привести к тому, что компании будут обнаруживать изменения цен (включая скидки) на миллисекунды раньше, чем потребители, и смогут отреагировать раньше, чем потребители. Еще и поэтому любая компания, принимая одностороннее решение перейти к алгоритмам ценообразования, приближает ситуацию на рынке к той, которая необходима для осознанного подражания и повышения цен.
В отличие от «Мессенджера» и «Ступицы и спиц» (в главах 5 и 6), основанных на сговоре, данный сценарий не включает никакой договоренности. Компании, односторонне создавая и применяя алгоритмы, никогда не уславливались фиксировать цены. Каждая компания имела собственный независимый экономический интерес к разработке и использованию алгоритмов. И в самом деле, зависимость от человеческого фактора в ценообразовании и торговле может противоречить экономическим интересам самой компании.
Интересно, что осознанное подражание происходит на уровне как людей, так и машин. Во-первых, каждый человек, настраивая конфигурацию системы, сам безо всякого сговора знает, что доминирующая стратегия может состоять в том, чтобы воспроизводить повышение цен конкурента при условии ее допустимости. Он также понимает, что в случае, если другие компании имеют аналогичный алгоритм, возникшие равновесные цены могут превысить уровень конкурентного рынка. Это осознанное подражание на уровне людей приводит к тому, что запрограммированные машины видят потенциальную возможность осознанного подражания на уровне рынка. Таким образом, в настройках компьютера предусмотрены отслеживание состояния рынка и анализ возможности установить взаимосвязь между игроками, не вовлекаясь в незаконные согласованные действия или неправомерные договоренности. Компьютер, кроме того, можно запрограммировать на то, чтобы выявлять самостоятельно действующие компании и наказывать виновных в любом уклонении от предполагаемого молчаливого сговора.
Антимонопольное право в большинстве юрисдикций предписывает доказать наличие договоренности сторон о вмешательстве в рыночные механизмы. Способно ли антимонопольное ведомство вменить в вину конкурентам наличие неправомерной договоренности или достижение взаимопонимания в том, чтобы использовать сходные алгоритмы для ограничения конкуренции?32 Не обязательно. Следует признать, что в результате эволюции у более надежных и более мощных алгоритмов будет больше шансов на то, чтобы завоевать высокотехнологичный рынок и доминировать на нем. Подобная реальность естественным образом содействует внедрению соответствующих разработок. Отказ от усовершенствованного алгоритма может оказаться неразумным: это бы напоминало ситуацию, когда инвестиционный банк или хедж-фонд настаивает на работе трейдеров в биржевом зале в условиях, когда большая часть торгов автоматизирована.
В нашем примере отсутствуют доказательства договоренности между компаниями, но есть веское доказательство намерения ограничить конкуренцию. Люди сами так разрабатывают алгоритмы, чтобы те прогнозировали развитие событий и заданным образом реагировали на изменение состояния рынка. При указанном сценарии компании осознают, что общеотраслевое внедрение сходных алгоритмов будет, скорее всего, способствовать молчаливому сговору, в результате первоначальные инвестиции окажутся прибыльными для всех. Крайне важно, что при данном сценарии использование эффективных алгоритмов в корне меняет «обычное», ранее наблюдавшееся состояние рынка. До внедрения алгоритмов прозрачность была ограниченной, осознанное подражание – невозможным. Чтобы улучшить использование алгоритмов ценообразования, компании увеличивают прозрачность, которая, в свою очередь, повышает вероятность молчаливого сговора. Хотя суть молчаливого сговора заключается во взаимном ценовом мониторинге, который допустим с точки зрения антимонопольного права, можно задать вопрос: должно ли создание такой модели взаимодействия с применением технических средств приводить к антимонопольному вмешательству государства?
Главная проблема правоприменения связана с законностью осознанного подражания. Рациональная реакция конкурентов на рыночные механизмы, взятая сама по себе, законна. Когда подобное правомерное поведение, в отсутствие обмена информацией или договоренности, приводит к некоторому равновесию с ценами выше конкурентного уровня, оно не запускает антимонопольное вмешательство. В конце концов, нельзя признать действия компании недопустимыми из-за того, что она действует на рынке рационально и независимо от других игроков33.
Но из того, что молчаливый сговор законен, не следует, что он желателен. Действительно, антимонопольное право запрещает слияния, которые повышают вероятность молчаливого сговора. Это происходит, поскольку слияние, по сути, меняет существующие условия конкуренции. Для наглядности представим, что компании А и Б планируют слияния, и на рынке остаются компании А, В и Г. Предположим, что компании А и В уже используют алгоритмы ценообразования, а компания Г в результате слияния тоже начнет их использовать. Допустим, эмпирические данные показывают, что использование после слияния компанией Г алгоритмов ценообразования ослабляет общую мотивацию снижать цены и становится дополнительным стимулом для компаний повышать цены34. Слияние, которое сделает возможным молчаливый сговор, скорее всего, ослабит конкуренцию. Следовательно, надзорное антимонопольное ведомство запретит его или потребует мер воздействия, которые смогут устранить риски ограничения конкуренции.
Теперь поменяем сценарий. Предположим, что слияния не происходит, однако каждая из компаний А, Б, В и Г предрасположена к молчаливому сговору. Но этому мешает текущее состояние рынка, а компании боятся уголовного преследования за явный сговор. Все они осознают, что использование эффективных алгоритмов увеличит прозрачность, ослабит мотивацию к снижению цен и увеличит стимулы повышать их. Все они внедряют алгоритмы ценообразования. Имеется ли тут содержательное отличие от слияния?
Вопрос, следовательно, таков: можно ли признать недопустимым создание прозрачного рынка, на котором присутствуют механизмы мониторинга и наказания? Если можно, то при каких условиях? Другая непростая проблема возникает в ситуациях, когда алгоритм запрограммирован на то, чтобы избегать адресной работы с потребителями конкурентов в попытке стабилизировать рынок и избежать ценовой войны. Законность таких действий рассматривалась американским Апелляционным судом по седьмому округу:
[П]редположим, что компании на олигополистическом рынке не пытаются продавать «спящим» клиентам друг друга, а спящими именуются клиенты того или иного продавца, которые по причине инертности или ценового невежества не участвуют в покупках, однако сохраняют верность тому продавцу, у которого привыкли покупать. Каждая компания может проявлять нежелание за счет предложения скидок «пробуждать» кого-либо из спящих клиентов других компаний, опасаясь ответных мер. Чтобы избежать предусмотренного антимонопольным правом наказания за подобную сдержанность (которая может быть разновидностью молчаливого сговора, нацеленного на поддержание высоких цен), должны ли будут компании атаковать спящих клиентов друг друга? Одно дело – запретить конкурентам договариваться о том, чтобы не конкурировать. Другое – приказать им конкурировать. Каким образом тот или иной суд должен решать, сколь энергично компании должны конкурировать, чтобы их не признали участниками противоправного молчаливого сговора? Такая обязанность, повторим, уподобит регуляторную роль антимонопольных ведомств деятельности коммунальных служб35.
Следует ли антимонопольным ведомствам возражать против одностороннего решения не конкурировать? Можно ли достоверно определить такую стратегию как осуществляемое в рамках сговора распределение клиентов?
Рассматривая перечисленные выше непростые проблемы, возникает вопрос, могут ли разработчики алгоритмов, при нынешних законах, законно программировать машины, чтобы те самостоятельно поддерживали молчаливый сговор?
Согласно традиционному конкурентному анализу, ответ, скорее всего, положительный. Если не доказано наличие договоренности повлиять на механизмы работы рынка, для эффективного противодействия изменению механизмов рынка с помощью алгоритмов большинство антимонопольных ведомств могут использовать только меры контроля за сделками слияния. Других правоприменительных инструментов у них сейчас нет. Компания, не обладающая рыночной властью, может самостоятельно разработать свой алгоритм, который выявляет рыночное поведение конкурентов, предугадывает вероятные реакции алгоритмов соперников на различные действия и выбирает тот путь, который при заданных реакциях конкурентов приведет к максимизации прибылей. Во многих случаях такое поведение обусловливает осознанное подражание.
Однако помимо ключевых антимонопольных положений можно рассмотреть альтернативные правовые инструменты. Например, когда доказательств наличия договоренности нет, американская Федеральная торговая комиссия (ФТК) способна подать иски по статье 5 Закона о ФТК, всего лишь показав «недобросовестное поведение». Во многих штатах имеются аналогичные законы. Но ФТК не добилась успеха, доказывая в суде «сопутствующие приемы» ограничения конкуренции, что очевидно в делах Boise Cascade36 и Ethyl37. Если суд примет стандарты доказывания дела Ethyl, ФТК будет вынуждена удостоверять наличие: 1) либо доказательств того, что ответчики молчаливо или явно согласились использовать алгоритмы ценообразования для недопущения конкуренции, 2) либо попытки притеснения (oppressiveness), такие как а) доказательство того, что ответчики имели намерение или цель ограничить конкуренцию, или же б) отсутствие независимого и законного коммерческого обоснования для поведения ответчиков38. Соответственно, в сценарии «Предсказуемый агент» ответчики могут подлежать ответственности, если они: 1) имели намерение добиться итогового подавления конкуренции или 2) были осведомлены о том, что их действия вели к естественным и вероятным последствиям из-за ограничения конкуренции.
Другой подход может состоять в том, чтобы рассматривать использование таких алгоритмов, как манипулирование рынком. Этому подходу присущи свои ограничения, однако можно представить себе введение законодательства, нацеленного на борьбу со «злоупотреблением» излишней прозрачностью (возможно, там, где присутствует явное намерение ограничить конкуренцию). Например, если руководители называют свой алгоритм Gravy, настраивают его для того, чтобы лучше манипулировать рынком, и хвастают этим в своей внутренней электронной переписке (как в случае иска американской Комиссии по ценным бумагам и биржам против компании Athena Capital Research), наличие ответственности можно установить39. Дело компании Athena показательно. В 2014 г. Комиссия по ценным бумагам и биржам (SEC) впервые оштрафовала компанию высокочастотного трейдинга за использование сложных компьютерных программ с целью манипулирования ценами фондового рынка40. Сложный алгоритм под кодовым именованием Gravy41 использовался для «воздействия на цену закрытия (marking the close)», когда ценные бумаги покупались или продавались незадолго до закрытия торгов. Цель была в том, чтобы повлиять на цену закрытия: «крупные объемы совершаемых в последние секунды торговых операций компании Athena позволяли ей преодолеть воздействие доступной рыночной ликвидности, искусственно повышая рыночную цену (а поэтому и цену закрытия) в пользу данной компании»42. Сотрудники компании, утверждала SEC, «прекрасно осведомлены о влиянии алгоритмической торговли компании на биржевые цены, именуя это воздействие “наличием лидерства” (owning the game) во внутренней электронной переписке»43. Сотрудники компании Athena понимали ситуацию и предполагали, что операции Gravy изменят котировки торгуемых акций, а временами компания отслеживала масштаб воздействия. Например, в августе 2008 г. сотрудники компании составили таблицу, содержащую информацию об изменениях цен, вызванных одной из ранних версий этого алгоритма44. Компания настроила свой алгоритм «с тем, чтобы он оказывал воздействие на цены»45.
Называя свой алгоритм манипулирования рынком Gravy и участвуя в уличающей электронной переписке, компания только усугубила ситуацию. Не признав вину, Athena уплатила штраф в 1 млн долл. Это демонстрирует, что хотя автоматизированная торговля потенциально способна увеличивать рыночную прозрачность и эффективность, она может также приводить к манипулированию рынком46.
Выявить основную цель использования алгоритма, естественно, не всегда просто. Например, компания Athena оспорила высказанные SEC утверждения о своем участии в махинациях: «Хотя Athena не отрицала приведенные Комиссией факты, она считает, что ее торговые операции помогали удовлетворить рыночный спрос на ликвидность в период беспрецедентного спроса»47. Суд мог бы согласиться с этим доводом. Компании также могут извлечь уроки из этого дела и быть более осмотрительными в своей переписке.
Помимо того, преднамеренность будет, вероятно, неочевидной в том случае, когда каждая компания имеет юридически безупречные независимые коммерческие основания разрабатывать и использовать алгоритм ценообразования. В конце концов, фирма, которая первая использовала алгоритм ценообразования, не могла быть обвинена в сговоре, так как рынок, скорее всего, был менее прозрачным, а конкуренты не могли выдерживать темп изменения цен, задаваемый инициатором. Таким образом, если у первой компании при использовании алгоритма ценообразования не было намерения ограничить конкуренцию, то же самое может быть верным для второй или третьей компании. Они тоже могли иметь независимые коммерческие обоснования применять алгоритм ценообразования (а именно реагировать на изменения цен со стороны первой компании и не допустить конкурентного отставания).