Internationales Verkehrswesen (75) 4 | 2023 40 Lieferantenkartelle erhöhen Infrastrukturkosten Wie solche Kartelle mittels maschineller Lerntechniken identifiziert werden können Verkehrsinfrastruktur, Kartelle, Maschinelle Lerntechniken, Auktionen Die Verkehrsinfrastruktur ist ein Grundpfeiler jeder Volkswirtschaft. Sie ist aber auch kostenintensiv, was akzentuiert wird durch deren Anfälligkeit für Kartelle. Maschinelle Lerntechniken ermöglichen es, Datensätze mit Preisgeboten von Verkehrsinfrastruktur- Bauunternehmen nach Mustern zu untersuchen. Im Rahmen einer aktuellen Untersuchung hat die Hochschule Luzern Modelle anhand von Kartell-Daten trainiert. Dies ermöglichte es, bei 1.206 Infrastruktur-Beschaffungen der Schweizerischen Bundesbahnen (SBB) zwischen 2015 und 2021 nach Indizien für Kartelle zu suchen. Vorliegender Artikel zeigt, wie dies im Detail funktioniert, was dabei herauskam und wo die Grenzen der Interpretierbarkeit solcher „Screenings“ liegen. Hannes Wallimann, Silvio Sticher V erkehrsinfrastrukturen sind die Pulsadern moderner Volkswirtschaften. Daher werden jährlich Milliarden-Beträge vom Staat und damit den Steuerzahlenden in Projekte für den Neubau und den Substanzerhalt investiert. Möglicherweise könnte ein Teil dieser Aufwände vermieden werden, denn die Branche ist anfällig für illegale Absprachen, wie beispielsweise das „Schienenkartell“ gezeigt hat [1]. Fortschritte im Bereich maschineller Lerntechniken wecken die Hoffnung, Hinweise auf mögliche Kartelle anhand von Preisgeboten präventiv erkennen zu können. Um den Mehrwert sogenannter Kartell-Screening- Methoden für Verkehrsinfrastrukturmärkte zu erkennen, gilt es zunächst, sich ein Bild über den besagten Markt verschaffen. Nur so lässt sich eine Reihe von Fragen beantworten, um diesen Mehrwert, aber auch die Grenzen des Machbaren, abzuschätzen: Was macht die Foto: 652234 / pixabay INFRASTRUKTUR Wissenschaft Internationales Verkehrswesen (75) 4 | 2023 41 Wissenschaft INFRASTRUKTUR Verkehrsinfrastruktur besonders anfällig für Lieferantenkartelle? Wie sehen solche Kartelle aus? Und welche erkennbaren Muster könnten uns auf ihre Fährte bringen? Anhand des Beispiels „Eisenbahninfrastruktur“ lässt sich im Anschluss aufzeigen, welche Kartell-Screening-Anwendungen durch maschinelle Lerntechniken bereits heute möglich sind - und wo die Grenzen der Interpretierbarkeit liegen. Verkehrsinfrastrukturen als Lebensadern einer-Wirtschaft Gute Verkehrsinfrastrukturen sind eine zentrale Voraussetzung für einen attraktiven Wirtschafts- und Lebensraum. Dies betrifft sowohl die Straßenals auch die Schieneninfrastruktur. Die im internationalen Vergleich stark ausgebaute Schweizer Verkehrsinfrastruktur beansprucht beispielsweise ein Drittel der Siedlungsfläche und 2 % der gesamten Landesfläche: Das Straßennetz maß im Jahr 2022 rund 84.700 km, während sich das Schienennetz auf rund 5.300 km erstreckte [2]. Dementsprechend lässt man sich den Substanzerhalt und den Ausbau dieser Grundausstattung auch etwas kosten. In der Schweiz waren es im Jahr 2020 9.3 Mrd. CHF für die Straßeninfrastruktur (motorisierter Straßenverkehr, Veloverkehr und Fussverkehr) und 4.5 Mrd. CHF für die Schieneninfrastruktur [3, 4]. Zusammengezählt entspricht dies rund 2 % des Bruttoinlandproduktes. Kartelle in Einkaufsauktionen Um die für den Infrastrukturerhalt und -ausbau zur Verfügung gestellten staatlichen Mittel effizient einzusetzen, werden Lieferanten ab gewissen Auftragsvolumina gemäss vergaberechtlichen Vorschriften ausgewählt. Dies z. B. im Rahmen einer öffentlichen Ausschreibung, die jedem interessierten Lieferanten zugänglich ist, oder im Rahmen eines Einladungsverfahrens, bei dem typischerweise drei bis fünf Lieferanten dazu aufgefordert werden, Gebote einzureichen. In der ökonomischen Fachsprache nennt man diese Verfahren auch Beschaffungs- oder Einkaufsauktionen, da der Bedarf (an der Ausführung einer Arbeit) faktisch gesehen versteigert wird. Die Rolle des Auktionators wird dabei von der jeweiligen Beschaffungsstelle/ Vergabestelle wahrgenommen. Als Bieter fungieren die konkurrierenden Lieferanten. Auktionen dienen der Preisfindung, indem sie die Nachfrage mit dem Angebot in Einklang bringen. In Auktionen können sowohl Güter (wie etwa Kunstwerke) oder Dienstleistungen (wie der Bau neuer Gleisanlagen) gehandelt werden. Es spielt auch keine Rolle, ob der Auktionator Verkäufer ist (Verkaufsauktion) oder die Bieter - wie im Falle öffentlicher Ausschreibungen - versuchen, den Verkauf mit möglichst niedrigen Preisen zu erzielen (Einkaufsauktion). Gemäß ökonomischer Theorie ist allen Auktionen gemein, dass die Bieter ihre Gebote auf Grundlage ihrer subjektiven Wertschätzung (verstanden als subjektive Einschätzung des Werts der zu versteigernden Sache) abgeben, um das mathematische Produkt aus Gewinnwahrscheinlichkeit und Rendite im Fall des Zuschlags zu maximieren. Wenn man jedoch Infrastruktur-Beschaffungsauktionen mit Kunstauktionen vergleicht, werden auch gewichtige Unterschiede deutlich. Zum einen geht es bei Verkehrsinfrastruktur-Auktionen nicht ausschließlich um den Preis (auch wenn dieser oft ausschlaggebend ist [5]). Mithilfe vordefinierter Zuschlagskriterien wählt die ausschreibende Stelle einen Lieferanten aus, der das Projekt durchführen darf. Zu diesen Zuschlagskriterien zählen neben dem Preis auch Aspekte wie die Qualität, Referenzen und Umweltaspekte. In Bezug auf das Risiko einer Kartell-Bildung ist indes ein weiterer Unterschied von großer Bedeutung: Hat die Interessentin im Rahmen der Kunstauktion eine hohe subjektive Wertschätzung für ein Gemälde, wird sie ihre Konkurrenten auch überbieten. Tut sie dies nicht, erzielt sie keinen Profit aus der Auktion. Zudem wird sie das gleiche Kunstwerk auch nicht anderswo beziehen können. Dieser „Manipulationsschutz“ gilt jedoch nicht für die Infrastruktur-Beschaffungsauktionen: Bei solchen kann ein Anreiz für die Bietenden zu „Kooperationen“ bestehen. Dies ergibt sich aus der Ähnlichkeit und Häufigkeit derartiger Beschaffungen und der Tatsache, dass im jeweiligen geografischen Einzugsbereich nur eine begrenzte Anzahl potenzieller Lieferanten in Frage kommt [6]. In einer derart stabilen Nachfragesituation spricht man im ökonomischen Fachjargon auch von „wiederholten Spielen“. Folglich steigen die Anreize der Unternehmen, sich abzusprechen, um die Konditionen, insbesondere die Preise, zu ihren Gunsten zu manipulieren. Um eine Kooperation aufrecht zu erhalten, kann beispielsweise ein sogenanntes Rotationskartell etabliert werden, in dem die Zuschlags-Reihenfolge unter den potenziellen Lieferanten festgelegt wird. Eine andere Möglichkeit ist die Aufteilung der designierten Zuschlagsempfänger nach geografischen Regionen. In der Folge spiegeln die Gebote nicht mehr die subjektive Kalkulation der einzelnen Bieter wider, sondern die innerhalb des Kartells festgelegten Parameter (z. B. Preise). Während solche Kooperationen für die Lieferanten aufgrund höherer Gewinnpotentiale lukrativ sind, verursachen sie höhere volkswirtschaftliche Kosten. Im Kontext der Verkehrsinfrastruktur betreffen diese Kosten hauptsächlich die Staatskasse und damit die Steuerzahlenden. Es wird geschätzt, dass Absprachen, welche Effizienzverluste und sinkende Innovationsanreize mit sich bringen, zu 10 bis 50 % höheren Preisen führen (vgl. z. B. [7] oder [8]). Im Fall des Tessiner Straßenbaukartells, das sich über die Jahre 1999 bis April 2005 erstreckte, stiegen die Preise um durchschnittlich 30 % [9]. Der erste Schritt im Kampf gegen Kartelle mittels maschineller Lerntechniken Das volkswirtschaftliche Schadenspotential von Lieferantenkartellen ist also erheblich. Der Schutz von Wettbewerb ist daher gesetzlich verankert und obliegt in Europa überwiegend spezialisierten Wettbewerbsbehörden sowie der EU-Kommission. In der Schweiz existiert für die Durchsetzung des Kartellgesetzes mit der Wettbewerbskommission (WEKO) mit ihrem dazugehörigen Sekretariat eine unabhängige Bundesbehörde. Allerdings sind Abreden zwischen den Unternehmen für diese Behörden schwer zu erkennen. In der Vergangenheit mussten sie sich auf Selbstanzeigen oder die Hilfe von Informanten verlassen, um Hinweise auf Kartelle zu erhalten. In jüngerer Zeit (zurückgehend auf [10]) greifen Behörden jedoch vermehrt auch auf wissenschaftliche Internationales Verkehrswesen (75) 4 | 2023 42 INFRASTRUKTUR Wissenschaft „Screening-Methoden“ zurück, um Lieferantenkartelle aufzudecken und ihre Abhängigkeit von externen Hinweisen zu reduzieren. Mittels dieser Screening-Methoden wird versucht, anhand von Daten aus Auktionen Auffälligkeiten aufzudecken. Geeignete Daten sind beispielsweise die offerierten Preise. Dabei geht es weniger um die absolute Höhe der Gebote, sondern vielmehr um deren Verteilung, welche anhand statistischer Kennzahlen beschrieben wird. Traditionell versteht man unter Kartell-Screening, dass bestimmte dieser Kennzahlen, auch als „Marker“ bezeichnet, als besonders bedeutsam erkannt werden. Beispielsweise wurde aufgrund historischer Daten ermittelt, dass Ausschreibungen, bei denen die Bieterdaten besonders tiefe Werte des Markers „Variationskoeffizient“ aufweisen (d. h. die Gebote liegen näher beieinander), mit höherer Wahrscheinlichkeit mit einem Kartell assoziiert sind [9]. In den letzten Jahren hat sich die wissenschaftliche Entwicklung von Screening-Methoden hauptsächlich auf Anwendung von maschinellen Lerntechniken konzentriert, um Muster von Kartellen erkennen zu können (vgl. z. B. [11-16]). Mit Hilfe von Datensätzen vergangener Kartellfälle werden Modelle darauf trainiert, ein bestimmtes Outcome (in diesem Fall die Präsenz eines Kartells) anhand von Prädiktoren vorherzusagen. Als Prädiktoren eigenen sich wiederum die offerierten Preise beziehungsweise die Marker, welche die Gebote einer Auktion zusammenfassen. Erneut steht dem Screening daher die Annahme zugrunde, dass Kartelle die Verteilung der Gebote in einer Auktion beeinflussen - diese Muster können nun jedoch anhand komplexerer Algorithmen erkannt werden [11]. An die Stelle des Variationskoeffizienten tritt nun eine Vielzahl verschiedener Marker (welche auch den Variationskoeffizienten beinhalten kann).. Wie werden diese Algorithmen entwickelt? In den häufigsten Fällen werden „überwachte“ („supervised“) Lerntechniken angewendet. Modelle werden anhand eines Datensatzes entwickelt, in dem bekannt ist, wann Unternehmen Absprachen getroffen haben und wann nicht. Dieser Datensatz wird dann in einen Trainings- und Testdatensatz aufgeteilt, beispielsweise mit jeweils 75 % und 25 % der Beobachtungen. Während im Trainingsdatensatz ständig neue Vorhersagemodelle generiert werden, wird die Güte der Vorhersagen im Testdatensatz evaluiert. Dies geschieht beispielsweise durch die Überprüfung, wie oft Auktion korrekt als „Kartellverdacht“ oder „Wettbewerb“ klassifiziert werden. Die trainierten Modelle ermöglichen in der Folge eine sogenannte „Ampelanalyse“ für neue Datensätze, in denen die Präsenz von Kartellen unbekannt ist. Bild 1 zeigt diesen Prozess exemplarisch: In einem neuen Datensatz, der eine Vielzahl von Auktionen enthält, geht es darum, auffällige Auktionen (p, grau) von unauffälligen Auktionen (x, weiss) zu unterschieden. Die Klassifizierung erfolgt mithilfe der trainierten Modelle, wie durch die Lupe dargestellt. Ein Projekt für die Eisenbahninfrastruktur Unter diesen Voraussetzungen führte die Hochschule Luzern (HSLU) im Auftrag des SBB-Forschungsfonds ein Projekt durch, um Auktionen im Bereich der Eisenbahninfrastruktur auf Anzeichen von Kartellen zu screenen [17]. Mit Hilfe von Daten aus Straßsenbaukartellen, die von der Schweizer Wettbewerbsbehörde zur Verfügung gestellt wurden, wurden Algorithmen wie der „Random Forest“ und der „Super Learner“ trainiert, um Beschaffungsauktionen zu screenen. Mithilfe der zurückgehaltenen Testdatensätze wurde erkannt, dass in etwa 80 % der Fälle die Algorithmen die von der Behörde als Absprache gelabelten Fälle korrekt erkannten. In einem zweiten Schritt wurden diese Modelle auf insgesamt 1.206 Einkaufsauktionen der SBB in den Jahren 2015 bis 2021 angewendet, um Indizien potenzieller Kartelle zu identifizieren. Zusammenfassend wurden etwas weniger als 10 % der Auktionen als „auffällig“ klassifiziert, davon rund 2,5 % als „sehr auffällig“. Dies bedeutet, dass diese Auktionen mit Wahrscheinlichkeiten von mehr als 50 % (bei „auffälligen“ Auktionen) bzw. mehr als 70 % (bei „sehr auffälligen“ Auktionen) mit einem Kartellverdacht assoziiert gewesen wären. Unter Berücksichtigung des Umstandes, dass auch beim Modell-Testing rund 20 % der Vorhersagen nicht korrekt waren („falsch-positiv“ und „falsch-negativ“), sind dies sehr tiefe Werte und sprechen deutlich gegen statistisch relevantes Kartellverhalten. Auch aus juristischer Sicht ist zu beachten, dass im Fall der Einstufung als „auffällig“ oder „sehr auffällig“ nicht automatisch der Beweis erbracht ist, dass es sich tatsächlich um eine abredebetroffene Auktion handelt. Dennoch hätte es sein können, dass der Markt möglicherweise durch „lokale“ Kartelle in spezifischen Clustern infiltriert gewesen wäre. Der Begriff „lokal“ erschöpft sich dabei nicht in der räumlichen Zuordnung: Entlang ökonomischer Überlegungen können solche Cluster anhand ergänzender Kriterien - wie z. B. Art der Vergabeverfahren, Projektvolumina oder wiederholte Interaktionen derselben Unternehmen - untersucht werden (Cluster-Analyse). Daher wurde in einem weiteren Schritt eine sogenannte Subgruppenanalyse durchgeführt, um solche „lokalen“ Auffälligkeiten zu identifizieren, ohne dass diese im statistischen Rauschen untergehen. Im Ergebnis wurden jedoch kaum oder gar keine statistischen Hinweise gefunden, die auf lokale Auffälligkeiten hindeuteten. Gleichwohl bietet sich die Möglichkeit, auf dieser Datengrundlage Einzelfälle vertieft im Kontext des Sachverhalts zu prüfen. Bild 1: Ampelauswertung (angelehnt an [17]) Internationales Verkehrswesen (75) 4 | 2023 43 Wissenschaft INFRASTRUKTUR Einige Gedankenanstöße für zukünftige Anwendungen Nach Kenntnis der Autoren der Studie handelte es sich bei diesem Projekt um den ersten Versuch in der Transportliteratur, maschinelle Lerntechniken zum Erkennen von Kartellen im Bereich der Eisenbahninfrastruktur anzuwenden [17]. Da die Algorithmen zur Detektion möglicher Kartelle mittels Daten aus Straßenbaukartellen trainiert wurden, stellt sich die Frage nach der externen Validität. Konkret musste die Annahme getroffen werden, dass das Kartell-Verhalten im Bereich der Eisenbahninfrastruktur ähnlich verläuft wie im Straßenbau. Dafür spricht, dass in beiden Branchen dieselben Auktionsverfahren angewandt wurden und vergleichbare Vorleistungen erforderlich waren. Außerdem gibt es in beiden Branchen vergleichbare geografische Barrieren, und die Trainings- und Anwendungsdatensätze stammen aus demselben Land. Dennoch wäre es wünschenswert, für zukünftige Anwendungen aktuelle Daten der Branche zur Verfügung zu haben, die untersucht werden, einschließlich dem Wissen darüber, bei welchen Auktionen tatsächlich Kartelle im Spiel waren. An dieser Stelle ist der Weg der Deutschen Bahn (DB) erwähnenswert, die ein Kartellscreening-Tool entwickelte, das nicht auf maschinellen Lerntechniken basiert [18]. Stattdessen wurden die Modelle der DB beispielsweise basierend auf Literaturerkenntnissen, ökonomischer Theorie oder Herleitungen in Expertenworkshops entwickelt. Es besteht auch die Möglichkeit, dass Lieferantenkartelle versuchen könnten, Screening-Algorithmen auszutricksen. Beispielsweise könnten Offerten manipuliert werden, indem Phantomgebote erstellt werden, um Muster von kompetitiven Geboten nachzubilden (vgl. z. B. [10]). Ein solches koordiniertes Vorhaben würde jedoch normalerweise eine Datenspur hinterlassen, die von Wettbewerbsbehörden als Beweismittel verwendet werden könnte [13]. Lieferantenkartelle würden damit weniger eindeutige Indizien (Muster in den Daten) gegen andere, „eindeutigere“ Indizien (z. B. E-Mails) tauschen. Angesichts der Tatsache, dass der Wettbewerbsbehörde weitere Instrumente wie die Kronzeugenregelung zur Verfügung stehen, wäre dies ein riskantes Unterfangen (vgl. z. B. [19]). Außerdem ist anzumerken, dass das Screening mittels maschineller Lerntechniken einer „Black Box“ ähnelt. Für potenzielle Lieferantenkartelle dürfte es unklar sein, wie sie erfolgreich ein Wettbewerbs-Muster nachzuahmen haben. Dass Kartell-Screenings ein willkommenes zusätzliches Instrument für Wettbewerbs- und Beschaffungsbehörden sein sollten, wird durch die relativ geringen Kosten für eine flächenwirksame Abschreckung unterstrichen. Allein die Kommunikation über die Durchführung solcher Screenings hat eine präventive Wirkung, indem sie die Aufdeckungsgefahr konkretisiert. Selbst wenn bestehende Modelle umgangen werden können und potenziellen Kartellen möglicherweise sogar bekannt ist, dass keine idealen Trainingsdaten vorhanden sind, bleibt stets das Restrisiko, durch neue und weiterentwickelte Methoden aufgedeckt zu werden [20]. Alleine schon diese abschreckende Wirkung ist es wert, Kartell-Screenings in Beschaffungsauktionen durchzuführen, gerade wenn man bedenkt, dass die Kosten für Verkehrsinfrastrukturen nicht nur aufgrund von Lieferantenkartellen steigen. ■ LITERATUR [1] Bundeskartellamt. (2013): B12-16/ 12, B12-19/ 12. www.bundeskartellamt.de/ SharedDocs/ Entscheidung/ DE/ Fallberichte/ Kartellverbot/ 2013/ B12-16-11_B12-19-12.pdf (Abruf: 24.10.2023. [2] Bundesamt für Statistik (2022): Infrastruktur und Streckenlänge. www.bfs.admin.ch/ bfs/ de/ home/ statistiken/ mobilitaet-verkehr/ verkehrsinfrastruktur-fahrzeuge/ streckenlaenge.html (Abruf: 18.09.2023). [3] Bundesamt für Verkehr BAV: Finanzierung des öffentlichen Verkehrs. www.bav.admin. ch/ bav/ de/ home/ das-bav/ aufgaben-des-amtes/ finanzierung.html (Abruf: 18.09.2023). [4] Bundesamt für Statistik. (2023): Strasseninfrastrukturrechnung. www.bfs.admin.ch/ bfs/ de/ home/ statistiken/ mobilitaet-verkehr/ kosten-finanzierung/ strasse-langsamverkehr/ infrastruktur.html (Abruf: 18.09.2023). [5] Wallimann, H.; Imhof, D.; Huber, M. (2022): A machine learning approach for flagging incomplete bid-rigging cartels.In: Computational Economics. [6] Harrington, J. (2006): Behavioral screening and the detection of cartels. European competition law annual, pp. 51-68. [7] Boyer, M.; Kotchoni, R. (2015): How much do cartel overcharge? In: Review of Industrial Organization, 47, pp. 119-153. [8] Bruneckienė, J.; Pekarskienė, I.; Guzavičius, A.; Palekienė, O.; Šovienė, J. (2015): The Impact of Cartels on National Economy and Competitiveness. A Lithuanian Case Study. [9] Imhof, D. (2019): Detecting bid-rigging cartels with descriptive statistics. In: Journal of Competition Law and Economics, 15 (4). [10] Porter, R.; Zona, D. (1993): Detection of bid rigging in procurement auctions. In: Journal of political economy, 101 (3), pp. 518-538. [11] Huber, M.; Imhof, D. (2019): Machine learning with screens for detecting bid-rigging. In: International Journal of Industrial Organization, 65, pp. 277-301. [12] García Rodríguez, M.; Rodríguez Montequín, V.; Ortega Fernández, F.; Villanueva Balsera, J. (2020): Bidders recommender for public procurement auctions using machine learning: Data analysis, algorithm, and case study with tenders from Spain. In: Complexity, pp. 1-20. [13] Imhof, D.; Wallimann, H. (2021): Detecting bid-rigging coalitions in different countries and auction formats. In: International Review of Law and Economics, 58. [14] OECD. (2022): Data Screening Tools in Competition Investigations. OECD Competition Policy Roundtable Background Note. [15] Silveira, D.; Vasconcelos, S.; Resende, M.; Cajueiro, D. (2022): Won’t Get Fooled Again: A supervised machine learning approach for screening gasoline cartels. In: Energy Economics, 105. [16] Harrington, J.; Imhof, D. (2022): Cartel Screening and Machine Learning. Computational Antitrust. (https: / / law.stanford.edu/ wp-content/ uploads/ 2022/ 08/ harrington-imhof-2022.pdf (Abruf: 25.10.2023). [17] Wallimann, H.; Sticher, S. (2023): On suspicious tracks: machine-learning based approaches to detect cartels in railway-infrastructure procurement. Transport Policy. [18] Beth, H.; Kaiser, L. (2023): Die Entwicklung eines Kartellscreening-Tools bei der Deutschen Bahn AG. Künstliche Intelligenz und Data Science in Theorie und Praxis: Von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen. S. 267-282. [19] Blatter, M.; Emons, W.; Sticher , S. (2018): Optimal leniency programs when firms. In: Review of industrial organization, 52 (3), pp. 403-427. [20] Wallimann, H.; Wegelin, P. (2020): Baukartelle mit Screenings aufdecken. In: Die Volkswirtschaft, 1-2, S. 41-43. Hannes Wallimann, PhD Dozent, Kompetenzzentrum Mobilität, Hochschule Luzern (CH) hannes.wallimann@hslu.ch Silvio Sticher, PhD Dozent, Kompetenzzentrum Mobilität, Hochschule Luzern (CH) silvio.sticher@hslu.ch