监管科技作为反垄断执法的工具
金融科技已被应用于金融服务部门的各类商业模式。与此同时,监管科技也在该部门兴起。然而,监管技术在金融服务中的主要应用是作为监管合规性的工具,而不是监管执行的工具。本文探讨了将监管科技技术应用于反垄断执法的方法。它通过将这些技术应用于监测维持转售价格(垂直价格操纵)来实现。本文通过介绍澳大利亚、美国和欧盟关于维持转售价格的文献和案例,以及相关法律的实施,来实现监管科技的应用。本文探讨了机器学习在监管科技中的应用,提出了用于检测潜在侵害消费者权益的维持转售价格行为的机器学习解决方案,并提出了检测该行为的算法的基本规则。
引言
关于金融技术(FinTech)在金融服务部门的商业模式中的应用已经进行了大量的讨论。与此相关的是该部门监管科技的兴起。然而,在金融服务中,监管科技主要是监管合规的工具,而不是监管执法的工具。
全球金融危机之后,对金融机构和服务的监管日益受到重视。金融科技和监管科技往往相互关联。然而,这个关联低估了监管科技的潜力。在金融科技提供金融解决方案的情况下,监管科技进一步利用技术为监管机构提供机会,在以前不存在的风险评估中获得一定程度的粒度。监管科技可以在监管范围内发挥巨大作用,并有可能节省大量成本;这适用于金融监管机构和市场竞争主管机构。
监管科技最简单的形式可以被描述为“在监管监测、报告和合规的背景下使用技术,特别是信息技术”,使其能够为监管过程提供“技术解决方案”。这种技术在监管机构和决策者提出的日益复杂和合规要求的部门尤其有用。在金融服务部门,规定性和复杂性的规章导致了受管制者和监管者的成本增加。财务报告必须对复杂的条例作出反应,这就需要提高报告和分析的准确性和频率。通过自动化这些过程,理论上应该减少错误,因此监管行动和罚款应该更加有限。
然而,将监管科技定义为金融科技的子集无法正确解释其功能。它不仅仅有助于更有效地执行监管要求。它更是一个“关键的变化,导致监管范式的转变,这是金融服务监管的下一个逻辑演变,应该发展成为整个金融服务部门的基础”。由于监管科技具有通过人工智能对国内和全球市场进行接近实时洞察的持续监测能力的潜力,因此它可以是主动的,而不是被动的,着眼于提前而不是事后发现问题。
在金融服务业,监管科技的重点是将手工报告和合规流程数字化,建立一个既能识别和处理风险又能促进有效合规的监管制度。在这种情况下,Regtech的最终目标是实现一个“设计合规”框架,使监管者能够自动监控他们制定的合规标准。
在合规性方面,监管科技的实现中存在相关的困难。那些有开发技术知识的人可能不知道如何实施它,因为他们可能不了解法规。然而,在执行过程中,这些挑战就消失了。仍然存在的挑战是技术上的挑战,它要求监管机构了解这项技术是如何得出特定结论的。我们必须确保竞争主管部门在使用外部工具时,这些外部工具的提供商在没有适当知识或没有为公众利益运作的动机时,不会成为监管的把关人。
监管科技通常被视为能解决受监管机构面临的问题。它减少了对人为干预的需要,加快了过程,减少了人为错误的可能性(人为错误可能导致行政罚款)。它还可以在改进的合规和监控流程中集成大数据,并促进成本节约。然而,在创建和维护监管科技系统方面存在其他的成本。监管科技并非没有风险和挑战。
此外,不应将监管科技视为一种消除政策考虑因素的机制,也不应使监管决策不受争议。它需要不断调整模型或决策以及性能不佳的算法。到目前为止,关于监管科技的研究已经考虑了监管机构如何实施和使用它,包括它的好处和局限性。竞争主管机构如何利用监管科技监测相关法律法规的遵守情况,已经通过统计方法及在更有限的程度上使用机器学习进行了探讨。在竞争法(也称为反托拉斯法)中,有可能使用机器学习寻找定价模式。本文考虑将机器学习应用于维持转售价格(RPM)的调查,即垂直定价。
本文探索性地考虑了监管科技在该领域的应用方式。它首先考察了澳大利亚、美国和欧盟的RPM维持禁令的法律和适用情况。下一节将讨论实现监管科技的一些方法以及作为人工智能子集的机器学习的一些方法。
在此基础上,本文研究了转售价格维持行为的检测机制。它通过提出检测潜在侵权行为的机器学习解决方案的方法来实现这一点,并提出了检测该行为的算法基础。最后得出结论。
反价格垄断的应用
1. 法律基础
在澳大利亚,RPM由2010年《竞争与消费者法案》(Cth)(CCA)第48条禁止。第48(1)节规定,公司或其他人不得从事RPM业务。第48(2)节规定,如果:(i)公司或其他人已根据CCA第93(1)款向澳大利亚竞争与消费者委员会(ACCC)发出了行为描述通知;以及(ii)该通知根据第93节生效。也就是说,ACCC有一个授权RPM的机制。这意味着为RPM设计的任何监管科技模型都需要检查授权。
在欧盟,对分销商和零售商施加最低或固定转售价格的协议可能违反《欧盟条约》和《欧盟运作条约》合并版本[2016]OJ C 202/01(TFEU)第101(1)条。第101(1)条规定,应禁止企业(实体)之间可能影响欧盟成员国之间贸易,并以在欧盟市场上预防、限制或扭曲竞争为目标或效果的所有协议和一致做法。第101(1)条得到了“区块豁免条例”和欧盟委员会“垂直指南”的支持。RPM被视为“核心”,而“区块豁免条例”的第4条包含了一系列核心限制条件,这些限制导致相关协议属于第101(1)条的范围因此被禁止。如果各方的市场份额不超过30%的上限,则建议和最高转售价格的设定可以免除,欧洲法院认为,最高转售价格等于固定或最低转售价格(因此违反法律),如果”转售商真的不可能降低该销售价格”。欧盟规则的效果是,任何监管科技模型都需要充分区分推荐零售价价格和RPM。
在美国,RPM为《谢尔曼法案》第1节所禁止。第1节禁止“限制贸易的每一份合同,以信托或其他形式组合,或共谋”,其中包含对转售货物的纵向限制,包括RPM、独家交易、搭售和客户或地区限制。
2. 监管科技应用于反价格垄断
机器学习已被确定为反垄断侦查和执法的潜在基础特别是在卡特尔侦查方面。
机器学习有三种形式。最常用的是“监督机器学习”。从概念上讲,有监督的机器学习需要一个数据样本来创建特定输入输出的预测。例如,假设你有数据显示了一个人在20、30、40和50岁会发展出的平均白发数量,你可以用有监督的机器学习来预测一个人在37岁时会有多少白发。当然,需要有足够的数据来进行准确的预测:创建初始模型的一种方法是将大约80%的数据集用于创建“培训数据”,并将余额用作“测试数据”。
监督机器学习通常使用两种工具之一:回归分析和分类。在分类中,输入被划分为具有潜在共同特征的组,输出是类标签。即输出是离散的。离散变量类似于每天进入医院的人数,或者大学的学生人数;更多的是一个类别。相反,在回归中,输出是连续的。回归分析的连续输出将是一个实数。例如,身高或体重。区别于类似类别的离散输出的是,不管两个人的身高或体重有多近,都会有另一个人的测量值介于两者之间。对于价格分析,采取的方法是回归。重要的是要注意,这一初始模型预计将通过强化学习来改进,这可能是实时的,下文将对此进行讨论。其理由是,随着时间的推移,存在数据“漂移”的现象。
机器学习的第二种形式是“无监督学习”。这通过查找输入数据中存在的结构或模式来提取一般规则而无需任何外部输入来创建模型。无监督机器学习也可用于异常检测。在这种情况下,它感兴趣的是异常值(相对于模式)。离群点检测一般可能是监管科技在竞争法中应用的一个重要方面,但在RPM检测中可能不那么重要。
机器学习的第三种形式是强化学习。在强化学习中,算法学会采取行动,以最大限度地获得累积奖励。如果选择了成功的行动,它可能会得到奖励。简单地说,它通过试错来学习。该算法最大限度地提高了未来奖励折扣的预期总和。正如本文后面所建议的,在RPM检测中应用强化学习存在证据问题。
3. 应用程序接口
在某些情况下,可能需要一个数据接口来进行定价分析。这就要求可以从电子商务平台获得最新的交易数据。应用程序编程接口或API提供了应用程序和软件可以调用信息的“钩子”。在许多情况下,这些数据集可以是实时的。一般来说,API倾向于用于商业-商业交易,而不是商业-消费者体验,消费者通常会查看基于网络的输出,而不是使用机器来查看数据。
API的一个好处是可以很容易地访问应用程序的基础数据。然而,这改变了数据提供者决定是否提供API的方式。如果数据提供者决定他们将提供一个API,那么在该接口是公开呈现还是私下呈现之间就有了选择。在这两种情况下,API都需要有机制来确定用户的身份验证。如果以任何方式限制对数据的访问,则需要授权机制。
认证和授权之间的这种区别至关重要。身份验证决定了用户是否是他们声称的对象。这是通过检查用户的凭据是否与API提供者存储的凭据匹配来完成的。授权确定身份验证用户可用的访问级别。很可能只需要对公共API进行身份验证,因为所有经过身份验证的用户都具有相同的访问级别。这里的问题是确保用户以底层数据提供者确定的适当方式使用数据。例如,如果有包含个人识别信息的数据的公共API,那么只有确保以符合本地隐私策略的方式使用该信息的应用程序才会有相关的身份验证来访问数据。授权和身份验证都必须发生在私有API的情况下。
一个低效的选择是数据提供者参与一个被称为“屏幕抓取”的过程。从本质上讲,中介可以从为消费者设计的网页中获取信息,以创建数据集,并为其提供临时API。这种安排的问题是,数据的底层提供者首先可能不授权屏幕抓取,其次很可能会改变数据的呈现方式,使得屏幕抓取中介需要不时地重新排列其数据和潜在的API。
针对电商RPM的算法方法
1. 价格分配
一般来说,任何特定商品的预期价格分配将是不高于建议零售价的价格和低于该价格的一些偏差,如下图所示。
为了确认预期的分配曲线是否合适,对阿里电商平台上的特定手机定价进行考察。这是小米Redmi Note7。价格在x轴上从最低到最高绘制,y轴上则为累计分布。
如上图所示。提供的最高价格是商家是小米全球的价格。也就是说,最高价格是推荐零售价的合理代理。
其中所示的分布仅代表一项探索性调查。然而,它确实表明,为定价收集一套训练数据集是可行的。收集训练数据的一个风险是,数据源本身可能包括RPM行为,因而污染机器学习过程。不过,用于生成的数据是通过屏幕抓取而不是使用API获得的。
2. API和电商平台
在实践中,主要的电子商务平台都提供API。eBay、Amazon和阿里向开发人员提供API,以驱动其站点的流量。例如eBay有一个API允许开发人员提供采购解决方案。这些API可以用来监控特定商品的价格。例如,如果有理由怀疑RPM发生在特定批发商的产品上,则可以使用所提供的API为多个电子商务平台收集每个产品的价格分布。重要的是,API也可以用来确定所提供的价格是否在特定的管辖范围内可用。
电商平台具有使他们的API广泛可用的动机。也许,更大的动机是向竞争监管机构提供API访问,以证明平台为消费者提供物有所值的服务,并为贸易商提供公平的市场。
3. 机器学习的应用
监督学习的应用是开发与不同产品类型相关的预期价格分布。例如,电子商品可能比食品有更大的偏差。通过对商品和服务进行分类,竞争管理机构可以建立一个预期价格分布库,与之比较无监督学习所发现的模式。其效果将是改进无监督学习进行的分析。
强化学习的范围将限制在执行监管科技应用程序中,因为强化学习只能基于许多成功检测的案例。“成功”可能意味着成功的执法行动或承认与监管宽容相关的不当行为。然而,在任何情况下,或在两者之间的连续,强化必须来自实际发生的行为。如果有其他强化学习,这可能会对分析的证据价值产生不利影响。虽然RPM算法是为了处理实际RPM的实例而设计的,但它的设计假设是,只有潜在的情况才会形成对进程的输入。
4. 监测RPM
我们需要分析从屏幕抓取或使用API创建的价格分布曲线,其中一些分析可以自动化。在一个极端,价格分配可能是一个“增量”函数。即所有商家提供的单一价格。另一方面,可能是一些商家以推荐的零售价格或附近销售,但有一个或多个异常值。
这就是机器学习的应用帮助的地方,特别是使用无监督学习来收集已知推荐零售价的数据。如果提供的价格高于建议的零售价,这表明收费过高。在与推荐零售价偏差不大的情况下,这表明应应用转售价格维持检测算法。如果有价格分配,那么只要片面偏离推荐的零售价格是足够大的,那么就不需要从样本中采取进一步的行动。
一旦编程完成,基于API的无监督方法可以按照竞争主管机构的决定定期重复运行。
开发算法
1. 抽样算法
拥有这种类型的分配概念会导致一些需要考虑的抽样问题。
首先,如果每个电子商务平台上销售所涉产品的商家很少,很难可靠地得出RPM是否存在风险的结论。 例如,如果只有两个Amazon商家销售一种产品,但价格完全相同,它确实指向RPM,但不具有很大的确定性,因为可以简单地使用相同的定价算法。
其次,在竞争监管机构进行任何分析之前,可能可以设定一些所需的最低样本规模。例如,除非有五个或更多的商家销售该产品,否则不会出现RPM的问题。然而,可能会围绕任何选定的最小样本大小的任意性提出问题。同样可以想象的是,如果公布这种样本规模,批发商可能会将其视为执行RPM法规的漏洞,而只向低于最低样本规模的商家供应。
2. 定价的跨平台差异
有可能批发商会在不同的电子商务平台上使用不同的商家。例如,阿里和eBay上可能有商家的重叠,但并不是所有这些商家都会使用Amazon。在某种程度上,如果将来自所有平台的产品定价数据汇总并一起分析,这个问题就会得到改善。在价格以美元表示但本国货币不是美元的国家,存在与货币比较有关的汇总问题。
如果批发商在多个电子商务平台上有相同的商家,那么这些商家可能会在不同的平台上以不同的价格提供所涉产品。例如,定价可能反映了支付给平台的佣金。在确定是否有RPM证据时也可能需要考虑到这一点。
3. RPM只发生在较少的大商户样本中的可能性
还可以想象,向多个商家提供产品的批发商可能只与这些商家的一部分进行RPM。因此,从表面上看,确认商家之间显然存在价格差异而没有任何RPM可能是不准确的。
这可能可以通过将某种市场份额加权分配给商家来消除(类似于Herfindahl-Hirschman指数(HHI)模型),这将导致根据每个商家的规模对其定价进行仔细审查。这一方法可能类似于HHI。如果较小的商家对某一特定产品的定价似乎在趋同或价格相同,这可能表明RPM,因为他们被怀疑是由市场力量较强的批发商胁迫以推荐的零售价出售。然而,很难确定用于为每个人分配特定状态的启发式方法,因为这将需要很多关于每个商人的信息,而这可能是不容易获得的。
4. 定价随时间变化
RPM发生的情况下,可能是一个商人以前在一个平台上列出了一个特定的价格,然后由于批发商的胁迫,在稍后的日期进行修订和增加。将此作为RPM的指标的困难在于,有各种合理的原因,商家可能会提高上市价格。例如,如果先前列出的一件商品在销售结束后被退回到原来的价格。然而,这个问题可以通过查看历史定价信息来抵消-如果项目的价格被设置为推荐的零售价格或任何比销售前更大的价格,这可能表明RPM。
推荐零售价与平均、中位数或模式价格的偏差假设推荐零售价可用,可以对商家列出的所有价格的平均值、模式和/或中位数进行分析,并确定这与推荐零售价有多大的偏差。然而,很难看到这些信息会有多有用,除非设置了一组偏差度量。即使如此,也会出现这样一套措施可能具有随机性的问题。
然而,观察某些价格的频率,看看它们是否大于、等于或小于建议的零售价格是有用的:通常重复出现的价格,等于或至少非常接近建议的零售价格,就会表明RPM。
5. 基于平台的RPM指标
根据上述讨论,下列指标可以相互配合并按规定的顺序使用,以便“有必要进一步调查”批发商是否有RPM,据此,任何阶段的积极调查结果都应作为进入下一阶段调查的指示。
A. 所有商家在每个可访问的市场平台上销售的产品的联合定价信息。价格应进行调整,以考虑到交货的价格:如果交货不是免费的,则应在产品的价格中加上交货的价格,以反映给消费者的总成本。如果所有的价格都是完全相等的(特别是如果这个价格是推荐的零售价),那么定价可能会受到RPM的限制。
B. 下一步是确定行为是否以某种方式得到授权。这可能是通过正式授权,将在公共登记册上。
C. 如果以上(A)和(B)的答案是否定的,则应进行频率分析。如果这一分析表明,大量的商家以完全相同的价格出售该商品(特别是如果该价格是推荐的零售价格),那么定价可能受到RPM的限制。
D. 如果以上(C)以否定回答,但模式价格完全或根本低于或大于推荐零售价(假设推荐零售价可用),则定价可能受RPM的约束。
E. 如果以上(D)项的答案是否定的,则应分析每个商家的历史定价信息(假设这些信息是可用的)。如果有任何商家对有关产品的价格有所上涨,并且1. 价格在上涨前低于建议零售价,然后在上涨后推荐零售价,或者2. 由于合法销售而降低价格,但在销售前提高到高于原价的价格,则价格可能取决于RPM。
F. 如果上述(E)在否定中得到答复,则应考虑基于每个商家的规模和/或议价能力和/或市场份额的比较定价分析。如果规模相当的商家似乎对所涉产品收取可比价格,那么定价可能取决于RPM。
G. 如果以上(F)以否定形式回答,则定价不太可能受RPM的约束。
假设所有所需信息都可用,则上述测试的结构为“如果…那么”的判断句,这将使它很简单地重新创建为竞争监管机构的方案。也就是说,该方法可以适用为一种执行算法。其所提议的方法并没有涵盖上一节所审议的所有问题(如定价方面的地域和平台间差异),因为难以确定如何收集和解释这些信息,以表明是否发生了RPM,因而这些问题可能需要进一步分析。
如果上述任何问题都得到肯定的答复,则在进一步调查之前,应进一步询问现有数据。特别要看以下几点:
A. 有多少样品/商品?例如,如果只有一个商人出售所涉产品,(A)的答案显然是肯定的。
B. 质疑所使用的任何启发式方法的说服力(或武断性)。也就是说,在确定(C)和(D)时使用的基于证据的方法来衡量“实质性”或“非实质性”,以及这些措施是否适合所述数据集。
E. 如果查询达到(E)以上,考虑可用的历史数据的数量,并质疑这些信息是否在足够长的时间内可用,以具有说服力。
质疑用于确定(F)下大小和价格的“大小”和“相似性”的方法。这是最困难的分析,因为它是最不确定和最昂贵的信息,以确定大小。
在RPM本身不属于犯罪的国家中,上述测试仍可用于确定是否有可能发生RPM。根据该国家的举证责任,所收集的证据可作为监管机构进一步调查的依据,或作为向批发商询问该推定RPM产生的经济效益的提示。
这两种管辖权都有进一步的问题。问题是所涉行为是否也构成串通行为。也就是说,行为是否是纵向约束(RPM),或者是否存在横向约束(串通定价)。虽然本文侧重于RPM,但检测方法也可用于其他行为。
总结
本文探讨了一种在RPM检测中应用监管科技的方法,作为这种技术在反垄断执法中的应用实例。本文通过介绍有关RPM的文献和案例以及该法律在澳大利亚、美国和欧盟的适用情况来做到这一点。然后,本文审查了应用程序编程接口可用于监管执法领域的方法:提出机器学习解决方案的方法,以发现与RPM有关的潜在违法行为,并提出了检测这种行为的算法的基础。
本文的分析强调了监管机构在执法过程中,特别是在调查的初步阶段,使用监管科技可以获得的潜在好处。即使在RPM本身不是犯罪的国家,也可以使用算法来测试RPM是否存在发生的可能性,以作为进一步调查的基础。
微信扫描关注公众号,及时掌握新动向
2.本文版权归属原作所有,仅代表作者本人观点,不代表比特范的观点或立场
2.本文版权归属原作所有,仅代表作者本人观点,不代表比特范的观点或立场