KARTELLE
Die Volkswirtschaft 8–9 / 2018 45
Wie man Kartellen mittels Statistik das Handwerk legt
Die Bekämpfung von Preisabsprachen im Beschaffungswesen ist seit mehreren Jahren ein Schwerpunktthema der Wettbewerbskommission. Dabei werden immer öfter auch statistische Methoden eingesetzt. Mit Erfolg. Yavuz Karagök
D
ass Submissionskartelle aus volkswirt- schaftlicher Sicht schädlich sind, ist un- bestritten.1 Das ist auch der Grund, warum sie in der Schweiz verboten sind. Im Gegen- satz zu anderen Kartellen, bei denen selbst- ständige Unternehmen den Wettbewerb beschränken, um beispielsweise überhöhte Preise durchzusetzen, sprechen die Firmen in Submissionskartellen ihre Angebote bei öf- fentlichen und privaten Ausschreibungen ab.So können sie bestimmen, wer den Zuschlag zu welchem Preis erhalten soll. Jüngst wurde ein solches Kartell im Unterengadin und im Münstertal aufgedeckt, wo Baufirmen jah- relang Aufträge und Preise abgesprochen haben.2 In der Regel führen Kartelle zu un- gerechtfertigten höheren Preisen, Effizienz- verlusten und geringeren Innovationsanrei- zen. In der ökonomischen Fachliteratur wird geschätzt, dass die Konsumenten wegen die- ser Kartelle Preise zahlen, die 10 bis 50 Pro- zent höher liegen als in einer Wettbewerbs- situation.3 Die Wettbewerbskommission des Bundes (Weko) deckte in ihrem Entscheid
1 Dieser Beitrag gibt die persönliche Meinung der Auto- ren wieder und verpflichtet weder die Weko noch de- ren Sekretariat.
2 Siehe dazu die Entscheide auf Weko.admin.ch. Gegen den Entscheid Unterengadin hat ein Teil der Verfah- rensparteien Beschwerde bei Bundesverwaltungs- gericht eingelegt. Die Beschwerden sind derzeit dort noch hängig (Stand: 21. Juni 2018).
3 Für einen Literaturüberblick siehe Buneckienè et al.
(2015), Boyer und Kotchoni (2015) sowie online auf Oecd.org.
Abstract Um Kartelle im Beschaffungswesen aufzudecken, sind die Wettbewerbsbe- hörden in der Regel auf Insiderinformationen angewiesen. So wurden in der Schweiz in den letzten Jahren mehrere solcher Submissionskartelle dank Hinweisen von Beschaf- fungsstellen und Whistleblowern aufgedeckt. Neuerdings sind die Wettbewerbshü- ter aber auch in der Lage, die Abhängigkeit von externen Hinweisen zu reduzieren und Kartelle selber zu entdecken. Konkret ziehen sie in der Literatur etablierte statistische Methoden heran und prüfen die Märkte auf Merkmale, die Absprachen anzeigen. In der Schweiz konnte die Wettbewerbskommission (Weko) damit bereits erste Erfolge erzielen. Diese neuen Methoden führen zu einem höheren Abschreckungseffekt und destabilisieren dadurch bestehende Kartelle. Deshalb sind diese statistischen Metho- den für die Wettbewerbsbehörden und für Firmen mit grossem Beschaffungsvolumen von enormer Bedeutung.
zum Tessiner Strassenbaukartell auf, dass die Kartellmitglieder durch Absprachen über- höhte Preise von durchschnittlich 30 Prozent durchsetzen konnten.4
Aufgrund des grossen volkswirtschaftli- chen Schadenpotenzials ist die Bekämpfung von Submissionskartellen von grosser Be- deutung. So veröffentlichen etwa die Orga- nisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) sowie das Interna- tional Competition Network (ICN) verschie- dene Leitlinien zur Bekämpfung von sol- chen Kartellen und organisieren regelmässig Workshops zum Thema.5 Noch stärker gehen die nationalen Wettbewerbsbehörden gegen die Submissionskartelle vor. Die englische Wettbewerbsbehörde Competition & Mar- kets Authority (CMA) etwa stellt den Beschaf- fungsstellen ein statistisches Tool zur Verfü- gung,6 mit dem sie die eingereichten Ange- bote auf allfällige Absprachen prüfen können.
Auch für die Weko bildet die Bekämpfung von Submissionskartellen ein Schwerpunkt- thema. Sie bietet den Beschaffungsstellen deshalb Ausbildungsmodule an. Zudem hat sie 2008 ein Pilotprojekt gestartet mit dem Ziel, durch empirische Datenanalysen Hin- weise auf Kartelle zu gewinnen.7 In der öko-
4 Entscheid der Weko, Strassenbeläge Tessin, RPW 2008/1, S. 85 ff.
5 Mehr Informationen auf Oecd.org und Internationalcompetitionnetwork.org.
6 Vgl. dazu Gov.uk.
7 Jahresbericht Weko (2014), S. 25 f.
nomischen Fachliteratur wird dieses Vorge- hen als «Screening» bezeichnet. Im Rahmen dieses Pilotprojektes konnte die Weko ein so- genanntes Screening-Tool8 entwickeln, wel- ches Hinweise auf ein Strassenbaukartell im Zürichseegebiet, in den Kantonen St. Gal- len und Schwyz ergab. Die anschliessende Untersuchung bestätigte diese Hinweise und deckte ein Kartell auf. Die beteiligten acht Unternehmen wurden 2016 von der Weko verurteilt und sanktioniert.9
Verdächtiges Verhalten aufdecken
Durch statistische Screening-Methoden kön- nen die vorhandenen Marktdaten auf Muster hin überprüft werden, die eine mögliche ge- heime Absprache anzeigen. Mittels Daten- analysen können also kartelltypische Verhal- tensmuster erkannt werden. Screening-Me- thoden kommen deshalb in der Praxis immer öfter zum Einsatz, denn die Behörden sind dadurch weniger abhängig von externen Hin- weisen und Anzeigen und sind in der Lage, Kartelle aus eigener Kraft zu entdecken. So müssen die Kartellmitglieder befürchten, dass sie die Behörden selbst dann belangen können, wenn sie einzig über (weitgehend) öffentlich zugängliche Marktdaten wie etwa Angebotspreise verfügen. Nicht zuletzt auf- grund dieses Abschreckungseffektes haben die Wettbewerbsbehörden ein grosses Inter- esse daran, solche Screening-Methoden an- zuwenden und weiterzuentwickeln.
Das Vorbeugen und das Aufspüren von Kartellen durch systematische Datenana- lyse erfordern gute Kenntnisse der Markt- struktur. Deshalb werden beim Screening in einer ersten Phase kartellgefährdete Märkte
8 Überblick von Screening-Methoden: M. J. Doane, L.
M. Froeb, D. S. Sibley, B. P. Pinto (2015). Screening for Collusion as a Problem of Inference, in: The Oxford Handbook of International Antitrust Economics, vol. 2, Chapter 21, Oxford University Press.
9 Siehe Weko.admin.ch. Bauleistungen See-Gaster: Ver- fügung vom 8. Juli 2016. Gegen den Entscheid hat ein Teil der Verfahrensparteien Beschwerde bei Bundesver- waltungsgericht eingelegt. Die Beschwerden sind der- zeit dort noch hängig (Stand: 21. Juni 2018).
KARTELLE
46 Die Volkswirtschaft 8–9 / 2018
identifiziert. Dabei können beispielsweise die OECD-Richtlinien herangezogen werden.10 In diesen Richtlinien sind Strukturmerkma- le aufgeführt, welche für Absprachen förder- lich sind. So ist etwa die Wahrscheinlichkeit für Preisabreden umso grösser, je weniger Firmen im Markt vorhanden sind (hoher Kon- zentrationsgrad). Auch Märkte mit standardi- sierten oder homogenen Gütern sind gefähr- det oder auch Märkte mit hohen Marktein- trittsschranken.
Eine wichtige Grundlage für das Scree- ning in den Beschaffungsmärkten ist das Ge- botsverhalten der Firmen bei Ausschreibun- gen. Deshalb wird in einer zweiten Phase des Screenings das konkrete Verhalten der Fir- men in den identifizierten Märkten analysiert.
Zum Beispiel kann es sein, dass die Mitglieder eines Submissionskartells der Reihe nach den Zuschlag erhalten – dann spricht man von einem sogenannten Rotationskartell. Oder:
Bestimmte Firmen gewinnen nur Ausschrei- bungen mit einem bestimmten Auftragsvo- lumen oder nur in bestimmten geografischen Regionen, weil die Kartellmitglieder das Ge- biet unter sich aufgeteilt haben. Ungewöhn- lich hohe Angebotspreise können genauso auf Abrede zurückzuführen sein wie eine tie- fe Preisvarianz – denn in beiden Fällen korres- pondieren die Kartellpreise nicht mit den tat- sächlichen Kosten.
Wenn die erforderlichen Daten zur Verfü- gung stehen, können die aufgeführten Ver- haltensweisen von Firmen mittels statisti- scher Methoden überprüft werden. Fundierte wissenschaftliche Erkenntnisse und Erfah- rungen der Behörden in diesem Bereich die- nen als Grundlage für Ideen und Ansätze zur Entwicklung von geeigneten statistischen Methoden.11
Das Tessiner Strassenbaukartell
Bei der Analyse von Submissionsdaten spielt vor allem die Varianz der Angebotspreise bei Ausschreibungen eine zentrale Rolle. Ana- lysiert man die Streuung der Angebotsprei- se (sog. Varianz-Screen) mithilfe geeigneter Hypothesen über die Funktionsweise allfälli- ger Kartelle, können wertvolle Hinweise ge- wonnen werden. Eine solche Analyse hat die Weko in ihrer Untersuchung zum Tessiner Strassenbaukartell durchgeführt (siehe Ab- bildung 1).12 Dabei wird deutlich, dass die Va-
10 Vgl. OECD (2009). Leitfaden zur Bekämpfung von Ange- botsabsprachen im öffentlichen Beschaffungswesen.
11 Für eine Übersicht siehe Harrington (2007).
12 Das Tessiner Strassenbaukartell wurde von der Weko im Jahr 2007 aufgedeckt und verboten. Am Kartell waren mit einer Ausnahme alle im Kanton Tessin täti- gen Strassenbaufirmen beteiligt. Vgl. dazu Entscheid der Weko, Strassenbeläge Tessin, RPW 2008/1, S. 85 ff.
Abb. 2: Scheinangebote im Tessiner Strassenbaukartell
Die Punkte in den Abbildungen zeigen jeweils exemplarisch das Bieterverhalten eines Kartellmitglieds (Firma A) gegenüber einem der übrigen Mitglieder. Der Abstand zum Gewinnerangebotspreis ist durch den Abstand zum Nullpunkt des Koordinatensystems dargestellt. Im Gegensatz zu Abbildung b) deutet in Abbildung a) das Fehlen von Punkten um den Nullpunkt und die Häufung von Punkten auf der Diagonale rechts oben darauf hin, dass sich die Bietenden abgesprochen haben. Die auf den Achsen aufgeführten Angebotspreise sind normiert.
Die Varianzen in der Kartellperiode 1999–2005 waren signifikant und systematisch tiefer als vor und nach der Kartellphase.
20
15
10
5
0
25 Variationskoeffizient
a) Kartellphase
b) Post-Kartellphase
Datum der Ausschreibung
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
0,75
0,5
0,25
0
1 Übrige Kartellmitglieder
Firma A
1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
Abb. 1: Varianz-Screen im Tessiner Strassenbaukartell
IMHOF D. (2017) UND RECHT UND POLITIK DES WETTBEWERBS (RPW), 2008/1, S. 103.VGL. IMHOF D. (2017), A. A. O., S. 34 F. / DIE VOLKSWIRTSCHAFT
0,75
0,5
0,25
0
1 Übrige Kartellmitglieder
Firma A
1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
KARTELLE
Die Volkswirtschaft 8–9 / 2018 47 rianzen in der Kartellperiode 1999–2005 si-
gnifi kant und systematisch tiefer waren als vor und nach der Kartellphase. Wie aus der Untersuchung der Weko hervorgeht, kann dieser Unterschied nicht durch andere Fakto- ren erklärt werden und ist allein auf Submis- sionsabsprachen zurückzuführen.13
Eine weitere Möglichkeit, um mitt els Screening Hinweise auf Absprachen zu er- halten, ist es, die Interaktion zwischen den Unternehmen zu untersuchen. Dazu ver- gleicht man zunächst das Bieterverhalten von jeweils zwei Unternehmen. Konkret wird ge- prüft , ob das analysierte Firmenpaar für glei- che Ausschreibungen echte Konkurrenzan- gebote oder doch nur Scheinangebote ein- reicht. Dies wird anhand des Abstandes zwischen dem jeweiligen Verliererangebots- preis und dem Gewinnerangebotspreis ge- messen. Ein systematisch grosser Abstand zwischen den Angebotspreisen kann ein Hin- weis auf ein Scheinangebotsverhalten sein.14
Im Tessiner Strassenbaukartell hat es solche Scheinangebote gegeben, wie sich grafi sch zeigen lässt (siehe Abbildung 2 ).15 Das Bieterverhalten der Kartellmitglieder hat sich nach der Kartellphase komplett geändert. Während der Kartellperiode la- gen die Punkte in den meisten Fällen weit weg vom Gewinnerangebotspreis, welcher
13 Für eine Anwendung des Konzeptes auf andere Märkte siehe Abrantes-Metz et al. (2012).
14 Für eine vertieft e Beschreibung der Methode siehe Imhof, Karagök und Rutz (2018).
15 Siehe Imhof (2017).
Literatur
Abrantes-Metz, R., M. Kraten, A. D. Metz, G. Seow (2012). Libor Manipulation?, in:
Journal of Banking and Finance, Vol. 36, pp. 136–150.
Bruneckienė, J., I. Pekarskienė, A. Guzavi- cius, O. Palekienė, J. Šovienė (2015). The Impact of Cartels on National Economy and Competitiveness, A Lithuanian Case Study, Springer Verlag, S. 24ff . Boyer, M., R. Kotchoni (2015). How Much
Do Cartel Overcharge?, in: Review of Industrial Organization, Vol. 47(2).
Harrington, J. E. (2007). Behavioral Screening and the Detection of Cartels, European Competition Law Annual 2006: Enforcement of Prohibition of Car- tels, Claus-Dieter Ehlermann und Isabela Atanasiu (eds.), Hart Publishing.
Imhof, D. (2017). Simple Statistical Screens to Detect Bid Rigging, Working Papers SES 484, Faculty of Economics and Social Sciences. University of Fribourg (Switzerland).
Imhof, D., Y. Karagök, S. Rutz, (2018).
Screening for Bid Rigging: Does It Work?, in: Journal of Competition Law & Econo- mics, im Erscheinen.
Martin, H. und D. Imhof (2018). Machine Learning with Screens for Detecting Bid-Rigging Cartels. Working Papers SES 494, Faculty of Economics and Social Sciences, University of Fribourg (Switzerland).
Nigrini, N. J. (2012). Benford’s Law: Applica- tions for Forensic Accounting, Auditing, and Fraud Detection. John Willey & Sons, Hoboken, NJ.
durch den Ursprung des jeweiligen Koordi- natensystems repräsentiert ist. Das bedeu- tet, dass die unterlegenen Firmen vermei- den wollten, dass sie mit ihrem Angebot den abgesprochenen Sieger tatsächlich konkur- renzieren. Nach der Kartellperiode sind die Angebote über die ganze Grafi k verteilt und sind somit ein Indiz für eine echte Konkur- renzsituation.
Selbstlernende Screening- Programme
Durch intensive Forschung zur Kartellaufde- ckung werden in der ökonomischen Literatur fortwährend neue Methoden entwickelt. Die Wett bewerbsbehörden selber leisten mit Er- folg einen grossen Eff ort, um die bestehen- den Methoden anzuwenden, weiterzuent- wickeln und sie an ihre eigenen Bedürfnisse anzupassen.16 Auf internationaler Ebene ko- operieren sie dazu beispielsweise in Work- shops der OECD miteinander. Die Bekämp- fung von Submissionsabreden erfolgt aller- dings nicht nur durch Screening-Methoden.
Parallel dazu werden auch die öff entlichen Beschaff ungsstellen von Wett bewerbsbe- hörden ausgebildet und sensibilisiert.17 Zu- dem werden ihnen Auswertungstools zur Verfügung gestellt. Zurzeit sind auch die ers- ten privaten Unternehmen mit hohem Be- schaff ungsvolumen daran, ihr eigenes Scree-
16 Vgl. Jahresbericht Weko 2014, S. 25 f.
17 Vgl. Jahresbericht Weko 2014, S. 22 f.
ning-Team auf die Beine zu stellen, um sich gegen Kartelle zu schützen.
Mit zunehmender Digitalisierung der Wirtschaft steigt auch die zur Verfügung ste- hende Datenmenge. Diese grossen Daten- sätze erfordern den Einsatz spezieller Algo- rithmen und besonderer Soft ware. Sie bieten aber auch neue Möglichkeiten: Beispielswei- se werden schon jetzt mathematische Tech- niken bei der Betrugsbekämpfung einge- setzt.18 Erste Gedanken, wie man die Tech- niken des maschinellen Lernens («machine learning») bei der Aufdeckung von Kartel- len nutzen könnte, werden auf internationa- ler Ebene bereits diskutiert.19 Maschinelles Lernen bedeutet, dass die Soft ware aus den Daten selber lernt, um so die Aufdeckungs- wahrscheinlichkeit von Kartellen zu erhöhen.
18 Eine der am häufi gsten verwendeten mathematischen Techniken ist das Benfordsche Gesetz, das allgemein bei der Aufdeckung von Datenbetrug Verwendung fi n- det. Vgl. dazu Nigrini (2012).
19 Siehe Martin und Imhof (2018).
Yavuz Karagök
Dr. rer. pol., Bereichsleiter Empirie, Wett bewerbskommission (Weko), Bern
