Képzeljünk el egy kisvárost, ahol két widget-kereskedő verseng egymással. A vásárlók az olcsóbb terméket keresik, így az eladóknak folyamatosan az alacsonyabb árért kell versenyezniük. A kereskedők azonban elégedetlenek a csekély haszonnal, ezért egy füstös kocsmában titkos megbeszélést tartanak: ha együtt emelik meg az árakat, mindketten többet kereshetnek. Ez a szándékos árkartell azonban régóta törvényellenes. Végül úgy döntenek, hogy nem kockáztatják meg a jogsértést, így a vásárlók továbbra is olcsó widgeteket élvezhetnek.
Az árkartellezés tilalma és a hagyományos szabályozás
Több mint száz éve az Egyesült Államokban a törvények ezt az alapelvet követik: tiltani kell a háttérben zajló árkartelleket, hogy fenntartható legyen a tisztességes verseny és az alacsony árak. Azonban napjainkban ez már nem ilyen egyszerű. Az egész gazdaság számos területén az eladók egyre gyakrabban használnak számítógépes programokat, úgynevezett tanuló algoritmusokat, amelyek folyamatosan módosítják áraikat a piaci adatok alapján.
Ezek az algoritmusok általában egyszerűbbek, mint a modern mesterséges intelligencia mélytanuló rendszerei, mégis előfordulhatnak váratlan viselkedések. Hogyan biztosíthatják tehát a szabályozók, hogy ezek az algoritmusok tisztességes árakat állítsanak be? A hagyományos megközelítés, amely az explicit kartellezés felderítésére épül, nem működik, hiszen „az algoritmusok nem ülnek össze egy italra” – mondja Aaron Roth, a Pennsylvaniai Egyetem számítástechnikai szakértője.
Az algoritmikus kartellezés rejtett formái
Egy 2019-ben megjelent, széles körben idézett tanulmány kimutatta, hogy az algoritmusok képesek lehetnek titkos kartellezésre még akkor is, ha nem erre programozták őket. Egy kutatócsoport két egyszerű tanuló algoritmust állított szembe egymással egy szimulált piacon, majd hagyta őket különböző stratégiák kipróbálására profitjuk növelése érdekében.
Idővel mindkét algoritmus megtanulta, hogy ha az egyik árat csökkent, akkor aránytalanul nagy mértékben válaszoljon árcsökkentéssel – ezzel fenyegetve egy árháborúval. Ennek eredményeként magas árak alakultak ki, amelyeket kölcsönös fenyegetés tartott fenn.
Aaron Roth szerint az algoritmikus árképzés buktatóira nincs egyszerű megoldás: „A tanulmányunk üzenete az, hogy nehéz meghatározni, mit kellene tiltani.”
A fenyegetések szerepe és a szabályozási dilemmák
Az ilyen implicit fenyegetések sok emberi kartell esetében is jelen vannak. Ha tehát igazán garantálni akarjuk a tisztességes árakat, miért ne írhatnánk elő olyan algoritmusokat, amelyek képtelenek fenyegetéseket kifejezni?
Egy friss tanulmányban Roth és négy másik számítástechnikus bebizonyította, hogy ez önmagában nem elegendő. Még azok az algoritmusok is, amelyek látszólag ártalmatlanok és kizárólag saját profitjuk maximalizálására törekednek, időnként rossz eredményeket hozhatnak a vásárlók számára.
Natalie Collina, Roth egyik doktorandusz hallgatója így fogalmazott: „Még mindig előfordulhatnak magas árak olyan módokon, amelyek kívülről nézve ésszerűnek tűnnek.”
A kutatók között nincs teljes egyetértés abban, milyen következtetéseket vonjunk le ebből – sok múlik azon, hogyan definiáljuk az „ésszerűséget”. Ez azonban jól mutatja az algoritmikus árképzés körüli kérdések finomságát és azt is, milyen nehéz lehet szabályozni ezt a területet.
Mallesh Pai közgazdász (Rice Egyetem) szerint: „Fenntartások vagy megállapodások nélkül nagyon nehéz egy szabályozónak azt mondani: ezek az árak helytelenek. Ezért tartom fontosnak ezt a tanulmányt.”
Játékelmélet és laboratóriumi kísérletek az algoritmikus kartellezés feltárására
A legújabb kutatás játékelméleti megközelítéssel vizsgálja az algoritmikus árképzést. A játékelmélet egy interdiszciplináris tudományág a közgazdaságtan és számítástechnika határán, amely stratégiai versenyhelyzetek matematikai elemzésével foglalkozik.
Joseph Harrington (Pennsylvaniai Egyetem közgazdásza), aki korábban átfogó áttekintést írt az algoritmikus kartellezés szabályozásáról és nem vett részt a legújabb kutatásban így nyilatkozott: „A célunk laboratóriumi körülmények között létrehozni kartellt. Ha ez sikerül, akkor meg akarjuk találni annak módját is, hogyan lehet ezt felszámolni.”
Natalie Collina és munkatársai felfedezték, hogy magas árak váratlan módokon is kialakulhatnak.
A kő-papír-olló játék mint analógia
A kulcsfontosságú fogalmak megértéséhez érdemes visszatérni egy egyszerű játékhoz: a kő-papír-ollóhoz. Ebben a kontextusban egy tanuló algoritmus bármilyen olyan stratégia lehet, amelyet egy játékos használ arra, hogy minden körben korábbi adatok alapján válasszon lépést.
A játékosok különböző stratégiákat próbálhatnak ki idővel. Ha jól játszanak, végül eljutnak egyensúlyi állapotba – ahol egyik fél sem tud javítani helyzetén anélkül, hogy rontana saját eredményén.
A kő-papír-olló ideális stratégiája egyszerű: minden körben véletlenszerűen kell választani mindhárom lehetőséget egyenlő valószínűséggel. Ha azonban egyik játékos eltér ettől (például gyakrabban választ követ), akkor a másik tanuló algoritmus előnyt szerezhet korábbi körök alapján.
A megbánás (regret) fogalma és no-swap-regret algoritmusok
Például ha sok kör után rájössz arra, hogy ellenfeled több mint 50%-ban követ választott (például geológusként), akkor papírt játszva többször nyerhettél volna. Ezt hívják megbánásnak (regret).
Kutatók kidolgoztak olyan egyszerű tanuló algoritmusokat is, amelyek garantáltan nullára csökkentik ezt a megbánást. Az ennél fejlettebb no-swap-regret algoritmusok pedig azt biztosítják, hogy bármely lépéspárt felcserélve sem lehetett volna jobb eredményt elérni.
2000-ben bebizonyították: ha két no-swap-regret algoritmust állítunk szembe bármilyen játékban, azok végül egy speciális egyensúlyi állapotba kerülnek – amely optimális lenne egyetlen körös játéknál is. Ez vonzó tulajdonság azért is, mert ebben nincs helye fenyegetéseknek vagy megtorlásoknak.
Az online piacokon alkalmazott no-swap-regret stratégiák és korlátaik
Jason Hartline (Northwestern Egyetem) és két doktorandusz hallgatója egy újabb tanulmányban átültette ezt az eredményt versenypiacokra modellezve: ahol minden körben új árat állíthatnak be a szereplők. Ebben a modellben két no-swap-regret algoritmus mindig versenyképes áron kötött üzletet – vagyis kartell kizárt volt.
Azonban ezek nem az egyetlen stratégiák online piactereken. Mi történik akkor, ha egy no-swap-regret algoritmust egy másik látszólag ártalmatlan stratégiával állítanak szembe?
A helytelen árstratégia felfedezése
A játékelmélet szerint a legjobb stratégia no-swap-regret ellenféllel szemben egyszerű: kezdjünk el bizonyos valószínűségekkel választani minden lehetséges lépéssel (árakkal), majd minden körben véletlenszerűen válasszuk ki valamelyiket – függetlenül attól, mit csinál ellenfelünk.
2024 nyarán Natalie Collina és Eshwar Arunachaleswaran pontosan meghatározták ezeket az optimális valószínűségeket egy kétjátékos árverseny esetén. Meglepő módon kiderült: ez a stratégia magas valószínűséggel választ nagyon magas árakat kombinálva széles skálájú alacsonyabb árakkal.
Ez azt jelenti: ha ilyen stratégiával játszol no-swap-regret ellenféllel szemben, maximalizálhatod profitodat – ami váratlanul magas árakat eredményezhet.
„Számomra teljes meglepetés volt ez az eredmény” – mondta Arunachaleswaran.
Összegzés: Az algoritmikus árképzés szabályozásának komplex kihívásai
- Hagyományos szabályozás: Az explicit kartellezés tiltása már nem elegendő az automatizált rendszerek világában.
- Titkos kollúzió: Algoritmusok képesek lehetnek implicit módon együttműködni anélkül, hogy azt könnyen felismernék vagy bizonyítani tudnák.
- No-swap-regret stratégiák: Bizonyos fejlett tanuló algoritmusok képesek versenyképes áron működni anélkül, hogy kartellt alkotnának.
- Korlátozott hatékonyság: Más látszólag ártalmatlan stratégiák viszont magas árakat eredményezhetnek még no-swap-regret ellenfelekkel szemben is.
- Szabályozási dilemma: A fenyegetések vagy megállapodások hiánya miatt nehéz objektíven megállapítani mikor „rosszak” az árak.
- Szükség van új megközelítésekre: A jövőben komplexebb eszközökre lesz szükség ahhoz, hogy biztosítsuk a tisztességes versenyt és védjük a fogyasztókat az automatizált piacokon.
Az automatizált piaci verseny új korszakába léptünk – ahol nem elég csak emberi döntéseket figyelni vagy tiltani. Az algoritmikus tanulás dinamikája új kihívások elé állítja mind a kutatókat, mind pedig a szabályozókat annak érdekében, hogy megőrizzük a tisztességes piaci feltételeket és védjük a fogyasztói érdekeket.
Forrás: https://www.quantamagazine.org/the-game-theory-of-how-algorithms-can-drive-up-prices-20251022/