Preisalgorithmen bei hybridem Wettbewerb zwischen menschlichen Akteuren und Algorithmen

Projektleiter:
Prof. Dr. Hans-Theo Normann

Beteiligte Wissenschaftler:
Martin Sternberg, Tobias Werner

Publikationen:

Normann, H.-T., Sternberg, M. (2021). Hybrid Collusion: Algorithmic Pricing in Human-Computer Laboratory Markets, MPI Discussion Paper 2021/11.

Werner, Tobias (2021). Algorithmic and Human Collusion, DICE Discussion Paper.

Algorithmen übernehmen zunehmend die Preisentscheidungen für die Unternehmen. Sie sind ideal geeignet, um mit der Fülle von Daten über Wettbewerber und Kunden umzugehen, und können sofort auf Veränderungen im Marktumfeld reagieren.

Ein großes Problem bei Preisalgorithmen ist jedoch, dass sie ohne explizite Absprachen den Wettbewerb unter den Firmen verhindern können und so zu überhöhten Verbraucherpreisen führen. Im Gegensatz zu expliziten Preisabsprachen unter Menschen hinterlassen selbstlernende Reinforcement Algorithmen (etwa Q Learning) keinerlei Evidenz, die die Wettbewerbsbehörden verwerten können.   

Dieses Projekt analysiert Preisalgorithmen bei „hybrider“ Interaktion zwischen menschlichen Akteuren und Algorithmen. Bisher wurden höhere Preisniveaus nur erreicht, wenn ausschließlich Algorithmen gegen Algorithmen konkurrieren. Die Auswirkungen der algorithmischen Preisgestaltung sind jedoch noch nicht gut untersucht, wenn algorithmische und menschliche Verkäufer aufeinandertreffen.

Unsere Forschungsergebnisse zeigen, dass Algorithmen wettbewerbsschädigend sein können. In Märkten mit zwei Firmen, die beide Algorithmen nutzen, sind die Preise immer höher als in menschlichen Märkten. Auch in Märkten mit drei Firmen können Algorithmen zu einem höheren Preisniveau beitragen. Die Algorithmen entwickeln Strategien, die in hybriden Märkten ein kooperatives Verhalten mit Menschen fördern. Unsere Resultate verdeutlichen die Gefahren, die von Preisalgorithmen im Vergleich zu Märkten mit menschlichen Entscheidungsträgern ausgehen können.