30
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
REVISÃO DA LITERATURA
EMPÍRICA RECENTE SOBRE
MÉTODOS DE SCREENING
PARA A DETECÇÃO DE
CARTÉIS
1
Review of recent empirical literature on screening
methods for cartel detection
Rodrigo Menon Simões Moita
2
Faculdade de Economia, Administração e Contabilidade (FEA/USP) – São Paulo/SP, Brasil
Rafael Pereira Oliveira
3
Faculdade de Economia, Administração e Contabilidade (FEA/USP) – São Paulo/SP, Brasil
Gabriel Barreiros Poveda
4
Faculdade de Economia, Administração e Contabilidade (FEA/USP) – São Paulo/SP, Brasil
Maria Paula Heck de Jesus
5
Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE/UnB) –
Brasília/DF, Brasil
RESUMO ESTRUTURADO
Objetivo: o objetivo deste artigo é apresentar uma revisão da literatura empírica recente a respeito
do uso de métodos de screening (ou filtros econômicos) para a detecção de cartéis no Brasil e no
mundo.
6
Tais métodos têm sido cada vez mais utilizados por autoridades antitruste na medida em
que complementam e reforçam métodos reativos tradicionais de detecção de cartel, como acordos
de leniência. Há diversos estudos que discutem suas aplicações, a maioria com foco na abordagem
Editor responsável: Prof. Dr. Victor Oliveira Fernandes, Conselho Administrativo de Defesa Econômica (Cade), Brasília, DF,
Brasil. Lattes: http://lattes.cnpq.br/5250274768971874. ORCID: https://orcid.org/0000-0001-5431-4142.
1 Recebido em: 19/01/2024 Aceito em:06/06/2024 Publicado em: 19/06/2024
2 Bacharel em economia pela Faculdade de Economia, Administração e Contabilidade (FEA/USP). Mestre em economia
pelo Instituto de Pesquisas Econômicas (IPE/USP). Doutor em economia pela University of Illinois.
E-mail: rodmoita@usp.br Lattes: http://lattes.cnpq.br/8849680445810227 ORCID: https://orcid.org/0000-0003-3244-9892
3 Bacharel em economia pela Fundação Getúlio Vargas (FGV/SP). Mestre em economia pelo Instituto de Pesquisas
Econômicas (IPE/USP).
E-mail: oliveirarafaelp1@gmail.com Lattes: http://lattes.cnpq.br/8898014256402252
ORCID: https://orcid.org/0009-0000-2732-7802
4 Bacharel em economia pela Faculdade de Economia, Administração e Contabilidade (FEA/USP). Mestre em economia
pelo Instituto de Pesquisas Econômicas (IPE/USP).
E-mail: barreirospoveda@gmail.com Lattes: http://lattes.cnpq.br/5580464669300677
ORCID: https://orcid.org/0009-0005-0150-9786
5 Bacharel em relações internacionais e ciência política pelo Centro Universitário do Distrito Federal (UDF). Graduanda
e mestranda em economia pela Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE/
UnB).
E-mail: paula.mariahj@hotmail.com Lattes: http://lattes.cnpq.br/3595655399541760
ORCID: https://orcid.org/0000-0003-1245-5566
6 Agradecemos o Instituto de Pesquisa Econômica Aplicada (IPEA) e o Fundo de Defesa dos Direitos Difusos (FDD) pelo
financiamento deste estudo, TED 01/2018 FDD-Ipea.
2
31
de screening comportamental. Este artigo visa a complementar tais trabalhos de duas maneiras:
(i) avaliar a literatura mais recente sobre o tema, a qual tem se especializado, por exemplo, em
metodologias de machine learning; e (ii) discutir aplicações de abordagens estruturais, que são
métodos mais simplificados de detecção do que o screening comportamental, mas também utilizados
por autoridades antitruste e na literatura.
Método: revisão e análise qualitativa da literatura sobre detecção de cartel nacional e internacional.
Conclusões: diversas autoridades antitruste têm seguido as recomendações de organizações
internacionais de combinar o uso de métodos reativos com proativos na detecção de cartéis. Há
iniciativas importantes no uso de screenings, especialmente no âmbito de licitações públicas dada
a maior disponibilidade de dados. Na literatura empírica técnicas de machine learning têm ganhado
espaço seja devido aos desafios de identificação dos modelos econométricos, seja pelo contexto de
aumento na complexidade do funcionamento dos acordos colusivos. Trata-se de uma nova tendência
que está voltada principalmente à maior previsibilidade e precisão no processo de detecção de
cartéis, em detrimento de conclusões sobre causalidade. Tendo em vista as diferentes dinâmicas
setoriais e regionais na economia, sua utilização ainda exige cautela por parte dos pesquisadores
e autoridades antitruste, mas certamente representa avanço relevante e promissor no combate a
cartéis.
Palavras-chave: métodos de screening; detecção; cartéis; abordagem estrutural; abordagem
comportamental; machine learning.
STRUCTURED ABSTRACT
Objective: The objective of this article is to present a review of recent empirical literature regarding
the use of screening methods to detect cartels in Brazil and around the world. Such methods have
been increasingly used by antitrust authorities as they complement and reinforce traditional reactive
methods of cartel detection, such as leniency agreements. There are several studies that discuss its
applications, most focusing on the behavioral screening approach. This article aims to complement
such work in two ways: (i) evaluate the most recent literature on the topic, which has specialized, for
instance, in machine learning methodologies; and (ii) discuss applications of structural approaches,
which are more simplified detection methods than behavioral screening, but also used by antitrust
authorities and in the literature.
Method: Literature review and qualitative analysis on national and international cartel detection.
Conclusions: Several antitrust authorities have been following the recommendations of international
organizations to combine the use of reactive and proactive methods in cartel detection. There are
significant initiatives in the use of screenings, especially in the context of public tenders, given the
increased availability of data. In empirical literature, machine learning techniques have gained
traction, either due to the challenges in identifying econometric models or the rising complexity
of collusive agreements. This represents a new trend primarily focused on enhancing predictability
and precision in the cartel detection process, rather than drawing conclusions about causality. Given
the diverse sectoral and regional dynamics in the economy, its use still requires caution on the part
of researchers and antitrust authorities, but it undoubtedly represents a significant and promising
advancement in the fight against cartels.
32
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
Keywords: screening methods; detection; cartels; structural approach; behavioural approach;
machine learning.
Classificação JEL: C18; C52; D22; D23; D40; K21; K40; L20; L40.
Sumário: 1. Introdução; 2. O que podemos compreender
por “cooperação antitruste a nível internacional”?; 3. A
Singularidade do Mercado Digital e a Demanda por uma
Resposta Regulatória Específica; 3.1. O mercado digital
é verdadeiramente "único"? As características das big
techs como fator de especificação da economia digital;
3.2. Representam as big techs um risco à concorrência no
mercado digital?; 4. O Digital Markets Act como regulação
paradigma para uma análise antitruste cooperativa; 5.
Conclusões; Referências.
1. INTRODUÇÃO
O objetivo deste artigo é apresentar uma revisão da literatura empírica recente a respeito do
uso de métodos de screening (ou filtros econômicos) para a detecção de cartéis, no Brasil e no mundo.
O avanço recente no uso destes métodos justifica-se pela preocupação de autoridades antitruste com
a eficiência dos métodos reativos de detecção de cartel, como é o caso dos programas de leniência
(ICN, 2021). Conforme será abordado neste artigo, observou-se nos últimos anos que a dependência
excessiva nos acordos poderia comprometer a própria efetividade deste instrumento e, portanto,
métodos como os de screening deveriam ser vistos como complementares e não necessariamente
substitutos aos métodos tradicionais de detecção de cartéis.
Há diversos estudos que discutem aplicações de screenings, a maioria com foco na abordagem
comportamental. Este artigo visa a complementar tais trabalhos de duas maneiras: (i) avaliar a
literatura mais recente sobre o tema, a qual tem se especializado em metodologias, por exemplo, de
machine learning; e (ii) discutir aplicações de abordagens estruturais, métodos mais simplificados de
detecção do que o screening comportamental, mas também utilizados por autoridades antitruste e
na literatura.
No contexto de detecção de cartel
7
, métodos de screening caracterizam-se por modelos
estatísticos que visam a identificar mercados cuja estrutura é propícia para cartel, onde há
comportamento suspeito ou onde denúncias de consumidores e concorrentes exigem investigação
mais aprofundada (PORTER, 2018). O screening estrutural consiste na análise de características do
mercado ou indústria que tendem a facilitar a ocorrência de cartéis. Embora a literatura teórica
acerca de fatores estruturais que afetam a estabilidade de cartéis seja vasta, há poucas aplicações
práticas nesse sentido.
Métodos comportamentais, embora mais sofisticados, são mais comuns tanto na literatura
empírica quanto nos programas de detecção de cartel das autoridades antitruste, em grande medida,
7 O uso de screening pode e deve ser usado em diversos outros contextos. Um exemplo prático é o uso que foi feito
por funcionários do Ministério do Planejamento para identificar irregularidades em leilões virtuais. Mais detalhes em: Castro
et al. (2018) e Rebouças et al (2015).
33
pela sua maior efetividade. Tal abordagem consiste em identificar comportamentos suspeitos que
são mais consistentes com um regime de cartel do que de um mercado competitivo. Para tanto,
baseia-se em diferentes tipos de dados, como: preços, quantidades, lances em licitações públicas,
número de empresas concorrentes, spreads e market shares, custos, grau de transparência e inovação
nos mercados, interação entre concorrentes, elasticidade-preço da demanda e barreiras de entrada
(ABRANTES-METZ, 2011).
Assim, o screening pode ser utilizado para avaliar, dentre outros fatores: (i) características
estruturais do mercado que tendem a facilitar a ocorrência de cartéis; (ii) independência condicional
dos lances em uma licitação pública; (iii) preços médios e a variância dos preços no mercado; (iv)
quebras estruturais nas séries de preço, lances e quantidades; (v) taxas de pass through entre custos
e preços; (vi) estabilidade de market shares no mercado ou entre um grupo de empresas; ou até (vii)
adequação da distribuição de preços ou lances a leis matemáticas, como a chamada Lei de Benford .
Este artigo realiza uma revisão da literatura empírica recente a respeito do uso destes métodos
no contexto de detecção de cartel e está organizado da seguinte forma, além desta Introdução. A Seção
2 compara os métodos reativos e proativos (como o screening) de detecção de cartel, evidenciando
que o screening tem papel importante, inclusive, para poupar recursos e garantir maior efetividade
de métodos reativos como acordos de leniência. A Seção 3 discute as propriedades e limitações das
abordagens estruturais e comportamentais de screening. A Seção 4 apresenta a revisão da literatura
empírica recente acerca dos diferentes tipos de aplicação e a Seção 5 traz as considerações finais.
2. SCREENING COMO MEIO PARA FORTALECER ACORDOS DE LENIÊNCIA
De modo geral, os métodos de detecção de cartel podem ser caracterizados entre proativos
e reativos. De acordo com ICN (2021), métodos reativos dependem de eventos externos ocorrerem
antes da autoridade antitruste reconhecer ou ganhar consciência de algum fato, enquanto métodos
proativos têm origem dentro da autoridade e não dependem de fatores externos. A Figura 1 detalha
as diferentes abordagens de detecção de cartel.
Figura 1 - Métodos reativos e proativos de detecção de cartel
Fonte: adaptado de Hüschelrath (2010).
34
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
O avanço recente no uso de métodos de screening justifica-se pela preocupação de autoridades
antitruste com a eficiência dos métodos reativos de detecção de cartel (ICN, 2021). Observou-se que
a dependência excessiva em programas de leniência, por exemplo, poderia comprometer a própria
efetividade deste instrumento. Salgado (2022) explora como os acordos de leniência, dentre outras
ferramentas, impactam a dinâmica da política de combate a cartéis. Além disso, evidências sugerem
que tais programas tendem a detectar cartéis maduros ou em já estágio final (CHAMMAS, 2015).
De fato, como mostra o Gráfico 1, no caso brasileiro, após forte alta no número de acordos de
leniência assinados pelo Conselho Administrativo de Defesa Econômica (Cade) entre 2013 e 2017, ano
em que foram assinados 21 acordos, observa-se uma tendência de queda no uso deste instrumento
até 2023 (quando houve apenas dois acordos assinados).
Gráco 1 – Número de acordos de leniência e adesões a acordos assinados pelo Cade (2003-
2023)
Fonte: Estatísticas (2023) do Programa de Leniência do Cade. Atualizado em 01/03/2023.
Não à toa, nos últimos dez anos a recomendação de organizações internacionais tem sido
que os acordos de leniência e demais métodos reativos devem ser reforçados e combinados com
métodos proativos de detecção (OECD, 2013; ICN, 2021). Conforme destaca Porter (2018), métodos
como os de screening devem ser complementares e não necessariamente substitutos aos métodos
tradicionais. Ademais, quando implementados da maneira adequada
8
, tais métodos podem poupar
recursos significativos das autoridades antitruste.
Nessa linha, diversas autoridades antitruste têm desenvolvido e aprimorado projetos para
detecção de cartéis via métodos de screening
9
. No que tange à abordagem estrutural, chama a atenção
8 Abrantes-Metz (2011) e Gonzaga (2018) definem os critérios necessários para a implementação adequada de um
método de screening, que deve: (i) ser aplicável em diferentes mercados; (ii) ter baixo custo marginal; (iii) ser discreto e
não invasivo; (iv) ser robusto do ponto de vista empírico e teórico; e (v) ser preciso, de foram a minimizar falsos positivos e,
principalmente, falsos negativos.
9 Para uma análise mais detalhada e com mais exemplos internacionais, ver a subseção 3.2 de Beth e Gannon (2022).
35
a experiência da autoridade holandesa, a Netherlands Competition Authority (NMa), com o chamado
Competition Index
10
. Trata-se de um índice de competição que agrega nove indicadores estruturais
e que visa a detectar indústrias mais propensas à ocorrência de comportamentos anticompetitivos
(PETIT, 2012)
11
. Os resultados, na época, indicaram que os setores manufaturados no país eram os
mais propensos à ocorrência de comportamentos anticompetitivos, em particular, os segmentos de
produção de malte, outras bebidas fermentadas e não destiladas, cal e gesso.
Com relação ao uso de screenings comportamentais para a detecção de cartel em licitações
públicas, destaca-se a experiência da Korean Fair Trade Commission (KFTC), na Coreia do Sul, por meio
do Bid Rigging Indicator Analysis System (BRIAS), iniciado em 2006 (OECD, 2016). Vale destacar também
as experiências da Comisión Federal de Competencia Económica (CFCE), no México, que implementou
métodos de screening no período de 2003 a 2007 (MENA-LABARTHE, 2012); e da Competition Commission
(Comco), na Suíça, cujo projeto de screening, iniciado em 2008, resultou em uma investigação cinco
anos depois, com a posterior condenação das empresas envolvidas (GONZAGA, 2018).
No Brasil, o Cade tem enfatizado a implementação tanto de técnicas reativas quanto
proativas. Ainda em 2013, a autoridade brasileira deu início a um projeto para a criação de screenings
para detecção de cartel que resultou, no ano seguinte, no chamado “Projeto Cérebro”. Referência
para as demais autoridades antitruste e com foco em licitações públicas, o programa tem combinado
testes estatísticos com mineração de dados para dar suporte para o início de investigações ex-ocio,
investigações em curso e demais unidades do órgão (OECD, 2018). A principal base de dados utilizada
pelo Cade no âmbito do Cérebro é a do Comprasnet, portal de compras do Governo Federal, mas o
órgão também tem nos últimos anos buscado acordos e dados de outros órgãos de governo, além de
bancos de dados públicos (PRADO FILHO; GENOVA, 2023; OECD, 2021).
Tal postura ativa do órgão brasileiro no combate a cartéis esteve refletida em seu planejamento
estratégico para o período entre 2017 e 2020
12
e no planejamento estratégico para o período de
2021 até 2024
13
. Exemplo concreto de tal estratégia é a “Operação Ponto de Encontro”, deflagrada
em outubro de 2018 para apurar suposta formação de cartel em licitações realizadas por órgãos
federais para contratação de serviços terceirizados (PIMENTA, 2019). Além deste caso, o método de
screening também contribuiu para outra operação federal contra cartéis, desta vez em junho de 2017
no mercado de órteses, próteses e materiais médicos especiais (PIMENTA, 2019).
Também vale destacar o Processo Administrativo (PA) nº 08700.004095/2020-15, em que
foram avaliadas possíveis infrações à ordem econômica no mercado nacional de produtos e serviços
10 Outras iniciativas de screening estrutural podem ser observadas na Índia (ICN; CCI, 2018), o “Cartel Intelligence
Project” implementado pela Australian Competition and Consumer Commission (ACCC), na Austrália; o “Unified Electronic
Information System” (UEIS) criado pela Federal Antimonopoly Service (FAS), na Rússia; e o programa de monitoramento de
preços da gasolina nos Estados Unidos, implementado pelo Federal Trade Commission (FTC) (JINDGAR, 2019; CHAMMAS, 2015).
11 Os nove indicadores estruturais utilizados são: (i) número de associações comerciais; (ii) relação entre preços
praticados na Holanda e nos demais países da União Europeia; (iii) Índice de Herfindahl-Hirschman (HHI, em inglês); (iv)
número de concorrentes na indústria; (v) taxa de importação; (vi) taxa de crescimento da indústria; (vii) taxa de rotatividade
(número de firmas entrando e saindo do mercado); (viii) taxa de sobrevivência (número de firmas que sobreviveram os quatro
primeiros anos desde sua entrada); e (ix) Pesquisa e Desenvolvimento (P&D) como proporção das vendas.
12 O Objetivo Estratégico 2 (OE2) do Planejamento Estratégico - 2017/2020 do CADE trata de iniciativas voltadas para
“Fortalecer o combate a condutas anticompetitivas”, a partir de projetos como “Projeto Combustível - Combate a cartéis na
revenda de combustíveis” e “<Projeto Cérebro> Ampliação e Disseminação da Ferramenta Cérebro no Combate a Crimes contra
Concorrência em Licitações” (BRASIL, 2017, p. 6).
13 O OE2 do Planejamento Estratégico – 2021/2024 do CADE também fez menção ao “Projeto Combustível - Combate a
cartéis na revenda de combustíveis” (BRASIL, 2023, p. 25).
36
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
de inteligência de negócios. Com base em um acordo de leniência entre a Superintendência-Geral
do Cade e uma empresa do setor, foi instaurado uma investigação ex-ocio, que contou com, dentre
outras fontes de informação, o uso do Cérebro para analisar dados da Receita Federal e do Redsim
e constatar o envolvimento dos acusados na participação das empresas investigadas
14
. Em 2021, o
Cérebro também foi utilizado para a instauração de investigação sobre suposto cartel em licitação
para a contratação de serviços de brigada de incêndio (PA nº 08700.004914/2021-05) (PRADO FILHO;
GENOVA, 2023). Na ocasião, foi aplicado screening para avaliar o padrão das propostas apresentadas
no certame
15
.
3. SCREENING ESTRUTURAL VS. COMPORTAMENTAL
O screening estrutural consiste na análise de características do mercado ou indústria que
tendem a facilitar a ocorrência de cartéis. Trata-se de ferramenta útil para as autoridades antitruste
na medida em que permite fazer um levantamento preliminar dos mercados ou indústrias propensos
a cartelizar e que, portanto, podem exigir investigações mais aprofundadas (JINDGAR, 2019). Conforme
afirma Gonzaga (2018), há um trade-o importante relacionado à coleta e análise de indicadores
estruturais. Embora seja simples de implementar e de fácil entendimento, a precisão deste método
costuma ser baixa. Isso porque os dados setoriais são tipicamente agregados e pode haver uma
elevada taxa de falsos positivos
16
.
A literatura teórica é vasta no que diz respeito aos fatores estruturais que afetam a estabilidade
de cartéis. Em geral, observa-se que a estabilidade do conluio é maior se: há poucos competidores
no mercado; os produtos são homogêneos; a demanda é previsível; o mercado encontra-se em
estágio maduro em termos de inovação; as variáveis estratégicas das firmas são fáceis de se observar
(mercado muito transparente); há elevadas barreiras à entrada; há simetrias relevantes nos custos
e capacidades de produção de concorrentes; e se os consumidores têm pouco poder de barganha
(MARSHALL; MARX; MEURER 2012).
Na literatura, os métodos de screening estrutural são mais utilizados na forma de indicadores
agregados de propensão a cartelizar. Isto é, coletam-se dados de variáveis estruturais disponíveis,
define-se um critério de ponderação e, então, agregam-se todos os indicadores, de modo que seja
possível identificar quais mercados ou indústrias estão mais sujeitos à ocorrência de um cartel
17
.
Em termos econométricos, seria possível descrever o screening estrutural de acordo com a seguinte
equação (GONZAGA, 2018; PORTER, 2018):
Cartel
𝑖
=βX
𝑖
+u
𝑖
14 SEI nº 1325015.
15 SEI nº 0955048.
16 A questão dos falsos positivos é amplamente debatida na literatura de detecção de cartel. De maneira geral, o falso
positivo não gera implicações graves, pois o filtro utilizado não tem caráter comprobatório. Ao analisar a probabilidade de
existência de cartel, Huber e Imhof (2019) sugerem que seja utilizado uma referência entre 50% e 70% (isto é, se a probabilidade
de existência de cartel estiver acima deste patamar, o modelo apontará para existência de cartel); Silveira
et al. (2022)
recomendam um patamar de referência entre 60% e 75%.
17 Embora esteja sujeito a um determinado grau de arbitrariedade, tal critério de ponderação costuma ser baseado na
literatura teórica e na experiência prática das autoridades antitruste.
37
em que Cartel
𝑖
representa uma dada medida de incidência de cartel, como o número de
cartéis descobertos no mercado ou indústria 𝑖, multas de cartel aplicadas no mercado ou indústria
𝑖, lucro estimado de cartéis detectados no mercado ou indústria 𝑖 ou uma dummy igual a 1 se o
mercado ou indústria 𝑖 já foi alvo de ao menos um cartel e zero, caso contrário; X
𝑖
contempla variáveis
estruturais do mercado ou indústria 𝑖; e u
𝑖
é um termo de erro aleatório.
Ou seja, com base em uma medida a respeito de cartéis já descobertos em um dado setor,
deseja-se verificar o poder explicativo de um conjunto de indicadores estruturais. Note-se, no entanto,
que o fato de
Cartel
𝑖
subestimar a ocorrência de cartéis (ao desconsiderar cartéis não detectados)
gera um viés no coeficiente β, o que pode comprometer a capacidade preditiva do modelo. Além
disso, há um claro problema de seleção, uma vez que os cartéis que não foram detectados podem
compartilhar uma característica fundamental para sua não descoberta que não será captada pelo
modelo.
O screening comportamental, por sua vez, consiste em identificar comportamentos suspeitos
que são mais consistentes com um regime de cartel do que de um mercado competitivo. Trata-se de
uma análise baseada nos resultados observados nos mercados (outcome-based analysis). Harrington
(2007) propõe dois tipos de determinantes comportamentais de conluio (collusive markers), que
devem ser comparados a algum benchmark competitivo (outra região geográfica, outra indústria ou
outro período): (i) indicadores de preço
18
; e (ii) indicadores de quantidade
1920
. Como, em geral, não há
recursos suficientes para investigar todos os mercados, tal método costuma ser utilizado a partir da
investigação de denúncias de consumidores ou concorrentes a respeito de firmas em um determinado
setor (OECD, 2018). Da mesma forma que o screening estrutural, o screening comportamental também
pode ser descrito em termos econométricos (GONZAGA, 2018):
S
𝑖t
=α
0
+α
1
Cartel
𝑖t
+ βX
𝑖t
+ u
𝑖t
Nesse caso, S
𝑖
t
representa a variável de interesse do modelo utilizado (algum dos collusive
markers mencionados anteriormente) no mercado ou indústria 𝑖 no instante de tempo t; Cartel
𝑖
t
=1 se
há cartel no mercado 𝑖 no instante t e zero, caso contrário; X
𝑖t
é a matriz de covariadas, assim como
no screening estrutural; e u
𝑖
t
é o termo de erro aleatório. Considerando α
1
≠0, então E[S
𝑖t
] difere
sob concorrência e cartel. No entanto, ressalte-se que há problemas de identificação na medida em
que Cartel
𝑖
t
representa variável que não é observada. Ademais, um resultado confiável depende de
uma boa definição do contrafactual competitivo, o que pode não ser uma tarefa trivial.
18 Preços relativamente elevados e baixa variância; aumentos permanentes de preço que são precedidos por uma forte
queda; preço das firmas fortemente correlacionados; elevado grau de uniformidade nos preços praticados pelas concorrentes
tanto de seus produtos quanto de serviços complementares; preços alternam de patamar periodicamente (quebras estruturais).
19 Market shares estáveis ao longo do tempo; existência de um grupo de firmas em um mercado em que seus market
shares intragrupo são estáveis ao longo do tempo; market shares das firmas negativamente correlacionados.
20 A fim de complementar tais fatores, Marshall, Marx e Meurer (2012) apresentam uma lista de “super plus behavioural
factors”, que caracterizam comportamentos altamente suspeitos: (i) compartilhamento de informações sensíveis entre
concorrentes; (ii) transações entre concorrentes a preços fora do mercado (a preços diferentes daqueles cobrados de
terceiros); (iii) mudança repentina de incentivos e estratégias da firma (como alterar preços ao invés de volume); (iv) preços e
lucros crescendo quando firmas restringem a produção; e (v) modelo econométrico competitivo bem especificado, mas que se
adequa mal ao mercado em questão em um determinado período.
38
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
Como será discutido adiante, boa parte da literatura foca em testar técnicas de screening já
com conhecimento prévio acerca da ocorrência ou não de cartel em um dado mercado, para, a partir
daí, aplicar o método em outros contextos. Já os trabalhos que não se baseiam em conhecimento
prévio a respeito do cartel costumam lidar com o problema de endogeneidade por meio de
diferentes abordagens, como por exemplo: (i) switching regressions; (ii) definição de benchmarks ou
contrafactuais de acordo com outras informações de mercado; (iii) uso de outliers como ponto de
partida para os testes (GONZAGA, 2018)
21
.
Conforme mostra Chammas (2015), para além dos problemas de identificação dos modelos
econométricos de screening, que restringem seu uso no meio acadêmico, tais métodos podem estar
sujeitos a outras limitações. Primeiro, trata-se de ferramentas intensivas em dados, isto é, que
exigem quantidade considerável de informações de qualidade
22
. Além disso, screenings costumam
ser intensivos em recursos já que exigem treinamento e capacitação técnica, além de métodos
econométricos para análise e processamento dos dados, o que pode ser uma limitação para a
implementação em grande escala.
Como qualquer método estatístico, screenings podem também estar sujeitos a uma elevada
taxa de falsos positivos e, principalmente, de falsos negativos. Embora úteis para a condução de
investigações, não são capazes de distinguir casos de colusão tácita de colusão explícita. Por fim,
conforme adiciona Jindgar (2019), os métodos de screening também estão sujeitos à adaptabilidade
por parte das firmas. Isto é, ao saber o que gera suspeita por parte da autoridade, as firmas podem
evitar certos comportamentos a fim de não serem detectadas
23
.
4. APLICAÇÕES RECENTES NA LITERATURA EMPÍRICA DE MÉTODOS DE
SCREENING
Bergman et al. (2019) classificam a literatura empírica de detecção de cartel em duas
categorias: estudos com conhecimento prévio a respeito da existência de cartel e estudos sem
nenhum conhecimento prévio, ou seja, trabalhos de verificação e teste de técnicas econométricas, e
trabalhos de screening propriamente dito (detecção de cartéis desconhecidos), respectivamente. No
entanto, segundo os autores, não há uma distinção clara entre ambos, dado que os fatores suspeitos
e potenciais provas de conluio podem variar significativamente
24
.
Boa parte da literatura faz parte do primeiro grupo. Isto é, em geral as aplicações de screening
até hoje, sejam estruturais ou comportamentais, baseiam-se em informações prévias de cartéis
já investigados e condenados. A Subseção 3.1 trata da escassa literatura a respeito de screenings
estruturais, com destaque para o trabalho de Grout e Sonderegger (2005). Já a Subseção 3.2 aborda
21 Exemplos de discussões e aplicações dos modelos de switching regressions na literatura incluem Kiefer (1980),
Porter (1983) e Lee e Porter (1984).
22 Conforme destaca Abrantes-Metz (2011): “If you put garbage in, you get garbage out”.
23 Tal adaptabilidade, no entanto, pode ou significar maiores custos de implementação do cartel aos cartelistas ou, de
alguma forma, diminuir o impacto negativo do suposto cartel, o que, em ambos os casos, representariam resultados positivos
da aplicação do screening para a autoridade antitruste e para a sociedade.
24 Dentre os trabalhos de destaque da literatura tradicional de detecção de cartel que se aproveitam da informação
da ocorrência de cartel em um dado mercado estão: Froeb Koyak e Werden (1993); Porter e Zona (1993, 1999); Lee (1999);
Pesendorfer (2000); Gupta (2001, 2002); e Lee e Hahn (2002). Já no segundo grupo, destacam-se: Bajari e Ye (2003), Ishii (2009),
Kawai e Nakabayashi (2014) e Conley e Decarolis (2016).
39
diversas aplicações de técnicas comportamentais, com ênfase em trabalhos mais recentes que têm
focado em métodos de machine learning.
4.1 Métodos de screening estrutural
Embora seja vasta a literatura teórica acerca de fatores estruturais que afetam a estabilidade
de cartéis, há poucas aplicações práticas de screenings estruturais. A baixa precisão do método,
traduzida em elevadas taxas de falsos positivos e negativos, limita seu uso por autoridades antitruste.
Destaca-se neste artigo o estudo de Grout e Sonderegger (2005)
25
, que é uma referência na literatura
na aplicação deste método.
Na linha da equação anterior proposta por Gonzaga (2018), os referidos autores estimam
modelos de resposta discreta para identificar setores com elevada probabilidade de ocorrência de
cartel no Reino Unido
26
. Com base em casos investigados na União Europeia desde 1990 e nos Estados
Unidos desde 1994, criam uma variável dependente que busca medir a incidência de cartel em diversos
setores industriais
27
. Fatores estruturais que caracterizam estes setores e afetam a estabilidade de
cartéis são utilizados como variáveis de controle. Aproveitando-se dos resultados desta primeira
estimação, são selecionadas variáveis estruturais do Reino Unido para estimar as probabilidades de
conluio.
Conforme discutido na Seção 3, o modelo sofre de problemas de identificação uma vez
que a variável de cartelização desconsidera cartéis não detectados, os quais podem apresentar
características estruturais distintas daqueles descobertos. Tal problema do viés de seleção deve ser
um dos principais pontos da discussão metodológica sobre esses modelos, pois é possível que a
diferença nessas características seja precisamente o motivo pelo qual os casos desconsiderados
não foram detectados. A principal fragilidade da ferramenta, portanto, é que o modelo não identifica
potenciais novos cartéis, mas setores que possuem características similares àqueles em que há
evidência de cartel (FOREMNY; DORABIALSKI, 2018)
28
.
Dentre as hipóteses implícitas no modelo, estão: (i) a localização de cartéis descobertos
é informativa a respeito da localização dos cartéis não descobertos (em termos de quais setores
industriais são os mais prováveis); (ii) as diferenças estruturais entre os setores é informativa a
respeito das diferenças de cartelização entre os setores; e (iii) as diferenças estruturais entre os setores
industriais na União Europeia e nos Estados Unidos são similares às diferenças encontradas no Reino
Unido. Os resultados indicaram que, na ocasião, os três setores mais propensos à cartelização no
Reino Unido eram o de “Telecomunicações”, com probabilidade de 0,84; o de “Produção de aeronaves
25 O trabalho, encomendado pelo departamento antitruste do governo do Reino Unido na época, Oce of Fair Trading
(OFT), é dividido em três partes. Primeiro, os autores fazem uma revisão da literatura teórica a respeito dos fatores mais
relevantes para a formação e estabilidade de conluios. A segunda etapa constitui um exercício econométrico. Por fim, são
discutidos estudos de caso.
26 São estimados modelos Logit, Logit ordenado, além de Mínimos Quadrados Ordinários (MQO) para o caso de variável
dependente contínua.
27 Para cada jurisdição é construído um índice que indica quantos cartéis ocorreram em uma determinada indústria no
período considerado (ou uma dummy igual a 1 para as indústrias que já foram alvo de ao menos um caso de cartel e zero, caso
contrário). Sob uma agregação de três dígitos segundo a Standard Industrial Classification (SIC), observa-se forte correlação
entre as bases de dados, de 0.68.
28 Embora reconheçam os problemas econométricos, os autores afirmam que o modelo ainda é válido na medida em
que é capaz de identificar padrões significantes nos dados.
40
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
e naves espaciais” (0,65); e o de “Produção de produtos cereais e amiláceos” (0,61)
29
.
Com base na literatura teórica e em estudos de casos de cartéis investigados, Grout e
Sonderegger (2005) elencam quais são os fatores estruturais mais relevantes para a ocorrência
de cartéis. Um dos principais deriva do lado da demanda: declínios nos preços estão fortemente
associados com a formação de cartéis, seja via quedas prolongadas de médio e longo prazo ou
via quedas abruptas, geradas por um choque negativo na demanda
30
. Segundo os autores cartéis
mostram-se mais prováveis quando as condições de mercado são estáveis.
Os resultados indicam também que a maioria dos casos analisados ocorreu em setores
concentrados, com poucos concorrentes e produtos homogêneos, em linha com a literatura teórica.
Embora diferenças no tamanho das empresas estejam relacionadas com assimetrias de custo, que por
sua vez tendem a desestabilizar cartéis, nota-se nos casos analisados significativa heterogeneidade
nos market shares
31
.
Em suma, ainda que possa contribuir com o processo de detecção de cartéis por parte
de autoridades, observa-se que o screening estrutural constitui um método relativamente pouco
sofisticado. Assim, não se deve assumir que os resultados derivados de sua aplicação e as conclusões
deles derivados são representativas da realidade, sendo mais adequado interpretar os resultados
como indicadores de mera probabilidade e não necessariamente de existência de cartel. Como se
verá na próxima seção, a literatura nacional sobre detecção de carteis avançou mais na direção do
screening comportamental do que no estrutural.
4.2 Métodos de screening comportamental
Harrington (2008) divide a literatura empírica de screenings comportamentais em
quatro categorias. Há estudos que testam: (i) se um dado comportamento observado difere de
forma estatisticamente significante daquele esperado em um regime de concorrência; (ii) se o
comportamento de um determinado grupo de firmas tem comportamento distinto das demais; (iii)
se há quebras estruturais no comportamento dos agentes; e (iv) se um modelo de conluio descreve
melhor os dados do que um modelo competitivo. A seguir são discutidos trabalhos recentes com base
nessa categorização
32
, segmentando entre literatura nacional e internacional.
A literatura acadêmica nacional possui alguns exemplos de estudos que se enquadram nas
29 A lista completa de 30 setores apresentada no artigo deriva da análise conjunta dos diferentes modelos estimados
e desconsidera setores industriais em que já houve casos de cartel detectados, quais sejam: produtos químicos, transportes
aquáticos, farmacêutico, tubulações, processamento de alimentos, bebidas não alcoólicas, borracha, produtos plásticos e
pesticidas.
30 Dentre os exemplos citados de cartéis formados após quedas abruptas de preço estão os casos no setor de
operadores ferroviários – Currency Sur-charges Case (97/84/EC); no setor de carne bovina na França (2003/600/EC); e no setor
bancário na Alemanha (2003/25/EC). Já dentre cartéis influenciados por condições adversas prolongadas, destacam-se casos
no setor petroquímico (94/599/EC); no setor de tubulações de aço (2003/382/EC); e no segmento de eletrodos de grafite
(2002/271/EC).
31 Nota-se que a análise se baseia em cartéis detectados, o que significa que a heterogeneidade nos market shares
pode ter, de fato, contribuído com sua desestabilização.
32 Como se verá, tais categorias não são necessariamente excludentes. Trabalhos de detecção de cartel em licitações,
por exemplo, enquadram-se tanto no primeiro quanto no segundo grupo proposto por Harrington (2008) e há inúmeros
exemplos de aplicações na literatura. Porter (2005) e Abrantes-Metz e Prewitt (2015) fazem uma ampla revisão da literatura
nesse sentido.
41
duas primeiras categorias apontadas por Harrington (2008). Com relação à primeira delas, Ragazzo
e Silva (2006) propõem uma metodologia que analisa a relação entre preços, custos e margens de
revenda no mercado de gasolina no Brasil. Já Vasconcelos e Vasconcelos (2009) aplicam um filtro de
DDV (Directed Divergence Statistic) neste mesmo mercado para medir a diferença entre as distribuições
de preços de concorrentes
33
.
Trabalhos focados no comportamento dos agentes em licitações também pertencem às duas
primeiras categorias, e há exemplos nacionais e internacionais. No caso brasileiro, destaca-se Lima
e Resende (2019)
34
, que avaliam o mercado brasileiro de equipamentos cardiovasculares, alvo de
um cartel entre 2005 e 2015. Baseados em Lundberg (2017), os autores aplicam a estatística de I de
Moran nos resíduos da regressão do vetor de lances sobre variáveis do mercado
35
. Assim, a potencial
autocorrelação entre lances observada por meio da estatística I de Moran pode ser atribuída a
variáveis não observáveis, dentre as quais estão um possível comportamento colusivo.
Já na literatura internacional, dentre os estudos mais recentes, vale destacar o de Bergman et
al. (2020), que lança mão de modelos econométricos espaciais para testar a hipótese de independência
condicional dos lances nos leilões do mercado de asfalto na Suécia
36
. Em 2001, foram realizadas buscas
e apreensões em diversas cimenteiras no país e, dois anos depois, nove delas foram condenadas por
participar de um cartel. A base de dados utilizada pelos autores contempla o período de 1995 e 2009,
o que permite a implementação do teste antes e depois do início das investigações. Com base no
conhecimento prévio a respeito dos integrantes do cartel e em todas as informações disponíveis aos
licitantes, os autores aplicam uma metodologia espacial para avaliar se os lances realizados no leilão
dependem dos demais. Os resultados indicam comportamento colusivo entre os membros do cartel
antes de 2002, enquanto o parâmetro de interesse que sugere existência de cartel é insignificante
após 2003, indicando lances competitivos.
Huber e Imhof (2019), por sua vez, combinam métodos de screening com técnicas de machine
learning para prever colusão em licitações fraudulentas nos mercados de construção e serviços
de engenharia na Suíça. Também se aproveitando do conhecimento prévio de cartéis, os autores
identificam corretamente 84% de todos os 584 processos licitatórios analisados como colusivos
ou não colusivos. Com esse mesmo propósito, Walliman e Sticher (2023) avaliam lances feitos em
licitações para construções e manutenções na infraestrutura ferroviária suíça. Para tanto, os autores
utilizam técnicas de machine learning para encontrar padrões suspeitos nos lances de alguns grupos
de empresas. Para treinar os modelos no reconhecimento de padrões suspeitos (em mercado sem
conhecimento prévio de cartel), os autores baseiam-se em cartéis condenados em outros setores da
economia suíça.
Especificamente com relação à segunda categoria indicada por Harrington (2008), de estudos
que avaliam se o comportamento de um determinado grupo de firmas tem comportamento distinto
33 Ambas as aplicações são discutidas em Cuiabano et al. (2014), que fazem uma revisão da literatura empírica de
screenings comportamentais com foco no Brasil. Conforme explicam os autores, boa parte das aplicações no país tratam do
mercado de combustíveis devido à elevada disponibilidade de dados da Agência Nacional de Petróleo (ANP).
34 Outro artigo nacional que trata de fraude em licitações é de Souza e Louzada (2020).
35 A estatística I de Moran utilizada leva em conta os pesos de uma matriz de ponderação, W, e foi introduzida pela
primeira vez por Moran (1948).
36 Métodos de econometria espacial são tradicionalmente utilizados em áreas como economia do setor público,
economia regional e urbana, economia agrícola e do meio ambiente (ANSELIN, 2003).
42
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
das demais, vale citar também outro exemplo no Brasil, que é o de Silveira et al. (2022). Os autores
aplicam diversos métodos de machine learning na análise de cartel em postos de gasolina que foram
detectados pelo Cade em algumas cidades do Brasil. Os resultados encontrados mostram que, a
partir da implementação da metodologia, seria possível prever com sucesso uma parcela significativa
dos casos de cartel nesse setor. Destaca-se também a calibragem do modelo visando a diminuir
erros. Ao ajustar o modelo para diminuir o número de falsos-positivos, observou-se que o número
de falsos-negativos aumentou consideravelmente, o que pode não ser desejado pelas autoridades
competentes.
Já com relação a testes de quebra estrutural, terceira categoria da literatura empírica sugerida
por Harrington (2008), a literatura nacional é incipiente, sendo necessário recorrer à literatura
internacional para encontrar tais tipos de estudo. Nesse sentido, destaca-se o trabalho pioneiro de
Abrantes-Metz et al. (2006). Após o colapso de um cartel de licitação na indústria de peixes congelados
na Filadélfia, nos Estados Unidos, os autores identificam uma redução de 16% no preço médio e um
aumento de 200% no seu desvio padrão, sem nenhuma contrapartida justificável na estrutura de
custos das empresas. Assim, a hipótese é de que a formação de cartéis em outras indústrias poderia
exibir movimentos similares, mas no sentido contrário. A mesma metodologia foi então aplicada para
o mercado de varejo de gasolina em Louisville, no estado americano de Kentucky
37
. Esposito e Ferrero
(2006) também aplicaram a técnica de variance screen para dois cartéis italianos, um no mercado de
combustíveis e outro no mercado de produtos de higiene pessoal e leite para crianças.
Bolotova, Connor e Miller (2008) avaliaram os cartéis internacionais de ácido cítrico e lisina,
ocorridos no final da década de 1990. Por meio de extensões dos modelos de heteroscedasticidade
condicional auto-regressiva (ARCH, na sigla em inglês) e ARCH generalizado (GARCH), os autores
testam a hipótese de que o comportamento dos dois primeiros momentos da distribuição de preço
em um regime de cartel é diferente daquele observado durante períodos de concorrência, em que se
espera preços menores e mais voláteis. Os resultados indicam que o cartel elevou o preço médio de
ácido cítrico em 9 centavos de dólar por libra em relação ao período competitivo. Não se identificaram
efeitos significativos para a variância. No caso da lisina, o aumento relativo no preço médio foi de
24,79 centavos de dólar por libra, enquanto a variância diminuiu. Diante de resultados ambíguos para
a variância, os autores sugerem cautela na implementação de variance screens para detecção de
cartel
38
.
Já Blanckenburg, Kholodilin e Geist (2012) argumentam em favor da técnica. Com base em
dados de 11 casos condenados de cartel, os autores avaliam informações a respeito da média, curtose
e assimetria das distribuições de preços e concluem que apenas a variância poderia ser entendida
como um indicador robusto para a ocorrência de colusão. Hüschelrath e Veith (2013), no entanto,
chegam em uma conclusão diferente ao analisar 340 mil transações realizadas durante um cartel no
mercado de cimento na Alemanha. Por meio de testes de média sequenciais para detectar quebras
estruturais nos preços, os autores afirmam que com essa abordagem seria possível ter detectado o
cartel antes dele ter sido descoberto pela autoridade antitruste alemã.
37 Conforme afirmam Abrantes-Metz e Froeb (2008), foi a partir de então que diferentes autoridades antitruste passa-
ram a utilizar o método para identificar mercados com variância de preços relativamente baixa.
38 Segundo os autores, modelos que lidam com diferentes momentos da distribuição de preços de forma conjunta
tendem a tratar comportamentos colusivos de forma mais robusta do que modelos que lidam apenas com preço médio ou
variância, separadamente.
43
Heijnen, Haan e Soetevent (2015) optam por uma abordagem mais sofisticada do variance
screen ao identificar clusters de variância relativamente reduzida no mercado de combustível na
Holanda. Já Crede (2015) propõe um novo método de screening comportamental que se baseia na
identificação de quebras estruturais no processo gerador dos dados. O autor avalia três mercados de
massas, na Itália, Espanha e França, sendo que nos dois primeiros foram identificados casos de cartel
e no último foi observado um aumento significativo dos preços, mas devido a um choque nos custos.
O método é capaz de detectar os cartéis que de fato ocorreram e não identifica um falso positivo no
mercado francês.
Por fim, a maioria dos modelos estruturais de screening, os quais compõem a quarta
categoria sugerida por Harrington (2008), fazem parte de uma literatura mais tradicional de conduta.
Davis e Garcés (2010) apresentam detalhada revisão da literatura tradicional de identificação de
conduta, assim como Doane et al. (2015). Neste caso vale destacar artigo da literatura internacional,
de Hyytinen, Steen e Toivanen (2010), em que os autores aplicam o Hidden Markov Model (HMM) com
o objetivo de avaliar a existência de colusão na indústria manufatureira na Finlândia.
Como é possível observar, seja na literatura nacional, seja na internacional, observa-se
uma preferência cada vez maior pela aplicação de técnicas de machine learning no contexto de
detecção de cartel. De acordo com Beth e Gannon (2022), em um contexto de constante aumento na
complexidade do funcionamento de cartéis, a utilização desta abordagem para adaptar e melhorar
os filtros existentes à medida que mais informações são coletadas torna-se fundamental. Segundo
os autores, com uma base rica o suficiente de casos conhecidos de cartel, passa a ser possível treinar
algoritmos específicos para a detecção de padrões que se repetem com a presença de cartel. Quanto
mais dados estiverem disponíveis, mais aprimoramentos na metodologia podem ser feitos, de modo
que a implementação dessas técnicas não representa uma solução definitiva, mas sim uma maneira
gradual de conseguir resultados cada vez mais precisos e refinados na busca por cartéis.
Harrington e Imhof (2022) destacam um detalhe relevante do ponto de vista teórico no âmbito
destas aplicações. De acordo com os autores, a utilização de machine learning, no geral, não é feita
para identificar uma relação causal entre um evento X e um evento Y, mas sim utilizar X para prever Y.
Essa diferenciação é fundamental, pois, assim, boa parte dos problemas econométricos oriundos da
identificação de um modelo desaparecem, em particular, a elevada colinearidade entre as variáveis
explicativas. Prioriza-se com tais técnicas a previsibilidade (minimização de erros de previsão), em
detrimento da causalidade, objeto de análise em abordagens econométricas. Ademais, a forma
funcional do modelo utilizado pode ser bem flexível e não-linear, já que o objetivo do modelo não é
estimar os coeficientes associados às variáveis explicativas, mas sim prever o resultado da variável
explicada (que geralmente é uma variável binária indicando a presença, ou não, de cartel). Isto é, a
existência de viés nos estimadores pode deixar de ser um problema, ao contrário das abordagens
econométricas em que é fundamental que os modelos sejam não-viesados
39
.
Contudo, há de se ter cautela com o uso de machine learning na detecção de cartéis. Em
primeiro lugar, como visto, bons resultados dependem fortemente de uma boa (e vasta) base de
dados para treinar os modelos. Ademais, pode ser forte a hipótese de que um modelo treinado para
39 Mais detalhes sobre a diferenciação entre técnicas de machine learning e abordagens econométricas podem ser
vistas no vídeo “Métodos de Quantificação de Danos de Cartéis e Bid-Rigging: Proposta de Guia Parte 2.” disponível no canal do
IPEA (MÉTODOS..., 2020).
44
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
detectar cartéis em um determinado setor, em uma determinada região e em um determinado período
é adequado para detectar cartéis em outras circunstâncias
40
. Harrington e Imhof (2022) discutem esse
tema e chamam esse problema de “transposição preditiva do modelo”. Para os autores, mesmo que
a transposição seja feita para o mesmo setor, é necessário ter cautela na utilização dos resultados
advindos de um modelo treinado em outro contexto.
Tendo em vista a variedade de abordagens, modelos e premissas dos métodos de screening
comportamental para detecção de cartéis, tanto no Brasil quanto no resto do mundo, há diferentes
maneiras de categorizar a literatura empírica, tal como fez Harrington (2008). O Quadro 1 apresenta
uma lista não exaustiva de artigos relevantes classificando-os a partir de dois critérios: se a aplicação
do screening possui ou não conhecimento prévio a respeito da existência do cartel, e o método de
screening comportamental utilizado. Em negrito os artigos que aplicam técnicas de screening no
Brasil.
40 Huber, Imhof e Ishii (2022) analisam exatamente essa questão com base em dados do setor de construção na Suíça
e no Japão. Os autores encontram que mesmo os modelos de machine learning com melhores índices de acertos perdem uma
parte de sua capacidade preditiva ao serem utilizados em um país diferente do qual foram treinados (vale ressaltar, contudo,
que mesmo assim eles ainda podem ser úteis).
45
Quadro 1 – Tabela-resumo com classicação da literatura empírica de screening
comportamental
Método de screening Conhecimento prévio a respeito da existência
do cartel
Nenhum conhecimento
prévio a respeito da
existência do cartel
Abordagem
econométrica
Séries de
tempo
Gülen (1996) – Is OPEC a Cartel? Evidence from
Cointegration and Causality Tests
Vasconcelos e Vasconcelos (2005) –
Investigações e obtenção de provas de cartel:
por que e como observar paralelismo de
conduta
Bolotova, Connor e Miller (2008) – The impact
of collusion on price behavior: Empirical results
from two recent cases
Hüschelrath e Veith (2013) – Cartel Detection in
Procurement Markets
Albuquerque e Cuiabano (2015) – Two stage
screening for cartel detection
Abrantes-Metz et al. (2006)
– A variance screen for
collusion
Vasconcelos e Vasconcelos
(2009) – Ferramentas de
detecção dos acordos em
preços no mercado de
gasolina a varejo
Mena-Labarthe (2012) –
Mexican Experience in
Screens for Bid-Rigging*
Crede (2015) – A structural break cartel screen for dating and detecting
collusion
Silveira et al. (2021) – Cartel Screening in the Brazilian Fuel Retail Market
Econometria
espacial
Lundberg (2017) – On cartel detection and
Moran´s I*
Bergman et al. (2020) – Interactions Across
Firms and Bid Rigging*
Lima e Resende (2019) WP – Using the Moran’s
I to Detect Bid Rigging in Brazilian Procurement
Auctions*
Modelos em
painel
Porter e Zona (1993) – Detection of bid rigging
in procurement auctions*
Porter e Zona (1999) – Ohio school milk
markets: An analysis of bidding*
Lee (1999) – Non-cooperative tacit collusion,
complementary bidding and incumbency
premium*
Pesendorfer (2000) – A study of collusion
in first-price auctions (desenvolve modelo
teórico)*
Gupta (2001) – The eect of bid rigging on
prices: A study of the highway construction
industry*
Fetter (2012) – Detecção de cartéis por
marcadores de colusão
Bajari e Ye (2003) – Deciding
between competition and
collusion (desenvolve
modelo teórico)*
Ishii (2009) – Favour
exchange in collusion:
Empirical study of repeated
procurement auctions in
Japan*
Hyytinen et al. (2010) – Cartels Uncovered
Conley e Decarolis (2016) – Detecting bidders groups in collusive auctions
(desenvolve modelo teórico)*
46
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
Abordagens estatísticas Esposito e Ferrero (2006) – Variance screen
for detecting collusion – an application to two
cartel cases in Italy
Samà (2014) – Cartel Detection and Collusion
Screening: An Empirical Analysis of the London
Metal Exchange
Gani (2017) – Detection of abusively low prices
in Tunisian public procurement using control
charts*
Imhof (2017) WP – Simple Statistical Screens to
Detect Bid Rigging*
Wachs e Kertesz (2019) – A network approach to
cartel detection in public auction markets*
Conti e Naldi (2008) –
Detection of anomalous bids
in procurement auctions*
Lorenz (2008) – Screening
markets for cartel detection
– collusive marker in the
CFD cartel-audit
Haider e Hunter (2010) –
Screening and Testing for
Collusive Conduct in the
Absence of a Smoking Gun
Heijnen, Haan e Soetevent
(2015) – Screening for
collusion: a spatial statistics
approach
OECD (2016) – Country case:
Korea FTC BRIAS*
Imhof, Karagök e Rutz (2018)
– Screening for Bid-Rigging
– Does it Work?*
Carrijo (2019) – Análise
estatística dos preços de
combustíveis para auxílio na
detecção de cartéis no setor
de distribuição
Kawai e Nakabayashi (2014) – Detecting Large-Scale Collusion in Procurement
Auctions*
Algoritmos e Machine
Learning
Huber e Imhof (2019) – Machine learning with
screens for detecting bid-rigging cartels*
Harrington e Imhof (2022) – Cartel screening
and machine learning*
Silveira et al. (2022) – Won’t get fooled again:
A supervised machine learning approach for
screening gasoline cartels
Huber et al. (2022) – Transnational machine
learning with screens for flagging bid-rigging
cartels*
de Souza e Louzada (2020)
– Detectando conluio em
compras governamentais:
Uma abordagem utilizando
red flags e a Teoria
Dempster-Shafer*
Walliman e Sticher (2023)
– On suspicious tracks:
machine-learning based
approaches to detect cartels
in railway-infrastructure
procurement*
Fonte: elaboração própria. (*) Com asterisco os trabalhos que tratam de conluio em licitações públicas. Os trabalhos nacionais
estão destacados em negrito.
Em suma, observa-se que a literatura acadêmica nacional de detecção de cartel a partir de
screenings comportamentais encontra-se bastante alinhada com a literatura internacional. Dada a
maior disponibilidade de dados e, inclusive, a própria ênfase que tem sido dada pelo Cade no âmbito
do Projeto Cérebro, muitos artigos no Brasil têm focado em avaliar comportamentos colusivos em
licitações públicas. Outro aspecto que chama atenção, em linha com a experiência internacional, é a
recente priorização por técnicas de machine learning, também objeto de estudos do Cérebro.
Tais tendências têm se mostrado muito relevantes para autoridades antitruste no que tange
à detecção de cartéis. Isso porque, como na abordagem de machine learning o objetivo é minimizar
erros de previsão sobre a possível existência de cartel, e não necessariamente isolar efeitos de outras
variáveis para se estabelecer relações de causalidade (como no caso de abordagens econométricas
47
tradicionais), a tendência recente de priorização desta metodologia pela comunidade antitruste –
ainda mais quando voltadas para licitações públicas (com maior disponibilidade de dados) –, será
importante para elevar a frequência de trabalhos de screening sem conhecimento prévio de cartel.
5. CONSIDERAÇÕES FINAIS
Buscou-se neste artigo apresentar uma revisão da literatura empírica recente, nacional e
internacional a respeito do uso de métodos de screening para a detecção de cartéis no Brasil e no
mundo. Além de focar em estudos mais recentes, os quais têm focado em técnicas de machine learning,
este artigo contribui com a literatura na medida em que também discute screenings estruturais.
Note-se que diversas autoridades antitruste têm seguido as recomendações de organizações
internacionais de combinar o uso de métodos reativos com proativos na detecção de cartéis. Há
iniciativas importantes no uso de screenings, especialmente no âmbito de licitações públicas, dada
a maior disponibilidade de dados. O mesmo se observa na literatura empírica, em que técnicas
de machine learning têm ganhado espaço. Abordagens estruturais são pouco comuns, dado que
costumam ser pouco precisas e apenas indicam uma propensão à cartelização.
Pode-se afirmar que ainda não há consenso a respeito da melhor técnica de screening
comportamental. Há estudos, por exemplo, que focam na variância dos preços, outros que buscam
quebras estruturais no nível e aqueles que combinam análises de diferentes momentos das
distribuições de preços. Comum à maioria dos trabalhos é o fato de se basearem no conhecimento
prévio a respeito da existência de cartel. Dessa forma, o desafio de identificação dos modelos
econométricos continua sendo um entrave para o uso dos métodos de screening.
Nos últimos anos, contudo, seja devido à complexidade dos desafios de identificação dos
modelos econométricos, seja pelo contexto de aumento na complexidade do funcionamento dos
acordos colusivos, tem ganhado espaço o uso de técnicas de machine learning, tal como vem fazendo
o Projeto Cérebro no Cade. Trata-se de uma nova tendência na literatura empírica de métodos de
screening que, aproveitando-se de uma maior oferta de dados (como são os casos de licitações
públicas), está voltada principalmente à maior previsibilidade e precisão no processo de detecção de
cartéis, em detrimento da causalidade.
Tendo em vista as diferentes dinâmicas setoriais e regionais, seu uso ainda exige cautela
por parte dos pesquisadores e autoridades antitruste, mas certamente representa avanço relevante
e promissor no combate a cartéis. Em particular, tal tendência recente será importante para elevar a
frequência de trabalhos de screening sem conhecimento prévio de cartel, beneficiando as autoridades
antitruste no mundo todo.
REFERÊNCIAS
ABRANTES-METZ, Rosa M. et al. A variance screen for collusion. International Journal of Industrial
Organization, [S. l.], v. 24, n. 3, p. 467-486, maio 2006. Disponível em: https://tinyurl.com/25ualw2k.
Acesso em: 1 abr. 2024.
ABRANTES-METZ, Rosa M. Screens for Conspiracies and their Multiple Applications. Washington: The
48
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
American Bar Association (ABA), 2011. Disponível em: https://tinyurl.com/23csc4k9. Acesso em: 1 abr.
2024.
ABRANTES-METZ, Rosa M.; FROEB, Luke M. Competition Agencies Are Screening for Conspiracies: What
Are They Likely to Find? Economics Committee Newsletter, [S. l.], v. 8, n. 1, 2008. Disponível em: https://
tinyurl.com/2bmzk9nh. Acesso em: 1 abr. 2024.
ABRANTES-METZ, Rosa M.; PREWITT, Elizabeth. Antitrust compliance 2.0: The use of structural
analysis and empirical screens to detect collusion and corruption in bidding procurement processes.
Competition Policy International, [S. l.], 2015. Disponível em: https://tinyurl.com/2c5x474o. Acesso
em: 1 abr. 2024.
ALBUQUERQUE, Pedro H. M.; CUIABANO, Simone Maciel. Two stage screening for cartel detection. In:
ANNUAL COMPETITION CONFERENCE: COMPETITION POLICY AND
ENFORCEMENT IN BRICS COUNTRIES,
9., 2015, Durban. Anais […]. Durban: Competition Commission South Africa, 2015. Disponível em: https://
tinyurl.com/24hrqrvk. Acesso em: 1 abr. 2024.
ANSELIN, Luc. Spatial econometrics. In: BALTAGI, Badi H (ed.). A Companion to Theoretical Econometrics.
Malden: Blackwell Publishing, 2003. p. 310–330. Disponível em: https://tinyurl.com/2dlw6aw6. Acesso
em: 1 abr. 2024.
BAJARI, Patrick; YE, Lixin. Deciding between competition and collusion. Review of Economics and
statistics, [S. l.], v. 85, n. 4, p. 971-989, nov. 2003. Disponível em: https://tinyurl.com/2cfduyqn. Acesso
em: 1 abr. 2024.
BERGMAN, Mats. A. et al. Interactions across firms and bid rigging. Review of Industrial Organization,
[S. l.], v. 56, p. 107-130, 2020. DOI: https://doi.org/10.1007/s11151-018-09676-0. Disponível em: https://
tinyurl.com/29na7mc5. Acesso em: 1 abr. 2024.
BETH, Hannes; GANNON, Oliver. Cartel screening: can competition authorities and corporations aord
not to use big data to detect cartels? Competition Law & Policy Debate, v. 7, n. 2, p. 77-88, mar. 2022.
DOI: doi: 10.4337/clpd.2022.0001. Disponível em: https://tinyurl.com/22z5ykph. Acesso em: 2 abr. 2024.
BLANCKENBURG, Korbinian Von.; KHOLODILIN, Konstantin A.; GEIST, Alexander. The Influence of
Collusion on Price Changes: New Evidence from Major Cartel Cases. German Economic Review, [S. l.], v.
13, n. 3, p. 245–256, 2012. DOI: https://doi.org/10.1111/j.1468-0475.2011.00558.x. Disponível em: https://
tinyurl.com/2appgbq7. Acesso em: 1 abr. 2024.
BOLOTOVA, Yuliya; CONNOR, John M.; MILLER, Douglas J. The impact of collusion on price behavior:
Empirical results from two recent cases. International Journal of Industrial Organization, [S. l.], v. 26,
n. 6, p. 1290-1307, 2008. Disponível em: https://tinyurl.com/2brvwhld. Acesso em: 1 abr. 2024.
BRASIL. Conselho Administrativo de Defesa Econômica. Plano de gestão anual 2020: planejamento
estratégico CADE - 2017/2020. Brasília, DF: CADE, 2017. Disponível em: https://tinyurl.com/2cf3rnx8.
Acesso em: 8 jan. 2024.
BRASIL. Conselho Administrativo de Defesa Econômica. Plano Estratégico CADE 2024: por um Brasil
mais competitivo. 2. rev. Brasília, DF: CADE, 2023. Disponível em: https://tinyurl.com/2d9x3wq5. Acesso
em: 8 jan. 2024.
CARRIJO, Gustavo Dantas. Análise estatística dos preços de combustíveis para auxílio na detecção
49
de cartéis no setor de distribuição. 2019. Monografia (Especialização em Governança e Controle da
Regulação em Infraestrutura) – Escola Nacional de Administração Pública, Brasília, 2019. Disponível
em: https://tinyurl.com/237wg2l7. Acesso em: 8 jan. 2024.
CASTRO, André et al. Identifying Behaviors and Irregularities in Public Procurement in the Brazilian
Federal Government. Brasília, DF: Ministério do Planejamento, Orçamento e Gestão, 2018. Disponível
em: https://tinyurl.com/27o7hnes. Acesso em: 15 abr. 2024.
CHAMMAS, Mona. International Experiences with Screening to Detect Cartels. In: Presentation from
the Organisation for Economic Co-operation and Development (OCDE) Competition Division. Brussels:
OCDE, 2015.
CONLEY, Timothy G.; DECAROLIS, Francesco. Detecting bidders groups in collusive auctions. American
Economic Journal: Microeconomics, [S. l.], v. 8, n. 2, p. 1-38, maio 2016. DOI: 10.1257/mic.20130254.
Disponível em: https://tinyurl.com/2aslecx3. Acesso em: 5 abr. 2024.
CONTI, Pier Luigi; NALDI, Maurizio. Detection of anomalous bids in procurement auctions. Decision
Support Systems, [S. l.], v. 46, n. 1, p. 420-428, 2008. DOI: http://dx.doi.org/10.2139/ssrn.1493346.
Disponível em: https://tinyurl.com/27wv79gz. Acesso em: 8 jan. 2024.
CREDE, Carsten J. A structural break cartel screen for dating and detecting collusion. Centre
for Competition Policy Working Paper, Norwich, n. 15-11, 2015. Disponível em: https://tinyurl.
com/278mudx8. Acesso em: 8 jan. 2024.
CUIABANO, Simone Maciel et al. Filtrando cartéis: a contribuição da literatura econômica na
identificação de comportamentos colusivos. Revista de Defesa da Concorrência, Brasília, DF, v. 2, n. 2,
p. 43-63, nov. 2014. Disponível em: https://tinyurl.com/2bd6djm4. Acesso em: 8 jan. 2024.
DAVIS, Peter; GARCÉS, Eliana. Quantitative techniques for competition and antitrust analysis. Nova
Jersey: Princeton University Press, 2010.
DOANE, Michael J. et al. Screeming for collusion as a problem of indiference. In: BLAIR, Roger D.;
SOKAL, Daniel D. (edit.). Oxford handbook of international antitrust economics. Nova York: Oxford
University Press, 2015. v. 2. p. 523-553.
ESPOSITO, Fabio Massimo; FERRERO, Massimo. Variance screens for detecting collusion: an
application to two cartel cases in Italy. In: WORKSHOP ON FORENSIC ECONOMICS IN COMPETITION LAW
ENFORCEMENT, 2., Amsterdam, 2006. Documento de Trabalho […]. Amsterdam: ACLE, 2006. Disponível
em: https://tinyurl.com/27cmt7qh. Acesso em: 8 jan. 2024.
ESTATÍSTICAS do Programa de Leniência do Cade. Conselho Administrativo de Defesa Econômica,
Brasília, 8 maio 2024. Disponível em: https://tinyurl.com/2ynfujo8. Acesso em: 13 abr. 2024.
FETTER. Seiji Kumon. Detecção de cartéis por marcadores de colusão. Orientador: Paulo Furquim de
Azevedo. 2012. Dissertação (Mestrado em Economia) - Escola de Economia de São Paulo, Fundação
Getúlio Vargas, São Paulo, 2012. Disponível em: https://tinyurl.com/25sgbum8. Acesso em: 9 jan. 2024.
FOREMNY, Andrzej; DORABIALSKI, Wojciech. Review of collusion and bid rigging detection methods in
the construction industry. In: CREATIVE CONSTRUCTION CONFERENCE, 2018, Ljubljana. Proceedings [...].
Ljubljana: Miroslaw J. Skibniewski & Miklos Hajdu, 2018. Disponível em: https://tinyurl.com/29ln5w3r.
Acesso em: 5 jun. 2024.
50
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
FROEB, Luke M.; KOYAK, Robert A.; WERDEN, Gregory J. What is the eect of bid-rigging on prices?
Economics Letters, [S. l.], v. 42, n. 4, p. 419-423, 1993. DOI: https://doi.org/10.1016/0165-1765(93)90095-T.
Disponível em: https://tinyurl.com/292xca7g. Acesso em: 9 jan. 2024.
GANI, Walid. Detection of abusively low prices in Tunisian public procurement using control charts.
International Journal of Procurement Management, [S. l.], v. 10, n. 5, p. 568-580, 2017. Disponível em:
https://tinyurl.com/2ce9d8lb. Acesso em: 12 abr. 2024.
GONZAGA, Pedro. Cartel Screens in the Digital Era. Paris: OECD, 2018. Presentation from the Organisation
for Economic Co-operation and Development. Disponível em: https://tinyurl.com/2ybm7gkb. Acesso
em: 12 abr. 2024.
GROUT, Paul; SONDEREGGER, Silvia. Predicting cartels (OFT773). [S. l.]: Oce of fair trading, 2005.
GÜLEN, S. Gücan. Is OPEC a cartel? Evidence from cointegration and causality tests. The Energy Journal,
[S. l.], v. 17, n. 2, p. 43-57, 1996. DOI: https://doi.org/10.5547/ISSN0195-6574-EJ-Vol17-No2-3. Disponível
em: https://tinyurl.com/28nlqna9. Acesso em: 9 jan. 2024.
GUPTA, Srabana. Competition and collusion in a government procurement auction market. Atlantic
Economic Journal, [S. l.], v. 30, p. 13-25, 2002. DOI: https://doi.org/10.1007/BF02299143. Disponível em:
https://tinyurl.com/2brtj6ry. Acesso em: 9 jan. 2024.
GUPTA, Srabana. The eect of bid rigging on prices: a study of the highway construction industry.
Review of Industrial Organization, [S. l.], v. 19, p. 451-465, 2001. Disponível em: https://www.jstor.org/
stable/41799060. Acesso em: 8 jan. 2024
HAIDER, Laila; HUNTER, Graeme. Screening and Testing for Collusive Conduct in the Absence of a
Smoking Gun. Nera Economic Consulting, [S. l.], 2010. Disponível em: https://tinyurl.com/25z8oe2h.
Acesso em: 8 jan. 2024.
HARRINGTON JR, Joseph E.; IMHOF, David. Cartel screening and machine learning. Standford
Computational Antitrust, [S. l.], v. 2, p. 133-154, 2022. Disponível em: https://tinyurl.com/2bjmvser.
Acesso em: 1 jan. 2024.
HARRINGTON JR., Joseph E. Behavioural Screening and the Detection of Cartels. In: EHLERMANN,
Claus-Dieter D.; ATANASIU, Isabela I (ed.). European Competition Law Annual 2006:
enforcement of
Prohibition of Cartels. Oxford: Hart Publishing, 2007.
HARRINGTON JR., Joseph E. Detecting cartels. In: BUCCIROSSI, Paolo (ed.). Handbook of antitrust
economics. v. 1. Cambridge: MIT Press, 2008.
HEIJNEN, Pim; HAAN, Marco A.; SOETEVENT, Adriaan R. Screening for collusion: a spatial statistics
approach. Journal of Economic Geography, [S. l.], v. 15, n. 2, p. 417-448, mar. 2015. DOI: https://doi.
org/10.1093/jeg/lbu012. Disponível em: https://tinyurl.com/24nwdoqu. Acesso em: 9 jan. 2024.
HUBER, Martin; IMHOF, David. Machine learning with screens for detecting bid-rigging cartels.
International Journal of Industrial Organization, [S. l.], v. 65, p. 277-301, 2019. DOI: https://doi.
org/10.1016/j.ijindorg.2019.04.002. Disponível em: https://tinyurl.com/254otawg. Acesso em: 12 abr.
2024.
HUBER, Martin; IMHOF, David; ISHII, Rieko. Transnational machine learning with screens for flagging
bid-rigging cartels. Journal of the Royal Statistical Society: Series A: Statistics in Society, [S. l.], v.
51
185, n. 3, p. 1074-1114, 2022. DOI: https://doi.org/10.1111/rssa.12811. Disponível em: https://tinyurl.
com/237pyqec. Acesso em: 3 abr. 2024.
HÜSCHELRATH, Kai. How are cartels detected? The increasing use of proactive methods to establish
antitrust infringements. Journal of European Competition Law & Practice, [S. l.], v. 1, n. 6, p. 522-528,
Dez. 2010. DOI: https://doi.org/10.1093/jeclap/lpq047. Disponível em: https://tinyurl.com/269p776s.
Acesso em: 8 jan. 2024.
HÜSCHELRATH, Kai; VEITH, Tobias. The impact of cartelization on pricing dynamics: evidence from the
German cement industry. ZEW-Centre for European Economic Research Discussion Paper, [S. l.], n. 11-
067, 2013. Disponível em: https://tinyurl.com/27x2tqwo. Acesso em: 4 abr. 2024.
HYYTINEN, Ari; STEEN, Frode; TOIVANEN, Otto. Cartels uncovered. NHH Dept. of Economics Discussion
Paper, Bergen, n. 10/2010, 2010. Disponível em: https://tinyurl.com/2da7zne3. Acesso em: 6 abr. 2024.
IMHOF, David. Simple statistical screens to detect bid rigging. Faculté des sciences économiques et
sociales Working Paper, Fribourg, n. 484, 2017. Disponível em: https://sonar.ch/documents/305523/
files/WP_SES_484.pdf. Acesso em: 12 abr. 2024.
IMHOF, David; KARAGÖK, Yavuz; RUTZ, Samuel. Screening for bid rigging: does it work?. Journal of
Competition Law & Economics, [S. l.], v. 14, n. 2, p. 235-261, jun. 2018. DOI: https://doi.org/10.1093/
joclec/nhy006. Disponível em: https://academic.oup.com/jcle/article-abstract/14/2/235/5058993.
Acesso em: 4 abr. 2024.
INTERNATIONAL COMPETITION NETWORK (ICN). Anti-cartel
enforcement manual: Cartel Working
Group: Subgroup 2: Enforcement Techniques. [S. l.]: International Competition Network, 2021.
Disponível em: https://tinyurl.com/26z2k8cm. Acesso em: 8 jan. 2024.
INTERNATIONAL COMPETITION NETWORK; COMPETITION COMMISSION OF INDIA (CCI). Cartel
Enforcement and Competition: ICN Special Project. [S. l.]: International Competition Network, 2018.
Disponível em: https://tinyurl.com/26n45aaw. Acesso em: 8 jan. 2024.
ISHII, Rieko. Favor exchange in collusion: Empirical study of repeated procurement auctions in Japan.
International Journal of Industrial Organization, [S. l.], v. 27, n. 2, p. 137-144, mar. 2009. DOI: https://
doi.org/10.1016/j.ijindorg.2008.05.006. Disponível em: https://tinyurl.com/252h4f94. Acesso em: 9 jan.
2024.
JINDGAR, Jyoti. Screens for Cartel Detection. [S. l.: s. n.], 2019. Presentation from the Competition
Commission of India. Disponível em: https://tinyurl.com/29czlzy9. Acesso em: 9 jan. 2024.
KAWAI, Kei; NAKABAYASHI, Jun. Detecting large-scale collusion in procurement auctions. Journal of
Political Economy, [S. l.], v. 130, n. 5, 2014. Disponível em: https://www.journals.uchicago.edu/doi/
abs/10.1086/718913. Acesso em: 20 jan. 2024.
KIEFER, Nicholas M. A note on switching regressions and logistic discrimination. The Econometric
Society, [S. l.], p. 1065-1069, maio 1980. DOI: https://doi.org/10.2307/1912950. Disponível em: https://
www.jstor.org/stable/1912950. Acesso em: 8 jan. 2024.
LEE, In K. Non-cooperative tacit collusion, complementary bidding and incumbency premium. Review
of Industrial Organization, [S. l.], v. 15, n. 2, p. 115-134, set. 1999. Disponível em: https://www.jstor.org/
stable/41798877. Acesso em: 2 abr. 2024.
52
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
LEE, In Kwon; HAHN, Kyungdong. Bid-rigging in auctions for Korean public-works contracts and
potential damage. Review of Industrial Organization, [S. l.], v. 21, p. 73-88, ago. 2002. Disponível em:
https://tinyurl.com/26upxu3q. Acesso em: 2 abr. 2024.
LEE, Lung-Fei; PORTER, Robert H. Switching regression models with imperfect sample separation
information: with an application on cartel stability. The Econometric Society, [S. l.], v. 52. n. 2, p. 391-418,
mar. 1984. DOI: https://doi.org/10.2307/1911495. Disponível em: https://www.jstor.org/stable/1911495.
Acesso em: 2 abr. 2024.
LIMA, Ricardo Carvalho de Andrade; RESENDE, Guilherme Mendes. Using the Moran’s I to Detect Bid
Rigging in Brazilian Procurement Auctions: Working Paper nº 005/2019. Brasília, DF: Administrative
Council for Economic Defense, 2019. Disponível em: https://tinyurl.com/282uwqmw. Acesso em: 2 abr.
2024.
LORENZ, Christian. Screening markets for cartel detection: collusive markers in the CFD cartel-audit.
European Journal of Law and Economics, [S. l.], v. 26, n. 2, p. 213-232, 2008. DOI:10.1007/s10657-008-
9054-x.
LUNDBERG, Johan. On cartel detection and Moran’s I. Letters in Spatial and Resource Sciences, [S.
l.], v. 10, p. 129-139, 2017. DOI: 10.1007/s12076-016-0176-4. Disponível em: https://tinyurl.com/2d3z6f9o.
Acesso em: 8 jan. 2024.
MARSHALL, Robert C.; MARX, Leslie M.; MEURER, Michael J. The Economics of Auctions and Bidder
Collusion. [S. l.: s. n.], 2012. Disponível em: https://tinyurl.com/2cw69nkz. Acesso em: 9 jan. 2024.
MENA-LABARTHE, Carlos. Mexican experience in screens for bid-rigging. CPI Antitrust Chronicle, [S. l.],
v. 1, p. 1-8, mar. 2012. Disponível em: https://tinyurl.com/29ljhd63. Acesso em: 5 abr. 2024.
MORAN, P. A. P. The interpretation of statistical maps. Journal of the Royal Statistical Society: Series
B-Methodological, [S. l.], v. 10, n. 2, p. 243-251, jul. 1948. Disponível em: https://tinyurl.com/24d3a2ox.
Acesso em: 5 abr. 2024.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT (OECD). Country case: Korea´s
Bid Rigging Indicator Analysis System (BRIAS). Public Procurement Toolbox. Paris: Organisation for
Economic Co-operation and Development (OCDE), 2016. Disponível em: https://tinyurl.com/2379pcze.
Acesso em: 15 abr. 2024.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT (OECD). Ex ocio cartel
investigations and the use of screens to detect cartels. Paris: Organisation for Economic Co-operation
and Development (OCDE), 2013. (Series Roundtables on Competition Policy, n° 147). Disponível em:
https://tinyurl.com/29xm2fsc. Acesso em: 15 abr. 2024.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT (OECD). Summary of the workshop
on cartel screening in the digital era. Paris: Organisation for Economic Co-operation and Development
(OCDE), 2018. Disponível em: https://tinyurl.com/28rajwl3. Acesso em: 5 abr. 2024.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT (OECD). Combate a cartéis em
licitações no Brasil: Uma revisão das Compras Públicas Federais. Paris: Organisation for Economic
Co-operation and Development (OCDE), 2021. Disponível em: https://tinyurl.com/2dmyjuob. Acesso
53
em: 15 abr. 2024.
PESENDORFER, Martin. A study of collusion in first-price auctions. The Review of Economic Studies,
[S. l.], v. 67, n. 3, p. 381-411, 2000. DOI: https://doi.org/10.1111/1467-937X.00136. Disponível em: https://
tinyurl.com/2ar76cl5. Acesso em: 8 jan. 2024.
PETIT, Lilian. The economic detection instrument of the Netherlands Competition Authority: the
competition index. NMa Working Paper, Netherlands, n. 6, jan. 2012. Disponível em: https://tinyurl.
com/2xqvn7cl. Acesso em: 1 abr. 2024.
PIMENTA, Guilherme. Projeto Cérebro: Cade usa inteligência artificial no combate a cartéis. Jota,
Brasília, 29 out. 2019. Disponível em: https://tinyurl.com/2xqvn7cl. Acesso em: 16 abr. 2024.
PORTER, Robert H. A study of cartel stability: the Joint Executive Committee, 1880-1886. The Bell Journal
of Economics, [S. l.], v. 14, n. 2, p. 301-314, 1983. DOI: https://doi.org/10.2307/3003634. Disponível em:
https://www.jstor.org/stable/3003634. Acesso em: 8 jan. 2024.
PORTER, Robert H. Detecting collusion. Review of Industrial Organization, [S. l.], v. 26, n. 2, p. 147-167,
2005. Disponível em: https://www.jstor.org/stable/41799228. Acesso em: 10 abr. 2024.
PORTER, Robert H. Detection of Collusion. Paris: Organisation for Economic Co-operation and
Development (OCDE), 2018. Presentation at the Workshop on cartel screening in the digital era.
Disponível em: https://tinyurl.com/22jy8ldo. Acesso em: 10 abr. 2024.
PORTER, Robert H.; ZONA, J. Douglas. Detection of bid rigging in procurement auctions. Journal of
Political Economy, [S. l.], v. 101, n. 3, p. 518-538, jun. 1993. DOI: https://doi.org/10.1086/261885. Disponível
em: https://tinyurl.com/2956hx5e. Acesso em: 18 jan. 2024.
PORTER, Robert H.; ZONA, J. Douglas. Ohio school milk markets: an analysis of bidding. The RAND Journal
of Economics, [S. l.], v. 30, n. 2, p. 263–288, 1999. DOI: https://doi.org/10.2307/2556080. Disponível em:
https://www.jstor.org/stable/2556080. Acesso em: 3 abr. 2024.
PRADO FILHO, José Inácio F. A.; GENOVA, Maria Eduarda de Jesus. Uso de IA na persecução administrativa:
o "Projeto Cérebro" do CADE. Migalhas, [S. l.], 15 set. 2023. Disponível em: https://tinyurl.com/23f6lp8a.
Acesso em: 16 abr. 2024.
RAGAZZO, Carlos Emmanuel Joppert; SILVA, R. M. D. Aspectos econômicos e jurídicos sobre cartéis
na revenda de combustíveis: uma agenda para investigações: Documento de Trabalho SEAE nº 40.
Brasília: Ministério da Fazenda, 2006.
REBOUÇAS, Rômulo Roseo et al. Detecção de figurantes em pregões eletrônicos do governo federal
brasileiro. Informação e Tecnologia, João Pessoa, v. 2, n. 2, p. 5–21. 2015. Disponível em: https://
periodicos.ufpb.br/index.php/itec/article/view/25089/17496. Acesso em: 2 abr. 2024.
SALGADO, Lucia Helena. Avaliando a eficácia da política brasileira de combate aos cartéis. Revista de
Defesa da Concorrência, Brasília, v. 10, n. 1, p. 7-29, 2022. DOI: https://doi.org/10.52896/rdc.v10i1.993.
Disponível em: https://tinyurl.com/2bk757v7. Acesso em: 5 abr. 2024.
SAMÀ, Danilo. Cartel detection and collusion screening: an empirical analysis of the London Metal
Exchange. Law & Economics LAB, Rome, p. 1-18, 2014. Disponível em: https://tinyurl.com/26mulyzm.
Acesso em: 6 mar. 2024.
54
MOITA, Rodrigo Menon Simões; OLIVEIRA, Rafael Pereira; POVEDA, Gabriel Barreiros; JESUS,
Maria Paula Heck de. Revisão da literatura empírica recente sobre métodos de screening para a
detecção de cartéis. Revista de Defesa da Concorrência, Brasília, v. 11, n. 2, p. 30-54, 2024
https://doi.org/10.52896/rdc.v12i1.1083
SILVEIRA, Douglas et al. Cartel Screening in the Brazilian Retail Fuel Market. Economia. [S. l.], v. 22,
n 1, p. 53-70. 2021. DOI: https://doi.org/10.1016/j.econ.2021.01.001. Disponível em: https://tinyurl.
com/27tlx39j. Acesso em: 9 jan. 2024.
SILVEIRA, Douglas et al. Won’t Get Fooled Again: A supervised machine learning approach for screening
gasoline cartels. Energy Economics, [S. l.], v. 105, p. 105, jan. 2022. DOI: https://doi.org/10.1016/j.
eneco.2021.105711. Disponível em: https://tinyurl.com/2dxxzmel. Acesso em: 10 mar. 2024.
SOUZA, Frederico Pinto de; LOUZADA, Fabiano da Rocha. Detectando conluio em compras
governamentais: uma abordagem utilizando Red Flags e a Teoria Dempster-Shafer. Revista da
CGU, Brasília, v. 12, n. 21, p. 80-99, jan./jun. 2020. Disponível em: https://repositorio.cgu.gov.br/
handle/1/64813. Acesso em: 6 abr. 2024.
VASCONCELOS, Silvinha Pinto; VASCONCELOS, Claudio Roberto Fóano. Investigações e obtenção de
provas de cartel: por que e como observar paralelismo de conduta. Ensaios da Fundação de Economia
e Estatística, Porto Alegre, v. 26, n. 2, 2005. Disponível em: https://tinyurl.com/2xlydhoc. Acesso em:
10 mar. 2024.
VASCONCELOS, Silvinha Pinto; VASCONCELOS, Claudio Roberto Fóano. Ferramentas de detecção dos
acordos em preços no mercado de gasolina a varejo. In: ENCONTRO NACIONAL DE ECONOMIA, 37., 2009,
Foz do Iguaçu. Anais [...]. Niterói: Associação Nacional dos Centros de Pós-Graduação em Economia,
2009. Disponível em: https://tinyurl.com/23w23dhz. Acesso em: 12 abr. 2024.
WACHS, Johannes; KERTÉSZ, János. A network approach to cartel detection in public auction markets.
Scientific reports, [S. l.], v. 9, n. 1, 2019. Disponível em: https://tinyurl.com/2dno3afw. Acesso em: 12
abr. 2024.
WALLIMANN, Hannes; STICHER, Silvio. On suspicious tracks: machine-learning based approaches to
detect cartels in railway-infrastructure procurement. Arxiv, [S. l.], 2023. Disponível em: https://tinyurl.
com/2xmnb7l4. Acesso em: 12 abr. 2024.
