[论文解读] Detecting collusion in procurement auctions

Konstantin D. Efimov|arXiv (Cornell University)|Nov 16, 2024

Auction Theory and Applications被引用 32

一句话总结

该论文开发了一个机器学习模型，用于预测俄罗斯采购招标中的投标人勾结迹象，在一个40次招标的数据集上达到91%的准确率，数据集按30/70训练/测试划分，模型通过Shepley vector decomposition实现可解释性，并通过独立模拟进行验证。

ABSTRACT

The study aimed at detecting cartel collusion involved analyzing decisions of the Russian Federal Antimonopoly Service and data on auctions. As a result, a machine learning model was developed that predicts with 91% accuracy the signs of collusion between bidders based on their history after dividing 40 auctions into test and training samples in a 30/70 ratio. Decomposition of the model using the Shepley vector allowed the interpretation of the decision-making process. The behavior of honest companies in auctions was also studied, confirmed by independent simulation validation.

研究动机与目标

• 推动在采购招标中侦测卡特尔勾结。
• 从历史招标数据中开发预测模型以识别投标人勾结迹象。
• 评估模型的可解释性并用仿真证据验证研究结论。

提出的方法

• 构建一个俄罗斯采购招标及投标人历史的数据集。
• 将数据分成训练集（70%）和测试集（30%）以进行评估。
• 训练一个机器学习模型以从历史决策预测勾结迹象。
• 使用Shepley vector decomposition对模型决策进行解释。
• 通过独立仿真验证诚实投标者的行为。

实验结果

研究问题

• RQ1 历史投标人决策能否预测采购招标中的勾结迹象？
• RQ2 基于以往招标数据训练的模型在检测勾结方面的预测准确性是多少？
• RQ3 分解方法（Shepley vector）是否为决策过程提供了可解释的洞见？
• RQ4 仿真研究是否证实模型关于诚实投标者行为的发现？

主要发现

• 该模型在测试集上对勾结迹象的预测准确率为91%。
• 在40次招标中使用了30/70的训练/测试划分。
• Shepley vector decomposition使对模型决策过程的解释成为可能。
• 独立仿真证实了在拍卖中诚实企业的观察到的行为。