PhDr. Matúš Džuppa, LL.M.
Využívanie umelej inteligencie v oblasti identifikácie dohôd obmedzujúcich súťaž predstavuje významný technologický pokrok. Skríningové testy predstavujú výrazné zlepšenie ochrany hospodárskej súťaže a zlepšenie konkurenčného prostredia. Ochrana hospodárskych záujmov využitím umelej inteligencie je uplatniteľná nielen v oblasti verejného obstarávania, ale aj v súkromnej sfére.
O negatívnych účinkoch kartelových dohôd existuje množstvo analýz v ekonomickej aj právnej literatúre. Pravdepodobný výskyt protisúťažných dohôd môže dosahovať až 20 % zo všetkých zákaziek. [1], čo potvrdzujú aj skríningové analýzy vykonané na vzorke dát ukončených zákaziek v rokoch 2020 –2022. [2] Odhadujeme však, že v prípade zákaziek s nízkou hodnotou, financovaných zo štrukturálnych fondov, môže objem kartelových dohôd prekračovať hranicu viac než 30 % zo všetkých realizovaných zákaziek [3].
Pri verejnom obstarávaní sa podnikatelia opakovane stretávajú, čo im umožňuje dohodnúť si striedanie víťazstiev v tendroch. Proces je transparentný, čo na jednej strane umožňuje verejnú kontrolu, ale na druhej strane účastníkom protisúťažných dohôd uľahčuje sledovanie, či sa dohodnuté kartelové schémy dodržiavajú. Existencia protisúťažnej dohody sa dá ľahko utajiť a podnikatelia môžu vytvoriť zdanie, že existujú konkurenčné ponuky. Obstarávatelia nerozhodujú o vlastných peniazoch, preto nie sú prirodzene motivovaní a tlačení k získaniu najlepšieho výsledku pri obstarávaní a môžu byť menej senzitívni aj na odhaľovanie kartelových dohôd. Tieto faktory spôsobujú, že verejné obstarávanie je náchylné na kolúziu. [4]
Vytváranie kartelov však nie je len doménou vyskytujúcou sa v oblasti verejného obstarávania. Odhaľovanie vertikálnych dohôd dodávateľov je rovnako dôležité aj pre veľkých nákupcov z prostredia súkromného sektora. Rozhodujúcim faktorom pre uplatnenie inteligentných nástrojov na vyhľadávanie kartelových indikátorov bude početnosť realizovaných nákupov.
Obrázok 1 Bežné stratégie v bid rigging [5]
UMELÁ INTELIGENCIA A STROJOVÉ UČENIE
Technológia umelej inteligencie (AI) je pojem, ktorý zastrešuje technológiu umožňujúcu strojom vnímať, chápať, učiť sa a konať. V dnešnej dobe sa s umelou inteligenciou stretávame už úplne bežne. Virtuálni asistenti, cielená reklama, rozpoznávanie tváre alebo reči, alebo chytré telefóny či hodinky, ktoré sledujú naše denné rutiny a následne nám ponúkajú aplikácie na efektívne trávenie času.
Aby mohla AI efektívne fungovať, musí obsahovať algoritmy na to, aby sa vedela sama rozhodovať alebo učiť bez zasahovania človeka do celého rozsahu.
Strojové učenie je založené na práci a analýze veľkého objemu dát – vzoriek. Rozhodovací proces nastáva po ich kategorizácii. Cieľom využitia strojového učenia je, aby systém dokázal na základe veľkého množstva dát a rýchleho vyhľadávania možných kombinácií navrhnúť optimálne výsledky.
Základnou podmienkou pre použitie umelej inteligencie a strojového učenia je dostatočne veľká množina dát – vzoriek.
ANALÓGOVÝ VERZUS DIGITÁLNY PRÍSTUP
Počet relevantných hospodárskych subjektov a prekážky vstupu na trh sa štandardne označujú ako jedny z najdôležitejších charakteristík, ktoré ovplyvňujú riziko nekalých praktík.
V rámci odhaľovania kolúzneho správania bolo dokázané, že existencia veľkého počtu firiem v skúmanom segmente znižuje pravdepodobnosť identifikácie „ústredného bodu“ koordinácie. Zároveň sa však znižujú možnosti na vytvorenie kartelovej dohody, keďže účastníci dohody by vo väčšom konkurenčnom prostredí mali šancu získať nižší podiel na nadkonkurenčných ziskoch oproti účasti v tendroch bez existujúcej dohody.
Ako uvádza OECD [6], algoritmy možno použiť na veľmi rýchlu identifikáciu akýchkoľvek trhových hrozieb, napríklad prostredníctvom javu známeho ako now casting, ktorý umožňuje etablovaným subjektom preventívne získať informáciu o potenciálnych konkurentoch, ich cenovej politike a tak pružne reagovať na účasť v zákazke. Na druhej strane, zvyšujúca sa dostupnosť online údajov vyplývajúca z používania algoritmov môže poskytnúť užitočné informácie o trhu pre potenciálnych účastníkov trhu, zvýšiť ich istotu a znížiť vstupné náklady.
Pôvodné postupy kompetentných orgánov pri odhaľovaní kolúzie boli založené na najmä vonkajších podnetoch a manuálnom skúmaní prípadov označených ako potenciálne rizikové. Takýmto postupom mohli byť identifikované len vopred nahlásené prípady, pričom bez dátovej analýzy nebolo možné vykonať plošné šetrenie všetkých dostupných obchodných prípadov.
Využitím skríningových testov možno overiť všetky dostupné obchodné prípady, oproti „analógovému postupu“, pri ktorom sú skúmané len tie prípady, ktoré boli „manuálne“ označené za potenciálne rizikové.
Ako príklad „analogického prístupu“ uvádzame konanie Protimonopolného úradu SR č. 2020/DOH/POK/1/29 voči spoločnostiam XXX a YYY.
V uvedenom konaní Protimonopolný úrad SR identifikoval dohodu obmedzujúcu súťaž, ktorá sa týkala 5 verejných obstarávaní. Ďalšie obchodné prípady, v ktorých sa spoločnosť YYY alebo spoločnosť XXX zúčastnili ako vzájomní konkurenti, už skúmané neboli. Z dostupných informácií možno zistiť, že spoločnosť YYY sa celkovo zúčastnila v 10 súťažiach s konkurentom XXX. Ďalších 8 súťažiach so spoločnosťou ZZZ – majetkovo prepojenou spoločnosťou s XXX.
Ak by kontrolný úrad využil metódu skríningového testu, namiesto pôvodne skúmaných 5 zákaziek mohol overiť 18 zákaziek, ktoré boli zrealizované v podobnom období, s podobným priebehom súťaže, ako aj podobnými výsledkami ako v skúmaných prípadoch.
V prípade, keď by bola využitá metóda definovania „prediktora“ (definíciu pozri ďalej), mohol kontrolný úrad overiť a prípadne identifikovať možnú dohodu obmedzujúcu súťaž v prvom rade pri verejných obstarávaniach, ktorých sa zúčastnili účastníci kartelovej dohody, následne súťaží, ktorých sa zúčastnili ich majetkovo prepojené spoločnosti a následne vykonať skríning naprieč sektorom predaja/nákupu poľnohospodárskych strojov, obstarávaných napr. pod CPV16000000-5.
APLIKÁCIA OVERENÝCH ŠTÚDIÍ O ODHAĽOVANÍ PROTISÚŤAŽNÉHO KONANIA
Základom pre vytvorenie skríningového modelu sú overené štúdie o modeloch ponúk, ktoré sú založené na vzájomnej korelácii [7], rozptyle ponúk [8], korelácie medzi ponukou a nákladmi [9] alebo teórii opakovaných hier, ako napríklad cenová vojna. [10]
Základným problémom pri nástrojoch na odhaľovanie kartelov je správanie sa dodávateľov, ktorí sa týmto metódam dokážu prispôsobiť. Cieľom pripravovaného nástroja je vytvorenie univerzálneho testovacieho prostredia, ktoré možno využiť ako vysoko účinný nástroj detekcie protisúťažných dohôd.
Pri využívaní umelej inteligencie sú aplikované neurónové siete pre využitie metód hlbokého učenia (deep learning). Výsledkom je grafické znázornenie interakcií ponuky jedného hospodárskeho subjektu s jeho ponukami v iných tendroch, ako aj ostatnými uchádzačmi konkrétnej súťaže voči ich všetkým ponukám predložených v rozhodnom časovom období v ostatných súťažiach. Prístupy strojového učenia sa zameriavajú na vývoj prediktívnych modelov učením sa zo systematických vzorov v údajoch. Základom je určenie tzv. „prediktora“, ktorý je konkrétnou premennou, vyskytujúcou sa pri kartelovej dohode. Následne je vytváraný prediktívny model na identifikáciu kartelov.
Na tento účel slúžia ponuky jednej (konkrétnej) firmy, zobrazené voči ponukám iných firiem, ktoré sa v rámci referenčného obdobia zúčastňujú v rovnakých zákazkách a ktoré sú normalizované tak, že všetky ponuky obsahujú hodnoty medzi jednou a nulou. Prevalencia systematickosti vzorov v takýchto grafoch párových ponúk umožňuje odhaliť strategické interakcie medzi ponukami uchádzačov. Následne sa umelá inteligencia, podobne ako pri rozpoznávaní fotografií (napr. rozlišovanie objektov na fotografiách), dokáže z takýchto údajov naučiť klasifikovať konkrétne interakcie, ktoré sú predpokladom odhalenia bid riggingu.
KÓREJSKÝ SYSTÉM ANALÝZY INDIKÁTOROV MANIPULÁCIE PONÚK (BRIAS)
Komisia pre spravodlivý obchod (FTC) v Kórei spolupracuje so subjektmi verejného obstarávania na identifikácii kartelových aktivít a potenciálnych prípadov manipulácie s ponukami vo verejnom obstarávaní. Táto práca je obzvlášť dôležitá, keďže bolo identifikovaných niekoľko potenciálnych prípadov súvisiacich so zvýšenými výdavkami v reakcii na hospodársku krízu v roku 2009. V rokoch 2009 a 2010 Kórea spustila niekoľko veľkých projektov verejných prác v obmedzenom období a následne vznikli podozrenia, že dodávatelia sa dohodli na vzájomnom rozdelení týchto zákaziek.
Pri identifikácii prípadov tajnej (kartelovej) dohody sa FTC tradične spoliehala na dobrovoľné prihlásenie sa členov kartelu, ktorí sa snažili o získanie programu zhovievavosti [11], a na hlásenia od konkurenčných dodávateľov. Tieto informácie predstavujú najspoľahlivejšie zdroje na identifikáciu potenciálnej tajnej dohody (pozn. autora – tieto informácie slúžia na definovanie skôr uvedeného vzoru správania pre určenie tzv. prediktora pri vytváraní prediktívneho modelu). V roku 2006 FTC vyvinula systém analýzy ukazovateľov ponúk (BRIAS) na doplnenie týchto metód identifikácie kartelového správania.
BRIAS čerpá informácie priamo z kórejského systému elektronického obstarávania KONEPS, analyzuje dátové prvky vrátane ponukovej ceny (ako pomeru k predpokladanej hodnote zákazky a referenčnej cene), počtu účastníkov a metódy súťaže a aplikuje vzorec, ktorý generuje potenciálny bid rigging skóre. Ak je nad určitou hranicou, naznačuje to potrebu zhromaždiť viac informácií o zmluvnom úkone a na základe týchto informácií sa začne vyšetrovanie v prípadoch.
BRIAS zhromažďuje informácie od spoločnosti KONEPS [12] na dennej báze a každý mesiac systém beží na údajoch zozbieraných v predchádzajúcich mesiacoch. V prípade tovarov a služieb sa BRIAS realizuje na základe ponúk nad 423 800 USD. Pre verejné práce je prahová hodnota 4,2 milióna USD. Od roku 2012 vykonal BRIAS kontrolu na 20 000 až 30 000 ponukách ročne; z približne 20 000 vykonaných kontrol v roku 2012 systém vygeneroval 200 výstupov, ktoré si vyžadovali ďalšie skúmanie. Tento druh automatizovaného systému na odhaľovanie varovných signálov pri verejnom obstarávaní je dobrou praxou, ktorá sa úspešne zaviedla v iných krajinách, napríklad v Brazílii. [13]
K uvedenému však treba dodať, že dlhodobý plán elektronizácie verejného obstarávania [14], ktorý bol zakomponovaný v požiadavkách na nový informačný elektronický prostriedok obstarávaný Úradom pre verejné obstarávanie v roku 2019 [15], predpokladal aj čiastočné využívanie umelej inteligencie na odhaľovanie rizikových indikátorov kolúzneho správania. Pôvodné plány informatizácie verejného obstarávania priamo smerovali k vytvoreniu podobného systému, ako je BRIAS.
Zmenou zákona č. 343/2015 Z. z. o verejnom obstarávaní a o zmene a doplnení niektorých zákonov v z. n. p., ktorou bola definovaná elektronická platforma, a zároveň prevodom prevádzkových práv z Úradu pre verejné obstarávanie na Úrad vlády [16], prestali byť pôvodné ciele informatizácie napĺňané.
DETEKCIA BID RIGGINGU NA ZÁKLADE VZNIKU NEPRAVDEPODOBNÝCH UDALOSTÍ
Bid rigging je dohoda o cene, pri ktorej si uchádzači môžu priamo alebo nepriamo určiť, kto ponúkne akú cenu, prípadne sa dohodne výška víťaznej ponuky a postup úpravy ostatných ponúk, alebo sa uchádzači dohodnú na určitom vzorci na výpočet ceny. [17]
V prípade nepravdepodobných udalostí sa sledujú spoločné znaky ponúk s využitím štatistických metód výpočtu pravdepodobnosti výskytu spoločných znakov. Takáto situácia môže vzniknúť v prípadoch, keď dvaja alebo viacerí uchádzači predložia cenové ponuky s rovnakými návrhmi na plnenie kritérií.
V tejto súvislosti možno uviesť štúdiu [18] na príklade, ktorý sa vyskytol v Rumunsku. Aukcie sa zúčastnilo sedem spoločností. Kritérium na vyhodnotenie ponúk bola najnižšia ponuka. Ponuky boli predložené nezávisle. V momente otvárania ponúk pred uskutočnením elektronickej aukcie mali všetky ponuky rovnaký návrh na plnenie kritérií (odlišný od predpokladanej hodnoty zákazky), vo výške 823,765 Lei. Pravdepodobnosť že každý zo siedmych hospodárskych subjektov by mal šancu na predloženie rovnakej cenovej ponuky, resp. by mal predložiť víťaznú cenovú ponuku v rozsahu šesťmiestneho čísla návrhu na plnenie kritérií, vypočítané štatistickými metódami nasledovne:
Za predpokladu, že všetky spoločnosti predložili ponuku nezávisle a bez informácií o ponukách svojich konkurentov, je šanca na predloženie rovnakej cenovej ponuky vypočítaná nasledovne:
Z uvedeného vyplýva, že šanca na predloženie rovnakých návrhov na plnenie kritérií je takmer nulová. To vysiela veľmi silný signál o kartelovej dohode zúčastnených uchádzačov.
V našom prostredí nemáme k dispozícii štruktúrované dáta o všetkých zákazkách, v ktorých bola použitá elektronická aukcia. Z hľadiska zákonných informačných povinností verejný obstarávateľ v zápisnici z vyhodnotenia ponúk neinformuje o výške cenových ponúk pred konaním elektronickej aukcie. Súťaže, ktoré boli realizované formou zverejnením vo vestníku verejného obstarávania teda nie je možné spätne skontrolovať.
DETEKCIA BID RIGGING NA ZÁKLADE NEPRAVDEPODOBNÉHO KONANIA ÚČASTNÍKOV
Oproti predchádzajúcemu príkladu, v ktorom sa skúma výskyt nepravdepodobnej udalosti, možno podobne skúmať aj výskyt nepravdepodobného konania účastníkov trhu.
Takýmito môžu byť prípady predkladania tzv. krycej ponuky „cover bidding“ firmami, ktorých účasť v súťaži nebola pravdepodobná, vytvárania konzorcií v prípadoch, keď mohli firmy ponuku predložiť samostatne, alebo „umelých“ konzorcií, t. j. prípad vytvorenia konzorcia medzi firmou, ktorá bola schopná ponuku predložiť sama, s firmou, ktorej účasť v procese verejného obstarávania je nepravdepodobná.
Obrázok 3 Korelačný graf sledujúci odchýlku v správaní sa hospodárskych subjektov
Vo verejnom obstarávaní možno identifikovať indikátory vertikálnej dohody aj prostredníctvom sledovania obchodného správania sa jednotlivých hospodárskych subjektov. Ďalej uvádzame grafické znázornenie príkladu, keď konkrétne hospodárske subjekty v sledovanom období predkladali cenové ponuky v rôznych zákazkách (O1 – 08). Pri zvážení pohybu vývoja cien možno pozorovať správanie účastníkov trhu, keď v konkrétnych prípadoch (v rovnakom časovom období) bez priameho dôvodu firmy zvyšujú výšku cenových ponúk, pričom v rovnakom období, avšak v zákazkách iných obstarávateľov, zachovávajú pôvodnú výšku cenových ponúk.
Obr. 2 Vzorová analýza rizikového správania dodávateľov s identifikáciou indikátorov vytvoreného kartelu (Zdroj: Vlastné spracovanie autora)
Na základe tejto analýzy možno vytvoriť skríningovú metódu, ktorá môže spätne, ale aj v reálnom čase verejným obstarávateľom poskytnúť rizikové indikátory protisúťažných dohôd.
ANALÝZA PODIELOV NA VÝVOJI TRHU
Ďalší potenciál na využitie analytických metód určujúcich protisúťažné správanie je charakterizovaný sledovaním trhového podielu.
Ako príklad môže slúžiť rozhodnutie Protimonopolného úradu SR č. 31/2017/ODK-2017/KH/R/2/025 z 11. septembra 2017, v ktorom tento úrad uviedol päť spoločností, pričom títo podnikatelia v období od 1. januára 2009 do 21. Júla 2014 koordinovali svoje správanie na relevantnom trhu emitovania, distribúcie a predaja stravovacích poukážok a benefitných poukážok, vrátane služieb s tým súvisiacich, na území SR, a to tým, že uplatňovali spoločnú obchodnú stratégiu, ktorá spočívala v nesúťažení o klientov konkurencie, a to tým, že podnikatelia:
- neoslovovali klientov konkurencie, resp. v prípade ich oslovenia uplatnili cenovú ponuku v takej podobe, že k súťaži o klienta reálne nedochádzalo (tzv. „štandardná ponuka“),
- neponúkali nulové poplatky klientom konkurencie,
- neponúkali benefity a bonusy klientom konkurencie,
- koordinovali svoje správanie v procese verejných obstarávaní, obchodných verejných súťaží a iných obdobných súťaží,
- uplatňovali systém tzv. „vyrovnanej kompenzácie strát“ (balance), ktorý predstavoval povolené získanie klienta konkurencie v prípade straty vlastného klienta tak, aby sa vo vzájomnej bilancii medzi týmito podnikateľmi dosiahol vyrovnaný stav (nulová bilancia).
Zámerom bolo udržať si stabilné úrovne trhových podielov na dotknutom relevantnom trhu, pričom tento svoj zámer aj následne realizovali uplatňovaním skôr uvedenej spoločnej obchodnej stratégie vo vzťahu ku klientom konkurencie.
ZÁVER
Metódy identifikácie protisúťažného správania sú vo svete zavedené najmä medzi úradmi ochraňujúcimi hospodársku súťaž, ale aj v súkromných podnikoch, ktoré si identifikáciou kartelových dohôd dokážu nárokovať finančnú stratu.
Analytický nástroj, využívajúci umelú inteligenciu, nemôže sám o sebe predstavovať dôkaz o vzniku dohody obmedzujúcej súťaž. Môže však výrazne pomôcť verejným obstarávateľom, obstarávateľom, ale aj podnikom súkromnej sféry alebo kontrolným orgánom identifikovať rizikové faktory v zákazkách a postúpiť zistené skutočnosti kompetentným orgánom, v prípade podnikov súkromnej sféry, pristúpiť k vymáhaniu finančnej straty spôsobenej kartelovou dohodou [19].
Práve súkromno-právny rozmer v podobe náhrady škody spôsobenej porušením práva hospodárskej súťaže dopĺňa celkový rámec vynucovania dodržiavania pravidiel hospodárskej súťaže. Vyčíslenie spôsobenej škody kladie vysoké nároky na žalujúcu stranu, avšak samotný zákon o náhrade škody upravuje osobitné inštitúty a nástroje na zefektívnenie uplatnenia nároku na náhradu škody, napríklad aj špecifické situácie vo vzťahu k sprístupňovaniu dôkazov v konaniach o nárokoch na náhradu škody. [20]
Zoznam zdrojov a poznámok:
[1] ORMOSI, P. 2014. A tip of the iceberg? The probability of catching cartels. (2014) 29(4) Journal of Applied Econometrics 549.
[2] Skríning realizovaný na dátach o ukončených zákazkách financovaných zo zdrojov EÚ prostredníctvom Poľnohospodárskej platobnej agentúry v rokoch 2020 – 2022.
[3] Pre presnú analýzu sú potrebné dáta z informačného systému ITMS2014+, ktorými disponuje Ministerstvo investícii, regionálneho rozvoja a informatizácie SR (MIRRI).
[4] PROTIMONOPOLNÝ ÚRAD SR. 2010. Kartelové dohody vo verejnom obstarávaní. [online]. Bratislava. 2010. Dostupné na: <https://www.antimon.gov.sk/data/files/96_kartelove-dohody-vo-vo.pdf?csrt=11984769516774130460>.
[5] ŠTIKOVÁ GACHOVÁ, L. – VARŠO, T. Bid rigging – Dohody obmedzujúce súťaž v tendroch. Prednáška, Bratislava 8.12., pre Úniu profesionálov vo verejnom obstarávaní.
[6] OECD. 2016. Big Data: Bringing Competition Policy to the Digital Era. [online]. [cit. 2023-01-03]. Dostupné na: <https://one.oecd.org/document/DAF/COMP(2016)14/en/pdf>.
[7] BAJARI, P. aL. Ye. 2003. Deciding between competition and collusion. In Review of Economics and Statistics, 2003, 85, 971-989.
[8] ABRANTES-METZ, R. – FROEB, L. – GEWEKE, J. – Taylor, CH. 2005. A variance screen for collusion. US Federal Trade Commission. In Tech. rep., Bureau of Economics Working Paper. 2005.
[9] KAWAI, K. – NAKABAYASHI, J. – ORTNER, J. – CHASSANG, S. 2022. Using Bid Rotation and Incumbency to Detect Collusion: A Regression Discontinuity Approach. In Review of Economic Studies. 2022.
[10] CHASSANG, S. – J. ORTNER. 2019. Collusion in auctions with constrained bids: Theory and evidence from public procurement. In Journal of Political Economy. 2019, 127, 2269-2300.
[11] Na Slovensku upravený v § 38d zákona č. 136/2001 Z. z. o ochrane hospodárskej súťaže. Viac pozri: dokument Program zhovievavosti podľa § 38d zákona o ochrane hospodárskej súťaže (Leniency program), vydaný Protimonopolným úradom SR, dostupný na: <https://www.antimon.gov.sk/data/files/388_program-zhovievavosti.pdf?csrt=18185399850002748846>. (prístup 3. 1 2023).
[12] Integrovaný systém elektronického obstarávania v Kórei – Tento systém elektronicky pokrýva celý cyklus obstarávania (vrátane jednorazovej registrácie, výberového konania, zmlúv, kontroly a platby) a súvisiace dokumenty sa vymieňajú online. KONEPS spája približne 140 externých systémov na zdieľanie a získavanie všetkých potrebných informácií a poskytuje komplexnú službu vrátane automatického zberu kvalifikačných údajov uchádzačov, správy o doručení, elektronickej fakturácie a elektronickej platby. Poskytuje informácie v reálnom čase [Zdroj: OECD (2018)].
[13] OECD. 2018. Mexico’s e-Procurement System: Redesigning CompraNet through Stakeholder Engagement. [online]. 2018. [cit. 2023-01-03]. Dostupné na: <https://doi.org/10.1787/9789264287426-en>.
[14] OECD. 2017. Vývoj a implementácia národnej stratégie elektronického obstarávania pre Slovenskú republiku. [online]. [cit. 2023-01-03]. Dostupné na: <http://www.oecd.org/governance/procurement/toolbox/search/slovakia-e-procurement-strategy.pdf>.
[15] Oznámenie o vyhlásení verejného obstarávania. 2020. [online]. [cit. 2023-01-03]. Dostupné na: <https://www.uvo.gov.sk/vestnik/oznamenie/detail/430488>.
[16] Od 31. Marca 2022 je správcom elektronickej platformy Úrad vlády SR.
[17] PROTIMONOPOLNÝ ÚRAD SR. 2010. Kartelové dohody vo verejnom obstarávaní. [online]. Bratislava, 2010. [cit. 2023-01-03]. Dostupné na: <https://www.antimon.gov.sk/data/files/96_kartelove-dohody-vo-vo.pdf?csrt=11984769516774130460>.
[18] SCREENING METHODS FOR DETECTING ANTICOMPETI-TIVE AGREEMENTS BY USING AN ICT BASED APPROACH, Research full-length paper, Track N°09, The 13th Mediterranean Conference on Information Systems (MCIS), Naples, Italy, 2019.
[19] Podľa zákona č. 350/2016 Z. z. o niektorých pravidlách uplatňovania nárokov na náhradu škody spôsobenej porušením práva hospodárskej súťaže (ďalej len „zákon o náhrade škody“) a možnosť podania žaloby o náhradu škody spôsobenej porušením práva hospodárskej súťaže podľa tohto právneho predpisu.
[20] Článok PMÚ SR upozorňuje poškodených na možnosť podania žaloby o náhradu škody spôsobenej porušením práva hospodárskej súťaže. Dostupný na: <https://www.antimon.gov.sk/pmu-sr-upozornuje-poskodenych-na-moznost-podania-zaloby-o-nahradu-skody-sposobenej-porusenim-prava-hospodarskej-sutaze/?csrt=18185399850002748846#2>.
