Preissetzungsalgorithmen im deutschen und europäischen Kartellrecht

Table Of Contents

• Cover
• Titel
• Copyright
• Autorenangaben
• Über das Buch
• Zitierfähigkeit des eBooks
• Inhaltsverzeichnis
• Abbildungsverzeichnis
• Vorwort und Danksagungen
• Abkürzungsverzeichnis
• Einleitung
• I. Digitalisierung und die Rolle von Algorithmen
• II. Algorithmen als neue Form der Kommunikation
• III. Kartellrechtliche Fragestellungen rund um Preissetzungsalgorithmen und Themeneingrenzung
• IV. Gang der Untersuchung
• Kapitel A) Preissetzungsalgorithmen – Definition und Praxisrelevanz
• I. Der Begriff des Algorithmus
• 1) Entstehungsgeschichte des Begriffs des Algorithmus
• 2) Definitionsfindung des Begriffs des Algorithmus
• a) Bitcom e.V. und Deutsches Forschungsinstitut für Künstliche Intelligenz
• b) Definitionen der Rechtswissenschaft
• aa) OECD
• bb) Bundeskartellamt und Autorité de la Concurrence
• cc) Competition and Markets Authority
• dd) Monopolkommision
• c) Mathematische und informatische Definitionen
• aa) Markov und Nagorny
• bb) Knuth
• cc) Stone
• dd) Barth
• ee) Alsuwaiyel
• ff) Lang
• gg) Gumm und Sommer
• hh) Sedgewick und Wayne
• ii) Berman und Paul
• d) Gesellschaftstheoretische Definition von Hill
• e) Stellungnahme zu den derzeit verwendeten Definitionen
• II. Definition eines Preissetzungsalgorithmus
• 1) Abgrenzung zum Begriff der Preisalgorithmen
• 2) Tagle Galindo
• 3) Competition Markets Authority
• 4) OECD
• 5) Richter/Niggemann
• 6) Becka
• 7) Stellungnahme zu den derzeit verwendeten Definitionen
• III. Verschiedene Arten von Preissetzungsalgorithmen
• 1) Unterscheidung nach Zielsetzung
• a) Repricing
• b) Reguläre Bestpreisbestimmung
• aa) Funktionsweise
• bb) Beispiel
• c) Markdown Pricing
• aa) Funktionsweise
• bb) Beispiel
• d) Personalisiertes Pricing und Couponing
• aa) Ökonomische Grundlagen von Preisindividualisierungen
• bb) Couponing
• 2) Fähigkeit zum selbstständigen Lernen
• a) Nicht selbstlernende Algorithmen
• b) Selbstlernende Algorithmen
• aa) Machine Learning
• aaa) Überwachtes Lernen
• bbb) Unüberwachtes Lernen
• ccc) Verstärkendes Lernen
• ddd) Q-Learning und SARSA als besondere Arten des verstärkenden Lernens
• α) Q-Learning
• β) SARSA
• γ) Anwendungsfelder
• bb) Deep Learning und Neuronale Netze
• 3) Menschliche Interpretierbarkeit
• a) Interpretierbare Algorithmen – „whitebox“-Algorithmen
• b) Nicht interpretierbare Algorithmen – „blackbox“-Algorithmen
• IV. Praktische Bedeutung von Preissetzungsalgorithmen
• 1) Regular Pricing und Repricing
• a) Online Handelsplattformen und E-Commerce
• b) Maßgeblich vom Regular Pricing geprägte Industriezweige
• aa) Verkehrs- und Hotelbranche
• bb) Tankstellen
• cc) Offline-Einzelhandel
• 2) Markdown Pricing
• 3) Personalisiertes Pricing
• a) Preisindividualisierungen beim Couponing
• b) Zurückhaltung der Händler bei Preisindividualisierungen
• aa) Qualität der Algorithmen
• bb) Preisidentität
• cc) Ablehnung durch Kunden und Verbraucher
• dd) Technische Umgehungsmöglichkeiten
• ee) Rechtliche Risiken
• ff) Ergebnis
• V. Zusammenfassung
• Kapitel B) Ökonomische Grundlagen preisalgorithmischer Kollusion
• I. Der Begriff der preisalgorithmischen Kollusion
• II. Preissetzung als ökonomisches Problem und Aufgabe von Preissetzungsalgorithmen
• 1) Ökonomische Ziele des Einsatzes von Preissetzungsalgorithmen
• a) Gewinnmaximierung durch Ermittlung des bestmöglichen Preises jeder Transaktion
• b) Lager- und Logistikoptimierung
• c) Digitalisierung, Sammlung und Nutzung von Preisdaten
• 2) Ökonomische Risiken des Einsatzes von Preissetzungsalgorithmen
• 3) Marktstrukturbezogene Unterschiede in der (algorithmischen) Preissetzung
• a) Vollkommene Wettbewerbsmärkte
• b) Monopol
• c) Oligopol
• III. Marktbedingungen, die Formen preisalgorithmischer Kollusion ermöglichen
• 1) Oligopolistische Marktstrukturen
• 2) Hohe Markttransparenz
• 3) Markteintrittsbarrieren
• 4) Ähnliche Anbieter homogener Produkte, sonstige Faktoren
• 5) Ergebnis
• IV. Kollusionsfördernde Arten von Algorithmen
• 1) Repricing
• 2) Regular Dynamic Pricing – reguläre Bestpreisbestimmung
• 3) Markdown Pricing
• 4) Personalisiertes Pricing
• V. Zusammenfassung
• Kapitel C) Kartellrechtliche Analyse bisheriger und möglicher künftiger Koordinationen im Zusammenhang mit Preissetzungsalgorithmen
• I. Tatbestand des Kartellverbots gemäß § 1 GWB und Art. 101 Abs. 1 AEUV
• 1) Unternehmensbegriff
• 2) Wettbewerbsbeschränkende Vereinbarung, Beschluss und abgestimmte Verhaltensweise
• a) Vereinbarungen und Beschlüsse
• b) Aufeinander abgestimmte Verhaltensweise
• 3) Wettbewerbsbeschränkung
• a) Bezweckte Wettbewerbsbeschränkung
• b) Bewirkte Wettbewerbsbeschränkung
• II. Tatbestand des Missbrauchsverbots gemäß §§ 18, 19 GWB bzw. Art. 102 AEUV
• III. Verschiedene Konstellationen
• 1) Einsatz von Preissetzungsalgorithmen zur Kontrolle und Umsetzung von wettbewerbswidrigen Absprachen (Messenger-Szenario)
• a) Darstellung des Szenarios
• b) US-Posterkartell - Topkins und Aston Entscheidung
• aa) Sachverhalt
• bb) Verfahrensablauf
• cc) Verstoß gegen section 1 Sherman Act
• dd) Rolle der Preissetzungsalgorithmen im Topkins and Aston Fall
• c) UK-Posterkartell - GB eye und Trod Limited Entscheidung
• aa) Sachverhalt
• bb) Verstoß gegen UK Antitrust Recht
• cc) Rolle der Preissetzungsalgorithmen im GB eye und Trod Limited Fall
• d) Rechtslage unter deutschem bzw. europäischem Kartellverbot
• aa) Vereinbarungen zwischen Unternehmen
• bb) Wettbewerbsbeschränkung
• cc) Rechtliche Bewertung des betrachteten Szenarios
• e) Zusammenfassende Erkenntnisse
• 2) Einsatz von Repricing Algorithmen auf einer Plattform, insbesondere Amazon Marketplace
• a) Darstellung des Szenarios
• b) Rolle der Preissetzungsalgorithmen
• c) Rechtslage unter deutschem bzw. europäischem Kartellverbot
• d) Mögliche Lösungsansätze zur Verhinderung von wettbewerbsschädigendem Repricing
• e) Möglicher Missbrauch einer marktbeherrschenden Stellung durch den Plattformbetreiber Amazon
• f) Zusammenfassende Erkenntnisse
• 3) Einsatz von Algorithmen desselben Anbieters durch mehrere Wettbewerber (digitales Hub-and-Spoke-Szenario)
• a) Einheitliche Nutzung eines Preissetzungsalgorithmus auf einer Plattform
• aa) Darstellung des Szenarios
• bb) Eturas Entscheidung
• aaa) Sachverhalt
• bbb) Rechtliche Ausführungen des EuGH
• ccc) Rolle der Preissetzungsalgorithmen im Eturas Fall
• ddd) Rechtliche Schlussfolgerungen des Eturas Urteils für den Einsatz von Preissetzungsalgorithmen
• cc) Der Ageras Fall
• aaa) Sachverhalt
• bbb) Rechtliche Ausführungen der dänischen Wettbewerbsbehörde
• ccc) Rolle der Preissetzungsalgorithmen im Ageras Fall
• ddd) Rechtliche Schlussfolgerungen der Ageras Entscheidung
• dd) Der US Uber Fall
• aaa) Sachverhalt
• bbb) Verfahrensablauf
• ccc) Rechtliche Ausführungen des District Court for the Southern District of New York
• α) Horizontale Preisabsprache der Uber Fahrer untereinander
• β) Vertikale Koordination von Uber mit den einzelnen Fahrern
• ddd) Rolle der Preissetzungsalgorithmen im Uber Fall
• eee) Rechtliche Schlussfolgerungen für den Einsatz von Preissetzungsalgorithmen
• ee) Entscheidungen des EuGH zu Uber
• ff) Die indische Ola und Uber Entscheidung
• aaa) Sachverhalt
• bbb) Verfahrensablauf
• ccc) Rechtliche Ausführungen der indischen Wettbewerbsbehörde
• ddd) Rolle der Preissetzungsalgorithmen im Ola/Uber Fall
• eee) Rechtliche Schlussfolgerungen des indischen Uber/Ola Falls für den Einsatz von Preissetzungsalgorithmen
• gg) Luxemburgische Webtaxi Entscheidung
• aaa) Sachverhalt
• bbb) Verfahrensablauf
• ccc) Rechtliche Ausführungen der Conseil de la Concurrence Luxemburg
• α) Anwendbares Recht
• β) Marktabgrenzung
• γ) Wettbewerbsbeschränkende Vereinbarungen
• δ) Individualausnahme
• αα) Effizienzgewinne
• ββ) Angemessene Beteiligung der Verbraucher an den Effizienzgewinnen
• γγ) Unerlässlichkeit der Abstimmung zur Erreichung der Effizienzgewinne
• δδ) Verbleibender Wettbewerb auf dem relevanten Markt
• εε) Ergebnis
• ddd) Rolle der Preissetzungsalgorithmen im vorliegenden Fall
• eee) Rechtliche Schlussfolgerungen für den Einsatz von Preissetzungsalgorithmen
• α) Horizontale Preisabsprache durch bewusste Nutzung des identischen Preissetzungsalgorithmus
• β) Voraussetzungen einer Individualfreistellung für die Nutzung eines einheitlichen Preissetzungsalgorithmus auf einer Plattform
• αα) Ökonomische Effizienzvorteile
• ββ) Berücksichtigung von Umweltschutzaspekten im Rahmen einer Individualfreistellung
• ααα) Berücksichtigung von wettbewerbsfremden Erwägungen i.R.d. Art. 101 Abs. 3 AEUV
• βββ) Tatbestandliches Einfallstor für Umweltschutzaspekte i.R.d. Art. 101 AEUV
• γγγ) Bedeutung bzw. Gewichtung der zu berücksichtigenden Umweltschutzaspekte
• αααα) Praxis der Kommission
• ββββ) Ansichten im Schrifttum
• γγγγ) Stellungnahme
• δδδ) Berücksichtigung von wettbewerbsfremden Erwägungen i.R.d. Art. 4 loi rélative à la concurrence sowie § 2 GWB
• γγ) Unerlässlichkeit der Preiskoordination zur Erreichung der Effizienzvorteile
• δδ) Angemessene Verbraucherbeteiligung
• γ) Stellungnahme und Zusammenfassung der Erkenntnisse
• hh) Bewertung des Geschäftsmodells Uber als mögliches Hub-and-Spoke Kartell unter deutschem bzw. europäischem Kartellrecht
• aaa) Uber als Gesamtunternehmen?
• α) Entscheidung des EuGH zu Uber Spain
• β) Nationale arbeitsrechtliche Rechtsprechung im europäischen Ausland
• γ) Arbeitsrechtliche Beurteilung nach deutschem Recht
• δ) Neudefinition des Unternehmensbegriffs bei Plattformmärkten?
• ε) Bestehende kartellrechtliche Beurteilungskriterien
• ζ) Änderung durch Leitlinien zur Anwendung des EU-Wettbewerbsrechts auf Tarifverträge über die Arbeitsbedingungen von Solo-Selbständigen
• η) Ergebnis
• bbb) Wettbewerbswidrige Absprache bzw. abgestimmte Verhaltensweise der Uber Fahrer durch zentrale Preisfestsetzung Ubers
• α) Vertikale Wettbewerbsbeschränkung
• β) Horizontale Wettbewerbsbeschränkung in Form eines Hub-and-Spoke Kartells
• αα) Horizontale Wirkung durch vertikale Preisabsprachen
• ββ) Fühlungnahme zwischen den Uber Fahrern als Wettbewerber
• ααα) Horizontale Abstimmung durch vertragliche Vereinbarung mit Uber
• βββ) Horizontale Abstimmung durch sachgedankliches Mitbewusstsein beim Abschluss der Vertikalverträge
• ccc) Bezweckte oder bewirkte Wettbewerbsbeschränkung
• ddd) Zwischenergebnis
• eee) Einzelfreistellung nach Art. 101 Abs. 3 AEUV bzw. § 2 GWB unter Berücksichtigung und Analyse der Webtaxi Entscheidung
• α) Effizienzvorteile
• β) Unerlässlichkeit der Preiskoordination
• αα) Klassisches Bieterverfahren
• ββ) Anpassung des Preises in Stufen ausgehend vom Preissetzungsalgorithmus
• γγ) Anpassung des algorithmischen Preises nach Qualitäts-Kriterien
• δδ) Geschäftsmodell von Uber in der Schweiz
• εε) Zwischenergebnis
• fff) Ergebnis
• ii) Zusammenfassende Erkenntnisse
• b) Nutzung von Preissetzungsalgorithmen eines Drittanbieters durch mehrere Wettbewerber außerhalb einer Plattform
• aa) Darstellung des Szenarios
• bb) Der Austausch preissetzungsrelevanter Daten als abgestimmte Verhaltensweise i.S.d. Art. 101 Abs. 1 AEUV bzw. § 1 GWB
• aaa) Airline Tariff Publishing Company Entscheidung
• α) Sachverhalt
• β) Verfahrensablauf
• γ) Verstoß gegen section 1 Sherman Act
• δ) Rolle der Preissetzungsalgorithmen
• ε) Rechtslage unter deutschem bzw. europäischem Kartellverbot
• αα) Unternehmenseigenschaft der Wettbewerber
• ββ) Abgestimmte und wettbewerbswidrige Verhaltensweise gem. Art. 101 Abs. 1 AEUV bzw. § 1 GWB
• bbb) Rechtsprechung des EuGH zum Informationsaustausch von für die Preissetzung relevanten Daten
• α) John Deere Entscheidung
• β) Thyssen Stahl Entscheidung
• γ) Anic Partecipazioni Entscheidung
• δ) Asnef-Equifax Entscheidung
• ε) T-Mobile Netherlands Entscheidung
• ζ) Dole Food Entscheidung
• ccc) Kriterien zur Abgrenzung eines zulässigen Informationsaustausches von einer wettbewerbswidrigen Abstimmung
• α) Bezugszeitpunkt der Preisdaten
• β) Qualität und Öffentlichkeit der Daten
• γ) Art der Datenspeicherung und Umfang des Datenzugriffs
• δ) Häufigkeit und Öffentlichkeit des Austauschvorgangs
• ε) Subjektive Kriterien
• ζ) Marktstrukturen auf dem relevanten Markt
• ddd) Zusammenfassende Erkenntnisse
• c) Nutzung von Preissetzungsalgorithmen zur bewussten Preisangleichung
• 4) Einsatz autonom kollusiver Preissetzungsalgorithmen
• a) Möglichkeit einer tacit collusion?
• aa) Beschreibung einer preissetzungsalgorithmischen tacit collusion
• bb) Argumente für die Möglichkeit einer tacit collusion
• cc) Argumente gegen die Möglichkeit einer tacit collusion
• dd) Stellungnahme
• b) Kartellrechtliche Anknüpfungsmöglichkeiten hinsichtlich preissetzungsalgorithmischer tacit collusion
• aa) Tacit collusion unter Art. 101 Abs. 1 AEUV bzw. § 1 GWB
• bb) Ansätze zur Lösung des Problems der preisalgorithmischen tacit collusion
• aaa) Tacit collusion als klassische Wettbewerbsabsprache
• bbb) Neuer Absprachenbegriff für Algorithmen
• ccc) Beurteilung der Wettbewerbswidrigkeit anhand von Plus-Faktoren
• ddd) Beweislastumkehr bei tacit collusion
• α) Beweislastumkehr für selbstlernende Algorithmen
• β) Kritik gegen Beweislastumkehr
• γ) Beschränkte Beweislastumkehr bereits de lege lata
• eee) Compliance by Design
• fff) Grundsatz der Systemkritikalität - Vorschlag der Datenethikkommission und die neue EU KI-VO
• ggg) Markttransparenzstelle für durch Preissetzungsalgorithmen dominierte Märkte
• hhh) Regulierung über andere wettbewerbsrechtliche Vorschriften wie das UWG
• iii) Algorithmic Consumer
• cc) Tacit collusion unter Art. 102 AEUV bzw. §§ 18 ff. GWB
• dd) Wettbewerbsverbessernde Maßnahmen nach Sektoruntersuchung gem. § 32 f Abs. 1, 3 GWB
• c) Zusammenfassende Erkenntnisse bezüglich des Szenarios der autonom kollusiven Preissetzungsalgorithmen
• aa) Beschränkten Anwendungsbereich des Missbrauchsverbots und des § 32 f Abs. 1,3 GWB nutzen
• bb) Keine flächendeckende, technische ex-ante Regulierung von Preissetzungsalgorithmen
• cc) Kombination aus Theorie der „Plus-Faktoren“ de lege lata sowie künftig zu schaffender Beweislastumkehr
• 5) Erkenntnisse des bisherigen Einsatzes von Preissetzungsalgorithmen unter deutschem und europäischem Recht
• Kapitel D) Durchsetzung von behördlichen und privatrechtlichen Maßnahmen bei horizontalen Preiskollusionen durch den Einsatz von Preissetzungsalgorithmen
• I. Interpretierbarkeit und Lernfähigkeit als maßgebliche Abgrenzungskriterien
• II. Nicht selbstlernende, interpretierbare Algorithmen zur algorithmisch-basierten Preissetzung
• III. Selbstlernende, nicht interpretierbare Algorithmen zur algorithmisch-determinierten Preissetzung
• 1) Abstellungsverfügung und Unterlassungsansprüche
• 2) Bußgelder und private Schadenersatzklagen
• a) Kartellrechtliche Haftung des den Preissetzungsalgorithmus verwendenden Unternehmens
• aa) Autonome Preissetzung des Algorithmus als Verhalten des Unternehmens
• bb) Gefährdungshaftung der Benutzer de lege lata
• aaa) Gefährdungshaftungen de lege lata als Risikoverteilung für Schäden aus schuldlosen Handlungen
• bbb) Rechtslage bei selbstlernenden, nicht interpretierbaren Preissetzungsalgorithmen
• α) Deliktsrechtliche Anknüpfung
• β) Lauterkeitsrechtliche Anknüpfung
• γ) Anknüpfung an immaterialgüterrechtliche Störerhaftung
• δ) Kartellrechtliche Gefährdungshaftung für Preissetzungsalgorithmen im Wege behördlicher und richterlicher Rechtsfortbildung?
• cc) Ausgestaltung einer kartellrechtlichen Gefährdungshaftung durch eine Beweislastumkehr für selbständig-lernende, nicht interpretierbare Preissetzungsalgorithmen de lege ferenda
• aaa) Gesetzesvorschlag
• α) Regelungsort
• β) Wortlaut der Neuregelung
• γ) Autonome algorithmische Systeme
• δ) Wettbewerbswidriges Preisniveaus
• ε) Erheblichkeit
• ζ) Exkulpationsmöglichkeiten
• η) Beweislastumkehr und Gefährdungshaftung zugunsten der Wettbewerbsbehörden
• θ) Zusammenfassung
• bbb) Konflikt zu Geschäftsgeheimnissen der Algorithmenanbieter und -verwender
• ccc) Praktische Umsetzung durch spezialisierte Markttransparenzstelle der Wettbewerbsbehörden
• dd) Zurechenbarkeit von Verstößen durch Drittanbieter-Algorithmen
• ee) Zwischenergebnis
• b) Kartellrechtliche Haftung eines dritten Dienstleisters als Programmierer bzw. Entwickler des Algorithmus
• aa) Kartellrechtliche Haftung von nicht unmittelbar am Kartell beteiligten Algorithmenanbietern
• aaa) Rechtsprechung des EuGH zur Haftung von Kartellgehilfen (AC-Treuhand II)
• bbb) Übertragbarkeit der Kriterien auf Algorithmenanbieter von selbstlernender, nicht interpretierbarer Preissetzungssoftware
• ccc) Zwischenergebnis
• bb) Kartellschadenersatzrechtliche Haftung von Dienstleistern für selbstlernende Preissetzungssoftware
• aaa) Haftung im Außenverhältnis gegenüber Kartellgeschädigten
• bbb) Haftung im Innenverhältnis im Rahmen eines Gesamtschuldnerausgleiches
• ccc) Zwischenergebnis
• c) Schaffung einer elektronischen Person für Preissetzungsalgorithmen
• 3) Ergebnis
• Zusammenfassung und Ausblick
• Literaturverzeichnis
• Stichwortverzeichnis
• Reihenübersicht