Les accords de soumission se produisent de manière récurrente, en particulier dans le secteur de la construction. Dans de tels cas, les entreprises de construction coordonnent leurs offres lors des procédures d'appel d'offres. Cela restreint la concurrence et contraint les clients à payer des majorations de prix injustifiées.

Par le passé, des accords de soumission ont été régulièrement mis au jour en Suisse. Le cas le plus important à ce jour concernait le canton des Grisons, où la Commission de la concurrence (COMCO) a mené entre 2017 et 2019 plusieurs procédures très médiatisées. Rien que dans la plus importante de ces affaires (« Strassenbau », construction routière), douze entreprises se sont concertées, de 2004 à 2010, sur environ 650 projets de construction routière représentant un volume total d'au moins CHF 190 millions. [1] Récemment, la COMCO a ouvert plusieurs enquêtes en Suisse romande. Ainsi, 22 entreprises de construction font actuellement l'objet d'une enquête dans le canton de Neuchâtel. [2] En novembre 2025, la COMCO a en outre ouvert une enquête dans le canton voisin du Jura ; en février 2026, elle l'a étendue à 20 entreprises de construction au total, plus de 150 appels d'offres lancés entre 2016 et 2025 étant potentiellement concernés. [3]

Souvent, ce sont des lanceurs d'alerte qui signalent de tels accords aux autorités de la concurrence. La COMCO a toutefois aussi été l'une des premières autorités au monde à recourir à des méthodes statistiques pour détecter des accords à partir du comportement des soumissionnaires. Il est aujourd'hui établi dans la littérature scientifique que les données générées lors des procédures d'appel d'offres peuvent être analysées systématiquement à la recherche d'indices de collusion, ce qui permet de détecter précocement les accords de soumission. Le présent article donne un aperçu de la littérature scientifique consacrée à la détection des accords de soumission fondée sur les données et examine comment celle-ci peut être appliquée en pratique.

Trente ans de recherche : un bref aperçu

La littérature académique sur la détection des accords de soumission distingue globalement trois approches méthodologiques.

Tests économétriques

Les premiers travaux exploitaient le fait que les membres d'un cartel soumettent souvent des offres de couverture qui se distinguent systématiquement des offres des soumissionnaires en situation de concurrence et peuvent donc être identifiées à l'aide de méthodes économétriques. Porter & Zona (1993) ainsi que Bajari & Ye (2003) montrent que de telles offres, en raison de leur nature stratégique, n'ont souvent aucun lien avec la structure de coûts de l'entreprise – contrairement aux offres concurrentielles, qui sont fortement corrélées aux coûts de l'entreprise.

Marqueurs statistiques de screening

La littérature a par ailleurs développé des indicateurs qui peuvent être dérivés de la distribution statistique des prix des offres. Leur calcul ne nécessite donc aucune information sur les structures de coûts sous-jacentes des entreprises. Ces marqueurs exploitent plutôt le fait que les accords de soumission reposent en règle générale sur un comportement stratégique déterminé.

Ainsi, les entreprises peuvent par exemple convenir que tous les soumissionnaires potentiels ne déposent pas une offre (« bid suppression »). Dans de tels cas, on s'attendrait à un nombre anormalement faible d'offres déposées. Autre possibilité : des offres de couverture peuvent être déposées afin de soutenir l'offre du soumissionnaire désigné à l'avance comme gagnant (« cover bidding »). Dans de tels cas, on s'attend à ce que la dispersion des offres soit particulièrement faible. C'est pourquoi le coefficient de variation des offres peut être utilisé comme marqueur. Un autre marqueur mesure l'écart normalisé entre l'offre la plus basse et la deuxième offre la plus basse, car les soumissionnaires stratégiques prévoient en règle générale une marge de sécurité. En cas d'accord de soumission, cette mesure de distance relative est donc souvent particulièrement élevée. La littérature a précisément documenté ces régularités empiriques dans les cas d'accords de soumission, notamment aussi pour la Suisse (Imhof, Karagök & Rutz, 2018).

Machine learning

Les méthodes de « machine learning » représentent le stade de développement le plus récent dans la course entre les entreprises de construction et les autorités de la concurrence. Huber & Imhof (2019) combinent par exemple les marqueurs de screening mentionnés avec des méthodes de « supervised learning » (régression LASSO et méthodes d'ensemble). Ils peuvent ainsi entraîner les modèles à identifier certains groupes d'entreprises comme de possibles cartels de soumission. Dans d'autres travaux, les interactions entre les comportements de soumission de deux entreprises sont visualisées sous forme de nuages de points et analysées à l'aide de « convolutional neural networks » afin d'y déceler des schémas visuels de coordination collective (Huber & Imhof, 2023). Plus récemment, des « graph attention networks » ont en outre été mobilisés pour analyser l'ensemble du réseau d'interactions entre entreprises sur de nombreux appels d'offres et y identifier des schémas collusoires (Imhof, Viklund & Huber, 2025). De telles approches permettent en particulier d'identifier des cartels incomplets ainsi que des cartels qui se répartissent les adjudications selon un principe de rotation (« bid rotation »).

Ce qui distingue la pratique de la théorie

La littérature offre ainsi un large éventail d'approches méthodologiques, qui ont également pu être validées à l'aide de données historiques de cartels de soumission connus. Dans la pratique, toutefois, nombre de ces approches atteignent leurs limites :

• Les tests économétriques sont analytiquement élégants et fondés sur des résultats de la théorie des enchères, mais se heurtent souvent, en pratique, à l'indisponibilité des données. Les adjudicateurs disposent rarement des données de coûts spécifiques aux entreprises nécessaires – celles-ci constituent régulièrement des secrets d'affaires.
• Les marqueurs statistiques sont simples à appliquer et se contentent de jeux de données et d'informations préalables relativement restreints. C'est pourquoi ils sont largement utilisés en pratique. Ainsi, Swiss Economics a développé pour un canton un outil qui permet d'examiner les données relatives aux offres à l'aide de marqueurs établis, tels que le coefficient de variation et la mesure de distance relative, afin d'y déceler des indices d'accords de soumission. Cet outil est utilisé avec succès depuis plusieurs années. L'expérience montre toutefois que le calibrage et l'interprétation de ces marqueurs requièrent des connaissances spécifiques du marché. Ce qui est considéré comme atypique sur un marché peut correspondre à un comportement concurrentiel normal sur un autre. Une objection légitime est en outre que les soumissionnaires pourraient adapter leur comportement de soumission dès que les marqueurs utilisés sont connus. Une telle adaptation restreint toutefois en même temps la marge de manœuvre pour de véritables accords sur les prix, car il est difficile d'optimiser simultanément la collusion et l'absence d'anomalie statistique.
• Pour les approches de « machine learning », le défi réside dans le fait que les modèles doivent être entraînés sur de grands jeux de données pour fournir des résultats fiables. Les premières approches prometteuses proviennent du Brésil[4], d'Espagne[5] et du Royaume-Uni[6], où les autorités de la concurrence entraînent leurs modèles d'IA sur de grands jeux de données de marchés publics disponibles de manière centralisée. En Suisse, où une grande partie des marchés publics est passée de manière décentralisée par des services cantonaux et où les données ne sont par conséquent pas disponibles de manière centralisée, il n'existe à notre connaissance aucun projet comparable à ce jour.

Toutes ces approches ont en commun qu'un screening fondé sur les données ne peut fournir de preuve définitive d'accords de soumission. Il permet uniquement d'identifier des marchés, des appels d'offres ou des configurations de soumissionnaires présentant une probabilité accrue de collusion. Il ne saurait donc remplacer l'établissement classique de la preuve dans les procédures de droit des cartels. Le screening fondé sur les données peut toutefois orienter de manière ciblée l'attention des adjudicateurs et des autorités de la concurrence vers des configurations suspectes et déclencher des investigations approfondies.

Une évaluation globale plutôt qu'une méthode isolée

Les limites mentionnées ne remettent toutefois pas fondamentalement en question le screening fondé sur les données. Elles suggèrent plutôt qu'en particulier, lorsque la disponibilité des données est restreinte, une combinaison de méthodes est indiquée, qui associe de manière ciblée les forces des différentes approches et les complète par des analyses qualitatives. Swiss Economics met en œuvre avec succès une telle approche intégrée dans la pratique.

Figure 1 : Exemple de processus de screening chez Swiss Economics

Source: Swiss Economics

Au cœur de l'approche de Swiss Economics se trouve un screening proactif durant la procédure d'adjudication en cours. À cette fin, les données relatives aux offres reçues pour chaque appel d'offres sont introduites sans délai dans un outil de screening. Celui-ci identifie, à l'aide des marqueurs de screening statistiques mentionnés ci-dessus et d'autres encore, les offres atypiques et recommande de les examiner de manière approfondie. Les résultats sont enregistrés dans une base de données et servent de base à d'autres analyses.

En complément, des analyses de marché périodiques fondées sur les données de screening cumulées peuvent apporter une valeur ajoutée. Elles permettent d'identifier des facteurs de risque structurels, tels que des évolutions de prix atypiques dans certaines régions, une modification du nombre de soumissionnaires, une forte concentration du marché ou la prévalence croissante de configurations de soumissionnaires stables. Cela permet d'identifier des schémas temporels et spatiaux qui peuvent signaler la formation d'un cartel de soumission.

Par ailleurs, des analyses assistées par « machine learning » peuvent être réalisées. Celles-ci permettent de détecter des comportements atypiques dans des configurations de soumissionnaires récurrentes, qui indiquent une alternance des rôles entre gagnants et perdants. De tels mécanismes de coordination ne sont guère visibles dans le screening individuel classique ou dans les données de marché agrégées. Les méthodes de « machine learning » permettent de les mettre en évidence.

La combinaison de ces trois éléments permet une évaluation complète des risques de collusion sur un marché d'appels d'offres : les offres atypiques sont détectées sans délai, les évolutions du marché appréhendées de manière globale et les méthodes modernes de « machine learning » déployées de manière ciblée là où elles apportent la plus grande valeur ajoutée.

Conclusion

Au cours des trente dernières années, le screening des accords de soumission fondé sur les données est passé d'un champ de recherche majoritairement académique à un instrument de plus en plus opérationnel. Les méthodes sont variées et performantes, mais aucune ne constitue une solution universelle. Pour les adjudicateurs en Suisse, où des structures de passation des marchés décentralisées limitent la disponibilité de grands jeux de données gérés de manière centralisée, ce sont avant tout des approches robustes et faciles à mettre en œuvre qui sont recherchées : des marqueurs statistiques qui se passent de données de coûts et fournissent déjà de bons résultats sur de petits jeux de données. Ceux-ci sont complétés par des analyses de marché périodiques et, lorsque les données disponibles le permettent, par des méthodes de « machine learning ». En fin de compte, la question qui se pose est de savoir quelle combinaison de méthodes est réalisable et efficace dans le contexte institutionnel concret. Swiss Economics aide les adjudicateurs à répondre précisément à cette question.

Sources

[1] Communiqué de presse de la COMCO du 3.9.2019

[2] Communiqué de presse de la COMCO du 14.03.2024

[3] Communiqué de presse de la COMCO du 17.02.2026

[4] Cf. Antitrust regulator uses AI to uncover cartel in outsourcing

[5] Cf. Premio a BRAVA, el proyecto de IA de la CNMC contra el fraude en contratación pública - CNMC Blog

[6] Cf. UK uses AI to tackle 'bid-rigging' collusion in public procurement contracts | TechCrunch

Bibliographie

• Bajari, P. & Ye, L. (2003). Deciding Between Competition and Collusion. The Review of Economics and Statistics, 85(4), 971–989.

• Huber, M. & Imhof, D. (2019). Machine Learning with Screens for Detecting Bid-Rigging Cartels. International Journal of Industrial Organization, 65, 277–301.

• Huber, M. & Imhof, D. (2023). Flagging Cartel Participants with Deep Learning Based on Convolutional Neural Networks. International Journal of Industrial Organization, 89.

• Imhof, D., Karagök, Y. & Rutz, S. (2018). Screening for Bid Rigging – Does It Work? Journal of Competition Law & Economics, 14(2), 235–261.

• Imhof, D., Viklund, E.W. & Huber, M. (2025). Catching Bid-Rigging Cartels with Graph Attention Neural Networks. arXiv:2507.12369.

• Porter, R.H. & Zona, J.D. (1993). Detection of Bid Rigging in Procurement Auctions. Journal of Political Economy, 101(3), 518–538.

Avez-vous des retours ou des questions ? N’hésitez pas à contacter directement les auteur(e)s par mail.