算法合謀反壟斷規制的原理、挑戰與應對

謝栩楠

（上海交通大學凱原法學院，上海 200030）

一、問題提出

數字驅動商業模式與人工智能產業的發展使得算法成為現代經濟發展中不可或缺的一項重要技術。從計算機處理角度出發，算法是描述數據運算的工具，是解決問題的方法，它由若干條指令組成的有窮序列構成。通常，一個問題可通過多種不同的算法得到解決。[1]從具體的商業運用角度出發，算法具有協助經營者自動制定商業策略、解決問題、做出預測的商用功能。因此，亦可將算法視為一種智能化的商業決策工具。總體而言，算法技術的運用已經呈現出了多元化、普遍化的趨勢，通過直接參與現代經濟運行過程，算法改變了原有的市場競爭秩序，乃至塑造了全新的市場競爭模式。

算法參與到改進市場定價模型、提升個性化服務質量、預測行業發展趨勢的過程雖然有效提高了市場的競爭效率，但同時也引發了諸多公共問題。其中，具有反競爭效益的算法合謀問題成為典型之一，引發了眾多關注。鑒于當前產生算法合謀問題的領域有限，本文所指的算法合謀主要限定在經營者通過各類定價算法達成的價格合謀行為。執法司法層面，以2015年美國司法部查處的拓撲金斯（Topkins）案①美國司法部指控以Topkins公司為首的商家在Amazon平臺通過專門的定價算法收集競爭對手的價格進而協調彼此的定價，從而實現合謀。詳見美國司法部官網Department of Justice. Former E-Commerce Executive Charged with Price Fixing in the Antitrust Division's First Online Marketplace Prosecution[N/OL]. (2015-04-06)[2020-09-20]. https://www.justice.gov/opa/pr/former-e-commerce-executive-charged-price-fixing-antitrustdivisions-first-online-marketplace.、2015年美國優步（Uber）②該訴訟指控Uber公司與其平臺中的網約車司機簽訂縱向協議，要求每個網約車司機接受并使用其提供的統一定價算法，進而通過相同的算法實現非法價格合謀。參見Meyer v. Uber Technologies, Inc., 868 F.3d 66 (2017).案 為例，執法機關與司法機關先行對算法合謀行為違法性展開研究。學術研究層面，國外研究中，Harrington[2]、Ezrachi和Stucke[3]指出在算法尚未形成規模性的反競爭效果前先行展開反壟斷規制研究的必要性，同時強調應當根據算法市場的規律與特性確定反壟斷執法手段。國內研究中，鐘原從類型化規制思路出發對大數據時代壟斷協議的法律困境以及可能的解決思路進行了梳理；[4]周圍重點分析了自主學習算法合謀的競爭隱憂以及可能的應對策略；[5]唐要家、尹鈺鋒指出應當堅持分類治理原則，采取事后禁止為主事前規制為輔的政策組合。[6]上述司法實踐與學術研究為算法合謀的反壟斷規制奠定了理論基礎，但尚存瑕疵：現有研究往往從功能性視角出發，在提出算法合謀的規制難題后，直接進入針對各難題的解決路徑設計環節，對算法產業一般特性的探討則往往散見于制度設計與問題解決的全過程中，而非作為解決問題的前提進行體系性總結。本文認為，對算法運行機制與市場效應的分析牽涉到算法合謀問題的理論根基。先行對算法產業的一般特性進行系統性的分析，進而在上述理論支撐的情況下提出與各實踐難題相對應的解決方案，或有利于優化算法合謀反壟斷規制系統的內部邏輯。從該視角出發，本文試圖先行對算法及算法合謀的實踐難題進行類型化區分，進而在兼顧反壟斷法原則性規定和算法技術與大數據市場產業特性的基礎上，提出相應的解決方案。

二、算法合謀在價格協議中的再類型化：以功能差異為標準

算法可介入并作用于合謀行為的多個階段，而各類功能相異的算法在合謀行為中可能引發的反競爭效果與法律規制難題亦不盡相同。如需探究算法技術的內在機理與運行規則，對實踐中存在的不同算法合謀行為進行類型化區分是基礎。經合組織（OECD）在2018年發布的研究報告《算法與合謀：數字時代的競爭政策》中根據算法運行機制的區別將算法分成監測類算法（Monitoring Algorithms）、平行算法（Parallel Algorithms）、信號類算法（Signaling Algorithms）以及自主學習類算法（Self-learning Algorithms）四種類型。[7]然而，OECD的分類并不能將算法種類與算法合謀的反壟斷規制難題進行有效的對應。本文認為，從定價協議功能差異的角度出發，算法可被歸納為兩類：第一類算法的主要功能在于促進已經達成的定價協議順利進行，此類算法可被視為經營者合謀意志的延伸，即價格合謀輔助型算法。第二類算法雖可能經由經營者單方設計產生，但可在有限的市場特征中通過自主學習與其他經營者使用的算法相互勾結，形成默示合謀的結果，[8]即價格合謀決策型算法。

（一）輔助型算法在價格算法合謀中的應用

輔助型算法促進價格合謀實施的行為來源于經營者的合謀意志。在此過程中，輔助型算法主要作為單純的合謀工具而發揮作用。根據各類型算法在促進合謀行為落實過程中承擔的角色不同，可將監測類算法、平行算法與信號類算法三類歸于價格合謀輔助型算法。

1.監測類算法在價格算法合謀中的應用

監測類算法是指主動跟蹤和抓取各類市場數據并對數據進行監控的一類算法。監測類算法可以被有效運用于合謀行為的執行和監督。[9]在算法合謀中，監測類算法主要負責監督合謀參與者的價格變化，在經營者間達成壟斷協議實行協同定價后，經營者便可以利用監測類算法自動收集參與合謀的經營者的定價數據，一旦出現背離協同定價的行為，便觸發壟斷協議內部的出發與報復機制。因此，在監測類算法的實時監控下，壟斷協議背離行為的預期收益顯著減少，背離成本顯著提高，從而維持了壟斷協議的內部穩定，避免寬大制度對合謀經營者間信任基礎的破壞。

2.平行算法在價格算法合謀中的應用

平行算法是通過實時跟隨市場數據變動，為經營者分析制定動態定價策略的一類算法，其被廣泛運用在價格協同領域。在高度動態的市場中供需的持續動態變化要求參與合謀的經營者經常調整協同價格、協同產出和其他交易條件。[7]平行算法有助于經營者在市場變化的同時共同做出有意識的平行反應。首先，經營者價格平行決策的自動化有利于降低合謀經營者在高度動態的市場中調整壟斷價格的協商成本；其次，即時性的動態價格調整機制將各經營者價格協同的行為幅度最小化，提高了協同行為的隱蔽性；最后，使用平行算法意味著合謀經營者可以無需實際溝通談判便實現價格協同的效果，進一步提高合謀經營者的協同效率。

3.信號類算法在價格算法合謀中的應用

信號類算法通過持續發射瞬時信號傳遞信息，進而經由計算機網絡中的其他算法接受并解讀信號內容從而完成信息傳遞的功能。由于信號類算法發布并傳遞信息的方式具有較高的隱蔽性，因此信號類算法主要作為發出合謀協議要約的工具得到運用。傳統合謀行為中，經營者的合謀意圖往往通過調整價格或者產量的方式進行默示，一旦合謀要約沒有得到回應，經營者很可能因此承擔較高的利潤損失。[9]在信號類算法的輔助下，算法讓企業可以自動設置消費者無法發覺但市場中的其他算法可以察覺的快速迭代行為，從而降低甚至完全消除信號成本。[10]這對企業間的價格合謀行為的達成有較為明顯的激勵作用。

總結而言，輔助型算法具有較為明顯的工具屬性，需特別說明的是，實際應用中的輔助型算法多為三類算法的結合體，而不僅僅具有單一功能。現有研究對輔助型算法在算法合謀中的地位已達成共識，多將其視為算法使用者實現自身意圖的純粹工具（mere tools）。[11]雖然輔助型算法參與到了壟斷協議要約、實施、監督的全過程中，也事實上加快了市場內價格協調的進程，但其歸根結底只是因為其在信息收集、分析和相應速度上超越人類的能力而被視為既存壟斷協議實施過程中動態定價的工具，而不具備獨立進行定價決策的能力與權限。因此，將該類算法合謀的運用直接作為經營者意志的延伸而認定其違反壟斷協議規則應無異議。

（二）決策型算法在價格算法合謀中的應用

如前所述，監測類算法、平行算法與信號類算法雖然涵蓋了壟斷協議實施的多個環節，但本質上是在已然具備壟斷協議的情況下為確保合謀行為順利進行而使用的輔助工具，在智能化程度上具有較大的局限性。決策型算法以自主學習算法為典型，與輔助型算法不同，人工智能技術賦予的深度學習功能使自主學習算法突破了純粹工具的局限，進入了“超級工具”（super tools）的階段。自主學習算法是人工智能的產物，它是通過構建模擬人腦的深度神經網絡，并基于大數據支撐和反復的學習訓練形成的具有自主學習能力的決策工具。自主學習算法的運用有利于經營者在市場競爭中突破人腦算力局限與主觀偏見，及時收悉市場內部的微觀變化后迅速做出符合企業利益偏好的商業決策。但同時，該類算法也因其超越人腦的運算和思維能力引發了學界對其在促進價格協同問題上的擔憂。[12]自主學習算法合謀即自主學習算法間未經人為干預而基于利潤最大化原則自動達成的超競爭價格均衡決策，在此過程中，由于算法使用者之間乃至算法之間均未形成反壟斷法意義上的壟斷協議或合意，超競爭價格均衡來源于算法基于理性運算后自然做出的決策，因此，以默示合謀理論為出發點對自主學習算法合謀的合法性進行審視或為可行路徑。

三、算法合謀的規制難題：現有反壟斷制度的滯后與缺漏

算法的多樣性導致了算法合謀種類的多樣性，同時也暴露了現有反壟斷規范在算法合謀問題上的滯后，引發了諸多新興算法合謀反壟斷規制難題。英國上議院便曾指出，數據市場的快速發展已然引發了新一輪社會福利減少與反競爭行為的問題，其中便包括新型合謀行為的產生。[13]OECD亦曾在2016年評論算法“可能在未來對競爭執法帶來嚴峻挑戰”，原因在于使用現有的反壟斷工具去證明算法合謀行為中合意的存在近乎不可能。[14]筆者認為，上述難題的產生主要歸因于現有的壟斷協議規制思路無法與算法合謀的違法特征相適配,具體而言，算法合謀對反壟斷執法帶來的挑戰主要體現在監測、合法性標準、責任三個方面。

（一）輔助型算法增加調查與證實壟斷協議的難度

首先，算法使共謀合意的存在變得難以確定。壟斷協議的認定標準中，對經營者間是否存在共謀合意的判定是重點之一。在合謀的達成與協商階段，輔助型算法的運用使經營者之間的意思聯絡得以通過微調價格、產量等其他具有特殊意義且難以被外界察覺的數據相互傳達，使得合謀的達成過程具有較高的隱蔽性。

其次，算法使協同行為的實施愈發隱蔽。價格合謀的實施過程需要經營者間持續的磋商以維持動態價格平行。各類輔助型算法的出現使經營者通過自動化的監控與價格調整機制便可長期實現動態平行的效果，而其他有形形式的協商過程便不再必要，顯著提高了價格協同行為的監測難度。針對自主學習算法導致的默示合謀，由于算法的運算能力遠高于算法使用者，具有更高的交互效率、更大的交互頻率與更小的價格協調幅度，反壟斷執法的監測難度相應提高。進一步，由于技術條件的限制，當前研究尚無法提出可靠的關于自主學習算法形成合謀的方式與模型的研究結論；[12]亦缺乏對比試驗與反事實研究以供執法機關辨別價格平行是來源于人為干預抑或自然選擇。[15]因此，反壟斷執法在人工智能技術層面較大的滯后性同樣阻礙了算法合謀問題的解決。

最后，輔助型算法的運用使寬大制度的運行遭遇挑戰。寬大制度通過減輕或免除處罰的方式鼓勵經營者向執法機構報告壟斷協議有關情況并提供重要證據。然而，算法參與乃至主導的合謀行為提高了壟斷協議內部的監督力度。監測類算法通過數據抓取實時監督參與合謀經營者的背離行為并及時觸發懲罰措施。上述機制大大增加了經營者背離行為的成本，也使得執法機構難以通過囚徒困境破壞算法合謀的信任基礎，阻斷了反壟斷執法內部突破的監管渠道。

（二）決策型算法挑戰默示合謀的合法性標準

自主學習算法在信息運算與交互方面超越人腦的能力為其在脫離經營者控制的情況下主動做出默示合謀決策并實現利益最大化目標提供了可能。與此同時，自主學習算法實現的默示合謀由于其不同于傳統默示合謀的特性，還在一定程度上給現有的默示合謀理論制度帶來了挑戰。其中，自主學習算法引發的最大的法律漏洞出現在默示合謀理論的合法性認定規則上。顯性合謀和默示合謀均是在市場內實現并維持超競爭價格的有效路徑，針對顯性合謀，反壟斷法已然確定了該類行為的違法性，然而針對默示合謀的合法性認定，一直以來存在著兩方學術觀點。其中，認為默示合謀存在合法可能的觀點主張：在寡頭壟斷市場中，經營者的決策天然地相互依存，每個以利潤最大化為目標的經營者都會在調整自身價格和產量前有意識地預測競爭對手對該商業決策的反應，由此自然引發的默示合謀結果也應具有存在的合理性。[16]該觀點認為，寡頭壟斷的市場結構與企業的理性行為成為了默示合謀具備合法性的前提，因為理性經營者在寡頭市場中達成價格平衡過程中的行為方式與其在完全競爭市場中實現均衡的行為方式并無二致。而另一方觀點認為，盡管默示合謀的經營者之間并不存在符合反壟斷法規定的共謀行為，但經營者之間事實上在定價協調過程中實現了隱性的意思的交換與溝通，即便沒有證據證明有形協商的存在，也可通過經濟證據證明存在默契。[17]在兩方觀點的僵持下，現有國外法域的司法實踐多認可寡頭壟斷市場中經營者基于理性行為的自然選擇達成的默示合謀的合法性，賦予合法的默示合謀寡頭壟斷市場結構與企業的理性行為兩個前提條件。①更多相關案例參見Bell Atlantic Corp. v. Twombly, 550 U.S. 544 (2007); Brooke Group Ltd. v. Brown & Williamson Tobacco Corp., 509 U.S. 209 (1993); Theatre Enters., Inc. v. Paramount Film Distrib. Corp., 346 U.S. 537 (1954).

然而，自主學習算法的出現破壞了現有默示合謀的理論基礎與司法規則。一方面，自主學習算法具有強于人類的數據分析和交互能力，這意味著自主學習算法達成的合謀很有可能突破寡頭壟斷市場的界限，在更廣泛的市場結構范圍內形成超競爭價格的平行行為。此時，既存研究針對默示合謀行為形成的態度與結論或將因為這一突破而遭到撼動，現有默示合謀的合法性判定標準亦面臨挑戰。另一方面，默示合謀合法性的另一前提是須來源于企業的理性選擇。輔助型算法的使用尚可通過將其視為經營者意志的延伸而歸責，但自主學習算法已然突破了純粹工具的限制，具有了脫離算法使用者控制的獨立思維能力。此時的算法行為已不宜被視為來源于經營者的理性行為，進一步破壞默示合謀的合法性根基。

（三）算法合謀的法律責任承擔問題引發爭議

依據現有反壟斷法規定，將輔助型算法促進的價格合謀視為經營者合謀意志的延伸進而對經營者進行追責暫不存爭議，算法合謀導致的法律責任主體認定困難主要體現在自主學習算法引發的默示合謀方面。《反壟斷法》第13條將壟斷協議的責任主體界定為具有競爭關系的經營者，也即只有法律明確規定具有經營者主體資格的自然人和法人才有可能受到壟斷協議制度的約束。在此基礎上，當前學界針對算法合謀的責任承擔問題提出了兩大同源但立場不同的實踐難題。

第一，囿于自主學習算法“黑箱效應”的特質，自主學習算法的決策結果與算法使用者的主觀意志不存在顯性關聯，與此同時，將算法做出的合謀決策視同算法使用者的意志延伸而歸責的現行做法是否還存在解釋與改進的空間？與傳統機器學習不同，人工智能背景下的自主學習算法不遵循數據輸入、特征提取、特征選擇、邏輯推理、預測的過程，而是由計算機直接從事物原始特征出發，自動學習并生成高級的認知結果。其中，數據輸入到結果輸出的過程使用者無法知悉，因此被稱為“黑箱效應”（見圖1）。[18，19]對自主學習算法的設計者與使用者而言，算法黑箱的工作模式本質上與人腦相同，二者神經網絡型的思維模式在邏輯上不可逆，阻止了外界對其決策過程的拆解，這意味著執法機關亦無法通過逆向工程來推斷自主學習算法做出的超競爭價格決策與企業的主觀意圖之間是否存在聯系，將自主學習算法的決策結果歸責于算法使用者似乎缺乏必要的正當基礎。

圖1 自主學習算法的黑箱效應示例（以深度學習算法為模板）

第二，如否定自主學習算法與算法使用者之間的責任牽連，則不可避免地將算法視為新興法律責任主體，此時應如何為算法作為法人的存在搭建邏輯自洽的合理性基礎？算法是否具有人的部分屬性從而使其在法律上獲得主體資格一直是學界關注的重點之一。有支持賦予算法必要法律主體地位的觀點認為，算法的智能化程度更高，可控性越差，自主性學習算法的決策過程在一定程度上已然擺脫了算法使用者的控制，在此情況下，算法已然具有了事實上的學習和思考能力，表現出了與其使用者平等的法人屬性。[20]而此種突破傳統是否傳統理論的學說是否足以證成算法作為法人的法律主體地位，也存在較大的爭議空間。

四、算法合謀的規制原理：產業特性與規范共性的結合

反壟斷法在規制算法合謀問題時面臨的各方面困難，最終均可歸結為傳統壟斷協議法律規范與新型算法技術在規制理念與規制方法上存在的代溝。此時，秉持兼顧算法產業發展特性與反壟斷法規范共性的規制態度或許是算法合謀規制難題的解決之道。具體而言，算法的諸多天然特征導致其介入后的市場競爭結構與傳統市場競爭結構出現較大區別，上述差異造成的影響利弊兼具。一方面，數據驅動、高度交互、機器主導等競爭特性帶來了市場效率的提高，激發了市場內部的新興生產力；另一方面，上述特點導致反壟斷法在算法運用出現合謀風險時或面臨前文所述的諸多困難，或存在著采用原有規制路徑反倒給市場帶來負面影響的風險。算法合謀的規制原理要求反壟斷法在對算法合謀行為進行監管的過程中既須保證充分的規制效果，又應避免監管活動的過分干預對算法技術創新與相關市場的競爭活力造成結構性的抑制與破壞。這意味著在執法過程中，傳統壟斷協議的原則性規定與價值取向應當得到堅持，但最終必然會在維持現有算法技術創新潛能和動力與保證傳統壟斷協議規范規制力度之間產生一個最終的價值平衡。落實上述理想平衡狀態需要從算法產業特性對市場競爭模式造成的改變出發展開討論。

（一）數據驅動的競爭結構要求反壟斷執法保障數據的生產要素地位

算法是典型的數據驅動型產業。在算法的制作與運行過程中，大數據一直是驅動算法產業發展的核心生產要素。大數據和互聯網相輔相成。互聯網將市場信息解構為離散化的大數據，大數據進而依托互聯網實現基礎數據的采集和分析。[21]算法的運行便是對上述海量數據進行收集、學習、利用與決策的過程。算法通過數據實時掌握市場動向、消費者需求變化等重要信息，進而輔助經營者做出商業決策對企業發展與競爭格局產生影響。因此，在算法產業中，數據一直是重要的基礎戰略性資源。這意味著，高透明度、高利用率、高共享率的數據資源環境成為了保證市場競爭秩序健康且充滿活力的關鍵。在理想的數據驅動競爭結構下，經營者的競爭力來源于對大數據的收集能力，將數據轉化為可分析的市場信息的能力、數據分析效率以及對數據的利用效率。暫且不論數據權屬爭端與大數據壟斷行為（如拒絕提供數據）造成的不當市場壁壘，此種以大數據為核心激勵競爭者充分運用算法進行市場數據分析進而開拓市場潛能并提高自身商業價值的新生競爭模式，反壟斷法應予以保護和鼓勵。在設計具體的算法合謀反壟斷措施的過程中，也應隨時衡量反壟斷法介入是否對數據市場產生了結構性破壞的后果。

基于數據的基礎性生產資料地位，反壟斷法應該避免采用具有限制數據生產流通副作用的算法合謀監管措施。例如，有研究主張通過實施秘密折扣系統或者限制網上公開信息范圍，從而降低市場透明度并阻礙算法合謀的形成。[22]從保障數據生產流通的視角出發，此類監管措施無疑“撿了芝麻丟了西瓜”，在無法確定其抑制算法合謀的規制效果確實存在的情況下，先行對市場造成了結構型的破壞，打破了算法的供需平衡，降低了市場的運行效率與競爭活力，顯然違背反壟斷法的初衷。當然，要求反壟斷法尊重數據在市場內的生產與流通并不意味著完全拋棄針對市場內數據的監管與控制。在算法合謀的過程中，雖然基于數據的基本生產資料地位不宜對其生產與流通過程進行直接限制，但如果經營者之間確實是通過特殊的數據抓取與交換行為實現了算法合謀，亦不妨礙反壟斷執法對這類算法合謀行為進行認定。《關于歐盟運行條例第101條適用于橫向合作協議的指南》便將經營者之間限定交換與未來的價格或產量等敏感信息的行為直接認定為具有限制競爭的目的。[23]也即，雖然數據市場具有與傳統市場不同的產業特征與價值側重，但本質上算法合謀的反壟斷規制仍然圍繞著確定協議或其他合謀行為的存在展開。

（二）高效信息交互系統促成效率價值與其他價值間的重新平衡

信息交互是市場運行的血液。以基于大數據形成的數據驅動市場為基礎，經營者利用算法的信息傳遞功能進一步在市場競爭者之間建立了高效的信息交互系統，從而實現了對市場趨勢的實時掌握與有效回應。高度的信息交互效率極大地提高了市場效率與市場競爭活力，對競爭者而言，市場內的價格競爭趨于實時化，并以更加激烈的形式展開。同時，高頻交互還降低了經營者之間的信息溝通成本，有效避免了價格競爭過程中因時間差導致的利潤流失。在監測類算法出現之前，傳統市場環境下的價格監控行為往往更加耗時。以石油行業為例，經營者往往通過安排工作人員多次駕駛經過競爭對手的加油站記錄實時油價的方式監控競爭對手的價格調整策略。[24]算法的運用使得原本需要數小時才能完成的價格跟蹤行進化成為了實時的價格監測系統，極大地提高了市場競爭效率。對消費者而言，交互效率的提升還緩解了其在市場內由于信息不對稱造成的劣勢地位。以算法消費者為例（algorithm consumers）,此類算法的出現降低了消費者的信息檢索成本，通過輔助消費者做出決策，在一定程度上抵消了市場中的經營者大量使用算法而帶來的負面福利效應。[25]因此，效率是算法產業在市場競爭涉及的諸多價值中關注的重中之重。保障市場內信息交互機制的良性運行，維護市場競爭活力是反壟斷法在規制算法合謀行為時的重點。在涉及算法合謀的反壟斷執法措施時，有必要謹慎處理其對信息交互的態度。反壟斷執法機構應避免為限制算法合謀而直接阻礙企業間高頻互動的執法措施，例如因為算法增加了市場透明度而認為其導致了競爭風險，從而要求降低算法對價格的調整反應時間、要求企業遲延調整價格，或者規定企業提出新的要約的最低等待期等。[7]事實上，其所主張的競爭風險（例如默示合謀）在傳統市場中同樣存在，只不過算法在大大提高市場效率與透明度的同時不可避免地促進了此類競爭風險的形成，這僅僅是算法的技術中立性所必然帶來的雙面效應，卻不足以構成反壟斷執法削弱算法交互效率的理由。因此，上述措施雖然確有調節算法交互頻率抑制算法合謀達成的功能，但根本上都存在著“治標不治本”的問題，甚至可能直接地削弱了算法設計之初對市場效率提升的預期作用，阻礙并抑制市場的運行和發展，有違反壟斷法初衷。

與此同時，算法對市場效率的促進作用同樣給反壟斷執法帶來了困難。算法為默示合謀的更廣泛運用創造了可能。Calvano的實驗結果證實，在有限期的動態博弈中，即便在企業之間存在著不均衡的成本或需求差異，且企業數量和市場需求存在變動的情況下，通過人工智能算法進行的定價活動也能在最終形成穩定的價格平行局面。[26]這意味著自主學習算法超越人類的運算能力很有可能使默示合謀的出現范圍突破寡頭壟斷市場的范圍。由于人腦在數據處理與分析方面的局限性，當前由經營者實施的默示合謀行為僅局限在競爭者數量受限，市場數據體量較小的寡頭壟斷市場，因此，默示合謀行為導致的超競爭價格平行現象亦僅局限在寡頭壟斷市場內部。寡頭壟斷的市場結構也由此自然地成為了判斷默示合謀行為合法性的條件之一。然而，算法在促進市場競爭效率的同時將默示合謀的風險帶進了其他市場競爭結構中，此時，如何平衡反壟斷法的公平價值與算法帶來的效率價值，則有研究的空間。

（三）機器主導的競爭演變敦促反壟斷執法重構算法合謀的歸責制度

機器主導決策是算法運用在市場競爭后的主要特點，其突出體現在自主學習算法的運用上。人工智能具備自主學習和獨立分析數據的能力，其在面臨復雜的市場局勢時能夠通過大量的運算篩選出經營者最佳的應對策略；而黑箱效應下算法運行不透明的特點使得機器算法事實上主導了整體商業決策的過程。因此，數據市場中的競爭將成為算法之間的競爭，而機器主導的競爭演變也使現有反壟斷制度暴露出了未曾出現的法律漏洞，主要體現在歸責原則方面。如前所述，輔助型算法尚需根據算法使用者的指令達成或實施特定的壟斷協議；而自主學習算法則具備了脫離算法使用者，獨立做出商業決策乃至達成合謀的能力與風險。前者在反壟斷執法過程中尚可將其視為算法使用者合謀意志的延伸而由使用者承擔相應的法律責任，而自主學習算法的獨立性則敦促反壟斷法重新審視算法與算法使用者之間的關系，對自主學習算法達成合謀行為的責任承擔主體為何進行明確。

算法產業的上述特性要求執法機構在設計算法合謀具體的責任承擔歸責時應當對算法獨立做出的行為與決策和算法使用者介入后算法的行為做出較為明確的區分。對于輔助型算法根據算法使用者的指令進行的壟斷協議行為，應當堅持探尋壟斷合意真正來源的規則，由算法背后的指令方承擔相應的反壟斷責任。而對于決策型算法而言，一方面，應避免完全將自主學習算法引發的合謀行為歸咎于算法使用者。如經查實，算法使用者確實完全無法介入自主學習算法的決策過程，則其與算法合謀行為根本上不存在實際聯系，此時或應探求僅針對算法的可能歸責手段。另一方面，也不應完全排除算法使用者在算法合謀中的責任。算法使用者雖無法介入自主學習算法的決策過程，但自主學習算法的設計同樣需要人工培訓與調整的過程。在此過程中，數據庫涵蓋范圍上的傾斜與偏差可能給算法的決策結果造成影響而使最終的決策結果出現難以發現的誤差，設計者還可能在設計環節通過編寫特殊的程序有意或無意地在算法中加入其主觀價值取向或忽略必要的約束規范。進而，基于算法“偏見進，偏見出”（Bias in, Bias out）[27]的特點，造成算法本身的非中立性決策結果。

五、算法合謀的規制出路：基于算法規制原理的路徑探索

傳統壟斷協議規制方法在算法合謀中遭遇瓶頸，因此有必要在現有反壟斷法規定的基礎上遵循算法產業特性尋找新的規制路徑。對現行壟斷協議規范而言，其在監測算法合謀行為存在、認定算法合謀行為的違法性、明確算法合謀的責任方的過程中，均面臨各類技術性難題或規范取舍的困境，上述困難是傳統事后規制路徑與新型算法合謀問題間存在的代溝和監測技術與立法技術水平尚未滿足現實需求而導致的。因此，有必要從前文厘清的算法合謀規制原理出發，綜合分析現有算法合謀反壟斷規制難題可能的解決路徑。

（一）利用事前監管措施彌補反壟斷執法滯后性

由于算法合謀天然的隱蔽性與監測難度，算法的可問責性一直是反壟斷執法關注的重點問題之一。因此，通過事前監管措施的實施彌補事后規制天然的滯后性，輔助反壟斷法事后規制程序的實施，重新調配反壟斷執法機構與算法合謀相關主體之間的力量制衡或為算法合謀反壟斷執法的新出路。美國計算力學協會（USACM）在2017年《關于算法透明度和責任制的聲明》中便試圖在最大程度減少算法的潛在危害的同時保障算法決策對市場的利好作用的實現。該聲明將監管原則的重點放在了對算法設計與使用的相關方的事前開示義務與責任分割上，通過在算法合謀發生前對經營者和設計者提出額外的要求或鼓勵性措施，緩解監管與被監管方信息不對稱與能力不均衡的問題，以事前監管保障事后執法的順利進行。[28]事前監管的重點在于將算法獨立決策的行為結果與使用算法的經營者乃至算法設計者的行為產生聯系，進而要求相關主體對算法合謀的行為負責。

首先，在算法設計過程中可對設計者提出在算法中植入“競爭中立”觀念的要求。一方面，可要求算法設計者在設計中確保算法不存在限制競爭的效果或潛在的排除競爭實施合謀的傾向。例如通過“算法黑名單”的方式禁止部分明顯具備較大排除限制競爭風險的輔助型算法的設計與開發，比如傾向制定高于競爭水平價格決策的算法或有意與其他經營者在限定范圍內交換競爭敏感數據的算法等。另一方面，可要求算法設計者在算法中添加反壟斷法的原則性要求以及針對算法合謀的具體要求，從而在算法程序中設置算法的“決策紅線”，避免其在爭取利益最大化的過程中做出不當謀求壟斷利益的決策。其次，在算法使用過程中可對使用者提出對算法運行的程序性內容與決策結果進行備案、做出充分解釋的要求。算法天然具有的大數據和高頻交互特點給算法合謀的反壟斷審查帶來巨大的工作量。因此，有必要要求算法使用者在算法運行過程中定時記錄算法運行情況、相關數據以及做出的決策，并要求算法使用者對其進行合理解釋。

上述兩類事前義務性規范都為算法合謀的事后責任追究鋪設了前提：如算法合謀的產生是由于算法在設計過程中有意添加了合謀性設計或忽略了對壟斷性決策的必要禁止，則算法設計者在算法合謀發生后應承擔相應責任；如算法合謀的產生是由于使用過程中發出合謀指令、利用有傾向性的數據誘導算法做出合謀決策，則算法使用者有必要基于其算法的運行記錄對算法的決策進行有效解釋，否則應對其算法的合謀決策承擔責任。上述責任規則的原理在于，嚴格的反壟斷法律責任配置規則立足于風險原則，在該原則下，責任的承擔主體應是造成重大風險且最有可能有效抑制風險的行為人。[29]算法設計者與算法的使用者都是算法合謀形成過程中直接接觸算法的主體，對算法的運行和決策都有能力做出干預，因此，在明確了各類主體的事前義務后，不論最終形成了何種形式的算法合謀，未能充分履行其監管或預防義務的行為人均應成為算法合謀的反壟斷責任主體。

（二）重新衡量算法默示合謀行為的合法性標準

決策型算法對默示合謀達成的顯著促進作用迫使學界重新思考默示合謀行為的合法性基礎在算法合謀領域是否依舊成立。對執法機關而言，算法主導的默示合謀帶來的最大挑戰在于其不僅提升了經營者間有意識平行行為的達成效率，更突破了傳統默示合謀因人腦算力局限僅發生于寡頭壟斷市場的作用范圍，從而帶來了更大的超競爭價格固定風險。非寡頭壟斷市場中的默示合謀原本只存在于理論研究中，現實市場中價格不透明、難以及時收集全面的市場信息進而匹配調整價格的各類因素阻礙了默示合謀的實施。然而，在大數據與算法決策的助力下，默示合謀行為在非寡頭市場環境中的形成，乃至基于策略性行為后發優勢下的輪番漲價都具備了現實發生的可能性。[30]這意味著原本僅局限于寡頭市場的默示合謀反價格競爭風險被放大至了所有現實存在的市場環境中，經營者使用的算法只要具有充分的算力和數據獲取能力，便可以在利潤最大化的決策原則下共同實現價格水平的長期平衡。這種平行的、普遍的認識雖尚不構成協同的合意，但將其付諸實施卻可能導致產品或服務價格的普遍提高，進而阻礙價格競爭的資源配置作用。[31]此時，經營者間不存在形式上的共謀合意難以再成為算法默示合謀擺脫反壟斷法規制的充分理由。因此，應當能動地彌補現有反壟斷法針對默示合謀行為存在法律漏洞與完善程度不足的缺陷。

首先，在可以通過各類證據綜合證明算法介入下的默示合謀行為已然造成了較為明顯的排除限制競爭效果、足以利用反壟斷法對其進行規制的情況下，或可突破先前對默示合謀行為一致認定不違法的司法觀念，重新探討默示合謀這一“灰色區域”在算法合謀案例中的合法性。當然，正是由于默示合謀天然不具備共謀合意存在的形式要件，在判定算法默示合謀的過程中應當確保證據體系確實充分。不僅證明默示合謀行為的確實存在，還應當著重強調經濟學證據的運用，通過證明市場中切實發生了普遍且顯著的價格上漲情況，且不伴隨有成本的同步提高而認定超競爭價格平行的不合理性，進而確定默示合謀行為及其反競爭效果的存在。

其次，對算法合謀可能導致的默示合謀風險還可考慮價格法的適用。價格法與反壟斷法之間是互相完善和補充的關系。雖然我國立法較早的《價格法》同樣規定了擾亂市場秩序的價格違法行為，但由于立法技術尚未發展，《價格法》本身存在著規定粗糙難以落實的缺點。我國《反壟斷法》的出臺較好地解決了這一問題，通過先進的經濟學分析方法為涉及價格違法的行為提供了有效的分析工具與判斷標準。但同時，《價格法》也在價格領域彌補了《反壟斷法》的規制盲區。當默示合謀的現有證據不足以使其受到《反壟斷法》的規制時，可以結合案件的具體情況適用《價格法》第14條等規定進行規制。

（三）辯證分析賦予算法責任主體地位的可能性

現有觀點多認為，由于算法使用者無法介入自主學習算法的決策過程，因此自主學習算法獨立做出的合謀決策無法歸由算法使用者承擔責任，將人工智能技術下的算法視為獨立的法律主體對其做出的違法行為承擔相應責任似乎是必然的走向。在支持此類觀點的學者看來，盡管自主學習算法不同于以權利義務為主體的自然人或現有的擬制法人，但機器學習算法具有的事實上的學習與思維能力已足以使其獲得獨立于公司的擬制法人地位。[20]更進一步，亦有學者提出了有限法律人格的觀點，以期結合算法有限的承擔行為后果能力對法律規制作出合理的安排。[32]

然而，筆者認為，以算法技術現有的發展程度、面臨的規制難題類型以及當前的法技術水平，將算法視為獨立的法律主體而要求其承擔相應的共謀法律責任為時尚早。一方面，當前算法技術及面臨的規制難題尚未達到只能由算法自身作為唯一的責任承擔主體的程度。目前的算法培訓僅局限在弱人工智能領域，算法在數據篩選與學習過程中均需要人類的深度介入。因此，即便自主學習算法基于黑箱效應獨立地做出了商業決策，但其決策過程中的思維路徑與價值偏好都難免受到算法設計者的主觀態度的影響。同時，由于自主學習算法的決策能力尚未達到可靠水平，目前的實踐操作和相關規定（如歐盟《一般數據保護條例》）均要求由算法使用者人工審查重要的算法決策。因此，當前的算法技術水平與運用程度尚未具備賦予算法獨立法律責任能力的必要性。另一方面，當前的算法尚不具備成為獨立法律主體的必要條件。從主體資格的發展歷史上看，擬制法人最終得以成為法律主體得益于實體性基礎、實益性基礎和法技術基礎三方面條件的同時具備。[33]對目前的算法技術而言，即便其確實具備了獨立決策的理性思維能力，但根本上僅是對人腦思維的模仿，沒有自身的存在目的。同時，由于現有法技術基礎尚無法提供針對算法特性行之有效的責任承擔手段，此時賦予算法獨立的責任能力而免除算法設計者與使用者的責任，很可能使反壟斷規制在算法合謀領域失去應有的威懾力與懲戒作用。當然，算法如何可能成為獨立承擔法律主體的擬制法人的相關理論研究依然具有現實的必要性。人工智能與算法技術的發展雖尚處于初級階段，但其在未來可能達到的智能化程度不容小覷，算法在未來介入市場競爭的程度與范圍同樣可能超越現有的認知，因此，對算法在市場競爭中可能發揮的作用以及可能導致的競爭風險進行研究，以期實現對未來算法承擔反壟斷法律責任的路徑突破與法技術創新，都是當前學術研究不可忽略且亟待發展的議題。