大数据算法的价格合谋问题研究

乔 榛，刘 瑞 峰

(黑龙江大学 经济与工商管理学院， 哈尔滨 150080)

一、问题的提出

互联网发展及大数据时代的诞生，改变了人类社会传统的数据收集和传递的方式。这种方式的一个重要特点是数据收集实现了爆发式增长。据互联网数据中心(IDC)统计，2020年全球数据量已经达到了35 ZB(1 ZB=10字节)，预计未来每两年会翻一番，到2025年数据规模将达到163 ZB，因此迎来了一个大数据时代。

大数据时代带来了改变世界的机会，首先为人工智能的发展升级提供了必要的条件。人类技术进步的一个主线就是对人的各种能力的延伸，之前的科技革命解决了手、脚的延伸，而建立在大数据基础上的算法革命将大大地延伸人的智力，使人工智能达到一个新水平。任何科学革命和技术进步都会产生正负两方面的功能。大数据及人工智能发展无疑会推动人类社会的进步，但也会引起一些负面的效应。更具体讲，在大数据和人工智能赋能经济社会各领域、各方面时，一方面会推动该领域或该方面的发展；另一方面也会引起该领域或该方面的新变化。当大数据和人工智能被有实力的企业用来控制市场时，就会产生新的垄断问题，如价格歧视、价格合谋。当面对不同消费者时，拥有大数据优势的生产者可以凭借其数据垄断优势运用大数据定价算法制定不同的价格，从而形成价格歧视。

在不同竞争者之间，大数据算法的应用不仅可以在短时间内确认达成价格合谋的共性基础，还能够准确预测彼此的定价行为，并对价格偏离行为进行智能化识别，这就为价格合谋的形成和实施提供了便利条件，带来了更大的合谋风险。根据2017年欧盟委员会所做的一项调查研究显示，超过2/3的电子商务零售商使用大数据算法来跟踪和预测竞争对手的定价，并以此为基础调整定价策略。美国的亚马逊电商平台上，也有近九成的零售商在利用Buy Box算法来自动定价。随着人工智能技术的快速发展，大数据算法也将逐渐实现自主学习，这就使得价格合谋可以在无经营者主观合谋意愿的情况下发生，甚至整个过程都不存在人为因素的参与，而完全是大数据算法自主决策的结果，合谋也就变得更为隐蔽。在此种情况下，反垄断执法机构就难以获取经营者合谋动机的证据，也就无法认定垄断协议的存在。即便可以认定合谋的存在，也不能根据本身违法原则直接认定其为违法行为，因为认定是需要鉴别包含在其中的技术创新效应，这会大大提升反垄断执法的难度，造成违法认定的困境。倘若可以认定这种价格合谋行为违法，那么在不存在经营者主观合谋意愿的情况下，合谋行为的违法责任应该由谁来承担？这种现象也引起了学者们的关注，他们从多个角度进行了研究。

Ariel和Maurice(2016)最早对大数据算法引发的价格合谋现象予以关注，并对这种新型的合谋进行了类型化分析，将其分为信使类、中心辐射式、预测型代理人类和电子眼类四种类型。OECD(2017)进一步梳理了引发算法价格合谋的大数据算法，即监督算法、平行算法、信号算法和自主学习算法，并指出垄断协议的认定困境给算法价格合谋行为的反垄断法规制带来了巨大挑战，提出应该采取事前并购审查、引入市场研究机制等补救措施加以应对。不过，也有学者对事前规制政策的实效性提出了质疑。Calyano等人(2018)就对不同事前规制政策的组合进行了分析，认为事前规制政策的实施会限制算法技术的应用，降低企业创新的积极性，不利于市场效率的提升。事实上，从理论上来讲，事前规制政策的实施可以有效预防合谋风险，具有一定的合理性，只是在实施的过程中必须兼顾大数据算法带来的技术创新效应，避免执法过度，而这还需要完善相关的法律规范和创新现行的执法手段，这也是目前各国反垄断执法机构所面临的共同挑战，也是规制陷入困境的主要原因。为此，Francisco(2019)的一项研究就提出算法价格合谋行为的规制还应该以事后的反垄断法规制为主，《欧盟运行条约》第101条规定依然适用于算法价格合谋行为的规制，但在执法过程中还需要积极嵌入定价算法孵化器等先进的信息技术。钟原(2018)梳理了算法价格合谋行为对我国反垄断法规制所带来的挑战，发现其主要集中在主体要件认定、主观要件认定和基本价值衡量三个方面。基于这些挑战，许多学者也提出了具体的应对思路和方案。李振利，李毅(2018)，施春风(2018)的研究都认为算法价格合谋行为的规制并不能脱离经营者的主观合意，因此垄断协议制度依然适用，并且经营者应该对算法的设计和应用承担责任。但也有部分学者持有不同的观点，沈亮亮(2019)就认为在自主学习类算法价格合谋中，由于经营者不存在合谋的主观意愿，也就无法证明合谋协议的存在，因此垄断协议制度不再适用，经营者也不应该为此负责。相应地，大数据算法的设计者应该成为责任主体。时建中(2020)进一步指出虽然垄断协议制度不再适用于大数据算法引起隐性价格合谋行为的规制，但是依然应该在现行反垄断法的框架下，通过完善共同支配地位制度以拓展应用于隐性算法价格合谋行为的规制。相应地，经营者就应该成为规制的责任承担主体。唐要家、严钰锋(2020)则基于自主学习类算法价格合谋行为的违法认定和责任主体认定所面临的困境，借鉴国外研究所提出的事前反垄断规制政策，提出应该采取以事后反垄断法禁止为主、以事前规制政策为辅的规制模式。事后反垄断法规制需要拓展垄断协议的界定，明确经营者的主体责任，建立以“软执法”为主的反垄断执法体制。事前规制政策则应强化算法审查机制和审查能力建设以降低合谋发生的风险。

合谋在大数据时代表现出来的特征及对这种合谋的规制实践，既未充分显现，也未找到有效方法，对进一步研究和深入探索仍有广泛诉求。其中，揭示大数据算法引起价格合谋的机制以及分析大数据算法引起价格合谋的类型，是深入关注该主题的重要取向，需要深化研究。本文将着眼于这两个方面，分析大数据算法引起价格合谋的机制，进一步分析大数据算法引起价格合谋的类型，借此提出对大数据算法的价格合谋行为的规制手段。

二、大数据算法引起价格合谋的机制

美国著名未来学家阿尔文·托夫勒于1980年在《第三次浪潮》一书中首次提出了大数据一词。自此，大数据这一概念也越来越受到广泛关注。根据麦肯锡全球研究所对大数据的定义，大数据是指规模超出了传统数据库软件工具采集、存储、分析等能力的数据集，具有规模大、流转速度快、种类多和价值密度低等特征。由此可见，“大数据”的“大”并不仅仅是指数据规模大，还体现在通过数据的采集、存储和分析能够获得“大信息”“大知识”。不过，这种信息和知识的获取并不是通过人们可以直接“读取”的方式，而是要依靠算法进行处理。如果没有适当的算法，数据规模再大也将没有任何意义。

事实上，算法一词由来已久，在中国古代，算法也被称作“术”。如汉朝时期的《九章算术》。公元825年，阿拉伯数学家Al-Khwarizmi也在《波斯教科书》一书中进一步将算法概括为四则算数运算的法则。然而，随着信息技术的快速发展，算法也具有了新的内涵。目前，学术界对算法的定义主要有狭义和广义之分。狭义层面上的算法是指具体的数学计算方法或是编写计算机程序中使用到的编程方法和技巧，广义层面上的算法则是指解决问题的具体方法和步骤，而大数据算法是一场发生在大数据时代的算法革命，是对大数据进行有序化处理的一种工具。现如今，大数据算法呈现出了明显的商业化倾向，已被企业广泛应用于商品或服务的定价活动中，而这就给传统的价格形成机制带来了巨大冲击，使得大数据算法下的价格合谋更容易发生。

在传统的市场经济中，价格主要是由供求关系决定的，最理想的状态便是供求不受任何干预决定的价格。不过，在现实中，供求的背后各种因素总会影响它们自由地发挥作用，因此非均衡的价格表现为常态，而垄断价格一直被认为是对自由市场价格的最大挑战。传统的垄断价格通常是指生产者或消费者凭借其市场垄断地位对市场价格实施的某种控制行为。

如在寡头垄断市场中，经营者深知彼此之间相互依赖，任何一个经营者定价策略的改变都必须要考虑其他竞争对手对其的应对策略。不过，受到完全信息、高市场透明度等条件的限制，竞争对手的应对策略往往会难以预测，因此经营者之间就会更倾向于以一种联合的方式来消除这种行为的不确定性，避免激烈的价格竞争，从而就形成了价格合谋。所谓价格合谋就是指经营者通过采取激励-惩罚政策来使其竞争对手也会制定高于竞争水平价格的行为。由于价格合谋会严重损害消费者利益和市场公平竞争，因此它也一直是世界各国反垄断法规制的重点。正是基于价格合谋的违法性，现实中，价格合谋的形成往往需要借助一定的隐蔽环境。另外，由于每个经营者各自利益的不同，想要以较低的协调成本达成合谋协议还需要满足高市场集中度等条件，而这就决定了价格合谋在现实中并不普遍。经营者之间能够以较低的协调成本达成合谋协议，正如Stigler(1964)所指出的由于合谋者背叛动机的存在，使价格合谋具有天然的不稳定性，也会使经营者陷入降价的“囚徒困境”，而这就需要合谋者能够及时发现竞争对手的价格背叛行为并对其进行严厉的惩罚来维持合谋的稳定。大数据算法的应用则可以为价格合谋提供非常便利的条件，也使得合谋价格的形成有了新的机制。Mehra(2016)的一项研究对这种合谋价格的形成过程作了一个描述，大数据算法能够对包括竞争对手信息在内的大规模市场数据进行近乎实时的处理，同时还能够精准地预测竞争对手的定价行为并根据预测结果自动调整定价策略，从而促进了经营者之间的价格合谋。通过这一描述可以推断出，这种合谋价格的形成机制并不是在简单的大数据和算法基础上实现的。首先，需要借助数据智能采集系统将包括竞争对手数据在内的市场数据收集完备。其次，通过大数据算法对所收集的数据进行分析和挖掘以从中提取出可以利用的信息和深度知识来辅助制定定价决策。最后，还需要大数据定价算法实现深度学习或自主学习，从而使的算法可以自主地根据市场信息的变化近乎实时地作出价格调整。当市场中的主要经营者都采用这种具有深度学习或自主学习能力的大数据算法进行动态定价时，就会产生一定的合谋效果。详细分析可知，这种以大数据算法为基础的价格合谋有着特殊的机制。

首先，大数据算法的应用改变了垄断协议达成的方式，保留了合谋的隐蔽性。一般来讲，传统垄断协议的达成往往需要合谋企业通过秘密会议、邮件、电话等方式进行信息传递和交换，并不会对外公开，因此具有一定的隐蔽性。大数据算法的应用可以改变传统的信息传递和交换方式。以信号算法为例，信号算法可以将价格信息或价格合谋要约以可解码的编码形式快速地进行相互传输和接受，而不需要人与人之间的直接沟通，这就会改变传统垄断协议的达成方式。更为隐蔽的是，这种价格信号并不能够被直接“读取”，而是需要通过企业之间相互约定的特定算法才能进行解码。不仅如此，大数据算法的应用还可以使价格合谋的形成不再依赖经营者之间的意思联络和主观合谋意愿。现如今，大数据算法已经能够实现深度学习，可以基于所收集的市场数据，通过实时观察、跟踪竞争对手的行为，自动识别出竞争对手的商业敏感信息，而这一过程并不需要经营者任何的意思联络。随着人工智能技术的快速发展，大数据算法将逐步由监督学习向无监督学习(自主学习)演进，当大数据算法实现了自主学习，合谋过程就可以不再依赖人为因素，甚至不需要经营者存在主观的合谋意愿，这就会颠覆传统垄断协议的达成方式。与传统的价格合谋相比，显然这种建立在大数据算法实现自主学习基础上的价格合谋将会更为隐蔽。

其次，大数据算法的应用弱化了市场集中度要件促进了合谋的普遍化。市场集中度一直被认为是影响价格合谋形成的重要市场结构性因素。一般来讲，传统的价格合谋只会发生在高集中度的市场中，而且并不普遍，这主要是因为当市场中经营者数量较少时，经营者之间更容易以较低的沟通协调成本确定彼此的利益共同点，更利于形成彼此相互依存的局面，从而有助于达成价格合谋。反之，当市场集中度较低、经营者数量较多时，经营者的合谋激励将会降低，且难以确认合谋的“聚点”。大数据算法的应用则可以实现几乎实时地对所收集的数据进行分析处理，使得即使在市场集中度较低的市场中，大数据算法也可以凭借其强大的算法处理能力在短时间内就确认达成价格合谋的共性基础，这就大大地降低了经营者的沟通协调成本，促进了价格合谋的形成。倘若市场中的经营者都采用同一算法研发企业或平台企业提供的同一种大数据算法来制定价格，那么价格合谋与高市场集中度这一条件的相关性将被更大程度地弱化。如表1所示，从国外目前已经出现的算法价格合谋案件来看，算法价格合谋已从旅游、航空机票销售等市场集中度高的行业拓展到了市场集中度较低的海报、家用电器、笔记本电脑等产品的在线零售领域，合谋发生的场景范围不断扩大，因此这种建立在大数据算法上的价格合谋就更加具有普遍性。

最后，大数据算法的应用建立的全新的监督和惩罚机制维持了合谋的稳定性。由于企业的合谋激励主要取决于企业遵守合谋协议的预期收益和背叛协议的预期惩罚损失之间的权衡结果，因此价格合谋的形成不仅需要在经营者之间确认“聚点”，还需要在“聚点”处寻求建立有效的监督机制和可信、严格的背叛惩罚机制。传统的合谋监督机制都旨在寻求通过各种信息公开手段来提高市场透明度以及时发现合谋者的价格偏离行为，如相互监督价格或销量、经常交流具体的企业经营信息、建立第三方监督机构等，这主要是因为在高透明度的市场中，合谋者能够对市场信息进行充分收集，使得合谋者可以以较低成本进行相互监督，从而有助于消除企业背叛的激励。不过，在现实中，受市场需求波动的影响，传统的合谋监督机制也可能会失效。在市场需求不断变化的市场中，合谋企业也会存在动态调整价格的诉求，这就使得合谋者难以准确识别出竞争对手的价格偏离行为是属于合理的价格调整行为还是属于合谋背叛行为，从而可能诱发价格战，造成双损或多损的结果，导致合谋的瓦解。大数据算法的应用不仅可以显著提升供给侧的市场透明度以及时发现价格偏离行为，还能够对这种价格偏离行为进行精准识别。现如今，经营者可以通过智能数据采集系统将近乎完全的市场数据收集完备。当市场中的企业都利用大数据算法实时处理数据和观察、跟踪竞争对手的行为时，市场透明度就会进一步提高，更有利于合谋者及时发现竞争对手的价格偏离行为，而又由于大数据算法具有极强的精准预测能力，因此就可以准确地识别出这种价格偏离行为的产生是基于市场需求的波动还是合谋的背叛动机。如果合谋者的价格偏离行为是市场需求波动的正确反映，大数据算法则可以通过自动地改变决策参数，对原有的合谋价格进行动态调整，分秒之间的价格信号就能够形成新的价格合谋，避免了因错误认知而引发彼此之间的价格战，维持了合谋的稳定性。如果价格偏离行为是基于合谋的背叛动机，则可以通过大数据算法中预先设置的报复威胁机制，自动将价格立刻降低到边际成本，从而有效地对背叛者的行为进行严厉反击。与传统的价格战威胁不同，这种由大数据算法自动执行的严厉的惩罚战略是一种非人格化的可信策略，而这就会极大地降低合谋者的背叛激励，维持了价格合谋的稳定性。

表1 算法价格合谋案件一览表

三、大数据算法价格合谋的类型化分析

Ezrachi和Stucke(2016)的研究首次提出了算法价格合谋的概念，认为算法价格合谋也有狭义和广义之分。狭义上的算法价格合谋实质在无经营者参与的情况下，由大数据算法自主形成价格合谋，而广义上的算法价格合谋泛指有算法参与的价格合谋。

由上述算法价格合谋的定义可知，大数据算法会在价格合谋的形成过程中，扮演着不同的角色，发挥着不同的作用，而这也就使得算法价格合谋会呈现出不同的表现形式，必须对其进行深入认识。

首先是信使类算法价格合谋。在此类合谋中，合谋的主导者依然是人，大数据算法只是作为执行企业高管或其代理人命令的工具，充当着“信使”的作用。根据OECD(2017)对引发合谋的大数据算法的分类可知，信使类算法价格合谋的垄断协议达成会存在两种方式：一种是按照传统的沟通协调方式来达成垄断协议；另一种则是利用信号算法来辅助企业高管或其代理人来达成垄断协议，即当某一企业的高管或其代理人通过信号算法发出价格上涨信号或价格合谋要约时，倘若在其他竞争者作出了肯定回应或在未回应的情况下直接采取一致定价行为，那么就可视为达成了垄断协议。

在垄断协议达成之后，监督算法的应用也成了信使类算法价格合谋的最主要特征。事实上，所谓监督算法可以视为是一种执行垄断协议的工具，通过算法设计者预先设置的“触发策略”程序来对合谋者的价格背叛行为进行有效监督和严厉惩罚，从而维持了合谋的稳定。从目前存在的司法案例来看，信使类算法价格合谋出现的案例最多，这说明目前其已经成为算法价格合谋最主要的表现形式。

例如，在美国司法部控诉Topkins的案件中，Topkins与其他销售招贴画的个人和公司分别签署了一系列协议，就特定的招贴画进行了合谋定价，并采取了一致行动。为了有效执行这些协议，Topkins与其合谋者约定采用特定的算法来收集和交换销售信息、监测商定价格的执行情况，而这就构成了信使类算法价格合谋。2015年，美国司法部指控Topkins违反了《谢尔曼反托拉斯法》第1条的规定，并决定给予其6～12个月的有期徒刑和20 000美元罚款的惩罚。

其次是轴辐类算法价格合谋。轴辐类算法价格合谋并不是算法价格合谋特有的形式，其在传统的价格合谋中已有所表现。传统的轴辐类算法价格合谋多发生在上、下游市场的经营者之间，一般是由一个上游供应商作为“轴”，通过与多个下游经销商之间达成多个纵向协议形成“辐”，其最终目的就是要在多个下游经销商之间达成横向垄断协议，进而形成封闭市场以消除市场竞争。

与之相比，辐轴类算法价格合谋是由大数据定价算法作为沟通和协调中枢的，具有竞争关系的经营者则通过采用同一算法研发企业或平台企业(“轴”)提供的同一种大数据算法来制定市场价格。这本质上与《禁止垄断协议暂行规定》第七条所列出的约定采用计算价格的标准公式和限制参与协议的经营者的自主定价权的垄断协议形式相同。

在此过程中，算法研发企业或平台企业与多个经营者之间通常会以签订契约的方式对采用同一种大数据算法的定价达成共识，这就形成了纵向垄断协议(“辐”)，而经营者之间也会由于采用了同一种大数据算法定价而自动形成价格协同行为，这就具有了横向垄断协议效果，达成了轴辐协议。目前，在现实中，这种由大数据定价算法引起的轴辐类算法价格合谋也已经出现了司法案例。例如，在2015年的Spencer Meyer诉Travis Kalanick &Uber案中，Uber公司与每个网约车司机之间都签订了纵向协议，要求所有司机必须采用Uber公司设计的定价算法收取车费。在用车高峰时段，车费甚至会涨到正常水平的10倍以上，Uber公司攫取了高额利润。然而，据调查研究显示，如果司机们可以各自独立定价，那么大部分司机则不会遵循Uber的定价机制，这就限制了司机之间的价格竞争，具有横向垄断协议效果，构成了辐轴类算法价格合谋。因此，Travis Kalanick 作为价格合谋的组织者被认为违反了《谢尔曼反托拉斯法》第1条的规定，应当承担法律责任。

再次是预测代理人类算法价格合谋。预测代理人类算法价格合谋也被视为是轴辐类算法价格合谋发展的更高级阶段，大数据算法不再是由第三方提供的，而是由企业独立研发的。在此类合谋中，企业并不直接参与定价，而是将大数据算法作为企业的代理人，代替企业来监督市场供求的变化和竞争对手的定价行为，并通过对竞争对手定价策略的精准预测自动地对价格进行动态调整。尽管在此过程中，企业之间并不存在明确的沟通，但是由于企业深知彼此都会采用“抬高定价策略”来实现利润最大化，因此在算法的研发和设计过程中就会有意识地将价格平行行为理念植入其中。当竞争对手都采用类似大数据算法进行定价时，就会自动形成价格合谋。虽然目前在现实中还并不存在预测代理人类算法价格合谋的司法案例，但是企业利用大数据算法进行价格跟随行为的现象却已经出现。

2011年4月，在美国的天价书事件中，亚马逊平台上的线上书商Profnath和Bordeebook利用大数据算法对一本普通的生物遗传学教科书:分别给予了$1 730 045.91和$2 198 177.95的惊人报价。当时，业界只将其视为一个算法技术漏洞所引发的价格追随行为不合理攀升的偶然事件，而忽略了这种算法定价对合谋的影响。事实上，当上述大数据算法“机械的”价格追随变成“有意识”的决策定价时，就会构成预测代理人类算法价格合谋。

最后是自主学习类算法价格合谋。自主学习类算法价格合谋是最高阶的价格合谋形式。在这种合谋形式下，大数据算法具备了自主学习和自主决策能力，可以自主找到优化利润的路径来为企业实现利润最大化。与前三种价格合谋形式不同的是，在自主学习类算法价格合谋的整个过程中，并不存在人为因素，既不体现经营者的主观合谋意图，也并没有算法程序的设计人员的任何明确的合谋指令，而是完全依靠大数据算法自主形成和实施价格合谋。不过，这种新型价格合谋的形成和实施还需要强大的人工智能技术作为支撑，就目前的技术水平而言，这种具有“上帝视角”的价格合谋也只停留在理论层面，实践中并不存在。但是，随着人工智能技术的不断发展，这种新型的价格合谋很有可能成为未来的发展趋势，也同样应该给予关注。

表2 大数据算法及其在合谋中的作用

四、大数据算法价格合谋行为的有效规制

根据我国《反垄断法》第十三条(一)、第十四条(一)(二)的规定，针对横向价格合谋行为和固定转售价格、限定转售最低价格等纵向价格合谋行为，应该采取本身违法原则对其进行禁止，而对于满足《反垄断法》第十五条规定条件的垄断协议，则应予以豁免。由于大数据算法的应用在引起价格合谋的同时，也会产生技术创新效应，因此在对算法价格合谋行为进行事后反垄断法规制时，必须要结合算法价格合谋的具体类型和其产生的影响，采取合理原则为主，本身违法原则为辅的规制原则。然而，由于在自主学习类算法价格合谋中并不体现人为因素，这就会导致现行垄断协议制度失效，因此可以考虑拓展共同市场支配地位制度的应用和引入事前反垄断规制政策。

在事后反垄断法规制方面，对于信使类算法价格合谋行为而言，由于大数据算法只是作为执行企业高管或其代理人命令的工具，故其在本质上与传统的价格合谋并无太大差别，因此，现行的垄断协议制度依然适用，可以在认定垄断协议达成之后，直接根据本身违法原则对其进行禁止和惩罚。不过，在垄断协议的认定过程中，针对利用信号算法来达成垄断协议的场景，则还需要借助技术手段对信号算法进行审查以获取合谋证据。对于轴辐类算法价格合谋行为而言，在一般情况下，由于存在明显的纵向垄断协议，因此多个竞争者之间共同采用同一个由第三方提供的定价算法完成结算交易，就可以被视为达成了具有横向垄断协议效果的轴辐协议。虽然轴辐协议的认定过程并不复杂，是由于轴辐类算法价格合谋行为能够有效地推动数据共享，提升市场效率，也并不一定会损害消费者福利，因此反垄断机关执法时就应该注重对其产生的反竞争效果进行分析，采用合理原则对其进行违法认定。倘若有证据能够证明其具有明显的效率效应，且符合《反垄断法》第十五条的规定，则应免于反垄断处罚。与前两种价格合谋行为不同的是，预测代理人类算法价格合谋行为则属于价格协同行为。根据《禁止垄断协议暂行规定》第六条的规定，价格协同行为的认定核心就在于证明经营者主观合谋意愿的存在，而认定经营者存在合意则需要先确认经营者之间存在意思联络。因此，意思联络也就成为区别价格平行行为和价格协调行为的关键因素。然而，在预测代理人类算法价格合谋中，经营者之间并不存在任何的意思联络，这不仅会导致传统的价格协同行为的认定方法失效，也使得预测代理人类算法价格合谋与基于独立意思表示所做出的价格跟随等平行行为的区别更为困难。因此，必须要对经营者合意认定方法进行创新。在预测代理人类算法价格合谋中，大数据算法是由经营者独立研发的，这就使得算法程序的设计会反应经营者的主观意愿。换句话说，如果算法中包含了合谋动机或明显会导致合谋效果的程序时，就可以推定经营者存在主观合谋意愿。因此，反垄断执法机关就可以通过对算法源代码逻辑的审查来获取合谋证据从而推定经营者存在主观合谋意愿。具体而言，反垄断执法机关可以通过对大数据算法中的价格平行程序和惩罚机制程序的审查来反向论证经营者是否存在主观合谋意愿。倘若经营者不存在主观合谋意愿，那么当一方实施不合理降价时，由于价格平行程序的存在，其他竞争对手的价格就应该大致下降到同一水平，而不会降低到边际成本。反之，则可以证明经营者合意存在。在其违法认定方面，也应该坚持合理原则对其产生的竞争效果进行综合分析，对于符合《反垄断法》第十五条规定的条件的垄断协议应给予豁免。与前三种算法价格合谋行为相比，自主学习类算法价格合谋的反垄断法规制最为困难，在自主学习类算法价格合谋中，合谋的过程并无人为因素参与。虽然在现行的垄断协议制度下无法获取证据来证明这种合谋行为必然违法，但仍然有必要对其进行反垄断法规制的理论探索，以明晰合谋行为的责任承担主体和违法认定标准。在责任承担主体方面，Gal(2018)提出算法价格合谋行为的责任承担主体应该定为“人”，即大数据算法的设计者和使用者。事实上，无论是在强人工智能时代还是在弱人工智能时代，大数据算法都只能作为人类的工具，而应由算法的研发者和使用者承担相应的法律责任。不过，需要注意的是，自主学习类算法价格合谋的形成是基于大数据算法的自主学习，这就会导致诱发价格合谋算法与最初算法研发者所提供的算法存在截然不同的情况，算法研发者也会以此为理由进行抗辩。为此，需要在立法层面给予充分关注以明晰相关主体在大数据算法设计和运行过程中的权利与义务。在违法认定方面，由于不存在经营者的主观合谋意愿，这就会导致现行的垄断协议制度失效，使得合谋无法认定。因此，可以考虑将我国《反垄断法》第十九条所规定的共同市场支配地位制度拓展用于规制自主学习类算法价格合谋行为，不过，这还需要对共同支配地位制度进行完善。例如，增加共同实体或整体分析概念等。

在事前反垄断政策制定方面，首先，应该强化对企业并购行为的规制。由于企业并购行为会提高市场集中度，促进默示价格合谋的产生，因此通过加强对企业并购行为进行实质审查就会有效降低市场集中度，起到预防合谋的作用。虽然我国现行的《反垄断法》中并未明确规定具体的实质审查标准，但是根据其第二十八条的规定，可以判断出我国企业并购的实质审查标准的确定充分借鉴了美国的经验，采取了“排除、限制竞争效果”的标准，而这就决定了我国规制机构在对企业并购行为进行实质审查时要关注合并前后市场结构的变化是否会诱发默示合谋的产生。由于传统的默示价格合谋多发生在双寡头垄断市场中，因此规制机构的关注重点往往集中在对三寡头合并为双寡头的经营者集中行为进行严格审查。然而，由于大数据算法的应用弱化了价格合谋形成的市场结构条件，使得算法价格合谋可以发生在多寡头市场中，而且也更加普遍化，因此应该采取更为严格的企业并购审查制度，拓宽审查范围，重视对多寡头市场中企业并购行为的审查。其次，注重算法程序的审查。算法程序审查是指由政府监管机构通过某些技术方法对算法程序中是否涉及限制竞争效应进行审查的过程。不过，算法程序的审查还要以算法适度的透明度和可问责性为前提条件。适度提升大数据算法的透明度主要涉及算法公开的对象和透明度边界的界定两个问题。由于大数据算法的研发和应用会产生技术效应，而公开算法通常还会涉及企业的商业机密，因此，为达到维护市场公平竞争与激励创新的平衡，可以要求企业仅对执法机关公开算法。关于大数据算法透明度边界的界定，目前还并没有统一的标准，一般来讲，算法程序公开的内容应该包括：算法应用的动机、对某个对维持价格合谋具有决定性影响的变量的发布等。另外，适度提高大数据算法透明度的要求也将有利于法律责任的明确，使大数据算法也具有了一定的可问责性。事实上，算法的可问责性就是在算法决策对个人或法人产生影响时的责任明晰。具体而言，就是要围绕定价算法决策可能产生的风险与后果，针对大数据定价算法研发和运行过程当中各方主体的责任义务进行详细划分和科学界定，以明晰是大数据算法的研发者还是使用者应当承担责任。最后，创新价格规制。价格规制是政府从资源有效配置出发，对价格水平和价格体系进行规制，其主要内容是由政府设计一个定价模型来规定商品或者服务的价格，或者由政府制定一些条件和标准来引导企业定价决策合理化。传统的价格规制方式主要包括投资回报率价格管制和价格上限管制等，都是在追求将价格恢复到合理水平，是具有不同激励强度的成本补偿机制，而这无疑会抑制大数据定价算法的应用，导致企业缺乏技术创新的动力，具有很大的局限性。另外，根据组织内合谋理论和利益集团范式下的激励性规制理论，在传统价格规制模式下，规制对象也很有可能为了获得更多的信息租金，导致寻租行为的产生，从而形成监管人与代理人、委托人与代理人的合谋。因此，针对算法价格合谋行为，必须要结合具体的大数据定价算法，对价格规制的方式进行创新。大数据算法的应用使得价格的形成和调整呈现出动态化的特征，这也是算法价格合谋行为得以形成、实施和维持的关键。因此，政府价格规制的重点就应该强调降低动态化定价模式与价格合谋行为风险的相关性。为此，就需要结合大数据算法，创新制定一系列条件和标准以激励企业主动调整算法程序，降低算法调整价格的速度和频率，具体包括延长价格上涨的时滞和允许降价的实时动态调整等。