原文刊发于《网络安全与数据治理》2023年第11期。
刘奕麟(1995-),女,吉林大学法学院博士研究生,主要研究方向:反垄断法、国际竞争法。
摘要:算法共谋对市场造成的威胁主要表现为:一方面,轴辐算法通过使用相同的第三方平台来决定他们的定价策略,从而形成一个轮辐机制,促进了信息的交换;另一方面,自学习算法可以在没有信息共享或明确的协调行为的情形下,达成隐蔽的自主性共谋以促成规避竞争的效果。而目前反垄断法的分析框架在解决算法共谋的认定问题上掣襟露肘。主要表现为:算法共谋在技术上存在着隐蔽性并难以证明,串通行为的认定存在争议,算法共谋的归责标准缺位。首先,在制度层面,既要注重公平竞争与消费者保护,也要兼顾效率目标,来开展算法技术创新和发展。其次,在技术标准层面,扩展更新现有标准中关于串通的定义和协同行为的认定范围,解决算法黑箱与算法共谋的隐蔽性问题。最后,构建和明确算法共谋的责任归属,经营者对算法共谋结果的疏忽可以被解释为具有反竞争的意图。
关键词:注意力经济;陪伴式人工智能;技术中立;责任规制
要目:
1 算法共谋对市场竞争的挑战
算法本质上是将输入转换为输出的一系列操作。在OECD 2017年的研究报告中,将算法定义为:“算法是一组明确的、精确的、简单操作的列表,这些操作被机械地和系统地应用于一组指令或物体,例如,国际象棋棋子的配置、数字、蛋糕成分等。”指令的初始状态是输入,最后的状态是输出。算法基于其开发和使用目的的不同,可以按照其功能类型进行有效的分类,具体可以划分为11个类别,如表1所示。
表1 算法分类
其中,算法共谋主要集中在搜索算法、推荐算法、分配算法、监控算法和定价算法之中,竞争监管机构的政策文件也主要关注这些类型的算法。此外,算法还可以根据技术类型进行分类,主要包括人工智能(AI)、机器学习和深度学习,由于和算法共谋的关联有限,本文不再详细展开。定价算法可以提高企业之间相互依赖的效率,并促进许多市场上的隐性共谋。首先,算法可以让企业保持超竞争性水平的价格稳定。如果其中一项承诺偏离了其他同谋者,将能够通过快速交互迅速降低价格,使得共谋的结果更加持久。其次,算法可能会影响市场的整体透明度。在其他企业行为可解释的情况下,通过算法可以轻易得出使企业利润最大化的价格水平。例如,成本函数和个别需求函数是设定价格的主要因素,而透明度导致可以更好地预测竞争对手所面临的因素。再次,算法也可以创造进入壁垒。合算算法可以降低价格,使新的进入者难以留在市场,从而导致竞争的结束。算法因此可以创造许多可维持的寡头独占市场,也可以在非寡头独占市场中实现合谋。由于企业之间就价格达成水平协调具有降低福利的作用,因此一直被认为是一种对市场竞争有害的行为。《反垄断法》第16条明确规定:“本法所称垄断协议,是指排除、限制竞争的协议、决定或者其他协同行为。”禁止通过协议或共同行为进行串通,达成垄断协议。因此,明示和隐含的协议都可能违反第16条。另一方面,通常意义上认定企业违法性共谋,需要满足几个标准:(1)各企业之间要有协调行为;(2)这种协调应该是直接或间接沟通的结果;(3)沟通的目的应该是减少市场中的不确定性,有效地改变企业在市场中的行为。除了《反垄断法》规定以外,《禁止垄断协议规定》(2023年4月生效)、《关于平台经济领域的反垄断指南》(2021年2月颁布)以及《最高人民法院关于审理垄断民事纠纷案件适用法律若干问题的规定(公开征求意见稿)》(最终生效稿还未颁布),都对涉及算法的“新型”垄断协议进行了系统化的规定。其中《禁止垄断协议规定》针对共谋或协同行为的认定以市场主体“行为的一致性”与“意思联络或信息交流”为考虑因素;《关于平台经济领域的反垄断指南》第9条规定了在直接证据难以获取的情形下,可以采纳间接证据作出协同行为的认定;《关于反垄断民事诉讼司法解释稿向社会公开征求意见的公告》第20条,对经营者能否对行为的一致性作出合理解释作出了进一步的限定,实质上是减轻了原告的举证负担,而将协同行为的证明义务更多地施加给经营者。协同行为的认定如图1所示。算法帮助或促成共谋的主要方式大致可以分为四种情形,分别为:传令共谋(Messenger)、轴辐共谋(Hub and Spoke Complicity)、可预测共谋(Predictable Agent)和算法自主共谋(Autonomous Tacit Collusion)。传令共谋是最直接的达成共谋的情形。企业在使用定价算法时显式地相互勾结,决定参与串谋的经营者达成协议,并实施定价算法以维持串谋行为。算法的作用有几个级别:首先,它监控其他参与者发送的数据并做出反应,以产生超有竞争力的价格水平。其次,该算法对企业的行为发出信号,以便其他参与者可以采取相应的立场。第三,如果企业决定偏离协议的其他各方,它会做出反应,惩罚偏离者。惩罚的方法有很多种,例如,如果偏离者选择降低其价格,其他参与者可以将价格降到低于偏离者的价格,并迫使偏离者退出市场。轴辐共谋是一种比共传令共谋更间接的手段。企业通过使用第三方的算法来实现相互勾结。因此,他们不是与横向竞争对手达成串谋协议,而是利用枢纽作为串谋的间接推动者。例如,经销商可以作为下游市场的供应商的价格固定者。横向竞争对手可以选择相同或类似的定价算法。通过外包价格制定过程,企业绕过了与横向竞争对手沟通的需要,从而在超越竞争水平上制定价格。这些企业实际上是通过共享敏感信息成功地进行了串通。此外,轴辐共谋模式带来的监管挑战在于企业之间的共谋意图难以认定,因为当企业选择参与这种商业模式时,其目的不一定是操控价格。倾向采用相同算法定价的竞争对手有可能纯粹出于算法优势而如此选择。因此,企业应可以优先考虑采用性能更优的算法,毕竟谴责没有反竞争意图而选择最优策略的行为违反了反垄断法的本质。可预测共谋,这种情况是可预测的代理。企业开发自己的定价算法,通过集体设定极具竞争力的价格来明确地追求利润最大化。在博弈论中,企业对当前市场的最佳策略是设定超竞争性价格水平。为了实现了剩余利润,企业的目标是在相关市场上可以实现隐性共谋。各企业的承诺行为像缔结了卡特尔协议的参与方,可以通过经典的信号与反馈模型加以解释。企业的定价算法可以向其他竞争对手发出共谋信号,即价格高于竞争水平。其他竞争对手的定价算法需保持同一水平或跟随上涨。如果价格未上涨至发起者水平,即向发起者证明其他企业无意形成共谋结果,发起者将再次降低价格。在后一情况下,其他企业的反馈信号构成卡特尔准协议。此时,参与方可以同时逐步提高价格,直至利润最大化。算法自主共谋,又被称之为算法的“数字之眼”,随着客户和供应商一端数据集的不断增长,越来越多的企业选择实现自我学习算法。自学习算法是自动决定最优解过程算法的一个专门子集。通常,自学习算法被要求以最好的方式执行任务。通过分析标记数据集,监督算法映射从输入到最佳输出的方法,强化学习的过程主要是在环境中寻求回报。在完成足够数量的测试后,算法在可观察条件下以最佳方式执行初步任务。企业还可以采用自学习算法来确定价格的水平动态。当利润最大化被编码为最终目标时,可将客户和供应商的数据输入,以确定实现目标所需的最优定价水平。在有监督学习中,数据点的结构可以按照相关市场的适当市场条件进行分配,算法会根据瞬时的市场条件,告诉企业最优的价格水平。人在定价中的作用主要是定义算法的最终任务、决定哪些数据集将提供给算法。正如“黑箱模型”所表明的,算法的运作模式以及找到最佳解决方案的路径并不总是可以理解的。实践中已经出现了这种算法自主达成隐性共谋的案例。例如,德国汽油零售市场存在的算法勾结,根据德国16 027个加油站2014年初至2019年底每分钟一次的燃料价格数据(超级E5、超级E10和柴油),以及相关市场条件:(1)车站1公里半径范围;(2)五位邮政编码范围。算法定价可能通过两种机制引起价格上涨,即 (1)未学会有效竞争,如未对竞争对手作出最优反应;(2)学习不竞争,即暗中串通。该案印证了定价算法可以学习隐性的串通定价策略,而这目前在大多数司法管辖区是合法的。由于算法存在自主共谋的情形,给法律的监管造成了巨大的挑战。基于默契而又“自觉的平行”,竞争对手之间并不存在任何非法的协议,甚至不存在任何接触或沟通。算法的自我学习可以在没有人类程序员的知识或意图的情况下,独立地达成默契。机器学习的进步和市场透明度的提高,最终可能会使自学习算法单方面决定利润最大化的价格。因此,算法共谋会为反垄断法的带来的挑战包括:当价格优化算法增强竞争对手暗中串通的能力时,当前的反垄断框架是否还应该继续以有意识的沟通为认定要件?对于算法来说,协议的法律概念是否已经过时?当前的反垄断法是否足以阻止和防止算法默契的共谋?执法机构应该如何识别算法合谋的发生,特别是在定价是动态模型的情况下?应该考虑哪些额外的措施来减少各行业使用定价算法带来的风险?企业应该以何种方式将道德和合法性整合到算法的设定程序中?企业是否应该就算法的编程承担义务,就算法的自主共谋承担必要的责任?算法共谋与“未签订书面协议”的协调行为不同,在促进和加强暗中勾结的程度,以及证明协调价格的意图上更具隐蔽性与可持续性。即使私人原告、美国司法部或欧盟竞争委员会有充分的反竞争平行行为的证据,当市场条件存在默许串通时,这些证据本身也不能作为协议或非法协调行为的证据。相反,法院将假定有可能存在暗中勾结,并要求提供额外的证据,这些证据通常包括非法通信的证据。只有当平行行为不能被解释为隐性共谋(或由于其他因素)的结果时,它才可以作为非法共谋的证据。而最重要的证据通常是非经济证据,表明存在一个实际的、明确的不竞争协议。信息交换是维持合谋的必要条件,因为合谋者需要发送和接收可能的业务操作的子集。这一机制使企业能够自我调整以适应可持续的超竞争性价格水平。此外,不能仅凭信息交换就认定构成共谋。由于市场在最近几十年变得越来越透明。例如,许多企业在网上公布价格,以便创造一个消费者可以比较价格并作出相应选择的环境。甚至可以说,不分享即时价格会将企业逐出市场。企业为了竞争,监测和分享信息可能是必要的。因此,以助长勾结为由,对所有情报交换行为采取敌对态度是有问题的。由于“算法黑箱”的存在,企业预测这些算法将如何运行的能力是有限的。对所有的算法勾结予以违法性认定,可能会最终导致自学习价格算法被事实上禁止,将严重减缓自学习算法的发展。因此,竞争监管机构必须要有强有力的论据支持,综合其他衡量指标如市场份额、进入壁垒以及行业特征等来证明算法自主共谋。定价算法可以通过削弱竞争对手降价的动机从而影响其竞争力。因此,仅通过扩大共谋或沟通的定义,并不能解决算法的轴辐共谋和自主性共谋的情形。现有的司法框架无法完全涵盖算法造成的反竞争效应案件。这种不足表现为,其错误地忽略了算法合谋案件中的关键点,即造成损害的是算法产生的合谋效应本身,而非企业间的直接沟通。因此,考察算法可能产生的隐性合谋效应本身具有重要意义。至今为止,算法隐性共谋一直被视为边缘案例。这种观点存在如下限制:(1)操纵定价的共谋行为难以在没有共同规则、威慑措施与必要沟通的情况下持续;(2)相关市场必须由近似同质产品组成,价格平行调整才可能达到同一水平;(3)企业必须能够迅速响应价格变动。然而,算法要么使上述条件过时,要么在这些条件失效的情况下产生限制竞争效应。例如,在数字经济场景下,横向垄断协议的达成不是由企业代表直接商定,而是算法自动产生。信息交流的必要性也由于市场透明度提高与对企业行为的监测而减少。从各国执法的实践发展来看,算法自主性共谋已不再是个案。已经出现的实例包括:(1) 美国Topkins和英国GB Eye Trod的在线海报零售商使用简单的定价算法来协调价格;(2) 立陶宛在线旅游平台提供便利,向旅行社发送电子邮件,称其为折扣上限;(3)西班牙房地产公司使用一种通用的经纪软件来协调价格;(4)欧盟电子产品制造商限制零售商独立,设定销售价格实施转售价格维。此外,关于轴辐共谋,在美国最近关于算法合谋的集体诉讼中也有所体现。2023年1月25日,多家美国酒店共同向美国内华达州联邦地区法院提起集体诉讼。相关市场为拉斯维加斯大道上的酒店客房出租市场。本案中被告使用了第三方供应商Rainmaker Group的三款算法:GuestRe、RevCaster、GroupRev。GuestRev是为赌场酒店量身定制的算法,可为单间客房推荐定价,Rainmaker Group声称其采纳率达90%;RevCaster允许企业通过收集竞争对手的市场定价数据来监测并响应对手定价;GroupRev可预测团队预订客户的需求,如10人以上团队参加会议。本案中,被告使用第三方定价算法,虽然各酒店未直接分享定价信息,但通过算法均可获得其他酒店的定价数据与策略,最终推高市场价格,协同排除价格竞争,损害了消费者利益。产生的影响属于典型的“轮辐式算法共谋”。针对算法共谋盛行的现象,Michal Gal提出几点解决算法共谋的补救建议:(1)通过市场自发解决。即消费者集中为购买群体,获得购买权力。通过增加购买较低价格产品的激励,可破坏卖家之间的协调。(2)通过合并审查,禁止或补救增加算法共谋风险而无相抵利益的合并。(3)引入推行破坏性算法。监管机构指定并资助一家企业运营破坏性算法,提供相对较低具有潜在竞争力的价格,在供应端制造噪声,从而破坏协调。(4)规定定价算法对市场条件的滞后监管。在不同时期冻结一家企业的价格(即最低价格企业),激励其他企业以低于该企业的价格增加产能。Michal Gal的建议从市场层面与监管层面提供了解决方案。市场层面,通过消费者集权及购买激励,破坏协调定价。监管层面,通过合并审查制止不利竞争的并购,推行破坏性算法,引导定价调整。定价算法滞后反应,在定价上制造不利差异,破坏算法的自主性协调。我国在补救措施的运用上可以采取类似的方法。另一种办法是从管制层面入手来解决算法共谋问题。首先,通过事先对算法的设计施加影响,以避免算法的默示共谋;其次,在引入算法定价软件后,如果价格上升到潜在的共谋水平,则采取监管措施将价格降至竞争性水平;再次,数字平台可以通过使用平台设计规则,例如,如何对产品进行排名或向消费者展示产品等方式来引导消费者需求,从而避免扰乱在线卖家在其平台上的串谋。结合算法共谋的特点与上述建议,在规制算法共谋的规则层面,反垄断法可以纳入以下制度优化的建议:首先,在价值选择上兼顾公平与效率。定价算法可以创造大量的效率收益并降低交易成本,这一点已被广泛接受。由于算法本身具备提高效率促进创新的价值,特别是在需求侧和供给侧层面,算法提供了许多提高效率和促进竞争的方法:(1)算法可以是颠覆性创新的基础,从而产生新的或改进的产品。例如,产品可以根据消费者的具体需求进行个性化和定制。(2)算法可以通过改进生产流程或提高工人生产率来降低成本。(3)它们可以通过允许较小的新进入者获得市场洞察或以较低的价格开发新的颠覆性产品,来降低进入壁垒成本。(4)算法可以为消费者提供一系列合适的产品,并在竞争的关键维度(价格、质量和消费者偏好)上提供比较信息,从而降低客户搜索成本。例如,比价网站为消费者提供一系列商品和服务的即时价格比较;价格监控工具可以在价格特别低的时候通知消费者;人工智能甚至被用于产品识别,使消费者更容易准确地找到他们想要的东西。(5)算法可以更好地平衡供求关系。其次,需要扩大串通的定义和协同行为的认定标准。共谋是否开始,取决于相关市场中其他企业的反应。特别考虑到算法是专门为执行这一操作而被设计时,算法为了达成共谋而做出的明智决定,强化了横向价格一致的第一价格信号,从而加强了串通和协调一致。此外,还可以通过观察隐性串通与协调一致行为的可持续性,来作为界定具有串通行为的动机要件,随着定价算法的采用,针对这种协调一致的新通信形式可能会出现,除了定价算法的价格信号,在数字眼场景中,透明度也可能产生适当的条件来促进共谋。自学习算法可以解码彼此的行为从而相互勾结。因此,需要扩展串通和沟通的认定标准,算法勾结如果满足动机性和持续性应该被解释为存在沟通和协调一致的行为。最后,需要构建和明确算法共谋的责任归属。针对算法自主实施的隐性共谋,目前的《反垄断法》无法进行有效规制,解决这一问题的突破口在于如何界定平台企业的归责问题。笔者认为,平台对自学习算法的自主性共谋需要承担责任。而解决归责问题的关键在于企业对共谋效应的忽视可以被解释为具有反竞争意图。在此,可以借鉴波斯纳(Posner)的观点。波斯纳认为暗中串通属于企业的自愿选择。在某些市场条件与证据下,即使没有明示协议,企业的行为也显示出一致共谋。鉴于此,波斯纳提出了几个判断共谋证据的基准:(1)价格歧视模式,即产品价格与边际成本之间的系统偏差,可能显示企业在维持过高定价。(2)长期产能过剩。企业选择维持较低产能而非优化生产,可能是共谋战略的体现。(3)价格变动幅度较小。(4)异常利润,与定价过高相呼应。(5)僵硬的市场份额。共谋市场企业不会通过挖掘竞争者份额获利,而是维持现状。(6)共谋市场对需求或成本变化反应不如预期,这显示企业参与共谋或发现共谋后拒不退出。波斯纳的分析方法为算法导致的共谋提供了参考。总体而言,判断企业共谋存在需要考虑相关市场的认定与企业的具体行为,而非仅凭主观推定。这需要结合定价、产能、利润与市场变化等因素进行判断。虽然算法的“Digital Eye”在作出定价决策时具有相当的自主权,这使企业难以直接操控或责备其行为,但企业作为算法的运营主体,其对算法产生的效应与结果并非完全无知。波斯纳提出的判断共谋的六大证据标准,为企业判断自学习算法何时可能产生反竞争效应提供了依据。此外,虽然企业无法直接影响算法的运行机制,但其对算法结果与效应的了解程度,以及对此采取的态度与行动,体现其竞争意图。综上,鉴于算法的工具性质,对其行为导致的结果,平台企业需要承担充分的审查责任与注意义务。*具体参考文献详见纸刊2023年第11期
期刊介绍:
2022年7月,国内首本兼备网络安全和数据治理双领域的学术性期刊《网络安全与数据治理》(刊号:CN10-1863/TP)正式创刊出版。该刊聚焦网络空间安全和数据治理前沿领域最新科研动态,密切关注政产学研用各环节在网络强国和数字中国建设过程中跨学科学术成果,坚持技术与应用、产品与研发、产业与市场相结合,服务国家网络空间安全和数据治理工程建设。
— END —
投稿请前往期刊官网:https://www.pcachina.com/
还没有评论,来说两句吧...