大數據算法的價格合謀問題研究

喬 榛，劉 瑞 峰

(黑龍江大學 經濟與工商管理學院， 哈爾濱 150080)

一、問題的提出

互聯網發展及大數據時代的誕生，改變了人類社會傳統的數據收集和傳遞的方式。這種方式的一個重要特點是數據收集實現了爆發式增長。據互聯網數據中心(IDC)統計，2020年全球數據量已經達到了35 ZB(1 ZB=10字節)，預計未來每兩年會翻一番，到2025年數據規模將達到163 ZB，因此迎來了一個大數據時代。

大數據時代帶來了改變世界的機會，首先為人工智能的發展升級提供了必要的條件。人類技術進步的一個主線就是對人的各種能力的延伸，之前的科技革命解決了手、腳的延伸，而建立在大數據基礎上的算法革命將大大地延伸人的智力，使人工智能達到一個新水平。任何科學革命和技術進步都會產生正負兩方面的功能。大數據及人工智能發展無疑會推動人類社會的進步，但也會引起一些負面的效應。更具體講，在大數據和人工智能賦能經濟社會各領域、各方面時，一方面會推動該領域或該方面的發展；另一方面也會引起該領域或該方面的新變化。當大數據和人工智能被有實力的企業用來控制市場時，就會產生新的壟斷問題，如價格歧視、價格合謀。當面對不同消費者時，擁有大數據優勢的生產者可以憑借其數據壟斷優勢運用大數據定價算法制定不同的價格，從而形成價格歧視。

在不同競爭者之間，大數據算法的應用不僅可以在短時間內確認達成價格合謀的共性基礎，還能夠準確預測彼此的定價行為，并對價格偏離行為進行智能化識別，這就為價格合謀的形成和實施提供了便利條件，帶來了更大的合謀風險。根據2017年歐盟委員會所做的一項調查研究顯示，超過2/3的電子商務零售商使用大數據算法來跟蹤和預測競爭對手的定價，并以此為基礎調整定價策略。美國的亞馬遜電商平臺上，也有近九成的零售商在利用Buy Box算法來自動定價。隨著人工智能技術的快速發展，大數據算法也將逐漸實現自主學習，這就使得價格合謀可以在無經營者主觀合謀意愿的情況下發生，甚至整個過程都不存在人為因素的參與，而完全是大數據算法自主決策的結果，合謀也就變得更為隱蔽。在此種情況下，反壟斷執法機構就難以獲取經營者合謀動機的證據，也就無法認定壟斷協議的存在。即便可以認定合謀的存在，也不能根據本身違法原則直接認定其為違法行為，因為認定是需要鑒別包含在其中的技術創新效應，這會大大提升反壟斷執法的難度，造成違法認定的困境。倘若可以認定這種價格合謀行為違法，那么在不存在經營者主觀合謀意愿的情況下，合謀行為的違法責任應該由誰來承擔？這種現象也引起了學者們的關注，他們從多個角度進行了研究。

Ariel和Maurice(2016)最早對大數據算法引發的價格合謀現象予以關注，并對這種新型的合謀進行了類型化分析，將其分為信使類、中心輻射式、預測型代理人類和電子眼類四種類型。OECD(2017)進一步梳理了引發算法價格合謀的大數據算法，即監督算法、平行算法、信號算法和自主學習算法，并指出壟斷協議的認定困境給算法價格合謀行為的反壟斷法規制帶來了巨大挑戰，提出應該采取事前并購審查、引入市場研究機制等補救措施加以應對。不過，也有學者對事前規制政策的實效性提出了質疑。Calyano等人(2018)就對不同事前規制政策的組合進行了分析，認為事前規制政策的實施會限制算法技術的應用，降低企業創新的積極性，不利于市場效率的提升。事實上，從理論上來講，事前規制政策的實施可以有效預防合謀風險，具有一定的合理性，只是在實施的過程中必須兼顧大數據算法帶來的技術創新效應，避免執法過度，而這還需要完善相關的法律規范和創新現行的執法手段，這也是目前各國反壟斷執法機構所面臨的共同挑戰，也是規制陷入困境的主要原因。為此，Francisco(2019)的一項研究就提出算法價格合謀行為的規制還應該以事后的反壟斷法規制為主，《歐盟運行條約》第101條規定依然適用于算法價格合謀行為的規制，但在執法過程中還需要積極嵌入定價算法孵化器等先進的信息技術。鐘原(2018)梳理了算法價格合謀行為對我國反壟斷法規制所帶來的挑戰，發現其主要集中在主體要件認定、主觀要件認定和基本價值衡量三個方面。基于這些挑戰，許多學者也提出了具體的應對思路和方案。李振利，李毅(2018)，施春風(2018)的研究都認為算法價格合謀行為的規制并不能脫離經營者的主觀合意，因此壟斷協議制度依然適用，并且經營者應該對算法的設計和應用承擔責任。但也有部分學者持有不同的觀點，沈亮亮(2019)就認為在自主學習類算法價格合謀中，由于經營者不存在合謀的主觀意愿，也就無法證明合謀協議的存在，因此壟斷協議制度不再適用，經營者也不應該為此負責。相應地，大數據算法的設計者應該成為責任主體。時建中(2020)進一步指出雖然壟斷協議制度不再適用于大數據算法引起隱性價格合謀行為的規制，但是依然應該在現行反壟斷法的框架下，通過完善共同支配地位制度以拓展應用于隱性算法價格合謀行為的規制。相應地，經營者就應該成為規制的責任承擔主體。唐要家、嚴鈺鋒(2020)則基于自主學習類算法價格合謀行為的違法認定和責任主體認定所面臨的困境，借鑒國外研究所提出的事前反壟斷規制政策，提出應該采取以事后反壟斷法禁止為主、以事前規制政策為輔的規制模式。事后反壟斷法規制需要拓展壟斷協議的界定，明確經營者的主體責任，建立以“軟執法”為主的反壟斷執法體制。事前規制政策則應強化算法審查機制和審查能力建設以降低合謀發生的風險。

合謀在大數據時代表現出來的特征及對這種合謀的規制實踐，既未充分顯現，也未找到有效方法，對進一步研究和深入探索仍有廣泛訴求。其中，揭示大數據算法引起價格合謀的機制以及分析大數據算法引起價格合謀的類型，是深入關注該主題的重要取向，需要深化研究。本文將著眼于這兩個方面，分析大數據算法引起價格合謀的機制，進一步分析大數據算法引起價格合謀的類型，借此提出對大數據算法的價格合謀行為的規制手段。

二、大數據算法引起價格合謀的機制

美國著名未來學家阿爾文·托夫勒于1980年在《第三次浪潮》一書中首次提出了大數據一詞。自此，大數據這一概念也越來越受到廣泛關注。根據麥肯錫全球研究所對大數據的定義，大數據是指規模超出了傳統數據庫軟件工具采集、存儲、分析等能力的數據集，具有規模大、流轉速度快、種類多和價值密度低等特征。由此可見，“大數據”的“大”并不僅僅是指數據規模大，還體現在通過數據的采集、存儲和分析能夠獲得“大信息”“大知識”。不過，這種信息和知識的獲取并不是通過人們可以直接“讀取”的方式，而是要依靠算法進行處理。如果沒有適當的算法，數據規模再大也將沒有任何意義。

事實上，算法一詞由來已久，在中國古代，算法也被稱作“術”。如漢朝時期的《九章算術》。公元825年，阿拉伯數學家Al-Khwarizmi也在《波斯教科書》一書中進一步將算法概括為四則算數運算的法則。然而，隨著信息技術的快速發展，算法也具有了新的內涵。目前，學術界對算法的定義主要有狹義和廣義之分。狹義層面上的算法是指具體的數學計算方法或是編寫計算機程序中使用到的編程方法和技巧，廣義層面上的算法則是指解決問題的具體方法和步驟，而大數據算法是一場發生在大數據時代的算法革命，是對大數據進行有序化處理的一種工具。現如今，大數據算法呈現出了明顯的商業化傾向，已被企業廣泛應用于商品或服務的定價活動中，而這就給傳統的價格形成機制帶來了巨大沖擊，使得大數據算法下的價格合謀更容易發生。

在傳統的市場經濟中，價格主要是由供求關系決定的，最理想的狀態便是供求不受任何干預決定的價格。不過，在現實中，供求的背后各種因素總會影響它們自由地發揮作用，因此非均衡的價格表現為常態，而壟斷價格一直被認為是對自由市場價格的最大挑戰。傳統的壟斷價格通常是指生產者或消費者憑借其市場壟斷地位對市場價格實施的某種控制行為。

如在寡頭壟斷市場中，經營者深知彼此之間相互依賴，任何一個經營者定價策略的改變都必須要考慮其他競爭對手對其的應對策略。不過，受到完全信息、高市場透明度等條件的限制，競爭對手的應對策略往往會難以預測，因此經營者之間就會更傾向于以一種聯合的方式來消除這種行為的不確定性，避免激烈的價格競爭，從而就形成了價格合謀。所謂價格合謀就是指經營者通過采取激勵-懲罰政策來使其競爭對手也會制定高于競爭水平價格的行為。由于價格合謀會嚴重損害消費者利益和市場公平競爭，因此它也一直是世界各國反壟斷法規制的重點。正是基于價格合謀的違法性，現實中，價格合謀的形成往往需要借助一定的隱蔽環境。另外，由于每個經營者各自利益的不同，想要以較低的協調成本達成合謀協議還需要滿足高市場集中度等條件，而這就決定了價格合謀在現實中并不普遍。經營者之間能夠以較低的協調成本達成合謀協議，正如Stigler(1964)所指出的由于合謀者背叛動機的存在，使價格合謀具有天然的不穩定性，也會使經營者陷入降價的“囚徒困境”，而這就需要合謀者能夠及時發現競爭對手的價格背叛行為并對其進行嚴厲的懲罰來維持合謀的穩定。大數據算法的應用則可以為價格合謀提供非常便利的條件，也使得合謀價格的形成有了新的機制。Mehra(2016)的一項研究對這種合謀價格的形成過程作了一個描述，大數據算法能夠對包括競爭對手信息在內的大規模市場數據進行近乎實時的處理，同時還能夠精準地預測競爭對手的定價行為并根據預測結果自動調整定價策略，從而促進了經營者之間的價格合謀。通過這一描述可以推斷出，這種合謀價格的形成機制并不是在簡單的大數據和算法基礎上實現的。首先，需要借助數據智能采集系統將包括競爭對手數據在內的市場數據收集完備。其次，通過大數據算法對所收集的數據進行分析和挖掘以從中提取出可以利用的信息和深度知識來輔助制定定價決策。最后，還需要大數據定價算法實現深度學習或自主學習，從而使的算法可以自主地根據市場信息的變化近乎實時地作出價格調整。當市場中的主要經營者都采用這種具有深度學習或自主學習能力的大數據算法進行動態定價時，就會產生一定的合謀效果。詳細分析可知，這種以大數據算法為基礎的價格合謀有著特殊的機制。

首先，大數據算法的應用改變了壟斷協議達成的方式，保留了合謀的隱蔽性。一般來講，傳統壟斷協議的達成往往需要合謀企業通過秘密會議、郵件、電話等方式進行信息傳遞和交換，并不會對外公開，因此具有一定的隱蔽性。大數據算法的應用可以改變傳統的信息傳遞和交換方式。以信號算法為例，信號算法可以將價格信息或價格合謀要約以可解碼的編碼形式快速地進行相互傳輸和接受，而不需要人與人之間的直接溝通，這就會改變傳統壟斷協議的達成方式。更為隱蔽的是，這種價格信號并不能夠被直接“讀取”，而是需要通過企業之間相互約定的特定算法才能進行解碼。不僅如此，大數據算法的應用還可以使價格合謀的形成不再依賴經營者之間的意思聯絡和主觀合謀意愿。現如今，大數據算法已經能夠實現深度學習，可以基于所收集的市場數據，通過實時觀察、跟蹤競爭對手的行為，自動識別出競爭對手的商業敏感信息，而這一過程并不需要經營者任何的意思聯絡。隨著人工智能技術的快速發展，大數據算法將逐步由監督學習向無監督學習(自主學習)演進，當大數據算法實現了自主學習，合謀過程就可以不再依賴人為因素，甚至不需要經營者存在主觀的合謀意愿，這就會顛覆傳統壟斷協議的達成方式。與傳統的價格合謀相比，顯然這種建立在大數據算法實現自主學習基礎上的價格合謀將會更為隱蔽。

其次，大數據算法的應用弱化了市場集中度要件促進了合謀的普遍化。市場集中度一直被認為是影響價格合謀形成的重要市場結構性因素。一般來講，傳統的價格合謀只會發生在高集中度的市場中，而且并不普遍，這主要是因為當市場中經營者數量較少時，經營者之間更容易以較低的溝通協調成本確定彼此的利益共同點，更利于形成彼此相互依存的局面，從而有助于達成價格合謀。反之，當市場集中度較低、經營者數量較多時，經營者的合謀激勵將會降低，且難以確認合謀的“聚點”。大數據算法的應用則可以實現幾乎實時地對所收集的數據進行分析處理，使得即使在市場集中度較低的市場中，大數據算法也可以憑借其強大的算法處理能力在短時間內就確認達成價格合謀的共性基礎，這就大大地降低了經營者的溝通協調成本，促進了價格合謀的形成。倘若市場中的經營者都采用同一算法研發企業或平臺企業提供的同一種大數據算法來制定價格，那么價格合謀與高市場集中度這一條件的相關性將被更大程度地弱化。如表1所示，從國外目前已經出現的算法價格合謀案件來看，算法價格合謀已從旅游、航空機票銷售等市場集中度高的行業拓展到了市場集中度較低的海報、家用電器、筆記本電腦等產品的在線零售領域，合謀發生的場景范圍不斷擴大，因此這種建立在大數據算法上的價格合謀就更加具有普遍性。

最后，大數據算法的應用建立的全新的監督和懲罰機制維持了合謀的穩定性。由于企業的合謀激勵主要取決于企業遵守合謀協議的預期收益和背叛協議的預期懲罰損失之間的權衡結果，因此價格合謀的形成不僅需要在經營者之間確認“聚點”，還需要在“聚點”處尋求建立有效的監督機制和可信、嚴格的背叛懲罰機制。傳統的合謀監督機制都旨在尋求通過各種信息公開手段來提高市場透明度以及時發現合謀者的價格偏離行為，如相互監督價格或銷量、經常交流具體的企業經營信息、建立第三方監督機構等，這主要是因為在高透明度的市場中，合謀者能夠對市場信息進行充分收集，使得合謀者可以以較低成本進行相互監督，從而有助于消除企業背叛的激勵。不過，在現實中，受市場需求波動的影響，傳統的合謀監督機制也可能會失效。在市場需求不斷變化的市場中，合謀企業也會存在動態調整價格的訴求，這就使得合謀者難以準確識別出競爭對手的價格偏離行為是屬于合理的價格調整行為還是屬于合謀背叛行為，從而可能誘發價格戰，造成雙損或多損的結果，導致合謀的瓦解。大數據算法的應用不僅可以顯著提升供給側的市場透明度以及時發現價格偏離行為，還能夠對這種價格偏離行為進行精準識別。現如今，經營者可以通過智能數據采集系統將近乎完全的市場數據收集完備。當市場中的企業都利用大數據算法實時處理數據和觀察、跟蹤競爭對手的行為時，市場透明度就會進一步提高，更有利于合謀者及時發現競爭對手的價格偏離行為，而又由于大數據算法具有極強的精準預測能力，因此就可以準確地識別出這種價格偏離行為的產生是基于市場需求的波動還是合謀的背叛動機。如果合謀者的價格偏離行為是市場需求波動的正確反映，大數據算法則可以通過自動地改變決策參數，對原有的合謀價格進行動態調整，分秒之間的價格信號就能夠形成新的價格合謀，避免了因錯誤認知而引發彼此之間的價格戰，維持了合謀的穩定性。如果價格偏離行為是基于合謀的背叛動機，則可以通過大數據算法中預先設置的報復威脅機制，自動將價格立刻降低到邊際成本，從而有效地對背叛者的行為進行嚴厲反擊。與傳統的價格戰威脅不同，這種由大數據算法自動執行的嚴厲的懲罰戰略是一種非人格化的可信策略，而這就會極大地降低合謀者的背叛激勵，維持了價格合謀的穩定性。

表1 算法價格合謀案件一覽表

三、大數據算法價格合謀的類型化分析

Ezrachi和Stucke(2016)的研究首次提出了算法價格合謀的概念，認為算法價格合謀也有狹義和廣義之分。狹義上的算法價格合謀實質在無經營者參與的情況下，由大數據算法自主形成價格合謀，而廣義上的算法價格合謀泛指有算法參與的價格合謀。

由上述算法價格合謀的定義可知，大數據算法會在價格合謀的形成過程中，扮演著不同的角色，發揮著不同的作用，而這也就使得算法價格合謀會呈現出不同的表現形式，必須對其進行深入認識。

首先是信使類算法價格合謀。在此類合謀中，合謀的主導者依然是人，大數據算法只是作為執行企業高管或其代理人命令的工具，充當著“信使”的作用。根據OECD(2017)對引發合謀的大數據算法的分類可知，信使類算法價格合謀的壟斷協議達成會存在兩種方式：一種是按照傳統的溝通協調方式來達成壟斷協議；另一種則是利用信號算法來輔助企業高管或其代理人來達成壟斷協議，即當某一企業的高管或其代理人通過信號算法發出價格上漲信號或價格合謀要約時，倘若在其他競爭者作出了肯定回應或在未回應的情況下直接采取一致定價行為，那么就可視為達成了壟斷協議。

在壟斷協議達成之后，監督算法的應用也成了信使類算法價格合謀的最主要特征。事實上，所謂監督算法可以視為是一種執行壟斷協議的工具，通過算法設計者預先設置的“觸發策略”程序來對合謀者的價格背叛行為進行有效監督和嚴厲懲罰，從而維持了合謀的穩定。從目前存在的司法案例來看，信使類算法價格合謀出現的案例最多，這說明目前其已經成為算法價格合謀最主要的表現形式。

例如，在美國司法部控訴Topkins的案件中，Topkins與其他銷售招貼畫的個人和公司分別簽署了一系列協議，就特定的招貼畫進行了合謀定價，并采取了一致行動。為了有效執行這些協議，Topkins與其合謀者約定采用特定的算法來收集和交換銷售信息、監測商定價格的執行情況，而這就構成了信使類算法價格合謀。2015年，美國司法部指控Topkins違反了《謝爾曼反托拉斯法》第1條的規定，并決定給予其6～12個月的有期徒刑和20 000美元罰款的懲罰。

其次是軸輻類算法價格合謀。軸輻類算法價格合謀并不是算法價格合謀特有的形式，其在傳統的價格合謀中已有所表現。傳統的軸輻類算法價格合謀多發生在上、下游市場的經營者之間，一般是由一個上游供應商作為“軸”，通過與多個下游經銷商之間達成多個縱向協議形成“輻”，其最終目的就是要在多個下游經銷商之間達成橫向壟斷協議，進而形成封閉市場以消除市場競爭。

與之相比，輻軸類算法價格合謀是由大數據定價算法作為溝通和協調中樞的，具有競爭關系的經營者則通過采用同一算法研發企業或平臺企業(“軸”)提供的同一種大數據算法來制定市場價格。這本質上與《禁止壟斷協議暫行規定》第七條所列出的約定采用計算價格的標準公式和限制參與協議的經營者的自主定價權的壟斷協議形式相同。

在此過程中，算法研發企業或平臺企業與多個經營者之間通常會以簽訂契約的方式對采用同一種大數據算法的定價達成共識，這就形成了縱向壟斷協議(“輻”)，而經營者之間也會由于采用了同一種大數據算法定價而自動形成價格協同行為，這就具有了橫向壟斷協議效果，達成了軸輻協議。目前，在現實中，這種由大數據定價算法引起的軸輻類算法價格合謀也已經出現了司法案例。例如，在2015年的Spencer Meyer訴Travis Kalanick &Uber案中，Uber公司與每個網約車司機之間都簽訂了縱向協議，要求所有司機必須采用Uber公司設計的定價算法收取車費。在用車高峰時段，車費甚至會漲到正常水平的10倍以上，Uber公司攫取了高額利潤。然而，據調查研究顯示，如果司機們可以各自獨立定價，那么大部分司機則不會遵循Uber的定價機制，這就限制了司機之間的價格競爭，具有橫向壟斷協議效果，構成了輻軸類算法價格合謀。因此，Travis Kalanick 作為價格合謀的組織者被認為違反了《謝爾曼反托拉斯法》第1條的規定，應當承擔法律責任。

再次是預測代理人類算法價格合謀。預測代理人類算法價格合謀也被視為是軸輻類算法價格合謀發展的更高級階段，大數據算法不再是由第三方提供的，而是由企業獨立研發的。在此類合謀中，企業并不直接參與定價，而是將大數據算法作為企業的代理人，代替企業來監督市場供求的變化和競爭對手的定價行為，并通過對競爭對手定價策略的精準預測自動地對價格進行動態調整。盡管在此過程中，企業之間并不存在明確的溝通，但是由于企業深知彼此都會采用“抬高定價策略”來實現利潤最大化，因此在算法的研發和設計過程中就會有意識地將價格平行行為理念植入其中。當競爭對手都采用類似大數據算法進行定價時，就會自動形成價格合謀。雖然目前在現實中還并不存在預測代理人類算法價格合謀的司法案例，但是企業利用大數據算法進行價格跟隨行為的現象卻已經出現。

2011年4月，在美國的天價書事件中，亞馬遜平臺上的線上書商Profnath和Bordeebook利用大數據算法對一本普通的生物遺傳學教科書:分別給予了$1 730 045.91和$2 198 177.95的驚人報價。當時，業界只將其視為一個算法技術漏洞所引發的價格追隨行為不合理攀升的偶然事件，而忽略了這種算法定價對合謀的影響。事實上，當上述大數據算法“機械的”價格追隨變成“有意識”的決策定價時，就會構成預測代理人類算法價格合謀。

最后是自主學習類算法價格合謀。自主學習類算法價格合謀是最高階的價格合謀形式。在這種合謀形式下，大數據算法具備了自主學習和自主決策能力，可以自主找到優化利潤的路徑來為企業實現利潤最大化。與前三種價格合謀形式不同的是，在自主學習類算法價格合謀的整個過程中，并不存在人為因素，既不體現經營者的主觀合謀意圖，也并沒有算法程序的設計人員的任何明確的合謀指令，而是完全依靠大數據算法自主形成和實施價格合謀。不過，這種新型價格合謀的形成和實施還需要強大的人工智能技術作為支撐，就目前的技術水平而言，這種具有“上帝視角”的價格合謀也只停留在理論層面，實踐中并不存在。但是，隨著人工智能技術的不斷發展，這種新型的價格合謀很有可能成為未來的發展趨勢，也同樣應該給予關注。

表2 大數據算法及其在合謀中的作用

四、大數據算法價格合謀行為的有效規制

根據我國《反壟斷法》第十三條(一)、第十四條(一)(二)的規定，針對橫向價格合謀行為和固定轉售價格、限定轉售最低價格等縱向價格合謀行為，應該采取本身違法原則對其進行禁止，而對于滿足《反壟斷法》第十五條規定條件的壟斷協議，則應予以豁免。由于大數據算法的應用在引起價格合謀的同時，也會產生技術創新效應，因此在對算法價格合謀行為進行事后反壟斷法規制時，必須要結合算法價格合謀的具體類型和其產生的影響，采取合理原則為主，本身違法原則為輔的規制原則。然而，由于在自主學習類算法價格合謀中并不體現人為因素，這就會導致現行壟斷協議制度失效，因此可以考慮拓展共同市場支配地位制度的應用和引入事前反壟斷規制政策。

在事后反壟斷法規制方面，對于信使類算法價格合謀行為而言，由于大數據算法只是作為執行企業高管或其代理人命令的工具，故其在本質上與傳統的價格合謀并無太大差別，因此，現行的壟斷協議制度依然適用，可以在認定壟斷協議達成之后，直接根據本身違法原則對其進行禁止和懲罰。不過，在壟斷協議的認定過程中，針對利用信號算法來達成壟斷協議的場景，則還需要借助技術手段對信號算法進行審查以獲取合謀證據。對于軸輻類算法價格合謀行為而言，在一般情況下，由于存在明顯的縱向壟斷協議，因此多個競爭者之間共同采用同一個由第三方提供的定價算法完成結算交易，就可以被視為達成了具有橫向壟斷協議效果的軸輻協議。雖然軸輻協議的認定過程并不復雜，是由于軸輻類算法價格合謀行為能夠有效地推動數據共享，提升市場效率，也并不一定會損害消費者福利，因此反壟斷機關執法時就應該注重對其產生的反競爭效果進行分析，采用合理原則對其進行違法認定。倘若有證據能夠證明其具有明顯的效率效應，且符合《反壟斷法》第十五條的規定，則應免于反壟斷處罰。與前兩種價格合謀行為不同的是，預測代理人類算法價格合謀行為則屬于價格協同行為。根據《禁止壟斷協議暫行規定》第六條的規定，價格協同行為的認定核心就在于證明經營者主觀合謀意愿的存在，而認定經營者存在合意則需要先確認經營者之間存在意思聯絡。因此，意思聯絡也就成為區別價格平行行為和價格協調行為的關鍵因素。然而，在預測代理人類算法價格合謀中，經營者之間并不存在任何的意思聯絡，這不僅會導致傳統的價格協同行為的認定方法失效，也使得預測代理人類算法價格合謀與基于獨立意思表示所做出的價格跟隨等平行行為的區別更為困難。因此，必須要對經營者合意認定方法進行創新。在預測代理人類算法價格合謀中，大數據算法是由經營者獨立研發的，這就使得算法程序的設計會反應經營者的主觀意愿。換句話說，如果算法中包含了合謀動機或明顯會導致合謀效果的程序時，就可以推定經營者存在主觀合謀意愿。因此，反壟斷執法機關就可以通過對算法源代碼邏輯的審查來獲取合謀證據從而推定經營者存在主觀合謀意愿。具體而言，反壟斷執法機關可以通過對大數據算法中的價格平行程序和懲罰機制程序的審查來反向論證經營者是否存在主觀合謀意愿。倘若經營者不存在主觀合謀意愿，那么當一方實施不合理降價時，由于價格平行程序的存在，其他競爭對手的價格就應該大致下降到同一水平，而不會降低到邊際成本。反之，則可以證明經營者合意存在。在其違法認定方面，也應該堅持合理原則對其產生的競爭效果進行綜合分析，對于符合《反壟斷法》第十五條規定的條件的壟斷協議應給予豁免。與前三種算法價格合謀行為相比，自主學習類算法價格合謀的反壟斷法規制最為困難，在自主學習類算法價格合謀中，合謀的過程并無人為因素參與。雖然在現行的壟斷協議制度下無法獲取證據來證明這種合謀行為必然違法，但仍然有必要對其進行反壟斷法規制的理論探索，以明晰合謀行為的責任承擔主體和違法認定標準。在責任承擔主體方面，Gal(2018)提出算法價格合謀行為的責任承擔主體應該定為“人”，即大數據算法的設計者和使用者。事實上，無論是在強人工智能時代還是在弱人工智能時代，大數據算法都只能作為人類的工具，而應由算法的研發者和使用者承擔相應的法律責任。不過，需要注意的是，自主學習類算法價格合謀的形成是基于大數據算法的自主學習，這就會導致誘發價格合謀算法與最初算法研發者所提供的算法存在截然不同的情況，算法研發者也會以此為理由進行抗辯。為此，需要在立法層面給予充分關注以明晰相關主體在大數據算法設計和運行過程中的權利與義務。在違法認定方面，由于不存在經營者的主觀合謀意愿，這就會導致現行的壟斷協議制度失效，使得合謀無法認定。因此，可以考慮將我國《反壟斷法》第十九條所規定的共同市場支配地位制度拓展用于規制自主學習類算法價格合謀行為，不過，這還需要對共同支配地位制度進行完善。例如，增加共同實體或整體分析概念等。

在事前反壟斷政策制定方面，首先，應該強化對企業并購行為的規制。由于企業并購行為會提高市場集中度，促進默示價格合謀的產生，因此通過加強對企業并購行為進行實質審查就會有效降低市場集中度，起到預防合謀的作用。雖然我國現行的《反壟斷法》中并未明確規定具體的實質審查標準，但是根據其第二十八條的規定，可以判斷出我國企業并購的實質審查標準的確定充分借鑒了美國的經驗，采取了“排除、限制競爭效果”的標準，而這就決定了我國規制機構在對企業并購行為進行實質審查時要關注合并前后市場結構的變化是否會誘發默示合謀的產生。由于傳統的默示價格合謀多發生在雙寡頭壟斷市場中，因此規制機構的關注重點往往集中在對三寡頭合并為雙寡頭的經營者集中行為進行嚴格審查。然而，由于大數據算法的應用弱化了價格合謀形成的市場結構條件，使得算法價格合謀可以發生在多寡頭市場中，而且也更加普遍化，因此應該采取更為嚴格的企業并購審查制度，拓寬審查范圍，重視對多寡頭市場中企業并購行為的審查。其次，注重算法程序的審查。算法程序審查是指由政府監管機構通過某些技術方法對算法程序中是否涉及限制競爭效應進行審查的過程。不過，算法程序的審查還要以算法適度的透明度和可問責性為前提條件。適度提升大數據算法的透明度主要涉及算法公開的對象和透明度邊界的界定兩個問題。由于大數據算法的研發和應用會產生技術效應，而公開算法通常還會涉及企業的商業機密，因此，為達到維護市場公平競爭與激勵創新的平衡，可以要求企業僅對執法機關公開算法。關于大數據算法透明度邊界的界定，目前還并沒有統一的標準，一般來講，算法程序公開的內容應該包括：算法應用的動機、對某個對維持價格合謀具有決定性影響的變量的發布等。另外，適度提高大數據算法透明度的要求也將有利于法律責任的明確，使大數據算法也具有了一定的可問責性。事實上，算法的可問責性就是在算法決策對個人或法人產生影響時的責任明晰。具體而言，就是要圍繞定價算法決策可能產生的風險與后果，針對大數據定價算法研發和運行過程當中各方主體的責任義務進行詳細劃分和科學界定，以明晰是大數據算法的研發者還是使用者應當承擔責任。最后，創新價格規制。價格規制是政府從資源有效配置出發，對價格水平和價格體系進行規制，其主要內容是由政府設計一個定價模型來規定商品或者服務的價格，或者由政府制定一些條件和標準來引導企業定價決策合理化。傳統的價格規制方式主要包括投資回報率價格管制和價格上限管制等，都是在追求將價格恢復到合理水平，是具有不同激勵強度的成本補償機制，而這無疑會抑制大數據定價算法的應用，導致企業缺乏技術創新的動力，具有很大的局限性。另外，根據組織內合謀理論和利益集團范式下的激勵性規制理論，在傳統價格規制模式下，規制對象也很有可能為了獲得更多的信息租金，導致尋租行為的產生，從而形成監管人與代理人、委托人與代理人的合謀。因此，針對算法價格合謀行為，必須要結合具體的大數據定價算法，對價格規制的方式進行創新。大數據算法的應用使得價格的形成和調整呈現出動態化的特征，這也是算法價格合謀行為得以形成、實施和維持的關鍵。因此，政府價格規制的重點就應該強調降低動態化定價模式與價格合謀行為風險的相關性。為此，就需要結合大數據算法，創新制定一系列條件和標準以激勵企業主動調整算法程序，降低算法調整價格的速度和頻率，具體包括延長價格上漲的時滯和允許降價的實時動態調整等。