大数据市场反垄断规制的理论逻辑与基本路径*

殷继国

(华南理工大学法学院,广东广州510006)

随着互联网的普及和大数据分析技术的兴起，大数据成为一个时髦的词汇。①大数据是指在规模上超出常规数据库软件收集、存储、管理和分析能力的数据集。小数据是指单个数据。反垄断法意义上的数据是指“大数据”而非“小数据”,为了论述的方便,笔者于本文中对其不加区分。大数据有利于提高产品和服务质量，促进技术创新和提高竞争力，从而获得市场优势，同时，经营者的数据收集、处理和使用等行为可能会引发隐私保护、数据安全以及市场竞争等法律问题。

尽管理论界和实务界关注的重点是隐私保护和数据安全，但有些数据垄断案例已经引起反垄断执法机构和法院的重视。2019年7月，欧盟委员会正式启动对亚马逊使用其平台上独立零售商敏感数据的行为是否违反反垄断法的调查。②参见木青：《欧盟对亚马逊启动反垄断调查》,《环球时报》2019年7月9日,第11版。德国联邦卡特尔局对Facebook展开调查，于2019年2月裁定Facebook在收集、合并和使用用户数据时滥用了市场支配地位；③参见陈永伟：《扎克伯格的“新年礼”：Facebook遭德国反垄断机构制裁》,https：//finance.sina.com.cn/roll/2019-02-18/doc-ihrfqzka6848303.shtml,vist on 2019-2-18.在hiQ诉LinkedIn案中，美国联邦地区法院认为，LinkedIn禁止hiQ获取相关数据的行为涉嫌滥用市场支配地位，并于2017年8月发布了临时禁令；④参见曾雄：《以hiQ诉Linkedln案谈数据竞争法律问题》,《互联网天地》2017年第8期。2017年6月，谷歌利用其在搜索引擎市场获得的数据优势限制了比价购物服务市场的竞争，被欧盟委员会罚款24.2亿欧元。⑤参见刘耀华、赵淑钰：《谷歌遭欧盟巨额罚款的启示》,《中国电信业》2017年第7期。美国、欧盟、德国、法国、日本、加拿大等国家和地区的反垄断执法机构对数据垄断问题进行了探索，相继发布了《大数据：包容工具抑或排斥工具》(美国联邦贸易委员会，2015年)、《数字经济中竞争政策面临的挑战》(欧盟委员会，2015年)、《竞争法与数据》(法国竞争管理局和德国联邦卡特尔局，2016年)、《数据和竞争政策研究小组报告》(日本公正交易委员会，2017年)以及《大数据与创新：加拿大竞争政策的关键主题》(加拿大竞争局，2018年)等研究报告。⑥See European Parliament,The Challenges for Competition Policy in the Digitalised Economy(July 2015),http://www.europarl.europa.eu/RegData/etudes/STUD/2015/542235/IPOL_STU(2015)542235_EN.pdf,2018-8-18；FTC,Big Data:A Tool for Inclusion or Exclusion?(January 2016),https://www.ftc.gov/system/files/documents/reports/big-data-tool-inclusion-or-exclusion-understanding-issues/160106big-data-rpt.pdf,2018-8-18；De la Autorité concurrence&Bundeskartellamt,Competition Law and Data(May 2016),http://www.autoritedelaconcurrence.fr/doc/reportcompetitionlawanddatafinal.pdf,2018-8-18；JFTC,Report of Study Group on Data and Competition Policy(June 2017),https://www.jftc.go.jp/en/pressreleases/yearly-2017/June/170606_files/170606-4.pdf,2018-8-18；Competition Bureau Canada,Big data and innovation:key themes for competition policy in Canada,https://www.competitionbureau.gc.ca/eic/site/cb-bc.nsf/vwapj/CB-Report-BigData-Eng.pdf/$file/CB-Report-BigData-Eng.pdf,vist on 2018-8-18.

在我国，携程收购艺龙案和滴滴收购优步中国案是大数据市场的典型垄断案例，这两个案例凸显了数据垄断案件的复杂性以及大数据市场反垄断执法面临的挑战，引起专家学者对数据垄断的热议。2019年5月，中国人民大学未来法治研究院发布了《互联网平台新型垄断行为的法律规制研究》，这是国内首份数据垄断研究报告。从国内的研究成果看，学者们似乎忽略了一个国外讨论激烈却没有得出一致结论的话题，即大数据市场要不要反垄断。对这一话题，国外理论界和实务界存在两种截然相反的观点：反对说和肯定说。持反对说者认为大数据市场的进入壁垒很低，大数据市场并不存在垄断问题，反垄断规制缺乏存在的基础；⑦See Darren S.Tucker,Hill B.Wellford,Big Mistakes Regarding Big Data,Antitrust Source,December 1,2014；Joe Kennedy,The Myth of Data Monopoly:Why Antitrust Concerns About Data Are Overblown,http://www2.itif.org/2017-data-competition.pdf,vist on 2018-9-6.持肯定说者认为，数据是经营者市场力量的重要来源，经营者可以运用大数据排除、限制市场竞争，因而大数据市场的反垄断规制不可或缺。⑧See Daniel L.Rubinfeld,Michal S.Gal,Access Barriers to Big Data,Arizona Law Review,VOL.59:339,2017；Robert Mahnke,Big Data as a Barrier to Entry,Antitrust Chronicle,Competition Policy International,VOL.5,2015；Allen P.Grunes,Maurice E.Stucke,No Mistake A-bout it:The Important Role of Antitrust in the Era of Big Data,Antitrust Source,April 28,2015.理论研究上无法获得明确而又统一的结论，在一定程度上影响了各个国家大数据市场的反垄断执法和司法。为厘清上述争议，笔者于本文中拟从大数据的内在属性和大数据市场竞争现状出发，论证大数据市场反垄断规制的内在逻辑和外在法律价值，并在此基础上提出大数据市场反垄断规制的基本路径。

一、大数据市场反垄断规制的内在逻辑

国际数据公司(IDC)归纳了大数据的“4V”特征，即规模性(Volume)、快速性(Velocity)、多样性(Variety)和价值性(Value)。⑨See J.F.Gantz,D.Reinsel,the 2011 Digital Universe Study:Extracting Value from Chaos,http://www.emc.com/collateral/demos/microsites/emc-digital-universe-2011/index.htm,vist on 2018-8-19.也有学者提出“6V”特征，即数据除上述特征外，还有准确性(Veracity)和有效性(Validation)的特征。⑩See Vicente Bagnoli,the Big Data Relevant Market,Concorrenza e Mercato,VOL.23,2016.要厘清“大数据市场要不要反垄断”这一问题的内在根据，应当以大数据的内在属性以及大数据市场的竞争状况为客观基础。

(一)一定程度的排他性是数据的实然属性

从广义上讲，数据是指以数字、图形、图像、录音等形式表达的客观事实，是信息的表现形式。关于数据的财产属性，有学者主张数据没有特定性、独立性，不属于无形物，也不宜将其独立视作财产；参见梅夏英：《数据的法律属性及其民法定位》,《中国社会科学》2016年第9期。主流观点认为，数据具有民事权利客体要求的独立性和财产性，应属无形财产的范畴。参见程啸：《论大数据时代的个人数据权利》,《中国社会科学》2018年第3期；雷振文：《数据财产权构建的基本维度》,《中国社会科学报》2018年5月16日；王广震：《大数据的法律性质探析——以知识产权法为研究进路》,《重庆邮电大学学报(社会科学版)》2017年第4期。作为无形财产的数据，具有可复制性特征，且复制具有零损耗和成本低廉的特点。由此观之，除受保护的数据外，同一个数据可以被若干经营者同时收集或使用，而不会损耗其价值。因此，数据具有非竞争性的特征，这一特征使数据的价值不再受限唯一用途，其成为“取之不尽、用之不竭”的“新能源”。

对于数据是否具有排他性，学者们争论较为激烈。主流观点认为，经营者对数据的收集和使用，并不影响或阻碍其他经营者收集和使用该数据，数据具有非排他性特征。如程啸教授认为：“作为无形物的数据，不可能被某一特定主体独占，具有非独占性或共享性的特点。”同 上注,程啸文。比利时的安德里亚·伦达研究员认为：“主导网络服务提供商对用户数据没有明确的或事实上的排他性，与用户签订的服务合同并没有排他性条款，也不存在结构性障碍(价格或其他)限制用户只能为一个网络服务商提供数据。”Andrea Renda,Searching for Harm or Harming Search?A Look at the European Commission’s Antitrust Investigation against Google(CEPS Special Report No.118/2015),https://core.ac.uk/download/pdf/54549156.pdf,vist on 2018-8-1.基于数据非竞争性和非排他性的认识，这些学者得出结论，数据几乎没有竞争意义，不能成为经营者市场力量的来源，因而数据市场不存在垄断行为。另有学者认为，数据具有非竞争性，也具有一定程度的排他性，这种排他性会被主导经营者利用，进而实施排除、限制竞争行为。格鲁内斯和斯图克教授认为：“当数据驱动型企业为了收集、存储和分析数据付出了巨大的成本，它们可能有强烈的动机限制竞争对手访问和获取这些数据集，阻止其他企业共享数据集。”Allen P.Grunes,Maurice E.Stucke,No Mistake About it:The Important Role of Antitrust in the Era of Big Data,Antitrust Source,April 28,2015.

从实然状态看，数据确实具有一定程度的排他性。首先，主张数据非排他性的学者主要是从数据客观存在且复制成本低廉的应然属性出发的，然而在实然层面，数据的这一属性往往被数据所有者或控制者人为扭曲，设置各种壁垒阻碍其他经营者收集同样或类似数据。正如日本公正交易委员会所指出的，数据所有者有权行使管理权，可以选择不披露数据，也可以选择向特定或不特定的人披露数据。See Japan Fair Trade Commission Competition Policy Research Center,Report of Study Group on Data and Competition Policy(June 6,2017),https://www.jftc.go.jp/en/pressreleases/yearly-2017/June/170606_files/170606-4.pdf,vist on 2018-7-10.其次，用户在网络平台自愿提交的数据(自愿数据)和在网络上留下的痕迹数据(观测数据)都属于原始数据，原始数据虽不会出现供给不足，但若数据具有非排他性，经营者不会花费巨大成本对原始数据进行整理分析形成新数据(推断数据)，但现实却恰恰相反。再次，根据供求规律，商品价值与稀缺程度紧密相关，数据价值会随着持有人的增加而递减，即存在数据价值递减规律。因此，大数据市场的经营者基于自身利益考虑，可能通过独家控制数据、签订排他性协议阻止其他经营者收集相同或类似数据以及通过技术壁垒实现数据的排他性。因而有学者认为：“数据并不是纯粹的公共物品，因为个人或公司可以排除数据的使用；对公司特别相关的数据，由收集数据的公司独家控制。”Nils-Peter Schepp,Achim Wambach,On Big Data and Its Relevance for Market Power Assessment,Journal of European Competition Law&Practice,No.1,VOL.7,2016.

通常而言，数据的排他性程度因数据类型的不同而有所差异。来自用户的第一方数据排他性较低，来自于合作伙伴的第二方数据有可能会因为数据经营者与合作伙伴的协议安排具有排他性。据报道，2018年谷歌向苹果公司支付了90亿美元作为继续在苹果Safari浏览器、Siri和其他苹果设备上的内置搜索引擎的对价。《谷歌将向苹果支付90亿美元保持默认搜索引擎地位》,http://www.sohu.com/a/257310049_162522,2018年1月3日访问。通过这种协议安排，谷歌在一定程度上阻止了竞争对手从苹果用户获得相同或类似的数据。来自于数据经纪商的第三方数据也可能会因为隐私保护规则和排他性合同而具有排他性。由此可见，“在第三方数据市场，占主导地位的公司可能会像其他任何市场一样从事排他性行为”。Jay Modrall,Antitrust Risks and Big Data(November,2017),https://ssrn.com/abstract=3059598,vist on 2018-9-20.

综上所述，数据具有非竞争性和一定程度的排他性，经营者可以利用数据的排他性，运用合法或非法的手段在大数据市场获得或维持支配地位。经营者通过合法的手段获得市场支配地位本身并不违法，若经营者在获取市场支配地位过程中，通过签订排他性协议等非法方式阻止其他经营者收集相同或类似数据的行为限制了数据的正常流通与共享，对于这种企图垄断的行为，根据美国《谢尔曼法》的规定，也应被认定违法。美国《谢尔曼法》禁止企业单方企图垄断的行为,即使用非法手段获取或维持垄断势力。See Competition Rules for the 21th Century:Principles from America's Experience,KyP.Ewing,Kluwer Law International,first published 2003,p46.经营者获得市场支配地位后，如果实施独家控制数据、阻止竞争对手实现规模经济的排他性行为、阻止用户数据可移植权利的实现等行为，属于滥用大数据市场支配地位的行为。对于经营者可能会利用数据的排他性属性实施企图垄断或滥用市场支配地位的行为，反垄断法不应该放弃对其进行规制。

(二)数据之间的差异性削弱了数据的多样性价值

大数据的“大”体现在多个方面。第一，数据类型多样。其包括结构化数据、半结构化数据和非结构化数据，具体包括图片数据、视频数据、语音数据、文字数据以及网络浏览数据等。第二，数据来源多元。数据来源于个人、企业和公共部门，涵盖了大数据来源的各个方面；即使只是个人数据，也包括搜索数据、网页浏览数据、购物数据、聊天数据以及来源于网络社交平台的个人信息数据、好友数据、偏好数据等等。

与数据多样性相关的是数据的互补性和替代性。某些情况下，不同类型的数据和不同来源的数据可以相互替代和补充。例如，有关搜索行为的数据可部分替代购买习惯的数据，同时，这两类数据相互补充可提高营销的精准度。在Facebook收购WhatsApp案中，欧盟委员会根据数据的多样性和替代性得出结论：“此次合并不会为合并各方提供独特的、不可复制的优势，因为竞争对手将能够以其他方式获得大量的数据或数据分析服务，譬如从数据经纪商或数据分析服务商手上购买，或自己收集和分析数据。”Eleonora Ocello,Cristina Sjödin,and Anatoly Suboĉs,What’s Up with Merger Control in the Digital Sector?Lessons from the Facebook/WhatsApp EU Merger Case,Competition merger brief,No.1,2015.基于数据多样性的认识，部分学者主张占据主导地位的经营者难以对其他经营者的数据行为施加有效限制，数据市场处于有效竞争状态，反垄断法规制属于“无源之水、无本之木”。See Andres V.Lerner,The Role of“Big Data” in Online Platform Competition(August 2014),http://ssrn.com/abstract=2482780,vist on 2018-10-2；Daniel O’Connor,Is Big Data an Entry Barrier?What Tinder Can Tell Us(April 2015),http://www.project-disco.org/competition/040215-big-data-entry-barrier-tindercan-tell-us,vist on 2018-10-2.

然而，数据不仅具有多样性特征，不同数据的质量和价值也具有差异性，高质量的数据才能给经营者带来更大的经济价值。一般认为，数据质量评价标准主要归结为可用性和可靠性两个方面。首先，数据的可用性主要强调数据的相关性和时效性。对特定经营者而言，它所需要的数据应该与其经营业务相关，相关性越强，数据质量越高。“对一个平台最有用的数据可能对另一个平台无用；某些类型数据的相关性在不同的商业模式之间可能会有所不同。对数据而言，不存在单一产品的市场，因为许多数据无法替代其他数据。”Nils-Peter Schepp,Achim Wambach,On Big Data and Its Relevance for Market Power Assessment,Journal of European Competition Law&Practice,No.1,VOL.7,2016.不同数据的时效性也有差别，时效性不同的数据，其质量也有高低之分。第一方数据比第三方数据的时效性更强，因而数据质量也更高。其次，数据的可靠性主要强调数据是否客观、准确、一致和完整。一致性要求不同来源的数据能够相互印证，完整性则是从数据广度和深度所做的要求。对于经营者来说，经济实力更雄厚，在数据行业越持久，其收集的数据可靠性越高。因此，不同经营者收集的数据质量存在差异是普遍现象，由此导致新进入者与主导经营者提供产品或服务的质量也存在较大差距，新进入者对主导经营者的竞争约束就会减弱。

数据质量的差异性导致数据价值高低有别。根据价值程度的不同，数据可以分为关键数据和一般数据。根据反垄断法的核心设施理论，关键数据对相关市场的经营者具有唯一性和不可替代性，关键数据将赋予经营者独特的市场优势。同时，关键数据具有稀缺性，对于无法获得关键数据的经营者而言，其提供的产品或服务的价值就无法与获得关键数据的主导经营者相媲美，数据相关市场有可能被主导经营者垄断。关键数据可能引发的反垄断问题已经引发了国外理论界和实务界的担忧。“一个显而易见的担忧是，一家占主导地位的公司将阻止其竞争对手及时获得关键数据。”Maurice E.Stucke,Allen P.Grunes,Big Data and Competition Policy,Oxford University Press,2016,P.9.在Google收购ITA案中，美国司法部表达了这种担忧，“谷歌在合并后通过独家经营，限制了竞争对手获取航空公司座位和预定等级的数据”。United States v Google Inc and ITA Inc,Case No 1:11-cv-00688(US District Court for the District of Columbia,4/8/2011),Competitive Impact Statement.

尽管数据的多样性、互补性和替代性能够在一定程度上减轻数据被主导经营者垄断的可能性，但数据质量和价值的差异性以及关键数据的稀缺性，可能助长主导经营者的市场力量。拥有市场支配地位的经营者，在追求自我利益最大化过程中，可能会实施违法垄断行为。

(三)高昂的收集成本降低了数据的可获得性

从应然角度看，数据无处不在，类型多样，来源多元，易于收集，因而数据的可获得性高。反对对数据市场反垄断规制的学者认为，即使主导经营者控制了大量数据，也不会降低数据的可获得性，新进入者依然可以自己获取所需要的数据，数据市场的竞争依然是充分的。Carl Shapiro&Hal R.Varian,Information Rules:A Strategic Guide to the Network Economy,Harvard Business School Press,1999,p.24；Anja Lambrecht&Catherine Tucker,Can Big Data Protect a Firm from Competition?(2015,working paper),https://ssrn.com/abstract=2705530,vist on 2018-12-20；Joe Kennedy,The Myth of Data Monopoly:Why Antitrust Concerns about Data are Overblown,http://www2.itif.org/2017-data-competition.pdf,vist on 2018-9-6.

通常而言，数据质量和价值呈现出随着时间推移而价值递减的规律。对决策者而言，有价值的往往是最新的数据。数据库专家洛克伍德·里昂指出：“数据的使用寿命有限——旧数据不如新数据有价值，而且随着时间的推移，数据的价值会大大降低。”Lockwood Lyon,the End of Big Data,Database Journal,May 16,2016.尽管主导经营者控制着海量数据，但其中大部分数据都属于时效性弱的旧数据，数据赋予的任何竞争优势都是转瞬即逝的，“在新数据收集和分析方面，新进入者不太可能比主导经营者处于明显的劣势”。Lesley Chiou,Catherine Tucker,Search Engines and Data Retention:Implications for Privacy and Antitrust(September,2017).NBERWorking Paper No.23815,https://www.nber.org/papers/w23815,vist on 2018-10-10.从理论上看，数据的时效性可能会在一定程度上削弱主导经营者的优势地位。

然而，在现实世界，有多种因素可以阻碍经营者尤其是新进入者获得足够数据，其中一个因素是数据收集成本高昂。数据驱动型行业属于资本密集型行业，高昂的数据收集成本已得到了实务界的普遍证实。在TomTom收购Tele Atlas案中，欧盟委员会认为：“虽然可以通过收集各种公共数据，可以相对迅速且以有限的费用为许多地区编制基本的数字地图数据库，但编制一个可导航的数字地图数据库的费用高昂且资源密集。”TomTom/Tele Atlas(Case No Comp/M.4854),Commission Decision of 14/05/2008,C(2008)1859.

新进入者的数据收集成本主要体现在两个方面。第一，数据驱动型行业采取用户创造价值的商业模式，为了吸引足够的用户，新进入者通常需要搭建一个为用户提供免费或低收费服务的平台，因而需要在服务器、人力资源、宣传推广以及维持平台运行等方面进行大量投资。正如格鲁内斯和斯图克教授所言：“如果个人数据可以像阳光一样免费获取，公司就不会花费大量的资金提供免费服务来获取和分析数据，以保持与数据相关的竞争优势。”Allen P.Grunes,Maurice E.Stucke,No Mistake About It:The Important Role of Antitrust in the Era of Big Data,Antitrust Source,April 28,2015.第二，新进入者需要在数据收集、存储、分析、使用以及开发算法、建设数据中心等方面进行高额投入。在搜索引擎领域，美国微软公司曾于2010年投入了45亿美元为必应搜索开发算法，随后每年都投入了巨额资金用于数据收集和算法，但依然无法撼动谷歌的市场支配地位。

当然，新进入者可以通过向数据经纪商购买第三方数据的方式降低数据收集成本。不过，对新进入者来说，购买第三方数据并不是特别可取的一条途径。首先，第三方数据往往存在一些缺陷，数据质量、相关性、时效性等方面不如第一方数据。其次，数据控制者基于成本收益的考虑有可能不愿意将数据出售给经纪商，导致经纪商手上的数据资源有限。“数据的创造者和控制者不一定有分享数据的动机。一个原因是，数据共享的成本被认为高于共享的预期私人收益。”OECD,Data-driven Innovation for Growth and Well-being:Interim Synthesis Report(Oct.2014),http://www.oecd.org/sti/inno/data-driven-innovation-interim-synthesis.pdf,vist on 2018-10-14。最后，因隐私保护规则的限制，第三方数据的内容及其流通也会受限。事实上，数据越敏感，越不可能被数据经纪商收集、整理和出售；即使对数据进行脱敏处理，数据价值也大打折扣。因此，第三方数据的先天缺陷决定了新进入者不能完全依赖第三方数据，依然需要在获取第一方数据上进行大量投资。

大数据市场的成本结构有两个重要特征：高昂的前期沉没成本；接近于零的边际成本。对于新进入者而言，高昂的前期沉没成本构成了重要的进入壁垒，限制了大量的新进入者和潜在的进入者，即使有经营者能够进入数据市场，也难以与主导经营者开展有效竞争。虽然近年来云计算、云存储等先进技术的开发应用，使进入者可以通过将固定成本转化为可变成本的方式，在一定程度上降低高昂的前期沉没成本带来的限制，但这些变化依然不足以改变新进入者在主导经营者面前的弱势地位。

概言之，数据的可获得性和时效性不足以削弱高昂的数据收集成本给新进入者和潜在进入者带来的进入壁垒。法国竞争当局与德国卡特尔局在《竞争法与数据》的报告中指出：“尽管数据本身是非竞争性的，但获取这些数据的成本高得令人望而却步，因此，独家访问这些数据被视为一种重要的竞争优势。”Bruno Lasserre,Andreas Mundt,Competition Law and Big Data:the Enforcers’View,Italian Antitrust Review,(1),2017,P.91.主导经营者利用自己收集数据的能力和优势，可以获得更高的收入用于开发新算法，提供新产品或服务，吸引更多的用户和获取更多的数据，从而最终垄断了数据相关市场，为进一步实施违法垄断行为提供了前提性条件。

(四)锁定效应和转换成本阻碍了用户的多归属和数据的可携带

用户可以使用多个网络服务提供商获得相同或类似的服务，这被称为用户的多归属性。用户的多归属性可以产生分散效应，降低用户对主导经营者的依赖，新进入者可以较为顺利地进入市场并吸引用户，在一定程度上避免单归属下可能出现的垄断问题，进而促进了市场竞争。对于大数据经营者而言，用户的多归属性会造成用户流失，为了维持自身的竞争优势，其通常会采取会员制、积分制等差异化策略或者排他性策略弱化甚至消除多归属性。对于用户而言，基于多归属的成本以及技术兼容性等因素，其即使会选择几家经营者，通常也会以其中一家作为主要的服务提供者。

数据易于流通、复制、删除和存储，数据的可携带性源于数据的这些特征。数据的可携带性有利于提高数据的流通性，最大程度发挥数据的价值；对于新进入者而言，数据的可携带性进一步降低了其收集数据的难度和成本，增强市场竞争力，对主导经营者产生了竞争约束。欧盟在2018年5月生效的《一般数据保护条例》第20条中对个人数据可携带权做出了明确规定。尽管其立法目的是为了促进数据市场的竞争，但该权利也是一柄双刃剑，无论是主导经营者还是新进入者，只要数据主体提出携带数据的要求，都需要承担协助数据转移的义务。尤其是当新进入者没有足够吸引用户的产品或服务时，数据的可携带权甚至会产生反竞争效应。此外，数据软件的互操作性问题、数据携带的效率以及携带成本也会在一定程度上阻碍个人数据的流通，并且，统一数据格式、编写互操作性的软件代码甚至有可能抑制创新。

在大数据时代，用户不仅具有多归属性，用户还可能因为路径依赖而被锁定，锁定效应是数据市场的竞争特性之一。“严格的来讲，鉴于产品或服务差异造成消费者选择上的偏好，任何产品或服务都具有锁定效应。”曾晶：《互联网产品的竞争特性及相关市场的界定》,《湘潭大学学报(哲学社会科学版)》2015年第3期。在大数据市场，以下因素会产生用户锁定效应。第一，大数据经营者通常会采取差异化策略，如通过提供个性化的产品或服务，尽可能满足不同用户群体的需求，最终锁定用户。第二，由于产品和服务标准不兼容，用户更换新的网络服务提供者会存在使用习惯以及沉没成本高的问题，使用习惯会导致主动锁定，沉没成本会导致被动锁定。第三，用户粘性。用户的规模越大、提供的增值服务越多、用户参与频率越高，用户粘性就越强；用户粘性越强，用户锁定效应就越明显。在大数据市场，消费者被锁定后，他们将继续为垄断者而不是竞争者提供数据，主导经营者的市场支配地位更加稳固。正如经济与合作组织(OECD)所预测的，“大数据经济学有利于市场集中度和市场主导地位，数据驱动型市场会导致‘赢者通吃’的结果”。OECD,Data-driven Innovation for Growth and Well-being:Interim Synthesis Report(Oct.2014),http://www.oecd.org/sti/inno/data-driven-innovation-interim-synthesis.pdf,vist on 2018-10-14.在德国Facebook案中，德国联邦卡特尔局经过初步调查，难以发现用户多归属性所产生的分散效应，因为锁定效应导致竞争对手无法获得与Facebook相媲美的数据资源。See Bundeskartellamt,Background information on the Facebook proceeding,https://www.bundeskartellamt.de/SharedDocs/Publikation/EN/Diskussions_Hintergrundpapiere/2017/Hintergrundpapier_Facebook.pdf?__blob=publicationFile&v=6,vist on 2018-12-22.

除了锁定效应阻碍数据的可携带，高昂的转换成本也是重要原因。用户的转换成本由用户在前一经营者上投入的沉没成本和转换至新经营者所付出的成本构成，成本内容包括货币成本、时间成本、技术成本以及机会成本等。如果用户在网络平台上投入了大量的时间和精力，有大量的好友以及频繁更新的照片、视频和文字作品等内容，用户数据携带的现实可能性会随着用户投入的增加而降低，当用户转换成本高到足以阻止用户产生携带数据的意愿时，用户就会被牢牢锁定。斯图克和格鲁内斯认为：“随着转换产品和服务所需时间和成本的增加，消费者被锁定的程度越大，竞争对手就越难吸引用户并实现规模。”Maurice E.Stucke,Allen P.Grunes,Big Data and Competition Policy,Oxford University Press,2016,pp.291-292.鉴于用户的使用习惯、网络效应以及平台声誉等因素对用户带来的影响，用户实际的转换成本可能会高于那些明显被感知的成本。对网络平台经营者而言，用户数据是其获取广告收入的主要途径，经营者在用户数据的收集、分析等方面投入了大量的资金，他们也有动力来阻止用户数据的携带，由此可能引发数据流通问题以及大数据市场的自由、公平竞争问题。

(五)网络效应提高了数据市场的进入壁垒

在大数据市场，反对反垄断规制的学者认为，基于数据的规模以及可获得性，“数据驱动型市场通常以低进入壁垒为特征，这表现在创新型挑战者迅速崛起，取代了拥有比自己多得多数据资源的老牌经营者”。Darren S.Tucker,Hill B.Wellford,Big Mistakes Regarding Big Data,Antitrust Source,December 2014.譬如，在短短十年左右的时间里，社交网络领域的主导经营者，由最初的Friendster，很快被Myspace取代，之后Myspace又几乎已经被Facebook完全取代。此外，数据并不是新进入者进入市场所需要的关键资源，只要有好的创意和创新性产品，新进入者依然可以快速进入市场并与在位经营者开展竞争。“作为大多数在线服务的起点，几乎不需要用户数据。相反，公司可能会引进创新的新产品，巧妙地满足客户的需求，并迅速地从用户那里收集数据，然后可以进一步的改进产品并取得成功。因此，在数据收集或分析方面，新进入者不太可能比现有者处于明显的竞争劣势。”Darren S.Tucker,Hill B.Wellford,Big Mistakes Regarding Big Data,Antitrust Source,December 2014.

根据产业组织学派的研究，市场进入壁垒通常来源于绝对的成本优势、规模经济性、产品差别化、必要资本需要量与资本成本等。参见李太勇：《进入壁垒理论评述》,《经济学动态》1998年第12期；李世英：《市场进入壁垒问题研究综述》,《开发研究》2005年第4期。如前所述，成本因素、产品差别化是构成大数据市场进入壁垒的重要因素。关于数据驱动的网络效应能否构成市场进入壁垒，支持者认为，网络效应并不总是对消费者不利，但在某些情况下，网络效应会使某些公司主宰整个行业。Maurice E.Stucke and Allen P.Grunes,Big Data and Competition Policy,Oxford University Press,2016,pp.6～7.在Bazaarvoice收购PowerReviews案中，法院认为，该公司“利用客户群数据”的能力是进入市场的一个关键障碍。United States v.Bazaarvoice,Inc.,Case No.13-cv-00133,2014 WL 203966,at*50(N.D.Cal.Jan.21,2014).反对者认为，数据驱动型市场的典型特征是低进入壁垒，即便是在社交网络和即时通讯等直接网络效应显著的领域，创新也足以颠覆市场，而网络效应一次又一次被证明不足以阻止新进入者打破已确立的市场主导地位。See Darren S.Tucker,Hill B.Wellford,Big Mistakes Regarding Big Data,Antitrust Source,December 2014；D.Daniel Sokol,Roisin Comerford,Antitrust and Regulating Big Data,George Mason Law Review,VOL.23:5,pp.1148～1149.

然而，即使创新能颠覆市场，也不能否定网络效应在进入壁垒中的重要作用。

一方面，在大数据市场，网络效应提高市场进入门槛的作用非常显著。数据驱动的网络效应可以通过用户反馈循环(user feed-back loop)和货币化反馈循环(monetization feedback loop)予以实现。有学者将这两个概念翻译成“用户反馈回路”和“货币化反馈回路”。参见贾晓燕、封延会：《网络平台行为的垄断性研究——基于大数据的使用展开》,《科技与法律》2018年第4期。用户反馈循环是拥有大量用户的经营者能够收集更多的数据以提高服务质量，进而吸引更多的新用户。货币化反馈循环是经营者可以通过收集用户数据来提高广告的精准度以及服务的货币化水平，获得更多的资金用于提高服务质量，并收集更多的用户数据。See OECD,Big Data:Bringing Competition Policy to the Digital Era--Background note by the Secretariat(November 2016),https://one.oecd.org/document/DAF/COMP(2016)14/en/pdf,vist on 2018-8-28.在反馈循环的作用机制下，主导经营者将在用户数量、资金实力和市场地位等方面进一步拉开与新进入者的距离，用户更加依赖主导经营者，进而有助于主导经营者实现规模经济效应。

另一方面，从来源看，数据驱动的网络效应可能来源于直接网络效应、涉及数据规模的网络效应、涉及数据范围的网络效应以及间接网络效应四个方面。随着用户数量的增多，用户收益也会增加，用户之间的相互依赖程度和锁定效应也会增强，这就是直接网络效应的结果。在德国的Facebook案中，德国联邦卡特尔局认为：“直接的网络效应会导致规模经济，进而导致成本节约，这使Facebook在战略决策方面比竞争对手拥有更大的范围。”See Bundeskartellamt,Background information on the Facebook proceeding,https://www.bundeskartellamt.de/SharedDocs/Publikation/EN/Diskussions_Hintergrundpapiere/2017/Hintergrundpapier_Facebook.pdf?__blob=publicationFile&v=6,vist on 2018-11-22.涉及数据规模的网络效应，是随着提供数据的用户越多，数据的规模越大，算法结果也会越准确，经营者能进一步提高产品和服务质量，进而吸引更多的用户提供更多的数据。此外，经营者还可享受数据范围带来的网络效应，数据来源越多样，数据的广度和深度越高，同样能让经营者提高产品和服务的质量。随着产品和服务质量的提高，经营者能够吸引更多的用户(用户反馈循环)，进而吸引更多的广告商投放广告并获得更多的广告收入(货币化反馈循环)，用户反馈循环和货币化反馈循环相互影响、相互促进，这是间接网络效应带来的结果。

由此可见，数据驱动的网络效应有助于建立、维持或强化主导经营者的市场地位，潜在进入者和新进入者进入相关市场的难度将大大提高。对于新进入者而言，网络效应可能成为一道难以逾越的市场进入壁垒。并且，“超级平台越大，基于数据驱动的网络效应越大，竞争对手取代它的难度就越高”。[ 英 ]阿里尔·扎拉奇、[美]莫里斯·E.斯图克：《算法的陷阱：超级平台、算法垄断与场景欺骗》,余潇译,中信出版集团股份有限公司2018年版,第226页。除了网络效应，收集大量数据、使用人工智能等新兴技术、能吸引更多的用户以及网络效应的扩展所引起的产品功能的改进可能导致更强大的规模经济和范围经济，这将使得数据市场的新进入者变得更加困难。See Japan Fair Trade Commission Competition Policy Research Center,Report of Study Group on Data and Competition Policy(June 6,2017),https://www.jftc.go.jp/en/pressreleases/yearly-2017/June/170606_files/170606-4.pdf,vist on 2018-12-3.

综上所述，现实中数据一定程度的排他性、质量和价值的差异性、高昂的收集成本、锁定效应和转换成本以及网络效应等实然属性均会提高大数据市场的进入壁垒，主导经营者所拥有的数据优势，是其获得市场力量的重要来源。大数据作为数据驱动型产业的重要战略资源，经营者可能采取阻碍数据正常流通与共享的行为排除、限制市场竞争，譬如签订数据垄断协议的方式排除其他经营者获取相同或相似的数据，或采取垄断高价出售数据产品、拒绝数据共享、独家控制数据、阻止用户数据可移植权利的实现等滥用市场支配地位的行为，抑或通过经营者集中的方式控制相关市场的数据资源，阻碍数据市场的有效竞争。与此同时，数据垄断的复杂性、隐蔽性使得数据垄断可能会比传统垄断更具危害性。因此，数据经营者的行为不应游离于反垄断法的规制范围之外，大数据市场的反垄断并不是一个虚妄的概念。

二、大数据市场反垄断规制的外在价值

互联网市场的竞争，已经从“流量为王”发展到了“数据为王”。在“数据为王”的时代，数据失控现象凸显，引发了数据隐私、数据歧视、数据公平、数据效率等问题，对公平、效率、正义等法律价值造成了一定的冲击，对大数据市场进行反垄断规制有助于实现上述法律价值。

(一)数据效率与数据创新价值

关于创新与反垄断规制的关系，学术界历来众说纷纭。有一种观点认为，创新总有意想不到的来源，因担心下一个竞争威胁，垄断者也需要不断创新，以维持自身的垄断地位，因而反垄断法不需要对快速发展的市场进行规制。See Maurice E.Stucke and Allen P.Grunes,Big Data and Competition Policy,Oxford University Press,2016,P.280.甚至，还有人担心反垄断规制可能危及新产品和服务的创新。See Maureen K.Ohlhausen,Alexander P.Okuliar,Competition,Consumer Protection,and the Right[Approach]to Privacy,Antitrust Law Journal,No.1,VOL.80,(2015).在大数据市场的反垄断案件尤其是涉及经营者集中的案件中，数据创新和数据效率往往成为集中各方要求反垄断执法机构允许集中的重要理由。经营者认为，数据驱动型企业合并可以产生动态效率，随着数据的累积，经营者会提高产品和服务的质量，不断推出新产品和新服务，这将大大增加消费者的剩余。经营者的上述抗辩也得到了部分人的认同，“对一些人而言，令人不寒而栗的创新被视为政府干预引起的‘末日四骑士’之一，反垄断诉讼被告只要能够从其反竞争行为中证明了任何效率，就能够获得胜诉”。Maurice E.Stucke and Allen P.Grunes,Big Data and Competition Policy,Oxford University Press,2016,p.278.例如，在2010年美国司法部调查微软和雅虎在搜索业务上的合并时，司法部接受了双方关于数据效率的观点，认为该项合并在增加数据访问上有利于竞争，微软因此能够提供更好的搜索产品和服务。U.S.Department of Justice,Statement of the Department of Justice Antitrust Division on its Decision to Close Its Investigation of the Internet Search and Paid Search Advertising Agreement Between Microsoft Corporation and Yahoo!Inc.(Feb.18,2010),http://www.justice.gov/opa/pr/statement-department-justice-antitrust-division-its-decision-close-its-investigation-internet,vist on 2018-12-2.然而，在Bazaarvoice收购PowerReviews案中，合并双方虽然提出了数据效率和数据创新抗辩，但美国司法部和加利福尼亚北区联邦地区法院均否决了双方的抗辩事由，因为缺乏证据表明这项合并将导致产品的改进、更低的价格或者更大的创新。United States v.Bazaarvoice,Inc.,Case No.13-cv-00133,2014 WL 203966,at*62-64(N.D.Cal.Jan.8,2014).

一般认为，尽管垄断企业自身也会进行创新，但这种创新是有限的，垄断行为的长期后果是通过阻碍破坏性创新者或者颠覆性创新者的出现，进而抑制了整个行业甚至整个社会的创新；只有当竞争非常充分时，潜在经营者的进入、在位经营者的扩张甚至随机事件才有可能促进重大的创新。贝克教授指出：“垄断促进创新激励的主张忽视了更充分的竞争是提高创新激励的重要途径。”Jonathan B.Baker,Taking the Error Out of“Error Cost” Analysis,80 Antitrust Law Journal,1(2015).此外，尽管垄断企业可以通过规模经济和范围经济促进经济效率的提高，但这种效率仅仅是垄断企业的个体效率，并非社会效率的提高。

数据是经营者进行技术创新和提高经济效率的重要来源，而大数据市场存在较高的进入壁垒，海量、高质量的数据往往掌握在主导经营者手中，对于新进入者和潜在的进入者而言，由于缺乏高质量的数据，创新和效率往往无从谈起。因此，需要运用反垄断法，对主导经营者的违法垄断行为进行规制，强制主导经营者进行适度的数据共享，以提高数据驱动型效率和促进数据驱动型创新。有学者担心，“强制共享数据可能会影响数据控制者的创新，因为由于被迫与竞争对手分享数据集而不允许控制者从数据投资中获益，经营者就没有理由投资大数据资产”。Jere Lehtioksa,Big Data as an Essential Facility:the Possible Implications for Data Privacy,Master’s thesis of University of Helsinki,March 2018.这种担心有一定的道理，但强制数据共享并不一定会对社会创新产生负面影响，关键是要把握好数据共享的尺度，并且，当存在数据进入壁垒的情况下，强制共享数据反而有利于整个社会的创新。此外，大数据及其量化分析还能给经营者带来显而易见的经济效率，经营者能够做出更科学的决策，提供更精准和个性化的产品或服务，并能降低生产经营成本，但前提是数据不能仅仅掌握在主导经营者手中。概言之，反垄断执法机构需要在数据共享与数据专享之间进行适度平衡，既不能让强制数据共享影响创新和效率，也不能让数据专享影响了潜在经营者和新进入者的创新和效率。因此，大数据市场的反垄断规制，是实现数据效率和数据创新价值的重要途径。

(二)数据正义价值

经营者的数据行为也对社会包容、自治、基本自由以及伦理、信任、责任等既定观念产生严重影响，成为一个越来越有争议的社会话题，因此，除了“数据效率”、“数据创新”议题外，“‘数据正义’的议题正在引起关注，尤其是当公司运用数据剥削社会中的弱势群体，从而加剧收入差距引发的数据不平等问题”。Maurice E.Stucke and Allen P.Grunes,Big Data and Competition Policy,Oxford University Press,2016,P.288.2017年3月17日，英国卡迪夫大学创办了“数据正义实验室”(Data Justice Lab)，具体研究领域包括数据主权、数据歧视、数据伦理、算法治理、数据政策和改革以及与数据相关的行动和倡议等。Data Justice Lab,https://datajusticelab.org/,vist on 2019-8-5。目前，国内外关于数据正义的研究成果并不多见，数据正义的内涵和外延界定还处在初始阶段。有学者认为：“随着信息革命的到来，法律价值也必然会面临深度变革，特别是数据正义观、代码正义观和算法正义观将逐渐走上前台，成为现代性正义价值‘家族’的新面孔。”马长山：《智能互联网时代的法律变革》,《法学研究》2018年第4期。

数据正义是法律正义价值在大数据领域的体现，其内涵丰富，外延宽泛。从目前大数据领域呈现出的问题看，数据的收集、分析、交易和使用等行为至少在以下四方面违背了当前主流的正义价值。

第一，大数据歧视。经营者利用大数据和算法实施的价格歧视可能会减少消费者剩余，提高市场进入壁垒，排挤或消灭竞争对手，在大数据经营者与消费者、大数据经营者与竞争对手之间造成了新的不公平，侵害了消费者利益和社会公共利益，加剧了财富分配的不公平。此外，经营者还可能利用大数据和算法绕过现有的反歧视法律规定，实施基于种族、肤色、宗教信仰、收入状况、性别等敏感特征的歧视行为。

第二，数据黑箱和算法黑箱。大数据的运用被认为是解决信息不对称和增加社会透明度的重要途径，但经营者的大数据行为也引发了新的信息不对称。用户并不清楚数据尤其是个人隐私数据的真实收集、分析、处理和保护状况，大数据可能成为数据经营者作恶的工具，“数据黑箱”问题开始引起人们的关注。对于以大数据作为输入的算法，对于大多数人来说，算法和运算过程犹如“天书”，尤其是人工智能和深度学习技术的发展，可能会产生“算法黑箱”乃至“算法独裁”问题。无处不在的大数据以及“数据黑箱”、“算法黑箱”的存在，让整个社会变成了“黑箱社会”，帕斯奎尔认为,黑箱社会改变了评分和投注规则,引发经济分离和不平等现象,算法这一隐性权力成为黑箱社会的沃土,无谓的数字化军备竞赛和不正当竞争更加激烈。参见[美]弗兰克·帕斯奎尔：《黑箱社会：控制信息和金钱的数据法则》,赵亚男译,中信出版集团2015年版,第259～264页。对传统的公平正义价值和法律规则形成了挑战。

第三，数据权被漠视。英国首相卡梅伦最早提出了“数据权”的概念，并将其视为信息时代每一个公民都拥有的一项基本权利。参见林衍：《通往正义的数据》,《中国青年报》2012年8月22日。通常意义上的数据权，包括国家的数据主权和民事主体的数据权利两类，民法上的数据权又包括用户的数据权和数据经营者的数据权。虽然欧盟《一般数据保护条例》第三章规定了用户的访问权、被遗忘权、携带权等一系列权利，我国《民法总则》也新增了“个人信息”和“数据保护”条款。然而，数据权的有关规定存在权利属性争议较大、权利边界模糊、权利内容未固定等问题，由此导致用户数据权利被漠视、数据经营者侵犯用户数据权的现象较为普遍，用户无法真正行使知情权、选择权、隐私权、自决权等权利，用户和数据经营者明显处于不平等地位。

第四，大数据市场竞争失范。近年来，大数据的发展日新月异，然而用户数据却被少数平台垄断，围绕大数据产生的不正当竞争行为和垄断行为开始显现，数据抓取等不正当竞争行为屡被诉诸法院，滥用数据市场支配地位、数据驱动型市场并购等大数据领域的违法垄断案件屡见报端，算法共谋、个性化定价等新型垄断行为也引起了人们的关注。现行反垄断法面对大数据存在一定程度的不适应性，反垄断执法机构、法院以及社会公众对数据市场垄断行为的违法性和规制必要性认识不一，导致大数据市场的竞争开始失范，经营者的自由、公平竞争环境遭到破坏。

总之，反垄断规制是确保大数据市场充分竞争、实现更大范围的数据效率和数据创新、维护数据正义的重要途径。当然，反垄断法并不能规制所有违背数据正义的行为，而是需要与反不正当竞争法、消费者权益保护法、隐私法、数据保护法等法律一道，共同承担维护数据正义的神圣使命。

三、大数据市场反垄断规制的基本路径

任何新兴的技术和商业模式在产生之初，都要经历“要不要规制”以及“如何规制”的争论。虽然大数据开创了一个新时代，提供了新的进步以及商业关系和市场力量的整合，但反垄断法仍然有效和适用，以市场的高效运作捍卫自由竞争，保障消费者福利，促进民众和经济的发展。See Vicente Bagnoli,the Big Data Relevant Market.23 Concorrenza e Mercato,5(2016).面对大数据这一新兴领域，反垄断规制需要在规制目标、规制限度、分析范式以及规制路径等方面做出一定的调适，以促进并规范大数据市场的有序竞争。

(一)科学确定大数据市场反垄断规制的目标

大数据作为企业的关键战略资源和社会经济发展的新引擎，保证数据的流通性可以最大限度的发挥数据的价值。然而，经营者实施的数据垄断行为限制或阻碍了大数据的正常流通，减损了其他经营者收集、利用大数据的能力以及由此产生的创新能力，影响了数据价值的最大化。大部分数据不属于公共物品，尤其是对那些质量较高的数据或者关键数据，经营者会严格限制或禁止数据的自由流动，过于强调数据的流通性可能会侵犯经营者的数据权利，侵害用户的数据隐私，进而影响到数据经营者和用户的积极性。反垄断法所追求的经济效率不是单个经营者的效率和创新，而是整体效率和全社会的创新。数据的流通只能是相对的，追求绝对的数据专享或数据共享都不符合社会公共利益。因此，大数据市场的反垄断规制需要在数据共享与数据专享之间进行适度的平衡，避免规制不足和规制过度影响到数据效率、数据创新以及社会公共利益的实现。

数据产权的合理配置和明晰的权属界定是大数据市场有序竞争的前提和基础。数据共享与数据专享的平衡意味着反垄断规制在确保数据主体合法权益的前提下要保障数据的自由流动，要尊重用户的数据权益以及数据经营者的衍生权益，对于经营者按照数据保护规则实施的包括数据专享在内的数据经营行为，反垄断法不应干预；对于经营者以数据专享为名实施排除、限制市场竞争的行为，影响数据共享的，则应予以规制。由此可见，当务之急是要合理划分各方的数据权益，及早明确数据权益规则和数据经营规则。

(二)合理设定大数据市场反垄断规制的限度

如前所述，经营者合法利用数据获得市场力量的行为具有正当性和合法性，但对经营者违法利用数据获得市场地位的企图垄断行为以及获得市场力量后实施排除、限制竞争的行为，反垄断法应予以规制。然而，反垄断法是一柄高悬的“达摩克利斯之剑”，合理设定规制限度才能最大程度的发挥反垄断规制的威慑力度。

从行为种类来看，尽管现实中的数据违法垄断行为主要表现为滥用市场支配地位和经营者集中，但数据行政垄断、数据垄断协议以及与数据密切相关的算法共谋也不能游离在反垄断法规制范围之外。无论是宏观层面的规制理念和规制模式，还是具体的规制方法和规制内容，现行反垄断法均落后于大数据市场反垄断规制的需要。例如，大数据市场普遍采用免费的商业模式，在大数据没有作为单独的产品进行交易而只是作为产品或服务的输入要素时，大数据的价值在营业额概念中是无法充分得以体现的，容易导致经营者并购金额非常高但营业额却达不到经营者集中申报的标准。维斯特格认为：“让一家公司成为有吸引力的并购对象的并不总是营业额。有时候，可能是它的资产，或者是一个客户群，甚至是一组数据。”M argrethe Vestager,Refining EU Merger control system,https://ec.europa.eu/commission/2014-2019/vestager/announcements/refining-eumerger-control-system_en,vist on 2019-05-01.在Facebook收购WhatsApp案中，WhatsApp被收购上的一年度的营业额为1020万美元，Facebook却花费190亿美元收购了WhatsApp，其主要看中的是WhatsApp拥有6亿活跃用户及其蕴含的数据价值。参见王超：《Facebook 190亿美元收购WhatsApp》,《中国青年报》2014年2月21日,第06版。又如，大数据时代的垄断协议往往与算法紧密结合，在表现形式上更为智能和隐蔽，带来了大数据市场的反垄断规制“在主体要件认定、主观要件认定和基本价值衡量等三个方面的法律困境。”钟原：《大数据时代垄断协议规制的法律困境及其类型化解决思路》,《天府新论》2018年第2期。因此，各国要根据大数据的特性以及大数据市场竞争的具体状况，调整现行的反垄断法规则，将“逃离”在外的违法垄断行为纳入规制范围，才能满足大数据市场反垄断规制的需要。以经营者集中审查为例，现行反垄断法采用的是营业额标准，导致大量案件被排除在经营者集中审查范围之外，为了更好的规制大数据垄断行为，德国新修订的《反对限制竞争法》第35条在原有的营业额标准的基础上，新增了交易额申报标准。

当然，数据垄断行为有利有弊，经营者利用数据获得市场支配地位并不必然违法，因而需要运用合理原则和综合性标准评估数据垄断行为。在判断大数据经营者是否具有市场支配地位时，需要综合考虑大数据的应然属性和实然属性、特定数据市场的进入壁垒、获取数据的难易程度、数据替代情况、需求者对数据的依赖程度以及对市场竞争和创新的影响等因素进行综合判断。美国联邦贸易委员会主席艾迪斯·拉米雷斯指出：“获取大量数据是否具有竞争优势取决于一系列特定的事实，包括特定的市场。因此，我们必须在个案基础上分析大数据问题，并密切关注影响竞争的交易和行为。”Edith Ramirez,Deconstructing the Antitrust Implications of Big Data,43rd Annual Conference on International Antitrust Law and Policy(September 22,2016),https://www.ftc.gov/system/files/documents/public statements/1000913/ramirez_fordham_speech_2016.pdf,vist on 2018-12-10.在判断大数据经营者是否滥用市场支配地位时，需要运用合理原则权衡数据共享与数据专享、数据保护与数据创新、数据效率与数据正义、市场机制与政府机制四对关系，确保反垄断规制的适度性。“正当理由”的认定需要综合考虑用户隐私的保护水平、保护数据安全和商业秘密的必要性及程度、数据专享的正当性、对创新和效率的影响、大数据市场竞争状况等因素。合理原则的运用赋予了反垄断执法机构更大的自由裁量权，为确保大数据市场反垄断规制范围的相对确定性，要在充分研究的基础上出台相应的反垄断指南，细化大数据市场反垄断执法的规则。

因此，对于大数据市场的竞争行为，反垄断执法机构应当秉持适度规制的理念，不能因担心规制影响大数据、人工智能等新兴行业的发展而无所作为，也不能“过于冒进而有损创新”，牛喜堃：《数据垄断的反垄断法规制》,《经济法论丛》2018年第2期。“谨防落入反垄断规制万能主义的窠臼”。詹馥静、王先林：《反垄断视角的大数据问题初探》,《价格理论与实践》2018年第9期。反垄断执法机构要充分权衡创新与风险的关系，建立创新友好型的规制模式，运用合理原则对数据竞争行为进行谦抑、审慎和动态的规制，确保数据驱动型创新。创新友好型规制模式要求“规制机构的工作人员要有充分信息、前瞻性思维和专业性知识，规制机构还应当建立容错试错的机制”。殷继国：《论创新友好型规制模式的逻辑意蕴与路径选择》,《华南师范大学学报(社会科学版)》2019年第2期。在规制手段上，建议采用“落日条款”和“实验性规制”等规制技术确保反垄断规制的适应性和灵活性。

(三)实现大数据市场反垄断法分析范式的转型

素有“经济宪法”之称的反垄断法，与经济学联系最为密切，经济学中的基本理论、基本观点和分析方法深刻影响着反垄断法。在过去一百多年的历史中，不完全竞争理论、创新和动态竞争理论、有效竞争理论、哈佛学派的竞争理论以及芝加哥学派的竞争理论等经济学理论的演进伴随着反垄断法不断走向成熟。其中，芝加哥学派的理论观点反映了当前反垄断思想演变的主流和最新发展动态。芝加哥学派以新古典经济学的价格理论为基础，运用微观经济学的分析模型，对市场竞争机制进行经济学分析，提出经济效率是反垄断法的目标，甚至是唯一目标。价格理论认为，市场供求关系决定市场价格，但若经营者占据市场支配地位，为了获取超额垄断利润，经营者就可能会扭曲了市场价格的形成机制，实施垄断高价或垄断低价。基于价格是市场竞争最重要的参数，“竞争政策处理的一个核心问题是竞争如何影响价格”。OECD,Policy Roundtables:Two-Sided Markets,http://www.oecd.org/daf/competition/44445730.pdf,vist on 2019-4-20.受芝加哥学派价格理论的影响，价格竞争评估方法在反垄断法中扮演的角色愈来愈重要，价格中心主义分析范式已成为反垄断法的基本分析范式，由此导致反垄断法中有大量涉及价格的垄断行为，如价格垄断协议、垄断高价或垄断低价、掠夺性定价等；在界定相关市场、认定市场支配地位或者评估竞争效果等时，反垄断法也以价格作为主要分析工具。

然而，在大数据时代，数据经营者采用免费的商业模式已成为一种主流，创新、质量、隐私保护水平逐渐取代价格成为数据经营者竞争的关键因素。免费产品或服务与用户数据之间缺乏可以精准衡量的市场交易价格，导致反垄断法以价格为基础的多种分析工具难以适用，因而需要修正传统的价格中心主义分析范式，建立以质量、创新等非价格竞争作为主要评估工具的分析范式。事实上，反垄断执法机构从未否定非价格竞争的重要性，也都认可创新、质量是市场竞争的重要参数。See OECD,Policy Roundtables:The Role and Measurement of Quality in Competition Analysis,http://www.oecd.org/competition/Qualityincompetition-analysis-2013.pdf,vist on 2019-4-20.

目前，反垄断执法机构和法院已经认识到价格中心主义分析范式在非价格竞争领域缺乏适用的基础，开始尝试使用质量、创新等替代性的分析范式。在我国的“3Q大战案”中，一审法院在相关市场的界定上运用了基于价格上涨的假定垄断者测试方法(SSNIP)；但二审法院予以纠正，并指出：“尽管基于相对价格上涨的假定垄断者测试难以在本案中完全适用，但仍可以采取该方法的变通形式，例如基于质量下降的假定垄断者测试。”最高人民法院(2013)民三终字第5号民事判决书。然而，以目前的执法实践来看，采用质量、创新等非价格竞争的分析范式存在量化的困难。以质量的量化为例，当前互联网领域还未建立初步的质量评估体系，质量评价指标及其权重尚未成形，有关产品或服务质量的数据也难以获得，质量下降的幅度以及质量下降引起的市场竞争状况的变动情况难以评估。因此，理论界和实务界需要加强对基于质量下降的假定垄断者测试方法(SSNDQ)的研究，建立起相对完善的质量评估体系，也可以运用定性分析或者定性分析与定量分析相结合的方法，破解SSNDQ测试中质量难以量化的困境。当然，理论界和实务界还可以采用其他替代性的分析范式，如基于成本上涨的假定垄断者测试(SSNIC)。See Competition Policy Research Center of Japan Fair Trade Commission,Report of Study Group on Data and Competition Policy(June6,2017),www.jftc.go.jp/en/pressreleases/yearly-2017/June/170606.html,vist on 2018-7-3.SSNIC是以用户使用成本微小但显著和非临时性增加作为测试标准，在一定程度上克服了SSNIP测试方法在大数据市场的不相适应性以及SSNDQ测试方法难以量化的缺点。用户的使用成本包括直接成本和间接成本，具体包括设备成本、上网费用等直接的金钱支出以及时间成本、注意力成本、隐私成本等。SSNIC测试也存在量化上述成本尤其是注意力成本、隐私成本的难题，但相对SSNDQ测试而言，量化难度较低。通常情况下，是以相关用户的平均使用成本作为基准成本，成本上涨的幅度以及测试方法与SSNIP测试一致。

(四)采用反垄断法为主、其他法律为辅的综合规制

经营者在大数据市场实施的排除、限制竞争行为，不仅损害了市场的有序竞争，也侵害了用户的隐私权、选择权、知情权等权利。由此可见，大数据市场的公平、自由竞争并不是一个纯粹的竞争法问题，大数据市场的反垄断规制需要其他法律的规制为其提供条件或保障。数据权的属性、权利边界和权利内容是大数据市场经营者进行竞争的初始条件；隐私保护水平、数据安全在很大程度上已取代价格成为数据市场经营者进行竞争的重要维度；消费者知情权、选择权等权利的实现有赖于主导经营者市场力量的正当行使。因此，反垄断法与民法及隐私法、数据保护法、消费者权益保护法等相关法律关系密切。民法需要界分用户、数据经营者的权利义务，界定清晰的初始数据权利是数据经营者实施数据行为的前提，是实现数据驱动型创新和数据驱动型效率的基础。隐私法和数据保护法提供了积极保护的工具，其目的是设定经营者在实施数据行为过程中的不得逾越的边界，“旨在确定数据保护最佳水平的框架，提供竞争法在非价格竞争参数方面所缺乏的规范化指导”。Francisco Costa-Cabral and Orla Lynskey,Family ties:the intersection between data protection and competition in EU Law.Common Market Law Review,1(2017).p.14.消费者权益保护法的目的是赋予消费者知情权和选择权，以保护消费决策机制的完整性。反垄断法让数据经营者和竞争对手能够公平竞争，也因其相对强大的执行机制，让消费者或者用户不受非法行使的市场权力的影响。这决定了大数据市场反垄断规制的综合路径，即反垄断法为主、其他相关法律为辅的规制路径。反垄断法与相关法律相互配合、齐头并进，才能建立一个竞争有序、运转良好的大数据市场。