大数据、人工智能与厂商竞争路径

何大安

(浙江工商大学 经济学院，浙江 杭州 310018)

一、 引 论

在分析大数据和人工智能技术影响厂商投资经营这个问题前，有必要先对大数据的构成作一个解说。大数据是数字化数据和非数字化数据之和，我们依据这样的构成来解释大数据，实际上是把人类社会一切活动和自然界一切现象都解说为大数据，这可以理解为对大数据的一种静态认识。大数据的动态解释要比静态解释复杂得多，它不仅包括对不同时空(过去、现在、未来)数据变动的解释，而且包括对人与人之间以及人与自然之间所形成的互动数据的解释。大数据的动态性与它的外延息息相关，我们对大数据的搜集、整合、分类、加工和处理，离不开对大数据、移动互联网和人工智能等相互融合的研究。从这种融合所形成的平台对经济活动的影响来考察，可以将大数据看成是这种融合的基本要素，将移动互联网看成是这种融合的载体，将人工智能看成是这种融合的手段。当我们沿着这样的思路来分析大数据对厂商投资经营的影响时，可将大数据的构成(外延)置于大数据、移动互联网和人工智能等相融合的分析框架。

基于以上的理解，我们有以下界定：大数据=数字化数据+非数字化数据=历史数据+现期数据+未来数据=行为数据流+想法数据流。(1)这个系列等式的前两个等号后面对大数据构成的解说是笔者的拙见(何大安，2018)。关于“想法数据流”这一新颖提法，是受社会物理学思想的启迪。阿莱克斯·彭特兰(2015)认为“想法流”与人们实际行为之间存在可靠的数量关系，它会影响人们的经济活动。基于大数据运用和人工智能发展的方向是挖掘和处理未来数据，因而本文提出了“想法数据流”概念，这个概念可以帮助我们理解机器学习这个作为人工智能最主要手段的发展方向。这个系列等式有两点需要说明：(1)人工智能为代表的新科技手段与历史数据和现期数据的关联，表现为对已发生和正在发生数据的搜集、整合、分类、加工和处理；新科技手段与未来(预期)数据的关联，则反映为对尚未发生数据的挖掘和处理；(2)我们可以将已发生或正在发生的人类活动数据称之为行为数据流，把尚未发生但即将要发生的人类活动数据解说为想法数据流。客观来讲，人类目前已在一定程度上掌握了搜集和处理“行为数据流”的方法和手段。例如，人类已能够充分利用移动互联网、传感器、社交媒体、定位设备等来搜集“行为数据流”，能够运用机器学习、物联网、区块链、语音识别、指纹识别、影像识别等人工智能技术来处理“行为数据流”。但对于“想法数据流”的搜集和处理，人类还只是处于起步阶段。

在未来，大数据、移动互联网和人工智能等的融合将会覆盖所有经济活动。一些文献称当今社会是大数据时代，也有文献称当今社会为互联网时代或人工智能时代。其实，怎样称呼并不重要，重要的，是能够解析大数据、移动互联网和人工智能等的融合将会给人类经济活动带来什么样的影响。关于这个问题，未来学家(赫拉利，2017；凯利，2014；吴军，2016)[1-3]曾在社会哲学层面有过一般性解说，他们认为大数据将全方位影响和决定人类选择行为，一切有机体和无机体都将成为一种“算法”，人类会基于“算法”进行选择。“算法”是人工智能匹配大数据的原理，人工智能匹配大数据究竟能在多大程度上影响和决定人类选择行为，则取决于人工智能技术手段的未来发展。厂商投资经营的竞争路径作为一种选择行为，大数据和人工智能会在哪些方面对之发生作用，这是我们建构大数据时代产业组织理论必须关注的问题。

大数据时代厂商投资经营之竞争路径的经济学解释，可概括为厂商利用云平台和云计算，对影响厂商投资经营的大数据进行搜集、整合、分类、加工和处理，通过确定投资什么、生产什么、投资多少、生产多少和怎样生产，从而通过大数据分析和借助互联网平台展开竞争。但迄今为止，即便是驾驭大数据和人工智能技术能力极强的厂商，也只能加工和处理同类产品和服务的历史数据，加工和处理现期数据还面临很大困难，加工和处理同类产品和服务的未来数据则是一种遑论。另一方面，尽管大数据将会驱动所有厂商在未来采用人工智能作为竞争手段，但由于不同厂商掌握和运用大数据和人工智能的水平存在差异，水平高的厂商通常要比低水平厂商具有竞争力，他们会通过数据智能化和网络协同化取得市场势力(乃至于实现局部垄断)。这种状况要求经济学家对大数据时代的竞争和垄断格局作出新解释。

经济学关于厂商竞争和垄断的分析和研究，主要是围绕产量决定、价格决定、进入壁垒和规模经济等展开的。马歇尔(1890)[4]在产品同质性假设上提出的完全竞争理论，基本观点是认为垄断会导致均衡价格上升，但技术进步会致使垄断消失，完全竞争会抑制人为的市场定价和确定产量。剑桥学派(Chamberlin，1933；罗宾逊，1982)[5-6]依据产品异质性假设，认为竞争和垄断会长期并存，大厂商具有形成进入壁垒的市场势力，厂商投资经营的竞争路径始终伴随着垄断。针对以上新古典经济学的理论见解，哈佛学派(Mason，1939；Mason，1949；Bain，1959)[7-9]和芝加哥学派(Stigler，1971)[10]运用“结构、行为、绩效”模型对竞争和垄断问题进行了分析；新制度经济学通过对交易成本、有限理性、逆向选择、机会主义、道德风险、资产专用性等的分析，对市场竞争和垄断作出了新解释(Coase，1937；Williamson，1975；Williamson，1985)[11-13]；博弈论和信息经济学则通过分析政府规制条件和路径，对市场竞争和垄断作出了新解读(Fudenberg和Tirole，1984；Rey和Tirole，1986；Hart和Tirole，1990)[14-16]。客观而论，随着大数据和人工智能的发展和运用，建立在信息不完全和信息不对称基础上的产业组织理论有着进一步完善的空间。

经济学家要建构出适合大数据和人工智能时代的产业组织理论，需要对价格和产量决定、市场占有率、产业竞争度和集中度等问题有新的解说。厂商竞争路径是这些新解说的重要分析基础之一，它主要反映在大数据及其运用对厂商投资经营选择过程的影响，厂商如何通过机器学习、物联网、区块链等人工智能技术来匹配大数据，以及人工智能手段如何改变市场竞争格局等方面。经济学要重视大数据和人工智能时代的厂商竞争路径的研究，具体地说，必须关注移动互联网、大数据、机器学习、物联网、区块链等人工智能手段等对厂商竞争路径形成的作用过程，从而为重塑产业组织理论奠定基础。

二、 大数据改变厂商竞争路径的理论分析

厂商投资经营选择涉及投资什么、怎样投资、生产什么、生产多少和怎样生产等内容，对这些内容的解释可揭示厂商竞争路径。关于大数据和互联网时代厂商投资经营的选择行为，我们需要对其假设前提、参照系和分析方法等作出新解释。在经济学世界，主流经济学理性选择理论的假设前提曾经由完全信息假设转向不完全信息假设，分析参照系曾对选择偏好、认知和效用等作出过有重点的取舍，只有分析方法始终是坚持采用以“个体行为”为基本分析单元的个体主义方法论。然而，随着移动互联网、大数据和人工智能的广泛运用，无论是经典的“偏好的内在一致性”理论，无论是把心理学与经济学并轨“以心理活动为分析底蕴的认知理论”，还是经过几代经济学家精心论证和发展的“效用函数”理论，(2)“偏好的内在一致性”是新古典经济学运用数理逻辑论证个体理性选择的经典，它对选择行为的非此即彼的解析，使偏好相对于效用取得了函数形式(Neumann和Morgenstern,1947；Arrow和Debreu，1954；Arrow，1951)；现代非主流经济学并轨心理学和经济学把认知作为解释性变量，通过心理和行为实验，运用偏好函数和认知函数揭示了传统理论与人们实际选择行为之间的系统性偏差，主流经济学以一条反映财富相对变化和风险偏好呈S型曲线的价值函数替代了传统的效用函数(Kahneman和Tversky，1979)，但迄今为止的理性选择理论都是建立在信息不完全和不对称基础之上的，并且作为立论依据的信息都是从反映局部实际的样本数据而来，因而这些理论难以解释大数据时代厂商的投资经营行为。都难以准确解释大数据时代的厂商投资经营行为和厂商竞争路径。厂商选择行为的变化突出反映在大数据分析和人工智能技术运用上，我们可以沿着这一思路来讨论大数据时代的厂商竞争路径。

(一) 大数据时代厂商投资经营行为仍然是理性选择，但较之于工业化时代，这种理性选择集中体现在对大数据的挖掘、搜集、整合、分类、加工和处理等方面

在工业化时代，科技水平不能挖掘、搜集、整合、分类、加工和处理具有极大量、多维度和完备性特征的大数据，厂商只能在信息不完全和不对称基础上通过加工和处理有限信息而形成认知，并做出追求效用(利润)最大化的决策。从定性的角度看，工业化时代的厂商理性行为与大数据和互联网时代一样，都表现为“先思考后认知再决策”(何大安，2014;何大安，2016)[17-18]，但从厂商获取信息的途径和方法以及认知和决策的形成过程来看，这两个时代的厂商理性选择是不同的，这便决定了厂商竞争路径的差异。大数据时代厂商会利用云平台和运用云计算，对影响或决定投资经营的大数据进行挖掘、搜集、整合、分类、加工和处理，以形成怎样投资经营的认知，并在此基础上形成决策。也就是说，厂商投资经营的理性选择已开始走向数据智能化，大数据分析和人工智能技术已成为厂商理性投资经营的基础条件配置。

大数据分析和人工智能技术之所以是厂商理性投资经营的基础条件配置，依据在于大数据时代厂商的决策信息逐步来源于大数据，这可从厂商通过大数据获取信息和甄别信息得到解释。首先，厂商会通过移动互联网、社交媒体、传感器和定位系统等挖掘和搜集大数据；其次，厂商会利用云平台和运用云计算来整合、分类、加工和处理大数据；再其次，厂商会通过机器学习物联网、区块链等人工智能手段来匹配大数据；最后，厂商力图从大数据中得到准确信息来做出投资经营决策。针对厂商这种以大数据的挖掘、搜集、整合、分类、加工和处理等为特征的理性选择行为，有两个理论问题值得研究：一是如何在理论层面上论证大数据时代的厂商选择行为，以重塑经济学的理性选择理论；另一是解析厂商如何运用云平台、云计算、大数据和人工智能手段来进行具体的投资经营过程。以大数据时代厂商竞争路径的研究来讲，我们可以将关注点放在后一理论问题的讨论上来。

经济学理性选择理论以部分信息为依据，对选择偏好、认知和效用期望等的研究，是在假定这部分信息真实的情况下，通过对这部分信息的定性分析来展开选择行为研究的。与此不同，大数据时代厂商的选择偏好、认知和效用期望等的形成，相伴于大数据的挖掘、搜集、整合、分类、加工和处理。这个区别很重要，它表明建立在建构理性之上的经济学理性选择理论，难以解释具有演化理性特征的大数据时代的厂商选择行为。因此，当我们联系大数据和人工智能等来研究厂商竞争路径时，经济学理性选择理论留给我们的学术遗产，可以看成是该理论有关理性选择的性质界定、假设前提、参照系、分析方法等，对后续的相关研究具有的承接性。不过，我们对厂商竞争路径的分析承接，需要在大数据的挖掘、搜集、整合、分类、加工和处理等的分析框架内进行。

(二) 在人类有可能获取完备信息的大数据时代，厂商会利用互联网、云平台、云计算和人工智能等作为竞争路径选择的手段

工业化时代厂商用于投资经营决策的信息，局限历史数据中的样本数据。就信息关联于厂商竞争路径而论，由于厂商难以从历史数据的样本数据中知晓产品和服务的供求及其结构，厂商竞争路径主要是围绕价格波动、供求变化、产量变动和质量控制等形成。经济学产业组织理论涉及厂商竞争路径的分析和研究，是与垄断问题的讨论联系在一起的。在信息不完全和不对称的工业化时代，经济学家用信息不完全假设或信息不对称假设来研究竞争和垄断问题，很容易淡化科技因素的影响，以至于把这两大假设看成是长期不变的分析前提。当我们考察大数据和人工智能时代的厂商竞争路径时，大数据的极大量、多维度和完备性等有着提供完备信息的可能性，(3)完备信息是不完全信息与完全信息之间的一种靠近完全信息的状态。人类通过互联网、云计算和人工智能等对大数据进行挖掘、搜集、整合、分类、加工和处理而有可能获取完备信息的情形，将会给我们展示厂商竞争路径的新分析视野。

由此可见，大数据改变厂商竞争路径的主要依据在于：(1)随着新科技的发展，大数据及其运用有着解决信息不完全和信息不对称问题的可能性；(2)随着厂商利用云平台、运用云计算和人工智能手段等处理大数据能力的增强，厂商有可能获取产品和服务的供求数量及其结构的完备信息；(3)厂商通过人工智能来匹配大数据，可从过去那种完全依据市场信号来进行选择的思维逻辑中走出来，以大数据思维取代过去依据部分信息进行推论的因果思维；(4)厂商将会在确保产品和服务质量的前提上，力图精准地确定符合市场供求的产品和服务的数量和品种。以上这些依据实际上间接表明了两大事实：一是厂商可通过大数据分析和运用人工智能技术进行投资经营，实现了数据智能化；二是厂商能够根据复杂场景或生态，实现厂商与厂商以及厂商与消费者之间的网络协同化。因而从理论上讲，大数据、互联网和人工智能等的相互融合所型构的数据智能化和网络协同化，正在改变着厂商投资经营的竞争路径。

厂商的数据智能化和网络协同化包含着极其丰富的内容，我们联系这些内容来解说厂商竞争路径的形成及其作用过程，一方面，需要将分析重点放在数据智能化如何使厂商准确获取产品和服务数量及其结构的信息量，以阐述这种不同于工业化时代的信息获取途径；另一方面，则需要解释网络协同化如何反映厂商通过机器学习等人工智能手段匹配大数据来处理投资经营信息。这里所说的信息，指厂商对多维度的大数据进行相关分析后获取的信息。随着新科技的充分发展，这些信息在多大程度上达到完备信息呢？显然，这个程度取决于大数据、互联网和人工智能等的融合，具体地说，取决于厂商利用云平台、运用云计算和人工智能技术等搜集、整合、分类、加工和处理大数据的能力。厂商要获得市场出清意义上的产品和服务的准确供求数据，必须能够运用人工智能手段来挖掘、甄别和匹配大数据，能够熟练地把机器学习这一人工智能技术作为重要竞争手段。

(三) 在未来，厂商运用大数据进行投资经营将会以机器学习这一人工智能方法作为主要竞争手段，这便在很大程度上规定了厂商竞争路径的选择

机器学习分为监督学习、无监督学习、强化学习和深度学习等类型。厂商投资经营过程中机器学习的最基本方法，是通过有样本标识的监督学习和无样本标识的无监督学习来匹配产品和服务之供求数量的历史数据，至于投资经营过程中正在发生的现期数据，厂商要运用动态试错的强化学习和组合低层级数据与高层级数据的深度学习，对产品和服务之供求数量的现期数据进行匹配，以选择投资什么、投资多少、生产什么、生产多少和怎样生产。尽管目前的机器学习方法还不能对产品和服务之供求数量的未来数据进行匹配，但较之于工业化时代的决策方法，厂商竞争路径的选择实际上已进入了数据智能化。西方学者有关计算机怎样才具有更强学习能力从而实现人工智能匹配大数据的讨论(Taddy，2018)[19]，主要是基于对有明确事件支持的历史数据和现期数据的讨论，这些讨论明显涉及厂商竞争路径问题，但值得进一步讨论的是，如果假定机器学习能够匹配即将发生的未来数据，厂商运用数据智能化的竞争路径会不会成为大数据时代的主流呢？这个问题有待探索。

数据智能化能不能形成高效的厂商竞争路径，关键在于厂商能不能确定产品和服务的供求数量及其结构。在工业化时代，厂商无法准确把握产品和服务的供求数量及其结构，他们主要是根据市场信号，并通过研发新产品、加强经营管理和提高产品质量等形成有效的竞争路径。在理论上，经济学家也难以寻找到具有明确编程的模型，从而难以研判和处理产品和服务的供求数量及其结构的不确定性，于是，市场失灵和政府失灵长期存在。机器学习作为人工智能的主要手段，是在互联网、大数据和人工智能等相融合场景的驱动下形成的。目前，机器学习落实到具体操作层面的最常用的方法是“数据驱动法”，(4)厂商提升数据智能化的软技术方法主要是“数据驱动法”。较之于几百年来人类一直寻求事物运行可控参数而设置单一精准模型的分析方法不同，虽然“数据驱动法”仍然采用数理模型分析，但它充分利用大数据的极大量、多维度和完备性，对大数据的多维度进行相关分析，线性或非线性的关联参数和模型设定是通过大量计算机服务器进行的，是用许多简单化模型取代单一复杂模型展开数理逻辑证明的(吴军，2016)。“数据驱动法”的最大特点是不夹带主观判断。很明显，当厂商主要是应用该方法投资经营，厂商竞争路径便大数据化了。现阶段的厂商已开始运用这种分析方法对已发生和正在发生的产品和服务的大数据进行加工和处理，即厂商通过把投资经营的历史数据和现期数据转换成一种“算法”，以获取产品和服务的供求数量及其结构的准确信息。

对大数据改变厂商竞争路径的理论分析关注的另一重要侧面，是厂商运用大数据经营在改变竞争路径的同时，也会潜在地改变厂商垄断的形成路径。经济学针对工业化时代竞争和垄断展开的产业组织分析，是紧扣产量和价格两条主线进行的。瓦尔拉斯(Warlas，2013)[20]和帕累托(Pareto，2014)[21]创立的一般均衡理论曾通过对产量和价格的分析，将平均生产成本、竞争度和产业集中度等作为研究竞争和垄断路径的解释性变量，剑桥学派(Chamberlin，1933)[5]、哈佛学派(Mason，1939；Mason，1949；Bain，1959)[7-9]和芝加哥学派(Stigler，1971)[10]也曾将这些解释性变量放置于竞争和垄断的分析框架。诚然，对大数据时代厂商竞争和垄断路径的解释，仍然离不开这些解释性变量，但对这些变量的数值界定则可以通过大数据分析来完成。因为，大数据时代的平均生产成本、竞争度和产业集中度等经由大数据分析后可事先确定，并且随着厂商驾驭大数据和人工智能水平的空前提高，经济学家笔下的这些解释性变量会慢慢趋近于常量，因此，对厂商竞争路径的分析论证，可以看成是对厂商运用大数据进行投资经营的分析性论证。

对于经济学家来说，厂商利用移动互联网、运用云平台和云计算，以及运用机器学习等人工智能方法来匹配大数据，从而形成厂商竞争路径的情形，需要在互联网、大数据、人工智能等相互融合的背景下，对企业投资经营的数据智能化和网络协同化这两大技术操作问题作出理论解释。目前，针对业已出现的互联网产业链聚合生产资源以及互联网共享经济聚合碎片资源等实际，国内学者(江小涓，2017)[22]分析了产品和服务在互联网的点击力、关注度、网红等现象，这一分析实际上是试图通过描述海量企业和个人在互联网上的行为互动，来描述互联网的网络价值效应以揭示厂商竞争路径，但严格来讲，这样的分析只是分析厂商竞争路径的一种思想端倪，若要在理论上解析大数据时代的厂商竞争路径，还需要对数据智能化和网络协同化展开讨论。

三、 大数据时代厂商竞争路径的过程分析

经济学经典理论认为市场充分竞争会抑制超市场力量，垄断只是在特定条件配置下才会形成。不过，关于这些特定条件的学术处理，经济学对蕴含这一判断的竞争和垄断的理论分析模型，主要是围绕市场机制及其作用过程展开的，至于科技因素引发厂商竞争和垄断路径变化，经济学家并没有将之作为主要解释性变量来对待。大数据时代市场竞争与工业化时代的最大区别之一，是数据智能化和网络协同化会导致厂商形成一种超市场能力，这种能力主要表现为大数据、互联网和人工智能等相互融合所引致的网络协同效应上。在市场体系内考察问题，大数据时代产品和服务的实际供求及其数量结构有着逐步摆脱市场机制引导的趋势。对这个问题的理论解析，可以厂商竞争路径之具体过程的研究作为分析窗口。

(一) 竞争具体过程一：厂商要利用互联网和搭建(利用)云平台，对大数据进行搜集、整合和分类，实现传统行业向互联网行业的靓丽转身

厂商投资经营之效用函数(利润)的最大化，是检验厂商竞争路径之效用的终极表现。在非互联网时代，由于厂商不可能通过市场信号搜集到关乎自己投资经营的所有信息，更不可能推测和预判投资经营的未来信息，因而效用函数最大化只是厂商的一种愿景。以互联网时代厂商竞争路径的选择而言，厂商要实现投资经营的效用最大化，必须知晓自己应该投资什么、投资多少、生产什么、生产多少以及怎样生产，但要实现这种最有效的竞争路径，厂商不仅需要运用新科技手段来处理数据化数据，而且需要运用新科技手段来处理非数据化数据。在“大数据=数据化数据+非数据化数据”这一等式中，蕴含着厂商实现投资经营效用最大化所必备的所有潜在信息，厂商只有掌握加工和处理大数据的新科技方法和手段，才能获取这些信息。随着大数据、互联网和人工智能等相互融合的加深和拓宽，厂商要想取得有利的竞争途径，需要掌握以云计算和人工智能等为标志的新科技。

在现实中，主要掌握新科技的行为主体是“互联网+”厂商，也就是我们通常讲的运用互联网进行投资经营的企业。考察厂商掌握新科技的层级，“互联网+”只是厂商掌握新科技的初级形式，较高的科技层级还要有其他条件配置。一般来讲，新科技最基本的条件配置是厂商搭建云平台或至少能全面利用公共云平台。这是因为，厂商要实现效用最大化，必须能够搜集与自己投资经营相关的产品和服务的供求数量及其结构的大数据，这类大数据十分庞杂；在不考虑未来数据的情况下，它包括已经发生的历史数据和正在发生的现期数据。撇开大数据的加工和处理，仅就大数据的搜集和储存来讲，厂商必须搭建云平台或借助公共云平台来整合和分类大数据。同时，互联网与云平台是交织在一起的，厂商投资经营主要是依靠互联网搜集大数据，如果“互联网+”厂商不能运用云平台储存和分类大数据，而只是纯粹以“互联网+”模式进行投资经营，那么，厂商竞争路径便得不到新科技较高层级的支持。

厂商实现传统行业向互联网行业的靓丽转身，存在着新科技特质所规定的一些内容。这里所说的新科技特质，是针对新科技运用之于大数据处理而言的。如果说互联网与云平台的交织发挥了搜集、储存、整合和分类大数据的功能，那么，云计算和机器学习等人工智能手段明显是具有加工和处理大数据的功能。我们分析厂商在竞争中处于什么样的位置可有以下判断：能够挖掘、加工和处理大数据的互联网企业是第一层级，能够加工和处理但不能挖掘大数据的互联网企业是第二层级，仅仅能够搜集和储存大数据的互联网企业则是第三层级。之所以有这样的判断，是基于厂商利用新科技来驾驭大数据从而揭示其竞争能力的考虑，这可以从下文对厂商竞争路径之具体过程的进一步分析得到说明。

(二) 竞争具体过程二：厂商运用云计算对大数据的加工和处理，是厂商竞争路径选择的至关重要的环节

厂商的云计算实力如何，是判断纯粹“互联网+”企业还是真正高科技互联网企业的标志。互联网、大数据和人工智能等发展到今日，以这一标志的现实情况而言，只有极少数厂商具备云计算实力，而绝大部分厂商并不具有云计算能力。换言之，大部分厂商从大数据中获取决策信息，还得倚靠专业公司的云计算才能解决。如上所述，厂商运用云计算处理的大数据包括历史数据、现期数据和未来数据。我们判断厂商云计算实力的高低有两个标准：一是看厂商能处理哪个层级的数据，具体地讲，能处理未来数据的是最高层级的厂商，能处理现期数据的是第二层级的厂商，只能处理历史数据的是第三层级的厂商；二是是看厂商处理数字化数据和非数字化数据的能力。关于厂商云计算层级的技术梯度，未来数据的云计算是建立在能够处理历史数据和现期数据基础之上的，现期数据的云计算是建立在能够处理历史数据基础之上的；关于厂商云计算数据类别的技术层级，既能处理数字化数据也能处理非数字化数据的厂商，是高技术层级厂商，只能处理数字化数据而不能处理非数字化数据的厂商，则是一般技术层级的厂商。

以上的划分和判断很重要，因为，云计算层级高的厂商既可以处理数字化数据也可以处理非数字化数据，可以处理历史数据和现期数据，甚至在将来有可能处理未来数据。由此可见，厂商要取得较高的投资竞争函数，必须能对其产品和服务的供求数量及其结构的大数据进行云计算。这个问题的深入讨论有以下几点需要解释：(1)厂商的云计算对象不仅包括自身投资经营的大数据，而且涉及相关厂商投资经营的大数据；(2)历史数据+现期数据表现为行为数据流，它既反映在数字化数据方面，也反映在非数字化数据方面；(3)未来数据是有关厂商提供产品和服务的供求数量及其结构的预期数据，它属于想法数据流。由此可见，厂商竞争路径的选择要想得到高效用，在具体选择过程中必须具备云计算能力。

厂商的云计算能力及提高要有大量投资，除软硬件投资外，研发费用至关重要。在现实中，中小厂商一般不具备这样的资金实力，它们难以在技术研发上“伸展拳脚”，云计算的技术研发是大厂商的专利。不过，资金雄厚并不一定能得到高层级的云计算技术，云计算技术层级的高低，取决于大数据、互联网和人工智能等的融合，取决于模型和参数的设计。这是因为，厂商运用云计算加工和处理大数据是一回事，厂商能不能够通过云计算从大数据中获取准确信息是另一回事。厂商必须在能够运用人工智能匹配大数据从而获取完备信息的情况下，才能准确确定产品和服务的供求数量及其结构，才能在竞争中处于有利地位，也就是说，大数据时代厂商竞争路径选择的具体过程与人工智能运用密切相关。

(三) 竞争具体过程三：为了确定投资什么、投资多少、生产什么、生产多少和怎样生产，厂商要运用机器学习和其它人工智能手段匹配大数据

机器学习作为人工智能的重要手段，最主要功能是与互联网、云平台和云计算等融合以匹配大数据以获取完备信息。机器学习是建立在云计算基础上的，它在匹配大数据时，同样存在不同技术层级。在大数据和人工智能时代，厂商要确定投资什么、投资多少、生产什么、生产多少和怎样生产，需要设置参数、建立模型和编制程序，并使用大量计算机服务器展开机器学习。由于机器学习具有很高的科技要求，中小厂商很难能够胜任这项技术，即便是大厂商，如果资金投入不够或研发能力不到位，其机器学习能力也不会处于较高水平。机器学习对象是数字化数据和非数字化数据。一般来讲，对非数字化数据的参数、模型设定和程序编制，要比数字化数据难得多，厂商进行机器学习需要把非数字化数据转化为数字化数据，需要对相关目标数据的数据进行甄别、加工和处理，需要在云计算基础上优化和预判大数据。厂商机器学习是获取产品和服务供求关系及其数量结构之完备信息的关键手段，是竞争路径选择的重要科技环节。

在工业化时代，厂商利用科技手段展开竞争，凭藉的数据主要是数字化的历史数据，它不是互联网和人工智能意义上的大数据，这不仅是因为厂商得到的数字化历史数据不完全，更重要的，是因为它不包括非数字化数据。回顾一下经济理论的实证分析，经济学家用这些历史数据来设置参数和模型，试图通过设计单一精确模型来确定投资什么、投资多少、生产什么、生产多少和怎样生产。这些参数和模型以诸如价格、供求、成本、利润为解释变量，但在非互联网时代，由于经济学家无法得到代表这些变量的大数据，因而主流经济理论的实证分析只是对关联于部分历史数据的经济活动前景的预判，很难对经济活动前景做出准确的预判。从古典经济学到新古典经济学，从新古典经济学到现代主流和非主流经济学，无论是数理模型的理论分析还是实证分析，经济学家对经济活动的分析始终没能从事后评估走向事前决策的根本原因，就是因为工业化时代没有出现互联网、大数据和人工智能的融合。

在历史数据、现期数据和未来数据中，非数字化数据占有相当大比重，如果语音、影像、图文、指纹等人工智能识别技术能提供海量非数字化数据，对机器学习匹配大数据有着重要作用。这里有一点需要说明，所有的人工智能手段挖掘、搜集和提供大数据都不是孤立的场景，而是互联网、大数据、物联网、机器学习、区块链等人工智能技术相互融合的场景。我们姑且不考虑这一场景的复杂性，单就厂商运用机器学习匹配大数据而言，不同厂商的科技能力是不同的，这可以解释为厂商新科技水平的DNA差异，正是这种差异导致厂商竞争路径选择的差异。具体地讲，新科技水平高的厂商能够在这种复杂的场景中最大限度地挖掘、搜集、整合、分类、加工和处理与自己投资经营相关的大数据，通过云平台、云计算和运用机器学习等人工智能手段从大数据中获取投资什么和生产什么的完备信息，而新科技水平低的厂商就不能做到这些，于是，这些厂商竞争路径便处于劣势。

从全社会层面看问题，如果新科技能提供超出人类想象的大数据，那么，未来掌握顶级机器学习技术的厂商，就有可能从海量的数字化数据和非数字化数据中得到接近于完全信息的完备信息，甚至有可能得到接近于精准信息的信息。接下来另一个值得思考的问题是，如果新科技在未来得到了充分发展和运用，以至于所有厂商都能够以数据智能化和网络协同化来投资经营，那么，厂商竞争路径便开始趋同化。这里讲的新科技的充分发展和运用，指互联网、大数据和人工智能等的相互融合使新技术走到了尽头，显然这有待商榷。实际上，在未来一个相当长的时期内，新科技走到尽头极可能是人类的美好愿景。例如，以机器学习匹配未来数据这项新技术为例，它首先涉及对未来数据的挖掘，其次是涉及对未来数据的相关性分析，再次是涉及对未来数据的人工智能化。因此，在今后相当长的时期，尽管厂商竞争路径可能会出现趋同化，但这种趋同化并不排除不同厂商因新科技水平差异而出现竞争实力的差异。

(四) 厂商竞争路径全景：先步入数据智能化，再打造网络协同化，以网络协同效应作为实现效用最大化的竞争路径

厂商步入数据智能化和打造网络协同化的全景是：挖掘和搜集大数据→整理和分类大数据→加工和处理大数据→构建厂商与厂商以及厂商与消费者的交易平台→实现网络协同效应导致的市场实力。关于这幅全景图的前半部分，上文已从互联网、大数据和人工智能等相互融合的角度进行了解析，我们在此关注这幅全景图的后半部分。厂商构建与其他厂商和消费者之间交易平台的过程，也就是实现供求及其数量结构的智能载体的过程；这个平台最主要的功能是衔接供应链和需求链，该平台功效的大小反映厂商数据智能化水平的高低。当厂商将这个平台与其他厂商的数据智能化平台结合在一起，便形成了互联网技术、信息技术和通讯技术相融合的跨领域平台，即物联网。物联网是厂商选择数据智能化作为竞争路径的产物，一些以数据智能化作为竞争路径但尚未进入物联网的厂商，迟早都将被吸引到这个数据型平台上来。不过，最重要的是物联网具有与互联网类似的功能，它会使厂商投资经营产生网络协同效应。

我们可以将物联网的网络协同效应理解为：在实体企业之间产品和服务的复杂交易场景中，企业(个人)行为互动所引致的网络价值效应。联系数据智能化看问题，厂商以计算机语言编程、加工和处理数字化数据和非数字化数据，以及用人工智能匹配大数据所形成的数据智能化，是连接企业和用户从而形成智能化平台的关键因素，是实现网络协同效应的基础。厂商之所以要选择数据智能化和网络协同化作为竞争路径，是因为这一路径可使厂商通过物联网分享网络协同效应。从现实来看，物联网智能化能不能达到对非数字化数据做出数据化处理的水准，关系到厂商能不能运用APP软件使人工智能经由物联网落地；物联网的数据采集、数据处理和智能运用等技术实现供求均衡目标的条件，是厂商能够运用机器学习对产品和服务的供求及其数量结构做出甄别和确定，以及厂商能够通过物联网实现网络协同化。如此，物联网便使传统厂商转变成基于数据和算法的智能厂商。

从机器学习可看出智能厂商的层级。厂商的强化学习和深度学习的技术水平越高，其数据智能化和网络协同化的能力就越强，厂商竞争路径也就越能迅速从过去以价格等市场信号为主要竞争路径，转变成以“算法”为核心而运用物联网的竞争路径。厂商成为智能厂商后通常会采取智能竞争模式，如智能家电、智能家居、机器人等产品所反映的竞争模式。但无论采用什么样的新科技手段进行竞争，厂商都必须了解其他企业供求信息以及消费者的选择偏好，而要做到这些，厂商仅仅具备数据智能化是不够的，还必须实现网络协同化。事实上，网络协同化不仅体现产品和服务的供应链和需求链在大数据和人工智能运用上的关联，更重要的，它是检验新科技(如区块链)手段能否融入大数据、互联网、人工智能等并产生经济效用的动态标尺。

从近几年的情况看，网络协同效应突出反映在多维度市场场景支撑的共享经济中，最著名的是阿里巴巴的电商支付和腾讯的社交媒体微信。这里有一个问题需要解释，那就是智能厂商通常都会在一定程度和范围内出现网络协同化，但不一定会产生网络协同效应。例如，滴滴打车通过GPS定位系统把闲置出租车和需要打车者协同于数据智能平台，但却不能产生网络协同效应，原因在于它的运营场景单一，难以阻挡别人进入数据智能化的出租车市场；与此不同，阿里淘宝的在线支付、担保交易、消费保证和信用评级等构成了一个数据智能化的复杂场景(腾讯也如此)，这些场景涉及供求双方、物流公司、在线客服、存货管理乃至于网红等，以至于形成了一个多维度的极其复杂的协同网络。我们如何理解协同网络呢？这涉及到协同网络和网络协同的区别。

比较大互联网厂商与小互联网厂商的运营，可以发现，协同网络的建构要比网络协同的形成复杂和困难得多，当厂商不具有建构协同网络的能力时，就不能产生具有行业壁垒的网络协同效应。这样的解说可能有点晦涩难懂，但阿里淘宝的例子可以清晰地说明这种情况。它的机理在于，厂商投资经营的目的是实现效用(利润)最大化，厂商会追求资本、技术、规模优势和价格控制等市场势力，而要取得市场势力就必须寻找最佳竞争路径，这是市场经济的机理。在大数据和人工智能时代，厂商会选择数据智能化和网络协同化作为竞争路径，并追求网络协同效应。这便引出一个问题要讨论，那就是这样的竞争路径会不会形成以及怎样形成大数据和人工智能时代的行业垄断问题。

四、 行业垄断形成中的网络协同效应及其发展

经济学有关垄断的性质分析和模型研究，就厂商竞争与垄断形成的关联而论，主要是围绕竞争和垄断如何影响或决定价格和产量，并通过分析规模经济、市场占有率和进入壁垒等展开的。如上所述，无论是新古典经济学创立的完全竞争模型和垄断竞争模型，还是以交易成本为核心和以博弈论和信息经济学为分析工具的现代经济学，都是通过已发生事件的部分数字化数据来研究竞争和垄断的，经济学家在工业化时代不具有利用新科技手段对非数字化数据进行处理的能力，落实到厂商竞争和垄断的分析，他们有明显的主观判断成分。社会经济运行进入大数据和人工智能时代后，厂商以数据智能化作为竞争手段，通过机器学习和其他人工智能技术完成了对非数字化数据的处理。数据智能化在能够相对准确地预判产品和服务的供求及数量结构时，在什么样的条件配置下会形成行业垄断，如果出现行业垄断，它对产业组织结构会发生哪些影响，等等。

(一) 新技术层级低的厂商可以在数据智能化基础上实现一定程度和范围内网络协同化，但难以产生网络协同效应

物理世界的在线化以及由此产生的互通互联，是大数据、互联网和人工智能等相互融合的结果，经济活动的结网互通使海量企业和个人之间有了互动平台，导致了企业和个人之间的网络协同成为现实。(5)网络协同可以这样直观解释，即企业和个人在互联网或物联网上互动所形成的关联。例如，美国的亚马逊、Facebook、谷歌和中国的腾讯、阿里巴巴就是网络协同化的典型代表，网络协同化创造出互联网价值的网络协同效应。厂商投资经营能不能实现网络协同效应，前提是取决于厂商的数据智能化，标志是厂商能够挖掘、搜集、整合、分类、加工、处理和匹配大数据。数据智能化的高技术要求主要反映在两大方面：一是借助移动互联网、传感器、社交媒体和定位系统等获取大数据的较高技术层级，二是掌握像谷歌和百度那样的搜索引擎，以及掌握像阿里云那样的云计算和云服务的较高技术层级。显然，技术层级低的厂商是不具有这些能力的，但即便如此，低技术层级的厂商可以通过互联网或物联网做到与其他厂商和个人之行为互动的网络协同，只是他们不可能在投资经营中实现具有较高市场占有率和较高产品集中度的网络协同效应。

现有文献所描述的“互联网+”企业，通常是指那些初步具备了数据智能化和网络协同化能力，但难以实现网络协同效应的企业。我们要考虑到网络协同的场景或生态。一般来讲，厂商在互联网上的投资经营场景或生态简单以至于单一，厂商便不可能实现网络协同效应，反之相反。这个问题的进一步探讨，涉及数据智能化和网络协同化对厂商投资经营的效用函数问题。从产业组织变动来考察这个效用函数，网络协同效应便成为一个宽泛论题。首先，该效应要求厂商具备较高的新科技层级；其次，该效应对竞争和垄断会发生影响；再次，该效应是衡量厂商的产量和价格决定、产品集中度以及市场占有率等能不能取得效用最大值的参照系；最后，该效应是引致大数据时代产业组织演变的重要因素。当我们将厂商竞争路径看成既定、进而重点关注网络协同效应之于行业垄断的关联时，以上分析表明，只有新科技层级很高的厂商才有可能成为行业垄断的行为主体。

(二) 网络协同效应以数据智能化和网络协同化为前提，厂商网络协同效应的实现过程是行业垄断的形成过程

在西方经济学理论中，经济学家研究得比较多并且形成系统理论的，是以“成本劣加”为分析基础的自然垄断理论。自然垄断的特征是单个厂商能够比两个或两个以上厂商低成本地提供产品或服务，其成本呈递减的规模经济优势(Perrakis等，1982；William和Sharkey，1982)[23-24]；经济学家们认为自然垄断可以通过价格规制、政府补贴等产业政策的约束机制加以控制(Bradford，1970；Lerner，1964)[25-26]。这里引出一个值得讨论的问题，大数据时代的行业垄断是新科技引发的，它比自然垄断的范围宽泛，超越了电力、自来水、通讯等基础部门的界限，我们应该如何联系大数据、互联网和机器学习等人工智能技术的融合来认知行业垄断呢？很明显，这个问题的讨论要围绕网络协同效应进行。

行业垄断意味着该行业的产品和服务规模、价格确定和技术门槛等被市场势力大的厂商操控。这样的厂商具有以下特征：(1)在大数据挖掘和处理上具有极高的云计算和机器学习能力；(2)能够在互联网平台上协调多边市场和适应潜在生命力生态的能力；(3)通过数据智能化预判供给端，通过网络协同化预判需求端；(4)能够通过复杂场景设计来稳定客户群，以至于客户转移购买和消费会产生较高成本。厂商通过数据智能化竞争路径而取得网络协同效应，除了新科技层级的规定性外，行业的产品和服务对象也存在着规定性(如前文论及的难以实现网络协同效应的出租车行业)。换言之，网络协同效应不是单纯的新科技层级的产物，而是技术面和市场面之于复杂场景的综合。诚然，与工业化时代一样，大数据时代行业垄断的终极表现形式，仍然是价格操纵、产品高度集中以及极高的市场占有率等等，但大数据时代的行业垄断是新科技竞争路径导致，它是以数据智能化和网络协同化为前提的，以产生网络协同效应为标志，并且这种行业垄断的市场化程度很高，并不需要政府染指其间。因此，网络协同效应的实现过程是行业垄断的形成过程。

(三) 网络协同效应和行业垄断的未来格局，归根结底，取决于机器学习等人工智能手段匹配大数据的科技发展，取决于大数据、互联网和人工智能等的融合程度

在未来，科技创新及其应用会推动厂商通过数据智能化和网络协同化来重塑产供销运营模式，这可以理解为大数据时代厂商竞争路径选择所演绎出的行业垄断的形成机制，该机制会明显受到新科技发展及其应用的制约。从未来学家的观点讨论这个问题，新科技发展及其应用对厂商竞争路径、产供销运营模式的导引作用，实际上就是把产品和服务的供给量和需求量及其结构的数量确定作为一种“算法”处理。这种“算法”能达到多大程度的准确性或精准性，机器学习等人工智能手段匹配大数据的科技进步是关键。事实上，进入大数据时代以来，一些科技层级比较高的厂商就开始尝试利用云平台和云计算，运用机器学习等人工智能手段来确定自己的产量和价格；随着新科技成为厂商竞争路径选择的主要工具，从厂商搜集、整合、分类、加工和处理大数据的过程看，社会经济运行也就进入了数字经济时代。

网络协同化所催生的网络协同效应，是针对新科技层级极高的厂商而言的，易言之，新科技层级较低的厂商可以取得网络协同化，但很难取得网络协同效应。理解这一点非常重要，它是我们解释网络协同效应引致行业垄断的立论依据。大数据、互联网和人工智能等融合对于未来网络协同效应及行业垄断的形成，既是条件也是结果。从条件看，这一融合使厂商的云平台利用、云计算运用和人工智能匹配大数据等成为可能，即厂商只有在这种融合的条件下才有可能实现网络协同效应和行业垄断；从结果看，网络协同效应和行业垄断会驱动厂商开辟新科技的竞争路径。如果说厂商选择数据智能化作为竞争路径，是厂商实现网络协同化的充分条件；那么，网络协同效应则是实现行业垄断的必要条件。亚马逊、谷歌、Facebook、腾讯和阿里巴巴等巨型互联网公司的行业垄断示范是风向标吗？它们预示着未来吗？

未来互联网上的多对多互动，是厂商网络协同化的主要形式，这种互动对产业组织也会发生网络协同化影响。网络协同化的“消费和投资的一对多互动→消费和投资的多对多互动→消费和投资的社交网络服务互动”的演变史，可看成是大数据、互联网和人工智能等逐步融合的进程史；它在检验厂商科技层级之成色的同时，也在推动着产业组织结构的变动；随着多对多互动的网络协同化席卷厂商投资经营的所有活动，产业组织会从垂直整合架构转化为网络协同架构，网络协同效应就会出现，行业垄断便会伴随着产业组织的网络协同架构和网络协同效应而产生。在未来的投资经营竞争中，厂商一定会通过数据智能化提高技术层级，一定会通过网络协同化去追求网络协同效应；如果某一行业的产品和服务具有复杂场景或高级生态，则这一行业中技术层级极高并且能够取得网络协同效应的厂商，就很可能成为行业的垄断者。

五、 结 语

厂商在投资经营过程中始终面临着竞争路径的选择问题，在工业化时代，科技进步一直是左右厂商竞争路径选择的重要因素。新古典经济学偏好于理论体系的完美，曾把科技因素作为外生变量处理，随着科技因素在经济运行和发展中作用的凸现，现代经济学开始将科技因素作为内生变量看待，但就其整个理论体系的模型设置和分析架构来看，科技因素是从属于诸如价格、成本、利润以及与此相关的经济变量。人类进入大数据和互联网时代以来，厂商利用云平台、云计算、机器学习等人工智能手段搜集、加工和处理大数据，并以此决定投资什么、投资多少、生产什么、生产多少和怎样生产的事实，明显反映出新科技对厂商选择竞争路径的影响和决定作用。正是基于这样的事实，本文把新科技作为内生变量并据此论证大数据、机器学习与厂商竞争路径的关联。当然，这里的论证只是一种描述它们之间关联的思想火花，它还需要设置参数和模型来描述它们之间存在的机理，以便在符合经济学分析规范的前提上让科技因素真正成为内生变量。

厂商挖掘、搜集、整合、分类、加工、处理大数据，以及用人工智能手段来匹配大数据，是大数据时代厂商竞争路径选择的未来趋势；机器学习在这一趋势中扮演着十分重要的角色，它不仅帮助厂商匹配大数据，而且帮助厂商挖掘和搜集大数据。本文将厂商选择竞争路径时处理大数据和运用机器学习等人工智能手段进行产供销，解说为数据智能化；与此相对应，把厂商与厂商、厂商与个人以及个人与个人之间在互联网上的投资经营互动，解说为网络协同化，认为科技层级较低的厂商即便具备数据智能化和网络协同化，也难以实现网络协同效应；只有科技层级极高的厂商才有可能实现网络协同效应。这个观点的核心是认为网络协同效应伴随复杂场景，它会形成进入壁垒，从而产生行业垄断。大数据时代的行业垄断不同于工业化时代，我们能不能以网络协同效应作为研究行业垄断问题的分析窗口，值得经济学家讨论。

本文有关厂商竞争路径的分析是在市场框架内展开的，没有考虑体制和政策因素，这便引申出一个问题，那就是如果大数据和人工智能等在未来能够主宰微观经济活动，那么政府还需不需要对产业组织运行干预。从理论上来讲，政府是否需要对产业组织中的垄断做出干预，依据在于该垄断会不会影响资源合理配置，于是，问题的讨论转向了大数据时代的资源配置分析。其实，微观层面上的资源配置问题与厂商竞争路径选择存在正相关，市场自然演绎所形成的竞争路径通常会使资源得到合理配置。因此，沿着本文分析思路的后续研究应该将资源配置问题纳入其中，当厂商利用云平台、运用云计算和机器学习等人工智能手段来匹配大数据，从而通过数据智能化和网络协同化确定投资经营已成为一种趋势性的竞争路径时，产品和服务的交易就会去中间化，大数据时代便出现了有别于纯粹市场机制的一种崭新的资源配置机制。这是我们研究大数据、机器学习和厂商竞争路径相互关联而得出的逻辑推论。

大数据时代厂商竞争路径的选择问题，说到底，是厂商挖掘、搜集、整合、分类、加工、处理大数据的问题，这个问题的研究之所以会涉及机器学习，乃是因为它是大数据匹配的主要手段。目前，新科技层级较高的厂商已经能够驾驭历史数据，对现期数据的加工和处理也取得了一定的进展，但他们还没有掌握加工和处理未来数据的机器学习方法。可以推断，新科技层级较高的厂商会促动新科技层级较低的厂商提高加工和处理大数据的能力，倘若如此，微观经济领域出现以新科技作为竞争路径的趋势便非常明显，特别是在厂商能够加工和处理未来数据的背景下，大数据、机器学习与厂商竞争路径之间的关联脉络就更加清晰了。