算法共谋的反垄断法规制

●周 围

一、算法共谋的竞争隐忧

经济学家熊彼特曾预言：“新商品、新技术、新供应源以及新型组织的竞争将比完全竞争更为重要，它冲击的不是现有企业的利润额，而是他们的根基、他们的生命。”〔1〕［美］约瑟夫·熊彼特：《资本主义、社会主义与民主》，商务印书馆2002年版，第148-149页。数字经济的繁荣印证了熊彼特的预言，它不仅颠覆了传统的经济发展模式，而且还创造出无数新的交易机会，极大地激发了全球经济增长的活力。为了维护数字经济的有效运行，经营者们开始利用以现代计算机为载体的算法来实现交易机会的快速搜索和有效匹配，〔2〕See Joseph Kennedy, Why Internet Platforms Don’t Need Special Regulation, http://www2.itif.org/2015-internet-platforms.pdf.以及建立广泛的信任机制。〔3〕See FTC, The Sharing Economy: Issues Facing Platforms, Participants & Regulator, https://www.ftc.gov/system/files/documents/reports/sharing-economy-issues-facing-platforms-participants-regulators-federal-trade-commission-staff/p151200_ftc_staff_report_on_the_sharing_economy.pdf.算法是一种机械、精准、系统地应用于特定标记（tokens）或对象（objects）的操作流程。随着算力的大幅提升和运算数据的海量供给，经营者一方面可以利用算法分析历史数据，以便对产品需求、价格变化、客户行为和偏好、市场风险和可能影响市场环境的内外因素迅速快捷地做出反应，另一方面还可以优化业务流程，通过降低经营者的生产和交易成本，设置有效响应市场环境的最优价格来获得竞争优势。根据欧盟委员会2017年针对电子商务行业的调查报告，58%的受访经营者表示会跟踪竞争对手的在线价格，其中约三分之二已开始使用自行创建的算法程序或借助第三方提供的算法软件来搜索、跟踪、抓取竞争对手的产品价格或其他商业信息。〔4〕See Commission Staff Working Document Final Report on the E-commerce Sector Inquiry, Brussel, 10.5.2017, SWD （2017）154 final, para.149, http://ec.europa.eu/competition/antitrust/sector_inquiry_swd_en.pdf.在亚马逊公司的电商平台上，已有超过85%的供应商使用Buy Box算法来自动定价。〔5〕See Le Chen et al., An Empirical Analysis of Algorithmic Pricing on Amazon Marketplace, in Proceedings of the 25th International Conference on World Wide Web, World Wide Web Conferences Steering Committee, 2016, p.1339-1340.

经营者使用计算机算法虽可改进定价模型、定制特色服务和预测市场趋势，进而提高竞争效率，但算法的广泛使用也可能产生反竞争效应。因为使用算法让经营者更容易在无任何正式协议或人际互动的情况下实现或维持共谋。早在2015年就有学者撰文指出：“无论是明示或默示的共谋，通过对收集的海量数据进行算法处理的自动定价可能会导致价格高于竞争水平。”〔6〕Salil K. Mehra, Antitrust and the Robo-Seller: Competition in the Time of Algorithms, 100 Minnesota Law Review, 2016, p.1350.随后，在2017年经合组织（OECD）的“算法与共谋”圆桌会议上，美国、欧盟、英国、意大利、俄罗斯、新加坡等反垄断执法机关也开始对算法可能引发的共谋问题表示出担忧。〔7〕See Algorithms and Collusion - Summaries of Contributions, https://www.oecd.org/officialdocuments/publicdisplaydocumentp df/?cote=DAF/COMP/WD（2017）2&docLanguage=En.由是可见，算法与大数据以及机器学习等先进技术工具的结合正在日益改变数字市场的竞争格局，算法的使用不再只是经营者的个体行为，其对经济活动的深度介入还可能产生广泛的公共性问题。

首先，算法提升了供给侧的市场透明度。〔8〕市场透明程度是指在市场竞争中，经营者完整、全面、真实和可靠地获取经营信息通常需要基于对商品供求、交易价格、市场监管以及财政、经济和金融等各项指标和信息的获取程度。理论上，市场透明度越低，具有信息优势的经营者达成共谋的可能性就越高，处于信息劣势的经营者将为此付出更多的交易成本，导致市场的运行效率降低；反之，市场透明度较高，经营者虽能充分收集竞争对手及市场信息，但具有强大数据挖掘能力的复杂算法可更好地区分有意图的共谋偏差，从而更容易实现共谋者对彼此履行垄断协议情况的监控和惩罚。实践中，算法能够有效收集可自动分析并转化为行动的详细实时数据，从而使经营者从强大的预测能力和高效的算法决策规则中受益。故此，只要部分市场参与者从算法竞争优势中受益，行业的其他公司就会有强烈的参与动机，以避免被赶出市场。如此的结果便是所有市场参与者不断地收集和实时观察竞争对手的行为、消费者的选择和市场环境的变化，从而创造出一个容易产生共谋的行业。欧盟委员会就认为，通过价格监测软件提高价格透明度可通过更容易和更直接地检测与共谋协议的偏差来促进或加强零售商之间的勾结。反之，这可以通过限制这种偏离的预期收益来减少零售商偏离共谋价格的动机。〔9〕Supra note 〔6〕, para.608.

其次，算法显著提升了经营者之间交互的频次（Frequency of Interaction）。在传统的市场环境中，经营者调整价格的成本高且耗时，极易引起反垄断执法机关的关注。例如，占据德国年度汽油零售额64.6%的埃克森美孚、壳牌等5家公司为了监控竞争对手的定价，会安排人手多次驶过指定竞争对手的加油站并记下价格，并将监测到的价格输入到相应的石油公司电子系统。通常情况下，一个经营者提高汽油价格时，其竞争对手需要在3-6个小时后才能做出回应。〔10〕See Fuel Sector Inquiry Final Report, http://www.bundeskartellamt.de/SharedDocs/Publikation/EN/Sector%20Inquiries/Fuel%20Sector%20Inquiry%20-%20Final%20Report.pdf?__blob=publicationFile&v=14.但引入算法后，经营者们即可便捷地监控竞争对手的价格，而无需冗长的价格公示来观察并形成竞争反应，仅需通过自动化决策即可及时更新自身的价格水平。在澳大利亚珀斯市的汽油零售市场尽管也存在类似的价格监控，但零售商们普遍采用算法来监控每个加油站的实时定价，从而避免每天多次开车经过邻近的加油站。信息的互联使得经营者在获取即时价格后不必再向总部报告定价信息后再做出反应，也不必持续观察其他经营者的价格变动，通过将价格信息馈入算法即可迅速产生实时的价格反应。〔11〕同前注〔6〕，Salil K. Mehra文，第 1338页。鉴于定价算法的反应速度，其他零售商不太可能再临时提供折扣以吸引其客户。鉴于此，这种高频次的交互不仅可显著降低经营者之间的沟通成本，减少价格信号暴露的风险，而且能有效避免给予消费者充足的时间对价格变化做出反应，防止在不违法的情况下因价格变动而造成客户流失。

最后，算法有效地拓展了经营者达成共谋的市场范围。一方面，算法降低了达成共谋所需的市场条件，从而使得经营者在集中度较低的市场中也可以有效实施价格的搜索、匹配、监督和报复，从而间接地拓展了共谋的发生场域。在传统市场中，若竞争对手数量有限，则共谋更易实现。申言之，若市场内存在大量的经营者，则经营者难以寻找共谋者以及协同目标，即使侥幸缔结了垄断协议，每个参与共谋的经营者也只能获得较低的垄断利润，这会抑制市场经营者实施共谋的动机。而快速精准完成搜寻与匹配的计算机算法可以实现在不太集中的市场中进行协调、监督和惩罚，可从理论上弱化竞争对手数量与达成共谋之间的相关性。〔12〕传统反垄断法理论在分析共谋时最常采用古诺的双寡头模型，而实践中因受制于市场性质、信息传递的便利性以及市场监管的强度，共谋通常产生于产品同质化程度高、市场结构相对集中的市场。See A. Ezrachi and M. E. Stucke, Algorithmic Collusion:Problems and Counter-Measures - Note, Roundtable on Algorithms and Collusion, 2017, p.21-23.另一方面，算法不存在人类经营者的心理变化和偏见，不受执法机关和社会舆论的影响，而且还能增强对共谋者价格维持状况的监督，防止偏离共谋的背叛行为，有效地提升共谋的稳定性。法国和德国竞争管理机构在一份联合报告中也指出：“通过处理所有可用信息，从而监控和分析或预测其竞争对手对当前和未来价格的反应，竞争者可以更容易地实现持续性的超竞争价格均衡。”〔13〕Autorité de la Concurrence and Bundeskartellamt, Competition Law and Data, https://www.bundeskartellamt.de/SharedDocs/Publikation/DE/Berichte/Big%20Data%20Papier.pdf.

可见，尽管算法本身并不会产生法律意义上的价值判断，但这并不表明引入算法对竞争的影响始终是中性的。与算法对整个数字市场的公共性影响不同，其竞争属性还应取决于经营者在竞争中如何使用。一旦算法被用于达成、实施共谋，就可能破坏市场竞争秩序，从而受到反垄断法的规制。在2016年欧盟“Eturas案”中，经营者提供的折扣算法为下游经销商之间达成“有意识的平行行为”提供了帮助，被法院认定构成共谋。〔14〕See Eturas, C-74/14, ECLI:EU:C:2016:42.在实践中，反垄断执法机关对于是否应规制算法共谋都持有十分明确的意见，“任何人都不应该想象他们可以通过允许软件为他们达成协议而逃脱价格垄断”，〔15〕Vestager, M., Algorithms and Competition, The Remarks at the Bundeskartellamt 18th Conference on Competition, Berlin, 16 March 2017.“如果行为之前就是非法的，使用算法来实施这种行为并不会神奇地将其转化为合法行为。同样，以不违反传统反垄断规范的方式使用算法不太可能产生新的责任场景。”〔16〕Maureen K. Ohlhausen, Should We Fear the Things That Go Beep in the Night? Some Initial Thoughts on the Intersection of Antitrust Law and Algorithmic Pricing: The Speech at the Concurrences Antitrust in the Financial Sector Conference, New York, 23 May 2017.作为全球重要的数字市场，中国同样面临因算法普遍适用而产生的系统性监管风险。面对违法行为隐蔽且多样的算法共谋，如何理解其形成机理，解析其违法性，进而对规制算法共谋的分析框架作出更为明确的指引，目前尚未形成共识，还需进一步着力探讨。

二、算法辅助共谋的反垄断法规制实践

在实践中，算法作为促进共谋最为直接的作用是为了确保共谋协议的实施而监督竞争对手的行为。价格等市场数据虽可公开获得，但也并不必然意味市场就是透明的。经营者参与共谋通常需要通过一种定期更新且易于使用的方式从特定竞争对手那里收集数据，而算法则可用于收集竞争对手商业决策的信息、观察筛选潜在的共谋参与者和协商垄断价格。同时，参与共谋的经营者还可通过复杂的算法来提升它们监督相互行为的能力。通过自动收集方法收集到的数据可以被监督，并可以与对背离行为进行自动报复的定价算法相配合。例如，经营者可能设计定价算法有效实施的触发策略（trigger strategies），通过该策略设置一个协议价格以便所有竞争对手都能适用该价格，但只要任何经营者背离则立刻启动价格惩罚机制。由于算法发现与惩罚背离行为的速度快，所以经营者通常缺乏足够的动机实施背离行为。

算法作为一项辅助经营者监督竞争信息的工具，早在1994年“美国联邦政府诉ATP案”中就引起了反垄断执法部门的关注。〔17〕See United States v. ATP., 58 Fed. Reg. 3971 （1993）.在该案中，美国多家航空公司共同出资成立了一家公司，旨在收集各航空公司每日的航班价格信息并通过电脑预订系统（CRS）发送给航空公司和旅行社，航空公司可使用此系统快速观察和响应竞争对手的票价。囿于高昂的协调成本，航空公司通常难以同时参与数十个或数百个航线市场的具体谈判，而基于算法的交流监督平台则能克服航空公司之间的数据交流壁垒和谈判能力缺陷，有效协调各条航线上的价格策略，使机票价格维持在较高的水平，从而提高联合利润，这比任何一家公司只用自己的规则或算法获取的利润更高。因任何显著的价格变动都可以被竞争对手快速匹配，故航空公司背叛共谋价格所获得的潜在收益远小于保持高售价的收益，从而进一步增强了共谋的稳定性。〔18〕See William Gillespie, Cheap Talk, Price Announcement, and Collusive Coordination, EAG 95-3, Discussion Paper, Economic Analysis Group, Antitrust Division, U.S. Department of Justice （9/25/95）.在此情形下，反竞争协议仍是由航空公司的经营者们协商、达成和实施的，算法只是促成和实施协议的一种监督机制。

对于这类辅助共谋的算法，其违法行为的认定与传统共谋案件并无明显差异，但在算法的辅助之下，一方面大幅降低了经营者达成和实施共谋的难度，另一方面则进一步提升了执法机关发现共谋的难度。例如，在高度动态化的市场中，供给与需求的持续变化要求参与共谋的经营者频繁调整价格、产出及其他交易条件，经营者必须通过会议、电话、邮件或通过第三方进行频繁协商，以实现非竞争均衡（non-competitive equilibrium），这些沟通行为都存在被反垄断执法机关发现的风险。引入算法后，协商行为被自动化决策所替代，使得价格等市场信息可自动反馈市场变化而无需进一步沟通，甚至价格可自动反馈市场条件的任何变化，从而达成“有意识的平行行为”（conscious parallelism）。〔19〕See OECD, Algorithms and Collusion: Competition Policy in the Digital Age, 2017, p.27-29.例如，某行业中大部分经营者利用算法实时跟随某个市场领导者的价格，即实施“针锋相对策略”（tit-for-tat strategy），若领导者负责设置将价格固定在竞争水平之上的动态定价算法，那么其他经营者就会即时跟进并且达成共谋。

在前述“Eturas案”中，立陶宛的一家名为Eturas的公司使用折扣算法为下游旅行社之间达成“有意识的平行行为”提供了帮助。〔20〕同前注〔14〕。E-TURAS软件是Eturas公司研发的一个在线旅程预订系统，通过与Eturas公司订立许可合同，下游旅行社则可通过该系统向顾客提供旅行预订折扣。2010年间，立陶宛竞争委员会根据使用E-TURAS系统的其中一个旅行社所提供的信息展开了调查，根据这些信息，使用该系统的旅行社似乎通过该系统在所给出的旅行预订折扣上相互协调。调查显示，2009年8月25日，Eturas公司的经理向数个旅行社发送了一封标题为“投票”的电子邮件，以询问收件人是否愿意调整网站上的折扣，将原为4%的折扣下调为1%-3%的差幅折扣。2009年8月27日，8家旅行社的网站陆续对3%的旅程折扣作了广告宣传。在旅程预订过程中，网站会弹出一个窗口以告知预订人其选中的行程将享受3%的折扣。竞争委员会在2012年6月7日的裁决中认为，2009年8月27日至2010年3月间，Eturas及30家旅行社通过E-TURAS软件给出预订折扣的行为是一种反竞争行为。而所有在涉案期间使用该预订系统而未提出异议的旅行社均违反了竞争条款，因为他们理应联想到该系统的其他使用者可能也将他们的折扣率控制在3%以内。据此，竞争委员会推断这些旅行社之间已相互告知其在未来将实施的折扣率，并通过暗示或默认的方式间接表达了在相关市场上对其行为的共同意志。故此，竞争委员会认为，上述旅行社在相关市场上的行为应被解读为达成一项协同行为。尽管Eturas并未参与相关市场的竞争，但该公司及其E-TURAS算法为这一行为提供了便利。最终竞争委员会宣布Eturas及所涉旅行社违反了《欧盟运行条约》第101条第1款之规定。

为了避免明示性沟通，经营者会通过披露共谋的意图、特定的信号或单边价格宣传行为来实施更为复杂的共谋策略。在传统的市场竞争环境中，发布共谋信号可能给经营者带来极高的成本，若大部分竞争对手并不接受该信号或故意不予回应，发出共谋信号的经营者便因率先提高价格而面临消费者的流失和利润的减损。〔21〕参见韩伟：《算法合谋反垄断初探——OECD 〈算法与合谋〉报告介评（上）》，载《竞争政策研究》2017年第5期。这一潜在的风险抑制了经营者主动发出共谋信号的动力，使其只能被动等待少数经营者的冒险尝试，从而导致共谋的迟延甚至失败。与之相较，算法能让经营者自动设置执法机关和消费者无法发觉但参与共谋经营者的算法可以察觉的快速议价行为，从而降低甚至完全消除信号成本。例如，在2015年“美国联邦政府诉托普金斯案”〔22〕See Plea Agreement, United States v. Topkins, No. 15-201 （N.D. Cal. Apr. 30, 2015） ［ECF No. 7］.中，被告就利用了算法频繁地释放价格信号和调整价格，达成并实施了共谋。该案被告托普金斯与其他亚马逊网站卖家协商一致，对同类海报设定同样的价格，该共谋行为利用特定的定价算法来实现，此种定价软件通过收集亚马逊网站上各商家关于特定商品的价格信息，为商家提供定价规则。托普金斯及其共谋者同意使用特定算法为特定海报产品进行定价，促使共谋者的商品价格及其变动能够保持一致，从而实现固定和提升商品价格之目的。此种共谋行为使得托普金斯和共谋者在一个共谋的、没有价格竞争的亚马逊市场销售、传播和交易商品。本案中算法对该共谋行为的影响表现在：若无定价算法，托普金斯及其他参与共谋的经营者则需通过一系列协商以及后续沟通调整，才能保持价格的一致，但在引入算法后，算法可按事先设定的定价规则进行定价，并根据市场变化进行统一的价格调整，从而彻底隐藏了经营者的明示共谋行为。

共谋是竞争对手之间实施的损害消费者利益的共同利润最大化策略行为，算法的引入则进一步放大了共谋的产生场域和社会危害。现有涉及共谋的算法在案件中主要是作为辅助经营者达成和实施共谋的一种工具，在其辅助下，经营者间的协商、交流和实施更加难以被察觉，一定程度上增加了执法机关发现线索、搜集证据和确认违法行为的难度。值得注意的是，此类案件无论是在以经营者的目的和行为作为判定其违法性的标准，抑或是以行为的反竞争效果作为其承担法律责任的裁量依据上，均未突破反垄断法“人类中心主义”的规制框架，其核心始终聚焦于经营者的垄断行为。也就是说，虽然使用算法进行共谋串通的经营者能够通过该系统隐匿地接收和确认参与共谋的意图和方式，但是共谋之达成和实施仍依赖于经营者有意识的客观行为。不可否认，算法对共谋行为的影响远非止于此，技术的引入还可能产生更具挑战性的共谋场景。

三、自主学习算法共谋的特殊性及应对

除了作为辅助共谋的工具，算法还能够与机器学习和深度学习技术相结合，在无需经营者人为干预算法运算过程的情况下就自主实现共谋之结果。换言之，这种算法通过持续学习以及与市场主体行为的反复协调，在无需人类干涉的情况下便可能形成共谋。这种算法被称为自主学习算法（Selflearning algorithms），〔23〕同前注〔19〕，OECD文，第 31- 32页。相较于辅助共谋算法，其更容易确定共谋者之间的共同利润最大化价格，从而最大程度地损害消费者利益。更令人忧虑的是，与人工智能技术相结合的算法所形成的共谋结果只能通过竞争效果去观察，无法通过形式去认定和判断，故而执法机关很难察觉自主学习算法是否已在数字市场中形成了“虚拟共谋”（virtual collusion）或产生了相应的共谋结果。而且，人工智能算法的具体工作过程是个“黑箱”，其处理原始数据的方式复杂、快速及精准，目前执法机关尚无从知晓算法决策背后的相关细节。如果经营者通过人工智能算法自动设置价格及其他商业决策，那么共谋的结果将更难通过传统的反垄断工具予以阻止。

（一）自主学习算法共谋的特殊性

与算法辅助型共谋相比，自主学习算法形成的共谋具有如下特征。

1.由算法主导形成。多年来，定价算法已经在诸多行业中得到应用，人工智能领域也取得了长足的进步。一旦定价和协调决策完全委托给具有自主学习能力的算法则可能引发对算法共谋的系统性监管风险。〔24〕同前注〔6〕，Salil K. Mehra文，第 1335页。目前虽尚未出现由自主学习算法主导实现共谋的案例，但已有学者通过构建利润最大化函数模型，成功模拟了两个利用算法设定价格的经营者实施共谋的情形。〔25〕See Bruno Salcedo, Pricing Algorithms and Tacit Collusion, Manuscript, Pennsylvania State University （2015）.在该模型中，假设这两个寡头垄断经营者在局部时间点上均能够快速、及时地“解码”对方的算法及价格，并相应地调整自己的价格，经营者α采用一种对竞争对手的任何提价均进行匹配的定价算法，在此情况下，经营者β的最佳反应就是将其视为某种“提议”，同时并行地提升价格。只要经营者α不能迅速修改其价格，经营者β就会将其视为提高价格的坚定承诺，从而摆脱竞争均衡价格。该模型中的算法人为地抑制了价格调整的及时性，导致算法之间的共谋“不可避免”，这也同时证实了在寡头市场中当具有可信承诺时算法达成共谋的可能性。这种能够自主观察、接收、馈入市场信号，并据预设逻辑得出反馈结果的算法与机器学习、深度学习等人工智能技术相结合，通过使用不同的编程原理来设计智能体（agent）处理复杂的市场竞争问题，完全规避了经营者在市场竞争过程中的主导作用。

2.共谋实现的方式更为隐蔽。算法改变了数字市场的特征，一则提升了市场透明度，二则提高了经营者快速回应对手行为的能力。在这种环境下，算法可让企业无需明确沟通或互动的前提下相互依赖，提升了产生默示共谋的风险。在这种高度集中、稳定与透明的市场环境中，经营者行为对其竞争对手有着更为显著的影响。因此，通过反复协调和观察，经营者所使用的算法慢慢可以觉察到他们各自的策略选择是相互依赖的，通过配合各自的行为，他们可以将价格的设置高于竞争水平，而无需实际的沟通。换言之，通过相互依赖以及相互的自我意识，算法可协调将价格推向垄断水平，这与经典的“寡占问题”（oligopoly problem）颇为相似。〔26〕See R. Posner, Oligopoly and the Antitrust Laws: A Suggested Approach, Stanford Law Review, （21）, 1968 , p. 1562-1606.而且，自主学习算法还使得默示共谋在更多样化的环境下变得可持续，从而在非寡占市场结构中拓宽了寡占问题的适用范围。学界普遍认为，传统的默示共谋只能在相对集中的市场中持续存在，当经营者反复且无限次地沟通时，默示共谋在某些限制条件下是能够实现均衡的。〔27〕See S. Feuerstein, Collusion in Industrial Economics, Journal of Industry, Competition and Trade, （3）, 2005, p.163-198.但是，算法的出现和广泛应用在一定程度上拓展了算法共谋形成所依赖的市场结构。如有学者所言：“行业向定价算法的转变可以将超级双方的默契勾结拓展到拥有五六家大公司的市场。”〔28〕数字市场的性质、数据的可用性、类似算法的发展以及它们所促进的稳定性和透明度很可能将一些原本处于暗中勾结之外的市场推向相互依存。See A. Ezrachi and M.E. Stucke, Algorithmic Collusion: Problems and Counter-Measures - Note, Roundtable on Algorithms and Collusion, 2017, p. 21- 23.有学者同样认为：“通过对收集的海量数据进行算法处理的自动定价可能会导致价格高于竞争水平，无论是通过默示共谋还是更强大的卡特尔形成。”〔29〕同前注〔6〕，Salil K. Mehra文，第 1363页。OECD也指出：“算法可能会影响数字市场的某些特征，以至于默示共谋可能在更广泛的情况下变得可持续，可能将寡头垄断问题扩大到非寡头垄断的市场结构。”〔30〕同前注〔19〕，OECD文，第 21-23页。

3.自主学习算法对反垄断“人类中心主义”规制框架的潜在突破。作为一种工具，算法消除了竞争对手之间的明确沟通或交流的需要，可以便利非竞争均衡的达成。实际上，算法可以发挥经营者之间媒介的功能，通过收集与处理市场数据，快速应对竞争对手的行为。算法在控制共谋的结构方面可能比人类做得更好，因为它们在发现价格变化方面更为精确，消除了人类偏见等非理性因素，降低了共谋策略被错误行为所削弱的可能性。〔31〕同前注〔6〕，Salil K. Mehra文，第 1346页。传统反垄断法对垄断协议的规制是基于“人类中心主义”的视角。首先，在禁止经营者实施反垄断法所规定的垄断协议时，反垄断执法机关经常会利用竞争对手相互之间的不信任，放大涉案经营者对执法行为的恐惧，以实现案件的突破。其次，在判定经营者是否违反反垄断法实施共谋时，通常需要衡量垄断经营者或企图垄断经营者的行为意图以及判断经营者之间是否存在“一致性意见”（meeting of the minds）或“合意”（mutual assent）。〔32〕See Alon Y. Kapen, Duty to Cooperate Under Section 2 of the Sherman Act: Aspen Skiing’s Slippery Slope, 72 Cornell Law Review, 1987, p.1047.行为的意图、一致性意见或对违法的恐惧都是针对假定的人类心理状态，但在自主学习算法主导共谋时通常很难奏效。算法的设计和运行虽在一定程度上模拟着人类的思维方式，但很难模拟人类的潜在情感和心理状态，而这些在执法机关查处垄断协议案件时都是至关重要的因素。

虽然自主学习算法共谋的上述特点给反垄断法规制带来了诸多困难，但仍应从实践和理论两个方面对自主学习算法实现共谋的原理进行剖析，以求找寻可能的应对策略。

（二）自主学习算法实现共谋的现实障碍

在算法博弈论和人工智能经济学领域，学者们不断探索算法在实现自主共谋上的可能性。例如，有学者使用基于强化学习（Reinforcement Learning, RL）技术的Q-learning算法根据零和博弈（Zero-Sum Games）、一般和随机博弈（General-Sum Games）等策略尝试模拟默示共谋。〔33〕See A. Ittoo, N. Petit, Algorithmic Pricing Agents and Tacit Collusion: A Technological Perspective, https://ssrn.com/abstract=3046405.还有学者发现基于强化学习算法的智能体在古诺双寡头垄断中可实现默示共谋。〔34〕See Waltman et al., Q-learning Agents in a Cournot Oligopoly Model, Journal of Economic Dynamics and Control 32.10, 2008,p.3275-3293.我国学者也从双寡头竞争模型中成功建构了一种线性勒索算法（Linear Extortion to Collusion Algorithm），并成功模拟了与人类实现共谋的情形，〔35〕See Nan Zhou et al., Algorithmic Collusion in Cournot Duopoly Market: Evidence from Experimental Economics, 2018.根据该研究，在共谋的动态演化过程中，无谓损失不断增加而社会福利则持续下降，而且在勒索算法—人类共谋中，随着共谋程度的不断上升，勒索算法的利润比人类经营者更多，这充分说明算法共谋产生的威胁是真实的、可预期的。当然，目前自主学习算法多智能体之间的共谋面对成本、价格或其他参数的微小扰动时并不稳定，〔36〕See Segismundo S. Izquierdo and Luis R. Izquierdo, The Win-Continue, Lose-Reverse Rule in Cournot Oligopolies: Robustness of Collusive Outcomes, Advances in Artificial Economics, （18）, 2015, p. 33-44.因此，在真实的市场环境下，要实现依赖复杂的自主学习算法共谋仍存在诸多难题。〔37〕假设市场中存在n个智能体，而每个智能体又分别存在A个可能的策略和反应以及m个状态的环境变量，那么需要计算的可能性就是nmAn，其计算的复杂性是难以估量的。See L. Bus¸oniu, R. Babuska, and B. De Schutter, A Comprehensive Survey of Multiagent Reinforcement Learning, IEEE Transactions on Systems, Man, and Cybernetics-Part C: Applications and Reviews, （2）, 2008,p.156-172.

首先，算法函数的偏好存在差异。在多个自主学习算法试图进行共谋的场景中，算法所代表的不同经营者收益彼此相关，且无法独立优化。要想达到均衡，则需考虑联合行动与各算法之间的连锁反应。原则上，这需要算法程序之间互相信任并且访问内部信息，但每个自主学习算法的设定是无法博弈和互相试探设定此类联合行动与反应函数的，故而这无法在经营者或算法制定者不知情或不允许的情况下实现。鉴于此，自主学习算法必须面对价格不断波动及算法之间对价格的信任认定问题，所以还需要预先引入寡头垄断者之间交换信息等辅助机制来确保共谋均衡的稳定性，但这又背离了自主学习算法引发市场系统性共谋风险的前提。

其次，交易信息和市场数据的非平稳性。每个算法智能体的最佳策略会由于其他智能体的反应而改变，这种交易信息和市场数据的非平稳性可能使算法之间的趋同属性失效。如果将定价算法的博弈抽象为一个个独立的阶段，那么则需要进一步确定一个阶段的确切构成以及阶段内的时间长度。每个寡头垄断者可能对此有不同的认识和预测，从而导致对其他算法预期的均衡状态判断失误，降低算法之间共谋的可能性和效率。同时，在计算各自收益时算法可能还需考虑其他经济变量，包括需求预测、垂直整合策略、投入价格等。这些不断变动的数据增加了自主学习算法达成共谋的不确定性。

最后，自主学习算法的“探索—利用”困境（exploration-exploitation dilemma）。算法的可拓展性是自主学习算法的主要特点，其中包括“探索”与“利用”两种倾向。前者用于分析当前数据并对未来可能的更高收益作出预测，但过于关注“探索”的算法可能会错失实现均衡的条件，不利于共谋的达成；后者则更关注已知的能产生最大Q值的状态和策略，但也存在披露价格不充分、导致无法使价格处于竞争水平之上的风险。两者的权衡是自主学习算法在开发现有知识与探索以改进现有知识之间的权衡，这也是多智能体环境下实现共谋均衡的一个障碍。

鉴于此，基于当下产业的实际状况，自主学习算法尚不足以颠覆当前反垄断法的制度框架。尽管有大量的新技术涌入，但市场竞争及其规制仍将以“人类为中心”。

（三）自主学习算法实现共谋的判定标准与理论内核

虽然自主学习算法目前在经营活动中仍需借助大量的辅助机制或限定性的市场条件才能够完成共谋，但算法共谋潜在的系统性风险仍然引发了各国反垄断执法机关的广泛关注。自主学习算法所形成的共谋一般仅由算法基于预先设定的变量控制规则和函数运算结果与其他经营者的算法结成相互依赖的关系或实施一致行为，而无需达成公开或正式的协议即可实现排除、限制竞争的目的，这与默示共谋的特征十分契合。参与默示共谋的经营者通过经营者之间的依赖行为实现协调，而算法的快速发展使得竞争对手之间可以快速及微妙地进行互动，竞争对手可能以复杂的编码为媒介去达成共同的目标。根据各国反垄断法的制度安排，竞争者之间达成特定的“协议”（agreement）是反垄断执法机关规制共谋的前置条件。例如，专门针对限制贸易的合同、联合及共谋的美国《谢尔曼法》第1条在适用时即要求原告或执法机关必须证明在两个或多个经营者之间存在固定价格或限制产出的协议。然而，自主学习算法引发的默示共谋在未进行客观协商的基础上，仅通过算法运算函数的设置即可达成一致，导致价格位于竞争水平之上。这种行为因缺乏客观协商行为及明示合作的前提，故难以被纳入协议的范畴，受到传统反垄断法的规制。鉴于此，我们还需进一步分析共谋形成的理论内核，以明确自主学习算法导致的共谋的判定标准。

1.拓展“协议”范畴的必要性

由于共谋是反垄断法的“终极罪恶”，因而垄断协议中的“协议”并不完全等同于民法上的合同，也不具有普通民事合同所具有的法律约束力和强制执行力。根据法律解释的相关理论，对“协议”概念的解释应秉持法律目的和普通意义的双重原则。虽然法律规则中概念的模糊性为法院寻找符合基本法律目的的解释提供了自由空间，但是其所作的解释必须符合概念的普通含义。也就是说，法院可适用法律目的来解释概念，但不得突破普通含义的范畴。〔38〕See O. Black, Agreement: Concurrence of Wills, or Offer and Acceptance? 4 European Competition Journal, 2008, p.108-112.

相对于反垄断法，合同法中的“协议”概念更接近于普通意义，该语境下的协议通常包括“要约”和“承诺”两个要件，且两者应具备一定的客观性，即要约和承诺都应是基于文字或行为等形式的客观行为，并能够被受要约人所客观理解。同时，协议中的要约与承诺必须相互对应，即要约人和受要约人采取某种协调行为的共同意图。除此之外，为了使相对人之间形成特定的法律约束，要约与承诺还应具备一定的精确性。在这种解释中，客观性和对应性要求是固有的定义特征，而精确性是合同法下要约和承诺的非固有定义特征。也就是说，固有的定义特征是作为协议构成概念的要约和承诺的普通含义固有或部分包含的那些特征；非固有的定义特征并非源于要约和承诺的普通含义，而是专门基于合同法的法律目的。未达到合同法规定的精确性要求的协议表明要约人和受要约人缺乏认真承诺，因此缺乏法律约束力。若要将合同法概念下的要约和承诺适用于反垄断法时，需将固有定义特征和非固有定义特征进行区分。

2.判定反垄断法“协议”的标准

当证据不足以充分证明存在协议时，该如何适用反垄断法来规制那些具有明显反竞争效应的“有意识的平行行为”呢？对属于固有定义特征的客观性和对应性而言，反竞争性要约和承诺必须根据双方的客观互动进行确定，并且必须涉及同一个联合限制竞争行为，以便产生从事这种行为的共同客观意图；对属于非固有定义特征的精确性而言，虽然共同客观意图对于缔结反垄断法意义上的“协议”是必要的，〔39〕See O. Odudu, The Boundaries of EC Competition Law: The Scope of Article 81, Oxford University Press, 2016, p. 59-61.但是并不意味这种意图必须与当事各方对某项具体的联合限制竞争行为作出的准确承诺相关。鉴于合同法意义上的精确性要求并非要约和承诺的固有定义特征，其能否适用于反垄断法还须考虑其一般目的，即是否阻止了反竞争活动。假设“要约”向竞争对手提出的建议在某种程度上提高了价格，尽管这是一个未包含精确性内容的提议，但仍可能引起竞争对手以反竞争的形式提价。同样地，对于竞争对手的“承诺”行为而言，重要的是它们是否足以使要约人继续实施限制竞争行为，而不是立即放弃。换言之，反垄断法中的“协议”可以容忍一定程度的抽象，只要它反映了共同的客观意图，即采取了一些具有反竞争意义的协同行动。例如，串通价格的一般共同意图已经表明了反竞争的损害，此际要约和承诺没有必要再详细说明价格共谋的细节。虽然高度的精确性对于确保合同协议是自愿的并且对要约人和受要约人互利是必不可少的，但反垄断法意义上的协议只需要共同损害市场竞争的主观意图即可。由于反垄断法意义上的协议既不是其普通含义所固有的，也不适用于合同法的目的，所以无需遵守合同要约和承诺的精确要求。故此，上述分析支持客观性和对应性要求作为固有的定义特征的持续相关性和重点，以及对要约和承诺精确性要求的适当放宽。当事人的共同意图必须客观而非主观的确定，这种共同意图可以由“实际的，语言化的交流”构成。

例如，在“Interstate Circuit v. United States案”〔40〕See Interstate Circuit v. United States, 306 U.S. 208 （1939）.中，有8家电影销售商和电影放映商在与剧院订立的放映合同中要求剧院对首轮放映的电影门票至少要收40美分，非首轮放映的电影门票则至少收25美分，同时，还禁止剧院将首轮电影与其他电影一起“双片连映”，然而除了有包含变更条款的信件外，并无证据能证明销售商们达成了协议。美国联邦最高法院认为：“地区法院认定销售商们之间存在协议这是得到证据支持的，但我们认为在本案情况下，这种协议并不是认定存在非法共谋的前提条件。既然销售商们之间的一致行为是策划好的，销售商们收到邀请后遵守这个方案，参与这个一致行为，知晓这些就足以认定非法共谋存在了。”〔41〕Interstate Circuit v. United States, 306 U.S. 208, 226 （1939）.这一观点表明联邦最高法院试图根据表现出协议某些特征的行为来推断存在反垄断法意义上的共谋。在“American Tobacco v. United States案”中，美国联邦最高法院再次提出了这种观点，“要构成非法的共谋，并不是必须有正式的协议。犯罪的认定往往是从嫌疑人所为的、具有犯罪意图的行为来推断的。如果当事人的一致行为证明存在共谋——就像本案这样，则更能有力地证明它们具有运用这种（通过共谋获得的）排除力量的意图。可以根据交易的过程或其他环境，或根据语言的交流来证明发生了《谢尔曼法》所要求的‘联合’或‘共谋’。如果环境足以使陪审团认定共谋者们有从事某个非法安排的统一的意图，或共同的设计与理解，或在某个非法安排上存在意思一致，则认定共谋存在就是合理的。”〔42〕American Tobacco Co. v. United States, 328 U.S. 781, 809-810, 66 S. Ct. 1125 （1946）.

欧盟委员会在认定默示共谋时也不要求经营者之间必须达成具有普通民事合同特征的协议。例如，欧洲的几个染料经营者在一段时间内多次以相同的幅度同时提高价格，对此德国联邦法院认为，《反限制竞争法》第1条所指的合同与一般合同一样是订约人在意思表示一致的基础上达成的一致意见。由于该案的卡特尔局无法证明经营者之间存在明确的协议，也不能证明存在要约和承诺，因而法院就认定当事人之间不存在合同关系，并进而推翻了联邦卡特尔局的裁决。但是，欧洲法院却将其视为违反《欧盟运行条约》第101条规定的协同行为。虽然经营者之间的协议没有在立法上得到明确界定，但一般认为这里的协议所涵盖的范围比较宽。〔43〕See Imperial Chemical Industries Ltd. v. Commission of the European Communities Cases, 48-57/69 ［1992］ECR619: CMLR 557.值得注意的是，欧盟对协议概念的宽泛理解并不是毫无限制的。欧盟委员会曾明确指出，一项协议不需要以书面形式订立，也不需要合同的批准或执行措施，协议存在的事实可以清晰地或含蓄地体现在成员的行为中。〔44〕See Robert Lane, EC Competition Law, Pearson Education Limited, 2000, p. 51-52. 转引自游钰：《卡特尔规制制度研究》，法律出版社2006年版，第134页。

在此情况下，自主学习算法形成的共谋即有可能被纳入反垄断法的规制范围。例如，其他经营者的算法可以客观地观察或爬取到价格领导者算法的共同提高价格“要约”的信号，并因此可能促使他们参与默示共谋。同时，价格领导者算法同样可以客观地观察市场中其他算法对该提案的同意和跟随，以促使其继续参与共谋。这种共同提高价格“要约”通常会提高其价格作为一个客观的信号，竞争对手也会基于“追随策略”（follow-the-leader strategy）选择是否跟进。如果被要约人的算法效仿并据此默示同意该提议，那么价格领导者的算法将被诱导以维持其高价；如果竞争对手的算法不跟进，那么价格领导者的算法就会放弃并将其价格调整回原来的水平。尽管要约和承诺都是通过行为和默许，但仍足以满足客观性要求，就像合同要约和行为接受一样；尽管各方承诺的承诺程度较低，但模糊的默契仍可成为反垄断法意义上的协议。如上所述，合同法中的精确性要求应在竞争法的范围内适当放宽，从而使其具有反竞争效果但内容模糊的默示共谋落入规制范畴。

当然，仅凭行为意图来判定默示共谋仍存在极大的风险。例如，在古诺寡头垄断的市场结构中，每个经营者的边际成本和边际收入相等。一旦达到均衡，在其他竞争者产量不变时，自身价格即是自身利润最大化的水平，任何个体的降价均会减少降价者自己的利润。在实现这种均衡的过程中，经营者们的行为表现为不断试探和提价，这与默示共谋的行为外观十分相似，但其结果并不具有反竞争效果。在欧盟竞争法实践中，这种例外也同样获得了关注。例如，在1975年的“Suiker Unie案”中，欧盟法院就认为：“不应一概剥夺经营者明智地适应其竞争对手的现有和预期行为的权利。”〔45〕Case 40/73 Suiker Unie, ECLI:EU:C:1975:174, paras. 174.

3.充分利用间接证据和环境证据

一般而言，若实践中未能掌握经营者进行明示性共谋的直接证据，法院还可利用某些间接性证据推定共谋的存在。例如，在前述“Interstate Circuit v. United States案”〔46〕Interstate Circuit v. United States, 306 U.S. 208 （1939）.中，订立价格维持条款和限制双片连映条款可有效防止从这些销售商那里得到电影的剧院之间进行价格竞争，并且使得剧院在所维持的价格上无法通过多放映一部电影来进行竞争。如果销售商之间达成一致，迫使每个放映许可协议中都加上这两个条款，则行为显然是非法的。因此，美国联邦最高法院认为：“对于这两个限制，如果没有一致性的同意，则会使自身的经营和商誉受到巨大的损失；但如果大家一致同意，则可以增加利润。”〔47〕Interstate Circuit v. United States, 306 U.S. 208, 222 （1939）.换言之，单方施加价格维持条款和限制双片连映条款不具有经济上的合理性。据此，美国联邦最高法院以环境证据来推断存在明示的通谋。尽管这里只存在明示的“要约”，而无明示的“承诺”，但可从证据中推断出存在承诺。

由于共谋的隐蔽性特点，许多案件无法以书面协议、口头要约与承诺的证词等直接证据来证实共谋的达成或实施，所以需要借助间接证据和环境证据来进行推定，此一方法在算法共谋中依然有效。例如，在前述“Eturas案”中，虽然使用E-TURAS软件的旅行社均拥有直接与E-TURAS预订系统对接的特殊邮箱来进行信息传递和接收，但该信息的阅读方式与一般电子邮件相同，仍需以收件人打开邮件为前提。因而，该案佐审官（General Advocate）认为：“任何一个审慎负责的普通经营者均应（且必然）注意到涉案系统消息及其所参与的限制竞争行为，除非有证据能证明涉案旅行社未曾收到上述信息或未曾浏览相关版块，否则涉案各旅行社均应被视为已知悉上述信息内容，并且在作出市场决策时已将其与竞争者互通过的信息纳入了考量，从而被推定为参与了相关的协同行为。”〔48〕Eturas, C-74/14, ECLI:EU:C:2016:42.

但需注意的是，仅证明经营者有机会进行共谋或实施共谋在经济上具有显著的合理性尚不足以证明共谋的存在。在1954年的“Theatre Enterprises v. Paramount案”中，法院认为，电影发行商拒绝给予作为原告的电影院首映资格的做法反映了每个发行商的个体判断，即原告电影院的位置使它不适合作为进行首映的电影院。于此情形，一致性的拒绝并不意味存在默示的协议，无论其他的竞争发行商如何选择，每一个发行商都会拒绝给予原告首映资格，这些发行商的一致行为甚至不是有意识的。〔49〕See Theatre Enterprises v. Paramount Distributing, 346 U.S. 537 （1954）.鉴于此，若要依靠间接证据或环境证据证明经营者之间存在协议，则还必须证明被告的行为只有在与其他经营者达成谅解，后者也对其行为进行同样的调整的情况下仍具有经济上的理性。尤其是随着新业态商业模式的不断涌现，算法已经与经营者的日常业务高度融合，若经营者的算法之间需要频繁交互时，并不能据此证明经营者之间正在进行共谋。比如，当事人在行业协会的业务交流中时常会面，而讨论议程之一正是要就正在恶化的市场条件进行讨论，则不能仅仅根据这样的事实就推断他们在进行固定价格。只有当有证据证明会议上的确讨论了固定价格问题，或讨论了排除某个竞争者的计划，则这些证据一般是可以接受的，可据此认定存在一项适格的协议。

四、应对算法共谋的法律路径

来自于产业实践的数据以及学界的研究表明，基于算法的自主和智能系统与现实社会的融合趋势不可逆转。虽然囿于算法运算能力、算法函数设计等客观的技术发展瓶颈，算法共谋可能带来的反竞争损害目前还未真正涌现，但算法共谋的系统性风险是潜在但可置信的。鉴于此，我们还需从算法内容、法律实施以及社会实践等多个面向探究规制算法共谋的合理框架。

（一）算法内容面向的规制策略

作为一种存在明显反竞争效果且无特殊行业监管背景的垄断行为，算法共谋的规制通常应依赖反垄断法律制度。但是，随着算法对经济社会影响的不断扩大，在适用反垄断法规制算法共谋问题时，还应充分考量算法在共谋活动中的作用和特性。

1.数据的收集和利用

算法共谋的实现有赖于海量数据计算所得出的预测性结论。而作为市场信息的重要载体，数据的使用和分享并不当然地违反法律。相反，数据的使用和分享能够赋予潜在竞争者获得进入特定市场的竞争力，因为“数据的规模是成为有效竞争者的重要因素”。〔50〕Comp/M.5727, Microsoft/Yahoo! Search business, 10 February 2010, §153.特别是作为实现算法共谋所必需投入品的成本价格、生产计划等市场信息，在市场中并不能为公众所直接获得，而算法的介入，则大幅提升了信息交互的频率、信息沟通的及时性。换言之，数据的收集和利用可能通过提高市场透明度和实现高频交互来增加明示或默示共谋的可能性。若经营者之间可以毫无障碍地互相抓取关键的市场数据，并足以降低经营者作出市场策略的不确定性，即可认定存在协同。例如，《关于欧盟运行条例第101条适用于横向合作协议的指南》就将经营者之间交换与未来的价格或产量等有关的个体性信息的行为可被直接认定为具有限制竞争的目的。此外，收集和利用数据可能会增加市场进入壁垒并成为市场力量的来源。经营者在算法中还以可利用用户协议、“白名单”“ 黑名单”等方式设置特殊的数据抓取壁垒，则能够为参与共谋的经营者提供获得市场关键信息的途径，从而实现算法共谋或者其他排除、限制竞争的结果。例如，在“Google收购ITA案”中，法院认为，除非拥有其他数据来源或者克服了数据的非对抗性（non-rivalrous），涉及独特数据来源的排他性合同能够通过投入品封锁的方式形成市场进入障碍。〔51〕See U.S. v. Google Inc. and ITA Software Inc., Civil Case No. 1:11-cv-00688.鉴于此，在判定经营者之间是否利用算法实施共谋时，可进一步审查经营者是否对其非公开的关键市场信息设置了必要的保护措施，以及经营者之间是否存在频繁数据抓取和信息交换。若经营者在基于数据抓取和信息交换等辅助行为进一步实施了某些平行行为或跟随行为，且行为限制或者消除了合法竞争，则这种数据抓取和信息交换即可证明经营者之间存在共谋的意图。

2.算法的内容设置

除了在数据获取环节可能存在的执法契机外，对算法共谋的规制还可从涉嫌共谋经营者所使用的算法入手，对算法运行的机制进行审查。虽然目前算法的运行过程普遍处于“黑箱”状态，但实际上人工智能算法的输出仍是由数据和代码决定的，并不会比自然现象更难以分析和解释。〔52〕参见［美］莱斯格：《代码2.0：网络空间中的法律》，清华大学出版社2009年版，第181页。反垄断法并不禁止经营者之间独立地采用相同或者类似的算法，尤其是在没有产生一致性行为时。例如，如果多个存在竞争关系的公司在互不知情的情况下购买了相同的软件来设定价格，并且该软件使用相同的算法，这可能有效地调整了所有市场参与者的定价策略，但他们并未达成共谋。不可否认的是，存在竞争关系的经营者采用相同或类似的算法来决定市场价格时，就可能导致中心辐射型共谋（huband-spoke conspiracy），因为算法接受市场信号后会基于特定的运算机制预测竞争对手的应对策略和市场变化趋势。不同的函数设计和反应触发设定会导致算法预测的结果及反应的时间存在差异，进而增加算法之间博弈的运算量和交互次数，而凭借相同算法产生的中心辐射作用可能引发行业性的共谋，进而导致产品价格的上涨。经营者是否愿意使用同一算法去提高价格等有关共谋意图的证据便能帮助反垄断执法机关去评估协议的目的以及可能产生的竞争效果。〔53〕参见［英］Ariel Ezrachi、［美］Maurice E. Stucke：《人工智能与合谋：当计算机抑制了竞争》，焦海涛译，载韩伟主编：《数字市场竞争政策研究》，法律出版社2017年版，第340-364 页。

除了内容相同或近似的算法，特定的算法运行机制也可能对共谋的实现起到促进作用。例如，在线性勒索共谋算法实验中，实验人员通过该算法与人类进行多迭代博弈的市场实验中发现，该算法能够根据市场变化自动限制产量，进而迫使人类经营者执行超竞争策略并与之进行共谋，最终实现提高价格和提高利润的不法目的。而根据实验结论，当该算法与人类的迭代博弈达到300次时，双方因未实现商品或服务均衡而导致的无谓损失激增12倍；当博弈次数达到600次时，共谋是不可避免的。〔54〕同前注〔35〕，Nan Zhou等文。鉴于此，反垄断执法机关还应关注涉案算法的运行机制对实现共谋是否存在特殊的促进作用。若发现证据表明算法的选择或开发过程是出于减少竞争之目的，则可能存在严重且明显的违法风险。

3.算法的信任问题

无论是发生在参与共谋经营者之间，还是存在于经营者内部，信任始终是达成、实施共谋的重要条件。于参与共谋经营者而言，信任的建立和延续是做出并维持价格跟随等一系列协同行为和平行行为的前提；在经营者内部，与其他竞争对手进行共谋的决定必须建立在公司管理层与股东之间互相信任的基础之上。算法的出现在一定程度上能够促进共谋的实现。一方面，算法能够更为全面地收集、获取信息，并进而作出理性的博弈决策，提高经营者对参与共谋者的行为预期，增强经营者之间的信任，提升共谋实施的稳定；另一方面，算法能够减少公司中参与共谋决策的人员数量，利用公司规模和管理架构所形成的信息不对称来解决经营者内部决策的代理成本问题。

然需注意的是，无论作为基于单一的运算程式抑或是独立的人工智能体，实现算法技术层面上的信任仍需要人为地公开或隐匿地操作。因为算法对数据的挖掘、获取、分析并不能消除决策过程中对市场竞争状况的定性需要。换言之，算法不能基于未经验证的数据自动建立信任并形成知识或结果。〔55〕See C. Rygielski et al., Data Mining Techniques for Customer Relationship Management, Technology in Society, （24）, 2002,p.483-502.而验证的过程即反映了人类经营者在竞争活动中的倾向与偏好。一方面，算法之间进行博弈和协同需要对竞争对手的特有数据进行接触、获取和匹配，以便相应地调整自己的价格，但计算机软件无法自主验证和信任另一个软件，这个过程需要人类预先授予数据访问和读取权限，以解决算法之间互相信任的问题；另一方面，算法的自动化决策是基于预先设置的触发变量在馈入数据之后作出的，这种对竞争状况的判断实际上是以定量的方式实现定性的任务。目前自主学习算法多智能体之间的共谋面对成本、价格或其他参数的微小扰动时并不稳定，表明算法在建立信任方面依然需要依赖于人为操作。〔56〕同前注〔36〕，Segismundo S. Izquierdo、Luis R. Izquierdo文，第 33-44页。在不人为调整决策触发变量时，算法只能通过市场价格的不断变动与其他市场竞争者进行多迭代的博弈，而无法像人类经营者那样利用关系型激励辅助建立与共谋参与者之间的信任，进而直接进行价格的跟随或其他协同。鉴于此，反垄断执法机关还应关注是否存在人为修改算法的运行机制或触发变量以实现对特定经营者或算法的信任。

（二）法律实施面向的规则设计

1.明确算法共谋的责任规则

在规制算法共谋时，还必须解决参与共谋经营者的责任问题。首先，在合理怀疑阶段，需要在经营者与反垄断执法机关之间配置解释算法内容的责任。若要求采用定价算法的经营者以易于理解的方式向反垄断执法机关或法院解释其算法的功能，则可能潜在地限制可以使用的算法种类。例如，基于深层神经网络的算法就很难向第三方以易于理解的方式解释其功能。但若由反垄断执法机关自行承担算法的解释责任，则他们必须证明经营者使用的算法确实导致了市场的共谋。虽然这会增加执法成本，导致反垄断执法机关需要有足够的内部或第三方计算机科学专业知识，特别是人工智能方面的专业知识，但是这种解释能力是反垄断执法机关应对数字市场竞争挑战和增强自身执法能力的必由之路。例如，意大利竞争与市场管理局（Autorità Garante della Concorrenza e del Mercato, AGCM）于2017年就已开始在IT和人工智能领域扩展其技能和专业知识。〔57〕See Algorithms and Collusion—Summaries of Contributions, https://www.oecd.org/officialdocuments/publicdisplaydocumentp df/?cote=DAF/COMP/WD（2017）2&docLanguage=En.而美国联邦贸易委员会（FTC）则于2019年2月组建了一个专门监督美国技术市场竞争的工作组（Technology Task Force），用于监督、调查和规制这些市场中任何潜在的反竞争行为。〔58〕See FTC’s Bureau of Competition Launches Task Force to Monitor Technology Markets: https://www.ftc.gov/news-events/press-releases/2019/02/ftcs-bureau-competition-launches-task-force-monitor-technology.

其次，如果经过解释发现行为已经超出合理怀疑的范围，即算法确实已经达到共谋均衡，那么会产生相应的违法责任问题。目前，若将责任配置给算法可能会严重阻碍技术的进步和推广，而且一旦赋予人工智能技术相应的法律责任，则会使得问题从技术层面转向了法律制度的建构基础，进而引发一系列社会问题。〔59〕See ACM US Public Policy Council and ACM Europe Policy Council, Statement on Algorithmic Transparency and Accountability, 2017.此外，从竞争损害的角度来观察，使用算法进行共谋与经营者之间的共谋对市场产生的反竞争效果是相同的，计算机算法只是实施或辅助实施了经营者的意图，其仍在经营者的控制之下运行，因此经营者应对其行为负责。〔60〕See A. Ezrachi and M. Stucke, Artificial Intelligence and Collusion: When Computers Inhibit Competition, University of Illinois Law Review, （5）, 2017, p.1775-1809.例如，欧盟竞争法就认为，参与非法定价行为的公司无法避免因其价格由算法确定的责任，因为这种情形与员工或外部顾问在公司的指导或控制下完成特定工作相类似，〔61〕根据欧盟竞争法，公司应对其员工以及在其指导或控制下工作的外部顾问的行为负责。Case C-542/14 VM Remonts,ECLI:EU:C:2016:578, para. 27.所以自主学习算法是否被归类为个人或是其实际操控者的行为延伸并不会影响责任的配置。

最后，除了积极的行为责任，经营者即使未从事违法行为，也不能采取被动的态度。因算法会隐匿经营者与算法之间的沟通痕迹，故经营者应与算法获取或可接触的商业敏感信息保持距离，否则经营者将因参与协同行为而承担相应之责任。换言之，反垄断法律责任不仅可由经营者的主动行为产生，而且也可由其不作为产生。在规制算法共谋行为时，因反垄断执法机关在证据收集和获取时处于被动地位，故应赋予经营者在与竞争对手交易时或从竞争对手那里获得敏感信息时一定的“特殊责任”。〔62〕这类似于欧盟竞争法下对拥有市场支配地位的经营者所施加的特殊责任，以确保其行为不会限制竞争。Case C-322/81,Nederlandsche Banden Industrie Michelin v. Commission, ECLI:EU:C:1983:313, para. 57.例如，当竞争者设立合法的合资企业时，他们必须确保合作不会在其他市场产生溢出效应。为了避免出现这种情况，企业可能有义务采取必要的保障措施。同样地，参与合并的经营者需要交换某些商业敏感信息进行交易评估时，还需要采取保障措施，以确保信息交换不会触犯反垄断法，〔63〕欧洲委员会在并购交易之前没有关于信息交换的决定，但在法国竞争管理局于2016年11月8日决定对Altice在收购之前对SFR施加影响进行罚款时表示，尽管准备集中通常会导致收购方与卖方或目标之间交换大量信息，然而无论公司可能需要交换信息的原因如何，他们都有责任采取措施消除独立企业之间的任何战略信息交流。Décision 16-D-24 du 8 novembre 2016 relative à la situation du groupe Altice au regard du II de l’article L. 430-8 du code de commerce, paras. 259-260.否则，即使在业务结束时并未产生违法行为，但协议仍可能是非法的。

2. 引入市场研究机制

成功的技术进步与商业创新所带来的利益通常都远超成本，〔64〕See Paul A. Johnson, Should We Be Concerned That Data and Algorithms will Soften Competition? CPI Antitrust Chronicle, （2）,2017, p.5.然而，经营者利用数据与算法等创新方式所带来的影响尚不明晰，现阶段反垄断执法机关对之很难给予充分、全面的理解和认识。鉴于此，需要进一步强化数字经济下的执法能力，这不仅有助于执法机关在算法广泛适用的新市场环境中科学、理性地调查和判定数字市场中的竞争行为，而且还能准确区分基于算法的科学预测行为和算法共谋行为。

反垄断法规制由算法主导或辅助共谋的前提条件是存在算法与算法以及算法与竞争者之间达成、实施共谋，产生排除、限制竞争的负面效果或损害消费者利益的特定证据。虽然有诸多迹象显示数字市场的运行存在一定的障碍，但是目前算法共谋对市场的损害尚未被证成。故此，反垄断执法机关可引入“市场研究”（market studies）等创新执法机制，以强化数字经济下的执法能力。例如，俄罗斯联邦反垄断局（FAS）考虑到定价算法适用范围和规模的增加可帮助创建长期垄断协议，而这些垄断协议对执法机关使用传统证明违规行为的方法不那么明显，于是在2016年启动了对电子商务零售市场的调研活动。FAS要求多家电子和家用电器经销商向其提供算法的推荐价格、对竞争对手价格的考量因素等有关定价算法的信息。在分析这些信息后，FAS发现经销商们在确定产品零售价时会使用Competera、Revionics等几个特定的定价算法。同时，经销商们对算法的使用方式并不相同，大致可分为四种：（1）收集或分析有关竞争者价格以确定产品范围和其他信息的信息；（2）根据用户上传的数据自动计算价格并自动定价；（3）通过算法收集或分析竞争者价格信息以确定自动定价；（4）收集和分析针对特定品牌产品设置的经销商价格信息以确定零售价格或建议/最低价格。〔65〕See Annual Report on Competition Policy Developments in the Russian Federation, https://one.oecd.org/document/DAF/COMP/AR（2019）51/en/pdf.通过对所有可用信息的充分评估，FAS加深了对算法共谋的理解，进而认定此类软件产品可用作识别价格偏差的程序，这与欧盟对电子商务领域市场调查报告的结果相类似。根据该报告，提高价格透明度可使公司更容易监控其价格。大多数零售商会追踪竞争对手的在线价格，而其中三分之二使用自动软件程序，并根据观察到的竞争对手价格调整自己的定价。制造商越来越能够使用定价软件来即时监控和影响零售商的价格设定，而且实时定价信息也可能触发自动价格协调。这种软件的大规模使用会引起竞争问题。〔66〕See Final Report of the European Commission to the Council and European Parliament on the E-Commerce Sector Inquiry,http://ec.europa.eu/competition/antitrust/sector_inquiry_final_report_en.pdf.随后，FAS于2018年2月认定LG公司在2014年11月28日至2017年2月15日期间协调其智能手机经销商的经济活动违反了《联邦保护竞争法》第5部分第11条之规定。经查，经销商的经济活动由LG公司使用第三方机构研发的特殊价格算法进行协调，包括在网站上公布并通知经销商LG智能手机的建议零售价格，迫使经销商采取符合建议的零售价格，以及对不符合建议零售价格的经销商实施制裁。〔67〕See Russian Subsidiary of LG Unlawfully Coordinated Prices for Smartphones, http://en.fas.gov.ru/press-center/news/detail.html?id=52813.而AGCM也于2018年2月成立了算法工作组，尝试从平台内和平台间两方面考察在线竞争中定价算法的市场影响。一方面，工作组尝试从效率和潜在的反竞争效果出发，研究电子供应商广泛使用算法来改进定价模式、定制服务和预测市场趋势；另一方面，工作组还关注在线卖家使用的算法与在线平台所采用的算法之间的相互作用，特别是经营者采用某些定价策略对在线平台和市场所使用算法的影响。〔68〕See Implications of E-commerce for Competition Policy - Note by Italy, https://one.oecd.org/document/DAF/COMP/WD（2018）32/en/pdf.2019年6月的一份报告显示，英国政府也正在筹建一个新的数字市场部门，并计划对由两家公司主导且极度缺乏透明度的数字广告市场展开正式的市场研究。〔69〕See UK Digital Competition Expert Panel, Unlocking Digital Competition, https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/785547/unlocking_digital_competition_furman_review_web.pdf.

综上，市场研究可帮助反垄断执法机关“了解算法驱动型市场的最新动态以及任何竞争问题的严重程度”，〔70〕A. Ezrachi and M. E. Stucke, Two Artificial Neural Networks Meet in an Online Hub and Change the Future （of Competition,Market Dynamics and Society）, Oxford Legal Studies Research Papers, 2017.甚至推动相关的立法活动。〔71〕例如，FAS就于2018年10月提交了《关于修改〈联邦保护竞争法〉的修正案》，其中涉及定价算法、分析市场和调整价格。该修正案建议将“定价算法”的概念定义为旨在监控商品市场价格、计算商品价格、设定商品价格和监控商品价格或在投标时采取行动的软件，并且在经营者使用类似算法来控制和规范与竞争对手关系的情况下开展垄断协议的审查。See http://en.fas.gov.ru/documents/documentdetails.html?id=15345.同时，市场研究还可促进对产业界的倡导工作和建议，目的在于促进更强有力地遵守竞争原则。例如，根据市场调查的结果形成自我监管的行为准则，并在行业内使用定价算法时自行遵守。此外，反垄断执法机关还可通过市场研究评估其政策或法规是否在数字市场中对竞争产生了不必要的限制，或者对数字竞争者与非数字竞争者之间的竞争产生了不必要的限制，并且还应考虑可能的促进竞争的替代方案。〔72〕See Common Understanding of G7 Competition Authorities on “Competition and the Digital Economy”, http://www.autoritedelaconcurrence.fr/doc/g7_common_understanding.pdf.

3. 制定算法应用的负面清单

随着反垄断执法机关对算法应用的理解逐渐清晰，算法的引入不仅能够大幅度提高商业活动的效率，而且还能够改善消费者决策，提升消费者福利和社会整体福利。鉴于此，反垄断执法机关对算法的应用不应秉持行业监管的策略，而应放松对市场结构的管控，鼓励和推动技术的适度进步，仅需对那些具有明显反竞争效果的算法类型或行为进行干预或规制即可。虽然目前对算法内容以及运行结果的理解尚需进一步加强，但一旦经过实证确认其具有显著的反竞争性，则能极大地降低反垄断法的实施成本，并且给予经营者明确的算法适用指引及合规预期。例如，已有学者利用空间计量的方法来测试价格或行为可疑的经营者，并通过一种算法来筛查最可疑的经营者集群。〔73〕See Adriaan R. Soetevent et al., Screening for Collusion: A Spatial Statistics Approach, Journal of Economic Geography, （15） ,2015, p. 417-448.当前，对算法应用的审查主要来自于如下三个方面：一是是否促进非法的信息交换。明示或默示的沟通和信息交换是实现共谋的必要手段。换言之，反垄断法并不禁止无意识的平行行为，而仅对可导致算法之间非法信息交换或数据抓取的算法应用行为进行规制。这在算法程序中可能表现为将收费价格以可解码的编码形式互相传输和接收，也可能表现为接收或抓取竞争对手价格后呈现的特定反应。二是算法是否具有支持价格高于竞争水平的特征。实现超竞争性价格是进行共谋的目的，因此执法机关应审查经营者的算法中是否包含支持价格高于竞争水平的机制。例如，有学者认为“应禁止具有支持价格高于竞争水平特征的算法”，并提出了以是否产生超竞争水平价格为标准的三部检测法。〔74〕首先，使用学习算法创建模拟市场环境，以产生共谋均衡的结果。其次，检查产生预定结果的算法函数，以便识别超竞争价格时出现而竞争性价格时不存在的内容。最后，测试禁止某一组反竞争算法函数后的市场模拟效果。See J. E. Harrington,Developing Competition Law for Collusion by Autonomous Price-Setting Agents, Journal of Competition Law and Economics, （3）, 2018,p.356-357.而法、德竞争管理机构的联合报告指出：“由于算法的原因，人为地增加了市场透明度，从而导致了竞争风险。例如，通过处理所有可用的信息，从而监控和分析或预测其竞争对手对当前和未来价格的反应，竞争对手可能更容易找到他们可以同意的可持续的超竞争价格均衡。”〔75〕Autorité de la Concurrence and Bundeskartellamt, Competition Law and Data, https://www.bundeskartellamt.de/SharedDocs/Publikation/DE/Berichte/Big%20Data%20Papier.pdf.因此，为了降低数字市场中经营者之间的高频互动可能导致的共谋，执法机关可能要求降低算法对价格的调整反应时间或者要求经营者承诺在最低等待期后才能提出新的要约。〔76〕同前注〔19〕，OECD 文。三是可能便利共谋的数字市场的其他特征。开发有利于促进竞争的算法需要先进的数据挖掘系统、机器学习软件及海量数据等基础条件，这些会受到公司规模和市场壁垒的影响，尤其是没有技术储备和充分数据支持的中小公司或其他潜在竞争者可能面临进入障碍，阻碍他们开发能有效施加竞争压力的算法。鉴于此，反垄断执法机关应审查涉案经营者的算法中是否就市场敏感信息的传递与交换进行限定性分享和传输或其他便利共谋的算法特征。

（三）公众能力面向的行为引导

算法是结构化的决策过程，其使用一组规则或过程来基于数据输入和决策参数自动提供结果。编码算法通常使用预定的决策集，该决策集将权重分配给决策参数，以便在给定特定数据和环境的情况下建议最佳决策。决策参数及其权重由算法设计者设置，以优化用户的决策。〔77〕See OECD, Data-driven Innovation for Growth and Well-being: Interim Synthesis Report 4 （2015）.更高级的算法采用机器学习，即算法从其自己对先前数据的分析中学习如何优化和重新定义其决策参数的过程，从而使算法从预定义的偏好中解放出来。同样地，算法也可帮助消费者在市场交易中作出决策。例如，算法可为消费者提供与其选择相关的信息。这些算法用作通过聚合和收集相关数据来增强消费者选择的工具，以帮助消费者作出明智的决定。〔78〕See Prashant R. Nair, E-Supply Chain Management Using Software Agents, CSI Communications, （6）, 2013, p.14.这种通过分析数据，辅助消费者作出消费决定的算法被称为算法消费者（Algorithmic Consumers）。近年来，国际竞争法理论界将算法消费者视为一种与算法问题相关的市场化解决机制。技术能力和消费者需求的综合影响促进和加速了算法消费者的兴起。海量数据的存储和分析方面的技术进步以及人工智能技术的日趋成熟使得算法比以往任何时候都更加方便和强大。〔79〕See Ariel Ezrachi & M. E. Stucke, Virtual Competition: The Promise and Perils of the Algorithm-driven Economy, 2016, p.11-21.算法消费者理论的主要倡导者Michal S. Gal教授认为，算法消费者可在一定程度上抵消供应商使用算法带来的负面福利效应。〔80〕See Michal S. Gal, Algorithmic-facilitated Coordination: Market and Legal Solutions, CPI Antitrust Chronicle, （2）, 2017.换言之，如果某类算法消费者数量足够多，或者某类算法消费者可与其他算法消费者相互协调行为，那么算法消费者可获得买方势力，这转而可能让消费者抵消供应商的力量。算法消费者可因此改进市场动态，限制共谋，抵消算法导致的负面影响。

五、对中国的启示

随着人工智能技术的不断进化以及数据运算能力的日渐提升，算法在数据驱动型市场中的作用越发重要，甚至对市场竞争方式也产生了深远影响。这不仅引起了社会大众对隐私权和消费自主权的关注，而且引发了各国反垄断执法机关对潜在竞争问题的关注。虽然算法诱致的共谋问题在实践中偶有暴露，但人工智能技术支持下的算法通过与海量数据的充分结合极大地增强了共谋行为的隐蔽性，尤其是日益复杂的算法在重复博弈中成为了促进共谋行为的关键要素，甚至还可能自主制定并实施定价策略，从而在没有人类经营者提供任何明确指令的情况下学习共谋，由此导致算法共谋的查处难度极高。而作为全球数字经济最活跃的市场之一，中国的反垄断执法机关同样需要审视算法共谋问题的应对问题。

（一）加强和深化执法机关对反垄断制度和规则的理解与适用

首先，要明确《反垄断法》对算法共谋的可规制性。算法共谋的复杂性不只在于算法引致共谋的识别更为隐蔽，还在于对反垄断法下传统概念的冲击，尤其是对在无经营者人为干预的情况下算法通过重复博弈实现共谋是否能被传统反垄断法理论中“垄断协议”概念所涵摄。我国《反垄断法》仅在第13条中通过“原则规定+列举”的方式界定了“垄断协议”的范围，并未界定“协议”的具体含义，这种原则性规定未能明确构成垄断协议的具体要件，为利用算法辅助实现共谋的行为以及自主学习算法共谋的认定带来了一定困扰。为了区别未经协商达成的一致行为，应加强和深化反垄断执法机关在认定垄断协议时适度扩张“协议”的固有概念，强化对共同损害市场竞争主观意图的考察，弱化“协议”的形式要件，从而为规制算法共谋行为提供充分的法律实施空间。

其次，明确间接证据的推定与抗辩规则。算法可被共谋者用作规避法律风险的工具，特别是在经营者形成默示共谋的情况下，共谋者之间没有达成明确的协议，这更增加了算法共谋被查处的难度。此际，反垄断执法机关往往是通过市场的异常变化来推定经营者之间是否达成了共谋。〔81〕推断算法共谋的辅助证据包括但不限于以下几个方面：（1）经营者同时或几乎同时宣布提价；（2）经营者频繁地交换信息；（3）经营者同时发生商业策略的重大变化；（4）经营者出现与个人利益不一致的统一行为；（5）经营者没有明显的经济压力而发生异常变化；（6）经营者保持长期的一致高价；（7）行业领导企业存在领导价格的历史等。但需注意的是，适用这种辅助证据的推定时需要十分谨慎，只有在排除一切偶然因素的情况下才可作出推定。例如，市场中占据市场优势地位的两个经营者对某种商品长期保持相同且远高于成本水平的价格，并随时保持价格的同步变动，这种情况下可以推定相关经营者之间达成了共谋。这种根据辅助证据推定的方法只有在确实无其他方法可用时才可使用。正如欧盟法院在“Eturas案”给立陶宛最高法院的回复中援引了“T-Mobile 案”的观点并认为：“任何经济主体都应自主决定其在共同市场上所要遵循的政策。这一自主性要求严格排除前述经济主体之间任何形式的接触，当这些接触的目的或效果是为了在相关市场上创造一些与正常竞争环境不相同的竞争环境时，无论它们是直接的或是间接的，只要从本质上看，这些接触影响了市场上某一现有或潜在竞争者所采取的行为，或这种接触向某一现有或潜在竞争者公开了自己已经或即将在市场上采取的行动。”〔82〕T-Mobile Netherlands and Others, C-8/08, EU:C:2009:343; Eturas, C-74/14, ECLI:EU:C:2016:42.若旅行社能举证证明自案件所涉信息发送之日起已对其内容有所了解这一推定的可能，如证明自己未收到该信息或未查阅所涉板块，抑或仅在收到该信息一段时间之后才对其进行查阅，则应能推翻法院对涉案旅行社的推定。

最后，重新配置算法共谋行为的责任承担。算法的介入极大地拓展了可能参与共谋的主体类型和范围，《反垄断法》需要对在试探、博弈、达成及实施共谋等不同过程中以不同身份和角色参与共谋的经营者合理配置不同程度的法律责任，从而强化经营者的合规意识，规范其利用算法参与市场竞争的行为。有学者认为，在讨论如何针对机器人卖家（Robo-Seller）实施的反竞争行为施加责任时，可以设置机器人卖家承担责任、部署机器人的人类承担责任或不设置责任承担者。〔83〕See Mehra, S. K., Antitrust and the Robo-Seller: Competition in the Time of Algorithms, Minnesota Law Review, Vol. 100, 10 March 2015.目前，绝大部分的计算机程序与算法仅仅被视为工具，仍需基于人类设计的指令运作，因此这类案件中人类经营者仍需就算法决策承担责任。诚如欧盟竞争委员Vestager所言：“自动化系统带来的挑战是非常现实的。如果它们帮助企业固定价格，这将让我们的经济变得糟糕。作为竞争执法部门，我们需要确保企业不能通过躲在计算机程序后面而逃脱共谋的法律责任。”〔84〕Vestager, M., Algorithms and Competition, Speech at the Bundeskartellamt 18th Conference on Competition, Berlin, https://ec.europa.eu/commission/commissioners/2014-2019/vestager/ announcements/bundeskartellamt-18th-conference-competition-berlin-16-march-2017_en.而对于自主学习算法主导的共谋是否能豁免部署该算法的经营者的法律责任则还应进一步审核算法的内容，以判断市场异常的出现是否属于未经协商达成的一致行为。此外，我国《反垄断法》对法律责任的承担对象限定为经营者，并未考虑以自主学习算法为代表的异类主体的可责性。对此，可考虑在责任条款中强化违法行为与法律责任的对应关系，弱化违法行为与经营者的单一关联关系。由违法行为配置责任的承担主体，并根据人工智能伦理规则的演进状况适时调整部署算法的经营者与自主学习算法之间在责任承担上的界限。

（二）创新和完善反垄断执法机关的执法手段

首先，应增强反垄断执法机关对数字监管技术的运用能力。传统反垄断执法工作依赖于对实物证据的收集、固定、整理与梳理，但在规制算法共谋的过程中，反垄断执法机关需要强化对数字技术的理解、识别及监管技术的应用能力，通过引入技术专家对各类算法运行的技术原理以及算法函数与变量进行研判。针对基于算法协调价格的违法行为，还可适时引入商品价格跟踪与回溯技术，便于比较、分析涉案经营者之间价格的变化趋势，提升电子取证和存证效率。

其次，通过引入市场研究等创新执法手段，对算法在特定细分市场中的应用情况进行调查，对明显具有竞争损害的使用方式设置负面清单。规范算法等新技术的合理竞争范畴，引导市场主体参与和进行良性竞争。

最后，进一步引导涉案经营者适用宽大制度。宽大制度对发现算法共谋行为、节约监管执法资源、有效维护市场竞争秩序具有重要作用。但长期以来，我国《反垄断法》第46条第2款对宽大制度的规定十分模糊，在责任减免、适用条件和程序规定上都缺乏对执法机关和经营者的指引。虽然2019年通过的《禁止垄断协议暂行规定》对宽大制度作出了进一步细化规定，对如何认定重要证据、减轻或免除处罚的考量因素给予了明确规定，增强了涉嫌违法者适用宽大制度的行为指引，但监管机关仍应遵循“人类中心主义”的基本规制思路，针对算法的实施者及时进行制度宣传和心理劝导，破坏参与共谋经营者之间的信任平衡，化解算法对共谋稳定性的积极影响，提升办理相关案件的执法效率。

不可否认的是，算法共谋问题只是数字市场竞争中的冰山一角。新技术、新业态在产生经济效益的同时，也会持续对传统反垄断法理论产生冲击，并对反垄断法的实施提出新的挑战，这需要中国反垄断法学界与实务部门的持续关注与精诚合作，共同探索应对数字市场反垄断制度变革的中国方案，塑造中国数字经济的竞争品格。