【智能与法】OECD ：算法与共谋（III）
B D A I L C
欢 迎 关 注
Deborah Quinn-Munson
算法与共谋(III)：算法的类型化
译 / 姜开锋
如果将数字经济的最新发展和传统市场中的经验放在一起考虑，竞争法的执法者应该意识到：当市场中有了算法的介入时，共谋可能变得更容易出现，而且更容易维持。前文已经指出，在有着较高市场透明度和互动频率的数字市场中，共谋可能更容易维持；随之而来的问题是，公司如何在实际中达成共谋，并创建必要的体系来协调策略、执行协议并分配收益。
算法的主要风险之一是它们扩大了不合法的明示共谋和合法的默示共谋之间的灰色地带，公司之间无需签订协议，其利润水平就能较容易地维持在高于竞争状态下的水平。例如，在以往只能通过明示的交流来实现共谋的情况中，算法可以建立自动化的机制，以促进共同策略的实施、监测其它公司的行为，而无需任何人工的交流。换句话说，算法使公司能够用默示共谋代替明示共谋。
该部分将更详细地论述算法的使用如何增加默示共谋的风险，并以不完全列举的方式，讨论算法在管理此类体系和实现共谋结果方面可能发挥的作用。
一、监测算法
算法作为共谋的促进者，其发挥作用的最明显和最直接的方式是——公司可以用算法监测竞争对手的行为，以便强制各方执行共谋协议。这一过程包括收集竞争对手的业务决策信息，进行数据筛查以发现任何可能的偏离协议的行为，以及实施即时的报复计划。
数据收集可能是这一过程中最困难的一步。即使定价数据是公开的，也并不一定意味着市场就是透明的。参与共谋的公司仍然需要以易用的格式（easy-to-use format）汇总所有竞争对手的数据，并定期进行更新。一些价格比较网站（price comparison websites，也称为聚合器，aggregators）已经在做这件事情了，这些网站或者直接从网络公司（online companies）那里收集数据，或者通过网页采集（web scraping，即利用诸如互联网机器人之类的软件程序，从网站自动提取数据）的方式来进行收集。随着新的自动化数据收集方法的出现，这类技术的应用可能会从电子商务的领域进一步扩展到传统市场领域。如此一来，共谋公司将能够使用复杂的算法，更为有效地监测彼此的行为。
二、协同算法
在高度活跃的市场中实现卡特尔的困难之一是：为应对供需状况的不断变化，需要频繁地调整价格、产量以及其它的贸易条件。为此，公司不得不经常通过会议、电话、电子邮件或者通过第三方来重新洽商它们的共谋协议，所有这些行为都会带来监察的风险。对于这种情况，共谋公司的一种替代性解决方案是：通过决策过程的自动化，使它们的价格能够同步调整，以回应市场条件的任何变化，从而复制“有意识的平行行为”（conscious parallelism）所能达到的效果。
前文曾经指出，动态定价算法已经在诸如航空公司、酒店预订服务和公路运输等行业中得到了运用，这使得此类公司可以根据不同阶段或高或低的需求量来有效地调整它们的供给，从而产生促进竞争的效果。但是，如果这些公司开始使用相同的动态定价算法（它们设计这样的算法不是为了相互之间的竞争，而是用于设定反竞争的价格），那么市场中的竞争状况就不容乐观了。这样的算法不仅能够使公司达成共谋，而且还可以让它们在不进行深入沟通的情况下，自动调整价格，同步应对市场变化。
三、信号算法
在高度活跃的市场中，如果公司具有不同的规模，销售的产品各具特色，采取的商业策略也千差万别；那么由于缺乏协同行动的平衡点，默示共谋将会很难实现。为了在不进行明示沟通的前提下，达成共谋和协调更为复杂的合作策略，公司可能会试图通过信号价格和单边价格（signalling and unilateral price）的形式来宣示它的这一意图。正如波斯纳法官（Judge Posner）在反垄断诉讼中所论证的那样：
如果一家公司抬高价格是基于其竞争对手也会这样做的预期，而且其竞争对手也确实这样做了，那么该公司的行为就可以被概念化为提出了一份单方合同（unilateral contract），受要约方可以通过提高它们的价格来接受这份合同。
竞争法很难对这种信号行为（signalling）进行定性，因为此类行为既有可能促进竞争，也有可能限制竞争；竞争管理机构有必要评估这种单方的信息披露行为所带来的反竞争效果是否大于其所带来的效益提升效果。提高市场透明度通常会带来市场效益的提升，因而会受到竞争管理机构的支持。但是这同时也可能产生反竞争的效果，因为更高的市场透明度能够让公司找到协同行动的平衡点，促进共谋的达成。
信号行为虽然可能出现在任何市场中，但它通常不是没有成本的。当某个公司抬高价格以宣示共谋的意图时，如果它的大多数竞争对手没有收到这一信号或者故意不做出反应，那么该公司的销售额和利润就会受到损失。这样的风险可能会使得企业倾向于被动地等待竞争对手发出信号，最终导致共谋迟迟难以达成，甚至无法达成。算法可以减少甚至完全消除信号行为的成本：利用算法，公司能够自动地进行价格调整，并快速地重复此类动作；在这种情况中，消费者无法从中获利，但其它公司却可以利用强大的分析算法，捕捉到其中的信号。这一过程可以通过多种途径来实现。例如，公司可能会在半夜进行短暂的价格调整，这不会对其销售产生任何影响，但可能会被竞争对手的算法识别为共谋的信号。再如，公司可以使用算法公开披露大量的详细数据，作为其建议抬高价格的暗码。
四、自我学习算法
最后，算法实现共谋结果的最复杂和最微妙的途径是：利用机器学习和深度学习的技术来达成共谋。通过这一途径，即便在竞争参与者没有明确地对算法进行相关的设计时，算法也可能带来潜在的垄断效果。换句话说，存在着这样的一种风险：一些具有强大预测能力的算法，能够通过不断地学习、不断地调整其对竞争对手（可能是人类，也可能是人工智能本身）行为的回应，自动地达成共谋的结果，全程无需人类的任何参与。
机器学习算法达成共谋的实际过程还不是特别明晰。但是，这些学习速度比人类还要快的算法一旦发现市场中出现了易于实现共谋的条件，它们就可能通过快速反复的试验，最终实现合作性均衡（cooperative equilibrium）的结果。即使能够维持反竞争效果的价格水平有无数种，自我学习算法也能较为容易地确定一个将合作利润最大化、同时也是对消费者损害最大的价格水平。
很难确定自我学习算法是否已经给数字化市场带来了共谋的结果，也很难检测到这种情况是什么时候发生的，因为机器学习达成的共谋可能只表现出实际的效果，而没有相应的形式特征——我们将这种共谋称为“虚拟共谋”（virtual collusion）。实际上，利用机器学习可以将原本由人类进行的商业决策转交给计算机去完成；这样一来，经营者不仅在共谋的发起和实施阶段无需进行任何明示的沟通，而且还能免去构建共谋机制的负担——例如前文提到的信号行为机制（当局可以将这样的行为视为促进共谋的行为）。
如果公司更进一步，利用深度学习算法自动设定价格和其他决策变量（automatically set prices and other decision variables），那么用传统的反托拉斯手段来防止共谋就会变得更加困难。深度学习算法的工作方式可以用“黑匣子”的概念来进行简要的说明：它以复杂、快速和准确的方式处理原始数据，这类似于人类的大脑；并且在给出最佳结论的时候，不透露其决策过程中所考量的相关因素。因此，利用深度学习，公司实际上可以在不知不觉的情况下达成共谋结果。这带来了非常复杂的问题：如果违反法律的行为是由深度学习算法引起的，那么是否要追究公司的责任。
节译自OECD, Algorithms and Collusion: Competition Policy in the Digital Age, www.oecd.org/competition/algorithms-collusion-competition-policy-in-the-digital-age.htm
本文仅作学习交流之用
John Singer Sargent
往期荐读
编辑：钟柳依
欢迎点击“阅读原文”