“十年前，我们在竞争分析中需要评估网络效应、多边市场，今天则需要关注数据和算法。”①在人工智能和大数据蓬勃发展的今天，算法已然从实验室走向应用，成为经营者创新商业模式、取得竞争优势的关键因素。但在反垄断法看来，这种竞争优势存在违法风险。例如，在2015年，美国司法部指控亚马逊平台内经营者阿斯顿与他人合谋固定在线海报价格的行为违法。②与传统垄断协议案件的不同之处在于，被告是通过编写、使用定价算法协调各自价格。其实，类似案件在世界各地已发生多起，由算法驱动的垄断协议正成为各国反垄断执法机构面临的新课题。
一、算法时代垄断协议的特点与类型
算法通常被描述为将一组数据(值)由输入转化为输出的一系列计算步骤，它可用来解决包括定价在内的诸多市场决策问题。算法能够处理大数据，通过追踪、监测市场信息来迅速设定商品价格、控制生产和销售数量。这一技术优势为经营者达成或实施垄断协议提供了便利，由算法驱动的垄断协议也呈现出不同的时代特点。
(一)算法时代垄断协议的特点
一是信息交换“脱媒”。传统的垄断协议通过当面会谈、邮件、电话等方式而达成，信息交换离不开一定的媒介或场所。而当算法技术应用于定价，价格信息就很容易算法软件搜集、分析和设定，市场因而高度透明。经营者也不太需要传统的协议方式去约束彼此的合谋意思。同时，算法作用下，价格信息变化极为迅速，传统的协议方式也难以满足经营者的定价变动需求。如此一来，经营者交换信息就实现了“脱媒”，不再依赖传统媒介。对规制机构而言，识别、证明垄断协议的难度则大为增加。
二是合谋意图隐蔽。算法使得市场信息从人与人之间的传递转变为在机器之间的传递。当然，这一转变依赖算法的深度学习能力。在自主学习算法(self-learning algorithms)情境下，人类并未下达意图合谋的指令，但算法能够从经验以及反复博弈中习得最优定价策略：与竞争对手合作。③因而，即便经营者缺乏合谋意图，自主学习算法的应用也会导致经营的协调一致。以往，协议行为与合谋意图具有鲜明的因果关系，规制机构能够从协议行为判断经营者合谋的意图。但在算法干预下，因果关系却呈现一果多因，规制机构无法判断协议行为出自经营者的意图还是算法机器的自主习得，因而，经营者的合谋意图更为隐蔽。
三是成员合作稳定。传统的垄断协议一直无法解决成员个体利益和集体利益背离的问题。垄断协议成员都期待他人遵守协议而自己制定更低的价格，从而获得更多的市场份额。因此，成员作弊在传统垄断协议比较普遍。如今，算法在发现并惩罚作弊行为方面具有独特功能。首先，在算法的作用下，经营者之间互动频率非常高，因而可以及时发现市场中的价格偏差。其次，价格偏差如果被识别为故意偏离合谋定价，那么算法将自动与之匹配甚至发出更低的价格信息，使得作弊者无利可图。最后，在其他成员的报复或惩罚威慑之下，意图作弊的经营者将不得不回归合谋价格。更为重要的是，算法的监督和惩罚功能是实时的，价格偏差甚至能够预测，由此可见，算法使得作弊行为既不现实也无必要。因而，算法工作环境下，垄断协议成员之间的合作将更加稳定。
(二)算法时代垄断协议的类型
英国的扎拉奇和美国的斯图克教授根据算法的不同功能将算法合谋划分为信使类(messenger)、轴辐类(hub & spoke)、预测型(predictable agent)和“电子眼”(digital eye)四种类型。④而在反垄断法看来，上述算法合谋类型可进一步归纳为算法协议行为和算法协同行为。
1.算法协议行为
算法协议行为指的是经营者以算法为工具达成排除、限制竞争的明确协议或决定，或者通过算法工具监督垄断协议实施。其特点在于，经营者以算法工具替代了书面文本、电子信件、口头交流等传统意思联络方式，或者虽然以传统联络方式达成合意，但以算法工具监督合意的实施。从这一角度看，算法充当了“信使”角色，发挥着与传统信息沟通工具相同的作用。例如，在“在线旅行平台诉立陶宛竞争委员会案”中，作为旅游行程服务平台提供商，“在线旅行”公司通过统一的算法程序与各旅行社沟通，2009年8月，当事人修改算法程序，将旅行社给予消费者的预定折扣控制在3％以内。虽然各旅行社对该技术措施未置可否，但事实上都接受了定价算法的约束。⑤该案当事人被证实通过算法程序达成了固定价格的垄断协议。在其他案件，算法可能用于执行、监督业已存在的协议。在“亚马逊在线海报固定价格垄断诉讼案”中，被告阿斯顿公司在亚马逊网站销售海报商品，它先是与其他海报销售商沟通并达成“修改、增加、维持并稳定”海报价格的协议。而后为执行协议，被告和其他参与者同意采用具体的定价算法，以协调各自的价格变化。同时，被告指使员工托普金斯编写了履行垄断协议的定价算法。为了验证该算法的有效性，合谋参与者收集、交换、讨论了彼此价格信息。⑥在英国竞争与市场监管局对相关案件的调查中还证实，阿斯顿及其合谋者之所以选择定价算法是因为传统的手动调整价格方式过于复杂。⑦
2.算法协同行为
经营者虽未制定明确的协议、决定，但普遍应用算法技术，由此导致在定价、生产销售控制等经营活动中表现出协调一致性，这种垄断协议可称其为算法协同行为。与算法协议相比，算法协同缺乏明确的意思联络证据，但却存在协调一致的行为。而这一结果源于算法技术的深层次开发和普遍应用。高级别的算法技术应用了人工神经网络和支持向量机，使得算法决策呈现复杂的结构和维度，形成自主学习、自我决策的工作机制。⑧换言之，算法可以自主搜集、分析市场信息，学习、适应他人的经营决策。而伴随算法技术的普遍应用，经营者贡献了越来越多的市场信息，市场透明度也不断提高，进而有利于算法发挥预测功能。经营者将越发积极地使用算法工具，而全行业的算法普及将提升企业开展有意识的平行行为的风险。⑨为保证协调结果尽量一致，经营者将选择使用相同技术架构的算法工具。这意味着算法提供者和算法使用者会形成轴辐结构，算法提供者是轴心，众多的使用者是轮辐，Uber、滴滴平台的商业模式即为例证。结果，算法使用者彼此并未发生意思联络，但同一套算法将所有经营者置于步调一致的经营活动当中。
二、算法时代垄断协议损害竞争的机理
垄断协议对竞争的最大危害在于结成了一个同盟，使得本应彼此竞争的经营者合谋共同对付消费者和其他市场参与者。虽然垄断协议排除、限制竞争的效果非常明显，但在传统市场环境下，垄断协议也并非那么容易达成或实施。而在算法时代，垄断协议的危害更为严重，其根本原因就在于算法创造了更有利于达成、实施垄断协议的市场条件、交易结构和监督机制。
(一)算法便于经营者意思联络
尽管传统上市场集中度和市场壁垒是达成和维持垄断协议的首要条件，但这对于算法时代的垄断协议影响并不大。算法的工作优势体现为大数据的收集和应用。大数据的广泛应用意味着市场透明度提高，经营者可以轻松获取彼此的价格信息，增加互动频率。以亚马逊为例，早在八年前，亚马逊平台每天发生250余万次价格变化，而线下零售商沃尔玛同期每月的价格变化仅为5433次。⑩英国竞争与市场监管局的调查表明，算法的应用使得亚马逊卖家获得更多的反馈、销售和收入，(11)美国2010年发布的《横向兼并指南》就指出，识别和响应竞争对手战略举措的速度是使市场更容易受到合谋损害的一个因素。(12)算法的这一技术能力使得经营者几乎没有沟通成本，因而也并不担心市场参与者的数量。换言之，算法对数据处理能力的指数级增长显然能够超越数据的线性增长。除此之外，算法还能够分析价格变化是源于故意偏离合谋定价还是因应市场变化，从而为经营者识别竞争对手的定价信号并进一步作出决策提供基础。如此看来，算法的技术能力和相关市场特点为经营者达成垄断协议创造了绝佳的条件。相反，市场则不得不面临更为普遍的垄断协议。
(二)算法有助于监督垄断协议的实施
除了提供结成垄断协议的条件，算法还能监督协议的执行并防止参与者作弊。其一，算法能更迅速地检测和响应信息偏差。而这得益于市场信息在线上的广泛传播、大量积聚。作弊者一旦违反价格约定会立刻被算法检测发现，进而引发其他参与者的报复，作弊者在算法的监测下根本无法获得更高收益，因而合谋将更加稳固。其二，算法能减少“错误”的发生。在传统垄断协议下，经营者可能面临“嘈杂的价格信息”，进而作出错误的决定，使合谋崩溃。比如，由于市场需求降低而导致销量下降，但经营者可能会将这种现象归咎于其他参与者的作弊。(13)而利用算法实施垄断协议，信息高度充分、准确，出现错误的几率大大降低，从而避免合谋的失败。其三，算法能避免代理人的非理性。(14)传统垄断协议往往需要员工或内部机构等代理人去履行，如果存在内部促销竞争，代理人则倾向于违背垄断协议约定。而在算法监督下，算法“代理人”显然比公司员工更可靠，因而垄断协议更易得到维持。
在算法的作用下，参与者更倾向于采取合作而非作弊策略，垄断协议因而更为稳固。当经营者之间的合作大于竞争，那么市场价格显然会超出竞争水平。对其他竞争对手而言，超额利润会吸引其参与到算法驱动的垄断协议中。同时，为了维持价格的统一性，经营者会尽量选择同质化的产品进行生产和销售。对消费者而言，不仅面临更高的商品价格，市场的可供选择性也大为降低。
(三)算法催生复杂的“市场集中”
算法不仅创造市场条件、提供监督机制，而且还能为合谋的达成和实施构造交易结构，即轴辐协议。对大部分经营者而言，用于定价的算法并非自行研发。在平台经营模式中，算法由平台经营者提供，平台卖家对价格的形成并无主动权。这意味着，所有卖家使用的是同一套算法，无形中削弱了卖家之间的横向竞争。比如在Uber的商业模式中，平台将基础费率、供求影响因素输入算法软件，由该软件决定司乘双方的交易价格。而这一模式被人诟病之处就在于司机之间无法通过竞价争取乘客。也即，在平台算法的操控下，司机对外以统一的定价赚取垄断利润。(15)除此之外，同行经营者可能将算法服务外包给第三方，如果不同经营者的定价软件来源于同一算法服务商，那么市场价格也将自发趋同。
为保证经营的协调一致，经营者不仅需要统一的算法规则，还需要数据的互联互通。同时为保证算法的精准预测，据以作出算法决策的数据量应当达到大数据级别。为此，算法服务商需要整合市场不同主体、不同类型、不同历史阶段的商品和价格信息；平台服务商之间也需要为达成合谋而开放大数据资源，进而催生以统一算法、获取数据为目的的企业并购。在轴辐结构中，市场集中也就显得尤为复杂，轴心层面的经营者致力于统一算法规则、实现数据互联互通，轮辐层面的经营者在统一的算法决策下步调一致达成合谋，经营者集中与垄断协议相互交织，形成复杂的垄断结构。
三、算法时代垄断协议规制的困境
如前所述，算法驱动的垄断协议具有明显的竞争损害。但由于算法协议和算法协同表现出迥异于传统垄断协议的特点，所以按照传统理论，它们可能被认为缺乏任何被称为“协议”的要素，只不过是经营者独立对市场所作的相同反应。(16)技术从来不是豁免法律责任的借口，同样，算法也并非垄断协议逃脱竞争规则的理由，相反，我们应该认识到算法时代背景下传统规制方法的不足，并迎接算法技术对反垄断法的挑战。
(一)何谓“协议”：特纳—波斯纳之争的进一步讨论
算法合谋的突出特点在于缺乏明确的或者传统意义的协议形式。这种现象在经济学上通常被称为默契合谋。关于默契合谋是否应当被纳入垄断协议的规制范围，历来有颇多争议，争议的本质在于如何理解“协议”，而争议的主要观点集中在特纳与波斯纳的论战当中。
特纳将寡头垄断市场经营者的定价选择归因于“相互依赖”，也即，在高度集中的市场，经营者的定价行为依赖于竞争对手的反应。因为，经营者可以预见，如果自己降价必然会引起竞争对手的报复，通过降价获得的利润很快降低为零；但如果自己涨价，那么竞争对手能够理解涨价的逻辑进而发生跟随定价。在特纳看来，共同涨价并非协议的结果而是源于经营者的“默契”，是一种“巧合”。因此，特纳并不认为寡头垄断市场的默契合谋是违法的，它更像经营者的单方独立行动，经营者不过是根据相关经济情势作出了“个体理性选择”。(17)
与特纳不同，波斯纳更强调默契合谋与垄断协议具有相似性，他按照单方合同解释寡头垄断市场中的价格领导行为。与悬赏广告一样，价格领导者通过领导一个更高价格而传递了信息，相当于向不特定竞争对手发出了要约，而竞争对手通过自身的跟随行为表达了承诺。在寡头垄断市场，经营者之间即便没有正式的沟通和交流，仍然存在某种“意思一致”。因此，波斯纳认为反垄断法上的“协议”含义足够广泛，能够解释寡头垄断市场的默契合谋。并且，波斯纳认为，即便寡头垄断市场高度透明，但经营者仍存在作弊的可能，这也就意味着经营者需要适时地进行沟通、协调，只不过这种沟通不像明示合谋情境下那么明显。(18)所以接下来，波斯纳将重点放在寻找经营者合意的证据，意在为明确的协议寻求替代证据，比如稳定的寡头垄断市场结构、普遍的价格歧视等经济证据。(19)
但在利用算法定价的语境下，波斯纳的观点可能存在重大缺陷。其一，算法形成的默契合谋非常稳定，几乎不存在作弊的可能。正如前文所述，算法使得市场透明度提高、信息传递加快，任何作弊行为都会被算法侦测和发现，进而引发激烈的报复。因而，在算法监督功能的威慑下，经营者监督和实施合谋的行为是更多了，还是更少了抑或消失了？答案显然是后者，因为算法强大的威慑功能使得作弊无处可逃，监督和实施合谋的行为也就没有必要。其二，不依赖市场结构是算法合谋的一大特点，而这是以往理论所不曾讨论的情形。早期学者们将默契合谋放在寡头垄断市场的框架下研究，这里似乎有个不言自明的假设：只有高度集中的市场结构才会形成默契合谋。根据这一点，波斯纳提出，虽然找不到明确的协议，但固定而集中的市场结构可作为证明经营者合谋的间接证据。(20)但问题在于，算法合谋并不特别依赖寡头垄断市场结构，我们无法将特定市场结构作为证明算法合谋的间接证据，波斯纳的理论也就难以在算法合谋的情境下适用。
那么，我们能否接受争议的另一方特纳的观点？从垄断协议规制的实践来看，天平似乎倾向特纳一端。目前，无论在美国还是欧盟，除非证明存在协议，法院都不会认定寡头垄断市场中的默契合谋非法。布雷耶法官进一步解释法院的这种通行做法，“不是因为这种合谋定价是可取的(事实上并非如此)，而是几乎不可能为它设计一种司法上具有可操作性的禁令措施。”(21)比如，特纳给出的办法是把寡头分拆为较小的单位。(22)这一结构主义方案在今天看来显然无法令人接受。基于理性的假设，如果执法者放过了具有反竞争效果的默契合谋，那么这一决策无疑考虑了“错误成本”。一方面，法官并不擅长判断合谋价格的合理性。因为这需要法官对价格持续监测，查阅商业记录并掌握专业知识，如此一来，法院就蜕变为“公共事业管理委员会”，(23)面临巨大的法律实施成本。另一方面，寡头垄断市场中默契合谋的发生具有或然性，现实市场中还需要考虑其他变量，比如产品的差异性、非价格竞争(质量、售后方面)等。(24)因此，在这些变量的影响下，传统市场环境下的默契合谋可能不具有现实性。两相比较，规制机构花费高昂的成本规制不具有现实性的默契合谋，不仅缺乏效率，而且容易产生“假阳性”错误。所以，问题的核心不是默契合谋是否可取，而是有无必要花费巨大成本进行规制。这是一种利益衡量，是一种政策选择。当我们将市场环境转换为算法背景时，成本收益分析恐怕会发生变化。其一，算法合谋降低了对结构性条件的依赖，意味着默契合谋不再是理论假设，也不是行业的个别的、局部的问题，而是算法时代经营者定价、控制生产和销售的普遍问题。再加上市场透明度提高，作弊现象得以减少，默契合谋因而异常稳固。其二，算法使得定价信息能够频繁地互动，是传统垄断协议天然的替代工具。这就导致以往需要协议进行定价安排的明示合谋转化为算法安排的默契合谋。所以，这是个极具现实性的规制难题。对规制机构而言，规制思路应当从防止“假阳性”转变为防止“假阴性”，如果继续回避、忽视这一问题，将会产生巨大的社会成本。因此，在算法时代，传统上将默契合谋排除在垄断协议之外的做法应当予以适当修正。
(二)意图测试遭遇算法“黑箱”
意图(intent)能否成为认定垄断行为的考虑因素，这一点并非毫无争议。但正如布兰代斯法官所言，“意图可以帮助法院解释事实并预测后果”，(25)因此，意图仍具规范意义。在行为事实的判断上，经营者有信息优势，法院也更愿意借助经营者的意图来理解行为本身。
意图测试坚持主客观相一致原则，旨在通过客观证据揭示行为人的主观目的，进而印证违法事实。在人类传统的决策背景下，经营者的主观目的与客观行为联系紧密，无论是合同、决定、协议证据，还是协同行为证据都能反映经营者的真实心理，进而解释垄断协议所形成的客观事实。但是，在人工智能背景下，意图测试解释客观事实的功能恐怕未必有效。原因就在于算法决策存在“黑箱”(black-box)。黑箱的隐喻表达了由于算法不透明而引发人类对决策过程失去控制这一风险的担忧。(26)算法的工作机制围绕“输入—决策—输出”展开，但对人类而言，可观察的往往仅限于输入、输出环节，至于算法是如何决策的，则无法观察，难以理解，以致形成认识上的黑箱。算法黑箱可以从相关的事例中得到验证。其中有一事例我们称之为“亚马逊图书定价事故”，2011年，亚马逊平台图书的卖家Profnath和Bordeebooks使用算法定价，结果，一本遗传学教材《昆虫的生长》的价格上涨到了离谱的2300万美元。(27)另一事例也与亚马逊平台的动态定价有关，2017年，一家鞋类除臭剂制造商的创始人雅各布斯发现，一旦新闻报道中提到了他们的除臭剂，该产品在亚马逊的零售价格就会上涨。(28)两个案例中商品价格的上涨并非出自经营者的本意，甚至在第二个例子中，经营者还抱怨：“这种涨价会让消费者误会是他们故意干的。”事实上，临时涨价反倒是降低了销售量。站在经营者的立场，案例中的商品涨价背离主观意图，是一种错误，甚至让人感到荒谬。但在算法的工作机制中，这种涨价恰恰是理性的，且符合规则。这充分表明，人类意图与算法决策存在悖反现象，看似反竞争的算法输出可能并非出自经营者的本意。
那么如此一来，考察经营者主观心理状态的意图测试可能面临失败。由于存在算法黑箱，经营者辨认自身行为的能力大大减弱。比如，经营者购买了专业公司的算法服务，该产品宣称能够帮助经营者自动定价且能提升利润空间。至于该产品如何工作，经营者并不清楚。甚至专业公司也仅能描述算法工作的原理，对于算法输出的结果缺乏准确的预测。那么对于价格合谋的结果，经营者完全可以宣称其“毫不知情”甚至“超越了他的认知”。并且经营者可以辩称，他的本意只是追求更高利润，并非要排除、限制竞争。这一目的显然并不违法。由此可见，意图测试亟待突破算法黑箱的藩篱。
但是，目前的垄断协议规制政策尚缺乏破解算法黑箱的有效手段。通常而言，意图测试的目的在于确定责任范围，用于判断经营者是否应受法律责难。而责任承担的核心假设在于人们不应对与其行为无关的后果承担责任。意图测试就在于判断经营者能否认知行为、预判后果并积极期待之。当身陷黑箱，设计者和使用者有可能并不清楚算法的决策和后果，也有可能期待合谋结果。问题在于，意图测试无法给出明确答案，也就无法将合谋的结果归责于经营者。这一现象无疑反映了法律责任结构的漏洞，可能导致经营者故意将算法决策成本外部化而不受法律惩罚。(29)另一方面，关于意图的证明方法和证明标准也不利于克服算法黑箱。就证明方法而言，执法机构仍然按照传统合意标准收集经营者彼此沟通的证据。这一方法对默契合谋而言无异于缘木求鱼，并且容易产生误解：经营者只要未曾与他人沟通就不违法。所以，按照这一思路，算法无疑“解放”了经营者，使他藏身于黑箱之中，导致合谋意图无法显现。就证明标准来说，关于垄断协议违法行为的认定应当遵循“排除合理怀疑”规则，尤其是应当明确行为是否存在正当的商业理由。但算法黑箱无疑阻止了执法机构探明经营者内心真意的努力。因为相比经营者，规制机构更加无法理解算法决策。既然如此，就应当将证明合谋行为商业理由的负担转移给经营者自己。这样做的目的在于督促经营者适时对算法决策进行干预，人工检查、检验算法的决策和行为，(30)保证算法尽量用于合法目的。但是，关于证明责任的特殊分配规则应当由法律明确规定，否则难免有加重当事人负担的嫌疑。所以，垄断协议规制政策的调适势在必行，应直面算法黑箱难题，恢复意图测试的应有功能，在经营者目的与行为、行为与后果之间建立应有的联系。
(三)自主学习算法诱发威慑失灵
当算法具备自主学习能力时，算法在不依赖人类指令的情况下也可以作出决策。如此一来，尽管客观上存在协同行为，但经营者可将其解释为算法的自主决策。因此，自主学习算法为经营者逃避责任提供了“合理”说辞，弱化的“人—机”联系，进而挑战法律的威慑，导致建立在威慑基础上的反垄断制裁体系运转失灵。
其一，算法冲击威慑制度的人性基础。立法者规制垄断协议的政策重点在于威慑，一方面，通过严苛的法律责任使经营者心生恐惧而不敢违法；另一方面，借助宽恕政策瓦解经营者彼此之间的信任关系。因而，威慑之下，经营者皆似囚徒，或为恐惧所支配，或陷入背叛困境。毫无疑问，这一威慑效果以经营者的特定心理为基础，即恐惧和不信任。当算法加入经营者决策，甚至独立提供决策时，行为人的心理预期则悄然发生改变。算法工具不会进行价值判断，更不会产生人类情感。因此，它也不会恐惧人类世界的法律责任。相反，算法的这一特点却能影响行为人的心理活动。面对威慑，经营者可假手于算法，将合谋归咎于算法的自行其是，一定程度上缓解了对承担罪责的恐惧。换言之，若由算法充当“中间人”实施合谋，经营者的负罪感、恐惧感则会大大降低。(31)因为人们通常认为间接违法比直接违法伤害更小，罪责更轻。不仅如此，算法还改变了经营者之间的信任关系。传统合谋始终面临信任问题，因此经营者不得不通过频繁的通话、会面增进互信，同时还以监督和惩罚来检验互信。即便如此，信任关系仍然十分脆弱，只要执法机构稍加“离间”，经营者的结盟就可能会发生瓦解。关于这一点，宽恕政策的成功实施即为明证。而利用算法合谋远胜于人与人之间订立协议。相比人类的情感信任，经营者更相信建立在机器理性之上的算法规则，主动臣服于算法这一数字国王。经营者的互信还在于算法超强的反作弊和即时报复能力。这一能力将超越面对面的秘密会议建立起的情感信任，使得合谋持续而稳定。由此可见，在算法主导合谋的情况下，经营者之间的信任关系日益稳固，甚至有逃脱“囚徒困境”的可能。再加上经营者恐惧感减弱，反垄断制裁威慑效果因而大打折扣，包括宽恕政策在内的法律责任制度适用性降低。
其二，算法影响经营者的风险偏好。在法律责任的威慑下，经营者普遍心存畏惧，但为何有的经营者仍然以身试法？一种解释认为，经营者对待风险的态度有别，一些人追求利润而偏好风险，另一些人则倾向止损而规避风险。当然，规范意义上的风险偏好来自经营者对成本和收益的计算，与其个人禀性关系不大。换言之，当法律制裁施加的惩罚大于垄断协议带来的收益，经营者选择规避风险，反之则选择偏好风险。传统环境下，经营者之所以遵守关于禁止垄断协议的规定，本质上讲守法在经济上是合理的。但这种情况在算法时代恐怕未必如此。当评价算法给商业经营带来何种影响时，我们应该认识到这种影响普遍且不可逆，就像汽车时代取代马车时代一样。虽然算法定价带来更高的合谋风险，但它带来的竞争优势使得经营者不会再回到张贴纸质标签的前算法时代。在以往，经营者能够在不参与合谋的情况下获得利润。该利润虽然低于合谋的垄断利润，但它不会招致法律制裁，因而经营者选择规避风险。如今不采用算法虽使得合谋风险大大降低，但也使得经营者丧失竞争优势甚至可能被时代淘汰。因而，经营者即使冒着被法律制裁的风险也要使用算法服务，一如汽车带来了更高的伤亡事故，但不会停下汽车时代发展的脚步。因此，算法时代，经营者普遍更偏好风险。
按照效率标准，威慑被视为违法行为查处可能性乘以处罚程度的函数，其效果与三项因素有关：垄断协议被检测或定罪的概率，反垄断处罚，以及垄断协议的超额利润。(32)但经营者在算法监督之下极少发生叛逃，容易建立信任关系，因而垄断协议被检测的概率降低。为维持威慑强度，执法机构可能会建议提高惩罚力度，以弥补检测率降低引起的威慑不足。这一做法看似合理，却极易诱发“威慑陷阱”。(33)因为威慑也存在边际效应，当惩罚超越一定的边界，不仅不会阻止违法行为，甚至反而会产生违法激励。在经营者普遍偏好风险的情况下，道理同样如此，威慑越强则可能越发激励经营者追求风险。当然，这并非垄断协议禁止规则的初衷，但我们需要考虑，在威慑失灵的情况下应当如何调整垄断协议的规制政策，以适应业已到来的算法时代。
四、算法时代垄断协议规制的路径优化
算法引起的垄断协议规制挑战深刻而全面，涉及垄断协议的检测、认定以及制裁。但不必因此而怀疑反垄断法的有效性。换言之，线上市场并非法外之地，算法合谋也不能当然豁免。因此，我们应当调适规制政策、优化规制路径，积极应对算法挑战。
(一)侦破：由反应性检测到前摄性检测
面对算法时代垄断协议的种种规制困境，反垄断执法机构首先应当思考如何查证算法合谋。相比其他垄断行为，垄断协议的隐蔽性更强，因而执法机构历来重视其检测、筛选工作。这一工作可根据案件是否由执法机构主动发起分为前摄性检测和反应性检测。但根据以往经验，执法机构主要依赖宽恕政策等反应性检测工具。比如，2004年至2014年十年间欧盟委员会处理的垄断协议案件中，依赖宽恕政策侦破的占比为94％；自1999年至2012年，由宽恕申请人协助进行的起诉也占到美国司法部提起的垄断协议诉讼的90％。(34)但是，通过宽恕政策侦破的垄断协议往往组织程度较差，盈利能力较弱。换言之，这些垄断协议内部本身就矛盾重重，稍作分化便自行瓦解。过于依赖宽恕政策，可能导致执法资源浪费在这些“质量”低劣的垄断协议上，而对具有高度稳定性、组织程度严密的算法合谋投入不足。所以，为发现和查处这类高度稳定、组织严密的垄断协议可能需要投入额外资源，开发新颖的调查方法，进而在宽恕政策失灵的情况下保持足够的威慑。
从世界范围来看，目前这一工作正处于探索阶段。比如，英国竞争与市场监管局致力于开发新的数字取证工具和调查技术，以便更有效地发现、调查非法垄断协议。意大利竞争管理局与数据保护局、通信局共同发起大数据市场研究，旨在探索与算法兴起相关的各种可能的竞争影响。俄罗斯联邦反垄断局强制电子产品经销商披露算法软件的开发者和产品信息。(35)各国执法机构之所以对算法进行市场研究，一方面出于在新兴领域保持话语权并施加潜在威慑的需要，另一方面也是因为执法机构不清楚算法合谋是人为干预还是自然变动的结果。对此，研究者们都认识到算法合谋实验的重要性，其中，扎拉奇和斯图克设计了算法合谋“孵化器”，(36)哈灵顿提出了算法合谋市场仿真计划。(37)上述工作致力于通过经济学实验探究算法合谋的工作原理和特征，检测有别于市场定价的异质信号，进而区分哪些算法符合市场竞争，哪些算法促进合谋。算法合谋实验通常分为三个步骤。第一，创建模拟市场环境，并将合谋价格和竞争价格作为模拟结果。使用不同的定价算法、调整各种市场条件进行试验，进而确定合谋价格和竞争价格出现时的算法及市场条件。第二，检测算法特征，以便识别出在合谋价格出现时存在但在竞争价格出现时不存在的特有属性。具有该属性的定价算法将进入“黑名单”。第三，检测黑名单中的算法。在这一步骤，应当首先将算法“脱敏”，去除该算法的特有属性，进而放在模拟市场环境中重新检测。如果结果反映为竞争价格，那么说明该特有属性与价格合谋存在正相关，反之则未必。
应当说，算法合谋实验离不开大数据资源和经济分析方法。一方面，执法机构只有理解算法合谋才能监管算法合谋。既然经营者可以通过算法对海量的市场数据进行挖掘、组织和分析，进而为商品定价。那么。执法机构自然也可以利用算法工具和大数据资源进行市场分析和价格监测。例如，在2018年经合组织召开的“数字时代卡特尔筛选研讨会”上，各国执法机构就展示了筛选工具利用大数据资源的最新成果。其中，巴西经济防卫管理委员会展示了名为“大脑”的筛查工具，该工具包括数据建仓、数据挖掘和统计检验三个模块，用于筛查和挖掘数据、检查危险信号并按顺序运行统计测试，进而触发执法机构的主动调查。(38)利用大数据进行卡特尔筛选的优势在于，自动化的分析方式提高了筛查效率。更为重要的是，大数据的全面普遍性特征弥补了传统个案调查的漏洞。因而，经营者意图利用算法技术逃脱法律制裁的动机受到极大震慑。总之，大数据的应用能够扩大执法机构的检测半径，更易于发现市场的异质信号。
如果说大数据提供了发现市场异质信号的基础信息，那么经济分析则贡献了检测异质信号的基本方法。根据传统经验，这些异质信号通常表现为结构性和行为性两种类型。因而，执法机构检测算法合谋的方法也可以分为结构筛选和行为筛选。结构筛选旨在发现易于产生算法合谋的市场结构或产品特征，包括市场透明度、动态定价以及轴辐结构等。市场透明度与价格信息的可获得性密切相关，动态定价与经营者的频繁沟通互为表征，而轴辐结构则意味着网络平台或者算法服务提供者承担了信息交换的中介功能。行为筛选则由果导因，筛查经营者的行为或者市场结果进而识别可疑信号。行为筛选通常使用两种基本策略。一是检索不可能发生的事件，比如在算法的主导下，所有竞争者价格保持一致，或者价格不因成本、市场结构变化而变化，这在统计学上被归纳为方差低。二是使用控制组对比，例如，比较经营者使用算法前后的利润变化情况，或者比较使用和不使用算法的同类经营者的利润情况。执法机构应用经济分析进行筛选的案例并不鲜见，其中以伦敦同业拆借利率操纵案(LIBOR案)为典型。2008年，《华尔街日报》首先对伦敦同业拆借利率过低的情况提出了质疑。随后，梅斯等人在一份报告中指出，在金融危机之前的数月间，利率长期保持恒定，各银行间报价差异很小，这表明至少从2007年以来，伦敦同业拆借利率一直没有对增加的市场风险作出反应。上述事实表明，伦敦同业拆借利率存在合谋的迹象。在后续的研究中，梅斯等人进一步指出，从2006年初到2007年夏季，伦敦同业拆借利率违反了通常用于检测合谋欺诈行为的本福特定律。(39)
当然，经筛选获得的异质信号很难构成严格意义上证明垄断协议的证据。实际上，算法合谋检测的目的也并非要找到确切的证据，而是根据经验确定哪些市场或产品出现了危险信号，并引导执法机构实施进一步调查。这一工作的意义在于，市场异质信号虽然不能作为直接证据，但足以在证据材料和待证事实之间建立相关关系，对经营者产生持续威慑。并且，垄断协议筛选与宽恕政策并行不悖，筛选效率的提高也会激励经营者主动投案。因而，对于算法合谋需要执法机构运用更多的资源和方法进行检测和筛选，进而增强垄断协议禁止规则的前摄性。
(二)认定：从解释协议到证明协议
1.垄断协议扩大解释的逻辑问题
算法合谋并不符合垄断协议的一般含义，因而一种直接的政策主张就是对“协议”作扩大解释。(40)这一主张符合规制算法合谋的目的，但其方法运用似乎欠妥。因为解释协议固然能够因应变动不居的现实，但却超越了反垄断法仅将协议扩大到“协同行为”的法律实践，实则为垄断协议重新立法。且不说这一方法是否经济，单论逻辑就存在三个缺陷。其一，不仅这一方法存在理论争议，而且规制实践也缺乏将默契合谋直接认定为垄断协议的案例。如果把算法形成的默契合谋视为协议，那么何以解释默契合谋在算法时代与前算法时代的不同境遇？这在理论上尚缺乏统一且符合逻辑的论证。其二，从逻辑上讲，默契合谋与明示合谋属于矛盾关系，将二者统一于协议概念则意味着这一概念之反垄断法含义的消解。换言之，反垄断法上的协议概念应与普通语言的含义毫无差异。因此，将默契合谋纳入协议概念会引起法律语言的泛化，垄断协议的认定将缺乏边界。其三，就证据而言，默契合谋的生成因素一般作为证明协议的间接证据，比如寡头垄断结构、定价算法等。但是扩大化的协议概念则将这些间接证据转化为直接证据。(41)因为作为协议的法定类型，默契合谋之于算法有如明示合谋之于书面合同。如此一来，仅凭算法的存在就能认定垄断协议。可想而知，这一主张难以令人信服。
2.证明垄断协议的实践做法
如果把协议比作一条线段，那么起点就是纯粹的独立行为，终点则是明确的垄断协议。执法机构需要在线段的区间内找到合适的位置确定违法行为。但问题在于区间内行为的界限并不清晰，行为从起点过渡到终点的差异性难以解释。(42)扩大协议概念的主张其欠妥之处就在于试图厘定区间内行为的边界。实际上大量的规制实践表明，新型垄断协议的认定并不依赖扩大解释而是更多地依靠证明。一方面，法院认为协议的含义足够广泛，比如在“美国烟草公司案”中，法院认为，“协议不是某种组合形式或(经营者)使用的特定手段，而是法规谴责的结果”。(43)言外之意，协议的形式并不重要。在“高果糖玉米糖浆反垄断诉讼案”中，法院强调“(谢尔曼法的)这种法定语言足够广泛……包含一个纯粹的默契价格协议，即协议各方之间没有任何实际沟通的协议”。(44)在这一司法政策导向下，我们很容易在协议概念中读出默契合谋的意味。(45)另一方面，法院对默契合谋也采取了有别于明示合谋的政策，这种差异主要体现在证据方面。默契合谋通常会产生所谓“有意识的平行行为”(consciously parallel behavior)的结果，在美国，仅有这一结果不足以认定垄断协议，原告还需提供“附加因素”(plus factor)。(46)证明力最强的附加因素当属“行为不符合经营者自身利益”。(47)如果原告指出被告的行为与其自身的合法经济利益相悖，那么他足以尽到证明责任，这一证据至少表明被告行为不仅仅是有意识的并行(而是垄断协议)。(48)欧盟竞争法并没有附加因素这一提法，但提供了一种替代方案，即“促进机制”(facilitating practices)。按照经合组织的定义，促进机制并非当然构成核心卡特尔，但却有助于公司消除经营策略的不确定性并显著提高协调效率，其中以信息交换最为典型。(49)换言之，促进机制可被视为协议的间接证据，并且在通过协议或协同行为限制竞争时本身就是非法的。例如在“都乐公司诉欧盟委员会”案，欧盟终审法院认为，经营者之间交换的信息即便与市场行为或定价没有直接关联，也可能具有反竞争目的。(50)欧盟这一严厉态度表明，促进机制能够为协议的认定提供较为充分的证据支撑。
附加因素和促进机制是美国、欧盟克服协议概念模糊性的重要工具，其本质属于间接证据。它的证明力虽不及纯粹的协议，但在相应司法管辖区都有较强的说服力，因而可被视为默契合谋通向垄断协议的“证据阶梯”。所以，从实践经验来看，美国及欧盟并未急于从立法论角度明确协议的适用范围，而是着力挖掘现有的执法和司法资源，寻求将默契合谋认定为协议的证明路径。对于算法引起的默契合谋，上述路径颇具经验价值。
3.通过算法证明垄断协议
(1)算法作为间接证据
算法的证明力首先体现在它的信息交换功能。通过对市场信息进行抓取和输出，算法能够消解竞争者之间的信息壁垒，提高在线市场的透明度。这一现象恰恰是规制机构所担心的。例如，欧盟认为在竞争者之间的信息交换可以构成垄断协议，原因就在于，信息交换可以降低市场中的不确定性，提高市场透明度。在此基础上，即使没有明确的协议，经营者也可以就协调目的或者实际的行为达成共识。(51)除了像传统的信息交换一样为经营者形成共识提供条件，算法还能监测这一共识从意图落实到行动。甚至有人将其称为信息交换的“创新”手段。言外之意，虽然沟通方式有别，但算法仍然是传统信息交换的延续。
算法的信息交换暗示经营者之间存在相互依赖关系，这建立起通过算法证明垄断协议的初步证据，但还不充分，尤其是算法黑箱导致证据和待证事实之间存在或然性。因此，应当更加关注算法设计、运行中的“人为”因素。第一，考察独立设定价格是否符合经营者的经济利益。一般而言，经营者独立行动的话，其定价策略是复杂的。但如果经营者利润最大化函数仅在其他公司采取相同行动时有效，(52)并且经营者放弃了价格歧视、折扣等其他定价策略，那么其合谋动机就非常明显。第二，考察经营者为算法合谋提供的透明化措施。在竞争环境下，经营者可以采取各种保护措施，防止竞争对手的机器人或网络爬虫收集价格数据，在信息不对称中获得竞争优势。但存在合谋动机的情况下，经营者可能通过数据网络服务向另一家公司提供访问权限，表明它愿意达成合谋的意图。第三，考察经营者为算法合谋提供的标准化措施。标准化意味着在算法编程实施统一的架构，在数据集的采用方面重叠或相互覆盖，标准化的算法将大大提高合谋的效率。因此，当经营者就算法的技术、数据标准化进行沟通(即便不涉及定价要素)，甚至在同一服务商采购算法服务，其都需要对行为动机作出合理的解释。
(2)算法证据适用的证明标准
证明标准涉及算法作为间接证据能否独立证明或者在多大程度上证明垄断协议。在一些案例中，法官对间接证据相对宽容。例如，高果糖玉米糖浆反垄断案中存在大量的经济学证据(间接证据)，包括市场集中度很高，非常有利于价格协调；经营者以产品价值而不是以产品成本定价；消费需求上升期的市场份额却保持稳定没有增加，等等。法院强调，即便没有确证合谋的单条证据，作为一个整体的证据之和仍然具有证明力。(53)在“都乐案”中，欧盟终审法院指出，任何“可能”影响他人行为的经营者之间的直接或间接接触都将被严格排除，欧盟委员会没有义务证明这些联系确实对他人行为产生影响。(54)法院实际上将信息交换视为目的限制，适用本身违法原则。因此，信息交换虽是间接证据，但证明力十足。在另外一些案例中，间接证据的证明力则受到质疑。在“松下电器案”中，法院允许利用间接证据进行合理推理，但“原告必须提供倾向于排除被告独立行动可能性的证据”。(55)在“儿童食品反垄断案”中，原告可以提供“附加因素”等间接证据推定合谋的存在，但法院同时也赋予被告有就其行为具备独立性进行辩驳的权利。(56)在“威廉姆森石油公司案”中，法院将上述判例中的原则进一步明确化：“附加因素”可以推论合谋的存在，但也应同时具备排除被诉行为独立行动的可能性。(57)欧盟法院在“Wood pulp案”中也有类似的观点：不能仅凭平行行为的证据就认定经营者存在协同，除非当事人不能就其平行行为作出合理的解释。(58)
上述证明标准的差异有多重原因，结合我国反垄断实践和数字经济发展的趋势，在采用算法间接证据时可能需要考虑以下两点。一是缜密分析算法要素在竞争上的意义，形成合理推定，避免协议认定的“印象派”模糊特征。对此，波斯纳提出了一种有别于法律分析的经济学进路：第一步识别市场的哪些具体条件有利于合谋；第二步判断这些市场是否确实存在合谋定价。第二步当中的合谋无论是明示的还是默契的，只要第一步是充分的，合谋就得以证明。目前的法律分析主要集中于第二步(寻求经营者实际联络的证据)，这也是算法作为证据遭遇的法律障碍。但从经济分析的角度看，一个合谋机制是不是以一种能够产生实际联络证据的方式进行组织和执行，只是细节问题。(59)所以，问题的关键在于充分论证算法促进合谋、限制竞争的机制和作用，目的在于将其识别为促进合谋的市场条件，这一工作需要扎实的经济学分析。而后在证明规则上采用“合理性推定”标准，建立算法与合谋的证据连接。当然，合理性推定的正当性不仅在于逻辑，它更是一种经验法则。这也暗示我们处理算法合谋的方法可能需要实践积累，而并非仅是确定一套明确的规则体系。二是排除经营者独立行为的合理怀疑。经营者行为独立，不仅意味着行为客观上表现为平行定价，更重要的是他们之间不存在意思联络的意图。因而它是一种市场竞争行为，比如经营者定价的一致涨跌源于成本或市场需求的变化。所以，算法的定价规则需要进一步审计，考察定价是源于对经营者自身成本变化的反馈还是仅仅“跟随”竞争者定价。这一工作可以帮助我们进一步了解算法的工作机制，并作出合理判断。排除合理怀疑规则还包括两个应用层面，一方面，原告的举证应当满足排除算法工作相互独立的合理怀疑；另一方面，允许被告就其行为具有独立性进行抗辩。鉴于原、被告就算法工作机制存在信息不对称，被告应当承担更多的证据举示义务。
(三)制裁：由算法问责到责任续造
1.算法可问责性反思
人们对算法合谋的担忧，很大程度上是由于技术恐慌。算法“代理人”不可知(黑箱)且不受控制(威慑失灵)，这对人类而言难以接受。因而，执法机构试图从更广泛的监管层面寻求算法治理。比如，美国联邦贸易委员会新设技术研究和调查办公室，负责研究算法透明度。印度竞争委员会正在寻求开发一个网络实验室，以更好地理解算法定价方法的类型及其对市场竞争的影响。(60)欧盟颁布的《通用数据保护条例》(GDPR)更是提出“设计合规”的理念，被视为阻止算法合谋的重要工具。正如代议制政府必须接受问责，执法机构对算法的监管也以可问责性(accountable)为导向。不同于法律责任(liability)，算法可问责性更近似技术概念，旨在确保软件能够产生证据，从而监督和验证软件是否在设定的规则内运行。(61)如果说法律责任提供了算法合谋担责的应当性，那么可问责性则提供了可行性。
这一可行性通常以设计合规为事前措施，以算法审计来控制过程，最终以提高算法透明度为目标。算法透明度要求源代码及相关输入和输出应当公开，以便能够查看系统的内部结构，了解该系统的运行情况以及与系统运行相关的后果，从而彻底曝露算法的内在缺陷或设计者的过错。作为算法可问责性的重要目标，透明度的实现有赖于设计合规与算法审计。就事前措施而言，设计合规的重要性不言而喻，我们不敢奢望合规的设计一定带来合规的后果，但是，只有遵照竞争规则编写的代码才能体现设计者维护公平竞争的主观意图。否则，未经合规审查的算法一旦出现限制竞争行为，执法机构很容易将其归咎于设计者的疏忽。因此，有学者提出“应当在机器人代码中插入竞争保护令”，(62)我们可以称之为竞争规则的数字化。就过程控制而言，算法审计则被视为一项有效措施。从技术上讲，算法审计是指对软件产品及运行与适用规则、标准、指南、计划、说明和程序的一致性予以独立评估。(63)算法审计要求软件系统能够生成可靠的证据来验证软件是否正常运行，换言之，即便软件没有遵守指令，这一事实也能够被记录下来供事后“复盘”检查。实际上，算法审计的本质在于为法律规范和技术结果建立因果关系，解释算法是否按照规范行事，以及如何偏离了规范要求。
毫无疑问，上述措施能够显著增强算法的可问责性，进而为法律责任的承担提供条件。但如果我们进一步反思算法问责的监管属性以及引发的法律责任性质，那么将其作为制裁垄断协议的工具可能面临法律困境。其一，算法问责措施应当由哪个监管机构实施？目前而言至少涉及知识产权保护、隐私保护、数据保护、消费者保护以及竞争规制等法律部门，相应执法机构职权的划分与协调恐怕是个难题。当然，也有学者提出建立一个中央独立机构，负责协调和监督互联网和数据的不同监管方面的建议。(64)不可否认，该建议具有一定的合理性，欧盟GDPR的监管体制就代表了这一前瞻方向。但在目前的监管框架下，竞争执法机构关注点主要集中于对垄断行为的查处和制裁，并无职权实施算法问责。也即，竞争执法机构很难为了防止算法合谋而要求经营者公开算法代码或者审计算法的合规性。其二，算法问责引起的法律责任的性质是什么？算法问责措施致力于提高算法的安全性、稳定性，降低产品或服务的违法风险。从本质上讲，它是一种产品质量责任，而非反垄断法律责任。比如，算法提供者未履行竞争合规义务，导致该产品使用者面临算法合谋风险。由于算法提供者与使用者的法律关系通常仅限于算法软件产品的交易关系，算法提供者的疏忽所引起的法律责任通常也仅限于瑕疵担保责任。除此之外，算法问责还引起了监管是否过度的争议。有的学者提出，复杂的监管体系会给人工智能市场的进入带来巨大成本。(65)法院也认识到，为实现反垄断法的执法目标，监管合规成本可能成为市场进入的潜在障碍。(66)因为大企业往往比小企业更能满足合规的要求，并且监管引起社会成本的增加和进入壁垒的提高，显然不符合反垄断执法的初衷。这启发我们寻求一种成本更小，并且符合竞争要求的解决方案。
2.算法合谋的反垄断法责任续造
鉴于算法问责仍然面临较多的法律困境，笔者给出的方案是续造反垄断法法律责任。一方面，法律责任是反垄断规制工具包中为数不多的工具之一。另一方面，相比算法问责监管，法律责任不需要额外建章立制，规制成本也较小。当然，为实现对算法合谋行为的精准威慑，垄断协议法律责任仍需完善。其目标就在于使法律责任能够覆盖算法的设计者、提供者，督促其依法进行合规设计、算法审计，提高算法透明度，从而在算法问责与法律责任之间建立良性反馈。算法设计者、提供者作为第三方，虽然在合谋中并非直接参与者，但他们对算法合谋的产生提供了便利条件。在这方面，欧盟也正在考虑建立基于风险产生和风险管理的法律责任制度。(67)换言之，垄断协议法律责任的续造就在于让第三方和算法使用者共同承担竞争法上的责任。虽然第三方法律责任的承担有条件限制，但其至少在积极参与并充分了解实施或监督垄断协议的事实时承担责任。在算法应用的商业实践中，平台经营者以及算法服务提供者存在较大的违法风险。
平台经营者通常会为了吸引供应商和消费者进入平台而采取策略行为，比如要求商品统一打折，并以算法实施和监督。在供应商和消费者对商品或服务都难以定价的情况下，平台还会通过算法制定价格，比如，Uber通过算法为出行服务定价，并形成前文所介绍过的轴辐结构。在“梅耶诉卡兰尼克”一案，原告指控Uber平台的出行服务价格被人为操纵，但作为Uber首席执行官，被告则以价格遵循“市场的自然波动”来抗辩。(68)但在案件发生的几年前，卡兰尼克曾毫不掩饰Uber的成功：“我们不设定价格，价格由市场决定，但是我们由算法来决定市场是什么。”(69)在算法构建的轴辐协议中，竞争带来的价格不确定性被算法带来的价格可预测性所替代，Uber平台制造了合谋风险，并享受合谋带来的利益。因此，由平台承担垄断协议的责任也就不足为奇。
就算法服务提供商而言，情况可能更复杂些，可分为以下三种情形：(1)算法服务提供商和使用者共谋垄断，二者只是分工不同。在此情形下，二者共同承担垄断协议法律责任不存在问题。(2)算法服务提供商构成“帮助犯”。比如，应使用者实施算法合谋的要求，算法服务提供商为使用者开发算法。算法服务提供商赚取的是软件服务费，对合谋垄断利润并不感兴趣。因此，其责任承担存在一定障碍。(3)算法服务提供商了解算法可能产生的合谋风险，但是使用者并不清楚。虽然市场出现合谋结果，但使用者缺乏共同故意。如果让算法服务提供商承担责任可能存在“皮之不存，毛将焉附”的困境。当然，在后两种情况下，算法服务提供商仍然存在承担垄断协议法律责任的可能性。比如，算法服务提供商积极追求算法合谋的结果，并将其作为服务的“卖点”向使用者兜售。
第三方通过算法设计或服务为合谋的实现提供了便利条件，这种“贡献”具有独立性，由此，我们就不能简单地将第三方视为算法使用者的代理人。因此，垄断协议法律责任应当予以续造，反垄断法禁止的是引起合谋的算法(或者某些算法特征)，而非定价本身。(70)新的责任结构应当更多地依赖算法设计者、服务提供者的行为，而非仅仅依赖算法使用者的行为。这样的责任结构有助于增强垄断协议法律责任的威慑，进而促使第三方不向算法使用者提供促进合谋的算法设计和服务。因此，法律责任续造的目的在于督促第三方谨慎行事，尽到注意义务，包括加强竞争合规和算法审计。
五、结语
2021年2月，国务院反垄断委员会发布了《关于平台经济领域的反垄断指南》，该指南将利用数据、算法协调定价的行为作为固定价格垄断协议的一种形式。这是我国对算法合谋进行反垄断规制的开端，接下来还需要更为全面、精准的规制方案。为此，笔者建议：第一，调整算法合谋的侦破思路，投入更多资源进行市场研究，运用大数据和经济分析手段筛选市场异质信号，避免过度依赖宽恕政策，进而保证算法合谋检测的前摄性。第二，修正算法合谋的认定方法，在不存在直接证据的情况下，将算法作为证明合谋的“附加因素”和“促进机制”，并在证明责任方面适当降低标准。第三，续造反垄断法法律责任，让算法设计者、提供者与实施算法合谋的经营者共同承担竞争法上的责任。目的在于督促当事人注意算法的合谋风险，引导其依法进行合规设计、算法审计并提高算法透明度。
来源：《比较法研究》
