价格算法合谋的反垄断规制——事前管控与事后追责

周羽中

（山东理工大学 经济学院，山东 淄博 255012）

一、背景和问题

人工智能方兴未艾，作为人工智能基石的算法越来越多的应用到企业的商业决策中； 从本质上讲，算法是一种执行设计程序和命令、处理各种复杂任务，进而实现自主学习、自主决策的技术；算法和大数据的结合， 能够显著的提高企业的决策水平，制定和实施利润最大化战略，因而人工智能背景下，算法成为企业进行市场竞争、价格设定的重要工具。 从需求侧来看，企业可以使用算法收集、整理和分析消费者以及竞争对手的信息数据，降低信息不完全性，把握消费者的偏好和竞争对手的战略动向，准确预测市场发展趋势；从供给侧来看，企业可以使用算法进行产品和广告的精准推送，制定基于个人差异的价格歧视，根据市场竞争状况灵活改变价格。

算法的使用促进了竞争和商业繁荣，打破了市场壁垒，使市场更加透明和高效，这是有利于消费者的。 然而，通过人工智能设定价格的算法能够促成合谋行为，合谋带来的价格歧视等问题又损害了消费者的利益。 因此，价格算法的合理应用与否，对市场秩序和消费者权益保护具有重要意义，也日益成为各国反垄断执法机构关注的重点。然而，由于价格算法合谋与传统的合谋相比不具有明确的行为依据，也就是不存在价格合谋的“协议”，因此，现行的反垄断法在理论和实践层面都难以对其有效的规制， 需要根据算法价格合谋的独特性质创新反垄断规制政策。

国外对于如何规制算法合谋的研究比较多。Nicola（2017）认为，某些市场参与者使用算法破坏了市场竞争，反垄断部门应当对其实行反垄断规制[1]；

Harrington（2018）认为现行反垄断政策难以有效规制自主学习算法合谋， 并且主张采用事前审查的反垄断规制政策[2]；然而Calvano et al（2018）在详细分析当前算法合谋的反垄断规制政策后明确反对采用事前管控的手段[3]。国内学者沈伟伟（2019）通过对算法透明原则的分析，认为其不具有普适性，算法透明原则对算法合谋的规制应当是辅助性的， 因而对算法的规制应该是以算法问责为代表的事后追责策略更为恰当[4]王健，吴宗泽（2020）指出，根据自主学习算法的自身特点，应当从技术监管、数据控制、算法审核等层面构建事前管控体系[5]；许光耀（2020）指出，算法合谋依然可以使用反垄断法上的“协同行为”来解决，因为竞争者的行为始终取决于自身的意思表示[6]。基于此，本文根据既有的研究成果，分析价格算法合谋的形成及其运行机制， 进而指出现行反垄断法规制价格算法合谋的困境，最后，从事前管控与事后追责两方面建立有效的反垄断规制政策。

二、价格算法合谋的形成及其运行机制

我国在反垄断执法中尚未出现价格算法合谋的案例，但从美国和欧盟的司法案件可以发现，算法作为一种工具与价格合谋之间存在极高的相关关系。2017 年OECD 发布《算法与合谋：数字时代的竞争政策》报告①OECD (2017), “Algorithms and Collusion: Competition Policy in the Digital Age”, available at www.oecd.org/competition/algorithms-collusion-competition-policy-in-the-digital-age.htm.，报告重点分析了四类能够促进价格合谋的算法，分别是监督算法、平行算法、信号算法和自我学习算法[7]，它们可以通过不同的方式促进价格合谋的形成。

（一）价格算法合谋的形成条件

传统影响企业价格合谋的因素主要包括产业结构以及供给与需求特征三个方面；而在数字背景下，算法促成价格合谋的主要因素则是算法改变了产业结构特征，即市场透明度和市场互动程度。

1.市场透明度的提升

在传统市场中， 企业之间价格合谋不稳定的原因是因为市场透明度不高， 单个企业背叛行为不容易被及时发现，根据“囚徒困境”原理，单个企业都存在违约的动机，因为决策是一次性的，背叛并不会对将来产生影响， 因此， 单个企业都会预测对方会背叛，背叛成为每个企业最好的选择。而算法能够让市场信息传播更迅速，市场透明度更高，企业之间能够互相监督，随时跟踪彼此的定价行为，背叛行为也能够及时发现；另一方面讲，由于算法主导的信息交流非常快捷，因此执法者难以发现这种信息沟通，所以合谋也更加容易。

2.市场互动程度频繁

由于一次性囚徒困境决策的存在， 企业之间在未来互动的可能性不大，因此，它们更加重视眼前的利益， 合谋难以维持； 虽然重复性决策可以惩罚欺诈，但是使用这种方式维持合谋还要满足两个条件：首先是每一个合谋者都可以发现对方不合作，其次，一旦发现对方不合作就会进行惩罚②陈永伟.算法合谋：一个老问题的新形式.http://opinion.caixin.com/2018-01-22/101201027.html.； 然而这两个条件在传统的市场中都难以实现。 算法能够让企业彼此之间的行动依赖性更高，互动程度更加频繁，企业之间彼此的价格策略非常透明， 而且能够在一定程度上预测对方背叛的可能性， 因此它们需要考虑当前的决策对企业未来利润的影响， 由于害怕背叛价格合谋协议而遭受严厉惩罚策略③在严厉惩罚策略下，欺诈引发下一轮的惩罚，并且惩罚会永远持续下去，即便欺诈者在下一轮做出合作决策。，因此企业会更倾向于维持合谋。

数字经济环境中，市场透明度的提升、企业之间互动的频繁， 使得企业背叛价格合谋协议的代价十分高昂， 算法的使用也让企业之间能够建立稳定的依赖关系，价格合谋得以稳定并长时间存续。

（二）价格算法合谋的运行机制

算法除了能够改变市场结构来影响价格合谋以外， 其作为一种工具本身也能够对价格合谋产生影响。 不同的算法致使不同的合谋，监督算法、平行算法、信号算法和自我学习算法分别对应信使类合谋、轴辐类合谋、代理类合谋和自主类合谋。

1.信使类合谋

由监督算法形成的信使类合谋本质上依然是人的合谋，主观目的是人类自愿达成合谋协议，实施卡特尔；计算机只是人的意志的执行者，是一种辅助性工具，是人类的“信使”，而算法本身不具有促成合谋的性质。监督算法的作用在于收集、整理和分析对方的决策信息， 发现背叛合谋协议的行为并实施惩罚措施。 信使类合谋的运行机制是参与价格合谋的企业之间事先就达成了一份价格协议， 然后使用计算机设计一套算法程序来监督价格合谋协议的实施，这在一定程度上巩固了企业之间达成的价格合谋协议，并且有利于合谋的实施。 因此，传统的反垄断政策可以直接对其规制。其典型案例来自于2015 年美国司法部对Topkins 的指控④United States of America v.David Topkins Case No.CR 15-00201 WHO Filed 04/30/15.，Topkins 先是和亚马逊平台上其他销售同类产品的商家达成价格合谋协议， 然后设计出一套算法作为工具来监控协议的实施， 这显然已经构成了现行反垄断法上的横向垄断协议。

2.轴辐类合谋

平行算法形成轴辐类合谋。 平行算法通常出现在竞争者数量较多的同一行业中， 其功能是可以自动的为所有企业设定最优价格。通过平行算法，企业之间只要共同决定使用同一种定价算法工具或者采用同一定价平台进行交易，这样整个市场中的企业就能实现以算法为中心的价格协同行为，达成横向价格合谋协议， 并且由于具有一定的隐蔽性，难以被执法机关查处。 在轴辐类合谋中，“轴”相当于提供定价算法的供应商或平台，“辐”相当于供应商或平台与使用定价算法的下游企业达成的纵向协议。 在这种情形下，虽然竞争者之间实现了价格的协同，也具有限制、排除竞争的效果，但是由于下游的企业之间并不存在横向的垄断协议， 因此反垄断政策难以对其规制。 美国Uber 案中①Spencer Meyer v.Uber Technologies，Inc.，Case No.16-2750-cv，16-2572-cv.，Uber 公司利用自己的平台为出租车司机设定了一套价格算法，每个司机使用Uber 就必须要与Uber 签订一份协议， 并承诺使用Uber 的定价算法为乘客提供服务，这说明司机和Uber 公司之间存在纵向协议，但是司机之间是否存在横向合谋协议尚有争议。 但有学者指出： 轴辐合谋的这种纵向关系只是实现横向价格合谋的手段， 因此不应影响对竞争企业之间实行横向价格合谋的认定[7]。

3.代理类合谋

信号算法促成代理类合谋。 这种算法能够让企业管理者通过信息交换或者单方的价格公示的办法达成合谋协议。 其主要作用在于为进行合谋的企业达成一种共识，为它们提供了共同的价格信号，从而可以便利的实施价格合谋行为。 在代理类算法合谋中，同一行业中的所有企业独立决策，以利润最大化为条件分别设计算法， 虽然各方并没有价格合谋的意思一致，但由于算法设计相似，所以可以自动的监测竞争对手的价格变化并及时采取措施。 信号算法在代理类合谋中充当了企业管理人代理人的角色，代理企业与其他企业进行价格磋商， 根据竞争对手的行为和市场数据动态调整自己的价格决策。 但由于这是一种非人类行为， 而是计算机算法对市场行为做出的自动反应， 因此并不存在企业之间的明确合谋协议，而是一种默契合谋，不违反反垄断法。 代理类合谋的核心在于企业之间具有有意识的价格合谋动机，因此是一种有意识的平行行为，而有意识的平行行为本身是合法的， 反垄断执法中往往囿于直接证据的固定难以对其禁止。然而，在人工智能背景下，由于市场透明度的提高，算法主导的这种“默契”是有可能促成价格合谋的， 因为通过算法实施的价格跟随行为能够实时根据竞争对手的价格进行动态调整，使价格跟随行为可以持续的保持。因此传统的反托拉斯政策对默契合谋的平行行为之认定应当寻求间接证据的佐证，比如对算法源代码的审查、对算法使用数据的审查等。 案例方面，欧盟对华硕、飞利浦和先锋等公司的反垄断调查具有典型意义， 但由于案件尚未公布调查结果，许多细节尚不得知，因此无法进行详细分析。

4.自主类合谋

自主类合谋是由自我学习算法所主导的合谋形式。 自我学习算法开发的目的或许并不是为了价格合谋， 而是为企业提供一种实现利润最大化的价格制定方式。 其基于人工智能的计算机技术以及大数据，不需要借助人类的指示，通过自主学习促成企业间价格一致。 自主类合谋也不具有有意识的平行行为， 无论是算法的设计者还是使用者对算法的影响都十分有限， 价格合谋的产生完全是算法本身自主学习的结果，而且对于合谋是如何实现的，企业也不知情，整个过程被称为“黑箱”，人类只能得到一个合谋的结果。与其他合谋形式相比，自主类合谋的另一个特点是算法源代码并不是一成不变的， 而是会根据市场的变化不断地自我学习、自我改变，也就是说这种算法是有“意识”的，然而，反垄断法难道要去“惩罚”这些算法吗？ 虽然企业之间不存在主观上的合谋动机，也没有明确的价格合谋协议，但不可否认的是市场上的确出现了价格协同，因此，现行的反垄断政策在这方面是束手无措的。 尽管在司法实践中尚没有自主算法合谋的案例， 但其潜在的危害应当引起执法机构的注意。

数字经济和人工智能的发展， 算法开始参与到人类的决策中，上述四类算法合谋中，信使类合谋、轴辐类合谋作为显性合谋， 算法只是其实现合谋的辅助工具或手段，现行反垄断法可以有效的应对；但是代理类合谋和自主类合谋， 当前反垄断法还存在缺陷和空白，因此余文将重点讨论。

三、价格算法合谋对现行反垄断政策的挑战

我们需要明确的一点是： 信使类合谋和轴辐类合谋只不过是传统价格合谋问题的另一种表现形式，并没有给现行反垄断政策带来实质性的挑战，反垄断法依然对其有效； 而代理类合谋和自主类合谋则突破了现有的法律框架， 给反垄断政策带来了真正的挑战。

（一）算法主导的默契合谋如何认定

现有的反垄断法不规制默契合谋。默契合谋通常需要市场满足四个条件：（1） 竞争者提供的产品或服务具有同质性；（2） 市场信息透明度较高；（3）市场具有一定的进入阻碍；（4） 竞争者处于寡头垄断市场[8]。 在传统的市场中，（2）、（3）两个条件难以满足，所以默契合谋的情况并不多见；然而在数字经济背景下， 算法改变了市场特征， 提高了市场透明度；尤其在寡头市场中，企业会发现它们的价格策略是互相依赖的，并且明白非合作的结果，所有企业都会选择不欺诈，合作决策达成，默契合谋也就变得更加容易。 在整个过程中， 企业之间都没有明确的协议，因此，无论是代理类合谋还是自主类合谋，都很难将其纳入反垄断法审查范围内。 美国最高法院对默契合谋的认定也始终没能形成一套固定的标准；在Interstate Circuit（1939）案中，被告需要“提出合理解释”， 如果被告不能提出解释联合一致的理由，那么将会被判定为合谋行为； 在Theatre Enterprise（1945）案中则要求“附加因素”的证明[9]；Twombly（2007）案中，则需要原告提出足够的细节的事实证据证明协议的存在[10]。

国内有学者指出，应对默契合谋，应当从《反垄断法》 第13 条入手， 对垄断协议做扩大化解释，因为， 无论是明示合谋还是默契合谋在造成的经济结果都是相同的，因此默契合谋应当纳入《反垄断法》第13 条规制的范围内；然而波斯纳法官对此持相左的意见，他认为，在法律上将明示合谋与默契合谋同等对待是极其危险的[11]。 由于反垄断执法机构的尚缺乏丰富的执法经验， 而且某些默契算法合谋反而具有促进竞争的效果， 因此是否将默契合谋一刀切似的归为垄断协议有待商榷。 美国和欧盟方面为了规制非法的默契合谋，还采用了间接证据规则，包括沟通证据、行为数据、经济数据和环境数据。 然而在算法主导的默契合谋下， 程序编写中的数据等间接证据执法机关通常难以收集整理；从另一个方面讲，算法已经与企业的日常业务紧密联系， 如果企业之间的算法需要频繁互动时， 就无法证明企业之间是在价格合谋[12]。

（二）反竞争的意图何以审查

在代理类合谋中， 人类的意识可能表现在两个方面：第一，人类可能知道算法设计的大概情况；第二，对算法可能产生的后果有一定的认知；造成合谋的结果可能是有意为之，也可能是无心的。而在自主类算法合谋中， 自我学习算法完全剔除了人类意识在价格合谋中的作用， 是真正意义上人工智能达成的合谋协议。 当算法的设计者和使用者之间不存在价格合谋的意思联络时， 算法可以根据市场变化自主的与其他企业达成合谋， 同样， 其他企业亦是如此。 这种非人类主观意图的限制竞争的行为打破了法院在执行传统反垄断法时对垄断者主观意图的认定，阻碍了反垄断法执法活动。

从技术和效率的角度来看， 基于人工智能的算法对社会应该是有益的， 很多算法设计的目的是为了提高企业生产效率， 增强企业对市场趋势和消费者消费偏好的判断能力， 从而实现企业的利润最大化[13]； 然而即使是在支持竞争的意图下编写的算法，也可能造成无意的伤害，导致价格协同行为，最终限制了竞争。如果算法开发的目的初始就是为了跟踪和调整价格， 那么在所有使用算法的企业之间，到底是简单的随行就市的商业行为还是一种价格协同行为，现行反垄断法对其主观意图的认定是无能为力的。

（三）责任和问责如何厘清

规制算法的最根本问题就是找到合适的主体接受法律的问责和责任， 而人工智能算法让传统的法律问责机制不再有效。 传统合谋协议的实施主体发生在企业经营者之间，而在算法参与的合谋协议下，实施主体还包括了算法的开发者甚至是算法本身。Mark 和Bryan（2019）指出让机器人的设计者与所有者对其行为负责是不合理的，他们认为，应当引入保险计划或者无过错责任原则等新型责任制度[14]；Karni（2019）认为自主性不应当是区分产品与算法的标准， 算法带来的自主性也没必要修改现行的责任制度， 算法带来的损害责任依然由开发或使用系统的人来承担[15-16]。 可见，争论的焦点在于是否将责任归咎于没有能力影响合谋协议的人类。

随着5G 和人工智能的深入发展， 算法自动化决策开始渗透我们的生活， 算法与人类的联系却不断变弱， 算法自动定价带来的法律责任问题将更加突出。 不可否认，算法是由人类开发的，但是人类的目的并非一定是为了实施合谋或者垄断，相反，甚至是为了促进竞争和创新； 将算法自主行为导致的限制竞争的法律责任完全归于算法的开发者和使用者是否合适， 以及责任如何在开发者和使用者之间进行合理的分配？ 这些问题或许伴随着案件的增多而变得更为棘手。

四、价格算法合谋的反垄断规制路径

在应对代理类算法合谋和自主类算法合谋时，当前学术界主流的观点是建立一系列的事前管控措施以预防算法达成合谋， 从而提前规避市场风险并落实企业的责任；但不可否认的是，以算法透明原则为核心的事前管控存在先天性的缺陷；一方面，出于对知识产权的考虑，许多企业的算法都是商业秘密，公开则意味着失去商业机密，影响到企业的竞争力，同时，也不利于企业的创新和生存；另一方面，从法经济学的成本收益理论出发， 法律程序的目标是最小化社会成本， 只有自愿的信息交换才能降低社会成本（管理成本和犯错成本），然而对于算法合谋的调查，博弈双方通常是信息不对称的，执法机关与竞争者之间进行的是非自愿的信息交换， 执法机关如果提前介入不擅长的领域需要付出大量的管理成本去调查取证，同时收益也没有保证，即在风险情况下需要承担一定的犯错成本。

我们再从企业自身的角度， 基于经济理论分析传统合谋形式的最小化社会成本： 我们简单地使用合谋损害的成本和避免合谋损害的成本建立经济模型：假设合谋发生的概率为p，事前规制水平为x，随着x 的提高，p 会下降，因此p=p（x）是x 的减函数。如果合谋发生，那么会损害社会福利。用A 表示合谋造成损害的货币价值，A*p 等于用货币表示的合谋损害的预期值，根据责任与处罚相称原则，这个值也等于事后问责的成本。 （因为存在概率分布，所以称之为预期）。

和p（x）一样，合谋带来的损害p（x）A 也是x 的减函数。 如图1 所示，纵轴表示货币数量，包括预期损害的价值p（x）A，横轴表示事前规制水平。

p（x）A 曲线向右下方倾斜，表示预期损害随着事前规制水平的提高而下降。

图1

假设采取事前规制的成本为h 元， 假设h 为常数，不会随x 的变化而变化，因此，hw 等于事前规制的总成本。

图1 描述合谋的两类成本： 用于事前规制的成本和预期损害（事后问责）的成本。 假设没有其他社会成本， 那么将事前规制的成本与预期损害的成本相加，即合谋的社会总成本为：

SC=hx+p（x）A

如图1 所示，是一条U 形曲线。 由于社会总成本曲线是U 形的，因此在U 形底部必有一个x 值存在，图中为x*，从效率的角度讲，x* 即预防合谋的有效事前规制水平。

事前规制的成本等于h 的价格，也是边际成本；更多一点的事前规制会减少损害的预期成本， 可以视为边际收益， 这一减少的量等于合谋的概率-p‘（x*）①（‘）表示函数p（x）在x 处的斜率，该斜率是负的，因此在p 之前加负号，使表达式-p’（x）为正。乘以A 的成本。因此社会的有效预防水平x*可以解方程得：

此即选择能够最小化合谋的成本以避免合谋发生的事前规制水平。

对于企业自身而言， 对算法合谋的事前规制同样面临不确定的犯错成本， 因此事前规制的边际成本 就 超 过 了 边 际 社 会 收 益， 即h>-p‘（x*）A（x>x*），在这种情况下，效率标准要求采取稍低一点的事前规制水平，也就是说，算法合谋的事前规制水平是超过了有效量的， 应当采取稍微低一点的事前规制水平。

我们继续从执法机关事后追责的角度考虑，为了分析的简化，假设执法机关事后追责的惩罚水平为完全惩罚和完全不惩罚。 首先需要明白的一点：作为价格算法合谋的受害人是无法采取事前规制措施的，因此，我们主要分析的是完全惩罚和完全不惩罚两种情形下施害人②本文将施害人定义为算法的设计者和使用者。将会采取怎样的事前规制措施。 假定施害人采取事前规制措施的值为xi，事前规制措施的单位成本为hi，对施害人的惩罚等于合谋所带来的损害，其值等于p（xi）A；因此，在完全惩罚条件下， 施害人承担的总成本等于hxi+p（xi）A。 施害人有最小化其成本的动机，我们记最小值的事前规制水平为xi*，此时，施害人采取事前规制措施的边际成本等于合谋损害的预期成本的最终减少量：

①式和②式的效率条件是相同的。因此，在完全惩罚条件下， 施害人会采取事前规制措施使边际成本和收益内部化， 这给予施害人采取有效的事前措施来预防合谋的激励。

在完全不惩罚条件下， 假设施害人选择的事前规制水平为xi，其承担的总成本为hxi，由于完全不惩罚，因此施害人不需要承担合谋所带来的损害；施害人同样有最小化其成本的动机， 由于hxi 的值必须为正， 因此， 施害人最小的事前规制水平应当为0，即xi=0。 由此可知，在完全不惩罚条件下，施害人没有实施事前规制措施的激励动机①本部分推理引于[美]罗伯特考特，托马斯尤伦.法和经济学[M].史晋川译，上海：格致出版社：2017:188-192.。

因此在应对算法合谋的挑战时， 无论是执法机关还是企业自身进行事前规制都可能面临一定的犯错成本， 算法合谋的治理不能一概的采用事前规制或者事后追责，两者具有同等重要的作用；可以一定的事前管控措施， 设置倡导性的规范对算法的设计和使用提出更高的标准， 同时建立相配套的事后问责机制，用惩罚机制维护法律的底线。本部分在回应上文提到现行反垄断政策遇到的挑战的同时， 从事前管控与事后追责两个角度提出价格算法合谋的规制路径。

（一）合理利用间接证据的综合认定与抗辩规则

明示协议的缺失使得默契合谋被规制的难度增大，而难点则在于证据的运用与证明标准，仅仅使用直接证据证明经营者之间达成了默契算法合谋难度极大， 因此反垄断执法机关有必要采用间接证据进行综合认定。 间接证据包括沟通数据、行为数据、经济证据和环境证据②间接证据的分类及详细解释请参考：刘继峰.依间接证据认定协同行为的证明结构[J].证据科学，2010（01）：83-84.③认定算法合谋的间接证据主要包括以下几点：（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。。

我们可以从Eturas④案件详情参见：http://curia.europa.eu/juris/liste.jsf?&num=C-74/14。中得到重要的启示。 在Eturas 案中，欧盟法院指出：虽然没有直接证据证明各旅行社对涉案信息的获悉情况， 但可以根据一系列客观、 一致的间接证据综合推测旅行社对信息的知悉情况。 虽然法院并没有详细列出使用了哪些间接数据，但在审理案件过程中，法官认为：任何一个审慎负责的普通经营者均应（且必然）注意到了涉案系统消息及其所参与的限制竞争行为。所以，通过间接证据， 执法机关认定各旅行社知悉案件信息。 不过，欧盟法院同时指出，各旅行社仍有机会举出反证以推翻前述推定。因此，在论证默契算法合谋的证据时，不仅包括直接证据，还包括各种客观一致的间接数据。 Eturas 同时也为企业的抗辩提供了有益的经验。间接证据与举证责任倒置密不可分，在调查算法合谋过程中，执法机关囿于自身技术能力的限制，难以直接查明合谋的事实， 因此将举证责任仍归于执法机关有欠妥当，因此，应当实行举证责任倒置[18]。

然而，由于间接证据的模糊性，因此启用需要十分谨慎，反垄断机构应当秉持谦抑执法原则，竞争优先，慎用管制；同时要充分赋予经营者举证的权力，为其使用算法进行市场活动提供足够的自由空间，有利于市场经济自由竞争的实现。

（二）明确算法合谋的责任主体和可问责性

算法本身并不违法，人工智能也不是人，但这绝不是说算法不受反垄断法的规制。 正如古希腊哲学家普罗泰戈拉言：“人是万物的尺度， 是存在的事物存在的尺度， 也是不存在的事物不存在的尺度”[17]。因此，无论人工智能发展到什么阶段，都不可能和人一样拥有平等的法律主体地位， 算法合谋的责任主体只能是人类——算法的设计者和使用者。

首先， 在事前要落实算法设计者与使用者的法律责任。在未来人工智能领域的立法中，要增加算法设计者的特定责任，引入零知识证明理论，也就是算法的设计者在可以在不向反垄断执法者提供任何有用信息的情况下让反垄断执法者相信自己的某个做法是正确的或者合法的； 这样不仅能够让执法者了解算法的内容，而且可以有效的保护商业秘密。法律必须明确自己的态度， 设置算法开发不可逾越的底线， 监管机构可以建立算法设计者责任备案或保证书制度，在开发算法之前，设计者就算法的内容、源代码和数据等关键信息向监管部门报备并签署保证书，并将其作为事后追责的依据。 其次，对于自主类算法合谋而言，由于算法具有极强的自我学习能力，算法的设计者在开发时即使没有主观的合谋意图，事后也难免违背初衷而造成价格协同的事实， 此时事前管控措施或许不再有效，因此，对于自主类算法合谋应当适用事后追责制度。 然而事后追责是对算法的设计者追责还是算法的使用者追责？ 抑或是责任如何分配？ 笔者认为， 应当是对算法的使用者追责。 因为在事前算法设计者已经可以证明自己并无价格合谋的意图， 而且设计者也不是使用算法的受益者，因此，根据《民法典》第七编侵权责任中“谁受益谁承担”原则，应当向算法的受益者也就是企业问责，设计者不承担责任；当然，如果算法设计者在设计算法时违背了事前保证书的内容， 那么应当与使用者共同承担责任， 责任分配根据实际情况具体规定，问责方式包括罚款和行政处罚等措施。

我国现行《反垄断法》规定的责任承担主体只包括了经营者，未考虑算法为代表的开发者的可责性，除了在以后的立法中予以补足外，在司法实践中，可以弱化违法行为与经营者之间的关系， 强化违法行为与法律责任之间的关系， 坚持由违法行为来配置责任主体[12]。

（三）加大事后惩罚力度明确惩罚标准

数字经济下的垄断更具隐蔽性， 尤其是自主类合谋，对于合谋的结果，我们只能通过效果去观察，很难通过形式去判断， 因此事前的介入措施难以达到预期的结果，事后的惩罚措施或许更为有效。以算法问责为代表的事后追责措施， 重点关注的是技术发展背后的社会变动， 并对其负面影响施以法律的制裁。 我国现行《反垄断法》对垄断协议的处罚见于第四十六条①《反垄断法》第46 条：经营者违反本法规定，达成并实施垄断协议的，由反垄断执法机构责令停止违法行为，没收违法所得，并处上一年度销售额百分之一以上百分之十以下的罚款；尚未实施所达成的垄断协议的，可以处五十万元以下的罚款。经营者主动向反垄断执法机构报告达成垄断协议的有关情况并提供重要证据的， 反垄断执法机构可以酌情减轻或者免除对该经营者的处罚。行业协会违反本法规定，组织本行业的经营者达成垄断协议的，反垄断执法机构可以处五十万元以下的罚款；情节严重的，社会团体登记管理机关可以依法撤销登记。， 其中第一款规定了经营者违反禁止垄断协议规定承担的法律后果； 第二款则规定了宽大制度。通过与美国、欧盟近十年的反垄断处罚力度相比较，我国反垄断执法威慑不足，此外，宽大制度的规定也十分模糊， 难以对经营者和企业提供正确的指引。

本文认为， 针对算法达成合谋协议的处罚首先应当走精细化处罚之路， 制定专门的反垄断罚款指南，引入国际通行的威慑理论，以此提高我国反垄断罚款的力度。 欧盟早在1988 年就引入了 《罚款指南》，之后又引入了威慑理论，使得指南的内容更加科学化，罚款的标准也更加精准；其次，进行顶层制度革新，通过修改反垄断法改善当前处罚力度偏弱、威慑力不足的局面；2020 年1 月2 日， 国家市场监管总局公布了《反垄断法》修订草案（公开征求意见稿）， 进一步明确了垄断协议案件中的处罚力度②垄断协议案件中，对于上一年度没有销售额的经营者可以处五千万元以下的罚款，对于尚未实施所达成的垄断协议的经营者处罚限额由五十万元提高至五千万元，对于行业协会处罚限额由五十万元提高至五百万元。。在人工智能背景下，计算机达成的合谋破坏性更大，加大违法的处罚力度，依然要依靠“严刑重罚”。此外有学者指出： 增加算法合谋的处罚力度可以提高经营者自首的概率， 从而通过反向博弈制造“囚徒困境”来瓦解垄断协议[20]。

五、结语

“科技向善”是人工智能时代科学技术发展的终极目标，然而由于技术和制度的原因，这种愿望还没有实现。 数字经济背景下的算法合谋虽然突破了传统的合谋形式， 但现行的反垄断政策依然有其用武之地，对于信使类共谋、轴辐类共谋，算法只是合谋的辅助型工具；对于代理类合谋、自主性合谋由于没有明确的合谋协议而难以适用现行反垄断法， 对于这两类合谋形式的规制，应当贯彻谦抑执法原则，竞争优先，慎用管制；出于对竞争、产权、创新和成本的考虑，应当以事前管控和事后追责并用的规制措施，一方面要设置事前的倡导性和保证性措施预防违法行为的发生， 另一方面也要加大事后的处罚力度以维护法律的底线。