数字经济背景下互联网平台滥用市场支配地位行为的认定

二、数字经济背景下互联网平台市场支配地位认定的困境与破解

具有市场支配地位是滥用市场支配地位行为违法性判断的前提。在数字经济背景下,面对市场份额弱化、新型市场进入壁垒等新问题,传统的市场支配地位认定理念与具体方法并不能完全适用,需要结合互联网平台特征作出相应的调整。

(一)数字经济背景下互联网平台市场支配地位认定面临的难题

在传统工业经济中,市场份额在市场支配地位认定中起着重要作用,甚至可以说是决定性作用。但在数字经济下,市场竞争和竞争要素发生了很大变化。传统的市场支配地位认定方法在理念和规制方式上均与当前互联网平台的发展存在一定的矛盾。

第二,新型市场进入壁垒加大认定难度。除了市场份额外,潜在竞争者进入市场的难度也是判断市场支配地位的关键因素,其主要取决于市场进入壁垒的高低。在传统产业中,市场进入壁垒主要包括资本障碍、现有经营者的绝对成本优势等。然而,在网络效应、锁定效应、技术兼容性、技术标准化等特征与规律的作用下,市场进入壁垒呈现出新的形式。首先,网络效应与锁定效应本身即可被视为市场进入壁垒。网络效应使产品的价值和用户数量不断增长,平台收益不断递增。锁定效应进一步增加了用户黏性,使用户对产品的依赖性不断增加。在两者的共同作用下,潜在竞争者进入市场的难度不断提高。其次,以兼容性为基础的技术壁垒。兼容性是经营者为满足用户需求而在不同产品之间进行协调的重要途径。互联网平台中的经营者可以通过数据不兼容的方式单方面制造市场进入壁垒,例如拒绝数据共享、流量控制等。

(二)数字经济背景下互联网平台市场支配地位认定方法的调整

互联网平台的新特征大幅度削弱了市场份额的作用,市场支配地位的认定方式也必须进行相应调整。市场支配地位的认定不能以市场份额作为唯一标准,需要在个案中进行多因素判断。

三、数字经济背景下新型滥用市场支配地位具体行为的认定

随着科技创新与进步,算法与人工智能等技术被广泛运用于市场经营活动中,互联网平台得到了前所未有的发展。在科技的加持下,滥用市场支配地位行为的表现形式更加多样,同时也更为隐蔽,一定程度上加大了认定的难度。

(一)算法共谋行为的认定

所谓算法共谋,即经营者将算法运用于共谋的行为。《中华人民共和国反垄断法》(以下简称《反垄断法》)并无关于算法共谋行为的直接规定,与之相近的概念为“协同行为”。《禁止垄断协议规定》对“协同行为”的概念和判断因素作出了规定。《反垄断指南》进一步指出,通过数据、算法、平台规则或者其他方式实施的协调一致行为也属于协同行为。显然,算法共谋本质上是协同行为在数字经济和人工智能时代下新的表现形式。基于所使用算法的不同类型,算法共谋可以划分为不同类型。运用监控式算法、平行式算法、信号式算法以及自我学习式算法的共谋行为分别对应着信使共谋、轴辐共谋、代理共谋(也称预测共谋)以及自主学习共谋(也称自主类共谋)。在以上四种算法共谋行为中,算法独立性不断增加,人为控制因素不断递减。

算法共谋的隐蔽性增加了其认定的难度。根据共谋者之间是否有明确的合意,共谋可以分为明示合谋和默示合谋,两者的表现形式也并不完全相同。其中,信使共谋与轴辐共谋属于明示共谋的范畴。尽管在算法的背景下,明示共谋行为的外在表现并不明显,但其认定方法与传统的垄断协议并无太大区别,仍可以通过现有的垄断协议规制框架进行有效的规制。相较之下,算法默示共谋行为的认定则较为复杂。算法共谋行为在本质上属于垄断协议。算法则是执行或者维持既定的共谋协议的机制或者手段,而并非共谋行为本身。不管在何种形式的算法共谋中,算法扮演的角色都是帮助执行或维持共谋协议的工具。无论人工智能发展到何种阶段,其也只能被作为人利用的客体和工具处理。即便自主学习算法能够摆脱人的限制,具有自主学习与思考能力,但其本质上还是由人类所设计的算法,作用在于执行和维持共谋协议,实现算法使用者的目的。正因如此,在认定算法共谋行为时,必须从垄断意图出发进行认定,即判断经营者之间是否存在合意。

(二)数据垄断行为的认定

(三)流量控制行为的认定

第二,不予直链。所谓不予直链是指互联网平台通过技术手段使得用户无法直接打开其他平台链接的行为。不予直链的目的在于防止流量从自身平台流失,从而巩固自身的流量优势。不予直链与封闭API接口关系密切,部分不予直链行为通过封闭API接口的方式实现。与封闭API接口行为相同,不予直链需要符合一般商业经营的要求,不得具有限制和排挤竞争对手的意图。

(四)滥用平台规则的认定

四、数字经济背景下互联网平台滥用市场支配地位行为限制竞争效果的分析

(一)数字经济下互联网平台的垄断属性与竞争压力

(二)排除、限制竞争的判断标准

(三)排除、限制竞争效果的类型化分析

正如前文所述,排除、限制竞争效果主要从市场竞争和消费者利益两方面进行分析。不同的行为所造成的排除、限制竞争效果不尽相同,因此有必要进行具体分析。鉴于此,本文选取互联网平台滥用市场支配地位行为的典型行为,结合司法实践中的具体案例,对其排除、限制竞争效果作具体分析。

五、数字经济背景下互联网平台滥用市场支配地位行为的正当理由抗辩

正当理由是违法性判定的重要考虑因素,滥用市场支配地位的判断必须以排除正当理由为前提。正当理由的认定必须从反垄断法价值追求的角度出发,同时结合当时的社会背景。在包容审慎的执法观念下,正当理由抗辩不宜设立过高的适用门槛。

(一)正当理由的立法规定

根据《反垄断法》第22条第1款的规定,在没有正当理由的情况下,禁止具备市场支配地位的经营者实施低价销售、拒绝交易、限定交易、搭售以及差别待遇等行为。其中,尽管“以不公平的高价销售商品或者以不公平的低价购买商品”这一规定并未将“没有不正当理由”作为限定,但由于“不公平”本身可以理解为“不合理”,不公平价格行为的判定同样需要以排除正当理由为前提。这一点在国家市场监督管理总局颁布的《行为规定》中得到进一步印证。《行为规定》第22条将“不公平”与“正当理由”并列,同时也列出了相同的判断因素。由此可见,《反垄断法》第22条第1款第1项所规定的“不公平”与第2项至第6项所规定的“正当理由”可以作相同的理解。因此,《反垄断法》第22条所规定的各种具体行为均以“没有正当理由”作为滥用市场支配地位的构成要件。

尽管如此,《反垄断法》第22条并未就正当理由的具体类型以及适用规则作出进一步的规定。“正当理由”的抽象性与不可预测性给正当理由抗辩的适用造成很大困难。随后颁布的《行为规定》细化了关于正当理由的规定,很大程度上解决了这一问题。根据行为的不同特征,《行为规定》分别规定了不同的判断因素与正当理由。其中,《行为规定》第14条规定了不公平价格行为的判定因素,第15条至第19条分别就低价销售、拒绝交易、限定交易、搭售以及差别待遇行为的正当理由作了具体规定。上述规定均采取了“列举+兜底”立法模式。除第14条至第19条所列举的各项具体滥用市场支配地位行为需要考虑的因素之外,《行为规定》第22条还规定所有行为均须考虑的因素。综上可知,《行为规定》第14条至第19条是从微观层面对各具体行为的正当理由进行规定,第22条则从宏观层面进行规定,适用于所有滥用市场支配地位的行为。以上规定构成了与禁止滥用市场支配地位规则有关的正当理由抗辩的立法渊源。

(二)正当理由的界定

(三)正当理由的适用

《反垄断法》是国家干预市场、维护市场有序竞争的重要工具。只有在市场自由与政府干预之间实现平衡,才能实现资源配置的最高效率。但数字经济不同于以往的工业经济,数字平台的发展具有极强的不确定性与未知风险。因此,对于数字经济时代的市场竞争,不能一味强调政府干预,而应该秉持谦抑性理念。

近年来,国家对反垄断执法呈现出包容审慎的态度。《反垄断指南》提出的改进反垄断监管与增强执法科学性可以理解为反垄断监管与执法不应一味强调监管,也要给予互联网平台企业一定的包容,做到竞争与创新的协调兼顾。在数字经济背景下,监管部门面对的挑战是采用什么样的政策才能鼓励竞争和创新,或者说在自由主义与干预主义之间如何找到一个平衡点。虽然垄断时常发生,阻碍市场竞争和产业升级,但过于激烈的反垄断执法只会降低甚至扼杀市场主体的激情与活力。“包容创新”对当前国际竞争与互联网产业发展、科技进步具有重要意义,因此需要给予互联网平台的创新发展一定的试错空间,促进创新。另外,市场运行机制复杂,人为认知具有不可避免的局限性,因此反垄断执法总体应保持谦抑观,在有限度干预的情况下尊重市场的自愈和净化功能。需要强调的是,秉持谦抑性的执法理念并不意味着不监管亦或松监管,而是要在过于宽松的监管与过于严格的监管之间保持平衡。过于严格的监管会阻碍互联网平台长期的健康发展,甚至有可能阻碍互联网行业的创新。但对于“二选一”等严重破坏市场运营秩序、具有明显违法性的行为,反垄断执法机构则应该采取严格执法的态度,及时采取措施予以制止。

相应地,正当理由的认定应该更加注重效率与创新方面的正当性。若互联网平台企业能够提高市场经济效率,促进市场创新发展,且不存在明显损害市场竞争的情况,则不应该轻易将其行为认定为违反反垄断法的行为。以算法共谋为例,作为新兴技术,人工智能技术的发展在提高市场效率和激发市场创新的同时,也对市场竞争产生了一定的损害。如果一味照搬传统的反垄断规制方式,那么将对市场效率和创新带来不利影响。因此,算法共谋的反垄断规制应该遵循谦抑与包容审慎执法理念,充分考虑市场效率与创新,防止过度干预市场与技术的发展。具体而言,对于人为因素较强、算法因素较弱的算法共谋行为,如信使共谋与轴辐共谋,应该采取较为严格的执法标准;对于算法因素较强、人为因素较弱的算法共谋行为,如自主学习共谋,则应该采取较为谨慎的态度。

THE END
1.强化学习算法详解:从理论到实践的完整指南强化学习算法详解:从理论到实践的完整指南 强化学习概述 强化学习是一种机器学习方法,旨在让智能体从与环境的交互中学习最佳行为策略,以最大化累积奖励。强化学习的核心思想是通过与环境的不断交互来学习最优的行为策略,从而实现自主学习和决策。与监督学习和无监督学习相比,强化学习具有更强的自主性和灵活性,适用于复https://www.jianshu.com/p/f1948a5d95cc
2.自主学习:未来技术的驱动力3.自然语言处理(natural language processing,NLP):NLP是一种自主学习方法,它通过分析文本数据来发现语言的结构和意义。 4.深度学习(deep learning):深度学习是一种自主学习方法,它通过多层神经网络来学习复杂的表示和模式。 在接下来的部分中,我们将详细介绍这些核心概念和算法的原理和具体操作步骤,以及如何使用代码实https://blog.csdn.net/universsky2015/article/details/135810419
3.AI是如何做到自主学习的?通过无监督学习和强化学习,机器学习算法可以自主学习,并在面对新的数据和任务时,自适应地调整自己的模型和行为,从而提高自己的能力和性能。这种自主学习的原理使得AI可以在许多领域具有广泛的应用前景。是如何做到的 AI自主学习的实现需要依赖于一系列技术和方法。以下是一些常见的实现方法:1、深度学习:深度学习是指https://baijiahao.baidu.com/s?id=1761745891894984650&wfr=spider&for=pc
4.自主学习神经网络算法研究针对算法自身的缺陷,根据BP算法的基本原理,结合自主学习的特点及自主学习研究的基本模型,本文构建了自主学习神经网络模型,提出了具有寻找全局最优值的自主学习神经网络ALBP算法,并且对算法中比较重要的激励函数进行改进,加入神经元学习误差函数,对权值的变化增加了松紧变量,让学习率动态变化等,从而利用改进BP算法的自主https://wap.cnki.net/touch/web/Dissertation/Article/1011138784.nh.html
5.推荐一些用于智能体自主学习的有效算法或框架在设计具有自主学习能力的智能体时,可以考虑使用一些有效的算法或框架,如AgentGym、AgentEvol、DQN(深度Q网络)等。这些算法和框架能够帮助智能体在多种环境和任务中进行自我进化,提高其泛化能力和适应性。例如,AgentGym提供了一个交互平台,支持大语言模型智能体轨迹采样、自我进化、能力评测的框架,特点是提供多样、实时https://www.ctyun.cn/developer/article/589070045204549
6.一年级减法教学设计8篇(全文)4.自主学习算法。 34-6,个位上4减6不够减怎么办? 摆小棒思考。 二、合作探究,释疑点拨 1.34-6的算理。 (1)小组内交流“34-6,个位不够减,怎么办?” (2)全班交流。 在黑板上演示小棒图: 3捆4根小棒表示34,要减掉6根小棒,遇到个位数4减6不够减时,要打开一捆小棒,由原来1个十变成现在10个一,这就https://www.99xueshu.com/w/filepaxem8cs.html
7.使用分层自主学习提高粒子群优化算法的收敛精度和收敛速度的详细针对粒子群优化(PSO)算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题,提出一种基于分层自主学习的改进粒子群优化(HCPSO)算法。首先,根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层;然后,根据不同阶层粒子特性,分别采用局部学习模型、标准学习模型以及全局学习模型,增加粒子多样性,反映出个体差异https://m.elecfans.com/article/1282810.html
8.生成式AI如何赋能城市治理?大模型可打破“算法孤岛”自主学习“同一个摄像头的数据中,违章停车是一个算法,老人或孩子走丢是一个算法,重点人群盯防是一个算法……同一批数据需要重复计算多次,但大模型来了之后,单个事件的算法就不存在了。”杨旭青解释道,“大模型不再是很多琐碎的算法,而是根据上亿级别的大量参数去自主学习,你只要把一段摄像头视频交给它,大模型就会自己去找https://m.thepaper.cn/kuaibao_detail.jsp?contid=23778412
9.北师大版四年级数学上册《买文具》教案设计(精选11篇)(一)上单元我们学习了神奇的计算工具和一些有趣的计算,其实在数学计算中,还有许多运算规律,你们想研究和学习吗?这节课开始,我就来探究和学习一些有关数学计算的规律。 (二)自主学习 出示课件,创设情境,交流算法。 (1)从图中你能知道哪些数学信息? https://mip.cnfla.com/jiaoan/1049568.html
10.两位数减两位数退位减法教案(精选11篇)1.知识目标:深化两位数减法的整理分类和归纳,熟练两位数减法的各种算法。 2.能力目标: 培养学生整理、分类的能力,培养学生的算法思维,提高自主学习的能力。 3.情感目标: 让学生在分类、整理的过程中,感受数学的逻辑性和严谨性。 教学重点: 熟练两位数减法的各种算法 https://www.ruiwen.com/jiaoan/4904552.html
11.数字经济专题大数据算法的价格合谋问题研究[4]OECD(2017)进一步梳理了引发算法价格合谋的大数据算法,即监督算法、平行算法、信号算法和自主学习算法,并指出垄断协议的认定困境给算法价格合谋行为的反垄断法规制带来了巨大挑战,提出应该采取事前并购审查、引入市场研究机制等补救措施加以应对。[5]不过,也有https://mp.weixin.qq.com/s?__biz=MzA4NzUxNjQ2MA==&mid=2651151347&idx=1&sn=b6e0f36c89555f0ce17acde48e440bc6&chksm=8bc9cfb0bcbe46a62bf3942b7cfea1bd7e28b707bed2dda2029e76b13001443e3ced2745ed1e&scene=27
12.一类面向动态模糊数据的学习算法研究学位尤其是面对海量数据中的不确定数据,更需要机器学习算法的参与。因此,本文主要针对动态模糊数据,提出了一类动态模糊机器学习算法,包括:动态模糊局域线性嵌入算法;动态模糊单参数嵌入学习算法;动态模糊关系学习算法和动态模糊自主学习算法等。 综上所述,本文的创新点主要体现在从动态模糊数据具有的特征出发,引用动态模糊集和https://d.wanfangdata.com.cn/thesis/Y1637981
13.密码算法工程师怎么考呢?需要哪些条件?好考吗?可以参加相关培训课程、自主学习密码算法工程师所需的专业知识和技能,包括密码学原理、加密算法、解密算法、密钥管理、安全协议等方面的知识。 参加考试:按照考试安排,按时参加考试。考试形式通常为线上机考,题型可能包括选择题、简答题或实际操作等。 领取证书:在通过考试后,你将收到密码算法工程师证书和认证号码,这将https://m.sohu.com/a/786833893_121968535
14.人工智能重塑商业:从畅想到实际行动科技空客开始采用人工智能,将过去生产项目中的数据与当前A350生产项目中提供的实时数据相结合,通过模糊匹配和自主学习算法发现生产问题的规律。在某些领域,这套系统为约70%的生产故障匹配到了之前用过的解决方案,速度近乎实时。埃文斯描述了AI助力整个空客生产线快速学习、应对商业挑战的过程: https://www.ceconline.com/it/ma/8800090814/01/
15.机器学习驱动中医诊断智能化的发展现状问题及解决路径(3)针对“病”“证”分类目标,综合选用合适的ML算法,以设计、优化、完善更适合智能辨病辨证的智能分类自主学习算法[61]。丁琪等[62]基于DL在处理非线性、复杂多层数据方面的优势,将四诊信息作为输入层,证型、治法为隐藏层,方剂、药物为输出层,通过DL的反向传播反馈以调整缺失值,建立了“症-病-证-药”的关联https://www.91xueshu.com/l-zyjclllw/90042.html
16.升学e网通打造智能系统,助力考生科学填报志愿依托先进的AI自主学习算法,考生只需输入高考分数、位次以及所选科目,系统将迅速且精确地为用户筛选出理想的院校名单。 为了让每一位家长和考生都能得到更为贴心的建议,我们精心设置了多重个性化选项,允许考生根据自身偏好筛选院校,如:设定心仪的省份、筛选公立或民办性质院校、探寻具备特色专业的学府、定位所需的专业类https://tech.china.com/article/20240612/062024_1533108.html
17.避免公共领域算法决策价值偏差公共领域算法决策必须直面算法价值偏差问题并加以妥善解决。 “算法黑箱”带来算法决策价值偏差 “算法黑箱”指人们能看到输入算法的数据和算法输出的结果,但不具备专业知识的人无法理解算法的计算过程,算法的运行逻辑呈现“黑箱”状态。在大数据时代,以人工神经网络为代表的机器学习算法基于训练数据进行自主学习生成算法模型https://k.sina.cn/article_7517400647_1c0126e4705903ww22.html