1. 问题的提出
数据已经成为数字经济时代的重要生产要素，具有信息化、结构化、高初始固定成本、零边际成本等特征，极大地不同于传统的生产要素如土地、劳动力、资本等[1]。与传统的生产要素相比，数据具有广泛的应用场景和巨大的经济价值。企业通过收集、分析和利用数据能够获得竞争优势，因此，控制大量数据的企业可能在市场中形成垄断地位。合理调整反垄断规则，有助于促进数据的共享和流通，避免数据集中在少数几家企业手中，阻碍创新。传统的反垄断规则主要针对实物资产和市场份额，而在应对基于数据的垄断行为时，传统反垄断规则难以有效应对数据行为带来的新型市场竞争问题，导致现有法律框架在处理数据垄断问题时存在不足。研究这一问题，有助于制定适应数据时代的反垄断规则，确保市场的公平竞争。通过适当的法律调整，可以在保护竞争的同时，推动数据的合理利用和技术创新，为经济发展注入新的动力。
现行反垄断法主要基于工业经济的理论和实践，面对数字经济中出现的新变化，难以准确界定市场范围和认定市场支配地位[2]。此外，数据垄断还可能引发隐私问题和数据安全风险。因此，研究并调整反垄断规则，以防止数据垄断对市场竞争和消费者权益造成的负面影响，是非常必要的。
2. 数据行为的特征与市场影响
数据行为(Data Behavior)是指数据在生成、传输、存储、处理和使用过程中所表现出的各种特征和规律[3]。数据行为具有海量性与复杂性。数据行为往往涉及大量的数据集，这些数据可能来源于不同的渠道、设备和系统。这些数据在数量、格式、结构上高度多样化，且常常包括非结构化数据(如文本、图像、视频等)，这增加了数据处理和分析的复杂性[3]。数据行为具有时效性与动态性。数据行为具有显著的时效性，数据的价值往往随着时间的推移而下降，因此及时捕捉和处理数据至关重要。此外，数据的动态性体现在数据不断变化，实时性数据分析在很多情况下变得尤为重要。
关联性与可追溯性。信息被传播、知悉和运用，需要借助载体予以传输[4]。数据行为通常反映出不同数据之间的关联关系。通过分析这些关系，可以发现隐含的模式和规律。此外，数据行为的可追溯性允许我们追踪数据的来源和流动路径，从而对其进行审计和监管。
隐私性与安全性。随着数据行为的广泛应用，数据的隐私和安全问题日益突出。个人数据泄露、数据滥用等问题不断出现[5]，如何在使用数据的同时保护隐私和确保安全成为一大挑战。
此外，数据行为还有着智能化与自动化的特征[2]。是指随着人工智能和机器学习技术的发展，数据行为越来越多地体现出智能化和自动化的特征。系统可以自动识别数据模式、预测趋势，并做出相应的决策。
2.1. 数据在数字经济中的角色
在数字经济的各个方面，数据都是不可或缺的资源和动力源。在传统经济中，土地、劳动力和资本是主要的生产要素，而在数字经济中，数据被视为新的生产要素。数据不仅能反映市场需求和用户行为，还能帮助企业优化资源配置、提升生产效率，进而推动经济增长。企业通过数据的收集、分析和应用，能够更好地理解客户需求，提供更有针对性的产品和服务，进而提升用户体验和企业价值。例如，精准广告、个性化营销、数据驱动的供应链管理等，都是通过数据来实现价值最大化的典型例子。同时，从经济根源上看，数据驱动了大量创新和新商业模式的诞生[6]。这些创新改变了传统行业的运作方式，并催生了新的产业和市场。
数据驱动的决策可以帮助企业更好地理解市场趋势、识别风险、优化运营流程，从而增强竞争力[7]。对于数字平台而言，数据是数字平台经济的基础，许多数字平台(如电商、社交媒体、共享经济平台)都是建立在海量数据之上的。数据使这些平台能够有效地连接供需双方，优化资源分配，降低交易成本，提升市场运行效率[8]。例如，在线市场可以通过数据分析实现精准的商品推荐，从而增加销售机会。
从经济全球化的视角来分析数据在数字经济中的角色，数据的无国界流动使得企业能够更容易地进入全球市场，推动了数字经济的全球化。在全球化数字经济中，数据不仅是信息的载体，还是一种重要的资产。大数据技术标准推进委员会发布的《数据资产管理实践白皮书(6.0版)》给出的定义是：“数据资产(Data Asset)是指由组织(政府机构、企事业单位等)合法拥有或控制的数据，以电子或其他方式记录，例如文本、图像、语音、视频、网页、数据库、传感信号等结构化或非结构化数据，可进行计量或交易，能直接或间接带来经济效益和社会效益。数据资产化的概念使得数据可以被评估、交易和变现。例如，企业可以通过出售数据或数据分析结果来获取收益[9]。数据资产的开发和利用已经成为许多企业的核心竞争力。
2.2. 数据积累与市场竞争的关系
数据积累形成市场竞争优势。个人数据已成为数字创新与竞争的核心要素，这些个人数据的资源化或商业化趋势已越发显著[10]。数据积累使企业能够深度了解用户的行为、偏好和需求，从而提供定制化、个性化的产品和服务。通过持续的数据积累，企业能够对产品和服务进行不断优化。大数据分析帮助企业识别出产品使用中的痛点和改进空间，使得产品更加符合用户需求，增强用户黏性。这种持续优化的能力在竞争激烈的市场中尤为重要，能够帮助企业在竞争中脱颖而出。
数据积累打造市场进入壁垒。较大规模的数字平台，随着用户数据的不断积累，平台的网络效应不断增强，新进入者很难获得足够的数据量来与之竞争。这种数据规模效应使得市场往往呈现出“赢家通吃”的局面，进一步巩固了市场领导者的地位。再者，大量的数据积累为企业在技术开发和算法优化方面提供了独特的优势。尤其体现在搜索引擎类应用。通过海量搜索数据的积累，不断优化其搜索算法，提供更精准的搜索结果。这种技术优势使得后来者即使拥有类似的技术，也难以在短时间内积累足够的数据来达到相同的水平，从而形成市场进入壁垒[11]。并且由行业里的先前企业或者平台积累的数据常常具有专有性和独占性，这使得其他竞争者难以复制。例如，特定行业的数据积累(如医疗、金融数据)往往需要长时间的积累和用户信任，这些数据一旦被某个企业所掌握，就会形成巨大的竞争壁垒[5]，新进入者难以撼动。
数据积累形成市场垄断。某些企业通过长期的数据积累获得了绝对优势时，可能形成数据垄断。这种垄断使得这些企业能够控制市场上的信息流动和消费者选择，从而在市场中占据主导地位。各国政府逐步意识到数据垄断带来的问题，并开始通过立法和监管措施来限制数据积累可能带来的市场支配力。例如，欧盟《通用数据保护条例》(GDPR)的出台就是为了规范企业的数据使用行为，防止数据滥用和市场垄断。
2.3. 数据垄断的表现形式
数据垄断指的是少数企业或组织通过对大量数据的长期积累和控制，获得市场上的绝对优势，从而限制其他竞争者进入市场或有效竞争的现象。数据本身的经济价值与财富效应也导致数据相关垄断问题逐渐显现[12]，数据垄断的表现形式多样化，涉及到数据的收集、处理、使用和控制等多个方面。以下是数据垄断的几种主要表现形式。
2.3.1. 数据独占与数据壁垒
当某个企业或组织通过其业务模式、技术手段或市场地位，独占了某一类关键数据资源时，就形成了数据独占。数据壁垒则是企业通过技术手段、法律手段或商业策略，限制其他竞争者获取或使用其积累的数据。例如，在美国高等法院裁决的“联合通讯社诉美国案”中，法院认为联合通讯社对其新闻信息拥有著作权，通过限制成员资格壁垒，使得非会员无法使用该信息[6]。
2.3.2. 算法黑箱与数据控制
许多数据垄断企业依赖复杂的算法来处理和分析数据，而这些算法往往是黑箱操作，外界难以了解其具体运作方式。通过算法黑箱对数据的分析能够揭示消费者行为、市场趋势、竞争格局等，并将这些数据以可视化的方式呈现[13]，这些企业能够在不透明的情况下控制信息的传播和流动，从而影响市场竞争。例如，搜索引擎或社交媒体平台可以通过其推荐算法控制用户看到的信息内容，这种算法的垄断使得其他竞争者难以介入。凭借着这类算法垄断，相应的企业或者平台往往掌握着市场上数据的主要流通渠道和定价权，此类垄断行为认定较难且隐蔽性较强[14]。
2.3.3. 数据锁定与跨业垄断
数据锁定是指企业通过各种手段将用户和数据锁定在自己的平台或生态系统内，使得用户很难或不愿意迁移到其他平台。例如，某些数字平台通过提供免费服务，吸引大量用户使用并生成数据，然后通过实施会员制、积分制等差异化策略或排他性策略将用户锁定在平台上[15]，从而阻碍用户将数据迁移到其他平台。这种锁定效应使得竞争者难以获得用户数据。这样的数据锁定进一步形成了数据垄断，基于数据的特性，当出现跨行业的数据整合时，会进一步加剧数据垄断。此时企业与平台可以过并购竞争对手或相关领域的企业，获得更多的数据资源[16]，从而巩固其在市场中的垄断地位。
3. 现行反垄断规则的局限性
现代反垄断规则是为了维护市场竞争、保护消费者利益、避免市场垄断和不公平竞争而设立的。然而，随着技术的发展和市场环境的变化，特别是在数字经济时代，这些反垄断规则逐渐暴露出一些局限性。数字平台通常依赖网络效应，用户数量越多，平台的价值越大，这往往导致市场高度集中。现行反垄断规则难以有效应对这种网络效应带来的“赢家通吃”现象[17]。市场集中度高并不一定意味着存在垄断行为，但长期来看可能导致竞争者的进入壁垒增加，限制市场多样性。在面对免费服务下的隐性成本这一方面，现行反垄断规则也显得无力。免费服务通常隐藏着隐性成本，主要体现在用户数据的收集和使用上。用户在享受免费服务的同时，其个人数据被平台用于广告定位、市场分析等用途，甚至可能涉及隐私侵害和数据滥用。传统反垄断规则难以评估这种隐性成本对消费者的影响。例如，谁在采集个人数据？这些数据是否会被不公平或不当地使用？如何控制个人数据的采集与使用[18]？在应对数据驱动的商业模式下带来第诸多问题时显得无力。
3.1. 传统反垄断规则的概述
传统的反垄断规则主要是在19世纪末和20世纪初为应对工业革命带来的市场集中和垄断现象而制定的。这些规则旨在维护市场竞争、保护消费者利益，防止企业通过不正当手段获取或滥用市场支配地位。以维护市场竞争和防止垄断为核心，通过禁止垄断、卡特尔和不正当的市场行为，保障了市场的公平竞争和消费者利益。其核心原则之一是禁止垄断行为[19]。此外，传统反垄断法严厉打击卡特尔(即企业间的垄断联盟)。同时，反垄断法还禁止企业滥用其市场支配地位，例如通过掠夺性定价(以低于成本的价格销售产品以排挤竞争对手)、拒绝交易(拒绝与竞争对手或客户进行交易)、捆绑销售(将某一产品与另一产品捆绑在一起销售)等方式限制竞争。此类行为被认为是对市场公平竞争的破坏，可能导致消费者利益受损。
3.2. 针对数据行为的监管不足
3.2.1. 数据垄断的识别困难
传统反垄断规则通常通过市场份额来评估企业是否存在垄断行为。然而，在数字经济中，数据是核心资源，而数据垄断往往无法直接通过市场份额来衡量。某些数字平台可能在特定市场上并不具备传统意义上的市场份额优势，但通过对大量用户数据的控制，实际上形成了该领域甚至是另一领域的市场主导地位。数据垄断的识别困难还体现在对于“零价格”市场的垄断识别[15]。许多数字平台向用户提供免费服务，而传统的反垄断规则主要关注价格操纵行为。这种情况下，传统规则难以识别企业是否通过数据垄断来限制竞争或损害消费者利益。
3.2.2. 数据收集与处理行为的监管不足
传统反垄断规则难以有效评估企业是否通过数据收集和处理行为获取不正当的竞争优势。由于传统反垄断法规主要关注实体产品或服务的市场垄断，因此在对数据驱动的排他性行为缺乏足够的应对措施。随着算法的技术含量与隐蔽性日益提升，供需两侧的信息不对称不断加剧，因而传统反垄断规制变得愈来愈困难[20]。
3.2.3. 算法黑箱所带来的数据偏见
许多数字平台利用复杂的算法来处理和分析用户数据，然而，这些算法往往是黑箱操作，外界难以了解其具体运作方式。再加上算法通常是基于数据进行决策，因此如果数据本身存在偏见或不完整，算法决策就会产生不公平的市场结果。传统反垄断规则难以监管企业通过不透明的算法操控市场和用户行为，也无法有效应对算法歧视和数据偏见的问题。
4. 反垄断规则的调整方向
4.1. 数据垄断的认定标准
制定数据垄断的认定标准应考虑数字经济的独特性，不是再简单的增加考虑因素的关键词，而是需整体改变认定标准[1]。结合数据控制力、跨市场影响、透明度等多个维度进行综合评估。同时，标准应保持灵活性和动态性，及时应对市场和技术的变化，确保能够有效识别和防范数据驱动的垄断行为。
4.1.1. 以数据控制力作为核心指标
在制定数据垄断的认定标准时，反垄断规则需要适应数字经济的独特特征。数据垄断认定标准应考虑企业所掌握的数据量和数据质量。数据量包括企业掌握的用户数量、数据点的多寡、历史数据的深度等，而数据质量则涉及数据的准确性、更新频率、丰富性及独特性。某些企业可能拥有大量用户数据，但如果这些数据具有高度重复性或缺乏独特性，则其市场控制力可能有限。认定标准应对数据量和质量进行综合评估，以判断企业在市场中的数据控制力。此外，对于特殊数据的不可替代性[21]，也应当作为认定标准的重点考量因素之一。在某些市场中，数据的独特性和不可替代性可能形成数据垄断。如果某一企业掌握的用户行为数据是独一无二的，且其他竞争对手难以获取相同类型的数据，那么该企业就可能构成数据垄断。
4.1.2. 考量数据的跨市场影响力
现代数字经济中的许多企业通过整合跨行业数据来增强其市场竞争力。企业通过数据整合和利用，可能在不同市场中形成协同效应，进一步增强其市场控制力。认定标准应考虑企业在多个市场或行业中整合数据的能力及其对市场竞争的影响，包括数据在不同市场中的相互作用以及这种互动对竞争环境的影响。
4.1.3. 考量数据的跨市场影响力
企业在数据获取和使用方面的透明度是认定数据垄断的重要标准。如果企业的相关行为缺乏透明度，可能导致市场竞争的不公平。认定标准应要求企业在数据获取、处理、存储和分享等方面提高透明度，并接受第三方审计，以防止滥用数据资源形成垄断。认定标准还应当特别关注企业的算法透明度[22]，防止其通过算法操控市场或实施歧视性行为。
4.2. 市场定义的重新思考
在数字经济中，数据行为具有高度的复杂性和动态性，传统的市场定义方法(如基于产品和地理市场的界定)往往难以全面反映数据驱动市场的特点。因此，反垄断规则在市场定义方面需要通过引入动态市场定义、基于数据流动的市场分析、多边市场与跨平台竞争、网络效应与市场进入壁垒的新思路，以更准确地捕捉数据行为对竞争的影响。
4.2.1. 动态市场定义
数字经济中的市场通常具有高度的动态性，市场边界可能会迅速变化。反垄断规则应考虑市场的动态性，允许市场定义随着技术进步和商业模式的变化而调整。在评估数据行为时，可以引入跟踪市场演化的机制，持续监测市场结构和企业行为的变化。这种动态监测可以帮助识别新兴的市场力量和潜在的反竞争行为，从而做出更加精准的市场定义。例如，一个社交媒体平台在初期可能主要作为社交工具，但随着其引入广告服务、电子商务功能等，市场边界可能需要重新界定。监管机构应定期评估市场动态，以确保市场定义的准确性。
4.2.2. 基于数据流动的市场分析
传统的市场定义通常基于产品或服务的替代性，但在数字经济中，数据流动可能比产品本身更能反映市场竞争的实际情况。反垄断规则可以引入基于数据流动的市场定义，回应数据流动性、数字经济跨界性所带来的冲击[23]。关注数据在不同平台、企业之间的流动和交换。通过分析数据流动的路径和规模，可以更好地理解市场的实际竞争态势。同时还可以考虑数据获取和使用的互操作性，即不同平台或企业之间的数据是否能够互通。如果企业通过封闭的数据网络限制数据流动，可能导致市场的分割和竞争的减弱。在这种情况下，需要考虑这些数据壁垒对市场竞争的影响。
4.2.3. 多边市场与跨平台竞争
数字经济中的许多企业，特别是平台企业，通常在多边市场上运作。例如，搜索引擎平台同时连接广告主和用户，而电子商务平台连接卖家和买家。在市场定义时，反垄断规则应考虑这些多边市场的互动和反馈效应。例如，一家平台企业可能通过掌握用户数据，在广告市场和电子商务市场上形成交叉市场优势。市场定义应综合评估这些多边市场的相互影响[24]，而不是孤立地看待单一市场。在数字经济中，企业也可能在多个平台之间进行竞争，甚至在非直接相互替代的服务上也存在竞争关系。反垄断规则可以引入跨平台竞争分析，识别不同平台之间潜在的竞争关系。
5. 结语
在数字经济迅速发展的背景下，数据行为日益成为影响市场竞争的重要因素。数据的高度集中、网络效应以及由此产生的市场支配力，使得传统反垄断规则在应对数据行为方面面临显著挑战。现行反垄断规则通常以产品和服务为核心，难以充分捕捉数据行为的复杂性和动态性，特别是在市场定义、数据垄断认定以及消费者数据权利保护方面存在明显的局限性。为应对这些挑战，需要对反垄断规则进行全面调整。首先，应采用更加动态和数据导向的市场定义方法，其次，应重新审视数据垄断的认定标准，防止企业通过数据积累形成排他性市场控制。最后，增强消费者的数据权利。通过这些调整，反垄断规则将能够更有效地应对数据驱动的市场变化，维护公平竞争，推动创新发展，并在保护消费者权益的同时，确保数字经济的健康和可持续增长。