一、前　言

当前，数据资源已经成为驱动数字经济发展的关键要素。^①作为数字市场中不可或缺的竞争要素，数据的资源禀赋可以转化为无可比拟的竞争优势。拥有数据优势的企业能够在经营活动中获得更多市场优势，从而在不同层面上对市场秩序和竞争效果造成影响。尽管在理论层面上，不同学者对这种影响的看法各执一端，但在现实场景中，大数据领域的市场滥用行为及其竞争关切已经切实产生。2019年7月，欧盟委员会对电商巨头亚马逊展开反垄断调查，以评估亚马逊使用其欧洲独立零售商相关数据的行为是否涉嫌滥用市场支配地位。^②同年2月德国联邦卡特尔局经过调查，认定Facebook利用其在社交网络市场的优势地位收集整合用户在其他设备上生成的个人数据，违反了《反限制竞争法》中的剥削性滥用条款。^③此外，从2012年的“PeopleBrowsr诉Twitter限制访问数据案”^④，到2017年的“hiQ Labs诉LinkedIn拒绝供应数据案”^⑤，司法领域的案件争议亦层见叠出。视距拉至国内，平台企业滥用市场力量排除数据市场竞争的纠纷和争议越来越多：前有“新浪微博诉脉脉不当抓取用户数据”^⑥，后有“华为腾讯数据纠纷”^⑦和“顺丰与菜鸟数据传输之争”^⑧，大数据领域滥用市场支配地位的竞争隐忧日益凸显。

规制企业市场力量形成和滥用对整个经济秩序的不利影响，是反垄断法被赋予的建立和维护竞争秩序的直接责任。^⑨国外有关数据寡头的反垄断监管研究肇始于21世纪初期。随着近年来大数据领域竞争执法需求的凸显，越来越多的研究转向大数据具体应用场景及其相关市场行为的监管与规制。美国、德国、法国、日本、英国、加拿大和荷兰等不同国家的竞争当局先后出台大数据竞争执法指南；欧盟、OECD、金砖国家等法域组织也相继发布了调研报告，专章探讨大数据领域的市场滥用行为及其规制路径。^⑩尽管各个法域的分析框架和认定思路有所不同，但普遍达成的共识是，滥用市场支配地位等具体制度需因应数字经济“网络效应”“跨界竞争”等独特属性进行调整和变革。此外，在滥用行为认定上，许多不同于传统行为外观的数据市场行为被纳入反垄断法的责任范围。

相较于国外反垄断监管和学术研究的积极推进与互动，我国反垄断执法和司法在大数据领域的实践却尚付阙如。^⑪现有研究已经关注到了大数据领域滥用规制的必要性和紧迫性，初步形成了大数据领域引入反垄断监管的共识基础。^⑫遗憾的是，尽管大部分研究都承认大数据领域的要素特征将对传统反垄断规则造成一定冲击，但在法律适用和研究路径上，目前对于大数据领域滥用市场支配地位的规制研究主要借助法教义学的体系化解释，其规制路径和分析思路仍依赖于原有的规制框架。大数据耦合了网络效应、多边市场和动态竞争等诸多经济特征和技术特征。传统规制框架从法解释学路径出发对大数据领域的识别，很容易将数据市场滥用行为的复杂分析简化成对基本概念的解释论证。虽然也有研究注意到国外执法和司法案例中分析范式的转换^⑬，但就目前而言，许多研究尚止步于案例引介和域外法律评述，对其背后的制度机理和学理逻辑揭示不足。

鉴于此，为回应现实和理论的双重吁求，本文首先阐释了现有规制框架的规制逻辑，在总结和反思其缺陷基础上指出，应从市场势力识别、滥用行为甄别和竞争损害分析三方面对现有规制路径进行调适，以因应大数据领域的特殊规制需求。其次，本文从数据价值链入手，厘清了大数据市场的要素构成和竞争格局，弥补了现有研究对大数据市场特性因应不足的缺憾。最后，本文借鉴欧盟法域“单方排他性和剥削性滥用”的模型构造与经验供给，对反映大数据领域竞争扭曲形式的“限制互操作性”“不当采集和使用数据”等行为进行精确的类型识别与竞争效果分析，从而为滥用市场支配地位制度在大数据背景下的调整适用提供具体的方案参考。

二、大数据领域滥用市场支配地位的规制进路 (一) 传统规制框架的局限

滥用市场支配地位制度通过禁止性的消极表达体现于各个竞争法域的法律文本中，成为反垄断法的三大制度基石之一。依据世界范围内各大竞争法域的文本规范，在反垄断执法和司法实践中，针对滥用市场支配地位行为的认定已经形成了较为固定的分析模式，即“相关市场界定（商品市场和地域市场）−市场支配地位认定−滥用行为及其竞争损害分析”。^⑭我国《反垄断法》第17条同样立足于这一范式基础，形成了规制市场支配地位滥用的现行法律框架。这种分析路径沿袭要件主义的思维范式，能够将纷繁复杂的市场竞争分析剥丝抽茧，具化成逻辑上相互关联且易于识别的特定步骤。然而，上述识别步骤中最为关键的分析要素、违法类型均抽象自传统市场的规制实践。随着社会发展和科学技术的勃兴，现有规制框架的格式化分析在面对大数据等新兴市场时，常常产生南橘北枳的困惑。

其一，目前的解释进路在实践中容易导致分析逻辑的倒置。《反垄断法》规定的滥用市场支配地位行为包括掠夺定价、垄断定价、限定交易、拒绝交易、捆绑交易和差别待遇等违法类型。^⑮传统的法解释学范式基于一种演绎推理的分析进路，习惯性地遵照从一般到个别的识别路径。为了提高违法行为的识别效率，实践中经常将类型化的基本概念套用进多变复杂的市场行为中，以完成法律规范的内部证成。在掌握了经营者滥用行为的确凿证据之后，再回溯到相关市场界定和市场支配地位认定的分析场域中。分析起点的倒置在市场结构稳定、竞争格局明晰的市场中不会发生太大问题，但放诸数据市场则可能荆棘载途。对滥用市场支配地位的规制本身属于一种结构性行为规制^⑯，其关键性前提在于市场主体拥有主导性的市场力量。亦即是说，即使数据市场的交易或竞争行为符合上述违法类型的相关特征，但若经营者不具备市场支配地位，就难以纳入行为规制的范畴。由于网络效应、多边市场等因素的存在，数据相关市场的范围及其测定存在诸多争议。在一个难以确定的市场语境下讨论市场支配地位，所得出的结论也是不稳定的。分析逻辑的倒置容易引致反垄断司法或执法实践的假阳性风险^⑰，将本未产生竞争损害的行为误判为违法。

其二，现有的规制框架可能使数据市场的滥用规制流于狭隘的教条式回答，忽视市场特性。比如对相关市场的界定，实践中应用最广的是“需求替代分析”^⑱的定性分析方法和“假定垄断者测试”（SSNIP）^⑲的定量分析方法。但直接运用这两种分析方法界定数据相关市场，要么割裂数据市场上下游之间的联系，要么将数据市场扩大到互联网市场的上位概念^⑳，使得数据市场成为一个包罗万象的“属概念”。又如，在确定市场支配地位时，《反垄断法》第19条列举了依据市场份额推定经营者市场支配地位的几种情形。在现有规制框架下分析数据市场相关主体的市场力量，市场份额是最直观的观测向度。但市场份额的评估建立在市场相对稳定、静态基础上，数据市场结构动态性强，缺乏市场份额因素发挥作用的稳定性条件，将其作为认定数据市场支配地位的决定性因素并不十分准确。^㉑此外，数据市场涉及数据的采集、存储、处理、分析和货币化等诸多技术内容，市场竞争因应技术更迭，呈现出不同的行为样态，径自套用“拒绝交易”“捆绑交易”“掠夺定价”等违法类型，很难涵摄数据市场的竞争扭曲行为，也容易落入概念法学的逻辑陷阱中。

制定法的文本规范本身存有结构性缺陷，反垄断法文本因立法者认识能力等因素的限制而未能涵盖某些规范机制，对大数据等新兴市场的垄断行为缺乏相应的规制约束。^㉒以上反思与检视表明，在现行规范的类型限度内寻找数据市场的规制依据，易流于教条式的文本对照，难以及时回应数据市场的特征属性。因此，现有规制框架需因应大数据语境作一定的调适。

(二) 传统规制框架的调适

如果我们将滥用市场支配地位的反垄断规制简化为市场势力识别、滥用行为甄别以及竞争损害分析三个基础步骤，那么现有规制框架在大数据领域的调适策略也应从这三方面入手。

首先，传统规制框架中“相关市场界定”“市场支配地位认定”等前置步骤的具体考量要素应根据大数据市场特性作出调整和改良。对数据主体市场势力的识别不仅要结合数据市场的竞争要素和产业链构成，还须充分考虑大数据市场的网络效应、锁定效应、跨界竞争和动态竞争等诸多特性。

其次，对于滥用行为的形式甄别，现有规制路径考察的是“垄断高价”“限定交易”“捆绑交易”“差别待遇”等违法类型在大数据市场的具体演化。然而，随着大数据应用场景的扩展，数据市场的竞争行为越来越多样化，呈现出与传统滥用行为不同的形态。比如Facebook迫使用户签订不合理的隐私数据授权条款、LinkedIn为进入数据分析市场禁止hiQ抓取用户数据等。直接适用现有规制框架可能导致许多不能归入传统滥用类型但又具有反竞争之虞的数据市场行为难以被认定为违法。因此，有必要回归大数据场域，对业已产生实质争议、具有现实普遍性的不合理市场行为作针对性的识别和分析，以缓解和消弭反垄断法规范效力与市场接纳之间的紧张关系。另外，经验性的行为归纳只是直观呈现了现实中的表现形态，并不能一一对应反垄断法规范类型的内在逻辑。如果我们只局限于对具体行为的识别和分析，又会流于技术操作层面的经济学应用，最终偏离法律规范适用的既有轨道。因此，我们还需要在市场行为的经验效果和反垄断法的内在逻辑之间建立事实上的联系。欧盟竞争法将滥用市场支配地位区分为排他性滥用和剥削性滥用两大类型。相比于我国反垄断法列举具体行为类型的方式，这种概括性立法有助于扩大规制范围，及时回应经济和技术发展伴生的新型违法行为。借助“单方排他性滥用和剥削性滥用”的法律构造，我们可以从大数据领域的市场实践中快速识别出可能对大数据市场竞争秩序造成影响的行为模式。

值得注意的是，形式甄别仅具有对滥用行为识别和认定的意义，并不直接指向反垄断法责任的承担。只有存在损害竞争后果的行为，才应受到反垄断法的禁止。^㉓很多市场行为形式上符合“滥用行为”的外观，却并未对市场造成实质性的损害后果。因此，一个完整严密的规制框架，还应该通过竞争损害分析将这些“良性行为”剔除在外。“单方排他性和剥削性滥用”理论在长期的执法活动中形成了完整的竞争损害分析框架，利用其竞争损害理论能够有效评估具体行为的竞争后果，真正甄别出反垄断法禁止的违法行为。

三、大数据领域市场支配地位的认定 (一) 大数据市场的竞争要素与数据价值链的构成

前文已澄清，分析逻辑的倒置和法教义学进路对数据市场特性的忽视，使得传统规制框架难以在技术层面上做出及时的更新和回应。因此，在识别滥用行为类型和分析竞争损害之前，首先要理清大数据市场的要素特征与市场格局，明确大数据领域滥用规制的分析起点。

国内外学界对“大数据”的概念内涵并无统一定义。以Andrea De Mauro等为代表的一部分学者认为，大数据是指“大体量、迅速、多样且需要特殊技术和分析手段才能产生价值的信息资产”。^㉔另一部分学者则强调大数据的技术属性，认为大数据是一种基于数据挖掘分析需求，通过机器学习、算法分析等手段，对互联网留存的信息进行收集、加工和价值再造的计算机技术。^㉕事实上，这两种说法均未能准确体现大数据的市场属性和竞争法意义。原因在于，若将大数据界定为一种信息资产^㉖，大数据的竞争优势等同于信息优势，但同一组数据可以揭示不同的信息片段，同一信息也可以从不同的数据集合中获得^㉗，大数据作为信息资产的竞争优势无从体现。^㉘而若仅作为信息处理技术而存在，不涉及数据资源的拥有或控制，大数据并不会产生竞争法意义上的问题关切。^㉙基于此，中国竞争法学界有学者提出，从广义和狭义两个层面来阐释大数据的内涵与属性更有助于明晰大数据与市场竞争的关系，及其在竞争法上的意义。^㉚换言之，大数据兼具有资产属性和技术属性，作为一种信息资产，其可用于指代海量的数据规模和多样的数据类型；而作为一种信息技术或服务业态，其又囊括数据采集、存储、流转、管理和价值分析等多层技术环节。^㉛为了避免这两种属性混用产生文本歧义，本文认为将大数据市场中具备资产属性的竞争要素称之为“数据集合”更加妥适。

根据“全球移动通信系统协会”（GSMA）2018年发布的大数据调研报告《数据价值链》，收集和利用各种类型数据（个人、机器或者系统生成的数据）的业务，都可以参考价值链框架进行分析。数据价值链由“生成”“收集”“分析”“交换”等几个离散步骤组成。^㉜结合数据市场的技术和业务整合方向，我们可以把这一价值链框架优化为五个递次层级（见图1）。

第一个层级是数据的生成和捕获。现实世界中数据无处不在，每天都在源源不断地生成，并被不同设备所捕获。^㉝传统市场中的许多经营主体可能并未直接参与数据交易，却可以作为数据的生成者或捕获者参与到大数据产业链的上游市场中。第二个层级是数据的存储和仓储。在大数据背景下，拥有高性能、高吞吐率和大容量的数据仓储设备无疑可以转化为巨大的竞争优势。数据链的这一层级涉及囤积和控制大量数据的市场行为，对大数据领域的市场地位认定、市场力量评估有着重要的影响。第三个层级为数据的处理和分析，这是连接数据上下游市场的关键环节。通过相关性统计、聚合和回归分析以及社会网络分析，不同类型的数据集合可以建立起某一领域的信息图谱，从而为特定商业模式的市场应用提供决策支持，并转化为商业价值。第四个层级涉及数据的共享和交流。不同数据主体通过授权安排或者提高互通性的手段实现数据的多维度运用和交叉应用。这一层级关系到大数据领域的市场开放程度和自由水平。最后，数据的商业化和货币化是数据价值链的终端环节，也是凸显数据市场商业价值的最重要一环。独特的数据集合不仅可以用于企业内部生产过程，还能在数据流通市场上实现资源置换和交易。这种信息资产作为竞争产品，可以给数据主体带来直接的产品收益和货币价值。^㉞

数据价值链有助于厘定数据市场的要素特征、竞争格局以及产业链构成，一方面为现有规制框架确定了分析起点，另一方面又为市场势力的识别圈定了基本的分析场域，从而明确反垄断法规制大数据领域的应然边界与限度。

(二) 大数据领域市场支配地位的评估方法和考量要素

前文述及，界定相关市场最为常用的“需求替代性分析”在数据市场难以适用。具体而言，“需求替代分析”要求从需求者角度划定一组与数据产品有密切替代关系的产品集合。但这种替代分析的前提是数据可以进行统一标准化分类。事实上，已有研究指出，当前的数据类型化缺乏统一性和一致性，尚无系统明确的数据分类标准与形式。^㉟数据市场的商品界限模糊，不同分析维度下可以推演出不同的数据类型。这种人为的逻辑分类存在极大的主观性。譬如从数据收集来源角度可以区分为网络数据和设备数据；从数据表现形式入手可以划分为线上数据和离线数据；而从具体业务应用层面又可以区分为社交网络数据、搜索查询数据和电子商务数据等^㊱。只要能找出共性和特性所在，这种分类似乎可以无限推演开去，从而导致相关市场的界定过于随意，且如此精确细分的数据商品市场，也会导致相关市场界定范围过窄。定性分析方法无法适用，基于价格数据的SSNIP测试在定价空间大、交易尚未成熟的数据市场也存在操作上的困难。

抛却文本主义的规制进路，实践中认定市场支配地位并不必然以界定相关市场为前提。^㊲相关市场界定的核心思想是强调竞争约束，明确经营者之间存在的制约彼此行为有效性的市场场域。^㊳就大数据领域而言，数据价值链已经为衡量经营者市场力量确定了基本的评估起点和分析场域，精准界定相关市场既难操作也无甚必要。^㊴《反垄断法》第十八条将市场份额、竞争状况、经营者的控制能力和财力技术条件、其他经营者的依赖程度和市场进入障碍等因素纳入市场支配地位认定的考量范围。^㊵越来越多的案例证明，市场份额只是控制市场的一般表征和结果之一，其在市场支配地位认定中的作用正在逐步弱化。^㊶在决定市场支配地位的诸要素中，控制市场能力成为最具决定性的因素。控制市场能力是从市场份额、进入壁垒以及其他结构性要素中推导出来的一个抽象的“质”，而市场份额、市场基本特征和市场壁垒实际上都是侧面论证经营者控制市场能力的注脚。^㊷由是观之，尊重大数据领域的市场特性，以数据价值链构成为基本的分析起点，通过考察各个层级经营者控制数据市场的能力进而提炼出评估市场力量的具体考量要素，是为更妥适的做法（见图2）。

首先，在数据生成和捕获环节，不仅要考虑非排他性对数据集中度的弱化，也要评估特定领域数据采集的法律壁垒和技术壁垒所构成的市场进入障碍。数据具有明显的非排他性，一个企业获得数据并不能当然排除其他企业获得同样数据。^㊸如果许多企业可以同时获得相同数据，那么数据的集中程度将被大大弱化。^㊹由于数据的广泛性和非对抗性，数据在生成和捕获环节被独家控制或被“垄断”的情况较少出现。^㊺但这并不意味着，数据驱动型企业对独特数据集合没有排他性需求。企业可以通过事实控制或者法律授权的方式获得对独特数据集合的专属采集和控制权。当其专属的数据集合在相关市场上是关键性的重要输入，难于复制且没有替代性的数据集合时，就能为企业带来强于竞争对手的竞争优势。^㊻

其次，经营者控制数据市场的能力很大程度上取决于其所控制的数据规模和数据范围，而规模和范围又与数据的存储和仓储能力成正相关。大容量、高性能和高吞吐率的数据存储设施有利于扩大企业的数据规模，凸显规模经济效应。对不同类型数据集合的固定，也有助于形成差异化的数据聚集，企业因此可以享受范围经济带来的竞争优势。尽管云数据中心的创建一定程度上解决了数据基础设施前期投入带来的固定成本问题^㊼，但高昂的数据仓储成本也会提高潜在或现有竞争者进入市场、进行市场扩张的市场壁垒。

值得注意的是，数据的处理和分析比数据本身更重要。^㊽对于同一数据集合，不同的数据处理者可以解析和捕获出不同的信息内容，而以特定商业目的为导向，不同渠道的数据集合也可以整合分析出同一类信息内容。如果其他企业可以通过数据分析技术，或者以全部或部分组合方式对单一数据进行匹配重组，找到对应的替代品，市场封锁效应将很难形成。因此，在数据价值链的处理和分析层级，经营者拥有的数据处理设备、数据分析算法和科研技术能力都应作为衡量市场力量的重要因素。

诚如前述，企业间实现数据共享和交流的程度决定了数据市场的开放水平。数据保护规定和隐私政策对企业间的数据共享和交流苛以重责，而数据开放战略则可能降低数据市场进入的政策壁垒。在数据市场的这一层级考察相关市场主体的市场力量，不仅要衡量企业限制数据开放的技术能力，还需考虑现有法律法规和战略政策对市场准入造成的影响。

最后，在数据价值链的商业化和货币化环节，“作为投入要素的数据”和“作为销售产品的数据”^㊾对市场力量的影响有所不同，应分而论之。当数据仅作为改善相关产品或服务功能的投入要素时，其与经营者的财力、技术条件等因素一样，是经营者控制数据市场能力的分析要素之一。而当数据作为流通市场上的交易产品时，数据本身的价值以及经营者对数据的控制能力对市场竞争而言至关重要。判断一个企业能否通过持有和控制数据获得较强的市场力量，需要在个案中结合数据的规模、种类、时效性、实用性和可替代性等做出具体分析。^㊿

通过对数据价值链上各层级控制数据市场能力考量要素的规范性总结，我们得以有效评估数据市场经营者的市场力量，进而认定特定经营者是否构成数据市场的支配地位。事实上，禁止滥用市场支配地位是一种典型的事后规制，包括我国在内的众多竞争法域对于企业“获取市场支配地位”本身并不予以谴责⁽⁵¹⁾，只有在企业获得市场支配地位后利用这种地位从事不合理的排除、限制竞争行为时，反垄断法才会进行干预或规制。⁽⁵²⁾对大数据领域滥用市场支配地位的反垄断规制，最终都要落脚到具体的滥用行为分析上。

四、大数据领域排他性和剥削性滥用行为的分析

世界各国（地区）竞争法对滥用市场支配地位制度的具体规定有所不同，但正如法哲学大家埃瓦尔德所澄清的那样：“我们需要了解的并不是黑体字规则本身，而是它们被共同体构设的方式，即法律制度的‘认知结构’”⁽⁵³⁾。唯有提取制度内在的共同要素，才能有效克服法律制度规定的概念隔阂。滥用市场支配地位制度的实质是对限制竞争的单方行为的监督和控制。⁽⁵⁴⁾从行为特点和性质上看，滥用行为有两种基本类型，分别是排他性滥用行为和剥削性滥用行为。前者是指拥有市场主导力量的企业为了排挤竞争对手，或者为了将市场力量不合理地扩大到相邻市场而采取的限制竞争行为；后者则是指具备市场支配地位的企业不受竞争制约，向其交易相对人或消费者施加不合理交易条件的行为。⁽⁵⁵⁾剥削性滥用的分析过程强调交易相对人和消费者地位的认定及其竞争损害的识别，而排他性滥用的认定，则主要集中在对横向竞争对手市场封锁效果的考察上。此外，“竞争与垄断的界限并不像法律文本所规定的那般清晰，其各自优劣、利弊也非泾渭分明，甚至有时可能会相互转化”⁽⁵⁶⁾，对竞争效果的分析和评估，还需纳入“客观必然性”和“经济效率”的考量。总的来说，“排他性滥用”和“剥削性滥用”的竞争损害分析强调与具体经济现实相结合，对大数据领域市场行为的竞争效果采取的是“个殊化”考察，更有利于针对大数据领域不同的滥用行为建立相应的识别方法和规制策略。

(一) 排他性滥用行为⁽⁵⁷⁾

针对排他性滥用行为的规制分析通常要经过“市场力量评估”“反竞争性封锁效应⁽⁵⁸⁾分析”和“客观必然性与效率考量”等分析过程，其中“反竞争性封锁效应”的分析最为关键。反竞争的市场封锁可能使得现存的竞争对手被边缘化或被迫退出市场，或者潜在的竞争对手尝试进入相关市场但以失败告终。⁽⁵⁹⁾如果滥用行为只引起竞争障碍而没有提高任何效率，那么可以推断此行为具有反竞争效果。⁽⁶⁰⁾另外，由于网络外部性的存在，大数据领域的经营者需要不断加强技术创新和产业链整合，以吸引用户并激发正反馈效应。如果行为本身属于产品质量方面的技术进步，或者对于提升经济效率而言是不可或缺的，则应当予以规制豁免。

1. 限制互操作性⁽⁶¹⁾

互操作性（Interoperability）又称互用性，是指不同数据主体之间使用通用的标准和格式整理和传输数据，以实现数据可移植性的要求。⁽⁶²⁾理论上限制数据互操作性主要采取的是技术手段。常见的有，将数据格式设置为其他平台不兼容，或者关闭数据接口，使得不同企业与操作系统之间无法实现数据的自由转移。此外，不同平台之间也可能碍于法律限制或者平台法律声明而无法实现数据抓取或共享。近年来，国内外发生了多起限制数据互操作性的竞争纠纷。域外案件诸如“PeopleBrowsr诉Twitter案”和“hiQ诉LinkedIn案”，均已通过反垄断司法途径予以解决，而国内如“头腾大战”“丰菜之争”和“华为腾讯数据纷争”等一系列与数据互操作性有关的纠纷争议，尽管持续引发热议，至今却仍未有反垄断规制措施介入。

如何将个案事实涵摄进既有的反垄断法规制体系，有赖于对限制互操作性之竞争损害的深入分析。网络服务商或者其他数据主体在为用户提供服务时，如果人为设置壁垒或障碍防止用户数据转移到其他网站或者服务器上，将导致数据的“锁定效应”，造成排除、限制相关数据市场竞争的后果。⁽⁶³⁾如果数据控制主体在相关市场上具有市场支配地位，那么其限制数据互操作性方式的做法不仅会阻碍数据流通，还可能使潜在的竞争对手难以进入相关市场。尤其是当独特数据集合构成竞争对手赖以生存的创新产品或者功能改进的关键输入时，这种限制行为将从根本上抑制竞争对手的进入或扩张，或致使其他竞争者退出该市场，造成数据市场的封锁效果，从而给相关市场带来竞争损害。⁽⁶⁴⁾除非数据控制主体有充足的证据和理由证明，限制数据互操作性的行为客观必要且适当，或者其行为可能产生的效率大于受其影响的竞争者和消费者所遭受的损害，否则这种行为将构成反垄断法禁止的排他性滥用。在“hiQ诉LinkedIn案”中，被告LinkedIn辩称其是出于用户隐私保护目的而禁止hiQ抓取其数据，但hiQ举证证明了LinkedIn准备进军数据分析市场的事实。法院据此认定LinkedIn限制数据互操作性的行为是为了排挤hiQ在该领域的竞争，此举与《谢尔曼法》禁止滥用市场支配地位的立法宗旨相悖，构成违法。⁽⁶⁵⁾

2. 搭售/捆绑销售

英国竞争执法机构的报告指出，一个拥有独特数据资源的企业将数据与自己的数据分析服务捆绑出售，该捆绑行为可能被认为是违法的搭售。⁽⁶⁶⁾传统搭售理论需要在认定环节证明存在两个或者两个以上的独立产品或者服务市场，这被称为“单一产品问题”（Single Product Issue）。⁽⁶⁷⁾单一产品有多重判断标准，其中功能性标准⁽⁶⁸⁾和交易习惯标准在传统商品市场可以得出清晰结论，推衍至大数据领域却可能失效。但无论采取哪种判断标准，大数据领域“单一产品”的证立，都很难回避消费者的需求特性。被搭售的商品或服务因消费者的独立需求而成为交易客体⁽⁶⁹⁾，如果消费者对搭卖的数据分析软件或服务存在独立、分离的购买需求，交易时只需其一或者对于数据分析服务有更好的选择，则组合销售无疑违背了消费者的需求特性，应认定为大数据领域的搭售行为。当然，搭售的存在也可能源于大数据领域技术发展或质量改进的必然需要。数据集合本身并不产生价值，只有基于某些商业目的进行技术处理、价值分析后才能发挥效用。⁽⁷⁰⁾也许在未来的某一天，没有数据分析软件的数据交易，对交易相对方来说可能就像买了个没有安装轮子的自行车，所谓的捆绑销售也就不再成立了。

搭售的竞争损害分析源起于杠杆理论，但据此评估大数据领域的竞争封锁效应时，还需多维度考察网络效应和用户锁定效应产生的影响。当一个企业持有价值很高的数据资源并在该数据市场具有明显的优势地位时，利用搭售或捆绑销售可以将其数据优势延伸至搭卖品（数据分析服务）市场，同时增强搭卖品在现有数据市场的竞争力。如果企业继续利用产品搭售的组合优势谋求在搭卖品市场的垄断地位，就会使原来的竞争市场变为垄断市场。在这种二重独占的竞争封锁下，现有竞争对手会被排挤出相关市场。⁽⁷¹⁾加之大数据领域的用户锁定效应，拥有创新能力的潜在竞争者也很难进入市场，进而加剧大数据领域创新环境的恶化。对竞争秩序的破坏以及技术创新的阻碍，足以认定大数据领域搭售的违法性。此外，大数据领域具有较强的网络效应和学习效应，如果没有搭售行为，效率更低的竞争对手可能从数据产品或服务的市场需求中获益。在评估反竞争性封锁效果时，应当考虑这些企业在数据相关市场上可能形成的竞争约束。

大数据领域的搭售问题，不仅需要结合个案情况做出基本判断，还应投合技术趋势与创新状况进行具体分析。总体而言，尽管数据搭售的判断存在一些争议，但作为一种常见的排他性滥用行为，其对大数据领域可能产生的限制竞争效果仍是研究的重点议题之一。

(二) 剥削性滥用行为

与排他性滥用通过排挤或封锁横向竞争对手谋求垄断利益不同，剥削性滥用主要通过剥夺上下游企业或终端消费者的利益获取独占利润，属于不同产业链层次间的利润掠取行为。⁽⁷²⁾在传统市场竞争中，剥削性滥用以“垄断高价”的行为表现为主，但在大数据领域，价格滥用表现还不是很突出。⁽⁷³⁾故此，现阶段的规制重点应主要围绕经营者施加价格以外不公平交易条件的行为展开。除了行为模式的识别，分析经营者的行为是否构成剥削性滥用，更重要的是论证行为本身是否具有不当性。反垄断法对剥削性滥用的规制具有补充性质，其不同于一般意义上的侵权行为规制，而是在较为严格的竞争法要件下，为保护消费者利益所设置的最后堡垒。⁽⁷⁴⁾质言之，消费者福利水平的损害程度应作为衡量行为“不当性”的重要标准。

1. 不主张条款与不质疑条款

不主张权利与不质疑条款（Non-assertion/Non-challenge Clauses）最初主要在知识产权领域被提及，其通常指具有市场支配地位的经营者，没有正当理由，在涉及知识产权的交易中，禁止交易相对人对其知识产权的有效性提出质疑，或者禁止交易相对人对其提起知识产权侵权诉讼的一类条款。⁽⁷⁵⁾大数据领域也存在类似问题。数字经济下的市场交易涉及海量、多样化数据，在没有对其进行处理和分析之前，很难确保支付了对价的所有数据集合都具有效用价值。在动态化数据的交易过程中，数据的时效性也是决定数据定价的重要因素。数据运营商可能在缔约中禁止交易相对人对其数据集合的有效性提出质疑，或者在提供数据分析服务的软件工具有侵权之虞时，阻止被许可人提起诉讼主张有关权利。⁽⁷⁶⁾

国务院反垄断委员会2017年3月公布的《关于滥用知识产权的反垄断指南（征求意见稿）》中列举了有关不主张权利/不质疑条款竞争损害分析的多项考量要素。判断大数据领域不主张权利/不质疑条款的“不当性”及其对交易相对方造成的剥削性损害，可以参酌以上分析思路和认定标准。详而论之，首先应调查该数据交易是否有偿、数据运营商是否要求所有交易对象均签订不主张权利/不质疑条款；其次，分析交易所涉数据是否存在竞争性的可替代品，是否构成下游相关市场的进入壁垒；最后，判断该数据交易是否具有排他性，交易相对方是否可能因不主张权利/不质疑条款的实施而遭受重大损失。

不主张权利/不质疑条款是数据运营商利用其市场优势对交易相对方施加的不公平交易条件，目的在于保证其交易稳定性，降低诉讼风险以获取长期的市场利益。这种交易条款在竞争充分有效的市场环境下很难施行和维持，正是由于数据优势带来的市场地位和商业机会，数据运营商才能对交易相对方强加如此不利负担。

2. 不当采集和使用数据

不主张权利/不质疑条款是对交易相对方施加的不公平交易条件，而不当采集和使用数据，则是经营者滥用市场力量对消费者进行利益盘剥的行为方式。实践中，构成剥削性滥用的数据采集和使用行为主要体现在：（1）迫使用户签订不平等的隐私授权条款；（2）违反数据保护与获取规定过度采集用户数据。

经营者以使用服务或产品为对价迫使消费者接受隐私授权条款，是对消费者施加的过度的交易条件。一般而言，这种行为侵害了消费者的自由选择权和隐私人格权，应当由消费者权益保护法或者专门的隐私保护法规进行规制。但如果企业在市场上占据主导地位，消费者转向其他企业的可能性很小，为了获取相关服务只能接受不平等的隐私授权条款。这种情况下，企业对消费者造成的剥削性损害是市场力量不当滥用的结果，应当由反垄断法介入调整。在2019年2月查处的“Facebook滥用市场支配地位案”中，德国联邦卡特尔局（FCO）指出，由于Facebook在社交网络服务市场拥有的市场支配地位，用户为了获得社交网络服务，只能被迫签订包含不合理隐私政策的服务条款。FCO认为，数据保护法确保用户自由决定其个人数据处理并免受任何强制，这些单方面的合同条款无疑是Facebook滥用其市场力量的体现，应当适用《反限制竞争法》（GWB）第19条的剥削性滥用条款予以规制。⁽⁷⁷⁾

除不合理的服务条款外，过度采集和处理用户数据的行为也被认定为剥削性的滥用行为。当市场上缺少足够的竞争约束时，占据市场支配地位的企业便有能力和动力采集消费者的更多数据。比如Facebook就利用其在社交网络市场的优势，收集和整合了用户在其他第三方网站和软件产生的个人信息和设备数据。FCO指出，Facebook的数据采集和整合超出了社交网络的正常范围，属于过度的数据处理行为。Facebook是一个占据支配地位的公司，不受充分竞争的控制，用户根本无法避免其多个来源的数据被Facebook采集或处理。⁽⁷⁸⁾

事实上，隐私保护水平、数据安全在很大程度上已经取代价格成为大数据市场经营者进行竞争的重要维度。⁽⁷⁹⁾过度采集和使用数据的不当性主要体现在两个维度上：其一，经营者对消费者数据的采集和处理超出了正常合理限度，而又未实质提升质量或效率；其二，过度采集数据降低了消费者的隐私保护水平。判断数据采集是否超出正常范围，可以结合数据的种类和范围、数据采集的必要性、数据处理的方式、用户的合理期待以及企业与用户的地位对比等多种因素进行综合考察。但对于消费者隐私所遭受的损害，现有反垄断法分析工具似乎难以进行有效评估。⁽⁸⁰⁾法国和德国竞争执法机构在《竞争法和数据》的联合报告中指出，降低隐私保护涉及滥用控制的问题，是否违反以及在何种程度上违反数据保护法规，是评估剥削性滥用行为的有效基准。⁽⁸¹⁾有鉴于此，可以考虑借助数据与隐私保护法规，衡量过度采集和处理数据对消费者福利的不当减损。

总体而言，借助排他性滥用和剥削性滥用的模型构造，“限制互操作性”“捆绑搭售数据”、“不公平的商业条款”以及“不当采集和使用数据”等有别于传统市场的滥用行为得以识别并纳入现行反垄断体系予以规制。

五、结　语

中国的数字经济已经进入弯道超车阶段。⁽⁸²⁾不断增长的交易规模和日益活跃的竞争业态，势必倒逼数据市场塑造统一开放、竞争有序的交易环境。在这一过程中，竞争法尤其是反垄断法的监管和实施，无疑是数据治理的主力。大数据领域滥用市场支配地位的规制框架，首先要回应大数据市场的竞争要素和产业链格局；其次基于大数据市场的业态特征，释明滥用行为判定前提中相关市场界定、市场支配地位认定的特殊考量要素；最后，利用“单方排他性和剥削性滥用”的模型构造识别和归纳大数据领域的竞争扭曲行为，并建立相应的竞争损害分析方法。时下正值中国《反垄断法》全面修订和完善之际，应当以此为契机，因应数字经济发展需要对现有规则体系做出调适与改良。在推进滥用市场支配地位制度修改完善的过程中，可考虑以下三方面的具体建议：第一，明确大数据等新经济业态相关市场界定、市场支配地位认定的特殊考量要素，充分考虑大数据产业跨界竞争、网络效应等市场特性；第二，参酌域外竞争法体例模式调整滥用市场支配地位的规范化类型，扩大滥用规制的适用范围，从排他性和剥削性两大滥用类型入手识别和规制对大数据领域竞争秩序具有危害的市场行为；第三，将大数据市场实践中常见的具有普遍适用意义的滥用行为模式，如“限制互操作性”“不当采集和使用数据”等，纳入反垄断法实施的相关配套指南中，并建立相应的识别方法与规制措施。宗其要义，精确识别和分析数据市场滥用行为所引致的竞争损害，才能为竞争当局的执法实践以及数据驱动企业的反垄断风险评估提供更加明确和更具有预测性的分析框架，在阻遏竞争损害的同时推动大数据领域公平自由竞争秩序的构建和完善。

① 参见中国电子信息产业发展研究院：《2019中国数字经济发展指数白皮书》第2页，www.199it.com/archives/963640.html最后访问日期：2020年4月12日。

② 参见木青：《欧盟对亚马逊启动反垄断调查》，《环球时报》2019年7月9日第11版。

③ See Bundeskartellamt，Facebook，Exploitative business terms pursuant to Section 19（1）GWB for inadequate data processing，2019 https://www.bundeskartellamt.de/SharedDocs/Meldung/ EN/AktuelleMeldungen/2019/15_02_2019_Fallbericht_Facebook.html， accessed on March 25，2020.

④ Twitter是美国的一家提供社交网络及微型博客服务的互联网企业。自2006年成立以来该企业网站积攒了大量用户创造的内容。这些内容组合被Twitter称为“兴趣图谱”（interest graph），可供其他企业或机构作精准营销或战略分析之用。长期以来，Twitter一直与PeopleBrowsr等第三方数据分析公司分享网站数据，允许其通过特定的应用程序接口访问此类内容。但自2012年起，Twitter突然切断PeopleBrowsr的访问权限，导致其商业模式无法继续。同年11月27日，PeopleBrowsr向美国加利福尼亚北区联邦法院提起诉讼，要求Twitter重新开放数据访问权限。See PeopleBrowsr，Inc. v. Twitter，Inc.，Case No.C-12-6120 EMC。

⑤ hiQ Labs是一家雇员数据分析公司，其主要通过分析职场用户数据，为企业提供员工技能情况和离职风险的评估报告。由于LinkedIn公司在职场社交网络的主导地位，hiQ多年来一直依赖于LinkedIn公开的用户数据资料。2017年5月，LinkedIn公司向hiQ发函，要求其立即停止抓取用户数据的行为，并在其后采取技术手段关闭数据接口，屏蔽了hiQ公司对其数据的访问。hiQ认为LinkedIn不当滥用了其在职业社交数据市场的支配地位，在协商未果后将LinkedIn诉至美国加利福尼亚州法院。参见hiQ Labs，Inc. v. LinkedIn Corporation，No.3：17-cv-03301。

⑥ 参见北京知识产权法院（2016）京73民终588号民事判决书。

⑦ 2016年，华为推出荣耀magic手机，该手机的最大卖点是实现“跨应用的智能识别”，通过扫描和分析用户的微信聊天内容，可自动加载出针对该手机用户的关联地址、日期和天气等信息。腾讯随后公开指责并向工信部投诉华为非法获取数据，侵犯其用户的隐私。参见新华网：《腾讯华为“数据之争”授权是尚方剑？》http://www.xinhuanet.com/tech/2017-08/11/c_1121465577.htm最后访问日期：2020年3月25日。

⑧ 2017年6月1日，顺丰物流公司突然关闭对物流信息网络平台“菜鸟裹裹”的数据接口，同时中止给淘宝平台上的关联包裹回传相关物流信息，作为回应 淘宝平台随后也将顺丰剔除出其物流信息网络之外。双方经国家邮政总局紧急协调后全面恢复了数据传输。参见新华网：《国家邮政局深夜协调 顺丰菜鸟全面恢复数据传输》，http://www.xinhuanet.com/fortune/2017-06/03/c_1121081262.htm，最后访问日期：2020年3月25日。

⑨ 参见张占江：《政府行为竞争中立制度的构造——以反垄断法框架为基础》，载《法学》2018年第6期，第84页。

⑩ 例如，在2019年第六届金砖国家竞争大会上发布的专题报告《数字时代的竞争：金砖国家视野》中，集中探讨了数据囤积、数据搭售、阻碍数据互操作性、不公平的商业条款以及违反数据保护规定获取和使用数据等行为或场景是否构成反垄断法意义上的排他性滥用或者剥削性滥用。报告还对美国、欧盟和金砖国家规制数据市场滥用行为的现状和未来作了相对完整的比较分析。参见金砖国家竞争法律与政策中心：《数字时代的竞争：金砖国家视野》，http://bricscompetition.org/materials/news/digital-era-competition-brics-report，最后访问日期：2020年3月25日。

⑪ 前文中备受关注的三个案件最终都不是通过反垄断规制路径予以解决。“新浪微博诉脉脉”一案，由法院依据《反不正当竞争法》做出裁决，而“顺丰菜鸟之争”和“华为腾讯数据纠纷”则分别以国家邮政局、工信部等行政部门介入和调停收尾。

⑫ 具体论述可参见韩伟、李正：《大数据与企业市场力量》，载《中国物价》2016年第7期；陈志民：《大数据与市场力滥用行为初探》，载《公平交易季刊》2018年第3期；贾晓燕、封延会：《网络平台行为的垄断性研究——基于大数据的使用展开》，载《科技与法律》2018年第4期；陈兵：《大数据的竞争法属性及规制意义》，载《法学》2018年第8期；詹馥静、王先林：《反垄断视角的大数据问题初探》，载《价格理论与实践》2018年9期；曹阳：《数据视野下的互联网平台市场支配地位认定与规制》，载《电子知识产权》2018年第10期；邓志松：《拒绝数据抓取行为：反垄断规制与必需设施原则的适用》，载《工商行政管理》2018年21期；殷继国：《大数据市场反垄断规制的理论逻辑与基本路径》，载《政治与法律》2019年第10期；詹馥静：《数字市场中的单方排他性和剥削性行为——中国的视角》，载《竞争政策研究》2019年第5期；丁晓东：《论数据携带权的属性、影响与中国应用》，载《法商研究》2020年第1期；李毅、李振利：《数字经济背景下对消费者实行个性化定价违法边界的研究》，载《社会科学》2020年第2期等。

⑬ 参见邓志松、戴健民：《数字经济的垄断与竞争：兼评欧盟谷歌反垄断案》，载《竞争政策研究》2017年第5期；曾彩霞，朱雪忠：《欧盟对大数据垄断相关市场的界定及其启示——基于案例的分析》，载《德国研究》，2019年第1期；曾雄：《数据垄断相关问题的反垄断法分析思路》，载《竞争政策研究》2017年第6期等。

⑭ 参见刘贵祥：《滥用市场支配地位理论的司法考量》，载《中国法学》2016年第5期，第260页。

⑮ 参见最高人民法院民事案件案由规定课题组编著：《最高人民法院民事案件案由规定理解与适用》，人民法院出版社2011年版，第287页。

⑯ 参见王先林：《论滥用市场支配地位行为的法律规制——〈中华人民共和国反垄断法（草案）相关部分评析〉》，载《法商研究》2007年第4期，第10页。

⑰ 假阳性（false positive），是指司法或执法实践中的虚假有罪现象。错误判定一项合法行为违反法律，可能强化法律标准并造成错误定罪率的提高，迫使原本遵从标准的潜在被告改变行为以减少定罪风险。虚假有罪具有威慑过度和减损社会福利的风险。参见[美]基斯·N.希尔顿：《反垄断法：经济学原理和普通法演进》，赵玲译，北京大学出版社2009年版，第105页。

⑱ “需求替代分析”要求圈定出一组“最有可能具有紧密替代性关系”的商品，如果某一商品被认为是可替代的，就可以纳入“相关市场”范畴。“需求替代分析”是界定相关市场最为常用的方法，但在商品界限模糊的领域，这种定性分析方法可能失灵。参见刘贵祥：《滥用市场支配地位理论的司法考量》，载《中国法学》2016年第5期，第264页。

⑲ “假定垄断者测试”是基于“弹性交叉（cross-elasticity）理论”的定量分析方法，通过分析目标产品一定幅度（通常5%-10%）的涨价来推测消费者转而购买其他可替代产品的可能性，进而确定相关市场的边界。这种界定方法在互联网领域存在很大的适用困难。参见丁春燕：《论我国反垄断法适用中关于“相关市场”确定方法的完善——兼论SSNIP方法界定网络相关市场的局限性》，载《政治与法律》2015年第3期。

⑳ 参见曹阳：《数据视野下的互联网平台市场支配地位认定与规制》，载《电子知识产权》2018年第10期，第92页。

㉑ 参见杨文明：《论互联网企业市场支配地位认定的非结构因素》，载《河北法学》2014年第12期，第163页。

㉒ 金善明：《论反垄断法解释权的规制》，载《法商研究》2015年第6期，第21页。

㉓ 聂鑫：《专利恶意诉讼的反垄断法规制框架》，载《上海财经大学学报》2019年第3期，第112、117页。

㉔ See De Mauro A.，Greco M.，Grimaldi M，A formal definition of Big Data based on its essential features，Library Review，Vol.65，No.3，2016：122-135.

㉕ See Boutin X.，Clements G.，Defining “Big Data” in Antitrust，Competition Policy International Antitrust Chronicle，Vol.2，2017：3.

㉖ 参见龙卫球：《再论企业数据保护的财产化路径》，载《东方法学》2018年第3期，第52-53页；纪海龙：《数据的私法定位与保护》，载《法学研究》2018年第6期，第75−76页。

㉗ “一个信息可能形成多种数据，一种数据也可能是多种信息统计的结果，二者可能是‘一对多’、‘多对一’以及‘多对多’的关系”。参见姚佳：《企业数据的利用规则》，载《清华法学》2019年第3期，第115页。

㉘ See Giuseppe C.，Mariateresa M.，Big Data as Misleading Facilities，European Competition Journal，Vol.13，No.2-3，2017：252-254.

㉙ See Boutin X.，Clements G.，Defining “Big Data” in Antitrust，Competition Policy International Antitrust Chronicle，Vol.2，2017：22-28.

㉚ 参见陈兵：《大数据的竞争法属性及规制意义》，载《法学》2018年第8期，第109页。

㉛ 详见中国政府网：《国务院关于印发促进大数据发展行动纲要的通知（国发[2015]50号）》，http://www.gov.cn/zhengce/content/2015-09/05/content_10137.htm，最后访问日期2020年3月25日。

㉜ See The Data Value Chain，July，2018，GSMA， https://www.gsma.com/publicpolicy/wpcontent/uploads/ 2018/07/GSMA_Data_Value_Chain_June_2018.pdf，accessed on March 25，2020.

㉝ 诸如大自然条件、物理现象、个人生活和消费的数据每天都在源源不断地生成，并被不同的设备所捕获。无论是物理环境中的传感设备、卫星天线、智能手机、电脑PC端，还是虚拟环境中的社交网络、电子邮件、贴吧博客和移动应用程序（APP），都可以成为数据的捕获源。

㉞ 参见詹馥静：《数字市场中的单方排他性和剥削性行为——中国的视角》，载《竞争政策研究》2019年第5期，第66页。

㉟ 陈兵、顾丹丹：《数字经济下数据共享理路的反思与再造——以数据类型化考察为视角》，载《上海财经大学学报》2020年第2期，第127页。

㊱ 这几类分析维度取自《法德报告》。该报告强调不同类型的数据之间并不当然具有可替代性，因而主张从数据类型化角度细分数据相关市场。See Competition Law and Data，2016：26-27，Autorité de la concurrence française and Bundesbehörde der bundeskartellbehörde http://www.autoritedelaconcurrence.fr/doc/reportcompetitionlawanddatafinal.pdf，accessed on March 25，2020。

㊲ 在“奇虎诉腾讯滥用市场支配地位纠纷案”中，最高人民法院指出：“如果通过排除或者妨碍竞争的直接证据，能够对经营者的市场地位及被诉垄断行为的市场影响进行评估，则不需要在每一个滥用市场支配地位的案件中都明确而清楚地界定相关市场”。参见最高人民法院（2013）民三终字第4号民事判决书。

㊳ 参见李虹：《相关市场理论与实践——反垄断中相关市场界定的经济学分析》，商务印书馆2011年版，第3页。

㊴ “数据市场不必界定相关市场”的观点已经慢慢为各国（地区）竞争主管机构所接受。例如欧盟委员会2019年召开的“数字时代竞争政策大会”上所指出的：“在数据市场中，我们不应过度关注对市场界定的分析，而需更多强调损害理论以及对反竞争性策略行为的识别。”See Competition Policy for the digital era：Final Report，2019，p.18，European Commission，http://ec.europa.eu/competition/publications/reports/kd0419345enn.pdf，accessed on March 25，2020.

㊵ 《反垄断法》第十八条：认定经营者具有市场支配地位，应当依据下列因素：（一）该经营者在相关市场的市场份额，以及相关市场的竞争状况；（二）该经营者控制销售市场或原材料采购市场的能力；（三）该经营者的财力和技术条件；（四）其他经营者对该经营者在交易上的依赖程度；（五）其他经营者进入相关市场的难易程度；（六）与认定该经营者市场支配地位有关的其他因素。

㊶ 参见最高人民法院（2013）民三终字第4号民事判决书。此外，在“徐书青诉腾讯滥用市场支配地位纠纷案”（广东省高级人民法院（2016）粤民终1938号民事判决书）和“王晓诉腾讯滥用市场支配地位纠纷案”（深圳市中级人民法院（2014）深中法知民初字第719号民事判决书）中，法院也持有类似的观点。

㊷ 参见刘贵祥：《滥用市场支配地位理论的司法考量》，载《中国法学》2016年第5期，第270页。

㊸ See Andres V. Lerner，The Role of “Big Data” in online Platform Competition，SSRN Electronic Journal，2014，p.35. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2482780，last visit on April 3，2019.

㊹ 荷兰经济事务部2017年对外发布的《大数据与竞争》调研报告指出，如果数据同时具备“非竞争性”和“非排他性”特征，那么作为纯粹的公共物品，数据不可能成为企业的竞争优势或构成市场进入障碍，也就不会导致相关主体获得很强的市场力量。See Big data and competition，2017：20，the Netherlands Ministry of Economic Affairs，https://www.rijksoverheid.nl/binaries/rijksoverheid/documenten/rapporten/2017/06/13/big-data-and-competition/big-data-and-competition.pdf，accessed on March 25，2020。

㊺ 曾雄：《数据垄断相关问题的反垄断法分析思路》，载《竞争政策研究》2017年第6期，第50页。

㊻ 詹馥静：《数字市场中的单方排他性和剥削性行为——中国的视角》，载《竞争政策研究》2019年第5期，第68页。

㊼ See Big Data：Bringing competition policy to the digital era，2016，OECD，http://www.oecd.org/competition/big-data-bringing-competition-policy-to-the-digital-era.html，accessed on March 25，2020.

㊽ See Lambrecht A.，Catherine E.T，Can Big Data Protect a Firm from Competition？SSRN Electronic Journal. 10.2139/ssrn.2705530. 2015：8-9.

㊾ 还有学者在此基础上增加了一个维度“没有竞争价值的数据”，即数据只作为某些产品和服务生产的副产品，不能用于商业目的。See Greg Sivinski，Alex Okuliar and Lars Kjolbye. Is big data a big deal？A competition law approach to big data，13European Competition Journal，2017，p.208.由于此处讨论的是数据的商业化和货币化，这一分类没有多少讨论价值和意义，故在此不察。

㊿ 参见詹馥静、王先林：《反垄断视角的大数据问题初探》，载《价格理论与实践》2018年9期，第40页。

(51) 通过技术革新、新产品开发等竞争手段取得市场支配地位并获得垄断利润，是经济发展的根本动力。具体论述参见郑文通：《我国反垄断诉讼对“滥用市场支配地位”规定的误读》，载《法学》2010年第5期。

(52) 荷兰《大数据与竞争》报告指出，拥有市场支配地位的数据平台运营商对数据价值链的纵向整合可能会排挤竞争对手，造成封锁效应。See Big data and competition，2017：20，the Netherlands Ministry of Economic Affairs，https://www.rijksoverheid.nl/binaries/rijksoverheid/documenten/rapporten /2017/06/13/big-data-and-competition/big-data-and-competition.pdf，accessed on March 25，2020.

(53) 参见[美]威廉·B.埃瓦尔德：《比较法哲学》，于庆生、郭宪功译，中国法制出版社2016年版，第121页。

(54) 参见白艳：《美国反托拉斯法、欧盟竞争法平行论：理论与实践》，法律出版社2010年版，第145页。

(55) 参见王先林：《竞争法学》，中国人民大学出版社2018年版，第246页。

(56) 金善明：《反垄断法解释中经济学分析的限度》，载《环球法律评论》2018年第6期，第105页。

(57) 排他性滥用行为涉及市场主导企业对与其具有横向竞争关系的经营者的排挤或封锁，对市场竞争的排除、限制效果更为明显，因而绝大多数竞争法域都对此种行为进行规制或干预。参见万江：《中国反垄断法理论、实践与国际比较》，中国法制出版社2015年版，第112页。

(58) 反竞争性封锁效应是指，占市场支配地位的企业的行为导致的实际或潜在竞争对手的有效市场扩张或市场进入受阻或者被消除，从而使占支配地位的企业可以在损害消费者利益的基础上可营利性地提高价格。

(59)(60) 《欧盟排他性滥用行为执法指南》指出：“针对排他性行为执法活动的重点在于保障市场内部的竞争过程，以及确保拥有市场支配地位的企业以其提供的商品和服务进行竞争而非以其他手段排除竞争对手。”

(61) 参见韩伟：《美欧反垄断新规选编》，法律出版社2016年版，第292-294页。

(62) OECD的研究报告认为，“让数据变得更好”，需要有更好的治理制度以克服目前在数据访问、共享和互操作性上存在的障碍。有效的数据治理需要考虑的因素包括：数据的访问和重复利用；数据的可移植性和互操作性；数据的链接与整合；数据质量与内容管理；数据的“所有权”与控制权；数据的价值和定价。See Data-Driven Innovation：Big Data for Growth and Well-Being，2015：192，OECD，http://dx.doi.org/10.1787/9789264229358-en，accessed on March 25，2020。

(63) See Article 29 Data Protection Working Party，Guidelines on the right to data portability，16/EN，WP 242 rev.01：10.

(64) 参见丁晓东：《论数据携带权的属性、影响与中国应用》，载《法商研究》2020年第1期，第76−77页。

(65) 参见陈兵：《我国〈反垄断法〉“滥用市场支配地位”条款适用问题辨识》，载《法学》2011年第1期，第92页。

(66) See hiQ Labs，Inc. v. LinkedIn Corporation，No.3：17-cv-03301.

(67) See The Commercial Use of Consumer data，2017：90，United Kingdom Competition and Markets Authority，https://www.gov.uk/government/uploads/system/ uploads/attachment_data/fle/435817/The_commercial_use_of_consumer_data.pdf， accessed on March 25，2020.

(68) 参见李剑：《合理原则下的单一产品问题》，载《法学家》2015年第1期，第72页。

(69) 当两种商品在使用上不具有关联性，组合销售不会产生效用上的提升，分离使用也不会导致功能上的减损时，可将二者认定为相互独立、性质互异的单一产品。

(70) 参见叶明、商登晖：《互联网企业搭售行为的反垄断规制》，载《山东社会科学》，2014年第7期，第126页。

(71) 参见梅夏英：《数据的法律属性及其民法定位》，载《中国社会科学》2016年第9期，第174页。

(72) 参见叶明、商登晖：《互联网企业搭售行为的反垄断规制》，载《山东社会科学》，2014年第7期，第127页。

(73) 剥削性滥用的行为主体是在供给侧拥有市场支配地位的经营者，行为模式是通过制定市场竞争充分有效时不可能维持的价格或交易条件，剥削交易相对人或消费者的利益。参见[韩]李奉仪：《韩国禁止垄断法上对剥削性滥用的规制》，陈兵、赵青译，载《经济法论丛》2017年第1期，第384页。

(74) 从全球范围看，数据流通和市场交易尚处于起步发展阶段，供需关系、定价机制和成本测算标准还未完全确立，相关的交易情况和费用信息也不是很透明。出于禁止剥削性滥用的目的而直接规制价格，竞争执法机构有变为“价格规制者”的风险。此外，在当前的数据商业化、货币化进程中，市场主体的利润率千差万别，竞争执法机构很难在利润率的幅度之上施加一个客观界限。同前引，李奉仪文，第387页。

(75) See Faull F.，Nikpay A.，The EC law of Competition，Oxford University Press，2nd ed，2007：517.

(76) 参见《关于滥用知识产权的反垄断指南（征求意见稿）》第9条、第17条第（二）项，http://fldj.mofcom.gov.cn/article/zcfb/201703/20170302539418.shtml，最后访问日期：2020年3月25日。

(77) 参见詹馥静：《数字市场中的单方排他性和剥削性行为——中国的视角》，载《竞争政策研究》2019年第5期，第72页。

(78) See Facebook，Exploitative business terms pursuant to Section 19（1）GWB for inadequate data processing，2019，Bundeskartellamt，https://www.bundeskartellamt.de/SharedDocs/Meldung/EN/ AktuelleMeldungen/2019/15_02_2019_Fallbericht_Facebook.html， accessed on March 25，2020.

(79) See Facebook，Exploitative business terms pursuant to Section 19（1）GWB for inadequate data processing，2019，Bundeskartellamt，https://www.bundeskartellamt.de/SharedDocs/Meldung/ EN/AktuelleMeldungen/2019/15_02_2019_Fallbericht_Facebook.html， accessed on March 25，2020.

(80) 参见殷继国：《大数据市场反垄断规制的理论逻辑与基本路径》，载《政治与法律》2019年第10期，第147页。