数据资本时代

三种效应导致市场集中化

在线市场似乎特别容易受到集中的影响。举例来说:台式电脑每发出5个搜索请求，就有4个是在谷歌上发出的；移动设备每发出10个搜索请求，就有9个是在谷歌上发出的。再想想亚马逊在美国所占据的在线零售市场份额超过40%，以及脸书网在全球拥有近20亿用户。而且，这些只是头部企业的例子。即使在较小的缝隙市场市场集中度也很高。GoDaddy是互联网上最大的域名注册商，规模大约是其最大的竞争对手的4倍。WordPress主导了博客，而Netflix则控制着电影流媒体。至少从卡尔·马克思的时代起，关于市场集中的确切原因就一直存在激烈的争论。我们认为，在市场变得集中时，通常会有三个不同的效应在起作用：前两个效应规模效应和网络效应，已经得到了很好的研究，但第三种效应是由反馈对适应性系统的作用引发，我们称之为“反馈效应”。这三种效应都源自市场参与者在扩大利润时所采取的策略。

在工业革命时期，制造商开始意识到大规模生产的潜力。如果一家工厂每周生产1000辆T型车，而不是100辆，那么每辆车的成本就会降低，因为生产的固定成本会分摊到更多的车辆上。开始于制造业的这种认识传播到经济领域的其他产业，包括零售业和服务业。20世纪下半叶，超市、快餐连锁店和零售连锁店如雨后春笋般涌现，因为它们的目标都是通过增加总量来降低成本。这种策略奏效了，消费者已经享受到了规模效应带来的好处：商品价格更低了，商品选择范围更广了。

数据资本时代

160

我们可以在电信行业里找到网络效应的例子。1890年，电话已经在美国市场掀起了一股热潮。电话提供了一种迅速、简单地与他人合作的方式，没有它大企业就无法正常工作。但是因为几家电话公司相互竞争，而且每个公司都有自己的专用网络，所以经理们的办公桌上经常放着好几部电话机，这样他们就可以打电话给使用不同电话网络的业务合作伙伴。世纪之交，当电话市场合并到美国电话电报公司手中时，客户才意识到对于每个已经入网的人来说，加入网络的每一个新用户都增加了系统的效用，因为他们可以通过电话找到的潜在合作伙伴的人数增加了。这为更多的人加入美国电话电报公司网络提供了强大的动力。人们似乎感觉人越多服务越好，其实服务本身并没有得到改善，只是人们使用服务的机会增加了。今天，这种网络效应（经济学家有时更喜欢用“网络外部性”这个术语）是我们非常熟悉的。正是因为网络效应，互联网才主导了数字信息流，是网络效应使从脸书网到微信，再到推特和Instagram（照片墙）等社交媒体平台大获成功。网络效应也提高了市场平台的价值，从亿贝到阿里巴巴再到Uber和滴滴出行等叫车平台，从在线约会平台Tinder到P2P先锋FundingCircle，每个新参与者所增加的确切价值不只依赖于其本身，而且依赖于市场中已有的平台使用者。例如，当一个男人加入一个异性恋约会平台，而平台的会员90%是男性时，他对平台的作用是微乎其微的。在这种情况下，更有价值的是新的女性会员加入一至少对于该平台上的男性来说是这样的。同样，在一个有大量卖家的市场中，每个新买家都会受到特别欢迎。

第8章 反馈效应

161

第三种效应虽然与规模效应和网络效应有关，但只有当电脑系统使用反馈数据学习时，这种效应才会发生。当谷歌自动更正我们的一个拼写“错误”时，我们会做出反应，我们的反应就会创建反馈信息，来帮助谷歌改进其拼写检查功能。IBM的沃森“看到”的皮肤癌病例越多，它就越能够识别出皮肤癌。最受欢迎的产品和服务是最容易获得改进的，因为它们拥有更多数据。在这样的背景下，所谓创新不再是突破性想法，而是如何收集最多的反馈数据。

规模效应降低成本，网络效应扩大效用，反馈效应改进产品。每一项都给市场参与者带来了显著的好处：他们可以降低生产成本，提升服务价值，提供一种似乎可以不断自我完善的商品。

这三种效应之间并不相互排斥。公司可以同时实现两个甚至三个效应。比如亚马逊，由于规模庞大，它可以以低成本完成客户订单。网络效应使亚马逊成为一个庞大的市场，拥有大量买家和卖家，还有许多为其他人留下宝贵的产品评价的顾客。每一个新增的顾客都增加了整个群体的价值。最终，亚马逊使用自适应系统和反馈数据来完善它的推荐引擎，以及它的智能个人助理Alexa。另外，苹果的iPhone也是一个例子。因为苹果公司可以批量生产手机，所以苹果公司可以保持较高的利润率，同时还能将价格保持在消费者可以接受的范围内。iPhone用户越来越多，也带来了充满活力的APP（手机应用程序软件）市场。由于反馈数据量越来越多，Siri（和其他一些服务）也可以不断改进。这三种效应共同作用，给市场上现有产品和服务带来了巨大进步。然而不幸的是，这三种效应也带来了市场集中—它是市场效率的致命毒药。

数据资本时代

162

阻碍新进入者

一个多世纪以来，各国已经陆续制定了各类规则，来防范市场集中的危险。但是这些规则没有普遍禁止市场集中这一现象。反垄断专家与竞争专家都知道，市场集中是一个非常值得怀疑的现象，它本身并不是干预的理由。只要大企业不滥用市场力量，规模效应和网络效应所引起的市场集中就是可以容忍的。这就是为什么1998年美国的那场差点儿导致微软解体的反垄断诉讼，把重点放在了微软的行为上，而不是它的市场地位上。同样，最近在欧洲针对谷歌的反垄断案，其重点也是该公司的行为，而不是其所占的市场份额。谷歌反垄断案认为，谷歌搜索引擎在其搜索结果中，将谷歌自己的服务排在了它的竞争对手前面。

除了审查企业行为，监管机构也在研究市场的新加入者与大型老牌企业竞争的难度。如果竞争不是很困难，新加入者有机会加入竞争行列，市场就不需要任何干预。如果新公司很难加入竞争行列，监管机构就可能准备行动了。

在制造业或连锁零售业等市场，规模起着重要的作用。这些市场的规模效应曾经给新加入者带来巨大的障碍。从传统来看，要在这些市场上达到一定规模，企业通常需要惊人的初始投资。但是，随着风险投资与低利率兴起，筹集资金变得更加容易，这就使初创企业有机会在经营规模和范围上迅速扩大。此外，由于信息处理和存储成本大幅下降，尤其是借助云计算，初创企业所需的初始投资往往比工业时代要低得多。

第8章 反馈效应

163

相比之下，网络效应确实存在一些问题。即使资金非常充裕，初创企业也很难吸引客户。通往成功的唯一路径似乎就只有创新：初创企业要拿出比现有企业好得多的产品。关于创新在多大程度上抵消了网络效应，律师和经济学家一直都在进行激烈的争论。一些人指出，占主导地位的平台会持续存在，比如个人电脑的操作系统微软视窗和社交媒体中的脸书网；而另一些人则强调，脸书网其实取代了之前的MySpace（一个社交网站)，现在它正受到Snapchat（一款“阅后即焚”照片分享应用）的威胁。Snapchat是一家聪明的初创企业，它的创新理念就是信息的阅后即焚。这些人还指出,Linux(一种操作系统)的崛起将超越微软视窗，因为个人电脑操作系统在今天已经不再那么重要了，运算通常会在移动设备和平板电脑上运行(微软在这些领域并未占有很大的市场份额)。

关键在于分享什么

到目前为止，监管机构主要关注的是规模效应和网络效应，它们尚未了解反馈效应对市场构成威胁的严重性。建立在反馈数据基础上的机器学习系统，用它所提供的服务“购买”更多的数据进行创新.其购买成本会随着用户基数的增长而降低。这种感觉就像奇妙的炼金术：将一种通过使用而产生的副产品转化为改进所需的原材料，这就像将铅转化为黄金一样。

这对市场竞争有巨大的影响。由于其庞大的客户基础，现有企业占有大量的反馈数据流，因此它也拥有强大的、基于机器的、可以随意处置的创新资源。初创企业想要与它们进行有效竞争是不可能的，因为初创公司的反馈数据总量还达不到推动产品开发的要求。

数据资本时代

164

越来越多的专家开始担心，机器学习系统正在破坏竞争，其中包括法律学者埃里尔·埃兹拉吉和莫里斯·斯图克。他们主张在现有反竞争行为规定的基础上，人们应该采取另外一些措施。还有一些人甚至建议，应该强迫大公司像开放源代码软件那样“开放”它们的算法，让竞争对手和普通大众都能接触到这些算法。

对算法开放的呼吁误判了问题的根源，对遏制市场集中起不到任何作用。算法既是学习的方法，也是学习的结果。作为方法，算法在公共领域已经得到广泛的使用。输入自适应系统的数据所产生的具体结果，可能会随着每次系统从新数据中学习到新东西而发生变化。因此，能够接触到这些具体结果，也只是相当于获得了对过去进行一次快速浏览的机会。这就像以货币为基础的市场价格，虽然价格包含一些信息，但它缺乏细节。仅靠算法，还不足以让小竞争者和新加入者与现有的竞争者竞争，因为算法不是自适应数据驱动系统在学习时所需要的原材料。

开放算法的错误不在于分享这个观念，而在于分享什么。监管机构要想确保良好的市场竞争性，就应该提出数据共享的要求，而不是提出算法透明度的要求。为此，经济学家延斯·普吕弗(JensPrüfer)和克里斯托夫·绍特穆勒（ChristophSchottmüller）提出了一个有趣的想法。他们建议，使用反馈数据的大公司共享这些数据（去掉明显的个人身份标识，并严格保证隐私不会被以不恰当的方式泄露)。在权衡这种强制性数据共享对各种不同情况的影响时，他们认为，在大多数情况下，大家的整体净收益会得到提高，特别是在一个现有企业几近统治相关市场的时候。

第8章 反馈效应

165

累进数据共享授权

基于这样的总体思路，我们提出了一个可以被称为“累进数据共享授权”的建议。一旦公司的市场份额达到起始阈值，比如10%，公司就要开始遵守这个规定。也就是说，公司就不得不与同一市场上的其他所有参与者共享其反馈数据的一部分，如果其他参与者提出类似要求。公司需要提供共享反馈数据的数量，将取决于该公司占有的市场份额。一家公司越接近统治地位，就越需要与竞争对手分享更多的数据。这不同于我们在第七章中提到的银行共享授权（尽管它们要确保市场竞争性的最终目标是相同的)。银行共享授权的关键是要降低转换银行的成本，而这里的共享是要将数据作为创新的源泉来广泛传播。

大公司收集反馈数据所带来的利益并不会遭受损失，它们收集的数据越多，其产品就会越完善。但是，由于它们必须与其他公司共享一部分数据，来自这部分数据的价值就会广泛传播。这就会让较小的竞争对手获利，帮助它们与大公司竞争。此外，实施累进杠杆原则就可以实现市场集中度越高，数据共享量也越大的目标。这是一套抗衡反馈效应的反馈机制：威胁市场竞争的数据集中度越高，就会有更强大的数据共享授权生效。

尽管大公司也可以请求从较小的公司获得反馈数据，但相对于那些小公司，大公司从额外的反馈数据中能够获得的利益要少得多。与市场上的每个参与者分享反馈数据的要求，使参与者不再会产生谎报或夸大其市场份额的动机。假设有一个由两大竞争对手把持的市场：一家拥有45%的市场份额，另一家拥有40%的市场份额，剩下15%的市场分散在许多小公司手中。如果数据共享授权只是单向的，即从最大的公司到其他较小的公司，那么两家大公司中那个占有市场份额更大一些的公司，就必须与另一家大公司分享数据。这就会鼓励大家去做市场份额游戏。然而，一个更加普遍的双向共享授权将使两家大公司都受益，因为每个公司都可以获得另一方的数据尽管相对而言，受益更多的公司将会是那些规模小的竞争对手。

数据资本时代

166

累进数据共享授权计划的目标群体，就是越来越多地使用反馈数据和自适应机器学习系统来改进服务的公司，从谷歌、脸书网、苹果、微软，一直到特斯拉。乍一看，它们可能只占了整体经济中的一小部分。然而，那些在数据驱动的自适应系统下进行的产品改进如此出色，以至一定会有越来越多的公司采用这样的系统，因此累进数据共享的范围也将进一步扩大。

虽然我们的市场正在从货币市场向海量数据市场转移，但是市场过于集中的危险并未消失，甚至可以说危险有增无减。这需要我们对那些大公司的非法行为保持警惕。我们还需要制定独立于行为之外的新措施，就像累进数据共享授权，以中和反馈效应这可以说是数据时代的网络效应。

防止出现集中控制倾向

在海量数据市场中，虽然机器学习系统与匹配算法相结合，将有助于我们做出决策（或者在某些情况下甚至为我们做出决策)，但是它们并非没有自身的结构性缺陷。

第8章 反馈效应

167

市场不仅会受到集中化的负面影响，而且会在许多市场参与者做出同样错误决定的时候，受到负面影响。比如，在许多参与者受到同一偏见的影响时，它们也会犯同样的错误。虽然市场决策是分散的但决策者仍然是人，是具有相似认知限制的人。正如我们在第四章中所建议的，这些学习系统将会在我们想要的程度上，帮助我们克服一些困扰我们的偏见，使海量数据市场不太容易受到体系性的错误决策影响而导致崩溃。比起传统货币市场，这是一个显著的改善。

但是，这不仅需要机器学习系统运转良好，而且需要它们彼此足够独立。这是一个至关重要的要求。想一想，如果自适应数据驱动的机器学习系统为我们提供的交易决策，都是由一个或者少数几个供应商提供的，那么会发生什么事情？这些供应商会更全面地影响市场决策，而且比我们过去经历过的任何市场集中化更不透明。如果海量数据市场的致命弱点，是帮助我们做出决策的自适应系统可能会带来集中控制的危险，那么我们必须坚决防止被一个或少数几家公司操控以免出现我们不得不接受商业“老大哥”控制的局面。

我们的警惕性不应该只停留在操控问题上。即使提供决策支持系统的公司完全出于好意，但是海量数据市场结构中嵌入了哪怕一个独立的故障点，也会使他们（和我们）特别容易受到来自外部的攻击。这就好像我们每个人都只驾驶同一类汽车：当我们发现有人对这类汽车的刹车系统动了手脚时，我们该怎么办？法航447号航班的飞机是空中客车，而现代空中客车飞机上的所有飞行电脑都会出现同样的反应。在那次可怕的事故之后，所有驾驶空中客车飞机的飞行员都开始被要求接受训练，来学习正确理解失速警告到底在警告什么，以及警告是什么时候发出的。我们所使用的系统的同质性放大了系统的缺陷，并可能成为整个系统的安全隐患。

数据资本时代

168

为了避免这种潜在的大范围灾难性系统错误，面对由各种提供者设计和维护的各种各样的决策辅助系统，海量数据市场参与者必须做出明智的选择。如果每个系统的设计和开发都是独立于其他系统的，它们就不会有共同的缺点。但是，要实现这种决策辅助的异质性对于我们来说是一个挑战。市场如果建立在由反馈数据驱动的系统上，就会趋于集中，可以防范系统性缺陷的激烈竞争就会被摧毁。因此，尽管市场具有内在的集中趋势，我们依然要确保决策辅助系统之间的竞争，这是海量数据市场实现可持续发展的关键。

累进数据共享授权，作为与机器学习系统相关的、市场集中问题的解决方案，其实就是一个选择机制：如果较小的竞争对手可以使用大公司的反馈数据，决策辅助系统的创新就不会只集中在头部，规模较小的公司仍然可以生存。

与其他市场一样，数据驱动的市场也需要规则（以及对规则严格执行)，这样才能确保决策分散与市场高效。与传统以货币为基础的市场不同，海量数据市场可能不那么容易受到人类系统性偏差的影响，并因此导致毁灭性崩溃。但是，要保持这种决策优势，需要为市场参与者提供帮助的系统就必须是多样的，它们必须为人类提供真正的选择。这要求我们采取独特的监管措施解决最根本的问题，即反馈数据分布极不均匀的问题。

第8章反馈效应

169