企业官网建设流程全解析

掠夺性定价不是什么新话题，百年之前就已经是反垄断法关注的焦点。但算法定价出现之后，我突然意识到，传统框架里那些看似成熟的判定标准，几乎每一个都开始站不住脚。价格可以在毫秒级被自动调整，成本数据可以被精确计算到单次点击，对手的反应可以被预测模型提前模拟，而“掠夺”这个行为的起止时间、边界和意图，全都变得模糊不清。这篇内容想聊的，就是数字时代反垄断法面对的这些现代挑战，特别是我梳理了算法定价对传统掠夺性定价判定框架的冲击之后，一个非常直观的感受——我们可能不是在用旧尺子量新布，而是在用旧尺子量一种完全不同的东西。

这篇文章适合法律从业者、竞争法研究者、平台经济的产品和运营人员，以及任何对算法如何改变市场规则感兴趣的人。我会从传统判定逻辑讲起，逐步拆解算法竞争带来的结构性变化，再聊到执法实践中最棘手的几个问题，最后分享一些我认为可行的调整方向。

1. 掠夺性定价的古典判断框架，在数据驱动世界里为何失灵

先花点时间把传统框架说清楚。很多人一听到掠夺性定价，第一反应是“低价就是原罪”，但法律逻辑从来不是这么简单。一个企业降价促销、压低毛利，在绝大多数情况下是正常的市场竞争，甚至是消费者乐见的好事。掠夺性定价之所以被禁止，不在于降价这个行为本身，而在于降价背后的目的是排挤对手，并在达到垄断地位之后抬高价格收回损失。

1.1 三个传统判定标准的逻辑起点

传统上，判断一个行为是否构成掠夺性定价，主要围绕三根支柱。

第一根是成本测试。执法者会用各种成本基准来衡量价格是否“低于成本”。用得比较多的是平均可变成本、平均总成本和边际成本这几种基准。如果一个企业把价格定在平均可变成本以下，通常被看作存在掠夺意图的强力信号，因为再生产一单位产品本身就是亏钱的，这种经营逻辑除了打击对手之外解释不通——你卖得越多亏得越多，正常的理性经营者不会这么干。

第二根是意图证据。内部邮件、高层会议纪要、战略文件里如果出现了“打垮对手”“不惜代价清场”这类表达，就会成为认定掠夺意图的重要佐证。这属于主观层面的考察，传统上执法机构很依赖这些直接证据。

第三根是补偿。即便你的确低于成本销售了，还要判断你在把对手赶出市场之后，有没有能力通过涨价把之前的亏损补回来。分析的核心是市场结构：进入壁垒够不够高、对手退出之后能不能有效重建壁垒、涨价会不会吸引新的进入者。如果补不回来，那就认定你不是掠夺，只是“打的是一笔亏本买卖”，法律不值得介入。

这三根支柱放到工业经济时代是自洽的。生产一辆汽车、炼一吨钢，可变成本很容易核算，成本曲线相对稳定，意图可以通过企业内部文件识别，补偿分析面对的也大多是厂房、设备、销售网络这类有形壁垒。但这些前提，到了数字市场几乎全部被颠覆了。

1.2 数字环境的三个变量让“成本—意图—补偿”全部失真

先说成本。数字产品和服务的成本结构与工业品有着本质差异。边际成本趋近于零是最常被提及的特征：多服务一个用户、多处理一次请求，对平台来说几乎不增加额外成本，服务器资源也往往是弹性的、冗余的。这意味着什么呢？意味着“低于边际成本定价”在数字世界里可能根本算不上掠夺——你的边际成本本身就是零或者趋近于零，怎么定都是“低于成本”，但这不是掠夺，而是数字产品的天然属性。

平均可变成本这个概念也出现问题。一个平台的“可变成本”究竟包含什么？带宽费用？算力消耗？内容审核的人力成本？这些既不像原材料那样随着产量线性增加，又不像厂房那样完全固定。一位做数据运营的朋友告诉我，他们的单位用户成本在用户量翻倍的时候反而下降了百分之四五十，因为模型训练和推荐系统的固定投入被摊薄了。这种成本结构下，成本测试的基准本身就是移动的、不稳定的，用静态的成本公式去套动态的业务逻辑，得出的结论必然失真。

再说意图。算法定价时代，价格调整通常不是由人直接做出的，而是由模型自动完成的。你翻遍某家公司的内部资料，可能都找不到一句“我要打垮竞争对手”的表述，因为真正的“决策”发生在算法迭代过程中——模型发现压价能提升市场份额，于是反复自动调低价格，直到对手退出。你能说存在主观故意吗？从人类中心主义的法律视角看，很难举证；但客观效果和掠夺性定价几乎一样。这里就出现了一个巨大的归责真空。

最后说补偿。数字市场的进入壁垒更多地表现为数据规模、网络效应、生态锁定，而不是厂房设备。这些壁垒很隐蔽，但可能比传统壁垒更坚固。一个算法型平台把对手挤出市场后，可以通过调参在极短时间内提高价格，而且由于用户已经形成了路径依赖、数据已经形成正反馈，新对手很难再进来。结果就是：掠夺行为发生得很快，补偿实现得也很容易，整个周期比工业时代短得多，但传统补偿分析框架关注的却是实体市场结构，根本来不及捕捉这种动态变化。

1.3 免费商业模式带来的最棘手悖论

还有一个更根本的悖论——免费。数字市场里大量产品本身就是免费的：搜索、社交、地图、邮箱、短视频，基础功能都不收费。价格为零。问题是，零价格是否构成掠夺性定价？

从传统框架的角度看，零价格显然低于任何正的成本基准，但这恰恰是数字平台的常规操作，甚至是所有玩家都想模仿的商业模式。如果执法机构认定免费就是掠夺，那整个互联网商业逻辑都会受到冲击。反过来，如果认为免费天然合法，那又会留下巨大的漏洞——一个拥有雄厚资本的大平台，完全可以借助免费策略把竞争对手清出市场，再通过商户端收费、广告提价、交叉补贴等方式把钱赚回来。也就是说，传统价格测试在零价格这个点上，完全失去了分辨能力。

我在这个部分想表达的核心观点是：掠夺性定价的古典框架在设计时，隐含了一套关于“价格、成本、意图、壁垒”的稳定假设。数字市场把这些假设几乎全部侵蚀掉了。那接下来要回答的问题就是，算法定价本身又给竞争行为带来了哪些全新的变量。

2. 算法定价重构了竞争行为的底层逻辑

算法参与定价不是未来概念，它已经大规模存在于我们身边。从航空公司票价、电商促销、网约车计费到广告竞价，价格早就不是由某个运营经理拍脑袋决定的了，而是由模型根据实时数据自动生成。这种变化不仅仅是“效率提升了”，它改变了竞争的底层行为模式。

2.1 算法定价不是什么科幻概念：它如何一步步接管价格决策

我把算法定价的发展粗略分成三个阶段，这样理解起来会清晰一些。

第一阶段是规则辅助。系统里预先设定好调价规则，比如“库存低于某个阈值就涨价百分之五”“竞争对手降价超过百分之三就跟进”，人仍然掌握最终决策权。这个阶段算法只是工具，谈不上自主性。第二阶段是模型预测。价格由机器学习模型生成，模型会根据历史销量、季节因素、竞品价格、用户活跃度等变量输出一个“最优价格”，运营人员只做监督和微调。到这个阶段，人已经逐渐退出了逐笔定价的环节。第三个阶段是自主学习。模型可以在线持续更新，根据真实反馈自动调整定价策略，甚至对竞争对手的调价行为进行响应和反制。某些平台已经在用强化学习的方式，让定价智能体在模拟环境中“自我博弈”，不断试错学习最优策略。这个阶段，价格决策的主体在事实上已经变成了算法。

这三个阶段的划分，对应的其实是一个关键问题：当价格由算法自动生成时，法律上的责任主体是谁？是平台？是算法开发者？还是使用算法的经营者？这个问题我在后面的部分会详细讨论，这里先聚焦行为模式本身。

2.2 动态定价与个性化定价：从统一降价到精准设价

传统掠夺性定价的分析起点，是对所有用户给出同一个低价。比如一家航空公司把所有票价打三折，所有乘客享受同样优惠，这种统一降价的覆盖面广、目的明确，相对容易识别。但算法时代的定价方式变成了两类：动态定价和个性化定价。

动态定价是把价格随时间、供需、场景实时调整。航班票价、酒店房价、网约车高峰溢价都是典型例子。个性化定价则是进一步把价格对准每一个具体用户——根据你的消费历史、搜索行为、设备型号，甚至手机剩余电量来给出“专属于你的价格”。后者在学界和监管语境里经常被讨论为“价格歧视”或者“大数据杀熟”。

这两类定价给掠夺性定价带来的新问题是：低价不再面向所有人，而是精准定向。一个平台可以只对新用户给出极具侵略性的低价，而老用户维持原价；可以只在某条线路上进行亏本定价来挤压某一个特定的小型竞争对手；可以针对对手的核心用户群体放出定向优惠券，而其他用户完全感知不到价格变化。这带来的后果是什么？从消费者整体福利的角度看，你可能根本看不到“低价”的存在，因为只有一小部分人被喂给了掠夺性价格。传统上执法者通过观察市场价格水平来判断异常，但定向低价本身具有很强的隐蔽性，不通过后台数据根本无从发现。

2.3 算法让“掠夺”变成了可迭代的学习过程

这是我个人觉得最值得关注的一点。传统概念里，掠夺性定价是一个有开始有结束的行为——你先低价，把对手赶走，然后涨价。这是一个相对线性的过程，可以用时间轴刻画。

但算法重新定义了整个过程。一个定价智能体在进行掠夺时，并不是简单地“压价到某个数值”，而是在不断学习和调整。它可以尝试在某个地区降价观察对手反应，如果对手跟进了，就换个策略；如果对手没有跟进，就继续压低。它甚至可以识别出对手的成本结构——通过观察对手在什么价格区间停止跟进，反推出对手的底线，然后精准地把价格压到刚好让对方不赚钱但自己还能承受的水平。这个学习过程是动态的、试错式的、可以无限迭代的。

更微妙的是，哪怕算法本身并没有一个明确的“干掉对手”的目标，它也可能在追求其他KPI（比如市场份额、用户增长、留存率）的过程中，自然演化出排挤性的定价行为。这就引出了一个根本性问题：掠夺意图这个要素，在算法决策的语境下究竟怎么理解？如果一个算法的训练目标是“在预算约束内最大化市场渗透率”，那么它必然产生低于某个成本线的价格，这算不算有掠夺意图？我倾向于认为，此时应该考察的是算法设计目标与市场效果的客观关系，而非纠结于“算法是否具有主观恶意”这种本质上无解的问题。算法的每一步迭代都在产生微小的、难以察觉的排挤效应，等到总效应积累到足以改变市场结构时，法律再介入已经太晚了。这正是算法竞争给反垄断法带来的真正现代挑战——应对一个会学习的对手，传统的事后干预逻辑天然处于劣势。

3. 边界地带：掠夺性定价与合法竞争的模糊分野

理解了算法定价如何改变竞争行为之后，更棘手的问题在于，整合了算法的主动定价策略，不仅改变了竞争的行为方式，也让掠夺性定价和合法竞争的边界变得极为模糊，很多原本可以用来判定“是否越界”的可靠信号都逐渐失效了。

3.1 渗透定价、规模经济与“良性低价”的辩护空间

先看一种常见的辩护场景。很多数字平台在进入一个新市场时，会用非常激进的低价策略快速获取用户。这种策略有一个普遍采用的商业概念——渗透定价。渗透定价和掠夺性定价在行为表现上几乎一模一样，都是降价、让利、追求市场份额最大化。区别在哪里？理论上说，渗透定价是进入者打开市场的正常手段，掠夺性定价是在位者排挤对手的反竞争工具。但实际场景中，一个拥有巨大资本优势的“在位者”跨界进入相邻市场时，它究竟是“进入者”还是“掠夺者”？从市场相对位置看，它在目标市场里确实是新人，可以采用渗透定价的逻辑为自己辩护；但从资本体量和生态影响力看，它又完全有能力把市场里的原生小玩家击垮。这个身份问题，传统反垄断框架里没有清晰的答案。

数据成本又给这个过程加了新的辩护空间。规模经济效应意味着，体量越大，单位成本越低，平台完全可以说自己的低价是真实成本优势带来的，是正常的规模竞争。当你可以用规模经济解释自己的低价时，“低于成本”这个指控在成本核算口径上便很难坐实——因为这种成本优势确实是客观存在的。短时间内你无法辨别这种低价是源于真实的成本优势，还是源于主观的排挤策略，等到你能辨别出来的时候，可能市场已经被清洗了一轮。

3.2 算法共谋问题：平行行为与传统分析工具的错位

另一个边界模糊地带，是这个时代特有的问题——算法共谋。这里的共谋不需要任何企业间接触、会议或协议。两个平台各自使用相似的定价算法，在观察彼此行为的过程中逐步走向协调，价格维持在接近垄断的水平。它们甚至从未说过一句话，但事实上实现了“默契”合谋。

这类行为的可怕之处在于，它完全绕开了传统反垄断法对“共谋协议”的前提要求。法律处理合谋的起点是证明当事人之间有明示或默示的“合意”，但算法实现的结果可能是纯粹通过机器学习涌现出来的。你无法证明两位经营者之间有“意思联络”，因为它们真的没有。这种情况下的市场价格稳定，是算法智能体从无数次模拟博弈中学到的“最佳策略”：维持高价对双方都有利，选择降价会招致对手报复，所以最优选择是“和平共处”。你看，这种结果不需要人站出来达成任何协议，只需要算法足够聪明就能自己“想明白”。

我在这里把算法平行行为专门拿出来讲，是因为它在实践中最容易被误读为“良性竞争”。市场观察者看到两个平台的价格走势高度一致，第一反应往往是“竞争很激烈，大家都咬得很紧”——但实际上，这种“咬得很紧”更可能是相互监控形成的僵局，而非真正的价格竞争。真正有说服力的诊断逻辑，我认为要看价格对成本扰动的反应：如果成本上升时价格同步上升，成本下降时价格却不下降——近乎刚性——那么这更像一种协调定价的迹象，而不是竞争的结果。一个健康的竞争市场应该是双向灵敏的：成本降，价格跟着降；成本升，价格略微升。而算法协调的市场上，价格往往是“向上容易向下难”。

3.3 数据与算力优势是否构成新的市场进入壁垒

说完共谋，再来看壁垒问题。传统反垄断法分析市场进入壁垒时，考察的是许可证、专利、资源控制、网络效应这些因素。数字时代的竞争多了两个进入壁垒领域：数据和算力。这直接关系到掠夺性定价补偿分析的有效性。

某位测算过零售行业定价模型的朋友给我算过一笔账：一个没有历史销售数据和用户行为数据的新进入者，想要训练一个靠谱的定价模型，至少需要获取数千万级别的交易样本。如果它没有这些数据，就只能用通用模型或者人工定价，价格精度和迭代速度都会被在位平台碾压。这实际上构成了一种超强的进入屏障：对手就算看到你的高价，也无力复制你的定价能力，更无法把成本降到你的水平。

算力壁垒同样不可忽视。强化学习定价智能体需要大量的GPU资源和仿真环境进行试错训练，这些都需要真金白银的投入。算力本身就是一种稀缺资源，无法通过短期“烧钱”快速补课。因此，当一个拥有数据和算力双重优势的平台实施低价策略时，它本质上是在用自己的数据飞轮和算力优势来压制对手，而这些优势在传统反垄断框架里根本不是需要考察的因素。我越来越倾向于认为，数据和算力优势理应被纳入市场支配地位的评估范畴，否则对“补偿回收”的分析就是不完整的——你会低估在位者在排挤成功后重新涨价并阻止进入的能力。

4. 执法工具箱的更新方向与实际难点

前面说的都是问题本身，最后一个部分聊聊可能的出路。我不打算给出一个完美答案，因为现实中也没有人真正找到了完美答案。我认为现在最重要的是调整分析框架的底层方法，让执法工具跟上算法行为的节奏。

4.1 认定标准需要从“价格与成本比较”走向“行为效果评估”

传统的成本测试法在数字时代应该继续保留参考价值，但不能作为唯一的决定性标准。一个更合理的做法，可能是把分析的重心从静态的成本对比转向动态的行为效果评估。换句话说，不必非要证明价格低于某个成本基准，而是去分析：在给定环境下，这种行为是否产生了显著的排挤效果，是否在没有正当商业理由的情况下损害了市场竞争结构和消费者长远利益。

具体的考察维度可以包括：该定价策略是否针对特定竞争对手定向发起、是否有正当的技术或效率理由、是否显著提高了市场集中度、是否在被攻击的核心市场或相邻市场形成了对竞争的实质性妨碍。把这些因素放在一个综合权衡的框架里评估，可能比盯着成本公式硬套更有解释力。

对于算法定价这种自动化的行为，还可以考虑引入“设计审查”的思路。即：如果平台使用的定价算法在合理设定参数时就会产生排挤效果，那即便无法证明主观恶意，也应基于其客观行为进行规制。这有点像产品责任法里的“缺陷设计”概念——你的产品设计本身有危险，无需证明你主观上想害人。

4.2 举证难与执法能力的现实落差

这是执法实践中最让人头疼的部分，我在这里坦率地说。从执法机构的现实角度看，算法定价案件在举证层面相当棘手，核心障碍来自几个方面。

数据可及性是很典型的问题。定价算法的输入特征、模型参数、训练数据和决策日志都存储在企业私有服务器中，执法机构需要获取这些数据才能还原行为逻辑。但这类数据往往以商业秘密为由被严格保护，取证过程会遇到大量法律与技术的挑战。

算法透明性是另一个难点。很多先进的定价模型是深度神经网络，其内部运作机制本身就难以解释（算法可解释性问题）。即便执法机构拿到了模型代码，也未必能说清楚它为什么会做出某些定价决策。面对一个自己都可能解释不清的黑箱模型，要从其中寻找“掠夺意图”的证据，几乎等同于大海捞针。

执法专业能力的不足也很现实。反垄断执法机构的人员构成以法学和经济学背景居多，但算法定价案件高度依赖数据科学、机器学习和系统工程知识。一个执法人员如果看不懂模型输出的特征重要性排序，就很难理解究竟是哪些因素驱动了价格决策。要在机构内部建立真正的算法审计能力，需要大量的跨学科投入和持续训练，而这并非短期内能完成的工程。

现实可行的路径也许是“以算法对抗算法”。执法机构开发自己的定价监控系统和异常检测模型，通过对市场公开数据的持续性抓取和分析，识别出那些存在排挤模式的可疑定价行为。这种方法不需要访问企业内部数据，而是从行为结果倒推规律，能在相当程度上绕过举证难题。

4.3 平台自我优待、排他性协议与定价行为的叠加效应

最后要提醒一个容易被忽视的问题：掠夺性定价很少孤立发生。在真实的平台竞争里，低价策略往往与自我优待、独家协议、强制二选一、流量倾斜等行为叠加在一起，形成一个完整的排挤体系。

举一个虚拟但完全符合行业逻辑的例子。某平台要进入一个新领域，它同时在三个方面发力：第一，对新领域里的核心商家提供极低的佣金率甚至补贴（定价维度）；第二，在自己的主站流量分发上，优先展示这个新领域里的自营商品或合作商家（自我优待维度）；第三，与头部商家签订独家合作协议，禁止它们使用竞争对手的渠道（排他维度）。三个行为叠加在一起，效果就远远大于单纯的掠夺性定价——低价负责吸引用户，流量倾斜负责提高转化，排他协议负责切断对手的供给端。如果你只盯着定价行为本身去审查，看到的是“打折促销、正常经营”；但放在整体框架里看，这分明是一场系统性的排挤战术。

所以在评价定价行为时，不能只看价格，必须把它放到整个竞争策略的版图里去定位。一个行为是否构成掠夺性定价，要结合自身能力和整体商业安排来判断。如果某个价格让利看起来只是大战略中的一环，那么即便它在静态成本测试中“合法”，它在战略层面依然可能构成排除竞争的措施。

这一点想清楚之后，回到开头的问题，我们就能更明确地看到：算法竞争带来的不是某一条规则的修补，而是整套分析框架的重构。传统反垄断法假设的“理性经营者”在数字时代已经变成了一个可以自主学习、无限迭代的算法智能体。行为的时间尺度、空间范围和因果关系，都和以前不一样了。我们既不能让法律跑得太快，阻碍正常的效率竞争，更不能因为工具跟不上，就放任算法悄悄完成市场的静默清场。我自己现在做相关分析时，已经习惯了先问三个问题：数据流向了哪里，算法在优化什么目标，以及长期均衡下还有没有第二家能活下来。把这三个问题想清楚之后，很多定价疑案会变得明朗很多。