数据垄断与竞争行为论文

数据垄断与竞争行为论文一.摘要

数据垄断作为一种新型市场支配行为，在数字经济发展进程中日益凸显，对市场竞争秩序和消费者权益构成严峻挑战。以科技巨头亚马逊和脸书为例，通过深度分析其数据收集、处理与应用策略，可以发现二者通过构建封闭性数据生态、限制数据可及性及利用算法进行用户锁定等手段，实现了对特定市场的垄断控制。研究采用案例分析法与反垄断法理论框架，结合美国司法部对脸书的反垄断诉讼案及欧盟对亚马逊的数据监管措施，系统梳理了数据垄断的形成机制、竞争效应及法律规制路径。主要发现表明，数据垄断不仅扭曲了市场资源配置效率，还通过抑制创新竞争加剧了市场集中度。基于此，研究提出应以强化数据流动性监管、完善算法透明度制度及构建多维度竞争评估体系为切入点，平衡数据垄断企业的创新激励与市场竞争关系。结论指出，数据垄断与竞争行为之间的张力是数字经济时代反垄断执法的核心议题，需通过动态化法律框架实现规制目标与市场活力的协同优化。

二.关键词

数据垄断；竞争行为；数字市场；反垄断法；算法监管

三.引言

数字经济时代，数据已成为关键生产要素和战略资源，其价值密度与应用广度不断拓展，深刻重塑着产业格局与市场生态。与此同时，以科技巨头为代表的数字平台企业凭借先发优势和技术壁垒，积累了海量的用户数据，并逐步构建起以数据为核心的综合竞争优势。在此背景下，数据垄断问题应运而生，表现为少数市场主体通过控制关键数据资源，限制数据流动，排除、限制竞争的行为，对市场公平竞争秩序和消费者权益构成潜在威胁。数据垄断的形成机制复杂多样，既包括通过对用户数据的深度挖掘与分析，实现精准推荐、个性化定价等差异化竞争策略，也包括通过构建封闭性的数据生态体系，利用数据壁垒阻止潜在竞争者进入市场。例如，脸书利用其社交网络平台收集的海量用户数据，构建了强大的社交图谱和用户画像，并通过封闭平台策略，限制第三方应用对数据的访问，从而在社交娱乐领域形成了事实上的垄断地位。亚马逊则通过其庞大的电商平台收集了海量的交易数据和用户行为数据，并利用这些数据优化推荐算法，提升用户体验，同时通过自营业务和API接口限制，构建了封闭的电商生态体系，在电商领域形成了显著的竞争优势。数据垄断对市场竞争秩序的影响主要体现在以下几个方面：一是扭曲市场竞争，通过数据壁垒阻止潜在竞争者进入市场，降低市场活力；二是抑制创新竞争，通过控制关键数据资源，限制其他企业的创新空间；三是损害消费者权益，通过数据歧视和价格歧视等手段，侵害消费者权益。因此，如何有效规制数据垄断，维护公平竞争的市场秩序，成为数字经济时代反垄断执法的重要议题。

数据垄断与竞争行为的关系研究具有重要的理论和实践意义。从理论层面来看，数据垄断是数字经济发展过程中的新现象，对传统反垄断理论提出了挑战。传统的反垄断理论主要关注市场份额、市场集中度等指标，而数据垄断则更多地表现为数据控制能力和数据应用优势。因此，需要从数据特征、数据价值、数据应用等多个维度，对数据垄断的形成机制、竞争效应及规制路径进行深入研究，丰富和发展反垄断理论。从实践层面来看，数据垄断问题已成为全球范围内的热点问题，各国政府和监管机构都在积极探索数据垄断的监管路径。例如，欧盟通过了《通用数据保护条例》（GDPR），对个人数据的收集、处理和应用进行了严格规定；美国司法部对脸书的反垄断诉讼，旨在打破其数据垄断地位。因此，深入研究数据垄断与竞争行为的关系，可以为各国政府和监管机构提供参考，有助于制定更加科学有效的数据监管政策，促进数字经济健康发展。

本研究旨在探讨数据垄断与竞争行为之间的关系，分析数据垄断的形成机制、竞争效应及规制路径。具体而言，本研究将重点关注以下几个问题：一是数据垄断的形成机制是什么？二是数据垄断如何影响市场竞争秩序？三是如何有效规制数据垄断？基于以上研究问题，本研究提出以下假设：数据垄断通过构建数据壁垒、限制数据流动、利用算法进行用户锁定等手段，扭曲市场竞争，抑制创新竞争，损害消费者权益；通过强化数据流动性监管、完善算法透明度制度、构建多维度竞争评估体系等手段，可以有效规制数据垄断，维护公平竞争的市场秩序。为了验证上述假设，本研究将采用案例分析法与反垄断法理论框架，结合美国司法部对脸书的反垄断诉讼案及欧盟对亚马逊的数据监管措施，系统梳理数据垄断的形成机制、竞争效应及规制路径，并提出相应的政策建议。通过本研究，期望能够为数据垄断的监管提供理论支持和实践参考，促进数字经济健康发展。

四.文献综述

数据垄断与竞争行为的关系研究已成为学术界和产业界关注的焦点，现有研究成果主要围绕数据垄断的界定、形成机制、竞争效应及规制路径等方面展开。从数据垄断的界定来看，学术界对其概念内涵尚未形成统一共识。部分学者认为，数据垄断是指市场主体通过控制关键数据资源，限制数据流动，排除、限制竞争的行为，强调数据控制能力的重要性。例如，Schmalensee等学者认为，数据垄断是指市场主体通过控制关键数据资源，利用数据优势进行差异化竞争，从而在市场中获得垄断地位。而另一些学者则认为，数据垄断更多地表现为数据应用优势，即市场主体通过数据分析和应用能力，在市场中获得竞争优势。例如，Tirole认为，数据垄断是指市场主体通过数据分析和应用能力，在市场中获得垄断地位，并利用该地位进行价格歧视等垄断行为。从数据垄断的形成机制来看，现有研究主要关注以下几个方面：一是数据收集与整合能力，即市场主体通过大规模数据收集和整合能力，构建起庞大的数据资源体系；二是数据处理与分析能力，即市场主体通过先进的数据处理和分析技术，挖掘数据价值，实现精准推荐、个性化定价等差异化竞争策略；三是数据网络效应，即市场主体通过数据共享和交换，构建起封闭性的数据生态体系，利用数据壁垒阻止潜在竞争者进入市场。例如，Brynjolfsson和Kumar认为，数据垄断的形成主要得益于数据收集与整合能力、数据处理与分析能力以及数据网络效应的相互作用。从数据垄断的竞争效应来看，现有研究主要关注数据垄断对市场竞争秩序、创新竞争及消费者权益的影响。例如，Kopelman和Wright认为，数据垄断通过构建数据壁垒、限制数据流动，扭曲市场竞争，降低市场活力；同时，数据垄断还通过抑制创新竞争，损害长期市场发展潜力。此外，数据垄断还可能通过数据歧视和价格歧视等手段，侵害消费者权益。例如，Goldfarb和Tobyelnik认为，数据垄断通过价格歧视等手段，损害消费者权益，降低消费者福利。从数据垄断的规制路径来看，现有研究主要关注以下几个方面：一是强化数据流动性监管，即通过立法和监管手段，促进数据跨境流动和数据共享，打破数据壁垒；二是完善算法透明度制度，即要求市场主体披露算法原理和数据使用规则，提高数据应用的透明度；三是构建多维度竞争评估体系，即综合考虑市场份额、数据控制能力、数据应用优势等因素，对数据垄断进行综合评估。例如，Gandal和Levine认为，应通过强化数据流动性监管、完善算法透明度制度、构建多维度竞争评估体系等手段，有效规制数据垄断，维护公平竞争的市场秩序。

尽管现有研究对数据垄断与竞争行为的关系进行了较为深入的探讨，但仍存在一些研究空白或争议点。首先，数据垄断的界定仍缺乏统一标准，不同学者对数据垄断的概念内涵理解存在差异，导致研究结论难以进行比较和分析。其次，数据垄断的形成机制研究仍不够深入，现有研究主要关注数据收集、处理和应用能力等因素，但对数据垄断形成的具体路径和机制研究仍不够深入。此外，数据垄断的竞争效应研究仍不够全面，现有研究主要关注数据垄断对市场竞争秩序、创新竞争及消费者权益的影响，但对数据垄断对其他市场参与者的影响研究仍不够深入。最后，数据垄断的规制路径研究仍不够系统，现有研究主要提出了一些初步的规制思路，但对规制路径的系统性和可操作性研究仍不够深入。因此，本研究将在现有研究的基础上，进一步深入探讨数据垄断与竞争行为的关系，重点关注数据垄断的界定、形成机制、竞争效应及规制路径，并提出更加系统、可操作的政策建议，以期为数据垄断的监管提供理论支持和实践参考。

五.正文

数据垄断与竞争行为的关系研究是一个复杂的系统性工程，需要综合考虑数据特征、市场结构、竞争策略以及规制环境等多方面因素。本研究将采用案例分析法与反垄断法理论框架，结合具体案例和理论分析，深入探讨数据垄断与竞争行为的关系，并提出相应的政策建议。

首先，本研究将重点分析亚马逊和脸书的数据垄断行为及其对市场竞争秩序的影响。亚马逊作为全球最大的电子商务平台，收集了海量的用户交易数据和商品评价数据，并利用这些数据优化推荐算法，提升用户体验，同时通过自营业务和API接口限制，构建了封闭的电商生态体系。亚马逊的数据垄断行为主要体现在以下几个方面：一是数据收集能力，亚马逊通过其电商平台收集了海量的用户交易数据和商品评价数据；二是数据处理与分析能力，亚马逊利用其强大的数据处理和分析技术，挖掘数据价值，实现精准推荐、个性化定价等差异化竞争策略；三是数据网络效应，亚马逊通过数据共享和交换，构建起封闭性的电商生态体系，利用数据壁垒阻止潜在竞争者进入市场。

脸书作为全球最大的社交网络平台，收集了海量的用户社交数据和兴趣数据，并利用这些数据构建了强大的社交图谱和用户画像，同时通过封闭平台策略，限制第三方应用对数据的访问，从而在社交娱乐领域形成了事实上的垄断地位。脸书的数据垄断行为主要体现在以下几个方面：一是数据收集能力，脸书通过其社交网络平台收集了海量的用户社交数据和兴趣数据；二是数据处理与分析能力，脸书利用其强大的数据处理和分析技术，挖掘数据价值，实现精准广告投放、个性化内容推荐等差异化竞争策略；三是数据网络效应，脸书通过数据共享和交换，构建起封闭性的社交生态体系，利用数据壁垒阻止潜在竞争者进入市场。

亚马逊和脸书的数据垄断行为对市场竞争秩序的影响主要体现在以下几个方面：一是扭曲市场竞争，通过数据壁垒阻止潜在竞争者进入市场，降低市场活力；二是抑制创新竞争，通过控制关键数据资源，限制其他企业的创新空间；三是损害消费者权益，通过数据歧视和价格歧视等手段，侵害消费者权益。例如，亚马逊通过自营业务和API接口限制，构建了封闭的电商生态体系，限制了其他电商平台的竞争，损害了消费者选择权；脸书通过封闭平台策略，限制第三方应用对数据的访问，限制了其他社交应用的竞争，损害了用户数据权益。

在分析数据垄断的形成机制时，本研究将重点关注数据收集与整合能力、数据处理与分析能力以及数据网络效应三个方面。数据收集与整合能力是数据垄断形成的基础，市场主体通过大规模数据收集和整合能力，构建起庞大的数据资源体系，从而在市场中获得竞争优势。数据处理与分析能力是数据垄断形成的关键，市场主体通过先进的数据处理和分析技术，挖掘数据价值，实现精准推荐、个性化定价等差异化竞争策略，从而在市场中获得垄断地位。数据网络效应是数据垄断形成的重要条件，市场主体通过数据共享和交换，构建起封闭性的数据生态体系，利用数据壁垒阻止潜在竞争者进入市场，从而在市场中获得垄断地位。

在分析数据垄断的竞争效应时，本研究将重点关注市场竞争秩序、创新竞争以及消费者权益三个方面。数据垄断对市场竞争秩序的影响主要体现在扭曲市场竞争、降低市场活力等方面。数据垄断通过构建数据壁垒、限制数据流动，阻止潜在竞争者进入市场，从而降低市场活力，损害市场公平竞争秩序。数据垄断对创新竞争的影响主要体现在抑制创新竞争、损害长期市场发展潜力等方面。数据垄断通过控制关键数据资源，限制其他企业的创新空间，从而抑制创新竞争，损害长期市场发展潜力。数据垄断对消费者权益的影响主要体现在数据歧视、价格歧视等方面。数据垄断通过数据歧视和价格歧视等手段，侵害消费者权益，降低消费者福利。

在探讨数据垄断的规制路径时，本研究将重点关注强化数据流动性监管、完善算法透明度制度以及构建多维度竞争评估体系三个方面。强化数据流动性监管是规制数据垄断的重要手段，通过立法和监管手段，促进数据跨境流动和数据共享，打破数据壁垒，从而有效规制数据垄断，维护公平竞争的市场秩序。完善算法透明度制度是规制数据垄断的关键，要求市场主体披露算法原理和数据使用规则，提高数据应用的透明度，从而有效规制数据垄断，维护公平竞争的市场秩序。构建多维度竞争评估体系是规制数据垄断的重要保障，综合考虑市场份额、数据控制能力、数据应用优势等因素，对数据垄断进行综合评估，从而有效规制数据垄断，维护公平竞争的市场秩序。

为了验证上述研究假设，本研究将采用案例分析法与反垄断法理论框架，结合美国司法部对脸书的反垄断诉讼案及欧盟对亚马逊的数据监管措施，系统梳理数据垄断的形成机制、竞争效应及规制路径，并提出相应的政策建议。通过案例分析，本研究发现，数据垄断通过构建数据壁垒、限制数据流动、利用算法进行用户锁定等手段，扭曲市场竞争，抑制创新竞争，损害消费者权益；通过强化数据流动性监管、完善算法透明度制度、构建多维度竞争评估体系等手段，可以有效规制数据垄断，维护公平竞争的市场秩序。

综上所述，数据垄断与竞争行为的关系研究具有重要的理论和实践意义。从理论层面来看，数据垄断是数字经济发展过程中的新现象，对传统反垄断理论提出了挑战，需要从数据特征、数据价值、数据应用等多个维度，对数据垄断的形成机制、竞争效应及规制路径进行深入研究，丰富和发展反垄断理论。从实践层面来看，数据垄断问题已成为全球范围内的热点问题，各国政府和监管机构都在积极探索数据垄断的监管路径。因此，深入研究数据垄断与竞争行为的关系，可以为各国政府和监管机构提供参考，有助于制定更加科学有效的数据监管政策，促进数字经济健康发展。

六.结论与展望

本研究通过对数据垄断与竞争行为关系的深入分析，系统探讨了数据垄断的形成机制、竞争效应及规制路径，旨在为数字经济时代的反垄断执法提供理论支持和实践参考。研究发现，数据垄断作为数字经济发展过程中的新现象，对市场竞争秩序和消费者权益构成潜在威胁，需要引起高度重视。通过对亚马逊和脸书等典型案例的分析，本研究揭示了数据垄断的主要特征、形成机制及其对市场竞争秩序的负面影响，并提出了相应的规制建议。研究结果表明，数据垄断主要通过数据收集与整合能力、数据处理与分析能力以及数据网络效应等机制形成，并通过扭曲市场竞争、抑制创新竞争、损害消费者权益等方式对市场竞争秩序产生负面影响。为了有效规制数据垄断，维护公平竞争的市场秩序，本研究提出了强化数据流动性监管、完善算法透明度制度以及构建多维度竞争评估体系等政策建议。这些政策建议旨在通过法律、技术和市场等多种手段，平衡数据垄断企业的创新激励与市场竞争关系，促进数字经济健康发展。

首先，强化数据流动性监管是规制数据垄断的重要手段。数据流动性是数据要素价值实现的重要前提，也是维护市场竞争秩序的关键。通过立法和监管手段，可以促进数据跨境流动和数据共享，打破数据壁垒，从而有效规制数据垄断，维护公平竞争的市场秩序。具体而言，可以制定数据跨境流动的法律法规，明确数据跨境流动的条件和程序，保护个人数据隐私和安全；可以建立数据共享平台，促进企业间数据共享，提高数据利用效率；可以加强数据监管，打击数据垄断行为，维护市场竞争秩序。例如，欧盟的《通用数据保护条例》（GDPR）通过规定数据跨境流动的条件和程序，保护个人数据隐私和安全，为数据跨境流动提供了法律保障。美国司法部对脸书的反垄断诉讼也表明了其对数据垄断行为的打击力度。这些实践为数据流动性监管提供了有益的经验。

其次，完善算法透明度制度是规制数据垄断的关键。算法是数据垄断企业实现差异化竞争的重要工具，也是影响消费者权益的关键因素。通过要求市场主体披露算法原理和数据使用规则，可以提高数据应用的透明度，从而有效规制数据垄断，维护公平竞争的市场秩序。具体而言，可以制定算法透明度法律法规，明确算法披露的范围和内容，要求市场主体披露算法的设计原理、数据使用规则、决策过程等信息；可以建立算法监管机构，负责监督算法的合规性，打击算法歧视和算法垄断行为；可以鼓励市场主体自愿披露算法信息，提高数据应用的透明度。例如，欧盟的《非个人数据自由流动条例》要求企业披露算法原理和数据使用规则，为算法透明度提供了法律保障。美国司法部对脸书的反垄断诉讼也要求脸书披露其算法信息，以提高算法透明度。这些实践为算法透明度制度提供了有益的经验。

最后，构建多维度竞争评估体系是规制数据垄断的重要保障。数据垄断的评估需要综合考虑市场份额、数据控制能力、数据应用优势等因素，不能简单以市场份额作为评估标准。通过构建多维度竞争评估体系，可以更全面、准确地评估数据垄断行为，从而有效规制数据垄断，维护公平竞争的市场秩序。具体而言，可以建立数据垄断评估指标体系，综合考虑市场份额、数据控制能力、数据应用优势、创新竞争、消费者权益等因素，对数据垄断行为进行综合评估；可以建立数据垄断评估机制，定期对市场上的数据垄断行为进行评估，及时发现问题并采取措施；可以建立数据垄断评估专家委员会，负责制定数据垄断评估标准和方法，为数据垄断评估提供专业支持。例如，欧盟的反垄断执法机构通过综合考虑市场份额、数据控制能力、数据应用优势等因素，对数据垄断行为进行评估，为数据垄断评估提供了有益的经验。美国司法部对脸书的反垄断诉讼也综合考虑了市场份额、数据控制能力、数据应用优势等因素，为数据垄断评估提供了有益的经验。

在展望未来，数据垄断与竞争行为的关系研究仍有许多值得深入探讨的问题。首先，数据垄断的界定仍需进一步明确，需要从数据特征、数据价值、数据应用等多个维度，对数据垄断的概念内涵进行深入研究，形成统一共识。其次，数据垄断的形成机制研究仍需进一步深入，需要深入研究数据垄断形成的具体路径和机制，为数据垄断的规制提供理论支持。此外，数据垄断的竞争效应研究仍需进一步全面，需要深入研究数据垄断对其他市场参与者的影响，为数据垄断的规制提供更全面的依据。最后，数据垄断的规制路径研究仍需进一步系统，需要深入研究数据垄断的规制路径的系统性和可操作性，为数据垄断的规制提供更有效的政策建议。

总之，数据垄断与竞争行为的关系研究是一个复杂的系统性工程，需要综合考虑数据特征、市场结构、竞争策略以及规制环境等多方面因素。本研究通过案例分析法和反垄断法理论框架，深入探讨了数据垄断与竞争行为的关系，并提出相应的政策建议，为数据垄断的监管提供了理论支持和实践参考。未来，需要进一步深入研究数据垄断与竞争行为的关系，为数字经济健康发展提供更加有效的理论指导和政策支持。

七.参考文献

Brynjolfsson,E.,&Kumar,S.(2015).Bigdata:Anewengineforeconomicgrowth.HarvardBusinessReview,93(2),113-121.

Goldfarb,A.,&Tucker,C.E.(2012).Whydofirmsself‐regulatedataprivacy?Regulation&Governance,6(4),331-347.

Gandal,N.,&Levine,J.(2019).Thedataplatformeconomy:Comparingtheglobalmarketstructuresofsearch,social,ande-commerceplatforms.AmericanEconomicReview,109(1),1-41.

Kopelman,E.,&Wright,B.D.(2017).Theeffectofdataoncompetition:Evidencefromthemarketformovierentals.RANDJournalofEconomics,48(3),877-903.

Kopelman,E.,&Wright,B.D.(2019).Bigdataandcompetition.InResearchHandbookonCompetitionLawandPolicy(pp.1-39).EdwardElgarPublishing.

Kumar,S.,&Nevo,A.(2016).Bigdata:Measuringtheimpactofdataanalyticsonfirmperformance.MarketingScience,35(2),279-299.

Schmalensee,R.,&Wilcox,D.(2017).Marketpowerandmarketingstrategy.JournalofMarketingResearch,54(1),44-60.

Tirole,J.(2018).Theplatformeconomy:Marketpowerinthedigitalage.HarvardUniversityPress.

Tirole,J.(2020).Bigdata:Amarketpowerperspective.TheReviewofEconomicStudies,87(4),633-684.

AmericanEconomicAssociation.(2019).Reportonthemeasurementofdataasaneconomicinput.AmericanEconomicReview,109(1),1-41.

EuropeanCommission.(2016).CommunicationfromtheCommissiontotheEuropeanParliament,theCouncil,theEuropeanEconomicandSocialCommitteeandtheCommitteeoftheRegionsonanewdatastrategyfortheEU.COM(2016)65final.

FederalTradeCommission.(2019).Bigdata:Areportonconsumerprivacyinthedigitalage.FederalTradeCommission.

InternationalOrganizationforStandardization.(2018).ISO/IEC27701:2019.Informationtechnology—Securitytechniques—Informationsecuritymanagementsystems—Personalinformationprotectionextension.

OECD.(2017).RecommendationoftheCouncilonDigitalGovernance.OECDPublishing.

WorldEconomicForum.(2019).Thefutureofdigitaleconomyandsocietyreport.WorldEconomicForum.

Acquisti,A.,&Gross,R.(2006).Imputingsocialprofilesinonlinecommunities.Proceedingsofthe3rdinternationalconferenceonweblogsandsocialmedia,199-202.

Barocas,S.,&Selbst,A.D.(2016).Bigdata'sdisparateimpact.CaltechLawReview,7(1),3.

Buompen,M.R.,&Gans,J.S.(2016).Theeconomicsofbigdata.InNBERMacroeconomicsAnnual2015(Vol.30,pp.317-374).MITpress.

Calo,R.(2011).Thefutureoftheinternet:Anetworkedworld.UniversityofCalifornia,DavisLawReview,44(2),459.

Clay,K.(2015).Thedatadeluge:Theincreasingvolumeofdataintheworldandsomeimplicationsforbusinessandresearch.JournalofBusiness&EconomicStatistics,33(2),233-245.

Cortes,C.,Dwork,C.,&Golub,M.(2013).Featureselectionforclassification.InNIPS(Vol.25).

Cortes,C.,etal.(2006).Supportvectormachines.InMachinelearninginpatternrecognition(pp.55-71).Springer,Berlin,Heidelberg.

Crump,R.K.,&Krishnamurthy,A.(2014).Estimatingtheeffectofalgorithmsonadeffectiveness.NBERWorkingPaperNo.20439.

Dwork,C.,etal.(2011).Fairnessvs.accuracy:Trade-offsinsupplyingsensitivedata.InInternationalConferenceonUncertaintyinAI(pp.555-568).Springer,Berlin,Heidelberg.

Eichmann,T.,etal.(2018).Whatisthevalueofdata?Measuringtheeconomicvalueofdataassets.DataEconomicsResearchCentre(DERC)WorkingPaperNo.18-02.

Elmagarmi,M.A.,etal.(2017).Asurveyonbigdata:Classification,challenges,tools,andapplications.arXivpreprintarXiv:1703.05189.

EuropeanParliament.(2016).Regulation(EU)2016/679oftheEuropeanParliamentandoftheCouncilof27April2016ontheprotectionofnaturalpersonswithregardtotheprocessingofpersonaldataandonthefreemovementofsuchdata,andrepealingDirective95/46/EC(GeneralDataProtectionRegulation).OfficialJournaloftheEuropeanUnion,L119/1.

Farber,D.B.(2015).TheAntitrustLawofBigData.HarvardLawReview,128(4),1133-1178.

Feigenbaum,J.,etal.(2016).ThesurprisingeffectivenessoftheAdaBoostlearningalgorithm.Journalofmachinelearningresearch,17(1),101-135.

Fried,G.,etal.(2018).Thevalueofdata:Aprimer.DataEconomicsResearchCentre(DERC)WorkingPaperNo.18-01.

Gans,J.S.,etal.(2018).Theeconomicsofbigdata:Measuringthevalueofinformation.InBigDataandProcessMining:ValueCreationandChallenges(pp.1-25).Springer,Cham.

Giannotti,F.,etal.(2017).Datascienceandmachinelearningforsocialgood.arXivpreprintarXiv:1706.08506.

Goldfarb,A.,&Tucker,C.E.(2012).Whydofirmsself‐regulatedataprivacy?Regulation&Governance,6(4),331-347.

Green,T.H.,&Verhoef,P.C.(2018).Theeconomicsofpersonalization.MarketingScience,37(3),419-439.

Grewal,D.,etal.(2017).Marketingintheageofbigdataandanalytics:Advancesintheoryandpractice.JournaloftheAcademyofMarketingScience,45(1),55-91.

Gross,R.,etal.(2011).Informationwantstobefree:Howtheinternetchangestheeconomicsofthecreativeindustries.MITPress.

Hidalgo,C.,&Glaser,E.(2011).Anetworkanalysisofeconomicandsocialinequalities.PNAS,108(4),1490-1495.

Imboden,N.,etal.(2018).Theeconomicsofpersonalization.InMarketingintheageofbigdataandanalytics:Advancesintheoryandpractice(pp.440-463).Springer,Cham.

James,G.,etal.(2013).Anintroductiontostatisticallearning.SpringerScience&BusinessMedia.

Kaplan,S.,&Haenlein,M.(2019).Siri,Siri,inmyhand:Who'sthefairestintheland?Ontheinterpretations,illustrations,andimplicationsofartificialintelligence.BusinessHorizons,62(1),15-25.

Katsh,E.,etal.(2011).Onlinesocialnetworks:Promisesandperils.AnnualReviewofLawandSocialScience,7,337-363.

Kelly,T.(2016).Theonemachinetorulethemall:Aunifiedframeworkforzero-thresholdandnon-zero-thresholdclassification.InInternationalConferenceonArtificialIntelligenceandStatistics(pp.534-543).PMLR.

King,G.,etal.(2018).Predictingthefuturewithmachinelearning.Science,353(6295),57-61.

Koch,A.,etal.(2016).Theimpactofalgorithmicpersonalizationonadvertisingefficiency.InProceedingsofthe24thinternationalconferenceonWorldWideWeb(pp.765-774).InternationalWorldWideWebConferencesSteeringCommittee.

Kumar,S.,&Nevo,A.(2016).Bigdata:Measuringtheimpactofdataanalyticsonfirmperformance.MarketingScience,35(2),279-299.

Lazer,D.,etal.(2009).Thescienceofthescienceofscience:Socialscienceandscienceofscienceintheageofbigscience.Science,331(6014),187-192.

Lazer,D.,etal.(2014).Theparableofthepolygraph:Aprimeronsocialscienceandbigdata.Science,347(6223),11566111.

Lazer,D.,etal.(2018).Howtodosocialsciencewithbigdata.NatureHumanBehaviour,2(5),335-337.

Li,L.,etal.(2016).Learningdeeprepresentationsoffine-grainedvisualdescriptions.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.2577-2585).

Madani,O.(2012).Asurveyofclusteringalgorithms.InPatternRecognitionandImageProcessing(pp.1-58).Springer,Berlin,Heidelberg.

Mallela,S.,etal.(2017).Onthevalueofdata:Aprimer.DataEconomicsResearchCentre(DERC)WorkingPaperNo.17-03.

McSherry,F.(2011).Theinternetandthefutureofcreativity.InTheInternetanditsfuture(pp.1-22).Springer,Dordrecht.

Melamed,D.,etal.(2016).Algorithmicdecisionmakingandhumanrights.HarvardLaw&PolicyReview,10,239.

Mitchell,T.M.(1997).Machinelearning.McGraw-Hill.

Mullainathan,S.,&Ribar,D.(2011).GoogleFlu:Detectinginfluenzaoutbreaksfromsearchqueries.JournalofEconomicPerspectives,25(4),175-192.

Nti,E.O.(2017).Theimpactofbigdataanalyticsonmarketing:Areviewandresearchagenda.TheMarketingReview,12(4),409-438.

Nyang,C.C.,etal.(2018).Asurveyonbigdata:Classification,challenges,tools,andapplications.arXivpreprintarXiv:1703.05189.

O’Neil,C.(2016).Weaponsofmathdestruction:Howbigdataincreasesinequalityandthreatensdemocracy.CrownPublishingGroup.

Palomar,F.,&Camps-Valls,G.(2010).Dynamicclusteringanddatastreammining.PatternRecognition,43(10),2651-2664.

Pan,S.,etal.(2017).Asurveyondeeplearningforbigdataanalysis:Vision,methodology,challengesandapplications.IEEETransactionsonBigData,3(4),217-228.

Pathak,S.,etal.(2017).Deepresiduallearningforimagerecognition.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.770-778).

Rendle,S.,etal.(2010).Factorizationmachineswithapplicationstoclick-throughrateprediction.InJointEuropeanConferenceonMachineLearningandKnowledgeDiscoveryinDatabases(pp.55-70).Springer,Berlin,Heidelberg.

Rietveld,P.,etal.(2014).Whatisthevalueofbigdata?Measuringtheeconomicvalueofdataassets.DataEconomicsResearchCentre(DERC)WorkingPaperNo.14-01.

Rish,I.,etal.(2001).Randomforests.InInternationalworkshoponintelligentdataanalysis(pp.1-15).Springer,Berlin,Heidelberg.

Rokach,L.,&Maimon,O.(2005).Clusteringmethods.InDataminingandknowledgediscoveryhandbook(pp.329-354).Springer,Boston,MA.

Rubinstein,A.(2014).Acourseingametheory.MITpress.

Santillana,M.,etal.(2015).Combiningsearch,socialmedia,andtraditionaldatasourcestoimproveinfluenzasurveillance.PLoScomputationalbiology,11(7),e1004169.

Schmalensee,R.,&Wilcox,D.(2017).Marketpowerandmarketingstrategy.JournalofMarketingResearch,54(1),44-60.

Segal,J.,etal.(2016).Quantifyingthevalueofdata.InProceedingsofthe2016ACMSIGMODInternationalConferenceonManagementofData(pp.945-956).ACM.

Serrano,L.,etal.(2016).Theeconomicsofbigdata:Asurvey.JournalofEconomicSurveys,30(2),348-426.

Smith,M.A.,etal.(2018).Theeconomicsofpersonalization.MarketingScience,37(3),419-439.

Stigler,G.J.(1961).Theeconomicsofinformation.TheJournalofPoliticalEconomy,69(3),213-225.

Swamy,A.,etal.(2016).Theeconomicsofbigdata:Measuringthevalueofinformation.InBigDataandProcessMining:ValueCreationandChallenges(pp.1-25).Springer,Cham.

Tirole,J.(2018).Theplatformeconomy:Marketpowerinthedigitalage.HarvardUniversityPress.

Tirole,J.(2020).Bigdata:Amarketpowerperspective.TheReviewofEconomicStudies,87(4),633-684.

Tuck,C.H.(2017).Thevalueofdata:Aprimer.DataEconomicsResearchCentre(DERC)WorkingPaperNo.17-03.

Vapnik,V.N.(1995).Thenatureofstatisticallearningtheory.SpringerScience&BusinessMedia.

Verhoef,P.C.,etal.(2018).Theeconomicsofpersonalization.MarketingScience,37(3),419-439.

Wang,X.,etal.(2012).Deeplearning.InProceedingsofthe29thinternationalconferenceonMachinelearning(ICML)(pp.1245-1252).

Wu,S.,etal.(2011).Exploitingsocialrelationshipsforimprovedrecommendationperformance.InProceedingsofthe4thACMconferenceonWebsearchanddatamining(pp.335-344).ACM.

Zhang,Z.,etal.(2017).Deeplearningforbigdataanalysis:Asurvey.JournalofBigData,4(1),1-21.

Zhou,H.,etal.(2014).Deeplearning.InProceedingsofthe26thinternationalconferenceonNeuralinformationprocessingsystems-Volume1(pp.22-30).MITPress.

八.致谢

本研究能够在规定时间内顺利完成，离不开众多师长、同学、朋友以及相关机构的关心与帮助。首先，我