何大安

(浙江工商大學 經濟學院，浙江 杭州 310018)

一、 引 論

在分析大數據和人工智能技術影響廠商投資經營這個問題前，有必要先對大數據的構成作一個解說。大數據是數字化數據和非數字化數據之和，我們依據這樣的構成來解釋大數據，實際上是把人類社會一切活動和自然界一切現象都解說為大數據，這可以理解為對大數據的一種靜態(tài)認識。大數據的動態(tài)解釋要比靜態(tài)解釋復雜得多，它不僅包括對不同時空(過去、現在、未來)數據變動的解釋，而且包括對人與人之間以及人與自然之間所形成的互動數據的解釋。大數據的動態(tài)性與它的外延息息相關，我們對大數據的搜集、整合、分類、加工和處理，離不開對大數據、移動互聯網和人工智能等相互融合的研究。從這種融合所形成的平臺對經濟活動的影響來考察，可以將大數據看成是這種融合的基本要素，將移動互聯網看成是這種融合的載體，將人工智能看成是這種融合的手段。當我們沿著這樣的思路來分析大數據對廠商投資經營的影響時，可將大數據的構成(外延)置于大數據、移動互聯網和人工智能等相融合的分析框架。

基于以上的理解，我們有以下界定：大數據=數字化數據+非數字化數據=歷史數據+現期數據+未來數據=行為數據流+想法數據流。(1)這個系列等式的前兩個等號后面對大數據構成的解說是筆者的拙見(何大安，2018)。關于“想法數據流”這一新穎提法，是受社會物理學思想的啟迪。阿萊克斯·彭特蘭(2015)認為“想法流”與人們實際行為之間存在可靠的數量關系，它會影響人們的經濟活動。基于大數據運用和人工智能發(fā)展的方向是挖掘和處理未來數據，因而本文提出了“想法數據流”概念，這個概念可以幫助我們理解機器學習這個作為人工智能最主要手段的發(fā)展方向。這個系列等式有兩點需要說明：(1)人工智能為代表的新科技手段與歷史數據和現期數據的關聯，表現為對已發(fā)生和正在發(fā)生數據的搜集、整合、分類、加工和處理；新科技手段與未來(預期)數據的關聯，則反映為對尚未發(fā)生數據的挖掘和處理；(2)我們可以將已發(fā)生或正在發(fā)生的人類活動數據稱之為行為數據流，把尚未發(fā)生但即將要發(fā)生的人類活動數據解說為想法數據流?？陀^來講，人類目前已在一定程度上掌握了搜集和處理“行為數據流”的方法和手段。例如，人類已能夠充分利用移動互聯網、傳感器、社交媒體、定位設備等來搜集“行為數據流”，能夠運用機器學習、物聯網、區(qū)塊鏈、語音識別、指紋識別、影像識別等人工智能技術來處理“行為數據流”。但對于“想法數據流”的搜集和處理，人類還只是處于起步階段。

在未來，大數據、移動互聯網和人工智能等的融合將會覆蓋所有經濟活動。一些文獻稱當今社會是大數據時代，也有文獻稱當今社會為互聯網時代或人工智能時代。其實，怎樣稱呼并不重要，重要的，是能夠解析大數據、移動互聯網和人工智能等的融合將會給人類經濟活動帶來什么樣的影響。關于這個問題，未來學家(赫拉利，2017；凱利，2014；吳軍，2016)[1-3]曾在社會哲學層面有過一般性解說，他們認為大數據將全方位影響和決定人類選擇行為，一切有機體和無機體都將成為一種“算法”，人類會基于“算法”進行選擇?！八惴ā笔侨斯ぶ悄芷ヅ浯髷祿脑?，人工智能匹配大數據究竟能在多大程度上影響和決定人類選擇行為，則取決于人工智能技術手段的未來發(fā)展。廠商投資經營的競爭路徑作為一種選擇行為，大數據和人工智能會在哪些方面對之發(fā)生作用，這是我們建構大數據時代產業(yè)組織理論必須關注的問題。

大數據時代廠商投資經營之競爭路徑的經濟學解釋，可概括為廠商利用云平臺和云計算，對影響廠商投資經營的大數據進行搜集、整合、分類、加工和處理，通過確定投資什么、生產什么、投資多少、生產多少和怎樣生產，從而通過大數據分析和借助互聯網平臺展開競爭。但迄今為止，即便是駕馭大數據和人工智能技術能力極強的廠商，也只能加工和處理同類產品和服務的歷史數據，加工和處理現期數據還面臨很大困難，加工和處理同類產品和服務的未來數據則是一種遑論。另一方面，盡管大數據將會驅動所有廠商在未來采用人工智能作為競爭手段，但由于不同廠商掌握和運用大數據和人工智能的水平存在差異，水平高的廠商通常要比低水平廠商具有競爭力，他們會通過數據智能化和網絡協同化取得市場勢力(乃至于實現局部壟斷)。這種狀況要求經濟學家對大數據時代的競爭和壟斷格局作出新解釋。

經濟學關于廠商競爭和壟斷的分析和研究，主要是圍繞產量決定、價格決定、進入壁壘和規(guī)模經濟等展開的。馬歇爾(1890)[4]在產品同質性假設上提出的完全競爭理論，基本觀點是認為壟斷會導致均衡價格上升，但技術進步會致使壟斷消失，完全競爭會抑制人為的市場定價和確定產量。劍橋學派(Chamberlin，1933；羅賓遜，1982)[5-6]依據產品異質性假設，認為競爭和壟斷會長期并存，大廠商具有形成進入壁壘的市場勢力，廠商投資經營的競爭路徑始終伴隨著壟斷。針對以上新古典經濟學的理論見解，哈佛學派(Mason，1939；Mason，1949；Bain，1959)[7-9]和芝加哥學派(Stigler，1971)[10]運用“結構、行為、績效”模型對競爭和壟斷問題進行了分析；新制度經濟學通過對交易成本、有限理性、逆向選擇、機會主義、道德風險、資產專用性等的分析，對市場競爭和壟斷作出了新解釋(Coase，1937；Williamson，1975；Williamson，1985)[11-13]；博弈論和信息經濟學則通過分析政府規(guī)制條件和路徑，對市場競爭和壟斷作出了新解讀(Fudenberg和Tirole，1984；Rey和Tirole，1986；Hart和Tirole，1990)[14-16]。客觀而論，隨著大數據和人工智能的發(fā)展和運用，建立在信息不完全和信息不對稱基礎上的產業(yè)組織理論有著進一步完善的空間。

經濟學家要建構出適合大數據和人工智能時代的產業(yè)組織理論，需要對價格和產量決定、市場占有率、產業(yè)競爭度和集中度等問題有新的解說。廠商競爭路徑是這些新解說的重要分析基礎之一，它主要反映在大數據及其運用對廠商投資經營選擇過程的影響，廠商如何通過機器學習、物聯網、區(qū)塊鏈等人工智能技術來匹配大數據，以及人工智能手段如何改變市場競爭格局等方面。經濟學要重視大數據和人工智能時代的廠商競爭路徑的研究，具體地說，必須關注移動互聯網、大數據、機器學習、物聯網、區(qū)塊鏈等人工智能手段等對廠商競爭路徑形成的作用過程，從而為重塑產業(yè)組織理論奠定基礎。

二、 大數據改變廠商競爭路徑的理論分析

廠商投資經營選擇涉及投資什么、怎樣投資、生產什么、生產多少和怎樣生產等內容，對這些內容的解釋可揭示廠商競爭路徑。關于大數據和互聯網時代廠商投資經營的選擇行為，我們需要對其假設前提、參照系和分析方法等作出新解釋。在經濟學世界，主流經濟學理性選擇理論的假設前提曾經由完全信息假設轉向不完全信息假設，分析參照系曾對選擇偏好、認知和效用等作出過有重點的取舍，只有分析方法始終是堅持采用以“個體行為”為基本分析單元的個體主義方法論。然而，隨著移動互聯網、大數據和人工智能的廣泛運用，無論是經典的“偏好的內在一致性”理論，無論是把心理學與經濟學并軌“以心理活動為分析底蘊的認知理論”，還是經過幾代經濟學家精心論證和發(fā)展的“效用函數”理論，(2)“偏好的內在一致性”是新古典經濟學運用數理邏輯論證個體理性選擇的經典，它對選擇行為的非此即彼的解析，使偏好相對于效用取得了函數形式(Neumann和Morgenstern,1947；Arrow和Debreu，1954；Arrow，1951)；現代非主流經濟學并軌心理學和經濟學把認知作為解釋性變量，通過心理和行為實驗，運用偏好函數和認知函數揭示了傳統(tǒng)理論與人們實際選擇行為之間的系統(tǒng)性偏差，主流經濟學以一條反映財富相對變化和風險偏好呈S型曲線的價值函數替代了傳統(tǒng)的效用函數(Kahneman和Tversky，1979)，但迄今為止的理性選擇理論都是建立在信息不完全和不對稱基礎之上的，并且作為立論依據的信息都是從反映局部實際的樣本數據而來，因而這些理論難以解釋大數據時代廠商的投資經營行為。都難以準確解釋大數據時代的廠商投資經營行為和廠商競爭路徑。廠商選擇行為的變化突出反映在大數據分析和人工智能技術運用上，我們可以沿著這一思路來討論大數據時代的廠商競爭路徑。

(一) 大數據時代廠商投資經營行為仍然是理性選擇，但較之于工業(yè)化時代，這種理性選擇集中體現在對大數據的挖掘、搜集、整合、分類、加工和處理等方面

在工業(yè)化時代，科技水平不能挖掘、搜集、整合、分類、加工和處理具有極大量、多維度和完備性特征的大數據，廠商只能在信息不完全和不對稱基礎上通過加工和處理有限信息而形成認知，并做出追求效用(利潤)最大化的決策。從定性的角度看，工業(yè)化時代的廠商理性行為與大數據和互聯網時代一樣，都表現為“先思考后認知再決策”(何大安，2014;何大安，2016)[17-18]，但從廠商獲取信息的途徑和方法以及認知和決策的形成過程來看，這兩個時代的廠商理性選擇是不同的，這便決定了廠商競爭路徑的差異。大數據時代廠商會利用云平臺和運用云計算，對影響或決定投資經營的大數據進行挖掘、搜集、整合、分類、加工和處理，以形成怎樣投資經營的認知，并在此基礎上形成決策。也就是說，廠商投資經營的理性選擇已開始走向數據智能化，大數據分析和人工智能技術已成為廠商理性投資經營的基礎條件配置。

大數據分析和人工智能技術之所以是廠商理性投資經營的基礎條件配置，依據在于大數據時代廠商的決策信息逐步來源于大數據，這可從廠商通過大數據獲取信息和甄別信息得到解釋。首先，廠商會通過移動互聯網、社交媒體、傳感器和定位系統(tǒng)等挖掘和搜集大數據；其次，廠商會利用云平臺和運用云計算來整合、分類、加工和處理大數據；再其次，廠商會通過機器學習物聯網、區(qū)塊鏈等人工智能手段來匹配大數據；最后，廠商力圖從大數據中得到準確信息來做出投資經營決策。針對廠商這種以大數據的挖掘、搜集、整合、分類、加工和處理等為特征的理性選擇行為，有兩個理論問題值得研究：一是如何在理論層面上論證大數據時代的廠商選擇行為，以重塑經濟學的理性選擇理論；另一是解析廠商如何運用云平臺、云計算、大數據和人工智能手段來進行具體的投資經營過程。以大數據時代廠商競爭路徑的研究來講，我們可以將關注點放在后一理論問題的討論上來。

經濟學理性選擇理論以部分信息為依據，對選擇偏好、認知和效用期望等的研究，是在假定這部分信息真實的情況下，通過對這部分信息的定性分析來展開選擇行為研究的。與此不同，大數據時代廠商的選擇偏好、認知和效用期望等的形成，相伴于大數據的挖掘、搜集、整合、分類、加工和處理。這個區(qū)別很重要，它表明建立在建構理性之上的經濟學理性選擇理論，難以解釋具有演化理性特征的大數據時代的廠商選擇行為。因此，當我們聯系大數據和人工智能等來研究廠商競爭路徑時，經濟學理性選擇理論留給我們的學術遺產，可以看成是該理論有關理性選擇的性質界定、假設前提、參照系、分析方法等，對后續(xù)的相關研究具有的承接性。不過，我們對廠商競爭路徑的分析承接，需要在大數據的挖掘、搜集、整合、分類、加工和處理等的分析框架內進行。

(二) 在人類有可能獲取完備信息的大數據時代，廠商會利用互聯網、云平臺、云計算和人工智能等作為競爭路徑選擇的手段

工業(yè)化時代廠商用于投資經營決策的信息，局限歷史數據中的樣本數據。就信息關聯于廠商競爭路徑而論，由于廠商難以從歷史數據的樣本數據中知曉產品和服務的供求及其結構，廠商競爭路徑主要是圍繞價格波動、供求變化、產量變動和質量控制等形成。經濟學產業(yè)組織理論涉及廠商競爭路徑的分析和研究，是與壟斷問題的討論聯系在一起的。在信息不完全和不對稱的工業(yè)化時代，經濟學家用信息不完全假設或信息不對稱假設來研究競爭和壟斷問題，很容易淡化科技因素的影響，以至于把這兩大假設看成是長期不變的分析前提。當我們考察大數據和人工智能時代的廠商競爭路徑時，大數據的極大量、多維度和完備性等有著提供完備信息的可能性，(3)完備信息是不完全信息與完全信息之間的一種靠近完全信息的狀態(tài)。人類通過互聯網、云計算和人工智能等對大數據進行挖掘、搜集、整合、分類、加工和處理而有可能獲取完備信息的情形，將會給我們展示廠商競爭路徑的新分析視野。

由此可見，大數據改變廠商競爭路徑的主要依據在于：(1)隨著新科技的發(fā)展，大數據及其運用有著解決信息不完全和信息不對稱問題的可能性；(2)隨著廠商利用云平臺、運用云計算和人工智能手段等處理大數據能力的增強，廠商有可能獲取產品和服務的供求數量及其結構的完備信息；(3)廠商通過人工智能來匹配大數據，可從過去那種完全依據市場信號來進行選擇的思維邏輯中走出來，以大數據思維取代過去依據部分信息進行推論的因果思維；(4)廠商將會在確保產品和服務質量的前提上，力圖精準地確定符合市場供求的產品和服務的數量和品種。以上這些依據實際上間接表明了兩大事實：一是廠商可通過大數據分析和運用人工智能技術進行投資經營，實現了數據智能化；二是廠商能夠根據復雜場景或生態(tài)，實現廠商與廠商以及廠商與消費者之間的網絡協同化。因而從理論上講，大數據、互聯網和人工智能等的相互融合所型構的數據智能化和網絡協同化，正在改變著廠商投資經營的競爭路徑。

廠商的數據智能化和網絡協同化包含著極其豐富的內容，我們聯系這些內容來解說廠商競爭路徑的形成及其作用過程，一方面，需要將分析重點放在數據智能化如何使廠商準確獲取產品和服務數量及其結構的信息量，以闡述這種不同于工業(yè)化時代的信息獲取途徑；另一方面，則需要解釋網絡協同化如何反映廠商通過機器學習等人工智能手段匹配大數據來處理投資經營信息。這里所說的信息，指廠商對多維度的大數據進行相關分析后獲取的信息。隨著新科技的充分發(fā)展，這些信息在多大程度上達到完備信息呢？顯然，這個程度取決于大數據、互聯網和人工智能等的融合，具體地說，取決于廠商利用云平臺、運用云計算和人工智能技術等搜集、整合、分類、加工和處理大數據的能力。廠商要獲得市場出清意義上的產品和服務的準確供求數據，必須能夠運用人工智能手段來挖掘、甄別和匹配大數據，能夠熟練地把機器學習這一人工智能技術作為重要競爭手段。

(三) 在未來，廠商運用大數據進行投資經營將會以機器學習這一人工智能方法作為主要競爭手段，這便在很大程度上規(guī)定了廠商競爭路徑的選擇

機器學習分為監(jiān)督學習、無監(jiān)督學習、強化學習和深度學習等類型。廠商投資經營過程中機器學習的最基本方法，是通過有樣本標識的監(jiān)督學習和無樣本標識的無監(jiān)督學習來匹配產品和服務之供求數量的歷史數據，至于投資經營過程中正在發(fā)生的現期數據，廠商要運用動態(tài)試錯的強化學習和組合低層級數據與高層級數據的深度學習，對產品和服務之供求數量的現期數據進行匹配，以選擇投資什么、投資多少、生產什么、生產多少和怎樣生產。盡管目前的機器學習方法還不能對產品和服務之供求數量的未來數據進行匹配，但較之于工業(yè)化時代的決策方法，廠商競爭路徑的選擇實際上已進入了數據智能化。西方學者有關計算機怎樣才具有更強學習能力從而實現人工智能匹配大數據的討論(Taddy，2018)[19]，主要是基于對有明確事件支持的歷史數據和現期數據的討論，這些討論明顯涉及廠商競爭路徑問題，但值得進一步討論的是，如果假定機器學習能夠匹配即將發(fā)生的未來數據，廠商運用數據智能化的競爭路徑會不會成為大數據時代的主流呢？這個問題有待探索。

數據智能化能不能形成高效的廠商競爭路徑，關鍵在于廠商能不能確定產品和服務的供求數量及其結構。在工業(yè)化時代，廠商無法準確把握產品和服務的供求數量及其結構，他們主要是根據市場信號，并通過研發(fā)新產品、加強經營管理和提高產品質量等形成有效的競爭路徑。在理論上，經濟學家也難以尋找到具有明確編程的模型，從而難以研判和處理產品和服務的供求數量及其結構的不確定性，于是，市場失靈和政府失靈長期存在。機器學習作為人工智能的主要手段，是在互聯網、大數據和人工智能等相融合場景的驅動下形成的。目前，機器學習落實到具體操作層面的最常用的方法是“數據驅動法”，(4)廠商提升數據智能化的軟技術方法主要是“數據驅動法”。較之于幾百年來人類一直尋求事物運行可控參數而設置單一精準模型的分析方法不同，雖然“數據驅動法”仍然采用數理模型分析，但它充分利用大數據的極大量、多維度和完備性，對大數據的多維度進行相關分析，線性或非線性的關聯參數和模型設定是通過大量計算機服務器進行的，是用許多簡單化模型取代單一復雜模型展開數理邏輯證明的(吳軍，2016)?！皵祿寗臃ā钡淖畲筇攸c是不夾帶主觀判斷。很明顯，當廠商主要是應用該方法投資經營，廠商競爭路徑便大數據化了?，F階段的廠商已開始運用這種分析方法對已發(fā)生和正在發(fā)生的產品和服務的大數據進行加工和處理，即廠商通過把投資經營的歷史數據和現期數據轉換成一種“算法”，以獲取產品和服務的供求數量及其結構的準確信息。

對大數據改變廠商競爭路徑的理論分析關注的另一重要側面，是廠商運用大數據經營在改變競爭路徑的同時，也會潛在地改變廠商壟斷的形成路徑。經濟學針對工業(yè)化時代競爭和壟斷展開的產業(yè)組織分析，是緊扣產量和價格兩條主線進行的。瓦爾拉斯(Warlas，2013)[20]和帕累托(Pareto，2014)[21]創(chuàng)立的一般均衡理論曾通過對產量和價格的分析，將平均生產成本、競爭度和產業(yè)集中度等作為研究競爭和壟斷路徑的解釋性變量，劍橋學派(Chamberlin，1933)[5]、哈佛學派(Mason，1939；Mason，1949；Bain，1959)[7-9]和芝加哥學派(Stigler，1971)[10]也曾將這些解釋性變量放置于競爭和壟斷的分析框架。誠然，對大數據時代廠商競爭和壟斷路徑的解釋，仍然離不開這些解釋性變量，但對這些變量的數值界定則可以通過大數據分析來完成。因為，大數據時代的平均生產成本、競爭度和產業(yè)集中度等經由大數據分析后可事先確定，并且隨著廠商駕馭大數據和人工智能水平的空前提高，經濟學家筆下的這些解釋性變量會慢慢趨近于常量，因此，對廠商競爭路徑的分析論證，可以看成是對廠商運用大數據進行投資經營的分析性論證。

對于經濟學家來說，廠商利用移動互聯網、運用云平臺和云計算，以及運用機器學習等人工智能方法來匹配大數據，從而形成廠商競爭路徑的情形，需要在互聯網、大數據、人工智能等相互融合的背景下，對企業(yè)投資經營的數據智能化和網絡協同化這兩大技術操作問題作出理論解釋。目前，針對業(yè)已出現的互聯網產業(yè)鏈聚合生產資源以及互聯網共享經濟聚合碎片資源等實際，國內學者(江小涓，2017)[22]分析了產品和服務在互聯網的點擊力、關注度、網紅等現象，這一分析實際上是試圖通過描述海量企業(yè)和個人在互聯網上的行為互動，來描述互聯網的網絡價值效應以揭示廠商競爭路徑，但嚴格來講，這樣的分析只是分析廠商競爭路徑的一種思想端倪，若要在理論上解析大數據時代的廠商競爭路徑，還需要對數據智能化和網絡協同化展開討論。

三、 大數據時代廠商競爭路徑的過程分析

經濟學經典理論認為市場充分競爭會抑制超市場力量，壟斷只是在特定條件配置下才會形成。不過，關于這些特定條件的學術處理，經濟學對蘊含這一判斷的競爭和壟斷的理論分析模型，主要是圍繞市場機制及其作用過程展開的，至于科技因素引發(fā)廠商競爭和壟斷路徑變化，經濟學家并沒有將之作為主要解釋性變量來對待。大數據時代市場競爭與工業(yè)化時代的最大區(qū)別之一，是數據智能化和網絡協同化會導致廠商形成一種超市場能力，這種能力主要表現為大數據、互聯網和人工智能等相互融合所引致的網絡協同效應上。在市場體系內考察問題，大數據時代產品和服務的實際供求及其數量結構有著逐步擺脫市場機制引導的趨勢。對這個問題的理論解析，可以廠商競爭路徑之具體過程的研究作為分析窗口。

(一) 競爭具體過程一：廠商要利用互聯網和搭建(利用)云平臺，對大數據進行搜集、整合和分類，實現傳統(tǒng)行業(yè)向互聯網行業(yè)的靚麗轉身

廠商投資經營之效用函數(利潤)的最大化，是檢驗廠商競爭路徑之效用的終極表現。在非互聯網時代，由于廠商不可能通過市場信號搜集到關乎自己投資經營的所有信息，更不可能推測和預判投資經營的未來信息，因而效用函數最大化只是廠商的一種愿景。以互聯網時代廠商競爭路徑的選擇而言，廠商要實現投資經營的效用最大化，必須知曉自己應該投資什么、投資多少、生產什么、生產多少以及怎樣生產，但要實現這種最有效的競爭路徑，廠商不僅需要運用新科技手段來處理數據化數據，而且需要運用新科技手段來處理非數據化數據。在“大數據=數據化數據+非數據化數據”這一等式中，蘊含著廠商實現投資經營效用最大化所必備的所有潛在信息，廠商只有掌握加工和處理大數據的新科技方法和手段，才能獲取這些信息。隨著大數據、互聯網和人工智能等相互融合的加深和拓寬，廠商要想取得有利的競爭途徑，需要掌握以云計算和人工智能等為標志的新科技。

在現實中，主要掌握新科技的行為主體是“互聯網+”廠商，也就是我們通常講的運用互聯網進行投資經營的企業(yè)?？疾鞆S商掌握新科技的層級，“互聯網+”只是廠商掌握新科技的初級形式，較高的科技層級還要有其他條件配置。一般來講，新科技最基本的條件配置是廠商搭建云平臺或至少能全面利用公共云平臺。這是因為，廠商要實現效用最大化，必須能夠搜集與自己投資經營相關的產品和服務的供求數量及其結構的大數據，這類大數據十分龐雜；在不考慮未來數據的情況下，它包括已經發(fā)生的歷史數據和正在發(fā)生的現期數據。撇開大數據的加工和處理，僅就大數據的搜集和儲存來講，廠商必須搭建云平臺或借助公共云平臺來整合和分類大數據。同時，互聯網與云平臺是交織在一起的，廠商投資經營主要是依靠互聯網搜集大數據，如果“互聯網+”廠商不能運用云平臺儲存和分類大數據，而只是純粹以“互聯網+”模式進行投資經營，那么，廠商競爭路徑便得不到新科技較高層級的支持。

廠商實現傳統(tǒng)行業(yè)向互聯網行業(yè)的靚麗轉身，存在著新科技特質所規(guī)定的一些內容。這里所說的新科技特質，是針對新科技運用之于大數據處理而言的。如果說互聯網與云平臺的交織發(fā)揮了搜集、儲存、整合和分類大數據的功能，那么，云計算和機器學習等人工智能手段明顯是具有加工和處理大數據的功能。我們分析廠商在競爭中處于什么樣的位置可有以下判斷：能夠挖掘、加工和處理大數據的互聯網企業(yè)是第一層級，能夠加工和處理但不能挖掘大數據的互聯網企業(yè)是第二層級，僅僅能夠搜集和儲存大數據的互聯網企業(yè)則是第三層級。之所以有這樣的判斷，是基于廠商利用新科技來駕馭大數據從而揭示其競爭能力的考慮，這可以從下文對廠商競爭路徑之具體過程的進一步分析得到說明。

(二) 競爭具體過程二：廠商運用云計算對大數據的加工和處理，是廠商競爭路徑選擇的至關重要的環(huán)節(jié)

廠商的云計算實力如何，是判斷純粹“互聯網+”企業(yè)還是真正高科技互聯網企業(yè)的標志?；ヂ摼W、大數據和人工智能等發(fā)展到今日，以這一標志的現實情況而言，只有極少數廠商具備云計算實力，而絕大部分廠商并不具有云計算能力。換言之，大部分廠商從大數據中獲取決策信息，還得倚靠專業(yè)公司的云計算才能解決。如上所述，廠商運用云計算處理的大數據包括歷史數據、現期數據和未來數據。我們判斷廠商云計算實力的高低有兩個標準：一是看廠商能處理哪個層級的數據，具體地講，能處理未來數據的是最高層級的廠商，能處理現期數據的是第二層級的廠商，只能處理歷史數據的是第三層級的廠商；二是是看廠商處理數字化數據和非數字化數據的能力。關于廠商云計算層級的技術梯度，未來數據的云計算是建立在能夠處理歷史數據和現期數據基礎之上的，現期數據的云計算是建立在能夠處理歷史數據基礎之上的；關于廠商云計算數據類別的技術層級，既能處理數字化數據也能處理非數字化數據的廠商，是高技術層級廠商，只能處理數字化數據而不能處理非數字化數據的廠商，則是一般技術層級的廠商。

以上的劃分和判斷很重要，因為，云計算層級高的廠商既可以處理數字化數據也可以處理非數字化數據，可以處理歷史數據和現期數據，甚至在將來有可能處理未來數據。由此可見，廠商要取得較高的投資競爭函數，必須能對其產品和服務的供求數量及其結構的大數據進行云計算。這個問題的深入討論有以下幾點需要解釋：(1)廠商的云計算對象不僅包括自身投資經營的大數據，而且涉及相關廠商投資經營的大數據；(2)歷史數據+現期數據表現為行為數據流，它既反映在數字化數據方面，也反映在非數字化數據方面；(3)未來數據是有關廠商提供產品和服務的供求數量及其結構的預期數據，它屬于想法數據流。由此可見，廠商競爭路徑的選擇要想得到高效用，在具體選擇過程中必須具備云計算能力。

廠商的云計算能力及提高要有大量投資，除軟硬件投資外，研發(fā)費用至關重要。在現實中，中小廠商一般不具備這樣的資金實力，它們難以在技術研發(fā)上“伸展拳腳”，云計算的技術研發(fā)是大廠商的專利。不過，資金雄厚并不一定能得到高層級的云計算技術，云計算技術層級的高低，取決于大數據、互聯網和人工智能等的融合，取決于模型和參數的設計。這是因為，廠商運用云計算加工和處理大數據是一回事，廠商能不能夠通過云計算從大數據中獲取準確信息是另一回事。廠商必須在能夠運用人工智能匹配大數據從而獲取完備信息的情況下，才能準確確定產品和服務的供求數量及其結構，才能在競爭中處于有利地位，也就是說，大數據時代廠商競爭路徑選擇的具體過程與人工智能運用密切相關。

(三) 競爭具體過程三：為了確定投資什么、投資多少、生產什么、生產多少和怎樣生產，廠商要運用機器學習和其它人工智能手段匹配大數據

機器學習作為人工智能的重要手段，最主要功能是與互聯網、云平臺和云計算等融合以匹配大數據以獲取完備信息。機器學習是建立在云計算基礎上的，它在匹配大數據時，同樣存在不同技術層級。在大數據和人工智能時代，廠商要確定投資什么、投資多少、生產什么、生產多少和怎樣生產，需要設置參數、建立模型和編制程序，并使用大量計算機服務器展開機器學習。由于機器學習具有很高的科技要求，中小廠商很難能夠勝任這項技術，即便是大廠商，如果資金投入不夠或研發(fā)能力不到位，其機器學習能力也不會處于較高水平。機器學習對象是數字化數據和非數字化數據。一般來講，對非數字化數據的參數、模型設定和程序編制，要比數字化數據難得多，廠商進行機器學習需要把非數字化數據轉化為數字化數據，需要對相關目標數據的數據進行甄別、加工和處理，需要在云計算基礎上優(yōu)化和預判大數據。廠商機器學習是獲取產品和服務供求關系及其數量結構之完備信息的關鍵手段，是競爭路徑選擇的重要科技環(huán)節(jié)。

在工業(yè)化時代，廠商利用科技手段展開競爭，憑藉的數據主要是數字化的歷史數據，它不是互聯網和人工智能意義上的大數據，這不僅是因為廠商得到的數字化歷史數據不完全，更重要的，是因為它不包括非數字化數據。回顧一下經濟理論的實證分析，經濟學家用這些歷史數據來設置參數和模型，試圖通過設計單一精確模型來確定投資什么、投資多少、生產什么、生產多少和怎樣生產。這些參數和模型以諸如價格、供求、成本、利潤為解釋變量，但在非互聯網時代，由于經濟學家無法得到代表這些變量的大數據，因而主流經濟理論的實證分析只是對關聯于部分歷史數據的經濟活動前景的預判，很難對經濟活動前景做出準確的預判。從古典經濟學到新古典經濟學，從新古典經濟學到現代主流和非主流經濟學，無論是數理模型的理論分析還是實證分析，經濟學家對經濟活動的分析始終沒能從事后評估走向事前決策的根本原因，就是因為工業(yè)化時代沒有出現互聯網、大數據和人工智能的融合。

在歷史數據、現期數據和未來數據中，非數字化數據占有相當大比重，如果語音、影像、圖文、指紋等人工智能識別技術能提供海量非數字化數據，對機器學習匹配大數據有著重要作用。這里有一點需要說明，所有的人工智能手段挖掘、搜集和提供大數據都不是孤立的場景，而是互聯網、大數據、物聯網、機器學習、區(qū)塊鏈等人工智能技術相互融合的場景。我們姑且不考慮這一場景的復雜性，單就廠商運用機器學習匹配大數據而言，不同廠商的科技能力是不同的，這可以解釋為廠商新科技水平的DNA差異，正是這種差異導致廠商競爭路徑選擇的差異。具體地講，新科技水平高的廠商能夠在這種復雜的場景中最大限度地挖掘、搜集、整合、分類、加工和處理與自己投資經營相關的大數據，通過云平臺、云計算和運用機器學習等人工智能手段從大數據中獲取投資什么和生產什么的完備信息，而新科技水平低的廠商就不能做到這些，于是，這些廠商競爭路徑便處于劣勢。

從全社會層面看問題，如果新科技能提供超出人類想象的大數據，那么，未來掌握頂級機器學習技術的廠商，就有可能從海量的數字化數據和非數字化數據中得到接近于完全信息的完備信息，甚至有可能得到接近于精準信息的信息。接下來另一個值得思考的問題是，如果新科技在未來得到了充分發(fā)展和運用，以至于所有廠商都能夠以數據智能化和網絡協同化來投資經營，那么，廠商競爭路徑便開始趨同化。這里講的新科技的充分發(fā)展和運用，指互聯網、大數據和人工智能等的相互融合使新技術走到了盡頭，顯然這有待商榷。實際上，在未來一個相當長的時期內，新科技走到盡頭極可能是人類的美好愿景。例如，以機器學習匹配未來數據這項新技術為例，它首先涉及對未來數據的挖掘，其次是涉及對未來數據的相關性分析，再次是涉及對未來數據的人工智能化。因此，在今后相當長的時期，盡管廠商競爭路徑可能會出現趨同化，但這種趨同化并不排除不同廠商因新科技水平差異而出現競爭實力的差異。

(四) 廠商競爭路徑全景：先步入數據智能化，再打造網絡協同化，以網絡協同效應作為實現效用最大化的競爭路徑

廠商步入數據智能化和打造網絡協同化的全景是：挖掘和搜集大數據→整理和分類大數據→加工和處理大數據→構建廠商與廠商以及廠商與消費者的交易平臺→實現網絡協同效應導致的市場實力。關于這幅全景圖的前半部分，上文已從互聯網、大數據和人工智能等相互融合的角度進行了解析，我們在此關注這幅全景圖的后半部分。廠商構建與其他廠商和消費者之間交易平臺的過程，也就是實現供求及其數量結構的智能載體的過程；這個平臺最主要的功能是銜接供應鏈和需求鏈，該平臺功效的大小反映廠商數據智能化水平的高低。當廠商將這個平臺與其他廠商的數據智能化平臺結合在一起，便形成了互聯網技術、信息技術和通訊技術相融合的跨領域平臺，即物聯網。物聯網是廠商選擇數據智能化作為競爭路徑的產物，一些以數據智能化作為競爭路徑但尚未進入物聯網的廠商，遲早都將被吸引到這個數據型平臺上來。不過，最重要的是物聯網具有與互聯網類似的功能，它會使廠商投資經營產生網絡協同效應。

我們可以將物聯網的網絡協同效應理解為：在實體企業(yè)之間產品和服務的復雜交易場景中，企業(yè)(個人)行為互動所引致的網絡價值效應。聯系數據智能化看問題，廠商以計算機語言編程、加工和處理數字化數據和非數字化數據，以及用人工智能匹配大數據所形成的數據智能化，是連接企業(yè)和用戶從而形成智能化平臺的關鍵因素，是實現網絡協同效應的基礎。廠商之所以要選擇數據智能化和網絡協同化作為競爭路徑，是因為這一路徑可使廠商通過物聯網分享網絡協同效應。從現實來看，物聯網智能化能不能達到對非數字化數據做出數據化處理的水準，關系到廠商能不能運用APP軟件使人工智能經由物聯網落地；物聯網的數據采集、數據處理和智能運用等技術實現供求均衡目標的條件，是廠商能夠運用機器學習對產品和服務的供求及其數量結構做出甄別和確定，以及廠商能夠通過物聯網實現網絡協同化。如此，物聯網便使傳統(tǒng)廠商轉變成基于數據和算法的智能廠商。

從機器學習可看出智能廠商的層級。廠商的強化學習和深度學習的技術水平越高，其數據智能化和網絡協同化的能力就越強，廠商競爭路徑也就越能迅速從過去以價格等市場信號為主要競爭路徑，轉變成以“算法”為核心而運用物聯網的競爭路徑。廠商成為智能廠商后通常會采取智能競爭模式，如智能家電、智能家居、機器人等產品所反映的競爭模式。但無論采用什么樣的新科技手段進行競爭，廠商都必須了解其他企業(yè)供求信息以及消費者的選擇偏好，而要做到這些，廠商僅僅具備數據智能化是不夠的，還必須實現網絡協同化。事實上，網絡協同化不僅體現產品和服務的供應鏈和需求鏈在大數據和人工智能運用上的關聯，更重要的，它是檢驗新科技(如區(qū)塊鏈)手段能否融入大數據、互聯網、人工智能等并產生經濟效用的動態(tài)標尺。

從近幾年的情況看，網絡協同效應突出反映在多維度市場場景支撐的共享經濟中，最著名的是阿里巴巴的電商支付和騰訊的社交媒體微信。這里有一個問題需要解釋，那就是智能廠商通常都會在一定程度和范圍內出現網絡協同化，但不一定會產生網絡協同效應。例如，滴滴打車通過GPS定位系統(tǒng)把閑置出租車和需要打車者協同于數據智能平臺，但卻不能產生網絡協同效應，原因在于它的運營場景單一，難以阻擋別人進入數據智能化的出租車市場；與此不同，阿里淘寶的在線支付、擔保交易、消費保證和信用評級等構成了一個數據智能化的復雜場景(騰訊也如此)，這些場景涉及供求雙方、物流公司、在線客服、存貨管理乃至于網紅等，以至于形成了一個多維度的極其復雜的協同網絡。我們如何理解協同網絡呢？這涉及到協同網絡和網絡協同的區(qū)別。

比較大互聯網廠商與小互聯網廠商的運營，可以發(fā)現，協同網絡的建構要比網絡協同的形成復雜和困難得多，當廠商不具有建構協同網絡的能力時，就不能產生具有行業(yè)壁壘的網絡協同效應。這樣的解說可能有點晦澀難懂，但阿里淘寶的例子可以清晰地說明這種情況。它的機理在于，廠商投資經營的目的是實現效用(利潤)最大化，廠商會追求資本、技術、規(guī)模優(yōu)勢和價格控制等市場勢力，而要取得市場勢力就必須尋找最佳競爭路徑，這是市場經濟的機理。在大數據和人工智能時代，廠商會選擇數據智能化和網絡協同化作為競爭路徑，并追求網絡協同效應。這便引出一個問題要討論，那就是這樣的競爭路徑會不會形成以及怎樣形成大數據和人工智能時代的行業(yè)壟斷問題。

四、 行業(yè)壟斷形成中的網絡協同效應及其發(fā)展

經濟學有關壟斷的性質分析和模型研究，就廠商競爭與壟斷形成的關聯而論，主要是圍繞競爭和壟斷如何影響或決定價格和產量，并通過分析規(guī)模經濟、市場占有率和進入壁壘等展開的。如上所述，無論是新古典經濟學創(chuàng)立的完全競爭模型和壟斷競爭模型，還是以交易成本為核心和以博弈論和信息經濟學為分析工具的現代經濟學，都是通過已發(fā)生事件的部分數字化數據來研究競爭和壟斷的，經濟學家在工業(yè)化時代不具有利用新科技手段對非數字化數據進行處理的能力，落實到廠商競爭和壟斷的分析，他們有明顯的主觀判斷成分。社會經濟運行進入大數據和人工智能時代后，廠商以數據智能化作為競爭手段，通過機器學習和其他人工智能技術完成了對非數字化數據的處理。數據智能化在能夠相對準確地預判產品和服務的供求及數量結構時，在什么樣的條件配置下會形成行業(yè)壟斷，如果出現行業(yè)壟斷，它對產業(yè)組織結構會發(fā)生哪些影響，等等。

(一) 新技術層級低的廠商可以在數據智能化基礎上實現一定程度和范圍內網絡協同化，但難以產生網絡協同效應

物理世界的在線化以及由此產生的互通互聯，是大數據、互聯網和人工智能等相互融合的結果，經濟活動的結網互通使海量企業(yè)和個人之間有了互動平臺，導致了企業(yè)和個人之間的網絡協同成為現實。(5)網絡協同可以這樣直觀解釋，即企業(yè)和個人在互聯網或物聯網上互動所形成的關聯。例如，美國的亞馬遜、Facebook、谷歌和中國的騰訊、阿里巴巴就是網絡協同化的典型代表，網絡協同化創(chuàng)造出互聯網價值的網絡協同效應。廠商投資經營能不能實現網絡協同效應，前提是取決于廠商的數據智能化，標志是廠商能夠挖掘、搜集、整合、分類、加工、處理和匹配大數據。數據智能化的高技術要求主要反映在兩大方面：一是借助移動互聯網、傳感器、社交媒體和定位系統(tǒng)等獲取大數據的較高技術層級，二是掌握像谷歌和百度那樣的搜索引擎，以及掌握像阿里云那樣的云計算和云服務的較高技術層級。顯然，技術層級低的廠商是不具有這些能力的，但即便如此，低技術層級的廠商可以通過互聯網或物聯網做到與其他廠商和個人之行為互動的網絡協同，只是他們不可能在投資經營中實現具有較高市場占有率和較高產品集中度的網絡協同效應。

現有文獻所描述的“互聯網+”企業(yè)，通常是指那些初步具備了數據智能化和網絡協同化能力，但難以實現網絡協同效應的企業(yè)。我們要考慮到網絡協同的場景或生態(tài)。一般來講，廠商在互聯網上的投資經營場景或生態(tài)簡單以至于單一，廠商便不可能實現網絡協同效應，反之相反。這個問題的進一步探討，涉及數據智能化和網絡協同化對廠商投資經營的效用函數問題。從產業(yè)組織變動來考察這個效用函數，網絡協同效應便成為一個寬泛論題。首先，該效應要求廠商具備較高的新科技層級；其次，該效應對競爭和壟斷會發(fā)生影響；再次，該效應是衡量廠商的產量和價格決定、產品集中度以及市場占有率等能不能取得效用最大值的參照系；最后，該效應是引致大數據時代產業(yè)組織演變的重要因素。當我們將廠商競爭路徑看成既定、進而重點關注網絡協同效應之于行業(yè)壟斷的關聯時，以上分析表明，只有新科技層級很高的廠商才有可能成為行業(yè)壟斷的行為主體。

(二) 網絡協同效應以數據智能化和網絡協同化為前提，廠商網絡協同效應的實現過程是行業(yè)壟斷的形成過程

在西方經濟學理論中，經濟學家研究得比較多并且形成系統(tǒng)理論的，是以“成本劣加”為分析基礎的自然壟斷理論。自然壟斷的特征是單個廠商能夠比兩個或兩個以上廠商低成本地提供產品或服務，其成本呈遞減的規(guī)模經濟優(yōu)勢(Perrakis等，1982；William和Sharkey，1982)[23-24]；經濟學家們認為自然壟斷可以通過價格規(guī)制、政府補貼等產業(yè)政策的約束機制加以控制(Bradford，1970；Lerner，1964)[25-26]。這里引出一個值得討論的問題，大數據時代的行業(yè)壟斷是新科技引發(fā)的，它比自然壟斷的范圍寬泛，超越了電力、自來水、通訊等基礎部門的界限，我們應該如何聯系大數據、互聯網和機器學習等人工智能技術的融合來認知行業(yè)壟斷呢？很明顯，這個問題的討論要圍繞網絡協同效應進行。

行業(yè)壟斷意味著該行業(yè)的產品和服務規(guī)模、價格確定和技術門檻等被市場勢力大的廠商操控。這樣的廠商具有以下特征：(1)在大數據挖掘和處理上具有極高的云計算和機器學習能力；(2)能夠在互聯網平臺上協調多邊市場和適應潛在生命力生態(tài)的能力；(3)通過數據智能化預判供給端，通過網絡協同化預判需求端；(4)能夠通過復雜場景設計來穩(wěn)定客戶群，以至于客戶轉移購買和消費會產生較高成本。廠商通過數據智能化競爭路徑而取得網絡協同效應，除了新科技層級的規(guī)定性外，行業(yè)的產品和服務對象也存在著規(guī)定性(如前文論及的難以實現網絡協同效應的出租車行業(yè))。換言之，網絡協同效應不是單純的新科技層級的產物，而是技術面和市場面之于復雜場景的綜合。誠然，與工業(yè)化時代一樣，大數據時代行業(yè)壟斷的終極表現形式，仍然是價格操縱、產品高度集中以及極高的市場占有率等等，但大數據時代的行業(yè)壟斷是新科技競爭路徑導致，它是以數據智能化和網絡協同化為前提的，以產生網絡協同效應為標志，并且這種行業(yè)壟斷的市場化程度很高，并不需要政府染指其間。因此，網絡協同效應的實現過程是行業(yè)壟斷的形成過程。

(三) 網絡協同效應和行業(yè)壟斷的未來格局，歸根結底，取決于機器學習等人工智能手段匹配大數據的科技發(fā)展，取決于大數據、互聯網和人工智能等的融合程度

在未來，科技創(chuàng)新及其應用會推動廠商通過數據智能化和網絡協同化來重塑產供銷運營模式，這可以理解為大數據時代廠商競爭路徑選擇所演繹出的行業(yè)壟斷的形成機制，該機制會明顯受到新科技發(fā)展及其應用的制約。從未來學家的觀點討論這個問題，新科技發(fā)展及其應用對廠商競爭路徑、產供銷運營模式的導引作用，實際上就是把產品和服務的供給量和需求量及其結構的數量確定作為一種“算法”處理。這種“算法”能達到多大程度的準確性或精準性，機器學習等人工智能手段匹配大數據的科技進步是關鍵。事實上，進入大數據時代以來，一些科技層級比較高的廠商就開始嘗試利用云平臺和云計算，運用機器學習等人工智能手段來確定自己的產量和價格；隨著新科技成為廠商競爭路徑選擇的主要工具，從廠商搜集、整合、分類、加工和處理大數據的過程看，社會經濟運行也就進入了數字經濟時代。

網絡協同化所催生的網絡協同效應，是針對新科技層級極高的廠商而言的，易言之，新科技層級較低的廠商可以取得網絡協同化，但很難取得網絡協同效應。理解這一點非常重要，它是我們解釋網絡協同效應引致行業(yè)壟斷的立論依據。大數據、互聯網和人工智能等融合對于未來網絡協同效應及行業(yè)壟斷的形成，既是條件也是結果。從條件看，這一融合使廠商的云平臺利用、云計算運用和人工智能匹配大數據等成為可能，即廠商只有在這種融合的條件下才有可能實現網絡協同效應和行業(yè)壟斷；從結果看，網絡協同效應和行業(yè)壟斷會驅動廠商開辟新科技的競爭路徑。如果說廠商選擇數據智能化作為競爭路徑，是廠商實現網絡協同化的充分條件；那么，網絡協同效應則是實現行業(yè)壟斷的必要條件。亞馬遜、谷歌、Facebook、騰訊和阿里巴巴等巨型互聯網公司的行業(yè)壟斷示范是風向標嗎？它們預示著未來嗎？

未來互聯網上的多對多互動，是廠商網絡協同化的主要形式，這種互動對產業(yè)組織也會發(fā)生網絡協同化影響。網絡協同化的“消費和投資的一對多互動→消費和投資的多對多互動→消費和投資的社交網絡服務互動”的演變史，可看成是大數據、互聯網和人工智能等逐步融合的進程史；它在檢驗廠商科技層級之成色的同時，也在推動著產業(yè)組織結構的變動；隨著多對多互動的網絡協同化席卷廠商投資經營的所有活動，產業(yè)組織會從垂直整合架構轉化為網絡協同架構，網絡協同效應就會出現，行業(yè)壟斷便會伴隨著產業(yè)組織的網絡協同架構和網絡協同效應而產生。在未來的投資經營競爭中，廠商一定會通過數據智能化提高技術層級，一定會通過網絡協同化去追求網絡協同效應；如果某一行業(yè)的產品和服務具有復雜場景或高級生態(tài)，則這一行業(yè)中技術層級極高并且能夠取得網絡協同效應的廠商，就很可能成為行業(yè)的壟斷者。

五、 結 語

廠商在投資經營過程中始終面臨著競爭路徑的選擇問題，在工業(yè)化時代，科技進步一直是左右廠商競爭路徑選擇的重要因素。新古典經濟學偏好于理論體系的完美，曾把科技因素作為外生變量處理，隨著科技因素在經濟運行和發(fā)展中作用的凸現，現代經濟學開始將科技因素作為內生變量看待，但就其整個理論體系的模型設置和分析架構來看，科技因素是從屬于諸如價格、成本、利潤以及與此相關的經濟變量。人類進入大數據和互聯網時代以來，廠商利用云平臺、云計算、機器學習等人工智能手段搜集、加工和處理大數據，并以此決定投資什么、投資多少、生產什么、生產多少和怎樣生產的事實，明顯反映出新科技對廠商選擇競爭路徑的影響和決定作用。正是基于這樣的事實，本文把新科技作為內生變量并據此論證大數據、機器學習與廠商競爭路徑的關聯。當然，這里的論證只是一種描述它們之間關聯的思想火花，它還需要設置參數和模型來描述它們之間存在的機理，以便在符合經濟學分析規(guī)范的前提上讓科技因素真正成為內生變量。

廠商挖掘、搜集、整合、分類、加工、處理大數據，以及用人工智能手段來匹配大數據，是大數據時代廠商競爭路徑選擇的未來趨勢；機器學習在這一趨勢中扮演著十分重要的角色，它不僅幫助廠商匹配大數據，而且?guī)椭鷱S商挖掘和搜集大數據。本文將廠商選擇競爭路徑時處理大數據和運用機器學習等人工智能手段進行產供銷，解說為數據智能化；與此相對應，把廠商與廠商、廠商與個人以及個人與個人之間在互聯網上的投資經營互動，解說為網絡協同化，認為科技層級較低的廠商即便具備數據智能化和網絡協同化，也難以實現網絡協同效應；只有科技層級極高的廠商才有可能實現網絡協同效應。這個觀點的核心是認為網絡協同效應伴隨復雜場景，它會形成進入壁壘，從而產生行業(yè)壟斷。大數據時代的行業(yè)壟斷不同于工業(yè)化時代，我們能不能以網絡協同效應作為研究行業(yè)壟斷問題的分析窗口，值得經濟學家討論。

本文有關廠商競爭路徑的分析是在市場框架內展開的，沒有考慮體制和政策因素，這便引申出一個問題，那就是如果大數據和人工智能等在未來能夠主宰微觀經濟活動，那么政府還需不需要對產業(yè)組織運行干預。從理論上來講，政府是否需要對產業(yè)組織中的壟斷做出干預，依據在于該壟斷會不會影響資源合理配置，于是，問題的討論轉向了大數據時代的資源配置分析。其實，微觀層面上的資源配置問題與廠商競爭路徑選擇存在正相關，市場自然演繹所形成的競爭路徑通常會使資源得到合理配置。因此，沿著本文分析思路的后續(xù)研究應該將資源配置問題納入其中，當廠商利用云平臺、運用云計算和機器學習等人工智能手段來匹配大數據，從而通過數據智能化和網絡協同化確定投資經營已成為一種趨勢性的競爭路徑時，產品和服務的交易就會去中間化，大數據時代便出現了有別于純粹市場機制的一種嶄新的資源配置機制。這是我們研究大數據、機器學習和廠商競爭路徑相互關聯而得出的邏輯推論。

大數據時代廠商競爭路徑的選擇問題，說到底，是廠商挖掘、搜集、整合、分類、加工、處理大數據的問題，這個問題的研究之所以會涉及機器學習，乃是因為它是大數據匹配的主要手段。目前，新科技層級較高的廠商已經能夠駕馭歷史數據，對現期數據的加工和處理也取得了一定的進展，但他們還沒有掌握加工和處理未來數據的機器學習方法?？梢酝茢?，新科技層級較高的廠商會促動新科技層級較低的廠商提高加工和處理大數據的能力，倘若如此，微觀經濟領域出現以新科技作為競爭路徑的趨勢便非常明顯，特別是在廠商能夠加工和處理未來數據的背景下，大數據、機器學習與廠商競爭路徑之間的關聯脈絡就更加清晰了。