因應京都議定書生效壓力 工廠溫室氣體減量 將訂規範
全國能源會議於
工業部門溫室氣體排放量占全國排放總量五五％，但占全國 GDP 比例逐漸減少，工業局計畫在全國能源會議中，提出多項溫室氣體減量措施。
為建立產業減量機制，工業局規劃出短、中、長期三階段減量計畫外，並提出攸關溫室氣體查核機制的能源效率計算模式，藉由會議尋求共識後，逐步落實。
據瞭解，能源效率計算機制因各國規劃採取的措施不同而所有差異，有國家採用每人耗能量為計算基準，也有以生產產品所需耗能量計算，或是每創造單位國內生產毛額所需耗用的能源計算（即能源密集度）。
工業局認為，以能源密集度做為我國工業查核指標，可顯示能源消費與該產業的邊際效應變化趨勢，有助於落實工業部門減量策略的執行，因此建議我國未來在產業溫室氣體排放查核機制上，以能源密集度為查核指標。
至於，在溫室氣體減量機制上，工業局規劃我國自二○○七年時推動既設工廠實施溫室氣體減量措施，並至二○一五年時達到溫室氣體排放密集度降低一○％的目標，而其減量的基準年為二千年；在新設廠方面，則以全球一○％標竿能源效率製程的排放密集度擬訂排放標準加以審議。
本文為「經濟部產業技術司科技專案成果」
陳怡玫
副主任兼規章法制組組長 編譯整理
去（2009）年12月19日在丹麥哥本哈根落幕的聯合國氣候變遷綱要公約（UNFCCC）第15次締約國會議（COP15）結論中，其中之一是各國達成將建立一套「技術機制」（Technology Mechanism），協助開發中國家獲得減少溫室氣體排放所需的綠色技術，促進綠色技術的發展及移轉，以作為實現減量及調適的支援措施，而這項機制將依據各國的環境條件及需求優先性分別進行。此外，會議並通過採納印度提出建構「氣候創新中心」網絡（Network of Climate Innovation Centers）之提議；不過整體而言，與其他氣候變遷議題一樣，建構國際綠色技術移轉機制之進展並不如預期。 國際間有關促進綠色技術移轉之討論，在UNFCCC第4條即有明文規定，不過這項議題直到2007年召開的COP13會議所宣布的「峇里島行動計畫」（Bali Action Plan）中，與減緩、調適、資金投資並列為後京都機制的四大主軸後，才獲得廣泛重視。而2008年召開的COP14會議中更進一步提出了「波茲南技術移轉策略方案」（Poznan Strategic Programme on Technology Transfer），由已開發國家透過適當的智慧財產權管理，提供開發中國家必要的綠色技術，以達成減緩的目標，當中包括技術需求及評估、技術資訊、有利環境、能力建構及技術移轉機制等具體作法。 在促進綠色技術擴散的大方向下，各國及國際組織也在今年陸續提出不同的倡議，並聚焦到智慧財產權上。諸如作為開發中國家代表的中國、印度及巴西即紛紛呼籲應仿效在緊急情況下對部分藥品專利之強制授權作法，使開發中國家得以免費使用對環境有益技術之專利；歐洲專利局、聯合國環境規劃署以及貿易暨永續發展國際中心三個組織也展開如何使專利制度能更加促進綠色技術之創新及擴散的研究工作。不過由於已開發國家擔心如此喪失龐大的商業利益，並減損創新研發的誘因，因此多採取保留態度。兩大陣營分歧的立場在哥本哈根會議中未能突破，而僅停留在過往共識的重申，也使得國際綠色技術移轉議題將留待2010年6月的波昂會議以及12月的墨西哥會議中持續再議。
歐盟網路暨資訊安全局發布「重要基礎設施資訊安全培訓需求盤點報告」加強重要部門資訊安全作業歐盟網路暨資訊安全局於2017年12月7日發布「重要基礎設施資訊安全培訓需求盤點報告」(Stocktaking of information security training needs in critical sectors)之文件，點出各重要基礎設施之「電腦安全事件反應小組」(Computer Security Incident Response Teams, CISRT)所必須接受之資安訓練種類。 歐盟之網路與資訊系統安全指令(The Directive on security of network and information systems, NIS Directive)規範各成員國之重要服務營運者(operator of essential service)必須確認出哪些服務於維繫社會與經濟活動上具備重要性。被認定具備重要性之部門如下:能源、運輸、銀行業、金融市場基礎設施、健康照護部門、飲用水供應與分配、數位基礎設施。 此份報告指出，該重要性部門之資安等級需求並不盡相同，因此導致各部門面對資安事件之準備無法相提並論。例如，能源產業會用到SCADA系統，而金融市場基礎設施則普遍沒有相關需求。而由於NIS指令將上述七種部門列為資訊安全維護最高層級，故此份報告目的係確認該部門當前的處境，並與現階段可取得之網路安全訓練對照，進一步具體檢視各重要部門是否有其他額外的網路安全訓練需求。 我國行政院於民國106年4月公布之資通安全管理法草案要求關鍵基礎設施提供者應訂定、修正、實施資通安全維護計畫，並向中央目的事業主管機關或直轄市、縣（市）政府提出該計畫之實施情形，在未來實際落實各重要性設施之資安維護以及資安小組訓練時，須意識到各重要性設施之資訊安全需求差異性，及相關人員必須針對不同單位而受不同之訓練。
OECD：汙染性能源稅收過低無法激勵低碳轉型經濟合作與發展組織（OECD）2019年9月20日根據《2019年能源使用稅（Taxing Energy Use 2019）》報告指出，汙染性能源會造成地球與人類健康的危害，而課徵「汙染性能源稅」是降低其排放的有效方法，且稅收尚可用於協助低碳轉型，但在報告所研究的44個國家能源排放量佔全球80%以上，與能源有關的二氧化碳排放中卻有70%未徵稅，課徵的汙染燃料稅過低，無法促使其改用較為清潔的能源（cleaner energy），而無法鼓勵低碳能源轉型。 能源稅中，道路燃料稅相對較高，但無法反映其造成環境損害的成本；煤炭稅在多數國家中幾乎為零，但煤炭的碳排放幾乎佔了能源碳排放的一半；天然氣是較為潔淨的能源，其稅收通常較高。在非道路的能源碳排放中，有97%被徵稅，但44個國家中只有4個國家（丹麥、荷蘭、挪威、瑞士）的徵稅在每噸30歐元以上，遠低於環境損害的程度，近年來甚至有國家降低能源稅。 該報告表示，改善稅收政策、為低碳技術提供公平的機會，將有助於將投資轉向更環保的選擇，且額外的稅收可用於社會目的，例如降低所得稅、增加基礎設施或醫療健保支出，OECD未來將衡量減排與其他社會目標（如健康與工作），採取有效的激勵措施減少碳排放，並呼籲各國政府應正視此一問題。
德國聯邦資訊技術，電信和新媒體協會針對AI及自動決策技術利用提出建議指南德國聯邦資訊技術，電信和新媒體協會於2018年2月6日在更安全的網路研討會中針對利用人工智慧及自動決策技術利用提出建議指南（Empfehlungen für den verantwortlichen Einsatz von KI und automatisierten Entscheidungen），旨在提升企業數位化與社會責任，並提升消費者權益保護。 本份指南提出六項建議： 促進企業內部及外部訂定相關準則 例如規定公司在利用演算法和AI時，必須將影響評估列入開發流程，並列為公司應遵守的道德倫理守則，以確保開發的產品或服務符合公平及道德。 提升透明度 使用者如有興趣了解演算法及其含義，企業應協助調查並了解使用者想獲知的訊息，並透過相關訊息管道提升產品及服務透明度。因此，企業應努力使演算法及其操作和含義能夠被使用者理解。此亦涉及即將實施的歐盟一般資料保護規則中的透明度義務。在機器學習或深度學習情況下，可能會增加理解性和可追溯性難度，但有助於分析流程並使其更接近人類理解的方法在科學和商業實踐中，應特別關注並進一步討論。另外，透過教育及使用說明協助及控制功能，教導消費者係建立雙方信任的重要手段。企業應在第一線中說明產品或服務中使用的手段（演算法，機器學習，AI）。除了解釋使用那些技術來改進產品和服務外，應一併解釋如何從技術控制過程中獲得相關知識以及提供那些後援支持。另外，例如透過幫助頁面，儀表板或部落格，解釋發生什麼以及如何做出某些影響深遠的自動化決策，使用戶更了解有關使用自動決策相關訊息。因此建議企業採取強制有效以建立信任的措施，使用戶理解是否及如何使用相關演算法，此可能包括使用自動化決策，使用特定資料組和使用技術的目的，亦即使用戶對演算法，機器學習或AI支持的決策有基本的了解。 為全體利益使用相關技術 人工智慧等新技術之重要性不應被低估，目前在生活和工業等眾多領域皆有廣泛應用。對於個人和集體而言，將可帶來巨大的利益，因此應該充分利用。例如，人工智慧可降低語言障礙，幫助行動不便的人可更加獨立自主生活，改善醫療診斷，提升能源供應效率，甚至是交通規劃和搜索停車位，都只是人工智慧偉大且已被使用的案例。為促進技術發展，應公平地利用其優勢並預留商業應用模式的空間，同時充分解決涉及的具體風險。產業特定的解決方案十分重要，但應兼顧受影響者的利益，並與廣大公眾利益找出妥協平衡點，且應排除不適當的歧視。建議在使用決策支持技術時，應事先檢查相關後果並與其利益比較。例如，可以在資料保護影響評估的框架進行。作為道德準則的一部分，必須確保演算法盡可能量準確地預測結果。 開發安全的資料基礎 資料係人工智慧支援決策的基礎。與人為決策者相同，資料不完整或錯誤，將導致做出錯誤的決定。因此決策系統的可靠性仍取決資料的準確性。但資料質量和資料來源始終不能追溯到源頭，如果可能的話，只有匯總或非個人資料可用於分析或分類用戶群組。因此，確切細節不可被使用或揭露。因此建議企業應考慮要使用的資料、資料的類別和在使用AI系統前仔細檢查資料使用情況，特別是在自我學習系統中資料引入的標準，並根據錯誤來源進行檢查，且儘可能全面記錄，針對個人資料部分更應謹慎處理。 解決機器偏差問題 應重視並解決所謂機器偏差和演算法選擇和模型建立領域的相關問題。解釋演算法，機器學習或AI在基層資料選擇和資料庫時所產生決策偏見相當重要，在開發預期用途的演算法時必須納入考量，對員工應針對道德影響進行培訓，並使用代表性紀錄來創建可以識別和最小化偏差的方法。企業並應該提高員工的敏感度並培訓如何解決並減少機器偏見問題，並特別注意資料饋送，以及開發用於檢測模式的內、外部測試流程。 適合個別領域的具體措施和文件 在特別需要負責的決策過程，例如在車輛的自動控制或醫療診斷中，應設計成由責任主體保留最終的決策權力，直到AI的控制品質已達到或高於所有參與者水平。對類人工智慧的信任，並非透過對方法的無條件追踪來實現，而是經過仔細測試，學習和記錄來實現