日本經濟產業省公布「再生能源導入促進關聯制度改革小委員會報告書」
日本經濟產業省「促進再生能源關連制度改革小委員會（再生可能エネルギー導入促進関連制度改革小委員会）」於2016年2月5日公布了報告書，該報告書集結了自2015年9月以來，共計13次的討論整理，未來FIT制度改革方向，將以此為根基。
提出該報告的目的在於，達成最加能源構成方案（エネルギーミックス）之目標，於2030年導入22-24%之再生能源，冀望在最大限度導入再生能源，並與抑制國民負擔之間調合並存。
該報告提出五大修正制度方針，分別簡述如下：
(一)針對未運行案件對應修正認證制度
(1) 進一步加強撤銷認證制度之報告徵收及聽證程序。
(2) 創設新認證制度，應確認該發電事業的實施可能性後，才得認定為FIT。
(二)促進長期安定發電的配套措施
(1) 事業者應做適當的檢查及維修、發電量定期報告，制定廢棄及回收等應遵守事項。若有違反情事，主管機關得發出改善命令或是取消認定資格。
(2) 確認並遵守所涉及之土地使用條例、公告認定資訊、提供地方政府建構計畫內容。
(三)導入成本效率
(1) 設定中長期之「收購價格」目標。
(2) 以Top Runner等方式決定具備「成本效率」之收購價格，亦即以最佳方式選擇。
(3) 賦課金減免制度為一個可持續的機制，同時透過活用賦課金以確保基金，並確認對象事業的節能方案及對國際競爭力的影響等（檢討減免率）。
(四)擴大導入開發週期長（リードタイムの長い）之電力
(1) 開發週期較長之電力，預先於數年前決定認證案件之收購價格。
(2) 進行環評期間減半（通常為3~4年）等必要規制改革。
(3) 於FIT認證前，得申請接續系統。
(4) 針對不同電力的挑戰檢討對應的支援方法
(五)擴大導入電力系統改革之優勢
(1) 基於「廣域系統整備計畫」，計畫性地推動整備廣域系統。
(2) 對應區域系統之限制，公告系統資訊以及建設費用之單價。此外，繼續活用投標邀請規則（入札募集ルール），共同負擔系統升級費用。
(3) FIT收購義務人由零售事業者轉換為輸配電事業者，並促進全國區域間電力調配（広域融通）之順暢性。收購後之電力，得經由交易市場外直接輸送予零售事業者。
(4) 整備再生能源事業者間公平之輸出控制規則（公平な出力制御ルール）。
何亦婕
法律研究員 編譯整理
〈再生可能エネルギー導入促進関連制度改革小委員会報告書（案）の概要〉，経済産業省，2015/12/15， http://www.meti.go.jp/committee/sougouenergy/kihonseisaku/saisei_kanou/pdf/006_01_00.pdf （最後瀏覽日：2016/03/17）。
〈再生可能エネルギー導入促進関連制度改革小委員会報告書〉，経済産業省，2016/02/05， http://www.meti.go.jp/committee/sougouenergy/kihonseisaku/saisei_kanou/pdf/report_01_01.pdf（最後瀏覽日：2016/03/17）。
歐盟有毒物質禁用指令（ RoHS ）已自今年 7 月起上路，國際間陸續有其他國家跟進：目前為止，美國約有半數的州已通過相關法令，加州從明年起亦將開始實施；至於亞洲的日本已與歐盟同步實施、韓國將於明年 7 月上路；澳洲草案也已經出爐，至於實施日期則未定。 為與國際接軌，環保署也正積極推動國內版 RoHS ，目前法案名稱尚未確定，不過內容將會與國際接軌，除限制電子電機等產品，不得含有鉛、汞、鎘、六價鉻、聚溴聯苯和聚溴二苯醚等六種有毒化學物質或限制其比率外，檢驗標準亦將比照歐盟，採用事後市場管理機制，亦即先放行產品進口，並採事後抽測方式檢驗，因為採事前市場管理，將造成貿易障礙，實施檢驗亦有困難。至於罰責方面則仍須商榷，環保署表示目前我國要先合併「廢棄物清理法」與「資源回收再利用法」的法源，預定在年底前召開公聽會並送行政院審查，最快也要等明年立法院第一會期通過後才會實施。
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。
台灣自由軟體今年產值逾12億MIC資料顯示，台灣自由軟體產業軟硬體的相關產值從2003年的135億，至今年可望成長至新台幣290億。如果單看自由軟體的產值，今年可望超過新台幣12億，較去年成長26％。 資策會表示，在政策推動下，自由軟體的需求面有逐漸增加的趨勢。就市場整體來看，我國自由軟體產業的產值，今年上半年達到新台幣5億9000萬，全年將超過12億，達到12億3700萬，而從2002年至2006年，台灣自由軟體產業軟體產值的年複合成長率高達55％。 預期到2007年，自由軟體產值可望達新台幣100億元，投入軟體開發廠商將達50％，而政府單位的個人電腦使用比例可望達到10％。