因應歐盟「通用資料保護規則」(The General Data Protection Regulation,或譯為一般資料保護規則,下簡稱GDPR)執法之需,針對個人資料合法處理要件之一當事人「同意」,歐盟資料保護工作小組(Article 29 Data Protection Working Party, WP29)特於本(2018)年4月10日修正通過「當事人同意指引」(Guidelines on consent under Regulation 2016/679),其中就有效同意之要件、具體明確性、告知、獲得明確同意,獲有效同意之附加條件、同意與GDPR第6條所定其他法定要件之競合、兒少等其他GDPR特別關切領域,以及依據指令(95/46/EC)所取得之當事人同意等,均設有詳盡說明與事例。
GDPR第4條第11項規定個人資料當事人之同意須自由為之、明確、被告知,及透過聲明或明確贊成之行為,就與其個人資料蒐集、處理或利用有關之事項清楚地表明其意願(unambiguous indication)並表示同意。殊值注意的是,如果控制者選擇依據當事人同意為任何部分處理之合法要件,須充分慎重為之,並在當事人撤回其同意時,即停止該部分之處理。如表明將依據當事人同意進行資料之處理,但實質上卻附麗於其他法律依據,對當事人而言即顯係重大不公平。
換言之,控制者一旦選擇當事人同意為合法處理要件,即不能捨同意而就其他合法處理的基礎。例如,在當事人同意之有效性產生瑕疵時,亦不允許溯及援引「利用合法利益」(utilise the legitimate interest)為處理之正當化基礎。蓋控制者在蒐集個人資料之時,即應揭露其所依據之法定要件,故必須在蒐集前即決定其據以蒐集之合法要件為何。
.Pindent{text-indent: 2em;} .Noindent{margin-left: 2em;} .NoPindent{text-indent: 2em; margin-left: 2em;} .No2indent{margin-left: 3em;} .No2Pindent{text-indent: 2em; margin-left: 3em} .No3indent{margin-left: 4em;} .No3Pindent{text-indent: 2em; margin-left: 4em} 美國聯邦貿易委員會(Federal Trade Commission,下稱FTC)於2024年10月16日公佈一項新的「消極選擇規定」(Negative Option Rule),要求提供持續訂閱服務或採用「消極選擇」(Negative Option)模式的銷售者必須遵循新規定的要求,要求提供如「一鍵取消」(click-to-cancel)等簡便的解約方式,使消費者能夠以與訂閱時同樣簡便的方式取消服務。 「消極選擇」不以特定形式呈現,其特徵是容許銷售者將消費者的沉默和未積極拒絕或取消行為,解釋為同意該契約條款。因此,消極選擇規定旨在加強對此類訂閱服務的監管,避免消費者因無法簡單地取消而蒙受不必要的損失。 FTC每年皆會收到大量關於消極選擇模式訂閱的消費者投訴,其中多數涉及自動續約付款、難以取消的訂閱服務等問題。為應對這些投訴的增加,FTC遂制定新規則以更全面地因應消極選擇模式,同時提升對不公平或欺騙性行銷行為的執法力度。此規則將適用於所有媒體形式,包括互動媒體、電話、印刷品及面對面交易,主要禁止銷售者有下列幾種行為: 1. 誤導行銷資訊:賣家不得對有消極選擇商品或服務的費用、用途等重要資訊作出虛假或誤導性的行銷。 2. 未揭露重要資訊:在獲取消費者與消極選擇功能相關的帳單資訊前,必須以清晰且顯而易見的形式提供重要資訊,如收費條件和解約方式。 3. 未取得明確同意:向消費者收費前,銷售者必須取得消費者對消極選擇功能的明確同意。 4. 未提供簡易取消機制:未提供簡單的機制來取消消極選擇功能,並且立即停止收費。 此規則具體實施時間,將於聯邦公報上公佈後180天(即2025年5月14日)生效。該規則施行後,能為消費者提供更公平的市場環境,確保消費者不會因複雜的取消流程而持續支付不需要的費用。新規則的制定彰顯FTC在保護消費者權益方面又向前邁進,更有助於遏制利用消極選擇模式進行的不當商業行為。
國際能源總署發布「2026年能源政策現況」報告,說明全球能源安全、政府支出與減碳政策趨勢國際能源總署(International Energy Agency, IEA)於2026年4月發布「2026年能源政策現況」(State of Energy Policy 2026)報告,盤點2025年全球能源政策發展。報告涵蓋84個國家,約占全球能源需求與排放量逾90%,並以IEA全球能源政策資料庫逾6,500項政策措施為基礎,分析能源安全、政府能源支出、能源效率規範、氣候承諾及各部門政策變化。 報告指出,近年全球供應鏈中斷、俄烏戰爭、關鍵礦物出口管制、極端高溫及中東衝突等因素,使能源再次成為國家安全與經濟安全核心議題。各國除持續強化石油及天然氣儲備制度外,也開始重視關鍵礦物、太陽能板、電池、變壓器及其他潔淨能源設備之供應鏈韌性。2025年已有19國採行35項關鍵礦物相關政策,主要聚焦於生產、精煉及回收之財務支持。 在政府支出方面,IEA估計2025年全球能源相關政府支出達4,050億美元,約占政府總支出1.4%,仍高於疫情前水準。惟部分國家已調整能源補助與稅額抵減制度,包括美國削減部分潔淨能源稅額抵減、歐盟復甦與韌性基金逐步屆期、中國降低再生能源補貼等,使2025年至2030年預估能源支出較先前預期下降約四分之一。 在能源效率與氣候政策方面,2025年部分國家放寬、延後或撤回能源效率標準,使全球約30%受管制能源消費受到影響;相較之下,僅約17%能源消費適用更嚴格標準。IEA並指出,2025年提交之氣候承諾整體上未顯示能源部門減排速度將明顯加快。 能源政策現狀報告顯示,各國能源政策正同時面對能源安全、物價負擔、產業競爭力、財政限制及淨零轉型等多重壓力,後續政策設計將更重視供應鏈韌性、財政可持續性及市場化支持機制。
德國新修正稅法將加重電子商務營運商之責任德國政府於2018年8月1日通過「2018年稅法」(Jahressteuergesetzes 2018),新規範將於2019年生效。「2018年稅法」修正內容包括所得稅、公司稅、貿易稅及增值稅等多項稅收法規。其中增值稅(Umsatzsteuer)之修正主要目的係為了避免德國境外之電子商務業者在與德國民眾進行電子商務交易時,未繳增值稅(Umsatzsteuerausfällen)之情況發生,為了確保相關之稅收繳納,透過本次修法加強了電子商務平台營運商之管理義務,平台營運商將有義務提供德國政府在其平台交易之賣家(包括企業與個人)相關資訊並確保其支付相關稅負。 德國增值稅(英文為:Value Added Tax)適用對象為德國境內所發生的進口、商業及服務交易行為,從歐盟以外地區進口到德國的貨物或向德國消費者提供跨境銷售皆需要繳納19%的增值稅。但據德國稅務局的資料顯示,德國的跨境電子商務交易每年約有5億歐元的增值稅未能被徵收。因此,德國政府修正的稅法中,大幅增加了平台營運商之義務(第22f款UStG)及實際責任(第25e款UStG)。修正之稅法要求平台營運商必須記錄下列事項,且若利用該平台之賣家未繳稅款,其平台營運商則須為該賣家繳交必要的增值稅: 賣家的全名和地址; 企業賣家之德國稅號及增值稅識別號碼;(個人賣家則為含有生日的身分證件) 上述稅務證明之有效日期; 每筆交易的發貨地址及收貨地址; 銷售時間及銷售額。 新修正稅法可大幅避免跨境電商逃漏稅收,同時也保護了德國境內的零售商。因為過去若國外電子商務賣家逃漏增值稅,則會與德國境內零售商所賣之貨物產生約兩成價差(稅率為19%),進而形成不公平競爭,而新法旨在消弭這樣不公平的情況。但這樣的方式對於平台營運商之責任及營運成本皆加重,故新法對於電子商務平台方的影響,有待未來進一步觀察。
強化AI安全防線:八國連署AI與機器學習供應鏈風險管理指南日本國家網路安全辦公室(国家サイバー統括室)於2026年3月5日,代表日本連署了「AI、機器學習供應鏈風險與緩和措施」(Artificial intelligence and machine learning Supply chain risks and mitigations)之國際文書(下稱本文書),並公布本文書內容。本文書是由隸屬於澳洲訊號局(Australian Signals Directorate,簡稱ASD)之澳洲網路安全中心(Australian Cyber Security Centre,簡稱ACSC)主導訂定,主要針對有導入或開發 AI、機器學習系統與元件等需求的組織,揭示其可能存在供應鏈風險與提升整體網路安全之重要性,並就AI開發或採購階段,組織應留意相關風險與可採行之緩和措施。有關連署國家,除了日本與澳洲以外,也包括加拿大、紐西蘭、韓國、新加坡、英國與美國等共八個國家皆已完成連署。 本文書內容強調組織於管理 AI、機器學習等風險時,應將 AI 供應鏈視為整體網路安全戰略的一環,同時評估產品或服務之整體生命週期風險,不應著重於單一技術,而是組織需要掌握整體供應鏈的全貌,包括特定關係事業者、活用AIBOM(AI物料清單,主要用來記錄AI模型相關資產與資訊,提供快速定位與管控AI問題模型功能)或SBOM(軟體物料清單,主要記錄軟體相依元件,用於漏洞管理與供應鏈透明度)、意識到是否已針對AI、機器學習系統可能帶來的風險,進行漏洞管理,以及針對AI、機器學習系統所導致之網路安全事件建立應處機制等。 本文書將AI、機器學習供應鏈風險大致區分為五類:AI 數據、機器學習模型、AI 軟體、AI 基礎設施(含硬體),以及第三方服務,本文書指出AI、機器學習應用於供應鏈時可能產生之風險,其中包括數據品質不良、資料受竄改、模型遭植入惡意程式碼、軟體元件複雜導致難以保證其安全、硬體與韌體擴大攻擊面,以及導入第三方服務致使供應鏈產生弱點等。 此外,本文書也針對各類風險提出可行的因應方法,例如: 1.數據面:需做標準化搜集、外部資料檢疫、資料前處理與完整性驗證。 2.模型面:需從可信來源取得透明模型,實施性能驗證與惡意程式偵測。 3.軟體面:需做完整性驗證、元件審核,並透過 SBOM 掌握已知弱點。 4.硬體面:需確認設備無惡意內容,並在網路中適當分區。 5.第三方服務面:需持續評估與監控供應商的資安實務與脆弱性管理。 總結來說,日本已意識到國家網路安全治理下,針對AI、機器學習的安全,不單是模型安全,而是涉及整體性供應鏈安全。日本藉由與他國連署國際文書,不僅強化國際合作,同時建立供應鏈網路安全共識,因應AI對於國家供應鏈之網路安全挑戰,從資料、模型、軟體、硬體到第三方服務等視角提出具體因應方法,作為全面提升國家整體網路安全環境之參考指引。日本透過強化與他國合作,提升國家網路安全治理之作法,值得我國未來借鏡參考。