傾向性評分法

傾向性評分法是由統計學家 Paul Rosenbaum 與 Donald Rubin 於1983年提出的統計技術，旨在解決觀察性研究中的選擇偏誤（selection bias），使其分析結果能逼近隨機對照試驗（RCT）的因果推斷效果。其核心定義為：計算每一個體（如使用者、部門）基於其一組可觀察的特徵（共變數），接受某種「處理」（如採用新隱私技術、接觸特定數據）的條件機率，此機率即為「傾向性評分」。透過配對、分層或加權等方式，使處理組與對照組在傾向性評分上分佈相似，即可創建出一個背景特徵均衡的比較基礎。在風險管理體系中，此方法能客觀評估特定資安或隱私措施的真實效益。雖然國際標準未直接命名此方法，但其應用完美體現了歐盟《一般資料保護規則》（GDPR）第5條的「公平性」與「問責制」原則，並是執行第35條「資料保護影響評估」（DPIA）時，用以驗證演算法或措施不存在歧視性影響的關鍵工具，亦符合美國國家標準暨技術研究院（NIST）AI風險管理框架（AI RMF）中對偏誤緩解的要求。

在企業風險管理中，傾向性評分法能將風險評估從「相關性」分析提升至更可靠的「因果性」推斷。具體導入步驟如下： 1. **定義問題與變數**：明確界定「處理組」（如：已導入AI監控系統的分行）與「對照組」（未導入的分行），並蒐集所有可能影響「處理」分配及最終結果的共變數，例如分行規模、員工人數、地區、過往風險事件數量等。 2. **估計傾向性評分**：使用邏輯斯迴歸（Logistic Regression）模型，以共變數為自變數，預測每個分行「被選中導入AI系統」的機率，此機率即為傾向性評分。 3. **平衡樣本與配對**：依據算出的傾向性評分，採用最近鄰配對法（Nearest Neighbor Matching）等技術，為處理組的每個分行在對照組中找到一個或多個評分最相近的配對象，形成一個在所有共變數上分佈均衡的新樣本。 4. **評估真實效益**：在配對後的平衡樣本上，比較處理組與對照組的目標結果（如：內部詐欺案件數量、資料外洩率），其差異更能真實反映AI監控系統的導入成效。此方法可顯著提升DPIA或內部審計報告的客觀性，例如一家跨國零售商曾用此法證明其新型庫存管理系統並未對特定區域的供應商造成不公平的訂單分配，使其順利通過歐盟供應鏈人權盡職調查，合規率達99%。

台灣企業導入傾向性評分法主要面臨三大挑戰： 1. **資料品質與整合困難**：許多企業的資料散落於不同系統，格式不一且常有缺漏，難以收集建立模型所需的乾淨、完整的共變數資料集。 2. **統計分析人才稀缺**：此方法涉及複雜的因果推斷理論與統計建模技術，企業內部普遍缺乏具備相關技能的資料科學家或風險分析師。 3. **法規驅動力不足**：相較於歐盟GDPR對演算法公平性的嚴格要求，台灣現行《個資法》對此著墨較少，企業缺乏足夠的外部壓力來投資於這類進階的合規驗證方法。 **對策與行動項目**： * **克服資料挑戰**：應優先建立輕量級的資料治理框架，定義關鍵數據標準。可從單一部門或單一專案開始進行試點（預期時程：3個月），先求成功案例再擴大推行，而非追求一次性的全面導入。 * **解決人才問題**：短期內可與外部專業顧問合作，以專案形式導入並同步進行內部培訓，建立基礎能力（預期時程：6個月）。中長期則應規劃招募具備計量經濟學或生物統計學背景的人才。 * **強化內部動機**：將公平性與無歧視性分析納入企業ESG（環境、社會、治理）報告的一環，主動揭露對利害關係人的承諾，將合規從被動防守轉化為主動的品牌價值與競爭優勢。