数据正义、算法歧视与规制

大数据的蓬勃发展,推动着人工智能算法在工商业活动中的深度应用,此过程中,数据分析和算法内部演算带来了针对特定群体的歧视性对待。作为传统歧视在算法领域的一种技术表现,算法歧视主要根源于归纳式逻辑等技术陷阱,相较于传统歧视而言,算法歧视造成了更深层的非正义现象。对此,应通过数据开放、算法透明与优化、伦理审查等手段推动算法监管转型,逐步建立完善的算法监管制度,实现对算法歧视的法律规制,确保数字时代社会的安全和发展。     

算法歧视的司法审查——意大利户户送有限责任公司算法歧视案评析

意大利户户送有限责任公司算法歧视案所涉及的众多理论问题中,以户户送有限责任公司平台使用的算法是否对骑手造成歧视为核心。博洛尼亚法院的判决从骑手是否受反歧视法律的保护、歧视的含义以及平台算法对骑手的影响是否构成歧视等角度层层深入说理论证,最终认定该平台使用的算法构成间接歧视,并要求户户送有限责任公司支付原告三个工会组织5万欧元的惩罚性赔偿。该判决是欧洲针对算法歧视做出的第一个判决,在认定算法歧视、保护骑手权利以及确认惩罚性损害赔偿方面具有重要意义。     

大数据金融算法的法律规制

在大数据时代,算法已经成为大数据金融发展的核心底层技术.在享受大数据金融算法优化和重构传统金融业的商业模式、驱动新兴科技金融产品和业务创新的同时,亦必须面对其可能带来的算法黑箱、算法歧视、价格操纵、隐私泄露、算法鲁莽等负面效应.为此,大数据金融算法必须接受法律的规制,需在适度监管理念的指引下,完善大数据金融算法法律体系,重构大数据金融私法关系,建立大数据金融自律机制,并强化大数据金融行政监管机制,通过\"多元共治\"促进大数据金融算法规范运用.     

算法歧视下的普惠金融监管——基于算法歧视与普惠金融风险的耦合性

大数据技术的迅速发展使全球数据总量呈几何式飞速增长,大数据算法凭借训练数据量的增加和人工智能的发展而广泛应用于社会各个领域,也为普惠金融的发展提供了新契机.但算法本身并不具有天然的价值中立性,设计偏差、算法黑箱、问责机制缺失等导致算法歧视具有普遍性.智能算法的这种劣根性完全背离了普惠金融的公平属性,严重威胁着普惠金融体...     

算法型评分工具：优势、风险与法律规制

在个人金融借款业务中,对借款人进行信用评价是风险控制的核心手段。信用评价的工具随着科技进步而不断改进,近年来又兴起了向算法型评分工具发展的趋势。算法型评分工具的特点表现为,依托机器学习算法和以借款人的新型替代数据为分析对象。之所以要引入算法型评分工具,是因为其相较于传统型评分工具具有增强包容性和提高预测准确性的显著优势,符合信用评分行业准确性和公平性的核心要求。与此同时,伴随着机器学习算法的嵌入,算法型评分工具自身也潜藏着评分不透明、不准确和不公平的风险。在我国现行法律体系下,《个人信息保护法》提供了可用于规制上述风险的法律手段。具体来说,信用评分机构须主动就其算法开展贯穿全周期的影响评估,评估活动应遵循较为严格的评估标准;借款人可向信贷机构或评分机构主张行使算法解释权,评分机构的商业秘密保护和算法的技术复杂性并不会影响该权利的可行性和实效性;借款人还可以信贷机构为对象主张算法结果拒绝权,要求信贷机构对贷款决策进行人工干预。     

算法个性化定价：经济原理、实施风险与法律规制

作为一种新型价格机制与定价秩序,算法个性化定价本质是一种经济实践：网络效应、长尾理论诠释了其实施基础和动力机制,价格歧视是算法个性化定价的经济学属性。算法个性化定价虽然没有超越价格歧视的实质范畴,但算法与差异定价的结合却可能产生对消费者知情权和公平交易权的普遍性损害以及不正当竞争和垄断风险。鉴于我国现行《价格法》《消费者权益保护法》《反垄断法》对算法个性化定价的规制都尚存缺漏,未来应当通过完善《价格法》中有关价格欺诈与价格歧视规制的条款,优化《消费者权益保护法》中涉及消费者知情权、公平交易权的相关规则,改进《反垄断法》中对于交易相对人与市场支配地位的判定,实现对算法个性化定价的协同规制。     

大型互联网平台算法歧视下的金融消费者权益保护问题研究

大型互联网平台得以运行的核心是算法的应用,一方面其促进了互联网经济的飞速发展,可作用于精准客户营销、智能决策、创新商业模式、提升效率等多个领域,另一方面也引发了金融公平公正价值缺失、金融消费者权益保护缺位等多个问题.目前,并没有关于大型互联网平台算法歧视下的金融消费者权益保护问题的细致研究.因此,本文梳理了金融算法数据源获取的3种方式,并将大型互联网平台算法歧视分为设计者主观歧视、机器学习主观歧视、客观系统算法歧视3种类型,归纳总结国内外算法歧视下的法律规制现状及存在的问题,最后提出大型互联网平台算法歧视下的金融消费者权益保护相关政策建议.     

平台经济下算法个性化定价的反垄断规制

近年来,平台企业进行算法个性化定价现象频发,所引发的问题已经从消费者权益保护领域延展至反垄断法下的损害公平自由的市场秩序领域。算法个性化定价主体广泛性、后果双重性、行为隐蔽性的特征,为反垄断法适用带来了挑战,其不清晰的违法边界需要以市场支配地位的认定、交易行为的界定、竞争效果的推定以及正当理由的判定为基本分析路径。我国应当在重视消费者权益保护应有定位的基础上,借鉴欧美经验,寻找算法个性化定价反垄断法适用的进路,明确平台市场支配地位的认定标准,坚持个案竞争效果分析原则,完善反垄断私人诉讼制度建构,制定以算法监管算法的互联网技术规范,以实现反垄断法保护市场公平竞争、维护消费者利益的价值目标。     

证券智能投顾的概念、准入及算法规制

智能投顾是人工智能与金融业务结合的一门新的产业,承载了大众对普惠金融的愿景,但作为一项新生事物,各国对智能投顾的理解尚不一致。证券智能投顾在我国的生根发芽也伴随着本土特点的变化,加上算法的技术性、复杂性,为其监管提出了难题。我国证券智能投顾须从特殊生态出发,清晰界定证券智能投顾的法律概念,并在此基础上设计相应的准入门槛与算法规制机制,为其发展扫清制度障碍,防范金融风险。     

ChatGPT对数字金融的影响及其法律规制

ChatGPT作为人工智能发展新的里程碑,在数字经济时代与数字金融的融合发展,给金融业带来机遇的同时也伴随着相应的法律风险。ChatGPT对数字金融发展的影响包括：驱动金融科技研发,优化金融要素配置;拓展金融服务模式,促进金融产业数字化发展;完善金融风险防控,提高金融风险预测能力。但ChatGPT也衍生出了一定的金融法律风险,具体包括：金融数据法律风险、金融算法法律风险、金融算力监管风险和金融应用场景风险。为有效对其进行规制,应该采取四方面措施,一是增进ChatGPT数据规制,确保金融数据合法;二是优化ChatGPT算法,促进算法合理化;三是强化ChatGPT算力规制,推动算力资源共享;四是廓清ChatGPT应用场景规制,优化金融应用场景风险管理。     

中国金融资源地区分布差异问题分析

随着国内外环境的变化和发达地区经济实力的不断增强,区域经济发展不协调的现象还有加大的趋势。金融资源地区分布的失衡是区域经济发展不协调的主要原因之一。我国的金融资源地区分布存在相当明显的地域差别。促进我国金融资源在地区间合理分布,充分发挥金融资源的作用,将有利于我国区域经济的均衡发展。     

An Empirical Analysis on the Relationship between Regional Financial Development and the Change of Urban-rural Income Inequality, Is It Inverted U or U ？

针对区域金融发展与城乡收入分配差异变化的关系问题,在前人基于2007年县市横截面数据实证研究得到＂倒U关系＂的基础上,继续收集1912个样本县市2005、2007、2009年共三年的数据,改变统计指标和样本范围,再次运用非参数Kendallτ相关性检验方法进行实证分析,不分组检验都得到正相关,分组检验没有得到显著的整体＂倒U关系＂,反而是＂U关系＂,但是得到局部的＂倒U关系＂和＂U关系＂,有一些是统计显著的,而另一些不是统计显著的。这说明经济理论、样本数据、检验方法并不是恰好吻合的,需要深入探索其中的复杂性。     

基于Shapley值法的新疆油气资源开发央地企利益分配博弈分析

石油和天然气资源开发过程中涉及多个利益主体,本文主要研究中央、地方政府和企业三个利益主体,运用Shapley值法对油气资源开发收益分配问题作进一步研究,并在此基础上加入“生态补偿因子”以对Shapley收益值进行优化,以期能够将给予地方政府更多的补偿,更好的对油气资源开发地区进行生态环境的修复。研究结果显示,Shapley值法对于优化油气资源开发收益分配方式,建立一种更为完善的油气资源开发利益分配机制,有效解决央地企利益分配矛盾,具有重要借鉴价值。     

信贷增长如何影响中国的收入和财富不平等

本文基于中国家庭追踪调查(CFPS)数据考察了信贷增长对中国家庭收入和财富不平等的影响。整体而言,信贷增长可以缩小家庭收入不平等,主要作用机制是信贷增长通过提高中低收入群体的劳动收入和单位时薪以缩小劳动收入不平等。同时,文献中所发现的信贷增长可能恶化收入不平等的机制——扩大家庭间非货币金融资产差距,在我国表现并不明显,原因在于中国家庭的非货币金融资产比例较低,这一点对于高收入家庭也不例外,且大部分家庭难以从金融资产交易中获利。信贷增长带来了各个收入组的房屋价值上涨,但高收入家庭房产价值上涨的幅度高于中低收入家庭,因此房价上涨扩大了不同收入家庭所持有的房产价值差异。考虑到家庭调查数据往往对高收入家庭的收入和财产覆盖不完整,上述结论可能低估了信贷增长对极少数高收入家庭收入和资产的影响。本文有助于更好地理解我国信贷增长对收入分配问题的影响,为相关政策制定提供了一定启示。     

上市公司“信贷期限歧视”再分析

本文通过采用不同的债务期限结构计算方法和分年度回归,对“信贷期限歧视”提出了一些思考。在保留静态债务期限的同时,本文采用增量数据,即用“新发生长期借款占新发生总借款的比例”来衡量企业的动态债务期限。本文发现在新增银行债务里,私有企业与国有企业的债务期限结构没有显著差异。     

Does high frequency algorithmic trading matter for non-AT investors?

The extant literature has typically measured the impact of high frequency algorithmic trading (HFT) on short term outcomes, in seconds or minutes. We focus on outcomes of concern for longer term non-algorithm investors. We find in some cases HFT increases volatility arising from news relating to fundamentals. Furthermore HFT is associated with the transmission of that volatility across industries, and that transmission is based on short term correlations. Finally, we find that the period since the introduction of algorithmic trading (AT) has seen increases in both the variances and covariances of return volatility in most industries. However increases in the variances has not been uniform in that it has fallen sharply in a few industries. The magnitudes are such that, overall, AT has coincided with reduced return volatility variance.     

Does high-frequency trading actually improve market liquidity? A comparative study for selected models and measures

The increasing volume of messages sent to the exchange by algorithmic traders stimulates a fierce debate among academics and practitioners on the impacts of high-frequency trading (HFT) on capital markets. By comparing a variety of regression models that associate various measures of market liquidity with measures of high-frequency activity on the same dataset, we find that for some models the increase in high-frequency activity improves market liquidity, but for others, we get the opposite effect. We indicate that this ambiguity does not depend only on the stock market or the data period, but also on the used HFT measure: the increase of high-frequency orders leads to lower market liquidity whereas the increase in high-frequency trades improves liquidity. We hypothesize that the observed decrease in market liquidity associated with an increasing level of high-frequency orders is caused by a rise in quote volatility.