AHP-TOPSIS视角下电商AIGC合规风险差异化评估

Differentiated Assessment of Compliance Risks in E-Commerce AIGC Applications from the Perspective of AHP-TOPSIS

摘要: AIGC已经渗透到电商行业的各个场景，然而不同类型电商企业的AIGC合规风险差别却很大，目前虽然已有相对完备的治理模式，但难以适应电商的特定场景，致使风险防控缺乏针对性和专业性。因此，我们深入讨论电商行业内AIGC合规风险不均、治理模式单一的问题，建立量化评估方法，发现差异、明确分类排序治理先后级。本研究从数据安全风险、内容与算法风险、知识产权风险、商业与监管风险等方面分析，选取了16个具体指标，应用AHP、TOPSIS法建立一套电商AIGC应用的合规风险差异性量化评估模型。该模型可用于电商不同场景及不同类型企业的AIGC合规风险等级排序，还可与权重分析相关内容，识别产生主要风险因素，能够为电商AIGC实施分类分级治理、监管和企业决策的正确性、精准性提供更好的途径方法建议。

Abstract: AIGC has permeated various scenarios in the e-commerce industry; however, there are significant disparities in AIGC compliance risks among different types of e-commerce enterprises. While relatively comprehensive governance frameworks are currently in place, they fail to adapt to the specific scenarios of e-commerce, resulting in a lack of targeting and professionalism in risk prevention and control. Therefore, this study delves into the issues of the uneven distribution of AIGC compliance risks and a one-size-fits-all governance model within the e-commerce industry, establishes a quantitative evaluation method to identify disparities, and clarifies priorities for classified and hierarchical governance through sorting. From the perspectives of data security risks, content and algorithm risks, intellectual property risks, and commercial and regulatory risks, this research selects 16 specific indicators and employs the AHP and TOPSIS methods to construct a differentiated quantitative evaluation model for compliance risks in e-commerce AIGC applications. This model can not only be used to rank the AIGC compliance risk levels across different e-commerce scenarios and enterprise types but also identify key risk factors through weight analysis, thereby providing more effective methodological support for the implementation of classified and hierarchical governance, supervision, and the scientificity and accuracy of enterprise decision-making regarding e-commerce AIGC.

1. 引言

近几年来，生成式人工智能技术深度地融入到了电商行业全链路中，催生新质生产力的同时也带来了一定的合规风险，这对技术和公共安全等都造成了巨大的挑战。为了平衡创新和监管，我们需要对AIGC应用进行差异化的风险评估。AIGC在综合电商、垂直电商、社交电商、跨境电商等领域表现出了巨大的潜力；综合电商平台，如淘宝借助AIGC实现智能商品文案生成、虚拟试衣间等功能，提升了商品展示与转化效率；垂直电商，如小红书依托AIGC批量产出场景化内容，强化了用户种草心智；社交电商，如抖音电商通过AIGC生成直播脚本、短视频创意，放大了内容带货的传播效应；跨境电商，如速卖通则利用AIGC完成多语言文案翻译与本地化选品分析，降低了跨境运营成本。然而，当前AIGC在电商各领域落地中仍然受到着技术与治理一些限制，生成的内容有时会存在事实性的错误、算法的偏见和知识产权侵权的风险；同时，AIGC的应用场景也十分复杂，每个电商特定领域的要求和限制不同，若是使用不当，会造成巨大的后果。例如，社交电商中AIGC生成的虚假种草内容可能误导消费者决策，触发不正当竞争监管；综合电商的AIGC用户数据采集若不规范，易触碰个人信息保护红线；跨境电商的AIGC多语言内容若涉及地域合规禁忌，会导致商品下架甚至平台处罚。因此，针对不同类型电商企业的合规风险开展系统性的差异化评估，为使用AIGC的电商各领域的治理提供科学依据，显得十分重要和迫切。

当前学界已对AIGC在电商各个领域中的应用展开初步探索。钱露[1]聚焦AIGC赋能英语跨境电商直播项目式学习，指出传统教学的培养局限，提出借助AIGC构建“问题–实践–反馈”学习闭环体系，为跨境电商直播核心能力培养提供了路径。喻焕[2]聚焦家电电商领域，指出AIGC在内容精准营销、策略生成、网络直播等方面的应用价值，认为其应用前景广阔，虽存挑战，但应深挖AIGC潜力以优化家电销售流程、提升电商效能。张祁[3]聚焦AIGC驱动直播电商课程建设，指出技术、市场、政策是核心驱动力，其通过三大机理重构课程逻辑，同时提及内容、人机协作等风险，建议以伦理架构等实现技术与教育价值的平衡。卢洋[4]聚焦AIGC在跨境电商实务课程的应用，强调其教育改革的变革性作用，指出其可重构教学方法、丰富课程内容，在跨境电商教育中成效显著，为教学实践提供了参考王洛晗[5]聚焦AIGC赋能跨境电商社交媒体营销，指出其可生成多模态内容提升营销效率，破解传统营销的成本、文化差异等痛点，探讨其应用现状、挑战与趋势，为行业提供策略借鉴。王艳、王海涛[6]聚焦AIGC电商文案的用户接受度，指出AIGC可批量产出优质电商文案、效率远超传统模式；其结合技术接受模型(TAM)与信任理论分析影响用户接受的关键变量，提出提升接受度的对策，为电商企业应用AIGC及技术良性发展提供了实践路径。徐迪珂[7]聚焦AIGC赋能跨境电商企业高质量发展，指出其可变革内容生产、创新业务场景，助力企业提效降本、优化体验；其从企业视角探讨AIGC的业务应用路径，识别应用挑战并提出对策，为跨境电商高质量发展提供了参考。

综合现有研究可知，当前成果已覆盖多领域AIGC合规风险的识别与治理方向，既明确了技术缺陷、数据安全、伦理合规、监管滞后等共性风险维度，也关注到不同领域风险的场景特异性，但仍存在明显研究缺口：其一，研究多聚焦风险的定性描述与治理框架搭建，针对不同领域合规风险的量化分析及优先级排序仍较为匮乏；其二，当前尚未形成统一的风险评估范式，而AHP-TOPSIS等多属性决策方法可实现跨领域风险的差异化权重分配与等级划分，能够为各领域制定针对性合规策略提供精准技术支撑。据此，构建可量化评估并区分不同领域风险的模型，对AIGC应用的精准合规治理具有关键价值，这也正是本研究聚焦电商领域AIGC合规风险差异化评估的核心出发点。

2. AIGC行业应用合规风险评估指标体系

2.1. 风险因素识别

基于相关文献和资料，最终将风险总结如下：数据安全风险、内容与算法风险、知识产权风险及商业与监管风险。

数据安全风险方面，AIGC如果使用了未获充分授权的个人信息来训练数据，又或者无意使用了敏感商业数据，那么就直接违反了《个人信息保护法》或是其他商业法规，结果则会受到高额的行政处罚；模型在交互过程中可能会记忆，有时训练数据中的敏感片段也会不小心被泄露，造成难以追溯的隐私泄露事件；除此以外，生成的内容本身也可能包含没有被妥善脱敏的个体信息，造成二次数据违规。

内容与算法风险方面，AIGC有极大可能会生成一些事实性错误的信息，如果发生在专业领域，则会严重误导用户并引发一系列不可控的后果；AIGC输出的内容容易夹杂一些社会偏见与歧视，导致算法的公平性受到质疑；极有可能被用于批量生成违法的不良信息，扰乱网络秩序。同时，它决策过程和“黑箱”十分相似，缺乏透明性与可解释性，使得风险追溯与责任认定困难。

知识产权风险方面，若是不小心将受版权保护的作品作为训练数据，可能会引发大规模的著作权侵权诉讼；而模型生成的内容如果与作品的构成实质性相似，版权就会归属模糊，同样容易产生法律纠纷，进而影响电商行业创新。

商业与监管风险方面，电商场景中AIGC易生成夸大营销文案、虚假好评，助商家不正当竞争，其差异化定价也可能触及价格歧视监管红线；现有电商监管规则适配传统模式，AIGC内容审核、风险追溯细则缺失，跨境电商的跨区域合规协同不足，且技术迭代与监管滞后的“时间差”，易致企业触规被罚。

2.2. 风险评价指标体系构建

电商AIGC合规风险评估指标体系如下表1。

Table 1. The compliance risk assessment index system for e-commerce AIGC

表1. 电商AIGC合规风险评估指标体系

一级指标	二级指标
数据安全风险B1	训练数据合规性B11
	个人信息保护B12
	数据存储与传输安全B13
	数据访问权限管控B14
内容与算法风险B2	虚假信息与深度伪造风险B21
	算法偏见与歧视性输出B22
	生成违法不良信息风险B23
	算法透明度与可解释性风险B24
知识产权风险B3	训练数据侵权风险B31
	生成内容侵权风险B32
	版权归属清晰度B33
	开源技术合规风险B34
商业与监管风险B4	消费欺诈与误导风险B41
	责任主体认定难度B42
	监管政策不确定性B43
	伦理冲突可能性B44

3. 评价模型构建

3.1. 研究方法

为了对电商AIGC合规风险实现差异化、可量化的评估，本研究先采用层次分析法(AHP)来确定指标权重，接着再引入TOPSIS模型进行综合的排序。AHP虽然能够有效地吸纳专业领域的专家的经验判断，但是最终结果很容易受到主观因素的影响；而TOPSIS虽然在排序上更为客观，却难以直接反映不同电商场景下的风险偏好差异。为了弥补只使用单一方法的局限，本文将AHP和TOPSIS方法相结合，目的是结合两种方法的优点：主观权重赋值与客观方案排序，进而提升AIGC合规风险评估结果的准确性与解释力。

3.2. AHP主观权重确定流程

3.2.1. 指标权重计算

本研究采用1~9评分尺度，并结合德尔菲咨询法构建判断矩阵：邀请人工智能治理、电商行业、公共政策领域专家(教授/研究员8名、行业资深从业者7名)，采用德尔菲法，对目标层–准则层–方案层的各层级因素进行两两重要性评分，最终得到了各维度的比较矩阵——这个过程中既整合了专家的专业多样性，也提升了评价结果的精准性。在这个判断矩阵的基础上，再通过层次分析法逐层计算权重：先计算4个一级维度相对于目标层的权重，再计算每个维度下各二级指标相对于该维度的局部权重，最后将两者相乘得到每个二级指标相对于目标层的全局权重。

权重计算环节采用方根法(几何平均法)：计算判断矩阵每行元素的几何平均值，归一化后得到权重向量w。同时计算最大特征根${\lambda }_{\text{max}}$ 用于一致性检验。

3.2.2. 一致性检验

为验证判断矩阵的合理性，需计算一致性比率CR = CI/RI，其中，CI为一致性指标， $\text{CI}=\left({\lambda }_{\max }-n\right)/\left(n-1\right)$ ，所有矩阵CR < 0.1，满足一致性要求。(${\lambda }_{\text{max}}$ 是判断矩阵的最大特征根n为矩阵阶数，如一级指标矩阵$n=4$ ；查《平均随机一致性指标表》得随机一致性指标RI)。

3.3. TOPSIS客观综合评价流程

3.3.1. 构造加权决策矩阵V

首先，我们需要构建初始的决策矩阵$X={\left(x_{ij}\right)}_{m\times n}$ ，其中m为评价对象，即行业的数量，n为评价指标数量(16个)。结合AHP确定的指标权重向量$W=\left(w_1,w_2,\cdots ,w_n\right)$ ，构造加权的决策矩阵$V={\left(v_{ij}\right)}_{m\times n}$ ，其中：

$v_{ij}=x_{ij}\cdot w_j$ (1)

3.3.2. 决策矩阵标准化处理

为了消除不同的指标量纲带来的影响，我们接着需要对初始的决策矩阵$x$ 进行标准化处理。选取向量归一化方法，得到标准化矩阵$Z={\left(z_{ij}\right)}_{m\times n}$ ，计算公式如下：

$z_{ij}=\frac{x_{ij}}{\sqrt{{\displaystyle {\sum }_{i=1}^m{x}_{ij}^2}}}$ (2)

3.3.3. 加权标准化矩阵构建

将AHP确定的指标权重应用于标准化矩阵$z$ ，构建加权标准化矩阵$V^{\prime }={\left({v^{\prime }}_{ij}\right)}_{m\times n}$ ，

其中：

${v^{\prime }}_{ij}=z_{ij}\cdot w_j$ (3)

3.3.4. 正负理想解确定与贴近度计算

确定正理想解$A^{+}$ 和负理想解$A^{-}$ 。对于效益型指标(即指标值越大风险越高)，正理想解取各指标最大值，负理想解取各指标最小值：

$A^{+}=\left(\text{max}\left({v^{\prime }}_{1j}\right),\text{max}\left({v^{\prime }}_{2j}\right),\cdots ,\text{max}\left({v^{\prime }}_{nj}\right)\right)=\left(v_1^{+},v_2^{+},\cdots ,v_n^{+}\right)$ (4)

$A^{-}=\left(\text{min}\left({v^{\prime }}_{1j}\right),\text{min}\left({v^{\prime }}_{2j}\right),\cdots ,\text{min}\left({v^{\prime }}_{nj}\right)\right)=\left(v_1^{-},v_2^{-},\cdots ,v_n^{-}\right)$ (5)

计算各评价对象到正负理想解的欧氏距离$D_i^{+}$ 和$D_i^{-}$ ：

$D_i^{+}=\sqrt{{\displaystyle \sum }_{j=1}^n{\left({v^{\prime }}_{ij}-v_j^{+}\right)}^2},D_i^{-}=\sqrt{{\displaystyle \sum }_{j=1}^n{\left({v^{\prime }}_{ij}-v_j^{-}\right)}^2}$ (6)

计算各评价对象的相对贴近度$C_i$ ：

$C_i=\frac{D_i^{-}}{D_i^{+}+D_i^{-}}$ (7)

贴近度$C_i$ 的取值范围为$\left[0,1\right]$ ，其值越大表示该评价对象风险越高。根据$C$ 行业进行风险排序，为差异化治理提供依据。

4. 实证研究

为了验证本文所构建的AHP-TOPSIS的评估模型的有效性，并识别关键的风险维度、确立治理优先级，本章选择综合电商、垂直电商、社交电商、跨境电商四个典型的电商进行实证分析。本章首先基于专家数据计算各指标权重并进行一致性检验；其次运用TOPSIS方法对四个行业的合规风险进行综合评价与排序；最后，结合各类电商风险评分结果，选取代表性风险场景进行示例分析，并据此提出具有针对性的治理建议，为分类分级监管与风险防控提供参考。

4.1. AHP确定指标权重

本研究采用专家打分法，邀请人工智能治理、电商行业、公共政策领域的专业人士，结合其专业经验与对电商AIGC监管态势的认知，针对电商AIGC合规风险评估指标的重要性进行两两比较并赋值。通过构建判断矩阵，借助层次分析法(AHP)逐层计算指标权重，最终得到各指标相对于电商AIGC合规风险差异化评估总目标的相对重要性权重。通过计算，各指标在整个评估体系中的全局权重如表2所示，所有的判断矩阵的一致性比率(CR)均小于0.1，通过一致性检验。在此表中，如果某一项指标的权重越高，那么表明这个指标在AIGC合规风险综合评价中的影响越大，是进行风险识别与差异化评估中的关键性指标。

Table 2. Weights of each indicator

表2. 各指标权重值

一级指标	权重	二级指标	局部权重	全局权重	CR
数据安全风险B1	0.4371	训练数据合规性B11	0.3017	0.1319	0.0265
		个人信息保护B12	0.3352	0.1465
		数据存储与传输安全B13	0.1523	0.0666
		数据访问权限管控B14	0.2108	0.0921
内容与算法风险B2	0.2519	虚假信息与深度伪造风险B21	0.3541	0.0892	0.0234
		算法偏见与歧视性输出B22	0.2532	0.0638
		生成违法不良信息风险B23	0.2451	0.0617
		算法透明度与可解释性风险B24	0.1476	0.0372
知识产权风险B3	0.1247	训练数据侵权风险B31	0.2318	0.0289	0.0352
		生成内容侵权风险B32	0.3455	0.0431
		版权归属清晰度B33	0.2485	0.031
		开源技术合规风险B34	0.1742	0.0217
商业与监管风险B4	0.1863	消费欺诈与误导风险B41	0.2083	0.0388	0.0089
		责任主体认定难度B42	0.2694	0.0502
		监管政策不确定性B43	0.3127	0.0583
		伦理冲突可能性B44	0.2096	0.0391

4.2. TOPSIS风险评价

本研究邀请人工智能治理、电商行业、公共政策领域的专业人士，结合电商AIGC的应用特性，针对综合电商、垂直电商、社交电商、跨境电商这四个电商细分场景，在本文构建的16项合规风险指标上进行评分(采用1~5分制，分值越高表示风险越大)，以此构建初始决策矩阵$X$ 。结合由AHP确定的指标权重向量$W$ ，首先对初始决策矩阵$X$ 采用公式(2)进行标准化处理，得到标准化矩阵$Z$ ；再根据公式(3)将指标权重应用于标准化矩阵$Z$ ，构建加权标准化矩阵$V^{\prime }$ 。在此基础上，依据公式(4)和公式(5)分别确定正理想解$A^{+}$ 与负理想解并计算各电商场景(评价对象)到正、负理想解的欧氏距离$D_i^{+}$ 和$D_i^{-}$ 。最终，根据公式(7)计算出各行业的相对贴近度$C_i$ 并进行风险排序，结果如表3所示。

Table 3. Evaluation results of AIGC compliance risks in e-commerce sub-scenarios based on TOPSIS

表3. 基于TOPSIS的电商细分场景AIGC合规风险评价结果

电商细分场景	到正理想解距离$D_i^{+}$	到负理想解距离$D_i^{-}$	相对贴近度$C_i$	风险排名
社交电商	0.287	0.612	0.682	1
跨境电商	0.354	0.538	0.602	2
综合电商	0.489	0.384	0.440	4
垂直电商	0.421	0.457	0.521	3

经计算，各电商场景风险呈现明显差异：社交电商风险最为突出(0.682)，跨境电商次之(0.602)；垂直电商(0.521)与综合电商(0.440)风险相对可控，其中综合电商风险最低，结果见图1。

Figure 1. Correlation of risk indicators in various e-commerce scenarios

图1. 各电商场景风险指标贴合度

4.3. 结果分析与治理建议

基于AHP-TOPSIS模型的评价结果(见表3)，再通过结合16项指标的权重分布(见表2)和电商场景的特征。下面以各电商场景严重风险痛点基本点，从合规实践角度提出差异化应对策略。

4.3.1. 社交电商合规风险分析与管理建议

社交电商以0.682的相对贴近度位列风险榜首，其风险强度显著高于其他场景。从指标权重与评分的双重维度来看，核心风险集中于数据安全风险(B1，权重0.4371)与商业与监管风险(B4，权重0.1863)，其中“个人信息保护”专家评分达4.8分、“消费欺诈与误导风险”评分4.6分，两项指标对整体风险的贡献度合计达27.84%，是社交电商AIGC合规的关键短板。具体来看，社交电商依托“内容种草 + 社交传播”的模式，AIGC生成的虚假测评、夸大功效的直播脚本易触碰《网络交易监督管理办法》中的虚假宣传红线；同时，平台为优化内容精准度，过度采集用户社交关系、消费偏好、行为轨迹等个人信息，且未充分履行告知义务，易违反《个人信息保护法》中“最小必要”原则。

针对上述风险，建议从三方面强化管理：一是将平台嵌入AIGC内容预审工具，对“商品功效夸大、虚假测评”类内容自动拦截；强制标注AIGC生成内容，同时建立“用户举报 + 人工复核”的二次审核机制，对违规内容关联的账号实施分级处罚；二是参照《个人信息保护法》，仅采集AIGC内容优化所需的基础用户标签；对用户消费数据实施“脱敏 + 加密”存储，AIGC训练仅使用去标识化后的聚合数据；三是在平台规则中明确“创作者对AIGC内容的真实性负首要责任，平台负审核监管责任”；引入“AI内容溯源码”，记录生成内容的模板、参数、审核节点，为纠纷定责提供依据。

4.3.2. 跨境电商合规风险分析与管理建议

跨境电商风险相对贴近度为0.602，位列第二，其风险呈现“跨境属性强、合规维度多”的特征。核心风险聚焦于数据安全风险(B1)与商业与监管风险(B4)，其中“数据存储与传输安全”专家评分4.7分、“监管政策不确定性”评分4.2分，反映出跨境电商需同时适配国内与目标国双重合规要求的核心痛点。具体而言，AIGC训练数据中包含的境外用户信息跨境传输未履行安全评估程序，违反《数据出境安全评估办法》；多语言商品文案、宣传内容易因文化差异触碰目标国广告禁忌，且技术迭代与跨境监管政策更新的“时间差”，进一步提升了违规风险。

对应的治理路径应聚焦三大方向：一是构建跨境数据安全合规体系：对包含境外用户信息的AIGC训练数据，优先采用“本地化存储 + 联邦学习”模式，避免原始数据跨境传输；对确需出境的数据，按要求完成数据出境安全评估或签订标准合同，委托第三方合规机构每季度开展数据合规审计，并留存审计报告备查；强化数据传输加密技术应用，防范传输过程中的数据泄露；二是组建目标国本地合规团队，结合目标国广告法、文化禁忌清单，对AIGC生成的多语言文案、宣传视频进行“双重审核”；在AIGC生成模块中嵌入目标国合规词库与敏感内容识别模型，实现违规内容实时拦截；对高风险品类的内容，额外增加行业专家复核环节，确保专业表述合规；三是建立跨境电商AIGC合规数据库，实时更新主要目标国的AIGC监管政策、合规要求；设置政策变动预警机制，当目标国监管规则调整时，及时优化AIGC内容生成规则与审核标准，同步开展平台商家合规培训，降低政策适配风险。

4.3.3. 垂直电商合规风险分析与管理建议

垂直电商风险相对贴近度为0.521，位列第三，风险呈现“内容侵权集中、场景单一但专业度要求高”的特点。核心风险集中于知识产权、内容专业准确性两大维度——“生成内容侵权风险(B32)”专家评分4.3分、“虚假信息风险(B21)”评分4.0分，反映出垂直电商AIGC生成的商品参数、功效描述易侵犯品牌方版权，或因专业信息错误误导消费者。

适应性的建议是“安全可控、辅助赋能”的：一是建立品牌方授权内容库，AIGC生成商品文案时优先调用授权素材；接入版权查重工具，对生成内容与品牌方官方资料、竞品内容进行比对，避免侵权；二是组建行业专家团队，对AIGC生成的专业内容进行二次审核；在商品详情页标注“AI辅助生成，专业内容已审核”，明确专业信息的责任主体；三是针对垂直行业的合规要求，预设AIGC内容生成模板，限定功效描述的合规话术。

4.3.4. 综合电商合规风险分析与管理建议

综合电商风险相对贴近度为0.440，整体风险最低，但隐患呈现“规模大、链条长”的特点。核心风险集中于算法推荐合规、平台责任界定两大维度——“算法透明度与可解释性(B24)”专家评分3.5分、“责任主体认定难度(B42)”评分3.8分，反映出综合电商AIGC算法推荐易触发《个人信息保护法》中的“个性化推荐告知义务”，同时平台对海量商家AIGC内容的监管责任较重。

合规指引也要聚焦到位“源头、再追溯、负责任”：一是在用户端明确告知“本推荐由AI辅助生成”，提供“关闭AI推荐”的选项；定期对AIGC推荐算法开展公平性测试，避免“价格歧视、消费诱导”等算法偏见；二是对商家AIGC内容按风险等级分类，如“普通商品描述”为低风险、“功效宣传”为高风险，高风险内容需平台审核后发布；向商家提供“合规内容生成指南”，明确禁用话术与审核标准；三是搭建AIGC合规管理系统，整合内容审核、数据安全、版权查重等功能；建立合规培训机制，向商家、平台运营人员普及AIGC合规要求，提升全链路风险意识。

5. 结语

本文构建了包含数据安全、内容与算法、知识产权及商业与监管风险4个一级指标、16个二级指标的电商AIGC合规风险评估体系，并运用层次分析法(AHP)确定各指标权重。经计算，数据安全风险权重为0.4371，是电商AIGC合规风险中影响最大的维度，其中“训练数据合规性”与“个人信息保护”为关键风险点。

进一步采用AHP-TOPSIS模型对综合电商、垂直电商、社交电商、跨境电商四个细分场景进行合规风险综合评价与排序，计算得出各场景风险相对贴近度依次为：社交电商0.682、跨境电商0.602、垂直电商0.521、综合电商0.440。结果表明，社交电商合规风险最为突出，跨境电商次之，垂直电商与综合电商风险相对可控。

本研究通过量化评估与差异排序，为电商AIGC的合规治理提供了细分场景适配的分级分类决策依据，有助于推动形成精准化、场景化的电商AIGC风险防控体系，也为监管部门制定差异化监管政策提供了参考。

NOTES

^*通讯作者。