EDPB 第 02/2026 号指南提出一套由适用视角、“合理可能使用的手段”及三项技术标准共同组成的匿名性判断框架。本文提供指南全文中文翻译，并另附面向企业的数据地图、测试留证和持续复核提示。

EDPB 第 02/2026 号指南并非第一次将匿名化从删除直接标识符推进到风险测试。其主要增量，是在 2014 年第 29 条工作组意见提出的单独区分、关联和推断框架基础上，将欧盟法院判例进一步澄清的适用视角、“合理可能使用的手段”以及跨实体识别能力链条，纳入统一的法律—技术判断框架。

匿名性由此被明确为一种关系性、情境性和时间性的法律结论。它不是仅附着于数据文件本身的静态技术属性，而是由“数据、实体、附加信息、可用手段和时间”共同决定。同一个文件可以对某一实体匿名、对另一实体构成个人数据；随着外部数据、技术能力或访问路径变化，今天的匿名结论也可能在未来失效。

这种视角相对性并不意味着匿名标准可以任意决定。指南以“合理可能使用的手段”限定评估范围，并通过控制者与处理者关系、第三方识别能力及后续传输链条设置防规避边界。企业不能仅因直接接收方不掌握姓名表、识别能力位于另一家公司，或者合同约定不得重新识别，就当然认定数据已经脱离 GDPR。

指南要求先判断信息是否因内容、目的或效果而与自然人相关，再判断该自然人是否能通过合理可能使用的手段被识别。识别既可以直接发生，也可以通过附加信息、第三方能力或一整条手段链间接发生。相关手段是否合理可能被使用，需要综合数据属性、披露与处理情境、附加信息、时间与成本、现有及可预见技术以及法律禁令的实际约束力等客观因素。合同禁令只能补充技术措施，不能自动把数据变成匿名数据。

在技术层面，指南提出无记录孤立、无关联和无推断三项标准。三项标准全部满足时，可以推定数据匿名。无记录孤立或无关联标准未通过，并不当然意味着数据属于个人数据，通常还需要判断被孤立或关联后的信息是否足以使个人可识别；但如果从相关实体视角能够作出具体且有意义的推断，无推断标准即被违反，数据原则上不应再从该视角被视为匿名。

指南同时区分情境化方法与简化方法。情境化方法逐一考虑相关实体的实际能力，更贴近法律标准；简化方法则忽略实体之间的能力差异。简化方法并非替代性的法律标准，其价值也不在于比情境化方法更准确，而在于重新分配分类错误的成本：企业宁可将部分实际匿名的数据继续作为个人数据治理，也尽量避免把个人数据错误释放为匿名数据。组织可以根据数据公开程度、潜在影响和评估资源，决定先采用简化方法，还是直接开展逐实体的情境化分析。

这套框架还具有明显的防规避功能。受托处理者代表控制者处理数据时，通常适用控制者的视角；某实体合理可能把数据传输给拥有识别能力的第三方时，该第三方的能力可能沿传输链影响传输方的数据属性判断；加密、访问控制和合同限制能够影响手段被使用的可能性，但其本身并不等于匿名化。指南承认匿名性的相对性，但不允许企业通过组织分工、技术拆分或合同安排人为切断个人数据属性。

指南关于人工智能的意义不只在于重新识别门槛可能下降。它明确涉及从据称匿名的 AI 模型中提取数据、成员推断、结合附加信息提示模型以推断特定个人信息，以及合成数据或统计表示保留可用于具体且有意义推断的相关性。

因此，对 AI 系统而言，“训练数据已经删除”“模型只保留参数”或“输出属于合成数据”，都不能单独作为匿名性的充分证明。如果模型、参数、统计表示或合成数据拟作为匿名数据处理，仍应纳入无记录孤立、无关联和无推断框架，尤其评估训练数据提取、成员推断，以及结合外部信息提示模型后，能否产生针对特定个人的具体且有意义的信息。指南还预计，人工智能、尤其是智能体式人工智能，很可能进一步降低重新识别以及收集、组合附加信息所需的时间和成本。

以下内容并非指南逐项规定的固定程序，而是根据其判断框架提炼出的企业实施建议。

匿名化的合规交付物不应只是一份经过处理的数据集。更稳健的做法，是同时形成数据及附加信息地图、适用视角说明、三项标准测试、识别技术有效性分析、结论证据和重新评估触发条件。匿名化不是一次性技术操作，而是一项需要持续证明和维护的合规状态。

本指南目前仍为公开征求意见版本，EDPB 公布的反馈期截至 2026 年 10 月 30 日 23:59（CET）。企业可以据此调整匿名化评估框架和证据留存方式，但在形成最终政策或重大数据发布决定前，仍应关注正式版本是否修改术语、阈值或流程。

— 数据何时真正匿名：EDPB 匿名化判断框架

本指南澄清匿名数据的概念，并为判断数据是否已成功匿名化提供实务框架。因此，本指南将有助于确保在可行且合比例的情况下安全地对数据进行匿名化，使数据能够自由且富有成效地使用，同时维护自然人的权利和保障。

根据《通用数据保护条例》（GDPR），不涉及已识别或可识别自然人的数据属于匿名数据。具体是否如此，可能因实体而异。因此，应当从每一相关实体的视角评估匿名性——通常包括数据拟对其保持匿名的任何一方。

信息可能因其内容、目的或效果而与自然人相关。此种联系未必显而易见，也可能需要经过一定处理才能确立。如果通过合理可能使用的手段，可以在给定情境中将某一自然人与他人区分开来，并由此能够对其作区别对待，该自然人即为“已识别或可识别”。“手段”应作宽泛解释，并可包括只能通过第三方取得的手段。相关手段是否合理可能被使用，取决于相关实体的视角，并应结合所有客观因素评估。

上述分析随后被纳入匿名性评估框架。该框架有两种适用方式：一种考虑可能识别数据主体的各方之间的能力差异（“情境化方法”），另一种不考虑该差异（“简化方法”）。情境化方法完整反映匿名化法律标准的细微差别，使控制者能够依据每一相关实体各自的能力，评估数据对该实体而言是否匿名。相较之下，简化方法可能超出法律标准，并可能使实施匿名化的控制者把实际上对某些相关实体而言属于匿名的数据，当作非匿名数据处理。不过，对选择使用该方法的控制者而言，它也提供了更便利的选项，能够增强数据确属匿名的确信，并可与情境化方法结合使用，以进一步细化结论。

该框架本身提出三项可用于检验数据是否匿名的标准：无记录孤立、无关联和无推断。应使用这些标准评估可能的（重新）识别技术是否有效。一般而言，针对高维度、高分辨率的记录级数据，（重新）识别更可能成功，但其他因素同样重要。评估技术时，应考察其产生准确结果的能力，尤其要判断其答案是否足够精确、可靠，以至于能够将数据主体区分出来并区别对待。

无论采用情境化方法还是简化方法，如果三项标准全部通过，即可放心地认定待评估数据为匿名数据。如果任何一项标准未通过，则应进一步分析该数据是否仍可被视为匿名。尤其应检验：任何被孤立的记录——可能与已关联的数据结合——是否足以将个人从他人中单独区分出来。

欧洲数据保护委员会，

鉴于欧洲议会和欧盟理事会 2016 年 4 月 27 日关于在个人数据处理和此类数据自由流动方面保护自然人并废止第 95/46/EC 号指令的（欧盟）2016/679 号条例（以下称“GDPR”）第 70 条第 1 款第（e）项，

鉴于《欧洲经济区协定》，尤其是经欧洲经济区联合委员会 2018 年 7 月 6 日第 154/2018 号决定修订的该协定附件十一及第 37 号议定书，

鉴于其《议事规则》第 12 条及第 22 条，

通过以下指南：

1. 数据被广泛用于众多行业和目的，其中许多用途能够为同样广泛的利益相关方带来巨大裨益。在某些情况下，这需要使用个人数据；此时，GDPR 确保数据处理以有益于人类且保障数据主体安全的方式进行。在另一些情况下，使用匿名信息可能更为适当，即使用不涉及已识别或可识别自然人的信息。¹ 匿名数据不受 GDPR 规制。² 这带来了更大的使用自由，但也意味着，确保数据得到适当匿名化、使个人权利不受威胁，极为重要。

2. 第 29 条工作组于 2014 年发布《关于匿名化技术的第 05/2014 号意见》，其中提出了评估数据匿名性的三项标准。不过，此后法律、隐私、工程和技术环境均发生重大变化。欧盟法院（CJEU）判例法的发展、欧盟范围内数据空间的建立，以及人工智能和一般技术的发展等诸多因素，使更新该意见并细化其中标准成为必要。³ 本指南作出此项更新，并就该主题提供进一步指引。

3. 本指南首先对匿名化及其在 GDPR 下的要求进行法律分析，随后将该分析纳入匿名性评估框架，并在先前意见原始表述的基础上进一步阐释三项标准。本指南还提出两种评估方法：一种考虑可能识别数据主体的各方之间的能力差异（“情境化方法”），另一种为求简便而不考虑该差异（“简化方法”）。评估一个数据集是否匿名时，问题转化为：该数据集是否通过无记录孤立、无关联和无推断三项标准？无论采用情境化方法还是简化方法，如果三项标准均通过，即可放心地认定待评估数据为匿名数据。如果其中一项标准被违反，则应进一步分析：待评估数据可能是个人数据，也可能仍可被视为匿名数据。本指南最后对该进一步分析作出说明。

4. 本指南大量内容处于匿名数据与个人数据之间的交界地带。由于指南提出了用于检验数据集属于哪一类别的标准，因而采用了一些专用于本指南的术语。例如，无法预先确定持有数据的人是否应被称为控制者，因为答案取决于正在检验的数据是否属于个人数据。因此，为提高可读性，本指南不反复使用“可能是、也可能不是控制者的人”之类表述，而是采用若干关键术语；这些术语均在文件末尾的术语表中作了更详细说明。

5. 尤其重要的是，本指南以“个人”指可能是、也可能不是数据主体的自然人，以“待评估数据”指正在接受检验且可能是、也可能不是个人数据的数据。本指南继而以“记录”指待评估数据中已知与同一个人相关的全部值（包括图像等），并以“实体”指其角色取决于具体情形的一方。例如，实体可以是潜在控制者、潜在处理者，或掌握识别数据主体所需附加信息的潜在第三方。每一实体均具有一个取决于个案情形的“视角”。

2.1 引言

6. 匿名性的核心检验提出两个问题：

a. 信息是否与某一自然人“相关”？如是，

b. 该自然人是否“已识别或可识别”？

如果其中任一问题的答案为“否”，则数据应被视为匿名。重要的是，答案可能因实体而异。这意味着，信息对某些实体而言可能是匿名的，对另一些实体则并非如此。⁴

7. 例如，某信息可能毫无疑义地与某个人相关，但只有一个组织能够真正识别该个人。从该组织视角看，两个问题的答案均为“是”，因此该信息对该组织构成个人数据。与此同时，除后文将说明的特定情形外，⁵ 从其他所有人的视角看，第二个问题的答案均为“否”，因此该信息对其他所有人而言均属匿名。进行该项检验时，因而有必要考虑不同相关实体的不同视角。这意味着，匿名化可以使数据对所有人均匿名，也可以仅使数据对特定实体匿名（实施匿名化的控制者可能包括在内，也可能不包括在内）。

8. 在许多情况下，第二个问题会得到附带条件的回答（“个人可能可识别，但仅在……情况下”）。尤其是，理论上某实体可能通过多种方式识别个人，但在实践中发生这种情况的可能性微不足道。因此，该问题需要从可能性的角度观察：不应询问个人在绝对意义上是否已识别或可识别，而应询问该个人被某个实体识别或成为可识别对象的可能性有多大。⁶

9. 还应认识到，这些问题预设相关实体已经或可能以某种方式访问或控制数据。如果结合该实体合理可能使用的手段来看，该实体实际上无法访问或处理数据，与拥有此类访问权的其他实体（或实体链）不存在实质联系，也不太可能从这些实体接收数据，⁷ 则无需评估该信息对该实体而言是否匿名。

10. 最后，本指南对“匿名化”作宽泛理解，指无论是否删除原始数据，任何成功产生 GDPR 意义上匿名数据的处理。这包括未导致原始数据删除、因而无助于实现存储期限限制的匿名化。因此，本指南不就可能要求删除原始数据的现有特定法律规定应如何解释提供指导。

2.2 确定适用视角

11. 如上所述，信息是否属于个人数据可能因实体而异。因此，确定待评估数据所涉相关实体十分重要。通常，信息对某一特定实体而言是否属于个人数据，应以该实体自身的视角评估；不过，如下文所述，在某些情形下应改用另一实体的视角。匿名化的目标应当是确保所得数据对评估所涉及的所有相关实体而言均为匿名。

12. 有时，某个实体是否相关一望即知。基本问题是：数据拟对谁保持匿名？例如，如果匿名化数据是为供某实体自身使用，则该实体的视角与评估相关。同样，如果匿名化数据是为了让任何接收数据的人独立使用，则通常应从数据传输后能够访问数据的各方视角评估匿名性。在某些情形下，可能只有一个相关视角（例如数据由单一实体安全保管，且任何其他人永远无法访问）；在另一些情形下，则可能存在许多不同的相关视角（例如数据可能被许多实体访问）。

13. 在其他情形下，确定相关视角可能需要考虑若干因素。尤其要审查处理的具体性质和情境，例如：谁能够访问或控制数据；数据是否正从一方向另一方传输；双方之间是什么关系；数据接收方是否可能代表另一方处理数据。

14. 相关视角⁹ 可能受到 GDPR 特定义务的影响，也可能影响某项义务在实践中的适用方式，正如 EDPS v SRB 案所示。

15. 重要的是，对某一特定实体采用的适用视角取决于该实体是否自行决定处理的方式和目的。¹¹ 如果实体代表另一方处理信息，则待评估数据对该实体而言是否属于个人数据，应参照控制实体的视角评估。实践中，这意味着：如果某实体代表控制者（即信息对其构成个人数据且由其决定处理目的和方式的人）处理信息，该信息对执行处理的实体也应被视为个人数据。因此，该实体应被视为 GDPR 下的处理者，并承担适用于处理者的义务。¹² 这源于对 GDPR 的目的性适用，其中应注意：

2.3 信息是否与自然人“相关”

16. 如果信息因其内容、目的或效果而与某一自然人相联系，该信息即与该自然人相关。应结合个案全部情形评估这种联系：¹³

a. 内容。 信息本身是关于该人的，例如描述其一个或多个特征或行为。此类信息例如可以是员工记录、患者病历，或者某人的照片或视频。

b. 目的。 信息或者是关于该人的，或者主要关于因某种关系或互动而与该人直接或间接相关的某物或他人，并且该信息被用于或可能被用于以特定方式评价、对待或影响该个人的状态或行为。这可以包括关于某物的信息（如该人拥有的电话、汽车或房屋）、关于组织实体的信息（如该人为其成员的公司、部门、协会或俱乐部），或者关于该自然人的伙伴或亲属的信息（如朋友或家庭成员）。例如，为确定房主税款而使用的房屋价值数据，或者可用于查明责任技师生产率的汽车保养记录。

c. 效果。 信息主要关于某物（如电话、汽车或房屋）、某组织（如公司、部门、协会或俱乐部）或另一个人，但其处理可能影响数据主体的权利和利益。要构成这种联系，必须存在一种具体可能性，即个人会因该信息的处理而受到有别于他人的对待。例如，为优化行车路线而收集的出租车位置数据，同时也能够用于监控出租车司机的表现，并显示其何时休息。

17. 即使信息与个人相关这一点并不显而易见，或需要一些附加处理才能揭示该联系，该信息仍可能与该人相关。对聚合数据而言尤其如此：乍看之下，聚合数据只包含群体信息，而不包含个人信息。例如，存在许多能够从聚合数据中揭示与一个或数个个人相关信息的技术。如果某项此类技术可以使用，聚合数据就可能与该个人相关（也与可以使用该技术识别的任何其他个人相关）。

2.4 自然人是否“已识别或可识别”

18. 信息仅与自然人相关尚不足够。要使该信息成为个人数据，还必须能够通过合理可能使用的手段识别该自然人，或者使其成为可识别对象。这在出于研究或分析目的对信息进行匿名化时尤为重要：其目标通常是获得一个匿名数据集，既可以用来了解相关人群的情况（即信息仍与这些个人相关），又能够保持其身份私密（即他们并未被识别，也不可识别）。

19. 识别自然人，是指在给定情境中将其同他人区分开来，从而能够对其作区别对待。这可以通过直接标识符（如姓名、身份证号码或参考代码），也可以通过与该人相关的一个或多个属性实现。

20. 实体可以直接或间接识别个人。如果某一实体能够通过自身手段，根据该信息本身识别个人，则该个人对该实体而言“可直接识别”。如果某一实体通过合理可能使用的手段，能够以下列方式识别个人，则从该实体视角看，该个人“可间接识别”：

因此，即使某些必要信息或某些识别手段分散于不同实体之间，且取得它们需要付出努力，只要这些要素可以通过各实体合理可能使用的手段结合起来，该个人仍可被识别。¹⁶

21. 在这方面，EDPB 强调，如果：（a）某实体合理可能将数据传输给第三方；并且（b）不能排除该接收实体拥有通过合理可能使用的手段识别个人的能力，则无论就该次传输还是接收方随后对数据的任何处理而言，数据均应被视为个人数据。¹⁷ 此外，该次传输还意味着，被传输的信息会间接成为传输实体的个人数据，即使该实体原本并不拥有合理可能用于识别相关个人的手段。¹⁸

22. 重要的是，要使信息成为匿名信息，在给定情境中成功将个人同他人区分开来的可能性无需为零；该可能性只需在现实中微不足道。¹⁹ 这种可能性在不同视角之间可能存在巨大差异；从一个视角已经或可能识别某个人，并不必然意味着从另一个视角也是如此。

2.4.1 标识符及其他属性

23. 在许多情况下，识别是通过引用在给定情境中具有唯一性的标识符实现的。在最简单的情形下，这可以是单项唯一数据，例如姓名、IP 地址、社会保障号码或电子邮件地址。

24. 在其他情况下，识别可能依赖一个或多个属性；这些属性组合后对特定个人具有唯一性，即使每个单独的值本身并不唯一。所涉属性类型可能极其广泛，其中可以包括身体、遗传、心理、行为、经济或文化属性。例如，某人可被识别为“那个带北方口音的人”或“那个住在地下的人”。

25. 重要的是，标识符或属性并非必须关于该个人本身，也可以关于与其存在其他联系的个人、群体或物体。例如，用户设备可能有一个硬件标识符——如 MAC 地址——它能够识别设备，并进而识别使用设备的个人。同样，网站可以依据访客的网络浏览器、操作系统、屏幕分辨率、时区等要素的独特组合，对访客进行“指纹识别”，继而使用该指纹在其浏览不同页面及多次访问期间识别他们。

2.4.2 合理可能使用的手段

26. 欧盟法院没有直接描述哪些手段本身属于合理可能使用的手段，而是通过哪些因素会使某项手段不再属于某一特定实体合理可能使用的手段来界定这一概念。特别是，如果识别不可能实现、在时间、成本和劳动方面需要不成比例的努力，或受到法律禁止，以至于识别可能性在现实中显得微不足道，则相关手段可能不属于合理可能使用的手段。²⁰ 本小节进一步说明这一概念，以及如何评估某项手段是否可被视为合理可能使用。

27. 首先，“合理可能使用的手段”检验仅涉及未来可能发生的识别（即个人是否“可识别”）。如果信息所涉个人已经被识别，则该信息并非匿名。

28. “手段”概念应作宽泛理解，范围从简单阅读文件、进行网络搜索，到运行极为复杂的分析和推断。进一步说，实体的手段还可以包括利用另一实体可用的手段；如果存在这种可能性，就必须评估这整条手段“链”结合起来的可能性。²¹

29. 应结合所有可能影响手段可获得性及其实际使用可能性的客观因素，评估某实体是否可能使用特定手段识别个人，包括：

a. 数据本身的属性——包括数据是否聚合、记录的唯一性以及信息的准确性和精确程度——以及这些属性如何影响数据面对各种可能（重新）识别手段时的脆弱性；

b. 数据被披露和/或处理的情境，²² 包括对数据访问是否存在任何有效且永久的限制；

c. 任何能够识别个人的附加信息，以及取得该信息的可能性；

d. 实体取得该附加信息所需的成本和时间（如其尚未掌握该信息）；以及

e. 处理时可用的技术，以及可合理预见的技术发展。

值得注意的是，如果法律提供了访问附加信息的手段，则客观上显然，此类访问构成合理可能使用的手段。²³

30. GDPR 并未对能够识别个人的实体规定任何条件。²⁴ 因此，相关实体可以包括任何直接或间接接收数据的人，包括未经授权的行为者和恶意行为者。视具体情形而定，这些实体可以包括（但不限于）：²⁵

不同实体可能以不同身份发挥相关作用。例如，个人的亲友可能能够提供有助于重新识别的附加信息，却无法访问待评估数据本身，也无法实际运行必要的重新识别技术。因此，这些不同能力会影响每一实体单独可能拥有的手段、每一实体如何嵌入可能的手段链，以及这些手段（或手段链）是否确实合理可能被使用。

31. EDPB 提醒，不应将“缺乏动机”作为该项分析中的因素。首先，个人动机可能难以客观评估或证明，也可能随时间改变。此外，实体的行为未必与其动机一致。例如，识别可能因事故或疏忽发生；实体也可能因外部情势所迫而识别个人，或传输能够实现该识别的信息。²⁶ 在评估合理可能使用的手段时，应在重新识别数据对实施重新识别的实体所具有的潜在价值（不限于货币价值）足以抵销重新识别所需成本和努力的范围内，将该潜在价值纳入考虑。²⁷ 同样，也应在该项评估的情境中考虑重新识别给实施重新识别的实体带来的风险。

32. 欧盟法院指出，如果某些手段受法律禁止，因而其被使用的可能性在现实中微不足道，则无需考虑这些手段。²⁸ 需要注意的是，相关案件涉及受到法治适当约束的行为者，法律因而能够有效阻止其使用有关手段。事实上，我们通常可以假定人们会遵守法律。但也可能存在违法性对识别不构成任何实质障碍的情形，因为所涉实体实际上不会受到该禁令约束。

33. 因此，如果有充分证据表明违法手段仍存在合理可能被使用的具体风险，则人们会遵守法律的一般假定可以被推翻。评估该风险时，尤其应考虑表明所涉实体并不遵守有关禁令的证据。相关因素可以包括但不限于：

34. 合同规定的禁令（即使对合同各方具有法律约束力）不应视同法律禁令。合同条款可能影响合理可能使用的手段，但只应作为技术措施的补充，并且必须认真考虑其实际效力。除其他要求外，有关措施应当可靠、可验证并能够得到有效强制执行；²⁹ 同时应注意，合同措施通常可以修改，甚至可能被各方完全置之不理。

35. 最后，由于重新识别技术和方法不断发展，附加信息的可获得性也不断增加，重新识别的可能性通常会随时间上升。如果识别可能性上升至不再微不足道的程度，先前的匿名数据应重新被视为个人数据，控制者也应对该个人数据的任何后续处理承担相应的合规责任。³⁰ 因此，在可行且适当的情况下，处理匿名化数据的实体定期重新评估重新识别的可能性，是一项良好实践。

2.5 其他考量

2.5.1 同时包含匿名数据和个人数据的数据集

36. 某些匿名化技术可能只会使数据集中部分个人的识别可能性变得微不足道。在这种情况下，必须区分特定记录的匿名性与数据集本身的匿名性。特别是，只有当匿名化对数据集所包含的全部个人均有效时，数据集整体才应被视为匿名。这不一定要求为所有个人提供同等程度的保护，但必须使所有这些个人的重新识别可能性均微不足道。如果并非如此，因而数据集混合包含个人数据和匿名数据，则在数据集各部分未被分别处理的任何情形下，整个数据集均应被视为包含个人数据（因而属于 GDPR 的适用范围）。³¹

2.5.2 GDPR 合规与匿名化过程

37. EDPB 强调，在使信息从某些视角而非另一些视角成为匿名时，必须考虑这对 GDPR 合规可能产生的影响。例如，如果信息对接收待评估数据的实体而言已经匿名，但对实施匿名化的控制者而言并非匿名，该控制者仍必须将待评估数据作为个人数据处理，并就该数据遵守其全部 GDPR 义务。³²

38. 只要处理个人数据，数据保护原则即适用，其中包括为获得匿名信息而实施的处理操作。这意味着，除其他要求外，匿名化必须具有 GDPR 第 6 条规定的法律依据；如果数据集包含特殊类别个人数据，还应适用 GDPR 第 9 条第 2 款规定的某项例外。如果匿名化属于同一项处理活动的一部分，并且控制者以匿名化追求相同目的，则应推定匿名化的法律依据以及适用时第 9 条第 2 款的相关例外，与匿名化前处理的法律依据和例外相同。³³

39. 匿名化（至少在同时删除原始数据时）也可能有助于控制者就此前的处理活动援引合法利益。特别是，立即对待评估数据进行匿名化并立即删除原始数据，可以限制处理活动对数据主体的总体影响，因而在合法利益平衡检验中构成正面因素。³⁴

40. 控制者还应就匿名化处理遵守 GDPR 第 5 条第 1 款第（a）项及第 12 至 15 条规定的透明度义务。除其他事项外，控制者应明确说明：个人数据将被用于生成匿名数据，而该匿名数据随后不再属于 GDPR 的适用范围；控制者还应避免任何含糊或误导性陈述。尤其是，如果个人实际上仍可识别，控制者不应使用“匿名”“去标识化（de-identified）”或“去个人化（de-personalised）”等描述。

41. 同样，控制者应确保充分记录匿名化处理。对匿名化过程（包括对声称匿名的数据集所作检验）的记录，能够证明匿名化过程符合 GDPR，也能够证明匿名化本身有效。匿名化过程完成后，仍应保留这些记录。

42. 在某些情况下，安全事件可能导致重新评估匿名性。尤其是，如果匿名性评估依赖于某些信息保持机密，但事件发生后，个人已可通过合理可能使用的手段识别，就属于这种情况。此时，遭受事件的实体应确定其在处理活动中的角色，并判断是否需要履行 GDPR 第 33 条和第 34 条规定的任何义务。³⁵

3.1 引言

43. 信息是否与已识别或可识别的个人相关，并不总是一望即知。实施匿名化的控制者有意设法使人难以察觉信息与已识别或可识别个人相关时，尤其如此。因此，有必要采用技术分析，既考虑重新识别技术的现有水平，也能够据此查明数据是否匿名。

44. 鉴于可能的数据集和匿名化技术范围广泛，以及（重新）识别技术未来仍会发展，评估往往需要逐案分析，也可能需要考虑本文件未完全涵盖的事项。尽管如此，本节将就一套可用于检验数据匿名性的框架提供指导。

45. 本节框架可以通过两种方式使用。第一种是情境化方法，它以上述法律分析为基础，并利用关于所有相关实体可用手段及其被使用可能性的信息。第二种是简化方法，它不考虑实体之间在合理可能使用的手段方面存在的差异。简化方法可能使实施匿名化的控制者把实际上对相关实体而言属于匿名的数据，当作非匿名数据处理。不过，该方法能够提供更大的确信，并可辅以情境化方法进一步细化结论。

46. 在详细说明两种方法后，本节简要讨论待评估数据显然属于个人数据、无需使用完整框架的简单情形，继而转向框架的主体，即无记录孤立、无关联和无推断三项宽泛标准。如果三项标准均得到满足，信息可以被视为匿名；如果一项或多项标准被违反，则可能需要进一步分析。本节最后说明如何适用和评估该框架，以及进一步分析包含哪些内容。

3.2 评估方法

47. 匿名化的法律标准可能因适用视角不同而产生不同结果。情境化方法会带来差异化评估，即应分别评估各相关实体的相应能力。实践中，这可能相当复杂，尤其是在难以顾及（甚至难以知悉）所有可能涉及的情境因素时。因此，情境化方法存在假阳性风险：评估者可能因不知道某一特定实体拥有合理可能用于识别的手段，而错误地认定数据匿名。不过，如果运用得当，该方法能够对数据集作全面分析，并使控制者有把握判断数据集是否属于 GDPR 的适用范围。

48. 因此，为求简便，一些实施匿名化的控制者可能决定采用简化方法进行评估。依该方法，实施匿名化的控制者可以选择不考虑各实体在访问待评估数据、附加信息或其他有助于重新识别的资源方面的差异。必须强调，简化方法并非替代性的法律标准。³⁶ 相反，它是一种自愿将风险从假阳性转移至假阴性的方式：实施匿名化的控制者由于（实际上）高估了某些手段被使用的可能性，而把匿名数据作为个人数据处理。在某些情形下，该方法会提供超出严格必要程度、更加审慎的保护；但它也因此确保，在存疑案件中始终满足 GDPR 确立的法律标准。

49. 实践中，将两种方法结合使用往往很有帮助。例如，实施匿名化的控制者可以先采用简化方法，询问重新识别在理论上是否可能。如果不可能，即可放心地认定数据匿名。但如果简化方法识别出某些重新识别方法的存在，实施匿名化的控制者可以转用情境化方法，从相关实体的视角考虑这些方法是否合理可能被使用。另一种做法是，实施匿名化的控制者对待评估数据作初步映射后，立即发现理论上可能存在大量重新识别方法，但也能迅速排除这些方法在实践中应用于待评估数据的可能性。该控制者因而可以决定直接使用情境化方法；由于这些方法在现实中并非任何实体合理可能使用的手段，情境化方法可立即将其排除。

— 两种匿名性评估方法：简化方法与情境化方法

3.3 简单情形与数据映射

50. 在某些情况下，信息并非匿名可能一目了然。例如：数据集包含个人姓名、电子邮件地址、电话号码或社会保障号码；数据集包含可以轻易逆向还原出某一标识符的假名，或者该假名本身即可用于识别个人；数据集虽没有直接标识符，但显然包含能够识别个人的属性；或者，数据集显然正被用于以特定方式评价、对待或影响某一特定个人的状态或行为。

51. 为发现这些以及其他简单情形，建议对数据进行映射，同时映射可能有助于（重新）识别、且由其他相关实体持有或可由其通过合理可能使用的手段取得的任何附加信息。如果在这一阶段已经明显可见数据并非匿名，就无需适用下文标准。这应作为评估的早期步骤；即使没有显现这类简单识别，数据映射也有助于精简后续步骤。

3.4 三项标准

52. 本小节提出无记录孤立、无关联和无推断三项标准；第 3.5 小节进一步说明其适用。如果三项标准均得到满足，信息可以被视为匿名。反之，违反某项标准并不必然意味着信息必须被视为个人数据。相反，如果一项或多项标准被违反，就有必要依第 3.5.3 小节继续分析，以评估违反标准的影响，以及数据是否仍可被视为匿名。

53. 情境化方法与简化方法使用相同的三项标准。为便于说明，第 3.4.1 至 3.4.3 小节采用简化方法描述这些标准，使本小节能够集中说明方法本身。第 3.5 小节将重新纳入情境因素。

— 匿名性的三项技术标准：无记录孤立、无关联、无推断

3.4.1 无记录孤立

54. 在给定群体中将个人同他人区分开来的一种常见方法，是依据一个或多个属性将其单独区分出来。³⁷ 就其本质而言，如果一条记录——即待评估数据中与同一个人相关的全部值——具有唯一性，这种区分就容易得多。因此，记录孤立可能导致待评估数据违反匿名性，由此产生无记录孤立标准。

55. 如果数据不包含与单一个人相关的唯一属性值组合，即满足无记录孤立标准。

56. 记录越大、包含的属性越多，该记录在待评估数据中具有唯一性的可能性就越高。

57. 无记录孤立标准通常可以仅参照待评估数据本身进行检验。由于一条记录由已知与同一个人相关的全部信息构成，视待评估数据的结构而定，无记录孤立标准可能需要查看例如表格或数据库表中的多行。

58. 值得注意的是，聚合数据通常会满足无记录孤立标准——如果聚合正确进行，其结果应当是与个人群体相关的信息，因而不应实际包含任何可以孤立出来的个人记录。

3.4.2 无关联

59. 识别个人的另一种常见方法，是把一个数据集中的信息与另一个或多个其他数据集中的信息关联起来。通过确定数据集 A 中的某条记录与数据集 B（以及相关时数据集 C、D、E 等）中的某条记录涉及同一个人，关联会增加关于该人的信息量，继而提高实际识别该人的可能性。关联因而可能导致待评估数据违反匿名性，由此产生无关联标准。

60. 如果数据不包含能够与另一条记录关联的个人记录，即满足无关联标准；所述另一条记录应：（a）同样（确定或高度可能地）与同一个人相关；并且（b）来自不同的数据集。

61. 无记录孤立标准仅参照待评估数据本身评估；与此不同，无关联标准要求了解和理解能够通过合理可能使用的手段与待评估数据关联的其他数据集。³⁸

62. 关联通常可以通过两个数据集共同使用的同一标识符（例如内部客户编号）实现，也可以通过某些属性组合匹配记录来实现。

63. 实践中，满足无记录孤立标准的数据通常也会满足无关联标准。不过，两项标准仍应分别评估，因为非唯一数据也存在关联方式。

64. 即使记录并非完全准确（包括记录被有意修改，例如加入噪声），仍可能实现关联。例如，通过稳健记录关联攻击，通常能够以高度准确性和较高成功概率实现关联。³⁹ 因此，通常很难确定不准确程度是否已大到足以阻止关联，因为噪声数据可能以意想不到的方式泄露信息。此外，攻击的有效性高度取决于附加信息的可获得性。

65. 如果信息从未在其他地方记录，并且与其他情境下记录的同一人类似信息不相关，则无关联标准很可能得到满足。例如，意见调查的回答可能满足该标准，但前提是其中不包含可能追溯至个人的人口统计数据等信息。另一个例子可以是患者特定生理状态的记录，但前提包括：许多患者均被采集类似属性值，并且该状态很可能随时间变化。

3.4.3 无推断

66. 一般而言，“推断”是指通过对证据进行演绎和推理而得出结论的过程。⁴⁰ 相关实体可以利用这一过程，从待评估数据中实际获得信息。推断既可从记录级数据得出，也可从聚合数据得出。推断还可能向数据“添加”内容，继而揭示数据属于个人数据，即使推断所得信息在作出推断前并未明显包含于数据集中。⁴¹ 此类推断可能破坏待评估数据的匿名性，由此产生无推断标准。

67. 如果无法从待评估数据得出具体且有意义的推断，即满足无推断标准。推断可以基于待评估数据和/或附加信息，包括关于匿名化过程的信息。具体而言：

68. 评估该标准时，应参照待评估数据，以及可能与待评估数据结合用于推断信息的任何外部信息，其中包括产生待评估数据的情境，以及可能与其结合的任何外部数据集。

69. 即使待评估数据本身不属于个人数据，也经常可能以某种方式从中推断出一些个人数据。在这种情况下，推断所得个人数据当然与已识别或可识别的个人相关，但这并不意味着待评估数据也必然如此。例如，在处理记录级数据时，可能推断出关于一个全新个人的信息；该人未被纳入原始数据集，但与其中人员具有相似属性。在这种情况下，推断所得信息当然与这个新人相关，但这本身并不意味着待评估数据也与其相关。

70. 因此，必须区分两种情形。第一种情形是，从待评估数据推断出个人数据，但推断所得数据实际上与原始数据集（即用于生成待评估数据的信息）没有联系。此类推断不会违反无推断标准，因为该推断没有意义：它来自待评估数据中属于一般知识或关于整体人群的信息，是对待评估数据所代表的原始数据集作概化的结果。第二种情形是，推断所得个人数据实际与原始数据集有关，并且合理可能影响数据主体的权利和利益。此时，该推断有意义，因为与原始数据集的联系表明，它并非来自一般知识或关于整体人群的概化数据，而是来自待评估数据所代表、且源于原始数据集的关于推断信息之数据主体的信息。此类推断会违反无推断标准。

71. 要认定待评估数据实际上与某个人相关，推断必须具体且有意义。这意味着，推断将产生个人数据，其处理可能影响数据主体的权利和利益；推断依赖待评估数据，且无法从一般知识或关于整体人群的数据中获得。通常可以通过以下三种方式之一证明：

a. 理想情况下，可以追踪得出推断的方式。

b. 如果无法追踪推断过程，例如因为产生推断信息的自动化处理不透明，也可以通过比较待评估数据两个版本所产生的推断结果，检验该推断是否依赖与该个人有关的记录。一个版本由原始数据集产生；另一个版本由删除了与该个人有关记录的修改后数据集产生。如果只有第一个版本能够产生该推断，就表明该推断依赖与该个人有关的记录，从而表明待评估数据与该个人相关。⁴³

c. 如果上述两种方式均不可行，例如因为信息已被聚合且原始数据集已删除，也可以通过证明该推断能够从一般知识或关于整体人群的信息中得出，援引一项可以反驳的推定，即推断不依赖待评估数据。⁴⁴

72. 重要的是，初步审查时看似不具体或无意义的推断，仍可能有助于（重新）识别，应结合待评估数据作进一步分析。例如，待评估数据与推断所得信息结合后，可能带来实际上具体且有意义的进一步推断，从而违反无推断标准。

73. 可能产生相关推断的过程非常广泛：一端是通过对数据作简单逻辑思考得出的结论，另一端是通过精密分析或依照复杂算法运行的自动化处理得出的结论。某些形式的推断对记录级数据可能更容易或更相关，另一些则可能特别擅长从聚合数据中提取信息。以下各小节将讨论其中一些过程并提供示例。但任何特定推断都可能以不止一种方式帮助重新识别，以下内容不应视为穷尽性清单。

向待评估记录添加推断属性

74. 可能以某种方式向记录级数据添加推断所得信息，继而导致违反无推断标准。推断所得信息不必真正追加至记录；只要能够将其附着于记录即可。

75. 仅仅因为可能向记录添加推断所得信息，并不必然意味着无推断标准被违反。几乎总能找到可供添加的推断信息，无论是通过分析数据，还是仅仅把一般事实应用于数据。因此，必须按照上述要求考虑推断所得信息的性质，以及其是否有意义且具体。

从聚合数据生成记录级数据

76. 通过分析和/或组合聚合数据，可能推断出记录级数据。对离群数据而言尤其如此，此类推断通常更有可能发生。

77. 这种推断形式也可能复杂得多。例如，它可能从可批量访问的大型聚合统计数据集合或数据查询系统入手。此类推断常会使用多个聚合数据集，尤其是在这些数据集均从同一原始数据产生时。对高级去聚合技术而言尤其如此，其中包括能够从据称匿名的人工智能模型中提取数据的攻击。⁴⁵ 尽管如此，如果单个数据集包含足够大量的数据，也可能无需其他来源即推断出与单个人相关的信息。

78. 缺少某个值也可能成为推断的依据。

成员推断

79. 有时可能推断出某个人的数据曾被纳入随后用于生成待评估数据的原始数据集。这类成员推断可能是其他类型推断的第一步，也可能本身就揭示关于该个人的信息。

推断与附加信息之间的关联

80. 与第 3.4.2 节所讨论情形一样，同其他数据关联也可以视为一种推断形式。将待评估数据与附加信息关联后，可以推断待评估数据所含信息可应用于附加信息，反之亦然。这种推断还可能超出无关联标准所述的关联类型。例如，即使不同数据集之间无法作一对一信息匹配，只要附加信息可与待评估数据中的若干可能条目相匹配，仍可能得出相关推断。某一属性值出现在绝大多数匹配记录中时，尤其如此。

81. 此外，无关联标准特别涉及记录级数据，但这种推断也适用于聚合数据。

82. 这种推断也可以从表示原始信息各要素之间相关性、而非表示信息本身的聚合数据中得出。人工智能模型或合成数据尤其如此。可以利用附加信息查询待评估数据（或在人工智能模型的情况下对其作提示），引出关于特定个人的新信息，从而作出具体推断。如果这种推断同时有意义，即违反无推断标准。

3.5 适用三项标准

3.5.1 评估（重新）识别技术的有效性

83. 应使用上述三项标准评估可针对待评估数据部署的（重新）识别技术是否有效。这些技术从非常简单的做法（如在其他数据集中进行基本搜索，以查找匹配属性），到非常复杂的做法（如使用专用人工智能智能体，部署复杂的概率技术组合）不等。根据技术不同，它们可能被有意或无意使用，也可能被专门调整，以利用特定情境或所采用匿名化方法中的特定缺陷所产生的潜在漏洞。

84. 此类技术的现有水平始终在演进，评估时应将其纳入考虑。因此，EDPB 鼓励开发、传播和应用以科学为基础的相关专业知识。随着（重新）识别方法日益复杂和/或成功部署的风险上升，这类专业知识将变得越来越重要。

85. 虽然无法给出完整清单，但评估此类技术的有效性时，通常需要考虑若干关键因素：

86. 作为经验法则，（重新）识别技术对高维度、高分辨率的记录级数据更可能有效。相较之下，许多（重新）识别技术不太可能对通过数学函数聚合为统计指标（例如平均值）的数据有效，不过这可能取决于被聚合的数据量。这些关键因素通常也相互依赖。例如，要使一项（重新）识别技术有效，记录级数据所需的附加信息量可能远低于聚合数据所需的信息量。

87. 应根据（重新）识别技术产生准确结果的能力评估其有效性。这不一定要求完全准确或绝对确定；相反，在具体情形下，结果应至少足够接近事实并提供足够高的置信度，从而能够将数据主体区分出来并区别对待。此外，即使一项（重新）识别技术对大型数据集中的仅一个个人成功，也可能构成成功。⁴⁶

3.5.2 依情境化方法评估三项标准

88. 使用情境化方法时，必须认识到，不同实体的能力可能随时间变化。例如，数据泄露可能使某些实体获得此前无法访问的新数据集。继而，这些实体可以采用从该实体视角看此前不可用、但现在合理可能使用的手段关联信息，从而违反无关联标准。因此，为适当保护数据主体，EDPB 建议：依情境化方法进行的分析应尽可能纳入适当安全裕度，确保在实体能力演进时，评估结论仍然稳健。

89. 情境化方法下的另一项重要考量是数据的可访问性。如果数据公开可得，任何人都可能通过合理可能使用的手段访问。如果数据受到适当安全控制（尤其是数据机密性方面的控制），则只有经授权用户能够通过合理可能使用的手段访问数据，未经授权的行为者则不能。无论对待评估数据本身，还是对可能作为关联或推断组成部分使用的任何必要附加信息，这一点均相关。

90. 应从整体上评估访问限制，考虑不同实体的能力，以及可能对其使用手段产生较大或较小影响的任何情境因素。技术、组织和合同措施能够帮助限制访问，但其本身不足以使数据成为匿名。控制者虽应在适当情况下采用这些措施，仍应审查任何可能通过合理可能使用的手段访问数据之人的（重新）识别能力。

91. 适当实施的加密可以用于限制数据访问（或至少限制对数据可理解形式的访问），并以此支持成功匿名化。不过，加密就其性质而言旨在可逆，与匿名化不同。因此，必须评估能够访问数据的实体是否仍可通过合理可能使用的手段解密数据，即使其当前没有解密密钥（例如通过密码分析）。

92. 目前有文献记录的大多数（重新）识别技术正变得越来越容易获得，只需要有限资源，并且即使在通用硬件上也能于合理时间内执行。对记录级数据的重新识别尤其如此。一些作用于聚合数据的技术可能需要更多计算资源，但仍可通过服务方式以相对可承受的成本取得这些资源。运行现有技术所需的时间和成本通常不会构成障碍，尽管在取得成功使用该技术所需的附加信息等方面可能面临挑战。EDPB 还指出，人工智能、尤其是智能体式人工智能的发展，很可能进一步减少访问和部署这些技术所需的时间与成本。

93. 因此，当（重新）识别所需附加信息分散于多个地点或实体，或者难以定位或访问时，时间和成本对合理可能使用之手段的影响可能尤为明显。不过，EDPB 再次指出，人工智能的发展也可能减少收集并组合多个来源信息所需的时间（至少在这些来源公开可得时），从而可能显著增加合理可能使用的手段。

— 匿名化是一项需要持续证明和复评的合规状态

94. 以下示例从高层次说明如何使用情境化方法评估无关联标准。

3.5.3 汇总结果

95. 如果待评估数据在简化方法或情境化方法下满足全部三项标准，可以推定其为匿名数据。但如果一项或多项标准被违反，则可能需要进一步分析，以判断该信息是否应被视为个人数据。

96. 如果在简化方法下发现数据属于个人数据，也可以通过情境化方法作进一步评估。如果从相关视角看三项标准均未被违反，该信息从该视角看仍可被视为匿名。在某些情况下，匿名结论可能只限于单一实体的视角；在另一些情况下，则可能扩展至所有相关实体。如前所述，匿名化的目标应当是确保所得数据对所有相关实体而言均为匿名。

97. 下表说明这一点：

98. 如果数据违反无记录孤立标准，应进一步检查被孤立的记录是否足以将个人从他人中单独区分出来，即能否通过把这些记录与个人的相应属性相匹配，使该个人区别于他人。例如，在相关实体与个人互动的过程中，这些相应属性可能变得明显；或者，能够识别个人的附加信息中可能包含这些属性。⁴⁷ 被孤立的记录越大、所含属性越多，将个人单独区分出来就越容易。如果能够以这种方式将个人单独区分出来，则该个人应被视为可识别。

99. 如果无法实施此种单独区分，且另两项标准均已成功满足，那么即使未通过无记录孤立标准，待评估数据仍可被视为匿名。例如，一条记录虽然具有唯一性（因而未通过无记录孤立标准），但其属性无法与相关实体可获得的任何其他数据匹配；或者，该唯一记录不可理解，就可能出现这种情况。

100. 如果能够实施此种单独区分，信息不应被视为匿名。不过，如果分析是在简化方法下进行的（即检验实体能否依据待评估数据将个人单独区分出来，同时假定只要存在合理可能使用的手段，至少会有人能够使用），则可以按照第 48 段和第 49 段所述，采用情境化方法并遵循上文第 3.5.2 小节的指引，进一步扩展分析。

101. 如果数据违反无关联标准，应检查关联后的数据是否能够直接使个人成为可识别对象。

102. 如果待评估数据可以与另一数据集关联，则应针对三项标准重新检验新的（关联后）信息。如果关联后信息通过无记录孤立、无（进一步）关联和无推断标准，即可被视为匿名。

103. 如果新的（关联后）信息能够直接使个人成为可识别对象，则该信息不应被视为匿名。不过，如果分析是在简化方法下进行的（即检验关联后信息是否能使个人成为可识别对象，同时假定只要存在合理可能使用的手段，至少会有人能够使用），则可以按照第 48 段和第 49 段所述，采用情境化方法并遵循上文第 3.5.2 小节的指引，进一步扩展分析。

为使本指南更易阅读，指南使用了若干没有法律定义的术语。这些术语列于本术语表中。

聚合数据： 与人群相关且不包含个人记录的数据。

实施匿名化的控制者： 执行匿名化并评估其结果的控制者。

适用视角： 依据个案具体情形，评估特定实体掌握的某些数据是否具有个人性质时所采用的视角。它可以是该实体自身的视角，也可以是另一实体的视角，例如该实体代表另一实体处理数据时。

实体： 自然人或法人、公共机关、机构或其他组织。根据信息是否属于个人数据，实体可以是潜在控制者、潜在处理者，或者掌握识别数据主体所需附加信息的潜在第三方等。

待评估数据： 其匿名性有待评估的数据。

个人： 可能可识别、也可能不可识别，且待评估数据所含信息可能与其相关、也可能与其无关的自然人。

视角： 每一实体均有一个视角；该视角取决于其具体情形，并决定该实体合理可能使用的手段。如果实体拥有或可能取得合理可能用于识别信息所涉自然人的手段，则从该实体视角看，该信息可被称为个人数据。

记录： 待评估数据中已知与同一个人相关的全部数据值（包括图像等），无论该个人是否可识别。例如，在包含人脸照片的数据集中，一条记录可以由显示同一人的一张、多张或全部照片构成。通常，与不同人员相关的记录可以明确区分。不过，在某些情况下，同一项信息可能与不止一名个人相关，因而也可能属于不同记录。为免疑义，本术语并非按“数据库记录”的含义使用。因此，就本指南而言，只要表格中的每一行均与同一个人相关，一条记录可以由例如横跨表格数行的数据构成。

接收实体： 接收待评估数据的实体。

记录级数据： 以易于区分个别记录的方式组织的数据。

相关实体： 如果某些实体能够帮助某一特定实体直接或间接识别个人，则在从该特定实体视角评估匿名性时，这些实体即属于相关实体。

重新识别： 通过识别数据所涉个人，发现原本被认为已成功匿名化的数据实为个人数据的过程。

本流程图作为辅助工具，为拟对数据进行匿名化的组织编制。它以简化形式展示一种可依本指南开展评估的方式。

— 附件 1：匿名性技术分析流程图

流程图中文字译文

描述具体情形：

数据显然并非匿名吗？（例如因为包含电子邮件地址、电话号码等；见第 51 段。）

简化方法分支

情境化方法分支

术语说明：“合理可能用于重新识别的手段”对应原图缩写 MRLTBU。如果难以针对每一相关实体评估哪些手段合理可能用于重新识别，应考虑采用简化方法。

注意： 如果数据被评估为对某一实体而言匿名，但该实体合理可能把数据传输给另一拥有合理可能用于重新识别之手段的实体，那么即使第一实体原本没有识别相关个人的手段，该数据也会间接成为第一实体的个人数据（见第 21 段）。

〔1〕GDPR 序言第 26 段。该定义与 GDPR 第 4 条第 1 项相互映照；后者将个人数据定义为确实与已识别或可识别自然人（即数据主体）相关的信息。同一序言段还指出，最初属于个人数据的信息，经处理使“数据主体无法识别或不再可识别”后，可以成为匿名信息。

〔2〕GDPR 第 2 条第 1 款。

〔3〕为免疑义，在本指南发布前已依第 05/2014 号意见将某数据集评估为匿名的控制者，无需进行新的评估。不过，任何实体定期重新评估其所处理匿名化数据的重新识别可能性，仍属良好实践。

〔4〕C-413/23 P，EDPS v SRB。

〔5〕例如见第 20、21 和 29 段。

〔6〕例如见 C-413/23 P，EDPS v SRB；以及 C-582/14，Breyer v Bundesrepublik Deutschland。

〔7〕例如，相关实体之间存在共谋或合作，或者信息可能（直接或间接）从一个实体传输至另一个实体时，可能属于这种情形。例见 C-582/14，Breyer v Bundesrepublik Deutschland；C-319/22，Gesamtverband Autoteile-Handel eV v Scania CV AB。另见 C-210/16，Unabhängiges Landeszentrum für Datenschutz Schleswig-Holstein v Wirtschaftsakademie Schleswig-Holstein GmbH；欧盟法院在该案中认定，决定个人数据处理目的和方式的一方，即使无法访问该数据，仍可被视为共同控制者，并继续受欧盟数据保护法约束。

〔8〕C-479/22 P，OC v Commission。

〔9〕见术语表中的术语定义。

〔10〕C-413/23 P，EDPS v SRB，第 102—103 段及第 108—111 段。

〔11〕关于代表他人处理数据这一概念的更多指引，见 EDPB《关于 GDPR 中控制者和处理者概念的第 07/2020 号指南》第 79—84 段。

〔12〕这尤其包括遵守 GDPR 第 27、28、29、30 条第 2 款、第 31 条、第 32 条、第 33 条第 2 款、第 37、38、44、46、48 条和第 49 条第 6 款，以及监管机关依 GDPR 第 58 条作出的任何命令。

〔13〕C-434/16，Nowak v Data Protection Commissioner，第 35 段；C-413/23 P，EDPS v SRB，第 55 和 56 段。另见第 29 条数据保护工作组 2007 年 6 月 20 日通过的《关于个人数据概念的第 4/2007 号意见》第 10 页，不过该意见使用“结果”而非“效果”一词。

〔14〕C-604/22，IAB Europe v Gegevensbeschermingsautoriteit，第 39 段。

〔15〕C-319/22，Gesamtverband Autoteile-Handel eV v Scania CV AB，第 45—49 段。

〔16〕GDPR 序言第 26 段。另见 C-582/14，Breyer v Bundesrepublik Deutschland，第 43 段；C-319/22，Gesamtverband Autoteile-Handel eV v Scania CV AB，第 45—49 段。

〔17〕C-413/23 P，EDPS v SRB，第 85 段。

〔18〕C-413/23 P，EDPS v SRB，第 84 段，其中援引 C-319/22，Gesamtverband Autoteile-Handel eV v Scania CV AB，第 45 和 49 段。

〔19〕C-413/23 P，EDPS v SRB，第 82 段。

〔20〕C-413/23 P，EDPS v SRB，第 82—83 段。

〔21〕手段链包括把待评估数据传输给参与相应识别过程的实体（或由其访问）的任何行为。对此类传输（或访问）可能性的考虑，应从拟将该数据视为匿名的实体接收待评估数据之时开始。

〔22〕见第 1/2021 号具有约束力的决定第 148 段：“EDPB 强调，必须考虑处理的整个情境，因为‘所有客观因素’都会影响‘相关手段是否合理可能被用于识别自然人’。”

〔23〕例如，这包括私人实体通过法律渠道取得附加信息的能力，参见 C-582/14，Breyer v Bundesrepublik Deutschland，第 47 和 49 段。

〔24〕C-479/22 P，OC v European Commission，第 56 段。

〔25〕并非每个案件都需要系统考虑所有这些视角；这取决于每一具体案件的情形，以及直接或间接接收数据的实体。

〔26〕例如见私人实体通过法律渠道取得附加信息的能力，参见 C-582/14，Breyer v Bundesrepublik Deutschland，第 47 段。

〔27〕个人数据的潜在价值在于实体可从重新识别中获得的利益，应与个人数据的敏感程度相区分。例如，关于某人爱好的信息可能并不敏感，但对定向营销而言具有经济价值。

〔28〕例如见 C-582/14，Breyer v Bundesrepublik Deutschland，第 46 段；C-479/22 P，OC v European Commission，第 51 段；C-413/23 P，EDPS v SRB，第 82 段。

〔29〕欧盟委员会和 EDPB，《〈数字市场法〉与〈通用数据保护条例〉相互作用联合指南》（公开征求意见稿），第 181 段。

〔30〕关于控制者对违法行为承担责任的一般条件，见 C-807/21，Deutsche Wohnen SE v Staatsanwaltschaft Berlin，第 76 和 78 段。

〔31〕可对照：如果一个数据集混合包含特殊类别和非特殊类别个人数据，且不同部分无法分别处理，则整个数据集必须作为特殊类别个人数据处理。见 C-252/21，Meta v Bundeskartellamt，第 89 段。

〔32〕例如见 C-413/23 P，EDPS v SRB，以及示例 2 所讨论的匿名化（或未匿名化）对信息提供义务若干方面的影响。

〔33〕另见 EDPB 2026 年 4 月 15 日通过并公开征求意见的《关于为科学研究目的处理个人数据的第 1/2026 号指南》第 3.1 节。

〔34〕关于合法利益平衡检验的更多信息，见 EDPB《关于基于 GDPR 第 6 条第 1 款第（f）项处理个人数据的第 1/2024 号指南》。

〔35〕关于该主题的进一步指引，见 EDPB《关于 GDPR 下个人数据泄露通知的第 9/2022 号指南》。

〔36〕这尤其意味着，虽然简化方法对实施匿名化的控制者证明信息匿名且不属于 GDPR 适用范围可能相当有用，但第三方不能使用该方法最终证明信息属于个人数据，并据此证明控制者对该数据的处理违反 GDPR。

〔37〕将个人单独区分出来这一概念将在第 3.5.3 节详细说明。

〔38〕如上文第 53 段所述，本节采用简化方法说明各项标准，以集中阐释标准的核心部分。因此，本节不考虑相关实体能否通过合理可能使用的手段访问这些其他数据集。但在情境化方法下，还必须询问从相关视角看，是否确实能够通过合理可能使用的手段实现此类关联；第 2.2 和 2.4 小节对此作了说明，下文第 3.5.2 和 3.5.3 小节对此作了讨论。这一点适用于全部三项标准，但为本小节所列示例之目的，作此强调尤有帮助。

〔39〕例如见 Arvind Narayanan 与 Vitaly Shmatikov，“Robust De-anonymization of Large Sparse Datasets”（2008），2008 IEEE Symposium on Security and Privacy，第 111 页，https://doi.org/10.1109/SP.2008.33；Julien Freudiger、Reza Shokri 与 Jean-Pierre Hubaux，“Evaluating the privacy risk of location-based services”，载 George Danezis 编，Financial Cryptography and Data Security: 15th International Conference, FC 2011, Gros Islet, St Lucia, February 28 – March 4, 2011, Revised Selected Papers（Springer 2012），https://doi.org/10.1007/978-3-642-27576-0_3。

〔40〕见 Catherine Soanes 与 Angus Stevenson 编，Concise Oxford English Dictionary（修订第 11 版，OUP 2009）中“infer”和“inference”词条。

〔41〕在这方面必须回顾，如第 2.3 和 2.4 小节所述，即使信息与个人的联系并不立即显现，或者信息本身并未包含识别其所涉个人所需的全部内容，该信息仍可能被视为个人数据。

〔42〕此处“关于整体人群的信息”是指任何大型人群的信息；有关信息不是逐人收集，而是从样本中外推，且与个体的任何联系均已被舍弃。从技术角度说，此类推断可以被视为“先验信念”的组成部分。

〔43〕更技术化地说，本段论证如下：推断是指，在观察待评估数据 A(D) 和附加信息后，对属性 S 作出预测；其中，A(D) 是对原始数据 D 运行匿名化过程 A 后产生的结果，附加信息作为条件因素。假设 S 是名为 John Smith 的人的一项属性，且与其相关的数据被纳入 D。以 D′ 表示数据集 D 的一个副本，唯一区别是与 John Smith 相关的全部数据均被删除。因此，D′ 不包含任何与 John Smith 相关的数据。依据 A(D′)，仍可能对 John Smith 作出某些推断，包括对属性 S 作出推断。例如，如果 D′ 中的其他记录涉及与 John Smith“相似”的人（如居住在同一城市），就可能实现这种推断。不过，由于 D′ 中没有 John Smith 的数据，该推断不可能依赖其数据。因此，如果对 John Smith 的推断在 A(D) 和 A(D′) 下以相同方式成立，它就不是从其数据得出的推断，而是从 D′ 所代表的整体人群数据中得出的推断。

〔44〕在这种情况下，“先验信念”（见脚注 40）可包括来自待评估数据另一版本的知识；该版本在生成时未使用被识别人员的记录——脚注 41 中的 A(D′)——但仍通过外推适用于这些人员及其他人。要将推断视为与个人相关、并因此使待评估数据被归类为个人数据，从待评估数据所得推断应当产生显著不同的“后验信念”（并可据此采取行动）。〔译者校注 4〕

〔45〕另见 EDPB：《关于人工智能模型背景下个人数据处理若干数据保护问题的第 28/2024 号意见》。

〔46〕见第 36 段。

〔47〕例如见 C-479/22 P，OC v European Commission，第 60 和 63 段；欧盟法院在该案中考察了一个具有唯一性的属性值组合，随后可将其与网上可得的对应属性作比较。