Штучний інтелект в управлінні ризиками та визначенні об’єктів контролю для митного аудиту

Размещено на http://www.allbest.ru/

Штучний інтелект в управлінні ризиками та визначенні об'єктів контролю для митного аудиту

Г.Ю. Разумей, кандидат наук з державного управління, доцент кафедри; М.М. Разумей, кандидат наук з державного управління, старший викладач кафедри публічного управління та митного адміністрування, Університету митної справи та фінансів

У статті висвітлено можливості застосування методів машинного навчання та штучного інтелекту в управлінні ризиками та визначенні потенційних об'єктів контролю для проведення заходів митного аудиту митними органами України. Актуальність дослідження обумовлена стрімкою активізацією впровадження штучного інтелекту у всіх сферах суспільного життя для підвищення продуктивності та автоматизації процесів. Автори розглядають існуючі підходи щодо планування заходів митного аудиту за результатами застосування автоматизованої системи аналізу ризиків в митних органах. Разом з цим пропонуються нові підходи до аналізу великих даних та побудови моделей машинного навчання на конкретних прикладах щодо прогнозування порушень митного законодавства суб'єктами зовнішньоекономічної діяльності. Розглянуто модель класифікації об'єктів за допомогою методу логістичної регресії. Встановлено, що даний підхід дозволяє прогнозувати митні правопорушення за результатами тренування відповідної моделі на великому обсязі даних з точністю більше 85%.

Ключові слова: штучний інтелект, машинне навчання, управління ризиками, митний аудит, логістична регресія, дерево рішень, алгоритм, модель.

H.Yu. Razumei, M.M. Razumei.

Key words: artificial intelligence, machine learning, risk management, customs audit, logistic regression, decision tree, algorithm, model.

штучний інтелект митний аудит управління

Постановка проблеми

Після виходу у світ добре відомої на сьогоднішній день моделі штучного інтелекту (далі - ШІ) Chat GPT, що використовує нейронні мережі для генерації тексту, стало цілком очевидним, що світ технологій та абсолютно усі сфери суспільного життя зазнають докорінних змін. ШІ у загальному розумінні продовжує дивувати і виявляти потужний потенціал, не до кінця зрозумілий навіть його творцям, для вирішення складних завдань, аналізу великих обсягів даних та автоматизації процесів. Не може залишатись осторонь цих революційних технологій і сфера державного управління, у тому числі митна справа. Слід зазначити, що успішна інтеграція ШІ у діяльність митних органів потребує належного правового регулювання і забезпечення конфіденційності та захисту персональних даних. Важливо забезпечити відповідність застосування ШІ нормативним вимогам та етичним принципам, що гарантуватимуть довіру громадськості і забезпечать ефективне використання цих технологій.

У той же час, сучасний технологічний стан митних органів України та сформовані протягом багатьох років інформаційні бази даних вже давно створили достатні умови для використання методів машинного навчання та ШІ у повсякденній аналітичній роботі митників, зокрема щодо виявлення потенційних порушень митного законодавства. Проте існуючі підходи та інструменти для дослідження великих даних працівниками митних органів України фактично не використовуються, як у зв'язку із особливостями накопичуваних даних, так і у зв'язку із відсутністю необхідних технічних компетенцій фахівців аналітичних підрозділів митниць.

Аналіз останніх досліджень і публікацій

Однією із визначальних передумов для розробки та застосування на практиці алгоритмів ШІ стало накопичення людством великих обсягів даних (Big Data) у структурованому електронному вигляді. Аналогічна ситуація склалася і в митних адміністраціях країн світу, коли величезні дані щодо зовнішньоторговельних операцій почали досліджуватись за допомогою сучасних інструментів обробки такої інформації. Тому більшість досліджень та публікацій, які стали основою для впровадження ШІ у митну справу, присвячені саме підходам до аналізу Big Data. Митниці США, Китаю, Японії, Сінгапуру, більшості країн ЄС вже давно досліджують і впроваджують у національні системи митного контролю технології ШІ.

Серед зарубіжних вчених, які присвятили свої роботи дослідженню аналітичній обробці великих обсягів статистичної інформації та ШІ в митній справі, слід відзначити таких фахівців, як: М. Арфауї, Д. Віддоусон, Р. Кін, К.-К. Лі, К. Парк, Т Солтсберг, А. Судармаді та ін.

Зокрема, авторами цікавої наукової праці з розробки нової методології моделей митного ризику є А. Гофман, С. Гратер, Ш.С. Вентер, Дж. Марі та Д. Лібенберг [1]. В роботі наводиться дослідження наборів даних, які можуть бути використані для точного визначення ризику вантажної партії, не перевіряючи її фізично. Чітка методологія аналізу таких даних мінімізує порушення торговельних потоків при зниженні митних ризиків до рівнів, що не перевищують встановлені граничні значення. У статті доводиться, що використання нейронних мереж створює спроможність системи до самонавчання, а найбільш вагомий вплив на результативність виявлення порушень мають такі параметри: вантажовідправник, країна походження, вид транспорту, класифікація товару.

Акцентуємо увагу на тому, що одним з найбільш фундаментальних проєктів з дослідження Big Data та застосування ШІ в митній справі є BACUDA, який запроваджено митною адміністрацією Корейської Республіки і просувається Всесвітньою митною організацією [2]. У рамках цієї ініціативи провідні фахівці з митної справи світового рівня демонструють результати власних досліджень та здобутки національних митниць за напрямом аналізу даних, машинного навчання та ШІ під час проведення регулярних воркшопів.

Також зазначимо, що питання застосування ШІ в митній справі, зокрема в частині управління митними ризиками, вітчизняними вченими на науковому рівні не розглядалось. У цьому контексті можна звернути увагу лише на окремі коментарі практикуючих митників О. Івашковича щодо перспектив використання ШІ за напрямом контролю класифікації товарів згідно УКТЗЕД [3] та С. Демченка щодо використання у діючій автоматизованій системі управління ризиками (далі - АСУР) технології «Fuzzy Logic» - алгоритмів нечіткої логіки, які дозволяють створювати профілі ризику довільної складності та враховувати позитивну і негативну історії попередніх митних оформлень товарів [4]. Хоча даний підхід безпосередньо не є ШІ у сучасному розумінні, він може бути використаний у побудові повноцінних інтелектуальних систем управління митними ризиками.

Мета статті - дослідити доступні митним органам України методи та практичну можливість застосування традиційних алгоритмів машинного навчання та ШІ щодо управління митними ризиками та аналітичного визначення суб'єктів зовнішньоекономічної діяльності (далі - ЗЕД) для проведення їх документальних перевірок у рамках митного аудиту.

Виклад основного матеріалу

Функціонування сучасної АСУР митних органів України здійснюється на основі електронних профілів ризику, в яких запрограмовані заздалегідь визначені комбінації індикаторів ризику, тобто прописані алгоритми спрацювання таких профілів. У даному випадку, звісно, не йде мова про будь-яку здатність такої системи визначати об'єкти контролю після митного оформлення в системі митного аудиту на основі самонавчання у розумінні машинного навчання.

Тим не менше, затверджений класифікатор [5] містить шість видів митних формальностей, що можуть бути визначені за результатами застосування системи управління ризиками за конкретною митною декларацією після завершення митного оформлення і передбачають розгляд питання про доцільність проведення документальної (виїзної чи невиїзної) перевірки дотримання законодавства України з питань державної митної справи щодо:

1) правильності визначення бази оподаткування, своєчасності, достовірності, повноти нарахування та сплати митних платежів;

2) обґрунтованості та законності надання (отримання) пільг і звільнення від оподаткування;

3) правильності класифікації згідно з УКТЗЕД товарів, щодо яких проведено митне оформлення;

4) відповідності фактичного використання переміщених через митний кордон України товарів заявленій меті такого переміщення та/або відповідності фінансових і бухгалтерських та інших документів підприємства;

5) законності переміщення товарів через митний кордон України;

6) перевірки правильності визначення митної вартості товарів.

Порядок виконання таких митних формальностей, як і всіх інших, затверджено відповідним наказом Міністерства фінансів України [6]. Тобто митні формальності щодо проведення перевірок після митного оформлення не є директивними для виконання саме у тому формулюванні, яке міститься у повідомленні в АСУР. Зазначений підхід є основним у контексті автоматизованого визначення учасників ЗЕД за допомогою АСУР для здійснення митного аудиту. Загальні законодавчі засади проведення митного аудиту, зокрема документальних перевірок дотримання вимог законодавства України з питань митної справи, визначені у статтях 345-355 Митного кодексу України [7].

Для прогнозування ризикових зовнішньоекономічних операцій на основі великого масиву статистичних даних і відповідно потенційних порушень митного законодавства в системі машинного навчання та ШІ існує практика побудови класифікаційних моделей із застосуванням логістичної регресії. Як відомо, логістична регресія - це статистичний метод для моделювання залежності між залежною змінною та однією або більше незалежними змінними шляхом використання логістичної функції. У цілому цей метод використовується для прогнозування ймовірності належності спостережень до однієї з двох або більше категорій. Зазначимо, що підхід із використанням методів машинного навчання та ШІ застосовується, як правило, у технологічно розвинених митних адміністраціях країнах світу, а також рекомендується Всесвітньою митною організацією.

Так, для побудови прогностичної моделі необхідно використовувати якісні дані великого обсягу. Для загальної характеристики підходу скористаємось набором даних з файлу «import_data.csv» щодо зовнішньоекономічних операцій по конкретним митним деклараціям із загальнодоступного хостингу «GitHub» [8]. Відкриємо даний файл у традиційному середовищі для обробки даних «Jupyter Notebook» і розглянемо структуру даних (рис. 1).

Рис. 1. Частина вихідного набору даних

Отже, дана таблиця містить більше 300 тис. записів, з яких наведено тільки п'ять перших, а також назви стовпчиків з такою інформацією: «date» - дата оформлення митної декларації, «country» - код країни експорту, «hs_code» - класифікаційний код імпортованого товару, «origin_country» - код країни походження, «quantity» - кількісні характер истики товару, «weight» - вагові характеристики товару, «amount» - загальна вартість товару, «tax» - податки, а також «result» - показник, який власне і має прогнозувати майбутня модель. На цьому вхідному етапі аналізу він приймає такі значення: «В» - блакитний колір індикації (ризики відсутні), «G» - зелений колір індикації (низький ризик), «Y» - жовтий колір індикації (середній рівень ризику), «Z» - індикацію не визначено та «R» - високий рівень ризику (критичний).

Перш за все необхідно очистити дані таким чином, щоб не залишилось комірок з пустими та/або нелогічними даними. Як правило, рядки з такими комірками просто видаляються, щоб вони негативним чином не впливали на загальну картину. Також проводяться інші маніпуляції при підготовці даних до побудови на їх основі прогностичної моделі, зокрема визначення коефіцієнтів кореляції Пірсона, нормалізація, трансформація та візуалізація результатів попередньої обробки даних.

У нашому випадку мітку «R» у стовпчику «result» замінимо на «1», а всі інші значення - на «0», що вказуватиме на наявність або відсутність порушення законодавства відповідно. Доцільно також зосередитись на аналізі товарів, класифікаційний код яких розпочинається на «87», адже за результатами перевірок саме таких товарів було виявлено найбільше порушень митного законодавства. Крім цього, для подальшої роботи з даними у якості незалежних змінних слід використовувати тільки кількісні характеристики, тобто дані у стовпчиках «quantity», «weight», «amount» та «tax». Далі, використовуючи мову програмування Python, будуємо модель логістичної регресії, тренуємо її на 80% даних і отримуємо прогнозні значення (1 або 0) у стовпчику «pred» (рис. 2).

Оцінюючи достовірність розробленої класифікаційної моделі, констатуємо, що її точність за класичними метриками [9-11] становить більше 85%, тобто як мінімум у 85 випадках із 100 модель правильно визначає, чи є порушення за даною митною декларацією чи такого порушення немає. Такий результат є досить високим показником, при тому що побудовану модель можна продовжувати покращувати за допомогою інших методів роботи з даними.

Рис. 2. Частина набору даних із прогнозними значеннями

Таким чином, маючи додаткову інформацію про порушення митного законодавства на підставі зроблених прогнозів, фахівцями підрозділів митного аудиту може бути більш детально розглянуто питання щодо доцільності проведення перевірок відповідних суб'єктів ЗЕД з урахуванням наявності інших індикаторів ризику за відповідними зовнішньоекономічними операціями. Звісно, модель не дає готових рішень чи інструкцій для безумовного виконання і, тим більше, не доводить провину окремо взятого учасника ЗЕД. На цьому етапі маємо лише результат обробки інформації, що видає комп'ютер з урахуванням численних прихованих зв'язків між даними, які могли залишитись без уваги навіть найбільш кваліфікованих експертів у сфері митної справи, адже можуть бути виявлені тільки за допомогою спеціальних обчислювальних інструментів.

Тепер розглянемо інший найпростіший приклад застосування алгоритму, який лежить в основі такої моделі як «дерево рішень», що також може вирішувати завдання класифікації. З метою загального розуміння принципів застосування даного алгоритму машинного навчання для планування заходів митного аудиту скористаємось невеликим обсягом даних, наведених у таблиці 1.

Таблиця 1. Набір даних з характеристиками суб'єктів ЗЕД