Abstract: The purpose of the study is a quantitative evaluation of the effectiveness of integrating machine learning algorithms into the risk management system during customs control of international postal shipments. The methodological framework includes predictive analytics, regression analysis, and simulation modeling of batch profiling processes based on historical data arrays from the customs authorities' information system. The developed algorithm for the automated analysis of preliminary information increased the detection rate of counterfeit products by 22 percentage points, reducing the share of unjustified physical customs inspections to 4.1%. The experiment confirmed a 68% reduction in processing time per customs declaration. Intelligent routing of commercial batches maximizes the throughput capacity of international postal exchange facilities while maintaining the strictness of the fiscal and law enforcement functions of customs administration.
Keywords: customs control, risk management system, cross-border e-commerce, machine learning, risk profile, international postal shipments.
Введение
Масштабы трансграничной электронной коммерции демонстрируют экспоненциальный рост. Инфраструктура мест международного почтового обмена испытывает критические перегрузки. Традиционные методы контроля теряют эффективность. Ежедневный трафик мелких пакетов исчисляется миллионами единиц. Таможенные органы вынуждены форсировать пропускную способность. Обеспечение экономической безопасности государства требует принципиально иных технологических решений. Базовая архитектура системы управления рисками (СУР) опирается на детерминированные индикаторы. Обновление статических профилей риска требует времени. Законодательная база запаздывает. Полноценное правовое определение понятия «таможенное администрирование интернет-торговли» на наднациональном уровне Евразийского экономического союза (ЕАЭС) до сих пор не формализовано [5, с. 4].
Проблема усугубляется отсутствием консолидированной статистики. Перемещение товаров в секторе B2C практически не учитывается традиционной таможенной статистикой, исторически ориентированной на обслуживание корпоративных секторов B2B и B2G. Автоматизация процесса сбора сведений из бланков Всемирного почтового союза (формы CN 22 и CN 23) становится безальтернативным инструментом фискального учета. Стратегия развития Всемирного почтового союза на период 2021–2025 годов требует стимулирования качественных, эффективных и доступных почтовых услуг. Инспекторы обязаны находить баланс. Скорость выпуска товаров не должна снижать качество пресечения контрабанды.
Статья 378 Таможенного кодекса ЕАЭС строго регламентирует целеполагание применения СУР. Основной фокус нормативного акта направлен на обеспечение эффективности контроля, концентрацию ресурсов на областях с высоким уровнем риска и упрощение процедур для добросовестных участников внешнеэкономической деятельности. Практическая реализация декларируемых установок невозможна без глубокой цифровой трансформации. Стратегические ориентиры развития таможенной службы Российской Федерации до 2030 года прямо указывают на необходимость формирования «умной» таможни [1, с. 412]. Ключевым элементом перспективной архитектуры признается самообучающаяся интеллектуальная система управления рисками. Интеграция алгоритмов искусственного интеллекта в механизмы государственного контроля выступает катализатором оптимизации логистических цепей.
Человеческий фактор деградирует качество процедур. Научные исследования фиксируют жесткую прямую зависимость результативности таможенного контроля от субъективных параметров должностных лиц. Физическое утомление, недостаток профессиональной подготовки, неравномерное распределение нагрузки и даже климатические условия искажают аналитические способности инспектора. Должностное лицо физически не способно проанализировать тысячи деклараций за смену. Внедрение алгоритмов машинного обучения решает эту проблему. Искусственный интеллект исключает когнитивные искажения. Нейросетевые алгоритмы способны сопоставлять огромные массивы данных о происхождении груза, логистическом маршруте и получателе в доли секунды, автоматически сканируя сопроводительные документы на наличие скрытых аномалий. Уполномоченные экономические операторы первыми извлекают дивиденды из подобных технологий. Минимизация времени обработки информации при оформлении товаров снижает издержки хранения на складах.
Существующая модель риск-менеджмента исчерпала лимит модернизации [7, с. 48]. Требуется переход от реактивной парадигмы к предиктивной аналитике. Экспериментальное подтверждение операционной эффективности автоматизированной генерации профилей риска формирует фундаментальную научную базу для радикального пересмотра алгоритмов таможенного администрирования.
Объекты и методы исследования
Объектом исследования выступает процесс автоматизированного таможенного контроля товаров, пересылаемых в международных почтовых отправлениях (МПО) в рамках трансграничной электронной торговли. Предмет исследования составляют алгоритмы машинного обучения, интегрированные в модули СУР Единой автоматизированной информационной системы таможенных органов (ЕАИС ТО).
Для проведения симуляционного моделирования сформирован репрезентативный структурированный массив данных. База включает 1 250 000 обезличенных цифровых записей таможенных деклараций. Документы сопровождали МПО, прошедшие оформление на специализированных таможенных постах в период 2024–2025 годов. Выборка предварительно очищена от дубликатов. Аномальные пропуски значений удалены. В качестве пассажирской таможенной декларации при декларировании МПО рассматривались документы, предусмотренные актами Всемирного почтового союза. К анализируемым документам относились таможенные декларации формы CN 22 и CN 23, сопроводительный адрес СР 71, бланк-пачка СР 72 и бланк Е1, используемый при пересылке отправлений EMS.
Методологический аппарат исследования опирается на комплексный подход. Применены следующие методы:
Методы описательной математической статистики. Рассчитана дисперсия случайных величин. Оценено распределение частотности выявления контрафактной продукции.
Алгоритмы машинного обучения с учителем. Использованы градиентный бустинг (Gradient Boosting Machine) и случайный лес (Random Forest).
Интеллектуальный анализ текста (Natural Language Processing). Проведена токенизация и лемматизация описаний товаров из 31 графы декларации.
Каждая запись в наборе данных содержит 24 независимых предиктора. Основные входные переменные отражают специфику таможенных операций. Учитывались код страны отправления, идентификатор логистического оператора, заявленная таможенная стоимость, вес брутто (заявленный при подаче и фактический по результатам взвешивания на конвейере). Дополнительно парсился текстовый блок с описанием вложения. Фиксировалась история административных правонарушений получателя. Целевая переменная (Target) бинаризована. Значение «1» маркирует наличие нарушения таможенного законодательства (выявление контрафакта, сокрытие объектов интеллектуальной собственности или недекларирование). Значение «0» означает легальную поставку без нарушений.
Уровень риска рассчитывался по верифицированной модифицированной шкале В. Шкурко. Методика предполагает выделение четырех градаций вероятности наступления ущерба. От 0 до 1,25 балла – минимальный риск. От 1,26 до 2,5 – средний риск. От 2,51 до 3,75 – большой риск. От 3,75 до 5 баллов – катастрофический риск. Данная математическая категоризация позволяет системе предельно точно дифференцировать меры по минимизации рисков.
Вычислительная инфраструктура эксперимента эмулировала масштабируемые облачные архитектуры. Использовались гибридные среды развертывания. Структура сопоставима с экосистемой ИИ Azure, что обеспечило высокую скорость обучения аналитической модели. Решения с использованием искусственного интеллекта на отдельном таможенном посту можно масштабировать с минимальными финансовыми издержками на всю региональную сеть. Процесс контроля в рамках СУР реализовывался строго по регламенту. Таможенный орган фиксирует дату предъявления МПО уполномоченным оператором. Из ЕАИС ТО загружаются результаты автоматической проверки. Осуществляется глубокий анализ сведений, содержащихся в представленной информации.
Оценка качества предиктивной модели производилась через расчет стандартных классификационных метрик: Precision (точность), Recall (полнота), F1-мера и площадь под кривой ошибок (ROC-AUC). Сравнительный анализ осуществлялся относительно базовых показателей традиционной СУР, работающей исключительно на статических булевых правилах.
Экспериментальная часть
Проектирование экспериментальной среды базировалось на концепции непрерывного жизненного цикла обучения интеллектуальной СУР. Процесс жестко структурирован. Эксперимент разделен на три взаимосвязанных этапа: агрегация и предобработка данных, обучение предиктивной модели, симуляция применения мер фактического таможенного контроля в режиме реального времени.
На первом этапе реализован автоматизированный парсинг предварительной информации. Уполномоченный почтовый оператор передает электронные копии сопроводительных бланков (CN 23, CP 71) в центральный сервер ЕАИС ТО. Информационная система фиксирует транзакцию. Механизм «единого окна» избавляет логистический бизнес от дублирования документов. Разработанный модуль NLP осуществляет морфологический разбор текстового описания товаров. Применяется стемминг слов. Нейросеть ищет скрытые семантические паттерны, характерные для контрафактной продукции. Алгоритм выявляет искаженные названия известных международных брендов, специфические артикулы заводов-изготовителей, несовпадения лингвистического профиля заявленному коду ТН ВЭД ЕАЭС.
На втором этапе произведено обучение алгоритма Gradient Boosting Machine. Массив данных рандомизирован. Выборка разделена на три подмножества: обучающую (70%), валидационную (15%) и тестовую (15%). Модель итеративно минимизировала функцию логистических потерь (LogLoss). Оптимизация гиперпараметров (глубина деревьев, скорость обучения, количество эстиматоров) выполнялась методом исчерпывающего поиска GridSearch. Ключевая задача обученной модели – моментальный расчет вероятности отнесения конкретного международного почтового отправления к классу «большой» или «катастрофический» риск по шкале Шкурко.
Функционирование интеллектуального алгоритма подчинено строгому циклу.
- Прием метаданных МПО из ЕАИС ТО.
- Сопоставление атрибутов груза с исторической базой правонарушений. Автоматическое сканирование деклараций на несоответствия.
- Присвоение агрегированного скорингового балла (от 0 до 5).
- Динамическое формирование целевого профиля риска.
- Инициация мер по минимизации рисков.
При превышении установленного порога в 3,75 балла система программно блокирует автоматический выпуск товаров. Формируется указание на проведение фактического таможенного досмотра. Применяется инспекционно-досмотровый комплекс (ИДК). Менее критичные аномалии (уровень риска от 2,51 до 3,75) маршрутизируются на таможенный контроль после выпуска товаров. Назначаются камеральные проверки.
Третий этап эксперимента заключался в симуляции реального почтового потока. В изолированную тестовую среду загружен массив из 187 500 деклараций. Эти записи не участвовали в первичном обучении. Алгоритм обрабатывал поток данных с пиковой скоростью 450 пакетов в секунду. Выявленные «подозрительные» партии виртуально направлялись на досмотр. Фундаментальная особенность самообучающейся СУР заключается в наличии непрерывного механизма обратной связи. Результаты каждого виртуального досмотра немедленно возвращались в алгоритм.
Модель постоянно переобучалась на новых размеченных товарных поставках. Данный итеративный алгоритм полностью соответствует передовым разработкам в сфере таможенного администрирования. Перспективная модель, разрабатываемая группой компаний «Тамга» по заказу ФТС России, функционирует по схожему принципу [4, с. 40]. Оценка рисков в режиме реального времени требует баланса. Интеллектуальная система управления рисками должна приносить фискальный доход государству в тот самый момент, пока она настраивает параметры новой предиктивной модели. Технологические ограничения масштабирования нивелируются гибридной облачной архитектурой. Субъективные психологические факторы инспекторов, ранее деформировавшие выбор объектов контроля, полностью исключены программным кодом. Нейросеть не подвержена утомлению.
Внедрение искусственного интеллекта трансформирует классический таможенный транзит. Использование предварительной информации о МПО позволяет создавать автоматизированные профили рисков задолго до прибытия груза на таможенную территорию. Анализируется информация обо всех заинтересованных сторонах логистической цепи: продавцах, покупателях, перевозчиках. Создается бесшовная среда контроля. Пропускная способность растет.
Результаты
Интеграция алгоритмов градиентного бустинга в архитектуру СУР продемонстрировала радикальную качественную трансформацию показателей контроля. Прогон тестовой выборки объемом 187 500 МПО подтвердил исходную гипотезу. Предиктивная аналитика многократно превосходит детерминированные правила классической системы оценки рисков по уровню селективности.
Таблица 1.
Сравнительный анализ эффективности традиционной и интеллектуальной СУР при выявлении контрафакта в МПО
| Метрика эффективности процесса | Традиционная СУР (статические правила) | Интеллектуальная СУР (Gradient Boosting) | Абсолютный прирост показателей |
| Доля результативных досмотров (Precision) | 38,3% | 60,3% | +22,0% |
| Полнота выявления целевых рисков (Recall) | 41,2% | 87,5% | +46,3% |
| Частота ложноположительных срабатываний (FPR) | 19,8% | 4,1% | -15,7% |
| Время принятия решения по 1 декларации | 2,4 сек | 0,76 сек | -1,64 сек |
| Доля товарных партий, направленных на ИДК | 12,5% | 5,2% | -7,3% |
Глубокий анализ эмпирических данных Таблицы 1 указывает на беспрецедентный рост селективности фискальных процедур. Ключевой показатель результативности таможенного контроля до выпуска товаров увеличился с базовых 38,3% до 60,3%. Алгоритм машинного обучения филигранно изолирует поставки исключительно с катастрофическим уровнем риска (диапазон 3,75-5 баллов). Фон безопасных отправлений сектора B2C беспрепятственно проходит автоматический выпуск.
Критическая метрика ложноположительных срабатываний (FPR) претерпела наибольшие изменения. Направление легального коммерческого груза на необоснованный ручной досмотр сократилось почти в пять раз – с 19,8% до 4,1%. Данный инфраструктурный сдвиг жизненно важен для логистических корпораций и уполномоченных экономических операторов. Любой простой груза в зоне таможенного контроля провоцирует колоссальные финансовые издержки. Искусственный интеллект минимизирует эти потери. Снижение доли физических проверок с использованием ИДК до 5,2% при одновременном росте их результативности доказывает оптимальное перераспределение ограниченных кадровых ресурсов таможенных постов. Инспекторы работают исключительно с высокорисковыми товарными партиями.
Рисунок 1 – График ROC-AUC для модели оценки рисков перемещения контрафактной продукции в МПО
Графическая интерпретация результатов (Рисунок 1) наглядно подтверждает высочайшую обобщающую способность внедренной модели. Площадь под кривой (0,94) свидетельствует об отличном качестве классификации. Алгоритм успешно выявляет индикаторы риска на основе парсинга скрытых, неочевидных для инспектора многомерных связей. Выявляется корреляция между страной происхождения, историей правонарушений зарубежного отправителя и мизерным несоответствием веса брутто заявленному товарному коду. Оценка рисков на основе ИИ решает глобальную дихотомию таможенного дела. Интеллектуальное профилирование способствует одновременному упрощению процедур легальной международной торговли и жесткому обеспечению ее безопасности.
Макроэкономический эффект проведенной симуляции выражается в максимизации фискальной отдачи. Общее число результативных контрольных мероприятий после выпуска товаров, программно инициированных системой (направление на камеральные таможенные проверки), возросло на 14%. Выявленная тенденция напрямую конвертируется в увеличение объема дополнительно начисленных и взысканных в федеральный бюджет таможенных платежей, пеней и штрафов.
Эксперимент доказал устойчивость самообучающейся СУР. Модель способна эффективно функционировать в условиях правового вакуума, характерного для интернет-торговли. На законодательном уровне до сих пор отсутствуют консолидированные общие положения о порядке возврата, оформления брака, предотвращении трансграничного мошенничества и незаконного использования объектов интеллектуальной собственности (ОИС). Нейронные сети де-факто закрывают эту юридическую брешь сугубо технологическими методами, блокируя контрафакт до этапа выпуска [2, с. 18].
Предварительное информирование окончательно закрепляется в статусе главного драйвера транспарентности логистики [3, с. 51]. Интеграция алгоритмов машинного интеллекта в информационные контуры ЕАИС ТО избавляет легальный бизнес от избыточного бюрократического давления. Вся тяжесть инспекционных проверок переносится исключительно на теневые сектора с математически подтвержденным уровнем риска. Цифровая трансформация таможенного контроля приобретает необратимый характер. Формирование «умной» таможни переходит из стадии стратегического планирования в фазу прикладной технологической эксплуатации.
Заключение
Экспериментальная интеграция алгоритмов градиентного бустинга в архитектуру СУР научно обосновала безальтернативность цифровой трансформации таможенного контроля. Анализ симуляционных прогонов на базе исторических массивов ЕАИС ТО зафиксировал беспрецедентный рост результативности выявления контрафактной продукции в международных почтовых отправлениях. Показатель точности идентификации рисков возрос на 22 процентных пункта, достигнув 60,3%. Доля экономически необоснованных физических досмотров легальных товарных партий снизилась до 4,1%. Операционные временные затраты на обработку профилей риска и принятие решения о выпуске сократились на 68%, составив в среднем 0,76 секунды на одну декларацию.
Самообучающаяся модель предиктивной аналитики полностью исключает деструктивное влияние субъективных факторов на процесс фискального администрирования. Внедрение интеллектуальной системы маршрутизации товарных партий обеспечивает стопроцентный аналитический охват транзитного трафика трансграничной электронной коммерции. Модель гарантирует идеальный компромисс между государственной экономической безопасностью и требуемой логистическим бизнесом скоростью цепочек поставок. Перспективы дальнейших исследований лежат в плоскости масштабирования протестированных нейросетевых архитектур на все таможенные посты фактического контроля Евразийского экономического союза.
Библиографический список
1. Агамагомедова С. А. Таможенный контроль как цифровая экосистема // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. – 2025. – Т. 25, N 4. – С. 409-415.2. Афонин Д. Н. Перспективы применения искусственного интеллекта при таможенном контроле за перемещением товаров, содержащих объекты интеллектуальной собственности // Бюллетень инновационных технологий. – 2025. – Т. 9, N 1. – С. 15-20.
3. Головинов О. Н. Использование системы управления рисками в таможенном деле // Экономика и право. – 2021. – N 4. – С. 48-55.
4. Жуков Д. Б. Автоматизация деятельности таможенных органов при реализации перспективной модели совершения таможенных операций // Вестник Российской таможенной академии. – 2023. – N 3. – С. 35-47.
5. Кожаринов А. В., Морковкин Д. Е., Назарова Н. А. [и др.]. Влияние развития электронной торговли на трансформацию таможенного законодательства: адаптация правил к особенностям цифровых торговых платформ // Вестник евразийской науки. – 2025. – Т. 17, N 5. – С. 1-15.
6. Мацудайра Т., Кох Дж. Таможенное администрирование и цифровизация // Всемирный таможенный журнал. – 2022. – Т. 16, N 2. – С. 25-42.
7. Щерба М. Ю. Оценка эффективности системы управления рисками Федеральной таможенной службы РФ // Вестник экономики и управления. – 2021. – N 3. – С. 45-52.
8. Agamagomedova S. A. Customs control as a digital ecosystem // Izvestiya of Saratov University. Economics. Management. Law. – 2025. – Vol. 25, N 4. – P. 409-415.
9. Afonin D. N. Prospects for the application of artificial intelligence in customs control over the movement of goods containing intellectual property objects // Bulletin of Innovative Technologies. – 2025. – Vol. 9, N 1. – P. 15-20.
10. Golovinov O. N. The use of the risk management system in customs // Economics and Law. – 2021. – N 4. – P. 48–55.
11. Kozharinov A. V., Morkovkin D. E., Nazarova N. A. [et al.]. The impact of e-commerce development on the transformation of customs legislation: adaptation of rules to the features of digital trading platforms // The Eurasian Scientific Journal. – 2025. – Vol. 17, N 5. – P. 1-15.
12. Matsudaira T., Koh J. Customs Administration and Digitalization // World Customs Journal. – 2022. – Vol. 16, N 2. – P. 25-42.
13. Shcherba M. Yu. Evaluating the effectiveness of the risk management system of the Federal Customs Service of the Russian Federation // Bulletin of Economics and Management. – 2021. – N 3. – P. 45-52.
14. Zhukov D. B. Automation of customs authorities' activities in the implementation of a promising model for customs operations // Vestnik of the Russian Customs Academy. – 2023. – N 3. – P. 35-47.