Информационно-аналитическое обеспечение оперативных подразделений таможенных органов

Рассмотрим две методики применения наиболее характерных методов  математического исследования.

Методика анализа процессов  таможенного оформления с применением  методов математического исследования баз данных.

Применение анализа  процессов таможенного оформления с использованием методов математического  исследования баз данных обусловлен задачей выявления скрытых «латентных» таможенных правонарушений. Экономические выгоды, преследуемые участниками внешнеэкономической деятельности, заставляют идти на широкий спектр действий, направленный на уход от таможенных платежей.

Например, в 2000 году наиболее характерным уклонением от таможенных платежей являлось недостоверное декларирование товаров при таможенном оформлении на складе временного хранения (СВХ). Широко использовалась схема с так называемыми «перевертышами», когда 20 тонн свинины, заявленные на границе, превращались в «кишки свиные» при таможенном оформлении. Такая схема относительно легко выявлялась при сопоставлении массивов данных, содержащих информацию из документов контроля доставки (ДКД) и массивов грузовых таможенных деклараций.

В настоящее время основной схемой при ввозе товаров на территорию Российской Федерации является схема с применением двойных и тройных инвойсов. В таком случае типовая схема доставки товаров в Россию выглядит следующим образом. Товар, например электроника, доставляется на консигнационные таможенные склады в страны Прибалтийского региона или Финляндию. На складах заменяются документы, содержащих первоначальные сведения о товарах, - занижается реальная стоимость товаров. Далее товары с заниженной стоимостью ввозятся на территорию России.

Более экономически выгодна, но и более рискованна схема с  заменой инвойсов на границе. В этом случае границу сопредельного государства  пересекает транспортной средство товарами, имеющим реальные характеристики (код, стоимость), а в Российские таможенные органы на границе предъявляются другие сведения. Как правило, у перевозчика имеется второй комплект документов с отметками таможенной службы сопредельной страны. В подделке таможенных документов недобросовестные участники ВЭД весьма преуспели, - в наличие и пломбираторы и матрицы с капиллярными печатями. Как дополнение к этой схеме, позволяющее избежать неприятностей с оперативными сотрудниками таможенных органов в месте доставки, схема в которой товар довозится до склада, реальный товар выгружается, а товар, указанный в поддельных документах, загружается.

Таким образом, возникает  необходимость выявления возможных  скрытых правонарушений. Анализ подобных нарушений возможен с применением  специальных методов исследования баз данных. В мировой литературе это направление получило название «Data mining». Data mining ("добыча данных") - это процесс аналитического исследования больших массивов информации (обычно экономического характера) с целью выявления определенных закономерностей и систематических взаимосвязей между переменными, которые затем можно применить к новым совокупностям данных. Этот процесс включает три основных этапа: исследование, построение модели или структуры и ее проверку. В идеальном случае, при достаточном количестве данных можно организовать итеративную процедуру для построения устойчивой (робастной) модели. В то же время, в реальной ситуации практически невозможно проверить экономическую модель на стадии анализа и поэтому начальные результаты имеют характер эвристик, которые можно использовать в процессе принятия решения.

Оценкой выявления скрытых  правонарушений может являться вероятность  появления правонарушения в процессе таможенного оформления товаров  определенного участника ВЭД. Основным допущением является то, что в процессе таможенного оформления недобросовестный участник ВЭД желает минимизировать свои затраты и при этом не превышая допустимый уровень риска. Поэтому, верхний уровень затрат ограничивается рыночной ценой товара без учета торговых надбавок, а нижний минимальной допустимыми платежами с одного транспортного средства, так называемой «сеткой платежей». Полагаем то, что в рамках конкуренции между СВХ, брокерские и складские услуги примерно соответствуют друг другу на разных складах.

Итак, постановкой задачи является определение меры «латентности» таможенного правонарушения, т.е. вероятность наличия правонарушения при таможенном оформлении.

Как было указано выше, участник ВЭД должен минимизировать свои затраты, не превышая определенной степени риска. Поэтому, добиваясь  определенной величины таможенных платежей, участник ВЭД должен комбинировать до заявленного на границе веса оформляемую таможенную партию из товаров разного уровня таможенного налогообложения. В результате таких комбинаций соотношение между весами товаров различных категорий налогообложения остается постоянным.

Для определения степени  взаимозависимости весов оформляемых  товаров в товарной партии воспользуемся  корреляционным анализом, в частности  используем корреляцию Пирсона.

Наиболее часто используемый коэффициент корреляции Пирсона r (Pearson, 1896) называется также линейной корреляцией (термин корреляция впервые ввел Galton, 1888 г.), т.к. измеряет степень линейных связей между переменными. Можно сказать, что корреляция определяет степень, с которой значения двух переменных пропорциональны друг другу. Важно, что значение коэффициента корреляции не зависит от масштаба измерения. Например, корреляция между ростом и весом будет одной и той же, независимо от того, проводились измерения в дюймах и футах или в сантиметрах и килограммах. Пропорциональность означает просто линейную зависимость. Корреляция высокая, если на графике зависимость можно представить прямой линией (с положительным или отрицательным углом наклона). Проведенная прямая называется прямой регрессии или прямой, построенной методом наименьших квадратов. Последний термин связан с тем, что сумма квадратов расстояний (вычисленная по оси У) от наблюдаемых точек до прямой является минимальной из всех возможных. Корреляция Пирсона предполагает, что две рассматриваемые переменные измерены, по крайней мере, в интервальной шкале. Коэффициент корреляции Пирсона вычисляется следующим образом:

r12 = [Е(Yil - У -barl)*(Yi2 - У -bar2)] / [L(Yil - У -barl)2 * L(Yi2 - У -bar2)2] 1/2

Значимость корреляций. Уровень значимости, вычисленный для каждой корреляции, представляет собой главный источник информации о надежности корреляции. Значимость определенного коэффициента корреляции зависит от объема выборок. Критерий значимости основывается на предположении, что распределение остатков (т.е. отклонений наблюдений от регрессионной прямой) для зависимой переменной у является нормальным (с постоянной дисперсией для всех значений независимой переменной х).

Исследования методом  Монте-Карло показали, что нарушение  этих условий не является абсолютно критичным, если размеры выборки не слишком малы, а отклонения от нормальности не очень большие.

Таким образом, вычисляя коэффициент корреляции для конкретного  участника В3Д, получим меру зависимости  весов товаров разной категории  налогообложения в товарных партиях. Значение коэффициента корреляции лежит в пределах от 0 до 1, и чем выше взаимозависимость, тем ближе к единице значение. От расчета коэффициента корреляции перейдем к вероятности правонарушения при таможенном оформлении.

Обработка массивов данных большого размера, а именно такими являются массивы электронных копий грузовых таможенных деклараций, требует весьма длительного времени и вносит свои особые требования к используемой технике. Поэтому исследования баз данных целесообразно проводить не с областью данных, а со специально отобранной группой. В таможенном оформлении оптимально выбрать тех участников В3Д, платежи с единицы товара которых ниже определенного значения. Для определения отклонений от установленного значения воспользуемся законом нормального распределения. Нормальное распределение используем по многим причинам. Распределение многих статистик является нормальным или может быть получено из нормальных с помощью некоторых преобразований. Нормальное распределение представляет собой одну из эмпирически проверенных истин относительно общей природы действительности и его положение может рассматриваться как один из фундаментальных законов природы. Точная форма нормального распределения (характерная "колоколообразная кривая") определяется только двумя параметрами: средним и стандартным отклонением.

Характерное свойство нормального  распределения состоит в том, что 68% всех его наблюдений лежат  в диапазоне +,- 1 стандартное отклонение от среднего, а диапазон +,-2 стандартных  отклонения содержит 95% значений. Другими словами, при нормальном распределении, стандартизованные наблюдения, меньшие -2 или большие +2, имеют относительную частоту менее 5% (Стандартизованное наблюдение означает, что из исходного значения вычтено среднее и результат поделен на стандартное отклонение (корень из дисперсии)).

Мониторинг оформления товарных партий на наличие латентности (наличие скрытых) правонарушений целесообразно  проводить как предварительный  этап анализа деятельности участников ВЭД. Факт может быть выявлен в ходе исследования системности поставок партий товаров, содержащих постоянные (из поставки в поставку) относительные доли товаров с различной степенью таможенного налогообложения. Величину вероятности наличия скрытых правонарушений можно рассчитать с помощью элементарного корреляционного анализа.

Для формирования выводов  о деятельности участника ВЭД  необходим анализ полного спектра  деятельности участника. Необходимо обратить внимание также на наличие иной возможной  информации о наличии НТП (возможности совершить аналогичное правонарушение), регистрации и реального существования фирмы и т.д. На основании агрегированной на данных этапах информации, генерируется соответствующие выходные данные, позволяющие сделать вывод:

- о категории правонарушения;

- о наличии или отсутствии  латентных правонарушений;

- о других возможных  нарушениях.

Следует отметить, что  на данном этапе формируются сведения, отображающие не наличие правонарушения, а вероятность его существования, т.е. наличие рисков совершения правонарушения. Все полученные данные, в дальнейшем, служат для формирования регламента действий сотрудников таможенных органов.

Методика применения элементов корреляционного анализа  для выявления скрытых закономерностей  в данных.

Рассмотрим возможность применения элементов корреляционного анализа для выявления скрытых закономерностей в данных.

В распоряжении федеральной  таможенной службы имеются исторические данные об импорте товаров через таможенную границу Российской Федерации. В работе рассматривается возможность применения элементов корреляционного анализа, с целью выявления в общем объеме исторических данных случаев недостоверного декларирования.

Одной из возможных моделей  ухода от уплаты таможенных платежей может быть декларирование  некоторой  части товара с высокой ставкой пошлины (товар «риска») за счет другой группы ТНВЭД с более низкой ставкой пошлины (товары «прикрытия»). В таком случае должна наблюдаться высокая корреляция между ввозом товара «риска» и товара «прикрытия». Среди общего количества грузовых таможенных деклараций должно присутствовать большое количество ГТД, в которых одновременно ввозится товар «риска» и товары «прикрытия». Для выявления подобных ассоциаций для каждой пары товаров С и D встречающихся в декларациях определим вероятность Р(С|D) ввоза товара C при условии, что одновременно ввозится товар D, а также вероятность Р(D|C) ввоза товара D при условии, что одновременно ввозится товар C³³.

                                  P(CD)       N(CD)         N()          N(CD)

                 P(C|D) = ---------- = ---------- X --------- = -----------

                                   P(D)           N()            N(D)         N(D)

                                  P(CD)       N(CD)         N()          N(CD)

                 P(D|C) = ---------- = ---------- X --------- = -----------

                                   P(C)           N()            N(C)         N(C)

Где P(CD) – вероятность  случая, когда в декларации встречаются  оба товара, P(D) – вероятность  случая когда в декларации встречается товар D, N(CD) – количество случаев, когда в декларациях встречаются оба товара, N(D) – количество случаев, когда в декларациях встречается товар D, N(C) – количество случаев, когда в декларациях встречается товар C, N() – общее количество деклараций в выборке.

Определим коэффициента корреляции как:

                                       N(AB)

                   Rab = --------------------------

                                   √ N(A)N(B)

Оценить тесноту связи  можно использовав количественный критерий Чеддока:

Коэффициент корреляции существенно отличен от нуля, когда  обе вероятности P(C|D) и P(D|C) существенно отличны от нуля.

Дополнительно к анализу  коэффициента корреляции, необходимо отслеживать выполнение следующих условий³⁴:

• Ставка(С) < Ставка(D) – пошлина для товара «прикрытия» (С) ниже, чем для товара «риска» (В);
• ∆Вес(С) > 0 – статистические данные показывают превышения объема (по весу) импорта товара «прикрытия»(С) по данным России по сравнению с соответствующей статистикой стран Евросоюза;
• ∆Стоимость(D) > 0 – статистические данные показывают занижение объема (по стоимости) импорта товара «риска»(D) по данным России по сравнению с соответствующей статистикой стран Евросоюза;

В результате проведенной  работы, можно сделать вывод о  том, что корреляционный анализ  можно успешно применять в таможенных органах для выявления скрытых тенденций во внешнеторговой деятельности, с целью выявления пар товаров «риска-прикрытия».

Итогом рассмотрения применение методов математического  анализа может быть признание важности таких аналитических исследований в предупреждении и пресечении противоправных действий в сфере таможенных операций.