AI Summary & Key Takeaways
AI InsightThis can be a resource for improving customs declaration processes and developing smart control structures, as well as for new studies to be carried out in the field.
📌 3 Key Takeaways
Abstract
Having the declarations used in customs procedures be submitted without errors is critical. In the face of the diversity, dynamism, and complexity of the methods used in creating this declaration, human-induced declaration files are produced erroneously. These cause many problems such as loss of labor, customers, and money, as well as legal problems such as contract and legal compliance. Intelligent structures supported by current information technologies are needed to solve these problems. For this purpose, being able to use learning algorithms over big data is important in the field of customs declaration creation in the logistics industry. This study evaluates the efficiency performances of learning-based algorithms regarding the customs declaration process over 4,005,343 pieces of declaration data. According to the performance measurement results, the maximum result was achieved in the Decision Tree (75.69%) and Bagging (75.70%) algorithms with respect to the Train-test split method at a test rate of 25%. Regarding the K-Fold method, which assumes K to be equal to 10, similar success rates were obtained for the Decision Tree (75.84%) and Bagging (75.83%) algorithms. These results reveal the use of machine learning algorithms to be an effective method for detecting notification errors. This can be a resource for improving customs declaration processes and developing smart control structures, as well as for new studies to be carried out in the field.
Özet
Gümrük işlemlerinde kullanılan beyannamelerin hatasız sunulması kritik önem taşır. Bu beyannamenin oluşturulmasında kullanılan yöntemlerin çeşitliliği, dinamizmi ve karmaşıklığı karşısında insan kaynaklı hatalı beyanname dosyaları üretilmektedir. Bunlar, iş gücü, müşteri ve para kaybı gibi birçok sorunun yanında sözleşme ve yasal uyum gibi hukuki sorunlara da neden olmaktadır. Bu sorunların çözümü için güncel bilgi teknolojileriyle desteklenen akıllı yapılara ihtiyaç duyulmaktadır. Bu amaçla lojistik sektöründe gümrük beyannamesi oluşturma alanında büyük veri üzerinden öğrenme algoritmalarının kullanılabilirliği önemlidir. Bu çalışmada, 4.005.343 beyanname verisi üzerinden gümrük beyannamesi sürecinde öğrenmeye dayalı algoritmaların etkinlik performansları değerlendirilmiştir. Performans ölçüm sonuçlarına göre %25 test oranı ile Train-test split yönteminde Karar Ağacı (%75.69) ve Torbalama (%75.70) algoritmalarında maksimum sonuç ulaşıldı. K değerinin 10 alındığı K-Fold yönteminde ise Karar Ağacı (%75.84) ve Torbalama (%75.83) benzer başarım oranları elde edildi. Bu sonuçlar, makine öğrenmesi algoritmalarının kullanımının bildirim hatalarını tespit etmek için etkili bir yöntem olduğunu ortaya koymuştur. Gümrük beyannamesi süreçlerinin iyileştirilmesine, akıllı kontrol yapılarının geliştirilmesine ve sahada yapılacak yeni çalışmalara kaynak teşkil edecektir.