|
| | | | Проблемы современной экономики, N 4 (96), 2025 | | | | ЕВРАЗИЙСКАЯ ЭКОНОМИЧЕСКАЯ ПЕРСПЕКТИВА: ПРОБЛЕМЫ И РЕШЕНИЯ | | | |
| | Иванова В. В.
доцент кафедры товароведения и таможенной экспертизы
Санкт-Петербургского филиала Российской таможенной академии,
кандидат технических наук
Зиманова М. А.
преподаватель кафедры таможенного дела
Санкт-Петербургского филиала Российской таможенной академии
| | | | В статье рассматриваются современные направления цифровой трансформации таможенного контроля в рамках Евразийского экономического союза. Особое внимание уделено применению технологий искусственного интеллекта при идентификации и классификации товаров. Проанализированы подходы к использованию методов машинного обучения, обработки естественного языка и компьютерного зрения для автоматизации таможенных процедур. Показано, что внедрение интеллектуальных систем обеспечивает повышение точности, скорости и объективности принятия решений, способствует устранению субъективного фактора и формированию практической базы для реализации концепции «интеллектуальной таможни». | | Ключевые слова: искусственный интеллект, идентификация товаров, классификация товаров, цифровизация, таможенный контроль, ЕАЭС | | УДК 339.543; ББК 65.428 Стр: 13 - 16 |
В условиях стремительного развития мирового товарооборота, расширения международных торговых связей и глобализации экономики особую актуальность приобретают вопросы обеспечения достаточного уровня экономической безопасности. В данном контексте важную роль играют таможенные органы, осуществляющие контроль за перемещением товаров и транспортных средств Евразийского экономического союза (далее — ЕАЭС). Неотъемлемыми элементами таможенного контроля являются процедуры идентификации и классификации товаров, обеспечивающие соблюдение требований к качеству и безопасности ввозимых на национальный рынок товаров. При этом возникает проблема, которая заключается в том, что товар с одинаковым названием может иметь различную совокупность потребительских свойств и быть использован для удовлетворения различных потребностей общества, т.е. иметь разное назначение (функции, свойства и др.), а следовательно, классифицироваться в различных товарных группах.
Актуальность темы исследования обусловлена тем, что в соответствии с основной целью, принципами и ориентирами Стратегии развития таможенной службы Российской Федерации до 2030 года предусмотрена полномасштабная цифровизация и автоматизация деятельности таможенных органов, включающая автоматизацию процесса контроля правильности классификации товаров и выявления нарушений, связанных с заявлением недостоверных сведений о классификационном коде товара в соответствии с Товарной номенклатурой внешнеэкономической деятельности (далее — ТН ВЭД) ЕАЭС [1]. В условиях цифровой трансформации экономики и развития информационных технологий искусственный интеллект рассматривается как эффективный инструмент для автоматизации процессов идентификации и классификации товаров, поскольку его алгоритмы позволяют обрабатывать большие массивы данных, выявлять закономерности и исключения, а также ускорять принятие решений.
С учетом вышеизложенного, целью настоящего исследования является анализ возможностей использования технологий искусственного интеллекта для автоматизации процессов идентификации и классификации товаров в системе таможенного контроля в условиях цифровой трансформации. Соответственно, в работе применены методы анализа и синтеза, обобщения научных и нормативных источников, а также элементы системного анализа. Теоретическую основу исследования составили труды отечественных специалистов в области цифровизации таможенного дела — Васиной Е.Н., Филипповой Л.А., Никитченко И.И. и Сомова Ю.И. [2], определивших концептуальные основы применения искусственного интеллекта в сфере идентификации и классификации товаров.
Идентификация товаров представляет собой процедуру установления соответствия продукции требованиям, установленным в нормативных и технических документах. Данный процесс характеризуется сложностью и многосторонностью исследований, включающих анализ характеристик продукции как со стороны товароведов-экспертов, так и высококвалифицированных ученых. В связи с этим, идентификацию можно рассматривать не просто как проверку соответствия товара установленным требованиям, а как полноценную экспертизу, направленную на определение принадлежности продукции к конкретной товарной группе на основании индивидуальных характеристик [3].
В практике таможенных органов применяются три ключевых подхода к идентификации: ассортиментный, квалиметрический и информационный. Первый основывается на визуальной оценке принадлежности товара к определённому виду, типу или сорту и широко используется в отношении продукции, обладающей отличимыми внешними признаками (обувь, одежда, игрушки, мебель). Второй предполагает измерение физических, химических или иных параметров продукции и применяется, как правило, в отношении сырьевых и пищевых товаров, химикатов, топлива. Третий фокусируется на анализе документарной информации, представленной в товаросопроводительных документах, маркировке, паспортах, сертификатах и инструкциях.
Несмотря на их широкое распространение, указанные методы обладают значительными ограничениями. Субъективность органолептических оценок, ресурсоёмкость лабораторных исследований, а также ограниченная масштабируемость процедур в условиях массового товаропотока препятствуют эффективному применению таких подходов. Быстрое обновление товарного линеек и постоянное изменение состава продукции требуют от таможенных органов регулярного обновления эталонных справочников, что создаёт дополнительную нагрузку на ведомственные ресурсы и снижает устойчивость системы идентификации.
Современные технологии идентификации товаров развиваются в ответ на потребности международной торговли, логистики и таможенного регулирования. В условиях цифровизации традиционные методы идентификации, основанные на документальном контроле, органолептических и измерительных методах, становятся недостаточными для обеспечения оперативного и точного контроля за перемещением товаров. Возникает потребность в высокотехнологичных решениях, которые бы позволяли автоматизировать процессы идентификации, обеспечивая более точные, надежные и масштабируемые возможности контроля качества и подлинности, перемещаемой через таможенную границу ЕАЭС продукции.
Одним из наиболее значимых направлений применения искусственного интеллекта в процессе идентификации товаров в таможенных целях выступает автоматизация идентификационной экспертизы. В современных условиях, характеризующихся устойчивым ростом объемов внешнеэкономической деятельности (далее — ВЭД), усложнением товарной номенклатуры, а также необходимостью быстрого и обоснованного принятия решений в условиях ограниченного времени, традиционные подходы, основанные на ручной обработке документов и визуальном осмотре товаров, становятся объективно недостаточными [4].
Искусственный интеллект в данном контексте выступает как инструмент, способный воспроизводить экспертные функции, в том числе анализировать свойства товаров, сравнивать их с нормативными признаками, закрепленными в ТН ВЭД ЕАЭС, и принимать решения о соответствии товара конкретной товарной позиции. Наиболее ярко потенциал искусственного интеллекта проявляется при разработке интеллектуальных экспертных систем, обученных на основе анализа большого массива данных — текстовых описаний, нормативных требований, изображений товаров, классификационных решений и документальных источников. Такие системы могут выполнять роль автоматизированного консультанта или даже полностью автономного агента, предлагающего классификационный код с учетом структурированной и неструктурированной информации.
Одним из ключевых преимуществ подобных интеллектуальных систем является их способность обучаться на основе исторических данных, то есть использования примеров ранее классифицированных товаров, что позволяет формировать обучающую выборку, на которой система, применяя алгоритмы машинного обучения и в частности сверточные нейронные сети (Convolutional Neural Networks, далее — CNN), способна распознавать типовые визуальные образы и сопоставлять их с соответствующими кодами товарной номенклатуры. Такой подход особенно эффективен для тех категорий товаров, идентификация которых затруднена вследствие высокой вариативности визуальных и конструктивных характеристик, но которые могут быть с высокой степенью достоверности распознаны по изображению (например, спортивная обувь, сапоги, сандалии, ботфорты и др.).
Более того, интеллектуальные экспертные системы могут быть интегрированы с программными средствами оформления таможенных деклараций, что позволяет автоматически генерировать предварительно заполненные графы декларации на товары (далее — ДТ), включая графу 33 (код ТН ВЭД ЕАЭС), на основании анализа текста, изображений и документации, что существенно упрощает деятельность декларантов, снижает риск некорректной классификации и минимизирует вероятность наступления административной ответственности за нарушение правил.
В условиях, когда значительная часть данных, необходимых для принятия классификационного решения, содержится в неструктурированной форме — прежде всего в текстовых полях деклараций на товары, технической и товаросопроводительной документации — применение методов обработки естественного языка (Natural Language Processing, далее — NLP) и семантического моделирования позволяет существенно повысить эффективность деятельности таможенных органов.
Особое значение в этом контексте приобретает анализ графы 31 ДТ, содержащей описание товара, где фиксируются основные сведения о нем, включая наименование, состав, назначение, особенности конструкции, технические характеристики и другие признаки, на основании которых проводится идентификация и последующая классификация в соответствии с ТН ВЭД ЕАЭС. Однако на практике данная информация часто представляется в виде неформализованного описания, написанного в произвольной форме и содержащего большое количество вариативных лексических единиц, синонимов и профессионализмов, что затрудняет использование традиционных алгоритмов поиска и категоризации и требует применения более гибких инструментов анализа.
Искусственный интеллект, в частности его лингвистические компоненты, позволяет обрабатывать такие тексты с использованием методов латентно-семантического анализа (Latent Semantic Analysis), topic modeling, векторизации слов (word embeddings, такие как Word2Vec, GloVe или BERT), а также современных трансформеров. Применение указанных методов делает возможным выявление семантических связей между словами и фразами, даже если они формально не совпадают, но используются в одном и том же контексте. Таким образом, система может «понимать» смысл описания товара и сопоставлять его с соответствующими признаками, закрепленными в ТН ВЭД ЕАЭС.
На практике это выражается в том, что алгоритмы искусственного интеллекта анализируют массив текстов графы 31 ДТ, извлекая из них семантически значимые характеристики, такие как материал изготовления, назначение, способ функционирования, наличие электрических или механических компонентов, форму выпуска и другие параметры, критически важные для правильной идентификации. Далее, на основе этих признаков формируются эвристические подсказки — предполагаемые классификационные коды, сопровождаемые степенью уверенности системы в принятом решении. Например, если в описании товара указаны фразы «электронное устройство для учета потребления воды» и «цифровой дисплей», система может интерпретировать это как признак принадлежности к подгруппе водосчетчиков, функционирующих на основе электронных механизмов, и рекомендовать соответствующий код ТН ВЭД ЕАЭС.
Контекстный анализ в данном случае играет роль дополнительного уровня интерпретации, позволяя не просто учитывать отдельные слова, а анализировать их в связке с окружающими терминами, логической структурой предложения и общим смыслом описания, что особенно важно при наличии неоднозначных или многозначных терминов, таких как «двигатель», «насос», «масло», которые могут относиться к различным товарным категориям в зависимости от контекста. Например, термин «масло» может означать как пищевой продукт, так и техническую жидкость, а различие между ними заключается в таких контекстуальных признаках, как указание на «внутреннее потребление», «употребление в пищу» или, напротив, «использование в гидравлических системах».
Помимо графы 31 ДТ, подобные методы могут применяться и к другим источникам текстовой информации, включая коммерческие предложения, технические описания, сертификаты соответствия и даже данные из открытых источников (например, сайты производителей и электронные каталоги). Объединение данных позволяет системе обогатить представление о товаре и повысить точность идентификационных решений.
Важным преимуществом применения искусственного интеллекта в данном контексте является устранение субъективного фактора, неизбежно присутствующего при ручной интерпретации описаний товаров. Благодаря алгоритмам семантического анализа удается достигнуть большей степени стандартизации, объективности и воспроизводимости в принятии решений. Более того, система накапливает опыт и обучается на практике, повышая свою точность со временем за счет использования методов машинного обучения.
Также широкое применение в сфере таможенного контроля и, в частности, в процессе идентификации товаров может найти применение машинного зрения, основной задачей которого является автоматическое извлечение, анализ и интерпретация визуальной информации, полученной с различных сенсорных устройств, что особенно актуально в условиях необходимости быстрого и точного выявления товарных характеристик без вскрытия упаковки или проведения длительных лабораторных исследований.
Одним из наиболее перспективных практических применений технологий машинного зрения в идентификации товаров является автоматическая обработка изображений, полученных с помощью инспекционно-досмотровых комплексов, рентгеновских установок, 3D-сканеров и томографов. Современные комплексы технического контроля, используемые в пунктах пропуска через государственную границу, генерируют огромные объемы визуальных данных, которые требуют быстрой и точной интерпретации. В этом контексте алгоритмы глубокого обучения, в частности CNN, становятся эффективным инструментом анализа изображений товаров с целью определения их номенклатурной принадлежности и проверки соответствия заявленным характеристикам.
В таможенной практике особенно ярко применение машинного зрения проявляется при идентификации таких категорий товаров, как обувь, одежда, аксессуары, предметы быта и упаковки, визуальные признаки которых являются ключевыми для их классификации. Например, для обуви критическое значение имеют такие признаки, как наличие и форма каблука, перфорация, тип и материал союзки, высота изделия, вид подошвы, конструктивные особенности крепления. Обученные нейросетевые модели способны автоматически распознавать эти признаки и сопоставлять их с параметрами, закрепленными в классификационных группировках ТН ВЭД ЕАЭС.
На практике это реализуется в форме интеграции алгоритмов компьютерного зрения в программные комплексы анализа изображений, полученных при досмотре контейнеров или паллет. В процессе обработки изображения система выделяет контуры объекта, сегментирует его структуру, извлекает морфологические признаки и сравнивает их с эталонной базой визуальных характеристик, соответствующих различным кодам ТН ВЭД ЕАЭС. При наличии несовпадения — например, когда в декларации заявлена детская обувь из синтетических материалов, а по визуальным признакам определяются натуральная кожа и высокий каблук — система формирует сигнал для дополнительной проверки, а в ряде случаев — автоматически инициирует процедуру корректировки кода товара.
Интеграция систем компьютерного зрения в комплексную систему таможенного контроля также позволяет решать задачи ретроспективного анализа и формирования обучающих выборок. Все зафиксированные системой изображения могут сохраняться в базу данных и использоваться для дообучения моделей, что делает системы самообучающимися и адаптивными к новым видам товаров и изменениям во внешнеэкономической деятельности.
Мировая практика свидетельствует, что использование технологий искусственного интеллекта становится ключевым направлением совершенствования процессов идентификации и классификации товаров в рамках таможенного контроля. Применение интеллектуальных алгоритмов за рубежом направлено, прежде всего, на обеспечение достоверности классификационных решений и ускорение процедур документального и физического контроля.
Так, в странах Европейского союза формируется единая цифровая архитектура анализа данных о товаропотоках, в основе которой лежат методы интеллектуальной обработки текстовых и визуальных данных. Система предварительного контроля, внедрённая на уровне Европейской комиссии, позволяет сопоставлять описания товаров с классификационными признаками по Гармонизированной системе и автоматически выявлять расхождения между заявленным кодом и фактическими характеристиками продукции. По данным аналитического отчёта Европейской комиссии, внедрение этих инструментов позволило в несколько раз повысить точность автоматической классификации товаров и сократить долю ошибочных деклараций почти вдвое [6].
В Китайской Народной Республике используется сочетание машинного зрения и методов распознавания изображений, что позволяет в автоматическом режиме определять вид, назначение и состав продукции, перемещаемой через границу. Согласно официальным данным, применение таких систем обеспечило рост точности распознавания товаров при досмотре до 96% и позволило уменьшить количество ручных проверок на 40%, тем самым снизив нагрузку на персонал и ускорив обработку грузов [7].
Для государств — членов ЕАЭС данный опыт представляет практическую ценность, поскольку демонстрирует возможности повышения точности классификационных решений и сокращения временных затрат при осуществлении таможенных операций и проведения таможенного контроля за счёт перехода к интеллектуализированным моделям анализа данных.
Заключение. Проведённый анализ позволяет утверждать, что применение технологий искусственного интеллекта в идентификации и классификации товаров становится неотъемлемой частью цифровой трансформации таможенного контроля. Показана принципиальная возможность формирования гибкой архитектуры цифровой идентификации, в которую могут быть органично встроены инструменты объяснимого искусственного интеллекта, элементы семантической нормализации товарных описаний и алгоритмы машинного анализа изображений. Предложенный подход открывает путь к выстраиванию нового уровня взаимодействия между человеком-экспертом и интеллектуальной системой, где машинные выводы становятся не альтернативой, а логическим продолжением экспертного анализа. Сформированный в работе вектор развития направлен на институционализацию интеллектуальных решений в контуре таможенного контроля, что предполагает не только их технологическую реализацию, но и нормативное закрепление процедур, форматов обмена данными, требований к верификации и аудиту. Признание цифровой идентификации в качестве юридически значимого элемента таможенного контроля возможно лишь при условии соблюдения принципов объяснимости, надёжности и подконтрольности всех стадий алгоритмического вывода.
Комплексное внедрение искусственного интеллекта в идентификацию и классификацию товаров, основанное на научно обоснованных методах и проверяемых данных, способно трансформировать принципы функционирования системы таможенного регулирования, обеспечив её устойчивость, адаптивность и соответствие стратегическим задачам цифровой экономики. Реализация данных подходов способствует снижению влияния человеческого фактора, повышению объективности и воспроизводимости классификационных решений, ускорению оформления товаров и оптимизации ресурсов таможенных органов. Использование интеллектуальных систем позволяет не только совершенствовать существующие механизмы контроля, но и формировать основу для создания концепции «интеллектуальной таможни» ЕАЭС, в которой принятие решений будет основано на больших массивах данных и аналитических моделях. В дальнейшем развитие данных технологий потребует нормативного закрепления новых методов идентификации, создания единых цифровых платформ обмена данными и подготовки специалистов таможенного дела, владеющих компетенциями в области искусственного интеллекта и анализа данных. В совокупности это позволит обеспечить дальнейшее повышение эффективности, прозрачности и безопасности ВЭД в условиях глобальной цифровизации. |
| |
|
|
|
