Examining the Efficiency of Learning-Based Algorithms in the Process of Declaring Customs

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.

Keywords

• Customs Declaration
• Learning Algorithms
• Logistics
• Big Data

Gümrük Beyannamesi Sürecinde Öğrenmeye Dayalı Algoritmaların Etkinliğinin İncelenmesi

Abstract

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.

Keywords

• Gümrük Beyannamesi
• Öğrenme Algoritmaları
• Lojistik
• Büyük Veri

References

1. Abdulkareem, N. M., & Abdulazeez, A. M. (2021). Machine Learning Classification Based on Radom Forest Algorithm: A Review. International Journal of Science and Business, IJSAB International, 5(2), 128-142. https://ideas.repec.org/a/aif/journl/v5y2021i2p128-142.html adresinden alındı google scholar
2. Aka, A., & Ürünal, A. A. (2018). Türkiye’de Dış Ticaret Uygulamaları: 4458 Sayılı Gümrük Kanunu Özelinde. Balkan Sosyal Bilimler Dergisi, 7(13), 154-170. https://dergipark.org.tr/en/pub/bsbd/issue/34559/336447 adresinden alındı google scholar
3. Akgül, G., Çelik, A. A., Aydın, Z. E., & Öztürk, Z. K. (2020). Hipotiroidi Hastalığı Teşhisinde Sınıflandırma Algoritmalarının Kullanımı. Bilişim Teknolojileri Dergisi, 13 (3), 255-268. doi:10.17671/gazibtd.710728 google scholar
4. Alasadi, S. A., & Bhaya, W. S. (2017). Review of Data Preprocessing Techniques in Data Mining. Journal of Engineering and Applied Sciences, 12(16), 4102-4107 ISBN: 1816-949X. https://d1wqtxts1xzle7.cloudfront.net/54509277/4102-4107-with-cover-page-v2.pdf Expires adresinden alındı google scholar
5. Alexandropoulos, S.-A. N., Kotsiantis, S. B., & Vrahatis, M. N. (2019). Data preprocessing in predictive data mining. The Knowledge Engineering Review, 34, 1-33. doi:10.1017/s026988891800036x google scholar
6. Ameyaw, E. E., Hu, Y., Shan, M., Shan, S. P., & Le, Y. (2016). Application Of Delphi Method In Construction Engineering And Management Research: A Quantitative Perspective. Journal Of Civil Engineering And Management, 22(8), 991-1000. doi:10.3846/13923730.2014.945953 google scholar
7. Aydın Atasoy, N. & Demiröz, A. (2021). Makine öğrenmesi algoritmaları kullanılarak prostat kanseri tümör oluşumunun incelenmesi. Avrupa Bilim ve Teknoloji Dergisi , Ejosat Özel Sayı 2021 (ISMSIT) , 87-92 . DOI: 10.31590/ejosat.1018897 google scholar
8. Barchard, K. A., & Pace, L. A. (2011). Preventing human error: The impact of data entry methods on data accuracy and statistical results. Computers in Human Behavior, 27(5), 1834-1839. doi:10.1016/j.chb.2011.04.004 google scholar

9. Barua, L., Zou, B., & Zhou, Y. (2020). Machine learning for international freight transportation management: A comprehensive review. Research in Transportation Business & Management, 100453. doi:10.1016/j.rtbm.2020.100453 google scholar
10. Başer, B. Ö., Yangın, M., & Sarıdaş, E. S. (2021). Makine öğrenmesi teknikleriyle diyabet hastalığının sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25 (1), 112-120. doi:10.19113/sdufenbed.842460 google scholar
11. Boz, M. , Canbazoğlu, E. , Özen, Z. & Gülseçen, S. (2018). Otel rezervasyon iptallerinin makine öğrenmesi yöntemleri ile tahmin edilmesi. Veri Bilimi , 1 (1) , 7-14 . Retrieved from https://dergipark.org.tr/tr/pub/veri/issue/41532/490816 google scholar
12. Brei, V. A. (2020). Machine Learning in Marketing: Overview, Learning Strategies, Applications, and Future Developments. Foundations and Trends® in Marketing, 14(3), 173-236. doi:10.1561/1700000065 google scholar
13. Büyükgüral, A., & Türkoğlu, Y. (2015). Gümrük Kanunu’na Göre Tatbik Edilen Para Cezalarında Zamanaşımı Sorunu. Gümrük ve Ticaret Dergisi, (6), 74-85. https://dergipark.org.tr/tr/pub/gumrukticaretdergisi/issue/53324/708737 adresinden alındı google scholar
14. Canrakerta, &. H. (2020). Application of Business Intelligence for Customs Declaration: A Case Study in Indonesia. Journal of Physics. https://www. researchgate.net/publication/339011997_Application_of_Business_Intelligence_for_Customs_Declaration_A_Case_Study_in_Indonesia adresinden alındı google scholar Chandrasekar, P., Qian, K., Shahriar, H., & Bhattacharya, P. (2017). Improving the Prediction Accuracy of Decision Tree Mining with Data Preprocessing. 2017 IEEE 41st Annual Computer Software and Applications Conference (COMPSAC). doi:10.1109/compsac.2017.146 google scholar
15. Chen, K., Chen, H., Conway, N., Hellerstein, J. M., & Parikh, T. S. (2011). Usher: Improving Data Quality with Dynamic Forms. IEEE Transactions on Knowledge and Data Engineering, 23(8), 1138-1153. doi:doi:10.1109/tkde.2011.31 google scholar
16. Chen, S., Webb, G. I., L. L., & Ma, X. (2019). A novel selective naıve Bayes algorithm. Knowledge-BasedSystems, 105361. doi:10.1016/j.knosys.2019.105361 google scholar
17. Coşar, M., & Deniz, E. (2021). Makine Öğrenimi Algoritmaları Kullanarak Kalp Hastalıklarının Tespit Edilmesi. Avrupa Bilim ve Teknoloji Dergisi, Ejosat Özel Sayı 2021 (ICAENS), 1112-1116. doi:10.31590/ejosat.1012986 google scholar
18. Cui, D., & Curry, D. (2005). Prediction in Marketing Using the Support Vector Machine. Marketing Science, 24(4), 595-615. doi:10.1287/mksc.1050.0123 google scholar
19. Cui, G., Wong, M. L., & Lui, H.-K. (2006). Machine Learning for Direct Marketing Response Models: Bayesian Networks with Evolutionary Programming. Management Science, 52(4), 597-612. doi:10.1287/mnsc.1060.0514 google scholar
20. Dahouda, M. K., & Joe, I. (2021). A Deep-Learned Embedding Technique for Categorical Features Encoding. IEEE Access, 9, 114381-114391. doi:10.1109/ access.2021.3104357 google scholar
21. Dash, M., & Liu, H. (1997). Feature selection for classification. Intelligent Data Analysis, 1(1-4), 131-156. doi:10.1016/s1088-467x(97)00008-5 google scholar
22. Dobriban, E., & Wager, S. (2018). High-dimensional asymptotics of prediction: Ridge regression and classification. The Annals of Statistics, 46(1), 247-279. doi:10.1214/17-aos1549 google scholar
23. Erdi, B. , Şahin, E. A. , Toydemir, M. S. & Dökeroğlu, T. (2021). Makine öğrenmesi algoritmaları ile trol hesapların tespiti. Düzce Üniversitesi Bilim ve Teknoloji Dergisi , 9 (1) , 430-442 . DOI: 10.29130/dubited.748366 google scholar
24. Ereken, Ö. & Tarhan, Ç. (2021). İş başvurularının makine öğrenmesi yöntemleriyle değerlendirilmesi. Yönetim Bilişim Sistemleri Dergisi , 7 (2) , 65-85. Retrieved from https://dergipark.org.tr/tr/pub/ybs/issue/67451/991689 google scholar
25. Garda, I. G., & Caballero, A. M. (2021). A Multi-Objective Bayesian Approach with Dynamic Optimization. A Hybrid of Decision Theory and Machine Learning Applied to Customs Fraud Control in Spain. Mathematics, 9(13), 1529. doi:10.3390/math9131529 google scholar
26. Gavcar, E. & Metin, H. M. (2021). Hisse Senedi Değerlerinin Makine Öğrenimi (Derin Öğrenme) ile Tahmini . Ekonomi ve Yönetim Araştırmaları Dergisi , 10 (2) , 1-11 . Retrieved from https://dergipark.org.tr/tr/pub/eyad/issue/68049/1056795 google scholar
27. Gulia, A., Vohra, R., & Rani, P. (2014). Liver Patient Classification Using Intelligent Techniques. International Journal of Computer Science and Information Technologies, 5 (4), 5110-5115 . https://www.semanticscholar.org/paper/Liver-Patient-Classification-Using-Intelligent-Gulia-Vohra/79 8856e3c30ed88661d0aa596cc23e12410181f5#references adresinden alındı google scholar
28. Gümrük Rehberi. (2021). 2021 tarihinde T.C. Ticaret Bakanlığı: https://gumrukrehberi.gov.tr/sayfa/g%C3%BCmr%C3%BCk-beyannamesinde-hangi-bilgiler-yer-al%C4%B1r adresinden alındı google scholar
29. Huang, J.-C., Ko, K.-M., Shu, M.-H., & Hsu, B.-M. (2019). Application and comparison of several machine learning algorithms and their integration models in regression problems. Neural Computing and Applications. doi:10.1007/s00521-019-04644-5 google scholar
30. İhracatta Kullanılan Uluslararası Dökümanlar. (2021). 2021 tarihinde Mevzuat.Net: https://www.mevzuat.net/fayda/dokumanlar.aspx adresinden alındı google scholar
31. İlgün, M. F. (2020). Vergi Denetim Sürecinde Büyük Veri Analitiği. Siyaset, Ekonomi ve Yönetim Araştırmaları Dergisi, 8 / 1, 1-24. https://dergipark. org.tr/en/pub/seyad/issue/55429/698700 adresinden alındı google scholar
32. Jackson, E., & Agrawal, R. (2019). Performance Evaluation of Different Feature Encoding Schemes on Cybersecurity Logs. 2019 SoutheastCon. doi:10.1109/ southeastcon42311.2019.9020560 google scholar
33. Karadağ, K. (2021). Kan vermeye elverişli donörlerin makine öğrenme yöntemleri ile tespiti . Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi , 8 (15) , 508-514 . DOI: 10.54365/adyumbd.993772 google scholar
34. Kaya, M., & Doğan, A. (2020). Dış Ticarete Konu Eşyanın Vergilendirilmesinde Gümrük Kıymetinin Rolü, Beyanı ve Kontrolü. Gümrük ve Ticaret Dergisi, 7 (19), 10-24. https://dergipark.org.tr/tr/pub/gumrukticaretdergisi/issue/53766/695384 adresinden alındı google scholar
35. Koh, L. D. (2020). Blockchain in transport and logistics - paradigms and transitions. International Journal of Production Research, 58:7, 2054-2062,. d oi:10.1080/00207543.2020.1736428 google scholar
36. Kotsiantis, S. B., Zaharakis, I., & Pintelas, P. (2007). Supervised machine learning: A review of classification techniques. Emerging artificial intelligence applications in computer engineering, 160(1), 3-24. google scholar
37. Li, G., & Li, N. (2019). Customs classification for cross-border e-commerce based on text-image adaptive convolutional neural network. Electronic Commerce Research. doi:doi:10.1007/s10660-019-09334-x google scholar
38. Lund, B. D. (2020). Review of the Delphi method in library and information science research. Journal of Documentation, 76(4), 929-960. doi:10.1108/ jd-09-2019-0178 google scholar
39. Ma, L., & Sun, B. (2020). Machine learning and AI in marketing - Connecting computing power to human insights. International Journal of Research in Marketing. doi:10.1016/j.ijresmar.2020.04.005 google scholar
40. Mammadov, F. (2020). Customs system and using advanced technologies in customs [Master Thesis, Technische Universitat Wien]. reposiTUm. https:// resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-138802 adresinden alındı google scholar
41. Maruev, S., Stefanovskiy, D., Frolov, A., Troussov, A., & Curry, J. (2014). Deep Mining of Custom Declarations for Commercial Goods. Procedia Economics andFinance, 12, 397-402. doi:10.1016/S2212-5671(14)00360-8 google scholar
42. Mevzuat Bilgi Sistemi. (2021). 12 22, 2021 tarihinde Mevzuat Bilgi Sistemi: https://www.mevzuat.gov.tr/mevzuat?MevzuatNo=4458&MevzuatTur=1&MevzuatTertip=5 adresinden alındı google scholar
43. Mullooly, J. P. (1990). The effects of data entry error: An analysis of partial verification. Computers and Biomedical Research, 23(3), 259-267. doi:https:// doi.org/10.1016/0010-4809(90)90020-D google scholar
44. Nacar, E. N. & Erdebilli (b.d.rouyendegh), B. (2021). Makine öğrenmesi algoritmaları ile satış tahmini . Endüstri Mühendisliği , 32 (2) , 307-320 . DOI:10.46465/endustrimuhendisligi.811183 google scholar
45. Okur, C. & Dener, M. (2021). Makine öğrenme metotları kullanılarak ksa ddos saldırıları tespiti . El-Cezeri , 8 (3) , 1550-1564 . DOI: 10.31202/ecjse.971592 google scholar
46. Özer, A. C. (2020). Türkiye’nin Gümrük Prosedür Uygulamaları ve Etkinliği Üzerine Bir Değerlendirme. Bitlis Eren Üniversitesi Sosyal Bilimler Dergisi, 9 (2), 341-345. doi:10.47130/bitlissos.842154 google scholar
47. Pamuk, Z., & Kaya, C. (2021). Classification of Type 2 Diabetes Using Machine Learning Techniques. Avrupa Bilim ve Teknoloji Dergisi, Ejosat Özel Sayı 2021 (ICAENS), 1265-1268. doi:10.31590/ejosat.1014878 google scholar
48. Paper, D. (2020). Hands-on Scikit-Learn for Machine Learning Applications. doi:10.1007/978-1-4842-5373-1 google scholar
49. Paula, E. L., Ladeira, M., Carvalho, R. N., & Marzagao, T. (2016). Deep Learning Anomaly Detection as Support Fraud Investigation in Brazilian Exports and Anti-Money Laundering. 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA). doi:10.1109/icmla.2016.0172 google scholar
50. Refaeilzadeh, P., Tang, L., & Liu, H. (2016). Cross-Validation. Encyclopedia of Database Systems, 1-7. doi:10.1007/978-1-4899-7993-3_565-2 google scholar
51. Roshan, S. E., & Asadi, S. (2020). Improvement of Bagging performance for classification of imbalanced datasets using evolutionary multi-objective optimization. Engineering Applications of Artificial Intelligence, 87, 103319. doi:10.1016/j.engappai.2019.103319 google scholar
52. Ryzhova, A., & Sochenkov, I. (2019). Deep Learning for Customs Classification of Goods Based on Their Textual Descriptions Analysis. 2019 Ivannikov Ispras Open Conference, 2019, s. pp. 55-59. doi:10.1109/ispras47671.2019.00014 google scholar
53. Saçık, S. (2009). Dış Ticaret Politikası ve Ekonomik Büyüme İlişkisi. Karamanoğlu Mehmetbey Üniversitesi Sosyal ve Ekonomik Araştırmalar Dergisi, 2009(1), 162-171. https://dergipark.org.tr/tr/pub/kmusekad/issue/10220/125634 adresinden alındı google scholar
54. Sahinaslan, O., & Sahinaslan, E. (2019). “Cross-object information security: A study on new generation encryption”. AIP Conference Proceedings( 2086, 030034 (2019)). doi:https://doi.org/10.1063/1.5095119. google scholar
55. Salve, S., Bhutkar, G., & Yammiyavar, P. (2021). Can Dynamic Widgets Improve Data Entry Efficiency? In: Muzammil M., Khan A.A., Hasan F. (eds) Ergonomics for Improved Productivity. Design Science and Innovation. Springer, Singapore. doi:https://doi.org/10.1007/978-981-15-9054-2_90 google scholar
56. Saygın, E., & Baykara, M. (2021). Karaciğer Yetmezliği Teşhisinde Özellik Seçimi Kullanarak Makine Öğrenmesi Yöntemlerinin Başarılarının Ölçülmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 33 (2), 367-377. doi:10.35234/fumbd.832264 google scholar
57. Schapire, R. E. (1999). Theoretical Views of Boosting and Applications. Algorithmic Learning Theory, 13-25. doi:10.1007/3-540-46769-6_2 google scholar
58. Shao, H. &.-R. (2002). Applying data mining to detect fraud behavior in customs declaration. https://www.researchgate.net/publication/3995840_ Applying_data_mining_to_detect_fraud_behavior_in_customs_declaration adresinden alındı google scholar
59. Siau, K. L., & Yang, Y. (2017). Impact of Artificial Intelligence, Robotics, and Machine Learning on Sales and Marketing. MWAIS 2017 Proceedings, 48. http://aisel.aisnet.org/mwais2017/48 adresinden alındı google scholar
60. Sourani, A., & Sohail, M. (2014). The Delphi Method: Review and Use in Construction Management Research. International Journal of Construction Education and Research, 11(1), 54-76. doi:10.1080/15578771.2014.917132 google scholar
61. Sperandei, S. (2014). Understanding logistic regression analysis. Biochemia Medica, 12-14. doi:10.11613/bm.2014.003 google scholar
62. Sundsoy, P., Bjelland, J., Iqbal, A. M., “Sandy” Pentland, A., & de Montjoye, Y.-A. (2014). Big Data-Driven Marketing: How Machine Learning Outperforms Marketers’ Gut-Feeling. Lecture Notes in Computer Science, 367-374. doi:10.1007/978-3-319-05579-4_45 google scholar
63. Şahinaslan, E. (2020). Endüstri 4.0 Dönüşümünde Öne Çıkan Teknolojiler,. A. &. Hayaloğlu içinde, Mühendislik Alanında Akademik Çalışmalar (s. 235 252) . Ankara: Gece Kitaplığı. google scholar
64. Şahinaslan, Ö. , Dalyan, H. & Şahinaslan, E. (2022). Naive bayes sınıflandırıcısı kullanılarak youtube verileri üzerinden çok dilli duygu analizi .Bilişim Teknolojileri Dergisi , 15 (2) , 221-229 . DOI: 10.17671/gazibtd.999960 google scholar
65. Şahinaslan, Ö. (2020). “Yeni Nesil Teknolojiler”. G. &. Telli içinde, Digital Dönüşüm (s. 48-49). İstanbul: Maltepe University Books. google scholar
66. T.C. Ticaret Bakanlığı. (2021, Aralık). 2021 tarihinde Yıllara Göre Beyanname Sayıları: https://ticaret.gov.tr/data/5d63d89d13b8762f7c43a738/20-Yillara%20Gore%20Beyanname%20Sayilari.pdf adresinden alındı google scholar
67. Takcı, H. (2016). Centroid sınıflayıcılar yardımıyla meme kanseri teşhisi . Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi , 31 (2) , 0-0 . DOI: 10.17341/gummfd.50403 google scholar
68. Tang, J., Deng, C., & Huang, G.-B. (2016). Extreme Learning Machine for Multilayer Perceptron. IEEE Transactions on Neural Networks and Learning Systems, 27(4), 809-821. doi:10.1109/tnnls.2015.2424995 google scholar
69. Uçan, O., & Koçak, E. (2014). Türkiye’de dış ticaret ve ekonomik büyüme arasındaki ilişki. Niğde Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(2), 51. https://dergipark.org.tr/tr/pub/niguiibfd/issue/19755/211482 adresinden alındı google scholar
70. Wang, M. L., & Choi, C. H. (2018). How information and communication technology affect international trade: a comparative analysis of BRICS countries. Information Technology for Development, 1-20. doi:10.1080/02681102.2018.1493675 google scholar
71. Yavuzarslan, M. & Erol, Ç. (2022). Öğrenme yönetim sistemi log kayıtlarının akademik başarı tahmininde kullanılması . Bilişim Teknolojileri Dergisi, 15 (2) , 199-207 . DOI: 10.17671/gazibtd.837884 google scholar
72. Zartha Sossa, J. W., Halal, W., & Zarta, R. H. (2019). Delphi method: analysis of rounds, stakeholder and statistical indicators. Foresight, 21(5), 525-544. doi:10.1108/fs-11-2018-0095 google scholar
73. Zhang, S., Li, X., Zong, M., Zhu, X., & Wang, R. (2018). Efficient kNN Classification With Different Numbers of Nearest Neighbors. IEEE Transactions on Neural Networks andLearning Systems, 29(5), 1774-1785. doi:10.1109/tnnls.2017.2673241 google scholar
74. Zhang, Y., Ni, M., Zhang, C., Liang, S., Fang, S., Li, R., & Tan, Z. (2019). Research and Application of AdaBoost Algorithm Based on SVM. 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference (ITAIC). doi:10.1109/itaic.2019.8785556 google scholar
75. Zien, A., Kramer, N., Sonnenburg, S., & Ratsch, G. (2009). The Feature Importance Ranking Measure. Lecture Notes in Computer Science, 694-709. doi:10.1007/978-3-642-04174-7_45 google scholar