整治費應申報而未申報AI預測系統

---

 

為改善案主──環境保護署（現為環境部）在整治費應收款項中的稽查問題，針對部分廠商為規避成本而未申報的徵收情況，案主期望信諾透過其在大數據分析和機器學習演算法上的深厚專業和豐富經驗，提供數位科技賦能支持，推動智慧管理，強化徵收作業的透明性與精準度，進一步提升整體管理效能。

緣起背景

為解決整治費漏繳的問題並提升應收款項的徵收效率，環保署（現為環境部）在過去除採用宣導措施以鼓勵廠商誠實申報外，還致力於精進稽查技術，以節省人力和時間。如今，藉由運用人工智慧（AI）和大數據分析技術，信諾能預測並識別可能漏繳的廠商名單，進行精準稽查，提升徵收效率。

針對未申報或漏收的廠商，環保署希望透過AI預測來處理大量且繁複的大數據資料，以加強稽查的精準度。然而，由於整治費的徵收數據量龐大且變項複雜，尤其是「產製產品」類的廠商缺乏明確的勾稽數據來源，過去多依賴宣導、自主申報及現場查核的方式處理。

在導入大數據與AI技術之前，傳統的人工作業方式耗時且易生誤差，難以達到高效管理。因此，環保署期望藉助信諾的大數據分析和AI賦能技術，建立便捷且高效的控管系統，減少人力需求並提升查核效率。例如，透過精準識別應申報卻未申報的廠商，有效優化整治費稽查流程，實現電子化、智慧化管理的目標，最終邁向數位化控管、自動化大數據分析和智慧管理的未來。

3分鐘掌握專案績效重點

案主面臨的核心痛點在於難以精確掌握應收整治費，而廠商未申報導致的漏收問題尤為顯著。問題根源在於稽查過程中數據量龐大且複雜，傳統人工稽查需逐一進行勾稽比對，費時費力，易出現誤差且無法突破作業效率瓶頸。

引入信諾的「避免漏收整治費之AI預測系統」（以下簡稱AI預測系統）後，數位化科技賦能使稽查人員得以即時掌握關鍵資訊，顯著提升決策精準度。自動化勾稽過程減少了人工操作的成本和時間投入，不僅提高稽查的精確度，成功追補未申報的款項，也降低錯誤率，提升稽查效率，紓解了人力壓力。

因此，引入新科技賦能是更具效益的選擇。導入AI預測系統後，案主不僅在漏收稽查精度和效率上得以大幅提升，還可利用系統的雲端數據記錄進行長期追蹤，為未來決策提供優化依據，並支持稽查作業的持續改進和擴展，實現全面性的綜效價值。

重要功能展示

AI預測系統能夠根據輸入資料的特性進行分類與分群，並設置多種特徵和變項條件，例如「進口、產製、廢棄物、製程代碼、行業別」等數據特徵，從而進行關聯性分析和運算整合。透過這些條件設定，系統可自動產出符合稽查條件的名單，大幅提高檢視的精準度與效率，協助稽查人員針對性地進行追查與管理。

成果具體效益價值簡要列點如下:

1. 根據案主的實際需求，量身打造一個高精準度且高效率的大數據分析系統：大幅減少傳統人工稽查所耗費的時間與精力，同時顯著提升稽查的精準性，滿足案主對高效管理的要求。
2. 設置精細的檢索條件：AI預測系統可依據輸入資料的特性進行分類與分群，並針對各項特徵和變項（如進口、產製、廢棄物、製程代碼、行業別等）進行關聯性分析和整合運算，最終生成符合特定條件的稽查名單，確保資料檢索的精準度。
3. 自動化排程作業：透過自動排程設置，系統可定期更新數據並生成名單，同時對異常紀錄自動標記並警示，建立疑似應申報卻未申報的產製名單，有效支持稽查作業。
4. 雲端智慧控管與持續追蹤：系統可在雲端持續記錄資料，支持後續追蹤並提供數據優化依據，以助於決策支持和作業優化，實現系統化的綜合價值。

 

專案執行前後之效益比較/比較專案前後差異

AI預測系統大幅減少了傳統人工稽查所需的人力和時間，展現出效率上的絕對優勢。過去案主需依靠人工作業，耗費整整一年才能匯整出300間廠商的名單；而藉助信諾的整合服務與AI預測系統，只需1-2天即可處理並生成10萬筆資料。從效率、準確率、人工節省等角度評估，信諾提供的系統與服務更為優質、高效。

為提高使用便利性，AI預測系統設有自動排程功能，可定期更新資料並生成名單，並對異常紀錄自動標記，以達成警示功能，建立疑似應申報卻未申報的名單，無需額外人力，即可實現異常紀錄的自動警示。

具體績效上，在導入AI預測系統後的現場查核中，共追繳到應申報但未申報的費用達622萬元。系統生成的稽查名單幫助成功追繳486萬元，佔追繳總額的約78%。

在準確率方面，當系統將「疑似未申報」的機率設置為99.9%以上篩選條件時，共篩選出25名應稽查對象，經現場查核後發現其中17名確實存在應申報未申報情形，篩查準確率達68%。此結果顯示AI預測系統能有效識別應申報卻漏收的廠商。首輪測試即有如此成效，隨著數據積累，預測的精準度預期將進一步提升。

藉由嚴謹的作業方法與流程管理，AI預測系統在每一階段的作業中均保障了精準效能。基於歷年數據庫進行特徵提取和關聯性分析，建立適配於大數據特性的預測模型，使得AI預測系統能更便捷、速效且精確地完成整合運算，從而大幅提升稽查效率，實現了經實證的高效成果。

透過整合服務，系統使後續相關作業得以持續優化，包括追蹤、查核精度提升、數據歷史的準確性積累等。運用新科技賦能，並採取人機協作的稽查模式，具備一舉多得的長期效益，展現出其卓越選擇的價值，為案主帶來持續性的累積效益。

信諾採用多模型協作的方式進行數據運算，涵蓋單一模型如線性回歸、決策回歸樹、支援向量機、人工神經網路，以及複合模型（如表決法和重複採樣平均表決法）。根據數據的特性選擇適配模型，並通過敏感度測試的複雜運算來優化模型選擇，確保預測精準度。為避免過度擬合問題，信諾公平地比較各模型，並使用交叉驗證法評估模型可靠性，進一步減少潛在誤差，提升結果的可靠性與精準度。

信諾的運算流程依循臺科大PIM研究室（Project Intelligence & Management，PiM）的嚴格審核。從數據收集、文獻回顧、資料處理、數據分析到模型建立，再到預測，每個步驟都採用多種方法（如交叉驗證法），以確保為每組數據選擇最合適的模型。根據不同樣態的數據，信諾提供精準適配的運算模型。

藉助臺科大PIM研究室的嚴謹流程，並透過多模型排列組合與交叉驗證法的繁複運算，信諾有效提升了預測精準度，為案主提供高度可靠的分析結果。

結語

綜上所述，導入AI預測系統後，稽查作業的優化成效顯著，與傳統人工方式相比優勢明顯。傳統人工稽查難以克服誤差大、效率低、耗時費力等問題；然而，在AI預測系統的協助下，通過人機協作的方式，不僅提升了精準度和便捷性，還實現了後續追蹤與優化的智慧控管。此系統為案主的稽查作業帶來大幅提升，加速其邁向智慧作業與數位化管理，顯著增強了稽查效能。

了解更多

環保署土壤及地下水污染整治費網路申報及查詢系統網址

回上一頁