整治費應申報而未申報AI預測系統
2023/03/16
為改善案主─環境保護署(現為環境部)在整治費上之應收費,卻因廠商為避免成本的支出,而未申報的徵收作業上之稽查的相關問題;期望透過在大數據分析以及機器學習演算法上,深耕有成,擁有豐富經驗的信諾,為案主提供數位科技之賦能,朝向智慧管理的方向邁進。
緣起背景
鑒於整治費的漏繳問題,為有效追查並成功收取應收款項,在過往除採取宣導方式來鼓勵廠商誠實申報外,為了節省人力與時間,精進查核技術,現在藉由運用人工智慧與大數據資料的分析、運算來做查核,透過AI(artificial intelligence)來預測,找出漏繳名單來進行稽查作業。
為了解決在應收之整治費卻漏收之廠商的未申報問題,加強對稽查時的精準度,故希望透過人工智慧演算法(以下簡稱AI預測)的方式來處理龐鉅且繁雜的大數據資料;但因徵收整治費的數據資料量龐大,影響到徵收的相關變項繁雜;且在「產製產品」類的繳費廠商,由於並無明確的資料勾稽來源,歷年來多採用宣導的方式,讓應繳費的廠商以自主申報與現場查核的方式來進行。
在引進大數據資料與AI的分析技術以前,案主所使用的傳統人工查核的作業方式,不僅費時耗工,且往往因為人工作業的問題,而極易產生誤差;故希望透過新科技的賦能與大數據資料的分析技術,來建立起便捷、高效的控管系統。
例如從作業時所減免的人力時間與效率的提升,到抓出應申報卻未申報之廠商的精準度,以優化在整治費上之應繳費卻未繳費之徵收作業上的稽查問題,以精進案主在業務上運用電子化、智慧化的管理方式,來改善問題,提升精準度與效率,以朝向數位化控管、智慧分析與自動演算大數據資料等目標,來落實智慧管理。
3分鐘掌握專案績效重點
案主最主要的問題痛點是─難以精準且有效地掌握應收之整治費,卻因廠商未申報而漏收的問題。而究其根源在於進行稽查時的資料量過於龐鉅且紛雜,因而導致的繁瑣作業,而無法避免的誤差與漏收問題;且在傳統人工方式做稽查時需要逐一做「勾稽比對」以防止列管的繳費人之漏報的耗時費力的作業效率問題亦無法突破。
但在導入了信諾的系統─「避免漏收整治費之AI預測系統」(以下簡稱AI預測系統),進行數位化的科技賦能以後,能讓稽查作業人員能更即時便利地掌握關鍵資訊,從而提高決策的準確度;由於自動化勾稽的作業方式能有效降低審理人員在作業上的人力、物力與時間之耗費;不僅能提升稽查作業的精準度,達到追討回應申報而未申報之款項,同時降低錯誤率,提升稽核效率,紓解稽核的人力負擔。
有鑑於此,透過新科技的賦能顯然是效益更佳的最好選擇;而且在導入了AI預測系統以後,不僅只強化案主在漏收問題上的精準度與稽查作業時的速率與效能;更能持續以此系統做雲端資料的記錄,來追蹤,以作為後續相關作業之優化的判斷依據、輔助、支撐決策與優化或擴充稽查作業功能之用,故有全面性的綜效價值。
重要功能展示
AI預測系統能將輸入的資料,依其特性,進行分類分群,做各種特徵、變項條件的設定─如「進口、產製、 廢棄物、 製程代碼、 行業別」的數據型態特徵,來進行關聯性分析、運算的整合作業後,產出符合其條件設定的稽查名單。
成果具體效益價值簡要列點如下:
- 依照案主的真實需求,量身訂製出高精準度且高效率的大數據資料分析系統,能大幅降低傳統人工稽查作業時耗費的時間與心力,並提升稽查作業的精準度。
- 設定細膩的檢索條件─AI預測系統能將輸入的資料,依其特性,進行分類分群,做各種特徵、變項條件設定的關聯性分析運算的整合作業後,產出其條件設定的名單。
- 自動化排程作業─透過自動排程的設定,來定期更新資料與產出名單;並針對異常紀錄來自動標記以達到警示功能,建立疑似應申報而未申報產製名單。
- 雲端化智慧控管與後續追蹤以利於相關的優化作業─能持續以此系統做雲端資料的記錄,來追蹤,以作為後續相關作業之優化的判斷依據、輔助與支撐決策之用,具有全面性之綜效價值。
專案執行前後之效益比較/比較專案前後差異
AI預測系統能大幅減少傳統人工方式在稽查時的人力與時間,在效率上具有絕對的優勢;相比在過去案主的執行方式以人工作業來進行稽查,要匯整出300間的名單,需要耗費整整一年的時間;但透過使用信諾的整合服務與AI預測系統,只要1-2天即可產出10萬筆資料,其效益與節省下來的時間、人工心力與準確率上做評判,結果顯而易見─於效率、準確度都是信諾所提供的系統與服務更加優質且便捷速效。
基於希望讓使用者更為便利,AI預測系統能藉由自動排程的設定,來定期更新資料與產出名單;並針對異常紀錄來自動標記以達到警示功能,建立疑似應申報而未申報產製名單;但卻不需要耗費額外的人力與時間,便能達到對異常狀態(紀錄)的警示自動化功能。
於具體數字績效上,在導入了AI預測系統以後,實際在現場查核的執行成果中抓出應繳費但卻未申報所查到的費用金額為622萬;而透過AI預測系統所產出之名單與追繳回來的金額為486萬,佔追繳金額比例約78%。
而在準確率上,將篩選條件的機率設定為─疑似未申報機率達99.9%以上之繳費人,作為篩選條件後,共篩選出25件繳費人名單,並實際進行現場查核,結果顯示有17件確實為應申報而未申報情形之繳費人,即AI預測系統成功地找到應申報卻漏收的名單,換算成百分比數的話為68%;能為案主抓出應申報卻未申報之廠商,25間有17間,準確率超過八成,經實證確能有效地糾出未申報而漏繳整治費之廠商;而這只是第一次執行的成效,可以樂觀的預期,隨著數據資料的累積,能讓預測的成效更精準。
藉由嚴謹作業方法與流程,讓每一階段的作業程序都保障了AI預測系統效能的精準度;成功地經由歷年的資料庫,作特徵、關聯性分析,以及建立適配於大數據資料特性的預測模型;透過AI進行預測的整合作業以後,經實證─確能以更加便捷、速效且精準的方式,來達到更有效率的稽查成效。
並透過整合式的服務,讓後續相關作業得以持續優化,如追蹤、優化查核、數據歷史積累的準確性提升等;可以說,運用新科技的賦能,以人機協作模式來進行的稽查作業方式能一舉多得,有長遠與累積效益的特性,顯然是最佳的選擇。
信諾採用多種模型協作的方式,來進行數據運算,在單一模型中有:線性回歸、決策回歸樹、支援向量機與人工神經網路以及複合模型(Ensemble Model):表決法以及重複採樣平均表決法,再依適配性搭配不同樣態的數據,進行多種模型協作,並透過敏感度測試的繁複運算工程來獲得最佳模型;且為了避免過度擬合(Overfitting)的問題,公平地比較各模型,再使用交叉驗證法去評測模型的可靠度,減少過度擬合導致的不可靠之結果,以獲得更高的精準度。
而且信諾所使用的運算程序是使用臺科大PIM研究室(Project intelligence & Management,PiM)的審核流程;從資料拿到之後,進行文獻回顧、觀察資料處理、資料分析,然後建立模型,接著預測,並在建立模型當中採用多種方法以求公正(交叉驗證法) 一整套下來可以給予該組數據較合適的模型,並依照不同樣態的數據資料,提供相適配的演算模型。
藉著臺科大PIM研究室的嚴謹作業流程,透過多種不同模型的排列組合所測試的繁複演算工程與交叉驗證法來評測模型的可靠度,能有效提升預測的精準度。
結語
綜上所述,皆可明顯區分出─在導入AI預測系統前後之優化成效的對比之高下優劣;例如在傳統的人工稽查方式的問題─明顯無法克服誤差、效率低落與耗時費力等問題;但透過AI預測系統的幫助,採取人機協作的方式,確能提升精準性、便捷性與後續追蹤、優化等智慧控管的效益,對精進案主在稽查作業上,朝向智慧作業與數位化管理之效能皆有大幅度的助益。
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