A data-driven methodology for customs risk management

In the last few years, customs acquired a central role in supporting international trade and protecting the security and financial interests of communities. In this context, the growing of goods exchange increases the risk of frauds. Due to the current volume of global trade, an accurate inspection of the goods passing through customs would slow down commercial activities. Customs are thus facing new challenges: they must ensure the smooth flow of trade while applying the necessary controls on the one hand, and also guarantee the safety of the citizens and the correct collection of duties. This thesis proposes a methodology for customs risk management, with a specific focus on data analysis techniques applied to customs declarations to support the automatic selection of goods that require manual inspection. An experimental evaluation of different statistical and machine learning methods is provided to compare advantages and disadvantages of each method. Moreover, the thesis presents a new customs clearance process comprising the outlier detection approaches analyzed in this thesis and the methods currently in use.

Negli ultimi anni, a causa dell'aumento esponenziale degli scambi internazionali di merci, le dogane hanno assunto un ruolo centrale nell'agevolazione del commercio e nella protezione della sicurezza e degli interessi finanziari della società. Infatti alla moltiplicazione degli scambi commerciali corrisponde anche un incremento del numero di frodi. Un controllo accurato, sotto forma d'ispezione fisica per ciascuna delle merci che passano in dogana, non è però più possibile dato il volume degli scambi, pena il rallentamento delle attività commerciali. Le dogane sono così di fronte a nuove sfide: devono garantire sia il regolare flusso delle attività commerciali che la sicurezza dei cittadini e la corretta riscossione dei dazi. In questa tesi si propone una metodologia per la gestione del rischio nelle dogane, con un'attenzione particolare rivolta alle tecniche di analisi dati applicate alle dichiarazioni doganali per supportare la selezione automatica delle merci da ispezionare. Vengono proposte e confrontate diverse alternative, provenienti sia da metodi statistici che dal machine learning, spiegando vantaggi e svantaggi di ognuna di esse. Viene quindi presentato un nuovo processo di sdoganamento che include sia le tecniche presentate in questo lavoro di tesi che quelle correntemente in uso.