ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ ИСПОЛЬЗОВАНИЯ В ДЕЯТЕЛЬНОСТИ ТАМОЖЕННЫХ ОРГАНОВ ПЕРСПЕКТИВНЫХ ТЕХНОЛОГИЙ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 339

исследование возможностей использования в деятельности таможенных органов перспективных технологий

Зиманова Мария Андреевна

Санкт-Петербургский имени В.Б. Бобкова филиал Российской таможенной академии, старший научный сотрудник научно-исследовательского отдела, e-mail: maz@spbrta.ru

Статья посвящена актуальной в свете цифро-визации и трансформации экономики теме исследования возможностей применения в деятельности таможенных органов Российской Федерации информационных и цифровых технологий. Автором рассмотрены различные подходы к пониманию информационных таможенных технологий, дано авторское определение перспективных технологий. Проведен обзор основных перспективных технологий, таких как искусственный интеллект, интернет вещей и др., и описан их потенциал в контексте таможенной деятельности. Разработан алгоритм, который на основе экспертных оценок позволит обучать нейронную сеть для распознавания теневых снимков, полученных с помощью сканирования грузов инспекционно-досмотровыми комплексами

Ключевые слова: цифровизация; таможенные органы; информационные технологии; перспективные технологии; искусственный интеллект; нейросеть

study of the possibilities of using advanced technologies in the activities of customs authorities

Zimanova Maria A.

Russian Customs Academy St. Petersburg branch named after Vladimir Bobkov, Senior Researcher of the Research Department, e-mail: maz@spbrta.ru

The article is devoted to the topical topic of studying the possibilities of using information and digital technologies in the activities of the customs authorities of the Russian Federation in the light of digi-talization and transformation of the economy. The author examined various approaches to understanding information customs technologies, and gave the author's definition of promising technologies. A review of the main promising technologies, such as artificial intelligence, the Internet of things and others, is carried out, and their potential in the context of customs activities is described. An algorithm has been developed that, based on expert assessments, will allow training a neural network to recognize shadow images obtained by scanning cargo with inspection and screening systems

Keywords: digitalization; customs; information technology; promising technologies; artificial intelligence; neural network

Для цитирования: Зиманова М.А. Исследование возможностей использования в деятельности таможенных органов перспективных технологий // Учёные записки Санкт-Петербургского имени В.Б. Бобкова филиала Российской таможенной академии. 2023. № 4 (88). С. 19-26.

Во второй половине XX века развитие науки и технологий привело к качественным изменениям в различных сферах жизни общества, что оказало огромное влияние на формирование информационного общества, ключевую роль в котором играет информация, а также ее производство, передача и использование. В научной литературе данные процессы отождествляются с формированием цифровой экономики, которая представляет собой новую экономическую парадигму, основанную на интеграции современных технологий в производственные, коммуникативные и распределительные процессы [1], и обозначаются сразу несколькими терминами: «оцифровка», «цифровизация» и «цифровая трансформация». Все они связаны с преобразованием информации и бизнес-процессов в цифровой формат, однако имеют свои особенности (табл. 1).

Так, на основе данных, представленных в табл. 1, можно отметить, что оцифровка являет-

ся первым шагом к цифровизации, а цифровиза-ция, в свою очередь, выступает составной частью более обширного понятия - цифровой трансформации. Они тесно взаимосвязаны и направлены на достижение более эффективных бизнес-результатов и адаптации бизнеса к цифровой экономике.

Процесс цифровой трансформации наблюдается уже достаточно давно, однако наиболее сильным катализатором в данной области стала пандемия коронавирусной инфекции, начавшаяся в Российской Федерации 2020 году, что привело к необходимости пересмотра подходов к осуществлению своей деятельности большинством организаций по всему миру. Введение карантинных мер и вынужденное социальное дистанцирование показали, что цифровая трансформация стала не желательным условием жизнеспособности и конкурентоспособности, а необходимым. В условиях цифровой экономики как частные компании, так и государственные органы стали адап-

Таблица 1

Характеристика понятий «оцифровка», «цифровизация» и «цифровая трансформация»

№ Стадия Сущность Цель Пример

1. Оцифровка Процесс преобразования аналоговой информации в цифровой формат Обеспечение доступности данных и улучшение процесса управления ими Сканирование бумажных документов и сохранение их в электронном виде

2. Цифровизация Процесс внедрения и использования цифровых технологий и цифровых данных Оптимизация, ускорение, повышение производительности бизнес-процессов Создание интернет-магазина и мобильного приложения

3. Цифровая трансформация Стратегический и комплексный процесс изменения бизнес-моделей, культуры и операций организации с использованием цифровых технологий Создание более гибкой, инновационной и адаптивной организации, способной эффективно реагировать на изменяющиеся условия рынка, удовлетворять потребности клиентов и использовать современные технологии для улучшения бизнес-процессов Мобильный банкинг с возможностью управлять счетами, совершать переводы, оплачивать счета и инвестировать

тироваться и активно использовать новые информационные и цифровые технологии и инструменты для оптимизации и повышения эффективности своей деятельности.

В широком смысле под информационными технологиями понимается совокупность методов, процессов и инструментов, которые позволяют собирать, хранить, обрабатывать и передавать данные с использованием аппаратных и программных средств. Основная цель информационных технологий - преобразовать разрозненные исходные данные в полезную, надежную и оперативную информацию, которая может быть использована для принятия решений и управления объектами [2].

В контексте деятельности таможенных органов особую важность приобретает понятие информационных таможенных технологий. В настоящее время понятие «информационные таможенные технологии» не имеет четкого и универсально принятого законодательного определения. В связи с этим ученые и специалисты в области таможенного дела разрабатывают различные подходы к определению данного понятия (табл. 2).

На основе определений, представленных в табл. 2, можно сформулировать сущность информационных таможенных технологий - это комплексный набор методов, инструментов и систем, основанных на использовании информационных технологий, с целью автоматизации и оптимизации процессов таможенной деятельности, предназначенных для обработки и обмена информацией, контроля и управления таможенными операциями, а также обеспечения прозрачности, эффективности и безопасности таможенных процессов.

В настоящее время особую актуальность в сфере таможенного дела приобретают информационные технологии, направленные на усовершенствование и повышение эффективности совершения таможенных операций и проведе-

ния таможенного контроля, а также на обеспечение перехода к цифровой таможне - такие технологии получили название «перспективных».

Понятие перспективных таможенных технологий также не нашло своего законодательного закрепления. Анализ научных работ российских авторов позволил выявить отдельные характеристики перспективных таможенных технологий, но не их определение.

Так, например, И.Н. Бутенко в своей работе «Перспективные таможенные технологии, применяемые в центрах электронного декларирования» в качестве перспективных таможенных технологий рассматривает автоматическую регистрацию, автоматический выпуск и диспетчеризацию таможенных деклараций [7]. Такой же подход к определению перспективных таможенных технологий разработан Д.Б. Жуковым в научной статье «Перспективные технологии совершения таможенных операций» [8]. М.С. Арабян, Т.В. Скудалова и О.А. Репушевская, в свою очередь, в статье «Применение перспективных информационных технологий в сфере таможенного администрирования» расширяют ранее приведенный список технологий и включают в него также электронное декларирование, систему управления рисками (СУР), единый лицевой счет, личный кабинет участника внешнеэкономической деятельности (ВЭД) [9].

Действительно, указанные технологии на определенном этапе развития Федеральной таможенной службы Российской Федерации (ФТС России) были инновационными и перспективными, однако в настоящее время они уже в полной мере были внедрены в таможенную деятельность и широко применяются, в связи с чем подход, согласно которому они относятся к «перспективным» технологиям, уже устарел, поскольку не отвечает современным тенденциям развития таможенных органов.

Таблица 2

Трактовки понятия «информационные таможенные технологии», предложенные различными авторами

№ Автор Определение

1. Аксенов И.А. «Совокупность (набор) и логическая последовательность определенных действий в рамках единого процесса совершения таможенных операций, осуществляемых таможенным органом во взаимодействии с другими участниками такого процесса, а также совокупность средств и методов, используемых при осуществлении конкретных таможенных операций для их ускорения при одновременном повышении их эффективности» [3]

2. Немченко О.А. «Совокупность технологий, с помощью которых происходит управление информацией внутри таможенной системы в интересах повышения эффективности таможенного оформления и контроля и создания максимально благоприятных условий для участников внешнеэкономической деятельности» [4]

3. Полухин И.В. «Система методов, способов и средств сбора, регистрации, хранения, поиска, накопления, обработки, генерации, анализа, передачи и распространения данных информации в области таможенного дела с применением средств вычислительной техники» [5]

4. Сомов Ю.И. «Совокупность методов, производственных процессов, программных и технических средств, объединенных в технологическую цепочку, обеспечивающую сбор, хранение, обработку и вывод таможенной информации, а также повышение надежности и оперативности таможенной деятельности» [6]

В этой связи предлагается под перспективными таможенными технологиями понимать инновационные инструменты и методы, основанные на передовых технологиях, которые внедряются в таможенную деятельность с целью автоматизации, цифровизации таможенных процессов, повышения эффективности совершения таможенных операций и проведения таможенного контроля, а также сбора, хранения, обработки информации и взаимодействия таможенных органов с другими субъектами таможенного процесса.

Эти технологии включают в себя широкий спектр инновационных инструментов и технологий, таких как:

1. Искусственный интеллект и машинное обучение. Применение алгоритмов и моделей искусственного интеллекта для автоматизации процессов принятия решений, обнаружения рисков, классификации товаров, анализа данных и прогнозирования.

2. Блокчейн. Использование технологии блок-чейн для создания распределенных реестров и обеспечения безопасности и прозрачности транзакций, документооборота и обмена информацией в таможенной сфере.

3. Интернет вещей. Применение сетей подключенных устройств и датчиков для сбора и передачи данных о перемещении товаров, условиях хранения и транспортировки, обеспечения точного мониторинга и контроля.

4. Большие данные и аналитика. Использование современных инструментов анализа данных для выявления трендов, паттернов и аномалий, прогнозирования потоков товаров, улучшения мониторинга и принятия оперативных решений.

5. Облачные технологии. Хранение и обработка данных, обмен информацией, управление рисками, аналитика и мониторинг, упрощение процедур таможенного оформления и усиление сотрудничества между таможенными органами

и участниками ВЭД.

Далее рассмотрим основные перспективные информационные технологии и примеры их возможного использования в таможенном деле (табл. 3).

Наиболее актуальным в контексте дальнейшего развития ФТС России видится масштабное внедрение искусственного интеллекта в деятельность таможенных органов с целью автоматизации ряда рутинных процессов таможенного контроля. Так, например, ФТС России в тестовом режиме начала применение искусственного интеллекта для распознавания и классификации товаров на снимках инспекционно-досмотровых комплексов (ИДК). Сервис в настоящее время уже умеет распознавать обувь, одежду, ткани, древесные плиты. Важно отметить, что достоверность автоматического распознавания составляет до 80,5 %, в целом и до 95 % по отдельным категориям товаров демонстрирует эффективность сервиса в распознавании конкретных товарных категорий. Быстрое время анализа одного снимка (менее 1 минуты) позволяет обрабатывать большой объем данных в кратчайшие сроки, что способствует повышению эффективности и скорости таможенного контроля [10].

Для дальнейшего обучения искусственного интеллекта по реализации распознавания товаров на снимках, полученных ИДК, может применяться нейросетевое моделирование. Искусственные нейронные сети - это математические модели, которые имитируют работу нервной системы и способны обрабатывать большие объемы данных. Python является одним из наиболее популярных языков программирования для реализации нейронных сетей и машинного обучения. Существует ряд библиотек и фреймворков, таких как TensorFlow, Keras и PyTorch, которые обеспечивают гибкость и мощные инструменты для создания и обучения нейронных сетей.

Таблица 3

Перспективные информационные технологии и возможность их применения

в таможенной деятельности

№ Технология Сущность Применение в таможенном деле

1. Анализ больших данных Процесс извлечения ценной информации и получения полезных практических выводов из больших объемов данных. Анализ больших данных включает в себя использование различных методов и инструментов для обнаружения скрытых закономерностей, паттернов, трендов и взаимосвязей в данных, которые могут помочь в принятии решений 1. Совершенствование СУР. Путем сопоставления и анализа данных о грузах, отправителях, получателях, истории торговых операций и других факторов, можно выявить потенциальные риски и принять меры для их снижения. 2. Анализ статистики внешней торговли. Путем анализа данных о экспорте, импорте, торговых партнерах, товарных группах и других факторах можно получить полную картину внешнеторговых потоков, идентифицировать тенденции и тренды, выявить аномалии и несоответствия. 3. Автоматизация процесса классификации товаров. Анализ больших данных поможет автоматизировать процесс классификации товаров. Системы смогут определить наиболее подходящий код для каждого товара на основе его характеристик, описания и других параметров.

2. Облачные технологии Модель предоставления компьютерных ресурсов, таких как вычислительная мощность, хранение данных и программное обеспечение, через сеть (чаще всего интернет) В таможенной деятельности облачные технологии могут использоваться для хранения и обработки данных, обмена информацией, управления рисками, аналитики и мониторинга, упрощения таможенных процедур и сотрудничества между таможенными органами и участниками ВЭД

3. Искусственный интеллект Область компьютерных наук, которая занимается созданием компьютерных систем и программ, способных выполнять задачи, требующие интеллектуальных способностей, которые обычно ассоциируются с человеком Искусственный интеллект может быть применен для автоматического анализа рентгеноскопических изображений, полученных с инспекционно-досмотровых комплексов на пунктах пропуска. Алгоритмы машинного обучения могут обнаруживать потенциально запрещенные или опасные предметы, что помогает облегчить и ускорить процесс таможенного контроля

4. Блокчейн и распределенные реестры Технологии, которые представляют собой децентрализованную систему записи и хранения информации Блокчейн и распределенные реестры предоставляют возможности для сотрудничества и коммуникации между государственными контролирующими органами. Блокчейн и распределенные реестры предоставляют новые возможности для сотрудничества и коммуникации между контролирующими органами

5. Интернет вещей Концепция, основанная на взаимодействии между физическими устройствами, предметами и сетевыми технологиями для обмена данными и выполнения определенных функций Интеллектуальные пункты пропуска, основанные на использовании 1оТ-технологий, представляют собой комплексные системы, объединяющие различные приборы, устройства и сенсоры для проведения контроля и обеспечения безопасности на границе или в пунктах пропуска

Процесс разработки нейросетевой модели включает в себя сбор и подготовку данных, выбор архитектуры нейронной сети, определение функций потерь и оптимизаторов, а также обучение и оценку модели. Python предоставляет широкий спектр инструментов для выполнения этих задач, а также удобные средства визуализации и анализа результатов. Использование нейросе-тевого моделирования позволяет достичь высокой точности и эффективности в распознавании товаров на снимках.

Так, нейронной сети необходимо осуществить визуальный поиск и определить по теневому изображению категорию товаров (как минимум на уровне товарной группы ТН ВЭД ЕАЭС, т.е.

первые 2 знака кода), а также сформулировать описание товаров на уровне ключевых слов.

Для этого нейронную сеть следует обучить путем загрузки в нее теневых изображений, по которым заранее была определена категория товаров (ключевые слова) и возможные товарные группы ТН ВЭД ЕАЭС с учетом примечаний к товарным группам и основных правил интерпретации. На начальном этапе категории товаров и товарные группы будет определять должностное лицо таможенного органа при выполнении обязанностей по анализу снимков ИДК, подтвердив результаты анализа данными, полученными при проведении таможенного досмотра [11].

На рис. 1 отражен процесс обучения нейронной

Рис. 1. Процесс обучения нейронной сети для распознавания снимков ИДК

сети с целью распознавания снимков, полученных при таможенном контроле с применением ИДК.

Одной из основных проблем при поиске по визуальным данным является семантический разрыв между восприятием человека и работой поисковых систем. Человек, сравнивая два изображения, обычно ориентируется на смысловое содержание изображений, их контекст и особенности, в то время как компьютерные системы основываются на сравнении векторов признаков, которые представляют визуальные характеристики изображений.

Этот разрыв возникает из-за разных способов восприятия и интерпретации изображений человеком и компьютерной системой. Люди могут оценивать изображения по разным критериям схожести в зависимости от своих целей и задач. Например, они могут сравнивать изображения по цвету, форме, композиции, объектам на изображении и другим визуальным характеристикам. В то же время поисковая система может использовать алгоритмы и модели машинного обучения для извлечения и сравнения векторов признаков, таких как текстуры, цветовые гистограммы или

Таблица 4

Критерии релевантности сравниваемых объектов [11]

№ Критерий релевантности Описание критерия

1 Конфигурация сцен Объекты на сравниваемых изображениях имеют схожее положение, но при этом различаются между собой полностью (расположение товаров в грузовом отсеке транспортного средства)

2 Один класс объектов Сравниваемые объекты визуально относятся к одной категории товаров (легкая промышленность, продукты питания, оборудование)

3 Цветовая гамма Сравниваемые объекты обладают одним спектром цветовой гаммы (если изображение представлено в цвете). Для рентгеновских изображений критерий отрицательный

4 Границы объекта (силуэт) Сравниваемые объекты обладают схожими границами, при их наложении друг друга изображения сливаются (допускается незначительное расхождение)

5 Расположение объекта в пространстве Сравниваемые объекты обладают одинаковым расположением в грузовом отсеке (нижняя часть, верхняя часть)

6 Выделяющиеся элементы Сравниваемые объекты обладают одинаковыми элементами, которые являются их неотъемлемой частью и могут быть легко идентифицированы

7 Плотность объекта Оптическая плотность объекта (степень почернения изображения объектов после воздействия рентгеновских лучей)

8 Масштаб объекта Сравниваемые объекты обладают одинаковыми размерами (длина, ширина), либо подобными размерами (соотношение длины и ширины пропорциональны)

геометрические формы.

Для рациональной оценки схожести изображений целесообразно разработать критерии их релевантности. Например, сопоставление изображений может осуществляться по следующим критериям (табл. 4).

Для определения наиболее важных критериев при сравнении изображений необходимо воспользоваться методом экспертных оценок, а именно методом ранга (от 1 до 10), проведя опрос

Результаты о1

среди должностных лиц, осуществляющих функции по анализу снимков ИДК. Далее необходимо определить суммарную оценку каждого критерия (Кп) на основе ответов всех опрашиваемых лиц (Эп), рассчитать удельный вес каждого критерия и присвоить ему балл (табл. 5).

Разработанные критерии необходимо применять при определении возможности использования теневого изображения в целях машинного обучения нейронной сети. При анализе теневого

Таблица 5

ов экспертов

№ Критерий релевантности Э1 Э1 Э3 Э4 Э5 Э6 Э7 Э8 Э9 Э10 Э11 Э12 Сумма Вес Балл

К1 Конфигурация сцен 1 1 2 3 1 1 2 1 2 1 1 2 18 0,04 8

К2 Один класс объектов 2 1 2 2 1 2 1 2 4 3 2 1 23 0,05 7

КЗ Цветовая гамма 3 4 2 5 4 3 3 4 3 2 3 1 37 0,08 6

К4 Границы объекта (силуэт) 7 8 10 7 8 8 9 10 8 8 9 7 92 0,20 2

К5 Расположение объекта в пространстве 5 6 4 5 5 4 6 7 5 4 5 6 62 0,13 4

К6 Выделяющиеся элементы 5 7 6 5 4 7 8 7 6 8 9 6 78 0,17 3

К7 Плотность объекта 7 7 10 9 8 10 8 9 8 8 7 8 99 0,21 1

К8 Масштаб объекта 4 5 4 3 3 4 4 5 4 3 5 3 47 0,10 5

Сумма всех оценок 463 - - -

изображения грузового отсека транспортного средства должностные лица отмечают в чек-листе наличие (либо отсутствие) критериев релевантности. Каждый критерий может быть оценен по шкале от «полностью соответствует» до «полностью не соответствует», чтобы определить, насколько теневое изображение является релевантным для задач машинного обучения нейронной сети. Это позволит отобрать наиболее подходящие изображения для дальнейшего анализа и обучения модели.

Для примера применения разработанной методики рассмотрим конкретные теневые изображения, полученные ИДК. В качестве эталонного изображения определим рис. 2.

Результаты анализа теневого изображения грузового отсека транспортного средства указы-

вают на перемещение предметов одежды - характерные признаки, форма и очертание грузовых мест позволяют идентифицировать данную продукцию на изображении. Однако количественные и качественные характеристики не могут быть установлены только на основе теневого изображения. Подтверждение факта перемещения мужских и женских курток и брюк на основе результатов таможенного досмотра позволяет рассматривать данное теневое изображение как эталонное. Это означает, что изображение служит основой для сравнения и дальнейшего анализа при проведении таможенного контроля и оформлении товаров. Важно отметить, что для полного подтверждения соответствия товаров на изображении документам и декларациям, могут потребоваться дополнительные проверки и документальные подтверж-

Рис. 2. Эталонное теневое изображения грузового отсека транспортного средства [11]

Рис. 3. Теневое изображение грузового отсека [11]

дения. Теневое изображение является лишь одним из элементов, используемых в процессе таможенного контроля и принятия решений.

На следующем этапе ИДК сканирует грузовой отсек автотранспортного средства, полученное теневое изображение (рис. 3) передается в автоматизированное рабочее место досмотровой группы.

Используя чек-лист релевантности и эталонное изображение, должностные лица таможенных органов осуществляют самостоятельный анализ теневого изображения, определяя, насколько оно отвечает критериям релевантности (табл. 6).

Сумма баллов соответствующих критериев равна в данном случае 25, что составляет 69 % от максимально возможной суммы баллов всех указанных в чек-листе критериев. Это говорит о том, что полученное изображение подходит для обучения нейронной сети и может быть использовано для анализа снимков товаров из категории «Легкая промышленность».

Так, имплементация нейронной сети в деятельность таможенных органов для конкретных категорий товаров, например, товаров легкой промышленности, может принести значительные преимущества в идентификации товарных поставок и снижении рисков нарушения таможенного законодательства. Использование нейронной сети позволяет автоматически анализировать визуальные данные и определять соответствие товаров той

Результаты чек-листа

или иной категории.

На начальном этапе таможенного оформления данная технология может помочь выявить возможные нарушения и недостоверно заявленные сведения при декларировании товаров, а также обнаружить подозрительные или запрещенные к перемещению грузы. Предварительная идентификация товаров на основе нейросетевого анализа позволит таможенным органам более эффективно распределить ресурсы, сосредоточиваясь на потенциально рискованных грузах. Это поспособствует более быстрому и эффективному таможенному контролю, а также уменьшит вероятность проникновения на территорию государства нелегальных и потенциально опасных товаров. Однако следует отметить, что нейронная сеть не может полностью заменить роль должностных лиц таможенных органов и является скорее вспомогательным инструментом, который помогает улучшить процесс таможенного контроля и повысить его эффективность. Решения, основанные на результатах работы нейросети, должны подвергаться периодической проверке и подтверждению соответствия должностными лицами таможенных органов.

Таким образом, цифровизация является неотъемлемой частью современного развития таможенных органов и позволяет создать более удобную и эффективную среду для всех участников

Таблица 6

вантности критериев

№ Критерий релевантности Соответствие Балл

К1 Конфигурация сцен + 8

К2 Один класс объектов + 7

КЗ Цветовая гамма - 0

К4 Границы объекта (силуэт) + 2

К5 Расположение объекта в пространстве + 4

К6 Выделяющиеся элементы + 3

К7 Плотность объекта + 1

К8 Масштаб объекта - 0

Сумма баллов 25

взаимодействия. Она способствует автоматизации процессов, ускорению обработки информации, а также обеспечивает процесс взаимодействия между таможенными органами и другими государственными органами, а также участниками ВЭД. Продолжение работ по цифровизации таможенной деятельности и реализация проектов, связанных с цифровой трансформацией государства, помогут дальнейшему совершенствованию и развитию таможенных органов Российской Федерации, а также приведут к более эффективному и прозрачному функционированию системы таможенного контроля и предоставления государственных услуг в сфере ВЭД. Перспективные таможенные технологии, в частности искусственный интеллект, играют ключевую роль в рамках концепции совершенствования таможенного администрирования.

Библиографический список:

1. Остроухова Н.Г. Эволюция сценариев развития цифровой экономики и общества в современных условиях // В сборнике: Менеджмент XXI века: экономика, общество и образование в условиях глобального социально-политического шока. Материалы XXI международной научно-практической конференции. Под редакцией А.В. Колышкина, А.О. Кравцова, М.В. Жаровой, В.В. Тимченко. Санкт-Петербург, 2023. С. 10-13.

2. Троянская М.А., Еременков А.А. Информационные технологии в государственном управлении: понятие, виды, задачи и направления регулирования // Вестник Академии знаний. 2022. №3 (50). С. 331-337.

3. Аксенов И.А. Цифровые технологии в таможенной и околотаможенной деятельности: учебное пособие / И. А. Аксенов; Владим. гос. ун-т им. А.Г. и Н.Г. Сто-

летовых. Владимир: Изд-во ВлГУ. 2022. 363 с.

4. Немченко О.А. Использование информационных технологий в целях повышения результативности деятельности таможенных органов // Экономико-управленческий конгресс. 2021. С. 70-76.

5. Юмаев Н.С. Цифровые технологии как фактор совершенствования таможенного администрирования при применении ТН ВЭД в странах ЕАЭС // Научные труды Северо-Западного института управления РАНХиГС. 2020. № 5 (47). С. 165-170.

6. Экономическая эффективность информационных таможенных технологий: монография / Липатова Н.Г., Сомов Ю.И., Егоров Ю.Н., Новиков С.В., Бурдин В.Е., Яцушко А.Н., Шашаев А.Е., Кецба Б.И. М.: РИО Российской таможенной академии, 2021. 178 с.

7. Бутенко И.Н. Перспективные таможенные технологии, применяемые в центрах электронного декларирования // World science: problems and innovations. 2020. С. 45-47.

8. Жуков Д.Б. Перспективные технологии совершения таможенных операций // Вестник Российской таможенной академии. 2022. №4 (61). С. 9-21.

9. Арабян М.С., Скудалова Т.В., Репушевская О.А. Применение перспективных информационных технологий в сфере таможенного администрирования // Таможенное дело. 2022. №3. С. 24-27.

10. Союз на пути к интеллектуальной таможне [Электронный ресурс] // Общественный совет при ФТС России. URL: https://www.osfts.ru/meropriyatiya/2022/ 2482-soyuz-na-puti-k-mtellektualnoj-tamozhne.

11. Шемякин Н.А. Методика формирования цифрового двойника участника ВЭД с использованием объектно-ориентированной модели таможенного контроля [Электронный ресурс] // Московский экономический журнал. № 5. 2023. URL: https://qje.su/ wp-content/uploads/2023/05/SHemyakin.pdf.