การประยุกต์ใช้การเรียนรู้ของเครื่องด้วยแบบจำลอง Logistic Regression เพื่อสนับสนุนการจัดลำดับความเสี่ยงของคำร้องคืนอากร ตามมาตรา 29 แห่งพระราชบัญญัติศุลกากร พ.ศ. 2560
Article Sidebar
Main Article Content
บทคัดย่อ
การคืนอากรตามมาตรา 29 แห่งพระราชบัญญัติศุลกากร พ.ศ. 2560 เป็นมาตรการสำคัญในการส่งเสริมการส่งออกของประเทศ แต่ในทางปฏิบัติ หน่วยงานรัฐยังเผชิญกับความท้าทายด้านปริมาณคำร้อง
ที่เพิ่มขึ้น ความซับซ้อนของข้อมูล และข้อจำกัดด้านทรัพยากรบุคคล ซึ่งส่งผลต่อประสิทธิภาพในการพิจารณาคำร้องคืนอากร งานวิจัยนี้มีวัตถุประสงค์เพื่อประยุกต์ใช้การเรียนรู้ของเครื่องด้วยแบบจำลอง Logistic Regression เพื่อสนับสนุนการจัดลำดับความเสี่ยงของคำร้องคืนอากรตามมาตรา 29 โดยมุ่งเน้นการเพิ่มประสิทธิภาพการบริหารจัดการความเสี่ยงและการสนับสนุนการตัดสินใจของเจ้าหน้าที่ งานวิจัยนี้เป็นการวิจัยแบบผสมผสาน โดยใช้ข้อมูลเชิงปริมาณจากระบบเทคโนโลยีสารสนเทศของกรมศุลกากรที่เกี่ยวข้องกับการคืนอากรเป็นประชากรในการศึกษา และคัดเลือกข้อมูลตัวอย่างสำหรับการพัฒนาและทดสอบแบบจำลองควบคู่กับการศึกษาข้อมูลเชิงคุณภาพจากเอกสารทางกฎหมาย แนวคิดการบริหารความเสี่ยง และงานวิจัยที่เกี่ยวข้อง เครื่องมือที่ใช้ในการวิจัย ได้แก่ แบบจำลองการเรียนรู้ของเครื่องด้วยวิธี Logistic Regression ซึ่งพัฒนาขึ้นเพื่อจำแนกระดับความเสี่ยงของคำร้องคืนอากร การเก็บรวบรวมข้อมูลดำเนินการผ่านการดึงข้อมูลจากระบบงานสารสนเทศของกรมศุลกากร และการวิเคราะห์เอกสารที่เกี่ยวข้อง สถิติที่ใช้ในการวิเคราะห์ข้อมูลประกอบด้วยสถิติเชิงพรรณนา และการประเมินประสิทธิภาพของแบบจำลองการจำแนก ผลการวิจัยที่สำคัญพบว่า แบบจำลอง Logistic Regression สามารถสนับสนุนการจัดลำดับความเสี่ยงของคำร้องคืนอากรได้อย่างเป็นระบบ และช่วยให้เจ้าหน้าที่สามารถให้ความสำคัญกับคำร้องที่มีความเสี่ยงสูงได้อย่างเหมาะสม ซึ่งสะท้อนถึงศักยภาพของการนำการเรียนรู้ของเครื่องมาใช้เป็นเครื่องมือสนับสนุนการบริหารจัดการความเสี่ยงภายใต้กรอบกฎหมายศุลกากรอย่างมีประสิทธิภาพและตรวจสอบได้
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ปรากฏในวารสารนี้ เป็นความรับผิดชอบของผู้เขียน ซึ่งสมาคมนักวิจัยไม่จำเป็นต้องเห็นด้วยเสมอไป การนำเสนอผลงานวิจัยและบทความในวารสารนี้ไปเผยแพร่สามารถกระทำได้ โดยระบุแหล่งอ้างอิงจาก "วารสารสมาคมนักวิจัย"
เอกสารอ้างอิง
พระราชบัญญัติศุลกากร พ.ศ. 2560
Hosmer, D. W. et al. (2013). Applied logistic regression (3rd ed.). Hoboken, NJ: John Wiley & Sons.
International Organization for Standardization. (2018). ISO 31000: Risk management—Guidelines. Geneva, Switzerland: ISO.
Organization for Economic Co-operation and Development. (2016). OECD regulatory policy outlook 2016. Paris, France: OECD Publishing.
Organization for Economic Co-operation and Development. (2019). Artificial intelligence in society. Paris, France: OECD Publishing.
Royal Thai Government. (2017). Customs Act B.E. 2560 (2017). Bangkok, Thailand: Royal Gazette. (in Thai)
World Customs Organization. (2018). Risk management compendium. Brussels, Belgium: World Customs Organization.
World Customs Organization. (2020). WCO SAFE framework of standards to secure and facilitate global trade. Brussels, Belgium: World Customs Organization.
Translated Thai References
Customs Act B.E. 2560
Taweekoon, T. (2020). Local profiles system in customs control: A case study of Suvarnabhumi Airport Cargo Clearance Customs Bureau, Source https://www3.ru.ac.th/mpa-abstract/files/2563_1629859073_6214832064.pdf
