基于超网络的海关物流监控风险管理方法优化研究

廖日卿

(1.上海海事大学交通运输学院，上海 201306；2.上海海关学院海关管理系，上海 201204)

基于超网络的海关物流监控风险管理方法优化研究

廖日卿

(1.上海海事大学交通运输学院，上海 201306；2.上海海关学院海关管理系，上海 201204)

为应对日益增多的国际物流风险，基于超网络理论及方法构建了海关物流监控超网络(CLMSN)，创建了两个考虑了超网络节点静态维度和动态维度特性的风险判定指标，提出了一种高风险节点评判算法。通过算例验证了该算法能够识别判定CLMSN中的高风险节点。采用此算法判定高风险节点并优先实施重点监控能够控制风险发生及传播的可能性，从而对目前海关物流监控风险管理进行有效优化。

超网络；海关物流监控；高风险节点；风险管理；优化

0 引言

近年来，国际经贸交往日益频繁，进出境货物、运输工具数量不断增多，风险因素不断增加，使得海关监管相对显现出人力短缺、资源匮乏、力度减退等问题，世界各国都在寻求缓解海关严格执法与高效运作矛盾的管理模式。风险管理能够预判和提前处置风险，被证明是在有限条件下找出监管重点，强化海关监管和服务的有效方法。

海关物流监控是国际物流的重要组成部分，是海关监管和风险管理最实际和直接的体现，承担的是对进出境货物、物品、运输工具，及其进入海关监管范围后的进出、移动、存放的全方位、全过程监控。目前，海关物流监控风险管理主要采用“风险分析后布控+货物查验”方法，但货物的增加和新型风险的产生持续冲击整个海关风险管理系统，如何优化现行方法，更准确地判定需重点监控的高风险节点并有效布控亟待得到解决。

目前，海关风险管理及物流监控相关研究[1-3]中定量方法并不多见，也尚未有学者利用超网络对进行研究。本文应用超网络的理论方法，创新性地提出了一种基于超网络关键节点识别的海关物流监控风险管理优化算法，并通过实例进行了验证与分析。

1 基于超网络理论的CLMSN建模

1.1 超网络理论

复杂网络常用于结构复杂，具有网络进化性、节点及连接多样性特点的问题研究，但遇到节点数量多且具有异质性的问题时具有局限性，容易产生歧义，难以处理。因此，2002年，美国学者Nagurney提出了“超网络”的概念，明确了“高于而又超于”现存网络的超网络定义，确定了超网络系统的相互作用和影响关系，带动了其他学者的研究[4-7]。2008年，中国王众托院士和王志平教授进一步研究了超网络的特征[8-10]，超网络研究开始在中国兴起，众多学者结合了经济学和管理学思想，提出了不同的研究方法[11-12]。目前，超网络研究主要集中在：基于超图的研究[13-14]；基于变分不等式的研究[15-16]；基于系统科学的研究[17-19]，本文的研究属于第3种。

1.2 CLMSN建模

本文首先建立海关物流监控超网络。该超网络由3个网络层面构成：

海关物流监控节点网络(记为M-M网络)，其节点为监控点(指实施海关物流监控行为物流监控处、科，也可指关员)，边表示监控点之间的关联关系(如关员同属某科室或相互间有业务联系，共同接受过某种培训等)；

货物网络(记为G-G网络)，其节点为货物，边表示货物之间的关联关系(如申报于同一张报关单、由同一家申报企业申报等)；

货物载体网络(记为C-C网络)，其节点为货物载体(如申报企业、货运代理企业、货主企业甚至运输工具)，边表示货物载体之间的关联关系(如进口同一货物或业务合作等)。

在上述3个网络层面间还存在着3种映射关系：1)M-M层节点与G-G层节点之间的映射，指哪些货物成为海关物流监控对象；2)M-M层节点与C-C层节点之间的映射，指哪些货物载体成为海关物流监控对象；3)G-G层节点与C-C层节点之间的映射，指货物由哪些载体承载，如由某公司申报进出口或由某种运输工具承运。在三层网络的基础上，加入作为边的上述映射关系，即构建一个包含了3种类型节点和6种类型边的超网络。该超网络并不静止地、节点间相互孤立地按照固定结构模式存在，而是由实施监控方、被监控对象及相互影响的可变关系共同构成。本文将其命名为海关物流监控超网络(Customs Logistics Monitoring Super-network，CLMSN)：

CLMSN=f(GM,GG,GC)

=GM+GG+GC+EM-G+EG-C+EM-C

=f(M,G,C,EM-M,EG-G,EC-C,EM-G,EG-C,EM-C)

(1)

CLMSN基本结构如图1所示。图1中，节点M1监控了C1公司的货物G1,G2及C2公司的货物G3，从而实现了对C1、C2的监控；C3与C4公司之间有业务往来(如代理同一家货主的货物)；G1,G2之间有关联，同由C1承载，其他关系同理可知。

CLMSN模型的结构也能用图2表示。其中，三角形代表M-M网络的节点；正方形代表G-G网络的节点；圆形代表C-C网络的节点；各个节点之间的关联关系则由连线表示。

2 CLMSN中高风险节点的判定

为了更有效识别CLMSN中的高风险节点从而优化物流监控风险管理方法，本文在超网络研究中常用的SNA(社会网络分析)方法基础上提出了一种高风险节点判定的新算法，思路为：首先，SNA的研究对象通常是1-mode或是2-mode的数据而CLMSN中是3-mode数据，因此应先形成同一维空间的点分布。其次，SNA中不同中心性指标对网络节点重要性的评估侧重点不同，需要更全面的评价指标。再次，CLMSN与一般超网络不同，仅研究其静态特征不足以确定高风险节点，应结合其动态特征。具体计算步骤为：

图1 CLMSN结构示意图Fig.1 Schematic diagram of CLMSN structure

图2 CLMSN的节点构成直观图Fig.2 Visual graph of nodes in CLMSN

步骤1：建立测量机制将网络所有节点投影到一个高维测量空间，即对应到该测量空间的某个点分布。

2)将网络节点i被其他N-1个接收点记录的光强度值排列成一列向量fi=(fi1,fi2,…，fij,…，fi，N-1)T，fij可以看作节点i对接收点j的光强度影响力度量，称向量fi为节点i的网络光强度影响力。

3)设所有节点光强度初始值均为CD，对超网络的所有N个节点逐个作上述网络光强度影响力测量，得到的N个网络光强度影响力向量将网络的N个节点投影到一个高维测量空间，类似在光源的照射下，将超网络投影到测量空间，得到与原超网络对应的一个点分布。

图3 超网络节点投影Fig.3 Projection of nodes in super-network

步骤2：计算“空间中心性”指标。

中心性指标是SNA中判断网络中节点结构位置和地位的重要指标，其中，程度中心性(本文中用D(i)表示)、中间中心性(本文中用B(i)表示)、特征向量中心性(本文中用E(i)表示)是其中最重要的3种。

本算法考虑超网络的立体特征，结合D(i),B(i)，E(i)三个指标对节点重要性的影响，计算它们的综合作用，提出一个新的中心性指标，命名为空间中心性(Space Centrality，用S(i)表示)：

(2)

该指标代表某节点在超网络整体空间上是否与很多节点相关联，尤其是否与本身具有较高中心度的点相连接，表明在超网络中占据关键位置的程度高低。该值大的节点若产生风险对网络整体安全的影响就大，反之亦然。

步骤3：计算综合风险指数R(i)。R(i)是本算法提出的第2个新指标，因为CLMSN中具有动态流，货物种类、数量、税率等均随时间不断变化，企业也在不断进入或退出该超网络，货物总量大则风险概率大，货物货值高或税率高，通过伪报品名等方式来偷逃关税的可能性也就大，空间中心性S(i)所反映的网络静态结构维度特征结合网络的动态维度能够更准确判定高风险节点。因此，本文提出综合风险指数R(i)的概念：

1)首先计算节点i动态维度评估指标A(i)、V(i)和T(i)。A(i)、V(i)、T(i)分别为通过i的货量、货值和税费的比率，a(i)、v(i)、t(i)分别为通过i的货量、货值和税费的流量，∑a(i)、∑v(i)、∑t(i)分别为i所在层面的所有货量、货值和税费流量的总和：

(3)

(4)

(5)

2)计算综合风险指数R(i)：

R(i)=αS(i)+βA(i)+γV(i)+δT(i)

(6)

其中，α≥0,β≥0,γ≥0,δ≥0且α+β+γ+δ=1，静态维度指标S(i)和动态维度指标A(i)、V(i)和T(i)在评估过程中的重要程度可以通过调节α，β，γ和δ的大小来实现。

步骤4：综合上述3个步骤的计算结果进行分析，根据实际情况综合判定该超网络中的高风险节点。

SNA方法认为，节点的重要性等价于该节点与其他节点的连接程度带来的占据关键位置的程度，若有5%-10%的重要节点同时失效就会导致整个网络瘫痪。在超网络系统科学研究方法中，有“破坏性等价于重要性”的观点，即某节点在网络中重要性大，一旦产生风险而失效则破坏性大，严重影响网络连通和运作。同理，在CLMSN中，一旦重要节点产生风险，对整个CLMSN的破坏要远大于普通节点，对CLMSN进行风险管理，就必须抓住重要节点。因此，本方法对CLMSN进行风险评判，首先投影后从超网络空间的角度先对节点在CLMSN静态结构中的重要性进行判断，即计算S(i)，再对CLMSN中节点进行考虑了货量等动态特征的风险综合评价，即计算R(i)。这里判断某节点是否高风险的依据是节点的静态重要性及动态风险综合特征，根据这两个指标识别出的节点就是超网络中风险控制的薄弱节点和风险管理的工作重点，若风险在这些节点产生，将迅速传递到其连接的其他节点，其自身失效后使其他节点随之失效，给超网络带来毁灭性打击。如某个重要企业采用夹带、瞒报等不诚信通关的行为，则与其连接的合作伙伴很可能受其影响导致CLMSN中多票货物出现风险特征，也会给其他其企业带来反面影响作用。

目前，海关物流监控风险布控分为两个部分：计算机布控和人工布控。计算机布控由海关风险管理计算机系统随机或根据预先设定好的风险参数来进行；人工布控由海关现场部门(如隶属海关的监管通关处、物流监控处)关员、海关职能部门(如审单处等)关员等在通关过程对认为有风险的货物来人为进行。即，在风险布控的预定式、预警式、情报式、随机式、即决式5种方式中，预定式、预警式、情报式和随机式布控由风险管理系统通过计算机来完成，即决式布控由人工完成，人工布控是海关风险布控的重要组成部分。与此同时，计算机布控大部分是根据风险参数来进行，系统中的布控参数有相当大部分也是经过提炼总结通关现场人工捕捉的风险形成，如果人工判断和总结有误，最终将对海关物流监控效果产生很大影响。

本方法就是以优化人工布控为出发点，在确定哪些货物或企业由多个关员同时下了布控指令的基础上(体现于S(i))，结合这些货物的经营企业、货量、价值等因素(体现于R(i))来评判其高风险的重要位置，而非仅由某个关员的个人主观判断或仅由某种货物进出口量大、货值高等因素来决定。在评判中捕捉到的风险信息及布控准确的关员的建议总结后往上层反馈进入风险管理计算机系统中，也优化了原有的风险参数设置。

海关物流监控风险管理业务中，查验关员在实际查验中收到的布控指令很多，工作强度很大，若由于时间精力限制不能全部有效执行也会带来风险。中国海关目前正在上海等地试点“海关查验移动单兵系统”，通过类似iPad的手持移动终端随机指派查验关员，发送风险信息和查验指令至对应关员，使关员可以在终端处理单据、录入查验记录、拍照录证等，实现人工查验的“现场录入，即时审核”。在使用了本文的优化方法后，将高风险节点信息自动推送至终端并给出查验建议(未试点区域可先通过“金关二期”查验管理系统进行提醒)，可以让查验关员首先关注被判定为高风险的货物和企业，有针对性着重进行查验，部分高风险企业的高风险货物甚至全部开箱查验，对被随机布控的低风险货物简单查验，从而让海关物流监控的风险管理更加准确、客观、科学。

3 算例验证

本文统计了某海关空运口岸2016年7月8日的一般贸易货物进口数据(之所以选择一天的数据，是因为物流风险具有时变性，尤其是空运方式，由于货物的特性，出口通关时间在3～5 h左右，进口通关时间一般不超过24 h，一天是较为合适的研究时间区间)，在数据处理时采用国际通行的商品归类做法按22类进行统计，如表1所示。该海关物流监控处的物流监控某科负责按照风险布控指令进行查验。当天一共有147名关员下达了即决式布控指令(审单处等部门27名关员、通关监管处62名关员、物流监控处有58名关员)。当天该口岸物流监管区一共有54家申报企业进行货物进出口申报，该口岸的CLMSN结构如图4所示。

表1 某海关空运口岸物流监控处某监管区2016年7月8日进口货物数据表Tab.1 Imported goods data on July 8, 2016 of an Air port customs Logistics Supervision Area

图4 某海关空运口岸物流监控超网络结构图Fig.4 Structure of an air port customs super-network

根据本文提出的新算法，首先，投影网络节点到高维测量空间；其次，根据关员是否下达布控指令及某公司是否进口某类货物等关系，可以产生各节点之间的关系矩阵。构建规则为：若节点之间有关系，则记为1，否则记为0。将矩阵输入SNA软件Ucinet计算3个中心度值，根据式(2)得到节点的空间中心度S(i)结果。再次，根据式(6)计算节点i的综合风险指数R(i)。α、β、γ和δ分别取0.6、0.2、0.2、0.2。对计算结果进行分析，根据实际情况综合判定该超网络中的高风险节点。

计算结果表明：首先，货物类节点排名靠前的很多，说明在该超网络中，首先要从货类上进行风险把控。货物G16,G6,G11,G10,G7的值排名前五，G22的值最低，与实际情况吻合：第16类、第10类、第7类货物已经是该海关的监控重点，进口频率很高，几乎每天都有企业申报，经常由几家公司进口甚至在同一张报关单上申报，但申报不实、货物品名税号、成分型号错误、文件错漏等情况时有发生。排名靠前的货物中有些归类隐蔽性高，税号之间的税款差异大；有些实际成分型号、品名等需通过查验才能确定；甚至有些由于包装特性容易让走私分子钻空子，通过风险管理每年能够追回税款和查获走私。而第22类货物是货量和品种最少的(如流通中的货币现钞)，每年的进口量极少且监管难度小风险低，不作为监管的重点。其次，在该海关监管区的监管企业中，C6,C5,C2,C1,C18的值排名前五，节点C47的值最低。对比实际情况，企业6、企业2、企业1进口货量较大且报关差错率较高，甚至有过违规违法记录，企业18和企业5报关差错率不高但经营规模较大，进口货种齐全，与多家货主企业有合作关系，在该超网络中影响力较大，均是高风险企业，而企业47信誉很好。再次，在实施监控的关员中，M38,M69,M34,M84,M74的值排名前五，说明他们的布控较为准确，相应地，他们和其他排名靠前的关员向风险管理中心反映的风险信息应该得到重视，应经提炼后进入风险管理系统的布控参数中，也应将他们查获的高风险节点信息向其他关员通报，便于互相学习。

值得注意的是，关员的布控数量和布控准确率并不是完全相符的，如38号关员的布控准确率最高，但布控数量并不多，84号关员则以量多取胜。货物或企业的进口数量货值多少也不起决定作用，而要根据货物在整个超网络中由多少企业分别进口，几种货物是否一起进口，进口量是否突然激增等因素来共同决定。如经过统计，企业1的进口量是最大的，但因为进口货种相对单一等原因，综合风险指数仅排名第四；第18类货物虽进口量大，但历年均由几家企业经营，进口量稳定，报关差错率小，风险排名并不靠前。因此，采用本文中提出的创新算法，采取如提高高风险节点的布控率、重点查验高风险货物等措施，是海关物流监控风险管理的有效优化方法。本文提出的算法还可以用于不同结构的超网络中，进行更广泛的如舱单信息分析等方面研究，文中案例只是其用途中的一种。

4 结论

本文首次将超网络理论及研究方法运用于海关物流监控风险管理中，创新性地提出了空间中心性和综合风险指数两个评价指标，考虑到CLMSN的实际特征，兼顾了节点的静态和动态特性，创建了高风险节点判定算法，并通过实际算例进行了验证与分析。本文的算法能够优化现行海关物流监控方法，结合海关风险管理实务发展体现应用价值，从而使用有限资源更有效识别海关物流监控重点，强化海关监管和服务，保障国民经济安全。

[1]段景辉.海关风险管理分析与评价方法[J].上海海关学院学报，2012，3：35-43. Duan Jinghui. Analysis and evaluation method on customs risk management[J]. Journal of Shanghai Customs College,2012,3:35-43.

[2]张彦.海关监管职能的优化研究——以风险管理为视角[D].上海：上海交通大学，2009. Zhang Yan. Study on optimization of the customs supervises——the visual angle of the risk management[D]. Shanghai:Shanghai Jiao Tong University,2009.

[3]韩婷婷.海关物流监控风险管理[D].大连：大连海事大学，2008. Han Tingting. Risk management on customs logistics supervision[D]. Dalian : Dalian Maritime University,2008.

[4]Anna Nagurney. Optimal supply chain network design and redesign at minimal total cost and with demand satisfaction [J].International Journal of Production Economics,2010,128(1): 200-208.

[5]Anna Nagurney. Supernetworks: the science of complexity[J].上海理工大学学报，2011, 3: 205-228.

[6]Smith B G. Socially distributing public relations：twitter，haiti，and interactivity in social media[J]. Public Relations Review，2010,36( 4): 329-335.

[7]Westerman D，Spence P R，Heide B. A social network as information： the effect of system generated reports of connectedness on credibility on Twitter [J]. Computers in Human Behavior，2012,28(1):199-206.

[8]王志平，王众托. 超网络理论及其应用[M]. 北京：科学出版社，2008.

[9]王众托，王志平. 超网络初探[J]. 管理学报，2008, 5(1):1-8. Wang Zhongtuo, Wang Zhiping. Elementary study of supernet works[J].Chinese Journal of Management.2008,5(1): 1-8.

[10] 王众托.关于超网络的一点思考[J].上海理工大学学报，2011， 3： 229-237. Wang Zhongtuo. Reflection on supernetwork[J].Journal of University of Shanghai for Science and Technology，2011, 3: 229-237.

[11] 刘军.社会网络分析导论[M]. 北京： 社会科学文献出版社，2004.

[12] 刘军.整体网分析： UCINET 软件实用指南[M].2版. 上海：格致出版社，2014.

[13] 胡枫，赵海兴，何佳倍，等.基于超图结构的科研合作网络演化模型[J].物理学报，2013,19：1-8. Hu Feng,Zhao Haixing,He Jiabei,et al.An evolving model for hypergraph-structure-based scientific collaboration networks[J].Acta Physica Sinica,2013,19：1-8.

[14] 漆玉虎，郭进利，王志省.超网络度参数研究[J].科技与管理，2013，01：34-38. Qi Yuhu, Guo Jinli, Wang Zhixing. Research on the degree of hypernetwork [J].Science-Technology and Management，2013,01:34-38.

[15] 朱莉，曹杰.灾害风险下应急资源调配的超网络优化研究[J].中国管理科学，2012，12：141-147. Zhu Li, Cao Jie. Supernetwork optimization of emergency resource allocation under disaster risk[J].Chinese Journal of Management Science,2012,12:141-147.

[16] 马军.供应链超网络均衡模型研究[D].大连：大连理工大学，2013. Ma Jun. Research on supply chain supernetwork equilibrium models[D]. Dalian:Dalian University of Technology,2013.

[17] 黄建华，党延忠.快递超网络模型及基于效率的优化方法[J].北京理工大学学报，2011， 6： 68-72. Huang Jianhua, Dang Yanzhong. Express super-network model and efficiency-based optimization method[J].Journal of Beijing Institution of Technology(Social Sciences Edition)2011, 6: 68-72.

[18] 于丽英，胡朝辉.超网络视角下的高校公共危机预警管理研究[J].中国安全学报，2014, 7: 146-151. Yu Liying，Hu Chaohui. Research on public crisis early-warning management in universities from a supernetwork perspective[J].China Safety Science Journal, 2014, 7: 146-151.

[19] 马宁，刘怡君.基于超网络的舆论领袖识别应用研究[J].中国科学院院刊，2012， 5： 586-594. Ma Ning, Liu Yijun. Recognition of online opinion leaders based on supernetwork analysis[J].Bulletin of Chinese Academy of Sciences, 2012, 5: 586-594.

(责任编辑 李进)

Supernetwork-Based Risk Management of Customs Logistics Monitoring System

LIAO Riqing

(1.College of Transport and Communications, Shanghai Maritime University, Shanghai 201306, China；2.Customs Management Department, Shanghai Customs College, Shanghai 201204, China)

In order to cope with the increasing international logistics risk, optimizing Customs Logistics Monitoring system risk management is necessary. This article use super-network theory and method to build Customs Logistics Monitoring Super-network(CLMSN) and put forward an evaluation algorithm considering static and dynamic characteristic of nodes. Numerical analyses of examples show that the method is correct and effective in identifying high risk nodes. Using the algorithm in this paper to determine the high risk nodes and giving priority to the implementation of key monitoring can control the occurrence and spread of risk, and will effectively improve the Customs Logistics risk management.

super-network; customs logistics monitoring; high-risk node; risk management; optimization

1672-3813(2017)02-0039-07；

10.13306/j.1672-3813.2017.02.006

2016-09-22；

2016-10-28

上海市教委科研创新项目(14YS160)；上海市哲学社会科学规划课题(2014BGL012)；上海海关学院科研创新团队(2312229)

廖日卿(1981-)，女，福建三明人，博士研究生，讲师，主要研究方向为海关风险管理、物流管理。

N94

A