evidoria

← Volver al listado

Buena práctica Importada

DNA Paraguay — Aprendizaje automático para la detección de fraude aduanero

Paraguay · Asunción · Ver el perfil de Paraguay · Ver el perfil de Asunción

Evidencia: Ensayo controlado aleatorizado Top 62% 53/100 · Pregunte a Evidence Copilot sobre esta práctica

La DNA de Paraguay implementó puntuación de riesgo aduanero por ML, elevando la detección de fraude del 18% al 73% con 70% menos inspecciones. Un ECA de UC Berkeley/IGC verificó estos resultados; el despliegue completo estima recuperar más de USD 200 millones anuales.

73 %
Tasa de detección de fraude, inspecciones seleccionadas por ML
18 %
Tasa de detección de fraude, inspecciones seleccionadas por personas (referencia)
70 %
Reducción de envíos inspeccionados para una cobertura de auditoría equivalente
200 million USD (researcher projection, not RCT-measured)
Potencial de recuperación anual estimado si se amplía a todos los puertos
DNA Paraguay — Aprendizaje automático para la detección de fraude aduanero

Detalles

Madurez
En expansión
Promotor
Dirección Nacional de Aduanas (DNA)
Período
2015–2022
Palabras clave
customs, tax administration, trade, public finance

Contexto

La Dirección Nacional de Aduanas (DNA) de Paraguay estableció un sistema de selectividad basado en riesgo para las inspecciones de importación mediante la Decisión N.º 643/2015, en sustitución de un proceso de asignación de inspecciones totalmente manual. La DNA se asoció con el Center for Effective Global Action (CEGA) de UC Berkeley, la Universidad de Wisconsin-Madison y la Universidad de Harvard, con financiación del International Growth Centre (IGC), para desarrollar y evaluar un algoritmo de aprendizaje automático destinado a identificar los envíos con mayor probabilidad de contener mercancías no declaradas o subvaloradas.

Objetivos

El objetivo era sustituir el criterio de los inspectores por una puntuación de riesgo basada en datos capaz de aumentar la tasa de detección de fraude en las inspecciones aduaneras, reduciendo a la vez el número de envíos inspeccionados físicamente.

Actividades

El algoritmo de ML se puso a prueba mediante un ensayo controlado aleatorizado (RCT) integrado directamente en las operaciones reales de la DNA, utilizando datos administrativos estructurados —valores declarados, códigos arancelarios, historial del importador y país de origen— en lugar de datos biométricos o sociales.

Resultados

El RCT determinó que el algoritmo de ML alcanzó una tasa de detección de fraude del 73%, frente al 18% de las inspecciones seleccionadas por personas, una mejora de cuatro veces, mientras que los inspectores procesaron un 70% menos de envíos para lograr una cobertura de auditoría equivalente. Extrapolado a todos los puertos aduaneros paraguayos, los investigadores estimaron que el sistema podría recuperar más de 200 millones de USD anuales en derechos aduaneros no pagados.

Conclusiones

Se trata de uno de los sistemas de ML aduaneros evaluados externamente con mayor rigor en un contexto de país de ingreso medio-bajo, pero no se ha publicado documentación oficial sobre monitoreo continuo del desempeño, auditoría de sesgos o supervisión parlamentaria, dejando el marco de rendición de cuentas poco claro más allá del período de evaluación académica.

Implementación
Coste indicativo
Medio (50 000–500 000 €) — No public budget figures disclosed; estimated as medium given the multi-university research partnership and the operational integration required to embed the algorithm in live customs inspection workflows.
Tiempo hasta resultados
Medio (1–3 años) — Built on a 2015 legal mandate; the RCT evaluation and multi-institution partnership represent a multi-year research-to-operations timeline.
Personal y competencias
DNA customs inspectors implement risk-based selection informed by the model, Research/technical partnership: UC Berkeley CEGA, University of Wisconsin-Madison, Harvard University, funded by the International Growth Centre (IGC), IDB has separately supported Paraguay's broader customs and tax modernisation via technical cooperation

Condiciones para el éxito

  • Legal mandate for risk-based selectivity already in place via Decision No. 643/2015 before the ML evaluation
  • Reliance on structured administrative data (declared values, tariff codes, importer history, origin) rather than biometric or social data, limiting certain fairness risks
  • Embedding the RCT directly in live operations rather than a simulated/offline test

Modos de fallo comunes

  • No public documentation of ongoing performance monitoring, bias auditing, or parliamentary oversight after the academic evaluation period
  • The USD200m+ recovery figure is an extrapolation to full national deployment, not an RCT-measured outcome

Dónde encaja

Tipo de gobernanza
national customs agency
Escala
national, extrapolated from a subset of live operations to all ports
Nivel de ingresos
upper-middle-income

Habitualmente financiado por

National / regional programmes

Vías de financiación indicativas para prácticas de este tipo: compruebe siempre las convocatorias vigentes y las reglas de elegibilidad de cada programa.

¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.

Fuentes de datos

De dónde se obtuvo la información de esta práctica, y cuándo.

Adjuntos

Prácticas similares que pueden serle útiles