Foarsizze de kwaliteit fan prestaasjes útspraken

Ministearje fan Justysje en Feiligens

In prestaasjeferklearring befêstiget dat levere guod of tsjinsten binne ûntfongen yn goede steat en fan de juste kwaliteit, meastal foar betelling fan de faktuer. It ministearje fan Justysje wurket oan it better opnimmen en kontrolearjen fan prestaasjedeklaraasjes troch it brûken fan in algoritme om de kwaliteit te beoardieljen.

Lêst feroare op 23 desimber 2024 om 14:06 | Publikaasjestandaard 1.0

• Publicatiecategorie: Oare algoritmes
• Impacttoetsen: Fjild net ynfierd.
• Status: Yn gebrûk

Algemene ynformaasje

Tema

Public finance

Begjindatum

01-2025

Kontaktgegevens

[e-mail]

Ferantwurde gebrûk

Doel en impact

In prestaasjeferklearring (PV) is in ferklearring dy't befêstiget dat it levere guod yn goede steat en yn de juste kwantiteit en kwaliteit ûntfongen is, of dat de tsjinsten befredigjend útfierd binne, lykas ôfpraat yn 'e oerienkomst. De prestaasje wurdt ferklearre foardat de faktuer wurdt betelle, útsein as oars oanjûn yn it kontrakt of de PV-regeling.

De registraasje fan prestaasjessertifikaten wurdt dien yn it Leonardo finansjele ynformaasjesysteem. As dat net kin (bygelyks troch de GDPR of fertroulike oankeapen), kin de levering op in oare wize skriftlik útlein wurde, bygelyks fia it tekstfjild yn de kwitânsjeboeking of troch in alternative kwitânsje (type 2).

It ministearje fan Justysje en Feiligens (JenV) hat al in skoft in fynst fan de Ryksrekketsjinst (ADR) en de Rekkenkeamer (AR) oer it konsekwint (en letter kwalitatyf) opnimmen fan bylagen yn de finansjele administraasje (Leonardo) ). Financial Control (FC) hat dizze konklúzje oanpakt. Om't d'r in protte betellingen binne dy't in prestaasjeferklearring fereaskje, is it kontrolearjen fan dit manuell net mooglik. De hjoeddeistige samples selektearje willekeurich items, wêrby't goede prestaasjes ek wurde kontrolearre. Dat kin better troch it dwaan fan risiko-rjochte sampling.

In model is ûntwikkele om de opname fan prestaasjesbewiis en kwaliteitskontrôle te ferbetterjen. Dit model kontrolearret oft der in taheaksel is dêr't in prestaasjesferklearring nedich is. FC stelt regels op basearre op kosten. De folgjende stap is om net allinnich te kontrolearjen oft de prestaasjesferklearring oanwêzich is, mar ek oft it fan goede kwaliteit is. Dêrfoar is in algoritme makke.

Afwagings

DFEZ, ADR en AR ûndersykje oft taheaksels, lykas prestaasjeferklearrings, oanwêzich en fan goede kwaliteit binne. Om't d'r in protte prestaasjesferklearrings binne, is hânmjittich kontrolearjen in soad wurk. Ek binne aktuele samples net altyd risiko-oriïntearre, wat betsjut dat sels útspraken oer goede prestaasjes wurde kontrolearre.

Wy wolle it proses better beheare troch de oanwêzigens en kwaliteit te analysearjen. Troch it brûken fan sels oplaat labels kinne wy ​​automatysk en mei ridlike wissichheid bepale hokker prestaasjesferklearrings net foldogge oan de easken foar in goede prestaasjesferklearring, lykas beskreaun yn de DFEZ-regeling.

Minskele tuskenkomst

It algoritme is sa ynsteld dat as it in negative skoare jout, de deklaraasje fan prestaasjes mei de hân kontrolearre wurde moat. Dat jildt ek as it algoritme oanjout dat der gjin prestaasjeferklearring is. Derneist wurdt in ekstra kontrôle útfierd foar 10% fan 'e positive skoares, of as it algoritme oanjout dat in prestaasjeferklearring fan goede kwaliteit is.

Risikobehear

It einprodukt befettet gjin gefoelige persoanlike gegevens. De analyze wurdt allinnich dield mei in beheinde groep minsken. Om't it algoritme faktueren en prestaasjesútspraken lêst dy't persoanlike gegevens befetsje kinne, is in DPIA (Data Protection Impact Assessment) opsteld.

Wettlike basis

DFEZ, ADR en AR ûndersiikje op grûn fan de Wet Rekeningen oft taheaksels, lykas prestaasjeferklearrings, oanwêzich en fan goede kwaliteit binne.

Links nei wettlike basis

comptabiliteitswet 2016: https://wetten.overheid.nl/BWBR0039429/2023-09-26

Wurking

Gegevens

It algoritme brûkt prestaasjesdeklaraasjes en gegevens fan it finansjele ynformaasjesysteem fan Justysje en Feiligens, neamd Leonardo. De prestaasjesferklearrings kinne persoanlike gegevens befetsje en fjilden yn 'e gegevens fan Leonardo kinne wurde ynfolle mei frije tekst, wat betsjut dat persoanlike gegevens ek ferskine kinne.

Technyske wurking

Kollega's fan ferskate ôfdielingen hawwe labels sammele, mei stipe fan Financial Control en de Data Analysts fan DFEZ. In totaal fan 1.000 boekingen wurde markearre mei in 1 (neffens de saakkundigen foarmje de dokuminten dy't dizze boeking begeliede in kwalitative ferklearring fan prestaasjes) of 0 (de dokuminten foldogge net oan 'e easken fan in kwalitative prestaasjesferklearring).

Ferskate modellen binne oplaat basearre op dizze labels. GridSearch waard brûkt tidens training, dy't fluch de bêste ynstellingen foar elk model fûn. De modellen waarden fergelike en it model mei de bêste resultaten waard keazen (basearre op ferskate prestaasje-yndikatoaren lykas krektens, presyzje, opnij en F1-score).

It trained model wurdt no tapast op de finansjele faktueren en ûntfangsten fan 'e foarige moanne. It model fergeliket de tekst yn 'e dokuminten yn in boeking mei it patroan dat it leard hat fan it label set mei label 1. Dokuminten dy't tige lykje op dit patroan krije in hegere kâns.

It model kin fergelike wurde mei in spamfilter. Troch in protte foarbylden fan spam-e-mails te sjen, leart it filter in patroan te werkennen en kin it sels bepale oft in e-post wierskynlik spam is basearre op de wurden en struktuer yn 'e e-post.