La gestion du risque en douane : premières leçons tirées de l

La gestion du risque en douane : premières
leçons tirées de l’expérience de l’analyse de
données dans quelques pays africains
Anne-Marie Geourjon, Ferdi
Bertrand Laporte, Cerdi
Clermont-Ferrand, 24-25 octobre 2011
Contexte
• L’analyse du risque (AR) en douane : une recommandation
de l’OMD (Convention de Kyoto révisée, cadre des
normes) pour la sélectivité des contrôles et la facilitation.
• Des systèmes informatiques douaniers qui prévoient la
sélectivité mais pas l’AR.
• Des critères essentiellement qualitatifs et duals.
• Des sociétés privées d’inspection qui offrent des services
d’AR basés sur leurs propres informations.
Contexte (suite)
• Peu d’utilisation effective de ces services par les douanes
concernées pour organiser leur sélectivité.
• Pas ou peu de feedback entre ces sociétés et les douanes,
donc pas d’appropriation du concept d’AR par ces
administrations
•
…et en parallèle, une pression de plus en plus forte pour
améliorer la sélectivité des contrôles,
• d’où le besoin de développer à l’interne des systèmes
d’analyse et de gestion du risque fiables et basés sur
l’information douanière.
Principales difficultés
• La démarche est nouvelle : peu d’expériences dans les
PED et peu de littérature sur le sujet.
• Faiblesses du contentieux douanier et des données
relatives au contentieux douanier.
• Manque de compétence en douane dans les domaines
spécifiques nécessaires à l’analyse des données.
• Difficultés à intégrer le concept d’AR et réticences au
changement dans les administrations.
Une approche graduelle
• Une version provisoire du système utilisant l’information
disponible pour convaincre de l’intérêt de l’AR et
améliorer à CT le système de sélectivité.
• Une version plus sophistiquée visant l’automatisation de
l’analyse et de la gestion du risque.
• Plusieurs pays engagés : Algérie, Burkina Faso, Côte
d’Ivoire, Mali, Sénégal (les 4 derniers bénéficiant de l’AT
de l’AFRITAC de l’Ouest).
Architecture du système adopté
Statistique décisionnelle : gestion du risque (orientation vers un circuit)
Statistique descriptive : analyse de risques
Module Gestion
du risque
Intégration des résultats du contrôle
Base de données
« informations douanières »
Nouvelle déclaration
Importateur n°213064564R ;
Table des profils de
risque « importateur »
critère 1 :
importateur
213064564R : 0,21
154767658Z : 0,6
023898923P : 0,01
…
Pays Russie ; code sh 39220000
Circuit Rouge,
Vert,…
en fonction des
seuils d’orientation
retenus
critère 1
n°213064564R
fq = 0,21
« Tables des profils de risque »
par critère potentiel de risque
Analyse statistique : calcul des fréquences de
fraude (fq) pour chaque critère
critère 2 :
origine
critère 3 :
produit
Table des profils de
risque « origine »
critère 2
Belgique : 0,2
Côte d’Ivoire : 0,6
Russie : 0,59
…
critère 4 :
…
Modèle économétrique (ou statistique)
Détermination des critères pertinents de risque
(t-student ou P-value) et de leur pondération relative (coefficients)
Par exemple :
Pr oba( fraudei )  3,2  6,5 fq _ critère1i  3,6 fq _ critère2i  8,7 fq _ critère3i
pays : Russie
fq= 0,59
critère 3
Table des profils de
risque « produit »
code sh : 39220000
fq= 0, 32
39220000 : 0,32
58630000 : 0,58
79250000 : 0,09
…
Module Analyse du
risque
Calcul du score de la
déclaration
Score de la
déclaration
= 0,54
Pertinence du système : l’exemple du Sénégal
Nombre
Nombre
Intervalle de d’opération d'opérations
score
de l'intervalle cumulées
0pérations
cumulées
Nombre
d’opérations
irrégulières
Nombre
Nombre
rapporté au Opérations
d’opérations d’opérations
Taux
nombre total "déclarées"
"déclarées" irrégulières d'irrégularité d'opérations irrégulières
irrégulières
cumulées par intervalle irrégulières
cumulées
(en %)
(1)
[0,5 ; 1]
(2)
(3)
(4)
(5)
(6)
(7)
(en %)
(en %)
(8)
(9)
147
147
0,1
131
131
89,12
11,9
11,9
[0,1 ; 0,5]
2506
2653
2,5
489
620
19,51
44,3
56,1
[0,07 ; 0,1]
1455
4108
3,9
157
777
10,79
14,2
70,3
[0,06 ; 0,07]
957
5065
4,8
48
825
5,02
4,3
74,7
[0,05 ; 0,06]
1234
6299
6,0
55
880
4,46
5,0
79,6
[0,04 ; 0,05]
1407
7706
7,4
61
941
4,34
5,5
85,2
[0,03 ; 0,04]
1500
9206
8,8
39
980
2,60
3,5
88,7
[0,02 ; 0,03]
2287
11493
11,0
37
1017
1,62
3,3
92,0
[0,01 ; 0,02]
7171
18664
17,8
43
1060
0,60
3,9
95,9
86033
104697
100,0
45
1105
0,05
4,1
100,0
[0 ; 0,01]
Total
104697
1105
1,06
Leçon 1 : Les services en matière d’AR offerts par les
sociétés d’inspection qui vérifient dans le même pays
les importations, ne peuvent pas être efficaces.
• Associer dans un même contrat un programme de
vérification et un objectif de modernisation des douanes, par
ex. la fourniture des résultats d’AR sur lesquels définir la
sélectivité, est incompatible.
• Une société chargée de l’inspection, n’a aucun intérêt à
contribuer à la modernisation de la douane, équivalent à la
fin d’un programme de vérification très lucratif.
• Or, les sociétés qui offrent ce type de services, les ont
jusque là basées sur les résultats de leurs inspection…
Leçon 2 : La faiblesse des administrations
douanières n’est pas un obstacle au développement
interne de tels systèmes.
• Au contraire, certains dysfonctionnement, notamment le
manque d’éthique, justifient le recours à des techniques
« scientifiques » de sélectivité.
• En dehors des compétences particulières en data mining et
statistiques décisionnelles, qui existent parfois dans les
administrations douanières, celles ci détiennent les
compétences en informatique.
Leçon 3 : S’éloigner de la « vraie » douane en utilisant
des méthodes de data mining peut être un moyen de
mieux y revenir.
• Implique de disposer d’une plate forme de données sur les
infractions douanières.
• Nécessite de revoir les procédures du contentieux pour les
informatiser.
• Favorise une prise de conscience de l’existence de profonds
dysfonctionnements.
• Incite à un changement de culture propice à la
modernisation.
Leçon 4 : Pour aboutir, le projet doit être identifié
comme prioritaire et s’inscrire dans un programme
global de modernisation.
• Mobilisation des ressources nécessaires, stabilité et
disponibilité de l’équipe projet.
• La qualité de l’information, déterminante pour l’AR, dépend
du nombre d’infractions relevées et de leur traçabilité.
• D’où nécessité d’un renforcement et d’une gestion moderne
des ressources humaines.