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