La gestion du risque en douane

Bertrand Laporte
 Contexte
• L’analyse du risque (AR) en douane : une recommandation de
l’OMD (Convention de Kyoto révisée, cadre des normes) et de
l’OMC (facilitation des échanges) pour la sélectivité des
contrôles afin de les rendre plus efficaces et moins
contraignants.
• L’AR est basée sur l’information. Celle-ci doit être : (1)
disponible; et (2) correctement traitée.
• L’analyse et la gestion du risque (AGR) concernent tous les
niveaux de contrôles : 1ière et 2ième lignes.
 Contexte
• La relation importateur-douane est une relation déséquilibrée.
• Afin de réduire l’avantage informationnel de l’importateur, la douane est
en perpétuelle recherche d’information.
• De l’information pertinente peut être disponible :
 A l’intérieur de l’organisation (système informatique de dédouanement);
 A l’extérieur de l’organisation (sites marchands, places de marché, bases de
données internationales).
• La problématique de l’accès aux données varie selon la nature du bien :
 Bien homogène : existence d’un prix/cours mondial, de prix de référence…;
 Bien différencié : bien non côté en bourse, absence de prix de référence (cas
de nombreux biens manufacturés).
L’analyse des données internes à
la douane
Le contrôle de première ligne
 L’existant
• Des systèmes informatiques douaniers qui
prévoient la sélectivité mais pas l’AR.
• Des critères essentiellement qualitatifs et duals.
• Des sociétés privées de vérification des
importations qui offrent des services d’AR basés
sur leurs propres informations.
• Peu d’utilisation effective de ces services par les
douanes concernées pour organiser la sélectivité
des contrôles.
 L’existant
• Pas ou peu de feedback entre ces sociétés et les
douanes, donc pas d’appropriation du concept
d’AR et de la méthode d’AGR utilisée par ces
administrations.
• … et en parallèle, une pression de plus en plus
forte (institutions internationales, secteur privé)
pour améliorer la sélectivité des contrôles.
• D’où le besoin ressenti par les administrations
douanières de développer à l’interne des
systèmes d’AGR modernes, performants et basés
sur l’information douanière.
 Systèmes d’AGR proposés

Comment organiser le ciblage des déclarations

à contrôler ?
Le ciblage des contrôles implique d’identifier les
déclarations présentant un risque élevé de fraude afin
de les orienter vers le circuit de contrôle le plus
contraignant (Rouge).

Méthode traditionnelle
Méthode plus sophistiquée : le ciblage des
déclarations grâce à la boîte à outils statistiques.
 Systèmes d’AGR proposés
Méthode traditionnelle de sélectivité
• En dehors des contrôles systématiques suite à des
informations particulières sur certains courants
de fraude, la sélectivité est faite en utilisant des
critères de risque déterminés par un « Comité de
sélectivité » chargés de les identifier et de les
valider.
• Les critères de sélectivité, une fois validés, sont
paramétrés dans le module de sélectivité du
système informatique. L’information est
organisée sous forme de listes de produits,
origines, régimes, importateurs… Celles-ci sont,
en principe, réétudiées périodiquement.
 Systèmes d’AGR proposés

Inconvénients de cette méthode traditionnelle :

• Elle est très dépendante de l’appréciation humaine,

donc « risquée ».
• Elle traite le plus souvent l’information critère par
critère.
• Elle est statique car les listes sont figées sur une
période plus ou moins longue (souvent longue
d’ailleurs…).
 Systèmes d’AGR proposés

D’où l’idée d’utiliser des techniques de ciblage :

• Limitant (et non supprimant) l’intervention

humaine.
• Exploitant systématiquement les statistiques
douanières.
• Combinant simultanément l’information sur
différents critères de risque.
• Actualisant l’information « en temps réel ».
→ Soit une méthode d’AGR, plus sophistiquée,
rationnelle et dynamique.
 Systèmes d’AGR proposés

Le ciblage des opérations à contrôler par un

système statistique automatisé d’AGR.
• L’idée est d’adapter au contexte douanier des
méthodes scientifiques utilisées dans de nombreux
autres secteurs.
• Cette démarche est d’ailleurs celle retenue par les
sociétés privées de vérification des importations qui
ont développé ce type de systèmes sur la base de
leurs propres informations (Smartlane, Profiler,
SIAR, …).
 Systèmes d’AGR proposés
Ils reposent sur 4 approches complémentaires :
• La première consiste à contrôler systématiquement toute
déclaration qui présente un élément non recensé dans une
base de données d’information douanières (nouvel opérateur
par exemple).
• La seconde résulte de l’examen de la déclaration et de l’étude
statistique des antécédents de fraudes constatées pour
évaluer le risque.
• La troisième, plus radicale, porte sur le contrôle systématique
d’une opération (blocage) sur la base de présomptions de
fraudes. Ces blocages sont temporaires.
• La quatrième concerne une sélection aléatoire pour
notamment réguler le taux de contrôle et éviter qu’on puisse
décoder le système.
 Systèmes d’AGR proposés

La deuxième approche est au cœur du système :

• Elle lui donne son caractère « rationnel » (non subjectif).

• Elle permet d’estimer pour toute déclaration le risque de
fraude à partir d’une analyse statistique des données
portant sur les fraudes douanières constatées dans le
passé.
• Le système d’AR retenu pour cette approche est conçu par
des spécialistes en data mining et statistiques
décisionnelles. Il repose sur les informations disponibles sur
les fraudes douanières.
 Les deux étapes de l’approche
statistique
La statistique descriptive : l’analyse du
résultat des contrôles réalisés au cours d’une
période donnée

La statistique décisionnelle : l’orientation des

nouvelles déclarations vers un circuit de
contrôle
 La statistique descriptive :
l’analyse des risques
Elle consiste à étudier le plus finement possible, et de
façon exhaustive, les caractéristiques des déclarations
qui ont fait l’objet d’irrégularités (de fraude) dans le
passé,
afin de découvrir des régularités statistiques
dans les comportements de fraude,
et d’établir des profils de risque par critère.
• Des profils de risque sont établis pour chaque critère
potentiel, i.e. l’importateur, le transitaire, l’origine, la
provenance, le produit, le régime…
• Par exemple, chaque importateur se voit attribuer un
score individuel.
• Ce score est calculé comme sa fréquence de fraude,
i.e. le nombre de déclarations de cet importateur
ayant fait l’objet d’irrégularités rapporté au nombre
total de déclarations de cet importateur au cours
d’une période donnée.
• Ce score varie entre 0 et 1 (0 et 100). Cet importateur
présente peu de risque si son score est proche de 0 et
au contraire un fort risque s’il est proche de 1.
 Calcul de la
fréquence de
nif_import num_enr date_enr nomenc infraction fraude pour
031003624B C51 19-janv-11 4407990000 0 l’importateur
« 031003624B »
031003624B C190 31-janv-11 4407990000 0

031003624B C842 24 Feb 11 7005290000 0 C51 : 0

031003624B C238 27-juin-11 2002902000 1 C190 : 0
031003624B C238 27-juin-11 3605000000 1 C842 : 0
031003624B C251 30-juin-11 3605000000 0 C238 : 1
C251 : 0
031003624B C251 30-juin-11 2002902000 0
Nombre de
déclarations avec
contentieux : 1
SYDONIA/GAINDE Application Nombre total de
« contentieux » déclarations : 5

Fréquence de
fraude = 1/5 = 0,2
nif_import nomenc pays_orig infraction
082200347G 1704900000 CI 0
Calcul de la fréquence de
082103468N 1704900000 GH 1
fraude pour le produit
082213064W 1704900000 EU 0 « 1704900000 »
084114676P 1704900000 LB 0
082200347G 1704900000 CI 0
Nombre d’articles
082103468N 1704900000 TG 0
082103468N 1704900000 GH 1
avec contentieux : 5

083103288W 1704900000 CN 0
087800301Y 1704900000 CN 1
Nombre total
082101514M 1704900000 TG 0 d’articles : 18
087800207G 1704900000 FR 0
084108081P 1704900000 EU 0
Fréquence de
083315848N 1704900000 CN 0
082103468N 1704900000 GH 1
fraude = 5/18 = 0,28
082103468N 1704900000 GH 0
082200065D 1704900000 EU 0
082103468N 1704900000 TG 1
082200065D 1704900000 EU 0
Table 1 - Profils de risque Table 2 - Profils de risque
importateurs produits
Importateur Fréquence de Produits Fréquence de
fraude fraude
031003624B 0,20 1104900000 0,05
987325680Z 0,00 1355320000 0,16
693982601S 0,75 1704900000 0,28
889340236P 1,00 5789120000 0,18
560247211X 0,22 6245670000 0,09
… … … …

Des tables par critères sont ainsi constituées

pour tous les critères potentiels.
 La statistique décisionnelle : la
gestion des risques
• Cette étape vise à combiner de façon optimale les
informations sur les différents profils de risque afin
d’attribuer un score à toute nouvelle déclaration.
• Ce score de la déclaration doit refléter la probabilité
de fraude, i.e. la probabilité que cette nouvelle
déclaration présente une irrégularité.
• Les méthodes statistiques scientifiques permettent :
 de déterminer les critères les plus pertinents pour
calculer la probabilité de fraude,
de calculer la probabilité de fraude d’une déclaration en
combinant les fréquences de fraude des différents critères
pertinents associés à cette déclaration,
de déterminer le seuil à partir duquel la probabilité
calculée est synonyme de risque élevé.

Le score (la probabilité de fraude) ainsi obtenu

permet d’orienter la déclaration
vers l’un des circuits de dédouanement.
 Architecture du système adopté
Statistique descriptive : analyse des risques Statistique décisionnelle : gestion des risque s (orientation vers un circuit)s

Module Gestion
Intégration des résultats du contrôle du risque
Base de données
« informations douanières » Circuit Rouge,
Nouvelle déclaration Vert,…
Importateur n°213064564R ;
Table des profils de en fonction des
risque « importateur » Pays Russie ; code sh 39220000 seuils d’orientation
213064564R : 0,21 retenus
154767658Z : 0,6
023898923P : 0,01 critère 1
critère 1 : … n°213064564R
importateur fq = 0,21
« Tables des profils de risque »
par critère potentiel de risque critère 2 : Table des profils de
origine risque « origine »
critère 2
Analyse statistique : calcul des fréquences de
Belgique : 0,2 pays : Russie
fraude (fq) pour chaque critère Côte d’Ivoire : 0,6
critère 3 : fq= 0,59
produit Russie : 0,59 Score de la
… déclaration

critère 4 : = 0,54
critère 3
… Table des profils de code sh : 39220000
risque « produit »
fq= 0, 32
39220000 : 0,32
58630000 : 0,58
79250000 : 0,09
…
Modèle économétrique ou statistique simple

Détermination des critères pertinents de risque Module Analyse du

(t-student ou P-value) et de leur pondération relative (coefficients) risque
Par exemple : Calcul du score de la
Pr oba( fraudei )  3,2  6,5 fq _ critère1i  3,6 fq _ critère2i  8,7 fq _ critère3i déclaration
 La dynamique du système

• La saisie de chaque nouvelle déclaration et

celle des résultats des contrôles éventuels
alimentent en continu l’historique du
système, et permettent d’actualiser en
« temps réel » la valeur les paramètres du
système (profils de risque et pondération des
critères pour le calcul du score de la
déclaration).
 Des méthodes statistiques
simples
• Méthodes simples : combinaison simple des fréquences de
fraude de quelques critères retenus selon le « bon sens » ou par
tâtonnement statistique.
Le score de la déclaration est égal à la moyenne simple
ou pondérée des fréquences de fraude des critères
importateur, produit, origine et régime (par exemple).
• Méthodes économétriques : utilisation de lois statistiques
particulières pour déterminer les critères pertinents et la
combinaison des fréquences de fraude des critères retenus.
Le score (la probabilité de fraude) de la déclaration est
calculé à partir de l’estimation d’un modèle de
probabilité linéaire, d’un modèle probit, logit,
loi de poisson… .
Méthode simple

Nouvelle déclaration :123546789X, 2555320000, FRANCE

Importateur Fréquence de Produit Fréquence de Origine Fréquence de
fraude fraude fraude

123546789X 0,21 1729450000 0,05 GHANA 0,05

987343580Z 0,00 2555320000 0,16 BRESIL 0,16

693792601S 0,75 1234560000 0,01 FRANCE 0,01

… … … … … …

Règles : score =0,5fq_importateur+0,3fd_produit+0,2fq_origine

Si > 10% Circuit Rouge

Score de la déclaration : (0,5x0,21)+(0,3x0,16)+(0,2x0,01)= 0,155

Orientation de la déclaration : Circuit Rouge

 Méthode économétrique (logiciel spécifique mais programmation
possible dans application propre à la douane)

Proba(fraudei=1)=constante + a.fq_critère1i + b.fq_critère2i +…..+n.fq_critèreNi + ε

a, b,….n : les pondérations des critères (coefficients des variables de l’équation) pour le
calcul du score (probabilité de fraude) de la déclaration « i ».
• Ces méthodes relativement simples, une fois
maitrisées par l’administration des douanes, peuvent
être développées afin de prendre en compte la
nature de la fraude.
• Mais est-ce nécessaire ?
 Tester la performance du
système
• Il faut toujours s’assurer que le système mis en place
permette de prédire correctement le risque de fraude.
• Un test simple consiste à appliquer le système sur un
historique de déclarations pour lequel le résultat des
contrôles est connu, par exemple les déclarations des 12
derniers mois.
• Le système est bon (a un bon pouvoir prédictif) si toute
déclaration ayant fait l’objet d’une irrégularité dans le
passé est associée à un score calculé élevé (une
probabilité de fraude élevée).
• Dans l’exemple qui suit, le score de la déclaration a été
calculé comme la moyenne pondérée de 4 critères.
L’information peut être ordonnée de telle sorte à déterminer le seuil
à partir duquel la déclaration est jugée risquée.

En contrôlant
toutes les Nombre de Nombre de Nombre de
Nombre de Nombre de Nombre de déclarations déclarations déclarations
déclarations qui Nombre de déclarations déclarations déclarations irrégulières Taux d'irrégularité irrégulières (en irrégulières
présentent un Intervalle de score déclarations cumulées cumulées (en %) irrégulières cumulées par intervalle %) cumulées (en % )
score supérieur à [ 0,5 ; 1 ] 120 120 0,13 98 98 81,67 8,96 8,96

0,01, soit 19% [ 0,1 ; 0,5 ] 2050 2170 2,38 539 637 26,29 49,27 58,23

des déclarations, [ 0,07 ; 0,1 ] 1151 3321 3,64 141 778 12,25 12,89 71,12
514 40
le système cible [ 0,06 ; 0,07 ] 3835 4,20 818 7,78 3,66 74,77
[ 0,05 ; 0,06 ] 768 4603 5,04 62 880 8,07 5,67 80,44
près de 98 % des
[ 0,04 ; 0,05 ] 1183 5786 6,33 41 921 3,47 3,75 84,19
déclarations qui [ 0,03 ; 0,04 ] 1603 7389 8,09 54 975 3,37 4,94 89,12
ont fait l’objet [ 0,02 ; 0,03 ] 2812 10201 11,17 56 1031 1,99 5,12 94,24
d’une [ 0,01 ; 0,02 ] 7091 17292 18,93 38 1069 0,54 3,47 97,71
irrégularité dans [ 0 ; 0,01 ] 74063 91355 100,00 25 1094 0,03 2,29 100,00
le passé. Total 91355 1094
• Ces méthodes statistiques ne sont qu’un des
éléments du système d’analyse et de gestion
des risques.
• Le contrôle aléatoire, la sélectivité sur de
nouveaux circuits de fraude détectés par les
services de renseignement, la sélectivité dès
lors qu’une caractéristique de la déclaration
n’est pas renseignée dans la base de
données, sont complémentaires de l’analyse
statistique.
 Volume 5, Number 1, March 2011
http://worldcustomsjournal.org/archive/volume-5-number-
1-march-2011/
 Mise en application
Principales difficultés
• Nouveauté de la démarche : peu d’expériences dans les PED
et peu de littérature sur le sujet.
• Besoin d’appropriation par les douanes de ces nouvelles
méthodes très loin des préoccupations habituelles des
douaniers et réticences à l’abandon des méthodes
traditionnelles.
• Manque de compétence en douane dans les domaines
spécifiques nécessaires à l’analyse statistiques.
• Et surtout : absence de données fiables sur la fraude
douanière (faiblesse du contentieux douanier, pas de
traçabilité des données relatives au contentieux douanier).
 Mise en application

• Or, pour développer de tels systèmes, il est

indispensable de disposer de données fiables
sur les fraudes constatées et de pouvoir relier
chaque infraction à l’article concerné de la
déclaration d’importation.
 Mise en application
• Pour surmonter ces difficultés, une approche
graduelle est proposée afin de permettre de
constituer une plate forme d’informations sur les
infractions douanières :
 Une version provisoire (manuelle) du système est
réalisée sur la base des informations disponibles pour
(1) convaincre de l’intérêt de la démarche et en faciliter
l’appropriation; et (2) améliorer à court terme le
système de sélectivité (souvent inchangé depuis trop
longtemps).

 Dès que la plate forme d’informations existe, une base

de données est constituée, sur laquelle une version plus
sophistiquée (économétrique) est bâtie, visant
l’automatisation du système d’AGR.
 Premières conclusions
Leçon 1 : Les services en matière d’AR offerts par les
sociétés d’inspection qui vérifient dans un même pays
les importations, ne peuvent pas être efficaces (cf.
Dequiedt, Geourjon, Rota-Graziosi, 2009, 2011).
• Associer dans un même contrat un programme de
vérification des importations et un objectif de modernisation
des douanes (résultats en matière d’AR, par exemple) est
incompatible.
• Une société chargée de la vérification n’a aucun intérêt à
contribuer à la modernisation de la douane, équivalent à la
fin de son contrat d’inspection très lucratif.
• Or, les sociétés qui offrent ce type de services, les ont jusque
là basés sur les résultats de leurs propres inspections…
 Premières conclusions

Leçon 2 : La faiblesse des administrations douanières

n’est pas un obstacle au développement de tels
systèmes.
• Au contraire ! En effet, certains
dysfonctionnements, notamment le manque
d’éthique, justifient le recours à des techniques de
sélectivité « scientifiques », plutôt que basées sur
l’appréciation humaine.
• En dehors des compétences particulières en data
mining et statistiques décisionnelles, qui existent
parfois déjà dans les administrations douanières,
celles-ci détiennent toutes les compétencs
nécessaires.
 Premières conclusions
Leçon 3 : S’éloigner de la « vraie » douane en utilisant
des méthodes de data mining peut être un moyen de
mieux y revenir. En effet, développer de tels systèmes :
• Implique de disposer d’une plate forme de données sur les
infractions douanières, indispensable à la modernisation.
• Nécessite de revoir les procédures du contentieux pour les
informatiser afin d’en garantir la traçabilité.
• Favorise une prise de conscience de profonds
dysfonctionnements.
• Valorise certaines tâches indispensables à une douane
moderne, l’utilisation de l’information notamment, et incite
à un changement de culture.
 Premières conclusions
Leçon 4 : L’AGR doit faciliter la segmentation des
importateurs et exportateurs requise dans le cadre de la
modernisation pour mieux adapter les procédures et les
contrôles, et les résultats de l’AGR doivent être utilisés
pour l’orientation dans les différents circuits en fonction
de cette segmentation.

• Les agréments des opérateurs agréés (les moins à

risque) et les listes des opérateurs à haut risque
dépendent, entre autres, des résultats en matière
d’AR (notamment fréquences de fraude par
importateur).
 Premières conclusions
• Les opérateurs agréés ne sont, en principe, orientés
en circuit Rouge que par sélection aléatoire
(obligatoire mais à un très faible taux).
• Les opérateurs à très haut risque (occasionnels, par
exemple) sont quasi systématiquement orientés en
Rouge (blocage).
• Ce sont les « autres » opérateurs pour lesquels les
résultats de l’AGR sont les plus déterminants pour
leur orientation ou non en circuit Rouge.
• L’orientation en circuit jaune concerne les produits
non orientés en Rouge, dont la réglementation
prévoit la production de documents particuliers.
 Premières conclusions

Leçon 5 : Pour aboutir, le projet de mise en place de ces

systèmes doit être identifié comme prioritaire et
s’inscrire dans un programme global de modernisation.
• La mobilisation des ressources nécessaires et la stabilité et
la disponibilité de l’équipe projet sont indispensables.
• La qualité de l’information, déterminante pour l’AR,
dépend du nombre d’infractions relevées et de leur
traçabilité.
• Mais aussi aller chercher de l’information hors du système
douanier (analyse miroir).
• D’où la nécessité en priorité de l’informatisation du
contentieux douanier et d’un renforcement et d’une
gestion moderne des ressources humaines.
L’analyse des données externes à
la douane
Le contrôle de deuxième ligne
 L’analyse des données externes à la
douane
• L’analyse des données internes à la douane
sont insuffisantes pour construire un modèle
de gestion du risque en douane en raison de la
présence d’aléas moral,
• D’où le recours à des sources
complémentaires d’information,
• Et de la construction d’un système qui
combine l’ensemble des informations
disponibles.
 Information à partir de base de
données internationales
• Site d’information financière (Yahoo finance,
Infomine : http://www.infomine.com/;
• World Bank Commodity Price Data :
http://www.worldbank.org/en/research/com
modity-markets#3;
• IMF Primary CommodityPrices :
http://www.imf.org/external/np/res/commod
/index.aspx
 L’analyse des données miroir :
Principes
• La comparaison entre les statistiques d’importation d’un pays
X et les statistiques d’exportation de un ou plusieurs pays vers
le pays X est appelée analyse miroir.
• Comparaison possible des valeurs, masses, et quantités.
• Les données miroir sont obtenues à partir de la plateforme
des Nations-Unies UN COMTRADE :
http://comtrade.un.org/ ou http://wits.worldbank.org

(Guide méthodologique : T.Cantens (2015). “Analyse miroir et fraude douanière”,

Document de recherche de l’Organisation Mondiale des Douanes)
www.wcoomd.org/fr/topics/.../~/~/.../1FEA54015FAC46B0A0E72E73934329F0.ashx
 L’analyse des données miroir : Niveau
d’analyse
• Unité d’analyse : SH6 mais,
• Des facteurs autre que la fraude en douane peuvent créer des
différences entre la valeur reportée à l’importation et celle reportée
à l’exportation, comme par exemple :
 Les différences d’incoterms (imports : c.a.f, exports : f.a.b),
 L’enregistrement des opérations de transit du côté des exportations
 Des différences de classification entre le pays exportateur et le pays
importateur,
 Une imparfaite conversion de la monnaie locale en USD,
 Une mauvaise qualité des données exports (pb. monitoring),
• Plus on considère une unité d’analyse fine, plus la probabilité que
l’écart ne soit pas uniquement imputable à de la fraude est
importante.
• Privilégier l’étude des écarts au niveau HS2-année/HS4-année.
 L’analyse des données miroir :
Indicateurs de fraude
• Ecarts :
 De valeur (en USD),
 De masse (en kg),
 De quantité.
• En valeur absolue (simple différence).
• En valeur relative (rapport, ratio).
• 2 types d’indicateurs :
 Indicateurs d’écart absolu permettent d’estimer les pertes de
recettes,
 Indicateurs de rapport permettent d’identifier des produits pour
lesquels le risque de fraude semble être élevé.
L’analyse des données miroir :
Indicateurs de fraude
 L’analyse des données miroir : les
types de fraude identifiables
• Ces indicateurs permettent de mettre en
évidence plusieurs types de fraude :
à l'espèce (glissement tarifaire),
à la valeur (sous ou surévaluation de la valeur
unitaire),
à la quantité (sous ou sur-déclaration des
quantités),
et de contrebande.
Exemple de calculs : mise en évidence
des écarts
Un indicateur de l’efficacité de la douane en
matière de contrôle : Vue synoptique de la
fraude sur la valeur
Un indicateur d’efficacité
 Le cas du Gabon

Notes: unité d'analyse: HS4-année. Période d'étude: 2013-2014.