evidoria

← Retour à la liste

Good practice

Unité IA de la ZRA — Plateforme d'apprentissage automatique de l'Autorité fiscale zambienne pour la détection des fraudes et des écarts de recettes

Zambie · Lusaka · Voir le profil de Zambie

L'Autorité fiscale zambienne (ZRA) a créé une Unité d'IA utilisant l'apprentissage automatique pour détecter les fraudes fiscales et identifier les écarts de recettes. En juin 2024, le Ministère a confirmé une hausse de 60 % de la capacité de collecte des recettes sur deux ans.

60 %
Augmentation de la capacité de recouvrement de recettes de la ZRA attribuée à l'IA (2022-2024 (two years to June 2024))
1,000 records per 2 milliseconds
Dossiers fiscaux traités par les outils d'analyse (as of 2024)
7+ days
Temps de contrôle manuel remplacé (pre-AI baseline)

Détails

Maturité
Established
Promoteur
Zambia Revenue Authority (ZRA)
Période
2022–2024
Mots-clés
tax administration, revenue authority, fraud detection, machine learning

Contexte

L'Autorité fiscale de Zambie (ZRA) a mis en place une unité dédiée d'intelligence artificielle à son siège de Lusaka, composée de data scientists zambiens, afin d'identifier les manques à gagner fiscaux et les fuites de recettes sur l'ensemble de la base fiscale nationale. L'unité applique des modèles d'apprentissage automatique aux données de transactions des importateurs et exportateurs en temps réel, détectant automatiquement des schémas suspects et des fraudes plus rapidement qu'un contrôle manuel. Les tâches principales incluent la notation du risque des contribuables, la relance automatisée des non-déclarants, le recoupement des données de retenue à la source (PAYE) avec les déclarations des employeurs, et le signalement des déclarations douanières anormales.

Objectifs

Renforcer la capacité de la ZRA à détecter la fraude fiscale et à combler les manques à gagner en remplaçant un contrôle manuel lent par une analyse automatisée et en temps réel des données d'import/export et de paie.

Activités

Selon les informations disponibles, les outils d'analyse de données traitent environ 1 000 dossiers fiscaux en 2 millisecondes, contre sept jours ou plus pour un contrôle manuel. Une évaluation de recherche parallèle, menée par le Center for Effective Global Action (CEGA) de l'UC Berkeley, teste un algorithme Random Forest adapté d'un projet pilote de lutte contre la fraude douanière au Paraguay, en vue d'une application en Zambie.

Résultats

En juin 2024, le ministre zambien de la Technologie et des Sciences, Felix Mutati, a déclaré que l'IA avait augmenté de 60 % la capacité de recouvrement de recettes de la ZRA au cours des deux années précédentes. Cette affirmation a été relayée par Xinhua, Open Zambia et Copperbelt Katanga Mining, mais elle porte sur la capacité de recouvrement et non sur des recettes nettes auditées, et aucun audit technique indépendant de la précision ou de l'équité des modèles d'IA n'a été publié.

Conclusions

Malgré l'absence d'audit indépendant, ce gain confirmé au niveau ministériel et corroboré par plusieurs sources de presse en fait l'un des résultats de l'IA les plus significatifs documentés en matière d'administration fiscale en Afrique subsaharienne, hors Afrique du Sud.

Mise en œuvre
Coût indicatif
Medium (€50k–€500k) — No official budget figures are published. A dedicated in-house AI unit with real-time transaction-monitoring infrastructure at a national revenue authority implies a moderate, ongoing government IT investment; classified 'medium' as a conservative estimate pending disclosed costs.
Délai jusqu’aux résultats
Medium (1–3 years) — The unit's reported gains cover a two-year build-up to June 2024, consistent with a multi-year (1-3 year) establishment and scale-up timeline rather than a short pilot or a decade-long programme.
Personnel et compétences
In-house Zambian data scientists based at ZRA headquarters in Lusaka, External research partnership with CEGA (Center for Effective Global Action) at UC Berkeley for independent model evaluation

Conditions de réussite

  • Access to real-time importer/exporter and PAYE transaction data for model training and scoring
  • Ministerial-level political backing and public communication of results
  • Adaptation of an existing proven approach (Random Forest algorithm from a Paraguay customs-fraud pilot) rather than building from scratch

Modes d’échec courants

  • No independent technical audit of model accuracy or fairness has been published
  • The headline 60% figure measures self-reported collection capacity, not independently verified net revenue receipts
  • Risk of overstating results without transparent methodology disclosure

Où cela s’applique

Type de gouvernance
national revenue authority (central government agency)
Échelle
national
Niveau de revenu
lower-middle income

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pratiques similaires qui pourraient vous être utiles