evidoria

← Retour à la liste

Bonne pratique Importée

Unité IA de la ZRA — Le modèle d'apprentissage automatique de l'Autorité fiscale zambienne pour le risque douanier

Zambie · Lusaka · Voir le profil de Zambie · Voir le profil de Lusaka

Preuves: Descriptif / auto-déclaré Top 75% 47/100 · Demandez à Evidence Copilot à propos de cette pratique

L'unité IA de la ZRA (Zambie) teste un modèle Random Forest, adapté d'un précédent déploiement douanier au Paraguay, pour signaler les importations à haut risque, face à un écart fiscal douanier estimé à 47-56 % ; les résultats du pilote restent en attente.

Détails

Maturité
Pilote
Promoteur
Zambia Revenue Authority (ZRA), AI Unit, with UC Berkeley's Center for Effective Global Action (CEGA)
Période
AI Unit since 2023; ML customs pilot November 2025–ongoing
Mots-clés
customs risk management, tax administration, machine learning, revenue collection, public-private research partnership

Contexte

Depuis environ 2023, la Zambia Revenue Authority (ZRA) exploite une « unité IA » interne chargée de moderniser l'administration fiscale et douanière grâce à l'apprentissage automatique. En partenariat avec le Center for Effective Global Action (CEGA) de l'UC Berkeley, l'unité a adapté un modèle Random Forest — préalablement testé sur des données douanières paraguayennes — afin de signaler les déclarations d'importation à haut risque pour inspection physique.

Objectifs

Réduire un écart fiscal douanier estimé à 47-56 % sur environ un demi-million d'expéditions commerciales traitées chaque année, en orientant les inspections vers les déclarations les plus à risque plutôt qu'en s'appuyant sur des contrôles généraux ou purement manuels.

Activités

Le pilote de notation du risque douanier a débuté vers novembre 2025 et, selon CEGA, est évalué au moyen d'un dispositif randomisé. L'unité IA gère également des outils connexes, dont un chatbot destiné aux contribuables, un assistant de recherche de codes SH et des « incitations » automatisées à la conformité.

Résultats

Les résultats quantitatifs sur la précision de détection ou les recettes récupérées spécifiquement attribuables au modèle Random Forest n'avaient pas encore été publiés au début du pilote. La ZRA et le ministère zambien de la Technologie et des Sciences ont indiqué séparément que la modernisation portée par l'IA dans l'ensemble des opérations de l'administration fiscale avait contribué à une hausse de 60 % des recettes collectées sur deux ans, mais ce chiffre décrit le programme d'IA plus large et non ce modèle spécifique.

Conclusions

Le chiffre de 60 % de croissance des recettes n'a pas été audité de manière indépendante et doit être considéré comme une affirmation institutionnelle relative au programme d'IA plus large, et non comme un résultat causal vérifié spécifiquement du modèle de risque douanier ; les résultats du pilote randomisé pour le modèle lui-même restent en attente.

Mise en œuvre
Coût indicatif
Faible (< 50 k€) — No separate budget disclosed; developed via an academic research partnership (CEGA) adapting an existing Random Forest model rather than building new infrastructure from scratch.
Délai jusqu’aux résultats
Court (< 1 an) — The AI Unit has operated since around 2023; the customs risk-scoring pilot specifically began around November 2025 and was still in early randomised evaluation at time of writing.
Personnel et compétences
Zambia Revenue Authority (ZRA) AI Unit, UC Berkeley Center for Effective Global Action (CEGA), academic/research partner

Conditions de réussite

  • academic partnership providing a rigorous (randomised) evaluation design
  • adapting a model already piloted elsewhere (Paraguay) rather than building from scratch
  • a dedicated in-house AI unit within the revenue authority

Modes d’échec courants

  • specific model results are not yet published, so its value beyond the pilot is unproven
  • the broader 60% revenue-growth claim conflates the whole AI programme with this specific model and is unaudited
  • full feature weightings and validation data are not public, limiting external transparency

Où cela s’applique

Type de gouvernance
national revenue authority, public-private academic partnership
Échelle
national customs operations (pilot subset)
Niveau de revenu
lower-middle-income

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

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

Pratiques similaires qui pourraient vous être utiles