A Predictive Model to Detect Property Taxpayer Non-Compliance and Estimate Property Tax Liabilities in Rwanda Using Supervised Machine Learning
Cette étude démontre qu'un cadre d'apprentissage automatique supervisé basé sur XGBoost, entraîné sur plus d'un million de dossiers de l'Autorité rwandaise des revenus, détecte efficacement la non-conformité à la taxe foncière et estime les passifs, permettant une stratégie d'audit fondée sur le risque qui pourrait récupérer 80 % des impôts impayés en ciblant les 20 % de contribuables présentant les risques les plus élevés.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans de nombreuses parties du monde, la collecte des taxes sur les bâtiments et les terrains est une tâche difficile. Les gouvernements ont besoin de cet argent pour construire des routes, des écoles et des hôpitaux, mais le système repose souvent sur la sincérité des déclarations des propriétaires concernant la valeur de leurs biens. Lorsque les propriétaires déclarent une valeur trop faible, le gouvernement perd des revenus, et les contribuables honnêtes finissent par payer une part plus importante que ce qui leur est dû. Pour remédier à cela, les agents du fisc se sont traditionnellement appuyés sur des contrôles manuels, où les auditeurs se rendent physiquement dans les propriétés ou examinent les dossiers papier un par un. Cependant, à mesure que les villes s'étendent et que le nombre de bâtiments augmente, cette ancienne méthode de travail devient trop lente et trop coûteuse pour suivre le rythme. Ces dernières années, des experts ont commencé à explorer si les ordinateurs pouvaient apprendre des archives passées pour repérer des modèles que les humains pourraient manquer, aidant ainsi les responsables à décider qui contrôler en priorité sans avoir besoin d'examiner chaque dossier.
C'est le défi que les chercheurs de l'Université du Rwanda ont entrepris de résoudre. Ils voulaient savoir si un ordinateur pouvait examiner les vastes registres détenus par l'Autorité des revenus du Rwanda et déterminer deux choses : premièrement, quels propriétaires de biens sont susceptibles de ne pas payer le montant correct de l'impôt, et deuxièmement, quel devrait être le montant correct. L'équipe a rassemblé un ensemble massif de données contenant des informations sur plus d'un million de propriétaires de biens. Ces données comprenaient des détails sur les bâtiments, la durée de l'enregistrement des propriétaires, le montant qu'ils devaient, ce qu'ils avaient réellement payé, ainsi que les pénalités ou intérêts accumulés. Au lieu de deviner, les chercheurs ont enseigné à trois types différents de programmes informatiques comment apprendre de cette histoire. Ils ont testé l'efficacité de ces programmes pour prédire qui était non conforme et la précision avec laquelle ils pouvaient estimer la véritable dette fiscale d'une propriété.
Les chercheurs ont découvert qu'un type spécifique de programme informatique, connu sous le nom d'XGBoost, était bien plus performant que les autres pour cette tâche. Ce programme est conçu pour apprendre en construisant de nombreuses petites étapes de décision et en les combinant pour faire une prédiction finale. Testé sur des données de 2024 que l'ordinateur n'avait jamais vues auparavant, ce modèle a identifié correctement les contribuables non conformes environ 88 % du temps. Il était également très efficace pour estimer la dette fiscale réelle, ses prédictions étant beaucoup plus proches des chiffres réels que celles des autres modèles. L'étude a révélé que les indices les plus importants pour repérer les problèmes n'étaient pas toujours liés au bâtiment lui-même, comme sa taille ou son emplacement. Au lieu de cela, l'ordinateur a appris que le comportement propre du contribuable était le signal le plus fort. Des facteurs tels que le ratio entre ce qui a été payé et ce qui était dû, le montant des pénalités dues et la durée de l'enregistrement étaient les meilleurs indicateurs d'une probabilité de non-conformité.
Le véritable pouvoir de cette découverte réside dans la manière dont elle pourrait changer la façon dont les audits fiscaux sont menés. Les chercheurs ont réalisé une simulation pour voir ce qui se passerait si les responsables utilisaient ces prédictions informatiques pour décider qui enquêter. Dans une approche traditionnelle, si les responsables choisissaient des contribuables au hasard pour un audit, ils ne récupéreraient qu'environ 20 % de l'argent non payé qu'ils recherchaient. Cependant, lorsqu'ils ont utilisé l'ordinateur pour classer les contribuables par niveau de risque et se sont concentrés sur les 20 % des contrevenants les plus probables, la simulation a montré qu'ils pourraient récupérer environ 80 % des detues non payées. Cela suggère qu'en utilisant les données pour guider leur travail, les autorités fiscales pourraient trouver la vaste majorité des revenus manquants tout en dépensant beaucoup moins de temps et d'argent en audits.
L'étude conclut que cette approche offre une voie pratique pour le Rwanda et d'autres pays confrontés à des défis similaires. En intégrant ces outils prédictifs dans leur travail quotidien, les administrateurs fiscaux pourraient passer de contrôles aléatoires à un système où les ressources sont dirigées exactement là où elles sont le plus nécessaires. Les chercheurs soulignent que, bien que le modèle informatique soit puissant, il doit être utilisé comme un outil pour soutenir la prise de décision humaine, et non pour la remplacer entièrement. Ils recommandent que l'Autorité des revenus du Rwanda adopte ce système basé sur le risque, tout en continuant à améliorer la qualité de leurs données et en veillant à ce que le processus reste équitable. Ce travail démontre que même dans un environnement aux ressources limitées, l'utilisation intelligente des dossiers existants peut mener à un système fiscal plus efficace et plus équitable.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.