MODELISATION DE LA FRAUDE FISCALE A MADAGASCAR BASEE SUR MACHINE LEARNING : APPROCHE PAR L'ANALYSE DISCRIMINANTE

La fraude fiscale constitue un problème majeur pour la gestion des finances publiques à Madagascar, où elle compromet la capacité de l'État à mobiliser les ressources nécessaires au développement économique et à la fourniture de services publics essentiels. Cette thèse se concentre sur la modélisation de la fraude fiscale en utilisant l'analyse discriminante, une méthode statistique qui permet de classifier les contribuables en fonction de leur propension à commettre une fraude. L'objectif principal de cette recherche est de développer un modèle d'analyse discriminante adapté au contexte malgache, capable d'identifier avec précision les contribuables à risque élevé de fraude. Pour ce faire, nous avons utilisé un ensemble de données fiscales détaillées comprenant des variables socio-économiques et comportementales. Le modèle a été évalué sur sa capacité à prédire efficacement les comportements frauduleux et à fournir des recommandations pratiques pour les autorités fiscales. Le taux de la détection de la fraude fiscale dans les unités opérationnelles de l'Administration 

Fiscale malgache est passé d'environ 10% à près de 80% grâce à l’utilisation de notre modèle.

Les résultats montrent que l'analyse discriminante est un outil efficace pour détecter la fraude fiscale, en mettant en évidence les variables clés associées à la fraude. Le modèle a démontré une bonne performance en classant les contribuables et en identifiant les facteurs de risque les plus significatifs. Ces résultats ont des implications importantes pour l'amélioration des pratiques de contrôle fiscal et la formulation de politiques publiques adaptées. Cette thèse contribue à une meilleure compréhension de la fraude fiscale à Madagascar et offre des outils analytiques précieux pour renforcer les efforts de lutte contre la fraude. Les perspectives futures incluent l'exploration de techniques de modélisation avancées et l'évaluation continue de l'impact des réformes fiscales.

 

Mots-clés : Fraude fiscale, Analyse discriminante, Modélisation, Madagascar, Détection de la fraude, Gestion des risques fiscaux

 

ABSTRACT

Tax evasion is a major problem for public finance management in Madagascar, where it compromises the state's ability to mobilize the resources needed for economic development and the provision of essential public services. This thesis focuses on modelling tax evasion using discriminant analysis, a statistical method that classifies taxpayers according to their propensity to commit fraud. The main objective of this research is to develop a discriminant analysis model adapted to the Malagasy context, capable of accurately identifying taxpayers at high risk of fraud. To do this, we used a detailed tax dataset including socio-economic and behavioral variables. The model was evaluated on its ability to effectively predict fraudulent behavior and provide practical recommendations for tax authorities. The rate of detection of tax fraud in the operational units of the Malagasy Tax Administration has increased from approximately 10% to nearly 80% thanks to the use of our model. The results show that discriminant analysis is an effective tool for detecting tax fraud, by highlighting the key variables associated with fraud. The model performed well in classifying taxpayers and identifying the most significant risk factors. These results have important implications for improving tax audit practices and formulating appropriate public policies. This thesis contributes to a better understanding of tax evasion in Madagascar and provides valuable analytical tools to strengthen anti-fraud efforts. Future prospects include the exploration of advanced modelling techniques and the ongoing evaluation of the impact of tax reforms.

 

Keywords: Tax fraud, Discriminant analysis, Modelling, Madagascar, Fraud detection, Tax risk management