Accueil > Documentations scientifiques > Revues récentes > Madamines > Madamines, volume 1, 2024, ISSN 2220-0681 > « MODELISATION A L’AIDE DE LA MODELISATION BAYESIENNE ET DU TEST DE NORMALITE (...)

• 
  « MODELISATION A L’AIDE DE LA MODELISATION BAYESIENNE ET DU TEST DE NORMALITE SHAPIRO-WILK BASEES SUR DES DONNEES HISTORIQUES »
  Madamines

  auteur(s) : RABEMIAFARA Ruffin Michel ; RAHAJAMANANA Jasmin ; Fidihery Toky Tantely ; RAKOTOSON Tolontsoa

  Mots-clés : fraude fiscale, modélisation, bayésienne,Shapiro-Wilk, normalité
  
  

  [FRS] La fraude fiscale représente un défi complexe pour les administrations fiscales, nécessitant des méthodes sophistiquées pour détecter et prévenir les comportements frauduleux. Cet article explore l’application de la modélisation bayésienne et du test de normalité de Shapiro-Wilk pour la détection de fraude fiscale à partir de données historiques. La modélisation bayésienne permet d’incorporer des connaissances préalables et de mettre à jour les probabilités au fur et à mesure que de nouvelles données sont disponibles, offrant une approche flexible et robuste pour la détection des anomalies. Le test de normalité de Shapiro-Wilk, quant à lui, évalue si les distributions des données fiscales s’écartent de la normalité, ce qui peut être indicatif de fraudes. Les approches traditionnelles de détection de la fraude, basées sur des règles et des contrôles manuels, se révèlent souvent inefficaces face à la complexité croissante des schémas de fraude et à l’augmentation du volume de données fiscales. Les résultats montrent que la combinaison de ces deux approches permet de détecter efficacement des schémas de fraude qui échappent aux méthodes traditionnelles. La modélisation bayésienne s’est avérée particulièrement utile pour intégrer des informations a priori et ajuster les probabilités de fraude en fonction des nouvelles données, tandis que le test de Shapiro-Wilk a permis de repérer des anomalies statistiques significatives. Cette double approche offre une méthodologie rigoureuse et innovante pour la détection proactive des fraudes fiscales.

  [ENG] Tax fraud represents a complex challenge for tax authorities, requiring sophisticated methods to detect and prevent fraudulent behaviour. This article explores the application of Bayesian modelling and the Shapiro-Wilk normality test to the detection of tax fraud based on historical data. Bayesian modelling allows prior knowledge to be incorporated and probabilities to be updated as new data becomes available, providing a flexible and robust approach to anomaly detection. The Shapiro-Wilk normality test, on the other hand, assesses whether the distributions of tax data deviate from normality, which may be indicative of fraud. Traditional approaches to fraud detection, based on manual rules and controls, often prove ineffective in the face of the growing complexity of fraud schemes and the increasing volume of tax data. The results show that the combination of these two approaches can effectively detect patterns of fraud that escape traditional methods. Bayesian modelling proved particularly useful for integrating a priori information and adjusting fraud probabilities based on new data, while the Shapiro-Wilk test was used to identify significant statistical anomalies. This two-pronged approach provides a rigorous methodology that is both effective and efficient.

  Télécharger