Exploration des données douanières en RDC : Segmentation et détection d’anomalies dans les flux d’importation

Abstract

Pour passer d'un contrôle systématique à un ciblage intelligent des flux d'importation, cet article explore les données douanières afin de débusquer des profils cachés et des signaux de risque. Nous combinons l'analyse en composantes principales (ACP), la classification hiérarchique ascendante, le K-means et DBSCAN. Les flux douaniers sont complexes : très dimensionnels, déséquilibrés et sensibles aux fraudes variées, comme la sous-évaluation, la fragmentation des colis, des codes SH anormaux, des valeurs unitaires instables, des profils temporels suspects ou des comportements isolés. Les règles strictes actuelles butent sur la « malédiction de la dimensionnalité », entraînant des libérations erronées de déclarations frauduleuses, des saisies injustes et un gaspillage de temps. Nous proposons une approche innovante via une ingénierie de données ciblée. Des indicateurs multidimensionnels d'anomalies sont créés, normalisés, puis simplifiés par l'ACP pour révéler les dimensions clés. Le K-means et la classification hiérarchique segmentent les profils d'importateurs, validés par des tests de qualité et de stabilité. DBSCAN isole les cas atypiques, confirmés par analyse de sensibilité. Les résultats mettent en lumière des profils distincts et un petit nombre d'anomalies inhabituelles, idéales pour un contrôle ciblé. Cette chaîne ACP-clustering-détection d'anomalies fournit un outil clair et opérationnel pour l'analyse de risques douaniers.