Introduction

Le présent document a pour objet d’évaluer le fonctionnement du système de sélectivité au sein du Bureau BJB01 – Port de Cotonou. Il présente dans un premier temps un aperçu général de la répartition des circuits de contrôle et de l’utilisation des critères de ciblage, tous régimes confondus.

L’analyse se concentrera ensuite sur le régime IM4, qui revêt une importance particulière en raison des enjeux en matière de droits et taxes. L’objectif est d’évaluer l’efficacité de la sélectivité appliquée à ce régime, tant sur le plan de la détection des irrégularités que sur celui des recettes additionnelles générées pour l’État.

Cette étude examinera également le fonctionnement de la sélectivité pour le régime IM4 et pour le transit, en analysant notamment :

La répartition des déclarations par circuit de contrôle,

Les critères utilisés et leur combinaison,

Les performances en matière de ciblage et de détection.

Enfin, le document formulera un ensemble de recommandations et de mesures correctives visant à optimiser la performance du système, renforcer la pertinence des contrôles et améliorer le rendement en matière de facilitation des échanges et de protection des recettes publiques.

I- Distribution des déclarations par circuit

1- Tous régime

Le graphique illustre la répartition des circuits de contrôle, tous régimes confondus, au Bureau BJB01 (Port de Cotonou). Les circuits vert et jaune prédominent, représentant ensemble plus de trois quarts des déclarations, traduisant une forte proportion de traitements allégés. Le circuit rouge couvre environ un cinquième des opérations, nécessitant une inspection physique. Les circuits orange et bleu restent marginaux, ce dernier étant spécifiquement réservé au traitement des opérateurs économiques agréés (OEA).

selectInput("type_filter", "Sélectionnez le Type :", 
            choices = c("Tous", unique(df3_base$`Type critère`)), 
            selected = "Tous")
library(dplyr)
library(stringr)
library(plotly)

# 1) Préparer les données (normalisation FR/EN + nettoyage)
df_pie <- filtered_data %>%
  distinct(`Ref decl`, `Couleur origine`) %>%
  transmute(
    circuit = case_when(
      str_to_upper(trimws(`Couleur origine`)) %in% c("ROUGE","RED")    ~ "RED",
      str_to_upper(trimws(`Couleur origine`)) %in% c("JAUNE","YELLOW") ~ "YELLOW",
      str_to_upper(trimws(`Couleur origine`)) %in% c("VERT","GREEN")   ~ "GREEN",
      str_to_upper(trimws(`Couleur origine`)) %in% c("BLEU","BLUE")    ~ "BLUE",
      str_to_upper(trimws(`Couleur origine`)) %in% c("ORANGE")         ~ "ORANGE",
      TRUE ~ "OTHER"
    )
  ) %>%
  count(circuit, name = "count") %>%
  arrange(desc(count))

# 2) Palette de couleurs
main_colors <- c(
  RED    = "#CC0000",
  YELLOW = "#CCCC00",
  GREEN  = "#009900",
  BLUE   = "#003366",
  ORANGE = "#FF6600",
  OTHER  = "#999999"
)

# 3) Attribuer la couleur à chaque circuit
df_pie <- df_pie %>%
  mutate(color = unname(main_colors[circuit]))

# 4) Camembert Plotly
plot_ly(
  data   = df_pie,
  labels = ~circuit,
  values = ~count,
  type   = "pie",
  marker = list(colors = df_pie$color),
  textinfo = "label+percent",
  insidetextorientation = "radial"
) %>%
  layout(
    title  = "Répartition des déclarations par circuit",
    legend = list(orientation = "v", x = 1.05, y = 0.5)
  )

1- Régime de mise à la consommation (IM4)

Pour le régime IM4, la répartition des circuits de contrôle montre une nette prédominance du circuit jaune (60,7 %), suivi du circuit rouge (36,3 %), traduisant un volume important de contrôles d ocumentaires et physiques. Les circuits bleu (1,28 %) et vert (1,24 %) restent marginaux.

library(dplyr)
library(stringr)
library(plotly)

# 1) Préparer les données (normalisation FR/EN + nettoyage)
filtered_data_2 <- filter (filtered_data , Modele=='IM4')
df_pie_2 <- filtered_data_2 %>%
  distinct(`Ref decl`, `Couleur origine`) %>%
  transmute(
    circuit = case_when(
      str_to_upper(trimws(`Couleur origine`)) %in% c("ROUGE","RED")    ~ "RED",
      str_to_upper(trimws(`Couleur origine`)) %in% c("JAUNE","YELLOW") ~ "YELLOW",
      str_to_upper(trimws(`Couleur origine`)) %in% c("VERT","GREEN")   ~ "GREEN",
      str_to_upper(trimws(`Couleur origine`)) %in% c("BLEU","BLUE")    ~ "BLUE",
      str_to_upper(trimws(`Couleur origine`)) %in% c("ORANGE")         ~ "ORANGE",
      TRUE ~ "OTHER"
    )
  ) %>%
  count(circuit, name = "count") %>%
  arrange(desc(count))

# 2) Palette de couleurs
main_colors <- c(
  RED    = "#CC0000",
  YELLOW = "#CCCC00",
  GREEN  = "#009900",
  BLUE   = "#003366",
  ORANGE = "#FF6600",
  OTHER  = "#999999"
)

# 3) Attribuer la couleur à chaque circuit
df_pie_2 <- df_pie_2 %>%
  mutate(color = unname(main_colors[circuit]))

# 4) Camembert Plotly
plot_ly(
  data   = df_pie_2,
  labels = ~circuit,
  values = ~count,
  type   = "pie",
  marker = list(colors = df_pie_2$color),
  textinfo = "label+percent",
  insidetextorientation = "radial"
) %>%
  layout(
    title  = "Répartition des déclarations par circuit IM4",
    legend = list(orientation = "v", x = 1.05, y = 0.5)
  )

This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.

When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this: