Capacité de revue de l'administration
Combien de dossiers un service peut-il réellement traiter par mois ?
Pondération du score de risque (0–100, 100% transparent)
Aucune boîte noire — chaque dossier reçoit un score = somme pondérée de 5 signaux, tous affichés dans le tableau. Ajustez les poids selon votre priorité.
SCORE(dossier) = [ 30×Montant + 25×Contrepartie + 20×Écart + 15×Structuration + 10×Burst ] / somme(poids)
— chaque signal normalisé sur 0–100, formule identique pour les 420 dossiers, aucun paramètre caché.
— chaque signal normalisé sur 0–100, formule identique pour les 420 dossiers, aucun paramètre caché.
Courbe de concentration — triage ciblé vs tirage aléatoire
% de la valeur totale déclarée captée en fonction du % de dossiers effectivement revus. La ligne pointillée verticale marque votre capacité actuelle.
Tableau complet — 420 dossiers CARF simulés
Cliquez sur une colonne pour trier. Les 🟢/🟡/🔴 marquent les dossiers dans/hors de votre capacité de revue actuelle.
| Dossier | Pays | PSAN déclarant | Montant ($) | Type dominant | Ancienneté (mois) | Score | Statut |
|---|
Génération : générateur pseudo-aléatoire à seed fixe (reproductible) — 420 dossiers, distribution des montants volontairement asymétrique (quelques gros dossiers, beaucoup de petits) pour imiter la réalité observée dans la littérature CARF/RegTech. Aucune donnée réelle de PSAN, aucun nom d'entreprise réelle. Compilation septembre 2026.
MĂ©thodologie & limites
Objectif du module. Le CARF impose aux PSAN de déclarer chaque transaction, pas un solde annuel (à la différence du CRS).
Une administration reçoit donc un volume de lignes ingérable manuellement. Ce module démontre qu'un score heuristique simple,
transparent et sans coût de licence permet de concentrer une capacité de revue limitée sur la fraction la plus
à risque des dossiers — complément micro (dossier par dossier) au Crypto Tax Gap Calculator,
qui estime le manque Ă gagner macro par pays.
Pourquoi pas de l'IA/ML ici. Choix délibéré : un score additif pondéré reste vérifiable ligne par ligne par un agent sans expertise data science — contrairement aux solutions propriétaires (Chainalysis, Elliptic, Lukka) que la littérature identifie comme hors de portée budgétaire pour la plupart des administrations africaines.
Pourquoi pas de l'IA/ML ici. Choix délibéré : un score additif pondéré reste vérifiable ligne par ligne par un agent sans expertise data science — contrairement aux solutions propriétaires (Chainalysis, Elliptic, Lukka) que la littérature identifie comme hors de portée budgétaire pour la plupart des administrations africaines.
⚠️ À lire avant toute citation. Les 420 dossiers sont entièrement synthétiques, générés par ce module —
ce n'est pas un échantillon de données CARF réelles, aucun PSAN ni administration n'a fourni de données. Les poids par défaut
(30/25/20/15/10) sont des hypothèses de départ raisonnables, pas des poids validés empiriquement. C'est une preuve de
concept pédagogique destinée à illustrer l'écart de capacité documenté dans le papier de recherche — pas un système
d'audit prêt à déployer.