DEEP LEARNING-BASED FORECASTING OF FISCAL AND NON-FISCAL REVENUES FROM THE EXTRACTIVE SECTOR IN THE DEMOCRATIC REPUBLIC OF CONGO USING LSTM NEURAL NETWORK

La République Démocratique du Congo (RDC), riche en ressources minérales, demeure fortement dépendante des recettes issues de son secteur extractif. Toutefois, la prévision des recettes fiscales et non fiscales reste complexe en raison de la volatilité des marchés, des changements réglementaires et de l’incertitude macroéconomique. Cette étude propose un modèle basé sur un réseau de neurones à mémoire à long et court terme (LSTM) afin de prédire ces recettes à partir de données mensuelles couvrant la période 2010–2023, collectées auprès de la Banque Centrale du Congo, de l’ITIE et des administrations fiscales nationales. Les résultats montrent des performances prédictives élevées, avec un RMSE de 38,82 (nRMSE ≈ 10 %) pour les recettes fiscales et de 10,83 (nRMSE ≈ 5–7 %) pour les recettes non fiscales. Le modèle LSTM surpasse les approches traditionnelles telles qu’ARIMA, la moyenne mobile et le perceptron multicouche (MLP). L’analyse des courbes d’entraînement et de validation confirme l’absence de sur apprentissage et la capacité du modèle à capturer les dynamiques non linéaires des séries temporelles économiques. Ces résultats soulignent l’intérêt de l’apprentissage profond pour améliorer la planification budgétaire et la gestion des finances publiques dans les économies dépendantes des ressources naturelles.