An Intelligent Model for Generating Indications of Tax Gap in Service Companies
Resumo
Evasão fiscal é ainda um dos principais problemas da Administração Tributária Brasileira. No caso do Imposto Sobre Serviço (ISS), reconhecer e estimar a perda tributária se torna mais difícil, pois o ISS é um imposto auto-lançável e os serviços prestados são voláteis e não podem ser verificados após sua prestação. Visando promover a autorregularização fiscal de empresas prestadoras de serviço, este trabalho propõe um modelo de geração de indícios de evasão fiscal, a partir da previsão dos custos e do arbitramento do faturamento de tais empresas. O modelo é operacionalizado por um comitê de algoritmos de Inteligência Artificial (IA) e Ciência de Dados (CD) que infere a probabilidade de determinada empresa apresentar comportamento atípico. O diferencial do modelo é a possibilidade de inferir tais indícios mesmo na ausência de dados sobre os custos das empresas. A avaliação do modelo proposto foi realizada em um estudo de caso no município de Fortaleza. Como resultado do experimento foram reconhecidas 1.839 empresas de serviço, contidas em um universo de 22.071 empresas, com fortes indícios de evasão fiscal, importando em uma perda receita tributária do ISS estimada em, aproximadamente, 10 milhões de reais.
Palavras-chave:
Tax Gap, Outliers, Classifiers Committee
Referências
Altman, D. G. and Bland, J. M. (2005). Standard deviations and standard errors. Bmj, 331(7521):903.
de Vasconcelos Soares, G. and Cunha, R. (2020). Predição de irregularidade fiscal dos contribuintes do tributo iss. In Anais do XXXV Simpósio Brasileiro de Bancos de Dados, pages 223–228. SBC.
Dias, M. and Becker, K. (2017). Identificação de candidatos à fiscalização por evasão do tributo iss. In 5th Symposium on Knowledge Discovery, Mining and Learning, Uberlândia, MG.
Franzoni, L. A. (1998). Tax evasion and tax compliance. Available at SSRN 137430.
Ivezić, Ž., Connolly, A. J., VanderPlas, J. T., and Gray, A. (2019). Statistics, Data Mining, and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey Data, volume 8. Princeton University Press.
Jiawei, H., Micheline, K., and Jian, P. (2012). Data Mining: Concepts and Techniques.-3rd. Morgan kaufmann.
Oliveira, G. P., Reis, A. P., Freitas, F. A., Costa, L. L., Silva, M. O., Brum, P. P., Oliveira, S. E., Brandão, M. A., Lacerda, A., and Pappa, G. L. (2022). Detecting inconsistencies in public bids: An automated and data-based approach. In Proceedings of the Brazilian Symposium on Multimedia and the Web, pages 182–190.
Oliveira, V. D. (2019). Redes neurais artificiais aplicadas à identificação de riscos de inadimplência fiscal de icms e iss no distrito federal.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Xavier, O. C., Pires, S. R., Marques, T. C., and Soares, A. d. S. (2022). Identificação de evasão fiscal utilizando dados abertos e inteligência artificial. Revista de Administração Pública, 56:426– 440.
de Vasconcelos Soares, G. and Cunha, R. (2020). Predição de irregularidade fiscal dos contribuintes do tributo iss. In Anais do XXXV Simpósio Brasileiro de Bancos de Dados, pages 223–228. SBC.
Dias, M. and Becker, K. (2017). Identificação de candidatos à fiscalização por evasão do tributo iss. In 5th Symposium on Knowledge Discovery, Mining and Learning, Uberlândia, MG.
Franzoni, L. A. (1998). Tax evasion and tax compliance. Available at SSRN 137430.
Ivezić, Ž., Connolly, A. J., VanderPlas, J. T., and Gray, A. (2019). Statistics, Data Mining, and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey Data, volume 8. Princeton University Press.
Jiawei, H., Micheline, K., and Jian, P. (2012). Data Mining: Concepts and Techniques.-3rd. Morgan kaufmann.
Oliveira, G. P., Reis, A. P., Freitas, F. A., Costa, L. L., Silva, M. O., Brum, P. P., Oliveira, S. E., Brandão, M. A., Lacerda, A., and Pappa, G. L. (2022). Detecting inconsistencies in public bids: An automated and data-based approach. In Proceedings of the Brazilian Symposium on Multimedia and the Web, pages 182–190.
Oliveira, V. D. (2019). Redes neurais artificiais aplicadas à identificação de riscos de inadimplência fiscal de icms e iss no distrito federal.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Xavier, O. C., Pires, S. R., Marques, T. C., and Soares, A. d. S. (2022). Identificação de evasão fiscal utilizando dados abertos e inteligência artificial. Revista de Administração Pública, 56:426– 440.
Publicado
06/08/2023
Como Citar
FRANCO, Wellington; ALVES, Elioenai; SOUSA, Fábio; BASTOS, Zairo; PINHEIRO, Vládia.
An Intelligent Model for Generating Indications of Tax Gap in Service Companies. In: BRAZILIAN WORKSHOP ON ARTIFICIAL INTELLIGENCE IN FINANCE (BWAIF), 2. , 2023, João Pessoa/PB.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 61-72.
DOI: https://doi.org/10.5753/bwaif.2023.230149.
