Deep Learning Applied in Forecasting Tax Revenues Using Endogenous Variables

• Priscila Silva Universidade do Estado do Rio de Janeiro
• Karla Figueiredo UERJ/PUC-Rio

DOI: https://doi.org/10.5753/eniac.2020.12147

Abstract

The forecast of tax revenue for the management of a state in economic and financial crisis, such as the case of the state of Rio de Janeiro, has became a fundamental and challenging task for the State's Department of Finance and Planning, since the temporal series are affected by economic and political uncertainties. In this sense, this work starts the project to investigate and use new and more accurate Machine Learning models, as Long Short-Term Memory (LSTM), to predict the tax revenues. The results present a relative error less than 1% to predict ICMS, indicating a performance superior to the predictions made by SEFAZ-RJ and the MLP models, used for comparison purposes used for comparison purposes.

Keywords: Neural Networks. LSTM. Forecast Model. Collection of ICMS. Rio de Janeiro State. Time Series.

References

Bastos, F.A.A. (2010) “Previsão de Receitas Tributárias Mediante Redes Neurais Artificiais”. 78 f. Dissertação (Mestrado) – Universidade. Estadual do Ceará, http://www.uece.br/mpcomp/index.php/arquivos/doc_download/263-dissertacao82, Março.

Box, G.E.P., Jenkins, g.ma.1976. Time series analysis Forecasting and control, 2nd ed. Holden-Day.San.

Contreras, J.C.S., Cribari-Neto, F. (2006) “Previsão da Arrecadação do ICMS no Brasil através de redes neurais”. In: Revista Brasileira de Estatística, Rio de Janeiro, v. 67, n. 227, p. 7-43.

Gama, J., Žliobaitė, I., Bifet, A., Pechenizkiy, M. and Bouchachia, A., (2014) A survey on concept drift adaptation. ACM computing surveys (CSUR), 46(4), p.44.

Goodfellow, I., Bengio, Y. and Courville, A. (2016) Deep Learning. [s.l.] MIT Press.

Fay, M., Proschan, M. (2010). "Wilcoxon–Mann–Whitney or t-test? On assumptions for hypothesis tests and multiple interpretations of decision rules". Statistics Surveys. 4: 1–39. doi:10.1214/09-SS051

Haykin, S., (1999) Neural Networks: A Comprehensive Foundation, 2nd Edition, Prentice-Hall.

Hochreiter, S., Schmidhuber, J. (1997) “Long Short-Term Memory. Neural Computation”.

Khodabakhsh A., Ari I., Bakır M., Alagoz S.M. (2020) Forecasting Multivariate TimeSeries Data Using LSTM and Mini-Batches. In: Bohlouli M., Sadeghi Bigham B., Narimani Z., Vasighi M., Ansari E. (eds) Data Science: From Research to Application. CiDaS 2019. Lecture Notes on Data Engineering and Communications Technologies, vol 45. Springer, Cham.

Kingma, P.D., Ba, J. (2015) “Adam: A Method for Stochastic Optimization”, In: International Conference for Learning Representations, 3., 2015, San Diego, https://arxiv.org/pdf/1412.6980.pdf, Julho.

Marangoni, P.H. (2010) “Redes Neurais Artificiais Para Previsão de Séries Temporais no Mercado Acionário”. Dissertação (Graduação em Ciências Econômicas)Universidade Federal de Santa Catarina, Florianópolis.

Matos M.A.C.S. (2019) Avaliando o Forecast Content e Forecast Horizon de Modelos ARMA para os principais Agregados de Arrecadação de ICMS do Estado do Ceará, Dissertação - Curso de Mestrado em Economia, da Universidade Federal do Ceará.

Namin, S.S., Namin, A.S. (2018) “Forecasting economic and financial time series: ARIMA vs LSTM”, https://arxiv.org/ftp/arxiv/papers/1803/1803.06386.pdf, Julho.

Nelson, D.M.Q. (2017) “Uso de Redes Neurais Recorrentes Para Previsão de Séries Temporais”. Dissertação - Instituto de Ciências Exatas, Universidade Federal de Minas Gerais, Belo Horizonte.

Rio de Janeiro. (2017) Lei de Diretrizes Orçamentárias nº 7652, de 19 de julho de 2017. Dispõe sobre as diretrizes para elaboração da Lei de Orçamento Anual de 2018 e dá outras providências. http://www.fazenda.rj.gov.br/sefaz/content/conn/UCMServer/path/Contribution%20 Folders/site_fazenda/Subportais/PortalPlanejamentoOrcamento/2_ppa_ldo_loa/ldo/ld o2018.pdf?lve, Março.

Rio de Janeiro. (2020) Resolução nº 33 do Conselho de Supervisão do Regime de Recuperação Fiscal do Estado do Rio de Janeiro, de 05 de agosto julho de 2020. http://www.fazenda.rj.gov.br/sefaz/content/conn/UCMServer/path/Contribution%20 Folders/transparencia/RecuperacaoFiscal/docs/item%207/Resolucoes/SEI_ME%20%209673492%20-%20Resoluc%cc%a7a%cc%83o%2033-2020.pdf?lve, Agosto.

Sahoo, B. B., Jha, R., Singh, A., Kumar, D. (2019) Long short-term memory (LSTM) recurrent neural network for low-flow hydrological time series forecasting. Acta Geophys. 67, 1471–1481.

Schmidhuber, J. (2015) “Deep Learning in neural networks: An overview Neural Networks”, 2015.

Silva, H., Figueiredo, T. (2018) “Previsão da Arrecadação do ICMS por Redes Neurais Utilizando Variáveis Endógenas”. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Instituto de Matemática e Estatística, UERJ.

Sims, C.A. (1980) Macroeconomics and reality. Econometrica, 48, 1-48

Souza, R. L. R. (2011) “Previsão do Índice Bovespa por Meio de Redes Neurais Artificiais: uma Análise Comparada aos Métodos Tradicionais de Séries de Tempo”. Dissertação – Universidade Federal do Rio Grande do Norte, Natal, https://repositorio.ufrn.br/jspui/handle/123456789/12197, Março.

Ticona, W. M. (2013) “Estudo de Métodos de Mineração de Dados Aplicados à Gestão Fazendária de Municípios”. Dissertação (Mestrado), Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, http://www.dbd.pucrio.br/pergamum/tesesabertas/1012165_2013_completo.pdf, Julho.

Zhang G.P. (2012) Neural Networks for Time-Series Forecasting. In: Rozenberg G., Bäck T., Kok J.N. (eds) Handbook of Natural Comp. Springer, Berlin, Heidelberg.