Aprendizado Profundo Aplicado na Previsão de Receita Tributária Utilizando Variáveis Endógenas

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

Resumo


A previsão de receita tributária para a gestão de um estado em situação de crise econômico-financeira, caso do estado do Rio de Janeiro, tornou-se uma tarefa fundamental e desafiadora para as secretarias de fazenda e planejamento dos Estados, pois há incertezas econômicas e políticas que afetam a série temporal. Nesse sentido, este trabalho inicia o projeto de investigação e uso de modelos mais novos e acurados de Machine Learning, como Long Short-Term Memory (LSTM), para prever a receita de tributos. Os resultados apresentam erro relativo menor que 1%, para previsão do ICMS, indicando desempenho superior às previsões realizadas pela SEFAZ-RJ e aos modelos MLP, usados para efeitos de comparação.

Palavras-chave: Redes Neurais. LSTM. Modelo de Previsão. Arrecadação do ICMS. Estado do Rio de Janeiro. Séries Temporais.

Referências

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.
Publicado
20/10/2020
SILVA, Priscila; FIGUEIREDO, Karla. Aprendizado Profundo Aplicado na Previsão de Receita Tributária Utilizando Variáveis Endógenas. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 17. , 2020, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 414-425. ISSN 2763-9061. DOI: https://doi.org/10.5753/eniac.2020.12147.