Modelos para Previsão Tributária Utilizando Redes Neurais LSTM

  • Arthur F. Dornelas UFJF
  • Luciana D. Campos UFJF
  • Karla Figueiredo UERJ

Resumo


O ICMS (Imposto sobre Circulação de Mercadorias e Prestação de Serviços de Transporte Interestadual e Intermunicipal e de Comunicação) é um dos principais impostos arrecadados pelos estados brasileiros, sendo seu valor importante na gestão e planejamento do governo, em especial para o estado do Rio de Janeiro, que se apresenta em crise econômica e desde o ano 2020 está em Regime de Recuperação Fiscal, necessitando de uma constante atualização da previsão de seus valores de receita e gastos. Devido às incertezas e mudanças externas e internas no estado carioca, a previsão desse valor coletado possui característica de não-linearidade, sendo necessário a aplicação de modelos não lineares que possam considerar essas mudanças nos valores arrecadados ao longo do tempo. Por conseguinte, o trabalho aqui descrito visa utilizar modelos de Redes Neurais Recorrentes Long Short-Term Memory (LSTM) e comparar as abordagens Multivariate Multi-step e Univariate Multi-step, na tentativa de gerar uma previsão anual da arrecadação tributária do estado superior à de outras abordagens, podendo ser utilizados como parâmetros para a tomada de decisões das autoridades governamentais.

Referências

Campos, L. Modelo Estocástico Periódico baseado em Redes Neurais. PhD thesis, Pontífica Universidade Católica do Rio de Janeiro.

Castanho, B. (2011). Modelos para Previsão de Receitas Tributárias: O ICMS do Estado do Espírito Santo. Universidade Federal do Espírito Santo.

Chevillon, G. (2007). Direct multi-step estimation and forecasting. Journal of Economic Surveys 21(4).

Cho, K., Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., and Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation.

Governo (2020). Receitas e despesas. https://www.gov.br/economia/pt-br/acesso-a-informacao/receitas-e-despesas.

Haykin, S. (1999). In Neural Networks: A Comprehensive Foundation. Prentice-Hall, Patparganj, India, 2nd edition.

Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computation Anais.

Pearson, K. (1896). Mathematical contributions to the theory of evolution III. Philos Trans R Soc Lond Ser B Biol Sci.

Pessoa, F., Coronel, D., and Lima, J. (2011). Previsão de Arrecadação de ICMS para o Estado de Minas Gerais: Uma Comparação entre modelos Arima e Arfima. Revista Brasileira de Gestão e Desenvolvimento Regional.

Planalto (1996). Lei Complementar Nº 87, de 13 de maio de 1996. Institui o ICMS. http://www.planalto.gov.br/ccivil_03/leis/LCP/Lcp87.htm.

Planalto (2000). Lei Complementar Nº 101, de 04 de maio de 2000. Estabelece normas de finanças públicas voltadas para a responsabilidade na gestão fiscal. http://www.planalto.gov.br/ccivil_03/leis/lcp/lcp101.htm.

Scheffer, D., Souza, A., and Zanini, R. (2014). Utilização de Modelos Arima Para Previsão da Arrecadação de ICMS do Estado do Rio Grande do Sul.

SEFAZ-RJ (2020). Resolução nº 33 do conselho de supervisão do regime de recuperação fiscal do estado do rio de janeiro. [link].

SEFAZ-RJ (2022). Transparência da receita estadual. https://portal.fazenda.rj.gov.br/transparencia-da-receita-estadual/.

Silva, P. F. and Figueiredo, K. (2020). Aprendizado Profundo Aplicado na Previsão de Receita Tributária Utilizando Variáveis Endógenas. ENIAC.

Zhang, Y. and Yang, Q. (2017). An overview of multi-task learning.
Publicado
28/11/2022
DORNELAS, Arthur F.; CAMPOS, Luciana D.; FIGUEIREDO, Karla. Modelos para Previsão Tributária Utilizando Redes Neurais LSTM. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 19. , 2022, Campinas/SP. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 95-105. ISSN 2763-9061. DOI: https://doi.org/10.5753/eniac.2022.227595.

##plugins.generic.recommendByAuthor.heading##