LSTM Artificial Neural Network Models for Tax Forecasting

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

DOI: https://doi.org/10.5753/eniac.2022.227595

Abstract

ICMS (Imposto sobre Circulação de Mercadorias e Prestação de Serviços de Transporte Interestadual e Intermunicipal e de Comunicação) is one of the main taxes collected by Brazilian states, being its important value in the management and planning of the government, especially for the state of Rio de Janeiro, that presents itself in economic crisis and since the year 2020 is in a Tax Recovery Regime. Due to uncertainties and external and internal changes in the state, the forecast of this collected value has a characteristic of non-linearity, being necessary the application of non-linear models that can consider these changes in the amounts collected over time. Therefore, the work described here aims to use models of Recurrent Neural Networks Long Short-Term Memory (LSTM) and compare the approaches Multivariate Multi-step and Univariate Multi-step, in an attempt to generate an annual forecast of the state’s tax collection that is superior to other approaches, and can be used as parameters for decision-making by government authorities.

References

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.