Leveraging Property Tax Collection Through an Unsupervised Model for Taxpayer Qualification

• Elioenai L. G. Alves University of Fortaleza
• Luiz Zairo Bastos Viana federal University of Ceara
• Fabio Santos University of Fortaleza
• Wellington Franco federal University of Ceara
• Vládia Pinheiro University of Fortaleza

DOI: https://doi.org/10.5753/eniac.2023.234637

Abstract

The Urban Property and Land Tax (IPTU), a municipal tax and an important financial support for public services, has been experiencing a decrease in its collection in recent years. In this context, many city governments have been seeking measures to improve communication and the collection system, and, understanding the profile of each taxpayer/property is crucial to optimize the resources allocated to collection and reduce default rates. This study proposes an unsupervised Machine Learning model to assess the qualification of taxpayers of property tax, such as IPTU, based on payment history and tax debts. The results of the model trained with data from the city of Fortaleza, compared to the current baseline system in use in that city, showed promising performance with an F1-Score of 92.30%.

Keywords: Tax, IPTU, Machine Learning, Qualification of taxpayers, taxpayer profile, Optimization of collection, Unsupervised Learning

References

Afonso, J. R. R., Araújo, E. A., and Nóbrega, M. A. R. d. (2013). O iptu no brasil: um diagnóstico abrangente.

Arthur, D. and Vassilvitskii, S. (2007). K-means++ the advantages of careful seeding. In Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, pages 1027–1035.

Ávila, F., Bianchi, A. M., and Motta, L. T. (2015). Guia de economia comportamental e experimental. EconomiaComportamental. org.

Barbosa Júnior, N. L. (2020). Economia comportamental e régua de cobrança para recuperação de créditos tributários na cidade de fortaleza.

Beltran, R. D. (2019). Detecção de fraudes bancárias utilizando métodos de clustering.

Cardoso, G. d. S., Nascimento, V. L., de Oliveira Nunes, E., and Neto, E. d. S. M. (2008). Clusterização k-means: Uma proposta de melhoria.

Cupertino, S. A., Faroni, W., Durante, M. O., and Abrantes, L. A. (2014). Análise da inadimplência na arrecadação do iptu no município de viçosa–minas gerais. Gestão Pública: Práticas e Desafios, 5(2).

de Souza Barbosa, P. V. (2022). Justiça social e eficiência para o cálculo do imposto de renda de pessoa física. BIUS-Boletim Informativo Unimotrisaúde em Sociogerontologia, 32(26):1–13.

Ochi, L. S., Dias, C. R., and Soares, S. S. F. (2004). Clusterização em mineração de dados. Instituto de Computação-Universidade Federal Fluminense-Niterói, 1:46.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830.

Sobrinho, A. L. and de Alencar, F. A. G. (2019). Análise do esforço fiscal na arrecadação do iptu para os municípios do estado do ceará utilizando modelo de fronteira estocástica. Revista Controle-Doutrina e Artigos, 17(1):170–200.

Xavier, L. N. (2016). Fortaleza da desigualdade e violência: Geopolítica do medo e anomia social como fator de produção da violência concentrada e da sensação de insegurança. Conpedi Law Review, 2(1):112–130.