Leveraging Property Tax Collection Through an Unsupervised Model for Taxpayer Qualification

• Elioenai L. G. Alves Universidade de Fortaleza
• Luiz Zairo Bastos Viana Universidade Federal do Ceará
• Fabio Santos Universidade de Fortaleza
• Wellington Franco Universidade Federal do Ceará
• Vládia Pinheiro Universidade de Fortaleza

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

Resumo

O Imposto Predial e Territorial Urbano (IPTU), tributo de competência municipal e importante suporte financeiro de serviços públicos, vem sofrendo diminuição na sua arrecadação nos últimos anos. Neste contexto, muitas prefeituras tem buscado medidas para melhorar a comunicação e o sistema de cobrança, e, conhecer o perfil de cada contribuinte/imóvel é fundamental para otimizar os recursos destinados à cobrança e diminuir a inadimplência. O presente trabalho propõe um modelo de Machine Learning não supervisionado para qualificar os contribuintes de impostos imobiliários como o IPTU, a partir do histórico de pagamentos e dos débitos do imposto. Os resultados do modelo treinado com dados da cidade de Fortaleza, comparados com o sistema baseline em uso hoje nessa cidade, indicaram desempenho promissor com F1-Score de 92,30%.

Palavras-chave: Imposto, IPTU, Aprendizado de Máquina, Qualificação de contribuintes, Perfil de contribuinte, Otimização de cobrança, Aprendizagem Não Supervisionada

Referências

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.