Previsão de Despesas Públicas do Estado de Sergipe

• Anthony Eduardo Medeiros Pantaleão Estácio
• Arthur Fernando da Silva Santos Estácio
• Max Castor Rodrigues Junior Estácio
• Yúri Faro Dantas de Sant’Anna Estácio

DOI: https://doi.org/10.5753/erbase.2025.12974

Resumo

A previsão das despesas públicas é um desafio na gestão fiscal, especialmente em contextos estaduais onde a literatura ainda é escassa. Este estudo busca comparar diferentes modelos de séries temporais na projeção das despesas públicas do Estado de Sergipe. Foram utilizados cinco métodos: ARIMA, Holt-Winters, ETS, LSTM e SVR, aplicados a uma série mensal de 2014 a 2024. Para avaliar a performance, foram empregadas as métricas de Erro Percentual Absoluto Médio (MAPE) e Raiz do Erro Quadrático Médio (RMSE). O modelo ETS demonstrou superioridade na previsão de despesas públicas com precisão de 8.45% (MAPE). Esses resultados indicam potencial para otimizar a elaboração orçamentária, contribuindo para a sustentabilidade fiscal.

Referências

Alves, G. H. T. (2021). Fatores associados ao erro de previsão de despesa orçamentária nos municípios brasileiros. Caderno de Finanças Públicas.

Arraes, J. P. S. and Matias-Pereira, J. (2024). Desvendando a influência da lei de responsabilidade fiscal nos estados brasileiros: Inferências quanto a sustentabilidade do endividamento, a eficiência do gasto com pessoal e a gestão fiscal responsável. Revista Contabilidade, Gestão e Governança, 27(1):128–156.

Bernardino, W., de Moura Soeiro, T., de Araújo, J. G. N., and dos Prazeres, R. V. (2021). Previsão da Arrecadação de ICMS para o Estado de Sergipe: Modelagem a partir da Metodologia de Box e Jenkins. Revista Brasileira de Contabilidade e Finanças Públicas.

Box, G. E. P., Jenkins, G. M., and Reinsel, G. C. (1976). Time Series Analysis: Forecasting and Control. Holden-Day.

Costa, R. R. d. (2021). Séries temporais: Análise das despesas da secretaria da saúde do estado do rio grande do sul antes e durante a pandemia do covid-19. Master’s thesis, Instituto Metrópole Digital, UFRN, Natal, RN.

da Silva, D. A. and Costa, D. F. (2010). A utilização do modelo holt winters na elaboração de um orçamento de resultado de uma cooperativa de crédito rural. In Anais do Congresso Brasileiro de Custos (ABC), Belo Horizonte, MG. ABC.

Drucker, H., Burges, C. J. C., Kaufman, L., Smola, A. J., and Vapnik, V. (1997). Support vector regression machines. In Advances in Neural Information Processing Systems, Cambridge, MA. MIT Press.

Drăgulin, B. and S, tefan, V. (2021). Analysis and forecasting of budget accounting systems using machine learning algorithms. Hyperion Economic Journal, 8(2):14–28.

Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8):1735–1780.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: Principles and Practice. OTexts, 2nd edition. Capítulo 7 (ETS models).

Jarque, C. M. and Bera, A. K. (1980). Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics Letters, 6(3):255–259.

Lima, P. A. and Oliveira, R. S. (2021). Análise e previsão da série temporal da dívida pública brasileira. Perspectiva Econômica, 8(2):112–130.

LOA. Lei nº 14.791, de 29 de dezembro de 2023 — Lei Orçamentária Anual de 2024. Brasília, DF, 2023.

LRF. Lei Complementar nº 101, de 4 de maio de 2000 — Lei de Responsabilidade Fiscal. Brasília, DF, 2000.

Makridakis, S., Spiliotis, E., and Assimakopoulos, V. (2020). Statistical and machine learning forecasting methods: Concerns and ways forward. International Journal of Forecasting, 36(1):1–27.

Makridakis, S., Wheelwright, S. C., and Hyndman, R. J. (1998). Forecasting: Methods and Applications. Wiley.

Okamura, A. B., Souza, L. M., and Ramos, T. F. (2024). Análise e projeção de séries temporais de despesas da agência brasileira de promoção de exportação e investimentos. Revista Gestão Pública em Data, 4(2):123–140.

Pantaleão A. Repositório GitHub. [link]. Acesso em: 02 jun. 2025.

Pimentel, C., Lobato, F., and Junior, A. J. (2023). Aplicação de técnicas de aprendizagem de máquina com seleção de variáveis na previsão de receitas públicas de 8 capitais. In Anais do Computer on the Beach, volume 14, pages 264–271.

Portal da Transparência. Portal da Transparência – Despesas Mensais do Estado de Sergipe. [link]. Acesso em: 02 jun. 2025.

Silva, J. P. d., Mendes, C. R., and Sousa, F. A. (2022). Avaliação de modelos de previsão de séries temporais aplicado às despesas de uma prefeitura no interior do ceará. Brazilian Journal of Public Economics, 6(1):45–60.

Silva, L. S. (2024). Modelos avançados de previsão de fluxo de caixa no setor público: Análise e projeções para a sustentabilidade fiscal em 2024. International Journal of Public Finance, 10(1):30–48.

Thayyib, P. V., Thorakkattle, M. N., Usmani, F., Yahya, A. T., and Farhan, N. H. S. (2023). Forecasting indian goods and services tax revenue using tbats, ets, neural networks, and hybrid time series models. Cogent Economics & Finance, 11(1):2285649.

Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6(3):324–342.