Predição de Irregularidade Fiscal dos Contribuintes do Tributo ISS

  • Glauco de Vasconcelos Soares Centro de Estudos e Sistemas Avançados do Recife
  • Rodrigo Cunha Centro de Estudos e Sistemas Avançados do Recife

Resumo


O Imposto Sobre Serviço (ISS) é um tributo brasileiro municipal cuja incidência se dá nos casos em que ocorre uma prestação de serviço. Um tipo de irregularidade comum é declarar corretamente o recolhimento dos serviços que foram prestados, sem, entretanto, repassá-los aos municípios. Neste contexto, esse trabalho tem como objetivo avaliar o uso técnicas de Aprendizado de Máquina visando obter previsões precisas que estimem os riscos das empresas adimplentes ou inadimplentes se tornarem devedoras contumazes no próximo exercício fiscal. Os modelos foram desenvolvidos e testados sobre um conjunto de dados com aproximadamente 60 mil registros, contendo dados de declarações fiscais agrupadas por trimestre por um período de 5 anos. Os resultados preliminares indicam que nosso modelo identifica esse tipo de comportamento irregular com 85.21% de acurácia.

Palavras-chave: Predição de Irregularidade Fiscal, Aprendizado de Máquina, Evasão Fiscal

Referências

Abhijeet Gupta (2013). Complex Aggregates In Natural Language Interface To Databases. International Institute of Information Technology, Hyderabad.

Bharati, A., Bhatia, M., Chaitanya, V. and Sangal, R. (2014). Paninian Grammar Framework Applied to English South Asian Language Review, Creative Books, New Delhi, 1998.

Gupta, A., Akula, A., Malladi, D., et al. (2012). A novel approach towards building a portable NLIDB system using the computational Paninian grammar framework. Proc. 2012 Int'l. Conf. on Asian Language Processing, IALP 2012, p. 93–96.

Gupta, A. and Sangal, R. (2013). A Novel Approach to Aggregation Processing in Natural Language Interfaces to Databases. Proc. 10th International Conference on Natural Language Processing - ICON-2013.

Li, F. and Jagadish, H. V. (2014). NaLIR: An interactive natural language interface for querying relational databases. Proc. 2014 ACM SIGMOD International Conference on Management of Data, Snowbird, Utah, USA (June 2014), p. 709–712.

Li, F. and Jagadish, H. V (2014). Constructing an interactive natural language interface for relational databases. Proc. of the VLDB Endowment, v. 8, n. 1, p. 73–84.

Li, F. and Jagadish, H. V (2016). Understanding Natural Language Queries over Relational Databases. ACM SIGMOD Record, v. 45, n. 1, p. 6–13.

Pazos R, R. A., Aguirre L, M. A., González B, J. J., et al. (2016). Comparative study on the customization of natural language interfaces to databases. SpringerPlus 5, 553.

Pazos R, R. A., Verastegui, A. A., Martínez F, J. A., Carpio, M. and Gaspar H, J. (2018).

Translation of natural language queries to SQL that involve aggregate functions, grouping and subqueries for a natural language interface to databases. In: Fuzzy Logic Augmentation of Neural and Optimization Algorithms: Theoretical Aspects and Real Applications. Studies in Computational Intell., vol 749. Springer, Cham, p. 431–448.

Tata, S. and Lohman, G. M. (2008). SQAK: Doing more with keywords. Proc. of the 2008 ACM SIGMOD International Conference on Management of Data, Vancouver Canada (June 2008), p. 889–901.
Publicado
28/09/2020
SOARES, Glauco de Vasconcelos; CUNHA, Rodrigo. Predição de Irregularidade Fiscal dos Contribuintes do Tributo ISS. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 35. , 2020, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 223-228. ISSN 2763-8979. DOI: https://doi.org/10.5753/sbbd.2020.13645.