Classificação da Dívida Ativa do Estado de Sergipe

• Yúri Faro Dantas de Sant’Anna Universidade Federal de Pernambuco
• Luiz Felipe da Conceição Souza Universidade Federal de Sergipe
• Antônio José Alves Neto Universidade Federal de Sergipe
• Max Castor Rodrigues Junior Universidade Estácio
• André Britto de Carvalho Universidade Federal de Sergipe
• Renê Pereira de Gusmão Universidade Federal de Sergipe

DOI: https://doi.org/10.5753/sbbd.2024.240204

Resumo

Como forma de assegurar a eficiência dos serviços providos, o setor público depende da receita proveniente da coleta de impostos. No Estado de Sergipe, o Imposto de Circulação de Bens e Serviços (ICMS) é responsável por mais de 90% da receita estadual. Portanto, a coleta efetiva deste recurso é essencial para a administração estadual. A dívida ativa é a denominação para débitos que são judicializados e cujo pagamento ainda é pendente. Muitos contribuintes, em processo de dívida ativa, são incapazes de honrar suas dívidas ou tem débitos considerados insolúveis. Os custos gerados pelas cobranças direcionadas a esses elementos, em adição a não geração de receita para o Estado por estes processos, resultam em uma série de gastos adicionais. Este trabalho propôs a avaliação e seleção de um algoritmo de classificação que, baseando-se no comportamento do contribuinte e nas características da dívida, classifique a possibilidade de pagamento total, parcial ou não pagamento da dívida. Após os testes propostos, o algoritmo Random Forest apresentou o melhor desempenho dentre todas as opções exploradas, obtendo um f1-score de 81,84%. Neste contexto, o classificador fornece uma solução eficiente e viável para o cenário real.

Palavras-chave: aprendizado de máquina, classificação, dívida

Referências

Ahsan, M. M., Mahmud, M. P., Saha, P. K., Gupta, K. D., and Siddique, Z. (2021). Effect of data scaling methods on machine learning algorithms and model performance. Technologies, 9(3):52.

Arslan, M., Guzel, M., Demirci, M., and Ozdemir, S. (2019). Smote and gaussian noise based sensor data augmentation. In 2019 4th International Conference on Computer Science and Engineering (UBMK).

Brasil (1980). Lei nº 6.830, de 22 de setembro de 1980. dispõe sobre a cobrança judicial da dívida ativa da fazenda pública, e dá outras providências. Diário Oficial [da] República Federativa do Brasil.

Brasil (1996). Lei complementar nº 87, de 13 de setembro de 1996. dispõe sobre o imposto dos estados e do distrito federal sobre operações relativas à circulação de mercadorias e sobre prestações de serviços de transporte interestadual e intermunicipal e de comunicação, e dá outras providências. (lei kandir). Diário Oficial [da] República Federativa do Brasil.

Castellón González, P. and Velásquez, J. D. (2013). Characterization and detection of taxpayers with false invoices using data mining techniques. Expert Systems with Applications, 40(5):1427–1436.

Corvalão, E. D. et al. (2012). Classificação de contribuintes: um modelo em duas fases.

de Sant’Anna, Y. F. D., de Farias, M. L., Júnior, M. C., Dantas, D., and Junior, M. R. (2024). Fuel classification in electronic tax documents. In Proceedings of the 13th International Conference on Pattern Recognition Applications and Methods - Volume 1: ICPRAM, pages 337–343. INSTICC, SciTePress.

Duda, R. O., Hart, P. E., and Stork, D. G. (2001). Pattern Classification. Wiley, New York, 2 edition.

Gupta, M. and Nagadevara, V. (2007). Audit selection strategy for improving tax compliance: application of data mining techniques. In Foundations of Risk-Based Audits. Proceedings of the eleventh International Conference on e-Governance, Hyderabad, India, December, pages 28–30. Citeseer.

Guralnik, V. and Srivastava, J. (1999). Event detection from time series data. In Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining, pages 33–42.

Kubat, M. (2017). An Introduction to Machine Learning. Springer International Publishing, Gewerbestrasse 11, 6330 Cham, Switzerland, 2 edition.

Martín, H., Bernardos, A. M., Iglesias, J., and Casar, J. R. (2013). Activity logging using lightweight classification techniques in mobile devices. 17(4):675–695.

Oliveira, F. N. d. (2012). Estratégias para aperfeiçoar o processo de recuperação de receitas tributárias no estado da bahia: um modelo para o icms baseado em redes neurais artificiais.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.

Portella, A. A. and Teixeira, R. P. (2016). Federalismo fiscal e efetividade da dignidade da pessoa humana: análise da posição do município na estrutura do financiamento público brasileiro e a escassez de recursos para as ações de saúde/fiscal federalism and effectiveness of human dignity... Revista de Direito da Cidade, 8(2):631–679.

Rocha, S. M. et al. (2017). Mineração de dados aplicada à classificação dos contribuintes de icms da sefaz-go.

SEFAZ-SE (2021). Contas anuais do estado 2021. [link]. Acesso em: 23 de junho de 2023.

Sisnando, S. R. A. and de Sousa Freitas, M. A. (2006). Previsão e avaliação do desempenho dos contribuintes do icms do estado do ceará utilizando as redes neurais artificiais. Revista econômica do Nordeste, 37(1):131–149.

Soares, L. E. and Oliveira, M. F. d. (2016). O protesto extrajudicial de certidão de dívida ativa como meio alternativo eficaz de recuperação do crédito público.