Predição da Inadimplência do IPVA no Estado do Ceará Utilizando Aprendizado de Máquina

• Maria Inês V. Silva Universidade Federal do Ceará (UFC) / Secretaria da Fazenda do Estado do Ceará (SEFAZ-CE) http://orcid.org/0000-0002-0745-5054
• Francisco Victor da S. Pinheiro Universidade Federal do Ceará (UFC) https://orcid.org/0000-0002-5693-0499
• César Lincoln C. Mattos Universidade Federal do Ceará (UFC) https://orcid.org/0000-0002-2404-3625
• José Maria da S. Monteiro Filho Universidade Federal do Ceará (UFC) https://orcid.org/0000-0002-5583-6070
• Rossana M. C. Andrade Universidade Federal do Ceará (UFC) https://orcid.org/0000-0002-0186-2994

DOI: https://doi.org/10.5753/sbbd_estendido.2024.243911

Resumo

Para os estados e municípios brasileiros, o Imposto sobre a Propriedade de Veículos Automotores (IPVA) é a segunda fonte mais importante de receita. A adimplência na arrecadação do IPVA depende de diferentes fatores, tais como a economia do país, o valor venal e a residência dos veículos, dentre outros fatores. Prever se os contribuintes serão adimplentes ou não em relação ao pagamento do IPVA pode fornecer subsídios que auxiliem os governos a elaborar políticas públicas, planejando ações fiscais e direcionando as campanhas de incentivo ao pagamento tempestivo do imposto. Neste trabalho, foi realizada uma série de experimentos buscando construir uma solução para o problema de classificação de contribuintes quanto à adimplência em relação ao pagamento do IPVA. Foram utilizados dados reais referentes ao IPVA do Estado do Ceará no período de 2019 a 2023. Ao todo, quatro algoritmos de classificação foram explorados para classificar os contribuintes em dois grupos: adimplentes e inadimplentes. Os melhores resultados alcançaram uma pontuação F1 de 0,86 comprovando a viabilidade da solução proposta.

Palavras-chave: Predição, Inadimplência, IPVA

Referências

Akinrinola, O., Addy, W. A., Ajayi-Nifise, A. O., Odeyemi, O., and Falaiye, T. (2024). Application of machine learning in tax prediction: A review with practical approaches. Global Journal of Engineering and Technology Advances, page 102–117.

Amarasinghe, K., Rodolfa, K. T., Lamba, H., and Ghani, R. (2023). Explainable machine learning for public policy: Use cases, gaps, and research directions. Data 38; Policy, 5:e5.

Brasil (1988). Constituição da República Federativa do Brasil. Acesso em: 25 de maio de 2024.

Faceli, K. (2011). Inteligência artificial: uma abordagem de aprendizado de máquina. Grupo Gen - LTC.

Governo do Estado do Ceará (2023). Sefaz divulga tabela do IPVA 2024, que apresenta redução média de 4,59Acesso em: 28 de maio de 2024.

Hastie, T., Tibshirani, R., Friedman, J. H., and Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction, volume 2. Springer.

Lima, M. S. M. and Delen, D. (2020). Predicting and explaining corruption across countries: A machine learning approach. Government Information Quarterly, 37(1):101407.

Silva, D., Carvalho, S. T., and Silva, N. (2022). Comparative analysis of classification algorithms applied to circular trading prediction scenarios. In Kő, A., Francesconi, E., Kotsis, G., Tjoa, A. M., and Khalil, I., editors, Electronic Government and the Information Systems Perspective, pages 95–109, Cham. Springer International Publishing.