CALT: Uma Ferramenta Automática para Cobrança do ICMS em Operações Interestaduais
Resumo
Devido a mudanças constantes na legislação e a complexidade do sistema tributário brasileiro, determinar a tributação de um produto não é uma tarefa trivial. Com isso, este artigo apresenta uma proposta de ferramenta para o cálculo automático dos tributos devidos nas operações interestaduais destinadas ao estado de Alagoas. Mediante o uso técnicas de agrupamento e classificação, o trabalho proposto pretende aprender os padrões de tributação em notas fiscais previamente calculadas e, deste modo, fornecer um modelo capaz de predizer a tributação de um produto. Dessa forma, o cálculo automático oferece uma maneira facilitada de obter a cobrança do ICMS com uma melhora imensurável no tempo de processamento das notas eletrônicas em relação ao cálculo manual, que de forma prática não era realizado em todas as notas.
Palavras-chave:
ICMS, Cálculo de tributos, Sistemas especialistas, Técnicas de agrupamento
Referências
Busca.Legal (2020). Busca.legal t2 - resolva suas dúvidas tributárias! [Acesso em 14 agosto 2020].
Carmo, M., Komati, K., and Boldt, F. (2019). Previsão de receitas de icms do estado do espírito santo através de seleção de características em cascata e técnicas de aprendizado de máquina. In Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional, pages 118–129, Porto Alegre, RS, Brasil.
Chen, Z., Teoh, E. N., Nazir, A., Karuppiah, E. K., Lam, K. S., et al. (2018). Machine learning techniques for anti-money laundering (aml) solutions in suspicious transaction detection: a review. Knowledge and Information Systems, 57(2):245–285.
Galdino, G., Renato, M., and Fonseca Neto, R. (2004). Uma rede neural artificial de múltiplas camadas aplicadas ao combate à sonegação fiscal de icms. In Anais do XXXVI Simpósio Brasileiro de Pesquisa Operacional (SBPO).
Júnior, E. (2021). ICMS tem alta fora da curva e dispara em alagoas. http://edivaldojunior.blogsdagazetaweb.com/2021/05/10/icms-tem-alta-fora-da-curva-e-dispara-em-alagoas/. [Online; acessado em 18 de maio de 2021].
Madeira, R. d. O. C. (2015). Aplicação de técnicas de mineração de texto na detecção de discrepâncias em documentos fiscais. PhD thesis, Fundação Getúlio Vargas.
Neto, B. and Pará, S. A. (2018). Análise de “outliers” para o controle do risco de evasão tributária do icms. Master’s thesis, Universidade de Brasília.
Oliveira, V. D. (2019). Redes neurais artificiais aplicadas à identificação de riscos de inadimplência fiscal de icms e iss no distrito federal. Master’s thesis, Universidade de Brasília.
Paula, E. L., Ladeira, M., Carvalho, R. N., and Marzagão, T. (2016). Deep learning anomaly detection as support fraud investigation in brazilian exports and anti-money laundering. In 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA), pages 954–960. IEEE.
Rocha, L. F. d. (2018). Aprimorando conferências tributárias através da computação cognitiva utilizando a Plataforma Watson. Artigo de conclusão de curso (Bacharel em Ciência da Computação), Universidade da Passo Fundo, Passo Fundo, RS.
Rocha, S. M. (2017). Mineração de dados aplicada à classificação dos contribuintes de icms da sefaz-go. Master’s thesis, Pontifícia Universidade Católica de Goiás.
Viol, A. L. (2005). A finalidade da tributação e sua difusão na sociedade. Seminário de Políticas Tributárias, 2.
Carmo, M., Komati, K., and Boldt, F. (2019). Previsão de receitas de icms do estado do espírito santo através de seleção de características em cascata e técnicas de aprendizado de máquina. In Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional, pages 118–129, Porto Alegre, RS, Brasil.
Chen, Z., Teoh, E. N., Nazir, A., Karuppiah, E. K., Lam, K. S., et al. (2018). Machine learning techniques for anti-money laundering (aml) solutions in suspicious transaction detection: a review. Knowledge and Information Systems, 57(2):245–285.
Galdino, G., Renato, M., and Fonseca Neto, R. (2004). Uma rede neural artificial de múltiplas camadas aplicadas ao combate à sonegação fiscal de icms. In Anais do XXXVI Simpósio Brasileiro de Pesquisa Operacional (SBPO).
Júnior, E. (2021). ICMS tem alta fora da curva e dispara em alagoas. http://edivaldojunior.blogsdagazetaweb.com/2021/05/10/icms-tem-alta-fora-da-curva-e-dispara-em-alagoas/. [Online; acessado em 18 de maio de 2021].
Madeira, R. d. O. C. (2015). Aplicação de técnicas de mineração de texto na detecção de discrepâncias em documentos fiscais. PhD thesis, Fundação Getúlio Vargas.
Neto, B. and Pará, S. A. (2018). Análise de “outliers” para o controle do risco de evasão tributária do icms. Master’s thesis, Universidade de Brasília.
Oliveira, V. D. (2019). Redes neurais artificiais aplicadas à identificação de riscos de inadimplência fiscal de icms e iss no distrito federal. Master’s thesis, Universidade de Brasília.
Paula, E. L., Ladeira, M., Carvalho, R. N., and Marzagão, T. (2016). Deep learning anomaly detection as support fraud investigation in brazilian exports and anti-money laundering. In 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA), pages 954–960. IEEE.
Rocha, L. F. d. (2018). Aprimorando conferências tributárias através da computação cognitiva utilizando a Plataforma Watson. Artigo de conclusão de curso (Bacharel em Ciência da Computação), Universidade da Passo Fundo, Passo Fundo, RS.
Rocha, S. M. (2017). Mineração de dados aplicada à classificação dos contribuintes de icms da sefaz-go. Master’s thesis, Pontifícia Universidade Católica de Goiás.
Viol, A. L. (2005). A finalidade da tributação e sua difusão na sociedade. Seminário de Políticas Tributárias, 2.
Publicado
18/07/2021
Como Citar
JATOBÁ, Anthony E. A.; MOURA, Douglas L. L.; MARTINS, Ivan C.; RAMOS, Heitor S.; AQUINO, André L. L..
CALT: Uma Ferramenta Automática para Cobrança do ICMS em Operações Interestaduais. In: WORKSHOP DE COMPUTAÇÃO APLICADA EM GOVERNO ELETRÔNICO (WCGE), 9. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 143-154.
ISSN 2763-8723.
DOI: https://doi.org/10.5753/wcge.2021.15984.
