Aprendizado Profundo Aplicado na Previsão de Receita Tributária Utilizando Variáveis Endógenas

Abstract

A previsão de receita tributária para a gestão de um estado em situação de crise econômico-financeira, caso do estado do Rio de Janeiro, tornou-se uma tarefa fundamental e desafiadora para as secretarias de fazenda e planejamento dos Estados, pois há incertezas econômicas e políticas que afetam a série temporal. Nesse sentido, este trabalho inicia o projeto de investigação e uso de modelos mais novos e acurados de Machine Learning, como Long Short-Term Memory (LSTM), para prever a receita de tributos. Os resultados apresentam erro relativo menor que 1%, para previsão do ICMS, indicando desempenho superior às previsões realizadas pela SEFAZ-RJ e aos modelos MLP, usados para efeitos de comparação.

Modelos para Previsão Tributária Utilizando Redes Neurais LSTM

“…Em [Silva and Figueiredo 2020] foi realizado o trabalho de previsão do ICMS do estado do Rio de Janeiro, com a utilizac ¸ão da variável endógena, que é apenas o valor do imposto ao longo do tempo, e o conceito de Machine Learning chamado de Long Short-Term Memory(LSTM), comparando com abordagens de Rede Neural Multi-Layer Perceptron (MLP). O trabalho descreve a utilizac ¸ão de previsão de múltiplos passos autoregressivo e janelamento deslizante de 12 meses, além da comparac ¸ão entre tratamento de dados utilizando apenas normalizac ¸ão e diferenciac ¸ão e a realizac ¸ão de manipulac ¸ões matemáticas.…”

“…Para a organizac ¸ão dos dados de entrada para a utilizac ¸ão em um aprendizado supervisionado, foram utilizados como entrada os dados referentes aos 24 meses anteriores aos 12 meses de previsão, sendo realizado um processo de janelamento deslizante [Silva and Figueiredo 2020] para a progressão dos meses de previsão na etapa de treinamento.…”