Estimación de los ingresos de la deuda activa de la Unión con Machine Learning
Un análisis basado en datos de ingresos fiscales de 2015 a 2021
DOI:
https://doi.org/10.36428/revistadacgu.v14i26.529Palabras clave:
Deuda activa, Recaudación de impuestos, Presupuesto, Aprendizaje automático, Ciencia de los datosResumen
La Procuraduría General del Tesoro Nacional, cómo ente encargado de recaudar la Deuda Activa de la Unión debe presentar, al cierre de cada ejercicio fiscal, los resultados alcanzados y las previsiones de recaudación del ejercicio siguiente para la composición de las próximas Leyes de Presupuesto. Actualmente, esta estimación se realiza mediante la técnica de suavizamiento exponencial, que considera los ingresos pasados ??para proyectar los ingresos futuros. Este artículo busca evaluar la aplicación de algoritmos de aprendizaje automático en la elaboración de estas proyecciones, cómo medio para mejorar la gestión. Se probaron los algoritmos de regresión lineal, árbol de decisión, bosque aleatorio y árbol de decisión de aumento de gradiente. Los modelos fueron alimentados con información de los indicadores macroeconómicos IPCA, IGP-M, PBI, Tipo de Cambio y Tasa SELIC, así como datos de cuotas excepcionales y operaciones tributarias puestas a disposición de los contribuyentes por parte del Tesoro Nacional.
Descargas
Referencias
AGÊNCIA SENADO. (2021). Projeto que reabre prazo para o Programa Especial de Regularização Tributária segue para a Câmara. Brasília, BR.
BANCO CENTRAL DO BRASIL. (2022a). Estatísticas do setor externo. Nota para a imprensa - 29/04/2022.
https://www.bcb.gov.br/estatisticas/estatisticassetorexterno
________. (2022b). Taxa Selic.
https://www.bcb.gov.br/controleinflacao/taxaselic
BECKER, Dan. (2017a). How Models Work: The first step if you’re new to machine learning. Kaggle.
https://www.kaggle.com/code/dansbecker/how-models-work
________. (2017b). Model Validation: Measure the performance of your model, so you can test and compare alternatives. Kaggle.
https://www.kaggle.com/code/dansbecker/model-validation
CALLEGARI-JACQUES, Sidia M. (2017). Bioestatística: princípios e aplicações. Porto Alegre, BR: Artmed.
FÁVERO, Luiz Paulo; BELFIORE, Patrícia. (2017). Manual de análise de dados. 1. ed. Rio de Janeiro, BR: Elsevier.
FUNDAÇÃO GETÚLIO VARGAS. (2022). IGP-M: Resultados 2022. FGV.
https://portal.fgv.br/noticias/igpm-resultados-2022
FURTADO, Paulo Augusto. (2022). Por que escolher Python?. In: Jornada Python: uma jornada imersiva na aplicabilidade de uma das mais poderosas linguagens de programação do mundo. Rio de Janeiro, BR: Brasport.
FREITAS, Gabriel Belmino. (2019). O uso de machine learning na modelagem da previsão de inflação: revisão bibliográfica. 42 f. Trabalho de Conclusão de Curso (Bacharelado em Ciências Econômicas) — Universidade de Brasília, Brasília, 2019.
https://bdm.unb.br/handle/10483/25328
GOOGLE. (2022). Conheça o Colab.
https://colab.research.google.com/?utm_source=scs-index#scrollTo=OwuxHmxllTwN
GRUS, Joel. (2016). Data Science do Zero. Traduzido por Welington Nascimento. Rio de Janeiro, BR: Alta Books.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. (2022a). IPCA - Índice Nacional de Preços ao Consumidor Amplo. Portal do Governo Brasileiro.
________. (2022b). Produto Interno Bruto - PIB. Portal do Governo Brasileiro.
https://www.ibge.gov.br/explica/pib.php
________. (2022c). CONCLA - Comissão Nacional de Classificação.
https://cnae.ibge.gov.br/?view=estrutura&tipo=cnae&versao_classe=7.0.0&versao_subclasse=9.1.0
KELLEHER, John D.; TIERNEY, Brendan. (2018). Data Science. The MIT Press essential knowledge series. Cambridge, US: The MIT Press.
KRUGMAN, Paul R; OBSTFELD, Maurice. (2005). Economia internacional: teoria e política. Tradutor técnico Eliezer Martins Diniz. São Paulo, BR: Pearson Addison Wesley.
MCKINNEY, Wes. (2010). Data structures for statistical computing in python, Proceedings of the 9th Python in Science Conference, Volume 445.
https://conference.scipy.org/proceedings/scipy2010/pdfs/mckinney.pdf
MINISTÉRIO DA ECONOMIA. (novembro, 2014). Cadastro Nacional de Atividades Econômicas – CNAE.
MOREIRA, J. M.; CARVALHO, A.; HORVÁTH, T. (2018). A general introduction to data analytics. Hoboken, US: Wiley.
OLIVEIRA, B. (2021). Algoritmos de aprendizado de máquina na predição e avaliação de evasão de clientes em ambiente de produção. 87 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Goiás.
http://repositorio.bc.ufg.br/tede/handle/tede/11522
OZDEMIR, Sinan. (2016). Principles of data science. Birmingham, UK: Packt Publishing Ltd.
PARANHOS, R. et al. (2014). Desvendando os Mistérios do Coeficiente de Correlação de Pearson: o Retorno. Leviathan (São Paulo), (8), 66-95.
DOI: https://doi.org/10.11606/issn.2237-4485.lev.2014.132346
PEDREGOSA et al. (2011). Scikit-learn: Machine Learning in Python, Journal of Machine Learning Research 12, pp. 2825-2830.
https://jmlr.csail.mit.edu/papers/v12/pedregosa11a.html
PROCURADORIA-GERAL DA FAZENDA NACIONAL. (2021a). Nota SEI nº 29/2021/PGDAU-CDA-COAGED/PGDAU-CDA/PGDAU/PGFN-ME. Presta informações sobre a dívida ativa da União para compor o anexo de riscos fiscais. Ministério da Economia.
________. (2021b). Nota SEI nº 7/2022/PGDAU-CDA-COAGED/PGDAU-CDA/PGDAU/PGFN-ME. Boletim de Acompanhamento Gerencial - Edição Anual – 2021. Ministério da Economia.
________. (2021c). Nota Conjunta SEI nº 2/2021/PGDAU-CGR. Analisa os resultados alcançados pelas modalidades de transação da dívida ativa da União e da transação do contencioso de pequeno valor. Ministério da Economia.
SANTOS, Gustavo Carvalho. (2020). Algoritmos de Machine Learning para previsão da B3. 90 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia.
DOI https://doi.org/10.14393/ufu.di.2020.640
ZHANG, Z. et. al. (julho, 2021). GBDT-MO: Gradient-Boosted Decision Trees for Multiple Outputs in IEEE Transactions on Neural Networks and Learning Systems, vol. 32, no. 7, pp. 3156-3167.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2022 Revista da CGU
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La Revista da CGU sigue a la Licencia Creative Commons Atribución 4.0 Internacional (CC BY), que permite que los trabajos publicados se usen y compartan, siempre dando crédito a los autores y origen. Los contenidos publicados hasta 2019 tienen permiso genérico de uso y distribución con indicación obligatoria de autoría y origen.
La presentación de la propuesta implica un compromiso de no enviarla a otra revista y autoriza, si se aprueba, su publicación.Destacamos algunos puntos esenciales y no exhaustivos relacionados:
- La presentación de la propuesta también implica que el (los) autor (es) está (n) de acuerdo con la publicación, sin resultar en remuneración, reembolso o compensación de ningún tipo.
- Los textos publicados son responsabilidad de los autores y no representan necesariamente la opinión de la revista.
- La responsabilidad por cualquier plagio es responsabilidad del (de los) autor (es).
- La persona responsable de la presentación declara, bajo las sanciones de la Ley, que la información sobre la autoría del trabajo es completa y correcta.
También se destacan los elementos relacionados con nuestras Políticas editoriales, en particular con la Misión y Alcance de la revista, la Ética de Publicación, el Proceso de Evaluación por Pares y la Política de Acceso Abierto.
