Previsão de séries temporais de receitas tributárias (2025)
- Authors:
- Autor USP: JESUS, ANA PAULA DE - ICMC
- Unidade: ICMC
- DOI: 10.11606/003246978
- Subjects: ANÁLISE DE SÉRIES TEMPORAIS; INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL; RECEITA TRIBUTÁRIA; FINANÇAS PÚBLICAS
- Language: Português
- Abstract: A previsão de arrecadação tributária é essencial e uma exigência legal para o planejamento de qualquer ente da Federação brasileira (União, estados e municípios). O presente estudo usou dados divulgados pelo Conselho Nacional de Política Fazendária (Confaz) com o objetivo de prever receitas de ICMS e IPVA de seis estados brasileiros (SP, MG, RJ, PR, RS e BA) que somados respondem por quase 70% da arrecadação total dos estados, comparando o desempenho de modelos de Aprendizado Profundo com modelos estatísticos tradicionais. A pesquisa revela descobertas sobre a previsão de arrecadação brasileira, desafiando padrões estabelecidos pela literatura internacional. Os testes com dados reais do Confaz, demonstraram que o desempenho dos modelos varia significativamente conforme as características das séries temporais, como sazonalidade, assimetria e volume de dados, e não apenas pela natureza do tributo. Modelos como o SARIMA superaram redes neurais na previsão do ICMS, enquanto o LSTM se destacou no IPVA, altamente sazonal e volátil. A ausência de pré-processamento comprometeu completamente os modelos baseados em redes neurais confirmando o consenso na literatura, e o uso de log-retorno, decomposição STL e tratamento de outliers foram fundamentais para lidar com a complexidade dos dados tributários brasileiros. Os resultados obtidos com a incorporação de indicadores macroeconômicos relevantes como variáveis exógenas (IPCA e IBC-Br) na previsão de monstraram a capacidade superior delas de capturar a verdadeira magnitude absoluta dos valores futuros. Para a previsão do IPVA com o NBEATSx apenas com dados normalizados, apesar dos erros percentuais menores para séries pré-processadas com técnicas sofisticadas em comparação com séries com covariáveis (MAPE: 22.83% vs. 41.23%; SMAPE: 27.44% vs. 29.24%), as estatísticas absolutas demonstram inequivocamente a superioridade das previsões com covariáveis, com redução deaproximadamente 86% no RMSE (256.66M vs. 1.81B) e 85% no MAE (173.03M vs. 1.13B), representando uma economia potencial de mais de R$ 1.5 bilhões em termos de magnitude de erro. As contradições observadas entre métricas percentuais (MAPE/SMAPE) e absolutas (RMSE/MAE), particularmente no caso do IPVA, não apenas expõem os enviesamentos inerentes às métricas percentuais, mas também reforçam a necessidade de priorizar medidas que reflitam o impacto monetário real dos erros de previsão.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
JESUS, Ana Paula de. Previsão de séries temporais de receitas tributárias. 2025. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2025. Disponível em: https://doi.org/10.11606/003246978. Acesso em: 11 jan. 2026. -
APA
Jesus, A. P. de. (2025). Previsão de séries temporais de receitas tributárias (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://doi.org/10.11606/003246978 -
NLM
Jesus AP de. Previsão de séries temporais de receitas tributárias [Internet]. 2025 ;[citado 2026 jan. 11 ] Available from: https://doi.org/10.11606/003246978 -
Vancouver
Jesus AP de. Previsão de séries temporais de receitas tributárias [Internet]. 2025 ;[citado 2026 jan. 11 ] Available from: https://doi.org/10.11606/003246978
Informações sobre o DOI: 10.11606/003246978 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Ana_Paula_de_Jesus.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
