Modelos de Aprendizagem de Máquina para a predição de valores de Impostos Estaduais
Aprendizagem de Máquina, Fiscalização, Impostos, Modelos Predi- tivos, Sonegação.
Ao longo dos anos houve uma crescente alta na ocorrência de casos de sonegação fiscal,
onde pessoas e empresas tentam burlar a lei para não pagar ou pagar menos impostos do
que é devido. Os impostos estaduais são as maiores fontes de arrecadação dos estados.
Investir na sua fiscalização pode trazer grandes benefícios para a sociedade. Foi feita uma
Revisão Sistemática da Literatura (RSL) e a partir dela foi observado que a utilização
de modelos preditivos baseados em algoritmos de aprendizado de máquina se caracteriza
como uma forma de auxiliar na identificação de empresas sonegadoras de impostos. Desta
forma, o objetivo com este trabalho é desenvolver uma solução baseada em modelos de
aprendizagem de máquina com foco na predição de valores de impostos estaduais, ou seja,
para fazer a predição de quanto as empresas deveriam pagar de impostos estaduais para
com base nisso melhorar a fiscalização. Neste estudo foram desenvolvidos dois modelos,
direcionados na predição dos valores sonegados, através de bases de dados com e sem
a identificação das empresas. Para isso, foram avaliados três algoritmos: Extra Trees,
Gradient Boosting e Random Forest. Para o treinamento dos modelos foram utilizados
alguns dados, entre eles: receitas com vendas de bens ou serviços, custo dos bens ou serviços
vendidos, despesas e receitas operacionais, resultado financeiro e a distribuição do valor
adicionado. Ao avaliar o desempenho desses algoritmos, foi observado através das métricas
de desempenho que os modelos desenvolvidos a partir do algoritmo Extra Trees obtiveram
os melhores resultados, alcançando um valor máximo no coeficiente de determinação R2
que conseguiu explicar (86,8%) da variância dos dados. Por fim, visando demonstrar como
os modelos propostos poderiam ser utilizados na prática pelos agentes fiscais de tributos,
uma aplicação Web foi desenvolvida. Com a realização deste trabalho espera-se contribuir
com um aperfeiçoamento na forma de identificar empresas fraudulentas, descobrindo os
bons candidatos à fiscalização para que assim possa tornar a tarefa dos auditores mais
efetiva. Auxiliar o governo e contribuir para um processo de tomada de decisão, visando
reduzir os casos de sonegação fiscal e a arrecadação dos impostos devidos, para que assim
se possa ter mais serviços públicos de boa qualidade.