Previsão de receitas tributárias mediante redes neurais artificiais

• Ano de defesa: 2010
• Autor(a) principal: Bastos, Francisco de Assis Amaral
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual do Ceará
• Palavras-chave em Português: Algoritmos genéticos; Computação aplicada; Redes neurais
• Link de acesso: https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=68050

<span style="font-style: normal; font-weight: normal;">Recentemente, a Universidade Estadual do Ceará (UECE), através do Laboratório de Otimização e Gestão Industrial (LOGIN), do Curso de Ciência da Computação, desenvolveu para a Secretaria da Fazenda do Estado do Ceará (SEFAZ-CE) um sistema de otimização de fluxo de caixa, em função dos valores previstos de entradas (receitas) e saídas (despesas) e das diversas modalidades existentes (permitidas) para aplicação financeira dos recursos disponíveis. Na ausência de um modelo científico para previsão dessas receitas buscou-se, neste trabalho, a determinação desse modelo, baseado em Redes Neurais Artificiais (Artificial Neural Network-ANN). Foi utilizada a arrecadação do ICMS (Imposto Sobre Circulação de Mercadorias) no período de 1994 a 2009, fornecida pela SEFAZ-CE. Os dados foram separados em dois grupos, um, de 1994 a 2008, como conjunto de aprendizagem, e outro, 2009, para previsão a partir da rede neural. O grupo de aprendizagem foi dividido em períodos (múltiplos de 12 meses) imediatamente anteriores ao período de previsão, com o objetivo avaliar a influência da "proximidade" dos dados utilizados na determinação da rede com o período de previsão. A qualidade da previsão foi avaliada pelo Erro Absoluto Percentual Médio (EAPM). Foram utilizadas as arquiteturas MLP e de ELMAN. Para determinação da melhor configuração das redes (nós na camada de entrada e intermediária e taxa de aprendizagem) foi implementado um Algoritmo Genético (GA-</span><em>Genetic Algorithm</em>), utilizando-se o <em>frame-work</em> EasyMeta, interfaceado com o <em>frame-work</em> Joone, para treinamento dos dados. O GA utilizou como função <em>fitness </em>a raiz quadrada do erro quadrático médio (Root Mean-square Error-RMSE), resultante da fase de validação da rede neural. Ambas as redes, MLP e ELMAN, apresentaram resultados satisfatórios na previsão do ICMS, com EAPM de 8,0% e 8,9%, respectivamente, para um horizonte de 12 meses e 3,6% e 5,1% para um horizonte de 7 meses. Para as previsões atualizadas, a partir dos valores realizados dos meses anteriores, a rede MLP apresentou melhoria significativa, com o EAPM caindo para 5,5% no horizonte de 12 meses, o mesmo não acontecendo para a rede de ELMAN, que praticamente manteve o erro anterior. Palavras-chave: Previsão, Séries Temporais, Redes Neurais, Algoritmos Genéticos.