Modelos de machine learning para previsão de arrecadação de ICMS em Minas Gerais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCajueiro, Daniel Oliveira-
Autor(es): dc.creatorMurta, João Vitor Roque-
Data de aceite: dc.date.accessioned2025-03-18T19:02:41Z-
Data de disponibilização: dc.date.available2025-03-18T19:02:41Z-
Data de envio: dc.date.issued2024-11-12-
Data de envio: dc.date.issued2024-11-12-
Data de envio: dc.date.issued2024-11-12-
Data de envio: dc.date.issued2024-02-01-
Fonte completa do material: dc.identifierhttp://repositorio.unb.br/handle/10482/50888-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/960562-
Descrição: dc.descriptionDissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Economia, Programa de Pós-Graduação em Economia, 2024.-
Descrição: dc.descriptionEsta dissertação avalia a capacidade de modelos de machine learning na previsão da arrecadação do Imposto sobre Circulação de Mercadorias e Serviços (ICMS) em Minas Gerais, empregando uma diversidade de abordagens como LASSO, Ridge, Random Forest, Redes Neurais LSTM. A análise foi conduzida em dois períodos distintos: de Janeiro de 2019 a Dezembro de 2019 e de Setembro de 2022 a Agosto de 2023, permitindo uma avaliação abrangente diante de contextos econômicos variados. Os resultados indicam que o modelo LSTM obteve melhor desempenho no primeiro período analisado, enquanto o LASSO mostrou maior eficiência no segundo período, ressaltando a importância da seleção apropriada de modelos em resposta a diferentes cenários econômicos. Este trabalho contribui para o entendimento de como ferramentas avançadas de previsão podem auxiliar na gestão fiscal, enfatizando a necessidade de adaptação e inovação contínua em métodos de previsão tributária.-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq).-
Descrição: dc.descriptionThis dissertation assesses the performance of machine learning models in forecasting ICMS tax revenue in Minas Gerais state, utilizing a range of approaches including LASSO, Ridge, Random Forest, and LSTM Neural Networks. The analysis was carried out over two distinct periods: from January 2019 to December 2019 and from August 2022 to September 2023, providing a comprehensive evaluation against varied economic backdrops. The findings indicate that the LSTM model excelled in the first period studied, while LASSO proved to be more efficient in the second period, underscoring the significance of selecting appropriate models in response to different economic scenarios. This work contributes to the understanding of how advanced forecasting tools can aid in fiscal management, highlighting the necessity for continuous adaptation and innovation in tax forecasting methodologies.-
Descrição: dc.descriptionFaculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)-
Descrição: dc.descriptionDepartamento de Economia (FACE ECO)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Economia-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectMinas Gerais (MG)-
Palavras-chave: dc.subjectImposto sobre circulação de mercadorias e serviços-
Título: dc.titleModelos de machine learning para previsão de arrecadação de ICMS em Minas Gerais-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB - Rep. 1

Não existem arquivos associados a este item.