ESTRATÉGIAS PARA COMBATER A SONEGAÇÃO FISCAL: UM MODELO PARA O ICMS BASEADO EM REDES NEURAIS ARTIFICIAIS

  • Francisco Nobre de Oliveira Auditor Fiscal da Secretaria da Fazenda do Estado da Bahia Mestre em Ciências Contábeis pela Universidade Federal da Bahia (PPGCont/UFBA) https://orcid.org/0000-0003-4909-4733
  • Luis Paulo Guimarães dos Santos Professor do Programa de Pós-graduação em Contabilidade (PPGCont/UFBA) Doutor em Contabilidade pela Universidade de São Paulo https://orcid.org/0000-0001-9986-8237
Palavras-chave: Sonegação Fiscal, ICMS, Redes Neurais Artificiais

Resumo

A pesquisa teve como objetivo desenvolver um Sistema de Identificação de Risco de Contribuintes baseado em Redes Neurais para auxiliar a Administração Tributária Estadual na identificação de contribuintes mais propensos a assumir a condição de sonegadores do ICMS. Para tanto, foi desenvolvida uma rede neural artificial, denominada Sistema de Identificação de Risco de Contribuintes – SIRC, baseada num modelo perceptron de múltiplas camadas, do tipo alimentada adiante (feedforward), completamente conectada, composta por duas camadas ocultas e treinada com o algoritmo de retropropagação de erro (Backpropagation Error). A construção e operacionalização da SIRC deu-se a partir de informações extraídas dos bancos de dados da Secretaria da Fazenda do Estado da BAHIA (SEFAZ-BA), alimentados por informações prestadas pelos contribuintes, em uma amostra de 74.447 eventos. Na fase de treinamento, a Rede apresentou um índice de acerto de 71% na classificação dos contribuintes passíveis de autuação (ou não). Em relação aos contribuintes que foram autuados, a performance foi 94%. Estes percentuais atestam a eficácia do modelo como instrumento de apoio a decisões de fiscalização no âmbito da Administração Tributária Estadual.

Downloads

Não há dados estatísticos.

Referências

ABDIXHIKU, L.; KRASNIQI, B; PUGH, G. Firm-level determinants of tax evasion in transition economies. Economic Systems .Volume 41, Issue 3, September 2017, Pages 354-366. https://doi.org/10.1016/j.ecosys.2016.12.004

BARRETO, A. S. Previsão de comportamento e classificação de contribuintes tributários: uma abordagem por modelos lineares generalizados hierárquicos. 2005. 262 p. Tese (Doutorado em Engenharia da Produção) – Programa de Engenharia da Produção, Universidade Federal de Santa Catarina, Florianópolis, 2005.

BATRANCEA, L. et al. Trust and power as determinants of tax compliance across 44 nations, Journal of Economic Psychology, Volume 74, October, 2019.

BARRETO, J. M. Introdução `as Redes Neurais Artificiais. Laboratório de Conexionismo e Ciências Cognitivas UFSC -Departamento de Informática e de Estatística.2002 57 f.

BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDEMIR, T. B. Redes neurais artificiais: teoria e aplicações. 2. ed. Rio de Janeiro, Editora LTC, 2007.

BUEHN, A.; SCHNEIDER, F. Size and Development of Tax Evasion in 38 OECD Coutries: What do we (not) know?. Journal of Economics and Political Economy, [S.l.], v. 3, n. 1, p. 1-11, mar. 2016. ISSN 2148-8347. Available at: <http://www.kspjournals.org/index.php/JEPE/article/view/634>. Date accessed: 29 May. 2019. doi:http://dx.doi.org/10.1453/jepe.v3i1.634.

CÉLIMÈNE, F.; DUFRÉNOT, G.; MOPHOU, G.; N'GUÉRÉKATA, G. Tax evasion, tax corruption and stochastic growth. Economic Modelling. Vol. 52, Part A, 2016, p. 251-258, doi.org/10.1016/j.econmod.2014.10.055.

DAYDAY, A.; ZAAM, H. The Determinants of Tax Avoidance within Corporate Groups: Evidence from Moroccan Groups. International Journal of Economics, Finance and Management Sciences. Vol. 5, No. 1, 2017, pp. 57-65. doi: 10.11648/j.ijefm.20170501.15

DION, M. et al. The Determinants of Tax Evasion: A Cross-Country Study. Financial Crimes: Psychological, Technological, and Ethical Issues, pp 33-57, June, 2016

FREEMAN, J. A.; SKAPURA, D. M. Neural networks: algorithms, applications, and programming techniques. Addison-Wesley, Reading, MA, 1991.

FREEMAN, J.A.; SKAPURA, D. M.. Neural Networks: Algorithms, applications and programming techniques. Addison-Wesley Publish Company, 1991.

GONZÁLEZ, P. C.; VELÁSQUEZ, J. D. Characterization and detection of taxpayers with false invoices using data mining techniques. Expert Systems with Applications. Vol. 40, Issue 5, 2013, p. 1427-1436, doi.org/10.1016/j.eswa.2012.08.051.

HAYKIN, S.; ENGEL, P. M. (Trad.) Redes neurais: princípios e prática. 2 ed. Porto Alegre: Bookman, 2001.

HÖGLUND, H. Tax payment default prediction using genetic algorithm-based variable selection. Expert Systems with Applications, Vol. 88, 2017, Pages 368-375, doi.org/10.1016/j.eswa.2017.07.027.

JACKSON, B. R.; MILLIRON, V. C. (1986). Tax compliance research: Findings, problems and prospects. Journal of Accounting Literature, 5, 125–165, 1986.

KHLIF, H.; ACHEK, I. The determinants of tax evasion: a literature review. International Journal of Law and Management, Vol. 57 No. 5, pp. 486-497, 2015. doi.org/10.1108/IJLMA-03-2014-0027

LUDWIG JR., O.; MONTGOMERY, E. Redes neurais: fundamentos e aplicações com programas em C. 1. ed. Rio de Janeiro: Ciência Moderna, 2007.

MACHO-STADLER, I.; PEREZ-CASTRILLO, J. D. Auditing with Signals. Economica. v. 69, p-20. Fev. 2002

McCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, Vol. 5, p. 115-133, 1943.

PAULA JUNIOR, G. G; SILVEIRA, M. R. M.; NETO, F. R. Uma rede neural artificial de múltiplas camadas aplicada ao combate à sonegação fiscal de ICMS. In: XXXVI – SBPO, Anais, São João Del-Rei, Minas Gerais, 2004. p. 2030-2041. Disponível em: http://www.din.uem.br/sbpo/sbpo2004/pdf/arq0032.pdf. Acesso em 2 de julho de 2020.

PÉREZ, L, C.; DELGADO R. M.; LUCAS, S. S. Tax Fraud Detection through Neural Networks: An Application Using a Sample of Personal Income Taxpayers. Future Internet. 11(4), 86, 2019. doi:10.3390/fi11040086.

PRIETO, A.; PRIETO, B.; ORTIGOSA, E. M.; ROS, E.; PELAYO, F.; ORTEGA, J.; ROJAS, I. Neural networks: An overview of early research, current frameworks and new challenges. Neurocomputing, 214, 242–268. 2016, doi:10.1016/j.neucom.2016.06.014

RAHIMIKIA, E.; MOHAMMADI, S.; RAHMANI, T.; GHAZANFARI, M. Detecting corporate tax evasion using a hybrid intelligent system: A case study of Iran. International Journal of Accounting Information Systems, 25, p. 1–17, 2017, doi:10.1016/j.accinf.2016.12.002.

RIAHI-BELKAOUI, A. Relationship between tax compliance internationally and selected determinants of tax morale. Journal of International Accounting, Auditing and Taxation, Vol. 13, 2004. p. 135-143, doi.org/10.1016/j.intaccaudtax.2004.09.001.

RICHARDSON, G. Determinants of tax evasion: A cross-country investigation. Journal of International Accounting, Auditing and Taxation, Vol. 15, Issue 2, 2006. p. 150-169, ISSN 1061-9518, doi.org/10.1016/j.intaccaudtax.2006.08.005.

SANTOS, J. C. G. Evasão e fraude fiscais: uma perspectiva económica do fenómeno. Revista Prospectiva e Planeamento 2-1996. Colóquio Fraude e Evasões Fiscais. Lisboa. 1997

SIQUEIRA, M. L.; RAMOS, F. S. A Economia da sonegação: teoria e evidências empíricas. Revista Economia Contemporânea. Rio de Janeiro, v. 9, n. 3, p. 555-581. set./dez, 2005.

SISNANDO, S. R. A.; FREITAS, M. A. de S. Previsão e avaliação do desempenho dos contribuintes do ICMS do estado do Ceará utilizando as redes neurais artificiais. Revista Econômica do Nordeste, Fortaleza, v. 37, n. 1, jan-mar. 2006.

VISINTÍN, V. V.; BAULIES, C. C. Inteligencia fiscal através de perfiles de riesgo integrados para la selección de contribuyentes p. 1. In: XV CONCURSO MONOGRAFÍAS – CIAT, 2002.

WANG, X.; LIN, X.; DANG, X. Supervised learning in spiking neural networks: A review of algorithms and evaluations. Neural Networks, v. 125, 2020. p. 258-280, doi.org/10.1016/j.neunet.2020.02.011.

Publicado
2021-02-27
Métricas
  • Visualizações do Artigo 139
  • PDF downloads: 116
Seção
ARTIGOS