[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-125074-pt":3,"doc-seo-125074-112":31,"detail-sidebar-cat-0-pt-112":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},125074,2336474466412,"Ezra","https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d",32,"Pesquisa e Relatórios","Modelos de Machine Learning para Previsão de Arrecadação de ICMS em Minas Gerais","Esta 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. O estudo compara abordagens como LASSO, Ridge, Random Forest e Redes Neurais LSTM em dois períodos distintos (jan/2019–dez/2019 e set/2022–ago/2023), buscando desempenho sob contextos econômicos variados. Os resultados mostram que o LSTM é mais eficaz no primeiro período, enquanto o LASSO melhora no segundo, destacando a importância da seleção do modelo conforme o cenário. A pesquisa contribui para a gestão fiscal ao apoiar decisões baseadas em previsão tributária com adaptação contínua.","João Vitor Murta  \nModelos de Machine Learning para Previsão de Arrecadação de ICMS em Minas Gerais  \nBrasília  \nJoão Vitor Murta  \nModelos de Machine Learning para Previsão de Arrecadação de ICMS em Minas Gerais  \nDissertação apresentada ao Curso de Mestrado Acadêmico em Economia, Universidade de Brasília, como requisito parcial para a obtenção do título de Mestre em Economia  \nUniversidade de Brasília-UnB  \nFaculdade de Administração Contabilidade e Economia-FACE  \nDepartamento de Economia-ECO  \nPrograma de Pós-Graduação  \nOrientador: Prof. Daniel Oliveira Cajueiro, Dr.  \nBrasília  \nResumo  \nEsta dissertação avalia a capacidade de modelos de machine learning na previsão daarrecadação 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, enquantoo LASSO mostrou maior eficiência no segundo período, ressaltando a importância daseleção apropriada de modelos em resposta a diferentes cenários econômicos. Este trabalho contribui para o entendimento de como ferramentas avançadas de previsão podem auxiliarna gestão fiscal, enfatizando a necessidade de adaptação e inovação contínua em métodos de previsão tributária.  \nPalavras-chave: ICMS, Machine Learning, LASSO, Ridge, Random Forest, Redes Neurais, LSTM, Previsão de Arrecadação.  \nAbstract  \nThis 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.  \nKeywords: Revenue Forecasting, ICMS, Machine Learning, LASSO, Ridge, Random Forest, Neural Networks, LSTM.  \nLista de ilustrações  \nFigura 1 – LSTM .................................... 19  \nFigura 2 – ICMS .................................... 22  \nLista de tabelas  \nTabela 1 – MAPE (%) por Modelo e Horizonte de Previsão do Período de Teste entre Jan/2019 a Dez/2019 ......................... 28  \nTabela 2 – MAPE (%) por Modelo e Horizonte de Previsão do Período de Teste entre Ago/2022 a Set/2023 ......................... 29  \nTabela 3 – Resultados do Teste de Diebold-Mariano (Jan/2019 a Dez/2019) .... 30  \nTabela 4 – Resultados do Teste de Diebold-Mariano (Set/2022 a Ago/2023) .... 30  \nSumário  \n1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11  \n2 MODELOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14  \n2.1 ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14  \n2.2 LASSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14  \n2.3 Ridge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15  \n2.4 Random Forest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16  \n2.5 Redes Neurais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17  \n2.6 Redes Neurais Recorrentes . . . . . . . . . . . . . . . . . . . . . . . . 18  \n2.7 LSTM . . . . . . . . . . . . . . . . . . . . . . . . . ","cbCaigluu4R7AJzp","https://ap.wps.com/l/cbCaigluu4R7AJzp","pdf",357579,2,1,35,"Portuguese","pt",112,"# INTRODUÇÃO\n# MODELOS\n## ARIMA\n## LASSO\n## Ridge\n## Random Forest\n## Redes Neurais\n## Redes Neurais Recorrentes\n## LSTM\n# REVISÃO EMPÍRICA\n# DADOS\n# METODOLOGIA\n# RESULTADOS\n# CONCLUSÃO\n# REFERÊNCIAS BIBLIOGRÁFICAS","[{\"question\":\"Quais modelos de machine learning são utilizados para prever a arrecadação de ICMS?\",\"answer\":\"O trabalho compara ARIMA, LASSO, Ridge, Random Forest e redes neurais, incluindo arquiteturas recorrentes e LSTM, para a previsão da arrecadação do ICMS em Minas Gerais.\"},{\"question\":\"Como a análise é organizada em termos de períodos de estudo?\",\"answer\":\"A avaliação ocorre em dois períodos distintos: de janeiro de 2019 a dezembro de 2019 e de setembro de 2022 a agosto de 2023, para testar o comportamento dos modelos sob diferentes contextos econômicos.\"},{\"question\":\"Qual modelo apresentou melhor desempenho em cada período analisado?\",\"answer\":\"No primeiro período (jan/2019–dez/2019), o modelo LSTM obteve melhor desempenho. No segundo período (set/2022–ago/2023), o LASSO mostrou maior eficiência.\"}]","Modelos de Machine Learning para Previsão de Arrecadação de ICMS em Minas Gerais | PDF",1785896486,54,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"machine-learning-models-for-icms-revenue-forecasting-in-minas-gerais","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/pt/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/pt/document/machine-learning-models-for-icms-revenue-forecasting-in-minas-gerais/125074/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-11","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Quais modelos de machine learning são utilizados para prever a arrecadação de ICMS?","Question",{"text":76,"@type":77},"O trabalho compara ARIMA, LASSO, Ridge, Random Forest e redes neurais, incluindo arquiteturas recorrentes e LSTM, para a previsão da arrecadação do ICMS em Minas Gerais.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Como a análise é organizada em termos de períodos de estudo?",{"text":81,"@type":77},"A avaliação ocorre em dois períodos distintos: de janeiro de 2019 a dezembro de 2019 e de setembro de 2022 a agosto de 2023, para testar o comportamento dos modelos sob diferentes contextos econômicos.",{"name":83,"@type":74,"acceptedAnswer":84},"Qual modelo apresentou melhor desempenho em cada período analisado?",{"text":85,"@type":77},"No primeiro período (jan/2019–dez/2019), o modelo LSTM obteve melhor desempenho. No segundo período (set/2022–ago/2023), o LASSO mostrou maior eficiência.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,119,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},26,"Contos e Romances",60,"story-novel",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},46,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},28,"Exames","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},47,"Geral","general",{"id":112,"doc_module":4,"doc_module_name":47,"category_name":113,"show_sort_weight":97,"slug":114},29,"Histórias em Quadrinhos","comic",{"id":116,"doc_module":4,"doc_module_name":47,"category_name":117,"show_sort_weight":97,"slug":118},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":120},"research-report",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},33,"Religião e Espiritualidade","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},31,"Saúde e Cuidados","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},45,"Tecnologia","technology"]