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

Abstract

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, 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.