@MASTERSTHESIS{ 2024:524499506,
 	title = {Modelo de aprendizagem de máquina segmentado para previsão analítica de arrecadação fiscal baseada em informações de notas fiscais eletrônicas},
 	year = {2024},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/5484",
 	abstract = "No Brasil, o Imposto sobre Operações relativas à Circulação de Mercadorias e sobre 
 Prestações de Serviços de Transporte Interestadual e Intermunicipal e de Comunicação, 
 conhecido pela sigla ICMS, tem alta representatividade na receita dos entes 
 subnacionais, cerca de 90%. Por ser um imposto sobre o consumo, seu valor está 
 diretamente relacionado à atividade econômica, cujas informações são registradas em 
 notas fiscais eletrônicas emitidas pelos contribuintes e recebidas pelos órgãos 
 fiscalizadores de cada estado. Este trabalho propõe um modelo de aprendizagem para 
 prever a arrecadação de ICMS por meio de um conjunto de dados derivados de 
 informações fiscais em notas fiscais eletrônicas. O modelo de aprendizagem usa uma 
 abordagem segmentada que começa com a divisão dos conjuntos de dados de 
 treinamento e validação em diversos subconjuntos menores de acordo com um 
 determinado parâmetro de segmentação. Depois disso, o modelo ajusta vários 
 algoritmos para cada subconjunto dividido (segmento). Finalmente, o modelo seleciona 
 o algoritmo de aprendizado de máquina adequado (instância de aprendizagem) que 
 produz o melhor resultado preditivo em cada segmento. Essas instâncias de 
 aprendizagem selecionadas compõem um conjunto de instâncias híbridas para prever 
 os registros de um conjunto de dados de teste. Ao se comparar os resultados da 
 abordagem tradicional sem segmentação das bases de treinamento e validação com os 
 do modelo proposto, obteve-se uma melhora na métrica utilizada de 29,52% e 18,4% 
 para os anos de 2021 e 2022, respectivamente. E ao se comparar com os resultados do 
 modelo atual do órgão tributário que apoiou esta pesquisa, o modelo proposto melhorou 
 a métrica utilizada em 60,34% e 51,9 % para os anos de 2021 e 2022, respetivamente. 
 A melhora na métrica de assertividade utilizada sugere que o modelo proposto é 
 promissor no fornecimento de informações para apoiar a tomada de decisões na gestão 
 pública. Além disso, o modelo pode auxiliar em soluções para combater a evasão fiscal, 
 analisar impactos resultantes de mudanças no sistema tributário e enfrentar outros 
 desafios relacionados.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}