Resumo: Propósito do Trabalho: O ICMS é a principal fonte de tributos dos Estados da Federação, de modo que a sua previsão de arrecadação é um fator importante para a gestão financeira desses entes. Tal importância é reforçada pela Lei de Responsabilidade Fiscal, visto a relevância do tema. Porém, os Estados não têm obtido grande acurácia em suas estimativas de arrecadação do imposto, uma vez que, em determinados períodos, a subestimação das receitas ficou entre 10% e 30% do valor efetivamente arrecadado. Dessa forma, há pouco mais de uma década, estudos vem abordando essa temática, de modo a melhorar essa previsão utilizando os modelos de séries temporais, embora não apresentem o ganho de eficiência desses modelos.
Dessa forma, considerando a importância da correta previsão das receitas orçamentárias, o presente trabalho apresenta o seguinte problema de pesquisa: a metodologia de previsão com modelos de séries temporais aumenta a acurácia das estimativas de receita de ICMS dos Estados? Ao responder o problema de pesquisa o trabalha apresenta como objetivo estimar modelos de previsão de série temporal utilizando a metodologia ARIMA e comparar as estimativas com os valores efetivamente previstos pelos Estados, avaliando assim se os modelos de séries temporais apresentam maior acurácia na previsão de receitas. Adicionalmente, a pesquisa se propõe a analisar criticamente a relevância de modelos ideais (propostos) dos trabalhos sobre séries temporais para as receitas tributárias no país.
Base da plataforma teórica: ICMS
O Imposto sobre Circulação de Mercadorias e Serviços de transporte intermunicipal e interestadual e de comunicações (ICMS) é um imposto de competência Estadual criado pela Constituição Federal de 1988, em seu artigo 155, inciso II. Além disso, a Lei Complementar 87 de 1996 (BRASIL, 1996), conhecida como Lei Kandir, também traz normativas sobre o ICMS, as quais não foram especificadas na Constituição.
Assim, o ICMS é cobrado em todos as saídas de estabelecimentos comerciais e industriais, sendo que sua base de cálculo é o valor agregado por tal estabelecimento. Além disso, a Constituição de 1988 também ampliou a base de incidência do ICMS, incorporando a produção de petróleo e derivados, serviços de telecomunicações, energia elétrica e serviços de transporte interestadual, os quais possuíam regime próprio de tributação (REZENDE, 2009).
Apesar de ter sido criada em âmbito nacional pela Constituição Federal, a competência Estadual do ICMS faz com que cada um dos 27 Estados tenham suas regras, tornando sua legislação extensa e complexa. Além disso, essa metodologia de cálculo e arrecadação gera a chamada "guerra fiscal" entre os Estados, uma vez que ocorrem disputas entre os próprios Estados para oferecerem incentivos, visando a instalação de empresas em suas jurisdições. Porém, apesar do Estado que concede benefícios ganhar mais empregos e arrecadação, na verdade o país acaba perdendo, uma vez que haverá desperdício de recursos (VARSANO, 1997).
SÉRIES TEMPORAIS
A metodologia da análise de séries temporais financeiras apresenta com o objetivo a previsão de valores futuros, com base em métodos quantitativos. Os modelos de previsão evoluíram com o passar dos anos, passando de simples técnicas de regressão aos modelos não-lineares e com uso de inteligência artificial (GOOIJER; HYNDMAN, 2006).
A ferramenta de estudo para a previsão de séries de tempo com modelos paramétricos ARIMA, consolidados por Box e Jenkins (1976) apresentam o arcabouço para a construção dos modelos de previsão.
Para a utilização dessa metodologia de previsão é necessário que a série seja estacionária, caso contrário deve-se optar pela diferenciação da série, até que esse pressuposto seja atendido (WOOLDRIDGE, 2010).
Os modelos da família ARCH (Autoregressive Conditional Heteroscedasticity) apresentados em Engle (1982) para a modelagem de séries de inflação, tem a proposta de tratar a média da variância da série de tempo analisada, ou seja, modelar a variância condicional da amostra.
Os estudos de ARCH representaram um avanço para os modelos de previsão. Antes desses modelos a principal ferramenta de estudo para a previsão de séries de tempo eram os modelos paramétricos ARIMA, consolidados por Box e Jenkins (1976). Possibilitando assim a estimação dos modelos pela metodologia ARIMA-ARCH.
O conceito do modelo é de que não existe correlação entre os retornos da série, mas que a volatilidade apresenta memória ao longo da amostra, sendo possível a sua modelagem com a utilização de uma função quadrática (WOOLDRIDGE, 2010).
Método de investigação: Para a construção dos modelos foi utilizada a metodologia ARIMA. As previsões foram elaboradas com os dados de 1995 a 2011, com previsões para os anos de 2012 e 2013 pela metodologia de previsão estética. Para garantir a validade dos modelos utilizados foram realizados testes estatísticos de acordo com Wooldridge (2010).
Os modelos foram elaborados por meio das séries diferenciadas, pois as arrecadações de ICMS dos Estados observados não apresentam comportamento estacionário, como demonstrado pelos correlogramas das séries de arrecadação de ICMS dos Estados.
Os modelos foram elaborados por meio das séries diferenciadas de arrecadação de ICMS pelos Estados.
Para cada uma das séries foram observados os correlogramas das séries e dos resíduos, testes de raiz unitária, teste de independência, análise dos resíduos ao quadrado dos modelos e teste de heterocedasticidade.
A seleção dos modelos seguiu os critérios de Arkaike e Shwarz, como apresentado por Gooijer e Hyndman (2006). Esses critérios são amplamente utilizados na metodologia de séries temporais. Após esses testes, foram calculadas as estatísticas de erro dos modelos.
As estatísticas de erro foram calculadas de acordo com Gooijer & Hyndman (2006), que fizeram um estudo levantando as principais medidas de acurácia dos modelos de previsão de séries temporais.
Dentro da pesquisa os autores encontraram diversos tipos de métodos para verificar a qualidade do modelo, sendo que três com maior frequência e se mostraram mais eficientes para o objetivo proposto: MAPE (Mean Absolute Percentage Error); RMSE (Root Mean Square Error) e TIC (Coeficiente de desigualdade de Theil Inequality Coeficient)
Por fim, como o objetivo do trabalho é a comparação entre previsões de arrecadação de ICMS realizadas pelos modelos de séries temporais comparada com as projeções realizadas pelos Estados, utiliza-se uma medida de acurácia das estimativas de ambos os métodos.
Resultados, conclusões e suas implicações: Os resultados indicam que em média, as projeções realizadas pelos Estados são 11,3% menores do que os valores arrecadados em 2012 e 11,6% menores do que os valores arrecadados em 2013. As projeções realizadas pelos modelos de séries temporais foram em média 0,9% maiores em 2012 e 2,2% menor em 2013, quando comparadas com os valores reais. Assim, fica evidente a maior acurácia das previsões realizadas pela previsão por meio dos modelos ARIMA. Ainda assim, é importante destacar que o Estado de São Paulo obteve estimativas bem próximas do realizado, nos anos de 2012 e 2013, ainda que com menor acurácia do que as previsões dos modelos de séries temporais.
Como indicado pelas estatísticas de erro dos modelos, as projeções realizadas pelos Estados de São Paulo, Minas Gerais, Rio de Janeiro e Rio Grande do Sul apresentaram projeções mais próximas dos valores reais.
Para os estados do Paraná e da Bahia as projeções para os anos de 2013 foram as que apresentaram maior descolamento com os dados reais. A menor acurácia das previsões pode ser explicada pelo comportamento das séries de arrecadação de ICMS desses Estados, pois de acordo com Buscariolli e Emerick (2011), os modelos de séries temporais apresentam dificuldade em refletir alterações no padrão das séries. Ainda assim, destaca-se que em todos os casos analisados as projeções realizadas pelos modelos ARIMA foram mais acuradas do que as projeções realizadas pelos Estados.
Quando comparado com os estudos realizados para o caso brasileiro para a previsão de ICMS dos Estados, (SANTOS; LIMA; MÁRCIA, 2006; PESSOA; CORONEL; LIMA, 2013; MARQUES; UCHÔA, 2006;LIEBEL; FOGLIATTO, 2005; DUARTE; SOUZA; GIRÃO, 2014; SCHEFFER; SOUZA; ZANINI, 2014), os resultados encontrados nesse trabalho não apresentam um modelo ideal de previsão de receita de ICMS para cada um dos Estados da amostra, mas sim indicam que a utilização da metodologia de séries temporais pode ser utilizada pelos Estados brasileiros para aumentar a acurácia da previsão de ICMS. Uma vez que, com o aumento da série de previsão ao longo do tempo e com mudanças econômicas seria necessário alterar o modelo ideal proposto.
Deste modo, considerando a maior acurácia das previsões realizadas pelos modelos de séries temporais, mesmo não desconsiderando as dificuldades em se utilizar a ferramenta se séries temporais para a estimação das receitas, sugere-se aos gestores a implantação dessa metodologia para futuras previsões de receita de ICMS dos Estados, aumentando assim a previsibilidade da receita futura e permitindo uma maior segurança ao gestor público na tomada de decisão.
Os resultados sugerem que a adoção da metodologia de previsão ARIMA poderia ser utilizada pelos Estados para aumentar a previsibilidade da arrecadação de ICMS, ainda que as críticas apresentadas sobre a utilização dessa metodologia para a previsão de receitas devam ser consideradas.
Deste modo, sugere-se aos Estados a capacitação de profissionais para desenvolver essa metodologia, uma vez que os softwares de estimação de séries requerem um treinamento especializado, e adiciona-la aos já existentes mecanismos de previsão de arrecadação de receita.
Como sugestão para futuras pesquisas, apresenta-se a possibilidade de utilização de outras metodologias de previsão de séries temporais para a previsão de receitas, com o objetivo de verificar se elas aumentam a acurácia de previsão. Ainda assim, destaca-se a possibilidade de ampliação da amostra do estudo, contemplando os demais Estados da federação, assim como outras fontes de receita tributária.
Referências bibliográficas: BOX, G. E. P.; JENKINS, G. M. Time Series Analysis: Forecasting and Control. São Francisco: Holden-Day, 1976.
BRASIL. Lei Complementar n. 87, de 13 de setembro de 1996. Disponível em: . Acesso em: 8 jan. 2015.
BRASIL. Lei Complementar n. 101, de 4 de maio de 2000. Disponível em: . Acesso em: 18 maio. 2014.
BUSCARIOLLI, B.; EMERICK, J. Econometria com Eviews - guia essencial de conceitos e aplicações. São Paulo: Ed. Saint Paul, 2011. p. 158
CLEMENTE, A.; CLEMENTE, L. T. Aplicação da metodologia Box-Jenkins para previsão do ICMS do estado do Paraná de agosto de 2011 a julho de 2012. Economia & Tecnologia, v. 27, p. 47 à 58, 2011.
DUARTE, F. C. DE L.; SOUZA, M. F. DE; GIRÃO, L. F. DE A. P. Previsão da Arrecadação do ICMS: uso do modelo Holt-Winters Aditivo na Paraíba. XI Congresso de Iniciação Científica USP, 2014.
ENGLE, R. F. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econométrica, v. 50, n. 4, p. 987 à 1007, 1982.
GOOIJER, J. G. DE; HYNDMAN, R. J. 25 Years of Time Series Forecasting. International Journal of Forecasting, v. 22, n. 3, p. 443 à 473, jan. 2006.
IBTP. Instituto Brasileiro de Planejamento e Tributação. Disponível em: .
LIEBEL, M. J.; FOGLIATTO, F. S. Método para previsão de receita tributária XXV Encontro Nacional de Engenharia de Produção. Anais...Porto Alegre: 2005
MARQUES, C. A. G.; UCHÔA, C. F. A. Estimação e previsão do ICMS na Bahia. Desenbahia, v. 3, n. 5, p. 195 à 211, 2006.
MORETTIN, P. A.; TOLOI, C. M. Análise de Series Temporais. São Paulo: Edgar Blucher Ltda, 2004. p. 535
PESSOA, F. DE M. C.; CORONEL, D. A.; LIMA, J. E. DE. Previsão de arrecadação de ICMS para o estado de Minas Gerais: uma comparação entre modelos ARIMA e ARFIMA. Revista Brasileira de Gestão e Desenvolvimento Regional, v. 9, n. 2, p. 47 à 64, 2013.
REZENDE, F. O ICMS: Como era, o que mudou ao longo do tempo, perspectivas e novas mudanças. Cadernos Fórum Fiscal, v. 10, p. 1 à 50, 2009.
RUBIN, I. S. The Politcs of Pulic Budgeting. 6th. ed. Washington: Ed. CQPress, 2010. p. 330
SANTOS, C. M. DOS; LIMA, J. E. DE; MÁRCIA, C. Análise de previsões da arrecadação do ICMS no Estado de Minas Gerais. Revista de Economia e Administração, v. 5, n. 4, p. 413 à 423, 2006.
SCHEFFER, D.; SOUZA, A. M.; ZANINI, R. R. Utilização de modelos ARIMA para previsão da arrecadação de ICMS do Estado do Rio Grande do Sul XVII Simpósio de Pesquisa Operacional e Logística da Marinha - SPOLM. Anais...São Paulo: 2014
STN. Manual de receita nacional. Brasília: Diário Oficial [da] República Federativa do Brasil, 2008. p. 330
USP. Orçamento da USP para 2014. Disponível em: . Acesso em: 12 dez. 2014.
VARSANO, R. A guerra fiscal do ICMS: quem ganha e quem perde. In: Texto para discussão no 500 - Planejamento e Políticas Públicas. Rio de Janeiro: IPEA, 1997. p. 18.
WOOLDRIDGE, J. M. Econometric Analisys of Cross Section and Panel Data. 2nd. ed. Cambridge: The MIT Press, 2010.
WORLDBANK. PEFA - Public Expenditure and Financial Accountability. Disponível em: . Acesso em: 29 maio. 2014.
|