Previsão da receita tributária federal por base de incidência

Abstract

O presente trabalho tem por objetivo aperfeiçoar a utilização de modelos de séries temporais para a previsão da arrecadação total das Receitas Federais, destacando para tal fim o emprego da modelagem multivariada, VAR, e a combinação de previsões. Atualmente, a Receita Federal do Brasil (RFB) emprega, na realização de suas previsões, o chamado Método dos Indicadores, o qual faz uso de procedimentos puramente aritméticos. Trabalhos anteriores têm demonstrado a superioridade, em termos de acurácia preditiva, dos modelos derivados da metodologia de séries temporais univariadas, notadamente a ARIMA, em relação ao método oficial da RFB. Sendo assim, optou-se, neste trabalho, em adotar as previsões da modelagem oficial como benchmark, em relação às quais serão avaliadas as previsões advindas da modelagem univariada, ARIMA, e multivariada, VAR, ou multivariada com correção de erro, VEC. Para efeitos de comparação, também foram realizadas combinações das modelagens uni e multivariadas. Foi ainda considerada a inclusão, nos sistemas VAR/VEC, de duas variáveis antecedentes do PIB: Selic, para um semestre à frente, e IBrX-100, para um trimestre à frente. Além da própria série de arrecadação federal, também foram modeladas cinco agregações de tributos, classificados de acordo com a base de incidência. A soma das previsões para cada uma dessas agregações originou uma nova fonte de previsão para o recolhimento total. Ademais, foram estimadas as funções impulso-resposta de cada grupo de incidência, a fim de avaliar a reação do volume de arrecadação a um choque na atividade econômica. As previsões foram efetuadas para 2010, e avaliadas segundo o critério RMSE, raiz do erro médio quadrático de previsão. Os resultados encontrados apontaram a modelagem VAR/VEC como a mais eficiente, em termos de acurácia preditiva, para a maioria dos grupos, aí incluídos os Tributos sobre a Renda, Tributos sobre a Folha de Salários (arrecadação previdenciária), Tributos sobre Transações Financeiras, Outros Tributos e Total das Receitas. Já para os Tributos sobre Bens e Serviços, a combinação das metodologias ARIMA e VAR/VEC mostrou os menores erros de previsão. Enfim, para o Total das Receitas, a modelagem multivariada gerou uma redução de 44% na RMSE e de 89% no erro de previsão anual, em relação ao Método dos Indicadores. _______________________________________________________________________________________ ABSTRACT

This work aims to improve the use of time series models to forecast the total collection of Federal Revenue, highlighting for this purpose the use of multivariate modeling, VAR, and the combination of forecasts. Currently, the Internal Revenue Service of Brazil (RFB) employs in making their predictions the Method of Indicators, which makes use of purely arithmetical procedures. Previous works have already shown the superiority ,in terms of predictive accuracy, of the models derived from the methodology of univariate time series ARIMA, notably in relation to the official method of RFB. Therefore, this work choose to adopt the official forecasts as a benchmark, for which shall be evaluated predictions arising from univariate ARIMA and multivariate VAR modeling, or multivariate error correction, VEC. For the purpose of comparison were also performed combinations of uni and multivariate modeling. It was also considered for inclusion in the VAR/ VEC systems, two antecedent variables of GDP: Selic, to a semester ahead, and IBrX-100, for a quarter ahead. Besides the own series of total federal revenues, five aggregates of taxes were also modeled, classified according to their base of incidence. The sum of the forecasts for each of these aggregations originated a new source of forecast for the full collection. Moreover, it was estimated the impulse-response function of each group of incidence, in order to evaluate the reaction of the storage volume to a shock on economic activity. The forecasts were made for 2010, and evaluated according to the RMSE criteria, root mean square error of prediction. The results indicated VAR / VEC models as the most efficient in terms of predictive accuracy, for most groups, including therein Income Taxes, Taxes on Payroll (Social Security revenue) Taxes on Financial Transactions, Other Taxes and Total Revenue. As for the Taxes on Goods and Services, the combination of methodologies ARIMA and VAR / VEC showed the lowest prediction errors. Anyway, for the Total Income, the multivariate modeling generated a 44% reduction in RMSE and 89% in the annual forecast error in relation to the Method of Indicators.