Uso da Metodologia de Combinação de Previsões para Projeções da Arrecadação de Receitas Brutas Primárias de Tributos Federais (2° Lugar Prêmio do Tesouro /2019)
DOI:
https://doi.org/10.55532/1806-8944.2020.77Resumo
O objetivo deste estudo é analisar os ganhos de acurácia (precisão) ao aplicar a metodologia de combinação de previsão para prever a arrecadação de receitas brutas dos tributos federais (séries endógenas) administrados pela Secretaria da Receita Federal do Brasil (RFB). Os cenários de médio e longo prazo contendo dados de preço e de quantidade de variáveis macroeconômicas são provenientes da grade de parâmetros macroeconômicos produzida pela SPE, sendo essas variáveis consideradas séries exógenas. Os dados realizados (tributos e variáveis macroeconômicas) compreendem o período de janeiro de 2002 a junho de 2019. Já o horizonte de previsão (fora da amostra) a ser utilizado para as projeções de receitas
de tributos federais considera o cenário de médio prazo das mesmas variáveis macroeconômicas constantes na referida grade de parâmetros, mas compreendendo o período de julho de 2019 a dezembro de 2023. Como técnicas de previsão individual, utilizou-se as seguintes abordagens metodológicas: modelos ARIMAX, modelos TBATS, redes neurais e método STLM. Por outro lado, para a combinação das previsões, considerou-se duas formas de combinação: combinação com pesos (média aritmética ponderada pela raiz quadrada do erro quadrático médio - REQM) e combinação sem pesos (média aritmética simples). O critério minimax é utilizado para selecionar os modelos que apresentam a menor REQM. Os resultados obtidos mostram que, dentre os 22 tributos analisados, o critério minimax selecionou 8 tributos segundo a combinação de modelos (com peso e sem peso) por meio da REQM. Em termos de implicações de política, o uso da metodologia de combinação de previsões no caso da arrecadação tributária, considerando-se o horizonte de médio e longo
prazo, é uma estratégia empírica importante para a tomada de decisões dos gestores públicos e dos formuladores políticas.
Referências
ABRAHAM, B.; LEDOLTER, J. Statistical methods for forecasting. New York: John Wiley & Sons, 2005.
ARMSTRONG, J. S. Principles of forecasting: a handbook for researchers and practitioners. Kluwer Academic Publishers, 2001. http://dx.doi.org/10.1007/978-0- 306- 47630-3
ASHLEY, R.; GRANGER, C. W. J.; SCHMALENSEE, R. Advertising and aggregate consumption: an analysis of causality. Econometrica, v. 48, n. 5, p. 1149-1168, 1980. BATES, J. M.; GRANGER, C. W. J. The combination of forecasts. Operations Research Quaterly, v. 20, p. 319-25, 1969.
https://www.tandfonline.com/doi/abs/10.1057/jors.1969.103
BRASIL. Lei Complementar nº 101, de 4 de maio de 2000. Estabelece normas de finanças públicas voltadas para a responsabilidade na gestão fiscal e dá outras providências. Brasília, 2000. Disponível em:< http://www.planalto.gov.br/ccivil_03/leis/lcp/lcp101.htm> Acesso em: 13 junho 2009.
BENELLI, F. C. Previsão da receita tributária federal por base de incidência. 2013. 144f. Dissertação (Mestrado Profissional em Economia do Setor Público), Universidade de Brasília. Brasília, 2013.
BOX, G. E.; TIAO, G. C. Intervention analysis with application to economic and environmental problems. Journal of American Statistic Association, v. 70, p. 70-19, 1975.
BRASIL. Ministério da Fazenda. Secretaria do Tesouro Nacional. Receitas Públicas: manual de procedimentos. Brasília: STN/Coordenação-Geral de Contabilidade, 2007. 233 p.
CAMPOS, C. V. C. Previsão da arrecadação de receitas federais: aplicações de séries temporais para o Estado de São Paulo. Dissertação de Mestrado, Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto da Universidade de São Paulo. Ribeirão Preto, 2009. Disponível em:
<<file:///C:/Users/57293490178/Downloads/CesoVilelaChavesCampos.pdf>> Acesso
em 15 julho 2019.
CAVALIER, R.; RIBEIRO, E. P. Combinação de previsões de volatilidade: um estudo.
Revista EconomiA, v. 12, n. 2, p. 239-261, mai/ago 2011.
CLEMEN, R. T. Combining forecasts: a review and annoted bibliography.
International Journal of Forecasting, v. 5, p. 559-583, 1989.
http://dx.doi.org/10.1016/0169- 2070(89)90012-5.
CLEVELAND, R. B.; CLEVELAND, W. S.; MCRAE, J. E.; TERPENNING, I. STL; A
seasonal-trend decomposition procedure based on Loess. Journal of Official Statistics, v. 6, p. 3-73, 1990.
DE LIVERA, A. M.; HYNDMAN, R. J.; SNYDER, R. D. Forecasting time series with complex seasonal patterns using exponential smoothing. Journal of the American Statistical Association, v. 106, n. 496, p. 1513-1527, 2011.
DIAS, V. P.; ICHIKAVA, E. Uma análise empírica da relação entre spread e risco. Revista do BNDES, Rio de Janeiro, n. 36 , p. 177-213, dez. 2011. Disponível em: << https://web.bndes.gov.br/bib/jspui/handle/1408/3062>> Acesso em: 23 junho 2019.
DIAS, V. P.; ISSLER, J. V. Modelagem econométrica da arrecadação e gasto tributário desagregados no Brasil. Fundação Getúlio Vargas, 2008.
DICKEY, D. A. e FULLER, W.A. Distribution of the estimators for autoregressive time series with unit root. Journal of the American Statistical Association, v. 74, n. 336, p. 427-431, 1979.
. Likelihood ratio statistics for auto-regressive time series with unit root.
Econometrica, v. 49, nº 4, 1981.
ELLIOT, G., ROTHENBERG, T. J. e STOCK, J. H. Efficient tests for an autoregressive unit root. Econometrica, v. 64, n. 4, p. 813-836, 1996.
GRANGER, C. W. Investigating causal relations by econometric models and cross- spectral models. Econometrica, Econometric Society, v. 37, n. 3, p. 424-38, 1969.
67
GRANGER, C. W. J; NEWBOLD, P. Experience with Forecasting Univariate Time Series and the Combination of Forecasts. Journal of the Royal Statistical Society, Series A (General), v. 137, n. 2, p. 131-165, 1974.
GRANGER, C.W.J.; RAMANATHAN, R. Improved methods of combining forecasting.
Journal of Forecasting. V. 3, p. 197-204, 1984.
GUJARATI, D. N. Econometria básica. Rio de Janeiro: Elsevier, 2006.
GHYSELS, E.; SWANSON, N. R.; WATSON, M. W. Essays in Econometrics: Collected Papers of Clive W. J. Granger. Volume I: Spectral Analysis, Seasonality, Nonlinearity, Methodology and Forecasting. Econometric Society Monographs Series. Cambridge: Cambridge University Press, 2001.
HAIR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E. Multivariate Data
Analysis. 7. ed. Upper Saddle River: Prentice Hall, 2010.
HARVEY, A. C. Forecasting, structural time series models and the Kalman filter. Cambridge University Press, 1990. ISBN 0521405734.
HOLLAUER, G.; ISSLER, J. V.; NOTINI, H. H. Prevendo o crescimento da produção industrial usando um número limitado de combinações de previsões. Economia Aplicada, São Paulo, v. 12, n. 2, p. 177-198, abril-junho 2008. http://dx.doi. org/10.1590/S1413-80502008000200001
HYNDMAN, R. J.; AKRAM, M. D.; ARCHIBALD, B. The admissible parameter space for exponential smoothing models. Annals of Statistical Mathematics, v. 60, n. 2, p. 407-426, 2008.
HYNDMAN, R. J.; KOEHLER, A. B.; ORD, J. K.; SNYDER, R. D. Forecasting with
exponential smoothing: the state space approach. Springer-Verlag, 2008. LANNE, M; SAIKKONEN, P; LÜTKEPOHL, H. Comparison of unit root tests for time series with level shifts. Journal of Time Series Analysis, 23, pp. 667-685, 2002.
. Test procedures for unit roots in time series with level shifts at unknown time.
Oxford Bulletin of Economics and Statistics, v. 65, p. 91-115, 2003.
MADDALA, G. S.; KIM, In-Moo. Unit roots, cointegration, and structural change. Themes in modern econometrics. Cambridge University Press, Cambridge, 2000. MAKRIDAKIS, S. G.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting:
methods and applications. 3ª edição. Wiley, 1998, 642 p.
MELO, B. S. V. Modelo de Previsão para a Arrecadação Tributária. Brasília: ESAF, 2001, 97p. Monografia vencedora em 1º lugar no VI Prêmio Tesouro Nacional – 2001. Orçamentos e Sistemas de Informação sobre a Administração Financeira Pública. Disponível no sítio http://www.tesouro.fazenda.gov.br/Premio_TN/ conteudo_mono_pr6tema3.html.
MENDONÇA, M. J.; MEDRANO, L. A. Um modelo de combinação de previsões para arrecadação da receita tributária no Brasil. Instituto de Pesquisa Econômica Aplicada, Texto para Discussão nº 2186, Rio de Janeiro, março de 2016.
MENDONÇA, M. J. C.; SACHSIDA, A.; MEDRANO, L. A. T. Um modelo econométrico para previsão de impostos no Brasil. Economia Aplicada, v. 17, n. 2, p. 295-329, 2013.
NG, S. e PERRON, P. Lag length selection and the construction of unit root tests with good size and power. Econometrica, v. 69, n. 6, p. 1519-1554, 2001.
PANTAZOPOULOS, S. N.; PAPPIS, C. P. New methods for combining forecasts.
Yugoslav Journal of Operations Research, v. 8, n. 1, p. 109-109, 1998.
PERRON, P. The great crash, the oil price shock, and the unit root hypothesis.
Econometrica, v. 57, n. 6. p. 1361-1401, 1989.
Further evidence on breaking trend functions in macroeconomic variables. Journal of econometrics, v. 80, n. 2, p. 355-385, 1997.
PHILLIPS, P. C. B. e PERRON, P. Testing for unit root in time series regression.
Biometrika, v. 75, n. 2, p. 335-346, 1988.
PROIETTI, T. Comparing seasonal components for structural time series models.
International Journal of Forecasting, v. 16, n. 2, p. 247-260, April-June, 2000. ISSN
0169-2070.
RASGDALE. C. Spreadsheet modeling & decision analysis: a practical introduction to management science. Fourth edition. South-Western, 2004.
RIPLEY, B. D. Pattern recognition and neural networks. Cambridge, 1996.
SAID, S. e DICKEY, D. A. Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, v. 71, p. 599-607, 1984.
SAIKKONEN, P; LÜTKEPOHL, H. Testing for a unit root in a time series with a level shift at unknown time. Econometric Theory, v. 18, p. 313-348, 2002.
SIQUEIRA, M. L. Melhorando a Previsão de Arrecadação Tributária Federal Através da Utilização de Modelos e Séries Temporais. Brasília: ESAF, 2002. Monografia premiada em 1º lugar no VII Prêmio Tesouro Nacional – 2002. Tributação, Orçamentos e Sistemas de Informação sobre Administração Financeira Pública. Disponível no sítio http://www.tesouro.fazenda.gov.br/Premio_TN/VIIPremio/conteudo_mono_pr7.html. TIMMERMANN, A. Forecast combinations. In: ELLIOTT, G.; GRANGER, C. W. J.; TIMMERMANN, A. (Ed.). Handbook of Economic Forecasting, vol. 1. San Diego: North-Holland, 2006.
VENABLES, W. N.; RIPLEY, B. D. Modern applied statistics with S. Fourth Edition, Springer, 2002.
VIGNOLI, F. H.; FUNCIA, F. R. Planejamento e orçamento público. Série Gestão Pública. Rio de Janeiro: Editora FGV, 2014.
ZONATTO, V. C. da S.; HEIN, N. Eficácia da previsão de receitas no orçamento dos municípios gaúchos: uma investigação empírica dos exercícios de 2005 a 2009 utilizando a análise de clusters. Revista Estudo CEPE, Santa Cruz do Sul, n. 37, p.102-131, jan./jun. 2013.
ARMSTRONG, J. S. Principles of forecasting: a handbook for researchers and practitioners. Kluwer Academic Publishers, 2001. http://dx.doi.org/10.1007/978-0- 306- 47630-3
ASHLEY, R.; GRANGER, C. W. J.; SCHMALENSEE, R. Advertising and aggregate consumption: an analysis of causality. Econometrica, v. 48, n. 5, p. 1149-1168, 1980. BATES, J. M.; GRANGER, C. W. J. The combination of forecasts. Operations Research Quaterly, v. 20, p. 319-25, 1969.
https://www.tandfonline.com/doi/abs/10.1057/jors.1969.103
BRASIL. Lei Complementar nº 101, de 4 de maio de 2000. Estabelece normas de finanças públicas voltadas para a responsabilidade na gestão fiscal e dá outras providências. Brasília, 2000. Disponível em:< http://www.planalto.gov.br/ccivil_03/leis/lcp/lcp101.htm> Acesso em: 13 junho 2009.
BENELLI, F. C. Previsão da receita tributária federal por base de incidência. 2013. 144f. Dissertação (Mestrado Profissional em Economia do Setor Público), Universidade de Brasília. Brasília, 2013.
BOX, G. E.; TIAO, G. C. Intervention analysis with application to economic and environmental problems. Journal of American Statistic Association, v. 70, p. 70-19, 1975.
BRASIL. Ministério da Fazenda. Secretaria do Tesouro Nacional. Receitas Públicas: manual de procedimentos. Brasília: STN/Coordenação-Geral de Contabilidade, 2007. 233 p.
CAMPOS, C. V. C. Previsão da arrecadação de receitas federais: aplicações de séries temporais para o Estado de São Paulo. Dissertação de Mestrado, Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto da Universidade de São Paulo. Ribeirão Preto, 2009. Disponível em:
<<file:///C:/Users/57293490178/Downloads/CesoVilelaChavesCampos.pdf>> Acesso
em 15 julho 2019.
CAVALIER, R.; RIBEIRO, E. P. Combinação de previsões de volatilidade: um estudo.
Revista EconomiA, v. 12, n. 2, p. 239-261, mai/ago 2011.
CLEMEN, R. T. Combining forecasts: a review and annoted bibliography.
International Journal of Forecasting, v. 5, p. 559-583, 1989.
http://dx.doi.org/10.1016/0169- 2070(89)90012-5.
CLEVELAND, R. B.; CLEVELAND, W. S.; MCRAE, J. E.; TERPENNING, I. STL; A
seasonal-trend decomposition procedure based on Loess. Journal of Official Statistics, v. 6, p. 3-73, 1990.
DE LIVERA, A. M.; HYNDMAN, R. J.; SNYDER, R. D. Forecasting time series with complex seasonal patterns using exponential smoothing. Journal of the American Statistical Association, v. 106, n. 496, p. 1513-1527, 2011.
DIAS, V. P.; ICHIKAVA, E. Uma análise empírica da relação entre spread e risco. Revista do BNDES, Rio de Janeiro, n. 36 , p. 177-213, dez. 2011. Disponível em: << https://web.bndes.gov.br/bib/jspui/handle/1408/3062>> Acesso em: 23 junho 2019.
DIAS, V. P.; ISSLER, J. V. Modelagem econométrica da arrecadação e gasto tributário desagregados no Brasil. Fundação Getúlio Vargas, 2008.
DICKEY, D. A. e FULLER, W.A. Distribution of the estimators for autoregressive time series with unit root. Journal of the American Statistical Association, v. 74, n. 336, p. 427-431, 1979.
. Likelihood ratio statistics for auto-regressive time series with unit root.
Econometrica, v. 49, nº 4, 1981.
ELLIOT, G., ROTHENBERG, T. J. e STOCK, J. H. Efficient tests for an autoregressive unit root. Econometrica, v. 64, n. 4, p. 813-836, 1996.
GRANGER, C. W. Investigating causal relations by econometric models and cross- spectral models. Econometrica, Econometric Society, v. 37, n. 3, p. 424-38, 1969.
67
GRANGER, C. W. J; NEWBOLD, P. Experience with Forecasting Univariate Time Series and the Combination of Forecasts. Journal of the Royal Statistical Society, Series A (General), v. 137, n. 2, p. 131-165, 1974.
GRANGER, C.W.J.; RAMANATHAN, R. Improved methods of combining forecasting.
Journal of Forecasting. V. 3, p. 197-204, 1984.
GUJARATI, D. N. Econometria básica. Rio de Janeiro: Elsevier, 2006.
GHYSELS, E.; SWANSON, N. R.; WATSON, M. W. Essays in Econometrics: Collected Papers of Clive W. J. Granger. Volume I: Spectral Analysis, Seasonality, Nonlinearity, Methodology and Forecasting. Econometric Society Monographs Series. Cambridge: Cambridge University Press, 2001.
HAIR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E. Multivariate Data
Analysis. 7. ed. Upper Saddle River: Prentice Hall, 2010.
HARVEY, A. C. Forecasting, structural time series models and the Kalman filter. Cambridge University Press, 1990. ISBN 0521405734.
HOLLAUER, G.; ISSLER, J. V.; NOTINI, H. H. Prevendo o crescimento da produção industrial usando um número limitado de combinações de previsões. Economia Aplicada, São Paulo, v. 12, n. 2, p. 177-198, abril-junho 2008. http://dx.doi. org/10.1590/S1413-80502008000200001
HYNDMAN, R. J.; AKRAM, M. D.; ARCHIBALD, B. The admissible parameter space for exponential smoothing models. Annals of Statistical Mathematics, v. 60, n. 2, p. 407-426, 2008.
HYNDMAN, R. J.; KOEHLER, A. B.; ORD, J. K.; SNYDER, R. D. Forecasting with
exponential smoothing: the state space approach. Springer-Verlag, 2008. LANNE, M; SAIKKONEN, P; LÜTKEPOHL, H. Comparison of unit root tests for time series with level shifts. Journal of Time Series Analysis, 23, pp. 667-685, 2002.
. Test procedures for unit roots in time series with level shifts at unknown time.
Oxford Bulletin of Economics and Statistics, v. 65, p. 91-115, 2003.
MADDALA, G. S.; KIM, In-Moo. Unit roots, cointegration, and structural change. Themes in modern econometrics. Cambridge University Press, Cambridge, 2000. MAKRIDAKIS, S. G.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting:
methods and applications. 3ª edição. Wiley, 1998, 642 p.
MELO, B. S. V. Modelo de Previsão para a Arrecadação Tributária. Brasília: ESAF, 2001, 97p. Monografia vencedora em 1º lugar no VI Prêmio Tesouro Nacional – 2001. Orçamentos e Sistemas de Informação sobre a Administração Financeira Pública. Disponível no sítio http://www.tesouro.fazenda.gov.br/Premio_TN/ conteudo_mono_pr6tema3.html.
MENDONÇA, M. J.; MEDRANO, L. A. Um modelo de combinação de previsões para arrecadação da receita tributária no Brasil. Instituto de Pesquisa Econômica Aplicada, Texto para Discussão nº 2186, Rio de Janeiro, março de 2016.
MENDONÇA, M. J. C.; SACHSIDA, A.; MEDRANO, L. A. T. Um modelo econométrico para previsão de impostos no Brasil. Economia Aplicada, v. 17, n. 2, p. 295-329, 2013.
NG, S. e PERRON, P. Lag length selection and the construction of unit root tests with good size and power. Econometrica, v. 69, n. 6, p. 1519-1554, 2001.
PANTAZOPOULOS, S. N.; PAPPIS, C. P. New methods for combining forecasts.
Yugoslav Journal of Operations Research, v. 8, n. 1, p. 109-109, 1998.
PERRON, P. The great crash, the oil price shock, and the unit root hypothesis.
Econometrica, v. 57, n. 6. p. 1361-1401, 1989.
Further evidence on breaking trend functions in macroeconomic variables. Journal of econometrics, v. 80, n. 2, p. 355-385, 1997.
PHILLIPS, P. C. B. e PERRON, P. Testing for unit root in time series regression.
Biometrika, v. 75, n. 2, p. 335-346, 1988.
PROIETTI, T. Comparing seasonal components for structural time series models.
International Journal of Forecasting, v. 16, n. 2, p. 247-260, April-June, 2000. ISSN
0169-2070.
RASGDALE. C. Spreadsheet modeling & decision analysis: a practical introduction to management science. Fourth edition. South-Western, 2004.
RIPLEY, B. D. Pattern recognition and neural networks. Cambridge, 1996.
SAID, S. e DICKEY, D. A. Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, v. 71, p. 599-607, 1984.
SAIKKONEN, P; LÜTKEPOHL, H. Testing for a unit root in a time series with a level shift at unknown time. Econometric Theory, v. 18, p. 313-348, 2002.
SIQUEIRA, M. L. Melhorando a Previsão de Arrecadação Tributária Federal Através da Utilização de Modelos e Séries Temporais. Brasília: ESAF, 2002. Monografia premiada em 1º lugar no VII Prêmio Tesouro Nacional – 2002. Tributação, Orçamentos e Sistemas de Informação sobre Administração Financeira Pública. Disponível no sítio http://www.tesouro.fazenda.gov.br/Premio_TN/VIIPremio/conteudo_mono_pr7.html. TIMMERMANN, A. Forecast combinations. In: ELLIOTT, G.; GRANGER, C. W. J.; TIMMERMANN, A. (Ed.). Handbook of Economic Forecasting, vol. 1. San Diego: North-Holland, 2006.
VENABLES, W. N.; RIPLEY, B. D. Modern applied statistics with S. Fourth Edition, Springer, 2002.
VIGNOLI, F. H.; FUNCIA, F. R. Planejamento e orçamento público. Série Gestão Pública. Rio de Janeiro: Editora FGV, 2014.
ZONATTO, V. C. da S.; HEIN, N. Eficácia da previsão de receitas no orçamento dos municípios gaúchos: uma investigação empírica dos exercícios de 2005 a 2009 utilizando a análise de clusters. Revista Estudo CEPE, Santa Cruz do Sul, n. 37, p.102-131, jan./jun. 2013.
Downloads
Publicado
31-05-2020
Como Citar
Ricardo de Brito Gadelha, S. ., Felipe Rodrigues Lima, A., & André Polli, D. (2020). Uso da Metodologia de Combinação de Previsões para Projeções da Arrecadação de Receitas Brutas Primárias de Tributos Federais (2° Lugar Prêmio do Tesouro /2019). CADERNOS DE FINANÇAS PÚBLICAS , 1(01). https://doi.org/10.55532/1806-8944.2020.77
Edição
Seção
artigos
Licença
Os artigos podem ser copiados, desde que citada a fonte.
