Control integral y selección de contribuyentes en el ámbito

Transcrição

XV Concurso de Monografias CIAT/AEAT/IEF
CONTROLE INTEGRAL E SELEÇÃO DE SUJEITOS
PASSIVOS NO ÂMBITO DA FISCALIZAÇÃO
Normando Bertao
Otavio Lira Ferreira Maia Martins
Março/2002
XV Concurso de Monografias CIAT/AEAT/IEF
CONTROLE INTEGRAL E SELEÇÃO DE SUJEITOS
PASSIVOS NO ÂMBITO DA FISCALIZAÇÃO
Monografia
apresentada
ao
Centro
Interamericano de Administrações Tributárias
para fins de participação no XV Concurso de
Monografias CIAT/AEAT/IEF
Março/2002
RESUMO
Um dos objetivos de uma Administração Tributária é alcançar níveis
satisfatórios de cumprimento de obrigações tributárias principal, ou material, e formais, ou
acessórias. Para que este objetivo seja atingido, ela deve estar dotada de uma base de dados
que permita controlar o universo de sujeitos passivos de sua jurisdição. Meios modernos de
captação de dados, como disquete, CD-ROM, telefone e Internet, vêm tornando mais ágil e
consistente a construção dessas bases de dados. O controle eletrônico, mesmo que seja
integral, não é suficiente para se conseguir o êxito pretendido. Muitas vezes ações de caráter
intensivo e/ou extensivo, que variam de uma simples verificação interna até uma auditoria
minuciosa de documentação, têm que ser implementadas. Para se definir quais tipos de ações
e de sujeitos passivos serão submetidos a essas ações, os mesmos terão que passar por
processos técnicos e objetivos de seleção, que utilizam desde técnicas tradicionais de
processamento de informação até tecnologias mais sofisticadas, como as que utilizam
sistemas especialistas, sistemas nebulosos (fuzzy), redes neurais, algoritmos genéticos, ou uma
hibridação delas. Três tipos de seleção de sujeitos passivos são identificados, de acordo com o
grau de apuração dos indícios de infração constatados: seleção por inadimplência, seleção por
cruzamento de informações e seleção por indicadores econômico-financeiros. A seleção, se
for feita por ramo de atividade ou ocupação profissional, ela terá maiores possibilidades de
sucesso, uma vez que a composição patrimonial e de resultado é diferente para integrantes de
setores díspares. A avaliação de riscos na seleção de sujeitos passivos pode ser feita
qualitativamente, quando os dados são insuficientes ou inadequados para uma seleção
consistente, ou quantitativamente, no caso contrário. Estudo de caso de um processo de
seleção, aplicando-se software de rede neural a uma base de dados, ainda que de tamanho
reduzido, revelou ser possível o emprego de tecnologias de Inteligência Computacional a este
tipo de atividade.
SUMÁRIO
01
INTRODUÇÃO .......................................................................................................................................... 7
01.01 OBJETIVOS ................................................................................................................................... 10
01.01.01 Objetivo Geral ............................................................................................................... 10
01.01.02 Objetivos Específicos ..................................................................................................... 10
01.02 METODOLOGIA ........................................................................................................................... 10
02
ELEMENTOS DA OBRIGAÇÃO TRIBUTÁRIA E OS MECANISMOS DE CONTROLE .......... 12
02.01 NORMAS TRIBUTÁRIAS .................................................................................................................... 13
02.01.01 Classificação das Normas Tributárias e sua Hierarquia............................................... 13
02.01.02 Estrutura Formal dos Atos Normativos ......................................................................... 14
02.01.03 Vigência da Norma Tributária....................................................................................... 18
02.01.04 Aplicação dos Atos Normativos ..................................................................................... 19
02.01.05 Efeitos de uma Norma Tributária Nova sobre uma Antiga............................................ 20
02.01.06 Interpretação das Normas Tributárias .......................................................................... 22
02.01.07 Integração das Normas Tributárias............................................................................... 23
02.01.08 O Controle da Evolução da Legislação Tributária........................................................ 23
02.02 TRIBUTOS E CONTRIBUIÇÕES ........................................................................................................... 25
02.02.01 Conceito e Classificação................................................................................................ 25
02.02.02 Base Econômica do Sistema Tributário Brasileiro ........................................................ 27
02.02.03 As Contribuições para a Seguridade Social .................................................................. 27
02.02.04 O Controle da Instituição e Extinção de Tributos e Contribuições ............................... 28
02.03 ELEMENTOS DA OBRIGAÇÃO TRIBUTÁRIA ....................................................................................... 29
02.03.01 Sujeito Ativo e o Controle .............................................................................................. 30
02.03.02 Sujeito Passivo e o Controle .......................................................................................... 31
02.03.03 Elementos da Obrigação Tributária Principal e o Controle ......................................... 34
02.03.04 Elementos da Obrigação Tributária Acessória e o Controle......................................... 39
02.03.05 O Controle de Correspondências de Natureza Fiscal ................................................... 41
02.03.06 A Matriz de Cumprimento de Obrigações Tributárias .................................................. 42
02.04 A CONSTITUIÇÃO DO CRÉDITO TRIBUTÁRIO E O CONTROLE ATÉ A EXTINÇÃO ................................ 42
02.04.01 Lançamento por Declaração, por Homologação, de Ofício.......................................... 43
02.04.02 Exclusão do Crédito Tributário ..................................................................................... 45
02.04.03 Suspensão do Crédito Tributário ................................................................................... 46
02.04.04 Extinção do Crédito Tributário...................................................................................... 47
02.04.05 Indébito Tributário......................................................................................................... 48
02.04.06 O Controle do Lançamento, Exclusão, Suspensão, Extinção e Restituição de Crédito
Tributário....................................................................................................................... 49
03
AS NOVAS TECNOLOGIAS DE CAPTAÇÃO E DE PROCESSAMENTO DE INFORMAÇÕES
53
03.01 AS NOVAS TECNOLOGIAS DE CAPTAÇÃO DE INFORMAÇÕES......................................... 53
03.01.01 Telefonia Fixa e Móvel .................................................................................................. 53
03.01.02 Digitalização de Documentos ........................................................................................ 54
03.01.03 Disquete e CD-ROM ...................................................................................................... 54
03.01.04 Equipamentos Emissores de Documentos Fiscais com Dispositivo de Armazenamento55
03.01.05 A Internet ....................................................................................................................... 55
03.02 AS NOVAS TECNOLOGIAS DE PROCESSAMENTO DE INFORMAÇÕES............................ 57
03.02.01 Sistemas de Suporte à Decisão (DSS- Decision Support Systems) ................................ 59
03.02.02 Técnicas Estatísticas ...................................................................................................... 70
03.02.03 Lógica Fuzzy (Lógica Nebulosa) ................................................................................... 75
03.02.04 Redes Neurais ................................................................................................................ 84
03.02.05 Tecnologia Neuro-Fuzzy .............................................................................................. 100
04
A SELEÇÃO DE SUJEITOS PASSIVOS............................................................................................ 103
04.01 O PROCESSO DE SELEÇÃO DE SUJEITOS PASSIVOS ......................................................................... 103
04.01.01 Conceito ....................................................................................................................... 103
04.01.02 Controle Intensivo e Controle Extensivo ..................................................................... 104
04.01.03 A Separação dos Sujeitos Passivos por Jurisidição Fiscal.......................................... 104
04.01.04 O Perfil dos Sujeitos Passivos segundo sua Importância Econômico-Financeira ..... 105
04.01.05 Os Motivos de Seleção de Sujeitos Passivos por Ordem de Dificuldade de Apuração de
Infrações ...................................................................................................................... 105
04.02 ANÁLISE SETORIAL DE SUJEITOS PASSIVOS ................................................................................... 117
04.02.01 Conceito de Setor e Análise Setorial............................................................................ 117
04.02.02 Elementos Necessários à Análise Setorial ................................................................... 118
04.02.03 As Fases da Análise Setorial........................................................................................ 123
04.03 AVALIAÇÃO DE RISCOS ................................................................................................................. 125
04.03.01 Conceito de Risco e de Avaliação de Riscos................................................................ 125
04.03.02 Os Fatores de Riscos na Seleção de Sujeitos Passivos ................................................ 126
04.03.03 A Avaliação Qualitativa de Riscos............................................................................... 129
04.03.04 A Avaliação Quantitativa de Riscos............................................................................. 134
05
CASO PRÁTICO DE SELEÇÃO UTILIZANDO NOVA TECNOLOGIA ..................................... 137
05.01 METODOLOGIA DE TRABALHO ............................................................................................ 137
05.02 AMBIENTE ESTRUTURAL ....................................................................................................... 138
05.03 CONJUNTO DE TREINAMENTO E TESTES............................................................................ 138
05.03.01 Variáveis de Previsão .................................................................................................. 138
05.03.02 Variáveis de Entrada para Lucro Real ........................................................................ 138
05.03.03 Variáveis de Entrada para Lucro Presumido/ Arbitrado............................................. 139
05.03.04 Variáveis de Entrada para Microempresas e Empresas de Pequeno Porte ................ 140
05.03.05 Variáveis de Entrada para Omissos ............................................................................ 141
05.04 VALIDAÇÃO DO MODELO ...................................................................................................... 141
05.05 APRESENTAÇÃO DOS RESULTADOS.................................................................................... 142
05.05.01 Resultados dos Testes para o Lucro Real .................................................................... 143
05.05.02 Resultados dos Testes para o Lucro Presumido/Arbitrado.......................................... 145
05.05.03 Resultados dos Testes para Microempresa/Pequeno Porte ......................................... 147
05.05.04 Resultados dos Testes para Omissos............................................................................ 149
05.05.05 A Análise Quantitativa de Riscos................................................................................. 150
06
CONSIDERAÇÕES FINAIS ................................................................................................................ 152
07
BIBLIOGRAFIA.................................................................................................................................... 156
01
INTRODUÇÃO
O principal fim de uma Administração Tributária é promover uma
arrecadação de tributos e contribuições que possibilite a execução dos programas
governamentais voltados para o bem-estar social. Para que isto seja possível, ela deverá ter à
sua disposição um conjunto de normas que regulem a relação jurídica entre sujeitos ativos e
passivos para garantir o cumprimento das obrigações tributárias principal e acessórias.
Além disso, ela deve:
1. estar organizada para aplicar, da maneira mais justa e imparcial, tal conjunto de normas,
com o intuito de garantir a confiança da população na integridade e imparcialidade de suas
ações;
2. preocupar-se com as mudanças ocorridas na sociedade e com o nível de satisfação do seu
principal cliente, o contribuinte, em relação aos serviços por ela prestados;
3. dispor de recursos financeiros, tecnológicos e de pessoal motivado, capacitado e
competente, com vistas a otimizar o cumprimento das obrigações tributárias pelos
contribuintes, melhorar a produtividade e a qualidade dos seus produtos e serviços.
Naturalmente, o caráter justo e imparcial das ações das Administrações
Tributárias aparecerá também numa atividade que antecede os trabalhos de auditoria fiscal: a
SELEÇÃO DE SUJEITOS PASSIVOS NO ÂMBITO DA FISCALIZAÇÃO.
Segundo Houaiss e Villar (2001, p. 2538), seleção é a “escolha a partir de
critérios e objetivos bem definidos; predileção”. Portanto, selecionar sujeitos passivos para
fiscalização é escolher dentro de um conjunto de sujeitos passivos, a partir de critérios e
objetivos bem definidos, aqueles que apresentem maiores distorções reveladoras de indícios
de subtração de valores, tanto de componentes da base de cálculo de tributos e contribuições
administrados, como de valores a recolher desses tributos e contribuições. Dessa forma, com a
execução das auditorias programadas em decorrência dos trabalhos de seleção, almeja-se
maximizar o montante lançado de tributos e contribuições, minimizando os riscos e o custo
dos recursos materiais e humanos utilizados. Com tal procedimento, procura-se priorizar a
fiscalização sobre os sujeitos passivos que apresentem os mais altos graus de descumprimento
de obrigações tributárias.
8
Para se obter o máximo de sucesso em uma seleção, é fundamental que as
Administrações Tributárias se organizem no sentido de se conseguir um controle abrangente
dos sujeitos passivos no que se refere ao cumprimento de suas obrigações tributárias
principais, ou materiais, e acessórias, ou formais. Controlar é monitorar e fiscalizar, quando
necessário, as atividades de pessoas físicas e jurídicas que figurem legalmente como
contribuintes ou responsáveis pelo cumprimento de obrigações principais e acessórias, para
que estas não se desviem das normas, convenções ou expectativas preestabelecidas. Tal
controle pode ser, de acordo com os objetivos da ação:
1. intensivo: quando vise alcançar alto grau de eficácia através de um esforço intenso,
contínuo e de curta duração.
2. extensivo: quando seja aplicado ou seja válido para um maior número de pessoas, objetos
ou casos.
Para uma população que possui um grande número de indivíduos, um
controle efetivo só será possível se a Administração Tributária dispuser de um sistema de
informações tributárias, que considere:

a legislação tributária e suas alterações, e a jurisprudência administrativa e judicial

perfil dos sujeitos passivos

os agentes arrecadadores

os recursos humanos, financeiros e tecnológicos disponíveis

as fontes externas de informação de natureza tributária

inter-relacionamento com outras Instituições Públicas e com outros Fiscos, nacionais e
internacionais

os aspectos econômicos, sociais, políticos, tecnológicos e culturais da sociedade.
Entende-se por sistema de informações, um conjunto formado por hardware
(equipamentos de informática, comunicações), software (programas de computação e os
processos manuais e automatizados para conversão dos dados de entrada nas informação de
saídas desejadas, bases de dados, Internet), peopleware (usuários, especialistas e
administradores de sistemas). No caso das Administrações Tributárias, os sistemas de
informação deverão fornecer-lhes informações, que permitam a elas alcançar seus objetivos
de modo eficiente e eficaz, abarcando todos os processos característicos das atividades
tributárias, tais como: cadastro de sujeitos passivos, constituição, exclusão, suspensão e
9
extinção de crédito, cumprimento de obrigações principais e acessórias. Assim, vê-se que um
sistema de informação que contemple dados e processos bem estruturados e integrados
proporcionará às Administrações Tributárias obter, através de uma seleção de sujeitos
passivos com base em critérios e objetivos bem definidos, um resultado tributário satisfatório
nas fiscalizações, ou seja,
1. maximizando o montante lançado e arrecadado;
2. minimizando os riscos da seleção e de descumprimento de obrigações tributárias:
procurando-se evitar as fiscalizações sem resultado ou as fiscalizações em que os
resultados alcançados sejam inexpressivos, estimula-se a regularização voluntária por
aqueles que não foram submetidos a verificações fiscais.
Portanto, foi considerando a importância que as atividades de controle no
cumprimento de obrigações tributárias e de seleção de sujeitos passivos no âmbito da
Fiscalização devem ter para as Administrações Tributárias, explanada acima, e os trabalhos
desenvolvidos pelos autores desta monografia em seus trabalhos de conclusão de curso de
graduação em Universidade local, relativamente ao uso de Inteligência Artificial na análise
contábil para fins gerenciais, é que, dentre os temas propostos na cláusula segunda do
Regulamento do XV Concurso de Monografias CIAT/AEAT/IEF, foi escolhido para
desenvolvimento o seguinte:
CONTROLE INTEGRAL E SELEÇÃO DE SUJEITOS PASSIVOS
NO ÂMBITO DA FISCALIZAÇÃO
Pretendeu-se com este trabalho apresentar estudos sobre como controlar e
acompanhar as atividades dos sujeitos passivos relativas ao cumprimento de suas obrigações
tributárias materiais e formais, e sobre como selecionar aqueles que apresentem distorções
que signifiquem indícios de redução de base de cálculo e de insuficiência de recolhimentos de
tributos e contribuições, utilizando ferramentas computacionais que estão sendo utilizadas e
testadas, nas principais Universidades do país e do exterior, em previsões otimizadas, por
exemplo, para investimentos a serem efetuados no mercado financeiro, tais como: redes
neurais artificiais (artificial neural network), algoritmos genéticos (genetics algorithms) e
lógica difusa ou nebulosa (fuzzy logic).
10
01.01 OBJETIVOS
01.01.01
Objetivo Geral
Estudar os aspectos que devem ser observados nas atividade de controle
integral e acompanhamento de sujeitos passivos no cumprimento das obrigações tributárias,
tanto materiais, como formais, abrangendo os procedimentos de controle extensivos e
intensivos, bem como os aspectos relacionados com as atividades de seleção de sujeitos
passivos no âmbito da fiscalização.
01.01.02
•
Objetivos Específicos
Estudar a aplicação de novas ferramentas para a captação e para o processamento da
informação com vistas ao controle e acompanhamento dos sujeitos passivos no
cumprimento de suas obrigações fiscais
•
Estudar a viabilidade de utilização de ferramentas computacionais da área de Inteligência
Artificial, que são usadas em previsões de rentabilidade e riscos de investimentos no
mercado financeiro, nos trabalhos de seleção de sujeitos passivos
•
Apresentar um processo de avaliação de riscos de descumprimento de obrigações
tributárias e de insucesso na seleção de sujeitos passivos para fiscalização, evidenciando a
elaboração de estudos setoriais.
01.02 METODOLOGIA
No capítulo ELEMENTOS DA OBRIGAÇÃO TRIBUTÁRIA E OS
MECANISMOS DE CONTROLE, utilizando-se como referência o Sistema Tributário
Brasileiro, foram estudadas formas de como modelar, captar e processar os dados de maneira
a proporcionar um controle sobre os sujeitos passivos no cumprimento da legislação
tributária. Para este estudo foram desenvolvidos os seguintes tópicos:
01)
Normas tributárias: sua evolução e seu controle
02)
Tributos e contribuições: conceito e classificação, e o controle
03)
Elementos das obrigações tributárias material e formais, e controle de cada um deles.
04)
Constituição, exclusão, suspensão e extinção do crédito tributário, o indébito tributário e
os mecanismos de controle.
11
No capítulo seguinte, AS NOVAS TECNOLOGIAS DE CAPTAÇÃO E
PROCESSAMENTO DE INFORMAÇÕES, foram apresentadas as características das
principais tecnologias utilizadas no Brasil de captação de dados, bem como tecnologias de
processamento de informações, da área Inteligência Artificial, que hoje estão sendo bastante
recomendadas na avaliação de investimentos no conturbado mercado financeiro, e que
possam ser usadas em trabalhos de seleção de sujeitos passivos.
No último capítulo antes das considerações finais, O PROCESSO DE
SELEÇÃO DE SUJEITOS PASSIVOS E A AVALIAÇÃO DE RISCOS, procurou-se
identificar os principais aspectos e elementos envolvidos na seleção de sujeitos, em estudos
setoriais e na avaliação de riscos, bem como foram apresentados os resultados de testes
realizados em bases de dados reduzidas, utilizando a tecnologia computacional de redes
neurais artificiais nos trabalhos de seleção.
02
ELEMENTOS DA OBRIGAÇÃO TRIBUTÁRIA E OS
MECANISMOS DE CONTROLE
Verificação ocorrência
NORMAS TRIBUTÁRIAS
FATOS ECONÔMICOS
FATO GERADOR DE
OBRIGAÇÃO ACESSÓRIA
FATO IMUNE À TRIBUTAÇÃO
Verificação cumprimento
Não
(Penalidade)
Sim
SUJEITO
PASSIVO
SUJEITO
ATIVO
SUJEITO
PASSIVO
SUJEITO
ATIVO
FATO GERADOR DE
OBRIGAÇÃO PRINCIPAL
EXTINÇÃO DA OBRIGAÇÃO
ACESSÓRIA
ISENÇÕES/ REDUÇÕES/ NÃO
INCIDÊNCIAS LEGAIS
Matéria Tributável e
Montante Devido
Não Lançado
PAGAMENTO ANTECIPADO
DECLARAÇÃO
Sim
Não
CRÉDITO
COBRADO
Sim
Sim
CRÉDITO LANÇADO E EXTINTO
Requisitos p/exclusão
Não
CRÉDITO
EXCLUÍDO
Não
Não
Sim
Homologação
LANÇAMENTO DE OFÍCIO
Omissão/Inexatidão
Não
CRÉDITO
COBRADO
CRÉDITO
EXCLUÍDO
Pagamento Indevido
Sim
Requisitos p/suspensão
Sim
CRÉDITO
SUSPENSO
Não
CRÉDITO
COBRADO
Sim
CRÉDITO
SUSPENSO
Não
CRÉDITO
COBRADO
Requisitos p/extinção
Não
Sim
EXECUÇÃO
DO CRÉDITO
CRÉDITO
EXTINTO
Não
EXECUÇÃO
DO CRÉDITO
PAGAMENTO RESTITUÍDO
Sim
Sim
CRÉDITO
EXTINTO
Pagamento Indevido
13
O diagrama apresentado como abertura deste capítulo fornece uma visão
geral de como o Sistema Tributário funciona. Ele foi elaborado considerando o Código
Tributário Nacional do Brasil, instituído pela Lei Federal nº 5.172/66, com redação alterada
por diversos atos editados até a presente data. Para que a Administração Tributária possa se
preparar para exercer um controle efetivo sobre os sujeitos passivos de suas jurisdições é
importante que se tenha uma compreensão do funcionamento do Sistema Tributário, e um
diagrama semelhante a este auxiliará bastante nesta empreitada, como se observará na
explanação a seguir.
02.01 Normas Tributárias
Sem legislação tributária não há como se exigir tributo ou contribuição do
sujeito passivo, ou seja, para existir uma relação jurídica entre sujeito ativo (a Administração
Tributária) e sujeito passivo, em que este fica obrigado a pagar tributo ou penalidade para
aquele (obrigação principal ou material) ou a praticar qualquer ato de interesse da arrecadação
e fiscalização (obrigação acessória ou formal), que não configure obrigação principal, é
necessário que esteja previsto no ordenamento jurídico vigente que, se acontecer determinada
situação no mundo dos negócios e do inter-relacionamento entre as pessoas, o fato gerador de
qualquer um desses dois tipos de obrigações tributárias será considerado como ocorrido.
Dessa forma, para que se consiga o almejado controle, a Administração
Tributária tem que primeiro se preocupar em acompanhar de perto a legislação tributária, suas
modificações, o início e o fim da vigência e da aplicação de cada norma, a jurisprudência
administrativa e judicial e as práticas reiteradas da Administração Tributária.
02.01.01 Classificação das Normas Tributárias e sua Hierarquia
De acordo com a Constituição da República Federativa do Brasil de 1988 e
com o Código Tributário Nacional vigente, os atos normativos podem ser agrupados e
hierarquizados da seguinte maneira:
NORMAS FEDERAIS
NORMAS CONSTITUCIONAIS: a própria Constituição Federal, suas Emendas Constitucionais, suas Emendas
Constitucionais de Revisão. Todos os demais atos devem respeitar os seus preceitos sob pena de serem submetidos a ações
judiciais que questionam sua constitucionalizasse. Ressaltamos aqui que as Emendas estão abaixo do texto constitucional
hierarquicamente, porém, para efeitos deste trabalho, consideramos tudo num mesmo patamar.
NORMAS COMPLEMENTARES À CONSTIUIÇÃO: as Leis Complementares. Apesar de terem processo legislativo
semelhante ao das Leis Ordinárias elas têm o caráter de complementar a constituição, sem, contudo, integrarem o seu texto.
Têm o intuito de normatizar determinados preceitos constitucionais, desde que haja autorização expressa da própria
Constituição. A doutrina jurídica não é pacífica quanto à posição hierárquica da Lei Complementar, dividindo-se entre
aqueles que a consideram como acima dos atos legais e os que a classificam dentro do grupo de atos legais. No Direito
Tributário Brasileiro, para que se possa exigir ou aumentar imposto através de Lei Ordinária (art. 150, I, da Constituição
14
Federal de 1988) é necessário que se defina antes, em Lei Complementar, normas gerais sobre este imposto, sobre seu fato
gerador, sua base de cálculo e os contribuintes desse tributo (art. 146, III, “a”, da Constituição). Portanto, a Lei
Complementar está um nível acima das Leis Ordinárias.
NORMAS LEGAIS: são as Leis Ordinárias, Medidas Provisórias, Decretos-Leis (não está previsto na Constituição de
1988, contudo, alguns Decretos-leis ainda vigoram até hoje), Decretos Legislativos (na área tributária eles são utilizados
para que sejam introduzidos no mundo jurídico brasileiro os Tratados e Convenções Internacionais, que revogam ou
modificam a legislação tributária interna, nos termos do art. 98 do CTN- Lei federal nº 5.172/66), Resoluções do Congresso
Nacional (atos declarados inconstitucionais têm sua eficácia suspensa através dessas Resoluções)
NORMAS REGULAMENTADORAS: são os Decretos, cujo conteúdo e alcance devem estar restritos aos das leis em
razão das quais foram expedidos (Lei Federal nº 5.172/66- CTN, art. 98)
NORMAS COMPLEMENTARES ÀS LEGAIS E REGULAMENTADORAS: o Código Tributário Brasileiro (Lei Federal
nº 5.172/66- CTN), em seu artigo 100, define como normas complementares das leis, dos tratados e das convenções
internacionais e dos decretos, desde que não sejam para imposição de penalidades, cobrança de juros de mora e atualização
monetária da base de cálculo do tributo:
•
os atos expedidos pelas autoridades administrativas;
•
as decisões administrativas, se existir lei que lhes atribua eficácia normativa;
•
as práticas reiteradamente observadas pelas autoridades administrativas
•
os convênios que entre si celebrem a União, os Estados, o Distrito Federal e os Municípios.
NORMAS ESTADUAIS
NORMAS CONSTITUCIONAIS ESTADUAIS: é a constituição estadual e suas emendas.
NORMAS ORDINÁRIAS ESTADUAIS: as mesmas federais, sendo que a edição de medida provisória teria que estar
prevista na Constituição Estadual. Apesar de serem hierarquicamente inferiores às normas federais, existem alguns setores
privativos do Estado, estabelecidos pela Constituição Federal, em que prevalece a norma estadual.
NORMAS MUNICIPAIS
NORMAS ORGÂNICAS MUNICIPAIS: é a lei orgânica do Município, que se assemelha a uma constituição municipal, e
suas emendas.
NORMAS ORDINÁRIAS MUNICIPAIS: as mesmas federais, sendo que a edição de medida provisória teria que estar
prevista na lei orgânica Municipal. Apesar se ser hierarquicamente inferior às normas federais, existem alguns setores
privativos do Município, estabelecidos pela Constituição Federal, em que prevalece a norma municipal, como é o caso da
regulamentação do transporte coletivo.
Segundo o princípio da constitucionalidade da lei qualquer norma ordinária
que venha a contrariar os princípios da constituição é considerada inconstitucional e não
poderá continuar a existir no sistema jurídico vigente.
02.01.02 Estrutura Formal dos Atos Normativos
O processo de elaboração, redação, alteração e consolidação das leis deverá
ser feito dentro de um padrão estabelecido por Lei Complementar, conforme o parágrafo
único do artigo 59 da Constituição Federal. Atualmente, encontra-se em vigor a Lei
Complementar 95/98. Conforme parágrafo único do artigo 1º.da referida Lei Complementar
as disposições relativas a técnica legislativa nela definidas, aplicam-se, ainda, às medidas
provisórias e demais atos normativos referidos no art. 59 da Constituição Federal, bem como,
no que couber, aos decretos e aos demais atos de regulamentação expedidos por órgãos do
Poder Executivo.
Critérios de Numeração dos Atos Normativos: (LC 95/98, art.2º, § 2º)
I - as emendas à Constituição Federal terão sua numeração iniciada a partir
da promulgação da Constituição;
15
II - as leis complementares, as leis ordinárias e as leis delegadas terão
numeração seqüencial em continuidade às séries iniciadas em 1946.
Estrutura dos Atos Normativos: (LC 95/98, art.3º): o ato normativo será
estruturado em três partes básicas:
I - parte preliminar, compreendendo a epígrafe, a ementa, o preâmbulo, o
enunciado do objeto e a indicação do âmbito de aplicação das disposições normativas;
•
Epígrafe, grafada em caracteres maiúsculos, propiciará identificação numérica singular à
lei e será formada pelo título designativo da espécie normativa, pelo número respectivo e
pelo ano de promulgação. (LC 95/98, art.4º)
EMENDA CONSTITUCIONAL no
LEI COMPLEMENTAR no
MEDIDA PROVISÓRIA no
LEI no
DECRETO LEGISLATIVO no
RESOLUÇÃO no
DECRETO no
•
,
,
,
,
,
,
,
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
DE
1997.
1997.
1997.
1997.
1997.
1997.
1997.
Ementa será grafada por meio de caracteres que a realcem e explicitará, de modo conciso
e sob a forma de título, o objeto da lei. (LC 95/98, art.5º)
Dispõe sobre ..., e dá outras providências.
Regulamenta .. ., e dá outras providências
•
Preâmbulo indicará o órgão ou instituição competente para a prática do ato e sua base
legal. Ordem de execução ou mandado de cumprimento é a parte do preâmbulo em que se
prescreve a força coativa da lei ou decreto.
O PRESIDENTE DA REPÚBLICA, no uso da atribuição que lhe confere o art. 84, inciso
IV, da Constituição,
D e C R e T A :
O PRESIDENTE DA REPÚBLICA
Faço saber
Complementar:
que
o
Congresso
Nacional
decreta
e
eu
sanciono
a
seguinte
Lei
O PRESIDENTE DA REPÚBLICA
Faço saber que o Congresso Nacional decreta e eu sanciono a seguinte Lei:
O PRESIDENTE DA REPÚBLICA, no uso da atribuição que lhe confere o art.62, da
Constituição, adota a seguinte Medida Provisória, com força de lei:
•
Enunciado do objeto e indicação do âmbito de aplicação: O primeiro artigo do texto
indicará o objeto do ato normativo e o respectivo âmbito de aplicação, observados os
seguintes princípios (LC 95/98, art.7º): excetuadas as codificações, cada ato normativo
tratará de um único objeto; o ato normativo não conterá matéria estranha a seu objeto ou a
este não vinculada por afinidade, pertinência ou conexão; o âmbito de aplicação do ato
normativo será estabelecido de forma tão específica quanto o possibilite o conhecimento
técnico ou científico da área respectiva; o mesmo assunto não poderá ser disciplinado por
16
mais de um ato normativo, exceto quando a subseqüente se destine a complementar outro
ato normativo considerado básico, vinculando-se a este por remissão expressa.
Art. 1o A elaboração, a redação, a alteração e a consolidação das leis obedecerão
ao disposto nesta Lei Complementar.
Parágrafo único. As disposições desta Lei Complementar aplicam-se, ainda, às
medidas provisórias e demais atos normativos referidos no art. 59 da Constituição
Federal, bem como, no que couber, aos decretos e aos demais atos de regulamentação
expedidos por órgãos do Poder Executivo.
II - parte normativa: compreendendo o texto das normas de conteúdo
substantivo relacionadas com a matéria regulada. Os textos dos atos normativos serão
articulados com observância dos seguintes princípios (LC 95/98, art. 10):
Formatação no Word- Margens:
Superior 4; Inferior 2,5; Esquerda 2; Direita 1; Cabeçalho 2; Rodapé 1
•
a unidade básica de articulação será o artigo, indicado pela abreviatura "Art.", seguida de
numeração ordinal até o nono e cardinal a partir deste;
•
os artigos desdobrar-se-ão em parágrafos ou em incisos; os parágrafos em incisos, os
incisos em alíneas e as alíneas em itens;
•
os parágrafos serão representados pelo sinal gráfico "§", seguido de numeração ordinal até
o nono e cardinal a partir deste, utilizando-se, quando existente apenas um, a expressão
"parágrafo único" por extenso;
•
os incisos serão representados por algarismos romanos, as alíneas por letras minúsculas e
os itens por algarismos arábicos;
Art. 1o Os artigos devem ser designados pela forma abreviada "Art.", seguido de
algarismo arábico e do símbolo de número ordinal "o" até o de número 9, inclusive ("Art.
1o", "Art. 2o", etc.); a partir do de número 10, segue-se o algarismo arábico
correspondente, seguido de ponto ("Art. 10.", "Art. 11.", etc.).
Art. 2o A indicação de artigo será separada do texto por um espaço em branco, sem
traços ou outros sinais. O texto de artigo inicia-se sempre por maiúscula e termina por
ponto, salvo nos casos em que contiver incisos, quando deverá terminar por dois-pontos:
I - os incisos dos artigos devem ser designados por algarismos romanos seguidos de
hífen, e iniciados por letra minúscula, a menos que a primeira palavra seja nome próprio;
II - ao final, os incisos são pontuados com ponto-e-vírgula, exceto o último, que se
encerra em ponto;
III - aquele que contiver desdobramento em alíneas, encerra-se em dois-pontos:
a) as alíneas ou letras de um inciso deverão ser grafadas com a letra minúscula
correspondente, seguida de parêntese: "a)", "b)", etc.;
b)caso necessário, a alínea poderá ser desdobrada em números, neste caso, encerra-se
com dois-pontos:
1. os números que correspondem ao desdobramento de alíneas deverão ser grafados em
algarismos arábicos, seguidos de ponto ("1.", "2.", etc.);
2. o texto dos números e das alíneas inicia-se por minúscula e termina em ponto-evírgula, salvo o último, que se deve encerrar por ponto.
§ 1o O parágrafo único de artigo deve ser designado pela expressão "Parágrafo único",
seguida de ponto.
§ 2o Quando um artigo contiver mais de um parágrafo, estes serão designados pelo
símbolo "§", seguido do algarismo arábico correspondente e do símbolo de numeral ordinal,
17
até o nono parágrafo, inclusive ("§ 1o", "§ 2o"etc.).
§ 3o A partir do número 10, a designação deve ser feita pelo símbolo "§", seguido do
algarismo arábico correspondente e de ponto ("§ 10.", §"11.", etc.); quando necessário os
parágrafos podem ser subdivididos da seguinte forma:
a) as alíneas ou letras de um parágrafo deverão ser grafadas com a letra minúscula
correspondente, seguida de parêntese: "a)", "b)", etc.;
b) caso necessário, a alínea poderá ser desdobrada em números, neste caso, encerra-se
com dois-pontos:
1. os números que correspondem ao desdobramento de alíneas de parágrafos deverão ser
grafados em algarismos arábicos", seguidos de ponto ("1.", "2.", etc.).
2. o texto dos números inicia-se por minúscula e termina em ponto-e-vírgula, salvo o
último, que se deve encerrar por ponto.
Art. 3o O texto do ato normativo a ser editado deverá ser datilografado com o tipo
courier (de pich 10, corpo 12) ou times roman (de corpo 12).
•
o agrupamento de artigos poderá constituir Subseções; o de Subseções, a Seção; o de
Seções, o Capítulo; o de Capítulos, o Título; o de Títulos, o Livro e o de Livros, a Parte;
•
os Capítulos, Títulos, Livros e Partes serão grafados em letras maiúsculas e identificados
por algarismos romanos, podendo estas últimas desdobrar-se em Parte Geral e Parte
Especial ou ser subdivididas em partes expressas em numeral ordinal, por extenso;
•
as Subseções e Seções serão identificadas em algarismos romanos, grafadas em letras
minúsculas e postas em negrito ou caracteres que as coloquem em realce;
•
a composição prevista no inciso V poderá também compreender agrupamentos em
Disposições Preliminares, Gerais, Finais ou Transitórias, conforme necessário.
III - parte final, compreendendo as disposições pertinentes às medidas
necessárias à implementação das normas de conteúdo substantivo, às disposições transitórias,
se for o caso, a cláusula de vigência e a cláusula de revogação, quando couber.
•
Vigência da lei: será indicada de forma expressa e de modo a contemplar prazo razoável
para que dela se tenha amplo conhecimento, reservada a cláusula "entra em vigor na data
de sua publicação" para as leis de pequena repercussão. (LC 95/98, art.8º)
Art. 4o Caso a lei não consigne data ou prazo para a sua entrada em vigor aplica-se
o preceito constante do art. 1o da Lei de Introdução ao Código Civil, segundo o qual,
salvo disposição em contrário, a lei começa a vigorar em todo o país 45 dias após a sua
publicação.
•
Cláusula de revogação: Quando necessária a cláusula de revogação, esta deverá indicar
expressamente as leis ou disposições legais revogadas. (LC 95/98, art.9º). A alteração dos
atos normativos será feita (LC 95/98, art. 11):
mediante reprodução integral em novo texto, quando se tratar de alteração considerável;
na hipótese de revogação;
18
nos demais casos, por meio de substituição, no próprio texto, do dispositivo alterado, ou
acréscimo de dispositivo novo, observadas as seguintes regras:
1.
não poderá ser modificada a numeração dos dispositivos alterados;
2.
no acréscimo de dispositivos novos entre preceitos legais em vigor, é vedada,
mesmo quando recomendável, qualquer renumeração, devendo ser utilizado o
mesmo número do dispositivo imediatamente anterior, seguido de letras
maiúsculas, em ordem alfabética, tantas quantas forem suficientes para
identificar os acréscimos;
3.
é vedado o aproveitamento do número de dispositivo revogado, devendo a lei
alterada manter essa indicação, seguida da expressão "revogado";
4.
dispositivo que sofrer modificação de redação deverá ser identificado, ao seu
final, com as letras NR maiúsculas, entre parênteses.
Art. 5o A revogação do ato deverá ser específica, devendo ser evitada a cláusula
revogatória geral "Revogam-se as disposições em contrário".
•
Fecho: “consagrou-se, entre nós, que o fecho dos atos legislativos haveria de conter
referência aos dois acontecimentos marcantes de nossa História: Declaração da
Independência e Proclamação da República”.(Manual de Redação da Presidência da
República, p. 229). “Assim é que ao término de cada ano civil devemos acrescentar um
dígito tanto ao ano da Declaração da Independência quanto ao da Proclamação da
República”.
Brasília,
de
de 1997; 176o da Independência e 109o da República.
02.01.03 Vigência da Norma Tributária
Problemas surgem quando se quer saber se é a norma nova ou a antiga que
se deve aplicar a certas relações jurídicas anteriores (são os problemas de retroatividade e
irretroatividade de uma norma). Segundo MONTORO (2000, p. 390),
Nascimento da norma jurídica: pela promulgação, mas só
entram em vigor após sua publicação oficial.
Vacatio legis: é o período entre a publicação da norma e o
início da sua vigência. Segundo a Lei de Introdução do Código Civil (Decreto-lei
n° 4657, de 4 de setembro de 1942):
“Art. 1° - Salvo disposição contrária, a lei começa a vigorar
em todo o país 45 (quarenta e cinco) dias depois de oficialmente publicada.
§ 1° Nos Estados estrangeiros, a obrigatoriedade de lei
brasileira, quando admitida, se inicia 3 (três) meses depois de oficialmente
publicada.
19
§ 2° A vigência das leis, que os governos estaduais elaborem
por autorização do Governo Federal, depende da aprovação deste e começará no
prazo que a legislação estadual fixar.
§ 3° Se, antes de entrar a lei em vigor, ocorrer nova publicação
de seu texto, destinada a correção, o prazo deste artigo e dos parágrafos
anteriores começará a correr da nova publicação.
§ 4° As correções a texto de lei já em vigor consideram-se lei
nova.”
Para o Direito Tributário Brasileiro, as seguintes regras versam sobre
vigência (Código Tributário Nacional, Lei Federal nº 5.172/66):
Art. 101. A vigência, no espaço e no tempo, da legislação
tributária rege-se pelas disposições legais aplicáveis às normas jurídicas em geral,
ressalvado o previsto neste Capítulo.
Art. 102. A legislação tributária dos Estados, do Distrito
Federal e dos Municípios vigora, no País, fora dos respectivos territórios, nos
limites em que lhe reconheçam extraterritorialidade os convênios de que
participem, ou do que disponham esta ou outras leis de normas gerais expedidas
pela União.
Art. 103. Salvo disposição em contrário, entram em vigor:
I - os atos administrativos a que se refere o inciso I do artigo
100, na data da sua publicação;
II - as decisões a que se refere o inciso II do artigo 100, quanto
a seus efeitos normativos, 30 (trinta) dias após a data da sua publicação;
III - os convênios a que se refere o inciso IV do artigo 100, na
data neles prevista.
Art. 104. Entram em vigor no primeiro dia do exercício
seguinte àquele em que ocorra a sua publicação os dispositivos de lei, referentes a
impostos sobre o patrimônio ou a renda:
I - que instituem ou majoram tais impostos;
II - que definem novas hipóteses de incidência;
III - que extinguem ou reduzem isenções, salvo se a lei dispuser
de maneira mais favorável ao contribuinte, e observado o disposto no artigo 178.
Saber definir quando uma norma tributária começa a viger é um requisito
fundamental no estabelecimento dos critérios de acompanhamento da evolução da legislação
tributária.
02.01.04 Aplicação dos Atos Normativos
Para saber se uma norma tributária nova aplica-se a fatos geradores
pretéritos, pendentes e futuros, é necessário verificar se existem regras, definidas na
Legislação Tributária, sobre aplicação da norma tributária. No caso brasileiro, tais regras
estão nos artigos 105 e 106 do Código Tributário Nacional:
20
Art. 105. A legislação tributária aplica-se imediatamente aos
fatos geradores futuros e aos pendentes, assim entendidos aqueles cuja ocorrência
tenha tido início mas não esteja completa nos termos do artigo 116.
Art. 106. A lei aplica-se a ato ou fato pretérito:
I - em qualquer caso, quando seja expressamente interpretativa,
excluída a aplicação de penalidade à infração dos dispositivos interpretados;
II - tratando-se de ato não definitivamente julgado:
a) quando deixe de defini-lo como infração;
b) quando deixe de tratá-lo como contrário a qualquer
exigência de ação ou omissão, desde que não tenha sido fraudulento e não tenha
implicado em falta de pagamento de tributo;
c) quando lhe comine penalidade menos severa que a prevista
na lei vigente ao tempo da sua prática.
Portanto, ao se estruturarem as Declarações, ao serem determinadas as bases
de cálculo e o montante devido, bem como na aplicação de penalidades, as regras de aplicação
da norma tributária devem ser observadas.
02.01.05 Efeitos de uma Norma Tributária Nova sobre uma Antiga
Quando expira o prazo fixado para o fim de sua vigência , quando ocorre o
fato ou situação jurídica determinadora do fim de sua vigência, ou quando uma nova norma a
modifica ou a revoga, ocorre a extinção ou morte da norma tributária. Assim diz a Lei de
Introdução do Código Civil (Decreto-lei nº 4.657, de 04/09/1942):
Art. 2° - Não se destinando à vigência temporária, a lei terá
vigor até que outra a modifique ou revogue.
§ 1° - A lei posterior revoga a anterior quando expressamente o
declare, quando seja com ela incompatível ou quando regule inteiramente a
matéria de que tratava a lei anterior.
§ 2° - A lei nova, que estabeleça disposições gerais ou especiais
a par das já existentes, não revoga nem modifica a lei anterior.
§ 3° - Salvo disposição em contrário, a lei revogada não se
restaura por ter a lei revogadora perdido a vigência.
Dessa forma, quando uma norma nova entra no mundo jurídico, os seguintes
efeitos poderão ocorrer sobre as normas, até então, vigentes:
•
Acréscimo: é o acréscimo de artigos, parágrafos, alíneas, incisos, etc. ao texto da norma
antiga.
•
Acréscimo provisório: é o acréscimo ao texto da norma antiga, em razão de uma Medida
Provisória.
21
•
Alteração ou Modificação ou Revogação parcial por modificação: é quando um artigo,
parágrafo, alínea, inciso, etc. de uma norma antiga passa a ter uma redação diferente a
partir da vigência da norma nova. Pode ser: tácita ou implícita, quando houver
incompatibilidade entre norma nova e norma antiga (por incompatibilidade) ou quando a
norma nova passa a regular inteiramente a matéria trata pela norma anterior (por nova
regulamentação completa do assunto); ou expressa, quando em uma norma jurídica estiver
declarada a revogação de um norma anterior. Uma norma geral, contudo, não revoga uma
específica.
•
Alteração provisória: é a alteração decorrente da edição de uma Medida provisória
•
Aprovação de texto: é quando a norma nova simplesmente aprova um texto de uma norma
existente. Por exemplo, um Decreto Legislativo que aprova um Tratado ou Convenção
Internacional; ou um Decreto que aprova um Regulamento ou uma Tabela de Incidência
de Tributos Aduaneiros.
•
Norma correlata: é quando uma norma nova se refere a uma já existente, e a sua
interpretação, ou consideração, tem que ser conjunta.
•
Prorrogação: é quando um dispositivo normativo prorroga o prazo de vigência ou
aplicação definido para uma norma já existente.
•
Regulamentação parcial: é quando uma norma surge para atender, embora parcialmente, a
uma exigência de regulamentação proposta por uma norma antiga.
•
Regulamentação total: é quando uma norma surge para atender completamente a uma
exigência de regulamentação proposta por uma norma antiga.
•
Revogação parcial simples ou derrogação simples: quando se limita a tornar sem efeito
uma parte da norma. Pode ser: tácita ou implícita, quando houver incompatibilidade entre
norma nova e norma antiga (por incompatibilidade) ou quando a norma nova passa a
regular inteiramente a matéria trata pela norma anterior (por nova regulamentação
completa do assunto); ou expressa, quando em uma norma jurídica estiver declarada a
revogação de um norma anterior. Uma norma geral, contudo, não revoga uma específica
•
Revogação total ou ab-rogação: é quando o dispositivo normativo se torna sem efeito por
completo. Pode ser: tácita ou implícita, quando houver incompatibilidade entre norma
nova e norma antiga (por incompatibilidade) ou quando a norma nova passa a regular
inteiramente a matéria trata pela norma anterior (por nova regulamentação completa do
22
assunto); ou expressa, quando em uma norma jurídica estiver declarada a revogação de
um norma anterior. Uma norma geral, contudo, não revoga uma específica
•
Suspensão inconstitucional: é quando um ato (Resolução do Congresso Nacional) torna
ineficaz uma norma que foi declarada inconstitucional pelo Supremo Tribunal Federal
02.01.06 Interpretação das Normas Tributárias
Segundo NUNES (1996, p.189-190), interpretar a norma jurídica é “extrair
do objeto tudo aquilo que ele tem de essencial”, e colocá-lo “de forma traduzida como um
novo plano de entendimento”. É “um trabalho prático elaborado pelo operador do Direito,
através do qual ele busca fixar o sentido e o alcance das normas jurídicas ou das expressões
do Direito”, sendo,
•
a fixação de sentido, extrair a essência do objeto da norma, e,
•
a fixação do alcance, definir a que situações ou pessoas a norma jurídica interpretada se
aplica.
No âmbito do Direito Tributário Brasileiro, diz o Código Tributário
Nacional (Lei federal nº 5.172/66) sobre interpretação da norma tributária:
CAPÍTULO IV
Interpretação e Integração da Legislação Tributária
Art. 107. A legislação tributária será interpretada conforme o
disposto neste Capítulo.
.......................................................................................................
Art. 110. A lei tributária não pode alterar a definição, o
conteúdo e o alcance de institutos, conceitos e formas de direito privado,
utilizados, expressa ou implicitamente, pela Constituição Federal, pelas
Constituições dos Estados, ou pelas Leis Orgânicas do Distrito Federal ou dos
Municípios, para definir ou limitar competências tributárias.
Art. 111. Interpreta-se literalmente a legislação tributária que
disponha sobre:
I - suspensão ou exclusão do crédito tributário;
II - outorga de isenção;
III - dispensa do cumprimento de obrigações tributárias
acessórias.
Art. 112. A lei tributária que define infrações, ou lhe comina
penalidades, interpreta-se da maneira mais favorável ao acusado, em caso de
dúvida quanto:
I - à capitulação legal do fato;
II - à natureza ou às circunstâncias materiais do fato, ou à
23
natureza ou extensão dos seus efeitos;
III - à autoria, imputabilidade, ou punibilidade;
IV - à natureza da penalidade aplicável, ou à sua graduação.
O processo de interpretação da norma tributária é importante, não só para
definir as declarações de tributos e contribuições, mas também para estabelecer algum tipo de
controle quanto ao contencioso tributário administrativo e judicial
02.01.07 Integração das Normas Tributárias
A integração, dentro do processo de interpretação, diz respeito ao
preenchimento de lacunas, ou “espaços em branco”, existentes na norma jurídica, que pode
ser utilizado pelo operador do Direito ao aplicá-la aos casos da vida real a serem
solucionados. Para o Direito Tributário Brasileiro, tal procedimento está regulamentado nos
artigos 108 e 109 do Código Tributário Nacional:
Art. 108. Na ausência de disposição expressa, a autoridade
competente para aplicar a legislação tributária utilizará sucessivamente, na ordem
indicada:
I - a analogia;
II - os princípios gerais de direito tributário;
III - os princípios gerais de direito público;
IV - a eqüidade.
§ 1º O emprego da analogia não poderá resultar na exigência
de tributo não previsto em lei.
§ 2º O emprego da eqüidade não poderá resultar na dispensa
do pagamento de tributo devido.
Art. 109. Os princípios gerais de direito privado utilizam-se
para pesquisa da definição, do conteúdo e do alcance de seus institutos, conceitos
e formas, mas não para definição dos respectivos efeitos tributários.
Da mesma forma que a interpretação, a integração da norma tributária é
importante não só para definir as declarações de tributos e contribuições, mas também para
estabelecer algum tipo de controle quanto ao contencioso tributário administrativo e judicial.
02.01.08 O Controle da Evolução da Legislação Tributária
Com base no que foi exposto segue aí uma proposta de como a edição de
normas de caráter tributário pode ser acompanhada, partindo da concepção de uma estrutura
de dados e concluindo-se com um fluxograma que representa a alimentação desse banco de
dados. Tal base de dados servirá como referência para avaliar o efeito da aplicação das
normas tributárias na arrecadação de tributos e contribuições, e para subsidiar, com mais
24
segurança, a edição normas com a intenção de diminuir os “vazios” encontrados na legislação
e que possam aumentar os riscos de elisão fiscal.
Um banco de dados de legislação poderá ter as seguintes tabelas:
•
•
•
Hierarquia das Normas Tributárias (NORMA-HIERARQUIA):
NÍVEL
DENOMINAÇÃO
CRIAÇÃO
CON
Normas Constitucionais
01/03/99
Tipos de Normas (NORMA-TIPO):
NÍVEL
SIGLA
DENOMINAÇÃO
CRIAÇÃO
COL
ACOADM
Acórdão
01/03/99
A
AGU
•
DENOMINAÇÃO
CRIAÇÃO
Advogacia-Geral da União
01/03/99
01/03/99
Código
TipoAto
DECLEIA
19821223
001940000
DECLEI A
Promulgador
Número
CAP
Fonte
CAP, PUN Artigo
ou PAR
INC
Caput
Coluna
000012 1
Nível
"Art." + " " + ["1º...9º" ou "10..."] + 13
" " + [texto] + ["." ou, se tiver
incisos, ":"]
Tipos de efeitos da Norma Tributária Nova sobre a Antiga (NORMA-EFEITOS):
Código
Nome
ACRESC
ACRPRO
Acréscimo
Acréscimo Provisório
Elementos da Norma Tributária (NORMA-ELEMENTOS)
0
Sub divi são
1
2
3
0
0
0
4
0
Or- Eledem mento
Texto da Norma
0
Art. 1º A Lei no 5.172, de 25 de outubro de 1966 –
Código Tributário Nacional, passa a vigorar com as
seguintes alterações:
ART
Subdivisões da Norma Tributária (NORMA-SUBDIVISÕES)
Código
3
4
6
7
8
Artigo
Artigo
Mínimo Máximo
Texto
2
Par te
5
Parte
1
Nº
LEIORDA+++++ 0
++++19661025
005172000
1
0
0
0
0
0
0
1
LIV
DISPOSIÇÃO PRELIMINAR
1
Normas Tributárias Modificadas por Normas Novas (NORMA-MODIFICADORA)
Código da Modificadora
Elemento Modificadora
LEICOMA+++++++++20010 0001000000000000
110000104000
00
•
24/12/1982
Formato
Normal
LEICOMA+++++ 000100 1
++++20010110 000000
000104000
000000
•
Publicador DataPublicação Página
23/12/1982 DOU
12
Código de identi- Código Artigo Variaficação da norma Elemento
ção
•
Variação Promulgação
001940 000
Partes da Norma Tributária (NORMA-PARTES):
ART
•
EXTINÇÃO
Identificação da Norma Tributária (NORMA-IDENTIFICAÇÃO):
Código SubDivisão Nome
•
EXTINÇÃO
Entidades Promulgados e Publicadoras (NORMA-ENTIDADE):
CÓDIGO
•
EXTINÇÃO
Código da Modificada
Elemento modificada
Efeito
LEIORDA+++++++++196610 000900000403000 ALTERA
25005172000
001
Sistematização por Assunto (NORMA-ASSUNTO)
Código do Assunto
Título do Assunto
0900000000
FATO
GERADOR
DA Define-se
como
fato 31/12/2000
OBRIGAÇÃO TRIBUTÁRIA gerador a situação ...
Texto do Assunto
CRIAÇÃO
EXTINÇÃO
01/03/2001
25
•
Legislação de Referência do Assunto (NORMA-REFERÊNCIA)
Código do Assunto
Código de Identificação da Norma
0900000000
LEICOMA+++++++++20010110000104000 000100000000000000
Código do Elemento
O fluxograma adiante sugere como deve ser exercido um controle sobre o
surgimento e sobre as alterações da legislação tributária. Os nomes das tabelas representadas
no diagrama são os que estão entre parênteses, acima.
NORMA TRIBUTÁRIA NOVA
Novo Tipo de
Norma?
Nova
Hierarquia?
S
S
Atualizar
Atualizar
NORMA-TIPO
Novo Tipo de
Entidade?
N
S
N
Atualizar
NORMAHIERARQUIA
Novo Tipo de
Parte?
Novo Tipo de
Efeito?
NORMAENTIDADE
N
S
N
S
Atualizar
Atualizar
NORMAPARTE
NORMAEFEITO
Atualizar
NORMA-IDENTIFICAÇÃO
Atualizar
NORMA-ELEMENTOS
Classificar por
assunto
É Modificadora?
N
S
Atualizar
Reiniciar
NORMA-MODIFICADORA
Tem subdivisões?
N
S
Atualizar
NORMA-ASSUNTO E
NORMA-REFERÊNCIA
Atualizar
Reiniciar
NORMA-SUBDIVISÕES
02.02 Tributos e Contribuições
02.02.01 Conceito e Classificação
Os tributos e contribuições, dependendo do modelo constitucional das
Administrações Tributárias dos Estados, podem constar do texto constitucional, do texto de
norma complementar ou de uma lei ordinária. No caso brasileiro, a definição de tributos e
contribuições, bem como de seus tipos, está contemplada na Constituição Federal de 1988 –
CF88 – e no Código Tributário Nacional –CTN (Lei 5.172/1966).
26
O conceito de tributo no Brasil é o seguinte (Lei Federal nº 5.172/66, art.
3º):
“Tributo é toda prestação pecuniária compulsória, em moeda
ou cujo valor nela se possa exprimir, que não constitua sanção de ato ilícito,
instituída em lei e cobrada mediante atividade administrativa plenamente
vinculada.”
No Brasil, a União, os Estados, o Distrito Federal e os Municípios poderão
instituir os tributos descritos resumidamente no quadro abaixo (Constituição Brasileira de
1988, art. 145, e Lei 5.172/66, arts. 3º, 16, 77 e 81):
NOME DO TRIBUTO
DEFINIÇÃO
Impostos
Imposto é o tributo cuja obrigação tem por fato gerador uma situação independente de
qualquer atividade estatal específica, relativa ao contribuinte.
Sempre que possível, os impostos terão caráter pessoal e serão graduados segundo a
capacidade econômica do contribuinte, facultado à administração tributária, especialmente
para conferir efetividade a esses objetivos, identificar, respeitados os direitos individuais e nos
termos da lei, o patrimônio, os rendimentos e as atividades econômicas do contribuinte.
As taxas cobradas pela União, pelos Estados, pelo Distrito Federal ou pelos Municípios, no
âmbito de suas respectivas atribuições, têm como fato gerador o exercício regular do poder de
polícia, ou a utilização, efetiva ou potencial, de serviço público específico e divisível,
prestado ao contribuinte ou posto à sua disposição. As taxas não poderão ter bases de cálculo
próprias de impostos
A contribuição de melhoria cobrada pela União, pelos Estados, pelo Distrito Federal ou pelos
Municípios, no âmbito de suas respectivas atribuições, é instituída para fazer face ao custo de
obras públicas de que decorra valorização imobiliária, tendo como limite total a despesa
realizada e como limite individual o acréscimo de valor que da obra resultar para cada imóvel
beneficiado.
Taxas
Contribuições de Melhoria
Além dos tributos, o Sistema Tributário do Brasil, segundo a Constituição
Federal de 1988 e Emenda Constitucional nº 33/2001 (art. 149 e parágrafos), atribui à União a
competência para “instituir Contribuições Sociais, de intervenção no domínio econômico e de
interesse das categorias profissionais ou econômicas, como instrumento de sua atuação nas
respectivas áreas” e aos Estados, ao Distrito Federal e aos Municípios, para “instituir
contribuição cobrada de seus servidores, para o custeio, em benefício destes, de sistemas de
previdência e assistência social”. As contribuições sociais e de intervenção no domínio
econômico: não incidirão sobre as receitas decorrentes de exportação; poderão incidir sobre a
importação de petróleo e seus derivados, gás natural e seus derivados e álcool combustível;
poderão ter alíquotas: (a) ad valorem, tendo por base o faturamento, a receita bruta ou o valor
da operação e, no caso de importação, o valor aduaneiro, (b) específica, tendo por base a
unidade de medida adotada.
Empréstimos compulsórios também poderão ser instituídos pela União,
segundo a Constituição Brasileira de 1988,
Art. 149. A União, mediante lei complementar, poderá instituir
empréstimos compulsórios:
I - para atender a despesas extraordinárias, decorrentes de
27
calamidade pública, de guerra externa ou sua iminência;
II - no caso de investimento público de caráter urgente e de
relevante interesse nacional, observado o disposto no art. 150, III, "b".
Parágrafo único. A aplicação dos recursos provenientes de
empréstimo compulsório será vinculada à despesa que fundamentou sua
instituição.
02.02.02 Base Econômica do Sistema Tributário Brasileiro
De acordo com a Constituição Federal Brasileira de 1988 e Emenda
Constitucional nº 20, de 15/12/98, Emenda Constitucional nº 3, de 17/03/93, Emenda
Constitucional de Revisão nº 33, de 11/12/2001, Emenda Constitucional nº 29, de 13/09/00
GRUPO
TRIBUTO
COMPETÊNCIA
Impostos sobre o Comércio Exterior
Imposto sobre Exportação
Imposto sobre Importação
Imposto sobre a Renda e Proventos de
Qualquer Natureza
Imposto sobre a Propriedade Territorial
Rural
Imposto sobre Grandes Fortunas
Imposto sobre Transmissão Causa
Mortis e Doação de Quaisquer Bens ou
Direitos
Imposto sobre propriedade de Veículos
Automotores
Imposto sobre a Propriedade predial e
Territorial Urbana
Imposto sobre Transmissão Inter Vivos,
de Bens Imóveis
Imposto sobre Produtos
Industrializados
Imposto sobre Operações de Crédito,
Câmbio e Seguro, ou relativas a Títulos
e Valores Mobiliários
Imposto sobre Operações relativas à
Circulação de Mercadorias e sobre
Prestações de Serviços de Transporte
Interestadual e Intermunicipal e de
Comunicação
Imposto sobre Serviços de Qualquer
Natureza
Outros Impostos
Impostos Extraordinários
União
União
União
Impostos sobre o Patrimônio e a Renda
Impostos sobre Produção e Circulação
Impostos Especiais
União
União
Estados e Distrito Federal
Municípios
Municípios
União
União
Municípios
União
União
02.02.03 As Contribuições para a Seguridade Social
De acordo com a Constituição Federal Brasileira de 1988 e Emenda
Constitucional nº 20, de 15/12/98, podem ser instituídas as seguintes contribuições sociais:
GRUPO
CONTRIBUIÇÃO
COMPETÊNCIA
Contribuição do empregador, da Contribuição sobre a folha de salários e União
empresa e da entidade a ela equiparada demais rendimentos do trabalho pagos
ou creditados, a qualquer título, à
0pessoa física que lhe preste serviço,
mesmo sem vínculo empregatício
Contribuição sobre a receita ou sobre o União
faturamento
28
GRUPO
CONTRIBUIÇÃO
Contribuição sobre o lucro
Contribuição do trabalhador e dos Contribuição dos servidores públicos
demais segurados da previdência social estaduais e do Distrito Federal, e dos
demais segurados da previdência social
dos Estados e do Distrito Federal
Contribuição dos servidores públicos
municipais e dos demais segurados da
previdência social dos Municípios
Contribuição dos servidores públicos
federais e dos demais segurados da
previdência social da União
Contribuição dos demais trabalhadores
Outras Contribuições
Contribuição sobre a receita de
concursos de prognósticos
Outras fontes destinadas a garantir a
manutenção ou expansão da seguridade
social
COMPETÊNCIA
União
Municípios
União
União
União
União
02.02.04 O Controle da Instituição e Extinção de Tributos e
Contribuições
Tendo sido apresentada uma proposta de como controlar a evolução da
legislação tributária, é necessário que as administrações tributárias acompanhem o surgimento
ou instituição e o desaparecimento ou extinção de tributos e contribuições.
O conjunto de tabelas apresentado a seguir será bastante útil para se obter tal
controle. As características dos tributos e contribuições, do tipo cumulatividade, seletividade,
imunidades, não incidências, etc., só serão abrangidas em capítulos apresentados adiante. Eis
o conjunto de tabelas para o sistema tributário brasileiro:
•
•
•
Grupos de Tributos e Contribuições (TRIBUTO-GRUPO):
GRUPO
DENOMINAÇÃO
CRIAÇÃO
IMP
TAX
COM
EMC
COS
Impostos
Taxas
Empréstimos Compulsórios
Contribuições Sociais
01/03/99
01/03/99
01/03/99
01/03/99
01/03/99
EXTINÇÃO
Subgrupos de Tributos e Contribuições (TRIBUTO-SUBGRUPO):
GRUPO
SUBGRUPO
DENOMINAÇÃO
IMP
IMP
IMP
IMP
TAX
COM
EMC
COS
IMPCOMEXT
IMPPATREN
IMPPROCIR
IMPESPECI
TAXAS
CONTRMELH
EMPRECOMP
CONSOCENT
COS
CONSOCTRA
COS
CONSOCOUT
Impostos sobre o Comércio Exterior
01/03/99
Impostos sobre o Patrimônio e a Renda
01/03/99
Impostos sobre a Produção e Circulação
01/03/99
Impostos Especiais
01/03/99
Taxas
01/03/99
01/03/99
Empréstimos Compulsórios
01/03/99
Contribuição do empregador, da empresa e da 01/03/99
entidade a ela equiparada
Contribuição
do
trabalhador
e
dos
demais 01/03/99
segurados da previdência social
Outras Contribuições Sociais
01/03/99
CRIAÇÃO
EXTINÇÃO
Tipos de Tributos e Contribuições (TRIBUTO-TIPO):
GRUPO
SUBGRUPO
SIGLA
DENOMINAÇÃO
CRIAÇÃO
IMP
IMPCOMEXT
IE
Imposto sobre Exportação
01/03/99
EXTINÇÃO
29
GRUPO
SUBGRUPO
SIGLA
DENOMINAÇÃO
IMP
IMP
IMPCOMEXT
IMPPATREN
II
IR
IMP
IMPPATREN
ITR
Imposto sobre Importação
01/03/99
Imposto sobre a Renda e Proventos de 01/03/99
Qualquer Natureza
Imposto
sobre
a
Propriedade 01/03/99
Territorial Rural
CRIAÇÃO
EXTINÇÃO
As tabelas acima serão atualizadas, conforme fluxograma a seguir (os
nomes das tabelas estão entre parênteses, acima):
TRIBUTO NOVO OU EXTINÇÃO DE TRIBUTO
É grupo novo ou extinção de grupo?
S
É subgrupo novo ou extinção de subgrupo?
N
S
Atualizar
N
Atualizar
TRIBUTO-GRUPO
TRIBUTO-SUBGRUPO
Atualizar
TRIBUTO-TIPO
02.03 Elementos da Obrigação Tributária
O Código Tributário Brasileiro (Lei Federal nº 5.172/66), dois tipos de
obrigação:
“Art. 113. A obrigação tributária é principal ou acessória.
§ 1º A obrigação principal surge com a ocorrência do fato
gerador, tem por objeto o pagamento de tributo ou penalidade pecuniária e
extingue-se juntamente com o crédito dela decorrente.
§ 2º A obrigação acessória decorrente da legislação tributária
e tem por objeto as prestações, positivas ou negativas, nela previstas no interesse
da arrecadação ou da fiscalização dos tributos.
§ 3º A obrigação acessória, pelo simples fato da sua
inobservância, converte-se em obrigação principal relativamente à penalidade
pecuniária.”
Assim, identifica-se no Direito Tributário do Brasil uma obrigação
principal, ou material, que se refere ao pagamento do tributo ou de penalidade pecuniária, e
uma acessória, ou formal, que se refere a procedimentos a serem cumpridos e que sejam de
interesse da arrecadação ou da fiscalização de tributos, como, por exemplo, o atendimento a
intimações da Administração Tributária, a entrega de declarações, a atualização obrigatória de
dados cadastrais, entre outras.
30
Os elementos da obrigação tributária, portanto, referem-se aos dispositivos
legais e administrativos que dão competência às Administrações Tributárias para lançar e
cobrar das pessoas físicas, jurídicas e outras entidades tributos e contribuições. Veremos a
seguir que uma organização da legislação tributária por assunto permitirá às Administrações
Tributárias não só maiores facilidades para fundamentar seus lançamentos, mas também de
acompanhar a evolução do crédito tributário lançado, em razão de pagamentos, de anistias, e
de contencioso administrativo e judicial.
02.03.01 Sujeito Ativo e o Controle
O Código Tributário Brasileiro (Lei Federal nº 5.172/66) assim define o
sujeito ativo da obrigação tributária:
“Art. 119. Sujeito ativo da obrigação é a pessoa jurídica de
direito público, titular da competência para exigir o seu cumprimento.
Art. 120. Salvo disposição de lei em contrário, a pessoa
jurídica de direito público, que se constituir pelo desmembramento territorial de
outra, subroga-se nos direitos desta, cuja legislação tributária aplicará até que
entre em vigor a sua própria.”
Apesar de as alterações de sujeito ativo para um mesmo tributo ou
contribuição não serem feitas com freqüência, é importante que se tenha um controle dessas
mudanças. A proposta de tabelas e o fluxograma de atualização, a seguir, mostram que o
controle do sujeito ativo é importante, apenas, quando se muda a competência tributária:

Sujeito Ativo da Obrigação Tributária (SUJEITOATIVO)
SIGLA SUJEITO ATIVO
DENOMINAÇÃO
CRIAÇÃO
U
E
M
União
Estado ou Distrito Federal
Município
01/03/99
01/03/99
01/03/99
EXTINÇÃO
Sujeito Ativo × Tributo (TRIBUTO-SUJEITOATIVO)
SIGLA TRIBUTO
SIGLA SUJEITO ATIVO
CRIAÇÃO
IMPCOMEXT
U
01/03/99
EXTINÇÃO
ALTERAÇÃO DE COMPETÊNCIA TRIBUTÁRIA OU SUJEITO ATIVO NOVO
É sujeito ativo novo?
N
S
É alteração de competência tributária?
Atualizar
S
Atualizar
SUJEITO ATIVO
TRIBUTO-SUJEITO ATIVO
31
02.03.02 Sujeito Passivo e o Controle
A legislação tributária brasileira define o sujeito passivo tanto da obrigação
principal como da obrigação acessória. Segundo a Lei Federal nº 5.172/66:
“Art. 121. Sujeito passivo da obrigação principal é a pessoa
obrigada ao pagamento de tributo ou penalidade pecuniária.
Parágrafo único. O sujeito passivo da obrigação principal dizse:
I - contribuinte, quando tenha relação pessoal e direta com a
situação que constitua o respectivo fato gerador;
II - responsável, quando, sem revestir a condição de
contribuinte, sua obrigação decorra de disposição expressa de lei.
Art. 122. Sujeito passivo da obrigação acessória é a pessoa
obrigada às prestações que constituam o seu objeto.
Art. 123. Salvo disposições de lei em contrário, as convenções
particulares, relativas à responsabilidade pelo pagamento de tributos, não podem
ser opostas à Fazenda Pública, para modificar a definição legal do sujeito passivo
das obrigações tributárias correspondentes.”
No Brasil, existem ainda definições (Lei Federal nº 5.172/66) sobre:
solidariedade (arts.124 e 125); capacidade tributária (art. 126); domicílio tributário (art. 127);
responsabilidade tributária dos sucessores, de terceiros e por infrações (arts. 128 a 138).
Ainda, sobre responsabilidade, cita-se o parágrafo 7º do art. 150 da
Constituição Brasileira de 1988:
“§ 7º. A lei poderá atribuir a sujeito passivo de obrigação
tributária a condição de responsável pelo pagamento de impostos ou contribuição,
cujo fato gerador deva ocorrer posteriormente, assegurada a imediata e
preferencial restituição da quantia paga, caso não se realize o fato gerador
presumido.”
Os elementos aqui apresentados exigem que se tenha um controle efetivo
exercido pelas Administrações Tributárias sobre o cadastro de sujeitos passivos, sejam
pessoas físicas, que terá um número para cada uma, ou jurídicas, que terá um número básico,
acrescentado do número do estabelecimento. Para que isto seja possível, tal controle
abrangerá, para cada sujeito passivo: o nome e suas modificações; no caso de pessoas
jurídicas, a criação e extinção de estabelecimentos; o endereço e suas alterações; as
atividades econômicas, para pessoas jurídicas, ou ocupações, para pessoas físicas, e suas
alterações; um controle de correspondências, com o objetivo, inclusive, de validar o
endereço informado pelo sujeito passivo; outros documentos que permitam identificar
sujeitos passivos pessoas físicas. Primar pela qualidade da informação sobre atividade
econômica e ocupação dos sujeitos passivos, é fundamental para se fazer uma análise setorial
32
que servirá de base para a atividade de seleção de sujeitos passivos para fiscalização.
As Administrações Tributárias, responsáveis por grandes extensões
territoriais, necessitam ter dados atualizados sobre as regiões e sub-regiões geográficas, para
que os sujeitos passivos sejam controlados em função de sua localização. A divisão de
grandes áreas geográficas em regiões fiscais, também é importante, por considerar as
particularidades econômicas de cada uma delas.
Deve ser dada, também, atenção especial aos vínculos entre sujeitos
passivos (pessoas físicas × pessoas físicas, pessoas jurídicas × pessoas físicas, pessoas jurídica
× pessoas jurídicas), decorrentes de solidariedade e de responsabilidade tributária.
Para pessoas físicas, são sugeridas tabelas do tipo:

Motivos de Atualização do Cadastro de Pessoas Físicas (MOTIVOS-PF): o exemplo a
seguir é parte da codificação adotada no Brasil.

SIGLA
DENOMINAÇÃO
CRIAÇÃO
INS
ALT
COR
INSCRIÇÃO
ALTERAÇÃO
CORREÇÃO
01/03/99
01/03/99
01/03/99
EXTINÇÃO
Sujeito Passivo Pessoa Física (CADASTRO-PF): na tabela a seguir, incluem-se como
outros dados: a data de nascimento, o sexo, a filiação, os documentos que serviram de
base à inscrição ou atualização, o endereço, telefone, fac-símile, e outros que forem
julgados necessários. O armazenamento de um histórico é fundamental para o controle.
NÚMERO DENOMINAÇÃO
OUTROS DADOS
MOTIVO
ATUALIZAÇÃO
0000001
0000002
0000003
XXXXXXXXXXXXXXXXXXXXXXX
INS
ALT
INS
01/03/99
01/03/99
01/03/99
Nome 0000001
Nome 0000002
Nome 0000003
Para pessoas jurídicas, são sugeridas tabelas do tipo:

Motivos de Atualização do Cadastro de Pessoas Físicas (MOTIVOS-PF): o exemplo a
seguir é parte da codificação adotada no Brasil

SIGLA
DENOMINAÇÃO
CRIAÇÃO
101
102
103
Inscrição de matriz
Inscrição de filial
Inscrição de filial de empresa brasileira no exterior
01/03/99
01/03/99
01/03/99
EXTINÇÃO
Sujeito Passivo Pessoa Jurídica (CADASTRO-PJ): na tabela a seguir, incluem-se como
outros dados: a data do documento de constituição, a natureza jurídica, os documentos
que serviram de base à inscrição ou atualização, o responsável pela empresa, o
responsável pela contabilidade, e outros que forem julgados necessários. O
armazenamento de um histórico é fundamental para o controle.
OUTROS DADOS
MOTIVO
ATUALIZAÇÃO
0000001
101
01/03/99
Nome 0000001
33

OUTROS DADOS
MOTIVO
ATUALIZAÇÃO
0000002
0000003
102
101
01/03/99
01/03/99
Nome 0000002
Nome 0000001
Sujeito Passivo Pessoa Jurídica (CADASTRO-PJ-ESTABELECIMENTO): na tabela a
seguir, incluem-se como outros dados: a data que iniciou as operações, o ramo de
atividade, os documentos que serviram de base à inscrição ou atualização, o endereço,
telefone, fac-símile, e outros que forem julgados necessários. O armazenamento de um
histórico é fundamental para o controle.
NÚMERO Nº DO ESTABELECIMENTO
OUTROS DADOS
MOTIVO
ATUALIZAÇÃO
0000001
0000001
0000002
INS
ALT
INS
01/03/99
01/03/99
01/03/99
0001
0002
0001
Para representar o relacionamento entre pessoas físicas, poderão ser usadas
as seguintes tabelas:

Tipos de Relacionamento entre Pessoas Físicas (TIPO-PF-PF):
SIGLA
DENOMINAÇÃO
CRIAÇÃO
PAI
MAE
IRM
CON
PAI
MÃE
IRMÃO
CÔNJUGE
01/03/99
01/03/99
01/03/99
01/03/99
EXTINÇÃO
Relacionamento entre Pessoas Físicas (RELACIONAMENTO-PF-PF): para o controle só
serão informados os de interesse fiscal:
NÚMERO1
NÚMERO2
TIPO
ATUALIZAÇÃO
0000001
0000002
0000008
0000001
CON
PAI
01/03/99
01/03/99
Para representar o relacionamento entre pessoas jurídicas e entre pessoas
jurídicas e físicas, poderão ser usadas as seguintes tabelas:

Tipos de Relacionamento entre Pessoas Jurídicas e entre Pessoas Jurídicas e Físicas
(TIPO-PJ-PJPF):

SIGLA
DENOMINAÇÃO ATUALIZAÇÃO
CAPITAL
VOTANTE
CAPITAL
SUBSCRITO
CRIAÇÃO
SOC
ACI
DIR
COL
SÓCIO
ACIONISTA
DIRETOR
COLIGADA
1.200,00
01/03/99
01/03/99
01/03/99
01/03/99
01/03/99
01/03/99
01/03/99
01/03/99
01/03/99
01/03/99
01/03/99
EXTINÇÃO
Relacionamento entre Pessoas Jurídicas e entre Pessoas Jurídicas e Físicas
(RELACIONAMENTO-PF-PF):
NÚMEROPJ
NÚMEROPJPF
TIPO
0000001
0000002
0000003
0000003
0000003
0000003
0000008
0000001
0000001
0000007
0000009
0000012
SOC
ACI
ACI
ACI
ACI
ACI
CAPITAL
VOTANTE
1.200,00
2.000,00
2.000,00
2.000,00
2.000,00
0,00
CAPITAL
SUBSCRITO
1.200,00
10.000,00
10.000,00
10.000,00
10.000,00
0,00
INÍCIO
FIM
01/03/99
01/03/99
01/03/99
01/03/99
01/03/99
01/03/99
o seguinte fluxograma resume como deve ser um controle sobre sujeitos
34
passivos:
SOLICITAÇÃO DE PESSOA FÍSICA
INTER-RELACIONAMENTO PF-PF
IDENTIFICADO
EM
PROCEDIMENTO
SOLICITAÇÃO DE PESSOA JURÍDICA
Transferir dados
para histórico e
atualizar
Transferir dados
para histórico e
atualizar
É motivo
novo?
S
Atualizar
CADASTRO-PJ
CADASTRO-PF
É motivo
novo?
MOTIVOS-PJ
S
Relaciona-se
com PF ou PJ?
Atualizar
Atualizar
Atualizar
RELACIONAMENTO-PF-PF
RELACIONAMENTO-PJ-PFPJ
MOTIVOS-PF
Transferir dados para
histórico e atualizar
ESTABELECIMENTOCADASTRO-PJ
02.03.03 Elementos da Obrigação Tributária Principal e o Controle
No ordenamento jurídico-tributário do Brasil a definição de fato gerador de
obrigação tributária principal, ou material, e acessória, ou formal, bem como as disposições
sobre quando ele ocorre, estão nos artigos 114 a 118 do Código Tributário Brasileiro (Lei
Federal nº 5.172/66).
Especificamente, no artigo 114, está definido o fato gerador da obrigação
principal:
“Art. 114. Fato gerador da obrigação principal é a situação
definida em lei como necessária e suficiente à sua ocorrência.”
Para cada tributo ou contribuição, a legislação tributária definirá elementos
que permitirão às Administrações Tributárias prepararem o lançamento. Estes elementos são,
generalizando para todos os tributos e contribuições:

Tipo de Sujeito Passivo e Modalidade de Tributo: o sujeito passivo ou é pessoa física (PF)
ou é pessoa jurídica (PJ)

TRIBUTO
SIGLA
SUJEITO
PASSIVO
MODALIDADE
TRIBUTO
DENOMINAÇÃO
Fato
Gerador
Início
IR
IR
PJ
PF
IRPJ
IRPF
Imposto de Renda Pessoa Jurídica
Imposto de Renda Pessoa Física
010399
010399
Fato
Gerador
Fim
Tipo de Atividade e Modalidades de Apuração: dependendo de determinadas atividades
econômicas (exemplos: prestadores de serviços × revenda de mercadorias; instituição
financeira × seguradoras × pessoas jurídica em geral; trabalhador assalariado ×
trabalhador não assalariado), a legislação
apuração diferente para cada um deles.
tributária poderá prever modalidade de
35
MODALIDADE
TRIBUTO
TIPO ATI- MODALIDENOMINAÇÃO
VIDADE
DADE APURAÇÃO
Fato
Gerador
Início
Fato
Gerador
Fim
IRPJ
IRPJ
IRPJ
GE
IF
SE
010399
010399
IRPJ-GE
IRPJ-IF
IRPJ-SE
IRPJ- Pessoa Jurídica em Geral
IRPJ- Instituições Financeiras e equiparadas
IRPJ- Seguradoras
As modalidades poderão ser subdivididas, em função da variação de alíquotas:

MODALISUBDADE
A- GRUPURAÇÃO PO
SIGLA
DENOMINAÇÃO
IRPJ-GE
IRPJ-GE
IRPJ-GE-GE
IRPJ-GE-AR
IRPJ- Pessoa Jurídica em Geral- Geral
010399
IRPJ- Pessoa Jurídica em Geral- Atividade
Rural
GE
AR
Fato
Gerador
Início
Fato
Gerador
Fim
010399
Forma de Tributação: a legislação tributária poderá instituir formas de tributação
diferentes para um mesmo tributo.

MODALIDADE
TRIBUTO
FORMA DE MODALIDA- DENOMINAÇÃO
TRIBUTA- DE
DE
ÇÃO
APURAÇÃO
Fato
Gerador
Início
IRPJ
IRPJ
IRPJ
IRPJ
IRPJ
IRPJ
IRPJ
IRPJ
IRPJ
IRPJ
LR
LR/LA
LP
LP/LA
LA
ME
IS
IM
SI
SC
010399
010399
010399
010399
010399
010399
010399
010399
010399
010399
IRPJ-LR
IRPJ-LRLA
IRPJ-LP
IRPJ-LPLA
IRPJ-LA
IRPJ-ME
IRPJ-IS
IRPJ-IM
IRPJ-SI
IRPJ-SC
IRPJ- Lucro Real
IRPJ- Lucro Real/Arbitrado
IRPJ- Lucro Presumido
IRPJ- Lucro Presumido/Arbitrado
IRPJ- Lucro Arbitrado
IRPJ- Microempresa
IRPJ- Isenção
IRPJ- Imunidade
IRPJ- Simples
Sociedades Civis
Fato
Gerador
Fim
010399
010399
Periodicidade do fato gerador: no caso brasileiro podem ser identificados tributos e
contribuições que tenham ou tiveram periodicidade mensal, trimestral, anual, decendial,
diário, semestral, quinzenal, semanal.

PERIODICIDADE
DENOMINAÇÃO
CRIAÇÃO
MM
TM
NA
DC
DI
SM
QU
SE
MENSAL
TRIMESTRAL
ANUAL
DECENDIAL
DIÁRIO
SEMANAL
QUINZENAL
SEMANAL
010399
010399
010399
010399
010399
010399
010399
010399
EXTINÇÃO
Forma de Tributação × Periodicidade: inter-relação entre forma de tributação e
periodicidade.

MODALIDA- PERIOCIDE
DE CIDADE
APURAÇÃO
SIGLA
DENOMINAÇÃO
IRPJ-LR
IRPJ-LR
IRPJ-LR
IRPJ-LR
IRPJ-LR-MM
IRPJ-LR-SM
IRPJ-LR-TM
IRPJ-LR-AN
IRPJIRPJIRPJIRPJ-
MM
SM
TR
AN
Lucro
Lucro
Lucro
Lucro
RealRealRealReal-
Mensal
Semestral
Trimestral
Anual
Fato
Gerador
Início
Fato
Gerador
Fim
010199
010399
010399
010399
311200
Imunidades Tributárias: normas constitucionais e legais definem limitações da
competência do poder de tributar. Mesmo ocorrido o fato gerador definido em lei, tais
limitações impedem que as Administrações Tributárias procedam ao lançamento do
tributo ou contribuição, por isso é importante que se atentem para essas imunidades, que
36
podem se referir tanto ao sujeito passivo quanto ao fato. As imunidades tributárias
objetivas, aquelas cujos valores são excluídos na apuração da base de cálculo, serão
consideradas no item correspondente. As imunidades tributárias subjetivas podem ser
controladas associando-se o códigos de atividade econômica ou de ocupação e o de
natureza jurídica com o tributo ou contribuição.

TRIBUTO
ATIVIDADE
OCUPAÇÃO
IRPJ
IRPJ
IRPJ
IRPJ
1111001
1112001
1113001
1121001
ECONÔMICA/ NATUREZA JURÍDICA/ DA Fato Gerador Fato
OCUPAÇÃO
Início
Fim
322
322
323
323
010199
010399
010399
010399
Gerador
311200
Base de Cálculo: ocorrido o fato gerador, para que o lançamento seja efetuado, a
legislação tributária define quais elementos, e respectivos valores, deverão compor a
matéria tributável do tributo ou contribuição a ser lançado. Isenções e não incidências
legais devem ser excluídas, ou não incluídas, na determinação da base de cálculo. As
imunidades objetivas são também consideradas. Propõe-se aqui uma organização, por
assunto, dos elementos que compõem a base de cálculo:
TRIBUTO
CÓDIGO
ITEM
ORDEM
DENOMINAÇÃO
ALÍMULTI- Fato
QUOTA PLICA- Gerador
(S/N)
DOR
Início
Fato
Gerador
Fim
IRPJ-LR-GE
IRPJ-LR-GE
IRPJ-LR-GE
IRPJ-LR-GE
IRPJ-LP-GE
IRPJ-LP-GE
IRPJ-LP-GE
IRPJ-LP-GE
01
0101
0102
0103
02
0201
0202
0202
0
0
0
0
0
0
0
1
DEMONSTRAÇÃO DO RESULTADO
Receita Bruta
(-) Deduções
(-) Receita Bruta Imune
PERCENTUAL SOBRE RECEITA BRUTA
Receita de Revenda de Mercadorias
Receita de Serviços
Receita de Serviços
I
S
S
S
I
S
S
S
311201
311201
311200
311201
311201
311201
311200
311201
0
+1
-1
-1
0
+0,08
+0,16
+0,32
010199
010399
010399
010101
010199
010199
010199
010101
A vinculação do código do assunto com códigos de disposições normativas será
importante para controlar a evolução dos valores lançados nas contestações
administrativas e judiciais.

TRIBUTO
CÓDIGO
ITEM
ORDEM
SIGLA
Fato
Gerador
Início
Fato
Gerador
Fim
IRPJ-LR-GE
IRPJ-LR-GE
IRPJ-LR-GE
IRPJ-LR-GE
01
0101
0102
0102
0
0
0
0
LEICOMA+++++++++20010110000104000
LEIORDA+++++++++19661025005172000
LEICOMA+++++++++20010110000104000
LEIORDA+++++++++19661025005172000
010199
010399
010399
311200
311200
311201
Alíquota: as alíquotas a serem utilizadas na apuração do crédito a ser constituído pode ser:
seletiva ou não, progressiva ou não, de acordo com a legislação tributária. Assim, algumas
atividades econômicas podem ter alíquotas mais favoráveis do que outras, ou os sujeitos
passivos são mais onerados com uma carga tributária maior do que outros em função de
sua capacidade contributiva. Um histórico das alíquotas deve estar à disposição das
Administrações Tributárias. Para o Imposto sobre Produtos Industrializados (Brasil) e para
os tributos aduaneiros, a tabela abaixo contemplaria o código do produto (no lugar de
37
SIGLA) e a alíquota correspondente.
SIGLA
ORDEM
LIMITE
INFERIOR
LIMITE
SUPERIOR
ALÍQUOTA
PARCELA
DEDUZIR
IRPJ-GE-GE
IRPJ-GE-AR
IRPJ-GE-AR
0
0
1
0
0
0
99999999
99999999
99999999
15
6
15
0
0
0
A Fato
Gerador
Início
010199
010199
010100
Fato
Gerador
Fim
311200
311299
311200
A vinculação do código da alíquota com códigos de disposições normativas será

TRIBUTO
ORDEM
SIGLA
Fato
Gerador
Início
Fato
Gerador
Fim
IRPJ-LR-GE
IRPJ-LR-GE
IRPJ-LR-GE
0
0
0
LEICOMA+++++++++20010110000104000
LEIORDA+++++++++19661025005172000
LEICOMA+++++++++20010110000104000
010199
010399
010399
311200
311200
311201
Apuração do montante a recolher: se o tributo ou contribuição for não cumulativo (por
exemplo, o ICMS brasileiro - Imposto sobre Circulação de Mercadorias e Serviços - ou o
IVA - Imposto sobre o Valor Agregado, de outras Administrações Tributárias), o valor
devido ou pago em operação anterior poderá ser deduzido. No caso do ICMS brasileiro, o
lançamento é feito em notas fiscais e transportado para o Livro de Saídas de mercadorias,
que, por sua vez, após as totalizações, é consolidado no Livro de Apuração do ICMS,
confrontando-se com as compras registradas no Livro de Entradas, para apuração de
saldos devedores ou credores. Existem também as chamadas deduções, isenções e
reduções que são diminuídas do tributo ou contribuição devido.
TRIBUTO
CÓDIGO
ITEM
ORDEM
DENOMINAÇÃO
ALÍMULTI- Fato
QUOTA PLICA- Gerador
(S/N)
DOR
Início
Fato
Gerador
Fim
IRPJ-LR-GE
IRPJ-LR-GE
IRPJ-LR-GE
01
0140
0141
0
0
0
DEMONSTRAÇÃO DO IRPJ LÍQUIDO
Imposto sobre Base de Cálculo
(-) Redução do Imposto
I
N
N
311201
311201
311201
0
+1
-1
010199
010199
010101
A vinculação do código do assunto com códigos de disposições normativas será

TRIBUTO
CÓDIGO
ITEM
ORDEM
SIGLA
Fato
Gerador
Início
Fato
Gerador
Fim
IRPJ-LR-GE
IRPJ-LR-GE
IRPJ-LR-GE
IRPJ-LR-GE
0140
0140
0141
0141
0
0
0
0
LEICOMA+++++++++20010110000104000
LEIORDA+++++++++19661025005172000
LEICOMA+++++++++20010110000104000
LEIORDA+++++++++19661025005172000
010199
010399
010399
311200
311200
311201
Prazos de recolhimento: a legislação tributária fixa, para cada tributo ou contribuição e
para cada período de ocorrência do fato gerador, prazo para liqüidação da obrigação
tributária. Em economias inflacionárias, prevê-se indexação seja da base de cálculo seja
do próprio tributo ou contribuição. Em circunstâncias especiais, poderão ser concedidas
38
prorrogações de prazo. Um histórico dos prazos de recolhimento, deverá estar disponível.
Tabelas sugeridas:
Um cadastro de regras: a título de exemplo, para o código “0001”, a regra é “dia do
encerramento”, e, para o código “0002”, a regra é “terceiro dia útil do segundo mês
subseqüente à semana do fato gerador”.
Nº REGRA
DE PRAZO
Nº DE TIPO
DIAS
DESLOCAMENTO
DIAS
Nº
DE DESLOCAPERÍOMENTO
DOS
PERÍODO
0001
0002
1
2
1
2
Nº MÊS
0003
3
3
Nª SEMANA
0004
0
0
0005
0
Nº
DECÊNDIO
Nª
QUINZENA
0006
0
DIA DO(A)
Nº
DIA
ÚTIL
DO(A)
Nº DIA CORRIDO(A)
DIA N DO(A)
ÚLTIMO DIA ÚTIL
DO(A)
ÚLTIMO
DIA
DO(A)
0
SEQUENCIA
TERMO
INICIAL
SUBSEQUENTE AO(A)
DA(O)
SEMANA
DA(O)
DECÊNDIO
DO(A)
QUINZENA
DO(A)
MÊS DO(A)
0
REFERÊNCIA
INICIAL
TERMO
ENCERRAMENTO
FATOGERADOR
LANÇAMENTO
SEMESTRE
DO(A)
TRIMESTRE
DO(A)
ANO DO(A)
0007
0008
Um cadastro de feriados nacionais, estaduais e municipais:
ABRANGÊNCIA
SIGLA ESTADO
SIGAL MUNICÍPIO
DATA
NACIONAL
NACIONAL
ESTADUAL
MUNICIPAL
BR
BR
RN
RN
BR
BR
RN
NATAL
01012001
01052001
14112001
06012001
Uma tabela de vencimentos por tributo e variação de tributo:
CÓDIGO VENCIMENTO
CÓDIGO DO GRUTRIBUTO
PO
SUBGRUPO
Periodicidade Fato gerador Fato gerador Código da reInício
Fim
gra de prazo
IRPJ-GE-GE-ME-010198-311298
IRPJ-GE-GE-AN-010198-311298
IRPJ-GE-GE-AN-010191-311291
IRPJ
IRPJ
IRPJ
GE
GE
GE
ME
AN
AN
GE
GE
GE
01/01/1998
01/01/1998
01/01/1991
31/12/1998
31/12/1998
31/12/1991
0001
0002
0003
Deverá haver outra tabela que relacione a que está acima com a base legal

TRIBUTO
ORDEM
SIGLA
Fato
Gerador
Início
Fato
Gerador
Fim
IRPJ-GE-GE-ME-010198-311298
IRPJ-GE-GE-AN-010198-311298
IRPJ-GE-GE-AN-010191-311291
0
0
0
LEICOMA+++++++++20010110000104000
LEIORDA+++++++++19661025005172000
LEICOMA+++++++++20010110000104000
010199
010399
010399
311200
311200
311201
Atualização monetária: além da tabela abaixo, ter-se-á outra para se relacionar com a base
legal e outra com o histórico de indexadores

CÓDIGO
INDEXADOR
Termo de Termo
Início
final
Fato
gerador
início
Fato
gerador
fim
Data ven- Data ven- Data pa- Data pacimento
cimento fim gamento
gamento
início
início
fim
001001
001002
001003
UFIR
UFIR
UFIR
010399
001001
001002
010399
311290
311290
010399
010399
010399
010487
010487
010399
010587
040292
010399
310191
020192
010399
Juros de mora: além da tabela abaixo, ter-se-á outra para se relacionar com a base legal e
outra com o histórico de percentual de juros.
CÓDIGO
JUROS
VENCI- VENCI- PERÍO- PERÍO- JUROS
JUROS
BASE
MENTO MENTO DO
DO
DEVIDOS DEVIDOS
INÍCIO FIM
INÍCIO FIM
INÍCIO
FIM
001001
010487 311290
010587
310191
TIPO
TAXA
ATUA- TJM
LIZADA
DE ATUALIZA- TEXTO
ÇÃO TERMO
FINAL
010197
1% ao mês calendário ou
fração,
contados
a
partir do mês seguinte
ao do vencimento
39

001002
010487 311290
040292
020192
001003
010487 311290
010292
311296
ATUA- TRD
LIZADA
ORITJM
GINAL
010197
(4,3552/TRDVencimento1)x100
010197
1% ao mês calendário ou
fração,
contados
a
partir do mês seguinte
ao do vencimento
Multa de mora: a evolução das multas moratórias será armazenada em uma tabela de
histórico do tipo a seguir. Também um inter-relacionamento com a base legal deverá ser
montado.
CÓDIGO TIPO
MULTA MULTA
Vencimento
Início
001001 MORA
001002 MORA
Vencimento
Fim
Período Período PagaInício
Fim
mento
Início
Pagamento
Fim
Atraso Atraso
Dias
Dias
Início Fim
Atraso
Meses
Início
Atraso Percen Base TEXTO
Meses -tual Atuali
Fim
zada
010387 070289
0
0
0
0
10
S
010387 070289
0
0
0
1
20
S
Redução
20% reduzi- N
do a 10% se
pago até o úl
timo dia útil N
do mês subseqüente ao
do
vencimento
Como estas tabelas são, apenas, paramétricas e informativas para a
efetivação do lançamento, o controle sobre esses elementos será feito por uma atualização
sistemática e rigorosa dessas tabelas, à medida que as situações forem sendo modificadas a
partir de novas disposições normativas que forem surgindo.
02.03.04 Elementos da Obrigação Tributária Acessória e o Controle
A obrigação tributária acessória ou formal também é definida pela
legislação tributária brasileira (Lei Federal nº 5.172/66, art. 115):
Art. 115. Fato gerador da obrigação acessória é qualquer
situação que, na forma da legislação aplicável, impõe a prática ou a abstenção de
ato que não configure obrigação principal.
Para cada tributo ou contribuição, a legislação tributária definirá elementos
formais, de interesse da arrecadação e fiscalização, que devem ser apresentados pelos sujeitos
passivos às Administrações Tributárias. Estes elementos são, generalizando para todos os
tributos e contribuições:

Tipo de Sujeito Passivo e Modalidade de Tributo: o sujeito passivo ou é pessoa física (PF)
ou é pessoa jurídica (PJ). Ver modelos de tabelas no tópico anterior.

Tipo de Atividade e Modalidades de Apuração: dependendo do ramo de atividade do
sujeito passivo (exemplos: prestadores de serviços × revenda de mercadorias; instituição
financeira × seguradoras × pessoas jurídica em geral; trabalhador assalariado ×
trabalhador não assalariado), a legislação
tributária poderá prever uma estrutura de
40
informação diferente, adequada ao tipo de atividade econômica ou ocupação. Ver modelos
de tabelas no tópico anterior.

Periodicidade do fato gerador: no caso brasileiro podem ser identificados tributos e
contribuições cuja periodicidade da informação é mensal, trimestral ou anual. Ver
modelos de tabelas no tópico anterior.

Definição de modelos de informação: as normas tributárias, ou intimações das autoridades
fazendárias, especificarão o formato de apresentação das informações de interesse da
arrecadação ou fiscalização. Uma informação bem organizada facilitará o trabalho de
verificação do cumprimento da obrigação material, bem como selecionar sujeitos passivos
que tenham comportamentos fora dos padrões da maioria.
TIPO
INFORMAÇÃO/ DENOMINAÇÃO
DECLARAÇÃO
Periodicidade
Fato Gerador Fato Gerador
Início
Fim
DPJ010199311299MM
MM
010199
Declaração das Pessoas Jurídicas
311201
Os códigos de definição dos itens de apuração da base de cálculo referidos no tópico
anterior servirão de base para a organização das declarações. Um exemplo de montagem é
a seguinte tabela (os campos TRIBUTO, CÓDIGO ITEM e ORDEM relacionam-se com a
tabela base de cálculo e com a de legislação correlata):
TIPO
TRIBUTO
INFOR
MAÇÃO
DPJ0101
9931129
9MM
DPJ0101
9931129
9MM
DPJ0101
9931129
9MM
DPJ0101
9931129
9MM
DPJ0101
9931129
9MM
DPJ0101
9931129
9MM
DPJ0101
9931129
9MM

CÓDIGO
ITEM
ORDEM
Ficha
Linha
Campos
DENOMINAÇÃO
Fato
Gerador
Início
Fato
Gerador
Fim
IRPJ-LR-GE
01
0
010199
311201
IRPJ-LR-GE
0101
0
01
0101
01-12
Receita Bruta (meses N/2
1 a 12)
15
010399
311201
IRPJ-LR-GE
0102
0
01
0102
01-12
(-) Deduções (meses N/2
1 a 12)
15
010399
311200
IRPJ-LR-GE
0103
0
01
0103
01-12
(-)
Receita
Bruta N/2
Imune (meses 1 a 12)
15
010101
311201
IRPJ-LP-GE
02
0
010199
311201
IRPJ-LP-GE
0201
0
01
0104
01-12
15
010199
311201
IRPJ-LP-GE
0202
0
01
0105
01-12
15
010199
311200
DEMONSTRAÇÃO
RESULTADO
PERCENTUAL
RECEITA BRUTA
Receita
de
(meses 1
Receita
(meses 1
Tipo
de
dado
Ta
manho
DO
SOBRE
de Revenda N/2
Mercadorias
a 12)
de Serviços N/2
a 12)
Prazo para cumprimento: a legislação tributária fixa, para cada tributo ou contribuição e
para cada período de ocorrência do fato gerador, prazo para cumprimento da obrigação
formal. Em circunstâncias especiais, poderão ser concedidas prorrogações de prazo. Um
histórico dos prazos, deverá estar disponível. . Ver modelos de tabelas no tópico anterior.
CÓDIGO INFORMAÇÃO
ORDEM
Código da regra de prazo
DPJ010199311299MM
1
0001
Deverá haver outra tabela que relacione a que está acima com a base legal:
41

CÓDIGO INFORMAÇÃO
ORDEM
SIGLA
Fato
Gerador
Início
Fato
Gerador
Fim
DIJ010199311299
DIJ010199311299
0
0
LEICOMA+++++++++20010110000104000
LEIORDA+++++++++19661025005172000
010199
010399
311200
311200
Penalidades por descumprimento: não cumprimento a obrigação tributária acessória, o
sujeito ficará sujeito à aplicação de penalidades.
CÓDIGO TIPO
MULTA MULTA
Vencimento
Início
001001 MORA
001002 MORA
Vencimento
Fim
Período Período PagaInício
Fim
mento
Início
Pagamento
Fim
Atraso Atraso
Dias
Dias
Início Fim
Atraso
Meses
Início
Atraso Percen Base TEXTO
Meses tual
Atuali
Fim
zada
010387 070289
0
0
0
0
10
S
010387 070289
0
0
0
1
20
S
Redução
20% reduzi- N
do a 10% se
pago até o úl
timo dia útil N
do mês subseqüente ao
do
vencimento
Pode haver multas de valor fixo:
CÓDIGO TIPO MULTA Vencimento
MULTA
Início
Vencimento
Fim
001001 MORA
001002 MORA
070289
070289
010387
010387
Período Período Pagamento
Início
Fim
Início
Pagamento Valor
Fim
mínimo
Valor
máximo
Base
Atualizada
901,23 2003,12 S
50,92 130,18 S
Redução
N
N
02.03.05 O Controle de Correspondências de Natureza Fiscal
O controle de correspondências de natureza fiscal deverá ter seu espaço nas
Administrações Tributárias. Denúncias, representações, consultas, solicitações internas e
externas, notícias de jornal, entre outros, se forem armazenados em uma base de dados
poderão permitir seleção de sujeitos com fortes indícios de evasão fiscal, se houver espaço
para o cadastro das prováveis infrações denunciadas e o correspondente valor. Os seguintes
são indispensáveis:

Dados gerais da correspondência:
Nº PROTOCOLO Data
1999030200001

02/03/99
Nº
PRIO- Prazo
para Tipo
RIResposta
CorresDADE (geral)
pondência
Nº de Órgão de ASSUNTO
OriOrigem
gem
OBSERVAÇÃO
00001
ALTA
0012/
1999
SEM
DOCUMENTOS
1999030200001
1999030200001
Nome
XXXX
INADIMPLÊNCIA
Nº
OBSERVAÇÃO
Cadastral
19990302000010001 XXXXXXXXXXXX
00001
09899
Dados dos Sujeitos Passivos Enumerados:
Nº PROTOCOLO Código Remetente
1999030200001
1999030200001

OFÍCIO
Dados dos Remetentes:

23/03/99
Nome
Nº
Nº
Cadastral Dossiê
00001
09899
RESUMO
00001001
09899001
Indícios Apontados
1999030200001
1999030200001
Código
da Código item Valor
Declaração
Declaração
Informado
19990302000010001 DPJ
19990302000010002 DPJ
010201
010201
3.000,00
5.000,00
RESUMO
42

Correspondências Anexadas:
Nº PROTOCOLO Nº PROTOCOLO Tipo
DO ANEXO
Correspondência
1999030200001
1999030200001

1999010200003
1999010200003
MEMORANDO
MEMORANDO
Nº de Origem
Anexação / Data Anexação Órgão de Origem
Desanexação
0012/ 1999
0012/ 1999
A
D
JFNT
JFNT
Movimentação:
Nº PROTOCOLO Data
de Data
de Prazo
Movimentação Movimentação Resposta
(unidade)
1999030200001
1999030200001

02/02/99
06/02/99
02/03/99
05/03/99
08/03/99
11/03/99
02/03/99
05/03/99
Unidade
Origem
AAAA
BBBB
de Unidade
Destino
de RESUMO
BBBB
CCCC
Fases:
Nº PROTOCOLO
Fase
Data de Movimentação
1999030200001
1999030200001
Aguardando Análise
Coleta de informações
02/03/99
05/03/99
02.03.06 A Matriz de Cumprimento de Obrigações Tributárias
De acordo com o ramo de atividade ou de ocupação e com a natureza
jurídica ou de ocupação, os sujeitos passivos deverão cumprir determinas obrigações
tributárias, sejam ela materiais ou formais. Para facilitar o trabalho de verificação do
cumprimento dessas obrigações é necessário que exista uma tabela que relacione ramo de
atividade × natureza da atividade × obrigações tributárias principal e acessórias. Este interrelacionamento é denominado de matriz de cumprimento de obrigações tributárias. Uma
sugestão para a matriz de cumprimento de obrigações:

Ramo de Atividade ou Ocupação × Natureza Jurídica ou da ocupação × Obrigações
Tributárias Acessórias:
Código do Ramo de Código de Natureza Principal/ Acessória Fato
Atividade
Jurídica
Início
0001001
0001002

001
001
P
A
01/01/87
01/01/87
gerador Fato Gerador Final
31/12/99
31/12/99
Código da Obrigação
IRPJ-LR-MM
DPJ010199311299
Cumprimento da Obrigação Tributária:
Nº Cadastral
Cumprimento
Código da Obrigação
02987
02987
SIM
NÃO
IRPJ-LR-MM
DPJ010199311299
02.04 A Constituição do Crédito Tributário e o Controle até a
Extinção
Finalmente chegamos na parte mais importante do controle de sujeitos
passivos que é a constituição do crédito tributário. Esta dá suporte às Administrações
Tributárias no que tange à cobrança dos valores lançados, tanto no âmbito administrativo
como no judicial. Se o lançamento, bem como os correspondentes mecanismos de cobrança,
suspensão e extinção, não forem bem estruturados e regulamentados todo o controle poderá
43
ficar prejudicado. Estando o controle prejudicado, isto refletirá em um risco maior nos
trabalhos de seleção de sujeitos passivos para fiscalização.
02.04.01 Lançamento por Declaração, por Homologação, de Ofício
No Código Tributário Brasileiro (Lei Federal nº 5.172/66), assim está
definido o que seja lançamento:
Art. 142. Compete privativamente à autoridade administrativa
constituir o crédito tributário pelo lançamento, assim entendido o procedimento
administrativo tendente a verificar a ocorrência do fato gerador da obrigação
correspondente, determinar a matéria tributável, calcular o montante do tributo
devido, identificar o sujeito passivo e, sendo caso, propor a aplicação da
penalidade cabível.
Parágrafo único. A atividade administrativa de lançamento é
vinculada e obrigatória, sob pena de responsabilidade funcional.
O Direito Tributário Brasileiro prevê três modalidades de lançamento:
lançamento por declaração, lançamento de ofício e lançamento por homologação.
Lançamento por Declaração
O lançamento por declaração, e suas retificações, está regulamentado no
artigo 147 do Código Tributário Brasileiro:
Art. 147. O lançamento é efetuado com base na declaração do
sujeito passivo ou de terceiro, quando um ou outro, na forma da legislação
tributária, presta à autoridade administrativa informações sobre matéria de fato,
indispensáveis à sua efetivação.
§ 1º A retificação da declaração por iniciativa do próprio
declarante, quando vise a reduzir ou a excluir tributo, só é admissível mediante
comprovação do erro em que se funde, e antes de notificado o lançamento.
§ 2º Os erros contidos na declaração e apuráveis pelo seu
exame serão retificados de ofício pela autoridade administrativa a que competir a
revisão daquela.
Vê-se, aí, que deverão ser armazenadas não só a declaração primitiva, como
também as retificadoras, para que se avaliem eletronicamente as regras estabelecidas em tal
dispositivo legal. O lançamento por declaração requer, ainda, um controle sobre a omissão de
entrega das informações indispensáveis ao lançamento. Por ser obrigação acessória ou formal,
a falta da ou o atraso na entrega da declaração acarreta em penalidade pecuniária ou no
lançamento de ofício, a seguir definido.
A omissão na entrega de declarações, ou no caso de declarações, de
esclarecimentos prestados, ou de documentos expedidos que não mereçam fé, poderá ensejar
o arbitramento do valor ou do preço, conforme art. 148 da Lei Federal nº 5.172/66:
44
Art. 148. Quando o cálculo do tributo tenha por base, ou tem
em consideração, o valor ou o preço de bens, direitos, serviços ou atos jurídicos, a
autoridade lançadora, mediante processo regular, arbitrará aquele valor ou preço,
sempre que sejam omissos ou não mereçam fé as declarações ou os
esclarecimentos prestados, ou os documentos expedidos pelo sujeito passivo ou
pelo terceiro legalmente obrigado, ressalvada, em caso de contestação, avaliação
contraditória, administrativa ou judicial.
Cabe aqui ressaltar que os dados do lançamento informados nas declarações
são os elementos mais importantes na atividade de seleção de sujeitos passivos.
Elementos de apuração do montante devido de tributo ou contribuição,
como adições e exclusões de base de cálculo, alíquotas, e diminuições desse montante,
poderão ser questionados administrativa ou judicialmente. Em razão deste fato, a legislação
poderá prever hipóteses de suspensão, exclusão, extinção e redução de crédito tributário, que
serão vistas mais adiante.
Lançamento de Ofício
No já citado diploma legal, também está previsto o lançamento de ofício:
Art. 149. O lançamento é efetuado e revisto de ofício pela
autoridade administrativa nos seguintes casos:
I - quando a lei assim o determine;
II - quando a declaração não seja prestada, por quem de
direito, no prazo e na forma da legislação tributária;
III - quando a pessoa legalmente obrigada, embora tenha
prestado declaração nos termos do inciso anterior, deixe de atender, no prazo e na
forma da legislação tributária, a pedido de esclarecimento formulado pela
autoridade administrativa, recuse-se a prestá-lo ou não o preste satisfatoriamente,
a juízo daquela autoridade;
IV - quando se comprove falsidade, erro ou omissão quanto a
qualquer elemento definido na legislação tributária como sendo de declaração
obrigatória;
V - quando se comprove omissão ou inexatidão, por parte da
pessoa legalmente obrigada, no exercício da atividade a que se refere o artigo
seguinte;
VI - quando se comprove ação ou omissão do sujeito passivo,
ou de terceiro legalmente obrigado, que dê lugar à aplicação de penalidade
pecuniária;
VII - quando se comprove que o sujeito passivo, ou terceiro em
benefício daquele, agiu com dolo, fraude ou simulação;
VIII - quando deva ser apreciado fato não conhecido ou não
provado por ocasião do lançamento anterior;
IX - quando se comprove que, no lançamento anterior, ocorreu
fraude ou falta funcional da autoridade que o efetuou, ou omissão, pela mesma
autoridade, de ato ou formalidade especial.
45
Parágrafo único. A revisão do lançamento só pode ser iniciada
enquanto não extinto o direito da Fazenda Pública.
O lançamento de ofício, pela legislação brasileira, requer que se formalize
um processo administrativo. Dessa forma, os valores lançados deverão ser acompanhados por
item do lançamento, para, quando houver qualquer modificação por decisões sobre
questionamentos administrativos ou judiciais, este automaticamente ter seus valores
atualizados. O controle do lançamento de ofício também é essencial para se diminuírem os
riscos de insucesso de uma seleção de sujeitos passivos.
Lançamento por Homologação
Tendo sido contemplado em tempos passados, a legislação brasileira prevê,
ainda, o lançamento por homologação, assim definido (Lei Federal nº 5.172/66, art. 150):
Art. 150. O lançamento por homologação, que ocorre quanto
aos tributos cuja legislação atribua ao sujeito passivo o dever de antecipar o
pagamento sem prévio exame da autoridade administrativa, opera-se pelo ato em
que a referida autoridade, tomando conhecimento da atividade assim exercida
pelo obrigado, expressamente a homologa.
§ 1º O pagamento antecipado pelo obrigado nos termos deste
artigo extingue o crédito, sob condição resolutória da ulterior homologação ao
lançamento.
§ 2º Não influem sobre a obrigação tributária quaisquer atos
anteriores à homologação, praticados pelo sujeito passivo ou por terceiro, visando
à extinção total ou parcial do crédito.
§ 3º Os atos a que se refere o parágrafo anterior serão, porém,
considerados na apuração do saldo porventura devido e, sendo o caso, na
imposição de penalidade, ou sua graduação.
§ 4º Se a lei não fixar prazo a homologação, será ele de cinco
anos, a contar da ocorrência do fato gerador; expirado esse prazo sem que a
Fazenda Pública se tenha pronunciado, considera-se homologado o lançamento e
definitivamente extinto o crédito, salvo se comprovada a ocorrência de dolo,
fraude ou simulação.
Observa-se, aí, que se trata de uma forma de lançamento muito difícil de ser
controlada, pois inicia-se pelo pagamento antecipado da obrigação, contra uma posterior
verificação pela autoridade lançadora, e se esta não fizer esta verificação no prazo de cinco
anos a contar do fato gerador, o lançamento é considerado homologado. Ou seja,
eletronicamente só seria possível uma verificação da retidão do lançamento, se a declaração
de outros tributos e contribuições contivesse dados que permitissem o cálculo do montante do
tributo ou contribuição devido pelos sujeito passivos.
02.04.02 Exclusão do Crédito Tributário
46
Efetuado o lançamento do crédito tributário em favor da União, o código
tributário brasileiro permite dois tipos de exclusão do crédito tributário (Lei Federal
nº5.172/66, arts. 175, 176, 180 e 181):
Art. 175. Excluem o crédito tributário:
I - a isenção;
II - a anistia.
Parágrafo único. A exclusão do crédito tributário não dispensa
o cumprimento das obrigações acessórias dependentes da obrigação principal
cujo crédito seja excluído, ou dela conseqüente.
Art. 176. A isenção, ainda quando prevista em contrato, é
sempre decorrente de lei que especifique as condições e requisitos exigidos para a
sua concessão, os tributos a que se aplica e, sendo caso, o prazo de sua duração.
Parágrafo único. A isenção pode ser restrita a determinada
região do território da entidade tributante, em função de condições a ela
peculiares.
Art. 180. A anistia abrange exclusivamente as infrações
cometidas anteriormente à vigência da lei que a concede, não se aplicando:
I - aos atos qualificados em lei como crimes ou contravenções e
aos que, mesmo sem essa qualificação, sejam praticados com dolo, fraude ou
simulação pelo sujeito passivo ou por terceiro em benefício daquele;
II - salvo disposição em contrário, às infrações resultantes de
conluio entre duas ou mais pessoas naturais ou jurídicas.
Art. 181. A anistia pode ser concedida:
I - em caráter geral;
II - limitadamente:
a) às infrações da legislação relativa a determinado tributo;
b) às infrações punidas com penalidades pecuniárias até
determinado montante, conjugadas ou não com penalidades de outra natureza;
c) a determinada região do território da entidade tributante, em
função de condições a ela peculiares;
d) sob condição do pagamento de tributo no prazo fixado pela
lei que a conceder, ou cuja fixação seja atribuída pela mesma lei à autoridade
administrativa.
A isenção é o tipo de exclusão que é computada no próprio lançamento. Já a
anistia refere-se a algo que já está lançado ou a fatos do passado que, se forem lançados,
observar-se-á se eles estão, ou não, abrangidos pela anistia.
02.04.03 Suspensão do Crédito Tributário
Lançado o crédito tributário, caso o sujeito passivo não proceda à sua
extinção, ele poderá estar enquadrado em uma das hipóteses definidas na legislação tributária
47
de suspensão do crédito tributário. No Brasil, estas hipóteses estão no Código Tributário
Brasileiro (Lei Federal nº 5.172/66, arts. 151-155A, transcrito, apenas, o 151):
Art. 151. Suspendem a exigibilidade do crédito tributário:
I - moratória;
II - o depósito do seu montante integral;
III - as reclamações e os recursos, nos termos das leis
reguladoras do processo tributário administrativo;
IV - a concessão de medida liminar em mandado de segurança.
V – a concessão de medida liminar ou de tutela antecipada, em
outras espécies de ação judicial; (Inciso incluído pela Lcp nº 104, de 10.1.2001)
VI – o parcelamento. (Inciso incluído pela Lcp nº 104, de
10.1.2001)
Parágrafo único. O disposto neste artigo não dispensa o
cumprimento das obrigações assessórias dependentes da obrigação principal cujo
crédito seja suspenso, ou dela conseqüentes.
Verifica-se que, para haver suspensão de exigibilidade do crédito tributário,
existe a dependência de fatores internos, como processos de parcelamento, despachos de
autoridades fiscais, contencioso administrativo, etc., e de fatores externos, como contencioso
judicial, legislação nova, etc. Assim, convênios estabelecidos com entidades externas poderão
muito facilitar o controle eletrônico das suspensões de créditos tributários.
02.04.04 Extinção do Crédito Tributário
O sujeito passivo, não mais estando em situação de suspensão de
exigibilidade de crédito tributário, procederá a sua extinção. São hipóteses de extinção
previstas no Código Tributário Brasileiro (Lei Federal nº 5.172/66, arts. 156-174, transcrito,
apenas, o art. 156):
Art. 156. Extinguem o crédito tributário:
I - o pagamento;
II - a compensação;
III - a transação;
IV - remissão;
V - a prescrição e a decadência;
VI - a conversão de depósito em renda;
VII - o pagamento antecipado e a homologação do lançamento
nos termos do disposto no artigo 150 e seus §§ 1º e 4º;
VIII - a consignação em pagamento, nos termos do disposto no
§ 2º do artigo 164;
IX - a decisão administrativa irreformável, assim entendida a
48
definitiva na órbita administrativa, que não mais possa ser objeto de ação
anulatória;
X - a decisão judicial passada em julgado.
XI – a dação em pagamento em bens imóveis, na forma e
condições estabelecidas em lei. (Inciso incluído pela Lcp nº 104, de 10.1.2001)
Parágrafo único. A lei disporá quanto aos efeitos da extinção
total ou parcial do crédito sobre a ulterior verificação da irregularidade da sua
constituição, observado o disposto nos artigos 144 e 149
Deverá ser dada atenção especial aos prazos decadenciais e prescricionais,
os quais também deverão ser controlados eletronicamente.
02.04.05 Indébito Tributário
Vinculados os débitos dos sujeitos passivos a pagamentos, e havendo saldos
de pagamentos, ocorre o chamado indébito tributário, ou o pagamento a maior ou indevido,
que é sujeito às seguintes regras gerais no Direito Tributário Brasileiro (Lei Federal nº
5.172/66):
Art. 165. O sujeito passivo tem direito, independentemente de
prévio protesto, à restituição total ou parcial do tributo, seja qual for a
modalidade do seu pagamento, ressalvado o disposto no § 4º do artigo 162, nos
seguintes casos:
I - cobrança ou pagamento espontâneo de tributo indevido ou
maior que o devido em face da legislação tributária aplicável, ou da natureza ou
circunstâncias materiais do fato gerador efetivamente ocorrido;
II - erro na edificação do sujeito passivo, na determinação da
alíquota aplicável, no cálculo do montante do débito ou na elaboração ou
conferência de qualquer documento relativo ao pagamento;
III - reforma, anulação, revogação ou rescisão de decisão
condenatória.
Art. 166. A restituição de tributos que comportem, por sua
natureza, transferência do respectivo encargo financeiro somente será feita a
quem prove haver assumido o referido encargo, ou, no caso de tê-lo transferido a
terceiro, estar por este expressamente autorizado a recebê-la.
Art. 167. A restituição total ou parcial do tributo dá lugar à
restituição, na mesma proporção, dos juros de mora e das penalidades
pecuniárias, salvo as referentes a infrações de caráter formal não prejudicadas
pela causa da restituição.
Parágrafo único. A restituição vence juros não capitalizáveis, a
partir do trânsito em julgado da decisão definitiva que a determinar.
Art. 168. O direito de pleitear a restituição extingue-se com o
decurso do prazo de 5 (cinco) anos, contados:
I - nas hipótese dos incisos I e II do artigo 165, da data da
extinção do crédito tributário;
II - na hipótese do inciso III do artigo 165, da data em que se
49
tornar definitiva a decisão administrativa ou passar em julgado a decisão judicial
que tenha reformado, anulado, revogado ou rescindido a decisão condenatória.
Art. 169. Prescreve em dois anos a ação anulatória da decisão
administrativa que denegar a restituição.
Parágrafo único. O prazo de prescrição é interrompido pelo
início da ação judicial, recomeçando o seu curso, por metade, a partir da data da
intimação validamente feita ao representante judicial da Fazenda Pública
interessada.
É importante que se controlem também, de preferência através de processos
administrativos, com discriminação de seu montante e dos parâmetros de apuração, os valores
restituídos a sujeitos passivos, por pagamentos a maior.
02.04.06 O Controle do Lançamento, Exclusão, Suspensão, Extinção e
Restituição de Crédito Tributário
O controle do lançamento até a sua extinção passa por um acompanhamento
rigoroso dos procedimentos internos e externos que interferem de alguma forma no processo
de cobrança do crédito lançado. São sugeridas as seguintes tabelas:

Tipos de Efeitos: dependendo da atitude do sujeito passivo ou de funcionários
encarregados do acompanhamento tributário, existe um tipo de efeito sobre o crédito
tributário lançado. Segundo o Direito Tributário Brasileiro são os efeitos relacionados
abaixo:

Tipo de DENOMINAÇÃO
Efeito
Criação
Extinção
LAN
CAN
EXC
SUS
EXT
IND
NEN
010199
010399
311201
311201
010399
010101
311200
311201
LANÇAMENTO
CANCELAMENTO DO LANÇAMENTO ANTERIOR
EXCLUSÃO
SUSPENSÃO DA COBRANÇA
EXTINÇÃO DO CRÉDITO TRIBUTÁRIO
INDÉBITO TRIBUTÁRIO
NENHUM
Tipos de Situações: situações especiais podem alterar os rumos da cobrança do crédito
tributário lançado. Segundo o Direito Tributário Brasileiro são as situações relacionadas
abaixo:
Tipo de Tipo de DENOMINAÇÃO
Efeito
Situação
Criação
Extinção
LAN
LAN
LAN
CAN
EXC
SUS
SUS
SUS
SUS
SUS
SUS
EXT
EXT
EXT
EXT
010199
010399
010399
311201
311201
311200
010101
311201
LDE
LHO
LOF
LDR
ANI
MOR
DMI
CLT
DJN
PAR
CAD
PAG
COM
TRA
REM
LANÇAMENTO POR DECLARAÇÃO
LANÇAMENTO POR HOMOLOGAÇÃO
LANÇAMENTO POR DECLARAÇÃO RETIFICADORA
ANISTIA
MORATÓRIA
DEPÓSITO DO MONTANTE INTEGRAL
CONCESSÃO DE LIMINAR/TUTELA ANTECIPADA EM AÇÕES JUDICIAIS
DECISÃO JUDICIAL REFORMÁVEL FAVORAVEL AO SUJEITO PASSIVO
PARCELAMENTO
CONTESTAÇÕES ADMINISTRATIVAS
PAGAMENTO
COMPENSAÇÃO
TRANSAÇÃO
REMISSÃO
50
Tipo de Tipo de DENOMINAÇÃO
Efeito
Situação
EXT
EXT
EXT
EXT
EXT
EXT
EXT
EXT
IND
IND
NEN

PRE
DEC
CDR
PAH
CPG
DAI
DJJ
DPI
ICO
IRE
SID
Criação
Extinção
PRESCRIÇÃO
DECADÊNCIA
CONVERSÃO DE DEPÓSITO EM RENDA
PAGAMENTO ANTECIPADO E HOMOLOGAÇÃO
CONSIGNAÇÃO EM PAGAMENTO
DECISÃO ADMINISTRATIVA IRREFORMÁVEL
DECISÃO JUDICIAL PASSADA EM JULGADO
DAÇÃO EM PAGAMENTO EM BENS IMÓVEIS
INDÉBITO TRIBUTÁRIO COMPENSADO
INDÉBITO TRIBUTÁRIO RESTITUÍDO
SITUAÇÕES DIVERSAS- VERIFICAR SE HÁ SUSPENSÃO QUE NÃO EXISTA MAIS
Informações sobre Lançamento: são as informações tanto apresentadas pelos sujeitos
passivos como as decorrentes de trabalhos internos.

Nº Cadastral
Tipo de Informação
Nº da informação
Tipo de Situação
Data da Informação
0001
0001
0001
DPJ010199311299MM
DPJ010199311299MM
DPJ010199311299MM
0001
0002
0003
LDE
LOF
DAI
010199
010299
010399
Informações sobre Apuração: cada débito ou modificação de débito refere-se a um ou a
muitos campos de informação, por isso, o controle poderá ser campo a campo:

Nº Cadastral
Código do Nº
da Código do item
item
Informação
0001
0001
0001
DPJ010199311299MM
DPJ010199311299MM
DPJ010199311299MM
010109
010109
010109
0001
0002
0003
080101
080201
080201
Valor do tributo
Valor da Penalidade
40.000,00
20.000,00
5.000,00
0,00
10.000,00
2.500,00
Informações sobre Pagamentos: com a automação bancária este controle tornou-se mais
efetivo. No entanto, existem erros de digitação que podem acarretar em não alocações ou
alocações indevidas. Um histórico das modificações de dados de pagamentos deverá ser
mantido:

Nº
Código do Tipo de Informação
Cadastral pagamento
Nº da In- Data de Ven- Valor
formação
cimento
Tributo
0001
0001
0001
0001
0002
0003
010101
090105
063254
DPJ010199311299MM
DPJ010199311299MM
DPJ010199311299MM
31/03/99
30/04/99
31/05/99
Juros
40.000,00 0,00
20.000,00 0,00
5.000,00 0,00
Multa
Situação
0,00
10.000,00
2.500,00
CAN
ORI
MOD
Informações sobre o Débito Remanescente: o débito remanescente a ser cobrado é
determinado somando-se os lançamentos por declaração ou homologação e os de ofício,
diminuindo-se as parcelas suspensas, excluídas e extintas. Sempre que houver
modificação de situação, o saldo remanescente será recalculado e armazenado em uma
tabela, como:
Nº Cadastral
Código do item
Data de vencimento
Situação Saldo
Tributo
0001
0001
DPJ010199311299MM
DPJ010199311299MM
080101
080101
04/02/99
04/02/99
NEN
EXT
do Saldo
Penalidade
55.000,00
55.000,00
da
7.500,00
7.500,00
O controle do indébito tributário é semelhante ao visto acima.
Para cada situação que suspenda, exclua, ou extinga o valor do débito
deverá ser feito um controle independente. Havendo mudança na situação atual, a base de
dados de lançamento será automaticamente atualizada. Será apresentado aqui somente o
acompanhamento do contencioso judicial, que poderá ser feito usando as seguintes tabelas:
51

Fases do Processo Judicial: ao se elaborar uma tabela de fases do processo judicial terá
que se prever em que fases se modifica a situação do crédito tributário, como a seguir:

Nº
Código de Criação
situação
01
11
12
13
14
15
16
19
21
22
24
25
26
31
32
41
42
43
44
45
51
52
61
62
63
64
65
66
71
72
81
82
83
84
91
92
95
96
97
98
99
Petição Inicial
Deferimento de Liminar/Antecipação de Tutela, sem depósito integral
Deferimento de Liminar/Antecipação de Tutela, com depósito Integral
Indeferimento de Liminar, com depósito integral
Indeferimento de Liminar, sem depósito integral
Deferimento Parcial de Liminar, com depósito integral
Deferimento Parcial de Liminar, sem depósito integral
Outro Despacho Interlocutório
Agravo em Mandado de Segurança
Agravo em Ação Ordinária
Revogação (JF) de Liminar, com depósito
Revogação (JF) de Liminar, sem depósito
Embargo de Declaração em Sentença (ao JF)
Sentença Favorável ao Contribuinte
Sentença Desfavorável ao Contribuinte
Apelação em Ação Ordinária
Apelação em Mandado de Segurança
Cassação (TRF) de Liminar, com depósito
Cassação (TRF) de Liminar, sem depósito
Reexame Necessário (Recurso de Ofício)
Acórdão (TRF) Favorável ao Contribuinte
Acórdão (TRF) Desfavorável ao Contribuinte
Embargo de Declaração em Recurso Especial (ao STJ)
Embargo Infringente
Embargo Infringente em Ação Rescisória
Recurso Especial (ao STJ)
Recurso Ordinário (ao STJ)
Embargo de Divergência em Recurso Especial (ao STJ)
Acórdão (STJ) Favorável ao Contribuinte
Acórdão (STJ) Desfavorável ao Contribuinte
Embargo de Declaração em Recurso Extraordinário (ao STF)
Recurso Extraordinário (ao STF)
Recurso Ordinário (ao STF)
Embargo de Divergência em Recurso Extraordinário (ao STF)
Acórdão (STF) Favorável ao Contribuinte
Acórdão (STF) Desfavorável ao Contribuinte
Desistência da Ação
Levantamento de Depósitos
Conversão de Depósitos em Renda
Trânsito em Julgado Favorável ao Contribuinte
Trânsito em Julgado Desfavorável ao Contribuinte
NEN
SUS
SUS
NEN
NEN
SUS
SUS
NEN
NEN
NEN
NEN
NEN
NEN
SUS
NEN
NEN
NEN
SUS
NEN
NEN
SUS
NEN
NEN
NEN
NEN
NEN
NEN
NEN
SUS
NEN
NEN
NEN
NEN
NEN
SUS
NEN
NEN
NEN
EXT
EXT
NEN
00000999
99000001
de Assunto
080101

NEN
Tramitação do Processo Administrativo:
00000999
00000999

Observações
PROCESSO JUDICIAL
Nº PROTOCOLO Data
de Data
de Unidade
Movimentação Movimentação Origem

010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
010199
Processo Administrativo de Acompanhamento:
Nº
Processo Nº do processo Data
administrativo
judicial
protocolo

Extinção
02/03/99
05/03/99
02/03/99
05/03/99
AAAA
BBBB
de Unidade
Destino
de RESUMO
BBBB
CCCC
Dados dos Titulares dos Processos:
Nº PROTOCOLO
Código Remetente
Nome
Nº Cadastral
00000999
00000999
000009990001
000009990002
XXXXXXXXXXXX
XXXXXXXXXXXX
00001
09899
Processos Anexados:
Nº PROTOCOLO
Nº PROTOCOLO DO ANEXO
Anexação / Desanexação
Data
00000999
00001000
00001000
00000999
A
D
02/02/99
06/02/99
Fases: no caso da fase do dia 05/03/02, código “11” deverá ser atualizada a base de dados
do controle do crédito lançado, de modo a suspender a exigibilidade do crédito discutido
52
judicialmente.
Nº PROTOCOLO
Fase
Data de Movimentação
00000999
00000999
01
11
02/03/99
05/03/99
O fluxograma abaixo resume como deve ser um controle deste o nascimento
do crédito tributário até sua extinção e sobre a existência de indébitos tributários:
PAGAMENTO ANTECIPADO
DECLARAÇÃO
Sim
Não
CRÉDITO
COBRADO
Sim
Sim
CRÉDITO LANÇADO E EXTINTO
Não
CRÉDITO
EXCLUÍDO
Não
Não
Sim
Homologação
Omissão/Inexatidão
Não
CRÉDITO
COBRADO
CRÉDITO
EXCLUÍDO
Pagamento Indevido
Sim
Sim
CRÉDITO
SUSPENSO
Não
CRÉDITO
COBRADO
EXECUÇÃO
DO CRÉDITO
Não
CRÉDITO
COBRADO
Não
Sim
CRÉDITO
SUSPENSO
Sim
CRÉDITO
EXTINTO
Não
EXECUÇÃO
DO CRÉDITO
PAGAMENTO RESTITUÍDO
Sim
Sim
CRÉDITO
EXTINTO
Pagamento Indevido
03
AS NOVAS TECNOLOGIAS DE CAPTAÇÃO E DE
PROCESSAMENTO DE INFORMAÇÕES
Neste capítulo, serão apresentadas as principais tecnologias de captação e de
processamento de informações, que já são ou que venham a ser utilizadas pelas
Administrações Tributárias na construção de suas bases de dados e no monitoramento dos
sujeitos passivos quanto ao cumprimento de suas obrigação principal, ou material, e
acessórias, ou formais.
03.01 AS NOVAS TECNOLOGIAS DE CAPTAÇÃO DE
INFORMAÇÕES
Com a evolução acelerada da eletrônica computacional e dos meios de
comunicação, novas tecnologias de captação de informações vêm proporcionando às
Administrações Tributárias maior agilidade na obtenção dos seus dados.
Serão apresentados aqui tecnologias que já estão sendo utilizadas, com
sucesso, no Brasil:

Telefonia

Digitalização de documentos

Disquete e CD-ROM

Equipamentos Emissores de Documentos Fiscais com Meio de
Armazenamento Inviolável.

Internet
03.01.01 Telefonia Fixa e Móvel
A telefonia, fixa ou móvel, poderá ser utilizada para servir de meio de
transmissão de dados de um sujeito passivo para a base de dados de uma Administração
Tributária. Feita a ligação telefônica para um número predeterminado, um sistema
computacional é posto em funcionamento e, através de respostas sonoras, ele orienta o sujeito
passivo a fazer suas escolhas através do acionamento de teclas do aparelho telefônico.
54
Na captação de dados, esta tecnologia vem sendo utilizada no Brasil, na
transmissão de declarações, simplificadas e de isentos, do imposto de renda pessoa física (ver
estatísticas de meios de entrega de declarações na parte relativa à Internet).
03.01.02 Digitalização de Documentos
Os scanners são equipamentos que possibilitam a transformação de
documentos, impressos em papel, em imagens que podem ser armazenadas em meios
magnéticos ou óticos (CD-ROM).
Um software, conhecido como OCR (characters optic recognition ou
reconhecimento ótico de caracteres), varre, totalmente ou em partes preestabelecidas, o
documento digitalizado, convertendo as imagens em textos codificados em um padrão de
caracteres (ASCII, EBCDIC, etc.).
Por ser uma tecnologia de alto custo e as pesquisas sobre OCR ainda estão
em desenvolvimento, ela não deve ser usada para documentos com grandes quantidades de
informações.
No Brasil, experiências estão sendo feitas utilizando as declarações
simplificadas, em cujo preenchimento se recomendam formatos de números e seu
posicionamento dentro dos retângulos onde serão escritos. Ainda não se têm estatísticas a
respeito desse tipo de experiência).
Uma sugestão de uso dessa tecnologia é a recuperação de textos de normas
tributárias para se formar uma base de legislação.
03.01.03 Disquete e CD-ROM
A eliminação do papel nos procedimentos de controle tributário e da
digitação de documentos apresentados pelos sujeitos passivos é uma meta que pode ser
almejada pelas Administrações Tributárias. A relação custo × benefício e a eliminação de
erros numéricos no seu preenchimento são, evidentemente, fatores que as motivam para
tenderem a optar por declarações confeccionadas com suporte em programas computacionais.
Após a confecção da declaração o programa de suporte gerará informações padronizadas que
poderão ser armazenadas em disquete ou em CD-ROM, que são entregues nas repartições das
Administrações Tributárias ou nos agentes arrecadadores (em geral, esses agentes são
entidades do Sistema Financeiro credenciadas).
55
O Brasil tem uma experiência positiva com este tipo de captação de
informações, não só para receber as declarações dos sujeitos passivos, mas também para obter
outras informações de interesse fiscal (mais adiante, na parte referente à Internet, encontramse quadros estatísticos que demonstram o crescimento da utilização de meios de declaração
computadorizados).
03.01.04 Equipamentos
Emissores
de
Documentos
Fiscais
com
Dispositivo de Armazenamento
Os equipamentos emissores de documentos fiscais, com dispositivos de
armazenamento e com software específico, registram as transações comerciais e as prestações
de serviços realizadas pelos sujeitos passivos. Periodicamente, agentes fiscais da
Administração Tributária irão buscar essas informações, as quais servirão de apoio à
verificação dos registros das operações nos livros contábeis e fiscais.
Para amenizar os riscos de fraude (do tipo adulteração, exclusão de
registros, ou até mesmo de segurança), é conveniente que, ao se adotar esta forma de captação
de informações, sejam estabelecidas especificações técnicas sobre o formato de apresentação
dos dados, sobre os mecanismos de segurança a serem observados, sobre a maneira pela qual
os agentes fiscais extrairão tais dados, além de submeter o equipamento e o software à
homologação do Fisco.
As Administrações Tributárias brasileiras, seja no âmbito Federal,
representada pela Secretaria da Receita Federal, seja no estadual, representadas pelas
Secretarias Estaduais de Fazenda ou de Tributação, já adotaram este tipo de tecnologia de
captação de dados.
03.01.05 A Internet
A rede mundial de computadores, conhecida no mundo inteiro como
Internet, é vista hoje como uma grande possibilidade de captação de informações pelas
Administrações Tributárias.
Viabilizada pelo progresso das comunicações, e facilitada pelo acesso por
telefone e por satélite, através do uso de pequenas antenas parabólicas, a Internet é o meio que
interliga pessoas das mais diversas localidades do planeta.
Apesar de esta forma de captação de dados ser vulnerável a fraudes, o Brasil
56
adotou-a com sucesso, como se observa nas estatísticas de entrega das declarações de pessoas
físicas (ver na Internet www. receita. fazenda. gov. br, em “Estudos Tributários – IRPF/1999 Perfil de Declarantes”).
Ano
Formulário
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
Disquete
5.354.000
6.091.000
5.448.000
4.875.000
4.285.432
4.288.900
3.743.652
3.234.495
1.989.981
1.171.182
196.000
400.000
842.000
1.225.000
2.272.026
3.310.520
4.505.164
4.839.182
3.391.401
1.073.564
Internet
0
0
0
0
0
0
474.915
2.707.664
6.119.896
10.063.239
Telefone
Total
0
0
0
0
0
0
0
0
68.644
032.679
5.550.000
6.491.000
6.290.000
6.100.000
6.557.458
7.599.420
8.723.731
10.781.341
11.569.922
12.340.664
Como se observa na tabela acima e no gráfico abaixo, houve, de 1991 a
2000, um crescimento do número de pessoas físicas que optaram por declarar em meio
magnético (disquete e Internet), revelando aí uma grande aceitação do uso do computador na
confecção de sua declaração, atingindo, em 2000, um percentual maior que noventa por cento.
Para pessoas jurídicas, a Secretaria da Receita Federal também busca e
incentiva o uso da computação para facilitar a elaboração e entrega de declarações, tendo
havido, da mesma maneira, uma expressiva mudança no comportamento do sujeito passivo,
como se depreende dos dados estatísticos relativos à da entrega de declaração, que mostra o
aumento na quantidade de declarações entregues por meio eletrônico. O quadro a seguir
compara os anos de 1994 e 1999, no que se refere às declarações do IRPJ processadas,
segundo o meio de entrega (ver na Internet www. receita. fazenda. gov. br, em “Estudos
Tributários – IRPJ/1999 - Perfil de Declarantes”):
1994
Form. Papel
LUCRO REAL
77,50%
LUCRO PRESUMIDO
68,85%
MICROEMPRESA
89,00%
TOTAL
83,22%
FONTE : SRF/SISTEMA SGT
Regime de Apuração
Disquete
22,50%
31,15%
11,00%
16,78%
Internet
0,00%
0,00%
0,00%
0,00%
1999
Form. Papel
0,00%
0,00%
22,95%
15,97%
Disquete
17,59%
23,02%
49,64%
41,13%
Internet
82,41%
76,98%
27,41%
42,90%
57
Verifica-se que, se em 1994 apenas 17% das declarações eram entregues em
meio magnético e, após 5 anos, este percentual subiu para 84%, houve mudanças
significativas de comportamento em um lapso temporal relativamente curto.
Portanto, as estatísticas
mostram que não se pode negar o sucesso da
Secretaria da Receita Federal nesta empreitada de mudança de comportamento, e que a
informatização dos procedimentos para cumprimento de obrigações tributárias formais ou
acessórias, sem sombra de dúvidas, reduz o custo de processamento das declarações, facilita
os sujeitos passivos na sua elaboração e confere maior confiabilidade às informações
apresentadas.
03.02 AS NOVAS TECNOLOGIAS DE PROCESSAMENTO DE
INFORMAÇÕES
A atividade de seleção de sujeitos passivos para a fiscalização pode ser
encarada como sendo um processo de tomada de decisão em que se deve definir quais os que
serão submetidos a algum tipo de verificação fiscal, de modo a que se atinja um nível razoável
de cumprimento de obrigações tributárias.
Além da rapidez com que se obtêm as informações de interesse fiscal, as
Administrações Tributárias devem ter a preocupação de dispor de ferramentas computacionais
que processem tais informações com vistas a escolher dentro de um universo de sujeitos
passivos aqueles que apresentem indícios de descumprimento de algum tipo de obrigação
tributária.
Procurou-se apresentar aqui não só tecnologias de processamento
tradicionais, mas também outras que estão sendo utilizadas em pesquisas em Universidades
Brasileiras, nas áreas econômica, administrativa e financeira, e que, de alguma forma, poderão
ser aplicadas às atividades de seleção de sujeitos passivos.
O quadro a seguir resume as principais tecnologias de processamento da
informação, existentes atualmente, voltadas para apoiar os processos de tomada de decisão.
Verifica-se uma tendência para o uso, cada vez maior, de técnicas de Inteligência Artificial,
que é uma área da Ciência da Computação “que busca, através de técnicas inspiradas na
natureza, o desenvolvimento de sistemas inteligentes que imitem os aspectos do
comportamento humano, tais como: aprendizagem, percepção, raciocínio, evolução e
adaptação” (PACHECO, p. 1). Foram destacados SISTEMAS NEBULOSOS e SISTEMAS
58
DE PROCESSAMENTO em razão de ser um tópico detalhado mais adiante e do uso de
conceitos nos testes realizados, objetos desta monografia.
SISTEMAS DE
PROCESSAMENTO
MECÂNICO
Técnicas de 4ª geração
baseadas em

Regras

Processamento
serial

Relatórios
Sem
mecanismo
de
inferência
Quadro Comparativo e Evolucionário de Modelos de Decisão
Baseado em DEBOECK, Guido J (org.). Trading on the edge: neural, genetic and fuzzy
systems for chaotic financial markets. New York, USA: John Wiley & Sons, Inc., 1994, p.
XXXI.
SISTEMAS DE
PROCESSAMENTO
BASEADOS NO
CONHECIMENTO
baseadas em:

Base
de
conhecimento
Sistema baseado em
regras
Sistema baseado em
objetos
Híbrido de regras e
objetos

Mecanismo
de
Inferência
SISTEMAS DE
PROCESSAMENTO
NEURAL
Lógica
multivalorativa
aplicada
a
sistemas
especialistas e a redes
neurais artificiais
SISTEMAS
NEBULOSOS
Para
Raciocínio
computacional

Indutivo

Dedutivo

Híbrido de indutivo
e dedutivo
ALGORITMOS
GENÉTICOS
Técnicas de otimização
que usam

Reprodução

Crossover

Mutação
Pode ser usada para o
desenvolvimento de uma
rede neural otimizada
baseadas
no
processamento paralelo de
redes neurais

Vários paradigmas

Várias Regras de
aprendizagem

Várias arquiteturas
Para
aprendizado
computacional

Reconhecimento de
padrões

Previsão de séries
temporais

Mapas
autoorganizáveis
Sistemas de processamento mecânico: são modelos computacionais em que
os problemas são antecipadamente conhecidos e as soluções são obtidas através de rotinas ou
seqüências de procedimentos, já previamente programadas.
Sistemas de processamento baseados no conhecimento ou sistemas
especialistas: “são programas de computador destinados a solucionar problemas em um
campo especializado do conhecimento humano. Usa técnicas de inteligência artificial, base de
conhecimento e raciocínio inferencial.” (PACHECO, p. 1)
Sistemas nebulosos: baseiam-se na lógica nebulosa (Fuzzy Logic), que “tem
como objetivo modelar a maneira aproximada de raciocínio humano, pretendendo-se
desenvolver sistemas computacionais capazes de tomar decisões racionais em um ambiente de
incerteza e imprecisão. A Lógica Nebulosa oferece um mecanismo para manipular
informações imprecisas, tais como os conceitos de muito, pouco, pequeno, alto, bom, quente,
frio, etc. fornecendo uma resposta aproximada para uma questão baseada em um
conhecimento que é inexato, incompleto ou não é totalmente confiável.” (idem)
Sistemas de processamento neural: “são modelos computacionais não
lineares, inspirados na estrutura e modo de operação do cérebro humano, com o objetivo de
59
reproduzir características humanas, tais como: aprendizagem, associação, generalização e
abstração. As redes neurais são muito úteis na aprendizagem de padrões a partir de dados não
lineares, incompletos, com ruído ou compostos de exemplos contraditórios.” (idem)
Algoritmos genéticos: “são algoritmos matemáticos inspirados nos
mecanismos da evolução natural e recombinação genética. A técnica dos Algoritmos
Genéticos oferece um mecanismo de busca adaptativa baseada no princípio Darwiniano de
reprodução e sobrevivência dos mais aptos.” (idem)
Sobre a importância das técnicas da Inteligência Artificial, diz PACHECO
(p. 1):
“As técnicas da Inteligência Computacional têm sido
empregadas com êxito no desenvolvimento de sistemas inteligentes de previsão, de
suporte à decisão, controle, otimização, modelagem, classificação e
reconhecimento de padrões em geral, aplicados em diversos setores: energia,
industrial, econômico, financeiro, comercial e outros, sínteses de circuitos, meio
ambiente, entre outros”.
03.02.01 Sistemas de Suporte à Decisão (DSS- Decision Support
Systems)
Quando se trata de tomada de decisão, as classes de problemas com que se
trabalha podem ser divididas basicamente em duas:

Problemas estruturados, onde se pode identificar uma rotina ou seqüência repetitiva, em
sua estrutura, mesmo complexa, mas que em sua natureza não exista ambigüidade e/ou
incerteza que possam afetar significativamente o processo de tomada de decisão.

Problemas semi-estruturados ou não estruturados, onde não é facilmente identificada
uma rotina ou seqüência de solução, normalmente em ambientes complexos sujeitos a
muita interferência, e que em sua natureza exista ambigüidade e/ou incerteza. As soluções
podem ser simples, mas a quantidade é o fator que inibe a tomada de decisão.
Como suporte à Ciência de decisão encontramos ferramentas que
possibilitam ao tomador de decisão maior clareza e compreensão dos processos intrínsecos de
um determinado problema e busca de cenários adequados em relação aos resultados
desejados. Segundo KLEIN e METHLIE (1990, p. 147-148), DSS pode ser definido como:
Um sistema de informação computacional que provê
informações num determinado domínio de aplicação a partir de modelos de
decisão e acesso a base de dados, para o tomador de decisão na tarefa de escolha
efetiva em ambientes complexos e pouco estruturados (não programáveis).
60
Os DSS são usuais quando tratam de problemas onde não exista uma
solução razoavelmente fácil de ser executada a partir de um procedimento padrão (algoritmo),
ou ainda quando o número de caminhos possível de solução tornaria o trabalho complexo
demais para ser executado. O foco de trabalho, então, é o modelo semi-estruturado ou nãoestruturado de realidade, onde a natureza complexa do problema não permita clareza ou
dedução de respostas imediatas.
Os DSS são as ferramentas adequadas ao entendimento, preparação e
modelagem de uma determinada realidade que facilitariam a escolha e o processo de
avaliação de resultados.
Problemas Comuns de DSS
Quando é necessário se trabalhar com suporte a decisão é possível
identificar uma série de características e situações comuns aos problemas. Uma compilação de
algumas situações onde os usos de DSS seriam apropriados foi compilada por KLEIN e
METHLIE (1990, p. 150-169) e segue abaixo:

A preferência, o julgamento, a intuição e experiência do tomador de decisão são
essenciais.

A procura por soluções implica em busca por informações, modelagem de sistema,
manipulação de dados e uso de ferramentas computacionais, sendo que a seqüência dessas
operações é desconhecida e pode ser alterada, pois o problema pode ser uma função dos
dados, pode ser uma função das preferências do tomador de decisão.

Os critérios de decisão são numerosos, conflitantes e altamente dependentes da percepção
do tomador de decisão.

Uma das variáveis envolvidas no problema é o tempo. As soluções necessitam ser
encontradas em tempo hábil, inclusive em ambientes mutáveis.
A partir dessas características é razoável se pensar que os DSS devem
atender às necessidades acima de maneira a garantir segurança ao tomador de decisão em
cenários apropriados.
Características de um DSS
Como características que os DSS devem ter, segundo KLEIN e METHLIE
(1990, p. 147-156) podemos citar:
61

Interatividade com o usuário: Uma das características importantes dos DSS é que estes
devem fornecer ao usuário final, durante o processo de decisão, informações do sistema
ou exploração de alternativas sem que haja necessidade de intermediários nesse processo.
Isso é decorrente do fato de que, na busca de soluções, não existe praticidade na
necessidade de um assistente para cada etapa do processo; a preferência, aversão ao risco
entre outros são características inerentes ao tomador de decisão; além do que podem
existir informações confidenciais disponíveis somente para o tomador de decisão.

Configurabilidade: necessidade essa decorrente do fato de que um DSS é definido durante
o processo ou exploração do problema. Os DSS não dão de início suporte aos problemas,
mas um ambiente no qual o tomador de decisão deve trabalhar e modificar a fim de
atender suas necessidades. Isso não quer dizer que as definições primárias ou de trabalho
do próprio DSS são modificados. Primeiro, porque podem alterar o funcionamento do
mesmo, e em segundo lugar, porque o tomador de decisão participa na definição e
evolução do sistema, mas normalmente não participa de sua implementação física.

Facilidade de acesso às informações pertinentes ao problema: O tomador de decisão deve
ter fácil acesso a dados como variáveis, modelos de decisão, ferramentas estatísticas e de
otimização, conhecer o significado dos dados e das regras usadas no sistema, além de
conseguir visualização das informações geradas.

Adaptação entre o sistema, o usuário e as situações de aprendizado: Durante o processo de
tomada de decisão, o usuário está inserido numa procura heurística de solução e ao mesmo
tempo num processo de aprendizado, que pode levar o tomador de decisão a fazer novas
inferências e criar novos cenários e novas hipóteses de teste .Dessa forma é necessário que
o sistema interaja com o tomador de decisão de forma que este possa claramente
visualizar as conseqüências de suas novas hipóteses, implicando a necessidade de
existência de uma interface que permita a entrada de comandos que o tomador de decisão
deseje efetuar.

Capacidade de adaptação às necessidades do usuário: É bastante provável que um usuário
de DSS tenha novos problemas e necessidades a serem tratadas. Novas estruturas de dados
podem ser requeridas, novos dados (objetos) podem ser necessários, além de uma nova
sistemática de resposta. Isso implica que os DSS devem ser capazes de evoluir e responder
adequadamente à evolução do tomador de decisão.

Performance: Nos DSS, a performance é importante devido ao elemento tempo,
62
normalmente presente na tomada de decisão, e que pode muitas vezes inibir o uso do
sistema, quando as respostas não são geradas em tempo hábil para serem utilizadas.

Confiança: É necessário que o sistema esteja disponível ao uso pleno pelo tomador de
decisão quando este sentir necessidade de usá-lo. É inadmissível, por exemplo, falhas na
base de conhecimento, não acesso às informações ou dados corrompidos.

Interoperabilidade: Normalmente os DSS superam os ciclos de evolução de hardware. É
necessário que exista a possibilidade de transferência da base de conhecimento e das
aplicações ou testes gerados de uma plataforma para outra. Essa transferência deve ser o
menos penosa possível para o usuário.
Funções e Estruturas Conceituais do DSS
As funções que um DSS devem ter são derivadas da análise do processo de
tomada de decisão e das características vistas acima.
Um tomador de decisão deve possuir as habilidades de percepção, desenho
ou procura das alternativas mais apropriadas e a possibilidade de modificar ou influenciar o
andamento ou caminho para as metas a serem alcançadas, poder de planejamento e
implementação de novos recursos e adaptação evolutiva. Considerando essas como sendo as
necessidades do tomador de decisão então, essas necessidades é que vão gerar o estudo e o
desenho dos DSS.
Os sistemas não devem ter poder intrínseco ou autoridade na decisão, seu
poder está definido somente dentro do escopo de apresentar pesos a situações com as quais o
tomador de decisão está envolvido.
Para cada necessidade a máquina deve participar, num processo conjunto
com o tomador de decisão, somente para expandir as habilidades deste de forma mais eficaz.
Contudo, depois de satisfeitas as necessidades do tomador de decisão, como
manipulação de dados e apresentação de resultados, é notório que um DSS deve pelo menos
fornecer algum tipo de suporte à tarefa de estruturação do problema. Assim as funções
mínimas que um DSS deve, segundo KLEIN e METHLIE (1990, p.157-170), também prover
são:

Manipulação de dados;

Apresentação;
63

Análise do problema e modelagem; e

Alguma técnica estatística ou matemática ou outra forma analítica de tratar dados e
hipóteses.
De DSS para DSS Baseados em Conhecimento
Durante o processo de montagem de um sistema de apoio à decisão, é
bastante plausível se aceitar que seja necessário trabalhar com problemas caracterizados como
não(ou semi)-estruturados, pois não se consegue criar uma estrutura procedimental ou um
algoritmo que consiga satisfazer adequadamente passos e soluções no processo de tomada de
decisão. Esses problemas somente podem ser resolvidos com integração entre Homem e
máquina.
Como indicado por KLEIN e METHLIE, os sistemas de suporte à decisão
surgiram da aplicação de modelos quantitativos em gerenciamento, ficando aparente que o
entendimento de uma situação de decisão era necessária para proposta de melhoria, por
exemplo. Sendo assim duas linhas científicas no estudo de decisão foram agrupadas: a
descritiva, que tem por base as teorias do comportamento e a prescritiva, baseada nas teorias
do racionalismo.
Nas seções abaixo descreveremos algumas tecnologias que apresentam potencial para
serem utilizadas pelas Administrações Tributárias, e que são um desenvolvimento de sistemas
de apoio a decisão baseadas em conhecimento.
Sistemas Especialistas
Segundo KANDEL (1996), os Sistemas Especialistas são programas de
computador que emulam o processo de raciocínio de um especialista humano ou executam
uma ação específica dentro de um domínio de conhecimento. Geralmente, o processo de gerar
soluções para um determinado problema é cercado de incertezas e imprecisões. Isto se
justifica pela fonte de conhecimento que alimenta os programas especialistas: o próprio ser
humano.
Considerando que especialista é a pessoa que tem habilidades para resolver
problemas em sua área de especialização, um sistema especialista é uma técnica de
Inteligência Artificial que se caracteriza pela capacidade de emular o conhecimento de um
especialista humano em um domínio de conhecimento e aplicá-lo na solução de problemas
específicos. Na construção do sistema é de fundamental importância o conhecimento e o
64
raciocínio do profissional (especialista humano) na solução do problema em questão. Essas
informações, representadas em linguagem simbólica constituem a base de conhecimento e a
heurística utilizada pelo sistema especialista. (SELHORST et al, 2001, p.1-7)
Uma definição mais concisa de sistemas especialistas foi dada por
RÖDDER et al (apud KOPITTKE, 1996):
“Sistemas Especialistas são programas que têm a capacidade
de adquirir e processar conhecimentos a partir das informações obtidas de um
especialista, ou mesmo através de dados históricos, em uma determinada área.
Quando consultados, estes programas fornecem apoio ao usuário disponibilizando
os conhecimentos e as informações correspondentes”.
Os estudos nesta área iniciaram na década de 70, mas apenas a partir dos
anos 90 é que houve um destacado desenvolvimento, especialmente na área de sistemas
especialistas probabilísticos.
Um Sistema Especialista é denominado probabilístico (SEP), quando a base
de conhecimento pode ser representada por uma distribuição de probabilidades, normalmente
hiperdimensional (KOPITTKE et al, 1996).
Conforme apresentado em MEYER e RÖDDER (1996), a base de
conhecimento consiste de um conjunto finito de variáveis V = {V1, ..., Vn} com domínio finito
e uma distribuição de probabilidade P sobre o campo de todos os eventos em V. Os eventos
são identificados com sentenças proposicionais Vi = vi (onde vi é uma realização de Vi)
construída por negação, conjunção e disjunção. Se S é uma sentença deste tipo, então sua
probabilidade é:
P(S) = v S P(v),
onde v varia através de todas as conjunções completas de S na forma normal
disjuntiva canônica de S.
Para gerar uma distribuição P que represente o conhecimento, primeiro
estabelecem-se as probabilidades xf e xr aos fatos e regras, respectivamente. Um fato F é uma
sentença proposicional como definida anteriormente e uma regra é uma expressão F2/F1 com
F1 e F2 sendo fatos. As designações são entendidas como imperativas: ache uma P para a
qual P(F)=xf ou P(F2|F1)=xr cujas probabilidades são não condicionadas e condicionadas,
respectivamente.
Como comenta FERREIRA (2000, p. 102-108):
“Na área tributária, os sistemas especialistas podem ser
65
utilizados, por exemplo, para apoiar a detecção de fraudes, avaliar o
comportamento dos contribuintes e apoiar o fisco na aplicação da legislação.”
“O desenvolvimento de sistemas especialistas requer o
conhecimento de técnicas e linguagens específicas, além de exigir a participação
direta do especialista na área de conhecimento a ser tratada pelo sistema. Além do
que é necessário algum período para capacitação dos usuários no uso do
sistema.”
Segundo BITTENCOURT (2001, p 255), uma característica comum aos
sistemas especialistas atuais é a existência de um mecanismo de raciocínio incerto que
permita representar a incerteza a respeito do conhecimento do domínio. Ele comenta, ainda:
“A chave para o desempenho de um sistema especialista está
no conhecimento armazenado em suas regras e em sua memória de trabalho. Este
conhecimento deve ser obtido junto a um especialista humano do domínio e
representado de acordo com regras formais definidas para a codificação de regras
no sistema especialista em questão. Isto divide um sistema especialista em duas
partes: a ferramenta de programação que define o formato do conhecimento da
memória de trabalho e das regras, além dos aspectos operacionais de sua
utilização, e o conhecimento do domínio propriamente dito”
Mineração de Dados
Mineração de dados (data mining) é o processo de exploração e análise, por
meios automáticos ou semi-automáticos, de um conjunto grande de dados com o objetivo de
descobrir padrões e regras significativos (BERRY e LINOFF, 1997). Esse processo pode ter
duas abordagens: teste de hipóteses e síntese de conhecimento. Teste de hipótese refere-se ao
uso dos dados para verificar ou negar uma hipótese ou noção prévia. Síntese de conhecimento
é a descoberta de uma informação sem nenhuma condição inicial. Pode ser direta (caso em
que se deseja explicar um atributo específico em função de outros dados) e indireta (caso em
que se procura relações sem foco em um atributo específico).
As técnicas de data mining podem ser divididas em: classificação,
estimativa, previsão, agrupamento por afinidade, agrupamento e descrição (BERRY e
LINOFF, 1997). O estudo referido envolverá, principalmente, a técnica de agrupamento por
afinidade ou análise de relacionamento.
Os fatores críticos de sucesso para projetos de data mining são (HERMIZ,
1999):

Definição de um problema real articulado;

Garantia de dados de qualidade e em quantidade para o estudo;

Reconhecimento do caráter não estruturado do projeto;
66

Planejamento de aprendizado com o processo.
A preocupação desta pesquisa é a abordagem do segundo ponto, ou seja, o
desenvolvimento de mecanismos para a manutenção e disponibilização dos dados para a
realização do estudo. Isso demanda a construção de uma base acessível, consistente e integra
de dados, o que levou à proposição do data mining.
Como comenta FERREIRA (2000, p 102-108):
“A mineração de dados pode prover um forte suporte a
decisões operacionais e estratégicas na administração tributária, mas requer
conhecimento altamente especializado para sua implantação. Por esse motivo, é
recomendado iniciar e consolidar uma data warehouse efetiva onde se planifica e
preparam os recursos para esta etapa.”
Inteligência Artificial (AI), Redes Neurais Artificiais (RNA), e Lógica
Fuzzy como DSS
A principal preocupação dos tomadores de decisão está no fato de não
encontrarem dentro dos formalismos da lógica clássica uma forma realista de representar ou
modelar a realidade.
A incerteza e ambigüidade podem vir de várias fontes: Os dados podem ser
incompletos ou altamente voláteis. Importantes fatos e detalhes com os quais se trabalha
podem ser perdidos ou mudarem rapidamente. Aliado a isso ainda existe a possibilidade de os
fatos com que se trabalha serem imprecisos, vagos ou nebulosos, gerando informações
contraditórias.
Mesmo sob esse cenário, o homem ainda consegue trabalhar com incertezas
e inconsistências e extrai desse cenário resultados razoáveis com os quais é possível trabalhar.
Os sistemas baseados em AI, RNA e Lógica Fuzzy são desenhados para representar e
trabalhar com diferentes formas de inconsistências, incertezas, possibilidades e verdades,
tendo grande importância dentro da ciência de decisão e, por conseqüência dentro da ciência
administrativa, e por extensão para as Administrações Tributárias..
As tecnologias de AI, RNA e Lógica Fuzzy se enquadram nas características
básicas dos DSS, oferecendo melhor aderência à realidade que os sistemas tradicionais, como
modelos estatísticos de regressão, principalmente no que tange à manipulação de dados
inconsistentes e incompletos. Além disso, é possível que o uso de ferramentas tecnológicas
alternativas possa ser origem de obtenção de vantagem competitiva por parte de empresas que
saibam utilizá-la de forma adequada, principalmente quando são utilizadas antes da
67
concorrência.
No caso em estudo as RNAs criam bases de conhecimento a partir da
concepção de uma tabela de pesos de interligação de neurônios, adquiridos a partir do
tratamento de um banco de dados e que pode ser considerado como uma forma inteligente de
representação das relações entre os mesmos. Ao contrário, Sistemas Especialistas, necessitam
do conhecimento ou forma de raciocínio do especialista, normalmente representado por regras
do tipo SE condição ENTÃO ação, coletadas por um engenheiro de conhecimento, através de
entrevistas com especialista na área em que se quer trabalhar, para se poder acrescentar esse
conhecimento a seus sistemas.
Com relação a essa aquisição de conhecimento, elementos que vão além do
conhecimento formal, como intuição e experiência, são dificilmente representados por regras.
Neste caso técnicas de data mining, por exemplo, podem diminuir o erro na escolha de
amostras que sejam mais representativas, melhorando o desempenho da modelagem, mesmo
com a falta da representação de tais conhecimentos.
Os métodos de RNA e Lógica Fuzzy serão explicados em mais detalhes em
seções específicas.
Algoritmos Genéticos
Algoritmos Genéticos, são métodos de otimização e busca inspirados nos
mecanismos de evolução de populações de seres vivos. Segundo FIGUEIREDO et al (2002):
“Um algoritmo genético é um modelo computacional
estocástico que simula as teorias evolucionarias biológicas... sendo métodos de
procura paralela aplicados a problemas complexos de otimização. Esses modelos
requerem basicamente quatro elementos População inicial, Função de Avaliação,
Seleção e Operadores Genéticos”
Otimização é a busca da melhor solução para um dado problema. Consistem
em tentar várias soluções e utilizar a informação obtida neste processo de forma a encontrar
soluções cada vez melhores.
Os paradigmas do qual fazem parte a computação evolucionária são:

Algoritmos genéticos;

Estratégias de evolução;

Programação evolucionária; e

Programação genética.
68
Resumidamente, o processo evolucionário dos algoritmos genéticos foi
descrito por VIEIRA et al (1999, p 101)
“O primeiro passo na execução de busca de um algoritmo
genético típico é a geração de uma população inicial de cromossomos, que é
formada por um conjunto aleatório de cromossomos que representam possíveis
soluções do problema a ser resolvido. Durante o processo evolutivo, esta
população é avaliada e cada cromossomo recebe uma nota (denominada aptidão),
refletindo a qualidade da solução que ele representa. Em geral, os cromossomos
mais aptos são selecionados e os menos aptos são descartados. Os membros
selecionados podem sofrer modificações em suas características fundamentais
através dos “operadores” de crossover e mutação, gerando descendentes para a
próxima geração. Este processo é repetido até que uma solução satisfatória seja
encontrada.”
A utilização de algoritmos genéticos pode fortalecer ainda mais, os métodos
de decisão que utilizam redes neurais e/ou lógica fuzzy. De maneira geral, as entradas de
dados através de data mining, associados à evolução natural dos sistemas genéticos, pode
introduzir uma nova dimensão à tomada de decisão baseada em sistemas neurais. Entretanto,
o estudo dessa tecnologia encontra-se fora do escopo desse trabalho, motivo pelo qual,
resolvemos inseri-lo somente como função ilustrativa, e como sugestão para implementações
futuras de um sistema de gestão em Administrações Tributárias, que seja mais robusto,
resistente à falhas e evolucionários em sua natureza.
Risco e Incerteza em DSS
RISCO
Entendemos por risco a medida da probabilidade e das conseqüências de
não se atingir um objetivo desejado ou, mais simplesmente, a possibilidade de alguma coisa
dar errado.
O risco, como medida, não pode ser gerenciado ou controlado diretamente,
devendo o administrador levar a conta aos fatores de risco. Esses sim são gerenciáveis e
permitem que sejam feitas alterações em sua composição estrutural.
A análise do risco é largamente estudada em finanças e tem por base a
procura de elementos determinísticos ou estocásticos que traduzem uma certa realidade. O
estudo desses elementos descreve o funcionamento dos fatores que geram o risco.
INCERTEZA
A incerteza está sempre presente em avaliação de resultado. O uso adequado
ou não dos fatores de risco relevantes é que vão diminuir o grau de incerteza. Nesses moldes
69
comenta SOUZA (1997, p. 1-7):
“A incerteza é inerente à avaliação antecipada de resultados
imediatos (objetivos, prazos e custo) de qualquer projeto, principalmente os de
inovação. Isto ocorre devido ao fato de que muitas vezes as fontes de restrições e
incertezas são difíceis de serem quantificadas, gerando, então, dificuldades em se
justificar atitudes e estimar com precisão os possíveis resultados para as diversas
alternativas do projeto”.
Parece claro então que a incerteza é uma variável constante nos processos de
tomada de decisão, devendo ser analisada minuciosamente a fim de produzir informação
adequada sobre sua natureza e suas conseqüências, que no tocante a processos de decisão
podem influenciar definitivamente o andamento de um projeto ou mesmo, em casos extremos,
reduzir a expectativa de retorno ou continuidade do mesmo.
PERDAS POTENCIAIS
Perdas potenciais são as perdas, prejuízos ou insucessos que, de uma forma
ou de outra, têm possibilidade de acontecer.
Através da figura a seguir, BESSIS (1998, p. 69-71, figura 6.3, p.71)
descreve três tipos de perdas potenciais:

Perdas esperadas (“expected losses”), que resultam de estimativas estatísticas relativas à
perdas médias ou ponderadas esperadas para certo evento.

Perdas não esperadas (“unexpected losses”), que superam ou se desviam do cálculo das
perdas esperadas podendo assumir qualquer valor. Caso se especifique algum nível de
tolerância, obtém-se o VAR (“Value at Risk”, valor ao risco), que, segundo JORION
(1998, p. VII) é “a pior perda esperada ao longo de determinado intervalo de tempo, sob
condições normais (...) e dentro de determinado nível de confiança”.

Perdas excepcionais (“exceptional losses”), que estão fora do nível de tolerância
70
especificado, ou seja, não se incluem dentro das perdas não esperadas
03.02.02 Técnicas Estatísticas
Técnicas estatísticas têm sido utilizadas em modelos de previsão de
insolvência de empresas, em avaliação de projetos de investimentos e estimativa de riscos, em
previsões de séries temporais, entre muitas outras aplicações.
Em artigo publicado na revista Caderno de Pesquisas em Administração,
GIMENES e URIBE-OPAZO (2001) comparam dois modelos de previsão de insolvência para
sociedades cooperativas agropecuárias, empregando a análise estatística multivariada,
especificamente, a análise discriminante e a análise de probabilidade condicional (LOGIT).
Por serem modelos que possibilitam o uso de informações contábeis, eles também podem ser
adaptados a trabalhos de seleção de sujeitos passivos.
Análise Discriminante
Segundo os citados autores, a análise discriminante permite identificar as
relações existentes “entre um caráter qualitativo a ser explicado e um conjunto de caracteres
quantitativos explicativos” e “prever, por meio de um modelo, os valores da variável que
derivam dos valores tomados pelas variáveis explicativas”.
Tal método considera um conjunto de indivíduos em que se observa um
caráter qualitativo que toma q (q ≥ 2) modalidades GIMENES e URIBE-OPAZO (2001).
Cada indivíduo é assinalado por uma única modalidade desse caráter qualitativo,
particionando o conjunto de indivíduos em q classes distintas. Em seguida, são medidos p (p ≥
2) caracteres quantitativos nos mesmos indivíduos. O objetivo da análise discriminante é
responder se as q classes diferem entre si nos conjuntos de caracteres quantitativos.
(GIMENES e URIBE-OPAZO, 2001, p. 67)
No Brasil, foram realizados diversos estudos sobre a previsão de insolvência
em empresas, através da análise discriminante, destacando-se os de ALTMAN (1968),
ELIZABETSKY (1976), KANITZ (1978), MATIAS (1978) e SILVA (1996).
Métodos de decisões discriminantes, levando em conta certas suposições de
interesse, foram apresentados por JOHNSON e WICHERN (1988), destacando-se, entre eles,
a função discriminante de Fisher, que tem características de um modelo linear de outras
variáveis discriminantes. As matrizes de covariância de cada grupo devem ser
aproximadamente iguais e as variáveis discriminantes devem se amoldar a uma distribuição
71
normal multivariada.
GIMENES e URIBE-OPAZO (2001, p. 68-70) apresentam a função
discriminante de Fisher:
“Sejam ∏1 e ∏2 dois grupos exclusivos entre si, de tal forma
que se determine um mecanismo que melhor discrimine os dois grupos, supondo-se
n1 observações de um vetor de variáveis aleatório ×T para ∏2, as respectivas
matrizes de dados são:
X1= [x11, x12, ..., x1 n1], matriz de (p × n1); e
X2= [x21, x22, ..., x2 n1], matriz de (p × n2).
Para essas matrizes de dados, o vetor de médias amostrais e as
matrizes de covariância são definidos da seguinte forma:
1
X1 =
n1
S1 =
∑x
j=1
1j
, vetor (p × 1);
1 n1
( x 1j − X 1 )( x 1j − X 1 ) T matriz (p × p);
∑
n 1 − 1 j=1
1
X2 =
n2
S1 =
n1
n2
∑x
j=1
2j
, vetor (p × 1);
1 n2
∑ (x 2j − X 2 )(x 2j − X 2 )T matriz (p × p);
n 2 − 1 j=1
Suponha-se que as matrizes populacionais dos grupos são
iguais e desconhecidas (Σ1 = Σ2 = Σ), então, o estimador não viciado de Σ é uma
combinação de S1 e S2 e é obtido da seguinte forma:




n 11
n 21
S pooler = 
S1 + 
S 2
 (n 1 − 1)(n 2 − 1) 
 (n 1 − 1)(n 2 − 1) 
Assim, a função discriminante linear de Fisher pode ser escrita
da seguinte forma:
−1
Z = (X 1 − X 2 ) T S pooled
X (1)
O ponto crítico é definido por:
m=
1
1
(X 1 − X 2 ) T S −poled
(X 1 + X 2 ) (2)
2
A recra de classificação da função discriminante de Fisher
obedece às seguintes condições:
Alocar X0 em Π1 se Z0 – m ≥ 0 ou X0 em Π2, se Z0 – m ≥ 0 (3)
Com base no método de Fisher descrito acima, vê-se que o
modelo discriminante de insolvência das cooperativas pode ser escrito da forma
linear como segue:
Y× = β0 + β1X1 + β2X2 +...+ βpXp (4)
Onde:
72
Y×: variável dependente, reflete o total de pontos alcançado
pela cooperativa;
β0=-m: ponto crítico definido em (2);
β0, β1, β2, ..., βp: são pesos, indicam a importãncia relativa de
cada índice considerado obtido de (1);
X1, X2, ..., Xp: variáveis explicativas; são os índices financeiros
considerados na pesquisa.
A regra de decisão (3), que classifica as cooperativas
insolventes ou solventes, é definida pelo modelo (4) da seguinte maneira:
Uma cooperativa com vetor de dados XK será classificada na
população de cooperativas insolventes se YK ≥ 0; caso contrário, a cooperativa
será classificada na população de cooperativas solventes.
O modelo discriminante para cooperativas insolventes é obtido
de (4), e tem a seguinte forma:
Y×=6,7435 + 0,0031X1 – 0,0819X2 – 3,5827X3 – 0,1044X4 +
0,0052X5+0,1676X6 (5)
Sendo:
X1= Capitais de Terceiros / Patrimônio Líquido
X2= Passivo Circulante / Capitais de Terceiros
X3= Liquidez geral
X4= Sobra Líquida / Receita Operacional Líquida
X5= Capital Circulante Líquido/ Ativo Circulante
X6= Giro do Ativo Líquido
Segundo esse modelo, a cooperativa será classificada com
insolvente se Y× for superior a zero, e solvente se Y× for inferior a zero.
É importante destacar que, para o modelo (5), a suposição de
igualdade das matrizes de covariâncias das duas populações não foi confirmada
pelo teste M de Box (MARDIA et al. 1979: 140).
(...) Na literatura financeira existe a advertência de que os
modelos discriminantes não devem substituir a análise dos demonstrativos
contábeis baseada nos índices tradicionais, mas serem usados apenas para
complementar as conclusões destes últimos.”
A figura acima (HAIR Jr., 1998, p. 245) mostra como o modelo
discriminante separa, em solventes e insolventes, os grupos de clientes analisados, onde a área
mais escura representa a probabilidade de classificação incorreta dos solventes como
73
insolventes.
Análise de Regressão Logística – LOGIT
Já o modelo de probabilidade condição ou de regressão ou distribuição
logística (LOGIT) foi assim apresentada por estes dois autores (p. 70-72):
Análise Logit é uma técnica de probabilidade condicional que é
utilizada para estudar a relação entre uma série de características de um indivíduo
e a propabilidade de que o indivíduo pertença a um entre dois grupos
estabelecidos anteriormente (LIZARRAGA, 1997).
Para realizar a análise Logit, considera-se Yi uma variável
binária, que asume os valores 0 ou 1 dependendo de os dados procederem de uma
cooperativa solvente ou insolvente, respectivamente, e tem, portanto, uma
distribuição Bernoulli. O modelo Logit (ou regressão logística conhecida na
literatura) tem como objetivo ser um modelo explicativo para o comportamento da
probabilidade de insolvência (p) do vetor de variáveis independentes X=(X1, X2,
..., Xk).
O modelo Logit especifica que a probabilidade pi de que a
cooperativa i seja insolvente, dada sua situação econômico-financeira
(representada pelo vetor ×i), é representada da seguinte forma:
p i = Pr[Yi = 1 | X = X i ] =
e Xi β
T
1 + e Xi β
T
, (6)
onde X iT = ( x i1 , x i 2 ,..., x ik ) é o vetor de valores explicativos
para a cooperativa i e β é um vetor de k+1, parâmetros desconhecidos a serem
estimados pelo método de Máxima Verossimilhança (RAO, 1973).
A probabilidade qi = (1-pi) de que a cooperativa i seja solvente,
dada sua situação econômico-financeira, é representada por:
q i = Pr[Yi = 0 | X = X i ] =
1
1 + e Xi β
T
, tal que pi+qi=1.
A forma mais conveniente de expressar o modelo Logit é usar a
transformação logística, obtendo-se:
 p
log i
1 − pi

 = X iT β

Isso mostra que o modelo depende linearmente da situação
econômico-financeira da cooperativa i.
Posteriormente, cada uma das observações é classificada como
cooperativa insolvente ou solvente após a comparação da probabilidade obtida
com uma probabilidadestandard utilizada como ponto de corte. LIZZARGA (1996)
e GALLEGO et al (1997) consideram o ponto de corte de p igual a 0,5.
O processo de análise foi levada a cabo em cada uma das
etapas a seguir:
I.
Aplicação da Análise de componentes principais;
II.
Estimação do modelo Logit.
74
5.2. Seleção de Regressores Ótimos
A utilização da análise fatorial de componentes principais é
realizada com o propósito de localizar de forma objetiva categorias independentes
de variáveis (“índices”), de forma que, incorporando-se ao modelo um reduzido
número de variáveis representativas de tais categorias, se evitassem a redundância
informativa e os problemas que a existência de multicolinearidade pode provocar
no resultado da análise. As variáveis econômico-financeiras estudadas são as
seguintes:
1.
EMPT + F / AT: Empréstimos e financiamentos bancários / Ativo total
2.
CT / PL: Capital de terceiros / Patrimônio líquido
3.
PC / PL: Passivo circulante / Capital de terceiros
4.
AP / PL +EL: Ativo permanente / Patrimônio líquido + Exigível a longo
prazo
5.
LG: Liquidez geral
6.
SO / V: Sobra operacional / Vendas líquidas
7.
SL / V: Sobra líquida / Vendas líquidas
8.
SA / PL: Sobras acumuladas / Patrimônio líquido
9.
T-tes: Tesouraria
10. TSF: termômetro da situação financeira
11. Gi: Giro sobre o ativo líquido
12. ML: Margem líquida
13. CF: Ciclo financeiro
14. RSAL: Retorno sobre o ativo líquido
15. CDG: Capital de giro próprio
16. CCP: Capital circulante próprio
(...) Os critérios de escolha e exclusão de componentes
principais foram selecionados com base no critério de KAISER (1958), e para a
regra de descartar variáveis utlizou-se as recomendações de JOLLIFE (1972)
apud MARDIA et al (1979).
O conjunto de fatores relevantes, segundo a análise fatorial de
componentes principais, é o seguinte:
X1 = PC / CT
X2 = SO / V
X3 = T-tes
X4 = ML
X5 = RSAL
X6 = CDG
X7 = CCP
Após essa análise verificou-se que a insolvência das
cooperativas estava relacionada com os sete índices econômico-financeiros
mencionados acima.
5.3. estimação do modelo
75
Nesta etapa, planejou-se a busca do modelo Logit que
apresentasse a maior eficiência segundo a análise estatística, procurando-se
minimizar o número de variáveis com a finalidade de evitar redundâncias ou
pouca significância.
Assim, o modelo Logit construído pela pesquisa pode ser
expresso por:
 p
log i
1 − pi

 = 5,079 − 0,09896X 1 − 0,12773X 5

Conseqüentemente, a probabilidade pi é escrita da seguinte
maneira:
p i = Pr[Yi = 1 | X = X i ] =
e 5,079 − 0,09896 X1 −0,12773X 5
1 + e 5, 079 −0,09896 X1 −0,12773X 5
A classificação de insolvência dada pelo modelo Logit segue o
critério de LIZARRAGA (1997) e GALLEGO et al. (1994), que compara a
propabilidade de insolvência de cada cooperativa com pi com o valor 0,5.”
03.02.03 Lógica Fuzzy (Lógica Nebulosa)
Histórico
No início do século XX, Lukasiewcz descreveu uma variável lógica que
continha três valores, dois constantes na matemática formal e um que poderia ser traduzido
como “possível” associando-se a este terceiro item um valor numérico entre verdadeiro e
falso, nas relações de pertinência de conjuntos.
Da mesma forma Knuth, mais tarde, modificava as variáveis de Lukasiewcz,
implementando um conjunto lógico composto por valores que deveriam variar entre [-1,0,1],
embora cria-se a necessidade de que o conjunto deveria pertencer pelo menos ao conjunto dos
números reais Rnxn .
A teoria dos conjuntos nebulosos, como conhecida nos dias de hoje, foi
desenvolvida a partir de 1965 com os trabalhos de Lotfi Zadeh, professor da Universidade da
Califórnia, sendo a ele dado também reconhecimento no tocante ao Controle Moderno.
Lógica nebulosa ou Lógica Fuzzy é uma forma alternativa de tratar as
noções tradicionais de pertinência criada na lógica formal. A precisão matemática tem
aplicabilidade direta em boa parte dos estudos de Aristóteles e outros filósofos, mas não pode
ser aplicada adequadamente a conjuntos onde os limites de pertinência não são conhecidos ou
não estejam adequadamente estruturados.
76
Conceituação
Os conjuntos nebulosos, elaborados por Zadeh, formam uma nova linha de
alternativas de pesquisa, tanto em lógica quanto em matemática pura. Dessa forma, segundo
KOSKO (1992, p. 1 e 263), podemos conceituar lógica fuzzy como a lógica que se preocupa
com os princípios formais do raciocínio aproximado, procurando modelar os modos
imprecisos do raciocínio que tem um papel fundamental na habilidade humana de tomada de
decisão, fornecendo fundamentos para efetuar o raciocínio impreciso, com proposições
imprecisas, usando a teoria dos conjuntos nebulosos como ferramenta principal.
O modelo fuzzy é um modelo não linear de mapeamento de um vetor de
entrada em uma saída escalar, que é capaz de incorporar tanto o conhecimento objetivo, usado
na formulação de proposições matemáticas, quanto o conhecimento subjetivo, que é
representado pela informação lingüística que é geralmente impossível de quantificar com a
matemática tradicional.
Bases Matemáticas de um Conjunto Nebuloso
Segundo KOSKO (1992, p.25-47) e SANDRI e CORREA (1999, p.73-90)
podemos definir resumidamente um conjunto nebuloso como:
Dado um conjunto A do universo Ω este é dito nebuloso se ∃ uma função de
pertinência µ A : Ω → [0,1]. Essa função associa a cada elemento x dentro do universo Ω o
grau µ A (x) , com o qual x pertence a A[1]. Essa função de pertinência µ A (x) , indica o grau
de compatibilidade entre x e o conceito que define A.
Sendo assim teríamos as seguintes situações:

µ A (x) = 1, indicando que x é completamente compatível com A;

µ A (x) = 0, indicando que x é completamente incompatível com A;

0 < µ A (x) < 1, indicando que x é parcialmente compatível com A, com o grau de µ A (x) .
A diferença básica para o modelo clássico de teoria dos conjuntos é que, na
primeira a noção de pertinência é dada por tudo ou nada ou simplesmente, ∈ ou ∉, e a teoria
dos conjuntos nebulosos dá uma certa graduação (ou aderência) de um determinado elemento
a um conjunto definido dentro de um universo qualquer.
A cardinalidade de um conjunto nebuloso se dá:
77

Num universo discreto por - | A |= ∑ µ A ( x) ;
x∈Ω

Num universo contínuo por - | A |= ∫ µ A ( x) .
Ω
A criação da lógica nebulosa se dá a partir da verificação da incapacidade da
lógica de Boole em automatizar alguns processos biológicos, químicos e industriais,
principalmente quando o universo estudado é representado por variáveis contínuas.
Além de fazer uma aproximação maior com o sistema de representação
cognitiva do Homem, a “imprecisão” dada pelos modelos nebulosos é mais barata, além de
que podem ser apresentados (aproximadamente) como somas de conjuntos “crisps”
(conjuntos secos, ou precisos) da teoria clássica, como segue abaixo:
Definimos um subconjunto “crisp” (ou seco) de universo nebuloso Ω o
conjunto denotado por Aα , cujos elementos podem ser expressos pela regra de formação:
Aα = {x ∈ Ω | µ A ( x) ≥ α } , sendo os casos extremos deste conjunto
denominados por Su ( A) , os elementos que, além de agrupar elementos de Ω que são
compatíveis com a definição de elemento de A; e o núcleo de A, denominados Nu ( A) , cujos
elementos são completamente compatíveis com A. Graficamente, poderíamos representar esse
conceito pela figura abaixo:
Figura 03.02.03.001. Representação de um conjunto nebuloso, seus extremos e núcleo.
Fonte: SANDRI e CORREA (1999, p. 73-90)
onde :

Su ( A) = {x ∈ Ω | µ A ( x) > 0} = limα → 0 Aα e;
78

Nu ( A) = {x ∈ Ω | µ A ( x) = 1} = A1 .
A altura de A (na figura acima) representa o maior grau de compatibilidade
dos elementos de Ω em relação ao conceito expresso pelas regras de definição de A :

Al ( A) = sup µ A ( x) ,
x∈Ω
que introduz o conceito de normalização de um conjunto nebuloso. Um
conjunto é dito normalizado se e somente se Al ( A) = 1 .
Finalizando a definição matemática de um conjunto nebuloso dentro do
conceito clássico de conjuntos é necessário que este suporte operadores de interseção, união e
complemento, além de que deve existir correspondente às Leis de De Morgan, como segue
abaixo:

Sejam A e B conjuntos nebulosos em Ω . A interseção desses conjuntos pode ser
representada por um outro de tal forma que E = A ∩ B . Da mesma forma podemos
expressar a união desses como um outro conjunto F = AUB .
Na teoria dos conjuntos nebulosos, a interseção é implementada por uma
família de operadores denominados de t-normas, e a união é implementada por uma família
de operadores denominados t-conormas.
Seja por exemplo uma função ∇ : [0,1] 2 → [0,1] . Esta é dita comutativa,
associativa e monotônica se satisfaz as seguintes propriedades, respectivamente, para
∀a, b ∈ [0,1] :

Comutatividade: ∇(a, b) = ∇(b, a ) ;

Associatividade: ∇(a, ∇(b, c)) = ∇(∇(a, b), c) ;

Monotonicidade: ∇(a, b) ≤ ∇(c, d ) se a ≤ c e b ≤ d .
Um operador T: [0,1] 2 → [0,1] é denominado de t-norma se T é comutativo,
associativo e monotônico e verifica a seguinte propriedade: ∀a ∈ [0,1] o elemento neutro =1,
ou T (a,1) = a .
Da mesma forma uma t-conorma ⊥ é uma função ⊥: [0,1] 2 → [0,1] que é
comutativa, associativa e monotônica e verifica-se a seguinte propriedade: ∀a ∈ [0,1] o
elemento neutro = 0, ou ⊥ (a,0) = a .
79
Uma t-norma e uma t-conorma são duais em relação a uma operação de
negação ¬ : [0,1] → [0,1] , se elas satisfazem as relações de De Morgan, dada por,
∀a, b ∈ [0,1] :

¬(T(a, b) =⊥ (¬a, ¬b);

¬(⊥ (a, b) = T(¬a, ¬b).
sendo um dos principais operadores de negação dado por ¬a = 1 − a .
Por fim deve-se notar que os operadores t-norma e t-conorma se reduzem ao
conceito clássico de interseção e união quando os conjuntos nebulosos são “crisps”
(ondulados).
Características
Uma das características mais marcantes dos sistemas fuzzy é a capacidade de
tratar uma relação de entrada e saída não-linear complexa como uma síntese de múltiplas
entradas e saídas simples (escalares), similar ao que acontece em redes neurais. Essas entradas
e saídas simples são descritas em cada regra gerada pelo sistema. Uma outra habilidade desses
sistemas é conseguir separar lógica de “não lógica”, nesse caso singular a esses sistemas, já
que os modelos lógicos baseados em duas variáveis não conseguem fazer essa distinção.
Figura 03.02.03.002. Exemplo de um Processador Fuzzy completo.
Fonte: VELLASCO (1999, p. 8)
Os sistemas fuzzy também possuem a habilidade de codificar o
conhecimento de forma similar ao modo ao que os especialistas expressam o processo de
decisão (observe a figura 03.02.03.002), representando-os como consistentes ou conflitantes,
pois além de possuir menor quantidades de regras essas são compostas por regras similares às
expressas pelos especialistas, sendo um método que fornece alternativas interessantes, mais
80
consistentes e mais matemáticas para lidar com incertezas e inexatidão.
Essa inexatidão é uma função da capacidade, ou habilidade, de medir. A
lógica fuzzy trata de questões associadas à imprecisão intrínseca, que são aquelas associadas
com a descrição das propriedades de uma determinada realidade e não com as medidas da
propriedade, ao invés das relacionadas com falhas de medição.
Entre as desvantagens dos sistemas que utilizam lógica fuzzy está justamente
a definição do núcleo (figura 03.02.03.001) e do grau de pertinência, vista anteriormente, para
um determinado grupo de dados. Outras necessidades são dados históricos ou especialistas
para a geração de regras de produção a fim de definirem as regras de execução e os limites
dos grupos a serem utilizados.
Em relação à probabilidade, que tenta explicar como certos eventos ocorrem
em um certo espaço amostral, a lógica fuzzy descreve propriedades que tem valor contínuo
(não estão encerradas dentro de um espaço amostral), associando a esses valores uma
conotação semântica, ou seja, mais profundamente que a probabilidade, a lógica fuzzy explica
além das populações as instâncias individuais dos elementos estudados, pois trata de maneira
individual cada um dos elementos do espaço amostral.
Sistemas Fuzzy
A teoria fuzzy sustenta que todos as coisas são problemas envolvendo graus
de aproximação. Os sistemas fuzzy guardam bancos de associações fuzzy ou regras de senso
comum. É uma área de pesquisa alternativa para a lógica e a matemática. De acordo com
KOSKO (1992, p.3), por exemplo
“A teoria Fuzzy reduz a lógica ‘Preto’ e ‘Branco’ da lógica
matemática para casos especiais e limitados de relações em cor ‘Cinza’. Essa
teoria viola as leis da lógica formal, em particular as leis da não contradição não(A e não-A) e a lei de exclusão central de A ou não-A, e ainda resolve os
paradoxos ou antíteses que essas leis geram.”
É possível dizer que a lógica fuzzy é a lógica que se preocupa com os
princípios formais da raciocínio fuzzy, tentando modelar aspectos imprecisos da mente
humana quando se trabalha com problemas que envolvam tomada de decisão, oferecendo
fundamentos para proceder o raciocínio fuzzy com proposições fuzzy e usando a teoria fuzzy
como ferramenta principal (VELLASCO, 1999, p.2)
A Classificação é um tipo de problema onde se tenta prever as classes
corretas ou categorias para um determinado tipo de padrão no qual uma ou mais classes são
81
possíveis de serem detectadas. Muitos problemas envolvem escolha entre duas ou mais
classes possíveis.
Por exemplo:

Sim ou Não

Verdadeiro ou Falso

Sucesso ou Falha
Outros problemas podem envolver vários conjuntos de classes como por
exemplo:

Uma certa letra do alfabeto

Um certo digito numérico

Uma certa variação de preço

Um certo nome de doença
Como mencionado anteriormente assim como em lógica convencional os
termos serem apenas ‘verdadeiro’ ou ‘falso’, a lógica fuzzy permite generalização dessa lógica
convencional, permitindo que existam termos entre ‘verdadeiro’ ou ‘falso’ como
‘parcialmente falso’ ou ‘quase verdadeiro’. Por isso mesmo a lógica fuzzy não pode ser
processada diretamente por computadores, devendo ser emulada por algum código que
contenha tais graus de variação.
O algoritmo SFAM
SFAM é a abreviação de “Simplified Fuzzy Adaptive Resonance Theory
Map”. Sendo descrita inicialmente em um artigo de Tom Kasuba “Simplified Fuzzy
ARTMAP”, publicado pela AI Expert Magazine em novembro de 1993.
Vantagens do SFAM :
O treinamento é rápido.
O treinamento quase não requer a intervenção do usuário.
A interpolação entre dados é excelente.
Desvantagens do SFAM :
82
Existe uma tendência de memorizar os dados de treinamento. Essa tendência se torna
problemática se os dados de treinamento contém alguma anomalia. Os dados devem
conter o mínimo possível de falhas..
Os dados de treinamento não devem conter discrepâncias muito evidentes em suas classes.
Essas contradições acabam por resultar na criação de nodos redundantes em todo o ciclo
de treinamento..
O treinamento começa com só um nodo escondido cujos pesos são fixados
para serem iguais ao primeiro registro e o nodo de previsão é fixado para o primeiro registro
da classe. Da mesma forma, sempre que uma classe nova é encontrada um novo nodo é
criado. O nodo cujo peso melhor se adapta aos dados de entrada corrente é o que determina a
previsão, fornecendo o grau de distanciamento com o valor limite estabelecido. Se esta
previsão está correta, são ajustados os pesos deste nodo para essa entrada. Se a previsão está
errada ou o limite aceitável não é alcançado, um nodo novo é criado com pesos e previsão
ajustados para serem iguais a esse registro.
Extração de Regras
A extração de regras indutiva é relacionada aos campos das teorias de
Aprendizado de Máquina, Data Mining, Sistemas Especialistas e Inteligência Artificial. A
extração de regra às vezes é chamada “Classificação” de árvore de decisão. O método
depende do conceito de “Entropia” que é um termo usado para medir a quantidade de
desordem, ou incerteza de uma dada população ou fato estudado.
− Entropy = P × log 2 P + Q × log 2 (Q)
(1)
O exemplo seguinte tem por objetivo demonstrar de forma breve como
entropia pode ser usada para extrair regras de um banco de dados. Imagine um banco de dados
de dados sobre seleção de sujeitos passivos que contenha só um campo como "Selecionado"
ou "Não Selecionado". É necessário fazer um diagnostico usando qualquer informação que
você possa extrair deste único banco de dados de uma coluna.
Agora suponha que você nota que todas os sujeitos passivos são mostradas
como sendo “Selecionado”. A porção de empresas dessa situação é 100% (P=1); enquanto a
porção “Não Selecionado” é 0% (Q=0). Neste caso a função de entropia é representada por:
− Entropy = 1× log 2 (1) + 0 × log 2 (0) assim Entropia = 0.0
(2)
implicando em nenhum grau de desordem ou incerteza, assim um diagnóstico de
83
"Selecionada" poderia ser feito com um alto grau de confiabilidade. Da mesma forma, se
todos os sujeitos passivos fossem mostrados como "Não Selecionados", a porção de
"Selecionados" é 0% (P=0); enquanto a porção de "Não Selecionado" é 100% (Q=1). Neste
caso a função de entropia é representada por
− Entropy = 0 × log 2 (0) + 1× log 2 (1) , assim Entropia = 0.0
(3)
implicando da mesma forma em nenhum grau de desordem ou incerteza, assim o diagnóstico
de “Não Selecionado” pode ser feito com um alto grau de confiabilidade. O pior caso ocorre
quando metade dos sujeitos passivos são descritos nesse banco de dados como “Selecionado”
e a outra metade é descrita como “Não Selecionado”. A porção de “Selecionado” então é 50%
(P=.5); enquanto a porção de “Não Selecionados” é 50% (Q=.5). Nesse caso a função
representativa de entropia é dada pela função:
1
1
− Entropy = × log 2 (0.5) + × log 2 (0.5) , assim Entropia = 1.0 (4)
2
2
implicando num grau de incerteza máximo. Nesse caso esse banco de dados não contém
nenhuma informação que seja útil para algum tipo de diagnóstico. Note que pela função
básica o valor gerado para entropia sempre está entre 0 e 1.
É possível que o banco de dados acima seja incrementado com a adição de
novos campos. Determinando por exemplo, que a outra distribuição de campos é 80% e 20%
(Para campo como setor de atividade econômica). Digamos por exemplo, que dividindo os
dados em duas porções baseado no novo campo, e calculando a entropia para cada porção,
chegamos a resultados onde a entropia da maior porção = .65, e a entropia da outra é = .55. A
entropia global para este novo campo é dada pela fórmula, (80% * .65) + (20% * .55) = .63.
Ampliando o banco de dados para acrescentar um segundo campo cujos
pesos são 60% e 40% (retorno esperado para o Tesouro, por exemplo) . Executando os
mesmos passos em duas porções, e calculando a entropia para cada um, e supondo que a
entropia da primeiro porção = .45, e entropia da segunda porção = .05 chegamos à conclusão
que entropia global para este campo é dada pela fórmula, (60% * .45) + (40% * .05) = .29
A entropia mais baixa (.29) em comparação à mais alta (.63) é considerada
como tendo mais informação que o mais alto. Então deve ser usado este campo como a
melhor opção para a montagem de uma árvore de decisão. É possível dar continuidade a este
procedimento para construção uma árvore de decisão de onde pode-se extrair mais
informações significativas, usando sempre os campos com menos entropia.
84
03.02.04 Redes Neurais
Um cérebro humano recebe continuamente sinais de muitas fontes e os
processa criando a resposta de produção apropriada. Nossos cérebros têm bilhões de
neurônios que se interconectam criando “Redes Neurais”. Estas redes executam as milhões de
funções necessárias a sustentar a vida normal. Nas últimas décadas, estudiosos procuraram
desenvolver modelos, ambos em hardware e em software, que imitam a atividade cerebral
num esforço de produzir uma forma de inteligência artificial. Muitos modelos teóricos,
datando dos anos 50, foram desenvolvidos. A maioria limitou o potencial de aplicação no
mundo real e, assim, redes neurais permaneceram em obscuridade relativa por décadas.
Porém, as teorias de retropropagação são largamente responsáveis para mudar esta tendência,
por viabilizarem uma ferramenta de aprendizagem extremamente efetiva que pode ser
aplicada a uma variedade grande de problemas. As técnicas de retropropagação hoje utilizadas
necessitam supervisão em seu treinamento. Isto significa que quando elas perfazem o jogo
com os dados de entrada e saída, na base de treinamento, a fim de determinar os melhores
pesos das interconexões de rede, adequando os dados de entrada aos dados de saída, é
necessário que exista alguma forma de intervenção para se determinar falhas nesse processo.
Uma Rede Neural Artificial (RNA) é “um processador maciçamente
paralelamente distribuído constituído de unidades de processamento simples, que têm a
propensão natural para armazenar conhecimento experimental e torná-lo disponível para o
uso.” (HAYKIN, 2001, p.28)
Figura 03.02.04.001: Esquema de uma rede neural
Fonte: CTA/ITA
As redes neurais que utilizam retropropagação processam informação de
85
elementos interconectados (freqüentemente neurônios, unidades ou nós e “nodos”), conforme
a figura 03.02.04.001. Estes nodos são organizados em grupos de camadas. Há três tipos
distintos de camadas em uma rede neural de retropropagação: a camada de entrada, a camada
intermediária (escondida) e a camada de saída ou de produção. Uma rede consiste numa
camada de entrada, uma ou mais camadas intermediárias (escondidas) e uma camada de saída.
Conexões existem entre os nodos de camadas adjacentes para retransmitir os sinais de
produção de uma camada para a próxima.
Redes completamente conectadas acontecem quando todos os nodos em
cada camada recebem conexões de todos os nodos em cada camada precedente. A informação
entra em uma cadeia pelos nodos que estão dispostos na camada de entrada. Essa camada tem
por finalidade distribuir a informação para a camada intermediária. A camada intermediária e
os nodos da camada de saída processam sinais entrantes aplicando funções e dando peso a
eles. Cada camada também tem um elemento adicional chamado nodo "bias". Esse elemento
adicional gera simplesmente um sinal de referência à camada no qual está inserido,
funcionando como um elemento de paridade. A função de transferência serve para normalizar
a saída entre 0 e 1.
Em um trabalho que trata de introdução a redes neurais, TATIBANA e
KAETSU (1996) descrevem sucintamente o funcionamento do cérebro, neurônios e conexões
sinapticas:
“O cérebro humano é um processador adaptável e flexível
composto por aproximadamente 10 bilhões neurônios. Todas as funções e
movimentos do organismo estão relacionados ao funcionamento destas células.
Os neurônios estão conectados uns aos outros através de
sinapses, e juntos formam uma grande rede, chamada Rede Neural. As sinapses
transmitem estímulos, que são sinais elétricos, através de diferentes concentrações
de Na+ (Sódio) e K+ (Potássio), e o resultado disto pode ser estendido por todo o
corpo humano.
O sistema nervoso é formado por um conjunto extremamente
complexo de neurônios. Nos neurônios (figura 03.02.04.002) a comunicação é
realizada através de impulsos, quando um impulso é recebido, o neurônio o
processa, e passado um limite de ação, dispara um segundo impulso que produz
uma substância neurotransmissora o qual flui do corpo celular para o axônio (que
por sua vez pode ou não estar conectado a um dendrito de outra célula).
O neurônio que transmite o pulso pode controlar a freqüência
de pulsos aumentando ou diminuindo a polaridade na membrana pós sináptica.
Eles têm um papel essencial na determinação do funcionamento, comportamento e
do raciocínio do ser humano. Ao contrário das redes neurais artificiais, redes
neurais naturais não transmitem sinais negativos, sua ativação é medida pela
freqüência com que emite pulsos, freqüência esta de pulsos contínuos e positivos.”
86
Figura 03.02.04.002:Esquema dos constituintes da célula neural
Fonte: CEB-USP.
Uma rede neural artificial, ao contrário das redes biológicas, é definida
melhor como um conjunto de unidades simples, altamente interconectadas, processando
elementos que são capazes de aprendizagem a partir de dados apresentados a eles.
A teoria em que se fundamenta as redes neurais foi resumidamente
explicada por HECHT-NIELSEN (1988 p.131-140), em um artigo para o Neural Networks
Journal (1988)
"Um modelo conexionista é uma estrutura de processamento de
informações distribuída e paralela. Ela é formada por unidades de processamento,
comumente chamadas de nós, neurônios ou células, interconectadas por arcos
unidirecionais, também chamados de ligações, conexões ou sinapses. Os nós
possuem memória local e podem realizar operações de processamento de
informação localizada. Cada célula possui uma única saída (axônio), a qual pode
se ramificar em muitas ligações colaterais (cada ramificação possuindo o mesmo
sinal de saída do neurônio). Todo o processamento que se realiza em cada unidade
deve ser completamente local, isto é, deve depender apenas dos valores correntes
dos sinais de entrada que chegam dos neurônios através das conexões. Estes
valores atuam sobre os valores armazenados na memória local da célula"
A fundação de teoria de rede neural está baseada em estudos das atividades
biológicas do cérebro, já que apresenta grande semelhança aos processos descritos
anteriormente. A habilidade de uma rede neural em aprender e processar informação classifica
esta tecnologia como uma forma de inteligência artificial (IA), consistindo em capturar os
princípios básicos de manipulação de informação do cérebro humano e aplicar esse
conhecimento na resolução de problemas que exigem aprendizado a partir da experiência
(BEALE e JACKSON, 1990, p. 63)
Uma característica das mais importantes desta tecnologia nova é que pode
87
ser aplicada efetivamente a grande variedade de problemas, muitos dos quais complexos
demais, inclusive para modelos estatísticos e matemáticos sofisticados. Redes Neurais são
responsáveis pelo avanço significativo nos campos de IA tradicionais de fala e
reconhecimento visual. Gerentes de investimento estão criando modelos de investimento para
administrar melhor dinheiro e melhorar lucros, como vemos em fóruns de discussão na
Internet que tratam de RNA. Outros profissionais de administração buscam utilidade em áreas
de marketing, recursos humanos e produção. Os cientistas e engenheiros os usam para
modelar e predizer fenômenos complexos e diversas outras aplicações. A variedade de
problemas que podem ser resolvidos efetivamente através de redes neurais é virtualmente
infinita.
Histórico
As informações abaixo são uma compilação de textos e adaptações de
MÜLLER (1996,_), PATTERSON (1990, p. 1-9), HARMON e KING (1985, p. 2-15),
TATIBANA e KAETSU (1996,_), RICH (1988, p. 1-25), RICH e KNIGHT(1994, p. 1-33,
560-604), LEVINE (1988, p. 1-19) e KLEIN e METHLIE (1990, p. 113-143).
As primeiras informações mencionadas sobre a neurocomputação datam de
1943, de alguns trabalhos de McCulloch e Pitts como “A logical calculus of the ideas
immanent in nervous activity’’, publicado no Bulletin of Mathematical Biophysics, em que
sugeriam a construção de uma máquina baseada ou inspirada no cérebro humano, e
posteriormente com a idealização do neurônio formal que consistia num modelo de resistores
variáveis e amplificadores representando conexões sinápticas de um neurônio biológico,
representado na figura 03.02.04.003 abaixo”:
Fig. 03.02.04.003 Representação esquemática do Modelo de McCulloch e Pitts
Fonte: Barreto, J.M.: Redes Neurais: Aspectos matemáticos e computacionais
Muitos outros artigos e livros surgiram desde então, até que em 1949
88
Donald Hebb que trabalhando na idéia de que o condicionamento psicológico clássico está
presente em qualquer parte dos animais, conclui ser fato que esta é uma propriedade de
neurônios individuais. Suas idéias não eram completamente novas, mas Hebb foi o primeiro a
propor uma lei de aprendizagem específica para as sinapses dos neurônios. Este primeiro
passo serviu de inspiração para que muitos outros pesquisadores perseguissem a mesma idéia.
Embora muitos estudos e publicações tenham surgido nos anos 40 e 50, estes serviram mais
como base para desenvolvimento posterior que para o próprio desenvolvimento.
Também proveniente deste período de tempo foi a construção do primeiro
neurocomputador, denominado Snark, por Marvin Minsky, em 1951. O Snark operava com
sucesso a partir de um ponto de partida técnico, ajustando seus pesos automaticamente,
entretanto, ele nunca executou qualquer função de processamento de informação interessante,
mas serviu de inspiração para as idéias de estruturas que o sucederam.
O primeiro neurocomputador a obter sucesso (Mark I Perceptron) surgiu em
1957 e 1958, criado por Frank Rosenblatt, Charles Wightman e outros. Devido a
profundidade de seus estudos, suas contribuições técnicas e de sua maneira moderna de
pensar, muitos o vêem como o fundador da neurocomputação na forma em que a temos hoje.
Seu interesse inicial para a criação do Perceptron, representado esquematicamente pela figura
03.02.04.004 abaixo, era o reconhecimento de padrões.
Figura 03.02.04.004: Modelo esquemático do modelo de Perceptron de Rosenblat
Fonte: TATIANA e KAETSU (1996)
Em seguida, Rosenblatt, e Bernard Widrow, com a ajuda de alguns
estudantes, desenvolveram um novo tipo de elemento de processamento de redes neurais
chamado de Adaline equipado com uma lei de aprendizado, que diferente do Perceptron,
utilizava uma função de ativação (descrito mais a frente) para estimular os neurônios e suas
conexões e que ainda permanece em uso. E um elemento de saída Madaline, com respostas
matematicamente mais funcionais. E organizados conforme a figura abaixo:
89
Figura 03.02.04.005: Redes Madaline e Adaline
Fonte: TATIANA e KAETSU (1996)/
Um período de pesquisa silenciosa seguiu-se durante 1967 a 1982, quando
surgiram poucos trabalhos devido a publicações de Whence Cybernetics: The Newsletter of
the IEEE Neural Networks Council e Perceptrons de Minsk e Papert, que versava sobre as
falhas no perceptron de Rosenblat.
Nos anos 80, muitos pesquisadores passaram a publicar diversas propostas
para a exploração de desenvolvimento de redes neurais, bem como suas aplicações. Porém
talvez o fato mais importante deste período tenha ocorrido quando Ira Skurnick, administrador
de programas da DARPA (Defense Advanced Research Projects Agency) decidiu ouvir os
argumentos da neurocomputação e seus projetistas. Divergindo dos caminhos tradicionais dos
conhecimentos convencionais, fundou em 1983 pesquisas em neurocomputação, fato que
abriu as portas para esse ramo de pesquisa.
Outro estudioso que emergiu neste período foi John Hopfield, que se
interessou pela neurocomputação, e escreveu artigos provando ser possível a simulação de um
sistema físico através de um modelo matemático baseado na teoria de redes neurais.
Apesar de uma parte dos pesquisadores da área terem aderido à mesma pela
influência de Hopfield, foi em 1986 que este campo de pesquisa cresceu com a publicação do
livro "Parallel Distributed Processing" (Processamento Distribuído Paralelo) publicado por
RUMELHART e MCCLELLAND (1986, apud MIT AI STUDY AIM 357, INTERNET), que
propunham uma nova estrutura de conexões e neurônios altamente interligados e que tinham
capacidade de adaptação, modificando seus pesos sinápticos. A figura 03.02.04.006 abaixo
representa o modelo de Rumelhart e McClelland de alto grau de conectividade.
90
Fig. 03.02.04.006: Modelo de Rumelhart e McClelland.
Fonte: TATIANA e KAETSU (1996)
Por fim, vale ressaltar que dos estudos do neurofisiologista McCulloch e
matemático Walter Pitts na década de 40 resultou um trabalho que fazia uma analogia entre
células vivas e o processo eletrônico, simulando o comportamento do neurônio biológico,
embora o neurônio artificial possuísse apenas uma saída, e um algoritmo (definido por uma
função) que tratava as entradas ou uma soma de várias entradas.
Funções de Ativação
Segundo KOSKO (1992,39-50) a função de ativação de um neurônio
artificial é a que processa um sinal de entrada para produzir a saída final de um neurônio.
Esta função tem várias formas, podendo ser uma função linear, uma função
degrau ou ainda uma função qualquer que simule mais precisamente as características não
lineares do neurônio biológico no experimento a ser testado (Figura 03.02.04.002). No caso
da função ser linear, a saída do neurônio é dada pela fórmula:
saida = k × (ativação) ,
onde k é uma constante e ativação é o peso dado pelas ligações anteriores e
que fazem o neurônio reagir. Observa-se então que a saída do neurônio artificial é
simplesmente a representação da função matemática usada gerar algum tipo de saída para o
neurônio (n+1) ligado a esse. A figura abaixo exemplifica alguns tipos de funções de ativação
que podem ser usadas para estimular os neurônios numa RNA.
91
Figura 03.02.04.007:Exemplo de funções de Ativação
Fonte: CTA/ITA
A função de ativação pode então ser definida como sendo um ganho para o
neurônio artificial. Esse ganho é obtido calculando-se a razão entre a variação de saída, dada
pela função de ativação e a variação de entrada (peso de ativação). Esse ganho é a inclinação
da curva para um nível de excitação específico.
Uma das funções mais utilizadas como função de ativação é a função
sigmóide ou função logística representada matematicamente por F ( x) =
1
(1 + e
− ativaçào
)
, que
produz resultados bastante adequados mesmo nos casos onde uma rede que possua tanto
sinais pequenos quanto grandes.
Essa preocupação se deve ao fato de que, para a manipulação de sinais
pequenos, o ganho “teoricamente” deveria ser maior para produzir saídas usáveis, ou seja,
deveriam existir vários estágios de ganho, contudo esses ganhos poderiam saturar a saída
ampliando o “ruído” que está em qualquer rede; enquanto isso, os sinais de entrada altos
também iriam saturar a saída, eliminando qualquer saída usável. A função sigmóide resolve o
problema de pequenos sinais enquanto que sua região de ganho decrescente nos extremos
negativa e positiva é adequada para sinais de valores altos.
Outra função largamente utilizada é a tangente hiperbólica, que possui uma
forma similar a da sigmóide apresentada na figura 03.02.04.002, além das características
citadas acima, a tangente hiperbólica possui valores de saída bipolares, que é benéfica para
certos tipos de RNAs.
Essas duas funções não lineares são chamadas funções “squashing”, e são
classificadas em dois tipos: simétricas e assimétricas. Uma função “squashing” assimétrica
típica é a função logística, exemplificada acima, enquanto uma simétrica é a tangente
hiperbólica.
A família das funções “squashing” é definida por:
92
f =k+
c
,
1 + e Tx
onde a escolha apropriada para os valores k, c e T, fornecem as funções
sigmóide e tangente hiperbólica típicas. Os parâmetros k e c influenciam na amplitude da
função, enquanto que o parâmetro T determina a inclinação da curva na origem.
Embora os resultados obtidos com ativação do neurônio artificial possam
até certo ponto simular o neurônio biológico, aquele ignora diversas características como:

Não consideração dos atrasos

Estrutura imutável

Dependem de uma soma de valores para se ativarem

As ligações sinápticas devem existir previamente

Encontra-se somente em dois estágios, ligado ou desligado.
Essas características afetam a dinâmica do sistema, ou seja, as entradas
produzem saídas imediatas, e a não consideração de efeitos como sincronismo ou modulação
de freqüência, acabam por distanciar o neurônio artificial do biológico que utiliza essas
características para uma melhor propagação dos sinais em sua rede.
Apesar dessas limitações o neurônio artificial possui duas das características
principais do neurônio biológico, aprendizado e generalização, que permitem, para as
aplicações de RNAs de hoje, considerar que a essência do neurônio biológico foi absorvida.
Funções de Erro e Padronização
ERRO
O erro obtido no treinamento da rede informa o grau de convergência das
RNAs. Esse erro depende de alguns fatores como, por exemplo, a qualidade dos dados de
entrada. A função mais comumente usada é a MSE (Mean Square Error) definida por:
MSE =
1 n
∑ (alvot − saída ) 2 ,
n t =1
onde n é o número de padrões apresentados. Essa função é mais utilizada
pela facilidade de cálculo, embora o trabalho com médias nem sempre seja adequado, existe
em praticamente todos os pacotes computacionais que trabalham com estatística. O uso dessa
medida de erro tem como principal problema a elevação ao quadrado dos erros, que nos casos
93
onde se encontram erros grandes pode gerar distorções elevadas.
Uma outra medida de erro é o RMS (Root Mean Square) definido como:
RMS = MSE ou seja RMS =
1 n
∑ (alvot − saída ) 2
n t =1
Em RNAs, o MSE e o RMS tem relação direta com os dados apresentados e
as relações conseguidas pelo treinamento. Isso indica que, essas medidas de erro aumentam
substancialmente quando os dados de entrada são irrelevantes para a saída esperada ou
quando existe omissão de entradas relevantes.
Erros ou irregularidades de algumas entradas não afetam o sistema de modo
substancial, embora em alguns casos, onde os dados sejam distantes em vários graus de ordem
seja necessário se fazer uma padronização dos mesmos, como por exemplo, uma
padronizações que serão discutidas no item seguinte.
PADRONIZAÇÃO
A padronização não linear dos dados, como a aplicação de logaritmo em
algumas entradas, por exemplo, é usada principalmente nos casos onde a magnitude dos dados
varia na ordem de muitas grandezas. De modo prático, a aplicação de logaritmo tenta
linearizar e mudar de escala uma determinada seqüência de dados que determinam uma curva.
Um caso prático do uso de logaritmo é o estudo de variáveis que se alteram durante o tempo
como aceleração em estudos sobre movimento uniformemente variado, feito em física.
Para os diversos tipos de padronização, quando a característica está sobre
todos os componentes dos vetores se faz uma padronização total, ainda existindo a
padronização vertical, quando os componentes dos vetores representam diferentes tipos de
dados, e uma padronização horizontal, quando os componentes do vetor, apresentam amostras
consecutivas de um determinado dado Para o caso onde exista uma distribuição multi-modal,
usa-se a padronização local.
Existem alguns tipos de padronização adequados para diversos tipos de
dados ou situações e que fornecem uma adequação destes para fins de estudo estatístico. Esses
tipos de padronização e suas aplicações seguem na tabela abaixo:
Tipo de Padronização
Cálculo
Remoção da Média
vetor _ sm = vetor − média
Característica
Para séries que possuem dados
com pequenas variações, com um
grande valor de compensação.
94
Tipo de Padronização
Diferenciação
Magnitude
Cálculo
Característica
vetorn − vetorn −1 Adequado para séries com
vetor _ d =
pequenas variações absolutas.
∆n
vetor
vetor _ mg =
Adequada para dados que
desvio − padrão
possuem grandes variações.
vetor _ nl = Log (vetor )
Não linear
vetor _ nl = vetor 0, 25
vetor _ nl = exp(vetor )
Adequada para dados que
possuem variações de muitas
grandezas.
Tabela 03.02.04.001: Tipos de Padronização de Dados
Fonte: Deus, Jorge Dias et al (1992, 20)
Treinamento e Aprendizado
Para CARBONELL (1989, p.1-9) o conceito de aprendizado é a habilidade
de realizar tarefas novas que não podiam ser realizadas anteriormente, ou melhor a realização
de tarefas antigas, como resultado de mudanças produzidas pelo processo de aprendizado.
As redes neurais podem modificar seu comportamento em resposta aos
estímulos produzidos pelo ambiente, regulando a força de conexão entre unidades de
processamento adjacentes pela adaptação dos pesos sinápticos, reconhecendo as informações
apresentadas em suas unidades visíveis. (WASSERMAN, 1989, p.110)
Para KOSKO (1992, p.111-212) o aprendizado diz respeito ao tratamento de
informações. Dessa forma, pode-se dizer que um sistema neural aprende quando codifica um
modelo em sua estrutura, da mesma forma que quando suas estruturas mudam, o sistema
aprende novas informações. Usando um critério behaviorista que trata do estudo de causa e
efeito nos estudos do comportamento humano, o sistema aprendeu o par estímulo-resposta
( x i , y i ) , se este responde com y i quando x i estimula o sistema. Essas duas variáveis podem
representar qualquer par semântico (numericamente representado) na estrutura de treinamento
da rede.
Generalizando, os pares estímulo-resposta ( x i , y i ) podem ser quaisquer
elementos definidos em f : R n → R p , que acabem por mapear n vetores de x em p vetores de
y. O sistema aprende a função f se responde com y , e y = f ( x) .
O objetivo do treinamento é fazer com que uma RNA produza, a partir de
um conjunto de entradas, um conjunto de saídas desejadas, ou no mínimo, um conjunto de
saídas consistentes.
95
Existem dois tipos de treinamento em RNAs, supervisionado e não
supervisionado. A distinção entre eles depende do tipo de informação dada ao sistema, bem
como ao que se pretende obter da mesma. Quando se dispõe de um par completo estímuloresposta, chamados nesse caso de par de treinamento, a rede é dita supervisionada, quando
não existe o vetor de saída o treinamento da RNA é dito não supervisionado.
Segundo FREEMAN (1992, p.89-106) o objetivo do treinamento consistem
em atribuir os pesos sinápticos com valores apropriados, de modo a produzir o conjunto de
saídas desejadas ou ao menos consistentes com um intervalo de erro estabelecido. Assim, o
processo de aprendizado subsiste na busca de um espaço de pesos pela aplicação de alguma
regra que defina esta aprendizagem (MÁSSON, 1990, p.1-28)
O propósito das redes supervisionadas é “aprender” a função de relação dos
vetores de entrada e saída, e das redes não-supervisionadas é “deduzir” ou buscar relações
existentes nos vetores de entrada.
Na modelagem que usa análise de alcance de metas (supervisionado), o
vetor de entrada é aplicado, sendo o resultado calculado e comparado com o respectivo vetor
de saída. O erro encontrado é então realimentado através da rede e os pesos são atualizados de
acordo com o algoritmo usado para minimizar esse erro. Esse procedimento é repetido até que
os erros se encontrem em patamares aceitáveis.
Na modelagem que usa análise de simulação (não-supervisionado), não
existe p vetor alvo e consequentemente, não se faz comparação com a resposta ideal. O
conjunto de treinamento modifica os pesos da rede de forma a produzir saídas que sejam
consistentes. Nesse caso, o processo de treinamento extrai as propriedades estatísticas do
conjunto de treinamento e agrupa os vetores similares em classes. A aplicação de um vetor de
uma determinada classe irá produzir um vetor de saída específico, embora não exista forma de
prevê-lo antes do treinamento da mesma forma que ocorre em programação orientada a
objetos onde o resultado de um programa depende das características indicadas a determinado
objeto. Essas saídas devem então ser transformadas em uma forma compreensível de leitura
após o treinamento, para que sejam visualizadas as relações entrada-saída obtidas pela rede.
Segundo WASSERMAN (1989, p.120), um modelo conexionista é sensível
às variações que podem ocorrer em informações procedentes, de suas unidades de entrada,
reconhecendo ruído e distorção. A capacidade da rede em se adaptar às novas situações,
gerando valores de saída consistentes com os esperados, é vital para a aplicabilidade do
96
modelo de um ambiente que tente simular o mundo real.
Topologias de Rede
De acordo com MÁSSON (1990, p.1-28), a topologia de uma rede neural
artificial pode ser expressa através de um grafo dirigido com pesos G=(V,A,W), onde V
corresponde a um conjunto de vértices, A a um conjunto de arcos dirigidos e W a um
conjunto de pesos para esses arcos. Cada vértice no grafo representa uma unidade de
processamento
As RNAs possuem basicamente duas classes de topologia de rede. Podem
ser:

Não recorrentes, que são aquelas que não possuem realimentação de suas saídas para
suas entradas, sendo por isso denominadas “sem memória”. A estrutura para essa rede é
em camadas, podendo variar de uma a várias camadas. A entrada não é considerada uma
camada da rede, pelo fato de apenas distribuir os padrões. Por outro lado, a saída é
considerada uma camada. Entre elas, estão as camadas escondidas, onde não existem
ligações de neurônios dentro do mesmo nível, mas sim com camadas anteriores e
posteriores. As RNAs de uma camada são também chamadas “perceptrons”.

Recorrentes, que são aquelas que contêm realimentação das saídas para as entradas,
conforme a figura 03.02.04.008 abaixo, sendo suas saídas determinadas pelas entradas
atuais e pelas saídas anteriores. Além disso, sua estrutura não é organizada
obrigatoriamente em camadas, podendo inclusive existir ligações de neurônios na mesma
“classe de posição” em relação às entradas.
Figura: 03.02.04.007: Exemplo de uma RNA recorrente
Fonte: CTA/ITA
As RNAs recorrentes são também chamadas RNAs “com memória”, por
possuírem realimentação, e por esse fato, podem responder a estímulos dinâmicos. Para as
97
redes estáveis, o processo de aprendizado é repetido até que suas saídas fiquem constantes.
Mas nem sempre as redes recorrentes são estáveis, mesmo com entradas constantes. Redes
estáveis são aquelas que possuem conexões simétricas ou seja, Wij = W ji e Wii = 0 ,
descoberta esta feita pelos pesquisadores Cohen e Grossberg. (KOSKO; 1992, p.140)
Camadas, Conexões e Pesos
As pesquisas em redes neurais artificiais levaram ao desenvolvimento dos
mais diversos modelos cognitivos, cada qual com suas particularidades e adequados a um tipo
de situação.
A estruturação de uma rede neural em camadas é uma importante
característica topológica desses modelos. Em uma rede neural estruturada em camadas, o
conjunto de vértices V pode ser particionado em vários subconjuntos disjuntos
V=V(0)V(1)...V(L) de modo que as unidades de processamento da camada l somente apresentem
conexões com as unidades das camadas l+1 e l-1, onde l corresponde ao número de camadas
da rede neural artificial. (MÁSSON, 1990, p.1-28). Generaliza-se o caso de uma rede onde
cada unidade de processamento da camada l estabeleça conexão com todas as unidades de
processamento da camada l+1, caracterizando uma rede totalmente conectada.
Os arcos do grafo são chamados de conexões e representam as sinapses
entre os neurônios artificiais. A cada conexão no grafo está associado um peso wij(l), em
analogia às sinapses de um modelo conexionista biológico, representando a força de ligação
entre as unidades de processamento vi(l) e vj(l-1), onde i e j correspondem à posição,
respectivamente nas camadas l e l-1, que as unidades ocupam na rede (MASSON, 1990, p.128).
Algoritmo Retropropagação (Backpropagation)
A técnica de backpropagation é utilizada com sucesso em diversas
aplicações de redes neurais artificiais. O algoritmo baseia-se no método do gradiente
descendente para a minimização do erro entre a saída da rede e a saída desejada. O reajuste
∆Wij é fornecido pela seguinte equação:
∆Wij = −η × (
∂E
),
∂Wij
onde E é o somatório dos erros quadráticos da rede, o parâmetro η é a taxa
98
de aprendizado (que influencia a velocidade do aprendizado da rede neural) e Wij é o peso
associado à conexão entre um elemento processador i de determinada camada ao processador
j da camada imediatamente posterior.
A expressão para E é:
E=
1 n
(t j − s j ) 2 ,
∑
2 j =1
onde t j é o valor esperado desta saída e n é o número de neurônios na
camada j.
Como a saída de cada neurônio é uma função de ativação da rede temos:
s j = F (ativação) = F (∑ s j Wij ) ,
onde n é o número de entradas do neurônio j.
Como
∂ativação j
∂ativação
∂E
∂E
e
=
×
= si
∂Wij
∂Wij
∂Wij ∂ativação j
e definindo d j = −
∂E
, podemos escrever a equação do reajuste
∂ativação j
como:
∆Wij = −η × s i × d j , onde s i é a saída no neurônio i da camada anterior.
Para os elementos ou nós que se encontram na camada de saída a função é
dada por:
d j = (t j − s j )∂ativação j , onde t j é o valor de saída esperado no
processador j.
E para os elementos da camada escondida a função é dada por
n
d j = (∑ d k Wik )∂ativação j :
k =1
Uma representação esquemática da interligação dos elementos da RNA
quando utilizam o algoritmo de retropropagação é mostrada na figura abaixo. Observe que a
camada escondida pode conter n neurônios, mapeados na quantidade que se fizer necessários
para o aprendizado de outras camadas. Somente pode existir uma camada de entrada e uma
99
camada de saída.
Figura 03.02.04.009: Representação esquemática da estrutura de camadas no método backpropagation
A taxa de aprendizado η determina a velocidade do treinamento. Embora
um valor alto possa acelerar consideravelmente o treinamento, o mesmo também pode
acarretar oscilações na rede, que podem ser evitadas utilizando o termo momentum α de
forma que a equação do reajuste ficaria então:
dWij = ∆d s + α∆Wij (k ) ,
o que ocasiona uma atualização dos pesos no instante (k+1) utilizando o
instante anterior. A aplicação do momentum tende a filtrar oscilações do treinamento da rede,
pois atenua os efeitos de mudança no sentido oposto e reforça mudanças no sentido corrente.
A taxa de aprendizado influencia a magnitude das mudanças dos pesos,
sendo de fundamental importância no desempenho do aprendizado, mas encontrar a taxa mais
apropriada para cada aplicação depende unicamente de experimentação. Uma taxa de
aprendizado pequena implica necessariamente em pequenas variações de peso, mesmo
quando sejam necessárias grandes mudanças o que torna o treinamento lento.
Embora seja lento o processo, permite uma boa generalização. Uma outra
dependência do algoritmo é justamente o desenho da rede, que acaba por influenciar o
desempenho final e os resultados. Uma escolha adequada do número de camadas e nós
intermediários pode alterar o fluxo de aprendizado, isto significa que para um número muito
grande de camadas e nós intermediários o algoritmo passa a memorizar os resultados e não
mais aprender com eles, já que as funções de ativação e o momentum passariam a ter uma
alteração de “peso” na definição da direção do fluxo de aprendizado.
A determinação adequada do número de camadas e nós de uma rede é
100
conseguida nas redes mais antigas por um processo de tentativa e erro, a determinação através
da fórmula - nodos = 2 x (var iáveis _ de _ entrada + 1) - (sugerida por alguns produtos de
RNA) ou finalmente através da análise matemática da superfície de erro, para se tentar chegar
a configurações mais adequadas. Nas redes mais novas estão presentes alguns algoritmos de
otimização, que faz uma análise heurística de superfícies de erro obtidas por um jogo dos
dados de entrada e pesos por ele escolhido buscando a menor variação possível com os dados
de previsão, na fase de treinamento.
Dois outros problemas seriam: o do mínimo local, ocasionado porque a
superfície de erro é geralmente cheia de vales e desníveis e o algoritmo aplica um tipo de
gradiente descendente, o que pode ocasionar o “aprisionamento” nesse mínimo local; e a
possibilidade de durante o treinamento os pesos serem ajustados para valores muito elevados
que vão levar a derivada da função de ativação para 0(zero), impedindo a rede de aprender o
conjunto de treinamento.
Figura 03.02.04.010 Mínimo Local e Mínimo Global
Uma solução para o caso do “aprisionamento” em um mínimo local,
decorrente do uso do gradiente descendente, é o uso da segunda derivada. No algoritmo de
retropropagação padrão é utilizado a inclinação da superfície de erro (gradiente descendente,
obtido pela primeira derivada), mas ao se acrescentar a possibilidade de utilizar a segunda
derivada, que fornece a taxa de variação da inclinação, o tempo de treinamento é reduzido
substancialmente.
03.02.05 Tecnologia Neuro-Fuzzy
Quando se discutem vantagens e desvantagens de lógica fuzzy e tecnologias
de redes neurais, uma comparação simples indica que o benefício mais forte de uma rede
neural artificial é o poder de aprender automaticamente a partir de dados numéricos não
101
estruturados. Porém, a rede neural ainda continua sendo uma caixa preta, de forma que
modificação manual e verificação de uma rede treinada não são possíveis de um modo direto.
(ALTROCK, 1996, p.26)
Nesse ponto é onde lógica fuzzy supera a tecnologia de redes neurais: Em
um sistema de lógica fuzzy, todo componente é definido tão próximo quanto possível da
intuição humana sendo possível e muito fácil a modificação manual e verificação de um
sistema projetado por esse sistema. Porém, sistemas fuzzy não podem aprender
automaticamente a partir de dados numéricos não estruturados, pois este usa uma abordagem
de geração de regras que pressupõe a existência de dados nesta forma.
Neste caso, a tecnologia neuro-fuzzy provê "o melhor de ambos os mundos",
pois soma a representação explícita de conhecimento em variáveis lingüísticas e regras de
lógica fuzzy à aproximação de aprendizagem usada pelas redes neurais. Normalmente um
módulo neuro-fuzzy utiliza uma versão modificada do algoritmo de retropropagação de Erro,
visto anteriormente no tópico sobre redes neurais, para o treinamento de regras de um sistema
de fuzzy.
Há muitas aplicações onde é mais fácil definir o comportamento de um
sistema desejado (ou parte dele) através de exemplos em lugar de criação manual de regras ou
de variáveis lingüísticas.
Um módulo neuro-fuzzy automaticamente gera e aperfeiçoa não só as regras
de lógica fuzzy e os pesos de suas conexões mas também as relações de dados representativos
disponíveis na base de dados, integrando tecnologias neurais para treinar sistemas de lógica
fuzzy. Em contraste com soluções de redes neurais convencionais, o processo de treinamento
inteiro e o sistemas fuzzy resultante, continuam normalmente auto explicativo.
O treinando empregado por essa tecnologia está baseado em um
componente de inferência de lógica fuzzy chamado Mapas Associativos Fuzzy (Fuzzy
Associative Maps). Os sistemas FAM permitem a geração de regras fuzzy com um caráter
fuzzy inerente. Essas regras FAM podem ser vistas como neurônios generalizados (Razão
Aproximada) onde sua aceitabilidade é calculada por aprendizagem competitiva. Um gerador
de sistema fuzzy opcionalmente monta funções de relacionamento apropriadas e regras de
bloqueio antes da fase de treinamento baseado nas características intrínsecas dos dados.
Este módulo também pode ser usado para aperfeiçoar sistemas fuzzy
preexistentes. Começando com um sistema existente, um módulo neuro-fuzzy interativo
102
ajustando pesos de regra e definições das funções de relacionamento de tal forma que o
sistema converge ao comportamento representado pela base de dados. O processo de
otimização permite que regras especificadas e relacionamentos sejam treinados novamente ou
não. O processo inteiro de aprendizagem é visualizado, e sistema fuzzy gerado por algum do
módulo neuro-fuzzy pode ser aperfeiçoado mais adiante e podendo ainda ser verificado
manualmente
Como mostrado anteriormente sistemas neuro-fuzzy combinam a capacidade
de aprendizagem de redes neurais com o poder de interpretação fuzzy, dessa forma também
pode integrar conhecimento implícito e explícito e pode gerar regras fuzzy em um banco de
dados. Embora o uso destas duas tecnologias seja diferente, (por causa da estrutura de
conhecimento) como mostrado na tabela abaixo,. "eles podem ser combinados naturalmente, e
esta combinação se assemelha a um sistema adaptável com componentes sensoriais e
Conhecimento
cognitivos ao mesmo tempo. (KOSKO, 1992, p.18)
Estrutura
Estruturado
Não Estruturado
Simbólico
IA – Sistemas Especialistas
-
Fonte: KOSKO (1992, p.26)
Numérico
Sistemas Fuzzy
Sistemas Neurais
04
A SELEÇÃO DE SUJEITOS PASSIVOS
Apresentados, ainda que sumariamente, os mecanismos de controle sobre os
elementos da obrigação tributária e as novas tecnologias de processamento de informações
aplicadas em trabalhos de seleção de uma maneira geral, serão mostrados aqui exemplos de
metodologias para selecionar sujeitos passivos, para se fazer uma análise setorial, e para se
avaliar os riscos de uma seleção. A utilização de novas tecnologias computacionais nos
trabalhos de seleção foi referida juntamente com a apresentação de cada tópico a seguir.
04.01 O Processo de Seleção de Sujeitos Passivos
04.01.01 Conceito
Na introdução desta monografia foi apresentado um conceito a respeito de
seleção de sujeitos passivos: selecionar sujeitos passivos para fiscalização é escolher dentro
de um conjunto de sujeitos passivos, a partir de critérios e objetivos bem definidos, aqueles
que apresentem maiores distorções reveladoras de indícios de subtração de valores, tanto de
componentes da base de cálculo de tributos e contribuições administrados, como de valores a
recolher desses tributos e contribuições. Dessa forma, com a execução das auditorias
programadas em decorrência dos trabalhos de seleção, almeja-se maximizar o montante
lançado de tributos e contribuições, minimizando os riscos e o custo dos recursos materiais e
humanos utilizados. Com tal procedimento, procura-se priorizar a fiscalização sobre os
sujeitos passivos que apresentem os mais altos graus de descumprimento de obrigações
tributárias.
A atividade de seleção antecede, pois, aos trabalhos de auditoria tributária,
tanto a interna ou de escritório, se executada internamente na repartição tributária, quanto a
externa ou de campo, se efetuada nas dependências do sujeito passivo. O primeiro tipo de
auditoria refere-se a uma verificação sumária de determinados itens das declarações
apresentadas e que apresentem alguma inconsistência, enquanto que o segundo tipo requer um
exame mais aprofundado em livros e documentos do sujeito passivo que embasaram as
declarações. O presente capítulo refere-se mais ao processo de seleção visando ao segundo
tipo de auditoria.
104
04.01.02 Controle Intensivo e Controle Extensivo
Foi visto, ainda, que, para se obter o máximo de sucesso em uma seleção, é
fundamental que as Administrações Tributárias se organizem no sentido de se conseguir um
controle abrangente dos sujeitos passivos no que se refere ao cumprimento de suas obrigações
tributárias principais, ou materiais, e acessórias, ou formais. Controlar é monitorar e fiscalizar,
quando necessário, as atividades de pessoas físicas e jurídicas que figurem legalmente como
contribuintes ou responsáveis pelo cumprimento de obrigações principais e acessórias, para
que estas não se desviem das normas, convenções ou expectativas preestabelecidas. Tal
controle pode ser, de acordo com os objetivos da ação:
1. intensivo: quando vise alcançar alto grau de eficácia através de um esforço intenso,
contínuo e de curta duração. A Administração Tributária exercerá um controle intensivo
sobre os sujeitos passivos programando auditorias que possam proporcionar o máximo
possível de crédito e que necessitem da aplicação de uma quantidade, a menor possível, de
recursos para a execução dos trabalhos.
2. extensivo: quando seja aplicado ou seja válido para um maior número de pessoas, objetos
ou casos. Um controle extensivo pode ser obtido pelo monitoramento do universo de
sujeitos passivos, com vistas a apontar aqueles cujo comportamento se desvie dos demais,
a exemplo dos mecanismos de controle descritos no capítulo 02.
O ideal é que haja um misto de intensividade e extensibilidade, dosadas em
função do que se quer fazer.
04.01.03 A Separação dos Sujeitos Passivos por Jurisidição Fiscal
Países com grandes extensões territoriais, como é o caso do Brasil, exigem
que as Administrações Tributárias secionem sua área de atuação por regiões ou sub-regiões
fiscais, ou melhor, por jurisdição fiscal. Um órgão da Administração Tributária é criado para
controlar os sujeitos passivos domiciliados em cada região e, por sua vez, em cada sub-região
geográfica, permitindo, assim, uma descentralização dos trabalhos de seleção e uma redução
do universo de sujeitos passivos a serem analisados. Nada impede, contudo, que se tenha uma
centralização da base de dados, se for de conveniência da Administração Tributária. A divisão
por regiões ou sub-regiões poderá coincidir ou não com a divisão político-regional do país.
Conhecer o universo de sujeitos passivos, pessoas físicas e pessoas
jurídicas, de sua jurisdição é o primeiro passo que se deve adotar nos trabalhos de seleção,
105
pois evitar-se-ia selecionar aqueles que estão fora do âmbito de sua competência.
04.01.04 O Perfil dos Sujeitos Passivos
segundo sua Importância
Econômico-Financeira
Dependendo da estrutura de distribuição de rendas de cada país, pode
ocorrer situações do tipo: 10% dos sujeitos passivos participam com mais de 50% da
arrecadação, ou 60% dos sujeitos passivos declaram uma receita bruta anual inferior a R$
300.000,00 (trezentos mil reais).
No exemplo acima, observamos dois critérios de classificação de sujeitos
passivos: pelo montante arrecadado de tributos ou contribuições e por seus rendimentos ou
receita bruta. O perfil de sujeitos passivos segundo sua importância econômico-financeira é
parâmetro que poderá definir se determinados tipos de sujeitos passivos serão acompanhados
mais de perto ou não.
Assim, poderemos ter classificações do tipo: sujeitos passivos de
importância fiscal altíssima, alta, média, baixa e baixíssima; sujeitos passivos de porte
econômico altíssimo, alto, médio, baixo ou baixíssimo. Técnicas matemáticas e estatísticas
proporcionarão uma definição objetiva das faixas de enquadramento. Esta separação é
importante dependendo do tipo de controle que se quer exercer, por exemplo: extensivo e
intensivo, para sujeitos passivos de maior importância, e intensivo, para sujeitos passivos de
menor importância e que apresentem maiores indícios de irregularidades.
04.01.05 Os Motivos de Seleção de Sujeitos Passivos por Ordem de
Dificuldade de Apuração de Infrações
Havendo um controle integral efetivo sobre o cumprimento de obrigações
tributárias por sujeitos passivos, podem ser distinguidos três motivos básicos de seleção de
sujeitos passivos, definidos a seguir por ordem de dificuldade de apuração de infrações:

Inadimplência

Cruzamento de informações

Análise econômico-financeira de declarações
Seleção por Inadimplência
Entende-se por inadimplência o não cumprimento de obrigação tributária,
seja principal ou material, seja acessória ou formal.
106
Fazendo-se um batimento entre valores declarados e valores arrecadados ou
compensados, os seguintes indícios poderão ser constatados:

Falta de entrega de declaração: o sujeito passivo cumpriu com a obrigação material, mas
não cumpriu com a obrigação formal. Deverão ser utilizados procedimentos rápidos para
regularização da falta, com a cobrança de penalidades pecuniárias, se houver previsão
legal. Nos casos de lançamento por homologação não existe a infração, uma vez que não
se tem previsão de obrigatoriedade de entrega de declaração.

Falta ou insuficiência de arrecadação: o sujeito passivo cumpriu com a obrigação formal,
mas não cumpriu totalmente com a obrigação material. Adotar-se-ão os procedimentos de
cobrança regulamentados pela legislação tributária vigente. Nos casos de lançamento por
homologação , o indício de falta ou insuficiência de arrecadação só poderá ser identificado
se houver informação ou declarações próprias ou de terceiros que permitam a
determinação da base de cálculo e do valor devido do tributo ou contribuição lançado por
homologação.

Valores declarados inferiores aos recolhidos: neste caso, se houver previsão legal,
selecionar o sujeito passivo para proceder ao lançamento de ofício, com cobrança de
acréscimos legais. Caso contrário, a regularização poderá ser feita pela entrega de uma
declaração retificadora, ou por procedimento sumário de revisão, se houver procedimento
regulamentado na legislação tributária.
A verificação de indícios de inadimplência não deve ser restrita, apenas, ao
batimento entre declaração e arrecadação. As seguintes verificações deverão ser feitas, de
preferência eletronicamente:

Existência de lançamento de ofício: para evitar que o sujeito passivo seja selecionado em
relação a fato que já tenha sido lançado. Se houver um controle integral, esta verificação
será feita junto com o batimento da declaração com a arrecadação. Havendo contencioso
administrativo ou judicial em relação ao lançamento de ofício, deve-se verificar se a
situação em que se encontra o processo enquadra-se em um dos casos de suspensão ou
extinção do débito. Não estando, a cobrança deverá ter prosseguimento.

Parcelamento de débitos: o parcelamento de débitos é hipótese de suspensão no Direto
Tributário Brasileiro e refere-se sempre a valores lançados, seja por declaração, seja por
homologação (no caso não está vinculado a declaração), seja de ofício. Dessa forma, os
débitos estarão suspensos de cobrança, contudo serão acompanhados por um processo de
107
parcelamento. A vinculação do parcelamento com débitos de lançamento por declaração
ou de ofício é fundamental para o controle. Já para o lançamento por homologação é
importante que seja indicado que se trata de um lançamento deste tipo. Portanto, no
batimento lançamento × arrecadação, a verificação da existência de processos de
parcelamento é indispensável, para que o sujeito passivo não seja lançado ou cobrado em
duplicidade.

Existência de contencioso administrativo e judicial em relação ao lançamento por
declaração: muitas vezes os sujeitos passivos ingressam na própria Administração
Tributária ou no órgão competente do Poder judiciário com questionamentos sobre a
própria estrutura do lançamento por não concordar com a interpretação dada pela
Administração Tributária quanto à apuração do montante tributável e do tributo ou
contribuição devida. Esta verificação é importante pois pode haver casos em que é
necessário se fazer lançamento de ofício para prevenir decadência do direito de lançar o
tributo ou contribuição questionada. Assim, não havendo controle sobre o contencioso
administrativo e judicial os riscos da seleção fatalmente serão maiores.
Em regiões de evasão elevada, deve-se fazer um controle intensivo sobre o
conjunto de sujeitos passivos com maiores índices de inadimplência, e um controle extensivo
com o intuito de se avaliar a redução do nível de evasão por cumprimento voluntário de
obrigações. Um exemplo de seleção desse tipo seria a por Município ou por Bairro, cujo
universo de sujeitos passivos apresente um alto grau de inadimplência. A fiscalização sobre os
de situação mais crítica poderia estimular os demais a uma regularização.
Também fiscalizações preventivas, como as verificações in loco de
controles de emissão de documentos fiscais, de caixa e de registro de inventários poderão ser
úteis para estimular o cumprimento voluntário de registro das operações e, conseqüentemente,
das obrigações tributárias.
Seleção por Cruzamento de Informações
No âmbito da seleção de sujeitos passivos para auditoria, encontramos, na
seqüência, o cruzamento de informações, que consiste em comparar dados, que tenham
correspondência entre si, de declarações apresentadas pelos sujeitos passivos com
informações sobre operações efetuadas com terceiros e com informações declaradas ou
prestadas para outros órgãos fiscais (estadual, municipal, provinciano, etc.). Além do
cruzamento com dados externos, a Administração Tributária poderá cruzar dados constantes
108
nas diversas declarações apresentadas, desde que haja correspondência entre campos dessas
declarações.
As informações de fontes exteriores à Administração Tributária podem ser
obtidas por determinação prevista na legislação tributária ou por solicitação de seus agentes
fiscais.
O cruzamento de informações também pode ser feito utilizando o controle
de correspondências de natureza tributária, que poderá conter indícios de subtração de base de
cálculo e/ou do montante devido de tributo ou contribuição.
A apuração de infrações no caso de seleção por cruzamento de informações
é rápido, pois resume-se a uma conferência de documentos e valores e, quando necessário,
faz-se uma circularização nas fontes informantes.
Um exemplo de cruzamento de informações é a comparação entre as vendas
declaradas para apuração do Imposto sobre Valor Agregado com as vendas declaradas para
apuração do Imposto de Renda, ou com as vendas informadas à Administração Tributária por
um grande fornecedor de mercadorias, documento a documento emitido.
Portanto, a seleção por cruzamento de informações pode identificar pessoas
físicas e jurídicas que estejam omitindo ou declarando a menor o montante de suas operações
financeiras e econômicas. Um controle intensivo sobre os sujeitos passivos que apresentarem
as maiores diferenças poderá chamar a atenção dos demais para que procedam a uma
regularização da sua situação, podendo isto ser verificado, extensivamente a todo o universo
de sujeitos passivos da região, através de alterações ocorridas nos sistemas de declarações e
de arrecadação.
Seleção por Análise Econômico-Financeira de Declarações
A seleção decorrente de análise econômico-financeira pode ser caracterizada
como o conjunto de técnicas utilizadas para extrair relações úteis, e sua evolução no tempo,
entre os elementos que compõem as declarações apresentadas, com o intuito de se
encontrarem sujeitos passivos com indícios de subtração de base de cálculo e de montante
devido de tributo e contribuição.
Na análise econômico-financeira de declarações podem ser utilizados
métodos empregados na análise de demonstrações contábeis. A análise de demonstrações
contábeis pode ser: análise vertical ou por coeficientes, análise horizontal ou de evolução,
109
análise por quocientes ou por indicadores econômico-financeiros.
ANÁLISE VERTICAL OU POR COEFICIENTES
Tem por finalidade determinar a participação percentual dos componentes
das demonstrações contábeis em relação a um determinado valor, denominado de valor-base,
ou seja, conhecer melhor a sua estrutura, sua evolução e comparação com a estrutura de outras
entidades do mesmo ramo de atividade.
Para que a análise vertical possa ser realizada, calculam-se os coeficientes,
através da seguinte expressão: x% = Item x 100 / Base, onde Item= valor do elemento cuja
participação se quer determinar, e Base= valor que servirá de base no cálculo da participação
percentual.
A análise vertical pode ser sintética ou analítica.

Análise vertical sintética- avalia a participação percentual dos grupos de contas das
demonstrações contábeis em relação ao valor total da demonstração contábil. No cálculo
dos coeficientes podem ser adotados os seguintes valores-base:

para o balanço patrimonial, o total do balanço

para a demonstração do resultado do período, a receita bruta ou líquida.

para a demonstração de lucros ou prejuízos acumulados, o saldo dos lucros ou
prejuízos acumulados
ELEMENTO
ANO X
valores
%
PESSOAS JURÍDICAS
BALANÇO
ATIVO TOTAL
Ativo Circulante
Ativo Realizável a Longo Prazo
Ativo Permanente- Investimentos
Ativo Permanente- Imobilizado
Ativo permanente- Diferido
PASSIVO TOTAL
Passivo Circulante
Passivo Exigível a Longo Prazo
Resultado de Exercícios Futuros
Patrimônio Líquido
DEMONSTRAÇÃO DO RESULTADO
Receita Bruta
(-) Deduções da Receita Bruta
=RECEITA LÍQUIDA
(-) Custo das vendas
=LUCRO BRUTO
(+) Receitas Financeiras
(-) Despesas Financeiras
(+) Outras Receitas Operacionais
(-) Outras Despesas Operacionais
=LUCRO OPERACIONAL
25.000,00
5.000,00
5.000,00
5.000,00
10.000,00
0,00
25.000,00
2.500,00
5.000,00
2.500,00
15.000,00
100,00
20,00
20,00
20,00
40,00
0,00
100,00
10,00
20,00
10,00
60,00
100.000,00
10.000,00
100,00
10,00
30.000,00
60.000,00
20.000,00
10.000,00
20.000,00
10.000,00
80.000,00
30,00
60,00
20,00
10,00
20,00
10,00
80,00
110
ELEMENTO
ANO X
valores
(+) Receitas Não Operacionais
(-) Despesas Não Operacionais
=LUCRO LÍQUIDO
10.000,00
60.000,00
30.000,00
%
10,00
60,00
30,00
PESSOAS FÍSICAS

EVOLUÇÃO PATRIMONIAL
Bens e Direitos no Início do Ano
Bens e Direitos no Início do Ano
Dívidas e Ônus Reais no Inicio do Ano
Dívidas e Ônus Reais no Final do Ano
Informações do Cônjuge
30.000,00
40.000,00
0,00
0,00
0,00
RENDIMENTOS E DEDUÇÕES
Rendimentos Isentos e Não Tributáveis
Rendimentos Sujeitos á Tributação Exclusiva
Rendimentos Tributáveis
(-)Deduções
Imposto sobre Base de Cálculo
(-)Dedução de Incentivo
(-)Imposto pago
Imposto (sobre rendimentos tributáveis) a Pagar ou a Restituir
Imposto Pago sobre Renda Variável
Imposto Pago sobre Renda variável
30.000,00
40.000,00
50.000,00
25.000,00
1.000,00
0,00
0,00
1.000,00
0,00
0,00
60,00
80,00
100,00
50,00
2,00
0,00
0,00
2,00
0,00
0,00
Análise vertical analítica- avalia a participação percentual de cada uma das contas que
compõem os grupos de contas, em relação ao total do grupo ou em relação ao total da
demonstração contábil. No cálculo dos coeficientes podem ser adotados como valoresbase:

para o balanço patrimonial, o total do grupo de contas ou total do balanço.

para a demonstração do resultado do período: receita líquida ou total de contas do
grupo.

para a demonstração de lucros ou prejuízos acumulados, o total das origens ou das
aplicações dos recursos.
ELEMENTO
ANO X
valores
BALANÇO
ATIVO CIRCULANTE
Caixa
Outras Contas do Ativo Circulante
25.000,00
5.000,00
20.000,00
%
100,00
20,00
80,00
Para cada coeficiente são calculados os parâmetros de evolução, podem ser
utilizados métodos estatísticos e computacionais para análise de séries temporais, desde os
mais simples, como o método das médias móveis, até os mais sofisticados, como o
ferramentas computacionais de inteligência artificial.
Há uma tendência para a normalidade quando as contas de ativo com
liquidez mais alta têm valor mais alto, e quando as contas de exigibilidade com prazo de
pagamento mais elevado têm valor mais elevado. Na demonstração de resultado, a situação
ideal é quando as receitas forem bem maiores que os custos e despesas.
111
ANÁLISE HORIZONTAL OU DE EVOLUÇÃO
Tem por finalidade determinar a evolução, no tempo, dos componentes das
demonstrações contábeis e seus inter-relacionamentos, ou seja, avaliar as expectativas de
futuro da entidade.
Para apenas um período de apuração (demonstrações contábeis de início e
término), a evolução pode ser avaliada de duas formas: absolutamente ou relativamente.

Análise horizontal relativa- determina a evolução em termos percentuais dos componentes
das demonstrações contábeis. Exemplo: se o saldo do imobilizado era de 65.000 UFIR em
31/12/1994 e de 43.000 UFIR em 31/12/1993, e, adotando-se como base 31/12/1993, ou
seja, 100%, verifica-se, por regra de três, que o índice para 31/12/1994 é X%= 65.000 x
100%/ 43.000= 151,16%, e que a evolução percentual será de 151,16%- 100%= 51,16%.

Análise horizontal absoluta- determina a evolução em moeda ou indexador da época,
através da diferença entre os valores de início e do fim do período de apuração, para cada
componente das demonstrações contábeis. Exemplo: no caso acima, a evolução do
imobilizado de 31/12/1993 para 31/12/1994 foi de X= 65.000- 43.000= 22.000 UFIR.
Quando se deseja avaliar a evolução de componentes patrimoniais
relativamente a dois ou mais períodos, ou seja, quando se dispõe de , pelo menos, três
balanços patrimoniais, um dos métodos a seguir pode ser usado:

Valor-base fixo- com este método, os valores de um componente patrimonial nos diversos
períodos, ou datas, são comparados com o valor de um mesmo período, ou data,
denominado de valor-base fixo. Exemplo:
ELEMENTO
ANO X
valores
Imobilizado
EVOLUÇÃO

ANO X+1
%
25.000,00
60,98
-39,02
valores
31.000,00
%
75,61
-24,39
ANO X+2
Valor-base fixo
valores
%
41.000,00
100,00
ANO X+3
valores
84.000,00
%
204,49
104,49
0,00
Valor-base móvel- com este método, o valor de um período é sempre comparado com o
valor do período imediatamente anterior. Exemplo:
ELEMENTO
Imobilizado
EVOLUÇÃO

ANO X
Valor-base de X+1
valores
%
25.000,00
0,00
100,00
ANO X+1
Valor-base de X+2
valores
%
31.000,00
24,00
124,00
ANO X+2
Valor-base de X+3
valores
%
41.000,00
32,26
132,26
ANO X+3
valores
84.000,00
%
204,49
104,49
Componentes (tendência, estação, ciclo, eventualidade) de séries temporais- diz-se que a
evolução é calculada através da determinação dos componentes de séries temporais. Aqui
serão apresentados apenas aspectos conceituais. Uma série temporal pode ser expressa
112
por: Y= TxCxSxI, onde T é tendência, C é ciclo, S é estação, I é eventualidade. Os
componentes T, C, S e I são assim calculados:

Tendência- movimento que se refere à direção geral, segundo a qual o gráfico da série
temporal se desenvolve ao longo do tempo. Uma determinação pode ser obtida através
do ajustamento dos dados a uma função matemática (linear, logarítmica, exponencial,
quadrática, etc.).

Estações- movimentos para cima e para baixo, em relação à tendência, que são
completados dentro de um ano e que se repetem anualmente.

Ciclos- movimentos oscilatórios para cima e para baixo, em relação à reta ou curva de
tendência com duração de diversos anos. Os ciclos podem estar relacionados a
períodos econômicos importantes, como épocas de inflação, de baixa ou de alta
produção, etc., ou podem indicar anormalidades a longo prazo.

Eventualidades- movimentos que se referem a deslocamentos esporádicos provocados
por eventos causais, como enchentes, greves, etc., ou indícios de anormalidades a
curto prazo.
Havendo tendências de crescimento para contas do ativo e receitas e de
decréscimo para contas de passivo e despesas, a situação poderá ser considerada como de
normalidade.
Quando há ocorrência de inflação em um ou mais períodos considerados, a
evolução poderá ser determinada de dois modos:

Evolução nominal ou a preços correntes- é o cálculo de um elemento sem levar em
consideração a variação ocorrida no poder aquisitivo da moeda, de um período para outro.

Evolução real ou a preços constantes- é o resultado da evolução de um elemento,
considerando-se a variação no poder aquisitivo da moeda de um período para outro.
ANÁLISE POR QUOCIENTES OU POR INDICADORES ECONÔMICOFINANCEIROS
Tem por finalidade estabelecer relações importantes entre os componentes
das demonstrações contábeis, ou seja, aferir o desempenho econômico-financeiro da entidade,
sua evolução no tempo, ou compará-lo com o desempenho médio de outras entidades do
mesmo ramo de atividade ou com padrões prefixados.
113
Os quocientes ou indicadores podem ser divididos em:
Financeiros-
indicadores de liqüidez, solvência, endividamento, estrutura de capitais,
atividade, alavancagem, imobilização técnica do patrimônio líquido
Econômicos- indicadores de rentabilidade, volume de operações.
O quadro a seguir mostra os principais indicadores utilizados na análise de
demonstrações contábeis (trata-se de um resumo de indicadores apresentados por Sérgio de
Iudícibus, em Análise de Balanços e por Marcelo Cavalcanti Almeida, em Auditoria- Um
Curso Moderno e Completo):
DENOMINAÇÃO
OBJETIVOS
INTERPRETAÇÃO
ANÁLISE DA LIQUIDEZ, DE SOLVÊNCIA E DE
ENDIVIDAMENTO
LIQUIDEZ CORRENTE OU COMUM=
Verificar se a empresa tem capacidade de pagar Quanto maior, melhor
suas obrigações a curto prazo, utilizando para isto
AtivoCirculante
os valores que serão transformados em dinheiro a
PassivoCirculante
curto prazo e o próprio dinheiro.
LIQUIDEZ SECA=
AtivoCirculante- Estoques
PassivoCirculante
Verificar se a empresa pode pagar suas obrigações Quanto maior, melhor
a curto prazo, utilizando para isto o disponível e os
valores a curto prazo mais fáceis de serem
transformados em dinheiro
LIQUIDEZ IMEDIATA OU INSTANTÂNEA=
Disponível
PassivoCirculante
Avaliar se a empresa pode pagar suas dívidas a Quanto maior, melhor
curto prazo, utilizando para isto apenas o
disponível, na data do balanço.
LIQUIDEZ GERAL=
AtivoCirculante+AtivoRealizávelLongoPrazo
PassivoCirculante+PassivoExigívelLongoPrazo
Verificar se a empresa tem condições de pagar suas Quanto maior, melhor
dívidas a curto e a longo prazo, utilizando para isto
o disponível e todos os bens e direitos a serem
transformados em dinheiro a curto e a longo prazo.
QUALIDADE DE CONTAS A RECEBER=
ValoresAReceber
AtivoCirculante-PassivoCirculante
Indica a dependência do capital circulante líquido Se maior que Qualidade de Estoques e de
em relação à qualidade das contas a receber do Valores e Bens, melhor
circulante.
QUALIDADE DE ESTOQUES=
Estoques
Indica a dependência do capital circulante líquido Se maior que Qualidade de Valores de bens e
em relação à qualidade dos estoques
menor que a de Contas a Receber, melhor.
QUALIDADE DE VALORES E BENS=
ValoresEBens
Indica a dependência do capital circulante líquido Se menor que Qualidade de Contas a Receber e
em relação à qualidade de valores e bens do Estoques, melhor.
circulante
PARTICIPAÇÃO DO CAPITAL DE GIRO=
(AtivoCirculante+AtivoRealizávelLongoPrazo)(PassivoCirculante+PassivoExigívelLongoPrazo)
AtivoCirculante+AtivoRealizávelLongoPrazo)
Apresentar as aplicações líquidas da empresa a =1: valor máximo que o coeficiente pode ter, ou
curto e a longo prazo em relação aos valores seja, a empresa não utiliza capitais de terceiros.
aplicados a curto ou a longo prazo, ou seja, a
dependência da empresa em relação a capitais de
terceiros para sua aplicação a curto e a longo
prazo.
SOLVÊNCIA GERAL=
Avaliar a capacidade financeira de uma empresa a >1: Situação ideal (quanto mais acima de 1,
melhor)
AtivoTotal
_____________________ curto e a longo prazo.
PassivoCirculante+ PassivoExigívelLongoPrazo
=1: A empresa não tem capital próprio
(patrimônio líquido corroído por prejuízos)
<1: Situação Péssima (empresa insolvente ou
com passivo a descoberto).
GRAU DE ENDIVIDAMENTO=
AtivoTotal
Avaliar qual a parcela do ativo da empresa que está <1: ativo financiado por capital de terceiros e
sendo financiada por capital de terceiros, a curto e por capital próprio.
a longo prazo.
=1: ativo da empresa totalmente financiado por
capital de terceiros, não há capital próprio.
>1: capital de terceiros supera o valor dos bens e
direitos da empresa
FATOR DE INSOLVÊNCIA= X1+X2+X3-X4-X5
X1= LucroLíquido x 0,05
PatrimônioLíquido
X2= AtivoCirculante+AtivoRealizávelLongoPrazox1,65
X3= AtivoCirculante- Estoques x 3,55
PassivoCirculante
X4= AtivoCirculante x 1,06
Avaliar a capacidade financeira de uma empresa a
curto e a longo prazo. Consiste em relacionar
alguns quocientes, atribuindo pesos aos mesmos e
somando e subtraindo os valores assim obtidos.
(Stephen C. Kanitz)
Se a soma resultar num valor entre 0 e 7, a
empresa estará na faixa de solvência. Se entre 0
e -3, estará na zona de penumbra e se entre -3 e 7, estará na zona de insolvência.
114
DENOMINAÇÃO
OBJETIVOS
INTERPRETAÇÃO
PassivoCirculante
X5=
PassivoCirculante+PassivoExigívelLongoPrazox0,33
PatrimônioLíquido
ANÁLISE
DA
CAPITALIZAÇÃO
OU
DA
ESTRUTURA DE CAPITAIS
Indicar quanto a empresa tomou de capitais de Quanto menor, melhor
PARTICIPAÇÃO DE CAPITAL DE TERCEIROS=
terceiros em relação ao capital próprio investido.
PatrimônioLíquido
COMPOSIÇÃO DO ENDIVIDAMENTO=
PassivoCirculante
Demonstrar quanto a empresa possui de obrigações Quanto menor, melhor
a curto prazo em relação ao total de obrigações.
IMOBILIZAÇÃO DO PATRIMÔNIO LÍQUIDO=
AtivoPermanente
PatrimônioLíquido
Indicar quanto a empresa aplicou no Ativo Quanto menor, melhor. Um alto índice poderá
Permanente em relação ao capital próprio investido evidenciar problemas de caixa.
(ÍNDICE DE APLICAÇÕES PERMANENTES)
PARTICIPAÇÃO DE CAPITAIS PRÓPRIOS=
PatrimônioLíquido
AtivoTotal
IMOBILIZAÇÃO
DE
RECURSOS
NÃO
CORRENTES=
AtivoPermanente
___
PatrimônioLíquido+PassivoExigívelLongoPrazo
Indicar a parcela dos ativos que foi financiada por Um baixo índice representa que a empresa está
recursos próprios
bastante endividada.
ANÁLISE DA LUCRATIVIDADE
OU
RENTABILIDADE OU DE DESEMPENHO
GIRO DO ATIVO MÉDIO=
VendasBrutas
AtivoTotalMédio
Determinar quanto a empresa aplicou no Ativo Quanto menor, melhor
Permanente em relação aos recursos não correntes.
DA
Determinar quanto a empresa vendeu em relação Quanto maior, melhor
ao investimento total médio.
RENTABILIDADE DO ATIVO=
LucroLíquido
AtivoTotalMédio
Demonstrar quanto a empresa obtém de lucro em Quanto maior, melhor
relação ao investimento total médio.
IMPACTO DOS GASTOS DE PROPAGANDA=
GastosDePropaganda
VendasLíquidas
Demonstrar os gastos de propaganda em relação ás Quanto menor, melhor
vendas líquidas
IMPACTO DOS GASTOS DE VENDAS=
GastosDeVendas
VendasLíquidas
Demonstrar os gastos de vendas em relação ás Quanto menor, melhor
vendas líquidas
IMPACTO DOS GASTOS FINANCEIROS=
GastosFinanceiros
VendasLíquidas
RENTABILIDADE DO PATRIMÔNIO LÍQUIDO=
LucroLíquido
PatrimônioLíquidoMédio
Demonstrar os gastos financeios em relação ás Quanto menor, melhor
vendas líquidas
MARGEM BRUTA=
LucroBruto
VendasBrutas ou Líquidas
Indicar quanto a empresa obteve de lucro bruto em Quanto maior, melhor
relação ao total de vendas
MARGEM OPERACIONAL=
LucroOperacional
VendasBrutas
Indicar quanto a empresa obteve de lucro Quanto maior, melhor
operacional em relação ao total de vendas.
MARGEM LÍQUIDA=
LucroLíquido
VendasBrutas/Líquidas
Indicar quanto a empresa obteve de lucro líquido Quanto maior, melhor
em relação ao total de vendas brutas (ou líquidas)
RETORNO SOBRE INVESTIMENTO=
LucroOperacional
AtivoTotalMédio
Indicar quanto a empresa obteve de lucro Quanto maior, melhor
operacional em relação ao investimento total
médio.
RETORNO SOBRE PATRIMÔNIO
MÉDIO=
LucroOperacional
PatrimônioLíquidoMédio
Indicar quanto a empresa obteve de lucro em Quanto maior, melhor
relação ao capital próprio investido
LÍQUIDO Demonstrar quanto a empresa obteve de lucro Quanto maior, melhor
operacional em relação ao capital próprio investido
RETORNO SOBRE O CAPITAL SUBSCRITO=
LucroOperacional
CapitalSubscrito
Demonstrar quanto a empresa obteve de lucro Quanto maior, melhor
operacional em relação ao capital subscrito
IMPACTO DA MÃO-DE-OBRA NA PRODUÇÃO=
Mão-de-obraDireta
CustoDaProdução
Demonstra a mão-de-obra direta em relação ao Depende do que se quer
custo da produção
IMPACTO DA MATÉRIA-PRIMA NA PRODUÇÃO= Demonstra a matéria-prima direta em relação ao Depende do que se quer
custo da produção
Matéria-Prima
CustoDaProdução
115
DENOMINAÇÃO
OBJETIVOS
INTERPRETAÇÃO
IMPACTO DOS GASTOS DE FABRICAÇÃO NA Demonstra os gastos de fabricação em relação ao Depende do que se quer
custo da produção
PRODUÇÃO=
GastosDeFabricação
CustoDaProdução
ANÁLISE DE ATIVIDADE, DE ROTATIVIDADE
OU DO CICLO FINANCEIRO
PRAZO MÉDIO DE RECEBIMENTO DE VENDAS
(em dias) =
DuplicatasAReceber X 360
VendasBrutas
PRAZO MÉDIO DE RENOVAÇÃO DE ESTOQUES
(em dias)=
EstoqueMédio X 360
________
CustoDasMercadorias/ProdutosVendidos
Indica quantos dias a empresa deverá esperar, em Quanto maior,
média, antes de receber suas vendas a prazo.
comparações.
melhor.
É
bom
fazer
Representa em quantos dias os estoques se Quanto maior,
renovam completamente . Pode ser determinado comparações
para matérias-primas, produtos em processo e
produtos acabados separadamente, se as
demonstrações assim discriminarem.
melhor.
É
bom
fazer
PRAZO MÉDIO DE PAGAMENTO DE CONTAS A Indica quantos dias a empresa poderá ter, em Quanto menor,
PAGAR (em dias)=
média, antes de pagar suas dívidas
comparações
FornecedoresMédio X 360
Compras
melhor.
É
bom
fazer
POSICIONAMENTO RELATIVO=
PrazoMédioDeRecebimentos
PrazoMédioDePagamentos
Indica a relção entre os prazos para recebimentos e Se maior ou igual a 1 é uma situação boa.
pagamentos
ROTAÇÃO (GIRO) DO ATIVO=
Vendas
AtivoMédio
FLUXO DE CAIXA OPERACIONAL=
Compras
vendas
Indica quantas vezes o ativo (circulante/ realizável Depende do tipo de ativo
a longo prazo/ permanente) se renovou pelas
vendas brutas ou líquidas
Relação entre compras e vendas
Quanto menor, melhor
ANÁLISE
DA
ALAVANCAGEM
E
DA
IMOBILIZAÇÃO TÉCNICA DO PATRIMÔNIO
LÍQUIDO
Mede a influência do endividamento na Quando o grau de alavancagem é maior do que 1
GRAU DE ALAVANCAGEM=
alavancagem de lucros que são levados aos sócios o endividamento tem um efeito de alavanca
(LucroLíquido(AntesdoIRPJ)
sobre o lucro que é levado para o acionista
PatrimônioLíquidoMédio)
(LucroLíquidoAntesDoIRPJ+DespesasFinanceiras
AtivoMédio)
GRAU DE IMOBILIZAÇÃO
PATRIMÔNIO LÍQUIDO=
Imobilizado
PatrimônioLíquido
TÉCNICA
ANÁLISE DE VOLUME DE OPERAÇÕES
UTILIZAÇÃO DO ATIVO IMOBILIZADO=
VendasLíquidas
ImobilizadoMédio
DO Retrata qual a porcentagem dos recursos próprios É ideal que seja menor que um, de preferência,
que está imobilizada.
muito menor.
Indicar o grau de geração de receita e o nível de Quanto maior, melhor
utilização dos bens do ativo imobilizado
COMPATIBILIDADE
ENTRE
VOLUME
OPERAÇÕES E RECURSOS PRÓPRIOS=
Vendas Líquidas
PatrimônioLíquido
DE Indicar se é adequado o patrimôni líquido em Quanto maior, melhor
relação ao volume de receitas
COMPATIBILIDADE
ENTRE
VOLUME
OPERAÇÕES E CAPITAL CIRCULANTE=
VendasLíquidas
DE Indicar se é adequado o capital circulante líquido Quanto maior, melhor
em relação ao volume de receitas
COMPATIBILIDADE
ENTRE
LUCRO Indicar se é adequado o capital circulante líquido Quanto maior, melhor
OPERACIONAL E CAPITAL CIRCULANTE=
em relação ao lucro operacional
LucroOperacional
ANÁLISE DE TRIBUTAÇÃO
ÍNDICE DE TRIBUTAÇÃO DAS VENDAS=
VendasTributadas
TotalDeVendas
Indica a relação entre vendas tributadas e o total de Depende do que ser quer analisar
vendas
ÍNDICE DE TRIBUTAÇÃO DAS COMPRAS=
ComprasTributadas
TotalDeCompras
Indica a relação entre compras tributadas e o total Depende do que ser quer analisar
de compras
ÍNDICE DE AGREGAÇÃO=
ComprasTributadas
VendasTributadas
Indica a relação entre compras tributadas e o total Depende do que ser quer analisar
de vendas
Os indicadores a serem escolhidos para o processo de seleção devem
guardar uma relação intrínseca com os manuais de procedimentos de auditoria das
116
Administrações Tributárias, e estes, por sua vez, com prováveis ilícitos pelos sujeitos
passivos. Para cada indicador são calculados os parâmetros de evolução, de acordo com os
procedimento de análise horizontal.
Feitos os cálculos dos indicadores e dos parâmetros de evolução, é feita uma
comparação com indicadores-padrão, com indicadores médios do setor de atividade da
entidade e com os parâmetros de evolução dos indicadores médios. Isto será visto mais
adiante em análise setorial.
INTER-RELACIONAMENTO ENTRE CONTAS
Algumas contas e indicadores, por sua natureza, exigem que seja feita uma
avaliação em conjunto, a saber:

Vendas↑ e Clientes↓

Compras↑ e Fornecedores↓

Despesas financeiras↓ e empréstimos a pagar ↑

Deduções de vendas↓ (ICMS, IPI, ISS, PIS, COFINS, descontos incondicionais,
cancelamento de vendas, etc.) e vendas↑.

Vendas↑ e Custo das vendas↓

Patrimônio líquido↑ e Ativo imobilizado↓.

Ativo circulante↑ e passivo circulante↓.

Margem operacional↑ e grau de geração de receita líquida↓ (GGR= ReceitaLíquida/
Ativo); etc.
Esta avaliação em conjunto poderá ser feita com base no coeficiente de
correlação de séries temporais, da seguinte forma: por exemplo, através do coeficiente de
correlação linear:
R= [(N)(ΣXY)- (ΣX)(ΣY)] / [(NΣX2-(ΣX)2) (NΣY2-(ΣY)2)]1/2.
Seleção por Determinação de Autoridades Fiscais e Não Fiscais
Não se trata propriamente de seleção, mas de determinação por autoridade
fiscal ou não fiscal para abertura de procedimento fiscal. Contudo no planejamento da seleção
este fato deve ser considerado.
117
04.02 Análise Setorial de Sujeitos Passivos
04.02.01 Conceito de Setor e Análise Setorial
Setores são agrupamentos de categorias profissionais, no caso de pessoas
físicas, ou de ramos de atividade econômica, no caso de pessoas jurídicas. Os setores podem
ser subdivididos em subsetores, e estes em atividades ou categorias propriamente ditas.
Uma classificação por setores é a que o divide, de acordo com o proprietário
da empresa, em (HOUAISS e VILLAR 2001, p. 2562):

Setor privado: “conjunto das empresas que pertencem a pessoas físicas ou jurídicas de
direito privado”.

Setor público: “conjunto de empresas que pertencem a pessoas jurídicas de direito
público”.
Outra, de acordo com o tipo de atividade econômica (idem):

Setor primário: “parte das atividades econômicas que compreende a agricultura e o
extrativismo”.

Setor secundário: “parte das atividades econômicas representadas pela indústria”.

Setor terciário: “parte das atividades econômicas que compreende o comércio, os
transportes, os serviços, as atividades financeiras e a administração pública”.
Análise, segundo HOUAISS e VILLAR (2001, p. 202), é a
“estudo
pormenorizado de cada parte de um todo, para conhecer melhor sua natureza, suas funções,
relações, causas etc.” ou é o “exame, processo ou método com que se descreve, caracteriza e
compreende algo (um texto, uma obra de arte etc.), para proporcionar uma avaliação crítica do
mesmo”.
Adaptando-se à definição acima, análise setorial compreende, portanto, a
decomposição do universo de sujeitos passivos por categoria profissional (pessoas físicas) ou
ramo de atividade econômica (pessoas jurídicas), ou agrupamentos deles por setor ou
subsetor, e o estudo minucioso de cada um deles para que seja melhor conhecida a sua
natureza, suas funções, suas relações, causas, o seu comportamento em relação a ele mesmo
ou em relação aos demais setores econômicos.
A seleção de sujeitos passivos por setor pode ser justificada pelo fato de os
118
mesmos terem comportamentos não comuns. Por exemplo, o setor industrial exige que se
tenha um valor elevado para máquinas e equipamentos, enquanto que o setor de serviços de
transportes apresentaria um montante maior aplicado em veículos. Assim, “misturar” os
setores poderia acarretar em se selecionar uma indústria que não possua veículos na sua
contabilidade ou uma transportadora que tivesse um valor desprezível de máquinas e
equipamentos. O inverso do exemplo seria mais coerente.
04.02.02 Elementos Necessários à Análise Setorial
O processo de seleção setorial poderá ser baseada nos seguintes elementos:
Classificação dos Sujeitos Passivos por Setor
Para que a análise setorial seja possível é imprescindível que, ao se
cadastrarem ou declararem, os sujeitos passivos informem sua categoria profissional, se for
pessoa física, ou seu ramo de atividade, se for pessoa jurídica.
Para que o enquadramento dos sujeitos passivos por setor não seja aleatório,
as Administrações Tributárias deverão adotar uma tabela de atividades econômicas, para
pessoas jurídicas, ou de categoria profissional, para pessoas físicas. Para se adaptar ao sistema
do Instituto Brasileiro de Geografia e Estatística - IBGE, o Brasil adotou a tabela desse seu
órgão principal de estatística, acrescentando a ela uma subdivisão para se adequar ás
necessidades fiscais.
Esta informação poderá ser armazenada no cadastro de sujeitos passivos da
Administração Tributária, podendo constar uma atividade principal e outras acessórias, ou,
dependendo da estrutura das declarações, poderá até vir vinculando a categoria profissional/
ramo de atividade a uma rubrica de receita bruta, por exemplo, caso o sujeito passivo tenha
mais de uma categoria profissional/ ramo de atividade.
Série Histórica Mensal de Arrecadação por Sujeito Passivo, por Tributo e
por Setor
O histórico de arrecadação permite que se identifiquem os setores de
sujeitos passivos que estão com maior tendência de declínio de arrecadação. Juntamente com
estudos estatísticos realizados pela própria Administração Tributária sobre reflexos de fatos
sociais e econômicos e mudanças na legislação sobre a arrecadação, associando-se, ainda, a
uma informação do PIB (Produto Interno Bruto) por setor, o histórico de arrecadação
proporcionará um diagnóstico preliminar da situação de cada setor em relação ao
119
cumprimento de sua obrigação tributária principal ou material.
Informações sobre Cumprimento de Obrigações Acessórias ou Formais
Organizadas por Sujeito Passivo e por Setor
Um efetivo controle do cumprimento de obrigações formais pode indicar
quais os setores que menos cumprem esse tipo de obrigação.
Informações Prestadas em Decorrência do Cumprimento de Obrigação
Acessória
Informações de sujeitos passivos relativas a operações efetuadas com
terceiros são utilizadas para comparação com os dados de declarações apresentadas por
sujeitos passivos.
Estas informações servem para identificar pessoas físicas e jurídicas que
transacionem entre si, formando uma cadeia de fluxo de bens e serviços em um mesmo setor
ou em um conjunto de setores inter-relacionados economicamente.
Informações Setoriais em Publicações Especializadas e em Órgãos de
Estatísticas
As matérias sobre assuntos econômicos publicadas em revistas, periódicos e
jornais e que sejam relativas ao desempenho de pessoas físicas ou jurídicas de determinado
setor econômico, no que se refira, por exemplo, a estratégias de vendas para ampliar a
influência do segmento no mercado ou a crescimento de pequenas empresas, mesmo que os
dados sejam globais, são dados importantes para uma análise setorial.
Caso existam dados em órgãos estatísticos que possibilitem uma
comparação com dados declarados por sujeitos passivos, também eles são válidos para
compor a base da análise setorial.
Indicadores Econômicos de Inflação
Indicadores econômicos que retratam a evolução da inflação ao longo do
tempo é indispensável para avaliar os efeitos dela sobre os resultados dos sujeitos passivos
informados nas declarações e, por sua vez, na análise setorial. Nas economias inflacionárias,
como foi o Brasil em uma época bem próxima, uma base de dados de indicadores do tipo
INPC, ORTN, OTN, BTN, UFIR, IGP/FGV, IGPM/FGV, IPC/IBGE, URV, DÓLAR, etc.
subsidiarão os trabalhos de análise setorial
120
Indicadores Econômico-Financeiros por Setor
A média e o desvio-padrão de indicadores econômico-financeiros de
sujeitos passivos do mesmo ramo de atividade são úteis para a análise setorial. Para não
incluir nessas medidas dados mais confiáveis, podem-se excluir, por exemplo, os valores que
estão fora da faixa que vai de (Média – 2 × Desvio-padrão) até (Média + 2 × Desvio-padrão),
supondo uma distribuição normal de erros, com margem de aceitação de 95,45%. Excluídos
esses valores, faz-se nova média e desvio-padrão, até não se encontrar mais sujeitos passivos
nessa condição. Avaliar a evolução desses indicadores por métodos de análise temporal é
outro parâmetro útil.
Indicadores-padrão, por período e por ramo de atividade da entidade,
obtidos por medidas estatísticas de posição, como, por exemplo, o pentil, permitem que se
separem os sujeitos passivos por categorias do tipo: PÉSSIMA, se estiver abaixo (ordem
crescente) ou acima (ordem decrescente) do primeiro pentil; RUIM, se estiver entre o
primeiro (inclusive) e o segundo (exclusive) pentis; SATISFATÓRIA, se estiver entre o
segundo (inclusive) e o terceiro (inclusive) pentis; BOA, se estiver entre o terceiro (exclusive)
e o quarto (inclusive) pentis; ÓTIMA, se estiver acima (ordem crescente) ou abaixo (ordem
decrescente) do quarto pentil.
Relatórios de outras Análises Procedidas
Muitas vezes, num determinado momento, sujeitos passivos não foram
selecionados por ter sido encontradas inconsistências nos dados declarados. Estas
informações, se forem armazenadas eletronicamente poderão ser úteis aos trabalhos de
seleção setorial, para evitar que novamente sejam analisados, caso a situação do sujeito
passivo não tenha sido modificada por retificação de declaração, por exemplo.
Correspondências ou Notícias de Importância Fiscal
As correspondências ou notícias de interesse fiscal terão que estar
organizadas e armazenadas eletronicamente. O resultado de uma análise preliminar delas
deverá estar informado na base de dados. Da mesma forma, estimativas de valor de operações
denunciadas, se possível obtê-las, deverão também ser guardadas eletronicamente.
A Legislação Tributária e suas Alterações
Havendo um controle efetivo da evolução da legislação tributária, bem
como do contencioso administrativo e judicial, podem-se identificar setores que estejam
121
questionando o mesmo fato, através de um adequado cadastro de contencioso, vinculando-o
ao dispositivo querelado.
Revistas técnicas que publicam pareceres e comentários sobre a legislação,
cujo conteúdo versem sobre lacunas da legislação que dêem margem a redução de tributo ou
contribuição, devem ser acompanhadas. Se Administração Tributária dispuser de recursos
poderá fazer um controle eletrônico integrado com o banco de dados de legislação.
Recursos Humanos, Materiais e Financeiros
O conhecimento das condições e das características do elemento humano
disponível para a área, tanto em termos quantitativos como qualitativos (nível de preparação e
capacidade técnica, por exemplo) é útil para o estabelecimento de sistemas e procedimentos
para a execução das ações programadas e para não se correr o risco de não realizá-las
eficientemente. Tal conhecimento permite, ainda, que a Administração proponha
recrutamento e treinamento dos seus agentes, para dispor de pessoal o mais qualificado
possível.
Da mesma maneira, é indispensável que se tenha em mãos as informações
referentes a recursos materiais e financeiros disponíveis, para que se faça uma correta
aplicação dos mesmos de modo a obter os melhores resultados no desempenho da função de
fiscalização.
Metodologias, Rotinas e Sistemas de Trabalho
De acordo com o tipo de indício de não cumprimento de obrigação tributária
constatado associam-se metodologias, rotinas ou sistemas de trabalho que devem ser
empregados na execução das ações fiscais programadas com o objetivo de reverter a situação
de irregularidade. Com a evolução das técnicas de evasão tributária praticadas por sujeitos
passivos, o estabelecimento e a atualização dessas metodologias, rotinas ou sistemas de
trabalho devem ser feitos permanentemente.
Dispor de manuais operacionais e de tabelas de correlação entre critério de
seleção e procedimentos de verificação contábil-fiscal permanente atualizados poderá evitar
que a tarefa de fiscalizar se torne mais difícil e não se consiga a eficiência e eficácia
desejadas.
Metas da Administração Tributária
Planejar é o conjunto de procedimentos utilizados para a fixação de metas e
122
das ações necessárias para que estas sejam alcançadas, mediante o uso dos recursos humanos,
materiais e financeiros de modo que se tenha o melhor grau de eficiência e eficácia possível.
Tendo em vista que o objetivo principal de uma Administração Tributária é
arrecadar tributos ou contribuições para custear as despesas previstas nos orçamentos dos
Estados em que está inserida, os planos da área de fiscalização normalmente devem ter a
mesma vigência dos orçamentos. No Brasil, por exemplo, os orçamentos são aprovados para
serem executados no período de um ano (Constituição Federal Brasileira, art. 165, III). No
entanto, nada impede que se tenham políticas de fiscalização que dure mais de um ano, para
se atenderem contingências regionais ou locais.
Tomando por base a política e as metas de fiscalização definidas pela
Administração Tributária, as ações fiscalizadoras deverão ser programadas para se adequarem
ao plano traçado.
As metas de uma Administração Tributária poderão ser definidas,
segregando-se as ações fiscais por (Manual de Fiscalização do CIAT, 1988, p.33-36):
a) Período de execução da ação:

Ações de curto prazo: são ações sobre sujeitos passivos que devem ser executadas em
período inferior a um ano. A grande maioria das ações programadas são de curta duração.

Ações de longo prazo: são ações ou conjuntos de ações fiscalizadoras sobre sujeitos
passivos cujo período de execução pode durar um ou mais anos duração total. Este tipo de
ação visa ao acompanhamento, por exemplo, de sujeitos passivos de grande importância
econômico-fiscal, que são responsáveis pela maior parte da arrecadação de um Estado.
b) Abrangência da ação:

Ações gerais: são ações programadas através da análise do comportamento de sujeitos
passivos dentro de um setor, que sugere a prática de descumprimento de obrigação
tributária. Podem abranger mais de um período.

Ações específicas: são ações programadas para alcançar situações ou práticas especiais
que devem ser controladas, como, por exemplo, a fiscalização do cumprimento de regras
de incentivos fiscais, a verificação de inadimplência, inventário físico, acompanhamento
da emissão de documentos fiscais (ponto fixo), setores que tenham alto contencioso
administrativo ou judicial, verificação na zona secundária (não aduaneira) dos documentos
de aquisição de produtos importados, etc.
123

Ações mistas: são ações que possuem características tanto de ações de geral como especial

Ações contingenciais: são ações programadas em conseqüência de circunstâncias que
obrigam a Administração tributária a controlar rapidamente a situação, por exemplo, de
queda brusca de arrecadação de um determinado setor, denúncias e notícias de prática de
evasão fiscal, etc.
c) Extensão da ação:

Ações integrais: ações que incluem, para exame, todos os tributos e contribuições a que o
sujeito passivo está obrigado

Ações parciais: são ações que incluem, para exame, apenas parte dos tributos e
contribuições a que o sujeito passivo está obrigado
d) Profundidade da ação:

Ações detalhadas: são ações cujo objetivo é examinar o máximo possível dos livros e
documentos que registram as operações do sujeito passivo.

Ações seletivas: são ações fiscais que se restringem a determinados itens de apuração do
tributo ou contribuição, podendo ser relativas a todo período fiscalizado ou somente a
parte dele.
Ações Fiscais Realizadas
Os dados de fiscalizações realizados, tais como: os agentes executores, o
tempo gasto, o critério de seleção utilizado, os períodos fiscalizados, os tipos e valores de
infrações, os tipos e valores dos tributos, contribuições e penalidades lançados, são
informações que não devem ser dispensadas da análise setorial, uma vez que poderão servir
de base para a estimação de valores de infrações associadas ao critério de seleção ou ao
indício ao desvio de comportamento econômico-financeiro dos sujeitos passivos do setor
estudado.
04.02.03 As Fases da Análise Setorial
As seguintes fases compõem o processo de análise setorial:

Escolha dos setores

Seleção de sujeitos passivos dos setores escolhidos

Acompanhamento do setor
124
Escolha dos Setores
De posse dos elementos referidos no item anterior, o primeiro passo de um
estudo setorial é o conhecimento, pela Administração Tributária, do universo de sujeitos
passivos a controlar e da realidade sócio-econômica de sua jurisdição, com o intuito de
identificar um setor ou uma área a ser trabalhada de modo que o mesmo atinja um nível
satisfatório de cumprimento de obrigações tributárias, material ou formais.
Para se fazer a escolha dos setores a serem estudados, podem ser utilizados
critérios que considerem ou retratem a importância econômico-fiscal do setor, como, por
exemplo:

Os setores que são representativos e que apresentem o maior declínio de arrecadação, total
ou por tributo, em relação ao arrecadado pelo universo de sujeitos passivos
jurisdicionados, inclusive, podendo ser feita comparação com o desempenho econômico
medido através da evolução do PIB (Produto Interno Bruto) setorial.

Os setores com alto grau de descumprimento de obrigação acessória

Os setores que apresentem maiores diferenças entre valores declarados e valores
informado por terceiros

Os setores que tenham alto contencioso administrativo ou judicial

Os setores que apresentem maiores declínios de insolvência e lucratividade em relação aos
demais.

Os setores que se utilizem de incentivos fiscais ou de condições especiais reguladas pela
legislação tributária
Seleção de Sujeitos Passivos dos Setores Escolhidos
Utilizando os elementos necessários à análise setorial, já descritos
anteriormente, e considerando os setores escolhidos, deverão ser selecionados sujeitos
passivos que apresentem, em relação às demais pessoas físicas ou jurídicas do setor,
distorções de comportamento indicadoras de subtração de base de cálculo e de montante
devido de tributo ou contribuição.
De acordo com o tipo de distorção encontrada, serão propostas ações sobre
os sujeitos passivos visando ao cumprimento de obrigação tributária, que pode ser relativa a
uma situação de inadimplência (falta de entrega de declarações, falta de recolhimento tributos
125
ou contribuições, etc), a de não escrituração de operações praticadas que deveriam ter sido
incluídas na apuração do imposto (detectada por cruzamento de informações), ou de
anomalias de comportamento apresentadas por um indicador econômico-financeiro de um
sujeito passivo comparado com os das demais pessoas físicas ou jurídicas do mesmo setor
(identificadas através da análise econômico-financeira das declarações).
Acompanhamento do Setor
Para que se valide a escolha do setor e dos sujeitos passivos selecionados, o
acompanhamento do setor deve ser feito em relação:

às ações propostas e em execução, e a identificação de novos mecanismos de evasão
tributária praticados por sujeitos passivos do setor

aos efeitos das ações propostas sobre o cumprimento voluntário de obrigações material ou
formais pelo setor

ao contencioso administrativo ou judicial decorrente do resultado das ações programadas

às necessidades de se propor alterações na legislação tributária referente a determinado
setor, em razão da constatação de utilização de mecanismos de elisão ou evasão fiscal, por
sujeitos passivos de um mesmo setor

ao acompanhamento de correspondências e publicações sobre aspectos setoriais

a outros aspectos não relacionados acima.
Se o setor, no decorrer da execução das ações propostas, passar a ter um
nível satisfatório de cumprimento de obrigações tributárias, ele deixará de ser controlado, e,
aí, novos setores poderão ser escolhidos, reiniciando todo o processo.
04.03 Avaliação de Riscos
04.03.01 Conceito de Risco e de Avaliação de Riscos
Segundo HOUAISS e VILLAR (2001, p. 2460), risco significa
“probabilidade de insucesso, de malogro de determinada coisa, em função de acontecimento
eventual, incerto, cuja ocorrência não depende exclusivamente da vontade dos interessados”.
Do conceito acima depreende-se que, sendo uma probabilidade de
insucesso, esta poderá variar de 0 (zero), certeza absoluta de sucesso ou risco inexistente, a 1
(um), risco total ou incerteza absoluta.
126
Avaliação é a “apreciação ou conjectura sobre condições, extensão,
intensidade, qualidade etc. de algo” (HOUAISS e VILLAR, 2001, p. 353).
Avaliar os riscos de uma seleção de sujeitos passivos, portanto, é apreciar as
condições, extensão, intensidade, qualidade etc. no que se refere à probabilidade de não se
obter sucesso nas auditorias programadas em decorrência desse trabalho de seleção de sujeitos
passivos.
Ao selecionar sujeitos passivos para fiscalização, além dos requisitos de
objetividade e impessoalidade, as Administrações Tributárias devem ter a preocupação de
avaliar os riscos nas auditorias programadas, com o intuito de se obterem os melhores
resultados, mediante uma alocação racional dos recursos disponíveis, materiais e humanos, a
cada dia mais escassos em relação ao aumento do contingente de sujeitos passivos, e, é claro
com o menor risco possível.
Um sistema de avaliação de riscos na seleção de sujeitos passivos deve estar
em consonância com o contexto organizacional da Administração Tributária à qual pertence.
Uma adequada organização e consistência dos dados disponíveis para a seleção é crucial para
minimizar os insucessos nas auditorias programadas, ou seja, quanto mais perto de um
controle integral a Administração Tributária chegar, menor será os riscos de um processo de
seleção de sujeitos passivos.
A avaliação de riscos de uma seleção apresenta uma grande dificuldade que
é a previsão antecipada sobre se uma ação fiscal programada terá ou não o sucesso esperado.
As formas de se avaliar o risco podem ser resumidas em:

Avaliação qualitativa: é a que considera a opinião do avaliador.

Avaliação quantitativa: é a que utiliza modelos matemáticos.
04.03.02 Os Fatores de Riscos na Seleção de Sujeitos Passivos
Foi apresentado na introdução que, para uma população que possui um
grande número de indivíduos, um controle efetivo só será possível se a Administração
Tributária dispuser de um sistema de informações tributárias, que considere:
a legislação tributária e suas alterações, e a jurisprudência administrativa e judicial
o perfil dos sujeitos passivos
os agentes arrecadadores
127
os recursos humanos, financeiros e tecnológicos disponíveis
as fontes externas de informação de natureza tributária
o inter-relacionamento com outras Instituições Públicas e com outros Fiscos, nacionais e
internacionais
os aspectos econômicos, sociais, políticos, tecnológicos e culturais da sociedade.
Com base nesta consideração, podem ser apontados os seguintes fatores de
riscos na seleção de sujeitos passivos:

Problemas de interpretação e inadequação da legislação tributária: sujeitos passivos
podem deixar de recolher, ou recolhê-lo insuficientemente, tributo e contribuição, em
razão de contencioso administrativo e judicial. Se a Administração Tributária possuir uma
boa integração entre informações relativas à declaração, à legislação e aos
questionamentos administrativos e judiciais, ela poderá facilmente identificar, pela maior
freqüência de contencioso, pontos falhos na legislação tributária, procurando adotar
providências para sua correção ou aperfeiçoamento, adequando-as aos novos
entendimentos ou interpretações. Da mesma forma, a falta de cumprimento de obrigações
pode decorrer de não conhecimento ou má compreensão, pelo sujeito passivo, das normas
tributárias, aí só campanhas educativas poderiam amenizar esse risco.

Problemas com perfil dos sujeitos passivos: o perfil de sujeitos passivos pode ser definido
por faixas de valores de receita bruta, de lucro líquido, de rendimentos brutos, de
operações de saídas, etc., considerando ou não sua distribuição por setores econômicos. Se
houver distribuição dos sujeitos passivos por setores e a tabela de classificação for
confusa, por exemplo, a análise setorial poderá ficar prejudicada, pois pessoas físicas e
jurídicas que deveriam estar enquadradas em um setor, estão inscritas em outro setor. Um
bom de sistema de controle e acompanhamento de valores lançados e da informação sobre
o setor econômico minimiza os riscos de enquadramento dos sujeitos passivos nos perfis
Agentes arrecadadores não confiáveis: a confiabilidade ou não de um agente arrecadador
pode ser medida pela quantidade e pelo valor dos problemas detectados na prestação de
serviços de arrecadação de tributos e contribuições para a Administração Tributária..
Atualmente, com as cada vez mais perfeitas tecnologias de processamento e transmissão
de informações, esses problemas são mínimos em relação ao montante de operação.
Contudo, isto depende da organização do sistema financeiro de cada país. Na pior das
hipóteses, se não houver uma boa normatização quanto aos procedimentos de arrecadação
128
pelos agentes, poderão ser selecionados sujeitos passivos que estejam regulares perante a
Administração Tributária.
Insuficiência e/ou deficiência de recursos humanos, financeiros e tecnológicos: recursos
humanos insuficientes e/ou mal preparados podem ser a causa de resultados
insatisfatórios nas auditorias programadas pelos trabalhos de seleção, por isso concursos
cada vez mais rigorosos e uma reciclagem sistemática dos agentes fiscais minimizará este
fator de risco. Os agentes fiscais que selecionam sujeitos passivos também devem estar
preparados para avaliar os problemas de seleção e para aperfeiçoar os métodos de seleção
após a realização de cada empreitada. Da mesma forma, não adianta selecionar sujeitos
passivos se a Administração Tributária não colocar à disposição o mínimo de recursos
financeiros para a execução das auditorias. As Administrações Tributárias devem estar
atentas não só à evolução tecnológica, como também às possibilidades de fraudes
praticadas por terceiros nos sistemas computacionais. Novas tecnologias de
processamento das informações, tanto de hardware, quanto de software, poderão
proporcionar maior capacidade de armazenamento de dados e maior rapidez e
confiabilidade no processo de seleção de sujeitos passivos
Grau de cumprimento de obrigação tributária: quanto mais baixo o grau de cumprimento
de obrigação tributária mais baixo é o risco de uma seleção de sujeitos passivos.
Má qualidade das informações de natureza tributária prestadas por fontes externas: na
seleção por cruzamento de informações, se estas não forem prestadas com qualidade
poderão estar sendo selecionados sujeitos passivos que não estejam praticando omissões
de compras e vendas por exemplo. Também poderá aumentar os riscos de uma seleção: a
regulamentação ou solicitação de informações, com propostas de modelos não adequadas
ao cruzamento de informações. Para minimizar este risco, uma consistente validação dos
dados será feita antes da incorporação deles à base da Administração Tributária.
Baixa intensidade no inter-relacionamento com outras instituições públicas e com outros
fiscos, nacionais e internacionais: muitas vezes informações guardadas por outras
entidades públicas ou por outros fiscos, nacionais ou internacionais, poderia influir na
decisão de se selecionar ou não um sujeito passivo para fiscalização. Quanto mais intenso
o relacionamento com tais entidades externas, menor seria o risco da seleção, em razão de
se ter mais informações de natureza fiscal que permitam uma decisão mais segura.
Falta de conhecimento de aspectos econômicos, sociais, políticos, tecnológicos e culturais
da sociedade, que podem influir sobre a arrecadação e sobre itens das declarações de
129
tributos e contribuições: notícias do tipo “o setor industrial automobilístico está em crise,
por causa da queda assustadora das vendas e do alto endividamento das empresas”. Nos
trabalhos de seleção, alto endividamento pode indicar indício de omissão de receitas ou
de apropriação a maior de despesas financeiras e variação monetária passiva. Conduto, se
o setor automobilístico estiver sendo estudado, há de ser considerada esta notícia, sob o
risco de estarem sendo selecionados sujeitos passivos sem irregularidades. Tendo por
base este exemplo, fatos de natureza econômica, social, política, tecnológica e cultural da
sociedade, na qual a Administração Tributária, devem ser levados em consideração, sob
pena de colocar em risco todo o trabalho de seleção. Se estes fatos estiverem
armazenados de modo que seja possível seu cruzamento com a declaração, melhor ainda.
Outros fatores de riscos: outros fatores de riscos podem ser identificados pelas
Administrações Tributárias, desde que tenham relevância sobre o processo de seleção de
sujeitos passivos.
04.03.03 A Avaliação Qualitativa de Riscos
A avaliação qualitativa de riscos tem como principais características:

A aleatoriedade, por tratar o risco, caso a caso, onde o responsável pela seleção,
conhecendo bem as características da jurisdição e o histórico de cumprimento de
obrigações tributárias do sujeito passivo, permite que se conclua pelo sucesso ou não da
escolha do sujeito passivo para ser fiscalizado.

A pessoalidade ou subjetividade, por muito depender da experiência do analista.
Em razão dessas características, a avaliação qualitativa só deverá ser
utilizada quando não se dispõe de uma base de dados bem estruturada e integrada. Também é
cabível, este tipo de avaliação, após ter sido feita uma avaliação quantitativa (vista logo a
seguir), uma vez que um parecer final sobre a consistência dos dados utilizados na estimativa
do risco. Neste caso, a opinião de um especialista é fundamental.
ENFOQUE GERENCIAL
Também uma avaliação qualitativa poderá anteceder a quantitativa. Um
exemplo disso é a metodologia de avaliação de riscos, de âmbito gerencial, sugerida no
Manual de Administración Tributaria del CIAT (2000, p. 71-75, e apêndice I, p. 253-255),
onde se ressalta que “o ciclo pode diferir em termos de profundidade, ênfases e detalhes de
uma administração tributária à outra, refletindo a natureza subjacente do contexto específico
130
em que funciona a administração tributária em questão” (tradução dos autores). Eis o ciclo de
avaliação de riscos proposto no citado Manual:

Passo 1- Identificação do Risco: aqui se identifica o risco ou série de riscos que têm de ser
atendidos: As atividades são as seguintes:

descrever o sistema de aplicação de impostos (utilizar fluxogramas);
identificar os participantes, clientes e partes interessadas no sistema;
descrever os pontos fortes e fracos do sistema atual;
identificar onde, quando e como provavelmente se incorre o risco de evasão tributária e por quem;
descrever o que está em jogo se a aplicação for burlada;
por que surgem as oportunidades de burlar?;
identificar as fontes de informação confiáveis do sistema atual;
descrever em um fluxograma quem está respondendo ante quem no sistema atual.
Passo 2- Avaliação do Risco: na avaliação de riscos realiza-se uma análise minuciosa dos
riscos identificados na etapa anterior. As atividades são as seguintes:

identificar os procedimentos no sistema atual que uma pessoa ou companhia poderia utilizar para
evadir o imposto;
identificar as circunstâncias sob as quais o sistema atual é vulnerável;
identificar possíveis mudanças no sistema para minimizar a vulnerabilidade;
descrever como um sujeito passivo poderia aproveitar as mudanças;
identificar os indicadores que poderiam mostrar que um procedimento é usado para evadir impostos;
descrever a magnitude de cada risco identificado;
determinar a prioridade dos riscos: muito alta, alta, média, baixa, muito baixa.
Passo 3- Decisão sobre a Avaliação do Risco: havendo identificado os riscos, é necessário
decidir a respeito das melhores técnicas disponíveis para se contrapor aos riscos ou, ao
menos, assegurar que se encontrem dentro de tolerâncias aceitáveis. A solução da
avaliação de riscos deve enfocar o nível de risco identificado na análise. As atividades são
as seguintes:

que processos estão disponíveis ou são exigidos para cobrir a exposição ao risco?;
identificar as opções e a(s) decisão(ões) recomendada(s); ou descrever os recursos (pessoal, financeiros
e técnicos) exigidos para a implantação;
preparar o plano de trabalho e a organização deverá se ajustar á decisão.
Passo 4- Avaliação e Auditoria: uma vez estabelecidas as medidas de avaliação de riscos é
importante dispor de um programa contínuo de avaliação e auditoria da efetividade da
decisão gerencial. As atividades são as seguintes:

avaliar se a decisão está logrando êxito no que foi proposto;
avaliar se a decisão é efetiva para cobrir os riscos identificados;
cumpre a decisão com os requisitos legais e políticas organizacionais?
Passo 5- Medições de Desempenho: este elemento do ciclo identifica os indicadores de
desempenho para monitorar a solidez do sistema estabelecido. Para os sistemas baseados
em computadores, é recomendável que os dados de desempenho se ajustem plenamente às
131
características do sistema computadorizado. As atividades são as seguintes:

identificar os indicadores de desempenho e determinar se enfocam os elementos chaves de êxito;
avaliar se é exigido um programa deamostra aleatória para contribuir para o controle do sistema.
Passo 6- Revisão: é necessário identificar as exigências do processo contínuo de revisão
para identificar se os objetivos do sistema de avaliação de riscos estão sendo alcançados.
As atividades são as seguintes:

revisar os objetivos do sistema: são todavia válidos?;
descrever o que falhou no sistema;
considerar em um processo contínuo: como se pode melhorar o sistema de avaliação de riscos?
Um outro exemplo de enfoque gerencial de avaliação de riscos citado pelo
Manual de Administración Tributaria del CIAT (idem), é o que divide os sujeitos passivos
“de acordo com sua importância financeira e fiscal e seu comportamento fiscal no passado. As
áreas do modelo indicam o risco em questão. Uma multinacional com um lucro de $ 200
milhões por ano porém com uma atitude de bom cumprimento representa um risco menor que
o do proprietário de um restaurante com um volume de negócios de $ 2 milhões por ano e um
montante mínimo de lucro declarado, que tem a reputação de que cada auditoria termina em
uma grande correção” (tradução dos autores). Os quadros a seguir ilustram esse tipo de
avaliação de riscos (idem):
Comportamento
recente
Desconhecido
Mal
Razoável
Satisfeito
ZONA 1
Nenhuma
-
Avaliação de riscos do Chile
Importância Fiscal
Baixa
Média
Alta
Baixo
Médio
Alto
Baixo
Alto
Muito alto
Muito baixo
Médio
Alto
Muito baixo
Muito baixo
Baixo
Linha de Cumprimento Tributário
ZONA 2
ZONA 3
ZONA 4
Muito Alta
Muito alto
Muito alto
Alto
Médio
ZONA5
Contribuintes que Contribuintes que Contribuintes que Contribuintes que Contribuintes que
cumprem e não têm cumprem,
porém não
cumprem, não cumprem ou cometem fraudes
intenção de evadir
têm intenções de porém têm intenções evadem
não cumprir ou de cumprir
evadir
Estas duas zonas também devem ser considerada na
seleção, , para que eqüitativamente
e
permanentemente a fiscalização marque a sua
presença e evitar que os contribuintes desta zona
mudem de faixa
Pode
refletir
erros A seleção deverá voltar-se para programar, com alta
involuntários cometidos freqüência, fiscalizações para essas zonas,
por falta de conhecimento priorizando a 5.
das normas tributárias.
Poderão ser programadas
mais ações educativas do
que de fiscalização
É importante combinar a classificação por zona com o critério de importância econômica dos contribuintes, já que seria muito difícil
fiscalizar todos os contribuintes nas zonas de descumprimento. Com isso, pode-se minimizar o impacto de arrecadação do processo de
fiscalização, assim como o efeito indireto de fiscalizar contribuintes que tenham relações significativas com outros agentes econômicos
Tanto no âmbito individual como no setorial, operacionalmente, a análise
qualitativa poderá ter suporte em formulários que permitam ao avaliador, utilizando bom
132
senso, classificar se um risco provável é muito baixo, baixo, médio, alto ou muito alto. O
exemplo abaixo usa os fatores de risco na seleção, já discutidos:
FATORES DE RISCO- AVALIAÇÃO QUALITATIVA
D=Diretamente / I=Inversamente proporcional à intensidade do risco
INTENSIDADE DO RISCO
MA
A
M
B
MB
Qualidade de interpretação e grau de adequação da legislação
tributária:
Contencioso administrativo e judicial (D)
Lançamento de ofício por desconhecimento (I)
Confiabiliabilidade da informação sobre perfil dos sujeitos passivos
Confiabilidade da informação sobre classificação do sujeito passivo
por ramo de atividade ou ocupação é (I)
Atualidade da informação sobre o parâmetro que define a importância
econômico-financeira do sujeito passivo (I)
Confiabilidade dos agentes arrecadadores
Quantidade de irregularidades encontradas nos agentes arrecadadores
(D)
Insuficiência e/ou deficiência de recursos humanos, financeiros e
tecnológicos:
Experiência e treinamento dos recursos humanos no tipo de ação a ser
desenvolvida (I)
Disponibilidade de recursos materiais e financeiros (I)
Grau de cumprimento de obrigação tributária
Grau de cumprimento de obrigação principal ou material (D)
Grau de cumprimento de obrigação acessória ou formal (D)
Insucessos em seleções anteriores feitas com o mesmo critério (D)
Qualidade das informações de natureza tributária prestadas por fontes
externas
Consistência das informações utilizadas no cruzamento de informações
(I)
Grau de inter-relacionamento com outras instituições públicas e com
outros fiscos, nacionais e internacionais
Inter-relacionamento com outros fiscos nacionais (I)
Inter-relacionamento com outros fiscos internacionais (I)
Inter-relacionamento com outras instituições públicas (I)
Grau de conhecimento de aspectos econômicos, sociais, políticos,
tecnológicos e culturais da sociedade
Grau de conhecimento da jurisdição (I)
Grau de armazenamento e adequação de informações econômicas,
sociais, políticas e tecnológicas (I)
Outros fatores de riscos
Informar neste grupo apenas os fatores que não podem ser classificados
nos itens acima. Indicar (I) ou (D), conforme cabeçaho desta tabela.
MA=muito alto; A=alto; M=médio; B=baixo; MB=muito baixo
A TÉCNICA DELPHI
Segundo WRIGHT e GIOVINAZZO (2000, p. 54), a técnica Delphi é um
método usado quando se quer, em situações de carência de dados históricos, planejar ou
estimular a criação de novas idéias. Ele tem-se mostrado muito útil quando se quer
desenvolver uma análise qualitativa do mercado, permitindo a projeção de tendências futuras
133
em face de descontinuidades tecnológicas e mudanças sócio-econômicas.
“Em linhas gerais, o método Delphi consulta um grupo de
especialistas a respeito de eventos futuros através de um questionário, que é
repassado continuadas vezes até que seja obtida uma convergência das respostas,
um consenso, que representa uma consolidação do julgamento intuitivo do grupo.
Pressupõe-se que o julgamento coletivo, ao ser bem organizado, é bem melhor do
que a opinião de um só indivíduo. O anonimato dos respondentes, a representação
estatística da distribuição dos resultados, eo feedback de respostas do grupo para
reavaliação nas rodadas subseqüentes são as principais caracterísitcas de ste
método.
(...) A técnica Delphi passou a ser disseminada no começo dos
anos 60, com base em trabalhos desenvolvidos por Olaf Helmer e Norman Dalker,
pesquisadores dea Rand Corporationa (ESTES e KUESPERT, 1976). O objetivo
original era desenvolver uma técnica para aprimorar o uso de opinião de
especialistas na previsão tecnológica. Na metodologia desenvolvida, isto era feito
estabelecendo-se três condições básicas: o anonimato dos representantes, a
representação da estatística da distribuição dos resultados, e o feedback de
respostas do grupo para reavaliação nas rodadas subseqüentes (MARTINO, 1993)
Por exemplo, para se montar uma carteira de ações, deve-se considerar a
influência de cenários econômicos futuros que, normalmente, não são de conhecimento no
momento em que os recursos são aplicados. Com o intuito de amenizar os efeitos de uma
eventual reviravolta ocorrida na economia, projetam-se cenários a partir da opinião emitida
por especialistas da área. Na construção de tais cenários, o Delphi pode ser um instrumento
valioso. (KAYO e SECURATO, 1997, p. 51).
Como foi dito, o Delphi pode ser adaptado a pesquisas visando a construção
de cenários econômicos. Segundo KAYO e SECURATO (197, p. 57-58)
Partindo-se do modelo de matriz de decisão sugerido por
SECURATO (1993, p. 26 e 271) e demonstrado no quadro 1, pode-se dar um
exemplo.
Descrição de
cada cenário
C1
C2
...
Ck
Fonte: SECURATO (1993, p. 26)
Probabilidade de
cada cenário
A1
A2
p1
p2
...
pk
x12
x22
...
xk2
x11
x21
...
xk1
Alternativas
...
Ar
x1r
x2r
...
xkr
A matriz do quadro 1 apresenta as informações necesárias ao
proceso de decisão de aplicação dos recursos. Nela, são representados os vários
cenários (C1, C2, ..., Ck), suas respectivas probabilidades (p1, p2, ..., pk), as
alternativas possíveis de investimento (A1, A2, ..., Ak) e os retornos de cada
alternativa para cada cenário (×ij).
Dentro de cada um dos cenários são analisados as “variáveis
de influência” (variáveis macroeconômicas) e seus respectivos “parâmetros” (que
podem ser quantitativos ou qualitativos, dependendo da variável). A fim de
simplificar este exemplo hipotético, utilizar-se-á apenas três variáveis
macroeconômicas: inflação, crescimento do PIB e taxa de juros.
O objetivo da pesquisa é definir, tão-somente, a descrição de
134
cada cenário que, segundo securato, seria uma tarefa para economistas.
A definição das probabilidades de ocorrência de cada cenário
ficaria a cargo de cada investidor, tendo em vista suas preferências e crenças
sobre o futuro. As alternativas de investimento e respectivos retornos seriam
fornecidos pelas instituições responsáveis pela aplicação dos recursos e ficariam
dependentes da construção dos cenários. Portanto, esses dados não são
trabalhados no questionário.
WRIGHT e GIOVINAZZO (2000, p. 57) apresentam a seguinte seqüência
de execução de uma pesquisa Delphi:
INÍCIO
Procedimentos dos respondentes
Procedimentos dos coordenadores
Elaboração de questionário e seleção
dos painelistas
1ª Rodada: Respostas e Devolução
Tabulação e análise dos questionários
recebidos
É necessário introduzir questões?
SIM
ELABORAÇÃO DAS NOVAS
QUESTÕES
Elaboração do novo questionário e
envio
Nova Rodada: Respostas e Devolução
Tabulação e análise de dados recebidos
NÃO
A convergência das respostas é
satisfatória?
Conclusões gerais
Relatório para os respondentes
Relatório Final
FIM
Vê-se que a técnica Delphi poderá facilmente ser adaptada à avaliação
qualitativa de riscos na seleção de sujeitos passivos para fiscalização, quando não se dispuser
de dados suficientes para uma avaliação quantitativa.
04.03.04 A Avaliação Quantitativa de Riscos
As principais características da avaliação quantitativa de riscos são:

A tecnicidade, em razão do uso de regras bem definidas, geralmente com base em
modelos estatísticos ou econométricos.

A objetividade ou impessoalidade, tendo em vista que a experiência do analista é mínima.
135
Para a quantificação de riscos existem diversos modelos que já foram
utilizados pelas áreas econômica, administrativa e contábil e que, pelas características,
poderão facilmente ser adaptadas aos trabalhos de seleção de sujeitos passivo para
fiscalização e de estimativa de riscos, tendo em vista que esses modelos utilizam informações
contábeis. São modelos utilizados em:

Previsão de falência de empresas.

Estimativa do risco na constituição da provisão para devedores duvidosos

Seleção e gerenciamento de investimentos em carteiras de ações

Quantificação de riscos em projetos de inovação

Planejamento e otimização de fluxo de caixa, entre muitas outras
Como se poderá observar adiante tais modelos vão desde técnicas
estatísticas até técnicas de processamento da informação que utilizam inteligência artificial,
como redes neurais, lógica fuzzy e algoritmos genéticos.
Técnicas Estatísticas
As análises discriminantes e de regressão logística permitem que um
conjunto de pessoas físicas e jurídicas, através do uso de determinados indicadores com vistas
a detectar indícios de descumprimento de obrigações tributárias, possam ser classificados por
faixas de valor representando situações que vão desde um risco muito baixo até um risco
muito alto nos resultados das auditorias programadas.
Técnicas de Inteligência Artificial
A tecnologia de redes neurais tem sido muito utilizada em trabalhos de
previsão. Se a base de dados de um Administração Tributária estiver organizada de modo que
se possa ter campos de declaração relacionados com infrações lançadas, as redes neurais serão
muito úteis para as atividades de seleção de sujeitos passivos no que se refere à previsão de
resultados de fiscalização que possam vir a ser programadas. Um exemplo disso, está no
capítulo 05 desta monografia, onde foram feitos testes em uma base de dados, ainda que de
tamanho pequeno. A variância retornada após o treinamento da rede neural representa o
tamanho do risco de se obter um resultado insatisfatório.
Já os algoritmos genéticos serão úteis em trabalhos de seleção de sujeitos
passivos para escolher aqueles que apresentem o melhor retorno esperado com um mínimo de
136
riscos possível. Na presente monografia não foi testado software que utilizasse tecnologia de
algoritmos para se fazer seleção de sujeitos passivos.
Os algoritmos genéticos e redes neurais, associados a sistemas fuzzy,
poderão ser utilizados em mineração de dados. Também este tipo de tecnologia não foi
testado.
Dessa forma, sozinhas ou em conjunto, as técnicas de Inteligência
Computacional, como redes neurais, sistemas fuzzy, algoritmos genéticos e sistemas
especialistas podem, em muito, dar suporte aos trabalhos de monitoramento de sujeitos
passivos para que os mesmos não se desviem da posição de normalidade.
05
CASO PRÁTICO DE SELEÇÃO UTILIZANDO NOVA
TECNOLOGIA
A utilização de neurossimuladores no desenvolvimento de aplicações em
administração, quando adequadamente escolhido, é um importante auxílio na tomada de
decisão, muito em razão da facilidade, como economia de tempo, e consistência dos dados.
Existem vários pacotes de tratamento de dados que utilizam RNAs e Lógica Fuzzy no
mercado, alguns inclusive com algoritmos próprios para construção de projetos em áreas
específicas da administração como finanças, marketing, recursos humanos, logística e
produção. Porém, no presente estudo, optou-se por utilizar um sistema genérico, com
algoritmo de retropropagação simples, a fim de serem obtidos resultados que fossem
suficientemente consistentes para produzir uma aplicação na área de seleção de contribuintes,
e que pudesse gerar um modelo explicativo das variáveis envolvidas na análise de empresas.
05.01 METODOLOGIA DE TRABALHO
As experiências foram desenvolvidas por experiências de treinamento e
teste em um neurossimulador. Foi utilizado um software genérico, disponível no mercado,
com características que o classificam como uma rede neuro-fuzzy. O referido sistema é o
NeuNet Pro v.2.2 produzido pela Cormactech Inc., juntamente com o extrator de regras
VisiRex, da mesma empresa. Seu uso é limitado, quando não registrado, a pequenas redes
como as que foram produzidas neste trabalho.
Foi gerado um banco de dados para treinamento, validação e exploração do
método. O banco de dados foi dividido em 4 tabelas principais, referentes a empresas que se
enquadravam em um dos seguintes casos (formas de tributação das pessoas jurídicas no
Brasil):
Lucro Real;
Lucro Presumido;
ME-EPP(Micro Empresas e Empresas de Pequeno Porte) e;
Omissos.
138
05.02 AMBIENTE ESTRUTURAL
Visando facilitar o treinamento da rede, foi utilizado um simulador neurofuzzy, que inclui recursos de treinamento e configuração, bem como visualização gráfica dos
resultados para avaliação posterior. Além disso, foi ainda utilizado um extrator de regras, para
se tentar fazer análise das variáveis cuja “relação” junto ao modelo fosse de maior
importância.
Os sistemas neuro-fuzzy combinam a capacidade de aprendizado das RNAs
com o poder de interpretação dos Sistemas de Inferência Fuzzy (SIF), além do que podem
promover a integração de conhecimentos implícitos e explícitos, e a extração de regras fuzzy
para um determinado conjunto de dados.
O treinamento da rede foi feito, na maior parte, em um computador Pentium
233MMX com 64Mb de memória, e os testes executados na mesma máquina, para ciclos de
treinamento, momentum e taxas de aprendizado de rede diversas. O conjunto apresentado nas
tabelas em anexo representa os resultados obtidos para 5000 ciclos de treinamento, com
vários valores de momentum e taxa de aprendizado, e 20.000 ciclos de teste com os melhores
resultados obtidos na fase de treinamento.
05.03 CONJUNTO DE TREINAMENTO E TESTES
No estudo de caso, as RNAs foram modeladas para fazer a previsão de
lançamento de impostos de várias empresas. Foram escolhidas as mesmas variáveis de
previsão para os quatro casos e um conjunto de variáveis de entrada para cada forma de
apuração de resultados da pessoa jurídica (lucro real, lucro presumido/arbitrado,
microempresa/ empresa de pequeno porte, omissos).
05.03.01 Variáveis de Previsão
Foram escolhidas 5 variáveis de previsão, sendo elas:
VARIÁVEIS DE PREVISÃO
Nº VARIÁVEL
DESCRIÇÃO
01
02
03
04
05
IRFLançado
IRJLançado
COFLançado
PISLançado
CSLLançado
IRF (Imposto de Renda na Fonte) Lançado
IRPJ (Imposto de Renda pessoa Jurídica) Lançado de ofício
COFINS (Contribuição para Financiamento da seguridade Social) Lançada
PIS (Programa de Integração Social) Lançado
CSLL (Contribuição Social sobre o Lucro Líquido) Lançada
05.03.02 Variáveis de Entrada para Lucro Real
139
Para as pessoas jurídicas tributadas pelo lucro real, as variáveis de entrada,
num total de 47 (quarenta e sete) estão descritas na tabela a seguir, e representam tão somente
um esboço do que seria necessário para fazer uma abordagem investigativa com relação a
seleção de contribuintes. A base de dados procurou, da maneira mais fiel possível, retratar a
realidade do trabalho em questão, fato esse que pode ser comprovado, pela omissão de alguns
dados, e que desta forma puderam reforçar as vantagens de uma RNA, na busca de padrões
mesmo em ambiente ruidoso.
VARIÁVEIS DE ENTRADA – LUCRO REAL
Nº VARIÁVEL
DESCRIÇÃO
01 Ano-Calendário
02 Subsetor
03 FormaDeTributação
Ano de apuração
Ramo de atividade
Forma de tributação: lucro real, lucro presumido/arbitrado,
microempresa/empresa de pequeno porte
04 DataInícioApuração
Data de início do período de apuração
05 DataFimApuração
06 ReceitaBruta
Receita Bruta de Vendas
07 DeduçõesReceitaBruta
Deduções da Receita Bruta
08 CustoDasVendas
Custo das Vendas
09 ReceitasFinanceiras
Receitas Financeiras
10 OutrasReceitasOperacionais
Outras Receitas Operacionais
11 DespesasFinanceiras
Despesas Financeiras
12 OutrasDespesasOperacionais
Outras Despesas Operacionais
13 ReceitasNãoOperacionais
Receitas Não Operacionais
14 DespesasNãoOperacionais
Despesas Não Operacionais
15 ParticipaçõesEContribuições
Participações e Contribuições
16 ProvisãoCSLL
Provisão para a CSLL (Contribuição Social sobre o Lucro Líquido)
17 ProvisãoIRPJ
Provisão para o IRPJ (Imposto de Renda Pessoa Jurídica)
18 AdiçõesLR
Adições ao Lucro Real
19 ExclusõesLR
Exclusões do Lucro Real
20 CompensaçãoPrejuízos
Compensação de Prejuízos
21 IRPJ
IRPJ Devido
22 IRPJIncentivos
Incentivos Fiscais IRPJ
23 AtivoCirculante
Ativo Circulante
24 AtivoRealizávelALongoPrazo Ativo Realizável a Longo Prazo
25 AtivoPermanente
Ativo Permanente
26 PassivoCirculante
Passivo Circulante
27 PassivoExigívelALongoPrazo Passivo Exigível a Longo Prazo
28 ResultadoDeExercíciosFuturos Resultado de Exercícios Futuros
29 PatrimônioLíquido
Patrimônio Líquido
30 PisBas
Base de Cálculo do PIS (Programa de Integração Social)
31 PisDev
PIS devido
32 PisRec
PIS recolhido
33 CofBas
Base de Cálculo da COFINS (Contribuição para Financiamento da
Seguridade Social
34 CofDev
COFINS devida
35 CofRec
COFINS recolhida
36 CslBas
Base de Cálculo da CSLL (Contribuição Social sobre o Lucro Líquido)
37 CslDev
CSLL devida
38 CslRec
CSLL Recolhida
39 IrjBas
Base de Cálculo do IRPJ
40 IrjDev
IRPJ devido
41 IrjArr
IRPJ recolhido
42 SimBas
Base de Cálculo do SIMPLES (Sistema Integrados de Pagamento
43 SimDev
SIMPLES devido
44 SimArr
SIMPLES recolhido
45 Vendas
Operações de vendas de mercadorias/serviços a terceiros
46 Aquisições
Operações de compras de mercadorias/serviços de terceiros
47 MotivoDaSeleção
Motivo da seleção (1-Inadimplência; 2-
05.03.03 Variáveis de Entrada para Lucro Presumido/ Arbitrado
140
Para as pessoas jurídicas tributadas pelo lucro presumido/arbitrado, as
variáveis de entrada, num total de 28 (vinte e oito) estão descritas na tabela a seguir, sendo
válidas as mesmas considerações traçadas para o lucro real.
VARIÁVEIS DE ENTRADA – LUCRO PRESUMIDO/ ARBITRADO
Nº VARIÁVEL
DESCRIÇÃO
01 Ano-Calendário
02 Subsetor
04
05
06
07
08
09
10
11
12
13
14
DataInícioApuração
DataFimApuração
ReceitaBrutaLP
ComprasLP
Outras ReceitasLP
IRPJLPME
CapitalLP
PisBas
PisDev
PisRec
CofBas
15
16
17
18
19
20
21
22
23
24
25
26
27
28
CofDev
CofRec
CslBas
CslDev
CslRec
IrjBas
IrjDev
IrjArr
SimBas
SimDev
SimArr
Vendas
Aquisições
MotivoDaSeleção
Ano de apuração
Ramo de atividade
Receita Bruta
Compras (Mercadorias/Serviços e Ativo Permanente)
Outras receitas
IRPJ sobre lucro presumido
Capital registrado
PIS devido
PIS recolhido
Seguridade Social
COFINS devida
COFINS recolhida
CSLL devida
CSLL Recolhida
IRPJ devido
IRPJ recolhido
SIMPLES devido
SIMPLES recolhido
05.03.04 Variáveis de Entrada para Microempresas e Empresas de
Pequeno Porte
Para as pessoas jurídicas microempresas e de pequeno porte, as variáveis de
entrada, num total de 26 (vinte e seis) estão descritas na tabela a seguir, sendo válidas,
também, as mesmas considerações apontadas para o lucro real.
VARIÁVEIS DE ENTRADA – MICROEMPRESAS/ EMPRESAS DE PEQUENO
PORTE
Nº VARIÁVEL
DESCRIÇÃO
01 Ano-Calendário
02 Subsetor
04
05
06
07
08
09
10
11
12
DataFimApuração
ReceitaBrutaME
ComprasME
IRPJLPME
PisBas
PisDev
PisRec
CofBas
Ano de apuração
Ramo de atividade
Receita Bruta
Compras
IRPJ sobre lucro presumido
PIS devido
PIS recolhido
Seguridade Social
141
VARIÁVEIS DE ENTRADA – MICROEMPRESAS/ EMPRESAS DE PEQUENO
PORTE
Nº VARIÁVEL
DESCRIÇÃO
13
14
15
16
17
18
19
20
21
22
23
24
25
26
CofDev
CofRec
CslBas
CslDev
CslRec
IrjBas
IrjDev
IrjArr
SimBas
SimDev
SimArr
Vendas
Aquisições
MotivoDaSeleção
COFINS devida
COFINS recolhida
CSLL devida
CSLL Recolhida
IRPJ devido
IRPJ recolhido
SIMPLES devido
SIMPLES recolhido
05.03.05 Variáveis de Entrada para Omissos
Para as pessoas jurídicas omissas no dever de declarar, as variáveis de
entrada, num total de 12 (doze) estão descritas na tabela a seguir, sendo aplicadas, também, as
mesmas considerações relacionadas para o lucro real.
VARIÁVEIS DE ENTRADA – OMISSOS
Nº VARIÁVEL
DESCRIÇÃO
01
02
03
04
05
06
07
08
09
10
11
12
Ano-Calendário
Subsetor
DataFimApuração
PisRec
CofRec
CslRec
IrjArr
SimArr
Vendas
Aquisições
MotivoDaSeleção
Ano de apuração
Ramo de atividade
PIS recolhido
COFINS recolhida
CSLL Recolhida
IRPJ recolhido
SIMPLES recolhido
05.04 VALIDAÇÃO DO MODELO
A validação do modelo se processou da seguinte forma: A partir do estudo
de cada uma das tabelas, foi executado o treinamento da RNA seguido de teste de modo a se
proceder a previsão de cada uma das variáveis listadas na tabela VARIÁVEIS DE
PREVISÃO.
Nesse momento o objetivo foi demonstrar o grau de confiança do método
(no caso a RNA após a aquisição de conhecimento), buscando convalidar a adoção do
modelo, procurando uma conotação de eficiência. Esse tipo de validação foi possível porque o
modelo de topologia não recorrente usado isenta a rede de modificações durante o
treinamento, além do quê, nos testes, os pesos das conexões não são alterados.
Validado o modelo, conseguiu-se determinar o grau de confiança do mesmo
142
no aprendizado dos dados da experiência em questão, ainda que existam dados ruidosos ou
falta de dados, o que demonstra ainda a robustez do sistema. Em razão da determinação deste
grau de confiança do aprendizado, as redes neurais poderão, dessa forma, ser aplicadas
também na quantificação de riscos, cujo número pode ser representado pela variância não
explicada.
05.05 APRESENTAÇÃO DOS RESULTADOS
Durante a fase de testes foi observado o alto coeficiente de correlação,
normalmente acima de 0,90 o que indica que as variáveis utilizadas como entrada de dados,
tem informação suficiente para gerar previsão de lançamento nos casos citados pela tabela
VARIÁVEIS DE PREVISÃO.
Durante os testes, foi ainda possível verificar que, salvo alguns casos, a
RNA conseguia fazer previsão, mesmo em ambiente ruidoso ou com falta de dados. Nesse
aspecto se ressalta a robustez do método.
Existiram casos onde não foi possível ser feita qualquer previsão com
relação aos lançamentos em virtude de o número de dados de treinamento ser insuficiente
para a procura de padrões de correspondência,
Durante os testes ainda, foi tentada a extração de regras fuzzy a partir da
base de dados. Com relação aos itens de lançamento em cada tabela onde não foi possível se
gerar previsão, a extração de regras se tornaria inócua. Por outro lado no caso das variáveis de
lançamento onde foram feitas previsões, observou-se que o efeito de cada um dos itens de
entrada de dados apresentava peso quase idêntico, o que por sua vez, e em razão do que foi
explicado no item de extração de regras fuzzy, acabou por não gerar regra ou informação útil,
o que não aconteceria se a entropia do sistema (com relação aos pesos das variáveis de
entrada) fossem mais díspares.
Eis os resultados dos testes, por forma de tributação:

Lucro real

Lucro presumido/ arbitrado

ME-EPP (Microempresa/ Empresa de Pequeno Porte)

Omissos
143
05.05.01 Resultados dos Testes para o Lucro Real
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
RMS Error
%
14,22
14,19
14,17
13,85
14,11
14,08
14,05
14,06
14,08
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
13,67
14,07
14,13
14,18
14,11
14,11
14,09
14,11
14,10
0,18
0,19
0,19
0,19
0,19
0,19
0,19
0,19
0,19
0,91
0,90
0,90
0,90
0,90
0,90
0,90
0,90
0,90
60
90
0,54
0,00
1,00
Variância
Inexplicada
0,03
0,00
0,03
0,03
0,03
0,03
0,03
0,03
0,04
Coeficiente de
Correlação
0,99
1,00
0,99
0,99
0,98
0,98
0,99
0,98
0,98
IRJLançado Learn Rate Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
4,70
3,32
1,43
5,70
5,68
5,71
5,75
5,71
5,65
0,02
0,01
0,00
0,03
0,03
0,03
0,03
0,03
0,03
0,99
0,99
1,00
0,98
0,98
0,98
0,98
0,98
0,99
80
70
1,01
0,00
1,00
Variância
Inexplicada
0,00
0,00
0,00
0,00
0,00
0,01
0,01
0,01
0,01
Coeficiente de
Correlação
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
0,99
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
RMS Error
%
1,04
1,18
1,54
1,18
1,52
2,55
2,53
2,62
3,55
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
2,22
1,34
1,23
1,04
1,52
2,51
2,58
2,60
2,70
0,00
0,00
0,00
0,00
0,00
0,01
0,01
0,01
0,01
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
90
60
0,88
0,00
1,00
PISLançado Learn Rate Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
Coeficiente de
Correlação
0,90
0,90
0,90
0,90
0,90
0,90
0,90
0,90
0,90
RMS Error
%
5,31
1,61
5,65
5,68
5,68
5,69
5,62
5,76
6,14
COFLançado Learn Rate Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
Variância
Inexplicada
0,20
0,19
0,19
0,19
0,19
0,19
0,19
0,19
0,19
144
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
CSLLançado Learn Rate Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
IRFLançado Learn Rate Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Para as variáveis de previsão IRJLançado, PISLançado e COFLançado, os
resultados da aprendizagem foram satisfatórios, o mesmo não acontecendo para CSLLançado
e IRFLançado, em razão da insuficiência de registros com valores positivos de lançamento de
ofício.
145
05.05.02 Resultados dos Testes para o Lucro Presumido/Arbitrado
50
50
50
50
50
50
50
50
50
RMS Error
%
1,81
1,14
1,18
1,45
1,30
1,74
1,62
1,76
1,87
Variância
Inexplicada
0,01
0,00
0,00
0,01
0,00
0,01
0,00
0,01
0,01
Coeficiente de
Correlação
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
0,99
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
2,32
2,01
1,78
1,32
1,30
1,02
2,78
3,23
2,43
0,01
0,01
0,01
0,00
0,00
0,00
0,01
0,02
0,01
0,99
0,99
0,99
1,00
1,00
1,00
0,99
0,99
0,99
80
40
CSLLançado
Learn Rate
Momentum
9000
9000
9000
9000
9000
9000
9000
9000
9000
Ciclos
9000
9000
9000
9000
9000
9000
9000
9000
9000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
RMS Error
%
5,01
1,85
2,31
2,85
2,28
2,61
6,19
6,20
3,87
Variância
Inexplicada
0,04
0,01
0,01
0,01
0,01
0,01
0,06
0,06
0,02
Coeficiente de
Correlação
0,98
1,00
1,00
0,99
1,00
0,99
0,97
0,97
0,99
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
0,68
1,65
0,83
1,48
2,28
6,11
6,19
3,02
6,19
0,00
0,00
0,00
0,00
0,01
0,06
0,06
0,01
0,06
1,00
1,00
1,00
1,00
1,00
0,97
0,97
0,99
0,97
80
80
0,31
0,00
1,00
PISLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
RMS Error
%
2,63
1,87
2,31
2,32
1,07
3,87
6,43
3,21
4,32
Variância
Inexplicada
0,01
0,01
0,02
0,02
0,00
0,03
0,06
0,02
0,03
Coeficiente de
Correlação
0,99
1,00
0,98
0,99
1,00
0,98
0,96
0,97
0,97
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
2,43
2,32
1,98
2,73
1,07
1,21
2,78
6,42
4,21
0,01
0,01
0,00
0,00
0,00
0,01
0,02
0,04
0,03
0,98
0,99
1,00
0,99
1,00
1,00
0,97
0,96
0,98
50
50
0,96
0,00
1,00
COFLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
146
50
50
50
50
50
50
50
50
50
RMS Error
%
8,12
6,42
4,23
2,49
1,84
1,72
4,56
3,26
4,68
Variância
Inexplicada
0,08
0,03
0,03
0,01
0,00
0,00
0,03
0,02
0,03
Coeficiente de
Correlação
0,92
0,98
0,98
0,99
1,00
1,00
0,98
0,98
0,98
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
2,84
3,02
2,61
2,34
2,67
1,95
2,03
1,90
2,98
0,01
0,02
0,02
0,01
0,02
0,01
0,02
0,01
0,02
0,99
0,98
0,98
1,00
0,99
1,00
0,98
1,00
0,98
40
20
1,76
0,00
1,00
IRJLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
IRFLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
Foram insuficientes os lançamentos de ofício para IRFLançado para o
aprendizado da rede neural, pois a incidência do IRF sobre o Lucro foi revogada a partir de
1996 no Brasil. Quanto às demais variáveis de previsão, os resultados foram satisfatórios.
147
05.05.03 Resultados dos Testes para Microempresa/Pequeno Porte
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
50
50
50
50
50
50
50
50
50
RMS Error
%
0,65
0,48
0,60
0,67
0,51
0,81
1,23
0,86
0,84
Variância
Inexplicada
0,00
0,00
0,00
0,00
0,00
0,00
0,01
0,00
0,00
Coeficiente de
Correlação
1,00
1,00
1,00
1,00
1,00
1,00
0,99
1,00
1,00
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
0,62
0,67
0,58
0,63
0,51
0,53
0,48
0,52
0,58
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
80
30
0,46
0,00
1,00
PISLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
RMS Error
%
0,046
0,48
0,48
0,34
0,35
0,41
0,39
0,43
0,38
Variância
Inexplicada
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
Coeficiente de
Correlação
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
50
50
50
50
50
50
50
50
50
90
80
70
60
50
40
30
20
10
0,53
0,48
0,45
0,42
0,35
0,33
0,42
0,38
0,41
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
1,00
60
40
0,24
0,00
1,00
IRJLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
COFLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
148
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
CSLLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
IRFLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
No caso aqui foi proposital o teste com as variáveis de previsão IRJLançado
e IRFLançado. Como as possibilidades da existência de valores nestes campos são mínimas, o
resultado não poderia deixar de ser diferente de “não aprendizado”. Para COFLançado e
PISLançado os resultados da aprendizagem foram satisfatórios. Já para CSLLançado, os
lançamentos de ofício não foram suficientes para que a rede neural “aprendesse”.
149
05.05.04 Resultados dos Testes para Omissos
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
IRJLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
COFLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
PISLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
150
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
50
50
50
50
50
50
50
50
50
RMS Error
%
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Variância
Inexplicada
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
Coeficiente de
Correlação
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
90
80
70
60
50
40
30
20
10
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
CSLLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
IRFLançado
Learn Rate
Momentum
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
5000
5000
5000
5000
5000
5000
5000
5000
5000
Ciclos
20000
90
80
70
60
50
40
30
20
10
50
50
50
50
50
50
50
50
50
Neste caso, observa-se, no que se refere a pessoas jurídicas omissas, que não
houve aprendizado, uma vez que a quantidade de registros com resultados positivos de
lançamento de ofício não foi suficiente para tal.
05.05.05
A Análise Quantitativa de Riscos
O objetivo principal dos modelos de análise propostos neste trabalho é
fornecer à equipe de seleção de contribuintes, informações necessárias para o julgamento das
ações a serem tomadas posteriormente à análise, envolvendo modificações nos projetos ou
processos relativos ao sistema analisado.
A utilização de dados numéricos de entrada, referentes às características do
sistema acaba gerando uma saída, também numérica, que pode ser definida como um índice
de risco e que pretende facilitar a compreensão dos resultados por parte do tomador de
decisão, mesmo que sem experiência prévia em análise de risco.
151
Sobre esse aspecto é interessante dar conhecimento das variáveis que o
sistema utilizado fornece, como ferramenta de análise de risco. As variáveis são as seguintes

RMS;

Variância Inexplicada; e

Coeficiente de Correlação.
O RMS (Root Mean Square), também chamado Erro padrão de Estimativa
(Standard Error of Estimate) indica o erro geral para todo o teste. É calculado pela fórmula:
RMS =
(ValorAtual − Valor Pr evisto) 2
∑
Númerode Pr evisões
onde ValorAtual é o valor que se encontra na base de dados, ValorPrevisto é
o valor encontrado pela Rede Neural durante o treinamento e NúmerodePrevisões é o valor da
quantidade de dados a serem encontrados.
O RMS pode ser calculado sobre valores normalizados, fornecendo valores
em formas de percentuais, ou não fornecendo valores na mesma unidade do campo de
previsão.
A variância Inexplicada indica qual porção dos valores testados não pode
ser explicado pelos valores previstos. É dado pela fórmula:
Variância _ In exp licada =
RMS _ não _ normalizado 2
Variância _ da _ Coluna _ Pr evisão
onde RMS_não_normalizado é dado nas mesmas unidades do campo de
previsão e Variância_da_Coluna_Previsão, é o dado estatístico de variância do campo a ser
previsto.
O coeficiente de correlação, que é um número de 0 a 1 indica o quanto as
previsões estão em acordo com os valores da base de dados. O valor 1 indica previsões
perfeitas, e o valor 0 indica que não existe relação entre as previsões e os valores fornecidos.
Sua fórmula é:
Coeficiente _ Correlação = 1 − Variância _ In exp licada
06
CONSIDERAÇÕES FINAIS
Foi mostrado na presente monografia como uma Administração Tributária,
partindo da legislação tributária e de um fluxograma geral de funcionamento do sistema
tributário, pode chegar a uma base de dados e a um controle o mais próximo possível da
integralidade.
Para que esta base de dados seja construída com agilidade e consistência, foi
visto que a Administração Tributária deverá dispor de tecnologias atuais de captação de
informações. Foi apresentado, ainda, o sucesso da experiência brasileira em que o uso de
meios informatizados de preenchimento de declarações chegou a um nível de aceitação pelos
sujeitos passivos superior a 90%.
O sucesso de ações intensivas e/ou extensivas nos sujeitos passivos
depende, como foi apresentado aqui, de um criterioso e eficiente trabalho de seleção, o qual,
se for setorial, reduzirá os riscos de uma escolha inadequada, em razão das diferenças de
comportamento e de composição patrimonial entre pessoas físicas e jurídicas de ocupação
profissional ou ramos de atividade diferentes.
Viu-se, também, que novas tecnologias de processamento de informações,
como redes neurais, sistemas especialistas e nebulosos, algoritmos genéticos, utilizadas juntas
ou isoladas, abrem possibilidades de uma seleção com menor risco.
Dependendo do tamanho e da consistência dos dados, os riscos, como foi
mostrado, podem ser avaliados qualitativamente, se forem insuficientes ou inconsistentes, ou
quantitativamente, no caso contrário. A avaliação quantitativa poderá ser feita, usando-se
também as referidas tecnologias modernas de processamento de informações.
Como exposto a seguir, os testes com redes neurais confirmaram a
viabilidade do uso dessas tecnologias na atividade de seleção de sujeitos passivos.
O Estudo de Caso Realizado
O objetivo do estudo de caso foi o de investigar o uso de Redes Neurais
Artificiais na busca de padrões que pudessem predizer comportamento de contribuintes no
trabalho de pesquisa e seleção de Administrações Tributárias, consistindo na identificação de
regularidades não-lineares presentes em banco de informações que por sua vez pudessem, de
153
maneira mais geral possível, ser aplicado como ferramenta de decisão para a maioria dos
fiscos, a despeito das diferenças conceituais e legais entre Administrações Tributárias.
A análise do resultados nos forneceu suporte suficiente para crer que o
potencial preditivo dos modelos conexionistas poderia ser utilizado com eficiência no trabalho
investigativo inerente
à seleção de contribuintes. A principal motivação no uso de tal
ferramenta foi dar uma alternativas aos modelos tradicionais que são em sua essência lineares,
na observação de fatos não-lineares.
A modelagem das Redes Neurais Artificiais mostrou-se fator importante no
sucesso da aplicação, principalmente no que tange à escolha das variáveis de entrada e ao
treinamento da mesma. A falta de um maior conhecimento das complexas relações entre os
diversos parâmetros fez com que o sucesso da aplicação fosse muito dependente de
experimentação prática. Nesse aspecto vale salientar a importância de conhecimento prévio,
tanto do domínio de aplicação, quanto da engenharia estrutural das Redes Neurais Artificiais.
Convém ainda ressaltar que o sucesso das aplicações está associado ao pré processamento dos
dados, que poderia ser feito através de ferramentas como data mining, fornecendo ainda mais
robustez ao sistema como um todo.
Conclusões
A acuidade das previsões geradas pelas redes neurais artificiais caracterizam
os modelos conexionistas como uma ferramenta alternativa para a realização de previsão, bem
como o de ferramenta de suporte à decisão. O ambiente de simulação atendeu aos propósitos
iniciais possibilitando a realização de testes com uma rápida e consistente obtenção de
resultados.
Através da aplicação da abordagem desses modelos na manipulação de
dados fiscais é possível alcançar previsões extremamente próximas dos valores observados,
tanto em termos de tendência quanto em termos de valores absolutos. Invariavelmente, as
redes neurais artificiais apresentaram desvios de menor magnitude quando comparados com
aqueles obtidos pela aplicação dos métodos de previsão convencionais considerados.
O estudo de caso serviu para alguns propósitos: primeiro validou as
informações feitas no decorrer deste trabalho no que tange à capacidade das redes neurais de
buscar padrões e fornecer previsão adequada e consistente de dados e; em segundo plano,
caracteriza as redes neurais como ferramentas apoio à decisão.
Os estudos para avaliação da preditibilidade dos modelos conexionistas
154
demonstraram a relevância do número de ciclos (ou iterações) para o algoritmo de
aprendizado backpropagation, utilizado no trabalho, em capturar os padrões de
comportamento presentes na base de dados proposta e produzindo previsões confiáveis a
partir desse banco de dados, assim como as variáveis momentum e taxa de aprendizado
empregada. Vale ainda ressaltar que, desde que a modelagem da rede neural tenha sido feita
de maneira criteriosa, com a evolução do processo de ajuste dos pesos sinápticos entre as
conexões da rede neural, a convergência para uma solução satisfatória pode ser alcançada em
um curto espaço de tempo o que pode facilitar sobremaneira o trabalho das Administrações
tributárias.
O treinamento exaustivo dos modelos de redes neurais artificiais não
implica, necessariamente, em melhora contínua das previsões obtidas. Para tempos de
treinamento mais longos, o erro verificado entre a previsão efetuada e o valor previsto tendeu
a se estabilizar em um determinado nível que parece intransponível. Naturalmente, o referido
nível de erro depende da base de dados considerada.
O modelo de rede neural artificial proposto apresentou desempenho
relativamente satisfatório durante o tempo decorrido entre o seu treinamento e a realização de
previsões das variáveis propostas sem que houvesse necessidade interferência exaustiva do
operador. A princípio, as redes neurais artificiais são capazes de manipular o problema de
instabilidade estrutural entre as observações de uma base de dados ruidosa.
Recomendações para Outros Trabalhos
A partir da realização deste trabalho foi possível identificar alguns pontos
que poderiam ser objeto de pesquisa futura :

especificação de alguma metodologia que oriente a montagem de uma banco de dados
que procure identificar as melhores variáveis para uso em pesquisa e seleção de
contribuintes pelas Administrações Tributárias, através do uso de ferramentas data
mining;

introdução de sistemas híbridos, com a adoção de algoritmos genéticos para melhorar o
desempenho da rede neural e fazer uso dos benefícios que essa tecnologia pode
proporcionar, e que gere melhores bases de dados com variáveis mais influentes neste
processo

estabelecer na abordagem conexionista algum critério para introduzir o risco associado à
previsão, combinando fatores que possam ponderar e quantificar uma medida de
155
divergência entre o valor encontrado e a realidade. Nesse aspecto é necessário que seja
gerada uma metodologia de feedback que possa realimentar o sistema fornecendo
parâmetros de controle a serem analisados.

Avaliação de outros modelos de Redes neurais Artificiais, em especial aqueles que não
apresentam problemas de gradiente em sua estrutura conceitual.

Utilização combinada de modelos conexionistas com modelos estatísticos, sendo estes os
filtros para base de dados apresentados pelas Redes Neurais Artificiais.
07
BIBLIOGRAFIA
ALMEIDA, Marcelo Cavalcanti. Auditoria- um curso moderno e completo. Volume 1. 4ª
edição). São Paulo: SARAIVA, 1994.
ALTMAN, E. Financial Ratios, Discriminant Analysis and prediction of business
Failure. Journal of Finance. Chicago: American Finance Association, 1968, p. 589-609
ALTROCK, Constantin V. Fuzzy Logic and Neuro-Fuzzy Applications in Business and
Finance, 1996, Prentice Hall; USA
BEALE, R; JACKSON, T. Neural Computing : an Introduction. Bristol: Adam Hilger,
1990.
BERRY, Michael. J. A; LINOFF, Gordon. Data Mining Techniques for Marketing Sales
and Customer Support. New York: John Wiley & Sons, 1997
BESIS, Joël. Risk magement in banking. West Sussex, England: John Wiley & Sins Inc.,
1998.
BITTENCOURT, Guilherme. Inteligência Artificial: ferramentas e teorias. 2ª Edição.
Florianópolis: Editora da UFSC, 2001
BRASIL. Ministério da Fazenda. Secretaria da Receita Federal Imposto de renda pessoa
física: perfil do declarante 1999. 2ª versão. Brasília: Secretaria da Receita Federal,
Setembro/2000. Disponível na Intenet: www. receita. fazenda. gov. br.
BRASIL. Ministério da Fazenda. Secretaria da Receita Federal Perfil do declarante da
Declaração de Informações da Pessoa Jurídica (DIPJ)- 1999. Brasília: Secretaria da
Receita Federal, 1999. Disponível na Intenet: www. receita. fazenda. gov. br.
BRASIL. Constituição da República Federativa do Brasil, de 04 de outtubro de 1988.
Atualizada até a Emenda Constitucional nº 35, de 20 de dezembro de 2001. Disponível na
Internet: http:// www. planalto. gov. br/ ccivil_01/ Constituicao/
BRASIL.. Decreto-lei nº 4.657, de 04/09/1942. Lei de Introdução ao Código Civil.
Disponível na Internet: http:// www. planalto. gov. br/ ccivil_01/ Constituicao/
BRASIL. Lei Federal nº 5.172, de 25 de outubro de 1966. Código Tributário Nacional.
Dispõe sobre o Sistema Tributário Nacional e institui normas gerais de direito tributário
aplicáveis à União, Estados e Municípios. Atualizado até a Lei Complementar nº 104, de
10.01.2001. Disponível na Internet: http:// www. planalto. gov. br/ ccivil_03/ Codigos/ quadro
_ cod.htm.
BRASIL. Lei Complementar Federal nº 95/1998. Dispõe sobre a elaboração das leis.
Disponível na Internet: http:// www. planalto. gov. br/ ccivil_03/ Codigos/ quadro _ cod.htm.
CARBONELL, J. G. Introduction: Paradigms for Machine Learning. [S.L. : s.n.], 1989.
v. 40. p. 1 - 9.
Centro Interamericano de Administradores Tributários (CIAT). Manual de Fiscalização do
CIAT: XXIII Conferência Técnica sobre Fiscalização Tributária. São Domingos, República
Dominicana. Traduzido e revisado pela CSF. Brasília, 1988.
157
Centro Interamericano de Administradores Tributários (CIAT). Manual de Administración
Tributaria del CIAT – Julho 2000. Países Bajos: Ministério das Finanças, Centro de
Conocimiento y Capacitación de la Administración de Impuestos y Aduanas Holandesa, 2000.
ELIZABETSKY, R. Um modelo matemático para a decisão no banco comercial.
(Trabalho apresentado ao Departamento de Engenharia de Produção da Escola Técnica da
USP). São Paulo: Universidade de São Paulo, 1976.
FERREIRA, Antônio Sérgio Seco. Tecnologia de La Información Aplicada a La
Administracion Tributária. 2ª Edicion, p 102-108; BID (Best Practice Paper), 2000.
FIGUEIREDO, Karla. et al. Intelligent Solutions to Energy Conservation Problems.
Disponível na Internet: http:// www .ica. ele. puc-rio .br/ publicacoes/ index.asp. Acesso em:
21/01/2002.
FREEMAN, James A; SKAPURA, David M. Neural Networks Algorithms, Applications
and Programmming Techniques. [S.L.] : Addelfon-Wefley, 1992. p. 89 - 106.
GALLEGO, A. M; GÓMEZ, J. S.; e YÁÑES, L. Modelos de predicción de quiebras en
empresas no financeiras. Actualidade Financiera, Alicante, nº 5, p. 3-13, 1997.
GIMENES, Régio Márcio Toesca Gimenes; URIBE-OPAZO, Miguel Angel. Modelos
multivariantes: para a previsão de insolvência em cooperativas agropecuárias: uma
comparação entre a análise discriminante e a análise de propabilidade condicional.
Caderno de Pesquisas em Administração. V. 08. nº 3. São Paulo:, JUL/SET 2001, p. 65-76.
HAIR JUNIOR, Joseph F, et al. Multivariate data analysis. Fifth ed. New Jersey: Pentice
hall, 1998.
HARMON, Paul. KING, David. Expert Systems: Artificial Intelligence in Business. USA:
Wiley Press Book, 1985.
HAYKIN, Simon. Redes Neurais : princípios e práticas. Trad. Paulo Martins Engel. 2.ed.
Porto Alegre: Editora Bookman, 2001.
HECHT-NIELSEN, R. Applications of Counterpropagation Networks. [S.L.] : Neural
Networks Journal, 1988. p. 131-140.
HERMIZ, Keith B. (Ph.D). Critical success factors for data mining projects. DM Review,
Fevereiro 1999. Disponível na Internet: http:// www. dmreview. com. Acesso em:
10/03/2002.
HOUAISS, Antônio e VILLAR, Mauro de Salles.
Portuguesa. Rio de Janeiro: Objetiva, 2001.
Dicionário Houaiss da Língua
IUDÍCIBUS, Sérgio de. Análise de balanços. 5ª Edição. São Paulo: ATLAS, 1988.
JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis.
Englenwood Cliffs, N.J.: Prentice-hall, 1988. 593 p.
JORION, Philippe. Value at risk: a nova fonte de referência para o controle de risco de
mercado. São Paulo: BMF, 1998.
KAISER, H. F. The varimax criterion for analytic rotation in factor analysis.
Psychometrika, Colorado Springs: Psychometric Society, nº 23, p. 187-200, 1958.
KANDEL, Abraham. Fuzzy Expert Systems. CRC Press, Boca Raton Ann Arbor London
Tokyo, 1996.
KANITZ, S. C. Como prever falências. São Paulo: McGraw-Hill do Brasil, 1978.
158
KASUBA, Tom. “Simplified Fuzzy ARTMAP”, In: AI Expert, p.18-25, Nov. 1993
KAYO, Eduardo Kazuo; SECURATO, José Roberto. Método Delphi: fundamentos,
críticas e vieses. Caderno de Pesquisas em Administração. São Paulo: v. 01. Nº 4, 1º
Sem./1997, p. 51-61.
KLEIN, Michel. METHLIE, Leif B.: Expert Systems: A Decision Support Approach.
USA, Addisson-Wesley Publishing Company Inc, 1990.
KOPITTKE, B. H., DETTMER, A. L. e GARTNER, I. R. Um sistema de apoio à decisão
estratégica baseado em inferência probabilística. VII Congresso Nacional de Investigação
Operacional, Aveiro, Portugal, 1996.
KOSKO, Bart. Neural Networks and Fuzzy Systems: A Dinamical System Approach to
Machine Intelligence. USA: University of Southern California, Prentice Hall, 1992.
LEVINE, Robert I, DRANG, Diane E., EDELSON, Barry.
Sistemas Especialistas. São Paulo, McGraw-Hill, 1988.
Inteligência Artificial e
Modelos multivariantes de previsión del fracaso
LIZZARRAGA DALLO, F.
empresarial: una aplicación a la realidad de la información contable Española. Tese de
Doutorado. Pamplona: Universidade Pública de Navarra, 1996
MARDIA, K. V.; KENT, J. T. e BIBBLY, J. M. Multivariate analysis. New York:
Academic Press, 1979. 518 p.
MÁSSON, Egill; WANG, Yih-Jeou. Introduction to Computation and Learning in
Artificial Neural Networks. European Journal of Operational Research, North-Holand , 47,
1990. p. 1 - 28.
MATIAS, A. B. Contribuição às técnicas de análise financeira: um modelo de concessão
de crédito. Trabalho apresentado ao Departamento de Administração da faculdade de
Economia e Administração da USP). São Paulo: Universidade de São paulo, 1978.
MEYER, C.-H. e RÖDDER, W. Probabilistic knowledge representation and reasoning at
maximum entropy by SPIRIT. 20th. Annual German Conference on Artificial Intelligence,
Dresden, Germany, 1996.
MONTORO, André Franco. Introdução à Ciência do Direito. 24ª Edição. São Paulo:
Revista dos Tribunais, 2000.
MUELLER, Alessandro Uma Aplicação De Redes Neurais Artificiais Na Previsão Do
Mercado Acionário. Dissertação de Mestrado. Florianópolis: UFSC, Julho/1996.
NUNES, Luiz Antônio. Manual de Introdução ao Estudo do Direito. São Paulo: Saraiva,
1996.
PACHECO, Marco Aurélio Cavalcanti. Algoritmos genéticos: princípios e aplicaciones.
Traducción al español de Alberto Iriarte. Rio de Janeiro: PUC. Disponível na Internet: http://
www. ica. ele. puc-rio. br/ publicacoes/ index.asp. Acesso em: 22/01/2002.
PATTERSON, Dan W. Introduction to Artificial Intelligence and Expert Systems. USA:
Prentice Hall, 1990.
RAO, C. R. Linear Statistical Inference and its applications. 2ª ed. New York: john
Wiley and Sons, 1973.
RICH, Elaine, KNIGTH, Kevin. Inteligência Artificial. 2a. ed. São Paulo: Makron
Books,1993
159
RICH, Elaine. Inteligência Artificial. São Paulo: MacGraw-Hill, 1988.
RÖDDER, W., KOPITTKE, B. e KULMANN, F. Sistemas especialistas probabilísticos.
Texto para o ensino à distância feito em cooperação com a Fern Universität Hagen, 1996.
SANDRI, Sandra; CORREA, Cláudio. Lógica Nebulosa. V Escola de Redes Neurais.
Promoção: Conselho Nacional de Redes Neurais. São José dos Campos/SP: ITA, 19 de
julho, 1999, pp. c073-c090
SECURATO, José Roberto. Decisões financeiras em condições de risco. São Paulo: Atlas,
1993
SELHORST. Mário; ANDRADE, Lucimara; LOPEZ, Oscar Ciro. Produtos de cerâmica
vermelha usando sistemas especialistas. Brasil: ANPAD, 2000.
SILVA, J. P. Análise financeira das empresas. 3ª ed. São Paulo: Atlas, 1996. 482p.
SOUZA, Arlindo Antônio de Souza. Gerenciamento, avaliação e quantificação do risco de
projetos. Caderno de Pesquisas em Administração, v.2, n 5, 2º semestre/1997.
TATIBANA, Cássia Yuri; KAETSU, Deise Yuki. Uma introdução às Redes Neurais.
Disponível na Internet: http:// www. din. uem. br/ia/neurais. 1996. Acesso em 10/03/2002
VELLASCO, Marley Maria B. R. Lógica Nebulosa. Rio de Janeiro: PUC/ICA-Núcleo de
Pesquisa em Inteligência Computacional Aplicada, 1999.
VIEIRA, Vicente, et al. Sistemas inteligentes: aplicações a recursos hídricos e sistemas
ambientais. Organizado por Carlos de Oliveira Galvão e Mêuser Jorge Silva Valença. Porto
Alegre: Ed. UFRGS, 1999
WASSERMAN, Philip D. Neural Computing: Theory and Practice. New York: Van
Nostrand Reinhold, 1989.
WRIGHT, James Terence Coulter; GIOVINAZZO, Renata Alves. Delphi: uma ferramenta
de apoio ao planejamento prospectivo. Caderno de Pesquisas em Administração. São
Paulo: v. 01. Nº 12, 2º trim./2000, p. 54-65.
ZADEH, Lotfi A. Fuzzy Sets. Information and Control, v. 8, nº 1, (1965), p. 338-353.