Control integral y selección de contribuyentes en el ámbito
Transcrição
Control integral y selección de contribuyentes en el ámbito
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 Requisitos p/exclusão Sim Homologação LANÇAMENTO DE OFÍCIO Omissão/Inexatidão Não CRÉDITO COBRADO CRÉDITO EXCLUÍDO Pagamento Indevido Sim Requisitos p/suspensão Requisitos p/suspensão Sim CRÉDITO SUSPENSO Não CRÉDITO COBRADO Sim CRÉDITO SUSPENSO Não CRÉDITO COBRADO Requisitos p/extinção 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 Estados e Distrito Federal Municípios Municípios União União Estados e Distrito Federal 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 Estados e Distrito Federal 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 Contribuições de Melhoria 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 Contribuições de Melhoria 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 XXXXXXXXXXXXXXXXXXXXXXX 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. NÚMERO DENOMINAÇÃO OUTROS DADOS MOTIVO ATUALIZAÇÃO 0000001 XXXXXXXXXXXXXXXXXXXXXXX 101 01/03/99 Nome 0000001 33 NÚMERO DENOMINAÇÃO OUTROS DADOS MOTIVO ATUALIZAÇÃO 0000002 0000003 XXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXX 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 XXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXX 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 importante para controlar a evolução dos valores lançados nas contestações administrativas e judiciais. 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 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 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 19990302000010002 XXXXXXXXXXXX 00001 09899 Dados dos Sujeitos Passivos Enumerados: Nº PROTOCOLO Código Remetente 1999030200001 1999030200001 OFÍCIO Dados dos Remetentes: Nº PROTOCOLO Código Remetente 23/03/99 Nome Nº Nº Cadastral Dossiê 19990302000010001 XXXXXXXXXXXX 19990302000010002 XXXXXXXXXXXX 00001 09899 RESUMO 00001001 09899001 Indícios Apontados Nº PROTOCOLO Código Remetente 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 DE OFÍCIO 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 Tipo de Informação 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 Tipo de Informação 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 Tipo de Informação 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 Requisitos p/exclusão Não CRÉDITO EXCLUÍDO Não Não Requisitos p/exclusão Sim Homologação LANÇAMENTO DE OFÍCIO Omissão/Inexatidão Não CRÉDITO COBRADO CRÉDITO EXCLUÍDO Pagamento Indevido Sim Requisitos p/suspensão Requisitos p/suspensão Sim CRÉDITO SUSPENSO Não CRÉDITO COBRADO EXECUÇÃO DO CRÉDITO Não CRÉDITO COBRADO Requisitos p/extinção Requisitos p/extinção 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 Técnicas de 5ª geração 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 Técnicas de 6ª geração 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 AtivoCirculante-PassivoCirculante 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 AtivoCirculante-PassivoCirculante 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= PassivoCirculante+PassivoExigívelLongoPrazo 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 PassivoCirculante+PassivoExigívelLongoPrazo 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. PassivoCirculante+PassivoExigívelLongoPrazo PatrimônioLíquido COMPOSIÇÃO DO ENDIVIDAMENTO= PassivoCirculante PassivoCirculante+PassivoExigívelLongoPrazo 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 AtivoCirculante-PassivoCirculante 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 AtivoCirculante-PassivoCirculante 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 Data de início do período de apuração 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 03 FormaDeTributação 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 Forma de tributação: lucro real, lucro presumido/arbitrado, microempresa/empresa de pequeno porte Data de início do período de apuração Data de início do período de apuração Receita Bruta Compras (Mercadorias/Serviços e Ativo Permanente) Outras receitas IRPJ sobre lucro presumido Capital registrado Base de Cálculo do PIS (Programa de Integração Social) PIS devido PIS recolhido Base de Cálculo da COFINS (Contribuição para Financiamento da Seguridade Social COFINS devida COFINS recolhida Base de Cálculo da CSLL (Contribuição Social sobre o Lucro Líquido) CSLL devida CSLL Recolhida Base de Cálculo do IRPJ IRPJ devido IRPJ recolhido Base de Cálculo do SIMPLES (Sistema Integrados de Pagamento SIMPLES devido SIMPLES recolhido Operações de vendas de mercadorias/serviços a terceiros Operações de compras de mercadorias/serviços de terceiros Motivo da seleção (1-Inadimplência; 2- 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 03 FormaDeTributação 04 05 06 07 08 09 10 11 12 DataInícioApuração DataFimApuração ReceitaBrutaME ComprasME IRPJLPME PisBas PisDev PisRec CofBas Ano de apuração Ramo de atividade Forma de tributação: lucro real, lucro presumido/arbitrado, microempresa/empresa de pequeno porte Data de início do período de apuração Data de início do período de apuração Receita Bruta Compras IRPJ sobre lucro presumido Base de Cálculo do PIS (Programa de Integração Social) PIS devido PIS recolhido Base de Cálculo da COFINS (Contribuição para Financiamento da 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 Base de Cálculo da CSLL (Contribuição Social sobre o Lucro Líquido) CSLL devida CSLL Recolhida Base de Cálculo do IRPJ IRPJ devido IRPJ recolhido Base de Cálculo do SIMPLES (Sistema Integrados de Pagamento SIMPLES devido SIMPLES recolhido Operações de vendas de mercadorias/serviços a terceiros Operações de compras de mercadorias/serviços de terceiros Motivo da seleção (1-Inadimplência; 2- 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 DataInícioApuração DataFimApuração PisRec CofRec CslRec IrjArr SimArr Vendas Aquisições MotivoDaSeleção Ano de apuração Ramo de atividade Data de início do período de apuração Data de início do período de apuração PIS recolhido COFINS recolhida CSLL Recolhida IRPJ recolhido SIMPLES recolhido Operações de vendas de mercadorias/serviços a terceiros Operações de compras de mercadorias/serviços de terceiros Motivo da seleção (1-Inadimplência; 2- 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.