A Predictive Model to Detect Property Taxpayer Non-Compliance and Estimate Property Tax Liabilities in Rwanda Using Supervised Machine Learning
Este estudo demonstra que uma estrutura de aprendizado de máquina supervisionada baseada em XGBoost, treinada em mais de um milhão de registros da Autoridade Tributária de Ruanda, detecta efetivamente a não conformidade do imposto predial e estima passivos, permitindo uma estratégia de auditoria baseada em risco que poderia recuperar 80% dos impostos não pagos ao visar os 20% superiores de contribuintes de alto risco.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Em muitas partes do mundo, a cobrança de impostos sobre edifícios e terrenos é uma tarefa difícil. Os governos precisam desse dinheiro para construir estradas, escolas e hospitais, mas o sistema frequentemente depende das pessoas dizerem a verdade sobre o valor de suas propriedades. Quando os proprietários declaram um valor muito baixo, o governo perde receita, e os contribuintes honestos acabam pagando mais do que a sua parte justa. Para corrigir isso, os fiscais de impostos tradicionalmente confiaram em verificações manuais, onde auditores visitam fisicamente as propriedades ou revisam arquivos de papel um por um. No entanto, à medida que as cidades crescem e o número de edifícios aumenta, essa antiga forma de trabalhar torna-se demasiado lenta e dispendiosa para acompanhar o ritmo. Nos últimos anos, especialistas começaram a explorar se os computadores podem aprender com registos passados para detetar padrões que os humanos poderiam perder, ajudando os funcionários a decidir quem verificar primeiro sem a necessidade de analisar cada um dos ficheiros.
Este é o desafio que investigadores da Universidade de Ruanda se propuseram a resolver. Eles queriam saber se um computador poderia analisar os vastos registos detidos pela Autoridade Tributária de Ruanda e determinar duas coisas: primeiro, quais os proprietários de imóveis que provavelmente não estão a pagar o montante correto de impostos e, segundo, qual deveria ser o montante correto. A equipa reuniu um conjunto massivo de dados contendo informações sobre mais de um milhão de proprietários de imóveis. Estes dados incluíam detalhes sobre os edifícios, há quanto tempo os proprietários estavam registados, quanto deviam, o que tinham efetivamente pago e quaisquer penalidades ou juros que tivessem acumulado. Em vez de adivinhar, os investigadores ensinaram três tipos diferentes de programas de computador a aprender com este histórico. Eles testaram quão bem estes programas conseguiam prever quem era não cumpridor e quão precisamente conseguiam estimar a fatura fiscal real de uma propriedade.
Os investigadores descobriram que um tipo específico de programa de computador, conhecido como XGBoost, foi muito melhor no trabalho do que os outros. Este programa é concebido para aprender através da construção de muitos pequenos passos de decisão e da combinação destes para fazer uma previsão final. Quando testado em dados de 2024 que o computador nunca tinha visto antes, este modelo identificou corretamente contribuintes não cumpridores cerca de 88 por cento das vezes. Também foi muito bom a estimar a responsabilidade fiscal correta, com as suas previsões sendo muito mais próximas dos números reais do que as feitas pelos outros modelos. O estudo revelou que as pistas mais importantes para detetar problemas não eram sempre sobre o edifício em si, como o seu tamanho ou localização. Em vez disso, o computador aprendeu que o próprio comportamento do contribuinte era o sinal mais forte. Fatores como a rácio entre o que pagaram versus o que deviam, quanto deviam em penalidades e há quanto tempo estavam registados foram os melhores indicadores de se alguém seria provavelmente não cumpridor.
O verdadeiro poder desta descoberta reside em como ela poderia mudar a forma como as auditorias fiscais são conduzidas. Os investigadores realizaram uma simulação para ver o que aconteceria se os funcionários utilizassem estas previsões de computador para decidir quem investigar. Numa abordagem tradicional, se os funcionários escolhessem contribuintes aleatoriamente para auditar, recuperariam apenas cerca de 20 por cento do dinheiro não pago que estavam à procura. No entanto, quando utilizaram o computador para classificar os contribuintes por risco e focaram os seus esforços nos 20 por cento de potenciais infratores mais prováveis, a simulação mostrou que poderiam recuperar aproximadamente 80 por cento dos passivos não pagos. Isto sugere que, ao utilizar dados para guiar o seu trabalho, as autoridades fiscais poderiam encontrar a vasta maioria da receita em falta enquanto gastam muito menos tempo e dinheiro em auditorias.
O estudo conclui que esta abordagem oferece um caminho prático para Ruanda e outros países que enfrentam desafios semelhantes. Ao integrar estas ferramentas preditivas no seu trabalho diário, os administradores fiscais poderiam afastar-se de verificações aleatórias e mover-se para um sistema onde os recursos são direcionados exatamente para onde são mais necessários. Os investigadores enfatizam que, embora o modelo de computador seja poderoso, ele deve ser usado como uma ferramenta para apoiar a tomada de decisão humana, e não para a substituir inteiramente. Eles recomendam que a Autoridade Tributária de Ruanda adote este sistema baseado no risco, enquanto continua a melhorar a qualidade dos seus dados e a garantir que o processo permaneça justo. Este trabalho demonstra que, mesmo num ambiente de recursos limitados, o uso inteligente dos registos existentes pode levar a um sistema fiscal mais eficiente e equitativo.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.