Previsão do IVA para grandes contribuintes, utilizando um modelo linear estacionário
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
No Equador, a cobrança fiscal do IVA suportado excede 50% da cobrança total de impostos, sendo os grandes contribuintes responsáveis pela maior parte da cobrança de impostos por sector, pelo que a modelação e previsão da evolução da variável fiscal é relevante para o planeamento do orçamento do Estado. Esta investigação tem como objetivo modelar a cobrança fiscal do IVA suportado pelos grandes contribuintes no período 2011-2023 através de modelos lineares estacionários, como os processos ARIMA e SARIMA, utilizando a metodologia Box-Jenkins e critérios informacionais para a estimação e validação do modelo; além disso, prever a evolução da variável fiscal para 2024. Uma vez identificado o modelo adequado com um ajuste praticamente perfeito, sendo este um SARIMA (1,1,1)×(1,0,1)_12, a previsão para 2024 indica que a receita fiscal aumentará 4,73% em relação a 2023 no mês de dezembro, considerando algumas causas possíveis deste comportamento. Em 2024, mantém-se uma espécie de ciclo de cobrança fiscal com picos no último mês, enquanto a atividade abranda nos restantes. Uma limitação desta investigação é a falta de consideração dos efeitos GARCH e das variáveis de controlo no âmbito da estimação, pelo que se recomenda que investigações futuras considerem estas directrizes.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalhes do artigo
Seção
Como Citar
Referências
Amaya González, A. S. (2014). La recaudación tributaria en el Ecuador: Análisis de series de tiempo con cambios de régimen (1993-2011) [Tesis doctoral, Escuela Politécnica Nacional]. https://surl.li/iyychp.
Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control (1st ed.). Holden-Day.
Büyük?ahin, Ü. Ç., & Ertekin, ?. (2019). Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition. Neurocomputing, 361,151–163. https://doi.org/10.1016/j.neucom.2019.05.099. DOI: https://doi.org/10.1016/j.neucom.2019.05.099
Comisión Económica para América Latina y el Caribe (CEPAL). (2009). Crisis, volatilidad, ciclo y política fiscal en América Latina. Naciones Unidas. https://surl.li/tnklre.
EC 2008. Constitución de la República del Ecuador. Registro Oficial 449, 20 de octubre. https://n9.cl/hd0q.
EC 2018. Código Tributario. Registro Oficial Suplemento 38, 21 de agosto. https://n9.cl/h59fu.
Galán, A. (2014). Modelo ARIMA aplicado al tipo de cambio peso-dólar en el periodo 2016-2017 mediante ventanas temporales deslizantes. Contaduría y Administración, 59(3), 331-357. https://doi.org/10.21919/remef.v15i3.466. DOI: https://doi.org/10.21919/remef.v15i3.466
Gómez Ponce, L. (2020). Ingresos por recaudación tributaria fueron menores durante la emergencia. Observatorio de Gasto Público, Fundación Ciudadanía y Desarrollo. https://n9.cl/9k6oq.
Gómez, V., & Maravall, A. (1994). Estimation, Prediction and Interpolation for Nonstationary Series with the Kalman Filter. Journal of the American Statistical Association, 89(426), 611-624. https://doi.org/10.2307/2290864. DOI: https://doi.org/10.1080/01621459.1994.10476786
Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill/Irwin. https://surl.li/vnpbqn.
Jenkins, G. P., Kuo, C.-Y., & Shukla, G. P. (2000). Tax analysis and revenue forecasting: Issues and techniques. Harvard Institute for International Development. https://surl.li/fhtmmq.
Johnston, J., & DiNardo, J. (1996). Econometric methods (4th ed.). McGraw-Hill. https://n9.cl/cwe2jw.
Koehler, A. B., & Murphree, E. S. (1988). A comparison of the Akaike and Schwarz criteria for selecting model order. Journal of the Royal Statistical Society. Series C, Applied Statistics, 37(2), 187. https://doi.org/10.2307/2347338. DOI: https://doi.org/10.2307/2347338
Kumar, Manoj & Anand, Madhu. (2014). An Application Of Time Series Arima Forecasting Model For Predicting Sugarcane Production In India. Studies in Business and Economics. 9. 81 - 94. https://n9.cl/6ltbt.
Luchko, M., Drozd, I., Plutytska, K., Ruska, R., & Vovk, I. (2021). Analysis and modelling of value added tax revenues on imports: Some issues of application in Ukraine. International Journal of Production Management and Engineering, 9(1), 37. https://doi.org/10.4995/ijpme.2021.13984. DOI: https://doi.org/10.4995/ijpme.2021.13984
Mahadeva, L., & Robinson, P. (2004). Unit root testing to help model building. In A. Blake & G. Hammond (Eds.), Handbooks in central banking (Chap. 22). Centre for Central Banking Studies, Bank of England.
Makananisa, Mangalani P. (2015) Forecasting annual tax revenue of the South African taxes using time series Holt-Winters and ARIMA/SARIMA Models, University of South Africa, Pretoria, http://hdl.handle.net/10500/19903.
Martin-Mayoral, F. R. (2002). Los factores determinantes de la recaudación tributaria. Revista del XVI Seminario Nacional de la ASAP, 2-6. https://n9.cl/wpphz.
Martin-Mayoral, Fernando R. «Los factores determinantes de la recaudación tributaria.» Revista del XVI Seminario Nacional de la ASAP, Septiembre 2002: 2-6.
Mauricio, J. A. (2007). Introducción al análisis de series temporales. Universidad Complutense de Madrid. https://n9.cl/famvvl.
Meyler, A., Kenny, G., & Quinn, T. (1998). Forecasting Irish inflation using ARIMA models. Central Bank and Financial Services Authority of Ireland Technical Paper Series, 3/RT/98, 1-48. https://n9.cl/m0suk.
Pincheira Brown, P., & García Marín, Á. (2009). En búsqueda de un buen benchmark predictivo para la inflación. Documentos de Trabajo del Banco Central de Chile, (514). Banco Central de Chile. https://n9.cl/ldn7w3.
Pindyck, R. S., & Rubinfeld, D. L. (1997). Econometric models and economic forecasts (4th ed.). McGraw-Hill.
Santos, M., & Pacheco Feria, U. (2018). Pronóstico del comportamiento de los precios del petróleo empleando los modelos ARIMA. Anuario Facultad de Ciencias Económicas y Empresariales de la Universidad de Oriente, 9, 19-34. https://n9.cl/dqd16.
Stiglitz, J. E. (2003). La Economia del Sector Publico. Antoni Bosch Editor. https://n9.cl/n95uo.
Stock, J. H., y Watson, M. W. (2012). Introducción a la Econometría (3ra. ed.). Pearson. https://n9.cl/vc7jgm.
Tang, L., Chen, J., & Zhao, J. (2019). A hybrid ARIMA and SVM model for stock price prediction. https://doi.org/10.48550/arXiv.1903.12012.
Urrutia, Jackie & Mingo, Francis & Balmaceda, Ciandreu Noah. (2015). Forecasting Income Tax Revenue of the Philippines Using Autoregressive Integrated Moving Average (Arima) Modeling: a Time Series Analysis. American Research Throughts. DOI:10.6084/M9.FIGSHARE.1469539.
Wa Nkongolo, S. (2024). Forecasting mobile data consumption using ARIMA models: A comparative analysis with deep learning techniques. https://doi.org/10.3390/eng4010006. DOI: https://doi.org/10.3390/eng4010006
Wooldridge, J. M. (2009). Introductory Econometrics: A Modern Approach (4th ed.). South Western Cengage Learning.
Yu, W. (2023). Stock market forecasting using ARIMA and spline interpolation methods.