Forecast of Compliance with the Fiscal Responsibility Law of the Municipalities of Mato Grosso:
A Random Forest Application
Keywords:
Fiscal Responsibility Law; Fiscal Compliance; Machine Learning; Random Forest; Public Management.Abstract
Abstract: This article investigates the application of the Random Forest technique to forecast compliance with the Fiscal Responsibility Law (LRF) in municipalities in Mato Grosso. The research evaluates the importance of financial and fiscal variables in the forecast and compares the performance of the Random Forest model with other machine learning methods. The study discusses the implications of the results for public management and fiscal compliance.
References
BACEN. Banco Central do Brasil. [S.l.: s.n.], [2023?]. Disponível em: https://www.bcb.gov.br/. Acesso em: 15 jan. 2023.
BRASIL. Lei Complementar nº 101, de 4 de maio de 2000. Estabelece normas de finanças públicas voltadas para a responsabilidade na gestão fiscal e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 5 maio 2000. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/lcp/lcp101.htm. Acesso em: 10 jan. 2023.
FAVERSHAM, P. ROC curves and area under the curve: analysis and interpretation. Journal of Statistical Software, v. 16, n. 1, p. 1-8, 2006.
GOMES, A. A.; SANTOS, J. F.; CARVALHO, M. M. Análise da conformidade fiscal dos municípios brasileiros: uma aplicação de modelos preditivos. Revista Brasileira de Finanças, v. 16, n. 3, p. 345-362, 2018.
IBGE. Instituto Brasileiro de Geografia e Estatística. [S.l.: s.n.], [2023?]. Disponível em: https://www.ibge.gov.br/. Acesso em: 15 jan. 2023.
IGLEWICZ, B.; HOAGLIN, D. C. How to detect and handle outliers. New York: Wiley, 1993.
JOLLIFFE, I. T. Principal component analysis. 2. ed. New York: Springer, 2002.
KOHAVI, R. A study of cross-validation and bootstrap for accuracy estimation and model selection. In: INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE – IJCAI, 1995, Montreal. Proceedings... Montreal: IJCAI, 1995. p. 1137-1143.
MARTINS, E. A.; ALMEIDA, L. C.; OLIVEIRA, M. R. Gestão fiscal e a Lei de Responsabilidade Fiscal: desafios e perspectivas. Revista de Administração Pública, v. 49, n. 2, p. 221-240, 2015.
SCIKIT-LEARN. MinMax Scaler. [S.l.: s.n.], [2023?]. Disponível em: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html. Acesso em: 1 maio 2023.
SCIKIT-LEARN. Standard Scaler. [S.l.: s.n.], [2023?]. Disponível em: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html. Acesso em: 1 maio 2023.
SCIKIT-OPTIMIZE. Bayesian optimization. [S.l.: s.n.], [2023?]. Disponível em: https://scikit-optimize.github.io/stable/. Acesso em: 1 maio 2023.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Portugues
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
A Revista Brasileira em Tecnologia da Informação utiliza a licença do Creative Commons (CC), preservando assim, a integridade dos artigos em ambiente de acesso aberto.
