Qualidade de Gasto e Otimização de Recursos Públicos
Autores
Nome
1 - Daniel Vitor Tartari Garruti UNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU) - Santa Mônica
2 - Flavio Luiz de Moraes Barboza UNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU) - Faculdade de Gestão e Negócios
3 - Josedilton UNIVERSIDADE FEDERAL DA PARAÍBA (UFPB) - DFC
Reumo
A Condição Fiscal de um município pode ser avaliada pela análise da suficiência das receitas para cobrir as despesas, o que pode impactar diretamente a Condição Financeira Governamental, a qual engloba também a prestação de serviços essenciais à população.
A previsão de estresse fiscal em municípios desempenha um papel crucial na gestão pública. Este estudo tem como objetivo utilizar a técnica Random Forest para prever o estresse fiscal em municípios de Minas Gerais, entre os anos de 2016 a 2020.
Não encontram-se estudos que realizaram a previsão de estresse fiscal em municípios brasileiros, assim como a utilização de Inteligência Artificial no tema da Condição Financeira governamental, desta maneira, o modelo adotado é baseado no trabalho de Trussel e Patrick (2018), adaptado ao contexto brasileiro e incluindo fatores propostos por Groves et al. (1981) e Groves e Valente (2003).
Foram utilizados os dados do Sistema de Informações Contábeis e Fiscais do Setor Público Brasileiro (SICONFI) para a coleta de dados e a técnica Random Forest para a previsão. Além disso, analisou-se os resultados após pontos de cortes na amostra de acordo com a probabilidade do município sofrer ou não o problema investigado.
O modelo alcança uma acurácia média de 68,2%, e com a definição de 5 pontos de corte entre 55% e 75%, obteve-se uma taxa de acertos de até 85%. Os resultados variaram ao longo dos períodos analisados, com maior relevância das variáveis relacionadas à liquidez corroborando com os achados de Iacuzzi (2022) e menor importância das organizacionais e ambientais, contradizendo Groves et al. (1981) e Groves e Valente (2003).
De maneira geral, o modelo foi mais eficaz na previsão de estresse fiscal do que na ausência do fenômeno. No entanto tais resultados variaram ao longo dos anos.
ANTULOV-FANTULIN, Nino; LAGRAVINESE, Raffaele; RESCE, Giuliano. Predicting bankruptcy of local government: A machine learning approach. Journal of Economic Behavior & Organization, v. 183, p. 681-699, 2021.
GROVES, Sanford M.; GODSEY, W. Maureen; SHULMAN, Martha A. Financial indicators for local government. Public Budgeting & Finance, v. 1, n. 2, p. 5-19, 1981.
TRUSSEL, John M.; PATRICK, Patricia A. Assessing and ranking the financial risk of municipal governments: The case of Pennsylvania. Journal of Applied Accounting Research, 2018.