2.2. İngiltere
2.2.4. İngiliz parlamenter sisteminde yürütme
A seguir, adota-se a especificação ARIMA (1,1,1) e ARIMA (1,1,2) e verifica se o modelo se ajusta bem aos dados. As estimações do modelo encontra- se na tabela 6 e 7 do Anexo.
Vale salientar que a descrição de uma série de tempo através de um ARIMA está baseada somente sobre o passado da sua própria variável para fins de previsões, ou seja, não é baseado em nenhuma teoria econômica, portanto, seus coeficientes não são interpretados. Assim, nosso objetivo, é verificar a adequação do modelo como um todo, e se este descreve bem os dados e finalmente, se este produz boas previsões.
6.4 Verificação de Diagnóstico
A tabela 5 apresenta o teste Breusch Godfrey de auto correlação serial nos resíduos que tem como hipótese nula ausência de auto correlação. Como os p- valores do teste está acima de 0,4, ou seja, bem maiores que o nível de significância de 10% não podemos rejeitar a hipótese nula, ou seja aceita-se da hipótese-nula de ausência de auto correlação serial entre os resíduos da regressão. Isso significa que os resíduos do modelo seguem um ruído branco, pois como pode ser observado no gráfico 15 e 16, a série dos resíduos se mantiveram sempre dentro do intervalo de confiança, a não ser pelo período do REFIS, que representa um forte outlier da série para os meses de setembro e outubro de 2010.
Tabela 05 -Teste LM de Correlação serial de Breusch-Godfrey com duas defasagensARIMA (1,1,1) Estatística F 0.703898 Probabilidade 0.4984 Obs*R-Quadrado 1.449313 Probabilidade 0.4845 ARIMA (1,1,2) Estatística F 0.819708 Probabilidade 0.4451 Obs*R-Quadradp 1.523922 Probabilidade 0.4568
Fonte: Elaborado pelo próprio autor
Gráfico 10 – Série dos Resíduos do ARMA (1,1,1)
Fonte: Elaborado pelo próprio autor com base nos dados da Sefaz CE.
Gráfico 11 – Série dos Resíduos do ARMA (1,1,2)
Fonte: Elaborado pelo próprio autor com base nos dados da Sefaz CE.
-3,000,000 -2,000,000 -1,000,000 0 1,000,000 2,000,000 3,000,000 -4,000,000 -2,000,000 0 2,000,000 4,000,000
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2006 2007 2008 2009 2010 2011
Residual Actual Fitted
-3,000,000 -2,000,000 -1,000,000 0 1,000,000 2,000,000 3,000,000 -4,000,000 -2,000,000 0 2,000,000 4,000,000
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2006 2007 2008 2009 2010 2011
6.5. Previsão
As previsões podem ser de dois tipos: ex-ante e ex-post. A previsão ex- ante é feita para calcular valores futuros, de curto prazo, da variável em estudo. Por outro lado, a previsão ex-post é realizada para gerar valores dentro do período amostral. Quanto melhor forem essas últimas, mais eficiente será o modelo estimado.
Por fim, para analisar a qualidade da previsão deve-se ater ao erro quadrado médio (EQM) da previsão. Esse é igual à média do quadrado da diferença entre cada valor previsto ex-post e o valor real observado na amostra. Ele é uma medida formal da qualidade das previsões ex-post. Portanto, quanto menor o EQM melhor será o grau de ajustamento do modelo aos dados da série temporal.
Gráfico 12 – Valores previstos para a série dos Autos Pagos ARIMA (1,1,1)
Fonte: Elaborado pelo próprio autor com base nos dados da Sefaz CE.
1,000,000 2,000,000 3,000,000 4,000,000 5,000,000 6,000,000 7,000,000 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 2011 AUTOS_ARMA11F ± 2 S.E. Forecast: AUTOS_ARMA11F Actual: AUTOS_PAGOS Forecast sample: 2011M01 2011M12 Included observations: 12
Root Mean Squared Error 1281784. Mean Absolute Error 1072885. Mean Abs. Percent Error 30.08121 Theil Inequality Coefficient 0.155895 Bias Proportion 0.028514 Variance Proportion 0.851466 Covariance Proportion 0.120021
Gráfico 13 – Valores previstos para a série dos Autos Pagos ARIMA (1,1,2)
Fonte: Elaborado pelo próprio autor com base nos dados da Sefaz CE.
Dos gráficos 16 e 17 observa-se que o modelo ARIMA (1,1,1) apresentou o menor EQM se ajustou melhor em relação aos dados dos autos de infrações pagos total. Dessa forma, podemos utilizá-lo para realizar previsões da variável Total de Autos Pagos dentro da amostra.
Os gráficos19 e 20 mostram o comportamento previsto para a série de Autos Pagos, incluindo a previsão para todo o ano de 2011, conforme pode ser observado nesses gráficos. O modelo ARIMA (1,1,1) apresentou uma melhor adequação aos dados observados.
Gráfico 149 – Gráfico da Série Real contra a Prevista pelo ARIMA (1,1,1)
Fonte: Elaborado pelo próprio autor com base nos dados da Sefaz CE.
0 1,000,000 2,000,000 3,000,000 4,000,000 5,000,000 6,000,000 7,000,000 8,000,000 9,000,000 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 2011 AUTOS_ARMA12F ± 2 S.E. Forecast: AUTOS_ARMA12F Actual: AUTOS_PAGOS Forecast sample: 2011M01 2011M12 Included observations: 12
Root Mean Squared Error 1500225. Mean Absolute Error 1338085. Mean Abs. Percent Error 40.48022 Theil Inequality Coefficient 0.171644 Bias Proportion 0.241306 Variance Proportion 0.742668 Covariance Proportion 0.016026 0 1,000,000 2,000,000 3,000,000 4,000,000 5,000,000 6,000,000 7,000,000 8,000,000
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2006 2007 2008 2009 2010 2011
AUTOS_ARMA11F AUTOS_ARMA11H AUTOS_PAGOS
Gráfico 20 – Gráfico da Série Real contra a Prevista pelo ARIMA(1,1,2)
Fonte: Elaborado pelo próprio autor com base nos dados da Sefaz CE.
0 1,000,000 2,000,000 3,000,000 4,000,000 5,000,000 6,000,000 7,000,000 8,000,000
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2006 2007 2008 2009 2010 2011
AUTOS_ARMA12F AUTOS_ARMA12H AUTOS_PAGOS
6. CONCLUSÃO
Este trabalho abordou o problema da sonegação fiscal e as recentes teorias acerca desse fenômeno. Não há de negar a importância do recolhimento do ICMS para a economia dos estados, no Ceará este valor representa 94% da receita derivada de tributos líquida. Devido a importância desse tributo e ao alto índice de sonegação faz-se necessário estudos mais aprofundados a respeito do tema.
A cobrança imposta na recuperação de receitas tributárias feita de ofício pelo agente do Estado torna-se muito importante no processo de arrecadação porque busca estabilizar de forma plena a receitas derivadas do ICMS. Por outro lado, o Estado busca demonstrar que a responsabilidade social não é só dele e sim da sociedade como um todo (consumidores, Industriais, comerciantes e prestadores de serviços), pois estes colaboram de uma forma justa e legal com o crescimento estatal.
As sanções impostas aos sonegadores têm o intuito não só de penalizarmos também para educar sobre conceito de honestidade social. Os objetivos perseguidos pelas empresas como minimização de custo, e maximização de lucros não deveriam ser racionais quando o contribuinte se apropria indevidamente do dinheiro público, pois este corre risco de ser pego e sofrer as penalidades legais. No entanto, muitas vezes o arcabouço institucional e legal contribui ou na melhor das hipóteses não desestimula o comportamento sonegador.
A tabela 3 mostra que apesar dos esforços a taxa de pagamentos como porcentagem dos autos de lavrados é muito pequena. Isso evidencia que o problema da sonegação ainda é latente nas receitas públicas e sua persistência baixa confirma que o problema é de difícil resolução.
O governo consegue resultados expressivos de aumento de arrecadação quando implementa políticas como o REFIS. No entanto, esse tipo de política desestimula os bons pagadores, pois estes veem seus concorrentes sonegadores sendo “premiados” com um empréstimo a custo zero.
Ante ao exposto, essa dissertação teve por objetivo modelar o comportamento dos autos pagos utilizando a metodologia de Box e Jenkins. Este trabalho usou a série de Autos de Infração Pagos Totais do ICMS para prever a evolução recente da taxa de credito tributário, e dentre as técnicas econométricas o
modelo ARIMA (1,1,1), que foi o modelo que se ajustou melhor aos dados.
Como pode ser observado no gráfico 18 a previsão para a série de autos pagos totais para o modelo estimado, a arrecadação via recuperação dos créditos tributários aumentou no período em estudo, mas apesar dos esforços do Estado no combate à sonegação, esse aumento ainda é muito incipiente.
O governo tem que estar comprometido com a situação grave e se esforçar para implementar políticas públicas que reduzam os incentivos que os contribuintes têm para sonegar pois isto pode agravar as distorções entre empresas e setores bem como nos preços nos mercados, prejudicando os bons contribuinte a sociedade e retroalimentando os incentivos da sonegação.
REFERÊNCIAS BIBLIOGRÁFICAS
ALLINGHAM, M. G.; SANDMO, A. IncomeTaxEvasion: a theorical analysis.
Journal of Public Economics, Amsterdam, v.1, p. 323-338, 1972.
ANDERSON, T. W., The Statistical Analysis of Time Series, John Wiley& Sons, 1971.
BAI, J; PERRON, P. Estimating and testing linear models with multiple structural changes. Econometrica. Econometric Society, v.66, n.1, p.47-78, 1998.
BARBANCHO, A. G. Fundamentos e possibilidades da econometria. Rio de Janeiro: Fórum Editora, 1970.
BECK, P.J.; JUNG, W. Taxpayers' reporting decisions and auditing under information asymmetry. The accounting Review, v.66, p.468-487, 1989.
BECKER, G. Crime and punishment: an economic approach. Journal of Political
Economy, Chicago, v.76, p.169-217, 1968.
CARTER, R.H.; GRIFFITHS, W.E.; JUDGE, G.G. Econometria, 2. ed. São Paulo: Saraiva, 2003.
BOX, G. e JENKINS, G. Time series Analysis: Forecasting and control. Ed rev. Holden Day, São Francisco: Holden, 1978
BUENO, R. L. S. .Econometria de séries temporais. 2. ed. São Paulo: Cengage, 2011. v. 1. 341 p.
CORTEZ, P. A. R. Modelos inspirados na natureza para a previsão de séries
temporais. Tese (Doutorado em Informática) Universidade do Minho, Braga, Portugal,
2002.
COWELL, F.A. Cheating the government: the economics of evasion. Cambridge, MA: MIT Press, 1990.
COWELL, F.A.; GORDON, J.P.F. Unwillingness to pay: tax evasion and public good provision. Journal of Public Economics, v.36, p. 305-321, 1988.
DICKEY, D; FULLER, W. Distribution of the estimator for autoregressive time series with a unit rood. J. Amer. Statist. Assoc. 74, 427-431, 1979.
Elliott, G., Rothenberg, T. J. & J. H. Stock (1996) "Efficient Tests for an Autoregressive Unit Root", Econometrica, 64 (4), 813–836.
FRANZONI, L.A. Tax evasion and tax compliance. Working Paper 6020, University of Bolonha, Italy, 1999.
GRANGER, C. W. J.; NEWBOLD, Paul. Forecasting Economic Time Series. New York : Academic Press, 1977.
GUJARATI, D. e PORTER, D. Econometria Básica. 5º. Edição Editora Mcgrawhill 2011 e ArtMedSão Paulo, SP
Hayashi, F. Econometrics, Princeton University Press New Jersey, 2000.
KAHNEMAN, D.; TVERSKY, A. Prospect theory: An analysis of decision under risk.
Econometrica, v.47, p.263-291, 1979.
NELSON, Charles R. Applied Time Series Analysis. San Francisco : Holden-Day, 1973.
Ng, S.,Perron, P. "LAG Length Selection and the Construction of Unit Root Tests with Good Size and Power," Econometrica, Econometric Society, vol. 69(6), pages 1519-1554, November, 2001.
PERRON, P. The great crash, the oil price shock, and the unit root hypothesis.
Econometrica. Econometric Society, vol. 57(6), p. 1361-1401, 1989.
PHILLIPS, P.; PERRON, P. testing for a unit root in time series regression.
Biometrika, v.75(2), p. 335-346. 1988
SANDMO, A. The theory of tax evasion: a retrospective view. Norwegian School of Economics and Business Administration. Discussion paper 31/04, 2004.
SIQUEIRA, M. L.; RAMOS, F. S. A Economia da Sonegação: teorias e evidências empíricas. Revista de Economia Contemporânea, Rio de Janeiro, set-dez, p. 555- 581, 2005.Disponível em: < http://www.scielo.br/scielo.php?pid=S1415- 98482005000300004&script=sci_arttext>. Acesso em: 23 nov. 2012, 10h e 36min. SIQUEIRA, M. L. Um modelo econômico para análise da evasão fiscal do
imposto sobre a renda no Brasil. 117f. Tese (Doutorado em Teoria Econômica) -
Departamento de Economia, PIMES, Universidade Federal de Pernambuco: Recife, 2004.
SOUZA, R. C. Modelos estruturais para previsão de séries temporais:
abordagens clássica e bayesiana. Rio de Janeiro: IMPA, 1989.
SRINIVASAN, T.N., Tax evasion: A model, Journal of Public Economics 2, pp. 339-346, 1973.
Yitzhaki, S. Income tax evasion: A theoretical analysis, Journal of Public
ANEXOS
Tabela 06 - Estimação do ARIMA (1,1,1) para a variável Total de Autos Pagos em primeira diferença
Variável Coeficiente Erro Pad Estatística-t P-Valor
C 59186.93 12755.05 4.640273 0.0000
AR(1) 0.465600 0.109010 4.271167 0.0001
MA(1) -0.964051 0.012478 -77.26053 0.0000
R-Quadrado 0.238219 Media var. dep 6996.536
R-Quadrado Ajustado 0.215480 S.D. var dependente 1030773.
E.Padofregression 912988.0 CriterioinfoAkaike 30.32874
Soma dos Quad. resid 5.58E+13 Criterioinfo Schwarz 30.42511
Log Verossimilhança -1058.506 CriterioinfoHannan-Quinn 30.36702
Estatística-F 10.47592 Est. Durbin-Watson 1.939638
Prob(Estatística-F) 0.000110 Raiz AR Invertida .47 Raiz MA Invertida .96 Fonte: Output do Eviews 7.0
Tabela 07 - Estimação do ARIMA (1,1,2) para a variável Total de Autos Pagos em primeira diferença
Variável Coeficiente Erro Pad Estatística-t P-Valor
C 6998.202 58192.25 0.120260 0.9046
AR(1) -0.414531 0.122292 -3.389684 0.0012
MA(2) -0.281983 0.000400 -705.0283 0.0000
R-Quadrado 0.187229 Media var. dep 6996.536
R-Quadrado Ajustado 0.162967 S.D. var dependente 1030773.
E.Padofregression 943048.9 CriterioinfoAkaike 30.39354
Soma dos Quad. resid 5.96E+13 Criterioinfo Schwarz 30.48990
Log Verossimilhança -1060.774 CriterioinfoHannan-Quinn 30.43181
Estatística-F 7.717028 Est. Durbin-Watson 1.936375
Prob(Estatística-F) 0.000964 Raiz AR Invertida .41 Raiz MA Invertida .53 Fonte: Output do Eviews 7.0
Figur Fonte ra 01- Corre e: Output do lograma da S o Eviews 7.0