Skip to main navigation menu Skip to main content Skip to site footer

Vol. 157 (2026)
Revista do TCU

Original article

Simultaneous analysis of revenues from multiple government agencies

https://doi.org/10.69518/2186

Published 2026-09-24

  • Otoniel Arruda Costa
    • ,
  • Henrique Raymundo Góia

Otoniel Arruda Costa
Court of Accounts of the State of São Paulo (TCE/SP), São Paulo (SP), Brazil.

Henrique Raymundo Góia
University of São Paulo (USP), São Paulo (SP), Brazil.

Abstract

Budget planning is legally mandated, yet many administrators still face challenges in revenue forecasting. Despite advances in data science, gaps remain in the application of predictive models for this purpose. This study proposes a computational model in R capable of simultaneously analyzing time series of budget revenues from multiple collecting agencies, automatically comparing different methods – Autoregressive Integrated Moving Average (ARIMA) and Exponential Smoothing. The developed algorithm enables analysts to review outputs from all methods using a single block of code, eliminating the need for repetitive function calls. The algorithm was developed using data from the portals of the Sao Paulo State Court of Accounts (TCE-SP) and the State System Foundation for Data Analysis (SEADE). Two cities with similar economic characteristics as of December 31, 2020 – Sorocaba and Sao Jose dos Campos – were selected, and time series forecasting models were generated for their revenues for the 2022 and 2023 fiscal years. The methodology involved comparing models using the Akaike Information Criterion (AIC), the Corrected Akaike Information Criterion (AICc), and the Bayesian Information Criterion (BIC), alongside the Mean Absolute Percentage Error (MAPE) statistic. The ARIMA method yielded the best information criterion results for both cities and the lowest MAPE for Sao Jose dos Campos (9.75%). With the Exponential Smoothing method, Sorocaba showed the lowest MAPE (12.31%). The results demonstrate the viability of the proposed model in facilitating comparative analyses between municipalities and supporting decision-making by public administrators, auditors, and other stakeholders interested in government economic data.

Keywords

Business analytics, COVID-19, Fable, budget forecasting, X13-ARIMA-SEATS

PDF (Português (Brasil)) PDF PDF (Español (España))

Supplementary File(s)

Histórico de avaliação (Português (Brasil))

Author Biography

Otoniel Arruda Costa

Court of Accounts of the State of São Paulo (TCE/SP), São Paulo (SP), Brazil.

Lattes: https://lattes.cnpq.br/2101791643993928

ORCID: https://orcid.org/0000-0001-5346-7374

Henrique Raymundo Góia

University of São Paulo (USP), São Paulo (SP), Brazil.

Lattes: http://lattes.cnpq.br/5957983550791571

ORCID: https://orcid.org/0000-0002-8639-1481

References

  1. ABELN, Barend; JACOBS, Jan P. A. M. Covid-19 and seasonal adjustment. Journal of Business Cycle Research, v. 18. p. 159-169, jul. 2022. DOI: https://doi.org/10.1007/s41549-022-00071-z. Disponível em: https://link.springer.com/article/10.1007/s41549-022-00071-z. Acesso em: 23 set. 2024.
  2. ARAÚJO, Letícia; BEHR, Ariel; SCHIAVI, Giovana Sordi. Adoption of business analytics in accounting. Revista Contabilidade & Finanças, São Paulo, v. 34, n. 93, e1771, dez. 2023. DOI: https://doi.org/10.1590/1808-057x20231771.en. Disponível em: https://www.scielo.br/j/rcf/a/h8BSKTCgthvCfwCf9dNSCkH/?lang=en. Acesso em: 23 set. 2024.
  3. BATÓG, Barbara; BATÓG, Jacek. Regional government revenue forecasting: risk factors of investment financing. Risks, v. 9, n. 12, p. 1-15, nov. 2021. DOI: https://doi.org/10.3390/risks9120210. Disponível em: https://www.mdpi.com/2227-9091/9/12/210. Acesso em: 23 set. 2024.
  4. BRASIL. Banco Central do Brasil. Efeitos da pandemia sobre o ajuste sazonal dos indicadores econômicos. Estudo Especial 108/2021. Brasília, DF: BCB, 2021. Disponível em: https://www.bcb.gov.br/conteudo/relatorioinflacao/EstudosEspeciais/EE108_efeitos_pandemia_sobre_ajuste_sazonal.pdf. Acesso em: 23 set. 2024.
  5. BRASIL. [Constituição (1988)]. Constituição da República Federativa do Brasil de 1988. Brasília, DF: Presidência da República, 1988. Disponível em: http://www.planalto.gov.br/ccivil_03/Constituicao/Constituiçao.htm. Acesso em: 27 jul. 2026.
  6. BRASIL. Lei n. 4.320, de 17 de março de 1964. Estatui normas gerais de Direito Financeiro para elaboração e controle dos orçamentos e balanços da União, dos estados, dos municípios e do Distrito Federal. Brasília, DF: Presidência da República, 1964. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l4320.htm. Acesso em: 28 jul. 2026.
  7. BRASIL. Lei Complementar n. 101, de 4 de maio de 2000. Estabelece normas de finanças públicas voltadas para a responsabilidade na gestão fiscal e dá outras providências. Brasília, DF: Presidência da República, 2000. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/lcp/lcp101.htm. Acesso em: 28 jul. 2026.
  8. BRASIL. Ministério da Economia. Metodologia: ajuste sazonal. Brasília, DF: ME, 2020. Disponível em: https://balanca.economia.gov.br/balanca/IPQ/arquivos/metodologia_ajuste_sazonal.pdf. Acesso em: 23 set. 2024.
  9. BRASIL. Secretaria do Tesouro Nacional. Manual de contabilidade aplicado ao setor público. 11. ed. Brasília, DF: STN, 2024. Disponível em: https://www.gov.br/tesouronacional/pt-br/contabilidade-e-custos/manuais/manual-de-contabilidade-aplicada-ao-setor-publico-mcasp-1. Acesso em: 6 fev. 2026.
  10. DHAKAL, Chuda Prasad. A naïve approach for comparing a forecast model. International Journal of Thesis Projects and Dissertations (IJTPD), v. 5, n. 1. p. 1-3, jan./mar. 2017. Disponível em: https://www.researchpublish.com/papers/a-nave-approach-for-comparing-a-forecast-model. Acesso em: 23 set. 2024.
  11. FAVERET, Guilherme; AGUILAR, Soraida; BAIÃO, Fernanda; SIMÕES, Paulo Henrique; MAÇAIRA, Paula. Estudo de similaridade da evolução da covid-19 nos estados brasileiros. In: Simpósio Brasileiro de Pesquisa Operacional, 53, João Pessoa, 2021. Anais [...], v. 53. João Pessoa: Sociedade Brasileira de Pesquisa Operacional (SOBRAPO), 2021. Disponível em: https://proceedings.science/sbpo/sbpo-2021/trabalhos/estudo-de-similaridade-da-evolucao-da-covid-19-nos-estados-brasileiros?lang=pt-br. Acesso em: 23 set. 2024.
  12. FÁVERO, Luiz Paulo; BELFIORE, Patrícia. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. 1. ed. Rio de Janeiro: LTC, 2021.
  13. FERREIRA, Pedro Costa; SPERANZA, Talitha; COSTA, Jonatha; TEIXEIRA, Fernando; MARCOLINO, Daiane. Pacote ‘BETS: Brazilian Economic Time Series’. The comprehensive R archive network. Documentation. Reference manual. Versão 0.4.9. set. 2018. Disponível em: https://cran.r-project.org/src/contrib/Archive/BETS/. Acesso em: 23 set. 2024.
  14. FERREIRA, Pedro Guilherme Costa; DUCA, Victor Eduardo Leite de Almeida. Modelos de suavização exponencial. In: FERREIRA, Pedro Guilherme Costa (org.). Análise de séries temporais em R: curso introdutório. 1. ed. São Paulo: GEN Atlas; FGV IBRE, 2020. p. 75-93.
  15. FERREIRA, Pedro Guilherme Costa. Processos não estacionários. In: FERREIRA, Pedro Guilherme Costa (org.). In: FERREIRA, Pedro Guilherme Costa (org.). Análise de séries temporais em R: curso introdutório. 1. ed. São Paulo: GEN Atlas; FGV IBRE, 2020. p. 95-120.
  16. FERREIRA, Pedro Guilherme Costa; MATTOS, Daiane Marcolino de. Modelo SARIMA. In: FERREIRA, Pedro Guilherme Costa (org.). Análise de séries temporais em R: curso introdutório. 1. ed. São Paulo: GEN Atlas; FGV IBRE, 2020. p. 121-143.
  17. GERHARDT, Tatiana Engel; SILVEIRA, Denise Tolfo (org.). Métodos de Pesquisa. Série Educação a distância. Universidade Aberta do Brasil (UAB); Universidade Federal do Rio Grande do Sul (UFRGS) (coord.). Porto Alegre: Editora da UFRGS, 2009. Disponível em: www.ufrgs.br/cursopgdr/downloadsSerie/derad005.pdf. Acesso em: 27 jul. 2026.
  18. HYNDMAN, Rob; ATHANASOPOULOS, George; BERGMEIR, Christoph; CACERES, Gabriel; CHHAY, Leanne; KUROPTEV, Kirill; MÜCKE, Maximilian; O’HARA-WILD, Mitchell; PETROPOULOS, Fotios; RAZBASH, Slava; WANG, Earo; YASMEEN, Farah; GARZA. Forecast: forecasting functions for time series and linear models. The comprehensive R archive network. Documentation. Reference manual. Versão 8.21.1. 2024. DOI: https://doi.org/10.32614/CRAN.package.forecast. Disponível em: https://cran.r-project.org/web/packages/forecast/index.html. Acesso em: 23 set. 2024.
  19. HYNDMAN, Rob J.; KHANDAKAR, Yeasmin. Automatic time series forecasting: the forecast package for R. Journal of Statistical Software, v. 27, n. 3, p. 1-22, jul. 2008. DOI: https://doi.org/10.18637/jss.v027.i03. Disponível em: https://www.jstatsoft.org/article/view/v027i03. Acesso em: 23 set. 2024.
  20. HYNDMAN, Rob. J.; ROSTAMI-TABAR, Bahman. Forecasting interrupted time series. Journal of the Operational Research Society, v. 76, n. 4, p. 790-803, set. 2024. DOI: https://doi.org/10.1080/01605682.2024.2395315. Disponível em: https://www.tandfonline.com/doi/full/10.1080/01605682.2024.2395315. Acesso em: 23 set. 2024.
  21. KIM, Sungil; KIM, Heeyoung. A new metric of absolute percentage error for intermittent
  22. demand forecasts. International Journal of Forecasting, v. 32. n. 3. p. 669-679, jul./set. 2016. DOI: https://doi.org/10.1016/j.ijforecast.2015.12.003. Disponível em: https://www.sciencedirect.com/science/article/pii/S0169207016000121?via%3Dihub. Acesso em: 14 mar. 2025.
  23. KLIMBERG, Ronald K.; SILLUP, George P.; BOYLE, Kevin J.; TAVVA, Vinay. Forecasting performance measures: what are their practical meaning? In: LAWRENCE, Kenneth D.; KILMBERG, Ronald K (eds.). Advances in business and management forecasting. 7. ed. Leeds: Emerald Books, 2010. p. 137-147. DOI: https://doi.org/10.1108/S1477-4070(2010)0000007012. Disponível em: https://www.emerald.com/books/edited-volume/11151/chapter-abstract/80949903/Forecasting-performance-measures-what-are-their?redirectedFrom=fulltext. Acesso em: 14 mar. 2025.
  24. KONIAGINA, Maria N. Forecast of budget revenues from taxes in the context of economy digitalization. IOP Publishing, IOP conference series: materials science and engineering, v. 940, 012040. 2020. DOI: https://doi.org/10.1088/1757-899X/940/1/012040. Disponível em: https://iopscience.iop.org/article/10.1088/1757-899X/940/1/012040. Acesso em: 23 set. 2024.
  25. LEVY, Karen; CHASALOW, Kyla E.; RILEY, Sarah. Algorithms and decision making in the public sector. Annual review of law and social science, v. 17, p. 309-334, out. 2021. DOI: https://doi.org/10.1146/annurev-lawsocsci-041221-023808. Disponível em: https://www.annualreviews.org/content/journals/10.1146/annurev-lawsocsci-041221-023808. Acesso em: 14 mar. 2025.
  26. LIU, Shiyu; LIU, Ou; CHEN, Junyang. Review on business analytics: definitions, techniques, applications and challenges. Mathematics, v. 11, n. 4, p. 1-20, fev. 2023. DOI: https://doi.org/10.3390/math11040899. Disponível em: https://www.mdpi.com/2227-7390/11/4/899. Acesso em: 23 set. 2024.
  27. LOPES, Manuela de Mesquita; BRANCO, Verônica Teixeira Franco Castelo; SOARES, Jorge Barbosa. Utilização dos testes estatísticos de Kolmogorov-Smirnov e Shapiro-Wilk para verificação da normalidade para materiais de pavimentação. Revista Transportes, São Paulo, v. 21, n. 1, p. 59-66, abr. 2013. DOI: https://doi.org/10.4237/transportes.v21i1.566. Disponível em: https://transportes.anpet.org.br/anpet/article/view/566. Acesso em: 23 set. 2024.
  28. MATTOS, Daiane Marcolino de; FERREIRA, Pedro Guilherme Costa. Ajuste sazonal. In: FERREIRA, Pedro Guilherme Costa (org.). Análise de séries temporais em R: curso introdutório. 1. ed. São Paulo: GEN Atlas; FGV IBRE, 2020. p. 145-163.
  29. MORETTIN, Pedro A.; TOLOI, Clélia M. C. Análise de séries temporais: modelos lineares univariados. Volume 1. 3. ed. São Paulo: Bluncher, 2018.
  30. MORETTIN, Pedro A.; TOLOI, Clélia M. C. Análise de séries temporais: modelos multivariados e não lineares. Volume 2. 1. ed. São Paulo: Bluncher, 2020.
  31. MUÑOZ, Laura Alcaide; BOLÍVAR, Manuel Pedro Rodríguez; ARELLANO; Cinthia L. Villamayor. Factors in the adoption of open government initiatives in Spanish local governments. Government information quarterly, v. 39, n. 4, p. 1-13, out. 2022. DOI: https://doi.org/10.1016/j.giq.2022.101743. Disponível em: https://www.sciencedirect.com/science/article/pii/S0740624X2200079X?via%3Dihub. Acesso em: 5 mar. 2025.
  32. NASCIMENTO, Maria de Nazaré Souza; BOENTE, Diego Rodrigues. Fatores associados aos erros de previsão orçamentária da receita do setor público. Administração pública e gestão social, Universidade Federal de Viçosa, v. 14, n. 2, p. 1-15, abr./jun. 2022. Disponível em: https://doi.org/10.21118/apgs.v14i2.12945. Acesso em: 23 set. 2024.
  33. O'HARA-WILD, Mitchell; HYNDMAN, Rob; WANG, Earo; CACERES, Gabriel; BERGMEIR, Christoph; HENSEL, Tim-Gunnar; HYNDMAN, Timothy. Fable: forecasting models for tidy time series. The comprehensive R archive network. Documentation. Reference manual. Versão 0.3.3. 2023. DOI: https://doi.org/10.32614/CRAN.package.fable. Disponível em: https://cran.r-project.org/web/packages/fable/index.html. Acesso em: 23 set. 2024.
  34. OLIVEIRA JUNIOR, João Paulo de; LEVINO, Natallya de Almeida. Impacto da pandemia covid-19 nas finanças dos municípios do Nordeste: uma análise da efetividade dos critérios de distribuição do auxílio financeiro. Revista Brasileira de Planejamento e Desenvolvimento, Curitiba, v. 13, n. 2, p. 369-400, maio/ago., 2024. Disponível em: https://periodicos.utfpr.edu.br/rbpd/article/view/16231/10175. Acesso em: 23 set. 2024.
  35. SÁ, Rogério de Oliveira; AMORIM, Junior José; SANTOS, Cleidiany Dias dos; ZAMBRIM, Dejane Arruda de Carli; GOMES, Vallência Maira. Metodologia utilizada nas estimativas de receitas e despesas (2021-2025). Cuiabá: Secretaria de Estado de Fazenda, 2020. Disponível em: https://www5.sefaz.mt.gov.br/documents/6071037/15333979/Metodologias+utilizadas+nas+proje%C3%A7%C3%B5es+04.09.2020.pdf/38604051-d9da-f912-e9e0-e0150e1c1148. Acesso em: 23 set. 2024.
  36. SÃO PAULO. Fundação Sistema Estadual de Análise de Dados. Tabela – PIB 2020. São Paulo, SP: Fundação Seade, 2020a. Disponível em: https://repositorio.seade.gov.br/dataset/pib-municipal-ate-2021/resource/13af6a0f-e731-4fc7-8664-73e57de8f465. Acesso em: 23 set. 2024.
  37. SÃO PAULO. Fundação Sistema Estadual de Análise de Dados. Taxa de crescimento populacional – 2000 a 2050. São Paulo, SP: Fundação Seade, 2020b. Disponível em: https://repositorio.seade.gov.br/dataset/populacao-por-idade-sexo/resource/2a0551df-ec74-473c-b0c3-387f0f128523. Acesso em: 23 set. 2024.
  38. SÃO PAULO. Tribunal de Contas do Estado de São Paulo. Conjunto de dados. São Paulo, SP: TCE-SP, 2020c. Disponível em: https://transparencia.tce.sp.gov.br/conjunto-de-dados. Acesso em: 23 set. 2024.
  39. SÃO PAULO. Tribunal de Contas do Estado de São Paulo. Projeto Audesp. Tabela de escrituração contábil. São Paulo, SP: TCE-SP, 2007. Disponível em: https://www.tce.sp.gov.br/sites/default/files/audesp-documentacao/tabelas_escrituracao_contabil_sistema_audesp_versao_janeiro_2007.pdf. Acesso em: 23 set. 2024.
  40. SARTORIS, Alexandre. Estatística e introdução à econometria. 1. ed. São Paulo: Saraiva, 2003.
  41. SAX, Christoph; EDDELBUETTEL, Dirk. Seasonal adjustment by X-13ARIMA-SEATS in R. Journal of Statistical Software, Áustria, v. 87. n. 11, p. 1-17, dez. 2018. DOI: http://doi.org/10.18637/jss.v087.i11. Disponível em: https://www.jstatsoft.org/article/view/v087i11. Acesso em: 23 set. 2024.
  42. SOUZA, Celso Correia; CARNEIRO JUNIOR, João Bosco Arbués; CRISTALDO, Márcia Ferreira; CASTELÃO, Raul Asseff; FRAINER, Daniel Massen; VIAGNÓ, Hevelyne Henn da Gama. Previsão de produção de cana-de-açúcar e seus derivados, através de ARIMA, no período de 2020 a 2025, na macrorregião Centro-Sul do Brasil. Research, society and development, Vargem Grande Paulista, v. 11, n. 4, e6211427048, mar. 2022. DOI: https://doi.org/10.33448/rsd-v11i4.27048. Disponível em: https://rsdjournal.org/rsd/article/view/27048. Acesso em: 5 mar. 2025.
  43. STATISTICS KINGDOM. Multiple linear regression calculator. Statistics Kingdom, 2017. Aplicativo. Disponível em: https://www.statskingdom.com/410multi_linear_regression.html. Acesso em: 27 set. 2024.
  44. TOLEDO JÚNIOR, Flávio Corrêa de. Os conteúdos da Lei Orçamentária Anual. Revista do TCU, Brasília, v. 118, n. 1, p. 35-44, maio/ago. 2010. Disponível em: https://revista.tcu.gov.br/ojs/index.php/RTCU/article/view/231. Acesso em: 28 set. 2024.
  45. VOLPATO, Gilson Luiz. O método lógico para redação científica. Revista Eletrônica de Comunicação Informação & Inovação em Saúde, Rio de Janeiro, v. 9, n. 1, p. 1-14, jan./mar. 2015. DOI: https://doi.org/10.29397/reciis.v9i1.932. Disponível em: https://www.reciis.icict.fiocruz.br/index.php/reciis/article/view/932. Acesso em: 1º nov. 2024.

Downloads

Download data is not yet available.