Aplicação de machine learning na auditoria fiscal

Um modelo preditivo para detecção de empresas de fachada em um ciclo de auditoria contínua

Authors

  • Thiago Segati Silva Secretaria de Estado de Economia do DF
  • Remis Balaniuk UCB

Keywords:

ICMS, EMPRESAS DE FACHADA, AUDITORIA CONTINUA, APRENDIZADO DE MÁQUINA, ADMINISTRAÇÃO TRIBUTÁRIA

Abstract

O trabalho propõe e valida um protocolo inovador que integra auditoria contínua e machine learning para detectar empresas de fachada emissoras de créditos indevidos de ICMS. Aplicado na Secretaria de Economia do DF, o modelo utiliza técnicas avançadas de engenharia de atributos, seleção de variáveis e modelos ensemble, alcançando precisão de 77,1% na detecção de fraudes. O ciclo operacional inclui retroalimentação dos resultados de campo, tornando o sistema adaptativo. Os resultados superam métodos tradicionais, otimizando a alocação de recursos públicos. O estudo destaca o potencial de replicabilidade e recomendações para aprimoramento futuro.

Author Biographies

Thiago Segati Silva, Secretaria de Estado de Economia do DF

Mestrando em Governança, Tecnologia e Inovação pela Universidade Católica de Brasília (2025), Pós-graduação latu sensu em Gestão de Riscos e Cibersegurança pela Faculdade Focus (2022), graduado em Ciências Contábeis pela Universidade Estácio de Sá (2021), graduado em Ciência da Computação pela Universidade Católica de Goiás (2005). Ocupo o cargo de Auditor Fiscal da Receita do Distrito Federal há 4 anos na Secretaria de Economia do DF. Auto na Gerência de Documentos Fiscais Eletrônicos, diretamente na área de recepção, validação, armazenamento e distribuição desses documentos para público interno e externo. Atuei na Secretaria de Saúde do Estado de Goiás, como executor administrativo na área de orçamento e finanças por 9 anos.

Remis Balaniuk, UCB

Pós-doutor em Realidade Virtual pela Stanford University - EUA (2002), Doutor em Informática pelo Institut National Polytechnique de Grenoble - França (1996), Mestre em Ciências da Computação pela Universidade Federal do Rio Grande do Sul (1989), graduado em Processamento de Dados pela Universidade de Brasília (1986). Já atuou como pesquisador associado da Universidade de Stanford - EUA, pesquisador visitante da Universidade de Oxford, no Reino Unido e do Institut National de Recherche en Informatique et en Automatique, na França, e consultor do Programa das Nações Unidas para o Desenvolvimento - PNUD. Atualmente é professor e pesquisador da Universidade Católica de Brasília e do Instituto Serzedello Corrêa do Tribunal de Contas da União. Atuou por mais de vinte e cinco anos como cientista de dados na detecção de fraudes e na avaliação de políticas públicas utilizando técnicas de mineração de dados, Inteligência Artificial, Geotecnologias e Business Intelligence no Tribunal de Contas da União, onde foi Auditor Federal de Controle Externo. Na pesquisa atua principalmente na área de Ciência da Computação, com ênfase em métodos de aprendizagem de máquina, Inteligência Artificial Generativa, Redes Neurais Profundas, Sistemas Multiagentes e métodos de geoprocessamento.

References

CHAWLA, N. V.; BOWYER, K. W.; HALL, L. O.; KEGELMEYER, W. P. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, v. 16, p. 321–357, 2002.

COSTA, T. W. F. ICMS e os procedimentos de combate às “empresas noteiras” no Distrito Federal nos anos de 2022 e 2023. 2024. Dissertação (Mestrado em Direito) - Universidade Católica de Brasília, Brasília, 2024.

GÉRON, A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. 2nd ed. California: O’Reilly Media, 2019.

GOMES, G. S. L. Identificação de práticas de evasão fiscal utilizando Aprendizagem de Máquina: O caso das empresas de fachada e os créditos ilegais de ICMS. 2023. Dissertação (Mestrado em Governança, Tecnologia e Inovação) - Universidade Católica de Brasília, Brasília, 2023.

HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning: Data mining, inference, and prediction. 2nd ed. New York: Springer, 2017.

HE, H.; GARCIA, E. A. Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, v. 21, n. 9, p. 1263–1284, 2009.

MAGALHÃES, J. M. Responsabilização por fraude fiscal cometida por empresas noteiras no âmbito do ICMS no Distrito Federal. 2024. Dissertação (Mestrado em Direito) - Universidade Católica de Brasília, Brasília, 2024.

MELO, R. R. Graph neural network approach to detect shell companies in the Brazilian state tax system. Milano, Itália: Bocconi University, 2022.

OKUSI, O.; IKEMEFUNA, C. D.; IWUH, A. C.; YUSUF, S. Adaptive fraud detection systems: Using machine learning to identify and respond to evolving financial threats. International Research Journal of Modernization in Engineering Technology and Science, v. 6, n. 9, 2024.

SOKOLOVA, M.; LAPALME, G. A systematic analysis of performance measures for classification tasks. Information Processing & Management, v. 45, n. 4, p. 427–437, 2009.

VASARHELYI, M. A.; ALLES, M.; KUENKAIKAEW, S.; LITTLEY, J. The acceptance and adoption of continuous auditing by internal auditors: A micro analysis. International Journal of Accounting Information Systems, v. 13, n. 3, p. 201–213, 2012.

ZHOU, Z.-H. Ensemble learning. In: ZHOU, Z.-H. Machine Learning. New York: Springer, 2021. p. 181–209.

Downloads

Published

2026-07-17

Issue

Seminário Internacional O Futuro da Auditoria Pública

Section

Eixo 4 - Inteligência Artificial e transformação digital na auditoria pública