Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.289
Aluno: João Alexandre Beltrão Alves
Orientador: Prof. Cleber Zanchettin
Título: Detecção de Anomalias Fiscais no Setor de Combustíveis: Consenso entre Modelos Não Supervisionados para Priorização de Risco Tributário
Data: 17/07/2026
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Leandro Maciel Almeida (UFPE / Centro de Informática)
Prof. João Fausto Lorenzato de Oliveira (UPE / Escola Politécnica de PE)
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
RESUMO:
A administração tributária enfrenta o desafio de selecionar, em um universo de centenas de milhares de transações, os contribuintes com maior probabilidade de não conformidade fiscal. No setor de combustíveis, a elevada materialidade econômica e a complexidade da cadeia produtiva tornam essa tarefa particularmente crítica. Esta dissertação propõe um pipeline integrado de detecção não supervisionada de anomalias fiscais, concebido como instrumento de apoio à seleção de contribuintes para auditoria no âmbito do ICMS sobre combustíveis. O pipeline articula duas técnicas com pressupostos complementares: Isolation Forest, para triagem estatística, e Autoencoder, para refinamento estrutural baseado em erro de reconstrução. A incorporação de informação relacional extraída do grafo transacional via Node2Vec foi inicialmente prevista e avaliada experimentalmente, sendo conservadoramente remetida a trabalho futuro em razão da assimetria diagnóstica do protocolo de avaliação adotado em relação a detectores relacionais. Um mecanismo de consenso conservador por interseção prioriza apenas os registros sinalizados simultaneamente pelo Isolation Forest e pelo Autoencoder, reduzindo o universo de análise de 530.113 registros para 2.880 alertas consensuais, o que corresponde a uma redução de 99,5% no volume a ser investigado. A aplicação empírica, conduzida sobre dados reais de Notas Fiscais Eletrônicas do setor de combustíveis do Estado do Maranhão, demonstra que os alertas de consenso apresentam coerência econômica, com valores sistematicamente mais extremos em variáveis fiscais-chave. A concentração de risco revela que 99,93% dos alertas se concentram em apenas 10 dos 76 emissores analisados, indicando focalização operacionalmente relevante. Como elemento adicional de validação externa, a Operação Carbono Oculto, deflagrada pela Receita Federal em agosto de 2025 e posterior à janela de dados desta pesquisa, identificou em dez estados, dentre os quais o Maranhão, padrões fiscais no setor de combustíveis cuja natureza estrutural converge com os indicadores empregados pelo pipeline aqui proposto. Experimentos de ablação avaliam a contribuição de cada componente do pipeline, e a análise de sensibilidade demonstra robustez dos resultados qualitativos à variação do parâmetro de seleção. O trabalho contribui ainda ao evidenciar as limitações de métricas supervisionadas tradicionais na avaliação de modelos não supervisionados em contextos sem rótulos confiáveis de fraude, propondo critérios operacionais alternativos de validação.
Palavras-chave: Detecção de anomalias; aprendizado não supervisionado; ICMS; combustíveis; Isolation Forest; Autoencoder.
Comentários desativados