TÉCNICAS PREDITIVAS E MODELOS DE INTELIGÊNCIA ARTIFICIAL NA GESTÃO DE DÍVIDAS PÚBLICAS INADIMPLENTES: COMPARAÇÃO ENTRE REGRESSÃO LINEAR E ÁRVORES DE DECISÃO

Abstract

O estudo analisado tem como foco a aplicação de modelos preditivos, especificamente Regressão Linear e Árvores de Decisão, para a gestão de dívidas inadimplentes no contexto público dos Estados Unidos. O objetivo central do trabalho é comparar a eficácia desses modelos na previsão da conformidade de dívidas com mais de 120 dias, auxiliando no direcionamento dessas dívidas ao Treasury Offset Program (TOP), uma iniciativa essencial para a recuperação financeira governamental. O problema que o estudo aborda é a necessidade de uma gestão eficaz das dívidas públicas inadimplentes, buscando garantir o cumprimento de políticas financeiras públicas que promovam a conformidade e o redirecionamento adequado dos recursos financeiros ao governo. Isso é particularmente importante para garantir a transparência fiscal e a responsabilização das agências federais. A metodologia utilizada no estudo foi quantitativa, baseada na análise de dados de dívidas elegíveis extraídos de relatórios do Tesouro dos EUA. Foram aplicados os modelos de Regressão Linear e Árvores de Decisão, com métricas de desempenho como Erro Absoluto Médio (MAE), Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE) e Coeficiente de Determinação (R²). O estudo tratou de variáveis financeiras e temporais para analisar o comportamento dessas dívidas e sua conformidade. Os principais resultados mostram que ambos os modelos apresentaram alta precisão nas previsões, com a Regressão Linear mostrando um ajuste perfeito (R² = 1) e as Árvores de Decisão destacando-se na captura de nuances não lineares dos dados. A variável "Compliance Rate Amount" foi identificada como a mais significativa no modelo de Árvores de Decisão, sugerindo que o montante da taxa de conformidade é um dos fatores mais importantes para prever a conformidade das dívidas inadimplentes. Este estudo oferece contribuições valiosas para o campo da gestão pública, ao demonstrar que a utilização de modelos preditivos pode auxiliar na otimização da recuperação de dívidas, melhorar a transparência fiscal e contribuir para a tomada de decisões mais informadas.