Previsão de Receitas Públicas: Uma análise crítica das metodologias existentes e alguns resultados recentes
Marcelo Lettieri Siqueira
Julgador da 5ª turma de julgamento da DRJ/REC. Mestre e Doutorado em Economia pelo PIMES/UFPE. Pesquisador do Núcleo de Energia e Economia da Regulação

RESUMO
A atividade de previsão de receitas públicas é um dos requisitos essenciais da Responsabilidade na Gestão Fiscal, instituída pela Lei de Responsabilidade Fiscal (artigo 11 da Lei Complementar nº 101, de 04 de maio de 2000). No âmbito do Poder Executivo Federal, a Secretaria da Receita Federal é o órgão responsável por realizar a previsão, o acompanhamento, a análise e o controle das receitas sob sua administração, bem assim coordenar e consolidar as previsões das demais receitas federais, para subsidiar a proposta orçamentária da União, conforme estabelecido em seu Regimento Interno (Portaria MF n.º 259, de 24 de agosto de 2001). Para executar essa tarefa, a Receita Federal optou por recorrer a uma metodologia denominada institucionalmente de Método de Indicadores. O presente artigo se propõe a apresentar e discutir metodologias alternativas para a previsão das receitas tributárias federais administradas pela Secretaria da Receita Federal, demonstrando que a adoção de técnicas variadas em função do tipo de receita que se pretende prever pode melhorar a precisão dessas previsões. São apresentados os resultados de alguns estudos bastante recentes que corroborariam essa afirmação.

1. Introdução
A previsão de receitas envolve o uso de técnicas analíticas para projetar a quantidade de recursos financeiros disponíveis num determinado tempo futuro. Como é sabido, no setor público, as receitas vêm dos impostos, das taxas, das contribuições sociais ou de transferências intergovernamentais, além daquelas relativas à atividade governamental empresarial. A atividade de previsão, por sua vez, tenta identificar o relacionamento entre os fatores que afetam as receitas (alíquotas tributárias, variáveis macroeconômicas, volume de vendas a varejo etc.) e a arrecadação governamental (tributos e outras receitas). Por outro lado, a habilidade de projetar, de forma precisa, os recursos futuros é bastante crítica, na medida em que se objetiva, entre outras coisas, evitar desequilíbrios orçamentários, objeto de preocupação constante das autoridades governamentais.
As previsões das receitas podem ser aplicadas tanto à receita total agregada quanto às suas fontes individuais, como aquelas oriundas de impostos sobre o consumo (ICMS, IPI, IVA1 etc.) ou as originadas de impostos sobre a propriedade (IPVA, IPTU, ITR etc.) entre outras. Obviamente, não há nenhum método único para se projetar receitas. Assim sendo, os diferentes métodos existentes tendem a trabalhar melhor em função do tipo de receita que se pretende prever.
Além disso, deve-se observar que a previsão de receitas está intimamente ligada ao processo de política pública e, portanto, sujeita ao escrutínio e até mesmo à pressão política, fatores que influenciarão decisivamente os resultados da arrecadação.

2. O Processo de Previsão
A política fiscal do governo é afetada pelo contexto em que ela é formada. Lida tanto com interesses políticos, quanto econômicos. Portanto, é essencial estabelecer as hipóteses e os procedimentos com os quais as partes envolvidas coadunam, assim como um mecanismo para avaliar a validade da receita que se prevê. Dessa forma, é fundamental que se estabeleça um processo bastante disciplinado.
Guajardo e Miranda (2000) sugerem um processo dividido em sete estágios. Segundo tais pesquisadores, as seguintes etapas devem ser aplicadas a cada tipo de receita a ser prevista:
1º - A primeira etapa envolve a seleção de um período de tempo sobre o qual os dados serão examinados. O tamanho do período de tempo depende da disponibilidade e da qualidade dos dados, do tipo de receita a ser prevista e do grau de exatidão desejado.
2º - Na segunda etapa, examinam-se os dados a fim de determinar todos os padrões, taxas de variação ou tendências que estejam evidentes. Uma vez identificados tais comportamentos, o responsável pela previsão precisará decidir em que grau a receita é previsível. Isto é feito examinando-se as características subjacentes da receita, tais como as estruturas de alíquotas usadas, as mudanças na demanda e as variações sazonais ou cíclicas.
3º - Os responsáveis pela previsão, em seguida, precisam compreender as hipóteses subjacentes associadas às fontes de receitas. Necessitam considerar em que grau a receita é afetada por circunstâncias econômicas, mudanças na demanda do cidadão e nas políticas do governo, entre outros efeitos. Estas suposições ajudam a determinar que método de previsão será mais adequado a cada caso.
4º - A etapa seguinte consiste em projetar os valores dos grupos de receitas para o horizonte de tempo desejado. O método selecionado para executar a projeção depende da natureza e do tipo de receita.
5º - Depois que as projeções forem feitas, as estimativas devem ser avaliadas, para que se verifique a confiabilidade e validade dos procedimentos. Para avaliar a validade das estimativas, as hipóteses associadas às fontes de receitas devem ser reexaminadas. A confiabilidade é avaliada através de uma análise de sensibilidade, que envolve a verificação da variação dos parâmetros chaves usados para criar as estimativas.
6º - Na sexta etapa, os grupos de receitas são monitorados e comparados às estimativas. Tal monitoramento serve para avaliar a exatidão das projeções e determinar a probabilidade de ocorrência de quedas ou aumentos na arrecadação.
7º - Finalmente, como as circunstâncias que afetam a geração de receitas governamentais mudam, a previsão precisará atualizar-se.
Embora a SRF já tenha, em seus procedimentos de previsão, incorporado praticamente todas essas etapas, ainda utiliza um único método de previsão para todos os tipos de receitas, o que vai de encontro ao que recomenda a 4ª etapa acima. Não bastasse isso, alguns estudos recentes têm demonstrado que outros métodos estatísticos ou a combinação de um conjunto deles poderiam fornecer resultados mais precisos, melhorando assim a acurácia das previsões da arrecadação por ela administrada2 .

3. Os Métodos de Previsão
Existe uma grande quantidade de técnicas de previsão disponíveis (FRANK, 1993; MAKRIDAKIS; WHEELWRIGHT, 1987, 1989 e GUAJARDO; MIRANDA, 2000). Elas variam de técnicas qualitativas relativamente informais a técnicas quantitativas altamente sofisticadas. Em geral, os responsáveis pela previsão usam uma variedade de técnicas, reconhecendo que algumas apresentam melhores resultados do que outras, dependendo da natureza da fonte de receita.

3.1 - Métodos Qualitativos de Previsão
Os métodos qualitativos de previsão se baseiam em conjecturas sobre a arrecadação futura de determinadas receitas. Estas técnicas são denominadas freqüentemente de aproximações conjecturais ou não-extrapolativas. Além de não apresentar uma formalidade matemática adequada, tais técnicas normalmente não fornecem especificações rigorosas das hipóteses subjacentes do modelo.
Entre os métodos qualitativos de previsão, o mais geralmente usado é o da previsão conjectural. Esta técnica se baseia na utilização de um indivíduo ou um grupo pequeno de pessoas que fazem avaliações de circunstâncias futuras prováveis e analisam os efeitos destas sobre a receita a ser prevista. Embora seja ad hoc, a técnica pode produzir estimativas muito boas, especialmente quando pessoas experientes estão envolvidas no processo.
As aproximações conjecturais tendem a trabalhar melhor quando o ambiente econômico está mudando rapidamente. Quando as circunstâncias econômicas, políticas ou administrativas estão em fluxo intenso, métodos quantitativos não podem capturar informações importantes sobre os fatores que provavelmente estão alterando os padrões históricos, sendo pouco recomendados para o caso.
Uma variação da aproximação conjectural é a chamada previsão de consenso. Aqui, os peritos, familiarizados com os fatores que afetam um tipo particular de receita, encontram-se para discutir algumas circunstâncias gerais, a fim de definir o que provavelmente acontecerá à arrecadação de determinada receita. A previsão de consenso tende a trabalhar melhor quando há pouca informação histórica para subsidiar a elaboração de um método quantitativo de previsão.
As aproximações conjecturais de previsão têm certamente seu lugar entre os métodos de previsão. Com alguma extensão, uma perspectiva conjectural pode complementar outras técnicas de previsão, mesmo aquelas baseadas em métodos quantitativos extremamente rigorosos. Como se pode suspeitar, entretanto, as aproximações conjeturais podem estar sujeitas à polarização e a outras fontes de erro3 .

3.2 - Métodos Quantitativos de Previsão
Métodos quantitativos se baseiam em dados numéricos relevantes para a fonte de receita analisada. Tais métodos procuram, também, explicitar as hipóteses e os procedimentos usados para gerar as previsões, além de atribuírem, geralmente, uma margem de erro às previsões, fornecendo uma indicação do grau de incerteza associado às estimativas.
Há dois tipos gerais de métodos quantitativos de previsão. O primeiro trata da abordagem baseada na análise de série temporais, que consiste em um grande número de técnicas que utilizam tendências passadas para projetar as receitas futuras. A segunda abordagem geral, apesar de incorporar ainda dados de séries temporais, constrói modelos causais que usam variáveis explicativas que supostamente influenciam o nível de um certo tipo de receita.
Em geral, métodos quantitativos fazem um trabalho melhor do que os métodos qualitativos na previsão das receitas futuras (conforme já ressaltaram CIRINCIONE et al., 1999; MAKRIDAKIS; WHEELWRIGHT, 1989). Métodos quantitativos mais simples também executam previsões tão boas quanto os métodos mais complexos (veja a discussão deste ponto em MAKRIDAKIS, 1989). Finalmente, a abordagem de séries temporais normalmente apresenta melhor performance que a baseada na modelagem causal, ao menos no curto prazo, dado a incerteza associada à captura de todos os fatores econômicos relevantes que influenciam a geração da receita (FRANK, 1993, explorou este aspecto das previsões).

3.2.1 - Abordagem de Séries Temporais
As abordagens através de séries temporais são o “feijão-com-arroz” da modelagem de previsão de receitas. Foram intensivamente usadas no setor privado. Hoje, existem softwares que aplicam automaticamente as técnicas apropriadas de previsão em função das características dos dados incorporados. A hipótese principal da técnica de séries temporais é a de que os padrões associados aos valores passados de uma série de dados podem ser usados para projetar os valores futuros.
Há um grande número de abordagens de séries temporais que são usadas na previsão. Cirincione et al. (1999) discute um grande número de questões sobre o seu uso e fornece um sumário interessante sobre uma variedade de técnicas em um apêndice de seu artigo. Entre as abordagens apresentadas na descrição técnica lá apresentada, podemos citar as seguintes:

a. o modelo ingênuo
O modelo “ingênuo” de previsão supõe simplesmente que a receita disponível no tempo “t” é a mesma que estava disponível no tempo “t – 1”. Tal modelo é conhecido, também, como a abordagem do caminho aleatório (ou “random walk”).
A previsão “ingênua” é normalmente usada quando a série de dados possui um comportamento altamente imprevisível e, neste caso, a melhor previsão para o valor de amanhã é exatamente o valor observado hoje. Nenhuma das séries tributárias brasileiras apresenta um comportamento tão aleatório que justifique a adoção dessa metodologia e, por isso, não há registros de que algum ente federativo faça uso desta metodologia.

b. modelos de médias móveis
Os modelos de médias móveis são provavelmente a abordagem de séries temporais mais geralmente usada na área de previsão de receitas governamentais. Como o próprio nome diz, o valor futuro a ser previsto é baseado na média de n períodos precedentes. É uma média móvel, porque os pontos de dados mais antigos vão sendo deixados de fora à medida que novos dados são adicionados.
O tamanho do período de tempo que se deseja incluir na média depende do grau de variação apresentado pela série sob estudo. Assim, se aparece um grau elevado de aleatoriedade nos dados, um período mais longo será utilizado. Similarmente, se ciclos e sazonalidade estão presentes nos dados, períodos de tempo ainda mais longos serão requeridos.
Enquanto técnicas mais complexas de séries temporais podem apresentar resultados melhores do que a de médias móveis, estas fazem um trabalho razoavelmente bom e é usada freqüentemente como um “benchmark” na comparação com outros métodos. A série do Imposto de Renda Total, por exemplo, possui um comportamento que permite uma modelagem utilizando médias móveis e a utilização dessa metodologia para dados posteriores à implantação do Plano Real fornece previsões tão boas quanto a do Método de Indicadores da SRF.

c. Modelos de Alisamento Exponencial
O modelo de alisamento exponencial simples é uma das técnicas de previsão mais usada no setor privado. O modelo nada mais é do que uma média móvel das previsões, corrigida pelos erros observados em previsões precedentes. Neste primeiro modelo de alisamento analisado, supõe-se que não há tendência ou qualquer padrão sazonal. As previsões para um período “t” são obtidas com base em uma função de alisamento dos dados passados, estimando-se, neste caso um parâmetro a, que representa o que se denomina de coeficiente de alisamento.
Tal modelo é denominado de alisamento exponencial porque o valor de a tende a afetar exponencialmente os valores passados. Quando a se aproxima de um, a previsão assemelha-se a uma média móvel de curto prazo, e quando se torna mais próximo de zero tende a se assemelhar a médias móveis de longo prazo. Não obstante os valores assumidos para a, modelos de alisamento exponencial tendem a dar a valores mais recentes pesos implícitos mais elevados.
Modelos dessa natureza também podem ser utilizados na previsão de receitas tributárias federais e devem apresentar resultados tão bons quanto o de médias móveis.

d. O modelo de Holt
O único parâmetro apresentado no modelo de alisamento acima, a, pode ser adaptado para levar em conta as tendências que podem estar presentes nos dados. A forma descrita aqui é chamada de modelo de Holt. Além do parâmetro de alisamento estimado no modelo de alisamento exponencial, um parâmetro que representa a tendência é acrescentado.
Seguindo a exposição encontrada em Cirincione et al. (1999), a previsão no tempo t para k períodos futuros é igual ao nível da série em t mais o produto de k pela tendência no tempo t. O nível da série é estimado como uma função do valor real da série no tempo t, do nível da série no tempo precedente e da tendência estimada no tempo precedente. Neste caso, verifica-se que o novo parâmetro (b) é, também, um coeficiente de alisamento. A tendência no tempo t é estimada como uma função do valor “alisado” da mudança no nível entre os dois períodos de tempo e a tendência estimada para o período de tempo precedente.
Modelos dessa natureza já foram utilizados na previsão de receitas tributárias federais e apresentaram bons resultados, conforme se pode observar no trabalho de Melo (2001) para o caso das séries do Imposto de Renda.

e. Alisamento Exponencial com Deterioração na Tendência
Embora o modelo de Holt leve em consideração a tendência, que pode ser inerente à série dos dados, não é muito realístico supor que tal tendência permaneça presente em toda a série, indefinidamente. Uma variação conhecida como Alisamento Exponencial com Deterioração na Tendência tem o efeito de variar a tendência, à medida que o tempo flui normalmente. Tal modelo inclui um terceiro parâmetro, f, com um valor entre zero e um, que especifica uma taxa de deterioração na tendência.
Este modelos são mais adequados quando a série a ser estudada apresenta uma acentuada tendência inicial que vai perdendo a força à medida que as observações avançam no tempo.

f. Alisamento linear sazonal de Holt-Winter
Este modelo adapta o método de Holt para incluir um componente sazonal, em adição ao coeficiente de alisamento e ao parâmetro de tendência. A primeira variante do modelo é aditiva. Supõe-se, inicialmente, que a sazonalidade é constante ao longo da série que está sendo prevista. A variante multiplicativa deste modelo supõe que a sazonalidade está mudando ao longo da série. Ao incorporar a sazonalidade, aumenta-se, naturalmente, a necessidade de inclusão de mais dados.
Diversas séries tributárias apresentam comportamento bastante sazonal e a adoção desta metodologia pode melhorar significativamente a precisão das previsões. Esse é precisamente o caso das séries do Imposto de renda do IPI e da CPMF, por exemplo.
Melo (2001) demonstrou que a utilização desta metodologia poderia fornecer resultados de previsão mais precisos que o método de indicadores utilizado pela SRF, se for considerado o caso específico da arrecadação de impostos sobre a renda (IRPF, IRPJ e IRRF).

g. Os modelos ARIMA de Box-Jenkins
ARIMA é um acrônimo para o modelo Auto-Regressivo Integrado de Média Móvel. Auto-regressivo e média móvel se referem a dois dos componentes do modelo, enquanto integrado se refere ao processo de representar os cálculos em uma métrica que possa ser corretamente interpretada6 (FRANK, 1993). Uma revisão completa e detalhada pode ser encontrada nos trabalhos de Siqueira (2002) e Melo (2001), onde são abordados os principais conceitos acerca deste vasto tema7 .
A modelagem ARIMA se compõe, basicamente, de três estágios (PANKRATZ, 1983). No 1º estágio, denominado de identificação do modelo, o responsável pela previsão deve decidir se a série de tempo é auto-regressiva, de médias móveis, ou mista. Isto é feito, geralmente, de forma visual, inspecionando diagramas específicos obtidos dos dados, ou empregando várias técnicas estatísticas. No segundo e terceiro estágios, de estimação do modelo e de checagem de diagnóstico, respectivamente, o responsável pela previsão verifica se a identificação do modelo original está correta. Isto requer que se sujeite o modelo a uma variedade de técnicas de diagnóstico. Se o modelo mostrar-se adequado, o responsável pela previsão prossegue então para a previsão.
A fim de se obter melhores resultados na utilização da metodologia de Box-Jenkins (ARIMA), três hipóteses básicas precisam ser observadas. A primeira é relativa ao tamanho inicial da amostra geralmente aceita, que deve ser de, no mínimo, 50 observações (BOX; JENKINS, 1976). Este tende a ser um obstáculo significativo para muitos dados que somente são coletados anualmente.
A segunda suposição é a de que a série de dados seja estacionária, isto é, que a série varie em torno de uma média constante e com uma variância constante. Rodar uma regressão com duas variáveis não-estacionárias pode causar resultados espúrios (GRANGER; NEWBOLD, 1974). Se os dados forem não-estacionários, a série de dados deve ser diferenciada ou deve-se proceder à adição de uma tendência no tempo. Se os dados forem de tendência não-estacionária somente, a adição ao modelo de uma tendência linear no tempo tornará a série estacionária. Os dados com tendência não-estacionária têm uma média e uma variância que mudam com o tempo, mas por uma quantidade constante. Se os dados forem não-estacionários em primeira diferença, uma única diferenciação tornará a série estacionária.
A terceira hipótese para os modelos ARIMA é a de que a série seja homoscedástica, isto é, tenha uma variância constante ao longo do tempo. Se a amplitude da variação em torno da média aumentar com o tempo, mesmo após a diferenciação, a série é considerada heteroscedástica. A solução para este problema pode ser simples ou complexa e envolve medidas de ajustes tais como: usar o logaritmo natural dos dados, usar raízes quadradas ou cúbicas, truncar a série de dados, entre outros.
O primeiro componente do processo ARIMA é o auto-regressivo. Tal componente prevê os valores futuros com base em uma combinação linear dos valores passados. O segundo componente, de médias móveis, fornece as estimativas das previsões com base nos erros presente e passados de previsão.
Estes dois componentes formam, juntos, o modelo auto-regressivo de médias móveis (ARMA). Se uma série possuir tendência ou diferença estacionária, o modelo se transforma no modelo ARIMA de Box-Jenkins (BOX; JENKINS, 1976)8 .
Em trabalhos recente, Melo (2001) e Siqueira (2002, 2003) demonstraram que a utilização de modelos ARIMA fornece resultados de previsão mais precisos que o método de indicadores utilizado pela SRF. O primeiro obteve resultados melhores para o caso das receitas oriundas dos impostos sobre a renda (IRPF, IRPJ e IRRF) e o segundo ampliou os resultados, encontrando valores mais precisos para os seguintes grupos de receitas: Imposto de Importação (II), Imposto sobre Produtos Industrializados (IPI), Impostos sobre a renda (IRPF, IRPJ e IRRF), Receita Total de Impostos, Contribuição Provisória sobre Movimentação Financeira (CPMF), Receita Total de Contribuições e Receita Total Administrada pela SRF.

3.2.2 - Os modelos causais
Modelos causais de previsão tendem a ser, geralmente, mais complexos, exigindo uma grande quantidade de dados e requerendo um grau elevado de habilidade estatística. Estas abordagens tendem a funcionar melhor para as receitas que são influenciadas pesadamente por fatores econômicos. Assim, os dados externos que representam indicadores relevantes de desempenho econômico são usados para prever o nível de receita esperado.
A complexidade de modelos causais é bastante variada. O tipo mais simples seria um modelo de regressão linear que pudesse tentar projetar a receita em função do tempo, por exemplo. Por outro lado, modelos de regressão múltipla incorporariam todo o número de variáveis explicativas relevantes, incluindo variáveis importantes de política tributária, assim como variáveis “dummies” binárias. Estas variáveis são extremamente importantes se se deseja analisar eventuais mudanças significativas no comportamento dos dados ao longo do tempo (o que economicamente se denomina de mudança ou quebra estrutural). Os valores estimados das variáveis “dummies” do modelo revelam o nível médio da variável dependente durante o período de tempo considerado. Testar a igualdade dos coeficientes dessas variáveis entre os modelos pode revelar se há alguma diferença significativa no nível médio da variável dependente entre os períodos considerados.
No trabalho de Cirincione et al. (1999) podem ser observados quatro modelos comuns de regressão que empregam os mínimos quadrados ordinários.
As previsões econométricas são estruturalmente similares às equações de regressão, mas podem incluir estimativas através de sistemas de múltiplas equações. Assim, os eventos e os relacionamentos complexos podem ser modelados de forma que a saída de uma equação alimenta uma outra equação, devendo ser resolvidas simultaneamente. Os tipos de receita para as quais as previsões econométricas são mais úteis incluem aquelas cujo comportamento econômico é diretamente relacionado a variáveis perfeitamente identificáveis.
Em trabalho recente, Rodrigues (1999) utilizou um modelo causal para a estimativa da elasticidade-PIB da receita tributária no Brasil. Embora o seu objetivo não tenha sido realizar previsões, as elasticidades estimadas podem ser utilizadas para tal fim quando o objetivo for a previsão do total da receita tributária de determinado período.

4. Conclusões e Perspectivas

4.1 - Conclusões
A principal motivação para o uso de variados modelos na previsão de receitas públicas é a busca incessante de melhorias na precisão dos resultados que são fornecidos pela SRF.
A priorização recente dos modelos de séries temporais univariados, particularmente aqueles baseados na Metodologia de Box-Jenkins, em detrimento de modelos econométricos de regressão (modelos causais), se deve principalmente ao fato de que, em geral, a modelagem de uma regressão requer um amplo conhecimento das relações entre as variáveis do modelo, o que, no caso específico da arrecadação tributária, poderia gerar modelos mal parametrizados, uma vez que tais séries são dependentes de muitas variáveis econômicas, algumas delas não totalmente identificáveis. Assim, a opção por equações de regressão poderia gerar modelos não muito bem especificados, dada a dificuldade de inter-relacionar todas as variáveis envolvidas. Resultados recentes demonstraram que modelos de séries temporais baseados na Metodologia de Box-Jenkins podem melhorar significativamente as previsões obtidas pela SRF.
Alguns trabalhos , no entanto, constataram que o método atualmente utilizado pela Secretaria da Receita Federal, conhecido como método de indicadores, apesar de não fornecer previsões que sejam estatisticamente confiáveis, mostra-se superior aos modelos de séries temporais no caso de algumas séries específicas. A justificativa para a melhor performance do método dos indicadores para alguns casos particulares está no fato de que tais séries apresentam um comportamento estrutural bastante variável, em função de, entre outros fatores, terem sido promovidas diversas alterações legais em variáveis significantes da arrecadação (alíquotas, bases de cálculo, etc.), que não foram, e não são, devidamente capturadas pela metodologia ARIMA, mas que são perfeitamente identificáveis na previsão quantitativa/qualitativa realizada pela Receita Federal. Isso se dá porque os métodos quantitativos não podem capturar informações importantes sobre os fatores que provavelmente estão alterando os padrões históricos da série, quando as circunstâncias econômicas, políticas ou administrativas estão em fluxo intenso.
Dessa forma, a maior conclusão que se pode tirar dos resultados recentes de previsão de receitas públicas é a de que não há nenhum método único para se projetar receitas. Ou seja, os diferentes métodos existentes tendem a trabalhar melhor dependendo do tipo de receita que pretendem prever. Da mesma forma, não há nenhuma estrutura padrão no tempo sobre a qual se pode fundar todas as previsões. Elas variam de técnicas qualitativas relativamente informais a técnicas quantitativas altamente sofisticadas. Na previsão de receitas, mais sofisticado não significa necessariamente mais exato. Em geral, os responsáveis pela previsão usam uma variedade de técnicas, reconhecendo que algumas apresentam melhores resultados do que outras, dependendo da natureza da fonte de receita. Métodos quantitativos mais simples também podem executar previsões tão boas quanto os métodos mais complexos e a abordagem de séries temporais normalmente apresenta melhor performance que a baseada na modelagem causal, ao menos no curto prazo, dado a incerteza associada à captura de todos os fatores econômicos relevantes que influenciam a geração da receita.
Por fim, deve ser destacado o fato de que a previsão é ainda um campo amplo e inóspito da economia. As idiossincrasias e as variações não podem ser representadas completamente em um simples modelo matemático-estatístico. Para aqueles que lidam com as finanças públicas, o tópico é de uma importância crescente, especialmente em nível federal. Embora algumas destas técnicas exijam alta capacitação dos gerentes governamentais, o desenvolvimento de softwares e o auxílio de computadores (cada vez mais disponíveis nas instituições) aumentam a plausibilidade de que tais ferramentas possam ser utilizadas, mesmo em unidades menores do governo.

4.2 - Perspectivas
A discussão aqui apresentada não pretende, de forma alguma, esgotar o tema relativo à previsão da arrecadação tributária, nem mesmo inferir que os métodos aqui explicitados sejam definitivamente o melhor caminho para a Receita Federal em termos de metodologia de previsão. O intuito principal é mostrar às autoridades tributárias que existem maneiras simples de se melhorar a qualidade da previsão elaborada pela Receita Federal, com investimento razoavelmente baixo, concentrado na qualificação de seus recursos humanos e no desenvolvimento de atividades de pesquisa.
Não se pretende aqui, também, recomendar o sepultamento do método dos indicadores, já que, em algumas situações particulares, ele continua sendo uma alternativa viável, até que se desenvolvam métodos específicos para cada processo de previsão requerido.

Adicionalmente, ele pode ser empregado para eventuais ajustes nas previsões estatísticas, dada a possibilidade de incorporação de informações que dificilmente são capturadas pelos métodos quantitativos mais sofisticados.
Neste sentido, apesar de ainda existir um longo caminho a trilhar na busca de melhores resultados de previsões, o que se busca, fundamentalmente, é dar mais um passo no sentido de demonstrar a importância de se promover constantes atualizações nos procedimentos de modelagem no setor público brasileiro, à luz do avanço teórico ocorrido nos últimos anos, aproveitando, de forma complementar e integrada, a experiência dos responsáveis pela atividade de previsão acumulada ao longo desses vários anos.