Aplicación de técnicas de aprendizaje automático en la previsibilidad de la recaudación de la Compensación Financiera por la Explotación de Recursos Minerales (CFEM): Un estudio de caso en el Municipio de Parauapebas, Estado de Pará (PA), Brasil
DOI:
https://doi.org/10.33448/rsd-v14i6.48913Palabras clave:
CFEM; Predicción de ingresos; Mineria; Parauapebas; Aprendizaje automático.Resumen
El presente artículo tiene como objetivo aplicar modelos supervisados de aprendizaje automático, más específicamente los algoritmos Random Forest Regressor y K-Nearest Neighbors (KNN), para prever el valor recaudado por la Compensación Financiera por la Explotación de Recursos Minerales (CFEM) en el Municipio de Parauapebas, Estado de Pará (PA), Brasil. Este artículo presenta una aplicación de modelos de aprendizaje automático para prever la recaudación de la CFEM, centrándose en el municipio de Parauapebas. La investigación se caracteriza como aplicada, cuantitativa y descriptiva, utilizando algoritmos de regresión supervisada — Random Forest y K-Nearest Neighbors — sobre datos públicos de la Agencia Nacional de Minería (ANM), entre 2015 y 2024. Los resultados demostraron que el modelo Random Forest tuvo un mejor rendimiento predictivo en comparación con KNN, alcanzando un coeficiente de determinación (R²) superior a 0,90. La previsión para el mes de enero de 2025 indicó una recaudación superior a los R$ 100 millones, lo que destaca el potencial del modelado para apoyar la planificación presupuestaria municipal. Se concluye que las técnicas de inteligencia artificial pueden contribuir significativamente a la gestión pública en municipios mineros, especialmente en contextos con alta dependencia de los ingresos por CFEM.
Citas
Agência Nacional de Mineração. (2024). Sistema de arrecadação da CFEM. https://www.gov.br/anm
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
Farias, R., Oliveira, M., & Silva, J. (2022). Previsão de receitas públicas com técnicas de inteligência artificial. Revista de Administração Pública, 56(3), 233–250. https://doi.org/10.1590/0034-761220210100
Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O’Reilly Media.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Elsevier.
Instituto Brasileiro de Geografia e Estatística. (2023). Estimativas populacionais para os municípios brasileiros. https://www.ibge.gov.br
Kotsiantis, S. B. (2013). Decision trees: A recent overview. Artificial Intelligence Review, 39(4), 261–283. https://doi.org/10.1007/s10462-011-9272-4
Kuhn, M., & Johnson, K. (2013). Applied predictive modeling. Springer. https://doi.org/10.1007/978-1-4614-6849-3
Li, B., Hou, B., Yu, W., Lu, X., & Yang, C. (2017). Applications of artificial intelligence in intelligent manufacturing: A review. Frontiers of Information Technology & Electronic Engineering, 18(1), 86–96. https://doi.org/10.1631/FITEE.1601885
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. https://proceedings.neurips.cc/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf
Organisation for Economic Co-operation and Development. (2023). Revenue statistics in Latin America and the Caribbean 2023. https://www.oecd.org
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica (e-book gratuito). Santa Maria/RS: Ed. UAB/NTE/UFSM. https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf
Raschka, S., & Mirjalili, V. (2020). Python machine learning: Machine learning and deep learning with Python, Scikit-learn, and TensorFlow 2 (3rd ed.). Packt Publishing.
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). “Why should I trust you?”: Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1135–1144). https://doi.org/10.1145/2939672.2939778
Shrivastava, A., Pandey, A., & Singh, N. (2024). Artificial intelligence: Evolution, methodologies, and applications. International Journal for Research in Applied Science and Engineering Technology, 12(4), 1212–1221. https://doi.org/10.22214/ijraset.2024.01234
Silva, D. P., & Souza, H. R. (2023). O uso de dados abertos para planejamento público: Estudo de caso em municípios mineradores. Revista Gestão Pública e Cidadania, 28(2), 134–152. https://doi.org/10.12660/rgpc.v28n2.2023.89123
Souza, R. M., & Costa, E. M. (2021). Aplicações de aprendizado de máquina em finanças públicas: Uma revisão sistemática. Revista Brasileira de Computação Aplicada, 13(2), 45–62. https://doi.org/10.5935/2238-1031.20210006
World Bank. (2023). Natural resources governance: Fiscal tools and revenue management. https://www.worldbank.org
Yin, R. K. (2015). O estudo de caso. Porto Alegre: Bookman.
Zhou, Z.-H. (2021). Machine learning (2nd ed.). Springer. https://doi.org/10.1007/978-981-15-5987-4
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Keny Lucas da Silva Goes; Kaua Chrystian da Silva Goes
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
