Incentivos fiscais: análise da transparência das informações prestadas pelas empresas beneficiárias atuantes na Bolsa de Valores
Bibliographic record
Abstract
Os incentivos fiscais são uma das alternativas que as empresas buscam para a redução dos custos, devido à alta carga tributária brasileira. Desse modo, este estudo teve como objetivo principal analisar se as informações referentes aos incentivos fiscais estão adequadamente apresentadas nas demonstrações contábeis das empresas beneficiárias. Com isso, foram analisadas as demonstrações do ano de 2018 de 149 empresas brasileiras de capital aberto que possuem incentivos nos âmbitos federal, por meio do Imposto de Renda Pessoa Jurídica (IRPJ), e no estadual, pelo Imposto sobre Circulação de Mercadorias e Serviços (ICMS). Para tanto, foram estabelecidos cinco critérios para a análise dos dados, com base no CPC 07 – Subvenção e Assistência Governamentais – e, como resultado, verificou-se que, na sua grande maioria, as empresas não apresentam todos os indicadores de maneira que cumpram com a legislação. Por fim, é importante que esses dados sejam informados da forma mais transparentes possível, devido à legislação, já que os incentivos fiscais influenciam nos resultados das empresas.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.038 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".