Dados do Trabalho

Título

MODELO DE CLASSIFICAÇAO DE LICITAÇOES GUIADO POR PROBABILIDADES PARA DETECÇAO DE CONLUIOS

Introdução

O Banco Mundial estima que no Brasil as licitações públicas representaram 20% do PIB de 2018 [Bosio 2020]. Por sua vez, fraudes em processos licitatórios adulteram a competição do processo, com fins ilícitos. A literatura busca detectar fraudes através de fatores como condições de mercado, preços das propostas e sua distribuição [Signor 2020]. Estes fatores foram utilizados para a classificação de licitações através do uso de aprendizagem de máquina [Rodríguez 2022].

Objetivos

Neste trabalho, propomos agrupar as empresas por sua participação em licitações fraudulentas anteriores, e quantificar a probabilidade desta participação conjunta ser superior ao acaso

Parte experimental

Propomos o processo ilustrado na Figura 1 para classificação das licitações. Primeiro, agrupar as empresas pelo histórico de licitações (dataset). Depois, computar a probabilidade condicionada de uma licitação ser fraude usando o Teorema de Bayes. Por fim, construir um modelo de classificação das licitações guiado pelas probabilidades.

Resultados e Discussões

Para a comparação da métrica proposta neste trabalho e as métricas da literatura, criamos 4 configurações: (1) métricas de [Rodríguez 2022]; (2) métricas de [Signor 2020]; (3) probabilidade condicionada proposta e (4) originais das licitações. De acordo com os resultados obtidos, o modelo proposto obteve ótimo desempenho, em especial se comparado com as outras três métricas já existentes, chegando, em alguns casos, a apresentar 97,00% de acurácia.

Conclusões

Agrupar empresas pelo seu histórico de licitações conjuntas apresentou robustez na classificação de fraude, comparada às métricas da literatura.

Referências e agradecimentos

Bosio, E. and Djankov, S. (2020). How large is public procurement?
Rodríguez, M. J. G., Rodríguez-Montequín, V., Ballesteros-Pérez, P., Love, P. E., and
Signor, R. (2022). Collusion detection in public procurement auctions with machine
learning algorithms. Automation in Construction.
Signor, R., Love, P. E. D., Belarmino, A. T. N., and Olatunji, O. A. (2020). Detection of
collusive tenders in infrastructure projects: Learning from operation car wash. Journal
of Construction Engineering and Management

Palavras Chave

agrupamento, licitação pública, aprendizado de máquina.

Arquivos

Área

Engenharia Legal