Alertas de fraude em licitações: Uma abordagem baseada em redes sociais
Resumo
No Brasil, licitações públicas devem garantir a transparência e a livre concorrência entre licitantes. No entanto, o monitoramento de irregularidades é complexo por envolver um enorme volume de dados e uma quantidade reduzida de especialistas. Nesse contexto, este trabalho propõe o uso de uma metodologia baseada em conceitos de trilhas de auditagem e redes sociais para criar alertas de fraude em licitações, de forma a auxiliar no combate à corrupção. A caracterização e a análise de uma rede social real, associada a um estudo de caso com uma possível licitação fraudulenta, revelam que a metodologia apresentada consegue identificar licitações suspeitas, em geral, identificadas por mais de uma trilha de auditagem.
Palavras-chave:
fraude em licitações, análise de redes sociais, trilhas de auditagem
Referências
Abidi, W. U. H. et al. (2021). Real-time shill bidding fraud detection empowered with fussed machine learning. IEEE Access, 9:113612–113621.
Andrade, P. H. M. A. et al. (2020). Auditing government purchases with a multicriteria anomaly detection strategy. J. Inf. Data Manag., 11(1).
Anowar, F. and Sadaoui, S. (2019). Multi-class ensemble learning of imbalanced bidding fraud data. In Canadian AI, volume 11489 of Lecture Notes in Computer Science, pages 352–358. Springer.
Araújo, J. L. et al. (2021). Caracterização de caminhos mais prováveis em uma rede complexa de processos jurídicos. In BraSNAM, pages 44–54, Porto Alegre, Brasil. SBC.
Barabási, A.-L. (2016). Network science. Cambridge University Press.
Elshaar, S. and Sadaoui, S. (2020). Detecting bidding fraud using a few labeled data. In ICAART, pages 17–25. SCITEPRESS.
Ganguly, S. and Sadaoui, S. (2018). Online detection of shill bidding fraud based on machine learning techniques. In IEA/AIE, volume 10868 of Lecture Notes in Computer Science, pages 303–314. Springer.
Grace, E. et al. (2016). Detecting fraud, corruption, and collusion in international development contracts: The design of a proof-of-concept automated system. In IEEE BigData, pages 1444–1453. IEEE Computer Society.
Lima, M. et al. (2020). Inferring about fraudulent collusion risk on Brazilian public works contracts in official texts using a Bi-LSTM approach. In EMNLP, pages 1580–1588, Online. ACL.
Pereira, R. and Murai, F. (2021). Quão efetivas são redes neurais baseadas em grafos na detecção de fraude para dados em rede? In BraSNAM, pages 205–210, Porto Alegre, Brasil. SBC.
Ralha, C. G. and Silva, C. V. S. (2012). A multi-agent data mining system for cartel detection in brazilian government procurement. Exp. Syst. Appl., 39(14):11642–11656.
Velasco, R. B. et al. (2021). A decision support system for fraud detection in public procurement. Int. Trans. Oper. Res., 28(1):27–47.
Vlasselaer, V. V. et al. (2015). AFRAID: fraud detection via active inference in timeevolving social networks. In ASONAM, pages 659–666. ACM.
Andrade, P. H. M. A. et al. (2020). Auditing government purchases with a multicriteria anomaly detection strategy. J. Inf. Data Manag., 11(1).
Anowar, F. and Sadaoui, S. (2019). Multi-class ensemble learning of imbalanced bidding fraud data. In Canadian AI, volume 11489 of Lecture Notes in Computer Science, pages 352–358. Springer.
Araújo, J. L. et al. (2021). Caracterização de caminhos mais prováveis em uma rede complexa de processos jurídicos. In BraSNAM, pages 44–54, Porto Alegre, Brasil. SBC.
Barabási, A.-L. (2016). Network science. Cambridge University Press.
Elshaar, S. and Sadaoui, S. (2020). Detecting bidding fraud using a few labeled data. In ICAART, pages 17–25. SCITEPRESS.
Ganguly, S. and Sadaoui, S. (2018). Online detection of shill bidding fraud based on machine learning techniques. In IEA/AIE, volume 10868 of Lecture Notes in Computer Science, pages 303–314. Springer.
Grace, E. et al. (2016). Detecting fraud, corruption, and collusion in international development contracts: The design of a proof-of-concept automated system. In IEEE BigData, pages 1444–1453. IEEE Computer Society.
Lima, M. et al. (2020). Inferring about fraudulent collusion risk on Brazilian public works contracts in official texts using a Bi-LSTM approach. In EMNLP, pages 1580–1588, Online. ACL.
Pereira, R. and Murai, F. (2021). Quão efetivas são redes neurais baseadas em grafos na detecção de fraude para dados em rede? In BraSNAM, pages 205–210, Porto Alegre, Brasil. SBC.
Ralha, C. G. and Silva, C. V. S. (2012). A multi-agent data mining system for cartel detection in brazilian government procurement. Exp. Syst. Appl., 39(14):11642–11656.
Velasco, R. B. et al. (2021). A decision support system for fraud detection in public procurement. Int. Trans. Oper. Res., 28(1):27–47.
Vlasselaer, V. V. et al. (2015). AFRAID: fraud detection via active inference in timeevolving social networks. In ASONAM, pages 659–666. ACM.
Publicado
31/07/2022
Como Citar
COSTA, Lucas L. et al.
Alertas de fraude em licitações: Uma abordagem baseada em redes sociais. In: BRAZILIAN WORKSHOP ON SOCIAL NETWORK ANALYSIS AND MINING (BRASNAM), 11. , 2022, Niterói.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 37-48.
ISSN 2595-6094.
DOI: https://doi.org/10.5753/brasnam.2022.223175.
