Ranqueamento de Licitações Públicas a partir de Alertas de Fraude

• Gabriel P. Oliveira UFMG
• Bárbara M. A. Mendes UFMG
• Camila S. Braz UFMG
• Lucas L. Costa UFMG
• Mariana O. Silva UFMG
• Michele A. Brandão UFMG / IFMG
• Anisio Lacerda UFMG
• Gisele L. Pappa UFMG

DOI: https://doi.org/10.5753/brasnam.2023.232105

Resumo

A detecção de fraudes é uma tarefa complexa nos diversos cenários. Este trabalho representa uma contribuição para essa tarefa ao propor uma abordagem para ranquear licitações públicas suspeitas de possuírem algum tipo de fraude. Para isso, foram elaboradas 19 trilhas de auditagem, que foram modeladas como uma rede social, e uma estratégia para considerar os alertas levantados por elas no ranqueamento. Os resultados revelam que a abordagem de ranqueamento foi capaz de identificar licitações suspeitas de fraude.

Referências

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 LNCS, pages 352–358. Springer.

Araújo, J. L. et al. (2021). Caracterização de c̈aminhos mais prováveisëm uma rede complexa de processos jurídicos. In BraSNAM, pages 44–54, Porto Alegre, Brasil. SBC.

Barabási, A.-L. (2016). Network science. Cambridge University Press.

Braz, C. et al. (2023). Análise de irregularidades em licitações públicas com foco em empresas de pequeno porte. In WCGE. SBC. [em submissão].

Costa, L. L. et al. (2022). Alertas de fraude em licitações: Uma abordagem baseada em redes sociais. In BraSNAM, pages 37–48. SBC.

Costa, L. L. et al. (2023). Identificação de licitações suspeitas de fraude por meio de trilhas de auditagem. iSys. [aceito para publicação].

Florentino, É. S. et al. (2022). Identificando suspeitos de crimes por meio de interações implícitas no youtube. iSys, 15(1):3–1.

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.

Kansaon, D. P. et al. (2019). Análise de algoritmos de classificação para detecção de emoções em tweets em português brasileiro. iSys, 12(3):116–138.

Li, P. et al. (2023). LGM-GNN: A local and global aware memory-based graph neural network for fraud detection. IEEE Transactions on Big Data.

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.

Oliveira, G. P. et al. (2022). Detecting inconsistencies in public bids: An automated and data-based approach. In WebMedia, pages 182–190.

Óskarsdóttir, M. et al. (2022). Social network analytics for supervised fraud detection in insurance. Risk Analysis, 42(8):1872–1890.

Park, C. H. and Kim, K. (2020). E-government as an anti-corruption tool: Panel data analysis across countries. Intl. Review of Administrative Sciences, 86(4):691–707.

Santoro, F. M. et al. (2020). Process mining techniques in internal auditing: A stepwise case study. iSys, 13(4):48–76.

Velasco, R. B. et al. (2021). A decision support system for fraud detection in public procurement. Int. Trans. Oper. Res., 28(1):27–47.

Yu, W. et al. (2023). A multiperspective fraud detection method for multiparticipant e-commerce transactions. IEEE Transactions on Computational Social Systems.