Estimating the Risk of Failure in Government Auctions in Brazil

• João B. R. Fonseca UnB / TCU
• Luís F. P. Garcia UnB
• Marcos F. Caetano UnB

DOI: https://doi.org/10.5753/eniac.2024.245280

Resumo

O governo federal brasileiro realiza aproximadamente 63 mil pregões eletrônicos por ao ano, com despesas de cerca de R$190 bilhões. Agências de fiscalização enfrentam desafios para monitorar essas aquisições devido ao alto volume e custo. Este artigo propõe um modelo para classificar os pregões com base no risco de irregularidades. Os resultados obtidos indicam que o modelo de aprendizagem de máquina baseado no algoritmo XGBoost é eficaz na identificação de itens de pregão com maior risco de irregularidades graves, com um recall de 84% para a classe de interesse. O modelo tem o potencial de otimizar os recursos de fiscalização, direcionando os esforços para os pregões mais críticos, aumentando a probabilidade de detectar irregularidades e a expectativa de controle dos órgãos governamentais fiscalizados.

Palavras-chave: Aprendizagem de máquina, classificação, pregão, irregularidade

Referências

Brandão, M. A., Reis, A. P. G., Mendes, B. M. A., Almeida, C. A. B. D., Oliveira, G. P., Hott, H., Gomide, L. D., Costa, L. L., Silva, M. O., Lacerda, A., and Pappa, G. L. (2024). PLUS: A Semi-automated Pipeline for Fraud Detection in Public Bids. Digital Government: Research and Practice, 5(1), 1-16.

Brasil. (2024). Painel de Compras. Ministério da Gestão e da Inovação em Serviços Públicos. Disponível em: [link]. Consulta em 11/7/2024.

Carvalho Neto, A., Freitas, C., Cruz, I., and Akutsu, L. (2011). Auditoria governamental. Brasília: TCU, Instituto Serzedello Correa.

Cunha, M., and Soares, M. (2002). Um estudo introdutório para mensurar o grau de exposição dos órgãos governamentais ao risco do desvio ético. In BRASIL. Desvios éticos: risco institucional, pages 13-23. Brasília: Comissão de Ética Pública.

Domingos, S. L., Carvalho, R. N., and Ramos, G. N. (2016). Identifying it purchases anomalies in the brazilian government procurement system using deep learning. In 15th IEEE ICMLA, pages 722-727.

Henrique, B. M., Sobreiro, V. A., and Kimura, H. (2020). Contracting in brazilian public administration: A machine learning approach. Expert Systems, 37(5).

Lyra, M. S., Damásio, B., Pinheiro, F. L., and Bacao, F. (2022). Fraud, corruption, and collusion in public procurement activities, a systematic literature review on data-driven methods. Applied Network Science, 7(1).

Maia, P., Meira Jr., W., Cerqueira, B., and Cruz, G. (2020). Auditing Government Purchases with a Multicriteria Anomaly Detection Strategy. Journal of Information and Data Management, 11(1), 50-65.

Mariotto, F. L. (1991) O conceito de competitividade da empresa: uma análise crítica. Revista de Administração de Empresas, 31(2), 37-52.

Menezes, T. L. de, Andrade, N. F. de, and Morais, F. J. A. (2023). The Effectiveness of Machine Learning to Estimate the Risk of Failure in Brazilian Public Contracts. In 2023 International Conference on Machine Learning and Applications (ICMLA), pages 2071-2078.

Shwartz-Ziv, R., and Armon, A. (2022). Tabular data: Deep learning is not all you need. Information Fusion, 81, 84-90.

Sun, T., and Sales, L. J. (2018). Predicting Public Procurement Irregularity: An Application of Neural Networks. Journal of Emerging Technologies in Accounting, 15(1), 141-154.