Classificação de fraudes em licitações públicas através do agrupamento de empresas em conluios

  • David P. Galvão Júnior UFPB
  • Gilberto F. de Sousa Filho UFPB
  • Lucídio dos Anjos F. Cabral UFPB

Resumo


Fraudes em licitações causam enormes prejuízos à sociedade, e são alvo de intensa investigação das autoridades. Muitos trabalhos procuram analisar os valores financeiros das propostas durante a concorrência de uma licitação, procurando classificá-la como fraude. Neste trabalho, propomos agrupar as empresas que participam das mesmas licitações fraudulentas, quantificando a probabilidade de cada grupo ser conluio, e aplicar esta métrica em algoritmos de aprendizado de máquina para classificar novas licitações. Resultados demonstram uma melhora na correlação de validação cruzada de até 9% comparada à classificação obtida pelas métricas da literatura.
Palavras-chave: detecção de conluios, aprendizagem de máquina, análise de agrupamentos

Referências

Bosio, E. and Djankov, S. (2020). How large is public procurement? Breiman, L., Friedman, J., Stone, C., and Olshen, R. (1984). Classification and Regression Trees. Taylor & Francis.

Domingos, P. M. and Pazzani, M. J. (1996). Beyond independence: Conditions for the optimality of the simple bayesian classifier. In International Conference on Machine Learning.

du Boisberranger, J., Van den Bossche, J., Estève, L., and J. Fan, T. (2022). scikit-learn: machine learning in python.

Fawcett, T. (2006). An introduction to roc analysis. Pattern Recognition Letters, 27(8):861–874. ROC Analysis in Pattern Recognition.

Huber, M. and Imhof, D. (2019). Machine learning with screens for detecting bid-rigging cartels. International Journal of Industrial Organization, 65:277–301.

Imhof, D., Blatter, M., Brisset, K., BUhler, S., Egli, A., Karagök, Y., Madı̀, T., Schmutzler, A., and Wyssling, M. (2017). Simple statistical screens to detect bid rigging acknowledgement.

Imhof, D., Karagök, Y., and Rutz, S. (2018). SCREENING FOR BID RIGGING—DOES IT WORK? Journal of Competition Law & Economics, 14(2):235–261.

Langley, P., Iba, and, W., and Thompson, K. (1992). An analysis of bayesian classifiers. In Proceedings of the Tenth National Conference on Artificial Intelligence, AAAI’92, page 223–228. AAAI Press.

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, 133.

Sakkis, G., Androutsopoulos, I., Paliouras, G., Karkaletsis, V., Spyropoulos, C. D., and Stamatopoulos, P. (2003). A memory-based approach to anti-spam filtering for mailing lists. Inf. Retr., 6(1):49–73.

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, 146.
Publicado
06/08/2023
GALVÃO JÚNIOR, David P.; SOUSA FILHO, Gilberto F. de; CABRAL, Lucídio dos Anjos F.. Classificação de fraudes em licitações públicas através do agrupamento de empresas em conluios. In: WORKSHOP DE COMPUTAÇÃO APLICADA EM GOVERNO ELETRÔNICO (WCGE), 11. , 2023, João Pessoa/PB. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 13-24. ISSN 2763-8723. DOI: https://doi.org/10.5753/wcge.2023.229519.