MODELAGEM PREDITIVA PARA A DETECÇÃO DE ANOMALIAS EM CONTRATOS PÚBLICOS
DOI:
https://doi.org/10.56238/revgeov16n5-072Palavras-chave:
Mineração de Dados, Contratos Públicos, Detecção de Anomalias, AI Explicável (XAI), BlockchainResumo
Os contratos públicos representam uma das áreas mais significativas de gastos do governo e, consequentemente, uma das mais vulneráveis a ineficiências e irregularidades. Este estudo propõe e valida um framework preditivo de ciência de dados destinado a detectar anomalias em contratos públicos, focando especificamente na probabilidade de alterações financeiras (aditivos) como indicadores de potenciais desvios. A pesquisa segue uma estrutura metodológica de ponta a ponta, abrangendo aquisição de dados de fontes abertas, pré-processamento, engenharia de recursos e implementação de um modelo Gradient Boosting Machine (GBM) otimizado para conjuntos de dados altamente desequilibrados. A validação empírica revelou um desempenho forte, com o modelo alcançando uma taxa de recordação de 0,85, enfatizando a sensibilidade sobre a precisão para minimizar a não detecção de irregularidades reais. Além do desenvolvimento técnico, o estudo também discute a necessidade de Inteligência Artificial Explicável (XAI) para transparência algorítmica e explora a tecnologia Blockchain como uma base potencial para a próxima geração de ecossistemas de auditoria. Por fim, o documento contribui com um roteiro reprodutível para a governança algorítmica, fortalecendo os mecanismos de supervisão proativa e apoiando a tomada de decisões baseada em dados no setor público.
Downloads
Referências
Abidi, W. U. H., et al. (2021). Real-time shill bidding fraud detection empowered with fused machine learning. IEEE Access, 9, 113612–113621.
Abreu, B. M. de, Pereira, T. H. S., & Gomes-Jr, L. (2024). Detecção de fraudes em licitações públicas: Uma comparação de modelos de detecção de anomalias. In Anais da XIX Escola Regional de Banco de Dados (ERBD) (pp. 81–90). Farroupilha, RS, Brazil. https://doi.org/10.5753/erbd.2024.238821
Agostino, D., et al. (2022). Data science in promoting the participation of SMEs in public biddings. ResearchGate Preprint. https://www.researchgate.net/publication/385421403
Aldana, A., Falcón-Cortés, A., & Larralde, H. (2022). A machine learning model to identify corruption in Mexico’s public procurement contracts. arXiv preprint, arXiv:2211.01478.
Alghamdi, R., & Khan, F. (2023). Blockchain as a driver for transformations in the public sector. Information Polity, 28(1), 1–20.
Araújo, V. S., Freitas, M. G., & Martin, M. V. A. (2021). Blockchain e o futuro dos contratos administrativos. Revista Quaestio Iuris, 14(1), 481–503. https://doi.org/10.12957/rqi.2021.48956
Bryson, J. J., & Winfield, A. F. T. (2017). Standardizing ethical design for artificial intelligence and autonomous systems. Computer, 50(5), 116–119. https://doi.org/10.1109/MC.2017.154
Carvalho, G. G. de A., & Cunha, M. A. R. de A. (2020). Potenciais aplicações e consequências do uso da blockchain para a administração pública. Revista de Administração Contemporânea, 24(2), 164–178.
Carvalho, S. S. T. (2021). Impacto da inteligência artificial na atividade de auditoria. Cadernos de Finanças Públicas, 21, 1–25.
Dantas, F. F. C. de A., Cerqueira, A. L. O. de, & Aguiar, R. A. de. (2024). Governança algorítmica e inteligência artificial na auditoria governamental: Desafios e oportunidades do sistema Alice. Repositório Institucional da Enap. https://repositorio.enap.gov.br/handle/1/8764
de Carvalho, G. H. F., et al. (2010). Toxicological effects of ethanolic extract of seed and bark of Persea americana (Lauraceae), on larvae and pupae of Aedes albopictus (Skuse, 1894) (Diptera, Culicidae). Vita et Sanitas, 4(1), 21–33.
de Carvalho, G. H. F., et al. (2011). Atividade inseticida do extrato bruto etanólico de Persea americana (Lauraceae) sobre larvas e pupas de Aedes aegypti (Diptera, Culicidae). Revista de Patologia Tropical/Journal of Tropical Pathology, 40(4), 348–361.
de Carvalho, G. H. F., et al. (2019a). Larvicidal and pupicidal activities of eco-friendly phenolic lipid products from Anacardium occidentale nutshell against arbovirus vectors. Environmental Science and Pollution Research, 26(6), 5514–5523.
de Carvalho, G. H. F., et al. (2019b). Ovicidal and deleterious effects of cashew (Anacardium occidentale) nut shell oil and its fractions on Musca domestica, Chrysomya megacephala, Anticarsia gemmatalis, and Spodoptera frugiperda. Chemistry & Biodiversity, 16(5), e1800468.
de Carvalho, G. H. F., de Medeiros, G. G., & Magalhães, R. de L. B. (2024). Subnotificação de doença de Chagas no Estado do Amapá no período da pandemia de COVID-19. Caderno Pedagógico, 21(9), e7609.
Fernandes, L. S., Silva, J. P. R. da, & Oliveira, L. F. de. (2021). Mineração de dados no Portal da Transparência para análise de licitações. Revista de Sistemas e Computação, 11(2).
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189–1232.
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 International Conference on Big Data (pp. 1444–1453). Washington, DC: IEEE.
IBM. (2022). What is feature engineering? IBM Knowledge Center. https://www.ibm.com/think/topics/feature-engineering
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. In Proceedings of the 31st International Conference on Neural Information Processing Systems (pp. 4768–4777). Long Beach, CA: NIPS.
Moura, L. M. F., et al. (2020). Blockchain e a perspectiva tecnológica para a administração pública: Uma revisão sistemática. Revista de Administração Contemporânea, 24(3), 259–274.
Nai, R., Al-Boni, M. S., & Bifet, A. (2022). Public procurement fraud detection and artificial intelligence techniques: A literature review. In Workshop on Legal Data Analysis and Mining (LeDAM).
Raji, I. D., et al. (2020). Closing the AI accountability gap: Defining an end-to-end framework for internal algorithmic auditing. In Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (FAT) (pp. 33–44). Barcelona, Spain: ACM.
Rodríguez, M. J. G., et al. (2022). Collusion detection in public procurement auctions with machine learning algorithms. Automation in Construction, 133, 104055.
Vieira, A. R. M. (2025). Protótipo de um sistema de geração automatizada de pareceres de auditoria baseado em aprendizado de máquina. Repositório Institucional da UFC. https://repositorio.ufc.br/handle/riufc/82469
Williams, P. (2015). Government data does not mean data governance: Lessons from a public sector audit. Government Information Quarterly, 32(3), 324–331.
