Reconhecimento de cenários baseado nas localizações dos fornecedores do governo federal

Abstract

Uma das características mais comuns em qualquer esquema de corrupção ou desvio de recursos públicos é a presença de fornecedores de fachada, através dos quais se dá uma aparência legal a recursos com destinação ilícita. Este trabalho investiga a aplicação de um classificador de imagens para auxiliar na detecção de tais fornecedores, utilizando redes neurais convolucionais (CNN em inglês). Foram obtidas cerca de 120 mil imagens de 30 mil fornecedores com contratos ativos com o Executivo Federal entre 2016 e 2017, por meio de pesquisas de endereços pela API do Google Street View. Cada imagem baixada foi classificada entre cenários comerciais (lojas de rua) e não comerciais (diferentes de lojas de rua), através do ajuste fino de uma rede convolucional pré-treinada com milhões de imagens e centenas de categorias de cenários do banco de imagens Places365. Ao final, verificamos que é possível ajustar com sucesso modelos de redes convolucionais para diferenciar cenários entre comerciais e não comerciais, e o desempenho dos modelos ajustados não depende de orientações específicas das imagens. Além disso, os resultados obtidos com testes Qui-Quadrado e Regressão Logística permitiram verificar que existe uma relação estatisticamente significativa entre um cenário ser comercial e a diminuição de risco de punição de um fornecedor, especialmente em algumas classes de atividade econômica relacionadas à Administração Pública, Saúde e Outros Serviços. Entretanto, esta informação ainda possui baixo valor preditivo se comparada a algumas das tipologias já levantadas no âmbito do Ministério da Transparência e Controladoria-Geral da União (CGU).