Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/47956
Files in This Item:
File SizeFormat 
RodrigoVilelaFonsecaDeSouza_DISSERT.pdf1,67 MBAdobe PDFView/Open
Title: Identificação automática de conluio em pregões do Comprasnet com aprendizado de máquina
Other Titles: Collusion identification in Comprasnet with machine learning
Authors: Souza, Rodrigo Vilela Fonseca de
Orientador(es):: Nery, Alexandre Solon
Coorientador(es):: Mendonça, Fábio Lúcio Lopes de
Assunto:: Licitação pública
Pregão eletrônico
Aprendizagem de máquina
Cartel
Issue Date: 28-Feb-2024
Citation: SOUZA, Rodrigo Vilela Fonseca de. Identificação automática de conluio em pregões do Comprasnet com aprendizado de máquina. 2023. xiii, 71 f., il. Dissertação (Mestrado Profissional em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2023.
Abstract: O Governo Federal Brasileiro executa um grande volume de licitações públicas da modalidade pregão por meio do Portal de Compras Comprasnet. No período de 2018 a 2021, aproximadamente R$ 144 bilhões foram licitados com a execução de mais de 122 mil processos desta modalidade. A auditoria destes certames é uma das atribuições da Controladoria Geral da União - CGU, que desenvolveu ferramentas para apoiar esta atividade, envolvendo o processamento de um grande volume de dados. Isso possibilita que os pregões eletrônicos sejam auditados e diversas irregularidades identificadas em tempo de serem sanadas. Entre os anos de 2019 e 2020, após atuações preventivas da CGU, licitações que totalizaram mais de R$ 6,7 bilhões foram revogadas, suspensas ou ajustadas. Entre as irregularidades que a CGU busca combater, a identificação de conluio entre licitantes é de difícil identificação, dado o volume diário de novas licitações e o conjunto de variáveis envolvidas no processo. A Inteligência Artificial aplicada à análise de dados, a partir de algoritmos de aprendizado de máquina, se apresenta como promissora na indicação de conluio entre os participantes de uma licitação. Neste trabalho, foi realizado o estudo de um conjunto de algoritmos de aprendizado de máquina aplicados na identificação de conluio, em 4 cenários distintos, sobre dois datasets gerados a partir do Comprasnet e outros datasets de conluio publicados. De forma geral, nos melhores cenários, os algoritmos baseados em ensemble methods obtiveram uma acurácia maior que 87%. Considerando todas as métricas adotadas no experimento, o algoritmo de melhor desempenho foi o Extra Trees, capaz de indicar novos possíveis casos de conluio em itens de pregões realizados no Comprasnet.
Abstract: The Brazilian Federal Government executes a large volume of public procurements through the Comprasnet Procurement Portal, which is a website for electronic auctions available for bidders nationwide and abroad. In the period from 2018 to 2021, approximately R$144 billion bids were applied within Comprasnet, with the execution of more than 122 thousand processes of this modality. The audit of these events is one of the duties of the Federal Comptroller General (Controladoria Geral da União - CGU) agency, which has developed tools to support such audit activities, especially involving a large volume of data processing. Thus, it is possible for electronic trading sessions to be audited in time to identify irregularities and rectify them. Between 2019 e 2020, following CGU preventive actions, around R$ 6.7 billion auctions were revoked, suspended or adjusted. Among the irregularities, collusion is difficult to identify, given the set of variables involved in the process. Artificial Intelligence applied to data analysis, through Machine Learning algorithms, presents itself as a promising method towards the detection of collusion between the auction’s participants. In this work, a study of machine learning algorithms was carried out, in 4 different scenarios, on two datasets extracted from Comprasnet and other published collusion datasets. In the best scenarios, ensemble methods algorithms achieved an accuracy greater than 87%. Considering all metrics applied, Extra Trees was the algorithm with the best performance, capable of indicating new possible collusion cases.
metadata.dc.description.unidade: Faculdade de Tecnologia (FT)
Departamento de Engenharia Elétrica (FT ENE)
Description: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, 2023.
metadata.dc.description.ppg: Programa de Pós-Graduação em Engenharia Elétrica, Mestrado Profissional
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:Teses, dissertações e produtos pós-doutorado

Show full item record " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/47956/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.