Uma avaliação dos métodos de inteligência artificial para a classificação de empresas corruptas através da modelagem das relações público-privadas

Abstract

A Inteligência Artificial e sua aplicação nos mais diversos ramos de atividades, vêm sido vigorosamente estudada pela academia internacional em busca de soluções transformadoras para os problemas reais enfrentados pelas organizações. Nesse estudo, inspirado no trabalho de Barboza (2017) na predição de insolvência, buscamos realizar testes com métodos de aprendizagem de máquinas (support vector machine, bagging, boosting, random forest e artificial neural network) com intuito de classificar virtualmente aquelas empresas que realizaram contratos fraudados com o Governo através do favorecimento de agentes públicos. Coletamos dados de todas as despesas efetuadas pelo Governo Federal, no período de 2011 a 2017 e relacionamos com o Cadastro de Empresas Inidôneas e Suspensas e o Cadastro Nacional de Empresas Punidas com o objetivo de modelar objetivamente o relacionamento dessas empresas com a esfera pública. Através dessa modelagem foi possível alcançar métricas interessantes e conseguimos observar um modesto destaque para os métodos baseados em aprendizagem de máquina em relação aos métodos estatísticos, porém, uma diferença significativa ao acrescentarmos todas as variáveis coletadas, verificando a dificuldade desses modelos de trabalhar com um número acentuado de variáveis, contribuindo para o debate levantado por Tsai, Hsu e Yen (2014) acerca da superioridade dos métodos computacionais. Nesse trabalho percebemos uma superioridade na acurácia geral do Support Vector Machine alcançando 89,41% de acertos em nossa amostra de teste, porém, observamos um ótimo desempenho de Bagging e Random Forest na minimização de Falsos Positivos, um fator importante na implementação desses métodos, conforme discutido neste trabalho.