Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/33036
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2022_GenilsonSalustianoDaSilva_TCC.pdf3,03 MBAdobe PDFver/abrir
Título: Prevenção de irregularidades em contratos públicos : uma análise utilizando técnicas de Machine Learning
Autor(es): Silva, Genilson Salustiano da
Orientador(es): Kimura, Herbert
Assunto: Inadimplência (Finanças)
Fraude
Inteligência artificial
Administração pública
Data de apresentação: 25-Fev-2022
Data de publicação: 29-Dez-2022
Referência: SILVA, Genilson Salustiano da. Prevenção de irregularidades em contratos públicos: uma análise utilizando técnicas de Machine Learning. 2022. 91 f., il. Trabalho de Conclusão de Curso (Bacharelado em Administração) — Universidade de Brasília, Brasília, 2022.
Resumo: Técnicas de machine learning (aprendizado de máquina), embora largamente empregadas como suporte à gestão de risco de crédito, em instituições financeiras e em empresas de seguro, suas aplicações vêm se tornando cada vez mais bem-sucedidas no setor público. O objetivo deste trabalho foi demostrar como a inteligência artificial, por meio de algoritmos de machine learning, pode ser útil na redução da inadimplência nas aquisições do governo federal brasileiro e na prevenção de irregularidades em contratos públicos. Diferentes técnicas de classificação, atualmente disponíveis, foram aplicadas, dentre as quais, técnicas tradicionais de análise estatística (discriminant analysis - DA elogistic regression - LR) e técnicas de machine learning (k-nearest neighbors - KNN,bayesian networks - BN,support vector machine - SVM, decision trees - DT, random forests - RF, bagging - BG, gradient boosting - GB eneural networks- NN). Os métodos tradicionais, DA e LR, foram utilizados como parâmetro comparativo naanálise de desempenho de cada algoritmo testado. Na amostra de teste, os métodos ensemble learning (aprendizagem de conjunto) RF, GB e BG apresentaram os melhores resultados, com taxas de erro tipo II de 4,42%, 5,65% e 6,64% e acurácia de 90,95%, 90,21% e 90,82%, respectivamente. Os resultados mostraram que as técnicas, ensemble, avaliadas são importantes ferramentas de apoio à decisão que podem ser empregadas na priorização da atividade, fiscalização de contratos, sendo valiosas na alocação adequada de fiscais de contratos e na prevenção de irregularidades e ilegalidades em contratos públicos.
Abstract: Machine learning techniques, although widely used to support credit risk management, in financial institutions and insurance companies, their applications are becoming increasingly success-ful in the public sector. The objective of this work was to demonstrate how artificial intelligence,through machine learning algorithms, can be useful in reducing defaults in Brazilian federalgovernment acquisitions and in preventing irregularities in public contracts. Different classi-fication techniques, currently available, were applied, among which, traditional techniques ofstatistical analysis (discriminant analysis - DA and logistic regression - LR) and machine lear-ning techniques (k-nearest neighbors - KNN, bayesian networks - BN, support vector machine- SVM, decision trees - DT, random forests - RF, bagging - BG, gradient boosting - GB andneural networks - NN). The traditional methods, DA and LR, were used as a comparative para-meter in the performance analysis of each tested algorithm. In the test sample, theRF,GBandBGensemble learning methods showed the best results, with type II error rates of 4.42%, 5.65%and 6.64% and accuracy of 90.95%, 90.21% and 90.82%, respectively. The results showed thatthe techniques, ensemble, evaluated are important decision support tools that can be used in theprioritization of the activity, inspection of contracts, being valuable in the adequate allocationof contract inspectors and in the prevention of irregularities and illegalities in public contracts.
Informações adicionais: Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Departamento de Administração, 2022.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.
Aparece na Coleção:Administração



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.