Aplicação de machine learning na classificação de restos a pagar

• Autor(a) principal: Santos, Luciomar Ferreira dos
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional do FGV (FGV Repositório Digital)
• Texto Completo: https://hdl.handle.net/10438/33359
• topic: Orçamento público; Despesas públicas; Inteligência artificial; Restos a pagar; Machine learning; Random forest; Public budget; Public expenditure; Remains payable; Economia; Orçamento - Brasil; Despesa pública; Inteligência artificial; Aprendizado do computador

O Orçamento Público Federal é um instrumento formal (Lei Anual do Orçamento – LOA), com periodicidade anual, que contém as estimativas das receitas e a autorização das despesas a serem realizadas no respectivo exercício. Apesar do princípio orçamentário da anualidade, os Restos a Pagar proporcionam relativa flexibilidade ao orçamento, permitindo que o Gestor conclua a execução das despesas públicas em exercícios subsequentes ao da LOA. Esta concessão de tempo adicional permite um tempo hábil de execução maior e mais adequado às despesas provenientes das contratações de obras, todavia, o cancelamento das despesas inscritas na condição de restos a pagar traduz em perdas orçamentárias devido às restrições de realocação do crédito autorizado na LOA. O aprendizado de máquina é um campo da Inteligência Artificial que abrange o estudo e a construção de algoritmos capazes de adquirir conhecimento de forma autônoma. Estas técnicas computacionais analisam grande massa de dados com objetivo de buscar identificar automaticamente padrões com base nos exemplos, construindo um modelo de aprendizado. Nossas compras com cartões de crédito são insumos para que as máquinas aprendam o que desejamos consumir. Logo, os empenhos das obras em processo de inscrição de restos a pagar podem ser insumos para que estes algoritmos aprendam quais são os propensos a serem cancelados. O objetivo do estudo foi realizar a simulação do processo de inscrição de restos a pagar, classificando as obras contratadas pela Diretoria de Obras Militares do Exército Brasileiro, no período de 2016 a 2018, utilizando Machine Learning. Os resultados apurados com a aplicação do algoritmo Random Forest indicaram redução significativa em termos percentuais e valores absolutos dos cancelamentos de restos a pagar das despesas analisadas. Na Administração Pública Federal, aproximadamente 10% dos valores inscritos em restos a pagar, referente à contratação de obras, são cancelados pelos gestores, constituindo em montante relevante, da ordem de meio a um bilhão de reais, justificando a importância da pesquisa na contribuição do aperfeiçoamento da gestão pública na alocação dos recursos autorizados na Lei Orçamentária Anual.