Detecção de erros e fraudes em gastos públicos nas áreas da saúde e educação: uma abordagem utilizando inteligência artificial
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFSC |
Texto Completo: | https://repositorio.ufsc.br/handle/123456789/249803 |
Resumo: | Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2023. |
id |
UFSC_1bab76a9d2c646d941153decea0c580b |
---|---|
oai_identifier_str |
oai:repositorio.ufsc.br:123456789/249803 |
network_acronym_str |
UFSC |
network_name_str |
Repositório Institucional da UFSC |
repository_id_str |
2373 |
spelling |
Detecção de erros e fraudes em gastos públicos nas áreas da saúde e educação: uma abordagem utilizando inteligência artificialEngenharia e gestão do conhecimentoFraudes bancáriasCombate à corrupçãoInteligência artificialContabilidadeAprendizado do computadorAprendizado profundo (aprendizado do computador)Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2023.A Constituição Federal estabelece limites mínimos de gastos com saúde e educação. Para atender a esses limites ou obter ganhos políticos, gestores públicos podem se envolver em práticas contábeis criativas ou fraudulentas. Os Tribunais de Contas são algumas das instituições responsáveis por verificar a aderência dessas despesas. No entanto, o processo comumente usado, auditoria, é geralmente limitado por amostra ou critérios temporais. Este trabalho investiga o uso de inteligência artificial (IA) em auditoria contínua, que verifica todo o universo de dados. Para isso, foi adotado um framework composto por coleta de dados, processamento de dados, aplicação de modelos de IA, observação de resultados e avaliação de desempenho. Com base nesse referencial, foram analisados os orçamentos enviados por municípios do Rio Grande do Sul e de São Paulo (exceto a capital do estado) aos respectivos Tribunais de Contas do Rio Grande do Sul e de São Paulo. Cinco modelos de IA foram aplicados. Quatro deles eram modelos tradicionais de aprendizado de máquina (Regressão Logística, Máquina de Vetores de Suporte, k-near vizinhos e Naive Bayes) e um deles era baseado em aprendizado profundo (BERTimbau). Os resultados de desempenho e eficiência foram promissores. O modelo de aprendizado profundo teve um desempenho geral melhor. Também foram encontrados problemas na qualidade dos dados, principalmente em descrições curtas de informações e termos genéricos que podem pertencer a mais de uma área. A principal contribuição deste estudo é a identificação de técnicas de IA que podem levar à detecção de lançamentos contábeis errôneos ou fraudulentos em saúde pública e educação. Nesse sentido, este trabalho destaca o potencial da IA para aplicações em contabilidade e auditoria, principalmente no setor público, pois pode contribuir para práticas contábeis mais consistentes e confiáveis, melhorando a transparência e eficiência na gestão pública.Abstract: The Brazilian Constitution establishes minimum spending limits on health and education. To meet these limits or achieve political gain, public managers may engage in creative or fraudulent accounting practices. The Courts of Accounts are some of the responsible institutions for verifying the adherence of these expenses. However, the commonly used process, auditing, is generally limited by sample or temporal criterias. This work investigates the use of artificial intelligence (AI) in continuous audit, which verifies the entire universe of data. To achieve this, a framework composed of data collection, data processing, application of AI models, observation of results and performance evaluation was adopted. Based on this framework, budgets sent by municipalities in Rio Grande do Sul and São Paulo (except the state?s capital) to their respectives Court of Accounts in Rio Grande do Sul and São Paulo were analyzed. Five AI models were applied. Four of them were traditional machine learning models (Logistic Regression, Support Vector Machine, k-near neighbors, and Naive Bayes) and one of them was based on deep learning (BERTimbau). Performance and efficiency results were promising. The deep learning model performed better overall. There were also found problems in data quality, particularly in short information descriptions and generic terms that could belong to more than one area. The main contribution of this study is the identification of AI techniques that could lead to the detection of erroneous or fraudulent accounting entries in public health and education. In this sense, this work highlights the potential of AI for applications in accounting and auditing, particularly in the public sector, as this can contribute to more consistent and reliable accounting practices, improving transparency and efficiency in public management.Bastos, Lia CaetanoBastos, Rogerio CidUniversidade Federal de Santa CatarinaPinto, Rafael Maia2023-09-01T13:04:32Z2023-09-01T13:04:32Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis219 p.| gráfs.application/pdf382555https://repositorio.ufsc.br/handle/123456789/249803porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2023-09-01T13:04:32Zoai:repositorio.ufsc.br:123456789/249803Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-09-01T13:04:32Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false |
dc.title.none.fl_str_mv |
Detecção de erros e fraudes em gastos públicos nas áreas da saúde e educação: uma abordagem utilizando inteligência artificial |
title |
Detecção de erros e fraudes em gastos públicos nas áreas da saúde e educação: uma abordagem utilizando inteligência artificial |
spellingShingle |
Detecção de erros e fraudes em gastos públicos nas áreas da saúde e educação: uma abordagem utilizando inteligência artificial Pinto, Rafael Maia Engenharia e gestão do conhecimento Fraudes bancárias Combate à corrupção Inteligência artificial Contabilidade Aprendizado do computador Aprendizado profundo (aprendizado do computador) |
title_short |
Detecção de erros e fraudes em gastos públicos nas áreas da saúde e educação: uma abordagem utilizando inteligência artificial |
title_full |
Detecção de erros e fraudes em gastos públicos nas áreas da saúde e educação: uma abordagem utilizando inteligência artificial |
title_fullStr |
Detecção de erros e fraudes em gastos públicos nas áreas da saúde e educação: uma abordagem utilizando inteligência artificial |
title_full_unstemmed |
Detecção de erros e fraudes em gastos públicos nas áreas da saúde e educação: uma abordagem utilizando inteligência artificial |
title_sort |
Detecção de erros e fraudes em gastos públicos nas áreas da saúde e educação: uma abordagem utilizando inteligência artificial |
author |
Pinto, Rafael Maia |
author_facet |
Pinto, Rafael Maia |
author_role |
author |
dc.contributor.none.fl_str_mv |
Bastos, Lia Caetano Bastos, Rogerio Cid Universidade Federal de Santa Catarina |
dc.contributor.author.fl_str_mv |
Pinto, Rafael Maia |
dc.subject.por.fl_str_mv |
Engenharia e gestão do conhecimento Fraudes bancárias Combate à corrupção Inteligência artificial Contabilidade Aprendizado do computador Aprendizado profundo (aprendizado do computador) |
topic |
Engenharia e gestão do conhecimento Fraudes bancárias Combate à corrupção Inteligência artificial Contabilidade Aprendizado do computador Aprendizado profundo (aprendizado do computador) |
description |
Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2023. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-09-01T13:04:32Z 2023-09-01T13:04:32Z 2023 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
382555 https://repositorio.ufsc.br/handle/123456789/249803 |
identifier_str_mv |
382555 |
url |
https://repositorio.ufsc.br/handle/123456789/249803 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
219 p.| gráfs. application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFSC instname:Universidade Federal de Santa Catarina (UFSC) instacron:UFSC |
instname_str |
Universidade Federal de Santa Catarina (UFSC) |
instacron_str |
UFSC |
institution |
UFSC |
reponame_str |
Repositório Institucional da UFSC |
collection |
Repositório Institucional da UFSC |
repository.name.fl_str_mv |
Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC) |
repository.mail.fl_str_mv |
|
_version_ |
1808652204060442624 |