Detecção de conluio em licitações utilizando algoritmos de machine learning

Detalhes bibliográficos
Autor(a) principal: Nunes, Leonardo Vieira
Data de Publicação: 2024
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/255797
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Ciências da Computação.
id UFSC_66c655524a09833141781af270fd109f
oai_identifier_str oai:repositorio.ufsc.br:123456789/255797
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Detecção de conluio em licitações utilizando algoritmos de machine learningmachine learninglicitações públicasconluioTCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Ciências da Computação.O conluio consiste em uma prática criminosa onde empresas concordam secretamente valores de lances entre si em determinada licitação com o objetivo de maximizarem o seu lucro. Esse tipo de prática inflaciona os preços e prejudica a qualidade dos produtos e serviços adquiridos pela administração pública, impactando diretamente na vida dos cidadãos. Nesse contexto, surgiram abordagens utilizando métodos baseados em aprendizado de máquina que analisam grandes quantidades de dados para detectarem a presença de conluio. Todavia, a falta de um fluxo pré-estabelecido para analisar e comparar o comportamento dos algoritmos e conjuntos de dados torna a tomada de decisão mais desafiadora. Diante disso, este estudo busca implementar um fluxo de trabalho para auxiliar na tomada de decisão em relação aos melhores algoritmos de machine learning a serem utilizados para determinado conjunto de dados. Para isso, foram reproduzidos resultados encontrados na literatura, otimizados os hiperparâmetros dos modelos, selecionado o que obteve a melhor acurácia balanceada e, por fim, analisado a importância das features, distribuição das classificações pelas features e o teste U de Mann-Whitney. A partir desses resultados, concluiu-se que há a necessidade de enriquecimento em conjuntos menores, uma vez que resultou em um alto desvio padrão da acurácia balanceada. Também notou-se que houve um ganho de desempenho significativo nos modelos treinados com conjuntos maiores, apresentando uma acurácia balanceada em torno de 83% para o de St. Gallen e Graubünden.The collusion consists of a criminal practice where companies secretly agree on bid values among themselves in a particular tender with the aim of maximizing their profit. This type of practice inflates prices and harms the quality of products and services acquired by the public ad- ministration, directly impacting the lives of citizens. In this context, approaches using machine learning methods have emerged that analyze large amounts of data to detect the presence of collusion. However, the lack of a pre-established workflow to analyze and compare the behav- ior of algorithms and datasets makes decision-making more challenging. Therefore, this study aims to implement a workflow to assist in decision-making regarding the best machine learning algorithms to be used for a specific dataset. To achieve this, results found in the literature were reproduced, the hyperparameters of the models were optimized, the one with the best balanced accuracy was selected, and finally, the importance of the features, distribution of classifications by features, and Mann-Whitney U Test were analyzed. From these results, it was concluded that there is a need for enrichment in smaller datasets, as it resulted in a high standard devia- tion of balanced accuracy. It was also noted that there was a significant performance gain in models trained with larger datasets, with a balanced accuracy of around 83% for St. Gallen and Graubünden.Florianópolis, SC.Carvalho, Jônata TyskaUniversidade Federal de Santa Catarina.Nunes, Leonardo Vieira2024-07-10T02:59:20Z2024-07-10T02:59:20Z2024-07-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis67 f.application/pdfhttps://repositorio.ufsc.br/handle/123456789/255797Open Access.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2024-07-10T02:59:20Zoai:repositorio.ufsc.br:123456789/255797Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732024-07-10T02:59:20Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Detecção de conluio em licitações utilizando algoritmos de machine learning
title Detecção de conluio em licitações utilizando algoritmos de machine learning
spellingShingle Detecção de conluio em licitações utilizando algoritmos de machine learning
Nunes, Leonardo Vieira
machine learning
licitações públicas
conluio
title_short Detecção de conluio em licitações utilizando algoritmos de machine learning
title_full Detecção de conluio em licitações utilizando algoritmos de machine learning
title_fullStr Detecção de conluio em licitações utilizando algoritmos de machine learning
title_full_unstemmed Detecção de conluio em licitações utilizando algoritmos de machine learning
title_sort Detecção de conluio em licitações utilizando algoritmos de machine learning
author Nunes, Leonardo Vieira
author_facet Nunes, Leonardo Vieira
author_role author
dc.contributor.none.fl_str_mv Carvalho, Jônata Tyska
Universidade Federal de Santa Catarina.
dc.contributor.author.fl_str_mv Nunes, Leonardo Vieira
dc.subject.por.fl_str_mv machine learning
licitações públicas
conluio
topic machine learning
licitações públicas
conluio
description TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Ciências da Computação.
publishDate 2024
dc.date.none.fl_str_mv 2024-07-10T02:59:20Z
2024-07-10T02:59:20Z
2024-07-07
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/255797
url https://repositorio.ufsc.br/handle/123456789/255797
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Open Access.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Open Access.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 67 f.
application/pdf
dc.publisher.none.fl_str_mv Florianópolis, SC.
publisher.none.fl_str_mv Florianópolis, SC.
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_ 1808652308864565248

Registros relacionados