Predicción del riesgo de corrupción en los procesos de contratación pública disponibles en la plataforma Datos Abiertos usando el modelo Gradient Boosting Machine

María Fernanda Umbarila Suárez

doi:10.18041/2322-8415/ingelibre.2024.v14n24.12087

Autores

María Fernanda Umbarila Suárez Estudiante de la Universidad Libre

DOI:

https://doi.org/10.18041/2322-8415/ingelibre.2024.v14n24.12087

Palavras-chave:

contratación pública, corrupción, plataforma Datos Abiertos, predicción, Gradient Boosting Machine

Resumo

La corrupción y los mecanismos para combatirla se han vuelto un tema de alta importancia para los gobiernos alrededor del mundo, Colombia junto a otros países de la OCDE cuenta con bases de datos abiertas y sistemas de contratación pública que son actualizadas constantemente y las cuales están conformadas por una cantidad grande de datos, lo cual plantea un reto para los organismos de control que se enfrentan a la tarea de auditar y analizar dicha información. El Machine Learning se presenta entonces como una herramienta para facilitar la auditoría de contratación pública, al ofrecer un mecanismo rápido para identificar aquellos procesos contractuales con un riesgo mayor de incidir en corrupción. Así, el presente artículo tiene como objetivo evaluar el rendimiento de un modelo de Gradient Boosting Machine al momento de predecir el riesgo de corrupción en procesos de contratación pública disponible en la plataforma Datos Abiertos.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

E. A. Contreras Ussa, “Auditoria de datos al sistema electrónico de contratación pública ‘Colombia compra eficiente’ sustentado en un modelo de aprendizaje no supervisado,” instname:Universidad de Bogotá Jorge Tadeo Lozano, 2022, doi: 10/27843.

Corporación Transparencia por Colombia, “Radiografía de los hechos de corrupción en Colombia,” 2021, Accessed: Apr. 18, 2024. [Online]. Available: https://www.monitorciudadano.co/documentos/hc-informes/2021/Radiografia-2016-2021.pdf

J. Gallego, G. Rivero, and J. Martínez, “Preventing rather than punishing: An early warning model of malfeasance in public procurement,” Int J Forecast, vol. 37, no. 1, pp. 360–377, 2021, doi: 10.1016/j.ijforecast.2020.06.006.

J. Galvis, J. P. Marín, J. P. Garnica, H. Fonseca, H. Inga, and C. Cetina, Guía para la identificación de riesgos de corrupción en contratación pública utilizando la ciencia de datos. 2021. [Online]. Available: https://ricg.org/wp-content/uploads/2021/12/Guia-para-la-identificacion-de-riesgos-de-corrupcion-en-CP-utilizando-la-ciencia-de-datos.pdf

OEA, “Diagnóstico subregional sistema de compra y contratación pública,” OEA - Organización de los Estados Americanos, 2021, [Online]. Available: https://www.oas.org/es/centro_noticias/comunicado_prensa.asp?sCodigo=C-053/21

N. Modrušan, K. Rabuzin, and L. Mršic, “Review of Public Procurement Fraud Detection Techniques Powered by Emerging Technologies,” International Journal of Advanced Computer Science and Applications, vol. 12, no. 2, 2021, doi: 10.14569/IJACSA.2021.0120272.

Open Contracting Partnership, “Red flags for integrity: Giving the green light to open data solutions,” 2016. Accessed: Aug. 27, 2024. [Online]. Available: https://www.open-contracting.org/resources/red-flags-integrity-giving-green-light-open-data-solutions/

J. H. Friedman, “Greedy function approximation: A gradient boosting machine,” The Annals of Statistics, vol. 29, no. 5, Oct. 2001, doi: 10.1214/aos/1013203451.

Scikit Learn, “MultiOutputClassifier.” Accessed: Aug. 27, 2024. [Online]. Available: https://scikit-learn.org/stable/modules/generated/sklearn.multioutput.MultiOutputClassifier.html

Google, “Clasificación: ROC y AUC.” Accessed: Aug. 27, 2024. [Online]. Available: https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc?hl=es-419#:~:text=Receiver-operating%20characteristic%20curve%20(ROC),-The%20ROC%20curve&text=The%20ROC%20curve%20is%20drawn,then%20graphing%20TPR%20over%20FPR.